CN111327453A - 一种考虑网格化动态、静态分量的通信带宽估算方法 - Google Patents
一种考虑网格化动态、静态分量的通信带宽估算方法 Download PDFInfo
- Publication number
- CN111327453A CN111327453A CN202010062237.8A CN202010062237A CN111327453A CN 111327453 A CN111327453 A CN 111327453A CN 202010062237 A CN202010062237 A CN 202010062237A CN 111327453 A CN111327453 A CN 111327453A
- Authority
- CN
- China
- Prior art keywords
- grid
- dynamic
- bandwidth
- component
- data
- 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
Images
Classifications
-
- 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
- H04L41/08—Configuration management of networks or network elements
- H04L41/0896—Bandwidth or capacity management, i.e. automatically increasing or decreasing capacities
-
- 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
- H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
-
- 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
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A30/00—Adapting or protecting infrastructure or their operation
- Y02A30/60—Planning or developing urban green infrastructure
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Algebra (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Pure & Applied Mathematics (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种考虑网格化动态、静态分量的通信带宽估算方法,包括步骤:获取待处理的城市规划地区模型结构与带宽空间分布情况数据,并将城市用地进行网格化划分;采用最小二乘法获取各个网格内通信带宽的活动周期与静态分量;通过对网格空间通信带宽数据做处理搭建动态通信数据库;采用3D卷积的方式由动态通信数据库得到网格内通信带宽的动态分量;融合静态分量与动态分量得到区域内各网格的预测带宽。本发明通过将网格内带宽分为动态分量和静态分量的方法,综合考虑了带宽变化的周期性和地区之间的带宽影响,从而得到更加合理的带宽预测结果。
Description
技术领域
本发明涉及电力通信系统技术领域,特别是一种考虑网格化动态、静态分量的通信带宽估算方法。
背景技术
电力通信网作为保证电力系统安全运行的重要支撑网络,其可靠性与电力系统可靠性密切相关。由于电网规模的不断扩大,电力通信网络结构日趋复杂,其安全风险和管理难度日益增加,合理的通信带宽预测对电力通信网的安全稳定运行是十分必要的。
在电力通信网带宽估计研究方面,目前实际采用的带宽计算方法是按照以标准业务断面为基础的直观预测和弹性系数相结合的带宽预测方法,这种方法只考虑预测当地自身的流量特性,并未考虑预测地区周围对预测地区流量的影响,其预测的结果不够准确。
发明内容
有鉴于此,本发明的目的是提出一种考虑网格化动态、静态分量的通信带宽估算方法,通过将网格内带宽分为动态分量和静态分量的方法,综合考虑了带宽变化的周期性和地区之间的带宽影响,从而得到更加合理的带宽预测结果。
