CN109905287B - 性能指标校准方法及装置 - Google Patents
性能指标校准方法及装置 Download PDFInfo
- Publication number
- CN109905287B CN109905287B CN201810491019.9A CN201810491019A CN109905287B CN 109905287 B CN109905287 B CN 109905287B CN 201810491019 A CN201810491019 A CN 201810491019A CN 109905287 B CN109905287 B CN 109905287B
- Authority
- CN
- China
- Prior art keywords
- target
- parameter
- value
- vector
- estimation function
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Landscapes
- Mobile Radio Communication Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供一种性能指标校准方法及装置,涉及通信技术领域,用于对性能指标的检测值进行校准。该方法包括:性能指标校准装置先获取小区的目标第一向量以及目标性能指标的检测值,目标第一向量包括至少一个网络状态参数值,目标第一向量中的网络状态参数值为小区在对应的参数配置过程中系统参数的配置值生效前的网络状态参数值;然后,将目标第一向量代入第一估计函数,确定目标外生变量;将目标外生变量代入第二估计函数,确定目标性能指标的误差值,该目标性能指标的误差值用于校准目标性能指标的检测值。本申请适用于对性能指标进行校准的过程中。
Description
技术领域
本申请涉及通信技术领域,尤其涉及性能指标校准方法及装置。
背景技术
为了保证无线网络的服务质量,系统参数的配置值需要优化和调整,以使得无线网络能保持较好的性能指标。目前,为了满足动态变化的网络需求,一般采用自适应的调整策略来进行参数配置,也即对系统参数的配置值进行调整。这些调整策略一般是通过观察网络状态参数,根据某个专家规则,或者根据数据挖掘得到的模型,输出系统参数的配置值,并下发到网络设备中。网管人员或者网管设备可以根据前后两次参数配置对应的性能指标的检测值,评估调整策略的优劣性。
但是,网络的性能指标不仅受到系统参数的配置值的影响,还受到外生变量的影响。外生变量指的是系统或者模型以外的变量。例如,在无线网络中,用户的移动性或者需求的波动性就是一种外生变量。该外生变量无法由无线网络控制系统进行控制。因此,若不考虑外生变量的影响,而简单的采用性能指标的检测值评估调整策略的优劣性,存在不准确和不可靠的问题。
发明内容
本申请提供一种性能指标校准方法及装置,用于对性能指标的检测值进行校准。
为到达上述目的,本申请提供如下技术方案:
第一方面,提供了一种性能指标校准方法,包括:获取小区的目标第一向量以及目标性能指标的检测值,该目标第一向量包括至少一个网络状态参数值,目标第一向量中的网络状态参数值为小区在对应的参数配置过程中系统参数的配置值生效前的网络状态参数值,n为正整数;将目标第一向量代入第一估计函数,确定目标外生变量;第一估计函数为表示第一向量与外生变量之间关系的函数;将目标外生变量代入第二估计函数,确定目标性能指标的误差值;其中,第二估计函数为表示外生变量与性能指标的误差值之间关系的函数;目标性能指标的误差值用于校准目标性能指标的检测值。基于上述技术方案,能够根据至少一个网络状态参数值,估计出外生变量,进而估计出性能指标的误差值。基于该性能指标的误差值,能够对性能指标的检测值进行校准。这样一来,能够采用性能指标的校准值来对系统参数的调整策略进行评估,从而保证评估结果的准确性。
一种可能的设计中,在将目标第一向量代入第一估计函数,确定目标外生变量之前,该方法还包括:获取所述小区的N个第一向量、N个第二向量以及N次参数配置的配置值;其中,N个第一向量包括目标第一向量;第二向量包括至少一个网络状态参数值,第二向量中的网络状态参数值为小区在对应的参数配置过程中系统参数的配置值生效后的网络状态参数值;N为正整数;以N个第一向量、N个第二向量以及N次参数配置的配置值作为训练数据,训练出第一参数的目标值,第一参数为第一估计函数的参数。这样一来,能够保证第一参数的目标值的准确性,从而保证根据第一估计函数确定出的外生变量的准确性。
一种可能的设计中,以N个第一向量、N个第二向量以及N次参数配置的配置值作为训练数据,训练出第一参数的目标值,包括:根据公式训练出第一参数的目标值;其中,表示第一参数的目标值,θ1表示第一参数的测试值,s′n表示第n个第二向量,||||2表示二范数,F1()表示第一估计函数的对应法则。其中,θ1满足以下公式:I(F1(s′n;θ1);(F3(sn;θ3),an)|F1(sn;θ1))<ε;其中,sn表示第n个第一向量,an表示第n次参数配置的配置值,ε表示预设的极小值,θ3表示第三估计函数的参数,F3()表示第三估计函数的对应法则,I(F1(s′n;θ1);(F3(sn;θ3),an)|F1(sn;θ1))用于求F1(s′n;θ1)、(F3(sn;θ3),an)、F1(sn;θ1)之间的条件互信息量。该设计提供了一种确定第一参数的目标值的具体实现方式。
一种可能的设计中,在将目标外生变量代入第二估计函数,确定目标性能指标的误差值之前,该方法还包括:获取N个性能指标的检测值以及N个外生变量;其中,N个性能指标的检测值包括目标性能指标的检测值;N个外生变量包括目标外生变量;以N个性能指标的检测值以及N个外生变量作为训练数据,训练出第二参数的目标值,第二参数为第二估计函数的参数。这样一来,能够保证第二参数的目标值的准确性,从而保证根据第二估计函数确定出的性能指标的误差值的准确性。
一种可能的设计中,以N个性能指标的检测值以及N个外生变量作为训练数据,训练出第二参数的目标值,包括:根据公式训练出第二参数的目标值;其中,表示第二参数的目标值,θ2表示第二参数的测试值,rn表示第n个性能指标的检测值,xn表示第n个外生变量,||||2表示二范数,F2()表示第二估计函数的对应法则。该设计提供了一种确定第二参数的目标值的具体实现方式。
一种可能的设计中,在将目标外生变量代入第二估计函数,确定目标性能指标的误差值之后,该方法还包括:将目标性能指标的检测值减去目标性能指标的误差值,得到目标性能指标的校准值。
一种可能的设计中,该方法还包括:以N个第一向量、N次参数配置的配置值以及N个性能指标的校准值,训练预测模型,该预测模型用于根据小区当前的第一向量,输出目标配置值。这样,小区可以按照预测模型输出的目标配置值来配置系统参数,以使得小区保持较好的性能指标。
第二方面,提供了一种性能指标校准装置,该性能指标校准装置具有实现上述第一方面任一项所述的方法的功能。该功能可以通过硬件实现,也可以通过硬件执行相应的软件实现。该硬件或软件包括一个或多个与上述功能相对应的模块。
第三方面,提供了一种性能指标校准装置,包括:处理器、存储器、总线和通信接口;所述存储器用于存储计算机执行指令,所述处理器与所述存储器通过所述总线连接,当所述性能指标校准装置运行时,所述处理器执行所述存储器存储的所述计算机执行指令,以使所述性能指标校准装置执行如上述第一方面中任一项所述的性能指标校准方法。
第四方面,提供了一种性能指标校准装置,包括:处理器;所述处理器用于与存储器耦合,并读取存储器中的指令之后,根据所述指令执行如上述第一方面中任一项所述的性能指标校准方法。
第五方面,提供了一种计算机可读存储介质,该计算机可读存储介质中存储有指令,当其在计算机上运行时,使得计算机可以执行上述第一方面中任一项所述的性能指标校准方法。
第六方面,提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机可以执行上述第一方面中任一项所述的性能指标校准方法。
第七方面,提供了一种芯片系统,该芯片系统包括处理器,用于支持网络设备实现上述第一方面中所涉及的功能。在一种可能的设计中,该芯片系统还包括存储器,该存储器,用于保存网络设备必要的程序指令和数据。该芯片系统,可以由芯片构成,也可以包含芯片和其他分立器件。
其中,第二方面至第七方面中任一种设计方式所带来的技术效果可参见第一方面中不同设计方式所带来的技术效果,此处不再赘述。
附图说明
图1为本申请实施例提供的一种通信系统的架构示意图;
图2为本申请实施例提供的一种性能指标校准装置的硬件结构示意图;
图3为本申请实施例提供的一种性能指标校准方法的流程图;
图4为本申请实施例提供的另一种性能指标校准方法的流程图;
图5为本申请实施例提供的一种配置值确定方法的流程图;
图6为本申请实施例提供的一种性能指标校准装置的结构示意图。
具体实施方式
本申请中的术语“第一”、“第二”等仅是为了区分不同的对象,并不对其顺序进行限定。例如,第一估计函数和第二估计函数仅仅是为了区分不同的估计函数,并不对其先后顺序进行限定。
本申请中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本申请中字符“/”,一般表示前后关联对象是一种“或”的关系。
需要说明的是,本申请中,“示例性的”或者“例如”等词用于表示作例子、例证或说明。本申请中被描述为“示例性的”或者“例如”的任何实施例或设计方案不应被解释为比其他实施例或设计方案更优选或更具优势。确切而言,使用“示例性的”或者“例如”等词旨在以具体方式呈现相关概念。
如图1所示,为本申请实施例提供的一种通信系统的架构示意图。该通信系统包括:网络设备10和性能指标校准装置20。
其中,网络设备10可以是无线通信的基站或基站控制器等。例如,基站可以是全球移动通信系统(Global System for Mobile Communication,GSM)或码分多址(CodeDivision Multiple Access,CDMA)中的基站(Base Transceiver Station,BTS),也可以是宽带码分多址(Wideband Code Division Multiple Access,WCDMA)中的基站(NodeB),还可以是LTE中的演进型基站eNB或e-NodeB(evolutional Node B)等。或者可以是物联网(Internet of Things,IoT)或者窄带物联网(Narrow Band-Internet of Things,NB-IoT)中的eNB,本申请实施例对此不作具体限定。
性能指标校准装置20可以是一个通用设备或者是一个专用设备。在具体实现中,性能指标校准装置20可以是台式机、网络服务器、通信设备、嵌入式设备等。本申请实施例不限定性能指标校准装置20的类型。
所述网络设备10用于进行参数配置,也即调整系统参数的配置值,以满足小区的动态需求。所示网络设备可以根据需要多次进行参数配置,本实施例中可将任一次参数配置的过程称为目标参数配置。所述性能指标校准装置20用于获取每次参数配置相关的数据,例如,网络状态参数值、系统参数的配置值以及性能指标的检测值。并根据每次参数配置相关的数据,来对每次参数配置对应的性能指标的检测值进行校准,以确定每次参数配置对应的性能指标的校准值,然后反馈给网络设备10,以便于网络设备10根据性能指标的校准值,准确对系统参数的调整策略进行评估。从而,网络设备10可以选择较优的调整策略来调整系统参数的配置值。
由于性能指标的检测值不仅受到系统参数的配置值影响,也会受到外生变量的影响。因此,为了解决背景技术所述的技术问题,本申请实施例提供一种性能指标校准方法,通过考虑外生变量对性能指标的检测值进行校准,提高对系统参数的调整策略评估准确度。
如图2所示,为本申请实施例提供的一种性能指标校准装置20的硬件结构示意图,该性能指标校准装置20可以实现本申请实施例提供的性能指标校准方法。该性能指标校准装置20包括至少一个处理器201,通信总线202,存储器203以及至少一个通信接口204。
处理器201可以是一个通用中央处理器(Central Processing Unit,CPU),微处理器,特定应用集成电路(Application-Specific Integrated Circuit,ASIC),或一个或多个用于控制本申请方案程序执行的集成电路。
通信总线202可包括一通路,在上述组件之间传送信息。
通信接口204,使用任何收发器一类的装置,用于与其他设备或通信网络通信,如以太网,无线接入网(Radio Access Network,RAN),无线局域网(Wireless Local AreaNetworks,WLAN)等。
存储器203可以是只读存储器(Read-Only Memory,ROM)或可存储静态信息和指令的其他类型的静态存储设备,随机存取存储器(Random Access Memory,RAM)或者可存储信息和指令的其他类型的动态存储设备,也可以是电可擦可编程只读存储器(ElectricallyErasable Programmable Read-Only Memory,EEPROM)、只读光盘(Compact Disc Read-Only Memory,CD-ROM)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。存储器可以是独立存在,通过总线与处理器相连接。存储器也可以和处理器集成在一起。
