网络OD流估计的非线性方法研究

论文摘要

OD（Origin-Destination）流量矩阵在网络设计,路由配置及调试,网络流量监测等方面具有重要的意义。然而随着互联网的飞速发展,网络拓扑结构越来越复杂,通过网络测量的方法直接获得网络OD流量矩阵变得越来越困难或昂贵。而链路的负载流量相对OD负载流量更容易获得,因此通过收集链路的流量来估计OD流量矩阵成正为网络层析成像研究热点之一。由于测量获得的链路流量数通常远小于OD流数量,因此OD流量矩阵估计是一个典型的欠定性问题,传统的方法往往假定每个OD流服从某种模型（如高斯分布等）或同一时刻的多个OD流服从某种模型（如重力模型等）,以该模型作为约束求解获得OD流量矩阵。我们认为网络OD流量的变化是一个复杂的过程,难以使用上述预先给定模型获得精确的OD流量矩阵。但同一个网络在不同时刻的流量矩阵存在一定的关联性,我们可以从不同角度提取同一网络历史OD流量存在的一些规律,求解当前时刻的OD流量矩阵。为此本文在如下两个方面进行了一些有意义的探索:（1）根据网络OD流量估计需要结合网络流量时空分布相关联这一观点,本文将递归神经网络模型这一非线性方法引入到OD流的估计领域,提出了基于时空关联的OD流的估计方法-基于递归神经网络的OD流估计。具体思路如下:利用已获得的链路数据和部分OD流矩阵信息训练估计模型,以获得链路数据到OD流矩阵的映射权值,利用已保存的映射权值来预测未来时刻的OD流矩阵信息。本文还就初值的约束以及部分估计信息的约束展开了讨论,仿真结果表明,该算法极大的提高OD流矩阵的估计的精度。（2）本文提出了基于模拟退火算法的OD流矩阵估计这一非线性的估计算法。我们利用当前时刻的OD流矩阵与前一时刻的OD流矩阵的相互关系,以通过增加状态转移矩阵方式,来约束OD流量矩阵估计,从而提高了OD流矩阵的估计精度。具体实验验证了我们提出算法的有效性。

论文目录

• 中文摘要
• Abstract
• 第一章 绪论
• 1.1 引言
• 1.2 OD 流矩阵的研究背景及意义
• 1.3 OD 流矩阵估计算法研究的分类
• 1.3.1 基于先验信息的OD 流矩阵的估计
• 1.3.2 无先验信息的OD 流矩阵的估计
• 1.4 本文的工作
• 1.5 论文结构及内容安排
• 第二章 传统方法的TM 矩阵估计
• 2.1 TM 矩阵估计模型
• 2.2 基于统计假设的TM 矩阵估计
• 2.3 基于最优化的TM 矩阵估计
• 2.4 基于重力模型的TM 估计
• 2.4.1 仿真所用数据的来源
• 2.5 本章小结
• 第三章 基于RMLP 的TM 矩阵估计
• 3.1 基于RMLP 的网络模型
• 3.2 RMLP 网络的训练算法
• 3.2.1 RMLP 网络模型的算法思想
• 3.2.2 性能的评价
• 3.3 RMLP 算法的仿真分析
• 3.3.1 基于初值约束的仿真
• 3.3.2 加入部分估计值的仿真
• 3.4 本章小结
• 第四章 基于模拟退火算法的TM 估计
• 4.1 基于模拟退火的TM 估计模型
• 4.2 状态转移矩
• 4.3 基于模拟退火的TM 估计算法
• 4.4 仿真分析
• 4.5 本章小结
• 第五章 总结
• 致谢
• 参考文献
• 攻读硕士学位期间的研究成果