买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉华南理工大学申请的专利基于RSRP预测上行吞吐量的优化方法、系统、装置及介质获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN118714585B 。

龙图腾网通过国家知识产权局官网在2025-11-21发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202410795148.2，技术领域涉及：H04W24/02；该发明授权基于RSRP预测上行吞吐量的优化方法、系统、装置及介质是由陈芳炯;李小奇;林俊发;廖正陶设计研发完成，并于2024-06-19向国家知识产权局提交的专利申请。

本基于RSRP预测上行吞吐量的优化方法、系统、装置及介质在说明书摘要公布了：本发明公开了基于RSRP预测上行吞吐量的优化方法、系统、装置及介质。所述方法包括:构建包括RSRP值及对应的上行吞吐量的数据集；构建RSRP和上行吞吐量映射关系，得到映射模型；基于改进的LSTM模型对RSRP在时间序列上进行多步预测，所述改进的LSTM模型包括编码器、注意力机制层、解码器和全连接层，注意力机制层用于在解码器每一步预测时，计算当前时刻隐藏状态与编码器所有隐藏状态之间的相关性权重，并据此生成加权和，作为解码器当前时刻的输入；利用改进的LSTM模型预测未来时隙RSRP的值，并结合映射模型进行上行吞吐量的预测。本发明基于深度学习技术，利用5G网络参数RSRP来预测上行吞吐量，从而可以提前分配资源满足当前系统对通信性能的需求。

本发明授权基于RSRP预测上行吞吐量的优化方法、系统、装置及介质在权利要求书中公布了：1.一种基于RSRP预测上行吞吐量的优化方法，其特征在于，包括以下步骤： 进行数据采集，构建包括RSRP值及对应的上行吞吐量的数据集； 基于决策树回归算法构建RSRP和上行吞吐量映射关系，得到映射模型； 基于改进的LSTM模型对RSRP在时间序列上进行多步预测，所述改进的LSTM模型包括编码器、注意力机制层、解码器和全连接层，编码器用于处理RSRP序列数据并生成对应的隐藏状态，注意力机制层用于在解码器每一步预测时，计算当前时刻隐藏状态与编码器所有隐藏状态之间的相关性权重，并据此生成加权和，作为解码器当前时刻的输入，解码器用于结合注意力机制生成的加权和和先前步的预测值进行多步预测，全连接层用于对解码器的输出进行线性变换并输出RSRP预测值； 利用所述改进的LSTM模型预测未来时隙RSRP的值，并结合所述映射模型进行上行吞吐量的预测； 使用决策树回归的CART算法构建回归模型，对训练数据进行拟合，输入为采集的RSRP值，输出为上行吞吐量； RSRP映射上行吞吐量是一个具有单一特征的系统，假设采集有n组数据，构成的数据集表示为，对应的响应集为，其中，D为一个有序集合，代表第i组RSRP所代表的值，是对应的上行吞吐量，i=1...n；在分割点m处对数据集D进行拆分，与表示拆分后的两个数据子集，与则分别代表数据子集和的响应集，计算两个响应子集和的加权均方误差，将响应子集加权均方误差最低的分割点m视为最佳分割点； 对改进的LSTM模型进行训练时，使用训练数据对改进的LSTM模型进行端到端训练，通过最小化预测值与真实值之间的损失函数，采用遗传算法来进行优化模型参数； 遗传算法的选择算子为基于随机接受的方法，所述基于随机接受的方法包括步骤：计算适应度总和； 归一化适应度； 对归一化的适应度值进行累加，构建累计概率分布； 生成一个0到1之间的随机数，使用二分搜索在累计概率分布中找到随机数对应的区间，确定选中的个体； 所述注意力机制层中的处理步骤包括： 获得编码器输出的隐藏状态序列，这些隐藏状态通过时间步的传递来捕捉输入序列的动态信息和特征，作为注意力机制层的输入，即初始样本； 使用线性变换函数和激活函数构建全连接层，并通过全连接层得到新的样本； 将得到新的样本，按照时间步输入到softmax函数得到权重向量，权重向量中列向量元素个数等于输入的时间步，每一个元素表示一个时间步的权重； 将初始样本和权重向量相乘得到赋予权重后的样本； 将赋予权重后的样本按照时间步列进行求和，得到注意力机制层最终的输出，输出是一个上下文向量； 其中，注意力机制层中的查询向量为对应的因变量RSRP，在神经网络训练过程中权重向量随着查询向量得到动态调整。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人华南理工大学，其通讯地址为：510640 广东省广州市天河区五山路381号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。