现有的索引选择方法存在诸多局限性.首先,大多数方法考虑场景较为单一,不能针对特定数据模态选择合适的索引结构,进而无法有效应对海量多模态数据;其次,现有方法未考虑索引选择时索引构建的代价,无法有效应对动态的工作负载.针对上述问...现有的索引选择方法存在诸多局限性.首先,大多数方法考虑场景较为单一,不能针对特定数据模态选择合适的索引结构,进而无法有效应对海量多模态数据;其次,现有方法未考虑索引选择时索引构建的代价,无法有效应对动态的工作负载.针对上述问题,提出一种面向多模态数据的智能高效索引选择模型APE-X DQN(Distributed prioritized experience replay in deep Q-network),称为AP-IS(APE-X DQN for index selection).AP-IS设计了新型索引集编码和SQL语句编码方法,该方法使AP-IS在感知多模态数据的同时兼顾索引结构本身的特性,极大地降低了索引的存储代价.APIS集成新型索引效益评估方法,在优化强化学习奖励机制的同时,监控数据库工作负载的执行状态,保证动态工作负载下AP-IS在时间和空间上的优化效果.在真实多模态数据集上进行大量实验,验证了AP-IS在工作负载的延迟、存储代价和训练效率等方面的性能,结果均明显优于最新索引选择方法.展开更多
深度学习模型在多元时间序列预测、智能驾驶、图像识别等多个领域广泛应用,其中多元时间序列预测是学者们关注的重点之一,多元时间序列预测是典型的回归任务,旨在通过海量的历史数据构建模型以预测未来状态,被广泛运用于交通、电力、金...深度学习模型在多元时间序列预测、智能驾驶、图像识别等多个领域广泛应用,其中多元时间序列预测是学者们关注的重点之一,多元时间序列预测是典型的回归任务,旨在通过海量的历史数据构建模型以预测未来状态,被广泛运用于交通、电力、金融等领域.多元时间序列数据具有复杂的时空依赖性,现有模型大多仅能捕获序列数据中的时间特征,难以捕获空间特征,而图神经网络解决了这一问题.图神经网络能够自然地建模实体间的复杂关系,可以很好地处理拓扑数据,而多元时序数据大多可以构造为拓扑图,因此图神经网络可以很好地学习多元时序数据中的空间特征.基于图神经网络的多元时间序列预测模型受到广泛关注并取得了一定的成果,但现有基于图神经网络的模型仍存在诸多不足.首先,现有方法大多分别捕获和建模多元时间序列数据中的空间特性和时间特性,未充分考虑多元时间序列的时空统一性,导致模型的次优建模;其次,现有方法主要基于静态预定义图或动态自适应图,其中静态预定义图通常根据监测节点之间的空间相关性进行构造且不会随着时间而改变,基于预定义图的研究忽略了时间序列数据中的时间特征,即忽略了数据模式随时间发生的改变;而自适应图通常由模型自主学习并不包含监测节点间的固有属性,基于自适应图的研究忽略了大量有效的领域知识,如道路的连通性和道路间的属性.为了解决上述问题,提出基于动态自适应时空图的多元时序预测模型MTP-Graph(Multivariate Time series Prediction model based on dynamic adaptive spatio-temporal Graph),利用时空融合模块将时空信息进行统一处理,避免了分开捕获时间特性与空间特性而导致的次优建模问题,提出图结合模块将静态预定义图和动态自适应图进行动态融合,获取时空信息的同时充分考虑领域知识,使模型可以更好地学习多元时间序列中的时空特性.在PeMSD3、PeMSD7和PeMSD8数据集上的大量实验结果表明,MTP-Graph预测性能优于其他基准方法,验证了MTP-Graph的可用性和有效性.展开更多
文摘现有的索引选择方法存在诸多局限性.首先,大多数方法考虑场景较为单一,不能针对特定数据模态选择合适的索引结构,进而无法有效应对海量多模态数据;其次,现有方法未考虑索引选择时索引构建的代价,无法有效应对动态的工作负载.针对上述问题,提出一种面向多模态数据的智能高效索引选择模型APE-X DQN(Distributed prioritized experience replay in deep Q-network),称为AP-IS(APE-X DQN for index selection).AP-IS设计了新型索引集编码和SQL语句编码方法,该方法使AP-IS在感知多模态数据的同时兼顾索引结构本身的特性,极大地降低了索引的存储代价.APIS集成新型索引效益评估方法,在优化强化学习奖励机制的同时,监控数据库工作负载的执行状态,保证动态工作负载下AP-IS在时间和空间上的优化效果.在真实多模态数据集上进行大量实验,验证了AP-IS在工作负载的延迟、存储代价和训练效率等方面的性能,结果均明显优于最新索引选择方法.
文摘深度学习模型在多元时间序列预测、智能驾驶、图像识别等多个领域广泛应用,其中多元时间序列预测是学者们关注的重点之一,多元时间序列预测是典型的回归任务,旨在通过海量的历史数据构建模型以预测未来状态,被广泛运用于交通、电力、金融等领域.多元时间序列数据具有复杂的时空依赖性,现有模型大多仅能捕获序列数据中的时间特征,难以捕获空间特征,而图神经网络解决了这一问题.图神经网络能够自然地建模实体间的复杂关系,可以很好地处理拓扑数据,而多元时序数据大多可以构造为拓扑图,因此图神经网络可以很好地学习多元时序数据中的空间特征.基于图神经网络的多元时间序列预测模型受到广泛关注并取得了一定的成果,但现有基于图神经网络的模型仍存在诸多不足.首先,现有方法大多分别捕获和建模多元时间序列数据中的空间特性和时间特性,未充分考虑多元时间序列的时空统一性,导致模型的次优建模;其次,现有方法主要基于静态预定义图或动态自适应图,其中静态预定义图通常根据监测节点之间的空间相关性进行构造且不会随着时间而改变,基于预定义图的研究忽略了时间序列数据中的时间特征,即忽略了数据模式随时间发生的改变;而自适应图通常由模型自主学习并不包含监测节点间的固有属性,基于自适应图的研究忽略了大量有效的领域知识,如道路的连通性和道路间的属性.为了解决上述问题,提出基于动态自适应时空图的多元时序预测模型MTP-Graph(Multivariate Time series Prediction model based on dynamic adaptive spatio-temporal Graph),利用时空融合模块将时空信息进行统一处理,避免了分开捕获时间特性与空间特性而导致的次优建模问题,提出图结合模块将静态预定义图和动态自适应图进行动态融合,获取时空信息的同时充分考虑领域知识,使模型可以更好地学习多元时间序列中的时空特性.在PeMSD3、PeMSD7和PeMSD8数据集上的大量实验结果表明,MTP-Graph预测性能优于其他基准方法,验证了MTP-Graph的可用性和有效性.
