基于多维告警融合的攻击目的预测系统

本文论述了基于多维告警融合的攻击目的预测系统的设计与实现。该系统利用系统状态的可证实性以及其与IDS告警之间的因果关系,先通过贝叶斯网络对已有证据进行补足完善,再利用完善后的告警信息对攻击者的攻击目的进行目的预测,从而达到了提高预测准确率的目的。

基于EMD-DESN的无人机集群航迹目的地预测

无人机(unmanned aerial vehicle,UAV)集群作战样式多样、运动模式复杂,导致集群航迹目的地难以预测。为解决上述问题,本文提出了一种基于经验模态分解(empirical mode decomposition,EMD)和深度回声状态网络(deep echo state network,DESN)的UAV集群航迹目的地预测算法。为使集群运动模型更真实地模拟UAV集群作战过程,本文引入航向误差时变方差,改进了Olfati-Saber集群运动模型的虚拟领导项。为处理因群内的协同作用和集群航向误差导致的运动非平稳性,引入了EMD,对UAV航迹序列进行重构。考虑到获知航迹的时序性,设计了滑窗结构,采用DESN对重构航迹的不同时段进行目的地预测。仿真实验结果表明,本文提出的EMD-DESN算法较基本DESN算法能以更高的准确度预测UAV集群航迹目的地,并能更早地实现稳定的正确预测。

基于长短期记忆网络的移动轨迹目的地预测

移动轨迹目的地预测是基于位置服务的重要一环,现有的预测方法存在历史轨迹不能完全覆盖所有可能的查询轨迹(数据稀疏)问题,没有考虑前缀轨迹点对预测结果的影响差异(长期依赖问题)。为了解决上述问题,提出了轨迹分布式表示方法。首先,将轨迹进行网格划分,把表示位置的高维独热码向量进行降维处理,生成包含地理拓扑关系的低维嵌入向量。其次,对目的地进行聚类,把聚类中心作为簇中轨迹的标签,缩小相似轨迹的差异,放大不相似轨迹的特征,有效克服了数据稀疏问题。在目的地预测中,将自注意力机制引入长短期记忆网络,提出了基于长短期记忆网络的目的地预测模型SATN-LSTM,挖掘序列中的关键点并根据其重要程度分配权重,较好地解决了长期依赖问题。最后,在真实轨迹数据集上进行了多次实验,验证了模型的有效性,并与现有的模型进行对比,验证了本模型具有更好的准确性。

水平井地质导向技术在油气目的层预测中的应用

在水平井地质导向技术应用过程中,应选择特征明显、容易识别、分布稳定的地层作为对比标志层,运用标准井法、等厚法、"虚拟井"完善微构造图等方法预测目的层深度;应用微构造图法、多井剖面法、以及校直厚度差法预测地层产状。由于地下地质复杂多变,不同技术方法对地层的预测结果会产生差异,因此,应细致分析不同预测方法对地层反映的依据,寻找共同点,排除差异点。在单斜构造及井斜信息准确的情况下,地层厚度变化更能反映地层产状信息;在井网控制程度较高及地层扭曲时,微构造图法的效果会更加准确。

基于隐马尔科夫模型的VLCC目的港预测

超大型油船(very large crude carrier,VLCC)目的港预测对海运原油流向预测以及货源地未来运力估计具有重要作用。针对VLCC的AIS目的港信息存在缺失、更新不及时、不准确等现象,提出一种基于隐马尔科夫模型的VLCC目的港预测方法。分析船舶AIS轨迹数据,得到油船历史停靠港口序列;根据VLCC轨迹提取习惯航路,以航路中的交叉点为依据设置观测线;利用船舶航行轨迹数据判断船舶是否经过观测线以及经过观测线的方向,对不同方向分别计算船舶在挂靠港间的转移概率矩阵和船舶挂靠港与观测线间的输出概率矩阵,建立VLCC目的港预测模型并进行预测。研究结果表明:在大多数情况下VLCC目的港预测的准确率可以达到70%以上;航线越固定、运行越规律的船舶,预测准确率越高;船舶越靠近目的港,预测越准确;重载状态下的船舶目的港预测更准确。

