CN110381515A - 基于合分模式实现小区网络流量资源指标预测的方法 - Google Patents
基于合分模式实现小区网络流量资源指标预测的方法 Download PDFInfo
- Publication number
- CN110381515A CN110381515A CN201910740924.8A CN201910740924A CN110381515A CN 110381515 A CN110381515 A CN 110381515A CN 201910740924 A CN201910740924 A CN 201910740924A CN 110381515 A CN110381515 A CN 110381515A
- Authority
- CN
- China
- Prior art keywords
- data
- cell
- result
- network
- prediction
- 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
- 238000000034 method Methods 0.000 title claims abstract description 44
- 241001123248 Arma Species 0.000 claims abstract description 11
- 238000012549 training Methods 0.000 claims description 30
- 238000012360 testing method Methods 0.000 claims description 28
- 238000010606 normalization Methods 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 claims description 9
- 239000002131 composite material Substances 0.000 claims description 8
- 150000001875 compounds Chemical class 0.000 claims description 4
- 239000000284 extract Substances 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000005096 rolling process Methods 0.000 claims description 3
- 101800000941 Non-structural protein 1' Proteins 0.000 claims description 2
- 238000000605 extraction Methods 0.000 claims 1
- 230000004927 fusion Effects 0.000 claims 1
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000011038 discontinuous diafiltration by volume reduction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
- H04W16/22—Traffic simulation tools or models
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/06—Testing, supervising or monitoring using simulated traffic
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W28/00—Network traffic management; Network resource management
- H04W28/02—Traffic management, e.g. flow control or congestion control
- H04W28/0231—Traffic management, e.g. flow control or congestion control based on communication conditions
- H04W28/0236—Traffic management, e.g. flow control or congestion control based on communication conditions radio quality, e.g. interference, losses or delay
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W28/00—Network traffic management; Network resource management
- H04W28/02—Traffic management, e.g. flow control or congestion control
- H04W28/08—Load balancing or load distribution
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于合分模式实现小区网络流量资源指标预测的方法,先采集一段时间内小区指标数据,计算预测小区所在周边邻小区邻区集NS2的集合并预测其指标,基于数据集NS2划定泰深多边形,提取泰深多边形内的所有小区构成数据集CS0,即为要预测小区CELLf的样本数据集S2;接着构建ARMA序列预测模型和基于网络的LSTM序列预测模型,基于以往数据完成数据集CS0未来周期数据的预测Vcs0;基于最新数据的时间点倒推一段时间,并通过构建模型回归出数据集CS0每个小区每个周期指标占比,得到要预测小区的指标占比Pf,则最终要预测小区的预测指标值为Vcs0*Pf。该方法克服因单小区稳定性波动带来的影响,实现小区容量的精准预测、小区网络资源的动态调整。
Description
技术领域
本发明涉及网络流量资源预测技术领域,具体涉及一种基于合分模式实现小区网络流量资源指标预测的方法。
背景技术
移动性是无线网络服务所具备的基本能力,由于用户行为的变化,用户对无线网络的覆盖、容量和服务完整性等提出更高的要求,运营商为了提供更好的服务并也在设法最大化提升网络设备的运营效率,如网络的潮汐导致商业区的一部分小区白天较忙,晚上较闲,而居民区则相反。如何实现网络资源的合理调度即成为运营商旷日持久的拉锯战。
传统的解决网络资源调度的方式有两种,一种是给所有小区配置足够的资源,一种是基于小区的历史数据预测对高负荷的小区实现比较精准的资源调度。很显然,前者构成了极大的资源浪费,增大了网络运营的成本。后者虽然基于小区的历史数据预测,但是没有考虑到网络中邻区间负荷均衡、不确定性的小区扩容和减容以及小区退服等原因给小区本身历史数据带来波动的干扰,最终导致其预测的不确定性。
发明内容
本发明的目的在于克服现有技术中的缺陷,设计一种基于合分模式实现小区网络流量资源指标预测的方法,该方法克服因单小区稳定性波动带来的影响,适合小区指标的短期预测以实现网络资源的动态调整,实现了小区容量的精准预测。
为实现上述目的,本发明所采用的技术方案是,
一种基于合分模式实现小区网络流量资源指标预测的方法,包括
S1、数据采集与处理:
采集一段时间内的包括话务数据和切换数据的小区指标数据作为建模分析数据集S,根据建模分析数据集S中的切换数据计算要预测小区CELLf的邻区集NS1的邻区集NS2;基于邻区集NS2划分泰森多边形,然后提取泰森多边形内的所有小区构建数据集CS0,其CS0所对应的从小区话务数据中提取的网络流量数据记录即为要预测小区CELLf的样本数据集S2;
S2、将采集处理的数据集S2按照预设比例划分为训练集S2_train和测试集S2_test;根据测试集S2_test构建ARMA序列预测模型Mod_arma,输入以往周期的网络流量数据,分别获得下一时刻ARMA序列预测模型的网流量数据的预测值Result_aram;根据训练集S2_train构建LSTM序列预测模型Mod_sltm,输入以往周期的网络流量数据,分别获得下一时刻LSTM序列预测模型的网络流量数据的预测值Result_lstm;将上述两个模型的预测值结果进行融合,通过权重因子μ、α分配计算得最终结果,其计算公式为:
Result_vcs0=μ×Result_lstm+α×Result_arma;
S3:基于历史数据,并通过模型计算出数据集CS0每个小区每个周期指标占比Pf;
S4、结果输出:通过模型输出的Vcs0和Pf值计算预测小区的预测指标值result_pre:result_pre=Vcs0*Pf。
进一步的,所述S1中,根据建模分析数据集S中的切换数据计算要预测小区CELLf的邻区集NS1的邻区集NS2的具体方法为:根据预测小区CELLf周边向外延伸设定半径值的区域获得,所述半径值为300-800m。
进一步的,所述S20中的预设比例为5-9:3;优选为7:3。
进一步的,所述S2中根据测试集S2_test构建ARMA序列预测模型Mod_arma具体为:基于测试集S2_test数据构建自回归滑动模型为Xt=Φ1Xt-1+Φ2Xt-2+…+ΦpXt-p+Ut-θ1Ut-1-θ2Ut-2-…-θqUt-q,其中,Φ1,Φ2…Φp自回归系数,θ1,θ2,…θq移动平均系数,并通过该模型采用前一周期数据预测未来无限网络数据流量结果result_atma。
更进一步的,所述S22的根据训练集S2_train构建LSTM序列预测模型的方法为:对训练集S2_train数据进行归一化,得到归一化训练样本集,从训练样本集中提取长度为m的连续数据作为LSTM复合训练集X_train,初始化LSTM网络的参数后,对LSTM复合网络进行训练,将归一化训练样本集输入到训练好的LSTM复合网络中,得到归一化流量预测结果Ypre,并对Ypre进行反归一化,得到预测未来无限网络数据流量结果result_lstm。
进一步的,所述S3中的历史数据为自当前时刻起算一周内的历史数据。
本发明方法采用大数据和机器学习的技术实现小区容量的精准预测。本发明方法可以比仅基于单小区历史数据实现预测方法在精度上提升5个百分点;有效为地运营商在应对用户潮汐效应所引起的网络自动化调度提供准实时预测功能,并有消除了网络中邻区间负荷均衡、不确定性的小区扩容和减容以及小区退服等原因给小区本身历史数据带来波动的干扰。
附图说明
图1为本发明方法步骤的流程结构图。
具体实施方式
下面结合附图和实施例,对本发明一种基于合分模式实现小区网络流量资源指标预测的方法的具体实施方式作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
本发明一种基于合分模式实现小区网络流量资源指标预测的方法首先采集一段时间内小区指标数据如话务数据、切换数据等。在“合”的阶段,计算预测小区所在周边邻小区的集合并预测其指标,其方法是根据切换数据计算要预测小区CELLf的邻区集NS1的邻区集NS2(也可根据预测小区其周边半径区域获得),并在基于数据集NS2划定泰深多边形,然后提取泰深多边形内的所有小区构成数据集CS0,其CS0所对应的从小区话务数据中提取的记录即为要预测小区CELLf的样本数据集S2;接着构建基于时间序列的ARMA序列预测模型和基于网络的LSTM序列预测模型,并以样本数据集S2为模型数据(可拆分出训练样本和测试样本),以完成数据集CS0未来周期数据的预测Vcs0。在“分”的阶段,基于最新数据的时间点倒推一段时间,并通过构建模型回归出数据集CS0每个小区每个周期指标占比,得到要预测小区的指标占比Pf,则最终要预测小区的预测指标值为Vcs0*Pf。
图1示出了本发明所述方法,具体包括下述步骤:
一种基于合分模式实现小区网络流量资源指标预测的方法,包括
S1、数据采集与处理:
采集一段时间内的包括话务数据和切换数据的小区指标数据作为建模分析数据集S,根据建模分析数据集S中的切换数据计算要预测小区CELLf的邻区集NS1的邻区集NS2;基于邻区集NS2划分泰森多边形,然后提取泰森多边形内的所有小区构建数据集CS0,其CS0所对应的从小区话务数据中提取的网络流量数据记录即为要预测小区CELLf的样本数据集S2;
其中,根据建模分析数据集S中的切换数据计算要预测小区CELLf的邻区集NS1的邻区集NS2的具体方法为:根据预测小区CELLf周边向外延伸设定半径值的区域获得,所述半径值为300-800m。
S2、将采集处理的数据集S2按照预设比例划分为训练集S2_train和测试集S2_test;根据测试集S2_test构建ARMA序列预测模型Mod_arma,输入以往周期的网络流量数据,分别获得下一时刻ARMA序列预测模型的网流量数据的预测值Result_aram;根据训练集S2_train构建LSTM序列预测模型Mod_sltm,输入以往周期的网络流量数据,分别获得下一时刻LSTM序列预测模型的网络流量数据的预测值Result_lstm;将上述两个模型的预测值结果进行融合,通过权重因子分配计算得最终结果,其计算公式为:
Result_vcs0=μ×Result_lstm+α×Result_arma;
上述步骤S2中的预设比例为5-9:3,在一个优选的实施例中,训练集S2_train和测试集S2_test的预设比例为7:3。
根据测试集S2_test构建ARMA序列预测模型Mod_arma具体为:基于测试集S2_test数据构建自回归滑动模型为Xt=Φ1Xt-1+Φ2Xt-2+…+ΦpXt-p+Ut-θ1Ut-1-θ2Ut-2-…-θqUt-q,其中,Φ1,Φ2…Φp自回归系数,θ1,θ2,…θq移动平均系数,并通过该模型采用前一周期数据预测未来无限网络数据流量结果result_atma。
根据训练集S2_train构建LSTM序列预测模型的方法为:
S21、对训练集S2_train数据进行归一化,得到归一化训练样本集;
S22、采用滑动窗口方法,从训练样本集中提取长度为m的连续数据作为LSTM复合训练集X_train,提取第m+1个数据作为X_train的标签Y_train;
S23、初始化LSTM网络的参数后,对LSTM复合网络进行训练;将归一化训练样本集输入到训练好的LSTM复合网络中,得到归一化流量预测结果Ypre,并对Ypre进行反归一化,得到预测未来无限网络数据流量结果result_lstm。
在一些具体实施例中,对LSTM复合网络进行训练的具体方法为:在设置LSTM复合网络的训练迭代次数为M,误差目标值为Acc,训练误差值为err,其中M=1,2,3…Mmax,Mmax为预设值;将训练集X_train和初始化的h<0>输入到LSTM复合网络中,计算LSTM网络的输出值h<t>,再将h<t>输入到线性回归网络中,得到归一化预测结果Ypre。
S3:基于历史数据,计算出数据集CS0每个小区每个周期的网络流量指标占比Pf;
每个小区每个周期的网络流量指标占比Pf=每个小区每个周期的网络流量/每个周期的样本小区集网络的总流量。该步骤所述历史数据为自当前时刻起算一周内的历史数据;一些示例中,每个周期取15分钟,总计向前取96周期。
S4、结果输出:通过模型输出的Vcs0和Pf值计算预测小区下一时刻的预测指标值result_pre:result_pre=Vcs0*Pf。
下面通过仿真实验验证本发明步骤S2之后的网络流量资源指标预测的技术效果。
仿真条件和内容:基于蜂窝网络服务器的数据库,获取无线网络流量数据集,在python3.6中使用keras框架编程实现,在获取的无线网络流量数据集中选择4600个无线网络流量数据,其中70%作为训练样本集,30%数据作为测试样本集。
利用BP神经网络的无线网络流量预测方法和本发明方法,对测试样本集进行仿真测试,使用平均绝对误差(MAE)、均方误差(MSE)进行结果对比,获得仿真结果如下表1所示:
表1
方法 | MAE | MSE |
BP神经网络的无线网络流量预测 | 2.65 | 4.36 |
本发明 | 1.05 | 3.14 |
由上表可知,利用本发明方法得到的预测误差低于现有技术的网络流量预测方法,本发明方法提高了流量预测的精度。
此外,以某大型成熟小区为例,基于本发明方法重新预测小区历史阶段的无线网络流量预测,并与历史阶段实际产生的无线网络流量进行比对,经验证,本发明可以比仅基于单小区历史数据实现预测方法在精度上提升了5个百分点。
以上所述的实施方式,并不构成对该技术方案保护范围的限定。任何在上述实施方式的精神和原则之内所作的修改、等同替换和改进等,均应包含在该技术方案的保护范围之内。
Claims (7)
1.一种基于合分模式实现小区网络流量资源指标预测的方法,包括
S1、数据采集与处理:
采集一段时间内的包括话务数据和切换数据的小区指标数据作为建模分析数据集S,根据建模分析数据集S中的切换数据计算要预测小区CELLf的邻区集NS1的邻区集NS2;基于邻区集NS2划分泰森多边形,然后提取泰森多边形内的所有小区构建数据集CS0,其CS0所对应的从小区话务数据中提取的网络流量数据记录即为要预测小区CELLf的样本数据集S2;
S2、将采集处理的数据集S2按照预设比例划分为训练集S2_train和测试集S2_test;根据测试集S2_test构建ARMA序列预测模型Mod_arma,输入以往周期的网络流量数据,分别获得下一时刻ARMA序列预测模型的网流量数据的预测值Result_aram;根据训练集S2_train构建LSTM序列预测模型Mod_sltm,输入以往周期的网络流量数据,分别获得下一时刻LSTM序列预测模型的网络流量数据的预测值Result_lstm;将上述两个模型的预测值结果进行融合,通过权重因子分配计算得最终结果,其计算公式为:
Result_vcs0=μ×Result_lstm+α×Result_arma;
S3:基于历史数据,计算出数据集CS0每个小区每个周期指标占比Pf;
S4、结果输出:通过模型输出的Vcs0和Pf值计算预测小区的预测指标值result_pre:result_pre=Vcs0*Pf。
2.如权利要求1所述的基于合分模式实现小区网络流量资源指标预测的方法,其特征在于,所述S1中,根据建模分析数据集S中的切换数据计算要预测小区CELLf的邻区集NS1的邻区集NS2的具体方法为:根据预测小区CELLf周边向外延伸设定半径值的区域获得,所述半径值为300-800m。
3.权利要求1所述的基于合分模式实现小区网络流量资源指标预测的方法,其特征在于,所述S20中的预设比例为5-9:3。
4.权利要求1所述的基于合分模式实现小区网络流量资源指标预测的方法,其特征在于,所述S20中的预设比例为7:3。
5.如权利要求1所述的基于合分模式实现小区网络流量资源指标预测的方法,其特征在于,所述S2中根据测试集S2_test构建ARMA序列预测模型Mod_arma具体为:基于测试集S2_test数据构建自回归滑动模型为Xt=Φ1Xt-1+Φ2Xt-2+…+ΦpXt-p+Ut-θ1Ut-1-θ2Ut-2-…-θqUt-q,其中,Φ1,Φ2…Φp自回归系数,θ1,θ2,…θq移动平均系数,并通过该模型采用前一周期数据预测未来无限网络数据流量结果result_atma。
6.权利要求1所述的基于合分模式实现小区网络流量资源指标预测的方法,其特征在于,所述S22的根据训练集S2_train构建LSTM序列预测模型的方法为:对训练集S2_train数据进行归一化,得到归一化训练样本集,从训练样本集中提取长度为m的连续数据作为LSTM复合训练集X_train,初始化LSTM网络的参数后,对LSTM复合网络进行训练,将归一化训练样本集输入到训练好的LSTM复合网络中,得到归一化流量预测结果Ypre,并对Ypre进行反归一化,得到预测未来无限网络数据流量结果result_lstm。
7.权利要求1所述的基于合分模式实现小区网络流量资源指标预测的方法,其特征在于,所述S3中的历史数据为自当前时刻起算一周内的历史数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910740924.8A CN110381515B (zh) | 2019-08-12 | 2019-08-12 | 基于合分模式实现小区网络流量资源指标预测的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910740924.8A CN110381515B (zh) | 2019-08-12 | 2019-08-12 | 基于合分模式实现小区网络流量资源指标预测的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110381515A true CN110381515A (zh) | 2019-10-25 |
CN110381515B CN110381515B (zh) | 2022-04-12 |
Family
ID=68259193
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910740924.8A Active CN110381515B (zh) | 2019-08-12 | 2019-08-12 | 基于合分模式实现小区网络流量资源指标预测的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110381515B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111310052A (zh) * | 2020-02-29 | 2020-06-19 | 平安国际智慧城市科技股份有限公司 | 用户画像构建方法、装置及计算机可读存储介质 |
CN111489027A (zh) * | 2020-04-08 | 2020-08-04 | 五凌电力有限公司近尾洲水电厂 | 一种水电机组波形数据趋势预测方法及其*** |
CN111970163A (zh) * | 2020-06-30 | 2020-11-20 | 网络通信与安全紫金山实验室 | 一种基于注意力机制的lstm模型的网络流量预测方法 |
CN112131794A (zh) * | 2020-09-25 | 2020-12-25 | 天津大学 | 基于lstm网络的水工建筑物多效应量优化预测及可视化方法 |
CN114205246A (zh) * | 2021-12-14 | 2022-03-18 | 中国电信股份有限公司 | 云资源规划方法、装置以及存储介质 |
CN114338416A (zh) * | 2020-09-29 | 2022-04-12 | ***通信有限公司研究院 | 一种时空多指标预测方法、装置和存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1484871A1 (en) * | 2003-06-03 | 2004-12-08 | fg microtec GmbH | Apparatus, method and software program product for quality of service management in a mobile device |
CN1754399A (zh) * | 2003-06-16 | 2006-03-29 | 日本电气株式会社 | 无线网络改变支持***以及用于支持无线网络改变的方法 |
CN101541016A (zh) * | 2009-05-06 | 2009-09-23 | 华为技术有限公司 | 数据预测方法和设备 |
CN101583147A (zh) * | 2009-06-17 | 2009-11-18 | 哈尔滨工业大学 | 一种应用于话务量预测的分段在线支持向量回归方法 |
WO2012089268A1 (en) * | 2010-12-30 | 2012-07-05 | Telecom Italia S.P.A. | Method for the prediction of coverage areas of a cellular network |
US20120278130A1 (en) * | 2011-04-28 | 2012-11-01 | Empire Technology Development Llc | Mobile traffic forecasting using public transportation information |
CN105120487A (zh) * | 2015-09-02 | 2015-12-02 | 中国联合网络通信集团有限公司 | 一种业务数据预测方法及装置 |
CN105657731A (zh) * | 2014-12-02 | 2016-06-08 | 维布络有限公司 | 无线宽带异构网络中实现最优性能的流量分流***及方法 |
-
2019
- 2019-08-12 CN CN201910740924.8A patent/CN110381515B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1484871A1 (en) * | 2003-06-03 | 2004-12-08 | fg microtec GmbH | Apparatus, method and software program product for quality of service management in a mobile device |
CN1754399A (zh) * | 2003-06-16 | 2006-03-29 | 日本电气株式会社 | 无线网络改变支持***以及用于支持无线网络改变的方法 |
CN101541016A (zh) * | 2009-05-06 | 2009-09-23 | 华为技术有限公司 | 数据预测方法和设备 |
CN101583147A (zh) * | 2009-06-17 | 2009-11-18 | 哈尔滨工业大学 | 一种应用于话务量预测的分段在线支持向量回归方法 |
WO2012089268A1 (en) * | 2010-12-30 | 2012-07-05 | Telecom Italia S.P.A. | Method for the prediction of coverage areas of a cellular network |
US20120278130A1 (en) * | 2011-04-28 | 2012-11-01 | Empire Technology Development Llc | Mobile traffic forecasting using public transportation information |
CN105657731A (zh) * | 2014-12-02 | 2016-06-08 | 维布络有限公司 | 无线宽带异构网络中实现最优性能的流量分流***及方法 |
CN105120487A (zh) * | 2015-09-02 | 2015-12-02 | 中国联合网络通信集团有限公司 | 一种业务数据预测方法及装置 |
Non-Patent Citations (1)
Title |
---|
李欣: "基于小波神经网络的网络流量预测研究", 《现代电子技术》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111310052A (zh) * | 2020-02-29 | 2020-06-19 | 平安国际智慧城市科技股份有限公司 | 用户画像构建方法、装置及计算机可读存储介质 |
CN111489027A (zh) * | 2020-04-08 | 2020-08-04 | 五凌电力有限公司近尾洲水电厂 | 一种水电机组波形数据趋势预测方法及其*** |
CN111970163A (zh) * | 2020-06-30 | 2020-11-20 | 网络通信与安全紫金山实验室 | 一种基于注意力机制的lstm模型的网络流量预测方法 |
CN111970163B (zh) * | 2020-06-30 | 2022-06-21 | 网络通信与安全紫金山实验室 | 一种基于注意力机制的lstm模型的网络流量预测方法 |
CN112131794A (zh) * | 2020-09-25 | 2020-12-25 | 天津大学 | 基于lstm网络的水工建筑物多效应量优化预测及可视化方法 |
CN114338416A (zh) * | 2020-09-29 | 2022-04-12 | ***通信有限公司研究院 | 一种时空多指标预测方法、装置和存储介质 |
CN114338416B (zh) * | 2020-09-29 | 2023-04-07 | ***通信有限公司研究院 | 一种时空多指标预测方法、装置和存储介质 |
CN114205246A (zh) * | 2021-12-14 | 2022-03-18 | 中国电信股份有限公司 | 云资源规划方法、装置以及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110381515B (zh) | 2022-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110381515A (zh) | 基于合分模式实现小区网络流量资源指标预测的方法 | |
CN103106544B (zh) | 一种基于t-s型模糊神经网络的光伏发电预测*** | |
CN102404756B (zh) | 一种基于手机测量报告的天线参数优化*** | |
CN106329516A (zh) | 一种基于典型场景识别的配电网动态重构方法 | |
CN111210082A (zh) | 一种基于优化的bp神经网络算法的降水量预测方法 | |
CN108446794A (zh) | 一种基于多个卷积神经网络结合架构深度学习预测方法 | |
CN103369571B (zh) | 基于多网联合测量的传播模型校正与覆盖自优化方法 | |
CN104899656A (zh) | 一种基于总体平均经验模态分解与改进Elman神经网络的风功率组合预测方法 | |
CN103324980A (zh) | 一种风电场风速预测方法 | |
CN105389621A (zh) | 电动汽车充电负荷对配网***电压影响的充电桩最优分布方法 | |
CN104600713A (zh) | 含风力/光伏发电配电网日前无功调度的生成装置及方法 | |
CN107748968A (zh) | 一种配电网工程造价数据分析模型的构建方法 | |
CN108632832B (zh) | 网络覆盖分析方法及*** | |
CN114071661A (zh) | 一种基站节能控制方法和装置 | |
CN110097220A (zh) | 一种风力发电月度电量预测方法 | |
CN104486772A (zh) | 一种端到端多维度归一化的lte网络评估优化*** | |
CN108898239A (zh) | 一种基于数据分析的配电变压器选址方法 | |
CN113139341A (zh) | 基于联邦集成学习的电量需求预测方法和*** | |
CN103745274A (zh) | 一种用于分散式风电的短期功率预测方法 | |
CN114595891A (zh) | 一种配电网电压及潮流越界风险评估方法、***及设备 | |
CN117114081A (zh) | 一种基于迁移学习的分布式光伏功率预测方法及装置 | |
CN115809585A (zh) | 平衡wee关系的径流式水电站生态流量确定方法和*** | |
CN103619029A (zh) | 一种基于光纤回传的选址组网方法 | |
Piotrowski et al. | Forecasting of photovoltaic power generation using deep learning AI | |
CN106022546A (zh) | 一种基于居民小区负荷成长周期的负荷预测方法 |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20210207 Address after: 210019 Room 601, block B, Shuangzha community center, 19 Yecheng Road, Jianye District, Nanjing City, Jiangsu Province Applicant after: Orange frame technology (Jiangsu) Co.,Ltd. Address before: 812, 7 / F, building 3, No.128 courtyard, South Fourth Ring Road West, Fengtai District, Beijing Applicant before: Beijing Internet boundless Technology Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |