CN111148118B - 基于时间序列的流量预测和载波关断方法和系统 - Google Patents
基于时间序列的流量预测和载波关断方法和系统 Download PDFInfo
- Publication number
- CN111148118B CN111148118B CN201911308145.7A CN201911308145A CN111148118B CN 111148118 B CN111148118 B CN 111148118B CN 201911308145 A CN201911308145 A CN 201911308145A CN 111148118 B CN111148118 B CN 111148118B
- Authority
- CN
- China
- Prior art keywords
- model
- prediction
- data
- flow
- cell
- 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
Images
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
- H04W16/24—Cell structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
-
- 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
- H04L41/142—Network analysis or design using statistical or mathematical methods
-
- 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
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W28/00—Network traffic management; Network resource management
- H04W28/02—Traffic management, e.g. flow control or congestion control
-
- 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
-
- 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)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Analysis (AREA)
- Health & Medical Sciences (AREA)
- Algebra (AREA)
- Medical Informatics (AREA)
- Mathematical Optimization (AREA)
- Probability & Statistics with Applications (AREA)
- Pure & Applied Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及基于时间序列的流量预测和载波关断方法和系统。其中的流量预测方法包括:获取目标基站小区历史数据,通过关联字段提取基于时间序列的特征;激活多模型融合算法,根据提取的特征选定多个模型作为堆叠的第一层进行多折交叉验证,输出结果进行合并;基于指定堆叠第二层的预测算法模型,将多折交叉验证后的输出结果再训练,得到目标预测值及精度指标。载波关断方法是在流量预测步骤的基础上,利用某时段的预测数据,使特定的小区基站在预测的时间节点进行载波关断或闭站操作。本发明方案中的系统包括计算装置和模块,用于实现上述方法。本发明方案不仅能得出准确的流量预测结果,还能使基站能耗大幅降低,并减少通信系统运营费用。
Description
技术领域
本发明属于通讯技术领域,涉及一种基于时间序列的流量预测和载波关断方法。本发明还涉及基于所述方法的系统及基站。
背景技术
移动网络话务量存在明显的潮汐效应,但大部分通信基站设备却始终保持持续运行状态,能耗并没有随话务量动态调整,形成浪费。
发明内容
为了解决上述技术问题,本发明提供基于时间序列的流量预测、载波关断的技术方案,不仅对基站小区流量进行预测,还能够智能地对目标小区的基站进行载波关断或者闭站操作,来达到节能又不影响网络KPI、不减网络覆盖的效果。
本发明的技术方案涉及一种基于时间序列的流量预测方法,所述方法包括以下步骤:
获取目标基站小区历史数据,通过关联字段提取一个或多个基于时间序列的特征;
激活多模型融合算法,根据提取的特征选定多个机器学习模型作为堆叠的第一层并进行多折交叉验证;
对多模型的多折交叉验证后的输出结果进行保存和合并;
基于指定堆叠第二层的预测算法模型,将多折交叉验证后的输出结果进行再训练,从而通过测试集结果与真实值进行对比,得到目标预测值及精度指标,循环优化、不断提升。
根据本发明的一些方面,所述的通过关联字段提取一个或多个基于时间序列的特征的步骤包括:接入管辖目标小区的网管系统,采集预定时间段内的历史数据,并且通过关联字段提取流量数据关联特征。其中,该关联字段包括平均PRB利用率、RRC连接用户数、小区上下行流量以及小区间的切换统计数据。
根据本发明的一些方面,所述的根据提取的特征选定多个机器学习模型作为堆叠的第一层并进行多折交叉验证的步骤包括:对每一个模型进行多折的交叉验证,其中取一折作为测试数据,其余的折作为训练数据;在每一次的交叉验证中,基于训练数据进行模型训练并且基于训练生成的模型对测试数据进行预测,同时对原来的整个测试数据集进行预测,使这部分预测值作为下一层模型的测试数据的一部分。并且所述的对多模型的多折交叉验证后的输出结果进行保存和合并的步骤包括:将训练得到的预测值数据进行堆叠拼凑,将整个测试数据集进行预测得到的各部分数据相加和求平均。
根据本发明的一些方面,所述的流量预测方法,还包括:通过多个不同的机器学习模型,分别对目标小区基站的流量数据关联特征进行训练,并且分别生成一组堆叠特征;并且将所述的堆叠特征结合移动数据流量特征之外的额外特征,通过第二层的预测算法模型进行再训练,从而获得与所述的额外特征关联的属性类别的预测结果。其中,该额外特征包括通过时间和/或地理信息的字段提取得到的统计类特征。
根据本发明的一些方面,所述的机器学习模型选自以下模型中的任一个或多个:梯度下降树(GBDT)模型、XGBoost模型、随机森林(RF)模型、差分整合移动平均自回归(ARIMA)模型、长短期记忆网络(LSTM)模型。
本发明的技术方案还涉及一种载波关断方法,该方法不仅包括上述的流量预测方法中的步骤,还包括:确定在预定时间段内的小区预测流量低于预设的门限,下发关闭该小区的载频指令,直至该小区达到激活站条件后,触发开启载频的指令。
根据本发明的一些方面,所述的载波关断方法还包括:基于所述的流量预测方法,全局分析与一小区的覆盖区域重叠的其他小区的流量状态;对冗余覆盖的并且在预定时间段内的预测流量低于预设的门限的小区进行暂时闭站操作。
本发明的技术方案还涉及一种计算机系统,包括:用于执行上述的流量预测方法步骤的流量预测装置;以及用于执行上述的载波关断方法的载波关断模块。所述的流量预测装置和所述的载波关断模块与一个或多个小区的基站的网管系统通信连接。所述的流量预测装置和所述的载波关断模块也可以整合在该网管系统中,作为基站网管系统的一部分。
本发明的技术方案还涉及一种计算机可读的存储介质,其上储存有程序指令,所述程序指令被处理器执行时实现上述流量预测方法和载波关断方法。
本发明的技术方案还涉及一种计算机应用服务器,其包括上述的计算机系统。
本发明的有益效果在于:
有效地利用多个标准机器学习算法,并使其组合运用到小区流量预测上,提高了预测准确性;通过预测结果,可以对每个小区的关断门限和时间进行主动的精准设置,在基站覆盖范围不变,对网络KPI无影响的条件下,可以使基站能耗降低15%-30%,大幅降低通信系统运营费用;通过预测未来某时间段机房内主设备小区流量低于一定门限,全局分析与此小区覆盖区域重叠小区流量状态,智能对冗余覆盖小区进行暂时闭站操作,达到节能不减覆盖的效果。
附图说明
图1是根据本发明的流量预测和载波关断方法的总体流程框图。
图2是根据本发明的方法实施例中模型融合运算和操作的流程图。
图3是根据本发明的方法另一实施例的流程图。
图4a和4b是根据本发明的实施例在两个不同站点中流量预测结果与真实值的对比图。
图5是根据本发明的实施例中的小区流量预测走势图。
图6是根据本发明的实施例中的整体系统的示意性框图。
具体实施方式
以下将结合实施例和附图对本发明的构思、具体结构及产生的技术效果进行清楚、完整的描述,以充分地理解本发明的目的、方案和效果。
需要说明的是,除非另有定义,本文所使用的所有的计算机技术和算法术语与本技术领域的技术人员通常理解的含义相同。本文说明书中所使用的行文术语只是为了描述具体的实施例,而不是为了限制本发明。比如,术语“和/或”包括一个或多个相关的所列项目的任意的组合。应当理解,本文所提供的任何以及所有实例或示例性语言(“例如”、“如”等)的使用仅意图更好地说明本发明的实施例,并且除非另外要求,否则不会对本发明的范围施加限制。
本发明的方案是整合人工智能的机器学习算法进行小区流量预测,从通过预测未来某时间段(比如闲时)机房内主设备小区流量低于一定门限时,智能地对目标小区的基站进行载波关断或者闭站操作。下面通过多个实施例描述本发明的细节方案。
参照图1,在一实施例中,根据本发明的流量预测方法包括以下步骤:
S1、获取目标基站小区历史数据,通过关联字段提取一个或多个基于时间序列的特征;
S2、激活多模型融合算法,根据提取的特征选定多个机器学习模型作为堆叠的第一层并进行多折交叉验证,然后对多模型的多折交叉验证后的输出结果进行保存和合并;
S3、基于指定堆叠第二层的预测算法模型,将多折交叉验证后的输出结果进行再训练,从而通过测试集结果与真实值进行对比,得到目标预测值及精度指标。
进一步,在所述流量预测方法的基础上,利用某时段(比如未来24小时)的预测数据,使特定的小区基站在预测的时间节点进行载波关断、开启或者闭站、启站操作。因此参照图1,根据本发明的载波关断方法除了包括上述步骤S1-S3外,还包括步骤S4:确定在预定时间段内的小区预测流量低于预设的门限,下发关闭该小区的载频指令,直至该小区达到激活站条件后,触发开启载频的指令。例如参照图5,可以在提早的时间节点A,基于小区覆盖场景和历史小区流量信息,训练小区流量趋势模型,然后获得周期性的比如未来24小时的流量预测数据曲线(如图5中曲线)。在本实施例中,可以根据载波关断或者闭站条件(例如在未来的若干小时内,预测流量值都小于某流量阈值),在预测曲线中捕捉节点B;同时可以根据载波开启或者开站条件(例如在未来的时刻内,预测流量值大于某流量阈值)预测曲线中捕捉节点C,然后向小区网管系统发送载频指令,允许目标小区基站在节点B的时刻进行载波关断或者闭站,并且使得小区基站在节点C的时刻进行载波开启或者开站,以达到节能效果。然后,可以在预测周期后部的节点D时刻,更新小区流量趋势模型,采集更新的历史数据,循环下一轮预测。
在一些实施例中,步骤S1包括接入目标小区的网管系统,采集预定时间段内的历史数据,并且通过关联字段提取流量数据关联特征。该历史数据可以包括各小区基站的ID信息、地理经纬度信息、上下行流量、用户接入量、闲忙时信息、节假日信息等。其中与流量预测常用的关联字段如平均PRB利用率、RRC连接用户数、移动数据流量、小区间的切换统计数据等。采集的历史数据需要转换成机器学习算法模型所需的样本数据格式,比如是以字典、树形等形式的数据存储结构表。
在一些实施例中,步骤S2包括:对每一个模型进行多折的交叉验证,其中取一折作为测试数据,其余的折作为训练数据;在每一次的交叉验证中,基于训练数据进行模型训练并且基于训练生成的模型对测试数据进行预测,同时对原来的整个测试数据集进行预测,使这部分预测值作为下一层模型的测试数据的一部分;将训练得到的预测值数据进行堆叠拼凑,将整个测试数据集进行预测得到的各部分数据相加和求平均。步骤S3包括,在多折交叉验证后的输出结果进行再训练后,通过测试集结果与真实值进行对比,得到精度指标,用以调整预测模型策略以及改进下次的预测结果。例如,发现精度指标低于某一精度阈值时,可以改变第一层的算法模型的组合策略,或者增减第一层的算法模型。应理解,不同的算法模型有各自的长处,具有差异性,而步骤S2和S3中的模型融合方法可以使得发挥出各个算法模型的优势,让这些相对较弱的模型通过某种策略结合起来,达到比较强的预测模型。在进行模型融合之前,各个基学习器不能够太差,即“准确性”,并且它们之间要有区分度,即“差异性”。把多个学习器结合在一起,融合效果将优于各个基学习器。
在一些实施例中,所述的机器学习模型可以选自以下任一种或多种模型:GBDT、XGBoost、RF、ARIMA、LSTM等机器学习模型。在本文末尾,会介绍这些模型用于本发明的具体实施方式。
参照图2,在更具体的实施例中描述上述步骤S2和S3。为了方便理解和阅读,图中采用不同的填充图例表示不同的数据块,并且以箭头方向表示数据的走向和运算流程。在本实施例中,用XGBoost作为基础模型Model1,用RF作为基础模型Model2,并且在第一层中采用5折交叉验证。5折交叉验证就是先拿出4折作为训练数据(training data),另外1折作为测试数据(testing data)。在堆叠(stacking)中此部分数据会用到整个训练集(trainingset)。假设整个training set包含10000行数据,测试集(testing set)包含2500行数据,那么每一次交叉验证其实就是对training set进行划分,在每一次的交叉验证中trainingdata将会是8000行,testing data是2000行。每一次的交叉验证包含两个过程:1、基于training data训练模型;2、基于training data训练生成的模型对testing data进行预测。在整个第一次的交叉验证完成之后将会得到关于当前testing data的预测值,这将会是一个一维2000行的数据,记为a1。在这部分操作完成后,还对数据集原来的整个testing set进行预测,这个过程会生成2500个预测值,这部分预测值将会作为下一层模型testing data的一部分,记为b1。因为进行的是5折交叉验证,所以以上提及的过程将会进行5次,最终会生成针对testing set数据预测的5列2000行的数据a1,a2,a3,a4,a5,对testing set的预测会是5列2500行数据b1,b2,b3,b4,b5。在完成对Model1的整个步骤之后,可以发现a1,a2,a3,a4,a5其实就是对原来整个training set的预测值,将他们拼凑起来,会形成一个10000行一列的矩阵,记为A1。而对于b1,b2,b3,b4,b5这部分数据,将各部分相加取平均值,得到一个2500行一列的矩阵,记为B1。
以上就是图2上半部分所示的一个模型的完整流程。stacking中的第一层通常包含多个模型,比如还有Model2:RF,Model3:GBDT,Model4:ARIMA,Model5:LSTM。对于这些模型,重复以上的步骤,在整个流程结束之后,可以得到新的A2,A3,A4,A5,B2,B3,B4,B5矩阵。
在此之后,把A1,A2,A3,A4,A5并列合并得到一个10000行五列的矩阵作为training data,B1,B2,B3,B4,B5并列合并得到一个2500行五列的矩阵作为testing data。然后让下一层的模型(比如XGBoost),基于这些结果做进一步的训练,如图2右侧部分所示。
参照图3,在一实施例中,可以在stacking中的第一层和第二层分别通过不同的特征进行预测,以获得分类的流量预测结果。本实施例中的方法包括以下步骤:
S11、在小区基站的历史数据中提取多个用于流量预测的特征;
S12、选取上/下行流量特征;
S13、通过多个不同的机器学习模型对目标小区的进行训练;
S14、生成堆叠特征组;
S15、选取其它关联特征(例如,PRB利用率、PRC连接用户数等特征);和/或S151、选取统计类特征(例如,周末节假日时间信息特征、基站位置的地理信息特征等);
S16、将堆叠特征结合其它关联特征和/或统计类特征,通过第二层的预测算法模型(比如XGBBoost模型)进行再训练;
S17、计算与所述的关联特征和/或统计类特征的属性类别的预测结果。例如,可以预测得到目标地点的基站在给定时段的流量预测数据,还可以结合基站资源利用率,对局部范围的流量进行精准预测,从而提高流量预测的准确性和针对性。
在两个不同的基站站点获取和计算得到的流量预测结果与真实值的对比如图4a和4b所示。图中粗实线表示预测的下行流量,细实线表示实际的下行流量。可以形象地看到,根据本发明方法的流量预测准确性高。此外,在一个计算实例中,计算得到的精度评估指标(SMAPE)为0.349,也可以看出运用本发明方法的预测结果良好。
参照图5,在一实施例中,根据本发明的载波关断子系统包括流量预测装置、模型融合模块和载波关断模块,其中模型融合模块可以整合在流量预测装置中,模型融合模块中运行上述实施例中的流量预测方法的应用程序以输出预测结果,载波关断模块运行上述实施例中的载波关断方法的应用程序以输出载频控制指令。流量预测装置可以实施为模块化的计算机设备、通信领域的上位计算机等,也可以是系统中的虚拟计算机。
参照图6,在本发明的一个应用场景,在一个本地网中,网管系统连接厂家设备管理服务器,然后通过基站的通信设备对基站进行控制和数据获取。载波关断子系统通过网管系统的连接覆盖网,获取目标基站小区(如图中的被分析基站小区)及邻区的历史数据。
在一实施例中,所述的流量预测装置和所述的载波关断模块可以与管辖一个或多个小区的基站的网管系统通信连接,或者整合在网管系统中。载波关断子系统集成到管辖多个小区的网管系统,从而对被分析基站的小区及其邻近小区进行流量预测以及载波关断的统筹管理。在另一实施例中,载波关断子系统可以作为一个应用程序系统,运行在网管中心系统中的应用服务器。其通过获取网管系统的历史数据,分析预测各个蜂房通信小区的话务量,从而发现可以关闭的载波,向网管系统发出对应基站通信设备的去激活指令,实现载波优化,达到节能目的。
由于各个基站的覆盖是有相互交叉覆盖的,在一优选实施例中,基于上述的流量预测方法,全局分析与一小区的覆盖区域重叠的其他小区的流量状态,对冗余覆盖的并且在预定时间段内的预测流量低于预设的门限的小区进行暂时闭站操作。例如参照图6,在一个具体实施例中,如果预测到相邻的多个小区基站的连接流量达到载波关断条件,优先对这两个基站的冗余覆盖地区的基站进行载波关断或暂时闭站操作。
应当认识到,本发明的方法实施例可以由计算机硬件、硬件和软件的组合、或者通过存储在非暂时性计算机可读存储器中的计算机指令来实现或实施。所述方法可以使用标准编程技术。每个程序可以以高级过程或面向对象的编程语言来实现以与计算机系统通信。然而,若需要,该程序可以以汇编或机器语言实现。在任何情况下,该语言可以是编译或解释的语言。此外,为此目的该程序能够在编程的专用集成电路上运行。
