基于深度并行時序網(wǎng)絡(luò)的用戶側(cè)異常數(shù)據(jù)智能診斷

摘" 要： 在用戶側(cè)數(shù)據(jù)中，異常往往隱藏在復(fù)雜的時序關(guān)系中，傳統(tǒng)的時序分析方法在處理用戶側(cè)數(shù)據(jù)中復(fù)雜的時序關(guān)系時存在困難，特征提取難以捕獲關(guān)鍵特征，導(dǎo)致診斷精度低且易漏檢。為此，研究一種基于深度并行時序網(wǎng)絡(luò)的用戶側(cè)異常數(shù)據(jù)智能診斷方法。深度并行時序網(wǎng)絡(luò)分解層利用滑動窗口法分割用戶側(cè)數(shù)據(jù)，得到數(shù)個窗口序列。編碼層依據(jù)層疊時序卷積神經(jīng)網(wǎng)絡(luò)與長短期記憶（LSTM）網(wǎng)絡(luò)建立編碼器，提取各窗口序列的時空特征；解碼層通過引入時間注意力機(jī)制的門控循環(huán)單元建立解碼器，重構(gòu)窗口序列的時空特征；推斷層依據(jù)重構(gòu)特征計算異常分?jǐn)?shù)，當(dāng)異常分?jǐn)?shù)大于設(shè)置閾值時，說明該窗口內(nèi)的用戶側(cè)數(shù)據(jù)為異常數(shù)據(jù)，即完成了用戶側(cè)異常數(shù)據(jù)的智能診斷。實驗結(jié)果表明，所提方法可有效提取用戶側(cè)數(shù)據(jù)特征，計算異常分?jǐn)?shù)，并完成用戶側(cè)異常數(shù)據(jù)智能診斷。

關(guān)鍵詞： 深度并行時序網(wǎng)絡(luò)； 用戶側(cè)； 異常數(shù)據(jù)； 智能診斷； 滑動窗口； LSTM

中圖分類號： TN929?34； TP391" " " " " " " " " " 文獻(xiàn)標(biāo)識碼： A" " " " " " " " " " "文章編號： 1004?373X（2025）04?0140?05

User?side abnormal data intelligent diagnosis based on deep parallel temporal network

ZHENG Yansong， LIAO Weiguo

（School of Artificial Intelligence， Zhujiang College， South China Agricultural University， Guangzhou 510980， China）

Abstract： In user?side data， anomalies are often hidden in complex temporal relationships. The traditional temporal analysis methods face difficulties in handling complex temporal relationships in user?side data， and feature extraction is difficult to capture key features， resulting in low diagnostic accuracy and easy missed detections. To this end， a user?side abnormal data intelligent diagnosis method based on deep parallel temporal networks is studied. In the deep parallel temporal network decomposition layer， the sliding window method is used to segment user?side data and obtain several window sequences. In the encoding layer， an encoder can be established based on stacked temporal convolutional neural networks and long short?term memory networks （LSTM） to extract the spatiotemporal features of each window sequence. In the decoding layer， a decoder is established and the spatiotemporal features of the window sequence are constructed by introducing a gated loop unit with temporal attention mechanism. In the inference layer， the anomaly score is calculated based on the reconstructed features. When the anomaly score exceeds the set threshold， it indicates that the user?side data in the window is abnormal data， completing the intelligent diagnosis of user?side anomaly data. The experimental results show that this method can effectively extract features from user?side data， calculate anomaly scores， and realize the intelligent diagnosis of user?side anomaly data.

Keywords： deep parallel temporal network; user side; abnormal data; intelligent diagnosis; sliding window; long short?term memory network

0" 引" 言

用戶側(cè)數(shù)據(jù)中蘊(yùn)含著豐富的信息，對于企業(yè)的決策支持、業(yè)務(wù)優(yōu)化以及用戶服務(wù)提升等方面具有重要意義[1]。然而，在實際應(yīng)用中，由于各種原因（如設(shè)備故障、網(wǎng)絡(luò)波動、用戶誤操作等）用戶側(cè)數(shù)據(jù)往往會出現(xiàn)異常[2]，這些異常數(shù)據(jù)不僅會影響數(shù)據(jù)的質(zhì)量和可靠性，還可能誤導(dǎo)決策，給企業(yè)帶來損失。用戶側(cè)數(shù)據(jù)中的異常往往隱藏在復(fù)雜的時序關(guān)系中，傳統(tǒng)的時序分析方法無法有效捕獲這些關(guān)系中的關(guān)鍵特征，在處理高維、非線性或動態(tài)變化的數(shù)據(jù)時容易導(dǎo)致診斷精度低和漏檢異常。因此，如何有效地進(jìn)行用戶側(cè)異常數(shù)據(jù)智能診斷成為了亟待解決的問題。

文獻(xiàn)[3]通過改進(jìn)LSTM網(wǎng)絡(luò)的結(jié)構(gòu)和參數(shù)優(yōu)化，使其更好地適應(yīng)用戶側(cè)數(shù)據(jù)的特性，如時間序列的非平穩(wěn)性、高噪聲等。改進(jìn)后的LSTM網(wǎng)絡(luò)能夠更好地捕捉數(shù)據(jù)的長期依賴關(guān)系，同時降低噪聲對異常檢測的影響。但該方法在面對數(shù)據(jù)分布不平衡、缺失值或異常值較多等情況時表現(xiàn)欠佳。文獻(xiàn)[4]通過優(yōu)化LSTM網(wǎng)絡(luò)的結(jié)構(gòu)和參數(shù)，提升對用戶側(cè)異常數(shù)據(jù)的檢測與分類性能。但該方法無法提取用戶側(cè)數(shù)據(jù)的關(guān)鍵特征，會影響異常診斷效果。文獻(xiàn)[5]通過構(gòu)建用戶數(shù)據(jù)的圖結(jié)構(gòu)表示，充分捕捉數(shù)據(jù)間的關(guān)聯(lián)性和空間依賴性；利用預(yù)訓(xùn)練的圖神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)數(shù)據(jù)的深層特征表示，以增強(qiáng)模型對異常模式的敏感性；通過交互式學(xué)習(xí)機(jī)制，進(jìn)一步提高異常檢測的準(zhǔn)確性。雖然圖神經(jīng)網(wǎng)絡(luò)能夠捕捉數(shù)據(jù)的復(fù)雜關(guān)系，但其內(nèi)部機(jī)制往往缺乏直觀的解釋性，導(dǎo)致診斷結(jié)果難以理解和解釋。文獻(xiàn)[6]通過自適應(yīng)集成學(xué)習(xí)并結(jié)合多個隨機(jī)模糊模型，進(jìn)行異常數(shù)據(jù)智能診斷，充分利用各個模型的優(yōu)點并減少其缺點。同時，隨機(jī)模糊模型能夠處理數(shù)據(jù)中的不確定性和模糊性，使其更適用于用戶側(cè)數(shù)據(jù)的特性。該方法在處理用戶側(cè)數(shù)據(jù)時會遇到數(shù)據(jù)不平衡問題，導(dǎo)致多模型集成受少數(shù)類樣本影響較大，進(jìn)而影響模型對異常數(shù)據(jù)的判斷偏差。

為此，本文提出一種基于深度并行時序網(wǎng)絡(luò)的用戶側(cè)異常數(shù)據(jù)智能診斷方法。深度并行時序網(wǎng)絡(luò)具備高效處理能力、強(qiáng)大的特征學(xué)習(xí)能力、并行計算能力、靈活的可擴(kuò)展性以及與多源數(shù)據(jù)的兼容性等優(yōu)勢[7]，可顯著提升異常數(shù)據(jù)的檢測精度。

1" 用戶側(cè)異常數(shù)據(jù)智能診斷

本文中通過層疊時序卷積神經(jīng)網(wǎng)絡(luò)（TCN）結(jié)合長短期記憶網(wǎng)絡(luò)（LSTM）與門控循環(huán)單元（GRU），設(shè)計深度并行時序網(wǎng)絡(luò)（DPTN）。利用DPTN對用戶側(cè)數(shù)據(jù)進(jìn)行異常數(shù)據(jù)智能診斷。DPTN內(nèi)共包含4層，分別是分解層、編碼層、解碼層與推斷層，具體步驟如下。

步驟1：分解層利用滑動窗口法將用戶側(cè)數(shù)據(jù)分割為多個窗口序列，實現(xiàn)了對復(fù)雜的時序關(guān)系的分解和切割，為后續(xù)的特征提取和分析提供了基礎(chǔ)。

步驟2：編碼層通過TCN與LSTM建立編碼器，TCN依據(jù)用戶側(cè)數(shù)據(jù)的窗口序列提取空間特征[8]，通過LSTM處理空間特征，從而得到用戶側(cè)數(shù)據(jù)窗口序列的時空特征，提升用戶側(cè)數(shù)據(jù)窗口序列關(guān)鍵特征的提取效果。

步驟3：解碼層通過引入注意力機(jī)制的GRU建立解碼器，用于重構(gòu)用戶側(cè)數(shù)據(jù)窗口序列的時空特征。這種解碼機(jī)制能夠進(jìn)一步提取和還原異常數(shù)據(jù)的時序特征，從而更準(zhǔn)確地診斷異常數(shù)據(jù)。

步驟4：推斷層根據(jù)重構(gòu)特征計算異常分?jǐn)?shù)，設(shè)置閾值來判斷異常數(shù)據(jù)。這樣可以通過推斷層的輸出進(jìn)行異常數(shù)據(jù)智能診斷，當(dāng)異常分?jǐn)?shù)超過閾值時，即可確定窗口內(nèi)的用戶側(cè)數(shù)據(jù)為異常數(shù)據(jù)。

1.1" 深度并行時序網(wǎng)絡(luò)分解層的用戶側(cè)數(shù)據(jù)分割

用戶側(cè)數(shù)據(jù)常常具有復(fù)雜的時序特征，包括長期趨勢、周期性變化和突發(fā)事件，傳統(tǒng)方法可能難以準(zhǔn)確捕捉數(shù)據(jù)中的時序關(guān)系。通過采用滑動窗口法將連續(xù)用戶側(cè)數(shù)據(jù)劃分成窗口序列，可以有效應(yīng)對時序數(shù)據(jù)的復(fù)雜性，使得時序網(wǎng)絡(luò)能夠更好地捕捉數(shù)據(jù)間的時序關(guān)系。

令包含[T]個時間點的連續(xù)用戶側(cè)數(shù)據(jù)是[xT=x1，x2，…，xT]，DPTN的分解層利用滑動窗口法將[xT]劃分成數(shù)個長度是[m]的窗口序列[sk=xk，xk+1，…，xk+m-1]。因此，[xT]能夠以窗口序列的形式進(jìn)行描繪，即[S=st，st+1，…，st+m-1]，作為編碼層的輸入。

1.2" 深度并行時序網(wǎng)絡(luò)編碼層的時空特征提取

在用戶側(cè)數(shù)據(jù)的異常檢測中，一個核心的挑戰(zhàn)在于如何從復(fù)雜的時序關(guān)系中有效地提取關(guān)鍵特征。傳統(tǒng)的時序分析方法往往難以捕捉這些復(fù)雜關(guān)系，尤其是在面對高維、非線性或動態(tài)變化的數(shù)據(jù)時。為了解決這一難點，DPTN編碼層被設(shè)計出來，以更有效地提取時空特征。DPTN編碼層內(nèi)的TCN共包含三部分，分別是膨脹卷積、卷積塊、殘差連接。在TCN內(nèi)輸入[S]，對其進(jìn)行膨脹卷積操作[9]，得到[t]時刻用戶側(cè)數(shù)據(jù)窗口序列的空間特征[Zkt]，公式如下：

[Zkt=i=0t+m-1f1i?skt+d?i+b1i=0t+m-1f2i?skt+d?i+b2" " " " " " " " " " " ?i=0t+m-1fki?skt+d?i+bn] （1）

式中：膨脹因子是[d]；卷積核是[f]；卷積核數(shù)量是[k]；第[i]個卷積核輸入的第[k]個用戶側(cè)數(shù)據(jù)窗口序列是[skt+d?i]；膨脹卷積操作方向是[t+d?i]；偏差是[bn]。

通過層疊數(shù)個卷積塊得到一個不間斷的卷積過程[10]，提取用戶側(cè)數(shù)據(jù)窗口序列空間特征，公式如下：

[Z′kt=ReLUw?skt+b] （2）

式中：權(quán)值是[w]；激活函數(shù)是[ReLU?]。

利用殘差連接將TCN的全部網(wǎng)絡(luò)層連接到一起，得到最終的用戶側(cè)數(shù)據(jù)窗口序列空間特征，公式如下：

[Z″kt=ReLUZkt+Z′kt] （3）

利用TCN能夠提取用戶側(cè)數(shù)據(jù)各窗口序列在空間上的相關(guān)性特征，即空間特征。為獲取更全面的特征表示，利用LSTM在空間特征上提取特征在時間上的依賴關(guān)系，即用戶側(cè)數(shù)據(jù)各窗口序列的時空特征。

利用LSTM[11?12]提取用戶側(cè)數(shù)據(jù)窗口序列時空特征的實現(xiàn)過程如下：

[qkt=ψwq?Z″kt+wq?ukt-1+βq] （4）

[pkt=ψwp?Z″kt+wp?ukt-1+βp] （5）

[αkt=pkt?αkt-1+qkt?tanhwα?Z″kt+wα?ukt-1+βα] （6）

[okt=ψwo?Z″kt+wo?ukt-1+βo] （7）

[ukt=okt?tanhαkt] （8）

式中：第[k]個用戶側(cè)數(shù)據(jù)窗口序列的輸入門是[qkt]，用于決定更新哪些用戶側(cè)數(shù)據(jù)窗口序列空間特征；遺忘門是[pkt]，用于決定哪些用戶側(cè)數(shù)據(jù)窗口序列空間特征被遺忘；細(xì)胞狀態(tài)是[αkt]，用于保留與傳輸用戶側(cè)數(shù)據(jù)窗口序列空間特征；輸出門是[okt]，用于輸出處理后的用戶側(cè)數(shù)據(jù)窗口序列空間特征；用戶側(cè)數(shù)據(jù)窗口序列時空特征提取結(jié)果是[ukt]；權(quán)值是[wq]、[wp]、[wα]、[wo]；偏置是[βq]、[βp]、[βα]、[βo]。

1.3" 深度并行時序網(wǎng)絡(luò)解碼層的時空特征重構(gòu)

在用戶側(cè)數(shù)據(jù)的異常檢測中，經(jīng)過編碼層提取的時空特征雖然包含了豐富的信息，但直接用于異常判斷仍然過于復(fù)雜。因此，在DPTN解碼層進(jìn)行時空特征重構(gòu)，以便更準(zhǔn)確地識別異常。通過引入時間注意力機(jī)制[13]的GRU，解碼層能夠捕捉用戶側(cè)數(shù)據(jù)中的長期依賴關(guān)系和周期性模式，對不同時間點的特征賦予不同的權(quán)重，從而更準(zhǔn)確地重構(gòu)出用戶側(cè)數(shù)據(jù)窗口序列的時空特征。

通過時間注意力機(jī)制將第[j]個編碼器的第[k]個用戶側(cè)數(shù)據(jù)窗口序列的時空特征[ujk]映射至?xí)r間分量上，獲取第[k]個用戶側(cè)數(shù)據(jù)窗口序列時空特征的上下文向量[rkt]，公式如下：

[rkt=j=1Nwjtujkt] （9）

式中：第[j]個編碼器輸出的第[k]個用戶側(cè)數(shù)據(jù)窗口序列時空特征是[ujkt]；在[t]時刻第[j]個編碼器的隱藏狀態(tài)權(quán)值是[wjt]。

[t-1]時刻解碼器的第[k]個窗口序列的隱藏狀態(tài)[ykt-1]為：

[ykt-1=λTukt-1，rkt-1+β] （10）

式中：解碼器權(quán)值、偏置是[λ]、[β]；轉(zhuǎn)置符號是[T]。

更新門用于決定如何將新的輸入用戶側(cè)數(shù)據(jù)窗口序列時空特征與前面的記憶相結(jié)合，以及決定前一時間步和當(dāng)前時間步的用戶側(cè)數(shù)據(jù)窗口序列時空特征有多少需要繼續(xù)傳遞。[t]時刻解碼器更新門的輸出[gkt]為：

[gkt=δ?grkt+ωgykt-1+βg] （11）

式中：[gkt]的輸入權(quán)值、循環(huán)權(quán)值與偏置是[?g]、[ωg]、[βg]；激活函數(shù)是[δ?]。

重置門用于決定如何將新的輸入用戶側(cè)數(shù)據(jù)窗口序列時空特征與之前的記憶結(jié)合，即決定有多少過去的用戶側(cè)數(shù)據(jù)窗口序列時空特征需要遺忘。[t]時刻解碼器重置門的輸出[hkt]為：

[hkt=δ?hrkt+ωhykt-1+βh] （12）

式中：[hkt]的輸入權(quán)值、循環(huán)權(quán)值與偏置是[?h]、[ωh]、[βh]。

當(dāng)前時刻新的解碼器輸入用戶側(cè)數(shù)據(jù)窗口序列時空特征[ykt]為：

[ykt=tanh?yrkt+ωyykt-1+βy] （13）

式中：隱藏狀態(tài)的輸入權(quán)值、循環(huán)權(quán)值與偏置是[?y]、[ωy]、[βy]。

解碼器重構(gòu)用戶側(cè)數(shù)據(jù)窗口序列時空特征[ykt]為：

[ykt=1-gkt?ykt-1+hkt?ykt] （14）

1.4" 深度并行時序網(wǎng)絡(luò)推斷層異常數(shù)據(jù)智能診斷

在DPTN中，推斷層負(fù)責(zé)根據(jù)編碼層提取的原始時空特征和解碼層重構(gòu)的時空特征進(jìn)行智能診斷，以識別用戶側(cè)數(shù)據(jù)中的異常。DPTN內(nèi)推斷層通過計算1.3節(jié)重構(gòu)的第[k]個窗口序列重構(gòu)時空特征[ykt]，與1.2節(jié)提取的原始第[k]個窗口序列時空特征[ukt]的均方根誤差（RMSE），得到用戶側(cè)異常數(shù)據(jù)智能診斷的異常分?jǐn)?shù)，其值與數(shù)據(jù)異常發(fā)生概率具有正相關(guān)關(guān)系，計算公式如下：

[RMSEk=1t+m-1k=1t+m-1ykt-ukt2] （15）

令用戶側(cè)異常數(shù)據(jù)智能診斷閾值是[ε]，當(dāng)[RMSEkgt;ε]時，說明第[k]個窗口序列內(nèi)用戶側(cè)數(shù)據(jù)為異常數(shù)據(jù)。同理，獲取[t+m-1]個窗口序列用戶側(cè)異常數(shù)據(jù)的智能診斷結(jié)果。通過這種方式，推斷層能夠通過逐個窗口序列診斷出用戶側(cè)異常數(shù)據(jù)。

2" 實驗分析

以某網(wǎng)站的用戶側(cè)數(shù)據(jù)集為實驗對象，該網(wǎng)站用戶側(cè)數(shù)據(jù)集內(nèi)共包含兩大類型的數(shù)據(jù)，分別是行為數(shù)據(jù)與性能數(shù)據(jù)。該用戶側(cè)數(shù)據(jù)集的相關(guān)介紹如表1所示。

網(wǎng)站的拓?fù)浣Y(jié)構(gòu)如圖1所示。

利用馬修斯相關(guān)系數(shù)（MCC）衡量所提方法的異常數(shù)據(jù)智能診斷精度，其值越大，說明異常數(shù)據(jù)智能診斷精度越高?；瑒哟翱诘拈L度直接影響所提方法異常數(shù)據(jù)智能診斷的精度，為此，分析不同滑動窗口長度時所提方法異常數(shù)據(jù)智能診斷的MCC值，確定最佳的滑動窗口長度，分析結(jié)果如圖2所示。

分析圖2可知，隨著滑動窗口長度的增加，用戶側(cè)行為數(shù)據(jù)與性能數(shù)據(jù)的異常數(shù)據(jù)智能診斷的MCC值均呈上升趨勢，當(dāng)滑動窗口長度為120 s時，兩種類型的用戶側(cè)異常數(shù)據(jù)智能診斷的MCC值均達(dá)到最大，并趨于穩(wěn)定。實驗結(jié)果證明：增加滑動窗口長度能夠提升用戶側(cè)異常數(shù)據(jù)智能診斷的MCC值，即提升智能診斷精度，且最佳滑動窗口長度為120 s。

以用戶側(cè)行為數(shù)據(jù)中的點擊流數(shù)據(jù)為例，利用所提方法將該用戶側(cè)點擊流數(shù)據(jù)分割成數(shù)個窗口序列，分割結(jié)果如圖3所示。

分析圖3可知，所提方法可有效分割用戶側(cè)點擊流數(shù)據(jù)，該用戶側(cè)點擊流被分割成8個窗口序列，且各窗口序列的長度均為120 s。

利用所提方法提取該用戶側(cè)點擊流數(shù)據(jù)的時空特征，并進(jìn)行異常數(shù)據(jù)智能診斷，時空特征提取結(jié)果與智能診斷結(jié)果如圖4所示，用戶側(cè)異常數(shù)據(jù)智能診斷閾值是0.6。

