CN110880020B - 一种自适应的跨区域基站能耗模型迁移与补偿方法 - Google Patents

一种自适应的跨区域基站能耗模型迁移与补偿方法 Download PDF

Info

Publication number
CN110880020B
CN110880020B CN201911046277.7A CN201911046277A CN110880020B CN 110880020 B CN110880020 B CN 110880020B CN 201911046277 A CN201911046277 A CN 201911046277A CN 110880020 B CN110880020 B CN 110880020B
Authority
CN
China
Prior art keywords
model
base station
data
log
log file
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
Application number
CN201911046277.7A
Other languages
English (en)
Other versions
CN110880020A (zh
Inventor
惠维
王睿
杨钊
张银辉
赵鲲
袁曙晖
潘军
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.)
Xian Jiaotong University
Original Assignee
Xian 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 Xian Jiaotong University filed Critical Xian Jiaotong University
Priority to CN201911046277.7A priority Critical patent/CN110880020B/zh
Publication of CN110880020A publication Critical patent/CN110880020A/zh
Application granted granted Critical
Publication of CN110880020B publication Critical patent/CN110880020B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明公开了一种自适应的跨区域基站能耗模型迁移与补偿方法，主要包括利用Wassertein生成对抗网络生成辅助日志文件和迁移源区域模型用于构建预测目标区域基站状态的模型两个部分。本发明采用的技术方案为：首先获取每个区域基站的日志文件，利用Wassertein生成对抗网络生成大量辅助基站日志文件。利用大量源区域基站的日志文件和少量目标区域基站文件生成分类模型，用于估计目标区域基站的性能。

Description

一种自适应的跨区域基站能耗模型迁移与补偿方法
技术领域
本发明属于机器学习领域，特别涉及一种自适应的跨区域基站能耗模型迁移与补偿方法。
背景技术
通信基站是指通过移动通信交换中心，与移动电话终端之间进行信息传递的无线电收发信电台。移动通信基站的建设是我国移动通信网络的重要组成部分，基站设备异常会造成通信中断，计费错误，严重时甚至会因为设备过热引发火灾，造成重大的经济损失和信息网络瘫痪。因此，基站监控与检测成为基站维护的重要组成部分。然而，由于电信通信设备高度封装的特性，不同层次的设备难以估计其它设备的运行状态，基站在部署过程中引入了高度异构特性，进一步加剧了此问题。这两方面障碍导致电信运营商难以远程获取基站的实时状态信息。另一方面，电信基站在部署上存在覆盖广泛，部署极不均匀，部分基站常规维护可达性差的特性。这都使得通过专人现场收集数据的方式代价极高，时效性难以保障。
针对此类问题，一种常见的监控方式是通过国家电网的电力计量端口监测基站的电力消耗，推断基站的工作状态。此类工作主要有存在基于挖掘模板这种方式。挖掘模板的所有现有方法仅使用日志行的文本内容来挖掘模板。这种工作的第一个子类模板利用频繁项目集挖掘方法，其前提是通过对在大部分对数记录中挖掘合成词的集合进行操作，从而可以从时变参数中滤出打印语句中的不变词。
然而，用于模板挖掘的频繁项目集挖掘方法易受到坏的回忆或者根据支持阈值的产生的不良精度的影响。这样的作品的下一个子类别采用使用在第一阶段中挖掘的关键字的频率直方图来生成近似模板的一些机制，然后使用某种形式的基于文本的相似性度量进一步聚类出类似的近似模板。最后，采用迭代分割技术，递归分割日志行的集合，首先对于在一行中的字，后对于在不同位置的字，然后基于日志行中的字的关联的进行另一分割。但这种方法工作不切实际，因为假设参数仅包括单个字。
综上，现阶段方法的缺陷主要包括：
1、在数据挖掘方法中有对仪器以及文件数据的存在要求；
2、在数据挖掘中没有排除日志数据集隐含的错误和隐患从而无法正确获取信息；
3、现阶段方法没有利用日志数据集隐含的变量进行操作。
发明内容
本发明的目的在于提供一种自适应的跨区域基站能耗模型迁移与补偿方法，以解决上述问题。
为实现上述目的，本发明采用以下技术方案：
一种自适应的跨区域基站能耗模型迁移与补偿方法，包括以下步骤：
步骤1，电力日志文件的获取与预处理：提取来自源区域基站的用电日志文件和目标区域基站的用电日志文件，筛选出随时间变化的用电量数据；
步骤2，基于Wassertein生成对抗网络，其中Wassertein是一种衡量两种分布之间距离的方法，并对生成的对抗网络进行训练，对源区域基站用电日志文件集
Figure BDA0002254215120000025
Figure BDA0002254215120000021
Figure BDA0002254215120000022
进行扩充，x表示一个日志文件，xs表示源文件；
步骤3，迁移学习：基于大量有标记的源区域基站的日志文本数据和少量有标记的目标区域基站的日志文本数据，训练分类模型，使得该模型能够利用没有标记的目标区域基站日志文件数据进行分类，即判断基站的运行状态。
进一步的，步骤1中，具体包括：
1)首先使用Logstash适配器分别提取来自源区域基站的用电日志文件
Figure BDA0002254215120000023
和目标区域基站的用电日志文件
Figure BDA0002254215120000024
xt表示目标文件；
2)对原始用电日志文件中的数据进行预处理，过滤掉无关信息，筛选出随时间变化的用电量数据。
进一步的，步骤2中，构建生成对抗网络结构，主要是建立生成模型G和判别模型C；
生成模型G：该模型将输入的随机噪声经变换输出为日志文本数据，定义生成模型G为多层神经网络，输入向量的维数等于日志文本中数据的个数，该向量随机生成于某分布，生成模型G的输出为模型生成的日志文件；
b.判别模型C：判别模型C为一种神经网络模型，该模型的最后一层不是非线性激活层，模型输入为真实的日志文件或者由G生成的模拟文本文件，输出为真实分数，用于衡量输入文件来自于真实分布的程度；
c.模型连接：在训练生成模型G时，需要固定判别模型C以极小化价值函数V而寻求更好的生成模型，即固定C的权重以训练G的权重。
进一步的，步骤2中，生成对抗网络的训练过程为：
a.参数的初始化：
设置学习率α；
设置限制范围参数c；
设置训练批处理大小m；
设置噪声样本的初始分布Pprior(z)；
设置训练判别模型的循环次数ncritic；
设置生成模型初始参数θ0；
设置判别模型初始参数ω0；
b.从真实的日志文件集合Pdata中随机选取m个日志文件
Figure BDA0002254215120000031
其中
Figure BDA0002254215120000032
Figure BDA0002254215120000033
为矢量数据，是电力数据值的集合；
c.从先验分布Pprior(z)中选取m个噪声样本zi(i＝1,2,…,m)；
d.将噪声样本zi(i＝1,2,…,m)作为输入，输入到生成模型G中生成数据
