本文应用ConvLSTM (Convolutional Long Short-Term Memory)模型解决了空气污染物浓度短时预测的问题。首先基于卷积神经网络和长短期记忆网络对ConvLSTM模型的构建方法进行了探讨,深入剖析了模型的基本构成与结构特性,然后通过实验实...本文应用ConvLSTM (Convolutional Long Short-Term Memory)模型解决了空气污染物浓度短时预测的问题。首先基于卷积神经网络和长短期记忆网络对ConvLSTM模型的构建方法进行了探讨,深入剖析了模型的基本构成与结构特性,然后通过实验实例详细展示了该模型在空气污染物浓度预测领域的应用过程,包括数据预处理、模型训练、预测结果分析等。实验结果表明,ConvLSTM模型用于空气污染物浓度短时预测的精度较高(始终保持在0.1%以内),同时也表明模型预测精度与时间序列并非总是正相关。当时间步长在某个值(本文实验中时间步长为10)附近时,模型预测精度较高。本研究可为其他具有类似时空特征数据序列的预测问题提供参考。展开更多
世界时与协调世界时差值(difference between universal time and coordinated universal time,UT1-UTC)是地球定向参数(Earth orientation parameters,EOP)的重要组成部分,其高精度和快速预测对全球卫星导航系统气象学、人造卫星精密...世界时与协调世界时差值(difference between universal time and coordinated universal time,UT1-UTC)是地球定向参数(Earth orientation parameters,EOP)的重要组成部分,其高精度和快速预测对全球卫星导航系统气象学、人造卫星精密轨道确定等实时应用领域至关重要。传统UT1-UTC预报方法在中长期预测中精度衰减明显,难以满足北斗导航系统及战争环境的精确制导等高精度需求。提出了一种融合地球流体有效角动量(effective angular momentum,EAM)信息的轴向分量χ_(3)数据与EOP14 C04序列的卷积长短期记忆神经网络(convolutional long short-term memory,ConvLSTM)模型预报UT1-UTC的新方法。实测数据分析结果发现,EAM轴向分量χ^(3)和经跳秒与潮汐改正后的UT1-UTC数据具有强相关性,其振幅和相位具有一致的频谱特性,说明EAM轴向分量χ^(3)是UT1-UTC的主要激发源。与参与第二届EOP预报比赛的各家精度进行对比,在90~360 d的中长期预报跨度中,ConvLSTM模型预报精度最优,改善幅度为30.27%~92.44%。对比公报A,时间跨度为60 d、180 d和360 d的中长期预报精度分别提升41.46%、70.07%和59.43%,证实了ConvLSTM能够显著改善UT1-UTC的中长期预报精度。展开更多
针对现有能耗模型对动态工作负载波动具有低敏感性和低精度的问题,该文基于卷积长短期记忆(convolutional long short-term memory, ConvLSTM)神经网络,提出了用于移动边缘计算的服务器智能能耗模型(intelligence server energy consump...针对现有能耗模型对动态工作负载波动具有低敏感性和低精度的问题,该文基于卷积长短期记忆(convolutional long short-term memory, ConvLSTM)神经网络,提出了用于移动边缘计算的服务器智能能耗模型(intelligence server energy consumption model,IECM),用于预测和优化服务器的能量消耗。通过收集服务器运行时间参数,使用熵值法筛选和保留显著影响服务器能耗的参数。基于选定的参数,利用ConvLSTM神经网络训练服务器能耗模型的深度网络。与现有的能耗模型相比,IECM在CPU密集型、I/O密集型、内存密集型和混合型任务上,能够适应服务器工作负载的动态变化,并在能耗预测上具有更好的准确性。展开更多
文摘本文应用ConvLSTM (Convolutional Long Short-Term Memory)模型解决了空气污染物浓度短时预测的问题。首先基于卷积神经网络和长短期记忆网络对ConvLSTM模型的构建方法进行了探讨,深入剖析了模型的基本构成与结构特性,然后通过实验实例详细展示了该模型在空气污染物浓度预测领域的应用过程,包括数据预处理、模型训练、预测结果分析等。实验结果表明,ConvLSTM模型用于空气污染物浓度短时预测的精度较高(始终保持在0.1%以内),同时也表明模型预测精度与时间序列并非总是正相关。当时间步长在某个值(本文实验中时间步长为10)附近时,模型预测精度较高。本研究可为其他具有类似时空特征数据序列的预测问题提供参考。
文摘世界时与协调世界时差值(difference between universal time and coordinated universal time,UT1-UTC)是地球定向参数(Earth orientation parameters,EOP)的重要组成部分,其高精度和快速预测对全球卫星导航系统气象学、人造卫星精密轨道确定等实时应用领域至关重要。传统UT1-UTC预报方法在中长期预测中精度衰减明显,难以满足北斗导航系统及战争环境的精确制导等高精度需求。提出了一种融合地球流体有效角动量(effective angular momentum,EAM)信息的轴向分量χ_(3)数据与EOP14 C04序列的卷积长短期记忆神经网络(convolutional long short-term memory,ConvLSTM)模型预报UT1-UTC的新方法。实测数据分析结果发现,EAM轴向分量χ^(3)和经跳秒与潮汐改正后的UT1-UTC数据具有强相关性,其振幅和相位具有一致的频谱特性,说明EAM轴向分量χ^(3)是UT1-UTC的主要激发源。与参与第二届EOP预报比赛的各家精度进行对比,在90~360 d的中长期预报跨度中,ConvLSTM模型预报精度最优,改善幅度为30.27%~92.44%。对比公报A,时间跨度为60 d、180 d和360 d的中长期预报精度分别提升41.46%、70.07%和59.43%,证实了ConvLSTM能够显著改善UT1-UTC的中长期预报精度。
文摘针对现有能耗模型对动态工作负载波动具有低敏感性和低精度的问题,该文基于卷积长短期记忆(convolutional long short-term memory, ConvLSTM)神经网络,提出了用于移动边缘计算的服务器智能能耗模型(intelligence server energy consumption model,IECM),用于预测和优化服务器的能量消耗。通过收集服务器运行时间参数,使用熵值法筛选和保留显著影响服务器能耗的参数。基于选定的参数,利用ConvLSTM神经网络训练服务器能耗模型的深度网络。与现有的能耗模型相比,IECM在CPU密集型、I/O密集型、内存密集型和混合型任务上,能够适应服务器工作负载的动态变化,并在能耗预测上具有更好的准确性。
