CN112637891B - 无线链路质量预测方法、装置、电子设备和存储介质 - Google Patents
无线链路质量预测方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN112637891B CN112637891B CN202011537208.9A CN202011537208A CN112637891B CN 112637891 B CN112637891 B CN 112637891B CN 202011537208 A CN202011537208 A CN 202011537208A CN 112637891 B CN112637891 B CN 112637891B
- Authority
- CN
- China
- Prior art keywords
- data
- communication data
- wireless link
- communication
- link quality
- 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
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/08—Testing, supervising or monitoring using real traffic
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
- 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
- H04B17/309—Measuring or estimating channel quality parameters
- H04B17/336—Signal-to-interference ratio [SIR] or carrier-to-interference ratio [CIR]
-
- 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
- H04L43/0823—Errors, e.g. transmission errors
- H04L43/0829—Packet loss
-
- 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
- H04L43/0852—Delays
-
- 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
- H04L43/0894—Packet rate
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Theoretical Computer Science (AREA)
- Computing Systems (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Environmental & Geological Engineering (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Electromagnetism (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本公开提供了一种无线链路质量预测方法、装置、电子设备和存储介质,属于通信技术领域。该方法包括:采集无线网络中两个节点在通信过程中产生的多组通信数据;按照所述数据包的接收时刻,从所述多组通信数据中抽取多组第一通信数据并排序;基于所述多组第一通信数据生成第一数据集合、第二数据集合、第三数据集合;分别将所述第一数据集合、第二数据集合和第三数据集合输入到无线链路质量预测模型中,所述无线链路质量预测模型包括第一长短期记忆网络LSTM、第二LSTM、第三LSTM和全连接神经网络FCN;输出所述无线链路质量预测模型预测的下一时刻的所述两个节点间的无线链路质量。
Description
技术领域
本公开涉及通信技术领域,尤其涉及一种无线链路质量预测方法、装置、电子设备和存储介质。
背景技术
无线通信网络为了保证数据传输的效率和质量,需要基于各个节点间的链路质量进行实时路由切换和资源调度等操作。无论是路由切换还是资源调度,无线通信网络的核心路由器都需要对网络内所有链路的通信质量进行实时准确的感知,才能做出准确的决策。
相关技术中,无线链路质量感知方式主要分为评估和预测。其中,无线链路质量预测是指对无线链路下一时刻质量进行预测预测,相关技术中主要使用机器学习算法实现,如逻辑回归、朴素贝叶斯回归、支持向量机回归/分类等。
但是,上述使用机器学习算法实现的无线链路质量预测主要应用在网络节点不可移动的网络中,对于无线网络(mesh)网络和对等式(Ad-Hoc)网络这些节点可移动的网络,由于节点的位置实时变化,预测效果较差。
发明内容
本公开实施例提供了一种无线链路质量预测方法、装置、电子设备和存储介质,解决相关技术中由于节点位置变化导致预测效果差的问题。所述技术方案如下:
一方面,提供了一种无线链路质量预测方法,所述方法包括:
采集无线网络中两个节点在通信过程中产生的多组通信数据,每组所述通信数据包括数据包的接收时刻、所述数据包在接收节点的接收信号强度、所述数据包在接收节点的信噪比、发送节点的发送缓冲区大小、接收节点的接收缓冲区大小、所述数据包所在链路的实时占用带宽、所述数据包传输时延和所述两个节点之间的直线距离;这里,两个节点间的通信以数据包为基本单位,上述通信数据也是基于数据包的通信数据。
按照所述数据包的接收时刻,对所述多组通信数据进行排序;
基于所述多组通信数据生成第一数据集合、第二数据集合和第三数据集合,所述第一数据集合包括按照所述数据包的接收时刻排列的多个第一数据组,所述第一数据组包括所述数据包的接收时刻、所述数据包在接收节点的接收信号强度、所述数据包传输时延和所述两个节点之间的直线距离,所述第二数据集合包括按照所述数据包的接收时刻排列的多个第二数据组,所述第二数据组包括所述数据包的接收时刻和所述数据包在接收节点的信噪比,所述第三数据集合包括按照所述数据包的接收时刻排列的多个第三数据组,所述第三数据组包括所述数据包的接收时刻、发送节点的发送缓冲区大小、接收节点的接收缓冲区大小、所述数据包所在链路的实时占用带宽;
分别将所述第一数据集合、第二数据集合和第三数据集合输入到无线链路质量预测模型中,所述无线链路质量预测模型包括第一长短期记忆网络LSTM、第二LSTM、第三LSTM和全连接神经网络FCN,所述第一LSTM、第二LSTM和第三LSTM的输出分别与所述全连接神经网络FCN的输入连接,所述第一LSTM用于基于所述第一数据集合预测下一时刻的接收信号强度,所述第二LSTM用于基于所述第二数据集合预测下一时刻的信噪比,所述第三LSTM用于基于所述第三数据集合预测下一时刻的实时占用带宽,所述FCN基于所述下一时刻的接收信号强度、所述下一时刻的信噪比和所述下一时刻的实时占用带宽预测下一时刻的所述两个节点间的无线链路质量;
输出所述无线链路质量预测模型预测的下一时刻的所述两个节点间的无线链路质量。
在上述无线链路质量预测方法中,第一LSTM用来预测下一时刻的接收信号强度,实质预测的是两个节点间的运动趋势,两个节点间的距离变化会影响接收信号强度,所以通过两个节点在之前若干个时刻的直线距离及接收信号强度,能够预测出下一时刻的接收信号强度。同样地,第二LSTM用来预测下一时刻的信噪比,实质预测的是两个节点间无线链路所受到的环境干扰的变化趋势。第三LSTM用来预测下一时刻的实时占用带宽,实质预测的是两个节点间无线链路的负载的变化趋势。由于运动趋势、无线链路所受到的环境干扰的变化趋势、无线链路的负载的变化趋势并不同步,因此,每个趋势采用一个LSTM来进行预测,能够保证预测精度。
可选地,所述按照所述数据包的接收时刻,从所述多组通信数据中抽取多组第一通信数据并排序,包括:
从所述多组通信数据中,以一秒为间隔,依次获取从当前时刻t到t-9共10个时刻的10组通信数据,作为10组所述第一通信数据;
确定10组所述第一通信数据中的数据是否有缺失;
当存在数据缺失的所述第一通信数据时,判断数据缺失的所述第一通信数据的数量;
若存在数据缺失的所述第一通信数据的数量大于5,或者连续3个所述第一通信数据的数据存在缺失,停止无线链路质量预测过程;
若存在数据缺失的所述第一通信数据的数量小于5且不存在连续3个所述第一通信数据的数据存在缺失,对缺失的数据进行填充。
可选地,所述对缺失的数据进行填充,包括:
当存在缺失的所述第一通信数据位于10个所述第一通信数据的首尾时,采用存在缺失的所述第一通信数据相邻所述第一通信数据中的数据进行等值填充;
当存在缺失的所述第一通信数据位于10个所述第一通信数据的中部时,采用存在缺失的所述第一通信数据两侧所述第一通信数据中的数据的均值填充。
可选地,所述方法还包括:
对获取到的所述多组通信数据进行备份;
当备份的所述通信数据的组数超过阈值时,采用备份的所述多组通信数据对无线链路质量预测模型进行更新。
可选地,所述方法还包括:
采用两个节点在通信过程中产生的历史通信数据,进行无线链路质量预测模型训练;
对训练完成的无线链路质量预测模型进行测试;
当测试未通过时,收集两个节点在通信过程中产生的通信数据;
当备份的所述通信数据的组数超过阈值时,采用备份的所述多组通信数据对无线链路质量预测模型进行更新;
重复执行对所述无线链路质量预测模型进行测试和更新的过程,直到所述无线链路质量预测模型通过测试,或者更新次数达到设定次数。
在训练过程中,基于历史通信数据,除了需要生成第一数据集合、第二数据集合和第三数据集合外,还需要生成第四数据集合用于进行FCN的训练,所述第四数据集合包括按照所述数据包的接收时刻排列的多个第四数据组,所述第四数据组由统计数据组成,为一段时间(例如10秒)内的平均接收信号强度,平均信噪比,平均占用带宽、一段时间内的丢包率(或分组接收率),丢包率(或分组接收率)基于发送节点发送的数据包数量和接收节点接收到的数据包数量确定。
可选地,所述方法还包括:
当更新次数达到设定次数后,所述无线链路质量预测模型仍未通过测试,则使用所述历史通信数据和多次更新时备份的所述多组通信数据,对所述无线链路质量预测模型进行更新。
另一方面,提供了一种无线链路质量预测装置,所述装置包括:
采集模块,用于采集无线网络中两个节点在通信过程中产生的多组通信数据,每组所述通信数据包括数据包的接收时刻、所述数据包在接收节点的接收信号强度、所述数据包在接收节点的信噪比、发送节点的发送缓冲区大小、接收节点的接收缓冲区大小、所述数据包所在链路的实时占用带宽、所述数据包传输时延和所述两个节点之间的直线距离;
第一处理模块,用于按照所述数据包的接收时刻,对所述多组通信数据进行排序;
第二处理模块,用于基于所述多组通信数据生成第一数据集合、第二数据集合和第三数据集合,所述第一数据集合包括按照所述数据包的接收时刻排列的多个第一数据组,所述第一数据组包括所述数据包的接收时刻、所述数据包在接收节点的接收信号强度、所述数据包传输时延和所述两个节点之间的直线距离,所述第二数据集合包括按照所述数据包的接收时刻排列的多个第二数据组,所述第二数据组包括所述数据包的接收时刻和所述数据包在接收节点的信噪比,所述第三数据集合包括按照所述数据包的接收时刻排列的多个第三数据组,所述第三数据组包括所述数据包的接收时刻、发送节点的发送缓冲区大小、接收节点的接收缓冲区大小、所述数据包所在链路的实时占用带宽;
第三处理模块,用于分别将所述第一数据集合、第二数据集合和第三数据集合输入到无线链路质量预测模型中,所述无线链路质量预测模型包括第一长短期记忆网络LSTM、第二LSTM、第三LSTM和全连接神经网络FCN,所述第一LSTM、第二LSTM和第三LSTM的输出分别与所述全连接神经网络FCN的输入连接,所述第一LSTM用于基于所述第一数据集合预测下一时刻的接收信号强度,所述第二LSTM用于基于所述第二数据集合预测下一时刻的信噪比,所述第三LSTM用于基于所述第三数据集合预测下一时刻的实时占用带宽,所述FCN基于所述下一时刻的接收信号强度、所述下一时刻的信噪比和所述下一时刻的实时占用带宽预测下一时刻的所述两个节点间的无线链路质量;
输出模块,用于输出所述无线链路质量预测模型预测的下一时刻的所述两个节点间的无线链路质量。
可选地,所述装置还包括:
备份模块,用于对获取到的所述多组通信数据进行备份;
训练模块,用于当备份的所述通信数据的组数超过阈值时,采用备份的所述多组通信数据对无线链路质量预测模型进行更新。
一方面,提供了一种电子设备,所述电子设备包括处理器和存储器,所述存储器存储有至少一条程序代码,所述程序代码由所述处理器加载并执行以实现前述无线链路质量预测方法。
一方面,提供了一种计算机可读存储介质,所述计算机可读存储介质存储有至少一条程序代码,所述程序代码由所述处理器加载并执行以实现前述无线链路质量预测方法。
本公开实施例提供的技术方案带来的有益效果至少包括:
