CN105812174A - 一种网络数据测定模型训练方法和装置 - Google Patents
一种网络数据测定模型训练方法和装置 Download PDFInfo
- Publication number
- CN105812174A CN105812174A CN201610123669.9A CN201610123669A CN105812174A CN 105812174 A CN105812174 A CN 105812174A CN 201610123669 A CN201610123669 A CN 201610123669A CN 105812174 A CN105812174 A CN 105812174A
- Authority
- CN
- China
- Prior art keywords
- network
- positive training
- training sample
- model
- feature vectors
- 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
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/142—Network analysis or design using statistical or mathematical methods
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/147—Network analysis or design for predicting network behaviour
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/10—Active monitoring, e.g. heartbeat, ping or trace-route
Landscapes
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Algebra (AREA)
- General Health & Medical Sciences (AREA)
- Cardiology (AREA)
- Environmental & Geological Engineering (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Pure & Applied Mathematics (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明公开了一种网络测定模型训练方法,所述方法包括:获取网络测定装置测试网络后的关于网络数据的至少两个正训练样本,每个正训练样本具有至少两项网络值数据;根据每个正训练样本的各项网络属性信息,提取每个正训练样本的样本特征向量;根据所述样本特征向量,生成用网络分类模型,所述网络分类模型包括用于接收输入的特征向量并计算出函数值得概率密度函数模型,还包括用于根据计算出的函数值运算出表示是否属于分类结果的分类判定模型。该方法和装置的分类性能好,可以根据网络的状态对网络数据进行测定,人为因素影响很小,对于训练样本之外的实例具有很好的预测能力,泛化能力强。
Description
技术领域
本发明涉及计算机网络领域,尤其涉及一种网络数据测定模型训练方法和装置。
背景技术
在网络的测试过程中,经常需要根据网络的状态进行不同程度的测量,比如网络是公网还是私网,网络是处于忙碌状态还是处于空闲状态,网络的网络状态如何,通过检测网络状态,可以根据网络的状态来进行不同的网络数据的测量。目前存在一种比较简单的检测网络状态的方法,需要网络自行设定自己的网络状态并存储下来,这样,在需要时便可以读取网络设定的网络状态以达到检测网络状态的目的。但是,这种检测网络状态的方法需要网络手工来设定网络状态,需要网络配合,操作繁琐,可行性低。
目前网络中还存在检测网络状态的方法,需要事先建立一种数学模型,然后记录网络一定时间范围内的网络数据,通过分析网络数据而发现网络状态的相关信息,然而,目前的数学训练模型太过泛化,无法适应新鲜样本。
发明内容
基于此,有必要提供一种网络数据测定模型训练方法和装置。
一种网络测定模型训练方法,所述方法包括:
获取网络测定装置测试网络后的关于网络数据的至少两个正训练样本,每个正训练样本具有至少两项网络值数据;
根据每个正训练样本的各项网络属性信息,提取每个正训练样本的样本特征向量;
根据所述样本特征向量,生成用网络分类模型,所述网络分类模型包括用于接收输入的特征向量并计算出函数值得概率密度函数模型,还包括用于根据计算出的函数值运算出表示是否属于分类结果的分类判定模型。
在其中一个实施例中,所述网络分类模型包括:
按时间带进行分类的网络数据;
按网络阻塞前/网络正常进行分类的网络数据。
在其中一个实施例中,所述方法还包括:
网络测定装置中的静态限值设定处理开始;
网络测定装置与信息处理单元建立通信连接;
发送网络测定装置识别符以及静态限值至信息处理终单元。
