CN117295096A - 基于5g短共享的智能电表数据传输方法及系统 - Google Patents
基于5g短共享的智能电表数据传输方法及系统 Download PDFInfo
- Publication number
- CN117295096A CN117295096A CN202311575156.8A CN202311575156A CN117295096A CN 117295096 A CN117295096 A CN 117295096A CN 202311575156 A CN202311575156 A CN 202311575156A CN 117295096 A CN117295096 A CN 117295096A
- Authority
- CN
- China
- Prior art keywords
- base station
- transmission
- signal
- base stations
- neural network
- 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.)
- Granted
Links
- 230000005540 biological transmission Effects 0.000 title claims abstract description 104
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000003062 neural network model Methods 0.000 claims abstract description 43
- 230000008054 signal transmission Effects 0.000 claims abstract description 37
- 238000012549 training Methods 0.000 claims abstract description 23
- 230000004044 response Effects 0.000 claims abstract description 6
- 230000006870 function Effects 0.000 claims description 13
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 4
- 230000011664 signaling Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 3
- 238000004891 communication Methods 0.000 description 6
- 230000000903 blocking effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010845 search algorithm Methods 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
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/06—Testing, supervising or monitoring using simulated traffic
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/38—Services specially adapted for particular environments, situations or purposes for collecting sensor information
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W40/00—Communication routing or communication path finding
- H04W40/02—Communication route or path selection, e.g. power-based or shortest path routing
- H04W40/12—Communication route or path selection, e.g. power-based or shortest path routing based on transmission quality or channel quality
-
- 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
本申请涉及数据传输领域,尤其涉及基于5G短共享的智能电表数据传输方法及系统,方法包括获取采集的目标区域内所有基站的传输参数,给每个基站设定代表基站信号传输质量的标签,构建目标区域的基站状态数据集;根据基站状态数据集训练神经网络模型,获得最优神经网络模型;根据最优神经网络模型,对每个基站的信号传输状态分类,计算相邻基站传输的奖励值;计算基站之间所有基站传输路线的总奖励值,将传输路程中总奖励值最大的传输路线作为最优路径。本申请减少了智能电表数据传输信息时的损失和传输失败的概率,具有提高智能电表数据传输的响应速度和系统运行效率的效果。
Description
技术领域
本申请涉及数据传输领域,尤其涉及基于5G短共享的智能电表数据传输方法及系统。
