CN108446794A - 一种基于多个卷积神经网络结合架构深度学习预测方法 - Google Patents

一种基于多个卷积神经网络结合架构深度学习预测方法 Download PDF

Info

Publication number
CN108446794A
CN108446794A CN201810157943.3A CN201810157943A CN108446794A CN 108446794 A CN108446794 A CN 108446794A CN 201810157943 A CN201810157943 A CN 201810157943A CN 108446794 A CN108446794 A CN 108446794A
Authority
CN
China
Prior art keywords
data
convolutional neural
neural networks
input
deep learning
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
Application number
CN201810157943.3A
Other languages
English (en)
Inventor
盛敏
李洋
文娟
李建东
张琰
刘润滋
李伟民
王瑞娜
陈人冰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xidian University
Original Assignee
Xidian University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xidian University filed Critical Xidian University
Priority to CN201810157943.3A priority Critical patent/CN108446794A/zh
Publication of CN108446794A publication Critical patent/CN108446794A/zh
Pending legal-status Critical Current

Links

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
    • G06N3/045—Combinations of networks
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06315—Needs-based resource requirements planning or analysis
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Educational Administration (AREA)
  • Health & Medical Sciences (AREA)
  • Signal Processing (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明属于数据识别及数据表示技术领域，公开了一种基于多个卷积神经网络结合架构深度学习预测方法，对数据进行维度变换；准备训练数据集，验证数据集和测试数据集；将维度变换后的数据按照周期状态编号对应输入不同的卷积神经网络中，经卷积神经网络处理后的数据按照时间先后顺序进行重排后输入深度全连接神经网络得到最后结果；使用验证集进行提前终止训练得到模型；预测测试集得到预测结果。本发明通过多个卷积神经网络分别处理不同周期状态的数据有针对性地挖掘数据规律信息，减少网络层数，卷积神经网络处理后的数据重排顺序后输入深度全连接神经网络，大大减小了数据维度，有效地缓解了过拟合，提升了预测准确度。

Description

一种基于多个卷积神经网络结合架构深度学习预测方法
技术领域
本发明属于数据识别及数据表示技术领域，尤其涉及一种基于多个卷积神经网络结合架构深度学习预测方法。
背景技术
目前，业内常用的现有技术是这样的：小区流量的预测是缓解小区压力的重要步骤，提前预知一个小区流量的变化情况对于资源的预分配，负载的均衡有着重要的意义，通过提前进行资源规划，不仅基站侧的压力可以减小，用户的使用体验也将大幅度提升。小区流量预测是一种时间序列预测问题，时间序列是按时间顺序的一组数字数列，是反映某一现象的统计指标，时间序列预测问题在实际应用中极为常见，目前主流的时间序列预测方法主要有三个大类，分别为1)基于时间序列分析的方法，2)基于统计学***均等方式找到合适的参数实现对未来数据的预测，典型的时间序列分析方法有Autoregressive Integrated Moving Average(ARIMA)模型、三次指数平滑算法等；使用统计学习的方法主要通过手动提取特征再搭配传统的回归模型进行模型构建，传统的回归模型包括线性回归、Gradient Boosting Decision Tree(GBDT)等；在时间序列问题中，深度学习常用的方法为Long Short-Term Memory(LSTM)神经网络，该网络因为其记忆特性，较适合时间序列问题的建模，在时间序列预测上得到了广泛应用。时间序列分析法和深度学习的方法对数据量的要求都比较高，短时间的数据很难使这两个模型达到令人满意的表现，故较短时间的数据一般采用传统统计学习手动提取特征的方式进行建模。而传统的统计学习手动提取特征的做法和时间序列分析的方法都存在需要大量经验与知识分析数据的问题，需要不断对模型进行改进寻找适合的参数，这一步需要大量的时间。使用深度学习则可自动学习特征，在不需要过多人工经验参与的情况下即可得到不错的结果。在可用信息比较多的情况下，可获得多条同步的时间序列，即多维时间序列，如小区流量预测问题中不仅能用到小区流量数据，同时小区的用户数等数据也可用于建模提供关键信息，针对这种多维度时间序列数据，传统的时间序列分析方法无法有效利用多维度信息，导致模型不能很好地反映数据的规律，另外由于小区流量噪声较多，变化规律较不稳定，且在基站处由于一些硬件上的限制，数据存储规模有限，能够利用训练的数据不够长，故时间序列分析的方法难以获得令人满意的结果。传统的统计学习方法需要人工构造特征，这一过程需要大量业务相关知识和特征工程的经验，手动提取特征的过程难免产生遗漏，缺乏经验的工程师很有可能既耗费了大量的时间，也没能得到较好的结果。同样，在训练数据较少、噪声较多的情况下，传统的深度学习方法，如LSTM、深度全连接神经网络等，在预测时间序列问题时使用同一张网络拟合任意时刻的数据，不同时刻的数据存在不同的规律，浅层的神经网络表现力较差，无法精准刻画数据变化情况，增加网络层数虽然能够对复杂的数据呈现更强的表现力，但网络中的参数也随着层数的加深而增加，过多的参数意味着对数据量的需求较大，数据量较小时极可能导致过拟合，尤其是数据量较小而噪声较多时，网络的收敛情况将极不稳定，导致较难获得稳定优秀的预测结果。
综上所述，现有技术存在的问题是：传统的深度学习方法存在训练数据量不够时结果不稳定，导致预测结果不准确。
解决上述技术问题的难度和意义：使用简单的网络结构难以表现数据的分布，使用复杂的网络结构将导致参数数量的上升，在数据量较小时无法获得稳定优秀结果，在数据量不够的情况下要获得优秀稳定的结果难度较高。解决该问题将对数据量较小的时间序列预测问题带来很大的帮助，在小区负载预测场景中，预测准确率的增加对于资源的预配置有重要指导作用，能显著提升用户体验并提高资源利用效率。
发明内容
针对现有技术存在的问题，本发明提供了一种基于多个卷积神经网络结合架构深度学习预测方法。
本发明是这样实现的，一种基于多个卷积神经网络结合架构深度学习预测方法，所述基于多个卷积神经网络结合架构深度学习预测方法将数据变换为n*m*k的维度，共n个时间点，每个时间点取前m个小时的k维数据，构造n个m*k的矩阵；使用多个卷积神经网络分别处理对应时间点的数据，通过较浅层的网络有效挖掘出数据中的规律；使用多个卷积神经网络分别提取历史较短期数据信息再整合。
进一步，所述基于多个卷积神经网络结合架构深度学习预测方法包括以下步骤：
步骤一，按照时间序列周期n及数据自身维度变换输入数据维度为n*m*k；
步骤二，根据时间将数据划分为训练集，验证集，测试集用于模型训练、评估与测试；
步骤三，构造n个相同的卷积神经网络；
步骤四，将步骤一中的数据按照其所在周期中第几个状态的编号输入对应的卷积神经网络中；
步骤五，将n个卷积神经网络的输出结果按照时间顺序进行重排，将重排之后的n个值输入深度全连接神经网络；
步骤六，设置网络损失函数、优化算法、学习速率、batchsize；
步骤七，使用验证集以提前终止的方式训练模型，训练得到模型；
步骤八，预测测试集，使用步骤七根据验证集准确率变化情况得到的模型，得到测试集的预测结果。
进一步，所述步骤四中将数据按照其所在周期中第几个状态的编号输入对应的卷积神经网络中的过程包括：时间序列数据周期为n，则对应n个卷积神经网络，输入维度为n*m*k，以一种固定的方式对周期数据编号，编号数据对应输入同编号的卷积神经网络。
进一步，所述步骤五中将n个卷积神经网络的输出结果按照时间顺序进行重排包括：对卷积神经网络输出的编号1～n的数据按照数据输入卷积神经网络之前的顺序重新排序，明确数据与待测时间数据的时间关系；输入卷积神经网络之前数据顺序为(n-p，n-p+1，···，n，1，···，n-p-1)，输入卷积神经网络按照编号对应关系输入，输出之后的数据重新排列为(n-p，n-p+1，···，n，1，···，n-p-1)输入深度全连接神经网络。
本发明的另一目的在于提供一种应用所述基于多个卷积神经网络结合架构深度学习预测方法的时间序列分析***。
综上所述，本发明的优点及积极效果为：本发明利用小区流量预测中能够使用多条时间序列数据的特点，将数据变换为n*m*k的维度，共n个时间点，每个时间点取前m个小时的k维数据，即构造n个m*k的矩阵。考虑到同一时刻的数据往往具备相同的规律，故使用多个卷积神经网络分别处理对应时间点的数据，通过该做法可使用较浅层的网络有效挖掘出数据中的规律，不仅利用到了多条时间序列上的信息，还能通过相同时间点对应相同卷积神经网络的方式，使用更少的数据、更浅层的网络挖掘到更多的信息，如表1所示，在所测试的三个小区上本发明均取得了不低于传统方法的准确率，平均准确率提升达到5％以上，有效提升了预测准确度。小区未来流量预测的准确预测对于小区资源预配置、负载的均衡有重要的指导作用，对于资源利用效率的提升及用户体验的改善有重要的意义，该预测准确率的提升将在降低运营商运营成本的同时提升用户体验。
本发明通过使用多个卷积神经网络分别提取历史较短期数据信息再整合的做法，能有效地发掘数据中隐含的规律，同时卷积神经网络输出处理后的结果输入深度全连接神经网络，大大降低了数据的维度，能有效缓解过拟合，提取有用信息。本发明使用多个对应不同时刻的卷积神经网络尽可能充分地利用到数据中包含的信息，同时配合全连接神经网络得到最后的输出，从多个卷积神经网络输出组合到深度全连接神经网络的过程还能起到有效的防止过拟合的作用。
附图说明
图1是本发明实施例提供的基于多个卷积神经网络结合架构深度学习预测方法流程图。
图2是本发明实施例提供的基于新型多个卷积神经网络结合架构的深度学习预测方法实现流程图。
图3是本发明实施例提供的网络整体结构图。
图4是本发明使用的卷积神经网络结构图(图3中卷积神经网络部分细化)。
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。
本发明基于新型多个卷积神经网络结合架构的深度学习预测方法，该方法能有效利用多维时间序列信息且在数据量不是很充分的情况下产生稳定且准确的结果。
如图1所示，本发明实施例提供的基于多个卷积神经网络结合架构深度学习预测方法包括以下步骤：
S101：对数据进行变换；
S102：准备训练数据集，验证数据集，测试数据集；
S103：构造卷积神经网络与深度全连接网络并依次输入数据；
S104：利用训练集与验证集完成训练；
S105：预测测试集结果。
本发明实施例提供的基于多个卷积神经网络结合架构深度学习预测方法包括以下步骤：
步骤一：按照时间序列周期n及数据自身维度变换输入数据维度为n*m*k。
步骤二：根据时间将数据划分为训练集，验证集，测试集用于模型训练、评估与测试。
步骤三：构造n个相同的卷积神经网络。
步骤四：将步骤一中的数据按照其所在周期中第几个状态的编号输入对应的卷积神经网络中。
步骤五：将n个卷积神经网络的输出结果按照时间顺序进行重排，将重排之后的n个值输入深度全连接神经网络。
步骤六：设置网络损失函数、优化算法、学习速率、batchsize等。
步骤七：使用验证集以提前终止的方式训练模型，训练得到模型。
步骤八：预测测试集，使用步骤七中根据验证集准确率变化情况得到的模型，得到测试集的预测结果。
步骤四中将数据按照其所在周期中第几个状态的编号输入对应的卷积神经网络中的过程包括：
假设时间序列数据周期为n，则对应n个卷积神经网络，输入维度为n*m*k，以一种固定的方式对周期数据编号(如一天24小时的编号)，编号数据对应输入同编号的卷积神经网络。
步骤五中将n个卷积神经网络的输出结果按照时间顺序进行重排包括：
对卷积神经网络输出的编号1～n的数据按照数据输入卷积神经网络之前的顺序重新排序，明确数据与待测时间数据的时间关系，例如：
假设输入卷积神经网络之前数据顺序为(n-p，n-p+1，···，n，1，···，n-p-1)，输入卷积神经网络按照编号对应关系输入，输出之后的数据重新排列为(n-p，n-p+1，···，n，1，···，n-p-1)输入深度全连接神经网络。
本发明使用网络预测小区上行流量数据，可以用来预测的数据共6维，包括：小区平均用户数、小区最大用户数、上行流量、上行最大流量、下行流量和下行最大流量。小区数据为小时级数据，呈现强烈的以天为周期的特性，即24个时间点为一个周期。
如图2所示，本发明实施例提供的基于多个卷积神经网络结合架构深度学习预测方法具体包括以下步骤：
步骤一：输入数据变换为24*6*6的矩阵，其中24为待测时间前24个时间点都进行此变换，对24个时间点，取自此时间点向前的6个时间点的数据，数据自身维度为6，故得到变换后的输入数据维度24*6*6。
步骤二：根据时间将数据划分为训练集，验证集，测试集用于模型训练、评估与测试。
步骤三：构造24个相同的卷积神经网络，网络结构如图4所示，参数配置如下：
(1)输入层为卷积核为2*2的卷积层，共64个卷积核；
(2)第二层接卷积核为2*2的卷积层，共64个卷积核；
(3)第三层为2*2的平均池化层，步长为2；
(4)第四层接卷积核为2*2的卷积层，共16个卷积核；
(5)第五层接卷积核为2*2的卷积层，共3个卷积核；
(6)第六层接输入为27，输出为1的全连接层，输出该网络结果；
(7)网络参数采用Xavier初始化方式进行初始化；
步骤四：将步骤一中的数据按照其所在周期中第几个状态的编号输入对应的卷积神经网络中，即，前24个时间点的数据，每个时间点的数据维度为6*6，所处状态编号为1的时间点的数据输入第一个卷积神经网络，所处状态为2的输入第二个卷积神经网络，以此类推，所处小时为0的输出第24个卷积神经网络。
步骤五：将24个卷积神经网络的输出结果按照时间顺序进行重排，将重排之后的24个值输入深度全连接神经网络，整体网络结构如图3所示，深度全连接神经网络每层神经元个数依次为：24，256，256，128，64，1，初始化方式为截断正态初始化。
步骤六：设置网络损失函数为绝对值损失，优化算法采用Adam算法，学习速率为1×10-6，使用min-batch的方式进行训练，batchsize为1，训练时深度全连接神经网络最后一层加入概率为0.5的dropout。
步骤七：使用提前终止的方式训练模型，具体实施方式为，每400轮计算一次验证集准确度，当验证集准确度连续50次记录都没有超过之前记录的最高一次记录时，停止训练得到模型。
步骤八：预测测试集，使用步骤七中根据验证集准确率变化情况得到的模型，得到测试集的预测结果。
下面结合仿真对本发明的应用效果做详细的描述。
1)仿真数据背景
采用3个小区历史用户数、流量真实数据，数据从2017-4-8至2017-6-15，中间有部分缺失，共45天数据，期望以大数据驱动的负载预测能够帮助运营商进行合理的资源预调度，降低成本。具体数据包括，小区平均用户数、小区最大用户数、小区上行流量、小区最大上行流量、小区下行流量和小区最大下行流量。仿真预测目标：3个小区在未来一小时的上行流量，评估指标准确率计算公式如下：
其中C为待预测小区个数，T为待预测时间段，predi,t为小区i在t时刻的预测值，yi,t为小区i在t时刻的真实值。
2)仿真内容与结果
将本发明与LSTM和深度全连接神经网络进行仿真对比，二者皆使用前24小时数据作为特征，LSTM使用一层，深度全连接神经网络使用6层网络，除输入层外其余层神经元个数均设为300。本发明参数取2017-6-15作为测试集。表1表明：在多个小区测试集中，本发明所提算法较原始算法***性能均有了明显的提升，本发明通过多卷积神经网络融合手段，较好的挖掘了多维时间序列的信息，提升了算法拟合能力，在多个小区上准确率均有明显上升，有效提升了算法的预测精度。
表1
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.一种基于多个卷积神经网络结合架构深度学习预测方法，其特征在于，所述基于多个卷积神经网络结合架构深度学习预测方法将数据变换为n*m*k的维度，共n个时间点，每个时间点取前m个小时的k维数据，构造n个m*k的矩阵；使用多个卷积神经网络分别处理对应时间点的数据，通过较浅层的网络有效挖掘出数据中的规律；使用多个卷积神经网络分别提取历史较短期数据信息再整合。
2.如权利要求1所述的基于多个卷积神经网络结合架构深度学习预测方法，其特征在于，所述基于多个卷积神经网络结合架构深度学习预测方法包括以下步骤：
步骤一，按照时间序列周期n及数据自身维度变换输入数据维度为n*m*k；
步骤二，根据时间将数据划分为训练集，验证集，测试集用于模型训练、评估与测试；
步骤三，构造n个相同的卷积神经网络；
步骤四，将步骤一中的数据按照其所在周期中第几个状态的编号输入对应的卷积神经网络中；
步骤五，将n个卷积神经网络的输出结果按照时间顺序进行重排，将重排之后的n个值输入深度全连接神经网络；
步骤六，设置网络损失函数、优化算法、学习速率、batchsize；
步骤七，使用验证集以提前终止的方式训练模型，训练得到模型；
步骤八，预测测试集，使用步骤七根据验证集准确率变化情况得到的模型，得到测试集的预测结果。
3.如权利要求2所述的基于多个卷积神经网络结合架构深度学习预测方法，其特征在于，所述步骤四中将数据按照其所在周期中第几个状态的编号输入对应的卷积神经网络中的过程包括：时间序列数据周期为n，则对应n个卷积神经网络，输入维度为n*m*k，以一种固定的方式对周期数据编号，编号数据对应输入同编号的卷积神经网络。
4.如权利要求2所述的基于多个卷积神经网络结合架构深度学习预测方法，其特征在于，所述步骤五中将n个卷积神经网络的输出结果按照时间顺序进行重排包括：对卷积神经网络输出的编号1～n的数据按照数据输入卷积神经网络之前的顺序重新排序，明确数据与待测时间数据的时间关系；输入卷积神经网络之前数据顺序为(n-p，n-p+1，···，n，1，···，n-p-1)，输入卷积神经网络按照编号对应关系输入，输出之后的数据重新排列为(n-p，n-p+1，···，n，1，···，n-p-1)输入深度全连接神经网络。
5.一种应用权利要求1～4任意一项所述基于多个卷积神经网络结合架构深度学习预测方法的时间序列分析***。
CN201810157943.3A 2018-02-25 2018-02-25 一种基于多个卷积神经网络结合架构深度学习预测方法 Pending CN108446794A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810157943.3A CN108446794A (zh) 2018-02-25 2018-02-25 一种基于多个卷积神经网络结合架构深度学习预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810157943.3A CN108446794A (zh) 2018-02-25 2018-02-25 一种基于多个卷积神经网络结合架构深度学习预测方法

Publications (1)

Publication Number Publication Date
CN108446794A true CN108446794A (zh) 2018-08-24

Family

ID=63192915

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810157943.3A Pending CN108446794A (zh) 2018-02-25 2018-02-25 一种基于多个卷积神经网络结合架构深度学习预测方法

Country Status (1)

Country Link
CN (1) CN108446794A (zh)

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109460855A (zh) * 2018-09-29 2019-03-12 中山大学 一种基于聚焦机制的群体流量预测模型及方法
CN110018322A (zh) * 2019-04-18 2019-07-16 北京先见智控科技有限公司 一种基于深度学习的转速检测方法及***
CN110175711A (zh) * 2019-05-17 2019-08-27 北京市天元网络技术股份有限公司 一种基于联合lstm基站小区流量预测方法以及装置
CN110264251A (zh) * 2019-05-31 2019-09-20 杭州博钊科技有限公司 表征现金流的数据组织形式与基于多任务学习的预测方法
CN111327453A (zh) * 2020-01-19 2020-06-23 国网福建省电力有限公司经济技术研究院 一种考虑网格化动态、静态分量的通信带宽估算方法
CN111445002A (zh) * 2019-01-16 2020-07-24 中国科学院上海高等研究院 能源需求量预测方法/***、存储介质及设备
CN112001519A (zh) * 2020-05-20 2020-11-27 国网浙江省电力有限公司 一种基于深度神经网络的电力负荷预测方法
CN112182961A (zh) * 2020-09-23 2021-01-05 中国南方电网有限责任公司超高压输电公司 一种换流站无线网络信道大尺度衰落建模预测方法
CN112215390A (zh) * 2019-07-12 2021-01-12 国际商业机器公司 使用三维变换执行多元时间序列预测
CN112637904A (zh) * 2019-09-24 2021-04-09 ***通信集团陕西有限公司 负载均衡方法、装置及计算设备
CN112764932A (zh) * 2021-01-27 2021-05-07 西安电子科技大学 基于深度强化学习的计算密集型工作负载高能效分配方法
CN112949107A (zh) * 2019-12-10 2021-06-11 通用汽车环球科技运作有限责任公司 用于应力分布预测的复合神经网络架构
CN113347657A (zh) * 2021-04-01 2021-09-03 青岛科技大学 移动通信***的安全容量性能预测方法
CN113408770A (zh) * 2020-03-16 2021-09-17 中国人民解放军陆军装甲兵学院 基于深度学习的装备维修时机预测方法
CN115050006A (zh) * 2022-06-21 2022-09-13 荆州职业技术学院 一种基于卷积神经网络的车道偏离预警方法及***
CN115238763A (zh) * 2022-06-10 2022-10-25 西北工业大学 基于深度学习的仿蝠鲼航行器多周期水动力实验数据增强方法

Cited By (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109460855A (zh) * 2018-09-29 2019-03-12 中山大学 一种基于聚焦机制的群体流量预测模型及方法
CN111445002A (zh) * 2019-01-16 2020-07-24 中国科学院上海高等研究院 能源需求量预测方法/***、存储介质及设备
CN111445002B (zh) * 2019-01-16 2023-10-31 中国科学院上海高等研究院 能源需求量预测方法/***、存储介质及设备
CN110018322A (zh) * 2019-04-18 2019-07-16 北京先见智控科技有限公司 一种基于深度学习的转速检测方法及***
CN110175711A (zh) * 2019-05-17 2019-08-27 北京市天元网络技术股份有限公司 一种基于联合lstm基站小区流量预测方法以及装置
CN110264251A (zh) * 2019-05-31 2019-09-20 杭州博钊科技有限公司 表征现金流的数据组织形式与基于多任务学习的预测方法
CN110264251B (zh) * 2019-05-31 2021-08-10 杭州博钊科技有限公司 表征现金流的数据组织形式与基于多任务学习的预测方法
CN112215390A (zh) * 2019-07-12 2021-01-12 国际商业机器公司 使用三维变换执行多元时间序列预测
CN112637904B (zh) * 2019-09-24 2024-04-12 ***通信集团陕西有限公司 负载均衡方法、装置及计算设备
CN112637904A (zh) * 2019-09-24 2021-04-09 ***通信集团陕西有限公司 负载均衡方法、装置及计算设备
CN112949107A (zh) * 2019-12-10 2021-06-11 通用汽车环球科技运作有限责任公司 用于应力分布预测的复合神经网络架构
CN111327453A (zh) * 2020-01-19 2020-06-23 国网福建省电力有限公司经济技术研究院 一种考虑网格化动态、静态分量的通信带宽估算方法
CN111327453B (zh) * 2020-01-19 2023-04-07 国网福建省电力有限公司经济技术研究院 一种考虑网格化动态、静态分量的通信带宽估算方法
CN113408770A (zh) * 2020-03-16 2021-09-17 中国人民解放军陆军装甲兵学院 基于深度学习的装备维修时机预测方法
CN112001519A (zh) * 2020-05-20 2020-11-27 国网浙江省电力有限公司 一种基于深度神经网络的电力负荷预测方法
CN112182961B (zh) * 2020-09-23 2023-01-31 中国南方电网有限责任公司超高压输电公司 一种换流站无线网络信道大尺度衰落建模预测方法
CN112182961A (zh) * 2020-09-23 2021-01-05 中国南方电网有限责任公司超高压输电公司 一种换流站无线网络信道大尺度衰落建模预测方法
CN112764932B (zh) * 2021-01-27 2022-12-02 西安电子科技大学 基于深度强化学习的计算密集型工作负载高能效分配方法
CN112764932A (zh) * 2021-01-27 2021-05-07 西安电子科技大学 基于深度强化学习的计算密集型工作负载高能效分配方法
CN113347657B (zh) * 2021-04-01 2022-04-29 青岛科技大学 移动通信***的安全容量性能预测方法
CN113347657A (zh) * 2021-04-01 2021-09-03 青岛科技大学 移动通信***的安全容量性能预测方法
CN115238763A (zh) * 2022-06-10 2022-10-25 西北工业大学 基于深度学习的仿蝠鲼航行器多周期水动力实验数据增强方法
CN115238763B (zh) * 2022-06-10 2024-02-13 西北工业大学 基于深度学习的仿蝠鲼航行器多周期水动力实验数据增强方法
CN115050006A (zh) * 2022-06-21 2022-09-13 荆州职业技术学院 一种基于卷积神经网络的车道偏离预警方法及***

Similar Documents

Publication Publication Date Title
CN108446794A (zh) 一种基于多个卷积神经网络结合架构深度学习预测方法
CN108846517B (zh) 一种分位数概率性短期电力负荷预测集成方法
CN102567391B (zh) 一种分类预测混合模型的建立方法及装置
CN107330514B (zh) 一种基于集成极限学习机的空气质量预测方法
CN108764273A (zh) 一种数据处理的方法、装置、终端设备及存储介质
CN103106535B (zh) 一种基于神经网络解决协同过滤推荐数据稀疏性的方法
CN112054943B (zh) 一种移动网络基站流量预测方法
CN104636801A (zh) 一种基于优化bp神经网络的预测输电线路可听噪声方法
CN109558897A (zh) 一种基于数据挖掘的电网规划多场景提取方法
CN105893669A (zh) 一种基于数据挖掘的全局仿真性能预测方法
CN108984830A (zh) 一种基于模糊网络分析的建筑能效评价方法及装置
CN113987936B (zh) 一种基于混沌遗传算法的装备试验资源统筹调配方法
CN107609141A (zh) 一种对大规模可再生能源数据进行快速概率建模方法
CN113344288B (zh) 梯级水电站群水位预测方法、装置及计算机可读存储介质
CN104050547A (zh) 一种油田开发规划方案非线性优选决策方法
CN110866640A (zh) 一种基于深度神经网络的电力负荷预测方法
CN109754122A (zh) 一种基于随机森林特征提取的bp神经网络的数值预测方法
CN109214565A (zh) 一种适用于大电网分区调度的子区域***负荷预测方法
CN105260615B (zh) 一种粮食消费量预测方法
Tian et al. A network traffic hybrid prediction model optimized by improved harmony search algorithm
CN107392446A (zh) 一种基于敏感性分析的梯级水电站调度方案评价方法
CN112766600A (zh) 一种城市区域人群流量预测方法及***
CN116050595A (zh) 一种注意力机制与分解机制耦合的径流量预测方法
Liu et al. Research on multi-digital twin and its application in wind power forecasting
CN103530700A (zh) 城区配电网饱和负荷综合预测方法

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20180824