CN111479258A - 一种用户划分的方法和设备 - Google Patents

Abstract

本发明提供一种用户划分的方法和设备，涉及无线通信技术领域，用以解决现有5G场景中进行用户配对的复杂度较高，所以需要对小区内用户进行划分，但是现在并没有针对用户划分的方案的问题，本发明实施例将小区内的用户的信道信息输入到聚类机器学习模型中，通过聚类机器学习模型，将用户按照用户的运动特性和信道相关性进行划分，则进行用户配对时可以避免不同类别用户之间的信道干扰，比如针对近基站用户进行用户配对或针对远离基站用户进行用户配对，避免远近效应等问题且避免了多轮迭代或轮询等重复计算的时间，能够相对快速获取用户配对，降低时延，填补了5G对于用户划分方案的空白。

Description

一种用户划分的方法和设备

技术领域

本发明涉及通信技术领域，特别涉及一种用户划分的方法和设备。

背景技术

多用户MIMO(多输入多输出，Multi InputMulti-Output)指的是基站将占用相同时频资源的多个并行的数据流发给不同的用户或者不同的用户将占用相同时频资源的多个并行数据流发给基站的系统结构，选择符合条件的一组用户构成。

由于多用户MIMO系统的性能不可避免地受到用户间干扰的限制，选择合适的用户配对可以减小用户间的干扰从而提高多用户MIMO系统的频谱效率，充分发挥空间分集效应以应对无线传播中产生的远近和多径效应等不利因素；反之，用户选择的不合适，系统性能可能还不如未配对的情况。

现有用户配对算法，例如随机配对算法(Random ParingScheduling,RPS)。RPS算法的基本流程是，通过轮询(Round-Robin,RR)准则先选出第一个用户，然后从剩余用户中随机挑选一个用户与第一个用户进行配对。这种算法复杂度低，计算量小，在MIMO信道的相关性比较小的情况下可以获得复用增益，但没有有效使用信道条件，无法最大化系统吞吐量。

目前，5G技术在进行用户配对时可能是十多个用户一起配对，若不对小区内用户进行划分，例如针对小区内所有用户通过随机配对算法进行用户配对时，则可能会出现远近效应或信道相关性接近的用户干扰，导致通信效果差等问题；若将小区内用户按照类别等方式进行划分，则进行用户配对时可以避免不同类别用户之间的信道干扰，比如针对近基站用户进行用户配对或针对远离基站用户进行用户配对，避免将近基站用户和远离基站用户混杂造成的远近效应等问题。且上述随机配对算法在进行用户配对时需要进行多轮迭代或轮询，对于高速移动场景以及目前对低时延要求越来越高的场景(例如5G中一个重要的测试场景—URLLC场景，要求端到端时延达到0.5ms)无法快速确定用户配对方案。若先对小区内用户进行用户划分，则在进行用户配对时可以随机选取，能够提高用户配对的通信效果且不需要通过轮询的方式，进一步降低时延。

综上所述，现有5G场景中进行用户配对的复杂度较高，所以需要对小区内用户进行划分，但是现在并没有针对用户划分的方案。

发明内容

本发明提供一种用户划分的方法和设备，用以解决现有5G场景中进行用户配对的复杂度较高，所以需要对小区内用户进行划分，但是现在并没有针对用户划分的方案的问题。

第一方面，本发明实施例提供的一种用户划分的方法包括：

获取确定小区内的用户的信道信息；

将所述小区内的用户的信道信息输入到聚类机器学习模型中；其中，所述聚类机器学习模型是利用机器学习算法训练用户的运动特性和信道相关性得到的；

根据所述聚类机器学习模型的输出结果对所述终端进行划分。

上述方法，将小区内的用户的信道信息输入到聚类机器学习模型中，通过聚类机器学习模型，对用户进行划分，若将小区内用户按照用户的运动特性和信道相关性进行划分，则进行用户配对时可以避免不同类别用户之间的信道干扰，比如针对近基站用户进行用户配对或针对远离基站用户进行用户配对，避免远近效应等问题且避免了多轮迭代或轮询等重复计算的时间，能够相对快速获取用户配对，降低时延，填补了5G对于用户划分方案的空白。

