CN105050170A - 一种异构网络中基于流量预测的基站休眠方法 - Google Patents
一种异构网络中基于流量预测的基站休眠方法 Download PDFInfo
- Publication number
- CN105050170A CN105050170A CN201510387707.7A CN201510387707A CN105050170A CN 105050170 A CN105050170 A CN 105050170A CN 201510387707 A CN201510387707 A CN 201510387707A CN 105050170 A CN105050170 A CN 105050170A
- Authority
- CN
- China
- Prior art keywords
- base station
- mwnn
- model
- data
- micro
- 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
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W52/00—Power management, e.g. TPC [Transmission Power Control], power saving or power classes
- H04W52/02—Power saving arrangements
- H04W52/0203—Power saving arrangements in the radio access network or backbone network of wireless communication networks
- H04W52/0206—Power saving arrangements in the radio access network or backbone network of wireless communication networks in access points, e.g. base stations
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W52/00—Power management, e.g. TPC [Transmission Power Control], power saving or power classes
- H04W52/02—Power saving arrangements
-
- 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)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明涉及一种异构网络中基于流量预测的基站休眠方法,针对传统的基站休眠方法基于确定的流量模型设计,无法适应实际中基站负载流量动态变化的缺点,本发明首先利用改进的小波神经网络(Modified?Wavelet?neural?network,MWNN)模型对基站的负载流量进行动态预测,然后根据预测的结果选择在网络非高峰期时,利用微基站(Pico?Base?Stations,PBSs)代替宏基站(Macro?Base?Station,MBS)为用户提供服务。尽管微基站的覆盖范围小于宏基站,但是当用户数量处于非高峰期时,一定数量的微基站的覆盖范围依旧可以保证对用户的服务。而且由于微基站所需的发射功率要远小于宏基站的发射功率,因此该方法可以节省网络能耗,达到绿色通信的目的。
Description
技术领域
本发明属于无线通信技术领域,涉及一种能够降低无线通信系统能耗的基站休眠方法,更具体的说提出了一种异构网络中基于流量预测的基站休眠方法。
背景技术
随着无线通信技术的快速发展以及用户需求的快速增长,未来的无线通信与网络技术面临着资源和能耗的双重约束。如何设计未来的移动通信网络,有效的利用无线资源成为政府以及学术界普遍关注的热点。
信息和通信技术(InformationandCommunicationTechnology,ICT)产业是能源消耗的大户,占全球能源消耗的2%左右,并且正在迅速增长,预计到2020年将会达到现在的3倍,占到全球碳排放量总数的30%以上。另据统计,在移动通信系统中,网络部分的能耗约占到实际能源消耗的90%,终端部分的能耗仅占10%左右;而在全部的网络能耗中,基站部分的能耗可以占80%左右,核心网部分仅约占20%。由此可见,减少基站能源消耗可以大幅度降低网络能耗,而在网络处于非高峰期时,动态休眠一些基站是一种最直接、最有效的手段。
但在实际中,使一些基站进入休眠或关闭状态可能会导致一些区域的用户无法被服务,这是不允许的。另外,一些传统的基站休眠方法基于确定的流量模型提出,无法适应实际中基站负载流量是动态变化的情况。
