基于用户行为序列特征的位置预测模型

针对现有位置预测研究中忽略用户行为序列特性、预测精度提升受限的问题,提出了基于用户行为序列特征的位置预测模型.首先以人工提取的方式构建用户行为的序列特征,融合到位置预测模型中,构造了基于行为序列特征的循环神经网络模型（BCP-RNN）;借助RNN模型循环结构的特点,自动学习行为序列特征,并引入位置预测模型,构造了3层对称循环神经网络模型（TS-RNN）.实验结果证明,引入行为序列特征的BCP-RNN和TS-RNN模型,其预测性能均高于现有的位置预测模型,验证了行为序列特征对挖掘用户移动模式的重要性.相较于人工提取行为序列特征的BCP-RNN模型,TS-RNN不仅节省了人工特征提取的成本,还弥补了人工分析的片面性造成的偏差,具有更高的预测性能.     

基于地基云图与气象数据的辐照度轻量化预测

针对总水平辐照度(Global Horizontal Irradiation,GHI)的短时快速预测问题,提出了一种基于深度学习技术的全天空太阳总辐照度轻量化预测模型.首先,区别于传统的人为处理云图区分特征方法,采用卷积神经网络结构MobileNet自动提取地基云图特征.其次,通过对9项气象参数进行特征清洗,权重连接,建立了短时辐照度的预测方案.最后,将上述模型迁移至微型终端上,在神经网络计算棒的辅助下,实现了 GHI的轻量化快速预测.结果表明,相较于传统使用地基云图的时延神经网络预测模型,此轻量化GHI预测模型标准均方根误差降低了 5.5％,较未轻量化模型预测速度提升了 71％,可供家庭个体光伏用户进行快速预测.     

基于内外卷积网络的网络入侵检测

网络入侵检测通过分析流量特征来区分正常和异常的网络行为以实现入侵流量的检测,是网络安全领域的重要研究课题.针对已有入侵检测模型特征提取过程复杂、信息提取不足等问题,提出了一种基于内外卷积网络的入侵检测模型.首先使用一维卷积神经网络提取流量数据的内部特征,然后通过对内部特征计算相似度建模得到无向同质图,此外将流量在外部网络侧的通信行为建模为有向异质图,并对两图使用图卷积网络学习包含网络流量多种交互行为的嵌入向量,最后将学习到的流量嵌入向量输入到分类器中用于最终的分类.实验结果表明,所提模型的检测准确率和误报率均优于对比模型.     

基于深度学习的融合多源异构数据的推荐模型

为了充分利用多源异构数据所提供的信息提高推荐准确度,提出一个基于深度学习的混合推荐模型.该模型融合评分、评论和社交网络数据进行推荐,采用深度学习方法对文本和评分进行特征学习,然后使用社交网络对采样进行约束,从而得到更准确的用户和物品的特征表示.实验结果表明,该方法具有较高的准确度.     

基于SVM与自适应时空数据融合的短时交通流量预测模型

针对短时交通流变化周期性与随机性特点,选取时间和空间序列流量观测值作为支持向量机训练样本进行训练,使用空间序列预测值对交通流时间序列预测结果进行修正,并通过对历史时间空间序列预测结果的分析,动态调整其对未来预测的影响,建立基于SVM与自适应时空数据融合的短时交通流量预测模型.最后,将提出的预测模型与支持向量机时间序列预测模型、指数平滑法、多元回归法预测结果进行对比,结果表明:自适应时空数据融合预测模型可将预测平均相对误差控制在4%,明显高于其他模型预测精度.     

支持向量机在短期用水量预测中的应用

针对基于经验风险最小化的神经网络存在模型结构较难确定和过学习的问题,根据时用水序列具有周期性和趋势性的特点,建立了基于支持向量机的时用水量预测模型.支持向量机采用结构风险最小化准则,在最小化学习误差的同时缩小模型泛化误差的上界,因此具有较强的泛化能力.此外,支持向量机通过将机器学习问题转化为二次规划问题,可获得全局最优解.实例分析结果表明,与基于BP网络的预测模型相比,基于支持向量机的时用水量预测模型建模速度更快,预测精度更高.     

基于扩张因果卷积的城市客流量预测算法

人群的迁移行为可以通过时空相关轨迹和用户上网行为进行记录。通过分析用户的上网行为分布情况发现,用户在不同场景下的浏览内容具有一定的偏好性,据此构建了融合用户上网行为及迁移行为异构信息网络表征城市人群的转移行为。基于该异构信息网络,提出了一种基于扩张因果卷积的城市客流量预测模型,采用扩张因果卷积模块捕捉客流量分布特征和用户上网行为特征,并构建了异构信息融合模型来融合客流量分布特征与用户上网行为特征。客流量分布特征提取是通过不同时间尺度下时间序列提取客流量时间依赖关系,用户上网行为特征提取是根据2种场景下的用户上网内容。特征提取采用扩张因果卷积减少了模型层数,提高了模型效率。异构信息融合模型融合了多维特征信息,提高了模型在预测有突发事件时的即时客流量的准确率。     

基于萤火虫算法改进BP神经网络的电力用能行为预测方法

针对BP神经网络由于随机初始化权重和偏置导致对用电情况预测的误差偏大且容易陷入局部最优的问题，提出了一种利用萤火虫算法对BP神经网络的权重和偏置进行优化的电力用能行为预测方法.该方法基于用户不同时间段的用电量数据提取时间序列特征，并采用K-means聚类算法对用电行为类似的用户进行聚合及分析，从而建立电力负荷预测模型对每类用户的负荷加以预测.实验结果表明，基于萤火虫算法改进BP神经网络预测模型的均方根误差以及平均绝对误差百分比均低于BP神经网络模型，能够合理地对电力用能行为进行预测.     

基于深度信念网络的纳米流体热导率预测方法

纳米流体因具有较好的传热性能而被认为是未来极具发展前景的强化传热工质,为了提高纳米流体热导率预测的精确性,依据深度学习理论建立了基于DBN的纳米流体热导率预测模型.对模型进行训练和微调,可自动提取纳米流体热导率自身的发展规律,逐层激活纳米流体各影响因素的强相关性.将深度信念网络模型的仿真结果与基于BP神经网络、基于SVM纳米流体热导率预测模型的仿真结果及实验数据进行对比,结果表明:DBN预测模型克服了传统神经网络容易陷入局部最优、训练时间长及函数拟合度不高等缺点,具有预测精度高,预测速度快的优点.     

基于图神经网络的地表水水质预测模型

针对水质数据在时间和空间维度上的复杂依赖关系,提出基于图神经网络（GNN）的地表水水质预测模型. 该模型采用GNN建模地表水水质监测站点在空间上的复杂依赖关系,使用长短时记忆网络（LSTM）建模水质指标序列在时间上的复杂依赖关系,将编码结果输入到解码器中得到预测输出. 实验结果表明,与时间序列分析方法、通用回归方法和一般深度学习方法相比,该模型能够实现23.3%、26.6%和14.8%的性能提升.     

基于CNN-ResNet-LSTM模型的城市短时交通流量预测算法

针对交通流量特性和外部因素对交通流量预测结果的影响,提出了一种对城市短时交通流量预测的模型CNN-ResNet-LSTM,将卷积神经网络（CNN）、残差神经单元（ResNet）和长短期记忆循环神经网络（LSTM）集成到一个端到端的网络框架.利用卷积神经网络来捕获城市区域间交通流量的局部空间特征,并在卷积神经网络中加入多个残差神经单元来加深网络深度,可提高预测的准确性;利用长短期记忆循环神经网络来捕获交通流量数据的时间特征;利用相应的权重将2个网络的输出结果融合,得到通过轨迹数据预测的结果;最后与外部因素融合,得到城市区域的交通流量预测值.用北京市轨迹交通数据对该模型进行验证,CNN-ResNet-LSTM模型不仅在准确率方面比传统模型高,而且在保证预测准确率的情况下,模型使用的参数也少.     

基于图卷积神经网络的城市交通态势预测算法

为了实时准确地预测城市交通流量,提高城市交通态势感知和预测准确度,提出一种改进的时空图卷积深度神经网络算法：基于自由流动可达矩阵的时空图卷积深度神经网络（FAST-GCN）. 利用图卷积神经网络有效表达城市复杂路网的结构特性,引入自由流动可达矩阵来挖掘复杂路网的时空依赖性,从而提高交通态势预测准确度;对交通流速及站点地理位置数据进行数据预处理;在现有的时空图卷积深度神经网络算法的基础上,增加基于自由流动可达矩阵的图卷积模块,以有效挖掘城市交通路网的独特空间特征;通过一个全连接的输出层输出交通流预测结果;在真实世界数据集PeMS上对算法效果进行验证. 结果表明,采用提出的FAST-GCN算法能够有效获取交通路网独特的物理特性,从而捕获交通数据的时空依赖性,优于时空图卷积（STGCN）等基线算法,其在45 min的预测准确率最好可提高5.656%;相比基线模型,所提算法能够适应大规模路网的交通流预测,且具有可扩展性.     

基于BP神经网络的交通数据序列动态可预测性分析方法

为了进一步改善交通数据序列短时多步预测的效果,提出了交通数据序列动态可预测性分析的思想,在设计了交通数据序列动态可预测性关联数据特征指标的基础上,基于BP神经网络建立了交通数据序列动态可预测性分析方法,运用某城市快速路主线与匝道车辆检测器的实际数据对该方法进行了验证,并与不同固定预测步数条件下的预测效果进行了对比分析.结果表明,所提出的方法能对交通数据序列的可预测性进行在线分析,在保持预测精度的情况下,可最大限度地增加交通数据短时预测的步数.     

基于RBF神经网络的交通生成预测模型

针对交通生成预测中传统集计预测模型缺少行为基础这一重要数据源,以及普通离散模型建立对数学推导依赖性高和预测中存在多个预测值,导致预测结果精度不理想的问题,建立了基于RBF神经网络的交通生成预测模型,该模型将以行为基础为前提的离散数据作为数据源,模型的建立不需要进行数学推导,利用输入和输出数据自动建立,再结合RBF神经网络收敛速度快和具有唯一最佳逼近点的特点,对交通生成进行预测。通过实例进行仿真和分析,结果表明,该模型最终获得的交通生成预测结果与实际值误差在允许范围内,RBF神经网络交通生成预测效果好,能在实际中应用。     

基于大数据挖掘的终端感知与换机应用研究

通过对移动大数据的分析和挖掘,能够提升终端感知,并为用户换机推荐提供强有力的数据支持。基于早期终端营销存在的问题与不足,提出了基于大数据挖掘的终端感知与换机应用系统解决方案,具体包括基于聚类算法的隐性换机用户提取方法,基于神经网络的指标分析法,基于决策树的换机预测方法。     

基于支持向量机方法的短时交通流量预测方法

在总结已有多种预测模型的基础上,充分考虑了交通本身所存在的非线性、复杂性和不确定性,提出了一种基于支持向量机的短时交通流量预测模型。实例数据验证结果和基于BP神经网络的预测模型的对比结果表明,该模型在精度、收敛时间、泛化能力、最优性等方面均优于基于BP神经网络的预测模型。     

交通事件小波神经网络算法的探讨

回顾了传统的交通事件检测的算法,结合当前世界流行的检测方法,提出利用小波分析和神经网络进行交通事件的检测的方法,并详细介绍了事件检测的流程图和算法的思想。与传统算法相比较,小波分析和神经网络结合用于交通事件检测的算法具有检测率高、误报率低和检测时间短等优点,但同时也指出了其不足之处,为以后进一步的研究提供了方向。     

自适应BAS优化RBF神经网络的短时交通流预测

为提高短时交通流预测精度,针对传统径向基函数(radial basis function, RBF)神经网络短时交通流预测模型中心值固定、易受漂移数据干扰问题,提出自适应天牛须搜索算法(beetle antennae search algorithm, BAS)优化RBF神经网络的短时交通流预测模型。模型采用自适应步长提高BAS算法迭代速度和寻优能力,结合DBSCAN聚类确定RBF神经网络隐含层径向基函数网络中心,进而优化神经网络结构。通过路网真实交通流数据进行训练,选择常用于短时交通流预测的BP神经网络,RBF神经网络,广义RBF神经网络进行对比。结果表明：优化后的模型预测结果相较BP神经网络平均绝对误差降低了1.87%、平均绝对百分比误差降低了15.96%、均方根误差降低了3.24%,拟合度提高了3.96%;相较广义RBF神经网络平均绝对误差降低1.36%、平均绝对百分比误差降低了5.01%、均方根误差降低了2.19%,拟合度提高了2.5%。改进后的短时交通流预测模型能够为智能交通诱导提供可靠的预测值。     

基于MGU的大规模IP骨干网络实时流量预测

为克服长短时记忆网络(long short-term memory, LSTM)计算成本相当大的弊端,提出基于最小门控单元(minimal gated unit, MGU)的大规模IP骨干网络实时流量预测方法。试验结果表明,与基于LSTM的流量预测方法相比,该方法以较少的模型训练时间获得了相当甚至略优的流量预测性能,在流量预测精度和实时性方面也优于已有的前馈神经网络(feed forward neural network, FFNN)和门控循环单元神经网络(gated recurrent unit, GRU)方法。     

拥堵路网交通流均衡分配模型

为克服利用传统静态交通流分配模型分析拥堵道路网络交通流分配问题的不足,研究交通拥堵状态下静态拥堵交通流均衡分配模型.首先,基于拥堵路段上交通流特征,分析拥堵路段阻抗函数特点,包括满足拥堵路段上流量随车辆数增加而减少的特征;其次,分析拥堵状态下用户疏解路径选择行为,提出道路网静态拥堵交通流分配的用户均衡与系统最优原理;再次,构建道路网静态拥堵交通流用户均衡与系统最优分配模型,并证明模型与用户均衡原理的等价性、模型解的唯一性;最后,给出求解用户均衡模型的迭代加权求解算法.通过算例与传统静态交通流分配进行对比分析,结果表明:拥堵用户均衡分配模型与拥堵系统最优分配模型可以合理描述拥堵用户均衡原理与系统最优均衡原理,且拥堵用户均衡分配模型可以合理描述路网处于全拥堵状态下各路段实际通过流量.拥堵交通流分配模型可应用于由拥堵蔓延导致的局部全拥堵区域,可作为半拥堵静态交通流分配的核心部分之一.