CN108964969B - 混合神经网络和ar模型的高速铁路信号系统流量预测方法 - Google Patents

混合神经网络和ar模型的高速铁路信号系统流量预测方法 Download PDF

Info

Publication number
CN108964969B
CN108964969B CN201810427997.7A CN201810427997A CN108964969B CN 108964969 B CN108964969 B CN 108964969B CN 201810427997 A CN201810427997 A CN 201810427997A CN 108964969 B CN108964969 B CN 108964969B
Authority
CN
China
Prior art keywords
model
neural network
prediction result
prediction
flow
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201810427997.7A
Other languages
English (en)
Other versions
CN108964969A (zh
Inventor
蔡伯根
王剑
董宁
王�锋
田开元
廖元媛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Jiaotong University
China State Railway Group Co Ltd
Original Assignee
Beijing Jiaotong University
China Railway Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Jiaotong University, China Railway Corp filed Critical Beijing Jiaotong University
Priority to CN201810427997.7A priority Critical patent/CN108964969B/zh
Publication of CN108964969A publication Critical patent/CN108964969A/zh
Application granted granted Critical
Publication of CN108964969B publication Critical patent/CN108964969B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/147—Network analysis or design for predicting network behaviour
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Train Traffic Observation, Control, And Security (AREA)

Abstract

本发明实施例提供了一种混合神经网络和AR模型的高速铁路信号系统流量预测方法。该方法包括：给定需要进行流量预测的高速铁路信号系统子系统及其历史流量信息，首先将历史流量信息作为时序数据，其次将时序数据yt视为线性自相关结构Lt与非线性结构Nt两部分组成，然后用AR模型对时序数据yt进行预测，记其预测结果为
Figure DDA0001652649740000011
时序数据与AR模型预测结果的残差为et，然后用BP神经网络模型对残差序列{et}进行预测，记预测结果为
Figure DDA0001652649740000012
最后使用AR模型与BP神经网络模型进行组合预测得到预测结果。本发明可以有效地对流量时序数据进行预测，并提高预测的精确度。