发明内容
为了解决上述问题,本发明提供了一种在异构网络中基于流量预测的基站休眠方法。该方法利用改进的小波神经网络模型根据基站流量历史信息,对基站流量进行动态预测,然后根据流量预测结果选择是否休眠宏基站,从而利用微基站对用户进行服务,达到节省网络能耗的目的。
本发明的技术方案为:首先初始化搭建改进的小波神经网络模型,利用采集到的基站流量信息对MWNN模型进行训练,以达到设定的目标预测误差精度,然后利用训练完成的MWNN模型和所需要的历史基站流量信息对未来的基站流量进行预测,选择在非用户高峰期时,休眠宏基站利用微基站提供用户服务。
为实现上述目的,本发明具体包括以下步骤:
(1)收集一个宏小区(宏基站提供用户服务)内一周的基站负载流量数据,并且以小时为间隔,每小时记录一次数据。并且将前六天的数据作为训练数据用来训练构造MWNN模型,后一天的数据作为测试数据,用来测试构建的MWNN模型是否达到目标预测误差精度。
(2)搭建MWNN模型,并且初始化参数设置。所述的参数包括,MWNN模型的输入层神经元数目m,隐含层神经元数目h以及输出层神经元的数目n。其中,MWNN隐含层神经元的小波基函数为Morlet母小波基函数:
式中,x为输入数据X=[x1,x2,…,xm]T。MWNN的第j个隐含层神经元输出为
其中,wij表示MWNN第i个输入神经元与第j个隐含层神经元之间的连接权值,aj和bj分别为第j个Morlet小波基函数的伸缩因子和平移因子。MWNN的第k个输出层神经元预测输出为
其中,vjk表示第j个隐含层神经元与第k个输出神经元之间的连接权值。
(3)利用训练数据来训练MWNN模型,设定目标预测误差精度为0.01。MWNN模型的预测误差公式表示为
其中y’(k)表示实际数据。在训练过程中,MWNN通过不断调整小波基函数的伸缩因子和平移因子aj,bj,以及输入神经元与隐含层神经元之间的连接权值wij,隐含层神经元与输出层神经元之间的连接权值vjk的值,以使error达到设定目标预测误差精度,完成MWNN模型的训练和搭建。
(4)利用测试数据验证训练构造的MWNN模型已达到目标预测精度。
(5)利用MWNN模型以及相应的历史数据采用滚动式预测的方式,即利用x(t-3),x(t-2),x(t-1),x(t)预测x(t+1),然后用同样的方法预测x(t+2)的方式对宏小区的基站负载流量进行预测,判断宏基站是否处于用户高峰期。
(6)如果此时宏小区处于非高峰期,则将宏基站休眠,利用微基站进行用户服务,以节省能量消耗,达到绿色通信的目的。
在步骤(3)中,MWNN改进了传统的在调整小波基函数的伸缩因子和平移因子aj和bj,以及各层神经元之间连接权值wij以及vjk时所采用的梯度下降法,而是在梯度下降法的基础上增加动量调整因子,使得神经网络在调整过程中不仅考虑预测误差在梯度上的影响,而且考虑预测误差在误差表面变化趋势的影响。具体方法为:
其中u和η分别表示wij,vjk以及aj,bj的学习速率,α∈(0,1)表示动量调整因子。
在步骤(6)中,根据改进的小波神经网络的预测结果,当宏小区处于非高峰期时,宏基站将处于休眠状态,宏小区内用户将选择离自己最近的一个微基站接入,同时设定参数△以判断该用户是否可以接入此微基站
△=Pmax(j)-Pout(j)-Pol(j)
其中,Pmax(j)和Pout(j)分别表示微基站j最大可发射功率和实际发射功率,Pol(j)表示由于该用户的接入微基站j需要额外增加的发射功率。若△≥0,则该用户可以接入此微基站,如果△<0,则该用户选择离自己第二近的微基站接入,按此方法,直到找到可以接入的微基站为自己提供服务。
本发明的有益效果为:首先将小波神经网络进行改进和优化,提高了小波神经网络的收敛速度,然后利用改进的小波神经网络对基站的流量进行动态预测,最后根据MWNN的预测结果,选择在网络处于非高峰期时,将宏基站休眠利用微基站提供用户服务。解决了传统的基站休眠方法建立在确定的流量模型基础上,无法适应实际中基站负载流量动态变化的缺点,同时降低了网络的能量消耗,达到了绿色通信的目的。
附图说明
图1为基于流量预测的基站休眠方法的多小区系统模型示意图;
图2为本发明的一个实例的流程图;
图3为小波神经网络的拓扑结构示意图;
图4表示改进的小波神经网络在训练过程中预测达到目标预测误差精度的收敛过程仿真图;
图5表示利用改进的小波神经网络对基站流量进行预测的结果与实际流量数据的对比仿真图;
图6表示在非高峰期时,利用微基站代替宏基站提供用户服务时,以及当高峰期时,依旧利用宏基站提供用户服务的功率消耗对比仿真图。
具体实施方式
为了更详细的介绍本发明的技术内容,特举具体实例并配合所附图说明如下。本实例的主要功能是建立达到目标预测精度的MWNN模型,然后利用建立的MWNN模型预测基站的流量数据,选择在非高峰期时,将宏基站休眠而用微基站提供用户服务,以达到节省网络能量消耗的目的。
