فهرست نشریات علمی دسترسی آزاد ایران

پیش‌بینی دقیق ترافیک در شبکه‌های اینترنت اشیا برای تخصیص بهینه منابع و ارتقای قابلیت اطمینان سامانه‌های هوشمند از اهمیت بالایی برخوردار است. هرچند شبکه‌های LSTM ابزار قدرتمندی در مدل‌سازی وابستگی‌های زمانی طولانی محسوب می‌شوند، عملکرد آن‌ها به انتخاب بهینه هایپرپارامترها وابسته است و در غیر این صورت ممکن است با مشکلاتی همچون همگرایی کند و بیش برازش مواجه شوند. در این پژوهش، یک چارچوب ترکیبی مبتنی بر الگوریتم گله اسب‌ها به‌منظور بهینه‌سازی خودکار هایپرپارامترهای LSTM ارائه شده است. در این چارچوب، HOA با جست‌وجوی کارآمد در فضای پارامترها و جلوگیری از گیرافتادن در بهینه‌های محلی، پارامترهایی نظیر نرخ یادگیری، تعداد لایه‌ها، تعداد واحدهای پنهان، اندازه دسته و نرخ دراپ اوت را تنظیم می‌کند. مدل پیشنهادی HOA-LSTM بر روی داده‌های واقعی ترافیک شهری آزمایش و عملکرد آن با مدل‌های متداول شامل LSTM، GRU، BiLSTM، CNN-LSTM، Transformer، MLP و CNNمقایسه گردید. نتایج تجربی نشان داد مدل پیشنهادی در تمامی معیارهای ارزیابی از جمله MSE، RMSE، MASE، LogLoss، sMAPE، Precision، Recall، F1-Score و ROC- AUC برتری معناداری نسبت به سایر مدل‌ها دارد. به طور خاص، این مدل با دستیابی به‌دقت 0.932 و RMSE برابر 0.0255 نسبت به مدل‌های پایه بهبود چشمگیری ارائه نمود.