一种改进的KNN案例推理检索算法

案例推理作为人工智能领域中通过已知知识解决问题的方法,其核心之一是检索算法。为了改善案例推理检索算法的预测结果质量,提出一种改进的KNN案例推理检索算法。首先,利用遗传模拟退火-模糊C均值聚类算法对案例库聚类,形成多个类簇;其次,通过改进的粒子群优化混合算法优化各类簇近邻K值;然后提出最优原则检索策略,确定检索子案例库及近邻K值;最后使用Mackey-Glass混沌时间序列数据进行仿真预测。实验结果表明,相较于传统KNN案例推理检索算法,改进的KNN案例推理检索算法预测结果的精度显著提高。     

一种基于非参数回归的交通速度预测方法

非参数回归模型是近年来提出的一种交通状态预测模型。为进一步提高预测精度,基于非参数回归模型的特点,针对近邻状态的选取问题,提出了基于速度变化趋势和密集度的变K近邻精确搜索策略,对原有模型的近邻匹配方式进行了改进和优化,进而提出了一种短时交通平均速度预测模型。利用北京市浮动车系统数据对算法精度进行了验证,结果表明,该模型的预测精度优于基础的非参数回归和BP神经网络模型,并能为短时交通速度预测提供可行的结果。     

非参数回归算法在短时交通流预测中的应用

由于城市道路交通系统中的交通流演变存在随机性和复杂性,且实时交通状态判别本身具有不确定性,故实时、准确的短时交通流预测是交通控制与诱导的一个关键因素。利用非参数回归对短时交通流进行预测是一种较好的预测方法,它能够很好地体现交通流的非线性、时变性和不确定性。为进一步提高预测的准确性,对K近邻的非参数回归方法进行了改进。结果表明,改进模型预报准确率更高,稳定性更好。     

基于强空间集成的交通状态判别方法

为研究服务于交通诱导的路网宏观交通状态判别模型,依据集成学习理论,基于强空间集成,提出一种交通状态判别方法。采用K-近邻规则寻找与待判别交通流数据相似的一组训练样本,构成待判别数据的邻域,挖掘交通状态学习器的强空间,进而输出交通运行状态等级标签。采用交通状态混淆矩阵,查全率、查准率等进行实验,结果表明该方法能够较准确地判断路网交通状态,满足交通状态判别的实际应用。     

一种基于曲线拟合异常检测的交通数据预处理方法

交通数据是智能交通平台的基础,数据质量将很大程度决定智能交通系统对交通特性的分析和挖掘.然而交通数据现有的采集方式使得其质量难以保证,因此,对交通数据进行预处理具有重要的现实意义.根据交通领域著名的流量/时间占有率的倒"V"字型曲线模型,提出了一种基于曲线拟合的异常检测方法,能够有效识别交通流量数据中的异常数据,并对其进行修正,使交通流数据能够满足智能交通系统的分析挖掘要求.     

处理缺失数据的短时交通流预测模型

针对交通检测中数据的缺失问题,提出了一种新的交通流综合短时预测模型,这种模型可以对交通检测中的缺失数据进行重建,并在此基础上运用改进的卡尔曼平滑算法进行短时交通流预测。该模型克服了传统的预测方法无法对检测数据的缺失进行处理的缺点,能在数据缺失时进行有效的交通流预测。通过深圳市的实际流量数据的验证,并比对传统方法,证实该方法具有较好的预测性能,模型预测精度可以保持在88%以上,具有较好的实用性。     

基于异常值识别卡尔曼滤波器的短期交通流预测

针对智慧交通的需求提出了一种新颖有效的短时交通流预测方法,通过异常值识别扩展了卡尔曼滤波,使其能对噪声进行识别和过滤——异常值识别卡尔曼滤波器。利用卡尔曼滤波能有效地过滤导致系统不确定性的交通流波动,但这可能会使指示交通流突变的细微线索丢失,为了提升预测精度,应用离散小波变换对原始信号进行识别处理,在去掉异常值的同时保留原有对预测有效的信号源信息,此外还使用了历史参考值对预测值进行修正。在四个基准数据集上的大量实验表明,与常用及最新的预测模型相比,其结果MAPE平均降低了2.919%,RMSE平均降低了79.582。     

基于加权组合模型的短时交通流预测研究

为了改善城市路网中短时交通流预测效果,提高预测精度,设计了一种基于改进的K近邻非参数回归和小波神经网络加权组合的短时交通流预测方法.针对K近邻非参数回归预测方法搜索量大、相似性差等问题,采用基于交叉口相关系数加权的欧氏距离选择K近邻值.小波变换与神经网络有机结合形成的前馈型网络,对非平稳的输入信号能够呈现出良好的时频特性和变焦能力,对短时交通流预测效果有着明显的提升.通过算例分析,说明所设计的预测方法能够获得比较精确的短时交通流预测结果.     

基于组合模型的短时交通流预测方法

准确、实时的交通流预测对交通规划、交通管理和交通控制具有重要意义.然而,由于道路网络拓扑结构约束和交通流随时间动态变化的空时相关特性,交通流预测仍然具有挑战性.为了同时捕获交通流的空间和时间相关性,提出一种将图卷积网络(GCN)和门控循环单元(GRU)相结合的组合模型方法.利用GCU能够灵活处理图结构数据的优点来捕捉各个路段的空间特征,继而发挥GRU在处理时间序列方面的优势挖掘交通流的内在时间规律,空时融合后得到最终预测结果.利用美国交通研究数据实验室的高速公路交通数据对该模型进行仿真验证,结果表明,所提出的GCN-GRU组合模型方法具有更高的预测精度,预测结果优于自回归积分滑动平均(ARIMA)模型和GRU模型等基准预测方法.     

时空相关的短时交通流宽度学习预测模型

针对深度学习预测模型运算大的问题,在充分挖掘交通大数据的时空相关性的基础上,提出了一种基于K-最邻近（K-nearest neighbor,KNN）与宽度学习系统（broad learning system,BLS）相结合的短时交通流预测模型。利用KNN算法筛选与预测路段时空相关性高的K个路段,将选取路段的交通流数据作为BLS模型的输入分别进行预测,对选取不同路段的预测结果进行加权,以均方根误差（root mean square error,RMSE）为最小时对应K值的结果作为最终的预测值。美国加利福尼亚州交通局PeMs交通数据库实测的交通流量数据的测试结果表明,提出的模型相比于ARIMA、WNN、LSTM、KNN-LSTM模型均方根误差平均降低46.56%,运算效率明显提高,是一种有效的短时交通流预测方法。     

基于深度学习的网络流量异常识别与检测

针对传统的工控网络流量数据在复杂网络环境下特征维度高,特征处理复杂度高,模型检测效率低等问题,本文使用了一种基于随机森林(random forest, RF)和长短期记忆网络(long short-term memory, LSTM)结合的流量异常识别与检测方法.首先使用随机森林算法计算流量特征的重要度评分,筛选出重要特征,剔除冗余特征,然后使用LSTM进行异常流量的识别与检测.为了评估模型的有效性与优越性,本文使用准确率、精确率、召回率和F1-score进行模型评价,并与传统的机器学习方法 Naive Bayes、QDA、KNN算法进行对比.实验结果表明,在公开数据集CIC-IDS-2017中,异常流量识别的总体准确率达99%.与传统的机器学习算法相比,该方法有效地提高了复杂网络环境下异常检测的准确性和效率,在工业控制网络安全和异常检测方面具有实际应用价值.     

