基于k最近邻回归的频谱占用度预测

认知无线电技术可以在授权用户和非授权用户间进行频谱分配,预测模型的建立可帮助非授权用户推断频谱空洞是否可用,不仅能提升频谱利用率而且还能降低冲突率。采用理论分析、监测实验、数学建模、数据实证等方法,对频谱占用度建模理论进行了研究。针对频谱的可预测性问题,通过对数据集的分析,使用k最近邻(k NN)回归模型预测频谱的信道-场强值。基于观测数据呈现出的周期性,提出了一种针对周期性数据进行优化的k NN模型,并用其进行预测。比较了原始k NN回归模型和优化后的周期性k NN模型在测试数据上的预测精度,结果表明优化后的模型比原始的k NN模型有着更好的预测精度。

基于K最近邻回归预测的高能效虚拟机合并

虚拟机合并和迁移仅考虑当前负载会导致过多非必要迁移,为此,提出基于资源利用预测的虚拟机合并算法UP-BFD。通过K最近邻回归方法同时对主机和虚拟机的负载进行预测,在虚拟机迁移源主机和目标主机的选择上,同步考虑当前超载和预测超载问题,较好避免无用虚拟机迁移。通过随机负载和现实负载进行仿真测试,测试结果表明,UP-BFD算法可以降低主机总体能耗,同步减少SLA违例和虚拟机迁移量。

基于K最近邻算法的高速公路短时行程时间预测

为了在高速公路已有交通信息数据基础上实现行程时间的短时预测,构建并改善了基于K最近邻非参数回归的预测方法。首先利用收费数据中车辆进出高速公路的地点与时刻信息建立了行程时间数据集,并通过数据补充算法解决了当收费站间由于缺少收费数据而无法获取历史行程时间的问题;然后,根据交通事故持续时间以及全天不同时段交通状况特征将历史行程时间数据集分为7类,并采用交叉验证的方法标定了各类历史数据集中的K值。结果表明:各时段行程时间预测值的平均绝对误差百分比都在5%以内;历史数据集分类能有效提高模型预测准确度;与发布前期行程时间和自回归模型预测结果相比,该方法具有更好的预测准确度与反应及时性。

降雨条件下高速公路短时行程时间预测研究

为实现降雨条件下高速公路路段行程时间短时预测,掌握恶劣天气下交通信息、提供交通诱导和决策支持,在已获取交通和气象数据基础上应用半距离法估计路段行程时间。并以遗传算法优化的径向基函数(RBF)神经网络和K最近邻非参数回归(KNN)算法为基础,提出1种基于动态权重的行程时间组合预测模型。该组合预测模型的融合权重依据定义的动态误差的变化而持续调整,以保证子模型中精度较高的预测结果对最终结果有较大影响,从而提高预测精度。选取京港澳高速公路湖北省境内军山-武汉南路段,分析该路段降雨条件下行程时间特性,掌握其不同时段和不同降雨强度下行程时间变化规律,并进行预测。结果表明,组合预测模型能有效预测行程时间高峰变化,反应及时且预测精度较高,达到0.98,平均绝对百分误差1.99%;而单一的RBF神经网络和KNN算法的平均绝对百分误差分别为3.40%和2.60%,且拟合程度不如组合预测模型。