CN111465025B - 一种基于新型容量预测模型的旅游城市5g网络组网方法 - Google Patents
一种基于新型容量预测模型的旅游城市5g网络组网方法 Download PDFInfo
- Publication number
- CN111465025B CN111465025B CN202010152114.3A CN202010152114A CN111465025B CN 111465025 B CN111465025 B CN 111465025B CN 202010152114 A CN202010152114 A CN 202010152114A CN 111465025 B CN111465025 B CN 111465025B
- Authority
- CN
- China
- Prior art keywords
- model
- sarima
- data
- seasonal
- networking
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 34
- 230000006855 networking Effects 0.000 title claims abstract description 23
- 241000728173 Sarima Species 0.000 claims abstract description 33
- 230000001932 seasonal effect Effects 0.000 claims abstract description 20
- 230000002093 peripheral effect Effects 0.000 claims abstract description 5
- 238000012360 testing method Methods 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 6
- 238000001744 unit root test Methods 0.000 claims description 5
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 3
- 239000013307 optical fiber Substances 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 3
- 238000013213 extrapolation Methods 0.000 abstract description 3
- 230000000737 periodic effect Effects 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 4
- 238000010295 mobile communication Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 206010036086 Polymenorrhoea Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
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
- H04W16/18—Network planning tools
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/14—Travel agencies
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
-
- 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)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Data Mining & Analysis (AREA)
- Computational Mathematics (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Operations Research (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Analysis (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Probability & Statistics with Applications (AREA)
- Game Theory and Decision Science (AREA)
- Algebra (AREA)
- Development Economics (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明请求保护一种基于新型容量预测模型的旅游城市5G网络组网方法。涉及5G规划领域,主要将SARIMA模型引入到5G规划中,代替趋势外推法预测用户数量;因该模型对周期性的时间序列预测效果很好,可以在单变量数据中显式地模拟季节性元素,展示数据的季节性特点,很适合旅游城市人流量随淡旺季变化明显的特征。利用SARIMA模型可以对旅游城市人流量做出准确预测的特点,使其为5G组网方案的制定提供数据支持。当对景区与周边居民区进行容量预测时,发现两者人流量达到峰值得时间并不相同,因此将景区基站和居民区的基站融合组网,统一由DU云集中管理,这样的话,在计算该区域容量峰值时不需要将二者峰值的最大值相加计算,从而使网络资源在一定程度上得到节省。
Description
技术领域
本发明属于移动通信技术,尤其涉及一种基于新型容量预测模型的旅游城市5G网络组网方法。
背景技术
当前移动通信技术历经了1G至4G四个时代,正朝着第五代移动通信技术(5G)阔步前进。5G网络能够提供至少十倍于4G的峰值速率、毫秒级的传输时延和千亿级的连接能力,将开启万物广泛互联、人机深度交互的新时代。抓住5G移动通信发展新机遇,加快培育新技术、新产业,驱动传统领域的数字化、网络化和智能化升级,成为拓展经济发展新空间,打造未来国际竞争新优势的关键之举和战略选择。从全球范围看,5G正推动新一轮信息化发展浪潮,众多国家将发展5G作为战略部署的优先领域,作为抢占新时期国际经济、科技和产业竞争制高点的重要举措。我国高度重视5G发展,将其纳入国家战略,视为实施国家创新战略的重要抓手之一。当前,5G网络建设在全国各地如火如荼的展开,相比与4G网络,5G网络的频段更多、站点更密、组网更加复杂,如何科学谋划5G布局、加强5G站址统筹将是5G规划的重点与难点。
旅游城市一般以景区景点为核心、以旅游产业为主体、旅游业产值超过城市GDP7%的一类城市,与一般城市相比,旅游城市人流量随季节变化明显,有着显著的淡旺季特征。正常情况下,数据流量会在一天的某一时刻达到峰值,而其他时间,如午夜,通信设备的利用率相对较低,而对于旅游城市来说,因为有淡旺季之分,在淡季的时候,基站利用率则很低。为了保证用户体验,营运商又必须按照峰值速率来部署设备,也因此,网络设备利用率低下成为一个急需解决的问题。
发明内容
本发明旨在解决现有技术中的问题。提出了一种基于新型容量预测模型的旅游城市5G网络组网方法。本发明的技术方案如下:
一种基于新型容量预测模型的旅游城市5G网络组网方法,其包括以下步骤:
1)、在5G无线网络规划区域内,分别获取景区及周边居民区预设时常内的人流量信息;
2)、使用SARIMA季节性差分自回归滑动平均模型分别对景区和居民区人流量时间序列进行预测,SARIMA模型明确支持具有季节性成分的单变量时间序列数据,该模型包含7个参数,分别为p、d、q、P、D、Q、S,其中p为自回归项数,d为非季节差分数,q为移动平均项数,P为季节性自回归项数,D为季节差分数,Q为季节性移动平均项数,S为周期数,预测时,首先需收集近些年景区与居民区的人流量数据,在保证数据序列平稳的情况下,通过对季节性差分自回归滑动平均模型参数的调整,通过迭代地探索不同的组合找出最合适的参数,从而准确获取未来5年内景区与居民区的人流量数据;
3)、结合预测的人流量数据,根据景区与居民区人流量峰值达到时间不同的情况,对景区与居民区融合组网,共用DU云,完成组网。
进一步的,所述步骤1)、在5G无线网络规划区域内,分别获取景区及周边居民区预设时常内的人流量信息,具体包括:
获取预设统计周期内位于待预测区域中景区及周边居民区人流量的数据统计信息;对获取的数据统计信息进行缺失值与异常值处理,同时将处理好数据按7:3分成两份,时间靠前的部分称为训练集,靠后的部分称为测试集,将训练集带入模型进行预测,然后将预测结果和测试集进行对比,以验证模型的准确性。
进一步的,所述步骤2)、使用SARIMA季节性差分自回归滑动平均模型模型分别对景区和居民区人流量时间序列进行预测,还包括测试时间序列的平稳性步骤:确定d和D的大小,即通过选择合理的非季节差分和季节性差分次数,使时间序列顺利通过ADF单位根检验测试,当p值小于0.05,ADF值单位根检验小于显著性水平为1%的临界值,则可以判断序列稳定;
数据平稳后,需要对模型定阶,即确定p、q的阶数,通过AIC方法来确定最优参数,确定最合适的SARIMA模型。
进一步的,所述确定P、Q、p、q的阶数,通过AIC方法赤池信息量准则来确定最优参数,确定最合适的SARIMA模型,具体包括:通过迭代探索不同的参数组合,对于每个组合,将其带入SARIMA模型,通过AIC方法来评估最优模型,AIC公式为:AIC=-2log(L)+2(p+q+k+1),其中:k是参数的数量,L是似然函数,模型得到的AIC值越小,则阶数越合适。
进一步的,还包括对建立的SARIMA模型进行适应性检验的步骤,具体包括:对模型残差序列进行独立性检验,通过对残差序列的QQ分位数图图和自相关图判断分析,确定SARIMA模型的可用性;使用确定好的SARIMA模型,以训练集数据作为已知时间序列进行实际预测;
对比验证集与预测结果,计算预测的相对误差绝对值大小,判断模型的准确性。
进一步的,所述步骤3)结合预测的人流量数据,根据景区与居民区人流量峰值达到时间不同的情况,对景区与居民区融合组网,共用DU云,具体包括:合理选择公用机房位置,按照SARIMA模型预测的数据,合理集中放置相应容量的DU设备,景区与居民区中所有的基站采用光纤拉远方式,连接至机房中,实现区域内共用DU设备,联合组网的目的。
本发明的优点及有益效果如下:
本发明提出的一种基于新型容量预测模型的旅游城市5G网络组网方法,在LTE无线网络选址时,在5G时代,能源消耗已经成了一个大问题,未来5G基站电费花费将是4G的数倍,这将成为运营商的沉重负担,本文引入一种在5G规划中新的容量预测方法,并通过旅游城市景区与居民区人流量峰值时间不同的特点,提出一种景区与居民区融合组网的方法,以统筹规划5G站点与网络资源,节省了网络资源,满足运营商的节能需求。
本发明创新点首先在于提出了一种面向旅游城市的用户人数的预测方法,利用SARIMA模型代替原有的趋势外推法进行用户数预测,与趋势外推法相比,SARIMA模型的预测可以更好的反应旅游城市人流量变化的特征,展示出旅游城市人流量的周期性和趋势性变化,并以对旅游景区的景区和居民区的人流量预测数据为基础,将二者区域共同组网,因为旅游景区和居民区二者用户峰值达到时间并不相同,通过两者区域通用DU设备,提高网络资源的利用率,达到节省网络资源的目的。
本发明是针对于旅游城市这种特点环境提出的一种方法,具有较强的针对性,同时也较好的解决了旅游城市因为淡旺季潮汐效应引起的资源浪费情况。
附图说明
图1是本发明提供SARIMA模型建模过程图
图2是本发明提供的SARIMA模型预测效果图
图3是本发明提供的旅游城市景区与周边居民区人流量图。
图4是本发明提供的旅游城市景区与周边居民区融合组网图。
具体实施方式
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、详细地描述。所描述的实施例仅仅是本发明的一部分实施例。
本发明解决上述技术问题的技术方案是:
如图1所示:图1为本发明实现SARIMA建模预测规划区域景区与居民区人流量数据以估计5G无线网络容量的流程示意图,如图1所示,包括:
步骤一、对于收集好的数据,首先进行缺失值处理,可以采用平均法提取前后数据的平均值填充缺失值,并对异常值进行处理,使数据更加合理。同时将处理好的数据按7:3分成两份,时间靠前的部分称为训练集,靠后的部分称为测试集。拿训练集带入模型进行预测,然后将预测结果和测试集进行对比,以验证模型的准确性。
步骤二、为了测试时间序列的平稳性,即确定d和D的大小。我们需要检查序列是否已通过ADF(单位根检验)测试,通常p值小于0.05,ADF值小于显著性水平为1%的临界值,则可以判断序列稳定。
步骤三、数据平稳后,需要对模型定阶,即确定p、q的阶数。我们可以通过AIC方法来确定最优参数,确定最合适的SARIMA模型。
步骤四、对建立的SARIMA模型进行适应性检验,即对模型残差序列进行独立性检验。通过对残差序列的QQ图和自相关图判断分析,确定SARIMA模型的可用性,保证预测结果的准确。
步骤五、使用确定好的SARIMA模型,以训练集数据作为已知时间序列进行实际预测。
步骤六、对比验证集与预测结果,计算预测的相对误差绝对值大小,判断模型的准确性。
如图2所示:图2为SARIMA模型预测结果示例。
如图3所示:图3是旅游城市景区与周边居民区人流量图,可以发现二者用户峰值达到时间并不相同。
如图4所示:结合预测的人流量数据,根据景区与居民区人流量峰值达到时间不同的情况,对景区与周边居民区融合组网示意图。通过合理选择公用机房位置,按照SARIMA模型预测的数据,合理集中放置相应容量的DU设备,景区与居民区中所有的基站采用光纤拉远方式,连接至机房中,实现区域内共用DU设备,联合组网的目的。
以上这些实施例应理解为仅用于说明本发明而不用于限制本发明的保护范围。在阅读了本发明的记载的内容之后,技术人员可以对本发明作各种改动或修改,这些等效变化和修饰同样落入本发明权利要求所限定的范围。
Claims (2)
1.一种基于新型容量预测模型的旅游城市5G网络组网方法,其特征在于,包括以下步骤:
1)、在5G无线网络规划区域内,分别获取景区及周边居民区预设时长内的人流量信息;
2)、使用SARIMA季节性差分自回归滑动平均模型分别对景区和居民区人流量时间序列进行预测,SARIMA模型明确支持具有季节性成分的单变量时间序列数据,该模型包含7个参数,分别为p、d、q、P、D、Q、S,其中p为自回归项数,d为非季节差分数,q为移动平均项数,P为季节性自回归项数,D为季节差分数,Q为季节性移动平均项数,S为周期数,预测时,首先需收集近些年景区与居民区的人流量数据,在保证数据序列平稳的情况下,通过对季节性差分自回归滑动平均模型参数的调整,通过迭代地探索不同的组合找出最合适的参数,从而准确获取未来5年内景区与居民区的人流量数据;
3)、结合预测的人流量数据,根据景区与居民区人流量峰值达到时间不同的情况,对景区与居民区融合组网,共用DU云,完成组网;
所述步骤1)、在5G无线网络规划区域内,分别获取景区及周边居民区预设时长内的人流量信息,具体包括:
获取预设统计周期内位于待预测区域中景区及周边居民区人流量的数据统计信息;对获取的数据统计信息进行缺失值与异常值处理,同时将处理好数据按7:3分成两份,时间靠前的部分称为训练集,靠后的部分称为测试集,将训练集带入模型进行预测,然后将预测结果和测试集进行对比,以验证模型的准确性;所述步骤2)、使用SARIMA季节性差分自回归滑动平均模型模型分别对景区和居民区人流量数据进行预测,还包括测试时间序列的平稳性步骤:确定d和D的大小,即通过选择合理的非季节差分和季节性差分次数,使时间序列顺利通过ADF单位根检验测试,当p值小于0.05,ADF值单位根检验小于显著性水平为1%的临界值,则可以判断序列稳定;
数据平稳后,需要对模型定阶,即确定p、q的阶数,通过AIC方法来确定最优参数,确定最合适的SARIMA模型;
所述确定P、Q、p、q的阶数,通过AIC方法赤池信息量准则来确定最优参数,确定最合适的SARIMA模型,具体包括:通过迭代探索不同的参数组合,对于每个组合,将其带入SARIMA模型,通过AIC方法来评估最优模型,AIC公式为:AIC=-2log(L)+2(p+q+k+1),其中:k是参数的数量,L是似然函数,模型得到的AIC值越小,则阶数越合适;
还包括对建立的SARIMA模型进行适应性检验的步骤,具体包括:对模型残差序列进行独立性检验,通过对残差序列的QQ分位数图图和自相关图判断分析,确定SARIMA模型的可用性;使用确定好的SARIMA模型,以训练集数据作为已知时间序列进行实际预测;
对比验证集与预测结果,计算预测的相对误差绝对值大小,判断模型的准确性。
2.根据权利要求1所述的一种基于新型容量预测模型的旅游城市5G网络组网方法,其特征在于,所述步骤3)结合预测的人流量数据,根据景区与居民区人流量峰值达到时间不同的情况,对景区与居民区融合组网,共用DU云,具体包括:合理选择公用机房位置,按照SARIMA模型预测的数据,合理集中放置相应容量的DU设备,景区与居民区中所有的基站采用光纤拉远方式,连接至机房中,实现区域内共用DU设备,联合组网的目的。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010152114.3A CN111465025B (zh) | 2020-03-06 | 2020-03-06 | 一种基于新型容量预测模型的旅游城市5g网络组网方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010152114.3A CN111465025B (zh) | 2020-03-06 | 2020-03-06 | 一种基于新型容量预测模型的旅游城市5g网络组网方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111465025A CN111465025A (zh) | 2020-07-28 |
CN111465025B true CN111465025B (zh) | 2023-04-07 |
Family
ID=71681804
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010152114.3A Active CN111465025B (zh) | 2020-03-06 | 2020-03-06 | 一种基于新型容量预测模型的旅游城市5g网络组网方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111465025B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112600728B (zh) * | 2020-12-07 | 2022-06-14 | 南昌交通学院 | 一种基于大数据的5g移动基站流量预测分析*** |
CN112819232A (zh) * | 2021-02-04 | 2021-05-18 | 北京建筑大学 | 一种基于打卡数据的人流量特征预测方法及装置 |
CN113672642A (zh) * | 2021-07-07 | 2021-11-19 | 德特赛维技术有限公司 | 一种基于时序预测移动网络性能的方法及其*** |
CN114065533A (zh) * | 2021-11-22 | 2022-02-18 | 国家电网有限公司客户服务中心 | 电力客服***波动监测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106849353A (zh) * | 2017-01-23 | 2017-06-13 | 国网山东省电力公司电力科学研究院 | 输变电工程环保监测与敏感区域预测***及方法 |
CN106878952A (zh) * | 2017-03-20 | 2017-06-20 | 上海迪爱斯通信设备有限公司 | 区域人员数量的预测方法及装置 |
CN110135609A (zh) * | 2019-04-28 | 2019-08-16 | 中南大学 | 一种基于大数据共建共享的智慧旅游***及方法 |
WO2020010717A1 (zh) * | 2018-07-13 | 2020-01-16 | 南京理工大学 | 一种基于时空相关性的短时交通流预测方法 |
-
2020
- 2020-03-06 CN CN202010152114.3A patent/CN111465025B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106849353A (zh) * | 2017-01-23 | 2017-06-13 | 国网山东省电力公司电力科学研究院 | 输变电工程环保监测与敏感区域预测***及方法 |
CN106878952A (zh) * | 2017-03-20 | 2017-06-20 | 上海迪爱斯通信设备有限公司 | 区域人员数量的预测方法及装置 |
WO2020010717A1 (zh) * | 2018-07-13 | 2020-01-16 | 南京理工大学 | 一种基于时空相关性的短时交通流预测方法 |
CN110135609A (zh) * | 2019-04-28 | 2019-08-16 | 中南大学 | 一种基于大数据共建共享的智慧旅游***及方法 |
Non-Patent Citations (3)
Title |
---|
SARIMA model for forecasting foreign tourists at the Kualanamu International Airport;Asep Rusyana;《IEEEXplore》;20170622;全文 * |
Time series forecassting by using seasonal autoregressive integrated moving average: subset multiplicative or additive model;J.Math.Stat.;《IEEEXplore》;20111230;全文 * |
基于季节模型的入境旅游人数的时间序列分析与预测;张庆春等;《吉林化工学院学报》;20140115(第01期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111465025A (zh) | 2020-07-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111465025B (zh) | 一种基于新型容量预测模型的旅游城市5g网络组网方法 | |
CN112291706A (zh) | 一种基于大数据和人工智能的网络优化方法 | |
CN1763782A (zh) | 电力***外网等值模型自动生成方法 | |
CN109886533A (zh) | 一种基站建设的分析方法及装置 | |
WO2013071771A1 (zh) | 站址的选择方法和设备以及栅格选择方法和设备 | |
CN104754590A (zh) | 一种评估长期演进lte网络站址的方法及装置 | |
CN108243435B (zh) | 一种lte小区场景划分中的参数优化方法及装置 | |
CN104125580B (zh) | 一种网络规划方法及装置 | |
CN103996147A (zh) | 配电网综合评估方法 | |
CN105376089A (zh) | 一种网络规划方法及装置 | |
CN106981204B (zh) | 一种信息处理方法及装置 | |
CN113365306B (zh) | 网络分析方法及装置、存储介质、计算机*** | |
CN111026900A (zh) | 配电网接线组生成及网架拓扑图生成方法和装置 | |
CN112633544A (zh) | 预测风速订正方法及其装置 | |
CN115174416B (zh) | 一种网络规划***、方法、装置及电子设备 | |
CN104254083B (zh) | 预测业务热点的方法及装置 | |
CN106376032B (zh) | 热点区域自动识别方法和装置 | |
CN115829633B (zh) | 基于大数据城市新能源载具分布的充电桩设计*** | |
CN111143769B (zh) | 一种基于大数据的出行方式分担率的预测方法和预测装置 | |
CN105787203B (zh) | 一种预测小区经纬度是否异常的方法 | |
CN102957572A (zh) | 一种***性能评估方法及装置 | |
CN108271181A (zh) | 一种无线网络的pci优化方法及装置 | |
CN107347189A (zh) | 一种td‑lte 230无线专网基站规划方法 | |
CN114125865B (zh) | 一种5g基站的规划方法、装置、计算设备和存储介质 | |
CN115952981A (zh) | 一种输配***规划辅助*** |
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 |