CN116634453B - 网络性能确定方法、装置、服务器和存储介质 - Google Patents
网络性能确定方法、装置、服务器和存储介质 Download PDFInfo
- Publication number
- CN116634453B CN116634453B CN202310921099.8A CN202310921099A CN116634453B CN 116634453 B CN116634453 B CN 116634453B CN 202310921099 A CN202310921099 A CN 202310921099A CN 116634453 B CN116634453 B CN 116634453B
- Authority
- CN
- China
- Prior art keywords
- base station
- time period
- future time
- user quantity
- determining
- 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
- 238000000034 method Methods 0.000 title claims abstract description 61
- 230000007613 environmental effect Effects 0.000 claims abstract description 36
- 238000004590 computer program Methods 0.000 claims description 32
- 238000010586 diagram Methods 0.000 claims description 20
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 2
- 238000013501 data transformation Methods 0.000 claims description 2
- 230000010354 integration Effects 0.000 claims description 2
- 230000009467 reduction Effects 0.000 claims description 2
- 230000000694 effects Effects 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 238000005457 optimization Methods 0.000 description 7
- 230000006854 communication Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 230000001360 synchronised effect Effects 0.000 description 4
- 230000003068 static effect Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 206010048669 Terminal state Diseases 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
- H04W16/22—Traffic simulation tools or models
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本申请涉及一种网络性能确定方法、装置、服务器和存储介质。所述方法包括:根据基站的历史用户量和预设的时间序列模型,预测所述基站在未来时间段内的预测用户量波动数据;根据所述预测用户量波动数据、所述基站的参考信号接收功率和环境参数,确定所述基站在所述未来时间段内每个时刻的网络性能参数;根据各所述网络性能参数,确定所述基站在所述未来时间段内每个时刻的网络强度。采用本方法可以对移动网络的网络性能进行及时分析,提前预测出基站在未来时间段内每一时刻的网络强度。
Description
技术领域
本申请涉及通信技术领域,特别是涉及一种网络性能确定方法、装置、服务器和存储介质。
背景技术
随着通信技术的发展,移动网络给人们的日常生活带来了极大的便利,为了使人们能够更好地使用移动网络,需要对移动网络进行优化,而对网络性能分析在移动网络的优化中起着重要作用。
传统技术中,主要是根据网络的中断概率和网络的吞吐量,对网络性能进行分析。然而,传统方法存在对网络性能分析不及时的问题。
发明内容
本申请实施例提供一种网络性能确定方法、装置、服务器和存储介质,可以对移动网络的网络性能进行及时分析,提前预测出基站在未来时间段内每一时刻的网络强度。
第一方面,本申请提供了一种网络性能确定方法,所述方法包括:
根据基站的历史用户量和预设的时间序列模型,预测所述基站在未来时间段内的预测用户量波动数据;
根据所述预测用户量波动数据、所述基站的参考信号接收功率和环境参数,确定所述基站在所述未来时间段内每个时刻的网络性能参数;
根据各所述网络性能参数,确定所述基站在所述未来时间段内每个时刻的网络强度。
在其中一个实施例中,所述预测用户量波动数据包括所述未来时间段内每个时刻的预测用户量,所述根据所述预测用户量波动数据、所述基站的参考信号接收功率和环境参数,确定所述基站在所述未来时间段内每个时刻的网络性能参数,包括:
根据所述未来时间段内每个时刻的预测用户量、所述参考信号接收功率和所述环境参数,确定各所述网络性能参数。
在其中一个实施例中,所述根据所述未来时间段内每个时刻的预测用户量、所述参考信号接收功率和所述环境参数,确定各所述网络性能参数,包括:
根据所述未来时间段内的应用场景,确定权重因子;所述权重因子包括所述预测用户量的权重因子、所述参考信号接收功率的权重因子和所述环境参数的权重因子;
根据所述未来时间段内每个时刻的预测用户量、所述参考信号接收功率、所述环境参数和所述权重因子,确定各所述网络性能参数。
