CN114387030A - 一种面向网络购物平台的在线用户量的智能分析方法 - Google Patents
一种面向网络购物平台的在线用户量的智能分析方法 Download PDFInfo
- Publication number
- CN114387030A CN114387030A CN202210036097.6A CN202210036097A CN114387030A CN 114387030 A CN114387030 A CN 114387030A CN 202210036097 A CN202210036097 A CN 202210036097A CN 114387030 A CN114387030 A CN 114387030A
- Authority
- CN
- China
- Prior art keywords
- microcolumn
- time
- input
- online
- shopping platform
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 14
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 24
- 230000007246 mechanism Effects 0.000 claims abstract description 16
- 238000004364 calculation method Methods 0.000 claims abstract description 5
- 210000004027 cell Anatomy 0.000 claims description 14
- 238000000034 method Methods 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 12
- 230000007774 longterm Effects 0.000 claims description 7
- 210000000225 synapse Anatomy 0.000 claims description 6
- 238000012512 characterization method Methods 0.000 claims description 4
- 230000002688 persistence Effects 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 230000008859 change Effects 0.000 abstract description 10
- 210000004556 brain Anatomy 0.000 abstract description 3
- 230000006870 function Effects 0.000 abstract description 2
- 210000000478 neocortex Anatomy 0.000 abstract description 2
- 238000004088 simulation Methods 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000003213 activating effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000003042 antagnostic effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000946 synaptic 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- 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
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- 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
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Probability & Statistics with Applications (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Data Mining & Analysis (AREA)
- Fuzzy Systems (AREA)