其中,存储器203用于存储执行本申请方案的应用程序代码,并由处理器201来控制执行。例如,处理器201通过执行存储器203中存储的应用程序/代码,可以实现本申请实施例中的性能指标校准方法。
在具体实现中,作为一种实施例,存储器203存储的应用程序/代码可以包括数据采集模块,外生变量估计模块,校准模块以及配置模块。数据采集模块用于采集话务统计数据,并将采集到的话务统计数据发送给外生变量估计模块、校准模块以及配置模块。外生变量估计模块用于估计出外生变量。校准模块用于计算受外生变量影响导致的性能指标的误差值,并基于性能指标的误差值,对性能指标的检测值进行校准,确定性能指标的校准值。配置模块用于根据小区当前的网络状态,确定合适的系统参数的配置值,以使得小区保持较好的性能指标。
在具体实现中,作为一种实施例,处理器201可以包括一个或多个CPU,例如图2中的CPU0和CPU1。
在具体实现中,作为一种实施例,性能指标校准装置20可以包括多个处理器,例如图2中的处理器201和处理器208。这些处理器中的每一个可以是一个单核(single-CPU)处理器,也可以是一个多核(multi-CPU)处理器。这里的处理器可以指一个或多个设备、电路、和/或用于处理数据(例如计算机程序指令)的处理核。
在具体实现中,作为一种实施例,性能指标校准装置20还可以包括输出设备205和输入设备206。输出设备205和处理器201通信,可以以多种方式来显示信息。例如,输出设备205可以是液晶显示器(Liquid Crystal Display,LCD),发光二级管(Light EmittingDiode,LED)显示设备,阴极射线管(Cathode Ray Tube,CRT)显示设备,或投影仪(projector)等。输入设备206和处理器201通信,可以以多种方式接受用户的输入。例如,输入设备206可以是鼠标、键盘、触摸屏设备或传感设备等。
因为每次参数配置的过程中,采用本申请实施例提供的性能指标校准方法对参数配置对应的性能指标的检测值进行校准的过程相同或者类似,本申请实施例仅以对一次参数配置对应的性能指标的检测值进行校准为例,介绍本申请实施例提供的性能指标校准方法。为了便于说明,下文将某一次参数配置对应的第一向量称为目标第一向量,某一次参数配置对应的性能指标的检测值称为目标性能指标的检测值。所述目标第一向量与所述目标性能指标的检测值属于同一次参数配置过程中的数据。
如图3所示,为本申请实施例提供的一种性能指标校准方法的流程图,该方法包括以下步骤:
S301、所述性能指标校准装置获取小区的目标第一向量以及目标性能指标的检测值。
可选的,所述目标第一向量为小区在预设时间段中N个第一向量中的任意一个第一向量;相似的,所述目标性能指标的检测值为小区在预设时间段中N个性能指标的检测值中的任意一个检测值,N为正整数。示例性的,所述预设时间段可以为一天、一个星期、一个月。
示例性的,性能指标为以下任意一项:增益,或者通信速度低于5Mbps的用户比例,本申请实施例对此不做具体限定。
具体的,第一向量包括至少一个网络状态参数值。网络状态参数值即为网络状态参数的数值。示例性的,网络状态参数可以为以下任意一种:小区传输控制协议(Transmission Control Protocol,TCP)流量负载、小区用户数、小区活跃用户数、小区下行活跃用户数、小区TCP流量负载与相邻小区TCP流量负载的差值,本申请实施例对此不做具体限定。示例性的,网络状态参数为小区用户数,对应的网络状态参数值可以为50、60或100。
可选的,所述第一向量的每一个维度对应一个网络状态参数值。可选的,所述第一向量中任意两个维度对应的网络状态参数值是不同网络状态参数的数值。示例性的,第一向量为(y1,y2,y3),y1为小区用户数的数值,y2为小区TCP流量负载的数值,y3为小区活跃用户数的数值。
另外,本申请实施例不对所述第一向量的维度进行限制。示例性的,所述第一向量可以为三维向量、四维向量、或者五维向量。
值得说明的是,任一第一向量均对应一参数配置过程。并且,第一向量中的网络状态参数值为对应的参数配置过程中系统参数的配置值生效前的网络状态参数值。示例性的,所述系统参数为异频切换参数。
在本申请的一些实施例中,不同的系统参数对应的第一向量可以是相同的,也可以是不同的。也即,不同的系统参数对应的第一向量包括的网络状态参数值所属的类型可以是相同的,也可以是不同的。或者,不同的系统参数对应的第一向量的维度可以是相同的,也可以是不同的。
例如,系统参数1对应的第一向量为(y1,y2,y3),y1为小区用户数的数值,y2为小区TCP流量负载的数值,y3为小区活跃用户数的数值。系统参数2对应的第一向量也为(y1,y2,y3)。
或者,系统参数1对应的第一向量为(y1,y2,y3),y1为小区用户数的数值,y2为小区TCP流量负载的数值,y3为小区活跃用户数的数值。系统参数2对应的第一向量为(y1,y2,y4,y5),y4为小区下行活跃用户数的数值,y5为小区TCP流量负载与相邻小区TCP流量负载的差值。
值得说明的是,所述第一向量可以是行向量,也可以是列向量。但是,本申请的实施例主要从所述第一向量为列向量的角度进行描述,在此统一说明,下文不再赘述。
一种可选的实现方式中,性能指标校准装置通过获取无线网络的话务统计数据,来获取目标性能指标的检测值以及目标第一向量包括的至少一个网络状态参数值。
S302、所述性能指标校准装置将所述目标第一向量代入第一估计函数,确定目标外生变量。
其中,所述第一估计函数为表示所述第一向量与所述外生变量之间关系的函数。
示例性的,所述第一估计函数可以如公式(1)所示:
可选的,第一参数的目标值可以是预先设置的,或者是通过计算得到的。在第一参数的目标值是通过计算得到的情况下,第一参数的目标值可以通过图4所示的步骤S401至S402来确定。步骤S401至S402的具体描述可参见图4所示的实施例,在此不予赘述。可选的,上述步骤S401至S402可由性能指标校准装置执行;或者上述步骤S401至S402由其他与所述性能指标校准装置可以通信的设备来执行,该设备获取第一参数的目标值后,性能指标校准装置再从该设备获取第一参数的目标值。
S303、所述性能指标校准装置将所述目标外生变量代入第二估计函数,确定目标性能指标的误差值。
其中,所述误差值用于表征在外生变量影响下性能指标的误差程度。所述目标性能指标的误差值用于校准所述目标性能指标的检测值。所述第二估计函数为表示所述外生变量与所述性能指标的误差值之间关系的函数。
示例性的,所述第二估计函数可以如公式(2)所示:
可选的,第二参数的目标值可以是预先设置的,或者是通过计算得到的。在第二参数的目标值是通过计算得到的情况下,第二参数的目标值可以通过图4所示的步骤S403至S404来确定。步骤S403至S404的具体描述可参见图4所示的实施例,在此不予赘述。可选的,上述步骤S403至S404可由性能指标校准装置执行;或者上述步骤S403至S404由其他与所述性能指标校准装置可以通信的设备来执行,在该设备获取第二参数的目标值后,性能指标校准装置再从该设备获取第二参数的目标值。
