CN111372265B - 天线参数配置方法、装置、系统及计算机可读存储介质 - Google Patents

Abstract

本公开提供了一种天线参数配置方法、装置、系统及计算机可读存储介质，涉及天线技术领域，所述方法包括：从室内基带处理单元获取至少一个初始天线参数对应的状态信息，所述状态信息包括小区内的无线资源控制连接数、小区吞吐量、小区内用户的下行平均速率和小区频谱效率；基于所述状态信息，利用机器学习模型确定每个初始天线参数对应的目标天线参数；将每个目标天线参数发送至室内基带处理单元，以便室内基带处理单元将每个初始天线参数调节为对应的目标天线参数。

Description

天线参数配置方法、装置、系统及计算机可读存储介质

技术领域

本公开涉及天线技术领域，尤其是一种天线参数配置方法、装置、系统及计算机可读存储介质。

背景技术

随着5G即将规模部署，作为5G新空口的核心技术，由于支持超高接入速率，大规模多输入多输出(Massive MIMO)天线将被加速推广。

目前，Massive MIMO天线的天线参数只能人工静态配置，配置后不能改变。

发明内容

发明人注意到，静态配置的天线参数很难在各种场景下达到小区的覆盖最佳，性能最优，无法充分发挥Massive MIMO天线的性能优势。

为此，本公开实施例提出了如下技术方案。

根据本公开实施例的一方面，提供一种天线参数配置方法，包括：从室内基带处理单元获取至少一个初始天线参数对应的状态信息，所述状态信息包括小区内的无线资源控制连接数、小区吞吐量、小区内用户的下行平均速率和小区频谱效率；基于所述状态信息，利用机器学习模型确定每个初始天线参数对应的目标天线参数；将每个目标天线参数发送至室内基带处理单元，以便室内基带处理单元将每个初始天线参数调节为对应的目标天线参数。

在一些实施例中，基于所述状态信息，利用机器学习模型确定每个初始天线参数对应的目标天线参数包括：基于所述状态信息，利用所述机器学习模型确定每个初始天线参数的调节方式；将所述调节方式发送至室内基带处理单元，以便室内基带处理单元根据所述调节方式对该初始天线参数进行调节以得到新天线参数；从室内基带处理单元获取与所述新天线参数对应的新状态信息；基于所述新状态信息确定所述调节方式的调节结果；在所述调节结果满足预设条件的情况下，保存所述状态信息、所述调节方式和所述调节结果的对应关系；以所述新状态信息作为所述状态信息、以所述新天线参数作为初始天线参数，重复执行所述基于所述状态信息，利用所述机器学习模型确定每个初始天线参数的调节方式的步骤，从而得到多个所述对应关系；将多个所述对应关系中调节结果最优的调节方式对应的新天线参数确定为该初始天线参数对应的目标天线参数。

在一些实施例中，在每次重复执行所述基于所述状态信息，利用所述机器学习模型确定每个初始天线参数的调节方式的步骤中，所确定的调节方式是已保存的对应关系中的调节方式的概率为第一概率，所确定的调节方式不是已保存的对应关系中的调节方式的概率为第二概率，所述第一概率大于所述第二概率、且二者之和为1。

在一些实施例中，基于所述状态信息，利用所述机器学习模型确定每个初始天线参数的调节方式包括：对所述状态信息中的每项状态的状态值进行加权求和，以得到状态求和值，其中，每项状态的权值为0-1；以所述状态求和值作为输入，利用所述机器学习模型确定每个初始天线参数的调节方式。

在一些实施例中，所述至少一个初始天线参数包括水平波瓣宽度、垂直波瓣宽度、方位角和下倾角中的一个或多个。

根据本公开实施例的另一方面，提供一种天线参数配置装置，包括：获取模块，用于从室内基带处理单元获取至少一个初始天线参数对应的状态信息，所述状态信息包括小区内的无线资源控制连接数、小区吞吐量、小区内用户的下行平均速率和小区频谱效率；确定模块，用于基于所述状态信息，利用机器学习模型确定每个初始天线参数对应的目标天线参数；发送模块，用于将每个目标天线参数发送至室内基带处理单元，以便室内基带处理单元将每个初始天线参数调节为对应的目标天线参数。

