CN109803222A - 无线小区性能指标预测方法及装置 - Google Patents
无线小区性能指标预测方法及装置 Download PDFInfo
- Publication number
- CN109803222A CN109803222A CN201811524090.9A CN201811524090A CN109803222A CN 109803222 A CN109803222 A CN 109803222A CN 201811524090 A CN201811524090 A CN 201811524090A CN 109803222 A CN109803222 A CN 109803222A
- Authority
- CN
- China
- Prior art keywords
- sample
- network model
- cell
- trained
- longitude
- 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.)
- Granted
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Telephonic Communication Services (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明实施例提供一种无线小区性能指标预测方法及装置,包括:获取目标小区的小区名称独热编码和历史性能指标;基于训练好的嵌入神经网络模型,对所述小区名称独热编码进行神经网络嵌入处理,得到所述目标小区的经纬度向量表征信息;将所述经纬度向量表征信息和所述历史性能指标输入到训练好的长短时记忆网络模型,获取所述目标小区的性能指标预测数据。本发明实施例通过嵌入神经网络模型和长短时记忆网络模型相结合,根据待预测的目标小区的经纬度向量表征信息和历史性能指标,对目标小区无线网络服务的性能指标进行预测,提高了预测准确性,提升了资源载波调度的稳定性。
Description
技术领域
本发明实施例涉及无线通信技术领域,尤其涉及一种无线小区性能指标预测方法及装置。
背景技术
随着无线通信技术的不断成熟与发展,无线通信用户爆发性增长,业务流量不断增加,运营商必须对无线网络资源进行预估,防止网络拥塞。
通过对无线网络性能进行预测,能够了解性能指标的发展趋势,从而指导网络优化人员发现未来存在的隐患,及时的维护和优化网络。目前对无线小区的性能指标的预测,大多数是采用自回归模型进行向前推算预测。由于,此种预测方式是基于一种线性模型,对序列数据的信息表达有限,对于复杂的信息预测存在较大的误差。
因此,现在亟需一种无线小区性能指标预测方法及装置来解决上述问题。
发明内容
针对现有技术存在的问题,本发明实施例提供一种无线小区性能指标预测方法及装置。
第一方面,本发明实施例提供了一种无线小区性能指标预测方法,包括:
获取目标小区的小区名称独热编码和历史性能指标;
基于训练好的嵌入神经网络模型,对所述小区名称独热编码进行神经网络嵌入处理,得到所述目标小区的经纬度向量表征信息;
将所述经纬度向量表征信息和所述历史性能指标输入到训练好的长短时记忆网络模型,获取所述目标小区的性能指标预测数据。
第二方面,本发明实施例提供了一种无线小区性能指标预测装置,包括:
获取模块,用于获取目标小区的小区名称独热编码和历史性能指标;
处理模块,用于基于训练好的嵌入神经网络模型,对所述小区名称独热编码进行神经网络嵌入处理,得到所述目标小区的经纬度向量表征信息;
预测模块,用于将所述经纬度向量表征信息和所述历史性能指标输入到训练好的长短时记忆网络模型,获取所述目标小区的性能指标预测数据。
第三方面,本发明实施例提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如第一方面所提供的方法的步骤。
第四方面,本发明实施例提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如第一方面所提供的方法的步骤。
本发明实施例提供的一种无线小区性能指标预测方法及装置,通过嵌入神经网络模型和长短时记忆网络模型相结合,根据待预测的目标小区的经纬度向量表征信息和历史性能指标,对目标小区无线网络服务的性能指标进行预测,提高了预测准确性,提升了资源载波调度的稳定性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图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无线小区性能指标预测方法的流程示意图;
图2为本发明实施例提供的基于嵌入神经网络和长短时记忆网络的神经网络模型示意图;
图3为本发明实施例提供无线小区性能指标预测装置的结构示意图;
图4为本发明实施例提供的电子设备结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
图1为本发明实施例提供的无线小区性能指标预测方法的流程示意图,如图1所示,本发明实施例提供了一种无线小区性能指标预测方法,包括:
步骤101,获取目标小区的小区名称独热编码和历史性能指标;
步骤102,基于训练好的嵌入神经网络模型,对所述小区名称独热编码进行神经网络嵌入处理,得到所述目标小区的经纬度向量表征信息;
步骤103,将所述经纬度向量表征信息和所述历史性能指标输入到训练好的长短时记忆网络模型,获取所述目标小区的性能指标预测数据。
在本发明实施例中,首先,通过步骤101,获取目标小区的小区名称独热编码和历史性能指标。在对目标小区的性能指标进行预测之前,通过one-hot编码方式,对目标小区的小区名称进行编码,从而得到目标小区名称对应的独热编码(One-Hot Encoder)。同时,获取目标小区的历史性能指标,在本发明实施例中,需要对目标小区未来两天的无线信号的性能指标进行预测,将目标小区前一周的历史性能指标的数据信息进行采集。例如,需要对A小区7月15日至7月16日两天的无线信号的性能指标进行预测,则需要对A小区在7月8日至7月14日这七天内的历史性能指标进行采集,以用于对A小区未来两天的无线网络性能指标进行预测。需要说明的是,在本发明实施例中,目标小区的历史性能指标和性能指标预测数据包括上行PRB平均利用率、下行PRB平均利用率、小区用户面上行字节数、小区用户面下行字节数、有效RRC连接平均数和E-RAB建立成功数。
然后,通过步骤102,基于训练好的嵌入神经网络模型,对所述小区名称独热编码进行神经网络嵌入处理,得到所述目标小区的经纬度向量表征信息。在本发明实施例中,由于小区名称独热编码的矩阵过于稀疏,因此,需要对小区名称独热编码进行处理,通过训练好的嵌入神经网络模型,对小区名称独热编码进行基于地理位置空间信息的转换,从而得到目标小区的实际编码,即目标小区的经纬度向量表征信息,以使得目标小区的性能指标预测数据更加准确。
最后,通过步骤103,将所述经纬度向量表征信息和所述历史性能指标输入到训练好的长短时记忆网络模型,获取所述目标小区的性能指标预测数据。在本发明实施例中,长短时记忆网络(Long Short Term Memory,简称LSTM)是一种特殊的循环神经网络(Recurrent Neural Networks,简称RNN),能够学习长期依赖关系,用于解决长序列问题中信息传递的丢失,以及在训练网络模型时,反向传播中的梯度***和消失的问题。LSTM模型首先将经纬度向量表征信息和历史性能指标进行关联,然后通过门限结构使得序列中的信息选择性地向前传递,从而得到目标小区的性能指标预测数据。最终,根据这些性能指标预测数据对目标小区的无线资源制定相应的载波调度方案,提高目标小区的无线网络服务性能。
本发明实施例通过嵌入神经网络模型和长短时记忆网络模型相结合,根据待预测的目标小区的经纬度向量表征信息和历史性能指标,对目标小区无线网络服务的性能指标进行预测,提高了预测准确性,提升了资源载波调度的稳定性。
在上述实施例的基础上,在所述获取目标小区的小区名称独热编码和历史性能指标之前,所述方法还包括:
对样本小区的小区名称进行独热编码处理,获取第一样本数据;
将所述第一样本数据输入到嵌入神经网络模型进行训练,得到所述样本小区的样本经纬度向量表征信息,并获取所述训练好的嵌入神经网络模型。
在本发明实施例中,首先,对样本小区的小区名称进行one-hot编码处理,由于直接得到的小区名称独热编码的矩阵过于稀疏,降低了预测准确度。本发明实施例通过嵌入神经网络模型对样本小区在地理位置空间上进行编码转换,采用三层的全连接神经网络模型,输入数据为样本小区名称的独热编码,输出为样本经纬度向量表征信息,从而完成模型的训练。在本发明实施例中,样本经纬度向量表征信息是从嵌入神经网络模型的隐藏层第一层输出的。
在上述实施例的基础上,在所述将所述第一样本数据输入到嵌入神经网络模型进行训练,得到所述样本小区的样本经纬度向量表征信息,并获取所述训练好的嵌入神经网络模型之后,所述方法还包括:
将所述样本小区的样本性能指标和所述样本经纬度向量表征信息进行关联处理,得到第二样本数据;
将所述第二样本数据输入到长短时记忆网络模型进行训练,获取所述训练好的长短时记忆网络模型。
在本发明实施例中,首先,LSTM模型将样本性能指标和样本经纬度向量表征信息进行关联处理,并通过关联后的样本数据进行训练,从而得到训练好的LSTM模型。在本发明实施例中,LSTM模型通过引入门结构(gate)和一个明确定义的记忆单元(memory cell),克服梯度消失或者梯度***的问题。在LSTM模型中,每个神经元有一个记忆单元和三个门结构:输入门、输出门和遗忘门,输入门结构决定了有多少来自上一层的信息存储于当前记忆单元。输出门结构承担了另一端的工作:决定下一层可以了解到多少这一层的信息。这些门式结构的功能是通过禁止或允许信息的流动来保护信息,以使得序列中的信息可以通过这种门式结构进行选择性的向前传递,从而提高无线小区性能指标预测的准确性。
图2为本发明实施例提供的基于嵌入神经网络和长短时记忆网络的神经网络模型示意图,可参考图2所示,将目标小区的小区名称独热编码和历史性能指标输入到神经网络模型之后,模型首先将小区名称独热编码转换成经纬度向量表征信息,然后再将经纬度向量表征信息和历史性能指标进行关联,通过门限结构对序列信息进行传递,从而得到预测出的性能指标数据。本发明提升了无线小区的性指标预测的准确度,基于本发明实施例预测的性能指标,对资源载波调度中的小区状态进行分析,忙时段的准确度为82.2%,闲时段的准确度为91.3%,极大提高了资源载波调度的稳定性。
在上述实施例的基础上,所述将所述第一样本数据输入到嵌入神经网络模型进行训练,得到所述样本小区的样本经纬度向量表征信息,包括:
通过所述第一样本数据对所述嵌入神经网络模型进行训练,获取所述嵌入神经网络模型的隐藏层中第一层输出的所述样本经纬度向量表征信息。
在上述各实施例的基础上,所述性能指标预测数据包括:上行PRB平均利用率、下行PRB平均利用率、小区用户面上行字节数、小区用户面下行字节数、有效RRC连接平均数和E-RAB建立成功数。
图3为本发明实施例提供无线小区性能指标预测装置的结构示意图,如
图3所示,本发明实施例提供了一种无线小区性能指标预测装置,包括:获取模块301、处理模块302和预测模块303,其中,获取模块301用于获取目标小区的小区名称独热编码和历史性能指标;处理模块302用于基于训练好的嵌入神经网络模型,对所述小区名称独热编码进行神经网络嵌入处理,得到所述目标小区的经纬度向量表征信息;预测模块303用于将所述经纬度向量表征信息和所述历史性能指标输入到训练好的长短时记忆网络模型,获取所述目标小区的性能指标预测数据。
本发明实施例提供的一种无线小区性能指标预测装置,通过嵌入神经网络模型和长短时记忆网络模型相结合,根据待预测的目标小区的经纬度向量表征信息和历史性能指标,对目标小区无线网络服务的性能指标进行预测,提高了预测准确性,提升了资源载波调度的稳定性。
在上述实施例的基础上,所述装置还包括:独热编码模块和第一训练模块,其中,独热编码模块用于对样本小区的小区名称进行独热编码处理,获取第一样本数据;第一训练模块用于将所述第一样本数据输入到嵌入神经网络模型进行训练,得到所述样本小区的样本经纬度向量表征信息,并获取所述训练好的嵌入神经网络模型。
在上述实施例的基础上,所述装置还包括:关联模块和第二训练模块,其中,关联模块用于将所述样本小区的样本性能指标和所述样本经纬度向量表征信息进行关联处理,得到第二样本数据;第二训练模块用于将所述第二样本数据输入到长短时记忆网络模型进行训练,获取所述训练好的长短时记忆网络模型。
本发明实施例提供的装置是用于执行上述各方法实施例的,具体流程和详细内容请参照上述实施例,此处不再赘述。
图4为本发明实施例提供的电子设备结构示意图,如图4所示,该电子设备可以包括:处理器(Processor)401、通信接口(Communications Interface)402、存储器(Memory)403和通信总线404,其中,处理器401,通信接口402,存储器403通过通信总线404完成相互间的通信。处理器401可以调用存储器403中的逻辑指令,以执行如下方法:获取目标小区的小区名称独热编码和历史性能指标;基于训练好的嵌入神经网络模型,对所述小区名称独热编码进行神经网络嵌入处理,得到所述目标小区的经纬度向量表征信息;将所述经纬度向量表征信息和所述历史性能指标输入到训练好的长短时记忆网络模型,获取所述目标小区的性能指标预测数据。
此外,上述的存储器403中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本发明实施例公开一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法实施例所提供的方法,例如包括:获取目标小区的小区名称独热编码和历史性能指标;基于训练好的嵌入神经网络模型,对所述小区名称独热编码进行神经网络嵌入处理,得到所述目标小区的经纬度向量表征信息;将所述经纬度向量表征信息和所述历史性能指标输入到训练好的长短时记忆网络模型,获取所述目标小区的性能指标预测数据。
本发明实施例提供一种非暂态计算机可读存储介质,该非暂态计算机可读存储介质存储服务器指令,该计算机指令使计算机执行上述实施例所提供的无线小区性能指标预测方法,例如包括:获取目标小区的小区名称独热编码和历史性能指标;基于训练好的嵌入神经网络模型,对所述小区名称独热编码进行神经网络嵌入处理,得到所述目标小区的经纬度向量表征信息;将所述经纬度向量表征信息和所述历史性能指标输入到训练好的长短时记忆网络模型,获取所述目标小区的性能指标预测数据。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种无线小区性能指标预测方法,其特征在于,包括:
获取目标小区的小区名称独热编码和历史性能指标;
基于训练好的嵌入神经网络模型,对所述小区名称独热编码进行神经网络嵌入处理,得到所述目标小区的经纬度向量表征信息;
将所述经纬度向量表征信息和所述历史性能指标输入到训练好的长短时记忆网络模型,获取所述目标小区的性能指标预测数据。
2.根据权利要求1所述的方法,其特征在于,在所述获取目标小区的小区名称独热编码和历史性能指标之前,所述方法还包括:
对样本小区的小区名称进行独热编码处理,获取第一样本数据;
将所述第一样本数据输入到嵌入神经网络模型进行训练,得到所述样本小区的样本经纬度向量表征信息,并获取所述训练好的嵌入神经网络模型。
3.根据权利要求2所述的方法,其特征在于,在所述将所述第一样本数据输入到嵌入神经网络模型进行训练,得到所述样本小区的样本经纬度向量表征信息,并获取所述训练好的嵌入神经网络模型之后,所述方法还包括:
将所述样本小区的样本性能指标和所述样本经纬度向量表征信息进行关联处理,得到第二样本数据;
将所述第二样本数据输入到长短时记忆网络模型进行训练,获取所述训练好的长短时记忆网络模型。
4.根据权利要求3所述的方法,其特征在于,所述将所述第一样本数据输入到嵌入神经网络模型进行训练,得到所述样本小区的样本经纬度向量表征信息,包括:
通过所述第一样本数据对所述嵌入神经网络模型进行训练,获取所述嵌入神经网络模型的隐藏层中第一层输出的所述样本经纬度向量表征信息。
5.根据权利要求1至4任一项所述的方法,其特征在于,所述性能指标预测数据包括:上行PRB平均利用率、下行PRB平均利用率、小区用户面上行字节数、小区用户面下行字节数、有效RRC连接平均数和E-RAB建立成功数。
6.一种无线小区性能指标预测装置,其特征在于,包括:
获取模块,用于获取目标小区的小区名称独热编码和历史性能指标;
处理模块,用于基于训练好的嵌入神经网络模型,对所述小区名称独热编码进行神经网络嵌入处理,得到所述目标小区的经纬度向量表征信息;
预测模块,用于将所述经纬度向量表征信息和所述历史性能指标输入到训练好的长短时记忆网络模型,获取所述目标小区的性能指标预测数据。
7.根据权利要求6所述的装置,其特征在于,所述装置还包括:
独热编码模块,用于对样本小区的小区名称进行独热编码处理,获取第一样本数据;
第一训练模块,用于将所述第一样本数据输入到嵌入神经网络模型进行训练,得到所述样本小区的样本经纬度向量表征信息,并获取所述训练好的嵌入神经网络模型。
8.根据权利要求7所述的装置,其特征在于,所述装置还包括:
关联模块,用于将所述样本小区的样本性能指标和所述样本经纬度向量表征信息进行关联处理,得到第二样本数据;
第二训练模块,用于将所述第二样本数据输入到长短时记忆网络模型进行训练,获取所述训练好的长短时记忆网络模型。
9.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至5任一项所述方法的步骤。
10.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1至5任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811524090.9A CN109803222B (zh) | 2018-12-13 | 2018-12-13 | 无线小区性能指标预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811524090.9A CN109803222B (zh) | 2018-12-13 | 2018-12-13 | 无线小区性能指标预测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109803222A true CN109803222A (zh) | 2019-05-24 |
CN109803222B CN109803222B (zh) | 2020-10-16 |
Family
ID=66556690
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811524090.9A Active CN109803222B (zh) | 2018-12-13 | 2018-12-13 | 无线小区性能指标预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109803222B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112787878A (zh) * | 2019-11-08 | 2021-05-11 | 大唐移动通信设备有限公司 | 一种网络指标的预测方法及电子设备 |
CN113162780A (zh) * | 2020-01-22 | 2021-07-23 | ***通信集团山东有限公司 | 实时网络拥塞分析方法、装置、计算机设备和存储介质 |
CN113487163A (zh) * | 2021-06-30 | 2021-10-08 | 支付宝(杭州)信息技术有限公司 | 基于地理位置信息进行业务预测的方法及装置 |
CN114128348A (zh) * | 2019-07-16 | 2022-03-01 | 华为技术有限公司 | 一种预测异频信息的深度学习方法 |
CN114125905A (zh) * | 2022-01-25 | 2022-03-01 | 北京邮电大学 | 邻区关系确定方法和装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105101254A (zh) * | 2014-05-09 | 2015-11-25 | ***通信集团设计院有限公司 | 一种小区性能指标的预测方法、装置及电子设备 |
CN105389980A (zh) * | 2015-11-09 | 2016-03-09 | 上海交通大学 | 基于长短时记忆递归神经网络的短时交通流预测方法 |
US20180144248A1 (en) * | 2016-11-18 | 2018-05-24 | Salesforce.Com, Inc. | SENTINEL LONG SHORT-TERM MEMORY (Sn-LSTM) |
CN108122613A (zh) * | 2018-01-15 | 2018-06-05 | 北京颐圣智能科技有限公司 | 基于健康预测模型的健康预测方法和装置 |
CN108123828A (zh) * | 2017-12-04 | 2018-06-05 | 东南大学 | 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 |
-
2018
- 2018-12-13 CN CN201811524090.9A patent/CN109803222B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105101254A (zh) * | 2014-05-09 | 2015-11-25 | ***通信集团设计院有限公司 | 一种小区性能指标的预测方法、装置及电子设备 |
CN105389980A (zh) * | 2015-11-09 | 2016-03-09 | 上海交通大学 | 基于长短时记忆递归神经网络的短时交通流预测方法 |
US20180144248A1 (en) * | 2016-11-18 | 2018-05-24 | Salesforce.Com, Inc. | SENTINEL LONG SHORT-TERM MEMORY (Sn-LSTM) |
CN108123828A (zh) * | 2017-12-04 | 2018-06-05 | 东南大学 | 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 |
CN108122613A (zh) * | 2018-01-15 | 2018-06-05 | 北京颐圣智能科技有限公司 | 基于健康预测模型的健康预测方法和装置 |
Non-Patent Citations (1)
Title |
---|
YANG HQ: "《Implicit Heterogeneous Features Embedding in Deep Knowledge Tracing》", 《COGNITIVE COMPUTATION》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114128348A (zh) * | 2019-07-16 | 2022-03-01 | 华为技术有限公司 | 一种预测异频信息的深度学习方法 |
CN114128348B (zh) * | 2019-07-16 | 2023-05-23 | 华为技术有限公司 | 一种预测异频信息的深度学习方法 |
CN112787878A (zh) * | 2019-11-08 | 2021-05-11 | 大唐移动通信设备有限公司 | 一种网络指标的预测方法及电子设备 |
CN112787878B (zh) * | 2019-11-08 | 2023-03-14 | 大唐移动通信设备有限公司 | 一种网络指标的预测方法及电子设备 |
CN113162780A (zh) * | 2020-01-22 | 2021-07-23 | ***通信集团山东有限公司 | 实时网络拥塞分析方法、装置、计算机设备和存储介质 |
CN113162780B (zh) * | 2020-01-22 | 2023-04-25 | ***通信集团山东有限公司 | 实时网络拥塞分析方法、装置、计算机设备和存储介质 |
CN113487163A (zh) * | 2021-06-30 | 2021-10-08 | 支付宝(杭州)信息技术有限公司 | 基于地理位置信息进行业务预测的方法及装置 |
CN114125905A (zh) * | 2022-01-25 | 2022-03-01 | 北京邮电大学 | 邻区关系确定方法和装置 |
CN114125905B (zh) * | 2022-01-25 | 2022-04-15 | 北京邮电大学 | 邻区关系确定方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN109803222B (zh) | 2020-10-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109803222A (zh) | 无线小区性能指标预测方法及装置 | |
CN110070117B (zh) | 一种数据处理方法及装置 | |
CN109862590B (zh) | 网络容量评估方法及装置 | |
CN111062464B (zh) | 一种基于深度学习的电力通信网可靠性预测和保障方法和*** | |
CN108319974B (zh) | 数据处理方法、装置、存储介质和电子装置 | |
CN110430552A (zh) | 一种高铁网络质差区域识别方法以及装置 | |
CN114118748B (zh) | 一种服务质量预测方法、装置、电子设备及存储介质 | |
CN113935390A (zh) | 数据处理方法、***、设备及存储介质 | |
CN117295096B (zh) | 基于5g短共享的智能电表数据传输方法及*** | |
CN109660288B (zh) | 一种信息上报方法及装置 | |
CN108064053A (zh) | 网络性能分析方法及装置 | |
CN103249050B (zh) | 基于业务需求的多尺度频谱接入方法 | |
CN107306419A (zh) | 一种端到端质量评估方法和装置 | |
CN115413052A (zh) | 上行信息调度方法、装置、电子设备、存储介质及基站 | |
CN111585789B (zh) | 数据预测方法及装置 | |
CN115913486A (zh) | 信息上报方法、装置、终端及可读存储介质 | |
CN111479258B (zh) | 一种用户划分的方法和设备 | |
Falahatraftar et al. | A multiple linear regression model for predicting congestion in heterogeneous vehicular networks | |
CN108605026A (zh) | 一种信号传输方法、装置及终端设备 | |
CN108965465A (zh) | 一种文件传输的方法、装置及计算机存储介质 | |
US20230362976A1 (en) | Method and electronic device for determining scheduling priority of user equipment | |
KR102163214B1 (ko) | CoMP 기반 스몰 셀 네트워크에서의 기계학습을 활용한 능동 캐싱 기법 | |
CN115038040B (zh) | 一种小区定位方法、装置、设备、***及介质 | |
CN113260064B (zh) | 一种大规模物联设备的接入方法及*** | |
CN115225478B (zh) | 网络切片动态配置方法、装置、电子设备及存储介质 |
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 |