基于广义线性反演的流量矩阵估计算法

针对源—目的（OD）流量估计解的不稳定性和求解方法的复杂性,将广义线性反演应用于大尺度网络流量矩阵估计,降低求解方法的复杂性;采用奇异值分解（SVD）获得阻尼系数,提高了求解的稳定性;采用历史均值和链路测量数据相结合决定反演初值,降低多解性。Abilene网络的实际数据仿真结果表明,提出的算法能够在保证较高实时性的前提下,提高计算精度。     

基于路段转向流量的拥挤路网OD矩阵估计

传统的OD矩阵估计方法大部分都是基于路段流量的,由于路段流量数目远小于OD对的个数,因而限制了这些方法的推算精度。针对拥堵路网,提出了一种基于路段转向流量的OD估计方法,以提高OD估计的精度。分析了路段转向流量能够降低OD的可行解集的范围。通过双层规划模型求解拥挤路网上OD估计问题。由于最大熵模型不依赖于先验OD矩阵,可以应用到更多的OD估计场景中,因此上层模型采用的是最大熵模型,下层采用用户均衡模型。实验结果表明:基于路段转向流量可以增加估计的精度。     

流量矩阵估计研究综述

随着Internet网络的快速发展,网络操作员迫切需要知道网络中数据的流动情况,以便更好地进行网络管理、网络监控、网络设计和网络规划等网络流量工程管理.流量矩阵作为网络流量工程的重要输入参数,已受到国内外研究人员的广泛研究,现已成为Internet的一个重要研究方向.本文介绍流量矩阵研究的现状,并从性能上分析和比较各种研究方法,最后讨论流量矩阵研究的技术难题,并指出新的发展方向.     

基于广义回归神经网络的流量矩阵估计*

研究大尺度IP骨干网络流量矩阵估计,通过使用广义回归神经网络来捕捉流量矩阵特征,将流量矩阵估计描述成马氏距离下的最优化过程,能成功克服流量矩阵估计的病态特性,获得精确的估计值。仿真结果表明,该估计算法具有更高的估计精度和显著的性能改善。     

基于GA-Transmodeler的动态OD矩阵估计方法*

采用系统仿真与遗传优化算法相结合的方法完成离线状态下多时段OD矩阵的估计。系统仿真旨在对多时段的动态OD矩阵实现连续动态交通分配,以得到在各个时段的OD流量对观测路段的分配比例矩阵,遗传算法则通过种群内个体的交叉、变异等遗传算子求解最优条件下的OD矩阵。仿真结果表明,这种仿真优化结合的方法能够充分体现动态交通流的延续性,且遗传算法具有较强的全局收敛性。     

一种基于信息熵的关键流量矩阵发现算法

研究关键流量矩阵发现问题,提出了近似算法MinMat.引入信息熵和耗费函数等概念,计算流量矩阵的信息熵,选取信息熵较大的若干个矩阵作为候选关键矩阵,然后对最小耗费的簇进行合并,直到最后获得需要的流量矩阵.使用Abilene提供的网络流量矩阵进行实验,使用Totem模拟验证了MinMat算法选择结果的有效性.理论分析与实验结果表明,MinMat比K-means层次凝聚CritAC效率更高,选择结果具有更好的代表性.     

基于多数据源的网络流量矩阵估计

针对目前多数网络流量矩阵估计方法都采用单一的SNMP链路负载或抽样的NetFlow数据的问题,提出一种综合使用多个数据源进行流量矩阵估计的方法,将SNMP链路负载与抽样的NetFlow数据结合作为相互纠错码,设计过滤这2种数据源中脏数据的算法。以校园网为实验环境,与通用重力模型方法的比较结果表明,利用该算法去除脏数据后进行流量矩阵估计具有更高的准确性。     

一种基于回归方程的流量矩阵研究

为了对网络进行有效的测量和管理,对流量模型的研究是非常重要的。论文研究了相关的流量模型,提出了一种基于回归方程方法的流量模型,证明了该方法的有效性,获得了最终仿真结果。该模型的核心有三点:(1)通过主动测量的方法获得路径流量和流量分配概率;(2)通过流量和流量分配概率计算结点对流量;(3)推导了回归方程。     

均衡交通状态下OD矩阵的估计方法

本文讨论了在均衡交通状态,即拥挤交通的情况下,根据路段检测流量估计OD矩阵的新方法,将Wordrop分配模型与极大熵模型相结合提出了相应的迭代算法,实例表明,这一方法合理可行,皆具有较好的收敛性,为城市交通的计算机在线管理和控制提供了快速有效的基础数据。     

基于公交IC卡数据的大规模OD矩阵推导算法研究*

为实现基于公交IC卡数据的大规模OD（Origination-Destination）矩阵推导,提出了一种不关联公交调度信息和GPS数据的OD矩阵推导算法。首先,提出了站点序号标注算法,通过时间聚类思想,设计了自适应调整的时间间隔阈值以判断公交车的行驶状态,将公交站点序列与刷卡记录进行匹配。在此基础上,提出了单个公交车的行驶方向标注算法,通过从已知行驶方向的公交车推导未知方向公交车的方向标注算法。为了最大化解决公交数据的上车站点信息补全问题,将全局公交车行驶方向标注问题映射为图论中的节点遍历问题,利用贪心生长算法和广度优先策略实现了局部最优。最后该算法处理某市的公交IC卡数据,得到了公交出行链假设下的城市居民大规模OD矩阵。结果显示算法可有效推导大规模OD矩阵。     

流量矩阵估算算法研究

流量矩阵是许多网络规划和流量工程任务的关键输入,但直接监控非常具有挑战性.因此,如何根据有限的先验信息,通过合理建模来估算流量矩阵,成为重要的研究课题.已有的估算方法中,卡尔曼方法是一个相对高效和精确的方法,然而,它在实际网络环境中使用时存在坏态现象,导致数值计算困难.提出了平方根滤波/平滑流量矩阵估算算法对卡尔曼方法进行改进;并针对新算法的需要,提出了流量数据预处理的方法,可滤除有大量噪声的坏数据.模拟仿真结果显示新算法的精确性和稳定性都优于卡尔曼滤波方法.     

基于时空图的交通流量统计和交通状态检测

提出了一种新的基于时空图的交通流量统计和交通状态检测方法。首先,通过人机交互的方法设定检测线,并利用检测线计算时空图;然后,对时空图进行边缘提取、图像分割等处理,利用时空图上车辆的边缘、形状和占道率等信息,计算出一段时间内的交通流量。此外,还通过时空图的边缘信息的差异,将当前时间段的交通状态分为通畅、拥挤和堵塞三种不同的情况。实验结果表明,在摄像机安装位置合适的情况下,该方法统计交通流量的误差低于8%,判断交通状态的误差为0,具有很好的商业实用性。     

基于蚁群算法的IP网络流量矩阵估计

针对IP网络流量矩阵(TM)估计的高度病态性,导致很难精确估计网络流量矩阵,因此提出了一种基于蚁群优化(ACO)算法的IP网络流量矩阵估计方法。通过适当的建模,将流量矩阵估计问题转化为最优化问题,再通过蚁群算法求解模型,有效解决了网络流量矩阵估计。通过测试结果分析,与现存的方法相比,所提算法的精度比最大熵和二次规划稍差,但这两种方法复杂度太高,不适用于大规模网络,因此,在网络规模较大的情况下,算法是较优的,可提高流量矩阵估计的精度。     

业务量矩阵估算算法的设计与实现

随着互联网的飞速发展和网络业务的日趋丰富，网络规模和业务量急速增长，而目前的Internet不能完全满足网络各方面的应用要求，因此实施流量工程显得十分重要。主要研究流量工程中业务量矩阵的估算算法。实验系统以Network Simulator 2作为网络拓扑结构和数据的生成环境及后期算法验证环境，根据现有的理论和实验依据搭建实验框架，运用Java语言实现离线的业务量矩阵的估算算法，最后通过大量的仿真实验验证、比较、改进算法的有效性，为进一步的研究提供实验数据支持。     

基于GASA-FCM混合聚类与霍夫变换的欠定混合矩阵估计

针对模糊C-均值聚类(fuzzy C-means clustering,FCM)算法在欠定混合矩阵估计中精度低、鲁棒性差的缺点,提出一种基于遗传模拟退火优化FCM(GASA-FCM)混合聚类和霍夫变换的欠定混合矩阵估计算法。该算法首先结合了模拟退火算法(simulated annealing algorithm,SA)全局搜索、高精度的优点和遗传算法(genetic algorithm,GA)强大的空间搜索能力,将经遗传模拟退火算法得到的聚类中心点赋给FCM,避免了初值选择的随机性。再利用霍夫变换对聚类得到的每一类数据的中心进行修正,提高混合矩阵的估计精度。实验结果表明,提出的算法明显改善了算法的稳定性和混合矩阵估计精度,具有一定的有效性和可行性。     

基于三视图约束的基础矩阵估计

考虑到只依赖对极几何关系的匹配点余差并不能完全区分匹配点的正确与否,从而影响内点集选取的情况,提出基于三视图约束的基础矩阵估计算法。首先,使用传统随机抽样一致性（RANSAC）算法计算三视图的任意两对相邻图像间的基础矩阵,确定三视图中共有的匹配点对,并计算估计基础矩阵时非共用图像上的匹配点在共用图像上的极线;然后,计算两条极线的交点与共用图像上对应匹配点间的距离,以距离值的大小作为内点判断的依据,得到新的内点集。在新内点集的基础上,采用M估计算法重新计算基础矩阵。实验结果表明：该方法可以同时降低噪声和错误匹配对基础矩阵精确计算的影响,精度优于传统鲁棒性算法,使点到极线的距离限制在0.3个像素左右,而且计算结果具有稳定性,可以被广泛地应用到基于图像序列的三维重建和摄影测量等领域中。