本发明采用以下方案实现:一种考虑网格化动态、静态分量的通信带宽估算方法,具体包括以下步骤:
获取待处理的城市规划地区模型结构与带宽空间分布情况数据,并将城市用地进行网格化划分;
采用最小二乘法获取各个网格内通信带宽的活动周期与静态分量;
通过对网格空间通信带宽数据做处理搭建动态通信数据库;
采用3D卷积的方式由动态通信数据库得到网格内通信带宽的动态分量;
融合静态分量与动态分量得到区域内各网格的预测带宽。
进一步地,所述采用最小二乘法获取各个网格内通信带宽的活动周期与静态分量具体包括以下步骤:
步骤S11:设某网格内带宽时间序列X={x1,x2,x3,......,xM},对X进行差分计算得到矩阵A:
式中,m与n为设置的参数,m-1为周期能取到的最大值;
步骤S12:对矩阵A的每一行进行线性拟合,以第一行为例,X=(1,2,3,…n-2),Y=(x2-x1,x3-x2,...,xn-1-xn-2),将m-1行每一行线性拟合后的参数分别记为(a1,a2,...,am-1),(b1,b2,...,bm-1),将A的每一行下标分别代入对应的Y=aN+b中得到对应的A1,如下所示:
步骤S13:计算A与A1每行最小误差和列向量Error,其中首次出现最小误差的行数即为活动周期L,其中,Error的计算如下:
式中,
E1=(x2-x1-a1-b1)2+(x3-x2-2a1-b1)2+...+(xn-1-xn-2-(n-2)a1-b1)2;
E2=(x3-x1-a2-b2)2+(x4-x2-2a2-b2)2+...+(xn-xn-1-(n-2)a2-b2)2;
E2=(xm-x1-am-1-bm-1)2+(xm+1-x2-2am-1-bm-1)2+...+(xn+m-3-xn-2-(n-2)am-1-bm-1)2;
步骤S14:将时间序列X以周期L进行划分得到矩阵B:
式中,xM为时间序列X的最后一个数据,之后数据均为空值NA;通过对周期内前N个点预测第N+1个点的静态分量,若N为0,则根据前一个周期的L个点预测本周期的第一个点的数值,将矩阵B同一周期行内的各个历史数据xk进行拟合,每个拟合线间是首尾连续的;采用最小二乘法多项式对序列静态分量进行拟合,将所有周期内初始数据作为训练样本进行建模,建立静态分量预测模型Sij(t),其中ci表示拟合参数,i与j表示网格所处的位置:
Sij(t)=c0+c1t+c2t+...+cktk;
Sij(t)表示时刻t的静态分量,c0至ck为时刻t的静态分量Sij(t)的拟合参数,对于t取任意值时此周期内都有一个序列点,则所有周期内所有点到此拟合直线的距离平方为:
其中,L表示该网格的周期长度,N表示总周期数,不断优化参数c0,c1,…,ck,使得R2值最小,此时表示拟合函数与真实值误差最小,对应的多项式参数即为最终拟合函数参数,得到最终的静态分量预测模型Sij(t),通过Sij(t)预测各个网格t时刻的静态分量。
进一步地,所述对网格空间通信带宽数据做处理搭建动态通信数据库具体为:在某一时刻t,所有网格的数据用所示,i和j表示网格所处位置,当t固定时,为一个视频帧,每个像素点上数据为该网格的带宽数据,将的差分序列作为动态通信数据库:
进一步地,所述采用3D卷积的方式由动态通信数据库得到网格内通信带宽的动态分量具体包括以下步骤:
步骤S21:设预测t0时刻的动态分量,构建短期数据集Short和长期数据集Long如下:
步骤S22:建立3D卷积公式如下:
式中,η为梯度下降的学习率,bij表示网格卷积层i到卷积层j的偏置量,m表示卷积核总数,Pi、Qi、Ri分别表示3D卷积核长、宽、高三个尺度上的总长度,p、q、r分别表示3D卷积核长、宽、高三个尺度上的变化,表示位于i层到j层的第m个卷积核中长宽高分别为p、q、r的权重值,v(i-1)(j-1)o表示i-1层到j-1层第o个神经元数据,表示新的卷积核偏置,表示旧的卷积核偏置,表示新的卷积核权重,表示旧的卷积核权重;
LOSS表示代价函数;为避免过拟合,采用L2正则化方法,代价函数表示为:
式中,hθ(x(i))表示假设函数的输出,x(i)表示假设函数的输入,y(i)表示对应与输入x(i)的标签,λ表示正则化系数,表示卷积核权值的平方,epoch表示神经网络训练的次数,num表示所有权重的个数,θ表示卷积核权值;
步骤S23:将得到的短期预测结果和长期预测结果相融合得到地区各网格动态分量Bij(t):
Bij(t)=αLong(t)+βShort(t);
α+β=1;
通过神经网络训练得到合理的α与β值,其中i与j表示网格所处的位置。