Description

混合神经网络和AR模型的高速铁路信号系统流量预测方法
技术领域
本发明涉及高速铁路信号系统技术领域，尤其涉及一种混合神经网络和AR模型的高速铁路信号系统流量预测方法。
背景技术
BP(Back Propagation)网络是1986年由Rumelhart和McCelland为首的科学家小组提出，是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。BP网络能学习和存贮大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。BP神经网络模型拓扑结构：包括输入层(input)、隐层(hide layer)和输出层(output layer)。
AR模型是一种线性预测，即已知N个数据，可由模型推出第N点前面或后面的数据(设推出P点)。
在中国高速铁路系统中，信号系统处于整个铁路系统最核心的地位，是铁路系统的神经中枢，它可以保证系统安全高效的运行。由于其特殊的地位，其对安全性的要求极高。虽然它处于一个封闭的网络内，能一定程度上防止网络病毒的传播或者外界网络的攻击，然而随着高速铁路的不断发展，信号系统对外界开放网络的依赖性越来越高，同时互联网技术的不断提高，也使近些年黑客的攻击手段更加有效，更加多样化，所以传统的信息安全防护手段已经不足以对所有黑客的入侵进行阻截。基于此，在高速铁路信号系统中进行主动防御就变得尤为重要，对信号系统的流量进行预测是其中一个关键点，若对流量有良好的预测效果，则可以在受到黑客例如UDP泛洪攻击、DDOS攻击等情况下，快速产生报警，以便于系统或管理人员做出相应的防护措施。
因此，有必要提出一种有效且精准的高速铁路信号系统流量预测方法。
发明内容
本发明的实施例提供了一种混合神经网络和AR模型的高速铁路信号系统流量预测方法，以解决上述背景技术中的问题。
为了实现上述目的，本发明采取了如下技术方案：
本发明的实施例提供的一种混合神经网络和AR模型的高速铁路信号系统流量预测方法，其特征在于，该方法包括：
步骤1：选定无线闭塞中心RBC为进行信息安全风险评估的高速铁路信号系统子系统；
步骤2：获取所述无线闭塞中心RBC与其他子系统的历史流量；
步骤3：将所述无线闭塞中心RBC与其他子系统的历史流量信息作为时序数据yt，将所述时序数据yt划分为：线性自相关结构Lt与非线性结构Nt；
步骤4：采用AR模型对所述时序数据yt进行预测，得到AR模型预测结果；
步骤5：采用BP神经网络模型，对所述时序数据yt与所述AR模型预测结果的残差序列{et}进行预测，得到BP神经网络模型预测结果；
步骤6：根据所述AR模型预测结果和所述BP神经网络模型预测结果，进行组合预测，得到高速铁路信号系统流量的预测结果。
优选地，所述的获取无线闭塞中心RBC与其他子系统的历史流量，包括：
其他子系统包括：临时限速服务器TSRS、计算机联锁子系统CBI、调度集中系统CTC和相邻无线闭塞中心NRBC。
优选地，所述的将所述无线闭塞中心RBC与其他子系统的历史流量信息作为时序数据yt，将所述时序数据yt划分为：线性自相关结构Lt与非线性结构Nt，包括：
所述线性自相关结构Lt与所述非线性结构Nt满足以下关系：
yt＝Lt+Nt (1)。
优选地，所述的采用AR模型对所述时序数据yt进行预测，得到AR模型预测结果，包括：
采用AR模型对所述时序数据yt进行预测的步骤为：
步骤4.1：引入函数f(k)，所述函数f(k)取得的最小值点
Figure GDA0003092417040000037
作为AR模型的阶数；
f(k)的表达式为：
Figure GDA0003092417040000031
其中，P0为预设的阶数上限，N为时序样本长度，
Figure GDA0003092417040000032
为AR模型的白噪声方差估计值；
步骤4.2：根据所述AR模型的阶数
Figure GDA0003092417040000033
采用最小二乘法对AR模型进行参数估计，得到AR模型的参数；
步骤4.3：根据所述AR模型的参数，对未来时刻的流量进行预测，得到AR模型的预测结果
Figure GDA0003092417040000034
优选地，所述的采用BP神经网络模型，对所述时序数据yt与所述AR模型预测结果的残差序列{et}进行预测，得到BP神经网络模型预测结果，包括：
所述时序数据yt与所述AR模型的预测结果
Figure GDA0003092417040000035
之间的残差为et，其关系式表示为：
Figure GDA0003092417040000036
优选地，所述的采用BP神经网络模型，对所述时序数据yt与所述AR模型预测结果的残差序列{et}进行预测，得到BP神经网络模型预测结果，还包括：
采用BP神经网络模型对残差序列{et}进行预测的步骤为：
步骤5.1：通过BP神经网络的学习训练，得到输入与输出变量的关系，所述输入与输出变量的关系为BP神经网络模型；
步骤5.2：利用计算得到的所述BP神经网络模型对流量进行预测，记其预测结果为
Figure GDA0003092417040000041
优选地，所述的根据所述AR模型预测结果和所述BP神经网络模型预测结果，进行组合预测，得到预测结果，包括：
使用所述AR模型预测结果和所述BP神经网络模型预测结果，进行组合预测的方法为：
Figure GDA0003092417040000042
其中，
Figure GDA0003092417040000043
为预测结果。
优选地，该方法还包括：
将所述预测结果
Figure GDA0003092417040000044
提供给高速铁路信号系统的报警系统，对高速铁路信号系统中预测到的攻击行为进行预警。
由上述本发明的实施例提供的技术方案可以看出，本发明实施例通过给定需要进行流量预测的高速铁路信号系统子系统及其历史流量信息，首先将历史流量信息作为时序数据，其次将时序数据yt视为线性自相关结构Lt与非线性结构Nt两部分组成，然后用AR模型对时序数据yt进行预测，记其预测结果为
Figure GDA0003092417040000045
原序列与AR模型预测结果的残差为et，然后用BP神经网络模型对残差序列{et}进行预测，记预测结果为
Figure GDA0003092417040000046
最后使用AR模型与BP神经网络模型进行组合预测
Figure GDA0003092417040000047
即为预测结果。本发明通过AR模型与BP神经网络模型对流量时序数据进行预测，可以有效的预测其线性及非线性部分，提高预测的精确度，报警系统可以依据预测值提高产生预警的准确度，减少误报的产生。
本发明附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种混合神经网络和AR模型的高速铁路信号系统流量预测方法的处理流程图；
图2为本发明实施例提供的一种混合神经网络和AR模型的高速铁路信号系统流量预测方法的流程框图；
图3为本发明实施例提供的一种混合神经网络和AR模型的高速铁路信号系统流量预测方法的RBC与其他子系统的连接拓扑结构图。
具体实施方式
下面详细描述本发明的实施方式，所述实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。
本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的任一单元和全部组合。