改进PSO优化RBFNN的短时交通流量预测方法

针对短时交通流的预测精度问题,该文用PSO算法优化RBFNN模型的基础上,引入学习因子优化策略对PSO算法改进,进一步提高预测精度。该文针对PSO算法中认知因子和社会因子在全局搜索和局部搜索的不同作用,对非线性的学习因子做出异步调优改进,通过利用某路段的高速公路监测数据对改进的PSO-RBFNN算法进行训练,获得最优参数值,对短时交通流量进行预测,并将仿真结果与其他模型进行对比分析。实验结果表明,该文改进的PSO-RBFNN模型预测结果稳定,更适用于短时交通流量预测,具有更高的精度。     

基于控制流切片的代码安全缺陷检测方法

为轻松获得程序的可能执行路径,进而实现程序变量的状态跟踪,提出了一种C/C++源代码控制流提取算法,通过该模型获取控制流切片,产生局部控制流图,将数据流异常检测与安全子集检测相结合,弥补了单独使用安全子集方法无法跟踪数据流的不足,增强代码安全隐患的挖掘能力.利用控制流图化简,排除部分不可达控制流信息,提高跟踪效率.通过对3个Linux内核源文件的检测,验证了该方法不仅可以检测出违反安全子集的代码安全隐患,同时对代码数据流异常检测提供支持,准确率达94.9％.     

一种新的智能变电站网络流量预测方法研究

随着智能变电站网络改造的逐步实施,智能变电站网络流程预测技术开始被业界重视起来,智能变电站网络流量一旦发生异常,将直接影响到继电保护装置动作的可靠性、快速性和灵敏性.论文首先将灰色理论和人工神经网络算法相结合,构建灰色神经网络模型并对其进行分析;然后在此基础上通过附加动量变学习速率法对灰色神经网络的权值更新策略进行改进,提出一种基于改进的灰色神经网络智能变电站网络流量预测模型;最后以智能变电站的站控层交换机网络流量数据为例,以采集的原始频率数据为基础进行仿真验证,实验表明,该模型预测精度高,收敛速度快,提高了智能变电站网络流量预测的准确性和快速性,保障电网安全运行.     

日交通流预测的编码器-解码器深度学习模型研究

精准的日交通流预测是智能交通领域的重要研究内容之一。目前已有的日交通流预测模型大多在短期预测模型的基础上通过多步预测或者多目标预测的方式改进而来。这两种改进方案中,前者对误差的传播更为敏感,而后者则忽视了预测结果的时序关系,导致预测模型精度偏低。提出了一种用于日交通流预测的编码器-解码器深度学习模型,首先将长短时记忆网络（long short-term memory,LSTM）作为编码器-解码器模型的基本单元以提高模型捕捉长期依赖关系的能力,其次引入注意力机制调节编码向量的权重以进一步提高模型的预测精度。新的模型是一种典型的序列到序列预测模型,与传统的序列到点的模型相比更加契合日交通流预测的需求。为验证模型的有效性,取美国5号州际公路西雅图段的实际交通流数据进行实验,实验结果表明,提出的预测模型在平均车流密度大于40?辆/km的时间段中,其预测结果的平均绝对百分比误差（mean absolute percentage error,MAPE）与LSTM、门控循环单元（gated recurrent unit,GRU）、反向传播（back propagation,BP）神经网络、卷积神经网络（convolutional neural network,CNN）、图卷积网络（graph convolution network,GCN）传统预测模型相比,分别减小了19%、20%、25%、16%、25%。     

一种改进的深度置信网络在交通流预测中的应用

针对现有交通流预测方法忽视对交通流数据自身特征的有效利用以及不能模拟更复杂的数学运算,提出了一种改进深度置信网络（deep belief network,DBN）的交通流预测方法。该方法结合深度置信网络模型与Softmax回归作为预测模型,利用连续受限玻尔兹曼机（continuous restricted Boltzmann machines,CRBM）处理输入特征向量,利用自适应学习步长（adaptive learning step,ALS）减少RBM训练网络模型时重建误差所需的时间,用改进的深度置信网络模型进行交通流特征学习,在网络顶层连接Softmax回归模型进行流量预测。实验结果表明,在实际的交通流数据预测中,改进的DBN模型的预测准确率以及时间复杂度相比传统预测模型都得到了较好的改善。     

