确定性网络5G-A终端时延预测

工业控制场景下5G-A终端传输时延是确定性网络能力的直接表征之一,时延预测对提高网络确定性至关重要。由于传输时延序列的不稳定性和随机性,单一模型难以准确预测。针对该问题,提出一种基于优化变分模态分解(Variational Mode Decomposition, VMD)和卷积注意力长短时记忆网络(Convolutional Attention Long Short Term Memory Network, CA-LSTM)的传输时延预测方法。为提高VMD的分解性能,利用相关系数检验法确定时延序列分解的模态数,并利用蝗虫优化寻优分解的惩罚因子和保真度系数;设计CA-LSTM网络,借助卷积滤波器以及注意力机制使得网络具备分辨时延特征重要程度的能力;将各模态预测值重建成一维时延值得到预测结果。实验研究结果表明,优化VDM能够将5G终端传输时延序列有效分解,结合CA-LSTM模型相比于经典LSTM在MSE、RMSE和MAE上分别提升了37.1%、21.3%和23.6%。

土地利用演变过程的人工智能建模

【目的】土地是人类赖以生存和发展的基础,土地的变化情况对于人类的经济、政治、环境等有诸多影响。为了准确把握土地利用变化的规律以及演变过程,给土地利用演变研究提供方法。【方法】本文以广东车八岭国家自然保护区为例,采用基于LSTM的循环神经网络与元胞自动机的耦合模型对保护区2005—2017年的土地利用变化进行训练和模拟来得到土地利用的动态演变结果。模型主要包括数据预处理、循环神经网络、元胞自动机以及模型校验等模块。【结果】实验综合考虑自然因子、社会因素、距离因子等14个空间变量作为模型的输入变量,通过设置不同的阈值和随机变量进行校验和模拟。最后将模拟结果与实际土地利用对比发现无论是模拟精度还是Kappa系数都高于传统模型的模拟结果。【局限】实验中空间变量的个数和种类还较单一,还需进一步增加相关变量和驱动因子。【结论】采用基于LSTM的RNN-CA模型提高模拟的效果,可以满足土地利用变化的模拟研究,为土地利用变化的研究提供借鉴。