交通流量的神经网络预测研究
[摘要]交通流量预测问题是交通信息预测的核心问题，进行交通流量预测理论体系的研究，对于改善我国交通拥堵问题具有十分重要的学术价值和现实意义。本文在总结国内外研究成果的基础上，对已有的交通流预测方法进行了分类分析和介绍，并利用神经网络的方法来对交通流量进行预测分析。基于交通流量的集中分布特点并结合实际交通流量观测数据，我们采用了分区间段进行数据整理，将BP神经网络应用于交通流量预测的过程，通过对比预测结果，验证了BP 神经网络具有良好的预测效果。
[关键词]交通信息交通流预测 BP神经网络
Research on neural network prediction of traffic flow
[Abstract] Traffic flow forecasting is the core problem of traffic information prediction,theory system in the prediction of traffic flow,is very important for improving our countrytraffic congestion has academic value and practical significance.Th is paper based on summarizing the domestic and foreign research results,analyzes and introduces the existing traffic flow forecasting methods, andanalysis to predict the traffic flow by neural network. based on centralized distribution of traffic flow and combined with the actual traffic flow data. We use the inter partition of data processing during the process of BP neural network can be used to traffic flow prediction by comparing the predicted results ,proves that BP neural network has the good forecast effect.
[Keywords] Traffic Information Traffic flow Prediction BP neural network
目录
1 引言 (1)
1.1研究背景.......................................... 错误！未定义书签。
1.2 交通流量预测及必要性 (1)
1.3 交通流量预测的研究现状 (2)
1.4本文的研究内容及意义 (2)
2 交通流预测方法研究 (3)
2.1 交通流预测综述 (3)
2.1.1交通流预测的研究内容 (3)
2.1.2 交通流预测流程 (3)
2.1.3 研究方法分类 (4)
2.2 典型方法介绍 (5)
2.2.1 常规预测方法 (5)
2.2.2 智能预测方法 (5)
3 人工神经网络介绍 (6)
3.1 人工神经网络发展阶段及特点 (6)
3.1.1人工神经网络国内外研究背景 (6)
3.1.2人工神经网络特点 (7)
3.2 人工神经网络基本原理 (8)
3.2.1 人工神经元模型 (8)
3.2.2激活函数 (8)
3.3 BP神经网络 (9)
4 基于BP神经网络的交通流量预测 (10)
4.1预测实例描述 (11)
4.1.1小时交通流量预测分析 (11)
4.1.2日交通流量预测分析 (13)
5 本章小结 (17)
致谢语 (18)
[参考文献] (19)
1 引言
1.1研究背景
随着国民经济的发展和城市化步伐的迅速加快，机动车保有量迅速增加。而在这迅速增加的机动车中，私车的比例也越来越高，这是导致交通拥堵问题越来越严重的原因之一。国内各城市呈现的交通拥堵、交通安全多隐患、交通信息缺乏不仅给出行者的出行带来延误，更重要的是对整个区域经济的进一步发展产生阻力，从而影响整体国民经济的发展。因此，交通拥堵、交通事故所产生的出行延误已经成为许多先进国家所面临的主要交通问题，自前美国、欧洲等国家由于交通延误引起的经济损失己经高达GDP的2%。
据有关资料介绍，我国城市交通拥堵问题日趋严重，从1978年到1995年我国城市机动车保有量的增长速度是道路增长速度的80倍，高峰小时机动车的平均时速低至10km/h，极大地妨碍居民的出行速度和效率。进入二十一世纪以来，我国机动车的保有量更是迅速增加。而由于政策的支持、产业经济发展的需要、逐步富裕起来的人们追求更加方便舒适的生活，机动车的不断增加是一个长期趋势。交通供需矛盾的长期性、城市空间和建设资金的有限性等严峻形势，决定了不能单一地通过增加交通基础设施来改善城市机动车辆出行的交通状况问题。
1.2交通流量预测及必要性
交通流量是指在选定的时间段内，通过道路某一断面或某一车道的交通实体数，按交通类型分:有机动车交通量、非机动车交通量和行人交通量。交通量随时间和空间的变换而变化，具有时空分布特性。
交通规划及设计方案比较与经济分析需要准确的掌握未来交通量变化的趋势;城市交通控制系统在进行主干线协调控制、区域协调控制时，必须提前预测进入下游交叉口的交通量;对出行车辆进行交通诱导要以实时准确的交通量预测
为前提。因此，研究或观察交通量的变化规律，并对未来时刻交通量或发展趋势进行科学合理地预测，对于进行交通规划、交通诱导、交通管理、交通控制与安全等，均具有重要的意义;基于BP神经网络的城市交通流量预测与路口分析，己成为交通工程领域重点研究课题[1]。
1.3 交通流量预测的研究现状
何伟在《模糊神经网络在交通流量预测中的应用研究》中，在混沌相空间重构理论基础上,研究了自适应神经模糊推理系统(Adaptive Neural Fuzzy Inference System, ANFIS)和基于神经网络集成的T-S(Takagi-Sugeno)系统这两种模糊神经网络,随后将其应用于交通流量预测实例分析[2]；李存军在《基于集成神经网络的城市道路交通流量隔合预测研究》中，以城市道路交叉口为例，对基于集成神经网络的融合交通流量预测的模型、方法和具体实现途径进行了研究[3]；冯明发在《粒子群优化RBF神经网络的短时交通流量预测》中，提出基于粒子群(PSO)优化RBF神经网络的交通流量预测方法[4]；韩超在《基于时间序列分析的短时交通流量实时自适应预测》中，基于采用AR(p)模型结构的时间序列分析方法，提出一种短时交通流实时自适应预测算法[5]。兰云在《短时交通流预测研究》提出用小波(Wavelet)将短时交通流数据分解到不同尺度(频率)空间，再在各尺度空间分别进行预测，将预测的结构综合得到原流量序列的预测值的方法[6]。
1.4本文的研究内容及意义
本文将神经网络技术研究与交通信息预测研究紧密结合，在总结国内外研究成果的基础上，对已有的交通流预测方法进行了分类分析，并对每种研究的基本方法进行了具体介绍；再次，重点研究了智能预测中的人工神经网络理论，介绍了神经网络的发展、特点、结构以及学习理论，分析了 BP神经网络的具体步骤，为交通流预测的实现奠定了理论基础；最后，结合实际交通流量观测数据，将
BP神经网络应用于交通流量预测的过程，通过对比预测结果，验证了BP 神经网络具有良好的预测效果。本课题的研究有着一定的理论和应用价值。
2交通流预测方法研究
2.1交通流预测综述
2.1.1交通流预测的研究内容
常见的交通流预测是对交通流三大宏观参数，也就是流量、密度和速度进行预测，在之前多人的研究中，选用流量作为预测变量的比较多。Dougherty 和Cobbet 用三个不同模型对城市道路的三大宏观交通参数进行预测，得出结论：对交通量和密度的预测结果比较理想，对速度的预测效果较差[7]。Levin 和 T sao 通过研究，认为交通量的预测比占有率的预测更稳定，效果更好[8]。
2．1.2交通流预测流程
（1）确定预测目的，制定科学预测计划
从实际需要出发，确定预测要解决的问题。根据预测的对象制订科学的预测计划，包括预测的目的、对象、范畴界定、预测方法、时间和资金安排等。（2）收集、审核和整理资料
准确和详尽的统计资料是交通信息预测的基础，资料的准确与否直接影响到预测的精度。得到需要的资料后，首先应对其进行审核与整理。资料的审核主要是审核来源是否可靠、准确齐备，资料是否具有可比性。资料的整理包括对不准确或个别异常的资料进行查证核实；对不可比的资料调整为可比；对短缺的资料进行估计推算并做标记；对总体资料进行必要的分类组合。
（3）数据资料分析
数据资料分析是预测方法和预测模型选取的前提，它是整个预测过程中的技术重点，数据资料分析的质量将对最终的预测质量产生影响。数据资料分析的内容包括：预测对象的可预测性分析、预测对象影响因素间的线性或非线性相关性分析等。
（4）选取预测方法并建立预测模型
预测方法的选取和预测模型的建立以科学的数据资料分析结论为前提。在掌握的基础数据不完整、不准确的情况下，一般考虑定性的预测方法；对于统计间隔较长的交通信息，应选取恰当的宏观交通信息预测方法；对于具有不同动力学特性的微观交通信息，应分别选取确定性、混沌、随机性的微观交通信息预测方法。针对选定的预测模型，还应根据历史数据进行模型参数估计。
（5）分析预测误差，评价预测效果
利用建立的预测模型，生成从已有数据时间点到未来时间点的预测值，通过和已有数据进行预测对比，分析预测模型的误差及其来源。对于微观交通信息，还应结合预测对象的可预测性质对预测效果进行评价。确定性微观交通信息本质上具备相对较长的预测期，混沌微观交通信息本质上只能被短期预测，随机性微观交通信息则根据其统计特性，具备一定的短期可预测性。
（6）改进预测模型
一方面，针对预测精度不符合交通信息可预测性质的模型，应根据预测效果评价结论，从预测机理、预测模型结构、模型参数选择与标定、数据预处理等方面进行改进型研究。另一方面，预测过程中随着时间的推移，信息数据不断涌现，当原来的预测模型已不能够如实反映实际交通情况的需要，就应采取滚动的预测方法：更新原始数据，多用最新的数据，去掉老的数据，以利于预测质量的提高[9]。
2.1.3研究方法分类
预测方法的分类如果按获取的数据来说可以分为时间序列预测方法和时空结合方法。前者对某一观测点的历史和当前数据来预测未来状况，后者将本观测点和上下游观测点的数据综合预测，考虑上下游对其的影响;如果按有无数学模型可分为基于模型预测和无模型预测算法;还可分为参数预测方法和非参数预测方法。
较早期的交通流量预测方法主要有自回归滑动平均模型(ARMA)、自回归模型(AR)、滑动平均(MA)和历史平均(HA)等。这些线性预测模型考虑因素较简单，参数一般采用最小二乘法(LS)在线估计。相对而言，计算简单，易于实时更新数据，便于大规模应用，但这些模型未能反映交通流的不确定性和非线性，无法克服随机因素对交通流量的影响，所以随着时间间隔的减少，模型的预测精度就会变差。
随着研究的深入，人们又提出了一批更复杂和更高精度的交通流量预测方法。其中有自回归综合移动平均(ARIMA)模型、自适应权重联合模型、卡尔曼滤波模型、指数平滑模型、各种神经网络模型、非参数回归模型、基于分形的方法等以及这些模型构成的多种组合预测模型。
2.2典型方法介绍
2.2.1 常规预测方法
(1)移动平均法
移动平均法是根据时间序列资料计算固定项数的序列平均数，消除不规则变动因素的影响，反应系统长期趋势的方法。移动平均法主要是用来预测时间序列的长期的、总体的发展趋势，此方法可以剔除序列受外界影响后起伏变化较大的数据。移动平均法可以分为一次、多次、加权和趋势移动平均法。
（2）指数平滑法
指数平滑法克服了移动平滑法中1）计算均值时需要较多的历史数据；2）将最近的 N期数据等权看待，而 t-N+ 1期以前数据的权值均为零这两个缺点，每次预测只需要两个数据即可，而且通过滚动加权预测的方法继承了前期数据的信息。指数平滑法可以分为一次指数平滑法、二次指数平滑法、差分指数平滑法等。
（3）趋势曲线法
趋势曲线模型预测是针对长期趋势预测的主要方法。它根据时间序列的发展趋势，配合合适的曲线模型，外推预测未来的趋势情况，描述预测对象的未来发展趋势。
2.2.2智能预测方法
（1）基于灰色系统理论的预测方法
灰色预测，是指利用灰色系统理论对在一定范围变化的时间序列进行定量预测的过程。灰色预测的特点是通过对灰色系统进行灰关联度分析，然后对原始数据进行处理进而寻找系统发展规律，生成新数据序列，通过建立新数据序列的微分方程模型，来预测系统未来发展变化趋势。
（2）基于人工神经网络的预测方法
人工神经网络（Artificial Neural Networks，简写为 ANNs）通常简称为神经网络 NN（Neural network），是利用工程技术手段来模拟人脑神经系统的结构和功能。由于是模拟人脑神经系统，因此神经网络也具备了人脑神经系统的分布式信息存储、并行信息处理、自适应非线性的特点，故神经网络在进行交通信息的非线性预测也起到了非常重要的作用。
（3）灰色马尔科夫预测模型
马尔科夫链（马氏链）理论适合与表述随机过程的状态转移行为，是一种随机时间序列，即随机变量与时间都是离散的，无后效性。但马氏链对预测对象有
特殊要求：预测对象必须具有平稳过程、等均值的特点。
（4）遗传神经网络预测模型
遗传算法（genetic algorithm, GA）是基于 Darwin 的进化论和 Mendel 的遗传学说。遗传算法提供了一种求解复杂系统优化问题的通用框架，通过将问题转化成由染色体组成的进化群体和对该群体进行操作的一组遗传算子，通过适者生存的进化机制，经过“生成—评价—选择—操作”的进化过程反复进行，直到搜索出最优解为止。遗传算法和人工神经网络都属于仿生学理论成果。二者结合，不仅能发挥神经网络的泛化映射能力，而且能使神经网络克服收敛速度慢和易陷入局部最优的缺点。
3 人工神经网络介绍
3.1人工神经网络研究背景及特点
3.1.1 人工神经网络国内外研究背景
随着人工神经网络20世纪80年代在世界范围内的复苏,国内逐步掀起了研究热潮.1989年10月和11月分别在北京和广州召开了神经网络及其应用讨论会和第一届全国信号处理—神经网络学术会议;1990年2月由国内八个学会(中国电子学会、人工智能学会、自动化学会、通信学会、物理学会、生物物理学会和
心理学会)联合在北京召开“中国神经网络首届学术会议”.这次大会以“八学会联盟,探智能奥秘”为主题,收到了300多篇学术论文,开创了中国人工神经网络及神经计算机方面科学研究的新纪元.经过十几年的发展,中国学术界和工程界在人工神经网络的理论研究和应用方面取得了丰硕成果,学术论文、应用成果和研究人员逐年增加.
在国际上,1987年,在美国加洲召开了第一届国际神经网络学会.此后每年召开两次国际联合神经网络大会(IJCNN).不久,该学会创办了刊物JournalNeu-ral Networks,另有十几种国际著名的神经网络学术刊物相继问世.至此,神经网络理论研究在国际学术领域获得了其应有的地位[10]。
神经网络就是在这个背景下发展起来的，自 20 世纪 80 年代后期以来，神经网络已经取得了很大的进展。现今，各国、各领域的学者关于神经网络的研究不断的在发展，已提出了上百种神经网络模型；神经网络方面的研究已成为人工智能领域一个极为重要的研究课题。
3.1.2 人工神经网络特点
人工神经网络采用物理上可实现的器件或采用计算机来模拟生物体中神经网络的某些结构和功能，并应用到工程领域。神经网络的着眼点不在于利用物理器件完整地复制生物体中的神经细胞网络，而是抽取其中可利用的部分来克服目前计算机或其他系统不能解决的问题，如学习、控制、识别等。
虽然人工神经网络与真正的生物神经网络有差别，但由于它汲取了生物神经网络的部分优点，因此具有一些固有的特征：
(1)人工神经网络在结构上与目前的计算机本质不同。它是由很多小的处理单元互相连接而成的，每个处理单元的功能简单，但大量简单的处理单元集体的、并行的活动得到预期的识别、计算的结果，具有较快的速度。
(2)人工神经网络具有非常强的容错性。局部的或部分的神经元损坏后，不会对全局的活动造成很大影响。
(3) 人工神经网络记忆的信息是储存在神经元之间的连接权值上，从单个权值中看不出储存信息的内容，它是分布式的储存方式。
(4) 人工神经网络的学习功能十分强大，它的连接权值和连接的结构都可以通过学习得到[11]。
3.2 人工神经网络基本原理
人工神经网络 （Artificial Neural Networks . ANN ）简称神经网络 （NN ），是对人脑或自然神经网络若干基本特性的抽象和模拟，是一种基于连接学说构造的智能仿生模型，是由大量神经元组成的非线性动力系统。 3.2.1 人工神经元模型
人工神经元是对生物神经元的模拟与抽象，是神经网络的基本处理单元。目前人工神经网络模型大多采用由心理学家W.McCulloch 和数理逻辑学家W.H.Pitts 共同提出的M-P 模型，图1.1表示一个人工神经元模型。
图3-1 人工神经元模型
图中12=(x ,x ,,x )n X L 为该神经元的ｎ个输入，来自外部或者其它神经元的输出。12W=(,,,)n ωωωL 表示与该神经元相连的ｎ个神经元之间的连接强度，称为权值；WX ∑称为激活值，表示这个人工神经元的输入总和；Ｏ表示这个神经元的输出；θ表示这个人工神经元的阈值。这个输入信号的加权和超过Ｃ，则人工神经元被激活。这样，人工神经元的输出可描述为：
O=F(
)WX θ-∑ （3-1）
其中()f g 表示神经元输入 ——输出关系函数，称为激活函数或输出函数。阈值θ一般不是一个常数，它是随着神经元的兴奋程度而变化的。 3.2.2 激活函数
在神经网络中，网络解决问题的能力与效率除了与网络结构有关外，在很大程度上取决于网络所采用的激活函数。激活函数的选择对网络的收敛速度有较大的影响，针对不同的实际问题，激活函数的选择也应不同。常用的激活函数有以下几种形式
1. 阈值函数 其表达式为：
1,0()0,0x p x x ≥??
=??
（3-2） 该函数通常也称为阶跃函数。当激活函数采用阶跃函数时，人工神经元模型即为MP （McCulloch-Pitts ）模型。此时神经元的输出取1或0，反应了神经元的兴奋或抑制。
2. 线性函数（Linear ）其表达式为：
y kx b =+ （3-3）
该函数可以在输出结果为任意值时作为输出神经元的激活函数，但是当网络复杂时，线性激活函数大大降低网络的收敛性 ，故一般较少采用。
3. 对数S 形函数（Sigmoid ）其表达式为：
1
()1exp()
f x x =
+- （3-4）
对数Ｓ形函数的输出介于０～１之间，常被要求为输出在０～１范围的信号选用。它是神经元中使用最为广泛的激活函数。
4. 双曲正切Ｓ形函数 其表达式为： 1exp()
()tanh()1exp()
x f x x x --==
+- （3-5）
双曲正切Ｓ形函数类似于被平滑的阶跃函数，形状与对数Ｓ形函数相同，以原点对称，其输出介于－１～１之间，常常被要求为输出在－１～１范围的信号选用。
3.3 BP 神经网络
(1)BP 神经网络拓扑结构
BP 神经网络是一种多层前馈神经网络，主要特点是信号前向传递，误差反向传播，属于有教师学习方式。基本思想是：在前向传递中，信号经输入层、隐含层、输出层逐层处理并传递，检查预测输出与给定输出之间的误差，若没有达
到精度要求，则转入反向传播，根据检测到的误差来调整输入层与隐含层，隐含层与输出层之间的权值和阈值，从而使预测输出不断逼近地期望输出。三层 BP 神经网络的拓扑结构如图3.2所示。
图3-2 三层BP 神经网络的拓扑结构图
(2)BP 网络实现步骤
Step1：网络初始化。置输入层到隐含层，隐含层到输出层的所有权值为任意小的随机数，并设定初始阈值。
Step2：提供训练样本。根据学习规则，需要提供输入向量12=x n X L （,x ,x ）和相对应的输出向量12=d t D L （,d ,,d）。
Step3：从输入层开始向隐含层、输出层逐层计算输出。
Step4：调整权值。根据误差，从输出层节点开始，到隐含层节点，再到输入层节点逐层的调整权重。
Step5：返回 Step2 重新计算，直到误差满足要求为止。
4 基于BP 神经网络的交通流量预测
本章分别结合路口小时和日的实际交通流量观测数据，基于BP 神经网络使用 Matlab 实现交通流预测并得到预测结果。
4.1 预测实例描述
4.1.1小时交通流量预测分析
(1)小时交通流量变化分析
对一交通路口每小时的车流量进行统计，获得某7天的小时流量数据如下：
表4-1 路口某7天的小时流量
由于车流量具有时间段的特性，我们将24小时划分为6个时间段:[0:00 4:00],[4:00 8:00],[8:00 12:00],[12:00 16:00],[16:00 20:00],[20:00 24:00]统计出每个时间段流量最多的时刻，并计算出该区间段的平均流量作为该时刻的流量。我们可以获得以下时刻的流量数据：
表4-2 训练样本数据
（2）预测结果
4-1 训练样本1的拟合情况 4-2 训练样本2的拟合情况
4-3 训练样本3的拟合情况 4-4 训练样本4的拟合情况
4-5 训练样本5的拟合情况 4-6 训练样本6的拟合情况
4-7 训练样本7的拟合情况 4-8 预测结果
4.1.2 日交通流量预测分析
（1）日交通流量变化分析
数据使用的是一交通路口一个月的交通流量数据。由表可以看出：交通量每
周从周一到周四交通量缓慢增加，到周四达到约 2560 辆，周五下降至一周最小约为 2340 辆，周六、周日交通量急剧增大，到周日达到最大值约 2900 辆。
表4-3 路口某月的日交通流量
我们对一交通路口每天的交通流量进行统计，根据流量的时间分布特点，把一个月划分成6个时间段：[1 5],[6 10],[11 15],[16 20],[21 25],[26 30]. 统计出每个时间段流量最多的日期，并计算出该区间段的平均流量作为该日的流量。我们可以获得以下的流量数据：
表4-4 训练样本数据
（2）预测结果
4-9 训练样本1的拟合情况 4-10 训练样本2的拟合情况
4-11 训练样本3的拟合情况 4-12 训练样本4的拟合情况
4-13 训练样本5的拟合情况 4-14 训练样本6的拟合情况
4-15 训练样本7的拟合情况 4-16 预测结果
5 结论
本文将神经网络技术研究与交通信息预测研究紧密结合，在总结国内外研究成果的基础上，对已有的交通流预测方法进行了分类分析，并对每种研究的基本方法进行了具体介绍；再次，重点研究了智能预测中的人工神经网络理论，介绍了神经网络的发展、特点、结构以及学习理论，分析了 BP神经网络的具体步骤，为交通流预测的实现奠定了理论基础；最后，结合实际交通流量观测数据，将BP神经网络应用于交通流量预测的过程，通过对比预测结果，验证了BP 神经网络具有良好的预测效果。
但在本文的基础上,还有可以继续深入改进和研究的必要。
（1）论文只对神经网络中的 BP神经网络做了具体研究与实例分析，还可以结合神经网络研究的一些新进展（遗传神经网络）对交通流量进行预测。（2）论文若能够提取到更完整的交通信息数据，进行多因素的预测，那么预测精度应该会有很大的提高。
BP神经网络预测的matlab代码附录5: BP神经网络预测的matlab代码: P=[ 0 0.1386 0.2197 0.2773 0.3219 0.3584 0.3892 0.4159 0.4394 0.4605 0.4796 0.4970 0.5278 0.5545 0.5991 0.6089 0.6182 0.6271 0.6356 0.6438 0.6516
0.6592 0.6664 0.6735 0.7222 0.7275 0.7327 0.7378 0.7427 0.7475 0.7522 0.7568 0.7613 0.7657 0.7700] T=[0.4455 0.323 0.4116 0.3255 0.4486 0.2999 0.4926 0.2249 0.4893 0.2357 0.4866 0.2249 0.4819 0.2217 0.4997 0.2269 0.5027 0.217 0.5155 0.1918 0.5058 0.2395 0.4541 0.2408 0.4054 0.2701 0.3942 0.3316 0.2197 0.2963 0.5576 0.1061 0.4956 0.267 0.5126 0.2238 0.5314 0.2083 0.5191 0.208 0.5133 0.1848 0.5089 0.242 0.4812 0.2129 0.4927 0.287 0.4832 0.2742 0.5969 0.2403 0.5056 0.2173 0.5364 0.1994 0.5278 0.2015 0.5164 0.2239 0.4489 0.2404 0.4869 0.2963 0.4898 0.1987 0.5075 0.2917 0.4943 0.2902 ] threshold=[0 1] net=newff(threshold,[11,2],{'tansig','logsig'},'trainlm');
%% 清空环境变量 clc clear %% 网络参数配置 load traffic_flux input output input_test output_test M=size(input,2); %输入节点个数 N=size(output,2); %输出节点个数 n=6; %隐形节点个数 lr1=0.01; %学习概率 lr2=0.001; %学习概率 maxgen=100; %迭代次数 %权值初始化 Wjk=randn(n,M);Wjk_1=Wjk;Wjk_2=Wjk_1; Wij=randn(N,n);Wij_1=Wij;Wij_2=Wij_1; a=randn(1,n);a_1=a;a_2=a_1; b=randn(1,n);b_1=b;b_2=b_1; %节点初始化 y=zeros(1,N); net=zeros(1,n); net_ab=zeros(1,n); %权值学习增量初始化 d_Wjk=zeros(n,M); d_Wij=zeros(N,n); d_a=zeros(1,n);
d_b=zeros(1,n); %% 输入输出数据归一化 [inputn,inputps]=mapminmax(input'); [outputn,outputps]=mapminmax(output'); inputn=inputn'; outputn=outputn'; %% 网络训练 for i=1:maxgen %误差累计 error(i)=0; % 循环训练 for kk=1:size(input,1) x=inputn(kk,:); yqw=outputn(kk,:); for j=1:n for k=1:M net(j)=net(j)+Wjk(j,k)*x(k); net_ab(j)=(net(j)-b(j))/a(j); end temp=mymorlet(net_ab(j)); for k=1:N y=y+Wij(k,j)*temp; %小波函数 end end
F5应用流量管理解决方案 F5公司概况 F5 Networks是应用流量管理领域的行业领导者,为客户成功发布网络服务和应用提供一流的网络平台，它使企业和服务提供商能够优化任何关键任务应用或web服务，从而在不可预测的环境中提供安全、可预测的应用流量交付。 F5 Networks成立于1996年, 在1999年上市, Nasdaq (FFIV)，总部在西雅图。在流量管理领域，F5的主要产品系列包括BIG-IP--提供本地应用流量管理和3-DNS—提供广域应用流量管理。同时，在安全领域，F5于2003年7 月收购Urom –SSL VPN产品，目前提供FirePass SSL VPN，使得用户可以通过任何浏览器来远程控制公司网络。本文将主要介绍应用流量管理产品和解决方案。 2.应用流量管理产品系列介绍 2.1BIG-IP—本地流量管理应用交换机 BIG-IP是一款出色的局域应用流量管理解决方案，可确保为Web应用提供出色的可用性、可靠性、安全性及可扩充性。它可以提供高可用性负载平衡、快速与超智能的第7层交换、精细的互动控制、DoS保护、资源共享以及其它诸多特性，从而为企业的互联网网络提供最好的保护。 BIG-IP产品系列包括F5 Networks BIG-IP应用交换机--5100系列、2400系列、1000 系列。 BIG-IP 5100系列作为最出色的第7层交换机，BIG-IP 5000系列通过其强大的应用级事务（第7层）处理能力优化了应用和Web服务的交付。配置：2枚1.26 GHz奔腾处理器、1GB内存、24个10/100和4GB端口、以及集成的SSL（无需额外费用）。
基于ＢＰ神经网络的国际黄金价格预测模型 公文易文秘资源网顾孟钧张志和陈友2009-1-2 13:35:26我要投稿添加到百度搜藏 [摘要] 为了寻找国际黄金价格与道琼斯工业指数、美国消费者指数，国际黄金储备等因素之间的内在关系，本文对1972年～2006年间的各项数据首先进行归一化处理，利用MATLAB神经网络工具箱进行模拟训练，建立了基于BP神经网络的国际黄金价格预测模型 [摘要] 为了寻找国际黄金价格与道琼斯工业指数、美国消费者指数，国际黄金储备等因素之间的内在关系，本文对1972年～2006年间的各项数据首先进行归一化处理，利用MATLAB神经网络工具箱进行模拟训练，建立了基于BP神经网络的国际黄金价格预测模型。 [关键词] MATLAB BP神经网络预测模型数据归一化 一、引言 自20世纪70年代初以来的30多年里,世界黄金价格出现了令人瞠目的剧烈变动。20 世纪70年代初,每盎司黄金价格仅为30多美元。80年代初,黄金暴涨到每盎司近700美元。本世纪初,黄金价格处于每盎司270美元左右,此后逐年攀升,到2006年5月12日达到了26年高点,每盎司730美元,此后又暴跌,仅一个月时间内就下跌了约160美元,跌幅高达21.9%。最近两年，黄金价格一度冲高到每盎司900多美元。黄金价格起伏如此之大,本文根据国际黄金价格的影响因素，通过BP神经网络预测模型来预测长期黄金价格。 二、影响因素 刘曙光和胡再勇证实将观察期延长为1972年～2006年时,则影响黄金价格的主要因素扩展至包含道琼斯指数、美国消费者价格指数、美元名义有效汇率、美国联邦基金利率和世界黄金储备5个因素。本文利用此观点，根据1972年～2006年各因素的值来建立神经网络预测模型。 三、模型构建
问题描述 交通拥堵是困扰当前城市交通的重要难题，随着国民经济的快速发展和城市化进程的不断加快，我国的机动车的拥有量及道路交通流量都必将会急剧地增加，日益增长的交通需求和城市道路基础设施建设将会成为当前城市交通的主要矛盾，因此，交通拥挤和阻塞现象必然会频繁发生。 在很多城市的交通拥堵问题，严重地影响了人们的日常出行活动，造成了时间的浪费、工作的耽误，直接或间接的带来了相当大的经济损失，制约了城市经济的发展。 问题定义及分析 交通拥堵是指在一定时间内想要通过某路段的车辆总数（交通需求）超过了某路段在该段时间内道路所能通过的最大车辆总数（道路的通行能力），从而导致车辆滞留在道路上的交通现象。 道路对交通的供给，是通过道路的通行能力来反映的，导致路段单元道路通行能力变化的原因有很多，主要有以下几个方面： 1)驾驶员和行人等的安全交通意识，如闯红灯、超车等 2)非机动车对交通的影响 3)雨、雪、雾等恶劣天气的影响 4)交通事故 5)道路本身的通行能力 车辆在以自由状态行驶的时候，时间是与距离成正比的，但是在实际的城市道路中，车辆不可能以自由状态行驶。行驶过程中会受到各种干扰因素的影响，或多或少的阻碍了车辆运行过程中的通畅程度。 路段行驶时间和流量的关系建模 进行道路交通流量分析建模的主要目的： 1)分析目前交通网络的运行状况 2)发现当前交通网络的缺陷，为后面交通网络的规划设计提供依据 3)评价交通网络规划方案的优劣性、合理性
4)最大限度的减少交通阻塞的发生，提高交通系统服务水平 由交通流理论可知，交通量(Q)、速度(V)和密度(K)三参数之间的关系为 () 1Q KV =其中，Q 为路段的车流量，K 为路段车流密度，V 为路段行车速度。 当某一段公路上的交通量逐渐增大,达到/1Q C =时,道路上的车辆将开始产生拥挤，此时所计算到的交通密度称为最大密度,用j K 来表示,而j K 所对应的交通量就是路段通行能力C 。此时如果该路段的车辆仍不断增加,将最终导致交通阻塞，从而使速度最后达到零，整个路段道路(车道)被车辆全部占据，我们称此时道路上的交通密度为交通阻塞密度(又称为最大密度max K )对应的交通量显然为零。理论上通过该路段的时间为无限长，这种规律关系见下图。 又由速度-密度的线性关系表达式可知 ()() max 2f f V V K V K K =-其中，f V 为自由流行驶时的行车速度，max K 为路段拥堵到流量为0时的车流密度，其它的同式(1) 由(1)式和(2)式可知路段流量和路段车流密度之间的关系为 ()() 2max 3f f V Q K V K K K =-
计算智能实验报告 实验名称：BP神经网络算法实验 班级名称： 2010级软工三班 专业：软件工程 姓名：李XX 学号： XXXXXX2010090
一、实验目的 1）编程实现BP神经网络算法； 2）探究BP算法中学习因子算法收敛趋势、收敛速度之间的关系； 3）修改训练后BP神经网络部分连接权值，分析连接权值修改前和修改后对相同测试样本测试结果，理解神经网络分布存储等特点。 二、实验要求 按照下面的要求操作，然后分析不同操作后网络输出结果。 1）可修改学习因子 2）可任意指定隐单元层数 3）可任意指定输入层、隐含层、输出层的单元数 4）可指定最大允许误差ε 5）可输入学习样本（增加样本） 6）可存储训练后的网络各神经元之间的连接权值矩阵； 7）修改训练后的BP神经网络部分连接权值，分析连接权值修改前和修改后对相同测试样本测试结果。 三、实验原理 1 明确BP神经网络算法的基本思想如下： 在BPNN中，后向传播是一种学习算法，体现为BPNN的训练过程，该过程是需要教师指导的；前馈型网络是一种结构，体现为BPNN的网络构架 反向传播算法通过迭代处理的方式，不断地调整连接神经元的网络权重，使得最终输出结果和预期结果的误差最小 BPNN是一种典型的神经网络，广泛应用于各种分类系统，它也包括了训练和使用两个阶段。由于训练阶段是BPNN能够投入使用的基础和前提，而使用阶段本身是一个非常简单的过程，也就是给出输入，BPNN会根据已经训练好的参数进行运算，得到输出结果 2 明确BP神经网络算法步骤和流程如下： 1初始化网络权值 2由给定的输入输出模式对计算隐层、输出层各单元输出 3计算新的连接权及阀值， 4选取下一个输入模式对返回第2步反复训练直到网络设输出误差达到要求结束训练。
交通流量的神经网络预测研究 [摘要]交通流量预测问题是交通信息预测的核心问题，进行交通流量预测理论体系的研究，对于改善我国交通拥堵问题具有十分重要的学术价值和现实意义。本文在总结国内外研究成果的基础上，对已有的交通流预测方法进行了分类分析和介绍，并利用神经网络的方法来对交通流量进行预测分析。基于交通流量的集中分布特点并结合实际交通流量观测数据，我们采用了分区间段进行数据整理，将BP神经网络应用于交通流量预测的过程，通过对比预测结果，验证了BP 神经网络具有良好的预测效果。 [关键词]交通信息交通流预测 BP神经网络
Research on neural network prediction of traffic flow [Abstract] Traffic flow forecasting is the core problem of traffic information prediction,theory system in the prediction of traffic flow,is very important for improving our countrytraffic congestion has academic value and practical significance.Th is paper based on summarizing the domestic and foreign research results,analyzes and introduces the existing traffic flow forecasting methods, andanalysis to predict the traffic flow by neural network. based on centralized distribution of traffic flow and combined with the actual traffic flow data. We use the inter partition of data processing during the process of BP neural network can be used to traffic flow prediction by comparing the predicted results ,proves that BP neural network has the good forecast effect. [Keywords] Traffic Information Traffic flow Prediction BP neural network
web网络安全解决方案 （文档版本号：V1.0） 沈阳东网科技有限公司
一、前言 (1) 二、如何确保web的安全应用 (1) 三、常见部署模式 (2) 四、需求说明 (5) 五、网络拓扑 (6) 六、总结 (6)
一、前言 Web应用处在一个相对开放的环境中，它在为公众提供便利服务的同时，也极易成为不法分子的攻击目标，黑客们已将注意力从以往对网络服务器的攻击逐步转移到了对Web应用的攻击上。当前，信息安全攻击约有75%都是发生在Web应用而非网络层面上。 Web攻击者针对Web应用程序的可能漏洞、 Web系统软件的不当配置以及http协议本身薄弱之处，通过发送一系列含有特定企图的请求数据，对Web站点特别是Web应用进行侦测和攻击，攻击的目的包括：非法获得站点信息、篡改数据库和网页、绕过身份认证和假冒用户、窃取用户资料和数据、控制被攻击的服务器等。 目前，利用网上随处可见的攻击软件，攻击者不需要对网络协议有深厚理解，即可完成诸如更换Web网站主页、盗取管理员密码、破坏整个网站数据等等攻击。而这些攻击过程中产生的网络层数据，和正常数据没有什么区别。 二、如何确保web的安全应用 在Web系统的各个层面，都会使用不同的技术来确保安全性：为了保护客户端机器的安全，用户会安装防病毒软件；为了保证用户数据传输到Web服务器的传输安全，通信层通常会使用SSL技术加密数据；为了阻止对不必要暴露的端口和非法的访问，用户会使用网络防火墙和IDS/IPS来保证仅允许特定的访问。 但是，对于Web应用而言，Web服务端口即80和443端口是一定要开放的，恶意的用户正是利用这些Web端口执行各种恶意的操作，或者偷窃、或者操控、或者破坏Web应用中的重要信息。而传统安全设备仅仅工作在网络层上，并不能精确理解应用层数据，更无法结合Web系统对请求进行深入分析，针对应用层面的攻击可以轻松的突破传统网络防火墙和IDS/IP 保护的网站。 因此，在大量而广泛的Web网站和Web应用中，需要采用专门的Web 安全防护系统来保护Web应用层面的安全，WAF（Web Application Firewall，WEB应用防火墙）产品开始流行起来。 WAF产品按照形态划分可以分为三种，硬件、软件及云服务。软件WAF 由于功能及性能方面的缺陷，已经逐渐被市场所淘汰。云WAF近两年才刚刚兴起，产品及市场也都还未成熟。与前两种形态相比，硬件WAF经过多
数学实验报告 学号: , 姓名: , 得分: 实验内容:实验题：交通网络流量分析问题（线性方程组应用） 城市道路网中每条道路、每个交叉路口的车流量调查，是分析、评价及改善城市交通状况的基础。 问题：某城市有下图所示的交通图，每条道路都是单行线，需要调查每条道路每小时的车流量。图中的数字表示该条路段的车流数。如果每个交叉路口进入和离开的车数相等，整个图中进入和离开的车数相等。 求（1）建立确定每条道路流量的线性方程组； （2）分析哪些流量数据是多余的； （3）为了唯一确定未知流量，需要增添哪几条道路的流量统计。 解： （1）由题意得：x1+ x7=400 x1+ x9= x2+300 x2+100=300+ x11 x3+ x7=350+ x8 x4+ x10= x9+ x3 x11+500= x4+ x12 x8+ x5=310 x6+400= x10+ x5 x12+150= x6+290
整理得： x 1+ x 7=400 x 1- x 2+ x 9=300 x 2+ x 11=200 x 3+ x 7- x 8=350 -x 3+x 4+ x 10- x 9=0 -x 4+x 11- x 12=-500 x 5 +x 8=310 - x 5+x 6- x 10=-400 -x 6+ x 12= 140 将方程组写成矩阵向量形式为AX = b 1 0 0 0 0 0 1 0 0 0 0 0 400 x 1 1 -1 0 0 0 0 0 0 1 0 0 0 300 x 2 0 1 0 0 0 0 0 0 0 0 1 0 200 x 3 A= 0 0 1 0 0 0 1 -1 0 0 0 0 b= 350 X= x 4 0 0 -1 1 0 0 0 0 -1 1 0 0 0 x 5 0 0 0 -1 0 0 0 0 0 0 1 -1 -500 x 6 0 0 0 0 1 0 0 1 0 0 0 0 310 x 7 0 0 0 0 -1 1 0 0 0 -1 0 0 -400 x 8 0 0 0 0 0 -1 0 0 0 0 0 1 140 x 9 x 10 x 11 x 12 在MATLAB 环境中，首先输入方程组的系数矩阵A 和方程组右端向量b A=[1,0,0,0,0,0,1,0,0,0,0,0;1,-1,0,0,0,0,0,0,1,0,0,0;0,1,0,0,0,0,0,0,0,0,1,0;0,0,1,0,0,0,1,-1,0,0,0,0;0,0,-1,1,0,0,0,0,-1,1,0,0;0,0,0,-1,0,0,0,0,0,0,1,-1;0,0,0,0,1,0,0,1,0,0,0,0;0,0,0,0,-1,1,0,0,0,-1,0,0;0,0,0,0,-1,0,0,0,0,0,1] b = [400;300;200;350;0;500;310;-400;140] 解得 x 1=- x 9+500 x 2=200 x 3=- x 9+ x 10- x 12
交通预测模型【对各种交通流预测模型的简要分析】 摘要:随着社会的发展，交通事故、交通堵塞、环境污染和能源消耗等问题日趋严重。多年来，世界各国的城市交通专家提出各种不同的方法，试图缓解交通拥堵问题。交通流预测在智能交通系统中一直是一个热门的研究领域，几十年来，专家和学者们用各种方法建立了许多相对精确的预测模型。本文在提出交通流短期预测模型应具备的特性的基础上，讨论了几类主要模型的结果和精确度。 关键词:交通流预测;模型;展望 20世纪80年代，我国公路建设项目交通量预测研究尚处于探索成长阶段，交通量预测主要采用个别推算法，又可分为直接法和间接法。直接法是直接以路段交通量作为研究对象；间接法则是以运输量作为研究对象，最后转换为路段交通量。 进入90年代后，我国的公路建设项目，特别是高速公路建设项目的交通量分析预测多采用“四阶段”预测，该法以机动车出行起讫点调查为基础，包括交通量的生成、交通分布、交通方式选择和交通量分配四个阶段。
几十年来，世界各国的专家和学者利用各学科领域的方法开发出了各种预测模型用于短时交通流预测，总结起来，大概可以分为六类模型：基于统计方法的模型、动态交通分配模型、交通仿真模型、非参数回归模型、神经网络模型、基于混沌理论的模型、综合模型等。这些模型各有优缺点，下面分别进行分析与评价。 一、基于统计方法的模型 这类模型是用数理统计的方法处理交通历史数据。一般来说统计模型使用历史数据进行预测，它假设未来预测的数据与过去的数据有相同的特性。研究较早的历史平均模型方法简单，但精度较差，虽然可以在一定程度内解决不同时间、不同时段里的交通流变化问题，但静态的预测有其先天性的不足，因为它不能解决非常规和突发的交通状况。线性回归模型方法比较成熟，用于交通流预测，所需的检测设备比较简单，数量较少，而且价格低廉，但缺点也很明显，主要是适用性差、实时性不强，单纯依据预先确定的回归方程，由测得的影响交通流的因素进行预测，只适用于特定路段的特定流量范围，且不能及时修正误差。当实际情况与参数标定时的交通状态相差较远时，
求用matlab编BP神经网络预测程序 求一用matlab编的程序 P=[。。。];输入T=[。。。];输出 % 创建一个新的前向神经网络 net_1=newff(minmax(P),[10,1],{'tansig','purelin'},'traingdm') % 当前输入层权值和阈值 inputWeights=net_1.IW{1,1} inputbias=net_1.b{1} % 当前网络层权值和阈值 layerWeights=net_1.LW{2,1} layerbias=net_1.b{2} % 设置训练参数 net_1.trainParam.show = 50; net_1.trainParam.lr = 0.05; net_1.trainParam.mc = 0.9; net_1.trainParam.epochs = 10000; net_1.trainParam.goal = 1e-3; % 调用TRAINGDM 算法训练BP 网络 [net_1,tr]=train(net_1,P,T); % 对BP 网络进行仿真 A = sim(net_1,P); % 计算仿真误差 E = T - A; MSE=mse(E) x=[。。。]';%测试 sim(net_1,x) %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% 不可能啊我2009 28对初学神经网络者的小提示
第二步：掌握如下算法: 2.最小均方误差,这个原理是下面提到的神经网络学习算法的理论核心,入门者要先看《高等数学》（高等教育出版社，同济大学版）第8章的第十节：“最小二乘法”。 3.在第2步的基础上看Hebb学习算法、SOM和K-近邻算法，上述算法都是在最小均方误差基础上的改进算法，参考书籍是《神经网络原理》（机械工业出版社，Simon Haykin著，中英文都有）、《人工神经网络与模拟进化计算》（清华大学出版社，阎平凡，张长水著）、《模式分类》（机械工业出版社，Richard O. Duda等著，中英文都有）、《神经网络设计》（机械工业出版社，Martin T. Hargan等著，中英文都有）。 4.ART(自适应谐振理论),该算法的最通俗易懂的读物就是《神经网络设计》（机械工业出版社，Martin T. Hargan等著，中英文都有）的第15和16章。若看理论分析较费劲可直接编程实现一下16.2.7节的ART1算法小节中的算法. 4.BP算法,初学者若对误差反传的分析过程理解吃力可先跳过理论分析和证明的内容,直接利用最后的学习规则编个小程序并测试,建议看《机器学习》(机械工业出版社，Tom M. Mitchell著，中英文都有）的第4章和《神经网络设计》（机械工业出版社，Martin T. Hargan等著，中英文都有）的第11章。 BP神经网络Matlab实例（1） 分类：Matlab实例 采用Matlab工具箱函数建立神经网络，对一些基本的神经网络参数进行了说明，深入了解参考Matlab帮助文档。 % 例1 采用动量梯度下降算法训练BP 网络。 % 训练样本定义如下： % 输入矢量为 % p =[-1 -2 3 1 % -1 1 5 -3] % 目标矢量为t = [-1 -1 1 1] close all clear clc % --------------------------------------------------------------- % NEWFF——生成一个新的前向神经网络,函数格式： % net = newff(PR,[S1 S2...SNl],{TF1 TF2...TFNl},BTF,BLF,PF) takes, % PR -- R x 2 matrix of min and max values for R input elements % （对于R维输入，PR是一个R x 2 的矩阵，每一行是相应输入的
1 网络流量分析解决方案 方案简介 NTA网络流量分析系统为客户提供了一种可靠的、便利的网络流量分析解决 方案。客户可以使用支持NetStream技术的路由器和交换机提供网络流量信息， 也可以使用DIG探针采集器对网络流量信息进行采集。并且可根据需求，灵活启动不同层面（接入层、汇聚层、核心层）的网络设备进行流量信息采集，不需要改动现有的网络结构。 NTA网络流量分析系统可以为企业网、校园网、园区网等各种网络提供网络流量信息统计和分析功能，能够让客户及时了解各种网络应用占用的网络带宽，各种业务消耗的网络资源和网络应用中TopN流量的来源，可以帮助网络管理员及时发现网络瓶颈，防范网络病毒的攻击，并提供丰富的网络流量分析报表。帮助客户在网络规划、网络监控、网络优化、故障诊断等方面做出客观准确的决策。2方案特点 ● 多角度的网络流量分析 NTA网络流量分析系统可以统计设备接口、接口组、IP地址组、多链路接口的（准）实时流量信息，包括流入、流出速率以及当前速率相对于链路最大速率 的比例。 NTA网络流量分析系统可以从多个角度对网络流量进行分析，并生成报表，包 括基于接口的总体流量趋势分析报表、应用流量分析报表、节点（包括源、目 的IP）流量报表、会话流量报表等几大类报表。 ● 总体流量趋势分析 总体流量趋势报表可反映被监控对象（如一个接口、接口组、IP地 址组）的入、出流量随时间变化的趋势。 图形化的统计一览表提供了指定时间段内总流量、采样点速率最大值、 采样点速率最小值和平均速率的信息。对于设备接口，还可提供带宽 资源利用率的统计。 支持按主机统计流量Top5，显示给定时间段内的流量使用在前5位 的主机流量统计情况，以及每个主机使用的前5位的应用流量统计。 同时还支持流量明细报表，可提供各采样时间点上的流量和平均速率
close all clear echo on clc % NEWFF——生成一个新的前向神经网络 % TRAIN——对 BP 神经网络进行训练 % SIM——对 BP 神经网络进行仿真 % 定义训练样本 % P为输入矢量 P=[0.7317 0.6790 0.5710 0.5673 0.5948;0.6790 0.5710 0.5673 0.5948 0.6292; ... 0.5710 0.5673 0.5948 0.6292 0.6488;0.5673 0.5948 0.6292 0.6488 0.6130; ... 0.5948 0.6292 0.6488 0.6130 0.5654; 0.6292 0.6488 0.6130 0.5654 0.5567; ... 0.6488 0.6130 0.5654 0.5567 0.5673;0.6130 0.5654 0.5567 0.5673 0.5976; ... 0.5654 0.5567 0.5673 0.5976 0.6269;0.5567 0.5673 0.5976 0.6269 0.6274; ... 0.5673 0.5976 0.6269 0.6274 0.6301;0.5976 0.6269 0.6274 0.6301 0.5803; ... 0.6269 0.6274 0.6301 0.5803 0.6668;0.6274 0.6301 0.5803 0.6668 0.6896; ... 0.6301 0.5803 0.6668 0.6896 0.7497]; % T为目标矢量 T=[0.6292 0.6488 0.6130 0.5654 0.5567 0.5673 0.5976 ... 0.6269 0.6274 0.6301 0.5803 0.6668 0.6896 0.7497 0.8094]; % Ptest为测试输入矢量 Ptest=[0.5803 0.6668 0.6896 0.7497 0.8094;0.6668 0.6896 0.7497 0.8094 0.8722; ... 0.6896 0.7497 0.8094 0.8722 0.9096]; % Ttest为测试目标矢量 Ttest=[0.8722 0.9096 1.0000]; % 创建一个新的前向神经网络 net=newff(minmax(P'),[12,1],{'logsig','purelin'},'traingdm'); % 设置训练参数 net.trainParam.show = 50; net.trainParam.lr = 0.05; net.trainParam.mc = 0.9; net.trainParam.epochs = 5000; net.trainParam.goal = 0.001; % 调用TRAINGDM算法训练 BP 网络 [net,tr]=train(net,P',T); % 对BP网络进行仿真 A=sim(net,P'); figure; plot((1993:2007),T,'-*',(1993:2007),A,'-o'); title('网络的实际输出和仿真输出结果，*为真实值，o为预测值'); xlabel('年份'); ylabel('客运量'); % 对BP网络进行测试 A1=sim(net,Ptest');
方案背景 随着网络的应用越来越广泛，规模也随之日渐增长，网络中承载的业务也越来越丰富。企业需要及时的了解到网络中承载的业务，及时的掌握网络流量特征，以便使网络带宽配置最优化，及时解决网络性能问题。目前企业在管理网络当中普遍遭遇到了如下的问题： 1、网络的可视性：网络利用率如何？什么样的程序在网络中运行？主要用户有哪些？网络中是否产生异常流量？有没有长期的趋势数据用作网络带宽规划？ 2、应用的可视性：当前网内有哪些应用？分别产生了多少流量？网络中应用使用的模式是什么？企业内部重要应用执行状况如何？ 3、用户使用网络模式的可视性：哪些用户产生的流量最多？哪些服务器接收的流量最多？哪些会话产生了流量？分别使用了哪些应用？ 从这些企业管理网络中所经常遇到的问题来看，需要有一种解决方案能让网络管理人员及时了解到详细的网络使用情形，使网络管理人员及时洞察网络运行状况、及时了解网内应用的执行情况。 为了应对企业网络管理中的这些问题，于是，H3C公司的NTA（Network Traffic Analysis）解决方案应运而生！ 所谓的工欲善其事，必先利其器，NTA解决方案可以帮助网络管理人员了解企业内部网络之运行状况，及时发现并解决网络中的性能瓶颈问题、网络异常现象，也能方便用户进行网络优化、网络设备投资、网络带宽优化等的参考，并方便网络管理员及时解决网络异常问题。 NetStream技术介绍 在理解Network Traffic Analysis解决方案之前，首先需要了解NetStream的一些基本概念，它们是该解决方案的基础。
“流”概念 NetStream的流定义为：由源到目的方向的一系列单向的数据包。 NetStream流是通过7元组来标识的，即通过接口索引、源IP地址、目的IP地址、源端口号、目的端口号、协议号和ToS组成的七元组确定一个NetStream流，设备根据七元组信息对过往的数据包进行NetStream统计。 下图中就包括四条流： 从Client A到WWW Server方向通信时产生的流； 从WWW Server到Client A方向通信时产生的流； 从Client B到FTP Server方向通信时产生的流； 从FTP Server到Client B方向通信时产生的流； 图1 网络中流的举例说明 从上例中可以很容易地理解，流是单向的，同时流也是基于协议的。形象地说，通过NetStream流可以记录下来网络中who、what、when、where、how。
基于神经网络的股票预测 【摘要】: 股票分析和预测是一个复杂的研究领域，本论文将股票技术分析理论与人工神经网络相结合，针对股票市场这一非线性系统，运用BP神经网络，研究基于历史数据分析的股票预测模型，同时，对单只股票短期收盘价格的预测进行深入的理论分析和实证研究。本文探讨了BP神经网络的模型与结构、BP算法的学习规则、权值和阈值等，构建了基于BP神经网络的股票短期预测模型，研究了神经网络的模式、泛化能力等问题。并且，利用搭建起的BP神经网络预测模型，采用多输入单输出、单隐含层的系统，用前五天的价格来预测第六天的价格。对于网络的训练，选用学习率可变的动量BP算法，同时，对网络结构进行了隐含层节点的优化，多次尝试，确定最为合理、可行的隐含层节点数，从而有效地解决了神经网络隐含层节点的选取问题。 【abstract] Stock analysis and forecasting is a complex field of study. The paper will make research on stock prediction model based on the analysis of historical data, using BP neural network and technical analysis theory. At the same time, making in-depth theoretical analysis and empirical studies on the short-term closing price forecasts of single stock. Secondly, making research on the model and structure of BP neural network, learning rules, weights of BP algorithm and so on, building a stock short-term forecasting model based on the BP neural network, related with the model of neural network and the ability of generalization. Moreover, using system of multiple-input single-output and single hidden layer, to forecast the sixth day price by BP neural network forecasting model structured. The network of training is chosen BP algorithm of traingdx, while making optimization on the node numbers of the hidden layer by several attempts. Thereby resolve effectively the problem of it. 【关键词】BP神经网络股票预测分析 1．引言 股票市场是一个不稳定的非线性动态变化的复杂系统，股价的变动受众多因素的影响。影响股价的因素可简单地分为两类，一类是公司基本面的因素，另一类是股票技术面的因素，虽然股票的价值是公司未来现金流的折现，由公司的基本面所决定，但是由于公司基本面的数据更新时间慢，且很多时候并不能客观反映公司的实际状况，采用适当数学模型就能在一定
网络流量采集分析解决方案 （NSC&NDA）技术白皮书
华为技术有限公司 Huawei Technologies Co., Ltd.
网络流量采集分析方案（NSC&NDA）技术白皮书
目
1. 2.
录
前言..................................................................................................................................................1 NSC&NDA解决方案简介..............................................................................................................2 2.1. 2.2. NetStream概念 ........................................................................................................... 2 NSC&NDA解决方案组成 ............................................................................................ 4
3.
NSC&NDA解决方案关键特性......................................................................................................5 3.1. 3.2. 3.3. NDE关键特性.............................................................................................................. 5 NSC关键特性.............................................................................................................. 6 NDA关键特性.............................................................................................................. 7
4.
NSC&NDA解决方案典型应用......................................................................................................8 4.1. NSC&NDA解决方案部署策略 ..................................................................................... 8 NDE部署策略 .................................................................................................................9 NSC部署策略 ..................................................................................................................9 NDA部署策略 ...............................................................................................................10
4.1.1. 4.1.2. 4.1.3. 4.2. 4.3. 5.
NSC&NDA宽带公众网络运营商解决方案 ................................................................. 10 NSC&NDA承载网解决方案....................................................................................... 12
结束语............................................................................................................................................12
附录A 缩略语 .......................................................................................................................................12
Copyright ?2005 华为技术有限公司
版权所有， 侵权必究
i