针对SDN流量工程中流量预测基于静态时空依赖的问题,提出了一种基于注意力机制的图卷积神经网络(GCN)与门控递归单元(GRU)集成的动态网络流量预测方法——AGCNGRU(attention mechanism for GCNGRU model)。借助GCN捕获网络中节点之间的...针对SDN流量工程中流量预测基于静态时空依赖的问题,提出了一种基于注意力机制的图卷积神经网络(GCN)与门控递归单元(GRU)集成的动态网络流量预测方法——AGCNGRU(attention mechanism for GCNGRU model)。借助GCN捕获网络中节点之间的流量空间依赖性和GRU捕获流量经过网络中各节点的时间依赖性,通过时间注意力机制设计每个隐藏状态的权重,以调整时间点流量信息的重要性,同时通过数据驱动空间注意力机制动态自适应调整Laplace矩阵,实现动态提取网络信息数据时空相关性,最终完成动态流量精准预测。在GEANT的数据集上的实验表明,所提出的方法在均方误差方面比GCNGRU减少24.8%,比GRU减少66.4%,并通过与传统路由算法OSPF、DDPG算法比较,在90%的流量负载强度下,网络性能比OSPF提升了24%,比DDPG提升了8.1%,进一步说明了AGCNGRU算法网络流量准确预测带来的时效性和有效性。展开更多
高速铁路供电专业安全指数反映了高铁供电故障与事故的发生趋势,对其进行规律验证与预测对于高速铁路现场供电专业安全的综合评估与预警具有非常重要的现实意义。基于高铁十周年供电安全指数数据,提出了一种时间序列深度学习预测模型。...高速铁路供电专业安全指数反映了高铁供电故障与事故的发生趋势,对其进行规律验证与预测对于高速铁路现场供电专业安全的综合评估与预警具有非常重要的现实意义。基于高铁十周年供电安全指数数据,提出了一种时间序列深度学习预测模型。该模型结合了时间序列统计建模与深度学习方法。首先利用ARIMA(autoregressive integrated moving average model)方法对安全指数时序数据进行建模,通过引入季节性特征变量,提高模型的修正拟合优度,验证了供电安全指数的季节性规律;然后利用深度学习门控递归单元神经网络对供电安全指数进行预测;最后利用皮尔森系数评价预测模型的有效性。结果表明,利用门控递归单元对供电安全指数的预测值在训练集和测试集上的皮尔森系数分别达到0.71和0.74,可有效拟合安全指数变化趋势。展开更多
文摘针对SDN流量工程中流量预测基于静态时空依赖的问题,提出了一种基于注意力机制的图卷积神经网络(GCN)与门控递归单元(GRU)集成的动态网络流量预测方法——AGCNGRU(attention mechanism for GCNGRU model)。借助GCN捕获网络中节点之间的流量空间依赖性和GRU捕获流量经过网络中各节点的时间依赖性,通过时间注意力机制设计每个隐藏状态的权重,以调整时间点流量信息的重要性,同时通过数据驱动空间注意力机制动态自适应调整Laplace矩阵,实现动态提取网络信息数据时空相关性,最终完成动态流量精准预测。在GEANT的数据集上的实验表明,所提出的方法在均方误差方面比GCNGRU减少24.8%,比GRU减少66.4%,并通过与传统路由算法OSPF、DDPG算法比较,在90%的流量负载强度下,网络性能比OSPF提升了24%,比DDPG提升了8.1%,进一步说明了AGCNGRU算法网络流量准确预测带来的时效性和有效性。
文摘高速铁路供电专业安全指数反映了高铁供电故障与事故的发生趋势,对其进行规律验证与预测对于高速铁路现场供电专业安全的综合评估与预警具有非常重要的现实意义。基于高铁十周年供电安全指数数据,提出了一种时间序列深度学习预测模型。该模型结合了时间序列统计建模与深度学习方法。首先利用ARIMA(autoregressive integrated moving average model)方法对安全指数时序数据进行建模,通过引入季节性特征变量,提高模型的修正拟合优度,验证了供电安全指数的季节性规律;然后利用深度学习门控递归单元神经网络对供电安全指数进行预测;最后利用皮尔森系数评价预测模型的有效性。结果表明,利用门控递归单元对供电安全指数的预测值在训练集和测试集上的皮尔森系数分别达到0.71和0.74,可有效拟合安全指数变化趋势。
