CN115150290B - 一种物联网网络流量预测方法、系统及存储介质 - Google Patents

一种物联网网络流量预测方法、系统及存储介质 Download PDF

Info

Publication number
CN115150290B
CN115150290B CN202211067950.7A CN202211067950A CN115150290B CN 115150290 B CN115150290 B CN 115150290B CN 202211067950 A CN202211067950 A CN 202211067950A CN 115150290 B CN115150290 B CN 115150290B
Authority
CN
China
Prior art keywords
matrix
internet
flow
network traffic
value 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
Application number
CN202211067950.7A
Other languages
English (en)
Other versions
CN115150290A (zh
Inventor
吴杰
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.)
Guangzhou Youkegu Technology Co ltd
Original Assignee
Guangzhou Youkegu Technology 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 Guangzhou Youkegu Technology Co ltd filed Critical Guangzhou Youkegu Technology Co ltd
Priority to CN202211067950.7A priority Critical patent/CN115150290B/zh
Publication of CN115150290A publication Critical patent/CN115150290A/zh
Application granted granted Critical
Publication of CN115150290B publication Critical patent/CN115150290B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • H04L41/142—Network analysis or design using statistical or mathematical methods
    • 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
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/10—Protocols in which an application is distributed across nodes in the network
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Environmental & Geological Engineering (AREA)
  • Health & Medical Sciences (AREA)
  • Algebra (AREA)
  • Medical Informatics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Physics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Pure & Applied Mathematics (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本发明涉及物联网网络流量预测方法、系统及存储介质，包括以下步骤：S1.云端服务器每隔一段时间t，统计一次N条中继线路的网络流量，在时间Mt内；统计获得N条中继线路的原始流量矩阵D；S2.对原始流量矩阵D进行平滑化处理，获得矩阵E；S3.求取矩阵E中每一条中继线路的极大值序列及极小值序列；S4.基于每一条中继线路的极大值序列及极小值序列求取相应中继线路的震荡因子；S5.基于所述每一条中继线路的极大值序列、极小值序列、震荡因子求取相应中继线路下一时段的流量估值。

