CN109740052A - 网络行为预测模型的构建方法及装置、网络行为预测方法 - Google Patents
网络行为预测模型的构建方法及装置、网络行为预测方法 Download PDFInfo
- Publication number
- CN109740052A CN109740052A CN201811599659.8A CN201811599659A CN109740052A CN 109740052 A CN109740052 A CN 109740052A CN 201811599659 A CN201811599659 A CN 201811599659A CN 109740052 A CN109740052 A CN 109740052A
- Authority
- CN
- China
- Prior art keywords
- network behavior
- historical data
- prediction model
- behavior prediction
- lssvm
- 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.)
- Pending
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种网络行为预测模型的构建方法及装置、网络行为预测方法,其中的预测模型的构建方法包括:首先收集网络行为历史数据;并对网络行为历史数据进行预处理;然后采用预设聚类算法FCM对预处理后的网络行为历史数据进行聚类,构建网络行为训练集;再将网络行为训练集输入最小二乘支持向量机LSSVM进行训练,并查找LSSVM的优化参数;最后基于优化参数,构建网络行为预测模型。本发明实现了对用户网络行为进行预测并提高预测准确性的技术效果。
Description
技术领域
本发明涉及行为识别技术领域,具体涉及一种网络行为预测模型的构建方法及装置、网络行为预测方法。
背景技术
人体行为识别是一种通过获取和分析人体行为相关数据,判断人体行为状态的技术。通过获知人体基础行为活动,该技术能够为运动追踪、健康监测、跌倒检测、老年人监护、病人恢复训练、复杂行为识别、辅助工业制造、人机交互、增强现实、室内定位及导航、个人特征识别、城市化计算等众多领域的研究和应用提供人体相关信息,因此具有重要的应用价值和研究意义。
现有技术中,通常采用移动设备(例如传感器、GPS、六轴陀螺仪等)来采集人体的相关数据,然后通过识别模型来进行人体行为的识别。
本发明申请人在实施本发明的过程中,发现现有技术中至少存在如下技术问题:
现有方法中,仅能识别人体的运动行为,例如走路、跑步、静止等,而无法对人体的其他行为进行识别或预测,且缺乏对行为预测进行准确预测的模型。
由此可知,现有技术中存在无法对用户的网络行为进行预测或者进行准确预测的问题。
发明内容
有鉴于此,本发明实施例提供了一种网络行为预测模型的构建方法及装置、网络行为预测方法,用以解决或者至少解决现有技术中存在无法对用户的网络行为进行预测或者进行准确预测的问题。
本发明第一方面提供了一种网络行为预测模型的构建方法,包括:
步骤S1:收集网络行为历史数据;
步骤S2:对网络行为历史数据进行预处理;
步骤S3:采用预设聚类算法FCM对预处理后的网络行为历史数据进行聚类,构建网络行为训练集;
步骤S4:将网络行为训练集输入最小二乘支持向量机LSSVM进行训练,并查找LSSVM的优化参数;
步骤S5:基于优化参数,构建网络行为预测模型。
在一种实施方式中,步骤S1中,网络行为历史数据包括以下信息中的一种或多种:
GPS信息、移动信息、时间信息和使用信息。
在一种实施方式中,步骤S2,具体包括采用公式(1)对网络行为历史数据进行预处理,
x'=(x-xmin)/(xmax-xmin) (1)
其中,x'表示预处理后的网络行为历史数据,x表示收集的网络行为历史数据,xmax和xmin分别表示预设的数据规模上界和下界。
在一种实施方式中,步骤S3具体包括:
