高速铁路网络环境下掉话率分析

在不考虑多普勒频移对网络掉话率影响的前提下,分析高速铁路网络环境下由于越区切换引起的网络掉话率.从高铁网络的越区切换研究出发,得出不同位置的越区切换概率,获得不同位置的掉话概率,提出掉话分析模型.通过对高铁GSM-R和LTE-R网络进行掉话率对比仿真发现,LTE-R网络的掉话率比GSM-R网络减小了约29.23%;通过对不同列车穿透损耗下的掉话率进行对比仿真发现,穿透损耗越大,掉话率越高,24dB的穿透损耗下掉话率达到0.8%;通过对不同运行速度下的网络掉话率对比仿真发现,列车运行速度越高,网络掉话率越高,LTE-R网络下540km/h相比60km/h的掉话率提高了151.56%;通过对基站故障情况下的网络掉话进行仿真发现,基站正常时的平均掉话率仅为基站故障后平均掉话率的36.3%.     

计及PUE的数据中心短期电力负荷预测方法

为了准确预测数据中心短期电力负荷,提出了基于长短期记忆神经网络的短期负荷预测模型,有效地弥补前馈型神经网络不能处理序列间关联信息与传统循环神经网络无法记忆久远关键信息的缺陷.通过分析得出电源利用效率(power usage effectiveness,PUE)值与负荷具有相关性,因此在预测模型中考虑了PUE的影响,并使用自适应矩估计算法进行深度学习.并通过对广州某电力设计院数据中心机房的实际电力负荷进行预测,表明在模型中引入PUE值可以有效提高数据中心短期负荷预测的精度.     

基于长短记忆神经网络的短期光伏发电预测技术研究

光伏电源在电网中的渗透率正在不断提高,准确的短期光伏发电预测有利于保障高比率光伏电源接入的电网安全稳定运行。为解决传统预测算法在学习周期波动规律上的不足,提出了基于长短期记忆神经网络的光伏发电预测模型。首先对长短期记忆神经网络的结构和特征进行了介绍和总结。其次,利用相关性分析从天气状态数据中筛选出光伏发电量的影响因素,由此作为模型的输入。接着,以小批梯度下降算法优化长短期记忆神经网络的训练过程。最后采用光伏电站的典型日发电预测实验来验证提出的模型。实验结果表明所提出的算法能够较好的预测光伏电站不同季节的日前光伏发电量。     

基于CNN-ResNet-LSTM模型的城市短时交通流量预测算法

针对交通流量特性和外部因素对交通流量预测结果的影响,提出了一种对城市短时交通流量预测的模型CNN-ResNet-LSTM,将卷积神经网络（CNN）、残差神经单元（ResNet）和长短期记忆循环神经网络（LSTM）集成到一个端到端的网络框架.利用卷积神经网络来捕获城市区域间交通流量的局部空间特征,并在卷积神经网络中加入多个残差神经单元来加深网络深度,可提高预测的准确性;利用长短期记忆循环神经网络来捕获交通流量数据的时间特征;利用相应的权重将2个网络的输出结果融合,得到通过轨迹数据预测的结果;最后与外部因素融合,得到城市区域的交通流量预测值.用北京市轨迹交通数据对该模型进行验证,CNN-ResNet-LSTM模型不仅在准确率方面比传统模型高,而且在保证预测准确率的情况下,模型使用的参数也少.     

基于预测的无线 mesh 网络切换机制的研究

将无线mesh网技术应用到城市轨道交通中,对车地通信中存在的关键问题———越区切换延时进行分析,并提出一种差分预测的方案对切换延时较长的问题进行优化。通过应用OP-NET仿真软件对现有的切换方案与本文提出的差分预测切换方案进行比较。仿真表明,差分预测切换方案有效降低了切换延时。     

基于切换预测的位置信息辅助软切换算法

为了对WCDMA网络中的软切换算法进行优化,提出了基于切换预测的位置信息辅助软切换算法。该算法以UTRA软切换算法为基础,根据移动台的不同位置信息进行软切换预测,然后对切换门限进行动态调整,进而可以提高系统性能。采用具体的仿真模型进行了仿真实验。仿真结果表明,与UTRA软切换算法相比,本文算法在MASN和AUSR性能指标上有较大的改善,并且能够维持稳定,从而提高了系统的资源利用效率。     

LTE系统中切换算法的研究

为了提高LTE系统越区切换的性能,寻求一种能够提高LTE系统性能的最优切换算法。分别对基于RSRP测量、基于RSRP和RSRQ测量、以及基于RSRQ测量等自适应算法的三种切换算法进行了研究。通过三种算法的分析比较,发现基于RSRQ测量的自适应算法能够减少切换次数并且保证服务质量,因此该算法是一种可以提高LTE系统性能的最优切换算法。     

基于C-LSTM的短期用电预测模型和应用

基于深度学习下的长短期记忆循环神经网络对家庭短期用电预测进行研究。本研究引入卷积神经网络(convolutional neural network, CNN)和长短期记忆(long short term memory, LSTM)模型结合的混合深度神经网络模型C-LSTM,并在此模型基础上提出多步预测策略。根据对5个真实家庭日常用电数据集的研究,C-LSTM实现了以5 min为单位的家庭电力需求预测。通过不断修改模型参数、完善模型,从本研究提供的3种误差指标的分析来看,C-LSTM预测准确性高于自回归集成移动平均模型、支持向量回归模型和LSTM模型。本研究评价模型预测效果的主要依据是平均绝对百分比误差值(mean absolute percentage error, MAPE), 从试验结果可得C-LSTM 模型在5 min的家庭需求电力预测,比支持向量回归模型提升4.63%,比 LSTM提升22.8%,比自回归集成移动平均模型提升 34.74%。因此,C-LSTM模型为智能电网对家庭层面电需求的准确及时预测提供了保障,对推动个性化用电套餐的广泛普及、减少能源浪费产生重要影响。     

TD-SCDMA/WLAN异构无线网络固定迟滞与自适应迟滞切换研究

随着TD移动用户对无线宽带数据业务需求的急剧增加,将TD移动网络和WLAN无线局域网进行融合已成为TD运营商急需解决的问题。TD移动网络与WLAN无线局域网络融合的目的是为了发挥不同无线网络的优势,弥补各自网络的不足,从而优化无线网络通信性能、降低用户无线通信成本。TD移动网络与WLAN无线局域网络两种异构无线网络间切换可采用基于固定迟滞垂直切换和基于自适应迟滞垂直切换,通过模拟仿真比较发现:基于自适应迟滞垂直切换较基于固定迟滞垂直切换有较低的切换率、较低的乒乓切换率、较高平均流量。     

蜂窝移动通信系统越区切换技术

文章对蜂窝移动通信系统越区切换技术进行了系统的概述，以代为主线分别介绍各代移动通信系统所采用的切换技术，通过分析、对比，可以看出：随着科技的进步，切换技术越来越先进，通信质量也越来越好，同时也印证了切换技术的重要性。     

基于MGU的大规模IP骨干网络实时流量预测

为克服长短时记忆网络(long short-term memory, LSTM)计算成本相当大的弊端,提出基于最小门控单元(minimal gated unit, MGU)的大规模IP骨干网络实时流量预测方法。试验结果表明,与基于LSTM的流量预测方法相比,该方法以较少的模型训练时间获得了相当甚至略优的流量预测性能,在流量预测精度和实时性方面也优于已有的前馈神经网络(feed forward neural network, FFNN)和门控循环单元神经网络(gated recurrent unit, GRU)方法。     

基于深度神经网络的多因素感知终端换机预测模型

针对基于特征工程的传统终端换机预测模型依赖于领域知识且无法充分利用用户通话、流量使用等序列数据的问题,提出基于深度神经网络的多因素融合终端换机预测模型. 该模型使用长短时记忆网络（LSTM）提取用户通话、流量使用行为序列特征,使用全连接网络融合用户自然属性、行为序列特征和历史换机信息,预测用户是否换机. 实验表明,基于深度神经网络的多因素融合终端换机预测模型能够考虑影响用户换机的多种因素,充分挖掘用户通话、流量使用行为序列特征;当召回率为0.135时,相比于传统模型精确率提高了34.3%.     

基于以太网的列车通信网络性能仿真研究

给出了一种基于工业以太网的列车通信网络体系结构。在对实际列车业务流量进行建模的基础上,利用网络仿真软件OPNET建立了以太网列车通信网络仿真模型,研究了车载工业以太网在进行大容量信息传输过程中的以太网时延、网络载荷、丢包率及以太网的极限流量等关键性能。仿真结果表明：通过合理设置网络参数,以太网可以满足列车通信网络对带宽和数据传输时延的要求,将以太网用于高速列车网络系统具有充分的可行性。     

用于异构网络的差值门限模糊切换算法

为了提高用户在异构网络中进行垂直切换的准确度,减少"乒乓效应",提出了一种差值门限模糊切换算法(Difference Threshold based Fuzzy Handover,DTFH).DTFH算法考虑异构网络中的切换触发与切换判决两个方面.用户获得当前网络和目标网络的信噪比差值,根据该信噪比差值与设定的切换触发门限的比较结果进行切换触发;然后,采用模糊逻辑方法得到用户当前网络与目标网络的模糊判决值,根据两个网络的模糊判决值之差与设定的切换判决门限的对比结果进行切换判决.以LTE和WiMAX异构网络为仿真场景,仿真结果表明,与传统切换算法相比,DTFH算法能在减少"乒乓效应"的同时,提高用户吞吐量,从而提高垂直切换的性能.     

基于双尺度长短期记忆网络的交通事故量预测模型

为了降低交通事故的发生、减少财产损失,建立新型交通事故量预测模型. 该模型利用双尺度分解方程将原始交通事故时间序列分解为多个子层,并利用长短期记忆（LSTM）网络对得到的低频子层进行预测;利用双尺度重构方程将低频子层的预测结果进行重构. 分别构建LSTM预测模型、门控循环单元(GRU)预测模型、自编码(SAEs)预测模型和双尺度长短期记忆网络(DS-LSTM)预测模型,利用这4个预测模型对2个数据集进行预测. 结果表明,本研究模型相较其他模型能够有效预测交通事故时间序列,且具有较强的鲁棒性. 对于2个数据集,相较于原始的LSTM模型,DS_LSTM预测模型预测准确度分别提高6%、28%;对2个不同数据库(利兹和UK)的测试表明本研究模型具有较好的泛化性能.     

移动IPv6网中的列车软切换性能分析与仿真

无线网络不仅可以为用户提供更好的实时服务,而且可以提供更多的多媒体服务.本文提出了一种应用于GSM-R网络的小区切换的移动IPv6技术.该技术使用了分级的网络结构和移动代理点(MAP)优化路由方法,还可以为铁道系统设定路径指针.本文用M/M/1/k队列对小区内的高速列车通信特性进行建模,分析了其切换的延时和带宽利用率,并进行了仿真分析.结果表明此切换算法在列车高速运行时仍能够保持较好的性能.     

星上透明转发非地面网络中的切换机制研究

针对星上透明转发的非地面网络架构,提出了基于星历信息触发切换和基于多决策指标进行切换链路判决的切换方案,设计了切换实施流程,通过系统仿真评估了不同切换方案性能。结果表明,与基于最大卫星仰角、最长卫星覆盖时间和最长链路存续时间的切换链路选择方案相比,所提方案可有效降低基站间切换次数从而降低切换信令开销,提高切换成功率。     

基于深度学习的LSTM光伏预测

随着对能源利用效率要求的提高及日益激增的光伏数据,传统的光伏预测方法已逐渐丧失优势。为了更加准确地进行光伏预测,采用深度学习的框架,并利用循环神经网络(RNN)中最重要的一个结构——长短时记忆网络(LSTM)对时间序列的强大处理能力进行了智能算法建模。由于LSTM具有"遗忘"与"更新"功能,很好地解决了长序依赖问题,从而使光伏预测在精度上有了质的变化,预测速度也得到显著提升。