CN109660995A - 基于机器学习算法的WiFi系统中AP智能节能控制方法及设备 - Google Patents

基于机器学习算法的WiFi系统中AP智能节能控制方法及设备 Download PDF

Info

Publication number
CN109660995A
CN109660995A CN201811494539.1A CN201811494539A CN109660995A CN 109660995 A CN109660995 A CN 109660995A CN 201811494539 A CN201811494539 A CN 201811494539A CN 109660995 A CN109660995 A CN 109660995A
Authority
CN
China
Prior art keywords
state
machine learning
learning algorithm
saving control
system based
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
CN201811494539.1A
Other languages
English (en)
Other versions
CN109660995B (zh
Inventor
薛广涛
方亮
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.)
Shanghai Jiaotong University
Original Assignee
Shanghai 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 Shanghai Jiaotong University filed Critical Shanghai Jiaotong University
Priority to CN201811494539.1A priority Critical patent/CN109660995B/zh
Publication of CN109660995A publication Critical patent/CN109660995A/zh
Application granted granted Critical
Publication of CN109660995B publication Critical patent/CN109660995B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
    • H04W16/22—Traffic simulation tools or models
    • 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
    • H04W52/04—TPC
    • H04W52/30—TPC using constraints in the total amount of available transmission power
    • H04W52/34—TPC management, i.e. sharing limited amount of power among users or channels or data types, e.g. cell loading
    • H04W52/343—TPC management, i.e. sharing limited amount of power among users or channels or data types, e.g. cell loading taking into account loading or congestion level
    • 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
    • H04W52/04—TPC
    • H04W52/30—TPC using constraints in the total amount of available transmission power
    • H04W52/36—TPC using constraints in the total amount of available transmission power with a discrete range or set of values, e.g. step size, ramping or offsets
    • 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

本发明涉及一种基于机器学习算法的WiFi系统中AP智能节能控制方法及设备，其中方法包括：步骤S1：收集无线网络系统中各AP的负载历史数据；步骤S2：选取时间与空间维度的特征利用随机森林算法对每个AP的负载进行建模得到用于预测其状态为空闲或非空闲的负载模型；步骤S3：基于各AP的负载模型，预测其未来的状态；步骤S4：对于各AP，提取状态连续空闲的时间超过设定长度，则控制该AP在此连续空闲的时间区间内关闭。与现有技术相比，本发明通过动态控制，对于处于空闲的AP进行关闭，从而对于大规模无线网络系统可以显著降低功耗，实现节能。

Description

基于机器学习算法的WiFi系统中AP智能节能控制方法及设备
技术领域
本发明涉及一种节能控制方法，尤其是涉及一种基于机器学习算法的WiFi系统中AP智能节能控制方法及设备。
背景技术
在无线网络系统中，利用地理分布和信号强度划分集群或利用Queueing models等方法动态开关AP以实现节能的方法可以在AP高密度分布的场景下取得较好的效果。但是在大规模无线网络系统中，几千乃至上万个AP分散在很大面积的地理区域内，不同AP覆盖范围重叠区域很小，这类方法便不再适用。
机器学习算法通常被用来在计算机上模拟或实现人类的学习行为，即不断归纳、综合，以获取新的知识或技能，重新组织已有的知识架构使之不断改善自身的性能。本发明利用大规模无线网络系统中所有AP的负载历史数据，使用随机森林算法对AP的负载建立模型，并在模型预测结果的基础上设计动态控制AP开关的策略，实现能源节约的目的。
近年来为了实现无线网络信号的全面积覆盖，越来越多的企业或组织大规模地部署无线网络AP。然而，通过案例分析发现在这些大规模无线网络系统中，相当比例的AP长时间处于空闲状态。显然地，长时间没有用户关联的AP一直保持工作状态带来了较大的能源浪费。然而，如果简单地关闭这些长时间无用户关联的AP，虽然能够达到节约能源的效果，但是由于无线网络系统中用户固有的移动性，不可避免地会降低无线网络信号的覆盖率，从而对终端用户的体验造成负面影响。因此，如何控制管理AP以在用户覆盖率与能源节约效果之间达到最佳平衡是关键。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于机器学习算法的WiFi系统中AP智能节能控制方法及设备。
本发明的目的可以通过以下技术方案来实现：
一种基于机器学习算法的WiFi系统中AP智能节能控制方法，包括：
步骤S1：收集无线网络系统中各AP的负载历史数据；
步骤S2：选取时间与空间维度的特征利用随机森林算法对每个AP的负载进行建模得到用于预测其状态为空闲或非空闲的负载模型；
步骤S3：基于各AP的负载模型，预测其未来的状态；
步骤S4：对于各AP，提取状态连续空闲的时间超过设定长度，则控制该AP在此连续空闲的时间区间内关闭。
所述步骤S3具体为：基于各AP的负载模型，分别预测其之后多个时间单位内的状态；
所述步骤S4中对于单个AP的控制具体包括：
步骤S41：获取其之后多个时间单位内预测得到的状态；
步骤S42：判断状态连续空闲的时间单元的数目是否超过设定阈值，若为是，则提取这些时间单元作为待优化区间并执行步骤S43：
步骤S43：在这些待优化区间内关闭该AP。
所述时间单位的长度为半小时。
所述设定阈值为5～15。
所述设定阈值为10。
一种基于机器学习算法的WiFi系统中AP智能节能控制装置，与WiFi系统中各AP连接，包括存储器、处理器，以及存储于存储器中并由所述处理器执行的程序，所述处理器在执行所述程序时实现以下步骤：
步骤S1：收集无线网络系统中各AP的负载历史数据；
步骤S2：选取时间与空间维度的特征利用随机森林算法对每个AP的负载进行建模得到用于预测其状态为空闲或非空闲的负载模型；
步骤S3：基于各AP的负载模型，预测其未来的状态；
步骤S4：对于各AP，提取状态连续空闲的时间超过设定长度，则控制该AP在此连续空闲的时间区间内关闭。
所述步骤S3具体为：基于各AP的负载模型，分别预测其之后多个时间单位内的状态；
所述步骤S4中对于单个AP的控制具体包括：
步骤S41：获取其之后多个时间单位内预测得到的状态；
步骤S42：判断状态连续空闲的时间单元的数目是否超过设定阈值，若为是，则提取这些时间单元作为待优化区间并执行步骤S43：
步骤S43：在这些待优化区间内关闭该AP。
所述时间单位的长度为半小时。
所述设定阈值为5～15。
所述设定阈值为10。
与现有技术相比，本发明具有以下有益效果：
1)通过动态控制，对于处于空闲的AP进行关闭，从而对于大规模无线网络系统可以显著降低功耗，实现节能。
2)采用时间单元的方式进行预测，可以降低预测时的系统负荷，降低处理器的性能要求。
3)引入了一个控制因子用于权衡用户覆盖率与能源节约效果，能源节约效果更优。
4)通过将时间单位的长度设置为半小时，控制因子采取用10时可以起到最好的节能和用户覆盖率平衡效果，在实际运行中的大规模无线网络系统中实现了70％的节能比例。
附图说明
图1为本发明方法的主要步骤流程示意图；
图2为某大型无线网络系统实例拓扑图；
图3(a)为工作日无线网络系统中所有AP负载分布CDF图；
图3(b)为周末无线网络系统中所有AP负载分布CDF图；
图4为实施例中两周内用户数变化波形图；
图5为滑动时间窗口工作原理示意图；
图6为智能动态控制策略测试结果图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
本申请公开了一种基于机器学习算法的大规模无线网络中AP节能控制系统。如今大型企业、大学校园或其他大型组织与单位常常部署了大规模的无线网络服务，通过大量的AP(Access Point)提供几乎无处不在的WiFi接入点给用户。这些大规模部署的AP给网络管理与能源消耗都带来了很大的负担。通过对一个实际运行中的大规模无线网络系统(覆盖40000+活跃用户，8000+AP)数据的分析，我们发现任意时刻，处于空闲状态的AP在系统中非常普遍，其所占比例通常大于50％。为了减小系统中AP的空闲率，我们提出基于机器学习算法动态控制AP运行状态的机制。首先，对所有AP的负载建立模型，使用随机森林算法来预测未来给定时刻AP的负载状况；如果某一AP被预测为空闲的时间长度大于事先定义好的滑动时间窗口的长度，那么该AP在此空闲时间段内将被系统关闭，实现能源节约的目的。经过仿真实验的测评，本申请成功地实现在保证92％用户的上网体验不受影响的情况下节约70％的能源消耗，取得了良好的节能效果。
在大规模无线网络系统中，通过对实际运行中的大规模无线网络系统的案例分析，发现AP的工作负载在时间上具有明显周期性特征，不同区域的AP的工作负载也具有很大的差异性。这意味着我们可以通过对AP的工作负载建立模型，对未来一段时间内每个AP的工作负载进行预测，并依据预测结果制定管理策略。具体地，首先收集无线网络系统中各AP的负载历史数据，然后选取时间与空间维度的特征利用随机森林算法对每个AP的负载进行建模，最后预测未来一段时间的AP工作负载状态(即“空闲”或“非空闲”)。针对每一个AP，根据其未来一段时间内的负载状态预测结果决定其是否需要在某一时间段内被关闭。引入一个时间窗口长度因子λ，用于权衡用户覆盖率与节能效果。对于每一个被控制的AP，如果其在连续大于或等于λ个时间单位内预测的负载结果都是“空闲”，那么其在此时间段内将被控制器关闭。
具体的，如图1所示，本申请方法包括：
步骤S1：收集无线网络系统中各AP的负载历史数据；
步骤S2：选取时间与空间维度的特征利用随机森林算法对每个AP的负载进行建模得到用于预测其状态为空闲或非空闲的负载模型；
首先，需要通过SNMP(Simple Network Management Protocol)协议从管理平台(如图2中的Network Management Platform)采集大规模无线网络系统中AP的工作历史数据，主要字段包括时间戳，AP的ID，当前在线用户列表等。获得所有AP的负载历史数据以后，通过分析所有AP的负载分布，发现空闲AP(即无在线用户)在系统中占据很大比例。如图3所示，在工作日和周末的08:00-10:00期间，空闲AP所占比例分别是46％与64％；在22:00-24:00期间，空闲AP所占比例分别达到了80％与91.5％。大比例的空闲AP始终处于开启状态会带来大量的能源浪费。进一步分析AP的负载随时间变化可以发现，AP的负载具有周期性的特征。图4中给出了单个AP、单个建筑物以及整个系统三个不同粒度的在线用户数变化波形图。从波形图中可以看出AP的负载变化具有明显的周期性规律，这为建立AP负载模型时的特征选取提供了依据。AP负载变化的周期性说明时间因素对其影响显著，因此选取Time ofDay、Day of Week以及Holiday or not作为特征，在AP负载历史数据集上使用随机森林算法建立AP的负载模型。
步骤S3：基于各AP的负载模型，预测其未来的状态，具体为基于各AP的负载模型，分别预测其之后多个时间单位内的状态；
步骤S4：对于各AP，提取状态连续空闲的时间超过设定长度，则控制该AP在此连续空闲的时间区间内关闭，其中对于单个AP的控制具体包括：
步骤S41：获取其之后多个时间单位内预测得到的状态；
步骤S42：判断状态连续空闲的时间单元的数目是否超过设定阈值，若为是，则提取这些时间单元作为待优化区间并执行步骤S43：
步骤S43：在这些待优化区间内关闭该AP。
根据数据分析结果，AP的工作负载具有明显的周期性特征。我们使用随机森林算法建立了AP的负载模型，从而可以使用负载模型预测给定时刻AP的工作状态。在我们实现的系统中，一个时间单位是半小时，一天有48个时间单位。针对每一个AP，如果其负载在某时间单位的预测结果为空闲(idle)，那么我们应该将其关闭以实现节能；如果其负载在某时间单位的预测结果是非空闲(busy)，那么我们应该在该时间单位内保持其处于正常工作状态以提供服务给用户。为了减少节能系统对用户体验的负面影响以及避免控制AP状态操作的复杂性过高，我们引入一个滑动时间窗口长度控制因子λ来权衡用户覆盖率(正常上网用户数/有上网需求的用户数)与节能比例，其原理如图5所示。在系统中预定义λ的值，如果在连续大于或等于λ个时间单位的时间段内，AP的负载预测结果都是idle，就将其在此时间段关闭；否则保持其处于正常工作状态。λ的值越大，节能比例越小，但用户覆盖率会越高，节能系统对用户上网体验的影响越小。λ的值为5～15，最优为10。
图6是λ＝10时智能动态控制节能系统的测试实验结果。结果表明，在保证92％的用户上网不受影响的情况下，可以节约70％的AP能源消耗。

Claims (10)

1.一种基于机器学习算法的WiFi系统中AP智能节能控制方法，其特征在于，包括：
步骤S1：收集无线网络系统中各AP的负载历史数据；
步骤S2：选取时间与空间维度的特征利用随机森林算法对每个AP的负载进行建模得到用于预测其状态为空闲或非空闲的负载模型；
步骤S3：基于各AP的负载模型，预测其未来的状态；
步骤S4：对于各AP，提取状态连续空闲的时间超过设定长度，则控制该AP在此连续空闲的时间区间内关闭。
2.根据权利要求1所述的一种基于机器学习算法的WiFi系统中AP智能节能控制方法，其特征在于，所述步骤S3具体为：基于各AP的负载模型，分别预测其之后多个时间单位内的状态；
所述步骤S4中对于单个AP的控制具体包括：
步骤S41：获取其之后多个时间单位内预测得到的状态；
步骤S42：判断状态连续空闲的时间单元的数目是否超过设定阈值，若为是，则提取这些时间单元作为待优化区间并执行步骤S43：
步骤S43：在这些待优化区间内关闭该AP。
3.根据权利要求2所述的一种基于机器学习算法的WiFi系统中AP智能节能控制方法，其特征在于，所述时间单位的长度为半小时。
4.根据权利要求2所述的一种基于机器学习算法的WiFi系统中AP智能节能控制方法，其特征在于，所述设定阈值为5～15。
5.根据权利要求4所述的一种基于机器学习算法的WiFi系统中AP智能节能控制方法，其特征在于，所述设定阈值为10。
6.一种基于机器学习算法的WiFi系统中AP智能节能控制装置，与WiFi系统中各AP连接，包括存储器、处理器，以及存储于存储器中并由所述处理器执行的程序，其特征在于，所述处理器在执行所述程序时实现以下步骤：
步骤S1：收集无线网络系统中各AP的负载历史数据；
步骤S2：选取时间与空间维度的特征利用随机森林算法对每个AP的负载进行建模得到用于预测其状态为空闲或非空闲的负载模型；
步骤S3：基于各AP的负载模型，预测其未来的状态；
步骤S4：对于各AP，提取状态连续空闲的时间超过设定长度，则控制该AP在此连续空闲的时间区间内关闭。
7.根据权利要求6所述的一种基于机器学习算法的WiFi系统中AP智能节能控制装置，其特征在于，所述步骤S3具体为：基于各AP的负载模型，分别预测其之后多个时间单位内的状态；
所述步骤S4中对于单个AP的控制具体包括：
步骤S41：获取其之后多个时间单位内预测得到的状态；
步骤S42：判断状态连续空闲的时间单元的数目是否超过设定阈值，若为是，则提取这些时间单元作为待优化区间并执行步骤S43：
步骤S43：在这些待优化区间内关闭该AP。
8.根据权利要求7所述的一种基于机器学习算法的WiFi系统中AP智能节能控制装置，其特征在于，所述时间单位的长度为半小时。
9.根据权利要求7所述的一种基于机器学习算法的WiFi系统中AP智能节能控制装置，其特征在于，所述设定阈值为5～15。
10.根据权利要求9所述的一种基于机器学习算法的WiFi系统中AP智能节能控制装置，其特征在于，所述设定阈值为10。
CN201811494539.1A 2018-12-07 2018-12-07 基于机器学习算法的WiFi系统中AP智能节能控制方法及设备 Active CN109660995B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811494539.1A CN109660995B (zh) 2018-12-07 2018-12-07 基于机器学习算法的WiFi系统中AP智能节能控制方法及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811494539.1A CN109660995B (zh) 2018-12-07 2018-12-07 基于机器学习算法的WiFi系统中AP智能节能控制方法及设备

Publications (2)

Publication Number Publication Date
CN109660995A true CN109660995A (zh) 2019-04-19
CN109660995B CN109660995B (zh) 2021-11-09

Family

ID=66113053

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811494539.1A Active CN109660995B (zh) 2018-12-07 2018-12-07 基于机器学习算法的WiFi系统中AP智能节能控制方法及设备

Country Status (1)

Country Link
CN (1) CN109660995B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021027783A1 (zh) * 2019-08-14 2021-02-18 华为技术有限公司 分配射频资源的方法、装置、设备、系统和存储介质
CN114980156A (zh) * 2022-04-08 2022-08-30 重庆邮电大学 一种无蜂窝毫米波大规模mimo系统的ap开关切换方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017065651A1 (en) * 2015-10-12 2017-04-20 Telefonaktiebolaget Lm Ericsson (Publ) Load balancing of data traffic in a communications network
CN107426804A (zh) * 2017-06-06 2017-12-01 重庆邮电大学 一种基于拍卖机制的wlan系统无线接入点节能控制方法
WO2018107128A1 (en) * 2016-12-09 2018-06-14 U2 Science Labs, Inc. Systems and methods for automating data science machine learning analytical workflows
CN108182115A (zh) * 2017-12-28 2018-06-19 福州大学 一种云环境下的虚拟机负载均衡方法
CN108322274A (zh) * 2018-01-29 2018-07-24 重庆邮电大学 一种基于贪心算法的wlan系统ap节能与干扰优化方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017065651A1 (en) * 2015-10-12 2017-04-20 Telefonaktiebolaget Lm Ericsson (Publ) Load balancing of data traffic in a communications network
WO2018107128A1 (en) * 2016-12-09 2018-06-14 U2 Science Labs, Inc. Systems and methods for automating data science machine learning analytical workflows
CN107426804A (zh) * 2017-06-06 2017-12-01 重庆邮电大学 一种基于拍卖机制的wlan系统无线接入点节能控制方法
CN108182115A (zh) * 2017-12-28 2018-06-19 福州大学 一种云环境下的虚拟机负载均衡方法
CN108322274A (zh) * 2018-01-29 2018-07-24 重庆邮电大学 一种基于贪心算法的wlan系统ap节能与干扰优化方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
AMIT P. JARDOSH ET AL.: ""Green WLANs: On-Demand WLAN Infrastructures"", 《MOBILE NETWORKS AND APPLICATIONS VOLUME》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021027783A1 (zh) * 2019-08-14 2021-02-18 华为技术有限公司 分配射频资源的方法、装置、设备、系统和存储介质
US11576187B2 (en) 2019-08-14 2023-02-07 Huawei Technologies Co., Ltd. Radio frequency resource allocation method, apparatus, device and system, and storage medium
CN114980156A (zh) * 2022-04-08 2022-08-30 重庆邮电大学 一种无蜂窝毫米波大规模mimo系统的ap开关切换方法
CN114980156B (zh) * 2022-04-08 2024-04-19 重庆邮电大学 一种无蜂窝毫米波大规模mimo系统的ap开关切换方法

Also Published As

Publication number Publication date
CN109660995B (zh) 2021-11-09

Similar Documents

Publication Publication Date Title
WO2016078268A1 (zh) 节能方法及装置
CN104604323A (zh) 自适应快速休眠控制器
CN104580710A (zh) 一种基于学习用户操作习惯的自动省电方法
CN112954707B (zh) 基站的节能方法、装置、基站和计算机可读存储介质
CN109660995A (zh) 基于机器学习算法的WiFi系统中AP智能节能控制方法及设备
Temesgene et al. Distributed deep reinforcement learning for functional split control in energy harvesting virtualized small cells
Xu et al. Energy-efficient WLANs with resource and re-association scheduling optimization
Miozzo et al. Coordinated load control of renewable powered small base stations through layered learning
Temesgene et al. Dynamic control of functional splits for energy harvesting virtual small cells: A distributed reinforcement learning approach
Byun et al. Cellular-automaton-based node scheduling control for wireless sensor networks
Wang et al. Base station wake-up strategy in cellular networks with hybrid energy supplies for 6G networks in an IoT environment
Li et al. Dynamic virtual machine consolidation algorithm based on balancing energy consumption and quality of service
Dlamini et al. Online supervisory control and resource management for energy harvesting BS sites empowered with computation capabilities
Celebi et al. Energy reduction in small cell networks by a random on/off strategy
CN114339971A (zh) 基站节能控制方法、装置、存储介质及电子设备
Sun et al. QoI-aware energy management in Internet-of-Things sensory environments
Jia et al. Wireless sensor network monitoring algorithm for partial discharge in smart grid
CN104883725B (zh) 一种长期演进网络中基于站点实际负载的网络节能方法
CN113950134B (zh) 基站的休眠预测方法、装置、设备和计算机可读存储介质
Murthy Energy-agile laptops: Demand response of mobile plug loads using sensor/actuator networks
CN115243349A (zh) 基站节能方法、装置、电子设备及存储介质
Arivalai et al. Dynamic power management for improving sensor lifetime in internet of things based wireless sensor environments
Murudkar et al. Network Architecture for Machine Learning: A Network Operator's Perspective
CN105794279A (zh) 降低小小区设备的能量消耗
Marinescu et al. Deep learning–based coverage and capacity optimization

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
CB02 Change of applicant information
CB02 Change of applicant information

Address after: 200030 Dongchuan Road, Minhang District, Minhang District, Shanghai

Applicant after: Shanghai Jiaotong University

Address before: 200030 Huashan Road, Shanghai, No. 1954, No.

Applicant before: Shanghai Jiaotong University

GR01 Patent grant
GR01 Patent grant