CN112738815B - 一种可接入用户数的评估方法和装置 - Google Patents

一种可接入用户数的评估方法和装置 Download PDF

Info

Publication number
CN112738815B
CN112738815B CN202011360976.1A CN202011360976A CN112738815B CN 112738815 B CN112738815 B CN 112738815B CN 202011360976 A CN202011360976 A CN 202011360976A CN 112738815 B CN112738815 B CN 112738815B
Authority
CN
China
Prior art keywords
parameters
service
target
deployed
accessible
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.)
Active
Application number
CN202011360976.1A
Other languages
English (en)
Other versions
CN112738815A (zh
Inventor
杨艳
冯毅
苗守野
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China United Network Communications Group Co Ltd
Original Assignee
China United Network Communications Group Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China United Network Communications Group Co Ltd filed Critical China United Network Communications Group Co Ltd
Priority to CN202011360976.1A priority Critical patent/CN112738815B/zh
Publication of CN112738815A publication Critical patent/CN112738815A/zh
Application granted granted Critical
Publication of CN112738815B publication Critical patent/CN112738815B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
    • H04W16/22—Traffic simulation tools or models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
    • H04W16/18—Network planning tools

Abstract

本发明提供了一种可接入用户数的评估方法和装置，涉及通信技术领域，解决了如何针对多场景下承载多种不同业务的基站进行业务承载能力(可接入用户数)预估的问题。该方法包括，获取拟建接入网设备的配置参数，以及拟建接入网设备拟接入的待部署业务的业务参数；将配置参数和业务参数输入预先训练的神经网络模型，确定拟建接入网设备可同时接入待部署业务的可接入用户数；其中，神经网络模型满足配置参数、业务参数以及可接入用户数的对应关系。

