基于GPR模型的用戶(hù)量預(yù)測(cè)優(yōu)化方法

摘要： 高斯過(guò)程回歸(Gaussian process regression, GPR)是一種基于高斯過(guò)程的非參數(shù)化貝葉斯回歸方法，其可以靈活適應(yīng)不同類(lèi)型數(shù)據(jù)，用于建模和預(yù)測(cè)數(shù)據(jù)之間的復(fù)雜關(guān)系，具有擬合能力強(qiáng)、泛化能力好等特點(diǎn)。針對(duì)海量用戶(hù)場(chǎng)景下用戶(hù)量實(shí)時(shí)預(yù)測(cè)問(wèn)題，提出一種基于GPR的用戶(hù)量預(yù)測(cè)優(yōu)化方法。在滑動(dòng)窗口方法處理數(shù)據(jù)的基礎(chǔ)上，選擇合適的核函數(shù)，基于k折交叉驗(yàn)證得到最佳超參數(shù)組... （共9頁(yè)）