为了提高预测精度，提出一种布谷鸟搜索算法优化BP神经网络的网络流量预测模型(Cuckoo Search BP neural network Flow Prediction，CS-BPNN)。根据混沌理论建立网络流量学习样本，采用BP神经网络对学习样本进行训练，将模型参数当一个鸟巢，通过模拟布谷鸟寻窝产卵的行为找到最优模型参数，最后采用网络流量数据进行仿真实验，测试模型性能。仿真实验表明：所提出模型较好的解决了BP神经参数优化问题，能够获得更加理想的网络流量预测结果。
2021-09-28 22:57:53
709KB
1
针对交通流量预测中一个固定模型无法适应多种环境的问题，以及面向数据流的模
型更新问题，提出了一种基于变结构动态贝叶斯网络的交通流量预测方法。该方法以复杂事件处理和事件上
下文为基础，通过上下文聚类进行历史数据的划分，并通过事件流在线聚类支持聚簇的更新。面向不同聚簇
的数据，采取搜索-打分的方法学习对应的贝叶斯网络结构，基于高斯混合模型实现贝叶斯网络的近似推断。
在线预测时根据当前上下文选择合适的模型或模型组合进行预测。真实和仿真数据上的实验结果表明，该方
法能够获得比当前常用方法更好的预测效果。
2021-09-04 15:52:40
1.86MB
1
小波神经网络的时间序列预测-短时交通流量预测(matlab实现)，包含源代码和测试数据
2021-08-24 14:22:59
5KB
行业分类-作业装置-一种基于图卷积网络融合多特征输入的网络流量预测方法.7z
2021-08-10 18:06:19
684KB
以上使用了GCN, ChebNet, GAT三种图卷积来预测交通流量，只考虑了空间上的影响，没有考虑时序上的影响，所以效果有进一步提升空间。这里只是为了实现基于上述三种图卷积预测交通流量。
可以很明显看出三种模型在处理数据时的快慢和准确率。
三种模型都具有处理结构化时间序列的通用框架。它不仅能够解决交通网络建模和预测问题，而且可以应用于更一般的时空序列学习任务。
时空卷积块结合了图卷积和门控时间卷积，能够提取出最有用的空间特征，并连贯地捕捉到最基本的时间特征。
该模型完全由卷积结构组成，在输入端实现并行化，参数更少，训练速度更 快。更重要的是，这种经济架构允许模型以更高的效率处理大规模网络。
2021-07-16 20:07:19
39.06MB