在其中一个实施例中,所述根据所述未来时间段内的应用场景,确定权重因子,包括:
根据所述应用场景以及所述应用场景对应的历史权重因子,确定所述预测用户量的权重因子、所述参考信号接收功率的权重因子和所述环境参数的权重因子。
在其中一个实施例中,所述根据各所述网络性能参数,确定所述基站在所述未来时间段内每个时刻的网络强度,包括:
确定各所述网络性能参数对应的目标参数范围;
根据各所述目标参数范围和预设的对应关系,确定所述基站在所述未来时间段内每个时刻的网络强度;所述对应关系包括网络强度和对应的网络性能参数范围间的对应关系。
在其中一个实施例中,所述方法还包括:
将所述基站在所述未来时间段内每个时刻的网络强度在地图上以热力图的形式展示。
在其中一个实施例中,所述时间序列模型为Informer模型。
第二方面,本申请还提供了一种网络性能确定装置,所述装置包括:
预测模块,用于根据基站的历史用户量和预设的时间序列模型,预测所述基站在未来时间段内的预测用户量波动数据;
第一确定模块,用于根据所述预测用户量波动数据、所述基站的参考信号接收功率和环境参数,确定所述基站在所述未来时间段内每个时刻的网络性能参数;
第二确定模块,用于根据各所述网络性能参数,确定所述基站在所述未来时间段内每个时刻的网络强度。
第三方面,本申请还提供了一种服务器,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现第一方面所述的方法的步骤。
第四方面,本申请还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现第一方面所述的方法的步骤。
第五方面,本申请还提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现第一方面所述的方法的步骤。
上述网络性能确定方法、装置、服务器和存储介质,根据基站的历史用户量和预设的时间序列模型,能够预测出基站在未来时间段内的预测用户量波动数据,提前确定出在未来时间段内基站的预测用户量波动数据,从而可以根据预测的基站在未来时间段内的预测用户量波动数据、基站的参考信号接收功率和环境参数,及时地确定出基站在未来时间段内每个时刻的网络性能参数,进而可以根据确定的基站在未来时间段内每个时刻的网络性能参数,及时地确定基站在未来时间段内每个时刻的网络强度,提前预测出基站在未来时间段内每一时刻的网络强度。
附图说明
图1为一个实施例中网络性能确定方法的应用环境图;
图2为一个实施例中网络性能确定方法的流程示意图;
图3为另一个实施例中网络性能确定方法的流程示意图;
图4为另一个实施例中网络性能确定方法的流程示意图;
图5为一个实施例中网络性能确定装置的结构框图;
图6为另一个实施例中网络性能确定装置的结构框图;
图7为另一个实施例中网络性能确定装置的结构框图;
图8为另一个实施例中网络性能确定装置的结构框图;
图9为一个实施例中服务器的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
图1为本申请实施例提供的一种网络性能确定方法的应用场景示意图。如图1所示,该场景中包括服务器102和基站104,其中,基站104是一种部署在接入网中用以为终端提供无线通信功能的装置,基站104可以管理一个或多个小区,在采用不同的无线接入技术的系统中,具备基站功能的设备的名称可能会有所不同,例如在LTE系统中,称为演进型节点(evolved Node B,eNodeB)或者eNB;在5G新空口(New Radio,NR)系统中,称为gNodeB或者gNB,本申请实施例中的基站104可以是宏基站、微基站或皮基站等任意类型的基站设备。服务器104为运营商服务器,服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
传统技术中,对通信网络进行性能分析时,主要是通过计算网络的中断概率,以及网络的吞吐量,根据网络的中断概率和网络的吞吐量对两跳多中继网络性能进行分析,但是传统技术中对网络性能分析不够及时,在网络发生终端时或者根据通信过程中的吞吐量进行网络性能的分析,无法提前预测网络的性能,具有一定的滞后性,基于此,本申请实施例提供一种网络性能确定方法,可以预测未来时间指定区域下的网络性能情况,提前预测出基站在未来时间段内每一时刻的网络强度,并将预测数据可视化界面,提供给用户未来T时刻周围范围内信号强度较高的位置区域,并且可视化的预测界面可提供给网优团队预防维护优化痛点,预先维护网络状况。
需要说明的是,本申请实施例所带来的有益效果或者所解决的技术问题并不限定于这一个,还可以是其它隐含或者关联的问题,具体可以参见下述实施例的描述。
下面以具体地实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图,对本申请的实施例进行描述。
在一个实施例中,如图2所示,提供了一种网络性能确定方法,以该方法应用于图1中的服务器为例进行说明,包括以下步骤:
S201,根据基站的历史用户量和预设的时间序列模型,预测基站在未来时间段内的预测用户量波动数据。
其中,基站的历史用户量为在历史时间段内基站的用户量,例如,历史用户量可以为过去24小时内基站的用户量,未来时间段内的预测用户量波动数据为根据历史用户量预测的基站在未来时间段内的用户量,例如,未来时间段内的预测用户量波动数据可以为基站在未来24小时内的用户量。
可选的,本实施例中的预设的时间序列模型可以为Informer模型,或者,可以为RNN(Recurrent neural network,循环神经网络)模型,又或者,可以为其他时间序列模型,作为一种优选的实施方式本实施例中的时间序列模型为Informer模型。需要说明的是,Informer算法是基于transformer算法的一个优化改进算法,Informer算法能成功提高在长序列时间序列预测问题上的预测能力,验证了Transformer模型的潜在价值,能捕获长序列时间序列输出和输入之间的个体长期相关性,而对于基站在未来时间段内的用户量预测的过程也是一个单变量长序列时序预测问题,因此采用Informer模型为最优选的实施方式。进一步地,Informer算法主要包括编码过程和解码过程,编码过程中编码器接收长序列输入,通过稀疏性自注意力模块和自注意力蒸馏模块,得到特征表示,Informer算法中稀疏性自注意力机制利用稀疏矩阵替代原来的注意力矩阵,大幅减少算力需求的同时并保持良好的性能,解码过程中解码器接收长序列输入,通过多头注意力与编码特征进行交互,最后直接预测输出目标部分,在预测过程中采用的是一次生成式预测方式,一次生成式预测方式相比一步一步地推理方式推理速度更快且预测效果相当,另外,在长序列时间序列预测问题中,时序建模不仅需要局部时序信息还需要层次时序信息,如星期、月和年等,以及突发事件或某些节假日等,经典自注意力机制很难直接适配,因此Informer算法采用三层特征输入形式,其中,这三层特征分别为标量、局部时间戳和全局时间戳。在本实施例中,可以通过对基站过去一个月的用户量历史值进行采集和累积,将过去一个月的基站用户量输入初始时间序列模型,对初始时间序列模型进行训练,得到训练好的时间序列模型。示例性地,以地点A范围内的20个基站为例,在数据采集阶段,Informer算法通过收集该区域历史的3个月内基站的24小时用户量波动数据,将收集的用户量波动数据作为训练集,对初始时间序列模型进行训练,确定初始时间序列模型的最优超参数,使得最终得到时间序列模型达到预测效果为输入过去一天的基站用户量数据,输出未来第二天的24小时预测用户量波动数据。
作为一种可选的实施方式,获取到基站的历史用户量后,可以对基站的历史用户量进行数据清理、数据集成、数据归约、数据变换和数据离散化等预处理,得到预处理后基站的历史用户量,再将预处理后基站的历史用户量输入时间序列模型,通过时间序列模型预测出基站在未来时间段内的预测用户量波动数据。可选的,基站在未来时间段内的预测用户量波动数据可以为基站在未来时间段内的每一时刻的预测用户量。
S202,根据预测用户量波动数据、基站的参考信号接收功率和环境参数,确定基站在未来时间段内每个时刻的网络性能参数。
在本实施例中,可以根据预测的未来时间段内的预测用户量波动数据,确定未来时间段内的每一时刻基站的用户量,从而可以根据未来时间段内的每一时刻基站的用户量、基站的参考信号接收功率和未来时间段内每一时刻的环境参数,确定出基站在未来时间段内每一时刻的网络性能参数。
需要说明的是,基站的参考信号接收功率在本申请实施例中为一个固定值,可以通过在初始测量的过程中获取基站的参考信号接收功率。在本实施例中,可以基于历史气象数据预测未来时间段内每一时刻的预测气象数据,进一步地,可以基于未来时间段内每一时刻的预测气象数据,确定未来时间段内每一时刻的环境参数,可选的,本实施例中的环境参数可以包括天气、湿度等参数。
S203,根据各网络性能参数,确定基站在未来时间段内每个时刻的网络强度。
可以理解的是,不同的网络强度等级对应的网络性能参数也是不同的,例如,网络强度等级越高对应的网络性能参数可能也越高,因此,网络性能参数和网络强度之间可以存在相对应的对应的关系,在本实施例中,可以根据未来时间段内每个时刻的网络性能参数和上述对应关系,确定出基站在未来时间段内每个时刻的网络强度。可选的,可以将网络强度划分为1-5级,本实施例中确定出的基站在未来时间段内每个时刻的网络强度可能相同,也可能不同,本实施例在此不做限制。
进一步地,确定出基站在未来时间段内每个时刻的网络强度后,可以将确定的基站在未来时间段内每个时刻的网络强度发送给用户终端,以使用户能够选择以及计划未来使用网络的环境;或者,可以将确定的基站在未来时间段内每个时刻的网络强度发送给运营商服务器,以使运营商服务器可以针对未来时间段内每个时刻的网络强度情况对网络进行提前维护优化等。
上述网络性能确定方法中,根据基站的历史用户量和预设的时间序列模型,能够预测出基站在未来时间段内的预测用户量波动数据,提前确定出在未来时间段内基站的预测用户量波动数据,从而可以根据预测的基站在未来时间段内的预测用户量波动数据、基站的参考信号接收功率和环境参数,及时地确定出基站在未来时间段内每个时刻的网络性能参数,进而可以根据确定的基站在未来时间段内每个时刻的网络性能参数,及时地确定基站在未来时间段内每个时刻的网络强度,提前预测出基站在未来时间段内每一时刻的网络强度。
在上述根据未来时间段内的预测用户量波动数据、基站的参考信号接收功率和环境参数,确定基站在未来时间段内每个时刻的网络性能参数的场景中,上述未来时间段内的预测用户量波动数据可以包括未来时间段内每个时刻的预测用户量,在一个实施例中,上述S202,可以包括:步骤A,根据未来时间段内每个时刻的预测用户量、参考信号接收功率和环境参数,确定各网络性能参数。
在本实施例中,预测的基站在未来时间段内的预测用户量波动数据可以包括基站在未来时间段内每个时刻的预测用户量,作为一种可选的实施方式,可以将基站在未来时间段内每个时刻的预测用户量、基站的参考信号接收功率以及环境参数的和,确定为基站在未来时间段内每个时刻的网络性能参数。或者,作为另一种可选的实施方式,可以将基站在未来时间段内每个时刻的预测用户量、基站的参考信号接收功率以及环境参数的加权和,确定为基站在未来时间段内每个时刻的网络性能参数。
需要说明的是,本实施例中未来时间段内每个时刻的环境参数可能是不同的,未来时间段内内个时刻的预测用户量也是不同的,而基站的参考信号接收功率是一个固定值,基于此,确定的基站在未来时间段内每个时刻的网络性能参数也将是不同的。
本实施例中,由于预测的基站在未来时间段内的预测用户量波动数据包括的是未来时间段内每个时刻的预测用户量,这样可以根据基站在未来时间段内每个时刻的预测用户量、基站的参考信号接收功率和环境参数,快速地确定出基站在未来时间段内每一时刻的网络性能参数,提高了确定基站在未来时间段内每一时刻的网络性能参数的效率。
本实施例中将对确定基站在未来时间段内每一时刻的网络性能参数的详细过程加以说明。在一个实施例中,如图3所示,上述步骤A可以包括:
S301,根据未来时间段内的应用场景,确定权重因子;权重因子包括预测用户量的权重因子、参考信号接收功率的权重因子和环境参数的权重因子。
在本实施例中,确定的权重因子包括预测用户量的权重因子、基站的参考信号接收功率的权重因子和环境参数的权重因子。其中,在不同的应用场景下,对应的预测用户量的权重因子、基站的参考信号接收功率的权重因子和环境参数的权重因子可能也是各不相同的。在本实施例中,可以获取各个应用场景对应的历史权重因子,从而可以根据未来时间段内的应用场景以及预先获取的各个应用场景对应的历史权重因子,确定本实施例中预测用户量的权重因子、基站的参考信号接收功率的权重因子和环境参数的权重因子,例如,可以将未来时间段内的应用场景对应的用户量的历史权重因子确定为未来时间段内预测用户量的权重因子,将未来时间段内的应用场景对应的基站的参考信号接收功率的历史权重因子确定为未来时间段内基站的参考信号接收功率的权重因子,将未来时间段内的应用场景对应的环境参数的历史权重因子确定为未来时间段内的环境参数的权重因子。
S302,根据未来时间段内每个时刻的预测用户量、参考信号接收功率、环境参数和权重因子,确定各网络性能参数。
可选的,在本实施例中,可以对未来时间段内每个时刻的预测用户量、基站的参考信号接收功率、环境参数和上述权重因子的加权和,确定基站在未来时间段内每个时刻的网络强度。示例性地,可以根据如下公式确定基站在未来时间段内每个时刻的网络强度:netscore=a*RSRP+b*E(t)+c*environment(t),式中,netscore表示网络强度,RSRP表示基站的参考信号接收功率,E(t)表示未来时间段内某一时刻的预测用户量,environment(t)表示未来时间段内某一时刻的环境参数,a表示基站的参考信号接收功率的权重因子,b表示预测用户量的权重因子,c表示环境参数的权重因子。
本实施例中,根据未来时间段内的应用场景,能够准确地确定出基站预测用户量的权重因子、基站的参考信号接收功率的权重因子和环境参数的权重因子,从而可以根据基站未来时间段内每个时刻的预测用户量、基站的参考接收功率、环境参数、基站预测用户量的权重因子、基站的参考信号接收功率的权重因子和环境参数的权重因子,准确地确定出基站在未来时间段内的每一时刻的网络性能参数,提高了确定的基站在未来时间段内的每一时刻的网络性能参数的准确度。
在上述根据未来时间段内每个时刻的网络性能参数,确定基站在未来时间段内每个时刻的网络强度的场景中,可以根据未来时间段内每个时刻的网络性能参数对应的参数范围,确定基站在未来时间段内每个时刻的网络强度。在一个实施例中,如图4所示,上述S203,包括:
S401,确定各网络性能参数对应的目标参数范围。
在本实施例中,不同的网络强度对应不同的网络性能参数范围,服务器可以将确定的各网络性能参数和不同的网络强度对应的网络性能参数范围进行比对,确定各网络性能参数对应的目标参数范围。示例性地,以确定的未来时间段内的某一时刻的网络性能参数为例,该网络参数可以为一级网络强度对应的网络性能参数范围,或者,也可以为二级网络强度对应的网络性能参数范围,又或者,可以为三级网络强度对应的网络性能参数范围等等,本实施例在此不做限制。
S402,根据各目标参数范围和预设的对应关系,确定基站在未来时间段内每个时刻的网络强度;对应关系包括网络强度和对应的网络性能参数范围间的对应关系。
其中,预设的对应关系包括网络强度和对应的网络性能参数范围间的对应关系,当服务器确定出各网络性能参数对应的目标参数范围后,可以利用预设的对应关系,确定各目标参数范围对应的网络强度,从而确定出基站在未来时间段内每个时刻的网络强度。
可选的,确定的基站在未来时间段内每个时刻的网络强度可以相同也可以不同,例如,确定的基站在未来时间段内每个时刻的网络强度均可以为二级网络强度,或者,也可以为在某个时刻的网络强度等级为二级,在另一时刻的网络强度等级为三级,在其他时刻的网络强度等级为一级等等。
本实施例中,确定各网络性能参数对应的目标参数范围的过程比较简单,能够快速地确定出各网络性能参数对应的目标参数范围,从而可以根据各网络性能参数对应的目标参数范围和预设的网络强度和对应的网络性能参数范围间的对应关系,快速地确定出基站在未来时间段内每个时刻的网络强度,提高确定基站在未来时间段内每个时刻的网络强度的效率,能够确保及时地对基站在未来时间段内每个时刻的网络强度进行预测。
在确定出基站在未来时间段内每个时刻的网络强度后,还可以将确定的基站在未来时间段内每个时刻的网络强度进行可视化展示。在一个实施例中,上述方法还包括:将基站在未来时间段内每个时刻的网络强度在地图上以热力图的形式展示。
在本实施例中,服务器可以在地图中确定上述基站对应的地理位置,从而在地图上该地理位置对应处以热力图的形式展示该基站未来时间段内每个时刻的网络强度。可选的,在本实施例中,对于不同的网络强度可以采用不同的颜色表示,可视化地将基站在未来时间段内每个时刻的网络强度进行展示。
作为一种可选的实施方式,在展示界面上可以通过点击时间轴上的不同时刻,展示基站在未来时间段内每个时刻的网络强度,可视化基站在未来时间段内每个时刻的网络性能情况,使得对于用户来说可以通过可视化未来时间段内每个时刻的网络性能情况,选择以及计划未来使用网络的环境,对于运营商来说,可以针对未来时间段内每个时刻的网络性能预测情况对网络进行提前的维护优化。
本实施例中,通过将基站在未来时间段内每个时刻的网络强度在地图上以热力图的形式展示,能够直观地将未来时间段内每个时刻的网络强度展示给用户或者运营商,能够使用户基于展示的热力图快速地进行不同时间段的网络强度倾向选择,或者能够使运营商基于可视化的展示结果给通信网优团队进行网络预先优化服务,可以针对未来的网络性能预测情况对网络进行提前的维护优化。
为了便于本领域技术人员的理解,以下结合一个完整的实施例对本申请提供的网络性能确定方法进行详细介绍:
S1,根据基站的历史用户量和预设的时间序列模型,预测基站在未来时间段内的预测用户量波动数据;其中,预测用户量波动数据包括未来时间段内每个时刻的预测用户量;时间序列模型为Informer模型。
S2,根据未来时间段内的应用场景以及该应用场景对应的历史权重因子,确定预测用户量的权重因子、参考信号接收功率的权重因子和环境参数的权重因子。
S3,根据未来时间段内每个时刻的预测用户量、参考信号接收功率、环境参数和权重因子,确定基站在未来时间段内每个时刻的网络性能参数。
S4,确定各网络性能参数对应的目标参数范围。
S5,根据各目标参数范围和预设的对应关系,确定基站在未来时间段内每个时刻的网络强度;对应关系包括网络强度和对应的网络性能参数范围间的对应关系。
S6,将基站在未来时间段内每个时刻的网络强度在地图上以热力图的形式展示。
需要说明的是,针对上述S1-S6中的描述可以参见上述实施例中相关的描述,且其效果类似,本实施例在此不再赘述。
应该理解的是,虽然如上的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图5所示,提供了一种网络性能确定装置,包括:预测模块10、第一确定模块11和第二确定模块12,其中:
预测模块10,用于根据基站的历史用户量和预设的时间序列模型,预测基站在未来时间段内的预测用户量波动数据;
第一确定模块11,用于根据预测用户量波动数据、基站的参考信号接收功率和环境参数,确定基站在未来时间段内每个时刻的网络性能参数;
第二确定模块12,用于根据各网络性能参数,确定基站在未来时间段内每个时刻的网络强度。
可选的,上述时间序列模型为Informer模型。
本实施例提供的网络性能确定装置,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
在一个实施例中,可选的,上述预测用户量波动数据包括未来时间段内每个时刻的预测用户量,如图6所示,上述第一确定模块11,包括:第一确定单元111,其中:
第一确定单元111,用于根据未来时间段内每个时刻的预测用户量、参考信号接收功率和环境参数,确定各网络性能参数。
本实施例提供的网络性能确定装置,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
在一个实施例中,可选的,上述第一确定单元111,用于根据未来时间段内的应用场景,确定权重因子;权重因子包括预测用户量的权重因子、参考信号接收功率的权重因子和环境参数的权重因子;根据未来时间段内每个时刻的预测用户量、参考信号接收功率、环境参数和权重因子,确定各网络性能参数。
本实施例提供的网络性能确定装置,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
在一个实施例中,可选的,上述第一确定单元111,用于根据应用场景以及应用场景对应的历史权重因子,确定预测用户量的权重因子、参考信号接收功率的权重因子和环境参数的权重因子。
本实施例提供的网络性能确定装置,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
在一个实施例中,可选的,如图7所示,上述第二确定模块12,包括:第二确定单元121和第三确定单元122,其中:
第二确定单元121,用于确定各网络性能参数对应的目标参数范围。
第三确定单元122,用于根据各目标参数范围和预设的对应关系,确定基站在未来时间段内每个时刻的网络强度;对应关系包括网络强度和对应的网络性能参数范围间的对应关系。
本实施例提供的网络性能确定装置,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
在一个实施例中,可选的,如图8所示,上述装置还包括:展示模块13,其中:
展示模块13,用于将基站在未来时间段内每个时刻的网络强度在地图上以热力图的形式展示。
本实施例提供的网络性能确定装置,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
关于网络性能确定装置的具体限定可以参见上文中对于网络性能确定方法的限定,在此不再赘述。上述网络性能确定装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种服务器,其内部结构图可以如图9所示。该服务器包括通过系统总线连接的处理器、存储器和网络接口。其中,系统总线除包括数据总线之外,还包括电源总线、控制总线和状态信号总线。上述本发明实施例揭示的部分或者全部方法还可以应用于处理器中,或者由处理器实现,或者由处理器与其他元件(例如收发机)配合实现。处理器可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器、数字信号处理器(DigitalSignalProcessor,DSP)、专用集成电路(ApplicationSpecific IntegratedCircuit,ASIC)、现成可编程门阵列(FieldProgrammableGateArray,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器,处理器读取存储器中的信息,结合其硬件完成上述方法的步骤。可以理解,本发明实施例中的存储器可以是易失性存储器或非易失性存储器,或可包括易失性和非易失性存储器两者。其中,非易失性存储器可以是只读存储器(Read-OnlyMemory,ROM)、可编程只读存储器 (ProgrammableROM,PROM)、可擦除可编程只读存储(ErasablePROM,EPROM)、电可擦除可编程只读存储器(ElectricallyEPROM,EEPROM)或闪存。易失性存储器可以是随机存取存储器(RandomAccessMemory,RAM),其用作外部高速缓存。通过示例性但不是限制性说明,许多形式的RAM可用,例如静态随机存取存储器(StaticRAM,SRAM)、动态随机存取存储器 (DynamicRAM,DRAM)、同步动态随机存取存储器(SynchronousDRAM,SDRAM)、双倍数据速率同步动态随机存取存储器(DoubleDataRate SDRAM,DDRSDRAM)、增强型同步动态随机存取存储器(Enhanced SDRAM,ESDRAM)、同步连接动态随机存取存储器(SynchlinkDRAM,SLDRAM)和直接内存总线随机存取存储器(DirectRambusRAM,DRRAM)。本发明实施例描述的系统和方法的存储器旨在包括但不限于这些和任意其它适合类型的存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该服务器的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种网络性能确定方法。
本领域技术人员可以理解,图9中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种服务器,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
根据基站的历史用户量和预设的时间序列模型,预测基站在未来时间段内的预测用户量波动数据;
根据预测用户量波动数据、基站的参考信号接收功率和环境参数,确定基站在未来时间段内每个时刻的网络性能参数;
根据各网络性能参数,确定基站在未来时间段内每个时刻的网络强度。
可选的,上述时间序列模型为Informer模型。
在一个实施例中,上述预测用户量波动数据包括未来时间段内每个时刻的预测用户量,处理器执行计算机程序时还实现以下步骤:
根据未来时间段内每个时刻的预测用户量、参考信号接收功率和环境参数,确定各网络性能参数。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
根据未来时间段内的应用场景,确定权重因子;权重因子包括预测用户量的权重因子、参考信号接收功率的权重因子和环境参数的权重因子;
根据未来时间段内每个时刻的预测用户量、参考信号接收功率、环境参数和权重因子,确定各网络性能参数。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
根据应用场景以及应用场景对应的历史权重因子,确定预测用户量的权重因子、参考信号接收功率的权重因子和环境参数的权重因子。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
确定各网络性能参数对应的目标参数范围;
根据各目标参数范围和预设的对应关系,确定基站在未来时间段内每个时刻的网络强度;对应关系包括网络强度和对应的网络性能参数范围间的对应关系。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
将基站在未来时间段内每个时刻的网络强度在地图上以热力图的形式展示。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
根据基站的历史用户量和预设的时间序列模型,预测基站在未来时间段内的预测用户量波动数据;
根据预测用户量波动数据、基站的参考信号接收功率和环境参数,确定基站在未来时间段内每个时刻的网络性能参数;
根据各网络性能参数,确定基站在未来时间段内每个时刻的网络强度。
可选的,上述时间序列模型为Informer模型。
在一个实施例中,上述预测用户量波动数据包括未来时间段内每个时刻的预测用户量,计算机程序被处理器执行时还实现以下步骤:
根据未来时间段内每个时刻的预测用户量、参考信号接收功率和环境参数,确定各网络性能参数。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
根据未来时间段内的应用场景,确定权重因子;权重因子包括预测用户量的权重因子、参考信号接收功率的权重因子和环境参数的权重因子;
根据未来时间段内每个时刻的预测用户量、参考信号接收功率、环境参数和权重因子,确定各网络性能参数。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
根据应用场景以及应用场景对应的历史权重因子,确定预测用户量的权重因子、参考信号接收功率的权重因子和环境参数的权重因子。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
确定各网络性能参数对应的目标参数范围;
根据各目标参数范围和预设的对应关系,确定基站在未来时间段内每个时刻的网络强度;对应关系包括网络强度和对应的网络性能参数范围间的对应关系。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
将基站在未来时间段内每个时刻的网络强度在地图上以热力图的形式展示。
本申请实施例还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行以下步骤:
根据基站的历史用户量和预设的时间序列模型,预测基站在未来时间段内的预测用户量波动数据;
根据预测用户量波动数据、基站的参考信号接收功率和环境参数,确定基站在未来时间段内每个时刻的网络性能参数;
根据各网络性能参数,确定基站在未来时间段内每个时刻的网络强度。
可选的,上述时间序列模型为Informer模型。
在一个实施例中,上述预测用户量波动数据包括未来时间段内每个时刻的预测用户量,计算机程序被处理器执行时还实现以下步骤:
根据未来时间段内每个时刻的预测用户量、参考信号接收功率和环境参数,确定各网络性能参数。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
根据未来时间段内的应用场景,确定权重因子;权重因子包括预测用户量的权重因子、参考信号接收功率的权重因子和环境参数的权重因子;
根据未来时间段内每个时刻的预测用户量、参考信号接收功率、环境参数和权重因子,确定各网络性能参数。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
根据应用场景以及应用场景对应的历史权重因子,确定预测用户量的权重因子、参考信号接收功率的权重因子和环境参数的权重因子。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
确定各网络性能参数对应的目标参数范围;
根据各目标参数范围和预设的对应关系,确定基站在未来时间段内每个时刻的网络强度;对应关系包括网络强度和对应的网络性能参数范围间的对应关系。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
将基站在未来时间段内每个时刻的网络强度在地图上以热力图的形式展示。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory,ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(DynamicRandom Access Memory,DRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种网络性能确定方法,其特征在于,所述方法包括:
根据基站的历史用户量和预设的时间序列模型,预测所述基站在未来时间段内的预测用户量波动数据;所述预测用户量波动数据包括所述未来时间段内每个时刻的预测用户量;所述时间序列模型为Informer模型;
根据所述未来时间段内的应用场景,确定权重因子,根据所述未来时间段内每个时刻的预测用户量、所述基站的参考信号接收功率、环境参数和所述权重因子,确定所述基站在所述未来时间段内每个时刻的网络性能参数;所述权重因子包括所述预测用户量的权重因子、所述参考信号接收功率的权重因子和所述环境参数的权重因子;
根据各所述网络性能参数,确定所述基站在所述未来时间段内每个时刻的网络强度。
2.根据权利要求1所述的方法,其特征在于,所述根据基站的历史用户量和预设的时间序列模型,预测所述基站在未来时间段内的预测用户量波动数据,包括:
对所述历史用户量进行预处理,得到预处理后基站的历史用户量;所述预处理包括数据清理、数据集成、数据归约、数据变换和数据离散化;
将所述预处理后基站的历史用户量输入所述时间序列模型,预测所述基站在所述未来时间段内的预测用户量波动数据。
3.根据权利要求2所述的方法,其特征在于,所述根据所述未来时间段内每个时刻的预测用户量、所述基站的参考信号接收功率、环境参数和所述权重因子,确定所述基站在所述未来时间段内每个时刻的网络性能参数,包括:
根据公式netscore=a*RSRP+b*E(t)+c*environment(t),确定所述基站在所述未来时间段内每个时刻的网络性能参数,式中,netscore表示网络强度,RSRP表示所述基站的参考信号接收功率,E(t)表示所述未来时间段内某一时刻的预测用户量,environment(t)表示所述未来时间段内某一时刻的环境参数,a表示所述基站的参考信号接收功率的权重因子,b表示预测用户量的权重因子,c表示环境参数的权重因子。
4.根据权利要求3所述的方法,其特征在于,所述根据所述未来时间段内的应用场景,确定权重因子,包括:
根据所述应用场景以及所述应用场景对应的历史权重因子,确定所述预测用户量的权重因子、所述参考信号接收功率的权重因子和所述环境参数的权重因子。
5.根据权利要求1-4任一项所述的方法,其特征在于,所述根据各所述网络性能参数,确定所述基站在所述未来时间段内每个时刻的网络强度,包括:
确定各所述网络性能参数对应的目标参数范围;
根据各所述目标参数范围和预设的对应关系,确定所述基站在所述未来时间段内每个时刻的网络强度;所述对应关系包括网络强度和对应的网络性能参数范围间的对应关系。
6.根据权利要求1所述的方法,其特征在于,所述方法还包括:
将所述基站在所述未来时间段内每个时刻的网络强度在地图上以热力图的形式展示。
7.根据权利要求1所述的方法,其特征在于,所述环境参数包括天气参数、湿度参数。
8.一种网络性能确定装置,其特征在于,所述装置包括:
预测模块,用于根据基站的历史用户量和预设的时间序列模型,预测所述基站在未来时间段内的预测用户量波动数据;所述预测用户量波动数据包括所述未来时间段内每个时刻的预测用户量;所述时间序列模型为Informer模型;
第一确定模块,用于根据所述未来时间段内的应用场景,确定权重因子,根据所述未来时间段内每个时刻的预测用户量、所述基站的参考信号接收功率、环境参数和所述权重因子,确定所述基站在所述未来时间段内每个时刻的网络性能参数;所述权重因子包括所述预测用户量的权重因子、所述参考信号接收功率的权重因子和所述环境参数的权重因子;
第二确定模块,用于根据各所述网络性能参数,确定所述基站在所述未来时间段内每个时刻的网络强度。
9.一种服务器,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
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,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310921099.8A CN116634453B (zh) | 2023-07-26 | 2023-07-26 | 网络性能确定方法、装置、服务器和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310921099.8A CN116634453B (zh) | 2023-07-26 | 2023-07-26 | 网络性能确定方法、装置、服务器和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116634453A CN116634453A (zh) | 2023-08-22 |
CN116634453B true CN116634453B (zh) | 2023-11-03 |
Family
ID=87597745
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310921099.8A Active CN116634453B (zh) | 2023-07-26 | 2023-07-26 | 网络性能确定方法、装置、服务器和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116634453B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106028380A (zh) * | 2016-05-24 | 2016-10-12 | 北京雾联科技有限公司 | 无线网络性能参数的挖掘分析和显示系统及其工作方法 |
CN111541500A (zh) * | 2020-04-10 | 2020-08-14 | 东南大学 | 基于用户行为预测的基站天线动态开关方法 |
CN114980182A (zh) * | 2022-05-17 | 2022-08-30 | 中国电信股份有限公司 | 基站控制方法、装置、非易失性存储介质及电子设备 |
CN116056113A (zh) * | 2022-12-30 | 2023-05-02 | 江苏思维特信息技术有限公司 | 一种多无线接入点无线信号自动优化方法和系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20180060282A (ko) * | 2016-11-28 | 2018-06-07 | 삼성전자주식회사 | 송신 전력 조절 방법 및 장치 |
-
2023
- 2023-07-26 CN CN202310921099.8A patent/CN116634453B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106028380A (zh) * | 2016-05-24 | 2016-10-12 | 北京雾联科技有限公司 | 无线网络性能参数的挖掘分析和显示系统及其工作方法 |
CN111541500A (zh) * | 2020-04-10 | 2020-08-14 | 东南大学 | 基于用户行为预测的基站天线动态开关方法 |
CN114980182A (zh) * | 2022-05-17 | 2022-08-30 | 中国电信股份有限公司 | 基站控制方法、装置、非易失性存储介质及电子设备 |
CN116056113A (zh) * | 2022-12-30 | 2023-05-02 | 江苏思维特信息技术有限公司 | 一种多无线接入点无线信号自动优化方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116634453A (zh) | 2023-08-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhao et al. | Spatial-temporal aggregation graph convolution network for efficient mobile cellular traffic prediction | |
Wang et al. | Deep learning for real time crime forecasting | |
WO2021129086A1 (zh) | 流量预测方法、装置以及存储介质 | |
US20230117633A1 (en) | Method and apparatus for predicting node state | |
CN105740991A (zh) | 基于改进bp神经网络拟合多种气候模式的气候变化预测方法及系统 | |
CN110910659A (zh) | 一种交通流量预测方法、装置、设备以及存储介质 | |
CN110381515B (zh) | 基于合分模式实现小区网络流量资源指标预测的方法 | |
KR102191763B1 (ko) | 시나리오 기반의 재난 확산 예측 방법, 재난 확산 예측 장치 및 재난 확산 예측 시스템 | |
CN107563554A (zh) | 一种统计降尺度模型预报因子的筛选方法 | |
CN113627529A (zh) | 空气质量预测方法、装置、电子设备及存储介质 | |
Eddine et al. | A deep learning based approach for predicting the demand of electric vehicle charge | |
Porteiro et al. | Short term load forecasting of industrial electricity using machine learning | |
CN116092294A (zh) | 一种基于Transformer与图注意力网络的高速公路交通流量预测方法 | |
Bejarano-Luque et al. | A deep-learning model for estimating the impact of social events on traffic demand on a cell basis | |
Soldan et al. | Short-term forecast of EV charging stations occupancy probability using big data streaming analysis | |
CN117078057A (zh) | 一种碳排放控制政策的评估方法、装置、设备及介质 | |
US11379274B2 (en) | Hybrid spatial-temporal event probability prediction method | |
CN114462572A (zh) | 一种基于时空融合图的空气质量预测方法及装置 | |
CN111798066A (zh) | 一种城市尺度下小区流量多维度预测方法及系统 | |
CN116629460B (zh) | 一种基于ST-RANet模型的地铁客流预测方法 | |
CN116634453B (zh) | 网络性能确定方法、装置、服务器和存储介质 | |
CN113537591A (zh) | 长期天气预测方法、装置、计算机设备及存储介质 | |
CN116109007B (zh) | 发电功率确定方法、服务器及存储介质 | |
Abolghasemi et al. | How to predict and optimise with asymmetric error metrics | |
Luo et al. | Multi-scale carbon emission characterization and prediction based on land use and interpretable machine learning model: A case study of the Yangtze River Delta Region, China |
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 |