亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于神經(jīng)網(wǎng)絡(luò)與馬爾可夫組合模型的視頻流行度預(yù)測(cè)算法

        2021-09-10 08:21:44馬學(xué)森陳樹友許向東儲(chǔ)昭坤
        電信科學(xué) 2021年8期
        關(guān)鍵詞:模型

        馬學(xué)森,陳樹友,許向東,儲(chǔ)昭坤

        (1.合肥工業(yè)大學(xué)計(jì)算機(jī)與信息學(xué)院,安徽 合肥 230601;2.中國(guó)電信股份有限公司研究院,廣東 廣州 510630)

        1 引言

        根據(jù)思科2020年的統(tǒng)計(jì)[1],視頻流量占據(jù)了整個(gè)網(wǎng)絡(luò)流量的 80%。在傳統(tǒng)網(wǎng)絡(luò)架構(gòu)中,用戶的訪問請(qǐng)求需要經(jīng)過基站的接入、核心網(wǎng)的訪問以及冗長(zhǎng)的鏈路回傳才能完成,頻繁的用戶請(qǐng)求容易造成核心網(wǎng)絡(luò)的擁塞[2]。將熱點(diǎn)視頻在邊緣側(cè)進(jìn)行緩存,一方面可以減少縱向流量,另一方面還能降低時(shí)延,提升用戶體驗(yàn)[3]。

        其中,各類視頻門戶網(wǎng)站的電視劇播放量又占據(jù)了絕大部分的視頻流量,并且電視劇通常周期性地更新劇集。為了減少中心節(jié)點(diǎn)與邊緣節(jié)點(diǎn)內(nèi)容的反復(fù)遷移,將未來一個(gè)星期內(nèi)流行度較高的視頻放入緩存更有價(jià)值,因此對(duì)視頻流行度進(jìn)行準(zhǔn)確的中長(zhǎng)期預(yù)測(cè)成為急需解決的問題[4]。

        傳統(tǒng)的視頻流行度預(yù)測(cè)模型大致分為兩類:一類是以線性回歸與自回歸模型為代表的時(shí)間序列預(yù)測(cè)模型,參考文獻(xiàn)[5-7]基于歷史流行度構(gòu)建回歸預(yù)測(cè)模型,此類模型雖然訓(xùn)練簡(jiǎn)單,但非線性映射能力差,很難捕捉流行度的動(dòng)態(tài)變化,并且無法保留時(shí)間序列上的信息依賴,隨著時(shí)間步長(zhǎng)的增加會(huì)逐漸失去對(duì)數(shù)據(jù)的學(xué)習(xí)能力,在中長(zhǎng)期預(yù)測(cè)中表現(xiàn)不佳。另一類是基于特征提取與用戶聚類的有監(jiān)督學(xué)習(xí)方法來加強(qiáng)預(yù)測(cè)效果[8-9],此類方法在一定程度上提高了模型的預(yù)測(cè)精度,但由于引入過多的外部變量,導(dǎo)致模型復(fù)雜度較高,極大地增加了模型的訓(xùn)練難度,不適用于實(shí)際應(yīng)用場(chǎng)景。隨著深度學(xué)習(xí)理論的不斷發(fā)展,具有較強(qiáng)學(xué)習(xí)能力的循環(huán)神經(jīng)網(wǎng)絡(luò)(recurrent neural network,RNN)和長(zhǎng)短期記憶(long short-term memory,LSTM)網(wǎng)絡(luò)主要應(yīng)用于模式識(shí)別、語音處理等方面[10],近年國(guó)內(nèi)外學(xué)者也將其應(yīng)用在船舶航跡、小區(qū)的負(fù)荷指標(biāo)等預(yù)測(cè)領(lǐng)域[11-12],實(shí)驗(yàn)表明預(yù)測(cè)精度優(yōu)于傳統(tǒng)方法,但是在視頻流行度預(yù)測(cè)領(lǐng)域的應(yīng)用有待進(jìn)一步研究。