在一种可选的实施方式中，所述信道信息包括下列中的部分或全部：

时延-多普勒域信道冲击响应、时延-多普勒域信道参数、时频域信道冲击响应，时频域信道参数、用户反馈或基站测量信道信息；

其中，所述用户反馈或基站测量信道信息包括下列信息中的部分或全部：

RSRP(Reference signal received power，参考信号接收功率)、RSRQ(ReferenceSignal Received Quality，参考信号接收质量)、SINR(Signal to Interference plusNoise Ratio，信号与干扰加噪声比)、路径损耗、用户设备参数、网络侧设备参数。

在一种可选的实施方式中，所述根据所述聚类机器学习模型的输出结果对所述终端进行划分，包括：

若所述聚类机器学习模型为分类机器学习模型，则根据所述分类机器学习模型的输出结果对所述终端进行类别划分，其中不同类之间的任意两个用户的信道相关性系数不高于第一预设阈值；或

若所述聚类机器学习模型为分组机器学习模型，则根据所述分组机器学习模型的输出结果对所述终端进行组别划分，其中同一组的任意两个用户的信道相关性系数不低于第二预设阈值。

在一种可选的实施方式中，根据所述分组机器学习模型输出结果对所述终端进行组别划分之后，还包括：

根据配对算法选择不同组别中的终端进行用户配对。

在一种可选的实施方式中，该方法还包括：

通过损失函数对所述聚类机器学习模型进行训练；其中，所述损失函数为：损失函数＝K/(a*∑小区级KPI+b*∑用户级KPI)；

其中，K表示一个常数；a表示针对小区级KPI的权重；b表示针对用户级KPI的权重。

第二方面，本发明实施例提供一种用户划分的设备，包括：处理器以及收发机：

所述处理器，用于获取确定小区内的用户的信道信息；将所述小区内的用户的信道信息输入到聚类机器学习模型中；其中，所述聚类机器学习模型是利用机器学习算法训练用户的运动特性和信道相关性得到的；根据所述聚类机器学习模型的输出结果对所述终端进行划分。

可选的，所述信道信息包括下列中的部分或全部：

时延-多普勒域信道冲击响应、时延-多普勒域信道参数、时频域信道冲击响应，时频域信道参数、用户反馈或基站测量信道信息；

其中，所述用户反馈或基站测量信道信息包括下列信息中的部分或全部：

RSRP、RSRQ、SINR、路径损耗、用户设备参数、网络侧设备参数。

可选的，所述处理器具体用于：

若所述聚类机器学习模型为分类机器学习模型，则根据所述分类机器学习模型的输出结果对所述终端进行类别划分，其中不同类之间的任意两个用户的信道相关性系数不高于第一预设阈值；或

若所述聚类机器学习模型为分组机器学习模型，则根据所述分组机器学习模型的输出结果对所述终端进行组别划分，其中同一组的任意两个用户的信道相关性系数不低于第二预设阈值。

可选的，所述处理器还用于：

根据配对策略选择不同组别中的终端进行配对。

可选的，所述处理器还用于：

通过损失函数对所述聚类机器学习模型进行训练；其中，所述损失函数为：损失函数＝K/(a*∑小区级KPI+b*∑用户级KPI)；

其中，K表示一个常数；a表示小区级KPI权重；b表示用户级KPI权重。

第三方面，本发明实施例还提供一种用户划分的设备，该设备包括：

至少一个处理单元以及至少一个存储单元，其中，所述存储单元存储有程序代码，当所述程序代码被所述处理单元执行时，使得所述处理单元执行上述第一方面的各实施例的功能。

第四方面，本发明实施例还提供一种计算机可存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述方法的步骤。

另外，第二方面至第四方面中任一一种实现方式所带来的技术效果可参见第一方面中不同实现方式所带来的技术效果，此处不再赘述。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简要介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的一种用户划分的方法示意图；

图2为本发明实施例提供的一种用户划分的完整流程示意图；

图3为本发明实施例提供一种神经网络模型示意图；

图4为本发明实施例提供的进行用户分组的流程示意图；

图5为本发明实施例提供的用户信道相关性矩阵示意图；

图6为本发明实施例提供的模型训练流程示意图；

图7为本发明实施例提供的一种用户划分的完整方法流程图；

图8为本发明实施例提供的第一种用户划分的设备示意图；

图9为本发明实施例提供的第二种用户划分的设备示意图。

具体实施方式

为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述，显然，所描述的实施例仅仅是本发明一部份实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

