CN114143812A - 基于5g的网络资源优化方法、系统、装置及存储介质 - Google Patents
基于5g的网络资源优化方法、系统、装置及存储介质 Download PDFInfo
- Publication number
- CN114143812A CN114143812A CN202111461875.8A CN202111461875A CN114143812A CN 114143812 A CN114143812 A CN 114143812A CN 202111461875 A CN202111461875 A CN 202111461875A CN 114143812 A CN114143812 A CN 114143812A
- Authority
- CN
- China
- Prior art keywords
- network resource
- resource access
- network
- mobile terminal
- linear model
- 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
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000005457 optimization Methods 0.000 title claims abstract description 23
- 238000012549 training Methods 0.000 claims abstract description 39
- 238000012360 testing method Methods 0.000 claims abstract description 22
- 230000006870 function Effects 0.000 claims description 30
- 238000012423 maintenance Methods 0.000 claims description 12
- 238000007405 data analysis Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 abstract description 3
- 230000000903 blocking effect Effects 0.000 description 7
- 238000004590 computer program Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
Images
Classifications
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W72/00—Local resource management
- H04W72/50—Allocation or scheduling criteria for wireless resources
- H04W72/53—Allocation or scheduling criteria for wireless resources based on regulatory allocation policies
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W72/00—Local resource management
- H04W72/50—Allocation or scheduling criteria for wireless resources
- H04W72/54—Allocation or scheduling criteria for wireless resources based on quality criteria
- H04W72/542—Allocation or scheduling criteria for wireless resources based on quality criteria using measured or perceived quality
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Quality & Reliability (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种基于5G的网络资源优化方法、系统、装置及存储介质，包括：获取移动终端的当前网络资源访问时间；将当前网络资源访问时间输入到训练好的广义线性模型得到预测卡顿时长；根据预测卡顿时长及网络资源总量分配移动终端的网络资源；广义线性模型经过以下训练得到：获取移动终端在过去预设时间段内的网络资源访问信息及对应的卡顿时长作为样本数据；将样本数据分为训练集和测试集，用训练集训练广义线性模型并用测试集测试广义线性模型；当广义线性模型的预测准确率达到预设值，结束训练。本发明实施例可以根据预测卡顿时长及网络资源总量分配移动终端的网络资源，减少卡顿现象，提高用户体验，可广泛应用于卫星通信技术领域。
Description
技术领域
本发明涉及卫星通信技术领域，尤其涉及一种基于5G的网络资源优化方法、系统、装置及存储介质。
背景技术
目前，随着5G技术的日益成熟，中国5G发展稳步前进。由于5G的高性能、低延迟和高容量等突出特点，5G技术开启了互联网时代万物互联的新时代，融入了人工智能、大数据等多项技术。但是作为陆地移动系统，还是有一定的局限性。陆地移动通信服务由于经济和技术的限制，有很多区域都没有覆盖到，比如海洋、森林、沙漠等偏远地区船舶、飞机、科考的宽带通信问题。卫星网络可以解决这些陆地移动服务覆盖不到的区域，成为陆地移动通信的有利补充，所以5G和卫星网络的结合可以大大的提升网络覆盖范围。
然而，当移动终端通过陆地移动网络及卫星网络访问网络资源时，如果随机分配网络资源，移动终端可能在短时间内多次出现卡顿现象，影响用户体验。
发明内容
有鉴于此，本发明实施例的目的是提供一种基于5G的网络资源优化方法、系统、装置及存储介质，可以根据预测卡顿时长及网络资源总量分配移动终端的网络资源，减少卡顿现象，提高用户体验。
第一方面，本发明实施例提供了一种基于5G的网络资源优化方法，包括：
获取移动终端的当前网络资源访问时间；
将所述当前网络资源访问时间输入到训练好的广义线性模型得到预测卡顿时长；
根据所述预测卡顿时长及网络资源总量分配所述移动终端的网络资源；
所述广义线性模型经过以下训练得到：
获取所述移动终端在过去预设时间段内的网络资源访问信息及对应的卡顿时长作为样本数据；所述网络资源访问信息包括网络资源访问类型及网络资源访问时间；
将所述样本数据分为训练集和测试集，用所述训练集训练所述广义线性模型并用所述测试集测试所述广义线性模型；
当所述广义线性模型的预测准确率达到预设值，结束训练。
可选地，所述方法还包括：
对所述网络资源访问信息进行预处理，所述预处理包括特征提取和过滤。
可选地，所述网络资源访问类型包括流媒体业务和浏览类业务，所述方法还包括：
分别对所述流媒体业务和所述浏览类业务进行聚类。
可选地，通过调整L1及L2正则参数以调节所述广义线性模型。
可选地，所述网络资源访问时间通过以下方式采集：
选取所述过去预设时间段的起点及时间间隔；
通过所述起点及所述时间间隔确定网络资源访问时间。
可选地，所述根据所述预测卡顿时长及网络资源总量分配所述移动终端的网络资源，具体包括：
根据每个移动终端的预测卡顿时长确定总预测卡顿时长；
根据每个移动终端的预测卡顿时长及总预测卡顿时长确定每个移动终端的预测卡顿系数；
根据每个移动终端的预测卡顿系数及网络资源总量确定每个移动终端的网络资源。
第二方面，本发明实施例提供了一种基于5G的网络资源优化系统，包括：
获取模块，用于获取移动终端的当前网络资源访问时间；
预测模块，用于将所述当前网络资源访问时间输入到训练好的广义线性模型得到预测卡顿时长；
优化模块，用于根据所述预测卡顿时长及网络资源总量分配所述移动终端的网络资源；
所述广义线性模型经过以下训练得到：
获取所述移动终端在过去预设时间段内的网络资源访问信息及对应的卡顿时长作为样本数据；所述网络资源访问信息包括网络资源访问类型及网络资源访问时间；
将所述样本数据分为训练集和测试集，用所述训练集训练所述广义线性模型并用所述测试集测试所述广义线性模型；
当所述广义线性模型的预测准确率达到预设值，结束训练。
第三方面，本发明实施例提供了一种基于5G的网络资源优化装置，包括：
至少一个处理器；
至少一个存储器，用于存储至少一个程序；
当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现上述的方法。
第四方面，本发明实施例提供了一种存储介质，其中存储有处理器可执行的程序，所述处理器可执行的程序在由处理器执行时用于执行上述的方法。
第五方面，本发明实施例提供了一种基于5G的网络资源优化系统，包括网络数据分析功能网元、操作维护管理网元、会话管理功能网元、用户面功能网元及应用层功能网元；其中，
所述用户面功能网元，用于收集用户终端的网络资源访问信息；
所述会话管理功能网元，用于从所述用户面功能网元获取所述网络资源访问信息并将所述网络资源访问信息发送给所述操作维护管理网元；
所述操作维护管理网元，用于接收并存储所述网络资源访问信息；
所述应用层功能网元，用于获取所述用户终端的卡顿时长；
所述网络数据分析功能网元，用于从所述操作维护管理网元获取过去预设时间段内的网络资源访问信息及从所述应用层功能网元获取卡顿时长，并用于实现上述的方法。
实施本发明实施例包括以下有益效果：本发明实施例首先根据过去预设时间段内的网络资源访问信息及对应的卡顿时长训练广义线性模型，其中，网络资源访问信息包括网络资源访问类型及网络资源访问时间；然后将当前网络资源访问时间输入到训练好的广义线性模型得到预测卡顿时长，并根据预测卡顿时长及网络资源总量分配移动终端的网络资源；从而实现根据预测卡顿时长及网络资源总量分配移动终端的网络资源，减少卡顿现象，提高用户体验。
附图说明
图1是本发明实施例提供的一种基于5G的网络资源优化系统的结构框图；
图2是本发明实施例提供的一种基于5G的网络资源优化方法的步骤流程示意图；
图3是本发明实施例提供的一种基于5G的网络资源优化系统的另一种结构框图；
