一种面向基础设施网的时空预测模型参数优化方法技术

本发明专利技术公开了一种面向基础设施网的时空预测模型参数优化方法，包括：(1)将时空预测模型的超参数组成n维超参数组，并确定每个维度的超参范围；(2)根据维度的超参范围，随机生成m个n维超参数组作为初始种群；(3)根据初始种群或当前子代种群构建对应的空间预测模型，对时空预测模型训练后，对测试样本进行预测，计算预测准确度和时间复杂度后，并计算时空预测模型的适应度；(4)采用轮盘选择法，选择适应度最好的两个超参数组作为父代后，对父代进行交叉、变异，迭代此步骤直到获得预设当前子代种群个数为止；(5)迭代执行步骤(3)～(4)，达到迭代收敛条件后，将最后一次迭代获得子代种群作为最优超参数组。

【技术实现步骤摘要】
一种面向基础设施网的时空预测模型参数优化方法
本专利技术涉及基础设施网络领域，具体涉及一种面向基础设施网的时空预测模型参数优化方法。
技术介绍
在如今的现代社会生活中，人们无时无刻不需要现代化基础设施的服务。而国家的安全，经济繁荣和民族福祉也取决于一组高度相互依赖的关键基础设施，例如：国家电网、通信、供水、银行、石油、交通以及天然气系统等。鉴于基础设施的特殊地位和其安全运营的重要性，关键基础设施往往成为战争中首先被敌对双方攻击的目标。因此了解基础设施在受到压力或者受到攻击时的行为有及其重要的意义。在对基础设施进行异常检测时，可以根据历史数据对下一时刻数据进行预测，然后通过对比异常数据和预测数据的差值来判断设施是否异常。然而目前的方法大多数只是利用历史数据和下一时刻的时间关联性，并没有考虑同一时刻数据之间的关系。因此我们可以通过修改连续某一个或某几个数据来实现对基础设施的攻击。为了使得基础设施有更好的鲁棒性，相对于普通的预测，本文采用了面向基础设施网的时空预测模型。该方法不仅考虑了历史数据，同时也考虑了数据之间的相互关系，通过构建网络使得同一时刻的数据相互关联，并获得更加准确的预测结果本文档来自技高网...

【技术保护点】
1.一种面向基础设施网的时空预测模型参数优化方法，包括以下步骤：(1)将由深度学习网络构建的时空预测模型的超参数组成n维超参数组，并确定每个维度的超参范围；(2)根据维度的超参范围，随机生成m个n维超参数组作为初始种群；(3)根据初始种群或当前子代种群构建与种群个数相等的空间预测模型，利用训练样本训练所述时空预测模型后，并利用训练好的时空预测模型对测试样本进行预测，计算预测准确度和时间复杂度后，根据所述预测准确度和时间复杂度计算所述时空预测模型的适应度；(4)采用轮盘选择法，选择适应度最好的两个时空预测模型对应的超参数组作为父代后，对父代进行交叉、变异，迭代此步骤直到获得预设当前子代种群个数为...

【技术特征摘要】
1.一种面向基础设施网的时空预测模型参数优化方法，包括以下步骤：(1)将由深度学习网络构建的时空预测模型的超参数组成n维超参数组，并确定每个维度的超参范围；(2)根据维度的超参范围，随机生成m个n维超参数组作为初始种群；(3)根据初始种群或当前子代种群构建与种群个数相等的空间预测模型，利用训练样本训练所述时空预测模型后，并利用训练好的时空预测模型对测试样本进行预测，计算预测准确度和时间复杂度后，根据所述预测准确度和时间复杂度计算所述时空预测模型的适应度；(4)采用轮盘选择法，选择适应度最好的两个时空预测模型对应的超参数组作为父代后，对父代进行交叉、变异，迭代此步骤直到获得预设当前子代种群个数为止；(5)迭代执行步骤(3)～步骤(4)，达到迭代收敛条件后，将最后一次迭代获得子代种群作为最优超参数组。2.如权利要求1所述的面向基础设施网的时空预测模型参数优化方法，其特征在于，所述时空预测模型包括GCN和LSTM，具体地，将当前时刻t的时空数据Xt，LSTM上一单元格状态Ct-1，LSTM前一个输出Ht-1输入到GCN中重新提取空间特征，分别获得新空间特征X't，C't-1和H't-1，然后将X't，C't-1和H't-1输入到LSTM中，预测下一时刻的时空数据Xt+1。3.如权利要求1所述的面向基础设施网的时空预测模型参数优化方法，其特征在于，所述超参数包括深度学习网络的层数、学习率、LSTM优化器选择、梯度裁剪率、Dropout率等。4.如权利要求2所述的面向基础设施网的时空预测模型参数优化方法，其特征在于，针对由GCN和LSTM组成的时空预测模型，所述超参数包括GCN层数、LSTM学习率、优化器选择、梯度裁剪率、LSTM隐藏单元数、LSTM层数以及D...

【专利技术属性】
技术研发人员：陈晋音，苏蒙蒙，徐轩珩，吴洋洋，熊晖，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：浙江,33