CN108134979B - 基于深度神经网络的小基站开关控制方法 - Google Patents

基于深度神经网络的小基站开关控制方法 Download PDF

Info

Publication number
CN108134979B
CN108134979B CN201711261843.7A CN201711261843A CN108134979B CN 108134979 B CN108134979 B CN 108134979B CN 201711261843 A CN201711261843 A CN 201711261843A CN 108134979 B CN108134979 B CN 108134979B
Authority
CN
China
Prior art keywords
base station
training
sample
data
user
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
CN201711261843.7A
Other languages
English (en)
Other versions
CN108134979A (zh
Inventor
潘志文
杜鹏程
尤肖虎
刘楠
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.)
White Box Shanghai Microelectronics Technology Co ltd
Original Assignee
Southeast University
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 Southeast University filed Critical Southeast University
Priority to CN201711261843.7A priority Critical patent/CN108134979B/zh
Publication of CN108134979A publication Critical patent/CN108134979A/zh
Application granted granted Critical
Publication of CN108134979B publication Critical patent/CN108134979B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • 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
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W52/00—Power management, e.g. TPC [Transmission Power Control], power saving or power classes
    • H04W52/02—Power saving arrangements
    • H04W52/0203—Power saving arrangements in the radio access network or backbone network of wireless communication networks
    • H04W52/0206—Power saving arrangements in the radio access network or backbone network of wireless communication networks in access points, e.g. base stations
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明提供了基于深度神经网络的小基站开关控制方法，包括：采集基站中的用户信息；将所有用户数据整合成可供模型训练的路径数据样本集合；构建神经网络模型；输入数据并训练模型；收集待预测用户数据，预测用户下一时刻位置；计算基站未来服务用户的数目，控制基站开关。本发明方法通过预测基站内待服务人数，控制超密集网络中小基站的开关，达到了降低基站功耗，减少基站间的干扰，优化超密集网络中资源分配的目的；在建立数学模型的过程中，本方法结合了数据挖掘和机器学习，提高了预测的准确率和***的实用性。

