CN111553463B - 基于深度学习和网络参数估计无线接入点吞吐量的方法 - Google Patents

基于深度学习和网络参数估计无线接入点吞吐量的方法 Download PDF

Info

Publication number
CN111553463B
CN111553463B CN202010309795.XA CN202010309795A CN111553463B CN 111553463 B CN111553463 B CN 111553463B CN 202010309795 A CN202010309795 A CN 202010309795A CN 111553463 B CN111553463 B CN 111553463B
Authority
CN
China
Prior art keywords
throughput
network
access point
data set
training
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
CN202010309795.XA
Other languages
English (en)
Other versions
CN111553463A (zh
Inventor
李春国
胡健
朱颖
杨镇安
毛喻
徐琴珍
杨绿溪
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.)
Southeast University
Original Assignee
Southeast 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 Southeast University filed Critical Southeast University
Priority to CN202010309795.XA priority Critical patent/CN111553463B/zh
Publication of CN111553463A publication Critical patent/CN111553463A/zh
Application granted granted Critical
Publication of CN111553463B publication Critical patent/CN111553463B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/02—Arrangements for optimising operational condition
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明公开一种基于深度学习和网络参数估计无线接入点吞吐量的方法，该方法包括如下步骤：(1)获取无线局域网络中AP端的吞吐量作为样本，对吞吐量数据做预处理，制作数据集X；(2)根据VAE的异常值检测方法，训练数据集X，获得异常值检测模型；(3)根据VAE的异常值检测方法，对数据集X进行全网AP吞吐量数据异常值过滤，制作新的数据集X1；(4)根据数据集X1，基于浅层神经网络进行训练，根据输入无线局域网络背景环境特征的显著度，逐步筛选出重要特征，制作新的数据集X2；(5)根据数据集X2，基于深度多层感知机网络进行训练，估计出AP端实时吞吐量。本发明能有效提高AP端吞吐量预测的准确率和效率。

Description

基于深度学习和网络参数估计无线接入点吞吐量的方法
技术领域：
本发明涉及一种基于深度学习和网络参数估计无线接入点吞吐量的方法，属于深度学习、智能通信领域，尤其涉及无线局域网接入点(AP)吞吐量预测的方法。
背景技术：
随着通信技术的进一步发展，无线网络已经覆盖到了人类生活的每个角落。现阶段，在公司、学校、商场各个角落都有着自己的无线网络，人们对于无线网络的依赖与日倍增。此外，随着5G技术的蓬勃发展，无线网络对于无人驾驶、无人机、智慧医疗、工业互联网等领域的发展也有着重大的促进作用，工业界对于无线网络通信的实时性、可靠性也提出了更高的要求。然而无线通信信道资源是有限的，随着无线接入点(AP)数量的增加，AP之间的相互干扰也日益严重，这极大地影响了用户体验，对工业界的影响更加严重。因此很多大型互联网公司或IT设备服务提供商会采用优化无线网络参数配置的方法来提升网络性能与终端用户体验。
传统无线网络调优算法大部分是基于AP之间的干扰强度进行频谱资源分配与调节，通过调节、分配网络参数来降低无线网络干扰。在频谱分配过程中，较少的考虑无线局域网络环境实际工作状态，无线频谱资源利用率较低。若能够通过建立数学模型，根据网络环境参数估计当前时刻的网络运行状态，在此基础上进行频谱资源分配，即可以极大提升无线网络性能，提高无线频谱资源的利用率。无线局域网络AP端实时吞吐量是反应当前时刻网络运行状态的重要组成部分。
AP端实时吞吐量预测，本质上是一种参数拟合问题，可以根据无线局域网络硬件参数、实际人员分布等背景环境特征来预测当前时刻AP端的实时吞吐量。神经网络可以利用矩阵的线性变换与非线性变化来有效提取无线局域网络环境特征，预测当前时刻无线局域网络AP端吞吐量。因为无线局域网络采用的是载波监听冲突避免(CSMA/CA)协议，且吞吐量样本也会存在缺失、0值等统计问题，所以吞吐量样本中常含有异常值，这对无线网络AP吞吐量的预测带来了极大的挑战。
发明内容：
本发明的目的是克服现有技术不足，本发明的目的在于设计一种基于深度学习和网络参数估计无线接入点吞吐量的方法，通过变分自编码器进行吞吐量异常值检测、过滤与替换，在此基础上采用深度多层感知机网络进行网络背景特征提取与预测，提高AP端吞吐量预测的准确率和效率。
上述目的通过以下技术方案来实现：
基于深度学习和网络参数估计无线接入点吞吐量的方法，该方法包括如下步骤：
(1)获取无线网络中AP端的吞吐量与网络背景环境特征作为样本，对吞吐量数据做预处理，制作数据集X；
(2)根据基于变分自编码器网络(VAE)的异常值检测方法，训练数据集X，获得异常值检测模型；
(3)根据基于变分自编码器网络(VAE)的异常值检测方法，进行全网AP吞吐量数据异常值过滤，制作新的数据集X1；
(4)根据数据集X1，基于浅层神经网络进行训练，根据输入无线局域网络背景环境特征的显著度，逐步筛选出重要特征，制作新的数据集X2，具体方法为：
(4.1)初始浅层神经网络输入特征为：无线接入点硬件设施参数，包括AP的工作功率、信道、带宽；无线接入点工作信息，包括AP的信道利用率、重传率、干扰强度、信噪比；无线接入点的使用人员特征，包括人员分布、终端类型；以上组成初始输入特征集合x＝[x1，x2，...，xi，...，xn]；
(4.2)根据所述数据集X1与初始网络输入特征集合x，采用浅层神经网络进行预训练，计算每一个初始输入特征xi的显著度，所述显著度包括与无线接入点实时吞吐量之间的相关系数，对无线接入点吞吐量预测的贡献度，对无线接入点吞吐量预测的贡献度用预测误差降低来表征，与无线接入点实时吞吐量之间的相关系数的计算公式：
Figure BDA0002455883280000021
其中y是吞吐量实际值；
预测误差计算公式：
Figure BDA0002455883280000022
其中
Figure BDA0002455883280000023
是吞吐量预测值；
(4.3)根据步骤(4.2)中计算得到的显著度，逐步筛选、保留显著度较高的特征，丢弃显著度较低的特征；以预测误差降低为例，设原始输入特征x的模型预测误差为e，对于特征xi，设特征xi丢弃后的模型预测误差为ei：若ei＜e，丢弃特征xi；若ei＞e，保留特征xi；
(4.4)得到最终多层感知机神经网络输入特征，与吞吐量数据集X1组合，制作新的数据集X2；
(5)根据数据集X2，基于深度多层感知机网络进行训练，估计出AP端实时吞吐量。
所述的基于深度学习和网络参数估计无线接入点吞吐量的方法，步骤(1)中所述制作数据集X的具体方法包括：
(11)读取含有噪声、异常值的AP吞吐量数据；
(12)对步骤(11)读取的AP吞吐量数据按照时间序列进行数据预处理，取窗，形成若干个以时间窗口为W的AP吞吐量数据时间序列戳；
(13)将AP吞吐量数据时间序列戳以7∶3的比例分为训练集与测试集，训练集与测试集之间无交集。
所述的基于深度学习和网络参数估计无线接入点吞吐量的方法，步骤(2)中所述基于变分自编码器(VAE)的异常值检测方法，采用PyTorch框架，在线性网络中加入常数项，防止方差项较小。
所述的基于深度学习和网络参数估计无线接入点吞吐量的方法，步骤(3)中所述制作新的数据集X1的具体方法包括：
(31)对一个时间窗口为W的AP吞吐量数据时间序列戳x，通过吞吐量异常检测模型获得新的AP吞吐量数据时间序列戳x′与方差σx；
(32)若x∈[x′-λσx，x′+λσx]，其中λ是正常数，保留x；
(33)若x＜x′-λσx，则x＝x′-λσx；
(34)若x＞x′+λσx，则x＝x′+λσx；
(35)制作新的数据集X1。
所述的基于深度学习和网络参数估计无线接入点吞吐量的方法，步骤(5)中，所述根据数据集X2，基于深度多层感知机网络进行训练，估计出AP端实时吞吐量的具体方法是：
(5.1)对于数据集X2，将数据集X2以7∶3的比例分为训练集与测试集，训练集与测试集之间无交集；
(5.2)采用深度多层感知机网络进行训练，从而得到多层感知机模型网络参数；
(5.3)根据网络背景环境特征，预测当前AP端的实时吞吐量。
所述的基于深度学习和网络参数估计无线接入点吞吐量的方法，步骤(1)中获取无线局域网络中AP端的吞吐量与网络背景环境特征作为样本的时候过滤周末节假日数据。
有益效果：
本发明能够实现无线接入点(AP)吞吐量的准确预测。根据无线局域网络背景环境参数预测出AP吞吐量，进一步反应出无线局域网络的实时工作状态信息。在此基础上进行无线局域网络频谱资源分配，改善无线局域网络环境，提升无线局域网络资源利用率。
附图说明：
图1为本发明实施例吞吐量预测方法流程图；
图2为本发明实施例制作吞吐量异常检测数据的流程图；
图3为本发明实施例吞吐量异常检测流程图。
图4为本发明实施例异常检测网络流程图。
图5为本发明实施例制作吞吐量训练与预测数据流程图。
图6为本发明实施例吞吐量预测流程图。
具体实施方式：
下面结合附图和具体实施例对本发明作进一步的详细说明。
本实施例提供了一种无线接入点(AP)吞吐量预测方法，解决了对无线局域网络实时工作状态进行吞吐量信息获取的问题，主要解决了含噪声、异常值的AP端吞吐量预测问题。如图1所示，该方法包括：
步骤S10、获取含有噪声、异常值的AP吞吐量数据作为样本，通过对吞吐量时间序列进行数据预处理，取窗，形成大量的时间窗口为W的吞吐量时间序列戳，制作数据集。W窗口大小的设置取决于网络背景环境特征与吞吐量统计值的统计时间粒度，一般取为统计时间粒度的整数倍。本实施例中吞吐量的统计时间粒度为10s，因此W窗口可以取为60，100，120，200等。
步骤S20、根据基于变分自编码器(VAE)的异常值检测方法训练所述数据集，获得吞吐量异常检测模型，采用PyTorch框架，在线性网络中加入常数项，防止方差项较小。所述基于变分自编码器(VAE)的异常值检测方法并不局限于PyTorch框架，只要能对取窗后的吞吐量数据进行训练，且在训练过程中迭代若干次(千次的数量级)后达到损失函数收敛并且最终能够获得输出数据集x′即可
从数据中学得模型的过程称为训练或学习，把训练集输入到深度变分自编码器(VAE)网络中，深度变分自编码器(VAE)网络学习含有AP吞吐量数据的统计特征，经过上千次的迭代训练后，就可以得到深度变分自编码器(VAE)网络模型即AP吞吐量异常检测模型。通过AP吞吐量异常检测模型就可以实现对含有异常值的AP吞吐量数据进行定位与替换。
步骤S30、采用AP吞吐量异常检测模型就可以实现对含有异常值的AP吞吐量数据进行定位与替换，制作新数据集X1。
步骤S40、根据所述数据集X1，采用基于PyTorch框架的浅层神经网络进行特征训练预处理，训练次数在千次左右。浅层神经网络的最初输入特征一般为：
无线接入点硬件设施参数，包括AP的工作功率、信道、带宽等；无线接入点工作信息，包括AP的信道利用率、重传率、干扰强度、信噪比等；无线接入点的使用人员特征，包括人员分布、终端类型等。计算每一输入样本特征的显著度，包括与无线接入点实时吞吐量之间的相关系数，对无线接入点吞吐量预测的贡献度等。根据输入样本特征的显著度，逐步筛选、保留显著度较高的特征，丢弃显著度较低的特征，得到最终多层感知机神经网络输入特征。与吞吐量数据集X1组合，制作新的数据集X2。
步骤S50、根据所述数据集X2，采用基于PyTorch框架的深度多层感知机网络进行特征训练与预测，根据无线局域网络实时背景环境特征，预测出当前时刻无线局域网络AP端实时吞吐量。所述基于深度多层感知机网络的吞吐量预测方法并不局限于PyTorch框架，只要能对数据集X2进行训练，且在训练过程中迭代若干次(次的数量级)后达到损失函数收敛并且最终能够实现根据网络背景环境参数对AP进行实时吞吐量预测即可。
从数据中学得模型的过程称为训练或学习，把训练集输入到深度多层感知机网络中，深度多层感知机网络学习无线局域网络背景环境特征与AP端吞吐量之间的数学关系，经过上千次的迭代训练后，就可以得到深度多层感知机模型即AP端吞吐量预测模型。通过AP端吞吐量预测模型就可以实现根据无线局域网络背景环境特征进行AP端吞吐量预测。如图2所示，所述步骤S10包括：
步骤S101、读取所述预处理后含有噪声、异常值的AP吞吐量数据。
步骤S102、对预处理的数据进行取窗，形成大量的时间窗口为W的吞吐量序列戳，窗口一般取为统计时间粒度的整数倍。
步骤S103、将所述吞吐量数据以7∶3的比例分为训练集和测试集，训练集和测试集之间无交集。训练过程中使用的数据称为训练数据，其中每个样本称为训练样本。训练样本组成的集合称为训练集。而测试集则被用来测试模型对于新样本的判别能力。可理解的，训练集和测试集中所述吞吐量数据的比例不限于7∶3，可以设置成任意比例，但需要确保训练集中吞吐量数据的数量至少是测试集的2倍，且训练集与测试集无交集。
如图3所示，所述步骤S20包括：
步骤S201、对所属数据采用基于变分自编码器(VAE)的异常值检测方法，训练数据集，获得吞吐量异常检测模型。
如图4所示，所述步骤S30包括：
步骤S301、对一个窗口为W的时间戳x，通过吞吐量异常检测模型获得新的时间戳x′与方差σx。
步骤S302、若x∈[x′-λσx，x′+λσx]，其中λ是正常数，保留x；若x＜x′-λσx，则x＝x′-λσx；若x＞x′+λσx，则x＝x′+λσx。
步骤S303、制作新的数据集X1。
如图5所示，所述步骤S40包括：
步骤S401、初始浅层神经网络输入特征为：无线接入点硬件设施参数，包括AP的工作功率、信道、带宽等；无线接入点工作信息，包括AP的信道利用率、重传率、干扰强度、信噪比等；无线接入点的使用人员特征，包括人员分布、终端类型等；组成初始输入特征集合x＝[x1，x2，...，xi，...，xn]
步骤S402、根据所述数据集X1与初始网络输入特征，采用浅层神经网络进行预训练，计算初始输入特征集合中的每一个特征xi的显著度，包括与无线接入点实时吞吐量之间的相关系数，对无线接入点吞吐量预测的贡献度如：准确率提升、预测误差降低等；相关系数计算方式如：
Figure BDA0002455883280000061
其中y是吞吐量实际值。
误差计算方式如：
Figure BDA0002455883280000062
其中
Figure BDA0002455883280000063
是吞吐量预测值。
步骤S403、根据步骤S402中计算的显著度，逐步筛选、保留显著度较高的特征，丢弃显著度较低的特征；以预测误差降低为例，设原始输入特征x的模型预测误差为e，对于特征xi，设特征xi丢弃后的模型预测误差为ei：若ei＜e，丢弃特征xi；若ei＞e，保留特征xi；
步骤S404、得到最终多层感知机神经网络输入特征，与吞吐量数据集X1组合，制作新的数据集X2；
如图6所示，所述步骤S50包括：
步骤S501、将所述数据集X2以7∶3的比例分为训练集和测试集，训练集和测试集之间无交集。训练过程中使用的数据称为训练数据，其中每个样本称为训练样本。训练样本组成的集合称为训练集。而测试集则被用来测试模型对于新样本的判别能力。可理解的，训练集和测试集中所述AP吞吐量预测样本的比例不限于7∶3，可以设置成任意比例，但需要确保训练集中吞吐量预测样本数量至少是测试集的2倍，且训练集与测试集无交集。
步骤S502、采用深度多层感知机网络进行训练，从而得到多层感知机模型网络参数；
步骤S503、根据网络背景环境特征，预测当前AP端的实时吞吐量。
本发明能够实现无线接入点(AP)吞吐量的准确预测。根据无线局域网络背景环境参数预测出AP吞吐量，进一步反应出无线局域网络的实时工作状态信息。在此基础上进行无线网络频谱资源分配，改善无线局域网络环境，提升无线网络资源利用率。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一非易失性计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)等。

Claims (6)

1.一种基于深度学习和网络参数估计无线接入点吞吐量的方法，其特征在于，该方法包括如下步骤：
(1)获取无线网络中AP端吞吐量与网络背景环境特征作为样本，对吞吐量数据做预处理，制作数据集X；
(2)根据基于变分自编码器网络(VAE)的异常值检测方法，训练数据集X，获得异常值检测模型；
(3)根据基于变分自编码器网络(VAE)的异常值检测方法，进行全网AP吞吐量数据异常值过滤，制作新的数据集X1；
(4)根据数据集X1，基于浅层神经网络进行训练，根据输入无线局域网络背景环境特征的显著度，逐步筛选出重要特征，制作新的数据集X2，具体方法为：
(4.1)初始浅层神经网络输入特征为：无线接入点硬件设施参数，包括AP的工作功率、信道、带宽；无线接入点工作信息，包括AP的信道利用率、重传率、干扰强度、信噪比；无线接入点的使用人员特征，包括人员分布、终端类型；以上组成初始输入特征集合x＝[x1，x2，...，xi，...，xn]；
(4.2)根据所述数据集X1与初始网络输入特征集合x，采用浅层神经网络进行预训练，计算每一个初始输入特征xi的显著度，所述显著度包括与无线接入点实时吞吐量之间的相关系数，对无线接入点实时吞吐量预测的贡献度，对无线接入点实时吞吐量预测的贡献度用预测误差降低来表征，与无线接入点实时吞吐量之间的相关系数的计算公式：
Figure FDA0002455883270000011
其中y是吞吐量实际值；
预测误差计算公式：
Figure FDA0002455883270000012
其中
Figure FDA0002455883270000013
是吞吐量预测值；
(4.3)根据步骤(4.2)中计算得到的显著度，逐步筛选、保留显著度较高的特征，丢弃显著度较低的特征；以预测误差降低为例，设原始输入特征x的模型预测误差为e，对于特征xi，设特征xi丢弃后的模型预测误差为ei：若ei＜e，丢弃特征xi；若ei＞e，保留特征xi；
(4.4)得到最终多层感知机网络输入特征，与吞吐量数据集X1组合，制作新的数据集X2；
(5)根据数据集X2，基于深度多层感知机网络进行训练，估计出AP端实时吞吐量。
2.根据权利要求1所述的基于深度学习和网络参数估计无线接入点吞吐量的方法，其特征在于，步骤(1)中所述制作数据集X的具体方法包括：
(11)读取含有噪声、异常值的AP吞吐量数据；
(12)对步骤(11)读取的AP吞吐量数据按照时间序列进行数据预处理，取窗，形成若干个以时间窗口为W的AP吞吐量数据时间序列戳；
(13)将AP吞吐量数据时间序列戳以7∶3的比例分为训练集与测试集，训练集与测试集之间无交集。
3.根据权利要求1所述的基于深度学习和网络参数估计无线接入点吞吐量的方法，其特征在于，步骤(2)中所述基于变分自编码器(VAE)的异常值检测方法，采用PyTorch框架，在线性网络中加入常数项，防止方差项较小。
4.根据权利要求1所述的基于深度学习和网络参数估计无线接入点吞吐量的方法，其特征在于，步骤(3)中所述制作新的数据集X1的具体方法包括：
(31)对一个时间窗口为W的AP吞吐量数据时间序列戳x，通过吞吐量异常检测模型获得新的AP吞吐量数据时间序列戳x′与方差σx；
(32)若x∈[x′-λσx，x′+λσx]，其中λ是正常数，保留x；
(33)若x＜x′-λσx，则x＝x′-λσx；
(34)若x＞x′+λσx，则x＝x′+λσx；
(35)制作新的数据集X1。
5.根据权利要求1所述的基于深度学习和网络参数估计无线接入点吞吐量的方法，其特征在于，步骤(5)中，所述根据数据集X2，基于深度多层感知机网络进行训练，估计出AP端实时吞吐量的具体方法是：
(5.1)对于数据集X2，将数据集X2以7：3的比例分为训练集与测试集，训练集与测试集之间无交集；
(5.2)采用深度多层感知机网络进行训练，从而得到多层感知机模型网络参数；
(5.3)根据网络背景环境特征，预测当前AP端的实时吞吐量。
6.根据权利要求1所述的基于深度学习和网络参数估计无线接入点吞吐量的方法，其特征在于，步骤(1)中获取无线局域网络中AP端的吞吐量与网络背景环境特征作为样本的时候过滤周末节假日数据。
CN202010309795.XA 2020-04-17 2020-04-17 基于深度学习和网络参数估计无线接入点吞吐量的方法 Active CN111553463B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010309795.XA CN111553463B (zh) 2020-04-17 2020-04-17 基于深度学习和网络参数估计无线接入点吞吐量的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010309795.XA CN111553463B (zh) 2020-04-17 2020-04-17 基于深度学习和网络参数估计无线接入点吞吐量的方法

Publications (2)

Publication Number Publication Date
CN111553463A CN111553463A (zh) 2020-08-18
CN111553463B true CN111553463B (zh) 2022-11-18

Family

ID=72007520

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010309795.XA Active CN111553463B (zh) 2020-04-17 2020-04-17 基于深度学习和网络参数估计无线接入点吞吐量的方法

Country Status (1)

Country Link
CN (1) CN111553463B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113068247B (zh) * 2021-03-15 2022-10-18 东南大学 基于多层感知机的无线接入点功率估计方法
CN113114314B (zh) * 2021-04-15 2022-03-11 东南大学 融合混类增强与自编码器的大规模mimo性能提升方法
CN113163426B (zh) * 2021-04-25 2023-04-07 东南大学 高密度ap分布场景gcn-ddpg无线局域网络参数调优方法和系统
CN113923141B (zh) * 2021-04-25 2023-05-12 东南大学 一种高密度ap分布的无线局域网络吞吐量估计方法及系统
CN113688125B (zh) * 2021-08-24 2023-12-05 平安国际智慧城市科技股份有限公司 基于人工智能的异常值检测方法、装置、电子设备及介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107273429A (zh) * 2017-05-19 2017-10-20 哈工大大数据产业有限公司 一种基于深度学习的缺失值填充方法及系统
CN109873726A (zh) * 2019-03-07 2019-06-11 西安交通大学 Sdn中基于深度学习的鲁棒服务质量预测与保障方法
JP2019197311A (ja) * 2018-05-08 2019-11-14 コニカミノルタ株式会社 学習方法、学習プログラム、および学習装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107273429A (zh) * 2017-05-19 2017-10-20 哈工大大数据产业有限公司 一种基于深度学习的缺失值填充方法及系统
JP2019197311A (ja) * 2018-05-08 2019-11-14 コニカミノルタ株式会社 学習方法、学習プログラム、および学習装置
CN109873726A (zh) * 2019-03-07 2019-06-11 西安交通大学 Sdn中基于深度学习的鲁棒服务质量预测与保障方法

Also Published As

Publication number Publication date
CN111553463A (zh) 2020-08-18

Similar Documents

Publication Publication Date Title
CN111553463B (zh) 基于深度学习和网络参数估计无线接入点吞吐量的方法
EP4024261A1 (en) Model training method, apparatus, and system
CN103716123B (zh) 一种传感器网络中分组丢失和错误的原因识别方法和系统
CN109495920B (zh) 一种无线通信网络特征画像方法、设备和计算机程序产品
CN113687176B (zh) 一种基于深度神经网络的用电异常检测方法、系统
CN111008726B (zh) 一种电力负荷预测中类图片转换方法
CN112702339A (zh) 基于深度迁移学习的异常流量监测与分析方法和装置
Liu et al. Lightweight, fluctuation insensitive multi-parameter fusion link quality estimation for wireless sensor networks
Sangaiah et al. Automatic fault detection and diagnosis in cellular networks and beyond 5g: intelligent network management
Nabi et al. Deep learning based fusion model for multivariate LTE traffic forecasting and optimized radio parameter estimation
CN111800807A (zh) 一种基站用户数量告警的方法及装置
US8954053B2 (en) Method for link adaptation and apparatus thereof
Liu et al. FaLQE: Fluctuation adaptive link quality estimator for wireless sensor networks
CN115426671B (zh) 图神经网络训练、无线小区故障预测方法、系统及设备
CN113728673A (zh) 用于估计被无线电问题抑制的数据业务的方法和装置
CN111132209B (zh) 基于变分自编码器估计无线局域网络接入点吞吐量的方法
CN112712396A (zh) 一种基于服务群落演替预测模型的服务互联网控制方法
Mao et al. Interpreting machine learning models for room temperature prediction in non-domestic buildings
Li et al. Prediction of twitter traffic based on machine learning and data analytics
CN114020971A (zh) 一种异常数据检测方法及装置
CN113315673B (zh) 一种针对企业无线网络接入点吞吐量细粒度估计的方法
CN106372085A (zh) 一种整合关联信息的方法和装置
CN112132190B (zh) 赤潮样本数据筛选方法及计算机可读存储介质
WO2022001257A1 (zh) 数据分析方法、电子设备及存储介质
Leonard et al. Count series forecasting

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