本文讨论了移动蜂窝网络中交通数据的变化模式,提出了一个基于时间和空间的综合模型,并验证了在现有移动蜂窝网络中三个不同区域的交通规律。
Mar, 2017
本文使用随机几何模型对多细胞信号干扰加噪比进行建模,并开发了更可靠的计算覆盖概率表达式的方法,同时找到了静态频率重用的覆盖增益,比较了所提供的模型和实际的基站部署以及网格模型中的覆盖预测,并观察到所提出的模型是保守的而网格模型是乐观的。
Sep, 2010
本文报道了一种新的方法,该方法通过结合免费提供的道路指标来确立数据生成过程和空间依赖性,从而提高了移动蜂窝流量预测的准确性,这可以应用于边缘或中心化学习,可用于预测短期未来一段高速公路覆盖区域的负载。
May, 2023
利用时间序列分析为动态分配移动网络流量预测模型的新框架,通过选择性地使用学习行为相对于当前研究具有超过 50%的性能改进,并在无需对单个细胞具有先验知识的情况下超过传统方法;该框架通过无监督聚类识别独特趋势和季节模式,然后在每个聚类中应用监督学习进行流量量预测,使得不受空间和时间变化的惩罚,并且通过分析细胞的实时测量结果,智能选择最适合该细胞的聚类,使聚类分配根据时空波动的动态调整。
Nov, 2023
本研究提出一种功能数据方法,以分析交通流模式并预测未来的交通流,并提出一种概率混合预测方法来结合功能预测和概率分类,以考虑不同的交通流模式。
Jan, 2013
本文提出了一种针对蜂窝系统下行信道的分析方法,利用随机几何方法将蜂窝固定在带权 Voronoi 单元格内,考虑包括防护区外部、交叉层干扰等影响因素,并采用 Gamma 分布简化干扰计算,从而有效地评估干扰环境对传输性能的影响。
Jul, 2012
本文提出了一些标准网络模型的概括,包括随机网络、配置模型和随机块模型,将它们推广到时变网络的情况。我们假设边缘的存在和缺失受节点属性的连续时间马尔可夫过程的速率参数控制,并演示了这些模型在数据分析和统计推断中的应用。我们的方法可以通过观察边缘出现和消失的特征动态,以及节点对边缘连接的时间上的概率来估计网络演化的时间常量或推断出社区结构,我们演示了这些方法在计算机生成的测试网络和实际数据中的应用。
Jul, 2016
通过马尔可夫决策过程,使用 GFlowNets 作为交通路网生成器实现了将事故道路链接到环形交叉口,比其他相关方法拥有更好的多样性和高有效性得分。
Oct, 2023
本文提出了一种基于字典学习的交替方向方法,用于综合研究和预测蜂窝网络流量建模和预测框架,并提高了预测准确性和鲁棒性。
Jun, 2016
本文介绍了一种基于条件扩散模型的可控交通生成技术,利用扩散建模和可微分逻辑为实现交通规则生成提供了理论基础,并在 nuScenes 数据集上得到了验证。
Oct, 2022