基于多分形小波模型的网络流量分析

网络流量过程中所蕴含的多分形尺度特性对网络性能有显著的影响。结合网络流量的研究进展,研究了多分形小波模型的流量发生原理,并通过小波技术对某校园网流量数据进行分析,证明了流量到达过程的多重分形特性。     

基于空间相关元模型的机械设计优化研究

简述了全局近似空间相关元模型的研究历程,详细介绍了空间相关元模型的建模过程.在二元素框架结构设计优化中,使用空间相关元模型为该结构建立一个有利于计算机分析的近似模型,进而测试空间相关元模型的预测能力.仿真结果证明,这些空间相关元模型能够在全局近似优化设计中产生一个满足精度要求的近似结果.     

网络突发流量行为研究

流量作为网络的三大重要组成部分之一,已成为网络领域的研究热点。本文对数据通信和计算机网络中流量所固有的突发性(burstiness)的行为特征与建模、突发性所产生机理、突发性对网络性能的影响以及突发流量的仿真等方面的研究进行分析,提出了这些研究内容中的关键问题和技术。为了解网络流量特性和控制网络正常运行提供参考。     

网络交通模型中考虑信号控制的行程时间函数模型

为了描述信号控制路段的行程时间,基于累计曲线法提出了城市基本道路的行程时间模型.首先利用交通波方法分析了路段排队形成及消散过程;然后构建路段入口和出口的累计曲线,通过累计曲线得到了单车道、稳定流量输入条件下的形成时间函数;最后考虑路段的拓扑结构特性,将多车道路段分解成多个单车道的组合,并得出了基本道路的行程时间模型.该...     

液压传动与自动控制系统动态性能分析

研究汽车液压传动过程中液压缸中的压力变化过程,对液压系统中相关的液压泵、液压缸、管道阀门等主要工作环节进行了建模和受力分析,得到工作过程中各处受力情况,并设计了一个液压控制系统的基本工作原理图,对液压系统中的主要阀门、管壁、液体流量等液压控制中的主要参数进行了建模和抽象,得到了液压缸中液体流量和压缩比的相关关系式.最后对液压传动系统中的动态控制性能进行了分析,得到了其压力、流量、容量等主要参数的性能关系.     

人工神经网络在中长期电力负荷预测中的应用

设计了一个由输入层、隐含层和输出层组成的三层BP网络模型,利用神经网络高度非线性建模能力,进行电力系统的中长期负荷预测.选取影响电力负荷的一些经济因素作为神经网络的输入变量,并对分别采用单个因素和多个因素的组合作为输入量对预测精度的影响进行了探讨.在多因素组合时对输入量进行了归一化处理.仿真结果证明,使用人工神经网络方法进行中长期电力负荷预测是可行和有效的.     

地震损耗能量的分形与混沌规律在实际结构中的应用

根据 Ed和 Ie动力系统的分形与混沌内在属性——短期演化行为的可预测性和长期演化行为的概率特征 ,分别探讨其长短期行为演化规律 .根据短期行为的预测结果 ,探讨了实际工程结构中的主被动抗震参数控制、在役维护的确定以及系统输入能量优化等问题 ;根据长期行为的概率预测结果 ,对实际工程结构中的抗震设计概率、在役维护概率、地震危险性与地震危害性进行了分析 ,为抗震理论和分析方法以及控震减震规律的实际应用提供了一定的参考价值     

无线网络中应用程序数据流量的预测研究

探讨了无线网络数据流量的建模和预测框架,利用alpha稳定模型对应用程序数据流量进行建模,结果表明了alpha稳定模型能够很好地拟合无线网络中应用程序数据流量.同时,还发现数据流量具有空间上的稀疏性.利用电信服务提供商的真实流量数据集,验证了本文框架对于预测不同类型应用程序数据流量的有效性和健壮性.结果表明,该框架为应用层流量的建模和预测提供了统一的解决方案.     

超超临界机组机炉协调系统的min-max模糊模型预测跟踪控制

为了提高非线性超超临界火电机组的控制性能,提出了一种改进的min-max模糊模型预测跟踪控制.首先,建立了 T-S模糊模型来近似非线性机炉协调系统的动态特性.然后,基于包含状态变量和输出变量的扩展模糊模型,在保证闭环系统稳定性和输入在给定约束的同时,推导了 min-max模糊模型预测跟踪控制用于输出调节.为了获得更大的...     

基于GRNN并融合卡尔曼滤波实现短时交通流预测

针对卡尔曼滤波应用需要构建精确数学模型的局限,提出将广义回归神经网络与卡尔曼滤波相融合,并将其用于短时交通流预测。这种融合后的新方法利用了GRNN良好的非线性映射能力,能对实际系统进行系统辨识,并获得符合预测要求的系统状态方程。深圳市实际流量数据的验证表明,这种方法在简化系统数学建模的同时,也能达到较高的预测精度,从而证实了这种方法的可行性和有效性。     

ARIMA模型在移动话务预测中的应用

电信运营商通过分析各个时间段、各个具体区域、热点区域的历史话务数据,能够对未来一段时间的话务量进行预测,从而提供面向运营商管理层的决策支持。因此,采用合适的方法对话务量进行准确预测,无论对于话务短期均衡,还是对于网络规划都有一定的帮助。本文将短期预测的代表方法——自回归求和滑动平均（Autoregressive Integrated Moving Average Model,简称ARIMA）模型应用于话务分析,并与往常使用的指数拟合趋势线方法进行对比,实验结果表明ARIMA预测精度较高。     

基于有效载荷大小的早期网络流量识别(英文)

为快速将网络应用的流量进行分类,以AucklandⅡ和UNIBS两个数据集的网络流量包为研究对象,选取网络应用程序流量中最初的8个有效载荷大小作为识别特征进行研究.由于这类特征可在早期流量阶段快速提取,因此效果显著.通过将早期载荷大小可视化的方式,分析了不同网络应用的行为模式.分析结果表明,多数网络应用程序可通过早期有效载荷大小显示出它们特有的行为模式,根据早期有效载荷大小的信息可对流量进行有效识别.在此基础上,选用3种典型的机器学习分类器,即朴素的贝叶斯分类器、朴素的贝叶斯树和径向基函数神经网络进行验证分析.实验结果显示,早期有效载荷大小可作为特征对流量进行有效识别.     

融合Elman神经网络与EMD的交通拥堵指数预测

为了提高传统方法生成交通拥堵指数（TPI）的准确率,引入一种基于经验模态分解（EMD）与Elman神经网络的组合模型实现交通拥堵指数预测。首先,利用EMD将TPI序列分解为不同时间尺度下的IMF分量和剩余分量;然后,通过偏自相关函数（PACF）计算各分量的滞后期数,以此确定各分量在Elman神经网络中的输入和输出变量;之后,通过上述方法计算出各分量预测值并相加;最后,计算出总预测结果。通过计算结果可知,EMD-PACF-Elman预测方法3个评价指标（平均绝对误差、均方误差、平均绝对百分误差）的计算结果与单一Elman神经网络模型、EMD-Elman神经网络模型、单一BP神经网络模型、EMD-BP神经网络模型相比都为最低,分别为0.562 4、0.598 9、0.110 7。因此, EMD-PACF-Elman预测方法可以有效地预测TPI,同时也为进一步预测交通拥堵趋势提供了依据。     

Measuring strategic processing: comparing task-specific self-reports to traces

This research compares the strategic processing reported on right after the completion of a reading task with physical traces of the same strategies that were found in the study materials. In addition, both task-specific self-reports and traces of strategies were used to predict performance, both in the task context where the strategy data were generated and in another context. Using a sample of 177 Norwegian tenth-grade students, a quite close correspondence was found between learners’ task-specific self-reports about strategies and the strategies traced in the study materials. Moreover, both self-reports and traces of strategies predicted performance not only on the specific reading task but also beyond that context, on the PISA literacy tests. In both contexts, however, strategy data that traced what learners actually did when working on the reading task seemed to predict performance better than did task-specific self-reports.     

路面性能预测中不确定性的量化(英文)

考虑到路面性能预测中存在的大量可变性和不确定性,为使得路面性能PSI的预测结果可信且有意义,提出了一种基于分布的路面性能指标PSI预测方法.该方法建立在AASHTO路面性能预测模型基础上,把预测变量处理成具有某种概率分布的随机变量,通过蒙特卡洛数值模拟获得PSI的概率分布.基于路面结构和交通参数建立仿真模型,应用PERFORM程序得到数值计算结果.研究结果表明:交通荷载、表面层材料特性和路面初始性能是影响未来路面性能的最主要因素.在获得路面性能PSI指标的概率分布后,其他统计量如未来路面性能的均值函数和方差函数可以很容易得到.     

聚类分析和逐步回归法在车道流量预测中的综合应用

针对目前国内外大中城市中普遍存在的无检测器信号交叉口车道交通流信息难于获取的情况,基于信号控制交叉口车道之间的相关性,综合应用聚类分析和逐步回归法预测单点无检测器信号控制交叉口车道流量.首先应用聚类分析将单点无检测器信号控制交叉口的车道与有检测器信号控制交叉口的车道交通流量进行聚类,然后在聚类分析结果的基础上随机选取车道交通流量样本运用逐步回归法预测单点无检测器信号控制交叉口的车道流量,此方法经过南京市的具体车道流量数据验证.此类问题的解决,可广泛应用于城市交通流诱导系统以及交通控制系统.     

基于改进支持向量机模型的交通拥堵情况预测

随着机动车数量的迅猛增加,城市交通拥堵状况日益严峻,城市道路拥堵严重影响着居民的日常工作和生活,因此研究道路拥堵程度,以及对道路拥堵变化进行预测则显得尤为重要。为此,构建一个基于拥堵指标的MM-SVR模型,在考虑下一时段可能到达路段的潜在车流量情况下,对道路拥堵情况进行深入探究。首先,融合速度、区域内交通流量构建道路拥堵程度指标,然后基于历史数据构建将马尔科夫链与支持向量机预测相结合的MM-SVR模型对道路拥堵进行预测,以向前[n]阶状态的交通流量和速度作为输入量,将道路拥堵程度指标作为输出量。在实例验证中,使用广州市某片区的实时交通流数据对模型效果进行评测,并且使用SVR以及Adaboosting模型进行对比实验。实验结果表明,该模型无论是在拟合优度还是预测误差上均优于对比模型,在实时反映交通流拥堵情况方面有着良好表现。     

RBF神经网络在道路交通事故预测中的应用

分析了RBF神经网络在事故预测领域的适应性,提出了采用RBF神经网络建立道路事故预测模型．利用我国1990—2009年道路交通事故数据,运用RBF神经网络建立了非线性回归预测模型,并利用该模型预测了2000—2010年的道路交通事故死亡人数,结果显示该模型具有较高的可靠性,可为我国道路交通管理提供数据支持。     

基于模式匹配的行程时间预测模型研究

本文采用深圳市某快速路的占有率预测目标的历史数据库对交通状态进行模式匹配和行程时间进行预测。经过比较研究得出,利用占有率数据进行模式匹配预测城市快速路的行程时间,结果是最令人满意的。这一预测模型的构建为智能运输的应用建立了良好的理论基础。