-
公开(公告)号：CN118740655A
公开(公告)日：2024-10-01
申请号：CN202310338162.5
申请日：2023-03-31
Applicant: 上海大唐移动通信设备有限公司
IPC: H04L41/147 , H04W24/08 , H04L43/0876 , G06N3/0464
Abstract: 本申请提供一种流量预测方法、电子设备及装置，该方法包括：获取当前时段之前的多个历史时段中，各历史时段内多个网络设备各自的流量指标数据、以及所述多个网络设备各自的位置；针对各历史时段，根据所述历史时段内所述多个网络设备各自的流量指标数据和所述多个网络设备各自的位置，确定所述多个网络设备各自在所述历史时段内的流量值；针对各网络设备，根据所述网络设备在所述多个历史时段各自的流量值，确定所述网络设备在所述当前时段的预测流量值。本申请的方案，流量预测的准确率较高。
-
公开(公告)号：CN118740593A
公开(公告)日：2024-10-01
申请号：CN202310338158.9
申请日：2023-03-31
Applicant: 上海大唐移动通信设备有限公司
IPC: H04L41/0631 , H04L41/16 , H04L41/14 , H04L41/06 , H04L41/0677
Abstract: 本申请提供一种网络设备故障检测方法、电子设备及装置，该方法包括：获取多个网络设备各自的故障指标数据，以及所述多个网络设备各自的位置；确定所述多个网络设备各自的历史故障参数；根据所述多个网络设备各自的故障指标数据、位置以及历史故障参数，确定所述多个网络设备各自的故障检测结果。本申请的方案，无需人工进行故障检测，且能够同时得到多个网络设备的故障检测结果，网络设备故障检测的效率较高，无需耗费人力资源即可快速检测出网络设备可能发生的网络故障。
-
公开(公告)号：CN116996142A
公开(公告)日：2023-11-03
申请号：CN202210427326.7
申请日：2022-04-21
Applicant: 上海大唐移动通信设备有限公司
IPC: H04B17/373 , H04B7/0413 , G06N3/0442 , G06N3/048 , G06N3/049 , G06N3/084
Abstract: 本申请实施例提供了一种无线信道参数预测方法、装置、电子设备及存储介质，所述方法包括：获取输入特征集合，所述输入特征集合包括多个输入特征序列；将所述输入特征集合输入到预先训练的无线信道参数预测模型中，得到所述无线信道参数预测模型输出的无线信道参数集合，其中所述无线信道参数预测模型是基于序列到序列网络建模得到的。本申请通过建立基于序列到序列网络的无线信道参数预测模型，将多输入多输出技术与基于深度学习的神经网络相结合，来预测无线信道参数，提高了信道预测的精度，降低了信道建模的复杂度，实现了高效简单地进行无线信道参数预测。
-
公开(公告)号：CN116980303A
公开(公告)日：2023-10-31
申请号：CN202210395287.7
申请日：2022-04-14
Applicant: 上海大唐移动通信设备有限公司
IPC: H04L41/14 , H04L41/147 , H04L65/80 , G06N5/01 , G06N20/00 , G06F18/213
Abstract: 本申请实施例提供一种VoLTE掉话率的分析方法、设备、装置及存储介质，该方法包括：根据目标网络的网络特征和VoLTE掉话率建立样本数据；根据样本数据中每个网络特征分别与VoLTE掉话率之间的相关系数，对样本数据中的网络特征进行选择，得到特征选择结果；根据特征选择结果训练CART模型，得到VoLTE掉话率预测模型；根据VoLTE掉话率预测模型，对目标网络的VoLTE掉话率进行分析并得到分析结果。避免了人工经验分析的局限性，提高了VoLTE掉话率分析的准确率，为优化降低VoLTE掉话率提供了更加准确的依据。
-
公开(公告)号：CN117676620A
公开(公告)日：2024-03-08
申请号：CN202210970361.3
申请日：2022-08-12
Applicant: 上海大唐移动通信设备有限公司
IPC: H04W24/02 , H04W24/06 , G06N20/20 , G06F18/2321 , G06F18/2431
Abstract: 本申请实施例提供了一种预测无线覆盖的方法、装置、电子设备及存储介质，该方法包括：获取目标区域的输入数据，并根据所述输入数据得到目标区域的输入特征向量；将所述输入特征向量输入到预先训练的无线覆盖预测模型中，得到所述无线覆盖预测模型输出的所述目标区域的预测覆盖结果；其中所述无线覆盖预测模型是基于自动化超参数调优梯度提升决策树GBDT模型训练得到的。本申请实施例通过采用预先训练的自动化超参数调优梯度提升决策树模型来对目标区域的无线覆盖进行预测，降低了对实际天线的无线覆盖情况进行预测的复杂度，节约了大量的计算资源，实现了高效且准确的无线覆盖预测。
-
Patent Agency Ranking
公开(公告)号：CN117576148A
公开(公告)日：2024-02-20
申请号：CN202210933460.4
申请日：2022-08-04
Applicant: 上海大唐移动通信设备有限公司
Abstract: 本申请实施例提供一种目标跟踪方法、装置、电子设备及存储介质，该方法包括：根据第N‑2帧视频图像和第N‑1帧视频图像中待跟踪目标的检测框中心位置，确定第N帧视频图像的搜索区域，其中N为大于或等于3的整数；根据所述搜索区域，对所述第N帧视频图像进行裁剪，得到所述第N帧视频图像对应的搜索图像；根据所述搜索图像和所述待跟踪目标的模板图像，检测所述第N帧视频图像中所述待跟踪目标的位置。该方法可以更加精准地确定第N帧视频图像的搜索区域，从而能够更好地处理目标变化问题，即使在跟踪目标突然换道或转向拐弯的情况下也不容易跟丢目标。
-
公开(公告)号：CN119212088A
公开(公告)日：2024-12-27
申请号：CN202310761656.4
申请日：2023-06-26
Applicant: 上海大唐移动通信设备有限公司
IPC: H04W72/0446 , H04W72/0453 , H04W72/50 , H04W88/08
Abstract: 本申请实施例提供一种时频资源分配方法、设备及装置，该方法包括：接收多个基站的初始状态信息；基于所述多个基站的初始状态信息，输入时频资源分配模型，得到所述多个基站的初始时频资源分配结果；基于资源分配调整规则，调整所述多个基站的初始时频资源分配结果，得到所述多个基站的目标时频资源分配结果；向所述多个基站发送对应的目标时频资源分配结果，所述目标时频资源分配结果用于所述基站基于为所述目标终端分配的目标资源块调度所述目标终端。本申请实施例提供一种时频资源分配方法、设备及装置用于实现对存在时频资源需求的全部终端的调度。
-
公开(公告)号：CN119155723A
公开(公告)日：2024-12-17
申请号：CN202310723101.0
申请日：2023-06-16
Applicant: 上海大唐移动通信设备有限公司
Abstract: 本申请实施例提供一种网络故障诊断方法、设备及装置。通过在确定目标基站处于异常工作状态的情况下，获取目标基站对应的目标故障描述；基于目标故障描述，在网络故障知识图谱中确定目标基站处于异常工作状态的目标故障原因；其中，网络故障知识图谱包括多个故障描述和多个故障原因之间的对应关系。本申请提供的网络故障诊断方法、设备及装置用于提高对基站的故障诊断效率。
-
公开(公告)号：CN116959048A
公开(公告)日：2023-10-27
申请号：CN202210376363.X
申请日：2022-04-11
Applicant: 上海大唐移动通信设备有限公司
IPC: G06V40/16 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/047 , G06N3/082
Abstract: 本申请实施例提供了一种人脸识别方法、装置、电子设备及存储介质。该人脸识别方法，包括：将待识别的第一图像输入至人脸检测模型中，得到所述人脸检测模型输出的第二图像，所述第二图像具有固定尺寸并包含人脸区域；其中，所述人脸检测模型基于五官关键点位置和预设的五官与脸部比例确定人脸区域；将所述第二图像输入至人脸识别模型中，得到所述人脸识别模型输出的人脸识别结果。本申请实施例通过采用基于五官关键点位置和预设的五官与脸部比例确定人脸区域的步骤，代替了传统基于深度学习的卷积神经网络的人脸识别算法中大量的多边框选择和回归计算过程，提高了人脸检测的速度。
-
公开(公告)号：CN116863467A
公开(公告)日：2023-10-10
申请号：CN202210295079.X
申请日：2022-03-23
Applicant: 上海大唐移动通信设备有限公司
IPC: G06V20/70 , G06V10/40 , G06V10/80 , G06V10/764 , G06V10/82 , G06N3/045 , G06N3/0464 , G06N3/047 , G06N3/082
Abstract: 本申请实施例提供一种道路检测方法、设备、装置及存储介质，该方法包括：将待检测的道路场景图像输入特征提取网络模型，获取道路场景图像中每个像素点的多维特征向量；基于道路场景图像中每个像素点的多维特征向量和分类预测模型，得到道路场景图像中每个像素点的分类预测结果；其中，特征提取网络模型是基于带有确定语义类别标签的道路场景样本图像对图像语义分割网络模型进行训练得到的；分类预测模型是基于带有确定分类标签的多维特征向量样本训练得到的。通过利用特征提取网络模型提取道路场景图像中每个像素点的特征向量，结合分类效果较好的分类预测模型对特征向量进行分类，融合模型的泛化能力较强，提升了图像语义分割的准确率。
-
-
-
-
-
-
-
-
-
Search Results
10
records
(took 0.035 seconds)
