一种基于强化学习的CDN流量调度系统设计方法

针对传统的CDN流量调度系统大多采用启发式方法或规划方法，存在维护成本高，实时性不足等缺点，提出一种基于深度强化学习的CDN流量调度系统设计框架。该框架基于马尔科夫链设计了故障告警网络来触发调度，建立了基于stacking模型的质量评估奖励函数，并在此基础上对流量调度进行定义和建模，构建了基于DQN的深度强化学习模型。最后，通过仿真实验验证了该调度框架的有效性。     

城市中心路内停车与停车换乘的动态优化模型

城市中心区停车问题与交通拥堵问题密切相关,也与停车换乘(P+R)问题相关,交通流、路边停车和P+R需要统一模型研究。为此,建立考虑交通流的城市中心路内停车与P+R的动态优化模型。短期最优流率模型考虑到路内停车位会减少正常行驶车辆的道路空间,而且巡航停车会和其它车辆产生拥堵,为此,需要加快路内停车周转率,将路内停车资源与交通流协同管理。短期停车容量模型利用Stackelberg博弈：在政府追求社会总成本最小和私人运营商追求利润最大的基础上,出行者追求用户出行成本最小。研究表明,在需求固定的情况下,随着车辆停放时间的增加,路内停车费与P+R停车费都在不断下降,路内停车容量在不断减少,而P+R停车容量不断增加,说明如果选择短时停车或者临时停车,可以选择路内停车；而如果选择长时间停车,可以选择P+R停车。在需求远大于供给时,路内停车将演化为车道控制。     

基于系统动力学的高铁客运需求预测

为了确定中国高铁客运需求的发展规模和规律,通过分析与高铁客运需求相关的经济、人口、设施供给及民航竞争的影响因素,建立了高铁客运需求的系统动力学模型.经过对既有历史数据的验证分析,证明系统动力学模型的有效性,且预测精度优于传统方法.根据经济人口及出行要素设定了三种增长情景,预测发现,中国未来不同情境发展下的高铁客运需求将持续上升,高铁客运周转量2024年突破1万亿人公里,高铁出行量2026年突破30亿人次.基于以上结论,提出了中国高铁建设、票价及服务方面的建议.     

基于混合流量预测的虚拟网络拓扑重构方法

目前在构建虚拟网络时, 为满足用户动态变化的带宽需求, 虚拟网络控制平台通常把虚拟链路带宽设置为流量最大值, 一定程度上造成了资源浪费。针对这一问题, 提出一种基于混合流量预测的虚拟网络拓扑重构方法, 利用基于参数优化选择的混合流量预测算法对下一周期的网络流量进行预测, 根据流量预测结果进行拓扑重构, 在避免出现乒乓效应的同时节省更多带宽资源。为了提高流量预测算法的精度与效率, 首先采用小波分解方法将流量数据分解为高频的细节时间序列和低频的近似时间序列, 然后利用基于粒子群优化的相空间重构方法, 对该时间序列进行特征提取构建训练样本。之后分别采用混沌模型对细节时间序列进行训练预测, 采用极限学习机(extreme learning machine, ELM)神经网络对近似时间序列进行训练预测。仿真结果表明, 所提的流量预测算法在保证预测精度的同时, 运行时间更短, 预测效率更高, 进而保证了拓扑重构方法可以节省更多的带宽资源。     

基于有序Logistic回归的驾驶人危险辨识影响因素分析

针对驾驶人危险辨识影响因素,开展危险辨识试验数据与自我报告数据的采集,采用k-means聚类分析方法将危险辨识时间划分为3类,进而基于有序Logistic回归分析方法检验不同影响因素的显著性.试验分析结果表明,危险情境特征对驾驶人危险辨识时间有影响,交通情境越混乱,所需时间越长,且交通情境越危险,所需时间相对越短;同时,驾驶人特征及其经历对驾驶人危险辨识时间有影响,男性的危险辨识时间较女性更短;摩托、电动车驾驶经历越丰富,危险辨识能力相对越好;驾龄、驾驶里程与自行车驾驶经历对危险辨识时间并无显著影响.环境因素和人口社会学因素对驾驶人危险辨识能力的影响是多方面的.     

基于概率神经网络的地铁车站易损性分析

基于深度学习方法提出了一种地震响应概率模型，并基于此模型推导了地铁车站结构极限状态超越概率的计算公式，以评价结构的地震易损性。首先采用主成分分析对地震强度指标进行正交化和降维；为了克服传统地震响应概率模型中地震动强度指标与结构地震响应指标服从对数空间线性分布假设的局限性，基于BP神经网络建立趋势模型以预测结构的地震响应；基于概率神经网络建立误差模型以描述基于统计的趋势模型与基于物理机制的数值模型之间的误差，以拓展残差的齐次方差正态分布假设的严格限制。最后，以上海典型2层三跨地铁车站为算例，计算得到其易损性曲线。结果表明，基于深度学习建立的趋势模型较好地模拟了地铁车站结构地震响应随地震强度指标第一主成分的非线性变化特征；建立的误差模型准确地描述了趋势模型预测值的残差随地震强度指标第一主成分的方差非齐次特征。     

影响驾驶员心生理变化的高速公路路侧植物的选择原则

为了合理地选择高速公路路侧的绿化植物,通过心电仪和眼动仪对驾驶员在驾驶过程中的心生理数据进行采集.对驾驶员的视点区域进行灰度处理,得到不同视点区域的明暗程度等级,然后通过对比分析,选择有助于改善驾驶员心生理变化的植物.研究结果表明:当植物表现出的明暗程度等级为3~5时,可有效减缓驾驶员的紧张程度,提高行车的安全性.     

Intermittent demand forecasting in the Enterprise: Empirical verification

Forecasting methods are often valued by means of simulation studies. For intermittent demand items there are often very few non–zero observations, so it is hard to check any assumptions, because statistical information is often too weak to determine, for example, distribution of a variable. Therefore, it seems important to verify the forecasting methods on the basis of real data. The main aim of the article is an empirical verification of several forecasting methods applicable in case of intermittent demand. Some items are sold only in specific subperiods (in given month in each year, for example), but most forecasting methods (such as Croston's method) give non–zero forecasts for all periods. For example, summer work clothes should have non–zero forecasts only for summer months and many methods will usually provide non–zero forecasts for all months under consideration. This was the motivation for proposing and testing a new forecasting technique which can be applicable to seasonal items. In the article six methods were applied to construct separate forecasting systems: Croston's, SBA (Syntetos–Boylan Approximation), TSB (Teunter, Syntetos, Babai), MA (Moving Average), SES (Simple Exponential Smoothing) and SESAP (Simple Exponential Smoothing for Analogous subPeriods). The latter method (SESAP) is an author's proposal dedicated for companies facing the problem of seasonal items. By analogous subperiods the same subperiods in each year are understood, for example, the same months in each year. A data set from the real company was used to apply all the above forecasting procedures. That data set contained monthly time series for about nine thousand products. The forecasts accuracy was tested by means of both parametric and non–parametric measures. The scaled mean and the scaled root mean squared error were used to check biasedness and efficiency. Also, the mean absolute scaled error and the shares of best forecasts were estimated. The general conclusion is that in the analyzed company a forecasting system should be based on two forecasting methods: TSB and SESAP, but the latter method should be applied only to seasonal items (products sold only in specific subperiods). It also turned out that Croston's and SBA methods work worse than much simpler methods, such as SES or MA. The presented analysis might be helpful for enterprises facing the problem of forecasting intermittent items (and seasonal intermittent items as well).     

基于模糊认知图的物流需求预测模型研究

准确地预测社会物流需求,在政府对物流行业政策制定、企业物流活动规划中有着重要意义.本文提出一种基于模糊认知图的物流需求预测模型构建方法,综合考虑国内生产总值、进出口总额等五个经济要素与物流需求之间的相互影响关系,通过对历史数据机器学习获得相互影响权重,构建了物流需求预测模型,可对未来物流需求进行推算和预测.实验证明,该模型对物流需求的预测精度较高,效果较好.