基于多维时空的NPCA-PSR-IGM(1,1)组合模型的短时交通流预测

针对城市短时交通流序列非线性和混沌性的特点,为提高短时交通流的预测精度,该文提出一种基于多维时空的非线性主成分分析(NPCA)和相空间重构(PSR)的改进灰色(IGM(1,1))组合预测模型。首先,使用数据相关性的非线性主成分分析算法对多维交通流量序列进行时空降维,同时保留影响预测点的主要交通流量数据,从而提高建模的精确度;其次,利用多维时空交通流量序列相空间重构放大交通流量内部的细微特征,以使其内在规律得以充分展现,进一步提升预测精度;最后,结合背景值改进的灰色模型适应于线性、非线性以及所需数据少的特点,进行短时交通流预测。实验结果表明,NPCA-PSR-IGM(1,1)组合预测模型的平均相对误差相比NPCA-PSR-GM(1,1)组合预测模型减小3.12%,其标准偏差相对PCA-PSR-IGM(1,1)组合预测模型从15.7091下降到2.0589。同时与最新的预测模型相比,该组合预测模型也提高了预测精度,达到了较好的预测效果。     

基于BP神经网络和模糊推理系统的短时交通流预测

本文研究短时交通流预测。短时交通流预测是智能交通系统研究和实践的必要基础。本文提出和建立了一个短时交通流量预测模型,该模型利用一个基于规则的模糊系统,非线性地组合BP神经网络模型和自适应卡尔曼滤波模型的交通流量预测结果,使得短时交通流量的预测结果更加准确可靠。该模型将传统方法和人工智能方法有机结合,一方面,利用人工神经网络强大的动态非线性映射能力,从而提高预测精度;另一方面,充分发挥卡尔曼滤波的静态线性稳定性,解决了单独使用BP神经网络进行预测时识别率不理想和可信度不高的问题。实验结果表明,本文提出的短时交通流预测模型具有较高的准确度和可靠度。     

基于遗传灰色GM(1,1,ρ)模型的短时交通流量预测

为了提高短时交通流量的预测精度,本文根据短时交通流量的数据特征,结合灰色模型在短时预测方面的优势,利用遗传算法根据已知数据优化灰色新陈代谢GM(1,1,ρ)模型的背景值参数ρ,对实时采集的交通流量数据进行仿真分析,实验结果验证了该模型的准确性、实时性和有效性。     

基于模块化交通流组合预测模型

短时交通流预测是智能交通系统的核心能力组件之一,为城市交通管理、交通控制和交通引导提供智能决策支撑。针对交通路网交通流呈现的非线性、动态性和时序相关性,提出一种基于模块化的交通流组合预测模型ICEEMDAN-ISSA-BiGRU。采用改进的基于完全自适应噪声集合经验模态分解(Improved Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,ICEEMDAN)方法对交通流非线性时间序列进行分解,获取本征模态分量(Intrinsic Mode Functions,IMF);利用双向门控循环单元(Bi-directional Gate Recurrent Unit,BiGRU)挖掘交通流量序列中的时序相关性特征;基于动态自适应t分布变异方法改进麻雀搜索算法(Improved Sparrow Search Algorithm,ISSA),实现对BiGRU网络权值参数的迭代寻优,避免了短时预测结果陷入局部最优;基于公开PeMS数据集对短时交通流预测性能进行性能评估与验证。实验结果表明,所提组合模型的短时交通流预测性能优于10个传统模型,改进后的交通流量预测平均绝对误差(Mean Absolute Error,MAE)指标接近10.98,平均绝对值百分误差(Mean Absolute Percentage Error,MAPE)指标接近10.12%,均方根误差(Root Mean Square Error,RMSE)指标接近12.42,且在不同数据集下所提模型具有较好的泛化性能。     

基于灰色模型和混沌时间序列的卫星钟差预测算法

为了提高非线性卫星钟差预测的精度,降低单一钟差预测模型对钟差预测的风险,提出了一种组合模型的卫星钟差预测算法.该算法首先采用db1小波对卫星钟差序列进行3层多分辨率分解和单支重构,得到一个趋势分量和三个细节分量,然后运用灰色预测模型对重构后的趋势分量和混沌一阶加权局域预测法对重构后的细节分量分别进行预测,最后将各分量预测结果相加后得到总的钟差预测值.以GPS卫星钟差数据做算例分析,在6小时的钟差预测中,算法绝对误差最大值比单一的灰色预测模型误差小1.3ns以上.将该组合预测模型用于非线性卫星钟差预测中,可以提高钟差预测的精度和可靠性.     

一种新的时滞神经网络非线性时间序列预测方法

基于相空间重构的非线性预测思想,建立一个时滞的BP神经网络模型,采用贝叶斯正则化方法提高BP网络的泛化能力,区别于一般的预测方法,非线性预测不仅注重数据拟合和精度改进,而且能够反映被预测系统的非线性特征。将该模型应用于某电子行业进出口贸易非线性时间序列的预测,结果证明改进的模型具有较好的泛化能力,准确拟合了进出口贸易发展的历史值和趋势。并在分析模型预测精度的同时,通过计算拟合序列和原序列的非线性特征量进行模型评价,证实预测模型能够合理地“捕捉”到产生原序列的非线性系统的动力学特征。     

基于混沌时间序列建模的频谱状态持续时长预测

为提高频谱利用率,该文利用非线性动力学理论对频谱状态持续时长序列进行建模并预测。以实际采集的频谱数据作为研究对象,采用指向导数法对该时长序列进行非一致延长时间相空间重构,利用基于尺度的Lyapunov指数判定其混沌特性。以基于Davidon-Fletcher-Powell方法的二阶Volterra预测模型 (DFPSOVF)为基础,提出一种基于限域拟牛顿方法的Volterra自适应滤波器系数调整模型,并将该模型应用于具有混沌特性的短时频谱状态持续时长预测,通过自适应剔除对预测贡献小的滤波器系数,降低预测模型的复杂度。实验结果表明该算法在保证预测精度的同时降低运算复杂度。     

基于混沌时间序列和神经网络的网络流量预测方法

网络流量时间序列具有复杂的非线性和不确定性特征,故提出以相空间重构理论与递归神经网络相结合的网络流量预测方法。以相空间重构理论确定最佳延迟时间和最小嵌入雏数,重构网络流量时间序列。将重构后的时间序列运用递归神经网络来训练,得到合适的模型,并用于网络节点中网络流量的预测。将该方法应用于实际数据预测,其结果与传统的时间序列预测方法结果相比较,提高了预测精度和稳定性,证明了该预测模型和方法在实际时间序列预测领域的有效性和实用性。     

基于VMD-ISSA-LSTM的短时交通流预测研究

针对城市短时交通流随机波动性强、可靠性低、预测精度差等问题,将变分模态分解（VariationalMode Decomposition,VMD）和改进麻雀搜索算法（ImproveSparrowSearchAlgorithm,ISSA）与长短期记忆（LongShort-Term Memory, LSTM）神经网络相结合,建立一种短时交通流预测模型（VMD-ISSA-LSTM）。首先利用VMD对历史原始交通流数据进行分解;然后采用佳点集、正弦函数扰动和Tent混沌映射等策略对标准的SSA算法加以改进,增强ISSA算法的寻优能力;最后,将每个分量送入ISSA-LSTM中进行预测,同时将预测结果线性叠加,得到交通流量预测值。以上海市中山北路-曹杨路口2018年11月1日—30日的历史交通数据对模型进行验证。结果表明,与LSTM、VMD-LSTM、VMD-SSA-LSTM等传统预测模型相比,VMD-ISSA-LSTM模型的预测结果的平均绝对百分比误差为1.278 4%,能够更好地应用于短时交通流预测中。     

基于改进的路网聚类结合PSOWNN的交通流预测

针对城市路网交通流数据的空间相关性、非线性和平稳与非平稳的特点,提出一种采用基于交通流量数据相关性分析改进的路网聚类算法与基于交通流量分段加权适应度函数的粒子群小波神经网络算法(MC-MPSOWNN)相结合的预测方法,来提高算法的预测精度.首先,利用基于交通流量数据相关性分析的路网聚类算法筛选出空间中与预测点交通流量数据相关系数高的其他观测点,以此精简了样本输入数据,减少冗余数据对预测精度的干扰,提高整体预测精度;其次,再构建一种新型的粒子群算法的适应度函数,给予整体预测样本中非平稳数据段更大的调节力度,以此来进一步提高非平稳数据段的预测精度.最后经实验结果分析,提出的改进预测算法相比未进行改进前预测算法而言,明显提高了整体及非平稳数据段预测精度,达到较好的预测效果.     

基于gm(1,1)模型的垂直切换算法仿真研究

在matlab环境下,仿真得到基于GM(1,1)模型动态预测垂直切换过程中的接收信号强度,在原始数据较少的情况下,依然有较高的预测准确度.通过仿真结果分析,在垂直切换过程中,基于GM(1,1)模型预测接收信号强度的方法有需要原始数据少、准确性高、复杂度较小等优点.     

组合神经网络的网络流量预测研究

提出一种组合神经网络的网络流量预测模型.首先采用SMOF网络对网络流量数据进行聚类,然后采用Elman网络对聚类后的流量数据进行训练并预测,同时采用遗传算法对Elman网络的网络结构进行优化,提高网络流量预测精度.仿真结果表明,组合神经网络加快了网络流量预测速度,提高了网络流量预测精度,克服了单一预测模型不足,为网络流量预测提供了新的思路,具有很好的应用前景.     

基于在线LS-SVM的网络流量预测

为了提高流量预测的准确性,将混沌理论和在线LS-SVM回归技术应用于网络流量预测。采用相空间重构理论计算流量的时延τ、嵌入维数m,据此确定训练样本对并建立在线预测模型,对网络流量数据进行预测。结果表明,该方法能有效地进行流量预测,相对于传统的离线预测方式,该方法具有更好的预测精度。     

Attention-based spatio-temporal graph convolutional network considering external factors for multi-step traffic flow prediction

Traffic flow prediction is an important part of the intelligent transportation system. Accurate multi-step traffic flow prediction plays an important role in improving the operational efficiency of the traffic network. Since traffic flow data has complex spatio-temporal correlation and non-linearity, existing prediction methods are mainly accomplished through a combination of a Graph Convolutional Network (GCN) and a recurrent neural network. The combination strategy has an excellent performance in traffic prediction tasks. However, multi-step prediction error accumulates with the predicted step size. Some scholars use multiple sampling sequences to achieve more accurate prediction results. But it requires high hardware conditions and multiplied training time. Considering the spatiotemporal correlation of traffic flow and influence of external factors, we propose an Attention Based Spatio-Temporal Graph Convolutional Network considering External Factors (ABSTGCN-EF) for multi-step traffic flow prediction. This model models the traffic flow as diffusion on a digraph and extracts the spatial characteristics of traffic flow through GCN. We add meaningful time-slots attention to the encoder-decoder to form an Attention Encoder Network (AEN) to handle temporal correlation. The attention vector is used as a competitive choice to draw the correlation between predicted states and historical states. We considered the impact of three external factors (daytime, weekdays, and traffic accident markers) on the traffic flow prediction tasks. Experiments on two public data sets show that it makes sense to consider external factors. The prediction performance of our ABSTGCN-EF model achieves 7.2%–8.7% higher than the state-of-the-art baselines.     

基于深度学习的车联边缘网络交通事故风险预测算法研究

针对传统交通事故风险预测算法无法自动判别数据特征,且模型表达能力差等问题。该文提出一种基于深度学习的车联边缘网络交通事故风险预测算法,该算法首先针对车载自组织网络中采集的大量交通数据,采用边缘服务器中建立的卷积神经网络自主提取多维特征,经归一化、去均值等预处理后,再将得到的新变量输入卷积层、采样层进行训练,最后根据全连接层输出的判别值,得到模拟预测交通事故发生的风险性。仿真结果表明,该算法被验证能够预测交通事故发生的风险性,较传统的机器学习算法BP神经网络、逻辑回归具有更低的损失与更高的预测准确度。     

Data center traffic scheduling strategy based on Fibonacci tree optimization algorithm

To improve traffic scheduling capabilities in network provider data centers,both network structure and network traffic flow were considered at the same time.The analysis prediction and online scheduling mechanism was proposed in data center based on software defined networking (SDN).Aiming at the multi-dimensional,multi-constrained and multi-modal problems of traffic flow scheduling in data centers,the traffic flow scheduling strategy based on Fibonacci tree optimization (FTO) algorithm was proposed.FTO algorithm was embedded into two stages of analysis prediction and online scheduling,took it advantage of global local alternating and multi-model optimization characteristics,the optimal solution and suboptimal solutions of traffic scheduling had been got at one time.The emulator result shows that,the FTO traffic scheduling strategy can schedule traffic in data centers reasonably,which improves the load balancing capability of network providers' data centers effectively.     

Short‐Term High-Speed Traffic Flow Prediction Based on ARIMA-GARCH-M Model

The traditional traffic flow prediction model acquired the poor characteristics of the traffic flow time series, which led to the low prediction accuracy. Therefore, the short-term high-speed traffic flow prediction based on arima-garch-m model was proposed. According to the urban traffic flow theory, ARIMA model and GARCH model are combined to obtain the corresponding fluctuation characteristics and realize the prediction of traffic flow. The experimental results show that the NRMSE and MAPE of the model in this paper are only 3.13?% and 8.76?%, respectively, with good prediction accuracy and better stability and accuracy than the other two models, proving that the model has good performance and can meet the needs of practical application.

     

基于改进型深度学习的流量预测

为了解决无线网络中流量的预测精度不高的问题,提出了一种自适应分组的栈式自编码( AG-SAEs)深度学习预测方法。在数据的预处理过程中,首先使用最大最小方式对数据进行归一化处理,并提出一种新型的自适应分组方法,把归一化后的链路数据进行关联性分组;然后,基于深度学习方法建立了一个多输入多输出的预测模型,并将分组后的数据输入到预测模型中,对该模型进行训练来建立输入和输出流量之间的映射关系;最后,为了进一步提高预测精度,在模型的训练过程中,使用改进型的牛顿法来进行权值参数更新。仿真实验以及和其他算法对比的结果证实了所提方案具有更小的预测相对误差。