Description

一种物联网网络流量预测方法、系统及存储介质
技术领域
本发明涉及物联网技术领域，更具体地，涉及一种物联网网络流量预测方法、系统及存储介质。
背景技术
近年来，物联网技术的兴起让原来孤立的设备间可以较为有效地进行组网、通信与协作，提高了社会生产、交通物流、通信交流的效率。但物联网技术的进一步推广也带来了一些需要解决的技术难题，比如接入设备的规模的扩大让网络变得拥挤。解决思路主要有两种，一种是提高通信线路的带宽，比如使用光纤通信。另一种是设计网络拥挤调度算法，而调度算法的其中一个核心算法模块为网络流量预测算法，当获得不同线路的流量预测值后，服务器端可引导终端设备均衡使用各线路。
目前主流的网络流量预测算法主要基于机器学习算法来完成。其一般需收集大量甚至海量的原始数据，提取出特征向量，再送入计算模型，最后得出某个值的概率。如果网络内线路数量过多，那么模型的复杂度将呈指数级增长，对系统硬件要求苛刻，无法适应大规模的物联网场景。
发明内容
本发明的发明目的在于提供一种物联网网络流量预测方法，该方法要求的样本数量规模较小、计算过程简单，且具备较好的可扩展性，算法的复杂度与数据规模呈线性关系，能够适合大部分场景的组网需求。
为实现以上发明目的，采用的技术方案是：
一种物联网网络流量预测方法，包括以下步骤：
S1.云端服务器每隔一段时间t，统计一次N条中继线路的网络流量，在时间Mt内；统计获得N条中继线路的原始流量矩阵D；
S2.对原始流量矩阵D进行平滑化处理，获得矩阵E；
S3.求取矩阵E中每一条中继线路的极大值序列及极小值序列；
S4.基于每一条中继线路的极大值序列及极小值序列求取相应中继线路的震荡因子；
S5.基于所述每一条中继线路的极大值序列、极小值序列、震荡因子求取相应中继线路下一时段的流量估值。
优选地，所述原始流量矩阵D表示如下：
Figure 355770DEST_PATH_IMAGE001
；
其中，
Figure 695747DEST_PATH_IMAGE002
，
Figure 396856DEST_PATH_IMAGE003
，
Figure 729748DEST_PATH_IMAGE004
表示实数域R上的N行M列矩阵，
Figure 701377DEST_PATH_IMAGE005
表示第x 条线路在时间
Figure 461523DEST_PATH_IMAGE006
内的流量统计值。
优选地，所述步骤S2对原始流量矩阵D进行平滑化处理，获得矩阵E，具体包括：
求取N条中继线路的总流量的平均值：
Figure 649928DEST_PATH_IMAGE007
对原始流量矩阵D中的元素
Figure 271664DEST_PATH_IMAGE005
进行平滑化处理：
Figure 143805DEST_PATH_IMAGE008
获得矩阵E：
Figure 58540DEST_PATH_IMAGE009
。
优选地，所述步骤S3中，令求取的中继线路x的极大值序列表示为
Figure 750553DEST_PATH_IMAGE010
，
Figure 910401DEST_PATH_IMAGE011
，
Figure 105890DEST_PATH_IMAGE012
；
Figure 722685DEST_PATH_IMAGE013
在矩阵E中，其值比紧邻的左边元 素、右边元素要大，即
Figure 636415DEST_PATH_IMAGE014
且
Figure 599954DEST_PATH_IMAGE015
；
Figure 164796DEST_PATH_IMAGE016
；
令求取的中继线路x的极小值序列表示为
Figure 437646DEST_PATH_IMAGE017
，
Figure 323824DEST_PATH_IMAGE018
，
Figure 340322DEST_PATH_IMAGE019
；
Figure 25250DEST_PATH_IMAGE020
在矩阵E中，其值比紧邻的左边元素、右边元素要小，即
Figure 734580DEST_PATH_IMAGE021
且
Figure 108055DEST_PATH_IMAGE022
,
Figure 928243DEST_PATH_IMAGE023
。
优选地，所述步骤S4基于每一条中继线路的极大值序列及极小值序列求取相应中继线路的震荡因子，具体包括：
对于中继线路x，其振荡因子表示如下：
Figure 202099DEST_PATH_IMAGE024
其中，α、β、γ、δ、θ为默认常数；α>0，β>0，γ>0，δ>0，θ>0。
优选地，所述步骤S5基于所述每一条中继线路的极大值序列、极小值序列、震荡因子求取相应中继线路下一时段的流量估值，具体包括：
求取中继线路x的下一时段
Figure 301904DEST_PATH_IMAGE025
的流量估值
Figure 677522DEST_PATH_IMAGE026
；
若中继线路x的原始流量矩阵D经过平滑处理后其最后一个流量极值为极大值，即
Figure 285089DEST_PATH_IMAGE027
，若
Figure 695342DEST_PATH_IMAGE028
，则
Figure 231628DEST_PATH_IMAGE029
；否则
Figure 94542DEST_PATH_IMAGE030
；
Figure 240221DEST_PATH_IMAGE031
，
Figure 724554DEST_PATH_IMAGE032
，
Figure 946588DEST_PATH_IMAGE033
、
Figure 546066DEST_PATH_IMAGE034
为默认常数；
若中继线路x的原始流量矩阵D经过平滑处理后其最后一个流量极值为极小值，即
Figure 511748DEST_PATH_IMAGE035
；若
Figure 381746DEST_PATH_IMAGE036
，则
Figure 243523DEST_PATH_IMAGE037
；否则
Figure 330296DEST_PATH_IMAGE038
；
Figure 568511DEST_PATH_IMAGE039
，
Figure 558594DEST_PATH_IMAGE040
，
Figure 856852DEST_PATH_IMAGE041
、
Figure 165342DEST_PATH_IMAGE042
为默认常数。
同时，本发明还提供了一种物联网网络流量预测系统，包括云端服务器，所述云端服务器进行网络流量预测时，执行以上所述物联网网络流量预测方法的方法步骤。
另外，本发明还提供了一种存储介质，包括存储器及处理器，所述存储器内存储有程序，所述程序被所述处理器执行时，执行以上所述物联网网络流量预测方法的方法步骤。
与现有技术相比，本发明的有益效果是：
1）本发明提供的网络流量预测方法要求的样本数量规模较小，涉及的矩阵运算为步骤有限的常规运算，计算过程简单，可进行实时的计算及预测。
2）本发明提供的网络流量预测方法具备较好的可扩展性，算法的复杂度与数据规模呈线性关系，能够适合大部分场景的组网需求。
3）本发明提供的网络流量预测方法能够动态调整算法参数，能够通过调整参数M和t获得不同的精度和实时性指标。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。
图1为物联网网络流量预测方法的流程示意图。
图2为物联网网络流量预测系统的实施示意图。
图3为存储介质的结构示意图。
具体实施方式
为使得本发明的发明目的、特征、优点能够更加的明显和易懂，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
实施例1
本实施例提供了一种物联网网络流量预测方法，如图1所述，包括以下步骤：
S1.云端服务器每隔一段时间t，统计一次N条中继线路的网络流量，在时间Mt内；统计获得N条中继线路的原始流量矩阵D；
S2.对原始流量矩阵D进行平滑化处理，获得矩阵E；
S3.求取矩阵E中每一条中继线路的极大值序列及极小值序列；
S4.基于每一条中继线路的极大值序列及极小值序列求取相应中继线路的震荡因子；
S5.基于所述每一条中继线路的极大值序列、极小值序列、震荡因子求取相应中继线路下一时段的流量估值。
在具体的实施过程中，所述原始流量矩阵D表示如下：
Figure 957980DEST_PATH_IMAGE043
；
其中，
Figure 786259DEST_PATH_IMAGE002
，
Figure 504685DEST_PATH_IMAGE003
，
Figure 316783DEST_PATH_IMAGE004
表示实数域R上的N行M列矩阵，
Figure 889674DEST_PATH_IMAGE005
表示第x 条线路在时间
Figure 103618DEST_PATH_IMAGE006
内的流量统计值。
在具体的实施过程中，所述步骤S2对原始流量矩阵D进行平滑化处理，获得矩阵E，具体包括：
求取N条中继线路的总流量的平均值：
Figure 992945DEST_PATH_IMAGE007
对原始流量矩阵D中的元素
