基于EKF的神经网络在网络流量预测中的应用

在网络资源有限的情况下,建立合理的网络流量预测模型,并根据其预测结果及时做出控制决策或调整措施,对网络性能和服务质量的提高均有重要意义.根据网络流量的时变、非线性特点建立一个时间相关的流量预测模型,预测和分析网络流量状况,并利用人工神经网络在非线性建模方面的优势,给出了基于EKF算法的前馈神经网络的结构设计及学习算法.最后在Matlab环境下使用该预测模型对网络流量进行了仿真,结果表明该模型具有较好的自适应性和较高的预测精度.     

动态随机有效停车泊位预测方法

为满足个性化停车诱导需求,研究动态随机条件下有效停车泊位预测方法。利用C-C算法在求解非线性关系模型方面的优势,研究C-C算法与Elman递归网络技术的融合过程,采用小数据量法验证重构相空间的混沌特性,在此基础上研究动态随机泊位预测模型和求解算法。利用MATLAB对融合算法进行仿真实验分析。结果表明:模型预测结果与实际值一致性较好,最大相对误差、平均相对误差和平均绝对误差均小于线性假设的预测方法。说明C-C算法与网络技术的融合算法在动态随机泊位预测方面的有效性。     

多子种群PSO优化SVM的网络流量预测

针对网络流量的时变性和非平稳性特点,为提高网络流量预测精度,提出一种“多子种群”机制的粒子群算法和支持向量机的网络流量预测模型（Multi-Subpopulation Particle Swarm Opti-mization and Support Vector Machine,MSPSO-SVM）.首先支持向量机（Support Vector Machine,SVM）参数编码成粒子位置串,并根据网络训练集的交叉验证误差最小作为参数优化目标,然后通过粒子间信息交流找到最优SVM参数,并引入“多子种群”机制,解决粒子群优化（Particle SwarmOptimization,PSO）算法的早熟停滞缺陷,最后根据最优参数建立网络流量预测模型,并采用实际网络流量数据进行仿真测试.结果表明,相对于其他预测模型,MSPSO-SVM可以获得更优的SVM参数,网络流量预测精度得以提高,更加适用于复杂多变的网络流量预测.     

航路网络流量波动行为分析

空中交通系统是一个动态的复杂系统,各种因素导致的网络流量变化引起网络结构的改变,进而影响网络功能并造成延误与拥堵。为缓解我国空中交通延误较大的现状,需要深入分析航路网络流量的波动行为。以我国中南地区实际网络数据构建航路网络模型,分析节点流量的波动特性和动态特征。研究表明,该航路网络节点流量对时间的均值和标准差满足幂率且幂指数在1/2到1之间,并且在不同的时间和空间尺度下动态特性各异,意味着其波动性是内外影响因素共同作用的结果。并且将影响航路网络流量波动行为的内部影响因素从外部影响因素中分离出来,定量确定波动性的来源。最后,给出内外影响因素主导地位在观测尺度上的转换点。     

多尺度流量网络规划与网络控制算法研究

第一，随着网络技术和网络应用的不断发展，网络的流量特性发生了根本性的变化。传统的网络流量是短相关的，而现代网络流量具有普遍的自相似性长相关性外，还具有更复杂的多尺度等特性。网络流量的这些新特性与传统Markov流量模型的基本假设截然不同，     

基于改进加权一阶局域法的空中交通流量预测模型

空中交通流量精准预测是实施空中交通控制和管理的重要前提.针对空中交通流量时间序列的内在混沌动力特性,研究了基于改进加权一阶局域法的混沌交通流量时间序列预测模型.首先,提出了一种临近相点演化加权的改进一阶局域预测法,并通过在预测过程中构建误差序列进行预测结果修正;其次,利用关联维数出现饱和现象验证了4组不同统计时间间隔的实测空中交通流量时间序列均存在混沌特性;最后,在对空中交通流量时间序列进行相空间重构的基础上,利用改进加权一阶局域预测方法进行了流量预测结果的对比实验.结果表明,4组空中交通流量时间序列预测精度均有提高,时间尺度为10 min的流量预测效果最好,预测相对误差减小了29.7%.      

基于深度学习的有效停车泊位预测模型

针对传统有效停车泊位预测方法无法刻画泊位前后时刻关联关系的问题,采用基于深度学习的LSTM(long short-term memcry)神经网络对其进行改进,提出了LSTM有效停车泊位预测模型,并基于此模型对不同类型的停车区域进行分析与预测.在构建模型的基础上,综合考虑了有效停车泊位预测的时空特性,选取目标区域内多个邻近停车场的历史停车数据组成数据集,并构建有效停车泊位预测的对比模型,以此检验模型的预测精度.研究结果表明:在不同类型停车区域的有效停车泊位预测中,LSTM模型预测结果与真实值一致性较好,预测精度均高于BP预测模型和ARIMA预测模型;LSTM模型在有效停车泊位预测方面可靠且有效.     

��������Ԥ��ĸ��ٹ�·�շ�Ա��̬����ģ��

基于神经网络对不完全信息具有良好的适应性和遗传算法具有较强的全局搜索能力的优良特性,将遗传算法和神经网络有机结合起来对高速公路短期流量进行预测,采用精英选择、按比例适应度分配和基于排序的适应度分配相结合的选择方法,以及自适应的交叉、变异概率改进遗传算法,通过使用自适应学习速率来改进BP算法,并提出使用新的结合方式获取新一代种群,提高获取全局最优解的搜索速度,构建符合高速公路短期流量特点的预测模型。同时,采用排队论模拟高速公路收费过程,构建高速公路收费站的排队模型,结合短期流量预测模型及收费站排队模型,根据车道与收费员的配备,预测短期各时段的收费员需求,从而实现收费员的动态最优配置。最后结合实例,证明了模型的有效性。     

自相似流量随机早期检测方法

自相似流量环境下的随机早期检测（RED）算法可以充分考虑网络流量特性,提高网络拥塞控制的效率.研究了自相似流量环境下RED算法的参数设置问题,根据网络流量自相似性的特点,探讨了自相似流量环境下RED算法的参数设置方法,给出了算法的基本构架及其实现步骤.基于分形布朗运动及其包络过程,导出了自相似流量环境下RED算法最大队列长度阈值和丢包概率的计算公式.仿真结果表明,所提出的自相似流量RED算法能明显减少队列长度波动,提高链路利用率,在相同包丢失概率条件下可接纳更多的连接.     

基于模糊约束的空中交通流量预测模型研究

鉴于传统流量预测模型存在预测精度差、耗时长、效率低的不足,将模糊约束引入空中交 通系统,用于表示人工智能领域中一些不确定的信息,构建了基于模糊约束的空中交通流量预测模型。通过分析影响模糊约束的决策向量、模糊参数向量及模糊约束集三个因素,提出预测模型 的构建流程,选取空中交通路线多转折点,并获取模糊矩阵,建立了空中交通流量预测模型。实验结果表明,对空中交通流量进行预测时,采用改进的预测模型相比传统预测模型的预测结果较 优、耗时较短、精度较高。     

动态交通流量预测方法研究

随着智能运输系统的广泛应用,实时交通流量预测的重要性也日益显著。本文介绍了预测模型发展过程中比较重要的几个模型,并由此引出人工神经网络。介绍误差逆传播(BP)模型的相关理论。指出传统BP神经网络的缺陷,并提出提高预测精度的措施引进高阶神经网络。建立普通BP神经网络的预测模型,利用误差反传播算法实现这些影响因素到输出变量的复杂映射,再用高阶神经网络构建另一预测模型。利用交叉口实测数据进行预测,并用实际数据进行比较验证。     

����֧���������ع�ĺ�������Ԥ���о�

针对航班延误难以预测的问题,采用支持向量机回归方法建立航班到港延误预测模型。首先,采用相空间重构理论计算到港延误的延迟时间、嵌入维数和最大Lyapunov指数,发现到港延误时间序列存在混沌特性;将航班到港延误时间序列进行相空间重构,并结合执飞该航班的航空器在上游机场的离港延误构建模型的输入向量;其次,将粒子群算法、差分进化算法和遗传算法进行比较,用于选择最优的模型参数,实验表明,差分进化算法能够以较高概率获得最优的预测模型;最后,比较该模型、单一因素预测模型和相关向量机预测模型的航班延误预测性能。结果表明,该模型的预测性能明显优于另外两种模型,能够有效预测航班延误。     

基于神经网络算法的沥青路面使用性能组合预测模型研究

为了准确预测沥青路面使用性能变化规律,提出了基于径向基神经网络算法的路面使用性能组合预测模型PCA-GA-RBF;针对神经网络收敛速度慢、模型参数容易陷入局部最优的问题,采用主成分分析算法对路面使用性能影响因素进行了降维处理,利用遗传算法对神经网络结构进行了优化;通过路面行驶质量的预测分析对组合预测模型进行了验证。研究表明：组合预测模型PCA-GA-RBF的拟合优度R²=0.820,均方根误差S=2.645,比单一RBF神经网络预测模型误差降低了11.4%,平均预测准确率为84.13%;组合预测模型计算速率快、预测精度高、预测效果好。     

基于随机森林算法的港口集装箱吞吐量预测方法

为助力智慧港口建设,针对港口集装箱吞吐量预测准确性不足的问题,利用随机森林算法处理高维变量,构建一种港口集装箱吞吐量预测方法.首先考虑港口集装箱吞吐量受复杂环境影响,建立特征变量训练集;再通过泛化误差分析训练随机森林模型,根据MDA分析对特征变量重要性进行分析,筛选重要影响特征变量集合;最后构建随机森林预测决策树,建立基于随机森林算法的预测模型.以大连港为案例进行验证,并与三次指数平滑、多元回归分析和BP神经网络3种方法预测进行对比,结果表明:随机森林算法预测准确性更高.     