步骤S3.1:根据公式(2)计算隶属度矩阵:
步骤S3.2:计算价值函数J,判断J是否小于阈值R,如果小于则终止,得到聚类中心C、模糊隶属度矩阵U和距离矩阵D,执行步骤S3.4,否则执行步骤S3.3;
步骤S3.3:根据式(3)重新计算聚类中心Ci:
步骤S3.4:根据k近邻判别法判断样本所属类别,选取对应的网络行为训练集。
在一种实施方式中,步骤S4中,采用人工蜂群算法寻找LSSVM的最优参数作为优化参数。
在一种实施方式中,在步骤S5之后,所述方法还包括:利用测试样本对构建的网络行为预测模型进行测试。
基于同样的发明构思,本发明第二方面提供了一种网络行为预测模型的构建装置,包括:
收集模块,用于收集网络行为历史数据;
预处理模块,用于对网络行为历史数据进行预处理;
聚类模块,用于采用预设聚类算法FCM对预处理后的网络行为历史数据进行聚类,构建网络行为训练集;
训练模块,用于将网络行为训练集输入最小二乘支持向量机LSSVM进行训练,并查找LSSVM的优化参数;
构建模块,用于基于优化参数,构建网络行为预测模型。
在一种实施方式中,预处理模块,具体用于:
采用公式(1)对网络行为历史数据进行预处理:
x'=(x-xmin)/(xmax-xmin) (1)
其中,x'表示预处理后的网络行为历史数据,x表示收集的网络行为历史数据,xmax和xmin分别表示预设的数据规模上界和下界。
在一种实施方式中,聚类模块具体用于执行下述步骤:
步骤S3.1:根据公式(2)计算隶属度矩阵:
步骤S3.2:计算价值函数J,判断J是否小于阈值R,如果小于则终止,得到聚类中心C、模糊隶属度矩阵U和距离矩阵D,执行步骤S3.4,否则执行步骤S3.3;
步骤S3.3:根据式(3)重新计算聚类中心Ci:
步骤S3.4:根据k近邻判别法判断样本所属类别,选取对应的网络行为训练集。
基于同样的发明构思,本发明第三方面提供了一种网络行为预测方法,所述方法包括:
将采集的行为数据输入第一方面构建的网络行为预测模型,获得预测结果。
本申请实施例中的上述一个或多个技术方案,至少具有如下一种或多种技术效果:
在本发明提供网络行为预测模型的构建方法,通过收集网络行为历史数据后,对网络行为历史数据进行预处理,然后采用预设聚类算法FCM对预处理后的网络行为历史数据进行聚类,构建网络行为训练集;再将网络行为训练集输入最小二乘支持向量机LSSVM进行训练,并查找LSSVM的优化参数;最后基于优化参数,构建网络行为预测模型。
通过构建一种网络行为预测模型,可以对用户的网络行为进行预测,从而解决了现有技术中无法对用户网络行为进行预测的技术问题,并且,通过采用预设聚类算法FCM对预处理后的网络行为历史数据进行聚类,构建网络行为训练集,可以消除孤立点样本,减小训练样规模,有利于提高网络行为预测精度。解决了现有技术中无法准确进行预测的技术问题。
此外,构建的网络行为预测模型为一种基于最小二乘支持向量机(LSSVM)的改进模型,可以简化了运算,减少计算量,加快了网络行为的建模速度,可以获得网络行为在线预测模型要求。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,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为本发明实施例中一种网络行为预测模型的构建方法的流程图;
图2为本发明实施例中一种网络行为预测模型的构建装置的结构框图;
图3为本发明实施例中一种网络行为预测方法的流程图。
具体实施方式
本发明实施例提供了一种网络行为预测模型的构建方法及装置、网络行为预测方法,用以改善现有技术中存在无法对用户的网络行为进行预测或者进行准确预测的问题。从而达到对用户网络行为进行预测并提高预测准确性的技术效果。
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例一
本实施例提供了一种网络行为预测模型的构建方法,请参见图1,该方法包括:
首先执行步骤S1:收集网络行为历史数据。