Figure 26760DEST_PATH_IMAGE005
进行平滑化处理：
Figure 426780DEST_PATH_IMAGE008
获得矩阵E：
Figure 229651DEST_PATH_IMAGE044
。
在具体的实施过程中，所述步骤S3中，令求取的中继线路x的极大值序列表示为
Figure 289880DEST_PATH_IMAGE010
，
Figure 810991DEST_PATH_IMAGE045
，
Figure 749122DEST_PATH_IMAGE012
；
Figure 672079DEST_PATH_IMAGE046
在矩阵E中，其值比紧邻的左边元 素、右边元素要大，即
Figure 903209DEST_PATH_IMAGE014
且
Figure 662349DEST_PATH_IMAGE047
；
Figure 387859DEST_PATH_IMAGE016
；
令求取的中继线路x的极小值序列表示为
Figure 414590DEST_PATH_IMAGE017
，
Figure 832933DEST_PATH_IMAGE018
，
Figure 813789DEST_PATH_IMAGE019
；
Figure 608570DEST_PATH_IMAGE048
在矩阵E中，其值比紧邻的左边元素、右边元素要小，即
Figure 489807DEST_PATH_IMAGE021
且
Figure 79052DEST_PATH_IMAGE022
,
Figure 812784DEST_PATH_IMAGE049
。
在具体的实施过程中，所述步骤S4基于每一条中继线路的极大值序列及极小值序列求取相应中继线路的震荡因子，具体包括：
对于中继线路x，其振荡因子表示如下：
Figure 145676DEST_PATH_IMAGE024
其中，α、β、γ、δ、θ为默认常数；α>0，β>0，γ>0，δ>0，θ>0。
在具体的实施过程中，所述步骤S5基于所述每一条中继线路的极大值序列、极小值序列、震荡因子求取相应中继线路下一时段的流量估值，具体包括：
求取中继线路x的下一时段
Figure 615840DEST_PATH_IMAGE050
的流量估值
Figure 641565DEST_PATH_IMAGE051
；
若中继线路x的原始流量矩阵D经过平滑处理后其最后一个流量极值为极大值，即
Figure 65856DEST_PATH_IMAGE052
，若
Figure 186127DEST_PATH_IMAGE028
，则
Figure 527110DEST_PATH_IMAGE053
；否则
Figure 208889DEST_PATH_IMAGE054
；
Figure 900902DEST_PATH_IMAGE031
，
Figure 824864DEST_PATH_IMAGE055
，
Figure 285932DEST_PATH_IMAGE033
、
Figure 138613DEST_PATH_IMAGE034
为默认常数；
若中继线路x的原始流量矩阵D经过平滑处理后其最后一个流量极值为极小值，即
Figure 52342DEST_PATH_IMAGE056
；若
Figure 514417DEST_PATH_IMAGE057
，则
Figure 315145DEST_PATH_IMAGE058
；否则
Figure 322415DEST_PATH_IMAGE038
；
Figure 972708DEST_PATH_IMAGE059
，
Figure 739938DEST_PATH_IMAGE060
，
Figure 910019DEST_PATH_IMAGE041
、
Figure 603038DEST_PATH_IMAGE042
为默认常数。
实施例2
本实施例提供了一种物联网网络流量预测系统，如图2所示，包括云端服务器，所述云端服务器进行网络流量预测时，执行以上所述物联网网络流量预测方法的方法步骤。
实施例3
本实施例提供了一种存储介质，如图3所示，包括存储器及处理器，所述存储器内存储有程序，所述程序被所述处理器执行时，执行以上所述物联网网络流量预测方法的方法步骤。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-OnlyMemory）、随机存取存储器（RAM，RandomAccessMemory）、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (8)

1.一种物联网网络流量预测方法，其特征在于：包括以下步骤：
S1.云端服务器每隔一段时间t，统计一次N条中继线路的网络流量，在时间Mt内；统计获得N条中继线路的原始流量矩阵D；
S2.对原始流量矩阵D进行平滑化处理，获得矩阵E；
S3.求取矩阵E中每一条中继线路的极大值序列及极小值序列；
S4.基于每一条中继线路的极大值序列及极小值序列求取相应中继线路的震荡因子；
S5.基于所述每一条中继线路的极大值序列、极小值序列、震荡因子求取相应中继线路下一时段的流量估值。
2.根据权利要求1所述的物联网网络流量预测方法，其特征在于：所述原始流量矩阵D表示如下：
Figure 168071DEST_PATH_IMAGE001
；
其中，
Figure 378473DEST_PATH_IMAGE002
，
Figure 75164DEST_PATH_IMAGE003
，
Figure 96341DEST_PATH_IMAGE004
表示实数域R上的N行M列矩阵，
Figure 862172DEST_PATH_IMAGE005
表示第x条线路在时间
Figure 95838DEST_PATH_IMAGE006
内的流量统计值。
3.根据权利要求2所述的物联网网络流量预测方法，其特征在于：所述步骤S2对原始流量矩阵D进行平滑化处理，获得矩阵E，具体包括：
求取N条中继线路的总流量的平均值：
Figure 630725DEST_PATH_IMAGE007
对原始流量矩阵D中的元素
Figure 557224DEST_PATH_IMAGE005
进行平滑化处理：
Figure 295504DEST_PATH_IMAGE008
获得矩阵E：
Figure 847708DEST_PATH_IMAGE009
。
4.根据权利要求3所述的物联网网络流量预测方法，其特征在于：所述步骤S3中，令求取的中继线路x的极大值序列表示为
Figure 253412DEST_PATH_IMAGE010
，
Figure 865659DEST_PATH_IMAGE011
，
Figure 91235DEST_PATH_IMAGE012
；
Figure 915972DEST_PATH_IMAGE013
在矩阵E中，其值比紧邻的左边元素、右边元素要大，即
Figure 910604DEST_PATH_IMAGE014
且
Figure 444485DEST_PATH_IMAGE015
；
Figure 937783DEST_PATH_IMAGE016
；
令求取的中继线路x的极小值序列表示为
Figure 582522DEST_PATH_IMAGE017
，
Figure 697240DEST_PATH_IMAGE018
，
Figure 385710DEST_PATH_IMAGE019
；
Figure 382616DEST_PATH_IMAGE020
在矩阵E中，其值比紧邻的左边元素、右边元素要小，即
Figure 549155DEST_PATH_IMAGE021
且
Figure 783958DEST_PATH_IMAGE022
,
Figure 394062DEST_PATH_IMAGE023
。
5.根据权利要求4所述的物联网网络流量预测方法，其特征在于：所述步骤S4基于每一条中继线路的极大值序列及极小值序列求取相应中继线路的震荡因子，具体包括：
对于中继线路x，其震荡因子 表示如下：
Figure 65215DEST_PATH_IMAGE024
其中，α、β、γ、δ、θ为默认常数；α>0，β>0，γ>0，δ>0，θ>0。
6.根据权利要求5所述的物联网网络流量预测方法，其特征在于：所述步骤S5基于所述每一条中继线路的极大值序列、极小值序列、震荡因子求取相应中继线路下一时段的流量估值，具体包括：
求取中继线路x的下一时段
Figure 848495DEST_PATH_IMAGE025
的流量估值
Figure 921493DEST_PATH_IMAGE026
；
若中继线路x的原始流量矩阵D经过平滑处理后其最后一个流量极值为极大值，即
Figure 702498DEST_PATH_IMAGE027
，若
Figure 877259DEST_PATH_IMAGE028
，则
Figure 651180DEST_PATH_IMAGE029
；否则
Figure 594996DEST_PATH_IMAGE030
；
Figure 61749DEST_PATH_IMAGE031
，
Figure 458227DEST_PATH_IMAGE032
，
Figure 35839DEST_PATH_IMAGE033
、
Figure 670099DEST_PATH_IMAGE034
为默认常数；
若中继线路x的原始流量矩阵D经过平滑处理后其最后一个流量极值为极小值，即
Figure 42174DEST_PATH_IMAGE035
；若
Figure 191527DEST_PATH_IMAGE036
，则
Figure 57983DEST_PATH_IMAGE037
；否则
Figure 225659DEST_PATH_IMAGE038
；
Figure 784948DEST_PATH_IMAGE039
，
Figure 139706DEST_PATH_IMAGE040
，
Figure 75432DEST_PATH_IMAGE041
、
Figure 832035DEST_PATH_IMAGE042
为默认常数。
7.一种物联网网络流量预测系统，其特征在于：包括云端服务器，所述云端服务器进行网络流量预测时，执行权利要求1-6任一项所述物联网网络流量预测方法的方法步骤。
8.一种存储介质，包括存储器及处理器，所述存储器内存储有程序，其特征在于：所述程序被所述处理器执行时，执行权利要求1-6任一项所述物联网网络流量预测方法的方法步骤。
CN202211067950.7A 2022-09-02 2022-09-02 一种物联网网络流量预测方法、系统及存储介质 Active CN115150290B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211067950.7A CN115150290B (zh) 2022-09-02 2022-09-02 一种物联网网络流量预测方法、系统及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211067950.7A CN115150290B (zh) 2022-09-02 2022-09-02 一种物联网网络流量预测方法、系统及存储介质

Publications (2)

Publication Number Publication Date
CN115150290A CN115150290A (zh) 2022-10-04
CN115150290B true CN115150290B (zh) 2022-11-08

Family

ID=83416617

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211067950.7A Active CN115150290B (zh) 2022-09-02 2022-09-02 一种物联网网络流量预测方法、系统及存储介质

Country Status (1)

Country Link
CN (1) CN115150290B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104468272A (zh) * 2014-12-11 2015-03-25 杭州华为数字技术有限公司 流量矩阵的估计方法和装置
CN105578579A (zh) * 2016-03-02 2016-05-11 桂林电子科技大学 基于业务流量预测的蜂窝网基站和中继站联合休眠调度方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7903573B2 (en) * 2006-02-01 2011-03-08 Cisco Technology, Inc. Method and system for network traffic matrix analysis

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104468272A (zh) * 2014-12-11 2015-03-25 杭州华为数字技术有限公司 流量矩阵的估计方法和装置
CN105578579A (zh) * 2016-03-02 2016-05-11 桂林电子科技大学 基于业务流量预测的蜂窝网基站和中继站联合休眠调度方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
An Efficient and Lightweight Predictive Channel Assignment Scheme for Multiband B5G-Enabled Massive IoT: A Deep Learning Approach;Sadman Sakib等;《IEEE Internet of Things Journal》;20201020;第8卷(第7期);全文 *
P Vijayaraman ; P Jesu Jayarin.Prediction and Automation of Road Traffic using Internet of Things.《2019 Third International conference on I-SMAC (IoT in Social, Mobile, Analytics and Cloud) (I-SMAC)》.2020, *
基于区分服务感知的MPLS网络流量分配方法;邹园萍等;《南京邮电大学学报(自然科学版)》;20071215(第06期);全文 *

Also Published As

Publication number Publication date
CN115150290A (zh) 2022-10-04

Similar Documents

Publication Publication Date Title
CN112181971A (zh) 一种基于边缘的联邦学习模型清洗和设备聚类方法、系统、设备和可读存储介质
CN106951926A (zh) 一种混合架构的深度学习系统方法及装置
CN109857935B (zh) 一种信息推荐方法及装置
US20190287022A1 (en) Data processing system and method
CN111831855B (zh) 用于匹配视频的方法、装置、电子设备和介质
WO2023024749A1 (zh) 视频检索的方法、装置、设备及存储介质
CN107885716A (zh) 文本识别方法及装置
CN115562940A (zh) 负载能耗监控方法、装置、介质及电子设备
CN115150290B (zh) 一种物联网网络流量预测方法、系统及存储介质
CN114154392A (zh) 基于区块链和联邦学习的模型共建方法、装置及设备
CN108229469A (zh) 文字的识别方法、装置、存储介质、程序产品和电子设备
CN113630476B (zh) 应用于计算机集群的通信方法及通信装置
CN116187310A (zh) 一种文档级关系抽取方法、装置、设备及存储介质
CN114996930A (zh) 一种建模方法、装置、电子设备及存储介质
CN110809158B (zh) 图像环路滤波处理方法、装置
CN112926646A (zh) 数据批量标准化方法、计算设备和计算机可读存储介质
CN113779335A (zh) 信息生成方法、装置、电子设备和计算机可读介质
CN112202585A (zh) 无线网络流量预测方法、装置及电子设备
CN111462160A (zh) 图像处理方法、装置及存储介质
CN116341689B (zh) 机器学习模型的训练方法、装置、电子设备及存储介质
CN115879826B (zh) 一种基于大数据的精细化工工艺质检方法、系统及介质
CN116244612B (zh) 一种基于自学习参数度量的http流量聚类方法及装置
CN116187476B (zh) 基于混合监督的肺叶分割模型训练、肺叶分割方法及装置
CN115809693A (zh) 基于神经网络的芯片设计能效优化方法
CN114298320A (zh) 联合学习的贡献值计算方法、装置、电子设备及存储介质

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