S304、所述性能指标校准装置将所述目标性能指标的检测值减去所述目标性能指标的误差值,得到所述目标性能指标的校准值。
其中,所述校准值用于反映在没有外生变量的干扰下小区的性能指标的准确数值。
可选的,所述性能指标装置还可以根据以下公式(3),确定目标性能指标的校准值。
其中,上述步骤S301-S304可以由图2所示的性能指标校准装置20中的处理器201调用存储器203中存储的应用程序代码来执行,本申请实施例对此不作任何限制。
基于图3所示的方法,对于任一次参数配置,性能指标校准装置能够根据至少一个网络状态参数值(即第一向量),估计出外生变量,进而估计出性能指标的误差值,最终确定性能指标的校准值。这样一来,能够采用性能指标的校准值来对系统参数的调整策略进行评估,从而保证评估结果的准确性。
如图4所示,为本申请另一实施例提供的一种性能指标校准方法的流程图,该方法包括以下步骤:
S401、所述性能指标校准装置获取所述小区的N个第一向量、N个第二向量以及N次参数配置的配置值。
其中,所述N个第一向量包括上述目标第一向量。
在本申请实施例中,所述第二向量包括至少一个网络状态参数值。任一个第二向量均与一参数配置过程对于。第二向量中的网络状态参数值为所述小区在对应的参数配置过程中系统参数的配置值生效后的网络状态参数值。
其中,所述第二向量的每一个维度对应一个网络状态参数值。所述第二向量中任意两个维度对应的网络状态参数值是不同网络状态参数的数值。另外,本申请实施例不对所述第二向量的维度进行限制。示例性的,所述第二向量可以为三维向量、四维向量、或者五维向量。
在本申请实施例中,对于对应同一系统参数的第二向量和第一向量来说,所述第二向量与所述第一向量的维度相同。并且,第一向量的每一个维度上的网络状态参数值与第二向量在对应的维度上的网络状态参数值属于同一类型的网络状态参数。
例如,第一向量为(y1,y2,y3),第二向量为(y′1,y′2,y′3)。示例性的,y1为配置值生效前的小区用户数的数值,y2为配置值生效前的小区TCP流量负载的数值,y3为配置值生效前的小区活跃用户数的数值,y′1为配置值生效后的小区用户数的数值,y′2为配置值生效后的小区TCP流量负载的数值,y′3为配置值生效后的小区活跃用户数的数值。
值得说明的是,所述第二向量可以是行向量,也可以是列向量。但是,本申请的实施例主要从所述第二向量为列向量的角度进行描述,在此统一说明,下文不再赘述。
S402、所述性能指标校准装置以所述N个第一向量、所述N个第二向量以及所述N次参数配置的配置值作为训练数据,训练出第一参数的目标值。
一种可选的实现方式中,性能指标校准装置根据以下公式(4),训练出第一参数的目标值。
其中,θ1表示第一参数的测试值,s′n表示第n个第二向量,||||2表示二范数。
另外,θ1满足以下公式(5):
I(F1(s′n;θ1);(F3(sn;θ3),an)|F1(sn;θ1))<ε; 公式(5)
其中,sn表示第n个第一向量,an表示第n次参数配置的配置值,ε表示预设的极小值,θ3表示第三估计函数的参数,F3()表示第三估计函数的对应法则,I(F1(s′n;θ1);(F3(sn;θ3),an)|F1(sn;θ1))用于求F1(s′n;θ1)、(F3(sn;θ3),an)、F1(sn;θ1)之间的条件互信息量。
值得说明的是,上述公式(4)可以采用带约束的梯度下降算法来不断迭代第一参数的测试值,进而求解出第一参数的目标值。其中,带约束的梯度下降算法可参考现有技术,本申请实施例在此不予赘述。
可选的,由于条件互信息量的计算过程较为复杂,因此,为了简化计算过程,上述公式(5)可替换为以下公式(6):
其中,PCC()表示偏相关系数函数。偏相关系数函数的实现方式可参考现有技术,本申请实施例在此不予赘述。
S403、所述性能指标校准装置获取N个性能指标的检测值以及N个外生变量。
其中,所述N个性能指标的检测值包括上述目标性能指标的检测值。所述N个性能指标的检测值通过无线网络的话务统计数据来获取。
其中,所述N个外生变量包括上述目标外生变量。所述N个外生变量中的任意一个外生变量均可以通过步骤S202来确定。
S404、所述性能指标校准装置以所述N个性能指标的检测值以及所述N个外生变量作为训练数据,训练出第二参数的目标值。
一种可选的实现方式中,根据以下公式(7),训练出所述第二参数的目标值。
其中,θ2表示第二参数的测试值。
值得说明的是,上述公式(7)可以用梯度下降算法来不断迭代第二参数的测试值,从而求解出第二参数的目标值。其中,梯度下降算法可参考现有技术,本申请实施例在此不予赘述。
值得说明的是,本申请实施例不对步骤S401-S402和步骤S403-S404的执行顺序进行限定。例如,先执行步骤S401-S402,再执行步骤S403-S404。或者,先执行步骤S403-S404,再执行步骤S401-S402。或者,步骤S401-S402与步骤S403-S404并行执行。
S405-S408、与图3中的步骤S301-S304相同,步骤S405-S408的相关描述可参考图3所示的实施例,本申请实施例在此不再赘述。
其中,上述步骤S401-S408可以由图2所示的性能指标校准装置20中的处理器201调用存储器203中存储的应用程序代码来执行,本申请实施例对此不作任何限制。
基于图4所示的方法,基于N个第一向量、N个第二向量以及N次参数配置的配置值,也即结合N次参数配置的相关数据,准确确定出第一参数的目标值,进而保证能够准确估计出任一次参数配置对应的外生变量。另外,还基于N个性能指标的检测值和N个外生变量,准确确定第二参数的目标值,进而保证能够准确估计出任一次参数配置对应的性能指标的误差值。这样一来,对于任一次参数配置,性能指标校准装置均能准确确定出性能指标的校准值。
本申请另一实施例提供另一种性能指标校准方法,相对于图4所示的实施例减少步骤S401-S402,即包括步骤S403-408;或者减少步骤S403-404,即包括步骤S401-S402,以及S405-S408。具体实现可以参见图4所示的实施例,在此不再赘述。
为了使小区保持较好的性能指标,如图5所示,本申请实施例提供一种配置值确定方法,该方法包括以下步骤:S501-S503。
S501、所述性能指标校准装置以所述N个第一向量、所述N次参数配置的配置值以及N个性能指标的校准值,训练预测模型。
其中,所述预测模型用于根据配置值以及第一向量,确定性能指标的校准值。
可选的,上述预测模型采用神经网络算法来训练生成。其中,第一向量和系统参数的配置值是神经网络(即预测模型)的输入参数,性能指标的校准值是神经网络的输出参数。
可以理解的是,上述N个第一向量、N次参数配置的配置值以及N个性能指标的校准值构成神经网络的训练样本集。
需要说明的是,训练好的预测模型可用于根据小区当前的第一向量,输出系统参数的目标配置值。因此,性能指标校准装置还可以执行以下步骤S502以及S503。
S502、所述性能指标校准装置根据小区当前的第一向量以及预测模型,确定系统参数的目标配置值。
其中,小区当前的第一向量由当前的至少一个网络状态参数值来构成。所述目标配置值用于使预测模型输出最优的性能指标的校准值。
例如,以性能指标为通信速度低于5Mbps的用户比例为例,由于小区中通信速度低于5Mbps的用户比例越低越好,因此,a*=argminaMLP(s,a)。其中,a*为目标配置值,s为当前的第一向量,a为待测的配置值。
又例如,以性能指标为增益为例,由于小区的增益一般来说越大越好,因此,a*=argmaxaMLP(s,a)。
S503、所述性能指标校准装置将所述目标配置值下发到网络中。
一种可选的实现方式中,所述性能指标校准装置将所述参数配置值发送给相应的网络设备,例如:基站、天线等。然后,网络设备将系统参数配置成所述目标配置值,以使得小区保持较好的性能指标。
其中,上述步骤S501-S503可以由图2所示的性能指标校准装置20中的处理器201调用存储器203中存储的应用程序代码来执行,本申请实施例对此不作任何限制。
基于图5所示的方法,通过将N个第一向量、N个性能指标的检测值以及N次参数配置的配置值来训练生成预测模型。这样,预测模型能够基于当前的网络状态(也即小区当前的第一向量)和系统参数的配置值,预测性能指标的校准值。换句话说,预测模型也能够基于当前的网络状态,不断的测试不同的系统参数的配置值,以输出不同的性能指标的校准值。可以理解的是,预测模型可以选择最优的性能指标的校准值对应的配置值作为目标配置值。性能指标校准装置将该目标配置值下发到网络中,可以使网络中的系统参数被配置成目标配置值,从而保证小区保持较好的性能指标。
上述主要从性能指标校准装置的角度对本申请实施例提供的方案进行了介绍。可以理解的是,性能指标校准装置为了实现上述功能,其包含了执行各个功能相应的硬件结构和/或软件模块。本领域技术人员应该很容易意识到,结合本文中所公开的实施例描述的各示例的性能指标校准装置及算法步骤,本申请能够以硬件或硬件和计算机软件的结合形式来实现。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
本申请实施例可以根据上述方法示例对性能指标校准装置进行划分,例如,可以对应各个功能划分各个模块或者单元,也可以将两个或两个以上的功能集成在一个处理模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件模块或者单元的形式实现。其中,本申请实施例中对模块或者单元的划分是示意性的,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
比如,在采用对应各个功能划分各个功能模块的情况下,图6示出了上述实施例中所涉及的性能指标校准装置的一种可能的结构示意图。该性能指标校准装置包括:数据采集模块601,外生变量估计模块602以及校准模块603。
所述数据采集模块601,用于获取小区的目标第一向量以及目标性能指标的检测值,所述目标第一向量包括至少一个网络状态参数值,目标第一向量中的网络状态参数值为所述小区在对应的参数配置过程中系统参数的配置值生效前的网络状态参数值。
所述外生变量估计模块602,用于将所述目标第一向量代入第一估计函数,确定目标外生变量;所述第一估计函数为表示第一向量与外生变量之间关系的函数。
所述校准模块603,用于将所述目标外生变量代入第二估计函数,确定目标性能指标的误差值;其中,所述第二估计函数为表示所述外生变量与所述性能指标的误差值之间关系的函数;所述目标性能指标的误差值用于校准目标性能指标的检测值。
一种可能的设计中,所述数据采集模块601,还用于获取所述小区的N个第一向量、N个第二向量以及N次参数配置的配置值;其中,所述N个第一向量包括所述目标第一向量;所述第二向量包括至少一个网络状态参数值,第二向量中的网络状态参数值为所述小区在对应的参数配置过程中系统参数的配置值生效后的网络状态参数值;N为正整数。所述外生变量估计模块602,还用于以所述N个第一向量、所述N个第二向量以及所述N次参数配置的配置值作为训练数据,训练出第一参数的目标值,所述第一参数为所述第一估计函数的参数。
一种可能的设计中,外生变量估计模块602,用于根据训练出第一参数的目标值;其中,表示第一参数的目标值,θ1表示第一参数的测试值,s′n表示第n个第二向量,||||2表示二范数,F1()表示第一估计函数的对应法则。其中,θ1满足以下公式:I(F1(s′n;θ1);(F3(sn;θ3),an)|F1(sn;θ1))<ε;其中,sn表示第n个第一向量,an表示第n次参数配置的配置值,ε表示预设的极小值,θ3表示第三估计函数的参数,F3()表示第三估计函数的对应法则,I(F1(s′n;θ1);(F3(sn;θ3),an)|F1(sn;θ1))用于求F1(s′n;θ1)、(F3(sn;θ3),an)、F1(sn;θ1)之间的条件互信息量。
一种可能的设计中,所述数据采集模块601,还用于获取N个性能指标的检测值,所述N个性能指标的检测值包括所述目标性能指标的检测值。所述外生变量估计模块602,还用于确定N个外生变量,所述N个外生变量包括所述目标外生变量。所述校准模块603,还用于以所述N个性能指标的检测值以及所述N个外生变量作为训练数据,训练出第二参数的目标值,所述第二参数为所述第二估计函数的参数。
一种可能的设计中,校准模块603,还用于根据训练出所述第二参数的目标值;其中,表示所述第二参数的目标值,θ2表示所述第二参数的测试值,rn表示第n个性能指标的检测值,xn表示第n个外生变量,||||2表示二范数,F2()表示所述第二估计函数的对应法则。
一种可能的设计中,所述校准模块603,还用于将所述目标性能指标的检测值减去所述目标性能指标的误差值,得到所述目标性能指标的校准值。
一种可能的设计中,所述性能指标校准装置还包括:配置模块604。所述配置模块604,用于以所述N个第一向量、所述N次参数配置的配置值以及N个性能指标的校准值,训练预测模型,所述预测模型用于根据小区当前的第一向量,输出目标配置值。
在本申请实施例中,该装置以对应各个功能划分各个功能模块的形式来呈现,或者,该装置以采用集成的方式划分各个功能模块的形式来呈现。这里的“模块”可以包括特定应用集成电路(Application-Specific Integrated Circuit,ASIC),电路,执行一个或多个软件或固件程序的处理器和存储器,集成逻辑电路,或其他可以提供上述功能的器件。在一个简单的实施例中,本领域的技术人员可以想到该终端设备可以采用图2所示的网络设备来实现。比如,图6中的数据采集模块601可以由图2中的通信接口来实现,外生变量估计模块602、校准模块603以及配置模块604可以由图2中的处理器来实现,本申请实施例对此不作任何限制。
