CN113328815B - 一种消除映射误差的无线链路质量敏捷预测方法 - Google Patents

一种消除映射误差的无线链路质量敏捷预测方法 Download PDF

Info

Publication number
CN113328815B
CN113328815B CN202110755657.9A CN202110755657A CN113328815B CN 113328815 B CN113328815 B CN 113328815B CN 202110755657 A CN202110755657 A CN 202110755657A CN 113328815 B CN113328815 B CN 113328815B
Authority
CN
China
Prior art keywords
prr
time window
small time
sequence
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.)
Active
Application number
CN202110755657.9A
Other languages
English (en)
Other versions
CN113328815A (zh
Inventor
刘伟
胡顺仁
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.)
Chongqing University of Technology
Original Assignee
Chongqing University of Technology
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 Chongqing University of Technology filed Critical Chongqing University of Technology
Priority to CN202110755657.9A priority Critical patent/CN113328815B/zh
Publication of CN113328815A publication Critical patent/CN113328815A/zh
Application granted granted Critical
Publication of CN113328815B publication Critical patent/CN113328815B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/30—Monitoring; Testing of propagation channels
    • H04B17/309—Measuring or estimating channel quality parameters
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Electromagnetism (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Quality & Reliability (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本发明公开了一种消除映射误差的无线链路质量敏捷预测方法，包括以下步骤：1）训练阶段：获取长时间的、涵盖多种链路质量的链路实测数据；分别使用小时间窗口和大时间窗口对收包率PRR进行统计，获得PRR序列，其中大时间窗口涵盖多个历史和未来小时间窗口；以小时间窗口PRR历史序列为输入，以大时间窗口PRR为输出，采用机器学习算法，训练和构建预测模型；2）运行阶段：获取小时间窗口PRR历史序列；将小时间窗口PRR历史序列作为预测模型的输入，预测得到包含历史和未来小时间窗口的大时间窗口的PRR预测值。本发明通过消除物理层参数映射引入的误差，在不降低链路质量预测敏捷性的前提下，能够实现更为准确的PRR预测。

Description

一种消除映射误差的无线链路质量敏捷预测方法
技术领域
本发明属于无线通信和网络技术领域，具体涉及一种消除映射误差的无线链路质量敏捷预测方法。
背景技术
为了辅助上层协议选择更好的链路进行传输，有效提高无线网络的传输效率，实时、准确的链路质量预测是非常必要的。收包率PRR是最直接的链路质量指标，但直接使用PRR统计值进行链路质量预测的敏捷性较差。通过对物理层参数进行预测，再根据相应参数与PRR的映射模型对链路质量进行评估可以有效解决这一问题。然而，无线信道的实际传播特性导致物理层参数与PRR之间的映射模型通常存在较大的误差：一方面，物理层参数是随机的，它们与PRR之间不存在一一对应的映射关系；另一方面，环境变化和硬件不同也会对映射模型产生影响，即使是工作在同一网络的节点，其映射模型都可能不完全一致。这种映射误差与物理层参数的预测误差相叠加，会严重降低PRR预测的准确性和可靠性。因此，有必要提出一种消除映射误差的无线链路质量敏捷预测方法。
发明内容
本发明的目的是提出一种消除映射误差的无线链路质量敏捷预测方法，在不降低链路质量预测敏捷性的前提下，通过消除物理层参数映射引入的误差实现更为准确的PRR预测。
为了实现本发明的目的，本发明所述的一种消除映射误差的无线链路质量敏捷预测方法，包括：
训练阶段：获取长时间的、涵盖多种链路质量的链路实测数据；分别使用小时间窗口和大时间窗口对PRR进行统计，获得PRR序列，其中大时间窗口涵盖多个历史和未来小时间窗口；以小时间窗口PRR历史序列为输入，以大时间窗口PRR为输出，采用机器学习算法，训练和构建预测模型；
运行阶段：获取小时间窗口PRR历史序列；将小时间窗口PRR历史序列作为预测模型的输入，预测得到包含历史和未来小时间窗口的大时间窗口的PRR预测值。
可选地，小时间窗口的长度为n，大时间窗口的长度为N，且N为n的整数倍；大时间窗口涵盖多个历史和未来小时间窗口。
可选地，所述训练阶段的流程包括：
(S11)获取长时间的、涵盖多种链路质量的链路实测数据；
(S12)分别使用小时间窗口n和大时间窗口N对PRR进行统计，获得小时间窗口PRR序列{prr1,prr2,...,prri,...,prrM}和大时间窗口PRR序列{PRR1,PRR2,...,PRRq,...,PRRR}；
其中，M为小时间窗口PRR序列的样本总数，R为大时间窗口PRR序列的样本总数；第i个小时间窗口的PRR的计算公式为：
Figure BDA0003147214800000021
其中，ni为第i个小时间窗口成功接收的数据包个数；
第q个大时间窗口的PRR的计算公式为：
Figure BDA0003147214800000022
其中，Nq为第q个大时间窗口成功接收的数据包个数；
(S13)以m个小时间窗口PRR历史序列为输入，对应的大时间窗口PRR为输出，采用机器学习算法，对预测模型进行训练；
(S14)当预测模型输出的误差目标函数小于训练目标阈值时，训练结束，获取并保存预测模型参数。
可选地，所述运行阶段的流程包括：
(S21)构建空的PRR序列X＝{}；
(S22)每隔小时间窗口n对PRR进行统计，得到当前小时间窗口的PRR＝Xc；
(S23)更新小时间窗口PRR序列；
(S23-1)如果小时间窗口PRR序列长度小于m，将Xc直接添加到当前小时间窗口PRR序列，更新后的小时间窗口PRR序列为X＝{X1,X2,...,Xc}；
(S23-2)如果小时间窗口PRR序列长度等于m，则删除最早的小时间窗口PRR，并将Xc添加到当前小时间窗口PRR序列，更新后的小时间窗口PRR序列为X＝{Xc-m+1,Xc-m+2,...,Xc}；
(S24)对大时间窗口PRR进行预测；
(S24-1)如果小时间窗口PRR序列长度小于m，对小时间窗口PRR序列X＝{X1,X2,...,Xc}取均值，作为对应大时间窗口的PRR预测值，即：
Figure BDA0003147214800000031
(S24-2)如果小时间窗口PRR序列长度等于m，则运行预测模型，将小时间窗口PRR序列作为预测模型的输入，得到对应大时间窗口的PRR预测值。
可选地，所述预测模型采用循环神经网络、小波神经网络、BP神经网络、随机森林、逻辑回归、支持向量机和AdaBoost中的其中一种进行训练。
本发明具有以下优点：在不降低链路质量预测敏捷性的前提下，通过消除物理层参数映射引入的误差实现更为准确的PRR预测。
附图说明
图1为本发明所述方法的结构框图；
图2为本发明所述方法训练阶段的流程图；