本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。
为便于对本发明实施例的理解，下面将结合附图以几个具体实施例为例做进一步的解释说明，且各个实施例并不构成对本发明实施例的限定。
实施例一
本发明实施例提供了一种混合神经网络和AR模型的高速铁路信号系统流量预测方法，对高速铁路信号系统的流量数据进行精准的预测。
本发明实施例提供了一种混合神经网络和AR模型的高速铁路信号系统流量预测方法的处理流程图如图1所示，具体包括如下步骤：
S110：选定无线闭塞中心RBC为进行信息安全风险评估的高速铁路信号系统子系统。
S120：获取无线闭塞中心RBC与其他子系统的历史流量。
其他子系统包括：临时限速服务器TSRS、计算机联锁子系统CBI、调度集中系统CTC和相邻无线闭塞中心NRBC。
S130：将无线闭塞中心RBC与其他子系统的历史流量信息作为时序数据yt，将时序数据yt视为线性自相关结构Lt与非线性结构Nt两部分组成的。
线性自相关结构Lt与所述非线性结构Nt满足以下关系：
yt＝Lt+Nt (1)。
S140：采用AR模型对时序数据yt进行预测，得到AR模型预测结果。
采用AR模型对Lt进行预测的步骤为：
(1)引入函数f(k)，所述函数f(k)取得的最小值点
Figure GDA0003092417040000071
作为AR模型的阶数。
f(k)的表达式为：
Figure GDA0003092417040000072
其中，P0为预设的阶数上限，N为时序样本长度，
Figure GDA0003092417040000073
为AR模型的白噪声方差估计值。
(2)根据所述AR模型的阶数
Figure GDA0003092417040000074
采用最小二乘法对AR模型进行参数估计，得到AR模型的参数。
(3)根据所述AR模型的参数，对未来时刻的流量进行预测，得到AR模型的预测结果
Figure GDA0003092417040000075
S150：采用BP神经网络模型，对时序数据yt与AR模型预测结果的残差序列{et}进行预测，得到BP神经网络模型预测结果。
时序数据yt与所述AR模型的预测结果
Figure GDA0003092417040000076
之间的残差为et，其关系式表示为：
Figure GDA0003092417040000077
采用BP神经网络模型对残差序列{et}进行预测的步骤为：
(1)通过BP神经网络的学习训练，得到输入与输出变量的关系，所述输入与输出变量的关系为BP神经网络模型。
(2)利用计算得到的所述BP神经网络模型对流量进行预测，记其预测结果为
Figure GDA0003092417040000081
S160：根据AR模型预测结果和BP神经网络模型预测结果，进行组合预测，得到预测结果。
使用AR模型预测结果和BP神经网络模型预测结果，进行组合预测的方法为：
Figure GDA0003092417040000082
其中，
Figure GDA0003092417040000083
为预测结果。
实施例二
该实施例提供的一种混合神经网络和AR模型的高速铁路信号系统流量预测方法，根据高速铁路信号系统的历史流量，并结合了传统的BP神经网络预测方法以及时间序列AR模型预测方法，可以对未来的流量进行有效预测，报警系统可以根据预测对一些攻击的发生提供快速预警，进而使系统或管理人员迅速采取相应防护措施。
本发明实施例提供的一种混合神经网络和AR模型的高速铁路信号系统流量预测方法的流程框图如图2所示，该方法依次按照以下步骤进行：选定系统，获得流量，AR模型预测线性部分，BP神经网络预测非线性部分，组合预测。
该方法具体可以包括以下步骤：
步骤1：选定无线闭塞中心RBC为进行信息安全风险评估的高速铁路信号系统子系统。
步骤2：获得无线闭塞中心RBC与其他子系统的历史流量。
无线闭塞中心RBC与其他高速铁路信号系统子系统的连接拓扑结构图如图3所示。
无线闭塞中心RBC与高速铁路信号系统中的其他子系统的连接关系如下：无线闭塞中心RBC、临时限速服务器TSRS、计算机联锁CBI和相邻无线闭塞中心NRBC均通过交换机连接至安全数据网，调度集中系统CTC通过接口服务器与无线闭塞中心RBC连接。此外，列控中心TCC也通过交换机接入安全数据网，列控中心TCC不与无线闭塞中心RBC通信，故在图3中不表出。
步骤3：根据步骤1及步骤2中给定的信息，将步骤2中的RBC与其他子系统的历史流量信息作为时序数据，将时序数据yt视为线性自相关结构Lt与非线性结构Nt两部分组成的，即：
yt＝Lt+Nt (1)。
步骤4：用AR模型对时序数据yt进行预测，预测过程步骤如下：
(1)引入函数：
Figure GDA0003092417040000091
其中，P0为合理的阶数上限，N为时序样本长度，
Figure GDA0003092417040000092
为AR模型的白噪声方差估计值。将取得f(k)函数的最小值点
Figure GDA0003092417040000093
作为AR模型的阶数。
(2)根据步骤(1)中的阶数
Figure GDA0003092417040000094
利用最小二乘法对AR模型进行参数估计，得到AR模型的参数。
(3)根据步骤(2)中的AR模型的参数，对之后时刻的流量进行预测，得到AR模型部分的预测结果
Figure GDA0003092417040000095
记时序数据yt与AR模型预测结果
Figure GDA0003092417040000096
的残差为et，其关系式可以表示为：
Figure GDA0003092417040000097
步骤5：用BP神经网络模型对残差序列{et}进行预测，预测过程步骤如下：
(1)BP神经网络的学习训练，得到输入与输出变量的关系，输入与输出变量的关系即BP神经网络模型。
(2)利用计算得到的BP神经网络模型对流量进行预测，记其预测结果为
Figure GDA0003092417040000101
步骤6：根据S4及S5步骤中的计算结果，使用上述两种模型进行组合预测，其方法为：
Figure GDA0003092417040000102
计算得到的
Figure GDA0003092417040000103
即为预测结果。
综上所述，本发明实施例通过给定需要进行流量预测的高速铁路信号系统子系统及其历史流量信息，首先将历史流量信息作为时序数据，其次将时序数据yt视为线性自相关结构Lt与非线性结构Nt两部分组成，然后用AR模型对yt进行预测，记其预测结果为
Figure GDA0003092417040000104
时序数据与AR模型预测结果的残差为et，然后用BP神经网络模型对残差序列{et}进行预测，记预测结果为
Figure GDA0003092417040000105
最后使用AR模型与BP神经网络模型进行组合预测得到预测结果。本发明混合两种模型对流量时序数据进行预测，有效的预测其线性及非线性部分，提高了预测的精确度，使报警系统可以依据预测值提高产生预警的准确度，减少了误报的产生。
本领域普通技术人员可以理解：附图只是一个实施例的示意图，附图中的模块或流程并不一定是实施本发明所必须的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置或系统实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的装置及系统实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (8)

