CN108063802A - 基于边缘计算的用户位置动态性建模优化方法 - Google Patents
基于边缘计算的用户位置动态性建模优化方法 Download PDFInfo
- Publication number
- CN108063802A CN108063802A CN201711246137.5A CN201711246137A CN108063802A CN 108063802 A CN108063802 A CN 108063802A CN 201711246137 A CN201711246137 A CN 201711246137A CN 108063802 A CN108063802 A CN 108063802A
- Authority
- CN
- China
- Prior art keywords
- edge calculations
- user
- node
- calculations node
- representative
- 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
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/50—Network services
- H04L67/52—Network services specially adapted for the location of the user terminal
Abstract
本发明公开了一种基于边缘计算的用户位置动态性建模优化方法,考虑5G环境下边缘计算节点的密度和边缘计算节点的优点,利用马尔科夫模型和用户访问位置关联性模型对用户访问位置进行预测。首先本发明中的边缘计算节点的位置是可由自身得到的,并且自身具有计算、存储、定位功能,从而使用户位置预测速度更快,效率更高。本发明产生的基于边缘计算的用户动态性建模优化简单而易于实现,具有很好的应用前景。
Description
技术领域
本发明涉及一种基于边缘计算的用户位置动态性建模优化方法,属于无线通信技术领域。
背景技术
随着无线通信技术的迅猛发展,以及用户需求的日益多样化,支持高速率、低时延、海量设备连接的第五代移动通信(5G)技术应运而生。5G网络可看作是由分层的网络构成,因此,5G网络的资源分配问题变得更加复杂。5G网络的传输可分为接入和回程两个阶段。其中,回程网络主要承担核心网和接入网之间的通信任务,是基站控制器和基站之间的信息传输网络。在5G网络中,为了应对流量的爆炸性增长,Femtocell、Picocell、Microcell等小基站的部署会具有超密集、随机等特点,使得为小基站提供费用低、高质量的回程连接成为一种挑战。
目前,对5G环境下的无线回程研究主要集中在部署成本、传输速率、无线传输技术以及回程结点部署等方面。却忽略了,在小基站的无线回程网络中引入回程聚集节点的同时,使得,相比与直接连接到宏基站络进行传输,无线回程增加了一次无线传输,这就导致了整体时延的增加。因此,在对回程链路进行优化时,需要将时延问题一同进行分析,以便提高网络系统的性能。
发明内容
针对上述技术问题,本发明提供基于边缘计算的用户位置动态性建模优化方法。
本发明为解决上述技术问题采用以下技术方案:
本发明提供基于边缘计算的用户位置动态性建模优化方法,该方法的具体步骤如下:
第一步:根据用户历史访问记录,确定有效停留点;
第二步:根据停留点内的边缘计算节点分布情况,确定代表性边缘计算节点;
第三步:利用线段树对用户访问位置进行划分,搜索用户的初始位置;
第四步:利用马尔科夫模型,根据用户的历史访问记录生成初始状态的位置转移概率矩阵,结合用户的初始位置对用户访问位置进行预测;
第五步:利用用户访问位置关联性模型对用户访问位置进行预测,并与马尔科夫模型的预测结果相结合,得到用户访问位置的最终预测结果。
作为本发明的进一步技术方案,第一步中所述有效停留点为一个用户在其停留时间超过阈值t且其半径小于阈值d的地理位置区域。
作为本发明的进一步技术方案,第二步具体为:对任意有效停留点,若该有效停留点中包括边缘计算节点,则该有效停留点的代表性边缘计算节点为最接近该有效停留点中心位置的边缘计算节点;若该有效停留点中不包括边缘计算节点,则将该有效停留点与距其最近的有效停留点合并,且距其最近的有效停留点中包括边缘计算节点,距其最近的有效停留点的代表性边缘计算节点即为合并后的有效停留点的代表性边缘计算节点;将代表性边缘计算节点作为用户访问位置的代表,则用户访问位置的集合即为相应的代表性边缘计算节点集合。
作为本发明的进一步技术方案,第三步中线段树为一种二叉搜索树,树的根节点为用户历史访问记录的活动区域,叶节点为第二步中确定的代表性边缘计算节点。
作为本发明的进一步技术方案,第四步具体为:
(a)确定马尔科夫模型中的位置集合,即为第二步中的用户访问位置的集合E,E=(e1,e2,…en),ei为第i个代表性边缘计算节点,n为代表性边缘计算节点个数;
(b)根据用户在l时刻的位置转移概率矩阵P,得到l+t时刻的用户访问位置状态矩阵P(l+t),其中,P(l+1)=P(l)×P,P(l+1)为用l+1时刻的用户访问位置状态矩阵;P(l)为l时刻的用户访问位置状态矩阵,P(l)是一个1×n矩阵,若用户在l时刻位于代表性边缘计算节点ei代表的访问位置则P(l)中的第i个元素值为1,其余元素值为0; 为用户从代表性边缘计算节点ei代表的访问位置出发到代表性边缘计算节点ej代表的访问位置的概率,m为用户从代表性边缘计算节点ei代表的访问位置出发到其余位置的总次数。
作为本发明的进一步技术方案,第五步具体为:
(1)用户访问位置关联性模型为:
其中,W(Bm,Bn)为边缘计算节点Bg和边缘计算节点Bh的关联性,ted为时长T内边缘计算节点Bg第d次访问边缘计算节点Bh的结束时间,tsd为时长T内边缘计算节点Bg第d次访问边缘计算节点Bh的开始时间,r为时长T内边缘计算节点Bg访问边缘计算节点Bh的次数;
(2)对边缘计算节点进行聚类,聚类后的任一类边缘计算节点中位于代表性边缘计算节点ei代表的访问位置内的边缘计算节点集合为U={B1,B2,…,BK},则边缘计算节点Bv处位于代表性边缘计算节点ei代表的访问位置内时边缘计算节点Bu的下一个访问位置是代表性边缘计算节点ei代表的访问位置的条件概率为其中,Pi(Bv)为边缘计算节点Bv的下一个访问位置仍是代表性边缘计算节点ei代表的访问位置的概率,Pi(Bu,Bv)为边缘计算节点Bv和边缘计算节点Bu的下一个访问位置都是代表性边缘计算节点ei代表的访问位置的概率,Mi(Bu,Bv)为边缘计算节点Bv和边缘计算节点Bu的下一个访问位置都是代表性边缘计算节点ei代表的访问位置的次数;u,v=1,2,…,K;
(3)用户的下一个访问位置是代表性边缘计算节点ei代表的访问位置的概率为其中,
(4)用户的下一个访问位置的位置概率集合为:PS=(P1,P2,…Pn);
(5)用户访问位置的最终预测结果为max(αPS+βP(l+t))对应的代表性边缘计算节点代表的访问位置,其中,α,β为修正因子且α+β=1。
作为本发明的进一步技术方案,该方法还包括建立用户访问位置的有向图,更新马尔科夫模型中的位置转移概率矩阵,具体为:
(1)根据用户访问位置的集合E内的各个边缘计算节点代表的访问位置之间的转移情况,将各个边缘计算节点代表的访问位置通过有向线段连接,各有向线段的权值即为对应的边缘计算节点代表的访问位置的转移概率,建立用户访问位置的有向图以映射马尔科夫模型中的位置转移概率矩阵;
(2)在设定时间间隔内,若某一有向线段的权值小于设定阈值,则将该有向线段除去,且相应位置转移概率矩阵中对应元素值置0;若某一访问位置没有有向线段进出,则将该访问位置除去,且相应位置转移概率矩阵中对应该访问位置的行列出去;若有新访问位置且其余某一历史访问位置之间的转移概率大于设定阈值,则将该新访问位置加入有向图中,且在位置转移概率矩阵中添加相应的行列。
本发明采用以上技术方案与现有技术相比,具有以下技术效果:本发明提出的基于边缘计算的用户位置动态性建模优化方案,考虑5G环境下边缘计算节点的密度和边缘计算节点的优点,利用马尔科夫模型和用户访问位置关联性模型对用户访问位置进行预测。首先本发明中的边缘计算节点的位置是可由自身得到的,并且自身具有计算、存储、定位功能,从而使用户位置预测速度更快,效率更高。本发明产生的基于边缘计算的用户动态性建模优化简单而易于实现,具有很好的应用前景。
附图说明
图1为确定用户初始位置的线段树。
图2为用户访问位置有向图。
图3为基于边缘计算的用户动态性建模优化方案流程图。
具体实施方式
下面结合附图对本发明的技术方案做进一步的详细说明:
本发明提出了一种新颖的基于边缘计算的用户位置动态性建模优化方案,该方案利用边缘计算,结合马尔科夫模型和用户访问位置关联性模型,提高用户位置预测效率和准确性。
本发明主要包括三个内容:一是利用边缘计算节点对用户访问位置的划分;二是用马尔科夫预测模型对用户访问位置进行预测,并用访问位置有向图进行更新概率转移举矩阵;三是结合用户访问位置关联性模型,改善马尔科夫预测模型的稀疏性问题。
1.利用边缘计算节点对用户访问位置的划分
用户的移动轨迹点可由用户的GPS记录得到,设用户某一移动轨迹点记录为l=(xl,yl,tl),其中x为l的经度,y为l点的纬度,tl为在用户在l的停留时间。停留点实际为一个地理位置区域,若用户在某一停留点的停留时间超过预定阈值且该停留点的半径也超过预定阈值,则该停留点为有效停留点。
由于5G环境下边缘计算节点分布密集,假设边缘计算节点位置已知,若有效停留点中含有边缘计算节点,则以最靠近该有效停留点中心的边缘计算节点为该有效停留点的代表性边缘计算节点;若该有效停留点地处偏远位置(有效停留点内不包含边缘计算节点),则将其与最近的含有边缘计算节点的有效停留点合并,最近的含有边缘计算节点的有效停留点的代表性边缘计算节点为合并后的有效停留点的代表性边缘计算节点。将这些代表性边缘计算节点作为用户的访问位置代表,得到其集合E=(e1,e2,…en),即用户访问位置的集合,ei为第i个代表性边缘计算节点,n为代表性边缘计算节点个数。
由于5G环境下边缘设备的密集型结构,集合E对定位区域基本可以认为是全覆盖的,若用户访问位置仍处于集合E之外,则将其与划入最近的停留点。对于用户初始位置的判断则可以用线段树进行逐个对比,线段树即一种二叉搜索树,树的根节点为大范围的位置区域,将其划分为一些单元区间,即集合E中的每个访问位置,这些访问位置对应线段树中的每个叶节点,如图1所示。
2.用马尔科夫预测模型对用户访问位置进行预测
(1)建立用户访问位置的转移概率矩阵
(a)确定马尔科夫模型中的位置集合,即步骤1中的集合E。
(b)计算初始状态的转移概率矩阵。设mij为用户由代表性边缘计算节点ei代表的访问位置到代表性边缘计算节点ej代表的访问位置的次数(以下简称访问位置ei和访问位置ej),则用户从访问位置ei到ej的概率为其中,m为用户从位置ei出发到各位置的总次数,上述参数可由用户历史访问记录得到,则可产生一个n×n的位置转移概率矩阵:
设某时刻l,此时马尔科夫初始位置转移概率矩阵为P。此时用户的访问位置状态矩阵为P(l),P(l)是一个1×n矩阵,若用户在l时刻位于访问位置ei则P(l)中的第i个元素值为1,其余元素值为0(例如,用户在l时刻位于访问位置e2,则用户此时的初始位置状态矩阵为P(l)=(0,1,0,…0)1×n)。
那么,预测用户在l+1时刻的访问位置状态矩阵P(l+1)=P(l)×P。若预测l+t时刻用户的访问位置,则依次将l+1,l+2···l+t-1作为用户访问位置的初始状态,充分利用用户访问位置变化的数据,提高预测准确率,得到l+t时刻的用户访问位置状态矩阵:
取该矩阵中元素的最值max{P(l+t)},该最值对应的代表性边缘计算节点代表的访问位置即为基于马尔科夫模型的l+t时刻用户访问位置的预测结果。
(2)建立用户访问位置有向图
用户访问位置有向图和马尔科夫位置状态转移矩阵内的元素是一一对应的。将集合E内的各个边缘计算节点用有向图相连,用户从访问位置ei到ej的概率即位有向线段的权值,如图2所示。设置一个阈值λ,阈值时间T,每隔时间T,若有向线段的权值Pij<λ,则将该有向线段除去,相应马尔科夫位置转移状态矩阵中的对应值置0。若某一访问位置在时间T内没有有向线段进出,则将该点从有向图中除去,对应马尔科夫位置转移状态矩阵中该行列除去。若有新的访问位置在时间T内与某一历史访问位置之间有向线段的权值Pij>λ,则将此新的访问位置加入有向图,对应马尔科夫位置转移状态矩阵中添加相应的行列。该有向图是动态变化的,与马尔科夫位置转移状态矩阵内的元素以及行列呈映射关系,因此马尔科夫位置转移状态矩阵大小灵活可变。
3.用户访问位置关联性模型
与用户关联性不同,用户访问位置关联性从边缘计算节点出发,数量相对用户减少很多。设ted为时长T内边缘计算节点Bg第d次访问边缘计算节点Bh的结束时间,tsd为时长T内边缘计算节点Bg第d次访问边缘计算节点Bh的开始时间,r为时长T内边缘计算节点Bg访问边缘计算节点Bh的次数,则可得到边缘计算节点Bg和边缘计算节点Bh的关联性为:
使用聚类算法(如Girvan Newman算法、Fast Unfolding算法、Label Propagation算法等)对边缘计算节点聚类,设聚类得到的任一群中位于访问位置ei内有边缘计算节点若干,其集合为U={B1,B2,…,BK},有条件概率:
其中,Pi(Bu|Bv)表示边缘计算节点Bv处位于访问位置ei内时边缘计算节点Bu的下一个访问位置是访问位置ei的概率,Pi(Bv)为边缘计算节点Bv的下一个访问位置仍是访问位置ei的概率,Pi(Bu,Bv)为边缘计算节点Bv和边缘计算节点Bu的下一个访问位置都是访问位置ei的概率,这些概率都可由边缘计算节点的访问记录中统计得到,其中Pi(Bu,Bv)具体计算方式为:
其中,Mi(Bu,Bv)为边缘计算节点Bv和边缘计算节点Bu的下一个访问位置均为访问位置ei的次数。
预测用户下一个访问位置是访问位置ei的概率为
其中,
由上,得到用户访问位置关联性预测的位置概率集合PS=(P1,P2,…Pn)。
由于马尔科夫模型中的位置转移概率会随着用户访问位置的增加导致概率的平均化,即马尔科夫模型的稀疏性变差。通过用户访问位置关联性预测结果对马尔科夫预测结果进行适当修正,得到最终预测位置概率集合Pfinal,max(Pfinal)对应的代表性边缘计算节点代表的访问位置即为最终预测结果,其中:
Pfinal=αPS+βP(l+t) (7)
其中α,β为修正因子且α+β=1。
本发明即基于边缘计算的用户位置动态性建模优化方案具体的流程图如图3所示,实现过程如下:
第一步:根据用户历史访问记录,确定有效停留点;
第二步:根据停留点内的边缘计算节点分布情况,确定代表性边缘计算节点;
第三步:利用线段树对用户访问位置进行划分,搜索用户的初始位置;
第四步:利用马尔科夫模型,根据用户的历史访问记录生成初始状态的位置转移概率矩阵,结合用户的初始位置对用户访问位置进行预测;
第五步:利用用户访问位置关联性模型对用户访问位置进行预测,并与马尔科夫模型的预测结果相结合,得到用户访问位置的最终预测结果。
以上所述,仅为本发明中的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉该技术的人在本发明所揭露的技术范围内,可理解想到的变换或替换,都应涵盖在本发明的包含范围之内,因此,本发明的保护范围应该以权利要求书的保护范围为准。
Claims (7)
1.基于边缘计算的用户位置动态性建模优化方法,其特征在于,该方法的具体步骤如下:
第一步:根据用户历史访问记录,确定有效停留点;
第二步:根据停留点内的边缘计算节点分布情况,确定代表性边缘计算节点;
第三步:利用线段树对用户访问位置进行划分,搜索用户的初始位置;
第四步:利用马尔科夫模型,根据用户的历史访问记录生成初始状态的位置转移概率矩阵,结合用户的初始位置对用户访问位置进行预测;
第五步:利用用户访问位置关联性模型对用户访问位置进行预测,并与马尔科夫模型的预测结果相结合,得到用户访问位置的最终预测结果。
2.根据权利要求1所述的基于边缘计算的用户位置动态性建模优化方法,其特征在于,第一步中所述有效停留点为一个用户在其停留时间超过阈值t且其半径小于阈值d的地理位置区域。
3.根据权利要求1所述的基于边缘计算的用户位置动态性建模优化方法,其特征在于,第二步具体为:
对任意有效停留点,若该有效停留点中包括边缘计算节点,则该有效停留点的代表性边缘计算节点为最接近该有效停留点中心位置的边缘计算节点;若该有效停留点中不包括边缘计算节点,则将该有效停留点与距其最近的有效停留点合并,且距其最近的有效停留点中包括边缘计算节点,距其最近的有效停留点的代表性边缘计算节点即为合并后的有效停留点的代表性边缘计算节点;将代表性边缘计算节点作为用户访问位置的代表,则用户访问位置的集合即为相应的代表性边缘计算节点集合。
4.根据权利要求1所述的基于边缘计算的用户位置动态性建模优化方法,其特征在于,第三步中线段树为一种二叉搜索树,树的根节点为用户历史访问记录的活动区域,叶节点为第二步中确定的代表性边缘计算节点。
5.根据权利要求4所述的基于边缘计算的用户位置动态性建模优化方法,其特征在于,第四步具体为:
(a)确定马尔科夫模型中的位置集合,即为第二步中的用户访问位置的集合E,E=(e1,e2,…en),ei为第i个代表性边缘计算节点,n为代表性边缘计算节点个数;
(b)根据用户在l时刻的位置转移概率矩阵P,得到l+t时刻的用户访问位置状态矩阵P(l+t),其中,P(l+1)=P(l)×P,P(l+1)为用l+1时刻的用户访问位置状态矩阵;P(l)为l时刻的用户访问位置状态矩阵,P(l)是一个1×n矩阵,若用户在l时刻位于代表性边缘计算节点ei代表的访问位置则P(l)中的第i个元素值为1,其余元素值为0; 为用户从代表性边缘计算节点ei代表的访问位置出发到代表性边缘计算节点ej代表的访问位置的概率,m为用户从代表性边缘计算节点ei代表的访问位置出发到其余位置的总次数。
6.根据权利要求5所述的基于边缘计算的用户位置动态性建模优化方法,其特征在于,第五步具体为:
(1)用户访问位置关联性模型为:
<mrow>
<mi>W</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>B</mi>
<mi>g</mi>
</msub>
<mo>,</mo>
<msub>
<mi>B</mi>
<mi>h</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>d</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>r</mi>
</munderover>
<msub>
<mi>t</mi>
<mrow>
<mi>e</mi>
<mi>d</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>t</mi>
<mrow>
<mi>s</mi>
<mi>d</mi>
</mrow>
</msub>
</mrow>
<mi>T</mi>
</mfrac>
</mrow>
其中,W(Bm,Bn)为边缘计算节点Bg和边缘计算节点Bh的关联性,ted为时长T内边缘计算节点Bg第d次访问边缘计算节点Bh的结束时间,tsd为时长T内边缘计算节点Bg第d次访问边缘计算节点Bh的开始时间,r为时长T内边缘计算节点Bg访问边缘计算节点Bh的次数;
(2)对边缘计算节点进行聚类,聚类后的任一类边缘计算节点中位于代表性边缘计算节点ei代表的访问位置内的边缘计算节点集合为U={B1,B2,…,BK},则边缘计算节点Bv处位于代表性边缘计算节点ei代表的访问位置内时边缘计算节点Bu的下一个访问位置是代表性边缘计算节点ei代表的访问位置的条件概率为其中,Pi(Bv)为边缘计算节点Bv的下一个访问位置仍是代表性边缘计算节点ei代表的访问位置的概率,Pi(Bu,Bv)为边缘计算节点Bv和边缘计算节点Bu的下一个访问位置都是代表性边缘计算节点ei代表的访问位置的概率,Mi(Bu,Bv)为边缘计算节点Bv和边缘计算节点Bu的下一个访问位置都是代表性边缘计算节点ei代表的访问位置的次数;u,v=1,2,…,K;
(3)用户的下一个访问位置是代表性边缘计算节点ei代表的访问位置的概率为其中,
(4)用户的下一个访问位置的位置概率集合为:PS=(P1,P2,…Pn);
(5)用户访问位置的最终预测结果为max(αPS+βP(l+t))对应的代表性边缘计算节点代表的访问位置,其中,α,β为修正因子且α+β=1。
7.根据权利要求5所述的基于边缘计算的用户位置动态性建模优化方法,其特征在于,该方法还包括建立用户访问位置的有向图,更新马尔科夫模型中的位置转移概率矩阵,具体为:
(1)根据用户访问位置的集合E内的各个边缘计算节点代表的访问位置之间的转移情况,将各个边缘计算节点代表的访问位置通过有向线段连接,各有向线段的权值即为对应的边缘计算节点代表的访问位置的转移概率,建立用户访问位置的有向图以映射马尔科夫模型中的位置转移概率矩阵;
(2)在设定时间间隔内,若某一有向线段的权值小于设定阈值,则将该有向线段除去,且相应位置转移概率矩阵中对应元素值置0;若某一访问位置没有有向线段进出,则将该访问位置除去,且相应位置转移概率矩阵中对应该访问位置的行列出去;若有新访问位置且其余某一历史访问位置之间的转移概率大于设定阈值,则将该新访问位置加入有向图中,且在位置转移概率矩阵中添加相应的行列。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711246137.5A CN108063802B (zh) | 2017-12-01 | 2017-12-01 | 基于边缘计算的用户位置动态性建模优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711246137.5A CN108063802B (zh) | 2017-12-01 | 2017-12-01 | 基于边缘计算的用户位置动态性建模优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108063802A true CN108063802A (zh) | 2018-05-22 |
CN108063802B CN108063802B (zh) | 2020-07-28 |
Family
ID=62136265
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711246137.5A Active CN108063802B (zh) | 2017-12-01 | 2017-12-01 | 基于边缘计算的用户位置动态性建模优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108063802B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109725949A (zh) * | 2018-12-25 | 2019-05-07 | 南京邮电大学 | 一种基于移动代理的移动边缘计算卸载系统及方法 |
CN109995860A (zh) * | 2019-03-29 | 2019-07-09 | 南京邮电大学 | 一种vanet中基于边缘计算的深度学习任务分配算法 |
CN113126026A (zh) * | 2019-12-31 | 2021-07-16 | 中移(成都)信息通信科技有限公司 | 定位系统、方法及存储介质 |
CN113301169A (zh) * | 2021-07-23 | 2021-08-24 | 杭州雅观科技有限公司 | 一种基于动态移动装置行为预测的边缘转网方法 |
CN113126026B (zh) * | 2019-12-31 | 2024-04-19 | 中移(成都)信息通信科技有限公司 | 定位系统、方法及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011156001A1 (en) * | 2010-06-07 | 2011-12-15 | Sti Medical Systems, Llc | Versatile video interpretation,visualization, and management system |
CN103942536A (zh) * | 2014-04-04 | 2014-07-23 | 西安交通大学 | 一种迭代更新轨迹模型的多目标跟踪方法 |
CN104243580A (zh) * | 2014-09-12 | 2014-12-24 | 清华大学 | 应用于水利施工现场的人员综合定位方法及系统 |
CN105357638A (zh) * | 2015-11-06 | 2016-02-24 | 百度在线网络技术(北京)有限公司 | 预测预定时刻的用户位置的方法和装置 |
CN107018493A (zh) * | 2017-04-20 | 2017-08-04 | 北京工业大学 | 一种基于连续时序马尔科夫模型的地理位置预测方法 |
CN107133473A (zh) * | 2017-05-09 | 2017-09-05 | 河海大学 | 一种变化环境下两变量水文频率分析中水文设计值估计方法 |
-
2017
- 2017-12-01 CN CN201711246137.5A patent/CN108063802B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011156001A1 (en) * | 2010-06-07 | 2011-12-15 | Sti Medical Systems, Llc | Versatile video interpretation,visualization, and management system |
CN103942536A (zh) * | 2014-04-04 | 2014-07-23 | 西安交通大学 | 一种迭代更新轨迹模型的多目标跟踪方法 |
CN104243580A (zh) * | 2014-09-12 | 2014-12-24 | 清华大学 | 应用于水利施工现场的人员综合定位方法及系统 |
CN105357638A (zh) * | 2015-11-06 | 2016-02-24 | 百度在线网络技术(北京)有限公司 | 预测预定时刻的用户位置的方法和装置 |
CN107018493A (zh) * | 2017-04-20 | 2017-08-04 | 北京工业大学 | 一种基于连续时序马尔科夫模型的地理位置预测方法 |
CN107133473A (zh) * | 2017-05-09 | 2017-09-05 | 河海大学 | 一种变化环境下两变量水文频率分析中水文设计值估计方法 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109725949A (zh) * | 2018-12-25 | 2019-05-07 | 南京邮电大学 | 一种基于移动代理的移动边缘计算卸载系统及方法 |
CN109995860A (zh) * | 2019-03-29 | 2019-07-09 | 南京邮电大学 | 一种vanet中基于边缘计算的深度学习任务分配算法 |
CN109995860B (zh) * | 2019-03-29 | 2022-03-04 | 南京邮电大学 | 一种vanet中基于边缘计算的深度学习任务分配算法 |
CN113126026A (zh) * | 2019-12-31 | 2021-07-16 | 中移(成都)信息通信科技有限公司 | 定位系统、方法及存储介质 |
CN113126026B (zh) * | 2019-12-31 | 2024-04-19 | 中移(成都)信息通信科技有限公司 | 定位系统、方法及存储介质 |
CN113301169A (zh) * | 2021-07-23 | 2021-08-24 | 杭州雅观科技有限公司 | 一种基于动态移动装置行为预测的边缘转网方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108063802B (zh) | 2020-07-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | A deep learning method based on an attention mechanism for wireless network traffic prediction | |
CN104239556B (zh) | 基于密度聚类的自适应轨迹预测方法 | |
CN101977226B (zh) | 一种新型的机会网络数据传输方法 | |
CN111367657B (zh) | 一种基于深度强化学习的计算资源协同合作方法 | |
CN111445111B (zh) | 一种基于边缘协同的电力物联网任务分配方法 | |
CN110856134A (zh) | 一种基于无人机的大规模无线传感器网络数据收集方法 | |
CN108063802A (zh) | 基于边缘计算的用户位置动态性建模优化方法 | |
CN108021451A (zh) | 一种雾计算环境下的自适应容器迁移方法 | |
CN109788489A (zh) | 一种基站规划方法及装置 | |
CN103259744A (zh) | 一种基于分簇的移动虚拟网络映射方法 | |
CN112784362A (zh) | 一种用于无人机辅助边缘计算的混合优化方法及系统 | |
CN110267206A (zh) | 用户位置预测方法及装置 | |
CN112541584B (zh) | 深度神经网络模型并行模式选择方法 | |
Yang et al. | Deep reinforcement learning based wireless network optimization: A comparative study | |
Ahmed et al. | An optimized k-nearest neighbor algorithm for extending wireless sensor network lifetime | |
Tuba et al. | Energy efficient sink placement in wireless sensor networks by brain storm optimization algorithm | |
Manalastas et al. | Where to go next?: A realistic evaluation of AI-assisted mobility predictors for HetNets | |
CN108711860B (zh) | 一种基于并行计算的配电网变电站-线路联合规划方法 | |
Binh et al. | Reinforcement Learning for Optimizing Delay-Sensitive Task Offloading in Vehicular Edge-Cloud Computing | |
CN113472420A (zh) | 一种基于区域用户兴趣感知的卫星网络缓存放置方法 | |
CN113158544A (zh) | 车载内容中心网络下基于联邦学习的边缘预缓存策略 | |
US10484249B1 (en) | Dynamic distribution of simulation load | |
CN116867025A (zh) | 无线传感器网络中传感器节点分簇方法及装置 | |
CN106656819A (zh) | 一种基于时间表的dtn机会预测路由方法 | |
CN107276837A (zh) | 基于上下文认知的数据转发方法和装置 |
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 |