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
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。