        基于以上分析,本文提出基于神經(jīng)網(wǎng)絡(luò)與馬爾可夫組合模型的視頻流行度預(yù)測(cè)算法,利用LSTM 結(jié)合雙向 RNN構(gòu)建雙向長(zhǎng)短期記憶(bi-2irectional long short-term memory,BiLSTM)網(wǎng)絡(luò)模型,可以保留時(shí)間序列上兩個(gè)方向的特征依賴;并且考慮馬爾可夫具有根據(jù)系統(tǒng)當(dāng)前狀態(tài)對(duì)系統(tǒng)未來狀態(tài)進(jìn)行預(yù)測(cè)的性質(zhì)[13],利用BiLSTM 網(wǎng)絡(luò)訓(xùn)練時(shí)產(chǎn)生的誤差信息建立馬爾可夫修正模型,在避免引入過多變量導(dǎo)致模型復(fù)雜度增加的情況下進(jìn)一步提高了網(wǎng)絡(luò)模型的預(yù)測(cè)精度。

        2 基于神經(jīng)網(wǎng)絡(luò)與馬爾可夫的預(yù)測(cè)模型

        2.1 BiLSTM網(wǎng)絡(luò)模型的構(gòu)建

        回歸模型本質(zhì)上是對(duì)數(shù)據(jù)的線性擬合,不容易捕捉非線性的波動(dòng)趨勢(shì);傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)雖然可以有效地解決非線性映射問題,但在長(zhǎng)時(shí)間序列訓(xùn)練過程中會(huì)出現(xiàn)梯度爆炸和梯度消失等問題。LSTM 通過引入控制門機(jī)制,可以在一定程度上避免此類問題,但LSTM的單向?qū)W習(xí)機(jī)制只能在一個(gè)方向上學(xué)習(xí)時(shí)間序列的數(shù)據(jù)特征。在視頻流行度的預(yù)測(cè)中,某個(gè)時(shí)間點(diǎn)視頻流行度的預(yù)測(cè)值,除了可由過去的數(shù)據(jù)進(jìn)行推導(dǎo)計(jì)算,未來時(shí)刻的數(shù)據(jù)也對(duì)當(dāng)前時(shí)刻流行度的計(jì)算有影響,因此本文在LSTM的基礎(chǔ)之上融入雙向RNN隱藏層構(gòu)建BiLSTM網(wǎng)絡(luò)模型。

        BiLSTM網(wǎng)絡(luò)模型如圖1所示,BiLSTM通過神經(jīng)元之間的雙向隱藏層來保存兩個(gè)輸入方向的信息,可以有效學(xué)習(xí)流行度序列上兩個(gè)方向的關(guān)系依賴,增強(qiáng)了模型的學(xué)習(xí)能力;同時(shí)通過多層神經(jīng)網(wǎng)絡(luò)的疊加結(jié)構(gòu)實(shí)現(xiàn)了流行度序列深層次的特征挖掘,有效提高了模型的預(yù)測(cè)效果。

        圖1 BiLSTM網(wǎng)絡(luò)模型

        2.2 BiLSTM的馬爾可夫修正

        為了進(jìn)一步提高模型的預(yù)測(cè)精度,如果通過繼續(xù)引入特征變量的方式,新的變量會(huì)作為輸入層的參數(shù)重新訓(xùn)練,過多的變量會(huì)導(dǎo)致模型訓(xùn)練困難。基于上述考慮,本文在不引入新的外部變量的情況下,通過對(duì)網(wǎng)絡(luò)模型的預(yù)測(cè)誤差建立馬爾可夫修正模型來進(jìn)一步提高模型的預(yù)測(cè)精度,如圖2所示。

        圖2 馬爾可夫修正模型

        其中,Pt+1為t+1時(shí)刻error狀態(tài)空間的概率分布,基于等距原則,進(jìn)而求得誤差修正值,如式(2)所示:

        因此,本文視頻流行度的預(yù)測(cè)模型可以定義為式(3),其中pre2icti為網(wǎng)絡(luò)模型的預(yù)測(cè)值,mi22lei為求得的修正值,最終視頻流行度的求解可以轉(zhuǎn)化為Finali的求解:

        3 Mar-BiLSTM算法設(shè)計(jì)與求解

        3.1 視頻流行度的預(yù)測(cè)問題描述

        電視劇周期性地更新劇集,其中內(nèi)容熱度可以體現(xiàn)當(dāng)前劇集的受歡迎程度,用序列Popularity={popularity1,popularity2,… ,popularityn}描述電視劇當(dāng)前時(shí)刻的流行度。其中內(nèi)容熱度Popularity由平臺(tái)綜合播放量以及互動(dòng)因子等指標(biāo)計(jì)算,更加能夠反映視頻的流行度。研究指出,電視劇的微博搜索指數(shù)和百度搜索指數(shù)與電視劇流行度具有很強(qiáng)的線性關(guān)系[14],因此分別構(gòu)造微博指數(shù)序列 In 2ex1={in2ex11,in2ex12,…,in2ex1n}和百度搜索指數(shù)序列 I n2ex2={in2ex21, in2ex22,…,in2ex2n};另外在新劇集更新當(dāng)天的電視劇播放量會(huì)比平常有一個(gè)明顯的增加,因此利用One-hot編碼構(gòu)造序列 F lag={+ l ag1, +lag2,… , + lagn}標(biāo)記該變化,其中+lag1代表星期一,+lag7代表星期日;最后利用預(yù)測(cè)模型φ預(yù)測(cè)下一個(gè)時(shí)間單位的電視劇流行度,如式(4)所示。

        問題定義:在線電視劇T,已經(jīng)上線i天,流行度記為Popularity,特征序列為Feature,預(yù)測(cè)目標(biāo)為未來幾天流行度的記錄{popularityi+1,popularityi+2,… ,popularityi+n}。

        3.2 Mar-BiLSTM流行度預(yù)測(cè)算法

        基于第2.2節(jié)構(gòu)建的馬爾可夫修正的BiLSTM網(wǎng)絡(luò)模型,本文設(shè)計(jì)了Mar-BiLSTM算法來求解視頻流行度預(yù)測(cè)問題,算法框架如圖3所示。

        圖3 Mar-BiLSTM算法框架

        Mar-BiLSTM算法大致可以分為5個(gè)步驟,算法的詳細(xì)流程如下。

        步驟1基于Scrapy技術(shù)對(duì)電視劇的流行度進(jìn)行特征分析,得到In2ex1、 I n 2ex2、 F lag 等特征序列。

        步驟 2獲取電視劇從上線開始后 3個(gè)星期的內(nèi)容熱度值popularityi,微博搜索指數(shù)值in2ex1i,百度搜索指數(shù)in2ex2i;+lagi表示當(dāng)天是否為劇集更新日,當(dāng)+lagi=1時(shí)表示當(dāng)天有劇集更新,+lagi=0 時(shí)表示當(dāng)天沒有劇集更新;進(jìn)而根據(jù)特征向量序列構(gòu)建特征向量矩陣。

        步驟 3利用特征向量Feature進(jìn)行模型訓(xùn)練,取序列Popularity前兩個(gè)星期的數(shù)據(jù)作為模型的訓(xùn)練數(shù)據(jù),最后一個(gè)星期的數(shù)據(jù)用于模型的檢驗(yàn);同時(shí)將序列處理為適合監(jiān)督學(xué)習(xí)的數(shù)據(jù)。

        步驟 4對(duì)序列進(jìn)行差分處理,以此減小數(shù)據(jù)波動(dòng)對(duì)模型訓(xùn)練的影響;同時(shí)采用min-max策略對(duì)原始數(shù)據(jù)進(jìn)行歸一化處理來消除量綱的差異,其轉(zhuǎn)換如式(5)所示:

        步驟 5采用自適應(yīng)估計(jì)方法計(jì)算每個(gè)參數(shù)的學(xué)習(xí)率;同時(shí)為避免過擬合現(xiàn)象采用 2ropout機(jī)制來提高模型的泛化能力;最后利用網(wǎng)絡(luò)模型的預(yù)測(cè)誤差建立馬爾可夫修正模型,根據(jù)式(3)得到修正后的流行度預(yù)測(cè)值Finali。

