北太平洋海温异常对黑龙江上游冰坝的影响及其预报的研究

在研究北太平洋海温异常对黑龙江冰坝的影响中,从预测黑龙江上游冰坝需要出发,利用反映北太平洋海域表面温度变化的分布型指数（该指数较好地表征出海温的年际变化特征及厄尔尼诺和拉尼娜事件）,以及黑龙江上游水文站的封江水位距平构建了该站的冰坝预报模型,该模型可以较好地预测出黑龙江上游冰坝,实际预测结果表明,该方法是可行的,在冰坝预报中可以发挥重要作用。     

基于FVD模型的各异性跟驰模型

基于不同气质类型驾驶者的行为差异分析,建立了跟驰模型参数与驾驶人气质状况之间的关系,通过引入气质激进度变量,将跟驰模型参数表达为气质激进度的函数,并在改进FVD模型的基础上,提出了体现驾驶人行为差异的各异性跟驰模型。该模型克服了传统规范模型无法描述驾驶者个体行为差异的缺点。数值模拟实验结果表明该模型能够成功地模拟稠密交通流中小扰动传播演化结果的随机性现象。该模型结构简单,且参数易于确定,一方面为驾驶行为各异性的建模建立了理论基础,同时也为微观交通流动态随机特性模拟提供了一般性的方法。     

移动通信网中基于级串框架的网络流量性能分析

根据湍流尺度分析中的对数无限可分级串方法(LIDC),对从某移动运营商处获取的无线分组网络流量进行了多尺度行为分析,以GPRS为例,发现现网GPRS流量符合对数无限可分级串框架,并由此对无线分组流量数据进行了深入的特性分析. 结果表明,LIDC方法在分析无线分组网络流量的多尺度行为方面非常有效. 该方法不仅在全尺度范围内能刻画网络流量的尺度特性,而且能确定出某一尺度下的有效分析范围. 同时,经过该分析框架分析表明,无线分组网络流量中的尺度保持了幂律关系、单一尺度及尺度不变性等特点.     

支持MPLS流量工程的选播路由

对选播服务的网络负载均衡做了研究,提出一种支持多协议标签交换（MPLS）流量工程的选播路由算法（ART）．ART基于最小冲突路由机制,通过MPLS约束路由的标记分发协议（CR LDP）建立1条从选播服务器到客户方向的标记交换路径（LSP）,并预留带宽资源．仿真结果表明,ART能平衡网络的负载,在选播服务中实现网络资源的优化利用,并且在传输服务数据流时,能减少时延及数据包的丢失．     

基于三元组信息的网络流量检测点选取算法

为了有效地选取网络流量检测点,根据流守恒假设,提出一种网络流量检测点选取算法．该算法将网络流量检测点选取问题抽象为图的弱顶点覆盖问题,使用三元组信息标记网络节点,通过比较和替换节点的三元组信息并根据最后的三元组信息,完成网络流量检测点的选取．仿真结果表明,新算法不需要了解网络拓扑的全局信息,能动态地排除无法部署的网络节点,有效地解决了网络流量检测点的选取问题．     

网络流量预测模型仿真分析与研究

网络流量的高效准确低冗余度预测,是保证网络安全的关键.网络流量的非线性影响,在突变性较强的网络流量预测中,为了应对突变性,需要大量的先验知识作为预测模型的支撑,导致出现了大量的非正常冗余数据,造成传统的的模型训练样本数量大以及结构复杂,模型不够稳定,导致预测冗余度高,效率低下.提出一种采用支持向量机模型的主成分分析的零冗余度PCA-SVM预测系统,在SVM模型的基础上,采用PCA分析方法对输入系统的一些冗余信息进行清除过滤,提高输入信息数据的贡献率,减少总体的样本训练集数量,降低SVM模型的信息维数,对网络流量的6个因子进行了系统模型构建原始驱动数据,对6个预测因子进行PCA处理,驱动因子之间具有显著的相关关系,完整去除了非相关冗余度.采用SVM-PCA模型进行数学建模,对后来10个月的网络流量进行预测.实验结果表明,改进算法比传统算法,预测偏差降低0.069,预测准确率可以提高17％以上,优化效果明显.     

基于应用层流量优化的中继路径选择方案

基于网络层路由协议的缺省单一路径难以满足高带宽应用的端到端传输需求,多径传输是一种有效方式。在基于应用层中继的多径传输系统的基础上,提出基于应用层流量优化的中继路径选择方案：借助于应用层流量优化机制,提出中继路径选择过程中遵循的规则,提出基于运营商定义域的最优中继路径生成算法,为数据传输分配优质的中继路径,同时在运营商定义域之间以及中继服务转发器之间保持负载均衡。仿真结果表明,提出的方案在选择优质中继路径方面具有较优性能,同时能够灵活地均衡运营商定义域之间的负载。     

变压器备用冷却器不能正常启动的解决方法

结合强迫油循环导向风冷变压器冷却器的控制原理,对我国西北地区某变电站2号主变压器运行冷却器故障后备用冷却器不能正常启动的故障进行分析,提出解决方法.     

基于多通道Transformer的交通量预测方法

目前,我国高速公路拥堵程度居高不下,而交通流预测作为实现智能交通系统的重要一环,若能对其实现高精度的预测,那么将能够高效地管理交通,从而缓解拥堵。针对该问题,提出了一种考虑时空关联的多通道交通流预测方法（MCST-Transformer）。首先,将Transformer结构用于不同数据的内在规律提取,然后引入空间关联模块对不同数据间的关联特征进行挖掘,最后,借助通道注意力整合优化全局信息。采用广东省高速公路数据,实现了两小时内92个收费站的高精度流量预测。结果表明：MCST-Transformer优于传统机器学习方法以及部分基于注意力机制的时间序列模型,在120 min预测跨度下,相比贝叶斯回归,MAPE降低了5.1%;对比Seq2Seq-Att以及Seq2Seq这些深度学习算法,所提方法的总体MAPE也能降低0.5%,说明通过多通道的方式能够区分不同数据的特性,进而更好地预测。     

面向交通流量预测的多头注意力时空卷积图网络模型

为了充分获取交通流量数据中隐藏的复杂动态时空相关性,提高交通流量预测精度,提出一种多头注意力时空卷积图网络模型MASCGN。首先,采用多头注意力机制为路网中的交通传感器节点自动分配注意力权重,实现对不同邻居节点的权值自适应匹配,充分获取空间相关性;其次,采用带有门控和注意力机制的时空卷积网络充分提取时间序列相关性,并使用残差块结构实现时空卷积层之间的连接,使得模型更具有泛化能力;最后,分别提取周相关、日相关、邻近时间的序列数据,输入三个并行的时空组件以挖掘周、日、邻近三个时间窗口间的时间周期相关性,并通过全连接层获取最终的交通流量预测结果。利用高速公路交通数据集PEMSO4、PEMSO8进行了15 min、30 min、45 min和60 min的交通流量预测实验。实验结果表明MASCGN模型与现有基线模型相比,在未来短期和长期的交通流量预测任务上都具有更优的建模能力。