高效的数据分发协议对于车载自组网(Vehicular Ad Hoc Network,VANET)中车辆之间传输信息至关重要。本文基于熵理论，将车载自组网的数据分发问题归结为目的节点确定和目的节点不确定两个方向进行研究: 首先，对于目的节点确定的VANE...
详细信息
高效的数据分发协议对于车载自组网(Vehicular Ad Hoc Network,VANET)中车辆之间传输信息至关重要。本文基于熵理论，将车载自组网的数据分发问题归结为目的节点确定和目的节点不确定两个方向进行研究: 首先，对于目的节点确定的VANET系统，必须在有限的传输资源内提高目的节点收到数据的有效性。本研究从系统熵减最大化的角度来进行数据分发策略的研究，提出一种基于转移熵减的数据分发算法TEDD(Transfer Entropy Decrease based Dissemination),其通过城市道路的车辆流分析路段的连通度，找出到达率最大数据分发路径，系统基于系统熵减最大化的数据分发，实现目的节点对数据的高效可靠接收。仿真实验表明，与现有算法相比，TEDD在系统熵减速率、传输延迟和数据包投递率方面表现出更好的效果。 其次，对于目的节点不确定的VANET系统，需实现消息在网络中的快速覆盖。本研究从最大化系统演变多样性出发，提出了一种基于因果路径熵增理论的高效数据分发算法CEID(Causal Entropy Increase based Dissemination)。通过对城市VANET车辆的拓扑结构进行建模，评估出在数据分发过程中能够最大化系统多样性的中继节点进行数据分发，旨在最大化因果路径熵增速率，使尽可能多的车辆快速接收数据，同时减少数据分发过程中的冗余和碰撞。此外，还设计了一种多方向同步数据分发策略，以实现网络中的快速高效数据分发。仿真实验表明，与现有算法相比，CEID在系统熵增速率、数据传输延迟和数据冗余方面均实现了更优的性能。
经济发展转型与产业结构优化推动我国行业间关联不断加深,与此同时金融业与实体经济行业间通过借贷关系和投资关系也形成了广泛又紧密的联系,这使得系统性风险跨行业传染的概率大大提升。因此通过构造关联网络分析行业间的复杂关系,研究网络结构对行业系统性风险溢出效应的影响有助于防范系统性风险的发生与蔓延。本文选取28个申银万国一级行业指数为研究对象,构造了股票市场中的行业风险关联网络并进行研究。首先,本文基于信息论原理测度了不同行业Va R序列间的转移熵,刻画行业间风险信息传递的情况。利用阈值法过滤冗余信息构建了行业风险关联网络并对网络结构进行分析。其次,利用Co Va R模型对我国行业的系统性风险溢出效应进行测度,选用DCC-GARCH模型法计算出行业的ΔCo Va R序列以及行业和股市系统的动态相关系数。对样本期间内行业的平均ΔCo Va R进行排序并分析了不同行业系统性风险溢出效应的动态演化特征。最后,在行业风险关联网络的基础上构建面板模型,从网络节点结构特征方面探究其对行业系统性风险溢出效应的影响。研究发现:(1)我国行业风险关联网络同时具有一致性和时变性:存在贯穿始终的网络中心节点,网络结构也会随时间发生改变。家用电器、食品饮料和银行业在样本期间内的大部分时间窗口都处于网络的中心位置,其他行业在网络中的位置在牛熊市表现不同,其中非银金融行业的网络中心性在熊市时有所提高。网络的小世界性在股市波动期间加强,网络密度在熊市时明显增大。(2)不同行业的系统性风险溢出效应有较明显的差异,但总体波动趋势一致,反映了行业系统性风险溢出效应同时受到行业特质性因素和宏观因素的影响。行业差异方面,不同行业的系统性风险溢出效应大小不同,发生波动的具体时点和持续时间也有所不同。波动趋势方面,行业的系统性风险溢出效应在股市波动时期增大,其中2015年股灾期间表现尤为明显。(3)风险关联网络结构对行业系统性风险溢出效应有影响。滞后一期的节点出度、入度、出强度和入强度均和行业的系统性风险溢出效应的大小呈反向变动关系,行业间的风险信息传递更多发挥了风险分担和风险预测的作用。本文的研究结果将为监管部门了解行业间关联情况、预防系统性风险的跨行业传染提供一定的参考价值。
在日常生活中,时间序列数据广泛存在于农业、医学、工业等多个领域。随着大数据时代的不断发展,产生了海量的时间序列数据,这为挖掘其有效信息增加了难度。由于时间序列数据的时序性,通过了解时间序列变量之间的因果关系可以预测事物或现象的发展情况,因果关系分析方法也受到广大学者的关注。因此,挖掘复杂时间序列数据的潜在信息,揭示未来发展规律,成为当前一个重要研究方向。本文以时间序列数据为研究对象,通过分析非线性与非平稳的时间序列数据之间的因果关系,得到因果关系程度最高的时间变量,为复杂时间序列系统的分析与预测构建合适的输入特征。本文的主要工作和研究成果如下:
针对传统因果关系算法不能分析非平稳时间序列和可变时滞时间序列数据因果关系的问题,本文提出一种基于分段聚合近似可变时滞转移熵（Piecewise Aggregate Approximated Variable-lag Transfer Entropy,PAAVL-TE）的因果关系算法。首先,利用分段聚合近似法对时间序列进行转换,提取时间序列的特征信息,运用动态时间弯曲距离寻找相似程度最高的时间序列计算可变时滞时间序列的转移熵,实现了非平稳时间序列的因果分析。然后,通过计算机仿真模拟实验将提出的算法与存在的算法相比较,证实提出的算法有效性。最后,将提出的算法应用到北京昌平区PM2.5浓度和气象数据分析,表明算法的广泛应用性。
针对一般的Granger因果关系分析法仅适用二元线性因果关系分析,无法分析非线性时间序列的问题,提出了基于改进的相空间重构和GRBF神经网络的时间序列因果关系算法。在第一阶段,建立三层BP神经网络选择相空间重构的嵌入维数。在第二阶段,利用相空间构建广义径向基函数神经网络对时间序列进行Granger因果分析,提出了改进算法（Improved Phase Space Reconstruction and Generalized Radial Basis Function Causality,PRGC）实现了对非线性时间序列的因果分析。然后,通过计算机仿真模拟实验将提出的算法与存在的算法相比较,所提算法能够确定合适的相空间重构嵌入参数以判别真实因果关系,证实提出的算法有效性。
图[16]表[3]参[50]
暂无评论