CN111225391B - 网络参数处理方法和设备 - Google Patents

Abstract

本申请提供一种网络参数处理方法和设备，其中该方法包括：获取第一小区的至少一个第一组合，每一个第一组合包括至少一种第一小区状态信息的值；将第一组合和第二组合输入到预设的无线参数预测模型中，得到每一个第二组合对应的第一优化目标值，每一个第二组合包括至少一种第一无线参数的值，无线参数预测模型为根据第一小区和多个第二小区的网络数据而确定的；根据每一个第二组合对应的第一优化目标值，确定第一小区的每一个第一无线参数的优化值。由于建立起的无线参数预测模型结合了多个小区的网络数据特征，进而可以很好的对待优化小区的无线参数进行优化，可以基于多个小区的网络数据进行联合学习，可以得到适应于该待优化小区的无线参数。

Description

网络参数处理方法和设备

技术领域

本申请涉及网络技术，尤其涉及一种网络参数处理方法和设备。

背景技术

随着网络技术的不断发展，各种类型的网络应运而生，例如有第五代移动通信网络(the5th generation mobile communication technology，5G)网络、超密组网(ultra-dense network，UDN)、多频段组网等等，从而网络的运维也越来越复杂。为了提供网络的性能，需要对网络中的无线参数进行优化。

现有技术中，可以采用无线网络大数据和人工智能(artificial intelligence，AI)的分析方法，寻找无线参数的最优的组合配置。具体来说，在针对待优化小区的无线参数进行优化之前，可以建立一张表格，用于记录待优化小区或一个其他小区的网络数据，其中网络数据包括小区状态信息和无线参数；然后，采用表格中的网络数据对基于值的强化学习算法(Q-Learning)模型进行更新；然后采用更新后的Q-Learning模型，对待优化小区的无线参数进行优化。

然而现有技术中，只根据一个小区的网络数据去建立一个Q-Learning模型，采用的网络数据并不完善，不能够很好的对待优化小区的无线参数进行优化。

发明内容

本申请提供一种网络参数处理方法和设备，以解决不能够很好的对待优化小区的无线参数进行优化的问题。

第一方面，本申请提供一种网络参数处理方法，其特征在于，包括：

获取第一小区的至少一个第一组合，其中，每一个所述第一组合包括至少一种第一小区状态信息的值；

将所述至少一个第一组合和预设的至少一个第二组合，输入到预设的无线参数预测模型中，得到每一个所述第二组合对应的第一优化目标值，其中，每一个所述第二组合包括至少一种第一无线参数的值，所述无线参数预测模型为根据所述第一小区和多个第二小区的网络数据而确定的，所述第二小区为与所述第一小区不同的小区；

根据每一个所述第二组合对应的第一优化目标值，确定所述第一小区的无线参数优化组合，其中，所述无线参数优化组合中包括每一个所述第一无线参数的优化值。

本申请，通过建立一个基于多个小区的网络数据联合学习而得到无线参数预测模型，使用该无线参数预测模型对小区的无线参数进行优化；由于建立起的无线参数预测模型结合了多个小区的网络数据特征，进而可以很好的对待优化小区的无线参数进行优化，即本实施例可以基于多个小区的网络数据进行联合学习；并且，本实施例中，小区状态信息所表征的小区状态可以是连续的，即可以获取待优化小区在连续时间下的小区状态信息，进而可以反映出待优化小区的网络的真实状态，然后采用无线参数预测模型对待优化小区进行分析，可以得到适应于该待优化小区的无线参数。

在一种可能的设计中，所述方法，还包括：

获取每一个所述第二小区的至少一个第三组合，其中，每一个所述第三组合包括第二优化目标值、至少一种第二小区状态信息的值和至少一种第二无线参数的值；

根据多个所述第二小区的第三组合和预设的初始无线参数预测模型，确定所述无线参数预测模型。

在一种可能的设计中，所述初始无线参数预测模型中包括公共模型和小区模型；

根据多个所述第二小区的第三组合和预设的初始无线参数预测模型，确定所述无线参数预测模型，包括：

将多个所述第二小区的第三组合输入到所述公共模型中进行训练，得到训练后的公共模型；

获取第三小区的至少一个第四组合，其中，每一个所述第四组合包括第三优化目标值、至少一种第三小区状态信息的值和至少一种第三无线参数的值，所述第三小区为与所述第二小区相同或不同的小区，或者所述第三小区为与所述第一小区相同或不同的小区；

根据所述至少一个第四组合和所述小区模型，确定训练后的小区模型；

根据所述训练后的公共模型和所述训练后的小区模型，确定所述无线参数预测模型。

在一种可能的设计中，根据所述至少一个第四组合和所述小区模型，确定训练后的小区模型，包括：

将所述至少一个第四组合，输入到所述训练后的公共模型中，得到每一个所述第四组合对应的公共模型预测值；

根据每一个所述第四组合对应的公共模型预测值和每一个所述第四组合中的第三优化目标值，确定每一个所述第四组合的残差值；

将每一个所述第四组合的残差值输入到所述小区模型中进行训练，得到所述训练后的小区模型。

在一种可能的设计中，所述训练后的公共模型为y＝w11*f(s,A)+w12*QR(s,A)；

其中，f(s,A)为预设的机器学习模型，QR(s,A)为预设的二次回归模型，s为所述第一小区状态信息的值，A为所述第一无线参数的值，w11、w12为预设权重值，且w11与w12之和等于1。

在一种可能的设计中，在每一个所述第二组合中具有一种第一无线参数时，所述二次回归模型为QR(s,A)＝g(s)*a²+h(s)*a+k(s)+c；

其中，第一系数

第二系数

第三系数

φ(s)为预设的核转换函数，w₁、w₂、w₃分别为将多个所述第二小区的第三组合输入到所述公共模型中进行训练之后的到第一权重向量、第二权重向量、第三权重向量，d、c为常量，a＝A，a为每一个所述第二组合中的第一无线参数的值，x为预设的常数项。

在一种可能的设计中，在每一个所述第二组合中具有多种第一无线参数时，所述二次

φ(s)为预设的核转换函数，第四系数g′(s)＝exp(β_1k)，第五系数h′(s)＝β_2k，w₁、w₂、w₃分别为将多个所述第二小区的第三组合输入到所述公共模型中进行训练之后的到第一权重向量、第二权重向量、第三权重向量，c为常量，k∈[1,M]，M为每一个所述第二组合中的第一无线参数的种类数，M为大于1的正整数，a_k为每一个所述第二组合中的第k种第一无线参数，x为预设的常数项。

在一种可能的设计中，所述无线参数预测模型为Y＝w11*f(s,A)+w12*QR(s,A)+L(s,A)；

其中，f(s,A)为预设的机器学习模型，QR(s,A)为预设的二次回归模型，s为所述第一小区状态信息的值，A为所述第一无线参数的值，w11、w12为预设权重值，且w11与w12之和等于1；L(s,A)为所述训练后的小区模型，所述训练后的小区模型为机器学习模型。

在一种可能的设计中，在根据多个所述第二小区的第三组合和预设的初始无线参数预测模型，确定所述无线参数预测模型之前，还包括：

对所述第三组合的第二小区状态信息的值进行归一化处理，得到归一化处理后的第三组合；

对所述归一化处理后的第三组合中的第二小区状态信息进行降维处理，得到降维处理后的第三组合。

在一种可能的设计中，对所述第三组合的第二小区状态信息的值进行归一化处理，得到归一化处理后的第三组合，包括：

根据归属于同一种第二小区状态信息的第二小区状态信息的值，确定同一种第二小区状态信息的均值和方差；

根据同一种第二小区状态信息的均值和方差，确定每一个所述第三组合中的第二小区状态信息的归一化值。

在一种可能的设计中，将所述至少一个第一组合和预设的至少一个第二组合，输入到预设的无线参数预测模型中，得到每一个所述第二组合对应的第一优化目标值，包括：

将不同的所述第一组合和不同的所述第二组合进行两两组合，得到多个第五组合，其中，每一个所述第五组合包括一个所述第一组合和一个所述第二组合；

将每一个所述第五组合输入到所述无线参数预测模型中，得到每一个所述第五组合对应的输出值；

根据每一个所述第五组合对应的输出值，确定归属于同一个第二组合对应的输出值作为同一个第二组合对应的第一优化目标值；

根据每一个所述第二组合对应的第一优化目标值，确定所述第一小区的无线参数优化组合，包括：

根据每一个所述第二组合对应的第一优化目标值，确定每一个所述第二组合对应的第一优化目标值的均值；

确定均值最大或最小的第二组合，作为所述第一小区的无线参数优化组合。

第二方面，本申请提供一种网络参数处理装置，包括：

获取单元，用于获取第一小区的至少一个第一组合，其中，每一个所述第一组合包括至少一种第一小区状态信息的值；

第一输入单元，用于将所述至少一个第一组合和预设的至少一个第二组合，输入到预设的无线参数预测模型中，得到每一个所述第二组合对应的第一优化目标值，其中，每一个所述第二组合包括至少一种第一无线参数的值，所述无线参数预测模型为根据所述第一小区和多个第二小区的网络数据而确定的，所述第二小区为与所述第一小区不同的小区；

第一确定单元，用于根据每一个所述第二组合对应的第一优化目标值，确定所述第一小区的无线参数优化组合，其中，所述无线参数优化组合中包括每一个所述第一无线参数的优化值。

本申请，通过建立一个基于多个小区的网络数据联合学习而得到无线参数预测模型，使用该无线参数预测模型对小区的无线参数进行优化；由于建立起的无线参数预测模型结合了多个小区的网络数据特征，进而可以很好的对待优化小区的无线参数进行优化，即本实施例可以基于多个小区的网络数据进行联合学习；并且，本实施例中，小区状态信息所表征的小区状态可以是连续的，即可以获取待优化小区在连续时间下的小区状态信息，进而可以反映出待优化小区的网络的真实状态，然后采用无线参数预测模型对待优化小区进行分析，可以得到适应于该待优化小区的无线参数。

在一种可能的设计中，所述装置，还包括：

第二输入单元，用于获取每一个所述第二小区的至少一个第三组合，其中，每一个所述第三组合包括第二优化目标值、至少一种第二小区状态信息的值和至少一种第二无线参数的值；

第二确定单元，用于根据多个所述第二小区的第三组合和预设的初始无线参数预测模型，确定所述无线参数预测模型。

在一种可能的设计中，所述初始无线参数预测模型中包括公共模型和小区模型；

所述第二确定单元，包括：

训练模块，用于将多个所述第二小区的第三组合输入到所述公共模型中进行训练，得到训练后的公共模型；

获取模块，用于获取第三小区的至少一个第四组合，其中，每一个所述第四组合包括第三优化目标值、至少一种第三小区状态信息的值和至少一种第三无线参数的值，所述第三小区为与所述第二小区相同或不同的小区，或者所述第三小区为与所述第一小区相同或不同的小区；

第一确定模块，用于根据所述至少一个第四组合和所述小区模型，确定训练后的小区模型；

第二确定模块，用于根据所述训练后的公共模型和所述训练后的小区模型，确定所述无线参数预测模型。

在一种可能的设计中，所述第一确定模块，具体用于：

将所述至少一个第四组合，输入到所述训练后的公共模型中，得到每一个所述第四组合对应的公共模型预测值；

根据每一个所述第四组合对应的公共模型预测值和每一个所述第四组合中的第三优化目标值，确定每一个所述第四组合的残差值；

将每一个所述第四组合的残差值输入到所述小区模型中进行训练，得到所述训练后的小区模型。

在一种可能的设计中，所述训练后的公共模型为y＝w11*f(s,A)+w12*QR(s,A)；

其中，f(s,A)为预设的机器学习模型，QR(s,A)为预设的二次回归模型，s为所述第一小区状态信息的值，A为所述第一无线参数的值，w11、w12为预设权重值，且w11与w12之和等于1。

在一种可能的设计中，在每一个所述第二组合中具有一种第一无线参数时，所述二次回归模型为QR(s,A)＝g(s)*a²+h(s)*a+k(s)+c；

其中，第一系数

第二系数

第三系数

φ(s)为预设的核转换函数，w₁、w₂、w₃分别为将多个所述第二小区的第三组合输入到所述公共模型中进行训练之后的到第一权重向量、第二权重向量、第三权重向量，d、c为常量，a＝A，a为每一个所述第二组合中的第一无线参数的值，x为预设的常数项。

在一种可能的设计中，在每一个所述第二组合中具有多种第一无线参数时，所述二次

φ(s)为预设的核转换函数，第四系数g′(s)＝exp(β_1k)，第五系数h′(s)＝β_2k，w₁、w₂、w₃分别为将多个所述第二小区的第三组合输入到所述公共模型中进行训练之后的到第一权重向量、第二权重向量、第三权重向量，c为常量，k∈[1,M]，M为每一个所述第二组合中的第一无线参数的种类数，M为大于1的正整数，a_k为每一个所述第二组合中的第k种第一无线参数，x为预设的常数项。

在一种可能的设计中，所述无线参数预测模型为Y＝w11*f(s,A)+w12*QR(s,A)+L(s,A)；

其中，f(s,A)为预设的机器学习模型，QR(s,A)为预设的二次回归模型，s为所述第一小区状态信息的值，A为所述第一无线参数的值，w11、w12为预设权重值，且w11与w12之和等于1；L(s,A)为所述训练后的小区模型，所述训练后的小区模型为机器学习模型。

在一种可能的设计中，所述装置，还包括：

归一化单元，用于在所述第二确定单元根据多个所述第二小区的第三组合和预设的初始无线参数预测模型，确定所述无线参数预测模型之前，对所述第三组合的第二小区状态信息的值进行归一化处理，得到归一化处理后的第三组合；

降维单元，用于对所述归一化处理后的第三组合中的第二小区状态信息进行降维处理，得到降维处理后的第三组合。

在一种可能的设计中，所述归一化单元，具体用于：

根据归属于同一种第二小区状态信息的第二小区状态信息的值，确定同一种第二小区状态信息的均值和方差；

根据同一种第二小区状态信息的均值和方差，确定每一个所述第三组合中的第二小区状态信息的归一化值。

在一种可能的设计中，所述第一输入单元，包括：

组合模块，用于将不同的所述第一组合和不同的所述第二组合进行两两组合，得到多个第五组合，其中，每一个所述第五组合包括一个所述第一组合和一个所述第二组合；

输入模块，用于将每一个所述第五组合输入到所述无线参数预测模型中，得到每一个所述第五组合对应的输出值；

第三确定模块，用于根据每一个所述第五组合对应的输出值，确定归属于同一个第二组合对应的输出值作为同一个第二组合对应的第一优化目标值；

所述第一确定单元，包括：

第四确定模块，用于根据每一个所述第二组合对应的第一优化目标值，确定每一个所述第二组合对应的第一优化目标值的均值；

第五确定模块，用于确定均值最大或最小的第二组合，作为所述第一小区的无线参数优化组合。

第三方面，本申请提供一种网络参数处理设备，包括：发送器、接收器、存储器和处理器；

所述存储器用于存储计算机指令；所述处理器用于运行所述存储器存储的所述计算机指令实现第一方面任一实现方式提供的方法。

第四方面，本申请提供一种网络参数处理设备，包括用于执行以上第一方面的任一方法的至少一个处理元件或芯片。

第五方面，本申请提供一种程序，该程序在被处理器执行时用于执行以上第一方面的任一方法。

第六方面，本申请提供一种计算机可读存储介质，包括第五方面的程序。

附图说明

图1为本申请实施例提供的一种应用场景示意图；

图2为本申请实施例提供的一种网络参数处理方法的流程示意图；

图3为本申请实施例提供的另一种网络参数处理方法的流程示意图；

图4为本申请实施例提供的无线参数与优化目标值之间的关系图；

图5为本申请实施例提供的迭代次数与Delta差之间的关系图；

图6为本申请实施例提供的一种网络参数处理装置的示意性框图；

图7为本申请实施例提供的另一种网络参数处理装置的示意性框图；

图8为本申请实施例提供的一种网络参数处理设备的结构示意图。

具体实施方式

本申请实施例应用于网络参数处理装置中、或者网络参数处理设备中、或者网络参数处理系统中、或者可以执行本申请实施例的任意系统中，以下对本申请中的部分用语进行解释说明，以便于本领域技术人员理解。需要说明的是，当本申请实施例的方案应用于网络参数处理设备中、或者可以执行本申请实施例的任意系统中时，网络参数处理装置、网络参数处理设备的名称可能发生变化，但这并不影响本申请实施例方案的实施。

应理解，本申请实施例的技术方案可以对各种通信系统的网络参数进行处理，通信系统例如：无线局域网通信(wireless local area network，WLAN)系统，全球移动通信(global system of mobile communication，GSM)系统、码分多址(code divisionmultiple access，CDMA)系统、宽带码分多址(wideband code division multipleaccess，WCDMA)系统、通用分组无线业务(general packet radio service，GPRS)、长期演进(long term evolution，LTE)系统、LTE频分双工(frequency division duplex，FDD)系统、LTE时分双工(time division duplex，TDD)、通用移动通信系统(universal mobiletelecommunication system，UMTS)、全球互联微波接入(worldwide interoperabilityfor microwave access，WiMAX)通信系统、以及未来的第五代移动通信技术(the 5thGeneration mobile communication technology，5G)系统或未来可能出现的其他系统。

本申请的实施方式部分使用的术语仅用于对本申请的具体实施例进行解释，而非旨在限定本申请。以下对本申请中的部分用语进行解释说明，以便于本领域技术人员理解。

1)网络参数处理设备，可以是终端设备或者服务器。

2)终端设备，又称为终端、用户设备，是一种向用户提供语音和/或数据连通性的设备，例如，具有无线连接功能的手持式设备、车载设备等；终端设备也可以是检测数据的设备，例如，传感器等；终端设备也可以是智能设备，例如，部署于室内的智能家居设备、可穿戴设备等。常见的终端设备例如包括：空气质量监测传感器、温度传感器、烟雾传感器手机、平板电脑、笔记本电脑、掌上电脑、移动互联网设备(mobile internet device，MID)、可穿戴设备，其中，可穿戴设备例如包括：智能手表、智能手环、计步器等。终端设备为现在和未来可能的无线通信的终端设备或有限通信的终端设备。

3)服务器，可以是网络设备、或无线接入网(radio access network，RAN)设备，例如包括但不限于：无线接入点(例如无线局域网接入点)，基站、演进型节点B(evolved NodeB，eNB)、无线网络控制器(radio network controller，RNC)、节点B(Node B，NB)、网络设备控制器(base station controller，BSC)、网络设备收发台(base transceiver station,BTS)、家庭网络设备(例如，home evolved NodeB，或home Node B，HNB)、基带单元(baseband unit，BBU)等。

4)“多个”是指两个或两个以上，其它量词与之类似。“和/或”，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。字符“/”一般表示前后关联对象是一种“或”的关系。

5)“对应”可以指的是一种关联关系或绑定关系，A与B相对应指的是A与B之间是一种关联关系或绑定关系。

需要指出的是，本申请实施例中涉及的名词或术语可以相互参考，不再赘述。

现有技术中，随着网络技术的不断发展，各种类型的网络应运而生，例如有线网络和无线网络。复杂的网络会占据运营商较高的运营成本，其中，网络维护与优化占网络运营成本的10％-20％。为了提供网络的性能，需要对网络中的无线参数进行优化。

现在，无线参数优化主要依赖人工处理的方式，具体来说，人工的观察网络的性能指标，为无线参数选择一个合理的配置值。然而，影响无线参数的优化的因素越来越多，例如组网、场景、话务以及潮汐等都会影响到无线参数的优化。并且，需要对多个无线参数同时进行优化的时候，无线参数的优化的复杂度呈指数级增加。从而，人工的对无线参数进行优化的方式无法满足现状的需求。

现在还提供了无线网络大数据和人工智能的分析方法，寻找无线参数的最优组合配置。然而无线网络大数据和人工智能的分析方法，依然无法寻找到比较合适的无线参数，对网络的性能提升很少。例如，通过优化异频切换门限(Inter-frequency Handover A2Threshold，简称InterFreqHoA2ThdRsrp)，去提升小区边缘用户速率；其中，InterFreqHoA2ThdRsrp是一种无线参数，该参数表示若参考信号接收功率(referencesignal receiving power，RSRP)测量值低于触发门限，则将上报测量报告；但是该参数通过人工或AI算法优化最优后，通过无线网络大数据和人工智能的分析方法对优化异频切换参数进行优化之后，小区边缘用户速率只能提升5％-10％。再例如，采用无线网络大数据和人工智能的分析方法对无线参数(Initial Delta CQI(Channel Quality Indicator)，简称InitDeltaCqi)进行优化，来提升小区边缘用户速率；其中，无线参数InitDeltaCqi用于设置信道质量指示(channel quality indicator，CQI)调整量的初始值；但是，小区边缘用户速率也只能提升5％左右。可知，采用无线网络大数据和人工智能的分析方法对无线参数进行优化之后，对于网络的性能的提升都很小。

并且，采用无线网络大数据和人工智能的分析方法对无线参数进行优化的时间比较短，需要在很多的时间之内完成对于无线参数的优化。具体来说，需要对无线参数进行N轮优化过程，每一轮的优化过程都需要修改小区的无线参数的值；但是由于无线参数优化时间比较短，造成获取到的有效样本数量较少，并且由于外界因素的影响，会造成很难评价优化结果变好还是变差。例如，需要对无线参数的优化进行10-14轮的优化过程，一轮为一天，每一天都需要修改小区的无线参数的值；每一轮的优化过程得到的有效样本很少，假设每个小区每个小时的无线参数为一个有效样本，然后扣除闲时段内所产生的无线参数，那么有效样本数大约14-18个。

具体来说，现有技术中，提供了基于值的Q-Learning模型，对无线参数进行优化。首先，需要定义出一个表格，该表格称为Q-Table；Q-Table中包括网络状态(State)和无线参数的值，其中，小区状态信息也可以称为小区状态信息；例如，将小区的负载、干扰等作为Q-Table中的小区状态信息；可以采用Action表示无线参数。可知，Q-Table是一个二维矩阵，表1为Q-Table。其中，需要优化的无线参数越多，无线参数的取值越多，会导致Q-Table中的的Action越多。

表1 Q-Table

State\Action	Action-1	Action-2	…	Action-n
					State-1	Q-Value(1,1)	Q-Value(1,2)	…	Q-Value(1,n)
State-2	Q-Value(2,1)	Q-Value(2,2)	…	Q-Value(2,n)
					…	…	…	…	…
State-m	Q-Value(m,1)	Q-Value(m,2)	…	Q-Value(m,n)

其中，表1中，m为小区状态信息的个数，n为无线参数的个数。

需要对基于值的Q-Learning模型进行训练，然后采用训练后的基于值的Q-Learning模型，对无线参数进行优化。具体来说，可以构建出上述Q-Table，然后根据Q-Table来选择一个合理的无线参数组合值，即选择出多个无线参数的值；然后将无线参数组合值下发到无线网络环境进行运行；然后，获取与无线参数组合值对应的目标优化值；然后，根据小区状态信息s和无线参数的值a，更新的Q-Learning模型，其中，Q-Learning模型为Q(s,a)＝r+γ(max(Q((s′,a′)。上述过程为一轮优化过程，可以经过N轮优化过程之后，，Q-Learning模型中的Q值趋于稳定，则训练终止。例如，当需要对2个无线参数进行优化的时候，一般需要超过50～100轮的优化过程。

然而上述采用基于值的Q-Learning模型对无线参数进行优化的方式，存在多种不足和缺陷。第一，需要建立Q-Table，但是现在无法针对连续的小区状态信息建立一张Q-Table，从而Q-Table中的小区状态信息比较离散，无法完全刻画小区的真实的小区状态信息；并且，由于Q-Table中的小区状态信息比较离散，会导致小区状态信息的丢失，不利于精确建模和计算。第二，当Q-Table中的m和n偏高的时候，需要采集很多的小区状态信息和小区状态信息下的无线参数，需要采集大量的网络数据样本，使得强化学习的收敛速度将会非常慢，找到最优的无线参数组合的速度比较慢。第三，现有的基于值的Q-Learning模型只利用了单一小区的网络数据来进行训练，而没有利用和借鉴其它小区的网络数据进行综合学习，导致采用的网络数据并不完善，不能够很好的对待优化小区的无线参数进行优化。

下面将结合附图，对本申请实施例的技术方案进行描述。

图1为本申请实施例提供的一种应用场景示意图。如图1所示的架构，主要包括网络参数处理设备01和网络设备02，网络参数处理设备01可以获取网络设备02中的小区状态信息和无线参数的值。

图2为本申请实施例提供的一种网络参数处理方法的流程示意图。如图2所示，该方法包括：

101、获取第一小区的至少一个第一组合，其中，每一个第一组合包括至少一种第一小区状态信息的值。

示例性的，本实施例以执行主体为网络参数处理设备进行说明。

网络参数处理设备从网络环境中获取待优化的小区的小区状态信息，其中，待优化的小区称为第一小区。示例性的，网络参数处理设备从网络设备中获取第一小区的在不同时间点下的第一组合，其中，第一组合为小区状态信息的组合；第一组合包括一个或多个第一小区状态信息的值。

举例来说，网络参数处理设备获取到了时间1下的第一组合1、时间2下的第二组合2、时间3下的第二组合3，其中，第一组合1包括第一小区在时间1下所产生的第一小区状态信息a的值a1、第一小区在时间1下所产生的第一小区状态信息b的值b1、第一小区在时间1下所产生的第一小区状态信息c的值c1；第一组合2包括第一小区在时间2下所产生的第一小区状态信息a的值a2、第一小区在时间2下所产生的第一小区状态信息b的值b2、第一小区在时间2下所产生的第一小区状态信息c的值c2；第一组合3包括第一小区在时间3下所产生的第一小区状态信息a的值a3、第一小区在时间3下所产生的第一小区状态信息b的值b3、第一小区在时间3下所产生的第一小区状态信息c的值c3。

102、将至少一个第一组合和预设的至少一个第二组合，输入到预设的无线参数预测模型中，得到每一个第二组合对应的第一优化目标值，其中，每一个第二组合包括至少一种第一无线参数的值，无线参数预测模型为根据第一小区和多个第二小区的网络数据而确定的，第二小区为与第一小区不同的小区。

可选的，步骤102具体包括：

1021、将不同的第一组合和不同的第二组合进行两两组合，得到多个第五组合，其中，每一个第五组合包括一个第一组合和一个第二组合。

1022、将每一个第五组合输入到无线参数预测模型中，得到每一个第五组合对应的输出值。

1023、根据每一个第五组合对应的输出值，确定归属于同一个第二组合对应的输出值作为同一个第二组合对应的第一优化目标值。

示例性的，网络参数处理设备预先设置了无线参数的多个组合，无线参数的组合称为第二组合；每一个第二组合中包括一种或多种第一无线参数的值。网络参数处理设备预先设置了一个无线参数预测模型为根据第一小区和多个第二小区的网络数据而确定的模型，其中，第二小区与第一小区之间是不同的小区。网络参数处理设备将各第一组合和各第二组合，输入到无线参数预测模型中进行计算，进而得到每一个第二组合对应的第一优化目标值。

示例性的，网络参数处理设备将不同的第一组合和不同的第二组合进行两两组合，得到多个第五组合，得到的每一个第五组合包括一个第一组合和一个第二组合；从而，每一个第五组合包括了一组第一小区状态信息的值和一组第一无线参数的值。

举例来说，网络参数处理设备获取到了时间1下的第一组合1、时间2下的第二组合2、时间3下的第二组合3，其中，第一组合1包括第一小区在时间1下所产生的第一小区状态信息a的值a1、第一小区在时间1下所产生的第一小区状态信息b的值b1、第一小区在时间1下所产生的第一小区状态信息c的值c1；第一组合2包括第一小区在时间2下所产生的第一小区状态信息a的值a2、第一小区在时间2下所产生的第一小区状态信息b的值b2、第一小区在时间2下所产生的第一小区状态信息c的值c2；第一组合3包括第一小区在时间3下所产生的第一小区状态信息a的值a3、第一小区在时间3下所产生的第一小区状态信息b的值b3、第一小区在时间3下所产生的第一小区状态信息c的值c3。

网络参数处理设备需要对无线参数a和无线参数b进行优化，网络参数处理设备预先对无线参数a和无线参数b分别进行取值，其中，无线参数a有2种取值，无线参数b有3种取值；网络参数处理设备根据无线参数a和无线参数b的不同取值，得到6个第二组合，分别为第二组合1、第二组合2、第二组合3、第二组合4、第二组合5和第二组合6；其中，第二组合1包括了无线参数a的取值a1、无线参数b的取值b1；第二组合2包括了无线参数a的取值a1、无线参数b的取值b2；第二组合3包括了无线参数a的取值a1、无线参数b的取值b3；第二组合4包括了无线参数a的取值a2、无线参数b的取值b1；第二组合5包括了无线参数a的取值a2、无线参数b的取值b2；第二组合6包括了无线参数a的取值a2、无线参数b的取值b3。

然后，网络参数处理设备将不同的第一组合和不同的第二组合进行两两组合，根据以上示例，可以得到18种第五组合；其中，第五组合1中包括第一组合1和第二组合1，第五组合2中包括第一组合1和第二组合2，第五组合3中包括第一组合1和第二组合3，第五组合4中包括第一组合1和第二组合4，第五组合5中包括第一组合1和第二组合5，第五组合6中包括第一组合1和第二组合6，第五组合7中包括第一组合2和第二组合1，第五组合8中包括第一组合2和第二组合2，第五组合9中包括第一组合2和第二组合3，第五组合10中包括第一组合2和第二组合4，第五组合11中包括第一组合2和第二组合5，第五组合12中包括第一组合2和第二组合6，第五组合13中包括第一组合3和第二组合1，第五组合14中包括第一组合3和第二组合2，第五组合15中包括第一组合3和第二组合3，第五组合16中包括第一组合3和第二组合4，第五组合17中包括第一组合3和第二组合5，第五组合18中包括第一组合3和第二组合6。

网络参数处理设备在得到多个第五组合之后，将每一个第五组合输入到无线参数预测模型中进行计算，得到每一个第五组合对应的输出值，该输出值为一种优化值。举例来说，根据以上示例，网络参数处理设备得到第五组合1对应的输出值T、第五组合2对应的输出值B、第五组合3对应的输出值C、第五组合4对应的输出值D、第五组合5对应的输出值E、第五组合6对应的输出值F、第五组合7对应的输出值G、第五组合8对应的输出值H、第五组合9对应的输出值I、第五组合10对应的输出值J、第五组合11对应的输出值K、第五组合12对应的输出值L、第五组合13对应的输出值M、第五组合14对应的输出值N、第五组合15对应的输出值O、第五组合16对应的输出值P、第五组合17对应的输出值Q、第五组合18对应的输出值R。

然后，网络参数处理设备确定出归属于同一个第二组合对应的输出值，作为同一个第二组合对应的第一优化目标值，则每一个第二组合的第一优化目标值可以有一个或多个。举例来说，根据以上示例，网络参数处理设备确定出第二组合1对应的输出值分别有T、G和M，第二组合2对应的输出值分别有B、H和N，第二组合3对应的输出值分别有C、I和O，第二组合4对应的输出值分别有D、J和P，第二组合5对应的输出值分别有E、K和Q，第二组合6对应的输出值分别有F、L和R。

103、根据每一个第二组合对应的第一优化目标值，确定第一小区的无线参数优化组合，其中，无线参数优化组合中包括每一个第一无线参数的优化值。

可选的，步骤103具体包括：

1031、根据每一个第二组合对应的第一优化目标值，确定每一个第二组合对应的第一优化目标值的均值。

1032、确定均值最大或最小的第二组合，作为第一小区的无线参数优化组合。

示例性的，网络参数处理设备根据各个第二组合对应的第一优化目标值进行综合的比较分析，确定出适合第一小区的无线参数优化组合，该无线参数优化组合可以被应用到第一小区的任一种小区状态中。其中，无线参数优化组合中包括每一个上述第一无线参数的优化值。

示例性的，网络参数处理设备对每一个第二组合对应的第一优化目标值求取均值。举例来说，根据步骤102中的示例，网络参数处理设备对第二组合1对应的各第一优化目标值求取均值，得到第二组合1的第一优化目标值的均值(T+G+M)/3，第二组合2的第一优化目标值的均值(B+H+N)/3，第二组合3的第一优化目标值的均值(C+I+O)/3，第二组合4的第一优化目标值的均值(D+J+P)/3，第二组合5的第一优化目标值的均值(E+K+Q)/3，第二组合6的第一优化目标值的均值(F+L+R)/3。

然后，网络参数处理设备确定均值最优的第二组合，可以作为第一小区的无线参数优化组合；其中，均值最优可以为均值最大或均值最小。无线参数优化组合中包括了第二组合中的每一种第一无线参数的优化值，此时，无线参数优化组合中包括的是均值最优的第二组合中的每一种第一无线参数的值。举例来说，根据以上示例，网络参数处理设备比较上述第二组合的第一优化目标值的均值，然后网络参数处理设备确定(T+G+M)/3最优，即(T+G+M)/3最大或最小；则网络参数处理设备确定出均值最优的第二组合1，其中，第二组合1中包括了无线参数a的取值a1、无线参数b的取值b1；然后，网络参数处理设备确定第二组合1作为第一小区的无线参数优化组合，即确定第一小区的无线参数优化组合中包括无线参数a的取值a1、无线参数b的取值b1。

在本实施例中，网络参数处理设备可以将第一小区的无线参数优化组合中的各第一无线参数的优化值，投入到网络环境中进行使用和运行；然后，网络参数处理设备可以重复执行步骤101-步骤103，进而对第一小区的无线参数进行迭代优化。

本实施例，通过获取第一小区的至少一个第一组合，其中，每一个第一组合包括至少一种第一小区状态信息的值；将至少一个第一组合和预设的至少一个第二组合，输入到预设的无线参数预测模型中，得到每一个第二组合对应的第一优化目标值，其中，每一个第二组合包括至少一种第一无线参数的值，无线参数预测模型为根据第一小区和多个第二小区的网络数据而确定的，第二小区为与第一小区不同的小区；根据每一个第二组合对应的第一优化目标值，确定第一小区的无线参数优化组合，其中，无线参数优化组合中包括每一个第一无线参数的优化值。从而通过建立一个基于多个小区的网络数据联合学习而得到无线参数预测模型，使用该无线参数预测模型对小区的无线参数进行优化；由于建立起的无线参数预测模型结合了多个小区的网络数据特征，进而可以很好的对待优化小区的无线参数进行优化，即本实施例可以基于多个小区的网络数据进行联合学习；并且，本实施例中，小区状态信息所表征的小区状态可以是连续的，即可以获取待优化小区在连续时间下的小区状态信息，进而可以反映出待优化小区的网络的真实状态，然后采用无线参数预测模型对待优化小区进行分析，可以得到适应于该待优化小区的无线参数。

图3为本申请实施例提供的另一种网络参数处理方法的流程示意图。如图3所示，该方法包括：

201、获取每一个第二小区的至少一个第三组合，其中，每一个第三组合包括第二优化目标值、至少一种第二小区状态信息的值和至少一种第二无线参数的值。

示例性的，本实施例以执行主体为网络参数处理设备进行说明。

网络参数处理设备获取训练小区的网络数据，其中，每一个训练小区称作一个第二小区。网络参数处理设备获取到每一个第二小区的至少一个第三组合，即每一个第二小区具有一个或多个第三组合。其中，每一个第三组合中包括了一个第二优化目标值、至少一种第二小区状态信息的值、至少一种第二无线参数的值。则所有第二小区的第三组合构成了待训练的网络数据样本。

举例来说，网络参数处理设备获取到第二小区1的第三组合1和第三组合2，其中，第三组合1中包括了一个第二优化目标值c1、时间1下的第二小区状态信息a1、时间1下的第二小区状态信息a2、时间1下的无线参数b1以及时间1下的无线参数b2，第三组合2中包括了一个第二优化目标值c2、时间2下的第二小区状态信息a3、时间2下的第二小区状态信息a4、时间2下的无线参数b3以及时间2下的无线参数b4。网络参数处理设备还获取到第二小区2的第三组合3和第三组合4，其中，第三组合3中包括了一个第二优化目标值c3、时间1下的第二小区状态信息a5、时间1下的第二小区状态信息a6、时间1下的无线参数b5以及时间1下的无线参数b6，第三组合4中包括了一个第二优化目标值c4、时间2下的第二小区状态信息a5、时间2下的第二小区状态信息a6、时间2下的无线参数b5以及时间2下的无线参数b6。以此类推。将以上网络数据，拼接为网络数据样本。例如，网络数据样本的格式如表2所示。

表2网络数据样本

其中，表2中的小区名称下的各小区的简称，都是表征了一个第二小区；表2中的小区用户数、小区最大用户数、小区平均CQI为第二小区状态信息；表2中的无线参数1和无线参数2为第二无线参数；表2中的优化目标下的每一个值为一个第二优化目标值。可知，表2中的每一行的网络数据，作为一个第三组合。

示例性的，小区状态信息可以有小区用户数、小区最大用户数、小区平均CQI、小区负载信息、小区覆盖信息、小区干扰信息、小区话务模型、等等。

202、对第三组合的第二小区状态信息的值进行归一化处理，得到归一化处理后的第三组合。

可选的，步骤202具体包括以下步骤：

2021、根据归属于同一种第二小区状态信息的第二小区状态信息的值，确定同一种第二小区状态信息的均值和方差。

2022、根据同一种第二小区状态信息的均值和方差，确定每一个第三组合中的第二小区状态信息的归一化值。

示例性的，网络参数处理设备对第三组合中的第二小区状态信息的值进行归一化处理。示例性的，网络参数处理设备将归属于第二小区状态信息的第二小区状态信息的值进行计算，得到每一种第二小区状态信息的均值x_mean，然后计算出每一种第二小区状态信息的方差x_std。然后，针对于每一种第二小区状态信息，网络参数处理设备根据每一种第二小区状态信息的均值x_mean和方差x_std，计算出每一种第二小区状态信息下的每一个第二小区状态信息的归一化值(x-x_mean)/x_std，其中，x为一个第二小区状态信息的值。

举例来说，针对表2中所示的网络数据样本，将表2中的第二小区状态信息中，每一列第二小区状态信息的值是归属于同一种第二小区状态信息的；则可以求取每一列第二小区状态信息的均值和方差，然后计算出每一列第二小区状态信息下的每一个第二小区状态信息的归一化值。

或者，网络参数处理设备可以采用最大-最小准则(min-max)、或者标准分数(z-score)等标准化算法，对第三组合的第二小区状态信息的值进行归一化处理。

最后，网络参数处理设备可以得到归一化处理后的第三组合。

203、对归一化处理后的第三组合中的第二小区状态信息进行降维处理，得到降维处理后的第三组合。

示例性的，网络参数处理设备需要对第三组合中的第二小区状态信息进行降维处理，即当第三组合中的具有n种第二小区状态信息的时候，网络参数处理设备需要控制第三组合中的具有m种第二小区状态信息，其中，m小于n，m、n都是正整数。

示例性的，网络参数处理设备可以采用偏最小二乘回归(partial leastsquares，PLS)方法、特征选择方法、主成分分析(principal components analysis，PCA)降维方法中的一种或多种，将第二小区状态信息的维度就降低到m维，例如，将150～300维的第二小区状态信息，降低到50维。例如，得到降维后的第二小区状态信息，如下述公式所示。

204、根据多个第二小区的第三组合和预设的初始无线参数预测模型，确定无线参数预测模型。

可选的，初始无线参数预测模型中包括公共模型和小区模型；则步骤202，包括以下步骤：

2041、将多个第二小区的第三组合输入到公共模型中进行训练，得到训练后的公共模型。

2042、获取第三小区的至少一个第四组合，其中，每一个第四组合包括第三优化目标值、至少一种第三小区状态信息的值和至少一种第三无线参数的值，第三小区为与第二小区相同或不同的小区，或者第三小区为与第一小区相同或不同的小区。

2043、根据至少一个第四组合和小区模型，确定训练后的小区模型。

2044、根据训练后的公共模型和训练后的小区模型，确定无线参数预测模型。

可选的，上述步骤2043，具体包括：

2043a、将至少一个第四组合，输入到训练后的公共模型中，得到每一个第四组合对应的公共模型预测值。

2043b、根据每一个第四组合对应的公共模型预测值和每一个第四组合中的第三优化目标值，确定每一个第四组合的残差值。

2043c、将每一个第四组合的残差值输入到小区模型中进行训练，得到训练后的小区模型。

可选的，上述训练后的公共模型为y＝w11*f(s,A)+w12*QR(s,A)；其中，f(s,A)为预设的机器学习模型，QR(s,A)为预设的二次回归模型，s为第一小区状态信息的值，A为第一无线参数的值，w11、w12为预设权重值，且w11与w12之和等于1。

可选的，二次回归模型QR(s,A)有两种实施方式。

二次回归模型QR(s,A)的第一种实施方式：在每一个第二组合中具有一种第一无线参数时，二次回归模型为QR(s,A)＝g(s)*a²+h(s)*a+k(s)+c；其中，第一系数

第二系数

第三系数

φ(s)为预设的核转换函数，w₁、w₂、w₃分别为将多个第二小区的第三组合输入到公共模型中进行训练之后的到第一权重向量、第二权重向量、第三权重向量，d、c为常量，a＝A，a为每一个第二组合中的第一无线参数的值，x为预设的常数项。

二次回归模型QR(s,A)的第二种实施方式：在每一个第二组合中具有多种第一无线参

φ(s)为预设的核转换函数，第四系数g′(s)＝exp(β_1k)，第五系数h′(s)＝β_2k，w₁、w₂、w₃分别为将多个第二小区的第三组合输入到公共模型中进行训练之后的到第一权重向量、第二权重向量、第三权重向量，c为常量，k∈[1,M]，M为每一个第二组合中的第一无线参数的种类数，M为大于1的正整数，a_k为每一个第二组合中的第k种第一无线参数，x为预设的常数项。

可选的，无线参数预测模型为Y＝w11*f(s,A)+w12*QR(s,A)+L(s,A)；其中，f(s,A)为预设的机器学习模型，QR(s,A)为预设的二次回归模型，s为第一小区状态信息的值，A为第一无线参数的值，w11、w12为预设权重值，且w11与w12之和等于1；L(s,A)为训练后的小区模型，训练后的小区模型为机器学习模型。

示例性的，通过对小区的分析，可知，在同一种小区状态的条件下，例如小区的各小区状态信息是一个固定的数值无线参数与优化目标值之间呈凹型规则，得到一个凹形图形，即无线参数的值往小或往大调整之后，优化目标值会逐渐恶化，而凹形图形的中间波谷为优化目标值的最优值。

图4为本申请实施例提供的无线参数与优化目标值之间的关系图，如图4所示，横坐标为无线参数的不同取值，纵坐标为优化目标值；图4中小区状态中的用户速率小于5兆比特每秒(mbps)的比例。图4中的理想曲线示出了小区的小区状态稳定的时候，优化目标值的变化；图4中的实际曲线示出了小区的小区状态在不断变化的时候，优化目标值的变化。可知，在小区的小区状态稳定的时候，即小区的各小区状态信息的值不产生变化，则可以很快的得到最优的优化目标值；但是小区在不同时刻的小区状态都不同，很难得到一组无线参数的组合是可以适用于小区的各个小区状态的。本实施例可以解决如上问题。

网络参数处理设备为无线参数设置了一个初始无线参数预测模型，其中，初始无线参数预测模型由公共模型和小区模型构成。

首先，网络参数处理设备将多个第二小区的第三组合输入到公共模型Y＝w11*f(s,A)+w12*QR(s,A)中进行训练，在训练阶段，公共模型中的s为第三组合中的第二小区状态信息的值，公共模型中的A为第三组合中的第二无线参数的值；其中，w11、w12为预设权重值，且w11与w12之和等于1。在训练结束之后，可以得到训练后的公共模型。

其中，f(s,A)为预设的机器学习模型，例如，f(s,A)为以下的一种或多种：多层感知器(multi-layer perceptron，MLP)模型、随机森林(random forest，RF)模型、决策树(decision tree，DT)模型、支持向量回归(support vector regression，SVR)模型、线性回归(linear regression，LR)模型、贝叶斯回归(bayesian ridge regression，BR)模型。向f(s,A)中小区状态信息的值和无线参数的值，得到的输出为优化值。

QR(s,A)为预设的二次回归模型，在上述过程中，二次回归模型QR(s,A)有两种实施方式。

二次回归模型QR(s,A)的第一种实施方式：在需要对第一小区的一种无线参数进行优化的时候，此时，每一个第二组合中只具有一种第一无线参数，则本实施例中采用的二次回归模型为QR(s,A)＝g(s)*a²+h(s)*a+k(s)+c；其中，第一系数

第二系数

第三系数

φ(s)为预设的核转换函数，w₁、w₂、w₃分别为将多个第二小区的第三组合输入到公共模型中进行训练之后的到第一权重向量、第二权重向量、第三权重向量，d、c为常量，x为预设的常数项；优选的，x的取值为exp，即x的取值为e，则此时，二次回归模型为

此时为训练阶段，每一个第三组合具有一种第二无线参数，a＝A，a为每一个第三组合中的第二无线参数的值。

二次回归模型QR(s,A)的第二种实施方式：在需要对第一小区的多种无线参数进行优化的时候，此时，每一个第二组合中具有多种第一无线参数，则本实施例中采用的二次

预设的核转换函数；w₁、w₂、w₃分别为将多个第二小区的第三组合输入到公共模型中进行训练之后的到第一权重向量、第二权重向量、第三权重向量，c为常量；第四系数g′(s)＝exp(β_1k)，第五系数h′(s)＝β_2k。优选的，x的取值为exp，即x的取值为e，则此时，二次回归模型为

此时为训练阶段，每一个第三组合具有多种第二无线参数，k∈[1,M]，M为每一个第三组合中的第二无线参数的种类数，M为大于1的正整数，a_k为每一个第三组合中的第k种第二无线参数。

可知，采用上述公共模型可以对小区状态信息进行不同的变换，包括不限于指数、次数等变换，可以找到适合于待优化小区的各种小区状态下的无线参数。

在上述过程中，φ(s)为采用核转换处理算法而得到系数，可以将将p维数据映射到q维，即将数据升高维度，q可以等于100；φ(s)可以将数据从低维非线性空间映射到高维线性空间中。可选的，φ(s)可以选择内核近似的Nystrom方法(Nystrom kernelapproximation method)、或者径向基函数内核((radial basis function，RBF)等。

在无线参数的公共模型中，f(s,A)模型可以保证模型的精度，精度通常采用确定系数(R-Square)进行表示，精度R-Square一般可达到0.8～0.9左右。QR(s,A)模型可以保证无线参数的敏感性，可以将无线参数对优化目标值的影响力放大，可以确保无线参数能找到最优解，即确保找到最优的无线参数。然后将f(s,A)模型与QR(s,A)模型进行相加，得到上述公共模型y＝w11*f(s,A)+w12*QR(s,A)，使得公共模型的精度R-Square达到0.2～0.4左右。

然后，网络参数处理设备获取第三小区的网络数据，其中，第三小区可以是与第二小区相同或不同的小区，或者第三小区可以是与第一小区相同或不同的小区。示例性的，网络参数处理设备获取到至少一个第四组合，每一个第四组合中包括了一个第三优化目标值、至少一种第三小区状态信息的值一级至少一种第三无线参数的值。

然后，网络参数处理设备需要根据上述第四组合和小区模型，得到训练后的小区模型。示例性的，第一步，网络参数处理设备将上述至少一个第四组合，输入到训练后的公共模型中进行计算，进而训练后的公共模型可以输出每一个第四组合对应的公共模型预测值，从而网络参数处理设备得到每一个第四组合对应的公共模型预测值y_predict_common。第二步，网络参数处理设备将每一个第四组合中的第三优化目标值y，减去每一个第四组合对应的公共模型预测值y_predict_common，得到每一个第四组合的残差值y_resid。第三步，网络参数处理设备将各第四组合的残差值y_resid输入到小区模型L(s,A)中进行训练，在训练阶段，小区模型中的s为第四组合中的第三小区状态信息的值，公共模型中的A为第四组合中的第三无线参数的值。最后，就可以得到训练后的小区模型。

其中，L(s,A)预设的机器学习模型，例如，L(s,A)为以下的一种或多种：多层感知器模型、随机森林模型、决策树模型、支撑向量回归模型、线性回归模型、贝叶斯回归模型。向L(s,A)中小区状态信息的值和无线参数的值，得到的输出为优化值。

然后，网络参数处理设备将训练后的公共模型和训练后的小区模型，构成一个无线参数预测模型Y＝w11*f(s,A)+w12*QR(s,A)+L(s,A)。通过公共模型和小区模型，得到一个无线参数预测模型；该无线参数预测模型的精度R-Square一般可达到0.5～0.8左右。

205、获取第一小区的至少一个第一组合，其中，每一个第一组合包括至少一种第一小区状态信息的值。

示例性的，本实施例可以参见图2的步骤101，不再赘述。

206、将至少一个第一组合和预设的至少一个第二组合，输入到预设的无线参数预测模型中，得到每一个第二组合对应的第一优化目标值，其中，每一个第二组合包括至少一种第一无线参数的值，无线参数预测模型为根据第一小区和多个第二小区的网络数据而确定的，第二小区为与第一小区不同的小区。

示例性的，本实施例中的第二组合，可以参见图2的步骤102，不再赘述。

在本实施例中，网络参数处理设备可以根据上述步骤得到无线参数预测模型，然后网络参数处理设备将第一组合和第二组合，输入到无线参数预测模型Y＝w11*f(s,A)+w12*QR(s,A)+L(s,A)；此时，是计算第一无线参数的优化值的阶段，则无线参数预测模型中的s为第一小区状态信息的值，无线参数预测模型中的A为第一无线参数的值。

其中，训练后的公共模型为y＝w11*f(s,A)+w12*QR(s,A)；此时，是计算第一无线参数的优化值的阶段，则训练后的公共模型中的s为第一小区状态信息的值，A为第一无线参数的值。

其中，训练后的公共模型中的二次回归模型QR(s,A)有两种实施方式。

二次回归模型QR(s,A)的第一种实施方式：在需要对第一小区的一种无线参数进行优化的时候，此时，每一个第二组合中只具有一种第一无线参数，二次回归模型为QR(s,A)＝g(s)*a²+h(s)*a+k(s)+c；此时，a＝A，a为每一个第二组合中的第一无线参数的值。

二次回归模型QR(s,A)的第二种实施方式：在需要对第一小区的多种无线参数进行优化的时候，此时，每一个第二组合中具有多种第一无线参数，则本实施例中采用的二次回归模型为

此时，每一个第三组合具有多种第二无线参数，k∈[1,M]，M为每一个第二组合中的第一无线参数的种类数，a_k为每一个第二组合中的第k种第一无线参数。本实施例提供的无线参数预测模型，可以放大参数对结果值Y的影响，无线参数对Y影响小的场景下可以找到最优值，可以最大化网络性能；并且，在上述过程中，不限制小区状态信息和无线参数的个数，进而可以实现多状态多参数并行寻优。由于无线参数预测模型的表面光滑，进而不容易陷入局部最优解的问题中，可找到全局的最优值，即找到适合于待优化小区的各种小区状态下的无线参数。

207、根据每一个第二组合对应的第一优化目标值，确定第一小区的无线参数优化组合，其中，无线参数优化组合中包括每一个第一无线参数的优化值。

示例性的，本实施例可以参见图2的步骤103，不再赘述。

在本实施例中，在需要对第一小区的一种或多种无线参数进行优化的时候，可以重复执行步骤201-207，即进行N次迭代。每一次迭代计算的过程中，网络参数处理设备将上一次迭代计算得到的第一无线参数的优化值，投入到网络环境中进行运行；然后，在预设时间之后，网络参数处理设备得到新的第一组合和无线参数的真实值，并将新的第一组合作为下一次迭代过程中的第一组合，将无线参数的真实值作为下一次迭代过程中的第一无线参数的值。举例来说，若需要优化5种无线参数，则迭代次数N设置为7；若需要优化10种无线参数，则迭代次数N设置为14。

举例来说，采用本实施例的方法对第一小区的五种无线参数进行优化，同时采用现有的单小区迭代建模方法对第一小区的五种无线参数进行优化。其中，单小区迭代建模方法的过程具体包括：获取待优化的第一小区的小区状态信息和无线参数，其中，小区状态信息中包括小区的用户数、小包比例等5种小区状态信息；然后，采用传统的机器学习模型，得到无线参数的优化值；然后将无线参数的优化值投入下一轮的迭代过程中，经过多次迭代，得到最终的优化值。

图5为本申请实施例提供的迭代次数与Delta差之间的关系图，如图5所示，横坐标为迭代次数，纵坐标为推荐值与最优值之间的Delta差，Delta差的值越小越好。图5中的曲线1为采用本实施例的方法得到结果，经过3～5轮的迭代之后，Delta差结果基本收敛；曲线2为采用单小区迭代建模方法得到结果，经过40～50轮的迭代之后，Delta差结果才会基本收敛；曲线3为设置无线参数在默认值时得到的Delta差的结果。通过上述对比可知，本实施例的方法明显优于单小区迭代建模方法，且本实施例的方法的收敛速度较快。

本实施例，通过建立一个基于多个小区的网络数据联合学习而得到无线参数预测模型，使用该无线参数预测模型对小区的无线参数进行优化；由于建立起的无线参数预测模型结合了多个小区的网络数据特征，进而可以很好的对待优化小区的无线参数进行优化，即本实施例可以基于多个小区的网络数据进行联合学习。并且，本实施例中，小区状态信息所表征的小区状态可以是连续的；即可以获取待优化小区在连续时间下的小区状态信息，进而可以反映出待优化小区的网络的真实状态；还可以获取到训练小区在连续时间下的小区状态信息，进而可以反映出待优化小区的网络的真实状态；然后采用无线参数预测模型对待优化小区进行分析，可以得到适应于该待优化小区的无线参数。并且，在上述过程中，不限制小区状态信息和无线参数的个数，进而可以实现多状态多参数并行寻优。本实施例提供的无线参数预测模型，可以放大参数对结果值Y的影响，无线参数对Y影响小的场景下可以找到最优值，可以最大化网络性能；并且无线参数预测模型可以对小区状态信息进行不同的变换，包括不限于指数、次数等变换，可以找到适合于待优化小区的各种小区状态下的无线参数。本实施例提供的方法，由于无线参数预测模型的表面光滑，进而不容易陷入局部最优解的问题中，可找到全局的最优值，即找到适合于待优化小区的各种小区状态下的无线参数。

上文中详细描述了根据本申请实施例的网络参数处理方法，下面将描述本申请实施例的网络参数处理装置。

在一个示例中，图6为本申请实施例提供的一种网络参数处理装置的示意性框图。本申请实施例的装置可以是上述方法实施例中的网络参数处理设备，也可以是网络参数处理设备内的一个或多个芯片。该装置1可以用于执行上述方法实施例中的网络参数处理设备的部分或全部功能。该装置可以包括下述单元和模块。

获取单元61，用于获取第一小区的至少一个第一组合，其中，每一个第一组合包括至少一种第一小区状态信息的值；

第一输入单元62，用于将至少一个第一组合和预设的至少一个第二组合，输入到预设的无线参数预测模型中，得到每一个第二组合对应的第一优化目标值，其中，每一个第二组合包括至少一种第一无线参数的值，无线参数预测模型为根据第一小区和多个第二小区的网络数据而确定的，第二小区为与第一小区不同的小区；

第一确定单元63，用于根据每一个第二组合对应的第一优化目标值，确定第一小区的无线参数优化组合，其中，无线参数优化组合中包括每一个第一无线参数的优化值。

其中，获取单元61可以执行图2所示方法的步骤101，或者可以执行图3所示方法的步骤205；第一输入单元62可以执行图2所示方法的步骤102，或者可以执行图3所示方法的步骤205；第一确定单元63可以执行图2所示方法的步骤106，或者可以执行图3所示方法的步骤207。

图6所示实施例的网络参数处理装置可用于执行上述方法中图2所示实施例的技术方案，其实现原理和技术效果类似，此处不再赘述。

在另一个示例中，图7为本申请实施例提供的另一种网络参数处理装置的示意性框图。在图6所示装置的基础上，如图7所示，该装置中，还包括：

第二输入单元71，用于获取每一个第二小区的至少一个第三组合，其中，每一个第三组合包括第二优化目标值、至少一种第二小区状态信息的值和至少一种第二无线参数的值。其中，第二输入单元71可以执行图3所示方法的步骤201。

第二确定单元72，用于根据多个第二小区的第三组合和预设的初始无线参数预测模型，确定无线参数预测模型。其中，第二确定单元72可以执行图3所示方法的步骤204。

可选的，初始无线参数预测模型中包括公共模型和小区模型；则第二确定单元72，包括：

训练模块721，用于将多个第二小区的第三组合输入到公共模型中进行训练，得到训练后的公共模型；其中，训练模块721可以执行图3所示方法的步骤2041。

获取模块722，用于获取第三小区的至少一个第四组合，其中，每一个第四组合包括第三优化目标值、至少一种第三小区状态信息的值和至少一种第三无线参数的值，第三小区为与第二小区相同或不同的小区，或者第三小区为与第一小区相同或不同的小区；其中，第一获取模块722可以执行图3所示方法的步骤2042。

第一确定模块723，用于根据至少一个第四组合和小区模型，确定训练后的小区模型；其中，第一确定模块723可以执行图3所示方法的步骤2043。

第二确定模块724，用于根据训练后的公共模型和训练后的小区模型，确定无线参数预测模型；其中，第二确定模块724可以执行图3所示方法的步骤2044。

可选的，第一确定模块723，具体用于：将至少一个第四组合，输入到训练后的公共模型中，得到每一个第四组合对应的公共模型预测值；根据每一个第四组合对应的公共模型预测值和每一个第四组合中的第三优化目标值，确定每一个第四组合的残差值；将每一个第四组合的残差值输入到小区模型中进行训练，得到训练后的小区模型。此时，第一确定模块723可以执行图3所示方法的步骤2043a-2043c。

可选的，训练后的公共模型为y＝w11*f(s,A)+w12*QR(s,A)；其中，f(s,A)为预设的机器学习模型，QR(s,A)为预设的二次回归模型，s为第一小区状态信息的值，A为第一无线参数的值，w11、w12为预设权重值，且w11与w12之和等于1。

可选的，在每一个第二组合中具有一种第一无线参数时，二次回归模型为QR(s,A)＝g(s)*a²+h(s)*a+k(s)+c；其中，第一系数

第二系数

第三系数

φ(s)为预设的核转换函数，w₁、w₂、w₃分别为将多个第二小区的第三组合输入到公共模型中进行训练之后的到第一权重向量、第二权重向量、第三权重向量，d、c为常量，a＝A，a为每一个第二组合中的第一无线参数的值，x为预设的常数项。

可选的，在每一个第二组合中具有多种第一无线参数时，二次回归模型为

核转换函数，第四系数g′(s)＝ex p(β_1k)，第五系数h′(s)＝β_2k，w₁、w₂、w₃分别为将多个第二小区的第三组合输入到公共模型中进行训练之后的到第一权重向量、第二权重向量、第三权重向量，c为常量，k∈[1,M]，M为每一个第二组合中的第一无线参数的种类数，M为大于1的正整数，a_k为每一个第二组合中的第k种第一无线参数，x为预设的常数项。

可选的，无线参数预测模型为Y＝w11*f(s,A)+w12*QR(s,A)+L(s,A)；其中，f(s,A)为预设的机器学习模型，QR(s,A)为预设的二次回归模型，s为第一小区状态信息的值，A为第一无线参数的值，w11、w12为预设权重值，且w11与w12之和等于1；L(s,A)为训练后的小区模型，训练后的小区模型为机器学习模型。

可选的，该装置，还包括：

归一化单元73，用于在第二确定单元72根据多个第二小区的第三组合和预设的初始无线参数预测模型，确定无线参数预测模型之前，对第三组合的第二小区状态信息的值进行归一化处理，得到归一化处理后的第三组合。其中，归一化单元73可以执行图3所示方法的步骤202。

降维单元74，用于对归一化处理后的第三组合中的第二小区状态信息进行降维处理，得到降维处理后的第三组合。其中，降维单元74可以执行图3所示方法的步骤203。

可选的，归一化单元73，具体用于：根据归属于同一种第二小区状态信息的第二小区状态信息的值，确定同一种第二小区状态信息的均值和方差；根据同一种第二小区状态信息的均值和方差，确定每一个第三组合中的第二小区状态信息的归一化值。其中，归一化单元73可以执行图3所示方法的步骤2021-2022。

可选的，第一输入单元62，包括：

组合模块624，用于将不同的第一组合和不同的第二组合进行两两组合，得到多个第五组合，其中，每一个第五组合包括一个第一组合和一个第二组合。其中，组合模块621可以执行图2所示方法的步骤1021。

输入模块622，用于将每一个第五组合输入到无线参数预测模型中，得到每一个第五组合对应的输出值。其中，输入模块622可以执行图2所示方法的步骤1022。

第三确定模块623，用于根据每一个第五组合对应的输出值，确定归属于同一个第二组合对应的输出值作为同一个第二组合对应的第一优化目标值。其中，第三确定模块623可以执行图2所示方法的步骤1023。

可选的，第一确定单元63，包括：

第四确定模块631，用于根据每一个第二组合对应的第一优化目标值，确定每一个第二组合对应的第一优化目标值的均值。其中，第四确定模块631可以执行图2所示方法的步骤1031。

第五确定模块632，用于确定均值最大或最小的第二组合，作为第一小区的无线参数优化组合。其中，第五确定模块632可以执行图2所示方法的步骤1032。

图7所示实施例的网络参数处理装置可用于执行上述方法中图3所示实施例的技术方案，其实现原理和技术效果类似，此处不再赘述。

并且，本实施例的实施不依赖于图6所示的实施例是否实施，本实施例可以独立实施。

图8为本申请实施例提供的一种网络参数处理设备的结构示意图。如图8所示，该网络参数处理设备包括发送器261、接收器262和处理器263。

其中，处理器263用于执行图2的各步骤，或者，处理器263用于执行图3的各步骤。处理器263用于实现图6和图7的各单元和模块。

图8所示实施例的网络参数处理设备可用于执行上述方法实施例的技术方案，或者图6、图7所示实施例各个单元和模块的程序，处理器263调用该程序，执行以上方法实施例的操作，以实现图6、图7所示的各个模块。

其中，处理器263也可以为控制器，图8中表示为“控制器/处理器263”。发送器261和接收器262用于支持网络参数处理设备与上述实施例中的网络环境中的各设备之间收发信息，以及支持网络参数处理设备与上述实施例中的网络环境中的各设备之间进行通信。

进一步的，网络参数处理设备还可以包括存储器264，存储器264用于存储网络参数处理设备的程序代码和数据。进一步的，网络参数处理设备还可以包括通信接口265。

处理器263例如中央处理器(Central Processing Unit，CPU)，还可以是被配置成实施以上方法的一个或多个集成电路，例如：一个或多个特定集成电路(ApplicationSpecific Integrated Circuit，ASIC)，或，一个或多个微处理器(digital singnalprocessor，DSP)，或，一个或者多个现场可编程门阵列(Field Programmable Gate Array，FPGA)等。存储器264可以是一个存储器，也可以是多个存储元件的统称。

需要说明的是，本申请实施例提供的图8的网络参数处理设备所包含的发送器261对应前述方法实施例中可以执行发送动作，处理器263执行处理动作，接收器可以执行接收动作。具体可参考前述方法实施例。

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。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述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所述计算机程序指令时，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，DVD)、或者半导体介质(例如，固态硬盘(Solid State Disk，SSD))等。

本领域技术人员应该可以意识到，在上述一个或多个示例中，本申请实施例所描述的功能可以用硬件、软件、固件或它们的任意组合来实现。当使用软件实现时，可以将这些功能存储在计算机可读介质中或者作为计算机可读介质上的一个或多个指令或代码进行传输。计算机可读介质包括计算机存储介质和通信介质，其中通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。存储介质可以是通用或专用计算机能够存取的任何可用介质。

Claims (24)

1.一种网络参数处理方法，其特征在于，包括：

获取第一小区的至少一个第一组合，其中，每一个所述第一组合包括至少一种第一小区状态信息的值；

将所述至少一个第一组合和预设的至少一个第二组合，输入到预设的无线参数预测模型中，得到每一个所述第二组合对应的第一优化目标值，其中，每一个所述第二组合包括至少一种第一无线参数的值，所述无线参数预测模型为根据所述第一小区和多个第二小区的网络数据而确定的，所述第二小区为与所述第一小区不同的小区；

根据每一个所述第二组合对应的第一优化目标值，确定所述第一小区的无线参数优化组合，其中，所述无线参数优化组合中包括每一个所述第一无线参数的优化值。

2.根据权利要求1所述的方法，其特征在于，所述方法，还包括：

获取每一个所述第二小区的至少一个第三组合，其中，每一个所述第三组合包括第二优化目标值、至少一种第二小区状态信息的值和至少一种第二无线参数的值；

根据多个所述第二小区的第三组合和预设的初始无线参数预测模型，确定所述无线参数预测模型。

3.根据权利要求2所述的方法，其特征在于，所述初始无线参数预测模型中包括公共模型和小区模型；

根据多个所述第二小区的第三组合和预设的初始无线参数预测模型，确定所述无线参数预测模型，包括：

将多个所述第二小区的第三组合输入到所述公共模型中进行训练，得到训练后的公共模型；

获取第三小区的至少一个第四组合，其中，每一个所述第四组合包括第三优化目标值、至少一种第三小区状态信息的值和至少一种第三无线参数的值，所述第三小区为与所述第二小区相同或不同的小区，或者所述第三小区为与所述第一小区相同或不同的小区；

根据所述至少一个第四组合和所述小区模型，确定训练后的小区模型；

根据所述训练后的公共模型和所述训练后的小区模型，确定所述无线参数预测模型。

4.根据权利要求3所述的方法，其特征在于，根据所述至少一个第四组合和所述小区模型，确定训练后的小区模型，包括：

将所述至少一个第四组合，输入到所述训练后的公共模型中，得到每一个所述第四组合对应的公共模型预测值；

根据每一个所述第四组合对应的公共模型预测值和每一个所述第四组合中的第三优化目标值，确定每一个所述第四组合的残差值；

将每一个所述第四组合的残差值输入到所述小区模型中进行训练，得到所述训练后的小区模型。

5.根据权利要求3所述的方法，其特征在于，所述训练后的公共模型为y＝w11*f(s，A)+w12*QR(s，A)；

其中，f(s，A)为预设的机器学习模型，QR(s，A)为预设的二次回归模型，s为所述第一小区状态信息的值，A为所述第一无线参数的值，w11、w12为预设权重值，且w11与w12之和等于1。

6.根据权利要求5所述的方法，其特征在于，在每一个所述第二组合中具有一种第一无线参数时，所述二次回归模型为QR(s，A)＝g(s)*a²+h(s)*a+k(s)+c；

其中，第一系数

第二系数

第三系数

φ(s)为预设的核转换函数，w₁、w₂、w₃分别为将多个所述第二小区的第三组合输入到所述公共模型中进行训练之后的到第一权重向量、第二权重向量、第三权重向量，d、c为常量，a＝A，a为每一个所述第二组合中的第一无线参数的值，x为预设的常数项。

7.根据权利要求5所述的方法，其特征在于，在每一个所述第二组合中具有多种第一无线参数时，所述二次回归模型为

其中，第一系数

第二系数

第三系数

φ(s)为预设的核转换函数，第四系数g′(s)＝exp(β_1k)，第五系数h′(s)＝β_2k，w₁、w₂、w₃分别为将多个所述第二小区的第三组合输入到所述公共模型中进行训练之后的到第一权重向量、第二权重向量、第三权重向量，c为常量，k∈[1，M]，M为每一个所述第二组合中的第一无线参数的种类数，M为大于1的正整数，a_k为每一个所述第二组合中的第k种第一无线参数，x为预设的常数项。

8.根据权利要求3-7任一项所述的方法，其特征在于，所述无线参数预测模型为Y＝w11*f(s，A)+w12*QR(s，A)+L(s，A)；

其中，f(s，A)为预设的机器学习模型，QR(s，A)为预设的二次回归模型，s为所述第一小区状态信息的值，A为所述第一无线参数的值，w11、w12为预设权重值，且w11与w12之和等于1；L(s，A)为所述训练后的小区模型，所述训练后的小区模型为机器学习模型。

9.根据权利要求2-7任一项所述的方法，其特征在于，在根据多个所述第二小区的第三组合和预设的初始无线参数预测模型，确定所述无线参数预测模型之前，还包括：

对所述第三组合的第二小区状态信息的值进行归一化处理，得到归一化处理后的第三组合；

对所述归一化处理后的第三组合中的第二小区状态信息进行降维处理，得到降维处理后的第三组合。

10.根据权利要求9所述的方法，其特征在于，对所述第三组合的第二小区状态信息的值进行归一化处理，得到归一化处理后的第三组合，包括：

根据归属于同一种第二小区状态信息的第二小区状态信息的值，确定同一种第二小区状态信息的均值和方差；

根据同一种第二小区状态信息的均值和方差，确定每一个所述第三组合中的第二小区状态信息的归一化值。

11.根据权利要求1-7、10任一项所述的方法，其特征在于，将所述至少一个第一组合和预设的至少一个第二组合，输入到预设的无线参数预测模型中，得到每一个所述第二组合对应的第一优化目标值，包括：

将不同的所述第一组合和不同的所述第二组合进行两两组合，得到多个第五组合，其中，每一个所述第五组合包括一个所述第一组合和一个所述第二组合；

将每一个所述第五组合输入到所述无线参数预测模型中，得到每一个所述第五组合对应的输出值；

根据每一个所述第五组合对应的输出值，确定归属于同一个第二组合对应的输出值作为同一个第二组合对应的第一优化目标值；

根据每一个所述第二组合对应的第一优化目标值，确定所述第一小区的无线参数优化组合，包括：

根据每一个所述第二组合对应的第一优化目标值，确定每一个所述第二组合对应的第一优化目标值的均值；

确定均值最大或最小的第二组合，作为所述第一小区的无线参数优化组合。

12.一种网络参数处理装置，其特征在于，包括：

获取单元，用于获取第一小区的至少一个第一组合，其中，每一个所述第一组合包括至少一种第一小区状态信息的值；

第一输入单元，用于将所述至少一个第一组合和预设的至少一个第二组合，输入到预设的无线参数预测模型中，得到每一个所述第二组合对应的第一优化目标值，其中，每一个所述第二组合包括至少一种第一无线参数的值，所述无线参数预测模型为根据所述第一小区和多个第二小区的网络数据而确定的，所述第二小区为与所述第一小区不同的小区；

第一确定单元，用于根据每一个所述第二组合对应的第一优化目标值，确定所述第一小区的无线参数优化组合，其中，所述无线参数优化组合中包括每一个所述第一无线参数的优化值。

13.根据权利要求12所述的装置，其特征在于，所述装置，还包括：

第二输入单元，用于获取每一个所述第二小区的至少一个第三组合，其中，每一个所述第三组合包括第二优化目标值、至少一种第二小区状态信息的值和至少一种第二无线参数的值；

第二确定单元，用于根据多个所述第二小区的第三组合和预设的初始无线参数预测模型，确定所述无线参数预测模型。

14.根据权利要求13所述的装置，其特征在于，所述初始无线参数预测模型中包括公共模型和小区模型；

所述第二确定单元，包括：

训练模块，用于将多个所述第二小区的第三组合输入到所述公共模型中进行训练，得到训练后的公共模型；

获取模块，用于获取第三小区的至少一个第四组合，其中，每一个所述第四组合包括第三优化目标值、至少一种第三小区状态信息的值和至少一种第三无线参数的值，所述第三小区为与所述第二小区相同或不同的小区，或者所述第三小区为与所述第一小区相同或不同的小区；

第一确定模块，用于根据所述至少一个第四组合和所述小区模型，确定训练后的小区模型；

第二确定模块，用于根据所述训练后的公共模型和所述训练后的小区模型，确定所述无线参数预测模型。

15.根据权利要求14所述的装置，其特征在于，所述第一确定模块，具体用于：

将所述至少一个第四组合，输入到所述训练后的公共模型中，得到每一个所述第四组合对应的公共模型预测值；

根据每一个所述第四组合对应的公共模型预测值和每一个所述第四组合中的第三优化目标值，确定每一个所述第四组合的残差值；

将每一个所述第四组合的残差值输入到所述小区模型中进行训练，得到所述训练后的小区模型。

16.根据权利要求14所述的装置，其特征在于，所述训练后的公共模型为y＝w11*f(s，A)+w12*QR(s，A)；

其中，f(s，A)为预设的机器学习模型，QR(s，A)为预设的二次回归模型，s为所述第一小区状态信息的值，A为所述第一无线参数的值，w11、w12为预设权重值，且w11与w12之和等于1。

17.根据权利要求16所述的装置，其特征在于，在每一个所述第二组合中具有一种第一无线参数时，所述二次回归模型为QR(s，A)＝g(s)*a²+h(s)*a+k(s)+c；

其中，第一系数

第二系数

第三系数

φ(s)为预设的核转换函数，w₁、w₂、w₃分别为将多个所述第二小区的第三组合输入到所述公共模型中进行训练之后的到第一权重向量、第二权重向量、第三权重向量，d、c为常量，a＝A，a为每一个所述第二组合中的第一无线参数的值，x为预设的常数项。

18.根据权利要求16所述的装置，其特征在于，在每一个所述第二组合中具有多种第一无线参数时，所述二次回归模型为

φ(s)为预设的核转换函数，第四系数g′(s)＝exp(β_1k)，第五系数h′(s)＝β_2k，w₁、w₂、w₃分别为将多个所述第二小区的第三组合输入到所述公共模型中进行训练之后的到第一权重向量、第二权重向量、第三权重向量，c为常量，k∈[1，M]，M为每一个所述第二组合中的第一无线参数的种类数，M为大于1的正整数，a_k为每一个所述第二组合中的第k种第一无线参数，x为预设的常数项。

19.根据权利要求14-18任一项所述的装置，其特征在于，所述无线参数预测模型为Y＝w11*f(s，A)+w12*QR(s，A)+L(s，A)；

其中，f(s，A)为预设的机器学习模型，QR(s，A)为预设的二次回归模型，s为所述第一小区状态信息的值，A为所述第一无线参数的值，w11、w12为预设权重值，且w11与w12之和等于1；L(s，A)为所述训练后的小区模型，所述训练后的小区模型为机器学习模型。

20.根据权利要求13-18任一项所述的装置，其特征在于，所述装置，还包括：

归一化单元，用于在所述第二确定单元根据多个所述第二小区的第三组合和预设的初始无线参数预测模型，确定所述无线参数预测模型之前，对所述第三组合的第二小区状态信息的值进行归一化处理，得到归一化处理后的第三组合；

降维单元，用于对所述归一化处理后的第三组合中的第二小区状态信息进行降维处理，得到降维处理后的第三组合。

21.根据权利要求20所述的装置，其特征在于，所述归一化单元，具体用于：

根据归属于同一种第二小区状态信息的第二小区状态信息的值，确定同一种第二小区状态信息的均值和方差；

根据同一种第二小区状态信息的均值和方差，确定每一个所述第三组合中的第二小区状态信息的归一化值。

22.根据权利要求12-18、21任一项所述的装置，其特征在于，所述第一输入单元，包括：

组合模块，用于将不同的所述第一组合和不同的所述第二组合进行两两组合，得到多个第五组合，其中，每一个所述第五组合包括一个所述第一组合和一个所述第二组合；

输入模块，用于将每一个所述第五组合输入到所述无线参数预测模型中，得到每一个所述第五组合对应的输出值；

第三确定模块，用于根据每一个所述第五组合对应的输出值，确定归属于同一个第二组合对应的输出值作为同一个第二组合对应的第一优化目标值；

所述第一确定单元，包括：

第四确定模块，用于根据每一个所述第二组合对应的第一优化目标值，确定每一个所述第二组合对应的第一优化目标值的均值；

第五确定模块，用于确定均值最大或最小的第二组合，作为所述第一小区的无线参数优化组合。

23.一种网络参数处理设备，其特征在于，包括：发送器、接收器、存储器和处理器；

所述存储器用于存储计算机指令；所述处理器用于运行所述存储器存储的所述计算机指令实现权利要求1-11任一项所述的方法。

24.一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，当所述指令在计算机上运行时，使得计算机执行如权利要求1-11任一项所述的方法。

Images