图4是本发明实施例提供的一种基于5G的网络资源优化装置的结构框图。
具体实施方式
下面结合附图和具体实施例对本发明做进一步的详细说明。对于以下实施例中的步骤编号，其仅为了便于阐述说明而设置，对步骤之间的顺序不做任何限定，实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
移动终端连接互联网的过程如下：移动终端通过无线空口连接到基站，基站转发信息到核心网，信息经过核心网后到达数据网络，从而接入互联网。
如图1所示，本发明实施例提供了一种基于5G的网络资源优化系统，包括网络数据分析功能(NWDAF，Network Data Analytics Function)网元、操作维护管理(OAM，Operation Administration and Maintenance)网元、会话管理功能(SMF，SessionManagement Function)网元、用户面功能(UPF，User Plane Function)网元及应用层功能(AF，Application Function)网元；其中，
所述用户面功能(UPF)网元，用于收集用户终端的网络资源访问信息；所述网络资源访问信息包括网络资源访问类型及网络资源访问时间；
所述会话管理功能(SMF)网元，用于从所述用户面功能网元获取所述网络资源访问信息并将所述网络资源访问信息发送给所述操作维护管理网元；
所述操作维护管理(OAM)网元，用于接收并存储所述网络资源访问信息；
所述应用层功能(AF)网元，用于获取所述用户终端的卡顿时长；
所述网络数据分析功能(NWDAF)网元，用于从所述操作维护管理网元获取过去预设时间段内的网络资源访问信息及从所述应用层功能网元获取卡顿时长，并用于实现广义线性模型的训练和预测用户终端的卡顿时长。
需要说明的是，用户终端的网络资源访问信息包括用户终端ID、IP、访问时间、流媒体业务时长及浏览类业务时长等。
如图2所示，本发明实施例提供了一种基于5G的网络资源优化方法，包括：
S100、获取移动终端的当前网络资源访问时间；
S200、将所述当前网络资源访问时间输入到训练好的广义线性模型得到预测卡顿时长；
S300、根据所述预测卡顿时长及网络资源总量分配所述移动终端的网络资源；
所述广义线性模型经过以下训练得到：
获取所述移动终端在过去预设时间段内的网络资源访问信息及对应的卡顿时长作为样本数据；所述网络资源访问信息包括网络资源访问类型及网络资源访问时间；
将所述样本数据分为训练集和测试集，用所述训练集训练所述广义线性模型并用所述测试集测试所述广义线性模型；
当所述广义线性模型的预测准确率达到预设值，结束训练。
需要说明的是，网络资源访问时间的精度可根据具体实施例设置，本发明实施例不做具体限制，本实施例中的时间精度为秒。
本领域技术人员可以理解的是，样本数据中训练集和测试集的比例根据实际情况确定，并实施例不做具体限制。
需要说明的是，预测准确率的预设值根据实际情况确定，并实施例不做具体限制，本实施例中预测准确率的预设值为80％。
本领域技术人员可以理解的是，过去预设时间段的具体时间长度根据实际情况确定，并实施例不做具体限制，本实施例中过去预设时间段设置为过去10天。
具体地，广义线性模型是线性模型的扩展，通过联结函数建立响应变量的数学期望值与线性组合的预测变量之间的关系；广义线性模型包括线性回归和逻辑回归。一般情况下，首先把符合指数分布的一般模型的参数转换成对应的广义线性模型参数，然后按照广义线性模型的求解步骤即可求解问题。
实施本发明实施例包括以下有益效果：本发明实施例首先根据过去预设时间段内的网络资源访问信息及对应的卡顿时长训练广义线性模型，其中，网络资源访问信息包括网络资源访问类型及网络资源访问时间；然后将当前网络资源访问时间输入到训练好的广义线性模型得到预测卡顿时长，并根据预测卡顿时长及网络资源总量分配移动终端的网络资源；从而实现根据预测卡顿时长及网络资源总量分配移动终端的网络资源，减少卡顿现象，提高用户体验。
可选地，所述网络资源访问时间通过以下方式采集：
S011、选取所述过去预设时间段的起点及时间间隔；
S012、通过所述起点及所述时间间隔确定网络资源访问时间。
具体地，所述网络资源访问信息如表一所示，如过去预设时间段设置为10天，时间间隔设置为10分钟，过去预设时间段的起点为以过去10天的第一天的开始作为起点，如今天是20211030，那么过去10天指的是20211020-20211029，而时间起点是20211020-00:00:00。那么第1个时间间隔指的是<20211020-00:00:00，20211020-00:10:00>。
表一
可选地，所述方法还包括：
S010、对所述网络资源访问信息进行预处理，所述预处理包括特征提取和过滤。
需要说明的是，从DFP获取的网络资源访问信息数据是json数据，需要从json里读取出数据，然后对读取出的数据进行特征提取以提取感兴趣的数据，并对感兴趣的数据去除空值及重复值等以过滤数据。经过处理后的数据训练的广义线性模型更准确。
可选地，所述网络资源访问类型包括流媒体业务和浏览类业务，所述方法还包括：
S020、分别对所述流媒体业务和所述浏览类业务进行聚类。
表二
具体地，如流媒体业务时长包括20min、18min、10min、8min、3min及2min，可以将20min及18min聚类为流媒体业务1，将10min及8min聚类为流媒体业务2，将3min及2min聚类为流媒体业务3。同理，浏览类业务可以采用类似的方法进行聚类。分别对流媒体业务和浏览类业务进行聚类，可以减少计算的数据量。
S030、通过调整L1及L2正则参数以调节所述广义线性模型。
具体地，通过调整L1及L2正则参数以调节惩罚项，减少欠拟合或过拟合现象，提高广义线性模型的准确性。
可选地，所述根据所述预测卡顿时长及网络资源总量分配所述移动终端的网络资源，具体包括：
S310、根据每个移动终端的预测卡顿时长确定总预测卡顿时长；
S320、根据每个移动终端的预测卡顿时长及总预测卡顿时长确定每个移动终端的预测卡顿系数；
S330、根据每个移动终端的预测卡顿系数及网络资源总量确定每个移动终端的网络资源。
具体地，如n个用户终端共用的网络资源总量为S，编号1-n用户终端的预测卡顿时长分别为T1、T2、T3...Tn，则移动终端的网络资源的计算公式如下：
T＝T1+T2+T3...+Tn
Pi＝Ti/T
Wi＝Pi*S
其中，T表示总预测卡顿时长，Pi表示第i个移动终端的预测卡顿系数，Wi表示第i个移动终端分配的网络资源。由此可知，用户终端的预测卡顿时间越长，分配的网络资源越大，从而提高各用户终端的使用体验。
如图3所示，本发明实施例提供了一种基于5G的网络资源优化系统，包括：
获取模块，用于获取移动终端的当前网络资源访问时间；
预测模块，用于将所述当前网络资源访问时间输入到训练好的广义线性模型得到预测卡顿时长；
优化模块，用于根据所述预测卡顿时长及网络资源总量分配所述移动终端的网络资源；
所述广义线性模型经过以下训练得到：
获取所述移动终端在过去预设时间段内的网络资源访问信息及对应的卡顿时长作为样本数据；所述网络资源访问信息包括网络资源访问类型及网络资源访问时间；
将所述样本数据分为训练集和测试集，用所述训练集训练所述广义线性模型并用所述测试集测试所述广义线性模型；
当所述广义线性模型的预测准确率达到预设值，结束训练。
可见，上述方法实施例中的内容均适用于本系统实施例中，本系统实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
如图4所示，本发明实施例提供了一种基于5G的网络资源优化装置，包括：
至少一个处理器；
至少一个存储器，用于存储至少一个程序；
当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现上述的方法。
可见，上述方法实施例中的内容均适用于本装置实施例中，本装置实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
此外，本申请实施例还公开了一种计算机程序产品或计算机程序，计算机程序产品或计算机程序存储在计算机可读存介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机程序，处理器执行该计算机程序，使得该计算机设备执行上述的方法。同样地，上述方法实施例中的内容均适用于本存储介质实施例中，本存储介质实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
以上是对本发明的较佳实施进行了具体说明，但本发明创造并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。
Claims (10)
1.一种基于5G的网络资源优化方法，其特征在于，包括：
获取移动终端的当前网络资源访问时间；
将所述当前网络资源访问时间输入到训练好的广义线性模型得到预测卡顿时长；
根据所述预测卡顿时长及网络资源总量分配所述移动终端的网络资源；
所述广义线性模型经过以下训练得到：
获取所述移动终端在过去预设时间段内的网络资源访问信息及对应的卡顿时长作为样本数据；所述网络资源访问信息包括网络资源访问类型及网络资源访问时间；
将所述样本数据分为训练集和测试集，用所述训练集训练所述广义线性模型并用所述测试集测试所述广义线性模型；
当所述广义线性模型的预测准确率达到预设值，结束训练。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
对所述网络资源访问信息进行预处理，所述预处理包括特征提取和过滤。
3.根据权利要求1所述的方法，其特征在于，所述网络资源访问类型包括流媒体业务和浏览类业务，所述方法还包括：
分别对所述流媒体业务和所述浏览类业务进行聚类。
4.根据权利要求1所述的方法，其特征在于，通过调整L1及L2正则参数以调节所述广义线性模型。
5.根据权利要求1所述的方法，其特征在于，所述网络资源访问时间通过以下方式采集：
选取所述过去预设时间段的起点及时间间隔；
通过所述起点及所述时间间隔确定网络资源访问时间。
6.根据权利要求1-4任一项所述的方法，其特征在于，所述根据所述预测卡顿时长及网络资源总量分配所述移动终端的网络资源，具体包括：
根据每个移动终端的预测卡顿时长确定总预测卡顿时长；
根据每个移动终端的预测卡顿时长及总预测卡顿时长确定每个移动终端的预测卡顿系数；
根据每个移动终端的预测卡顿系数及网络资源总量确定每个移动终端的网络资源。
7.一种基于5G的网络资源优化系统，其特征在于，包括：
获取模块，用于获取移动终端的当前网络资源访问时间；
预测模块，用于将所述当前网络资源访问时间输入到训练好的广义线性模型得到预测卡顿时长；
优化模块，用于根据所述预测卡顿时长及网络资源总量分配所述移动终端的网络资源；
所述广义线性模型经过以下训练得到：
获取所述移动终端在过去预设时间段内的网络资源访问信息及对应的卡顿时长作为样本数据；所述网络资源访问信息包括网络资源访问类型及网络资源访问时间；
将所述样本数据分为训练集和测试集，用所述训练集训练所述广义线性模型并用所述测试集测试所述广义线性模型；
当所述广义线性模型的预测准确率达到预设值，结束训练。
8.一种基于5G的网络资源优化装置，其特征在于，包括：
至少一个处理器；
至少一个存储器，用于存储至少一个程序；
当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现如权利要求1-6任一项所述的方法。
9.一种存储介质，其中存储有处理器可执行的程序，其特征在于，所述处理器可执行的程序在由处理器执行时用于执行如权利要求1-6任一项所述的方法。
10.一种基于5G的网络资源优化系统，其特征在于，包括网络数据分析功能网元、操作维护管理网元、会话管理功能网元、用户面功能网元及应用层功能网元；其中，
所述用户面功能网元，用于收集用户终端的网络资源访问信息；
所述会话管理功能网元，用于从所述用户面功能网元获取所述网络资源访问信息并将所述网络资源访问信息发送给所述操作维护管理网元；
所述操作维护管理网元，用于接收并存储所述网络资源访问信息；
所述应用层功能网元，用于获取所述用户终端的卡顿时长；
所述网络数据分析功能网元，用于从所述操作维护管理网元获取过去预设时间段内的网络资源访问信息及从所述应用层功能网元获取卡顿时长，并用于实现如权利要求1-6任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111461875.8A CN114143812B (zh) | 2021-12-02 | 2021-12-02 | 基于5g的网络资源优化方法、系统、装置及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111461875.8A CN114143812B (zh) | 2021-12-02 | 2021-12-02 | 基于5g的网络资源优化方法、系统、装置及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114143812A true CN114143812A (zh) | 2022-03-04 |
| CN114143812B CN114143812B (zh) | 2022-10-11 |
Family
ID=80387258
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111461875.8A Active CN114143812B (zh) | 2021-12-02 | 2021-12-02 | 基于5g的网络资源优化方法、系统、装置及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114143812B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1849002A (zh) * | 2005-05-19 | 2006-10-18 | 华为技术有限公司 | 公共信道带宽的调整方法 |
| CN103338467A (zh) * | 2013-07-10 | 2013-10-02 | 南京邮电大学 | 无线网络中基于pst的用户行为学习方法 |
| CN107547746A (zh) * | 2017-08-31 | 2018-01-05 | 广东欧珀移动通信有限公司 | 资源配置方法及相关产品 |
| CN107730044A (zh) * | 2017-10-20 | 2018-02-23 | 燕山大学 | 一种可再生能源发电和负荷的混合预测方法 |
| CN111158546A (zh) * | 2019-12-27 | 2020-05-15 | 北京奇艺世纪科技有限公司 | 媒体信息的展示方法和装置、存储介质、电子装置 |
| CN113038187A (zh) * | 2021-02-28 | 2021-06-25 | 中南大学 | 一种视频体验质量公平的实用网络带宽分配方法 |
-
2021
- 2021-12-02 CN CN202111461875.8A patent/CN114143812B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1849002A (zh) * | 2005-05-19 | 2006-10-18 | 华为技术有限公司 | 公共信道带宽的调整方法 |
| CN103338467A (zh) * | 2013-07-10 | 2013-10-02 | 南京邮电大学 | 无线网络中基于pst的用户行为学习方法 |
| CN107547746A (zh) * | 2017-08-31 | 2018-01-05 | 广东欧珀移动通信有限公司 | 资源配置方法及相关产品 |
| CN107730044A (zh) * | 2017-10-20 | 2018-02-23 | 燕山大学 | 一种可再生能源发电和负荷的混合预测方法 |
| CN111158546A (zh) * | 2019-12-27 | 2020-05-15 | 北京奇艺世纪科技有限公司 | 媒体信息的展示方法和装置、存储介质、电子装置 |
| CN113038187A (zh) * | 2021-02-28 | 2021-06-25 | 中南大学 | 一种视频体验质量公平的实用网络带宽分配方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114143812B (zh) | 2022-10-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107359948B (zh) | 一种认知无线网络的频谱预测方法、装置及计算机可读存储介质 | |
| CN104424235A (zh) | 实现用户信息聚类的方法和装置 | |
| CN106850106A (zh) | 基于移动群智感知的无线电环境地图数据收集系统及方法 | |
| CN113256022A (zh) | 一种台区用电负荷预测方法及系统 | |
| CN114070791B (zh) | 数据流量的限速处理方法及装置 | |
| CN111143639B (zh) | 用户亲密度计算方法、装置、设备及介质 | |
| CN103209102A (zh) | Web服务质量的分布式测量系统和方法 | |
| CN112486676B (zh) | 一种基于边缘计算的数据共享分发装置 | |
| CN109995549B (zh) | 一种评估流量价值的方法及装置 | |
| Di Mauro et al. | Hybrid learning strategies for multivariate time series forecasting of network quality metrics | |
| CN111092764A (zh) | 一种实时动态亲密度关系分析方法及系统 | |
| CN114143812B (zh) | 基于5g的网络资源优化方法、系统、装置及存储介质 | |
| CN109951358A (zh) | 数据网流量预测方法 | |
| CN118175037A (zh) | 一种算网融合编排实时分析进行预测和决策的方法及装置 | |
| CN104580127A (zh) | 业务处理方法、服务器及客户端 | |
| CN113867966A (zh) | 一种混合云模式的云资源调度方法 | |
| CN111754050B (zh) | 配送对象配送画像的预测方法及装置 | |
| CN111368858B (zh) | 用户满意度评估方法及装置 | |
| CN108770014B (zh) | 网络服务器的计算评估方法、系统、装置及可读存储介质 | |
| CN107193749A (zh) | 测试方法、装置及设备 | |
| CN113630786B (zh) | 网络数据流量预测方法、装置、计算设备及存储介质 | |
| CN111159544B (zh) | 基于用户偏好的天基信息服务需求处理系统、方法及介质 | |
| CN107493328A (zh) | 一种基于特征融合的合作缓存方法 | |
| CN114124198B (zh) | 基于5g的卫星接入方法、系统、装置及存储介质 | |
| CN113315673A (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 |
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 | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240717 Address after: Room 902, Building B3, Creative Building, No. 162 Science Avenue, Science City, Huangpu District, Guangzhou City, Guangdong Province 510663 Patentee after: Guangzhou Aipu Road Network Technology Co.,Ltd. Country or region after: China Address before: 402-1 and 402-2, floor 4, block D, No. 9, Shangdi Third Street, Haidian District, Beijing 100085 Patentee before: Aipu road network technology (Beijing) Co.,Ltd. Country or region before: China |