Feb, 2024

使用 LSTM 设计和实施一个自动化的 Kubernetes 集群灾难恢复系统

PDF
TL;DR该研究介绍了将 Kubernetes 管理平台与备份和恢复工具集成的系统结构，实现在云环境中自动检测灾难并从另一个 kubernetes 集群中自动恢复应用程序，从而显著提高了云环境中数据管理和恢复效率。此外，该研究通过 Long Short-Term Memory（LSTM）预测集群的 CPU 利用率，证明了自动恢复系统在云环境中的高效性和必要性。
data managementcloud environmentkubernetesbackup and restorationautomatic recovery
发现论文，激发创造
  • 基于长短期记忆模型的多元工业时间序列防篡改检测仿真

    基于 LSTM 神经网络的多元时间序列数据监测和故障检测，采用 Modelica 模型进行验证，引入阈值筛选机制并过滤超出操作者兴趣范围的故障。

    Dec, 2016

  • 利用长短期记忆网络对高维混沌系统进行数据驱动的预测

    使用基于数据驱动的长短时记忆（LSTM）循环神经网络的预测方法，展示了该方法在高维混沌系统中的定量预测效果，并提出了一种新的具有混合结构的 LSTM 神经网络。与高斯过程相比，LSTM 在所有应用中都表现出更好的短期预测准确性，并且 MSM-LSTM 可以保证收敛到不变措施。

    Feb, 2018

  • 在飓风疏散时为高效管理实际大型交通网络部署可扩展的流量预测模型

    基于多层感知器与长短期记忆模型的交通预测系统应用于路易斯安那州实施的真实交通预测系统中，在 7 天飓风影响期间 6 小时的长期拥堵状态预测准确率达到 82％，并且短期速度预测模型在 1 至 6 小时的疏散时段中表现出 7％至 13％的均方绝对百分比误差。评估结果强调了该模型在飓风疏散过程中增强交通管理的潜力，并且实际部署显示其在广泛的交通网络中适应性和可扩展性。

    Jun, 2024

  • 加强基于深度学习和强化学习技术的 Kubernetes 自动调度以优化大规模云计算

    基于深度学习和强化学习的大规模云计算系统自动任务调度方案的研究和验证。

    Feb, 2024

  • 人工智能时代的风暴潮模拟：基于 LSTM 的机器学习用于提高预测准确性

    利用 LSTM 深度学习网络模型对风暴潮预测模型中系统误差进行预测和修正，能够提高预测准确性。

    Mar, 2024

  • 基于召回的精确优化：利用 LSTM 揭示准确的摔倒检测

    该研究提出了一种创新方法来解决老年人跌倒事件的紧迫问题，通过开发一种准确的跌倒检测系统。我们的系统结合了最先进的技术，包括加速度计和陀螺仪传感器，以及深度学习模型，特别是长短期记忆网络。通过树莓派硬件的集成实现了实时执行能力。我们引入了修剪技术，通过策略性地调整 LSTM 模型的架构和参数来优化系统性能。我们优先考虑召回率而不是精确度，旨在准确识别跌倒事件并最小化误报，以便及时干预。大量实验和细致评估表明了出色的性能指标，强调高召回率和 96% 的特异性。我们的研究取得了一种处于最前沿的跌倒检测系统，能够及时发送通知，确保脆弱个体得到及时帮助并改善其整体健康状况。应用 LSTM 模型并加入修剪技术代表了跌倒检测技术的重大进展，提供了一种有效可靠的跌倒预防和干预解决方案。

    Sep, 2023

  • 使用长短期记忆网络预测 ICU 病死率

    实验结果突出了 LSTM 模型对建立真实世界预测引擎的高效性，通过利用严格的多变量时间序列测量将时间框架缩小到 6 小时，这个自动数据驱动系统可以分析从电子健康记录中得出的大量多变量时间数据，提取高级信息以早期预测住院死亡率和住院时间。

    Aug, 2023

  • DA-LSTM: 基于 LSTM 网络的区间负荷预测的动态漂移自适应学习框架

    本研究提出了一种动态漂移自适应长短期记忆模型，可在不需要漂移阈值设置的情况下，提高负载预测模型的性能，通过基于主动和被动适应方法的框架集成几种策略，并在云环境中部署来评估它在实际中的适用性。

    May, 2023

  • 基于报警序列和长短时记忆算法的风力涡轮机修复行动预测的深度学习框架

    该论文介绍了使用深度学习在 Offshore Wind 的 Condition-based monitoring 中进行 alarm sequence modelling 的研究，并提出了使用 Long Short-term Memory 和 Bidirectional LSTM 模型来预测相关修理措施的新方法，这可以将 O&M 过程中的复杂报警减少，并减少诊断和纠正故障所需的不必要的船舶转移。

    Jul, 2022

  • 基于 LSTM 的自动驾驶换道安全预测模型

    自动驾驶技术能够提高交通安全和减少事故，本研究提出了基于短期记忆 (LSTM) 网络的安全敏感深度学习模型来预测轨迹，通过考虑交互信息的意图识别模块，实现高准确性和流畅性的车道变换，并优化自动驾驶轨迹规划。

    Feb, 2024