1.一种混合神经网络和AR模型的高速铁路信号系统流量预测方法，其特征在于，该方法包括：
步骤1：选定无线闭塞中心RBC为进行信息安全风险评估的高速铁路信号系统子系统；
步骤2：获取所述无线闭塞中心RBC与其他子系统的历史流量；
步骤3：将所述无线闭塞中心RBC与其他子系统的历史流量信息作为时序数据yt，将所述时序数据yt划分为：线性自相关结构Lt与非线性结构Nt；
步骤4：采用AR模型对所述时序数据yt进行预测，得到AR模型预测结果；
步骤5：采用BP神经网络模型，对所述时序数据yt与所述AR模型预测结果的残差序列{et}进行预测，得到BP神经网络模型预测结果；
步骤6：根据所述AR模型预测结果和所述BP神经网络模型预测结果，进行组合预测，得到高速铁路信号系统流量的预测结果。
2.根据权利要求1所述的混合神经网络和AR模型的高速铁路信号系统流量预测方法，其特征在于，步骤2包括：
其他子系统包括：临时限速服务器TSRS、计算机联锁子系统CBI、调度集中系统CTC和相邻无线闭塞中心NRBC。
3.根据权利要求1所述的混合神经网络和AR模型的高速铁路信号系统流量预测方法，其特征在于，所述的将所述无线闭塞中心RBC与其他子系统的历史流量信息作为时序数据yt，将所述时序数据yt划分为：线性自相关结构Lt与非线性结构Nt，包括：
所述线性自相关结构Lt与所述非线性结构Nt满足以下关系：
yt＝Lt+Nt (1)。
4.根据权利要求1所述的混合神经网络和AR模型的高速铁路信号系统流量预测方法，其特征在于，所述的采用AR模型对所述时序数据yt进行预测，得到AR模型预测结果，包括：
采用AR模型对所述时序数据yt进行预测的步骤为：
步骤4.1：引入函数f(k)，所述函数f(k)取得的最小值点
Figure FDA0003092417030000021
作为AR模型的阶数；
f(k)的表达式为：
Figure FDA0003092417030000022
其中，P0为预设的阶数上限，N为时序样本长度，
Figure FDA0003092417030000023
为AR模型的白噪声方差估计值；
步骤4.2：根据所述AR模型的阶数
Figure FDA0003092417030000024
采用最小二乘法对AR模型进行参数估计，得到AR模型的参数；
步骤4.3：根据所述AR模型的参数，对未来时刻的流量进行预测，得到AR模型的预测结果
Figure FDA0003092417030000025
5.根据权利要求1所述的混合神经网络和AR模型的高速铁路信号系统流量预测方法，其特征在于，所述的采用BP神经网络模型，对所述时序数据yt与所述AR模型预测结果的残差序列{et}进行预测，得到BP神经网络模型预测结果，包括：
所述时序数据yt与所述AR模型的预测结果
Figure FDA0003092417030000026
之间的残差为et，其关系式表示为：
Figure FDA0003092417030000027
6.根据权利要求5所述的混合神经网络和AR模型的高速铁路信号系统流量预测方法，其特征在于，所述的采用BP神经网络模型，对所述时序数据yt与所述AR模型预测结果的残差序列{et}进行预测，得到BP神经网络模型预测结果，还包括：
采用BP神经网络模型对残差序列{et}进行预测的步骤为：
步骤5.1：通过BP神经网络的学习训练，得到输入与输出变量的关系，所述输入与输出变量的关系为BP神经网络模型；
步骤5.2：利用计算得到的所述BP神经网络模型对流量进行预测，记其预测结果为
Figure FDA0003092417030000031
7.根据权利要求6所述的混合神经网络和AR模型的高速铁路信号系统流量预测方法，其特征在于，所述的根据所述AR模型预测结果和所述BP神经网络模型预测结果，进行组合预测，得到预测结果，包括：
使用所述AR模型预测结果和所述BP神经网络模型预测结果，进行组合预测的方法为：
Figure FDA0003092417030000032
其中，
Figure FDA0003092417030000033
为预测结果。
8.根据权利要求7所述的混合神经网络和AR模型的高速铁路信号系统流量预测方法，其特征在于，该方法还包括：
将所述预测结果
Figure FDA0003092417030000034
提供给高速铁路信号系统的报警系统，对高速铁路信号系统中预测到的攻击行为进行预警。
CN201810427997.7A 2018-05-07 2018-05-07 混合神经网络和ar模型的高速铁路信号系统流量预测方法 Active CN108964969B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810427997.7A CN108964969B (zh) 2018-05-07 2018-05-07 混合神经网络和ar模型的高速铁路信号系统流量预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810427997.7A CN108964969B (zh) 2018-05-07 2018-05-07 混合神经网络和ar模型的高速铁路信号系统流量预测方法

Publications (2)

Publication Number Publication Date
CN108964969A CN108964969A (zh) 2018-12-07
CN108964969B true CN108964969B (zh) 2021-12-07

Family

ID=64499050

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810427997.7A Active CN108964969B (zh) 2018-05-07 2018-05-07 混合神经网络和ar模型的高速铁路信号系统流量预测方法

Country Status (1)

Country Link
CN (1) CN108964969B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111612226B (zh) * 2020-05-12 2023-04-18 中国电子科技集团公司电子科学研究院 基于混合模型的群体日均到达人数的预测方法及装置

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6411946B1 (en) * 1998-08-28 2002-06-25 General Instrument Corporation Route optimization and traffic management in an ATM network using neural computing
CN102891770A (zh) * 2012-10-22 2013-01-23 哈尔滨工业大学深圳研究生院 一种利用短相关模型预测长相关序列的方法
CN103577877A (zh) * 2013-11-19 2014-02-12 北京航空航天大学 一种基于时频分析和bp神经网络的船舶运动预报方法
CN103714382A (zh) * 2013-12-31 2014-04-09 北京交通大学 一种城轨列车安全检测传感网可靠性多指标综合评估方法
CN104168131A (zh) * 2014-06-05 2014-11-26 国家电网公司 一种基于组播通信的电力调度交换网的流量生成方法
CN104270281A (zh) * 2014-09-03 2015-01-07 河海大学 一种Web Service QoS组合预测方法
CN106100922A (zh) * 2016-06-12 2016-11-09 中车青岛四方机车车辆股份有限公司 列车通信网络的网络流量的预测方法和装置
CN106548232A (zh) * 2016-11-11 2017-03-29 长沙理工大学 Rbf‑ar模型的新型网络结构及参数辨识方法
CN107103394A (zh) * 2017-05-27 2017-08-29 重庆大学 一种基于神经网络的轨道交通实时客流预测方法
CN107453921A (zh) * 2017-09-08 2017-12-08 四川省电科互联网加产业技术研究院有限公司 基于非线性神经网络的智慧城市系统人工智能评价方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016165742A1 (en) * 2015-04-14 2016-10-20 Nec Europe Ltd. Method for incident detection in a time-evolving system

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6411946B1 (en) * 1998-08-28 2002-06-25 General Instrument Corporation Route optimization and traffic management in an ATM network using neural computing
CN102891770A (zh) * 2012-10-22 2013-01-23 哈尔滨工业大学深圳研究生院 一种利用短相关模型预测长相关序列的方法
CN103577877A (zh) * 2013-11-19 2014-02-12 北京航空航天大学 一种基于时频分析和bp神经网络的船舶运动预报方法
CN103714382A (zh) * 2013-12-31 2014-04-09 北京交通大学 一种城轨列车安全检测传感网可靠性多指标综合评估方法
CN104168131A (zh) * 2014-06-05 2014-11-26 国家电网公司 一种基于组播通信的电力调度交换网的流量生成方法
CN104270281A (zh) * 2014-09-03 2015-01-07 河海大学 一种Web Service QoS组合预测方法
CN106100922A (zh) * 2016-06-12 2016-11-09 中车青岛四方机车车辆股份有限公司 列车通信网络的网络流量的预测方法和装置
CN106548232A (zh) * 2016-11-11 2017-03-29 长沙理工大学 Rbf‑ar模型的新型网络结构及参数辨识方法
CN107103394A (zh) * 2017-05-27 2017-08-29 重庆大学 一种基于神经网络的轨道交通实时客流预测方法
CN107453921A (zh) * 2017-09-08 2017-12-08 四川省电科互联网加产业技术研究院有限公司 基于非线性神经网络的智慧城市系统人工智能评价方法

Also Published As

Publication number Publication date
CN108964969A (zh) 2018-12-07

Similar Documents

Publication Publication Date Title
CN113408743B (zh) 联邦模型的生成方法、装置、电子设备和存储介质
CN108965001B (zh) 一种车辆报文数据模型的评估方法及装置
Kukkala et al. Latte: L stm self-att ention based anomaly detection in e mbedded automotive platforms
US20230367934A1 (en) Method and apparatus for constructing vehicle dynamics model and method and apparatus for predicting vehicle state information
JP2020096286A (ja) 判定装置、判定プログラム、判定方法及びニューラルネットワークモデルの生成方法
Zizzo et al. Adversarial attacks on time-series intrusion detection for industrial control systems
CN107347064B (zh) 基于神经网络算法的云计算平台态势预测方法
CN108964969B (zh) 混合神经网络和ar模型的高速铁路信号系统流量预测方法
Han et al. ADS-lead: Lifelong anomaly detection in autonomous driving systems
CN110110475B (zh) 基于在线学习渐消因子的扩展卡尔曼滤波方法
US10681059B2 (en) Relating to the monitoring of network security
Akbarian et al. Attack resilient cloud-based control systems for industry 4.0
Alanazi et al. Intrusion detection system: overview
He Identification and Processing of Network Abnormal Events Based on Network Intrusion Detection Algorithm.
Nakamura et al. In-vehicle network attack detection across vehicle models: A supervised-unsupervised hybrid approach
CN116362397A (zh) 基于深度学习的人群疏散时间预测方法及系统
CN115758337A (zh) 基于时序图卷积网络的后门实时监测方法、电子设备、介质
CN114006744A (zh) 一种基于lstm的电力监控系统网络安全态势预测方法及系统
CN108809967B (zh) 轨道交通信号系统信息安全风险监测方法
CN114139601A (zh) 一种对电力巡检场景人工智能算法模型的评估方法及系统
CN113485313A (zh) 自动驾驶车辆的抗干扰方法和装置
CN113688385A (zh) 轻量级分布式入侵检测方法
CN113595974A (zh) 受攻击的离散随机分布控制系统的安全控制方法及系统
Bi et al. Novel cyber fault prognosis and resilience control for cyber–physical systems
CN115604016B (zh) 一种行为特征链模型的工控异常行为监测方法和系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant