GSM-R无线网络中容量规划的研究

由于GSM-R系统的应用逐渐深入,对该系统的研究也成为了一个热点,介绍了GSM-R系统结构,分析了GSM-R系统的用户预测,然后通过分析GSM-R系统业务的特点得到了GSM-R系统的话务模型,最后根据话务模型提出了一种计算基站话务量和设计基站配置的方法,并举例验证了方法的可行性。     

GSM-R无线网络中容量规划的研究

由于GSM-R系统的应用逐渐深入，对该系统的研究也成为了一个热点，介绍了GSM-R系统结构，分析了 GSM-R系统的用户预测，然后通过分析GSM-R系统业务的特点得到了GSM-R系统的话务模型，最后根据话务模 型提出了一种计算基站话务量和设计基站配置的方法，并举例验证了方法的可行性。     

基于AR模型的话务自学习研究与应用

本文通过对AR模型的研究,提出了一种基于AR模型的话务自学习模型。通过对话务数据进行平稳化差分处理,得到话务数据的模型,并对未来的话务数据进行预测。仿真结果表明,建立的话务自学习的AR模型和实际的话务数据有很高的一致性,且仿真速度快,适合在实际的工作中应用。     

数据挖掘技术在话务网数据分析中的研究与应用

利用数据挖掘技术设计了移动通信话务网管数据挖掘系统，将概念、分类、关联、时间序列分析等算法应用于话务网管散据分析中，重点介绍分类分析算法在话务网管数据分析系统中的应用．     

一种基于马尔可夫过程的电路交换话务模型

假设交换网络的流入话务为Ｐｏｉｓｏｎ流分布,呼叫的保持时间为指数分布,本文提出一种新的电路交换话务模型．利用聚合分散的解析方法求解该模型,推导出在一般路由计划下流入话务量与呼损率之间的关系式,并对无迂回路由的网络流量进行了分析．     

用周期模型和近邻算法预测话务量时间序列

客服中心话务量虽然具有周期性,但在不同时间遵循不同变化规律,这是话务量预测的难点。针对这个问题,以某电信公司一年的实际话务数据为基础,分别采用周期模型和基于实例的近邻算法进行话务量时间序列预测,并对比分析了两种预测方法的效果。实验数据表明,对工作日话务量的预测,周期模型的预测效果优于近邻算法;对非工作日话务量的预测,近邻算法的预测效果优于周期模型。为取得更好的预测效果,实现了周期模型和近邻算法相结合的预测方法。结果表明,在最好的情况下,该方法的预测精度比周期模型提高约19.7%,比近邻算法提高约48.8%。     

基于K-最近邻算法的话务智能预测技术

提出基于K-最近邻算法的话务智能预测技术,利用机器学习算法从电信话务信息的历史数据中提取规律,从而预测未来的电信话务信息情况。在算法中根据时间间隔对样例的距离度量进行了特征加权。针对互联互通来话数据的实验表明,该算法具有良好的性能。     

MD110程控交换机的话务限制

针对在日常使用和维护MD110程控交换机时,经常需要进行话务限制的情况,主要介绍了MD110程控交换机进行话务限制时所需的3个参数(TCD类别、话务连接矩阵、用户组CUST),给出了话务限制数据的设置原则和编写步骤,对实际工作中存在的问题加以举例说明,并给出了相应的解决方法,力求做到全局话务持续限制合理有效,使系统运行可靠稳定。     

MD110程控交换机的话务限制

针对在日常使用和维护MD110程控交换机时，经常需要进行话务限制的情况，主要介绍了MD110程控交换机进行话务限制时所需的3个参数(TCD类别、话务连接矩阵、用户组CUST)，给出了话务限制数据的设置原则和编写步骤，对实际工作中存在的问题加以举例说明，并给出了相应的解决方法，力求做到全局话务持续限制合理有效，使系统运行可靠稳定。     

基于BlueZ协议栈的蓝牙语音接入系统实现与性能分析

根据蓝牙"三合一电话"应用模型要求,通过内核配置、基础库和工具集的移植以及内核烧写等步骤,将蓝牙BlueZ协议栈移植到嵌入式ARM平台,编程实现了TCS Binary协议,研制完成了一种基于嵌入式蓝牙协议栈BlueZ的语音无线接入系统,包括嵌入式蓝牙语音网关和蓝牙语音终端.采用研制的蓝牙语音接入系统可以较好地将蜂窝网的话务量分流至PSTN中,利用话务模型对用户密集和蜂窝资源紧张的通信环境进行了仿真研究,结果表明蜂窝网呼损率显著下降,提高了PSTN的利用率,增加了由蜂窝网和PSTN组成的语音通信网的系统容量.     

城市交通流路段行程时间预测模型

建立较为精确的城市交通流路段行程时间预测模型是建立诱导系统的关键 .本文所建的预测模型充分考虑了交通延误变化的灵敏性 ,将汽车在路段上的运行时间分为两部分 ,分别预测 .经过实测数据检验 ,该模型具有很好的效果 .     

基于IOWA算子的短时交通流预测方法研究

本文首次将诱导有序加权平均（IOWA）算子应用到短时交通流预测中,建立了以整体预测误差平方和最小为目标的组合预测模型。在分析短时交通流预测模型的基础上,本文选取了指数平滑法、季节自回归求和移动平均模型（SARIMA）、BP神经网络模型对短时交通流进行预测,再用IOWA算子将这三种模型进行组合预测。最后进行实例验证,通过MAE、MSE和MAPE三项指标比较分析四种模型的预测效果。结果证明,IOWA算子组合预测模型明显优于其他的预测模型,有效地提高了短时交通流的预测精度。     

基于混沌神经网络的交通事故损失预测

文章应用混沌方法对交通事故损失时间序列进行处理，计算出最大Lyapunov指数，得到最大可预报时间尺度，在此基础上，建立人工神经网络预测混沌时间序列的模型。最后运用该方法对我国交通事故损失进行了预测分析。     

基于时空权重相关性的交通流大数据预测方法

将分布式增量大数据聚合方法与交通流数据清洗规则相结合,可以为交通流预测分析提供更准确可靠的数据源。通过交通流在路网中的相关性分析,使用多阶路口转弯率构建空间权重矩阵,完成对STARIMA交通流预测模型的改进。实验结果表明,该方法可以在工作效率及准确程度上满足交通流大数据预测的需求,为交通诱导信息发布提供依据。     

空中交通流量预测的人工神经网络和回归组合方法

为了寻找合适的空中交通流量预测方法,在综合回归预测方法和人工神经网络预测方法优点的基础上,提出采用组合预测方法的思想,并基于多元线性回归模型确定组合方法的权重系数。以北京管制区大王庄导航台流量预测为实例,分析结果表明:组合预测方法对实际流量有好的拟合度,能提高人工神经网络的泛化能力,并减小预测的误差,即总体上不仅优于传统的回归预测方法,也优于单独的人工神经网络预测方法。组合方法为空中交通流量的预测提供了一种可靠而有效的新途径。     

基于蚁群优化支持向量机模型的公路客运量预测

针对公路客运量预测难以建立精确预测模型的问题,文章引入基于蚁群优化的支持向量机算法对公路客运量进行预测。由于支持向量机的预测精度很大程度上取决于参数的选取,因此利用蚁群算法来优化其训练参数的选择,以得到优化的支持向量机预测模型,利用其对小样本及非线性数据优越的预测性能进行公路客运量的预测。以北京市的数据作为应用算例,并与BP神经网络及传统SVM的预测结果进行对比分析。实验结果表明,基于蚁群的支持向量机模型的预测精度更高,误差更小,可以更有效地对公路客运量进行预测;也说明利用蚁群算法进行支持向量机参数优选的方法是可行有效的。     

基于最优组合马尔柯夫链的业务量预测模型

提出了一种基于最优组合马尔柯夫链的业务量预测模型,通过分析影响业务量变化的各种因素,建立了最优组合模型来预测业务量,其最优加权系数依据最小二乘法原理确定,该模型的主要特点是综合考虑了移动台数量与业务量的动态分布,避免了单一预测模型仅利用部分信息而带来的不足,仿真结果证实了该模型较单一预测方法降低了预测误差,提高了预测精度,为研究系统性能、提高服务质量提供了有效措施。     

基于灰色理论与BP神经网络的交通运输量组合预测研究

交通运输量预测是公路规划与管理中的重要问题.结合灰色理论模型与神经网络的优点,基于不同的组合预测思想分别建立了加权算术平均组合、加权平方和平均组合及加权比例平均组合预测模型.利用不同的评价模型对多组数据进行了评价分析研究.结果表明,通过选择合适的组合预测模型及参数估计方法并确定最佳的模型参数,能够有效地提高预测精度.     

基于马尔柯夫过程的城市交叉口车辆到达模型

提出在城市交叉口多相位实时控制过程中,采用马尔柯夫方法对各相位内进入交叉口车辆数的可能性进行预估。基于交叉口车辆运行的强随机特征,交叉口车辆到达预测的准确性是控制策略准确制定的关键。根据马尔柯夫过程预测结果,系统可进行交通信号的延时和相位变化,从而使整个交叉口的平均时延得到优化。通过实例验证了马尔柯夫分析模型用于多相位交叉口短时交通流占有率预测的可用性,并将预测得到的交通流占有率与观测值进行了对比,同时对两者之间的误差进行了分析。结果表明,预测结果有助于制定实时的交通控制策略。     

基于“四阶段法”的改扩建高速公路近期交通量预测

摘 要： 鉴于高速公路改扩建已成为时下我国高速公路发展建设中的常见现象及今后的一大发展方向,本文讨论了交通量预测的基本思路,以现状道路交通OD为基础,根据交通出行的趋势和特点,采用四阶段法（社会经济预测、交通生成预测、交通分布预测和交通分配）对改扩建高速公路交通量进行预测,为今后高速公路扩宽改造交通量预测工作如何开展提供思路。