CN112533234A - 基于机器学习的5g载波带宽配置方法及装置 - Google Patents
基于机器学习的5g载波带宽配置方法及装置 Download PDFInfo
- Publication number
- CN112533234A CN112533234A CN201910889412.8A CN201910889412A CN112533234A CN 112533234 A CN112533234 A CN 112533234A CN 201910889412 A CN201910889412 A CN 201910889412A CN 112533234 A CN112533234 A CN 112533234A
- Authority
- CN
- China
- Prior art keywords
- cell
- service
- rate
- carrier bandwidth
- calculating
- 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.)
- Granted
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/02—Arrangements for optimising operational condition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W72/00—Local resource management
- H04W72/04—Wireless resource allocation
- H04W72/044—Wireless resource allocation based on the type of the allocated resource
- H04W72/0453—Resources in frequency domain, e.g. a carrier in FDMA
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明公开了一种基于机器学习的5G载波带宽配置方法及装置,其中,该方法包括:利用训练得到的时间序列预测模型预测待配置小区在预设时段内的用户数量;评估待配置小区内多种业务类型的保障速率,以及计算多种业务类型的业务占比;根据用户数量、保障速率以及业务占比计算待配置小区的期望速率;根据期望速率对待配置小区的5G载波带宽进行配置处理。由此可见,利用本发明方案,可以对待配置小区的5G载波带宽进行灵活配置,使得配置后的载波带宽与业务相匹配,同时可以避免因带宽配置不合理而造成能源浪费。
Description
技术领域
本发明涉及无线通信技术领域,具体涉及一种基于机器学习的5G载波带宽配置方法及装置。
背景技术
在4G时代,网络能耗不断攀升。通信网络能耗占运营商总能耗的85%,其中基站机房能耗中主设备占比为50%,而主设备能耗中RRU能耗占比80%。而5G时代,由于设备部署需要更高的频段,更大的带宽,更多的天线(Massive MIMO技术),导致5G基站能耗是4G基站的3倍,这将带来成倍上升的运营支出。
与此同时,相比4G网络支持的6种载波带宽配置,目前5G网络,仅FR1的带宽配置就支持从5M到100M的共13种载波带宽配置之多。而现有的5G载波带宽配置方式一般为静态配置方式,为了保证最大下载速率,5G基站的载波带宽配置一般为100M,这种静态的载波配置方式无法应对小区内业务类型的变化,而且将带来巨大的能源消耗。在此基础上,现有的载频带宽的调整主要依据操作者的经验,而操作者的经验往往并不能对小区带宽需求进行整体的、深入的、全面的分析,而且这种调整方式由人工手动处理,效率较低。
发明内容
鉴于上述问题,提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的基于机器学习的5G载波带宽配置方法及装置。
根据本发明的一个方面,提供了一种基于机器学习的5G载波带宽配置方法,包括:
利用训练得到的时间序列预测模型预测待配置小区在预设时段内的用户数量;评估待配置小区内多种业务类型的保障速率,以及计算所述多种业务类型的业务占比;
根据所述用户数量、保障速率以及业务占比计算待配置小区的期望速率;根据所述期望速率对待配置小区的5G载波带宽进行配置处理。
可选的,在所述利用训练得到的时间序列预测模型预测待配置小区在预设时段内的用户数量之前,所述方法还包括:
采集待配置小区的历史业务量数据进行训练,得到时间序列预测模型。
可选的,所述评估待配置小区内多种业务类型的保障速率具体为:
针对每种业务类型,通过对多个该业务类型进行速率测试,评估得到该业务类型正常的保障速率。
可选的,所述计算所述多种业务类型的业务占比进一步包括:
每隔预设周期对数据包进行解析,得到该预设周期内的待配置小区的业务集合;
计算所述业务集合中每种业务类型的业务数量与所述业务集合中的业务总数量的比值,将所述比值确定为该业务种类的业务占比。
可选的,所述保障速率包括下行保障速率和上行保障速率;
所述根据所述用户数量、保障速率以及业务占比计算待配置小区的期望速率进一步包括:
对多种业务类型的下行保障速率和业务占比的乘积求和,得到第一求和结果,计算第一求和结果与用户数量的乘积,得到待配置小区的下行保障速率;以及,对多种业务类型的上行保障速率和业务占比的乘积求和,得到第二求和结果,计算第二求和结果与用户数量的乘积,得到待配置小区的上行保障速率;
将所述下行保障速率和上行保障速率中的最大值确定为所述待配置小区的期望速率。
可选的,所述根据所述期望速率对待配置小区的5G载波带宽进行配置处理进一步包括:
查询5G网络多种带宽模式下支持的最大速率,根据所述最大速率和期望速率确定待配置小区所需的带宽;
判断该所需的带宽与现网配置的载波带宽是否一致,若否,则根据该所需的带宽生成配置指令以对待配置小区的5G载波带宽进行配置处理。
根据本发明的另一方面,提供了一种基于机器学习的5G载波带宽配置装置,包括:
预测模块,适于利用训练得到的时间序列预测模型预测待配置小区在预设时段内的用户数量;
评估模块,适于评估待配置小区内多种业务类型的保障速率;
计算模块,适于计算所述多种业务类型在时间维度上的业务占比;
配置模块,适于根据所述用户数量、保障速率以及业务占比计算待配置小区的期望速率;根据所述期望速率对待配置小区的5G载波带宽进行配置处理。
根据本发明的又一方面,提供了一种计算设备,包括:处理器、存储器、通信接口和通信总线,所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信;
所述存储器用于存放至少一可执行指令,所述可执行指令使所述处理器执行上述基于机器学习的5G载波带宽配置方法对应的操作。
根据本发明的再一方面,提供了一种计算机存储介质,所述存储介质中存储有至少一可执行指令,所述可执行指令使处理器执行如上述基于机器学习的5G载波带宽配置方法对应的操作。
根据本发明的基于机器学习的5G载波带宽配置方法及装置,根据待配置小区的业务压力进行载波带宽的配置,相较于现有技术中静态配置的方式,可以使得配置的载波带宽与业务压力相匹配,有利于较降低基站的能源消耗;以及,相较于靠经验进行带宽调整的方案,本实施例方案可以自动采集业务数据,基于机器学习的方式自动确定用户数量、保障速率以及业务占比并进行适应于当前业务压力的载波带宽的调整,该调整过程不再依赖于人工经验,而是通过对用户数量、保障速率以及业务占比进行整体的分析衡量,使得调整结果更为准确,效率更高。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1示出了本发明基于机器学习的5G载波带宽配置方法实施例的流程图;
图2示出了本发明基于机器学习的5G载波带宽配置方法方法另一个实施例的流程图;
图3示出了本发明一个具体实施例中的配置算法的具体算法流程;
图4示出了本发明基于机器学习的5G载波带宽配置装置实施例的结构示意图;
图5示出了本发明计算设备实施例的结构示意图。
具体实施方式
下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例,然而应当理解,可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本发明,并且能够将本发明的范围完整的传达给本领域的技术人员。
图1示出了本发明基于机器学习的5G载波带宽配置方法实施例的流程图,该方法可用于对任意小区进行5G载波在宽的灵活配置。如图1所示,该方法包括以下步骤:
步骤S110:利用训练得到的时间序列预测模型预测待配置小区在预设时段内的用户数量;评估待配置小区内多种业务类型的保障速率,以及计算多种业务类型的业务占比。
其中,时间序列预测模型是指用户数量随时间变化的拟合模型,其中,预设时间段是指未来的一时间段。通过该时间序列预测模型可以预测得到待配置小区在未来时间段的用户数量。
其中,每种业务类型的保障速率是指用户正常使用该业务所需的最低速率。对于每种业务类型的保障速率的评估,可通过单业务类型测试得到。
以及,每种业务类型的业务占比是指该业务类型的业务量待配置小区内的业务总量的占比。
需要在此说明的是,上述用户数量、保障速率以及业务占比通过机器自动采集业务数据以及用户数据,并进一步分析得到,而无需人工参与。
步骤S120:根据用户数量、保障速率以及业务占比计算待配置小区的期望速率;根据期望速率对待配置小区的5G载波带宽进行配置处理。
在本发明中,根据该待配置小区未来时间段内的用户数量、多种业务类型的保障速率以及业务占比计算期望速率,则计算得到的期望速率与该待配置小区将来的业务压力相匹配,可以在该用户数量和业务占比的条件下,保障正常提供该多种业务类型的业务;同时,期望速率为对应保障正常提供各种业务类型的业务的速率,则相当于是速率的下限。相应的,根据该期望速率配置的载波带宽可以在满足业务要求的同时,降低能耗。
根据本实施例提供的基于机器学习的5G载波带宽配置方法,根据待配置小区的业务压力进行载波带宽的配置,相较于现有技术中静态配置的方式,可以使得配置的载波带宽与业务压力相匹配,有利于较降低基站的能源消耗;以及,相较于靠经验进行带宽调整的方案,本实施例方案可以自动采集业务数据,基于机器学习的方式自动确定用户数量、保障速率以及业务占比并进行适应于当前业务压力的载波带宽的调整,该调整过程不再依赖于人工经验,而是通过对用户数量、保障速率以及业务占比进行整体的分析衡量,使得调整结果更为准确,效率更高。
图2示出了本发明基于机器学习的5G载波带宽配置方法方法另一个实施例的流程图,如图2所示,该方法包括以下步骤:
步骤S210:利用训练得到的时间序列预测模型预测待配置小区在预设时段内的用户数量。
具体的,通过采集待配置小区的历史业务量数据进行训练,得到时间序列预测模型,即得到用户数量随时间变化的拟合模型。
在本发明的一些可选的实施例中,时间序列模型为自回归移动平均模型(Autoregressive Integrated Moving Average Model,简称ARIMA)。用户数量的时间序列,受趋势、季节、周期以及随机因素影响,在利用ARIMA进行训练时,首先将趋势、季节、周期因素从数据中过滤掉,而对剩下的部分进行建模,得到模型后再把趋势、季节、周期因素整合进去,最后得到时间序列模型。通过这种方式得到的时间序列模型,全面的考虑到影响用户数量的各个因素,使得后续利用该模型预测得到的未来的用户数量更为准确。其中,可根据实际需求,拟合得到小时用户数、最忙时用户数、忙时用户数、和/或全天用户数的模型。
举例来说,使用ARIMA依据过去1个月的历史业务量数据建立普通用户数量的预测模型:
ARIMA(data,c(1,1,1),seasonal=list(order=c(1,2,1),period=7));
非季节部分参数:AR=1,degree of differencing=1,MA order=1;
季节部分参数:AR=1,degree of differencing=2,MA order=1;
Period=7周期设置为7天(模型可直接识别工作日与周末),设置二阶差分对周期性、季节性等趋势进行平滑处理。
步骤S220:评估待配置小区内多种业务类型的保障速率;其中,保障速率包括下行保障速率和上行保障速率。
其中,每种业务类型的保障速率是指用户正常使用该业务所需的最低速率。
具体地,针对每种业务类型,通过对多个该业务类型进行速率测试,评估得到该业务类型正常的保障速率。为了评估不同业务类型所需要的最低保障速率,可在封闭空闲空间,例如车库里,使用商用终端进行海量单业务测试,其中,典型业务要保障用户感知。表1示出了本发明一个具体实施例中的典型业务及其保障速率。如下表1所示,每种业务类型的保障速率包括上行保障速率和下行保障速率:
步骤S230:计算多种业务类型的业务占比。
具体地,每隔预设周期对数据包进行解析,得到该预设周期内的待配置小区的业务集合;计算业务集合中每种业务类型的业务数量与业务集合中的业务总数量的比值,将比值确定为该业务种类的业务占比。例如,预设周期为1秒,每1秒进行一次数据包切片分析,对该时间周期内的数据包所属小区、用户归属及业务类型进行解析。
可选的,可通过DPI系统对小区不同业务特征进行分析,即分别计算出该小区下不同业务在时间维度上的使用比例。其中,DPI系统通常是指运营商的网络通道中的互联网流量监控、分析管理的系统,由硬件和软件组成。表2示出了本发明一个具体实施例中的典型业务及其代号。
以表2为例,假设同一小区下用户的业务为集合B,在切片分析时段内可得到用户所有业务进行情况{a…b…c…h…},可计算得到该小区用户不同业务在时间维度上的占比如下:
WEB业务占比=count(a)/count(B);
Streaming(480P&below)业务占比=count(b)/count(B);
Streaming(720P)业务占比=count(c)/count(B);
Streaming(1080P)业务占比=count(d)/count(B);
IM业务占比=count(e)/count(B);
P2P业务占比=count(f)/count(B);
File Access业务占比=count(g)/count(B);
Other业务占比=count(h)/count(B)。
步骤S240:根据用户数量、上行保障速率、下行保障速率以及业务占比计算待配置小区的期望速率。
具体地,对多种业务类型的下行保障速率和业务占比的乘积求和,得到第一求和结果,计算第一求和结果与用户数量的乘积,得到待配置小区的下行保障速率,即下行保障速率=预测用户数量*∑(业务类型的业务占比*对应业务类型的下行保障速率);以及,对多种业务类型的上行保障速率和业务占比的乘积求和,得到第二求和结果,计算第二求和结果与用户数量的乘积,得到待配置小区的上行保障速率,即上行保障速率=预测用户数量*∑(业务类型的业务占比*对应业务类型的上行保障速率);将下行保障速率和上行保障速率中的最大值确定为待配置小区的期望速率。
步骤S250:根据期望速率对待配置小区的5G载波带宽进行配置处理。
具体地,查询5G网络多种带宽模式下支持的最大速率,根据最大速率和期望速率确定待配置小区所需的带宽;例如,FR1的带宽配置支持从5M到100M的共13种载波带宽模式,而每种模式具有其支持的最大速率,选择距离期望速率最近、且大于该期望速率的最大速率所在的带宽模式为待配置小区所需的带宽。判断该所需的带宽与现网配置的载波带宽是否一致,若否,则根据该所需的带宽生成配置指令以对待配置小区的5G载波带宽进行配置处理,其中,现网配置可以为静态模式下配置的100M、利用现有技术调整的载波带宽的配置、或者是利用本发明方案调整的载波带宽的配置。在本实施例中,当得到待配置的小区后,首先进行配置调整的判断,当该所需的带宽与现网配置不相同时,才生成携带该所需的带宽的调整指令并连接5G网管自动执行操作。其中,一种特殊的情况是,该所需的带宽超过100M,即使其与现网配置不同,也不再进行调整。
图3示出了本发明一个具体实施例中的配置算法的具体算法流程。如图3所示,其中,待分析小区(同待配置小区)载波带宽的配置的算法流程如下:通过大数据分析得到的不同业务用户保障速率、用户数预测结果以及小区业务类型比例,根据上述三种分析结果计算小区需要保障的速率(同期望速率);判断该期望速率所需的载波带宽是否超过100M,若超过,则无需进行调整,若未超过,则进一步将该所需的载波带宽与现网载波带宽进行匹配,若匹配一致,则无需进行调整,若匹配不一致,则根据所需的载波带宽确定小区载波带宽配置,并自动调整小区载波带宽配置,以适应当前的业务压力。
根据本实施例提供的基于机器学习的5G载波带宽配置方法,弥补了现有操作繁琐的人工数据、计划执行的不足,首先根据对基站运行数据采集,分析基站需要的载波带宽配置,通过与现网配置的载波带宽配置进行匹配调整,避免因带宽浪费导致的巨大能源消耗,最大化提升基站的频谱利用效率;最后,采取系统下发节能策略方式,对每个基站实施单独指令,尽可能避免应人工对网络层设备关停策略的实施,对设备频繁操作造成失误,降低操作过程对网络的不利影响。因此利用本方法进行5G载波带宽的自适应配置,能够有效降低基站能耗,同时提升基站频谱利用效率。
图4示出了本发明基于机器学习的5G载波带宽配置装置实施例的结构示意图。如图4所示,该装置包括:
预测模块410,适于利用训练得到的时间序列预测模型预测待配置小区在预设时段内的用户数量;
评估模块420,适于评估待配置小区内多种业务类型的保障速率;
计算模块430,适于计算所述多种业务类型在时间维度上的业务占比;
配置模块440,适于根据所述用户数量、保障速率以及业务占比计算待配置小区的期望速率;根据所述期望速率对待配置小区的5G载波带宽进行配置处理。
在一种可选的实施方式中,所述装置还包括:训练模块,适于采集待配置小区的历史业务量数据进行训练,得到时间序列预测模型。
在一种可选的实施方式中,评估模块进一步适于:针对每种业务类型,通过对多个该业务类型进行速率测试,评估得到该业务类型正常的保障速率。
在一种可选的实施方式中,计算模块进一步适于:每隔预设周期对数据包进行解析,得到该预设周期内的待配置小区的业务集合;
计算所述业务集合中每种业务类型的业务数量与所述业务集合中的业务总数量的比值,将所述比值确定为该业务种类的业务占比。
在一种可选的实施方式中,所述保障速率包括下行保障速率和上行保障速率;配置模块进一步适于:
对多种业务类型的下行保障速率和业务占比的乘积求和,得到第一求和结果,计算第一求和结果与用户数量的乘积,得到待配置小区的下行保障速率;以及,对多种业务类型的上行保障速率和业务占比的乘积求和,得到第二求和结果,计算第二求和结果与用户数量的乘积,得到待配置小区的上行保障速率;
将所述下行保障速率和上行保障速率中的最大值确定为所述待配置小区的期望速率。
在一种可选的实施方式中,配置模块进一步适于:查询5G网络多种带宽模式下支持的最大速率,根据所述最大速率和期望速率确定待配置小区所需的带宽;
判断该所需的带宽与现网配置的载波带宽是否一致,若否,则根据该所需的带宽生成配置指令以对待配置小区的5G载波带宽进行配置处理。
本发明实施例提供了一种非易失性计算机存储介质,所述计算机存储介质存储有至少一可执行指令,该计算机可执行指令可执行上述任意方法实施例中的基于机器学习的5G载波带宽配置方法。
图5示出了本发明计算设备实施例的结构示意图,本发明具体实施例并不对计算设备的具体实现做限定。
如图5所示,该计算设备可以包括:处理器(processor)502、通信接口(Communications Interface)504、存储器(memory)506、以及通信总线508。
其中:处理器502、通信接口504、以及存储器506通过通信总线508完成相互间的通信。通信接口504,用于与其它设备比如客户端或其它服务器等的网元通信。处理器502,用于执行程序510,具体可以执行上述用于计算设备的基于机器学习的5G载波带宽配置方法实施例中的相关步骤。
具体地,程序510可以包括程序代码,该程序代码包括计算机操作指令。
处理器502可能是中央处理器CPU,或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit),或者是被配置成实施本发明实施例的一个或多个集成电路。计算设备包括的一个或多个处理器,可以是同一类型的处理器,如一个或多个CPU;也可以是不同类型的处理器,如一个或多个CPU以及一个或多个ASIC。
存储器506,用于存放程序510。存储器506可能包含高速RAM存储器,也可能还包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。
程序510具体可以用于使得处理器502执行以下操作:
利用训练得到的时间序列预测模型预测待配置小区在预设时段内的用户数量;评估待配置小区内多种业务类型的保障速率,以及计算所述多种业务类型的业务占比;
根据所述用户数量、保障速率以及业务占比计算待配置小区的期望速率;根据所述期望速率对待配置小区的5G载波带宽进行配置处理。
在一种可选的方式中,所述程序510使所述处理器执行以下操作:
采集待配置小区的历史业务量数据进行训练,得到时间序列预测模型。
在一种可选的方式中,所述程序510使所述处理器执行以下操作:
针对每种业务类型,通过对多个该业务类型进行速率测试,评估得到该业务类型正常的保障速率。
在一种可选的方式中,所述程序510使所述处理器执行以下操作:
每隔预设周期对数据包进行解析,得到该预设周期内的待配置小区的业务集合;
计算所述业务集合中每种业务类型的业务数量与所述业务集合中的业务总数量的比值,将所述比值确定为该业务种类的业务占比。
在一种可选的方式中,所述保障速率包括下行保障速率和上行保障速率;
所述程序510使所述处理器执行以下操作:对多种业务类型的下行保障速率和业务占比的乘积求和,得到第一求和结果,计算第一求和结果与用户数量的乘积,得到待配置小区的下行保障速率;以及,对多种业务类型的上行保障速率和业务占比的乘积求和,得到第二求和结果,计算第二求和结果与用户数量的乘积,得到待配置小区的上行保障速率;
将所述下行保障速率和上行保障速率中的最大值确定为所述待配置小区的期望速率。
在一种可选的方式中,所述程序510使所述处理器执行以下操作:
查询5G网络多种带宽模式下支持的最大速率,根据所述最大速率和期望速率确定待配置小区所需的带宽;
判断该所需的带宽与现网配置的载波带宽是否一致,若否,则根据该所需的带宽生成配置指令以对待配置小区的5G载波带宽进行配置处理。
在此提供的算法或显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述,构造这类系统所要求的结构是显而易见的。此外,本发明实施例也不针对任何特定编程语言。应当明白,可以利用各种编程语言实现在此描述的本发明的内容,并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
在此处所提供的说明书中,说明了大量具体细节。然而,能够理解,本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
类似地,应当理解,为了精简本发明并帮助理解各个发明方面中的一个或多个,在上面对本发明的示例性实施例的描述中,本发明实施例的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而,并不应将该公开的方法解释成反映如下意图:即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说,如下面的权利要求书所反映的那样,发明方面在于少于前面公开的单个实施例的所有特征。因此,遵循具体实施方式的权利要求书由此明确地并入该具体实施方式,其中每个权利要求本身都作为本发明的单独实施例。
本领域那些技术人员可以理解,可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件,以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外,可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述,本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外,本领域的技术人员能够理解,尽管在此的一些实施例包括其它实施例中所包括的某些特征而不是其它特征,但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如,在下面的权利要求书中,所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本发明的各个部件实施例可以以硬件实现,或者以在一个或者多个处理器上运行的软件模块实现,或者以它们的组合实现。本领域的技术人员应当理解,可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如,计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上,或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到,或者在载体信号上提供,或者以任何其他形式提供。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制,并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。上述实施例中的步骤,除有特殊说明外,不应理解为对执行顺序的限定。
Claims (9)
1.一种基于机器学习的5G载波带宽配置方法,包括:
利用训练得到的时间序列预测模型预测待配置小区在预设时段内的用户数量;评估待配置小区内多种业务类型的保障速率,以及计算所述多种业务类型的业务占比;
根据所述用户数量、保障速率以及业务占比计算待配置小区的期望速率;根据所述期望速率对待配置小区的5G载波带宽进行配置处理。
2.根据权利要求1所述的方法,其中,在所述利用训练得到的时间序列预测模型预测待配置小区在预设时段内的用户数量之前,所述方法还包括:
采集待配置小区的历史业务量数据进行训练,得到时间序列预测模型。
3.根据权利要求1所述的方法,其中,所述评估待配置小区内多种业务类型的保障速率具体为:
针对每种业务类型,通过对多个该业务类型进行速率测试,评估得到该业务类型正常的保障速率。
4.根据权利要求1所述的方法,其中,所述计算所述多种业务类型的业务占比进一步包括:
每隔预设周期对数据包进行解析,得到该预设周期内的待配置小区的业务集合;
计算所述业务集合中每种业务类型的业务数量与所述业务集合中的业务总数量的比值,将所述比值确定为该业务种类的业务占比。
5.根据权利要求1-4任一项所述的方法,其中,所述保障速率包括下行保障速率和上行保障速率;
所述根据所述用户数量、保障速率以及业务占比计算待配置小区的期望速率进一步包括:
对多种业务类型的下行保障速率和业务占比的乘积求和,得到第一求和结果,计算第一求和结果与用户数量的乘积,得到待配置小区的下行保障速率;以及,对多种业务类型的上行保障速率和业务占比的乘积求和,得到第二求和结果,计算第二求和结果与用户数量的乘积,得到待配置小区的上行保障速率;
将所述下行保障速率和上行保障速率中的最大值确定为所述待配置小区的期望速率。
6.根据权利要求5所述的方法,其中,所述根据所述期望速率对待配置小区的5G载波带宽进行配置处理进一步包括:
查询5G网络多种带宽模式下支持的最大速率,根据所述最大速率和期望速率确定待配置小区所需的带宽;
判断该所需的带宽与现网配置的载波带宽是否一致,若否,则根据该所需的带宽生成配置指令以对待配置小区的5G载波带宽进行配置处理。
7.一种基于机器学习的5G载波带宽配置装置,包括:
预测模块,适于利用训练得到的时间序列预测模型预测待配置小区在预设时段内的用户数量;
评估模块,适于评估待配置小区内多种业务类型的保障速率;
计算模块,适于计算所述多种业务类型在时间维度上的业务占比;
配置模块,适于根据所述用户数量、保障速率以及业务占比计算待配置小区的期望速率;根据所述期望速率对待配置小区的5G载波带宽进行配置处理。
8.一种计算设备,包括:处理器、存储器、通信接口和通信总线,所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信;
所述存储器用于存放至少一可执行指令,所述可执行指令使所述处理器执行如权利要求1-7中任一项所述的基于机器学习的5G载波带宽配置方法对应的操作。
9.一种计算机存储介质,所述存储介质中存储有至少一可执行指令,所述可执行指令使处理器执行如权利要求1-7中任一项所述的基于机器学习的5G载波带宽配置方法对应的操作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910889412.8A CN112533234B (zh) | 2019-09-19 | 2019-09-19 | 基于机器学习的5g载波带宽配置方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910889412.8A CN112533234B (zh) | 2019-09-19 | 2019-09-19 | 基于机器学习的5g载波带宽配置方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112533234A true CN112533234A (zh) | 2021-03-19 |
CN112533234B CN112533234B (zh) | 2023-04-07 |
Family
ID=74974507
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910889412.8A Active CN112533234B (zh) | 2019-09-19 | 2019-09-19 | 基于机器学习的5g载波带宽配置方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112533234B (zh) |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101846747A (zh) * | 2009-03-27 | 2010-09-29 | 通用汽车环球科技运作公司 | 用于精确相对定位的gps测量值的最佳编码 |
CN102098301A (zh) * | 2011-01-06 | 2011-06-15 | 复旦大学 | 多链路自适应的数据传输方法与系统 |
CN103338470A (zh) * | 2013-06-14 | 2013-10-02 | 中国联合网络通信集团有限公司 | 频谱需求预测方法及装置 |
CN106471855A (zh) * | 2014-07-01 | 2017-03-01 | 瑞典爱立信有限公司 | 预测资源调度 |
WO2018054498A1 (en) * | 2016-09-26 | 2018-03-29 | Telefonaktiebolaget Lm Ericsson (Publ) | Beamforming in a wireless communication system |
CN108123837A (zh) * | 2017-12-21 | 2018-06-05 | 努比亚技术有限公司 | 网络带宽分配方法、移动终端及计算机可读存储介质 |
CN108702697A (zh) * | 2016-03-01 | 2018-10-23 | 华为技术有限公司 | 目标小区的确定方法、基站及管理设备 |
CN108881967A (zh) * | 2018-08-01 | 2018-11-23 | 广发证券股份有限公司 | 一种基于机器学习的视频上传方法、装置及设备 |
CN108965178A (zh) * | 2018-06-29 | 2018-12-07 | 苏州大学 | 基于机器学习的智能自适应均衡器及均衡解调方法 |
US20180367551A1 (en) * | 2015-08-31 | 2018-12-20 | Splunk Inc. | Anomaly detection based on connection requests in network traffic |
US20190020524A1 (en) * | 2017-07-17 | 2019-01-17 | Cox Communications, Inc. | System and methods for a smart adaptive communication channel |
CN109510715A (zh) * | 2017-09-14 | 2019-03-22 | 中国电信股份有限公司 | 带宽分配方法、装置、数据中心以及存储介质 |
CN109639470A (zh) * | 2018-11-30 | 2019-04-16 | 四川安迪科技实业有限公司 | 基于星型组网的vsat卫星通信系统带宽分配方法 |
CN109768869A (zh) * | 2017-11-06 | 2019-05-17 | 中国移动通信有限公司研究院 | 一种业务预测方法、系统和计算机存储介质 |
CN109982390A (zh) * | 2017-12-28 | 2019-07-05 | 中国移动通信集团湖北有限公司 | 用户业务保障方法、装置、设备及介质 |
CN110049357A (zh) * | 2019-05-29 | 2019-07-23 | 安徽讯飞皆成软件技术有限公司 | 一种带宽预估方法、装置、设备及存储介质 |
-
2019
- 2019-09-19 CN CN201910889412.8A patent/CN112533234B/zh active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101846747A (zh) * | 2009-03-27 | 2010-09-29 | 通用汽车环球科技运作公司 | 用于精确相对定位的gps测量值的最佳编码 |
CN102098301A (zh) * | 2011-01-06 | 2011-06-15 | 复旦大学 | 多链路自适应的数据传输方法与系统 |
CN103338470A (zh) * | 2013-06-14 | 2013-10-02 | 中国联合网络通信集团有限公司 | 频谱需求预测方法及装置 |
CN106471855A (zh) * | 2014-07-01 | 2017-03-01 | 瑞典爱立信有限公司 | 预测资源调度 |
US20180367551A1 (en) * | 2015-08-31 | 2018-12-20 | Splunk Inc. | Anomaly detection based on connection requests in network traffic |
CN108702697A (zh) * | 2016-03-01 | 2018-10-23 | 华为技术有限公司 | 目标小区的确定方法、基站及管理设备 |
WO2018054498A1 (en) * | 2016-09-26 | 2018-03-29 | Telefonaktiebolaget Lm Ericsson (Publ) | Beamforming in a wireless communication system |
US20190020524A1 (en) * | 2017-07-17 | 2019-01-17 | Cox Communications, Inc. | System and methods for a smart adaptive communication channel |
CN109510715A (zh) * | 2017-09-14 | 2019-03-22 | 中国电信股份有限公司 | 带宽分配方法、装置、数据中心以及存储介质 |
CN109768869A (zh) * | 2017-11-06 | 2019-05-17 | 中国移动通信有限公司研究院 | 一种业务预测方法、系统和计算机存储介质 |
CN108123837A (zh) * | 2017-12-21 | 2018-06-05 | 努比亚技术有限公司 | 网络带宽分配方法、移动终端及计算机可读存储介质 |
CN109982390A (zh) * | 2017-12-28 | 2019-07-05 | 中国移动通信集团湖北有限公司 | 用户业务保障方法、装置、设备及介质 |
CN108965178A (zh) * | 2018-06-29 | 2018-12-07 | 苏州大学 | 基于机器学习的智能自适应均衡器及均衡解调方法 |
CN108881967A (zh) * | 2018-08-01 | 2018-11-23 | 广发证券股份有限公司 | 一种基于机器学习的视频上传方法、装置及设备 |
CN109639470A (zh) * | 2018-11-30 | 2019-04-16 | 四川安迪科技实业有限公司 | 基于星型组网的vsat卫星通信系统带宽分配方法 |
CN110049357A (zh) * | 2019-05-29 | 2019-07-23 | 安徽讯飞皆成软件技术有限公司 | 一种带宽预估方法、装置、设备及存储介质 |
Non-Patent Citations (2)
Title |
---|
庞兵: "成都市TD-SCDMA网络资源利用率提高的设计与实现", 《信息科技辑》 * |
徐志强: "智能配用电多业务汇聚的通信带宽预测", 《电网技术》 * |
Also Published As
Publication number | Publication date |
---|---|
CN112533234B (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111240701B (zh) | 一种端-边-云协同计算的任务卸载优化方法 | |
CN108901036B (zh) | 小区网络参数的调整方法、装置、计算机设备和存储介质 | |
Wang et al. | Cellular traffic load prediction with LSTM and Gaussian process regression | |
CN103491556B (zh) | 一种网络调整的方法及装置 | |
CN107948083B (zh) | 一种基于增强学习的sdn数据中心拥塞控制方法 | |
CN107147514B (zh) | 一种电力通信网络优化资源配置方法及系统 | |
CN110491124B (zh) | 一种车辆流量预测方法、装置、设备及存储介质 | |
CN113543160B (zh) | 5g切片资源配置方法、装置、计算设备及计算机存储介质 | |
CN111026548A (zh) | 一种逆向深度强化学习的电力通信设备测试资源调度方法 | |
CN111026553A (zh) | 离线混部作业的资源调度方法及服务器系统 | |
CN112633998B (zh) | 税务大数据决策分析方法及系统 | |
US20240251298A1 (en) | Network slice self-optimization method, base station, and storage medium | |
CN115633380B (zh) | 一种考虑动态拓扑的多边缘服务缓存调度方法和系统 | |
CN115473896A (zh) | 基于dqn算法的电力物联网卸载策略和资源配置优化方法 | |
CN112398670A (zh) | 流量预测方法、装置、计算设备及计算机存储介质 | |
WO2020215282A1 (en) | Method and apparatus for evaluate data traffic depressed by radio issues | |
CN107846614B (zh) | 一种视频流量调度方法、装置及电子设备 | |
CN112533234B (zh) | 基于机器学习的5g载波带宽配置方法及装置 | |
CN112020075B (zh) | 基于业务量预测的通信保障方法、装置、计算设备 | |
CN111124439A (zh) | 一种云边协同的智能动态卸载算法 | |
CN103929268A (zh) | 用于确定上下行子帧配比的装置、方法、基站以及系统 | |
CN111724176A (zh) | 店铺流量调节方法、装置、设备及计算机可读存储介质 | |
CN115576973A (zh) | 一种业务部署方法、装置、计算机设备和可读存储介质 | |
CN111385821B (zh) | 一种lte载波需求数量预测的方法和装置 | |
CN111246515B (zh) | 确定干扰源小区的上行干扰贡献度的方法和装置 |
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 |