下面对文中出现的一些词语进行解释：

1、本发明实施例所指的“用户”是手机、平台等。

2、本发明实施例所指的“网络侧设备”是宏基站、微基站等。

3、本发明实施例中的术语“互异性”是指TD-LTE(Time Division Long TermEvolution，分时长期演进)的信道互异性，TD-LTE系统的上下行链路在相同的频率资源的不同时隙上传输，所以在相对较短的时间之内(信道传播的相干时间)，可以认为上行链路和下行链路的传输信号所经历的信道衰落是相同的。

4、本发明实施例中的术语“信道相关性”表征任意两个终端之间信道的关联度，若信道相关性值越大，则对于基站来说不能将两个终端在相同的无线资源上配对，因为两者之间的干扰太大，性能会很差。

5、“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。

本发明实施例描述的应用场景是为了更加清楚的说明本发明实施例的技术方案，并不构成对于本发明实施例提供的技术方案的限定，本领域普通技术人员可知，随着新应用场景的出现，本发明实施例提供的技术方案对于类似的技术问题，同样适用。其中，在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。

现有的多用户配对的算法常见的有：

最大信噪比算法，这种算法是一种贪婪的用户调度方法，该算法的基本流程是，首先选取第一用户，在候选用户中，按照最大化吞吐量目标，选取下一个用户进行配对，这种算法能够保证系统吞吐量，但没有考虑用户的公平性。

另外一类用户配对算法则考虑了用户公平性，比如随机配对算法，RR(RoundRobin)、PF(Proportional Fair)和EPF(Enhanced Proportional Fair)。以RPS为例，该算法的基本流程是，通过轮询(Round-Robin,RR)准则先选出第一个用户，然后从剩余用户中随机挑选一个用户与第一个用户进行配对。

然而现有算法能够保证系统吞吐量则无法满足用户公平性，用户配对的效果较差，且需要多轮迭代或轮询，导致用户配对所需时间较多，对于高速移动场景或者是对于低时延要求较高的5G场景来说，上述算法很难快速获得最优的用户配对方案，也就无法满足其场景对低时延的要求。

因此，本发明实施例提出一种基于机器学习的训练模型，可以根据用户的运动特性，比如运动速度和运动方向，以及信道特性，比如用户信号强度和信道相关性等信号，进行用户配对。

另一方面，在TDD(Time Division Duplexing，时分双工)系统中，用户在上行信道发送预设的导频，基站以此做上行信道的信道估计，假设上下行信道互异性成立，那么下行信道冲击响应等同于上行信道的冲击响应，基站可以据此做信道编码。但是在高速移动场景下，由于用户的移动速度高，多普勒的影响，信道估计必须做频偏补偿。在TDD系统中，信道估计处理时延后，信道可能已经变化了，会造成信道估计偏差。这都意味着用户的信道有测不准性，这样会导致误码率增加，无法达到系统最优速率。

因此，为了进一步降低信道估计处理时延导致的信道信息测不准性以及根据测量的信道信息进行用户配对时准确性较差的问题，本发明实施例提出一种解决方案：通过新型的OTFS(orthogonal time frequency space modulation，正交时频空间调制)编码，可以快速获得当前无线信道的时延多普勒特性，比如时延扩展和多普勒扩展，以及准确的信道估计。具体原理简述如下：

OTFS在时延-多普勒域编码，经过二维傅里叶变换到时频域进行传输，其时延扩展和多普勒扩展的预测准确度随着时频观测窗的大小有正比关系。即观测更长的时间，更宽的频谱，可以更准确的预测OTFS的信号。

OTFS信道的正确解码，也就可以获得时延多普勒域信道的特性，此特性可以反映更长时间、更宽频谱的信道反应，因此信道的预测有效性在时-频域上更大，也就减轻了信道测不准性带来的问题。

因此，本发明实施例可以通过新型OTFS编码技术，获得实时的信道多普勒扩展和时延扩展、信道估计信息，并将获取到的时延-多普勒域信道冲击响应、时延-多普勒域信道等作为输入参数通过聚类机器学习模型，进行快速用户划分。

