深度序列建模用于异常 ISP 流量预测
研究了深度迁移学习技术在具有不足历史数据的交通预测中的表现,使用源域中的最佳模型进行目标域预测,结果表明,迁移学习可减少执行时间并提高模型的准确性。
May, 2022
本研究旨在使用深度序列方法来预测网络流量需求,其中包括基于经验模态分解(EMD)的噪声抑制、基于经验规则的异常值检测和基于 K - 最近邻的异常值缓解。
Jun, 2023
本文提出了一种基于深度学习的,可以实时生成周围车辆未来轨迹序列的车辆轨迹预测技术。通过利用编码器 - 解码器结构和使用基于长短期记忆(LSTM)的编码器分析过去轨迹中的模式,使用 LSTM 解码器生成未来轨迹序列。使用束搜索技术从解码器的输出中保留 K 个局部最优解,产生 K 个最可能的轨迹候选项。在高速公路交通场景下进行的实验表明,所提出的方法的预测精度显著高于传统的轨迹预测技术。
Feb, 2018
基于深度循环模型的海上监视方法,利用公开可用的自动识别系统(AIS)数据,通过对观测到的船舶运动模式进行编码和重建,结合阈值机制对计算的观测和重建的运动模式之间的误差进行处理,通过训练深度学习框架(编码器 - 解码器架构)使用观测到的运动模式,使模型能够学习和预测预期的轨迹,并与实际轨迹进行比较,研究展示了具有回归丢失的双向门控循环单元(GRU)在捕捉海上数据的时间动态方面表现出卓越的性能,彰显了深度学习在增强海上监视能力方面的潜力,为未来领域的研究奠定了坚实基础,通过技术的创新应用为改善海上安全指明了道路。
Jun, 2024
使用数据流预测进行的 SDN 异常检测是一项困难的任务,本文提出的 IndRNNLSTM 算法结合嵌入式特征选择模型在 NSL-KDD 数据上取得 MAE=1.22 和 RMSE=9.92 的结果。
Feb, 2024
本研究提出使用编码器 - 解码器深度学习模型,结合实时质量传输观测信息进行软故障演化模拟,用于网络攻击等异常检测。该模型在无需标记异常情况和分析整个数据集缺陷的前提下,实时有效地检测网络异常波动。
Jun, 2023
通过应用多种 LSTM 模型和基于密度的空间应用噪声聚类(DBSCAN)异常值检测方法,剔除异常值,考虑到气象和社会因素,对三个考虑了每小时用电量,天气和日历特征数据集进行季节性划分,在所有季节性数据集中有效地减少了低估和高估误差,降低用电消耗的低估预测对于防止对社区造成损害的电力中断至关重要。
Feb, 2023
使用长短时记忆网络的编码器 - 解码器方案构建正常时间序列的重建,使用重构误差检测异常,实现了在可预测、不可预测、周期、非周期和准周期时间序列中检测异常。
Jul, 2016
本文提出了一种基于联邦学习的通信高效设备协作深度异常检测框架,使用注意力机制的 CNN-LSTM 模型对工业物联网的时间序列数据进行准确探测,并使用基于 Top-k 选择的梯度压缩机制来提高通信效率。该框架可通过实验研究发现,准确及时检测异常并比未使用梯度压缩方案的联邦学习框架减少 50%通信开销。
Jul, 2020
通过长短时记忆网络(LSTM)自动编码器,结合去噪自编码器,可以更高效地实现无监督异常检测。此方法的关键字包括异常检测、时间序列、去噪自编码器、LSTM 自动编码器和无监督学习。
Aug, 2022