CN112069250A - 一种基于lstm的以太坊交易打包等待时间的预测方法 - Google Patents
一种基于lstm的以太坊交易打包等待时间的预测方法 Download PDFInfo
- Publication number
- CN112069250A CN112069250A CN201910498423.3A CN201910498423A CN112069250A CN 112069250 A CN112069250 A CN 112069250A CN 201910498423 A CN201910498423 A CN 201910498423A CN 112069250 A CN112069250 A CN 112069250A
- Authority
- CN
- China
- Prior art keywords
- transaction
- model
- waiting time
- lstm
- data
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/27—Replication, distribution or synchronisation of data between databases or within a distributed database system; Distributed database system architectures therefor
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of 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
-
- 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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/04—Trading; Exchange, e.g. stocks, commodities, derivatives or currency exchange
Abstract
本发明涉及一种基于LSTM的以太坊交易打包等待时间的预测方法。该方法基于特征提取和相关数据计算对历史交易信息进行处理,构建用于模型训练的特征矩阵和交易等待时间向量;在此基础上,应用LSTM神经网络方法构建预测模型,并在模型构建时不断通过训练结果和误差评估模型表现并基于Adam优化算法调整模型权重,从而学习生成一个交易打包等待时间预测模型LSTM‑Model;最后,将当前用户的预期价格和Gas Limit以及当前的影响因素输入到LSTM‑Model中,最终生成当前交易的打包等待时间的预测结果。本发明目的在于帮助以太坊用户判断给定GasPrice下交易打包等待的时间,进而对定价进行必要的调整,减少用户的Gas支出,从而有效提高用户的交易效率并降低交易成本。
Description
技术领域
本发明属于区块链分析和机器学习领域,尤其适用于以太坊交易成本度量领域,其目的在于为以太坊用户进行低成本的交易提供指导,是一种帮助以太坊用户选择更合理Gas单位价格的方法。
背景技术
区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式,其通过共识机制、自愿遵守的社会合约,实现了一个在全球范围内自由使用的、去中心化的价值转移系统。区块链技术具有去中心化、时序数据、集体维护、可编程和安全可靠等特点,适合构建可编程的货币系统、金融系统乃至宏观社会系统,因而受到社会各界的广泛关注。以太坊是一个基于区块链技术的去中心化应用平台,它允许任何人在平台中建立和使用通过区块链技术运行的去中心化应用。不同于比特币平台,以太坊是图灵完备的可编程的区块链,可以执行复杂算法的编码,具有高适应性和灵活性。
所有以太坊区块链上的操作都由各账户发起的交易而引发,以太坊中的“交易”是一个账户向另外一个账户发送一笔被签名的消息数据包的过程,区块链会记录并存储相应的数据。交易的类型有两种,一种是直接由用户(外部实体)创建的交易,一种是由智能合约创建的交易。以太坊在区块链上实现了一个运行环境,被称为以太坊虚拟机(EVM),智能合约账户收到一笔交易,交易所带的参数都会成为代码的入参,合约代码会被以太坊虚拟机(EVM) 在每一个参与网络的节点上运行,以作为它们新区块的验证。为了防止代码陷入无限循环或其他异常情况占用过多资源,以太坊规定每个代码操作需要花费一定的成本。每个在以太坊上进行的交易包含许多代码操作,所以交易发起用户需要为交易支付一定的费用,在以太坊中称为Gas。用户愿意花费于每个Gas单位的价钱称为GasPrice,用户愿意为执行代码或确认交易支付的最大Gas量(最少21000)称为GasLimit。
矿工一般按照GasPrice从高到低排列后依次选取交易打包,所以高于平均价格的交易被快速打包的可能性大于以低于平均价格的交易。每个用户对交易被打包的时间要求不一样。用户一般很难掌握对Gas进行合理定价的技巧,如果只是按照当前的平均价格来进行定价,可能造成用户在时间和金钱上的损失。目前,一些平台会根据历史和实时数据给出一个安全的Gas定价和建议的Gas定价,但是大多数是现有数据的平均数,精度也比较低,大多数以太坊用户也难以通过现有的数据图表分析得出合理的定价。
LSTM神经网络是一种特殊类型的RNN,是一种适合多输入变量的神经网络。不同于传统RNN,LSTM可以学习长期依赖信息,因而适合处理多变量的时间序列预测问题。交易打包等待时间预测的相关的输入变量有多个,且以太坊交易信息在时间上是连续有一定规律的,可以将本问题看作一个多变量输入的时间序列预测问题。综上,本发明采用LSTM神经网络作为预测模型。
本发明提出一种基于LSTM的以太坊交易打包等待时间的预测方法。本发明的基本思想为:在给定GasPrice和GasLimit的前提下,以太坊的历史交易数据和当前的环境特征可为交易打包等待时间的确定提供有效的指导信息。对此,针对以太坊数据库data_ethereum中的历史交易信息及其中的特征信息:首先,通过样本数据分析提取生成特征矩阵矩阵和对应的交易打包等待时间向量,并对它们做归一化处理;其次,针对特征矩阵和交易打包等待时间向量应用LSTM神经网络算法构建交易打包等待时间预测模型LSTM-Model;最后,给定交易的用户输入特征以及当前环境特征,进而通过LSTM-Model预测当前交易的打包等待时间。通过该方法,可以帮助以太坊用户判断给定GasPrice下交易打包需要等待的时间,进而对定价进行必要的调整,减少用户的Gas支出,从而有效提高用户的交易效率并降低成本。
发明内容
本发明通过提供一种基于LSTM的以太坊交易打包等待时间的预测方法,来有效解决目前存在的以太坊用户无法对Gas合理定价的问题,帮助用户降低交易成本,提高交易效率。为达成上述目标,本发明提出一种基于LSTM的以太坊交易打包等待时间的预测方法。该方法通过样本特征分析提取,构建用于模型训练的特征矩阵matrix_fv和交易打包等待时间向量vec_wait;在此基础上,应用LSTM神经网络方法构建预测模型,并在模型构建时不断通过训练结果和误差评估模型表现并基于Adam优化算法调整模型权重,从而学习生成一个交易打包等待时间预测模型LSTM-Model;最后,将当前交易的特征向量vec_featurecur=<rate_ex,difficulty,gas_price,gas_limit>输入到LSTM-Model中,最终生成当前交易特征向量vec_featurecur的交易打包等待时间time_wait。具体而言,该方法包括下列步骤。
1)样本数据分析提取。初始化特征向量矩阵matrix_fv及交易等待时间向量vec_wait 为空,输入以太坊数据库data_ethereum,其中的数据为区块信息block的列表;其中,每一个区块信息blocki包含两项内容difficulty和list_tx,difficulty表示区块的难度,list_tx是该区块内的所有交易信息tx的列表;每一个交易信息txi可以表示为一个六元组<gas_pricei, gas_limiti,fee_weii,fee_dollari,time_pendi,time_packi>,gas_pricei、gas_limiti、fee_weii、fee_dollari、time_createi、time_packi分别表示交易的Gas价格、Gas的限制数量、交易的费用(以gWei为单位)、交易的费用(以美元为单位)、交易进入等待队列时间和交易打包时间;使用交易信息中的fee_weii和fee_dollari计算得到交易当时以太币与美元的汇率 rate_exi,利用以上数据新建特征向量vec_featurei=<rate_exi,difficulty,gas_pricei,gas_limiti>;将交易信息中的time_createi,time_packi相减得到交易打包等待时间time_waiti;将新建的特征向量vec_featurei加入特征向量矩阵matrix_fv,计算得到的交易打包等待时间 time_waiti加入交易打包等待时间向量vec_wait。
本步骤的目的是从原始的以太坊数据库data_ethereum中提取交易相关的特征以及交易打包等待时间等信息,为后续数据集的划分和模型构建提供原始数据;为了消除指标之间的量纲影响,对特征矩阵以及交易打包等待时间向量进行Z-Score归一化处理,计算公式如下:
其中xnor为某个特征数据归一化后的数值,x为原特征数据,μ为该特征所有数据的平均值,δ为该特征所有数据的标准差。
归一化完成后,特征矩阵matrix_fv和交易等待时间向量vec_wait生成完毕;
2)预测模型训练生成。给定特征矩阵matrix_fv和交易打包等待时间向量vec_wait,对以上数据集合进行合并处理为模型对应的数据格式,得到若干训练样本sample(包含一定量条数据);初始化LSTM神经网络模型各层,包括输入层、隐藏层和输出层;依次选择每一个样本数据sample输入到模型中,计算各个隐藏层和输出层的输入输出;对比实际输出结果与vec_wait计算反向误差,基于Adam优化算法后向修正输出层、各个隐藏层和输入层的权值;计算全局误差平均绝对误差MAE以及均方根误差RMSE;所有样本都输入到模型后,或当全局误差收敛时,学习过程结束,输出训练后的LSTM神经网络模型 LSTM-Model;
3)交易打包速度预测。获得用户的输入gas_limit以及gas_price,从data_ethereum中获得当前的rate_ex和difficulty,合并以上数据得到当前交易的特征向量vec_featurecur=<rate_ex,difficulty,gas_price,gas_limit>;给定模型LSTM-Model,归一化 vec_featurecur并将其输入到LSTM-Model中,最终生成vec_featurecur的交易打包等待时间 time_wait。
进一步,其中上述步骤1)的具体步骤如下:
步骤1)-1:起始状态;
步骤1)-2:输入以太坊数据库data_ethereum;
步骤1)-3:初始化特征向量矩阵matrix_fv及交易等待时间向量vec_wait为空;
步骤1)-4:从data_ethereum中按序取出一个区块block;
步骤1)-5:分析block获取打包难度difficulty和交易序列list_tx;
步骤1)-6:分析block获取以太币与美金的汇率rate_ex;
步骤1)-7:从list_tx中按序取出一个交易tx=<gas_price,gas_limit>;
步骤1)-8:新建特征向量vec_feature=<rate_ex,difficulty,gas_price,gas_limit>;
步骤1)-9:matrix_fv=[matrix_fv;vec_feature];
步骤1)-10:分析获取tx的交易等待时间time_wait,tec_wait=(tec_wait,time_wait);
步骤1)-11:判断list_tx遍历是否完成,未完成返回步骤1)-7,完成则执行下一步;
步骤1)-12:判断区块遍历是否完成,未完成返回步骤1)-4,完成则执行下一步;
步骤1)-13:使用Z-Score方法归一化matrix_fv为matrix_fv_nor;
步骤1)-14:输出matrix_fv_nor及vec_wait;
步骤1)-15:结束状态。
进一步,其中上述步骤2)的具体步骤如下:
步骤2)-1:起始状态;
步骤2)-2:输入已归一化的特征矩阵matrix_fv_nor和交易打包等待时间vec_wait;
步骤2)-3:将matrix_fv_nor和vec_wait合成为训练集,将训练集划分成若干个训练样本sample;
步骤2)-4:初始化循环神经网络的权重矩阵和步长;
步骤2)-5:按序取出训练集中的一个样本sample_i作为模型输入;
步骤2)-6:计算隐藏层、输出层各个节点的输入输出;
步骤2)-7:基于输出层得到的模型实际输出与交易等待时间向量中的理论输出开展损失计算;
步骤2)-8:基于Adam修正并更新网络中各层的权重;
步骤2)-9:计算模型当前的误差p;
步骤2)-10:判断误差p是否已经收敛,未完成返回步骤2)-4,完成则执行下一步;
步骤2)-11:输出预测模型model;
步骤2)-12:结束状态。
进一步,其中上述步骤3)的具体步骤如下:
步骤3)-1:起始状态;
步骤3)-2:输入gas_price和gas_limit;
步骤3)-3:从data_ethereum中获得当前的rate_ex和difficulty;
步骤3)-4:新建特征向量vec_cur=<rate_ex,difficulty,gas_price,gas_limit>;
步骤3)-5:应用Z-Score方法归一化vec_cur中各个特征得到vec_cur_nor;
步骤3)-6:输入当前的特征向量vec_cur_nor至预测模型model;
步骤3)-7:基于model预测交易等待时间time_wait;
步骤3)-8:输出time_wait;
步骤3)-9:结束状态。
附图说明
图1为本发明实施中的一种基于LSTM的以太坊交易打包等待时间的预测方法的流程图。
图2为图1中样本分析提取流程图。
图3为图1中预测模型训练生成的流程图。
图4为图1中交易打包速度预测的流程图。
具体实施方式
为了更了解本发明的技术内容,特举具体实施例并配合所附图式说明如下。
图1为本发明实施的一种基于LSTM的以太坊交易打包等待时间的预测方法的流程图。
一种基于LSTM的以太坊交易打包等待时间的预测方法,其特征在于,包括下列步骤。
S1样本数据分析提取。提取每个交易信息中不需要经过处理的特征,再对交易信息中的非直接特征进行计算处理生成特征信息,并与直接特征合并为特征向量,并将它们添加到原始特征向量矩阵;选择与原始特征向量矩阵中样本相关的交易打包等待时间,并将它们添加到交易打包等待时间向量中;所有样本分析结束后,生成原始特征矩阵和交易打包等待时间向量;归一化原始特征矩阵和交易打包等待时间向量,所有数据处理结束后,生成归一化后的特征矩阵和交易打包等待时间向量。
S2预测模型训练生成。给定已经过归一化处理的特征矩阵和交易打包等待时间向量,将每一个样本作为输入通过LSTM神经网络模型进行训练,并在模型构建时不断通过训练结果和误差评估模型表现并基于Adam优化算法调整模型权重,从而学习生成一个交易打包等待时间预测模型LSTM-Model。
S3交易打包速度预测。给定当前交易的用户输入特征以及环境特征形成特征向量,在对这些特征进行归一化的基础上,通过LSTM-Model预测当前交易打包等待时间。
图2为样本数据分析提取的流程图。针对以太坊数据库中的交易信息,通过特征提取,特征计算以及对特征的归一化处理以后,从而生成特征矩阵和交易打包等待时间向量。具体步骤如下:
步骤1:起始状态;步骤2:输入各以太坊数据库data_ethereum;步骤3:初始化特征向量矩阵matrix_fv及交易等待时间向量vec_wait为空;步骤4:从data_ethereum中按序取出一个区块block;步骤5:分析block获取打包难度difficulty和交易序列list_tx;步骤6:分析block获取以太币与美金的汇率rate_ex;步骤7:从list_tx中按序取出一个交易 tx=<gas_price,gas_limit>;步骤8:新建特征向量vec_feature=<rate_ex,difficulty,gas_price, gas_limit>;步骤9:matrix_fv=[matrix_fv;vec_feature];步骤10:分析获取tx的交易等待时间time_wait,tec_wait=(tec_wait,time_wait);步骤11:判断list_tx遍历是否完成,未完成返回步骤7,完成则执行下一步;步骤12:判断区块遍历是否完成,未完成返回步骤4,完成则执行下一步;步骤13:使用Z-Score方法归一化matrix_fv为matrix_fv_nor;步骤 14:输出matrix_fv_nor及vec_wait;步骤15:结束状态。
图3为预测模型训练生成的流程图。给定特征矩阵和交易打包等待时间向量,将每一个样本作为输入通过LSTM神经网络模型进行训练,在模型构建时不断通过训练传播结果基于Adam优化算法调整模型权重,从而学习生成一个交易打包等待时间预测模型 LSTM-Model。具体步骤如下:
步骤1:起始状态;步骤2:输入已归一化的特征矩阵matrix_fv_nor和交易打包等待时间vec_wait;步骤3:将matrix_fv_nor和vec_wait合成为训练集,将训练集划分成若干个训练样本sample;步骤4:初始化循环神经网络的权重矩阵和步长;步骤5:按序取出训练集中的一个样本sample_i作为模型输入;步骤6:计算隐藏层、输出层各个节点的输入输出;步骤7:基于输出层得到的模型实际输出与交易等待时间向量中的理论输出开展损失计算;步骤8:基于Adam修正并更新网络中各层的权重;步骤9:计算模型当前的误差p;步骤 10:判断误差p是否已经收敛,未完成返回步骤4,完成则执行下一步;步骤11:输出预测模型model;步骤12:结束状态。
图4为交易打包速度预测的流程图。以当前交易的用户输入特征以及环境特征作为输入,在对这些特征进行归一化的基础上,通过LSTM-Model预测当前交易打包等待时间。具体步骤如下:
步骤1:起始状态;步骤2:输入gas_price和gas_limit;步骤3:从data_ethereum中获得当前的rate_ex和difficulty;步骤4:新建特征向量vec_cur=<rate_ex,difficulty,gas_price,gas_limit;步骤5:应用Z-Score方法归一化vec_cur中各个特征得到vec_cur_nor;步骤6:输入当前的特征向量vec_cur_nor至预测模型model;步骤7:基于model预测交易等待时间time_wait;步骤8:输出time_wait;步骤9:结束状态。
综上所述,本发明通过预测以太坊交易打包等待时间,帮助用户判断当前Gas定价下交易打包需要等待的时间,进而对定价进行必要的调整,减少用户的Gas支出,从而有效提高用户的交易效率并降低经济成本。
Claims (4)
1.一种基于LSTM的以太坊交易打包等待时间的预测方法,其特征在于,基于特征提取和相关数据计算对历史交易信息通过数据构建和特征选择,构建用于模型训练的已归一化处理的特征矩阵matrix_fv_nor和交易等待时间向量vec_wait;在此基础上,应用LSTM神经网络方法构建预测模型,并在模型构建时不断通过训练结果和误差评估模型表现并基于Adam优化算法调整模型权重,从而学习生成一个交易打包等待时间预测模型LSTM-Model;最后,将当前用户的预期价格和GasLimit以及当前的影响因素组成的特征向量vec_cur=<rate_ex,difficulty,gas_price,gas_limit>输入到LSTM-Model中,最终生成当前交易的打包等待时间的预测结果time_wait;该方法包括下列步骤:
1)样本数据分析提取,初始化特征向量矩阵matrix_fv及交易等待时间向量vec_wait为空,输入以太坊数据库data_ethereum,其中的数据为区块信息block的列表;其中,每一个区块信息blocki包含两项内容difficulty和list_tx,其中difficulty为区块的难度,list_tx是该区块内的所有交易信息tx的列表;每一个交易信息txi可以表示为一个六元组<gas_pricei,gas_limiti,fee_weii,fee_dollari,time_pendi,time_packi>,gas_pricei、gas_limiti、fee_weii、fee_dollari、time_createi、time_packi分别表示交易的Gas价格、Gas的限制数量、交易的费用(以gWei为单位)、交易的费用(以美元为单位)、交易进入等待队列时间和交易打包时间;使用交易信息中的fee_weii和fee_dollari计算得到交易当时以太币与美元的汇率rate_exi,利用以上数据新建特征向量vec_featurei=<rate_exi,difficulty,gas_pricei,gas_limiti>;将交易信息中的time_createi,time_packi相减得到交易打包等待时间time_waiti;将新建的特征向量vec_featurei加入特征向量矩阵matrix_fv,计算得到的交易打包等待时间time_waiti加入交易打包等待时间向量vec_wait;
本步骤的目的是从原始的以太坊数据库data_ethereum中提取交易相关的特征以及交易打包等待时间等信息,为后续数据集的划分和模型构建提供原始数据;为了消除指标之间的量纲影响,对特征矩阵以及交易打包等待时间向量进行Z-Score归一化处理,计算公式如下:
其中xnor为某个特征数据归一化后的数值,x为原特征数据,μ为该特征所有数据的平均值,δ为该特征所有数据的标准差。
归一化完成后,特征矩阵matrix_fv和交易等待时间向量vec_wait生成完毕;
2)预测模型训练生成,给定特征矩阵matrix_fv和交易打包等待时间向量vec_wait,对以上数据集合进行合并处理为模型对应的数据格式,得到若干训练样本sample(包含一定量条数据);初始化LSTM神经网络模型各层,包括输入层、隐藏层和输出层;依次选择每一个样本数据sample输入到模型中,计算各个隐藏层和输出层的输入输出;对比实际输出结果与vec_wait计算反向误差,基于Adam优化算法后向修正输出层、各个隐藏层和输入层的权值;计算全局误差平均绝对误差MAE以及均方根误差RMSE;所有样本都输入到模型后,或当全局误差收敛时,学习过程结束,输出训练后的LSTM神经网络模型LSTM-Model;
3)交易打包速度预测,获得用户的输入gas_limit以及gas_price,从data_ethereum中获得当前的rate_ex和difficulty,合并以上数据得到当前交易的特征向量vec_featurecur=<rate_ex,difficulty,gas_price,gas_limit>;给定模型LSTM-Model,归一化vec_featurecur并将其输入到LSTM-Model中,最终生成vec_featurecur的交易打包等待时间time_wait。
2.根据权利要求1所述的基于LSTM的以太坊交易打包等待时间的预测方法,其特征在于,在步骤1)中,进行样本数据分析提取;首先提取每个交易信息中不需要经过处理的特征,再对交易信息中的非直接特征进行计算处理生成特征信息并于直接特征合并为特征向量,并将它们添加到原始特征向量矩阵;选择与原始特征向量矩阵中样本相关的交易打包等待时间,并将它们添加到交易打包等待时间向量中;所有样本分析结束后,生成原始特征矩阵和交易打包等待时间向量;归一化原始特征矩阵和交易打包等待时间向量,所有数据处理结束后,生成归一化后的特征矩阵和交易打包等待时间向量。
3.根据权利要求1所述的基于LSTM的以太坊交易打包等待时间的预测方法,其特征在于,在步骤2)中,进行预测模型训练生成,给定特征矩阵和交易打包等待时间向量,将每一个样本作为输入通过LSTM神经网络模型进行训练,并在模型构建时不断通过训练结果和误差评估模型表现并基于Adam优化算法调整模型权重,从而学习生成一个交易打包等待时间预测模型LSTM-Model。
4.根据权利要求1所述的基于LSTM的以太坊交易打包等待时间的预测方法,其特征在于,在步骤3)中,进行交易打包速度预测,给定当前交易的用户输入特征以及环境特征,在对这些特征进行归一化的基础上,通过LSTM-Model预测当前交易打包等待时间。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910498423.3A CN112069250B (zh) | 2019-06-11 | 2019-06-11 | 一种基于lstm的以太坊交易打包等待时间的预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910498423.3A CN112069250B (zh) | 2019-06-11 | 2019-06-11 | 一种基于lstm的以太坊交易打包等待时间的预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112069250A true CN112069250A (zh) | 2020-12-11 |
CN112069250B CN112069250B (zh) | 2022-05-17 |
Family
ID=73658773
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910498423.3A Active CN112069250B (zh) | 2019-06-11 | 2019-06-11 | 一种基于lstm的以太坊交易打包等待时间的预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112069250B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112448855A (zh) * | 2021-01-28 | 2021-03-05 | 支付宝(杭州)信息技术有限公司 | 区块链系统参数更新方法和系统 |
CN113190330A (zh) * | 2021-05-26 | 2021-07-30 | 电子科技大学 | 一种区块链威胁感知系统及方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107967539A (zh) * | 2017-11-29 | 2018-04-27 | 暨南大学 | 基于机器学习和区块链技术的预测以太坊上交易的燃料限制的方法 |
CN109670800A (zh) * | 2018-11-15 | 2019-04-23 | 亦非云互联网技术(上海)有限公司 | 基于以太坊的交易处理方法及系统、存储介质及终端 |
-
2019
- 2019-06-11 CN CN201910498423.3A patent/CN112069250B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107967539A (zh) * | 2017-11-29 | 2018-04-27 | 暨南大学 | 基于机器学习和区块链技术的预测以太坊上交易的燃料限制的方法 |
CN109670800A (zh) * | 2018-11-15 | 2019-04-23 | 亦非云互联网技术(上海)有限公司 | 基于以太坊的交易处理方法及系统、存储介质及终端 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112448855A (zh) * | 2021-01-28 | 2021-03-05 | 支付宝(杭州)信息技术有限公司 | 区块链系统参数更新方法和系统 |
CN113190330A (zh) * | 2021-05-26 | 2021-07-30 | 电子科技大学 | 一种区块链威胁感知系统及方法 |
CN113190330B (zh) * | 2021-05-26 | 2022-06-24 | 电子科技大学 | 一种区块链威胁感知系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112069250B (zh) | 2022-05-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20190370659A1 (en) | Optimizing neural network architectures | |
CN112287982A (zh) | 一种数据预测方法、装置及终端设备 | |
CN108062302B (zh) | 一种文本信息的识别方法及装置 | |
CN112069250B (zh) | 一种基于lstm的以太坊交易打包等待时间的预测方法 | |
CN104134159A (zh) | 一种基于随机模型预测信息最大化传播范围的方法 | |
CN103679462A (zh) | 一种评论数据处理方法和装置、一种搜索方法和系统 | |
CN106529185B (zh) | 一种古建筑位移的组合预测方法及系统 | |
CA2392063A1 (en) | Method and program for simulating a physical system using object-oriented programming | |
CN104616198A (zh) | 一种基于文本分析的p2p网络借贷风险预测系统 | |
CN111353620A (zh) | 构建网点件量预测模型的方法、装置、设备及存储介质 | |
CN110457369A (zh) | 一种模型的训练方法及相关设备 | |
CN111080338A (zh) | 用户数据的处理方法、装置、电子设备及存储介质 | |
US20230289572A1 (en) | Neural network structure determining method and apparatus | |
CN111785326B (zh) | 基于生成对抗网络的药物作用后基因表达谱预测方法 | |
CN105068928A (zh) | 一种基于复杂网络理论的软件测试用例生成方法 | |
Kinderis et al. | Bitcoin currency fluctuation | |
CN109086954A (zh) | 基于资金流预测收益率的预测方法、装置、设备及介质 | |
CN110232150A (zh) | 一种用户数据分析方法、装置、可读存储介质及终端设备 | |
CN106600100B (zh) | 一种基于加权的多种群粒子群优化的危险源原因分析方法 | |
CN111445025A (zh) | 确定业务模型超参数的方法和装置 | |
Wold | Unbiased predictors | |
CN116503158A (zh) | 基于数据驱动的企业破产风险预警方法、系统及装置 | |
CN110322342A (zh) | 借贷风险预测模型的构建方法、系统及借贷风险预测方法 | |
CN109902352A (zh) | 一种暂态功角稳定分析关键特征量提取方法及系统 | |
CN113128597B (zh) | 一种用户行为特征的提取和分类预测的方法及装置 |
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 |