- Game Theory and Decision Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种面向网络购物平台的在线用户量的智能分析方法，实现HTM对网络购物平台的实时用户数量变化规律的快速学习的能力。通过数据驱动的空间池微柱动态拓展策略，根据输入数据动态的初始化所利用到的微柱，使得空间池的微柱利用率趋于均衡，提高了空间池的运行效率；通过基于承载度的空间池算法，根据每个微柱的承载的输入的种类，均衡的使用每根微柱表征新的输入，代替了原有的Boost和Bump机制，较少了计算的复杂度，可以节省空间池的时间开销。本发明将对生物大脑新皮质功能的模拟和基于承载度动态加载方式相结合，提高了HTM对变化较快的规律的学习能力，从而保证了在学习购物平台的实时用户数量时的有效性和实用性。
Description
技术领域
本发明涉及人工智能深度学习领域,尤其涉及一种面向网络购物平台的在线用户量的智能分析方法。
背景技术
从长期来看，网络购物平台用户的在线数量呈现一定的周期性的规律。例如在节假日用户数量会上升，在平常的日子需求量则不高；白天时间用户数量较少，夜间用户数量较多。因此平台也应该随着用户的在线数量尽可能的调整自己服务器负载配置，保证服务器的稳定性，减少商品的加载、购买、结算的延迟，保证商品的正常交易。
受益于近些年来的大数据和计算力的提升，以及各种算法上的优化，深度学习广泛的应用于图像、语音、自然语言处理等领域，其中以循环神经网络、卷积神经网络、对抗神经网络、Transforms等为几个典型的深度学习算法。另一方面，脑科学、生物神经学的研究取的了不断突破，为人工神经网络的研究提供了良好的借鉴。其中，一种受人类大脑皮层启发的时间序列数据预测模型，层级时序记忆(Hierarchical Temporal Memory,HTM)开始受到人们的广泛关注，该模型利用了稀疏分布表征，通过空间池和时间池等算法完成学习，广泛的应用于时间序列的分析和处理，据一些研究报道称，HTM的预测效果与LSTM相当甚至更好。
当前训练的HTM的方法还比较简单，其中空间池的训练算法存在一定的利用率和时间开销上的问题，通过Boost和Bump机制对激活微柱的选取，对于微柱和细胞较少的模型，性能较好，但是对于购物平台的实际场景，实时在线的用户的数量变化范围较大，变化规律存在多样性，虽然HTM可以一边学习数据的变化，一边进行接下来的数据预测，但是原有的空间池算法会使得空间池的微柱利用率不均衡，同时也会带来较大的时间开销，不适用与购物平台的实时用户量的变化规律。因此针对这种问题，提出了新的基于数据驱动的动态空间池算法，提高HTM学习网络购物平台实时用户量的效率，减少训练的时间开销。
发明内容
本发明的目的在于提供一种面向网络购物平台的在线用户量的智能分析方法，以解决现有的HTM空间池算法中微柱利用率不均衡和激活微柱选取机制造成的时间开销过大的问题，提高HTM学习网络购物平台实时用户量的效率，减少训练的时间开销。
本发明的技术方案为：一种面向网络购物平台的在线用户量的智能分析方法，包括以下步骤：
步骤1，采集某个较长时间内在线用户数量分段统计数据，构成具有时序特性的网络购物平台实时在线用户数量数据流；
步骤2，针对购物平台的实时在线用户数量分析应用，将每个固定时间段的在线用户数量转化为输入的二值化编码；
步骤3，随着输入进入空间池进行训练，使用数据驱动的动态空间池算法，空间池中的微柱动态拓展初始化，其中提出了承载度的概念，利用微柱承载度的方式逐步在初始化的区域内选取激活微柱，完成空间池对输入数据的表征；
步骤4，空间池完成学习之后，在被激活微柱上生成学习细胞集将被激活的微柱集送入时间池进行训练，构建输入之间的时序关系，并在HTM中形成记忆；
步骤5，时间池完成对购物平台实时在线用户量的数据学习，输出下个时间段的在线用户数量预测模式，由分类解码器根据最终训练的结果给出预测的实时用户数量。
进一步，二值化编码X(t)(x1(t),x2(t),x3(t)…xn(t))，规则如下：
其中：min为在线用户量X(t)的最小值，max为最大值，n为输入编码的长度，w为编码后输入编码比特位为1的位数。
进一步，所述步骤3中，使用数据驱动的动态空间池算法，主要包括以下步骤：
步骤3.1，数据驱动的微柱动态拓展策略，每一时刻，利用输入编码中表征数据的激活比特位，计算需要表征的微柱范围，逐步拓展微柱的使用区域，代替原有的初始化全部区域，计算方式为：
xt表示t时刻的输入数据对应的输入编码，mj表示输入编码的激活比特位首位的对应的索引，mk表示输入编码的激活比特位末位对应的索引，nc表示微柱的数量，n表示输入编码的维度，start(xt)和end(xt)表示该输入所使用的微柱区域的范围边界序号；
步骤3.2，原有的Bump和Boost机制会带来较大的时间开销，因此提出基于承载度的空间池算法，具体步骤为：
3.2.1，输入xt，并转换为输入编码；
3.2.2，动态扩展形成xt候选微柱区域col-field(t)：
col-field(t)＝[start(xt),end(xt)] (3)
3.2.3，对所拓展的区域进行微柱的初始化；
3.2.4，引入“承载度”，提出基于微柱承载度的空间池算法替代原有的选取机制，微柱承载度，即微柱表达输入模式的种类，同时提出微柱长期承载度和短期承载度的概念：微柱长期承载度Hl为在已经过的所有时刻中，微柱表达输入模式的种类微柱短期承载度Hs为在时间窗口w中，微柱表达输入模式的种类，初始化完成后，在拓展的微柱区域内进行激活微柱的选取；
3.2.5，对于已经激活的微柱，再次被选取到时，进行Hebbian学习，利用奖惩机制对微柱突触持久值进行调整。
本发明的有益效果：
1、本发明与现有网络购物平台的实时用户量分析方法不同，使用了一种面向网络购物平台的在线用户量的智能分析方法，改进了现有的HTM模型，实现了HTM空间池对购物平台实时用户量变化规律的快速高效的学习。
2、本发明与现有HTM在基本的构成方面存在不同，使用了基于数据驱动的动态空间池算法，改进了现有的空间池算法。其中包含了数据驱动的微柱动态拓展策略，与现有的HTM初始化过程存在不同；另一部分基于承载度的空间池算法，与现有HTM空间池在激活微柱的选取机制上也存在不同。
3、本发明针对空间池的微柱学习过程，利用HTM自身结构，使得空间池的微柱利用率区域均衡，提高了空间池的学习效率，同时对激活微柱选取机制的改变，也可以节省空间池运行的时间开销，增强了HTM对实时用户数量变化规律的学习能力。
附图说明
图1为一种面向网络购物平台的在线用户量的智能分析方法的流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用于解释本发明，并不用于限定本发明。
实施例1：
如图1所示，一种面向网络购物平台的在线用户量的智能分析方法。该方法的总体思路是提出新的HTM空间池微柱初始化方式和激活微柱的选取机制，利用数据驱动的空间池动态拓展策略替换原有的初始化过程，并利用基于微柱的承载度的方式选取激活微柱实现了HTM空间池对数据的更高效的学习方式。由图1所示，具体过程如下：
步骤1，采集某个较长时间段内，在线用户数量信息，与当时的时间信息一起构建用户数量数据集，使其包含在线用户数量和时间两方面的特性，构成具有时序特性的用户数量流。
步骤2，针对购物平台的实时在线用户数量分析应用，将每个固定时间段的在线用户数量转化为输入的二值化编码，作为输入X(t)(x1(t),x2(t),x3(t)…xn(t))，规则如下：
其中：min为在线用户量X的最小值，max为最大值，n为输入编码的长度，w为编码后输入编码比特位为1的位数。
步骤3，随着输入X进入空间池进行训练，使用数据驱动的动态空间池算法，空间池中的微柱动态拓展初始化。其中提出了承载度的概念，利用微柱承载度的方式逐步在初始化的区域内选取激活微柱，完成空间池对输入数据的表征，主要步骤如下：
步骤3.1，数据驱动的微柱动态拓展策略，每一时刻，利用输入编码中表征数据的激活比特位，计算需要表征的微柱范围，逐步拓展微柱的使用区域，代替原有的初始化全部区域。计算方式为：
xt表示t时刻的输入数据对应的输入编码，mj表示输入编码的激活比特位首位的对应的索引，mk表示输入编码的激活比特位末位对应的索引，nc表示微柱的数量，n表示输入编码的维度，start(xt)和end(xt)表示该输入所使用的微柱区域的范围边界序号。
步骤3.2，原有的Bump和Boost机制会带来较大的时间开销，因此提出基于承载度的空间池算法，具体步骤为：
3.2.1，输入xt，并转换为输入编码；
3.2.2，动态扩展形成xt候选微柱区域：
col-field(t)＝[start(xt),end(xt)] (3)
3.2.3，对所拓展的区域进行微柱的初始化；
3.2.4，引入“承载度”，提出基于微柱承载度的空间池算法替代原有的选取机制。微柱承载度，即微柱表达输入模式的种类。同时我们提出微柱长期承载度和短期承载度的概念：微柱长期承载度Hl为在已经过的所有时刻中，微柱表达输入模式的种类微柱短期承载度Hs为在时间窗口w中，微柱表达输入模式的种类。初始化完成后，在拓展的微柱区域内进行激活微柱的选取。
3.2.5，对于已经激活的微柱，再次被选取到时，进行Hebbian学习，利用奖惩机制对微柱突触持久值进行调整,进而完成构建在线用户数量和激活微柱的映射关系，完成空间池动态拓展的学习过程。
步骤4，空间池完成学习之后，在被激活微柱上生成学习细胞集将被激活的微柱集送入时间池进行训练，构建输入之间的时序关系，并在HTM中形成记忆：
4.1，t时刻，当前激活微柱上的预测细胞与之前时刻的激活细胞连接态的突触数量达到阈值，即可成为激活态，t+1时刻的细胞与t时刻激活细胞的连接态突触数量达到阈值，即可成为预测态；
4.2，每个时间步骤由激活微柱上的一组激活细胞表征当前的输入，并与之前时刻的激活细胞通过突触相连接；
4.3，通过Hebbian学习规则对细胞突触持久值进行调整，完成时间池对上下文模式的表征，通过预测细胞集可以提供下一时刻的预测模式。
步骤5，时间池完成对购物平台实时在线用户量的数据学习，输出下个时间段的在线用户数量预测模式。由分类解码器根据最终训练的结果给出预测的实时用户数量。
综上，本发明的一种面向网络购物平台的在线用户量的智能分析方法，提出了新的数据驱动的动态空间池算法，实现HTM对网络购物平台的实时用户数量变化规律的快速学习的能力。通过数据驱动的空间池微柱动态拓展策略，根据输入数据动态的初始化所利用到的微柱，使得空间池的微柱利用率趋于均衡，提高了空间池的运行效率；通过基于承载度的空间池算法，根据每个微柱的承载的输入的种类，均衡的使用每根微柱表征新的输入，代替了原有的Boost和Bump机制，较少了计算的复杂度，可以节省空间池的时间开销。本发明将对生物大脑新皮质功能的模拟和基于承载度动态加载方式相结合，提高了HTM对变化较快的规律的学习能力，从而保证了在学习购物平台的实时用户数量时的有效性和实用性。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上实施例仅用于说明本发明的设计思想和特点，其目的在于使本领域内的技术人员能够了解本发明的内容并据以实施，本发明的保护范围不限于上述实施例。所以，凡依据本发明所揭示的原理、设计思路所作的等同变化或修饰，均在本发明的保护范围之内。
Claims (3)
1.一种面向网络购物平台的在线用户量的智能分析方法，其特征在于，包括以下步骤：
步骤1，采集某个较长时间内在线用户数量分段统计数据，构成具有时序特性的网络购物平台实时在线用户数量数据流；
步骤2，针对购物平台的实时在线用户数量分析应用，将每个固定时间段的在线用户数量转化为输入的二值化编码；
步骤3，随着输入进入空间池进行训练，使用数据驱动的动态空间池算法，空间池中的微柱动态拓展初始化，其中提出了承载度的概念，利用微柱承载度的方式逐步在初始化的区域内选取激活微柱，完成空间池对输入数据的表征；
步骤4，空间池完成学习之后，在被激活微柱上生成学习细胞集将被激活的微柱集送入时间池进行训练，构建输入之间的时序关系，并在HTM中形成记忆；
步骤5，时间池完成对购物平台实时在线用户量的数据学习，输出下个时间段的在线用户数量预测模式，由分类解码器根据最终训练的结果给出预测的实时用户数量。
2.根据权利要求1所述的一种面向网络购物平台的在线用户量的智能分析方法，其特征在于，二值化编码X(t)(x1(t),x2(t),x3(t)…xn(t))，规则如下：
其中：min为在线用户量X(t)的最小值，max为最大值，n为输入编码的长度，w为编码后输入编码比特位为1的位数。
3.根据权利要求1所述的一种面向网络购物平台的在线用户量的智能分析方法，其特征在于，所述步骤3中，使用数据驱动的动态空间池算法，主要包括以下步骤：
步骤3.1，数据驱动的微柱动态拓展策略，每一时刻，利用输入编码中表征数据的激活比特位，计算需要表征的微柱范围，逐步拓展微柱的使用区域，代替原有的初始化全部区域，计算方式为：
xt表示t时刻的输入数据对应的输入编码，mj表示输入编码的激活比特位首位的对应的索引，mk表示输入编码的激活比特位末位对应的索引，nc表示微柱的数量，n表示输入编码的维度，start(xt)和end(xt)表示该输入所使用的微柱区域的范围边界序号；
步骤3.2，原有的Bump和Boost机制会带来较大的时间开销，因此提出基于承载度的空间池算法，具体步骤为：
3.2.1，输入xt，并转换为输入编码；
3.2.2，动态扩展形成xt候选微柱区域col-field(t)：
col-field(t)＝[start(xt),end(xt)] (3)
3.2.3，对所拓展的区域进行微柱的初始化；
3.2.4，引入“承载度”，提出基于微柱承载度的空间池算法替代原有的选取机制，微柱承载度，即微柱表达输入模式的种类，同时提出微柱长期承载度和短期承载度的概念：微柱长期承载度Hl为在已经过的所有时刻中，微柱表达输入模式的种类微柱短期承载度Hs为在时间窗口w中，微柱表达输入模式的种类，初始化完成后，在拓展的微柱区域内进行激活微柱的选取；
3.2.5，对于已经激活的微柱，再次被选取到时，进行Hebbian学习，利用奖惩机制对微柱突触持久值进行调整。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210036097.6A CN114387030B (zh) | 2022-01-13 | 2022-01-13 | 一种面向网络购物平台的在线用户量的智能分析方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210036097.6A CN114387030B (zh) | 2022-01-13 | 2022-01-13 | 一种面向网络购物平台的在线用户量的智能分析方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114387030A true CN114387030A (zh) | 2022-04-22 |
| CN114387030B CN114387030B (zh) | 2024-03-15 |
Family
ID=81202388
