大數(shù)據(jù)時(shí)代下數(shù)據(jù)是重要的資源,數(shù)據(jù)是構(gòu)建預(yù)測(cè)模型的關(guān)鍵。計(jì)算機(jī)采集信息形成大規(guī)模數(shù)據(jù),這些數(shù)據(jù)中蘊(yùn)含著很多有用的價(jià)值,校園網(wǎng)的日志數(shù)據(jù)就是很有價(jià)值的數(shù)據(jù)。校園網(wǎng)通常使用Nginx部署反向代理服務(wù)器,記錄了校內(nèi)和校外用戶訪問校園網(wǎng)站的日志數(shù)據(jù)。反向代理服務(wù)器采集的日志數(shù)據(jù)包含用戶IP、訪問時(shí)間、請(qǐng)求的URL和HTTP協(xié)議、發(fā)送給用戶主體文件內(nèi)容的大小,從哪個(gè)頁面鏈接訪問過來,兼容性和瀏覽器信息等內(nèi)容。深度學(xué)習(xí)成為人工智能領(lǐng)域近些年以來興起的一個(gè)新領(lǐng)域,它可以看做是機(jī)器學(xué)習(xí)研究領(lǐng)域的一個(gè)新擴(kuò)展,并且是對(duì)人工神經(jīng)網(wǎng)絡(luò)的延續(xù)發(fā)展,其目的在于構(gòu)建多個(gè)處理層從海量數(shù)據(jù)中自動(dòng)完成數(shù)據(jù)特征的學(xué)習(xí)。提取并學(xué)習(xí)數(shù)據(jù)特征成為構(gòu)建預(yù)測(cè)模型的關(guān)鍵。本文將分析反向代理服務(wù)器中的日志數(shù)據(jù),提取必要的日志數(shù)據(jù)特征,利用深度學(xué)習(xí)自動(dòng)學(xué)習(xí)數(shù)據(jù)特征,構(gòu)建校園網(wǎng)訪問量預(yù)測(cè)模型。構(gòu)建的預(yù)測(cè)模型實(shí)現(xiàn)預(yù)測(cè)不同地區(qū)訪問校園網(wǎng)的數(shù)量,從而能夠在推薦或者決策上體現(xiàn)數(shù)據(jù)的價(jià)值。主要的研究?jī)?nèi)容和研究成果總結(jié)如下:（1）數(shù)據(jù)預(yù)處理。對(duì)從Nginx部署的反向代理服務(wù)器中獲取的日志數(shù)據(jù)按不同類別進(jìn)行數(shù)據(jù)整理;數(shù)據(jù)清洗完成去除日志數(shù)據(jù)中無效信息;在... 

【文章頁數(shù)】：77 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 研究背景及意義
        1.1.1 研究背景
        1.1.2 研究意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 日志數(shù)據(jù)分析研究現(xiàn)狀
        1.2.2 深度學(xué)習(xí)研究現(xiàn)狀
        1.2.3 深度學(xué)習(xí)在預(yù)測(cè)應(yīng)用上的研究現(xiàn)狀
    1.3 論文的研究?jī)?nèi)容
    1.4 論文的組織結(jié)構(gòu)
第2章 相關(guān)技術(shù)與研究工作
    2.1 深度學(xué)習(xí)概述
        2.1.1 深度學(xué)習(xí)概念
        2.1.2 深度學(xué)習(xí)結(jié)構(gòu)分類
        2.1.3 深度學(xué)習(xí)常用模型
        2.1.4 模型性能評(píng)價(jià)指標(biāo)
    2.2 日志數(shù)據(jù)采集
        2.2.1 反向代理服務(wù)器
        2.2.2 日志數(shù)據(jù)獲取
    2.3 日志數(shù)據(jù)預(yù)處理
        2.3.1 數(shù)據(jù)整理
        2.3.2 數(shù)據(jù)清洗
        2.3.3 數(shù)據(jù)選擇
        2.3.4 數(shù)據(jù)處理
    2.4 實(shí)驗(yàn)數(shù)據(jù)集介紹
    2.5 本章小結(jié)
第3章 基于DBN融合回歸層的校園網(wǎng)訪問量預(yù)測(cè)模型
    3.1 深度置信網(wǎng)絡(luò)(DBN)
        3.1.1 RBM模型結(jié)構(gòu)和訓(xùn)練過程
        3.1.2 DBN模型結(jié)構(gòu)訓(xùn)練過程
    3.2 回歸問題概述
        3.2.1 邏輯回歸
        3.2.2 支持向量機(jī)(SVM)
    3.3 DBN_SVM預(yù)測(cè)模型構(gòu)建
        3.3.1 DBN_SVM模型構(gòu)建流程
        3.3.2 DBN_SVM模型訓(xùn)練過程
    3.4 參數(shù)調(diào)優(yōu)和實(shí)驗(yàn)結(jié)果分析
        3.4.1 DBN模型參數(shù)調(diào)優(yōu)
        3.4.2 SVM參數(shù)調(diào)優(yōu)
    3.5 本章小結(jié)
第4章 基于LSTM網(wǎng)絡(luò)的校園網(wǎng)訪問量預(yù)測(cè)模型
    4.1 循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)
        4.1.1 RNN的定義
        4.1.2 RNN的模型結(jié)構(gòu)
        4.1.3 RNN的模型訓(xùn)練
    4.2 LSTM網(wǎng)絡(luò)
        4.2.1 LSTM網(wǎng)絡(luò)的定義
        4.2.2 LSTM網(wǎng)絡(luò)的模型結(jié)構(gòu)
        4.2.3 LSTM網(wǎng)絡(luò)的模型訓(xùn)練
    4.3 基于LSTM網(wǎng)絡(luò)的校園網(wǎng)訪問量預(yù)測(cè)模型構(gòu)建
        4.3.1 訓(xùn)練輸入與輸出結(jié)構(gòu)設(shè)計(jì)
        4.3.2 激活函數(shù)選取
        4.3.3 實(shí)驗(yàn)?zāi)Ｐ蜆?gòu)建
        4.3.4 LSTM網(wǎng)絡(luò)模型訓(xùn)練優(yōu)化方法選擇
    4.4 模型參數(shù)設(shè)置及結(jié)果分析
        4.4.1 網(wǎng)絡(luò)參數(shù)設(shè)置
        4.4.2 參數(shù)優(yōu)化及實(shí)驗(yàn)結(jié)果分析
    4.5 LSTM和 DBN_SVM模型實(shí)驗(yàn)結(jié)果對(duì)比
    4.6 本章小結(jié)
第5章 校園網(wǎng)訪問量預(yù)測(cè)模型的應(yīng)用
    5.1 預(yù)測(cè)模型的應(yīng)用背景
    5.2 預(yù)測(cè)模型的應(yīng)用流程
    5.3 預(yù)測(cè)模型的應(yīng)用結(jié)果分析
    5.4 本章小結(jié)
第6章 總結(jié)與展望
    6.1 論文總結(jié)
    6.2 不足與展望
參考文獻(xiàn)
攻讀學(xué)位期間發(fā)表的學(xué)術(shù)論文和研究成果
致謝


【參考文獻(xiàn)】：
期刊論文
[1]基于深度信念網(wǎng)絡(luò)的醫(yī)院門診量預(yù)測(cè)[J]. 楊旭華,鐘楠祎.  計(jì)算機(jī)科學(xué). 2016(S2)
[2]一種網(wǎng)絡(luò)日志屬性挖掘與分析方法[J]. 張艷華,張仰森,馬紅霞.  計(jì)算機(jī)應(yīng)用研究. 2017(05)
[3]深度學(xué)習(xí)的昨天、今天和明天[J]. 余凱,賈磊,陳雨強(qiáng),徐偉.  計(jì)算機(jī)研究與發(fā)展. 2013(09)
[4]Web日志挖掘中數(shù)據(jù)預(yù)處理技術(shù)的研究[J]. 于飛,丁華福,姜倫.  計(jì)算機(jī)技術(shù)與發(fā)展. 2010(05)
[5]Web日志的高效多能挖掘算法[J]. 宋擒豹,沈鈞毅.  計(jì)算機(jī)研究與發(fā)展. 2001(03)
[6]用戶訪問模式數(shù)據(jù)挖掘的模型與算法研究[J]. 周斌,吳泉源,高洪奎.  計(jì)算機(jī)研究與發(fā)展. 1999(07)

碩士論文
[1]基于深度學(xué)習(xí)的交通流量預(yù)測(cè)與可視化方法研究[D]. 史亞星.北方工業(yè)大學(xué) 2018
[2]基于LSTM模型的汽車配件安全庫存量預(yù)測(cè)研究[D]. 劉慶.西南交通大學(xué) 2018
[3]深度學(xué)習(xí)在回歸預(yù)測(cè)中的研究及應(yīng)用[D]. 王秀美.山東農(nóng)業(yè)大學(xué) 2017
[4]基于邏輯回歸的砂土液化判別研究[D]. 王亮.中國地震局工程力學(xué)研究所 2017
[5]基于LSTM的艦船運(yùn)動(dòng)姿態(tài)短期預(yù)測(cè)及仿真研究[D]. 王國棟.江蘇科技大學(xué) 2017
[6]Web日志分析系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D]. 李吉帥.北京郵電大學(xué) 2017
[7]社會(huì)容遲網(wǎng)絡(luò)中基于能效的消息轉(zhuǎn)發(fā)機(jī)制的研究[D]. 朱義吉.南京郵電大學(xué) 2016
[8]基于深度學(xué)習(xí)的聚類關(guān)鍵技術(shù)研究[D]. 楊琪.西南交通大學(xué) 2016
[9]基于深度學(xué)習(xí)的時(shí)間序列特征表示[D]. 胡健.云南大學(xué) 2016
[10]基于LSTM神經(jīng)網(wǎng)絡(luò)的美股股指價(jià)格趨勢(shì)預(yù)測(cè)模型的研究[D]. 孫瑞奇.首都經(jīng)濟(jì)貿(mào)易大學(xué) 2016



本文編號(hào)：3725099