本申请实施例还提供一种计算机可读存储介质,所述计算机可读存储介质中存储有指令;当所述计算机可读存储介质在图2所示的性能指标校准装置上运行时,使得该性能指标校准装置执行本申请实施例图3至图5所示的性能指标校准方法。
可选的,本申请实施例提供了一种芯片系统,该芯片系统包括处理器,用于支持性能指标校准装置实现图3至图5所示的方法。在一种可能的设计中,该芯片系统还包括存储器。该存储器,用于保存性能指标校准装置必要的程序指令和数据。当然,存储器也可以不在芯片系统中。该芯片系统,可以由芯片构成,也可以包含芯片和其他分立器件,本申请实施例对此不作具体限定。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件程序实现时,可以全部或部分地以计算机程序产品的形式来实现。该计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行计算机程序指令时,全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或者数据中心通过有线(例如同轴电缆、光纤、数字用户线(digital subscriber line,DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可以用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如,软盘、硬盘、磁带),光介质(例如,数字通用光盘(Digital Video Disc,DVD))、或者半导体介质(例如固态硬盘(solid state disk,SSD))等。
尽管在此结合各实施例对本申请进行了描述,然而,在实施所要求保护的本申请过程中,本领域技术人员通过查看所述附图、公开内容、以及所附权利要求书,可理解并实现所述公开实施例的其他变化。在权利要求中,“包括”(comprising)一词不排除其他组成部分或步骤,“一”或“一个”不排除多个的情况。单个处理器或其他单元可以实现权利要求中列举的若干项功能。相互不同的从属权利要求中记载了某些措施,但这并不表示这些措施不能组合起来产生良好的效果。
尽管结合具体特征及其实施例对本申请进行了描述,显而易见的,在不脱离本申请的精神和范围的情况下,可对其进行各种修改和组合。相应地,本说明书和附图仅仅是所附权利要求所界定的本申请的示例性说明,且视为已覆盖本申请范围内的任意和所有修改、变化、组合或等同物。显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
Claims (20)
1.一种性能指标校准方法,其特征在于,所述方法包括:
获取小区的目标第一向量以及目标性能指标的检测值,所述目标第一向量包括至少一个网络状态参数值,所述目标第一向量中的网络状态参数值为所述小区在对应的参数配置过程中系统参数的配置值生效前的网络状态参数值;
将所述目标第一向量代入第一估计函数,确定目标外生变量;所述第一估计函数为表示第一向量与外生变量之间关系的函数;所述第一估计函数包括目标外生变量、目标第一向量、第一参数的目标值和所述第一估计函数的对应法则,其中,第一参数为第一估计函数的参数,所述目标第一向量和所述第一参数的目标值与所述目标外生变量满足所述第一估计函数对应法则表示的关系;
将所述目标外生变量代入第二估计函数,确定目标性能指标的误差值;其中,所述第二估计函数为表示外生变量与性能指标的误差值之间关系的函数;所述第二估计函数包括目标性能指标的误差值、所述目标外生变量、第二参数的目标值和所述第二估计函数的对应法则,其中,第二参数为所述第二估计函数的参数,所述目标外生变量和所述第二参数的目标值与所述目标性能指标的误差值满足所述第二估计函数的对应法则表示的关系;
所述目标性能指标的误差值用于校准目标性能指标的检测值。
2.根据权利要求1所述的方法,其特征在于,在将所述目标第一向量代入第一估计函数,确定目标外生变量之前,所述方法还包括:
获取所述小区的N个第一向量、N个第二向量以及N次参数配置的配置值;其中,所述N个第一向量包括所述目标第一向量;所述第二向量包括至少一个网络状态参数值,所述第二向量中的网络状态参数值为所述小区在对应的参数配置过程中系统参数的配置值生效后的网络状态参数值;N为正整数;
以所述N个第一向量、所述N个第二向量以及所述N次参数配置的配置值作为训练数据,训练出第一参数的目标值,所述第一参数为所述第一估计函数的参数。
3.根据权利要求2所述的方法,其特征在于,所述以所述N个第一向量、所述N个第二向量以及所述N次参数配置的配置值作为训练数据,训练出第一参数的目标值,包括:
其中,θ1满足以下公式:
I(F1(s′n;θ1);(F3(sn;θ3),an)|F1(sn;θ1))<ε;其中,sn表示第n个第一向量,an表示第n次参数配置的配置值,ε表示预设的极小值,θ3表示第三估计函数的参数,F3()表示第三估计函数的对应法则,I(F1(s′n;θ1);(F3(sn;θ3),an)|F1(sn;θ1))用于求F1(s′n;θ1)、(F3(sn;θ3),an)、F1(sn;θ1)之间的条件互信息量。
5.根据权利要求2至4任一项所述的方法,其特征在于,在将所述目标外生变量代入第二估计函数,确定目标性能指标的误差值之前,所述方法还包括:
获取N个性能指标的检测值以及N个外生变量;其中,所述N个性能指标的检测值包括所述目标性能指标的检测值;所述N个外生变量包括所述目标外生变量;
以所述N个性能指标的检测值以及所述N个外生变量作为训练数据,训练出第二参数的目标值,所述第二参数为所述第二估计函数的参数。
8.根据权利要求1至4任一项或6至7任一项所述的方法,其特征在于,在将所述目标外生变量代入第二估计函数,确定目标性能指标的误差值之后,所述方法还包括:
将所述目标性能指标的检测值减去所述目标性能指标的误差值,得到所述目标性能指标的校准值。
9.根据权利要求2至4任一项或6至7任一项所述的方法,其特征在于,所述方法还包括:
以所述N个第一向量、所述N次参数配置的配置值以及N个性能指标的校准值,训练预测模型,所述预测模型用于根据小区当前的第一向量,输出目标配置值。
10.一种性能指标校准装置,其特征在于,所述装置包括:
数据采集模块,用于获取小区的目标第一向量以及目标性能指标的检测值,所述目标第一向量包括至少一个网络状态参数值,所述目标第一向量中的网络状态参数值为所述小区在对应的参数配置过程中系统参数的配置值生效前的网络状态参数值;
外生变量估计模块,用于将所述目标第一向量代入第一估计函数,确定目标外生变量;所述第一估计函数为表示第一向量与外生变量之间关系的函数;所述第一估计函数包括目标外生变量、目标第一向量、第一参数的目标值和所述第一估计函数的对应法则,其中,第一参数为第一估计函数的参数,所述目标第一向量和所述第一参数的目标值与所述目标外生变量满足所述第一估计函数对应法则表示的关系;
校准模块,用于将所述目标外生变量代入第二估计函数,确定目标性能指标的误差值;其中,所述第二估计函数为表示外生变量与性能指标的误差值之间关系的函数;所述第二估计函数包括目标性能指标的误差值、所述目标外生变量、第二参数的目标值和所述第二估计函数的对应法则,其中,第二参数为所述第二估计函数的参数,所述目标外生变量和所述第二参数的目标值与所述目标性能指标的误差值满足所述第二估计函数的对应法则表示的关系;
所述目标性能指标的误差值用于校准目标性能指标的检测值。
11.根据权利要求10所述的装置,其特征在于,
所述数据采集模块,还用于获取所述小区的N个第一向量、N个第二向量以及N次参数配置的配置值;其中,所述N个第一向量包括所述目标第一向量;所述第二向量包括至少一个网络状态参数值,所述第二向量中的网络状态参数值为所述小区在对应的参数配置过程中系统参数的配置值生效后的网络状态参数值;N为正整数;
所述外生变量估计模块,还用于以所述N个第一向量、所述N个第二向量以及所述N次参数配置的配置值作为训练数据,训练出第一参数的目标值,所述第一参数为所述第一估计函数的参数。
12.根据权利要求11所述的装置,其特征在于,
其中,θ1满足以下公式:
I(F1(s′n;θ1);(F3(sn;θ3),an)|F1(sn;θ1))<ε;其中,sn表示第n个第一向量,an表示第n次参数配置的配置值,ε表示预设的极小值,θ3表示第三估计函数的参数,F3()表示第三估计函数的对应法则,I(F1(s′n;θ1);(F3(sn;θ3),an)|F1(sn;θ1))用于求F1(s′n;θ1)、(F3(sn;θ3),an)、F1(sn;θ1)之间的条件互信息量。
14.根据权利要求11至13任一项所述的装置,其特征在于,
所述数据采集模块,还用于获取N个性能指标的检测值,所述N个性能指标的检测值包括所述目标性能指标的检测值;
所述外生变量估计模块,还用于确定N个外生变量,所述N个外生变量包括所述目标外生变量;
所述校准模块,还用于以所述N个性能指标的检测值以及所述N个外生变量作为训练数据,训练出第二参数的目标值,所述第二参数为所述第二估计函数的参数。
17.根据权利要求10至13任一项或15至16任一项所述的装置,其特征在于,
所述校准模块,还用于将所述目标性能指标的检测值减去所述目标性能指标的误差值,得到所述目标性能指标的校准值。
18.根据权利要求11至13任一项或15至16任一项所述的装置,其特征在于,所述装置还包括:配置模块;
所述配置模块,用于以所述N个第一向量、所述N次参数配置的配置值以及N个性能指标的校准值,训练预测模型,所述预测模型用于根据小区当前的第一向量,输出目标配置值。
19.一种性能指标校准装置,其特征在于,包括:处理器、存储器、总线和通信接口;所述存储器用于存储计算机执行指令,所述处理器与所述存储器通过所述总线连接,当所述性能指标校准装置运行时,所述处理器执行所述存储器存储的所述计算机执行指令,以使所述性能指标校准装置执行权利要求1至9任一项所述的性能指标校准方法。
20.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有指令,当所述计算机可读存储介质在计算机上运行时,使得计算机执行权利要求1至9任一项所述的性能指标校准方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810491019.9A CN109905287B (zh) | 2018-05-21 | 2018-05-21 | 性能指标校准方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810491019.9A CN109905287B (zh) | 2018-05-21 | 2018-05-21 | 性能指标校准方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109905287A CN109905287A (zh) | 2019-06-18 |
CN109905287B true CN109905287B (zh) | 2021-02-12 |
Family
ID=66943200
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810491019.9A Active CN109905287B (zh) | 2018-05-21 | 2018-05-21 | 性能指标校准方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109905287B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112839345B (zh) * | 2019-11-25 | 2022-06-14 | 华为技术有限公司 | 网络参数配置方法及装置 |
CN111539514B (zh) * | 2020-04-16 | 2023-06-06 | 北京百度网讯科技有限公司 | 用于生成神经网络的结构的方法和装置 |
CN115526365A (zh) * | 2021-06-24 | 2022-12-27 | 中兴通讯股份有限公司 | 指标优化方法及服务器、计算机可读存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101018236A (zh) * | 2006-02-12 | 2007-08-15 | 刘恒春 | 基于多协议模块结构网络控制平台的自适应传感器网络 |
CN102892125A (zh) * | 2012-10-19 | 2013-01-23 | 北京邮电大学 | 异构网络节能通信的干扰协调方法 |
CN104113856A (zh) * | 2014-07-24 | 2014-10-22 | 工业和信息化部通信计量中心 | 适用于wlan网络的设备性能测试系统以及测试方法 |
CN106060846A (zh) * | 2016-05-24 | 2016-10-26 | 北京雾联科技有限公司 | 基于移动终端测量的无线网络性能参数的采集和显示方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9769689B2 (en) * | 2014-12-09 | 2017-09-19 | Futurewei Technologies, Inc. | Method and apparatus for optimizing cell specific antenna configuration parameters |
-
2018
- 2018-05-21 CN CN201810491019.9A patent/CN109905287B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101018236A (zh) * | 2006-02-12 | 2007-08-15 | 刘恒春 | 基于多协议模块结构网络控制平台的自适应传感器网络 |
CN102892125A (zh) * | 2012-10-19 | 2013-01-23 | 北京邮电大学 | 异构网络节能通信的干扰协调方法 |
CN104113856A (zh) * | 2014-07-24 | 2014-10-22 | 工业和信息化部通信计量中心 | 适用于wlan网络的设备性能测试系统以及测试方法 |
CN106060846A (zh) * | 2016-05-24 | 2016-10-26 | 北京雾联科技有限公司 | 基于移动终端测量的无线网络性能参数的采集和显示方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109905287A (zh) | 2019-06-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109905287B (zh) | 性能指标校准方法及装置 | |
US8805428B2 (en) | Cooperative spectrum sensing in cognitive radio networks | |
ES2769245T3 (es) | Método y aparato para determinar estados de celda para ajustar parámetros de configuración de antena | |
US10327159B2 (en) | Autonomous, closed-loop and adaptive simulated annealing based machine learning approach for intelligent analytics-assisted self-organizing-networks (SONs) | |
US9204319B2 (en) | Estimating long term evolution network capacity and performance | |
WO2019143511A1 (en) | Coexistence reporting based on user equipment (ue) measurements | |
US20170135106A1 (en) | Frequency spectrum allocation method, device and system | |
US11523287B2 (en) | Machine-learning framework for spectrum allocation | |
WO2016065899A1 (zh) | 一种处理小区间干扰的方法、设备、控制装置及基站 | |
BR112014005289B1 (pt) | Dispositivo, método e sistema de controle de comunicação | |
JP2011087289A (ja) | 送信電力制御装置、送信電力制御方法およびプログラム | |
US10873939B2 (en) | Selecting a modulation and coding scheme and a transmit block size in long term evolution | |
US20230337252A1 (en) | Downlink scheduling across a cellular carrier aggregation | |
TWI633804B (zh) | Communication control device, communication control method, and information processing device | |
Sombabu et al. | Age-of-information aware scheduling for heterogeneous sources | |
US10390364B2 (en) | Apparatus and method for dynamically controlling spectrum access | |
CN111527717B (zh) | 用于无线通信的电子设备、方法和计算机可读存储介质 | |
EP2621211B1 (en) | Method for determining cell configuration parameters in a wireless telecommunication network | |
US20200195359A1 (en) | Downlink interference detection and identification of aggressor cells | |
CN112217585B (zh) | 信号路径的确定方法、装置、计算机设备和存储介质 | |
WO2022042119A1 (zh) | Srs时域资源的动态选择方法和装置、存储介质及电子装置 | |
US11689946B2 (en) | Communication system and communication management method | |
US11502900B2 (en) | Systems and methods for modifying device operation based on datasets generated using machine learning techniques | |
CN114745289A (zh) | 网络性能数据的预测方法、装置、存储介质及设备 | |
JP2021082874A (ja) | モデル化方法、モデル化プログラム及び情報処理装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |