Small-time scale network traffic prediction based on a local support vector machine regression model

In this paper we apply the nonlinear time series analysis method to small-time scale traffic measurement data. The prediction-based method is used to determine the embedding dimension of the traffic data. Based on the reconstructed phase space, the local support vector machine prediction method is used to predict the traffic measurement data, and the BIC-based neighbouring point selection method is used to choose the number of the nearest neighbouring points for the local support vector machine regression model. The experimental results show that the local support vector machine prediction method whose neighbouring points are optimized can effectively predict the small-time scale traffic measurement data and can reproduce the statistical features of real traffic measurements.

复杂网络理论与城市交通系统复杂性问题的相关研究

首先综述了当今关于小世界网络、无标度网络以及复杂加权网络的最新研究成果,并从城市交通系统的角度出发,指出了综合利用复杂网络理论、动力系统理论、现代控制理论及交通科学和工程等多学科的理论与方法,在探索城市交通网络的时空复杂性及其演化机理,揭示交通流的演化过程,缓解和预防交通拥堵,指导交通实践等方面,都具有重大的科学理论意义与实际应用价值,是值得深入研究与探讨的大问题.并进一步指出了一些今后关于城市交通网络复杂性问题的研究主题.

相关向量机超参数优化的小时间尺度网络流量非线性预测方法

针对小时间尺度网络流量预测中的复杂性、非线性和高度自相似性等问题,提出使用一种改进模拟退火法优化的相关向量机(PSA-RVM)来解决网络流量预测问题。对网络流量时间序列进行相空间重构形成训练样本集,通过改进模拟退火法优化相关向量机的超参数,并构建网络流量预测模型。此外,通过实例进一步分析超参数对于相关向量机预测性能的影响。实例表明,PSA-RVM预测模型的预测精度、稳定性都优于RVM模型和PSO-SVR模型。

交通运输网络复杂性及其相关问题的研究

按照网络拓扑结构特征划分,我们经常接触到的实际网络有完全规则网络( Completely Regular Networks)、完全随机网络( Completely Random Networks)、小世界网络( Small- world Networks)和无标度网络( Scale- free Networks) .系统地对无标度网络的形成、特性和代表性研究成果进行简要总结,重点探讨交通运输网络的复杂性和相关问题,研究了城市公交网络的无标度特性及度分布指数,并以北京市公交网络为例完成了实证分析.进一步从理论上给出了怎样找到公交网络中的枢纽站点这一难题的研究思路、整体框架及求解算法,这是交通运输网络复杂性及其相关问题研究的关键.还分别从理论与应用两个层面给出了下一步研究工作的总体思路,为交通管理部门进行交通运输网络规划、设计、建设和管理提供了科学的研究手段和理论支持.

国内外典型城市群交通网络特性对比分析

为了研究城市群交通网络特性,运用ICN dual approach方法构建了以美国东北部大西洋沿岸城市群、日本太平洋沿岸城市群、英国伦敦为核心的城市群、长江三角城市群、京津唐城市群、珠江三角城市群等国内外典型城市群交通网络模型,使用MATLAB和VC++分别对它们的平均度、网络密度、n-聚集系数、平均最短路径、随机网络聚集系数、随机网络平均最短路径、网络结构熵、全局系数等网络特性指标进行计算和比较分析,得到以下结论:a)六个城市群交通网络都具有小世界性而不具有无标度性,一般可以推论城市群交通网络只有小世界性、不具有无标度性;b)六个城市群交通网络都存在着极少道路介数很大,对整个网络的整体性、连通性和安全性意义重大;c)六个城市群交通网络中珠江三角城市群交通网络的整体效率最高,日本太平洋沿岸城市群交通网络结构熵最小,表明其最有序。

城市群城镇交通网络特性研究

为了研究城市群城镇交通网络特性,本文运用primal approach方法以城镇为节点,以其之间的道路为边构造长沙城镇交通网络、株洲城镇交通网络等城市群城镇交通网络模型,使用Matlab和VC++6.0分别对它们的平均度、网络密度、聚集系数、平均最短路径、随机网络聚集系数、随机网络平均最短路径、网络结构熵、全局系数等网络特性指标进行计算和比较分析,得到以下结论:(1)城市群城镇交通网络都具有小世界性,是小世界网络;(2)城市群城镇交通网络都不存在幂律特征,不存在无标度性,不是无标度网络;(3)城市群城镇交通网络都不存在指数特征,不是随机网络;(4)城市群城镇交通网络中,长株潭城市群市县交通网络整体效率最高、网络密度最大,长株潭城市群城镇交通网结构熵最小,表明其最有序。

复杂网络理论及其在城市公交网络中的应用

复杂网络是综合以往的自组织理论、非线性理论与复杂性理论研究的成果而形成的新理论,它突出强调了系统结构的拓扑特性。本文首先对复杂网络的基本理论、统计特性和结构模型作了简单介绍,然后从城市公交网络的角度出发,对复杂网络在公交网络中的应用研究作了系统的综述,并提到了一些有待解决的问题和在实际研究中出现的新问题。

复杂网络在城市公交网络中的实证分析

实证分析是复杂网络研究的一个重要的方向。采用复杂网络研究方法,以上海、北京等城市的公交线路的部分站点和路线为例,分别从公交停靠站点网络、公交换乘网络和公交线路网络角度总结了城市公交网络的复杂网络特性。对复杂网络的静态特征值如平均路径长度、聚类系数、节点度分布等方面进行了统计。结果显示北京和上海的公交网络具有小世界特性,度分布都符合指数分布。北京和上海居民外出的平均换乘次数分别为1.54次和1.9次。

太原市公交网络的复杂网络特性分析

在交通资源有限的情况下,对城市公交线网进行分析和优化是最大限度地提高现有交通资源的利用效率、缓解城市道路交通紧张状况的必然之路.基于此,运用复杂网络理论,从不同角度对太原市公交网络进行了实证研究.探索了大型城市公交网络模型的不同构造方法,从宏观角度证实了太原市公交网络为无标度网络.通过研究,对太原市公交网络枢纽环境的优化和南北主干线的优化提出了对策.

小时间尺度网络流量异常入侵检测算法研究

为了确保网络的安全性,提升异常入侵检测效果,提出小时间尺度网络流量异常入侵检测算法。通过改进的整体经验模态——去趋势波动分析法估计自相似指数,在大时间尺度上,利用自相似指数判断网络流量是否出现异常入侵;若存在异常入侵,则在小时间尺度上依据李氏指数和信号奇异性的相应关系,结合小波变换计算异常网络流量的李氏指数,根据李氏指数的变化情况检测网络流量异常入侵点,确定异常入侵发生时间。实验结果表明:该算法可精准判断小时间段网络流量是否存在异常入侵情况,同时可精准检测异常入侵发生时间;在不同网络流量异常入侵高度时,该算法具备较高的检测精度。

济南市公共交通网络的拓扑特性研究

采用复杂网络的研究方法,运用图论及相应的网络分析工具对济南市公交站点网络和公交换乘网络进行了实证研究。对网络静态几何量进行了统计,并以此为依据分析了公交网络的拓扑结构特性,揭示了公交网络的复杂性及其演化机理。研究结果表明,两种公交网络的拓扑结构模型都具有无标度网络特性。其中公交换乘网络还具有小世界特性。此项研究结果对于优化公交线路,解决交通问题等提出了一些建议。

基于KPCA优化IHS-RVM的小时间尺度网络流量预测模型

网络流量时间序列具有高维度、非线性和时变性等特征,针对传统时间序列模型预测精度较低的问题,提出基于KPCA(Kernel Principal Component Analysis)优化IHS-RVM的小时间尺度网络流量预测模型。首先对网络流量时间序列进行相空间重构,确定嵌入维数和延迟时间。然后利用KPCA对网络流量样本进行核主成分特征提取,降低嵌入维数,并获取核主元矩阵。在此基础上,通过改进HS(Harmony Search)算法(IHS)确定RVM核参数。最后利用参数优化的RVM模型进行小时间尺度网络流量预测。为了交叉验证模型的性能,采用实际数据进行性能对比分析。结果表明,本模型性能优于KPCA-IHS-ESN、KPCA-IHS-SVM和IHS-RVM模型,取得了良好的效果。

基于循环神经网络的95598小尺度网络流量预测

为了准确预测短时间内的网络流量波动,提高95598客服热线网络流量监测性能,文章基于循环神经网络的GRU模型与后向传播神经网络,输入多种流量相关的影响因素,综合构建小尺度网络流量预测的深层网络模型。实验结果表明,与传统浅层神经网络预测模型和深层网络LSTM预测模型相比,文章所提的方法不但在短期流量预测取得更高的准确率,也在较长时序的流量预测上获得更好结果。

轻量级YOLOv3的交通标志检测算法

交通标志检测在自动驾驶领域一直是个比较热门的课题。在深度学习算法中,YOLOv3和Faster R-CNN已经获得了极好的目标检测性能,但在检测小目标时,存在漏检的情况。针对交通标志检测中小目标准确快速识别的需求,本文提出一种轻量级YOLOv3的交通标志检测算法。通过卷积神经网络同时使用浅层和深层的特征提取,得到多尺度特征图,深层特征可以有效地保持检测精度不下降,浅层特征可以有效地提高小目标检测任务的精度。通过剪枝算法对模型进行压缩,将训练好的模型进行稀疏训练,把一些不重要的卷积核通道删除掉,对剪枝后的模型微调,保持模型文件中参数的平衡,同时保持检测精度。实验结果表明,通过提取多尺度特征图的方法模型准确率提高了2.3%,通过剪枝算法对模型压缩,使模型的权重大小减小了70%,模型的检测时间节省了90%。由此建立了鲁棒性更强的轻量级交通标志检测模型,可以部署在移动端嵌入式设备上,不再占用庞大的GPU计算资源即可提高检测效率。

基于局域相关向量机回归模型的小尺度网络流量的非线性预测

基于非线性时间序列局域预测法与相关向量机回归模型,本文提出了局域相关向量机预测方法,并应用于预测实际的小尺度网路流量序列.应用基于信息准则的局域预测法邻近点的选取方法来选取局域相关向量机回归模型的邻近点个数.对比分析了局域相关向量机预测法、前馈神经网络模型与局域线性预测法对网络流量序列的预测性能,其中前馈神经网络模型的参数采用粒子群优化算法来优化.实验结果表明:邻近点优化后的局域相关向量机回归模型能够有效地预测小尺度网络流量序列,归一化均方误差很小;局域相关向量机回归模型生成的时间序列具有与原网络流量时间序列相一致的概率分布;局域相关向量机回归模型的预测精度好于前馈神经网络模型的与局域线性预测法的.

中国铁路客运网网络性质的研究

中国铁路客运系统可以采用两种不同的网络构建方式来描述.一种是以铁路的站点作为“节点”,并以轨道作为“边”,这样生成的网络称为铁路地理网.统计显示该网络的平均群聚系数〈C〉近似为零,故该网络为树状网络.另一种是以站点作为“节点”,任意两个站点间只要有同一列车在这两个站点停靠,就可以认为这两个站点间有连线,这样生成的网络称为车流网.统计显示该网络有较大的平均群聚系数和较小的平均网络距离〈d〉,而且该网络节点的度分布基本上服从无标度幂律分布,故车流网为具有无标度性质的小世界网络.

基于复杂网络的交通路径优化研究

针对具有典型小世界,无标度性质的交通复杂网络模型,研究了车辆行驶路径的优化选择问题。在分析交通网络的复杂性基础上根据典型交通特点进行了路权的计算,并讨论了多个常用的路径优化算法,最后在Bellman-ford算法基础上提出改进的类似方法,并在简易模型下进行了算法的仿真验证。以期对交通网络的高效利用及类似网络的路径问题提供指导。