Figure BDA0002254215120000034
通过最大化价值函数V从而更新与限制判别模型参数；
e.重复步骤b～d至ncritic次，最大化价值函数V，学习并固定判别模型C；
f.从先验分布Pprior(z)中任意选取另外m个噪声样本zi(j＝m+1,m+2,…,2m)
g.通过最小化价值函数V从而更新生成模型参数，实现生成模型参数的学习；
h.重复执行操作a～g，直至达到生成模型参数收敛；
当生成模型参数达到收敛后，完成生成对抗网络的学习。利用学习到的生成模型，生成大量与真实日志文件分布相同的辅助日志文件，实现对源区域基站日志文件集合的扩充。
进一步的，步骤3中，主要包括以下步骤：
将源区域基站日志文件集合与利用生成模型G生成的伪日志文件集合混合，统称为源区域日志文件集合，记作Ds，
Figure BDA0002254215120000041
其中
Figure BDA0002254215120000042
i＝1,2,…,n，假设集合大小为n；目标区域基站的日志文件集合记作Dt，
Figure BDA0002254215120000043
其中
Figure BDA0002254215120000044
Figure BDA00022542151200000410
假定集合大小为m；整个日志文件的集合用作训练数据，记作D，集合大小为m+n；
1)初始权重向量
Figure BDA0002254215120000045
用来指定每个样本的重要程度，其中，
Figure BDA0002254215120000046
设置迭代次数N
2)迁移学习过程
a.设置p满足
Figure BDA0002254215120000047
b.调用分类器Learner，根据合并后的训练数据D以及D上的权重分布p和未标注数据S，得到一个在S的分类器h:X→Y；
c.计算h在Dt上的错误率：
Figure BDA0002254215120000048
d.设置Dt权重调整速率βt＝∈/(1-∈)，设置Ds权重调整速率
Figure BDA0002254215120000049
e.设置新的权重向量如下
Figure BDA0002254215120000051
f.重复过程a～e，直至达到指定迭代次数N；
3)输出最终分类器
Figure BDA0002254215120000052
该分类器根据输入的目标区域基站日志文件，输出最终的分类结果，即可求出对应基站的运行状态信息。
与现有技术相比，本发明有以下技术效果：
本发明利用不同区域之间电力文件数据集之间的相关性，挖掘它们之间的联系，实现模型的迁移。具体来说，假定存在两个区域：源区域和目标区域。在源区域中，可以得到大量的基站文本数据以及其对应的基站运行状态(标签)，在目标区域中，由于条件的限制，只能够得到少量带标签的基站电力文件数据和无标签的电力文本数据。本发明探究源区域和目标区域之间部分电力文件数据的同分布性，利用源区域中的部分有效电力文件数据和目标区域全部电力文件数据，建立了适用于目标区域的分类模型，该分类模型能够对目标区域中的文本数据实现正确、高效的分类，即用于判断基站的运行状态。针对现阶段所提出的存在的问题，本发明在一定程度上突破了数据挖掘方法中对于仪器的可靠性、统一性和对于文件数据的在数量以及标签上的要求，有效利用数据之间的潜在分布性，建立适用模型，排除数据集中所隐含错误带来的影响。
附图说明
图1为本发明的示意图；
图2是Wassertein生成对抗网络的表示图；
图3是TrAdaBoost算法的示意图。
具体实施方式
下面结合具体的实施方式和附图对本发明作进一步的解释说明。
请参阅图1至图3，一种自适应的跨区域基站能耗模型迁移与补偿方法，包括如下步骤：
电力日志文件的获取与预处理：
1.1)首先使用Logstash适配器分别提取来自源区域基站的用电日志文件
Figure BDA0002254215120000063
Figure BDA0002254215120000064
和目标区域基站的用电日志文件
Figure BDA0002254215120000065
日志文件中主要记录着该基站一段时间内的用电数据的变化情况。
1.2)对原始用电日志文件中的数据进行预处理，过滤掉无关信息，筛选出随时间变化的用电量数据。
2)基于Wassertein生成对抗网络(Wasserstein Generative AdversarialNetworks，WGAN)对源区域基站用电日志文件集
Figure BDA0002254215120000061
Figure BDA0002254215120000062
进行扩充：
2.1)构建生成对抗网络结构，主要是建立生成模型G(Generator)和判别模型C(Critic)。
a.生成模型G：该模型将输入的随机噪声经变换输出为日志文本数据。定义生成模型G为多层神经网络，输入向量的维数等于日志文本中数据的个数(维数)，该向量随机生成于某分布，生成模型G的输出为模型生成的日志文件。
b.判别模型C：判别模型C为一种神经网络模型，该模型的的最后一层不是非线性激活层，模型输入为真实的日志文件或者由G生成的模拟文本文件，输出为真实分数，用于衡量输入文件来自于真实分布的程度。
c.模型连接：在训练生成模型G时，需要固定判别模型C以极小化价值函数V而寻求更好的生成模型，即固定C的权重以训练G的权重。
2.2)生成对抗网络的训练过程:
a.参数的初始化：
设置学习率α；
设置限制范围参数c；
设置训练批处理大小m；
设置噪声样本的初始分布Pprior(z)；
设置训练判别模型的循环次数ncritic；
设置生成模型初始参数θ0；
设置判别模型初始参数ω0。
b.从真实的日志文件集合Pdata中随机选取m个日志文件
Figure BDA0002254215120000071
其中
Figure BDA0002254215120000072
Figure BDA0002254215120000073
为矢量数据，是电力数据值的集合。
c.从先验分布Pprior(z)中选取m个噪声样本zi(i＝1,2,…,m)。
d.将噪声样本zi(i＝1,2,…,m)作为输入，输入到生成模型G中生成数据
Figure BDA0002254215120000074
通过最大化价值函数V(近似拟合Wassertein距离)从而更新与限制判别模型参数。
其中价值函数
Figure BDA0002254215120000075
价值函数中的前一项
Figure BDA0002254215120000077
定义了判别模型C判断样本x是不是从真实分布中取出来的，E表示期望，取值越大说明样本x来自真实分布的可能性越大；
Figure BDA0002254215120000078
定义了生成模型G对C的欺骗，取值越大说明G的欺骗程度越小。综合两个公式，对生成模型而言，判别模型的目标是最大化V(G，C)。
e.重复步骤b～d至ncritic次，最大化价值函数V，学习并固定判别模型C。
f.从先验分布Pprior(z)中任意选取另外m个噪声样本zj(j＝m+1,m+2,…,2m)
g.通过最小化价值函数V从而更新生成模型参数，实现生成模型参数的学习。
价值函数
Figure BDA0002254215120000076
价值函数中的前一项
Figure BDA0002254215120000087
定义了判别模型C判断样本x是不是从真实分布中取出来的，E表示期望，取值越小说明样本x来自真实分布的可能性越小；
Figure BDA0002254215120000088
定义了生成模型G对C的欺骗，取值越小说明G的欺骗程度越大。综合两个公式，对生成模型而言，判别模型的目标是最小化V(G，C)。
h.重复执行操作a～h，直至达到生成模型参数收敛。
2.3)当生成模型参数达到收敛后，完成Wassertein生成对抗网络的训练。利用学习到的生成模型，生成大量与真实日志文件分布相同的辅助日志文件，实现对源区域基站日志文件集合的扩充。
3)迁移学习
基于大量有标记的源区域基站的日志文本数据和少量有标记的目标区域基站的日志文本数据，训练分类模型，使得该模型能够利用没有标记的目标区域基站日志文件数据进行分类，即判断基站的运行状态。
本发明中选取了基于实例迁移的迁移学习算法TrAdaBoost算法，基本思想是当目标区域日志文件被误分类后，增加这个样本的权重，用来强调这个样本，；当源区域日志文件被误分类后，认为这些数据和目标数据是很不同的，减小这些数据的权重降低它们在训练中的影响。
将源区域基站日志文件集合与利用生成模型G生成的伪日志文件集合混合，统称为源区域日志文件集合，记作Ds，
Figure BDA0002254215120000081
其中
Figure BDA0002254215120000082
假设集合大小为n；目标区域基站的日志文件集合记作Dt，
Figure BDA0002254215120000083
其中
Figure BDA0002254215120000084
Figure BDA0002254215120000085
假定集合大小为m；整个日志文件的集合用作训练数据，记作D，集合大小为m+n。
3.1)初始权重向量
Figure BDA0002254215120000086
用来指定每个样本的重要程度，其中，
Figure BDA0002254215120000091
设置迭代次数N
3.2)迁移学习过程
a.设置p满足
Figure BDA0002254215120000092
b.调用分类器Learner，根据合并后的训练数据D以及D上的权重分布p和未标注数据S，得到一个在S的分类器h:X→Y。
c.计算h在Dt上的错误率：
Figure BDA0002254215120000093
d.设置Dt权重调整速率βt＝∈/(1-∈)，设置Ds权重调整速率
Figure BDA0002254215120000094
e.设置新的权重向量如下
Figure BDA0002254215120000095
f.重复过程a～e，直至达到指定迭代次数N。
3.3)输出最终分类器
Figure BDA0002254215120000096
该分类器根据输入的目标区域基站日志文件，输出最终的分类结果，即可求出对应基站的运行状态信息。

Claims (2)

1.一种自适应的跨区域基站能耗模型迁移与补偿方法，其特征在于，包括以下步骤：
步骤1，电力日志文件的获取与预处理：提取来自源区域基站的用电日志文件和目标区域基站的用电日志文件，筛选出随时间变化的用电量数据；
步骤2，基于Wassertein生成对抗网络，其中Wassertein是一种衡量两种分布之间距离的方法，对生成的对抗网络进行训练，对源区域基站用电日志文件集
Figure FDA0003830004960000011
Figure FDA0003830004960000012
Figure FDA0003830004960000013
其中，i＝1,2,…，进行扩充，xs表示源文件；
步骤3，迁移学习：基于大量有标记的源区域基站的日志文本数据和少量有标记的目标区域基站的日志文本数据，训练分类模型，使得该模型能够利用没有标记的目标区域基站日志文件数据进行分类，即判断基站的运行状态；
步骤1中，具体包括：
1)首先使用Logstash适配器分别提取来自源区域基站的用电日志文件
Figure FDA0003830004960000014
其中i＝1,2,…，和目标区域基站的用电日志文件
Figure FDA0003830004960000015
其中j＝1,2,…，xt表示目标文件；
2)对原始用电日志文件中的数据进行预处理，过滤掉无关信息，筛选出随时间变化的用电量数据；
步骤2中，构建生成对抗网络结构，主要是建立生成模型G和判别模型C；
a.生成模型G：该模型将输入的随机噪声经变换输出为日志文本数据，定义生成模型G为多层神经网络，输入向量的维数等于日志文本中数据的个数，该向量随机生成于某分布，生成模型G的输出为模型生成的日志文件；
b.判别模型C：判别模型C为一种神经网络模型，该模型的最后一层不是非线性激活层，模型输入为真实的日志文件或者由G生成的模拟文本文件，输出为真实分数，用于衡量输入文件来自于真实分布的程度；
c.模型连接：在训练生成模型G时，需要固定判别模型C以极小化价值函数V而寻求更好的生成模型，即固定C的权重以训练G的权重；
步骤3中，主要包括以下步骤：
将源区域基站日志文件集合与利用生成模型G生成的伪日志文件集合混合，统称为源区域日志文件集合，记作Ds，
Figure FDA0003830004960000021
其中
Figure FDA0003830004960000022
i＝1,2,…,n，假设集合大小为n；目标区域基站的日志文件集合记作Dt，
Figure FDA0003830004960000023
其中
Figure FDA0003830004960000024
j＝1,2,…,m，假定集合大小为m；整个日志文件的集合用作训练数据，记作D，集合大小为m+n；
1)初始权重向量
Figure FDA0003830004960000025
用来指定每个样本的重要程度，其中，
Figure FDA0003830004960000026
设置迭代次数N
2)迁移学习过程
a.设置p满足
Figure FDA0003830004960000027
b.调用分类器Learner，根据合并后的训练数据D以及D上的权重分布p和未标注数据S，得到一个在S的分类器h:D→Y；Y是类别标记；
c.计算h在Dt上的错误率：
Figure FDA0003830004960000028
d.设置Dt权重调整速率βt＝∈/(1-∈)，设置Ds权重调整速率
Figure FDA0003830004960000029
e.设置新的权重向量如下
Figure FDA00038300049600000210
f.重复过程a～e，直至达到指定迭代次数N；c(xi)是判别器输出结果；
3)输出最终分类器
Figure FDA00038300049600000211
该分类器根据输入的目标区域基站日志文件，输出最终的分类结果，即可求出对应基站的运行状态信息。
2.根据权利要求1所述的一种自适应的跨区域基站能耗模型迁移与补偿方法，其特征在于，步骤2中，生成对抗网络的训练过程为：
a.参数的初始化：
设置学习率α；
设置限制范围参数c；
设置训练批处理大小m；
设置噪声样本的初始分布Pprior(z)；
设置训练判别模型的循环次数ncritic；
设置生成模型初始参数θ0；
设置判别模型初始参数ω0；
b.从真实的日志文件集合Pdata中随机选取m个日志文件
Figure FDA0003830004960000031
其中，i＝1,2,…,m，其中
Figure FDA0003830004960000032
Figure FDA0003830004960000033
为矢量数据，是电力数据值的集合；
c.从先验分布Pprior(z)中选取m个噪声样本zi，其中i＝1,2,…,m；
d.将噪声样本zi，其中i＝1,2,…,m作为输入，输入到生成模型G中生成数据
Figure FDA0003830004960000034
通过最大化价值函数V从而更新与限制判别模型参数；
e.重复步骤b～d至ncritic次，最大化价值函数V，学习并固定判别模型C；
f.从先验分布Pprior(z)中任意选取另外m个噪声样本zj(j＝m+1,m+2,…,2m)
g.通过最小化价值函数V从而更新生成模型参数，实现生成模型参数的学习；
h.重复执行操作a～g，直至达到生成模型参数收敛；
当生成模型参数达到收敛后，完成生成对抗网络的学习；利用学习到的生成模型，生成大量与真实日志文件分布相同的辅助日志文件，实现对源区域基站日志文件集合的扩充。
CN201911046277.7A 2019-10-30 2019-10-30 一种自适应的跨区域基站能耗模型迁移与补偿方法 Active CN110880020B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911046277.7A CN110880020B (zh) 2019-10-30 2019-10-30 一种自适应的跨区域基站能耗模型迁移与补偿方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911046277.7A CN110880020B (zh) 2019-10-30 2019-10-30 一种自适应的跨区域基站能耗模型迁移与补偿方法

Publications (2)

Publication Number Publication Date
CN110880020A CN110880020A (zh) 2020-03-13
CN110880020B true CN110880020B (zh) 2022-10-25

Family

ID=69728335

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911046277.7A Active CN110880020B (zh) 2019-10-30 2019-10-30 一种自适应的跨区域基站能耗模型迁移与补偿方法

Country Status (1)

Country Link
CN (1) CN110880020B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112738092A (zh) * 2020-12-29 2021-04-30 北京天融信网络安全技术有限公司 一种日志数据增强方法、分类检测方法及系统
CN116996926B (zh) * 2023-09-26 2023-11-28 香港中文大学（深圳） 一种数据驱动的基站功耗建模方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109086658A (zh) * 2018-06-08 2018-12-25 中国科学院计算技术研究所 一种基于生成对抗网络的传感器数据生成方法与系统
CN110178395A (zh) * 2017-09-08 2019-08-27 华为技术有限公司 伪基站识别方法和终端
KR20190104267A (ko) * 2019-07-23 2019-09-09 엘지전자 주식회사 운전 로그 및 인공지능모델을 이용하여 고장 진단을 하는 인공 지능 기기 및 그 방법

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101582813B (zh) * 2009-06-26 2011-07-20 西安电子科技大学 基于分布式迁移网络学习的入侵检测系统及其方法
US10866584B2 (en) * 2016-05-09 2020-12-15 Strong Force Iot Portfolio 2016, Llc Methods and systems for data processing in an industrial internet of things data collection environment with large data sets
CN107480027A (zh) * 2017-07-07 2017-12-15 上海诺悦智能科技有限公司 一种分布式深度学习运维系统
CN108376148A (zh) * 2018-01-24 2018-08-07 西安交通大学 一种基于数据隐结构分析的基站聚类检测方法
CN110012019A (zh) * 2019-04-11 2019-07-12 鸿秦（北京）科技有限公司 一种基于对抗模型的网络入侵检测方法及装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110178395A (zh) * 2017-09-08 2019-08-27 华为技术有限公司 伪基站识别方法和终端
CN109086658A (zh) * 2018-06-08 2018-12-25 中国科学院计算技术研究所 一种基于生成对抗网络的传感器数据生成方法与系统
KR20190104267A (ko) * 2019-07-23 2019-09-09 엘지전자 주식회사 운전 로그 및 인공지능모델을 이용하여 고장 진단을 하는 인공 지능 기기 및 그 방법

Also Published As

Publication number Publication date
CN110880020A (zh) 2020-03-13

Similar Documents

Publication Publication Date Title
CN109450834B (zh) 基于多特征关联和贝叶斯网络的通信信号分类识别方法
US20230300159A1 (en) Network traffic anomaly detection method and apparatus, and electronic apparatus and storage medium
CN104683984B (zh) 无线通信信号实时监测处理方法和系统
CN104518905A (zh) 一种故障定位方法及装置
CN112039687A (zh) 一种面向小样本特征的基于改进生成对抗网络的故障诊断方法
CN110880020B (zh) 一种自适应的跨区域基站能耗模型迁移与补偿方法
CN112348339A (zh) 一种基于大数据分析的配电网规划方法
CN104966161B (zh) 一种基于高斯混合模型的电能质量录波数据计算分析方法
CN112818891B (zh) 通信干扰信号类型智能识别方法
Zhang et al. A generative adversarial learning-based approach for cell outage detection in self-organizing cellular networks
Zhao et al. Evaluating and improving adversarial attacks on DNN-based modulation recognition
CN112926045B (zh) 一种基于逻辑回归模型的群控设备识别方法
CN110309884A (zh) 基于泛在电力物联网体系的用电数据异常识别系统
CN110348683A (zh) 电能质量扰动事件主成因分析方法、装置设备及存储介质
CN112243249A (zh) 5g nsa组网下lte新入网锚点小区参数配置方法和装置
CN106443380A (zh) 一种配电电缆局部放电信号识别方法及装置
CN111103477A (zh) 一种基于3d卷积神经网络的电气负载监测方法和系统
CN109594967A (zh) 一种基于录井大数据的卡钻事故检测预警方法
CN113702767B (zh) 基于小波滑窗能量的孤岛直流微电网故障诊断方法
CN114169249A (zh) 一种配电网高阻接地故障人工智能识别方法
CN117907835A (zh) 一种新能源电池故障诊断方法
CN109309538A (zh) 一种频谱感知方法、装置、设备、系统及存储介质
CN116739408A (zh) 基于数据标签的电网调度安全监控方法、系统及电子设备
CN114912356A (zh) 冲击性负荷的分段概率谐波模型构建方法
CN113850422A (zh) 一种基于多元非线性回归或/和平行向量的快速查找台区线损点的方法

Legal Events

Date Code Title Description
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