《表1 模型预测误差指标对比》

  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

《基于注意力机制的GRU神经网络安全态势预测方法》

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

为了从整体上评估各模型的预测能力，计算不同模型最终的两种误差，结果如表1所示，由于神经网络权重初始化的随机性，实验结果存在一定的偏差，对所有预测模型进行多次实验取平均值以减少随机误差，增加对比的公平性。根据本文选取的平均绝对误差和均方根误差两个评价指标来衡量预测结果的准确性，两种评价指标分别表示预测值同真实值之间的偏差和拟合精确度，值越小说明预测效果越好。我们可以看到本文所提模型在整体的误差上相比其他模型有较大的优势，相比文献[25]的方法，误差降低了60.9%；相比文献[26]，误差降低了78.3%；同单独使用GRU的预测模型相比，误差降低了97.8%。表明注意力机制在权重分配方面给予了积极作用，说明了本文提出对于网络安全态势值的多属性预测方法是有效的。