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210036097.6A Active CN114387030B (zh) | 2022-01-13 | 2022-01-13 | 一种面向网络购物平台的在线用户量的智能分析方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114387030B (zh) |
Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1629870A (zh) * | 2003-06-30 | 2005-06-22 | 微软公司 | 用于提供用户存在性和有效性的状态和预测的方法及结构 |
| US20080208783A1 (en) * | 2007-02-28 | 2008-08-28 | Numenta, Inc. | Spatio-Temporal Learning Algorithms In Hierarchical Temporal Networks |
| US20110225108A1 (en) * | 2010-03-15 | 2011-09-15 | Numenta, Inc. | Temporal memory using sparse distributed representation |
| US20140114896A1 (en) * | 2012-10-23 | 2014-04-24 | Numenta, Inc. | Performing multistep prediction using spatial and temporal memory system |
| WO2014144992A1 (en) * | 2013-03-15 | 2014-09-18 | Tibco Software Inc. | Predictive system for deploying enterprise applications |
| CN109829543A (zh) * | 2019-01-31 | 2019-05-31 | 中国科学院空间应用工程与技术中心 | 一种基于集成学习的数据流在线异常检测方法 |
| CN110224852A (zh) * | 2019-04-28 | 2019-09-10 | 中电长城网际安全技术研究院(北京)有限公司 | 基于htm算法的网络安全监测方法及装置 |
| US10558925B1 (en) * | 2014-03-28 | 2020-02-11 | Groupon, Inc. | Forecasting demand using hierarchical temporal memory |
| CN111133451A (zh) * | 2017-09-22 | 2020-05-08 | 国际商业机器公司 | 人工神经网络中的时间池化和相关 |
| CN111612125A (zh) * | 2020-04-13 | 2020-09-01 | 江苏大学 | 一种面向在线学习的新型htm时间池方法及其系统 |
| CN112200314A (zh) * | 2020-09-30 | 2021-01-08 | 江苏大学 | 一种基于微柱自荐的htm空间池快速训练方法及系统 |
| CN112269729A (zh) * | 2020-11-04 | 2021-01-26 | 江苏瑞祥科技集团有限公司 | 面向网络购物平台大规模服务器集群的负载智能分析方法 |
| CN112330361A (zh) * | 2020-11-04 | 2021-02-05 | 江苏瑞祥科技集团有限公司 | 面向线上购物用户消费习惯的智能大数据分析设计方法 |
| CN112330362A (zh) * | 2020-11-04 | 2021-02-05 | 江苏瑞祥科技集团有限公司 | 用于互联网商城用户行为习惯的快速数据智能分析方法 |
| CN112580799A (zh) * | 2020-12-10 | 2021-03-30 | 江苏大学 | 一种面向多核处理器的并发htm空间池设计方法 |
| EP3798943A1 (en) * | 2019-09-28 | 2021-03-31 | Honeywell International Inc. | Improving the real-time operation of an industrial facility using a machine learning based self-adaptive system |
| WO2021082811A1 (zh) * | 2019-10-29 | 2021-05-06 | 山东科技大学 | 一种外汇时间序列预测方法 |
-
2022
- 2022-01-13 CN CN202210036097.6A patent/CN114387030B/zh active Active
Patent Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1629870A (zh) * | 2003-06-30 | 2005-06-22 | 微软公司 | 用于提供用户存在性和有效性的状态和预测的方法及结构 |
| US20080208783A1 (en) * | 2007-02-28 | 2008-08-28 | Numenta, Inc. | Spatio-Temporal Learning Algorithms In Hierarchical Temporal Networks |
| US20110225108A1 (en) * | 2010-03-15 | 2011-09-15 | Numenta, Inc. | Temporal memory using sparse distributed representation |
| US20140114896A1 (en) * | 2012-10-23 | 2014-04-24 | Numenta, Inc. | Performing multistep prediction using spatial and temporal memory system |
| WO2014144992A1 (en) * | 2013-03-15 | 2014-09-18 | Tibco Software Inc. | Predictive system for deploying enterprise applications |
| US10558925B1 (en) * | 2014-03-28 | 2020-02-11 | Groupon, Inc. | Forecasting demand using hierarchical temporal memory |
| CN111133451A (zh) * | 2017-09-22 | 2020-05-08 | 国际商业机器公司 | 人工神经网络中的时间池化和相关 |
| CN109829543A (zh) * | 2019-01-31 | 2019-05-31 | 中国科学院空间应用工程与技术中心 | 一种基于集成学习的数据流在线异常检测方法 |
| CN110224852A (zh) * | 2019-04-28 | 2019-09-10 | 中电长城网际安全技术研究院(北京)有限公司 | 基于htm算法的网络安全监测方法及装置 |
| EP3798943A1 (en) * | 2019-09-28 | 2021-03-31 | Honeywell International Inc. | Improving the real-time operation of an industrial facility using a machine learning based self-adaptive system |
| WO2021082811A1 (zh) * | 2019-10-29 | 2021-05-06 | 山东科技大学 | 一种外汇时间序列预测方法 |
| CN111612125A (zh) * | 2020-04-13 | 2020-09-01 | 江苏大学 | 一种面向在线学习的新型htm时间池方法及其系统 |
| CN112200314A (zh) * | 2020-09-30 | 2021-01-08 | 江苏大学 | 一种基于微柱自荐的htm空间池快速训练方法及系统 |
| CN112269729A (zh) * | 2020-11-04 | 2021-01-26 | 江苏瑞祥科技集团有限公司 | 面向网络购物平台大规模服务器集群的负载智能分析方法 |
| CN112330361A (zh) * | 2020-11-04 | 2021-02-05 | 江苏瑞祥科技集团有限公司 | 面向线上购物用户消费习惯的智能大数据分析设计方法 |
| CN112330362A (zh) * | 2020-11-04 | 2021-02-05 | 江苏瑞祥科技集团有限公司 | 用于互联网商城用户行为习惯的快速数据智能分析方法 |
| CN112580799A (zh) * | 2020-12-10 | 2021-03-30 | 江苏大学 | 一种面向多核处理器的并发htm空间池设计方法 |
Non-Patent Citations (8)
| Title |
|---|
| ABDULLAH M. ZYARAH ET AL: "Neuromemrisitive Architecture of HTM with On-Device Learning and Neurogenesis", ARXIV, pages 1 - 25 * |
| SCOTT PURDY: "Encoding Data for HTM Systems", ARXIV, pages 1 - 11 * |
| 傅军;许鑫;罗迪;朱天博;魏志丹;: "基于层级实时记忆模型的用电行为预测研究", 电气应用, no. 19, pages 78 - 82 * |
| 史涛 等: "层级时序记忆算法的连铸下渣预报方法研究", 机械设计与制造, pages 70 - 73 * |
| 康栋贺;邹自明;胡晓彦;钟佳;: "支持时空耦合计算的HTM-ST日地空间系统数据组织模型", 地球信息科学学报, no. 06, 17 July 2017 (2017-07-17), pages 735 - 743 * |
| 曾惟如;吴佳;闫飞;: "基于层级实时记忆算法的时间序列异常检测算法", 电子学报, no. 02, pages 72 - 79 * |
| 李裕礞;练绪宝;徐博;王健;林鸿飞;: "基于用户隐性反馈行为的下一个购物篮推荐", 中文信息学报, no. 05, 15 September 2017 (2017-09-15), pages 220 - 227 * |
| 李裕礞;练绪宝;徐博;王健;林鸿飞;: "基于用户隐性反馈行为的下一个购物篮推荐", 中文信息学报, no. 05, pages 220 - 227 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114387030B (zh) | 2024-03-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Saini | Peak load forecasting using Bayesian regularization, Resilient and adaptive backpropagation learning based artificial neural networks | |
| CN107330902B (zh) | 基于Arnold变换的混沌遗传BP神经网络图像分割方法 | |
| CN110852439A (zh) | 神经网络模型的压缩与加速方法、数据处理方法及装置 | |
| CN110780938B (zh) | 一种移动云环境下基于差分进化的计算任务卸载方法 | |
| Desai | Comparative analysis of optimizers in deep neural networks | |
| CN113537365B (zh) | 一种基于信息熵动态赋权的多任务学习自适应平衡方法 | |
| CN110020721B (zh) | 一种基于参数压缩的目标检测深度学习网络优化方法 | |
| CN117475038B (zh) | 一种图像生成方法、装置、设备及计算机可读存储介质 | |
| CN113610227A (zh) | 一种高效的深度卷积神经网络剪枝方法 | |
| Hu et al. | : Channel Pruning via Class-Aware Trace Ratio Optimization | |
| CN112036651A (zh) | 基于量子免疫优化bp神经网络算法的电价预测方法 | |
| CN114943335A (zh) | 一种三值神经网络逐层优化方法 | |
| Yao et al. | Rapq: Rescuing accuracy for power-of-two low-bit post-training quantization | |
| CN114387028B (zh) | 一种面向网络购物平台的商品需求量的智能分析方法 | |
| CN114387030B (zh) | 一种面向网络购物平台的在线用户量的智能分析方法 | |
| Ibrokhimov et al. | Effective node selection technique towards sparse learning | |
| CN117453391A (zh) | 基于rnn和粒子群的端边云异构资源调度方法及装置 | |
| Wang et al. | Structured feature sparsity training for convolutional neural network compression | |
| Peter et al. | Resource-efficient dnns for keyword spotting using neural architecture search and quantization | |
| CN117034060A (zh) | 基于ae-rcnn的洪水分级智能预报方法 | |
| CN115499511A (zh) | 一种基于时空图神经网络负载预测的微服务主动伸缩方法 | |
| CN113157453B (zh) | 一种基于任务复杂度的高能效目标检测任务动态调度方法 | |
| CN111738432B (zh) | 一种支持自适应并行计算的神经网络处理电路 | |
| CN114528094A (zh) | 基于lstm和遗传算法的分布式系统资源优化分配方法 | |
| CN112951201A (zh) | 一种营业厅环境下端到端的情感语音合成方法 |
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 |