具体来说,网络行为历史数据可以预先收集。
在一种实施方式中,步骤S1中,网络行为历史数据包括以下信息中的一种或多种:
GPS信息、移动信息、时间信息和使用信息。
具体来说,移动信息具体包括方向和速度,使用信息包括节点使用信息,具体为通讯行为。
然后执行步骤S2:对网络行为历史数据进行预处理。
具体来说,可以对收集的原始网络行为历史数据进行预处理,从而更好地为后续的训练做准备。
在一种实施方式中,步骤S2,具体包括采用公式(1)对网络行为历史数据进行预处理,
x'=(x-xmin)/(xmax-xmin) (1)
其中,x'表示预处理后的网络行为历史数据,x表示收集的网络行为历史数据,xmax和xmin分别表示预设的数据规模上界和下界。
具体来说,通过公式(1)对收集的原始网络行为历史数据进行处理后,可以消降数据范围过大或过小对训练过程的不利影响。
接着执行步骤S3:采用预设聚类算法FCM对预处理后的网络行为历史数据进行聚类,构建网络行为训练集。
具体来说,本发明中采用的模糊聚类算法描述为:设数据样本为X={x1,x2,…,xn},n表示样本数目,FCM算法价值函数为:
相应的约束条件为:
式中,C表示聚类数目;uij是样本xj对于第i类的隶属度;zi为第i类聚类中心;dij=||xj-zi||为相似性测度。
在一种实施方式中,步骤S3具体包括:
步骤S3.1:根据公式(2)计算隶属度矩阵:
步骤S3.2:计算价值函数J,判断J是否小于阈值R,如果小于则终止,得到聚类中心C、模糊隶属度矩阵U和距离矩阵D,执行步骤S3.4,否则执行步骤S3.3;
步骤S3.3:根据式(3)重新计算聚类中心Ci:
步骤S3.4:根据k近邻判别法判断样本所属类别,选取对应的网络行为训练集。
具体来说,FCM聚类算法是一种基于划分的聚类算法,主要思想是使得被划分到同一簇的对象之间相似度最大,而不同簇之间的相似度最小,FCM是一种柔性的模糊划分。由于在网络历史行为数据的采集过程中,由于各种因素的原因,网络历史行为数据不可避免包含有噪声数据,即孤立样本,本发明采用FCM聚类算法对网络行为数据进行了聚类分析,选择出了重要的网络行为。可以消除孤立点样本,减小训练样规模,构建网络行为训练样本,提高了LSSVM的泛化性能。
再执行步骤S4:将网络行为训练集输入最小二乘支持向量机LSSVM进行训练,并查找LSSVM的优化参数。
具体来说,支持向量机(Support Vector Machine,SVM)基于现代统计学理论,是融合结构风险最小化原则和核技术,可以克服神经网络的不足,泛化能力优异,获得更加理想的网络行为预测结果。但是对于大规模的网络节点的行为数据,SVM存在训练速度慢,耗时长,难以满足网络行为在线预测要求。因而,本发明的最小二乘支持向量机(LSSVM)对SVM进行了改进,简化了运算,计算量小,加快了网络行为的建模速度,可以获得网络行为在线预测模型要求。
最小二乘支持向量机是一种改进的支持向量机(SVM),其将SVM中的不等式约束转化为等式约束,采用最小二乘线性系统作为损失函数,网络行为预测是一个复杂的、高维数的、有限样本的非线性问题,因此,在具体的实施过程中,可以采用LSSVM描述这种非线性关系。该方法的基本原理描述如下:训练数据的样本可表示为xi∈Rn是第j个样本的输入向量,yi∈Rn是第j个样本的目标值,l为训练样本数。在特征空间中LSSVM模型取如下形式:
式中,表示将输入样本数据映射到高维特征空间;ω表示为权向量。根据结构风险最小化原理,综合考虑函数复杂度和拟合误差,LSSVM的目标函数可描述为:
式中,ξi为误差变量;γ为可调参数样,用于控制对超出误差的样本的惩罚程度。显然,LSSVM只有等式约束,且目标中的损失函数是误差的二范数,这大大简化了问题的求解,定义Lagrange函数:
式(8)中,αi为Lagrange乘子。根据Karush-Kuhn-Tucker(KKT)最优条件,依次计算消去ξi和ω后,得到如下线性方程组:
其中,
Q=[y1,y2,…,yl]T;a=[a1,a1,…,al]T.
根据Mercer条件,核函数可写为:
则式(9)可修改为:
可以看出,最小二乘支持向量机的优化问题转化为求解上述线性方程组。最小二乘支持向量机通常比标准支持向量机具有更快的训练速度。由式(11)求出b、α后,LSSSVM的回归函数为:
对于不同的行为核函数,可以建立不同的LSSVM网络行为预测模型,由于径向基核函数具有参数少,通用性好等优点,本发明选择其作为LSSVM的核函数,具体定义如下:
最后执行步骤S5:基于优化参数,构建网络行为预测模型。
具体来说,通过步骤S4中计算出的优化参数,从而可以构建网络行为预测模型。
总体来说,为了提高网络行为的预测精度,本发明提出了一种训练样本选择的最小二乘支持向量机网络行为预测模型(FCMLSSVM)。首先运用模糊聚类算法(FCM)消除孤立点样本,减小训练样规模,构建网络行为训练样本,提高了LSSVM的泛化性能然后最后采用LSSVM根据训练集建立网络行为预测模型。
通过构建一种网络行为预测模型,可以对用户的网络行为进行预测,从而解决了现有技术中无法对用户网络行为进行预测的技术问题,并且,通过采用预设聚类算法FCM对预处理后的网络行为历史数据进行聚类,构建网络行为训练集,可以消除孤立点样本,减小训练样规模,有利于提高网络行为预测精度。解决了现有技术中无法准确进行预测的技术问题。
此外,构建的网络行为预测模型为一种基于最小二乘支持向量机(LSSVM)的改进模型,可以简化了运算,减少计算量,加快了网络行为的建模速度,可以获得网络行为在线预测模型要求。
在一种实施方式中,步骤S4中,采用人工蜂群算法寻找LSSVM的最优参数作为优化参数。
具体来说,人工蜂群算法(Artificial Bee Colony Algorithm,简称ABC算法)是一个由蜂群行为启发的算法,通过该算法可以计算出LSSVM的最优参数。
当然,在其他实施方式中,也可以采用其他方法进行最优参数的计算。
在一种实施方式中,在步骤S5之后,所述方法还包括:利用测试样本对构建的网络行为预测模型进行测试。
具体来说,测试样本可以从收集的原始网络行为数据中获得,例如根据预设比例,将收集的网络行为数据进行划分,从而得到测试样本。通过测试样本对构建的网络行为预测模型进行测试,从而可以对模型进行评估。
基于同一发明构思,本申请还提供了与实施例一中的网络行为预测模型的构建方法对应的装置,详见实施例二。
实施例二
本实施例提供了一种网络行为预测模型的构建装置,请参见图2,该装置包括:
收集模块201,用于收集网络行为历史数据;
预处理模块202,用于对网络行为历史数据进行预处理;
聚类模块203,用于采用预设聚类算法FCM对预处理后的网络行为历史数据进行聚类,构建网络行为训练集;
训练模块204,用于将网络行为训练集输入最小二乘支持向量机LSSVM进行训练,并查找LSSVM的优化参数;
构建模块205,用于基于优化参数,构建网络行为预测模型。
在一种实施方式中,预处理模块,具体用于:
采用公式(1)对网络行为历史数据进行预处理:
x'=(x-xmin)/(xmax-xmin) (1)
其中,x'表示预处理后的网络行为历史数据,x表示收集的网络行为历史数据,xmax和xmin分别表示预设的数据规模上界和下界。
在一种实施方式中,聚类模块具体用于执行下述步骤:
步骤S3.1:根据公式(2)计算隶属度矩阵:
步骤S3.2:计算价值函数J,判断J是否小于阈值R,如果小于则终止,得到聚类中心C、模糊隶属度矩阵U和距离矩阵D,执行步骤S3.4,否则执行步骤S3.3;
步骤S3.3:根据式(3)重新计算聚类中心Ci:
步骤S3.4:根据k近邻判别法判断样本所属类别,选取对应的网络行为训练集。
由于本发明实施例二所介绍的装置,为实施本发明实施例一中网络行为预测模型的构建方法所采用的装置,故而基于本发明实施例一所介绍的方法,本领域所属人员能够了解该装置的具体结构及变形,故而在此不再赘述。凡是本发明实施例一的方法所采用的装置都属于本发明所欲保护的范围。
实施例三
基于同一发明构思,本申请还提供了网络行为预测方法,请参见图3,所述方法包括:
将采集的行为数据输入实施例一中构建的网络行为预测模型,获得预测结果。
具体地,请参见图3,示出了构建网络行为预测模型,以及利用网络行为预测模型进行网络行为预测的流程。其中,可以通过测试样本对网络行为预测模型进行测试,在具体的实施过程中,也可以输入实际采集的行为数据,对用户行为进行预测。
由于本发明实施例三所介绍的网络行为预测方法,为基于本发明实施例一中构建的网络行为预测模型采用的网络行为预测方法,故而基于本发明实施例一所构建的网络行为预测模型,本领域所属人员能够了解该方法的具体实施方式及变形,故而在此不再赘述。凡是基于本发明实施例一的预测模型所采用的方法都属于本发明所欲保护的范围。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明实施例进行各种改动和变型而不脱离本发明实施例的精神和范围。这样,倘若本发明实施例的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (10)
