一种铁路无线网络质量的检测预警方法及装置
阅读：371发布：2020-05-15
专利汇可以提供一种铁路无线网络质量的检测预警方法及装置专利检索，专利查询，专利分析的服务。并且本 发明 公开了一种 铁 路无线网络 质量 的检测预警方法，包括：收集数据包,解析数据包,分析预测,输出预测结果流程，其中分析预测采用建立回归模型的方式对无线网络质量进行预测并预紧，本发明还提供了一种铁路无线网络质量的检测预警装置，以实现所述方法。本发明具有能够快速检测铁路各 位置 网络质量，可预测网络质量变化趋势，可对未来一段时间内可能出现网络质量异常的地点进行预警的优点。，下面是一种铁路无线网络质量的检测预警方法及装置专利的具体信息内容。
1.一种铁路无线网络质量的检测预警方法，包括：
S1、收集数据包；
S2、解析数据包；
S3、分析预测；
S4、输出预测结果。
2.根据权利要求1所述的一种铁路无线网络质量的检测预警方法，其特征在于，在步骤S1中，所述收集数据包，为收集铁路一段时间内不同地点的数据包，所述数据包中包含有地理位置、记录时间和网络性能数据。
3.根据权利要求2所述的一种铁路无线网络质量的检测预警方法，其特征在于，所述地理位置为经纬度，
所述网络性能数据为信号强度、丢包率、时延、带宽时延积或语音呼叫连通速度中的一种或多种，
所述数据包中还可以包含有列车的车机型号和提供网络的设备名称。
4.根据权利要求1所述的一种铁路无线网络质量的检测预警方法，其特征在于，所述步骤S2，包括以下子步骤：
S21、判断数据包中是否包含有预设信息；
若判断结果为否，放弃该数据包，处理下个数据包，
若判断结果为是，执行S22，
S22、将数据包中有效信息分类存储；
S23、重复步骤S21、S22，将所有收集的数据包中的信息分类存储，完成解析过程；
所述预设信息中包括需要收集的信息类别和信息格式，所述信息类别包括地理位置、记录时间、网络性能数据中的一种或多种。
5.根据权利要求1所述的一种铁路无线网络质量的检测预警方法，其特征在于，所述步骤S3，包括以下子步骤：
S31、将步骤S2中获得的具有不同时间、相同地点的相关数据合并整理，并存储，得到多组具有相同地点，不同时间和网络性能数据的数组；
S32、以S31步骤中获得的一组数组进行自回归模型的建立，预测未来一段时间后的网络性能数据；
S33、重复步骤S32，将步骤S31中其它各组数组进行处理，预测不同地点未来一段时间后的网络性能数据。
6.根据权利要求5所述的一种铁路无线网络质量的检测预警方法，其特征在于，在步骤S31中，所述相同地点为经纬度相同或相近的地点，优选经纬度变化在1’内的地点为相同地点。
7.根据权利要求5所述的一种铁路无线网络质量的检测预警方法，其特征在于，所述步骤S32，包括以下子步骤：
S321、将一组数组中的网络性能数据按照记录时间顺序整理成序列Xi；
S322、根据不同类型网络性能数据的特点确定管控上限UCL和管控下限LCL；
S323、判断序列Xi中最后一个值是否超出管控上限UCL和管控下限LCL组成的管控范围；
若判断结果为超出，则进行预警，结束步骤S32，执行S33，
若判断结果为未超出，执行S324；
S324、判断S321中的序列Xi是否为平稳序列，若序列为非平稳序列，将该序列进行预处理成平稳序列；
S325、对平稳的Xi序列建立自回归模型，所述自回归模型为：
其中，Xt为t时刻的相应序列，Wt为白噪声，p为模型的阶数，ak为需要估计的参数；
S326、确定自回归模型ak值，并对自回归模型进行适应性检验以确认有效的模型；
其中，ak值满足前向预测误差和后向预测误差均方误差之和最小，
S327、通过确定的自回归模型即可预测出未来一段时间内该地点网络质量的数值，进而得出网络质量的情况；
S328、将步骤S327中预测得到的网络质量数值与管控上限UCL和管控下限LCL进行对比，若超出管控上限UCL和管控下限LCL的范围，则进行预警。
8.根据权利要求7所述的一种铁路无线网络质量的检测预警方法，其特征在于，在步骤S33中，将步骤S31中不同车机型号的数据分别重复步骤S32，得到不同的网络质量预测结果，
所述未来一段时间为1～20天。
9.一种铁路无线网络质量的检测预警装置，包括：获取模块501、参数模块502、解析模块503、存储模块504、预测模块505和输入输出设备506，其中：
获取模块501，用于获取铁路不同地点的数据包，
参数模块502，用于存储预设信息，所述预设信息与上述步骤S2中的预设信息相同，解析模块503，用于对获取模块501收集的数据包进行解析，
存储模块504，用于存储解析模块503解析好的数据，
预测模块505，用于网络质量的预测，其能够根据参数模块502中的预设信息按照上述步骤S3的方法分析预测，
输入输出设备506，用于输入参数模块502中的预设信息、输出预测模块505预测的结果。
10.根据权利要求9所述的一种铁路无线网络质量的检测预警装置，其特征在于，所述获取模块501与车载通信设备相连，并从车载通讯设备上采集数据包，在参数模块502中具有参数设置功能，通过参数模块502选择数据收集方法、选择需要处理的网络性能数据的类型和管控上限UCL、管控下限LCL参数。
一种铁路无线网络质量的检测预警方法及装置
技术领域
[0001] 本发明涉及一种无线网络质量的检测方法及装置，特别涉及铁路无线网络质量的检测预警方法及装置，属于检测领域。
背景技术
[0002] 铁路无线网络，不同于其它无线网络，专为铁路通讯设计，现有的GSM-R系统已伴随着列车的轰鸣声跑过了二十几个春秋，其设备大都进入了故障高发期，而机车中的调度、控制等业务均依赖于GSM-R网络系统，为保证行车安全，需要对铁路各处现有的GSM-R网络质量进行检测，
[0003] 目前，我国正在建设基于4G LTE技术的铁路网络体系，在建造过程中，面临新设备、新技术的调试，同样急需一种对铁路无线网络质量有效的检测方法。
[0004] 目前铁路网络质量采用的检测方法多为收集铁路各点网络信息实时的观测铁路网络质量，此种检测方法只有铁路网络出现问题后才能发现，得到的信息相对落后，只能亡羊补牢，不利于铁路安全。
[0005] 此外，铁路网络设备故障不同于其它设备故障，部分网络设备使用效果随时间变化呈现衰减，例如随着使用时间的增加，可能出现设备发射接收功率减弱，此外，地域环境变化也可能导致信号减弱、信号连接强度降低等现象，虽然仍然可通讯，但通讯质量变差，也具有一定的安全隐患。
[0006] 因此，亟需研究一种能够预测铁路网络质量趋势的方法，通过该方法合理的预测出不同地点网络质量趋势，从而对该地点相关网络设备进行重点检查维护，进而提高铁路无线网络质量。
发明内容
[0007] 为了克服上述问题，本发明人进行了锐意研究，开发了一种铁路无线网络质量的检测预警方法及装置，该方法包括：
[0008] S1、收集数据包；
[0009] S2、解析数据包；
[0010] S3、分析预测；
[0011] S4、输出预测结果。
[0012] 根据本发明，步骤S1中，所述收集数据包，为收集铁路一段时间内不同地点的数据包，
[0013] 所述数据包中包含地理位置、记录时间和网络性能数据，进一步地，所述地理位置为能够确定数据包收集位置的信息，优选为经纬度信息，所述网络性能数据可以为信号强度、无线链路丢包率、时延、带宽时延积或语音呼叫连通速度中的一种或多种，或者其它能够体现网络质量的相关数据，
[0014] 在一个优选的实施方式中，所述数据包中还可以包含有列车的行驶速度、与之通讯的网络设备名称。
[0015] 根据本发明，步骤S2中，所述解析数据包为将收集的数据包拆解开进行分析，判断数据包是否包含有效可用数据，若包含则对其中数据按预设类别进行归类，包括如下子步骤：
[0016] S21、判断数据包中是否包含有预设信息；
[0017] 若判断结果为否，放弃该数据包，处理下个数据包，
[0018] 若判断结果为是，执行S22。
[0019] 所述预设信息包括需要收集的信息类别和信息格式，其中，信息类别除包括地理位置、记录时间外，还包括网络性能数据中的一种或多种，更优选地，还包括列车机型号、提供网络的设备名称。
[0020] S22、将数据包中有效信息分类存储；
[0021] 所述有效信息为满足预设信息条件的信息，将其归类存储，整理成数据表格。
[0022] S22、重复步骤S21、S22，将所有收集的数据包中的信息分类存储，完成解析过程。
[0023] 步骤S3中，所述分析预测是指将步骤S2中整理好的数据网络性能数据中同一地点的网络性能数据进行分析并预测，优选地，包括以下子步骤：
[0024] S31、将步骤S2中获得的不同时间、相同地点的相关数据合并整理，并存储，得到多组具有相同地点，不同时间和网络性能数据的数组；
[0025] S32、将S31步骤中获得的一组数组进行自回归模型的建立，预测未来一段时间后的网络性能数据，包括如下子过程：
[0026] S321、将一组数组中的网络性能数据按照记录时间顺序整理成序列Xi；
[0027] S322、根据不同类型网络性能数据的特点确定管控上限UCL和管控下限LCL；
[0028] S323、判断序列Xi中最后一个值是否超出管控上限UCL和管控下限LCL组成的管控范围，
[0029] 若判断结果为超出，则进行预警，结束步骤S32，执行S33，
[0030] 若判断结果为未超出，执行S324；
[0031] S324、判断S321中的序列Xi是否为平稳序列，若序列为非平稳序列，将该序列进行预处理，通过使用差分方法式：Yi＝Xi+1-Xi进行预处理，直到单位根检验Yi结果平稳为止；
[0032] S325、对平稳的Xi序列建立自回归模型，所述自回归模型为：
[0033]
[0034] 其中，Xt为t时刻的相应序列，Wt为白噪声，p为模型的阶数，ak为需要估计的参数，；
[0035] S326、确定自回归模型ak值，并对自回归模型进行适应性检验以确认有效的模型，[0036] 其中，ak值满足前向预测误差和后向预测误差均方误差之和最小；
[0037] S327、通过确定的自回归模型即可预测出未来一段时间内此地点网络质量的数值，进而得出网络质量的情况；
[0038] S328、将步骤S327中预测得到的网络质量数值与管控上限UCL和管控下限LCL进行对比，若超出管控上限UCL或管控下限LCL的范围，则进行预警。
[0039] S33、重复步骤S32，将步骤S31步骤中获得的其它它各组数组进行处理，预测不同地点未来一段时间后的网络性能数据。
[0040] 另一方面，发明人提供了一种铁路无线网络质量的检测预警装置，
[0041] 所述装置包括获取模块501、参数模块502、解析模块503、存储模块504、预测模块505和输入输出设备506；
[0042] 获取模块501，用于获取铁路不同地点的数据包，数据包中包括地理位置、记录时间和网络性能数据。
[0043] 参数模块502，用于设置及存储预设信息，所述预设信息与上述步骤S2中的预设信息相同。
[0044] 解析模块503，用于对获取模块501收集的数据包进行解析，
[0045] 存储模块504，用于存储解析模块503解析好的数据。
[0046] 预测模块505，用于网络质量的预测，其能够根据参数模块502中的预设信息按照上述步骤S3的方法分析预测。
[0047] 输入输出设备506，用于输入参数模块502中的预设信息、输出预测模块505预测的结果。
[0048] 本发明提供的铁路无线网络质量的检测预警方法和设备能够取得以下有益效果：
[0049] 1.根据本发明提供的铁路无线网络质量的检测预警方法和设备，能够快速检测铁路各位置网络质量，并针对异常设备发出警报；
[0050] 2.根据本发明提供的铁路无线网络质量的检测预警方法和设备，可预测网络质量变化趋势以及对未来一段时间内可能出现网络质量异常的地点进行预警；
[0052] 图1示出根据本发明提供的一种优选实施方式的铁路无线网络质量的检测预警方法流程示意图；
[0053] 图2示出根据本发明提供的一种优选实施方式的铁路无线网络质量的检测预警方法中解析数据包流程示意图；
[0054] 图3示出根据本发明提供的一种优选实施方式的铁路无线网络质量的检测预警方法中分析预测流程示意图；
[0055] 图4示出根据本发明提供的一种优选实施方式的铁路无线网络质量的检测预警方法中分析预测流程示意图。
具体实施方式
[0056] 下面通过附图和优选实施方式对本发明进一步详细说明。通过这些说明，本发明的特点和优点将变得更为清楚明确。
[0057] 在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
[0058] 一方面，发明人开发了一种铁路无线网络质量的检测预警方法，如图1所示，该方法包括：
[0059] S1、收集数据包；
[0060] S2、解析数据包；
[0061] S3、分析预测；
[0062] S4、输出预测结果。
[0063] 具体的，步骤S1中，所述收集数据包，为收集铁路一段时间内不同地点的数据包，[0064] 在本发明中，对收集数据包的方法不做特别限定，可以采用周期性采集的方式进行，也可以采用固定距离采集的方式进行，或直接读取车载通讯设备日志等方式进行，收集方式可以根据实际需要自由变换，
[0065] 例如在列车运行中，每隔10s收集一次数据包，或者列车每运行50米收集一次数据包，
[0066] 在本发明中，所述数据包中包含有地理位置、记录时间和网络性能数据，
[0067] 进一步地，所述地理位置为能够确定数据包产生位置的信息，优选为经纬度，[0068] 所述网络性能数据为能够体现网络质量的数据，可以为信号强度、丢包率、时延、带宽时延积或语音呼叫连通速度中的一种或多种，也可以是其它能够体现网络质量的相关数据，
[0069] 在一个优选的实施方式中，所述数据包中还可以包含有列车的车机型号和提供网络的设备名称，以便后续进行多层次分析，
[0070] 所述车机型号指的是不同运行速度的列车，如普快列车、快速列车、动车、高铁等。
[0071] 根据本发明，在步骤S2中，所述解析数据包为将收集的数据包拆解开进行分析，判断数据包是否包含有效可用数据，若包含则对其中数据按预设信息进行归类，如图2所示，包括如下子步骤：
[0072] S21、判断数据包中是否包含有预设信息；
[0073] 若判断结果为否，放弃该数据包，处理下个数据包，
[0074] 若判断结果为是，执行S22。
[0075] 根据本发明，所述预设信息中包括需要收集的信息类别和信息格式，其中，信息类别除包括地理位置、记录时间外，还包括网络性能数据中的一种或多种，更优选地，还包括列车机型号、提供网络的设备名称，所述信息格式为预设的固定格式，例如地理位置数据格式可以为“113.041，36.011”，信号强度格式可以为“-85dBm”等。
[0076] 进一步地，在判断数据包中是否包含预设信息时，需要在数据包中同时具有地理位置、记录时间和网络性能数据的情况下才认为满足判断条件，判断结果为是，否则，判断结果为否。
[0077] S22、将数据包中有效信息分类存储；
[0078] 所述有效信息为满足预设信息条件的信息，将其归类存储，优选整理成数据表格形式，
[0079] 示例性的，所述表格格式如表1。
[0080] 表1
[0081]
[0082]
[0083] S23、重复步骤S21、S22，将所有收集的数据包中的信息分类存储，完成解析过程。
[0084] 步骤S3中，所述分析预测是指将步骤S2中整理好的数据网络性能数据中同一地点的网络性能数据进行分析并预测，优选地，如图3所示，包括以下子步骤：
[0085] S31、将步骤S2中获得的具有不同时间、相同地点的相关数据合并整理，并存储，得到多组具有相同地点，不同时间和网络性能数据的数组；
[0086] 所述相同地点为经纬度相同或相近的地点，相同地点的范围可根据实际需要确定，如可规定经纬度变化在0.10或0.01内为一个相同地点，例如经纬度113.011，36.011～113.111，36.111为同一地点，或经纬度113.011，36.011～113.012，36.012为同一地点，[0087] 优选经纬度变化在0.01内的地点为相同地点，将相同地点的数据按时间先后顺序归类整理，优选整理在同一表中，如表2所示：
[0088] 表2
[0089]
[0090]
[0091] S32、以S31步骤中获得的一组数组进行自回归模型的建立，预测未来一段时间后的网络性能数据，如图4所示，可以包括如下子过程：
[0092] S321、将一组数组中网络性能数据按照记录时间顺序整理成序列Xi；
[0093] 进一步地，若网络性能数据包含多种，则将每种数据都整理成一个序列Xi。
[0094] S322、根据不同类型网络性能数据的特点确定管控上限和管控下限；
[0095] 所述管控上限UCL和管控下限LCL为无线网络质量出现异常的数值，例如，当网络性能数据为信号强度时，由于信号强度在-100dBm以下时才能保证能够通讯，故管控上限UCL为0dBm，管控下限LCL为-100dBm，又例如，当网络性能数据为丢包率时，管控上限UCL为2％，管控下限为0；当网络性能数据为时延时，管控上限UCL为300ms，管控下限CLC为0.1ms；
当网络性能数据为带宽时延积时，管控上限UCL为125kB，管控下限LCL为75kB；当网络性能数据为语音呼叫连通速度时，管控上限UCL为18s，管控下限CLC为2s。
当网络性能数据为带宽时延积时，管控上限UCL为125kB，管控下限LCL为75kB；当网络性能数据为语音呼叫连通速度时，管控上限UCL为18s，管控下限CLC为2s。
[0096] 当网络性能数据包含多种数据时，根据数据类型不同，对每组序列Xi设计不同的管控上限UCL和管控下限LCL，
[0097] 在一个优选的实施方式中，所述管控上限UCL＝μ+3σ；管控下限LCL＝μ-3σ,其中μ为序列Xi的均值，σ为序列Xi的标准偏差，根据统计学原理，在正态分布中，网络质量正常的波动数值落在μ±3σ之内的概率为99.73％，而超过一侧，即大于μ-3σ或小于μ+3σ的概率为0.27％/2＝0.135％≈1‰，即为不可能是事件。
[0098] S323、判断序列Xi中最后一个值是否超出管控上限UCL和管控下限LCL组成的管控范围；
[0099] 若判断结果为超出管控范围，则发出报警，提醒网络设备存在故障；
[0100] 若判断结果为不超出管控范围，执行S324，
[0101] 序列Xi最后一个值为最后检测到的网络性能数据，能够代表当前此处网络情况，若超出了管控范围，即网络质量已出现问题，网络设备已出现故障。
[0102] S324、判断S321中的序列Xi是否为平稳序列，若序列为非平稳序列，将该序列进行预处理成平稳序列；
[0103] 所述平稳序列，是指是指联合概率分布函数不随时间改变的序列，例如，如果一个序列{Xi,i≥0}是平稳序列，则其随机变量的联合分布函数为:
[0104] F(X1,X2,…,Xk)＝F(X1+h,X2+h,…，Xk+h)；(k≥2)
[0105] 其中F表示为联合分布函数；h∈R，R表示拟合优度，h表示任意时间，且h大于0；X1,X2,…,Xk是{Xi,i≥0}中的任意K个随机变量，反之则为非平稳序列。
[0106] 在本发明中，优选通过使用差分方法式：Yi＝Xi+1-Xi进行预处理，直到单位根检验结果平稳为止。
[0107] S325、对平稳的Xi序列建立自回归模型；
[0108] 如果一个系统在时刻t的响应为Xt，且仅与其以前时刻的相应有关，而与其以前时刻进入系统的扰动无关，那么，这个系统就是自回归系统，相应的模型即为所述的自回归模型，
[0109] 优选地，所述自回归模型为：
[0110]
[0111] 其中，式中Xt为t时刻的相应序列，Wt为白噪声，p为模型的阶数，ak为需要估计的参数。自回归模型的建立过程即为模型参数估计的过程，就是选择合适的参数使得自回归模型的残差wt为白噪声序列。
[0112] S326、确定自回归模型ak值，并对自回归模型进行适应性检验以确认有效的模型；
[0113] 优选地，ak值满足前向预测误差和后向预测误差均方误差之和最小，
[0114] 优选地，所述自回归模型的适应性检验包括利用所述估计参数计算出原序列的估计值，并计算得到估计的残差序列，残差序列经检验若为白噪声，可判断该自回归模型有效，即通过适应性检验得出可靠的自回归模型，使得该模型能够有效的预测出下一时刻的网络性能数据。
[0115] S327、通过确定的自回归模型即可预测出未来一段时间内该地点网络性能的数值，进而得出网络质量的情况；
[0116] 所述预测采用序列Xt在时刻t对t+l时刻的观察值Xt-1进行预测，这种预测是为以t为原点，用Xt+l的条件期望作为Xt-l的预测值，从而得到个网络质量的数值，进而表示网络质量的情况。
[0117] S328、将步骤S327中预测得到的网络质量数值与管控上限UCL和管控下限LCL进行对比，若超出管控上限UCL和管控下限LCL的范围，则进行预警。
[0118] S33、重复步骤S32，将步骤S31中其它各组数据进行处理，预测不同地点未来一段时间后的网络性能数据。
[0119] 根据本发明所述的一种铁路无线网络质量的检测预警方法，预测准确性随预测时间的增长而降低，10天以内的预测准确率能够达到70％以上，20天以内预测准确率达到58％以上，25天以后准确率较低。
[0120] 在一个优选的实施方式中，将步骤S31中不同车机型号的数据分别重复步骤S32，得到不同的网络质量预测结果，用以展现同一网络对不同机车的适应性，
[0121] 由于车机不同，运行速度差异较大，如高铁运行速度3倍于普通列车，其网络连接质量具有差异性，将不同车机型号的数据分别处理，能够更准确的体现某地的网络质量情况。
[0122] 在步骤S4中，所述输出预测结果为将预测结果呈现给用户，
[0123] 输出方式可以是将铁路各经纬度未来一段时间的网络质量数值表格化形式输出，也可以是将预测结果按网络质量的不同，采用不同颜色标示在铁路地图上，或者仅仅展示需要预警的铁路地点。
[0124] 在一个优选的实施方式中，在输出预测结果时，还可以将提供网络的设备名称一同输出，以方便对高概率出现异常的网络设备进行检查维护。
[0125] 另一方面，发明人提供了一种铁路无线网络质量的检测预警装置，
[0126] 所述装置包括获取模块501、参数模块502、解析模块503、存储模块504、预测模块505和输入输出设备506；
[0127] 获取模块501，用于获取铁路不同地点的数据包，数据包中包括地理位置、记录时间和网络性能数据。
[0128] 优选地，所述获取模块501与车载通信设备相连，并从车载通讯设备上采集数据包。
[0129] 参数模块502，用于存储预设信息，所述预设信息与上述步骤S2中的预设信息相同。
[0130] 优选的，在参数模块502中还具有参数设置功能，可以通过参数模块502选择数据收集方法、选择需要处理的网络性能数据的类型和管控上限UCL、管控下限LCL等参数，[0131] 例如，当501获取的网络性能数据中包含信号强度、无线链路丢包率、时延、带宽时延积和语音呼叫连通速度时，可以通过参数模块502指定后续处理过程中只对语音呼叫连通速度和丢包率进行预测，而不再对信号强度和时延、带宽时延积进行分析预测，以提高预测速度，降低数据处理量。
[0132] 解析模块503，用于对获取模块501收集的数据包进行解析。
[0133] 解析模块503判断数据包中的数据是否包含有预设信息，若有则将数据按照预设信息中格式归类，制成相应的表格，在对所有收集的数据包都进行判断归类制表后完成解析过程。
[0134] 存储模块504，用于存储解析模块503解析好的数据。
[0135] 优选地，本发明所述的装置每次运行后保留存储模块504中的数据，保留的数据可以作为数据包的一部分进而参与无线网络质量预测的过程，使得预测结果更加准确。
[0136] 预测模块505，用于网络质量的预测，其能够根据参数模块502中的预设信息按照上述步骤S3的方法分析预测。
[0137] 进一步地，所述预测模块505还能够将相同地点的数据中无线网络质量的值按照记录时间顺序整理成序列Xi，
[0138] 可选地，所述预测模块505还能够根据不同类型网络性能数据的特点确定管控上限和管控下限，
[0139] 进一步地，所述预测模块505能够判断序列Xi是否为平稳序列，若序列为非平稳序列，将该序列进行预处理形成平稳序列，
[0140] 在发明中，所述预测模块505还能够对平稳的Xi序列建立自回归模型，确定自回归模型参数，并对自回归模型进行适应性检验以确认是否为有效的模型，
[0141] 更进一步地，所述预测模块505通过确定的自回归模型即可预测出未来一段时间内此地点网络质量的数值，进而得出网络质量的情况，
[0142] 在一个优选的实施方式中，所述预测模块505还能够将预测得到的网络质量数值与管控上限UCL和管控下限LCL进行对比，若超出管控上限UCL或管控下限LCL的范围，则进行预警。
[0143] 输入输出设备506，用于输入参数模块502中的预设信息、输出预测模块505预测的结果。
[0145] 实施例
[0146] 实施例1
[0147] 一、实施：
[0148] 对T209沿线无线网络质量中的信号强度进行检测预测预警，其方法如下。
[0149] S1、在T209次列车上收集数据包；
[0150] S2、将收集到的数据包解析后得到如表3数据：
[0151] 表3
[0152]
[0153]
[0154] S31、将表3中经纬度在115.788，39.256～115.788，39.257的同一地点的的数据按时间先后顺序整理，可以得到如表4所示数据：
[0155]
[0156]
[0157] S32、将表4中数据整理成序列Xi：-50，-63，……，-81，-72，……，并根据信号强度的特性确定管控上限UCL为0dBm，管控下限LCL为-100dBm。
[0158] 由于序列Xi为非平稳序列，对其进行预处理成平稳序列，得到Xi：-50，-56，……，-78，-81，……
[0159] 对平稳序列Xi建立自回归模型：
[0160] 通过比对前向预测误差和后向预测误差均方误差之和最小，最终确定ak＝7.3165，并经过适应性检验后确定自回归模型有效，
[0161] 将t＝240代入自回归模型，得到240小时后115.788，39.256～115.788地点处信号强度为-86dBm。
[0162] S33、重复S31、S32的过程，对表3中不同地点的网络性能数据进行处理，得到240小时后不同地点的网络质量预测情况，如表5所示，
[0163] 表5
[0164]
[0165]
[0166] S4、将得到的表5打印输出，并将需要预警的地点特殊标示。
[0167] 二、效果评估：
[0168] 等待240小时后，将表5中得到的预警结果与实际检测结果相对照，预测准确率为83％。
[0169] 在本发明的描述中，需要说明的是，术语“上”、“下”、“内”、“外”、“前”、“后”等指示的方位或位置关系为基于本发明工作状态下的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”、“第四”仅用于描述目的，而不能理解为指示或暗示相对重要性。
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 一种基于预先构建的预测模型进行预测的方法及装置 | 2020-05-11 | 836 |
| 基于模型的流量异常监测方法、装置、设备及存储介质 | 2020-05-13 | 479 |
| 一种峡谷微地形条件下的输电铁塔风振系数计算方法 | 2020-05-14 | 688 |
| 一种考虑分时段的非线性光伏出力预测方法 | 2020-05-17 | 858 |
| 基于大数据的产品数据推送方法、系统及计算机设备 | 2020-05-17 | 27 |
| 信息处理装置、信息处理方法及程序 | 2020-05-11 | 564 |
| 对风电机组的叶片进行监测的设备和方法 | 2020-05-17 | 314 |
| 一种用户流失概率预测方法及装置 | 2020-05-12 | 495 |
| 一种工业控制多回路振荡行为稀疏因果分析方法 | 2020-05-15 | 692 |
| 一种考虑用户源荷特征的居民用电量预测方法 | 2020-05-17 | 860 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
分析报告
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
自回归模型热门专利
QQ群二维码
意见反馈
意见反馈