混沌图在自相似流量模拟中的应用

混沌图方法是生成自相似网络流量的一个重要方法 ,介绍了这一方法并实际验证了它的可行性 .研究表明 ,相对于其他方法如分形高斯噪声、分形ARIMA来说 ,该方法具有实现简单、运行效率高等特点 ,可以实际应用于网络的流量仿真及网络排队性能分析研究中 ,此外 ,该方法对于网络流量自相似性形成原因的研究 ,也具有一定的启发意义     

基于排队理论的标签识别流程优化研究

为了缩短标签识别时间,提高系统的识别效率,针对多阅读器环境,提出一种基于排队理论的射频识别系统标签识别流程优化算法,并结合最优控制理论,建立分析模型.离散排队理论的研究结果表明,大量标签排队的解决方案是:将单阅读器识别模式改为多阅读器识别模式.将进入识别区域的标签随机分组,提出区分首选阅读器顺序的标签识别方法.引入阅读器之间的切换时间和标签不满意度,根据各组标签的预测数目,结合最优控制理论,获得首选不同阅读器情况下的最优识别流程.对比各识别路线的仿真结果表明,使用所建立模型获得的最优流程去识别标签,标签识别速度快,标签不满意度低,避免了由于大量标签排队堆积于某一阅读器而导致的漫长等待时间,从而验证了该算法的可靠性.     

长相关业务量平均排队延迟的神经网络估计方法

从学者研究自然结构和科学数据的自相似性和分形性质,如网络流量数据等中,引入了一种估计多源排队系统中平均排队延迟的新方法。应用神经网络建模方法对自相似业务量进行预测并测定到达率和丢包率,以适应自相似流量模式的排队系统。     

基于小波变换的网络流量预测

由于现代的数据通信网络中网络流量存在很强的自相似性,如何降低这种自相似性给网络的性能造成的不利影响成为大家关注的焦点。本文通过实际的网络流量数据,利用小波变换和平稳时间序列的AR模型,实现了对网络流量很好的预测,其结果对于在网络中优化排队算法和实施流量工程具有很好的参考价值。     

一类M/G/1排队系统的最优控制

研究一类排队系统容量有限，服务规则是先到先服务的M／G／1排队系统．服务台在一定的顾客数目下启动，在系统空闲时关闭．采用补充变量法和L变换分析，得到了稳态条件下的概率母函数．采用N策略，研究了这类排队系统的最优控制策略，得到了一种最优控制方法．控制目标是根据系统的状态,动态地确定最优服务台启动策略以保证系统平均利润最大．通过给出的目标函数确定服务台启动的最佳顾客数，从而可以获得最优经济效益．     

基于排队长度估计的网联车辆节能车速规划方法

针对网联车辆在动态车流环境中多信号灯道路的车速规划问题,文中提出了一种基于路口排队长度实时估计的车辆节能车速规划方法. 首先,构建并训练用于路口排队长度估计的径向基神经网络;然后,在最优控制问题的框架下,实现车流排队和信号灯的联合建模,构建参考车速曲线优化问题;最后,利用提出的车速规划解耦变换求解方法,高效地获得参考车速曲线. 仿真结果表明,相比于传统的未考虑路口车流排队的节能车速规划方法,文中提出的方法可以产生更平滑的实际车速曲线,同时降低40%以上的能量消耗.      

基于突变级数的网络流量异常检测

针对网络流量发生异常时产生的突变特征,提出了一种基于突变级数的网络流量的异常检测方法.该方法首先计算网络流量的特征量,选择其中能显著性反映网络流量自相似性、非线性、非平稳性及复杂的动力学结构特性的特征量;然后将其作为突变理论的控制变量,利用蝴蝶突变模型的突变级数对网络流量异常进行检测.实验结果表明该方法具有较高的检测率和较低的误检率.     

基于多分类支持向量机的网络流量预测方法

 针对支持向量机网络流量预测误差较大的问题,提出一种基于多分类支持向量机的网络流量预测方法。该方法在网络流量数据训练阶段通过数据编码,使多分类支持向量机的输出逼近编码值,在预测阶段通过数据解码,将多分类支持向量机的输出转换为实际的网络流量预测结果,从而有效地降低了预测误差。实验结果显示,该方法的预测结果与实际采集的网络流量数据具有相同的变化趋势;在同等实验条件下,该方法预测结果的均方根误差为0.487,而单一支持向量机方法、BP 神经网络方法预测结果的均方根误差分别为1.0954 和2.3642,表明基于多分类支持向量机的网络流量预测方法具有更高的准确性。     

自相似流量及其对网络性能的影响

网络流量的自相似性是近期因特网研究的重点.由于在自相似性的形成原因以及它的参数化、实际应用上还存在很大的分歧,所以先总结了近期的研究结果,然后分析了该领域内几个研究方向.由于自相似流对排队性能有显著影响,所以在网络流控上考虑自相似性特征,并指定相应的控制算法会取得较好的效果.     

一种有效的网络流量预测算法

为了对网络流量做定量研究,提出一种基于稳态队列长度的新型网络实际流量预测算法(Prediction algorithm based on Queue length of Steady state for FARIMA model,PQSF).该算法首先利用基于稳态队列长度的乘积解理论推导节点数据包的排队情况,计算出存在失效节点时流量平均对长的数学公式,并结合FARIMA模型建立预测方法,最后通过网络仿真对PQSF算法进行验证.实验结果表明,该算法具有较好的适应性.     

基于遗传算法的高速公路网入口匝道优化控制

为了实施高速公路路网交通流的优化控制,采用MATANET模型进行路网交通流建模,应用非线性最优控制方法,构造了路网入口匝道的协调控制模型. 该模型应用全局实时交通数据,以缩短行程时间和减少入口匝道排队长度为控制目标,能够提高交通运行效率和有效处理偶发性拥挤. 针对模型的非线性,应用遗传算法对性能指标进行优化,探究不同性能指标的优化对路网交通运行状况的影响. 以南京市周边高速公路路网作为应用实例,验证了所研究模型与优化方法的可行性.     

基于二流理论的路网宏观交通状态判断模型

为了建立服务于交通控制的路网宏观交通状态判断模型,首先提出了路网宏观交通状态参数的选取原则,确定了路网宏观交通状态参数;然后运用二流理论推导出路网宏观交通状态参数之间的函数关系,建立了路网宏观交通状态判断模型,在此基础上提出了最佳路网容量的计算方法;最后利用最小二乘法对模型参数进行标定.利用VISSIM仿真软件模拟路网...     

基于模型预测的快速交通网络路由诱导方法

为了达到均衡城市快速路网交通负荷,提高交通运行效率的目的,提出了模型预测路由诱导控制方法,控制任务描述为一个动态的、离散时间、空间的、带有约束控制变量的最优控制问题.采用宏观、确定型的、离散时间、空间、适合基于模型预测交通控制的宏观动态交通模型来构建网络交通过程模型,通过在未来较长的时段内求解每一个控制周期的最优问题来实现反馈控制.仿真实例研究结果表明,模型预测路由诱导控制方法能够考虑时变的交通状态,取得良好的控制效果,可为先进的交通管理系统构建提供依据.     

基于MFD的模拟超饱和路网交通控制策略优化

为了缓解城市路网频繁出现的超饱和交通堵塞,本文以堵塞区域路网各条路段上行驶的车辆数作为状态变量,建立路网交通的状态方程,分析路段上车辆数变化规律;同时,基于交通流宏观基本图,以路网中路段累积车辆数最优作为控制目标,建立关于堵塞区域路网系统的离散状态优化控制模型,并将该模型在某城市新区进行模拟算例应用。结果表明,这种基于交通流宏观基本图的优化控制策略能有效缓解城市路网中超饱和交通堵塞,使路网整体输出效率得到明显提升。     

车联网干线协调控制相位差自适应优化

为了提高车联网环境中干线的通行效率,提出一种车联网中干线协调控制相位差自适应优化方法.本文基于车辆换道延误模型建立了以上游交叉口车辆数为输入、下游交叉口信号相位差调节量为输出的模糊控制网络;为解决车流和路况变化造成的控制效果降低问题,以车辆交叉口平均等待时间最小为目标,对模糊规则进行自适应调节;通过基于Q-Paramics的车联网仿真平台对本文提出的方法进行验证.结果表明:本文提出方法控制效果明显优于传统干线协调控制方法;在车流大幅震荡和车流随机波动条件下,较固定规则的干线模糊控制方法能够分别降低车辆平均等待时间12.35%和9.7%.本文方法能够适应车流变化和路况变化,具有更优的适应性、可用性及工程价值.     

基于集成学习的交通流短时特性分析与神经网络预测方法

为揭示交通流的内在动态特性,利用分析法对交通流分形特性进行研究,表明该城市交通流序列具有长程相关性;为达到更精准的短期交通预测效果,同时提出一种基于思维进化算法(MEC)对神经网络最优初始参数的定向搜索,解决神经网络易陷入局部最优的问题;并用自适应增强算法(adaptive enhancement algorithm,Adaboost)对优化过的神经网络集成,弥补神经网络对新样本集的泛化性能差缺陷,在此基础上通过预测误差平方和倒数准则重新调整Adaboost算法对弱预测器权值分布,使每个预测器最大程度提高网络预测精度.验证结果表明,改进MEC-BP_Adaboost模型与BP模型相比,均方误差和平均绝对误差分别下降78.2％和46.4％,证明本文改进方法对交通流预测具有合理性,对不同的交通流状态具有较好的适应性.     

基于最大Lyapunov指数的网络业务流量预测

在高速网络资源分配与拥塞控制研究中,网络业务流量的预报是一个具有重要意义的课题.基于准确的业务预报,网络管理和控制方案更易于适应业务流量的动态变化,从而达到优化网络性能的目的.而高速网络中大量存在着以自相似性为特征的多种业务流量.已有研究表明,这种自相似特性与混沌现象的吸引子有着紧密的联系.笔者利用混沌时间序列的重构相空间方法,对高速网络中自相似信源的速率做出了预测,并给出了最大可预报时间.该方法的预测模式简单,仿真结果表明,预测的精度也比较高.     

高速公路动态交通流的神经网络模型

通过对高速公路宏观动态交通流模型的分析，提出了动态交通流的神经网络模型。结合交通调查数据，利用仿真和优化技术对神经网络进行训练，从而获得了比较准确的描述交通流真实行为的模型，仿真结果结果，该神经网络模型具有令人满意的效果。     

基于模糊神经网络的信号交叉口交通量预测

预测精度高,实时性强的交叉口交通量预测算法可以极大地提高城市交通控制的效率。文中提出了基于模糊神经网络的信号交叉口交通量预测方法。该方法以模糊神经网络为核心,应用在线滚动学习模型实现交叉口交通量预测,并应用了交通量微观仿真系统对模型进行检验,仿真结果表明该模型比传统方法精度高,收敛速度快。本模型在城市交通控制系统研究中有巨大的应用潜力。     

基于遗传算法径向基神经网络的交通流预测

为提高径向基（RBF）神经网络预测模型对交通流预测的准确性,提出了一种基于遗传算法优化径向基神经网络的交通流预测方法。利用遗传算法优化径向基神经网络的权值和阈值,然后训练RBF神经网络预测模型以求得最优解,并将该预测方法与RBF神经网络和BP神经网络的预测结果进行对比。仿真结果表明,该方法对交通流具有较好的非线性拟合能力,预测精度高于径向基神经网络和BP神经网络。