CN111385037A - 室内可用频谱的实时预测方法 - Google Patents
室内可用频谱的实时预测方法 Download PDFInfo
- Publication number
- CN111385037A CN111385037A CN201811617442.5A CN201811617442A CN111385037A CN 111385037 A CN111385037 A CN 111385037A CN 201811617442 A CN201811617442 A CN 201811617442A CN 111385037 A CN111385037 A CN 111385037A
- Authority
- CN
- China
- Prior art keywords
- prediction
- time
- matrix
- signal intensity
- real
- 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.)
- Pending
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/309—Measuring or estimating channel quality parameters
- H04B17/318—Received signal strength
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/373—Predicting channel quality or other radio frequency [RF] parameters
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/391—Modelling the propagation channel
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种室内可用频谱的实时预测方法,根据室内不同候选点的频谱分布和不同频段的相关关系,通过聚类确定室内的多个强度预测点,根据从信号强度预测点得到的信号强度时间序列,经建模后进行初步预测得到信号强度预测信息,最后经压缩感知处理得到完整的信号强度预测矩阵用于实时预测。本发明应用简单,能够准确实时的预测出室内未来一个时间片的可用频谱分布状况。
Description
技术领域
本发明涉及的是一种无线通信领域的技术,具体是一种移动无线网络中对室内可用频谱(Indoor White Spaces)进行实时预测的方法。
背景技术
现有的对室内可用频谱检测的方法都致力于构建一个室内可用频谱的可用图,以包含当前室内不同地点不同频段的可用信息,这些信息保存在中心服务器中,然后室内用户向服务器提交位置信息之后获得中心服务器的可用频谱信息反馈,进而获得当前位置的可用频段。但是由于频谱检测的仪器很贵重,因此现有的技术就是解决如何通过少量的频谱检测仪器获得完整的室内可用频谱信息。
此外,在室内频谱检测的过程中,无法避免的存在一些检测延迟,另外就是室内频谱随时间变化的特性,室内某一地点某一频段的可用性随时都可能发生变化。由检测延时和频谱信号强度变化引起的检测错误就可能导致某些频段使用冲突以及某些可用频段未被检测到的问题。
发明内容
本发明针对现有技术存在的上述不足,提出一种室内可用频谱的实时预测方法,利用可用频谱在时间、空间、频域上的相关性以及在时间上存在一定周期性的特点,基于k-medoids聚类方法、ARIMA预测模型以及压缩感知技术,对未来一段时间的室内频谱分布状况进行准确预测,本发明应用简单,能够准确实时的预测出室内未来一个时间片的可用频谱分布状况。
本发明是通过以下技术方案实现的:
本发明涉及一种室内可用频谱的实时预测方法,首先在室内确定一定数量的待预测信号强度的候选点,根据室内不同候选点的频谱分布和不同频段的相关关系,通过聚类确定室内的多个强度预测点,根据从信号强度预测点得到的信号强度时间序列,经建模后进行初步预测得到预测点信号强度预测信息,最后经压缩感知处理得到完整的信号强度预测矩阵用于实时预测。
所述的相关关系是指:信号强度之间的皮尔森相关系数,具体为:对每个候选点检测若干个频段下的信号强度并生成信号强度数据矩阵,计算每个候选点不同频段下的任意两个信号强度之间的皮尔森相关系数以及同一个频段下任意两个候选点的信号强度之间的皮尔森相关系数。
所述的聚类是指:以相关系数作为聚类的标准,使得相关性越强的候选点尽量聚类到一起,在每个聚类中选出聚类中心作为强度预测点。
