CN109257760A - 无线网络中的用户流量预测系统 - Google Patents

无线网络中的用户流量预测系统 Download PDF

Info

Publication number
CN109257760A
CN109257760A CN201811136066.8A CN201811136066A CN109257760A CN 109257760 A CN109257760 A CN 109257760A CN 201811136066 A CN201811136066 A CN 201811136066A CN 109257760 A CN109257760 A CN 109257760A
Authority
CN
China
Prior art keywords
user
flow
subsystem
wireless network
customer flow
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
Application number
CN201811136066.8A
Other languages
English (en)
Other versions
CN109257760B (zh
Inventor
王平辉
孙飞扬
贾鹏
王翔宇
齐逸岩
曾菊香
许诺
兰林
管晓宏
陶敬
韩婷
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.)
Shenzhen Research Institute Of Xi'an Jiaotong University
Original Assignee
Shenzhen Research Institute Of Xi'an Jiaotong University
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 Shenzhen Research Institute Of Xi'an Jiaotong University filed Critical Shenzhen Research Institute Of Xi'an Jiaotong University
Priority to CN201811136066.8A priority Critical patent/CN109257760B/zh
Publication of CN109257760A publication Critical patent/CN109257760A/zh
Application granted granted Critical
Publication of CN109257760B publication Critical patent/CN109257760B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/06—Testing, supervising or monitoring using simulated traffic
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/147—Network analysis or design for predicting network behaviour
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/029—Location-based management or tracking services

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明一种无线网络中的用户流量预测系统，包括基本特征提取、用户移动轨迹预测、用户流量偏好分析和区域流量预测四个子系统：首先对用户流量进行分析，初步提取用户特征；根据用户在区域中移动轨迹数据，基于卷积神经网络模型预测用户下一步去向；根据用户在区域中使用流量情况，基于循环神经网络模型预测用户下一时段流量；结合用户移动轨迹预测和流量预测，对整个区域下一时段的流量分布进行预测。本发明通过对区域中无线网络用户的无线网络连接及流量使用情况进行分析，预测该区域下一时段各个无线接入点的网络流量。可用于解决无线网络中多个路由器的带宽、信道分配问题；解决特定用户的流量使用情况预测问题；也可用于用户移动轨迹预测。

Description

无线网络中的用户流量预测系统
技术领域
本发明属于数据挖掘技术领域，特别涉及一种无线网络中的用户流量预测系统。
背景技术
随着移动通信技术的发展和智能移动设备(如智能手机、无线传感器)的快速普及，用户越来越频繁地使用移动设备，产生大量无线网络流量。由于用户的活动范围随机性较高，在某一时段、某一区域必然会产生网络拥堵，而同时另一些区域通信顺畅，通信负载不均衡，这会影响用户体验、造成用户流失，甚至会干扰智能移动设备(例如无人车的网络模块)的正常工作，造成安全隐患。因此，预测区域内的网络流量分布这一问题引起了许多研究人员的关注，并且在未来将变得更加重要。
传统的流量预测方法都是根据流量的历史记录，使用回归预测等统计方法进行的。然而，这种方法过于粗糙，仅仅根据前一时段的流量大小进行连续性的预测，无法应对流量突变的情况，也无法发现流量中隐藏的用户习惯、周期性事件等显著影响流量变化的特征。事实上，区域流量是各个用户的流量的组合，如果不能考虑到单一用户的特征，就难以捕捉流量变化的细节，例如，某一时刻用户从A移动到B，必然会产生A地流量降低，B地流量相应地可能会升高，仅仅考虑流量记录的预测方法无法解释这种合理的变化。
发明内容
为了克服上述现有技术的缺点，本发明的目的在于提供一种无线网络中的用户流量预测系统，一方面，考虑了单个用户的移动轨迹、使用习惯，得到更加精确的预测结果；另一方面，在预测整体流量的同时，还能完成单个用户的流量预测和轨迹预测任务。
为了实现上述目的，本发明采用的技术方案是：
无线网络中的用户流量预测系统，包括：
基本特征提取子系统，对用户流量进行分析，初步提取用户特征，包括区域内各个用户和各个无线接入点(AP)的特征；
用户移动轨迹预测子系统，根据用户在区域中的移动轨迹数据，基于卷积神经网络模型预测用户的下一步去向；
用户流量偏好分析子系统，根据用户在区域中使用流量的情况，基于循环神经网络模型预测用户的下一时段流量；
区域流量预测子系统，结合用户移动轨迹预测和流量预测，对整个区域下一时段的流量分布进行预测。
所述基本特征提取子系统从无线流量记录中提取出各个用户、各个无线接入点(AP)的特征。将用户和AP视为图中的节点，用户在AP的接入行为视为边，将用户在不同无线接入点(AP)使用流量的记录转化为二分图的形式，点代表用户和AP，边代表连接关系，然后使用图嵌入算法学习每个节点的隐含特征表示，得到用户与AP的向量化特征表示。
所述用户移动轨迹预测子系统以用户和AP的特征表示作为输入，将用户和AP的特征表示输入到一个卷积神经网络(CNN)中，同时将用户过去一段时间的移动轨迹作为输入，利用注意力机制挖掘针对不同用户的周期性移动习惯，输出用户下一个可能连接的AP。
所述用户流量偏好分析子系统以用户和AP的特征表示作为输入，将用户和AP的特征表示输入到一个循环神经网络(RNN)中，同时将用户过去一段时间的流量作为输入，利用注意力机制挖掘针对不同用户的周期性流量使用习惯，输出用户下一时刻可能产生的流量大小。
所述区域流量预测子系统结合上述用户移动轨迹预测子系统和用户流量偏好分析子系统获得的单一用户的轨迹预测和流量预测结果，将结果进行整合，形成一个行为用户，列为AP的矩阵，表示下一时段用户在每个AP的流量预期，最后按列相加，得到整个区域的流量预测结果。
本发明整个系统使用了端到端的学习框架，输入前一段时间的用户流量记录，输出下一时间段的区域流量分布。
与现有技术相比，本发明的有益效果是：
1、通过用户轨迹来推测用户的移动规律，处理细节的能力得到提高。
本发明考虑到单一用户的特征，可以捕捉到流量在不同地点之间的互补的细节变化。
2、发现用户的流量使用习惯，处理流量突变的能力得到明显提高。
本发明考虑了用户的周期性使用习惯，因此对于突然开始产生流量、流量突然消失这样的突变有了显著的处理能力。
3、能够同时预测单一用户的流量。
本发明相对于传统的流量预测方法，对单一用户使用的流量进行预测的准确度有明显提升。
附图说明
图1为本发明的系统整体结构图。
图2为本发明的基本特征提取子系统流程图。
图3为本发明的用户移动轨迹预测子系统流程图。
图4为本发明的用户流量偏好分析子系统流程图。
图5为本发明的区域流量预测子系统流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面结合附图和实施例详细说明本发明的实施方式。
如图1所示，本系统由四个子系统组成，分别是基本特征提取子系统、用户移动轨迹预测子系统、用户流量偏好分析子系统和区域流量预测子系统。系统的输入数据为包含用户、无线接入点(AP)的无线流量使用记录。为方便系统处理数据，将每一时刻的流量记录数据整理成以用户为行，AP为列的矩阵，这样就得到多个(与能够获取多长时间的流量记录有关)用户-AP流量矩阵，送入基本特征提取子系统。
在基本特征提取子系统中，将用户和AP视为图(graph)中的节点，用户在AP的接入行为视为边，将无线流量记录抽象为一张图，然后使用图嵌入算法学习每个节点的隐含特征表示。
将特征送入用户移动轨迹预测子系统，将用户和AP的特征表示输入到一个卷积神经网络(CNN)中，同时将用户过去一段时间连接过的AP作为输入，利用注意力机制挖掘针对不同用户的周期性移动习惯，输出用户下一个可能连接的AP。
同时，用户流量偏好分析子系统以用户和AP的特征表示作为输入，预测用户下一时刻的流量。该子系统将用户和AP的特征表示输入到一个循环神经网络(RNN)中，同时将用户过去一段时间的流量作为输入，利用注意力机制挖掘针对不同用户的周期性流量使用习惯，输出用户下一时刻可能产生的流量大小。
最后，区域流量预测子系统将整合上述用户移动轨迹预测子系统和用户流量偏好分析子系统获得的单一用户的轨迹预测和流量预测结果，预测区域内的整体流量分布。
本发明中各个子系统的详细介绍如下：
1、基本特征提取子系统
主要实现从无线流量记录中提取出各个用户、各个无线接入点(AP)的特征。
具体地，基本特征提取子系统对无线流量记录的处理过程如下：
用表示“用户-AP流量”矩阵。将不同时刻的H合并，按照目的不同生成两个矩阵：Hc，表示用户是否与AP连接；Ht，表示用户在某AP使用过的总流量。其中，Hc、Ht都可以很容易地转化为二分图(bipartite graph)的形式，因此本发明将用户和AP视为图中的节点，用户在AP的接入行为视为边，分别用邻接矩阵Gc和Gt表示转化为二分图后的Hc和Ht。
此时就可以使用近几年流行的图嵌入算法(本发明使用了LINE算法)学习每个节点的隐含特征表示(LINE算法是业内常用的开源算法，使用以下网址可以获得LINE算法的源代码https://github.com/tangjianpku/LINE)。邻接矩阵Gc可以直接应用LINE算法，而Ht表示的是流量大小，因此需要将邻接矩阵Gt中对应的元素替换成流量大小，使用加权的LINE方法学习特征表示，即可得到每个用户和AP基本的向量化特征表示：反映移动轨迹习惯的Uc和Vc，以及反映流量使用习惯的Ut和Vt。
Uc、Vc、Ut和Vt将作为用户移动轨迹预测子系统和用户流量偏好分析子系统的输入。
2、用户移动轨迹预测子系统
主要功能是利用用户和AP的特征表示U和V作为输入，预测用户下一步的移动轨迹。
具体地，用户移动轨迹预测子系统对用户和AP特征的分析过程如下：
对于用户u是否会在地点v出现，本发明使用一个卷积神经网络(CNN)进行判断。基于Uc和Vc，输入用户和AP的向量化特征表示ui和vj，同时，为了加入时间信息，本发明加入了一个移动轨迹历史特征矩阵Vh，Vh表示用户过去k时间段内连接过的AP的向量化特征，将以上三项输入到CNN模型中。这里为了体现用户的多样性，加入注意力机制层，学习每个用户不同的周期性移动习惯。然后将注意力层的输出用CNN网络进行学习，最后经过一层全连接层，得到判断结果。
3、用户流量偏好分析子系统
主要功能是利用用户和AP的特征表示U和V作为输入，预测用户下一步的移动轨迹。
具体地，用户流量偏好分析子系统对用户和AP特征的分析过程如下：
对于用户u会在地点v使用多少流量，本发明使用一个循环神经网络(RNN)进行判断。基于Ut和Vt，输入用户和AP的向量化特征表示ui和vj，同时，为了加入时间信息，本发明加入了一个流量使用的历史记录向量Vr，Vr表示用户过去k时间段内的流量使用记录，将以上三项输入到RNN模型中，Vr作为输入，ui和vj作为初始状态。这里为了体现用户的多样性，加入注意力机制层，学习每个用户不同的周期性流量使用习惯。最后经过一层全连接层，得到流量预测结果。
4、区域流量预测子系统
主要功能是预测下一时段的区域整体流量。
本发明将前两个子系统的输出结合起来，形成一个行为用户，列为AP的矩阵，表示下一时段用户在每个AP的流量预期。最后按列相加，得到整个区域的流量预测结果。
综上，本发明提供的一种无线网络中的用户流量预测系统，通过对用户的行为模式进行分析，预测区域内的无线网络流量。本发明可用于无线网络中的流量预测；用户轨迹预测；以及针对用户的个人流量预测。

