CN111246552A - 一种基于移动网络流量预测的基站休眠方法 - Google Patents
一种基于移动网络流量预测的基站休眠方法 Download PDFInfo
- Publication number
- CN111246552A CN111246552A CN202010036123.6A CN202010036123A CN111246552A CN 111246552 A CN111246552 A CN 111246552A CN 202010036123 A CN202010036123 A CN 202010036123A CN 111246552 A CN111246552 A CN 111246552A
- Authority
- CN
- China
- Prior art keywords
- base station
- mobile network
- time
- representing
- method 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 39
- 230000005059 dormancy Effects 0.000 title claims abstract description 37
- 238000005265 energy consumption Methods 0.000 claims abstract description 30
- 238000011176 pooling Methods 0.000 claims description 21
- 230000007958 sleep Effects 0.000 claims description 11
- 239000000126 substance Substances 0.000 claims description 9
- 230000001364 causal effect Effects 0.000 claims description 8
- 230000002123 temporal effect Effects 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 239000004576 sand Substances 0.000 claims description 6
- 230000004927 fusion Effects 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 8
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 210000004027 cell Anatomy 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000005034 decoration Methods 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 2
- 230000010339 dilation Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
Images
Classifications
-
- 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
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/06—Testing, supervising or monitoring using simulated traffic
-
- 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
本发明公开了一种基于移动网络流量预测的基站休眠方法,在移动网络中,通过提出的基于时空特征的预测模型预测基站的流量,然后根据预测出的流量调度合适的基站进入休眠状态,来节省基站的能耗。本方明利用时间卷积网络抽取移动网络流量的时间特征,利用三维卷积网络流量抽取移动网络流量的空间特征,然后利用抽取的特征进行准确地预测基站的流量,再利用预测的流量通过规划的方法选取合适的基站进行休眠,能够有效地降低基站的工作能耗,同时又能够保证用户的服务质量。
Description
技术领域
本发明涉及一种基于移动网络流量预测的基站休眠方法,属于移动网络领域。
背景技术
随着移动设备数量的快速增长,移动网络流量也在极其迅速地增长,这加速了移动网络基础设施的扩张。移动网络的扩张同时也导致了移动网络能量消耗的增加。运营商考虑到经济问题和生态环境问题,需要建立绿色移动网络。之前的研究表明基站的能量消耗占据了移动网络流量消耗的80%左右。所以节省基站的能量消耗是构建绿色移动网络的关键。
在基站节能的相关研究中,基站休眠是常见的方法。由于基站在部署时是按照流量峰值设计的,基站在工作日中有30%的时间流量只有峰值的十分之一。所以当一个区域的流量较低时,可以将该区域中的部分基站进行关闭,而该区域的通信需求由其它基站进行满足;当区域的流量负载较高时,可以将基站进行唤醒。
