CN102685765A - 一种无线网络中移动台到达时间预测方法 - Google Patents

一种无线网络中移动台到达时间预测方法 Download PDF

Info

Publication number
CN102685765A
CN102685765A CN2012101308449A CN201210130844A CN102685765A CN 102685765 A CN102685765 A CN 102685765A CN 2012101308449 A CN2012101308449 A CN 2012101308449A CN 201210130844 A CN201210130844 A CN 201210130844A CN 102685765 A CN102685765 A CN 102685765A
Authority
CN
China
Prior art keywords
mobile station
time
path
paths
estimated location
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.)
Pending
Application number
CN2012101308449A
Other languages
English (en)
Inventor
黄东
黄林果
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.)
Individual
Original Assignee
Individual
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 Individual filed Critical Individual
Priority to CN2012101308449A priority Critical patent/CN102685765A/zh
Publication of CN102685765A publication Critical patent/CN102685765A/zh
Pending legal-status Critical Current

Links

Images

Landscapes

  • Mobile Radio Communication Systems (AREA)

Abstract

本发明提供一种无线网络中移动台到达时间预测方法，该方法通过建立自学习模型和对移动台的方位进行判断获取自学习模型所需门限值使得移动台到达目的节点的时间能够准确预测。本发明的显著效果是：通过对无线网络中的移动台的方位进行判断并结合人工神经网络技术，实现了对移动台的高效管理。

