基于强化学习的分层协作边缘缓存架构

针对传统的由数据中心直接响应用户内容请求存在延迟的问题,提出了一种基于强化学习算法的分层协作边缘缓存架构(HCEA),在靠近用户的边缘端部署多个小型基站来动态缓存数据中心的内容。上述架构基于A3C强化学习算法,利用上述算法可以学习到最优的内容缓存策略。对于新增节点会导致的冷启动问题,提出通过KNN算法找到新增节点的最近邻,然后通过迁移学习传递神经网络参数的方法来解决。通过设计双层网络模型来减少回程链路负载,进一步降低延迟。仿真结果表明,与其它算法相比,上述架构能有效提高缓存命中率和解决新增节点的冷启动问题。

改进骆驼算法辅助随机森林模型预测TBM油温

为获取对盾构机(Tunnel Boring Machine,TBM)油温的分类预测性能,基于自然天气现象,提出一种骆驼行走阻力与行走耐力策略改进骆驼算法优化随机森林的预测模型。首先,采用提出的策略对传统骆驼算法进行改进,结果表明,改进后的骆驼算法具有良好的收敛速度和收敛精度;其次,利用改进骆驼算法对随机森林建立的盾构机油温预测模型进行参数优化,获得最优模型;最后,在此基础上,对测试数据集进行分类预测研究分析。实验结果表明,提出的模型预测准确率达到97.71%,相比于传统随机森林模型在准确率上提升了6.38%,可以达到避免油温过高引起盾构机故障的目的,为未来的整机材料-结构-控制多学科协同优化设计和性能预测提供基础。

基于高斯混合模型的时空大数据挖掘算法

时空大数据在各领域中得到了持续的运用,推动着新研究模式的产生。但是,传统数据存取中、分析与挖掘方法则很难支持新研究模式的形成。时空数据的探索性增长以及社交媒体和位置传感技术的出现,使得为分析大数据而开发新的、高效的计算方法十分必要。传统的数据挖掘算法大多是基于小型数据集开展的研究,通常忽略了计算效率,而是更侧重于识别能力的研究。针对传统算法的不足,本文介绍了基于高斯混合模型(GMM)的时空大数据挖掘算法,在GPU上并行了GMM聚类算法,结果显示,模型具有较高的可扩展性和较低的计算成本,但仍需要新的方法来有效地模拟空间和节奏的限制。

地理时空大数据算法平台的研究

大数据时代的飞速发展,为地理时空数据的基础理论、关键技术和平台方面提供了新的思路。首先对地理时空大数据的特点进行了详细阐述;其次分析了地理时空大数据的数据挖掘方法;然后设计了基于地理时空数据分析的算法平台,融合大数据挖掘算法、边缘计算等新兴技术,可以为科学研究和工程应用提供服务;最后,提出了地理时空大数据智慧校园算法平台的应用案例研究。通过研究,可以为地理时空大数据分析提供理论依据和新的方案。

基于CNN-BiLSTM-Attention的超短期电力负荷预测

超短期电力负荷预测对电力系统的快速响应和实时调度至关重要,准确预测负荷能保障电力系统的安全并提高用电效率。为获得准确可靠的负荷预测结果,针对电网负荷数据非线性和时序性等特征,提出了一种基于CNN-BiLSTM-Attention(AC-BiLSTM)的新型超短期电力负荷预测方法。该方法首先将卷积神经网络(CNN)和双向长短期记忆(BiLSTM)网络相结合充分提取负荷数据本身的时空特征。然后引入注意力(Attention)机制自动为BiLSTM隐藏层状态分配相应的权重,以区分不同时间负荷序列的重要性,能够有效减少历史信息的丢失并突出关键历史时间点的信息。最后通过全连接层输出最终负荷预测结果。以某地区真实负荷数据为例进行了实验分析。通过两种实验场景对比,验证了该方法具有较高的预测精度,可以为电力系统规划和稳定运行提供可靠的依据。

地理信息数据集联邦共享技术研究

目前,各类地理数据标准不统一、安全密度低、多以孤岛形式存在等问题日益突出,使得各数据节点无法汇聚,严重影响地理信息数据集的模型训练和分析。联邦学习作为一种新兴技术,对地理信息数据产业做出卓越贡献。文章从地理信息数据集孤岛问题出发,使用基于梯度上升树SecureBoost模型的联邦学习框架,从而实现数据汇聚和共享。实验结果表明:联邦共享技术使用去中心化架构会增加模型的训练时间,但在地理信息数据集方面可以大幅度解决数据孤岛问题,实现数据的共享交换。

一种优化的标签传播方法

社区发现是复杂网络分析领域的一项重要研究内容,而标签传播算法因在分析复杂网络时具有时间复杂度低等优点,获得广泛关注.但标签传播算法中的随机策略降低社区划分结果的稳定性和效率.为解决随机策略引起的问题,提出了一种优化的标签传播方法.该方法引入标签权重,并与标签一起组成二元组,根据标签二元组、节点间的联系度等因素为节点分配初始化标签;同时,在标签传播过程中,根据节点间的联系度等因素进行标签更新.实验结果证明了该方法的有效性和有用性.

一种Device-to-Device移动社交网络中的热点文件预测方法

随着信息技术的蓬勃发展,移动社交网络越来越受到人们的关注,尤其是对移动社交网络中的热点分析.以基于Device-to-Device技术构建的移动社交网络为研究对象,从网络规模、文件分享特征以及用户影响力等方面入手,提出一种预测该类社交网络中热点文件的方法.该方法从信息和用户的角度出发,通过量化文件重要性、文件敏感性、用户参与力和用户影响力四个指标,利用多元线性回归方法建立预测模型,并在真实数据上验证了方法的有效性.

基于微信公众平台构建在线教务信息系统的应用研究

在“互联网+教育”的背景下,将互联网技术和教务信息系统相结合,可方便用户随时随地查询教务信息,提高信息获取便利性。文章提出以微信公众平台融合传统的教务信息系统,利用PHP,Web Service等技术构建基于微信公众平台的在线教务信息系统平台,实现课程表查询,考试成绩查询,空闲教室查询,并结合实际使用情况提出了一定的思考与建议。

动态物联网环境下的联盟学习计算卸载优化

智能城市、智慧工厂等对物联网设备(Internet of Things,IoT)的性能和连接性提出了挑战。边缘计算的出现弥补了这些能力受限的设备,通过将密集的计算任务从它们迁移到边缘节点(Edge Node,EN),物联网设备能够在节约更多能耗的同时,仍保持服务质量。计算卸载决策涉及协作和复杂的资源管理,应该根据动态工作负载和网络环境实时确定计算卸载决策。采用模拟实验的方法,通过在物联网设备和边缘节点上都部署深度强化学习代理来最大化长期效用,并引入联盟学习来分布式训练深度强化学习代理。首先构建支持边缘计算的物联网系统,IoT从EN处下载已有模型进行训练,密集型计算任务卸载至EN进行训练;IoT上传更新的参数至EN,EN聚合该参数与EN处的模型得到新的模型;云端可在EN处获得新的模型并聚合,IoT也可以从EN获得更新的参数应用在设备上。经过多次迭代,该IoT能获得接近集中式训练的性能,并且降低了物联网设备和边缘节点之间的传输成本,实验证实了决策方案和联盟学习在动态物联网环境中的有效性。