CN116760493B - 无线信号室内传播模型构建方法、强度预测方法及装置 - Google Patents
无线信号室内传播模型构建方法、强度预测方法及装置 Download PDFInfo
- Publication number
- CN116760493B CN116760493B CN202310691170.8A CN202310691170A CN116760493B CN 116760493 B CN116760493 B CN 116760493B CN 202310691170 A CN202310691170 A CN 202310691170A CN 116760493 B CN116760493 B CN 116760493B
- Authority
- CN
- China
- Prior art keywords
- wireless signal
- model
- indoor
- constructing
- indoor propagation
- 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 38
- 239000013598 vector Substances 0.000 claims abstract description 44
- 239000000463 material Substances 0.000 claims abstract description 9
- 238000013135 deep learning Methods 0.000 claims abstract description 6
- 238000012549 training Methods 0.000 claims description 21
- 230000006870 function Effects 0.000 claims description 13
- 238000013528 artificial neural network Methods 0.000 claims description 12
- 230000004913 activation Effects 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 2
- 238000003745 diagnosis Methods 0.000 abstract description 2
- 230000008447 perception Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000013179 statistical model Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000011449 brick Substances 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000004568 cement Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000005672 electromagnetic field Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000005290 field theory Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- -1 plasterboards Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/391—Modelling the propagation channel
- H04B17/3913—Predictive models, e.g. based on neural network models
-
- 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
- G06N3/0455—Auto-encoder networks; Encoder-decoder 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
- G06N3/048—Activation functions
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- H04B17/373—Predicting channel quality or other radio frequency [RF] parameters
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Electromagnetism (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Signal Processing (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Monitoring And Testing Of Transmission In General (AREA)
Abstract
本发明涉及时空信息智能感知和诊断领域,特别是一种无线信号室内传播模型构建方法、强度预测方法及装置。本发明设计了一种无线信号室内传播模型构建方法,利用发射功率、距离长度、间隔楼层、室内温度、室内湿度、墙体材质、建筑性质等特征和辅助向量建立输入特征向量,并基于深度学习的无线信号室内传播模型来预测某一信号发生器在室内任意位置处的无线信号强度,从而实现在保证测量精度的同时有效降低测量的成本。
Description
技术领域
本发明涉及时空信息智能感知和诊断领域,特别是一种无线信号室内传播模型构建方法、强度预测方法及装置。
背景技术
室内无线传播模型通过计算路径损耗以及对信号强度的预测,可以为室内无线通信网络规划提供可靠的参考。目前室内信号传播模型的研究,主要有两种方法:确定性模型与统计模型。其中,前者主要利用电磁场理论通过大量计算机仿真来实现,对硬件设施要求高,复杂度高,场景建模较复杂;后者通过大量实验得到的经验规律来建立统计性模型,计算简单但是精度还有待提高。