如图1所示,假设每个宏小区可以分为六个扇区,每个扇区内均匀分布有三个微基站(如宏基站覆盖半径为1800米,微基站覆盖半径为100米,微基站的最大发送功率为0.13W,宏基站的固定消耗功率为100W,微基站的固定消耗功率为6W)。
当小区中用户数或业务量较少时,宏基站将进入休眠状态,利用微基站为用户提供服务,用户选择最近的微基站接入,如果无法接入则选择第二近的微基站接入,按此方法,直到找到可以为其提供服务的微基站。如图2所示,本实例具体包括以下步骤:
第一步,收集一个宏小区(宏基站提供用户服务)内一周的基站负载流量数据,并且以小时为间隔,每小时记录一次数据。并且将前六天的数据作为训练数据用来训练构造MWNN模型,后一天的数据作为测试数据,用来测试构建的MWNN模型是否达到目标预测误差精度。
第二步,搭建MWNN模型,并且初始化参数设置。所述的参数包括,MWNN模型的输入层神经元数目m,在此次实例中我们选取m=4;隐含层神经元数目h以及输出层神经元的数目n,在此次实例中,我们分别选取h=9,n=1。其中,MWNN隐含层神经元的小波基函数为Morlet母小波基函数:
其中,x为输入数据X=[x1,x2,…,xm]T。MWNN的第j个隐含层神经元输出为
其中,wij表示MWNN第i个输入神经元与第j个隐含层神经元之间的连接权值,aj和bj分别为第j个Morlet小波基函数的伸缩因子和平移因子。MWNN的第k个输出层神经元预测输出为
其中,vjk表示第j个隐含层神经元与第k个输出神经元之间的连接权值。
第三步,利用训练数据来训练MWNN模型,设定目标预测误差精度为0.01。MWNN模型的预测误差公式表示为
其中y’(k)表示实际数据。在训练过程中,MWNN通过在梯度下降法的基础上增加动量项的方法不断调整小波基函数的伸缩因子和平移因子aj,bj,以及输入神经元与隐含层神经元之间的连接权值wij,隐含层神经元与输出层神经元之间的连接权值vjk的值,以使error达到设定目标预测误差精度,完成MWNN模型的训练和搭建。
第四步,利用测试数据验证训练构造的MWNN模型已达到目标预测精度。
第五步,利用MWNN模型以及相应的历史数据采用滚动式预测的方式,即利用x(t-3),x(t-2),x(t-1),x(t)预测x(t+1),然后用同样的方法预测x(t+2)的方式对宏小区的基站负载流量进行预测,判断宏基站是否处于用户高峰期。
第六步,如果此时宏小区处于非高峰期,则将宏基站休眠,利用微基站进行用户服务,以节省能量消耗,达到绿色通信的目的。
其中,小波神经网络的拓扑结构如图3所示,其是一种以反向传播(BackPropagation,BP)神经网络拓扑结构为基础,把Morlet小波基函数作为隐含层节点的传递函数,信号前向传播的同时误差反向传播的一种神经网络。它包括三层,分别是输入层,隐含层和输出层。
如图4和图5所示分别为MWNN模型在训练过程中,预测误差达到目标预测精度所用的步数与传统的小波神经网络(Waveletneuralnetwork,WNN)的对比,以及训练完成后MWNN的预测数据与真实数据的对比示意图。从图中可以看出,改进的小波神经网络收敛速度较之改进前更快,而且训练完成的MWNN预测准确性很高。
如图6所示,在MWNN可以进行准确预测流量的前提下,我们可以判断网络处于非高峰期的时间,例如(1:00-9:00和21:00-24:00时间段),我们可以利用微基站来代替宏基站提供用户服务,从而获得较大的能量节省;而在高峰期时,仍然利用宏基站进行服务。
虽然本发明已以较佳实施例揭露如上,然其并非用以限定本发明。本发明所属技术领域中具有通常知识者,在不脱离本发明的精神和范围内,当可作各种的更动与润饰。因此,本发明的保护范围当视权利要求书所界定者为准。
Claims (3)
1.一种异构网络中基于流量预测的基站休眠方法,其特征是包括如下步骤:
1)收集一个宏小区内一周的基站负载流量数据,以小时为间隔,每小时记录一次数据,并且将前六天的数据作为训练数据用来训练构造改进的小波神经网络MWNN模型,后一天的数据作为测试数据,用来测试构建的MWNN模型是否达到目标预测误差精度,其中,宏基站提供用户服务;
2)搭建MWNN模型,并且初始化参数设置;所述的参数包括,MWNN模型的输入层神经元数目m,隐含层神经元数目h以及输出层神经元的数目n;其中,MWNN隐含层神经元的小波基函数为Morlet母小波基函数:
式中,x为输入数据X=[x1,x2,…,xm]T,MWNN的第j个隐含层神经元输出为
其中,wij表示MWNN第i个输入神经元与第j个隐含层神经元之间的连接权值,aj和bj分别为第j个Morlet小波基函数的伸缩因子和平移因子,MWNN的第k个输出层神经元预测输出为
其中,vjk表示第j个隐含层神经元与第k个输出神经元之间的连接权值;
3)利用训练数据来训练MWNN模型,设定目标预测误差精度为0.01;MWNN模型的预测误差公式表示为
其中y’(k)表示实际数据。在训练过程中,MWNN通过不断调整小波基函数的伸缩因子和平移因子aj,bj,以及输入神经元与隐含层神经元之间的连接权值wij,隐含层神经元与输出层神经元之间的连接权值vjk的值,以使误差error达到设定目标预测误差精度,完成MWNN模型的训练和搭建;
4)利用测试数据验证训练构造的MWNN模型已达到目标预测精度;
5)利用MWNN模型以及相应的历史数据采用滚动式预测的方式,即利用x(t-3),x(t-2),x(t-1),x(t)预测x(t+1),然后用同样的方法预测x(t+2)的方式对宏小区的基站负载流量进行预测,判断宏基站是否处于用户高峰期;
6)如果此时宏小区处于非高峰期,则将宏基站休眠,利用微基站进行用户服务。
2.根据权利要求1中所述的基于流量预测的基站休眠方法,其特征在于,在所述步骤3)具体方法为:
其中u和η分别表示wij,vjk以及aj,bj的学习速率,α∈(0,1)表示动量调整因子。
3.根据权利要求1中所述的基于流量预测的基站休眠方法,其特征在于,在所述步骤6)中,当宏小区处于非高峰期时,宏基站将处于休眠状态,宏小区内用户将选择离自己最近的一个微基站接入,同时设定参数Δ以判断该用户是否可以接入此微基站
Δ=Pmax(j)-Pout(j)-Pol(j)
其中,Pmax(j)和Pout(j)分别表示微基站j最大可发射功率和实际发射功率,Pol(j)表示由于该用户的接入微基站j需要额外增加的发射功率;若Δ≥0,则该用户可以接入此微基站,如果Δ<0,则该用户选择离自己第二近的微基站接入,按此方法,直到找到可以为自己提供服务的微基站。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510387707.7A CN105050170B (zh) | 2015-06-30 | 2015-06-30 | 一种异构网络中基于流量预测的基站休眠方法 |
PCT/CN2016/073261 WO2017000557A1 (zh) | 2015-06-30 | 2016-02-03 | 一种异构网络中基于流量预测的基站休眠方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510387707.7A CN105050170B (zh) | 2015-06-30 | 2015-06-30 | 一种异构网络中基于流量预测的基站休眠方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105050170A true CN105050170A (zh) | 2015-11-11 |
CN105050170B CN105050170B (zh) | 2019-02-05 |
Family
ID=54456259
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510387707.7A Active CN105050170B (zh) | 2015-06-30 | 2015-06-30 | 一种异构网络中基于流量预测的基站休眠方法 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN105050170B (zh) |
WO (1) | WO2017000557A1 (zh) |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105578579A (zh) * | 2016-03-02 | 2016-05-11 | 桂林电子科技大学 | 基于业务流量预测的蜂窝网基站和中继站联合休眠调度方法 |
CN105592536A (zh) * | 2016-01-27 | 2016-05-18 | 重庆邮电大学 | 5g网络中动态开启/关闭微蜂窝的节能方法 |
WO2017000557A1 (zh) * | 2015-06-30 | 2017-01-05 | 东南大学 | 一种异构网络中基于流量预测的基站休眠方法 |
CN106879057A (zh) * | 2017-03-06 | 2017-06-20 | 武汉中天元科技有限公司 | 一种5g无线网络智能化节能方法 |
CN107493583A (zh) * | 2017-06-29 | 2017-12-19 | 南京邮电大学 | 一种基于多斜率在线博弈的价格感知用户的调度算法 |
CN107548120A (zh) * | 2017-08-11 | 2018-01-05 | 北京航空航天大学 | 临空通信网络的路由方法和装置 |
CN107567079A (zh) * | 2017-08-11 | 2018-01-09 | 武汉大学 | 一种移动互联网数据驱动的基站节能方法 |
CN107734534A (zh) * | 2016-08-10 | 2018-02-23 | 中国移动通信集团黑龙江有限公司 | 一种网络负荷评估方法及装置 |
CN108234198A (zh) * | 2017-12-19 | 2018-06-29 | 清华大学 | 一种基站流量预测方法和设备 |
CN108834079A (zh) * | 2018-09-21 | 2018-11-16 | 北京邮电大学 | 一种在异构网络中基于移动性预测的负载均衡优化方法 |
CN109862585A (zh) * | 2019-01-31 | 2019-06-07 | 湖北工业大学 | 一种基于深度时空神经网络的动态异构网络流量预测方法 |
CN112862141A (zh) * | 2019-11-27 | 2021-05-28 | 深圳市万普拉斯科技有限公司 | 基于休眠数据的电量优化方法、装置和计算机设备 |
CN112954715A (zh) * | 2021-02-01 | 2021-06-11 | 福州大学 | 基于迁移学习的无线服务节点容量估计方法 |
CN113099520A (zh) * | 2021-03-19 | 2021-07-09 | 杭州电子科技大学 | 一种基于迟滞噪声混沌神经网络的基站休眠方法 |
CN113537511A (zh) * | 2021-07-14 | 2021-10-22 | 中国科学技术大学 | 一种自动梯度量化的联邦学习框架和方法 |
CN114125932A (zh) * | 2020-09-01 | 2022-03-01 | 中国移动通信集团湖南有限公司 | 数据分流的方法、装置及网络设备 |
CN114126019A (zh) * | 2021-11-30 | 2022-03-01 | 北京邮电大学 | 一种基于能效优化的前传光网络动态资源映射方法及系统 |
CN114630356A (zh) * | 2020-12-11 | 2022-06-14 | 中移(成都)信息通信科技有限公司 | 一种基站确定方法、装置、设备及存储介质 |
WO2022179339A1 (zh) * | 2021-02-24 | 2022-09-01 | 华为技术有限公司 | 一种功率调整方法以及网络管理服务器 |
CN117156529A (zh) * | 2023-11-01 | 2023-12-01 | 唐人通信技术服务股份有限公司 | 一种基站供电管理方法及系统 |
Families Citing this family (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110621026B (zh) * | 2019-02-18 | 2023-09-05 | 北京航空航天大学 | 一种基站流量多时刻预测方法 |
CN110245413A (zh) * | 2019-06-11 | 2019-09-17 | 西北工业大学 | 一种基于神经网络的超材料吸波结构的设计方法 |
CN110381524B (zh) * | 2019-07-15 | 2022-12-20 | 安徽理工大学 | 基于Bi-LSTM的大场景移动流量在线预测方法、系统及存储介质 |
CN110598171B (zh) * | 2019-08-15 | 2022-10-25 | 辽宁科技学院 | 基于Shannon熵-能量比的小波神经网络卫星钟差预报方法 |
CN111741483B (zh) * | 2019-10-29 | 2022-08-09 | 青岛科技大学 | 移动通信系统的中断概率性能预测方法 |
CN111695230B (zh) * | 2019-12-31 | 2023-05-02 | 天津工业大学 | 一种用于微波无源器件的神经网络空间映射多物理建模方法 |
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系统 |
US20230102489A1 (en) * | 2021-09-07 | 2023-03-30 | Samsung Electronics Co., Ltd. | Method of load forecasting via knowledge distillation, and an apparatus for the same |
US11750719B2 (en) | 2021-10-06 | 2023-09-05 | Samsung Electronics Co., Ltd. | Method of performing communication load balancing with multi-teacher reinforcement learning, and an apparatus for the same |
CN114189877B (zh) * | 2021-12-06 | 2023-09-15 | 天津大学 | 一种面向5g基站的复合式能耗优化控制方法 |
CN114347018B (zh) * | 2021-12-20 | 2024-04-16 | 上海大学 | 一种基于小波神经网络的机械臂扰动补偿方法 |
CN114338834B (zh) * | 2021-12-29 | 2023-11-03 | 重庆邮电大学 | 基于流量预测的智能工业协议转换系统及方法 |
CN114760677B (zh) * | 2022-04-20 | 2023-04-07 | 中国移动通信集团广东有限公司 | 微站室分场景的节能方法 |
CN114867090B (zh) * | 2022-05-06 | 2024-04-02 | 东南大学 | 一种基于lstm无监督学习的udn基站休眠与功率分配联合优化方法 |
CN115051864B (zh) * | 2022-06-21 | 2024-02-27 | 郑州轻工业大学 | 基于pca-mf-wnn的网络安全态势要素提取方法及系统 |
CN116976221B (zh) * | 2023-08-10 | 2024-05-17 | 西安理工大学 | 基于冲蚀特性的堰塞体溃决峰值流量预测方法及存储介质 |
CN117156484B (zh) * | 2023-10-30 | 2024-01-26 | 江西科技学院 | 一种基于5g技术的通信基站能耗分析系统和方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101729315A (zh) * | 2009-12-24 | 2010-06-09 | 北京邮电大学 | 一种基于小波包分解和模糊神经网络的网络流量预测方法及装置 |
WO2014036710A1 (en) * | 2012-09-06 | 2014-03-13 | Broadcom Corporation | Method and apparatus of energy saving in radio access networks |
CN104581904A (zh) * | 2014-12-24 | 2015-04-29 | 南京邮电大学 | 异构蜂窝网络中一种基于节能的基站休眠方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103384362B (zh) * | 2013-07-05 | 2016-05-25 | 中国联合网络通信集团有限公司 | 业务承载方法、移动性管理实体和微基站 |
CN105050170B (zh) * | 2015-06-30 | 2019-02-05 | 东南大学 | 一种异构网络中基于流量预测的基站休眠方法 |
-
2015
- 2015-06-30 CN CN201510387707.7A patent/CN105050170B/zh active Active
-
2016
- 2016-02-03 WO PCT/CN2016/073261 patent/WO2017000557A1/zh active Application Filing
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101729315A (zh) * | 2009-12-24 | 2010-06-09 | 北京邮电大学 | 一种基于小波包分解和模糊神经网络的网络流量预测方法及装置 |
WO2014036710A1 (en) * | 2012-09-06 | 2014-03-13 | Broadcom Corporation | Method and apparatus of energy saving in radio access networks |
CN104581904A (zh) * | 2014-12-24 | 2015-04-29 | 南京邮电大学 | 异构蜂窝网络中一种基于节能的基站休眠方法 |
Non-Patent Citations (1)
Title |
---|
陈振伟等: ""一种改进的小波神经网络的网络流量预测方法"", 《皖西学院学报》 * |
Cited By (33)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017000557A1 (zh) * | 2015-06-30 | 2017-01-05 | 东南大学 | 一种异构网络中基于流量预测的基站休眠方法 |
CN105592536A (zh) * | 2016-01-27 | 2016-05-18 | 重庆邮电大学 | 5g网络中动态开启/关闭微蜂窝的节能方法 |
CN105578579B (zh) * | 2016-03-02 | 2018-12-04 | 桂林电子科技大学 | 基于业务流量预测的蜂窝网基站和中继站联合休眠调度方法 |
CN105578579A (zh) * | 2016-03-02 | 2016-05-11 | 桂林电子科技大学 | 基于业务流量预测的蜂窝网基站和中继站联合休眠调度方法 |
CN107734534A (zh) * | 2016-08-10 | 2018-02-23 | 中国移动通信集团黑龙江有限公司 | 一种网络负荷评估方法及装置 |
CN107734534B (zh) * | 2016-08-10 | 2020-10-30 | 中国移动通信集团黑龙江有限公司 | 一种网络负荷评估方法及装置 |
CN106879057A (zh) * | 2017-03-06 | 2017-06-20 | 武汉中天元科技有限公司 | 一种5g无线网络智能化节能方法 |
CN107493583A (zh) * | 2017-06-29 | 2017-12-19 | 南京邮电大学 | 一种基于多斜率在线博弈的价格感知用户的调度算法 |
CN107493583B (zh) * | 2017-06-29 | 2020-09-25 | 南京邮电大学 | 一种基于多斜率在线博弈的价格感知用户的调度算法 |
CN107567079A (zh) * | 2017-08-11 | 2018-01-09 | 武汉大学 | 一种移动互联网数据驱动的基站节能方法 |
CN107548120A (zh) * | 2017-08-11 | 2018-01-05 | 北京航空航天大学 | 临空通信网络的路由方法和装置 |
CN107548120B (zh) * | 2017-08-11 | 2020-07-03 | 北京航空航天大学 | 临空通信网络的路由方法和装置 |
CN107567079B (zh) * | 2017-08-11 | 2019-08-02 | 武汉大学 | 一种移动互联网数据驱动的基站节能方法 |
CN108234198A (zh) * | 2017-12-19 | 2018-06-29 | 清华大学 | 一种基站流量预测方法和设备 |
CN108234198B (zh) * | 2017-12-19 | 2020-07-07 | 清华大学 | 一种基站流量预测方法和设备 |
CN108834079A (zh) * | 2018-09-21 | 2018-11-16 | 北京邮电大学 | 一种在异构网络中基于移动性预测的负载均衡优化方法 |
CN109862585B (zh) * | 2019-01-31 | 2022-04-19 | 湖北工业大学 | 一种基于深度时空神经网络的动态异构网络流量预测方法 |
CN109862585A (zh) * | 2019-01-31 | 2019-06-07 | 湖北工业大学 | 一种基于深度时空神经网络的动态异构网络流量预测方法 |
CN112862141A (zh) * | 2019-11-27 | 2021-05-28 | 深圳市万普拉斯科技有限公司 | 基于休眠数据的电量优化方法、装置和计算机设备 |
CN112862141B (zh) * | 2019-11-27 | 2024-04-16 | 深圳市万普拉斯科技有限公司 | 基于休眠数据的电量优化方法、装置和计算机设备 |
CN114125932A (zh) * | 2020-09-01 | 2022-03-01 | 中国移动通信集团湖南有限公司 | 数据分流的方法、装置及网络设备 |
CN114125932B (zh) * | 2020-09-01 | 2023-08-15 | 中国移动通信集团湖南有限公司 | 数据分流的方法、装置及网络设备 |
CN114630356B (zh) * | 2020-12-11 | 2024-02-27 | 中移(成都)信息通信科技有限公司 | 一种基站确定方法、装置、设备及存储介质 |
CN114630356A (zh) * | 2020-12-11 | 2022-06-14 | 中移(成都)信息通信科技有限公司 | 一种基站确定方法、装置、设备及存储介质 |
CN112954715A (zh) * | 2021-02-01 | 2021-06-11 | 福州大学 | 基于迁移学习的无线服务节点容量估计方法 |
WO2022179339A1 (zh) * | 2021-02-24 | 2022-09-01 | 华为技术有限公司 | 一种功率调整方法以及网络管理服务器 |
CN113099520A (zh) * | 2021-03-19 | 2021-07-09 | 杭州电子科技大学 | 一种基于迟滞噪声混沌神经网络的基站休眠方法 |
CN113537511B (zh) * | 2021-07-14 | 2023-06-20 | 中国科学技术大学 | 一种自动梯度量化的联邦学习装置和方法 |
CN113537511A (zh) * | 2021-07-14 | 2021-10-22 | 中国科学技术大学 | 一种自动梯度量化的联邦学习框架和方法 |
CN114126019A (zh) * | 2021-11-30 | 2022-03-01 | 北京邮电大学 | 一种基于能效优化的前传光网络动态资源映射方法及系统 |
CN114126019B (zh) * | 2021-11-30 | 2024-04-23 | 北京邮电大学 | 一种基于能效优化的前传光网络动态资源映射方法及系统 |
CN117156529A (zh) * | 2023-11-01 | 2023-12-01 | 唐人通信技术服务股份有限公司 | 一种基站供电管理方法及系统 |
CN117156529B (zh) * | 2023-11-01 | 2024-01-16 | 唐人通信技术服务股份有限公司 | 一种基站供电管理方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN105050170B (zh) | 2019-02-05 |
WO2017000557A1 (zh) | 2017-01-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105050170A (zh) | 一种异构网络中基于流量预测的基站休眠方法 | |
WO2021169577A1 (zh) | 一种基于加权联邦学习的无线业务流量预测方法 | |
CN101860885B (zh) | 基于神经网络和模糊逻辑的接入网络选择方法 | |
CN104394535B (zh) | 面向协作通信的基站规划方法 | |
CN108123828B (zh) | 一种基于接入用户移动性预测的超密集网络资源分配方法 | |
CN103108382B (zh) | 一种基于网络层次分析法的异构网络多属性决策方法 | |
Ma et al. | Context-aware proactive 5G load balancing and optimization for urban areas | |
CN103632212A (zh) | 一种时变用户均衡动态网络演化客流预测系统和方法 | |
CN103781148A (zh) | 车载自组织网络中基于链路感知的稳定成簇路由方法 | |
CN101784061B (zh) | 无线接入网的自主负载均衡的实现方法与装置 | |
CN108134979B (zh) | 基于深度神经网络的小基站开关控制方法 | |
CN101541016A (zh) | 数据预测方法和设备 | |
CN114422349B (zh) | 基于云边端协同的深度学习模型训练和推理架构部署方法 | |
CN105578579A (zh) | 基于业务流量预测的蜂窝网基站和中继站联合休眠调度方法 | |
CN112422171A (zh) | 环境不确定遥感卫星网络下的智能资源联合调度方法 | |
CN114071661A (zh) | 一种基站节能控制方法和装置 | |
CN104822162A (zh) | 一种混合能源网络中的绿色基站分流方法及装置 | |
CN105916198A (zh) | 一种异构网络中基于能效公平的资源分配和功率控制方法 | |
CN115066006A (zh) | 一种基于强化学习的基站休眠方法、设备和介质 | |
CN114885340A (zh) | 一种基于深度迁移学习的超密集无线网络功率分配方法 | |
CN104159279A (zh) | 一种基于能效准则的基站及中继开/关选择系统及方法 | |
CN104135743A (zh) | 一种lte-a蜂窝网络中基于缓存控制的资源分配方法 | |
CN105246124A (zh) | 一种异构无线网络联合接纳控制方法 | |
Dai et al. | Multi-objective intelligent handover in satellite-terrestrial integrated networks | |
CN102711178B (zh) | 基于用户需求和网络负载均衡的群体联合接纳控制方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: 210009 No. 87 Dingjiaqiao, Gulou District, Nanjing City, Jiangsu Province Applicant after: Southeast University Address before: 210096 No. four archway, 2, Jiangsu, Nanjing Applicant before: Southeast University |
|
GR01 | Patent grant | ||
GR01 | Patent grant |