CN109982295B - 业务模板的推送方法及业务模板的推送器 - Google Patents
业务模板的推送方法及业务模板的推送器 Download PDFInfo
- Publication number
- CN109982295B CN109982295B CN201910219281.2A CN201910219281A CN109982295B CN 109982295 B CN109982295 B CN 109982295B CN 201910219281 A CN201910219281 A CN 201910219281A CN 109982295 B CN109982295 B CN 109982295B
- Authority
- CN
- China
- Prior art keywords
- service template
- current
- template recommendation
- feature data
- recommendation
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000011156 evaluation Methods 0.000 claims description 81
- 239000013598 vector Substances 0.000 claims description 18
- 210000002569 neuron Anatomy 0.000 claims description 11
- 239000002131 composite material Substances 0.000 claims description 10
- 239000011664 nicotinic acid Substances 0.000 claims description 9
- 230000002708 enhancing effect Effects 0.000 claims description 4
- 150000001875 compounds Chemical class 0.000 claims description 3
- 238000012512 characterization method Methods 0.000 claims 1
- 238000012545 processing Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 230000023402 cell communication Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000002035 prolonged effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013329 compounding Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5061—Partitioning or combining of resources
- G06F9/5072—Grid computing
-
- 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
- H04L67/55—Push-based network services
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/50—Service provisioning or reconfiguring
-
- 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
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
-
- 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)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种业务模板的推送方法及业务模板的推送器。该业务模板的推送方法包括:步骤S1、接收各用户终端发送的当前业务需求;步骤S2、获取各业务模板推荐策略对应的特征数据,各特征数据包括当前的业务模板推荐准确度、当前的业务模板推荐时延和当前的业务模板推荐功耗;步骤S3、根据各特征数据的当前的业务模板推荐准确度、当前的业务模板推荐时延和当前业务模板推荐功耗确定出最优的特征数据;步骤S4、将所述最优的特征数据对应的业务模板推荐策略作为当前最优业务模板推荐策略,输出所述当前最优业务模板推荐策略;步骤S5、根据当前最优业务模板推荐策略,向各用户终端推送与所述当前业务需求对应的业务模板。
Description
技术领域
本发明涉及通信技术领域,特别涉及一种业务模板的推送方法及业务模板的推送器。
背景技术
随着人工智能和移动边缘计算的迅猛发展,边缘终端设备的数量迅速增加,同时边缘终端设备所产生数据量已达到泽字节(ZB)级别。集中式数据处理不能有效处理边缘终端设备所产生的海量数据,边缘云已被业界普遍认定为下一代数字化转型的主要趋势之一。其中,移动边缘计算(Mobile Edge Computing,简称:MEC)是将传统云计算平台的部分计算任务迁移到接入域,并将传统业务与互联网业务进行深度融合,减少传统业务交付的端到端时延,进而带给运营商的运作带来全新模式,并建立全新的产业链及生态圈。这种情况下,面对日益迫切的人工智能和移动边缘计算需求,基于移动边缘计算的智能业务模板边缘云推送机制的迅速持续发展具有重要意义。
现有技术中,随着人工智能和边缘云承载业务的快速增长,伴之产生的系统推荐准确度低、业务模板推荐时延长、业务推荐功耗成本高等问题日益突出。现有边缘云系统未充分考虑到系统推荐准确度低、业务模板推荐时延长、业务推荐功耗成本高等方面问题。
发明内容
本发明旨在至少解决上述现有技术中存在的技术问题之一,提供一种业务模板的推送方法及业务模板的推送器,用于实现业务模板的推荐的低时延、低功耗及高准确率。
为实现上述目的,本发明提供了一种业务模板的推送方法,该业务模板的推送方法包括:
步骤S1、接收各用户终端发送的当前业务需求;
步骤S2、获取各业务模板推荐策略对应的特征数据,各特征数据包括当前的业务模板推荐准确度、当前的业务模板推荐时延和当前的业务模板推荐功耗;
步骤S3、根据各特征数据的当前的业务模板推荐准确度、当前的业务模板推荐时延和当前业务模板推荐功耗确定出最优的特征数据;
步骤S4、将所述最优的特征数据对应的业务模板推荐策略作为当前最优业务模板推荐策略,输出所述当前最优业务模板推荐策略;
步骤S5、根据当前最优业务模板推荐策略,向各用户终端推送与所述当前业务需求对应的业务模板。
可选地,步骤S3包括:
步骤S31、根据各特征数据的当前的业务模板推荐准确度、当前的业务模板推荐时延和当前的业务模板推荐功耗,生成各特征数据对应的当前的判断参量;
步骤S32、对比各特征数据对应的当前的判断参量,确定出当前具有最小判断参量的特征数据;
步骤S33、根据当前具有最小判断参量的特征数据中的当前的业务模板推荐准确度、当前的业务模板推荐时延和当前的业务模板推荐功耗,生成当前具有最小判断参量的特征数据对应的评价值和评价参考值;
步骤S34、判断所述评价值是否小于或等于所述评价参考值,若是,则执行步骤S37,否则,执行步骤S35;
步骤S35、根据各特征数据的当前的业务模板推荐准确度、当前的业务模板推荐时延和当前的业务模板推荐功耗,生成各特征数据的迭代后的业务模板推荐准确度、迭代后的业务模板推荐时延和迭代后的业务模板推荐功耗;
步骤S36、以各特征数据的迭代后的业务模板推荐准确度作为各特征数据的当前的业务模板推荐准确度,以各特征数据的迭代后的业务模板推荐时延作为各特征数据的当前的业务模板推荐时延,并以各特征数据的迭代后的业务模板推荐功耗作为各特征数据的当前的业务模板推荐功耗,执行步骤S31;
步骤S37、确定当前具有最小判断参量的特征数据为最优的特征数据并执行步骤S4。
可选地,步骤S31之前还包括:
步骤S30a、设置迭代初始参数k=0;
步骤S30b、将当前迭代次数k进行加1处理;
步骤S31包括:
其中,表示当前的业务模板推荐时延,表示当前的业务模板推荐功耗,表示当前的业务模板推荐准确度,Zk表示当前的判断参量,k表示当前迭代次数,k∈[1,d],d为预设阈值,m、n、p表示调节常数,i、j和t表示特征数据对应的预设的存储模型中的三维坐标,i表示特征数据的横坐标,i=0,1,2,…,m,j表示特征数据的纵坐标,j=0,1,2,…,n,t表示特征数据的垂直坐标,t=0,1,2,…,p。
可选地,步骤S33包括:
步骤S33a、根据当前具有最小判断参量的特征数据中的当前的业务模板推荐准确度、当前的业务模板推荐时延和当前的业务模板推荐功耗和迭代评价值函数公式:计算出当前具有最小判断参量的特征数据对应的评价值,其中,σ为常数,σ∈[1,2],k(mod3)表示k除以3的余数,Qk表示当前具有最小判断参量的特征数据对应的当前的评价值;
步骤S33b、根据当前具有最小判断参量的特征数据中的当前的业务模板推荐准确度、当前的业务模板推荐时延和当前的业务模板推荐功耗和迭代评价参考值函数公式:计算出当前具有最小判断参量的特征数据对应的评价参考值,其中,Rk表示当前具有最小判断参量的特征数据对应的当前的评价参考值。
可选地,步骤S34包括:
步骤S34a、根据步骤S33中生成的所述评价值、评价参考值和迭代评价条件:Qk≤Rk,判断所述评价值和评价参考值是否满足所述迭代评价条件,若满足,执行步骤S37,若不满足,执行步骤S35。
可选地,步骤S35包括:
步骤S35b、根据各特征数据的当前的业务模板推荐时延历史最小业务模板推荐时延LminG、当前的业务模板推荐功耗历史最小业务模板推荐功耗CminG、当前的业务模板推荐准确度历史最大业务模板推荐准确度WmaxG以及公式:计算出第k+1次迭代时各特征数据对应的仿生神经细胞电位差加强因子其中,μ表示常数,μ∈(0,1);
可选地,步骤S36包括:以第k+1次迭代时各特征数据的迭代后的业务模板推荐时延作为各特征数据的当前的业务模板推荐时延,以第k+1次迭代时各特征数据的迭代后的业务模板推荐功耗作为各特征数据的当前的业务模板推荐功耗,并以第k+1次迭代时各特征数据的迭代后的业务模板推荐准确度作为各特征数据的当前的业务模板推荐准确度,执行步骤S30b。
可选地,步骤S35之后还包括:
步骤S35e、判断当前迭代次数k的值是否大于预设阈值d,若是,执行步骤S35f,若否,执行步骤S36;
步骤S35f、将当前具有最小判断参量的特征数据作为最优的特征数据,执行步骤S4。
为实现上述目的,本发明提供一种业务模板的推送器,该业务模板的推送器包括:
接收模块,用于接收各用户终端发送的当前业务需求;
获取模块,用于获取各业务模板推荐策略对应的特征数据,各特征数据包括当前的业务模板推荐准确度、当前的业务模板推荐时延和当前的业务模板推荐功耗;
确定模块,用于根据各特征数据的当前的业务模板推荐准确度、当前的业务模板推荐时延和当前业务模板推荐功耗确定出最优的特征数据;
输出模块,用于将所述最优的特征数据对应的业务模板推荐策略作为当前最优业务模板推荐策略,输出所述当前最优业务模板推荐策略;
推送模块,用于根据当前最优业务模板推荐策略,向各用户终端推送与所述当前业务需求对应的业务模板。
可选地,所述确定模块具体用于:
根据各特征数据的当前的业务模板推荐准确度、当前的业务模板推荐时延和当前的业务模板推荐功耗,生成各特征数据对应的当前的判断参量;
对比各特征数据对应的当前的判断参量,确定出当前具有最小判断参量的特征数据;
根据当前具有最小判断参量的特征数据中的当前的业务模板推荐准确度、当前的业务模板推荐时延和当前的业务模板推荐功耗,生成当前具有最小判断参量的特征数据对应的评价值和评价参考值;
判断所述评价值是否小于或等于所述评价参考值;
若判断出所述评价值大于所述评价参考值时,根据各特征数据的当前的业务模板推荐准确度、当前的业务模板推荐时延和当前的业务模板推荐功耗,生成各特征数据的迭代后的业务模板推荐准确度、迭代后的业务模板推荐时延和迭代后的业务模板推荐功耗;
