节假日路网流量预测方法与实例分析

运用科学方法对公路网节假日交通流量的趋势进行预测,是保障路网畅通运行的有效手段,在减轻路网拥堵、提高游客出游满意度、提高出行效率等方面具有重要意义。文章提出了一种趋势预测方法,计算同一节点下历年节假日日流量与年平均日交通量(AADT)之间的相关关系,根据修正后的相关关系和预测年份的年平均日交通量实现对节假日流量的趋势预测。以江苏省镇江市某节点2015年9月—2018年5月数据作为实例进行方法验证,表明该模型在节假日流量趋势预测方面具有实用性。     

计及复杂影响因素的区域大数据智能预测算法设计

针对传统客流量分析预测方法存在运行效率低且难以对数据隐藏特性进行深入分析的问题,文中基于改进长短时神经网络模型提出了一种区域性的游客流量预测算法。该算法对传统长短时神经网络的神经元进行了简化,有效提高了收敛速度。同时采用自编码器对输入数据特征进行提取,从而得到了具有更强关联性的数据。在模型输出部分,通过引入多头注意力机制对输出数据进行权重排序,以获得更准确的预测结果。实验测试结果表明,所提算法的RMSE值为15.81,运行时间仅为30 min,且其客流量预测误差在所有对比算法中最小,可以为区域游客流量预测提供数据支撑。     

基于向量自回归模型的旅游热门景点预测方法研究

常规的预测方法变量之间的皮尔逊相关值较低,造成预测的结果出现偏差,为此,设计基于向量自回归模型的旅游热门景点预测方法。综合不同的搜索引擎数据,计算旅游景点关键词网络搜索指数,对其进行预处理并筛选出与旅游景点热度相关性较强的关键词,利用向量自回归模型对变量进行均值化处理,确定影响最大的网络搜索指数,实现对旅游热门景点的预测。实验结果表明:与常规的灰度预测方法和SVR模型预测方法相比,基于向量自回归模型的预测方法的皮尔逊相关值能够保持在0.8～1.0之间,变量之间具有极强的相干性,适合应用在旅游热门景点预测中。     

基于复合模型的智能化移动通信话务预测

移动通信话务量作为一种时间序列,具有较强的非线性和随机性,而且易受节假日、旅游等客户行为及天气等其它因素的影响。尤其是话务量长期的发展变化,很难用传统的预测方法进行预测。根据移动通信话务量自身特点,采用复合模型,将话务量分为平稳期趋势分量、平稳期周期分量、节假日话务量,用综合评判的分段一元线性回归及模板匹配算法分别对趋势分量、周期分量和节假日话务进行建模。最后,开发了基于复合模型的智能化预测系统,在广东省某市试运行的结果表明：基于复合模型的预测方法比传统预测方法精度高。     

基于灰色预测算法的图情数据分析技术

灰色预测是图情数据预测分析的常用算法之一,但传统的灰色预测模型在预测低光滑性数据序列时准确率低。针对此问题,文中提出了一种差值加权光滑处理方法,并采用欧拉修正的方式弥补误差。将改进后的灰色预测模型在某图书馆借阅数据库上进行测试,测试与分析结果表明,该模型预测结果相对误差的方差由0.32减至0.142,平均相对误差绝对值减小了4.458%。改进的灰色预测模型能够处理光滑度较低的图书馆借阅数据,并准确地对其进行预测,为图书馆优化工作效率与信息化建设提供支撑。     

基于改进灰色模型的电力负荷可靠性预测系统设计与实现

针对传统时序数据预测方法难以准确预测电力负荷数据的问题,文中设计了一种基于改进灰色模型的电力负荷可靠性预测系统.在历史数据样本容量小的条件下,将灰色模型选为负荷预测的基础模型,在考虑气象因素的基础上,采用残差修正法与马尔科夫法改进灰色模型,修正电力负荷的预测值并通过Matlab实现预测算法.同时利用MySQL作为数据库管理软件,设计得到相应的电力负荷可靠性预测系统.基于该预测系统展开电力负荷预测实验,结果表明,文中所设计预测系统的平均精度可达99％,能够有效预测电力负荷,验证系统的正确性与实用性.     

基于全注意力机制的多步网络流量预测

预测资源分配能有效利用无线网络的剩余资源服务非实时业务,其中的关键问题之一是剩余资源的预测,可转化为实时业务流量预测问题。本文把面向自然语言处理提出的全注意力机制引入到时间序列预测问题中,预测未来分钟级时间窗内秒级的流量,通过在每秒记录的实测流量数据集上进行训练和测试,与其他基于循环神经网络和线性、非线性预测模型的方法在复杂度（由训练和测试时间衡量）、预测精度（由平均相对百分比误差衡量）和预测误差统计特性（由预测误差的均值和标准差衡量）等方面进行比较。研究结果表明,与无注意力机制的循环神经网络相比,所设计的基于全注意力机制的方法计算复杂度低,由于多步预测的累积误差,在预测精度方面增益不明显。      

一种快速灰色预测模型

目前常用的无损图像压缩方法都是利用相邻数据组合除去数据中存在的相关性。既然局部或相邻像素间存在一定的灰色关联度。而非线性灰色模型又可以从邻近像素中提取灰色关联，因此提出了一种快速灰色预测模型（FGMP），并构建非线性预测模式，可以在灰度力图像无损压缩中实现预测误差编码，运用该算法进行了图像压缩，并得出了一些结论。     

基于SARIMA-LSTM组合模型的网络流量预测方法

针对网络流量预测问题，提出一种基于SARIMA和LSTM组合模型的网络流量预测方法。首先，利用S-HESD算法对异常流量数据进行检测，并通过滑动窗口均值进行数据平滑处理；然后，利用基于统计学习的SARIMA模型预测流量数据，并将其作为LSTM神经网络的输入，最终输出流量预测值。实验结果表明，SARIMA-LSTM组合模型能充分呈现骨干网、城域网、边缘接入网等不同层级网络的周期性和趋势性等特点，优于SARIMA、LSTM等单一模型。     

基于ARMA模型的网络流量预测

针对海量网络数据的特性,基于数据分割,用分段ARMA模型建立了网络流量的时间预测模型。以向后1 h的流量预测确定了ARMA(3,2)模型的预测参数,仿真分析与NetFlow实测数据对比表明,该预测模型的预测精度高、误差小,能够较好的进行网络流量的短期预测。     

水质浊度红外光检测及聚类灰色融合预测模型

为了对水处理过程中水质浊度进行实时、准确检测,设计了基于红外光的散射浊度检测系统,并提出一种聚类灰色融合的预测模型对水质浊度的变化趋势进行有效预测。利用890 nm波长的红外发光二极管作为发光器件,光敏二极管作为接收器,检测装置响应时间短,零点误差小。采用灰色预测算法和聚类融合的方法对传感器所采集的数据进行处理,将聚类融合处理后的数据作为灰色预测控制的输入数据,灰色预测控制的输出数据与融合数据进行对比分析,确定预测浊度值。通过实际项目进行了数据跟踪和运算,聚类灰色融合算法的浊度预测输出值和实测值的平均误差值为0.008 7 NTU,聚类灰色融合算法预测性能优于单一的灰色预测算法,能够保证水质浊度参数的平稳,满足了水质的要求。     

以太无源光网络性能预测系统的设计与实现

结合以太无源光网络（EPON）性能指标的数据特性,分析研究了已有网络性能分析的预测模型,在此基础上提出了一种基于改进的移动平均预测模型、二次平滑指数模型及灰色模型的混合预测思想,并采用J2EE＋MVC模型对该混合模型进行了详细的设计与实现,建立了一个易于扩展的预测算法库,有效减小预测误差,增强了网络性能预警的精准性。     

改进的基于时变FARIMA模型和小波变换的网络流量预测算法

网络的流量特性是反映网络实时状态的一个重要特征,对于网络流量的分析、预测一直是该领域的研究热点。传统的基于时间序列模型的方法在计算效率和多尺度分析能力方面存在一定的局限性。本文提出了一种改进的基于小波变换和时变FARIMA模型的流量预测方法,利用小波变换的多尺度分析特性将原有的流量数据进行分解,在使用时变FARIMA模型进行预测,可大大提高算法的执行效率和预测的准确性。最后,本文选取了Bellcore提供的真实的网络流量进行了仿真实验,验证了提出的预测方法的准确性和有效性。     

基于灰色系统的大学生就业率预测

大学生就业受到经济、政策等多种因素的影响,使得当前大学生就业率预测误差大,为了解决该难题,设计基于灰色系统的大学生就业率预测方法。首先,对当前大学生就业率预测研究现状进行分析,找到引起误差的原因;然后,收集大学生就业率的历史数据,通过灰色系统对大学生就业率变化特点进行拟合,建立大学生就业率预测模型;最后,采用大学生就业率数据实现仿真测试。结果表明,灰色系统可以反映大学生就业率变化特点,获得了高精度的大学生就业率预测结果,预测误差远远小于当前其他大学生就业率预测方法,预测结果可以为大学就业管理部门提供一定的参考信息。     

基于突发分离的自相似网络流量预测

网络流量预测在网络拥塞控制及资源分配中起着至关重要的作用。对于具有自相似性的网络业务流量,由于其存在较强突发,传统预测方法的预测精度普遍较低。本文针对存在高突发的网络流量数据,提出了一种基于数据分离的流量预测方法。在预测步骤前,本方法首先通过控制图将网络流量中难以预测的突发流量进行有效的分离,从而得到突发流量和非突发流量两部分数据。之后分别采用人工神经网络和自适应模板匹配方法实现对非突发流量和突发流量的预测。最后通过对两部分预测结果的合并得到最终的预测结果。基于实际流量数据的实验结果表明:相较于传统流量预测方法,本文所提出的方法具有更高的流量预测精度。      

IP骨干网流量的自动化预测

高效、可靠的网络流量预测是网络规划、扩容建设的基础。互联网流量目前缺乏完备的理论模型,行业内大多根据工程实践特点,设计简化可操作的预测模型以满足IP网络规划需求。首先根据中国电信自身IP骨干网流量预测工作的需求及特点,使用时间序列分析的多因子回归模型和函数自适应模型对IP骨干网流量进行分析和预测,基于大量现网实际数据的仿真运算,对比两种模型的特点、优劣和适用场景,提出了一种预测模型选择和参数优化的原则和方法。在此基础上,构建了可以满足百千量级时间序列要求的自动化流量预测系统,极大简化并提升了流量预测工作的效率。最后,展望了未来IP流量预测工作的延展方向和关注重点。     

网络流量预测中的时间序列模型比较研究

网络流量预测在新一代网络协议设计、网络管理与诊断、设计高性能路由器等方面都具有重要意义.目前通常采用ARMA和FARIMA时序模型对网络流量序列进行拟合与预测,但没有对时间尺度的大小与模型选择的关系进行研究.本文对实际网络流量在不同时间尺度(毫秒、秒、分)下进行了流量预测建模并对预测性能进行比较,分析表明使用时序模型进行流量预测时,大时间尺度(分)流量预测较小时间尺度(毫秒、秒)具有更小的预测误差.并且,对于小时间尺度上的自相似流量序列,自相似模型FARIMA并没有较其他时序模型有更好的预测性能.     

认知无线电中基于支持向量机的频谱空闲度预测

研究认知无线系统中的频谱小时空闲度预测问题,针对GSM系统的载频小时空闲度时间序列的非线性特点,提出一种基于支持向量机的预测模型构建方法。为提高模型的预测精度,在GSM系统小时空闲度时间序列特征分析的基础上,利用序列的节假日特性和日周期特性,对数据序列进行了重构。仿真结果表明,与采用基于神经网络的预测模型相比,该预测方法对工作日和周末均具有较高的预测精度,其预测绝对百分比误差在4以内。     

极限学习机修正误差的体育成绩预测模型

体育成绩的影响因素众多,具有时变性和随机性变化特点,为了提高体育成绩的预测精度,提出极限学习机修正误差的体育成绩预测模型。首先采用灰色模型对体育成绩进行预测,然后用极限学习机对灰色模型的预测误差进行修正,最后采用具体体育成绩数据对模型性能进行测试,测试结果表明,该模型能够提高体育成绩的预测精度,可提供有价值的参考意见。     

基于ARIMA-RNN组合模型的云服务器老化预测方法

针对云服务器系统运行环境具有非线性、随机性和突发性的特点,提出了基于整合移动平均自回归和循环神经网络组合模型(ARIMA-RNN)的软件老化预测方法。首先,采用ARIMA模型对云服务器时间序列数据进行老化预测;然后,利用灰色关联度分析法计算时间序列数据的相关性,确定RNN模型的输入维度;最后,将ARIMA模型预测值和历史数据作为RNN模型的输入进行二次老化预测,从而克服了ARIMA模型对波动较大的时间序列数据预测精度较低的局限性。实验结果表明,ARIMA-RNN组合模型比ARIMA模型及RNN模型的预测精度高,且比RNN模型预测收敛速度快。