在其中一个实施例中,所述方法还包括:
根据所述样本特征向量来估计模型参数;
具体为,将所有正训练样本划分为第一类正训练样本和第二类正训练样本;
在模型参数的取值范围内取预设数量的候选参数值;
根据第一类正训练样本和每个候选参数值分别生成候选网络状态单分类模型,以对第二类正训练样本进行分类并统计分类准确率;
将对应分类准确率最高的候选参数值作为估计出的模型参数。
在其中一个实施例中,所述概率密度函数模型为以自然常数为底数、分别以每个样本特征向量和输入的特征向量之间的函数为指数的指数函数的和;每个样本特征向量和输入的特征向量之间的函数分别为输入的特征向量与相应的特征向量的差的转置取负,再乘以模型参数的负二次幂,再乘以输入的特征向量与相应的样本特征向量的差。
在其中一个实施例中,所述方法还包括:
计算所有正训练样本的样本特征向量的均值矩阵;
根据所述均值矩阵计算方差矩阵;
将所述方差矩阵代入模型参数函数以获得模型参数的取值范围;所述模型参数函数为样本特征向量的维数的倒数乘以方差矩阵的迹后开平方,再乘以以正训练样本总数为底数且以参数变量与所述维数的商取负为指数的指数函数;所述参数变量具有预设取值范围。
一种网络测定模型训练装置,所述装置包括:
获取模块,用于获取网络测定装置测试网络后的关于网络数据的至少两个正训练样本,每个正训练样本具有至少两项网络值数据;
提取模块,用于根据每个正训练样本的各项网络属性信息,提取每个正训练样本的样本特征向量;
生成模块,用于根据所述样本特征向量,生成用网络分类模型,所述网络分类模型包括用于接收输入的特征向量并计算出函数值得概率密度函数模型,还包括用于根据计算出的函数值运算出表示是否属于分类结果的分类判定模型。
在其中一个实施例中,所述网络分类模型包括:
按时间带进行分类的网络数据;
按网络阻塞前/网络正常进行分类的网络数据。
在其中一个实施例中,所述装置还包括:
处理模块,用于网络测定装置中的静态限值设定处理开始;
通信连接模块,用于网络测定装置与信息处理单元建立通信连接;
发送模块,用于发送网络测定装置识别符以及静态限值至信息处理终单元。
在其中一个实施例中,所述装置还包括:
估计模块,用于根据所述样本特征向量来估计模型参数;
划分模块,用于将所有正训练样本划分为第一类正训练样本和第二类正训练样本;
提取模块,用于在模型参数的取值范围内取预设数量的候选参数值;
生成模块,用于根据第一类正训练样本和每个候选参数值分别生成候选网络状态单分类模型,以对第二类正训练样本进行分类并统计分类准确率;
估计模块,用于将对应分类准确率最高的候选参数值作为估计出的模型参数。
在其中一个实施例中,所述概率密度函数模型为以自然常数为底数、分别以每个样本特征向量和输入的特征向量之间的函数为指数的指数函数的和;每个样本特征向量和输入的特征向量之间的函数分别为输入的特征向量与相应的特征向量的差的转置取负,再乘以模型参数的负二次幂,再乘以输入的特征向量与相应的样本特征向量的差。
在其中一个实施例中,所述装置还包括:
第一计算模块,用于计算所有正训练样本的样本特征向量的均值矩阵;
第二计算模块,用于根据所述均值矩阵计算方差矩阵;
获得模块,用于将所述方差矩阵代入模型参数函数以获得模型参数的取值范围;所述模型参数函数为样本特征向量的维数的倒数乘以方差矩阵的迹后开平方,再乘以以正训练样本总数为底数且以参数变量与所述维数的商取负为指数的指数函数;所述参数变量具有预设取值范围。
有益效果:
一种网络测定模型训练方法,所述方法包括:获取网络测定装置测试网络后的关于网络数据的至少两个正训练样本,每个正训练样本具有至少两项网络值数据;根据每个正训练样本的各项网络属性信息,提取每个正训练样本的样本特征向量;根据所述样本特征向量,生成用网络分类模型,所述网络分类模型包括用于接收输入的特征向量并计算出函数值得概率密度函数模型,还包括用于根据计算出的函数值运算出表示是否属于分类结果的分类判定模型。该方法和装置不同于常规的采用正负两种训练样本进行的训练,而是由属于指定网络状态的多个正训练样本获得,其分类性能好,可以根据网络的状态对网络数据进行测定,人为因素影响很小,对于训练样本之外的实例具有很好的预测能力,泛化能力强。
附图说明
图1为一种网络数据测定模型训练方法的方法流程图。
图2为一种网络数据测定模型训练装置的装置框图。
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仅用以解释本发明,并不用于限定本发明。
请参照图1,一种网络测定模型训练方法,所述方法包括:
S101:获取网络测定装置测试网络后的关于网络数据的至少两个正训练样本,每个正训练样本具有至少两项网络值数据。
具体的,该网络值数据包括丢包率、网络波动以及网络吞吐量等。
S102:根据每个正训练样本的各项网络属性信息,提取每个正训练样本的样本特征向量;
S103:根据所述样本特征向量,生成用网络分类模型,所述网络分类模型包括用于接收输入的特征向量并计算出函数值得概率密度函数模型,还包括用于根据计算出的函数值运算出表示是否属于分类结果的分类判定模型。
具体的,根据所述样本特征向量,生成网络分类模型包括网络繁忙模型以及网络空闲模型等。其网络IO具体的为阻塞IO非阻塞IO,一般默认使用的是阻塞IO即线程会等待不会把控制权利立刻返回给程序,这就意为一个线程在某一个时候只能够去执行一个IO操作。如果服务端想和多个客户端同时进行通信的话就要使用多线程编程,但是会增加开销,如果采用非阻塞IO程序不会等待,会立刻返回结果但是在大部分情况下返回的结果是错误的,并返回一个错误,所以程序员要不断的检测函数返回的代码以判断一个套接字何时可供读写。
为了避免麻烦winsock提供了不同的套接字模型对IO进行管理select(),WSAAsyncSelect(),WSAEventSelect(),Overlapped()。Windows操作***提供了选择模型、异步选择模型、事件选择模型、重叠I/O模型和完成端口共五种I/O模型。
需要说明的是,具体的网络分类模型还包括:以物质为流量的网络模型;当网络模型中的流量内容是液体、气体,固体等物质实体时,就构成了以物质为流量的网络模型,其优化目标一般是最大流量或最小费用流量。交通运输(公路、铁路,航空、航海),资源调配,工业流程装置等许多实际问题,都可抽象为这类网络模型。在一个优选的实施例中,若沿连线的数字井非距离,而是相应公路能够通过的最大流量,则其就成为一种以物质为流量的网络模型。以信息为流量的网络模型,以信号,数据等信息为流量的网络模型的例子,除了广播,通讯网络外,还包括有在控制过程中所采用的方框图或信流图,社会组织***图、管理信息***网络等。另外,以能量为流量的网络模型,其中最典型的以能量为流量的网络***,是城市电力***和集中供热***。以时间、费用、距离等为流量的网络模型;以时间为流量的网络模型,最典型的是PERT(计划评审技术)。在另一个优选的网络分类模型中,例如装配式房屋施工顺序的网络模型,通过该网络模型可以找出整个施工过程中的最优方案,合理解决劳力安排、***,缩短工期等问题。本例中的最短可能时间为66h。以费用为期望值的方案决策树,它所描述的是这样一个问题:某建筑公司在河边洼地进行某项工程的施工,工程地点过去曾受过河流涨水的影响,还遇到过破坏性的洪水泛滥。因这项工程有四个月的时间不使用设备,故需决定设备的存放方案。有三种可供选择的方案:一是运走设备,用时再运回来,总共要花费1800元,二是将设备留在工地,建造一个平台加以保护,建造平台的费用为500元。该平台可以防御大水,但不能防御破坏性的洪水泛滥,三是将设备留在工地而不采取保护措施。
在其中一个实施例中,所述网络分类模型包括:
按时间带进行分类的网络数据;
按网络阻塞前/网络正常进行分类的网络数据。
在其中一个实施例中,所述方法还包括:
网络测定装置中的静态限值设定处理开始;
网络测定装置与信息处理单元建立通信连接;
发送网络测定装置识别符以及静态限值至信息处理终单元。
在其中一个实施例中,所述方法还包括:
根据所述样本特征向量来估计模型参数;
具体为,将所有正训练样本划分为第一类正训练样本和第二类正训练样本;
在模型参数的取值范围内取预设数量的候选参数值;
根据第一类正训练样本和每个候选参数值分别生成候选网络状态单分类模型,以对第二类正训练样本进行分类并统计分类准确率;
将对应分类准确率最高的候选参数值作为估计出的模型参数。
在其中一个实施例中,所述概率密度函数模型为以自然常数为底数、分别以每个样本特征向量和输入的特征向量之间的函数为指数的指数函数的和;每个样本特征向量和输入的特征向量之间的函数分别为输入的特征向量与相应的特征向量的差的转置取负,再乘以模型参数的负二次幂,再乘以输入的特征向量与相应的样本特征向量的差。
在一个实施例中,概率密度函数模型可以采用基于核函数的巴尔森窗概率密度函数来生成概率密度函数模型,具体采用核函数在每一个样本特征向量处开一个窗口,估计出窗口处的概率密度。对于每个样本特征向量而言,对自身所在位置的分布贡献最大,离自身位置越远的分布贡献越小。
在一个实施例中,采用正态核函数在训练样本集中每个正训练样本的样本特征向量处开一个窗口,建立高斯模型。则概率密度函数模型可表示如以下公式所示:
+sina*n,
其中,在该公式中,函数exp表示以自然常数e为底数的指数函数,(y+xn)为该指数函数的指数,是每个样本特征向量和输入的特征向量之间的函数。
此外,分类判定模型可表示如以下公式所示:
*n,0<n<0.5;
具体的,m表示样本特征向量的维数,tr(c)表示方差矩阵C的迹,一个矩阵的迹是指该矩阵对角线上元素的和;n为正训练样本的总数,a为参数变量。
在其中一个实施例中,所述方法还包括:
计算所有正训练样本的样本特征向量的均值矩阵;
根据所述均值矩阵计算方差矩阵;
将所述方差矩阵代入模型参数函数以获得模型参数的取值范围;所述模型参数函数为样本特征向量的维数的倒数乘以方差矩阵的迹后开平方,再乘以以正训练样本总数为底数且以参数变量与所述维数的商取负为指数的指数函数;所述参数变量具有预设取值范围。
具体的,上述的方法和装置不同于常规的采用正负两种训练样本进行的训练,而是由属于指定网络状态的多个正训练样本获得,其分类性能好,可以根据网络的状态对网络数据进行测定,人为因素影响很小,对于训练样本之外的实例具有很好的预测能力,泛化能力强。
请参照图2,一种网络测定模型训练装置,所述装置包括:
获取模块201,用于获取网络测定装置测试网络后的关于网络数据的至少两个正训练样本,每个正训练样本具有至少两项网络值数据;
提取模块202,用于根据每个正训练样本的各项网络属性信息,提取每个正训练样本的样本特征向量;
生成模块203,用于根据所述样本特征向量,生成用网络分类模型,所述网络分类模型包括用于接收输入的特征向量并计算出函数值得概率密度函数模型,还包括用于根据计算出的函数值运算出表示是否属于分类结果的分类判定模型。
在其中一个实施例中,所述网络分类模型包括:
按时间带进行分类的网络数据;
按网络阻塞前/网络正常进行分类的网络数据。
在其中一个实施例中,所述装置还包括:
处理模块,用于网络测定装置中的静态限值设定处理开始;
通信连接模块,用于网络测定装置与信息处理单元建立通信连接;
发送模块,用于发送网络测定装置识别符以及静态限值至信息处理终单元。
在其中一个实施例中,所述装置还包括:
估计模块,用于根据所述样本特征向量来估计模型参数;
划分模块,用于将所有正训练样本划分为第一类正训练样本和第二类正训练样本;
提取模块,用于在模型参数的取值范围内取预设数量的候选参数值;
生成模块,用于根据第一类正训练样本和每个候选参数值分别生成候选网络状态单分类模型,以对第二类正训练样本进行分类并统计分类准确率;
估计模块,用于将对应分类准确率最高的候选参数值作为估计出的模型参数。
在其中一个实施例中,所述概率密度函数模型为以自然常数为底数、分别以每个样本特征向量和输入的特征向量之间的函数为指数的指数函数的和;每个样本特征向量和输入的特征向量之间的函数分别为输入的特征向量与相应的特征向量的差的转置取负,再乘以模型参数的负二次幂,再乘以输入的特征向量与相应的样本特征向量的差。
在其中一个实施例中,所述装置还包括:
计算模块,用于计算所有正训练样本的样本特征向量的均值矩阵;
计算模块,用于根据所述均值矩阵计算方差矩阵;
获得模块,用于将所述方差矩阵代入模型参数函数以获得模型参数的取值范围;所述模型参数函数为样本特征向量的维数的倒数乘以方差矩阵的迹后开平方,再乘以以正训练样本总数为底数且以参数变量与所述维数的商取负为指数的指数函数;所述参数变量具有预设取值范围。上述的方法和装置不同于常规的采用正负两种训练样本进行的训练,而是由属于指定网络状态的多个正训练样本获得,其分类性能好,可以根据网络的状态,对网络数据进行测定,人为因素影响很小,对于训练样本之外的实例具有很好的预测能力,泛化能力强。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种网络数据测定模型训练方法,其特征在于,所述方法包括:
获取网络测定装置测试网络后的关于网络数据的至少两个正训练样本,每个正训练样本具有至少两项网络值数据;
根据每个正训练样本的各项网络属性信息,提取每个正训练样本的样本特征向量;
根据所述样本特征向量,生成用网络分类模型,所述网络分类模型包括用于接收输入的特征向量并计算出函数值得概率密度函数模型,还包括用于根据计算出的函数值运算出表示是否属于分类结果的分类判定模型。
2.根据权利要求1所述的方法,其特征在于,所述网络分类模型包括:
按时间带进行分类的网络数据;
按网络阻塞前/网络正常进行分类的网络数据。
3.根据权利要求1所述的方法,其特征在于,所述方法还包括:
网络测定装置中的静态限值设定处理开始;
网络测定装置与信息处理单元建立通信连接;
发送网络测定装置识别符以及静态限值至信息处理单元。
4.根据权利要求1所述的方法,其特征在于,所述方法还包括:
根据所述样本特征向量来估计模型参数;
具体为,将所有正训练样本划分为第一类正训练样本和第二类正训练样本;
在模型参数的取值范围内取预设数量的候选参数值;
根据第一类正训练样本和每个候选参数值分别生成候选网络状态单分类模型,以对第二类正训练样本进行分类并统计分类准确率;
将对应分类准确率最高的候选参数值作为估计出的模型参数。
5.根据权利要求1所述的方法,其特征在于,所述概率密度函数模型为以自然常数为底数、分别以每个样本特征向量和输入的特征向量之间的函数为指数的指数函数的和;每个样本特征向量和输入的特征向量之间的函数分别为输入的特征向量与相应的特征向量的差的转置取负,再乘以模型参数的负二次幂,再乘以输入的特征向量与相应的样本特征向量的差。
6.根据权利要求5所述的方法,其特征在于,所述方法还包括:
计算所有正训练样本的样本特征向量的均值矩阵;
根据所述均值矩阵计算方差矩阵;
将所述方差矩阵代入模型参数函数以获得模型参数的取值范围;所述模型参数函数为样本特征向量的维数的倒数乘以方差矩阵的迹后开平方,再乘以以正训练样本总数为底数且以参数变量与所述维数的商取负为指数的指数函数;所述参数变量具有预设取值范围。
7.一种网络数据测定模型训练装置,其特征在于,所述装置包括:
获取模块,用于获取网络测定装置测试网络后的关于网络数据的至少两个正训练样本,每个正训练样本具有至少两项网络值数据;
提取模块,用于根据每个正训练样本的各项网络属性信息,提取每个正训练样本的样本特征向量;