因此,需要一种硬件要求更低,复杂度更小且精度能满足需求的无线信号室内传播模型构建方法、强度预测方法及装置。
发明内容
本发明的目的在于克服现有技术中所存在的现有室内无线传播模型对硬件设施要求高,复杂度高,场景建模较复杂以及精度低的问题,提供一种无线信号室内传播模型构建方法、强度预测方法及装置。
为了实现上述发明目的,本发明提供了以下技术方案:
一种无线信号室内传播模型构建方法,包括以下步骤:
S1:构建输入特征向量,生成训练数据集;所述输入特征向量为<S、发射功率、距离长度、间隔楼层、室内温度、室内湿度、墙体材质、建筑性质>,其中,S为辅助向量,所述墙体材质以及所述建筑性质为向量编码;
S2:构建基于深度学习的无线信号室内传播初步模型;所述无线信号室内传播初步模型包括编码层、若干神经网络模块和激活函数;所述编码层用于对输入特征向量进行维度校准;所述神经网络模块包括多头自注意力层和全连接层;
S3:通过所述训练数据集对所述无线信号室内传播初步模型进行模型训练,待模型收敛后输出为无线信号室内传播模型。
作为本发明的优选方案,所述神经网络模块的数量优选为3,且每个所述多头自注意力层的头数为5。
作为本发明的优选方案,所述激活函数为RELUS函数,其表达式为:
其中,t为全连接层输出预测值,MIN为无线信号强度阈值,单位dB,数值为负数。无线信号强度阈值MIN可以过滤掉部分异常数值,从而有效降低过拟合的风险。
作为本发明的优选方案,所述编码层的操作为对所有非编码向量乘上1*4的矩阵Wi;
编码层输入:{S,R1,R2,...,Rm-1,Rm};
编码层输出:{S,(R1*Wi,R2*Wi,...),(Rm-1,Rm)};
其中,R1、R2为非编码向量,Rm-1、Rm为编码向量。
作为本发明的优选方案,所述S3包括以下步骤:
S31:输入所述训练数据集并随机初始化模型参数;
S32:对所述训练数据集中的所述输入特征向量进行预测,输出所述输入特征向量对应的预测值;
S33:根据所述预测值与真实值计算均方差损失,并反向传播更新初步模型的权重参数;
S34:判断所述均方差损失的损失函数是否收敛,若收敛,则输出当前的所述权重参数为所述无线信号室内传播模型的初始训练参数,否则进入所述S32。
作为本发明的优选方案,所述均方差损失的表达式为:
loss=1/n∑n(x预-x真)2,
其中,x预为预测值,x真为真实值,n为输入特征向量中的掩码数量。
作为本发明的优选方案,所述S33中采用批量随机梯度下降法反向传播更新初步模型的权重参数。
一种无线信号强度预测方法,包括以下步骤:
a:获取待预测位置的输入特征向量;
b:将所述输入特征向量导入以上任一所述无线信号室内传播模型;
c:输出所述输入特征向量对应的预测值,为所述待预测位置的无线信号强度预测值。
一种无线信号强度预测装置,包括至少一个处理器,以及与所述至少一个处理器通信连接的存储器;所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行上述任一项所述的方法。
与现有技术相比,本发明的有益效果:
1.本发明设计了一种无线信号室内传播模型构建方法,利用发射功率、距离长度、间隔楼层、室内温度、室内湿度、墙体材质、建筑性质等特征建立输入特征向量,并基于深度学习的无线信号室内传播模型来预测某一信号发生器在室内任意位置处的无线信号强度,相较现有对数距离路径损耗、楼层衰减因子模型等技术,传播模型的路径衰减因子、墙壁损耗因子、楼层损耗因子等参数由深度学习模型训练得出,避免人工经验造成的误差和复杂的模型计算,从而实现在保证测量精度的同时有效降低测量的成本。
2.本发明通过设置无线信号强度阈值MIN,来过滤掉部分异常数值,从而有效降低过拟合的风险。
附图说明
图1为本发明实施例1所述的一种无线信号室内传播模型构建方法的流程示意图;
图2为本发明实施例2所述的一种无线信号室内传播模型构建方法中无线信号室内传播初步模型的结构示意图;
图3为本发明实施例3所述的一种强度预测方法的流程示意图;
图4为本发明实施例4所述的一种利用了实施例3所述的一种无线信号强度预测装置的结构示意图。
具体实施方式
下面结合试验例及具体实施方式对本发明作进一步的详细描述。但不应将此理解为本发明上述主题的范围仅限于以下的实施例,凡基于本发明内容所实现的技术均属于本发明的范围。
实施例1
如图1所示,一种无线信号室内传播模型构建方法,包括以下步骤:
S1:构建输入特征向量,生成训练数据集。
S2:构建基于深度学习的无线信号室内传播初步模型;所述无线信号室内传播初步模型包括编码层、若干神经网络模块和激活函数;所述编码层用于对输入特征向量进行维度校准;所述神经网络模块包括多头自注意力层和全连接层。
S3:通过所述训练数据集对所述无线信号室内传播初步模型进行模型训练,待模型收敛后输出为无线信号室内传播模型。
实施例2
本实施例为实施例1所述一种无线信号室内传播模型构建方法的一种具体实施方式,包括以下步骤:
S1:构建输入特征向量,生成训练数据集。
所述输入特征向量为<S、发射功率、距离长度、间隔楼层、室内温度、室内湿度、墙体材质、建筑性质>。具体的,所述发射功率为信号发生器的发射功率;所述距离长度为待预测位置与信号发生器的距离;所述墙体材质为间隔墙壁的材料类型编码,如砖、石膏板、水泥、玻璃、厚墙以及立柱;所述间隔楼层为待预测位置与信号发生器之间间隔的楼层数;所述室内温度为待预测位置所在建筑内的温度;所述室内湿度为待预测位置所在建筑内的湿度;所述建筑性质为当前建筑的工作性质编码,包括居住区、办公区以及商业区。具体编码如下表1和表2所示:
表1
表2
建筑性质 | 编码 |
居住区 | 0001 |
办公区 | 0010 |
商业区 | 0011 |
其它 | 0100 |
S2:构建基于深度学习的无线信号室内传播初步模型。
如图2所示,所述无线信号室内传播初步模型包括编码层、若干神经网络模块和激活函数;所述神经网络模块包括多头自注意力层和全连接层。
所述编码层用于对输入特征向量进行维度校准,本实施例中采用通过对所有非编码向量乘上1*4的矩阵Wi;即编码层输入为{S,R1,R2,...,Rm-1,Rm}时,此时编码层输出={S,(R1*Wi,R2*Wi,...),(Rm-1,Rm)},其中,R1、R2为非编码向量,Rm-1、Rm为编码向量。
所述神经网络模块的数量优选为3。每个所述神经网络模块中所述多头自注意力层的头数为5。
