CN114641030B - 基于fttr的家庭用户热点区域识别方法、系统、设备及介质 - Google Patents

基于fttr的家庭用户热点区域识别方法、系统、设备及介质 Download PDF

Info

Publication number
CN114641030B
CN114641030B CN202210537873.0A CN202210537873A CN114641030B CN 114641030 B CN114641030 B CN 114641030B CN 202210537873 A CN202210537873 A CN 202210537873A CN 114641030 B CN114641030 B CN 114641030B
Authority
CN
China
Prior art keywords
user
grid
access point
fttr
optimal access
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
CN202210537873.0A
Other languages
English (en)
Other versions
CN114641030A (zh
Inventor
张靖
龙智丰
王焱原
吴莉
刘静
葛晓虎
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.)
Huazhong University of Science and Technology
Fiberhome Telecommunication Technologies Co Ltd
Original Assignee
Huazhong University of Science and Technology
Fiberhome Telecommunication Technologies Co Ltd
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 Huazhong University of Science and Technology, Fiberhome Telecommunication Technologies Co Ltd filed Critical Huazhong University of Science and Technology
Priority to CN202210537873.0A priority Critical patent/CN114641030B/zh
Publication of CN114641030A publication Critical patent/CN114641030A/zh
Application granted granted Critical
Publication of CN114641030B publication Critical patent/CN114641030B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06N3/08—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
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/021—Services related to particular areas, e.g. point of interest [POI] services, venue services or geofences
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W88/00—Devices specially adapted for wireless communication networks, e.g. terminals, base stations or access point devices
    • H04W88/08—Access point devices

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical 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)
  • Quality & Reliability (AREA)
  • Electromagnetism (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明公开了一种基于FTTR的家庭用户热点区域识别方法、系统、设备及介质，属于无线通信领域，方法包括：将用户的家庭移动区域划分为多个网格；每隔预设时间间隔，根据多个接入点接收到的接收信号强度指示确定用户当前所处的第一网格，每两个预设时间间隔之间，预测预设时间间隔之后用户所处的第二网格；当第一网格、第二网格分别对应不同的最优接入点时，将第一网格对应最优接入点中的识别模型传递给第二网格对应最优接入点，使得第二网格对应最优接入点训练识别模型；预设时间间隔之后，若用户接入第二网格对应最优接入点，第二网格对应最优接入点利用其训练后的识别模型识别用户的热点区域。提高识别效率以及网络服务性能。

