CN108684051A - 一种基于因果诊断的无线网络性能优化方法、电子设备及存储介质 - Google Patents
一种基于因果诊断的无线网络性能优化方法、电子设备及存储介质 Download PDFInfo
- Publication number
- CN108684051A CN108684051A CN201810447509.9A CN201810447509A CN108684051A CN 108684051 A CN108684051 A CN 108684051A CN 201810447509 A CN201810447509 A CN 201810447509A CN 108684051 A CN108684051 A CN 108684051A
- Authority
- CN
- China
- Prior art keywords
- data
- cause
- index
- wireless network
- network performance
- 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
- 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
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Bioinformatics & Computational Biology (AREA)
- Signal Processing (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Life Sciences & Earth Sciences (AREA)
- Algebra (AREA)
- Evolutionary Biology (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Mobile Radio Communication Systems (AREA)
- Telephonic Communication Services (AREA)
Abstract
本发明公开了一种基于因果诊断的无线网络性能优化方法,包括如下步骤:数据预选步骤,包括获取目标城市所有基站的历史数据并设定进行数据分析的指标,根据指标选取若干个网络通信指标变量并选取网络通信指标变量的任一时间段内的时间序列数据;数据分析步骤,包括采用格兰杰因果检验方法分析时间序列数据并输出指标有向因果网络图;优化方案制定步骤,包括用户根据指标有向因果网络图所呈现的指标之间的依赖关系分析影响无线网络性能优化的因素并相应的方案或干预措施。本发明还公开了一种电子设备和一种存储介质。本发明有效地从数据中发现并归纳出影响无线网络性能的相关通信指标之间的相互影响规律,为优化无线网络质量提供了更有效的数据参考。
Description
技术领域
本发明涉及无线网络通信领域,尤其涉及一种基于因果诊断的无线网络性能优化方法、电子设备及存储介质。
背景技术
随着信息技术的不断发展,无线通信网络逐渐普及,用户对无线网络质量要求日渐提高,市场竞争性也越来越激烈。如何对无线网络性能进行优化,尤其在网络出现问题之前进行有效预警,是当前通信运营商及设备供应商非常关注的问题,以进一步提高用户对网络使用的满意度。
目前,无线网络性能的问题可以通过拨打测试、用户反馈及网络指标等分析发现,其中,随着数据存储技术发展,网络指标等历史数据存储量逐渐增大,使得从数据中更为客观与科学地寻找无线网络问题规律提供了有力支撑,并且能有效地评估无线网络性能的优劣程度。但现有的无线网络性能优化方法主要基于指标间的相关关系分析,无法有效指导网络优化等干预行为。
发明内容
为解决现有技术的不足,本发明的目的之一提供了一种基于因果诊断的无线网络性能优化方法,本发明的技术方案如下:
为解决现有技术的不足,本发明的目的之一提供了一种基于因果诊断的无线网络性能优化方法,本发明的技术方案如下:
一种基于因果诊断的无线网络性能优化方法,包括如下步骤:
数据预选步骤,所述数据预选步骤包括获取目标城市所有基站的历史数据并设定进行数据分析的指标,根据所述指标从所述历史数据中选取若干个待进行因果检验分析的网络通信指标变量并选取所述网络通信指标变量的任一时间段内对应的时间序列数据;
数据分析步骤,所述数据分析步骤包括采用格兰杰因果检验方法分析所述时间序列数据并输出指标有向因果网络图;
优化方案制定步骤,所述优化方案制定步骤包括用户根据所述指标有向因果网络图所呈现的指标之间的依赖关系分析影响无线网络性能优化的因素并制定无线网络优化的方案或干预措施
进一步地,所述数据预选步骤还包括数据预处理,所述数据预处理是对所述历史数据中出现时间序列断点缺失的数据进行平均值填充。
进一步地,所述的采用格兰杰因果检验方法包括如下步骤:
数据检验步骤,所述数据检验步骤包括数据的平稳性检验和差分处理,所述数据平稳性检验包括采用ADF检验方法对时间序列数据的平稳性进行单位根检验;所述差分处理包括对非平稳序列的时间序列数据进行差分处理直至得到平稳序列的时间序列数据,所述平稳序列的时间序列数据包括若干个单一变量;
因果判定步骤,所述因果判定步骤包括从单一变量选取一个目标变量和一个对照变量,对所述目标变量通过最小二乘法进行自回归计算和联合拟合回归计算并得到自回归过程和联合拟合回归过程的总体误差,通过对比两总体误差得到因果判定结果;
因果检验步骤,将所述两总体误差通过联合假设检验的方法对所述因果判定结果进行检验。
进一步地,所述因果判定步骤还包括将对照变量和目标变量对换进行回归计算,进一步得到目标变量和对照变量之间的双向因果关系。
进一步地,所述自回归计算采用和进行计算;
其中,δ1为自回归过程的总体误差,dit为目标变量,dit-ik为目标变量的迟滞序列值,β0为自回归方程中拟合计算得到的常数项,βk为自回归方程中拟合计算得到的方程系数,εt为最小二乘法拟合回归过程的误差,是εl的平均值,l为变量且1≤l≤n-m,m为迟滞阶数,n为序列长度。
进一步地,所述联合拟合回归计算采用 和进行计算;
其中,δ2为联合拟合回归过程的总体误差,dit为目标变量,θ0为联合拟合回归方程中拟合计算得到的常数项,θk为联合拟合回归方程中拟合计算得到的方程系数,dit-ik、djt-jn分别为目标变量和对照变量的迟滞序列值,ε′t为最小二乘法拟合回归过程的误差项,是ε′l的平均值,l为变量且1≤l≤n-m,m为迟滞阶数,n为序列长度。
进一步地,所述因果检验步骤中的F值采用进行计算;
其中,δ1为自回归过程的总体误差,δ2为联合拟合回归过程的总体误差,n为序列长度,m为迟滞阶数。
本发明的目的之二在于提供一种电子设备,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述的方法。
本发明的目的之三在于提供一种计算机可读存储介质,其上存储计算机程序,该程序被处理器执行所述程序时实现上述的方法。
相比于现有技术的不足,本发明的有益效果是:本方法主要基于历史积累的无线网络通信指标数据,运用因果推断数据挖掘智能算法,提取出指标中蕴含的原子事件,构建指标之间的因果关系网络,有效地从数据中发现并归纳出影响无线网络性能的相关通信指标之间的相互影响规律,为优化无线网络质量提供了更有效的数据参考。
附图说明
图1为本发明方法流程图;
图2为格兰杰因果检验分析方法流程图;
图3为有向因果网络图示例图。
具体实施方式
下面,结合附图以及具体实施方式,对本发明做进一步描述,需要说明的是,在不相冲突的前提下,以下描述的各实施例之间或各技术特征之间可以任意组合形成新的实施例。
实施例一:
一种基于因果诊断的无线网络性能优化方法,如图1所示,包括如下步骤:
数据预选步骤,数据预选步骤包括获取目标城市所有基站的历史数据并设定进行数据分析的指标,根据指标从所述历史数据中选取若干个待进行因果检验分析的网络通信指标变量并选取网络通信指标变量的任一时间段内的时间序列数据;
数据分析步骤,数据分析步骤包括采用格兰杰因果检验方法分析时间序列数据并输出指标有向因果网络图;
优化方案制定步骤,优化方案制定步骤包括用户根据指标有向因果网络图所呈现的指标之间的依赖关系分析影响无线网络性能优化的因素并制定无线网络优化的方案或干预措施。
数据预选步骤还包括数据预处理,数据预处理是对历史数据中出现时间序列断点缺失的数据进行平均值填充。
采用格兰杰因果检验方法包括如下步骤:
数据检验步骤,数据检验步骤包括数据的平稳性检验和差分处理,数据平稳性检验包括采用ADF检验方法对时间序列数据的平稳性进行单位根检验;差分处理包括对非平稳序列的时间序列数据进行差分处理直至得到平稳序列的时间序列数据,平稳序列的时间序列数据包括若干个单一变量;
因果判定步骤,因果判定步骤包括从单一变量选取一个目标变量和一个对照变量,对目标变量通过最小二乘法进行自回归计算和联合拟合回归计算并得到自回归过程和联合拟合回归过程的总体误差,通过对比两总体误差得到因果判定结果;
因果检验步骤,将两总体误差通过联合假设检验的方法对因果判定结果进行检验。
因果判定步骤还包括将对照变量和目标变量对换进行回归计算,进一步得到目标变量和对照变量之间的双向因果关系;因果判定步骤之前还包括定义迟滞阶数。
数据预选步骤和数据分析步骤之间还包括选定数据的分析粒度,分析粒度包括全网、网元和小区。
上述内容具体而言,首先,选取待分析指标的历史数据,即以某座城市为单位,选取该城市所有基站采集的历史数据库,选择若干个待分析指标,如话务量、上行网络、下行网络等指标,分别以全网、网元或小区为区域粒度、时间为5分钟的粒度作为计算数据,其中数据的时间连续和指标数据不全为0或1;然后对所选的网络指标数据进行数据预处理,数据预处理是对时间序列断点缺失的数据进行序列平均值填充,主要是处理原始数据中由于基站采集过程引起的数据缺失、断点等异常问题。
对需进行因果关系计算分析的指标数据采用格兰杰因果检验分析方法,如图2所示,包括如下步骤:
(1)选取需进行因果检验分析的s个网络通信指标变量,用集合表示为X={x1,x2,…xs},并选定该指标变量集合X的某段时间内的时间序列数据D={d1,d2,…ds},其中di={di1,di2,…din},n为序列长度,即数据容量;
(2)为了保证格兰杰因果关系检验结果的有效性,避免出现虚假回归问题,因此需对已选取的各指标时间序列D={d1,d2,…ds}进行平稳性检验。本步骤采用ADF检验(Augmented-Dickey-Fuller test)方法分别对各指标序列的平稳性进行单位根检验,若ADF检验通过,即序列di为平稳序列,进入步骤4),反之若ADF检验不通过,即序列di为非平稳序列(存在单位根),则进入步骤3);
(3)当步骤2)过程,某个指标变量时间序列di={di1,di2,…din}经过ADF检验后为非平稳序列时,需对该序列进行一阶差分处理,即
di_diff={di2-di1,di3-di2,…din-din-1}
通常地,序列通过一阶差分后便满足ADF检验,达到平稳序列。但若一阶差分后仍无法通过ADF检验,则循环步骤3)进行多阶差分处理,直至得到序列平稳d′i
(4)根据专家经验(Rule of thumb)定义算法模型的迟滞阶数lag=m,其中m<n,n是数据序列长度,且m,n都是是实数。
(5)由步骤4)可知lag=m,针对已通过ADF检验或经过差分处理后满足平稳性的序列D′={d′1,d′2,…d′s},首先对单一变量d′i={d′i1,d′i2,…d′in}与其迟滞阶数m序列采用最小二乘法自回归计算,回归公式如下:
其中,dit为目标变量,dit-ik为目标变量的迟滞序列值,β0为自回归方程中拟合计算得到的常数项,βk为自回归方程中拟合计算得到的方程系数,εt为最小二乘法拟合回归过程的误差,m为迟滞阶数,n为序列长度,并求得δ1是自回归误差ε1~εn-m的无偏估计量,即该自回归过程的总体误差,计算公式如下:
其中,是εl的平均值,l为变量且1≤l≤n-m。
其次,同样采用最小二乘法,取目标变量xi与xj的m阶迟滞序列值为回归自变量,对目标变量xi指标变量进行的联合拟合回归,计算公式如下
其中,dit为目标变量,θ0为联合拟合回归方程中拟合计算得到的常数项,θk为联合拟合回归方程中拟合计算得到的方程系数,dit-ik、djt-jn分别为目标变量和对照变量的迟滞序列值,m为迟滞阶数,n为序列长度dit-ik、djt-jn分别表示指标xi、xj阶数为m的迟滞序列值,ε′t为最小二乘法拟合回归过程的误差项,并进一步求得δ2是联合回归误差ε′1~ε′n-m的无偏估计量,即该自回归过程的总体误差,计算公式如下:
其中,是ε′l的平均值。
(6)若δ1>δ2,则认为指标变量xj对指标变量xi有格兰杰因果关系,同时须对自回归和联合回归误差进行F检验,以确保δ1,δ2的值具有统计意义。
(7)基于零假设是H0:θ1=θ2=…=θm=0,即滞后项dj不属于di回归方程。为了检验此假设,F检验计算公式为:
通过上述公式计算得到F值,它遵循自由度为m和(n-m)的F分布,n是样本容量,m等于迟滞阶数lag。
(8)若在选定显著性水平α上计算的F值大于临界值Fα,则拒绝零假设,因此滞后dj项就属于di回归方程,表明dj是di的原因,本发明中选定Fα=0.8,选取F≥0.8的有向因果关系指标。
(9)同理,为了检验di是否是dj的原因,可将变量dj与di相互替换,重复步骤(5)~(8)。
重复步骤(5)~(9),即计算得到所选取的指标组X={x1,x2,…xn}变量两两之间单向或双向的格兰杰因果关系网络。
格兰杰因果检验算法会输出满足条件的指标有向因果网络图,如图3所示,该网络图是经过本发明的算法模型得到的指标关系网络图,图中示例列举了指标之间网络关系的单向影响、双向影响两种情况。指标X1与指标X2双向表明两指标之间是相互影响的,指标X2指向指标X3、指标X3指向指标X1分别代表指标X2影响指标X3,指标X3影响指标X1;该图能直接反映不同指标之间的因果关系及影响程度。网优工程师根据该有向因果网络图所呈现的指标之间依赖关系,分析影响无线网络性能优化的因素,从而得到无线网络优化的方案及干预措施,另外,由于选取的区域不同,不同区域用户行为引起的指标之间的因果影响程度也会存在差异,因此,网优工程师可使用本发明方法对不同区域粒度、时间粒度进行计算并得到其对应的分析结果。
实施例二:
本发明还提供一种电子设备,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现实施例一中的方法。
实施例三:
本发明还提供一种计算机可读存储介质,其上存储计算机程序,该程序被处理器执行所述程序时实现实施例一中的方法。
上述实施方式仅为本发明的优选实施方式,不能以此来限定本发明保护的范围,本领域的技术人员在本发明的基础上所做的任何非实质性的变化及替换均属于本发明所要求保护的范围。
Claims (9)
1.一种基于因果诊断的无线网络性能优化方法,其特征在于包括如下步骤:
数据预选步骤,所述数据预选步骤包括获取目标城市所有基站的历史数据并设定进行数据分析的指标,根据所述指标从所述历史数据中选取若干个待进行因果检验分析的网络通信指标变量并选取所述网络通信指标变量的任一时间段内对应的时间序列数据;
数据分析步骤,所述数据分析步骤包括采用格兰杰因果检验方法分析所述时间序列数据并输出指标有向因果网络图;
优化方案制定步骤,所述优化方案制定步骤包括用户根据所述指标有向因果网络图所呈现的指标之间的依赖关系分析影响无线网络性能优化的因素并制定无线网络优化的方案或干预措施。
2.如权利要求1所述的基于因果诊断的无线网络性能优化方法,其特征在于:所述数据预选步骤还包括数据预处理,所述数据预处理是对所述历史数据中出现时间序列断点缺失的数据进行平均值填充。
3.如权利要求2所述的基于因果诊断的无线网络性能优化方法,其特征在于所述的采用格兰杰因果检验方法包括如下步骤:
数据检验步骤,所述数据检验步骤包括数据的平稳性检验和差分处理,所述数据平稳性检验包括采用ADF检验方法对时间序列数据的平稳性进行单位根检验;所述差分处理包括对非平稳序列的时间序列数据进行差分处理直至得到平稳序列的时间序列数据,所述平稳序列的时间序列数据包括若干个单一变量;
因果判定步骤,所述因果判定步骤包括从单一变量选取一个目标变量和一个对照变量,对所述目标变量通过最小二乘法进行自回归计算和联合拟合回归计算并得到自回归过程和联合拟合回归过程的总体误差,通过对比两总体误差得到因果判定结果;
因果检验步骤,将所述两总体误差通过联合假设检验的方法得到F值并对所述因果判定结果进行检验。
4.如权利要求3所述的基于因果诊断的无线网络性能优化方法,其特征在于:所述因果判定步骤还包括将对照变量和目标变量对换进行回归计算,进一步得到目标变量和对照变量之间的双向因果关系。
5.如权利要求4所述的基于因果诊断的无线网络性能优化方法,其特征在于:所述自回归计算采用和进行计算;其中,δ1为自回归过程的总体误差,dit为目标变量,dit-ik为目标变量的迟滞序列值,β0为自回归方程中拟合计算得到的常数项,βk为自回归方程中拟合计算得到的方程系数,εt为最小二乘法拟合回归过程的误差,是εl的平均值,l为变量且1≤l≤n-m,m为迟滞阶数,n为序列长度。
6.如权利要求4所述的基于因果诊断的无线网络性能优化方法,其特征在于:所述联合拟合回归计算采用和进行计算;
其中,δ2为联合拟合回归过程的总体误差,dit为目标变量,θ0为联合拟合回归方程中拟合计算得到的常数项,θk为联合拟合回归方程中拟合计算得到的方程系数,dit-ik、djt-jn分别为目标变量和对照变量的迟滞序列值,ε′t为最小二乘法拟合回归过程的误差项,是ε′ι的平均值,l为变量且1≤l≤n-m,m为迟滞阶数,n为序列长度。
7.如权利要求4所述的基于因果诊断的无线网络性能优化方法,其特征在于:所述因果检验步骤中的F值采用进行计算;
其中,δ1为自回归过程的总体误差,δ2为联合拟合回归过程的总体误差,n为序列长度,m为迟滞阶数。
8.一种电子设备,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现权利要求1-7任一项所述的方法。
9.一种计算机可读存储介质,其上存储计算机程序,该程序被处理器执行所述程序时实现权利要求1-7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810447509.9A CN108684051B (zh) | 2018-05-11 | 2018-05-11 | 一种基于因果诊断的无线网络性能优化方法、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810447509.9A CN108684051B (zh) | 2018-05-11 | 2018-05-11 | 一种基于因果诊断的无线网络性能优化方法、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108684051A true CN108684051A (zh) | 2018-10-19 |
CN108684051B CN108684051B (zh) | 2021-11-19 |
Family
ID=63805522
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810447509.9A Active CN108684051B (zh) | 2018-05-11 | 2018-05-11 | 一种基于因果诊断的无线网络性能优化方法、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108684051B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111414398A (zh) * | 2020-02-22 | 2020-07-14 | 中国平安财产保险股份有限公司 | 数据分析模型确定方法、装置及存储介质 |
CN113300897A (zh) * | 2021-06-16 | 2021-08-24 | 中移(杭州)信息技术有限公司 | 因果关系的识别方法、终端设备及存储介质 |
CN113328881A (zh) * | 2021-05-26 | 2021-08-31 | 南京航空航天大学 | 一种面向非合作无线网络的拓扑感知方法及装置、系统 |
CN113923099A (zh) * | 2021-09-03 | 2022-01-11 | 华为技术有限公司 | 一种通信网络故障的根因定位方法及相关设备 |
CN114175082A (zh) * | 2019-07-24 | 2022-03-11 | 索尼集团公司 | 信息处理设备、信息处理方法和信息处理程序 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101330735A (zh) * | 2007-06-22 | 2008-12-24 | 中兴通讯股份有限公司 | 用于网络优化的统计数据分析方法 |
CN101887247A (zh) * | 2009-05-12 | 2010-11-17 | 华东理工大学 | 过程多回路波动源定位识别方法 |
US20160323759A1 (en) * | 2011-12-06 | 2016-11-03 | Seven Networks, Llc | Optimization of mobile traffic directed to private networks and operator configurability thereof |
CN106792822A (zh) * | 2016-12-28 | 2017-05-31 | 贺州学院 | 一种通信网络的优化方法 |
-
2018
- 2018-05-11 CN CN201810447509.9A patent/CN108684051B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101330735A (zh) * | 2007-06-22 | 2008-12-24 | 中兴通讯股份有限公司 | 用于网络优化的统计数据分析方法 |
CN101887247A (zh) * | 2009-05-12 | 2010-11-17 | 华东理工大学 | 过程多回路波动源定位识别方法 |
US20160323759A1 (en) * | 2011-12-06 | 2016-11-03 | Seven Networks, Llc | Optimization of mobile traffic directed to private networks and operator configurability thereof |
CN106792822A (zh) * | 2016-12-28 | 2017-05-31 | 贺州学院 | 一种通信网络的优化方法 |
Non-Patent Citations (1)
Title |
---|
王浩: "《大规模无线局域网性能优化的关键技术研究》", 《中国博士学位论文全文数据库 信息科技辑》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114175082A (zh) * | 2019-07-24 | 2022-03-11 | 索尼集团公司 | 信息处理设备、信息处理方法和信息处理程序 |
CN111414398A (zh) * | 2020-02-22 | 2020-07-14 | 中国平安财产保险股份有限公司 | 数据分析模型确定方法、装置及存储介质 |
CN111414398B (zh) * | 2020-02-22 | 2023-05-30 | 中国平安财产保险股份有限公司 | 数据分析模型确定方法、装置及存储介质 |
CN113328881A (zh) * | 2021-05-26 | 2021-08-31 | 南京航空航天大学 | 一种面向非合作无线网络的拓扑感知方法及装置、系统 |
CN113300897A (zh) * | 2021-06-16 | 2021-08-24 | 中移(杭州)信息技术有限公司 | 因果关系的识别方法、终端设备及存储介质 |
CN113923099A (zh) * | 2021-09-03 | 2022-01-11 | 华为技术有限公司 | 一种通信网络故障的根因定位方法及相关设备 |
CN113923099B (zh) * | 2021-09-03 | 2022-12-27 | 华为技术有限公司 | 一种通信网络故障的根因定位方法及相关设备 |
Also Published As
Publication number | Publication date |
---|---|
CN108684051B (zh) | 2021-11-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108684051A (zh) | 一种基于因果诊断的无线网络性能优化方法、电子设备及存储介质 | |
EP2529186B1 (en) | Robust automated determination of the hierarchical structure of utility monitoring systems | |
EP2472467B1 (en) | System and method for monitoring resources in a water utility network | |
Kim et al. | Fuzzy versus statistical linear regression | |
CN111508216A (zh) | 一种大坝安全监测数据智能预警方法 | |
CN106951984A (zh) | 一种系统健康度动态分析预测方法及装置 | |
CN106250306A (zh) | 一种适用于企业级运维自动化平台的性能预测方法 | |
CN115657617A (zh) | 一种用于火电厂智慧监盘报警系统实现方法 | |
CN112702224B (zh) | 一种针对家庭宽带用户质差的分析方法和装置 | |
CN106447205A (zh) | 一种基于层次分析法的配电自动化终端状态评价方法 | |
US11842301B1 (en) | Methods for monitoring distributed energy storage safety and internet of things systems thereof | |
CN109271319A (zh) | 一种基于面板数据分析的软件故障的预测方法 | |
CN104462808A (zh) | 安全水平位移与水位的滑动可变窗口动态数据拟合方法 | |
CN111178725A (zh) | 一种基于层次分析法的保护设备状态预警方法 | |
CN113887846A (zh) | 一种电容式电压互感器的超差风险预警方法 | |
CN111612371A (zh) | 一种基于层次分析法的智能电表质量评估方法 | |
CN111859299A (zh) | 大数据指标构建方法、装置、设备及存储介质 | |
CN110619413A (zh) | 用于评估风力发电机组健康度的方法及装置 | |
CN115378928B (zh) | 基于云服务的监控方法及系统 | |
CN116993215A (zh) | 一种电力装备制造质量智能化评价预警方法及系统 | |
CN117827593A (zh) | 一种基于异常识别结果确定异常原因的方法和系统 | |
CN116319255A (zh) | 一种基于kpi的根因定位方法、装置、设备及存储介质 | |
CN111539840A (zh) | 一种融合聚类与密度估计的窃电检测方法及系统 | |
CN115564170A (zh) | 一种配电智能终端可靠性评估方法 | |
CN108599147A (zh) | 基于正态指数平滑法与核密度估计的组合区间预测方法 |
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 |