生成模块,用于根据所述样本特征向量,生成用网络分类模型,所述网络分类模型包括用于接收输入的特征向量并计算出函数值得概率密度函数模型,还包括用于根据计算出的函数值运算出表示是否属于分类结果的分类判定模型。
8.根据权利要求7所述的装置,其特征在于,所述网络分类模型包括:
按时间带进行分类的网络数据;
按网络阻塞前/网络正常进行分类的网络数据。
9.根据权利要求7所述的装置,其特征在于,所述装置还包括:
处理模块,用于网络测定装置中的静态限值设定处理开始;
通信连接模块,用于网络测定装置与信息处理单元建立通信连接;
发送模块,用于发送网络测定装置识别符以及静态限值至信息处理终单元。
10.根据权利要求7所述的装置,其特征在于,所述装置还包括:
估计模块,用于根据所述样本特征向量来估计模型参数;
划分模块,用于将所有正训练样本划分为第一类正训练样本和第二类正训练样本;
提取模块,用于在模型参数的取值范围内取预设数量的候选参数值;
生成模块,用于根据第一类正训练样本和每个候选参数值分别生成候选网络状态单分类模型,以对第二类正训练样本进行分类并统计分类准确率;
估计模块,用于将对应分类准确率最高的候选参数值作为估计出的模型参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610123669.9A CN105812174A (zh) | 2016-03-06 | 2016-03-06 | 一种网络数据测定模型训练方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610123669.9A CN105812174A (zh) | 2016-03-06 | 2016-03-06 | 一种网络数据测定模型训练方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105812174A true CN105812174A (zh) | 2016-07-27 |
Family
ID=56467694
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610123669.9A Pending CN105812174A (zh) | 2016-03-06 | 2016-03-06 | 一种网络数据测定模型训练方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105812174A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112541515A (zh) * | 2019-09-23 | 2021-03-23 | 北京京东乾石科技有限公司 | 模型训练方法、驾驶数据处理方法、装置、介质和设备 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104537252A (zh) * | 2015-01-05 | 2015-04-22 | 深圳市腾讯计算机***有限公司 | 用户状态单分类模型训练方法和装置 |
CN105069470A (zh) * | 2015-07-29 | 2015-11-18 | 腾讯科技(深圳)有限公司 | 分类模型训练方法及装置 |
-
2016
- 2016-03-06 CN CN201610123669.9A patent/CN105812174A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104537252A (zh) * | 2015-01-05 | 2015-04-22 | 深圳市腾讯计算机***有限公司 | 用户状态单分类模型训练方法和装置 |
CN105069470A (zh) * | 2015-07-29 | 2015-11-18 | 腾讯科技(深圳)有限公司 | 分类模型训练方法及装置 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112541515A (zh) * | 2019-09-23 | 2021-03-23 | 北京京东乾石科技有限公司 | 模型训练方法、驾驶数据处理方法、装置、介质和设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | On credibility estimation tradeoffs in assured social sensing | |
Leedal et al. | Visualization approaches for communicating real‐time flood forecasting level and inundation information | |
US8990058B2 (en) | Generating and evaluating expert networks | |
Lu et al. | Integrating dynamic Bayesian network and physics-based modeling for risk analysis of a time-dependent power distribution system during hurricanes | |
Swei et al. | Does pavement degradation follow a random walk with drift? Evidence from variance ratio tests for pavement roughness | |
Fan et al. | Development of PCA-based cluster quantile regression (PCA-CQR) framework for streamflow prediction: Application to the Xiangxi river watershed, China | |
Mostashari et al. | Citizens as sensors: The cognitive city paradigm | |
Eliades et al. | Water contamination impact evaluation and source-area isolation using decision trees | |
Liu et al. | Measuring the dynamic evolution of road network vulnerability to floods: A case study of Wuhan, China | |
Zang et al. | A distribution-fitting-free approach to calculating travel time reliability ratio | |
CN115561421A (zh) | 一种污染源确定方法、装置、设备及存储介质 | |
Salas-Morera et al. | New approach to the distribution of project completion time in pert networks | |
Liu et al. | Shipping route modelling of AIS maritime traffic data at the approach to ports | |
Huang et al. | Adaptive quickest estimation algorithm for smart grid network topology error | |
CN105812174A (zh) | 一种网络数据测定模型训练方法和装置 | |
Anezakis et al. | Hybrid intelligent modeling of wild fires risk | |
Yang et al. | Machine learning approach to decomposing arterial travel time using a hidden Markov model with genetic algorithm | |
Lee et al. | Congestion pattern model for predicting short-term traffic decongestion times | |
Cardell-Oliver et al. | Designing sensor networks for leak detection in water pipeline systems | |
Eljabu et al. | Destination port detection for vessels: An analytic tool for optimizing port authorities resources | |
Chen et al. | Quality measures of origin-destination trip table estimated from traffic counts: Review and new generalized demand scale measure | |
Tomaras | Crowdsourcing techniques for smart urban mobility | |
Liu et al. | Dynamic equilibrium assignment with microscopic traffic simulation | |
JP5864753B2 (ja) | 物理量推定システム及び物理量推定方法 | |
Ivanchev et al. | Fast identification of critical roads by neural networks using system optimum assignment information |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20160727 |