CN117118510B - 一种基于机器学习的光信道误码率预测方法 - Google Patents
一种基于机器学习的光信道误码率预测方法 Download PDFInfo
- Publication number
- CN117118510B CN117118510B CN202311318561.1A CN202311318561A CN117118510B CN 117118510 B CN117118510 B CN 117118510B CN 202311318561 A CN202311318561 A CN 202311318561A CN 117118510 B CN117118510 B CN 117118510B
- Authority
- CN
- China
- Prior art keywords
- data
- model
- optical channel
- error rate
- machine learning
- 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
- 230000003287 optical effect Effects 0.000 title claims abstract description 56
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000010801 machine learning Methods 0.000 title claims abstract description 26
- 238000012360 testing method Methods 0.000 claims abstract description 23
- 230000009466 transformation Effects 0.000 claims abstract description 17
- 238000012549 training Methods 0.000 claims abstract description 16
- 238000011084 recovery Methods 0.000 claims abstract description 6
- 238000011156 evaluation Methods 0.000 claims abstract description 5
- 238000010276 construction Methods 0.000 claims abstract description 4
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 16
- 238000010586 diagram Methods 0.000 claims description 15
- 230000008859 change Effects 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 2
- 238000013112 stability test Methods 0.000 claims description 2
- 230000001131 transforming effect Effects 0.000 claims description 2
- 238000004422 calculation algorithm Methods 0.000 description 8
- 238000005311 autocorrelation function Methods 0.000 description 7
- 238000007726 management method Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 4
- 241001123248 Arma Species 0.000 description 2
- 238000013501 data transformation Methods 0.000 description 2
- 230000004069 differentiation Effects 0.000 description 2
- 230000000630 rising effect Effects 0.000 description 2
- 238000001744 unit root test Methods 0.000 description 2
- 101000614599 Homo sapiens Jerky protein homolog Proteins 0.000 description 1
- 102100040507 Jerky protein homolog Human genes 0.000 description 1
