BriefGPT - AI 论文速递
·
基于动态时空数据的微服务系统状态预测
💡
原文中文，约400字，阅读约需1分钟。
📝
内容提要
本论文提出了一种名为“mspace”的在线算法，用于预测时态图中的节点特征。mspace在某些数据集上表现出更好的性能，并且在不同规模的训练样本上表现出一致的鲁棒性。此外，论文还给出了关于mspace多步预测误差的理论上限。
🎯
关键要点
- 提出了一种名为'mspace'的在线算法，用于预测时态图中的节点特征。
- mspace能够捕捉不同节点之间的空间交叉相关性和节点内部的时间自相关性。
- 与基于图神经网络（GNN）模型和传统卡尔曼滤波器等基准方法比较，mspace在某些数据集上表现更好。
- mspace在不同规模的训练样本上表现出一致的鲁棒性，这是GNN方法无法实现的优势。
- 在训练样本有限的情况下，使用mspace具有明显优势。
- 建立了关于mspace的多步预测误差的理论上限，表明其按O(q)的速度缩放，q为预测的步数。
➡️
