CN112600728B - 一种基于大数据的5g移动基站流量预测分析系统 - Google Patents
一种基于大数据的5g移动基站流量预测分析系统 Download PDFInfo
- Publication number
- CN112600728B CN112600728B CN202011417502.6A CN202011417502A CN112600728B CN 112600728 B CN112600728 B CN 112600728B CN 202011417502 A CN202011417502 A CN 202011417502A CN 112600728 B CN112600728 B CN 112600728B
- Authority
- CN
- China
- Prior art keywords
- base station
- flow
- unit
- data
- sequence
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 84
- 238000004364 calculation method Methods 0.000 claims abstract description 17
- 238000000034 method Methods 0.000 claims abstract description 8
- 230000000903 blocking effect Effects 0.000 claims abstract description 7
- 230000001419 dependent effect Effects 0.000 claims abstract description 5
- 238000005259 measurement Methods 0.000 claims description 6
- 238000007405 data analysis Methods 0.000 claims description 3
- 238000013480 data collection Methods 0.000 claims description 3
- 230000001413 cellular effect Effects 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000739 chaotic effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
- H04L43/0876—Network utilisation, e.g. volume of load or congestion level
-
- 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
-
- 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
- H04W24/06—Testing, supervising or monitoring using simulated traffic
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Environmental & Geological Engineering (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种基于大数据的5G移动基站流量预测分析系统，包括数据采集单元、时空相关性计算单元、特性分析单元、基站合作关系计算单元、卫星图像采集与分析单元、基站人流量数据采集单元、人流数据预测单元和预测分析单元；通过将与目标基站具有高时空相关性的周围相关基站以及合作基站共同作为基站流量预测的数据采集基础，可以动态的对目标基站的流量进行预测，通过利用卫星图像采集与分析单元采集基站的地形图像和高层建筑物排布图像，然后对采集地形图像和高层建筑物排布图像进行分析，分析出地形和高层建筑物对基站电载波发射的阻碍量，并将阻碍量作为因变量融合到预测分析模型中，可以进一步提高基站流量预测的精确性。
Description
技术领域
本发明涉及移动通信技术领域，尤其涉及一种基于大数据的5G移动基站流量预测分析系统。
背景技术
随着蜂窝技术进入5G时代，全球移动设备数量和物联网规模呈指数级增长，这些设备在方便了人类生活的同时也在5G网络中产生了海量的移动数据，对5G 网络造成巨大的流量负载。与此同时，日益丰富的移动数据记录也为蜂窝网络的智能管理提供了数据支撑。流量预测作为智能管理的基础，被广泛运用于基站绿色节能和流量卸载等研究领域。
城市移动通信基站流量的准确预测对于关键基站的拥堵控制、基站新址的选择有着重要作用，基站流量数据不仅是区域的静态表现,同时也反映区域人员的流动特，基站流量具有非线性混沌特性,而传统的线性时间序列方法比如自回归移动平均模型难以有效地捕获实际基站流量序列中复杂的非线性因素，同时,仅考虑单个基站时间序列而忽略邻近基站的影响并不能反映基站流量的动态特征。因此，本发明提出一种基于大数据的5G移动基站流量预测分析系统，以解决现有技术中的不足之处。
发明内容
针对上述问题，本发明的目的在于提供一种基于大数据的5G移动基站流量预测分析系统，该预测分析系统通过将与目标基站具有高时空相关性的周围相关基站以及合作基站共同作为基站流量预测的数据采集基础，可以动态的对目标基站的流量进行预测，通过将阻碍量作为因变量融合到预测分析模型中，可以进一步提高基站流量预测的精确性。
为了实现本发明的目的，本发明通过以下技术方案实现：
一种基于大数据的5G移动基站流量预测分析系统，包括数据采集单元、时空相关性计算单元、特性分析单元、基站合作关系计算单元、卫星图像采集与分析单元、基站人流量数据采集单元、人流数据预测单元和预测分析单元；
所述数据采集单元用于采集目标基站以及周围相关基站的流量序列，形成主流量序列和相关流量序列；
所述时空相关性计算单元用于计算目标基站的主流量序列与周围相关基站的相关流量序列之间的时空相关性，然后对时空相关性高的周围相关基站进行基站标识，并对该时空相关性高的周围相关基站的相关流量序列进行序列标识；
所述特性分析单元用于对主流量序列和进行序列标识的相关流量序列进行流量特性分析；
所述基站合作关系计算单元用于选择所有与目标基站具有合作关系的普通基站，然后分析并计算出与目标基站具有紧密合作关系的普通基站作为合作基站；
所述卫星图像采集与分析单元用于采集基站的地形图像和高层建筑物排布图像，然后对采集地形图像和高层建筑物排布图像进行分析，分析出地形和高层建筑物对基站电载波发射的阻碍量；
所述基站人流数据采集单元用于采集目标基站覆盖范围内的实时人流量数据，采集进行基站标识后的与目标基站具有高时空相关性的周围相关基站覆盖范围边缘区域内的实时人流量数据，以及采集合作基站覆盖范围内的实时人流量数据；
所述人流数据预测单元用于采集目标基站覆盖范围内、与目标基站具有高时空相关性的周围相关基站覆盖范围边缘区域内以及合作基站覆盖范围内的用户入网轨迹数据，并结合大数据分析方法，对人流分布的时空影响因数进行分析，并提取相应特征，再基于相应特征推演目标基站覆盖范围内以及与目标基站具有高时空相关性的周围相关基站覆盖范围边缘区域内的人流分布聚散动态；
所述预测分析单元用于汇聚流量特性分析结果、基站人流数据采集单元所有的采集信息和人流数据预测单元采集的所有用户入网轨迹数据，并以汇聚的所有数据构建预测分析模型，利用预测分析模型对移动基站流量进行预测。
进一步改进在于：所述特性分析单元对主流量序列和进行序列标识的相关流量序列进行流量特性分析时，将主流量序列和进行序列标识的相关流量序列包含的趋势信息融入到聚类算法的距离度量中,得到新的距离度量，再结合时空相关性,利用主流量序列和进行序列标识的相关流量序列的K趋势聚类算法,将主流量序列和进行序列标识的相关流量序列的时空相关程度聚成不同类簇,最后对每个类簇的基站进行流量变化特性分析。
进一步改进在于：所述特性分析单元对每个类簇的基站进行流量变化特性分析时，需要结合地理位置信息，并基于地理位置信息进行流量变化特性分析。
进一步改进在于：所述基站合作关系计算单元分析并计算出与目标基站具有紧密合作关系的普通基站作为合作基站时，首先需要基于目标基站和普通基站构建共同网络，然后再对共同网络进行社区划分，最后对进行社区划分后的共同网络进行逐一的分析与计算。
进一步改进在于：所述卫星图像采集与分析单元采集基站的地形图像和高层建筑物排布图像时，包括采集目标基站、时空相关性高的周围相关基站以及合作基站周围的地形图像和高层建筑物排布图像。
进一步改进在于：所述基站人流数据采集单元还用于采集目标基站覆盖范围内的历史人流量数据，采集进行基站标识后的与目标基站具有高时空相关性的周围相关基站覆盖范围边缘区域内的历史人流量数据，以及采集合作基站覆盖范围内的历史人流量数据。
进一步改进在于：所述基站人流数据采集单元内包括有历史数据库，所述历史数据库用于实施更新迭代基站人流数据采集单元采集的所有历史人流量数据。
进一步改进在于：所述预测分析单元利用预测分析模型对移动基站流量进行预测时，还包括将地形和高层建筑物对基站电载波发射的阻碍量作为因变量融合到预测分析模型中，然后再对移动基站流量进行预测。
本发明的有益效果为：本发明通过将与目标基站具有高时空相关性的周围相关基站以及合作基站共同作为基站流量预测的数据采集基础，可以动态的对目标基站的流量进行预测，预测分析的准确性和精度能够大大提高，同时本发明通过利用卫星图像采集与分析单元采集基站的地形图像和高层建筑物排布图像，然后对采集地形图像和高层建筑物排布图像进行分析，分析出地形和高层建筑物对基站电载波发射的阻碍量，并将阻碍量作为因变量融合到预测分析模型中，可以进一步提高基站流量预测的精确性。
附图说明
图1为本发明系统结构示意图。
具体实施方式
为了加深对本发明的理解，下面将结合实施例对本发明做进一步详述，本实施例仅用于解释本发明，并不构成对本发明保护范围的限定。
根据图1所示，本实施例提出一种基于大数据的5G移动基站流量预测分析系统，包括数据采集单元、时空相关性计算单元、特性分析单元、基站合作关系计算单元、卫星图像采集与分析单元、基站人流量数据采集单元、人流数据预测单元和预测分析单元；
所述数据采集单元用于采集目标基站以及周围相关基站的流量序列，形成主流量序列和相关流量序列；
所述时空相关性计算单元用于计算目标基站的主流量序列与周围相关基站的相关流量序列之间的时空相关性，然后对时空相关性高的周围相关基站进行基站标识，并对该时空相关性高的周围相关基站的相关流量序列进行序列标识；
所述特性分析单元用于对主流量序列和进行序列标识的相关流量序列进行流量特性分析；
所述基站合作关系计算单元用于选择所有与目标基站具有合作关系的普通基站，然后分析并计算出与目标基站具有紧密合作关系的普通基站作为合作基站；
所述卫星图像采集与分析单元用于采集基站的地形图像和高层建筑物排布图像，然后对采集地形图像和高层建筑物排布图像进行分析，分析出地形和高层建筑物对基站电载波发射的阻碍量，当用户的入网行为受到地形(例如高山)和高层建筑物的阻挡而无法稳定使用基站流量时，为了避免基站流量预测分析过程中将该类用户忽略，通过对标基站、时空相关性高的周围相关基站以及合作基站周围的地形图像和高层建筑物排布图像进行采集，可以有效解决因电载波受阻导致预测分析系统无法采集完整数据进行基站流量预测分析的问题；
所述基站人流数据采集单元用于采集目标基站覆盖范围内的实时人流量数据，采集进行基站标识后的与目标基站具有高时空相关性的周围相关基站覆盖范围边缘区域内的实时人流量数据，以及采集合作基站覆盖范围内的实时人流量数据，通过对于目标基站具有联系性的基站进行同样的实时人流量数据采集，可以避免单一化的数据采集导致数据完整性低，进而影响预测结果的问题，且通过仅仅采集与目标基站具有高时空相关性的周围相关基站覆盖范围边缘区域内的实时人流量数据，而非完全采集与目标基站具有高时空相关性的周围相关基站覆盖范围内的实时人流量数据，可以有效降低数据采集的基数，降低系统数据采集的负荷量，加快了数据采集的速度，提高了预测分析系统的灵敏性和高效性；
所述人流数据预测单元用于采集目标基站覆盖范围内、与目标基站具有高时空相关性的周围相关基站覆盖范围边缘区域内以及合作基站覆盖范围内的用户入网轨迹数据，并结合大数据分析方法，对人流分布的时空影响因数进行分析，并提取相应特征，再基于相应特征推演目标基站覆盖范围内以及与目标基站具有高时空相关性的周围相关基站覆盖范围边缘区域内的人流分布聚散动态；
所述预测分析单元用于汇聚流量特性分析结果、基站人流数据采集单元所有的采集信息和人流数据预测单元采集的所有用户入网轨迹数据，并以汇聚的所有数据构建预测分析模型，利用预测分析模型对移动基站流量进行预测。
所述特性分析单元对主流量序列和进行序列标识的相关流量序列进行流量特性分析时，将主流量序列和进行序列标识的相关流量序列包含的趋势信息融入到聚类算法的距离度量中,得到新的距离度量，再结合时空相关性,利用主流量序列和进行序列标识的相关流量序列的K趋势聚类算法,将主流量序列和进行序列标识的相关流量序列的时空相关程度聚成不同类簇,最后对每个类簇的基站进行流量变化特性分析。
所述特性分析单元对每个类簇的基站进行流量变化特性分析时，需要结合地理位置信息，并基于地理位置信息进行流量变化特性分析。
所述基站合作关系计算单元分析并计算出与目标基站具有紧密合作关系的普通基站作为合作基站时，首先需要基于目标基站和普通基站构建共同网络，然后再对共同网络进行社区划分，最后对进行社区划分后的共同网络进行逐一的分析与计算。
所述卫星图像采集与分析单元采集基站的地形图像和高层建筑物排布图像时，包括采集目标基站、时空相关性高的周围相关基站以及合作基站周围的地形图像和高层建筑物排布图像。
所述基站人流数据采集单元还用于采集目标基站覆盖范围内的历史人流量数据，采集进行基站标识后的与目标基站具有高时空相关性的周围相关基站覆盖范围边缘区域内的历史人流量数据，以及采集合作基站覆盖范围内的历史人流量数据。
所述基站人流数据采集单元内包括有历史数据库，所述历史数据库用于实施更新迭代基站人流数据采集单元采集的所有历史人流量数据。
所述预测分析单元利用预测分析模型对移动基站流量进行预测时，还包括将地形和高层建筑物对基站电载波发射的阻碍量作为因变量融合到预测分析模型中，然后再对移动基站流量进行预测。
本发明通过将与目标基站具有高时空相关性的周围相关基站以及合作基站共同作为基站流量预测的数据采集基础，可以动态的对目标基站的流量进行预测，预测分析的准确性和精度能够大大提高，同时本发明通过利用卫星图像采集与分析单元采集基站的地形图像和高层建筑物排布图像，然后对采集地形图像和高层建筑物排布图像进行分析，分析出地形和高层建筑物对基站电载波发射的阻碍量，并将阻碍量作为因变量融合到预测分析模型中，可以进一步提高基站流量预测的精确性。
以上显示和描述了本发明的基本原理、主要特征和优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (8)
1.一种基于大数据的5G移动基站流量预测分析系统，其特征在于：包括数据采集单元、时空相关性计算单元、特性分析单元、基站合作关系计算单元、卫星图像采集与分析单元、基站人流量数据采集单元、人流数据预测单元和预测分析单元；
所述数据采集单元用于采集目标基站以及周围相关基站的流量序列，形成主流量序列和相关流量序列；
所述时空相关性计算单元用于计算目标基站的主流量序列与周围相关基站的相关流量序列之间的时空相关性，然后对时空相关性高的周围相关基站进行基站标识，并对该时空相关性高的周围相关基站的相关流量序列进行序列标识；
所述特性分析单元用于对主流量序列和进行序列标识的相关流量序列进行流量特性分析；
所述基站合作关系计算单元用于选择所有与目标基站具有合作关系的普通基站，然后分析并计算出与目标基站具有紧密合作关系的普通基站作为合作基站；
所述卫星图像采集与分析单元用于采集基站的地形图像和高层建筑物排布图像，然后对采集地形图像和高层建筑物排布图像进行分析，分析出地形和高层建筑物对基站电载波发射的阻碍量；
所述基站人流数据采集单元用于采集目标基站覆盖范围内的实时人流量数据，采集进行基站标识后的与目标基站具有高时空相关性的周围相关基站覆盖范围边缘区域内的实时人流量数据，以及采集合作基站覆盖范围内的实时人流量数据；
所述人流数据预测单元用于采集目标基站覆盖范围内、与目标基站具有高时空相关性的周围相关基站覆盖范围边缘区域内以及合作基站覆盖范围内的用户入网轨迹数据，并结合大数据分析方法，对人流分布的时空影响因数进行分析，并提取相应特征，再基于相应特征推演目标基站覆盖范围内以及与目标基站具有高时空相关性的周围相关基站覆盖范围边缘区域内的人流分布聚散动态；
所述预测分析单元用于汇聚流量特性分析结果、基站人流数据采集单元所有的采集信息和人流数据预测单元采集的所有用户入网轨迹数据，并以汇聚的所有数据构建预测分析模型，利用预测分析模型对移动基站流量进行预测。
2.根据权利要求1所述的一种基于大数据的5G移动基站流量预测分析系统，其特征在于：所述特性分析单元对主流量序列和进行序列标识的相关流量序列进行流量特性分析时，将主流量序列和进行序列标识的相关流量序列包含的趋势信息融入到聚类算法的距离度量中,得到新的距离度量，再结合时空相关性,利用主流量序列和进行序列标识的相关流量序列的K趋势聚类算法,将主流量序列和进行序列标识的相关流量序列的时空相关程度聚成不同类簇,最后对每个类簇的基站进行流量变化特性分析。
3.根据权利要求2所述的一种基于大数据的5G移动基站流量预测分析系统，其特征在于：所述特性分析单元对每个类簇的基站进行流量变化特性分析时，需要结合地理位置信息，并基于地理位置信息进行流量变化特性分析。
4.根据权利要求1所述的一种基于大数据的5G移动基站流量预测分析系统，其特征在于：所述基站合作关系计算单元分析并计算出与目标基站具有紧密合作关系的普通基站作为合作基站时，首先需要基于目标基站和普通基站构建共同网络，然后再对共同网络进行社区划分，最后对进行社区划分后的共同网络进行逐一的分析与计算。
5.根据权利要求1所述的一种基于大数据的5G移动基站流量预测分析系统，其特征在于：所述卫星图像采集与分析单元采集基站的地形图像和高层建筑物排布图像时，包括采集目标基站、时空相关性高的周围相关基站以及合作基站周围的地形图像和高层建筑物排布图像。
6.根据权利要求1所述的一种基于大数据的5G移动基站流量预测分析系统，其特征在于：所述基站人流数据采集单元还用于采集目标基站覆盖范围内的历史人流量数据，采集进行基站标识后的与目标基站具有高时空相关性的周围相关基站覆盖范围边缘区域内的历史人流量数据，以及采集合作基站覆盖范围内的历史人流量数据。
7.根据权利要求1所述的一种基于大数据的5G移动基站流量预测分析系统，其特征在于：所述基站人流数据采集单元内包括有历史数据库，所述历史数据库用于实施更新迭代基站人流数据采集单元采集的所有历史人流量数据。
8.根据权利要求1所述的一种基于大数据的5G移动基站流量预测分析系统，其特征在于：所述预测分析单元利用预测分析模型对移动基站流量进行预测时，还包括将地形和高层建筑物对基站电载波发射的阻碍量作为因变量融合到预测分析模型中，然后再对移动基站流量进行预测。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011417502.6A CN112600728B (zh) | 2020-12-07 | 2020-12-07 | 一种基于大数据的5g移动基站流量预测分析系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011417502.6A CN112600728B (zh) | 2020-12-07 | 2020-12-07 | 一种基于大数据的5g移动基站流量预测分析系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112600728A CN112600728A (zh) | 2021-04-02 |
| CN112600728B true CN112600728B (zh) | 2022-06-14 |
Family
ID=75188633
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011417502.6A Active CN112600728B (zh) | 2020-12-07 | 2020-12-07 | 一种基于大数据的5g移动基站流量预测分析系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112600728B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113347659B (zh) * | 2021-06-01 | 2022-12-23 | 深圳市大数据研究院 | 流量预测方法及装置 |
Family Cites Families (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102110365B (zh) * | 2009-12-28 | 2013-11-06 | 日电（中国）有限公司 | 基于时空关系的路况预测方法和系统 |
| JP2013197704A (ja) * | 2012-03-16 | 2013-09-30 | Kddi Corp | トラフィック量予測処理装置およびコンピュータプログラム |
| US9451473B2 (en) * | 2014-04-08 | 2016-09-20 | Cellco Partnership | Analyzing and forecasting network traffic |
| CN105050170B (zh) * | 2015-06-30 | 2019-02-05 | 东南大学 | 一种异构网络中基于流量预测的基站休眠方法 |
| CN106612511B (zh) * | 2015-10-21 | 2020-03-27 | 上海中兴软件有限责任公司 | 一种基于支持向量机的无线网络吞吐量的评估方法及装置 |
| CN107423742A (zh) * | 2016-05-23 | 2017-12-01 | 中兴通讯股份有限公司 | 人群流量的确定方法及装置 |
| CN107426703B (zh) * | 2017-08-24 | 2020-04-03 | 北京邮电大学 | 一种在室外人流密集场所基于模糊聚类的移动性预测方法 |
| CN108234198B (zh) * | 2017-12-19 | 2020-07-07 | 清华大学 | 一种基站流量预测方法和设备 |
| CN109640351A (zh) * | 2019-01-25 | 2019-04-16 | 南京邮电大学 | 一种基站流量的联合预测方法 |
| CN110381523B (zh) * | 2019-06-17 | 2023-04-07 | 盐城吉研智能科技有限公司 | 一种基于tvf-emd-lstm模型的蜂窝基站网络流量预测方法 |
| CN111465025B (zh) * | 2020-03-06 | 2023-04-07 | 重庆邮电大学 | 一种基于新型容量预测模型的旅游城市5g网络组网方法 |
-
2020
- 2020-12-07 CN CN202011417502.6A patent/CN112600728B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN112600728A (zh) | 2021-04-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104484993B (zh) | 用于交通小区划分的手机信令信息的处理方法 | |
| CN109769201B (zh) | 一种实现用户精准定位的智慧城市管理平台 | |
| CN111756848B (zh) | 移动边缘环境下基于联邦学习和移动感知的QoS优化方法 | |
| CN102332210B (zh) | 基于手机定位数据的实时城市道路交通流数据提取方法 | |
| CN107958031B (zh) | 基于融合数据的居民出行od分布提取方法 | |
| CN106254142A (zh) | 一种基于移动通信运营数据的城市群体行为监测系统 | |
| CN113033110B (zh) | 一种基于交通流模型的重点区域人员应急疏散系统及方法 | |
| KR102518629B1 (ko) | Cnn을 이용한 전력수요 예측 방법, 이를 수행하기 위한 기록 매체 및 장치 | |
| CN112600728B (zh) | 一种基于大数据的5g移动基站流量预测分析系统 | |
| Leca et al. | Significant location detection & prediction in cellular networks using artificial neural networks | |
| CN109064750A (zh) | 城市路网交通估计方法及系统 | |
| CN114626586A (zh) | 基于prophet-LightGBM混合模型的大规模建筑能耗预测方法 | |
| CN111372182A (zh) | 一种定位方法、装置、设备及计算机可读存储介质 | |
| CN112765120A (zh) | 一种基于手机信令分析和提取用户移动轨迹的方法 | |
| CN104778355A (zh) | 基于广域分布交通系统的异常轨迹检测方法 | |
| KR20200061666A (ko) | 인구 안내 서비스 제공방법 및 장치 | |
| KR101670903B1 (ko) | 레이더 강우자료를 이용하여 지표유출을 해석하는 방법 | |
| Dong et al. | Urban residents travel analysis based on mobile communication data | |
| Gao et al. | A Study of Mobile Network User Trajectory Fitting | |
| CN110891241A (zh) | 一种基于长短时间记忆网络模型与接入点选择策略的指纹定位方法 | |
| CN109637133A (zh) | 一种城市道路/路段的车辆速度评估方法及系统 | |
| TWI569225B (zh) | A Method of Estimating Traffic Information Based on Multiple Regression Model of Mobile Network Signaling | |
| Li et al. | Monte Carlo Location Algorithm Based on Model Prediction | |
| Uyan et al. | 5G Long-Term and Large-Scale Mobile Traffic Forecasting | |
| Li et al. | A Systematic Cell Phone Trajectories Extraction Approach based on Daily Mobility and Spatiotemporal Clustering Characteristics Analysis |
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 | ||
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Address after: 330100 no.899 Guanglan Avenue, Nanchang Economic and Technological Development Zone, Jiangxi Province Applicant after: Nanchang Jiaotong University Address before: 330100 no.899 Guanglan Avenue, Nanchang Economic and Technological Development Zone, Jiangxi Province Applicant before: INSTITUTE OF TECHNOLOGY EAST CHINA JIAO TONG University |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240514 Address after: 264200 room a0216, 0218, Chuangye building, Shenyang road-108-2, Yiyuan sub district office, gaoqu District, Weihai City, Shandong Province Patentee after: ZHONGYI TECHNOLOGY Co.,Ltd. Country or region after: China Address before: 330100 no.899 Guanglan Avenue, Nanchang Economic and Technological Development Zone, Jiangxi Province Patentee before: Nanchang Jiaotong University Country or region before: China |