背景技术
在5G网络中,短共享技术能够有效解决传统移动网络在处理大量小数据时遇到的低效和高延迟等问题,为广泛的物联网设备、移动应用和新型通信服务提供更加稳定和快速的连接。5G短共享具有以下优点:走专网,数据不容易泄露,数据不需要加密,降低成本;使用专用通道,不会与其它数据抢占资源,减少网络堵塞,可靠性强;网络资源能够自由支配,使电网公司对用户数据的管理更加方便智能。
5G短共享能够满足智能电表数据的高速、实时传输需求。智能电表数据的传输要保证数据传输的准确性和实时性,智能电表配置有无线通讯模块,可以实现电表数据采集,并将数据经过协议传输到集中器中,集中器通过GPRS将数据传输到电力管理公司,数据常见的是通过RS485协议及Modbus协议进行传输。
在远距离传输智能电表的数据时,信号的传输路线可以有多种选择,如何选择最优的传输路线,减少信号传输时的损失和传输失败的概率,增加信号传输的成功率是本申请解决的问题。
发明内容
本申请提供基于5G短共享的智能电表数据传输方法及系统,在远距离传输信号时,能够提供最优的传输路线选择,减少信号传输时的损失和传输失败的概率。
第一方面,本申请提供基于5G短共享的智能电表数据传输方法,采用如下的技术方案:
基于5G短共享的智能电表数据传输方法,包括步骤:
获取采集的目标区域内所有基站的传输参数,给每个基站设定代表基站信号传输质量的标签,构建目标区域的基站状态数据集,所述传输参数包括基站的信号强度、传输速率、丢包率、误码率和信噪比;根据所述基站状态数据集训练神经网络模型,获得最优神经网络模型;根据所述最优神经网络模型,对每个基站的信号传输状态分类,计算相邻基站传输的奖励值;计算基站之间所有基站传输路线的总奖励值,将传输路程中总奖励值最大的传输路线作为最优路径。
可选的,根据所述基站状态数据集训练神经网络模型,获得最优神经网络模型,包括步骤:计算基站分类任务的损失惩罚因子,设定所述神经网络模型的损失函数;响应于训练次数大于预设的第一阈值或损失值小于预设的第二阈值,完成一次模型训练;重复进行模型训练获得多个训练结果,根据模型评价指标,选择最优的神经网络模型。
可选的,计算基站分类任务的损失惩罚因子,设定所述神经网络模型的损失函数,包括步骤:计算连接度;计算损失函数。
可选的,根据所述最优神经网络模型,对每个基站的信号传输状态分类中,所述基站的信号传输状态包括第一概率和第二概率,第一概率为基站信号传输质量良好的概率,第二概率为基站信号传输质量差的概率。
可选的,所述计算相邻基站传输的奖励值中,根据传输信号基站的信号状态良好的概率、误码率和信号的目标传输距离计算出信号在基站之间传输的奖励值。
可选的,计算基站之间所有基站传输路线的总奖励值,将传输路程中总奖励值最大的传输路线作为最优路径中,包括步骤:根据路径搜索算法搜寻出多个传输路线;计算每条所述传输路线的总奖励值,设定总奖励值最大的至少一条传输路线为最优路径。
第二方面,本申请提供基于5G短共享的智能电表数据传输系统,采用如下的技术方案:基于5G短共享的智能电表数据传输系统,包括:处理器和存储器,所述存储器存储有计算机程序指令,当所述计算机程序指令被所述处理器执行时实现上述基于5G短共享的智能电表数据传输方法。
本申请具有以下技术效果:
1、根据训练好的最优神经网络模型对每个基站的信号传输状态进行预测,根据基站信号传输状态和基站传输的误码率得到不同基站之间传输的奖励值,再使用不同的路径搜索算法得到传输路径,计算不同传输路径的总奖励值,根据总奖励值的大小选择最优的信号传输路径。在远距离传输信号时,根据基站之间传输信号的奖励值,提供最优的传输路线的选择,减少信号传输时的损失和传输失败的概率,提高了智能电表数据传输的响应速度和系统运行效率。
2、通过每个基站连接的相邻的基站数量和所有基站中单个基站连接相邻基站数量的最大值,确定基站分类任务时的损失惩罚因子,构建神经网络模型的损失函数,惩罚因子越小,损失的惩罚越大,基站的重要性越大,分类错误的损失惩罚越大,使神经网络模型向预测效果更好的方向优化。
附图说明
通过参考附图阅读下文的详细描述,本申请示例性实施方式的上述以及相邻目的、特征和优点将变得易于理解。在附图中,以示例性而非限制性的方式示出了本申请的若干实施方式,并且相同或对应的标号表示相同或对应的部分。
图1是本申请实施例基于5G短共享的智能电表数据传输方法的方法流程图。
图2是本申请实施例基于5G短共享的智能电表数据传输方法中步骤S2的方法流程图。
图3是本申请实施例基于5G短共享的智能电表数据传输方法中步骤S4的方法流程图。
图4是本申请实施例基于5G短共享的智能电表数据传输方法中示出路线1和路线2的示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域技术人员在没有做出创造性劳动前提下所获得的所有相邻实施例,都属于本申请保护的范围。
应当理解,当本申请的权利要求、说明书及附图使用术语“第一”、“第二”等时,其仅是用于区别不同对象,而不是用于描述特定顺序。本申请的说明书和权利要求书中使用的术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
本申请实施例公开基于5G短共享的智能电表数据传输方法,参照图1,包括步骤:
S1:获取采集的目标区域内所有基站的传输参数,给每个基站设定代表基站信号传输质量的标签,构建目标区域的基站状态数据集。
其中,传输参数包括基站的信号强度、传输速率、丢包率、误码率和信噪比。
具体地,将某一城市或城市内某一区域作为目标区域,通过传感器等设备获得目标区域内所有基站的信号强度、传输速率、丢包率、误码率和信噪比等特征,作为传输参数,根据传输参数的历史数据,给每一个基站设定一个信号状态标签,例如,判定基站信号良好时,基站的信号状态标签设置为1,判定基站信号差时,基站的信号状态标签设定为0,统计所有基站的信号状态标签,建立监测区域的基站状态数据集。
基站状态数据集包括传输参数及信号状态标签。
S2:根据基站状态数据集训练神经网络模型,获得最优神经网络模型。参照图2,步骤S2包括步骤S20-S22,具体如下:
S20:计算基站分类任务的损失惩罚因子,设定神经网络模型的损失函数。
本申请中,基站之间的连接包括有线连接和无线连接。
根据每个基站在目标区域内所能连接的基站数量和所有基站中连接数量的最大值,计算连接度,连接度的计算公式为:
其中,表示第/>个基站的连接度,/>表示第/>个基站连接的相邻的基站数量,表示所有基站中单个基站连接相邻基站数量的最大值。连接度的取值范围为:0-1,连接度越大表示基站对整个通信系统的重要性越大,连接度越小表示对整个通信系统的重要性越小。
本申请的神经网络模型采用BP神经网络模型(Back Propagation NeuralNetwork Model,反向传播神经网络模型),BP神经网络模型的损失使用交叉熵损失,把每个基站的连接度做为每个基站信号状态分类错误的惩罚因子,计算损失函数,计算公式为:
其中,表示第/>个基站分类错误的损失,/>表示第/>个基站信号状态的真实值,表示第/>个基站信号状态的预测值,/>是第/>个基站的连接度,/>表示第/>个基站信号状态的损失惩罚因子。惩罚因子越小,损失的惩罚越大,基站的重要性越大,分类错误的损失惩罚越大。
使用损失函数训练BP神经网络模型,输入每个基站的信号强度、传输速率、丢包率、误码率和信噪比,输出每一个基站的信号传输状态。
S21:响应于训练次数大于预设的第一阈值或损失值小于预设的第二阈值,完成一次模型训练。
当BP神经网络模型达到设定第一阈值(最大训练次数)或分类错误的损失值小于第二阈值时,一次模型训练完成。
S22:重复进行模型训练获得多个训练结果,根据模型评价指标,选择最优的神经网络模型。
重复训练BP神经网络模型,根据模型评价指标查准率选择最优的BP神经网络模型。查准率衡量了模型在预测为正例的样本中有多少是真正的正例。使用最优的神经网络模型可以对每个基站的信号传输状态分类。
S3:根据最优神经网络模型,对每个基站的信号传输状态分类,计算相邻基站传输的奖励值。
基站的信号传输状态包括第一概率和第二概率,第一概率为基站信号传输质量良好的概率,记为,第二概率为基站信号传输质量差的概率,记为/>。
由步骤S2得到最优神经网络模型,将每个基站传输参数输入最优神经网络模型中,输出每一个基站的信号传输状态,根据传输信号基站的信号状态良好的概率、误码率和信号的目标传输距离计算出信号在基站之间传输的奖励值,计算公式为:
其中,表示信号从基站/>传输到基站/>的奖励值,/>表示基站/>信号状态良好的概率,/>表示基站/>信号状态良好的概率,/>表示基站/>的误码率,/>表示基站/>的误码率,/>表示基站/>到信号传输目标基站的距离,/>表示基站/>到信号传输目标基站的距离,/>及/>所表示的距离为归一化后的距离,即距离值在0到1之间。
在传输过程中,基站和基站/>的信号状态良好的概率越大,奖励值越大,基站/>和基站/>的误码率越低,奖励值越大,/>表示基站/>发出信号的成功率,/>表示基站/>接收信号的成功率,信号在基站传输后距离目标基站的距离越近奖励值越大,如果信号在基站传输后距离目标基站的距离变得更大则奖励值为负。
计算每个基站到基站连接相邻基站时传输信号的奖励值,得到所有相邻基站之间的奖励值。
S4:计算基站之间所有基站传输路线的总奖励值,将传输路程中总奖励值最大的传输路线作为最优路径。参照图3,步骤S4包括步骤S40-S41,具体如下:
S40:根据路径搜索算法搜寻出多个传输路线。
本申请中的路径搜索算法为可以是深度优先算法,广度优先算法等。
S41:计算每条传输路线的总奖励值,设定所述总奖励值最大的至少一条传输路线为所述最优路径。
具体地,计算每条传输路线的总奖励值,计算公式如下:
其中,表示第k条信号传输路线的奖励值,/>表示第k条信号传输路线中信号从基站/>到下一个基站/>的传输奖励。
从基站A到基站B,先使用路径搜索算法搜寻出传输路线,计算每条传输路线传输信号的总奖励值后,选择总奖励值最大的传输路线做为信号从基站A到基站B的最优路径。
例如,如图4所示,信号需要从基站A传输到基站B,使用路径搜索算法得到了两条传输路线,即路线1和路线2,路线1的总奖励值,路线2的总奖励值/>。
当>/>时,选择路线1作为最优路径。
当</>时,选择路线2作为最优路径。
当=/>时,选择路线1或路线2作为最优路径。
本申请实施例基于5G短共享的智能电表数据传输方法的实施原理为:
通过每个基站连接的相邻的基站数量和所有基站中单个基站连接相邻基站数量的最大值,确定基站分类任务时的损失惩罚因子,构建神经网络模型的损失函数并进行训练,根据训练好的最优神经网络模型对每个基站的信号传输状态进行预测,根据基站信号传输状态和基站传输的误码率得到不同基站之间传输的奖励值,再使用不同的路径搜索算法得到传输路径,计算不同传输路径的总奖励值,根据总奖励值的大小选择最优的信号传输路径。
在远距离传输信号时,根据基站之间传输信号的奖励值,提供最优的传输路线的选择,减少信号传输时的损失和传输失败的概率,提高了智慧城市的响应速度和系统运行效率。
本申请实施例还公开基于5G短共享的智能电表数据传输系统,包括处理器和存储器,存储器存储有计算机程序指令,当计算机程序指令被处理器执行时实现根据本申请的基于5G短共享的智能电表数据传输方法。上述系统还包括通信总线和通信接口等本领域技术人员熟知的相邻组件,其设置和功能为本领域中已知,因此在此不再赘述。在本申请中,前述的存储器可以是任何包含或存储程序的有形介质,程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
以上均为本申请的较佳实施例,并非依此限制本申请的保护范围,故:凡依本申请的结构、形状、原理所做的等效变化,均应涵盖于本申请的保护范围之内。
Claims (7)
1.基于5G短共享的智能电表数据传输方法,其特征在于,包括步骤:
获取采集的目标区域内所有基站的传输参数,给每个基站设定代表基站信号传输质量的标签,构建目标区域的基站状态数据集,所述传输参数包括基站的信号强度、传输速率、丢包率、误码率和信噪比;
根据所述基站状态数据集训练神经网络模型,获得最优神经网络模型;
根据所述最优神经网络模型,对每个基站的信号传输状态分类,计算相邻基站传输的奖励值;
计算基站之间所有基站传输路线的总奖励值,将传输路程中总奖励值最大的传输路线作为最优路径。
2.根据权利要求1所述的基于5G短共享的智能电表数据传输方法,其特征在于,根据所述基站状态数据集训练神经网络模型,获得最优神经网络模型,包括步骤:
计算基站分类任务的损失惩罚因子,设定所述神经网络模型的损失函数;
响应于训练次数大于预设的第一阈值或损失值小于预设的第二阈值,完成一次模型训练;
重复进行模型训练获得多个训练结果,根据预设的模型评价指标,选择最优的神经网络模型。
3.根据权利要求2所述的基于5G短共享的智能电表数据传输方法,其特征在于,计算基站分类任务的损失惩罚因子,设定所述神经网络模型的损失函数,包括步骤:
计算连接度,所述连接度的计算公式为:
其中,表示第/>个基站的连接度,/>表示第/>个基站连接的相邻的基站数量,/>表示所有基站中单个基站连接相邻基站数量的最大值;
计算损失函数,所述损失函数的计算公式为:
其中,表示第/>个基站分类错误的损失,/>表示第/>个基站信号状态的真实值,/>表示第/>个基站信号状态的预测值,/>是第/>个基站的连接度,/>表示第/>个基站信号状态的损失惩罚因子。
4.根据权利要求1所述的基于5G短共享的智能电表数据传输方法,其特征在于,根据所述最优神经网络模型,对每个基站的信号传输状态分类中,所述基站的信号传输状态包括第一概率和第二概率,所述第一概率为基站信号传输质量良好的概率,所述第二概率为基站信号传输质量差的概率。
5.根据权利要求4所述的基于5G短共享的智能电表数据传输方法,其特征在于,所述计算相邻基站传输的奖励值中,包括:
根据传输信号基站的信号状态良好的概率、误码率和信号的目标传输距离计算出信号在基站之间传输的奖励值,计算公式为:
其中,表示信号从基站/>传输到基站/>的奖励值,/>表示基站/>信号状态良好的概率,表示基站/>信号状态良好的概率,/>表示基站/>的误码率,/>表示基站/>的误码率,/>表示基站/>到信号传输目标基站的距离,/>表示基站/>到信号传输目标基站的距离。
6.根据权利要求5所述的基于5G短共享的智能电表数据传输方法,其特征在于,计算基站之间所有基站传输路线的总奖励值,将传输路程中总奖励值最大的传输路线作为最优路径中,包括步骤:
根据路径搜索算法搜寻出多个传输路线;
计算每条所述传输路线的总奖励值,设定总奖励值最大的至少一条传输路线为最优路径。
7.基于5G短共享的智能电表数据传输系统,其特征在于,包括:处理器和存储器,所述存储器存储有计算机程序指令,当所述计算机程序指令被所述处理器执行时实现根据权利要求1-6任一项所述的基于5G短共享的智能电表数据传输方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311575156.8A CN117295096B (zh) | 2023-11-24 | 2023-11-24 | 基于5g短共享的智能电表数据传输方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311575156.8A CN117295096B (zh) | 2023-11-24 | 2023-11-24 | 基于5g短共享的智能电表数据传输方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117295096A true CN117295096A (zh) | 2023-12-26 |
CN117295096B CN117295096B (zh) | 2024-02-09 |
Family
ID=89258883
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311575156.8A Active CN117295096B (zh) | 2023-11-24 | 2023-11-24 | 基于5g短共享的智能电表数据传输方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117295096B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117993589A (zh) * | 2024-04-03 | 2024-05-07 | 广州华生网络科技股份有限公司 | 基于物联网的智慧冷链物流调度方法及系统 |
Citations (33)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH1132072A (ja) * | 1997-07-11 | 1999-02-02 | Nippon Telegr & Teleph Corp <Ntt> | 無線ネットワークにおける無線パケットの経路決定方法 |
JPH11239154A (ja) * | 1998-02-23 | 1999-08-31 | Nippon Telegr & Teleph Corp <Ntt> | 無線基地局の経路指定方法 |
US20020044075A1 (en) * | 2000-08-10 | 2002-04-18 | Werner Bauer | Wireless digital data-transmission path |
KR20060132422A (ko) * | 2005-06-18 | 2006-12-21 | 삼성전자주식회사 | 다중 홉 릴레이 셀룰라 네트워크에서 라우팅 장치 및 방법 |
CN103957570A (zh) * | 2014-05-07 | 2014-07-30 | 重庆大学 | 一种用于电力负荷控制的网络通信系统及其路由算法 |
CN104270783A (zh) * | 2014-10-14 | 2015-01-07 | 北京源清慧虹信息科技有限公司 | 无线网络中多跳链路质量估计方法及多基站动态切换方法 |
US20150189565A1 (en) * | 2013-12-31 | 2015-07-02 | Electronics And Telecommunications Research Institute | Method and apparatus for base station association for avoiding frequent handover in femtocell network |
JP2016058907A (ja) * | 2014-09-10 | 2016-04-21 | 沖電気工業株式会社 | 無線通信端末、無線通信システム、および通信状況予測方法 |
CN106304110A (zh) * | 2016-08-09 | 2017-01-04 | 华侨大学 | 一种基于多移动基站的传感云数据收集方法 |
CN108880708A (zh) * | 2018-05-23 | 2018-11-23 | 浙江大学 | 基于潮间带无线传感器网络的压缩感知链路质量估计方法 |
CN109547351A (zh) * | 2019-01-22 | 2019-03-29 | 西安电子科技大学 | Ad Hoc网络中基于Q学习和信任模型的路由方法 |
US20200359297A1 (en) * | 2018-12-28 | 2020-11-12 | Beijing University Of Posts And Telecommunications | Method of Route Construction of UAV Network, UAV and Storage Medium thereof |
CN112188527A (zh) * | 2020-10-22 | 2021-01-05 | 中国联合网络通信集团有限公司 | 微基站奖励方法、宏基站及微基站管理服务器 |
US20210027161A1 (en) * | 2018-04-03 | 2021-01-28 | Nokia Technologies Oy | Learning in communication systems |
KR102235645B1 (ko) * | 2019-10-29 | 2021-04-02 | 서울대학교산학협력단 | 다중 기지국 대용량 안테나 시스템에서 에너지 하베스팅을 수행할 기지국을 결정하는 장치 및 방법 |
KR20210140901A (ko) * | 2020-05-14 | 2021-11-23 | 주식회사 케이티 | 무선망 품질 관리장치 및 무선망 품질 관리방법 |
US20210377822A1 (en) * | 2018-10-18 | 2021-12-02 | Telefonaktiebolaget Lm Ericsson (Publ) | Link Change Decision-Making using Reinforcement Learning based on Tracked Rewards and Outcomes in a Wireless Communication System |
CN113873434A (zh) * | 2021-08-27 | 2021-12-31 | 北京邮电大学 | 面向通信网络热点区域容量增强的多空中基站部署方法 |
CN113923743A (zh) * | 2021-09-16 | 2022-01-11 | 国网河北省电力有限公司信息通信分公司 | 电力地下管廊的路由选择方法、装置、终端及存储介质 |
CN114118748A (zh) * | 2021-11-15 | 2022-03-01 | 中国联合网络通信集团有限公司 | 一种服务质量预测方法、装置、电子设备及存储介质 |
CN114390476A (zh) * | 2022-02-10 | 2022-04-22 | 重庆邮电大学 | 一种基于端到端质量参数的航空自组网路由方法 |
CN114594793A (zh) * | 2022-03-07 | 2022-06-07 | 四川大学 | 一种基站无人机的路径规划方法 |
CN114615730A (zh) * | 2022-03-22 | 2022-06-10 | 西安电子科技大学 | 回程受限密集无线网络面向内容覆盖的功率分配方法 |
US20220361086A1 (en) * | 2021-05-07 | 2022-11-10 | Samsung Electronics Co., Ltd. | Method and base station for determining transmission path in wireless communication system |
US11546070B1 (en) * | 2020-05-01 | 2023-01-03 | University Of South Florida | Method of selecting an optimal propagated base signal using artificial neural networks |
CN115988598A (zh) * | 2022-12-22 | 2023-04-18 | 航天新通科技有限公司 | 基于5g的自组网系统路由选择方法及可读存储介质 |
CN115987406A (zh) * | 2022-12-22 | 2023-04-18 | 大连理工大学 | 一种基于深度强化学习的水声通信链路自适应方法 |
CN116708269A (zh) * | 2023-06-26 | 2023-09-05 | 国网山东省电力公司青岛供电公司 | 基于端到端价值学习的配电物联网路由选择方法及系统 |
CN116723470A (zh) * | 2023-08-10 | 2023-09-08 | 中国电信股份有限公司 | 空中基站的移动轨迹预测模型的确定方法、装置和设备 |
CN116886587A (zh) * | 2023-08-11 | 2023-10-13 | 贵州电网有限责任公司 | 一种基于知识及深度强化学习的电力通信网路由优化方法 |
CN116916362A (zh) * | 2023-09-12 | 2023-10-20 | 中国铁路设计集团有限公司 | 一种多目标优化的lte-r基站通信质量预测方法 |
US20230362095A1 (en) * | 2022-05-05 | 2023-11-09 | Zhengzhou University Of Light Industry | Method for intelligent traffic scheduling based on deep reinforcement learning |
CN117062182A (zh) * | 2023-09-04 | 2023-11-14 | 安徽大学 | 基于drl的无线可充电无人机数据上载路径优化方法 |
-
2023
- 2023-11-24 CN CN202311575156.8A patent/CN117295096B/zh active Active
Patent Citations (33)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH1132072A (ja) * | 1997-07-11 | 1999-02-02 | Nippon Telegr & Teleph Corp <Ntt> | 無線ネットワークにおける無線パケットの経路決定方法 |
JPH11239154A (ja) * | 1998-02-23 | 1999-08-31 | Nippon Telegr & Teleph Corp <Ntt> | 無線基地局の経路指定方法 |
US20020044075A1 (en) * | 2000-08-10 | 2002-04-18 | Werner Bauer | Wireless digital data-transmission path |
KR20060132422A (ko) * | 2005-06-18 | 2006-12-21 | 삼성전자주식회사 | 다중 홉 릴레이 셀룰라 네트워크에서 라우팅 장치 및 방법 |
US20150189565A1 (en) * | 2013-12-31 | 2015-07-02 | Electronics And Telecommunications Research Institute | Method and apparatus for base station association for avoiding frequent handover in femtocell network |
CN103957570A (zh) * | 2014-05-07 | 2014-07-30 | 重庆大学 | 一种用于电力负荷控制的网络通信系统及其路由算法 |
JP2016058907A (ja) * | 2014-09-10 | 2016-04-21 | 沖電気工業株式会社 | 無線通信端末、無線通信システム、および通信状況予測方法 |
CN104270783A (zh) * | 2014-10-14 | 2015-01-07 | 北京源清慧虹信息科技有限公司 | 无线网络中多跳链路质量估计方法及多基站动态切换方法 |
CN106304110A (zh) * | 2016-08-09 | 2017-01-04 | 华侨大学 | 一种基于多移动基站的传感云数据收集方法 |
US20210027161A1 (en) * | 2018-04-03 | 2021-01-28 | Nokia Technologies Oy | Learning in communication systems |
CN108880708A (zh) * | 2018-05-23 | 2018-11-23 | 浙江大学 | 基于潮间带无线传感器网络的压缩感知链路质量估计方法 |
US20210377822A1 (en) * | 2018-10-18 | 2021-12-02 | Telefonaktiebolaget Lm Ericsson (Publ) | Link Change Decision-Making using Reinforcement Learning based on Tracked Rewards and Outcomes in a Wireless Communication System |
US20200359297A1 (en) * | 2018-12-28 | 2020-11-12 | Beijing University Of Posts And Telecommunications | Method of Route Construction of UAV Network, UAV and Storage Medium thereof |
CN109547351A (zh) * | 2019-01-22 | 2019-03-29 | 西安电子科技大学 | Ad Hoc网络中基于Q学习和信任模型的路由方法 |
KR102235645B1 (ko) * | 2019-10-29 | 2021-04-02 | 서울대학교산학협력단 | 다중 기지국 대용량 안테나 시스템에서 에너지 하베스팅을 수행할 기지국을 결정하는 장치 및 방법 |
US11546070B1 (en) * | 2020-05-01 | 2023-01-03 | University Of South Florida | Method of selecting an optimal propagated base signal using artificial neural networks |
KR20210140901A (ko) * | 2020-05-14 | 2021-11-23 | 주식회사 케이티 | 무선망 품질 관리장치 및 무선망 품질 관리방법 |
CN112188527A (zh) * | 2020-10-22 | 2021-01-05 | 中国联合网络通信集团有限公司 | 微基站奖励方法、宏基站及微基站管理服务器 |
US20220361086A1 (en) * | 2021-05-07 | 2022-11-10 | Samsung Electronics Co., Ltd. | Method and base station for determining transmission path in wireless communication system |
CN113873434A (zh) * | 2021-08-27 | 2021-12-31 | 北京邮电大学 | 面向通信网络热点区域容量增强的多空中基站部署方法 |
CN113923743A (zh) * | 2021-09-16 | 2022-01-11 | 国网河北省电力有限公司信息通信分公司 | 电力地下管廊的路由选择方法、装置、终端及存储介质 |
CN114118748A (zh) * | 2021-11-15 | 2022-03-01 | 中国联合网络通信集团有限公司 | 一种服务质量预测方法、装置、电子设备及存储介质 |
CN114390476A (zh) * | 2022-02-10 | 2022-04-22 | 重庆邮电大学 | 一种基于端到端质量参数的航空自组网路由方法 |
CN114594793A (zh) * | 2022-03-07 | 2022-06-07 | 四川大学 | 一种基站无人机的路径规划方法 |
CN114615730A (zh) * | 2022-03-22 | 2022-06-10 | 西安电子科技大学 | 回程受限密集无线网络面向内容覆盖的功率分配方法 |
US20230362095A1 (en) * | 2022-05-05 | 2023-11-09 | Zhengzhou University Of Light Industry | Method for intelligent traffic scheduling based on deep reinforcement learning |
CN115988598A (zh) * | 2022-12-22 | 2023-04-18 | 航天新通科技有限公司 | 基于5g的自组网系统路由选择方法及可读存储介质 |
CN115987406A (zh) * | 2022-12-22 | 2023-04-18 | 大连理工大学 | 一种基于深度强化学习的水声通信链路自适应方法 |
CN116708269A (zh) * | 2023-06-26 | 2023-09-05 | 国网山东省电力公司青岛供电公司 | 基于端到端价值学习的配电物联网路由选择方法及系统 |
CN116723470A (zh) * | 2023-08-10 | 2023-09-08 | 中国电信股份有限公司 | 空中基站的移动轨迹预测模型的确定方法、装置和设备 |
CN116886587A (zh) * | 2023-08-11 | 2023-10-13 | 贵州电网有限责任公司 | 一种基于知识及深度强化学习的电力通信网路由优化方法 |
CN117062182A (zh) * | 2023-09-04 | 2023-11-14 | 安徽大学 | 基于drl的无线可充电无人机数据上载路径优化方法 |
CN116916362A (zh) * | 2023-09-12 | 2023-10-20 | 中国铁路设计集团有限公司 | 一种多目标优化的lte-r基站通信质量预测方法 |
Non-Patent Citations (5)
Title |
---|
GHANSHYAM PRASAD DUBEYA: "Optimal path selection using reinforcement learning based ant colony optimization algorithm in IoT-Based wireless sensor networks with 5G technology", 《COMPUTER COMMUNICATIONS》, pages 1 - 13 * |
SHUO WAN: "Toward Big Data Processing in IoT: Path Planning and Resource Management of UAV Base Stations in Mobile-Edge Computing System", 《IEEE INTERNET OF THINGS JOURNAL》, vol. 7, no. 7, pages 1 - 15 * |
杨红培;刘萍;: "基于模糊逻辑的移动自组织网络组播路由协议", 电子技术应用, no. 09 * |
赵晨淞: "VDE-TER多链路模式下自适应通信技术研究", 《CNKI》 * |
郑宇;: "移动通信网络节点最优路径选择仿真研究", 计算机仿真, no. 12 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117993589A (zh) * | 2024-04-03 | 2024-05-07 | 广州华生网络科技股份有限公司 | 基于物联网的智慧冷链物流调度方法及系统 |
CN117993589B (zh) * | 2024-04-03 | 2024-07-02 | 广州华生网络科技股份有限公司 | 基于物联网的智慧冷链物流调度方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN117295096B (zh) | 2024-02-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117295096B (zh) | 基于5g短共享的智能电表数据传输方法及系统 | |
Janssen et al. | Outdoor fingerprinting localization using sigfox | |
CN105629198B (zh) | 基于密度的快速搜索聚类算法的室内多目标追踪方法 | |
CN112543470B (zh) | 基于机器学习的终端定位方法及系统 | |
CN106604228A (zh) | 一种基于lte信令数据的指纹定位方法 | |
CN109996278A (zh) | 道路网络质量评估方法、装置、设备及介质 | |
CN107180260B (zh) | 基于进化神经网络的短波通信频率选择方法 | |
CN113037410B (zh) | 信道识别方法、装置、传输方法、传输设备、基站、介质 | |
CN113779247B (zh) | 基于意图驱动的网络故障诊断方法及系统 | |
CN104468192A (zh) | 一种多尺度多权重链路质量评估的路由方法 | |
CN109803222B (zh) | 无线小区性能指标预测方法及装置 | |
CN112988936A (zh) | 出行轨迹预测方法、装置、计算设备及存储介质 | |
CN115665665A (zh) | 移动路径识别方法、识别装置、电子设备和可读存储介质 | |
CN116977146B (zh) | 基于物联网的环保监测用仪表数据管控系统 | |
CN114390438B (zh) | 一种交通设备定位方法及装置 | |
CN101815317B (zh) | 一种传感器节点和传感器网络的测量方法及系统 | |
CN104125636A (zh) | 一种基站定位方法及装置 | |
CN103428724B (zh) | 基于地理位置信息的频谱资源协作接入方法和系统 | |
CN105225167A (zh) | 一种连锁故障序列识别系统及方法 | |
CN105282780A (zh) | 一种空口吞吐量处理方法、装置和终端 | |
KR20200061666A (ko) | 인구 안내 서비스 제공방법 및 장치 | |
CN106550387A (zh) | 一种无线传感器网络路由层服务质量评价方法 | |
CN117320150B (zh) | 基于移动蜂窝网络多特征的室外指纹定位方法、计算机及存储介质 | |
CN113079487B (zh) | 切换点位置的确定方法、装置和电子设备 | |
CN114629602B (zh) | 一种物联网数据的冗余度控制方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |