关键词:
时间序列预测
LSTM神经网络
注意力机制
多线程
深度学习
摘要:
随着办公逐渐呈现智能化趋势,工作中信息的传递也逐渐转变为数字形式,人们对下载文件的各类需求逐渐升高,如何高速下载也成为近些年的技术热点。本文以某公司局域网下载系统为背景,研究了一种基于下载速度预测的多线程分段下载算法,以提升文件下载速率,增加下载过程抗灾性,节约下载时间。本文完成的主要工作有:首先,以时间序列预测为研究对象,构建了名为PA-LSTM的时间序列预测方法,用于下载速度的预测。在该方法中,使用CEEMDAN对数据进行预处理,同时通过PSO算法调整时间注意力机制权重。实验数据表明,PA-LSTM方法在时间序列预测的RMSLE以及MAE评价指标上优于目前较优的ConvLSTM方法,能够较为准确预测未来下载速度的变化,其中RMSLE指标较ConvLSTM相比降低了 0.009,MAE指标较ConvLSTM相比降低了 0.003。同时,以实际下载文件为背景,人工搜集、筛选大量真实下载数据,构建了不同带宽和网络环境下的下载速度数据集,一共包含8种类别,7534条下载速度数据,用于PA-LSTM的训练与测试。其次,构建了一种新型的多线程分段下载的方法。该方法中,不同线程运行不同下载链接,对于每个下载链接用PA-LSTM预测未来平均下载速度,用灰色模型解决数据预测冷启动问题,根据预测结果给下载的文件按比例分配不同数量的数据块,以减少下载过程中线程切换和分配数据块的时间。该下载方法可以充分利用每个下载链接的实际下载速度,从而大幅提升文件总体下载速度,节约下载时间,符合未来的文件下载趋势。最后,在PA-LSTM下载速度预测方法以及多线程分段下载方法的基础上,本文使用了 Electron、JavaScript、以及Vue等相关技术,设计并开发了基于下载速度预测的多线程分段下载系统,并实现了下载链接下载、BT 下载、下载监控、下载队列存储等相关功能。本系统操作简单、实用性强、使用范围广,具备一定的使用价值。