排序方式: 共有9条查询结果,搜索用时 15 毫秒
1
1.
2.
3.
交通滞留量预测是实现智能交通灯自动配时的前提,准确的交通滞留量预测可以为交通信号的动态调配提供支持,从而缓解城市交通拥堵问题。为此,提出一种交通滞留量预测系统。利用基于时间序列分割与极限学习机结合的交通流量预测算法,设计道路系统的模拟方案,将得到的预测流量进行仿真,构建扩展的二级马尔科夫随机模型,计算交通滞留量的预测值。实验结果表明,与BP神经网络相比,该系统能够准确预测交通滞留量,可为城市交通疏导和控制提供理论依据。 相似文献
4.
为了探究复杂网络蕴含的复杂性,对复杂网络的分形特征进行了讨论。根据盒计数法和重整化过程对刻画分形复杂性的重要参数——分形维数进行了分析研究,并以C.elegans线虫的新陈代谢网为例,进行了复杂网络分形特征的实证研究。 相似文献
5.
竞争—冲突淘汰(C-CC)存取方式是多星局域网(LAN)的存取控制方式,根据多星LAN的设计原理,C-CC存取方式分为六类系统模型。利用OPNET仿真平台,构建多星LAN并实现C-CC存取方式Ⅰ类系统模型的仿真。通过仿真建模,将仿真结果与已有理论结果进行了比较;分别得到了M=2和M=4条件下多星LAN的三个性能参数,即数据包延迟、中心节点的队列长度和吞吐量,并进行了性能比较与评价。 相似文献
6.
精细化短时交通流预测是保证智能交通系统(ITS)合理决策的前提。为了建立无人驾驶汽车换道模型、预测车辆轨迹、引导车辆出行,及时为每条车道预测车流量成为亟须解决的问题,然而精细化短时交通流预测面临着以下挑战:一是交通流数据日益多元化,传统预测方法难以满足ITS高精度、短时延的要求;二是为每条车道训练预测模型会造成大量的资源浪费。针对以上问题,提出利用卷积-门控循环单元(Conv-GRU)结合灰色关联度分析法(GRA)建立精细化短时交通流预测模型预测车道流量。考虑到深度学习训练时间长、推理时间相对较短的特点,提出云-雾部署方案;同时,为避免为每条车道训练预测模型,在云-雾部署方案的基础上提出了模型迁移部署方案,该方案仅需训练部分车道的预测模型,然后通过GRA将训练好的预测模型迁移部署到关联车道进行预测。对真实交通流数据集进行大量对比实验的结果表明:与传统深度学习预测方法相比,所提模型拥有更精准的预测性能,与卷积-长短期记忆(Conv-LSTM)网络相比在提高精度的基础上运行时间更短,且能在保证高精度预测的情况下实现模型迁移,比训练每条车道的预测模型节省了约49%的训练时间。 相似文献
7.
竞争-冲突淘汰方式是一种重要的星形网访问控制方式.由于它在双星网中的数学解析十分复杂,目前见到的报告仅是在重负载条件下的研究进展.另一方面,当前网络技术可靠性已经有了大幅提升,在对计算机网络进行数学解析时可以通过近似,忽略服务失败的情况.充分考虑到以上两点,本文在一般负载(轻、重负载混合)下,对高可靠性双星网进行了数学建模和解析,求得了评价双星网性能的重要参数--扩展滞留时间,并进行了模拟实现.这一问题的解决,不仅为双星网的应用提供了理论依据,同时在运筹学中首次解析了非典型排队模型L(二项式到达)\D\n=2\RSS,扩展了随机服务系统理论. 相似文献
8.
关于多星LAN数学建模的研究,较长一个时期人们主要集中在单星LAN.截止目前该LAN中的"竞争-冲突淘汰"(Contention-Collision Cancellation,C-CC)介质存取方式已经完成了所有模型的数学建模和性能评价.由于数学方面存在困难,双星LAN数学建模的研究突破很晚,而且已报告的重负载下双星LAN的数学建模只推导了观察时点r系统顾客i>0(重负载的条件)、观察终端A存在顾客的条件下,A顾客在系统的平均时间ti.本文对重负载下双星LAN的Ⅰ类模型进行了性能再评价,求得了观察时点r系统顾客i>0、观察终端A无顾客的条件下,以r时点为起点至A终端第一次出现的顾客离开系统的平均时间τi,从而完善了双星LANⅠ类模型的数学建模;并进行了模拟实验.本文的结论为重负载下双星LAN的应用完善了理论依据. 相似文献
9.
竞争-冲突淘汰(C-CC)存取方式是多星局域网(LAN)的存取控制方式。人们根据多星LAN的设计原理,将C-CC存取方式分为6类系统模型。目前,关于这6类系统模型的数学建模研究已经有详细报告,但是仿真建模研究还没有开展。利用OPNet仿真平台,详细阐述了构建多星LAN、实现C-CC存取方式Ⅰ类系统模型的方法和过程。通过仿真建模,得到了3个主要性能参数:数据包延迟、中心节点的队列长度和吞吐量。最后,将仿真结果与已有的理论结果进行了比较,仿真结果更有实际意义。 相似文献
1