基于LSTM模型的Web页面访问量预测
基于CNN-LSTM网络的电力负荷预测
摘要：为了及时掌握电力负荷的变动信息，就需要对电力负荷进行准确预测。
鉴于此，探究出一种CNN和LSTM的组合模型来预测一日到一周的电力短期负荷波动情况。
CNN模型负责从输入信息中提取特征，LSTM模型利用CNN模型的输出信息进行负荷预测，最终得到预测结果。
选取西班牙公开的电力数据为实验数据，运用Python语言搭建预测模型，分别与CNN和LSTM单一模型进行对比，验证了所提组合预测模型的可靠性，其在电力短期负荷预测领域应用效果较好，可为供电部门电力规划提供理论依据。
关键词：短期负荷预测；长短期记忆网络（LSTM）；卷积神经网络（CNN）；CNN-LSTM引言准确的电力短期负荷预测可以保障智能电网环境的安全、经济和可靠运行。
不准确的电气电力短期负荷预测会降低电力系统的可靠性，甚至给电力系统带来安全隐患，从而影响发电计划制定，造成资源浪费和环境污染，难以实现碳达峰、碳中和目标。
在电力负荷预测领域，学者将预测方法分类，包括物理模型法、统计法和人工智能法。
物理模型法可以预测电力负荷，但其预测准确率低，很少被应用；统计法则过多地依赖于历史数据的周期性和异常值，面对复杂和非线性的电力负荷数据难以获得准确的预测结果。
因此，越来越多的学者将人工神经网络用于负荷预测领域，人工神经网络的自学习功能，可以根据数据情况随时调整模型参数，从而使预测结果更接近真实值。
一些发展中国家的电力部门仍然在用传统的统计方法如回归分析和自回归综合移动平均线法（ARIMA）进行负荷预测，从而制定发电计划和电力调度。
然而，在一些发达国家，人工智能的预测方法被广泛应用于电力短期负荷预测领域。
在1943年提出人工神经网络（ANN）并被应用于语音识别；在1982年提出循环神经网络（RNN）并应用于图像识别；用RNN模型实现了中长期电力负荷的精准预测；在1997年提出长短期记忆网络（LSTM），解决了RNN网络随时间反向传播中权重消失的问题并被应用于文字识别；用长短期记忆网络结合分位数回归法，提高了电力短期负荷预测效率；在1998年提出卷积神经网络（CNN）；提出一种卷积神经网络设置阈值模型，实现了异常用电检测；提出了改进的BP神经网络方法，提升了预测算法的健壮性；将CNN模型用于短期电力负荷预测，还考虑了一年中四季的特征，提高了预测的精度。
电商行业——大数据驱动的个性化营销策略
电商行业——大数据驱动的个性化营销策略
第一章：大数据与个性化营销概述 ............................................................................................... 2 1.1 大数据的定义与应用 ....................................................................................................... 2 1.1.1 大数据的定义 ............................................................................................................... 2 1.1.2 大数据的应用 ............................................................................................................... 2 1.2 个性化营销的概念与重要性 ........................................................................................... 3 1.2.1 个性化营销的概念 ....................................................................................................... 3 1.2.2 个性化营销的重要性 ................................................................................................... 3 1.3 大数据与个性化营销的关系 ........................................................................................... 3 第二章：电商行业大数据采集与分析 ........................................................................................... 3 2.1 电商行业数据采集方法 ................................................................................................... 3 2.2 大数据分析技术与应用 ................................................................................................... 4 2.3 数据挖掘与用户画像构建 ............................................................................................... 4 第三章：个性化推荐算法与应用 ................................................................................................... 