一种基于推荐的Web服务信任模型

借鉴信任管理概念和Beth信任模型,提出了一种基于推荐的新型自适应Web服务信任模型,给出了相应的信任度和信任度合成的方法,并针对恶意推荐采取惩罚机制。实验证明,该模型可以使得实体的信任度能根据服务经验自适应地变动,并能根据惩罚机制对欺骗的实体进行惩罚,从而在一定程度上减少访问到恶意实体的次数。     

一种基于混合模型的实时网络流量预测算法

流量预测是流量工程、拥塞控制和网络管理的核心问题.网络流量由大量的非线性变化部分和少量的但不可忽略的线性变化部分组成.现有的网络流量预测算法只是单一采用线性或者非线性的方法进行处理,这种片面性造成预测的准确度和实时性难以保证.针对网络流量的特点,提出了一种基于卡尔曼滤波和小波分析混合的流量预测算法.通过对网络流量的线性部分和非线性部分进行区分对待,从而提高预测的准确度和实时性.仿真结果表明,该算法与单一的线性预测算法和非线性预测算法相比,具有较高的预测精度和较好的实时性.     

一种基于MPLS的流量工程系统管理模型

简述了网络MPLS流量工程的现状，提出了一种基于MPLS的流量工程系统管理模型。该模型的特点是：管理功能模块边缘化，运输功能模块平面化，在高速、简单的运载核心上运行一个可管理的流量承载平台。模型的有效性通过形式和仿真两个方面得到验证。     

一种新型推荐信任模型

开放网络环境中,电子商务活动越来越频繁,文件共享等服务越来越普遍,用户之间的信任关系成为安全问题的重点。为确定大量未知实体的信任关系,出现了基于不同方法的推荐信任模型,其关键在于如何解决推荐信任的传播与合成。该文研究了现有的推荐信任模型,分析了其中存在的问题;为解决推荐信任传递问题,提出了信任向量的定义;在此基础上提出了基于推荐信任向量的新型推荐信任模型。最后进行了仿真实验分析。     

一种基于回归模型的路径矩阵研究

研究了相关的路径矩阵模型,提出了一种基于回归分析的路径矩阵模型,该模型的核心有三点：一是采用主动注入IPMP探测包对的方法获得时延;二是根据M/M/1排队模型采用最小二乘方法获得回归方程,避免了繁琐的计算,只需测量时延即可获得流量;三是采用主动测量方法获得路径,最终获得全网的路径矩阵。证明了该方法的有效性,并给出了仿真结果。     

一种网络流量异常检测模型

网络流量异常影响网络性能,严重时造成网络中断,在基于统计的网络流量异常检测模型基础上,本文提出一种改进的方法。首先对采样数据进行预处理,去除坏值;然后采用统计学方法对网络流量稳态模型进行建模和更新,选择表现流量特征明显、属性相关性小的指标反映网络流量;最后利用同比和环比相结合的方法对网络流量进行异常判断。实验结果表明,该方法能对网络流量异常有较好的监控,并减小异常检测的误判率。     

一种基于社会化网络的上下文相关推荐模型

后搜索引擎时代如何构建推荐系统来为用户提供准确的信息成为研究者关注的问题,而有效地利用社会化网络中的上下文信息已然是解决这一问题的一把钥匙。在本文中,我们提出了一种新的推荐模型,通过上下文相关,对社会化网络信息进行再加工,不同于一般上下文信息处理方法,我们通过随机决策树对传统"用户-项目"评价矩阵中评价相似的上下文信息进行区分,然后通过矩阵分解来预测用户的缺失偏好,同时,为了更加充分地利用社会化网络信息,我们将偏好相似用户可能的推荐进行量化,以影响矩阵分解目标函数的结果,以此达到精确推荐的目的,最终以此作为系统推荐。通过实验表明,本文提出的上下文相关推荐模型可获得更高的用户满意度。     

一种基于RippleNet模型的推荐精度提高方法

RippleNet模型引入向量表示的同时充分利用实体连接关系,挖掘高阶语义,实现精准推荐,但并没有充分考虑到数据的重要性。通过构建概念图谱的最大子网,消除数据的冗余,提高RippleNet模型的推荐精度。利用构建最大子网的思想,通过最大子网以消除原始数据冗余。处理冗余数据后,对比原始数据,在Top-k场景中不同k值的平均准确率提高1%,在CTR点击率预测场景下所得到的平均AUC值从91.3%提高到91.9%。实验表明,通过提取最大子网可以提高推荐精度。     

一种改进的TCP传输流量模型

文章研究了TCP传输流量模型，分析了Padhye在丢失率较高的情况下与实际情况有一定差异的原因，并在Padhye模型的基础上，考虑了TCP慢启动的影响，提出了改进的Padhye模型。理论分析和实验结果表明，在网络拥挤的情况下，改进的Padhye模型更接近TCP传输的实际情况。     

一种基于丁字路口模型的IP拥塞控制

介绍了一种基于丁字路口模型的传输控制,该模型能提高部分数据包的平均等待时间并能够在有限时间内响应低优先级的数据包,同时还分析了模型的设计方案。     

基于出租车数据的载客热点与打车热点研究

面对城市出租车高空载率和乘客打车难问题,本文针对出租车司机端和乘客端分别进行载客热点和打车热点的分析研究,提出了一种基于DBSCAN算法的数据处理模型.利用这个模型对北京市182辆出租车的GPS轨迹数据进行处理,提高了数据精度;对于不同的受众,采用K-means算法对数据进行聚类分析,得到相关热点.实验表明,划分目标用户进行各热点的推荐不仅可以有效地为出租车司机提供高概率的载客热点,乘客打车难问题也有了一种可行的解决方法.     

PTRA:一个面向空载出租车的路线推荐算法

目前针对出租车的推荐系统主要从降低空载率和减少寻客里程两个方面为司机推荐潜在载客点或最优行驶路线,然而从司机收益最大化的角度而言,多数研究没有考虑实时路况的变化对推荐效果的影响.因此,以收益最大化为目标进行了研究,提出了一种空载出租车推荐算法PTRA(profit-based taxi recommendation a...     

基于深度强化学习的机场出租车司机决策方法

针对以机场为代表的大型交通枢纽出租车调度困难的问题,从出租车司机利益的角度出发,提出一种基于改进深度强化学习的司机决策方法。该方法首先对机场环境和机场所在的城市环境进行模拟,定义了司机的状态、动作,与环境交互获得的奖励和状态转移。然后,以司机的状态参数作为DQN的输入,用DQN拟合状态-动作值函数（Q值函数）。最后,通过不断地让司机根据ε-贪心策略做出决策,并根据奖励函数达到更新DQN参数的目的。实验结果表明：在模拟的大、中、小型城市等环境下,司机都可以通过模型定量地得到当前各种决策动作的期望收益并作出合理的决策,从而自动地完成出租车调度的过程。     

基于出租车GPS轨迹和POI数据的商业选址推荐

针对商业选址问题,提出一种基于城市出租车GPS轨迹和POI数据的商业选址推荐算法。首先,对城市出租车GPS轨迹和POI数据进行预处理及地图匹配,然后将城区进行交通小区划分,用OD矩阵分析交通小区之间的交通流量特征,并结合交通小区内POI的分布特征和语义属性,构建基于OD矩阵和对应小区POI数据相结合的商业地址推荐模型。最后,应用兰州市出租车GPS轨迹与POI数据验证了推荐算法的有效性和实用性,并将推荐结果在交通小区尺度上进行可视化呈现。实验结果表明,该推荐算法不仅能够推荐合理的商业选址,为商业选址决策提供快速有效的可视化定量分析方法,同时能够为城市公共服务设施空间布局规划提供决策依据。     

基于候客点规划的空闲出租车路线推荐算法

为空闲出租车司机推荐有效的闲逛路线在提高出租车司机工作效率、减少乘客等待时间以及缓解交通压力方面具有重要作用。现有的研究工作主要集中于为空闲司机推荐完整的驾驶路线,没有考虑到真实路网环境下某些路段的可等待因素,使得推荐的路线因载客概率较低、行驶距离较长而花费成本较高。提出一种基于候客点规划的路线推荐算法,对出租车轨迹数据进行处理,并设计路径匹配算法将每个轨迹点与真实路段一一匹配。通过统计每个路段历史接载信息,并利用一种改进的多层感知机建立可预测时序接载概率的模型,结合路段的可等待因素设计一种最小花费成本的路线推荐算法。在真实数据集上的实验结果表明,与MNP、InExperence、Random算法相比,所提算法花费成本、巡航时间以及巡航路程均明显减少。     

基于LSTM-BP组合模型的短时交通流预测

为减轻日益严重的交通拥堵问题,实现智能交通管控,给交通流诱导和交通出行提供准确实时的交通流预测数据,设计了基于长短时记忆神经网络（LSTM）和BP神经网络结合的LSTM-BP组合模型算法.挖掘已知交通流数据的特征因子,建立时间序列预测模型框架,借助Matlab完成从数据的处理到模型的仿真,实现基于LSTM-BP的短时交通流精确预测.通过与LSTM\BP\WNN三种预测网络模型的对比,结果表明LSTM-BP预测的时间序列具有较高的精度和稳定性.该模型的搭建,可对交通分布的预测、交通方式的划分、实时交通流的分配提供依据和参考.     

基于Spark的出租车轨迹处理与可视化平台

大数据技术在分析与挖掘交通大数据方面扮演着越来越重要的角色.为了快速有效地对出租车的运营模式与载客策略进行分析,设计效益指数模型对出租车效益进行量化排序,以高效益出租车为研究对象,基于Spark大数据框架开发一个轨迹数据处理与可视化平台.首先,处理高效益出租车轨迹数据得到用于可视化的特征数据.而后进行可视化分析,包括:统计分析高效益出租车运营特性并实现交互式图表展示,采用蜂窝形格网与DBSCAN算法对不同时段高效益出租车载客点进行热点可视化,实现基于缓冲区的交互式轨迹查询并提取出轨迹相关因子.最后,利用成都市出租车GPS轨迹数据验证了所提平台的有效性及可靠性.     

基于计算机数据算法模型的交通流数据分析

针对交通流数据分析滞后,交通规划效率不高等问题,提出了一种基于计算机数据算法模型的计算机数据算法数据分析方法,该方法采用基于S3C6410处理器的采集模块对影响交通流的数据进行采集或者分析,在进行数据信息采集时,还通过JZ863的无线传输模块实现数据信息传输,并通过神经网络算法模型提高了交通流数据信息分析能力。实验结果显示,本研究系统检测到发生故障的数据量数高达4735个,交通检测精度较高。     

基于时间占有率的短时交通预测模型

针对现有的交通预测模型大多以交通量为变量,而交通量作为二值函数,无法有效地判断道路交通是否处于交通顺畅或拥挤状态,采用时间占有率这一单值变量,建立了基于ARIMA(p,d,q)时间序列结构的短时交通预测模型。在建模过程中,以非参数检验法判定序列平稳性,AIC准则确定模型结构,最小二乘算法(LS)估计参数。以城市中心商务区交叉口为实例,对一个信号控制周期的占有率实测值进行预测分析。结果表明,时间占有率比仅仅用交通量更能描述交叉口的实际情况,且算法简单,精度高,适合于交通控制和信息诱导系统的实时在线预测。