1.网络行为预测模型的构建方法,其特征在于,包括:
步骤S1:收集网络行为历史数据;
步骤S2:对网络行为历史数据进行预处理;
步骤S3:采用预设聚类算法FCM对预处理后的网络行为历史数据进行聚类,构建网络行为训练集;
步骤S4:将网络行为训练集输入最小二乘支持向量机LSSVM进行训练,并查找LSSVM的优化参数;
步骤S5:基于优化参数,构建网络行为预测模型。
2.如权利要求1所述的方法,其特征在于,步骤S1中,网络行为历史数据包括以下信息中的一种或多种:
GPS信息、移动信息、时间信息和使用信息。
3.如权利要求1所述的方法,其特征在于,步骤S2,具体包括采用公式(1)对网络行为历史数据进行预处理,
x’=(x-xmin)/(xmax-xmin) (1)
其中,x’表示预处理后的网络行为历史数据,x表示收集的网络行为历史数据,xmax和xmin分别表示预设的数据规模上界和下界。
4.如权利要求1所述的方法,其特征在于,步骤S3具体包括:
步骤S3.1:根据公式(2)计算隶属度矩阵:
步骤S3.2:计算价值函数J,判断J是否小于阈值R,如果小于则终止,得到聚类中心C、模糊隶属度矩阵U和距离矩阵D,执行步骤S3.4,否则执行步骤S3.3;
步骤S3.3:根据式(3)重新计算聚类中心Ci:
步骤S3.4:根据k近邻判别法判断样本所属类别,选取对应的网络行为训练集。
5.如权利要求1所述的方法,其特征在于,步骤S4中,采用人工蜂群算法寻找LSSVM的最优参数作为优化参数。
6.如权利要求1所述的方法,其特征在于,在步骤S5之后,所述方法还包括:利用测试样本对构建的网络行为预测模型进行测试。
7.网络行为预测模型的构建装置,其特征在于,包括:
收集模块,用于收集网络行为历史数据;
预处理模块,用于对网络行为历史数据进行预处理;
聚类模块,用于采用预设聚类算法FCM对预处理后的网络行为历史数据进行聚类,构建网络行为训练集;
训练模块,用于将网络行为训练集输入最小二乘支持向量机LSSVM进行训练,并查找LSSVM的优化参数;
构建模块,用于基于优化参数,构建网络行为预测模型。
8.如权利要求7所述的装置,其特征在于,预处理模块,具体用于:
采用公式(1)对网络行为历史数据进行预处理:
x’=(x-xmin)/(xmax-xmin) (1)
其中,x’表示预处理后的网络行为历史数据,x表示收集的网络行为历史数据,xmax和xmin分别表示预设的数据规模上界和下界。
9.如权利要求7所述的装置,其特征在于,聚类模块具体用于执行下述步骤:
步骤S3.1:根据公式(2)计算隶属度矩阵:
步骤S3.2:计算价值函数J,判断J是否小于阈值R,如果小于则终止,得到聚类中心C、模糊隶属度矩阵U和距离矩阵D,执行步骤S3.4,否则执行步骤S3.3;
步骤S3.3:根据式(3)重新计算聚类中心Ci:
步骤S3.4:根据k近邻判别法判断样本所属类别,选取对应的网络行为训练集。
10.网络行为预测方法,其特征在于,所述方法包括:
将采集的行为数据输入权利要求1至6任一项权利要求构建的网络行为预测模型,获得预测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811599659.8A CN109740052A (zh) | 2018-12-26 | 2018-12-26 | 网络行为预测模型的构建方法及装置、网络行为预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811599659.8A CN109740052A (zh) | 2018-12-26 | 2018-12-26 | 网络行为预测模型的构建方法及装置、网络行为预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109740052A true CN109740052A (zh) | 2019-05-10 |
Family
ID=66359995
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811599659.8A Pending CN109740052A (zh) | 2018-12-26 | 2018-12-26 | 网络行为预测模型的构建方法及装置、网络行为预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109740052A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111985678A (zh) * | 2020-07-06 | 2020-11-24 | 上海交通大学 | 一种光伏功率短期预测方法 |
CN112825576A (zh) * | 2019-11-20 | 2021-05-21 | 中国电信股份有限公司 | 小区扩容的确定方法、装置以及存储介质 |
CN113158117A (zh) * | 2021-04-29 | 2021-07-23 | 中国工商银行股份有限公司 | 一种网站访问量预测方法、装置及设备 |
CN114638285A (zh) * | 2022-02-25 | 2022-06-17 | 武汉大学 | 一种对手机惯性传感器数据的多模式识别方法 |
CN115134252A (zh) * | 2021-03-23 | 2022-09-30 | 中移(上海)信息通信科技有限公司 | 一种网络流量预测模型的建立方法、装置及存储介质 |
CN116843735A (zh) * | 2023-08-17 | 2023-10-03 | 长春工业大学 | 一种基于机器学习的三维点云精确配准方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104268555A (zh) * | 2014-09-11 | 2015-01-07 | 西安电子科技大学 | 基于模糊稀疏lssvm的极化sar图像分类方法 |
CN104502103A (zh) * | 2014-12-07 | 2015-04-08 | 北京工业大学 | 一种基于模糊支持向量机的轴承故障诊断方法 |
-
2018
- 2018-12-26 CN CN201811599659.8A patent/CN109740052A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104268555A (zh) * | 2014-09-11 | 2015-01-07 | 西安电子科技大学 | 基于模糊稀疏lssvm的极化sar图像分类方法 |
CN104502103A (zh) * | 2014-12-07 | 2015-04-08 | 北京工业大学 | 一种基于模糊支持向量机的轴承故障诊断方法 |
Non-Patent Citations (1)
Title |
---|
殷荣网: ""基于FCM-LSSVM网络流量预测模型"", 《计算机工程与应用》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112825576A (zh) * | 2019-11-20 | 2021-05-21 | 中国电信股份有限公司 | 小区扩容的确定方法、装置以及存储介质 |
CN112825576B (zh) * | 2019-11-20 | 2023-05-05 | 中国电信股份有限公司 | 小区扩容的确定方法、装置以及存储介质 |
CN111985678A (zh) * | 2020-07-06 | 2020-11-24 | 上海交通大学 | 一种光伏功率短期预测方法 |
CN115134252A (zh) * | 2021-03-23 | 2022-09-30 | 中移(上海)信息通信科技有限公司 | 一种网络流量预测模型的建立方法、装置及存储介质 |
CN113158117A (zh) * | 2021-04-29 | 2021-07-23 | 中国工商银行股份有限公司 | 一种网站访问量预测方法、装置及设备 |
CN114638285A (zh) * | 2022-02-25 | 2022-06-17 | 武汉大学 | 一种对手机惯性传感器数据的多模式识别方法 |
CN114638285B (zh) * | 2022-02-25 | 2024-04-19 | 武汉大学 | 一种对手机惯性传感器数据的多模式识别方法 |
CN116843735A (zh) * | 2023-08-17 | 2023-10-03 | 长春工业大学 | 一种基于机器学习的三维点云精确配准方法 |
CN116843735B (zh) * | 2023-08-17 | 2023-12-29 | 长春工业大学 | 一种基于机器学习的三维点云精确配准方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109740052A (zh) | 网络行为预测模型的构建方法及装置、网络行为预测方法 | |
CN110866528B (zh) | 一种模型训练方法、能耗使用效率预测方法、装置和介质 | |
US11694109B2 (en) | Data processing apparatus for accessing shared memory in processing structured data for modifying a parameter vector data structure | |
CN110866592B (zh) | 模型训练方法、装置、能效预测方法、装置和存储介质 | |
Wang et al. | Comparative performance of logistic regression and survival analysis for detecting spatial predictors of land-use change | |
CN113762486B (zh) | 换流阀故障诊断模型的构建方法、装置和计算机设备 | |
CN109472321A (zh) | 一种面向时间序列型地表水质大数据的预测与评估模型构建方法 | |
CN111737078B (zh) | 基于负载类型的自适应云服务器能耗测算方法、系统及设备 | |
CN112182362A (zh) | 训练用于在线预测点击率的模型的方法、设备及推荐系统 | |
CN106510736B (zh) | 基于多维心理状态指标的心理状态判定方法与系统 | |
Ding et al. | Multiple lesions detection of fundus images based on convolution neural network algorithm with improved SFLA | |
CN110413657A (zh) | 面向季节型非平稳并发量的平均响应时间评估方法 | |
Felten et al. | A toolkit for reliable benchmarking and research in multi-objective reinforcement learning | |
Hu et al. | An edge intelligence-based generative data augmentation system for iot image recognition tasks | |
Lian et al. | Training algorithm for radial basis function neural network based on quantum-behaved particle swarm optimization | |
CN113821903B (zh) | 温度控制方法和设备、模块化数据中心及存储介质 | |
Guo et al. | Traffic data-empowered XGBoost-LSTM framework for infectious disease prediction | |
CN112819152B (zh) | 一种神经网络训练方法及装置 | |
CN109117352A (zh) | 服务器性能预测方法和装置 | |
Guo | The microscopic visual forms in architectural art design following deep learning | |
Ding et al. | A novel self-adaptive extreme learning machine based on affinity propagation for radial basis function neural network | |
CN109361539A (zh) | 一种基于发育网络的性能告警方法和装置 | |
Bi et al. | Adaptive prediction of resources and workloads for cloud computing systems with attention-based and hybrid LSTM | |
Cao | Design and Implementation of an Intelligent Machine Learning System Based on Artificial Intelligence Computing | |
Kan et al. | Multi-zone building control system for energy and comfort management |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190510 |
|
RJ01 | Rejection of invention patent application after publication |