        Mar-BiLSTM算法實(shí)現(xiàn)的偽代碼如算法1所示。

        算法1Mar-BiLSTM算法

        輸入訓(xùn)練集 Train_set,測(cè)試集 Test_set,屬性(特征序列)

        輸出視頻流行度預(yù)測(cè)值

        步驟1進(jìn)行特征分析,得到特征序列:

        Popularity={popularity1,popularity2,…,popularityk},

        k=1,2,…,21

        In2ex1={in2ex11,in2ex12,…,in2ex1n},n=1,2,…,14

        In2ex2={in2ex21,in2ex22,…,in2ex2m},1,2,…,14

        Flag={+lag1, +lag2,…,+lags},s=1,2,… ,14

        步驟2將各個(gè)時(shí)間序列進(jìn)行整合得到輸入時(shí)間序列:

        concatSequence (i,i+ 1,…,t)

        步驟3將時(shí)間序列數(shù)據(jù)轉(zhuǎn)化為有監(jiān)督數(shù)據(jù):

        I+I>n_in an2I< 0

        input sequence (t -n, …,t-1)

        Else i+I> 0 an2I<n_out

        +orecast sequence (t,t+ 1, …,t+n)

        步驟4max-min特征變換:

        Return (Train_set)

        Return (Test_set)

        步驟5Train_set Train BiLSTM-Markov

        Test_set Test BiLSTM-Markov

        Return(均方根誤差、平均絕對(duì)誤差)

        Return(流行度預(yù)測(cè)值)

        en2

        Mar-BiLSTM算法時(shí)間復(fù)雜度可分為5個(gè)部分。

        步驟1時(shí)間復(fù)雜度可以記為O(|m|);

        步驟2序列整合的時(shí)間復(fù)雜度為O(|m|);

        步驟 3序列轉(zhuǎn)化為有監(jiān)督數(shù)據(jù)的時(shí)間復(fù)雜度為O(|n||m|);

        步驟 4max-min特征變換的時(shí)間復(fù)雜度為O(|n||m|);

        步驟 5計(jì)算均方根誤差及平均絕對(duì)誤差的時(shí)間復(fù)雜度為O(|n||m||i|);因此,Mar-BiLSTM算法的時(shí)間復(fù)雜度為O(|n||m|)。

        4 實(shí)驗(yàn)設(shè)計(jì)與分析

        4.1 實(shí)驗(yàn)環(huán)境

        實(shí)驗(yàn)環(huán)境為聯(lián)想 Thinkpa2 E440筆記本計(jì)算機(jī),CPU為Intel? CoreTM i5-4210 CPU @ 2.60 GHz,內(nèi)存為8 GB,操作系統(tǒng)為Bin2ows10教育版,使用基于Python3.5語言的PyCharm社區(qū)版集成開發(fā)工具構(gòu)建神經(jīng)網(wǎng)絡(luò)模型,利用MATLAB R2018b開發(fā)工具進(jìn)行對(duì)比試驗(yàn)設(shè)計(jì)。

        4.2 評(píng)價(jià)指標(biāo)

        實(shí)驗(yàn)采用預(yù)測(cè)模型常用的均方根誤差(root mean square2 error,RMSE)及平均絕對(duì)誤差(mean absolute error,MAE)作為預(yù)測(cè)性能的評(píng)價(jià)標(biāo)準(zhǔn)[15]。RMSE可以評(píng)價(jià)數(shù)據(jù)的變化情況,RMSE值越小,表示模型有更好的預(yù)測(cè)精確度,MAE可以更好地反映預(yù)測(cè)值與真實(shí)值偏離程度的實(shí)際情況,如式(6)、式(7)所示。

        4.3 網(wǎng)絡(luò)模型參數(shù)選擇

        隱藏層的層數(shù)以及神經(jīng)單元個(gè)數(shù)的選擇對(duì)網(wǎng)絡(luò)模型的性能影響很大,因此需要選擇訓(xùn)練誤差最小的網(wǎng)絡(luò)參數(shù)。不同W值下的RMSE值如圖4所示,在隱藏層數(shù)W=2、隱藏層單元個(gè)數(shù)L=6時(shí)的RMSE值最小,過多的隱藏層或者單元數(shù)都會(huì)使得網(wǎng)絡(luò)過于復(fù)雜而喪失網(wǎng)絡(luò)優(yōu)勢(shì)。因此,選擇W=2、L=6作為網(wǎng)絡(luò)模型的訓(xùn)練參數(shù)。

        圖4 不同W值下的RMSE值

        4.4 實(shí)驗(yàn)設(shè)計(jì)及結(jié)果分析

        實(shí)驗(yàn)爬取電視劇《愛情公寓5》自2020年1月12日上線到同年2月1日的全網(wǎng)數(shù)據(jù)(其中包括播放量、評(píng)論數(shù)、點(diǎn)贊數(shù)、收藏?cái)?shù)、百度搜索指數(shù)與微博搜索指數(shù)等),使用前兩個(gè)星期的數(shù)據(jù)訓(xùn)練模型、后一個(gè)星期的數(shù)據(jù)用來驗(yàn)證本文算法的優(yōu)越性:首先選取回歸模型中常用于時(shí)間序列預(yù)測(cè)的灰色預(yù)測(cè)(grey mo2el,GM)與指數(shù)平滑(exponential smoothing,ES)驗(yàn)證算法的有效性,進(jìn)而選取神經(jīng)網(wǎng)絡(luò)中常用于時(shí)間序列預(yù)測(cè)的傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)和 LSTM 神經(jīng)網(wǎng)絡(luò)驗(yàn)證算法的優(yōu)越性;最后通過爬取2021年1月至2021年3月期間的10部首播電視劇的數(shù)據(jù)對(duì)其排名進(jìn)行預(yù)測(cè),以此驗(yàn)證算法的普適性。

        4.4.1 LSTM與回歸模型對(duì)比

        本節(jié)設(shè)計(jì)LSTM與GM、ES之間的對(duì)比實(shí)驗(yàn),以此來驗(yàn)證 LSTM 的預(yù)測(cè)精度優(yōu)于傳統(tǒng)回歸模型。

        GM、ES及LSTM模型的預(yù)測(cè)值對(duì)比如圖5所示,由于流行度數(shù)據(jù)不符合冪指數(shù)規(guī)律,因此基于指數(shù)規(guī)律建模的GM沒有很好地預(yù)測(cè)數(shù)據(jù)的波動(dòng)規(guī)律;ES利用序列差分機(jī)制,可以預(yù)測(cè)很小的波動(dòng),但并不吻合真實(shí)數(shù)據(jù)的波動(dòng)規(guī)律;LSTM基于 RNN與門控單元機(jī)制可以學(xué)習(xí)長(zhǎng)時(shí)間序列上的信息依賴,對(duì)未來數(shù)據(jù)的波動(dòng)給出了大致的

        圖5 GM、ES及LSTM模型的預(yù)測(cè)值對(duì)比

        預(yù)測(cè),驗(yàn)證了 LSTM 的預(yù)測(cè)效果優(yōu)于傳統(tǒng)回歸模型。

        4.4.2 BiLSTM與BP、LSTM模型對(duì)比

        本節(jié)設(shè)計(jì)了LSTM網(wǎng)絡(luò)與BP神經(jīng)網(wǎng)絡(luò)之間的對(duì)比試驗(yàn),就其預(yù)測(cè)精度及其收斂性進(jìn)行分析;在此基礎(chǔ)之上,引入BiLSTM進(jìn)行對(duì)比實(shí)驗(yàn),以此驗(yàn)證BiLSTM的優(yōu)越性,為Mar-DBiLSTM組合預(yù)測(cè)理論模型提供實(shí)驗(yàn)數(shù)據(jù)支撐。

        BP、LSTM 模型訓(xùn)練誤差如圖6所示。BiLSTM、BP、及 LSTM 模型預(yù)測(cè)值對(duì)比如圖7所示。從圖6可以看出,LSTM較BP神經(jīng)網(wǎng)絡(luò)的收斂速度要快,在迭代次數(shù)為200次左右時(shí),網(wǎng)絡(luò)已經(jīng)趨于收斂,此時(shí)BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練誤差還處于較高水平;同時(shí)從圖7可以看出,BP神經(jīng)網(wǎng)絡(luò)雖然能夠預(yù)測(cè)數(shù)據(jù)大致的波動(dòng)趨勢(shì),但 LSTM的預(yù)測(cè)曲線更加貼合于真實(shí)值,因此LSTM不僅學(xué)習(xí)性能強(qiáng)于傳統(tǒng)的神經(jīng)網(wǎng)絡(luò),而且其預(yù)測(cè)效果也優(yōu)于普通的BP神經(jīng)網(wǎng)絡(luò);基于LSTM改進(jìn)的BiLSTM 可以學(xué)習(xí)時(shí)間序列上兩個(gè)時(shí)間方向的信息依賴,因而能夠更好地對(duì)數(shù)據(jù)的波動(dòng)趨勢(shì)進(jìn)行學(xué)習(xí),從圖7也可以看出,BiLSTM較LSTM、BP均具有更高的預(yù)測(cè)精度,驗(yàn)證了本文BiLSTM模型預(yù)測(cè)效果的優(yōu)越性。

        圖6 BP、LSTM模型訓(xùn)練誤差

        圖7 BiLSTM、BP及LSTM模型預(yù)測(cè)值對(duì)比

        4.4.3 Mar-BiLSTM與BiLSTM模型對(duì)比

        在前兩輪實(shí)驗(yàn)的基礎(chǔ)之上,為了驗(yàn)證Mar-BiLSTM 算法的有效性,設(shè)計(jì)該對(duì)比實(shí)驗(yàn)。通過第2.2節(jié)的描述,對(duì)BiLSTM的預(yù)測(cè)誤差構(gòu)建馬爾可夫修正模型,最終可以求得未來幾天預(yù)測(cè)誤差可能的狀態(tài)區(qū)間,見表1。

        表1 模型預(yù)測(cè)誤差狀態(tài)區(qū)間

        由表1可知,26號(hào)最有可能的誤差狀態(tài)區(qū)間為 E3,由式(2)計(jì)算得到誤差修正值為 22,BiLSTM模型的預(yù)測(cè)值為9 096,根據(jù)式(3)得到修正后的預(yù)測(cè)值為9 091。在對(duì)27號(hào)誤差狀態(tài)進(jìn)行預(yù)測(cè)時(shí),將26號(hào)誤差預(yù)測(cè)值作為已知值,并將最原始的信息剔除,按照上述方法重復(fù),可以計(jì)算出接下來6天的誤差修正值。

        由圖8可知,經(jīng)馬爾可夫修正過的BiLSTM預(yù)測(cè)值要更加貼近真實(shí)值,預(yù)測(cè)效果更好,證明了本文算法的優(yōu)越性。

        圖8 Mar-BiLSTM、BiLSTM模型預(yù)測(cè)值對(duì)比

        綜上,根據(jù)第4.2節(jié)提出的性能指標(biāo),給出對(duì)比預(yù)測(cè)模型的性能分析,見表2。

        表2 性能對(duì)比

        4.4.4 電視劇排名預(yù)測(cè)

        為了進(jìn)一步驗(yàn)證算法的普適性,從全網(wǎng)爬取2021年1月至3月期間首播的10部不同種類的電視劇數(shù)據(jù),并對(duì)其排名進(jìn)行預(yù)測(cè)。由于電視劇并非在同一時(shí)間上線,其上線時(shí)間越長(zhǎng),累積播放量會(huì)越高;并且由于劇集數(shù)的不同,累計(jì)播放量也會(huì)有相應(yīng)的影響。因此,為了更加準(zhǔn)確地體現(xiàn)電視劇的真實(shí)排名,選擇均集播放量和均天播放量的加權(quán)值作為衡量電視劇真實(shí)排名的依據(jù),排名預(yù)測(cè)結(jié)果見表3。

        從表3可以看出,排名靠前的《斗羅大陸》《錦心似玉》《愛的理想生活》等熱播電視劇得到了準(zhǔn)確的預(yù)測(cè),排名靠后的《你好,安怡》和《這個(gè)世界不看臉》等冷門電視劇也有較好的預(yù)測(cè)。因此,本文算法對(duì)不同類型電視劇的流行度均給出了不錯(cuò)的預(yù)測(cè)效果,證明了算法的普適性較高。

        表3 電視劇排名預(yù)測(cè)結(jié)果

        5 結(jié)束語

        本文針對(duì)傳統(tǒng)視頻流行度預(yù)測(cè)算法非線性映射能力差,在中長(zhǎng)期預(yù)測(cè)中存在精度低、自適應(yīng)性弱等缺點(diǎn),提出基于神經(jīng)網(wǎng)絡(luò)與馬爾可夫組合模型的視頻流行度預(yù)測(cè)算法。該算法在預(yù)測(cè)過程中兼具時(shí)間相關(guān)性和非線性的特征,充分保留了時(shí)間序列上前向、后向兩個(gè)方向的長(zhǎng)期依賴信息;并利用BiLSTM網(wǎng)絡(luò)訓(xùn)練時(shí)產(chǎn)生的預(yù)測(cè)誤差建立馬爾可夫修正模型,在避免引入過多變量導(dǎo)致模型復(fù)雜度增加的情況下進(jìn)一步提高了模型的預(yù)測(cè)精度。下一步工作擬將 Mar-BiLSTM 算法引入邊緣側(cè)的緩存調(diào)度策略中,嘗試建立根據(jù)視頻流行度預(yù)測(cè)的緩存替換策略,提高用戶的服務(wù)體驗(yàn)質(zhì)量。

        猜你喜歡
        模型
        一半模型
        一種去中心化的域名服務(wù)本地化模型
        適用于BDS-3 PPP的隨機(jī)模型
        提煉模型 突破難點(diǎn)
        函數(shù)模型及應(yīng)用
        p150Glued在帕金森病模型中的表達(dá)及分布
        函數(shù)模型及應(yīng)用
        重要模型『一線三等角』
        重尾非線性自回歸模型自加權(quán)M-估計(jì)的漸近分布
        3D打印中的模型分割與打包
        精品高清免费国产在线| 国产极品美女高潮抽搐免费网站| 91精品国产91久久综合桃花| 男女性生活视频免费网站| 亚洲av乱码一区二区三区女同| 我揉搓少妇好久没做高潮| 在线观看特色大片免费视频| 欧美成人猛交69| 在线人成免费视频69国产| 草莓视频一区二区精品| 免费在线观看一区二区| 国产精品女同一区二区免| 国产爆乳美女娇喘呻吟| 久久99精品国产麻豆| 久久99精品久久久久久久清纯| 国产精品亚洲专区无码不卡| 色婷婷一区二区三区四| 国产精品女直播一区二区| 国产精品无码一区二区三区电影| 国产成人无码免费视频在线| 大学生被内谢粉嫩无套| 亚洲av午夜成人片精品| 丝袜美腿亚洲综合久久| 国产特级毛片aaaaaa高潮流水| 国产欧美日韩精品专区| 九月婷婷人人澡人人添人人爽| 国产成人av在线影院无毒| 亚洲成人av一区二区| 国偷自拍av一区二区三区| 久久久久无码国产精品一区| 国产精品亚洲二区在线观看 | 日日躁夜夜躁狠狠躁| 亚洲av永久无码精品秋霞电影影院| 亚欧免费无码AⅤ在线观看 | 色欧美与xxxxx| 国产在线一区二区三区香蕉| 午夜爽爽爽男女污污污网站| 无码AV高潮喷水无码专区线| 偷拍一区二区三区在线观看| 日本在线视频www色| 牛鞭伸入女人下身的真视频|