随着社会的不断发展、科学技术的不断进步,计算机核心硬件设备逐步更新换代,使得计算机的性能得到了极大的提升,为深度学习的运行提供了较好的运行环境,从而使得深度学习也得到了飞跃般的发展。深度学习在计算机视觉、机器翻译等领域都有了重大突破。然而在科研和实际应用中,都需要较合适的超参数配置以提高模型性能和较快的训练推理运行速度以减少等待时间。因此,本文提出了模型的部分超参数的自动化配置方法,并对数据回归预测进行加速,从而提高模型的训练和推理速度以减少时间消耗。本文首先提出了使用并行遗传算法实现超参数的自动化配置。该方法将种群中的个体根据进程个数划分为多个子群体,而后各个子群体独自运行遗传算法,并进行子群体之间的个体交换,最终进化出适合模型的最佳个体,从而得到模型的最佳超参数。该方法丰富了种群的多样性,解决了遗传算法早熟收敛的问题、运行速度较慢的问题,从而提高模型的整体性能,提高超参数的配置速度。接着,针对当前的时序物联网数据和时空物联网数据进行了预测分析和并行加速。为了使模型拥有更快的训练和推理速度,本文基于简单循环单元实现了数据的回归预测。同时,本文在简单循环单元的基础上,考虑了时序数据预测中数据的外界因素对于数据预测的影响,使用卷积神经网络提取数据的外部特征,从而去除部分冗余特征。对于时空数据的预测,本文考虑了数据的周期值及其周期性偏移问题对数据预测的影响,解决了周期性时间偏移的问题,并利用周期值和注意力机制相结合的方法实现数据的预测。最后分别搭建了用于时序数据和时空数据回归预测的网络架构,从而使得网络架构不仅有较好的预测性能,而且有较快的训练和推理速度。最后,基于上述的时序数据和时空数据的预测分析,本文其提出了在无线传感器网络的实际应用场景。该方法通过使用布鲁姆过滤器在传感器节点存储数据传输时的信息,并在边缘服务器端基于朴素高斯贝叶斯对无线传感器网络的数据进行异常检测。最后基于布鲁姆过滤器所存储的信息,对异常数据包的路径进行追溯和屏蔽,并使数据包通过新的路径传输,从而解决无线传感器网络数据传输时的数据安全问题。