《表2 不同预测模型各时间点的预测绝对误差对比》

  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

图7展示了本文方法同BP、GRU、PSO＿SVM[24]等基本预测模型和基于注意力模型的AIS-LSTM[25]、AttentionRNN[26]预测值精度对比图。从图7上可以直观地看到所有预测模型都有一定的预测能力，但本文方法的预测值同真实值的拟合度最高，在每一个预测点几乎同真实值重合。相比余下的预测方法，SVM的预测效果最差，只预测出了数据的变化趋势而无法精确的拟合曲线，主要是因为支持向量机主要应用于解决小样本的线性回归问题，对于大样本的预测，误差较大。BP神经网络无法捕捉时间序列之间的长期依赖性并且隐含层神经元个数的选取缺乏理论指导，容易陷入局部最优，预测精度低。本文在GRU神经网络上进行改进后，可以看到本文方法的预测曲线明显比未进行改进的更准确。