CN110830303A - 一种基于双向长短期记忆循环神经网络的网络流量预测方法 - Google Patents
一种基于双向长短期记忆循环神经网络的网络流量预测方法 Download PDFInfo
- Publication number
- CN110830303A CN110830303A CN201911108806.1A CN201911108806A CN110830303A CN 110830303 A CN110830303 A CN 110830303A CN 201911108806 A CN201911108806 A CN 201911108806A CN 110830303 A CN110830303 A CN 110830303A
- Authority
- CN
- China
- Prior art keywords
- short term
- term memory
- network
- neural network
- training
- 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.)
- Granted
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
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
- H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Signal Processing (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computer Networks & Wireless Communication (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于双向长短期记忆循环神经网络的网络流量预测方法,属于计算机网络领域,包括采集网络流量原始数据;利用滑动窗口技术对采集到的网络流量原始数据进行处理,再进行归一化处理;对双向长短期记忆循环神经网络预测模型参数进行初始化;将归一化处理后的网络流量数据输入到初始化后的双向长短期记忆循环神经网络模型中,训练双向长短期记忆循环神经网络进行双向学习,挖掘和记忆网络流量的整体特征,判断训练计数值是否达到训练次数,训练目标是否达到设定的误差要求,将双向长短期记忆循环神经网络进行双向学习的结果分别乘以加权矩阵融合得到网络流量的预测结果,该方法对网络流量序列进行双向学习,避免单向学习导致较早学习部分特征提取和记忆效果差的问题。
Description
技术领域
本发明涉及计算机网络领域尤其涉及一种基于双向长短期记忆循环神经网络的网络流量预测方法。
背景技术
随着互联网的发展,网络的异构性和复杂性不断增强,而网络的规划、设计和运行,都是以分析和预测网络流量的特性为前提的,网络流量预测对增强网络性能、解决网络拥堵、防止网络入侵有着重要的作用,基于马尔科夫(Markov)模型很容易构建,可以清晰的描述出整个过程,但增加模型的参数时,将会存在很大的计算量;自回归(AutoRegressive,AR)模型和自回归滑动平均(Auto Regressive Moving Average,ARMA)模型理论计算方法简单且求解速度快,但无法有效描述网络流量的非平稳特性;自回归积分滑动平均(Auto Regressive Integrated Moving Average,ARIMA)模型只能对流量变化不大或者流量变化存在规律的网络流量进行预测;基于支持向量机(Support Vector Machine,SVM)的网络流量预测方法能够解决网络流量预测中小样本,非线性,高维和局部极值等问题,但训练样本和自身网络参数对预测结果的好坏影响很大,由于网络流量在时频域具有稀疏性,研究者将压缩感知技术引入网络流量测量和预测中,将网络流量预测问题转变成重新构造网络流量的问题,提高了预测的准确性。但是压缩感知中网络流量的分析和观测矩阵的设计还有待进一步提高。为了能够进一步解决网络流量非线性的问题,专家学者们开始致力于研究基于深度学习的网络流量预测方法。Azzouni等人在此基础上,提出了基于长短期记忆循环神经网络(Long Short Term Memory,LSTM)的网络流量预测方法,提高了预测的准确性。但长短期记忆循环神经网络对网络流量学习是按照单一方向进行的,导致越早学习部分,特征遗忘的越多,起到的作用越小,从而影响最终的预测结果。
发明内容
针对基于双向长短期记忆循环神经网络的网络流量预测方法存在学习单一方向性,越早学习部分特征记忆效果越差,难以充分利用整个网络流量特征等问题,本发明公开了一种基于双向长短期记忆循环神经网络的网络流量预测方法,包括以下步骤:
S1:采集网络流量原始数据;
S2:利用滑动窗口技术对采集到的网络流量原始数据进行处理,得到处理后网络流量数据;
S3:将处理后网络流量数据再进行归一化处理;
S4:对双向长短期记忆循环神经网络预测模型参数进行初始化;
S5:将归一化处理后的网络流量数据输入到初始化后的双向长短期记忆循环神经网络模型中,训练双向长短期记忆循环神经网络进行双向学习,挖掘和记忆网络流量的整体特征,判断训练计数值是否达到设定的训练次数,如果达到训练次数,进行步骤S6,如果没有达到训练次数,判断预测误差是否达到训练目标设定的误差要求,如果达到训练目标设定的误差要求,进行步骤S6,如果没有到达训练目标设定的误差要求,则增加训练次数或重新定义训练目标;
S6:将双向长短期记忆循环神经网络进行双向学习的结果分别乘以加权矩阵融合得到网络流量的预测结果。
进一步地,所述双向长短期记忆循环神经网络进行双向学习包括使用连续多天正向排列的流量数据训练双向长短期记忆循环神经网络的正向长短期记忆循环神经网络,以及同步使用连续多天反向排列的流量数据训练双向长短期记忆循环神经网络的反向长短期记忆循环神经网络。
进一步地,为了验证所述网络流量预测方法的有效性验证分别通过在训练集和测试集进行实验,对多次预测结果的平均相对误差、平均绝对误差和最小均方误差求取平均值作为该预测方法最后的评定指标。
由于采用了上述技术方案,本发明提供的一种基于双向长短期记忆循环神经网络的网络流量预测方法,对网络流量序列进行双向学习,避免单向学习导致较早学习部分特征提取和记忆效果差的问题。同时双向学习可以充分挖掘网络流量天与天之间双向的特征,完整的学习到网络流量的整体特征,采用真实网络流量数据库,对1s和0.1s不同时间尺度下的网络流量进行预测,分析结果表明:改进后的方法相比原方法预测结果的MAPE提高了1.848%,MAE和MSE在原算法的基础上分别提高了30%和47%。
附图说明
为了更清楚地说明本申请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简单地介绍,显而易见地,下面描述中的附图仅仅是本申请中记载的一些实施例,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为本发明基于双向长短期记忆循环神经网络的网络流量预测模型图;
图2为验证本发明所使用的网络流量原始数据图;
图3为本发明在1s时间尺度下测试结果图;
图4为本发明在0.1s时间尺度下测试结果图;
图5为本发明在1s时间尺度下预测结果图;
图6为本发明在0.1s时间尺度下预测结果图。
具体实施方式
为使本发明的技术方案和优点更加清楚,下面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的描述:
本文提出的基于双向长短期记忆循环神经网络的的网络流量预测方法继承了LSTM预测方法的优点,同时弥补了LSTM预测方法的不足。
图1为基于双向长短期记忆循环神经网络的网络流量预测模型图,为了能够进一步利用网络流量的自相似性,采集网络流量原始数据,利用滑动窗口技术对网络流量原始数据进行处理,将处理后的数据在进一步进行归一化处理,输入到初始化完成的双向长短期记忆循环神经网络模型中,训练双向长短期记忆循环神经网络。
在确保单独每天网络流量按时间顺序排列的基础上,通过已知的网络流量数据预测未知的网络流量数据。使用连续多天正向排列的流量数据训练BiLSTM正向LSTM网络,同步使用连续多天反向排列的流量数据训练BiLSTM反向LSTM网络,使得BiLSTM网络可以进行双向学习,充分挖掘和记忆网络流量的整体特征,判断训练计数值是否达到设定的训练次数,如果达到训练次数,进行输出结果,如果没有达到训练次数,判断预测误差是否达到训练目标设定的误差要求,如果达到训练目标设定的误差要求,进行输出结果,如果没有到达训练目标设定的误差要求,则增加训练次数或重新定义训练目标。当达到预定的训练目标或训练次数最大时,BiLSTM网络训练完成。经过多次实验,选定最佳的BiLSTM网络,通过已知的网络流量数据对未知的网络流量进行预测,大量重复实验后,对记录的结果进行分析和研究。
网络流量的预测结果由正向LSTM网络和反向LSTM网络各自的输出结果分别乘以加权矩阵融合得到。
实施例1:实验所使用的电脑环境为Intel(R)Core(TM)i7-4790CPU@3.60GHz,16.00GB RAM dell,MATLAB 2014a。使用的网络流量数据来自WIDE backbone数据库。从该数据库下载了2019年1月1日到1月8日连续8天,每天13时00分00秒到13时15分00秒的网络流量原始数据。通过Wireshark网络封包分析软件,按照时间间隔1s和0.1s分别提取和处理每天的网络流量数据,将得到的数据保存后加载到MATLB中,图2为验证本发明所使用的网络流量原始数据图。
为测试提出的基于BiLSTM的网络流量预测方法的真实有效性,经过大量实验,选定BiLSTM网络的参数为:输入层神经元个数60,隐含层神经元个数100,输出层神经元个数10,训练5000次,学习率0.001,分别对比BiLSTM和LSTM两种方法在1s和0.1s不同时间尺度下,训练集和测试集上的预测结果。两种预测方法在连续七天,不同时间尺度网络流量数据集下,图3为本发明在1s时间尺度下测试结果图;图4为本发明在0.1s时间尺度下测试结果图。两种预测方法在1s和0.1s不同时间尺度的训练集下,通过已知的前60步预测未知的后10步,BiLSTM预测方法由于在LSTM预测方法的基础上引入了对网络流量序列天与天之间进行双向学习的思想,因此在训练集上测试结果相比LSTM预测方法的测试结果更加接近真实值。两种预测方法在第八天不同时间尺度网络流量数据集下,图5为本发明在1s时间尺度下预测结果图;图6为本发明在0.1s时间尺度下预测结果图,在不同时间尺度下,通过已知的前60步预测未知的后10步,BiLSTM预测方法继承了LSTM预测方法的优点,同时弥补了LSTM预测方法的不足,因此在测试集上的预测结果更加收敛于真实流量数据。通过对两种方法在不同时间尺度下,训练集和测试集上预测结果的对比,验证了本文所改进网络流量预测方法的有效性。
为了能够进一步对改进后的预测方法进行验证,现分别对比BiLSTM和LSTM两种方法在1s和0.1s不同时间尺度下,训练集和测试集上预测结果的平均相对误差(MAPE)、平均绝对误差(MAE)和最小均方误差(MSE),详细计算公式如下所示,其中yt为真实流量数据,为流量预测结果,n代表预测步长。
表1和表2分别对比了两种网络流量预测方法在不同时间尺度下,在训练集上分别进行大量测试实验,计算后得到的平均相对误差、平均绝对误差和最小均方误差的平均值。通过在不同时间尺度下,训练集上测试结果的对比可以看出,BiLSTM预测方法由于在LSTM预测方法的基础上引入了对网络流量序列天与天之间进行双向学习的思想,最终预测结果的MAPE提高了0.491%,MAE和MSE相比原算法分别提高了22%和30%。图3为本发明在1s时间尺度下测试结果图;图4为本发明在0.1s时间尺度下测试结果图。
表1 1秒时间尺度下网络流量测试结果
Method | MAPE | MAE | MSE |
BiLSTM | 2.246% | 0.007 | 8.532*e-5 |
LSTM | 2.737% | 0.009 | 1.219*e-4 |
表2 0.1秒时间尺度下网络流量测试结果
Method | MAPE | MAE | MSE |
BiLSTM | 4.811% | 0.015 | 3.824*e-4 |
LSTM | 6.748% | 0.021 | 8.016*e-4 |
表3和表4分别对比了两种网络流量预测方法在不同时间尺度下,在测试集上分别进行大量预测实验后,计算后得到的MAPE、MAE和MSE的平均值。
表3 1秒时间尺度下网络流量预测结果
Method | MAPE | MAE | MSE |
BiLSTM | 4.522% | 0.014 | 3.067*e-4 |
LSTM | 6.370% | 0.020 | 5.819*e-4 |
表4 0.1秒时间尺度下网络流量预测结果
在不同时间尺度下,对比测试集上的预测结果可以看出,BiLSTM预测结果比LSTM预测结果的MAPE提高了1.848%,MAE和MSE相比原算法分别提高了30%和47%。通过两种预测方法分别在1s和0.1s不同时间尺度下,训练集和测试集上预测结果MAPE、MAE和MSE的对比,进一步验证了本文改进后的方法优于原方法。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,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,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (3)
1.一种基于双向长短期记忆循环神经网络的网络流量预测方法,其特征在于:包括以下步骤:
S1:采集网络流量原始数据;
S2:利用滑动窗口技术对采集到的网络流量原始数据进行处理,得到处理后网络流量数据;
S3:将处理后网络流量数据再进行归一化处理;
S4:对双向长短期记忆循环神经网络预测模型参数进行初始化;
S5:将归一化处理后的网络流量数据输入到初始化后的双向长短期记忆循环神经网络模型中,训练双向长短期记忆循环神经网络进行双向学习,挖掘和记忆网络流量的整体特征,判断训练计数值是否达到设定的训练次数,如果达到训练次数,进行步骤S6,如果没有达到训练次数,判断预测误差是否达到训练目标设定的误差要求,如果达到训练目标设定的误差要求,进行步骤S6,如果没有到达训练目标设定的误差要求,则增加训练次数或重新定义训练目标;
S6:将双向长短期记忆循环神经网络进行双向学习的结果分别乘以加权矩阵融合得到网络流量的预测结果。
2.根据权利要求1所述的一种基于双向长短期记忆循环神经网络的网络流量预测方法,其特征还在于:所述双向长短期记忆循环神经网络进行双向学习包括使用连续多天正向排列的流量数据训练双向长短期记忆循环神经网络的正向长短期记忆循环神经网络,以及同步使用连续多天反向排列的流量数据训练双向长短期记忆循环神经网络的反向长短期记忆循环神经网络。
3.根据权利要求1所述的一种基于双向长短期记忆循环神经网络的网络流量预测方法,其特征还在于:为了验证所述网络流量预测方法的有效性验证分别通过在训练集和测试集进行实验,对多次预测结果的平均相对误差、平均绝对误差和最小均方误差求取平均值作为该预测方法最后的评定指标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911108806.1A CN110830303B (zh) | 2019-11-13 | 2019-11-13 | 一种基于双向长短期记忆循环神经网络的网络流量预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911108806.1A CN110830303B (zh) | 2019-11-13 | 2019-11-13 | 一种基于双向长短期记忆循环神经网络的网络流量预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110830303A true CN110830303A (zh) | 2020-02-21 |
CN110830303B CN110830303B (zh) | 2022-04-01 |
Family
ID=69554662
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911108806.1A Active CN110830303B (zh) | 2019-11-13 | 2019-11-13 | 一种基于双向长短期记忆循环神经网络的网络流量预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110830303B (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111723990A (zh) * | 2020-06-19 | 2020-09-29 | 福州大学 | 基于双向长短期记忆神经网络的共享单车流量预测方法 |
CN112330003A (zh) * | 2020-10-27 | 2021-02-05 | 电子科技大学 | 基于双向循环神经网络的周期型容量数据预测方法、系统及存储介质 |
CN112365037A (zh) * | 2020-10-29 | 2021-02-12 | 杭州富阳富创大数据产业创新研究院有限公司 | 基于长短期数据预测模型的机场空域流量预测方法 |
CN112910690A (zh) * | 2021-01-18 | 2021-06-04 | 武汉烽火技术服务有限公司 | 基于神经网络模型的网络流量预测方法、装置及设备 |
CN113206756A (zh) * | 2021-04-22 | 2021-08-03 | 大连大学 | 基于组合模型的网络流量预测方法 |
CN113408609A (zh) * | 2021-06-17 | 2021-09-17 | 武汉卓尔信息科技有限公司 | 一种网络攻击检测方法及系统 |
CN113746696A (zh) * | 2021-08-02 | 2021-12-03 | 中移(杭州)信息技术有限公司 | 网络流量预测方法、设备、存储介质及装置 |
CN113973156A (zh) * | 2021-12-22 | 2022-01-25 | 杭州远传新业科技有限公司 | 一种话务量预测方法及系统、话务量预测装置 |
WO2022268030A1 (zh) * | 2021-06-24 | 2022-12-29 | 中兴通讯股份有限公司 | 流量预测处理方法、装置、系统、存储介质及电子装置 |
CN117291845A (zh) * | 2023-11-27 | 2023-12-26 | 成都理工大学 | 一种点云地面滤波方法、系统、电子设备及存储介质 |
CN117579500A (zh) * | 2023-08-18 | 2024-02-20 | 湖北工业大学 | 一种网络流量预测方法、装置、设备及介质 |
CN117689913A (zh) * | 2022-12-14 | 2024-03-12 | 中国科学院沈阳自动化研究所 | 一种大数据驱动的油井动液面软测量方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180137412A1 (en) * | 2016-11-16 | 2018-05-17 | Cisco Technology, Inc. | Network traffic prediction using long short term memory neural networks |
CN108900346A (zh) * | 2018-07-06 | 2018-11-27 | 西安电子科技大学 | 基于lstm网络的无线网络流量预测方法 |
CN109194498A (zh) * | 2018-07-27 | 2019-01-11 | 南京理工大学 | 一种基于lstm的网络流量预测方法 |
CN109243172A (zh) * | 2018-07-25 | 2019-01-18 | 华南理工大学 | 基于遗传算法优化lstm神经网络的交通流预测方法 |
CN110348601A (zh) * | 2019-06-06 | 2019-10-18 | 华南理工大学 | 一种基于双向长短期记忆网络的地铁短期客流量预测方法 |
CN110381524A (zh) * | 2019-07-15 | 2019-10-25 | 安徽理工大学 | 基于Bi-LSTM的大场景移动流量在线预测方法、系统及存储介质 |
-
2019
- 2019-11-13 CN CN201911108806.1A patent/CN110830303B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180137412A1 (en) * | 2016-11-16 | 2018-05-17 | Cisco Technology, Inc. | Network traffic prediction using long short term memory neural networks |
CN108900346A (zh) * | 2018-07-06 | 2018-11-27 | 西安电子科技大学 | 基于lstm网络的无线网络流量预测方法 |
CN109243172A (zh) * | 2018-07-25 | 2019-01-18 | 华南理工大学 | 基于遗传算法优化lstm神经网络的交通流预测方法 |
CN109194498A (zh) * | 2018-07-27 | 2019-01-11 | 南京理工大学 | 一种基于lstm的网络流量预测方法 |
CN110348601A (zh) * | 2019-06-06 | 2019-10-18 | 华南理工大学 | 一种基于双向长短期记忆网络的地铁短期客流量预测方法 |
CN110381524A (zh) * | 2019-07-15 | 2019-10-25 | 安徽理工大学 | 基于Bi-LSTM的大场景移动流量在线预测方法、系统及存储介质 |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111723990A (zh) * | 2020-06-19 | 2020-09-29 | 福州大学 | 基于双向长短期记忆神经网络的共享单车流量预测方法 |
CN111723990B (zh) * | 2020-06-19 | 2023-04-18 | 福州大学 | 基于双向长短期记忆神经网络的共享单车流量预测方法 |
CN112330003B (zh) * | 2020-10-27 | 2022-11-08 | 电子科技大学 | 基于双向循环神经网络的周期型容量数据预测方法、系统及存储介质 |
CN112330003A (zh) * | 2020-10-27 | 2021-02-05 | 电子科技大学 | 基于双向循环神经网络的周期型容量数据预测方法、系统及存储介质 |
CN112365037A (zh) * | 2020-10-29 | 2021-02-12 | 杭州富阳富创大数据产业创新研究院有限公司 | 基于长短期数据预测模型的机场空域流量预测方法 |
CN112910690A (zh) * | 2021-01-18 | 2021-06-04 | 武汉烽火技术服务有限公司 | 基于神经网络模型的网络流量预测方法、装置及设备 |
CN113206756B (zh) * | 2021-04-22 | 2023-10-03 | 大连大学 | 基于组合模型的网络流量预测方法 |
CN113206756A (zh) * | 2021-04-22 | 2021-08-03 | 大连大学 | 基于组合模型的网络流量预测方法 |
CN113408609A (zh) * | 2021-06-17 | 2021-09-17 | 武汉卓尔信息科技有限公司 | 一种网络攻击检测方法及系统 |
WO2022268030A1 (zh) * | 2021-06-24 | 2022-12-29 | 中兴通讯股份有限公司 | 流量预测处理方法、装置、系统、存储介质及电子装置 |
CN113746696A (zh) * | 2021-08-02 | 2021-12-03 | 中移(杭州)信息技术有限公司 | 网络流量预测方法、设备、存储介质及装置 |
CN113973156A (zh) * | 2021-12-22 | 2022-01-25 | 杭州远传新业科技有限公司 | 一种话务量预测方法及系统、话务量预测装置 |
CN113973156B (zh) * | 2021-12-22 | 2022-04-08 | 杭州远传新业科技有限公司 | 一种话务量预测方法及系统、话务量预测装置 |
CN117689913A (zh) * | 2022-12-14 | 2024-03-12 | 中国科学院沈阳自动化研究所 | 一种大数据驱动的油井动液面软测量方法 |
CN117579500A (zh) * | 2023-08-18 | 2024-02-20 | 湖北工业大学 | 一种网络流量预测方法、装置、设备及介质 |
CN117579500B (zh) * | 2023-08-18 | 2024-05-10 | 湖北工业大学 | 一种网络流量预测方法、装置、设备及介质 |
CN117291845A (zh) * | 2023-11-27 | 2023-12-26 | 成都理工大学 | 一种点云地面滤波方法、系统、电子设备及存储介质 |
CN117291845B (zh) * | 2023-11-27 | 2024-03-19 | 成都理工大学 | 一种点云地面滤波方法、系统、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110830303B (zh) | 2022-04-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110830303B (zh) | 一种基于双向长短期记忆循环神经网络的网络流量预测方法 | |
CN110084610B (zh) | 一种基于孪生神经网络的网络交易欺诈检测系统 | |
CN112949945A (zh) | 一种改进双向长短期记忆网络的风电功率超短期预测方法 | |
CN112053560A (zh) | 基于神经网络的短时交通流量预测方法、系统和存储介质 | |
Wu et al. | A transformer-based approach for novel fault detection and fault classification/diagnosis in manufacturing: A rotary system application | |
CN106656357B (zh) | 一种工频通信信道状态评估系统和方法 | |
CN111222689A (zh) | 基于多尺度时间特征的lstm负荷预测方法、介质及电子装置 | |
CN115587666A (zh) | 基于季节趋势分解和混合神经网络的负荷预测方法及系统 | |
CN115185937A (zh) | 一种基于sa-gan架构的时间序列异常检测方法 | |
CN111310963A (zh) | 电站的发电数据预测方法、装置、计算机设备和存储介质 | |
CN115759461A (zh) | 一种面向物联网的多元时间序列预测方法及系统 | |
CN116542701A (zh) | 一种基于cnn-lstm组合模型的碳价预测方法及系统 | |
CN112101418A (zh) | 一种乳腺肿瘤类型识别方法、系统、介质及设备 | |
CN115687322A (zh) | 基于编码器-解码器和自回归生成对抗网络的水质时间序列缺失数据补全方法 | |
CN116226739A (zh) | 一种基于时空融合的图卷积网络工业过程故障诊断方法 | |
CN115438897A (zh) | 一种基于blstm神经网络的工业过程产品质量预测方法 | |
CN114596726A (zh) | 基于可解释时空注意力机制的停车泊位预测方法 | |
CN112347531B (zh) | 一种脆性大理石三维裂纹扩展路径预测方法及系统 | |
CN115883424B (zh) | 一种高速骨干网间流量数据预测方法及系统 | |
CN113469013A (zh) | 一种基于迁移学习和时间序列的电机故障预测方法及系统 | |
CN111797979A (zh) | 基于lstm模型的振动传递系统 | |
CN116561569A (zh) | 一种基于EO特征选择结合AdaBoost算法的工业电力负荷辨识方法 | |
CN115423146A (zh) | 一种基于多因子最近邻抽样回归和支持向量机的自适应径流预报方法 | |
CN116205135A (zh) | 基于数据分解和神经网络的so2排放预测方法及系统 | |
CN111160419B (zh) | 一种基于深度学习的电子式互感器数据分类预测方法及装置 |
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 |