新的EKL模型通过集成卡尔曼滤波器增强了时间服务质量（QoS）预测能力

研究人员开发了一种名为EKL的新模型，该模型结合了扩展卡尔曼滤波器（Extended Kalman Filter）和潜在特征分析（Latent Feature Analysis），以改进时间服务质量（QoS）预测。这种方法旨在比纯粹的数据驱动方法更有效地捕捉非平稳的时间模式，因为纯数据驱动方法在数据波动时准确性会下降。EKL模型包含一个用于时间潜在特征的模型驱动特征生成器和一个用于时间不变特征的数据驱动生成器，并采用并行策略进行工作负载平衡。理论分析证实了该模型的收敛性，实验结果表明，在计算效率和缺失时间服务质量（QoS）数据的预测准确性方面，该模型优于现有的最先进模型。 AI

影响 这项研究可能有助于在云计算环境中实现更高效、更准确的网络服务优化和资源分配。

排序理由 详细介绍QoS估计新模型的学术论文。[lever_c_demoted from research: ic=1 ai=0.7]

在 arXiv cs.LG 阅读 →

• alphaXiv
• arXiv
• CatalyzeX Code Finder for Papers
• Connected Papers
• DagsHub
• EKL
• Extended Kalman Filter
• Gotit.pub
• Hugging Face
• Influence Flower
• Latent Feature Analysis
• Litmaps
• ScienceCast
• scite Smart Citations
• Wang Song

• 论文
• 其他

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →