-
公开(公告)号：CN112105048B
公开(公告)日：2021-10-12
申请号：CN202010731814.8
申请日：2020-07-27
Applicant: 北京邮电大学
Abstract: 本发明公开了基于双周期Holt‑Winters模型和SARIMA模型的组合预测方法，属于无线网络流量预测和网络优化领域。首先提取基站m个无线网络流量数据，利用前m‑k项数据，进行预测步长为k的双周期Holt‑Winters模型预测和SARIMA模型预测，分别存入数组和将m‑k～m时刻的原始流量数据与预测结果和分别对比，计算误差平方和EDHW及ESA。然后利用误差平方和倒数法确定DHW模型和SARIMA模型的权系数；同理对前m项数据进行双周期Holt‑Winters模型预测和SARIMA模型预测，将m+1～m+k时刻的预测结果存入数组yDHW和ySA中，并利用权系数wDHW和wSA，将对应时刻的预测结果进行加权组合，得到之后k个时间粒度的预测结果ycombine[i]。最后利用预测结果观测未来k小时的流量数据变化情况。本发明计算效率高，提升了稳定度与准确度。
-
公开(公告)号：CN116866195A
公开(公告)日：2023-10-10
申请号：CN202310609667.0
申请日：2023-05-26
Applicant: 北京邮电大学
IPC: H04L41/147 , H04L41/16 , H04L41/12 , H04W24/06
Abstract: 本发明提供一种模型训练方法、装置及设备，该方法包括：获取多个样本基站各自对应的多组样本通信特征，基于多组样本通信特征各自的采集时刻，对多组样本通信特征进行组合，得到三维通信特征张量，基于三维通信特征张量和各采集时刻，确定多个训练样本，基于三维通信特征张量和多个样本通信特征，确定各样本通信特征空间下的基站空间拓扑图，基于多个训练样本和基站空间拓扑图，对初始图时空模型进行训练，得到通信流量预测模型。本发明提供的模型训练方法、装置及设备用于提高通信流量预测模型的准确性。
-
公开(公告)号：CN116800645A
公开(公告)日：2023-09-22
申请号：CN202310588163.5
申请日：2023-05-23
Applicant: 北京邮电大学
IPC: H04L43/0876 , H04L41/147 , H04L43/50 , H04L67/10 , H04L67/12
Abstract: 本发明提供一种蜂窝流量预测方法、边缘服务设备及云服务设备，该方法包括：边缘服务设备根据流量数据，确定时间特征值；边缘服务设备向云服务设备发送时间特征值；云服务设备接收边缘服务设备发送的时间特征值；云服务设备根据时间特征值，确定边缘服务设备对应的空间特征值；云服务设备向边缘服务设备发送空间特征值；边缘服务设备接收云服务设备发送的空间特征值；边缘服务设备根据时间特征值和空间特征值，确定边缘服务设备对应的蜂窝流量预测结果。云服务设备可为边缘服务设备在预测蜂窝流量时提供全局视角和空间相关性感知能力，使得该边缘服务设备根据时间特征值与该云服务设备发送的空间特征值，对该边缘服务设备的蜂窝流量进行准确预测。
-
公开(公告)号：CN112105048A
公开(公告)日：2020-12-18
申请号：CN202010731814.8
申请日：2020-07-27
Applicant: 北京邮电大学
Abstract: 本发明公开了基于双周期Holt‑Winters模型和SARIMA模型的组合预测方法，属于无线网络流量预测和网络优化领域。首先提取基站m个无线网络流量数据，利用前m‑k项数据，进行预测步长为k的双周期Holt‑Winters模型预测和SARIMA模型预测，分别存入数组 和将m‑k～m时刻的原始流量数据与预测结果 和分别对比，计算误差平方和EDHW及ESA。然后利用误差平方和倒数法确定DHW模型和SARIMA模型的权系数；同理对前m项数据进行双周期Holt‑Winters模型预测和SARIMA模型预测，将m+1～m+k时刻的预测结果存入数组yDHW和ySA中，并利用权系数wDHW和wSA，将对应时刻的预测结果进行加权组合，得到之后k个时间粒度的预测结果ycombine[i]。最后利用预测结果观测未来k小时的流量数据变化情况。本发明计算效率高，提升了稳定度与准确度。
-
-
-
Search Results
4
records
(took 0.018 seconds)
