《表1 内容文件流行度预测准确度比较》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于深度学习的智能移动边缘网络缓存》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

仿真实验首先对本文提出的基于深度学习的堆叠长短期记忆神经网络内容文件流行度预测方法和目前性能最优的流行度SVR（support vector regression）[13]预测方法进行比较。为了进一步验证本文提出的3层堆叠长短期记忆神经网络模型结构（简称:堆叠LSTM）的有效性，还与单层长短期记忆神经网络模型结构（简称:单层LSTM）进行了比较。内容文件流行度预测精确度对比结果如表1所示。3种不同的预测方法得到的Spearman rank（斯皮尔曼等级）系数均值和95%置信区间如表1所示。虽然流行度SVR方法通过核函数的应用，增加了模型的容量，已经得到了较高的预测精度。但是基于深度学习的循环神经网络框架的两种方法无论是从预测精确度还是预测鲁棒性的角度都超越了目前最优的流行度SVR预测方法。通过比较单层LSTM和堆叠LSTM两种基于深度学习的方法，发现堆叠LSTM结构给出了更高的预测精确度和预测稳定性。这意味着本文提出的3层不同作用的LSTM神经网络堆叠结构有效提高了模型对于内容文件流行度预测的表达能力。在仿真中注意到，如果要把流行度预测系统整合入缓存系统中，Spearman rank系数可能并不能很好地评价流行度预测系统对于缓存系统而言的优劣。针对本文提出的缓存系统，在表1中比较了Top 50和Top 100两个指标。其中Top 50指标指的是流行度最高的50个视频中排列顺序正确的视频占比，依此类推。依据这两个指标，本文提出的基于深度学习的两种预测方法均优于流行度SVR预测方法。我们还发现，针对流行度预测这一任务，深度学习的损失函数可以进一步设计，而不是简单地使用MSE。通过进一步设计深度学习的损失函数，可以使模型能够更好应对流行度预测任务的需求。