Jingjin Wu等人提出的休眠策略(参考文献:Wu J,Zhang Y,Zukerman M,etal.Energy-efficient base-stations sleep-mode techniques in green cellularnetworks:A survey[J].IEEE communications surveys&tutorials,2015,17(2):803-826.),可以降低50%的基站能耗,但是在设计休眠策略时认为流量是静态的,但是流量的特征会受到时间和空间特征的影响的。同时其它因素,比如天气、节假日等情况也会影响移动网络中的流量。Sheng Zhang等人考虑了流量的动态性(参考文献:Zhang S,Zhao S,YuanM,et al.Traffic predictionbasedpower saving in cellular networks:Amachine learning method[C]//Proceedings ofthe 25th ACM SIGSPATIALInternational Conference onAdvances in Geographic Information Systems.ACM,2017:29.),但是在设计休眠算法时,只考虑了下一个时刻应该休眠的基站数,无法确切地得到应该休眠的基站。上述的方法中存在着预测流不准确、调度策略不够完善的缺点。
发明内容
本发明所要解决的技术问题是针对当前移动网络中基站休眠算法的不足,提供一种能够保证基站能耗最小化的基站休眠方法,在保证用户的服务质量的基础上,对移动网络中的基站进行动态地休眠和唤醒,达到降低基站能耗的目标,在保证用户服务质量的同时,能够最大限度地降低移动网络的能耗。
本发明为解决上述技术问题具体采用以下技术方案。
一种基于移动网络流量预测的基站休眠方法,包括以下步骤:
步骤一、获取基站流量信息以及基站所在区域的外部信息;
步骤二、根据步骤一中获取的信息,采用神经网络预测将来某个时刻基站的流量;
步骤三、根据预测出的基站流量,通过求解调度目标函数的方式选择合适的基站进行休眠及唤醒。
进一步的,本发明所提出的基于移动网络流量预测的基站休眠方法,步骤一中获取的信息包括基站的历史流量信息以及基站周围区域的基站流量信息,所在区域的外部信息包括天气、节假日以及特殊事件的相关信息。
进一步的,本发明所提出的基于移动网络流量预测的基站休眠方法,步骤二所述预测将来某个时刻基站的流量,具体步骤如下:
步骤2.1、使用时间卷积网络提取移动网络流量的时间特征;
步骤2.2、使用三维卷积网络提取移动网络流量的空间特征;
步骤2.3、使用全连接网络提取基站所在区域的外部特征;
步骤2.4、融合时间特征、空间特征和外部特征,最后全连接层得到预测的流量。
进一步的,本发明所提出的基于移动网络流量预测的基站休眠方法,步骤2.1所述的具体步骤包括:时间卷积网络由一维卷积组成,通过因果卷积和扩张卷积来提取移动网络流量的时间特征,
所述时间卷积网络在神经网络层之间使用残差连接,残差连接由如下公式进行计算:
foutput=ReLu(x+f(x))
其中,f(x)表示一维卷积操作的输出,x表示输入,ReLu函数作为激活函数,由以下公式得到:
fact(x)=max(0,x)
其中,max()表示求两个数的最大值。
进一步的,本发明所提出的基于移动网络流量预测的基站休眠方法,步骤2.2所述的具体步骤包括:
三维卷积操作由以下公式进行计算:
在卷积层后使用最大池化作为池化层,池化操作的输出由以下公式得到:
其中,U为池化层的输入,H为池化层的输出,s、t和r为池化操作的采样步长,S1、S2和S3表示池化操作的窗口大小。
进一步的,本发明所提出的基于移动网络流量预测的基站休眠方法,步骤2.3所述的具体步骤包括:
由全连层提取移动网络流量的外部特征,外部特征由以下公式得到:
其中,Wex表示权重,Xex表示全连接层的输入,bex表示偏置;ReLu函数作为激活函数,由以下公式得到:
fact(x)=max(0,x)
其中,max()表示求两个数的最大值,x表示输入。
进一步的,本发明所提出的基于移动网络流量预测的基站休眠方法,步骤2.4所述的具体步骤包括:
融合得到的时间特征和空间特征,具体如下所示:
融合后的结果通过全连接层,再与外部特征进行融合,融合操作如下所示:
进一步的,本发明所提出的基于移动网络流量预测的基站休眠方法,步骤三所述的具体步骤包括:
步骤3.1、确定n个基站的在时间段T={1,2,...,,L}的总能耗;
步骤3.2、确定基站休眠的调度过程。
进一步的,本发明所提出的基于移动网络流量预测的基站休眠方法,步骤3.1所述的总能耗包括:
对于t∈T,n个基站的总能量消耗Pt由以下公式得到:
其中,表示t时刻基站i覆盖区域k,表示t时刻基站i无法覆盖区域k,表示基站i服务区域k所需要的能量,P0是基站处于工作状态时的固定能耗,表示基站i处于工作状态,而表示处于休眠状态;Pswitch,i,t表示基站切换产生的能量消耗,由如下公式得到:
其中,Vk,t表示t时刻的流量值,di,k表示基站和区域的距离,p是常数;
Pswitch,i,t由如下公式得到:
其中,Vi,t表示t时刻基站i的流量负载。
进一步的,本发明所提出的基于移动网络流量预测的基站休眠方法,步骤3.2所述的基站调度包括:
其中,Pt表示t时刻的能耗,Vk,t表示预测的流量值,Ci表示基站的最大负载,由于预测存在一定的误差,所以限定值采用αCi,0<α<1,表示t时刻基站i覆盖区域k,表示t时刻基站i无法覆盖区域k;表示基站i处于工作状态,而表示处于休眠状态,表示连接基站i区域的数目。
本发明采用以上技术方案与现有技术相比,具有以下的优点:
1.采用时间卷积网络和三维卷积网络来提取移动网络流量的时间特征和空间特征,能够更为准确地提取移动网络流量的特征。
2.针对移动网络流量会受到外部因素的影响,提取移动网络流量的外部特征,特征表示更为完整。
3.在选择基站进行休眠时,充分考虑用户的服务质量。
4.确定基站能耗时,考虑基站休眠和关闭产生的能耗,对基站能耗的描述更加完整和准确。
附图说明
图1是本发明所涉及的用于预测移动网络中基站流量的框架图。
图2是本方明中所涉及时间卷积网络中的因果卷积和扩张卷积。
具体实施方式
下面结合附图对本发明的技术方案做进一步的详细说明:
本技术领域技术人员可以理解的是,除非另外定义,这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是,诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非像这里一样定义,不会用理想化或过于正式的含义来解释。
本发明针对当前移动网络中基站休眠算法的不足,提供一种能够保证基站能耗最小化的基站休眠方法,在保证用户的服务质量的基础上,对移动网络中的基站进行动态地休眠和唤醒,达到降低基站能耗的目标,在保证用户服务质量的同时,能够最大限度地降低移动网络的能耗。
一种基于移动网络流量预测的基站休眠方法,包括以下步骤:
步骤一、获取基站的历史流量信息,将流量信息表示为一维向量。获取基站周围区域的基站流量信息,转化为三维矩阵。所在区域的外部信息包括天气、节假日以及特殊事件的相关信息,表示为向量。
步骤二、根据步骤一中获取的信息预测将来某个时刻的基站的流量,预测模型如图1所示,具体步骤包括:
步骤2.1、使用时间卷积网络(TCN)提取移动网络流量的时间特征。时间卷积网络由一维卷积组成,主要通过因果卷积和扩张卷积来提取移动网络流量的时间特征。时间卷积网络是通过改进一维卷积操作解决序列问题。由于采用卷积操作,TCN需要训练的参数相比循环神经网络RNN要少,模型相对简单,能够较好地抽取移动网络流量的时间特征。
因果卷积和扩张卷积如图2所示。图2(a)为因果卷积的过程图,图2(b)是扩张卷积的过程图。从图2(a)可以看出,因果卷积是利用不断地利用一维卷积对特征进行卷积操作。图2(a)中所示的因果卷积使得每个输出单元利用了前4个时刻的历史信息。扩张卷积如图2(b)所示。图2(b)中的d表示的是每一层的扩张率,扩张率表示卷积时扩张的大小。d随着网络层数的增多按指数增长,图2(b)中,i表示神经网络的层数。所以扩张卷积会使卷积操作所涉及到神经元的范围随着网络层数的增加按指数增长。
时间卷积网络在神经网络层之间使用残差连接,残差连接由如下公式进行计算:
foutput=ReLu(x+f(x))
其中,f(x)表示一维卷积操作的输出,x表示输入,ReLu函数作为激活函数,由以下公式得到:
fact(x)=max(0,x)
其中,max()表示求两个数的最大值,x表示输入。
步骤2.2、使用三维卷积网络(3D CNN)提取移动网络流量的空间特征。三维卷积网络主要用于视频等三维空间特征的获取,3D CNN相对于二维CNN增加了时间维度,可以在卷积操作同时考虑到历史信息,在获取特征时更加准确和完善。
三维卷积网络主要由三维卷积神经元构成,三维卷积操作由以下公式进行计算。
在卷积层后使用最大池化作为池化层,池化操作的输出由以下公式得到。
其中,U为池化层的输入,H为池化层的输出。s、t和r为池化操作的采样步长,S1、S2和S3表示池化操作的窗口大小。
步骤2.3、使用全连接网络提取基站所在区域的外部特征。外部特征由以下公式得到。
其中,Wex表示权重,Xex表示全连接层的输入,bex表示偏置。Relu表示激活函数,由以下公式得到:
fact(x)=max(0,x)。
其中,max()表示求两个数的最大值,x表示输入。
步骤2.4、融合时间特征、空间特征和外部特征。首先融合得到的时间特征和空间特征,具体如下所示:
其中,Ws和Wt表示时间特征和空间特征的权重,Xs和Xt表示提取的时间特征和空间特征。
融合后的结果通过全连接层,再与外部特征进行融合,融合操作如下所示:
再次融合后的结果通过全连接层,得到预测的流量。
步骤三、根据预测出的基站流量,通过规划的方式选择合适的基站进行休眠及唤醒,步骤包括:
步骤3.1、确定n个基站的在时间段T={1,2,...,,L}的总能耗。对于t∈T,n个基站的总能量消耗Pt可以由以下公式得到:
其中,表示t时刻基站i覆盖区域k,表示t时刻基站i无法覆盖区域k。表示基站i服务格子k所需要的能量。P0是基站处于工作状态时的固定能耗。表示基站i处于工作状态,而表示处于休眠状态。Pswitch,i,t表示基站切换产生的能量消耗。由如下公式得到:
其中,Vk,t表示t时刻的流量值,di,k表示基站和区域的距离,p是常数。
Pswitch,i,t由如下公式得到:
其中,Vi,t表示t时刻基站i的流量负载。
确定基站休眠的调度过程由如下公式表示:
其中,Pt表示t时刻的能耗,Vk,t表示预测的流量值,Ci表示基站的最大负载,由于预测存在一定的误差,所以限定值采用αCi(0<α<1),表示t时刻基站i覆盖区域k,表示t时刻基站i无法覆盖区域k,表示基站i处于工作状态,而表示处于休眠状态,表示连接基站I区域的数目。
该问题在解决时,采用贪心的方式得到问题的解,可以先得到任意t时刻的解,在获得任意t时刻解时可以使用分支定界算法,便于得出需要休眠及唤醒的基站。
以上所述仅是本发明的部分实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种基于移动网络流量预测的基站休眠方法,其特征在于,包括以下步骤:
步骤一、获取基站流量信息以及基站所在区域的外部信息;
步骤二、根据步骤一中获取的信息,采用神经网络预测将来某个时刻基站的流量;
步骤三、根据预测出的基站流量,通过求解调度目标函数的方式选择合适的基站进行休眠及唤醒。
2.如权利要求1所述的一种基于移动网络流量预测的基站休眠方法,其特征在于:步骤一中获取的信息包括基站的历史流量信息以及基站周围区域的基站流量信息,所在区域的外部信息包括天气、节假日以及特殊事件的相关信息。
3.如权利要求1所述的一种基于移动网络流量预测的基站休眠方法,其特征在于,步骤二所述预测将来某个时刻基站的流量,具体步骤如下:
步骤2.1、使用时间卷积网络提取移动网络流量的时间特征;
步骤2.2、使用三维卷积网络提取移动网络流量的空间特征;
步骤2.3、使用全连接网络提取基站所在区域的外部特征;
步骤2.4、融合时间特征、空间特征和外部特征,最后全连接层得到预测的流量。
4.如权利要求3所述的一种基于移动网络流量预测的基站休眠方法,其特征在于,步骤2.1所述的具体步骤包括:时间卷积网络由一维卷积组成,通过因果卷积和扩张卷积来提取移动网络流量的时间特征,
所述时间卷积网络在神经网络层之间使用残差连接,残差连接由如下公式进行计算:
foutput=ReLu(x+f(x))
其中,f(x)表示一维卷积操作的输出,x表示输入,ReLu函数作为激活函数,由以下公式得到:
fact(x)=max(0,x)
其中,max()表示求两个数的最大值。
8.如权利要求1所述的一种基于移动网络流量预测的基站休眠方法,其特征在于,步骤三所述的具体步骤包括:
步骤3.1、确定n个基站的在时间段T={1,2,...,,L}的总能耗;
步骤3.2、确定基站休眠的调度过程。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010036123.6A CN111246552B (zh) | 2020-01-14 | 2020-01-14 | 一种基于移动网络流量预测的基站休眠方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010036123.6A CN111246552B (zh) | 2020-01-14 | 2020-01-14 | 一种基于移动网络流量预测的基站休眠方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111246552A true CN111246552A (zh) | 2020-06-05 |
CN111246552B CN111246552B (zh) | 2021-11-26 |
Family
ID=70868396
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010036123.6A Active CN111246552B (zh) | 2020-01-14 | 2020-01-14 | 一种基于移动网络流量预测的基站休眠方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111246552B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN112954715A (zh) * | 2021-02-01 | 2021-06-11 | 福州大学 | 基于迁移学习的无线服务节点容量估计方法 |
CN113099520A (zh) * | 2021-03-19 | 2021-07-09 | 杭州电子科技大学 | 一种基于迟滞噪声混沌神经网络的基站休眠方法 |
CN113964853A (zh) * | 2021-10-14 | 2022-01-21 | 广东电网有限责任公司 | 一种5g宏基站群优化调度方法、装置、介质及终端设备 |
CN114158085A (zh) * | 2021-11-18 | 2022-03-08 | 湖北工业大学 | 一种基于时空聚合图卷积网络的移动蜂窝流量高效预测方法 |
CN114339962A (zh) * | 2020-09-29 | 2022-04-12 | 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 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN110509109A (zh) * | 2019-07-16 | 2019-11-29 | 西安交通大学 | 基于多尺度深度卷积循环神经网络的刀具磨损监测方法 |
-
2020
- 2020-01-14 CN CN202010036123.6A patent/CN111246552B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN110509109A (zh) * | 2019-07-16 | 2019-11-29 | 西安交通大学 | 基于多尺度深度卷积循环神经网络的刀具磨损监测方法 |
Non-Patent Citations (3)
Title |
---|
SHENG ZHANG等: "Traffic Prediction Based Power Saving in Cellular Networks: A Machine Learning Method", 《ACM》 * |
张杰等: "基于时空特征的移动网络流量预测模型", 《计算机科学》 * |
张沛等: "飞蜂窝网络中一种低复杂度的小区动态休眠方案研究", 《面向5G的LTE网络创新研讨会(2016)》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN114339962A (zh) * | 2020-09-29 | 2022-04-12 | 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 |
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 |
CN112954715A (zh) * | 2021-02-01 | 2021-06-11 | 福州大学 | 基于迁移学习的无线服务节点容量估计方法 |
CN113099520A (zh) * | 2021-03-19 | 2021-07-09 | 杭州电子科技大学 | 一种基于迟滞噪声混沌神经网络的基站休眠方法 |
CN113099520B (zh) * | 2021-03-19 | 2022-10-11 | 杭州电子科技大学 | 一种基于迟滞噪声混沌神经网络的基站休眠方法 |
CN113964853A (zh) * | 2021-10-14 | 2022-01-21 | 广东电网有限责任公司 | 一种5g宏基站群优化调度方法、装置、介质及终端设备 |
CN114158085A (zh) * | 2021-11-18 | 2022-03-08 | 湖北工业大学 | 一种基于时空聚合图卷积网络的移动蜂窝流量高效预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111246552B (zh) | 2021-11-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111246552B (zh) | 一种基于移动网络流量预测的基站休眠方法 | |
CN109862585B (zh) | 一种基于深度时空神经网络的动态异构网络流量预测方法 | |
CN105050170B (zh) | 一种异构网络中基于流量预测的基站休眠方法 | |
CN109447275B (zh) | Udn中基于机器学习的切换方法 | |
CN108134979B (zh) | 基于深度神经网络的小基站开关控制方法 | |
Jiang et al. | Data-driven cell zooming for large-scale mobile networks | |
CN114071661A (zh) | 一种基站节能控制方法和装置 | |
CN113011630B (zh) | 一种大数据配电网台区时空负荷短期预测方法 | |
Huang et al. | Joint demand forecasting and DQN-based control for energy-aware mobile traffic offloading | |
CN108055678B (zh) | 异构蜂窝网络中基于smdp的家庭基站休眠方法 | |
Hu et al. | Base station sleeping mechanism based on traffic prediction in heterogeneous networks | |
Lee et al. | Affinity propagation for energy-efficient BS operations in green cellular networks | |
Gao et al. | Machine learning based energy saving scheme in wireless access networks | |
CN114492941A (zh) | 一种基于集群划分和数据增强的整县光伏预测方法 | |
CN109348501B (zh) | 基于lte信号的室内外区分方法 | |
Xue et al. | Deep learning based channel prediction for massive MIMO systems in high-speed railway scenarios | |
Gao et al. | Deep learning based location prediction with multiple features in communication network | |
CN113141616A (zh) | O+b域数据+业务场景自适应识别的节能基站选择及节能模式选取的方法、装置和系统 | |
CN107577727A (zh) | 一种群体移动行为特性分析方法 | |
CN116047410A (zh) | 一种基于图卷积神经网络的uwb室内行人定位方法 | |
Huang et al. | Mobile traffic offloading with forecasting using deep reinforcement learning | |
CN114726463B (zh) | 基于神经网络的移动通信用户时空分布预测方法及装置 | |
He et al. | Traffic Processing Model of Big Data Base Station Based on Hybrid Improved CNN Algorithm and K-Centroids Clustering Algorithm | |
Wang et al. | A Base Station Sleeping Strategy in Heterogeneous Cellular Networks Based on User Traffic Prediction | |
Perepu et al. | CDDM: A method to detect and handle concept drift in dynamic mobility model for seamless 5G services |
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 |