CN116866950A - 一种基于深度学习的无线网络资源优化系统及方法 - Google Patents
一种基于深度学习的无线网络资源优化系统及方法 Download PDFInfo
- Publication number
- CN116866950A CN116866950A CN202310874555.8A CN202310874555A CN116866950A CN 116866950 A CN116866950 A CN 116866950A CN 202310874555 A CN202310874555 A CN 202310874555A CN 116866950 A CN116866950 A CN 116866950A
- Authority
- CN
- China
- Prior art keywords
- wireless network
- network resource
- data
- deep learning
- resources
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000013135 deep learning Methods 0.000 title claims abstract description 44
- 238000005457 optimization Methods 0.000 title claims abstract description 15
- 238000012545 processing Methods 0.000 claims abstract description 43
- 238000013480 data collection Methods 0.000 claims abstract description 11
- 238000012549 training Methods 0.000 claims description 27
- 238000011156 evaluation Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 9
- 230000005540 biological transmission Effects 0.000 claims description 7
- 238000001228 spectrum Methods 0.000 claims description 7
- 238000002790 cross-validation Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 230000001960 triggered effect Effects 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 4
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 description 10
- 238000007792 addition Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000026676 system process Effects 0.000 description 1
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
- H04W28/00—Network traffic management; Network resource management
- H04W28/02—Traffic management, e.g. flow control or congestion control
- H04W28/06—Optimizing the usage of the radio link, e.g. header compression, information sizing, discarding information
-
- 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
本发明属于应用于无线网络资源优化技术领域,具体而言,涉及一种基于深度学习的无线网络资源优化系统及方法。本发明无线网络资源数据收集模块收集相关数据并实时上传到深度学习的无线网络资源数据处理平台;根据深度学习的无线网络资源数据处理平台对上传的数据进行处理及分析,并把数据结果发送到无线网络资源预警模块;根据无线网络资源预警模块触发结果,无线网络资源调节模块进行无线资源调节;无线网络资源数据库保存及更新全部的无线网络资源数据;不仅是降低了人们使用无线网络资源使用成本,使得无线网络资源使用率高;还增加调节无线网络资源合理分配的方式。
Description
技术领域
本发明属于应用于无线网络资源优化技术领域,具体而言,涉及一种基于深度学习的无线网络资源优化系统及方法。
背景技术
无线网络资源是当今人们在生活中使用无线网络不可缺少的方式,它影响着人们生活的方方面面;尤其现今智能手机的普及和短视频的爆发,人们对无线网络的要求越来越高,和不同层次人群使用网络差异化大的存在,对造成现今无线网络资源中频谱经常拥塞,带宽永远使用不够的现象;因此,需要引入一种基于深度学习的无线网络资源优化系统及方法。
现今无线网络资源一方面是增加了人们使用无线网络资源使用成本,而且往往达不到想要的效果,无线网络资源使用率低;另一方面缺少调节无线网络资源合理分配的方式。
发明内容
本发明是基于上述技术问题,针对的无线网络资源优化提出的一种基于深度学习的无线网络资源优化系统及方法;不仅是降低了人们使用无线网络资源使用成本,使得无线网络资源使用率高;还增加调节无线网络资源合理分配的方式。
本发明是这样实现的:
本发明的提出一种基于深度学习的无线网络资源优化系统及方法,该方法应用了无线网络资源数据收集模块、深度学习的无线网络资源数据处理平台、无线网络资源预警模块、无线网络资源调节模块和无线网络资源数据库;其特征在于,所述方法包括以下步骤:
步骤1:无线网络资源数据收集模块收集相关数据并实时上传到深度学习的无线网络资源数据处理平台;
步骤2:根据深度学习的无线网络资源数据处理平台对上传的数据进行处理及分析,并把数据结果发送到无线网络资源预警模块;
步骤3:根据无线网络资源预警模块触发结果,无线网络资源调节模块进行无线资源调节;
步骤4:无线网络资源数据库保存及更新全部的无线网络资源数据。
根据本发明方面的一种能够实现的方式,所述步骤1中无线网络资源数据收集模块收集相关数据并实时上传到深度学习的无线网络资源数据处理平台具体操作方法包括:
无线网络资源数据收集模块收集相关数据,主要使用网络数据传感器和网络监控工具;其中相关数据包括带宽资源、频谱资源和时间资源等;对相关数据内容标记φβ,其中β=0,1,2,...,p;p为正整数,表示相关数据内容中β可取值的最大值。
根据本发明方面的一种能够实现的方式,所述步骤2根据深度学习的无线网络资源数据处理平台对上传的数据进行处理及分析,并把数据结果发送到无线网络资源预警模块操作方法包括:
由于无线网络资源数据的实时传送性,要使用基于时间序列交叉验证对模型进行训练;
深度学习的无线网络资源数据处理平台对数据处理的步骤:
Step1:收集无线网络中的数据和历史中发生的无线网络数据,包括信号强度、数据传输速率和网络拥塞情况等;数据预处理:对收集到的数据进行预处理,包括数据清洗、去噪和归一化等;
Step2:特征提取内容包括信号强度、信噪比、网络拥塞指标和设备位置等;
基于时间序列交叉验证对数据进行划分为训练集和测试集;假设训练集占比为a(0<a<1),则训练集包含前a×T个时间步的样本,测试集包含后(1-a)×T个时间步的样本;T单位为s,表示设置的总时间;每一秒对应一个无线网络资源数据;
Step3:使用卷积神经网络模型训练和预测,对于每个时间步t(t=1,2,...,(1-a)×T),使用训练集中的前t个时间步的样本进行模型训练,使用训练得到的模型对下一个时间步(t+1)进行预测;训练过程中,通过反向传播算法更新模型参数,使其逐渐优化;使用随机梯度下降来最小化损失函数;
Step4:对于每个预测的时间步t+1,使用均方根误差、平均绝对误差和相关系数等评估指标;对所有的预测时间步的评估指标进行汇总,得到模型的性能评估结果;考虑到无线网络资源数据的时效性和稳定性方面,主要是在带宽利用率、吞吐量、延迟、丢包率和连接成功率这5个方面来衡量模型的效果;
带宽利用率:
计算公式:带宽利用率=(实际使用带宽/可用带宽)*100%;
吞吐量:
计算公式:吞吐量=成功传输的数据量/传输时间;
延迟:
计算公式:延迟=传输时间+排队等待时间+处理时间;
丢包率:
计算公式:丢包率=(丢失的数据包数/发送的数据包数)*100%;
连接成功率:
计算公式:连接成功率=(成功建立的连接数/尝试建立连接的总数)*100%。
根据本发明方面的一种能够实现的方式,所述步骤3中根据无线网络资源预警模块触发结果,无线网络资源调节模块进行无线资源调节操作方法包括:
深度学习的无线网络资源数据处理平台对下一个时间步(t+1)进行预测,若预测结果超过自定义好的阙值,则触发无线网络资源预警模块,并调用无线网络资源调节模块对结合预测数据和真实数据进行抵消数值误差操作,如降低或增加带宽和增大和减少吞吐量;若预测结果没有超过自定义好的阙值,则不触发无线网络资源预警模块,也不调用无线网络资源调节模块进行无线资源调节。
根据本发明方面的一种能够实现的方式,所述步骤4中无线网络资源数据库保存及更新全部的无线网络资源数据操作方法包括:
无线网络资源数据库保存及更新全部的无线网络资源数据,用于存储和更新关于无线网络资源的所有数据;会保存与无线网络资源相关的各种数据,如带宽、频谱、时间、编码和功率等同时,对各种数据内容标记Lm,其中m=0,1,2,...,σ;σ为正整数,表示各种数据内容中m可取值的最大值;该数据库会不断进行更新,更新的过程包括数据的添加、修改和删除操作。
一种云端系统,根据深度学习的无线网络资源数据处理平台对上传的数据进行处理及分析,并把数据结果发送到无线网络资源预警模块;通过云端计算及分析对无线网络资源优化。
基于上述任一方面,本发明的有益效果为:
1.本发明无线网络资源数据收集模块收集相关数据并实时上传到深度学习的无线网络资源数据处理平台;根据深度学习的无线网络资源数据处理平台对上传的数据进行处理及分析,并把数据结果发送到无线网络资源预警模块;此方法一方面是降低了人们使用无线网络资源使用成本,无线网络资源使用率高;
2.本发明根据无线网络资源预警模块触发结果,无线网络资源调节模块进行无线资源调节;无线网络资源数据库保存及更新全部的无线网络资源数据;此方法另一方面增加调节无线网络资源合理分配的方式。
附图说明
利用附图对本发明作进一步说明,但附图中的实施例不构成对本发明的任何限制,对于本领域的普通技术人员,在不付出创造性劳动的前提下,还可以根据以下附图获得其它的附图。
图1为本发明的方法实施步骤流程图。
具体实施方式
下面将结合本发明实施以上内容仅仅是对本发明的构思所作的举例和说明,所属本技术领域的技术人员对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,只要不偏离发明的构思或者超越本权利要求书所定义的范围,均应属于本发明的保护范围。
结合图1,一种基于深度学习的无线网络资源优化系统及方法,该方法应用了无线网络资源数据收集模块、深度学习的无线网络资源数据处理平台、无线网络资源预警模块、无线网络资源调节模块和无线网络资源数据库;其特征在于,所述方法包括以下步骤:
步骤1:无线网络资源数据收集模块收集相关数据并实时上传到深度学习的无线网络资源数据处理平台;
在本发明的具体实施例中,所述步骤1中无线网络资源数据收集模块收集相关数据并实时上传到深度学习的无线网络资源数据处理平台具体操作方法包括:
无线网络资源数据收集模块收集相关数据,主要使用网络数据传感器和网络监控工具;其中相关数据包括带宽资源、频谱资源和时间资源等;对相关数据内容标记φβ,其中β=0,1,2,...,p;p为正整数,表示相关数据内容中β可取值的最大值。
步骤2:根据深度学习的无线网络资源数据处理平台对上传的数据进行处理及分析,并把数据结果发送到无线网络资源预警模块;
在本发明的具体实施例中,所述步骤2根据深度学习的无线网络资源数据处理平台对上传的数据进行处理及分析,并把数据结果发送到无线网络资源预警模块操作方法包括:
由于无线网络资源数据的实时传送性,要使用基于时间序列交叉验证对模型进行训练;
深度学习的无线网络资源数据处理平台对数据处理的步骤:
Step1:收集无线网络中的数据和历史中发生的无线网络数据,包括信号强度、数据传输速率和网络拥塞情况等;数据预处理:对收集到的数据进行预处理,包括数据清洗、去噪和归一化等;
Step2:特征提取内容包括信号强度、信噪比、网络拥塞指标和设备位置等;
基于时间序列交叉验证对数据进行划分为训练集和测试集;假设训练集占比为a(0<a<1),则训练集包含前a×T个时间步的样本,测试集包含后(1-a)×T个时间步的样本;T单位为s,表示设置的总时间;每一秒对应一个无线网络资源数据;
Step3:使用卷积神经网络模型训练和预测,对于每个时间步t(t=1,2,...,(1-a)×T),使用训练集中的前t个时间步的样本进行模型训练,使用训练得到的模型对下一个时间步(t+1)进行预测;训练过程中,通过反向传播算法更新模型参数,使其逐渐优化;使用随机梯度下降来最小化损失函数;
Step4:对于每个预测的时间步t+1,使用均方根误差、平均绝对误差和相关系数等评估指标;对所有的预测时间步的评估指标进行汇总,得到模型的性能评估结果;考虑到无线网络资源数据的时效性和稳定性方面,主要是在带宽利用率、吞吐量、延迟、丢包率和连接成功率这5个方面来衡量模型的效果;
带宽利用率:
计算公式:带宽利用率=(实际使用带宽/可用带宽)*100%;
吞吐量:
计算公式:吞吐量=成功传输的数据量/传输时间;
延迟:
计算公式:延迟=传输时间+排队等待时间+处理时间;
丢包率:
计算公式:丢包率=(丢失的数据包数/发送的数据包数)*100%;
连接成功率:
计算公式:连接成功率=(成功建立的连接数/尝试建立连接的总数)*100%。
步骤3:根据无线网络资源预警模块触发结果,无线网络资源调节模块进行无线资源调节;
在本发明的具体实施例中,所述步骤3中根据无线网络资源预警模块触发结果,无线网络资源调节模块进行无线资源调节操作方法包括:
深度学习的无线网络资源数据处理平台对下一个时间步(t+1)进行预测,若预测结果超过自定义好的阙值,则触发无线网络资源预警模块,并调用无线网络资源调节模块对结合预测数据和真实数据进行抵消数值误差操作,如降低或增加带宽和增大和减少吞吐量;若预测结果没有超过自定义好的阙值,则不触发无线网络资源预警模块,也不调用无线网络资源调节模块进行无线资源调节。
步骤4:无线网络资源数据库保存及更新全部的无线网络资源数据。
在本发明的具体实施例中,所述步骤4中无线网络资源数据库保存及更新全部的无线网络资源数据操作方法包括:
无线网络资源数据库保存及更新全部的无线网络资源数据,用于存储和更新关于无线网络资源的所有数据;会保存与无线网络资源相关的各种数据,如带宽、频谱、时间、编码和功率等同时,对各种数据内容标记Lm,其中m=0,1,2,...,σ;σ为正整数,表示各种数据内容中m可取值的最大值;该数据库会不断进行更新,更新的过程包括数据的添加、修改和删除操作。
一种云端系统,其特征在于:根据深度学习的无线网络资源数据处理平台对上传的数据进行处理及分析,并把数据结果发送到无线网络资源预警模块;通过云端计算及分析对无线网络资源优化。
本发明无线网络资源数据收集模块收集相关数据并实时上传到深度学习的无线网络资源数据处理平台;根据深度学习的无线网络资源数据处理平台对上传的数据进行处理及分析,并把数据结果发送到无线网络资源预警模块;根据无线网络资源预警模块触发结果,无线网络资源调节模块进行无线资源调节;无线网络资源数据库保存及更新全部的无线网络资源数据;此方法一方面是降低了人们使用无线网络资源使用成本,无线网络资源使用率高;此方法另一方面增加调节无线网络资源合理分配的方式。
以上内容仅仅是对本发明结构所作的举例和说明,所属本技术领域的技术人员对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,只要不偏离发明的结构或者超越本权利要求书所定义的范围,均应属于本发明的保护范围。
Claims (6)
1.一种基于深度学习的无线网络资源优化系统及方法,该方法应用了无线网络资源数据收集模块、深度学习的无线网络资源数据处理平台、无线网络资源预警模块、无线网络资源调节模块和无线网络资源数据库;其特征在于,所述方法包括以下步骤:
步骤1:无线网络资源数据收集模块收集相关数据并实时上传到深度学习的无线网络资源数据处理平台;
步骤2:根据深度学习的无线网络资源数据处理平台对上传的数据进行处理及分析,并把数据结果发送到无线网络资源预警模块;
步骤3:根据无线网络资源预警模块触发结果,无线网络资源调节模块进行无线资源调节;
步骤4:无线网络资源数据库保存及更新全部的无线网络资源数据。
2.根据权利要求1所述的一种基于深度学习的无线网络资源优化系统及方法,其特征在于:所述步骤1中无线网络资源数据收集模块收集相关数据并实时上传到深度学习的无线网络资源数据处理平台具体操作方法包括:
无线网络资源数据收集模块收集相关数据,主要使用网络数据传感器和网络监控工具;其中相关数据包括带宽资源、频谱资源和时间资源等;对相关数据内容标记φβ,其中β=0,1,2,...,p;p为正整数,表示相关数据内容中β可取值的最大值。
3.根据权利要求1所述的一种基于深度学习的无线网络资源优化系统及方法,其特征在于:所述步骤2根据深度学习的无线网络资源数据处理平台对上传的数据进行处理及分析,并把数据结果发送到无线网络资源预警模块操作方法包括:
由于无线网络资源数据的实时传送性,要使用基于时间序列交叉验证对模型进行训练;
深度学习的无线网络资源数据处理平台对数据处理的步骤:
Step1:收集无线网络中的数据和历史中发生的无线网络数据,包括信号强度、数据传输速率和网络拥塞情况等;数据预处理:对收集到的数据进行预处理,包括数据清洗、去噪和归一化等;
Step2:特征提取内容包括信号强度、信噪比、网络拥塞指标和设备位置等;
基于时间序列交叉验证对数据进行划分为训练集和测试集;假设训练集占比为a(0<a<1),则训练集包含前a×T个时间步的样本,测试集包含后(1-a)×T个时间步的样本;T单位为s,表示设置的总时间;每一秒对应一个无线网络资源数据;
Step3:使用卷积神经网络模型训练和预测,对于每个时间步t(t=1,2,...,(1-a)×T),使用训练集中的前t个时间步的样本进行模型训练,使用训练得到的模型对下一个时间步(t+1)进行预测;训练过程中,通过反向传播算法更新模型参数,使其逐渐优化;使用随机梯度下降来最小化损失函数;
Step4:对于每个预测的时间步t+1,使用均方根误差、平均绝对误差和相关系数等评估指标;对所有的预测时间步的评估指标进行汇总,得到模型的性能评估结果;考虑到无线网络资源数据的时效性和稳定性方面,主要是在带宽利用率、吞吐量、延迟、丢包率和连接成功率这5个方面来衡量模型的效果。
4.根据权利要求1所述的一种基于深度学习的无线网络资源优化系统及方法,其特征在于:所述步骤3中根据无线网络资源预警模块触发结果,无线网络资源调节模块进行无线资源调节操作方法包括:
深度学习的无线网络资源数据处理平台对下一个时间步(t+1)进行预测,若预测结果超过自定义好的阙值,则触发无线网络资源预警模块,并调用无线网络资源调节模块对结合预测数据和真实数据进行抵消数值误差操作,如降低或增加带宽和增大和减少吞吐量;若预测结果没有超过自定义好的阙值,则不触发无线网络资源预警模块,也不调用无线网络资源调节模块进行无线资源调节。
5.根据权利要求1所述的一种基于深度学习的无线网络资源优化系统及方法,其特征在于:所述步骤4中无线网络资源数据库保存及更新全部的无线网络资源数据操作方法包括:
无线网络资源数据库保存及更新全部的无线网络资源数据,用于存储和更新关于无线网络资源的所有数据;会保存与无线网络资源相关的各种数据,如带宽、频谱、时间、编码和功率等同时,对各种数据内容标记Lm,其中m=0,1,2,...,σ;σ为正整数,表示各种数据内容中m可取值的最大值;该数据库会不断进行更新,更新的过程包括数据的添加、修改和删除操作。
6.一种云端系统,其特征在于:根据深度学习的无线网络资源数据处理平台对上传的数据进行处理及分析,并把数据结果发送到无线网络资源预警模块;通过云端计算及分析对无线网络资源优化,以执行上述权利要求1-5任一项所述的一种基于深度学习的无线网络资源优化系统及方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310874555.8A CN116866950A (zh) | 2023-07-17 | 2023-07-17 | 一种基于深度学习的无线网络资源优化系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310874555.8A CN116866950A (zh) | 2023-07-17 | 2023-07-17 | 一种基于深度学习的无线网络资源优化系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116866950A true CN116866950A (zh) | 2023-10-10 |
Family
ID=88223171
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310874555.8A Pending CN116866950A (zh) | 2023-07-17 | 2023-07-17 | 一种基于深度学习的无线网络资源优化系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116866950A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117560287A (zh) * | 2024-01-11 | 2024-02-13 | 深圳市先行电气技术有限公司 | 一种基于深度学习的集中器优化配置方法及集中器 |
-
2023
- 2023-07-17 CN CN202310874555.8A patent/CN116866950A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117560287A (zh) * | 2024-01-11 | 2024-02-13 | 深圳市先行电气技术有限公司 | 一种基于深度学习的集中器优化配置方法及集中器 |
CN117560287B (zh) * | 2024-01-11 | 2024-05-03 | 深圳市先行电气技术有限公司 | 一种基于深度学习的集中器优化配置方法及集中器 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9628499B1 (en) | Statistics-based anomaly detection | |
CN110475224B (zh) | 一种基于边缘计算的传感器数据处理与协同预测方法 | |
CN116866950A (zh) | 一种基于深度学习的无线网络资源优化系统及方法 | |
CN109981744B (zh) | 数据的分发方法、装置、存储介质及电子设备 | |
CN106533623B (zh) | 跨协议通信方法及装置 | |
EP2278502A1 (en) | Deleting data stream overload | |
CN107911254B (zh) | 日志传输方法、装置、计算设备及存储介质 | |
CN107026763A (zh) | 一种基于流量分解的数据通信网流量预测方法 | |
CN110809275B (zh) | 基于无线城域网的微云节点放置方法 | |
CN114513470B (zh) | 网络流量控制方法、装置、设备及计算机可读存储介质 | |
US11888703B1 (en) | Machine learning algorithms for quality of service assurance in network traffic | |
EP3491793B1 (en) | System and method for resource-aware and time-critical iot frameworks | |
CN117692260B (zh) | 基于数据分析的网络异常行为识别方法 | |
CN116782185B (zh) | 一种车载无线短距离通信的资源调度方法及装置 | |
CN116112557A (zh) | 一种基于确定数据的多种报文格式适配方法和系统 | |
CN117170979B (zh) | 一种大规模设备的能耗数据处理方法、系统、设备及介质 | |
CN108667564A (zh) | 一种在线学习的自适应链路mcs切换控制方法 | |
CN112532615A (zh) | 一种智能电网蠕虫检测方法 | |
CN114726892B (zh) | 基于人工智能大数据的边缘数据收集方法 | |
CN116436906A (zh) | 一种分布式光伏数据采集传输方法及系统 | |
CN115330067B (zh) | 一种交通拥堵预测方法、装置、电子设备及存储介质 | |
CN112564881A (zh) | 基于长短时多门限信道状态预测的5g通信自适应传输方法 | |
CN114282658A (zh) | 一种针对流量序列分析及预测的方法、设备和介质 | |
CN1744532A (zh) | 按流业务量的估计 | |
CN113986636A (zh) | 一种基于硬盘自适应报告数据的数据中心硬盘故障预测方法 |
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 |