下面结合说明书附图对本发明实施例做进一步详细描述。

如图1所示，本发明实施例提供的是一种用户划分的方法，具体包括以下步骤：

步骤100：获取确定小区内的用户的信道信息；

步骤101：将所述小区内的用户的信道信息输入到聚类机器学习模型中；其中，所述聚类机器学习模型是利用机器学习算法训练用户的运动特性和信道相关性得到的；

步骤102：根据所述聚类机器学习模型的输出结果对所述终端进行划分。

通过上述方法，将小区内的用户的信道信息输入到聚类机器学习模型中，通过聚类机器学习模型，对用户进行划分，若将小区内用户按照用户的运动特性和信道相关性进行划分，则进行用户配对时可以避免不同类别用户之间的信道干扰，比如针对近基站用户进行用户配对或针对远离基站用户进行用户配对，避免远近效应等问题且避免了多轮迭代或轮询等重复计算的时间，能够相对快速获取用户配对，降低时延，填补了5G对于用户划分方案的空白。

如图2所示，本发明实施例提供的一种用户划分的整体流程示意图，将用户的信道信息输入到机器学习算法中，对模型进行训练，得到聚类机器学习模型，通过训练好的聚类机器学习模型对用户进行分类或分组，进一步的还可以选择不同用户分组中的终端进行用户配对，并根据该方式下的KPI评估值确定的反馈函数，进行系统监测。

其中，若聚类机器学习模型为分类机器学习模型，则将用户的信道信息输入到该模型后，可以实现对用户类别的划分；若聚类机器学习模型为分组机器学习模型，则将用户的信道信息输入到该模型后，可以实现对用户组别的划分。

本发明实施例中用户的信道信息包括但不限于下列信息中的部分或全部：

时延-多普勒域信道冲击响应、时延-多普勒域信道参数、时频域信道冲击响应，时频域信道参数、用户反馈或基站测量信道信息；其中，所述用户反馈或基站测量信道信息包括下列信息中的部分或全部：

RSRP、RSRQ、SINR、路径损耗、用户设备参数、网络侧设备参数。

本发明实施例中的机器学习算法包括但不限于：分类聚类算法，如SVM(支持向量机，support vector machine)、朴素贝叶斯、决策树、神经网络、K-Means(聚类算法)、KNN((K-Nearest Neighbor，K最近邻算法)、DBSCAN(Density-Based Spatial Clustering ofApplications with Noise，具有噪声的基于密度的聚类算法)。

其中，AE(Autoencoder，自编码器)是神经网络中的一种非监督的学习的方法，主要用来对一组数据进行学习，得到一个对数据的表示方法即encoding(编码)，是一种常用的降维算法。在AE的简单结构中包含输入层、隐含层及输出层，且输出层和输入层的node(结点)数目必须保持一致。根据学习方法的不同，主要分类DAE(Denoising Autoencoder，降噪自动编码器)、SAE(Sparse Autoencoder，稀疏自动编码器)，CAE(contractiveAutoencoder，收缩自动编码器)等。训练过程中常会使用back-propagation(反向传播)的方法例如conjugate gradient method(共轭梯度法)，得到多个隐藏层的信息。

下面以3层神经网络为例，对聚类机器学习模型的过程进行介绍：

如图3所示，为本发明实施例提供的3层神经网络构成的聚类机器学习模型。其中，input为输入层，hidden为隐含层，output为输出层，w为神经元各个突触(连接线)的权重，b为偏置；其中，输入层的神经元个数为该模型的输入数据的特征数；隐含层的神经元个数为超参数，需要预先设定；输出层的神经元个数则取决于目标变量的个数。

比如，该机器算法模型为分类机器算法模型，x₀为用户测量反馈RSRP(可以用一个实数来表示)，x₁为一个用户的信道信息，(可以用一个长度为N的复数向量表示)，x 2为用户测量反馈RSRQ(可以用一个实数来表示)，x 3为用户设备参数(可以是一个实数作为代码ID)，x 4为基站测量信息路径损耗(可以用一个实数来表示)等。

对于输出层，假设将小区内所有的活跃用户分成两组，比如将用户分为近基站用户和远离基站用户，那么输出层就有2个神经元，输出数值y0和y1表示该用户被分到这个小组的概率，将概率最高的那个作为此用户的类别。如图3所示的输出结果，将该信息对应的用户划分为0.93的用户类别。

本发明实施例还提供了一种对用户进行组别划分的方式，下面进行举例说明：

分组方式一：直接法；

分组机器学习模型直接根据用户的信道信息输出用户分组。

分组方式二：两步法；

如图4所示，为本发明实施例提供的分类机器学习模型通过两步法进行用户分组的流程示意图。

分组机器训练模型通过有监督的学习以及机器学习算法对基于快速获得的多普勒扩展和时延扩展信息按照用户的运动特性或环境特征进行类别划分。比如根据用户的运动速度：高速、低速，以及环境特征：近基站、远离基站等对用户进行分类。得到高速近基站用户、高速远离基站用户、低速近基站用户和低速远离基站用户等类别。可以理解的是，由于用户具有不同的运动特性，因此不同类之间的任意两个用户的信道相关性系数不高于第一预设阈值。

