CN110460463A - 基于深度神经网络的服务质量预测方法及其*** - Google Patents
基于深度神经网络的服务质量预测方法及其*** Download PDFInfo
- Publication number
- CN110460463A CN110460463A CN201910671422.4A CN201910671422A CN110460463A CN 110460463 A CN110460463 A CN 110460463A CN 201910671422 A CN201910671422 A CN 201910671422A CN 110460463 A CN110460463 A CN 110460463A
- Authority
- CN
- China
- Prior art keywords
- information
- module
- deep neural
- neural network
- network
- 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
Classifications
-
- 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
- G06N3/08—Learning 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
- H04L41/145—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
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/50—Testing arrangements
- H04L43/55—Testing of service level quality, e.g. simulating service usage
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Quality & Reliability (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
- Compression, Expansion, Code Conversion, And Decoders (AREA)
- Computer And Data Communications (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于深度神经网络的服务质量预测方法及其***,涉及网络服务技术领域。该方法包括以下步骤:输入请求上下文变量信息,并通过实体表达矩阵在编码模块进行编码,以得到嵌入式请求矩阵;将经过编码的所述上下文变量信息进行压缩并进行特征提取,以得到所述请求上下文变量信息的按照时序的嵌入式请求矢量;根据所述时序依次输入所述嵌入式请求矢量至LSTM网络模块,以输出所述深度神经网络对下一次输入请求上下文变量信息的预测数据信息;对所述预测数据信息进行感知,以得到解码后的所述预测数据信息,将所述解码后的所述预测数据信息还原为服务质量数据并输出。
Description
技术领域
本发明涉及网络服务技术领域,特别是涉及一种基于深度神经网络的服务质量预测方法及其***。
背景技术
互联网中的WebService的数量在过去十年间发生了猛烈的增加,随着公共Web服务数量的增加,SOA(Service Oriented Architacture,面向服务的架构)架构的应用也变得十分广泛。然而,互联网复杂的网络环境使得服务的状态***,因此有效的服务质量预测此时就显得十分重要。
传统服务质量预测方法大多基于CF模型(Collaborative Filtering,协同过滤模型)和MF模型(Matrix factorization,矩阵分解模型),其能够利用的上下文数据比较有限。同时,这两种方法难以进行简单的扩展以支持多类型QoS(Quality of Service,服务质量)数据的预测。其对影响QoS响应序列的隐含变量也缺乏相应的建模手段。
发明内容
本发明的主要目的在于提供一种基于深度神经网络的服务质量预测方法及其***,旨在拟合网络中影响QoS数据的不可见因素,使其能够对真实世界的QoS服务质量数据进行预测。
为实现上述目的,本发明提供一种基于深度神经网络的服务质量预测方法,包括以下步骤:
输入请求上下文变量信息,并通过实体表达矩阵在编码模块进行编码,以得到嵌入式请求矩阵;
将经过编码的所述上下文变量信息进行压缩并进行特征提取,以得到所述请求上下文变量信息的按照时序的嵌入式请求矢量;
根据所述时序依次输入所述嵌入式请求矢量至LSTM(Long Short-Term Memory,长短期记忆网络)网络模块,以输出所述深度神经网络对下一次输入请求上下文变量信息的预测数据信息;
对所述预测数据信息进行感知,以得到解码后的所述预测数据信息,将所述解码后的所述预测数据信息还原为服务质量数据并输出。
优选地,所述上下文变量信息包括上下文及其对应的服务质量数据信息。
优选地,所述上下文变量信息包括响应时间信息和网络吞吐量信息;还原后的所述服务质量数据包括响应时间信息和网络吞吐量信息。
优选地,所述步骤将经过编码的所述上下文变量信息进行维度压缩并进行特征提取还包括:
将经过编码的所述上下文变量信息进行压缩后,输入至多层全连接网络组成的特征提取器进行特征提取。
优选地,根据所述时序依次输入所述嵌入式请求矢量至LSTM网络模块,以输出所述深度神经网络对下一次输入请求上下文变量信息的预测数据信息还包括:
根据所述时序依次输入的所述嵌入式请求矢量通过计算依次得到对应的计算结果,将所述计算结果中最后一个计算结果作为所述深度神经网络对下一次输入请求上下文变量信息的预测数据信息。
优选地,所述将所述解码后的所述预测数据信息还原为服务质量数据并输出还包括:
将所述预测数据信息分别输入两个全连接网络所构成的还原模块中分别进行计算,以得到包括响应时间信息和网络吞吐量信息的服务质量数据。
本发明还提供一种基于深度神经网络的服务质量预测***,所述***包括编码模块、压缩模块、LSTM网络模块、感知模块和还原模块;
所述编码模块用于接收请求上下文变量信息,进行编码后输出嵌入式请求矩阵至所述压缩模块;
所述压缩模块用于将经过编码的所述上下文变量信息进行压缩并进行特征提取,并输出嵌入式请求矢量至所述LSTM网络模块;
所述LSTM网络模块将所述嵌入式请求矢量进行计算,并输出所述深度神经网络对下一次输入请求上下文变量信息的预测数据信息至所述感知模块;
所述感知模块对所述预测数据信息进行感知,并将得到解码后的所述预测数据信息发送至还原模块,所述还原模块将所述解码后的所述预测数据信息还原为服务质量数据并输出。
优选地,所述上下文变量信息包括响应时间信息和网络吞吐量信息;还原后的所述服务质量数据包括响应时间信息和网络吞吐量信息。
优选地,所述还原模块包括第一还原模块和第二还原模块,用以分别还原响应时间信息和网络吞吐量信息。
本发明技术方案通过输入收集到的上下文变量信息,拟合网络中影响QoS数据的不可见因素,使其能对真实世界的QoS服务质量数据进行预测。LSTM网络模块可以对复杂的未知数据做出预测,并具有一定的正确性,可用于服务组合等具体工程实践中。
附图说明
图1为本发明基于深度神经网络的服务质量预测方法的流程示意图;
图2为本发明基于深度神经网络的服务质量预测***的原理示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
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。
下面结合附图对本发明进一步说明。
一种基于深度神经网络的服务质量预测方法,如图1所示,包括以下步骤:
输入请求上下文变量信息,并通过实体表达矩阵在编码模块进行编码,以得到嵌入式请求矩阵。
在具体实施例中,请求上下文变量信息包括数值型和非数值型特征,在输入至编码模块前需分别进行预处理。对于连续型数据,需进行采样从而将其转化为离散化数据,以将服务质量数据信息与请求上下文信息进行融合。对于非数值型变量,需即针对每一个请求上下文变量信息得到的八元组中的前六维(u1,uas1,ur1,s1,sas1,sr1),在总实体数n=13的情况下我们可以将其写为(1,4,5,6,9,11)的六元组,对其进行编码得到N1=(010011100101),即对八元组的前六元X1=(x1,x2,x3,x4,x5,x6),将X1对应的N1的第xi位置编码为1。定义n*k维的元素表达矩阵Mn×k,其中Mi代表第i个实体的向量化表达,k代表该表达向量的维度,针对六元组(1,4,5,6,9,11),我们分别选择出M1,M4,M6,M9,M11六个k维向量组成一个6*k维的矩阵G1。G1是(1,4,5,6,9,11)六元组的矩阵化表达,表达矩阵可保存每个对应元素的向量表达。该运算定义如下:
s.t→len(N1)=n,其中符号表示从矩阵M中选择出所有行Mi,当且仅当(X1)i=1,n为所有实体的个数。
对于数值型的响应时间和吞吐量,我们使用独立的两个矩阵Rrs×k,Tts×k来作为其表达矩阵。其中rs、ts分别为响应时间和吞吐量表达向量的个数。针对响应时间,在具体实施例中,在离散化时设置其步长为0.01,针对吞吐量,设置其步长为0.1,因此,对于任意数值的响应时间和吞吐量,其都可以映射为对应的整数表达,使用该整数表达来作为其元素标识。具体地,对应(0.13,23.6),将其表达为(13,23),同时从R矩阵中选择出R13,从T矩阵中选择出T26组成一个2*k的矩阵G2。即针对X2=(x7,x8),即可得到两者相对应的N2、N3,选出Rn7,Tn8组成新的矩阵G2。该运算定义如下:
s.t→len(N2)=max(ResponseTime)*100
s.t→len(N3)=max(ThroughOutput)*10,其中max(ResponseTime)max(ThroughOutput)分别表示所有数据中响应时间和吞吐量的最大值。针对以上两步获得的矩阵表达进行直接拼接,即可获得一个八元组(1,4,5,6,9,11,13,26)的矩阵表达,G=concat(G1,G2),该8*k维矩阵即为这次请求的矩阵表达。
