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！

龙图腾网获悉河海大学申请的专利一种基于流量预测和DDPG模型的下行链路动态频谱分配方法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：CN119545539B 。

龙图腾网通过国家知识产权局官网在2025-11-11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：202411493124.8，技术领域涉及：H04W72/0453；该发明授权一种基于流量预测和DDPG模型的下行链路动态频谱分配方法是由周思源;周露;唐斌;谭国平设计研发完成，并于2024-10-24向国家知识产权局提交的专利申请。

本一种基于流量预测和DDPG模型的下行链路动态频谱分配方法在说明书摘要公布了：本发明公开了一种基于用户流量需求预测和深度确定性策略梯度的动态频谱分配方法，本发明在通过正交频分多址通信的无线网络中，针对在同一基站范围内的无线网络用户进行频谱分配，对于无线网络频谱利用率不足的问题，通过引入人工智能技术来预测用户流量信息来帮助优化频谱分配问题。预测部分，采用transformer模型架构来进行预测，以此保证长时间序列下的准确性；在网络优化算法部分，采用深度确定性策略梯度模型，通过利用强化学习在全局优化问题上的优势，将实际总吞吐量作为优化目标，实现更好的频谱分配效果，提高吞吐量和通信效益。

本发明授权一种基于流量预测和DDPG模型的下行链路动态频谱分配方法在权利要求书中公布了：1.一种基于流量预测和DDPG模型的下行链路动态频谱分配方法，其特征在于，该方法包括如下步骤： 步骤1建立无线网络用户流量需求数据集以组建特征集； 步骤2利用步骤1中构建的特征集，通过transformer架构进行预测得到下一个频谱分配窗口的用户数据包请求结果； 步骤3构建无线网络下行链路的基站分布和场景模型，以及用户分布和接入方式； 步骤4利用步骤3中设置成网络模型和接入方式构建DDPG强化学习模型，设置状态空间、动作空间和奖励函数，输入在步骤2中预测得到的用户流量包个数，利用强化学习在优化全局问题，模拟无线网络频谱分配的最佳结果； 步骤2的具体方法如下： 步骤2.1对特征集数值特征进行归一化处理； 步骤2.2定义模型的层结构，包括多头自注意力机制、前馈神经网络层、位置编码； 步骤2.3利用步骤2.1中得到的特征集，使用transformer架构进行预测，通过transformer架构预测得到的用户UEk在下一个时间窗口τ内产生的需求数据包个数为Lk，数据包的大小为np，则用户UEk期望得到的需求速率为： 假设用户UEk进入到基站BSm的范围内时，实际速率高于用户UEk需求速率的时间为DBkm,不满足用户需求，即实际速率低于用户UEk需求速率的时间LBkm为： 实际的用户UEk流量吞吐量表示为： Tm,k＝Rd*DBkm+Rm,kj,t*LBkm3 其中，为在帧j的时隙t中与基站BSm相关联的用户UEk的可实现速率； 步骤4的具体方法如下： 步骤4.1状态空间，智能体的状态空间由XR设备的观测所决定，在第t个时隙的状态可以表示为： st＝{n',pit,ht,Ftl,fte} 其中，n'表示具体用户的相关信息，来自于步骤1中的特征集；pit表示用户i在时刻t预测的流量包个数，来自与步骤2中通过transformer模型预测得到的结果；ht表示用户与基站之间通信信道的增益；Flt表示基站当前最大空闲可用的计算资源；fte表示服务器当前分配给用户的计算资源； 步骤4.2动作空间，动作空间是为每个用户分配的频谱资源，进一步扩展以考虑计算资源的分配： at＝{αit,rit} 其中，αit为用户i在t适合被分配的频谱资源量；rit是用户i在t适合被分配的计算资源量； 步骤4.3奖励函数，将动作空间at作用于强化学习环境中，智能体获取相应的奖励，考虑到强化学习的目标是使累计奖励的期望最大化，将奖励函数设置为： 其中，第一项Tit用于衡量网络吞吐量，计算公式同步骤2中的用户实际吞吐量,M为训练最大迭代次数,λ表示为惩罚因子，其是计算关于频谱资源分配的惩罚项。

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河海大学，其通讯地址为：210000 江苏省南京市江宁区佛城西路8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。