分析圖4可知，所提方法可有效提取用戶側(cè)點擊流數(shù)據(jù)的時空特征，并計算各窗口序列內(nèi)用戶側(cè)點擊流數(shù)據(jù)的異常分?jǐn)?shù)，其中，第3個、第6個、第8個窗口序列的異常分?jǐn)?shù)高于智能診斷閾值，說明這3個窗口序列內(nèi)的用戶側(cè)點擊流數(shù)據(jù)為異常數(shù)據(jù)。實驗結(jié)果證明所提方法可智能診斷出用戶側(cè)的異常數(shù)據(jù)。

3" 結(jié)" 論

本文提出了一種基于深度并行時序網(wǎng)絡(luò)的用戶側(cè)異常數(shù)據(jù)智能診斷方法，利用深度并行時序網(wǎng)絡(luò)捕捉用戶側(cè)數(shù)據(jù)中的復(fù)雜模式和異常行為，準(zhǔn)確地診斷出異常數(shù)據(jù)，提高了異常診斷的準(zhǔn)確性。所提方法在處理大規(guī)模用戶側(cè)數(shù)據(jù)和異常診斷方面具有顯著優(yōu)勢，對于提升用戶側(cè)數(shù)據(jù)管理的效率和安全性具有重要意義。未來將進(jìn)一步優(yōu)化模型結(jié)構(gòu)，提高異常診斷效率，并探索更多的應(yīng)用場景。

參考文獻(xiàn)

[1] 潘瑩麗，劉展，宋廣雨.基于SCAD懲罰回歸的異常值檢測方法[J].統(tǒng)計與決策，2022，38（4）：38?42.

[2] 陳華華，陳哲.基于釘板分布稀疏變分自編碼器的異常檢測算法研究[J].電信科學(xué)，2022，38（12）：65?77.

[3] 歐陽舒歆，王洺鈞，榮垂田，等.基于改進(jìn)LSTM的多維QAR數(shù)據(jù)異常檢測[J].廣西師范大學(xué)學(xué)報（自然科學(xué)版），2023，41（5）：49?60.

[4] LIU J， BAI J， LI H， et al. Improved LSTM?based abnormal stream data detection and correction system for Internet of Things [J]. IEEE transactions on industrial informatics， 2022， 18（2）： 1282?1290.

[5] 王春枝，邢紹文，高榕，等.基于預(yù)訓(xùn)練交互式圖神經(jīng)網(wǎng)絡(luò)的多元時間序列異常檢測[J].中南民族大學(xué)學(xué)報（自然科學(xué)版），2023，42（4）：541?550.

[6] JIANG J， LIU F， NG W W Y， et al. AERF： adaptive ensemble random fuzzy algorithm for anomaly detection in cloud computing [J]. Computer communications， 2023， 200： 86?94.

[7] 朱威，譙先鋒，陳藝楷，等.多步積累獎勵的雙重時序Q網(wǎng)絡(luò)算法[J].控制理論與應(yīng)用，2022，39（2）：222?230.

[8] 程思強(qiáng)，李曉戈，李顯亮.基于日志多特征融合的無監(jiān)督異常檢測算法[J].小型微型計算機(jī)系統(tǒng)，2023，44（12）：2727?2733.

[9] 曾閩川，方勇，許益家.基于聯(lián)邦遷移學(xué)習(xí)的應(yīng)用系統(tǒng)日志異常檢測研究[J].四川大學(xué)學(xué)報（自然科學(xué)版），2023，60（3）：85?92.

[10] 鄧春華，周勇.基于LSTM?SVM模型的ES多變量時序異常檢測[J].計算機(jī)仿真，2023，40（3）：471?475.

[11] 相富鐘，趙慶海.基于LSTM模型的光通信網(wǎng)絡(luò)數(shù)據(jù)傳輸負(fù)載預(yù)測方法[J].激光雜志，2023，44（2）：154?158.

[12] 鄭圣彬，謝加良，張東曉.基于LSTM?WGAN的時間序列數(shù)據(jù)異常檢測[J].福建師范大學(xué)學(xué)報（自然科學(xué)版），2024，40（2）：36?45.

[13] 尹聰，胡漢平.基于時間注意力機(jī)制的時滯混沌系統(tǒng)參數(shù)辨識模型[J].計算機(jī)應(yīng)用，2023，43（3）：842?847.

作者簡介：鄭艷松（1980—），男，湖南永州人，碩士研究生，講師，研究方向為計算機(jī)應(yīng)用技術(shù)、大數(shù)據(jù)。

廖偉國（1981—），男，湖北天門人，碩士研究生，副教授，研究方向為計算機(jī)應(yīng)用技術(shù)、人工智能。