Time Series Modeling of River Flow Using Wavelet Neural Networks

A new hybrid model which combines wavelets and Artificial Neural Network (ANN) called wavelet neural network (WNN) model was proposed in the current study and applied for time series modeling of river flow. The time series of daily river flow of the Malaprabha River basin (Karnataka state, India) were analyzed by the WNN model. The observed time series are decomposed into sub-series using discrete wavelet transform and then appropriate sub-series is used as inputs to the neural network for forecasting hydrological variables. The hybrid model (WNN) was compared with the standard ANN and AR models. The WNN model was able to provide a good fit with the observed data, especially the peak values during the testing period. The benchmark results from WNN model applications showed that the hybrid model produced better results in estimating the hydrograph properties than the latter models (ANN and AR).

Is Minimizing Flow Completion Time the Optimal Way in Meeting Flow's Deadline in Datacenter Networks

In modern datacenters, the most common method to solve the network latency problem is to minimize flow completion time during the transmission process. Following the soft real-time nature, the optimization of transport latency is relaxed to meet a flow's deadline in deadline-sensitive services. However, none of existing deadline-sensitive protocols consider deadline as a constraint condition of transmission.They can only simplify the objective of meeting a flow's deadline as a deadline-aware mechanism by assigning a higher priority for tight-deadline constrained flows to finish the transmission as soon as possible, which results in an unsatisfactory effect in the condition of high fan-in degree. It drives us to take a step back and rethink whether minimizing flow completion time is the optimal way in meeting flow's deadline. In this paper, we focus on the design of a soft real-time transport protocol with deadline constraint in datacenters and present a flow-based deadline scheduling scheme for datacenter networks(FBDS).FBDS makes the unilateral deadline-aware flow transmission with priority transform into a compound centralized single-machine deadlinebased flow scheduling decision. In addition, FBDS blocks the flow sets and postpones some flows with extra time until their deadlines to make room for the new arriving flows in order to improve the deadline meeting rate. Our simulation resultson flow completion time and deadline meeting rate reveal the potential of FBDS in terms of a considerable deadline-sensitive transport protocol for deadline-sensitive interactive services.

Markov transition probability-based network from time series for characterizing experimental two-phase flow

We generate a directed weighted complex network by a method based on Markov transition probability to represent an experimental two-phase flow. We first systematically carry out gas-liquid two-phase flow experiments for measuring the time series of flow signals. Then we construct directed weighted complex networks from various time series in terms of a network generation method based on Markov transition probability. We find that the generated network inherits the main features of the time series in the network structure. In particular, the networks from time series with different dynamics exhibit distinct topological properties. Finally, we construct two-phase flow directed weighted networks from experimental signals and associate the dynamic behavior of gas-liquid two-phase flow with the topological statistics of the generated networks. The results suggest that the topological statistics of two-phase flow networks allow quantitative characterization of the dynamic flow behavior in the transitions among different gas-liquid flow patterns.

Binary ABR flow control over ATM networks with uncertainty using discrete-time variable structure controller

A binary available bit rate （ABR） scheme based on discrete-time variable structure control （DVSC） theory is proposed to solve the problem of asynchronous transfer mode （ATM） networks congestion in this paper. A discrete-time system model with uncertainty is introduced to depict the time-varying ATM networks. Based on the system model, an asymptotically stable sliding surface is designed by linear matrix inequality （LMI）. In addition, a novel discrete-time reaching law that can obviously reduce chatter is also put forward. The proposed discrete-time variable structure controller can effectively constrain the oscillation of allowed cell rate （ACR） and the queue length in a router. Moreover, the controller is self-adaptive against the uncertainty in the system. Simulations are done in different scenarios. The results demonstrate that the controller has better stability and robustness than the traditional binary flow controller, so it is good for adequately exerting the simplicity of binary flow control mechanisms.

Global Uniform Asymptotic Stability of Competitive Neural Networks with Different-Time Scales and Delay

The global uniform asymptotic stability of competitive neural networks with different time scales and delay is investigated. By the method of variation of parameters and the method of inequality analysis, the condition for global uniformly asymptotically stable are given. A strict Lyapunov function for the flow of a competitive neural system with different time scales and delay is presented. Based on the function, the global uniform asymptotic stability of the equilibrium point can be proved.

Novel Real-Time System for Traffic Flow Classification and Prediction

Traffic flow prediction has been applied into many wireless communication applications(e.g., smart city, Internet of Things). With the development of wireless communication technologies and artificial intelligence, how to design a system for real-time traffic flow prediction and receive high accuracy of prediction are urgent problems for both researchers and equipment suppliers. This paper presents a novel real-time system for traffic flow prediction. Different from the single algorithm for traffic flow prediction, our novel system firstly utilizes dynamic time wrapping to judge whether traffic flow data has regularity,realizing traffic flow data classification. After traffic flow data classification, we respectively make use of XGBoost and wavelet transform-echo state network to predict traffic flow data according to their regularity. Moreover, in order to realize real-time classification and prediction, we apply Spark/Hadoop computing platform to process large amounts of traffic data. Numerical results show that the proposed novel system has better performance and higher accuracy than other schemes.

一维管网与二维地表双向耦合的城市暴雨内涝模拟

为快速、准确模拟城市暴雨内涝演化过程,提出一种排水管网与上覆地表动态水力交互方法,构建了一维管网模型(SWMM)与二维水动力(LISFLOOD-FP)双向耦合的模型,解决了一维管网和二维地表的双向流量交换和时间同步难题。以上海外高桥地区为例,采用两次短历时降雨过程对耦合模型进行校准和验证,比较分析了单向、双向耦合的淹没范围与水深变化。结果表明:双向耦合模拟精度较高,在研究区具有良好的适用性;对于占比80%以上的轻度(<0.2m)积水区,单向、双向耦合的模拟积水面积比为1.21;对于中等(0.2~0.3 m)和重度(>0.3 m)积水区,单向耦合模拟结果趋于严重,该比值分别增至1.88和2.1。所构建的双向耦合模型能够揭示城区内涝积水、扩散及消退的全过程,可用于城市暴雨内涝推演,为内涝治理和灾害防御提供科学依据。

基于复杂网络的空中交通流量短期预测

为合理预测空中交通流量,结合复杂网络链路预测进行研究。首先,将时间序列转化为可视图得到拓扑特征量,然后结合基于局部信息、路径和随机游走的算法,比较在三亚不同扇区内的预测精度,发现RWR0.85算法预测精度最高。由于链路预测只能预测可能存在的连边,不能预测节点,因此引入D⁃S证据理论预测流量值,预测精度最高可达99.85%。结果表明,复杂网络链路预测结合D⁃S证据理论进行空中交通流量的预测是可行有效的,为进一步深入研究奠定了基础。

时间敏感网络业务流动态调度场景中的批量重配置算法

工业自动化领域广泛使用时间敏感网络技术.该领域业务流的调度方式主要包含静态调度和动态调度.静态调度一次计算所有业务流,可以最大程度节省链路和时间资源,但是计算时间长,无法灵活处理新增业务流.动态调度以增量的形式计算新增业务流,计算时间短,但是资源分配不够合理,会产生时隙碎片.全局流重配置机制可以定期对网络中所有业务流进行重新规划,来优化链路和时间资源的分配,但该机制只适用于拥有较少业务流的小型网络,业务流数量的增多会引起计算时间的急剧增长,影响后续到来的业务流.本文在现有动态调度算法的基础上,设计了批量重配置算法.该算法给出了新的评价指标——网络吞吐率,并在满足动态调度秒级响应时间的情况下,定期重配置网络中的部分业务流,优化网络资源配置.此外,算法给出了重配置业务流的选取标准,并优化了流的路径选择标准和传输开始时间计算方式.本文针对原算法和增加了批量重配置机制的改进算法进行了仿真实验,实验结果表明,改进算法可以在拥有数千条业务流的大型网络运行,并在网络吞吐率和调度成功的流数量方面有16.5%和5.5%的提升,同时保证了算法的秒级计算时间.

基于深度强化学习的TSN流排序和调度

针对现有研究寻找数据流最佳排序这一过程本身花费时间过多,没有工程可行的寻找最佳排序的有效方法的问题,提出基于深度强化学习的流排序和调度框架PSNDRL.该框架包括3个关键模块,即创建时间触发(Time-Triggered,TT)流之间关系图的预处理模块、挖掘和量化TT流之间复杂的相关关系并选择概率值最高的TT流的代理模块、进行TT流调度和奖励计算的环境模块,利用图卷积网络和强化学习从大量的TT流中智能探索流特征以及流之间的复杂相关关系对基于可满足性模理论(Satisfiability Modulo Theories,SMT)流调度算法求解时间的潜在影响.通过训练该框架,学习得到一个高效率的TT流策略排序网络,用于在利用SMT流调度算法调度TT流时进行TT流选择.通过与随机排序和基线排序方法进行对比,验证PSNDRL的有效性.结果表明:与随机排序方法的总调度时间、基线排序方法的最大总调度时间相比,PSNDRL的总调度时间分别减少了24.63%和25.95%.所提框架为提高时间敏感网络(Time Sensitive Networking,TSN)流调度效率的研究提供了新的方向.

小时间尺度网络数据传输故障识别数学建模

在网络传输过程中,数据容量较大,受外界因素影响极易导致传输中断,从而出现信息缺失与传输误码。为解决中断故障造成的数据传输误差和缺失问题,提高网络利用率,保证网络的正常通信。因此,提出一种小时间尺度网络数据传输故障识别数学建模。建立传输的容错控制条件,分析小时间尺度网络的混沌状态和流量序列,描述网络中多层前向特征,调整各个尺度下权重和阈值。设定容错策略,对小时间尺度网络多项训练,得到网络的中断故障诊断。针对性预测缺失数据,通过函数计算预测误差及序列权重等参数,获得故障隶属度层和规则集合层间调节权值,完成中断故障容错识别。实验证明,所提方法提高了网络传输召回率,增加网络资源利用率,减少网络在中断故障下的传输误码率。

基于改进LSTM的城市轨道短时流量预测研究

针对LSTM应用于城市轨道短时流量预测存在的模型参数确定困难、对预测精度影响大的问题,采用改进的BA算法对模型参数进行优化。对传统BA算法,采用自适应策略来动态调整脉冲频率和蝙蝠速率,同时蝙蝠位置更新模型中引入随机扰动项,提高了BA的优化性能。采用BA对LSTM参数进行优化,提出了基于改进LSTM的城市轨道短时流量预测模型。将提出的模型应用于郑州地铁1号线,通过和BP神经网络预测模型、LSTM预测模型的对比,验证了所提出的改进LSTM预测模型具有更高的预测精度。

分布式网络中连续时间周期的全局top-K频繁流测量

在分布式网络中,测量top-K频繁流对资源分配、安全监控等应用至关重要。现有的top-K频繁流测量工作存在不适用于测量分布式网络流量或只考虑单时间周期等局限。为此,提出了分布式网络中连续时间周期的全局top-K频繁流测量方案,在分布节点中布置了紧凑的概率数据结构来记录网络流信息,每个时间周期结束后分布节点向中心节点发送必要信息,中心节点汇聚得到从测量开始至当前时间周期的全局top-K频繁流。考虑到每条流可能出现在一个或多个测量节点,使用了不同的方法来减少传输开销。对于每条流只会出现在单一节点的情况,采用传输分段最小值的方法来获得阈值,实验结果表明这种方法减少了全量传输超过50%的传输开销。对于每条流会出现在多个节点的情况,提出了多阶段无误差处理方法和单阶段快速处理方法,分别应对不能容忍误差的场景和实际高速网络流量,相比每个时间周期都使用已有单周期方法,传输开销的实验表现降低了两个数量级。最后还提出了一种利用历史平均增值信息降低通信延迟的方法,实验结果表明该方法有效降低了限制信息的平均相对误差。

时空图神经网络在交通流预测研究中的构建与应用综述

交通流量预测是城市交通管理和规划中的关键问题,而传统预测方法在面对数据稀疏性、非线性关系和复杂动态性等挑战时表现不佳。图神经网络是一种基于非欧结构数据的深度学习方法,近年来在各种复杂网络建模和预测任务中得到广泛应用。为了应用于交通流量预测领域,提出了时空图神经网络,其能够捕捉空间和时间相关性,相较之前的预测模型有显著进步。对近年来使用时空图神经网络进行交通流量预测的模型进行分析,概述和比较了多种邻接阵的构造方式,然后从空间相关性和时间相关性的角度列举了构建交通流预测模型的常用组件,并对不同的时空融合方式进行了分类和对比;在应用方面,根据时间尺度的不同将时空图神经网络模型分为长期预测、短期预测与兼顾长短期的预测三类,分析了各自的目标与要求,并列举比较了近年来较为突出的新模型。最后,讨论了现有研究的局限性,对相关模型的未来研究做出展望。

基于全纯嵌入的多时间断面潮流快速计算方法

为分析新型电力系统的长时间尺度特性,需开展多时间断面下的潮流计算。提出基于全纯嵌入的多时间断面潮流快速计算方法,在较小的误差下实现配电网多时间断面电压幅值和相角的快速计算。对全纯嵌入法中的电压幂级数系数开展数值分析,推导出电压幂级数系数的线性计算方法。在此基础上,提出2种多时间断面潮流快速计算方式。配电网测试系统的测试结果验证了所提方法的有效性。

网络直播对冲动性购买行为的影响研究

为探究后疫情时期网络直播对消费者冲动性购买行为的影响因素,本研究基于S-O-R模型,从在线评论、时间压力和网络主播特征三方面因素展开分析。通过信效度检验、Person相关性分析及层次回归分析验证了在线评论、时间压力和网络主播特征正向影响消费者的冲动性购买行为,心流体验发挥了中介效应。

双特征层次嵌入的多维时序异常检测方法

开展多维时序特征下的工业实体设备实时运行状态在线异常检测,对维护复杂工业系统稳定运行、推动国家经济发展提质增效具有重要意义。针对现有异常检测方法对时序数据高度非线性的时间依赖关系及其模式多样的维度耦合关系分析不足的问题,综合考虑监控数据分布未知导致训练数据中可能掺杂噪声或异常数据的情况,提出双特征层次嵌入的多维时序异常检测方法。通过循环神经网络对时序特征数据进行处理,引入流模型仿射机制拓展数据分布并得到时间嵌入变量,捕捉长时间序列的全局及局部特征;与此同时,利用变分自编码器将多维输入映射到潜空间,共享时间嵌入的流模型参数,基于门控循环单元对维度间的耦合关系进一步关联分析,充分挖掘多维时序数据的时间依赖性和维度相关性,提高异常检测准确率。在5个权威公开的多维时序数据集上开展实验,与12种典型时序异常检测方法进行对比,所提算法在多种评价指标上的平均排名均位列第一,验证了所提方法的先进性和有效性。

时间敏感网络中确定性服务保障技术研究综述

信息技术的发展日新月异,物联网和工业互联网中的远程外科手术、高精度机器人控制等新型业务对端到端的时延提出了新的要求,传统以太网技术由于其传输的不确定性,已难以满足各类应用的需求,因此确定性网络应运而生。时间敏感网络是确定性服务保障技术。它兼容传统以太网,通过高精度时间同步确保网络之间的时钟一致性,通过低时延流量整形和数据调度策略,有效控制数据传输的时延和抖动,并结合主动故障预防和网络配置机制,实现了时间敏感业务的确定性传输。重点对时间敏感网络中的确定性服务保障技术展开了研究。介绍时间敏感网络的产生背景、发展目标和优势,以及现有标准的分类等方面的内容。从时间同步、资源管理、流量控制和可靠性4个方面对现阶段时间敏感网络的相关标准进行介绍,总结目前的国内外研究现状,并分析比较不同标准的优劣势和适用场景。阐述时间敏感网络在汽车、工业、航空航天等领域的应用价值,分析各领域的研究趋势。总结时间敏感网络发展面临的挑战,并讨论其未来的研究方向。

基于时空图卷积网络的高速路交通流多步预测

针对图卷积网络容易限制模型在交通流预测上有效的学习时空依赖问题,文中提出了一种时空图卷积循环网络(ST-GCRN)模型,首先通过时间卷积层以消除冗余的时间信息,其次,将图卷积网络与改进的门控循环网络相结合以获取时空依赖,最后通过加入残差的编解码结构解决模型训练梯度消失等问题,从而提高预测准确率,实现多步预测。在加利福尼亚州高速公路数据集上进行了实验,结果表明,该模型的平均绝对误差与均方根误差对比基准模型分别减少了11%、7.5%。

基于节点重要度的城市轨道交通线网换乘协调优化

随着城市轨道交通规模扩大,车站数量增加,线间关联愈加密切。在网络化运营条件下,网络结构的复杂性、客流需求分布的不均衡性及列车运行组织方式的多样性,均对城市轨道交通运输计划提出更高的要求,在此提出基于节点重要度的城市轨道交通线网换乘优化方法。基于乘客出行选择行为对路径广义出行费用进行计算,建立基于时空出行网络的客流分配模型;依据影响城市轨道交通节点重要度的因素,提出网络内各区间及线路重要度的计算方法,基于线网内各节点、区间及线路的差异,构建基于节点重要度的城市轨道交通换乘协调优化模型;以成都地铁局部网络为例,验证模型的有效性。结果表明:所提出的协调优化模型将网络内站点、区间及线路3个层面的匹配度总共提升了34.58%,有效地提高了线网运输计划的运营效率。