下载文档原格式
城市高峰小时交通流量预测算法研究随着城市化进程的不断加快，城市交通问题日益突出，特别是在交通高峰小时段，道路拥堵、交通效率低下成为城市居民生活中的普遍困扰。
因此，准确预测城市高峰小时交通流量变得至关重要，可为交通管理部门提供决策支持，优化交通配给和资源分配，改善城市交通状况。
城市高峰小时交通流量预测问题具有一定的复杂性，涉及多种因素，包括但不限于道路网络结构、人口流动、交通需求、公共交通情况等。
因此，研究城市高峰小时交通流量预测算法成为一个热门的研究方向。
现今，学术界和实践界已经提出了多种城市高峰小时交通流量预测算法，其中一些算法得到了广泛应用和验证，提供了有效的解决方案。
一种常见的方法是基于统计模型进行预测。
该方法利用历史交通流量数据进行分析和建模，通过对数据的统计特征进行分析和挖掘，构建预测模型。
常用的统计模型包括回归模型、时间序列模型和灰色模型等。
这些模型基于历史数据的规律和趋势，可以较为准确地预测交通流量。
另一种常见的方法是基于机器学习的预测算法。
这类算法使用算法模型通过大量的历史数据进行训练，使其能够自动学习和发现数据中的模式和规律，从而预测未来的交通流量。
常用的机器学习算法包括决策树、神经网络、支持向量机等。
这些算法在训练过程中，可以根据不同的特征和权重来捕捉每个特征对交通流量的影响，从而提高预测的准确性。
近年来，深度学习方法在交通流量预测中取得了显著的成果。
深度学习通过多层次的神经网络模型，能够从原始的交通数据中提取高级的特征表示，并通过对大量数据的训练和反向传播算法的调整，不断提高预测效果。
例如，卷积神经网络（CNN）和循环神经网络（RNN）在交通流量预测中取得了较好的结果，能够较准确地预测未来交通流量。
除了以上方法外，一些研究者还探索了基于人工智能、群智能和大数据的预测算法。
人工智能方法可以模拟人类的智能行为和决策过程，从而进行交通流量预测。
而群智能方法基于群体交通行为的规律，可以通过多智能体的协作与反馈，实现更准确的预测。
城市轨道交通客流预测⽅法城市轨道交通客流预测⽅法⽬前, 对城市轨道交通线路客流预测尚处于探索阶段。
中国城市轨道交通客流预测模式主要分为3 类:1、⾮基于现状OD(起点)客流的预测模式, 将相关的公交线路客流和⾃⾏车流量向轨道交通线路转移, 得到轨道交通客流; 2、基于现状OD客流的预测模式, 以经典的“四阶段”法为基础, 结合城市规划推算未来轨道交通的客流;3、基于⾮集聚模型的预测模式⽬前应⽤较多的是在“四阶段”法基础上进⾏轨道交通线路客流的预测。
过秀成等提出在全⽅式OD矩阵基础上, ⽤分层次策略性交通⽅式划分, 得到合作竞争类的OD矩阵采⽤联合⽅式划分交通分配模型,进⾏轨道交通线⽹客流分析吴祥云等建⽴了轨道交通的阻抗函数,提出了城市轨道交通⽹络的客流量均衡分配模型,并采⽤Frank-Wolf e算法求解了该模型。
⽬前,轨道交通客流预测模型已逐步建⽴起⼀套完整的预测⽅法和计算模型体系,但实际运⽤中仍难以达到较⾼的可信度。
为此, 本⽂基于“四阶段”法提出客流预测体系, 并建⽴⽅式划分与分配组合模型, 以期进⼀步提⾼轨道交通客流预测的准确性。
1 轨道交通客流预测的总体框架“四阶段”法的⼤框架, 部分吸收⾮集聚模型的优点,如图1 所⽰。
图1轨道交通客流预测总体技术路线考虑到⾼峰⼩时与全⽇出⾏分布规律的差异性, 建议分别构建全⽇客流O D 矩阵和⾼峰⼩时客流OD 矩阵,然后通过相应的分配过程, 得到轨道交通线路的全⽇客流指标和⾼峰⼩时客流指标2 全⽇出⾏的发⽣( 吸引) 和分布预测2. 1 各交通⼩区全⽇出⾏的发⽣( 吸引) 预测交通⼩区的⽇发⽣量与⼈⼝数相关、吸引量与就业岗位数相关, 并服从指数关系。