进一步地,所述融合静态分量与动态分量得到区域内各网格的预测带宽具体包括以下步骤:
步骤S31:对每个网格,将其对应的静态分量与动态分量相加,具体采用xiang下式计算该网格在t0时刻的总流量Wij(t0):
Wij(t0)=Sij(t0)+Bij(t0);
步骤S32:将各个网格的流量累加即得到该地区的总流量W(t0):
式中,I为横坐标的最大值,J为纵坐标的最大值。
与现有技术相比,本发明有以下有益效果:本发明从3D卷积神经网络预测交通流量得到灵感,从空间域概念去理解和预测通信带宽,并基于此建立通信网络模型,结合网格自身流量发展情况和周围网格的发展水平与网格的连通性,从而解决通信网规划过程中通信带宽规划问题。
附图说明
图1为本发明实施例的方法流程示意图。
图2为本发明实施例的部分网格的带宽需求示意图。其中(a)为20170702-20170708的一个网格内的流量变化,(b)为与(a)相同网格在20170709-20170715的流量变化。
图3为本发明实施例的仿真网格划分示意图。
图4为本发明实施例的2D卷积与3D卷积区别示意图。其中,(a)为2D卷积示意图,(b)为3D卷积示意图。
图5为本发明实施例的动态分量算法示意图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
应该指出,以下详细说明都是示例性的,旨在对本申请提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
如图1所示,本实施例提供了一种考虑网格化动态、静态分量的通信带宽估算方法,具体包括以下步骤:
获取待处理的城市规划地区模型结构与带宽空间分布情况数据,并将城市用地进行网格化划分;
采用最小二乘法获取各个网格内通信带宽的活动周期与静态分量;
通过对网格空间通信带宽数据做处理搭建动态通信数据库;
采用3D卷积的方式由动态通信数据库得到网格内通信带宽的动态分量;
融合静态分量与动态分量得到区域内各网格的预测带宽。
较佳的,为得到能够进行融合的静态通信数据库和动态通信数据库,所述样本和待处理的城市规划模型应有一定的相似性,从而在下面的步骤中能够得到合理的静态、动态通信数据库,得到可靠的训练模型。并最终得到网格整体的带宽需求预测情况。
较佳的,为便于说明,本实施例将网格依据供电区域的行政级别划分,网格的划分遵循以下原则:
1、经济发展水平和用地属性相同或相近;
2、开发深度和用电需求相同或相近
3、地理位置和周边环境相同或相近
4、边界基本与道路走向一致、依照功能区划分
5、面积以0.01km2至5km2为宜,面积过小的区块归入邻近网格,面积过大的网格应进一步细分。
在本实施例中,所述采用最小二乘法获取各个网格内通信带宽的活动周期与静态分量具体包括以下步骤:
步骤S11:采用最小二乘法获取各个网格内通信带宽的活动周期和静态分量。周期分量表示序列值在某一时期内的周期性变化,本实施例采用最小二乘法来确定序列的周期值,设某网格内带宽时间序列X={x1,x2,x3,......,xM},对X进行差分计算得到矩阵A:
式中,m与n为设置的参数,m-1为周期能取到的最大值,在实例中应让m尽可能大;
步骤S12:对矩阵A的每一行进行线性拟合,以第一行为例,X=(1,2,3,…n-2),Y=(x2-x1,x3-x2,...,xn-1-xn-2),将m-1行每一行线性拟合后的参数分别记为(a1,a2,...,am-1),(b1,b2,...,bm-1),将A的每一行下标分别代入对应的Y=aN+b中得到对应的A1,如下所示:
步骤S13:计算A与A1每行最小误差和列向量Error,其中首次出现最小误差的行数即为活动周期L,其中,Error的计算如下:
式中,
E1=(x2-x1-a1-b1)2+(x3-x2-2a1-b1)2+...+(xn-1-xn-2-(n-2)a1-b1)2;
E2=(x3-x1-a2-b2)2+(x4-x2-2a2-b2)2+...+(xn-xn-1-(n-2)a2-b2)2;
E2=(xm-x1-am-1-bm-1)2+(xm+1-x2-2am-1-bm-1)2+...+(xn+m-3-xn-2-(n-2)am-1-bm-1)2;
步骤S14:将时间序列X以周期L进行划分得到矩阵B:
式中,xM为时间序列X的最后一个数据,之后数据均为空值NA;通过对周期内前N个点预测第N+1个点的静态分量,若N为0,则根据前一个周期的L个点预测本周期的第一个点的数值,将矩阵B同一周期行内的各个历史数据xk进行拟合,每个拟合线间是首尾连续的;采用最小二乘法多项式对序列静态分量进行拟合,将所有周期内初始数据作为训练样本进行建模,建立静态分量预测模型Sij(t),其中ci表示拟合参数,i与j表示网格所处的位置:
Sij(t)=c0+c1t+c2t+...+cktk;
Sij(t)表示时刻t的静态分量,c0至ck为时刻t的静态分量Sij(t)的拟合参数,对于t取任意值时此周期内都有一个序列点,则所有周期内所有点到此拟合直线的距离平方为:
其中,L表示该网格的周期长度,N表示总周期数,不断优化参数c0,c1,…,ck,使得R2值最小,此时表示拟合函数与真实值误差最小,对应的多项式参数即为最终拟合函数参数,得到最终的静态分量预测模型Sij(t),通过Sij(t)预测各个网格t时刻的静态分量。
在本实施例中,所述对网格空间通信带宽数据做处理搭建动态通信数据库具体为:上述步骤所使用的数据集为网格内带宽值所构成的时间序列,由最小二乘法得到的预测结果为带宽的静态分量,可以在一定程度上表示该预测网格的固定带宽需求,但动态带宽需求,如移动端的带宽预测不仅与网格内部发展程度有关,还与预测网格周边网格的分布情况有关,且城市规划网格内的总动态带宽分量有上限,在总量在短期内不会有较大波动,波动主要体现在动态分量在各个相邻网格间的移动上,故可以采用搭建动态通信数据库的方式,训练3D卷积神经网络,来获取动态分量。
从时空角度观察所有网格带宽数据时,数据常以固定的时间间隔和空间的固定位置记录,如附图2、3所示,在某一时刻t,所有网格的数据用所示,i和j表示网格所处位置,当t固定时,为一个视频帧,每个像素点上数据为该网格的带宽数据,将的差分序列作为动态通信数据库:
Xij也可以理解为视频帧,而随着t的变化,通过堆叠多个连续的帧可以组成一个立方体。Xij的输入格式为[depth,height,width,channels],depth为每个视频样本有多少帧,在本实例中为周期分量L,height和width为视频每一帧的长和宽,在本实例中为整个预测地区横向和纵向的网格数目,chnnels为输入视频的通道数,黑白视频为1,若RGB则为3,在本实施例中,输入通道数设置为1,表示一层厚度,展示每一个位置的带宽即可。而随着t的变化,通过堆叠多个连续的帧可以组成一个立方体。得到的差分序列即为下面所用的动态通信数据库。输出Yij的格式与Xij相同,[depth,height,width,channels]为[1,预测地区的横向网格数目,预测地区的纵向网格数目,1}。
在本实施例中,所述采用3D卷积的方式由动态通信数据库得到网格内通信带宽的动态分量,具体为:移动端的带宽预测不仅与网格内部发展程度有关,还与预测网格周边网格的分布情况有关。如附图4所示,3D卷积相比于2D卷积能够更大程度上的捕捉数据的空间特征和时间特征。基于感受野的理论可以知道,不同尺寸的卷积核能够得到不同类型的特征,能够最大程度的避免由于单一卷积核带来的特征提取不完整对预测结果的影响。
网格内移动端的流量变化具有周期性,且周期性有短期周期和长期周期两种,从长期周期角度看,相比于春季,冬季流量变化较晚,故到达峰值也较晚,但春季与冬季整体趋势相似;从短期周期上看,如附图2所示,相临近的两周有基本类似的趋势和起伏时间点,故将动态分量的预测分为短期预测和长期预测,算法流程图如附图5所示。具体包括以下步骤:
步骤S21:设预测t0时刻的动态分量,构建短期数据集Short和长期数据集Long如下:
步骤S22:建立3D卷积公式如下:
式中,η为梯度下降的学习率,bij表示网格卷积层i到卷积层j的偏置量,m表示卷积核总数,Pi、Qi、Ri分别表示3D卷积核长、宽、高三个尺度上的总长度,p、q、r分别表示3D卷积核长、宽、高三个尺度上的变化,表示位于i层到j层的第m个卷积核中长宽高分别为p、q、r的权重值,v(i-1)(j-1)o表示i-1层到j-1层第o个神经元数据,表示新的卷积核偏置,表示旧的卷积核偏置,表示新的卷积核权重,表示旧的卷积核权重,
LOSS表示代价函数;为避免过拟合,采用L2正则化方法,代价函数表示为:
式中,hθ(x(i))表示假设函数的输出,x(i)表示假设函数的输入,y(i)表示对应与输入x(i)的标签,λ表示正则化系数,表示卷积核权值的平方,epoch表示神经网络训练的次数,num表示所有权重的个数,θ表示卷积核权值;
步骤S23:将得到的短期预测结果和长期预测结果相融合得到地区各网格动态分量Bij(t):
Bij(t)=αLong(t)+βShort(t);
α+β=1;
通过神经网络训练得到合理的α与β值,其中i与j表示网格所处的位置。
在本实施例中,所述融合静态分量与动态分量得到区域内各网格的预测带宽具体包括以下步骤:
步骤S31:对每个网格,将其对应的静态分量与动态分量相加,具体采用xiang下式计算该网格在t0时刻的总流量Wij(t0):
Wij(t0)=Sij(t0)+Bij(t0);
步骤S32:将各个网格的流量累加即得到该地区的总流量W(t0):
式中,I为横坐标的最大值,J为纵坐标的最大值。
以上所述,仅是本发明的较佳实施例而已,并非是对本发明作其它形式的限制,任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例。但是凡是未脱离本发明技术方案内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型,仍属于本发明技术方案的保护范围。
Claims (5)
1.一种考虑网格化动态、静态分量的通信带宽估算方法,其特征在于,包括以下步骤:
获取待处理的城市规划地区模型结构与带宽空间分布情况数据,并将城市用地进行网格化划分;
采用最小二乘法获取各个网格内通信带宽的活动周期与静态分量;
通过对网格空间通信带宽数据做处理搭建动态通信数据库;
采用3D卷积的方式由动态通信数据库得到网格内通信带宽的动态分量;
融合静态分量与动态分量得到区域内各网格的预测带宽。
2.根据权利要求1所述的一种考虑网格化动态、静态分量的通信带宽估算方法,其特征在于,所述采用最小二乘法获取各个网格内通信带宽的活动周期与静态分量具体包括以下步骤:
步骤S11:设某网格内带宽时间序列X={x1,x2,x3,......,xM},对X进行差分计算得到矩阵A:
式中,m与n为设置的参数,其中m-1为周期能取到的最大值;
步骤S12:对矩阵A的每一行进行线性拟合,参数分别记为(a1,a2,...,am-1),(b1,b2,...,bm-1),将A的每一行下标分别代入对应的Y=aN+b中得到对应的A1,如下所示:
步骤S13:计算A与A1每行最小误差和列向量Error,其中首次出现最小误差的行数即为活动周期L,其中,Error的计算如下:
式中,
E1=(x2-x1-a1-b1)2+(x3-x2-2a1-b1)2+...+(xn-1-xn-2-(n-2)a1-b1)2;
E2=(x3-x1-a2-b2)2+(x4-x2-2a2-b2)2+...+(xn-xn-1-(n-2)a2-b2)2;
E2=(xm-x1-am-1-bm-1)2+(xm+1-x2-2am-1-bm-1)2+...+(xn+m-3-xn-2-(n-2)am-1-bm-1)2;
步骤S14:将时间序列X以周期L进行划分得到矩阵B:
式中,xM为时间序列X的最后一个数据,之后数据均为空值NA;通过对周期内前N个点预测第N+1个点的静态分量,若N为0,则根据前一个周期的L个点预测本周期的第一个点的数值,将矩阵B同一周期行内的各个历史数据xk进行拟合,每个拟合线间是首尾连续的;采用最小二乘法多项式对序列静态分量进行拟合,将所有周期内初始数据作为训练样本进行建模,建立静态分量预测模型Sij(t),其中ci表示拟合参数,i与j表示网格所处的位置:
Sij(t)=c0+c1t+c2t+...+cktk;
Sij(t)表示时刻t的静态分量,c0至ck为时刻t的静态分量Sij(t)的拟合参数,对于t取任意值时此周期内都有一个序列点,则所有周期内所有点到此拟合直线的距离平方为:
其中,L表示该网格的周期长度,N表示总周期数,不断优化参数c0,c1,…,ck,使得R2值最小,此时表示拟合函数与真实值误差最小,对应的多项式参数即为最终拟合函数参数,得到最终的静态分量预测模型Sij(t),通过Sij(t)预测各个网格t时刻的静态分量。
4.根据权利要求1所述的一种考虑网格化动态、静态分量的通信带宽估算方法,其特征在于,所述采用3D卷积的方式由动态通信数据库得到网格内通信带宽的动态分量具体包括以下步骤:
步骤S21:设预测t0时刻的动态分量,构建短期数据集Short和长期数据集Long如下:
步骤S22:建立3D卷积公式如下:
式中,η为梯度下降的学习率,bij表示网格卷积层i到卷积层j的偏置量,m表示卷积核总数,Pi、Qi、Ri分别表示3D卷积核长、宽、高三个尺度上的总长度,p、q、r分别表示3D卷积核长、宽、高三个尺度上的变化,表示位于i层到j层的第m个卷积核中长宽高分别为p、q、r的权重值,v(i-1)(j-1)o表示i-1层到j-1层第o个神经元数据,表示新的卷积核偏置,表示旧的卷积核偏置,表示新的卷积核权重,表示旧的卷积核权重;
LOSS表示代价函数;为避免过拟合,采用L2正则化方法,代价函数表示为:
式中,hθ(x(i))表示假设函数的输出,x(i)表示假设函数的输入,y(i)表示对应与输入x(i)的标签,λ表示正则化系数,表示卷积核权值的平方,epoch表示神经网络训练的次数,num表示所有权重的个数,θ表示卷积核权值;
步骤S23:将得到的短期预测结果和长期预测结果相融合得到地区各网格动态分量Bij(t):
Bij(t)=αLong(t)+βShort(t);
α+β=1;
通过神经网络训练得到合理的α与β值,其中i与j表示网格所处的位置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010062237.8A CN111327453B (zh) | 2020-01-19 | 2020-01-19 | 一种考虑网格化动态、静态分量的通信带宽估算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010062237.8A CN111327453B (zh) | 2020-01-19 | 2020-01-19 | 一种考虑网格化动态、静态分量的通信带宽估算方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111327453A true CN111327453A (zh) | 2020-06-23 |
CN111327453B CN111327453B (zh) | 2023-04-07 |
Family
ID=71165142
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010062237.8A Active CN111327453B (zh) | 2020-01-19 | 2020-01-19 | 一种考虑网格化动态、静态分量的通信带宽估算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111327453B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114118567A (zh) * | 2021-11-19 | 2022-03-01 | 国网河南省电力公司经济技术研究院 | 一种基于双通路融合网络的电力业务带宽预测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2017227994A (ja) * | 2016-06-20 | 2017-12-28 | 日本電信電話株式会社 | 人流予測装置、パラメータ推定装置、方法、及びプログラム |
CN108446794A (zh) * | 2018-02-25 | 2018-08-24 | 西安电子科技大学 | 一种基于多个卷积神经网络结合架构深度学习预测方法 |
CN109120463A (zh) * | 2018-10-15 | 2019-01-01 | 新华三大数据技术有限公司 | 流量预测方法及装置 |
CN109862585A (zh) * | 2019-01-31 | 2019-06-07 | 湖北工业大学 | 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 |
CN110267292A (zh) * | 2019-05-16 | 2019-09-20 | 湖南大学 | 基于三维卷积神经网络的蜂窝网络流量预测方法 |
-
2020
- 2020-01-19 CN CN202010062237.8A patent/CN111327453B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2017227994A (ja) * | 2016-06-20 | 2017-12-28 | 日本電信電話株式会社 | 人流予測装置、パラメータ推定装置、方法、及びプログラム |
CN108446794A (zh) * | 2018-02-25 | 2018-08-24 | 西安电子科技大学 | 一种基于多个卷积神经网络结合架构深度学习预测方法 |
CN109120463A (zh) * | 2018-10-15 | 2019-01-01 | 新华三大数据技术有限公司 | 流量预测方法及装置 |
CN109862585A (zh) * | 2019-01-31 | 2019-06-07 | 湖北工业大学 | 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 |
CN110267292A (zh) * | 2019-05-16 | 2019-09-20 | 湖南大学 | 基于三维卷积神经网络的蜂窝网络流量预测方法 |
Non-Patent Citations (2)
Title |
---|
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》 * |
杜洁: "基于神经网络的带宽需求分析预测", 《云南电力技术》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114118567A (zh) * | 2021-11-19 | 2022-03-01 | 国网河南省电力公司经济技术研究院 | 一种基于双通路融合网络的电力业务带宽预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111327453B (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109492830B (zh) | 一种基于时空深度学习的移动污染源排放浓度预测方法 | |
CN109308543B (zh) | 基于ls-svm和实时大数据的地铁短期客流预测方法 | |
CN111223301B (zh) | 一种基于图注意力卷积网络的交通流量预测方法 | |
CN111653088B (zh) | 一种车辆出行量预测模型构建方法及预测方法和系统 | |
CN113313947B (zh) | 短期交通预测图卷积网络的路况评估方法 | |
CN108399745B (zh) | 一种基于无人机的分时段城市路网状态预测方法 | |
CN111242292B (zh) | 基于深度时空网络的od数据预测方法及系统 | |
CN114220271A (zh) | 基于动态时空图卷积循环网络的交通流预测方法、设备及存储介质 | |
CN112071062B (zh) | 一种基于图卷积网络和图注意力网络的行车时间估计方法 | |
US20240054321A1 (en) | Traffic prediction | |
CN111242395B (zh) | 用于od数据的预测模型构建方法及装置 | |
CN107515842B (zh) | 一种城市人口密度动态预测方法及系统 | |
CN110163449B (zh) | 一种基于主动时空图卷积的机动车排污监测节点部署方法 | |
CN116307152A (zh) | 时空交互式动态图注意力网络的交通预测方法 | |
CN114167898A (zh) | 一种无人机收集数据的全局路径规划方法及系统 | |
CN117037491A (zh) | 一种基于时空特征的动态图卷积交通流预测方法 | |
CN111327453B (zh) | 一种考虑网格化动态、静态分量的通信带宽估算方法 | |
CN115392752A (zh) | 一种地铁短时客流预测方法、系统、电子设备及存储介质 | |
CN112613630B (zh) | 一种融合多尺度时空统计信息的短时交通需求预测方法 | |
CN116630113A (zh) | 一种基于scc-rce预测单元的预测网络及网格化pm2.5浓度预测方法 | |
CN116525135A (zh) | 基于气象因素的时空模型对疫情发展态势进行预测的方法 | |
CN113344290B (zh) | 基于U-Net网络的次季节降水气象预报订正方法 | |
CN111242394B (zh) | 空间关联特征的提取方法及系统 | |
Cong et al. | Research on Satellite Network Traffic Prediction Algorithm Based on Gray Wolf Algorithm Optimizing GRU and Spatiotemporal Analysis | |
CN111222666A (zh) | 一种数据计算方法和装置 |
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 |