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000007429 general method Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- RGNPBRKPHBKNKX-UHFFFAOYSA-N hexaflumuron Chemical compound C1=C(Cl)C(OC(F)(F)C(F)F)=C(Cl)C=C1NC(=O)NC(=O)C1=C(F)C=CC=C1F RGNPBRKPHBKNKX-UHFFFAOYSA-N 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000011551 log transformation method Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B10/00—Transmission systems employing electromagnetic waves other than radio-waves, e.g. infrared, visible or ultraviolet light, or employing corpuscular radiation, e.g. quantum communication
- H04B10/07—Arrangements for monitoring or testing transmission systems; Arrangements for fault measurement of transmission systems
- H04B10/075—Arrangements for monitoring or testing transmission systems; Arrangements for fault measurement of transmission systems using an in-service signal
- H04B10/079—Arrangements for monitoring or testing transmission systems; Arrangements for fault measurement of transmission systems using an in-service signal using measurements of the data signal
- H04B10/0795—Performance monitoring; Measurement of transmission parameters
- H04B10/07953—Monitoring or measuring OSNR, BER or Q
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Medical Informatics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Electromagnetism (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Evolutionary Biology (AREA)
- Signal Processing (AREA)
- Evolutionary Computation (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Artificial Intelligence (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Complex Calculations (AREA)
Abstract
本发明提供一种基于机器学习的光信道误码率预测方法，包括建模及训练阶段和部署推理阶段，所述建模及训练阶段包括数据采集、数据对数化、数据动态偏置、数据幂指变换、数据平稳性检验、数据差分、模型定阶、模型构建、模型检验、模型评价，所述部署推理阶段包括数据采集、数据对数化、数据动态偏置、数据幂指变换、数据差分、推理引擎推力、数据幂指恢复、数据动态偏置恢复、数据指数化、输出预测结果，该预测方法提出“数据对数变换可差分化方法”，解决了误码率数量级变化导致的不可“差分”问题，解决光信道误码数据中“突变数据”“不平稳数据”导致无法进行自回归的问题，以此实现了基于ARIMA模型的光信道误码率预测。
Description
技术领域
本发明涉及AI监督学习领域及预测性运维领域，具体为一种基于机器学习的光信道误码率预测方法。
背景技术
光传送网(OTN)技术是电网络与全光网折衷的产物，指在光域内实现业务信号的传送、复用、路由选择、监控，并且保证其性能指标和生存性的传送网络；因此光信道OCh层具备了类似SDH/SONet网络中基于单波长的OMAP功能，目前业界针对光信道误码率的预测主要采用基于深度学习的循环神经网络RNN算法，其中ARIMA模型是时间序列预测分析最主要的机器学习方法之一。
现有技术中，光信道误码率数据存在较多的突变“数据段”，且突变是跨数量级的，这就导致即便用n阶差分，都不可能消除这样数据的不平稳性；但是“数据段”内的数据又是“平稳的”，所以从理论上来说，即便数据段突变处可能无法预测准确，但是突变后的“数据段”内的数据又基本上是“平稳的”，另一方面光信道误码率数据存在较多的突变“数据点”(噪声)，噪声达到一定数量，将会对机器学习造成严重的影响。