将经过编码的所述上下文变量信息进行压缩并进行特征提取,以得到所述请求上下文变量信息的按照时序的嵌入式请求矢量。
在具体实施例中,预设网络的输入为sd=[sd1,sd2,sd3],其中sdi表示LSTM网络模块第i个step的输入。其中每个sdi可表示为sdi=[sdi1,sdi2,…,sdik],表示针对这一次请求上下文变量信息i中的k个向量所组成的矩阵表达,体征提取即是将矩阵表达sdi压缩为向量表达Pi。当预设i=3时,即采用前三个请求来预测第四个请求,则目标就是将三维张量[sd1,sd2,sd3]压缩为二维张量P=[P1,P2,P3]。
根据所述时序依次输入所述嵌入式请求矢量至LSTM网络模块,以输出所述深度神经网络对下一次输入请求上下文变量信息的预测数据信息。
在具体实施例中,根据时序依次输入[P1,P2,P3]至LSTM网络模块中,得到三个输出[h1,h2,h3],取其中第三个输出h3作为网络的最终输出,这里可以认为h3表示了网络的对下一次请求数据的预测结果。该计算过程定义如下:
ft=σ(Wf*[Ct-1,ht-1,Pt]+bf)
it=σ(Wi*[Ct-1,ht-1,Pt]+bi)
ot=σ(Wo*[Ct-1,ht-1,Pt]+bo)
其中ht为每一step中LSTM网络模块的输出,ft为忘记门的输出,it为输入门的输出,ot代表输出门的输出,是还未经过输入门处理的新细胞态。
对所述预测数据信息进行感知,以得到解码后的所述预测数据信息,将所述解码后的所述预测数据信息还原为服务质量数据并输出。还原后的服务质量数据可方便用户识别并使用。
优选地,所述上下文变量信息包括上下文及其对应的服务质量数据信息。
优选地,所述上下文变量信息包括响应时间信息和网络吞吐量信息;还原后的所述服务质量数据包括响应时间信息和网络吞吐量信息。
优选地,所述步骤将经过编码的所述上下文变量信息进行维度压缩并进行特征提取还包括:将经过编码的所述上下文变量信息进行压缩后,输入至多层全连接网络组成的特征提取器进行特征提取。
优选地,根据所述时序依次输入所述嵌入式请求矢量至LSTM网络模块,以输出所述深度神经网络对下一次输入请求上下文变量信息的预测数据信息还包括:根据所述时序依次输入的所述嵌入式请求矢量通过计算依次得到对应的计算结果,将所述计算结果中最后一个计算结果作为所述深度神经网络对下一次输入请求上下文变量信息的预测数据信息。
优选地,所述将所述解码后的所述预测数据信息还原为服务质量数据并输出还包括:将所述预测数据信息分别输入两个全连接网络所构成的还原模块中分别进行计算,以得到包括响应时间信息和网络吞吐量信息的服务质量数据。
在具体实施例中,通过选择绝对误差损失函数Loss1作为LSTM网络模块的损失函数,使用Adam优化算法对参数进行训练。其中:
其中m为需要预测的变量的个数,n为总样本个数,abs()表示取其绝对值,表示针对第k个预测任务所预测出的第i个样本的值,表示数据集中对应样本的真实值。λ为惩罚项系数,L2(θ)则为正则化项。
如图2所示,本发明实施例还提供一种基于深度神经网络的服务质量预测***,所述***包括编码模块、压缩模块、LSTM网络模块、感知模块和还原模块;
所述编码模块用于接收请求上下文变量信息,进行编码后输出嵌入式请求矩阵至所述压缩模块;
所述压缩模块用于将经过编码的所述上下文变量信息进行压缩并进行特征提取,并输出嵌入式请求矢量至所述LSTM网络模块;
所述LSTM网络模块将所述嵌入式请求矢量进行计算,并输出所述深度神经网络对下一次输入请求上下文变量信息的预测数据信息至所述感知模块;
所述感知模块对所述预测数据信息进行感知,并将得到解码后的所述预测数据信息发送至还原模块,所述还原模块将所述解码后的所述预测数据信息还原为服务质量数据并输出。
优选地,所述上下文变量信息包括响应时间信息和网络吞吐量信息;还原后的所述服务质量数据包括响应时间信息和网络吞吐量信息。
优选地,所述还原模块包括第一还原模块和第二还原模块,用以分别还原响应时间信息和网络吞吐量信息。
应当理解的是,以上仅为本发明的优选实施例,不能因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (9)
1.一种基于深度神经网络的服务质量预测方法,其特征在于,包括以下步骤:
输入请求上下文变量信息,并通过实体表达矩阵在编码模块进行编码,以得到嵌入式请求矩阵;
将经过编码的所述上下文变量信息进行压缩并进行特征提取,以得到所述请求上下文变量信息的按照时序的嵌入式请求矢量;
根据所述时序依次输入所述嵌入式请求矢量至LSTM网络模块,以输出所述深度神经网络对下一次输入请求上下文变量信息的预测数据信息;
对所述预测数据信息进行感知,以得到解码后的所述预测数据信息,将所述解码后的所述预测数据信息还原为服务质量数据并输出。
2.根据权利要求1所述的基于深度神经网络的服务质量预测方法,其特征在于,所述上下文变量信息包括上下文及其对应的服务质量数据信息。
3.根据权利要求2所述的基于深度神经网络的服务质量预测方法,其特征在于,所述上下文变量信息包括响应时间信息和网络吞吐量信息;还原后的所述服务质量数据包括响应时间信息和网络吞吐量信息。
4.根据权利要求3所述的基于深度神经网络的服务质量预测方法,其特征在于,所述步骤将经过编码的所述上下文变量信息进行维度压缩并进行特征提取还包括:
将经过编码的所述上下文变量信息进行压缩后,输入至多层全连接网络组成的特征提取器进行特征提取。
5.根据权利要求4所述的基于深度神经网络的服务质量预测方法,其特征在于,根据所述时序依次输入所述嵌入式请求矢量至LSTM网络模块,以输出所述深度神经网络对下一次输入请求上下文变量信息的预测数据信息还包括:
根据所述时序依次输入的所述嵌入式请求矢量通过计算依次得到对应的计算结果,将所述计算结果中最后一个计算结果作为所述深度神经网络对下一次输入请求上下文变量信息的预测数据信息。
6.根据权利要求5所述的基于深度神经网络的服务质量预测方法,其特征在于,所述将所述解码后的所述预测数据信息还原为服务质量数据并输出还包括:
将所述预测数据信息分别输入两个全连接网络所构成的还原模块中分别进行计算,以得到包括响应时间信息和网络吞吐量信息的服务质量数据。
7.一种基于深度神经网络的服务质量预测***,其特征在于,所述***包括编码模块、压缩模块、LSTM网络模块、感知模块和还原模块;
所述编码模块用于接收请求上下文变量信息,进行编码后输出嵌入式请求矩阵至所述压缩模块;
所述压缩模块用于将经过编码的所述上下文变量信息进行压缩并进行特征提取,并输出嵌入式请求矢量至所述LSTM网络模块;
所述LSTM网络模块将所述嵌入式请求矢量进行计算,并输出所述深度神经网络对下一次输入请求上下文变量信息的预测数据信息至所述感知模块;
所述感知模块对所述预测数据信息进行感知,并将得到解码后的所述预测数据信息发送至还原模块,所述还原模块将所述解码后的所述预测数据信息还原为服务质量数据并输出。
8.根据权利要求7所述的基于深度神经网络的服务质量预测***,其特征在于,所述上下文变量信息包括响应时间信息和网络吞吐量信息;还原后的所述服务质量数据包括响应时间信息和网络吞吐量信息。
9.根据权利要求8所述的基于深度神经网络的服务质量预测***,其特征在于,所述还原模块包括第一还原模块和第二还原模块,用以分别还原响应时间信息和网络吞吐量信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910671422.4A CN110460463B (zh) | 2019-07-24 | 2019-07-24 | 基于深度神经网络的服务质量预测方法及其*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910671422.4A CN110460463B (zh) | 2019-07-24 | 2019-07-24 | 基于深度神经网络的服务质量预测方法及其*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110460463A true CN110460463A (zh) | 2019-11-15 |
CN110460463B CN110460463B (zh) | 2021-12-14 |
Family
ID=68483279
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910671422.4A Active CN110460463B (zh) | 2019-07-24 | 2019-07-24 | 基于深度神经网络的服务质量预测方法及其*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110460463B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111541570A (zh) * | 2020-04-22 | 2020-08-14 | 北京交通大学 | 基于多源特征学习的云服务QoS预测方法 |
CN114124554A (zh) * | 2021-11-29 | 2022-03-01 | 燕山大学 | 一种虚拟网络服务链吞吐量预测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108024158A (zh) * | 2017-11-30 | 2018-05-11 | 天津大学 | 利用视觉注意力机制的有监督视频摘要提取方法 |
CN109409499A (zh) * | 2018-09-20 | 2019-03-01 | 北京航空航天大学 | 一种基于深度学习和卡尔曼滤波修正的轨迹恢复方法 |
US20190102653A1 (en) * | 2017-09-29 | 2019-04-04 | Konica Minolta Laboratory U.S.A., Inc. | Local connectivity feature transform of binary images containing text characters for optical character/word recognition |
CN109858972A (zh) * | 2019-02-13 | 2019-06-07 | 重庆金窝窝网络科技有限公司 | 广告点击率的预测方法和装置 |
-
2019
- 2019-07-24 CN CN201910671422.4A patent/CN110460463B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190102653A1 (en) * | 2017-09-29 | 2019-04-04 | Konica Minolta Laboratory U.S.A., Inc. | Local connectivity feature transform of binary images containing text characters for optical character/word recognition |
CN108024158A (zh) * | 2017-11-30 | 2018-05-11 | 天津大学 | 利用视觉注意力机制的有监督视频摘要提取方法 |
CN109409499A (zh) * | 2018-09-20 | 2019-03-01 | 北京航空航天大学 | 一种基于深度学习和卡尔曼滤波修正的轨迹恢复方法 |
CN109858972A (zh) * | 2019-02-13 | 2019-06-07 | 重庆金窝窝网络科技有限公司 | 广告点击率的预测方法和装置 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111541570A (zh) * | 2020-04-22 | 2020-08-14 | 北京交通大学 | 基于多源特征学习的云服务QoS预测方法 |
CN114124554A (zh) * | 2021-11-29 | 2022-03-01 | 燕山大学 | 一种虚拟网络服务链吞吐量预测方法 |
CN114124554B (zh) * | 2021-11-29 | 2022-08-30 | 燕山大学 | 一种虚拟网络服务链吞吐量预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110460463B (zh) | 2021-12-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110659744B (zh) | 训练事件预测模型、评估操作事件的方法及装置 | |
CN109359140B (zh) | 一种基于自适应注意力的序列推荐方法及装置 | |
CN110933429B (zh) | 基于深度神经网络的视频压缩感知与重构方法和装置 | |
CN113905391B (zh) | 集成学习网络流量预测方法、***、设备、终端、介质 | |
CN110189192A (zh) | 一种信息推荐模型的生成方法及装置 | |
CN110381524B (zh) | 基于Bi-LSTM的大场景移动流量在线预测方法、***及存储介质 | |
CN109033107A (zh) | 图像检索方法和装置、计算机设备和存储介质 | |
CN110415022A (zh) | 处理用户行为序列的方法及装置 | |
CN113965659B (zh) | 基于网络对网络的训练hevc视频隐写分析方法、*** | |
CN112995715B (zh) | 视频插帧处理方法、装置、电子设备及存储介质 | |
CN112910711A (zh) | 一种基于自注意力卷积网络的无线业务流量预测方法、设备及介质 | |
CN110110372B (zh) | 一种用户时序行为自动切分预测方法 | |
CN116187555A (zh) | 基于自适应动态图的交通流预测模型构建方法及预测方法 | |
CN110460463A (zh) | 基于深度神经网络的服务质量预测方法及其*** | |
CN113255908A (zh) | 基于事件序列进行业务预测的方法、神经网络模型和装置 | |
CN114723784B (zh) | 一种基于域适应技术的行人运动轨迹预测方法 | |
CN116306780B (zh) | 一种动态图链接生成方法 | |
Acosta et al. | Predicting city safety perception based on visual image content | |
CN115438753B (zh) | 一种基于生成的衡量联邦学习协议数据安全性的方法 | |
CN110020379B (zh) | 一种基于深度动态网络嵌入表示模型的链路预测方法 | |
CN114399901B (zh) | 一种控制交通***的方法和设备 | |
CN114358186A (zh) | 一种数据处理方法、装置及计算机可读存储介质 | |
CN115292295A (zh) | 一种基于多视角时空对抗框架的路网缺失数据修复方法 | |
CN114693352A (zh) | 一种客户访问量预测方法及装置 | |
CN113285721A (zh) | 一种面向稀疏移动感知数据的重构与预测算法 |
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 |