CN111866912A - 基于时间-空间的业务量区域分类和分析方法 - Google Patents
基于时间-空间的业务量区域分类和分析方法 Download PDFInfo
- Publication number
- CN111866912A CN111866912A CN202010549613.6A CN202010549613A CN111866912A CN 111866912 A CN111866912 A CN 111866912A CN 202010549613 A CN202010549613 A CN 202010549613A CN 111866912 A CN111866912 A CN 111866912A
- Authority
- CN
- China
- Prior art keywords
- tri
- traffic
- data
- triangle
- area
- 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
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/02—Arrangements for optimising operational condition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了基于时间‑空间的业务量区域分类和分析方法,属于预测和网络优化技术领域。首先选取若干个相邻的基站,构造各基站的坐标点集合,并查询各基站相应的历史业务量。然后构建Delaunay三角网,记录每个三角形的三个基站点坐标,生成三角形链表P。遍历三角形链表P,利用三角形外心寻找维诺边,画出维诺图,自动将所有基站划分为若干多边形区域;同时对每个区域的相邻区域进行记录,实现空间上的划分;同时采用k‑NN算法对所有区域的业务量数据进行分类,实现时间上的划分。最后对维诺图中历史业务量变化趋势相同且相邻的基站区域标记为同一个颜色,并利用格兰杰因果关系检验各分类区域的业务量数据的因果性。本发明提高了网络优化的准确度。
Description
技术领域
本发明属于蜂窝网络中预测和网络优化技术领域,具体是一种基于时间-空间的业务量区域分类和分析方法。
背景技术
随着移动网络的快速发展,无线网络中的数据流量也在急剧增长。根据CiscoVisual Networking Index:Forecast and Trends,2017-2022,’[R]Cisco,Tech.Rep.,November,2018的统计数据以及预测,从2016到2021年,忙时互联网流量将增长4.6倍,闲时互联网流量也将增长3.2倍,手机端流量将超过PC端;流量的成倍增长给网络的运营和维护带来了巨大的挑战,因此,对于无线网络数据的分析和对于业务量模型的研究就显得尤为关键。
5G通信的到来将为蜂窝网络带来激增的流量,蜂窝网络中的流量具有时间变异性强,以及时空的强相关性,给网络性能分析带来很大困难。
为了合理利用通信网络资源,对蜂窝网络中的流量信息的处理方式变得尤为关键。然而现有的无线网络优化中仍然存在一些问题,例如在网络优化时,工作人员往往根据经验对区域进行划分,如商业区和住宅区等。这就导致在进行资源分配和网络参数调整时存在一定的误差。
发明内容
为了优化人工网络资源配置,提高网络资源分配的合理性,本发明提出了基于时间-空间的业务量区域分类和分析方法,利用时空模型对历史业务量数据进行分类,并以此为基础,将因果分析应用于通信数据分析,是一种针对4G网络和未来5G网络数据面向精准网络优化的有效区域分类和数据分析方法。
所述的基于时间-空间的业务量区域分类和分析方法,具体步骤如下:
步骤一,选取若干个相邻的基站,将各基站的坐标点构造集合B,并查询各基站相应的历史业务量,构成矩阵T。
步骤二,将各个基站的坐标位置通过Delaunay算法构建Delaunay三角网,并记录Delaunay三角网中构成每个三角形的三个基站点坐标,生成三角形链表P;
P=[Tri1,Tri2......,Trit.....,Trin]
其中,Trit为经过三角剖分之后的第t个三角形;n为所有基站经过三角剖分之后的三角形个数。
步骤三,对三角形链表P进行遍历,利用三角形外心寻找维诺边,存入链表中;
具体过程为:
步骤301、针对当前三角形Trit,遍历三角形链表P,寻找与三角形Trit共边的三个相邻三角形TriA,TriB和TriC;
TriA∈P,TriB∈P,TriC∈P。
步骤302、分别计算当前三角形Trit以及三个相邻三角形TriA,TriB和TriC的外接圆圆心,共四个外心;
步骤303、将当前三角形Trit的外心分别与三个共边相邻的三角形的外心连接,存入维诺边链表中;
维诺边链表中存储的是四个外心之间的三条连接线段;如果共边三角形不足,则求出当前三角形Trit最外边的中垂线存入维诺边链表中。
步骤304、重复上述步骤,直至对三角形链表P遍历结束,找到所有维诺边存入链表中。
步骤四,根据维诺边画出维诺图,自动将所有基站划分为若干多边形区域;同时对每个区域的相邻区域进行记录,得到每个区域的相邻区域列表,实现空间上的划分;
步骤五,采用k-NN算法对所有区域的业务量数据进行分类,将历史业务量随时间变化趋势相同的基站所在区域划分为一类,最终得到所有基站覆盖区域的聚类,实现时间上的划分;
k-NN算法的分类准则采用欧氏距离,计算公式如下:
其中[x1,x2,...,xt]和[y1,y2,...,yt]分别为两个基站的历史业务量数据集。
步骤六、根据k-NN算法的分类结果和相邻区域列表,对维诺图中的多边形区域进行标记,将历史业务量变化趋势相同且相邻的基站区域标记为同一个可视化的颜色,完成基于时间-空间的精确的场景划分。
步骤七,针对精准的各分类区域,利用格兰杰因果关系检验各分类区域的业务量数据的因果性,从因果的角度找到每个区域与相邻区域的业务量之间的关系,应用于通信数据分析优化网络。
格兰杰因果关系检验是指:通过对每个区域空间分布的历史数据序列进行分析,在多个时间序列之间进行因果关系检验,以获得相邻区域的业务量与中心区域业务量变化之间的因果关系,根据各区域数据因果校验的结果,得到每组数据之间的因果关系的强弱,进而在城市通信网络中,选择出与目标(中心)区域业务量因果性强的区域数据,将该区域的数据联合处理进行多元预测。
本发明的优点及其有益效果在于:
本发明一种基于时间-空间的业务量区域分类和分析方法,所得到的分析结果有助于提高网络优化的准确度,找到易受周围数据影响的基站,精准网络优化以及分析因果密度与地理分布之间的关系。
附图说明
图1是本发明基于时间-空间的业务量区域分类和分析方法的流程图;
图2是本发明实施例中选择的基于时间-空间的业务量区域分类和分析方法的原理图;
图3是本发明实施例中因果校验与多元时序预测方法详细示意图;
图4是本发明实施例中根据基站的地理位置信息生成的delaunay图;
图5是本发明实施例三角剖分delaunay图得到的维诺图;
图6是本发明实施例结合各区域历史数据的k-NN算法后得到的维诺图。
具体实施方式
下面结合附图与具体实施例对本发明进行进一步说明。
本发明公开了一种针对蜂窝网络时间-空间特性的业务量区域分类和预测方法,该方法主要包括业务量数据分类和基于因果校验的数据分析两个部分。第一部分中,针对实际网络的测量数据,考虑了无线网络数据的时间-空间特性,根据delaunay三角剖分、voronoi图以及K-NN的思想设计了基站级的无线网络数据分类方案。业务量数据分类将从时间和空间两个维度展开,从时间上,针对每个基站的历史业务量时间序列进行聚类,将变化趋势相同的聚为一类。同时空间上,考虑邻区信息;从而最终将空间上相邻,历史数据变化趋势相同的基站分为一类。第二部分以分类生成的区域为基础,并采用格兰杰因果校验的概念研究了分类得到的各区域与相邻区域的业务量数据之间以及各区域内的基站之间的互相影响关系。最终的分析结果有助于提高网络优化的准确度、找到易受周围数据影响的基站、精准网络优化以及分析因果密度与地理分布之间的关系。
如图1所示,具体步骤如下:
步骤一,选取若干个相邻的基站,将各基站的坐标点构造集合B,并查询各基站相应的历史业务量,构成矩阵T。
步骤二,将各个基站的坐标位置通过Delaunay算法构建邻站网络,即构建Delaunay三角网;同时记录Delaunay三角网中构成每个三角形的三个基站点坐标,生成三角形链表P;
P=[Tri1,Tri2......,Trit.....,Trin]
其中,Trit为经过三角剖分之后的第t个三角形;n为所有基站经过三角剖分之后的三角形个数。
步骤三,遍历三角形链表P,利用三角形外心寻找维诺边,存入链表中;
具体过程为:
步骤301、针对当前三角形Trit,遍历三角形链表P,寻找与三角形Trit共边的三个相邻三角形TriA,TriB和TriC;
TriA∈P,TriB∈P,TriC∈P。
步骤302、分别计算当前三角形Trit以及三个相邻三角形TriA,TriB和TriC的外接圆圆心,共四个外心;
步骤303、将当前三角形Trit的外心分别与三个共边相邻的三角形的外心连接,存入维诺边链表中;
维诺边链表中存储的是四个外心之间的三条连接线段;如果共边三角形不足,则求出当前三角形Trit最外边的中垂线存入维诺边链表中。
步骤304、重复上述步骤,直至对三角形链表P遍历结束,找到所有维诺边存入链表中。
步骤四,根据维诺边画出维诺图,自动将所有基站划分为若干多边形区域;同时对每个区域的相邻区域进行记录,得到每个区域的相邻区域列表,实现空间上的划分;
步骤五,采用k-NN(k-NearestNeighbor,k近邻)算法对所有区域的业务量数据进行分类,将历史业务量随时间变化趋势相同的基站所在区域划分为一类,最终得到所有基站覆盖区域的聚类,实现时间上的划分;
k-NN算法的分类准则采用欧氏距离,计算公式如下:
其中,[x1,x2,...,xt]和[y1,y2,...,yt]分别为两个基站的历史业务量数据集。