Description

一种无线网络中移动台到达时间预测方法
技术领域
本发明涉及通信技术领域，特别是涉及无线网络和神经网络理论。
背景技术
随着无线网络路由技术的快速发展，移动台可通过多路径到达目的节点，为实现对移动台的高效监控和管理，需准确预测移动台到达目的节点的时间。
无线网络中的多径路由协议多径路由协议是无线网状网路由协议中非常重要的一类路由协议。传统的路由协议中，源、目的节点之间只有一条路由路径，而多径路由协议中，源、目的节点之间可以同时存在多条路由路径。多径路由协议可以提高路由的健壮性、进行负载均衡等，还可以提高QoS相应参数(如端到端传输延迟)。由于多径路由协议需要在源、目的节点之间寻找到多条路径，因此它适用于网络节点较为密集的场景中。多径路由协议的多条路径可以按照路径相互之间的不相关程度分为三类：节点不相交路径、链路不相交路径和缠绕型路径。
多径路由协议的关键问题
无论是使用单条路径传输数据还是同时使用多条路径传输数据的多径路由协议都可以带来传输性能的增益，但是相应的，多径路由协议也增加了一定的路由复杂度和开销，包括寻路，路径选择，路由维护等。多径路由协议的关键问题主要有以下几点：
(1)不相关路径的寻找
多径路由协议大多倾向于使用节点不相交的路径进行数据传输，在网络全局拓扑未知的情况下，如何找到不相关路径是多径路由协议中的关键问题之一。在实际网络中，有可能找不到节点不相交的路径，所以很多路由协议采用“最大不相关程度"来衡量路由协议所选路径的健壮性。另外，在无线网状网中，不相交的路径虽然健壮性较好，但是其路径的单径性能可能很差，例如路径长度过长，因此，在寻找不相交路径时，需要综合考虑可用性和路径性能。
(2)路由判据设计
多径路由协议不同于单径路由协议，单径路由协议中，路由判据只需要根据单条路径的性能来衡量，而多径路由协议中，如何衡量多条路径的性能成为难点。
当只使用一条路径进行传输，其它路径作为备选时，多径路由协议的路由判据多和单径路由的判据类似。但是，在选取备用路径的时候，除了考虑备用路径的单径性能，还需要考虑备用路径和原路径的相关性。当使用多条路径进行传输时，路由判据的设计就需要考虑多种因素，包括路径之间的干扰，路径总体性能等。常见的路由判据有路径平均剩余带宽、路径总的吞吐量、路径平均时间数据包到达率等。
(3)路径的个数和数据流的分布
当采用多条路径同时传输数据时，最终使用的路径个数和数据流在各个路径上分布都是需要考虑的问题。一般来说，路径的个数越多，带来的性能增益也越多，但是相应的会增加路由开销。同时，路径上数据的分发也应该和路径的单径性能结合考虑，如果某一条路径性能较优，则可以分配较大的数据流，反之亦然。
(4)路径维护
尽管有多条路径，这些路径仍有可能因为链路或者节点失效而中断。路由维护是在初始路由路径确定以后对其进行更新的过程。在多径路由协议中，路由维护可以在某一条或者所有的路径都失效的时候进行。部分多径路由协议采用动态的路由维护机制来监控和维护可用路径的QoS性能。 
综上所述：由于现有无线网络的多路径选择存在不确定性，对于及时发现和预测移动台的到达时间存在较大难度，因而有必要设计一种高效的移动台到达目的节点的时间预测方法，实现对移动台的高效监督和管理。 
发明内容
本发明所要解决的技术问题是：解决多径条件下的移动台到达目的节点的时间预测问题。
本发明为解决上述技术问题所采用的技术方案为：提供一种基于移动台方位判别和自学习模型的移动台到达目的节点时间预测的方法，该方法通过建立自学习模型和对移动台的方位进行判断获取自学习模型所需门限值使得移动台到达目的节点的时间能够准确预测；其特征在于：通过发明一种针对在多径中的移动台到达目的节点的时间预测方法,实现对移动台的高效监督和管理，包括以下步骤：
A、    获取任一多路径中的移动台到达位置A的时间；
B、    预测移动台从位置A到位置B的运动时间。
所述步骤A中，位于多路径中的移动台到达位置B的时间由两部分组成，其中位置B为目的节点,即                                                
Figure 789471DEST_PATH_IMAGE001
,其中
Figure 2012101308449100002DEST_PATH_IMAGE002
为多路径中的移动台到达位置B的时间, 
Figure 644294DEST_PATH_IMAGE003
为多路径中的移动台到达位置A的时间, 
Figure 2012101308449100002DEST_PATH_IMAGE004
为移动台从位置A到位置B的运动时间, 
Figure 299398DEST_PATH_IMAGE003
为使用路径l的移动台
Figure 6191DEST_PATH_IMAGE005
到达位置A的时间，其可通过对业务数据信息的采集和记录获得。
所述步骤B中，采用人工神经网络的方法对移动台从位置A到位置B的运动时间进行预测。所需的人工神经网络模型包括两部分:学习阶段和执行阶段，在学习阶段使用观测器组作为人工神经网络模型输入端和输出端的训练信号，执行阶段使用从学习阶段获得的权重值作为对移动台从位置A到位置B的运动时间进行预测的通道，其中
Figure 2012101308449100002DEST_PATH_IMAGE006
为本移动台与路径集合中任一路径的上一移动台之间的时间间隔，上一移动台使用与本移动台相同或不同的路径，有，为路径集合
Figure 533228DEST_PATH_IMAGE007
中任一路径的上一移动台
Figure 2012101308449100002DEST_PATH_IMAGE010
到达位置A的时间, 
Figure 794446DEST_PATH_IMAGE011
为本移动台与使用相同路径l的上一移动台之间的时间间隔，有
Figure 2012101308449100002DEST_PATH_IMAGE012
，其中
Figure 899543DEST_PATH_IMAGE013
为使用路径l的上一移动台
Figure 2012101308449100002DEST_PATH_IMAGE014
到达位置A的时间，
Figure 768273DEST_PATH_IMAGE015
为本移动台之前使用路径集合的多个移动台的权重平均运行时间，
Figure 2012101308449100002DEST_PATH_IMAGE016
，
Figure 882783DEST_PATH_IMAGE017
，其中为本移动台之前的第
Figure 281534DEST_PATH_IMAGE019
个移动台从位置A至位置B的平均运行时间，为本移动台之前每一移动台的权重之和，为本移动台之前被选择的移动台的数量，