发明内容
针对现有技术存在的不足，本发明目的是提供一种基于机器学习的光信道误码率预测方法，以解决上述背景技术中提出的问题，本发明解决了光信道误码率数据平稳性问题，实现利用ARIMA这样的“小型”机器学习模型对对光网络的光信道误码率进行建模、学习、训练和预测。
为了实现上述目的，本发明是通过如下的技术方案来实现：一种基于机器学习的光信道误码率预测方法，包括建模及训练阶段和部署推理阶段，所述建模及训练阶段包括数据采集、数据对数化、数据动态偏置、数据幂指变换、数据平稳性检验、数据差分、模型定阶、模型构建、模型检验、模型评价，所述部署推理阶段包括数据采集、数据对数化、数据动态偏置、数据幂指变换、数据差分、推理引擎推力、数据幂指恢复、数据动态偏置恢复、数据指数化、输出预测结果，通过上述过程并用ARIMA模型来对光网络的光域光信道误码率进行建模、学习、训练和预测。
进一步的，该预测方法包含“数据对数变换可差分化方法”：降低数据数量级将数据范围缩小至(约-10，0)范围内，解决误码率数量级变化导致的不可“差分”问题。
进一步的，所述该预测方法包含“基于幂指函数动态偏置的ARIMA模型”方法，解决光信道误码数据中“突变数据”“不平稳数据”导致无法进行自回归问题。
进一步的，在ARIMA模型中首先通过“幂指函数动态偏置”其中将其数据变的更加“平稳”,然后再利用ARIMA模型针对y'数据进行机器学习得到模型
进一步的，所述“幂指函数动态偏置”的过程中，动态偏置将其数据变换至以“0”为中心附近波动；且幂指函数将数据向+1，-1附近拉伸；所述部署推理阶段在推理过程中将上数据逆向变换，得到所需预测的光信道误码率。
进一步的，所述建模及训练阶段的数据采集中，针对每一个光信道建立一套模型，通过网络管控系统按照光信道ID采集读取和采集光信道历史BER。
进一步的，所述数据平稳性检验包括以下三种方法：直接观察数据序列图、观察自相关图，平稳的序列的自相关图(ACF)和偏相关图(PACF)以及单位根检验。
进一步的，所述模型检验主要包括模型的显著性检验：检验整个模型对信息的提取是否充分，该过程主要是利用qq图检验残差是否满足正态分布；参数显著性检验：检验模型是否最简，主要检测对象是残差序列，该过程主要利用D-W检验残差的自相关性。
进一步的，所述部署推理阶段中的数据差分根据建模及训练阶段中“学习、训练、优化”好的d值来进行差分，d＝0无需进行差分；d等于其它数值，则按照对应阶数进行差分。
进一步的，所述部署推理阶段中推理引擎推力包括可运行的脚本或者特定功能应用程序或者大型的网络管控系统中的AI引擎。
本发明的有益效果：
该基于机器学习的光信道误码率预测方法提出“数据对数变换可差分化方法”，解决了误码率数量级变化导致的不可“差分”问题；
该基于机器学习的光信道误码率预测方法提出了“基于动态偏置的ARIMA算法”，解决光信道误码数据中“突变数据”“不平稳数据”导致无法进行自回归的问题，以此实现了基于ARIMA模型的光信道误码率预测。
附图说明
图1为本发明一种基于机器学习的光信道误码率预测方法的总体流程图；
图2为本发明自相关图ACF和偏自相关图PACF图；
图3为本发明一种基于机器学习的光信道误码率预测方法的Q-Q图。
具体实施方式
为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体实施方式，进一步阐述本发明。
请参阅图1至图3，本发明提供一种技术方案：一种基于机器学习的光信道误码率预测方法，包括建模及训练阶段和部署推理阶段。
S1.1数据采集
通常光信道的误码率来自于网络管控系统，如上段所述，建议针对每一个光信道建立一套模型，因此通过网络管控系统按照光信道ID采集读取和采集光信道历史BER(误码率数据)；在网络管控系统中的光信道误码率通常分为15分钟性能或24小时性能，本发明中以15分钟性能为例进行介绍；如下表1给出一个光信道误码率性能数据采集的样例供参考；
表1：光信道误码率数据样例1
表2：光信道误码率数据样例2
S1.2数据对数化
表1、表2的数据均来采自同一个光信道的不同时段的数据，从表1、表2的数据可以看出光信道误码率的数据是一个非常小的数据；从数值来看表1的数据是一个相对平稳的数据比较符合机器学习算法ARIMA(差分自回归移动平均模型)对时序数据的要求；但是表2的数据，变化幅度就很大了，属于数量级的变化，这样大幅度的变化就不能够够再使用“自回归移动平均模型”，即便通过“差分”也不能够是数据“平稳”因为数据的差别是跨数量级的；以此首先需要解决数据变化跨数量级的问题，使其数据存在“差分”的可能性；在此本发明提出了数据对数化的方法，见如下公式4，对其数据进行对数化处理，解决数据变化跨数量级的问题；
其中xt是输入数据，是经过以10为底进行对数变换后的数据，通过以10为底的对数变换，使其数据更加“接近”，但是大部分情况下对数据进行对数变换后，依然是达不到ARIMA算法对数据“平稳性”的要求，后续还需对数据进一步的处理和变换；以表1、表2为例输入数据经过数据变换后分别如下表3和表4所示；
表3：表1数据对数化
表4：表2数据对数化
S1.3数据动态偏置
数据动态偏置主要有三方面作用：(一)进一步的“平稳化”数据；(二)、通过偏置项将数据拉到以“0”为中心附近波动，为后一步进一步“拉伸-挤压”，使其平稳作准备；(三)、在数据变换过程中要将影响该数据变换趋势的因素考虑进来，这就是为什么第t偏置量的大小采用之前(t-1,t-T)时刻数据均值作为偏置值；
从本质上来说这个偏置项也是一种“差分”，ARIMA算法中的差分仅考虑了前后单个数据之间的关系，而此处的动态偏置“差分”则考虑了与该t时刻相关的T周期内的数据的影响因素；
另外这里的偏置项是动态的，因为数据的变化是动态，因此仅考虑将数据拉至“0”而采用一个固定偏置值是不够科学的，无法在数据中包含趋势的动态变化，及时序数据之间的关联性；在这里机器学习中需要确定的参数是数据周期T，丛理论上来说这个T要大于等于AIRMA算法中的数据相关性阶数p，也就是T≥p；但在实际操作层面是先确认T，及其后续数据变化操作，产生“平稳”数据后再通过数据分析去确认和调整AIRMA算法中的p；因此根据实践经验，在ARIMA算法中p值的范围在4～8之间居多，因此可以先初始化一个T值，然后再手工调参(图1“总体流程图”所示)；
另外这个“T”值在机器学习中确定后，要将这个T值传递给推理阶段如图1“总体流程图”所示。
S1.4数据幂指变换
其中N为奇数 公式6；
这里的幂指变换是指针对S1.3得到的开N次方，其中N是奇数，其原因是要保证的符号不发生变化；这里幂指变换的主要目的是将数据向“+1”和“-1”附近“拉”，使其数据变平稳；举例说明上述表3、表4中的数据经过幂指变换后如下表所示；
表5：表3数据幂指变换
表6：表4数据幂指变换
丛上述表5和表6可以看出，经过幂指变换后，其数据向“+1”“-1”附近靠近，变得更加平稳。这里之所以叫幂指变换是因为虽然要变换的数据是但是在机器学习中，要确定N值，需要手动调参，可按照N取3，5，7来进行实验，通常N取3或者5即可。
S1.5数据平稳性检验
数据平稳性检验通常有三种方法：
方法一：直接观察数据序列图，若个体值要围绕序列均值上下波动(这就是为什么本发明中利用动态偏置，将其数据的均值变为0附近)，没有明显的上升或下降趋势(这就是为什么本发明中采用幂指变换，将其数据值“拉”至“+-1”附近，以便使数据看起来没有明显的上升或下降趋势)，则是平稳序列；
方法二：观察自相关图，平稳的序列的自相关图(ACF)和偏相关图(PACF)不是拖尾就是截尾；
如图2所示，左图(自相关函数图)呈现出拖尾特征(2阶拖尾)，而右图(偏自相关函数图)呈现出截尾特征(2阶截尾)；
方法三：单位根检验：当一个时间序列的滞后算子多项式方程存在单位根时，我们认为该时间序列是非平稳的；反之，当该方程不存在单位根时，我们认为该时间序列是平稳的；常见的单位根检验方法有DF检、ADF检验和PP检验；实际中用的较多的是ADF(AugmentedDickey-Fuller)检验，在Python中，有两个常用的包提供了ADF检验，分别是statsmodel和arch；
如果经过检测数据为不平稳序列，有两种处理路径：(一)、调整S1.3和S1.4的T及N参数；(二)在S1.6中对y’数据进行差分处理。
S1.6数据差分
数据“差分”就是用当前时刻值减去上一时刻值，构成一个新的时间序列数据，如下：
差分的目的依然是是数据“平稳”，通过实践表面，如果前面数据处理的好，此处可以不用再进行差分也即是d＝0阶差分，即便需要进行差分处理，根据实践经验表明，一阶差分或二阶差分就足以满足需求。
S1.7模型定阶此步需要作的是根据图2中的自相关图ACF和偏自相关图PACF，判断，序列平稳化后使用AR、MA、ARMA中哪种模型(根据如下表7特征进行选择)，以及模型中所需要的参数(p,q)；
表7：模型及参数选择
根据实践经验，可能ARMA有多个p，q决定的模型(因为可能ACF和PACF图可以看出多个p和q)，这时要通过信息标准AIC和BIC来协助选择模型选择AIC、BIC值最小的，因为AIC、BIC越小，模型越好；
AIC赤池信息准则(akaike information criterion)：
AIC＝-2In(L)+2k 公式8；
BIC贝叶斯信息准则(bayesian information criterion)：
BIC＝-2In(L)+In(n)*k 公式9；
其中L是该模型下的最大似然,n是数据数量，k是模型的变量个数。AIC鼓励数据拟合的优良性但是尽量避免出现过度拟合(Overfitting)的情况。所以优先考虑的模型应是AIC值最小的那一个。
S1.7模型构建
模型定完成后确定了参数order(p,d,q)，将其对应参数输入model，进行训练fit()即可；这里需要提前注意的是，有两周预测过程，一种是样本内的预测(in_sample_pred)，一种是样本外的预测(out_sample_pred)；一般情况下，out-sample是我们想要的，而不是样本内的预测；特别注意：样本外的预测也要从样本内的某一个时间点开始才能进行预测；因此样本外的预测开始时间要从train_data长度内的某一个时间节点开始，例如针对15分钟光性能的数据，需要预测未来24小时的数据，从一天前的24小时(-96个数据点)开始，结束到未来24小时(+96个数据节点)。
模型检验
模型检验主要包括两个方面：
(一)模型的显著性检验：检验整个模型对信息的提取是否充分，其方法主要是利用qq图检验残差是否满足正态分布；
例如，从图3显示，红色的KDE线与数据“基本耦合”，这是残留物正太分布的良好指标，说明残差序列是白噪声序列，模型的信息的提取充分；
(二)参数显著性检验：检验模型是否最简，主要检测对象是残差序列，通常方法是利用D-W检验残差的自相关性。
S1.10模型评价
本实施例，模型的评价，有多种方法如MAE(平均绝对误差)、MRE(平均相对误差)、MSE(均方误差平方和)等多种方式，部分数学描述如下。大家可以根据使用习惯、客户要求等来选择合适的评价标准。当其模型满足指标要求时可部署到推理引擎中使用该模型，若未达到指标要求，则还需进一步的优化调整模型。
S2部署和推理阶段
S2.1～2.4的过程同S1.1～S1.4过程基本相似，区别在于S2.3和S2.4中用到的T、N参数值是直接来自与S1.3、S1.4中“学习、训练、优化”好的参数值直接使用；
S2.5中的数据差分，是根据S1中“学习、训练、优化”好的d值来进行差分，d＝0无需进行差分；d等于其它数值，则按照对应阶数进行差分；
S2.6推理引擎可以是简单的可运行的脚本，可以是特定功能应用程序，也可以是大型的网络管控系统中的AI引擎；这里需要注意的是实际工程应用中，需要定期的利用S1中得到的各种模型参数根据最新时间周期的数据定期(或按需)进行模型训练，实现所需的光信道误码率的预测任务；
S2.7～S2.10是S2.1～S2.4的逆过程，ARIMA模型对数据有严苛的要求，因此S2.1～S2.4执行了一系列数据操作，我们最终需要的光信道误码率数据，在S2.7～S2.10中再通过S2.1～S2.4的逆过程将数据“恢复”我们需要的误码率数据的形式。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点，对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明；因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内；不应将权利要求中的任何附图标记视为限制所涉及的权利要求；此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。
Claims (6)
1.一种基于机器学习的光信道误码率预测方法，其特征在于：包括建模及训练阶段和部署推理阶段，所述建模及训练阶段包括数据采集、数据对数化、数据动态偏置、数据幂指变换、数据平稳性检验、数据差分、模型定阶、模型构建、模型检验、模型评价，所述部署推理阶段包括数据采集、数据对数化、数据动态偏置、数据幂指变换、数据差分、推理引擎推力、数据幂指恢复、数据动态偏置恢复、数据指数化、输出预测结果，通过上述过程并用ARIMA模型来对光网络的光域光信道误码率进行建模、学习、训练和预测，该预测方法包含数据对数变换可差分化方法：降低数据数量级，其中是输入数据，将数据范围缩小至-10～0范围内，解决误码率数量级变化导致的不可差分问题，所述预测方法包含基于幂指函数动态偏置的ARIMA模型方法，解决光信道误码数据中“突变数据”“不平稳数据”导致无法进行自回归问题，在ARIMA模型中首先通过幂指函数动态偏置，其中N是奇数， 其中将其数据变的更加平稳，然后再利用ARIMA模型针对y'数据进行机器学习得到模型，所述幂指函数动态偏置的过程中，动态偏置将其数据变换至以“0”为中心附近波动；且幂指函数将数据向+1，-1附近拉伸；所述部署推理阶段在推理过程中将上数据逆向变换，得到所需预测的光信道误码率。
2.根据权利要求1所述的一种基于机器学习的光信道误码率预测方法，其特征在于：所述建模及训练阶段的数据采集中，针对每一个光信道建立一套模型，通过网络管控系统按照光信道ID采集读取信道历史BER。
3.根据权利要求1所述的一种基于机器学习的光信道误码率预测方法，其特征在于：所述数据平稳性检验包括以下三种方法：直接观察数据序列图、观察自相关图，平稳的序列的自相关图ACF和偏相关图PACF以及单位根检验。
4.根据权利要求3所述的一种基于机器学习的光信道误码率预测方法，其特征在于：所述模型检验包括模型的显著性检验：检验整个模型对信息的提取是否充分，该过程是利用qq图检验残差是否满足正态分布；参数显著性检验：检验模型是否最简，检测对象是残差序列，该过程利用D-W检验残差的自相关性。
5.根据权利要求1所述的一种基于机器学习的光信道误码率预测方法，其特征在于：所述部署推理阶段中的数据差分根据建模及训练阶段中学习、训练、优化好的d值来进行差分，d=0无需进行差分；d等于其它数值，则按照对应阶数进行差分。
6.根据权利要求5所述的一种基于机器学习的光信道误码率预测方法，其特征在于：所述部署推理阶段中推理引擎推力包括可运行的脚本或者特定功能应用程序或者大型的网络管控系统中的AI引擎。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311318561.1A CN117118510B (zh) | 2023-10-12 | 2023-10-12 | 一种基于机器学习的光信道误码率预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311318561.1A CN117118510B (zh) | 2023-10-12 | 2023-10-12 | 一种基于机器学习的光信道误码率预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117118510A CN117118510A (zh) | 2023-11-24 |
| CN117118510B true CN117118510B (zh) | 2023-12-22 |
Family
ID=88798626
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311318561.1A Active CN117118510B (zh) | 2023-10-12 | 2023-10-12 | 一种基于机器学习的光信道误码率预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117118510B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108052528A (zh) * | 2017-11-09 | 2018-05-18 | 华中科技大学 | 一种存储设备时序分类预警方法 |
| EP3904172A1 (en) * | 2020-04-27 | 2021-11-03 | Bayerische Motoren Werke Aktiengesellschaft | System, method and computer program for determining estimated sensor data |
| CN113904717A (zh) * | 2021-12-09 | 2022-01-07 | 华中科技大学 | 一种光传送网OTUk帧误码概率预测方法和系统 |
| CN114816909A (zh) * | 2022-04-13 | 2022-07-29 | 北京计算机技术及应用研究所 | 一种基于机器学习的实时日志检测预警方法及系统 |
| US11487273B1 (en) * | 2021-04-30 | 2022-11-01 | Dalian University Of Technology | Distributed industrial energy operation optimization platform automatically constructing intelligent models and algorithms |
| CN115470973A (zh) * | 2022-08-25 | 2022-12-13 | 江苏电力信息技术有限公司 | 一种基于arima的企业日常用电量异常检测方法 |
| CN115659275A (zh) * | 2022-10-18 | 2023-01-31 | 苏州市职业大学 | 非结构化人机交互环境中的实时准确轨迹预测方法及系统 |
| WO2023023901A1 (zh) * | 2021-08-23 | 2023-03-02 | 冀北电力交易中心有限公司 | 一种电力市场中长期集中竞价出清价格的预测方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7246274B2 (en) * | 2004-09-10 | 2007-07-17 | Rambus Inc. | Method and apparatus for estimating random jitter (RJ) and deterministic jitter (DJ) from bit error rate (BER) |
| US20190280942A1 (en) * | 2018-03-09 | 2019-09-12 | Ciena Corporation | Machine learning systems and methods to predict abnormal behavior in networks and network data labeling |
| US12009107B2 (en) * | 2020-09-09 | 2024-06-11 | Optum, Inc. | Seasonally adjusted predictive data analysis |
-
2023
- 2023-10-12 CN CN202311318561.1A patent/CN117118510B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108052528A (zh) * | 2017-11-09 | 2018-05-18 | 华中科技大学 | 一种存储设备时序分类预警方法 |
| EP3904172A1 (en) * | 2020-04-27 | 2021-11-03 | Bayerische Motoren Werke Aktiengesellschaft | System, method and computer program for determining estimated sensor data |
| US11487273B1 (en) * | 2021-04-30 | 2022-11-01 | Dalian University Of Technology | Distributed industrial energy operation optimization platform automatically constructing intelligent models and algorithms |
| WO2023023901A1 (zh) * | 2021-08-23 | 2023-03-02 | 冀北电力交易中心有限公司 | 一种电力市场中长期集中竞价出清价格的预测方法 |
| CN113904717A (zh) * | 2021-12-09 | 2022-01-07 | 华中科技大学 | 一种光传送网OTUk帧误码概率预测方法和系统 |
| CN114816909A (zh) * | 2022-04-13 | 2022-07-29 | 北京计算机技术及应用研究所 | 一种基于机器学习的实时日志检测预警方法及系统 |
| CN115470973A (zh) * | 2022-08-25 | 2022-12-13 | 江苏电力信息技术有限公司 | 一种基于arima的企业日常用电量异常检测方法 |
| CN115659275A (zh) * | 2022-10-18 | 2023-01-31 | 苏州市职业大学 | 非结构化人机交互环境中的实时准确轨迹预测方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 基于机器学习的光网络流量分析策略及其应用;朱嘉豪;《中国优秀硕士学位论文全文数据库（电子期刊）》;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117118510A (zh) | 2023-11-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112232447B (zh) | 一种电力设备状态监测数据的完整样本集的构建方法 | |
| CN111310981B (zh) | 一种基于时间序列的水库水位趋势预测方法 | |
| CN113239132B (zh) | 一种电压互感器的超差在线辨识方法 | |
| Ren et al. | Event-triggered non-fragile H∞ fault detection for discrete time-delayed nonlinear systems with channel fadings | |
| CN113037577B (zh) | 网络流量预测方法、装置和计算机可读存储介质 | |
| CN117114449A (zh) | 一种电力大数据可视化分析系统及方法 | |
| CN113938188B (zh) | 一种光信噪比监测模型的构建方法及应用 | |
| CN114978956B (zh) | 智慧城市网络设备性能异常突变点检测方法及装置 | |
| CN117674993A (zh) | 光纤网络的运行状态检测系统及方法 | |
| CN117708550B (zh) | 一种电力大数据自动化数据分析及模型构建方法 | |
| CN116451848A (zh) | 一种基于时空注意力机制的卫星遥测数据预测方法及装置 | |
| CN105426647B (zh) | 基于可靠度先验信息融合的冷备系统可靠度估计方法 | |
| CN118194136B (zh) | 一种机械设备的故障诊断方法 | |
| CN117118510B (zh) | 一种基于机器学习的光信道误码率预测方法 | |
| CN113988173A (zh) | 基于定性趋势分析和五状态贝叶斯网络的故障诊断方法、系统、设备及存储介质 | |
| CN108399415B (zh) | 一种基于设备所处生命周期阶段的自适应数据采集方法 | |
| CN111738067B (zh) | 一种电力在线监测系统数据的时间序列异常检测方法 | |
| CN116383606B (zh) | 一种分布式医疗设备的恒流温度采集方法及系统 | |
| CN112396535A (zh) | 智能电网的管理方法、装置、设备及存储介质 | |
| CN115359341B (zh) | 一种模型更新方法、装置、设备及介质 | |
| CN116470485A (zh) | 时间序列的处理系统、方法和计算机可读存储介质 | |
| CN115412451A (zh) | 一种基于融合模型的互联网链路利用率的预测方法 | |
| CN115661532A (zh) | 一种开关设备的运行状态评估方法及系统 | |
| Züfle et al. | A framework for time series preprocessing and history-based forecasting method recommendation | |
| KR20220025342A (ko) | 로지스틱 회귀를 이용한 아크신호 검출방법 |
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 |