步骤六、根据k-NN算法的分类结果和相邻区域列表,对维诺图中的多边形区域进行标记,将历史业务量变化趋势相同且相邻的基站区域标记为同一个可视化的颜色,完成基于时间-空间的精确的场景划分。
步骤七,针对精准的各分类区域,利用格兰杰因果关系检验各分类区域的业务量数据的因果性,从因果的角度找到每个区域与相邻区域的业务量之间的关系,应用于通信数据分析优化网络。
格兰杰因果关系检验是指:通过对每个区域空间分布的历史数据序列进行分析,在多个时间序列之间进行因果关系检验,以获得相邻区域的业务量与中心区域业务量变化之间的因果关系,根据各区域数据因果校验的结果,得到每组数据之间的因果关系的强弱,进而在城市通信网络中,选择出与目标(中心)区域业务量因果性强的区域数据,将该区域的数据联合处理进行多元预测。
相当于找出预测区域业务量变化的“原因”,将预测区域的业务量数据与这些因果数据相结合,完成对无线网络的精准分析。具体过程为:
第一步:验证原假设:x不是y的格兰杰成因。
首先,估计以下两个回归模型:
其中,α0表示常数项,p和q分别是y和x的最大滞后量,εt是白噪声,t是时间序列长度。
然后,计算两个回归模型的残差平方和构造F统计量。
其中m为样本数,r表示有约束模型,即公式(2);u表示无约束模型,即公式(1)。原假设可由公式(3)检验。如果f≥f_(q,m-p-q-1),则显著不为0,拒绝x不是y的格兰杰原因的假设;相反,不能拒绝这个假设。其中,f为上式中RSSr和RSSu两个方差的比值。
第二步:交换y和x的位置,与第一步同理,检验原始假设:“y不是x变化的格兰杰原因”。
第三步:要得出“x是y的格兰杰原因”的结论,必须否定“x不是y的格兰杰原因”的原始假设,接受“y不是x的格兰杰原因”的原始假设,由此得到最终结果。
实施例:
本实施例基于蜂窝网络时间-空间特性的业务量区域分类和预测方法,整体流程如图2所示:首先,构造基站位置坐标点集合B和相应的历史业务量矩阵T;根据基站位置和Delaunay算法构建邻站网络,同时记录每个三角形是由哪三个基站点构成的,生成三角形链表:P=[Tri1,Tri2......,Trin],本实施例中基站经过三角剖分之后的三角形个数n为53个。
然后,遍历三角形链表,根据三角形外心连接维诺边画出维诺图。同时对每个区域的相邻区域进行记录,得到每个区域的相邻区域列表。
同时,基于基站的历史业务量数据,采用K-NN算法进行聚类。
根据K-NN的聚类结果和相邻区域列表对维诺图中的多边形进行筛选标记,将业务量趋势一致且相邻的区域采用可视化的着色方法标记出来。
最后,为因果校验以及数据预测,如图3所示,主要包括数据处理(DataDetrending)、时间-空间建模(Means removal)和因果校验(Granger Causality Check)。本实施例中的业务量数据采用LTE网络的下行流量数据。
数据处理:在本实施例中,数据集由中国的一个主要市区提供。选择的数据为所有基站的地理位置信息和各基站下行流量数据。如表1所示,数据采样时间粒度为1小时,本案例选取数据集中的9个基站的数据进行试验,表中为各基站在工作日24小时的下行流量数据,其中下行数据的统计单位为GB。
表1
时间-空间建模:主要结合基站的地理位置和历史话务量数据对城市无线网络进行精准区域划分。如图4所示,是根据基站的工参即地理位置信息生成的Delaunay图,横纵坐标分别为基站的经纬度。以此为基础对历史数据进行k-NN聚类,将历史数据变化趋势一致的基站分为一类,在聚类后的基础上根据每个基站的邻区信息进行筛选。由于分类之后对区域的表征并不明显,考虑以三角剖分delaunay图为基础,计算求得维诺(voronoi)图,如图5所示。结合各区域历史数据的k-NN算法之后计算得到voronoi图,最终得到的结果如图6所示,完成基于时间-空间的精确的场景划分。
本发明中的分类是时间和空间两方面结合的,时间上,采用k-NN算法对业务量随时间变化的趋势相同的基站进行聚类;空间上,采用Delaunay算法和维诺图,结合k近邻的结果对基站的区域进行分类。
因果校验:经过精准的区域分类之后,将业务量变化趋势相同的基站所在区域划分在一起,从而在保证网优准确度的同时降低了网络优化的复杂度。因果校验部分主要对分类获得的各区域的业务量数据进行基于因果性的分析。
通过格兰杰因果校验的方法,可以得到各区域之间的因果关系,从因果的角度找到每个区域与相邻区域的业务量之间的关系。从而找到个区域之间的因果关系的强弱,选择相邻且因果性强的区域的数据去进行多元预测,为网络优化提供明确的指导,以及对网络负载的估计提供较大的帮助。
得到各区域之间的因果关系后,可以将多个区域的历史数据与各区域业务量之间的因果关系结合起来对未来的业务量变化进行更加精准的预测。例如将地理上相邻,且具有因果关系的区域选择出来,对这些区域的数据联合处理用于预测。
Claims (4)
1.基于时间-空间的业务量区域分类和分析方法,其特征在于,具体步骤如下:
步骤一,选取若干个相邻的基站,将各基站的坐标点构造集合B,并查询各基站相应的历史业务量,构成矩阵T;
步骤二,将各个基站的坐标位置通过Delaunay算法构建Delaunay三角网,并记录Delaunay三角网中构成每个三角形的三个基站点坐标,生成三角形链表P;
P=[Tri1,Tri2......,Trit.....,Trin]
其中,Trit为经过三角剖分之后的第t个三角形;n为所有基站经过三角剖分之后的三角形个数;
步骤三,对三角形链表P进行遍历,利用三角形外心寻找维诺边,存入链表中;
步骤四,根据维诺边画出维诺图,自动将所有基站划分为若干多边形区域;同时对每个区域的相邻区域进行记录,得到每个区域的相邻区域列表,实现空间上的划分;
步骤五,采用k-NN算法对所有区域的业务量数据进行分类,将历史业务量随时间变化趋势相同的基站所在区域划分为一类,最终得到所有基站覆盖区域的聚类,实现时间上的划分;
步骤六、根据k-NN算法的分类结果和相邻区域列表,对维诺图中的多边形区域进行标记,将历史业务量变化趋势相同且相邻的基站区域标记为同一个可视化的颜色,完成基于时间-空间的精确的场景划分;
步骤七,针对精准的各分类区域,利用格兰杰因果关系检验各分类区域的业务量数据的因果性,从因果的角度找到每个区域与相邻区域的业务量之间的关系,应用于通信数据分析优化网络。
2.如权利要求1所述的基于时间-空间的业务量区域分类和分析方法,其特征在于,所述的步骤三具体过程为:
步骤301、针对当前三角形Trit,遍历三角形链表P,寻找与三角形Trit共边的三个相邻三角形TriA,TriB和TriC;
TriA∈P,TriB∈P,TriC∈P;
步骤302、分别计算当前三角形Trit以及三个相邻三角形TriA,TriB和TriC的外接圆圆心,共四个外心;
步骤303、将当前三角形Trit的外心分别与三个共边相邻的三角形的外心连接,存入维诺边链表中;
维诺边链表中存储的是四个外心之间的三条连接线段;如果共边三角形不足,则求出当前三角形Trit最外边的中垂线存入维诺边链表中;
步骤304、重复上述步骤,直至对三角形链表P遍历结束,找到所有维诺边存入链表中。
4.如权利要求1所述的基于时间-空间的业务量区域分类和分析方法,其特征在于,所述的格兰杰因果关系检验是指:通过对每个区域空间分布的历史数据序列进行分析,在多个时间序列之间进行因果关系检验,以获得相邻区域的业务量与中心区域业务量变化之间的因果关系,根据各区域数据因果校验的结果,得到每组数据之间的因果关系的强弱,进而在城市通信网络中,选择出与目标(中心)区域业务量因果性强的区域数据,将该区域的数据联合处理进行多元预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010549613.6A CN111866912B (zh) | 2020-06-16 | 2020-06-16 | 基于时间-空间的业务量区域分类和分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010549613.6A CN111866912B (zh) | 2020-06-16 | 2020-06-16 | 基于时间-空间的业务量区域分类和分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111866912A true CN111866912A (zh) | 2020-10-30 |
CN111866912B CN111866912B (zh) | 2021-07-20 |
Family
ID=72987224
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010549613.6A Active CN111866912B (zh) | 2020-06-16 | 2020-06-16 | 基于时间-空间的业务量区域分类和分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111866912B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113191416A (zh) * | 2021-04-26 | 2021-07-30 | 杭州电子科技大学 | 面向大规模地理点数据的空间属性关联维诺图生成方法 |
CN113449111A (zh) * | 2021-08-31 | 2021-09-28 | 苏州工业园区测绘地理信息有限公司 | 基于时空语义知识迁移的社会治理热点话题自动识别方法 |
CN114980136A (zh) * | 2022-05-20 | 2022-08-30 | 西安电子科技大学 | 一种高能效的地面基站对低空立体信号覆盖方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080072115A1 (en) * | 2006-09-20 | 2008-03-20 | Samsung Electronics Co., Ltd. | Apparatus and method for processing received data in a broadband wireless communication system |
CN102625322A (zh) * | 2012-02-27 | 2012-08-01 | 北京邮电大学 | 多制式智能可配的无线网络优化的实现方法 |
CN103796227A (zh) * | 2012-10-31 | 2014-05-14 | 中国电信股份有限公司 | 进行无线信号覆盖分析的方法和*** |
CN106304105A (zh) * | 2015-05-18 | 2017-01-04 | ***通信集团湖北有限公司 | 一种位置区优化方法及装置 |
CN108112018A (zh) * | 2017-12-21 | 2018-06-01 | 北京科技大学 | 一种移动通信网络待优化区域边界的确定办法及装置 |
CN109213169A (zh) * | 2018-09-20 | 2019-01-15 | 湖南万为智能机器人技术有限公司 | 移动机器人的路径规划方法 |
CN109862580A (zh) * | 2017-11-30 | 2019-06-07 | 华为技术有限公司 | 一种网络优化方法及装置 |
US20190215700A1 (en) * | 2018-01-09 | 2019-07-11 | P. I. Works TR Bilisim Hizm. San. ve Tic A.S. | Method for Capacity and Coverage Optimization of a Multi-RAT Network |
CN110120883A (zh) * | 2018-02-07 | 2019-08-13 | ***通信有限公司研究院 | 一种评估网络性能的方法、装置和计算机可读存储介质 |
CN110972149A (zh) * | 2019-11-27 | 2020-04-07 | 河海大学 | 一种圆环型无线传感器网络的节点优化部署方法 |
-
2020
- 2020-06-16 CN CN202010549613.6A patent/CN111866912B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080072115A1 (en) * | 2006-09-20 | 2008-03-20 | Samsung Electronics Co., Ltd. | Apparatus and method for processing received data in a broadband wireless communication system |
CN102625322A (zh) * | 2012-02-27 | 2012-08-01 | 北京邮电大学 | 多制式智能可配的无线网络优化的实现方法 |
CN103796227A (zh) * | 2012-10-31 | 2014-05-14 | 中国电信股份有限公司 | 进行无线信号覆盖分析的方法和*** |
CN106304105A (zh) * | 2015-05-18 | 2017-01-04 | ***通信集团湖北有限公司 | 一种位置区优化方法及装置 |
CN109862580A (zh) * | 2017-11-30 | 2019-06-07 | 华为技术有限公司 | 一种网络优化方法及装置 |
CN108112018A (zh) * | 2017-12-21 | 2018-06-01 | 北京科技大学 | 一种移动通信网络待优化区域边界的确定办法及装置 |
US20190215700A1 (en) * | 2018-01-09 | 2019-07-11 | P. I. Works TR Bilisim Hizm. San. ve Tic A.S. | Method for Capacity and Coverage Optimization of a Multi-RAT Network |
CN110120883A (zh) * | 2018-02-07 | 2019-08-13 | ***通信有限公司研究院 | 一种评估网络性能的方法、装置和计算机可读存储介质 |
CN109213169A (zh) * | 2018-09-20 | 2019-01-15 | 湖南万为智能机器人技术有限公司 | 移动机器人的路径规划方法 |
CN110972149A (zh) * | 2019-11-27 | 2020-04-07 | 河海大学 | 一种圆环型无线传感器网络的节点优化部署方法 |
Non-Patent Citations (2)
Title |
---|
KAISA ZHANG 等: "Traffic-Aware and Energy-Efficiency Network Oriented Spatio-Temporal Analysis and Traffic Prediction", 《 2019 IEEE GLOBECOM WORKSHOPS》 * |
张佑生: "一种新颖的网格综合优化算法", 《***仿真学报》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113191416A (zh) * | 2021-04-26 | 2021-07-30 | 杭州电子科技大学 | 面向大规模地理点数据的空间属性关联维诺图生成方法 |
CN113191416B (zh) * | 2021-04-26 | 2024-02-09 | 杭州电子科技大学 | 面向大规模地理点数据的空间属性关联维诺图生成方法 |
CN113449111A (zh) * | 2021-08-31 | 2021-09-28 | 苏州工业园区测绘地理信息有限公司 | 基于时空语义知识迁移的社会治理热点话题自动识别方法 |
CN114980136A (zh) * | 2022-05-20 | 2022-08-30 | 西安电子科技大学 | 一种高能效的地面基站对低空立体信号覆盖方法 |
CN114980136B (zh) * | 2022-05-20 | 2023-06-30 | 西安电子科技大学 | 一种高能效的地面基站对低空立体信号覆盖方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111866912B (zh) | 2021-07-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111866912B (zh) | 基于时间-空间的业务量区域分类和分析方法 | |
CN106792514B (zh) | 基于信令数据的用户职住地分析方法 | |
CN101873607B (zh) | Wlan室内分步式rd-anfis定位方法 | |
CN111867049B (zh) | 定位方法、装置及存储介质 | |
JP2002057614A (ja) | 無線通信システム中のrf伝播評価方法と装置 | |
CN103068035A (zh) | 一种无线网络定位方法、装置及*** | |
CN108134979B (zh) | 基于深度神经网络的小基站开关控制方法 | |
CN108243435B (zh) | 一种lte小区场景划分中的参数优化方法及装置 | |
JP7486659B2 (ja) | 基地局の省エネルギー処理方法及び処理装置 | |
CN108462965B (zh) | 一种铁塔需求站址共享规划方法 | |
CN110298687B (zh) | 一种区域吸引力评估方法及设备 | |
WO2020024597A1 (zh) | 室内定位方法和装置 | |
CN103491544A (zh) | 共享站点的选取方法及装置 | |
US10880754B1 (en) | Network planning tool for retention analysis in telecommunications networks | |
CN104254083B (zh) | 预测业务热点的方法及装置 | |
Liang et al. | Mobile traffic prediction based on densely connected CNN for cellular networks in highway scenarios | |
CN116546521A (zh) | 一种基于数字孪生技术的移动通信网络覆盖优化方法 | |
CN112399458A (zh) | 一种移动通信网络流量的大数据分析方法 | |
CN112801411A (zh) | 一种基于生成对抗网络的网络流量预测方法 | |
CN114828026A (zh) | 基站规划方法、装置、设备、存储介质及程序产品 | |
CN108207005B (zh) | 一种lte无线网络的评估方法及服务器 | |
CN106922017B (zh) | 定位方法以及终端 | |
CN108271181A (zh) | 一种无线网络的pci优化方法及装置 | |
Ma et al. | Cellular Network Traffic Prediction Based on Correlation ConvLSTM and Self-Attention Network | |
Wang et al. | Terrain-based coverage manifold estimation: Machine learning, stochastic geometry, or simulation? |
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 |