网络流量矩阵估算开题总结

    前天，实验室做开题报告，我的题目是流量矩阵的估算研究，功夫不负有心人，终于开题成功，先前的担心真是过虑了。

    开题报告中我提出了两个Idea,一个是流量矩阵的空间一般特征，另一个是改进的卡尔曼滤波器用于流量矩阵估计。空间特征方面，我做了一些实验，有些实验结果好，有些结果不理想，总体来说，空间特征没有我想像的那么简单。

    具体来说就是有些本不该相关的OD流莫名的相关系数很大，这让我相当费解，因为这些大量的偶然性的可能是具体应用导致的相关性的OD流对似乎淹没了我发现并证明了的“反向的OD流正相关”这一结论，想想当时我发现并证明了这一结论而又恰在一篇已发表的论文中的实验数据未被人发现的奇妙的对称性作为佐证时那份狂喜，哎……。而负相关的OD流对从实验数据来又看少，而且相关系数大多也很小，这一点也出乎我的意料。后来张老师和其他老师博士讨论后认为我的这个题目太大。我当时产生这个想法时也觉得是有点大，流量矩阵空间一般特征真是任重而道远啊。

    还好第二个Idea算亮点吧，因为我从先前一篇实验比较的论文中发现了卡尔曼滤波的效果和特征分析差不多，我分析认为卡尔曼理论上应该比特征分析要好很多。然后找出了我认为卡尔曼为什么不佳的原因：OD流每天的波动几乎没有任何规律，用线性系统不能很好的预测。但OD流的主成分具有周期性，以天，以周为周期。接着提出了如何利用这种周期性，使得OD流接近“线性系统”。这个改进我是用公式描述的，这样的文字描述是当时听报告的骆老师讲出来的，我觉得说的很精确到位，连我自己都对这样的改进理解的更深一层了。所以引用过来。当时骆老师问我是不是自认为抓住了问题的本质。我当时说可能吧，只是觉得毕竟没有经过实验验证。后来觉得骆老师这样一说，让我更有信心了呵～～

    卡尔曼滤波器比较难以实现，先前尝试过，但未完成，现在想想要编程实现这个真是头大，总之一切想法还有待实验验证。不过我想如果实验结果证明线性系统用来预测流量矩阵已经穷途末路了，那就只能使用神经网络了。回顾以往，我和神经网络真是结下了一些不解之缘，而且自认为对BP神经网络有一定深度的理解。但我讨厌神经网络。不想使用它。

     做开题报告的PPT时，很感谢何博士给我提出了很有用的改进建议，我当时参照她以前做的PPT把自己做的PPT大改了一番，使得条理很清楚，最后还加了一页的时间安排。