5 3.1 内容推荐算法 ................................................................................................................... 5 3.2 协同过滤推荐算法 ........................................................................................................... 5 3.3 深度学习在个性化推荐中的应用 ................................................................................... 6 第四章：个性化营销策略设计 ....................................................................................................... 6 4.1 定向广告策略 ................................................................................................................... 6 4.2 优惠券与促销策略 ........................................................................................................... 7 4.3 个性化内容营销策略 ....................................................................................................... 7 第五章：用户行为分析与个性化营销 ........................................................................................... 7 5.1 用户行为数据采集与分析 ............................................................................................... 7 5.2 用户购买路径与个性化推荐 ........................................................................................... 8 5.3 用户流失预警与挽回策略 ............................................................................................... 9 第六章：个性化营销效果评估与优化 ........................................................................................... 9 6.1 个性化营销效果评价指标 ............................................................................................... 9 6.2 实验设计与结果分析 ..................................................................................................... 10 6.3 个性化营销策略优化方法 ............................................................................................. 10 第七章：大数据驱动的个性化营销案例分析 ............................................................................. 11 7.1 电商平台个性化营销案例 ............................................................................................. 11 7.1.1 案例一：巴巴的“淘宝推荐” ................................................................................. 11 7.1.2 案例二：京东的“京享猜你喜欢” ......................................................................... 11 7.2 互联网企业个性化营销案例 ......................................................................................... 12 7.2.1 案例一：腾讯新闻的个性化推荐 ............................................................................. 12 7.2.2 案例二：网易云音乐的用户个性化推荐 ................................................................. 12 7.3 传统企业个性化营销案例 ............................................................................................. 12 7.3.1 案例一：可口可乐的个性化包装 ............................................................................. 12 7.3.2 案例二：宜家的个性化家居方案 ............................................................................. 13 第八章：个性化营销与消费者隐私保护 ..................................................................................... 13
《2024年基于ARIMA-LSTM混合模型的云平台软件老化预测方法研究》范文
《基于ARIMA-LSTM混合模型的云平台软件老化预测方法研究》篇一一、引言随着云计算技术的飞速发展，云平台已经成为各种企业和组织的主要数据处理和应用支撑环境。
然而，随着使用年限的增长，云平台软件老化问题日益凸显，严重影响着其运行性能和可靠性。
因此，准确预测云平台软件的老化趋势，对提高其性能、保证其可靠性具有重要的实际意义。
本文将针对这一问题，研究基于ARIMA-LSTM混合模型的云平台软件老化预测方法。
二、研究背景与相关技术1. 云平台软件老化现象及影响云平台软件在长时间运行过程中，由于软硬件的相互影响和系统环境的变化，可能会出现性能下降、错误率增加等老化现象，这些问题直接影响着云平台服务的稳定性和可靠性。
2. 时间序列预测模型时间序列预测模型是一种常用的预测方法，其中ARIMA （自回归积分滑动平均）模型和LSTM（长短期记忆）模型是两种重要的模型。
ARIMA模型适用于具有稳定统计特性的时间序列预测，而LSTM模型则能够处理具有复杂非线性特征的时间序列数据。
三、基于ARIMA-LSTM混合模型的云平台软件老化预测方法1. 数据收集与预处理首先，我们需要收集云平台软件的相关运行数据，包括CPU 使用率、内存使用率、磁盘I/O等。
然后，对这些数据进行清洗和预处理，以适应后续的模型训练。
2. ARIMA模型的应用将预处理后的数据分为训练集和测试集，使用ARIMA模型对训练集进行建模。
通过分析时间序列数据的自相关性和偏自相关性，确定模型的阶数和差分次数，从而构建出适用于云平台软件老化预测的ARIMA模型。
3. LSTM模型的应用将ARIMA模型的预测结果作为LSTM模型的输入，利用LSTM模型对云平台软件的老化趋势进行更精确的预测。
LSTM 模型能够捕捉时间序列数据中的长期依赖关系，从而对云平台软件的老化趋势进行更准确的预测。
4. ARIMA-LSTM混合模型的应用将ARIMA模型和LSTM模型进行结合，形成ARIMA-LSTM 混合模型。
基于lstm的船舶航迹预测
第４８卷㊀第６期２０１９年１２月㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀船海工程ＳＨＩＰ＆ＯＣＥＡＮＥＮＧＩＮＥＥＲＩＮＧ㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀Ｖｏｌ.４８㊀Ｎｏ.６Ｄｅｃ.２０１９㊀㊀㊀ＤＯＩ:１０.３９６３/ｊ.ｉｓｓｎ.１６７１￣７９５３.２０１９.０６.０２９基于ＬＳＴＭ的船舶航迹预测陈凯达ꎬ朱永生ꎬ闫柯ꎬ蔡依青ꎬ任智军ꎬ高大为(西安交通大学现代设计及转子轴承系统教育部重点实验室ꎬ西安７１００４９)摘㊀要:提出一种基于长短期记忆网络的船舶航迹预测方法ꎬ应用三次样条插值对船舶自动识别系统数据进行修复以保证其时间间隔相等ꎬ以船舶经度㊁纬度㊁航速和航向作为模型的输入ꎬ经度和纬度作为输出构建船舶航迹的实时预测模型ꎮ实验结果表明ꎬ该方法可以突破对预测时间间隔相等的要求ꎬ经纬度预测最大误差不超过５ˑ１０－４ʎꎬ能够比较准确地预测出船舶轨迹ꎮ关键词:水运安全ꎻ航迹预测ꎻＡＩＳ数据ꎻ长短期记忆网络中图分类号:Ｕ６７５.７㊀㊀㊀㊀文献标志码:Ａ㊀㊀㊀㊀文章编号:１６７１￣７９５３(２０１９)０６￣０１２１￣０５收稿日期:２０１９－０５－０５修回日期:２０１９－０８－０５基金项目:国家重点研发计划(２０１７ＹＦＣ０８０４９０４)第一作者:陈凯达(１９９４ )ꎬ男ꎬ硕士生研究方向:机器学习及数据挖掘㊀㊀关于船舶航迹预测ꎬ现有的方法有卡尔曼滤波算法㊁航迹插值方法㊁灰色模型㊁支持向量机㊁人工神经网络等ꎮ相关的研究涉及建立船舶航行轨迹拟合曲线[１]ꎻ根据船舶的航速㊁航向等信息采用卡尔曼滤波算法预测船舶的运动轨迹[２￣３]ꎻ将灰色模型运用到航迹预测当中ꎬ使用小波变换对轨迹数据降噪处理[４]ꎬ该方法能够及时修正带有噪声的航迹数据ꎻ提出组合预测模型ꎬ进行粗预测之后ꎬ用隐马尔可夫模型对预测结果进行微调ꎬ取得了较高的预测精度[５]ꎻ提出支持向量机回归(ＳＶＲ)航迹预测模型ꎬ并用ＡＩＳ数据进行验证ꎬ不足的是无法对船舶运动进行实时在线预测[６]ꎻ使用ＢＰ神经网络对船舶行为进行预测ꎬ取得了一定的预测效果[７￣８]ꎮ但是传统的ＢＰ神经网络在使用历史航迹数据训练时并未体现先后时序ꎬ每次神经元权重的修正只是基于单个训练样本的局部调整ꎬ而船舶航行数据是典型的随时间变化的量ꎬ每个样本在时间轴上都有前后联系ꎬ因此基于ＢＰ网络的预测模型面对船舶复杂的轨迹态势预测显得捉襟见肘ꎮ长短期记忆网络(ｌｏｎｇｓｈｏｒｔ￣ｔｅｒｍｍｅｍｏｒｙꎬＬＳＴＭ)在轨迹预测方面的研究已有成功安全[９￣１０]ꎬ但该方法未考虑异常数据对预测精度的影响ꎬ预测准确率仍有提升空间ꎮ基于此ꎬ本文提出一种基于长短期记忆网络的船舶航迹预测方法ꎬ运用插值的方法对航迹数据进行等时间间隔插补ꎬ综合考虑船舶航速㊁航向㊁经纬度特征ꎬ实现船舶航迹的准确可靠的预测ꎮ１㊀理论基础１.１㊀循环神经网络(ＲＮＮ)一个简单的ＲＮＮ网络包含了输入层ｘ㊁隐含层ｈ㊁输出层ｏ３个部分ꎮ见式(１)ꎬＲＮＮ在任一时刻ｔꎬ其隐含层输出ｈｔ由该时刻的输入ｘｔ和上一时刻隐含层的输出ｈｔ－１共同决定ꎬ体现出ＲＮＮ将时序信息考虑在网络结构当中ꎬ以达到对时间序列建模的目的ꎮｈｔ＝ｆ(Ｕ ｘｔ＋Ｗ ｈｔ－１)(１)式中:ｆ为隐含层激活函数ꎬＵ㊁Ｖ和Ｗ分别代表输入层到隐含层㊁隐含层到输出层和隐含层之间的连接权值矩阵ꎮ１.２㊀长短期记忆网络(ＬＳＴＭ)ＬＳＴＭ网络是将ＲＮＮ的隐含层单元替换为ＬＳＴＭ细胞ꎬ使其能够避免梯度消失和梯度爆炸的问题ꎬ且具有长期记忆的能力ꎮＬＳＴＭ模型的隐含层结构见图１ꎮＬＳＴＭ网络包含一组记忆模块ꎬ取代了常规ＲＮＮ中的隐含层单元ꎮ每个模块包含一个或多个具有内部状态的记忆细胞ꎬ如图１最上方的水平线ꎬ表示细胞状态ꎬ可以看做是记忆链条ꎬ细胞状态会沿着整个链条传送ꎬ只在少数地方有一些线性交互ꎬ因此使得ＬＳＴＭ可以记忆长期的信息ꎮ记忆模块还包含３个用于控制信息流入㊁流出的门ꎮＬＳＴＭ计算过程如下ꎮ１)记忆模块中忘记门决定哪些信息需要从细胞中抛弃ꎬ表达式为１２１图１㊀ＬＳＴＭ网络结构示意ｆｔ＝σ(Ｗｆ ｈｔ－１＋Ｕｆ ｘｔ＋ｂｆ)(２)式中:ｘｔ为该时刻的输入ꎻｈｔ－１为上一时刻隐含层的输出ꎻｆｔ为忘记门的输出ꎻＷｆ㊁Ｕｆ㊁ｂｆ分别为忘记门的权值项和偏置项ꎻσ为ｓｉｇｍｏｉｄ激活函数ꎮ２)输入门(ｉｎｐｕｔｇａｔｅ)决定什么样的信息应该被存储ꎬ这个过程主要分为两步ꎬ第一步ｓｉｇ￣ｍｏｉｄ层决定哪些值需要被更新ꎮｉｔ＝σ(Ｗｉ ｈｔ－１＋Ｕｉ ｘｔ＋ｂｉ)(３)式中:Ｗｉ㊁Ｕｉ㊁ｂｉ分别为输入门的权值项和偏置项ꎻ第二步ｔａｎｈ层生产了一个候选向量 Ｃｔꎬ将加入细胞状态中ꎬ表达式为Ｃｔ＝ｔａｎｈ(Ｗｃ ｈｔ－１＋Ｕｃ ｘｔ＋ｂｃ)(４)式中:Ｗｃ㊁Ｕｃ㊁ｂｃ分别为权值项和偏置项ꎬ为双曲正切激活函数ꎮ３)将忘记门和输入门输出的两个值结合起来并更新细胞状态ＣｔꎮＣｔ＝Ｃｔ－１ˑｆｔ＋ Ｃｔˑｉｔ(５)㊀㊀４)最后输出门基于新的细胞状态确定输出的内容ꎮＯｔ＝σ(Ｗｏ ｈｔ－１＋Ｕｏ ｘｔ＋ｂｏ)(６)ｈｔ＝Ｏｔˑｔａｎｈ(Ｃｔ)(７)式中:ｈｔ表示该时刻隐含层输出ꎮＬＳＴＭ网络训练采用基于时间的反向传播算法(ｂａｃｋｐｒｏｐａｇａｔｉｏｎｔｒｏｕｇｈｔｉｍｅꎬＢＰＴＴ)ꎬ其基本原理与经典的误差反传算法(ｂａｃｋｐｒｏｐａｇａｔｉｏｎꎬＢＰ)相似ꎬ均包含正向传播和反向传播的过程ꎮ２㊀模型建立２.１㊀模型结构为了深入挖掘船舶历史航行数据ꎬ以船舶航向㊁航速和经度㊁纬度作为ＬＳＴＭ网络的输入ꎬ充分利用与船舶位置联系最紧密的航行信息ꎬ构造实时航迹预测模型ꎬ模型结构见图２ꎮ图２㊀航迹预测模型结构示意对于目标船舶ꎬ其在ｔ时刻的航行状态特征可以表示为Ｓ(ｔ)＝{λｔꎬφｔꎬｖｔꎬαｔ}(８)式中:λｔ㊁φｔ㊁ｖｔ㊁αｔ分别代表船舶在ｔ时刻的经度㊁纬度㊁速度和航向ꎮ考虑到模型实时性要求ꎬ保证网络的预测输出能够确定船舶位置即可ꎬ不需要预测的船舶速度和航向信息ꎬ以减少模型计算量ꎮ综上ꎬ采用船舶的ｔ时刻及其前ｎ－１个时刻的经度㊁纬度㊁航速㊁航向作为ＬＳＴＭ网络的输入ꎬｔ＋１时刻船舶的经纬度坐标作为输出ꎬ建立ＬＳＴＭ航迹预测模型ꎬ则ｔ＋１时刻船舶位置可以表示为Ｌ(ｔ＋１)＝ｇ(Ｓ(ｔ)ꎬＳ(ｔ￣１)ꎬ ꎬＳ(ｔ￣ｎ＋１))(９)式中:Ｌ(ｔ＋１)＝(λｔ＋１ꎬφｔ＋１)ꎬｇ表示所训练的模型ꎮ２.２㊀数据分析２.２.１㊀数据来源船舶自动识别系统(ａｕｔｏｍａｔｉｃｉｄｅｎｔｉｆｉｃａｔｉｏｎｓｙｓｔｅｍꎬＡＩＳ)数据中蕴含着丰富的船舶信息ꎬ装有ＡＩＳ的船舶能够将其自身的经纬度坐标㊁航速㊁航向等动态信息以及ＭＭＳＩ㊁船长㊁船名等静态信息周期地向附近水域船舶及岸基广播[１１]ꎮ因此ꎬ将船舶ＡＩＳ信息作为数据来源ꎮ２.２.２㊀ＡＩＳ数据修复实际的ＡＩＳ数据中包含大量的错误数据[１２]ꎬ此外ꎬ航迹数据采样间隔一般不相等ꎬ限制了模型的应用ꎮ本文所用到的ＡＩＳ数据主要为动态信息ꎬ因此要对船舶经纬度㊁航速㊁航向等数据进行修复ꎮ１)异常值剔除ꎮ使用分箱的方式ꎬ将数据分到一系列等宽的 箱 中ꎬ若一个数据点在某一属性上的值ꎬ位于 箱 中所有数据点在这一属性上２２１统计平均值的３倍标准差之外ꎬ就认为这个点是异常值点ꎬ需要被剔除ꎮ２)时间对齐ꎮ针对１)中剔除的异常值需要用合理的值来替代以及ＡＩＳ数据本身就存在的缺失值ꎬ使用三次样条插值的方法对其修复ꎬ以获得时间间隔相等的航迹数据ꎮ选取缺失数据点ｔ前后相邻两点ꎬ提取他们的时间ｔｉ㊁ｔｉ＋１ꎬ船舶位置为(λｉꎬφｉ)㊁(λｉ＋１ꎬφｉ＋１)ꎮ对于在ｔｉ㊁ｔｉ＋１之间的ｔ时刻的船舶经度数据可以用式(１０)计算ꎮλ(ｔ)＝Ｍｉ(ｔｉ＋１－ｔ)３６ｈｉ＋Ｍｉ＋１(ｔ－ｔｉ)３６ｈｉ＋(λｉ－Ｍｉｔｉ＋１－ｔｈｉ)＋(λｉ＋１－Ｍｉ＋１ｈ２ｉ６)ｔ－ｔｉｈｉ(１０)式中:ｈｉ＝ｘｉ－ｘｉ－１ꎻＭｉ为插值函数λ(ｔ)在节点ｔｉ处的二阶导数值ꎮ同理可以计算出插值点ｔ时的船舶纬度㊁速度㊁航向等数据ꎮ在真实航迹上人为添加一些异常值ꎬ并用所述方法修复ꎬ仿真航迹修复结果见图３ꎬ可以看出ꎬ插值得到的数据点能够准确反映船舶航迹的真实情况ꎮ图３㊀船舶航迹插值示意３㊀实验分析３.１㊀实验数据选取渤海水域烟台到大连段某船真实航行的ＡＩＳ数据作为原始样本ꎬ按照时间顺序将其前４/５划分为训练集ꎬ后１/５用于测试训练好的ＬＳＴＭ模型ꎬ原始数据经修复之后用于网络训练和测试ꎮ３.２㊀模型训练与预测航迹预测流程见图４ꎮ１)ＡＩＳ数据预处理ꎮ由于ＡＩＳ数据在不同船速下传输时间间隔不等ꎬ使用前述方法对原始ＡＩＳ数据进行修复之后ꎬ使用三次样条插值对船舶航行数据进行插值ꎬ获得时间间隔为１０ｓ的等间隔数据ꎮ使用ｍｉｎ￣ｍａｘ标准化方法对数据进行图４㊀模型预测流程归一化处理ꎮｙｉ＝ｘｉ－ｍｉｎ{ｘｊ}ｍａｘ{ｘｊ}－ｍｉｎ{ｘｊ}(１１)式中:１ɤｉɤｎꎬ１ɤｊɤｎꎬｍａｘ{ｘｊ}为样本数据的最大值ꎬｍｉｎ{ｘｊ}为样本数据的最小值ꎬ转换后的数据均在[０ꎬ１]内ꎬ避免因输入数据间量级差别较大对ＬＳＴＭ网络模型影响ꎮ２)模型参数初始化ꎮ使用Ｘａｖｉｅｒ方法对网络权值初始化ꎬ使用网格搜索的方法对ＬＳＴＭ网络时间步㊁隐含层节点㊁学习率㊁批大小等参数进行寻优ꎮ网络参数选择如下:输入层节点为４ꎬ隐含层节点为１００ꎬ输出层节点为２ꎬ设置初始学习率为０.００１ꎬ批大小为２０ꎮ３)模型训练ꎮＬＳＴＭ网络的输入考虑了时间顺序ꎬ在考虑连续多个时刻的船舶信息时不再是将多个时刻的向量拼接成一个向量ꎬ而是增加了一阶时间步ꎬ输入数据的格式为矩阵形式ꎮ训练样本表示为{ｘｔ:[Ｓ(ｔ)ꎬＳ(ｔ－１)ꎬ ꎬＳ(ｔ－ｎ＋１)]ꎬＹｔ:Ｌ(ｔ＋１)}(１２)式中:ｎ为时间步长ꎬ使用ａｄａｍ优化算法对网络权值进行更新ꎬ根据设置的误差率确定网络最终的权值ꎮ４)模型预测ꎮ训练完成后ꎬ将测试样本输入到模型中进行预测ꎬ同时还要对预测的结果反归一化ꎬ使得预测得到的航迹数据具有真实的物理意义ꎮ３.３㊀实验结果为了验证方法的可行性与可靠性ꎬ选取船舶直行和转向两种情况下各２００组连续数据进行实验ꎬ数据时间间隔为１０ｓꎬ前４/５数据用于网络训练ꎬ后１/５数据用于预测ꎮ３.３.１㊀不同时间步长对实验结果的影响时间步长即连续ｎ个时刻的船舶航迹数据输３２１入ꎬ直接影响航迹预测的准确性ꎬ为了选择合适的时间步长ꎬ保证网络其他参数不变ꎬ改变时间步长ꎬ对比不同时间步长下的预测结果ꎬ见图５ꎮ图５㊀不同时间步预测误差结果使用均方根误差ΔＲＭＳＥ作为误差评价指标ꎬ越低则表明误差越小ꎬ其数学表达式为ΔＲＭＳＥ＝１ｍðｍｉ＝１(ｙｉ－＾ｙｉ)２(１３)式中:ｍ表示样本数量ꎮ随着时间步长增大ꎬ网络预测误差逐渐呈下降趋势ꎬ当时间步过长时ꎬ输入的前后关联性减小造成网络的预测误差增加ꎬ并经实验验证在时间步等于５时的ΔＲＭＳＥ最小ꎮ３.３.２㊀船舶实时航迹预测结果对比航行预测结果及误差分析见图６㊁７ꎮ图６㊀直行预测结果图７㊀转向预测结果图６ａ)和７ａ)中空心坐标点为真实航迹ꎬ实心点为预测数据ꎬ可以看出预测的航迹可以较好地反映出训练集船舶的航行趋势ꎬ且预测航迹与真实航迹吻合较好ꎮ由图６ｂ)㊁ｃ)和７ｂ)㊁ｃ)可以看出ꎬ两种情况下的经纬度预测最大误差不超过５ˑ１０－４ʎꎬ表明该模型具有一定的预测精度ꎬ可以满足监控中心对船舶进行监控和管理的需求ꎮ３.３.３㊀输入对模型预测精度的影响为了分析航速ｖ㊁航向α作为输入对预测精度的影响ꎬ将网络的输入改为仅包含船舶的经纬度坐标ꎬ使用转向情况下的航迹数据进行验证ꎬ实验结果见表１ꎮ表１㊀输入对预测精度的影响对比模型输入最大偏差/(ʎ)经度纬度λ㊁φ㊁ｖ㊁α１.４８ˑ１０－４４.７６ˑ１０－４ｖ㊁α４.７２ˑ１０－４６.６２ˑ１０－４㊀㊀可以看出ꎬ含航速㊁航向的预测模型相对于仅有经纬度输入的情况ꎬ对船舶的航迹的预测误差大大减小ꎬ预测精度也相对提高ꎮ４２１３.３.４㊀不同模型预测精度对比选择灰色预测ＧＭ(１ꎬ１)模型和ＢＰ神经网络与所提方法进行对比实验ꎮ其中ＧＭ(１ꎬ１)模型灰发展系数取０.５ꎬ单一使用经度和纬度进行训练和预测ꎻＢＰ网络的层数设置为四层ꎬ输入层㊁隐含层１㊁隐含层２㊁输出层维数分别为４㊁５０㊁１０㊁２ꎬ同样使用经度㊁纬度㊁航速和航向作为网络输入ꎬ经纬度作为输出ꎬ实验结果见图８ꎮ可以看出本文方法相较于灰色预测模型和ＢＰ网络有着更高的预测精度ꎮ图８㊀不同模型预测结果对比４㊀结论相较于传统方法ꎬ基于ＬＳＴＭ网络的航迹预测模型具有更高的精度ꎻ利用三次样条插值可以将不等间隔的航迹数据处理成整周期采样ꎬ可有效避免不等间隔数据对模型的限制ꎬ能够快速准确地预测船舶航迹ꎮ未来的研究应考虑模型的在线更新和实时预测ꎬ以进一步提高模型的航迹预测能力ꎮ参考文献[１]阮群生ꎬ李豫颖ꎬ龚子强.一种基于最小二乘法的船舶碰撞计算方法[Ｊ].计算机工程ꎬ２０１２ꎬ３８(１５):２５４￣２５７.[２]赵帅兵ꎬ唐诚ꎬ梁山ꎬ等.基于改进卡尔曼滤波的控制河段船舶航迹预测[Ｊ].计算机应用ꎬ２０１２ꎬ３２(１１):３２４７￣３２５０.[３]徐铁ꎬ蔡奉君ꎬ胡勤友ꎬ等.基于卡尔曼滤波算法船舶ＡＩＳ轨迹估计研究[Ｊ].现代电子技术ꎬ２０１４ꎬ３７(５):９７￣１００ꎬ１０４.[４]刘锡铃ꎬ阮群生ꎬ龚子强.船舶航行ＧＰＳ定位轨迹的新预测模型[Ｊ].江南大学学报(自然科学版)ꎬ２０１４ꎬ１３(６):６８６￣６９２.[５]ＴＯＮＧＸꎬＣＨＥＮＸꎬＳＡＮＧＬꎬｅｔａｌ.Ｖｅｓｓｅｌｔｒａｊｅｃｔｏｒｙｐｒｅｄｉｃｔｉｏｎｉｎｃｕｒｖｉｎｇｃｈａｎｎｅｌｏｆｉｎｌａｎｄｒｉｖｅｒ[Ｃ].Ｉｎｔｅｒ￣ｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅｏｎＴｒａｎｓｐｏｒｔａｔｉｏｎＩｎｆｏｒｍａｔｉｏｎａｎｄＳａｆｅｔｙ.ＩＥＥＥꎬ２０１５:７０６￣７１４.[６]ＫＡＷＡＮＢꎬＷＡＮＧＨꎬＬＩＧꎬｅｔａｌ.Ｄａｔａ￣ｄｒｉｖｅｎＭｏｄｅｌ￣ｉｎｇｏｆＳｈｉｐＭｏｔｉｏｎＰｒｅｄｉｃｔｉｏｎＢａｓｅｄｏｎＳｕｐｐｏｒｔＶｅｃｔｏｒＲｅｇｒｅｓｓｉｏｎ[Ｃ].ＣｏｎｆｅｒｅｎｃｅｏｎＳｉｍｕｌａｔｉｏｎ＆Ｍｏｄｅｌｌｉｎｇꎬ２０１７.[７]徐婷婷ꎬ柳晓鸣ꎬ杨鑫.基于ＢＰ神经网络的船舶航迹实时预测[Ｊ].大连海事大学学报ꎬ２０１２ꎬ３８(１):９￣１１.[８]甄荣ꎬ金永兴ꎬ胡勤友ꎬ等.基于ＡＩＳ信息和ＢＰ神经网络的船舶航行行为预测[Ｊ].中国航海ꎬ２０１７ꎬ４０(２):６￣１０.[９]ＡＬＡＨＩＡꎬＧＯＥＬＫꎬＲＡＭＡＮＡＴＨＡＮＶꎬｅｔａｌ.ＳｏｃｉａｌＬＳＴＭ:ＨｕｍａｎＴｒａｊｅｃｔｏｒｙＰｒｅｄｉｃｔｉｏｎｉｎＣｒｏｗｄｅｄＳｐａｃｅｓ[Ｃ].ＩＥＥＥＣｏｎｆｅｒｅｎｃｅｏｎＣｏｍｐｕｔｅｒＶｉｓｉｏｎａｎｄＰａｔｔｅｒｎＲｅｃｏｇｎｉｔｉｏｎ.ＩＥＥＥＣｏｍｐｕｔｅｒＳｏｃｉｅｔｙꎬ２０１６:９６１￣９７１.[１０]权波ꎬ杨博辰ꎬ胡可奇ꎬ等.基于ＬＳＴＭ的船舶航迹预测模型[Ｊ].计算机科学ꎬ２０１８ꎬ４５(Ｓ２):１２６￣１３１.[１１]高宗江ꎬ张英俊ꎬ刘渐道ꎬ等.ＡＩＳ异常信息的判断及分析[Ｊ].船海工程ꎬ２０１７ꎬ４６(４):２２０￣２２２ꎬ２２７.[１２]刘兴龙ꎬ初秀民ꎬ马枫ꎬ等.ＡＩＳ报文异常动态信息甄别方法[Ｊ].交通运输工程学报ꎬ２０１６ꎬ１６(５):１４２￣１５０.ＴｈｅＳｈｉｐＴｒａｃｋＰｒｅｄｉｃｔｉｏｎＭｅｔｈｏｄＢａｓｅｄｏｎＬｏｎｇＳｈｏｒｔ￣ｔｅｒｍＭｅｍｏｒｙＮｅｔｗｏｒｋＣＨＥＮＫａｉ￣ｄａꎬＺＨＵＹｏｎｇ￣ｓｈｅｎｇꎬＹＡＮ￣ＫｅꎬＣＡＩＹｉ￣ｑｉｎｇꎬＲＥＮＺｈｉ￣ｊｕｎꎬＧＡＯＤａ￣ｗｅｉ(ＫｅｙＬａｂｏｒａｔｏｒｙｏｆＥｄｕｃａｔｉｏｎＭｉｎｉｓｔｒｙｆｏｒＭｏｄｅｒｎＤｅｓｉｇｎａｎｄＲｏｔｏｒ￣ＢｅａｒｉｎｇＳｙｓｔｅｍꎬＸｉ ａｎＪｉａｏｔｏｎｇＵｎｉｖｅｒｓｉｔｙꎬＸｉ ａｎ７１００４９ꎬＣｈｉｎａ)Ａｂｓｔｒａｃｔ:Ａｔｒａｊｅｃｔｏｒｙｐｒｅｄｉｃｔｉｏｎｍｅｔｈｏｄｗａｓｐｒｏｐｏｓｅｄｂａｓｅｄｏｎｌｏｎｇｓｈｏｒｔ￣ｔｅｒｍｍｅｍｏｒｙｎｅｔｗｏｒｋꎬｉｎｗｈｉｃｈｔｈｅｄａｔａｏｆａｕｔｏ￣ｍａｔｉｃｉｄｅｎｔｉｆｉｃａｔｉｏｎｓｙｓｔｅｍ(ＡＩＳ)ｗａｓｒｅｐａｉｒｅｄｂｙｃｕｂｉｃｓｐｌｉｎｅｉｎｔｅｒｐｏｌａｔｉｏｎｔｏｅｎｓｕｒｅｅｑｕａｌｔｉｍｅｉｎｔｅｒｖａｌｏｆｄａｔａꎬｔｏｅｓｔａｂｌｉｓｈｔｈｅｒｅａｌ￣ｔｉｍｅｐｒｅｄｉｃｔｉｏｎｍｏｄｅｌｏｆｔｒａｊｅｃｔｏｒｙｂｙｔａｋｉｎｇｓｈｉｐｌｏｎｇｉｔｕｄｅꎬｌａｔｉｔｕｄｅꎬｓｐｅｅｄａｎｄｃｏｕｒｓｅａｓｉｎｐｕｔａｎｄｌｏｎｇｉｔｕｄｅａｎｄｌａｔｉｔｕｄｅａｓｏｕｔｐｕｔ.Ｔｈｅｅｘｐｅｒｉｍｅｎｔａｌｒｅｓｕｌｔｓｄｅｍｏｎｓｔｒａｔｅｄｔｈａｔｔｈｅｍｅｔｈｏｄｃａｎｂｒｅａｋｔｈｒｏｕｇｈｔｈｅｒｅｑｕｉｒｅｍｅｎｔｓｏｆｔｈｅｐｒｅｄｉｃｔｉｏｎｔｉｍｅｉｎｔｅｒｖａｌꎬａｎｄｔｈｅｍａｘｉｍｕｍｅｒｒｏｒｏｆｌａｔｉｔｕｄｅａｎｄｌｏｎｇｉｔｕｄｅｐｒｅｄｉｃｔｉｏｎｉｓｂｅｌｏｗ５ˑ１０－４ʎꎬｓｏａｓｔｏｐｒｅｄｉｃｔｓｈｉｐ ｓｔｒａｊｅｃｔｏｒｙａｃｃｕｒａｔｅｌｙ.Ｋｅｙｗｏｒｄｓ:ｗａｔｅｒｔｒａｎｓｐｏｒｔｓａｆｅｔｙꎻｔｒａｊｅｃｔｏｒｙｐｒｅｄｉｃｔｉｏｎꎻＡＩＳｄａｔａꎻｌｏｎｇｓｈｏｒｔ￣ｔｅｒｍｍｅｍｏｒｙｎｅｔｗｏｒｋ５２１。
基于LSTM的北京空气质量预测实验报告
研究生项目报告学生学号专业电子信息班级人工智能课程名称深度学习任课教师项目名称基于LSTM的北京空气质量预测一、数据集介绍这是一个空气质量数据集，报告了北京2010年到2014年每小时气压风向雨雪量等相关物理量的数据集来反映空气污染水平。
一、数据处理1.将日期时间信息合并为单个日期时间，以便可以将其用作 Pandas 中的索引。
2.删除存在空值数据和标签属性行。
3.将数据集中的'pollution'列中的缺失值（NA）用 0 填充。
4.删除数据集中的前 24 行数据。
5.将数据集保存到名为'pollution.csv'的 CSV 文件中综合起来，该段代码实现了从名为 'raw.csv'的文件中读取数据集，解析日期时间列，进行一些数据处理（如删除列、填充缺失值、删除行），然后将处理后的数据保存为'pollution.csv'文件，并打印出数据集的前 5 行。
处理结果（部分'pollution.csv'数据展示）：数据绘图这段代码的目的是通过绘图展示数据集中特定列的趋势变化。
每个子图对应于一个特定列，图表的纵轴表示该列的数值，横轴表示时间或数据点的索引。
通过绘制折线图，可以观察到每个特定列随时间的变化趋势。
不同的子图分别展示了不同列的趋势，每个子图都有相应的标题来指示所展示的列。
该代码段的输出结果是一个包含多个子图的图表，每个子图对应一个特定列的趋势。
结果：二、将数据转换成监督学习数据该步骤将数据集构建为监督学习问题并对输入变量进行标准化。
将监督学习问题定义为根据前一时间步骤的污染测量和天气条件来预测当前时间(t) 的污染。
首先，加载“pollution.csv”数据集。
风向特征是标签编码的（整数编码）。
接下来，对所有特征进行归一化，然后将数据集转化为监督学习问题。
然后删除要预测的小时(t) 的天气变量。
1.定义series_to_supervised函数：该函数将时间序列数据转换为监督学习型数据。
基于注意力机制的联邦无线流量预测模型
基于注意力机制的联邦无线流量预测模型一、研究背景和意义随着互联网的普及和移动设备的广泛应用，无线流量已经成为人们日常生活中不可或缺的一部分。
如何有效地预测无线流量的未来发展趋势，以满足不断增长的流量需求，成为了一个亟待解决的问题。
在当前的网络环境下，由于用户设备之间的通信是基于私有信道的，这使得流量预测面临着许多挑战，如数据隐私保护、模型训练困难等。
为了解决这些问题，研究者们提出了一种基于注意力机制的联邦无线流量预测模型。
联邦学习是一种分布式机器学习方法，它允许多个参与方在保持数据隐私的前提下共同训练一个共享的模型。
在无线流量预测领域，联邦学习可以有效地解决数据隐私问题，因为每个参与方的数据都是加密的，只有授权的中心服务器才能访问这些数据。
联邦学习还可以提高模型的准确性和鲁棒性，因为它可以利用所有参与方的数据进行全局优化。
注意力机制是一种强大的神经网络架构，它可以自动地为输入序列分配不同的权重，从而捕捉到序列中的重要信息。
在无线流量预测模型中，注意力机制可以帮助模型更好地关注到与预测目标相关的特征，从而提高预测的准确性。
本文提出了一种基于注意力机制的联邦无线流量预测模型，该模型结合了联邦学习和注意力机制的优点。
通过联邦学习，我们可以在保护数据隐私的前提下共享各个参与方的数据，从而获得更丰富的训练数据。
通过引入注意力机制，我们可以使模型更加关注到与预测目标相关的特征，从而提高预测的准确性。
通过对模型进行优化和调整，我们可以进一步提高预测性能。
基于注意力机制的联邦无线流量预测模型具有很强的研究背景和意义。
它不仅可以解决数据隐私问题，还可以提高模型的准确性和鲁棒性。
在未来的研究中，我们可以进一步探讨如何在保证数据隐私的前提下实现更高效、更准确的无线流量预测。
A. 联邦学习的概念和应用场景联邦学习是一种分布式机器学习方法，它允许多个参与方在保持数据隐私的同时共同训练一个共享的模型。
联邦学习的核心思想是将数据分布在多个设备或服务器上，每个参与方只负责本地数据的处理和模型的更新，而不需要将原始数据集中的所有信息传输给中心服务器。
《基于C-LSTM的作业查重系统研究与实现》
《基于C-LSTM的作业查重系统研究与实现》一、引言随着信息技术的飞速发展，教育领域对学术诚信的重视程度日益提高。
作业查重作为防止学术不端行为的重要手段，已经引起了广泛关注。
传统的查重方法往往基于关键词匹配或简单的文本比对，但在面对海量的作业数据时，其效率和准确性难以满足需求。
近年来，深度学习技术在自然语言处理领域取得了显著成果，其中C-LSTM（卷积长短期记忆网络）模型在处理序列数据方面具有独特优势。
本文旨在研究并实现一个基于C-LSTM的作业查重系统，以提高查重效率和准确性。
二、C-LSTM模型概述C-LSTM模型是一种结合了卷积神经网络（CNN）和长短期记忆网络（LSTM）的深度学习模型。
CNN能够提取文本的局部特征，而LSTM则可以处理序列数据，捕获文本的时序信息。
因此，C-LSTM模型在处理自然语言任务时具有较好的性能。
在作业查重系统中，C-LSTM模型可以用于提取作业文本的特征，并通过比对特征来检测抄袭。
三、系统设计与实现1. 数据预处理：首先，对作业数据进行预处理，包括去除标点符号、停用词等，将文本转换为计算机可处理的格式。
2. 特征提取：利用C-LSTM模型对预处理后的作业文本进行特征提取。
具体而言，通过CNN提取文本的局部特征，然后利用LSTM捕获文本的时序信息，最终得到作业文本的特征向量。
3. 查重算法：将提取的特征向量输入到查重算法中，通过比对特征向量的相似度来检测抄袭。
具体而言，可以采用余弦相似度等算法来计算特征向量的相似度。
4. 系统架构：系统架构包括数据层、特征提取层、查重算法层和用户交互层。
数据层负责存储作业数据，特征提取层利用C-LSTM模型提取特征，查重算法层负责比对特征并检测抄袭，用户交互层提供用户界面，方便用户上传作业和查看查重结果。
四、实验与分析1. 实验数据：采用某高校学生的作业数据作为实验数据，包括文本、代码等多种形式。
2. 实验方法：将基于C-LSTM的查重系统与传统的查重方法进行对比实验，分别从准确率、召回率、F1值等指标评估系统的性能。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
开发案例现代计算机（www.moderncomputer.cn）2019.09下文章编号：1007-1423（2019）27-0076-04DOI：10.3969/j.issn.1007-1423.2019.27.017基于LSTM模型的Web页面访问量预测
林峰，江荔（福州职业技术学院，福州350108）摘要：为了有效预测未来高热度的Web页面，基于循环人工神经网络的理论，通过对Web页面访问量进行最大最小化预处理，形成标准时间序列，并构建含1,169个参数的LSTM网络模型，经过测试，该模型具有收敛性，均方根误差值可达19.45，具有较高的准确性。关键词：长短期记忆网络（LSTM）；访问量预测；时间序列基金项目：福建省教育厅中青年教师教育科研项目（No.JAT171063）
0引言互联网用户的激增和上网行为的普及，给网站的正常运维带来了挑战。为了应对用户的高并发访问，负载均衡、缓存技术、分布式存储是IT运维人员常用的技术手段和解决方案。特别是缓存技术的使用，将Web页面内容存储在专用的缓存服务器内存中，能够
提高网页的加载速度，减少磁盘的I/O操作，极大地缓解网站的负载，为用户带来更好的体验。但是缓存服务器的数量和性能是有限的，特别是中小企业的Web站点，不可能将庞大的Web页面内容完全存储到缓存服务器中。因此如何预测未来高热度的Web页面地址，并将其内容提前存储到缓存服务器中已成为当前研究的热点之一[1-3]。时间序列分析是用来研究数据随时间变化而变化的一类技术，它的基本出发点是事物的发展具有一定的连续性，会按照本身固有的规律进行，只要规律依赖的条件不产生质的变化，则事物未来的基本发展趋势仍将会有规律的延续下去。Web页面访问量就可采用时间序列分析技术进行预测。时间序列分析常用的算法包括移动平均（MA）、指数平滑（ES）和差分自回归移动平均模型（ARIMA），这些算法基于数理统计，对大数
据量的时间序列预测存在精度不高的问题[4]。LSTM（LongShortTermMemory，长短期记忆网络）是一种循环神经网络，是当前深度学习技术领域中较为热门的算法模型，在语音识别、时间序列、机器翻译等领域具有广泛而成功的应用，对大数据量的时间序列预测有较高的精确度[5-6]。本文基于循环人工神经网络的理论，通过对Web页面访问量进行标准化预处理，构造含1,169个参数的长短期记忆网络，经过100轮的训练，长短期记忆网络损失函数可逐步收敛，通过样本集的测试，模型均方根误差（RootMeanSquareError，RMSE）可达19.45，具有较高的准确性，可用于Web页面访问量的预测，结合Web缓存等技术，对提高网站的整体性能将有显著的
成效。1LSTM网络
循环神经网络（RecurrentNeuralNetwork，RNN）是一类递归神经网络，可处理序列数据，具有记忆性、持续性等特点，能以很高的效率对序列特征进行学习，在机器翻译、语音识别和个性化推荐领域中，有着广泛的应用。LSTM是循环神经网络RNN的一种改进版本，由Hochreiter和Schmidhuber于1997年提出，可解决
开发案例现代计算机（www.moderncomputer.cn）2019.09下传统RNN网络梯度消失、不能有效保留长时间记忆信息等缺点。LSTM通过输入门（InputGate）、忘记门（ForgetGate）、候选门（CandidateGate）、输出门（OutputGate）等4个相互交互的“门”单元，控制着记忆信息值
的修改。忘记门是较为重要和复杂的门单元，其作用是控制着要从前面的记忆中丢弃多少信息。以音乐个性化推荐为例，用户过去的行为操作，对当前的推荐决策有重要的影响：对于正向操作行为，如用户对某一位歌手的歌曲特别感兴趣，那么这种正向操作的“记忆”将得到加强；相反对于负向操作行为，如删除、跳过等行为，其对应的信息则会逐渐减弱。忘记门是通过如公式（1）所示的激活函数来实现的：ft=sigmoid(WTf×St-1+UTf×xt+bf
)
（1）
式中通过将上一隐藏层的输出信息St-1与当前的
输入xt进行线性组合，利用激活函数将函数值进行压
缩，得到一个0到1之间的值：当该值越接近于1时，表征记忆体保留的信息越多；当该值越接近于0时，表征记忆体丢弃的信息越多[7-9]。2基于LSTM模型的Web页面访问预测
2.1数据集描述本文所使用的时间序列数据集，来自互联网标准测试数据集“WebTrafficTimeSeriesForecasting”，该数据集记录了近145,000篇维基百科页面，从2015年7月1日到2016年12月31日近550天内，每日的访问量情况。数据格式如表1所示。
表1数据集样例
其中，中文维基百科“3C”词条的页面日访问情况如图1所示，可以观测到该访问曲线存在两个高峰值，若能成功预测出现高峰的日期，并提前对该页面内容进行预处理，势必能极大提高网站性能，缓解服务器压力。
图1维基百科某页面日访问情况2.2数据预处理页面访问量数据原始值取值范围差异过大，不适合直接用于分析和建模，需要经过标准化预处理。根据本文问题域的特点，采用如公式（2）所示的最大最小标准化方法，经过预处理后的时间序列值的范围在[0,1]，适合进行统一的建模分析使用。
X=x-minmax-min（2）
2.3构建LSTM循环神经网络数据集经过最大最小标准化预处理后，按时间递进关系，将前70%的数据用做训练集，后30%的数据用做测试集。需要注意的是，与传统有监督学习建模方法不同，训练集和测试集必须严格按照时间排序，不能随机抽选，以避免模型无法学习到正确的时间特征。经过多次分析测试，本文所构建的LSTM循环神经网络主要由LSTM及DENSE两个层级构成，其中LSTM层共有16个神经元，涉及参数1,152个；DENSE
层共有1个神经元，涉及参数17个，整个神经网络合计参数1,169个。此外，在LSTM循环神经网络迭代训练过程中，使用的损失函数为均方误差（Mean-SquareError，MSE），优化函数使用标准的Adam函数，整个神经网络具有较高的学习效率及较快的收敛速度。3实验结果分析
3.1实验环境本次实验所用计算机设备CPU型号为英特尔Xe⁃onE5-2650，8核心16线程，主频2.2GHz；内存16GB，
DDR3代。LSTM网络的构建前端使用Keras2.2.2，后
端使用TensorFlow1.11.0。
开发案例现代计算机（www.moderncomputer.cn）2019.09下3.2结果分析通过使用开源框架Keras及TensorFlow构建LSTM网络模型，经过100轮的训练，用均方误差MSE
表征的损失函数，已可逐步收敛稳定，且不再随训练周期的增加而减小。损失函数具体收敛情况如图2所示。
图2损失函数收敛情况关于所训练模型的准确性情况，以中文维基百科“3C”词条为例，经测试，训练集（前70%的数据）均方根误差RMSE值为8.64，测试集（后30%的数据）均方根误差RMSE值为19.45，具有较高的准确性，可用于实际生产环境。同时观察如图3所示的曲线，网络模型可以通过学习到的第一次波峰特征，准确预测到第二次出现波峰的时间，预测数据与实际数据拟合情况良好。
图3模型拟合情况4结语互联网用户的激增和上网行为的普及，为网站的正常运维带来了挑战。如何预测未来高热度的Web页面地址，并将其内容提前存储到缓存服务器中已成为当前研究的热点之一。本文以互联网标准测试数据集“WebTrafficTimeSeriesForecasting”为研究对象，通过对数据进行最大最小预处理，将前70%数据作为训练样本集，后30%数据作为测试样本集，构建了含1,169个参数的LSTM网络，经过100轮周期的训练，
模型可逐渐收敛，最终测试集均方根误差可控制在20内，具有较高的准确性，可与Web缓存技术进行结合，对网站性能的提升将有显著的成效。
参考文献：[1]申利民，陈真，李峰.考虑数据变化范围的Web服务服务质量协同预测方法[J].计算机集成制造系统，2017，23（1）:215-224.
[2]易俗，殷慧文，张一川，等.分布式环境下的频繁数据缓存策略[J].计算机应用与软件，2017，34（8）:12-17.[3]程雯，杨阳，陈峰.基于社交网络的Web缓存架构研究[J].电子设计工程，2017，25（17）:191-193.[4]杨海民，潘志松，白玮.时间序列预测方法综述[J].计算机科学，2019，46（01）:21-28.[5]杨祎玥，伏潜，万定生.基于深度循环神经网络的时间序列预测模型[J].计算机技术与发展，2017，27（3）:35-38.[6]王鑫，吴际，刘超，等.基于LSTM循环神经网络的故障时间序列预测[J].北京航空航天大学学报，2018，44（4）:772-784.[7]厍向阳，王邵鹏.基于卷积-LSTM网络的广告点击率预测模型研究[J].计算机工程与应用，2019，55（02）:193-197.[8]ZhengZ，ChenW，WuX，etal.LSTMNetwork:aDeepLearningApproachforShort-TermTrafficForecast[J].IETIntelligentTransportSystems，2017，11（2）:68-75.[9]KarimF，MajumdarS，DarabiH，etal.LSTMFullyConvolutionalNetworksforTimeSeriesClassification[J].IEEEAccess，2017，6（99）:1662-1669.
作者简介：林峰（1986-），男，福建漳州人，硕士，工程师，研究方向为大数据架构、深度学习算法应用等江荔（1979-），女，湖北天门人，本科，副教授，研究方向为智能计算、虚拟现实技术收稿日期：2019-08-14修稿日期：2019-08-30