Description

基于FTTR的家庭用户热点区域识别方法、系统、设备及介质
技术领域
本发明属于无线通信领域，更具体地，涉及一种基于FTTR的家庭用户热点区域识别方法、系统、设备及介质。
背景技术
全光组网（Fiber To The Room，FTTR）技术是指以光纤作为传输介质，通过主网关、分光器、边缘网关等光通信设备，将互联网接入每个房间的家庭组网方案。随着Wi-Fi通信成为大部分家庭上网方式的首要选择，用户通常连接Wi-Fi网络上网。然而，在Wi-Fi通信中，信号强度会因为穿墙而变得衰弱，导致信号连接不稳定；并且，用户在家庭中会随意走动，导致信号连接不稳定；此外，不同家庭用户之间同时使用FTTR系统，将存在系统资源分配和协调的问题。
在家庭网络中进行热点区域识别有助于较快地分配调度系统资源，从而提升FTTR系统的服务质量，改善用户体验。由于个人隐私问题，用户往往不希望家庭的私有信息被泄露，为了保障数据安全，需要在家庭范围内的FTTR系统上进行数据处理。然而，单个边缘接入点（Access Point，AP）的覆盖范围有限，效率低下，对于所覆盖范围边缘区域识别效率不高，对于移动用户的位置识别准确度有限。多个边缘AP可以提高位置识别准确度，但是如何选择性的采用智能学习的方法，来根据用户的状态预测其行为习惯，从而为家庭用户提供更好的网络服务，是本领域技术人员关心的问题。
发明内容
针对现有技术的缺陷和改进需求，本发明提供了一种基于FTTR的家庭用户热点区域识别方法、系统、设备及介质，其目的在于根据用户的移动趋势预测用户的最优接入点，以提前将识别模型传输给该最优接入点中继续训练，从而提高识别效率以及网络服务性能。
为实现上述目的，按照本发明的一个方面，提供了一种基于FTTR的家庭用户热点区域识别方法，包括：S1，根据FTTR系统中各接入点的位置确定用户的家庭移动区域，并将所述家庭移动区域划分为多个网格，每个网格对应一最优接入点；S2，每隔预设时间间隔，根据多个接入点接收到的来自用户的接收信号强度指示确定用户当前所处的第一网格，并在每两个预设时间间隔之间，基于所述第一网格预测预设时间间隔之后用户所处的第二网格；S3，当所述第一网格、第二网格分别对应不同的最优接入点时，将所述第一网格对应最优接入点中的识别模型传递给所述第二网格对应最优接入点，使得所述第二网格对应最优接入点训练所述识别模型；S4，预设时间间隔之后，若用户接入所述第二网格对应最优接入点，所述第二网格对应最优接入点利用其训练后的识别模型识别用户的热点区域。
更进一步地，所述基于所述第一网格预测预设时间间隔之后用户所处的第二网格包括：若所述第一网格位于门口，计算历史时段用户进入其余各房间的概率，根据所述概率预测得到所述第二网格；若所述第一网格不位于门口，利用曼哈顿移动模型预测得到所述第二网格；其中，若所述第一网格位于墙体处，所述曼哈顿移动模型中用户沿各方向移动的概率不同且与墙体相关，否则，所述曼哈顿移动模型中用户沿各方向移动的概率相同。
更进一步地，历史时段用户进入其余各房间的概率为：
Figure DEST_PATH_IMAGE001
其中，
Figure DEST_PATH_IMAGE002
为历史时段用户进入房间
Figure DEST_PATH_IMAGE004
的概率，
Figure DEST_PATH_IMAGE005
为历史时段内用户在房间
Figure DEST_PATH_IMAGE006
的位 置的数目，
Figure DEST_PATH_IMAGE007
为历史时段内房间
Figure DEST_PATH_IMAGE008
的位置总数。
更进一步地，所述S2之前还包括：初始时间段内，根据FTTR系统中多个接入点接收到的来自用户的接收信号强度指示确定用户所处网格，将用户未出现过的网格区域设置为墙体。
更进一步地，所述根据多个接入点接收到的来自用户的接收信号强度指示确定用户当前所处的第一网格包括：利用三个接入点接收到的来自用户的接收信号强度指示，分别计算用户到所述三个接入点的距离：
Figure DEST_PATH_IMAGE009
其中，
Figure DEST_PATH_IMAGE010
为用户到接入点的距离，
Figure DEST_PATH_IMAGE011
为参考距离，
Figure DEST_PATH_IMAGE012
为路径损耗指数，
Figure DEST_PATH_IMAGE013
、
Figure DEST_PATH_IMAGE014
分别为用户与接入点相距
Figure 361871DEST_PATH_IMAGE010
、
Figure 206330DEST_PATH_IMAGE011
时接入点接收到的来自用户的接收信号强度指示； 根据用户到所述三个接入点的距离以及所述三个接入点的位置坐标，利用基于距离的三边 定位法确定用户当前所处的第一网格。
更进一步地，所述训练所述识别模型包括：S31，随机选取m个网格作为起始点，m＞1；S32，对于每一起始点，以所述起始点为中心，计算圆形滑动窗口内中心的均值漂移向量，并根据所述均值漂移向量更新中心位置直至得到的均值漂移向量收敛；S33，重复执行所述S32，直至各中心位置之间的距离小于设定阈值，得到一最终圆形滑动窗口作为用户的热点区域。
更进一步地，根据所述均值漂移向量更新得到的中心位置为：
Figure DEST_PATH_IMAGE015
其中，
Figure DEST_PATH_IMAGE016
为更新后的中心位置，
Figure DEST_PATH_IMAGE017
为更新前的中心位置，
Figure DEST_PATH_IMAGE018
为均值漂移向量。
按照本发明的另一个方面，提供了一种基于FTTR的家庭用户热点区域识别系统，包括：划分模块，用于根据FTTR系统中各接入点的位置确定用户的家庭移动区域，并将所述家庭移动区域划分为多个网格，每个网格对应一最优接入点；预测模块，用于每隔预设时间间隔，根据多个接入点接收到的来自用户的接收信号强度指示确定用户当前所处的第一网格，并在每两个预设时间间隔之间，基于所述第一网格预测预设时间间隔之后用户所处的第二网格；传递模块，用于当所述第一网格、第二网格分别对应不同的最优接入点时，将所述第一网格对应最优接入点中的识别模型传递给所述第二网格对应最优接入点，使得所述第二网格对应最优接入点训练所述识别模型；识别模块，用于预设时间间隔之后，若用户接入所述第二网格对应最优接入点，所述第二网格对应最优接入点利用其训练后的识别模型识别用户的热点区域。
按照本发明的另一个方面，提供了一种电子设备，包括：处理器；存储器，其存储有计算机可执行程序，所述程序在被所述处理器执行时，使得所述处理器执行如上所述的基于FTTR的家庭用户热点区域识别方法。
按照本发明的另一个方面，提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现如上所述的基于FTTR的家庭用户热点区域识别方法。
总体而言，通过本发明所构思的以上技术方案，能够取得以下有益效果：提供了一种基于FTTR的家庭用户热点区域识别方法，当由于用户移动导致适用于用户的最优接入点发生变化时，上一个接入点将其训练后的识别模型传递给下一个接入点并继续训练，提高训练效率和速度；此外，基于用户当前位置预测用户下一时刻的位置，从而提前判断出用户对应的最优接入点是否发生变化，以提前传递识别模型，进一步提高了训练效率和速度；对曼哈顿移动模型进行改进，将其概率参数设置为与墙体相关，提高了位置预测的准确度和精度，保证检测到下一个接入点的准确性，提高网络服务性能。
附图说明
图1为本发明实施例提供的基于FTTR的家庭用户热点区域识别方法的流程图。
图2为本发明实施例提供的基于FTTR的家庭用户热点区域识别方法中FTTR系统的模型示意图。
图3为本发明实施例提供的改进的曼哈顿移动模型预测结果、现有曼哈顿移动模型预测结果与实际数据之间的误差。
图4为本发明实施例中采用训练模型转移方式和现有不采用训练模型转移方式下FTTR系统耗时仿真对比图。
图5为本发明实施例中采用训练模型转移方式和现有不采用训练模型转移方式下FTTR系统准确率对比图。
图6为本发明实施例提供的基于FTTR的家庭用户热点区域识别系统的框图。
图7为本发明实施例提供的电子设备的框图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
在本发明中，本发明及附图中的术语“第一”、“第二”等（如果存在）是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
图1为本发明实施例提供的基于FTTR的家庭用户热点区域识别方法的流程图。参阅图1，结合图2-图5，对本实施例中基于FTTR的家庭用户热点区域识别方法进行详细说明，方法包括操作S1-操作S4。
操作S1，根据FTTR系统中各接入点的位置确定用户的家庭移动区域，并将家庭移动区域划分为多个网格，每个网格对应一最优接入点。
本发明实施例中，基于FTTR的家庭用户热点区域识别方法适用于用户在家庭当中资源分配的场景，如图2所示。参阅图2，示出了FTTR系统模型，光纤铺设至每个房间，每个房间内都存在一个或多个边缘AP，当用户在房间内移动或者从一个房间移动到另一个房间时，上一个AP将自己训练得到的识别模型传递给下一个AP并继续训练，从而提高训练效率和速度。在该方案下，本发明实施例依据改进的曼哈顿移动模型预测用户的移动，从而提前将识别模型传递给下一个AP，以进一步提高训练效率和速度，从而提升网络服务性能。
具体地，操作S1中，根据FTTR系统中各接入点的位置可以确定用户的可移动范围，即用户的家庭移动区域，将家庭移动区域按照设定的间距进行网格划分，设定间距例如为0.2m，每个网格对应一最优接入点。当用户处于任一网格时，所有接入点中，接收到的来自用户的接收信号强度指示（Received Signal Strength Indicator，RSSI）最高的接入点为该任一网格对应的最优接入点。
根据本发明的实施例，在执行操作S2之前，还包括：初始时间段内，根据FTTR系统中多个接入点接收到的来自用户的接收信号强度指示确定用户所处网格，将用户未出现过的网格区域设置为墙体。
操作S2，每隔预设时间间隔，根据多个接入点接收到的来自用户的接收信号强度指示确定用户当前所处的第一网格，并在每两个预设时间间隔之间，基于第一网格预测预设时间间隔之后用户所处的第二网格。
本实施例中，每隔预设时间间隔各接入点接收一次来自用户的接收信号强度指示，以更新用户当前位置，具体包括子操作S21-子操作S22。
在子操作S21中，利用三个接入点接收到的来自用户的接收信号强度指示，分别计算用户到三个接入点的距离：
Figure DEST_PATH_IMAGE020
其中，
Figure 486002DEST_PATH_IMAGE010
为用户到接入点的距离，
Figure DEST_PATH_IMAGE021
为参考距离，
Figure 912566DEST_PATH_IMAGE012
为路径损耗指数，
Figure 557174DEST_PATH_IMAGE013
、分别 为用户与接入点相距
Figure 888929DEST_PATH_IMAGE010
、
Figure 847658DEST_PATH_IMAGE021
时接入点接收到的来自用户的接收信号强度指示。
在子操作S22中，根据用户到三个接入点的距离以及三个接入点的位置坐标，利用基于距离的三边定位法确定用户当前所处的第一网格。
定义用户当前所处的第一网格的坐标为
Figure DEST_PATH_IMAGE022
，三个接入点的坐标分别为
Figure DEST_PATH_IMAGE023
、
Figure DEST_PATH_IMAGE024
、
Figure DEST_PATH_IMAGE025
，用户距离这三个接入点的距离分别为
Figure DEST_PATH_IMAGE026
、
Figure DEST_PATH_IMAGE027
、
Figure DEST_PATH_IMAGE028
，满足以下关系：
Figure DEST_PATH_IMAGE029
基于该关系式，得到用户所处的第一网格的坐标为：
Figure DEST_PATH_IMAGE030
本实施例中，每两个预设时间间隔之间，需要基于用户当前时刻的位置预测用户下一时刻的位置，从而提前将识别模型传递给用户下一时刻的位置对应最优接入点进行训练。
基于用户当前时刻的位置预测用户下一时刻的位置分为用户当前时刻位于门口和用户当前时刻不位于门口两种情况。用户当前时刻不位于门口分为用户当前时刻位于墙体处和用户当前时刻不位于墙体处（即位于房间内部区域）。
对于用户当前时刻位于门口的情况，即第一网格位于门口，基于第一网格预测预设时间间隔之后用户所处的第二网格包括：计算历史时段用户进入其余各房间的概率，根据概率预测得到第二网格。历史时段用户进入其余各房间的概率为：
Figure DEST_PATH_IMAGE032
其中，
Figure 922537DEST_PATH_IMAGE002
为历史时段用户进入房间
Figure 738046DEST_PATH_IMAGE033
的概率，
Figure 884994DEST_PATH_IMAGE005
为历史时段内用户在房间
Figure 834364DEST_PATH_IMAGE033
的位 置的数目，
Figure 750368DEST_PATH_IMAGE007
为历史时段内房间
Figure DEST_PATH_IMAGE034
的位置总数。
对于用户当前时刻不位于门口的情况，即第一网格不位于门口，基于第一网格预测预设时间间隔之后用户所处的第二网格包括：利用曼哈顿移动模型预测得到第二网格。该曼哈顿模型为改进的曼哈顿模型，若第一网格位于墙体处，曼哈顿移动模型中用户沿各方向移动的概率不同且与墙体相关，例如用户沿着墙体两侧方向移动的概率分别为0.3，沿着垂直于墙体的方向移动的概率为0.4；否则，曼哈顿移动模型中用户沿各方向移动的概率相同，例如用户前进、后退、左转、右转的概率均为0.25。
操作S3，当第一网格、第二网格分别对应不同的最优接入点时，将第一网格对应最优接入点中的识别模型传递给第二网格对应最优接入点，使得第二网格对应最优接入点训练识别模型。
本实施例中，若第一网格、第二网格对应同一最优接入点，不执行上述传递操作，保持当前热点区域识别方式即可；若第一网格、第二网格分别对应不同的最优接入点，执行操作S3，以使得第二网格对应最优接入点提前训练识别模型。
根据本发明的实施例，第二网格对应最优接入点训练识别模型包括子操作S31-子操作S33。
在子操作S31中，随机选取m个网格作为起始点，m＞1。
在子操作S32中，对于每一起始点，以起始点为中心，计算圆形滑动窗口内中心的均值漂移向量，并根据均值漂移向量更新中心位置直至得到的均值漂移向量收敛。
根据均值漂移向量更新得到的中心位置为：
Figure DEST_PATH_IMAGE036
其中，
Figure 877724DEST_PATH_IMAGE016
为更新后的中心位置，
Figure 574284DEST_PATH_IMAGE017
为更新前的中心位置，
Figure 874815DEST_PATH_IMAGE018
为均值漂移向量，
Figure 599320DEST_PATH_IMAGE037
，
Figure DEST_PATH_IMAGE038
为
Figure 491053DEST_PATH_IMAGE039
中网格点的个数，
Figure 284696DEST_PATH_IMAGE039
为到
Figure DEST_PATH_IMAGE040
的距离小于圆形滑动窗口半 径的网格点。
Figure 185656DEST_PATH_IMAGE041
为
Figure 810673DEST_PATH_IMAGE039
中第
Figure DEST_PATH_IMAGE042
个网格点。
在子操作S33中，重复执行子操作S32，直至各中心位置之间的距离小于设定阈值，得到一最终圆形滑动窗口作为用户的热点区域。
操作S4，预设时间间隔之后，若用户接入第二网格对应最优接入点，第二网格对应最优接入点利用其训练后的识别模型识别用户的热点区域。
本实施例中，预设时间间隔之后会再次基于多个接入点接收到的来自用户的接收信号强度指示准确计算用户位置，若计算结果与操作S2中预测结果相同，即用户接入第二网格对应最优接入点，第二网格对应最优接入点利用其训练后的识别模型识别用户的热点区域；若计算结果与操作S2中预测结果不同，将用户接入该计算结果指示网格对应的最优接入点进行热点区域识别。
图3示出了本发明实施例提供的改进的曼哈顿移动模型预测结果与现有未改进的曼哈顿移动模型（即概率参数固定不变）的误差对比图。参阅图3，可以看出，本实施例中改进的曼哈顿移动模型获得的误差结果比现有曼哈顿移动模型的误差要低，并且随着预测的数量增加，改进的曼哈顿移动模型误差更低，可以提高用户的移动的预测准度。
图4示出了本发明实施例中采用训练模型转移方式和现有不采用训练模型转移方式下FTTR系统耗时仿真对比图。图4所示两个实例中，用户系统路径损耗为2，设置聚合半径为所有点的欧氏距离的0.09倍，最小聚合类的数量为3，不同的是，baseline方案中，上一个接入点并没有将训练模型传递给当前接入点，本实施例中将上一个接入点训练得到的聚合中心点位置传递给下一个接入点直接应用。参阅图4，可以看出，当用户从一个接入点移动到另外一个接入点，并且移动的时间越长，即数据量很大的时候，对比于没有采用迁移学习的方法，本发明实施例可以提升训练的效率和速度。
图5示出了本发明实施例中采用训练模型转移方式和现有不采用训练模型转移方式下FTTR系统准确率对比图。图5所示两个实例中，系统总的训练次数设置为100，设置的正确的聚类数为5，并且每次训练选取的用户训练位置数量为500，训练时采取的聚类半径为全部训练数据的欧氏距离的0.1倍，最小聚类的用户位置数量为3个，设置的环境因子（路径损耗因子）为2。参阅图5，可以看出，本实施例中采用了迁移学习的方式后比没有采用迁移学习方式的准确率要高。
图6为本发明实施例提供的基于FTTR的家庭用户热点区域识别系统的框图。参阅图6，该基于FTTR的家庭用户热点区域识别系统600包括划分模块610、预测模块620、传递模块630以及识别模块640。
划分模块610例如执行操作S1，用于根据FTTR系统中各接入点的位置确定用户的家庭移动区域，并将家庭移动区域划分为多个网格，每个网格对应一最优接入点。
预测模块620例如执行操作S2，用于每隔预设时间间隔，根据多个接入点接收到的来自用户的接收信号强度指示确定用户当前所处的第一网格，并在每两个预设时间间隔之间，基于第一网格预测预设时间间隔之后用户所处的第二网格。
传递模块630例如执行操作S3，用于当第一网格、第二网格分别对应不同的最优接入点时，将第一网格对应最优接入点中的识别模型传递给第二网格对应最优接入点，使得第二网格对应最优接入点训练识别模型。
识别模块640例如执行操作S4，用于预设时间间隔之后，若用户接入第二网格对应最优接入点，第二网格对应最优接入点利用其训练后的识别模型识别用户的热点区域。
基于FTTR的家庭用户热点区域识别系统600用于执行上述图1-图5所示实施例中的基于FTTR的家庭用户热点区域识别方法。本实施例未尽之细节，请参阅前述图1-图5所示实施例中的基于FTTR的家庭用户热点区域识别方法，此处不再赘述。
本公开的实施例还示出了一种电子设备，如图7所示，电子设备700包括处理器710、可读存储介质720。该电子设备700可以执行上面图1-图5中描述的基于FTTR的家庭用户热点区域识别方法。
具体地，处理器710例如可以包括通用微处理器、指令集处理器和/或相关芯片组和/或专用微处理器（例如，专用集成电路（ASIC）），等等。处理器710还可以包括用于缓存用途的板载存储器。处理器710可以是用于执行参考图1-图5描述的根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。
可读存储介质720，例如可以是能够包含、存储、传送、传播或传输指令的任意介质。例如，可读存储介质可以包括但不限于电、磁、光、电磁、红外或半导体系统、装置、器件或传播介质。可读存储介质的具体示例包括：磁存储装置，如磁带或硬盘（HDD）；光存储装置，如光盘（CD-ROM）；存储器，如随机存取存储器（RAM）或闪存；和/或有线/无线通信链路。
可读存储介质720可以包括计算机程序721，该计算机程序721可以包括代码/计算机可执行指令，其在由处理器710执行时使得处理器710执行例如上面结合图1-图5所描述的方法流程及其任何变形。
计算机程序721可被配置为具有例如包括计算机程序模块的计算机程序代码。例如，在示例实施例中，计算机程序721中的代码可以包括一个或多个程序模块，例如包括721A、模块721B、……。应当注意，模块的划分方式和个数并不是固定的，本领域技术人员可以根据实际情况使用合适的程序模块或程序模块组合，当这些程序模块组合被处理器710执行时，使得处理器710可以执行例如上面结合图1-图5所描述的方法流程及其任何变形。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于FTTR的家庭用户热点区域识别方法，其特征在于，包括：
S1，根据FTTR系统中各接入点的位置确定用户的家庭移动区域，并将所述家庭移动区域划分为多个网格，每个网格对应一最优接入点；
S2，每隔预设时间间隔，根据多个接入点接收到的来自用户的接收信号强度指示确定用户当前所处的第一网格，并在每两个预设时间间隔之间，基于所述第一网格预测预设时间间隔之后用户所处的第二网格；
S3，当所述第一网格、第二网格分别对应不同的最优接入点时，将所述第一网格对应最优接入点中的识别模型传递给所述第二网格对应最优接入点，使得所述第二网格对应最优接入点训练所述识别模型；
S4，预设时间间隔之后，若用户接入所述第二网格对应最优接入点，所述第二网格对应最优接入点利用其训练后的识别模型识别用户的热点区域。
2.如权利要求1所述的基于FTTR的家庭用户热点区域识别方法，其特征在于，所述基于所述第一网格预测预设时间间隔之后用户所处的第二网格包括：
若所述第一网格位于门口，计算历史时段用户进入其余各房间的概率，根据所述概率预测得到所述第二网格；
若所述第一网格不位于门口，利用曼哈顿移动模型预测得到所述第二网格；其中，若所述第一网格位于墙体处，所述曼哈顿移动模型中用户沿各方向移动的概率不同且与墙体相关，否则，所述曼哈顿移动模型中用户沿各方向移动的概率相同。
3.如权利要求2所述的基于FTTR的家庭用户热点区域识别方法，其特征在于，历史时段用户进入其余各房间的概率为：
Figure 62100DEST_PATH_IMAGE001
其中，
Figure 262137DEST_PATH_IMAGE002
为历史时段用户进入房间的概率，
Figure 144249DEST_PATH_IMAGE003
为历史时段内用户在房间
Figure 164158DEST_PATH_IMAGE004
的位置的 数目，
Figure 166749DEST_PATH_IMAGE005
为历史时段内房间
Figure 955713DEST_PATH_IMAGE004
的位置总数。
4.如权利要求2所述的基于FTTR的家庭用户热点区域识别方法，其特征在于，所述S2之前还包括：初始时间段内，根据FTTR系统中多个接入点接收到的来自用户的接收信号强度指示确定用户所处网格，将用户未出现过的网格区域设置为墙体。
5.如权利要求1所述的基于FTTR的家庭用户热点区域识别方法，其特征在于，所述根据多个接入点接收到的来自用户的接收信号强度指示确定用户当前所处的第一网格包括：
利用三个接入点接收到的来自用户的接收信号强度指示，分别计算用户到所述三个接入点的距离：
Figure 526503DEST_PATH_IMAGE006
其中，
Figure 33708DEST_PATH_IMAGE007
为用户到接入点的距离，
Figure 574410DEST_PATH_IMAGE008
为参考距离，
Figure 483461DEST_PATH_IMAGE009
为路径损耗指数，
Figure 208840DEST_PATH_IMAGE010
、
Figure 203341DEST_PATH_IMAGE011
分别为用户与接入点相距
Figure 813314DEST_PATH_IMAGE007
、
Figure 452237DEST_PATH_IMAGE012
时接入点接收到的来自用户的接收信号强度指 示；
根据用户到所述三个接入点的距离以及所述三个接入点的位置坐标，利用基于距离的三边定位法确定用户当前所处的第一网格。
6.如权利要求1-5任一项所述的基于FTTR的家庭用户热点区域识别方法，其特征在于，所述训练所述识别模型包括：
S31，随机选取m个网格作为起始点，m＞1；
S32，对于每一起始点，以所述起始点为中心，计算圆形滑动窗口内中心的均值漂移向量，并根据所述均值漂移向量更新中心位置直至得到的均值漂移向量收敛；
S33，重复执行所述S32，直至各中心位置之间的距离小于设定阈值，得到一最终圆形滑动窗口作为用户的热点区域。
7.如权利要求6所述的基于FTTR的家庭用户热点区域识别方法，其特征在于，根据所述均值漂移向量更新得到的中心位置为：
Figure 489463DEST_PATH_IMAGE013
其中，
Figure 705680DEST_PATH_IMAGE014
为更新后的中心位置，
Figure 745443DEST_PATH_IMAGE015
为更新前的中心位置，
Figure 363506DEST_PATH_IMAGE016
为均值漂移向量。
8.一种基于FTTR的家庭用户热点区域识别系统，其特征在于，包括：
划分模块，用于根据FTTR系统中各接入点的位置确定用户的家庭移动区域，并将所述家庭移动区域划分为多个网格，每个网格对应一最优接入点；
预测模块，用于每隔预设时间间隔，根据多个接入点接收到的来自用户的接收信号强度指示确定用户当前所处的第一网格，并在每两个预设时间间隔之间，基于所述第一网格预测预设时间间隔之后用户所处的第二网格；
传递模块，用于当所述第一网格、第二网格分别对应不同的最优接入点时，将所述第一网格对应最优接入点中的识别模型传递给所述第二网格对应最优接入点，使得所述第二网格对应最优接入点训练所述识别模型；
识别模块，用于预设时间间隔之后，若用户接入所述第二网格对应最优接入点，所述第二网格对应最优接入点利用其训练后的识别模型识别用户的热点区域。
9.一种电子设备，其特征在于，包括：
处理器；
存储器，其存储有计算机可执行程序，所述程序在被所述处理器执行时，使得所述处理器执行如权利要求1-7中任一项所述的基于FTTR的家庭用户热点区域识别方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1-7中任一项所述的基于FTTR的家庭用户热点区域识别方法。
CN202210537873.0A 2022-05-18 2022-05-18 基于fttr的家庭用户热点区域识别方法、系统、设备及介质 Active CN114641030B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210537873.0A CN114641030B (zh) 2022-05-18 2022-05-18 基于fttr的家庭用户热点区域识别方法、系统、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210537873.0A CN114641030B (zh) 2022-05-18 2022-05-18 基于fttr的家庭用户热点区域识别方法、系统、设备及介质

Publications (2)

Publication Number Publication Date
CN114641030A CN114641030A (zh) 2022-06-17
CN114641030B true CN114641030B (zh) 2022-07-19

Family

ID=81953050

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210537873.0A Active CN114641030B (zh) 2022-05-18 2022-05-18 基于fttr的家庭用户热点区域识别方法、系统、设备及介质

Country Status (1)

Country Link
CN (1) CN114641030B (zh)

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103338504B (zh) * 2013-06-21 2015-11-18 北京邮电大学 无线局域网中多个ap信道及功率的联合自配置方法
GB2516848B8 (en) * 2013-08-01 2020-11-18 Here Global Bv Assigning location information to wireless local area network access points
ES2458621B1 (es) * 2013-10-15 2015-02-10 Aoife Solutions, S.L. Sistema de control descentralizado de redes inalámbricas
CN108449709B (zh) * 2018-03-16 2019-06-18 华中科技大学 一种基于众包样本的室内无线电地图构建方法
AU2020229857A1 (en) * 2019-02-28 2021-09-09 Assia Spe, Llc Ergodic spectrum management systems and methods
CN112887851B (zh) * 2021-01-13 2021-10-08 烽火通信科技股份有限公司 一种家庭全光网络系统及其实现方法
CN113852883B (zh) * 2021-08-20 2023-04-07 天翼数字生活科技有限公司 Fttr场景下的光网设备认证和配置管理方法和系统
CN114025262B (zh) * 2021-11-05 2023-06-09 烽火通信科技股份有限公司 Fttr系统中边缘ont间数据互通方法、光网关与边缘ont设备

Also Published As

Publication number Publication date
CN114641030A (zh) 2022-06-17

Similar Documents

Publication Publication Date Title
US11132608B2 (en) Learning-based service migration in mobile edge computing
Ma et al. A survey of online data-driven proactive 5G network optimisation using machine learning
WO2017133636A1 (zh) 一种预测移动终端切换基站的方法和装置
TW202131661A (zh) 用於網路最佳化的裝置及方法、以及非暫時性電腦可讀媒體
US10966122B2 (en) Method and migration managing module for managing a migration of a service
KR100361122B1 (ko) 이동터미널의이동을검출하고예측하는방법및장치
KR102206775B1 (ko) 무선 네트워크에서 기계 학습을 이용하여 자원을 할당하는 방법 및 그 방법을 수행하기 위한 기록 매체
RU2534740C2 (ru) Способ и устройство для определения состояния мобильности терминала
KR20180093684A (ko) 무선 통신 시스템에서 핸드오프를 수행하는 장치 및 이를 위한 방법
CN108900980B (zh) 一种在异构网络中基于移动性预测的资源分配优化方法
EP3039446A1 (en) Location detection system and method
Hajiakhondi-Meybodi et al. Joint transmission scheme and coded content placement in cluster-centric UAV-aided cellular networks
CN112905315A (zh) 移动边缘计算mec网络中的任务处理方法、装置及设备
KR101924628B1 (ko) 트래픽 오프로딩을 제어하기 위한 장치 및 방법
US20220078632A1 (en) Assisted network roaming with predictive network tool
CN108900266B (zh) 基于协作节点选取和fcm算法的认知车联网频谱感知方法
Aborahama et al. On the stochastic modeling of the holding time of SUs to PU channels in cognitive radio networks
CN114641030B (zh) 基于fttr的家庭用户热点区域识别方法、系统、设备及介质
Parvaresh et al. Deep Q-learning-enabled deployment of aerial base stations in the presence of mobile users
KR101338001B1 (ko) 단말 장치 및 상기 단말 장치의 액세스 포인트 접속 방법
Zheng et al. An adaptive backoff selection scheme based on Q-learning for CSMA/CA
Bejarano-Luque et al. A context-aware data-driven algorithm for small cell site selection in cellular networks
Yang et al. Service migration with high-order mdp in mobile edge computing
Zeng et al. Multi‐agent spectrum access with sensing skipping based on reinforcement learning
WO2016065646A1 (zh) 一种功率估计的方法及装置

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