采用支持向量机回归的航班延误预测研究

针对航班延误难以预测的问题,采用支持向量机回归方法建立航班到港延误预测模型.首先,采用相空间重构理论计算到港延误的延迟时间、嵌入维数和最大 Lyapunov 指数,发现到港延误时间序列存在混沌特性;将航班到港延误时间序列进行相空间重构,并结合执飞该航班的航空器在上游机场的离港延误构建模型的输入向量;其次,将粒子群算法、差分进化算法和遗传算法进行比较,用于选择最优的模型参数,实验表明,差分进化算法能够以较高概率获得最优的预测模型;最后,比较该模型、单一因素预测模型和相关向量机预测模型的航班延误预测性能.结果表明,该模型的预测性能明显优于另外两种模型,能够有效预测航班延误.     

综合小波分解和BP神经网络的交通小区生成交通短时预测

针对交通小区生成交通的短时预测需求,提出了综合小波分析和BP神经网络的短时预测方法.预测方法主要利用dbN小波函数对交通小区生成交通进行小波分解,利用BP神经网络对分解后的多频段波形进行短时预测,最后通过波形重构获得交通小区生成交通的短时预测结果.在构建综合小波分析和BP神经网络短时预测模型基础上,采集交通小区的实际交通生成数据,并构建短时预测的对比模型,检验构建模型的预测精度.检验结果表明:在交通小区的生成交通短时预测方面,综合小波分析和BP神经网络的组合预测模型比单独采用BP神经网络进行预测的精度更高.     

基于两阶段行程时间的交通流分配理论

针对目前静态交通流分配理论难以处理网络流量演化的问题,给出了基于交通流 反λ 基本图的流量分配新模型.通过不断求解新模型更新路段交通状态,明确了利用静态交通 流分配模型分析网络交通流演变的具体方法.假设网络路段均处于自由流状态,通过求解得到 平衡路段流量,判断是否达到临界流量.将路段流量达到临界流量的路段设定为拥挤状态,重 新求解平衡流量,判断是否仍存在达到临界流量的路段.依据上述思路,直到新的模型无解或 无新的路段达到临界流量.本文通过定义网络不同级别的拥挤瓶颈,完成对网络流量演化的分 析描述.算例验证了新模型与方法的可行性.新理论提供了分析网络交通状态演变的新思路, 拓展了静态交通流分配理论.     

基于深度学习的短时交通流预测研究

针对交通流时间序列,在深度学习的理论框架下,构建基于LSTM-RNN的城市快 速路短时交通流预测模型.根据交通流的时空相关性完成时间序列的重构,依靠模型训练对时 空关联特性进行识别和强化,兼顾精度和时效性确定神经网络深度,完成短时交通流预测模 型搭建.基于TensorFlow 的Keras 完成LSTM-RNN的逐层构建和精细化调参,利用路网实测数 据样本完成算法验证,实现模型本地保存并根据预测精度进行自适应更新.结果表明,本文所 采用的预测算法精度高,受训练样本量的限制较小,实时性、扩展性和实用性均得到有效提高.     

短时交通流组合预测模型研究

短时交通流预测是目前智能交通领域的研究热点,文中从实际应用的角度出发,提出了用于流量和速度预测的组合预测模型.该模型包含傅里叶历史估计模型、自回归模型和邻域回归模型三个子模型.详细介绍了组合预测模型的预测机理、模型细节以及用以实现模型实时更新的迭代回归算法.该模型被实际应用到北京市道路预测预报系统中,实际预测误差不超过15%.     

神经网络结合遗传算法用于航迹预测

研究利用遗传算法对BP神经网络进行优化设计,建立了基于遗传算法的BP神经网络机动目标航迹预测模型。该模型克服了普通神经网络算法在训练过程中容易陷入局部最优点的缺陷,得到了更高的学习精度和更快的收敛速度。最后,用实测数据进行了验证分析,结果表明,基于遗传算法的神经网络的预测模型比单神经网络预测模型预测精度高,可用于航迹的预测。