Claims (8)

1.无线网络中的用户流量预测系统，其特征在于，包括：
基本特征提取子系统，对用户流量进行分析，初步提取用户特征，包括区域内各个用户和各个无线接入点(AP)的特征；
用户移动轨迹预测子系统，根据用户在区域中的移动轨迹数据，基于卷积神经网络模型预测用户的下一步去向；
用户流量偏好分析子系统，根据用户在区域中使用流量的情况，基于循环神经网络模型预测用户的下一时段流量；
区域流量预测子系统，结合用户移动轨迹预测和流量预测，对整个区域下一时段的流量分布进行预测。
2.根据权利要求1所述无线网络中的用户流量预测系统，其特征在于，将每一时刻的流量记录数据整理成以用户为行，AP为列的矩阵，得到多个用户-AP流量矩阵，作为基本特征提取子系统的输入。
3.根据权利要求1所述无线网络中的用户流量预测系统，其特征在于，所述基本特征提取子系统从无线流量记录中提取出各个用户、各个无线接入点(AP)的特征。
4.根据权利要求1所述无线网络中的用户流量预测系统，其特征在于，所述基本特征提取子系统将用户和AP视为图中的节点，用户在AP的接入行为视为边，将用户在不同无线接入点(AP)使用流量的记录转化为二分图的形式，点代表用户和AP，边代表连接关系，然后使用图嵌入算法学习每个节点的隐含特征表示，得到用户与AP的向量化特征表示。
5.根据权利要求1所述无线网络中的用户流量预测系统，其特征在于，所述用户移动轨迹预测子系统以用户和AP的特征表示作为输入，将用户和AP的特征表示输入到一个卷积神经网络(CNN)中，同时将用户过去一段时间的移动轨迹作为输入，利用注意力机制挖掘针对不同用户的周期性移动习惯，输出用户下一个可能连接的AP。
6.根据权利要求1所述无线网络中的用户流量预测系统，其特征在于，所述用户流量偏好分析子系统以用户和AP的特征表示作为输入，将用户和AP的特征表示输入到一个循环神经网络(RNN)中，同时将用户过去一段时间的流量作为输入，利用注意力机制挖掘针对不同用户的周期性流量使用习惯，输出用户下一时刻可能产生的流量大小。
7.根据权利要求1所述无线网络中的用户流量预测系统，其特征在于，所述区域流量预测子系统结合上述用户移动轨迹预测子系统和用户流量偏好分析子系统获得的单一用户的轨迹预测和流量预测结果，将结果进行整合，形成一个行为用户，列为AP的矩阵，表示下一时段用户在每个AP的流量预期，最后按列相加，得到整个区域的流量预测结果。
8.根据权利要求1所述无线网络中的用户流量预测系统，其特征在于，整个系统使用了端到端的学习框架，输入前一段时间的用户流量记录，输出下一时间段的区域流量分布。
CN201811136066.8A 2018-09-28 2018-09-28 无线网络中的用户流量预测系统 Active CN109257760B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811136066.8A CN109257760B (zh) 2018-09-28 2018-09-28 无线网络中的用户流量预测系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811136066.8A CN109257760B (zh) 2018-09-28 2018-09-28 无线网络中的用户流量预测系统

Publications (2)

Publication Number Publication Date
CN109257760A true CN109257760A (zh) 2019-01-22
CN109257760B CN109257760B (zh) 2019-10-11

Family

ID=65048089

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811136066.8A Active CN109257760B (zh) 2018-09-28 2018-09-28 无线网络中的用户流量预测系统

Country Status (1)

Country Link
CN (1) CN109257760B (zh)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109041217A (zh) * 2018-09-21 2018-12-18 北京邮电大学 一种异构网络中的分级移动性预测方法
CN110175711A (zh) * 2019-05-17 2019-08-27 北京市天元网络技术股份有限公司 一种基于联合lstm基站小区流量预测方法以及装置
CN110769572A (zh) * 2019-11-14 2020-02-07 安徽节源环保科技有限公司 一种基于gis和手机定位的灯光控制系统和方法
CN110798365A (zh) * 2020-01-06 2020-02-14 支付宝(杭州)信息技术有限公司 基于神经网络的流量预测方法及装置
CN111817902A (zh) * 2020-09-02 2020-10-23 上海兴容信息技术有限公司 一种控制带宽的方法和系统
CN111935766A (zh) * 2020-09-15 2020-11-13 之江实验室 一种基于全局空间依赖性的无线网络流量预测方法
CN112105048A (zh) * 2020-07-27 2020-12-18 北京邮电大学 基于双周期Holt-Winters模型和SARIMA模型的组合预测方法
CN112469053A (zh) * 2020-11-16 2021-03-09 山东师范大学 一种td-lte无线网络数据流量预测方法及系统
CN113098735A (zh) * 2021-03-31 2021-07-09 上海天旦网络科技发展有限公司 面向推理的应用流量和指标向量化方法及系统
CN113497717A (zh) * 2020-03-19 2021-10-12 中国移动通信有限公司研究院 网络流量的预测方法、装置、设备及存储介质
WO2022228344A1 (zh) * 2021-04-30 2022-11-03 华为技术有限公司 流量预测方法、装置及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101651568A (zh) * 2009-07-01 2010-02-17 青岛农业大学 一种网络流量预测和异常检测方法
CN103227999A (zh) * 2013-05-02 2013-07-31 中国联合网络通信集团有限公司 网络流量预测方法和装置
CN107770084A (zh) * 2016-08-19 2018-03-06 华为技术有限公司 一种数据流量的管理方法及装置
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

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101651568A (zh) * 2009-07-01 2010-02-17 青岛农业大学 一种网络流量预测和异常检测方法
CN103227999A (zh) * 2013-05-02 2013-07-31 中国联合网络通信集团有限公司 网络流量预测方法和装置
CN107770084A (zh) * 2016-08-19 2018-03-06 华为技术有限公司 一种数据流量的管理方法及装置
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

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109041217B (zh) * 2018-09-21 2020-01-10 北京邮电大学 一种异构网络中的分级移动性预测方法
CN109041217A (zh) * 2018-09-21 2018-12-18 北京邮电大学 一种异构网络中的分级移动性预测方法
CN110175711A (zh) * 2019-05-17 2019-08-27 北京市天元网络技术股份有限公司 一种基于联合lstm基站小区流量预测方法以及装置
CN110769572B (zh) * 2019-11-14 2021-08-13 安徽节源环保科技有限公司 一种基于gis和手机定位的灯光控制系统和方法
CN110769572A (zh) * 2019-11-14 2020-02-07 安徽节源环保科技有限公司 一种基于gis和手机定位的灯光控制系统和方法
CN110798365A (zh) * 2020-01-06 2020-02-14 支付宝(杭州)信息技术有限公司 基于神经网络的流量预测方法及装置
CN113497717B (zh) * 2020-03-19 2023-03-31 中国移动通信有限公司研究院 网络流量的预测方法、装置、设备及存储介质
CN113497717A (zh) * 2020-03-19 2021-10-12 中国移动通信有限公司研究院 网络流量的预测方法、装置、设备及存储介质
CN112105048B (zh) * 2020-07-27 2021-10-12 北京邮电大学 基于双周期Holt-Winters模型和SARIMA模型的组合预测方法
CN112105048A (zh) * 2020-07-27 2020-12-18 北京邮电大学 基于双周期Holt-Winters模型和SARIMA模型的组合预测方法
CN111817902B (zh) * 2020-09-02 2021-01-01 上海兴容信息技术有限公司 一种控制带宽的方法和系统
CN111817902A (zh) * 2020-09-02 2020-10-23 上海兴容信息技术有限公司 一种控制带宽的方法和系统
CN111935766A (zh) * 2020-09-15 2020-11-13 之江实验室 一种基于全局空间依赖性的无线网络流量预测方法
CN112469053A (zh) * 2020-11-16 2021-03-09 山东师范大学 一种td-lte无线网络数据流量预测方法及系统
CN113098735A (zh) * 2021-03-31 2021-07-09 上海天旦网络科技发展有限公司 面向推理的应用流量和指标向量化方法及系统
WO2022228344A1 (zh) * 2021-04-30 2022-11-03 华为技术有限公司 流量预测方法、装置及存储介质

Also Published As

Publication number Publication date
CN109257760B (zh) 2019-10-11

Similar Documents

Publication Publication Date Title
CN109257760B (zh) 无线网络中的用户流量预测系统
Aceto et al. DISTILLER: Encrypted traffic classification via multimodal multitask deep learning
Aceto et al. MIMETIC: Mobile encrypted traffic classification using multimodal deep learning
Xiao et al. Understanding private car aggregation effect via spatio-temporal analysis of trajectory data
Ma et al. Combinatorial optimization by graph pointer networks and hierarchical reinforcement learning
Xu et al. Spatial-temporal transformer networks for traffic flow forecasting
Chen et al. PCNN: Deep convolutional networks for short-term traffic congestion prediction
Chen et al. Sequence-aware factorization machines for temporal predictive analytics
Zheng et al. Short-term traffic volume forecasting: A k-nearest neighbor approach enhanced by constrained linearly sewing principle component algorithm
Al-Molegi et al. STF-RNN: Space time features-based recurrent neural network for predicting people next location
Zhao et al. Towards traffic matrix prediction with LSTM recurrent neural networks
Liang et al. Memory-augmented dynamic graph convolution networks for traffic data imputation with diverse missing patterns
WO2022016556A1 (zh) 一种神经网络蒸馏方法以及装置
Saxena et al. D-GAN: Deep generative adversarial nets for spatio-temporal prediction
CN112053560B (zh) 基于神经网络的短时交通流量预测方法、系统和存储介质
Sone et al. Wireless traffic usage forecasting using real enterprise network data: Analysis and methods
CN115545758B (zh) 城市服务设施自适应增量选址的方法和系统
He et al. Graph attention spatial-temporal network for deep learning based mobile traffic prediction
WO2021103977A1 (zh) 神经网络的搜索方法、装置及设备
Zhang et al. A dual-head attention model for time series data imputation
TW200814708A (en) Power save method and system for a mobile device
Ran et al. Short-term travel time prediction: a spatiotemporal deep learning approach
Xie et al. Research of PM2. 5 prediction system based on CNNs-GRU in Wuxi urban area
CN115423146A (zh) 一种基于多因子最近邻抽样回归和支持向量机的自适应径流预报方法
CN109102698B (zh) 基于集成lssvr模型的路网中短时交通流的预测方法

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