CN114066014A - 基于异步并行多臂老虎机的机器学习的时间序列预测方法 - Google Patents
基于异步并行多臂老虎机的机器学习的时间序列预测方法 Download PDFInfo
- Publication number
- CN114066014A CN114066014A CN202111234014.6A CN202111234014A CN114066014A CN 114066014 A CN114066014 A CN 114066014A CN 202111234014 A CN202111234014 A CN 202111234014A CN 114066014 A CN114066014 A CN 114066014A
- Authority
- CN
- China
- Prior art keywords
- model
- trained
- hyper
- time
- time series
- 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
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
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Medical Informatics (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
基于异步并行多臂老虎机的机器学习的时间序列预测方法,涉及时间序列预测领域,本发明的目的是为了解决现有的对预测未来多时间步的数据预测精度低、预测时间长的问题。本申请采用一种高度并行和异步的算法,多臂老虎机从第二次选取模型开始与超参数调优的过程是并行进行的,另外,在对某个模型进行训练时,该模型当中的多个超参数的调优处理过程是异步进行的。它用于预测未来数据。
Description
技术领域
本发明涉及快速预测数据的方法,涉及时间序列预测领域。
背景技术
时间序列预测是一个重要的商业问题,也是机器学习(ML)的一个富有成效的应用领域。它是现代商业的大多数方面的基础,包括库存控制和客户管理等关键领域,以及从生产和分销到财务和营销的商业规划。因此,它具有相当大的财务影响,通常每获得一点预测准确度就产生数百万美元的影响。同样,在日常生活中,时间序列数据无处不在。我们观察传感器在离散时间步长上产生的演化变量,并将其组织成时间序列数据。例如,家庭用电量、道路占用率、货币汇率、太阳能发电量,甚至音符都可以被视为时间序列数据。在大多数情况下,收集的数据通常是多变量时间序列(MTS)数据,如多个客户的用电量,由当地电力公司跟踪,并且通常情况下我们都需要预测未来多时间步的数据以便于做出合理决策调整。
对于多变量多步的时间序列预测,主要影响模型精度的有两个方面,一是模型捕捉序列之间影响关系的能力,二是模型捕捉序列内部时间关系的能力。在使用深度学习对时间序列进行预测时,通常使用递归神经网络、长短时记忆网络等已被证明有较好效果的网络模型,来捕捉序列内部的影响关系,也有很多学者基于这些模型,加入一些机制来提高多变量预测时的精度,如线性门控单元、残差门控单元,以及注意力机制,提出了适用于具有不同特征的数据集的时间序列预测模型,并改善了原有网络架构中难以捕捉到协变量间的关系、长期时序依赖模式容易遗忘的问题。
目前具有高精度的时间序列预测模型大多适用于特定的数据集,或者适用于普通数据集,对于一些具有时间特征的数据集,大多数模型中的处理方式并不一定都是最优的。例如在处理一些具有周期性变化的数据时,使用有些学者提出的用于提取周期性数据的特征提取部分来做,精度会大幅度提升,但当使用普通的网络进行预测时,网络的精度就会大大降低,很难捕捉到这样的时间特征。另一方面,在使用深度学习进行时间序列预测时,模型的超参数会直接影响模型的精度与运行速度,需要人工进行干预,进行超参数的调优,才可能达到较为理想的预测精度。
如果使用AutoML对时间序列进行预测,可以针对特殊数据集在搜索空间中选择出最优的预测模型,并自动地进行参数调优,极大地减少人工对模型的干预。但同样,现存的AutoML的方法,需要进行反复的迭代,并针对大批量模型大规模参数时,耗时较长,对于时间序列预测而言,耗时较长很有可能会使得所求出的模型不适用于在求解完成时的时序模式,从而失去预测的价值与意义。
发明内容
本发明的目的是为了解决现有的对预测未来多时间步的数据预测精度低、预测时间长的问题,提出了基于异步并行多臂老虎机的机器学习的时间序列预测方法。
基于异步并行多臂老虎机的机器学习的时间序列预测方法,所述方法包括以下内容:
A、利用多臂老虎机从m个时间序列预测模型中每次选出1个性能值最大的时间序列预测模型或者选出1个新的时间序列预测模型,作为待训练模型;
B、利用历史数据训练待训练模型,使得该待训练模型中的多个超参数进行异步调优处理,待训练模型每经过一次训练,得到该待训练模型中每个超参数新搜索空间,将每次得到的所述新搜索空间作为下一轮该待训练模型中相应超参数的搜索空间,利用历史数据对下一轮该待训练模型继续进行训练,直到达到该待训练模型设定的训练轮数,得到训练后的超参数,由训练后的超参数组合成相应的训练好的时间序列预测模型;
C、若当前时刻只得到一个训练好的时间序列预测模型,就将历史数据输入至该训练好的时间序列预测模型中,来预测数据,若当前时刻一共得到n个训练好的序列预测模型,从n个训练好的序列预测模型中选出性能值最高的1个训练好的时间序列预测模型作为最终训练好的时间序列预测模型,m大于等于n,且m和n均为正整数,将历史数据输入至最终训练好的时间序列预测模型中,预测数据;
第一次执行完A过程之后,执行B过程,然后执行C过程,然后再第二次执行A过程,从第二次执行A过程开始,执行A过程与执行B过程是并行进行的,每次执行完B 过程之后,执行C过程。
本发明的有益效果是:
本申请采用异步并发的模型选择与超参调优算法,不需要像典型的超参数优化器那样选择并计算一批超参数,等待所有的计算完成,然后根据当前的结果选择下一批超参数值,根据数据集和超参数的选择,每次试验的时间都是任意长的。这种同步并行算法的主要问题是资源利用率低,不能很好地利用多个计算单元资源,并阻碍到下一次迭代的进程。相比之下,本申请采用一种高度并行和异步的算法,多臂老虎机从第二次选取模型开始与超参数调优的过程是并行进行的,另外,在对某个模型进行训练时,该模型当中的多个超参数的调优处理过程是异步进行的,所以,多臂老虎机在选择第二个模型时,同时处理第一个选择模型中的多个超参数,即:选择模型和超参数调优是并行的,同一个模型的多个超参数的调优也是异步并行的;另外,训练好一个模型就可以用该模型得到预测数据,如果此时一共有多个训练好的模型可以用,就从中选择能性能值最大的的模型,用该性能值最大的模型去预测数据。因此,本申请采取异步并行的思想,显著提升了时序预测的速度和预测精度。
本申请优点为:
本申请基于多臂老虎机思想,对模型进行选择,在计算资源受限的情况下,通过尽可能少的尝试,兼顾新模型的评估与对最优模型的更新迭代,进一步加快了AutoMLPipeline 的处理速度。
与现有技术相比,本发明有效地解决了对于具有不同数据集特征的时间序列预测问题,可以根据不同的数据集有效地自动干预模型,通过自动的模型选择与超参数调优有效提高预测模型的精度。同时,由于时间序列的特殊性,需要保证预测的时效性,需要提高AutoML运行的速度,本申请采取异步并行的思想,显著提升了使用AutoML进行时序预测的速度。
本申请通过多臂老虎机决定需要评估的模型;本申请将由多臂老虎机选中的模型放入超参调优模块调优,其中超参数之间可以异步调优;另外,本申请存储调优后的模型进行下一轮评估,也就是判断是否达到该模型对应的设定训练轮数,模型选择与超参调优之间同样异步进行,使得数据处理速度快。因此,利用本申请预测未来多时间步的数据预测精度高、预测时间快。
附图说明
图1为基于异步并行多臂老虎机的机器学习的时间序列预测方法的原理示意图;
图2为对1个时间序列预测模型进行训练的原理示意图;
图3为对每个超参数进行调优的曲线图,附图标记1表示损失函数的值,附图标记2表示取点进行实验,附图表示3表示2个斜率,附图表示4的网格表示缩小后的搜索空间。
具体实施方式
实施例1:
结合图1和图2,说明基于异步并行多臂老虎机的机器学习的时间序列预测方法,所述方法用于预测未来电量,所述方法包括以下内容:
所述方法包括以下内容:
A、利用多臂老虎机从m个时间序列预测模型中每次选出1个性能值最大的时间序列预测模型或者选出1个新的时间序列预测模型,作为待训练模型;
B、利用历史电量数据训练待训练模型,使得该待训练模型中的多个超参数进行异步调优处理,待训练模型每经过一次训练,得到该待训练模型中每个超参数新搜索空间,将每次得到的所述新搜索空间作为下一轮该待训练模型中相应超参数的搜索空间,利用历史数据对下一轮该待训练模型继续进行训练,直到达到该待训练模型设定的训练轮数t,得到训练后的超参数,由训练后的超参数组合成相应的训练好的时间序列预测模型;
C、若当前时刻只得到一个训练好的时间序列预测模型,就将历史电量数据输入至该训练好的时间序列预测模型中,来预测数据,若当前时刻一共得到n个训练好的序列预测模型,从n个训练好的序列预测模型中选出性能值最高的1个训练好的时间序列预测模型作为最终训练好的时间序列预测模型,m大于等于n,且m和n均为正整数,将历史电量数据输入至最终训练好的时间序列预测模型中,预测数据;
第一次执行完A过程之后,执行B过程,然后执行C过程,然后再第二次执行A过程,从第二次执行A过程开始,执行A过程与执行B过程是并行进行的,每次执行完B 过程之后,执行C过程。
优选实施方式,m为5,n为3,3个时间序列预测模型包括注意力机制模型、图神经网络模型和双残差神经网络模型。
优选实施方式,多臂老虎机从m个时间序列预测模型中每次选出1个性能值最大的时间序列预测模型包括:多臂老虎机计算m个时间序列预测模型的性能值和多臂老虎机从m个时间序列预测模型的性能值中选出1个性能值最大的时间序列预测模型。
优选实施方式,多臂老虎机计算m个时间序列预测模型的性能值,表示为:
q·(a)=E[|Rt|At=a] 公式1,
式中,At为经过第t次训练轮数得到的时间序列预测模型,Rt为经过第t次训练轮数得到的时间序列预测模型的性能值,a为模型,q·(a)为选择模型a的理论性能值,E是对于选择模型a的一个预计性能值。
优选实施方式,多臂老虎机从m个时间序列预测模型的性能值中选出1个性能值最大的时间序列预测模型,表示为:
At=arg maxaQt(a) 公式2,
式中,Qt(a)为第t步模型a的回报值。
优选实施方式,利用历史数据对下一轮该待训练模型继续进行训练,直到达到该待训练模型设定的训练轮数,得到训练后的超参数,具体为:
步骤31、在待训练模型的每个超参数的搜索空间内选取P个均分点,P为正整数;
步骤32、在每个点的邻域内选取另一个点,共2×P个超参数构成P对超参数,获得P对超参数的损失函数对数值;
步骤33、从P对超参数的损失函数对数值中选取损失函数对数值最小的2对点,并根据该2对点中的每对点获得一个斜率,根据该2对点能够获得两个斜率;
步骤34、连接步骤33得到的两个斜率,连接后的交点作为下一次该待训练模型中超参数搜索空间的中点,从而得到下一次该待训练模型中该超参数的搜索空间,按照步骤31至步骤34,对下一次待训练模型中超参数进行训练,直到达到对应的设定训练轮数,得到训练后的超参数。
本实施例中,本申请为了提高时间序列预测的精度,尽可能降低预测误差,我们采用了当前较为先进的5种时间序列预测模型,包括Transformer、图神经网络、双残差神经网络等,在当前公开数据集上均有良好的性能。为了保证模型的时效性,我们提出一种基于梯度、异步并行、结合多臂老虎机的AutoMLPAGB(Parallel Asynchronous Gradient-basedBandit)(自动机器学习算法),能够并行地进行模型选择以及超参调优,快速对现有的模型进行选择,并进行参数更新调优,以适配不同的数据集、精度要求。
本申请共分为两部分,搜索空间的搭建以及AutoML Pipeline(自动机器学习流水线) (指模型选择以及超参数调优的流水线)的构建。由于AutoML进行算法选择、超参优化都需要建立在一个规范的搜索空间上,搜索空间中不同算法模型的性能也决定了预测的精度,所以搜索空间的搭建是这个方案的基础部分,需要首先进行处理。其次,在得到搜索空间之后,需要通过AutoML Pipeline快速针对当前数据集等情况进行模型选择以及超参调优保证时效性。相比于传统的手动调参,整个系统对于每个模型的适应性更好,调参速度更快,时效性更强。
本申请的自动机器学习(AutoML)是一种在给定数据集与任务上自动进行模型选择、参数调优等操作的自动化机器学习,它可以根据数据集的特征在搜索空间中进行模型的选择,并对相应的超参数进行调优,它使得模型的学习能力泛化性很强,易于使用,无需进行人工干预即可求出一定精度条件下的最优模型建立方法。
本申请的关键点在于可以通过选取当前先进的时间序列预测模型,在将其规范化之后,即可兼容我们后续的AutoML Pipeline,针对不同的数据集以及精度要求进行模型选择和超参调优,相比于传统的手动调参,整个系统对于新算法的适应性更好,调参速度更快,时效性更强。
A过程中的新的时间序列预测模型指多臂老虎机没有选择过的模型。
具体模块和流程见图1和图2。
图1中,表示选择模型和超参数调优是并行的,同一个模型的多个超参数的调优也是异步并行的;图1中进行模型评估与选择是由多臂老虎机选择模型,如果当前只得到一个训练后的模型,就用认定此模型是最优模型,用该模型预测数据,如果此时一共得到多个模型,就从多个模型中挑出一个性能值最大的模型作为最优模型,如果得到的最优模型没有达到训练次数,就继续进行训练。图1中模型model2的超参数hp1、hp2至hpH,指的模型model2一共有H个超参数,H个超参数异步进行调优,直到达到对应的设定训练轮数,得到训练后的超参数,由训练后的超参数组合成相应的训练好的时间序列预测模型;另外图1中,存储并更新最优模型,意味着当前如果一共得到多个模型,就从多个模型中挑出一个性能值最大的模型作为最优模型。对多臂老虎机选择出的每个时间序列预测模型都有各自对应的设定训练轮数。
在搜索空间的搭建部分,由于不同模型实现的框架可能不同,网络架构不同,我们需要将其的框架、部署环境进行规范化,同时我们需要将不同模型的输入输出的格式,数据的维度进行规范化,以便于对各个模型进行进一步的评估。最后,我们还需要选择出各个模型中的超参数,并确定这些超参数的取值范围,即搜索空间,以便于下一步的超参数搜索。
之后需要将构建好的搜索空间通过AutoML Pipeline进行模型选择以及超参调优。
在AutoML Pipeline构建部分,模型选择以及超参调优,是通过我们提出的PAGB算法来实现的。我们假设模型选择与超参数搜索之间可以独立进行调优,即通过一系列的模型选择,将选择的模型通过超参调优验证效果。在模型选择方面,考虑到时间成本及计算资源受限,我们无法将所有模型进行超参调优,于是我们采用多臂老虎机进行选择,通过ε-贪心策略,在基于现有的优化基础上,异步选择进一步需要评估的模型,以一定概率选择当前最优的模型进行进一步的模型优化,或尝试一种新模型进行评估,将其输入到超参调优模块进行处理。同时假设模型超参数与超参数之间的调优不存在依赖性,即采用局部搜索,每个模型中的多个超参数是异步调优,即对于每个超参数,在得到上一轮超参数搜索空间的中点后,意味着缩小了该超参数的搜索空间,然后将该缩小后的搜索空间用在下一轮中,用历史数据对下一轮的超参数继续训练,直到达到该模型设定的训练轮数,此时得到的超参数的搜索空间是最优的,因此,此时得到的对应模型是训练好的。我们通过计算当前超参数得到的梯度(斜率),预估其可能的性能极值的取值范围,缩小超参数的搜索范围,进一步加快Pipeline的处理时间。如图2所示,
采用pytorch框架实现整个系统,每个算法封装成一个torch.nn.Module类,init部分进行模型初始化,forward部分处理输入数据,利用模型获取输出数据;
算法初始化:输入长度、输出长度、算法超参数设置
forward输入:历史时间序列
forward输出:预测的时间序列
说明:历史时间序列、预测的时间序列的表示方式、数据维度要统一。
在模型选择与超参调优部分,我们采用的如图1所示异步并行方式;
对于多臂老虎机:每次在k歌模型中做出一个选择,称之为一个action,每次根据选择的action反馈一个“性能值”,每种action对应的性能值服从一个固定的概率分布(系统一开始不知道奖励值服从什么规律或者是否有规律,他需要通过“学习”来找到这一规律),目标在于使最后得到的性能值最大化。注:我们接下来对性能的评估转换为对数据集损失函数的loss值(损失函数对数值),即loss值越小,性能越好。
对于公式1,系统最初不知道q·(a)的情况,需要建立对所有模型的评估体系,即根据他目前拥有的知识,来估计/猜测当前第t步选择a的回报值Qt(a):Qt(a)≈q·(a)。
ε-贪心策略:以1-ε的概率采取贪心行为选择当前性能最佳模型,ε概率随机选择一种模型进行尝试贪心行动,表述为数学语言即为公式2和公式3。
图2为我们首先假设每个模型的超参数集合中的超参数可以单独更新,接下来以对 MTGNN模型中超参数gamma的调优为例进行说明。
图3为超参数的初始选择为在整个搜索空间内以线性间隔选择P个点,对于超参数hPi我们选择P个点接着在每个点的∈i邻域内选取另一个点,共2×P个超参数选择(P对选择)。接着我们通过这些点在测试数据集上的loss值,绘制出如上图的曲线,选取效果最好的两对点计算其梯度,可以预计其交点为最佳取值附近,于是可以进一步缩减搜索空间,提高参数调优速度。
我们对每一个超参数进行如上的调优策略,对超参数hPi调优时,我们将其他超参数 hPj设置为当前求得的最佳取值,于是可以对多个超参数进行并行调优。
Claims (6)
1.基于异步并行多臂老虎机的机器学习的时间序列预测方法,其特征在于,所述方法包括以下内容:
A、利用多臂老虎机从m个时间序列预测模型中每次选出1个性能值最大的时间序列预测模型或者选出1个新的时间序列预测模型,作为待训练模型;
B、利用历史数据训练待训练模型,使得该待训练模型中的多个超参数进行异步调优处理,待训练模型每经过一次训练,得到该待训练模型中每个超参数新搜索空间,将每次得到的所述新搜索空间作为下一轮该待训练模型中相应超参数的搜索空间,利用历史数据对下一轮该待训练模型继续进行训练,直到达到该待训练模型设定的训练轮数t,得到训练后的超参数,由训练后的超参数组合成相应的训练好的时间序列预测模型;
C、若当前时刻只得到一个训练好的时间序列预测模型,就将历史数据输入至该训练好的时间序列预测模型中,来预测数据,若当前时刻一共得到n个训练好的序列预测模型,从n个训练好的序列预测模型中选出性能值最高的1个训练好的时间序列预测模型作为最终训练好的时间序列预测模型,m大于等于n,且m和n均为正整数,将历史数据输入至最终训练好的时间序列预测模型中,预测数据;
第一次执行完A过程之后,执行B过程,然后执行C过程,然后再第二次执行A过程,从第二次执行A过程开始,执行A过程与执行B过程是并行进行的,每次执行完B过程之后,执行C过程。
2.根据权利要求1所述的基于异步并行多臂老虎机的机器学习的时间序列预测方法,其特征在于,m为5,n为3,3个时间序列预测模型包括注意力机制模型、图神经网络模型和双残差神经网络模型。
3.根据权利要求1所述的基于异步并行多臂老虎机的机器学习的时间序列预测方法,其特征在于,多臂老虎机从m个时间序列预测模型中每次选出1个性能值最大的时间序列预测模型包括:多臂老虎机计算m个时间序列预测模型的性能值和多臂老虎机从m个时间序列预测模型的性能值中选出1个性能值最大的时间序列预测模型。
4.根据权利要求3所述的基于异步并行多臂老虎机的机器学习的时间序列预测方法,其特征在于,多臂老虎机计算m个时间序列预测模型的性能值,表示为:
q·(a)=E[|Rt|At=a] 公式1,
式中,At为经过第t次训练轮数得到的时间序列预测模型,Rt为经过第t次训练轮数得到的时间序列预测模型的性能值,a为模型,q·(a)为选择模型a的理论性能值,E是对于选择模型a的一个预计性能值。
6.根据权利要求1所述的基于异步并行多臂老虎机的机器学习的时间序列预测方法,其特征在于,利用历史数据对下一轮该待训练模型继续进行训练,直到达到该待训练模型设定的训练轮数,得到训练后的超参数,具体为:
步骤31、在待训练模型的每个超参数的搜索空间内选取P个均分点,P为正整数;
步骤32、在每个点的邻域内选取另一个点,共2×P个超参数构成P对超参数,获得P对超参数的损失函数对数值;
步骤33、从P对超参数的损失函数对数值中选取损失函数对数值最小的2对点,并根据该2对点中的每对点获得一个斜率,根据该2对点能够获得两个斜率;
步骤34、连接步骤33得到的两个斜率,连接后的交点作为下一次该待训练模型中超参数搜索空间的中点,从而得到下一次该待训练模型中该超参数的搜索空间,按照步骤31至步骤34,对下一次待训练模型中超参数进行训练,直到达到对应的设定训练轮数,得到训练后的超参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111234014.6A CN114066014A (zh) | 2021-10-22 | 2021-10-22 | 基于异步并行多臂老虎机的机器学习的时间序列预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111234014.6A CN114066014A (zh) | 2021-10-22 | 2021-10-22 | 基于异步并行多臂老虎机的机器学习的时间序列预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114066014A true CN114066014A (zh) | 2022-02-18 |
Family
ID=80235245
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111234014.6A Pending CN114066014A (zh) | 2021-10-22 | 2021-10-22 | 基于异步并行多臂老虎机的机器学习的时间序列预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114066014A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113282747A (zh) * | 2021-04-28 | 2021-08-20 | 南京大学 | 一种基于自动机器学习算法选择的文本分类方法 |
CN117009092A (zh) * | 2023-10-07 | 2023-11-07 | 之江实验室 | 基于多重多臂老虎机的编译时间资源动态分配方法及系统 |
-
2021
- 2021-10-22 CN CN202111234014.6A patent/CN114066014A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113282747A (zh) * | 2021-04-28 | 2021-08-20 | 南京大学 | 一种基于自动机器学习算法选择的文本分类方法 |
CN113282747B (zh) * | 2021-04-28 | 2023-07-18 | 南京大学 | 一种基于自动机器学习算法选择的文本分类方法 |
CN117009092A (zh) * | 2023-10-07 | 2023-11-07 | 之江实验室 | 基于多重多臂老虎机的编译时间资源动态分配方法及系统 |
CN117009092B (zh) * | 2023-10-07 | 2024-02-02 | 之江实验室 | 基于多重多臂老虎机的编译时间资源动态分配方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Bai et al. | Double-layer staged training echo-state networks for wind speed prediction using variational mode decomposition | |
CN114066014A (zh) | 基于异步并行多臂老虎机的机器学习的时间序列预测方法 | |
CN111079989B (zh) | 一种基于dwt-pca-lstm的供水公司供水量预测装置 | |
CN117313789A (zh) | 使用神经网络的黑盒优化 | |
CN112434891A (zh) | 基于wcnn-alstm的太阳辐照度时间序列的预测方法 | |
Shi et al. | Learning where to sample in structured prediction | |
Zhao et al. | A short-term hybrid wind power prediction model based on singular spectrum analysis and temporal convolutional networks | |
Wang et al. | Short-term load forecasting of power system based on time convolutional network | |
Yuan et al. | A novel genetic algorithm with hierarchical evaluation strategy for hyperparameter optimisation of graph neural networks | |
CN115345297A (zh) | 一种基于生成对抗网络的台区样本生成方法及系统 | |
Guo et al. | Applying gated recurrent units pproaches for workload prediction | |
Han et al. | Ultra-short-term wind power interval prediction based on hybrid temporal inception convolutional network model | |
Shakeri et al. | Coping with big data in transfer optimization | |
CN117175588A (zh) | 基于时空相关性的用电负荷预测方法及装置 | |
Sun et al. | Dynamic Intelligent Supply-Demand Adaptation Model Towards Intelligent Cloud Manufacturing. | |
Xu et al. | A hybrid model for multi-step wind speed forecasting based on secondary decomposition, deep learning, and error correction algorithms | |
CN115660038A (zh) | 基于误差因素和改进moea/d-sas的多阶段集成短期负荷预测 | |
CN115395502A (zh) | 一种光伏电站功率预测方法及系统 | |
CN114707348A (zh) | 偏最小二乘Kriging模型辅助的航空减速器高效全局优化方法 | |
CN114298411A (zh) | 一种基于n-beats的gdp预测方法 | |
CN114722490A (zh) | 一种基于混合增点与区间缩减的代理模型全局优化方法 | |
CN113111308A (zh) | 基于数据驱动遗传编程算法的符号回归方法及系统 | |
Secker et al. | Wairs: improving classification accuracy by weighting attributes in the airs classifier | |
Ji et al. | Multivariate time series prediction of high dimensional data based on deep reinforcement learning | |
Xia et al. | A hybrid hour-ahead wind power prediction model based on variational mode decomposition and bio-inspired LSTM |
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 |