在一些实施例中，所述确定模块用于：基于所述状态信息，利用所述机器学习模型确定每个初始天线参数的调节方式；将所述调节方式发送至室内基带处理单元，以便室内基带处理单元根据所述调节方式对该初始天线参数进行调节以得到新天线参数；从室内基带处理单元获取与所述新天线参数对应的新状态信息；基于所述新状态信息确定所述调节方式的调节结果；在所述调节结果满足预设条件的情况下，保存所述状态信息、所述调节方式和所述调节结果的对应关系；以所述新状态信息作为所述状态信息、以所述新天线参数作为初始天线参数，重复执行所述基于所述状态信息，利用所述机器学习模型确定每个初始天线参数的调节方式的步骤，从而得到多个所述对应关系；将多个所述对应关系中调节结果最优的调节方式对应的新天线参数确定为该初始天线参数对应的目标天线参数。

在一些实施例中，在每次重复执行所述基于所述状态信息，利用所述机器学习模型确定每个初始天线参数的调节方式的步骤中，所确定的调节方式是已保存的对应关系中的调节方式的概率为第一概率，所确定的调节方式不是已保存的对应关系中的调节方式的概率为第二概率，所述第一概率大于所述第二概率、且二者之和为1。

在一些实施例中，所述确定模块用于：对所述状态信息中的每项状态的状态值进行加权求和，以得到状态求和值，其中，每项状态的权值为0-1；以所述状态求和值作为输入，利用所述机器学习模型确定每个初始天线参数的调节方式。

在一些实施例中，所述至少一个初始天线参数包括水平波瓣宽度、垂直波瓣宽度、方位角和下倾角中的一个或多个。

根据本公开实施例的又一方面，提供一种天线参数配置装置，包括：存储器；以及耦接至所述存储器的处理器，所述处理器被配置为基于存储在所述存储器的指令执行上述任意一个实施例所述的方法。

根据本公开实施例的再一方面，提供一种天线参数配置系统，包括：上述任意一个实施例所述的天线参数配置装置；和室内基带处理单元，用于采集至少一个初始天线参数对应的状态信息，所述状态信息包括小区内的无线资源控制连接数、小区吞吐量、小区内用户的下行平均速率和小区频谱效率；接收所述天线参数配置装置发送的每个初始天线参数对应的目标天线参数，并将每个初始天线参数调节为对应的目标天线参数。

根据本公开实施例的还一方面，提供一种计算机可读存储介质，其上存储有计算机程序指令，该指令被处理器执行时实现上述任意一个实施例所述的方法。

本公开实施例中，基于状态信息可以确定每个初始天线参数对应的目标天线参数，进而由室内基带处理单元将每个初始天线参数调节为对应的目标天线参数。这样的方式下，天线的天线参数不再是静态配置，而是基于当前的状态信息而动态地改变，有利于提升天线的性能。另外，无需人工手动配置，可以提高运维效率，降低运维成本。

下面通过附图和实施例，对本公开的技术方案做进一步的详细描述。

附图说明

为了更清楚地说明本公开实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是根据本公开一些实施例的天线参数配置方法的流程示意图；

图2是根据本公开一些实现方式的确定每个初始天线参数对应的目标天线参数的流程示意图；

图3是根据本公开一些实施例的天线参数配置装置的结构示意图；

图4是根据本公开另一些实施例的天线参数配置装置的结构示意图；

图5是根据本公开又一些实施例的天线参数配置系统的结构示意图。

具体实施方式

下面将结合本公开实施例中的附图，对本公开实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。基于本公开中的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本公开保护的范围。

除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本公开的范围。

同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。

对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为授权说明书的一部分。

在这里示出和讨论的所有示例中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它示例可以具有不同的值。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。

图1是根据本公开一些实施例的天线参数配置方法的流程示意图。该方法适于但不限于对Massive MIMO智能天线的天线参数进行配置。

在步骤102，从室内基带处理单元(BBU)获取至少一个初始天线参数对应的状态信息。这里，状态信息包括小区内的无线资源控制(RRC)连接数、小区吞吐量、小区内用户的下行平均速率和小区频谱效率。

在一些实施例中，至少一个初始天线参数包括水平波瓣宽度、垂直波瓣宽度、方位角和下倾角中的一个或多个。

在步骤104，基于状态信息，利用机器学习模型确定每个初始天线参数对应的目标天线参数。

机器学习模型例如可以包括但不限于卷积神经网络模型等。后文将结合图2介绍确定每个初始天线参数对应的目标天线参数的示例性具体实现方式。

在步骤106，将每个目标天线参数发送至室内基带处理单元，以便室内基带处理单元将每个初始天线参数调节为对应的目标天线参数。

上述实施例中，基于状态信息可以确定每个初始天线参数对应的目标天线参数，进而由室内基带处理单元将每个初始天线参数调节为对应的目标天线参数。这样的方式下，天线的天线参数不再是静态配置，而是基于当前的状态信息而动态地改变，有利于提升天线的性能。

图2是根据本公开一些实现方式的确定每个初始天线参数对应的目标天线参数的流程示意图。应理解，对于每个初始天线参数，均可以按照图2所示流程分别确定每个初始天线参数对应的目标天线参数。

在步骤202，基于状态信息，利用机器学习模型确定每个初始天线参数的调节方式。

在一些实现方式中，可以先对状态信息中的每项状态的状态值进行加权求和，以得到状态求和值，其中，每项状态的权值为0-1；然后，以状态求和值作为输入，利用机器学习模型确定每个初始天线参数的调节方式。

例如，状态求和值＝α*RRC连接数+β*小区吞吐量+ξ*小区内用户的下行平均速率+λ*小区频谱效率，α、β、ξ和λ这4个权值分别代表RRC连接数、小区吞吐量、小区内用户的下行平均速率和小区频谱效率在小区用户的整体体验中的重要程度，取值范围皆为0-1。例如，α＝0.8，β＝0.4，ξ＝0.6，λ＝0.9，这种情况表示小区频谱效率最重要，小区吞吐量最不重要。

在步骤204，将调节方式发送至室内基带处理单元，以便室内基带处理单元根据调节方式对该初始天线参数进行调节以得到新天线参数。

在一些实施例中，每次确定的初始天线参数的调节方式可以是下列动作集合中的一个：{水平波瓣宽度+，水平波瓣宽度-，垂直波瓣宽度+，垂直波瓣宽度-，方位角+，方位角-，下倾角+，下倾角-}。“+”表示增大，“-”表示减小。

可以预先设定每个初始天线参数的调节步长，例如可以设为5度。例如，若选择动作水平波瓣宽度+，意味着将水平波瓣宽度增加5度；又例如，若选择动作方位角-，意味着将方位角减小5度。

在步骤206，从室内基带处理单元获取与新天线参数对应的新状态信息。

在对初始天线参数进行调节后，天线的天线参数变为新天线参数。由于天线参数的变化，状态信息也会发生变化，即小区内的无线资源控制连接数、小区吞吐量、小区内用户的下行平均速率和小区频谱效率也会发生变化，从而得到新状态信息。

在步骤208，基于新状态信息确定调节方式的调节结果。

在一些实现方式中，调节方式的调节结果可以利用小区内的用户满意度来衡量。例如，可以将新状态信息{RRC连接数，小区吞吐量，小区内用户的下行平均速率，小区频谱效率}中的每项状态的状态值划分为多个等级，并对每个等级赋予对应的奖励，进而确定小区内的用户满意度。

例如，多个等级可以包括A(15)、B(10)、C(5)、D(-5)、E(-10)五个等级，每个等级对应的奖励可以分别为15、10、5、-5、-10。这里，等级A、B、C对应的奖励示例性地为正值，等级D和E对应的奖励示例性地为负值。等级越高，表示每个状态的状态值越大。以RRC连接数为例，A等级表示小区能达到的最高RRC连接数，B、C、D、E等级表示RRC连接数逐渐减小。

新状态信息对应的用户满意度一共有5*4＝20个级别。在RRC连接数、小区吞吐量、小区内用户的下行平均速率和小区频谱效率的等级都为A时，用户满意度达到最佳；相反，在都为E时，用户满意度达到最差。

用户满意度可以用奖励来衡量，例如，用户满意度越高，奖励越大。例如，新状态信息{E，E，E，E}对应的奖励为-40，新状态信息{C，C，D，D}对应的奖励为0，新状态信息{A，A，A，A}奖励为60。

在步骤210，在调节结果满足预设条件的情况下，保存状态信息、调节方式和调节结果的对应关系。

例如，在新状态信息对应的奖励为正奖励的情况下，视为调节结果满足预设条件。这种情况下，保存状态信息、调节方式和调节结果的对应关系，以便后续再次利用保存的对应关系中的调节方式。

例如，在新状态信息对应的奖励为负奖励或0的情况下，视为调节结果不满足预设条件。这种情况下，不保存状态信息、调节方式和调节结果的对应关系。

在步骤212，以新状态信息作为状态信息、以新天线参数作为初始天线参数，返回步骤202，以重复执行步骤202-步骤210，从而得到多个对应关系。

例如，可以预先设定重复次数，以使得机器学习模型在预设重复次数内收敛。

在一些实现方式中，在每次重复执行步骤202，即基于状态信息，利用机器学习模型确定每个初始天线参数的调节方式的步骤中，所确定的调节方式是已保存的对应关系中的调节方式的概率为第一概率，所确定的调节方式不是已保存的对应关系中的调节方式的概率为第二概率，第一概率大于第二概率、且二者之和为1。这样的方式下，一方面，以第一概率基于已有的调节方式进行调节，避免机器学习模型的学习速率每次都探索新的调节方式；另一方面，以第二概率基于非已有的调节方式进行调节，可以使得机器学习模型确定更有价值的新的调节方式。

在步骤214，将多个对应关系中调节结果最优的调节方式对应的新天线参数确定为该初始天线参数对应的目标天线参数。

在初始天线参数为多个的情况下，按照图2所示流程可以确定每个初始天线参数对应的目标天线参数。进而，可以将每个初始天线参数对应的目标天线参数保存到数据库中。

上述实施例中，在每次通过确定的调节方式对初始天线参数进行调节得到新天线参数后，判断调节方式的调节结果是否满足预设条件，在满足预设条件的情况下，保存状态信息、调节方式和调节结果的对应关系，从而可以得到多个对应关系。进而，可以将多个对应关系中调节结果最优的调节方式对应的新天线参数确定为该初始天线参数对应的目标天线参数。这样的方式可以使得目标天线参数对应的调节结果最优。

下面列举一个具体示例说明对Massive MIMO天线的天线进行调整的过程。

1)从数据库中获取特定状态信息下Massive MIMO天线的初始天线参数，并发送给室内基带处理单元，以便室内基带处理单元Massive MIMO天线的天线参数。

2)设定环境预设值：贪婪度EPSILON＝0.1，学习率ALPHA＝0.1，奖励衰减值GAMMA＝0.9，最大回合数MAX_STEP＝50。

贪婪度EPSILON表示机器学习模型选择已有的固定行为或随机行为的概率，范围为[0，1]。

机器学习模型每次采取新调节方式(即执行新动作)后的奖励需要加上采取下一个调节方式(即执行下一个动作)后的奖励。为了避免在重复采取同一调节方式后得到的奖励相同，需要将采取下一个调节方式后的奖励进行衰减，即乘以奖励衰减值GAMMA。奖励衰减值GAMMA的范围为[0，1]。

最大回合数MAX_STEP即机器学习模型重复执行步骤202-步骤210的次数。

3)初始化Q表：在Q表中写入每个状态信息对应的每个调节方式的奖励值。Q表即行为准则(好调节方式-奖励高，坏调节方式-奖励低)，Q表用来存储Q值-Q(S，A)，S-状态信息，A-调节方式。

4)挑选行为：例如，EPSILON＝0.1，表示机器学习模型有90％(1-EPSILON)的概率根据已有经验行动，剩下10％(EPSILON)的概率随机行动。即，机器学习模型有90％的概率将已保存的调节方式作为所确定的调节方式，有10％的概率将非已保存的调节方式作为所确定的调节方式。

在Q(S，A)表中，S(状态信息)为Massive MIMO天线被赋予初始天线参数后的状态信息，即，α*RRC连接数+β*小区吞吐量+ξ*小区用户平均速率+λ*小区频谱效率。A(调节方式)为{水平波瓣宽度+，水平波瓣宽度-，垂直波瓣宽度+，垂直波瓣宽度-，方位角+，方位角-，下倾角+，下倾角-}中的一个。

5)环境反馈：获取调节方式执行后新状态信息对应的奖励。

6)更新Q表：根据公式Q[state,action]＝(1-ALPHA)*Q[state,action]+ALPHA*(reward+GAMMA*Q[new_state,new_action])不断更新Q表，直到奖励达到最优为止。state和action分别为当前状态信息和当前状态信息对应的调节方式，reward为在执行当前状态信息对应的调节方式后的奖励，new_state和new_action分别为新状态信息和新状态信息对应的调节方式。

在得到最优奖励后，可以得到Massive MIMO天线对应的目标天线参数。

本说明书中各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似的部分相互参见即可。对于装置实施例而言，由于其与方法实施例基本对应，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

图3是根据本公开一些实施例的天线参数配置装置的结构示意图。如图3所示，该实施例的装置包括获取模块301、确定模块302和发送模块303。

获取模块301用于从室内基带处理单元获取至少一个初始天线参数对应的状态信息，状态信息包括小区内的无线资源控制连接数、小区吞吐量、小区内用户的下行平均速率和小区频谱效率。例如，至少一个初始天线参数包括水平波瓣宽度、垂直波瓣宽度、方位角和下倾角中的一个或多个。

确定模块302用于基于状态信息，利用机器学习模型确定每个初始天线参数对应的目标天线参数。在一些实现方式中，确定模块302用于对状态信息中的每项状态的状态值进行加权求和，以得到状态求和值，其中，每项状态的权值为0-1；以状态求和值作为输入，利用机器学习模型确定每个初始天线参数的调节方式。

发送模块303用于将每个目标天线参数发送至室内基带处理单元，以便室内基带处理单元将每个初始天线参数调节为对应的目标天线参数。

在一些实施例中，确定模块302用于根据如下方式确定每个初始天线参数对应的目标天线参数：基于状态信息，利用机器学习模型确定每个初始天线参数的调节方式；将调节方式发送至室内基带处理单元，以便室内基带处理单元根据调节方式对该初始天线参数进行调节以得到新天线参数；从室内基带处理单元获取与新天线参数对应的新状态信息；基于新状态信息确定调节方式的调节结果；在调节结果满足预设条件的情况下，保存状态信息、调节方式和调节结果的对应关系；以新状态信息作为状态信息、以新天线参数作为初始天线参数，重复执行基于状态信息，利用机器学习模型确定每个初始天线参数的调节方式的步骤，从而得到多个对应关系；将多个对应关系中调节结果最优的调节方式对应的新天线参数确定为该初始天线参数对应的目标天线参数。

在一些实现方式中，在每次重复执行基于状态信息，利用机器学习模型确定每个初始天线参数的调节方式的步骤中，所确定的调节方式是已保存的对应关系中的调节方式的概率为第一概率，所确定的调节方式不是已保存的对应关系中的调节方式的概率为第二概率，第一概率大于第二概率、且二者之和为1。

图4是根据本公开另一些实施例的天线参数配置装置的结构示意图。如图4所示，该实施例的装置400包括存储器401以及耦接至该存储器401的处理器402，处理器402被配置为基于存储在存储器401中的指令，执行前述任意一个实施例的方法。

存储器401例如可以包括系统存储器、固定非易失性存储介质等。系统存储器例如可以存储有操作系统、应用程序、引导装载程序(Boot Loader)以及其他程序等。

装置400还可以包括输入输出接口403、网络接口404、存储接口404等。这些接口403、404、404之间、以及存储器401与处理器402之间例如可以通过总线406连接。输入输出接口403为显示器、鼠标、键盘、触摸屏等输入输出设备提供连接接口。网络接口404为各种联网设备提供连接接口。存储接口404为SD卡、U盘等外置存储设备提供连接接口。

图5是根据本公开一些实施例的天线参数配置系统的结构示意图。

如图5所示，参数配置系统包括上述任意一个实施例的天线参数配置装置501和室内基带处理单元502。这里，图5以图3所示的天线参数配置装置为例示出了天线参数配置装置501。

室内基带处理单元502用于采集至少一个初始天线参数对应的状态信息，状态信息包括小区内的无线资源控制连接数、小区吞吐量、小区内用户的下行平均速率和小区频谱效率；接收天线参数配置装置501发送的每个初始天线参数对应的目标天线参数，并将每个初始天线参数调节为对应的目标天线参数。

本领域内的技术人员应当明白，本公开的实施例可提供为方法、系统、或计算机程序产品。因此，本公开可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本公开可采用在一个或多个其中包含有计算机可用程序代码的计算机可用非瞬时性存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本公开是参照根据本公开实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解，可由计算机程序指令实现流程图中一个流程或多个流程和/或方框图中一个方框或多个方框中指定的功能。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

以上所述仅为本公开的较佳实施例，并不用以限制本公开，凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。

Claims (13)

1.一种天线参数配置方法，包括：

从室内基带处理单元获取至少一个初始天线参数对应的状态信息，所述状态信息包括小区内的无线资源控制连接数、小区吞吐量、小区内用户的下行平均速率和小区频谱效率；

基于所述状态信息，利用机器学习模型确定每个初始天线参数对应的目标天线参数；

将每个目标天线参数发送至室内基带处理单元，以便室内基带处理单元将每个初始天线参数调节为对应的目标天线参数。

2.根据权利要求1所述的方法，其中，基于所述状态信息，利用机器学习模型确定每个初始天线参数对应的目标天线参数包括：

基于所述状态信息，利用所述机器学习模型确定每个初始天线参数的调节方式；

将所述调节方式发送至室内基带处理单元，以便室内基带处理单元根据所述调节方式对该初始天线参数进行调节以得到新天线参数；

从室内基带处理单元获取与所述新天线参数对应的新状态信息；

基于所述新状态信息确定所述调节方式的调节结果；

在所述调节结果满足预设条件的情况下，保存所述状态信息、所述调节方式和所述调节结果的对应关系；

以所述新状态信息作为所述状态信息、以所述新天线参数作为初始天线参数，重复执行所述基于所述状态信息，利用所述机器学习模型确定每个初始天线参数的调节方式的步骤，从而得到多个所述对应关系；

将多个所述对应关系中调节结果最优的调节方式对应的新天线参数确定为该初始天线参数对应的目标天线参数。

3.根据权利要求2所述的方法，在每次重复执行所述基于所述状态信息，利用所述机器学习模型确定每个初始天线参数的调节方式的步骤中，所确定的调节方式是已保存的对应关系中的调节方式的概率为第一概率，所确定的调节方式不是已保存的对应关系中的调节方式的概率为第二概率，所述第一概率大于所述第二概率、且二者之和为1。

4.根据权利要求2所述的方法，其中，基于所述状态信息，利用所述机器学习模型确定每个初始天线参数的调节方式包括：

对所述状态信息中的每项状态的状态值进行加权求和，以得到状态求和值，其中，每项状态的权值为0-1；

以所述状态求和值作为输入，利用所述机器学习模型确定每个初始天线参数的调节方式。

5.根据权利要求1-4任意一项所述的方法，其中，所述至少一个初始天线参数包括水平波瓣宽度、垂直波瓣宽度、方位角和下倾角中的一个或多个。

6.一种天线参数配置装置，包括：

获取模块，用于从室内基带处理单元获取至少一个初始天线参数对应的状态信息，所述状态信息包括小区内的无线资源控制连接数、小区吞吐量、小区内用户的下行平均速率和小区频谱效率；

确定模块，用于基于所述状态信息，利用机器学习模型确定每个初始天线参数对应的目标天线参数；

发送模块，用于将每个目标天线参数发送至室内基带处理单元，以便室内基带处理单元将每个初始天线参数调节为对应的目标天线参数。

7.根据权利要求6所述的装置，其中，所述确定模块用于：

基于所述状态信息，利用所述机器学习模型确定每个初始天线参数的调节方式；

将所述调节方式发送至室内基带处理单元，以便室内基带处理单元根据所述调节方式对该初始天线参数进行调节以得到新天线参数；

从室内基带处理单元获取与所述新天线参数对应的新状态信息；

基于所述新状态信息确定所述调节方式的调节结果；

在所述调节结果满足预设条件的情况下，保存所述状态信息、所述调节方式和所述调节结果的对应关系；

以所述新状态信息作为所述状态信息、以所述新天线参数作为初始天线参数，重复执行所述基于所述状态信息，利用所述机器学习模型确定每个初始天线参数的调节方式的步骤，从而得到多个所述对应关系；

将多个所述对应关系中调节结果最优的调节方式对应的新天线参数确定为该初始天线参数对应的目标天线参数。

8.根据权利要求7所述的装置，在每次重复执行所述基于所述状态信息，利用所述机器学习模型确定每个初始天线参数的调节方式的步骤中，所确定的调节方式是已保存的对应关系中的调节方式的概率为第一概率，所确定的调节方式不是已保存的对应关系中的调节方式的概率为第二概率，所述第一概率大于所述第二概率、且二者之和为1。

9.根据权利要求7所述的装置，其中，所述确定模块用于：

对所述状态信息中的每项状态的状态值进行加权求和，以得到状态求和值，其中，每项状态的权值为0-1；

以所述状态求和值作为输入，利用所述机器学习模型确定每个初始天线参数的调节方式。

10.根据权利要求6-9任意一项所述的装置，其中，所述至少一个初始天线参数包括水平波瓣宽度、垂直波瓣宽度、方位角和下倾角中的一个或多个。

11.一种天线参数配置装置，包括：

存储器；以及

耦接至所述存储器的处理器，所述处理器被配置为基于存储在所述存储器中的指令，执行权利要求1-5任意一项所述的方法。

12.一种天线参数配置系统，包括：

权利要求6-11任意一项所述的天线参数配置装置；

室内基带处理单元，用于采集至少一个初始天线参数对应的状态信息，所述状态信息包括小区内的无线资源控制连接数、小区吞吐量、小区内用户的下行平均速率和小区频谱效率；接收所述天线参数配置装置发送的每个初始天线参数对应的目标天线参数，并将每个初始天线参数调节为对应的目标天线参数。

13.一种计算机可读存储介质，其上存储有计算机程序指令，其中，该指令被处理器执行时实现权利要求1-5任意一项所述的方法。

Images