基于遗传回归分析的无检测器交叉口流量预测

对无检测器交叉口交通量预测方法进行了研究.介绍分析了逐步回归分析法和遗传算法,将2种方法结合起来提出一种基于遗传算法的无检测器交叉口流量预测方法,并用长春交叉口流量数据进行了验证,在与逐步回归分析法比较的基础上,证明了该方法的可行性且具有较高的预测精度.     

基于改进型小数据量法的局域网流量预测

基于Takens理论对混沌时间序列进行相空间重构,对小数据量法进行如下改进:利用C-C算法计算嵌入维和延迟时间;以功率对频率加权并采用求平均的方法计算平均周期,使小数据量法更加完善。使用改进前、后的小数据量法分别仿真计算Lorenz系统混沌时间序列的Lyapunov指数并预测混沌时间序列,并计算实测局域网流量时间序列的最大Lyapunov指数并预测局域网流量时间序列。仿真及实验结果均表明,采用改进型小数据量法进行流量预测,精度更高、速度更快、预测点数更多。     

基于电信位置数据的人群流量预测

将遗传算法和支持向量回归法结合起来,给出一种基于电信位置数据的人群流量预测方法。提取出电信位置数据中的人群流量时间序列,综合考虑其不同时间点值的关联性,用支持向量回归方法对其进行预测,并使用遗传算法对支持向量回归方法的参数进行优化。在真实电信位置数据集上的实验可以验证,所给方法有效,且相较神经网络诸方法具有更好的预测精度。     

基于小波的Web流量组合预测方法研究

为了提高Web流量的预测精度，提出一种基于小波、神经网络和自回归的组合预测方法．首先将Web流量构造为2个相关序列：历史序列和相似值序列；对具有平稳特征的相似值序列用AR模型进行预测；对体现了Web流量非线性、非平稳特性的历史序列则经过小波分解与单支重构后，针对各分支特点分别采用神经网络和自回归模型预测；最后组合2条序列的预测结果获得最终预测值．理论分析与实验表明：组合预测方法可以充分利用与流量相关的多种数据关系；小波分析可以将历史序列分解为多层频率成分更加单纯、更加易于预测的时间序列．因而所建方法比传统的预测方法具有更高的预测精度．     

基于时序分析的湖北外贸物流年流量预测研究

根据1995～2005年湖北省外贸物流量序列的长期变化特征，提出了时间序列分解预测模型，即将年物流量序列分解为趋势项和随机项，通过对其各项进行识别、提取，再将各项线性叠加，从而建立年物流量预测模型；     

基于ATM网络ABR业务流量控制算法分析

ABR业务的流量控制是一种基于反馈的闭环控制,它对于需要确保业务质量的ATM网络来说至关重要。由于基于反馈,ABR信源必须知道网络的瞬时未用带宽,以动态调整发送速率。通过对三类算法各自的性能及改进作公平性、稳定性和有效性等重点分析后,提出了传统的算法面临的问题及解决途径,为设计高速ATM交换机提供了有益的参考。     

基于改进的LSTM算法的时间序列流量预测

时间序列流量的预测问题是近年来机器学习的一个热点问题,通过改变长短期记忆网络(LSTM)层数、网络层神经元的个数、网络层之间的连接方式,特殊网络层的应用等网络结构以及优化器和损失函数的选择可以极大地提高预测的精度.本文提出多层LSTM算法,该算法是在传统LSTM算法上进行改进的单一模型,模型设计的复杂度低,可以提高机器学习的效率.模型采用一个输入层、5个隐藏层、1个输出层,同时包含1个全连接层和1个Dropout层,Dropout层的作用是防止机器学习过拟合.选择adam为模型优化器、mlse为模型损失函数、relu作为模型的激活函数.实验结果表明,与传统模型相比,该模型具有较好的泛化能力.     

机器类通信业务建模与流量分析

针对机器类通信典型应用的主要特征,建立4类系统级业务模型,分别是静止模型、扩展静止模型、随机游走模型、移动模型,并给出各模型中突发数据和信令开销的估计和预测办法.该预测办法可评估不同应用场景下海量机器类通信终端接入网络时运营商面临的承载压力,据此可导出合理的网络规划和优化策略,以提升用户体验.     

基于神经网络的股票交易数据的预测研究

运用前馈神经网络预测时间序列的分析方法对股票数据进行了预测．通过对前馈神经网络时间序列数据预测网络模型的建立方法及预测方法讨论，基于BP网络对股票数据进行实际预测．预测精度明显高于传统方法，说明此种方法是可行的．BP网络可用于股票数据预测，其预测精度较高，但实际预测时，如何选择和确定一个合适的神经网络结构需进行反复实验．     

基于流量工程的网络性能实时监测系统

随着 Internet的发展 ,网络规模不断扩大 ,业务类型逐渐增加 ,网络的异构性越来越强 ,增值服务不断出现 ,网络性能实时监测的重要性也在不断加强。流量工程和流量工程系统与网络性能实时监测有着密切的联系 ,流量工程可以定义为允许服务提供商按照不同服务质量等级 ,最大限度利用网络资源提供网络服务的一系列技术的集合。主要探讨了利用 IP网络流量工程和流量工程系统进行网络性能实时监测的主要概念 ,给出了基于流量工程的网络性能实时监测系统的框架体系结构 ,阐述了网络性能实时监测系统的模块组成 ,并对网络性能实时监测的发展进行了描述     

实时Monitor的设计

实时Monitor是一个多任务并行实时控制的监督程序,也是一个多任务实时处理系统。该Monitor的主要功能是:TASK的实行与停止;阻塞状态的设定与解除;TASK的暂时停止等。Monitor可进行各个TASK之间的信息联络,利用pC机的终端功能可以很方便的进行程序的调试。该Monitor对系统的硬件资源进行合理的管理,对于不擅长使用硬件的人来说也可以使用该Monitor。本文为工业生产过程的检测、控制等提供了一个简单易行的监控程序。     

基于双层规划模型的电梯交通系统群组优化

目的针对上行高峰交通条件,分析电梯交通系统的性能指标,建立了高层建筑电梯群组分区运行的多目标优化数学模型.提出了采用双层规划模型及遗传算法求解一类特定的多目标问题的新方法.方法通过权向量整体优化以获取目标函数的最优值,进而获得科学合理的决策变量.结果克服了线性组合加权法中依据偏好确定权值的传统方法的缺点,同时对得到的最优解进行成本消耗分析,得出与建筑物特性相关的最终优化运行方案.结论该研究对高层建筑垂直交通系统的设计及其电梯群控技术的实施提供重要依据.算例及仿真结果表明该方法的有效性.     

一种基于BP网络的流量分类方法

针对传统的网络流量分类方法准确率低、开销大、应用范围受限等问题,提出了一种基于BP网络的流量分类方法。该方法改进了标准的BP网络算法,采用基于Lyapunov函数得到的自适应学习率,并引入遗传算法优化网络的初始连接权值和阈值,使网络避免陷入局部最小,加速了网络收敛过程。实验结果表明,采用改进的BP网络算法来处理网络流量分类问题具有明显的优势：该方法的收敛速度和拟合精度均优于标准BP算法,而且流量分类准确率高于NB算法。     

一种基于混合模型的时间序列数据挖掘系统

时间序列数据挖掘是在从数据仓库中提取出有效历史数据的基础上，对其进行一定的处理，从而发现隐含、未知的有效信息．本阐述了一种新的基于灰色—回归—模糊神经网络混合模型的时间序列数据挖掘系统，重点讨论了灰色—回归—模糊神经网络混合模型的建立过程，并应用于浙江省可持续发展预测，取得了满意的结果．该混合模型融合多种智能计算方法优点于一体，为时序数据挖掘提供了一种新的实用方法．     

电话网话务量周期性建模与分析

根据电话网话务量具有季节性的特点,提出了把话务量作为时间序列,采用混合潜周期的方法对其建模,并对其季节效应进行分析.结果显示,模型对实际数据的拟合效果较好.     

基于三次B样条函数的话务量预测模型

针对某移动通信服务公司话务量预测的实际问题,利用三次B样条函数插值方法,建立了工作日和假日话务量预测模型,求解得出了移动电话的话务量随时间变化的规律性,并在某通信服务公司的话务量预测中得到了具体应用,结果是有效的。     

基于遗传神经网络优化模型的交通量预测

实时、准确的交通量预测是实现动态交通流控制及诱导的前提和基础.为了更准确地对其进行预测,本文建立了遗传神经网络优化模型,该模型既利用遗传算法全局搜索、快速收敛的优点,又利用神经网络非线性描述、自学习自适应的优点.并以实际道路为例,给出了具体的应用方法,计算机仿真结果表明该模型精度较高、具有可行性.     

道路网络交叉口“禁左”交通组织优化

分析了禁左后交叉口通行能力与延误的变化规律,以各交叉口各进口道是否实施禁左交通管理为决策变量,以网络上车流总的行驶时间最小为目标,并期望通过禁左交通组织管理使得各路段与交叉口的饱和度在拥挤水平以下,建立了一定区域网络上交叉口禁左交通组织优化的双层规划模型,探讨了以遗传算法对该模型进行求解的方法.数值算例表明,通过该模型的优化可最终确定各交叉口禁左交通组织形式,可以为城市禁左交通管制提供科学依据.     

基于流量监测的用户流量行为分析

为了解决网络用户流量行为描述维度过高, 且在海量网络用户流量行为数据中分析单用户流量行为比较困难的问题, 提出一种基于流量监测的异常流量时间定位和用户定位方法.首先, 基于网络流量特性提出一个较为完备的特征集, 对网络用户流量行为进行全面描述.其次, 提出一种基于偏离距离的特征选择规则, 选择出适合于海量网络用户流量行为分析的优化特征集, 实现网络用户异常流量行为的快速时间定位.最后, 在异常流量行为发生时刻对单用户流量行为进行分析, 从而定位发生异常流量行为的用户.实验结果表明, 本系统对网络用户异常流量行为具有较好的检测效果.