在用户分类的基础上，每一类的用户可以进一步通过考虑基站测量信息，用户终端特性和用户反馈信息，再利用聚类算法将用户细分到小组，将信道相关性较高且信号强度相近的用户分为一组，在用户配对时，从不同的小组中挑选，可以保证用户间干扰减小，保证较好的空口速率。

比如，将高速近基站用户分类下的根据两两用户之间的信道相关性用户分为N组，其中同一组的任意两个用户的信道相关性系数不低于第二预设阈值。

举例说明：高速近基站用户分类下有4个用户，现将该类用户分为2组，则如图5所示为该分类下任意两个用户之间的信道相关性系数矩阵。假设第二预设阈值为0.8，则根据信道相关性系数可以将A、B、C、D4个用户分为：

组1：A、B；组2：C、D。

下面对聚类机器学习算法进行介绍说明：

在每一个子分类中，通过聚类算法(KNN，K-means，等)进行用户分组的方式有多种，本发明给出一种可能的实施方式，将基站的测量信息，如用户的实时信道反馈信息输入到聚类算法中，计算两两用户之间的信道冲击响应的自相关函数R，将相关性高的用户分划为一组；本发明还给出另一种可能的实施方式，将基站测量的用户所在位置方向角度θ输入到聚类算法中，将角度接近的用户划分为一组；本发明还出第三种可能的实施方式，将用户信号强度SINR输入到聚类算法中，将信号强度相近的用户分为一组。

需要说明的是，上述实施方式仅为举例，还可以将所有上述方式中的相关性，方向角，SINR等参数都作为聚类算法的输入，来进行模型训练，本方案并不限定于上述输入组合和参数。

进一步，当用户分组完成后，本发明实施例还可以根据配对策略选择不同组别中的终端进行用户配对，下面对不同配对方式进行举例说明：

配对方式一：随机策略；

比如，根据当前系统的无线资源管理策略，需要同时调度4个用户，则在同类别不同分组中，随机选择4个用户分组，在每个用户分组中随机选择一个用户，得到的4个用户即为用户配对结果。

配对方式二：优先级策略；

比如，现高速近基站下有4个用户分组，将每个用户分组中的用户按照优先级进行标记，以标签区分，当系统需要同时调度4个用户时，则在该4个用户分组中选择优先级最高的用户进行用户配对。

在本发明实施例中，可以在离线状态下预先训练分类或分组机器学习算法模型，如图6所示的离线训练过程示意图。

具体的，通过对用户的信道信息进行数据收集、预处理之后形成小区的信道数据库，利用这些数据，可以进行用户划分的聚类机器学习模型的建立，将训练好的聚类机器学习模型下发到基站侧后，通过模型执行用户划分，将基站实时测得的信道信息输入到聚类机器学习模型中，最后得到用户分类或分组。在通过聚类机器学习模型对用户进行分类或分组后，通过实时对小区的KPI进行监测，以使基站会根据信道调整资源分配等，通过调整损失函数中的KPI参数优化模型。

根据KPI参数生成损失(loss)函数，通过loss函数对聚类机器学习模型进行训练，以优化KPI、优化聚类机器学习模型。

其中，通过loss函数优化模型的具体方式为：现有常用反向传播算法来寻找loss函数的波谷最小值，例如SGD(stochastic gradient descent，随机梯度下降法)。在迭代神经网络参数的时候，通过计算loss函数的梯度(一阶导数)，沿着其相反方向来不断更新模型参数的方法，以达到loss函数收敛。

KPI参数包括但不限于下列的部分或全部：

用户数、小区吞吐量、覆盖、SINR。

在本发明实施例中，KPI参数可以作为模型的损失函数的信息，例如：Loss＝K/(a*∑小区级KPI+b*∑用户级KPI)；

其中，Loss即损失函数，K表示一个常数；a表示小区级KPI权重；b表示用户级KPI权重。

在执行KPI监测后可根据监测结果反向传播算法来寻找loss函数的波谷最小值，在迭代神经网络参数的时候，通过计算loss函数的梯度(一阶导数)，沿着其相反方向来不断更新模型参数的方法，以达到loss函数收敛，进而对模型进行优化。