其计算式为：i , j=1,2,…,n式中: G i为交通⼩区i的发⽣量; A j为交通⼩区j的吸引量; P i为交通⼩区i的⼈⼝数; W j为交通⼩区j的就业岗位数; a i 、b i 、cj 、d j 均为模型参数, 反映了交通⼩区i的⼟地利⽤性质; n 为交通⼩区数。
短时交通流量预测分析交通流量的预测对于交通管理和规划至关重要。
在城市中，交通流量的准确预测可以帮助决策者优化交通信号控制系统、规划道路和公共交通线路，以及改善交通拥堵状况，提高出行效率。
短时交通流量预测涉及对未来较短时间范围内交通流量的估计，通常在小时或更短的时间段内。
本文将探讨短时交通流量预测的分析方法和应用。
短时交通流量预测的分析方法可以分为经验模型和机器学习模型两类。
经验模型基于专家经验和规则来建立预测模型，包括时间序列分析、回归分析和模糊推理等方法。
时间序列分析可以利用历史数据的周期性和趋势性来预测未来的交通流量。
回归分析可以根据交通流量与其他因素之间的关系来建立预测模型。
模糊推理可以模拟人类的推理过程来预测交通流量。
这些方法通常需要手动选择模型和参数，并且对数据的要求比较高。
机器学习模型基于数据来学习交通流量的特征和模式，并利用学习的结果来预测未来的交通流量。
常用的机器学习方法包括神经网络、支持向量机、决策树和随机森林等。
这些方法通常不需要手动选择模型和参数，可以自动学习数据的特征和模式。
机器学习模型的性能通常受数据质量、特征选择和模型调优等因素的影响。
短时交通流量预测的应用包括交通信号控制、交通调度和交通规划等。
交通信号控制可以根据预测的交通流量来优化交通信号的配时，以减少交通拥堵和等待时间。
交通调度可以根据预测的交通流量来调整公交车和出租车的行驶路线和时间，以提高服务质量和效率。
交通规划可以根据预测的交通流量来规划道路和公共交通线路，以满足未来的出行需求。
总之，短时交通流量预测是交通管理和规划中的重要任务。
通过收集和处理数据，应用经验模型和机器学习模型，可以对未来较短时间范围内的交通流量进行准确预测。
这些预测结果可以应用于交通信号控制、交通调度和交通规划等多个领域，以优化交通系统的性能和效率。
随着数据收集和分析技术的不断发展，短时交通流量预测的准确性和实用性将进一步提高。
城市轨道交通线网短时客流猜测方法探究摘要：城市轨道交通线网的客流猜测是城市轨道交通规划、优化和管理的重要环节。
本文通过对国内外城市轨道交通线网短时客流猜测方法的探究进行综述，总结了客流猜测方法的探究现状和存在的问题，并提出了将来探究的方向和重点。
本文对不同类型的客流猜测方法进行了分类和分析，包括传统的统计方法、机器进修方法和深度进修方法。
最后，本文对将来城市轨道交通线网客流猜测方法的探究进行了展望。
1. 引言城市轨道交通作为一种快速、便捷、环保的交通方式，已经在各大城市得到广泛的应用。
随着城市轨道交通线网的扩建和客流量的不息增加，如何准确猜测和管理客流成为一个亟待解决的问题。
客流猜测能够有效指导城市轨道交通的线网规划和运营管理，提高交通系统的运行效率和乘客的出行体验。
2. 城市轨道交通线网短时客流猜测的探究现状2.1 传统的统计方法传统的统计方法是最早被使用于城市轨道交通客流猜测的方法之一。
这些方法依靠历史客流数据的统计分析，通过建立数学模型来猜测将来的客流。
其中较为常用的方法有时间序列分析、回归分析和灰色系统模型。
这些方法在一定程度上能够满足粗略的客流猜测需求，但是受限于数据的质量和模型的假设，其准确性和精确度有待提高。
2.2 机器进修方法随着人工智能技术的不息进步，机器进修方法在城市轨道交通客流猜测中的应用逐渐增多。
机器进修方法依靠大量的历史数据进行模型的训练和猜测，能够克服传统统计方法的局限性。
常用的机器进修方法包括支持向量机、随机森林和人工神经网络。
这些方法通过对数据集的进修，能够提高客流猜测的准确性和精确度。
2.3 深度进修方法深度进修方法是机器进修方法的延伸，通过多层次的神经网络进行数据的训练和猜测。
深度进修方法在其他领域已经取得了显著的效果，逐渐被引入城市轨道交通客流猜测中。
常用的深度进修方法包括卷积神经网络、循环神经网络和深度置信网络。
这些方法通过对大规模数据集的训练，能够提高客流猜测的准确性和精确度。
网络流量预测是指通过对网络中的数据流量进行分析和预测，以便优化网络性能、规划网络资源和应对网络拥堵等问题。
随着互联网的普及和信息化的发展，网络流量预测变得越来越重要。
时序预测作为一种有效的预测方法，在网络流量预测中也有着广泛的应用。
本文将从数据收集、特征提取、模型选择和结果评估等方面探讨如何利用时序预测进行网络流量预测。
一、数据收集网络流量的预测首先需要收集大量的网络数据。
数据收集可以通过网络设备、传感器等方式进行，其中关键的一点是要确保数据的准确性和完整性。
在数据采集过程中，还需要考虑网络拓扑结构、通信协议、数据格式等因素，以便更好地理解网络流量的特点和规律。
二、特征提取在收集到的网络数据中，需要提取出一些关键的特征来描述网络流量的特点。
常用的特征包括数据包的大小、传输速率、协议类型、源目标IP地址等。
此外，还可以利用时间特征来描述网络流量的时序变化，比如每小时、每天、每周的流量变化情况。
通过特征提取，可以更好地理解网络流量的规律和趋势。
三、模型选择选择合适的预测模型是进行网络流量预测的关键。
时序预测中常用的模型包括自回归模型（AR）、移动平均模型（MA）、自回归移动平均模型（ARMA）、自回归积分移动平均模型（ARIMA）等。
此外，还可以利用深度学习中的循环神经网络（RNN）、长短期记忆网络（LSTM）、门控循环单元（GRU）等模型进行复杂的时序预测分析。
在模型选择时，需要考虑数据的特点、预测精度和计算效率等因素。
四、模型训练在选择了合适的预测模型之后，需要对模型进行训练。
模型训练的过程中需要使用历史的网络流量数据来建立模型，并且利用一定的评估指标来优化模型的参数。
在训练过程中，需要考虑模型的收敛速度、泛化能力和过拟合等问题，以确保模型能够准确地预测未来的网络流量情况。
五、结果评估在模型训练完成之后，需要对模型进行评估和验证。
常用的评估指标包括均方误差（MSE）、平均绝对误差（MAE）、均方根误差（RMSE）、相关系数等。
基于深度学习的城市轨道交通客流短时预测方法基于深度学习的城市轨道交通客流短时预测方法近年来，城市轨道交通作为一种高效、环保的出行方式，受到越来越多人的青睐。
然而，由于客流量的不断增加，交通拥堵问题也逐渐突显。
因此，精确预测城市轨道交通客流，有助于合理优化交通资源，提高交通效率。
随着人工智能和深度学习技术的不断发展，基于深度学习的城市轨道交通客流短时预测方法逐渐成为研究热点。
城市轨道交通客流短时预测的难点主要在于数据的复杂性和时空特性。
城市轨道交通系统通常具有大规模、高维度的数据集合，例如站台人数、时刻表、列车运行状态等。
而且，客流数据具有时序性和空间相关性，即相邻时刻和相邻站台的客流量之间存在一定的关联。
传统的预测方法通常基于数学模型，如线性回归、ARIMA等，但这些模型无法很好地处理大规模、高维度和复杂的数据集合。
深度学习技术的兴起为解决这一问题提供了新的思路。
深度学习是一种模仿人脑神经网络结构和工作原理的机器学习方法。
它通过构建多层神经网络，利用反向传播算法不断优化网络参数，使得网络能够自动提取数据中的特征并进行学习。
深度学习技术在图像识别、语音识别等领域已经取得了很多成功，因此将其应用到城市轨道交通客流短时预测中也是值得尝试的。
基于深度学习的城市轨道交通客流短时预测方法主要包括数据预处理、特征提取和建模三个步骤。
首先，对原始客流数据进行预处理，包括数据清洗、归一化等操作，以保证数据的准确性和标准化。
