好消息:充100元 自动升级代理商即可购买且享受全网低价。


首页 > 京东无界空包 > 知商道空包网靠谱吗:国内外研究现状

京东无界空包

知商道空包网靠谱吗:国内外研究现状

更新时间:2019/10/8 / 阅读次数:19

知商道空包网靠谱吗:国内外研究现状


知商道空包网靠谱吗:国内外研究现状

知商道空包网靠谱吗:国内外研究现状,知商道空包网靠谱吗:然而以上预测算法都不能很好地帮助电商集群进行容量规划和资源管理^首 先,Zhu等人利用统计方法需要构建主机负载仿真器,这带来了额外的时间和 资源开销,电商集群业务调用关系负载,很难对实际情况进行完全一致的仿真。 Beimani等人[2]、Urgaonkar等人[29]利用排队算法和排队网络算法复杂度较高, 需要很多应用架构知识,并且要求请求到达满足一定随机性和平稳性要求。Shen 等人[25]利用傅立叶分析只能捕捉时间序列在时域上的特征,损失了时间序列 在空间上蕴含的丰富信息。Chandra等人[4]、Jung等人[17]、Meng等人[21]使 用的AR、ARMA算法每次预测需要回顾较长历史数据,重新计算回归方程参数, 时间开销较大,在虚拟机部署等对实时性要求不高的场景下,可以使用预测时 间开销大的算法,但在线电商集群的动态资源管理对实时性提出了更高的要求。 Baughman等人[1]的方案需要大量输入信息提高预测可靠性,收集、存储与处 理如此大量信息是很困难的,大多数场景能拿到的信息只有流量与时间信息。

流量预测本质是时间序列预测问题,即按照时间顺序产生的数据序列。时 间序列分析在气象、军事、交通、经济等领域都有广泛的研究与应用价值。根据 其平稳性,时间序列被分为平稳时间序列、宽平稳过程和非平稳时间序列。平稳 时间序列是指均值与方差与时间无关,协方差只与时间间隔有关而与时刻无关 的时间序列。反之,不满足条件的则为非平稳时间序列,另外,序列本身不满足 平稳性要求,但其差分满足平稳性要求的序列称为宽平稳过程。不同的时间序 列对应有不同的分析方法,平稳时间序列可以建模成泊松过程、高斯过程、AR、 MA、ARMA模型,泊松过程可以利用排队论、排队网络进行分析;宽平稳过程, 即时间序列本身具有非平稳性,而其N阶差分具有平稳性,可以利用ARIMA 模型进行分析;非平稳-线性叠加过程可以通过分形理论(小波分析)、时频分 析(傅立叶变化,可以看成频域上的分形)进行分析;非平稳-非线形叠加过程 可以用经验模态分解EMD(Empirical Mode Decomposition, EMD)、伪二维经验模 态分解 EEMD (Pseudo-two-dimensional EMD)、希尔伯特-黄变化(Hilbert-Huang Transform, HHT) [16]以及神经网络等方法进行分析。Taylor等人[28]在2018 年发表了 fbprophet时间序列预测算法,并将其发布为Facebook开源库的工具Q fbprophet算法利用了时间序列分解和机器学习拟合,将原始的时间序列分解为 四项:季节项、趋势项、剩余项以及节日项,然后分别进行拟合。
知商道空包网靠谱吗:小波分析、傅立叶变化、经验模态分解、伪二维经验模态分解、希尔伯特-黄 变化等方法可以对时间序列通过构建新的特征空间,对时间序列进行特征提取, 并不能直接为电商流量提供动态实时预测性。传统的时间序列统计模型会对数 据有一定要求,如在使用AR、MA、ARMA模型前,需要检测序列是否为平稳 时间序列,当时间序列为非平稳序列,比如整体存在上升或下降趋势,模型效果 会明显下降。自回归积分滑动平均模型(ARIMA)通过检测数据序列的N阶差 分是否具有平稳性,以及利用一次或多次差分消除非平稳性[3]的办法来提高模 型通用性。另外,很多非机器学习的时间序列模型不能直接进行多变量输入,如 Facebook近期开源出来的Prophet算法[9]。而神经网络不需要输入数据满足任 何假设,可以很好地捕捉非线性特征,直接接受多变量输入,利用多维特征进行 训练。
近几年,神经网络在交通、降雨量等时间序列预测问题的研究上取得了一系
列优秀的结果[32],尤其是循环神经网络(Recurrent neural network, RNN)中的 长短期记忆网络(Long Short-Term Memory, LSTM)、门控循环单元网络(Gated recurrent units, GRU)等。2〇17年,Zhang等人[34]受到高频信息对于短期预测
更有用;低频信息对长期趋势更有用的启发,提出了 SFM网络(State-frequency Memory,SFM)。该网络将多频分析和长期依赖建模结合,共同提取时间序列 信特征,并将这些特征信息保存在内存门(memory gates)中,以便后续预测或 生成目标输出,同时频域的阈值还能够随着时间动态适应。2018年,Lai等人 [20]用多个卷积核在多变量的时间序列的时间维度进行特征提取,随后利用基于 循环神经网络对周期时间序列数据进行预测。Chang等人[5]在2018年提出了 MTNet (Memory Time-series Network),通过引入周期超参数解决了多变量时间 序列预测问题。同时Chang等人在MTNet改进了注意力机制,借助可视化验证 了改进后的注意力机制能够在与最近的历史数据越相似的历史序列段,获得越 大的attention权重,从而有助于提升多变量时间序列的预测效果。另外,MTNet 还利用自回归模型改善了神经我哪里过对输入尺度的变化不敏感的缺陷。多尺 度RNNs主要可以分为两类:第一类是采用层次化结构来建模不同的尺度,高层 次的更新频率低,低层次的更新频率高,从而捕获不同时间粒度的规律,高层次 能捕获趋势变化,低层次对局部变化更加敏感。但这种设计也存在两方面的缺 点:(1)每层级中的尺度是固定的,不能随着时间发生动态变化;(2)堆叠多个 _层增加了模型的复杂度,导致难以训练。第二类是通过门结构在_中增 加一个控制门,决定在每个时间步中如何更新隐状态,这类方法能更加灵活地调 整建模的尺度,但是却忽略了对当前时间步是认为不重要而被丢弃的信息可能 对=对将来的输出比较重要的。因此,2019年Hu等人[15]提出的ASRNNs网 络(Adaptively Scaled Recurrent Neural Networks)是对现有多尺度 RNNs 的一种 扩充,它能够在不同的时间步动态根据当前的情境来动态调整尺度,完成时间序 列多尺度建模。该网络主要分为三部分:尺度参数(scale parameterization),自 适应的尺度学习(adaptive scale learning)和RNN,在信号、音乐、语音、视频等 任务上表现良好。2018年,Wang等人[31]提出利用了多级小波分解网络,利用 小波分解提取原始的时间序列特征提取特征传递给预测网络。文章中将小波分 解的过程嵌入到神经网络框架,从而将的小波函数中的值转换成神经网络参数, 以便后续处理的神经网络中的参数一起优化。
上述工作在建模时以提高准确性作为目标,进行预测时都没有考虑不确定 性、模型时间代价以及模型鲁棒性。然而,在生产环境中稳定性和实时性是服务
的基础,同时电商集群流量会有很多突发事件与异常,因此预测算法对未来不确 定性的估计、模型在异常情况下的鲁棒性、模型预测实时性比精确度更加重要。


空包网(单号网),提供阿里巴巴空包,拼多多空包,天猫淘宝空包,京东空包代发业务,空包代发,快递空包,钱宝空包,51空包,我要空包网等各种快递包裹代发服务,空包单号任意指定发货区域,物流信息官网同步显示,保证快递单号真实有效安全,最便宜最安全的快递单号购买平台!(51空包网 http://www.51tdh.com)

空包网 http://www.51tdh.com

上一篇:创客空包网:淘宝京东等平台下架火箭队商品

下一篇:3毛钱空包网:完善利益的联结机制

最新文章

最热文章

空包网单号网