公开(公告)号：CN117290112A

公开(公告)日：2023-12-26

申请号：CN202311465925.9

申请日：2023-11-07

Applicant: 福州大学

Inventor： 陈哲毅 ,  钟璐英 ,  吴维峰 ,  陈礼贤 ,  江庆南

IPC: G06F9/50 ,  G06N3/0442 ,  G06N3/08

Abstract: 本发明提出一种基于边缘环境的深度模型负载分布预测方法，由深度自回归循环神经网络构成的边缘负载预测方法（Deep Auto‑regressive Recurrent networks in Edge Load Prediction，DeepAR），该方法可以进行多变量时序数据预测且进行的是概率分布预测。该方法通过学习边缘负载数据的重要表征和复杂的边缘负载模式，从而进行精确的概率分布预测。本发明通过对真实的负载数据进行训练学习，并对比仿真实验对DeepAR方法的准确性进行了分析验证。通过与两种基准方法进行对比实验发现，所提出的DeepAR方法在不同预测长度下都可以取得更好的更稳定的性能指标，有着更好的预测精度。

公开(公告)号：CN119892661A

公开(公告)日：2025-04-25

申请号：CN202510039429.X

申请日：2025-01-10

Applicant: 福州大学

Inventor： 陈哲毅 ,  江庆南 ,  施晓薇 ,  卢恬英 ,  钟璐英

IPC: H04L41/147 ,  H04L41/16 ,  H04L67/12

Abstract: 本发明提供了多边缘系统中基于个性化联邦图学习Transformer的时空负载预测方法，包括以下步骤：步骤1：构建多变量序列反转Transformer作为边缘节点的负载预测模型；步骤2：设计PFG，通过超网络和图神经网络GNN为每个边缘节点生成个性化模型参数和空间特征；更新参数并将其传送至FL服务器以计算预测模型的参数变化，FL服务器按照客户端返回的参数更新全局模型的其余参数、超网络参数和节点特征向量；步骤3：结合MIT与PFG进而形成PFGformer，为每个边缘节点生成个性化的负载进行预测。本技术方案使用编码块与多层感知处理预测任务，摒弃了繁杂的解码块，其提升了预测精度也缩减了模型参数量。

公开(公告)号：CN119865435A

公开(公告)日：2025-04-22

申请号：CN202510039223.7

申请日：2025-01-10

Applicant: 福州大学

Inventor： 陈哲毅 ,  江庆南 ,  陈礼贤 ,  张俊杰 ,  赖轩

IPC: H04L41/147 ,  H04L41/16 ,  H04L67/12

Abstract: 本发明提供了基于个性化联邦深度学习的多边缘协作负载预测方法，包括以下步骤：步骤1：参数服务器选择客户端参加本轮次的联邦聚合，并发送工作请求给客户端；步骤2：被选中的客户端根据当前边缘服务器的状态决定是否参加本轮联邦聚合，并返回接受/拒绝回复给参数服务器；步骤3：参数服务器分发全局模型#imgabs0#和全局控制参数#imgabs1#至参与联邦聚合的客户端；步骤4：客户端对其边缘服务器上的历史负载数据进行预处理，包括数据清洗、重采样、归一化和去噪；本技术方案整合多边缘协作与个性化联邦深度学习，通过解决负载数据高噪声、高可变、数据量不足、模型泛化能力差等关键问题，自适应地实现了对边缘负载的高效精确预测。

公开(公告)号：CN119071235A

公开(公告)日：2024-12-03

申请号：CN202411067400.4

申请日：2024-08-06

Applicant: 福州大学

Inventor： 陈哲毅 ,  江庆南 ,  吴骏文 ,  卢恬英 ,  施晓薇

IPC: H04L47/127 ,  H04L47/125

Abstract: 本发明涉及一种基于多变量时空反转Transformer的边缘负载预测方法，属于边缘负载预测领域。该方法通过序列反转将负载序列重新排序，从而保持输入序列多变量的独立性，避免维度混淆。同时，模型通过边缘节点的位置信息学习不同节点的空间特征，能够在不引入额外神经网络的情况下快速学习复杂的空间依赖。此外，该方法利用Transformer的自注意力机制捕捉多变量间的相关性，并利用前馈神经网络来学习时间序列的全局特征表示。此外，设计了一种新型的静态特征融合方法，允许预测模型选择当前最合适的静态特征进行融合。本发明能够合理地利用跨领域的静态特征，不受冗余静态特征的干扰，同时显著提高了模型在多变量维度下的训练速度。