基于Spark的电网工控系统流量异常检测平台

针对传统的电力网络流量检测安全预警系统在面对海量高维度数据时，其在精度、实时性、扩展性以及效率上都无法满足需求的问题，建立出一种基于Spark的电网工控系统流量异常检测平台.该平台以Spark为计算框架，主要由数据采集与网络流量深度包检测协议解析模块，实时计算数据分析处理模块，安全预警预测模块和数据存储模块组成，为流量异常检测提出了一套完整的流程.实验结果表明，该平台能够有效地检测出异常流量，做出安全预警，方便工作人员及时做出决策，这充分说明该平台非常适用于电力控制系统，能够应对海量高维复杂数据做出实时分析以及安全预警，极大地提高了电网工控系统的安全性能.     

基于改进极端学习机的网络流量预测

为了提高网络流量的预测精度,针对极端学习机的训练样本选择问题,提出一种改进极端学习机的网络流量预测模型（IELM）。根据最优延迟时间和嵌入维数对网络流量重构,建立网络学习样本,将学习样本输入到改进极端学习机进行训练,随新样本加入而逐步求解网络的权值,以提高学习速度,引入cholesky分解方法提高模型的泛化能力,采用具体网络流量数据进行了仿真测试。结果表明,IELM不仅可以获得较传统网络流量预测模型更高的精度,并且大幅度减少了计算时间,提高了建模效率,可以较好地满足网络流量预测要求。     

基于FWADE-ELM的短时交通流预测方法

受道路环境和人为因素影响,实际交通系统可视为一个复杂的非线性动力系统,交通流数据具有较强的非线性、时变性和易受随机噪声影响等特征.针对复杂环境下的短时交通流预测问题,提出一种基于烟花差分进化混合算法-极限学习机的短时交通流预测方法.采用奇异谱分析方法滤除原始交通流数据中包含的噪声成分,降噪后的交通流数据用于训练极限学习机(ELM)网络预测模型.进行相空间重构,利用C-C算法确定ELM网络的结构和关键参数.通过融合烟花算法和差分进化算法提出一种烟花差分进化混合算法,可有效提高基本算法的整体优化性能.将改进的混合优化算法用于优化ELM网络的权阈值(结构为9-11-1,维数为110),建立短时交通流预测模型.测试与应用结果表明,所构建的短时交通流预测模型具有较高的预测精度和较强的泛化能力(均方误差为7.75,平均绝对百分比误差为0.086 7),预测值与实际值的拟合程度较好.     

基于堆叠卷积注意力的网络流量异常检测模型

入侵检测系统（IDS）在发现网络异常和攻击方面发挥着重要作用,但传统IDS误报率较高,不能准确分析和识别异常流量。目前,深度学习技术被广泛应用于网络流量异常检测,但仅仅采用简单的深度神经网络（DNN）模型难以有效提取流量数据中的重要特征。针对上述问题,提出一种基于堆叠卷积注意力的DNN网络流量异常检测模型。通过堆叠多个以残差模块连接的注意力模块增加网络模型深度,同时在注意力模块中引入卷积神经网络、池化层、批归一化层和激活函数层,防止模型过拟合并提升模型性能,最后在DNN模型中得到输出向量。基于NSL-KDD数据集对模型性能进行评估,将数据集预处理生成二进制特征,采用多分类、二分类方式验证网络流量异常检测效果。实验结果表明,该模型性能优于KNN、SVM等机器学习模型和ANN、AlertNet等深度学习模型,其在多分类任务中识别准确率为0.807 6,较对比模型提高0.034 0~0.097 5,在二分类任务中准确率和F1分数为0.860 0和0.863 8,较对比模型提高0.013 0~0.098 8和0.030 6~0.112 8。