基于网络测量和模糊控制技术的拥塞控制机制

为向端系统反馈及时准确的网络状态以提高TCP效率,同时避免主动队列管理（AQM）机制的诸多局限,提出一种基于网络测量的拥塞控制机制——利用分布在网络中的测量设施监测主干链路,再根据链路性能采用模糊控制技术指导端系统选择适当的FAST控制参数．仿真实验表明,该机制能承受更大的负载压力,达到高吞吐量,并能稳定排队时延,在高速网络中比AQM机制更稳定、更公平．相比突发性的Web流量来说,该机制更适用于类似P2P等数据量大、连接持续时间长的流量的拥塞控制．     

基于智能管理缓冲区的网络拥塞控制算法

该文从数据包占用缓冲区的实时状态出发,运用模糊理论对缓冲区占用率状态这一模糊性问题进行描述,建立基于智能管理缓冲区的拥塞控制模型,对所有的数据流根据其服务质量要求进行优先级分类,并取得相应的队列带宽,采取整体和局部相结合的方法,路由器智能管理缓冲区。实验仿真结果表明,基于智能管理缓冲区的拥塞控制算法（IMBA）与RED、TD-FIFO等算法比较,在保护和隔离非拥塞状态的连接方面,具有更好的公平性,从而进一步改进了路由器的拥塞控制性能。     

基于多维马尔可夫链的两跳中继蜂窝系统拥塞控制建模

提出了一种结合蜂窝和中继技术的两跳中继蜂窝系统结构用来增加系统容量和平衡流量负荷,并利用多维马尔可夫链建立了它的拥塞控制模型。然后在这个模型的基础上,分别得到了系统的平均下行传输速率和数据包呼叫请求阻塞概率。最后通过数值计算分析了各种系统参数对具有拥塞控制功能两跳中继蜂窝系统性能的影响。研究结果表明,与两跳中继蜂窝系统相比,具有拥塞控制功能的中继系统在提供相同平均下行吞吐量的同时,可以有效降低系统的呼叫请求阻塞概率。     

AQM中基于神经网络自适应的PID控制器

将神经网络和PID控制器有机结合,形成一种基于RBF网络在线辨识、单神经元网络在线整定的自适应PID控制器,用于对主动队列管理（AQM）的拥塞控制.仿真结果表明,该控制器对负载队列的控制效果明显优于传统PID控制器.     

城轨交通换乘站结点换乘设施行人拥堵分析方法

以城市轨道交通换乘站内的"十"形结点换乘设施为研究对象,根据车门至站台梯组的走行距离确定了换乘客流到达时间分布,在考虑设施断面上下游的流密速基本关系及梯前区域、换乘平台、楼梯客流的相互影响关系的基础上,利用分时段客流迭代构建了结点换乘设施行人拥堵分析方法。算例表明,该方法能够在各车门下车换乘人数和站台行人设施布置方案已知的情况下快速分析多向客流的换乘客流量不同组合下"十"形结点换乘设施的行人拥堵情况。     

车辆排队位置确定模型及其网络效应分析

为了揭示车辆排队形成的多米诺效应,基于运动学起动–停车波模型构造了车辆排队位置确定模型。该模型能实时确定路网中任意车流形成的排队队列的头部位置、尾部位置和队列长度。根据该模型以及车流间的相互作用,以任意相邻的两个交叉口为例,分10种情况讨论了下游车流能否对延续车流或冲突车流造成阻滞作用,从而能否引起网络效应。结果表明,相邻路段车辆排队之间的耦合关系是研究网络效应的核心。研究成果可以为探讨车辆排队产生网络效应的形成机理奠定基础,为认识车辆排队的演化规律提供工具与方法。     

考虑航路网络结构的离场航班延误预测模型

针对离场航班延误预测缺少对航路网络结构因素的考虑，以及传统多分类预测难以满足高精度的需求，本文提出了一种考虑航路网络结构的离场航班延误预测模型。首先，根据离场航班所在终端区的航路网络结构，提出了航路拥挤指标，即航路流量、航路拥挤度和航路网络拥挤度，从航路网络和网络结构2个维度量化分析了拥挤特征，构造了航路拥挤数据集；然后，基于深度神经网络（deep neural network，DNN），构建了考虑航路网络结构的离场航班延误预测模型；最后，分析各类别延误样本比例，调整焦点损失函数的平衡因子以及各模型参数，进行了不同损失函数、不同数据集和不同模型参数的对比实验。结果表明：调整平衡因子后，模型预测准确率提高了2.3个百分点，融入航路拥挤数据集后，准确率继续提高了1.52个百分点，并且最终达到93.47%。可见，本文所提模型能够对离场航班延误作出有效准确判断，为民航相关单位提供决策参考。