在本公开实施例中,通过获取两个节点在通信过程中产生的多组通信数据,按照数据包的接收时刻,从多组通信数据中抽取多组第一通信数据并排序,再从每组第一通信数据中抽取部分数据,形成3个数据集合,三个数据集合分别对应预测模型中的三个LSTM网络,使得三个LSTM网络可以基于这三个数据集合分别预测出下一时刻的接收信号强度、信噪比和实时占用带宽,最后基于这三个参数确定下一时刻的两个节点间的无线链路质量。在上述过程中,将这些数据划分成三个数据集合,先通过预测模型中的三个LSTM网络分别进行接收信号强度、信噪比和实时占用带宽的预测,然后基于这三个方面进行无线链路质量预测,接收信号强度、信噪比和实时占用带宽属于影响信号质量的三个方面,采用三个数据集合分别进行这三个方面的预测,相比于将这些数据混合在一起输入到一个网络中直接进行无线链路质量,能够保证预测模型对于接收信号强度、信噪比和实时占用带宽的预测精度,进而提高对于无线链路质量预测的精度。同时,在预测接收信号强度时采用的第一数据集合中包括两个节点间的直线距离以及两个节点间高度差的绝对值,就算节点的位置实时变化,该变化也已经属于预测的一部分,融合在了接收信号强度的预测结果中,因此,即使节点的位置实时变化,也不会影响本公开对于无线链路质量的精度,保证了无线链路质量的效果。
附图说明
为了更清楚地说明本公开实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本公开的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本公开实施例提供的无线链路质量预测系统的网络架构图;
图2为本公开一个示意性实施例的无线链路质量预测方法的流程示意图;
图3为本公开一个示意性实施例的无线链路质量预测方法的流程示意图;
图4为本公开实施例提供的一种无线链路质量预测装置的结构框图;
图5是本公开实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本公开的目的、技术方案和优点更加清楚,下面将结合附图对本公开实施方式作进一步地详细描述。
为了便于理解本公开提供的方案,下面先对本公开实施例的网络架构进行说明:
图1是本公开实施例提供的无线链路质量预测系统的网络架构图,参见图1,该系统包括:
第一节点10、第二节点20和无线链路质量预测装置30。
在本公开实施例中,第一节点10和第二节点20均为无人机。第一节点10和第二节点20之间无线连接,实现数据的传输。在进行数据传输时,第一节点10和第二节点20中的一个为发送节点,另一个为接收节点。
无线链路质量预测装置30可以集成在第一节点和第二节点中作为接收节点的节点上。例如是接收节点中路由模块的一部分,无线链路质量预测装置30能够获取第一节点10和第二节点20之间的通信数据,包括数据包发送时刻T1、数据包接收时刻T2、数据包在接收节点的接收信号强度RSSI、数据包在接收节点的信噪比SNR、发送节点的发送缓冲区大小SendBuff、接收节点的接收缓冲区大小ResvBuff、数据包所在链路的实时占用带宽BW、数据包传输时延Delay和两个节点之间的直线距离Distance。其中,上述通信数据大部分可以在第一节点10和第二节点20的正常通信的过程中获知,而类似于对端缓冲区大小等可以通过额外的信号交互获知。其中,数据包传输时延Delay由T2-T1计算得到,两个节点之间的直线距离Distance由Delay*电磁波传播速度3*108m/s计算得到。
该无线链路质量预测装置30通过调用无线链路质量预测模型完成无线链路质量预测,在得到无线链路质量预测的结果后,可以基于无线链路质量预测的结果进行路由选路,相比于传统的基于路径长度或带宽大小选路,能够提高选路质量,保证数据更好的传输。其中,训练完成的无线链路质量预测模型可以被配置为软件的形式。
示例性地,软件形式是将无线链路质量预测模型以C++的形式封装成底层算法,该算法被存储在无线链路质量预测装置30中,在该底层算法的上还可以搭建有用户界面或命令行界面,使得用户可以通过用户界面或命令行界面控制该装置可以调用该算法,进行无线链路质量预测。
图2为本公开一个示意性实施例的无线链路质量预测方法的流程示意图。该方法由前述无线链路质量预测装置执行,如图2所示,该方法可以包括:
在步骤101中:采集无线网络中两个节点在通信过程中产生的多组通信数据,每组所述通信数据包括数据包的接收时刻、所述数据包在接收节点的接收信号强度、所述数据包在接收节点的信噪比、发送节点的发送缓冲区大小、接收节点的接收缓冲区大小、所述数据包所在链路的实时占用带宽、所述数据包传输时延和所述两个节点之间的直线距离。这里,两个节点间的通信以数据包为基本单位,上述通信数据也是基于数据包的通信数据。
在步骤102中:按照所述数据包的接收时刻,从所述多组通信数据中抽取多组第一通信数据并排序。
每组所述第一通信数据包括与所述数据包的接收时刻对应的接收信号强度、信噪比、发送缓冲区大小、接收缓冲区大小、实时占用带宽、传输时延和两个节点之间的直线距离。
在步骤103中:基于所述多组第一通信数据生成第一数据集合、第二数据集合和第三数据集合。
所述第一数据集合包括按照所述数据包的接收时刻排列的多个第一数据组,所述第一数据组包括所述数据包的接收时刻、所述数据包在接收节点的接收信号强度、所述数据包传输时延和所述两个节点之间的直线距离,所述第二数据集合包括按照所述数据包的接收时刻排列的多个第二数据组,所述第二数据组包括所述数据包的接收时刻和所述数据包在接收节点的信噪比,所述第三数据集合包括按照所述数据包的接收时刻排列的多个第三数据组,所述第三数据组包括所述数据包的接收时刻、发送节点的发送缓冲区大小、接收节点的接收缓冲区大小、所述数据包所在链路的实时占用带宽。
在步骤104中:分别将所述第一数据集合、第二数据集合和第三数据集合输入到无线链路质量预测模型中。
所述无线链路质量预测模型包括第一长短期记忆网络(Long Short-TermMemory,LSTM)、第二LSTM、第三LSTM和全连接神经网络(Fully Connected NeuralNetwork,FCN),所述第一LSTM、第二LSTM和第三LSTM的输出分别与所述全连接神经网络FCN的输入连接,所述第一LSTM用于基于所述第一数据集合预测下一时刻的接收信号强度,所述第二LSTM用于基于所述第二数据集合预测下一时刻的信噪比,所述第三LSTM用于基于所述第三数据集合预测下一时刻的实时占用带宽,所述FCN基于所述下一时刻的接收信号强度、所述下一时刻的信噪比和所述下一时刻的实时占用带宽预测下一时刻的所述两个节点间的无线链路质量。
其中,第一数据集合采用接收信号强度作为标签,第二数据集合采用信噪比作为标签,第三数据集合采用实时占用带宽作为标签。数据集合的标签也对应了三个LSTM输出的参数。
在本公开实施例中,FCN基于所述下一时刻的接收信号强度、所述下一时刻的信噪比和所述下一时刻的实时占用带宽预测的可以是两个节点间进行数据包传输的丢包率或者分组接收率。丢包率或者分组接收率能够直观的反映出当前两个节点间的链路质量,通过比较不同链路的无线链路质量预测的结果,可以实现快速的路由切换和资源调度。
在步骤105中:输出所述无线链路质量预测模型预测的下一时刻的所述两个节点间的无线链路质量。
在本公开实施例中,通过获取两个节点在通信过程中产生的多组通信数据,按照数据包的接收时刻,从多组通信数据中抽取多组第一通信数据并排序,再从每组第一通信数据中抽取部分数据,形成3个数据集合,三个数据集合分别对应预测模型中的三个LSTM网络,使得三个LSTM网络可以基于这三个数据集合分别预测出下一时刻的接收信号强度、信噪比和实时占用带宽,最后基于这三个参数确定下一时刻的两个节点间的无线链路质量。在上述过程中,将这些数据划分成三个数据集合,先通过预测模型中的三个LSTM网络分别进行接收信号强度、信噪比和实时占用带宽的预测,然后基于这三个方面进行无线链路质量预测,接收信号强度、信噪比和实时占用带宽属于影响信号质量的三个方面,采用三个数据集合分别进行这三个方面的预测,相比于将这些数据混合在一起输入到一个网络中直接进行无线链路质量,能够保证预测模型对于接收信号强度、信噪比和实时占用带宽的预测精度,进而提高对于无线链路质量预测的精度。同时,在预测接收信号强度时采用的第一数据集合中包括两个节点间的直线距离以及两个节点间高度差的绝对值,就算节点的位置实时变化,该变化也已经属于预测的一部分,融合在了接收信号强度的预测结果中,因此,即使节点的位置实时变化,也不会影响本公开对于无线链路质量的精度,保证了无线链路质量的效果。
图3为本公开一个示意性实施例的无线链路质量预测方法的流程示意图。该方法由前述无线链路质量预测装置执行,如图3所示,该方法可以包括:
步骤201:采用两个节点在通信过程中产生的历史通信数据,进行无线链路质量预测模型训练。
历史通信数据和在实际进行预测时采集的两个节点在通信过程中产生的通信数据相同,也是包括数据包接收时刻、接收信号强度、信噪比、发送缓冲区大小、接收缓冲区大小、实时占用带宽、传输时延、两个节点之间的直线距离和丢包率。
第一步,按照历史通信数据的采集时刻,将所述历史通信数据分为多个所述第一通信数据。每个所述第一通信数据的内容可以参见步骤102。
第二步,基于所述多组通信数据生成第一数据集合、第二数据集合、第三数据集合和第四数据集合,第一数据集合、第二数据集合和第三数据集合中包括t-n+1到t时刻一共n个采集时刻的数据。第一数据集合、第二数据集合、第三数据集合的内容可以参见步骤103。第四数据集合包括接收信号强度、信噪比、实时占用带宽和丢包率,其中丢包率为该数据集合的标签。其中,n可以为10,相邻两个采集时刻相差为1秒。
第三步,分别将所述第一数据集合、第二数据集合、第三数据集合和第四数据集合输入到无线链路质量预测模型中。
也即,将第一数据集合输入到第一LSTM,将第二数据集合输入到第二LSTM,将第三数据集合输入到第三LSTM,将第四数据集合输入到FCN。
第四步,输出第一、第二、第三LSTM以及FCN分别预测的t+1时刻的接收信号强度、信噪比、实时占用带宽和丢包率(或分组接收率)。
第五步,基于预测的t+1时刻的接收信号强度、信噪比、实时占用带宽和丢包率(或分组接收率)和实际t+1时刻的接收信号强度、信噪比、实时占用带宽和丢包率(或分组接收率)之间的误差,对无线链路质量预测模型中各个神经网络的参数进行反馈更新。
由于历史通信数据通常包括大量的数据,因此,可以生成多组数据集合,每组包括前述4个数据集合,通过多组数据集合对该模型进行多轮迭代训练,对该模型的参数进行更新,从而完成上述训练过程。
在该无线链路质量预测模型中,第一LSTM、第二LSTM和第三LSTM均包括四层,分别为输入层、两层隐藏层和输出层,其中三个LSTM中每个隐藏层节点数量均为30个,输入层的节点个数分别为10个,用于输入10个时刻对应的数据组,输出层的节点个数为1个,用于输出标签对应的参数。
FCN包括四层,分别为输入层、第一隐藏层、第二隐藏层和输出层,其中,第一隐藏层的节点数量为10个,第二隐藏层的节点数量为6个,输入层包括3个节点,分别输入所述下一时刻的接收信号强度、所述下一时刻的信噪比和所述下一时刻的实时占用带宽,输出层包括1个节点,输出丢包率(或分组接收率)。该FCN中使用的激活函数为Sigmoid函数。
上述各个网络的层数及节点数量设计,能够使得最终的无线链路质量预测模型在进行初步训练完成、或者在进行初步训练加多次更新后,能够通过模型测试。
步骤202:对训练完成的无线链路质量预测模型进行测试;当测试未通过时,执行步骤203~步骤206,当测试通过时,执行步骤207~步骤213。
在训练时可以从历史通信数据中选出部分作为训练集,训练集经过步骤201中的各个步骤,完成对模型的训练。同时,历史通信数据中的另一部分可以作为测试集,测试集可以同样通过处理生成4个数据集合。将数据集合输入到模型中,比较结果和实际无线链路的参数的差异。差异小于预测阈值记为预测准确,如果准确率高于准确率阈值,表示通过,否则测试没通过。由于几个神经网络是分开训练的,因此,测试通过是指各个神经网络均通过测试。如果任一个未通过测试,则说明该预测模型未通过测试。
步骤203:收集两个节点在通信过程中产生的通信数据。通信数据的内容参见步骤101。
步骤204:当备份的所述通信数据的组数超过阈值时,采用备份的所述多组通信数据对无线链路质量预测模型进行更新。
这里的更新为增量更新,也即使用备份的通信数据对步骤201中训练后的模型继续进行训练,并更新其中的参数。
这里更新时,也可以按照训练时的方式生成几个数据集合,然后分别对其中的各个神经网络进行更新。
步骤205:重复执行对所述无线链路质量预测模型进行测试和更新的过程,直到所述无线链路质量预测模型通过测试,或者更新次数达到设定次数。
示例性地,设定次数为3次。
步骤206:当更新次数达到设定次数后,所述无线链路质量预测模型仍未通过测试,则使用所述历史通信数据和多次更新时备份的多组通信数据,对所述无线链路质量预测模型进行更新。
这里的多次更新时备份的所述多组通信数据是指每次备份的多组通信数据的总和。
这里,使用所述历史通信数据和多次更新时备份的多组通信数据对所述无线链路质量预测模型进行更新,也即对该模型进行全量更新,也即使用所有的训练数据一起进行训练,看能否使得该模型通过测试。
如果更新后的无线链路质量预测模型通过测试,则执行步骤207~步骤213。如果更新后的无线链路质量预测模型仍未通过测试,则停止执行该方法,此时需要由开发人员介入研究解决方案。需要对模型参数进行重新设计和调整。
在步骤207中:采集无线网络中两个节点在通信过程中产生的多组通信数据。通信数据的内容参见步骤101。
在步骤208中:按照所述数据包的接收时刻,从所述多组通信数据中抽取多组第一通信数据并排序。
示例性地,步骤208包括:
第一步,从所述多组通信数据中,以一秒为间隔,依次获取从当前时刻t到t-9共10个时刻的10组通信数据,作为10组所述第一通信数据。
这里,每两个时刻之间的间隔为1秒,因此每10秒会执行一次无线链路质量预测过程。
第二步,确定10组所述第一通信数据中的数据是否有缺失;当存在数据缺失的所述第一通信数据时,执行第三步,否则使用确定出的所述第一通信数据执行后续步骤209。
第三步,判断数据缺失的所述第一通信数据的数量。若存在数据缺失的所述第一通信数据的数量大于5,或者连续3个所述第一通信数据的数据存在缺失,执行第四步;若存在数据缺失的所述第一通信数据的数量小于5且不存在连续3个所述第一通信数据的数据存在缺失,执行第五步。
第四步,停止无线链路质量预测过程;等待下一个周期(例如下一个10秒)再重新收集数据并进行预测。
第五步,对缺失的数据进行填充。
在本公开实施例中,所述对缺失的数据进行填充,包括:
当存在缺失的所述第一通信数据位于10个所述第一通信数据的首尾时,采用存在缺失的所述第一通信数据相邻所述第一通信数据中的数据进行等值填充;当存在缺失的所述第一通信数据位于10个所述第一通信数据的中部时,采用存在缺失的所述第一通信数据两侧所述第一通信数据中的数据的均值填充。
示例性地,例如第1,2个所述第一通信数据缺失或第9,10个所述第一通信数据缺失,则使用等值填充,即使用第3个所述第一通信数据中的数据填充第1,2个所述第一通信数据,或使用第8个所述第一通信数据中的数据填充第9,10个所述第一通信数据;例如第5,6个所述第一通信数据缺失,则使用均值填充,即根据第4,7个所述第一通信数据中的所述第一通信数据的均值填充第5,6个所述第一通信数据。
可选地,在判断是否存在数据缺失之前,该方法还包括:
对10个所述第一通信数据进行数据清洗,例如删除明显错误的数据,例如超过该数据类型的正常范围。在删除后,可以采用上述方式进行填充,从而保证数据完整。
上述示例中均以10个所述第一通信数据为例进行说明,在其他实施例中,所述第一通信数据的个数也可以更多或更少。
上述数据清洗、数据填充的过程属于数据预处理,在模型训练和更新的过程中,也可以对数据进行同样的预处理。
在步骤209中:基于所述多组第一通信数据生成第一数据集合、第二数据集合和第三数据集合。三个数据集合的内容可以参见步骤103。
在步骤210中:分别将所述第一数据集合、第二数据集合和第三数据集合输入到无线链路质量预测模型中。
在步骤211中:输出所述无线链路质量预测模型预测的下一时刻的所述两个节点间的无线链路质量。
在步骤212中:对无线链路质量预测过程中获取到的所述多组通信数据进行备份。
在步骤213中:当备份的所述通信数据的组数超过阈值时,采用备份的所述多组通信数据对无线链路质量预测模型进行更新。
例如,该阈值可以为10000,也即当备份的通信数据的组数达到10000个时,进行模型的增量更新。
在本公开实施例中,模型的训练和更新除了分别对第一LSTM、第二LSTM、第三LSTM和FCN进行训练或更新外,还包括:
在各个单独的神经网络训练或更新满足单个网络的测试需求后,对整个模型进行训练或更新。
其中,各个神经网络单独训练或更新与整个模型的训练或更新,可以采用不同的数据集合进行。
下述为本公开装置实施例,可以用于执行本公开方法实施例。对于本公开装置实施例中未披露的细节,请参照本公开方法实施例。
图4为本公开实施例的无线链路质量预测装置的结构框图。该装置可以实现成为电子设备的全部或一部分。如图4所示,该装置包括:采集模块301、第一处理模块302、第二处理模块303、第三处理模块304和输出模块305。
其中,采集模块301,用于采集无线网络中两个节点在通信过程中产生的多组通信数据,每组所述通信数据包括数据包的接收时刻、所述数据包在接收节点的接收信号强度、所述数据包在接收节点的信噪比、发送节点的发送缓冲区大小、接收节点的接收缓冲区大小、所述数据包所在链路的实时占用带宽、所述数据包传输时延和所述两个节点之间的直线距离;
第一处理模块302,用于按照所述数据包的接收时刻,对所述多组通信数据进行排序;
第二处理模块303,用于基于所述多组通信数据生成第一数据集合、第二数据集合和第三数据集合,所述第一数据集合包括按照所述数据包的接收时刻排列的多个第一数据组,所述第一数据组包括所述数据包的接收时刻、所述数据包在接收节点的接收信号强度、所述数据包传输时延和所述两个节点之间的直线距离,所述第二数据集合包括按照所述数据包的接收时刻排列的多个第二数据组,所述第二数据组包括所述数据包的接收时刻和所述数据包在接收节点的信噪比,所述第三数据集合包括按照所述数据包的接收时刻排列的多个第三数据组,所述第三数据组包括所述数据包的接收时刻、发送节点的发送缓冲区大小、接收节点的接收缓冲区大小、所述数据包所在链路的实时占用带宽;
第三处理模块304,用于分别将所述第一数据集合、第二数据集合和第三数据集合输入到无线链路质量预测模型中,所述无线链路质量预测模型包括第一长短期记忆网络LSTM、第二LSTM、第三LSTM和全连接神经网络FCN,所述第一LSTM、第二LSTM和第三LSTM的输出分别与所述全连接神经网络FCN的输入连接,所述第一LSTM用于基于所述第一数据集合预测下一时刻的接收信号强度,所述第二LSTM用于基于所述第二数据集合预测下一时刻的信噪比,所述第三LSTM用于基于所述第三数据集合预测下一时刻的实时占用带宽,所述FCN基于所述下一时刻的接收信号强度、所述下一时刻的信噪比和所述下一时刻的实时占用带宽预测下一时刻的所述两个节点间的无线链路质量;
输出模块305,用于输出所述无线链路质量预测模型预测的下一时刻的所述两个节点间的无线链路质量。
可选地,该装置还包括:
备份模块306,用于对获取到的所述多组通信数据进行备份;
训练模块307,用于当备份的所述通信数据的组数超过阈值时,采用备份的所述多组通信数据对无线链路质量预测模型进行更新。
需要说明的是:上述实施例提供的无线链路质量预测装置在进行数据查询时,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将设备的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的无线链路质量预测装置与无线链路质量预测方法实施例属于同一构思,其具体实现过程详见方法实施例,这里不再赘述。
本公开实施例还提供了一种电子设备,该电子设备可以集成有前述无线链路质量预测装置。该电子设备可以包括处理器和存储器,所述存储器存储有至少一条程序代码,所述程序代码由所述处理器加载并执行以实现前述方法。
图5是本公开实施例提供的一种电子设备的结构示意图。参见图5,电子设备400包括中央处理单元(Central Processing Unit,CPU)401、包括随机存取存储器(RandomAccess Memory,RAM)402和只读存储器(Read-Only Memory,ROM)403的系统存储器404,以及连接系统存储器404和中央处理单元401的系统总线405。电子设备400还包括帮助计算机内的各个器件之间传输信息的基本输入/输出系统(Input/Output,I/O系统)406,和用于存储操作系统413、应用程序414和其他程序模块415的大容量存储设备407。
大容量存储设备407通过连接到系统总线405的大容量存储控制器(未示出)连接到中央处理单元401。大容量存储设备407及其相关联的计算机可读介质为电子设备400提供非易失性存储。也就是说,大容量存储设备407可以包括诸如硬盘或者CD-ROM驱动器之类的计算机可读介质(未示出)。
不失一般性,计算机可读介质可以包括计算机存储介质和通信介质。计算机存储介质包括以用于存储诸如计算机可读指令、数据结构、程序模块或其他数据等信息的任何方法或技术实现的易失性和非易失性、可移动和不可移动介质。计算机存储介质包括RAM、ROM、可擦除可编程只读存储器(Erasable Programmable Read Only Memory,EPROM)、带电可擦可编程只读存储(Electrically Erasable Programmable read only memory,EEPROM)、闪存或其他固态存储其技术,只读光盘(Compact Disc Read-Only Memory,CD-ROM)、数字通用光盘(Digital Video Disc,DVD)或其他光学存储、磁带盒、磁带、磁盘存储或其他磁性存储设备。当然,本领域技术人员可知计算机存储介质不局限于上述几种。上述的系统存储器404和大容量存储设备407可以统称为存储器。
根据本公开的各种实施例,电子设备400还可以通过诸如因特网等网络连接到网络上的远程计算机运行。也即电子设备400可以通过连接在系统总线405上的网络接口单元411连接到网络412,或者说,也可以使用网络接口单元411来连接到其他类型的网络或远程计算机系统(未示出)。
上述存储器还包括一个或者一个以上的程序,一个或者一个以上程序存储于存储器中,被配置由CPU执行。CPU 401通过执行该一个或一个以上程序来实现前述无线链路质量预测方法。
本领域技术人员可以理解,图5中示出的结构并不构成对电子设备400的限定,可以包括比图示更多或更少的组件,或者组合某些组件,或者采用不同的组件布置。
本公开实施例还提供了一种计算机可读存储介质,该计算机可读存储介质存储有至少一条程序代码,所述程序代码由所述处理器加载并执行以实现如上所述的方法。例如,所述计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
本公开实施例还提供了一种计算机程序产品,该计算机程序产品存储有至少一条程序代码,所述程序代码由所述处理器加载并执行以实现如上所述的方法。
应当理解的是,在本文中提及的“多个”是指两个或两个以上。“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
以上所述,仅为本公开的具体实施方式,但本公开的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本公开揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本公开的保护范围之内。因此,本公开的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种无线链路质量预测方法,其特征在于,所述方法包括:
采集无线网络中两个节点在通信过程中产生的多组通信数据,每组所述通信数据包括数据包的接收时刻、所述数据包在接收节点的接收信号强度、所述数据包在接收节点的信噪比、发送节点的发送缓冲区大小、接收节点的接收缓冲区大小、所述数据包所在链路的实时占用带宽、所述数据包传输时延和所述两个节点之间的直线距离;
按照所述数据包的接收时刻,从所述多组通信数据中抽取多组第一通信数据并排序;
基于所述多组第一通信数据生成第一数据集合、第二数据集合和第三数据集合,所述第一数据集合包括按照所述数据包的接收时刻排列的多个第一数据组,所述第一数据组包括所述数据包的接收时刻、所述数据包在接收节点的接收信号强度、所述数据包传输时延和所述两个节点之间的直线距离,所述第二数据集合包括按照所述数据包的接收时刻排列的多个第二数据组,所述第二数据组包括所述数据包的接收时刻和所述数据包在接收节点的信噪比,所述第三数据集合包括按照所述数据包的接收时刻排列的多个第三数据组,所述第三数据组包括所述数据包的接收时刻、发送节点的发送缓冲区大小、接收节点的接收缓冲区大小、所述数据包所在链路的实时占用带宽;
分别将所述第一数据集合、第二数据集合和第三数据集合输入到无线链路质量预测模型中,所述无线链路质量预测模型包括第一长短期记忆网络LSTM、第二LSTM、第三LSTM和全连接神经网络FCN,所述第一LSTM、第二LSTM和第三LSTM的输出分别与所述全连接神经网络FCN的输入连接,所述第一LSTM用于基于所述第一数据集合预测下一时刻的接收信号强度,所述第二LSTM用于基于所述第二数据集合预测下一时刻的信噪比,所述第三LSTM用于基于所述第三数据集合预测下一时刻的实时占用带宽,所述FCN基于所述下一时刻的接收信号强度、所述下一时刻的信噪比和所述下一时刻的实时占用带宽预测下一时刻的所述两个节点间的无线链路质量;
输出所述无线链路质量预测模型预测的下一时刻的所述两个节点间的无线链路质量。
2.根据权利要求1所述的方法,其特征在于,所述按照所述数据包的接收时刻,从所述多组通信数据中抽取多组第一通信数据并排序,包括:
从所述多组通信数据中,以一秒为间隔,依次获取从当前时刻t到t-9共10个时刻的10组通信数据,作为10组所述第一通信数据;
确定10组所述第一通信数据中的数据是否有缺失;
当存在数据缺失的所述第一通信数据时,判断数据缺失的所述第一通信数据的数量;
若存在数据缺失的所述第一通信数据的数量大于5,或者连续3个所述第一通信数据的数据存在缺失,停止无线链路质量预测过程;
若存在数据缺失的所述第一通信数据的数量小于5且不存在连续3个所述第一通信数据的数据存在缺失,对缺失的数据进行填充。
3.根据权利要求2所述的方法,其特征在于,所述对缺失的数据进行填充,包括:
当存在缺失的所述第一通信数据位于10个所述第一通信数据的首尾时,采用存在缺失的所述第一通信数据相邻所述第一通信数据中的数据进行等值填充;
当存在缺失的所述第一通信数据位于10个所述第一通信数据的中部时,采用存在缺失的所述第一通信数据两侧所述第一通信数据中的数据的均值填充。
4.根据权利要求1至3任一项所述的方法,其特征在于,所述方法还包括:
对获取到的所述多组通信数据进行备份;
当备份的所述通信数据的组数超过阈值时,采用备份的所述多组通信数据对无线链路质量预测模型进行更新。
5.根据权利要求1至3任一项所述的方法,其特征在于,所述方法还包括:
采用两个节点在通信过程中产生的历史通信数据,进行无线链路质量预测模型训练;
对训练完成的无线链路质量预测模型进行测试;
当测试未通过时,收集两个节点在通信过程中产生的通信数据;
当备份的所述通信数据的组数超过阈值时,采用备份的所述多组通信数据对无线链路质量预测模型进行更新;
重复执行对所述无线链路质量预测模型进行测试和更新的过程,直到所述无线链路质量预测模型通过测试,或者更新次数达到设定次数。
6.根据权利要求5所述的方法,其特征在于,所述方法还包括:
当更新次数达到设定次数后,所述无线链路质量预测模型仍未通过测试,则使用所述历史通信数据和多次更新时备份的所述多组通信数据,对所述无线链路质量预测模型进行更新。
7.一种无线链路质量预测装置,其特征在于,所述装置包括:
采集模块,用于采集无线网络中两个节点在通信过程中产生的多组通信数据,每组所述通信数据包括数据包的接收时刻、所述数据包在接收节点的接收信号强度、所述数据包在接收节点的信噪比、发送节点的发送缓冲区大小、接收节点的接收缓冲区大小、所述数据包所在链路的实时占用带宽、所述数据包传输时延和所述两个节点之间的直线距离;
第一处理模块,用于按照所述数据包的接收时刻,从所述多组通信数据中抽取多组第一通信数据并排序;
第二处理模块,用于基于所述多组通信数据生成第一数据集合、第二数据集合和第三数据集合,所述第一数据集合包括按照所述数据包的接收时刻排列的多个第一数据组,所述第一数据组包括所述数据包的接收时刻、所述数据包在接收节点的接收信号强度、所述数据包传输时延和所述两个节点之间的直线距离,所述第二数据集合包括按照所述数据包的接收时刻排列的多个第二数据组,所述第二数据组包括所述数据包的接收时刻和所述数据包在接收节点的信噪比,所述第三数据集合包括按照所述数据包的接收时刻排列的多个第三数据组,所述第三数据组包括所述数据包的接收时刻、发送节点的发送缓冲区大小、接收节点的接收缓冲区大小、所述数据包所在链路的实时占用带宽;
第三处理模块,用于分别将所述第一数据集合、第二数据集合和第三数据集合输入到无线链路质量预测模型中,所述无线链路质量预测模型包括第一长短期记忆网络LSTM、第二LSTM、第三LSTM和全连接神经网络FCN,所述第一LSTM、第二LSTM和第三LSTM的输出分别与所述全连接神经网络FCN的输入连接,所述第一LSTM用于基于所述第一数据集合预测下一时刻的接收信号强度,所述第二LSTM用于基于所述第二数据集合预测下一时刻的信噪比,所述第三LSTM用于基于所述第三数据集合预测下一时刻的实时占用带宽,所述FCN基于所述下一时刻的接收信号强度、所述下一时刻的信噪比和所述下一时刻的实时占用带宽预测下一时刻的所述两个节点间的无线链路质量;
输出模块,用于输出所述无线链路质量预测模型预测的下一时刻的所述两个节点间的无线链路质量。
8.根据权利要求7所述的装置,其特征在于,所述装置还包括:
备份模块,用于对获取到的所述多组通信数据进行备份;
训练模块,用于当备份的所述通信数据的组数超过阈值时,采用备份的所述多组通信数据对无线链路质量预测模型进行更新。
9.一种电子设备,其特征在于,所述电子设备包括处理器和存储器,所述存储器存储有至少一条程序代码,所述程序代码由所述处理器加载并执行以实现如权利要求1至6任一项所述的方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有至少一条程序代码,所述程序代码由处理器加载并执行以实现如权利要求1至6任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011537208.9A CN112637891B (zh) | 2020-12-23 | 2020-12-23 | 无线链路质量预测方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011537208.9A CN112637891B (zh) | 2020-12-23 | 2020-12-23 | 无线链路质量预测方法、装置、电子设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112637891A CN112637891A (zh) | 2021-04-09 |
CN112637891B true CN112637891B (zh) | 2022-08-05 |
Family
ID=75321759
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011537208.9A Active CN112637891B (zh) | 2020-12-23 | 2020-12-23 | 无线链路质量预测方法、装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112637891B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR3127351A1 (fr) * | 2021-09-23 | 2023-03-24 | Thales | Procédé de prédiction de la qualité de service d'un réseau de communication, produit programme d'ordinateur et dispositif électronique de prédiction associés |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109787699A (zh) * | 2018-10-18 | 2019-05-21 | 国网江苏省电力有限公司信息通信分公司 | 一种基于混合深度模型的无线传感器网络路由链路状态预测方法 |
CN111147163A (zh) * | 2019-12-17 | 2020-05-12 | 南京航空航天大学 | 一种基于dnn神经网络的无线通信链路损耗预测方法 |
CN111182564A (zh) * | 2019-12-26 | 2020-05-19 | 合肥工业大学 | 一种基于lstm神经网络的无线链路质量预测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1631916A1 (en) * | 2003-06-06 | 2006-03-08 | Meshnetworks, Inc. | A method to provide a measure of link reliability to a routing protocol in an ad hoc wireless network |
-
2020
- 2020-12-23 CN CN202011537208.9A patent/CN112637891B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109787699A (zh) * | 2018-10-18 | 2019-05-21 | 国网江苏省电力有限公司信息通信分公司 | 一种基于混合深度模型的无线传感器网络路由链路状态预测方法 |
CN111147163A (zh) * | 2019-12-17 | 2020-05-12 | 南京航空航天大学 | 一种基于dnn神经网络的无线通信链路损耗预测方法 |
CN111182564A (zh) * | 2019-12-26 | 2020-05-19 | 合肥工业大学 | 一种基于lstm神经网络的无线链路质量预测方法 |
Non-Patent Citations (3)
Title |
---|
基于LSTM-Prophet非线性组合的时间序列预测模型;赵英等;《计算机与现代化》;20200915(第09期);全文 * |
基于神经网络结构化组合的下行链路SINR预测;刘松林等;《遥测遥控》;20180715(第04期);全文 * |
基于高斯过程回归的链路质量预测模型;舒坚等;《通信学报》;20180725(第07期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112637891A (zh) | 2021-04-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110168578B (zh) | 具有任务特定路径的多任务神经网络 | |
CN111612153A (zh) | 训练模型的方法和装置 | |
CN112637891B (zh) | 无线链路质量预测方法、装置、电子设备和存储介质 | |
CN111723910A (zh) | 构建多任务学习模型的方法、装置、电子设备及存储介质 | |
CN113869521A (zh) | 构建预测模型的方法、装置、计算设备和存储介质 | |
Yang et al. | Deep reinforcement learning based wireless network optimization: A comparative study | |
WO2018228672A1 (en) | A method, an apparatus and a system for detecting alarm data | |
CN112181659A (zh) | 云仿真内存资源预测模型构建方法与内存资源预测方法 | |
Theodoropoulos et al. | Intelligent proactive fault tolerance at the edge through resource usage prediction | |
Shayesteh et al. | Automated concept drift handling for fault prediction in edge clouds using reinforcement learning | |
Qadeer et al. | Deep-Deterministic Policy Gradient Based Multi-Resource Allocation in Edge-Cloud System: A Distributed Approach | |
CN104092503A (zh) | 一种基于狼群优化的人工神经网络频谱感知方法 | |
CN111935005B (zh) | 数据传输方法、装置、处理设备及介质 | |
CN112382081A (zh) | 一种基于多任务的交通流量预测方法 | |
CN106406082B (zh) | 一种系统控制方法、装置,控制器及控制系统 | |
CN111475496A (zh) | 基于多条件约束的时间序列数据生成方法、装置及介质 | |
CN115965163A (zh) | 基于时空图生成对抗损失的轨道交通短时客流预测方法 | |
CN116367190A (zh) | 一种面向6g移动网络的数字孪生功能虚拟化方法 | |
CN112423324B (zh) | 无线智能决策通信方法、装置和系统 | |
CN112636976B (zh) | 业务质量确定方法、装置、电子设备和存储介质 | |
CN115293367A (zh) | 小样本非平衡数据约束下调度模型的混合联邦学习方法 | |
Wang | A dynamic fault tree approach for time-dependent logical modeling of autonomous flight systems | |
CN113535365A (zh) | 基于强化学习的深度学习训练作业资源放置系统及方法 | |
CN112926952A (zh) | 结合云计算的大数据办公业务处理方法及大数据服务器 | |
McElholm et al. | Bio-inspired online fault detection in noc interconnect |
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 |