CN111626472A - 一种基于深度混合云模型的场景趋势判断指标计算系统及方法 - Google Patents
一种基于深度混合云模型的场景趋势判断指标计算系统及方法 Download PDFInfo
- Publication number
- CN111626472A CN111626472A CN202010305346.8A CN202010305346A CN111626472A CN 111626472 A CN111626472 A CN 111626472A CN 202010305346 A CN202010305346 A CN 202010305346A CN 111626472 A CN111626472 A CN 111626472A
- Authority
- CN
- China
- Prior art keywords
- cloud model
- scene
- model
- hybrid cloud
- judgment index
- 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
- 238000000034 method Methods 0.000 title claims abstract description 21
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 11
- 238000013135 deep learning Methods 0.000 claims abstract description 11
- 238000004364 calculation method Methods 0.000 claims description 20
- 238000009826 distribution Methods 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 15
- 230000035772 mutation Effects 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 8
- 238000003860 storage Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 5
- 238000011217 control strategy Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 abstract description 2
- 230000000737 periodic effect Effects 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Artificial Intelligence (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Game Theory and Decision Science (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及场景趋势判断技术领域,具体地说,涉及一种基于深度混合云模型的场景趋势判断指标计算系统及方法。其方法包括如下步骤:使用变分自编码器VAE对网络资源节点进行编码;将编码化的节点资源构建整体云模型;使用基于深度学习的云进化算法训练模型参数;使用模型进行在线场景趋势预测。该基于深度混合云模型的场景趋势判断指标计算系统中,使用变分自编码器VAE对网络资源节点进行编码表示,将编码化的节点资源构建整体云模型,并使用基于深度混合云模型进行场景趋势判断,可在不同周期维度的数据下进行预测,将训练模型使用于在线预测,并能对大规模、动态变化的网络资源进行实时预测,满足大多数的实际生产环境。
Description
技术领域
本发明涉及场景趋势判断技术领域,具体地说,涉及一种基于深度混合云模型的场景趋势判断指标计算系统及方法。
背景技术
现有的预测系统无法适应大规模、动态变化的网络资源,整体趋势只能作出定性标定,并且只能预测比较近的一段时间的趋势。
发明内容
本发明的目的在于提供一种基于深度混合云模型的场景趋势判断指标计算系统及方法,以解决上述背景技术中提出的问题。
为实现上述技术问题的解决,本发明的目的之一在于,提供一种基于深度混合云模型的场景趋势判断指标计算方法,其方法包括如下步骤:
S1、使用变分自编码器VAE对网络资源节点进行编码;
S2、将编码化的节点资源构建整体云模型;
S3、使用基于深度学习的云进化算法训练模型参数;
S4、使用模型进行在线场景趋势预测。
作为优选,所述使用变分自编码器VAE对网络资源节点进行编码的方法包括如下步骤:
S1.1、输入:样本Xi,损失权重α,β;
S1.4、迭代训练变分自编码器VAE。
作为优选,所述变分自编码器VAE的迭代训练方法包括如下步骤:
S2.1、编码器(Encoder):输入样本Xi→条件概率分布qθ(Z|Xi)的均值(μ)和方差(σ);
S2.4、计算重构损失函数:计算输入图和重构图的逐位二进制交叉熵,其公式如下:
正则化损失函数的公式如下:
S2.5、网络参数优化:对损失函数进行反向梯度传播,修正编码器和解码器网络参数,直到达到最优效果。
作为优选,所述使用基于深度学习的云进化算法训练模型参数的方法包括如下步骤:
S3.1、确定训练样本集和测试样本集;
S3.2、确定待训练参数γ和σ的范围;
S3.3、根据S3.2确定的范围确定进货模式的初始值EP(Ex,En,He),其中En尽可能大,He≥0.05;
S3.4、利用EP(Ex,En,He)随机产生初始群落;
S3.5、将群落中所有个体值代入S3.4,产生一系列预测模型,以样本作为输入,求得各模型的预测值;
S3.6、将预测值代入适应度函数,计算群落中所有个体的适应度值,并按照一定条件淘汰种群;
S3.7、根据适应度值的大小,按照控制策略要求,选择m个最优个体,并记下此时连续平凡代数gp和连续非平凡代数gt;
S3.8、比较连续非平凡代数gt与0的大小;
S3.9、比较gp与λglobal的大小;
S3.10、比较gp和λlocal的大小;
S3.11、求出新的En和He,以最优个体的值作为Ex,代入正向发生器产生新的种群;
S3.12、比较Q与P的大小,若Q<P,返回S3.5,否则记下此时的建群种Ex0,将所有建群种的适应度进行比较,选择全局最优个体,则Ex0即为最优参数;
S3.13、将最优参数向量Ex0代入预测模型,其模型公式如下:
作为优选,所述确定的范围还包括确定初始参数群落规模n,群落三宝度大小m、种群规模向量G、全局突变阙值λglobal、局部突变阙值λlocal、总进化代数P、进货系数K、进化式变异系数L以及适应度函数。
作为优选,所述S3.8中,比较连续非平凡代数gt与0的大小,若gt≥0,说明此时个体在极值邻域内,则应采取局部求精操作,即降低进化范围(减小En)、增加稳定性(减小He)、扩大搜索的精度和稳定度。
作为优选,所述S3.9中,比较gp与λglobal的大小,若gp>λglobal,则进行突变操作;
所述S3.10中,比较gp和λlocal的大小,gp>λlocal,说明个体达到局部最优,则进行局部求变操作,即提高En和He。
本发明的目的之二在于,提供一种基于深度混合云模型的场景趋势判断指标计算系统,包括:
编码模块,用于对网络资源节点进行编码;
构建云模型模块,用于将编码化的节点资源构建整体云模型;
训练模型参数模块,用于使用基于深度学习的云进化算法训练模型参数;
趋势预测模块,用于使用模型进行在线场景趋势预测。
本发明的目的之三在于,提供一种基于深度混合云模型的场景趋势判断指标计算装置,其中:包括处理器、存储器以及存储在所述存储器中并在所述处理器上运行的计算机程序,所述处理器执行上述计算机程序时实现如上所述基于深度混合云模型的场景趋势判断指标计算方法的步骤。
本发明的目的之四在于,提供一种计算机可读存储介质,所述存储介质中存储有至少一段程序,所述至少一段程序由上述处理器执行以实现如上述所述基于深度混合云模型的场景趋势判断指标计算方法的步骤。
与现有技术相比,本发明的有益效果:该基于深度混合云模型的场景趋势判断指标计算系统中,使用变分自编码器VAE对网络资源节点进行编码表示,与传统的数值指标的计算相比,能够将更多类型的网络资源节点纳入分析之中,比如服务器、数据库、进程、电表、带宽等,进行无差别分析,具有更广泛的适用范围和泛化能力。将编码化的节点资源构建整体云模型,并使用基于深度混合云模型进行场景趋势判断,可在不同周期维度的数据下进行预测,与传统的定周期预测相比,能够满足更多的使用要求。将训练模型使用于在线预测,并能对大规模、动态变化的网络资源进行实时预测,满足大多数的实际生产环境。
附图说明
图1为本发明的整体流程框图;
图2为本发明的深度学习的云进化算法训练模型图;
图3为本发明的网络资源节点进行编码方法图;
图4为本发明的VAE的迭代训练方法图;
图5为本发明的训练模型参数的方法图;
图6为本发明的基于深度混合云模型的场景趋势判断指标计算系统模块图;
图7为本发明实施例所涉及的指标计算装置结构。
具体实施方式
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,所描述的实施例仅仅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做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。
请参阅图1-图7所示,本发明提供一种技术方案:
本发明提供一种基于深度混合云模型的场景趋势判断指标计算方法,包括其方法包括如下步骤:
S1、使用变分自编码器VAE对网络资源节点进行编码;
S2、将编码化的节点资源构建整体云模型;
S3、使用基于深度学习的云进化算法训练模型参数;
S4、使用模型进行在线场景趋势预测。
本实施例中,使用变分自编码器VAE对网络资源节点进行编码的方法包括如下步骤:
S1.1、输入:样本Xi,损失权重α,β;
S1.4、迭代训练变分自编码器VAE。
进一步的,变分自编码器VAE的迭代训练方法包括如下步骤:
S2.1、编码器(Encoder):输入样本Xi→条件概率分布qθ(Z|Xi)的均值(μ)和方差(σ);
S2.4、计算重构损失函数:计算输入图和重构图的逐位二进制交叉熵,其公式如下:
其中,正则化损失函数的公式如下:
S2.5、网络参数优化:对损失函数进行反向梯度传播,修正编码器和解码器网络参数,直到达到最优效果。
具体的,使用基于深度学习的云进化算法训练模型参数的方法包括如下步骤:
S3.1、确定训练样本集和测试样本集;
S3.2、确定待训练参数γ和σ的范围;
S3.3、根据S3.2确定的范围确定进货模式的初始值EP(Ex,En,He),其中En尽可能大,He≥0.05;
S3.4、利用EP(Ex,En,He)随机产生初始群落;
S3.5、将群落中所有个体值代入S3.4,产生一系列预测模型,以样本作为输入,求得各模型的预测值;
S3.6、将预测值代入适应度函数,计算群落中所有个体的适应度值,并按照一定条件淘汰种群;
S3.7、根据适应度值的大小,按照控制策略要求,选择m个最优个体,并记下此时连续平凡代数gp和连续非平凡代数gt;
S3.8、比较连续非平凡代数gt与0的大小;
S3.9、比较gp与λglobal的大小;
S3.10、比较gp和λlocal的大小;
S3.11、求出新的En和He,以最优个体的值作为Ex,代入正向发生器产生新的种群;
S3.12、比较Q与P的大小,若Q<P,返回S3.5,否则记下此时的建群种Ex0,将所有建群种的适应度进行比较,选择全局最优个体,则Ex0即为最优参数;
S3.13、将最优参数向量Ex0代入预测模型,其模型公式如下:
值得说明的是,确定的范围还包括确定初始参数群落规模n,群落三宝度大小m、种群规模向量G、全局突变阙值λglobal、局部突变阙值λlocal、总进化代数P、进货系数K、进化式变异系数L以及适应度函数。
再进一步的,S3.8中,比较连续非平凡代数gt与0的大小,若gt≥0,说明此时个体在极值邻域内,则应采取局部求精操作,即降低进化范围(减小En)、增加稳定性(减小He)、扩大搜索的精度和稳定度。
具体的,S3.9中,比较gp与λglobal的大小,若gp>λglobal,则进行突变操作。
值得说明的是,S3.10中,比较gp和λlocal的大小,gp>λlocal,说明个体达到局部最优,则进行局部求变操作,即提高En和He。
本发明提出一种基于深度混合云模型的场景趋势判断指标计算系统,包括:
编码模块,用于对网络资源节点进行编码;
构建云模型模块,用于将编码化的节点资源构建整体云模型;
训练模型参数模块,用于使用基于深度学习的云进化算法训练模型参数;
趋势预测模块,用于使用模型进行在线场景趋势预测。
需要说明的是,上述编码模块、构建云模型模块、训练模型参数模块和趋势预测模块的功能具体参见各模块对应的方法部分的描述,这里就不再赘述。
参阅图7,示出了本发明实施例所涉及的一种基于深度混合云模型的场景趋势判断指标计算装置结构示意图,该装置包括处理器101、存储器102和总线103。
处理器包101括一个或一个以上处理核心,处理器101通过总线103与处理器101相连,存储器102用于存储程序指令,处理器102执行存储器102中的程序指令时实现上述一种基于深度混合云模型的场景趋势判断指标计算方法。
可选的,存储器102可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随时存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
此外,本发明还提供了一种计算机可读存储介质,存储介质中存储有至少一段程序,至少一段程序由处理器执行以实现如上述基于深度混合云模型的场景趋势判断指标计算方法的步骤。
可选的,本发明还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述各方面基于深度混合云模型的场景趋势判断指标计算方法。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,所述的程序可以存储与一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的仅为本发明的优选例,并不用来限制本发明,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (10)
1.一种基于深度混合云模型的场景趋势判断指标计算方法,其方法包括如下步骤:
S1、使用变分自编码器VAE对网络资源节点进行编码;
S2、将编码化的节点资源构建整体云模型;
S3、使用基于深度学习的云进化算法训练模型参数;
S4、使用模型进行在线场景趋势预测。
3.根据权利要求2所述的基于深度混合云模型的场景趋势判断指标计算方法,其特征在于:所述变分自编码器VAE的迭代训练方法包括如下步骤:
S2.1、编码器:输入样本Xi→条件概率分布qθ(Z|Xi)的均值(μ)和方差(σ);
S2.4、计算重构损失函数:计算输入图和重构图的逐位二进制交叉熵,其公式如下:
S2.5、网络参数优化:对损失函数进行反向梯度传播,修正编码器和解码器网络参数,直到达到最优效果。
4.根据权利要求1所述的基于深度混合云模型的场景趋势判断指标计算方法,其特征在于:所述使用基于深度学习的云进化算法训练模型参数的方法包括如下步骤:
S3.1、确定训练样本集和测试样本集;
S3.2、确定待训练参数γ和σ的范围;
S3.3、根据S3.2确定的范围确定进货模式的初始值EP(Ex,En,He);
S3.4、利用EP(Ex,En,He)随机产生初始群落;
S3.5、将群落中所有个体值代入S3.4,产生一系列预测模型,以样本作为输入,求得各模型的预测值;
S3.6、将预测值代入适应度函数,计算群落中所有个体的适应度值;
S3.7、根据适应度值的大小,按照控制策略要求,选择m个最优个体,并记下此时连续平凡代数gp和连续非平凡代数gt;
S3.8、比较连续非平凡代数gt与0的大小;
S3.9、比较gp与λglobal的大小;
S3.10、比较gp和λlocal的大小;
S3.11、求出新的En和He,以最优个体的值作为Ex,代入正向发生器产生新的种群;
S3.12、比较Q与P的大小,若Q<P,返回S3.5,否则记下此时的建群种Ex0,将所有建群种的适应度进行比较,选择全局最优个体,则Ex0即为最优参数;
S3.13、将最优参数向量Ex0代入预测模型,其模型公式如下:
5.根据权利要求4所述的基于深度混合云模型的场景趋势判断指标计算方法,其特征在于:所述确定的范围还包括确定初始参数群落规模n,群落三宝度大小m、种群规模向量G、全局突变阙值λglobal、局部突变阙值λlocal、总进化代数P、进货系数K、进化式变异系数L以及适应度函数。
6.根据权利要求4所述的基于深度混合云模型的场景趋势判断指标计算方法,其特征在于:所述S3.8中,比较连续非平凡代数gt与0的大小,若gt≥0,则采取局部求精操作。
7.根据权利要求4所述的基于深度混合云模型的场景趋势判断指标计算方法,其特征在于:所述S3.9中,比较gp与λglobal的大小,若gp>λglobal,则进行突变操作;
所述S3.10中,比较gp和λlocal的大小,gp>λlocal,则进行局部求变操作。
8.一种基于深度混合云模型的场景趋势判断指标计算系统,包括:
编码模块,用于对网络资源节点进行编码;
构建云模型模块,用于将编码化的节点资源构建整体云模型;
训练模型参数模块,用于使用基于深度学习的云进化算法训练模型参数;
趋势预测模块,用于使用模型进行在线场景趋势预测。
9.一种基于深度混合云模型的场景趋势判断指标计算装置,其特征在于:包括处理器、存储器以及存储在所述存储器中并在所述处理器上运行的计算机程序,所述处理器执行上述计算机程序时实现如权利要求1-7中任一所述基于深度混合云模型的场景趋势判断指标计算方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述存储介质中存储有至少一段程序,所述至少一段程序由上述处理器执行以实现如权利要求1-7中任一所述的基于深度混合云模型的场景趋势判断指标计算方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010305346.8A CN111626472B (zh) | 2020-04-17 | 2020-04-17 | 一种基于深度混合云模型的场景趋势判断指标计算系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010305346.8A CN111626472B (zh) | 2020-04-17 | 2020-04-17 | 一种基于深度混合云模型的场景趋势判断指标计算系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111626472A true CN111626472A (zh) | 2020-09-04 |
CN111626472B CN111626472B (zh) | 2023-10-27 |
Family
ID=72259728
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010305346.8A Active CN111626472B (zh) | 2020-04-17 | 2020-04-17 | 一种基于深度混合云模型的场景趋势判断指标计算系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111626472B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112506754A (zh) * | 2020-12-13 | 2021-03-16 | 国网河北省电力有限公司雄安新区供电公司 | 一种系统性能监测方法及平台 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6163535A (en) * | 1996-12-21 | 2000-12-19 | International Business Machines Corporation | Distributed voice processing system |
CN106293947A (zh) * | 2016-08-17 | 2017-01-04 | 上海交通大学 | 虚拟化云环境下gpu‑cpu混合资源分配系统和方法 |
CN107274029A (zh) * | 2017-06-23 | 2017-10-20 | 深圳市唯特视科技有限公司 | 一种利用动态场景内交互作用介质的未来预测方法 |
CN107330251A (zh) * | 2017-06-10 | 2017-11-07 | 华南理工大学 | 一种基于云遗传算法的风功率预测方法 |
EP3346423A1 (en) * | 2017-01-04 | 2018-07-11 | STMicroelectronics Srl | Deep convolutional network heterogeneous architecture system and device |
CN110472746A (zh) * | 2019-08-16 | 2019-11-19 | 北京智能工场科技有限公司 | 一种基于人工智能的编码预测方法和系统 |
US20200012626A1 (en) * | 2018-07-06 | 2020-01-09 | Capital One Services, Llc | Systems and methods for a data search engine based on data profiles |
EP3605338A1 (en) * | 2018-08-03 | 2020-02-05 | Fujitsu Limited | Apparatus, program, & computer-implemented image processing method for predicting execution performance metrics |
-
2020
- 2020-04-17 CN CN202010305346.8A patent/CN111626472B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6163535A (en) * | 1996-12-21 | 2000-12-19 | International Business Machines Corporation | Distributed voice processing system |
CN106293947A (zh) * | 2016-08-17 | 2017-01-04 | 上海交通大学 | 虚拟化云环境下gpu‑cpu混合资源分配系统和方法 |
EP3346423A1 (en) * | 2017-01-04 | 2018-07-11 | STMicroelectronics Srl | Deep convolutional network heterogeneous architecture system and device |
CN107330251A (zh) * | 2017-06-10 | 2017-11-07 | 华南理工大学 | 一种基于云遗传算法的风功率预测方法 |
CN107274029A (zh) * | 2017-06-23 | 2017-10-20 | 深圳市唯特视科技有限公司 | 一种利用动态场景内交互作用介质的未来预测方法 |
US20200012626A1 (en) * | 2018-07-06 | 2020-01-09 | Capital One Services, Llc | Systems and methods for a data search engine based on data profiles |
EP3605338A1 (en) * | 2018-08-03 | 2020-02-05 | Fujitsu Limited | Apparatus, program, & computer-implemented image processing method for predicting execution performance metrics |
CN110472746A (zh) * | 2019-08-16 | 2019-11-19 | 北京智能工场科技有限公司 | 一种基于人工智能的编码预测方法和系统 |
Non-Patent Citations (3)
Title |
---|
JIXIANG LUO: "Noise-to-Compression Variational Autoencouder for Efficient End-to-End Optimized Image Coding", 《IEEE EXPLORE》 * |
姚豪豪: "基于云模型的无线传感网信任模型研究", 《中国优秀硕士学位论文全文数据库》 * |
赵鹏飞: "基于深度学习的异常行为检测技术及其应用", 《中国优秀硕士学位论文全文数据库》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112506754A (zh) * | 2020-12-13 | 2021-03-16 | 国网河北省电力有限公司雄安新区供电公司 | 一种系统性能监测方法及平台 |
Also Published As
Publication number | Publication date |
---|---|
CN111626472B (zh) | 2023-10-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110427654B (zh) | 一种基于敏感状态的滑坡预测模型构建方法及系统 | |
CN105391083B (zh) | 基于变分模态分解和相关向量机的风功率区间短期预测方法 | |
CN110309603B (zh) | 一种基于风速特性的短期风速预测方法及系统 | |
CN111027732B (zh) | 一种多风电场出力场景的生成方法及系统 | |
CN111861013B (zh) | 一种电力负荷预测方法及装置 | |
CN111506814B (zh) | 一种基于变分自注意力网络的序列推荐方法 | |
CN111784061B (zh) | 一种电网工程造价预测模型的训练方法、装置和设备 | |
CN113657668A (zh) | 基于lstm网络的电力负荷预测方法及系统 | |
CN113449919B (zh) | 一种基于特征和趋势感知的用电量预测方法及系统 | |
CN114881318A (zh) | 基于生成对抗网络的锂电池健康状态预测方法及系统 | |
CN114386658A (zh) | 湖库水质监测预警方法、装置、存储介质及电子设备 | |
CN111563203A (zh) | 一种基于快速非负隐特征分析的智能家居用户-服务兴趣度个性化预测装置和预测方法 | |
CN114239949A (zh) | 一种基于双阶段注意力机制的网站访问量预测方法及系统 | |
CN111626472A (zh) | 一种基于深度混合云模型的场景趋势判断指标计算系统及方法 | |
CN112287605B (zh) | 一种基于图卷积网络加速的潮流校核方法 | |
CN113762591A (zh) | 一种基于gru和多核svm对抗学习的短期电量预测方法及系统 | |
CN116502539B (zh) | 一种VOCs气体浓度预测方法及系统 | |
CN117151195A (zh) | 基于求逆归一化的模型优化方法、装置、设备和介质 | |
CN116306030A (zh) | 考虑预测误差和波动分布的新能源预测动态场景生成方法 | |
CN110751400A (zh) | 一种风险评估方法及装置 | |
CN116340384A (zh) | 基于规则演化的核递归最大相关熵时间序列在线预测方法 | |
CN115392441A (zh) | 量化神经网络模型的片内适配方法、装置、设备及介质 | |
CN115795005A (zh) | 一种融合对比学习去噪优化的会话推荐方法及装置 | |
CN112667394B (zh) | 一种计算机资源利用率优化方法 | |
CN114924887A (zh) | 一种电力交易平台的微服务资源配置参数优化方法 |
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 |