以各特征数据的迭代后的业务模板推荐准确度作为各特征数据的当前的业务模板推荐准确度,以各特征数据的迭代后的业务模板推荐时延作为各特征数据的当前的业务模板推荐时延,并以各特征数据的迭代后的业务模板推荐功耗作为各特征数据的当前的业务模板推荐功耗,执行根据各特征数据的当前的业务模板推荐准确度、当前的业务模板推荐时延和当前的业务模板推荐功耗,生成各特征数据对应的当前的判断参量的步骤;
若判断出所述评价值小于或等于所述评价参考值时,确定当前具有最小判断参量的特征数据为最优的特征数据,并触发输出模块执行将所述最优的特征数据对应的业务模板推荐策略作为当前最优业务模板推荐策略,输出所述当前最优业务模板推荐策略的步骤。
本发明的有益效果:
本发明提供的业务模板的推送方法及业务模板的推送器的技术方案中,根据各业务模板推荐策略的特征数据的当前的业务模板推荐准确度、当前的业务模板推荐时延和当前业务模板推荐功耗确定出最优的特征数据;将所述最优的特征数据对应的业务模板推荐策略作为当前最优业务模板推荐策略,输出所述当前最优业务模板推荐策略;根据当前最优业务模板推荐策略,向各用户终端推送与所述当前业务需求对应的业务模板。从而实现了业务模板的推荐的低时延、低功耗及高准确性。
附图说明
图1为本发明实施例一提供的一种业务模板的推送方法的流程图;
图2为本发明实施例二提供的一种业务模板的推送方法的流程图;
图3为特征数据对应的存储模型的结构示意图;
图4为本发明实施例二提供的业务模板的推送方法的应用示意图;
图5为本发明实施例三提供的一种业务模板的推送器的结构示意图;
图6为本发明实施例三提供的业务模板的推送器的应用示意图。
具体实施方式
为使本领域的技术人员更好地理解本发明的技术方案,下面结合附图对本发明提供的业务模板的推送方法及业务模板的推送器进行详细描述。
图1为本发明实施例一提供的一种业务模板的推送方法的流程图,如图1所示,该业务模板的推送方法包括:
步骤S1、接收各用户终端发送的当前业务需求。
步骤S2、获取各业务模板推荐策略对应的特征数据,各特征数据包括当前的业务模板推荐准确度、当前的业务模板推荐时延和当前的业务模板推荐功耗。
步骤S3、根据各特征数据的当前的业务模板推荐准确度、当前的业务模板推荐时延和当前业务模板推荐功耗确定出最优的特征数据。
步骤S4、将最优的特征数据对应的业务模板推荐策略作为当前最优业务模板推荐策略,输出当前最优业务模板推荐策略。
步骤S5、根据当前最优业务模板推荐策略,向各用户终端推送与当前业务需求对应的业务模板。
本实施例所提供的业务模板的推送方法的技术方案中,根据各业务模板推荐策略的特征数据的当前的业务模板推荐准确度、当前的业务模板推荐时延和当前业务模板推荐功耗确定出最优的特征数据;将所述最优的特征数据对应的业务模板推荐策略作为当前最优业务模板推荐策略,输出所述当前最优业务模板推荐策略;根据当前最优业务模板推荐策略,向各用户终端推送与所述当前业务需求对应的业务模板。从而实现了业务模板的推荐的低时延、低功耗及高准确性。
图2为本发明实施例二提供的一种业务模板的推送方法的流程图,如图2所示,该业务模板的推送方法包括:
步骤S1、接收各用户终端发送的当前业务需求。
具体地,在本实施例中,当前业务需求可以通过各用户终端每隔预置时间主动上报获取,或者通过用户终端定期被询问机制询问获取,接收各用户终端发送的当前业务需求后,将当前业务需求进行汇总。
在本实施例中,例如,当前业务需求可以为建立高端用户的流量套餐业务的需求,还可以是其他业务需求,本实施例对此不作具体限定。
在本实施例中,用户终端可以为运营商分公司对应的终端、合作的第三方公司对应的终端或者个人用户终端。
步骤S2、获取各业务模板推荐策略对应的特征数据,各特征数据包括当前的业务模板推荐准确度、当前的业务模板推荐时延和当前的业务模板推荐功耗。
其中,各业务模板推荐策略可以为历史时间用于处理历史业务需求时所采用的预设的业务模板推荐策略。在实际应用场景中,系统可以通过业务模板推荐策略和用户终端的业务需求,向用户终端推送与业务需求相对应的业务模板。例如,业务需求为建立高端用户的流量套餐业务的需求,则业务模板可以为用于建立高端用户的流量套餐业务的模板。
当采用业务模板推荐策略处理历史业务需求时,可以计算出业务模板推荐策略对应的初始的业务模板推荐准确度、初始的业务模板推荐时延、初始的业务模板推荐功耗,其中,初始的业务模板推荐准确度可以为正确推荐的业务模板的数量与被推荐的业务模板的总数量的比值。
在确定出各业务模板推荐策略对应的初始的业务模板推荐准确度、初始的业务模板推荐时延、初始的业务模板推荐功耗后,根据各业务模板推荐策略对应的初始的业务模板推荐准确度、初始的业务模板推荐时延、初始的业务模板推荐功耗生成各业务模板推荐策略对应的特征数据,该特征数据包括初始的业务模板推荐准确度、初始的业务模板推荐时延和初始的业务模板推荐功耗,该初始的业务模板推荐准确度即为步骤S2中的当前的业务模板推荐准确度,该初始的业务模板推荐时延即为步骤S2中的当前的业务模板推荐时延,该初始的业务模板推荐功耗即为步骤S2中的当前的业务模板推荐功耗。
在本实施例中,当前的业务模板推荐准确度、当前的业务模板推荐时延和当前的业务模板推荐功耗的数量为多个。根据当前的业务模板推荐时延当前的业务模板推荐功耗和当前的业务模板推荐准确度可生成各特征数据对应的当前的复合向量其中,i、j和t表示特征数据对应的预设的存储模型中的三维坐标,i表示特征数据的横坐标,i=0,1,2,…,m,j表示特征数据的纵坐标,j=0,1,2,…,n,t表示特征数据的垂直坐标,t=0,1,2,…,p,m、n、p表示调节常数。图3为特征数据对应的存储模型的结构示意图,如图3所示,特征数据对应的存储模型中包括至少一个特征数据对应的
步骤S21、建立迭代模型,所述迭代模型包括:
迭代评价条件:Qk≤Rk;
其中,k表示迭代次数,k∈[1,d],d为预设阈值,Zk表示第k次迭代时计算出的特征数据对应的判断参量,表示第k次迭代时计算出的特征数据中的业务模板推荐时延,表示第k次迭代时计算出的特征数据中的业务模板推荐功耗,表示第k次迭代时计算出的特征数据中的业务模板推荐准确度,表示第k次迭代时计算出的特征数据对应的复合向量,表示第k+1次迭代时计算出的特征数据对应的复合向量, 表示第k+1次迭代时计算出的特征数据对应的仿生神经细胞电位差加强因子,LminG表示历史最小业务模板推荐时延,CminG表示历史最小业务模板推荐功耗,WmaxG表示历史最大业务模板推荐准确度,θ表示常数,θ∈(0,1),μ表示常数,μ∈(0,1),σ为常数,σ∈[1,2],k(mod3)表示k除以3的余数,Qk表示当前具有最小判断参量的特征数据对应的当前的评价值,Rk表示当前具有最小判断参量的特征数据对应的当前的评价参考值,m、n、p表示调节常数,i、j和t表示特征数据对应的预设的存储模型中的三维坐标,i表示特征数据的横坐标,i=0,1,2,…,m,j表示特征数据的纵坐标,j=0,1,2,…,n,t表示特征数据的垂直坐标,t=0,1,2,…,p,表示的平方的方差,表示的平方的方差,表示的平方的方差,表示的平方的数学期望,表示的平方的数学期望,表示的平方的数学期望,表示的协方差,表示的协方差,表示的协方差,表示以e为底的对数,表示以e为底的对数,表示以e为底的对数,lnLminG表示以e为底LminG的对数,lnCminG表示以e为底CminG的对数,lnWmaxG表示以e为底WmaxG的对数,表示的k+μ次方的方差,表示的k+μ次方的方差,表示的k+μ次方的方差。
步骤S30a、设置迭代初始参数k=0和最大迭代次数d。
步骤S30b、将当前迭代次数k进行加1处理。
步骤S31、根据各特征数据的当前的业务模板推荐准确度、当前的业务模板推荐时延和当前的业务模板推荐功耗,生成各特征数据对应的当前的判断参量。
k=1时,特征数据的初始的业务模板推荐准确度即为特征数据的当前的业务模板推荐准确度,初始的业务模板推荐时延即为当前的业务模板推荐时延,初始的业务模板推荐功耗即为当前的业务模板推荐功耗。需要说明的是,之后的每次迭代后,各特征数据的当前的业务模板推荐准确度、当前的业务模板推荐时延和当前的业务模板推荐功耗均会发生变化,例如,k=2时,则以第2次迭代时计算出的业务模板推荐准确度、业务模板推荐时延和业务模板推荐功耗分别作为当前的业务模板推荐准确度、当前的业务模板推荐时延和当前的业务模板推荐功耗进行输入并执行步骤S31。以此类推,此处不再一一列举。
具体地,步骤S31包括:
其中,表示当前的业务模板推荐时延,表示当前的业务模板推荐功耗,表示当前的业务模板推荐准确度,Zk表示当前的判断参量,k表示当前迭代次数,k∈[1,d],d为预设阈值,m、n、p表示调节常数,i、j和t表示特征数据对应的预设的存储模型中的三维坐标,i表示特征数据的横坐标,i=0,1,2,…,m,j表示特征数据的纵坐标,j=0,1,2,…,n,t表示特征数据的垂直坐标,t=0,1,2,…,p。
步骤S32、对比各特征数据对应的当前的判断参量,确定出当前具有最小判断参量的特征数据。
步骤S33、根据当前具有最小判断参量的特征数据中的当前的业务模板推荐准确度、当前的业务模板推荐时延和当前的业务模板推荐功耗,生成当前具有最小判断参量的特征数据对应的评价值和评价参考值。
具体地,步骤S33包括:
其中,σ为常数,σ∈[1,2],k(mod3)表示k除以3的余数,Qk表示当前具有最小判断参量的特征数据对应的当前的评价值。
步骤S33b、根据当前具有最小判断参量的特征数据中的当前的业务模板推荐准确度、当前的业务模板推荐时延和当前的业务模板推荐功耗和迭代评价参考值函数公式:计算出当前具有最小判断参量的特征数据对应的评价参考值。
其中,Rk表示当前具有最小判断参量的特征数据对应的当前的评价参考值。
步骤S34、判断所述评价值是否小于或等于所述评价参考值,若是,则执行步骤S37,否则,执行步骤S35。
具体地,步骤S34包括:
步骤S34a、根据步骤S33中生成的所述评价值、评价参考值和迭代评价条件:Qk≤Rk,判断所述评价值和评价参考值是否满足所述迭代评价条件,若满足,执行步骤S37,若不满足,执行步骤S35。
步骤S35、根据各特征数据的当前的业务模板推荐准确度、当前的业务模板推荐时延和当前的业务模板推荐功耗,生成各特征数据的迭代后的业务模板推荐准确度、迭代后的业务模板推荐时延和迭代后的业务模板推荐功耗。
具体地,步骤S35包括:
步骤S35b、根据各特征数据的当前的业务模板推荐时延历史最小业务模板推荐时延LminG、当前的业务模板推荐功耗历史最小业务模板推荐功耗CminG、当前的业务模板推荐准确度历史最大业务模板推荐准确度WmaxG以及公式:计算出第k+1次迭代时各特征数据对应的仿生神经细胞电位差加强因子
其中,μ表示常数,μ∈(0,1)。
其中,θ表示常数,θ∈(0,1)。
具体地,由于因此,假设根据计算出的则继而可以计算出和即第k+1次迭代时各特征数据的迭代后的业务模板推荐时延是可确定的,第k+1次迭代时各特征数据的迭代后的业务模板推荐功耗是可确定的,第k+1次迭代时各特征数据的迭代后的业务模板推荐准确度也是可确定的。
在本实施例中,步骤S35之后还包括:
步骤S35e、判断当前迭代次数k的值是否大于预设阈值d,若是,执行步骤S35f,若否,执行步骤S36。
在本实施例中,d=50。
步骤S35f、将当前具有最小判断参量的特征数据作为最优的特征数据,执行步骤S4。
本实施例中,d为50。
步骤S36、以各特征数据的迭代后的业务模板推荐准确度作为各特征数据的当前的业务模板推荐准确度,以各特征数据的迭代后的业务模板推荐时延作为各特征数据的当前的业务模板推荐时延,并以各特征数据的迭代后的业务模板推荐功耗作为各特征数据的当前的业务模板推荐功耗,执行步骤S31。
具体地,步骤S36包括:
步骤S36a、以第k+1次迭代时各特征数据的迭代后的业务模板推荐时延作为各特征数据的当前的业务模板推荐时延,以第k+1次迭代时各特征数据的迭代后的业务模板推荐功耗作为各特征数据的当前的业务模板推荐功耗,并以第k+1次迭代时各特征数据的迭代后的业务模板推荐准确度作为各特征数据的当前的业务模板推荐准确度,执行步骤S31a。
步骤S37、确定当前具有最小判断参量的特征数据为最优的特征数据并执行步骤S4。
步骤S4、将最优的特征数据对应的业务模板推荐策略作为当前最优业务模板推荐策略,输出所述当前最优业务模板推荐策略。
步骤S5、根据当前最优业务模板推荐策略,向各用户终端推送与所述当前业务需求对应的业务模板。
确定最优特征数据,从而确定最优业务模板推荐策略,并基于当前最优业务模板推荐策略,向各用户终端推送与当前业务需求对应的业务模板,从而实现业务模板推送的低时延、低功耗及高准确率。
需要说明的是,本实施例中,全文所出现的“当前”一词也可以理解为“第k次迭代时”,也就是说,全文中所出现的诸如“当前的业务模板推荐准确度”、“当前的业务模板推荐时延”、“当前的业务模板推荐功耗”、“当前的判断参量”、“当前的复合向量”、“当前的评价值”、“当前的评价参考值”及“当前具有最小判断参量的特征数据”中的“当前”等是表示“第k次迭代时”,因此,在计算“当前”的这些量时均是以第k次迭代时计算出的量对应代入求得。
本实施例所提供的业务模板的推送方法为基于移动边缘计算的业务模板的推送方法,图4为本发明实施例二提供的业务模板的推送方法的应用示意图,如图4所示,基于移动边缘计算的业务模板的推送方法可应用于如图4所示的应用系统,该应用系统主要分五个层面:业务需求实现层、运营商网络传输层、业务匹配边缘网关接入层、业务匹配边缘数据中心层和业务处理模板推送层。
其中,业务需求实现层包括运营商分公司对应的终端、第三方公司对应的终端、个人用户终端,用于实现公司用户和个人用户的业务需求的提交;运营商网络传输层,包含:通信基站,实现运营商网络的接入及数据传输;业务匹配边缘网关接入层,由若干业务匹配边缘网关组成,实现来自运营商网络的接入;业务匹配边缘数据中心层,由若干业务匹配边缘服务器组成,实现对来自公司及个人用户的业务需求提交;业务处理模板推送层,由若干业务需求匹配分析器、业务处理模板库组成,实现对公司及个人用户业务需求信息的处理,处理除迁移到业务匹配边缘服务器外的业务需求信息分析服务。
具体地,运营商分公司对应的终端、第三方公司对应的终端、个人用户终端,用于接入运营商网络传输层的通信基站,并传送各业务需求;
运营商网络传输层的通信基站,用于通过接入业务匹配边缘网关接入层的业务匹配边缘网关,向业务匹配边缘网关接入层传送各业务需求;
业务匹配边缘网关,用于接入到业务匹配边缘数据中心层的业务匹配边缘服务器,并向业务匹配边缘服务器传送个业务需求;
业务匹配边缘服务器,一方面,用于根据部分业务需求从业务匹配边缘数据中心层获取相应部分业务模板,并按照原路向业务需求实现层的各终端返回该部分业务需求对应的业务模板,另一方面,用于接入到业务处理模板推送层的业务需求匹配分析器,并传送剩余的业务需求;
业务处理模板推送层的业务需求匹配分析器,通过分析剩余的业务需求,获得所需剩余的业务需求的分析结果即最优特征数据对应的业务模板推荐策略,基于该业务模板推荐策略,从业务处理模板库中获取各业务需求对应的业务模板,并将该业务模板推荐策略和各业务需求对应的业务模板返回给业务匹配边缘数据中心层的业务匹配边缘服务器;
针对个人用户,业务匹配边缘数据中心层的业务匹配边缘服务器的业务需求,通过业务匹配边缘网关接入层和运营商网络传输层向个人用户终端返回其所需的业务模板;针对企业用户(运营商分公司及第三方公司),通过企业专线,向企业用户终端返回其所需的业务模板。
本实施例中,各业务需求具有不同优先等级。当接收到业务需求后,通过获取各业务模板推荐策略对应的包括初始的业务模板推荐准确度、初始的业务模板推荐时延和初始的业务模板推荐功耗的特征数据,再通过本实施例中的迭代模型进行对该特征数据进行数据分析、判断,从而确定出最优的特征数据对应的最优业务模板推荐策略,最后输出该最优业务模板推荐策略,并以该最优业务模板推荐策略处理接收到的业务需求,向用户终端返回其所需的业务模板。
本实施例中的迭代模型,结合多层循环仿生神经细胞通信卷积神经元业务模板推荐策略思想,多维空间、多层循环、卷积神经元网络、仿生神经细胞通信、电信号传递、概率论、运筹学、深度学习、机器学习等理论,实现了业务模板推荐的低时延、低功耗和高准确性。
本实施例所提供的业务模板的推送方法的技术方案中,根据各业务模板推荐策略的特征数据的当前的业务模板推荐准确度、当前的业务模板推荐时延和当前业务模板推荐功耗确定出最优的特征数据;将所述最优的特征数据对应的业务模板推荐策略作为当前最优业务模板推荐策略,输出所述当前最优业务模板推荐策略;根据当前最优业务模板推荐策略,向各用户终端推送与所述当前业务需求对应的业务模板。从而实现了业务模板的推荐的低时延、低功耗及高准确性。
图5为本发明实施例三提供的一种业务模板的推送器的结构示意图,如图5所示,该业务模板的推送器包括:接收模块301、获取模块302、确定模块303、输出模块304和推送模块305。
其中,接收模块301用于接收各用户终端发送的当前业务需求;获取模块302用于获取各业务模板推荐策略对应的特征数据,各特征数据包括当前的业务模板推荐准确度、当前的业务模板推荐时延和当前的业务模板推荐功耗;确定模块303用于根据各特征数据的当前的业务模板推荐准确度、当前的业务模板推荐时延和当前业务模板推荐功耗确定出最优的特征数据;输出模块304用于将所述最优的特征数据对应的业务模板推荐策略作为当前最优业务模板推荐策略,输出所述当前最优业务模板推荐策略;推送模块305用于根据当前最优业务模板推荐策略,向各用户终端推送与所述当前业务需求对应的业务模板。
具体地,确定模块303具体用于:根据各特征数据的当前的业务模板推荐准确度、当前的业务模板推荐时延和当前的业务模板推荐功耗,生成各特征数据对应的当前的判断参量;对比各特征数据对应的当前的判断参量,确定出当前具有最小判断参量的特征数据;根据当前具有最小判断参量的特征数据中的当前的业务模板推荐准确度、当前的业务模板推荐时延和当前的业务模板推荐功耗,生成当前具有最小判断参量的特征数据对应的评价值和评价参考值;判断所述评价值是否小于或等于所述评价参考值;若判断出所述评价值大于所述评价参考值时,根据各特征数据的当前的业务模板推荐准确度、当前的业务模板推荐时延和当前的业务模板推荐功耗,生成各特征数据的迭代后的业务模板推荐准确度、迭代后的业务模板推荐时延和迭代后的业务模板推荐功耗;以各特征数据的迭代后的业务模板推荐准确度作为各特征数据的当前的业务模板推荐准确度,以各特征数据的迭代后的业务模板推荐时延作为各特征数据的当前的业务模板推荐时延,并以各特征数据的迭代后的业务模板推荐功耗作为各特征数据的当前的业务模板推荐功耗,执行根据各特征数据的当前的业务模板推荐准确度、当前的业务模板推荐时延和当前的业务模板推荐功耗,生成各特征数据对应的当前的判断参量的步骤;若判断出所述评价值小于或等于所述评价参考值时,确定当前具有最小判断参量的特征数据为最优的特征数据,并触发输出模块304执行将所述最优的特征数据对应的业务模板推荐策略作为当前最优业务模板推荐策略,输出所述当前最优业务模板推荐策略的步骤。
本实施例所提供的业务模板的推送器,用于实现上述实施例二提供的业务模板的推送方法,具体描述可参见上述实施例二,此处不再展开赘述。
图6为本发明实施例三提供的业务模板的推送器的应用示意图,如图6所示,当业务模板的推送器接收到m个业务需求后,针对每个业务需求,通过获取各业务模板推荐策略对应的包括初始的业务模板推荐准确度、初始的业务模板推荐时延和初始的业务模板推荐功耗的特征数据,再通过本实施例中的迭代模型进行对该特征数据进行数据分析、判断,从而确定出最优的特征数据对应的最优业务模板推荐策略,最后输出该最优业务模板推荐策略,并以该最优业务模板推荐策略处理接收到的业务需求,向用户终端返回其所需的业务模板。其中,该最优业务模板推荐策略即为业务需求最后的分析结果,分析结果同样为m个,各业务需求相互独立互不干扰,m为设定数量。
本实施例所提供的业务模板的推送器的技术方案中,根据各业务模板推荐策略的特征数据的当前的业务模板推荐准确度、当前的业务模板推荐时延和当前业务模板推荐功耗确定出最优的特征数据;将所述最优的特征数据对应的业务模板推荐策略作为当前最优业务模板推荐策略,输出所述当前最优业务模板推荐策略;根据当前最优业务模板推荐策略,向各用户终端推送与所述当前业务需求对应的业务模板。从而实现了业务模板的推荐的低时延、低功耗及高准确性。
可以理解的是,以上实施方式仅仅是为了说明本发明的原理而采用的示例性实施方式,然而本发明并不局限于此。对于本领域内的普通技术人员而言,在不脱离本发明的精神和实质的情况下,可以做出各种变型和改进,这些变型和改进也视为本发明的保护范围。
Claims (8)
1.一种业务模板的推送方法,其特征在于,包括:
步骤S1、接收各用户终端发送的当前业务需求;
步骤S2、获取各业务模板推荐策略对应的特征数据,各特征数据包括当前的业务模板推荐准确度、当前的业务模板推荐时延和当前的业务模板推荐功耗;
步骤S3、根据各特征数据的当前的业务模板推荐准确度、当前的业务模板推荐时延和当前业务模板推荐功耗确定出最优的特征数据;
步骤S4、将所述最优的特征数据对应的业务模板推荐策略作为当前最优业务模板推荐策略,输出所述当前最优业务模板推荐策略;
步骤S5、根据当前最优业务模板推荐策略,向各用户终端推送与所述当前业务需求对应的业务模板;
步骤S3包括:
步骤S31、根据各特征数据的当前的业务模板推荐准确度、当前的业务模板推荐时延和当前的业务模板推荐功耗,生成各特征数据对应的当前的判断参量;
步骤S32、对比各特征数据对应的当前的判断参量,确定出当前具有最小判断参量的特征数据;
步骤S33、根据当前具有最小判断参量的特征数据中的当前的业务模板推荐准确度、当前的业务模板推荐时延和当前的业务模板推荐功耗,生成当前具有最小判断参量的特征数据对应的评价值和评价参考值;
步骤S34、判断所述评价值是否小于或等于所述评价参考值,若是,则执行步骤S37,否则,执行步骤S35;
步骤S35、根据各特征数据的当前的业务模板推荐准确度、当前的业务模板推荐时延和当前的业务模板推荐功耗,生成各特征数据的迭代后的业务模板推荐准确度、迭代后的业务模板推荐时延和迭代后的业务模板推荐功耗;
步骤S36、以各特征数据的迭代后的业务模板推荐准确度作为各特征数据的当前的业务模板推荐准确度,以各特征数据的迭代后的业务模板推荐时延作为各特征数据的当前的业务模板推荐时延,并以各特征数据的迭代后的业务模板推荐功耗作为各特征数据的当前的业务模板推荐功耗,执行步骤S31;
步骤S37、确定当前具有最小判断参量的特征数据为最优的特征数据并执行步骤S4。
2.根据权利要求1所述的业务模板的推送方法,其特征在于,
步骤S31之前还包括:
步骤S30a、设置迭代初始参数k=0;
步骤S30b、将当前迭代次数k进行加1处理;
步骤S31包括:
3.根据权利要求2所述的业务模板的推送方法,其特征在于,步骤S33包括:
步骤S33a、根据当前具有最小判断参量的特征数据中的当前的业务模板推荐准确度、当前的业务模板推荐时延和当前的业务模板推荐功耗和迭代评价值函数公式:计算出当前具有最小判断参量的特征数据对应的评价值,其中,σ为常数,σ∈[1,2],k(mod3)表示k除以3的余数,Qk表示当前具有最小判断参量的特征数据对应的当前的评价值;
4.根据权利要求3所述的业务模板的推送方法,其特征在于,步骤S34包括:
步骤S34a、根据步骤S33中生成的所述评价值、评价参考值和迭代评价条件:Qk≤Rk,判断所述评价值和评价参考值是否满足所述迭代评价条件,若满足,执行步骤S37,若不满足,执行步骤S35。
5.根据权利要求4所述的业务模板的推送方法,其特征在于,步骤S35包括:
步骤S35b、根据各特征数据的当前的业务模板推荐时延历史最小业务模板推荐时延LminG、当前的业务模板推荐功耗历史最小业务模板推荐功耗CminG、当前的业务模板推荐准确度历史最大业务模板推荐准确度WmaxG以及公式:计算出第k+1次迭代时各特征数据对应的仿生神经细胞电位差加强因子其中,μ表示常数,μ∈(0,1);
7.根据权利要求6所述的业务模板的推送方法,其特征在于,步骤S35之后还包括:
步骤S35e、判断当前迭代次数k的值是否大于预设阈值d,若是,执行步骤S35f,若否,执行步骤S36;
步骤S35f、将当前具有最小判断参量的特征数据作为最优的特征数据,执行步骤S4。
8.一种业务模板的推送器,其特征在于,包括:
接收模块,用于接收各用户终端发送的当前业务需求;
获取模块,用于获取各业务模板推荐策略对应的特征数据,各特征数据包括当前的业务模板推荐准确度、当前的业务模板推荐时延和当前的业务模板推荐功耗;
确定模块,用于根据各特征数据的当前的业务模板推荐准确度、当前的业务模板推荐时延和当前业务模板推荐功耗确定出最优的特征数据;
输出模块,用于将所述最优的特征数据对应的业务模板推荐策略作为当前最优业务模板推荐策略,输出所述当前最优业务模板推荐策略;
推送模块,用于根据当前最优业务模板推荐策略,向各用户终端推送与所述当前业务需求对应的业务模板;
所述确定模块具体用于:
根据各特征数据的当前的业务模板推荐准确度、当前的业务模板推荐时延和当前的业务模板推荐功耗,生成各特征数据对应的当前的判断参量;
对比各特征数据对应的当前的判断参量,确定出当前具有最小判断参量的特征数据;
根据当前具有最小判断参量的特征数据中的当前的业务模板推荐准确度、当前的业务模板推荐时延和当前的业务模板推荐功耗,生成当前具有最小判断参量的特征数据对应的评价值和评价参考值;
判断所述评价值是否小于或等于所述评价参考值;
若判断出所述评价值大于所述评价参考值时,根据各特征数据的当前的业务模板推荐准确度、当前的业务模板推荐时延和当前的业务模板推荐功耗,生成各特征数据的迭代后的业务模板推荐准确度、迭代后的业务模板推荐时延和迭代后的业务模板推荐功耗;
以各特征数据的迭代后的业务模板推荐准确度作为各特征数据的当前的业务模板推荐准确度,以各特征数据的迭代后的业务模板推荐时延作为各特征数据的当前的业务模板推荐时延,并以各特征数据的迭代后的业务模板推荐功耗作为各特征数据的当前的业务模板推荐功耗,执行根据各特征数据的当前的业务模板推荐准确度、当前的业务模板推荐时延和当前的业务模板推荐功耗,生成各特征数据对应的当前的判断参量的步骤;
若判断出所述评价值小于或等于所述评价参考值时,确定当前具有最小判断参量的特征数据为最优的特征数据,并触发输出模块执行将所述最优的特征数据对应的业务模板推荐策略作为当前最优业务模板推荐策略,输出所述当前最优业务模板推荐策略的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910219281.2A CN109982295B (zh) | 2019-03-21 | 2019-03-21 | 业务模板的推送方法及业务模板的推送器 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910219281.2A CN109982295B (zh) | 2019-03-21 | 2019-03-21 | 业务模板的推送方法及业务模板的推送器 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109982295A CN109982295A (zh) | 2019-07-05 |
CN109982295B true CN109982295B (zh) | 2021-10-15 |
Family
ID=67079933
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910219281.2A Active CN109982295B (zh) | 2019-03-21 | 2019-03-21 | 业务模板的推送方法及业务模板的推送器 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109982295B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110443585B (zh) * | 2019-08-09 | 2023-07-18 | 广东启动子信息科技有限公司 | 一种基于历史模板的工作流程设计方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102147726A (zh) * | 2011-04-01 | 2011-08-10 | 烽火通信科技股份有限公司 | 一种基于脚本的业务配置实现方法 |
CN107896235A (zh) * | 2016-09-29 | 2018-04-10 | 腾讯科技(深圳)有限公司 | 信息推送方法、装置、网络接入设备、终端及社交服务器 |
CN107948271A (zh) * | 2017-11-17 | 2018-04-20 | 亚信科技(中国)有限公司 | 一种确定待推送消息的方法、服务器及计算节点 |
CN108829518A (zh) * | 2018-05-31 | 2018-11-16 | 北京百度网讯科技有限公司 | 用于推送信息的方法和装置 |
CN109120457A (zh) * | 2018-09-13 | 2019-01-01 | 余利 | 基于分布式软件定义架构的智能云的业务处理方法 |
CN109144837A (zh) * | 2018-09-04 | 2019-01-04 | 南京大学 | 一种支持精准服务推送的用户行为模式识别方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9143926B2 (en) * | 2012-09-06 | 2015-09-22 | Dell Products, Lp | Method and apparatus for context aware management of location optimization of virtual machines for mobility and real-time enterprise applications |
US9729651B2 (en) * | 2013-09-13 | 2017-08-08 | Electronics And Telecommunications Research Institute | Method for delivering push notification and push notification server for performing the same |
-
2019
- 2019-03-21 CN CN201910219281.2A patent/CN109982295B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102147726A (zh) * | 2011-04-01 | 2011-08-10 | 烽火通信科技股份有限公司 | 一种基于脚本的业务配置实现方法 |
CN107896235A (zh) * | 2016-09-29 | 2018-04-10 | 腾讯科技(深圳)有限公司 | 信息推送方法、装置、网络接入设备、终端及社交服务器 |
CN107948271A (zh) * | 2017-11-17 | 2018-04-20 | 亚信科技(中国)有限公司 | 一种确定待推送消息的方法、服务器及计算节点 |
CN108829518A (zh) * | 2018-05-31 | 2018-11-16 | 北京百度网讯科技有限公司 | 用于推送信息的方法和装置 |
CN109144837A (zh) * | 2018-09-04 | 2019-01-04 | 南京大学 | 一种支持精准服务推送的用户行为模式识别方法 |
CN109120457A (zh) * | 2018-09-13 | 2019-01-01 | 余利 | 基于分布式软件定义架构的智能云的业务处理方法 |
Non-Patent Citations (2)
Title |
---|
Yiming Tan等.Radio network-aware edge caching for video delivery in MEC-enabled cellular networks.《 2018 IEEE Wireless Communications and Networking Conference Workshops (WCNCW)》.2018, * |
云计算环境下基于协同过滤的个性化推荐机制;朱夏等;《计算机研究与发展》;20141231;正文第5.4节 * |
Also Published As
Publication number | Publication date |
---|---|
CN109982295A (zh) | 2019-07-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112181666A (zh) | 一种基于边缘智能的设备评估和联邦学习重要性聚合方法、系统、设备和可读存储介质 | |
CN111222776B (zh) | 基于卷积神经网络的卫星网络协调态势评估方法及系统 | |
CN109976915B (zh) | 基于边缘计算的边云协同需求的优化方法和系统 | |
CN108833227B (zh) | 一种基于边缘计算的智能家居通信优化调度系统及方法 | |
CN108984307A (zh) | 计算任务迁移方法及计算任务迁移器 | |
CN114528987A (zh) | 一种神经网络边缘-云协同计算分割部署方法 | |
CN109982295B (zh) | 业务模板的推送方法及业务模板的推送器 | |
Shi et al. | Deep reinforcement learning based dynamic user access and decode order selection for uplink NOMA system with imperfect SIC | |
CN110602103B (zh) | 电子锁协议转换优化方法及电子锁协议转换优化器 | |
CN110764833A (zh) | 一种基于边缘计算的任务卸载方法、装置及系统 | |
CN112437460B (zh) | Ip地址黑灰名单分析方法、服务器、终端及存储介质 | |
Mahmoudi et al. | A-LAQ: Adaptive lazily aggregated quantized gradient | |
CN109948136B (zh) | 基于边缘计算的自动生成ppt模板的方法和系统 | |
CN112543481B (zh) | 一种边缘节点算力负载均衡的方法、装置及系统 | |
CN110087230B (zh) | 数据处理方法、装置、存储介质及电子设备 | |
CN111080473B (zh) | 台区识别方法、装置、计算机设备和可读存储介质 | |
Wang et al. | Joint beamforming and power allocation using deep learning for D2D communication in heterogeneous networks | |
WO2022068200A1 (zh) | 缺陷预测方法和装置、存储介质和电子装置 | |
CN108848514B (zh) | 数据通信优化方法及数据通信优化器 | |
CN114970495A (zh) | 人名消歧方法、装置、电子设备及存储介质 | |
CN107784363A (zh) | 数据处理方法、装置及系统 | |
Busson et al. | Impact of resource blocks allocation strategies on downlink interference and SIR distributions in LTE networks: a stochastic geometry approach | |
CN118171698A (zh) | 神经网络模型量化方法 | |
Pimentel et al. | Optimisation of the transmission capacity of cognitive networks | |
CN108831548A (zh) | 远程智能医疗的优化方法、装置及系统 |
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 |