Description

基于深度神经网络的小基站开关控制方法
技术领域
本发明属于移动通信中的无线资源管理技术领域，涉及基站开关控制方法，更为具体的说，是涉及基于深度神经网络的小基站开关控制方法。
背景技术
在宏站覆盖范围内同频密集部署低功率小站的超密集异构网络是一种提升无线网络频谱利用率和网络容量的有效方法。然而，一方面待服务的终端在空间上分布不均，一个地区内的一部分小基站满负荷运转，一部分小基站空载，造成了处理资源的浪费。另一方面，待服务的终端在时间上分布不均，小区中的用户分布存在潮汐效应，同样会造成资源的浪费。
发明内容
为解决上述问题，基于在城市场景中，人群随着已有的道路移动，人群下一时间点的位置可预测这一思路，本发明提供了基于深度神经网络的小基站开关控制方法。
为了达到上述目的，本发明提供如下技术方案：
基于深度神经网络的小基站开关控制方法，包括如下步骤：
步骤一：采集基站中的用户信息
每隔一段时间采样一次，记录接入基站的用户编号、接入时刻、和用户位置信息，放入样本集合L＝{(ui,ti,pi)}，其中ui为接入用户的编号，ti为记录数据的时刻，pi为用户的地理位置，包括经度坐标xi和纬度坐标yi；
步骤二：数据整合
将步骤一中基站搜集的用户数据整理、合并成可供模型训练的路径数据，合并所有用户的数据样本，得到最终用于训练的样本集合Ltrain＝{(p1,i,p2,i,p3,i,p4,i,p5,i,p6,i)}；
步骤三：构建神经网络模型
选择全连接神经网络为训练模型，训练误差采用平均平方误差计算，训练时采用常用的正向传播方法得到一次训练的结果，采用逆向传播方法更新神经网络中的参数；
步骤四：输入数据并训练模型
1)选取步骤二得到的集合Ltrain中的一个样本，样本记为dj＝(p1,j,p2,j,p3,j,p4,j,p5,j,p6,j)，dj中前5个数据(p1,j,p2,j,p3,j,p4,j,p5,j)用于输入，最后1个数据p6,j用于与预测结果比较，计算误差；
2)向神经网络中输入一个样本的前5个数据(p1,j,p2,j,p3,j,p4,j,p5,j)，采用神经网络中的正向传播方法得到一次训练的结果，即预测的位置坐标
Figure BDA0001493739870000021
3)样本中的预测坐标的真实值为
Figure BDA0001493739870000022
利用实际坐标和预测坐标计算误差
Figure BDA0001493739870000023
采用逆向传播方法更新神经网络中的参数，完成一次样本训练；
4)将整个样本集Ltrain代入并训练一次，称为一轮样本集训练，如此进行多轮样本集训练，每轮训练后计算该轮训练误差
Figure BDA0001493739870000024
当|Ei+1-Ei|＜ec时，训练停止；此时，模型的参数更新完毕，模型训练完毕；
其中，Ei为第i轮训练的误差，ei,j为第i轮训练的样本集中第j个样本的训练误差，ec为最小误差常量；
步骤五：收集待预测用户数据，预测用户下一时刻位置
1)设待预测时刻为tpredict，按照步骤一采集用户数据，记为L'＝{(ui',ti',pi')}；
2)按照步骤二中的步骤整合数据，记为集合Lpredict＝{(p1',i,p'2,i,p'3,i,p'4,i,p'5,i)}；
3)将集合Lpredict中的样本输入模型，即可得到用户的位置预测结果，预测结果集合记为
Figure BDA0001493739870000025
步骤六：计算基站未来服务用户的数目，控制基站开关
1)基站的信息记为集合
Figure BDA0001493739870000026
其中，
Figure BDA0001493739870000027
为基站位置的经度坐标，
Figure BDA0001493739870000028
为基站位置的纬度坐标，numi为基站未来服务用户的数目；
2)从步骤五中得到的预测结果集合
Figure BDA0001493739870000029
中，依次选取样本
Figure BDA00014937398700000210
计算其与集合C中各个基站的距离
Figure BDA00014937398700000211
得到与该样本最近的基站的编号
Figure BDA00014937398700000212
在集合C中相应的numi上加1；
3)设控制基站开关的阈值为numc，遍历集合C中所有基站数据，当numi≥numc时，开启对应基站i；当numi≤numc，关闭对应基站i。
进一步的，所述步骤二中整理、合并用户数据的过程具体包括如下步骤：
1)在集合L中，选取一个固定的用户编号c，收集该用户的数据，记为集合
Figure BDA00014937398700000213
2)将Lc中的样本按时间
Figure BDA0001493739870000031
进行排序；
3)把集合中的样本按时间顺序以六个一组进行分组，每一组为一个新的样本，即每个新的样本为
Figure BDA0001493739870000032
k为分组组号；
4)去除新样本中时间数据
Figure BDA0001493739870000033
只保留位置坐标数据
Figure BDA0001493739870000034
即
Figure BDA0001493739870000035
得到用户(ui＝c)用于训练的样本集，记为
Figure BDA0001493739870000036
5)按照上述步骤整理其他用户的样本，并将所有用户的样本集合并在一起，得到最终用于训练的样本集合，记为Ltrain＝{(p1,i,p2,i,p3,i,p4,i,p5,i,p6,i)}。
进一步的，所述步骤三中选择的神经网络总共有5层神经元，第一层有10个输入神经元，最后一层有2个输出神经元，用于预测未知的坐标；所述步骤四中向神经网络输入的样本数据中每个数据都包括经纬坐标共有10个数用于输入，与神经网络的输入神经元一一对应。
进一步的，所述步骤五中设置预测时刻与采集样本的时刻在一定时间范围之内。
与现有技术相比，本发明具有如下优点和有益效果：
本发明方法通过预测基站内待服务人数，控制超密集网络中小基站的开关，达到了降低基站功耗，减少基站间的干扰，优化超密集网络中资源分配的目的；在建立数学模型的过程中，本方法结合了数据挖掘和机器学习，提高了预测的准确率和***的实用性。
具体实施方式
以下将结合具体实施例对本发明提供的技术方案进行详细说明，应理解下述具体实施方式仅用于说明本发明而不用于限制本发明的范围。
本发明使用深度神经网络模型，建立人群位置的预测模型，预测未来小基站内的待服务人数。具体的说，本发明提供的基于深度神经网络的小基站开关控制方法，包括如下步骤：
第一步：采集基站中的用户信息。每一分钟采样一次，记录接入基站的用户编号、接入时刻、和用户位置信息，放入样本集合L＝{(ui,ti,pi)}，其中ui为接入用户的编号，ti为记录数据的时刻，时刻精确到分钟，pi为用户的地理位置，包括经度坐标xi和纬度坐标yi。
第二步：数据整合，将第一步中基站搜集的用户数据整理、合并成可供模型训练的路径数据。
1)在集合L中，选取一个固定的用户编号(ui＝c)，收集该用户的数据，记为集合
Figure BDA0001493739870000037
2)将Lc中的样本按时间
Figure BDA0001493739870000038
进行排序。
3)把集合中的样本按时间顺序以六个一组进行分组，每一组为一个新的样本，即每个新的样本为
Figure BDA0001493739870000041
k为分组组号。
4)去除新样本中时间数据
Figure BDA0001493739870000042
只保留位置坐标数据
Figure BDA0001493739870000043
即
Figure BDA0001493739870000044
此时得到用户(ui＝c)用于训练的样本集，记为
Figure BDA0001493739870000045
5)按照上述步骤整理其他用户的样本，并将所有用户的样本集合并在一起，得到最终用于训练的样本集合，记为
Figure BDA0001493739870000046
第三步：构建神经网络模型。
选择全连接神经网络为训练模型。该模型总共有5层神经元，第一层有10个输入神经元，最后一层有2个输出神经元，来预测未知的坐标，中间三层各有50个隐藏神经元(该值可由运营商根据实际网络复杂程度自行调整)。训练误差采用平均平方误差计算，训练步长设为0.001(该值可由运营商根据实际网络复杂程度自行调整)。训练时采用常用的正向传播方法得到一次训练的结果，采用逆向传播方法更新神经网络中的参数。
第四步：输入数据并训练模型。
1)选取第二步得到的集合Ltrain中的一个样本，样本记为dj＝(p1,j,p2,j,p3,j,p4,j,p5,j,p6,j)，dj中前5个数据(p1,j,p2,j,p3,j,p4,j,p5,j)用于输入，最后1个数据p6,j用于与预测结果比较，计算误差。
2)向神经网络中输入一个样本的前5个数据(p1,j,p2,j,p3,j,p4,j,p5,j)，每个数据都是位置数据，包括经纬坐标两个数，总共有10个数用于输入，与神经网络的输入神经元一一对应，采用神经网络中的正向传播方法得到一次训练的结果，记为
Figure BDA0001493739870000047
即预测的位置坐标。
3)样本中的预测坐标的真实值为
Figure BDA0001493739870000048
利用实际坐标和预测坐标计算误差
Figure BDA0001493739870000049
采用逆向传播方法更新神经网络中的参数，完成一次样本训练。
4)将整个样本集Ltrain代入并训练一次，称为一轮样本集训练。在一轮样本集训练后，计算该轮训练误差
Figure BDA00014937398700000410
(Ei为第i轮训练的误差，ei,j为第i轮训练的样本集中第j个样本的训练误差)。进行多轮样本集训练，当|Ei+1-Ei|＜ec(ec为最小误差常量，该值可由运营商根据实际网络运行情况自行调整)时，训练停止。此时，模型的参数更新完毕，模型训练完毕。
第五步：收集待预测用户数据，预测用户下一时刻位置。
1)设待预测时刻为tpredict，按照步骤一采集用户数据，记为L'＝{(ui',ti',pi')}(1≤tpredict-ti'≤5)表示采集样本的时刻与预测时刻在5分钟之内(该值可由运营商根据实际网络运行情况自行调整)。
2)按照第二步中的步骤整合数据，记为集合Lpredict＝{(p1',i,p'2,i,p'3,i,p'4,i,p'5,i)}，此时的样本集合用于预测，只有输入，没有输出，故每个样本只有5个位置数据。
3)将集合Lpredict中的样本输入模型，即可得到用户的位置预测结果，预测结果集 合记为
Figure BDA0001493739870000051
第六步：计算基站未来服务用户的数目，控制基站开关。
1)基站的信息记为集合
Figure BDA0001493739870000052
其中，
Figure BDA0001493739870000053
为基站位置的经度坐标，yi c为基站位置的纬度坐标，numi为基站未来服务用户的数目，初始化为0。
2)从第五步中得到的预测结果集合
Figure BDA0001493739870000054
中，依次选取样本
Figure BDA0001493739870000055
计算其与集合C中各个基站的距离
Figure BDA0001493739870000056
得到与该样本最近的基站的编号
Figure BDA0001493739870000057
在集合C中相应的numi上加1。
3)设控制基站开关的阈值为numc(该值可由运营商根据实际网络运行情况自行确定)，遍历集合C中所有基站数据，当numi≥numc时，开启对应基站i；当numi≤numc，关闭对应基站i。
本发明方案所公开的技术手段不仅限于上述实施方式所公开的技术手段，还包括由以上技术特征任意组合所组成的技术方案。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。

Claims (2)

1.基于深度神经网络的小基站开关控制方法，其特征在于，包括如下步骤：
步骤一：采集基站中的用户信息
每隔一段时间采样一次，记录接入基站的用户编号、接入时刻、和用户位置信息，放入样本集合L＝{(ui,ti,pi)}，其中ui为接入用户的编号，ti为记录数据的时刻，pi为用户的地理位置，包括经度坐标xi和纬度坐标yi；
步骤二：数据整合
将步骤一中基站搜集的用户数据整理、合并成可供模型训练的路径数据，合并所有用户的数据样本，得到最终用于训练的样本集合Ltrain＝{(p1,i,p2,i,p3,i,p4,i,p5,i,p6,i)}；
具体包括如下步骤：
1)在集合L中，选取一个固定的用户编号c，收集该用户的数据，记为集合
Figure FDA0002300271730000011
2)将Lc中的样本按时间
Figure FDA0002300271730000012
进行排序；
3)把集合中的样本按时间顺序以六个一组进行分组，每一组为一个新的样本，即每个新的样本为
Figure FDA0002300271730000013
k为分组组号；
4)去除新样本中时间数据
Figure FDA0002300271730000014
只保留位置坐标数据
Figure FDA0002300271730000015
即
Figure FDA0002300271730000016
得到用户(ui＝c)用于训练的样本集，记为
Figure FDA0002300271730000017
5)按照上述步骤整理其他用户的样本，并将所有用户的样本集合并在一起，得到最终用于训练的样本集合，记为Ltrain＝{(p1,i,p2,i,p3,i,p4,i,p5,i,p6,i)}；
步骤三：构建神经网络模型
选择全连接神经网络为训练模型，该模型总共有5层神经元，第一层有10个输入神经元，最后一层有2个输出神经元，来预测未知的坐标；训练误差采用平均平方误差计算，训练时采用常用的正向传播方法得到一次训练的结果，采用逆向传播方法更新神经网络中的参数；
步骤四：输入数据并训练模型
1)选取步骤二得到的集合Ltrain中的一个样本，样本记为dj＝(p1,j,p2,j,p3,j,p4,j,p5,j,p6,j)，dj中前5个数据(p1,j,p2,j,p3,j,p4,j,p5,j)用于输入，最后1个数据p6,j用于与预测结果比较，计算误差；
2)向神经网络中输入一个样本的前5个数据(p1,j,p2,j,p3,j,p4,j,p5,j)，每个数据都是位置数据，包括经纬坐标两个数，总共有10个数用于输入，与神经网络的输入神经元一一对应，采用神经网络中的正向传播方法得到一次训练的结果，即预测的位置坐标
Figure FDA0002300271730000021
3)样本中的预测坐标的真实值为
Figure FDA0002300271730000022
利用实际坐标和预测坐标计算误差
Figure FDA0002300271730000023
采用逆向传播方法更新神经网络中的参数，完成一次样本训练；
4)将整个样本集Ltrain代入并训练一次，称为一轮样本集训练，如此进行多轮样本集训练，每轮训练后计算该轮训练误差Ei＝∑ei,j，当|Ei+1-Ei|＜ec时，训练停止；此时，模型的参数更新完毕，模型训练完毕；
其中，Ei为第i轮训练的误差，ei,j为第i轮训练的样本集中第j个样本的训练误差，ec为最小误差常量；
步骤五：收集待预测用户数据，预测用户下一时刻位置
1)设待预测时刻为tpredict，按照步骤一采集用户数据，记为L'＝{(u′i,t′i,p′i)}；
2)按照步骤二中的步骤整合数据，记为集合Lpredict＝{(p′1,i,p'2,i,p'3,i,p'4,i,p'5,i)}；
3)将集合Lpredict中的样本输入模型，即可得到用户的位置预测结果，预测结果集合记为
Figure FDA0002300271730000024
步骤六：计算基站未来服务用户的数目，控制基站开关
1)基站的信息记为集合
Figure FDA0002300271730000025
其中，
Figure FDA0002300271730000026
为基站位置的经度坐标，
Figure FDA0002300271730000027
为基站位置的纬度坐标，numi为基站未来服务用户的数目；
2)从步骤五中得到的预测结果集合
Figure FDA0002300271730000028
中，依次选取样本
Figure FDA0002300271730000029
计算其与集合C中各个基站的距离
Figure FDA00023002717300000210
得到与该样本最近的基站的编号
Figure FDA00023002717300000211
在集合C中相应的numi上加1；
3)设控制基站开关的阈值为numc，遍历集合C中所有基站数据，当numi≥numc时，开启对应基站i；当numi≤numc，关闭对应基站i。
2.根据权利要求1所述的基于深度神经网络的小基站开关控制方法，其特征在于：所述步骤五中设置预测时刻与采集样本的时刻在一定时间范围之内。
CN201711261843.7A 2017-12-04 2017-12-04 基于深度神经网络的小基站开关控制方法 Active CN108134979B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711261843.7A CN108134979B (zh) 2017-12-04 2017-12-04 基于深度神经网络的小基站开关控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711261843.7A CN108134979B (zh) 2017-12-04 2017-12-04 基于深度神经网络的小基站开关控制方法

Publications (2)

Publication Number Publication Date
CN108134979A CN108134979A (zh) 2018-06-08
CN108134979B true CN108134979B (zh) 2020-04-14

Family

ID=62389867

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711261843.7A Active CN108134979B (zh) 2017-12-04 2017-12-04 基于深度神经网络的小基站开关控制方法

Country Status (1)

Country Link
CN (1) CN108134979B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108834079B (zh) * 2018-09-21 2020-05-01 北京邮电大学 一种在异构网络中基于移动性预测的负载均衡优化方法
CN109447275B (zh) * 2018-11-09 2022-03-29 西安邮电大学 Udn中基于机器学习的切换方法
CN109729540B (zh) * 2019-01-18 2022-05-17 福建福诺移动通信技术有限公司 一种基于神经网络的基站参数自动优化方法
CN110072016A (zh) * 2019-01-29 2019-07-30 浙江鹏信信息科技股份有限公司 一种利用通话行为时域滤波实现不良语音分类的方法
CN109819522B (zh) * 2019-03-15 2021-08-24 电子科技大学 一种平衡能耗与用户服务质量的用户带宽资源分配方法
US20230362823A1 (en) * 2020-07-27 2023-11-09 Telefonaktiebolaget Lm Ericsson (Publ) Method Performed by a Radio Network Node for Determining a Changed Bandwidth Interval
CN114339962B (zh) * 2020-09-29 2023-07-14 ***通信集团设计院有限公司 基站节能方法、装置及***

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101128056A (zh) * 2007-09-19 2008-02-20 中兴通讯股份有限公司 一种协作式小区间干扰消除方法
CN106683666A (zh) * 2016-12-23 2017-05-17 上海语知义信息技术有限公司 一种基于深度神经网络的领域自适应方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101128056A (zh) * 2007-09-19 2008-02-20 中兴通讯股份有限公司 一种协作式小区间干扰消除方法
CN101128056B (zh) * 2007-09-19 2012-01-18 中兴通讯股份有限公司 一种协作式小区间干扰消除方法
CN106683666A (zh) * 2016-12-23 2017-05-17 上海语知义信息技术有限公司 一种基于深度神经网络的领域自适应方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Coverage and Rate Analysis for Non-uniform Millimeter-Wave Heterogeneous Cellular Network;刘楠，潘志文，尤肖虎 等;《2016年第8届无线通信与信号处理国际会议（WCSP）》;20161015;全文 *

Also Published As

Publication number Publication date
CN108134979A (zh) 2018-06-08

Similar Documents

Publication Publication Date Title
CN108134979B (zh) 基于深度神经网络的小基站开关控制方法
WO2021169577A1 (zh) 一种基于加权联邦学习的无线业务流量预测方法
CN108123828B (zh) 一种基于接入用户移动性预测的超密集网络资源分配方法
RU2534740C2 (ru) Способ и устройство для определения состояния мобильности терминала
CN103874132A (zh) 一种基于用户的异构无线网络接入选择方法
Zhang et al. Unveiling taxi drivers' strategies via cgail: Conditional generative adversarial imitation learning
CN107249200A (zh) 一种应用模糊预测模型的切换方法
CN110149595B (zh) 一种基于hmm的异构网络用户行为预测方法
CN113498137A (zh) 获取小区关系模型、推荐小区切换指导参数的方法及装置
CN111246552A (zh) 一种基于移动网络流量预测的基站休眠方法
CN114585006B (zh) 基于深度学习的边缘计算任务卸载和资源分配方法
CN113993172B (zh) 一种基于用户移动行为预测的超密集网络切换方法
Yang et al. Deep reinforcement learning based wireless network optimization: A comparative study
CN111343680A (zh) 一种基于参考信号接收功率预测的切换时延减少方法
Wang et al. Reputation-enabled federated learning model aggregation in mobile platforms
CN113919483A (zh) 一种无线通信网络中无线电地图的构造和定位方法及其***
Saffar et al. Semi-supervised deep learning-based methods for indoor outdoor detection
Gao et al. Accurate load prediction algorithms assisted with machine learning for network traffic
Xue et al. Deep learning based channel prediction for massive MIMO systems in high-speed railway scenarios
Gao et al. Deep learning based location prediction with multiple features in communication network
CN111372182A (zh) 一种定位方法、装置、设备及计算机可读存储介质
Li et al. MTF 2 N: Multi-Channel Temporal-Frequency Fusion Network for Spectrum Prediction
WO2023011371A1 (en) Method and system for configuring a threshold value for a handover parameter of a wireless communication system
CN109548138B (zh) 小蜂窝网络中基于重叠社区检测的跟踪区列表管理方法
CN114390582B (zh) 基站站址预测方法及装置

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
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20210407

Address after: 201306 building C, No. 888, Huanhu West 2nd Road, Lingang New Area, Pudong New Area, Shanghai

Patentee after: Shanghai Hanxin Industrial Development Partnership (L.P.)

Address before: 211189 No. 2, Four Pailou, Xuanwu District, Nanjing City, Jiangsu Province

Patentee before: SOUTHEAST University

TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20230913

Address after: 201615 room 301-6, building 6, no.1158, Jiuting Central Road, Jiuting Town, Songjiang District, Shanghai

Patentee after: White box (Shanghai) Microelectronics Technology Co.,Ltd.

Address before: 201306 building C, No. 888, Huanhu West 2nd Road, Lingang New Area, Pudong New Area, Shanghai

Patentee before: Shanghai Hanxin Industrial Development Partnership (L.P.)