Figure 2012101308449100002DEST_PATH_IMAGE022
为本移动台之前的使用路径l的移动台的从位置A至位置B的运行时间，
Figure 513856DEST_PATH_IMAGE023
，其中为使用路径
Figure 2012101308449100002DEST_PATH_IMAGE025
的移动台
Figure 100564DEST_PATH_IMAGE014
到达位置B的时间，如图2所示。
所述步骤B中，首先通过运用非定位分类器和接收信号强度矢量序列获取当前移动台估计位置，然后产生位置强度变量序列，之后产生累积位置强度变量序列，随之为每一位置强度选择矢量序列，最后获取人工神经网络模型需求的门限值
Figure 2012101308449100002DEST_PATH_IMAGE026
。
所述步骤B中，产生位置强度变量序列的方法为令移动矢量
Figure 619401DEST_PATH_IMAGE027
,获取在X轴上的投影值
Figure 328469DEST_PATH_IMAGE029
,获取
Figure 306658DEST_PATH_IMAGE028
在Y轴上的投影值
Figure 2012101308449100002DEST_PATH_IMAGE030
, 若，则
Figure 2012101308449100002DEST_PATH_IMAGE032
，其中，
Figure 2012101308449100002DEST_PATH_IMAGE034
,
Figure 779731DEST_PATH_IMAGE035
,
Figure 2012101308449100002DEST_PATH_IMAGE036
， 分别为北方，东方，西方，南方，
Figure 668052DEST_PATH_IMAGE037
为四维位置强度变量，
Figure 2012101308449100002DEST_PATH_IMAGE038
，
Figure 885580DEST_PATH_IMAGE039
和
Figure 2012101308449100002DEST_PATH_IMAGE040
为位置标量，若
Figure 611965DEST_PATH_IMAGE029
和
Figure 803781DEST_PATH_IMAGE030
中任一值不等于0，则令
Figure 117081DEST_PATH_IMAGE041
，
Figure 2012101308449100002DEST_PATH_IMAGE042
，a.设置东西方向：如果
Figure 475382DEST_PATH_IMAGE043
则,
Figure 259536DEST_PATH_IMAGE045
,如果
Figure DEST_PATH_IMAGE046
并且
Figure 310668DEST_PATH_IMAGE047
，则
Figure DEST_PATH_IMAGE048
,
Figure 609800DEST_PATH_IMAGE045
，如果
Figure 834108DEST_PATH_IMAGE046
并且
Figure 770971DEST_PATH_IMAGE049
，则
Figure 366907DEST_PATH_IMAGE044
,
Figure DEST_PATH_IMAGE050
，b.设置南北方向：如果
Figure 717117DEST_PATH_IMAGE051
则
Figure DEST_PATH_IMAGE052
,
Figure 119017DEST_PATH_IMAGE053
，如果，则
Figure 51124DEST_PATH_IMAGE052
,，如果
Figure 888630DEST_PATH_IMAGE054
，
Figure 392424DEST_PATH_IMAGE057
，则
Figure DEST_PATH_IMAGE058
,
Figure 631776DEST_PATH_IMAGE053
。
所述步骤B中，产生累计位置强度变量序列的方法为,令
Figure 366251DEST_PATH_IMAGE059
,
Figure DEST_PATH_IMAGE060
,…,
Figure 691053DEST_PATH_IMAGE061
为信号矢量序列, 
Figure DEST_PATH_IMAGE062
为权重值，
Figure 998538DEST_PATH_IMAGE026
为门限值，
Figure 325352DEST_PATH_IMAGE063
为位置A，
Figure DEST_PATH_IMAGE064
为位置A的位置强度变量，
Figure 60089DEST_PATH_IMAGE065
为本次累计位置强度，
Figure DEST_PATH_IMAGE066
为估计位置，
Figure 544292DEST_PATH_IMAGE067
为估计位置的信任值，当观测器接收到第一个信号矢量时，则
Figure DEST_PATH_IMAGE068
，
Figure 91685DEST_PATH_IMAGE069
，并且
Figure DEST_PATH_IMAGE070
，若观测器未接收到第一个信号矢量，则对于每一个信号矢量
Figure 413951DEST_PATH_IMAGE071
，
Figure DEST_PATH_IMAGE072
，令
Figure 257273DEST_PATH_IMAGE073
，运用
Figure DEST_PATH_IMAGE074
和
Figure 727307DEST_PATH_IMAGE063
计算位置强度变量
Figure 376594DEST_PATH_IMAGE075
，并令
Figure DEST_PATH_IMAGE076
，
Figure 179465DEST_PATH_IMAGE077
为下次累计位置强度，选择具有本次最大累计位置强度值的位置作为估计位置，并选择最大的定位置作为估计位置的信任值，如果
Figure DEST_PATH_IMAGE078
，则有
Figure 27245DEST_PATH_IMAGE079
，如果，则有
Figure 610673DEST_PATH_IMAGE081
，其中
Figure DEST_PATH_IMAGE082
为估计位置序列。
本发明的有益效果为：提供一种基于移动台方位判别和自学习模型的移动台到达目的节点时间预测的方法,实现了对移动台的高效监督和管理。
附图说明
图1为无线网络多径结构示意图；
图2为自学习模型示意图。

Claims (6)

1.提供一种无线网络中移动台到达时间预测方法，通过建立自学习模型和对移动台的方位进行判断，然后获取自学习模型所需门限值使得移动台到达目的节点的时间能够准确预测，实现了对移动台的高效监督和管理，包括如下步骤：
A、获取任一多路径中的移动台到达位置A的时间；
B、预测移动台从位置A到位置B的运动时间。
2.根据权利要求1的方法，对于所述步骤A其特征在于：位于多路径中的移动台到达位置B的时间由两部分组成，其中位置B为目的节点，即                                                ，其中
Figure 838508DEST_PATH_IMAGE002
为多路径中的移动台到达位置B的时间，
Figure 618245DEST_PATH_IMAGE003
为多路径中的移动台到达位置A的时间，为移动台从位置A到位置B的运动时间，
Figure 827827DEST_PATH_IMAGE003
为使用路径l的移动台
Figure 181448DEST_PATH_IMAGE005
到达位置A的时间，其可通过对业务数据信息的采集和记录获得。
3.根据权利要求1的方法，对于所述步骤B其特征在于：采用人工神经网络的方法对移动台从位置A到位置B的运动时间进行预测，所需的人工神经网络模型包括两部分:学习阶段和执行阶段，在学习阶段使用观测器组作为人工神经网络模型输入端和输出端的训练信号，执行阶段使用从学习阶段获得的权重值作为对移动台从位置A到位置B的运动时间进行预测的通道，其中
Figure 448481DEST_PATH_IMAGE006
为本移动台与路径集合中任意一条路径的上一移动台之间的时间间隔，上一移动台使用与本移动台相同或不同的路径，有
Figure 316260DEST_PATH_IMAGE008
，
Figure 309624DEST_PATH_IMAGE009
为路径集合
Figure 595112DEST_PATH_IMAGE007
中任一路径的上一移动台
Figure 332124DEST_PATH_IMAGE010
到达位置A的时间, 
Figure 855509DEST_PATH_IMAGE011
为本移动台与使用相同路径l的上一移动台之间的时间间隔，有，其中
Figure 58137DEST_PATH_IMAGE013
为使用路径l的上一移动台到达位置A的时间，
Figure 976731DEST_PATH_IMAGE015
为本移动台之前使用路径集合
Figure 311898DEST_PATH_IMAGE007
的多个移动台的权重平均运行时间，
Figure 821245DEST_PATH_IMAGE016
，
Figure 900060DEST_PATH_IMAGE017
，其中
Figure 398037DEST_PATH_IMAGE018
为本移动台之前的第
Figure 169684DEST_PATH_IMAGE019
个移动台从位置A至位置B的平均运行时间，
Figure 651481DEST_PATH_IMAGE020
为本移动台之前每一移动台的权重之和，
Figure 533987DEST_PATH_IMAGE021
为本移动台之前被选择的移动台的数量，
Figure 886470DEST_PATH_IMAGE022
为本移动台之前的使用路径l的移动台的从位置A至位置B的运行时间，
Figure 829019DEST_PATH_IMAGE023
，其中为使用路径
Figure 2012101308449100001DEST_PATH_IMAGE025
的移动台
Figure 218729DEST_PATH_IMAGE014
到达位置B的时间。
4.根据权利要求1的方法，对于所述步骤B其特征在于：首先通过运用非定位分类器和接收信号强度矢量序列获取当前移动台估计位置，然后产生位置强度变量序列，之后产生累积位置强度变量序列，随之为每一位置强度选择矢量序列，最后获取人工神经网络模型需求的门限值
Figure 691298DEST_PATH_IMAGE026
。
5.根据权利要求1的方法，对于所述步骤B其特征在于：产生位置强度变量序列的方法为：令移动矢量
Figure 804748DEST_PATH_IMAGE027
，获取
Figure 261137DEST_PATH_IMAGE028
在X轴上的投影值，获取
Figure 546942DEST_PATH_IMAGE028
在Y轴上的投影值
Figure 831293DEST_PATH_IMAGE030
, 若
Figure 525710DEST_PATH_IMAGE031
，则
Figure 553709DEST_PATH_IMAGE032
，其中
Figure 735292DEST_PATH_IMAGE033
、
Figure 924965DEST_PATH_IMAGE034
、和
Figure 922057DEST_PATH_IMAGE036
， 分别为北方、东方、西方和南方，
Figure 223725DEST_PATH_IMAGE037
为四维位置强度变量，
Figure 115458DEST_PATH_IMAGE038
，
Figure 502577DEST_PATH_IMAGE039
和
Figure 872378DEST_PATH_IMAGE040
为位置标量，若
Figure 762974DEST_PATH_IMAGE029
和
Figure 560028DEST_PATH_IMAGE030
中任意一值不等于0，则令
Figure 700023DEST_PATH_IMAGE041
，
Figure 873515DEST_PATH_IMAGE042
，并采取以下子步骤：a.设置东西方向，如果
Figure 884196DEST_PATH_IMAGE043
则
Figure 852152DEST_PATH_IMAGE044
，，如果
Figure 440315DEST_PATH_IMAGE046
并且
Figure 305502DEST_PATH_IMAGE047
，则
Figure 444360DEST_PATH_IMAGE048
,
Figure 558946DEST_PATH_IMAGE045
，如果
Figure 808662DEST_PATH_IMAGE046
并且
Figure 793935DEST_PATH_IMAGE049
，则
Figure 103694DEST_PATH_IMAGE044
,
Figure 705577DEST_PATH_IMAGE050
，b.设置南北方向，如果
Figure 758983DEST_PATH_IMAGE051
则
Figure 598763DEST_PATH_IMAGE052
,
Figure 79423DEST_PATH_IMAGE053
，如果，
Figure 760120DEST_PATH_IMAGE055
则
Figure 454407DEST_PATH_IMAGE052
,
Figure 105968DEST_PATH_IMAGE056
，如果
Figure 151285DEST_PATH_IMAGE054
，
Figure 828385DEST_PATH_IMAGE057
，则
Figure 377178DEST_PATH_IMAGE058
,
Figure 465219DEST_PATH_IMAGE053
。
6.根据权利要求1的方法，对于所述步骤B其特征在于：产生累计位置强度变量序列的方法为,令,
Figure 462311DEST_PATH_IMAGE060
,…,为信号矢量序列, 
Figure 655712DEST_PATH_IMAGE062
为权重值，
Figure 410042DEST_PATH_IMAGE026
为门限值，
Figure 147053DEST_PATH_IMAGE063
为位置A，
Figure 513182DEST_PATH_IMAGE064
为位置A的位置强度变量，
Figure 943026DEST_PATH_IMAGE065
为本次累计位置强度，为本移动台的估计位置，
Figure 990933DEST_PATH_IMAGE067
为本移动台的估计位置的可信度值，当观测器接收到第一个信号矢量时，则，
Figure 969571DEST_PATH_IMAGE069
，并且
Figure 229651DEST_PATH_IMAGE070
，若观测器未接收到第一个信号矢量，则对于每一个信号矢量
Figure 308465DEST_PATH_IMAGE071
，
Figure 806443DEST_PATH_IMAGE072
，令
Figure 312510DEST_PATH_IMAGE073
，运用
Figure 528728DEST_PATH_IMAGE074
和
Figure 693124DEST_PATH_IMAGE063
计算位置强度变量
Figure 45608DEST_PATH_IMAGE075
，并令
Figure 988156DEST_PATH_IMAGE076
，
Figure 426091DEST_PATH_IMAGE077
为下次累计位置强度，然后选择具有本次最大累计位置强度值的位置作为估计位置，并选择最大的定位置作为估计位置的信任值，如果，则有
Figure 850436DEST_PATH_IMAGE079
，如果
Figure 698306DEST_PATH_IMAGE080
，则有，其中
Figure 379004DEST_PATH_IMAGE082
为估计位置序列。
CN2012101308449A 2012-04-30 2012-04-30 一种无线网络中移动台到达时间预测方法 Pending CN102685765A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN2012101308449A CN102685765A (zh) 2012-04-30 2012-04-30 一种无线网络中移动台到达时间预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN2012101308449A CN102685765A (zh) 2012-04-30 2012-04-30 一种无线网络中移动台到达时间预测方法

Publications (1)

Publication Number Publication Date
CN102685765A true CN102685765A (zh) 2012-09-19

Family

ID=46816995

Family Applications (1)

Application Number Title Priority Date Filing Date
CN2012101308449A Pending CN102685765A (zh) 2012-04-30 2012-04-30 一种无线网络中移动台到达时间预测方法

Country Status (1)

Country Link
CN (1) CN102685765A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104076328A (zh) * 2013-03-29 2014-10-01 日电（中国）有限公司 信号检测的方法及装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1582584A (zh) * 2001-09-13 2005-02-16 艾尔塞奇公司 利用无线网络的操作数据提供交通信息的系统和方法
CN102165477A (zh) * 2008-09-26 2011-08-24 微软公司 预测性的地理时域广告定向
CN102314474A (zh) * 2010-06-24 2012-01-11 索尼公司 信息处理装置、信息处理系统、信息处理方法和程序

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1582584A (zh) * 2001-09-13 2005-02-16 艾尔塞奇公司 利用无线网络的操作数据提供交通信息的系统和方法
CN102165477A (zh) * 2008-09-26 2011-08-24 微软公司 预测性的地理时域广告定向
CN102314474A (zh) * 2010-06-24 2012-01-11 索尼公司 信息处理装置、信息处理系统、信息处理方法和程序

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104076328A (zh) * 2013-03-29 2014-10-01 日电（中国）有限公司 信号检测的方法及装置
CN104076328B (zh) * 2013-03-29 2016-12-28 日电（中国）有限公司 信号检测的方法及装置

Similar Documents

Publication Publication Date Title
Zhao et al. Deploying edge computing nodes for large-scale IoT: A diversity aware approach
AU2017210584B2 (en) A framework for traffic engineering in software defined networking
Ahuja et al. Network selection criterion for ubiquitous communication provisioning in smart cities for smart energy system
Sahin et al. Quality-of-service differentiation in single-path and multi-path routing for wireless sensor network-based smart grid applications
Fu et al. Sustainable multipath routing protocol for multi-sink wireless sensor networks in harsh environments
US10009794B2 (en) Framework for traffic engineering in software defined networking
CN110505153A (zh) 一种天地一体化的混合路由方法
Gurakan et al. Optimal energy and data routing in networks with energy cooperation
CN109699033B (zh) 面向成本和负载均衡的LoRa电力物联网基站部署方法及装置
CN105791169A (zh) 软件定义网络中交换机转发控制、转发方法及相关设备
Li Retracted: Design and implementation of music teaching assistant platform based on Internet of Things
CN103873364A (zh) 域间多路径路由的实现方法
CN105472484A (zh) 一种电力骨干光传输网波道均衡路由波长分配方法
Qin et al. Service-aware resource orchestration in ultra-dense LEO satellite-terrestrial integrated 6G: A service function chain approach
CN115632939A (zh) 一种实现算力网络多目标达成的自动选网选路的方法
Souza et al. Developing smart grids based on GPRS and ZigBee technologies using queueing modeling–based optimization algorithm
CN105794156A (zh) 通信系统、通信方法、网络信息组合装置以及网络信息组合程序
CN106105282B (zh) 利用链路缓冲区状态进行流量工程的系统和方法
CN105207905B (zh) 路由选择方法和装置
Zhou et al. A cloud-edge collaboration CNN-based routing method for ISAC in LEO satellite networks
CN116827846A (zh) 路由、路由路径、多播路由路径决策方法及电子设备
Meng et al. Intelligent routing orchestration for ultra-low latency transport networks
CN102685765A (zh) 一种无线网络中移动台到达时间预测方法
RU2015127823A (ru) Способы и устройства для маршрутизации сообщений с использованием стволовых ресурсов ячеистых сетей радиодоступа
Liu et al. Throughput optimization for flying ad hoc network based on position control using genetic algorithm

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C02 Deemed withdrawal of patent application after publication (patent law 2001)
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20120919