基于调度历史数据在线预测作业执行时间

传统基于用户预估的执行时间通常准确性较差。结合分类和基于实例的学习方法,综合使用模板相似和数值相似方法,在历史调度数据中获取当前作业的相似作业,并使用其历史信息预测当前作业执行时间。使用调度历史中的用户名、分组名、队列名、应用名、用户请求处理器数、用户请求（预估）执行时间和用户请求内存量等属性进行训练和预测,算法中涉及的参数使用遗传算法确定。数值实验表明,相较于已有文献,本方法在使用更少参数的前提下得到了与文献结果中相近的低估率,并获得了更低的平均绝对误差。在HPC2N04和HPC2N05日志数据集上,平均绝对误差分别降低了43%和77%。研究了使用在线预测替换用户估计对作业调度的影响,对结果进行了初步分析并指出了今后的改进方向。     

基于演化LSTM神经网络的用户终端睡眠预测模型

用户处于睡眠状态时手机后台自主挂起不必要的系统或应用进程可以有效降低能耗,因此在不损害用户使用体验的前提下准确判断用户是否处于睡眠状态具有重要意义.围绕该问题设计了覆盖率和唤醒率作为新的衡量指标,提出一种基于LSTM神经网络的睡眠预测模型,结合LSTM神经网络能够较好处理时序特征数据的特点和演化算法能够优化不可导目标函数的特性,将LSTM神经网络的参数作为差分演化算法的优化参数,覆盖率和唤醒率的综合目标作为选择函数,同时在每次迭代中重新评估选择函数使其适应小批量训练法.实验结果表明,采用演化算法训练LSTM神经网络得到的预测结果相较于传统分类模型能在低唤醒率时达到更好的覆盖率,平均提升约5%.     

基于多变量LSTM的GPS坐标时间序列预测模型

针对全球定位系统(GPS)坐标时间序列预测中存在精度不足的问题,提出一种基于多变量长短时记忆(LSTM)的GPS坐标时间序列预测模型.利用灰色关联度方法对同一地区不同观测站的GPS坐标时间序列数据进行关联度分析,找出与待预测数据(佘山站U向历史数据)关联度较强的数据.将待预测数据和与之关联度较强的其它数据作为多变量预测...     

基于时空相似LSTM的空气质量预测模型

由传统机器学习方法组成的空气质量预测模型得到了普遍应用,但是此类模型对于数据有效性,特别是时空相关数据的选取仍旧存在不足.针对深度学习输入数据有效性问题进行研究,提出了一种基于时空相似LSTM的预测模型(spatial-temporal similarity LSTM model,STS-LSTM),以便在时间和空间层面选取更加有效的数据.STS-LSTM分为前序、中序和后序三个模块,前序模块为时空相似选择输入模块,提出了格兰杰因果权重动态时间折叠(Granger causal index weighted dynamic time warping,GCWDTW)算法,用于选取具有更高时空相似性的数据;中序模块使用LSTM作为深度学习网络进行训练;后序模块根据目标站点特征选择不同的输出组合进行集成.STS-LSTM整体模型在空气质量预测误差上较现有算法提升了8％左右,经过有效性选取的数据对于模型精度达到了最高21％的提升.实验结果表明,对于有效数据的选取该算法取得了显著效果,将数据输入输出方法作为应用型深度学习网络的一部分,可以有效提升深度学习网络的最终效果.     

基于LSTM的智能家庭用电预测模型研究

家庭用电是能源市场的一个重要组成部分,预测家庭用电需求能够实现智能供电,可以有效地提高供给率,但目前预测方法大多效果不佳.针对此,提出了一种基于LSTM的面向家庭智能用电预测算法,建立了端到端的智能家庭用电预测模型.其在Boruta特征筛选的基础上设计了特征选择方法,对多个特征进行重要性计算,选取其中重要性高的部分进行...     

基于神经网络的集装箱船港口作业时间预测模型

集装箱船港口作业时间是制作泊位计划的一个重要依据,而集装箱船港口作业时间获取的主要来源是预测.传统预测方法是用装卸集装箱量除以岸桥装卸效率,预测精度较低,且受多种因素的影响,具有复杂的非线性特点.而神经网络在解决复杂的非线性问题方面具有很强的建模能力,所以选取神经网络建立集装箱船港口作业时间预测模型.通过真实数据对预测...     

基于Attention机制的LSTM期货预测模型

金属期货作为交易市场中一个投资品种,准确预测期货价格具有重要现实意义。由于采用1995年-2022年期间的期货数据,时间跨度很大,波动范围较广,使用传统时间序列模型很难精准对其进行预测。针对上述问题,提出了基于Attention机制的LSTM期货预测模型,使模型聚焦于重要的期货特征信息来预测期货第二日的开盘价。通过与普通LSTM预测模型进行对比,最终得出基于Attention机制的LSTM期货预测模型具有较好的预测能力。     

同构Hadoop环境作业执行时间计算方法

执行时间是作业调度的重要参考因素之一。通过分析Hadoop MapReduce环境作业的执行特征,提出了以map任务和reduce任务执行时间为输入,估算作业执行时间的方法。该方法在一定假设条件下,借助作业预执行来获取map任务和reduce任务的执行时间。实验结果表明,该方法估算作业执行时间的误差率小于7%。     

基于小波分解的LSTM水质预测模型

水是人类和其它生命体所依赖的不可缺少的资源,建立水质预测模型预测水质状况具有重要的社会经济和生态环保价值.本文建立了基于小波分解的长短期记忆网络(LSTM)时间序列预测模型(W-LSTM),运用Daubechies5 (db5)小波将水质数据分解为高频率和低频率信号,再将这些信号作为LSTM模型的输入,来训练模型预测水质数据.利用安徽阜南王家坝流域采集到的4项水质指标(pH值、DO、CODMn、NH3N)对该模型进行训练、验证和测试,并与传统LSTM神经网络模型的训练和预测结果进行比较.结果显示所提出的方法在多种评价指标上均优于传统LSTM模型,表明了该方法具有较高的预测精度和泛化能力,是一种更有效的模拟预测手段.     

针对设备端口链路的LSTM网络流量预测与链路拥塞方案

针对设备端口链路流量,提出两种基于长短期记忆网络的预测模型。第一种针对在大时间粒度下平稳变化的流量;第二种则针对在小时间粒度下波动剧烈的非平稳流量。通过选用不同的数据划分方式与模型训练方法,构建两种具有不同网络结构的流量预测模型。实验结果表明,前者在处理平稳变化的流量时能够达到极高的预测精度,后者在处理非平稳流量时具有明显优于SVR模型、BP神经网络模型的预测效果。在第二种预测模型的基础上,提出了参数可调的链路拥塞预警方案,实验证明该方案具有一定的可行性。     

一种基于SARIMA-LSTM模型的电网主机负载预测方法

随着智能电网的不断发展,如何提高对信息设备运行状态的预测准确率以及设置适应数据变化的动态阈值区间是电网IT运维面临的巨大挑战。为了解决这些问题,提出了组合时间序列预测模型(SARIMA-LSTM),即在传统周期性ARIMA模型(SARIMA)的基础上,引入深度学习领域的LSTM模型,并摒弃了过去精度低、效果差的误差拟合方法,使用误差自回归方法来补偿预测结果。该模型可以学习到传统ARIMA模型无法捕捉到的误差波动规律,解决其无法预测非线性数据的问题。实验结果表明,在实际预测电网内存负载数据时,与ARIMA模型和SAIRIMA模型相比,SARIMA-LSTM模型可以实现更高的预测精度。     

基于注意力机制的多分支LSTM心理负荷评估模型

充分获取脑电信号的有效特征已成为心理负荷评估亟待解决的问题.提出一种多分支LSTM和注意力机制相结合的多分类网络框架.首先,此网络在对脑电信号做切片处理后,采用多分支LSTM网络提取切片中的时间特征;然后,利用注意力机制对所提取的时间特征进行权重参数优化;最后,通过softmax层输出心理负荷评估结果.通过消融实验和对比实验对模型进行验证.结果 表明,此网络无论在二分类任务还是多分类任务中的表现均优于现有先进网络.     

嵌入指针网络的深度循环神经网络模型求解作业车间调度问题

提出了一种数据驱动的作业车间调度算法,训练样本来源于基准实例和部分实际生产数据,通过特征函数来构建样本的特征数据并进行归一化处理,标签数据由调度任务和相应的调度规则的映射关系构成,以LSTM模型为主框架,在模型中嵌入指针网络,将当前序列中概率最大的工件优先进入缓冲区,提高了神经网络的训练速度和质量,采用训练后的模型对新问题进行求解。结果证明了所构建模型的有效性,同时为求解作业车间调度问题提供了新思路。     

基于CNN-LSTM的QAR数据特征提取与预测

针对传统数据驱动的故障诊断方法难以从QAR数据中提取有效特征的问题,提出一种融合卷积神经网络（convolutional neural network,CNN）与长短时记忆网络（long short-term memory,LSTM）的双通道融合模型CNN-LSTM。CNN与LSTM分别作为两个通道,通过注意力机制（attention）融合,从而使模型能同时表达数据在空间维度和时间维度上的特征,并以时间序列预测的方式验证融合模型特征提取的有效性。实验结果表明,双通道融合模型与单一的CNN、LSTM相比,能够更有效地提取数据特征,模型单步预测与多步预测误差平均降低35.3%。为基于QAR数据的故障诊断提供一种新的研究思路。     

基于FT-LSTM模型的临床事件诊断序列预测研究

针对不同患者的临床数据信息难以得到合理表示,且事件之间时间间隔不同,从而导致预测困难等问题,提出一种基于词向量表示,并添加时控单元的时控长短期记忆神经网络（FT-LSTM）预测模型。首先通过FastText方法对医学事件进行可解释性的向量表示,以更有效地捕获富含医学信息的概念关系;然后针对临床数据对时间戳有着强依赖性的现象,在原有LSTM模型的基础上设计时控门,以更好地捕获长短期信息,对事件信息进行建模,从而改善预测表现。在MIMICⅢ数据集上的实验结果表明,使用FT-LSTM模型预测的召回率、准确率皆高于多种对比模型,证明了该方法的有效性。     

面向阻变存储器的长短期记忆网络加速器的训练和软件仿真

长短期记忆(long short-term memory, LSTM)网络是一种循环神经网络,其擅长处理和预测时间序列中间隔和延迟较长的事件,多用于语音识别、机器翻译等领域.然而受限于内存带宽的限制,现今的多数神经网络加速器件的计算模式并不能高效处理长短期记忆网络计算;而阻变存储器交叉开关结构能够以存内计算形式完成高效、高密度的向量矩阵乘运算,从而成为一种高效处理长短期记忆网络的极具潜力的加速器设计模式.研究了面向阻变存储器的长短期记忆神经网络加速器模拟工具以及相应的神经网络训练算法.该模拟工具能够以时钟驱动的形式模拟设计者提出的以阻变存储器交叉开关结构为核心加速部件的长短期记忆加速器微体系结构,从而进行设计空间探索;同时改进了神经网络训练算法以适应阻变存储器特性.这一模拟工具基于System-C实现,且对于核心计算部分实现了图形处理器加速,可以提高阻变存储器器件的仿真速度,为探索设计空间提供便利.     

基于LSTM的机场跑道视程预测

跑道视程反映了飞行员的视程大小,是保障飞机起飞和着陆飞行安全的重要气象要素之一,提升跑道视程的预测准确率将有效提升飞机在低能见度和复杂天气条件下的起降能力和航空管制能力.跑道视程除了受自身观测仪器不足限制,雾、烟、沙尘、强降水等其他天气对其影响也十分显著.本文利用2012–2018年咸阳机场民航自动气象观测系统观测的风...     

图嵌入和LSTM自动编码器结合的BGP异常检测

针对BGP异常数据的检测问题,依托互联网公开的真实BGP更新报文数据,重点结合网络的拓扑特征及时序变化特点,提出一种新的基于图嵌入特征和LSTM自动编码器的BGP异常检测方法.首先利用BGP数据中AS_PATH属性信息,构建基于时间序列的网络拓扑图的动态嵌入特征数据集,然后使用LSTM自动编码器模型对数据进行检测,发现...