基于深度学习的校园网访问量预测模型研究

发布时间：2022-12-23 12:32

　　大数据时代下数据是重要的资源,数据是构建预测模型的关键。计算机采集信息形成大规模数据,这些数据中蕴含着很多有用的价值,校园网的日志数据就是很有价值的数据。校园网通常使用Nginx部署反向代理服务器,记录了校内和校外用户访问校园网站的日志数据。反向代理服务器采集的日志数据包含用户IP、访问时间、请求的URL和HTTP协议、发送给用户主体文件内容的大小,从哪个页面链接访问过来,兼容性和浏览器信息等内容。深度学习成为人工智能领域近些年以来兴起的一个新领域,它可以看做是机器学习研究领域的一个新扩展,并且是对人工神经网络的延续发展,其目的在于构建多个处理层从海量数据中自动完成数据特征的学习。提取并学习数据特征成为构建预测模型的关键。本文将分析反向代理服务器中的日志数据,提取必要的日志数据特征,利用深度学习自动学习数据特征,构建校园网访问量预测模型。构建的预测模型实现预测不同地区访问校园网的数量,从而能够在推荐或者决策上体现数据的价值。主要的研究内容和研究成果总结如下:（1）数据预处理。对从Nginx部署的反向代理服务器中获取的日志数据按不同类别进行数据整理;数据清洗完成去除日志数据中无效信息;在... 

【文章页数】：77 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第1章 绪论
    1.1 研究背景及意义
        1.1.1 研究背景
        1.1.2 研究意义
    1.2 国内外研究现状
        1.2.1 日志数据分析研究现状
        1.2.2 深度学习研究现状
        1.2.3 深度学习在预测应用上的研究现状
    1.3 论文的研究内容
    1.4 论文的组织结构
第2章 相关技术与研究工作
    2.1 深度学习概述
        2.1.1 深度学习概念
        2.1.2 深度学习结构分类
        2.1.3 深度学习常用模型
        2.1.4 模型性能评价指标
    2.2 日志数据采集
        2.2.1 反向代理服务器
        2.2.2 日志数据获取
    2.3 日志数据预处理
        2.3.1 数据整理
        2.3.2 数据清洗
        2.3.3 数据选择
        2.3.4 数据处理
    2.4 实验数据集介绍
    2.5 本章小结
第3章 基于DBN融合回归层的校园网访问量预测模型
    3.1 深度置信网络(DBN)
        3.1.1 RBM模型结构和训练过程
        3.1.2 DBN模型结构训练过程
    3.2 回归问题概述
        3.2.1 逻辑回归
        3.2.2 支持向量机(SVM)
    3.3 DBN_SVM预测模型构建
        3.3.1 DBN_SVM模型构建流程
        3.3.2 DBN_SVM模型训练过程
    3.4 参数调优和实验结果分析
        3.4.1 DBN模型参数调优
        3.4.2 SVM参数调优
    3.5 本章小结
第4章 基于LSTM网络的校园网访问量预测模型
    4.1 循环神经网络(RNN)
        4.1.1 RNN的定义
        4.1.2 RNN的模型结构
        4.1.3 RNN的模型训练
    4.2 LSTM网络
        4.2.1 LSTM网络的定义
        4.2.2 LSTM网络的模型结构
        4.2.3 LSTM网络的模型训练
    4.3 基于LSTM网络的校园网访问量预测模型构建
        4.3.1 训练输入与输出结构设计
        4.3.2 激活函数选取
        4.3.3 实验模型构建
        4.3.4 LSTM网络模型训练优化方法选择
    4.4 模型参数设置及结果分析
        4.4.1 网络参数设置
        4.4.2 参数优化及实验结果分析
    4.5 LSTM和 DBN_SVM模型实验结果对比
    4.6 本章小结
第5章 校园网访问量预测模型的应用
    5.1 预测模型的应用背景
    5.2 预测模型的应用流程
    5.3 预测模型的应用结果分析
    5.4 本章小结
第6章 总结与展望
    6.1 论文总结
    6.2 不足与展望
参考文献
攻读学位期间发表的学术论文和研究成果
致谢


【参考文献】：
期刊论文
[1]基于深度信念网络的医院门诊量预测[J]. 杨旭华,钟楠祎.  计算机科学. 2016(S2)
[2]一种网络日志属性挖掘与分析方法[J]. 张艳华,张仰森,马红霞.  计算机应用研究. 2017(05)
[3]深度学习的昨天、今天和明天[J]. 余凯,贾磊,陈雨强,徐伟.  计算机研究与发展. 2013(09)
[4]Web日志挖掘中数据预处理技术的研究[J]. 于飞,丁华福,姜伦.  计算机技术与发展. 2010(05)
[5]Web日志的高效多能挖掘算法[J]. 宋擒豹,沈钧毅.  计算机研究与发展. 2001(03)
[6]用户访问模式数据挖掘的模型与算法研究[J]. 周斌,吴泉源,高洪奎.  计算机研究与发展. 1999(07)

硕士论文
[1]基于深度学习的交通流量预测与可视化方法研究[D]. 史亚星.北方工业大学 2018
[2]基于LSTM模型的汽车配件安全库存量预测研究[D]. 刘庆.西南交通大学 2018
[3]深度学习在回归预测中的研究及应用[D]. 王秀美.山东农业大学 2017
[4]基于逻辑回归的砂土液化判别研究[D]. 王亮.中国地震局工程力学研究所 2017
[5]基于LSTM的舰船运动姿态短期预测及仿真研究[D]. 王国栋.江苏科技大学 2017
[6]Web日志分析系统的设计与实现[D]. 李吉帅.北京邮电大学 2017
[7]社会容迟网络中基于能效的消息转发机制的研究[D]. 朱义吉.南京邮电大学 2016
[8]基于深度学习的聚类关键技术研究[D]. 杨琪.西南交通大学 2016
[9]基于深度学习的时间序列特征表示[D]. 胡健.云南大学 2016
[10]基于LSTM神经网络的美股股指价格趋势预测模型的研究[D]. 孙瑞奇.首都经济贸易大学 2016



本文编号：3725099