[发明专利]探测周期协同自适应调整方法及系统有效
申请号: | 201910872239.0 | 申请日: | 2019-09-16 |
公开(公告)号: | CN110719223B | 公开(公告)日: | 2020-08-11 |
发明(设计)人: | 安常青;刘玉家;王继龙;喻涛 | 申请(专利权)人: | 清华大学 |
主分类号: | H04L12/721 | 分类号: | H04L12/721;G06Q10/04;G06F17/18 |
代理公司: | 北京清亦华知识产权代理事务所(普通合伙) 11201 | 代理人: | 王艳斌 |
地址: | 10008*** | 国省代码: | 北京;11 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 探测 周期 协同 自适应 调整 方法 系统 | ||
1.一种探测周期协同自适应调整方法,其特征在于,包括以下步骤:
利用极端森林算法预测路径变化,以建立预测模型;
通过线性回归方法建立所述预测模型的路径属性预测值与最优探测周期的线性关系;
系统运行时,根据预设周期对所有路径属性进行预测,得到所有路径的预测值;以及
通过所述线性关系处理所述所有路径的预测值和探测预算,得到所有路径探测周期调整值。
2.根据权利要求1所述的探测周期协同自适应调整方法,其特征在于,所述利用极端森林算法预测路径变化,包括:
设定预测值以及预测值对应的输入特征值,以对多条路径进行追踪,得到多条路径路由跟踪结果;
根据所述多条路径路由跟踪结果在每个时间片间隔时刻获取所有预测参数的相关特征值以及预测值;
采用所述极端森林算法对所述相关特征值和所述预测值进行所述预测模型的训练。
3.根据权利要求1所述的探测周期协同自适应调整方法,其特征在于,所述通过线性回归方法建立所述预测模型的路径属性预测值与最优探测周期的线性关系,包括:
根据多条路径路由跟踪结果在每个时间片间隔时刻获取上一时间片的相关特征值;
通过所述预测模型和所述相关特征值得到下一时间片的预测参数,对所述预测参数进行处理,得到所述路径属性预测值;
通过遍历设置的探测周期值,计算下一时间片的实际收益,获得最高收益的记录为最优探测周期;
根据最小二乘算法对所述路径属性预测值和所述最优探测周期进行拟合,得到所述线性关系。
4.根据权利要求1所述的探测周期协同自适应调整方法,其特征在于,所述系统运行时,根据预设周期对所有路径属性进行预测,得到所有路径的预测值,包括:
系统运行时,在时间片结束时刻获取当前时间片所有路径的测量结果,提取当前时间片的特征值,根据所述预测模型获得所述所有路径的预测值。
5.根据权利要求1所述的探测周期协同自适应调整方法,其特征在于,所述通过所述线性关系处理所述所有路径的预测值和探测预算,得到所有路径探测周期调整值,进一步包括:
根据所述所有路径的预测值,通过所述线性关系计算得到所有路径探测周期最优值,当超过所述探测预算时,即所有路径都取探测周期最优值的情况下,其总的探测次数超过所述探测预算时,对所有路径探测次数进行等比例缩减。
6.一种探测周期协同自适应调整系统,其特征在于,包括:
建模模块,用于利用极端森林算法预测路径变化,以建立预测模型;
关系模块,用于通过线性回归方法建立所述预测模型的路径属性预测值与最优探测周期的线性关系;
预测模块,用于系统运行时,根据预设周期对所有路径属性进行预测,得到所有路径的预测值;以及
处理模块,用于通过所述线性关系处理所述所有路径的预测值和探测预算,得到所有路径探测周期调整值。
7.根据权利要求6所述的探测周期协同自适应调整系统,其特征在于,所述建模模块包括:
追踪单元,用于设定预测值以及预测值对应的输入特征值,以对多条路径进行追踪,得到多条路径路由跟踪结果;
第一获取单元,用于根据所述多条路径路由跟踪结果在每个时间片间隔时刻获取所有预测参数的相关特征值以及预测值;
训练单元,用于采用所述极端森林算法对所述相关特征值和所述预测值进行所述预测模型的训练。
8.根据权利要求6所述的探测周期协同自适应调整系统,其特征在于,所述关系模型包括:
第二获取单元,用于根据多条路径路由跟踪结果在每个时间片间隔时刻获取上一时间片的相关特征值;
处理单元,用于通过所述预测模型和所述相关特征值得到下一时间片的预测参数,对所述预测参数进行处理,得到所述路径属性预测值;
计算单元,用于通过遍历设置的探测周期值,计算下一时间片的实际收益,获得最高收益的记录为最优探测周期;
拟合单元,用于根据最小二乘算法对所述路径属性预测值和所述最优探测周期进行拟合,得到所述线性关系。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于清华大学,未经清华大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/201910872239.0/1.html,转载请声明来源钻瓜专利网。