接下来，利用深度学习中的自编码器等技术进行特征提取。
自编码器是一种利用输入数据进行无监督学习的神经网络模型，通过训练将输入数据压缩到一个低维度的隐空间中，并保持数据的重构误差最小化。
在城市轨道交通客流预测中，自编码器可以从原始数据中提取重要的时空特征，如时间、站台、相邻关系等。
最后，将提取的特征输入到深度学习模型中进行建模和预测。
在模型的选择上，可以使用循环神经网络（RNN）或卷积神经网络（CNN）。
地铁中事故疏散时间和预测客流选值的计算方法摘要：由于城市地面交通日益繁忙，近年来交通拥堵现象在全国各大城市中尤为突出。
为了有效缓解地面交通，方便人们出行，合理利用和开发城市地下资源，建设地铁工程被各大城市认为是解决这一突出问题的有效手段。
但是由于地铁主要以地下工程居多，在规划设计阶段，各种不利因素也成为地铁建设者必须面对和克服的难题。
比如，在地铁发生意外事故时，尽快疏散地铁内部人员至安全区域显得异常重要。
本文以广州市地铁七号官堂站客流预测数据为例，参照目前地铁设计规范和地铁设计防火规范征求意见稿中事故疏散时间公式，简要计算事故发生在最不利情况下人员从站内疏散至站外安全区域所用的数值计算方法。
关键词：事故疏散客流预测超高峰系数断面客流目前我国地铁建设的车站规模，在满足市民出行和与城市局部区域需要相结合外，尽可能的以缩小投资规模和合理运用地下空间为原则。
但是车站宽度受上下行列车既有宽度影响外，合理预测客流量对有效站台宽度和楼扶梯设置数量起着决定性作用。
规范中事故疏散时间公式1．1、按《地铁设计规范GB50157-2003》疏散时间计算疏散时间T=1+{（Q1+Q2）/0.9[A1（N-1）+A2B]}＜6分钟式中：Q1：表示1列车乘客数，该数据在客流预测表中选取。
也有Q1采用一列车满载人数进行取值，但是本人觉得这样虽然整条线安全性较高，但是在接近起点站和终点站附近，客流较为稀少列车一般达不到满载情况，该取值往往与实际情况偏差较大，显得不太经济、合理。
Q2：站台上候车乘客及站台层工作人员数。
候车乘客人数一般在客流预测表中选取，工作人员数量按定值考虑，比如可按站台层工作人员10人进行取值。
A1：1m宽自动扶梯通过能力（人/min），按现行规范规定取值。
A2：1m宽人行步梯通过能力（人/min），按现行规范规定取值。
B：人行楼梯宽度（m），按现行规范规定取值。
N－自动扶梯台数，往往在疏散计算时，N的取值一般规定：上行扶梯继续上行疏散；下行扶梯考虑一台故障，其余下行扶梯逆转按上行扶梯考虑进行疏散。
城市规划中的交通流量模拟仿真方法在城市规划中，交通流量模拟仿真方法具有重要的作用，可以帮助规划者预测和评估不同交通方案的效果，优化城市交通网络布局，提高道路通行效率和交通系统的可持续性。
本文将介绍几种常用的交通流量模拟仿真方法，并分析其优缺点。
一、传统模型方法1. 道路交通容量模型道路交通容量模型是一种经验模型，基于车辆流量、道路几何特征等因素来预测道路能够容纳的车辆数量。
这种模型计算简单，适合用于预测现有道路的交通状况。
然而，由于它只考虑了道路状况，没有考虑到交通需求的变化和网络效应，因此在城市规划中的应用受到了限制。
2. 微观交通仿真模型微观交通仿真模型基于个体车辆行为进行建模，并考虑车辆之间的相互影响。
通过模拟车辆的运行轨迹和交通规则等细节，可以更准确地模拟交通流量。
然而，由于建模复杂度较高，需要大量的数据和计算资源支持，因此在城市规划中的应用受到了一定的限制。
二、基于智能交通系统的模型方法1. 基于传感器数据的模型智能交通系统通过安装传感器在道路网络中收集交通数据，如车辆流量、速度等，然后利用这些数据进行交通流量模拟和分析。
这种方法不仅准确性较高，而且能够快速获取实时数据，对于评估交通方案的效果非常有帮助。
然而，由于需要大量的传感器设备和数据处理能力，成本较高，仍然有一定的局限性。
2. 基于Agent的模型基于Agent的模型是一种新兴的交通流量模拟方法，通过对交通参与者的行为进行建模，模拟车辆、驾驶员和交通管理者之间的相互作用。
这种方法能够更好地反映人的行为决策和交通系统的动态变化，对于研究交通拥堵、事故等问题具有较好的效果。
然而，由于模型的复杂性和计算量较大，需要高性能计算设备的支持。
三、仿真结果分析与应用通过交通流量模拟仿真方法，规划者可以获取各种交通方案的模拟结果，进行性能评估和比较。
基于模拟结果，可以对城市交通网络进行优化设计，提高道路通行能力和交通系统的可持续性。
1. 交通拥堵预测和缓解通过模拟分析交通流量，可以预测拥堵情况，并针对性地提出缓解措施，如增加道路容量、优化交通信号控制等，以改善城市的交通拥堵状况。
基于arima算法的短时车流量预测模型摘要：针对区间道路短时车流量数据规律性较弱、随机误差干扰较强，且具有高度不确定性、难以准确预测的问题，基于ARIMA算法提出了一种改进型的短时车流量预测模型。
该模型的建立无需借助任何外生变量，根据需要预测的时间周期个数可将短时车流量数据划分为对应的数据集组，再由每个数据集组预测下一个时间周期的车流量。
该模型使得数据更加平滑，有效解决了多因素对短时车流量的影响。
对区间道路采集到的车流量数据进行建模仿真，仿真结果验证了所提模型的普适性及准确性。
随着机动车数量呈指数形式增长，尤其是在上下班高峰期及节假日时期，城市道路堵塞严重，增加了居民的出行成本，使道路交通面临着巨大的压力根据时间维度的不同可以将车流量的预测划分为长时（年）车流量预测、中时（月/日）车流量预测和短时（时/分）车流量预测文中基于ARIMA算法1 ARIMA算法短时车流量预测属于时间序列预测1）平稳性：指时间序列y2）自回归（Autoregressive,AR）：指利用自生变量的历史时间数据对未来时间数据进行预测。
p阶自回归公式如下：式中，μ表示常数项；ε3）移动平均（Moving Average,MA）：指通过自回归模型中误差项的累加实现预测中随机波动的有效消除。
q阶移动平均的计算公式如下：式中，μ表示常数项；ε4）自回归移动平均：即AR与MA的结合，表示为ARMA(p,q)，公式如下：5）差分（Integrate,I）：指时间序列的当前值减去滞后值，d阶差分公式表示如下：ARIMA的建模流程如图1所示。
其要求时间序列数据是平稳的，若数据不平稳，则需要进行差分。
在确定了合适的d值以后，算法就转化为求解平稳时间序列Δ2 短时车流量预测模型2.1 数据准备图2为区间道路3天的车流量数据图，数据时间间隔为15 min，该区间3天总车流量共59 513辆，平均每天19 838辆。
从图中可以看出，每天6:00之前区间道路车辆数量较少，每天8:00和18:00左右有1～2小时的早晚高峰，且车流量较大。
城市轨道交通短时客流预测方法综述摘要：城市轨道交通是公共交通主要部分，而随着技术进步，精准预测客流能够提升城市轨道交通安全系数，同时优化乘客服务体验。
本文从概念界定入手，综合探究了城市轨道交通客流数据和多种预测模型下的客流预测方法，并对将来的研究方向提出想法。
关键词：城市轨道交通短时客流预测1 概念1.1城市轨道交通城市轨道交通系统是指服务于城市客运交通，通常以电力为动力，轮轨运行方式为特征的车辆或列车与轨道等各种相关设施的总和。
城市轨道交通系统包括地铁系统、轻轨系统、有轨电车、磁浮系统等。
截至2020年末，我国大陆地区拥有地铁城市45座，城市轨道交通运营线路244条，线路总长7969.7km[1]。
1.2 短时客流预测基于此背景下的研究，多为轨道交通的进出站客流，而非轨道交通线网上的OD流，故而研究对象多为轨道交通线路上的某一重要节点；而如何去界定这个重要的节点，不同的站点客流数据之间又存在什么样的关系，很多学者也对此做出了研究。
杜希旺等[2]对南京市的113个地铁站点进行K-means聚类分析，将站点划分为五种类型，并对不同类型站点客流做出预测。
2 预测模型2.1 统计模型利用统计模型来预测的方式是较为普遍的，统计模型是基于历史的数据对于现阶段数据或将来某一时间范围内的结果做出研究。
常用的统计预测模型为回归预测模型、时间序列预测模型以及卡尔曼滤波方法[3]。
2.1.1 回归预测模型即为回归分析，用来研究变量与变量间的依赖关系，其即可以建立线性模型，也可以建立非线性模型。
这种方法多利用历史数据进行预测，由于客流数据存在一定的周期性，故而可以使用前几周的数据预测。
但客流还具有不确定性、随机性以及非线性，这种方法只适合简单预测，精度一般不高。
2.1.2 时间序列模型时间序列模型的应用非常广泛，其内容包括自回归模型（AR）、滑动平均模型(MA)、自回归滑动平均模型(ARMA)、求和模型和季节模型(ARIMA)，但值得注意的是时间序列模型要求数据列为平稳序列，如果不满足条件，那么则需要通过差分等方法转化为时间平稳序列而后做输入。
文章编号：1006-9348 (2019 )03 -0436-04高峰用户时段网络短时客流量预测方法仿真包向辉、尚晓丽2(1.绥化学院现代教育技术中心，黑龙江绥化152000;2.绥化学院教育学院，黑龙江绥化152000)摘要:为了提高网络资源调度的效率，均衡网络节点负载，需要对高峰用户时段网络短时客流量进行及时、有效地预测，针对 当前客流量预测方法中存在的运行时间长，预测结果的相对误差较大等问题，提出一种基于小波分解的高峰时段网络短时 客流量预测方法。
利用小波分解的二项尺度分析法将高峰时段网络短时客流量数据分解为近似成分和细节成分，对近似成 分与细节成分进行分析，结合空间映射思想，得到各成分的获取关系式，综合分解逆运算建立客流量预测模型;采用支持向 量机对数据样本进行训练，结合训练结果与核函数对预测模型的参数进行优化，以提高预测结果的准确度。
仿真结果表明，所提预测方法的运行时间及预测结果的误差均低于实验对比方法，具有更好的适用性。
关键词:高峰时段;网络客流量;客流量预测;小波分解中图分类号:TP393 文献标识码：BShort-Term Passenger Flow Forecasting MethodSimulation in Peak User Time PeriodBAO Xiang-hui1，SHANG Xiao—li2(1. Modem Education Technology Center,Suihua University,Suihua Heilongjiang 152000, China；2. The School of Education,Suihua University,Suihua Heilongjiang 152000, China)第36卷第3期 计算机仿真2019年3月A B S T R A C T：In order to improve the efficiency of network resource scheduling and balance the load of network node,a method to predict the short-term network passenger flow based on wavelet decomposition was presented.Firstly,thebinomial scale analysis based on wavelet decomposition was used to decompose the short-term passenger flow data in peak hours into approximate