此外,可按任何合适的顺序来执行本文描述的过程的操作,除非本文另外指示或以其他方式明显地与上下文矛盾。本文描述的过程(或变型和/或其组合)可在配置有可执行指令的一个或多个计算机系统的控制下执行,并且可作为共同地在一个或多个处理器上执行的代码(例如,可执行指令、一个或多个计算机程序或一个或多个应用)、由硬件或其组合来实现。所述计算机程序包括可由一个或多个处理器执行的多个指令。
进一步,所述方法可以在可操作地连接至合适的任何类型的计算平台中实现,包括但不限于个人电脑、迷你计算机、主框架、工作站、网络或分布式计算环境、单独的或集成的计算机平台、或者与带电粒子工具或其它成像装置通信等等。本发明的各方面可以以存储在非暂时性存储介质或设备上的机器可读代码来实现,无论是可移动的还是集成至计算平台,如硬盘、光学读取和/或写入存储介质、RAM、ROM等,使得其可由可编程计算机读取,当存储介质或设备由计算机读取时可用于配置和操作计算机以执行在此所描述的过程。此外,机器可读代码,或其部分可以通过有线或无线网络传输。当此类媒体包括结合微处理器或其他数据处理器实现上文所述步骤的指令或程序时,本文所述的发明包括这些和其他不同类型的非暂时性计算机可读存储介质。当根据本发明所述的方法和技术编程时,本发明还包括计算机本身。
计算机程序能够应用于输入数据以执行本文所述的功能,从而转换输入数据以生成存储至非易失性存储器的输出数据。输出信息还可以应用于一个或多个输出设备如显示器。在本发明优选的实施例中,转换的数据表示物理和有形的对象,包括显示器上产生的物理和有形对象的特定视觉描绘。
最后,本发明用到的机器学习算法举例如下。
1 GBDT
1.1决策树
GBDT中采用回归树构建,回归树的每个节点得到的是一个预测值,即在某一棵树的叶节点值为该节点的平均值。在分枝节点的选取时,回归树使用了最小化均方差作为划分标准,即被预测出错的次数越多,误差越大,均方差就越大,通过最小化均方差也就能够找到最可靠的分枝依据。具体而言,回归树的建立过程如下:(其中x为样本,y为标签)
输入:训练数据集{(x1,y1),(x2,y2),...,(xN,yN)},损失函数为上(y,f(x))
输出:回归树F(x)
(1)初始化:估计使损失函数极小化的常数值,它是只有一个根节点的树,一般平方损失函数为节点的均值,而绝对损失函数为节点样本的中位数
(2)对m=1,2,...,M(M表示迭代次数,即生成的弱学习器个数):
①对样本i=1,2,...,N,计算损失函数的负梯度在当前模型的值将它作为残差的估计,对于平方损失函数为,它就是通常所说的残差;而对于一般损失函数,它就是残差的近似值(即伪残差):
②对{(x1,rm1),(x2,rm2),...,(xN,rmN)}拟合一个回归树,得到第m棵树的叶节点区域Rmi,j=1,2,...,J(J表示每棵树的叶节点个数)
③对j=1,2,...,J,利用线性搜索,估计叶节点区域的值,使损失函数最小化,计算
④更新
(3)得到最终的回归树
1.2 GBDT过程
GBDT是一种泛化能力较强的迭代决策树算法,该算法是通过多轮迭代完成,每轮迭代产生一个决策树,每棵决策树都是在上一轮决策树的残差基础上进行训练。因此,该算法的训练的过程是通过降低偏差来不断提高最终学习器的精度。
其训练过程为:
输入:训练数据集{(x1,y1),(x2,y2),...,(xN,yN)},损失函数为L(y,f(x))=(y-f(x))2
输出:回归树F(x)
(1)初始化:(当损失函数为平方损失时,节点的平均值即为该节点中使损失函数达到最小值的最优预测值)
(2)对m=1,2,...,M:
①对样本i=1,2,...,N,计算残差
②对{(x1,rm1),(x2,rm2),...,(xN,rmN)}拟合一个回归树,得到第m棵树的叶节点点区域Rmj,j=1,2,...,J
③对j=1,2,...,J,利用线性搜索,估计叶节点区域的值,使损失函数最小化,计算
式中,cmj表示的取值为第m棵树的第j个叶节点中残差的平均数
(3)更新
(4)得到最终的回归树
GBDT的优点在于它预测精度高,适合低维数据,且能处理非线性数据。缺点为如果数据维度较高时会加大算法的计算复杂度。
2 XGBoost
GBDT是以CART为基分类器,而XGBoost在此基础上还支持线性分类器,此时XGBoost相当于带L1正则化和L2正则化项的分类或者线性回归。XGBoost最大的特点在于它能够自动利用CPU的多线程进行并行计算,同时在算法上加以改进提高了精度。
传统的GBDT在优化时只用到一阶导数,XGBoost则对目标函数进行了二阶泰勒展开,同时用到了一阶和二阶导数。其目标函数为:
树节点在进行分裂时,需要计算每个特征的每个分割点对应的增益,即用贪心法枚举所有可能的分割点。当数据无法一次载入内存或者在分布式情况下,贪心算法效率就会变得很低,所以XGBoost采用了一种近似的算法:根据百分位法列举几个可能成为分割点的候选者,然后从候选者中根据上面求分割点的公式计算找出最佳的分割点。
XGBoost在进行完一次迭代后,会将叶子节点的权重乘上该系数,主要是为了削弱每棵树的影响,让后面有更大的学习空间。
3 RF
随机森林(Random Forest,RF)是以决策树为基学习器构建的Bagging集成模型,并在决策树的训练过程中引入了随机性。具体表现为:从原数据集中有放回的采样获得若干个子集,基于每个子集训练出不同的决策树,再通过各决策树的投票获得最终的预测结果。因此,随机森林所表现出的性能优于决策树。
算法优点在于:它能够处理高维数据且不需特征选择;训练结束后,算法可以给各特征的重要性;训练速度快,且容易并行化处理。
随机森林算法训练过程如下:
(1)样本集的选择。假设原始样本集总共有N个样例,则每轮从原始样本集中通过Bootstraping(有放回抽样)的方式抽取N个样例,得到一个大小为N的训练集。在原始样本集的抽取过程中,可能有被重复抽取的样例,也可能有一次都没有被抽到的样例。共进行k轮的抽取,则每轮抽取的训练集分别为T1,T2,...,Tk。
(2)决策树的生成。假如特征空间共有D个特征,则在每一轮生成决策树的过程中,从D个特征中随机选择其中的d个特征(d<D)组成一个新的特征集,通过使用新的特征集来生成决策树。
在k轮中共生成k个决策树,由于这k个决策树在训练集的选择和特征的选择上都是随机的,因为这k个决策树之间是相互独立的。
(3)模型的组合。由于生成的k个决策树之间是相互独立的,每个决策树的重要性是相等的,因而在将它们进行组合时,无需考虑他们的权值,或者可以认为他们具有相同的权值。对于分类问题,最终的分类结果使用所有的决策树投票来确定最终分类结果;对于回归问题,使用所有决策时输出的均值来作为最终的输出结果。
(4)模型的验证。模型的验证需要验证集,而在此无需专门额外的获取验证集,只需要从原始样本集中选择没有被使用过的样例即可。
在从原始样本中选择训练集时,存在部分样例一次都没有被选中过,在进行特征选择时,也可能存在部分特征未被使用的情况,只需将这些未被使用的数据拿来验证最终的模型即可。
4 ARIMA
差分整合移动平均自回归模型(Autoregressive Integrated Moving Averagemodel,ARIMA),是研究时间序列的重要方法,由自回归模型(简称AR模型)、差分算法与滑动平均模型(简称MA模型)为基础“混合”构成。在市场研究中常用于长期追踪资料的研究,如:消费行为模式变迁研究、具有季节变动特征的销售量、市场规模的预测等。
4.1自回归模型(Auto-regressive,AR)
4.2移动平均模型(Moving-Average,MA)
移动平均模型平稳条件:任何条件下都平稳。
4.3混合模型(Auto-regressive Moving-Average,ARMA)
如果时间序列yt满足yt=θ1yt-1+...+θpyt-p+εt-θ1εt-1-...-θqεt-q,则称时间序列为yt服从(p,q)阶自回归滑动平均混合模型。
特殊情况:q=0,模型即为AR(p),p=0,模型即为MA(q)。
4.4建模流程
4.4.1前提准备
获取数据之后需要对数据进行预处理,判定给出的数据满足为平稳非白噪声序列,才可以利用上述几种模型对该数据序列进行建模。
(1)平稳性检验
利用时序图检验的方法进行平稳性检验。所谓时序图,就是一个平面二维坐标图,通常横轴表示时间,纵轴表示序列取值。平稳序列的时序图应该显示出该序列始终在一个常数值附近随机波动,而且波动的范围有界的特点。如果观察序列的时序图显示出明显的趋势性或周期性,那它通常不是平稳序列。这样,根据时序图就可以判断是否是平稳的。
(2)纯随机性检验
如果序列值彼此之间没有任何相关性,那就意味着该序列是一个没有记忆的序列,过去的行为对将来的发展没有丝毫影响,这种序列称之为纯随机序列。白噪声序列是典型的纯随机序列。
这里要验证所要研究的数据序列不是纯随机序列,即过去的值对现在有影响,才能建立ARMA模型,从而进行预测。检测方法为LB统计量:
一般只要计算出来延迟6期和延迟12期的LB及所对应的P值就可以判断序列的随机性。如果计算结果P值很小,基本上以0.05为标准,只要小于0.05即可断定该序列不是纯随机序列,属于非白噪声序列。
其中P值计算方法:k自由度的χ2(k)函数的密度函数为:
4.4.2建模步骤
假如观察值序列通过序列预处理,可以判定为平稳非白噪声序列,那么就可以利用模型对该序列建模。
(1)求出该观察值序列的样本自相关系数(ACF)和样本偏自相关系数(PACF)的值。根据样本自相关系数和偏自相关系数的性质,选择阶数适当的模型进行拟合,即确定p,q的值。
(2)估计模型中未知参数的值。
(3)检验模型的有效性。如果拟合模型通不过检验,回到(2),重新选择模型再拟合。
(4)模型优化。充分考虑各种可能,建立多个拟合模型,从所有通过检验的拟合模型中选择最优模型。
(5)利用拟合模型,预测序列的将来走势。
4.4.3计算样本自相关系数和偏自相关系数
样本自相关系数可以根据以下公式求得:
4.4.4模型识别(计算p,q)
计算出样本自相关系数和偏自相关系数的值之后,就要根据他们表现出来的性质,选择适当的ARMA模型拟合观察值序列。这个过程实际上就是要根据样本自相关系数和偏自相关系数的性质估计自相关阶数和移动平均阶数因此,模型识别过程也称为模型定阶过程。
表1模型定阶方式
判定是截尾或拖尾的方式为:如果样本自相关系数或偏自相关系数在最初的d阶明显大于2倍标准差范围,而后几乎95%的自相关系数都落在2倍标准差的范围以内,而且由非零相关系数衰减为小值波动的过程非常突然,这时通常视为相关系数截尾,且截尾阶数为d。如果有超过5%的样本自相关系数落入2倍标准差范围之外,或者是由显著非零的相关系数衰减为小值波动的过程比较缓慢或者非常连续,这时通常视为相关系数不截尾,即拖尾。
这样就可以根据最初的理论依据和计算的比较结果来选择合适的模型进行模拟。
(1)若观察序列的自相关系数拖尾,偏自相关系数截尾,且截尾阶数为p,则选AR模型。
(2)若观察序列的自相关系数截尾,且截尾阶数为q,偏自相关系数拖尾,则选MA模型。
(3)若观察序列的自相关系数和偏自相关系数均拖尾,则选ARMA模型。
4.4.5参数估计
选择好拟合模型之后,下一步就是要利用序列的观察值确定该模型的口径,即估计模型中未知参数的值。通常采用最大似然估计或最小二乘估计方法。
极大似然估计:
最终,求解似然方程组
式中,
最小二乘估计:
式中,
4.4.6模型检验
模型的检验主要是检验模型的有效性,一个好的拟合模型应该能够提取观察值序列中几乎所有的样本相关信息。换言之,拟合残差项(真实值与拟合值的差)中将不再蕴含任何相关信息,即残差序列应该为白噪声序列。这样,就通过检验残差序列是否为白噪声序列来说明所建模型是否通过检验。
方法与上面的序列随机性检验方法一样,利用LB统计量:
这里要验证是属于白噪声序列,所以最后计算结果P值要大于0.05才可断定残差序列是纯随机序列,进而说明该拟合模型通过了检验。
4.4.7模型优化
对于给定的观察值序列,能够建立多个拟合模型,模型优化就是从所有通过检验的拟合模型中选择最优模型。
在这里,利用AIC准则(最小信息量准则)来选择最优模型。AIC准则的思想是认为一个拟合模型的好坏可以从两方面去考察:一方面是用来衡量拟合程度的似然函数值;另一方面是模型中未知参数的个数。一个好的拟合模型应该是一个拟合精度和未知参数个数的综合最优配置,使得AIC最小的ARMA模型为最优模型。模型的AIC函数为:
其中,
4.4.8序列预测
通过以上所有的步骤,就得到了最优的拟合模型,然后可以对未来的某一点进行预测。
5 LSTM
5.1 RNN
人工神经网络(Artificial Neural Network,ANN)是人脑的简洁化和抽象化的表示,它是有大量的神经元相互连接而形成的。1985年,David Rumelhart提出了神经网络的误差反向传播算法,即BP神经网络(Back Propagation Neural Network),为神经网络的研究掀开崭新的一页。为了解决各类新问题,科学界在原有BP神经网络的基础上进行改进,从而涌现出大量的衍生算法,其中循环神经网络(Recurrent Neural Networks,RNN)被常用作处理序列数据,完成序列数据的预测或者分类任务。循环神经网络是同时兼备前向反馈和后向反馈链路的神经网络,这种网络能够有效分析序列数据的上下文信息,诸如语音识别领域、电子学传感器等。该算法较传统的BP神经网络的优点在于,隐层之间的神经元不再是无连接而是有连接,这种改进使得网络能够对前面的信息进行记忆保留,并应用于当前的输出计算中,计算结束再将记忆传递给下一个神经元。因此,RNN在自然语言处理领域(Natural Language Processing,NLP)中取得了巨大成功以及广泛应用。
其中,配置{xt-1,xt,xt+1,...}为输入集(Input units),{st-1,st,st+1,...}为隐藏单元(Hidden units),{ot-1,ot,ot+1,...}为输出集(Output units),t代表序列(Srep),而U,V,W是一组共享参数。
5.2 LSTM
研究发现,RNN具备的记忆能力周期较短,只能记忆短时期的上下文信息,而面对长序列的信息随着学习量的增多或者学习周期的增长将会导致梯度消失或者梯度爆炸的现象。长短期记忆网络(Long Short Term Memory,LSTM)-是一种特殊类型的RNN网络结构,可以学习长期依赖信息。LSTM由Hochreiter等于1997年提出并在近期被Alex Graves进行了改良和推广。该模型可以记忆长序列中的规律,并且有效规避梯度消失现象。相较于传统的RNN,LSTM的隐层单元(Hidden units)被记忆块(Memory blocks)代替,这些记忆块中的记忆单元(Memory cell)能够存储前面的序列信息,同时增加三种门:输入门(Inputgate)、输出门(Output gate)、忘记门(Forget gate)用于控制记忆的序列信息。记忆块中有两条主线,分别为记忆线和输入输出线,其中,记忆线在t时刻所完成的运算为其前一时刻的记忆状态Ct-1经过忘记门状态Ft和输入门状态It的不同处理后得到该时刻的记忆线输出Ct;而输入输出线的运算过程为在t时刻输入一组新的变量值Xt与前一时刻的隐层输出状态Ht-1共同通过输出门状态Ot的运算后,参考记忆线在该时刻的输出Ct,得到隐层的输出结果Ht。LSTM中t时刻所得的Ct和Ht将被传递到下一时刻参与计算。
为了得到目标Ct和Ht,计算步骤如下:
(2)计算LSTM记忆线的t时刻输出Ct:
(3)计算LSTM的t时刻隐层输出Ht:
Ht=Ot*tanh(Ct-1)
(4)计算t+1时刻的序列值
式中,在W2是输出层和隐层之间的权重矩阵,b是输出层的偏项。
以上所述,只是本发明的较佳实施例而已,本发明并不局限于上述实施方式,只要其以相同的手段达到本发明的技术效果,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明保护的范围之内。在本发明的保护范围内其技术方案和/或实施方式可以有各种不同的修改和变化。
Claims (8)
1.一种基于时间序列的流量预测方法,其特征在于,所述方法包括以下步骤:
获取目标基站小区及相关邻区基站的话务流量相关历史数据,通过关联字段提取一个或多个基于时间序列的特征;其中:
所述的通过关联字段提取一个或多个基于时间序列的特征的步骤包括:接入管辖目标小区的网管系统,采集预定时间段内的历史数据,并且通过关联字段提取流量数据关联特征,其中,该关联字段包括平均PRB利用率、RRC连接用户数、小区上下行流量以及小区间的切换统计数据;
激活多模型融合算法,根据提取的特征选定多个机器学习模型作为堆叠的第一层并进行多折交叉验证;其中:
所述的根据提取的特征选定多个机器学习模型作为堆叠的第一层并进行多折交叉验证的步骤包括:对每一个模型进行多折的交叉验证,其中取一折作为测试数据,其余的折作为训练数据;在每一次的交叉验证中,基于训练数据进行模型训练并且基于训练生成的模型对测试数据进行预测,同时对原来的整个测试数据集进行预测,使这部分预测值作为下一层模型的测试数据的一部分;
对多模型的多折交叉验证后的输出结果进行保存和合并;其中:
所述的对多模型的多折交叉验证后的输出结果进行保存和合并的步骤包括:将训练得到的预测值数据进行堆叠拼凑,将整个测试数据集进行预测得到的各部分数据相加和求平均;
基于指定堆叠第二层的预测算法模型,将多折交叉验证后的输出结果进行再训练,从而通过测试集结果与真实值进行对比,得到目标预测值及精度指标,随着运行时间的加长预测精确度不断得到提高。
2.根据权利要求1所述的流量预测方法,其特征在于,还包括:通过多个不同的机器学习模型,分别对目标小区基站的流量数据关联特征进行训练,并且分别生成一组堆叠特征;并且将所述的堆叠特征结合移动数据流量特征之外的额外特征,通过第二层的预测算法模型进行再训练,从而获得与所述的额外特征关联的属性类别的预测结果,其中,该额外特征包括通过时间和/或地理信息的字段提取得到的统计类特征。
3.根据权利要求1所述的流量预测方法,其特征在于,所述的机器学习模型选自以下模型中的任一个或多个:梯度下降树模型、XGBoost模型、随机森林模型、差分整合移动平均自回归模型、长短期记忆网络模型。
4.一种载波关断方法,其特征在于,包括如权利要求1至3中任一项权利要求所述的流量预测方法的步骤,所述的载波关断方法还包括以下步骤:确定在预定时间段内的小区预测流量低于预设的门限,下发关闭该小区的载频指令,直至该小区达到激活站条件后,触发开启载频的指令。
5.根据权利要求4所述的载波关断方法,其特征在于,还包括:基于所述的流量预测方法,全局分析与一小区的覆盖区域重叠的邻区的流量状态;对冗余覆盖的并且在预定时间段内的预测流量低于预设的门限的小区进行暂时闭站操作。
6.一种计算机系统,其特征在于,包括:流量预测装置,用于执行如权利要求1至3中任一权利要求所述的流量预测方法;载波关断模块,用于执行如权利要求4或5所述的载波关断方法,其中,所述的流量预测装置和所述的载波关断模块与管辖一个或多个小区的基站的网管系统通信连接,或者整合在该网管系统中。
7.一种计算机可读的存储介质,其特征在于,其上储存有程序指令,所述程序指令被处理器执行时实现如权利要求1至5中任一权利要求中的方法。
8.一种计算机应用服务器,其特征在于,包括如权利要求6所述的计算机系统。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911308145.7A CN111148118B (zh) | 2019-12-18 | 2019-12-18 | 基于时间序列的流量预测和载波关断方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911308145.7A CN111148118B (zh) | 2019-12-18 | 2019-12-18 | 基于时间序列的流量预测和载波关断方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111148118A CN111148118A (zh) | 2020-05-12 |
CN111148118B true CN111148118B (zh) | 2023-03-14 |
Family
ID=70518728
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911308145.7A Active CN111148118B (zh) | 2019-12-18 | 2019-12-18 | 基于时间序列的流量预测和载波关断方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111148118B (zh) |
Families Citing this family (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113873564A (zh) * | 2020-06-30 | 2021-12-31 | 华为技术有限公司 | 一种基于通信预测的节能方法及装置 |
CN111913803B (zh) * | 2020-07-21 | 2023-12-29 | 哈尔滨工程大学 | 一种基于akx混合模型的服务负载细粒度预测方法 |
CN111918370A (zh) * | 2020-07-27 | 2020-11-10 | 东联信息技术有限公司 | 基于大数据挖掘及ai调度的无线基站的节能降耗方法 |
CN114071661A (zh) * | 2020-07-31 | 2022-02-18 | 大唐移动通信设备有限公司 | 一种基站节能控制方法和装置 |
CN114205853A (zh) * | 2020-09-02 | 2022-03-18 | 中兴通讯股份有限公司 | 流量预测方法、流量预测模型建立方法和存储介质 |
CN112118581B (zh) * | 2020-09-08 | 2023-06-02 | 中国联合网络通信集团有限公司 | 多载波处理方法、装置、系统和计算机可读存储介质 |
CN112165412B (zh) * | 2020-09-24 | 2022-02-15 | 中盈优创资讯科技有限公司 | 一种基于时间序列模型的流量预测方法 |
CN114339962B (zh) * | 2020-09-29 | 2023-07-14 | 中国移动通信集团设计院有限公司 | 基站节能方法、装置及系统 |
US20230370341A1 (en) * | 2020-10-06 | 2023-11-16 | Telefonaktiebolaget Lm Ericsson (Publ) | Conditional generative model recommendation for radio network |
CN112488404B (zh) * | 2020-12-07 | 2022-09-23 | 广西电网有限责任公司电力科学研究院 | 一种配电网大规模电力负荷多线程高效预测方法及系统 |
CN112566226B (zh) * | 2020-12-16 | 2023-03-17 | 北京电信规划设计院有限公司 | 5g基站智能化节能方法 |
CN114401486B (zh) * | 2021-12-27 | 2024-05-14 | 中国电信股份有限公司 | 一种小区关断方法及装置 |
CN116761185A (zh) * | 2023-08-21 | 2023-09-15 | 北京融信数联科技有限公司 | 一种基于信令预测日活跃用户的方法、系统及介质 |
CN117692350B (zh) * | 2024-02-04 | 2024-04-30 | 中国人民解放军军事科学院系统工程研究院 | 一种基于指纹的流量预测方法及系统 |
CN118070987A (zh) * | 2024-04-24 | 2024-05-24 | 深圳拓安信物联股份有限公司 | 管网流量预测方法、装置、设备以及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001036949A (ja) * | 1999-07-19 | 2001-02-09 | Hitachi Ltd | 無線通信方法および無線通信システム |
CN108648023A (zh) * | 2018-05-18 | 2018-10-12 | 上海电机学院 | 一种融合历史均值与提升树的商家客流量预测方法 |
CN109522917A (zh) * | 2018-09-10 | 2019-03-26 | 中山大学 | 一种基于多模型堆叠融合预测的方法 |
CN110390419A (zh) * | 2019-05-20 | 2019-10-29 | 重庆大学 | 基于pso-lssvm模型的高速公路收费站流量预测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10452992B2 (en) * | 2014-06-30 | 2019-10-22 | Amazon Technologies, Inc. | Interactive interfaces for machine learning model evaluations |
-
2019
- 2019-12-18 CN CN201911308145.7A patent/CN111148118B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001036949A (ja) * | 1999-07-19 | 2001-02-09 | Hitachi Ltd | 無線通信方法および無線通信システム |
CN108648023A (zh) * | 2018-05-18 | 2018-10-12 | 上海电机学院 | 一种融合历史均值与提升树的商家客流量预测方法 |
CN109522917A (zh) * | 2018-09-10 | 2019-03-26 | 中山大学 | 一种基于多模型堆叠融合预测的方法 |
CN110390419A (zh) * | 2019-05-20 | 2019-10-29 | 重庆大学 | 基于pso-lssvm模型的高速公路收费站流量预测方法 |
Non-Patent Citations (1)
Title |
---|
胡宪华 等." 基于时间序列的移动通信话务预测".《移动通信》.2006, * |
Also Published As
Publication number | Publication date |
---|---|
CN111148118A (zh) | 2020-05-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111148118B (zh) | 基于时间序列的流量预测和载波关断方法和系统 | |
Baker et al. | Accelerating neural architecture search using performance prediction | |
US11107250B2 (en) | Computer architecture for artificial image generation using auto-encoder | |
US20200134429A1 (en) | Computer architecture for multiplier-less machine learning | |
CN115018193A (zh) | 基于lstm-ga模型的时间序列风能数据预测方法 | |
US11195053B2 (en) | Computer architecture for artificial image generation | |
CN117688846A (zh) | 用于建筑能耗的强化学习预测方法及系统、存储介质 | |
Emsia et al. | Economic growth prediction using optimized support vector machines | |
Nazarov et al. | Optimization of prediction results based on ensemble methods of machine learning | |
CN117131654A (zh) | 基于预分析初猜值条件非线性最优扰动的目标观测方法 | |
Ivakhnenko et al. | Recent developments of self-organising modeling in prediction and analysis of stock market | |
CN113537607B (zh) | 停电预测方法 | |
CN115423091A (zh) | 一种条件对抗神经网络训练方法、场景生成方法和系统 | |
Jackson et al. | Machine learning for classification of economic recessions | |
Qi et al. | Analysis and Prediction of Energy Consumption in Neural Networks Based on Machine Learning | |
Vachkov et al. | Partial fuzzy grid models and application to condition monitoring of photovoltaic systems | |
Dmytro et al. | Model of the regional energy efficiency analysis based on the artificial neural networks | |
US20230359208A1 (en) | Computer Architecture for Identification of Nonlinear Control Policies | |
Yüksek et al. | Comparison of the effects of different dimensional reduction algorithms on the training performance of anfis (adaptive neuro-fuzzy inference system) model | |
Vignisson | Anomaly Detection in Streaming Data from a Sensor Network | |
CN118171241A (zh) | 一种基于pso优化算法的pm颗粒物浓度预测方法 | |
CN115879590A (zh) | 一种基于小波特征提取与集成学习模型的负荷预测方法 | |
Vachkov et al. | Grid-Type Fuzzy Models for Performance Evaluation and Condition Monitoring of Photovoltaic Systems | |
Jain et al. | Simulation Model Calibration with Dynamic Stratification and Adaptive Sampling | |
Rajan et al. | Machine Learning-Based Time-Series Analysis of Environmental Parameters for Predicting Occupancy Patterns |
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 |