比如，根据记录的用户的信道信息及对应的KPI值，生成loss函数＝1/(a*∑小区级KPI+b*∑用户级KPI)，保持权重a、权重b不变，通过反向传播算法来寻找loss函数的波谷最小值。在迭代神经网络参数的时候，通过计算loss函数的梯度(一阶导数)，沿着其相反方向来不断更新聚类机器学习模型宏权值w和/或偏置b，来调整KPI值，以达到loss函数收敛。

在本发明实施例中，通过机器学习算法对小区的用户进行划分之后，还可以通过KPI(Key performance indicator，关键性能指标)监测机制实时监测小区的KPI参数，并将监测到的KPI参数反馈至聚类机器学习模型，当监测到的KPI下降非常严重时，可以通过回退机制，回退机制可以理解基站不再通过机器学习算法得到的模型进行用户划分继而进行用户配对，而是回退到传统的用户配对算法进行用户配对。

例如，监测到某小区的吞吐量也远小于预先设定的小区吞吐量，或者某些用户经过配对后，速率明显下降，这可能是因为训练好的聚类机器学习模型对于用户划分结果不太准确，(可能原因是用户的信道信息本身是不准确的或者过时的，即输入模型的数据不准确，导致算法结果不理想；或者是机器学习算法还需要继续优化)因此可以设定回退机制，通过KPI监测，当达到回退条件(例如至少一个KPI参数下降至小于最低回退阈值)时，则可回退到传统的用户配对算法进行用户配对。

需要说明的是，本发明实施例中所列举的通过KPI监测优化模型的方式只是举例说明，任何一种可以优化模型的方式都适用于本发明实施例。

其中，在进行模型训练时的反馈函数feedback可以与loss函数相同，也可以是通过人工经验进行设置后的函数，比如反馈函数feedback＝K/(c*∑小区级KPI+d*∑用户级KPI)。

如图7所示，本发明实施例提供的一种用户划分的完整方法包括：

步骤700，获取确定小区内的用户的信道信息；

步骤701，将所述小区内的用户的信道信息输入到聚类机器学习模型中，并根据所述聚类机器学习模型的输出结果对所述用户进行组分；

步骤702，根据用户配对策略进行用户配对；

步骤703，记录KPI值，根据KPI值生成损失函数，通过损失函数对聚类机器学习模型进行训练；

步骤704，使用训练好的聚类机器学习模型进行用户分组；

步骤705，根据实时KPI值通过反馈函数对聚类机器学习模型进行监测；

基于相同的发明构思，本发明实施例中还提供了一种用户划分的设备，由于该设备即是本发明实施例中的方法中的设备，并且该设备解决问题的原理与该方法相似，因此该设备的实施可以参见方法的实施，重复之处不再赘述。

如图8所示，本发明实施例还提供一种用户划分的设备，该设备包括：处理器800及收发机801：

所述处理器800用于：通过收发机801获取确定小区内的用户的信道信息；将所述小区内的用户的信道信息输入到聚类机器学习模型中；其中，所述聚类机器学习模型是利用机器学习算法训练用户的运动特性和信道相关性得到的；根据所述聚类机器学习模型的输出结果对所述终端进行划分。

可选的，所述信道信息包括下列中的部分或全部：

时延-多普勒域信道冲击响应、时延-多普勒域信道参数、时频域信道冲击响应，时频域信道参数、用户反馈或基站测量信道信息；

其中，所述用户反馈或基站测量信道信息包括下列信息中的部分或全部：

RSRP、RSRQ、SINR、路径损耗、用户设备参数、网络侧设备参数。

可选的，所述处理器800具体用于：

若所述聚类机器学习模型为分类机器学习模型，则根据所述分类机器学习模型的输出结果对所述终端进行类别划分，其中不同类之间的任意两个用户的信道相关性系数不高于第一预设阈值；或

若所述聚类机器学习模型为分组机器学习模型，则根据所述分组机器学习模型的输出结果对所述终端进行组别划分，其中同一组的任意两个用户的信道相关性系数不低于第二预设阈值。

可选的，所述处理器800还用于：

根据配对策略选择不同组别中的终端进行配对。

可选的，所述处理器800还用于：

通过损失函数对所述聚类机器学习模型进行训练；其中，所述损失函数为：损失函数＝K/(a*∑小区级KPI+b*∑用户级KPI)；

其中，K表示一个常数；a表示小区级KPI权重；b表示用户级KPI权重。

基于相同的发明构思，本发明实施例中还提供了一种用户划分的设备，由于该设备即是本发明实施例中的方法中的设备，并且该设备解决问题的原理与该方法相似，因此该设备的实施可以参见方法的实施，重复之处不再赘述。

如图9所示，本发明实施例还提供一种信道估计的设备，该设备包括：至少一个处理单元900、以及至少一个存储单元901，其中，所述存储单元901存储有程序代码，当所述程序代码被所述处理单元900执行时，使得所述设备执行下列过程：

获取确定小区内的用户的信道信息；将所述小区内的用户的信道信息输入到聚类机器学习模型中；其中，所述聚类机器学习模型是利用机器学习算法训练用户的运动特性和信道相关性得到的；根据所述聚类机器学习模型的输出结果对所述终端进行划分。

可选的，所述信道信息包括下列中的部分或全部：

时延-多普勒域信道冲击响应、时延-多普勒域信道参数、时频域信道冲击响应，时频域信道参数、用户反馈或基站测量信道信息；

其中，所述用户反馈或基站测量信道信息包括下列信息中的部分或全部：

RSRP、RSRQ、SINR、路径损耗、用户设备参数、网络侧设备参数。

可选的，所述处理单元900具体用于：

若所述聚类机器学习模型为分类机器学习模型，则根据所述分类机器学习模型的输出结果对所述终端进行类别划分，其中不同类之间的任意两个用户的信道相关性系数不高于第一预设阈值；或

若所述聚类机器学习模型为分组机器学习模型，则根据所述分组机器学习模型的输出结果对所述终端进行组别划分，其中同一组的任意两个用户的信道相关性系数不低于第二预设阈值。

可选的，所述处理单元900还用于：

根据配对算法选择不同组别中的终端进行用户配对。

可选的，所述处理单元900还用于：

通过损失函数对所述聚类机器学习模型进行训练；其中，所述损失函数为：损失函数＝K/(a*∑小区级KPI+b*∑用户级KPI)；

其中，K表示一个常数；a表示小区级KPI权重；b表示用户级KPI权重。

在一些可能的实施方式中，本发明实施例提供的进行用户划分的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序代码在计算机设备上运行时，所述程序代码用于使所述计算机设备执行本说明书中描述的根据本发明各种示例性实施方式的用户划分的方法中的步骤。

所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。

根据本发明的实施方式的用于进行用户划分的程序产品，其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在服务器设备上运行。然而，本发明的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被信息传输、装置或者器件使用或者与其结合使用。

可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括——但不限于——电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由周期网络动作系统、装置或者器件使用或者与其结合使用的程序。

可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于——无线、有线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算设备，或者，可以连接到外部计算设备。

本发明实施例针对进行用户划分的方法还提供一种计算设备可读存储介质，即断电后内容不丢失。该存储介质中存储软件程序，包括程序代码，当所述程序代码在计算设备上运行时，该软件程序在被一个或多个处理器读取并执行时可实现本发明实施例上面任何一种网络侧设备进行用户划分的方案。

本发明实施例针进行用户划分的方法还提供一种计算设备可读存储介质，即断电后内容不丢失。该存储介质中存储软件程序，包括程序代码，当所述程序代码在计算设备上运行时，该软件程序在被一个或多个处理器读取并执行时可实现本发明实施例上面任何一种用户划分的方案。

以上参照示出根据本申请实施例的方法、装置(系统)和/或计算机程序产品的框图和/或流程图描述本申请。应理解，可以通过计算机程序指令来实现框图和/或流程图示图的一个块以及框图和/或流程图示图的块的组合。可以将这些计算机程序指令提供给通用计算机、专用计算机的处理器和/或其它可编程数据处理装置，以产生机器，使得经由计算机处理器和/或其它可编程数据处理装置执行的指令创建用于实现框图和/或流程图块中所指定的功能/动作的方法。

相应地，还可以用硬件和/或软件(包括固件、驻留软件、微码等)来实施本申请。更进一步地，本申请可以采取计算机可使用或计算机可读存储介质上的计算机程序产品的形式，其具有在介质中实现的计算机可使用或计算机可读程序代码，以由指令执行系统来使用或结合指令执行系统而使用。在本申请上下文中，计算机可使用或计算机可读介质可以是任意介质，其可以包含、存储、通信、传输、或传送程序，以由指令执行系统、装置或设备使用，或结合指令执行系统、装置或设备使用。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (12)

1.一种用户划分的方法，其特征在于，该方法包括：

获取确定小区内的用户的信道信息；

将所述小区内的用户的信道信息输入到聚类机器学习模型中；其中，所述聚类机器学习模型是利用机器学习算法训练用户的运动特性和信道相关性得到的；

根据所述聚类机器学习模型的输出结果对所述终端进行划分。

2.如权利要求1所述的方法，其特征在于，所述信道信息包括下列中的部分或全部：

时延-多普勒域信道冲击响应、时延-多普勒域信道参数、时频域信道冲击响应，时频域信道参数、用户反馈或基站测量信道信息；

其中，所述用户反馈或基站测量信道信息包括下列信息中的部分或全部：

参考信号接收功率RSRP、参考信号接收质量RSRQ、信号与干扰加噪声比SINR、路径损耗、用户设备参数、网络侧设备参数。

3.如权利要求1所述的方法，其特征在于，所述根据所述聚类机器学习模型的输出结果对所述终端进行划分，包括：

若所述聚类机器学习模型为分类机器学习模型，则根据所述分类机器学习模型的输出结果对所述终端进行类别划分，其中不同类之间的任意两个用户的信道相关性系数不高于第一预设阈值；或

若所述聚类机器学习模型为分组机器学习模型，则根据所述分组机器学习模型的输出结果对所述终端进行组别划分，其中同一组的任意两个用户的信道相关性系数不低于第二预设阈值。

4.如权利要求3所述的方法，其特征在于，所述根据所述分组机器学习模型的输出结果对所述终端进行组别划分之后，还包括：

根据配对策略选择不同组别中的终端进行用户配对。

5.如权利要求1所述的方法，其特征在于，该方法还包括：

通过损失函数对所述聚类机器学习模型进行训练；其中，所述损失函数为：损失函数＝K/(a*∑小区级KPI+b*∑用户级KPI)；

其中，K表示一个常数；a表示小区级KPI的权重；b表示用户级KPI的权重。

6.一种用户划分的设备，其特征在于，包括：处理器以及收发机：

所述处理器，用于获取确定小区内的用户的信道信息；将所述小区内的用户的信道信息输入到聚类机器学习模型中；其中，所述聚类机器学习模型是利用机器学习算法训练用户的运动特性和信道相关性得到的；根据所述聚类机器学习模型的输出结果对所述终端进行划分。

7.如权利要求6所述的设备，其特征在于，所述信道信息包括下列中的部分或全部：

时延-多普勒域信道冲击响应、时延-多普勒域信道参数、时频域信道冲击响应，时频域信道参数、用户反馈或基站测量信道信息；

其中，所述用户反馈或基站测量信道信息包括下列信息中的部分或全部：

RSRP、RSRQ、SINR、路径损耗、用户设备参数、网络侧设备参数。

8.如权利要求6所述的设备，其特征在于，所述处理器具体用于：

若所述聚类机器学习模型为分类机器学习模型，则根据所述分类机器学习模型的输出结果对所述终端进行类别划分，其中不同类之间的任意两个用户的信道相关性系数不高于第一预设阈值；或

若所述聚类机器学习模型为分组机器学习模型，则根据所述分组机器学习模型的输出结果对所述终端进行组别划分，其中同一组的任意两个用户的信道相关性系数不低于第二预设阈值。

9.如权利要求8所述的设备，其特征在于，所述处理器还用于：

根据配对策略选择不同组别中的终端进行配对。

10.如权利要求7所述的设备，其特征在于，所述处理器还用于：

通过损失函数对所述聚类机器学习模型进行训练；其中，所述损失函数为：损失函数＝K/(a*∑小区级KPI+b*∑用户级KPI)；

其中，K表示一个常数；a表示小区级KPI的权重；b表示用户级KPI的权重。

11.一种用户划分的设备，其特征在于，该设备包括：至少一个处理单元以及至少一个存储单元，其中，所述存储单元存储有程序代码，当所述程序代码被所述处理单元执行时，使得所述处理单元执行权利要求1～5任一所述方法的步骤。

12.一种计算机可存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1～5任一所述方法的步骤。

Images