CN112105046A - 模型训练方法及系统、异频测量估计方法及系统 - Google Patents

Abstract

本发明提供一种模型训练方法及系统、异频测量估计方法及系统，属于无线通信技术领域，其中一种模型训练系统包括：数据采集与预处理模块，用于获取训练集数据，所述训练集数据包括小区的配置信息和所述小区内的终端测得的历史测量数据；异频测量估计模型学习模块，用于根据所述训练集数据训练得到用于计算目标终端的异频测量估计值的异频测量估计模型。本发明可以减少目标终端进行异频测量的次数，降低测量配置与测量上报的开销，降低异频测量对用户速率的影响。另外，由于可以提前预测异频测量结果，因此还可以改善基于测量的无线资源管理优化操作的滞后性。

Description

模型训练方法及系统、异频测量估计方法及系统

技术领域

本发明涉及无线通信技术领域，尤其涉及一种模型训练方法及系统、异频测量估计方法及系统。

背景技术

现有的异频测量方法需要终端(UE)在接入基站(gNB)后，依据基站下发的测量配置(包括异频测量的频点、邻区列表及A1事件、A2事件的门限值等)，对相关邻区和频点进行测量。信号条件满足相关测量事件(如A2事件)时启动异频测量，并根据测量配置消息中的要求进行上报。基站判断信号满足异频测量切换或重定向条件时，下发切换指示消息或重定向消息并启动相关流程。

在现有的异频测量方法中，当异频测量被触发后，基站将下发测量间隔(GAP)相关配置，此时UE会离开当前频点到其他频点进行测量。因此，异频测量时GAP周期内UE的业务无法正常进行，导致用户(也即终端)速率(也即终端的业务速率)下降。同时，在现有方法下，基站只有在等到异频测量结果(基站判断信号满足异频切换或重定向条件)后才能下发切换指示消息或重定向消息，并启动相关流程，使得基于测量的无线资源管理(RadioResource Management，RRM)优化操作存在滞后性。

发明内容

有鉴于此，本发明提供一种模型训练方法及系统、异频测量估计方法及系统，用于解决目前的异频测量方法存在用户速率明显下降的问题、以及切换操作存在滞后性的问题。

为解决上述技术问题，第一方面，本发明提供一种模型训练系统，包括：

数据采集与预处理模块，用于获取训练集数据，所述训练集数据包括小区的配置信息和所述小区内的终端测得的历史测量数据；

异频测量估计模型学习模块，用于根据所述训练集数据训练得到用于计算目标终端的异频测量估计值的异频测量估计模型。

可选的，每一所述小区的配置信息包括小区标识信息、小区载波频点信息和邻区列表；每一所述终端的历史测量数据包括以下至少之一：

所述终端的服务小区的频点对应的测量数据；

与所述终端的服务小区同频频点的测量数据；

与所述终端的服务小区异频频点的测量数据。

可选的，所述数据采集与预处理模块包括：

数据处理和关联单元，用于根据所述小区的配置信息对所述历史测量数据进行数据关联，得到每个所述终端的数据关联表作为所述训练集数据，所述数据关联表包括所述终端的服务小区及其邻区的标识信息、载波频点信息和频点的测量数据。

可选的，所述异频测量估计模型学习模块用于根据所述训练集数据进行区域划分；基于区域划分结果，将所述训练集数据划分为针对每一区域的训练子集；针对每一所述区域，采用相应的训练子集训练得到相应区域的异频测量估计模型。

可选的，所述异频测量估计模型学习模块用于按照以下方式的其中之一进行区域划分：

终端接入的基站；

终端接入的基站的扇区；

终端所处的地理位置；

基于所述训练集数据中的历史测量数据进行聚类；

基于所述训练集数据中的历史测量数据划分栅格。

可选的，所述历史测量数据包括所述终端处于空闲态时测得的测量数据。

第二方面，本发明还提供一种异频测量估计系统，包括：

异频测量实时预测模块，用于采用上述的模型训练系统训练得到的异频测量估计模型计算得到目标终端的异频测量估计值。

可选的，在所述异频测量估计模型学习模块用于根据所述训练集数据进行区域划分并训练得到每一区域的异频测量估计模型的情况下，所述异频测量实时预测模块用于：

获取所述目标终端的预测输入数据，所述预测输入数据包括：所述目标终端的服务小区的频点及其对应的当前测量数据、与所述目标终端的服务小区同频频点的当前测量数据、与所述目标终端处于同一区域内的其他终端的当前同频测量数据和当前异频测量数据；

采用所述目标终端所处区域对应的异频测量估计模型，根据所述目标终端的预测输入数据计算得到所述目标终端的异频测量估计值。

可选的，所述同一区域内的其他终端的当前异频测量数据包括采用所述异频测量估计模型计算得到的异频测量估计值。

可选的，所述预测输入数据包括所述目标终端处于空闲态时测得的测量数据，和/或所述其他终端处于空闲态时测得的测量数据。

第三方面，本发明还提供一种模型训练方法，包括：

获取训练集数据，所述训练集数据包括小区的配置信息和所述小区内的终端测得的历史测量数据；

根据所述训练集数据训练得到用于计算目标终端的异频测量估计值的异频测量估计模型。

可选的，每一所述小区的配置信息包括小区标识信息、小区载波频点信息和邻区列表；每一所述终端的历史测量数据包括以下至少之一：

所述终端的服务小区的频点对应的测量数据；

与所述终端的服务小区同频频点的测量数据；

与所述终端的服务小区异频频点的测量数据。

可选的，所述获取训练集数据的步骤包括：

根据所述小区的配置信息对所述历史测量数据进行数据关联，得到每个所述终端的数据关联表作为所述训练集数据，所述数据关联表包括所述终端的服务小区及其邻区的标识信息、载波频点信息和频点的测量数据。

可选的，所述根据所述训练集数据训练得到用于计算目标终端的异频测量估计值的异频测量估计模型的步骤包括：

根据所述训练集数据进行区域划分；

基于区域划分结果，将所述训练集数据划分为针对每一区域的训练子集；

针对每一所述区域，采用相应的训练子集训练得到相应区域的异频测量估计模型。

可选的，所述根据所述训练集数据进行区域划分的步骤包括：

按照以下方式的其中之一进行区域划分：

终端接入的基站；

终端接入的基站的扇区；

终端所处的地理位置；

基于所述训练集数据中的历史测量数据进行聚类；

基于所述训练集数据中的历史测量数据划分栅格。

第四方面，本发明还提供一种异频测量估计方法，包括：

采用根据上述的模型训练方法训练得到的异频测量估计模型计算得到目标终端的异频测量估计值。

可选的，在根据所述训练集数据进行区域划分并训练得到每一区域的异频测量估计模型的情况下，采用所述异频测量估计模型计算得到目标终端的异频测量估计值的步骤包括：

获取所述目标终端的预测输入数据，所述预测输入数据包括：所述目标终端的服务小区的频点及其对应的当前测量数据、与所述目标终端的服务小区同频频点的当前测量数据、与所述目标终端处于同一区域内的其他终端的当前同频测量数据和当前异频测量数据；

采用所述目标终端所处区域对应的异频测量估计模型，根据所述目标终端的预测输入数据计算得到所述目标终端的异频测量估计值。

可选的，所述同一区域内的其他终端的当前异频测量数据包括采用所述异频测量估计模型计算得到的异频测量估计值。

第五方面，本发明还提供一种模型训练系统，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序；所述处理器执行所述计算机程序时实现上述任一种模型训练方法。

第六方面，本发明还提供一种异频测量估计系统，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序；所述处理器执行所述计算机程序时实现上述任一种异频测量估计方法。

第七方面，本发明还提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述任一种模型训练方法中的步骤或者实现上述任一种异频测量估计方法中的步骤。

本发明的上述技术方案的有益效果如下：

本发明实施例中，可以训练得到用于计算目标终端的异频测量估计值的异频测量估计模型，也即可以采用该模型对目标终端的异频测量数据进行预测(估计)，从而可以减少目标终端进行异频测量的次数，降低测量配置与测量上报的开销，降低异频测量对用户速率的影响。另外，由于可以提前预测异频测量结果，因此还可以改善基于测量的无线资源管理优化操作的滞后性。

附图说明

图1为本发明实施例一中的一种模型训练系统的结构示意图；

图2为本发明实施例一中的一种模型训练系统的功能示意图；

图3为本发明实施例中一种异频测量估计模型训练过程的示例图；

图4为本发明实施例二中的一种异频测量估计系统的结构示意图；

图5为本发明实施例二中的一种异频测量估计过程的示意图；

图6为本发明实施例三中的一种模型训练方法的流程示意图；

图7为本发明实施例四中的一种异频测量估计方法的流程示意图；

图8为本发明实施例五中的一种异频测量估计方法的流程示意图；

图9为本发明实施例六中的一种模型训练系统的结构示意图；

图10为本发明实施例七中的一种异频测量估计系统的结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例的附图，对本发明实施例的技术方案进行清楚、完整地描述。显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于所描述的本发明的实施例，本领域普通技术人员所获得的所有其他实施例，都属于本发明保护的范围。

请参阅图1，图1为本发明实施例一提供的一种模型训练系统的结构示意图，包括：

数据采集与预处理模块11，用于获取训练集数据，所述训练集数据包括小区的配置信息和所述小区内的终端测得的历史测量数据；

异频测量估计模型学习模块12，用于根据所述训练集数据训练得到用于计算目标终端的异频测量估计值的异频测量估计模型。

本发明实施例中，可以训练得到用于计算目标终端的异频测量估计值的异频测量估计模型，也即可以采用该模型对目标终端的异频测量数据进行预测(估计)，从而可以减少目标终端进行异频测量的次数，降低测量配置与测量上报的开销，降低异频测量对用户速率的影响。另外，由于可以提前预测异频测量结果，因此还可以改善基于测量的无线资源管理优化操作的滞后性。

需要说明的是，所述训练集数据中的历史测量数据可以是预设时间段的所有已知终端测量得到的测量数据，例如可以是当前时刻之前的预设时间段内所有已知终端测量得到的测量数据。另外，具体可采用监督学习算法实现模型训练过程。

下面举例说明上述模型训练系统。

可选的，每一所述小区的配置信息包括小区标识信息、小区载波频点信息和邻区列表；每一所述终端的历史测量数据包括以下至少之一：

所述终端的服务小区的频点对应的测量数据；

与所述终端的服务小区同频频点的测量数据；

与所述终端的服务小区异频频点的测量数据。

具体的，所述小区的配置信息和所述历史测量数据可以由所述数据采集与预处理模块中的数据采集单元从基站和/或网管获取。所述小区标识信息包括基站标识(gNB(5G基站)ID/eNB(4G基站)ID)、小区标识(cell ID)、物理小区标识(PCI)和绝对无线频道编号(例如E-UTRA Absolute Radio Frequency Channel Number，演进-统一陆地无线接入网绝对无线频率信道号，简称EARFCN)中的至少之一。所述小区载波频点信息可以是绝对无线频道编号(例如EARFCN)。所述历史测量数据可以是所述终端周期性测量并上报的用户(也即终端)测量报告数据。所述历史测量数据主要包括信道质量指标以及对应的测量值，还可以包括测量的频点(同频、异频)信息、测量的小区信息以及测量的波束标识信息(ID)等。所述信道质量指标包括参考信号接收功率(RSRP)、参考信号接收质量(RSRQ)、信号与干扰加噪声比(SINR)和接收的信号强度指示(RSSI)中的至少之一。所述小区的配置信息还可以包括其他的内容，此处不再详细列举。

另外，所述历史测量数据还可以包括能够指示终端地理位置的信息(例如终端的坐标、终端与基站之间的距离等)和/或用于指示终端所处无线环境的其他信道质量指标值(也即除RSRP、RSRQ、SINR和RSSI以外的其他信道质量指标值)。

可选的，所述历史测量数据包括所述终端处于空闲态时测得的测量数据。所述终端处于空闲态时进行测量，对终端业务的影响较小。

可选的，请参阅图2，所述数据采集与预处理模块包括：

数据处理和关联单元，用于根据所述小区的配置信息对所述历史测量数据进行数据关联，得到每个所述终端的数据关联表作为所述训练集数据，所述数据关联表(参阅下表1)包括所述终端的服务小区及其邻区的标识信息、载波频点信息和频点的测量数据。

表1

服务小区	小区ID及频点	gNB ID	Cell ID	PCI	EARFCN/频点(D1)
							RSRP/RSRQ	RSRP	RSRQ
同频小区	小区ID及频点	gNB ID	Cell ID	PCI	EARFCN/频点(D1)
							RSRP/RSRQ	RSRP	RSRQ
异频小区	小区ID及频点	gNB ID	Cell ID	PCI	EARFCN/频点(D1)
							RSRP/RSRQ	RSRP	RSRQ

需要说明的是，所述数据处理和关联单元在对所述历史测量数据进行数据关联前，还可以对历史测量数据进行预处理。在进行数据关联得到数据关联表时，主要依据所述小区的配置信息中的邻区列表和小区载波频点信息进行关联。建立每个所述终端的数据关联表的目的在于描述终端的服务小区的邻区关系和所处的无线环境，以及为依据区域划分结果提取每个区域的训练子集数据做准备。邻区的标识信息同样也可以包括基站标识(gNB(5G基站)ID/eNB(4G基站)ID)、小区标识(cell ID)、物理小区标识(PCI)和绝对无线频道编号(例如EARFCN)中的至少之一。所述频点的测量数据包括频点自身的信息(例如频点的标识信息)、信道质量指标以及每个信道质量指标对应的的测量值。下表2为其中一个终端的数据关联表的示例。

表2

1	服务小区ID及频点	gNB ID	Cell ID	PCI	EARFCN/频点(D1)
						2	服务小区RSRP/RSRQ	RSRP	RSRQ
3	同频邻区1ID及频点	gNB ID	Cell ID	PCI	EARFCN/频点(D1)
						4	同频邻区1RSRP/RSRQ	RSRP	RSRQ
5	同频邻区2ID及频点	gNB ID	Cell ID	PCI	EARFCN/频点(D1)
						6	同频邻区2RSRP/RSRQ	RSRP	RSRQ
7	异频邻区1ID及频点	gNB ID	Cell ID	PCI	EARFCN/频点(D2)
						8	异频邻区1RSRP/RSRQ	RSRP	RSRQ
9	异频邻区2ID及频点	gNB ID	Cell ID	PCI	EARFCN/频点(D3)
						10	异频邻区2RSRP/RSRQ	RSRP	RSRQ
11	异频邻区3ID及频点	gNB ID	Cell ID	PCI	EARFCN/频点(F1)
						12	异频邻区3RSRP/RSRQ	RSRP	RSRQ
13	……	…	…	…	…
						14	异频邻区N ID及频点	gNB ID	Cell ID	PCI	EARFCN/频点(F2)
15	异频邻区N RSRP/RSRQ	RSRP	RSRQ

可选的，请参阅图2，所述异频测量估计模型学习模块用于根据所述训练集数据进行区域划分；基于区域划分结果，将所述训练集数据划分为针对每一区域的训练子集；针对每一所述区域，采用相应的训练子集训练得到相应区域的异频测量估计模型。

也即，所述异频测量估计模型学习模块包括三个功能模块，分别用于划分终端所处区域(即用于根据所述训练集数据进行区域划分)、建立学习模块训练子集(即基于区域划分结果，将所述训练集数据划分为针对每一区域的训练子集)、生成分区域的异频测量估计模型(即针对每一所述区域，采用相应的训练子集训练得到相应区域的异频测量估计模型)。

具体的，所述训练子集数据可以包括数据(data)和标签(label)两部分。data部分的数据采集时间与label部分的数据采集时间相对应。例如，数据部分可以包括T时间段内已知的各终端在每个时间窗内的以下数据：1、服务小区频点及其对应的信道质量指标值；2、与服务小区同频的邻区频点及其对应的信道质量指标值；3、同一区域内的其他终端的同频测量数据(包括同频测量的频点及其对应的信道质量指标值)和异频测量数据(包括异频测量的频点及其对应的信道质量指标值)。其中，第3部分的数据用于通过同一区域内的其他终端的同频和异频测量数据表征所述终端当前所处的无线环境的特征。标签部分包括所述终端测得的、与服务小区异频的频点及其对应的信道质量指标值。也即，每一所述训练子集数据包括对应区域内的各终端的历史同频测量数据和历史异频测量数据。表3为其中一个训练子集数据的示例。

表3一个训练子集的示例

(a)data部分

(b)label部分

需要说明的是，上述表3中邻区号顺序标记，N为邻区数阈值，若顺序标记的邻区号大于N，那么大于N的邻区的数据不记录到上述的data部分和label部分中，而若邻区数量不足N，则采用“NONE”补齐至N个邻区，也即邻区数量不足N的相关项标记为“NONE”。

可选的，所述异频测量估计模型可以通过数据挖掘的模型(如支持向量机(SVM)模型)、神经网络模型(如卷积神经网络(CNN)，深度神经网络(DNN)，循环神经网络(RNN))、机器学习算法(如Xgboost)、数据插值模型(如多维插值滤波器、维纳滤波器)等实现。

具体的，请参阅图3，图3为异频测量估计模型训练过程的一个示例图，ML(机器学习)/AI(人工智能)算法依据作为输入数据的训练子集数据(包括data部分和label部分)生成异频测量估计模型。

可选的，所述异频测量估计模型学习模块用于按照以下方式的其中之一进行区域划分：

终端接入的基站；

终端接入的基站的扇区；

终端所处的地理位置；

基于所述训练集数据中的历史测量数据进行聚类；

基于所述训练集数据中的历史测量数据划分栅格。

也即，本发明实施例中可采用上述四种方式中的任一种划分区域。

对于按照终端所处的地理位置来划分区域的方法，具体可以根据上述历史测量数据中指示终端地理位置的信息来划分。

对于基于历史测量数据进行聚类来划分区域的方法，具体是基于历史测量数据中的服务小区频点、邻区频点和信道质量指标的测量值(包括RSRP、RSRQ和RSSI中至少之一的测量值)，通过聚类算法划分区域。通过该方法划分的区域，是一个逻辑概念，不是依据地理位置划分，划分的区域的规模由信道质量指标的步长决定。在根据信道质量指标的测量值划分区域时，至少依据同频测量的信道质量指标值，优选的实施例中，依据同频测量的信道质量指标值和异频测量的信道质量指标值。

另外，对于通过划分栅格的方式来划分区域的方法，在栅格划分完成后不同的栅格对应不同的区域。栅格是一个多维空间中的“空间”表示方法，是一个虚拟概念。可选的，UE所处栅格可以由其服务小区和同频邻区的小区ID和RSRP值的号段确定。其中，RSRP值的号段可以是将RSRP取值范围划分成若干部分后，每部分用数字标记得到。例如，RSRP的取值范围为[-140,0]，以步长10dB可将RSRP取值范围14等分，为每等分分别取值0～13，则得到RSRP值的号段。实际应用时，可采用非等分的方式。举例来说，UE所处栅格可以由其服务小区ID、服务小区RSRP值的号段、同频邻区1的小区ID、同频邻区1的RSRP值的号段、同频邻区2的小区ID、同频邻区2的RSRP值的号(可取多个邻区的小区ID和RSRP值的号段，不仅限于两个)，进行精细划分。依据上述6个维度对某个栅格进行描述，具体为：栅格A(服务小区ID、服务小区RSRP值的号段、同频邻区1的小区ID、同频邻区1的RSRP值的号段、同频邻区2的小区ID、同频邻区2的RSRP值的号段)。6个属性确定的最小单位就是一个栅格，用这样的方法就把UE确定到某个栅格内了。

本发明实施例中，建立针对区域的异频测量估计模型，而不是建立针对终端的异频测量估计模型，是因为区域内的无线环境较终端相对稳定，利于采用机器学习算法建立模型的长期可用性。准确地对终端进行分组，也即划分区域，有利于提高采用机器学习算法建立的模型的预测精度。

请参阅图4，图4为本发明实施例二提供的一种异频测量估计系统的结构示意图，包括：

异频测量实时预测模块21，用于采用上述实施例一所述的模型训练系统训练得到的异频测量估计模型计算得到目标终端的异频测量估计值。

本发明实施例中，可以采用训练得到的异频测量估计模型对目标终端的异频测量数据进行预测(估计)，从而可以减少目标终端进行异频测量的次数，降低测量配置与测量上报的开销，降低异频测量对用户速率的影响。另外，由于可以提前预测异频测量结果，因此还可以改善基于测量的无线资源管理优化操作的滞后性。

可选的，在异频测量估计模型学习模块用于根据所述训练集数据进行区域划分并训练得到每一区域的异频测量估计模型的情况下，所述异频测量实时预测模块用于：

获取所述目标终端的预测输入数据，所述预测输入数据包括：所述目标终端的服务小区的频点及其对应的当前测量数据、与所述目标终端的服务小区同频频点的当前测量数据、与所述目标终端处于同一区域内的其他终端的当前同频测量数据和当前异频测量数据；

如图5所示，采用所述目标终端所处区域对应的异频测量估计模型，根据所述目标终端的预测输入数据计算得到所述目标终端的异频测量估计值。

本发明实施例中，可以采用异频测量估计模型，基于目标终端的同频测量数据预测(估计)异频测量数据，从而可以减少所述目标终端的异频测量次数，降低异频测量对目标终端的业务速率的影响。另外，利用目标终端所在区域内的其他终端的当前(实时)同频测量数据和当前(实时)异频测量数据来预测目标终端的异频测量数据，可有效提升预测精度。

需要说明的是，将所述预测输入数据输入到异频测量估计模型时的格式可参阅上述表3(a)，此处不再赘述。所述异频测量估计模型输出异频测量估计值的格式可参阅上述表3(b)，此处也不再赘述。

另外，本发明实施例中具体可采用监督学习算法实现异频测量估计值的预测过程。

对于上述预测输入数据，举例来说，当要对目标终端A进行t+1时刻的异频测量估计时，将以下数据作为所述预测输入数据：1.目标终端A在t时刻测量得到的服务小区的信道质量指标值，2.目标终端A在t时刻测量得到的同频邻区的信道质量指标值、异频邻区的信道质量指标值，3.目标终端A在t时刻测量得到的、与目标终端A处于同一区域内的其他已知终端在t时刻的同频测量的信道质量指标值和异频测量的信道质量指标值。

可选的，所述同一区域内的其他终端的当前异频测量数据包括采用所述异频测量估计模型计算得到的异频测量估计值。也即，所述同一区域内的其他终端的当前异频测量数据不仅可以包括其他终端实际测量得到的异频测量数据，也可以包括采用所述异频测量估计模型计算得到的异频测量估计值。

若所述其他终端的当前异频测量数据是按照测量周期测量得到的，那么可以根据异频测量估计值的精度要求对测量周期进行设置。

可选的，所述预测输入数据包括所述目标终端处于空闲态时测得的测量数据，和/或所述其他终端处于空闲态时测得的测量数据。终端在处于空闲态时进行测量，对终端业务的影响较小。

具体的，在为目标终端匹配异频测量估计模型时，可根据区域的划分方法先确定目标终端所处的区域，然后选择该区域对应的异频测量估计模型。例如，若是基于同频测量的RSRP值进行聚类来划分区域的，那么就根据目标终端的同频测量的RSRP值来确定对应的区域。

本发明实施例中的异频测量估计系统的预测过程可简单描述为：

第一步：准备阶段，数据采集与预处理模块从基站或网管采集小区的配置信息和周期性的用户测量报告数据(用于得到每一所述终端的历史测量数据)并进行预处理和数据关联后，输入至异频测量估计模型学习模块，异频测量估计模型学习模块收到数据后构建异频测量估计模型；

第二步：终端A需要进行异频测量估计时，根据其同频测量数据匹配所属区域；

第三步：收集终端A所属区域内各终端当前时刻同频和异频测量的实时数据；

第四步：将第三步收集的数据和终端A的同频测量数据作为与终端A所属区域对应的异频测量估计模型的输入，经过计算得到终端A的异频测量估计值。

之后，可以基于异频测量估计结果，进行相应的RRM优化处理。

请参阅图6，图6为本发明实施例三提供的一种模型训练方法的流程示意图，包括以下步骤：

步骤31：获取训练集数据，所述训练集数据包括小区的配置信息和所述小区内的终端测得的历史测量数据；

步骤32：根据所述训练集数据训练得到用于计算目标终端的异频测量估计值的异频测量估计模型。

本发明实施例中，可以训练得到用于计算目标终端的异频测量估计值的异频测量估计模型，也即可以采用该模型对目标终端的异频测量数据进行预测(估计)，从而可以减少目标终端进行异频测量的次数，降低测量配置与测量上报的开销，降低异频测量对用户速率的影响。另外，由于可以提前预测异频测量结果，因此还可以改善基于测量的无线资源管理优化操作的滞后性。

下面举例说明上述模型训练方法。

可选的，每一所述小区的配置信息包括小区标识信息、小区载波频点信息和邻区列表；每一所述终端的历史测量数据包括以下至少之一：

所述终端的服务小区的频点对应的测量数据；

与所述终端的服务小区同频频点的测量数据；

与所述终端的服务小区异频频点的测量数据。

具体的，所述小区的配置信息和所述历史测量数据可以从基站和/或网管获取，

可选的，所述获取训练集数据的步骤包括：

根据所述小区的配置信息对所述历史测量数据进行数据关联，得到每个所述终端的数据关联表作为所述训练集数据，所述数据关联表包括所述终端的服务小区及其邻区的标识信息、载波频点信息和频点的测量数据。

可选的，所述根据所述训练集数据训练得到用于计算目标终端的异频测量估计值的异频测量估计模型的步骤包括：

根据所述训练集数据进行区域划分；

基于区域划分结果，将所述训练集数据划分为针对每一区域的训练子集；

针对每一所述区域，采用相应的训练子集训练得到相应区域的异频测量估计模型。

可选的，所述根据所述训练集数据进行区域划分的步骤包括：

按照以下方式的其中之一进行区域划分：

终端接入的基站；

终端接入的基站的扇区；

终端所处的地理位置；

基于所述训练集数据中的历史测量数据进行聚类；

基于所述训练集数据中的历史测量数据划分栅格。

可选的，所述历史测量数据包括所述终端处于空闲态时测得的测量数据。

本发明实施例是与上述产品实施例一对应的方法实施例，具有相同的发明构思，能达到相同的有益效果，因此此处不再赘述，详细可参阅上述实施例一。

请参阅图7，图7是本发明实施例四提供的一种异频测量估计方法的流程示意图，包括以下步骤：

步骤41：采用根据上述实施例三所述的模型训练方法训练得到的异频测量估计模型计算得到目标终端的异频测量估计值。

本发明实施例中，可以采用训练得到的异频测量估计模型对目标终端的异频测量数据进行预测(估计)，从而可以减少目标终端进行异频测量的次数，降低测量配置与测量上报的开销，降低异频测量对用户速率的影响。另外，由于可以提前预测异频测量结果，因此还可以改善基于测量的无线资源管理优化操作的滞后性。

可选的，在根据所述训练集数据进行区域划分并训练得到每一区域的异频测量估计模型的情况下，采用所述异频测量估计模型计算得到目标终端的异频测量估计值的步骤包括：

获取所述目标终端的预测输入数据，所述预测输入数据包括：所述目标终端的服务小区的频点及其对应的当前测量数据、与所述目标终端的服务小区同频频点的当前测量数据、与所述目标终端处于同一区域内的其他终端的当前同频测量数据和当前异频测量数据；

采用所述目标终端所处区域对应的异频测量估计模型，根据所述目标终端的预测输入数据计算得到所述目标终端的异频测量估计值。

可选的，所述同一区域内的其他终端的当前异频测量数据包括采用所述异频测量估计模型计算得到的异频测量估计值。

本发明实施例是与上述产品实施例二对应的方法实施例，具有相同的发明构思，能达到相同的有益效果，因此此处不再赘述，详细可参阅上述实施例二。

请参阅图8，图8是本发明实施例五提供的一种异频测量估计方法的流程示意图，该异频测量估计方法采用监督学习算法，可分为模型训练段和预测阶段两个阶段，具体包括以下步骤：

1.基站(gNB)通过RRC(无线资源控制)连接重配置消息对终端(UE)进行测量配置，终端按照测量配置信息进行测量，包括对服务小区/邻区的信道质量评估和上报；

2.非实时的无线智能控制器(Non-real-time RAN Intelligent Controller，简称Non-RT RIC)单元收集小区的配置信息；

3.Non-RT RIC单元收集终端上报的测量数据；

4.Non-RT RIC单元建立训练集，划分终端所属区域，并训练得到每个区域的异频测量估计模型。具体的数据采集和预处理方式及训练方法如上述实施例一所述；

5.Non-RT RIC将训练得到异频测量估计模型下发给近实时的无线智能控制器(Near-real-time RAN Intelligent Controller，简称near-RT RIC)；

6.Near-RT RIC从gNB获得目标终端实时的同频测量数据及目标终端所在区域内的各终端的同频和异频测量的实时数据；并将所在区域内的各终端的同频和异频测量的实时数据和目标终端的同频测量数据作为异频测量估计模型的输入，得到目标终端的异频测量估计结果；Near-RT RIC基于异频测量估计结果得到目标终端与小区的配对接入建议；

7.Near-RT RIC将目标终端与小区的接入配对建议发送给gNB，供gNB参考以制定RRM优化策略。

其中，Non-RT RIC支持非实时的智能无线资源管理、更高层的过程优化、无线接入网(Radio Access Network，简称RAN)中的策略优化，以及向Near-RT RIC提供AI/ML模型；Near-RT RIC可以进行诸如无线连接管理、移动性管理、UE级粒度上的负载平衡、QoS管理、干扰管理、调度策略和分片相关的优化等控制功能。

请参阅图9，图9是本发明实施例六提供的一种模型训练系统的结构示意图，该模型训练系统60包括处理器61、存储器62及存储在所述存储器62上并可在所述处理器61上运行的计算机程序；所述处理器61执行所述计算机程序时实现如下步骤：

获取训练集数据，所述训练集数据包括小区的配置信息和所述小区内的终端测得的历史测量数据；

根据所述训练集数据训练得到用于计算目标终端的异频测量估计值的异频测量估计模型。

可选的，每一所述小区的配置信息包括小区标识信息、小区载波频点信息和邻区列表；每一所述终端的历史测量数据包括以下至少之一：

所述终端的服务小区的频点对应的测量数据；

与所述终端的服务小区同频频点的测量数据；

与所述终端的服务小区异频频点的测量数据。

可选的，所述处理器61执行所述计算机程序时还可实现如下步骤：

所述获取训练集数据的步骤包括：

根据所述小区的配置信息对所述历史测量数据进行数据关联，得到每个所述终端的数据关联表作为所述训练集数据，所述数据关联表包括所述终端的服务小区及其邻区的标识信息、载波频点信息和频点的测量数据。

可选的，所述处理器61执行所述计算机程序时还可实现如下步骤：

所述根据所述训练集数据训练得到用于计算目标终端的异频测量估计值的异频测量估计模型的步骤包括：

根据所述训练集数据进行区域划分；

基于区域划分结果，将所述训练集数据划分为针对每一区域的训练子集；

针对每一所述区域，采用相应的训练子集训练得到相应区域的异频测量估计模型。

可选的，所述处理器61执行所述计算机程序时还可实现如下步骤：

所述根据所述训练集数据进行区域划分的步骤包括：

按照以下方式的其中之一进行区域划分：

终端接入的基站；

终端接入的基站的扇区；

终端所处的地理位置；

基于所述训练集数据中的历史测量数据进行聚类；

基于所述训练集数据中的历史测量数据划分栅格。

本发明实施例的具体工作过程与上述方法实施例三中的一致，故在此不再赘述，详细请参阅上述实施例三中方法步骤的说明。

请参阅图10，图10是本发明实施例七提供的一种异频测量估计系统的结构示意图，该异频测量估计系统70包括处理器71、存储器72及存储在所述存储器72上并可在所述处理器71上运行的计算机程序；所述处理器71执行所述计算机程序时实现如下步骤：

采用根据上述实施例三所述的模型训练方法训练得到的异频测量估计模型计算得到目标终端的异频测量估计值。

可选的，所述处理器71执行所述计算机程序时还可实现如下步骤：

在根据所述训练集数据进行区域划分并训练得到每一区域的异频测量估计模型的情况下，采用所述异频测量估计模型计算得到目标终端的异频测量估计值的步骤包括：

获取所述目标终端的预测输入数据，所述预测输入数据包括：所述目标终端的服务小区的频点及其对应的当前测量数据、与所述目标终端的服务小区同频频点的当前测量数据、与所述目标终端处于同一区域内的其他终端的当前同频测量数据和当前异频测量数据；

采用所述目标终端所处区域对应的异频测量估计模型，根据所述目标终端的预测输入数据计算得到所述目标终端的异频测量估计值。

可选的，所述同一区域内的其他终端的当前异频测量数据包括采用所述异频测量估计模型计算得到的异频测量估计值。

本发明实施例的具体工作过程与上述方法实施例四中的一致，故在此不再赘述，详细请参阅上述实施例四中方法步骤的说明。

本发明实施例八提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述实施例三中任一种模型训练方法中的步骤或者实现上述实施例四中任一种异频测量估计方法中的步骤。详细请参阅以上对应实施例中方法步骤的说明。

本发明实施例中的基站可以是全球移动通讯(Global System of Mobilecommunication，简称GSM)或码分多址(Code Division Multiple Access，简称CDMA)中的基站(Base Transceiver Station，简称BTS)，也可以是宽带码分多址(Wideband CodeDivision Multiple Access，简称WCDMA)中的基站(NodeB，简称NB)，还可以是LTE中的演进型基站(Evolutional Node B，简称eNB或eNodeB)，或者中继站或接入点，或者未来5G网络中的基站等，在此并不限定。

本发明实施例中的终端可以是无线终端也可以是有线终端，无线终端可以是指向用户提供语音和/或其他业务数据连通性的设备，具有无线连接功能的手持式设备、或连接到无线调制解调器的其他处理设备。无线终端可以经无线接入网(Radio Access Network，简称RAN)与一个或多个核心网进行通信，无线终端可以是移动终端，如移动电话(或称为“蜂窝”电话)和具有移动终端的计算机，例如，可以是便携式、袖珍式、手持式、计算机内置的或者车载的移动装置，它们与无线接入网交换语言和/或数据。例如，个人通信业务(Personal Communication Service，简称PCS)电话、无绳电话、会话发起协议(SessionInitiation Protocol，简称SIP)话机、无线本地环路(Wireless Local Loop，简称WLL)站、个人数字助理(Personal Digital Assistant，简称PDA)等设备。无线终端也可以称为系统、订户单元(Subscriber Unit)、订户站(Subscriber Station)，移动站(MobileStation)、移动台(Mobile)、远程站(Remote Station)、远程终端(Remote Terminal)、接入终端(Access Terminal)、用户终端(User Terminal)、用户代理(User Agent)、终端(UserDevice or User Equipment)，在此不作限定。

上述计算机可读存储介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。

以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (21)

1.一种模型训练系统，其特征在于，包括：

数据采集与预处理模块，用于获取训练集数据，所述训练集数据包括小区的配置信息和所述小区内的终端测得的历史测量数据；

异频测量估计模型学习模块，用于根据所述训练集数据训练得到用于计算目标终端的异频测量估计值的异频测量估计模型。

2.根据权利要求1所述的系统，其特征在于，每一所述小区的配置信息包括小区标识信息、小区载波频点信息和邻区列表；每一所述终端的历史测量数据包括以下至少之一：

所述终端的服务小区的频点对应的测量数据；

与所述终端的服务小区同频频点的测量数据；

与所述终端的服务小区异频频点的测量数据。

3.根据权利要求1所述的系统，其特征在于，所述数据采集与预处理模块包括：

数据处理和关联单元，用于根据所述小区的配置信息对所述历史测量数据进行数据关联，得到每个所述终端的数据关联表作为所述训练集数据，所述数据关联表包括所述终端的服务小区及其邻区的标识信息、载波频点信息和频点的测量数据。

4.根据权利要求1所述的系统，其特征在于，所述异频测量估计模型学习模块用于根据所述训练集数据进行区域划分；基于区域划分结果，将所述训练集数据划分为针对每一区域的训练子集；针对每一所述区域，采用相应的训练子集训练得到相应区域的异频测量估计模型。

5.根据权利要求4所述的系统，其特征在于，所述异频测量估计模型学习模块用于按照以下方式的其中之一进行区域划分：

终端接入的基站；

终端接入的基站的扇区；

终端所处的地理位置；

基于所述训练集数据中的历史测量数据进行聚类；

基于所述训练集数据中的历史测量数据划分栅格。

6.根据权利要求1所述的系统，其特征在于，所述历史测量数据包括所述终端处于空闲态时测得的测量数据。

7.一种异频测量估计系统，其特征在于，包括：

异频测量实时预测模块，用于采用权利要求1-6中任一项所述的模型训练系统训练得到的异频测量估计模型计算得到目标终端的异频测量估计值。

8.根据权利要求7所述的系统，其特征在于，在异频测量估计模型学习模块用于根据训练集数据进行区域划分并训练得到每一区域的异频测量估计模型的情况下，所述异频测量实时预测模块用于：

获取所述目标终端的预测输入数据，所述预测输入数据包括：所述目标终端的服务小区的频点及其对应的当前测量数据、与所述目标终端的服务小区同频频点的当前测量数据、与所述目标终端处于同一区域内的其他终端的当前同频测量数据和当前异频测量数据；

采用所述目标终端所处区域对应的异频测量估计模型，根据所述目标终端的预测输入数据计算得到所述目标终端的异频测量估计值。

9.根据权利要求8所述的系统，其特征在于，所述同一区域内的其他终端的当前异频测量数据包括采用所述异频测量估计模型计算得到的异频测量估计值。

10.根据权利要求8所述的系统，其特征在于，所述预测输入数据包括所述目标终端处于空闲态时测得的测量数据，和/或所述其他终端处于空闲态时测得的测量数据。

11.一种模型训练方法，其特征在于，包括：

获取训练集数据，所述训练集数据包括小区的配置信息和所述小区内的终端测得的历史测量数据；

根据所述训练集数据训练得到用于计算目标终端的异频测量估计值的异频测量估计模型。

12.根据权利要求11所述的方法，其特征在于，每一所述小区的配置信息包括小区标识信息、小区载波频点信息和邻区列表；每一所述终端的历史测量数据包括以下至少之一：

所述终端的服务小区的频点对应的测量数据；

与所述终端的服务小区同频频点的测量数据；

与所述终端的服务小区异频频点的测量数据。

13.根据权利要求11所述的方法，其特征在于，所述获取训练集数据的步骤包括：

根据所述小区的配置信息对所述历史测量数据进行数据关联，得到每个所述终端的数据关联表作为所述训练集数据，所述数据关联表包括所述终端的服务小区及其邻区的标识信息、载波频点信息和频点的测量数据。

14.根据权利要求11所述的方法，其特征在于，所述根据所述训练集数据训练得到用于计算目标终端的异频测量估计值的异频测量估计模型的步骤包括：

根据所述训练集数据进行区域划分；

基于区域划分结果，将所述训练集数据划分为针对每一区域的训练子集；

针对每一所述区域，采用相应的训练子集训练得到相应区域的异频测量估计模型。

15.根据权利要求14所述的方法，其特征在于，所述根据所述训练集数据进行区域划分的步骤包括：

按照以下方式的其中之一进行区域划分：

终端接入的基站；

终端接入的基站的扇区；

终端所处的地理位置；

基于所述训练集数据中的历史测量数据进行聚类；

基于所述训练集数据中的历史测量数据划分栅格。

16.一种异频测量估计方法，其特征在于，包括：

采用根据权利要求11-15中任一项所述的模型训练方法训练得到的异频测量估计模型计算得到目标终端的异频测量估计值。

17.根据权利要求16所述的方法，其特征在于，在根据训练集数据进行区域划分并训练得到每一区域的异频测量估计模型的情况下，采用所述异频测量估计模型计算得到目标终端的异频测量估计值的步骤包括：

获取所述目标终端的预测输入数据，所述预测输入数据包括：所述目标终端的服务小区的频点及其对应的当前测量数据、与所述目标终端的服务小区同频频点的当前测量数据、与所述目标终端处于同一区域内的其他终端的当前同频测量数据和当前异频测量数据；

采用所述目标终端所处区域对应的异频测量估计模型，根据所述目标终端的预测输入数据计算得到所述目标终端的异频测量估计值。

18.根据权利要求17所述的方法，其特征在于，所述同一区域内的其他终端的当前异频测量数据包括采用所述异频测量估计模型计算得到的异频测量估计值。

19.一种模型训练系统，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序；其特征在于，所述处理器执行所述计算机程序时实现如权利要求11至15中任一项所述的模型训练方法。

20.一种异频测量估计系统，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序；其特征在于，所述处理器执行所述计算机程序时实现如权利要求16至18中任一项所述的异频测量估计方法。

21.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求11至15中任一项所述的模型训练方法中的步骤或者实现如权利要求16至18中任一项所述的异频测量估计方法中的步骤。

Images