高级网络技术.docVIP

在车载网络方面的交通聚类和在线交通量预测： 社会影响因素透视 文章中，摘要部分主要描述：通过对汽车网络中道路拐点相似性对比，来研究动态交通关系。由于人员的规律性，交通在时间域和空间域呈现出强相关性，通过利用这些相关性，得到特定的信息更新规则，在考虑亲和力的基础上，提出一个即时的交通聚类算法。通过对聚类组合影响的研究，提出了一种基于 网络的交通预测算法来预测交通条件集群。根据历史和实时的交通集群数据，研究表明，其算法能够找出真正的影响因素，并提供准确的预测。 引言部分：在很长一段时间里，对交通量预测方面的研究一直比较广泛。如今，研究重点为基于时间序列的交通流量数据分析。然而，相关结果显示，通过这种方法进行预测很难，无法实现准确的预测，要不当前模型预测精度低，要不只能在特定的环境下可行。因而需要不仅考虑时间的相关性，空间相关性也需要考虑，然而，空间上，道路点很可能出现拥塞的状况，在这种情况下，文章提出了两点疑问：第一，哪些因素对道路点状况有影响；第二；如何衡量空间影响；文章主要研究道路点之间的动态关系。交通影响度称为“相似性”，用来量化道路点之间的影响，然后设计一个即时在线的访问流量聚类算法，最后，设计了一个基于神经网络的交通预测算法来预测未来的交通状况。 文章结构以及主要创新点如下： 定义了一个叫相关性的条件因素，用于描述道路点之间的动态关系。 得到特定的消息传递规则，通过交通聚类算法对道路点进行集群，比较空间相关性。 通过历史和实时数据的积累，提出了一个在线的交通聚类算法 设计了一个在线的基于神经网络的交通预报算法，用于捕获两个时空道路点之间的影响。 基于真正的交通数据，进行了广泛的模拟研究，用于评估方法的优劣。 文章中余下的部分，组织结构如下：第二节，主要讲述和论文相关的工作，第三节，介绍网络模型，第四节，介绍所需的数学基础，并提出交通聚类算法，第五节，介绍基于神经网络的网络流量预测算法，第六部分，主要是实时交通数据的仿真结果，第七节，主要是总结和对以后的展望。 文章第二部分，研究所需的相关工作，在这一节中，主要介绍了聚类和预测相关的知识。具体包括聚类，聚类分析，模糊聚类的概念，结合文章，在本文中，通过聚类方法的使用，表明交通数据表现出强烈的空间和时间的相关性，并能够利用这种相关性进行交通状况的预测。除了聚类的概念及应用，此部分又介绍了交通量预测的现状，对当前的研究热点进行了总结，主要为两个方向：统计方法，如回归分析和卡尔曼滤波等，其次则为神经网络方法，采用自动学习的非线性连续的交通时间序列模型。通过以上这些方法，捕获交通的特点。文章的预测研究主要基于由人类流动引起的社会影响度的研究，提出交通聚类算法和在线流量预测算法。 文章第三部分，主要对其所建立的模型进行了详细的介绍。其将交通系统建模，形成时间变量节点加权图，G(V,E,u)，这便是图的节点示例，共有3个变量，V是指道路的点集合，E是指点到点的道路边，u则是用来描述交通系统的实时状态。深入考虑，u={vt1，vt2，vt3.。。。}，其中vti是指实时的车平均速度，这就表明每个道路点都可以通过一个方向的平均差车速来进行测量与表示，也正因为此，在十字路口，需要多次读取点数据，因为车流的方向分散。 在此研究的基础上，文章作者又发现在工作日和周末，交通流通常呈现出明显的不同，研究表明，工作日交通流松散，而周末交通流拥塞；因此，作者按天进行分组，并且具体日期具体分析。因而，一个更好的交通系统模型应运而出，G（V，E，uT），其中，T代表具体的时间，即对一周时间进行了分割。同样的道理，无论道路是否产生拥塞，我们都有数据来表示具体情况，但是我们需要去衡量我们的算法基于分组的准确性。 文章提出，其主要工作是对交通状态进行聚类，从而对未来的交通状态进行预测。正如在之前讨论 ，道路点的拥塞状态和周边的交通状态有很大的相关性，从另一个角度来说，周边的道路点直接为拥塞点的顺通提供直接的支持，因此，拥塞点和周边的道路点在时间和空间方面强相关。那么，怎么去衡量这种相关性呢？ 为了解决这个问题，作者对道路点进行了聚类，每个类块有一个中心。道路点之间的交通状态强相关。一个聚类中心，通常是最拥塞的，因此，一个聚类算法首先被用于分割交通地图，换句话说，就是在具体的时间点的拥塞状况用聚类来验证。对于算法方面的问题，文章罗列了几点挑战：第一点，基于交通数据，如何对道路点进行聚类；第二点，如何在线结合新的集群数据；第三点，如何基于已有数据进行未来状况的预测。在下面的章节中，则是提出了具体的交通聚类算法。 文章第四部分，则是基于交通聚类的算法描述，通过，问题描述，算法的更新规则描述，即时交通聚类，在线交通聚类四个模块，从数学的角度对算法进行了详尽的描述。 文章第五部分，主要是交通在线预测的具体实现，具体描述了其