components and detail components.Secondly,approximate components and detailed components were bined with spatial mapping idea,the acquisition relational expression of each component was obtained.In addition,the inverse operation was decomposed and the prediction model of passenger flow was built.Finally,the support vector machine was used to train the data bined the training result with the kernel function,the parameter of prediction model was optimized to improve the accuracy of prediction result.Simulation results prove that the errors of running time and prediction result of the proposed method are lower than the experimental method,which has better applicability.K E Y W O R D S：Peak hours；Network passenger flow；Prediction of passenger flow；Wavelet decompositioni引言互联网的迅猛发展扩大了信息的传播范围，加快了信息 的传递效率，为日常工作、学习获取信息提供了便利条件[|]。
网络的发展与应用越来越广泛，且无时间、地理位置等方面 的限制，用户可以随时随地获取所需要的信息。
随着用户数 量的剧增，网络高峰时段易出现网络负载超标，导致部分网基金项目：绥化学院2018年科学技术研究项目（K1802005 );黑龙江 省教育科学“十三五”规划2017年度重点课题(GBB1317145) ;2017年度黑龙江省哲学社会科学研究规划项目（17EDE329)收稿日期:20丨8-04-22修回日期:2018-05-10—436—络出现拥塞，降低了网络服务的满意度。
网络客流量承载是 衡量网络传输性能的重要指标之一，为了提高网络负载分配 的均衡性，提升网络通信性能及服务质量，需要通过高峰时 段网络客流量预测进行网络资源的调度，完善网络管理[2_3]。
网络高峰时段网络用户中,包含大量的短时网络客流量，短 时网络用户中包括大部分使用时间比较固定的群体，以及少 量的时间不稳定群体，高峰时段用户短时客流量预测是当前 网络资管理与调度工作的中的重点问题，引起了各界人士的 广泛关注,也受到了很多相关专家与研究人员的重视，出现 了很多较好的研究成果[4_51。
文献[6]提出一种基于自组织映射神经网络的网络客流量预测方法。
根据自组织映射神经网络联想记忆的时域推 广，结合向量化联想记忆建模方法，构建融合多个局部线性 AR模型的自组织映射神经网络；通过历史流量数据向量聚 类，更新A R模型的系数，利用更新后的自神经网络模型对 客流量进行预测。
该方法的自映射神经网络构建及更新过 程耗时较长，增加了预测的响应时间。
文献[7]提出一种基 于最小二乘支持向量机的网络客流量预测方法。
采用模糊 均值聚类算法对网络客流量数据进行聚类分析，剔除其中的 离群样本数据，以剩余数据作为最小二乘支持向量机的训练 集，将训练集输入向量机内进行学习，构建网络客流量预测 模型，通过人工蜂群算法对模型参数进行求解，利用所建模 型进行网络客流量预测。
该方法通过聚类分析剔除离群样 本数据，减少了样本训练数量，节约了预测耗时，但降低了预 测结果的准确性。
文献[8]提出一种基于回归模型与极限学 习机组合的网络客流量预测方法。
原始网络客流量数据通 过小波分解划分为近似序列与细节序列，对分解得到序列进 行自相关性分析以及偏自相关性分析，其中的平稳序列部分 利用回归模型进行预测,波动序列部分利用学习向量机进行 预测。
该方法的预测结果准确度较高,但预测过程所需时间 较长,时效性较差。
针对上述问题，提出一种基于小波分解的高峰时段网络 短时客流量预测方法。
利用小波分解及其逆运算，结合空间 映射原理，构建网络短时客流量预测模型，采用学习向量机 的样本训练进行模型参数优化，通过仿真，验证了方法的时 效性与预测准确度。
2网络短时客流量预测原理对于高峰时段的短时网络客流量预测，首先将时间序列 映射到相空间内进行相空间重构;根据相空间内的时间序列 分布规律，计算相点间的李雅普诺夫指数;结合得到的指数 值，建立网络客流量预测模型，通过所建立模型实现高峰时 段网络短时客流量预测。
具体过程如下。
设*(t) = (*(£|)，*(12)，…,x(t j)为网络短时客流量 的时间序列，其中表示采集样本值,n表示样本数量 表示样本采集时间，采样间隔At =«…-k,。
将时间序列 x(t)投影到m维空间内，投影的延迟时间为t = A A t J为正 整数。
*(«,)投影到m维空间对应的点为:y(q) = (*(tl), *(t，+ T)，…,*(1, + (m- 1)t)),该点为空间内的第一个相 点;去掉将*(«2)看作时间序列中的第一个值，并投影 到m维空间，则其对应的点为y(t2)= (*(t2),;t(*2+T),-, + (m - 1)7")),是空间内的第二个相点；时间序列的样 本量为n,依次投影到m维空间内，共可得到W个相点W n -(m- 1)T,则第/V个相点为；^^,：)^^：：^^-^-1)t) ,*(!")- (m - 2)t) )，•",；《:(t"))，以上描述式中，咖）表示重构后的相空间中的相点,j' = 1,2,…每个相点包含 m个分量。
通过时间序列投影到相空间的相点间的连线，可 得到网络短时客流量在m维相空间内的演化轨迹。
采用李雅普诺夫指数作为量化时间序列相空间轨迹的 发散与估计系统的混沌参数，可描述并跟踪时间序列在相空 间内的演化轨迹。
对得到的演化轨迹进行分析，可发现时间 序列运行轨迹间的规律性，说明其在一定的时间范围T。
内是 可预测的。
在相空间的演化轨迹上取一个初始点y(r。
），找出与该 初始点距离最短的点，设两点之间的距离为i…。
跟踪两点的 演化轨迹，当运行至r,时刻，保留y( r,)为初始点，并寻找其 对应的临近点，记录y(r,)与临近点间的距离为l1;重复进 行上述过程直至演化轨迹的终点。
李雅普诺夫指数A,的计 算式为其中，p表示过程重复总次数，分别表示第i次与第i+ 1次得到的初始点与临近点之间的距离。
当过程运行次数趋 于稳定时,通过式（1)计算，得到李雅普诺夫指数A,。
以李雅普诺夫指数A,为基础建立时间序列模型，设重 构相空间内的预测中心点为该中心点的临近点为，两 点之间的距离为勾，则勾的计算式为d M = I I- y k ||⑵对4、^进行迭代推理得到两点的对应点,根 据李雅普诺夫指数的内在含义，则有I I YMfl - I I= dMe^(3)其中，，表示李雅普诺夫指数为A,时对应的迭代参数。
根 据以上计算结果，建立时间序列的混沌预测模型Pp =、.丨 + 丨-2 - $m,⑴]2(4)式中,W0、⑴分别表示与L,在m维空间的第 i个分量。
上述模型计算得到的结果为时间序列的预测值 玖*…+1),即网络客流量的预测值。