图3为本发明所述方法运行阶段的流程图；
图4为本发明所述方法中小时间窗口与大时间窗口的依赖关系图；
图5为实施例的结构框图；
图6为实施例训练阶段的流程图；
图7为实施例运行阶段的流程图；
图8为实施例中小时间窗口与大时间窗口的时间依赖关系图。
具体实施方式
以下结合附图对本发明进行详细的说明。
本实施例中，一种消除映射误差的无线链路质量敏捷预测方法，包括：
第一阶段：训练阶段，其流程如图2所示，获取长时间的、涵盖多种链路质量的链路实测数据；分别使用小时间窗口和大时间窗口对PRR进行统计，获得PRR序列，其中大时间窗口涵盖多个历史和未来小时间窗口；以小时间窗口PRR历史序列为输入，以大时间窗口PRR为输出，采用机器学习算法，训练和构建预测模型。
第二阶段：运行阶段，其流程如图1和图3所示，获取小时间窗口PRR历史序列；将小时间窗口PRR历史序列作为预测模型的输入，预测得到包含历史和未来小时间窗口的大时间窗口的PRR预测值。
本实施例中，小时间窗口的长度为n，大时间窗口的长度为N，且N为n的整数倍；大时间窗口涵盖多个历史和未来小时间窗口，其依赖关系如图4所示。
本实施例中，一种消除映射误差的无线链路质量敏捷预测方法，如图2所示，其训练阶段的流程包括：
(S11)获取长时间的、涵盖多种链路质量的链路实测数据；
(S12)分别使用小时间窗口n和大时间窗口N对PRR进行统计，获得小时间窗口PRR序列{prr1,prr2,...,prri,...,prrM}和大时间窗口PRR序列{PRR1,PRR2,...,PRRq,...,PRRR}；
其中，M为小时间窗口PRR序列的样本总数，R为大时间窗口PRR序列的样本总数。
本实施例中，第i个小时间窗口的PRR的计算公式为：
Figure BDA0003147214800000041
其中，ni为第i个小时间窗口成功接收的数据包个数；
本实施例中，第q个大时间窗口的PRR的计算公式为：
Figure BDA0003147214800000042
其中，Nq为第q个大时间窗口成功接收的数据包个数；
(S13)以m个小时间窗口PRR历史序列为输入，对应的大时间窗口PRR为输出，采用机器学习算法，对预测模型进行训练；
(S14)当预测模型输出的误差目标函数小于训练目标阈值时，训练结束，获取并保存预测模型参数。
本实施例中，一种消除映射误差的无线链路质量敏捷预测方法，如图3所示，其运行阶段的流程包括：
(S21)构建空的PRR序列X＝{}；
(S22)每隔小时间窗口n对PRR进行统计，得到当前小时间窗口的PRR＝Xc；
(S23)更新小时间窗口PRR序列；
(S23-1)如果小时间窗口PRR序列长度小于m，将Xc直接添加到当前小时间窗口PRR序列，更新后的小时间窗口PRR序列为X＝{X1,X2,...,Xc}；
(S23-2)如果小时间窗口PRR序列长度等于m，则删除最早的小时间窗口PRR，并将Xc添加到当前小时间窗口PRR序列，更新后的小时间窗口PRR序列为X＝{Xc-m+1,Xc-m+2,...,Xc}；
(S24)对大时间窗口PRR进行预测；
(S24-1)如果小时间窗口PRR序列长度小于m，对小时间窗口PRR序列X＝{X1,X2,...,Xc}取均值，作为对应大时间窗口的PRR预测值，即：
Figure BDA0003147214800000051
(S24-2)如果小时间窗口PRR序列长度等于m，则运行预测模型，将小时间窗口PRR序列作为预测模型的输入，得到对应大时间窗口的PRR预测值。
本实施例中，一种消除映射误差的无线链路质量敏捷预测方法，所述预测模型采用循环神经网络、小波神经网络、BP神经网络、随机森林、逻辑回归、支持向量机和AdaBoost中的其中一种进行训练。
以下以实例对本方法进行详细的说明。如图5所示，选用循环神经网络RNN，对本方法所述预测模型进行训练。小时间窗口长度设为10，大时间窗口长度设为100，其依赖关系如图8所示，即大时间窗口包含的历史和未来小时间窗口的总数为10。
如图6所示，训练阶段的流程包括：
(1)在目标应用环境下，获取长时间的、涵盖多种链路质量的链路实测数据；
(2)分别使用小时间窗口10和大时间窗口100对PRR进行统计，获得小时间窗口PRR序列{prr1,prr2,...,prri,...,prrM}和大时间窗口PRR序列{PRR1,PRR2,...,PRRq,...,PRRR}；
其中，M为小时间窗口PRR序列的样本总数，R为大时间窗口PRR序列的样本总数。
第i个小时间窗口的PRR的计算公式为：
Figure BDA0003147214800000052
其中，ni为第i个小时间窗口成功接收的数据包个数。
第q个大时间窗口的PRR的计算公式为：
Figure BDA0003147214800000061
其中，Nq为第q个大时间窗口成功接收的数据包个数。
(3)以m个小时间窗口PRR历史序列为输入，对应的大时间窗口PRR为输出，使用循环神经网络算法进行预测模型训练。循环神经网络的输入层神经元个数为p1，输出层神经元个数为p3，隐藏层神经元个数p2计算如下：
Figure BDA0003147214800000062
设定期望的训练目标阈值为goal_error。
(3a)权重初始化：设置输入层到隐藏层的权值为ωrj＝rand(p1,p2)，隐藏层到输出层的权值为ωjk＝rand(p2,p3)。
(3b)神经元节点初始化：第j个隐藏层神经元h(j)的初始化设置为：
h(j)＝zeros(1,p2)，j＝1,2,...,p2；
第k个输出层神经元y(k)的初始化为：
y(k)＝zeros(1,p3),k＝1,2,...,p3。
(3c)训练预测模型：依次输入第t个至第t+m-1个训练输入样本，循环神经网络预测模型开始训练。此时，第j个隐藏层神经元的输入netj(t)为：
Figure BDA0003147214800000063
第j个隐藏层神经元的输出hj(t)为：
hj(t)＝f(netj(t))；
其中：xd表示当前时刻的输入样本；hl(t-1)表示上一时刻隐藏层的输出；ujl表示当前隐藏层神经节点j与上一时刻隐藏层神经节点l之间的连接权重；f表示隐藏层的传递函数，设置为Sigmoid函数，其表达式为：
Figure BDA0003147214800000071
第k个输出层神经元的输入netk(t)为：
Figure BDA0003147214800000072
第k个输出层神经元的输出
Figure BDA0003147214800000073
为：
Figure BDA0003147214800000074
故输出层神经元的训练输出序列
Figure BDA0003147214800000075
为：
Figure BDA0003147214800000076
(3d)计算误差目标函数：所述误差目标函数E为:
Figure BDA0003147214800000077
其中，yx＝{xm+1,xm+2,...xt+m+1,...,xm+N+1}为预测模型的期望输出，
Figure BDA0003147214800000078
为预测模型的实际输出。
(3e)当误差目标函数大于训练目标阈值时，即E>goal_error，则采用梯度下降算法，以从后向前(即从输出层到隐藏层，再到输入层)的方向逐层修正步骤3a中的相关权值并更新权值。
(3f)更新一个训练输入样本，并重复步骤3c～3e，直到E<goal_error为止。
(4)当预测模型输出的误差目标函数小于训练目标阈值时，即E<goal_error，训练结束，获取并保存预测模型参数。
如图7所示，运行阶段的流程包括：
(5)构建空的PRR序列X＝{}；
(6)每隔小时间窗口10对PRR进行统计，得到当前小时间窗口的PRR＝Xc；
(7)更新小时间窗口PRR序列；
(7a)如果小时间窗口PRR序列长度小于10，将Xc直接添加到当前小时间窗口PRR序列，更新后的小时间窗口PRR序列为X＝{X1,X2,...,Xc}；
(7b)如果小时间窗口PRR序列长度等于10，则删除最早的小时间窗口PRR，并将Xc添加到当前小时间窗口PRR序列，更新后的小时间窗口PRR序列为X＝{Xc-9,Xc-8,...,Xc}；
(8)对大时间窗口PRR进行预测；
(8a)如果小时间窗口PRR序列长度小于10，对小时间窗口PRR序列X＝{X1,X2,...,Xc}取均值，作为对应大时间窗口的PRR预测值，即：
Figure BDA0003147214800000081
(8b)如果小时间窗口PRR序列长度等于10，则运行预测模型，将小时间窗口PRR历史序列作为预测模型的输入，得到对应大时间窗口的PRR预测值。
本方法直接采用小时间窗口PRR历史序列作为输入构建预测模型，实现对包含历史和未来小时间窗口的大时间窗口PRR的准确预测。相比于现有对物理层参数进行预测，再根据相应物理层参数与PRR之间的映射模型对链路质量进行评估的方法，本方法能够避免映射模型引入的误差，且不以降低链路质量的敏捷性为代价，同时兼顾了准确性和敏捷性要求。

Claims (5)

1.一种消除映射误差的无线链路质量敏捷预测方法，其特征在于，包括：
训练阶段：获取长时间的、涵盖多种链路质量的链路实测数据；分别使用小时间窗口和大时间窗口对PRR进行统计，获得PRR序列，其中大时间窗口涵盖多个历史和未来小时间窗口；以小时间窗口PRR历史序列为输入，以大时间窗口PRR为输出，采用机器学习算法，训练和构建预测模型；
运行阶段：获取小时间窗口PRR历史序列；将小时间窗口PRR历史序列作为预测模型的输入，预测得到包含历史和未来小时间窗口的大时间窗口的PRR预测值。
2.根据权利要求1所述的消除映射误差的无线链路质量敏捷预测方法，其特征在于：小时间窗口的长度为n，大时间窗口的长度为N，且N为n的整数倍；大时间窗口涵盖多个历史和未来小时间窗口。
3.根据权利要求2所述的消除映射误差的无线链路质量敏捷预测方法，其特征在于：所述训练阶段的流程包括：
(S11)获取长时间的、涵盖多种链路质量的链路实测数据；
(S12)分别使用小时间窗口n和大时间窗口N对PRR进行统计，获得小时间窗口PRR序列{prr1,prr2,...,prri,...,prrM}和大时间窗口PRR序列{PRR1,PRR2,...,PRRq,...,PRRR}；
其中，M为小时间窗口PRR序列的样本总数，R为大时间窗口PRR序列的样本总数；
第i个小时间窗口的PRR的计算公式为：
Figure FDA0003147214790000011
其中，ni为第i个小时间窗口成功接收的数据包个数；
第q个大时间窗口的PRR的计算公式为：
Figure FDA0003147214790000012
其中，Nq为第q个大时间窗口成功接收的数据包个数；
(S13)以m个小时间窗口PRR历史序列为输入，对应的大时间窗口PRR为输出，采用机器学习算法，对预测模型进行训练；
(S14)当预测模型输出的误差目标函数小于训练目标阈值时，训练结束，获取并保存预测模型参数。
4.根据权利要求2或3所述的消除映射误差的无线链路质量敏捷预测方法，其特征在于：所述运行阶段的流程包括：
(S21)构建空的PRR序列X＝{}；
(S22)每隔小时间窗口n对PRR进行统计，得到当前小时间窗口的PRR＝Xc；
(S23)更新小时间窗口PRR序列；
(S23-1)如果小时间窗口PRR序列长度小于m，将Xc直接添加到当前小时间窗口PRR序列，更新后的小时间窗口PRR序列为X＝{X1,X2,...,Xc}；
(S23-2)如果小时间窗口PRR序列长度等于m，则删除最早的小时间窗口PRR，并将Xc添加到当前小时间窗口PRR序列，更新后的小时间窗口PRR序列为X＝{Xc-m+1,Xc-m+2,...,Xc}；
(S24)对大时间窗口PRR进行预测；
(S24-1)如果小时间窗口PRR序列长度小于m，对小时间窗口PRR序列X＝{X1,X2,...,Xc}取均值，作为对应大时间窗口的PRR预测值，即：
Figure FDA0003147214790000021
(S24-2)如果小时间窗口PRR序列长度等于m，则运行预测模型，将小时间窗口PRR序列作为预测模型的输入，得到对应大时间窗口的PRR预测值。
5.根据权利要求4所述的消除映射误差的无线链路质量敏捷预测方法，其特征在于：所述预测模型采用循环神经网络、小波神经网络、BP神经网络、随机森林、逻辑回归、支持向量机和AdaBoost中的其中一种进行训练。
CN202110755657.9A 2021-07-05 2021-07-05 一种消除映射误差的无线链路质量敏捷预测方法 Active CN113328815B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110755657.9A CN113328815B (zh) 2021-07-05 2021-07-05 一种消除映射误差的无线链路质量敏捷预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110755657.9A CN113328815B (zh) 2021-07-05 2021-07-05 一种消除映射误差的无线链路质量敏捷预测方法

Publications (2)

Publication Number Publication Date
CN113328815A CN113328815A (zh) 2021-08-31
CN113328815B true CN113328815B (zh) 2022-09-09

Family

ID=77425498

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110755657.9A Active CN113328815B (zh) 2021-07-05 2021-07-05 一种消除映射误差的无线链路质量敏捷预测方法

Country Status (1)

Country Link
CN (1) CN113328815B (zh)

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100426621B1 (ko) * 2001-12-20 2004-04-13 한국전자통신연구원 단말기의 프리엠블 신호를 탐색하는 작은 창 프리엠블탐색 장치 및 그 방법
US8611825B2 (en) * 2010-11-15 2013-12-17 At&T Intellectual Property I, L.P. Method and apparatus for providing a dynamic inactivity timer in a wireless communications network
CN102891770A (zh) * 2012-10-22 2013-01-23 哈尔滨工业大学深圳研究生院 一种利用短相关模型预测长相关序列的方法
US9681270B2 (en) * 2014-06-20 2017-06-13 Opentv, Inc. Device localization based on a learning model
EP3447936A1 (en) * 2017-08-22 2019-02-27 Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. Wireless communication system, base-station and user-side-device
CN111343656B (zh) * 2020-03-02 2022-09-30 南京感深科技有限公司 一种基于简化理论模型的自适应无线链路质量估计方法

Also Published As

Publication number Publication date
CN113328815A (zh) 2021-08-31

Similar Documents

Publication Publication Date Title
CN107992976B (zh) 热点话题早期发展趋势预测***及预测方法
CN108335487B (zh) 一种基于交通状态时序性的道路交通状态预测***
CN106897254B (zh) 一种网络表示学习方法
CN110213784B (zh) 一种流量预测方法及装置
WO2020164740A1 (en) Methods and systems for automatically selecting a model for time series prediction of a data stream
Sahoo et al. Comparative analysis of multi-step time-series forecasting for network load dataset
CN117114144B (zh) 基于人工智能的水稻耐盐碱性能预测方法及***
CN116681104B (zh) 分布式空间图神经网络的模型建立及实现方法
Kakkavas et al. Future network traffic matrix synthesis and estimation based on deep generative models
CN111058840A (zh) 一种基于高阶神经网络的有机碳含量(toc)评价方法
CN114694379B (zh) 一种基于自适应动态图卷积的交通流预测方法及***
CN114169505A (zh) 一种产量预测模型的训练方法、***及相关设备
CN111832817A (zh) 基于mcp罚函数的小世界回声状态网络时间序列预测方法
CN112650933A (zh) 一种基于高阶聚合的图卷积融合多头注意力机制的会话推荐方法
CN113328815B (zh) 一种消除映射误差的无线链路质量敏捷预测方法
Mortazavi et al. Efficient mobile cellular traffic forecasting using spatial-temporal graph attention networks
CN107979606A (zh) 一种具有自适应的分布式智能决策方法
Liu et al. Hierarchical agglomerative clustering and LSTM-based load prediction for dynamic spectrum allocation
CN110768825A (zh) 一种基于网络大数据分析的业务流量预测方法
CN110839253A (zh) 一种确定无线网格网络流量的方法
Rodrigues et al. Improving the traffic prediction capability of neural networks using sliding window and multi-task learning mechanisms
CN109871953B (zh) fpRNA遗传算法的重油裂解过程小波神经网络建模方法
Liu et al. A gps distance error forecast model based on iir filter denoising and lstm
CN113252036B (zh) 一种基于置信传播的变分自适应协同导航方法
CN115225528B (zh) 网络流量数据分布式测量调度方法、***和介质

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