-
公开(公告)号：CN112801411B
公开(公告)日：2024-02-09
申请号：CN202110222903.4
申请日：2021-02-26
Applicant: 南京工业大学
IPC: G06Q10/04 , G06N3/0475 , G06N3/094 , G06N3/045 , G06N3/088
Abstract: 随着无线接入用户需求爆炸式增长，5G网络流量指数级增长且呈现出多样性、异构性趋势，使得网络流量预测面临诸多挑战。针对5G网络部署宏基站、微基站与微微基站的多层架构，本发明提出一种基于生成对抗网络的网络流量预测方法：首先，生成网络分别捕捉流量时空特征与基站类型特征，将拼接特征输入复合残差模块生成预测流量，并将生成流量输入判别网络；接着，判别网络判断生成流量是真实流量还是预测流量；最后，经过生成网络与判别网络的博弈对抗使生成网络生成高精度的预测流量。实验结果表明，GAN的二维均方根预测误差分别比2DCNN、3DCNN和ConvLSTM降低了58.64％、38.74％和(56)对比文件BARLACCHI G，NADAI M D，LARCHER R，etal..A multi-source dataset ofurban lifein the city of Milan and the Province ofTrentino.ScientificData.2015,第2卷(第1期),第150055页.
-
公开(公告)号：CN112801411A
公开(公告)日：2021-05-14
申请号：CN202110222903.4
申请日：2021-02-26
Applicant: 南京工业大学
Abstract: 随着无线接入用户需求爆炸式增长，5G网络流量指数级增长且呈现出多样性、异构性趋势，使得网络流量预测面临诸多挑战。针对5G网络部署宏基站、微基站与微微基站的多层架构，本发明提出一种基于生成对抗网络的网络流量预测方法：首先，生成网络分别捕捉流量时空特征与基站类型特征，将拼接特征输入复合残差模块生成预测流量，并将生成流量输入判别网络；接着，判别网络判断生成流量是真实流量还是预测流量；最后，经过生成网络与判别网络的博弈对抗使生成网络生成高精度的预测流量。实验结果表明，GAN的二维均方根预测误差分别比2DCNN、3DCNN和ConvLSTM降低了58.64％、38.74％和34.88％，具有最优的流量预测性能。
-
公开(公告)号：CN113596848A
公开(公告)日：2021-11-02
申请号：CN202110847324.9
申请日：2021-07-27
Applicant: 南京工业大学
Abstract: 本发明提出的面向NOMA无线视频多播的内容缓存和频谱分配联合设计方法。该方法综合考虑缓存资源、功率和带宽资源的联合分配，目的是在多维资源约束下，最大化多播组内用户的整体视频接收质量。本方法首先，将频谱分配和分层视频缓存建模为一个混合整数线性规划问题。然后，为了便于处理将该优化问题解耦为组内频谱约束和缓存约束的资源分配子问题。最后将组内频谱约束和缓存约束的资源分配子问题转化为背包问题，并设计面向多播组的PSNR优先算法求解。在此基础上，设计多播组内分层内容缓存算法获得最优PSNR和最优分层视频缓存方案。仿真结果表明，本方案在网络资源利用率和视频接收质量等方面优于现有的方法。
-
公开(公告)号：CN113596848B
公开(公告)日：2023-06-20
申请号：CN202110847324.9
申请日：2021-07-27
Applicant: 南京工业大学
Abstract: 本发明提出的面向NOMA无线视频多播的内容缓存和频谱分配联合设计方法。该方法综合考虑缓存资源、功率和带宽资源的联合分配，目的是在多维资源约束下，最大化多播组内用户的整体视频接收质量。本方法首先，将频谱分配和分层视频缓存建模为一个混合整数线性规划问题。然后，为了便于处理将该优化问题解耦为组内频谱约束和缓存约束的资源分配子问题。最后将组内频谱约束和缓存约束的资源分配子问题转化为背包问题，并设计面向多播组的PSNR优先算法求解。在此基础上，设计多播组内分层内容缓存算法获得最优PSNR和最优分层视频缓存方案。仿真结果表明，本方案在网络资源利用率和视频接收质量等方面优于现有的方法。
-
-
-
Search Results
4
records
(took 0.021 seconds)