所述激活函数为RELUS函数,其表达式为:
其中,t为全连接层输出预测值,MIN为无线信号强度阈值,单位dB,数值为负数。无线信号强度阈值MIN可以过滤掉部分异常数值,从而有效降低过拟合的风险。
S3:通过所述训练数据集对所述无线信号室内传播初步模型进行模型训练,待模型收敛后输出为无线信号室内传播模型。
S31:输入所述训练数据集并随机初始化模型参数;
S32:对所述训练数据集中的所述输入特征向量进行预测,输出所述输入特征向量对应的预测值;
S33:根据所述预测值与真实值计算均方差损失,并反向传播更新初步模型的权重参数;
S34:判断所述均方差损失的损失函数是否收敛,若收敛,则输出当前的所述权重参数为所述无线信号室内传播模型的初始训练参数,否则进入所述S32。
所述均方差损失的表达式为:
loss=1/n∑n(x预-x真)2,
其中,x预为预测值,x真为真实值,n为输入特征向量中的掩码数量。
实施例3
如图3所示,一种无线信号强度预测方法,包括以下步骤:
a:获取待预测位置的输入特征向量;
b:将所述输入特征向量导入前述实施例任一所述无线信号室内传播模型;
c:输出所述输入特征向量对应的预测值,为所述待预测位置的无线信号强度预测值。
实施例4
如图4所示,一种无线信号强度预测装置,包括至少一个处理器,以及与所述至少一个处理器通信连接的存储器,以及与所述至少一个处理器通讯连接的至少一个输入输出接口;所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行前述实施例所述的一种无线信号强度预测方法。所述输入输出接口可以包括显示器、键盘、鼠标、以及USB接口,用于输入输出数据。
本领域技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:移动存储设备、只读存储器(Read OnlyMemory,ROM)、磁碟或者光盘等各种可以存储程序代码的介质。
当本发明上述集成的单元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,也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,本发明实施例的技术方案本质上或者说对现有技术做出贡献的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。而前述的存储介质包括:移动存储设备、ROM、磁碟或者光盘等各种可以存储程序代码的介质。
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 (9)
1.一种无线信号室内传播模型构建方法,其特征在于,包括以下步骤:
S1:构建输入特征向量,生成训练数据集;所述输入特征向量为<S、发射功率、距离长度、间隔楼层、室内温度、室内湿度、墙体材质、建筑性质>,其中,S为辅助向量,所述墙体材质以及所述建筑性质为向量编码;
S2:构建基于深度学习的无线信号室内传播初步模型;所述无线信号室内传播初步模型包括编码层、若干神经网络模块和激活函数;所述编码层用于对输入特征向量进行维度校准;所述神经网络模块包括多头自注意力层和全连接层;
S3:通过所述训练数据集对所述无线信号室内传播初步模型进行模型训练,待模型收敛后输出为无线信号室内传播模型。
2.根据权利要求1所述的一种无线信号室内传播模型构建方法,其特征在于,所述神经网络模块的数量为3,且每个所述多头自注意力层的头数为5。
3.根据权利要求1所述的一种无线信号室内传播模型构建方法,其特征在于,所述激活函数为RELUS函数,其表达式为:
其中,t为全连接层输出预测值,MIN为无线信号强度阈值,单位dB,数值为负数。
4.根据权利要求1所述的一种无线信号室内传播模型构建方法,其特征在于,所述编码层的操作为对所有非编码向量乘上1*4的矩阵Wi;
编码层输入:{S,R1,R2,...,Rm-1,Rm};
编码层输出:{S,(R1*Wi,R2*Wi,...),(Rm-1,Rm)};
其中,R1、R2、...为非编码向量,Rm-1、Rm为编码向量。
5.根据权利要求1所述的一种无线信号室内传播模型构建方法,其特征在于,所述S3包括以下步骤:
S31:输入所述训练数据集并随机初始化模型参数;
S32:对所述训练数据集中的所述输入特征向量进行预测,输出所述输入特征向量对应的预测值;
S33:根据所述预测值与真实值计算均方差损失,并反向传播更新初步模型的权重参数;
S34:判断所述均方差损失的损失函数是否收敛,若收敛,则输出当前的所述权重参数为所述无线信号室内传播模型的初始训练参数,否则进入所述S32。
6.根据权利要求5所述的一种无线信号室内传播模型构建方法,其特征在于,所述均方差损失的表达式为:
loss=1/n∑n(x预-x真)2,
其中,x预为预测值,x真为真实值,n为输入特征向量中的掩码数量。
7.根据权利要求5所述的一种无线信号室内传播模型构建方法,其特征在于,所述S33中采用批量随机梯度下降法反向传播更新初步模型的权重参数。
8.一种无线信号强度预测方法,其特征在于,包括以下步骤:
a:获取待预测位置的输入特征向量;
b:将所述输入特征向量导入权利要求1-7任一所述无线信号室内传播模型;
c:输出所述输入特征向量对应的预测值,为所述待预测位置的无线信号强度预测值。
9.一种无线信号强度预测装置,其特征在于,包括至少一个处理器,以及与所述至少一个处理器通信连接的存储器;所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求8中所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310691170.8A CN116760493B (zh) | 2023-06-12 | 2023-06-12 | 无线信号室内传播模型构建方法、强度预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310691170.8A CN116760493B (zh) | 2023-06-12 | 2023-06-12 | 无线信号室内传播模型构建方法、强度预测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116760493A CN116760493A (zh) | 2023-09-15 |
CN116760493B true CN116760493B (zh) | 2023-12-22 |
Family
ID=87958261
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310691170.8A Active CN116760493B (zh) | 2023-06-12 | 2023-06-12 | 无线信号室内传播模型构建方法、强度预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116760493B (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6119009A (en) * | 1997-09-18 | 2000-09-12 | Lucent Technologies, Inc. | Method and apparatus for modeling the propagation of wireless signals in buildings |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050124354A1 (en) * | 2003-12-04 | 2005-06-09 | Durgin Gregory D. | Location estimation of wireless terminals using indoor radio frequency models |
CN104363616B (zh) * | 2014-10-27 | 2018-07-03 | 英国Ranplan无线网络设计公司 | 一种室外到室内传播模型预测室内三维空间场强的方法 |
KR102114033B1 (ko) * | 2018-04-30 | 2020-05-25 | 서울대학교 산학협력단 | 딥-러닝을 통한 무선신호 전파 채널 해석을 이용한 실내공간의 구조를 예측하는 방법 |
-
2023
- 2023-06-12 CN CN202310691170.8A patent/CN116760493B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6119009A (en) * | 1997-09-18 | 2000-09-12 | Lucent Technologies, Inc. | Method and apparatus for modeling the propagation of wireless signals in buildings |
Non-Patent Citations (1)
Title |
---|
基于灰色-RBF神经网络的传播损耗模型训练;李丽娜等;计算机应用与软件(第08期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116760493A (zh) | 2023-09-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104270281B (zh) | 一种Web Service QoS组合预测方法 | |
CN113769519B (zh) | 一种建筑工地的智能降尘控制方法及系统 | |
CN111970163A (zh) | 一种基于注意力机制的lstm模型的网络流量预测方法 | |
CN109523021B (zh) | 一种基于长短时记忆网络的动态网络结构预测方法 | |
CN114021501B (zh) | 一种火灾温度场重构方法、系统、计算机设备、介质及终端 | |
KR102275126B1 (ko) | 인공지능기법을 이용한 전기설비 안전도 평가 시스템 | |
Lee et al. | Oracle estimation of a change point in high-dimensional quantile regression | |
CN115564114B (zh) | 一种基于图神经网络的空域碳排放短期预测方法及系统 | |
Wang et al. | Research on indoor positioning algorithm based on SAGA-BP neural network | |
CN112464566A (zh) | 一种基于遗传算法及bp神经网络的变压器油温预测方法 | |
CN112365033B (zh) | 一种风电功率区间预测方法、系统及存储介质 | |
CN113222403A (zh) | 基于大数据的电力调节方法、装置、存储介质及电子设备 | |
CN111882157A (zh) | 一种基于深度时空神经网络的需求预测方法、系统及计算机可读存储介质 | |
CN112700326A (zh) | 一种基于灰狼算法优化bp神经网络的信贷违约预测方法 | |
CN116760493B (zh) | 无线信号室内传播模型构建方法、强度预测方法及装置 | |
CN114694379B (zh) | 一种基于自适应动态图卷积的交通流预测方法及系统 | |
CN113935513A (zh) | 一种基于ceemdan的短期电力负荷预测方法 | |
CN115278698A (zh) | 基于动态用户分布预测的无人机基站动态部署方法及装置 | |
CN117311188B (zh) | 用于固定场所的人群导流栏杆的控制方法、系统、设备 | |
CN111988786B (zh) | 一种基于高维多目标分解算法的传感器网络覆盖方法及系统 | |
CN115859765B (zh) | 城市扩张的预测方法、装置、设备及存储介质 | |
CN113283576A (zh) | 一种基于鲸鱼算法优化lstm的频谱感知方法 | |
CN107995630A (zh) | 一种无线网络覆盖的信号数据计算方法及装置 | |
CN116106909A (zh) | 一种雷达回波外推方法、系统及存储介质 | |
CN115775055A (zh) | 多层建筑人员疏散时间的预测方法、装置、设备及介质 |
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 |