流量矩阵估计中期总结

    从09年11到10年4月左右，一直忙于看论文，做实验，写论文，并没有记录中间的过程，现在大致回顾一下，如下：

    1，对开题提出的想法实验验证：提出的动态kalman估计由于碰到样本缩小导致关于参数的方程不稳定问题而受挫，这是由于流量矩阵的固有特性（至少abilence骨干网里的流量数据是这样）。

    2，改进PCA，认为USV三个部分均是变化的，所以采用目前研究的比较热的粒子群算法搜索合适的解。实验结果不理想，这样经过改进的算法降低了原PCA的假设（认为US是稳定的），仅认为流量矩阵是稀疏的，其实以此作为适应度函数不足够约束解，中间对此适应度多次修改，试图加强约束，实验结果都不行。

    3，中间做实验的过程中，反倒是发现了一种很直接的估计方法，就是根据样本的相似程度直接映射的方法，再经过IPFP迭代调整，实验结果非常好，如果不经过IPFP调整的话比重力模型要好，但和kalman、PCA差不多，但经过调整后比两者无论是时间误差还是空间误差都小很多。这个迭代调整也是借鉴09年GARCH模型这篇论文中用的，最初源自02年cao的那篇高斯模型的论文（真痛恨当初那篇论文没仔细看）。后来又和GARCH模型做了比较，短期内（半天的估计）比之差，但以后的估计都比之好。这是由于时间序列模型的递归特性导致的。

    就这样倒腾了几个月，总算有点收获，后来写了篇论文，投了出去，已经被收录。目前我认为流量矩阵的特性相当复杂，试图通过对其建某种模型做为求病态反问题的额外约束条件这一方法几乎很难再有大的收获。我后来试图建立基于多维互连的神经网络模型也由于计算量巨大而无法完成实验。所以这一方向已经很难再出成果，昨天看到今年发表了一篇改进的重力模型的论文，即对网络进行分割，分别求解再合并的方法来加快估计速度，但误差不变。其余的新出的几篇就没什么意思了。这也说明这一研究方向已经很难再有突破了。