CN112232604B - 基于Prophet模型提取网络流量的预测方法 - Google Patents
基于Prophet模型提取网络流量的预测方法 Download PDFInfo
- Publication number
- CN112232604B CN112232604B CN202011426660.8A CN202011426660A CN112232604B CN 112232604 B CN112232604 B CN 112232604B CN 202011426660 A CN202011426660 A CN 202011426660A CN 112232604 B CN112232604 B CN 112232604B
- Authority
- CN
- China
- Prior art keywords
- model
- prediction
- data
- network
- prophet
- 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
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 18
- 230000007246 mechanism Effects 0.000 claims abstract description 13
- 238000012549 training Methods 0.000 claims description 18
- 238000011156 evaluation Methods 0.000 claims description 12
- 238000010606 normalization Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 7
- 230000001932 seasonal effect Effects 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 claims 2
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 claims 2
- 238000000605 extraction Methods 0.000 abstract description 10
- 230000000694 effects Effects 0.000 abstract description 8
- 230000004927 fusion Effects 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 8
- 238000000354 decomposition reaction Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000013468 resource allocation Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 208000000044 Amnesia Diseases 0.000 description 1
- 208000026139 Memory disease Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000000739 chaotic effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000006984 memory degeneration Effects 0.000 description 1
- 208000023060 memory loss Diseases 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000284 resting effect Effects 0.000 description 1
- 238000007619 statistical method Methods 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
- 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
- G06N3/04—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
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
Description
技术领域
本发明涉及一种网络流量预测方法,尤其涉及一种基于Prophet模型提取网络流量的预测方法。
背景技术
网络流量预测是网络管理和规划的重要依据,对于网络监测、资源分配和威胁检测起着重要的作用。准确的流量预测能够帮助管理者提前制定网络资源分配策略,有效解决即将到来的拥塞事件。因此,建立准确的流量预测模型具有重要的实际意义。现有网络流量的预测方法可总结为两类:适用于线性系统预测的统计方法和非线性预测系统的机器学习方法。典型的时间序列预测模型有自回归(AR)、自回归滑动平均(ARMA)和基于它们的改进模型。但网络的发展导致网络流量的复杂性及突发性愈发加强,传统的泊松分布、高斯分布等线性模型已不能满足现代网络流量的特点。
由于网络流量在大时间尺度下具有长相关特性,在小的时间尺度下又具有更复杂的混沌特性。传统的网络流量预测模型无法有效提取流量的这种多分形特性,导致预测精度效果不好的缺陷。
发明内容
本发明的目的在于提供一种融合粗细粒度特征的基于Prophet模型提取网络流量预测方法。
技术方案:本发明的基于Prophet模型提取网络流量的预测方法,包括以下步骤:
步骤5、将步骤3和步骤4的预测结果相加得到最终的网络流量预测值;
步骤6、对比网络流量数据的原始值与预测值,验证模型的有效性。
进一步地,步骤3中,所述预处理包括读取数据流,数据分集和归一化处理。
进一步地,步骤3中,所述预测的方法包括以下步骤:
(1)将前70%-80%的数据作训练集,初次训练选取训练集中10%-15%的数据作为验证集,保存好最佳模型后继续用完整的训练集进行训练,后20%-30%组作测试集;
(3)利用滑动窗口T对步骤(2)的结果进行处理实现单步预测;
(4)将单步预测后的数据输入卷积神经网络模型中,提取时间序列的细粒度特征;
(5)通过基于注意力机制的长短期记忆网络模型从前端抽取出细粒度特征中的粗粒度特征,同时对细粒度特征和粗粒度特征的维度使用注意力机制,并对特征分配权重,其中注意力层的权重为:
进一步地,步骤4中,所述Prophet模型预测的方法为通过建模与评估模型两个模块的循环迭代优化出结果。
有益效果:与现有技术相比,本发明具有如下显著优点:
(1)本发明通过Prophet模型的可分解方法,对附加分量建立Prophet模型预
测,对非线性分量建立卷积神经网络和基于注意力机制的长短期记忆网络模型预测,
实现粗细粒度特征提取的融合,并给重要的特征分配更多的权重以提高其对结果的影响,
在预测精度和预测速度上效果显著提升。
(2)本发明的的预测方法流程简单,可操作性强,应用范围广。
附图说明
图1是本发明基于Prophet模型融合粗细粒度特征提取的网络流量预测模型图;
图2是本发明使用的网络流量原始数据图;
图3是本发明利用Prophet模型分解的网络流量趋势图;
图4是本发明利用Prophet模型分解的网络流量假期性图;
图5是本发明利用Prophet模型分解的网络流量周季节性图;
图6是本发明利用Prophet模型分解的网络流量日季节性图;
图7是本发明基于Attention的LSTM网络结构图;
图8是本发明Prophet模型工作流程图;
图9是本发明CNN模型和LSTM模型的预测结果图;
图10是本发明CNN模型和基于注意力机制的LSTM模型的预测结果图;
图11是本发明基于Prophet模型融合粗细粒度特征提取的网络流量预测结果图。
具体实施方式
下面结合附图对本发明的技术方案作进一步说明。
本发明提出的基于Prophet模型融合粗细粒度特征提取的网络流量预测方法PFMGNet(Prophet Fusion of Multi-grained Network)继承了Prophet模型的优点,同时弥补了传统神经网络模型预测方法的不足,针对网络流量的多分形特性将各流量分量分解后分别进行预测。
图1为本发明基于Prophet模型融合粗细粒度特征提取的网络流量预测模型图。首先要获取原始流量数据,本发明选取一个开放的数据集MAWILab中骨干网一条链路的流量作为实验数据。采集2020年5月1日0点至2020年5月30日23点,周期为1h的平均网络流量,共720组数据。图2显示了本发明所使用的网络流量原始数据图。
图3、4、5、6显示了Prophet模型分解原始数据的各成分分量,利用Prophet模型的
可分解方法,将网络流量历史数据分解成趋势项,随机项,季节项和节假日。其中,前两项称为非线性分量,后两项称为附加分量。由图3可以看出网络流
量在5月8日达到峰值后开始下降,自5月14日起缓慢上升,其中图3、图4中ds为采样时间,单
位为日。图5中显示双休的流量值低于周一至周五的流量值,考虑到这种情况主要因为周一
至周五是工作日造成,周六周日人们休息,使用网络的时间减少导致网络流量值低。图6中
显示了一天中的流量分布,其中ds为采样时间,单位为小时,可以看出白天的流量值普遍高
于夜晚的流量值,在凌晨4点至5点间达到一天的最低值,下午3点左右到达最高,这种网络
流量使用情况的谷值与峰值分布符合实际情况,说明了所选数据的可靠性。
(1)将前80%的数据作训练集,初次训练选取训练集中10%的数据作为验证集,保存好最佳模型后继续用完整的训练集进行训练,后20%作测试集;
(4)将(3)中处理后的数据输入CNN模型中,CNN能将时间序列的高维特征提取出来,达到细粒度特征提取的效果。卷积部分包含两个1DCNN和最大池化层,卷积层的卷积核尺寸均为2,1DCNN_1、1DCNN_2的过滤器的个数分别为256和128,1D最大池化层的核尺寸也为2。
(5)基于注意力机制的LSTM模型从前端抽取出的细粒度特征中抽取粗粒度特征,并且能够一定程度避免因步长过长造成的记忆丢失和梯度消失。同时,注意力机制对细粒度特征和粗粒度特征的维度使用注意力机制(Dimensions Attention),给重要的特征分配更多的权重以提高其对结果的影响。在LSTM层加入了丢弃算法(Dropout)以防止模型的过拟合,在经过LSTM层后使用全连接层得到注意力权重,对特征赋予权值。这里,LSTM层的输出单元大小设置为100。然后加入一个带激活函数(Relu)的全连接层,最后再加入一个输出节点给出预测结果实现单步预测。综合(4)(5)部分实现对流量数据粗细粒度特征提取的融合,完整的反映了网络流量的特征。
图7是基于Attention的LSTM网络结构图。Attention的任务是对于LSTM网络得到
隐层输出序列,根据权重分配计算不同特征向量对应的概率,不断更新迭代出较优的
权重参数矩阵,将其与特征向量加权求和后作为Attention的输出,最后通过全连
接层计算出预测的结果。其中,表示输入序列,表示学习得到的输入序列的特
征,表示各特征的注意力权重,表示输出结果。
其中Attention层的权重为:
本研究试验环境为:Python3.7编程环境,网络框架使用Keras搭建;操作系统为Windows10 64bit,处理器为Intel(R) Core(TM) i7-9700CPU @ 3.00GHz,内存为32GB。优化器选用Adam,学习率设置为0.0001,模型训练的迭代次数epoch为100,dropout设为0.5。
由于Prophet模型相较于LSTM而言对时间序列的季节性、假期性更为敏感,擅长处
理具有大异常值和趋势变化的日常周期数据。所以对附加分量建立Prophet模型进行
预测。Prophet是一种新型的预测模型,擅长处理具有大异常值和趋势变化的日常周期数
据,其拟合程序运行速度极快。Prophet模型总体运行过程如图8所示,通过建模与评估模型
两个模块的循环迭代最终优化出结果。
表1对比了一些传统流量预测方法与本发明提出的方法在精度和时耗两方面的数据,各模型训练好后在测试集测试5次后取平均值作为最终结果。
表1 不同模型评价指标结果
可以看出本发明所采用的PFMGNet模型,较其他模型效果显著,MAPE指标比LSTM模
型减少了25.3%、指标比LSTM模型提高了0.106。训练时耗虽比不上传统预测模型,但较
其他神经网络模型也有较大的缩短。图9、图10、图11分别为CNN+LSTM、CNN+LSTM+Attention
和本发明提出模型的预测结果图,可以看出CNN+LSTM模型虽融合了两种模型的特点,但对
于一些异局部特征附近预测效果很差,且在部分时间段的预测出现了一定的滞后现象。CNN
+LSTM+Attention模型由于注意力机制的效果,使模型的特征提取更注重于显著特征的提
取上,根据图10可看出模型对突变点的预测更加准确(例如图10中时间点250、580附近的峰
值),相较于CNN+LSTM模型一定程度上减少了显著特征的丢失。而本发明提出的模型在各项
精度指标上为最优,且时耗也比其他神经网络快。模型综合了CNN+LSTM+Attention中模型
优点的同时也优化了对序列局部特征的提取,对于实际网络流量的变化趋势的预测基本一
致。说明模型对于时间序列的季节性分量、节假日因素有着很好的预测效果。
Claims (5)
1.一种基于Prophet模型提取网络流量的预测方法,其特征在于,包括以下步骤:
步骤1、获取网络流量数据y(t);
步骤2、利用Prophet模型将网络流量数据y(t)分解成非线性分量A(t)与附加分量D(t);
步骤3、将非线性分量A(t)预处理后依次通过卷积神经网络模型和基于注意力机制的长短期记忆网络模型进行预测;
步骤4、将附加分量D(t)通过Prophet模型进行预测;
步骤5、将步骤3和步骤4的预测结果相加得到最终的网络流量预测值;
步骤6、对比网络流量数据的原始值与预测值,验证模型的有效性;
其中,步骤3中,所述预处理包括读取数据流,数据分集和归一化处理;
步骤3中,所述预测方法包括以下步骤:
(1)将前70-80%的数据作训练集,初次训练选取训练集中10-15%的数据作为验证集,保存好最佳模型后继续用完整的训练集进行训练,后20-30%组作测试集;
(2)将数据进行归一化处理,利用MinMaxScaler函数将数据规范在(-1,1)区间,输出结果前再进行反归一化操作,t时刻A(t)归一化的结果为A'(t):
其中,Amax,Amin分别为流量数据的最大值和最小值;
(3)利用滑动窗口T对步骤(2)的结果进行处理实现单步预测;
(4)将单步预测后的数据输入卷积神经网络模型中,提取时间序列的细粒度特征;
(5)通过基于注意力机制的长短期记忆网络模型从前端抽取出细粒度特征中的粗粒度特征,同时对细粒度特征和粗粒度特征的维度使用注意力机制,并对特征分配权重,其中注意力层的权重为:
其中,f(a(t))是评价函数,可表达为f(a(t))=WTa(t),W为训练参数,对注意力层权重求和得到最后的特征向量:
其中,x(t)表示输入序列,a(t)表示学习得到的输入序列x(t)的特征,β(t)表示各特征的注意力权重;
步骤4中,所述Prophet模型预测方法为通过建模与评估模型两个模块的循环迭代优化出结果。
2.根据权利要求1所述的基于Prophet模型提取网络流量的预测方法,其特征在于,步骤2中,所述非线性分量A(t)包括趋势项g(t)和随机项ε(t);所述附加分量D(t)包括季节项s(t)和节假日h(t)。
3.根据权利要求1所述的基于Prophet模型提取网络流量的预测方法,其特征在于,步骤6中,所述对比采用选取平均绝对百分比误差MAPE和决定系数R2这两个评价指标对比。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011426660.8A CN112232604B (zh) | 2020-12-09 | 2020-12-09 | 基于Prophet模型提取网络流量的预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011426660.8A CN112232604B (zh) | 2020-12-09 | 2020-12-09 | 基于Prophet模型提取网络流量的预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112232604A CN112232604A (zh) | 2021-01-15 |
CN112232604B true CN112232604B (zh) | 2021-06-11 |
Family
ID=74124690
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011426660.8A Active CN112232604B (zh) | 2020-12-09 | 2020-12-09 | 基于Prophet模型提取网络流量的预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112232604B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112906673A (zh) * | 2021-04-09 | 2021-06-04 | 河北工业大学 | 一种基于注意力机制的下肢运动意图预测方法 |
CN113592058B (zh) * | 2021-07-05 | 2024-03-12 | 西安邮电大学 | 一种定量预测微博转发广度与深度的方法 |
CN113949644A (zh) * | 2021-10-22 | 2022-01-18 | 山东省计算中心(国家超级计算济南中心) | 基于LSTM-prophet的网站访问量预测方法及系统 |
CN115118511B (zh) * | 2022-06-29 | 2024-06-18 | 北京奇艺世纪科技有限公司 | 异常流量识别方法、装置、电子设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109002904A (zh) * | 2018-06-21 | 2018-12-14 | 中南大学 | 一种基于Prophet-ARMA的医院门诊就诊量预测方法 |
CN110210658A (zh) * | 2019-05-22 | 2019-09-06 | 东南大学 | 基于小波变换的Prophet与高斯过程用户网络流量预测方法 |
CN111585789A (zh) * | 2020-04-13 | 2020-08-25 | 中国联合网络通信集团有限公司 | 数据预测方法及装置 |
CN112053004A (zh) * | 2020-09-14 | 2020-12-08 | 胜斗士(上海)科技技术发展有限公司 | 用于时间序列预测的方法和装置 |
-
2020
- 2020-12-09 CN CN202011426660.8A patent/CN112232604B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109002904A (zh) * | 2018-06-21 | 2018-12-14 | 中南大学 | 一种基于Prophet-ARMA的医院门诊就诊量预测方法 |
CN110210658A (zh) * | 2019-05-22 | 2019-09-06 | 东南大学 | 基于小波变换的Prophet与高斯过程用户网络流量预测方法 |
CN111585789A (zh) * | 2020-04-13 | 2020-08-25 | 中国联合网络通信集团有限公司 | 数据预测方法及装置 |
CN112053004A (zh) * | 2020-09-14 | 2020-12-08 | 胜斗士(上海)科技技术发展有限公司 | 用于时间序列预测的方法和装置 |
Non-Patent Citations (1)
Title |
---|
基于Prophet算法的铁路客流量预测研究;王晓等;《计算机技术与发展》;20200625(第6期);第130-134页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112232604A (zh) | 2021-01-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112232604B (zh) | 基于Prophet模型提取网络流量的预测方法 | |
Rangapuram et al. | Deep state space models for time series forecasting | |
CN116757534B (zh) | 一种基于神经训练网络的智能冰箱可靠性分析方法 | |
CN109034861B (zh) | 基于移动端日志行为数据的用户流失预测方法及装置 | |
CN111563706A (zh) | 一种基于lstm网络的多变量物流货运量预测方法 | |
CN111723929A (zh) | 一种基于神经网络的数值预报产品订正方法、装置和系统 | |
CN111027772A (zh) | 基于pca-dbilstm的多因素短期负荷预测方法 | |
CN113554466A (zh) | 一种短期用电量预测模型构建方法、预测方法和装置 | |
CN111861013A (zh) | 一种电力负荷预测方法及装置 | |
CN114169416B (zh) | 一种基于迁移学习的小样本集下短期负荷预测方法 | |
CN114218872A (zh) | 基于dbn-lstm半监督联合模型的剩余使用寿命预测方法 | |
CN116303786B (zh) | 一种基于多维数据融合算法的区块链金融大数据管理系统 | |
CN114862032A (zh) | 一种基于XGBoost-LSTM的电网负荷预测方法及装置 | |
CN113205223A (zh) | 一种电量预测系统及其预测方法 | |
CN114037138A (zh) | 基于双层分解和深度学习的地铁短时进站客流预测系统及实施方法 | |
CN115730744A (zh) | 基于用户模式与深度学习联合模型的用水量预测方法及系统 | |
CN116542701A (zh) | 一种基于cnn-lstm组合模型的碳价预测方法及系统 | |
CN115658673A (zh) | 一种基于大数据建模的电力数据质量离群检测方法 | |
CN115766504A (zh) | 一种周期时间序列异常检测方法 | |
Wang et al. | A transformer-based multi-entity load forecasting method for integrated energy systems | |
CN114611764A (zh) | 一种特定区域内企业工业用水异常监测预警方法 | |
CN117667495A (zh) | 一种基于关联规则与深度学习集成模型的应用系统故障预测方法 | |
CN114971022B (zh) | 基于D-value-LSTM神经网络模型的风电功率预测方法 | |
CN116739130A (zh) | TCN-BiLSTM网络的多时间尺度负荷预测方法 | |
CN115794805A (zh) | 一种中低压配网量测数据补齐方法 |
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 |