溶滞网络缓冲区占用率预测模型设计

溶滞网络中数据滞留较多,占用了缓冲区大部分内存。为此,构建基于多组件融合的溶滞网络缓冲区占用率预测模型。在多组件框架的基础上,求解数据样本融合条件。联合数据库主机内存储的信息样本,完成对可移植任务的配置,实现溶滞网络缓冲区内的数据样本处理。设置决策树组织,确定复杂度指标的取值范围,完成基于多组件融合的溶滞网络缓冲区占用率预测模型设计。对比试验结果表明,在多组件融合预测模型作用下,拥塞系数最大值仅为0.6、信道平均占用率始终不超过60%。该模型预测准确率较高。所构建模型预测溶滞网络缓冲区占用率的性能较优,具有一定的实际应用价值。

面向交通流量预测的多组件时空图卷积网络

流量预测一直是交通领域研究者和实践者关注的热点问题.流量数据具有高度的非线性和复杂性,对其进行精准预测具有很大的挑战,现有的预测方法大多不能很好地捕获数据的时空相关性.提出一种新颖的基于深度学习的多组件时空图卷积网络(MCSTGCN),以解决交通流量预测问题.MCSTGCN通过3个组件分别建模流量数据的近期、日周期、周周期特性,每个组件同时利用空间维图卷积和时间维卷积有效捕获交通数据的时空相关性.在美国加利福尼亚州高速公路流量公开数据集上进行了实验,结果表明,MCSTGCN模型的预测效果优于现有的预测方法.

多尺度时序依赖的校园公共区域人流量预测

校园公共区域人流量预测对于维护校园安全、提升校园管理水平有重大意义.尤其在疫情防控下,高校复学对公共区域的人流量预测和控制提出了更高的要求.以高校食堂为例,通过预测就餐人数,有助于食堂防疫人员合理调度和安排,既降低了人群聚集的潜在风险,也可以针对食堂人流量分布情况提供分时分批服务.然而,由于校园管理需求,如节假日和教学安排等因素,使得校园公共区域人流量预测问题颇具挑战性.为此,提出一种基于深度学习的多尺度时序卷积网络MSCNN(multi-scale temporal patterns convolution neural networks),实现人流量时序数据中短时依赖、长时周期模式的获取和多尺度时序模式特征的重标定,以对任意时段人流量进行预测.通过在真实校园环境数据集以及公开数据集上的实验,验证了MSCNN模型的有效性和执行效率.