Description

一种可接入用户数的评估方法和装置
技术领域
本发明涉及通信技术领域，尤其涉及一种可接入用户数的评估方法和 装置。
背景技术
目前，作为正在全面覆盖的第五代移动通信技术(5th-Generation，5G) 通信系统，具备三大功能或业务，分别为超大带宽(eMBB(Enhanced Mobile Broadband))、低时延高可靠业务(uRLLC(Ultra-reliable and Low Latency Communications))和多接入(mMTC(massive Machine Type of Communication))。其中，eMBB是通过大带宽和MU-MIMO(Multi-User Multiple-Input Multiple-Output，多用户多入多出)技术进行通信业务的保障及性能加强，一般用于承载AR(Augmented Reality，增强现实)、VR (VirtualReality，虚拟现实)、高清视频、高清直播等业务；uRLLC则是 用于保障对时延要求较高的业务的通信质量，如远程手术和精细化控制； mMTC是因海量用户接入的能力要求而产生的，其重点解决传统移动通信 无法很好支持物联网及垂直行业应用的问题，主要面向智慧城市、环境监 测、智能家居、森林防火等以传感和数据采集为目标的应用场景，这类场 景具有小数据包、低功耗、海量连接等特点。
综上，可以这3大类业务的特点是不一样的，且三者并不是完全割裂 的，有部分业务会综合要求多个特征。所以，针对5G设备及业务的发展 情况，无法采用简单的忽略业务类型的方式预估各个基站针对不同业务可允许接入的用户数以完成网络资源规划和配置，因此亟需一种可以针对多 场景下承载多种不同业务的基站进行业务承载能力(可接入用户数)预估 的方法。
发明内容
本发明提供一种可接入用户数的评估方法和装置，解决了如何针对多 场景下承载多种不同业务的基站进行业务承载能力(可接入用户数)预估 的问题。
为达到上述目的，本发明采用如下技术方案：
第一方面，一种可接入用户数的评估方法，包括：获取拟建接入网设 备的配置参数，以及拟建接入网设备拟接入的待部署业务的业务参数；将 配置参数和业务参数输入预先训练的神经网络模型，确定拟建接入网设备 可同时接入待部署业务的可接入用户数；其中，神经网络模型满足配置参 数、业务参数以及可接入用户数的对应关系。
由上述可知，本申实施例提供的整个技术方案通过预先训练的神经网 络模型，从而可以根据拟建接入网设备的配置参数，以及拟建接入网设备 拟接入的待部署业务的业务参数，确定拟建接入网设备可同时接入待部署 业务的可接入用户数，从而合理的实现了对多场景下承载多种不同业务的 基站进行业务承载能力(可接入用户数)预估。
第二方面，本发明提供一种可接入用户数的评估装置，包括：获取单 元和处理单元。
具体的，上述获取单元，用于获取拟建接入网设备的配置参数，以及 拟建接入网设备拟接入的待部署业务的业务参数。
上述处理单元，用于将获取单元获取的配置参数和获取单元获取的业 务参数输入预先训练的神经网络模型，确定拟建接入网设备可同时接入待 部署业务的可接入用户数；其中，神经网络模型满足配置参数、业务参数 以及可接入用户数的对应关系。
第三方面，本发明提供一种服务器，包括：通信接口、处理器、存储 器、总线；存储器用于存储计算机执行指令，处理器与存储器通过总线连 接。当服务器运行时，处理器执行存储器存储的计算机执行指令，以使可 接入用户数的评估装置执行如上述第一方面提供的可接入用户数的评估 方法。
第四方面，本发明提供一种计算机可读存储介质，包括指令。当所述 指令在计算机上运行时，使得计算机执行如上述第一方面提供的可接入用 户数的评估方法。
第五方面，本发明提供一种计算机程序产品，当所述计算机程序产品 在计算机上运行时，使得所述计算机执行如第一方面的设计方式所述的可 接入用户数的评估方法。
需要说明的是，上述计算机指令可以全部或者部分存储在第一计算机 可读存储介质上。其中，第一计算机可读存储介质可以与可接入用户数的 评估装置的处理器封装在一起的，也可以与可接入用户数的评估装置的处 理器单独封装，本发明对此不作限定。
本发明中第二方面、第三方面、第四方面以及第五方面的描述，可以 参考第一方面的详细描述；并且，第二方面、第三方面、第四方面以及第 五方面的描述的有益效果，可以参考第一方面的有益效果分析，此处不再 赘述。
在本发明中，上述可接入用户数的评估装置的名字对设备或功能模块 本身不构成限定，在实际实现中，这些设备或功能模块可以以其他名称出 现。只要各个设备或功能模块的功能和本发明类似，属于本发明权利要求 及其等同技术的范围之内。
本发明的这些方面或其他方面在以下的描述中会更加简明易懂。
附图说明
为了更清楚地说明本发明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发明的一些实施例，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为本发明的实施例提供了一种可接入用户数的评估方法应用的系 统架构的简化示意图；
图2为本发明的实施例提供了一种可接入用户数的评估方法的流程示 意图之一；
图3为本发明的实施例提供了一种可接入用户数的评估方法的流程示 意图之二；
图4为本发明的实施例提供了一种可接入用户数的评估方法中神经网 络模型的示意图；
图5为本发明的实施例提供了一种可接入用户数的评估方法的流程示 意图之三；
图6为本发明的实施例提供了一种可接入用户数的评估装置的结构示 意图之一；
图7为本发明的实施例提供了一种可接入用户数的评估装置的结构示 意图之二；
图8为本发明实施例提供的可接入用户数的评估方法的计算机程序产 品的结构示意图。
具体实施方式
下面结合附图，对本发明的实施例进行描述。
下面将结合本发明实施例中的附图，对本发明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发明一部分实施例， 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他实施例，都属于本发明保护的 范围。
为了便于清楚描述本发明实施例的技术方案，在本发明的实施例中， 采用了“第一”、“第二”等字样对功能和作用基本相同的相同项或相似 项进行区分，本领域技术人员可以理解“第一”、“第二”等字样并不对 数量和执行次序进行限定。
目前，5G的各类业务因为其特点的不同，在对5G待部署基站进行 部署前预估其业务承载能力时，不能采用简单的忽略业务类型的方式预估 各个基站针对不同业务可允许接入的用户数。因此，亟需一种可以针对多 场景下承载多种不同业务的小区进行业务承载能力(可接入用户数)预估的方法。
针对上述问题，本申请实施例提供了一种可接入用户数的评估方法， 该方法应用于可接入用户数的评估装置。该装置可以是待部署基站所属运 营商的服务器，也可以是其他任意可行的具备处理计算能力的装置。
人工神经网络(Artificial Neural Network，ANN)是由多个神经元模 型按照一定的规则连接构成，以数学模型模拟神经元活动，是基于模仿大 脑神经网络结构和功能而建立的一种信息处理系统。ANN有多层和单层 之分，每一层包含若干神经元，各神经元之间用带可变权重的有向弧连接， 网络通过对已知信息的反复学习训练，通过逐步调整改变神经元连接权重 的方法，达到处理信息、模拟输入输出之间关系的目的。
图1为本发明实施例提供的一种可以应用本发明实施例的系统架构 的简化示意图，如图1所示，该系统架构可以包括：拟建接入网设备1、终端2和服务器3。终端2通过拟建接入网设备1进行业务访问，服务器 3用于获取拟建接入网设备1的场景地图和配置参数，以及终端2可发起 的预设业务的保障带宽。
本发明的实施例中的可接入用户数的评估装置可以是图1中示出的 服务器3，也可以是服务器3中的一部分装置。例如服务器3中的芯片系 统。该芯片系统用于支持服务器3实现第一方面及其任意一种可能的实现 方式中所涉及的功能。如：获取拟建接入网设备1的场景地图和配置参数， 以及终端2可发起的预设业务的保障带宽。该芯片系统包括芯片，也可以包括其他分立器件或电路结构。
在本发明实施例中，拟建接入网设备可以是无线通信的基站或基站控 制器等。在本发明实施例中，基站可以是全球移动通信系统(globalsystem for mobilecommunication，GSM)，码分多址(code division multiple access，CDMA)中的基站(basetransceiver station，BTS)，宽带码 分多址(wideband code division multipleaccess，WCDMA)中的基站 (node B，NB)，长期演进(Long Term Evolution，LTE)中的基站(evolvedNode B，eNB)，物联网(internet of things，IoT)或者窄带 物联网(narrowband-internetof things，NB-IoT)中的eNB，未来5G移动通信网络或者未来演进的公共陆地移动网络(public land mobile network，PLMN)中的基站，本发明实施例对此不作任何限制。
终端用于向用户提供语音和/或数据连通性服务。所述终端可以有不 同的名称，例如用户设备(user equipment，UE)、接入终端、终端单元、终端站、移动站、移动台、远方站、远程终端、移动设备、无线通信 设备、车辆用户设备、终端代理或终端装置等。可选的，所述终端可以为 各种具有通信功能的手持设备、车载设备、可穿戴设备、计算机，本发明实施例对此不作任何限定。例如，手持设备可以是智能手机。车载设备可 以是车载导航系统。可穿戴设备可以是智能手环。计算机可以是个人数字 助理(personal digitalassistant，PDA)电脑、平板型电脑以及膝上型电脑(laptop computer)。
以下结合图1示出的通信系统，以可接入用户数的评估装置为服务器3，拟建接入网设备为拟建基站为例，对本发明实施例所提供的可接入用 户数的评估方法进行介绍。
如图2所示，可接入用户数的评估方法包括以下步骤S11和S12的内 容：
S11、服务器3获取拟建接入网设备的配置参数，以及拟建接入网设 备拟接入的待部署业务的业务参数。
具体的，业务参数至少包括保障带宽、时延和抖动。
示例性的，以某一种企业级(business to business，2B)场景下某一大 类业务“实时自动化”为例，上述的保障带宽、时延和抖动可以直接通过 对现有的实时自动化业务的业务参数收集得到，具体可参照下表1。
表1
Figure SMS_1
其中，保障带宽(T)为上行保障速率(TU)和下行保障速率(TD) 的综合值，计算公式如下：
T＝max((log10(TU)，log10(TD))；
TG＝max(TU,TD))。
其中，T表示经过对数(logarithm，log)处理的保障带宽，TG表示未 经过log处理的保障带宽。
S12、服务器3将配置参数和业务参数输入预先训练的神经网络模型， 确定拟建接入网设备可同时接入待部署业务的可接入用户数。其中，神经 网络模型满足配置参数、业务参数以及可接入用户数的对应关系。
由上述可知，本申实施例提供的整个技术方案通过预先训练的神经网 络模型，从而可以根据拟建接入网设备的配置参数，以及拟建接入网设备 拟接入的待部署业务的业务参数，确定拟建接入网设备可同时接入待部署 业务的可接入用户数，从而合理的实现了对多场景下承载多种不同业务的基站进行业务承载能力(可接入用户数)预估。
在一种可实施的方式中，结合图2，如图3所示，本发明实施例提供 的可接入用户数的评估方法还包括S13-S16。
S13、服务器3获取训练参数和对训练参数的标注结果。其中，训练 参数包括配置参数和业务参数，标注结果包括配置参数、业务参数以及可 接入用户数的对应关系。
示例性的，训练参数如表2所示，训练参数的标注结果如表3所示。
表2
Figure SMS_2
表3
Figure SMS_3
S14、服务器3将训练参数输入至深度学习模型中。
S15、服务器3基于目标损失函数，确定深度学习模型输出的对训练 参数的预测比对结果与标注结果是否匹配。
S16、服务器3当预测比对结果与标注结果不匹配时，反复循环地迭 代更新深度学习模型的网络参数，直至模型收敛，得到神经网络模型。
示例性的，神经网络模型可以选用包含2层隐含层的BP(Back Propagation)神经网络作为神经网络模型。
示例性的，选用包含2层隐含层的BP神经网络作为神经网络模型的 模型示意图如图4所示。其中，Input表示输入，Hidden Layer1表示为ANN 的中间计算层1(是离输入最近的计算侧)，Hidden Layer2表示是ANN 的中间计算层2(是中间计算层1和输出之间的计算层)，Output Layer 表示输出参数层(是对中间计算层2的输出结果进行处理后得到的)，Output表示需要输出的值(这里指可以接入用户数)，w表示是第i层的 输入权值，b表示第i层的输出值。I为大于或等于1的整数。
需要说明的是，选用包含2层隐含层的BP神经网络作为神经网络模 型时，第一层隐藏节点为10个的ANN，第二个隐藏节点为5个的ANN， 这样具有较好的性能，但也允许适用其他节点数的人工神经网络。
示例性的，ANN系统参数配置表如表4和表5所示。
表4
Figure SMS_4
表5
Figure SMS_5
在一种可实施的方式中，配置参数至少包括设备类型，站高和站间距， 在此情况下，结合图3，如图5所示，上述S13具体可通过下述S130-S132 实现。
S130、服务器3根据预设仿真模型和预设仿真参数进行仿真，确定拟 建接入网设备采用目标设备类型、目标站高和目标站间距在目标场景下仅 承载目标待部署业务时的目标可接入用户数。其中，目标站高为至少一种 站高中的任一中，目标站间距为至少一种站间距中的任一种，目标待部署 业务为所有待部署业务中任一种。
具体的，站高为基站高度，站间距为相连两个基站的距离。
示例性的，站高包括15米、20米和25米三种站高中的至少一种。站 间距至少包括有以下几种情况：在场景为密集城区的情况下，站间距可以 为300米到400之间(包括300米和400米)；在场景为城区(一般城区) 的情况下，站间距可以为500米到600米之间(包括500米和600米)； 在场景为郊区的情况下，站间距可以为700米到800米之间(包括700米 和800米)。
示例性的，在预设仿真模型中较为重要的一部分为路损模型，即表明 业务数据传输路径中的损耗，以常用的密集城区、城区和郊区三种场景为 例，具体38.901标准中定义的不同路损模型参照下表6所示：
表6
Figure SMS_6
其中，h为基站高度，hut为用户终端的高度，fc为载波频点，PL0为 路损常量，n为距离系数。
S131、服务器3将对应设备类型下不同站高和不同站间距的所有目标 可接入用户数的平均值，确定为拟建接入网设备在目标场景下仅承载目标 待部署业务时的可接入用户数。
具体的，待部署基站在2B场景下承载T业务的可接入用户数NB,T具 体可以依据以下公式得出：
Figure SMS_7
其中，H＝1-n表示站高取每一种站高(共n种)，Zj＝1-K表示站间距 取每一种站间距(共K种)。
示例性的，以目标场景为密集城区，或郊区，或开阔区域为例，仿真 得出的待部署基站在目标场景下仅承载目标待部署业务时的可接入用户 数N具体如下表7所示。
表7
目标场景 业务类别1 业务类别2 业务类别n
密集城区(D) ND，T1 ND，T2 ND，Tn
城区(U) Nu，T1 Nu，T2 Nu，Tn
郊区(R) NR，T1 NR，T2 NR，Tn
其中，ND，Tn表示待部署基站在密集城区(D)这种场景下仅承载业 务类别n的业务时的可接入用户数，其余同理。
S132、服务器3确定设备类型下不同站高和不同站间距为训练参数， 确定拟建接入网设备在目标场景下仅承载目标待部署业务时的可接入用 户数为训练参数的标注结果。
上述主要从方法的角度对本发明实施例提供的方案进行了介绍。为了 实现上述功能，其包含了执行各个功能相应的硬件结构和/或软件模块。 本领域技术人员应该很容易意识到，结合本文中所公开的实施例描述的各 示例的单元及算法步骤，本发明能够以硬件或硬件和计算机软件的结合形 式来实现。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行， 取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特 定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
本发明实施例可以根据上述方法示例对可接入用户数的评估装置进 行功能模块的划分，例如，可以对应各个功能划分各个功能模块，也可以 将两个或两个以上的功能集成在一个处理模块中。上述集成的模块既可以 采用硬件的形式实现，也可以采用软件功能模块的形式实现。需要说明的 是，本发明实施例中对模块的划分是示意性的，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
如图6所示，为本发明实施例提供的一种可接入用户数的评估装置10 的结构示意图。可接入用户数的评估装置10用于获取拟建接入网设备的 配置参数，以及拟建接入网设备拟接入的待部署业务的业务参数；将配置 参数和业务参数输入预先训练的神经网络模型，确定拟建接入网设备可同 时接入待部署业务的可接入用户数。可接入用户数的评估装置10可以包 括获取单元101和处理单元102。
获取单元101，用于将获取单元获取的配置参数和获取单元获取的业 务参数输入预先训练的神经网络模型，确定拟建接入网设备可同时接入待 部署业务的可接入用户数。例如，结合图2，获取单元101可以用于执行 S11。
处理单元102，用于将获取单元101获取的配置参数和获取单元101 获取的业务参数输入预先训练的神经网络模型，确定拟建接入网设备可同 时接入待部署业务的可接入用户数。例如，结合图2，处理单元102可以用于执行S12。结合图3，处理单元102可以用于执行S13、S14、S15和 S16。结合图5，处理单元102可以用于执行S130、S131和S132。
其中，上述方法实施例涉及的各步骤的所有相关内容均可以援引到对 应功能模块的功能描述，其作用在此不再赘述。
当然，本发明实施例提供的可接入用户数的评估装置10包括但不限 于上述模块，例如可接入用户数的评估装置10还可以包括存储单元103。 存储单元103可以用于存储该写可接入用户数的评估装置10的程序代码， 还可以用于存储写可接入用户数的评估装置10在运行过程中生成的数据， 如写请求中的数据等。
图7为本发明实施例提供的一种可接入用户数的评估装置10的结构 示意图，如图7所示，该可接入用户数的评估装置10可以包括：至少一 个处理器51、存储器52、通信接口53和通信总线54。
下面结合图7对可接入用户数的评估装置10的各个构成部件进行具 体的介绍：
其中，处理器51是可接入用户数的评估装置10的控制中心，可以是 一个处理器，也可以是多个处理元件的统称。例如，处理器51是一个中 央处理器(Central ProcessingUnit，CPU)，也可以是特定集成电路(Application Specific Integrated Circuit，ASIC)，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，例如：一个或多个DSP，或，一个或 者多个现场可编程门阵列(Field Programmable Gate Array，FPGA)。
在具体的实现中，作为一种实施例，处理器51可以包括一个或多个 CPU，例如图7中所示的CPU0和CPU1。且，作为一种实施例，可接入 用户数的评估装置可以包括多个处理器，例如图7中所示的处理器51和 处理器55。这些处理器中的每一个可以是一个单核处理器(Single-CPU)， 也可以是一个多核处理器(Multi-CPU)。这里的处理器可以指一个或多个设备、电路、和/或用于处理数据(例如计算机程序指令)的处理核。
存储器52可以是只读存储器(Read-Only Memory，ROM)或可存储 静态信息和指令的其他类型的静态存储设备，随机存取存储器(Random Access Memory，RAM)或者可存储信息和指令的其他类型的动态存储设 备，也可以是电可擦可编程只读存储器(ElectricallyErasable Programmable Read-Only Memory，EEPROM)、只读光盘(Compact Disc Read-Only Memory，CD-ROM)或其他光盘存储、光碟存储(包括压缩光碟、激光 碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储 设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代 码并能够由计算机存取的任何其他介质，但不限于此。存储器52可以是 独立存在，通过通信总线54与处理器51相连接。存储器52也可以和处 理器51集成在一起。
在具体的实现中，存储器52，用于存储本发明中的数据和执行本发明 的软件程序。处理器51可以通过运行或执行存储在存储器52内的软件程序，以及调用存储在存储器52内的数据，执行空调器的各种功能。
通信接口53，使用任何收发器一类的装置，用于与其他设备或通信网 络通信，如无线接入网(Radio Access Network，RAN)，无线局域网(Wireless Local Area Networks，WLAN)、终端、云端等。通信接口53可以包括接 收单元实现接收功能，以及发送单元实现发送功能。
通信总线54，可以是工业标准体系结构(Industry Standard Architecture，ISA)总线、外部设备互连(Peripheral Component Interconnect， PCI)总线或扩展工业标准体系结构(Extended Industry Standard Architecture，EISA)总线等。该总线可以分为地址总线、数据总线、控制 总线等。为便于表示，图7中仅用一条粗线表示，但并不表示仅有一根总 线或一种类型的总线。
作为一个示例，结合图6，可接入用户数的评估装置10中的获取单元 101实现的功能与图7中的通信接口53的功能相同，处理单元102实现的 功能与图7中的处理器51的功能相同，存储单元103实现的功能与图7 中的存储器52的功能相同。
本发明另一实施例还提供一种计算机可读存储介质，该计算机可读存 储介质中存储有指令，当指令在计算机上运行时，使得计算机执行上述方 法实施例所示的方法。
在一些实施例中，所公开的方法可以实施为以机器可读格式被编码在 计算机可读存储介质上的或者被编码在其它非瞬时性介质或者制品上的 计算机程序指令。
图8示意性地示出本发明实施例提供的计算机程序产品的概念性局部 视图，所述计算机程序产品包括用于在计算设备上执行计算机进程的计算 机程序。
在一个实施例中，计算机程序产品是使用信号承载介质410来提供的。 所述信号承载介质410可以包括一个或多个程序指令，其当被一个或多个 处理器运行时可以提供以上针对图2描述的功能或者部分功能。因此，例 如，参考图2中所示的实施例，S11和S12的一个或多个特征可以由与信 号承载介质410相关联的一个或多个指令来承担。此外，图8中的程序指 令也描述示例指令。
在一些示例中，信号承载介质410可以包含计算机可读介质411，诸 如但不限于，硬盘驱动器、紧密盘(CD)、数字视频光盘(DVD)、数 字磁带、存储器、只读存储记忆体(read-only memory，ROM)或随机存 储记忆体(random access memory，RAM)等等。
在一些实施方式中，信号承载介质410可以包含计算机可记录介质 412，诸如但不限于，存储器、读/写(R/W)CD、R/W DVD、等等。
在一些实施方式中，信号承载介质410可以包含通信介质413，诸如 但不限于，数字和/或模拟通信介质(例如，光纤电缆、波导、有线通信 链路、无线通信链路、等等)。
信号承载介质410可以由无线形式的通信介质413(例如，遵守IEEE 802.41标准或者其它传输协议的无线通信介质)来传达。一个或多个程序 指令可以是，例如，计算机可执行指令或者逻辑实施指令。
在一些示例中，诸如针对图2描述的写数据装置可以被配置为，响应 于通过计算机可读介质411、计算机可记录介质412、和/或通信介质413 中的一个或多个程序指令，提供各种操作、功能、或者动作。
通过以上的实施方式的描述，所属领域的技术人员可以清楚地了解 到，为描述的方便和简洁，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将 装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分 功能。
在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法， 可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性 的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现 时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到 另一个装置，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元 的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的， 作为单元显示的部件可以是一个物理单元或多个物理单元，即可以位于一 个地方，或者也可以分布到多个不同地方。可以根据实际的需要选择其中 的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元 中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在 一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软 件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品 销售或使用时，可以存储在一个可读取存储介质中。基于这样的理解，本 发明实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该 技术方案的全部或部分可以以软件产品的形式体现出来，该软件产品存储 在一个存储介质中，包括若干指令用以使得一个设备(可以是单片机，芯 片等)或处理器(processor)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、ROM、RAM、磁碟 或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局 限于此，任何在本发明揭露的技术范围内的变化或替换，都应涵盖在本发 明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范 围为准。

Claims (6)

1.一种可接入用户数的评估方法，其特征在于，包括：
获取训练参数和对所述训练参数的标注结果；其中，所述训练参数包括配置参数和业务参数，所述标注结果包括所述配置参数、所述业务参数以及所述可接入用户数的对应关系；所述配置参数至少包括设备类型、站高和站间距；所述业务参数至少包括保障带宽、时延和抖动；所述保障带宽为上行保障速率和下行保障速率的综合值；所述保障带宽的计算公式为：
T＝max(log10(TU)，log10(TD))；
TG＝max(TU，TD)；
其中，T为经过对数处理的保障带宽，TU为上行保障速率，TD为下行保障速率，TG表示未经过log处理的保障带宽；
将所述训练参数输入至深度学习模型中；
基于目标损失函数，确定所述深度学习模型输出的对所述训练参数的预测比对结果与所述标注结果是否匹配；
当所述预测比对结果与所述标注结果不匹配时，反复循环地迭代更新所述深度学习模型的网络参数，直至模型收敛，得到神经网络模型；
获取拟建接入网设备的配置参数，以及所述拟建接入网设备拟接入的待部署业务的业务参数；
将所述配置参数和所述业务参数输入所述神经网络模型，确定所述拟建接入网设备可同时接入所述待部署业务的可接入用户数；其中，所述神经网络模型满足所述配置参数、所述业务参数以及所述可接入用户数的对应关系。
2.根据权利要求1所述的可接入用户数的评估方法，其特征在于，
所述获取训练参数和对所述训练参数的标注结果，包括：
根据预设仿真模型和所述预设仿真参数进行仿真，确定所述拟建接入网设备采用目标设备类型、目标站高和目标站间距在目标场景下仅承载目标待部署业务时的目标可接入用户数；其中，所述目标站高为所述至少一种站高中的任一中，所述目标站间距为所述至少一种站间距中的任一种，所述目标待部署业务为所有所述待部署业务中任一种；
将对应所述设备类型下不同站高和不同站间距的所有所述目标可接入用户数的平均值，确定为所述拟建接入网设备在目标场景下仅承载所述目标待部署业务时的可接入用户数；
确定所述设备类型下不同站高和不同站间距为训练参数，确定所述拟建接入网设备在目标场景下仅承载所述目标待部署业务时的可接入用户数为所述训练参数的标注结果。
3.一种可接入用户数的评估装置，其特征在于，包括：
获取单元，用于获取训练参数和对所述训练参数的标注结果；其中，所述训练参数包括配置参数和业务参数，所述标注结果包括所述配置参数、所述业务参数以及所述可接入用户数的对应关系；所述配置参数至少包括设备类型、站高和站间距；所述业务参数至少包括保障带宽、时延和抖动；所述保障带宽为上行保障速率和下行保障速率的综合值；所述保障带宽的计算公式为：
T＝max(log10(TU)，log10(TD))；
TG＝max(TU，TD)；
其中，T为经过对数处理的保障带宽，TU为上行保障速率，TD为下行保障速率，TG表示未经过log处理的保障带宽；
处理单元，用于将所述获取单元获取的训练参数输入至深度学习模型中；
所述处理单元，还用于基于目标损失函数，确定所述深度学习模型输出的对所述训练参数的预测比对结果与所述获取单元获取的所述标注结果是否匹配；
所述处理单元，还用于当所述预测比对结果与所述获取单元获取的所述标注结果不匹配时，反复循环地迭代更新所述深度学习模型的网络参数，直至模型收敛，得到神经网络模型；
所述获取单元，还用于获取拟建接入网设备的配置参数，以及所述拟建接入网设备拟接入的待部署业务的业务参数；
所述处理单元，还用于将所述获取单元获取的所述配置参数和所述获取单元获取的所述业务参数输入所述神经网络模型，确定所述拟建接入网设备可同时接入所述待部署业务的可接入用户数；其中，所述神经网络模型满足所述配置参数、所述业务参数以及所述可接入用户数的对应关系。
4.根据权利要求3所述的可接入用户数的评估装置，其特征在于，
所述处理单元，具体用于根据预设仿真模型和所述预设仿真参数进行仿真，确定所述拟建接入网设备采用目标设备类型、目标站高和目标站间距在目标场景下仅承载目标待部署业务时的目标可接入用户数；其中，所述目标站高为所述至少一种站高中的任一中，所述目标站间距为所述至少一种站间距中的任一种，所述目标待部署业务为所有所述待部署业务中任一种；
所述处理单元，具体用于将对应所述设备类型下不同站高和不同站间距的所有所述目标可接入用户数的平均值，确定为所述拟建接入网设备在目标场景下仅承载所述目标待部署业务时的可接入用户数。
5.一种计算机可读存储介质，其特征在于，包括指令，当其在计算机上运行时，使得计算机执行如上述权利要求1或2所述的可接入用户数的评估方法。
6.一种服务器，其特征在于，包括：通信接口、处理器、存储器、总线；
所述存储器用于存储计算机执行指令，所述处理器与所述存储器通过所述总线连接；
当所述服务器运行时，所述处理器执行所述存储器存储的计算机执行指令，以使所述服务器执行如上述权利要求1或2所述的可接入用户数的评估方法。
CN202011360976.1A 2020-11-27 2020-11-27 一种可接入用户数的评估方法和装置 Active CN112738815B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011360976.1A CN112738815B (zh) 2020-11-27 2020-11-27 一种可接入用户数的评估方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011360976.1A CN112738815B (zh) 2020-11-27 2020-11-27 一种可接入用户数的评估方法和装置

Publications (2)

Publication Number Publication Date
CN112738815A CN112738815A (zh) 2021-04-30
CN112738815B true CN112738815B (zh) 2023-05-30

Family

ID=75597865

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011360976.1A Active CN112738815B (zh) 2020-11-27 2020-11-27 一种可接入用户数的评估方法和装置

Country Status (1)

Country Link
CN (1) CN112738815B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116939624A (zh) * 2022-03-30 2023-10-24 上海华为技术有限公司 一种评估业务对无线接入网络需求的方法及其相关设备

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106937302A (zh) * 2015-12-29 2017-07-07 中国移动通信集团上海有限公司 一种确定lte-tdd小区业务支持容量的方法及装置
CN108260034A (zh) * 2018-02-13 2018-07-06 中国联合网络通信集团有限公司 一种获取接入网承载业务能力的方法及装置
CN110493789A (zh) * 2019-07-08 2019-11-22 中国联合网络通信集团有限公司 网络扩容方法及装置
US10791510B2 (en) * 2017-02-27 2020-09-29 Hewlett Packard Enterprise Development Lp Classification of access points

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10608891B2 (en) * 2017-12-22 2020-03-31 Cisco Technology, Inc. Wireless access point throughput

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106937302A (zh) * 2015-12-29 2017-07-07 中国移动通信集团上海有限公司 一种确定lte-tdd小区业务支持容量的方法及装置
US10791510B2 (en) * 2017-02-27 2020-09-29 Hewlett Packard Enterprise Development Lp Classification of access points
CN108260034A (zh) * 2018-02-13 2018-07-06 中国联合网络通信集团有限公司 一种获取接入网承载业务能力的方法及装置
CN110493789A (zh) * 2019-07-08 2019-11-22 中国联合网络通信集团有限公司 网络扩容方法及装置

Also Published As

Publication number Publication date
CN112738815A (zh) 2021-04-30

Similar Documents

Publication Publication Date Title
Bulut et al. WiFi access point deployment for efficient mobile data offloading
US10356552B1 (en) Determining hardware requirements for a wireless network event using crowdsourcing
CN106717036A (zh) 用于在移动装置上确定网络信息的系统及方法
CN112333753B (zh) 一种可接入用户数的评估方法和装置
WO2022213538A1 (zh) 仿真测试平台的建立方法、装置和电子设备
CN115473841B (zh) 网络路径的确定方法、装置及存储介质
CN112383936B (zh) 一种可接入用户数的评估方法和装置
CN111669776A (zh) 一种边缘速率的确定方法和装置
CN114614989A (zh) 基于数字孪生技术的网络业务的可行性验证方法及装置
CN112738815B (zh) 一种可接入用户数的评估方法和装置
CN112333754A (zh) 一种可接入用户数的预估方法和装置
CN111542082B (zh) 一种下行边缘覆盖率的确定方法和装置
CN109993562B (zh) 一种满意度仿真方法、装置及终端设备
US20230306448A1 (en) System and method for persona generation
CN111586733B (zh) 一种边缘速率的确定方法和装置
CN113438689B (zh) 一种基站节能方法、装置、设备及存储介质
CN112243258B (zh) 一种用户感知速率的确定方法及装置
CN114745289A (zh) 网络性能数据的预测方法、装置、存储介质及设备
CN112312448B (zh) 一种rrc连接数的评估方法和装置
Wang et al. Research on wireless coverage area detection technology for 5G mobile communication networks
CN112153679A (zh) 一种转网方法及装置
CN111669773B (zh) 一种边缘速率的计算方法和装置
CN112584416B (zh) 一种可接入用户数的评估方法和装置
CN111615114B (zh) 一种边缘覆盖率的确定方法及装置
US20220027789A1 (en) Methods and apparatuses for determining optimal configuration in cognitive autonomous networks

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