论文部分内容阅读
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。