融合XGBoost和图谱修正的公交通勤乘客目的地预测方法

准确把握公共交通通勤乘客的目的地,有助于明确乘客出行需求,提升公共交通服务水平。基于北京市1个月的公共交通出行数据和RP调查数据,通过关联分析乘客公交卡号与公共交通刷卡数据和线站数据,匹配获得563名通勤乘客完整出行链数据,并利用关联规则实现302名公交通勤乘客高、中、低出行稳定性辨识。引入XGBoost集成学习算法,分别以不同公交出行稳定性乘客出行目的地显著影响因素为输入变量,以下次出行目的地为输出变量,通过模型参数调优,分类构建了公共交通通勤个体乘客下次出行目的地预测模型,高、中、低稳定性乘客出行目的地预测准确率分别为90%,66.67%和50%。借助个体乘客出行图谱转移概率对模型预测结果进行修正,将预测准确率分别提升至91.2%,83.21%和69.5%,可以有效提升中、低稳定性乘客出行目的地的预测准确性。采用公交都市系统记录的目的地数据对下次出行目的地预测聚合结果进行对比验证,客流预测值与真值变化梯度的绝对百分误差小于10%。因此,在划分通勤乘客出行稳定性的基础上,融合XGBoost和图谱修正的公交通勤乘客目的地预测预测方法具有较高准确性。

基于TMM-LSTM的出租车目的地预测

近年来,随着城市化进程的加快,城市中的出租车数量越来越多,并且由于出租车的特殊性,一直活跃在城市路网中,在城市交通流中占比较大。准确地预测出租车目的地,并合理地调度出租车,对城市交通管理、合理利用交通资源有重要的意义。出租车目的地预测中一直存在着长期依赖问题,即轨迹序列的预测结果与依赖前面点的距离较长,较长的距离使得在反向传播的过程中,容易产生梯度消失或梯度爆炸,使得误差较大。为了更有效地解决长期依赖问题,文章采用树形存储模块(Tree Memory Module)来增强LSTM,并将增强的LSTM应用于出租车出行目的地预测。通过实验证明,TMM-LSTM相比较LSTM,预测精度能提升约6%。

基于卷积神经网络的移动对象目的地预测

移动对象目的地预测是基于位置服务的一项基本任务.常用的基于历史轨迹的目的地预测方法会引起"数据稀疏问题",即所要查询的轨迹很难与历史轨迹完全匹配.本文提出一种新颖的方法,在实现目的地预测的同时,有效克服了数据稀疏问题.文章首先引入参数化最小描述长度策略(PMDL)对原始轨迹进行最优分段表示,削弱相似轨迹之间的差异程度,增强不相似轨迹各自的重要特征;随后,提出轨迹的像素化表示方法(PRT),将一维轨迹序列转换成二维像素图片,以获取更多空间上的细节信息;最后,从轨迹图像中截取重要特征部位输入卷积神经网络(CNN),进行特征提取和目的地预测.本文在真实轨迹数据集上进行了大量的实验,实验结果表明,与当前先进模型2.81(10^5km)的预测误差相比,本文提出的方法实现了1.98(10^5km)的预测误差,在有效解决数据稀疏问题的同时,对目的地实现了更为准确的预测.这为解决移动对象目的地预测提供了新的可能.

基于SDZ-RNN的出租车出行目的地预测方法

在预测出租车目的地时,传统的马尔科夫预测方法仅仅依赖于前面2到3个GPS点,对于那种具有很长依赖关系的轨迹并不适用。为了解决这种长期依赖关系,采用循环神经网络(RNN)进行出租车目的地预测,因为RNN的多个隐藏层能够存储这种依赖关系。但是随着数据量的增大,RNN的隐藏层对较小的扰动变得十分敏感,较小的扰动就会被指数级放大,最终导致预测准确率降低。为了提高预测准确率,同时缩短训练时间,将SDZ应用到RNN中,提出一种基于SDZ-RNN的出租车目的地预测方法(SRTDP)。SDZ不但能够提高SRTDP的鲁棒性,而且SDZ采用局部更新而不是全部更新的方式,降低了训练时间。实验表明,SRTDP在精度和速度上都优于RNN预测方法,预测准确率提高了12%,训练完成时间降低了7%。

基于CNN和LSTM的移动对象目的地预测

移动对象目的地预测是基于位置的服务的重要组成部分。该领域一直存在数据稀疏、长期依赖等难以解决的问题。为了有效解决这些问题,首先引入了一种基于最小描述长度策略(Minimum Description Length,MDL)的轨迹分段方法,以获得轨迹的最佳分段,提高轨迹之间的相似度,实现对轨迹的简化。随后将分段后的数据进行图像化处理和局部特征提取,并对轨迹目的地进行聚类,从而为轨迹数据增加标签。最后提出了一种基于卷积和长短期记忆循环单元的深度学习算法CNN-LSTM,该算法先将局部图像数据和标签作为卷积神经网络(Convolutional Neural Network,CNN)模型的输入,通过空间特征的深度提取来保留有效信息,再利用长短期记忆网络(Long-Short Term Memory,LSTM)算法进行训练和目的地预测。在移动对象的真实轨迹数据集上进行了大量实验,结果表明,所提CNN-LSTM方法具有较强的学习能力,能更好地捕捉轨迹时空相关性。与现有的最新相关算法相比,该方法具有很高的目的地预测准确度。

基于时空特征提取的城市轨道交通乘客出行目的地预测

为满足城市轨道交通运营组织进行客流管控和行车调度的实时需求,提出了基于乘客OD时空特征的出行目的地在线预测方法。通过分析定义乘客OD时空特征矩阵,以乘客个体的历史自动售检票系统(AFC)数据为训练样本,提出了基于行程密度聚类的乘客OD时空特征提取方法。分析制定乘客实时进站刷卡信息与其OD时空特征矩阵的匹配规则,基于3种匹配情况分别提出了相应的目的地实时预测方法。以南京市轨道交通AFC数据为实例进行验证,结果表明本文提出的预测方法在高峰时段预测准确率、全天预测稳定性等方面效果良好,可为地铁运营组织提供参考。

基于AFC数据的地铁乘客出行目的地实时预测

文章利用数据挖掘基本原理构建AFC数据挖掘引擎,从海量历史数据中提取特定卡号乘客的出行规律,当该乘客经过进站闸机时,引擎就可以准确预知该乘客的出站位置,这为更小粒度、更为精细的非集计短时客流预测提供了依据。成都地铁实例分析结果显示,文中提出的方法对持有固定智能卡的旅客目的地实时预测具有较高的精确度。

融合卷积、注意力和MLP的出租车目的地预测

出租车目的地预测是基于位置服务的重要内容,对城市交通合理规划具有重要意义。基于出租车历史轨迹数据进行出行目的地预测,存在数据稀疏性问题与轨迹数据的特征单一性问题,影响目的地预测的精度。针对数据稀疏问题,利用出租车原始轨迹数据(出租车速度、行驶方向角和时间)结合轨迹截断方法确定模型输入特征,克服轨迹稀疏性问题。针对多层感知机具有参数过多、训练困难和大量参数导致较快的过拟合等问题,提出利用卷积的参数共享机制解决参数冗余。进一步提出采用注意力机制使神经网络把更多的计算资源分配给更重要的任务,聚焦重要信息提升模型预测性能。基于此构建了一种融合卷积、注意力模块和多层感知机的出租车目的地预测方法(CCMLP),在克服MLP和卷积各自结构不足的同时,对目的地实现了更为准确的预测,通过不同数据与实验验证CCMLP模型的可靠性。实验结果表明,选取轨迹前m点与末n点及其对应行驶方向角、速度、车牌号和时间特征作为模型输入特征有效提高目的地预测精度;提出的CCMLP方法具有较好特征学习能力,相比于基于MLP预测模型的距离误差下降了10%,相比于基于集成学习算法的距离误差下降了19.6%;基于工作日与非工作日不同数据分布数据集划分,基于CCMLP目的地预测模型距离损失分别为2.25 km与2.23 km,验证了CCMLP对于不同数据分布的泛化能力;基于轨迹前十点,40%、60%、80%不同完整度轨迹得到的距离损失分别为2.23 km、1.80 km、0.97 km、0.68 km,验证给定不同轨迹完整度对目的地预测的影响。

共享单车用户出行目的地预测与分流技术研究

共享单车能够提升出行便利程度、缓解交通压力。在分析用户出行规律及时空范围内交通情况的基础上,采用深度学习预测模型DPNNst对共享单车出行目的地进行预测,能够整合交通资源、降低出行成本,有助于实现共享发展的目标。设计研究共享单车用户出行目的地的预测模型,综合卷积神经网络、长短期记忆网络、全连接神经网络等多种神经网络的计算优势,构建深度学习预测模型DPNNst,在配合LSTM训练的基础上,保证预测结果的精准度,从而引导用户实现高效还车,达到提升城市交通容纳空间的效果。

基于AFC数据的城市轨道交通乘客目的站实时预测

为解决轨道交通只有在乘客刷卡离开路网,且获得实际列车运行图后,才可通过清分模型系统仿真推演其全出行链的问题,在实时接入自动售检票系统(AFC)刷卡数据情况下,建立基于乘客出行OD规律、乘客职住地规律及重点去向车站规律的级联目的站预测模型,为进站乘客快速预测目的站,进而与清分模型系统结合实现进站乘客在网分布的实时动态推演。通过开展乘客目的站预测,提高客流实时仿真推演系统对各项客流指标的预测准确度,不仅方便运营管理人员进行科学高效的网络化运营调度指挥及客运管理,还可为乘客出行提供个性化引导。

顾及路口转移偏好和当前移动模式的个体驾驶目的地预测方法

个体驾驶目的地预测在个性化服务推荐、智慧交通等位置服务中具有重要的应用价值,但现有深度学习方法多以高密度采样轨迹点为单位构建出行特征,导致数据冗余、信息增益有限。路口序列可简化道路驾驶轨迹的表达形态,降低训练成本;同时,路口间的转移偏好与当前移动模式隐含路口与目的地间的时空关联关系,能够一定程度上表征个体出行意图,却鲜有研究将其用于目的地预测。为此,提出一种顾及路口转移偏好和当前移动模式的个体驾驶目的地预测方法:(1)以路口为单位构建输入特征,利用图注意力机制学习不同时间槽内路口间的转移系数,并结合长短期记忆模型捕获转移偏好长期依赖关系;(2)构建时间循环编码与驾驶状态特征,利用长短期记忆模型学习个体当前移动模式表征;(3)通过特征交叉与注意力机制实现特征融合,并利用残差网络输出预测。基于中国深圳市12名私家车司机2019年全年的轨迹数据开展实验,通过与隐马尔可夫、长短期记忆模型、远近距离依赖模型、融合地理语义与位置重要性的长短期记忆模型的精度进行对比并进行消融实验,验证了所提方法的有效性;可视化分析了转移偏好在捕获路口间空间关联关系中的作用,并探讨转移路口数量设置对预测精度的影响。

旅游目的地客源市场预测模型新探索——以中国入境旅游为例

首先,通过引入旅游目的地游客量变化的速度和加速度两个旅游学参量,将旅游地生命周期曲线看作两段抛物线的组合,构建了基于不同参量状态的旅游目的地客源市场预测模型及其测量公式,并与已有的预测模型进行了对比研究,尝试探寻建立旅游目的地客源市场预测模型的新方法。然后,以中国入境游客量为例进行了实证研究,结果发现,模型与实际拟合较好。

DP-BPR:Destination prediction based on Bayesian personalized ranking

Destination prediction has attracted widespread attention because it can help vehicle-aid systems recommend related services in advance to improve user driving experience.However,the relevant research is mainly based on driving trajectory of vehicles to predict the destinations,which is challenging to achieve the early destination prediction.To this end,we propose a model of early destination prediction,DP-BPR,to predict the destinations by users’travel time and locations.There are three challenges to accomplish the model:1)the extremely sparse historical data make it challenge to predict destinations directly from raw historical data;2)the destinations are related to not only departure points but also departure time so that both of them should be taken into consideration in prediction;3)how to learn destination preferences from historical data.To deal with these challenges,we map sparse high-dimensional data to a dense low-dimensional space through embedding learning using deep neural networks.We learn the embeddings not only for users but also for locations and time under the supervision of historical data,and then use Bayesian personalized ranking(BPR)to learn to rank destinations.Experimental results on the Zebra dataset show the effectiveness of DP-BPR.