| 1 |
1
네트워크 처리량을 예측하는 장치로서,네트워크 상태를 나타내는 데이터의 입력 시점을 기준으로 하여, 미래의 네트워크 처리량을 예측하는 복수의 예측모델 중, 최적의 예측모델을 선택하는 예측모델 선택부; 및상기 예측모델 선택부가 선택한 상기 최적의 예측모델을 로딩하고, 로딩한 상기 최적의 예측모델에 상기 데이터를 입력하여 미래의 네트워크 처리량을 예측하는 네트워크 처리량 예측부를 포함하고,상기 복수의 예측모델은 적어도, 제1 시간 범위의 입력을 수신하여 미래의 네트워크 처리량을 예측하도록 훈련된 제1 예측모델과, 제2 시간 범위의 입력을 수신하여 미래의 네트워크 처리량을 예측하도록 훈련된 제2 예측모델을 포함하는,네트워크 처리량 예측 장치
|
| 2 |
2
제 1 항에 있어서,상기 제1 예측모델은 미리 수집된 네트워크 상태를 나타내는 데이터 중 임의의 시점까지의 제1 시간 범위 데이터를 입력값으로 하고, 상기 임의의 시점 이후의 네트워크 처리량을 레이블로 하는 훈련 데이터에 의해 지도학습 방식으로 훈련된 모델로서, 제1 시간 범위의 데이터를 입력 받았을 때, 그 이후의 네트워크 처리량을 예측하는 모델이고, 상기 제2 예측모델은 미리 수집된 네트워크 상태를 나타내는 데이터 중 임의의 시점까지의 제2 시간 범위 데이터를 입력값으로 하고, 상기 임의의 시점 이후의 네트워크 처리량을 레이블로 하는 훈련 데이터에 의해 지도학습 방식으로 훈련된 모델로서, 제2 시간 범위의 데이터를 입력 받았을 때, 그 이후의 네트워크 처리량을 예측하는 모델인,네트워크 처리량 예측 장치
|
| 3 |
3
제 1 항에 있어서,상기 예측모델 선택부는 네트워크 상태를 나타내는 데이터가 입력되면, 입력 데이터에 기초하여 미래의 네트워크 처리량 예측에 적합한 데이터의 시간 범위를 판단하고, 판단된 적합한 시간 범위에 기초하여 미래의 네트워크 처리량을 예측하는 복수의 예측모델 중 최적의 예측모델을 선택하도록 구성되는,네트워크 처리량 예측 장치
|
| 4 |
4
제 3 항에 있어서,상기 예측모델 선택부는 미리 수집된 네트워크 상태를 나타내는 데이터 중 임의의 시점에서 제3 시간 범위의 데이터를 입력값으로 하고, 상기 복수의 예측모델 중 상기 임의의 시점 이후의 네트워크 처리량을 가장 정확하게 예측한 예측모델을 레이블로 하는 훈련 데이터에 의해 지도학습 방식으로 훈련된 선택모델을 이용하여 예측모델을 선택하도록 구성되고,상기 제3 시간 범위는 상기 제1 시간 범위 및 상기 제2 시간 범위보다 긴 시간 범위인,네트워크 처리량 예측 장치
|
| 5 |
5
제 4 항에 있어서,상기 가장 정확하게 예측한 예측 모델은,상기 제3 시간 범위의 데이터 중 상기 제1 시간 범위의 데이터를 상기 제1 예측모델에 입력하여 예측된 네트워크 처리량과 미리 수집된 네트워크 상태를 나타내는 데이터에 의한 실제 네트워크 처리량을 비교한 제1 정확도와, 상기 제3 시간 범위의 데이터 중 상기 제2 시간 범위의 데이터를 상기 제2 예측모델에 입력하여 예측된 네트워크 처리량과 미리 수집된 네트워크 상태를 나타내는 데이터에 의한 실제 네트워크 처리량을 비교한 제2 정확도 중 더 높은 정확도를 가지는 예측모델인,네트워크 처리량 예측 장치
|
| 6 |
6
네트워크 처리량을 예측하는 방법으로서,네트워크 상태를 나타내는 데이터의 입력 시점을 기준으로 하여, 미래의 네트워크 처리량을 예측하는 복수의 예측모델 중, 최적의 예측모델을 선택하는 단계; 및선택한 상기 최적의 예측모델을 로딩하고, 로딩한 상기 최적의 예측모델에 상기 데이터를 입력하여 미래의 네트워크 처리량을 예측하는 단계를 포함하고,상기 복수의 예측모델은 적어도, 제1 시간 범위의 입력을 수신하여 미래의 네트워크 처리량을 예측하도록 훈련된 제1 예측모델과, 제2 시간 범위의 입력을 수신하여 미래의 네트워크 처리량을 예측하도록 훈련된 제2 예측모델을 포함하는,네트워크 처리량 예측 방법
|
| 7 |
7
제 6 항에 있어서,상기 제1 예측모델은 미리 수집된 네트워크 상태를 나타내는 데이터 중 임의의 시점까지의 제1 시간 범위 데이터를 입력값으로 하고, 상기 임의의 시점 이후의 네트워크 처리량을 레이블로 하는 훈련 데이터에 의해 지도학습 방식으로 훈련된 모델로서, 제1 시간 범위의 데이터를 입력 받았을 때, 그 이후의 네트워크 처리량을 예측하는 모델이고, 상기 제2 예측모델은 미리 수집된 네트워크 상태를 나타내는 데이터 중 임의의 시점까지의 제2 시간 범위 데이터를 입력값으로 하고, 상기 임의의 시점 이후의 네트워크 처리량을 레이블로 하는 훈련 데이터에 의해 지도학습 방식으로 훈련된 모델로서, 제2 시간 범위의 데이터를 입력 받았을 때, 그 이후의 네트워크 처리량을 예측하는 모델인,네트워크 처리량 예측 방법
|
| 8 |
8
제 6 항에 있어서,상기 최적의 예측모델을 선택하는 단계는,네트워크 상태를 나타내는 데이터가 입력되면, 입력 데이터에 기초하여 미래의 네트워크 처리량 예측에 적합한 데이터의 시간 범위를 판단하는 단계; 및판단된 적합한 시간 범위에 기초하여 미래의 네트워크 처리량을 예측하는 복수의 예측모델 중 최적의 예측모델을 선택하는 단계를 포함하는,네트워크 처리량 예측 방법
|
| 9 |
9
제 6 항에 있어서,상기 최적의 예측모델을 선택하는 단계 이전에,미리 수집된 네트워크 상태를 나타내는 데이터 중 임의의 시점에서 제3 시간 범위의 데이터를 입력값으로 하고, 상기 복수의 예측모델 중 상기 임의의 시점 이후의 네트워크 처리량을 가장 정확하게 예측한 예측모델을 레이블로 하는 훈련 데이터에 의해 지도학습 방식으로 선택모델을 훈련시키는 단계를 더 포함하고,상기 최적의 예측모델을 선택하는 단계는 상기 선택모델을 이용하여 상기 복수의 예측모델 중, 최적의 예측모델을 선택하며,상기 제3 시간 범위는 상기 제1 시간 범위 및 상기 제2 시간 범위보다 긴 시간 범위인,네트워크 처리량 예측 방법
|
| 10 |
10
제 9 항에 있어서,상기 가장 정확하게 예측한 예측모델은,상기 제3 시간 범위의 데이터 중 상기 제1 시간 범위의 데이터를 상기 제1 예측모델에 입력하여 예측된 네트워크 처리량과 미리 수집된 네트워크 상태를 나타내는 데이터에 의한 실제 네트워크 처리량을 비교한 제1 정확도와, 상기 제3 시간 범위의 데이터 중 상기 제2 시간 범위의 데이터를 상기 제2 예측모델에 입력하여 예측된 네트워크 처리량과 미리 수집된 네트워크 상태를 나타내는 데이터에 의한 실제 네트워크 처리량을 비교한 제2 정확도 중 더 높은 정확도를 가지는 예측모델을 상기 가장 정확하게 예측한 예측모델인,네트워크 처리량 예측 방법
|
| 11 |
11
제 6 항에 있어서,상기 예측하는 단계 이후에,예측되는 상기 네트워크 처리량에 기초하여 상기 네트워크를 통해 전송될 영상 데이터의 해상도를 결정하는 단계를 더 포함하는,네트워크 처리량 예측 방법
|
| 12 |
12
컴퓨터를 이용하여 제 6 항 내지 제 11 항의 방법 중 어느 한 항의 방법을 실행시키기 위한 컴퓨터 프로그램이 저장된 컴퓨터로 판독 가능한 기록매체
|