所述的信号强度时间序列,通过频谱检测仪检测得到连续周期间隔下的信号强度。
所述的建模,采用自回归积分滑动平均模型(Autoregressive IntegratedMoving Average Model,ARIMA)实现,具体为:对所有强度预测点的所有频段依次使用ARIMA模型建模,预测得到未来一个时间片的信号强度的值。
所述的自回归积分滑动平均模型具体为:其中:xt表示时间序列在时间t的值,表示对原时间序列进行d次差分,得到一个平稳的时间序列,平稳的时间序列指时间序列任意一段的均值都在一定范围内,∈t表示高斯分布噪声在时间t的值,αi和βi都表示线性组合系数,p和q表示线性组合的阶数。通过得到平稳时间序列的差分次数得到d的值,通过差分后的时间序列的自相关系数和偏自相关系数的截断位置确定q和p的值,通过Yule-Walker方程确定αi的值,通过极大似然法得到βi的值。ARIMA模型建立之后可以根据时间序列中前t-1个时刻的值来预测时刻t的值。
所述的信号强度预测信息是指:根据ARIMA模型预测得到未来一个时间下任一强度预测点的相应频段的信号强度数据。
所述的压缩感知处理是指:通过压缩感知技术解决室内频谱预测矩阵恢复的问题,即针对求解,其中:°表示矩阵两个同样维度大小的矩阵的对应位置相乘,Bs为n*m矩阵,表示预测点的位置,n为强度候选点的个数,m为频段的个数,r个预测点的m个频段相应位置均为1,其余位置为0;Ds为n*m矩阵,表示预测点ARIMA建模预测得到的信号强度数据,r个预测点的m个频段的位置为预测到的信号强度值,其余位置为0;P为n*n的矩阵,P0为n*m的矩阵,表示在第二步中得到的不同候选点之间相关关系的约束矩阵;C为m*m的矩阵,C0为n*m的矩阵,表示在第二步中得到的不同频段之间的相关关系的约束矩阵;拉格朗日系数λ1、λ2、λ3用来平衡每个部分的权重;L为n*r的矩阵,R为m*r的矩阵,分别表示最终的预测矩阵的奇异值分解,即
所述的完整的信号强度预测矩阵通过从压缩感知处理中得到最优奇异值分解L和R得到,优选通过交替最陡下降算法,具体为:首先随机初始化L和R的值,然后固定L的值,利用梯度下降算法优化R的值,之后固定R优化之后的值,利用梯度下降算法优化L的值,依次交替,直到L和R的值的变化极小的时候停止迭代,得到最优奇异值分解L和R,进而得到完整的信号强度预测矩阵
所述的完整的信号强度预测矩阵,优选进一步与提前设定的阈值相比,小于阈值的频段被视为可用频谱,进而得到未来时间片室内不同候选点的可用频谱频段分布。
本发明涉及一种实现上述方法的系统,包括:实时信号检测模块、实时预测模块以及中心服务器模块,其中:实时信号检测模块周期性地将检测到的最新信号强度数据上传到中心服务器模块,中心服务器模块与实时预测模块相连,将服务器中保存的时间序列数据以及最新训练数据传输到实时预测模块,实时预测模块根据最新训练数据进行实时建模预测得到预测点的预测数据并传回中心服务器模块,中心服务器模块根据预数据进行压缩感知处理并恢复处理得到完整的信号强度预测矩阵,当特定位置的用户提出频谱信息查询请求时,中心服务器模块根据信号强度预测矩阵进行实时预测。
技术效果
与现有技术相比,本发明可以在室内布设少量频谱检测仪的情况下,不仅检测到当前室内可用频谱的分布状况,而且可以对未来一个时间片的可用频谱信息进行准确预测,而时间片的长度可以根据在实际应用中,对于频谱检测仪的检测延迟以及对预测精度的要求进行选择。
附图说明
图1为ARIMA建模就过程中的滑动窗口示意图;
图2为本发明在不同时间片和不同预测点数时预测结果的展示图;
图3为本发明和对比对象的预测结果的对比展示图;
图4为聚类选择预测点与随机选择预测点的预测结果对比展示图;
图5为实施例应用场景示意图。
具体实施方式
如图5所示,本实施例包括以下步骤。
第一步、在待检测的室内环境中选择一定数量候选点,并在各个候选点之间进行多次检测获取训练数据。
本实施例中在两个连续的室内实验室(10m*45m)选择22个候选点(这里候选点个数及位置的选择可以根据室内空间的大小均匀选择),每个室内的候选点都布设一个频谱检测仪(这里使用USRP N210+全向天线+笔记本电脑),检测每个候选点470-560MHz和606-870MHz的信号强度,其中每8MHz作为一个频段,共45个频段,每隔5分钟检测一次,每检测一次获得一个22*45的信号强度数据矩阵。
第二步、挖掘不同候选点不同频段之间的信号强度的相关关系。
将每个候选点的45个频段的信号强度数据依次放入一个一维向量中,得到22个一维向量,计算其两两之间的皮尔森相关系数,得到22个不同候选点频谱信号强度之间的相关关系。同理将每个频段在22个候选点的信号强度数据放入一个一维向量,计算两两之间的皮尔森相关系数得到45个不同频段之间的相关关系。
第三步、利用k-medoids聚类方法对不同的候选点进行聚类处理,选出各个聚类中心作为布设频谱检测仪的点,也就是之后的预测点。
在第二步中得到了每两个候选点之间的频谱信号强度的相关系数,以相关系数作为聚类的标准,使得相关性越强的候选点尽量聚类到一起,在每个聚类中选出聚类中心布设频谱检测仪检测得到聚类中心的信号强度,这样可以使得冗余数据就会尽可能的少,在一定数量的频谱检测仪的情况下,获取到尽量多的室内频谱信号强度的信息。
在22个候选点中,聚类的个数依次为1~22个,不同聚类个数下得到不同的结果,用以比较在室内环境中布设不同数量的频谱检测仪预测结果的变化情况,这里的聚类个数用r表示。
第四步、在第三步中得到的每个聚类中心出布设频谱检测仪,每隔5分钟检测一次每个预测点45个频段的信号强度,得到每个预测点的每个频段的信号强度的时间序列数据。
在之后步骤中使用ARIMA模型对频谱信号强度进行预测时,可以选择不同的时间片长度,用以比较不同时间片时预测结果准确性的变化情况。在检测预测点不同频段信号强度时,检测频率应该尽可能的大,但是由于频谱检测仪扫描不同频段的信号强度需要有一定的时间延迟,因此由于硬件的限制将检测的时间间隔设为5分钟。
第五步、根据第四步中得到的不同预测点的不同频段的信号强度的时间序列,依次建立ARIMA模型,并预测得到未来一个时间片相应预测点的相应频段的信号强度数据。
所述的ARIMA模型的数学表达式为其中:xt表示时间序列在时间t的值,表示对原时间序列进行d次差分,得到一个平稳的时间序列,平稳的时间序列指时间序列任意一段的均值都在一定范围内,∈t表示高斯分布噪声在时间t的值,αi和βi都表示线性组合系数,p和q表示线性组合的阶数。通过得到平稳时间序列的差分次数得到d的值,通过差分后的时间序列的自相关系数和偏自相关系数的截断位置确定q和p的值,通过Yule-Walker方程确定αi的值,通过极大似然法得到βi的值。ARIMA模型建立之后可以根据时间序列中前t-1个时刻的值来预测时刻t的值。
在对所有预测点的45个频段依次使用ARIMA模型建模预测得到未来一个时间片的信号强度的值后,得到的是22*45的二维矩阵数据中r*45的一部分数值,其中r为第三步中聚类的个数,也就表示在系统运行过程中布设频谱检测仪的点的个数。
在这一步骤中,可以选择不同的时间片,其中检测数据的时间间隔为5分钟,这里依次将时间间隔设为5分钟、10分钟、30分钟、1小时,以得到不同时间片时预测结果的准确性的变化情况。可以根据对准确性的要求以及在实际应用中频谱检测仪检测频谱的延时来确定具体的时间片长度。
第六步、利用压缩感知技术对在第五步中得到的不完整的矩阵数据进行恢复处理,得到完整的未来时间片的信号强度的预测数据,具体为:用压缩感知技术解决室内频谱预测矩阵恢复的问题,可以将问题转化为一个求最小值的优化问题: 其中:°表示矩阵两个同样维度大小的矩阵的对应位置相乘,例如Z=X°Y表示Z(i,j)=X(i,j)*Y(i,j);Bs为22*45的矩阵,表示预测点的位置,其中r个预测点的45个频段相应位置均为1,其余位置为0;Ds为22*45的矩阵,表示预测点通过ARIMA建模预测得到的信号强度数据,r个预测点的45个频段的位置为预测到的信号强度值,其余位置为0;P为22*22的矩阵,P0为22*45的矩阵,表示在第二步中得到的不同候选点之间相关关系的约束矩阵;C为45*45的矩阵,C0为22*45的矩阵,表示在第二步中得到的不同频段之间的相关关系的约束矩阵;拉格朗日系数λ1、λ2、λ3用来平衡每个部分的权重,可以根据具体的室内环境,调参得到最优值,这里调参后λ1=0.6,λ2=0.4,λ3=0.9;L为22*r的矩阵,R为45*r的矩阵,分别表示最终的预测矩阵的奇异值分解,即
为了解决上述最优化问题,以得到最佳的L和R,进而得到最后的最优预测结果,这里采用交替最陡下降算法。首先随机初始化L和R的值,然后固定L的值,利用梯度下降算法优化R的值,之后固定R优化之后的值,利用梯度下降算法优化L的值,依次交替,直到L和R的值的变化极小的时候停止迭代,得到最终的L和R。通过得到了完整的预测矩阵,至此就得到了未来一个时间片室内22个候选点的45个频段的信号强度。
第七步、根据预测得到的室内22个候选点的45个频段的信号强度数据与提前设定的阈值相比,这里受硬件检测精度的影响,提前设定的阈值为-84.5dBm,但是本方法不局限在任何阈值,如果硬件精度能达到标准,可以将阈值设为CCF要求的-114dBm。另外为了尽量减小将正占用的频段预测为空闲频段的数量,从而减少可能出现的频段使用冲突,需要设定一个保护域(PR)为-0.7dBm,这意味着需要将预测得到的信号强度数值和阈值与保护域的和进行比较,小于阈值与保护域和的频段被视为可用频谱,反之说明当前频段正在被占用,不属于可用频谱,进而得到未来时间片室内22个候选点的可用频谱频段分布。
在第四步中,每当新检测到一个时间片的信号强度数据,就用新数据更新步骤5中建模的训练数据,并且重新建模。
如图1所示,本实施例采用一个滑动窗口的技术,即采用固定长度的窗口放置ARIMA模型的训练数据,每当新数据被采集到就放在窗口的头部,同时将窗口尾部的数据移除,就像一个滑动的窗口一样随着时间推移来动态更新训练数据,并且进行重新建模,达到实时预测的效果。这样相比于固定的训练数据固定的ARIMA模型,能得到更加准确地预测结果。随着时间推移,新检测到的数据不断出现,重复执行第五步到第七步,始终都能得到未来一个时间片的室内可用频谱的分布状况,实现室内可用频谱的实时准确预测。
本实施例在一段连续的室内空间选择22个候选点、45个数字电视的频段进行频谱信号强度检测,每5分钟收集一组22*45的信号强度矩阵,通过收集到的真实数据对本方法得到的预测结果进行分析比较。选择误检率(False Alarm Rate:FA Rate):本方法预测结果中将正占用频段预测为空闲频段与预测结果中所有的空闲频段数量的比值;漏检率(White Space Loss Rate:WS Loss Rate):本方法预测结果中将空闲频段预测为正占用频段与实际空闲频段总数量的比值。首先评估本方法在选择不同时间片长度和不同预测点数时的预测结果变化情况,然后选择合适的对比对象,说明本方法的预测结果优于对比对象,最后评估说明k-medoids聚类方法在本方法中起到的作用。
如图2所示,无论是误检率还是漏检率,当时间片长度越短时,预测结果会越准确,出现这种情况的原因是,当时间片越短,相邻时间片的信号强度变化也就会越小,因此预测就会越准确,不同时间片得到的平均误检率和平均漏检率的预测结果如表1所示。另外就是随着预测点数从1到22逐渐增多时,误检率和漏检率都逐渐减少,说明预测点数越多,预测的结果也就越好。在实际应用中,可以根据对预测准确度的要求、有多少频谱检测仪以及频谱检测仪的性能来决定预测点个数和时间片长度。
表1
5minutes | 10minutes | 30minutes | 60minutes | |
Average FA Rate(%) | 0.32 | 0.41 | 0.54 | 0.58 |
Average WS Loss Rate(%) | 19.32 | 20.59 | 21.36 | 22.47 |
当时间片长度为1小时,选择5和10个预测点时(这里为了节省空间,只列举出一种时间片长度和两种预测点数量的对比结果,在其他时间片长度和预测点数量时会得到相似的结果),将本方法命名为CORTEN,与对比对象Baseline的对比结果如图3所示。到目前为止,对室内可用频谱检测精度最高的方法为FIWEX,FIWEX只具有得到当前时间片室内可用频谱信息的能力,在FIWEX中所知道关于未来时间片的频谱信息就是提前发现的强信号频段的信号强度,这里的强信号频段指的是在连续长时间内该频段的信号强度始终远大于提前设定的阈值,在FIWEX中认为强信号频段的信号强度不随时间变化。因此在Baseline方法中,直接应用强信号频段的信号强度数值以及训练数据中得到的室内频谱在地点和频域上的相关关系,进行压缩感知恢复,得到最终的预测结果。本方法与Baseline的对比结果显示(由于Baseline中用到的强信号频段是固定的,因此在5和10个预测点时误检率和漏检率相同),在有5和10个预测点时,本方法的误检率分别为0.82%和0.6%,而Baseline方法的误检率为1.19%,漏检率三者依次为25.33%、21.62%、36.68%。以上结果说明,无论是误检率还是漏检率,无论是5个预测点还是10个预测点,本方法的预测结果都明显优于Baseline方法。
为了说明本方法中k-medoids聚类选择预测点的方法的有效性,将本方法中聚类选择预测点替换成随机选择预测点,其余步骤不变,将得到的预测结果与本方法的预测结果进行对比。时间片选择为1小时(这里只列举出一个时间片长度的情况,当选择其他时间片的长度是会得到相似的结果),对比结果如图4所示,无论是误检率还是漏检率,在1~21个预测点时,k-medoids聚类选择预测点的预测结果都要优于随机选择预测点的结果,当预测点数为22时,所有的点均为预测点,使得两者的预测结果相同。另外就是虽然执行多次实验得到结果求均值,随机选择预测点的预测结果在不同预测点数时的变化仍然呈现出比较大的波动性。以上说明无论是稳定性还是在预测结果的准确度上,k-medoids聚类方法在本方法中都起着非常重要的作用。
上述具体实施可由本领域技术人员在不背离本发明原理和宗旨的前提下以不同的方式对其进行局部调整,本发明的保护范围以权利要求书为准且不由上述具体实施所限,在其范围内的各个实现方案均受本发明之约束。
Claims (9)
1.一种室内可用频谱的实时预测方法,其特征在于,包括:根据室内不同候选点的频谱分布和不同频段的相关关系,通过聚类确定室内的多个强度预测点,根据从信号强度预测点得到的信号强度时间序列,经建模后进行初步预测得到信号强度预测信息,最后经压缩感知处理得到完整的信号强度预测矩阵用于实时预测。
2.根据权利要求1所述的方法,其特征是,所述的相关关系是指:信号强度之间的皮尔森相关系数,具体为:对每个候选点检测若干个频段下的信号强度并生成信号强度数据矩阵,计算每个候选点不同频段下的任意两个信号强度之间的皮尔森相关系数以及同一个频段下任意两个候选点的信号强度之间的皮尔森相关系数。
3.根据权利要求1所述的方法,其特征是,所述的聚类是指:以相关系数作为聚类的标准,使得相关性越强的候选点尽量聚类到一起,在每个聚类中选出聚类中心作为强度预测点。
4.根据权利要求1所述的方法,其特征是,所述的建模,采用自回归积分滑动平均模型实现,具体为:对所有强度预测点的所有频段依次使用ARIMA模型建模,预测得到未来一个时间片的信号强度的值。
6.根据权利要求1所述的方法,其特征是,所述的压缩感知处理是指:通过压缩感知技术解决室内频谱预测矩阵恢复的问题,即针对 求解,其中:°表示矩阵两个同样维度大小的矩阵的对应位置相乘,Bs为n*m矩阵,表示预测点的位置,n为候选点的个数,m为频段的个数,r个预测点的m个频段相应位置均为1,其余位置为0;Ds为n*m矩阵,表示预测点建模预测得到的信号强度数据,r个预测点的m个频段的位置为预测到的信号强度值,其余位置为0;P为n*n的矩阵,P0为n*m的矩阵,表示在第二步中得到的不同候选点之间相关关系的约束矩阵;C为m*m的矩阵,C0为n*m的矩阵,表示在第二步中得到的不同频段之间的相关关系的约束矩阵;拉格朗日系数λ1、λ2、λ3用来平衡每个部分的权重;L为n*r的矩阵,R为m*r的矩阵,分别表示最终的预测矩阵的奇异值分解,即
8.根据权利要求1所述的方法,其特征是,所述的完整的信号强度预测矩阵,进一步与提前设定的阈值相比,小于阈值的频段被视为可用频谱,进而得到未来时间片室内不同候选点的可用频谱频段分布。
9.一种实现上述任一权利要求所述方法的系统,其特征在于,包括:实时信号检测模块、实时预测模块以及中心服务器模块,其中:实时信号检测模块周期性地将检测到的最新信号强度数据上传到中心服务器模块,中心服务器模块与实时预测模块相连,将服务器中保存的时间序列数据以及最新训练数据传输到实时预测模块,实时预测模块根据最新训练数据进行实时建模预测得到预测点的预测数据并传回中心服务器模块,中心服务器模块根据预数据进行压缩感知处理并恢复处理得到完整的信号强度预测矩阵,当特定位置的用户提出频谱信息查询请求时,中心服务器模块根据信号强度预测矩阵进行实时预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811617442.5A CN111385037A (zh) | 2018-12-28 | 2018-12-28 | 室内可用频谱的实时预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811617442.5A CN111385037A (zh) | 2018-12-28 | 2018-12-28 | 室内可用频谱的实时预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111385037A true CN111385037A (zh) | 2020-07-07 |
Family
ID=71218006
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811617442.5A Pending CN111385037A (zh) | 2018-12-28 | 2018-12-28 | 室内可用频谱的实时预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111385037A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112235821A (zh) * | 2020-09-21 | 2021-01-15 | 杭州红岭通信息科技有限公司 | 一种基于ai模型的异频信号强度预测方法 |
CN114741673A (zh) * | 2022-06-13 | 2022-07-12 | 深圳竹云科技股份有限公司 | 行为风险检测方法、聚类模型构建方法、装置 |
CN114978372A (zh) * | 2022-05-16 | 2022-08-30 | 深圳市通测检测技术有限公司 | 基于5g通讯装置的测试系统及方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104780009A (zh) * | 2015-04-21 | 2015-07-15 | 上海交通大学 | 基于压缩感知的室内白频谱优化检测方法 |
CN105553583A (zh) * | 2015-12-28 | 2016-05-04 | 上海交通大学 | 基于贝叶斯压缩感知的免于训练的室内白频谱检测方法 |
US20170124581A1 (en) * | 2011-02-28 | 2017-05-04 | Flytxt BV | Methods and systems for providing multivariate time series clustering for customer segmentation |
-
2018
- 2018-12-28 CN CN201811617442.5A patent/CN111385037A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170124581A1 (en) * | 2011-02-28 | 2017-05-04 | Flytxt BV | Methods and systems for providing multivariate time series clustering for customer segmentation |
CN104780009A (zh) * | 2015-04-21 | 2015-07-15 | 上海交通大学 | 基于压缩感知的室内白频谱优化检测方法 |
CN105553583A (zh) * | 2015-12-28 | 2016-05-04 | 上海交通大学 | 基于贝叶斯压缩感知的免于训练的室内白频谱检测方法 |
Non-Patent Citations (2)
Title |
---|
FAN WU等: "Cost-Efficient Indoor White Space Exploration Through Compressive Sensing", 《IEEE/ACM TRANSACTIONS ON NETWORKING》 * |
HEJUN XIAO等: "CORTEN: A Real-Time Accurate Indoor White Space Prediction Mechanism", 《2018 IEEE 15TH INTERNATIONAL CONFERENCE ON MOBILE AD HOC AND SENSOR SYSTEMS (MASS)》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112235821A (zh) * | 2020-09-21 | 2021-01-15 | 杭州红岭通信息科技有限公司 | 一种基于ai模型的异频信号强度预测方法 |
CN114978372A (zh) * | 2022-05-16 | 2022-08-30 | 深圳市通测检测技术有限公司 | 基于5g通讯装置的测试系统及方法 |
CN114978372B (zh) * | 2022-05-16 | 2024-04-16 | 深圳市通测检测技术有限公司 | 基于5g通讯装置的测试系统及方法 |
CN114741673A (zh) * | 2022-06-13 | 2022-07-12 | 深圳竹云科技股份有限公司 | 行为风险检测方法、聚类模型构建方法、装置 |
CN114741673B (zh) * | 2022-06-13 | 2022-08-26 | 深圳竹云科技股份有限公司 | 行为风险检测方法、聚类模型构建方法、装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hsieh et al. | Deep learning-based indoor localization using received signal strength and channel state information | |
Nikravesh et al. | Mobile network traffic prediction using MLP, MLPWD, and SVM | |
CN104506378B (zh) | 一种预测数据流量的装置及方法 | |
CN111385037A (zh) | 室内可用频谱的实时预测方法 | |
CN111526119B (zh) | 异常流量检测方法、装置、电子设备和计算机可读介质 | |
US9648464B1 (en) | Efficient zone based client count forecasting | |
Sone et al. | Wireless traffic usage forecasting using real enterprise network data: Analysis and methods | |
CN111898578A (zh) | 人群密度的获取方法、装置、电子设备及计算机程序 | |
US7991617B2 (en) | Optimum design management apparatus from response surface calculation and method thereof | |
US8224627B2 (en) | Technique for determination of the signal subspace dimension | |
CN116910611A (zh) | 基于大数据的智能环境监测系统及其方法 | |
Sundararajan | Principal component analysis using frequency components of multivariate time series | |
CN112182498B (zh) | 一种基于网络表示学习的老人看护装置与方法 | |
CN107613466B (zh) | 超密集无线网络下基于指纹相似度的室内定位方法 | |
US11126666B2 (en) | Temporal clustering of non-stationary data | |
CN110289986B (zh) | 一种网络仿真数据的准确性量化方法 | |
US20150161231A1 (en) | Data sampling method and data sampling device | |
CN116669174A (zh) | 基于Wi-Fi信号的感知方法及装置、电子设备、存储介质 | |
CN114269014B (zh) | 基于域自适应网络的大规模mimo动态环境指纹定位方法 | |
Zhang et al. | An improved composite hypothesis test for Markov models with applications in network anomaly detection | |
Xiao et al. | CORTEN: a real-time accurate indoor white space prediction mechanism | |
CN105553583B (zh) | 基于贝叶斯压缩感知的免于训练的室内白频谱检测方法 | |
CN114615693A (zh) | 网络容量预测方法、装置、电子设备及计算机存储介质 | |
Liu et al. | Detection on abnormal usage of spectrum by electromagnetic data mining | |
Pereira et al. | Application of information criteria for the selection of the statistical small scale fading model of the radio mobile channel |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200707 |
|
RJ01 | Rejection of invention patent application after publication |