CN108923983B - 机会网络链路的预测方法、装置及可读存储介质 - Google Patents
机会网络链路的预测方法、装置及可读存储介质 Download PDFInfo
- Publication number
- CN108923983B CN108923983B CN201810776612.8A CN201810776612A CN108923983B CN 108923983 B CN108923983 B CN 108923983B CN 201810776612 A CN201810776612 A CN 201810776612A CN 108923983 B CN108923983 B CN 108923983B
- Authority
- CN
- China
- Prior art keywords
- node
- time
- neural network
- predicting
- sequence
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/147—Network analysis or design for predicting network behaviour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/142—Network analysis or design using statistical or mathematical methods
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W84/00—Network topologies
- H04W84/18—Self-organising networks, e.g. ad-hoc networks or sensor networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Algebra (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Probability & Statistics with Applications (AREA)
- Pure & Applied Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明涉及一种机会网络链路的预测方法、装置及可读存储介质,该方法包括如下步骤:采用时间序列分析方法,对通讯数据进行切片处理,并将通讯数据中的节点连接时间以及节点断开时间进行数据转化以得到节点连接属性信息,根据节点标志、节点连接时间、节点断开时间以及节点对连接状态信息映射成连续的实数向量,并将实数向量按时间顺序转化为时序向量序列;建立初始循环神经网络模型,将时序向量序列输入至初始循环神经网络模型中,经迭代训练测试得到目标模型,以对机会网络链路进行预测。本发明提出的机会网络链路的预测方法,可实现对机会网络链路的有效预测。
Description
技术领域
本发明涉及通讯数据处理技术领域,特别涉及一种机会网络链路的预测方法、装置及可读存储介质。
背景技术
机会网络是一种不需要源节点和目的节点之间存在完整链路,利用节点移动带来相遇机会实现通信的自组织网络。近年来,机会网络已在车辆自组织网络、移动数据分流、信息分享以及移动计算等领域有着较为广泛的应用。
具体的,机会网络以“存储-携带-转发”的路由模式实现节点间的数据传输,具有网络拓扑结构时变,节点间通信存在时变性以及节点资源受限等特点,因此自主组网方式更符合实际环境中的组网需求。
然而,机会网络的时变性,导致机会网络的链路在时域上演变规律难以捕捉,进而导致对机会网络链路难以预测的问题。
发明内容
基于此,本发明的目的是为了解决现有技术中,对机会网络链路难以预测的问题。
本发明提出一种机会网络链路的预测方法,其中,所述方法包括如下步骤:
采用时间序列分析方法,对通讯数据进行切片处理,并将所述通讯数据中的节点连接时间以及节点断开时间进行数据转化以得到节点连接属性信息,其中所述节点连接属性信息至少包括节点标志以及节点对连接状态信息;
根据所述节点标志、所述节点连接时间、所述节点断开时间以及所述节点对连接状态信息映射成连续的实数向量,并将所述实数向量按时间顺序转化为时序向量序列;
建立初始循环神经网络模型,将所述时序向量序列输入至所述初始循环神经网络模型中,经迭代训练测试得到目标模型,以对所述机会网络链路进行预测。
本发明提出的机会网络链路的预测方法,首先将原始的通讯数据进行切片,并对通信数据进行数据转化,将转化后的节点标志、节点连接时间、节点断开时间以及节点对连接状态信息映射成连续的实数向量,并将实数向量按时间顺序转化为时序向量序列,利用特征提取能力强、数据表征效果好的循环神经网络模型,自发地提取机会网络中,节点间链路在时域上的高阶特征,从而对机会网络链路进行有效预测。本发明提出的机会网络链路的预测方法,可实现对机会网络链路的有效预测,提高了预测精度。
另外,本发明提出的机会网络链路的预测方法,还可以具有如下附加的技术特征:
所述机会网络链路的预测方法,其中,所述对通讯数据进行切片处理的方法包括如下步骤:
将所述节点连接时间以及所述节点断开时间切片划分到对应的网络快照中,将对应转化成预设时间格式。
所述机会网络链路的预测方法,其中,所述方法还包括:
当判断到所述节点连接时间与所述节点断开时间的时间间隔,与所述网络快照对应的时间段存在交集,则确定节点对存在链路。
所述机会网络链路的预测方法,其中,所述网络快照可表示为:
G=(G1,G2,G3,...Gt-1,Gt)
其中,Gt=(Vt,Et),Gt表示t时刻的网络拓扑结构图,Vt表示t时刻节点的集合,Et表示t时刻的边的集合。
所述机会网络链路的预测方法,其中,所述实数向量可表示为:
其中,Ni为节点i的序号,Nj为节点j的序号,Ts为某节点对<Ni,Nj>产生连接的时间点,Te为某节点对<Ni,Nj>断开连接的时间点,S为节点对<Ni,Nj>的连接状态,其以0表示节点对无连接,1表示节点对有连接。
所述机会网络链路的预测方法,其中,所述将所述时序向量序列输入至所述初始循环神经网络模型中的方法包括如下步骤:
将所述时序向量序列按预设比例进行分割成训练集以及测试集,其中所述训练集用于训练所述初始循环神经网络模型的参数,所述测试集用于测试在预设参数下所述初始循环神经网络模型的性能;
将所述训练集中的所述时序向量序列输入至所述初始循环神经网络模型中。
所述机会网络链路的预测方法,其中,所述初始循环神经网络模型对应的超参数包括输入序列长度以及初始权值,所述输入序列长度为5。
所述机会网络链路的预测方法,其中,所述初始循环神经网络模型采用以长短期记忆网络为单元的循环神经网络,所述初始循环神经网络的模型结构包括输入层、LSTM隐藏层以及输出层,对应的激活函数为Logistic Regression分类器。
本发明还提出一种机会网络链路的预测装置,其中,所述装置包括:
数据预处理模块,用于采用时间序列分析方法,对通讯数据进行切片处理,并将所述通讯数据中的节点连接时间以及节点断开时间进行数据转化以得到节点连接属性信息,其中所述节点连接属性信息至少包括节点标志以及节点对连接状态信息;
数据转化模块,用于根据所述节点标志、所述节点连接时间、所述节点断开时间以及所述节点对连接状态信息映射成连续的实数向量,并将所述实数向量按时间顺序转化为时序向量序列;
模型建立模块,用于建立初始循环神经网络模型,将所述时序向量序列输入至所述初始循环神经网络模型中,经迭代训练测试得到目标模型,以对所述机会网络链路进行预测。
本发明还提出一种可读存储介质,其上存储有计算机程序,其中,所述程序被处理器执行时实现如上所述的机会网络链路的预测方法。
本公开的其他特征和优点将在随后的说明书中阐述,或者,部分特征和优点可以从说明书推知或毫无疑义地确定,或者通过实施本公开的上述技术即可得知。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明第一实施例提出的机会网络链路的预测方法的流程图;
图2为本发明第一实施例中机会网络链路演化过程的状态图一;
图3为本发明第一实施例中机会网络链路演化过程的状态图二;
图4为本发明第一实施例中机会网络链路演化过程的状态图三;
图5为本发明第一实施例中的链路通信时间在时间轴上的划分图;
图6为本发明第一实施例中的长短期记忆网络单元的结构图;
图7为本发明第一实施例中不同序列长度下的预测精度结果图;
图8为本发明第一实施例中以LSTM为单元循环神经网络的模型结构图;
图9为本发明第二实施例中机会网络链路的预测装置的结构示意图。
具体实施方式
为了便于理解本发明,下面将参照相关附图对本发明进行更全面的描述。附图中给出了本发明的首选实施例。但是,本发明可以以许多不同的形式来实现,并不限于本文所描述的实施例。相反地,提供这些实施例的目的是使对本发明的公开内容更加透彻全面。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本发明。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
现有技术中,由于机会网络的时变性,导致机会网络的链路在时域上演变规律难以捕捉,进而导致对机会网络链路难以预测的问题。
为了解决这一技术问题,本发明提出一种机会网络链路的预测方法,请参阅图1至图8,对于本发明第一实施例提出的机会网络链路的预测方法,包括如下步骤:
S101,采用时间序列分析方法,对通讯数据进行切片处理,并将通讯数据中的节点连接时间以及节点断开时间进行数据转化以得到节点连接属性信息。
其中,上述的节点连接属性信息包括节点标志、节点连接时间、节点断开时间以及节点对连接状态信息。在此需要指出的是,上述的节点连接时间以及节点断开时间均指的为时间点。
在对通讯数据进行切片处理时,具体的,将上述的节点连接时间以及节点断开时间切片划分到对应的网络快照中,并对应转化成预设时间格式(如xx天xx时xx分xx秒)。其中,切片划分得到的网络快照可表示为:
G=(G1,G2,G3,...Gt-1,Gt)
其中,Gt=(Vt,Et),Gt表示t时刻的网络拓扑结构图,Vt表示t时刻节点的集合,Et表示t时刻的边的集合。
在此需要指出的是,若节点连接时间与节点断开时间的时间间隔,与网络快照对应的时间段存在交集,则确定节点对存在链路,否则不存在链路。
具体的,节点对间的通信时间与网络快照对应的时间段存在交集有如下三种情况:如图5所示,以选取长度为T的时间片[TS,TE]为例,其中TS为时间片开始时刻,TE为时间片结束时刻,T0与T1分别为节点对(x,y)产生连接以及断开连接时刻。
(1)T0<TS或者T1>TE,则表示节点对间通信时间部分属于网络快照对应的时间段,且T0=TS或者T1=TE。
(2)T0>TS和T1<TE,则表示节点对间通信时间属于网络快照对应的时间段的子集。
(3)T0<TS和T1>TE,则表示网络快照对应的时间段属于节点对间通信时间的子集,且T0=TS和T1=TE。
S102,根据节点标志、节点连接时间、节点断开时间以及节点对连接状态信息映射成连续的实数向量,并将实数向量按时间顺序转化为时序向量序列。
在本步骤中,映射得到的实数向量可表示为:
其中,Ni为节点i的序号,Nj为节点j的序号,Ts为某节点对<Ni,Nj>产生连接的时间点,Te为某节点对<Ni,Nj>断开连接的时间点,S为节点对<Ni,Nj>的连接状态,其以0表示节点对无连接,1表示节点对有连接。
在得到了多个实数向量之后,按照时间顺序,将上述的多个实数向量转化为时序向量序列。
S103,建立初始循环神经网络模型,将时序向量序列输入至初始循环神经网络模型中,经迭代训练测试得到目标模型,以对机会网络链路进行预测。
对上述的初始循环神经网络模型而言,使用的神经网络模型为以长短期记忆网络(Long Short-Term Memory,LSTM)为单元的循环神经网络,具体模型结构如图8所示,其第一层为输入层,中间三层为LSTM隐藏层,最后一层为输出层,其对应的激活函数为LogisticRegression分类器。
此外,上述的初始循环神经网络模型对应的超参数,包括输入序列长度以及初始权值,在本实施例中,上述的输入序列长度为5。权值初始化方式为正交初始化方法(orthogonal initialization),训练算法选择了适应性动量估计算法(adaptive momentestimation,Adam),针对模型的泛化能力以及训练速度,使用了层规范化(LayerNormalization,LN)进行优化。
在此还需要补充说明的是,在将时序向量序列输入至初始循环神经网络模型之前,将上述的时序向量序列按预设比例(例如为4:1)进行分割成训练集以及测试集,其中训练集用于训练初始循环神经网络模型的参数,测试集用于测试在预设参数下初始循环神经网络模型的性能。
在本发明中,使用节点间链路预测精度来衡量特征提取的优劣,选用Keras框架作为模型训练工具,将原始通讯数据集按4:1的比例划分为训练集以及测试集,训练集中的时序向量序列数据作为模型的输入,下一时刻的节点对连接状态作为输出。在训练结束后,通过测试集来验证模型,若测试结果满足一定的精度则预测成功,即可使用该模型来预测机会网络的链路。
本发明提出的机会网络链路的预测方法,首先将原始的通讯数据进行切片,并对通信数据进行数据转化,将转化后的节点标志、节点连接时间、节点断开时间以及节点对连接状态信息映射成连续的实数向量,并将实数向量按时间顺序转化为时序向量序列,利用特征提取能力强、数据表征效果好的循环神经网络模型,自发地提取机会网络中,节点间链路在时域上的高阶特征,从而对机会网络链路进行有效预测。本发明提出的机会网络链路的预测方法,可实现对机会网络链路的有效预测,提高了预测精度。
请参阅图9,对于本发明第二实施例提出的机会网络链路的预测装置,其中,该装置包括依次连接的数据预处理模块11、数据转化模块12以及模型建立模块13;
其中所述数据预处理模块11具体用于:
采用时间序列分析方法,对通讯数据进行切片处理,并将所述通讯数据中的节点连接时间以及节点断开时间进行数据转化以得到节点连接属性信息,其中所述节点连接属性信息至少包括节点标志以及节点对连接状态信息;
所述数据转化模块12具体用于:
根据所述节点标志、所述节点连接时间、所述节点断开时间以及所述节点对连接状态信息映射成连续的实数向量,并将所述实数向量按时间顺序转化为时序向量序列;
所述模型建立模块13具体用于:
建立初始循环神经网络模型,将所述时序向量序列输入至所述初始循环神经网络模型中,经迭代训练测试得到目标模型,以对所述机会网络链路进行预测。
本发明还提出一种可读存储介质,其上存储有计算机程序,其中,所述程序被处理器执行时实现如上所述的机会网络链路的预测方法。
本领域技术人员可以理解,在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或它们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成。所述的程序可以存储于一计算机可读取存储介质中。该程序在执行时,包括上述方法所述的步骤。所述的存储介质,包括:ROM/RAM、磁碟、光盘等。
最后应说明的是:以上所述实施例,仅为本发明的具体实施方式,用以说明本发明的技术方案,而非对其限制,本发明的保护范围并不局限于此,尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种机会网络链路的预测方法,其特征在于,所述方法包括如下步骤:
采用时间序列分析方法,对通讯数据进行切片处理,并将所述通讯数据中的节点连接时间以及节点断开时间进行数据转化以得到节点连接属性信息,其中所述节点连接属性信息至少包括节点标志以及节点对连接状态信息;
根据所述节点标志、所述节点连接时间、所述节点断开时间以及所述节点对连接状态信息映射成连续的实数向量,并将所述实数向量按时间顺序转化为时序向量序列;
建立初始循环神经网络模型,将所述时序向量序列输入至所述初始循环神经网络模型中,经迭代训练测试得到目标模型,以对所述机会网络链路进行预测。
2.根据权利要求1所述的机会网络链路的预测方法,其特征在于,所述对通讯数据进行切片处理的方法包括如下步骤:
将所述节点连接时间以及所述节点断开时间切片划分到对应的网络快照中,将对应转化成预设时间格式。
3.根据权利要求1所述的机会网络链路的预测方法,其特征在于,所述方法还包括:
当判断到所述节点连接时间与所述节点断开时间的时间间隔,与所述网络快照对应的时间段存在交集,则确定节点对存在链路。
4.根据权利要求3所述的机会网络链路的预测方法,其特征在于,所述网络快照可表示为:
G=(G1,G2,G3,...Gt-1,Gt)
其中,Gt=(Vt,Et),Gt表示t时刻的网络拓扑结构图,Vt表示t时刻节点的集合,Et表示t时刻的边的集合。
6.根据权利要求1所述的机会网络链路的预测方法,其特征在于,所述将所述时序向量序列输入至所述初始循环神经网络模型中的方法包括如下步骤:
将所述时序向量序列按预设比例进行分割成训练集以及测试集,其中所述训练集用于训练所述初始循环神经网络模型的参数,所述测试集用于测试在预设参数下所述初始循环神经网络模型的性能;
将所述训练集中的所述时序向量序列输入至所述初始循环神经网络模型中。
7.根据权利要求6所述的机会网络链路的预测方法,其特征在于,所述初始循环神经网络模型对应的超参数包括输入序列长度以及初始权值,所述输入序列长度为5。
8.根据权利要求1所述的机会网络链路的预测方法,其特征在于,所述初始循环神经网络模型采用以长短期记忆网络为单元的循环神经网络,所述初始循环神经网络的模型结构包括输入层、LSTM隐藏层以及输出层,对应的激活函数为Logistic Regression分类器。
9.一种机会网络链路的预测装置,其特征在于,所述装置包括:
数据预处理模块,用于采用时间序列分析方法,对通讯数据进行切片处理,并将所述通讯数据中的节点连接时间以及节点断开时间进行数据转化以得到节点连接属性信息,其中所述节点连接属性信息至少包括节点标志以及节点对连接状态信息;
数据转化模块,用于根据所述节点标志、所述节点连接时间、所述节点断开时间以及所述节点对连接状态信息映射成连续的实数向量,并将所述实数向量按时间顺序转化为时序向量序列;
模型建立模块,用于建立初始循环神经网络模型,将所述时序向量序列输入至所述初始循环神经网络模型中,经迭代训练测试得到目标模型,以对所述机会网络链路进行预测。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现上述权利要求1至8任意一项所述的机会网络链路的预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810776612.8A CN108923983B (zh) | 2018-07-13 | 2018-07-13 | 机会网络链路的预测方法、装置及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810776612.8A CN108923983B (zh) | 2018-07-13 | 2018-07-13 | 机会网络链路的预测方法、装置及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108923983A CN108923983A (zh) | 2018-11-30 |
CN108923983B true CN108923983B (zh) | 2021-01-12 |
Family
ID=64411979
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810776612.8A Active CN108923983B (zh) | 2018-07-13 | 2018-07-13 | 机会网络链路的预测方法、装置及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108923983B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110557294A (zh) * | 2019-09-25 | 2019-12-10 | 南昌航空大学 | 一种基于网络变化度的psn网络的时间切片方法 |
CN111709474A (zh) * | 2020-06-16 | 2020-09-25 | 重庆大学 | 一种融合拓扑结构和节点属性的图嵌入链路预测方法 |
CN111756587B (zh) * | 2020-07-29 | 2021-06-15 | 南昌航空大学 | 一种采用GraphSAGE预测时序网络链路的方法 |
CN111884867A (zh) * | 2020-08-17 | 2020-11-03 | 南昌航空大学 | 基于循环生成式对抗网络的机会网络拓扑预测方法及装置 |
CN112905591B (zh) * | 2021-02-04 | 2022-08-26 | 成都信息工程大学 | 一种基于机器学习的数据表连接顺序选择方法 |
CN113783725B (zh) * | 2021-08-31 | 2023-05-09 | 南昌航空大学 | 一种基于高通滤波器和改进rnn的机会网络链路预测方法 |
CN114510329B (zh) * | 2022-01-21 | 2023-08-08 | 北京火山引擎科技有限公司 | 一种确定任务节点预计产出时间的方法、装置及设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104378229A (zh) * | 2014-10-30 | 2015-02-25 | 东南大学 | 一种机会网络的链路预测方法 |
EP2911349A1 (en) * | 2014-02-24 | 2015-08-26 | Deutsche Telekom AG | Method and system for link prediction in mobile computing |
CN107423814A (zh) * | 2017-07-31 | 2017-12-01 | 南昌航空大学 | 一种采用深度卷积神经网络建立动态网络模型的方法 |
CN107944610A (zh) * | 2017-11-17 | 2018-04-20 | 平安科技(深圳)有限公司 | 预测事件流行度方法、服务器及计算机可读存储介质 |
-
2018
- 2018-07-13 CN CN201810776612.8A patent/CN108923983B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2911349A1 (en) * | 2014-02-24 | 2015-08-26 | Deutsche Telekom AG | Method and system for link prediction in mobile computing |
CN104378229A (zh) * | 2014-10-30 | 2015-02-25 | 东南大学 | 一种机会网络的链路预测方法 |
CN107423814A (zh) * | 2017-07-31 | 2017-12-01 | 南昌航空大学 | 一种采用深度卷积神经网络建立动态网络模型的方法 |
CN107944610A (zh) * | 2017-11-17 | 2018-04-20 | 平安科技(深圳)有限公司 | 预测事件流行度方法、服务器及计算机可读存储介质 |
Non-Patent Citations (2)
Title |
---|
Recurrent Neural Networks for Transmission Opportunity Forecasting;Paulo A. L. Ferreira 等;《2016 IEEE 13th International Conference on Mobile Ad Hoc and Sensor Systems (MASS)》;20161013;第383页 * |
机会传感网络连通性参数研究;舒坚 等;《计算机学报》;20151217;第39卷(第5期);第1067-1080页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108923983A (zh) | 2018-11-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108923983B (zh) | 机会网络链路的预测方法、装置及可读存储介质 | |
CN109120462B (zh) | 机会网络链路的预测方法、装置及可读存储介质 | |
US20190279088A1 (en) | Training method, apparatus, chip, and system for neural network model | |
US20230385606A1 (en) | System and method for state estimation in a noisy machine-learning environment | |
CN112668128A (zh) | 联邦学习系统中终端设备节点的选择方法及装置 | |
US11416743B2 (en) | Swarm fair deep reinforcement learning | |
EP3380939A1 (en) | Adaptive artificial neural network selection techniques | |
WO2019171291A1 (en) | Epistemic and aleatoric deep plasticity based on sound feedback | |
EP4350572A1 (en) | Method, apparatus and system for generating neural network model, devices, medium and program product | |
CN108811028B (zh) | 一种机会网络链路的预测方法、装置及可读存储介质 | |
CN111626338B (zh) | 基于融合分类模型的云环境匹配方法、装置、设备和介质 | |
CN117529728A (zh) | 机器学习中的隐私性知悉式修剪 | |
US20240095529A1 (en) | Neural Network Optimization Method and Apparatus | |
CN117061365B (zh) | 一种节点选择方法、装置、设备及可读存储介质 | |
CN107608781A (zh) | 一种负载预测方法、装置以及网元 | |
CN111090740A (zh) | 一种用于对话系统的知识图谱生成方法 | |
JP2022013844A (ja) | 情報処理方法、情報処理装置及びプログラム | |
CN114238658A (zh) | 时序知识图谱的链接预测方法、装置及电子设备 | |
CN114399355B (zh) | 基于用户转化率的信息推送方法、装置和电子设备 | |
KR102233891B1 (ko) | 정보의 전파 시간을 예측하는 방법 및 상기 방법을 수행하는 정보 전파 예측 장치 | |
CN113836438B (zh) | 用于帖子推荐的方法、电子设备和存储介质 | |
CN117829274B (zh) | 模型融合方法、装置、设备、联邦学习系统及存储介质 | |
Kang et al. | Context-aware Model Selection for On-Device Object Detection | |
Singh et al. | A new trust model based on social characteristics and reputation mechanisms using best local prediction selection approach | |
JP2024000790A (ja) | 処理装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |