CN113038537A - 分配移动网络频谱资源的方法和电子设备 - Google Patents

Abstract

本发明公开了一种分配移动网络频谱资源的方法和电子设备，用以解决移动网络频谱资源利用不合理的问题。本申请提供的方案包括：首先获取多个样本数据；然后，通过预设聚类算法对多个样本数据进行聚类并对聚类结果打标签；接着，获取多个目标网络在目标时刻的目标样本数据，并基于目标样本数据所述的聚类结果及对应的标签，确定多个目标网络在目标时刻的目标负荷类型；最后，根据目标负荷类型相对应的分配规则将预设频段的频谱资源分配给至少一个目标网络。本方案能根据样本数据确定目标样本数据对应的目标负荷类型，进而根据实际网络负荷对应的分配规则对预设频段的频谱资源进行合理分配，缓解网络拥塞，充分利用频谱资源，优化用户体验。

Description

分配移动网络频谱资源的方法和电子设备

技术领域

本发明涉及无线通信领域，尤其涉及一种分配移动网络频谱资源的方法和电子设备。

背景技术

无线电通信频谱是一种有限资源，不同的无线电通信系统使用不同的频段，互不干扰。随着无线通信地迅速发展和网络制式地不断增加，移动网络用户数和业务量持续增加，人们对频谱资源的需求也越来越大，频谱资源日趋匮乏。移动网络所占用频段的频谱资源难以满足用户需求，往往会出现部分频段承载的业务量很大，而另一些频谱却处于空闲状态的情况，导致网络频谱利用率较低。

如何根据业务需求合理分配无线频谱资源，是本申请所要解决的技术问题。

发明内容

本申请实施例的目的是提供一种分配移动网络频谱资源的方法和电子设备，用以解决移动网络频谱资源利用不合理的问题。

第一方面，提供了一种分配移动网络频谱资源的方法，包括：

获取多个样本数据，所述样本数据包括多个目标网络的负荷参数，所述样本数据用于表征所述样本数据对应的采集时刻下所述多个目标网络的负荷；

通过预设聚类算法对所述多个样本数据进行聚类训练，并对聚类结果进行打标签以标记样本数据对应的多个目标网络的负荷类型；

获取多个目标网络在目标时刻的目标样本数据；

基于目标样本数据所属的聚类结果及对应的标签，确定多个目标网络在目标时刻的目标负荷类型；

根据所述目标负荷类型相对应的分配规则将预设频段的频谱资源分配给至少一个目标网络。

第二方面，提供了一种电子设备，包括：

第一获取模块，获取多个样本数据，所述样本数据包括多个目标网络的负荷参数，所述样本数据用于表征所述样本数据对应的采集时刻下所述多个目标网络的负荷；

训练模块，通过预设聚类算法对所述多个样本数据进行聚类训练，并对聚类结果进行打标签以标记样本数据对应的多个目标网络的负荷类型；

第二获取模块，获取多个目标网络在目标时刻的目标样本数据；

确定模块，基于目标样本数据所属的聚类结果及对应的标签，确定多个目标网络在目标时刻的目标负荷类型；

分配模块，根据所述目标负荷类型相对应的分配规则将预设频段的频谱资源分配给至少一个目标网络。

第三方面，提供了一种电子设备，该电子设备包括处理器、存储器及存储在该存储器上并可在该处理器上运行的计算机程序，该计算机程序被该处理器执行时实现如第一方面该的方法的步骤。

第四方面，提供了一种计算机可读存储介质，该计算机可读存储介质上存储计算机程序，该计算机程序被处理器执行时实现如第一方面该的方法的步骤。

在本申请实施例中，首先获取多个样本数据，样本数据中包含多个目标网络的负荷参数，该样本数据可以表征采集时刻下多个目标网络的负荷；然后，通过预设聚类算法对多个样本数据进行聚类并对聚类结果打标签，以标记样本数据对应的多个目标网络的负荷类型；接着，获取多个目标网络在目标时刻的目标样本数据，并基于目标样本数据所述的聚类结果及对应的标签，确定多个目标网络在目标时刻的目标负荷类型；最后，根据目标负荷类型相对应的分配规则将预设频段的频谱资源分配给至少一个目标网络。本发明实施例的方案，能根据样本数据确定目标样本数据对应的目标负荷类型，该目标负荷类型可以代表目标样本数据所表征的时刻下各个目标网络的负荷状态，进而根据实际网络负荷对应的分配规则对预设频段的频谱资源进行合理分配，缓解网络拥塞，充分利用频谱资源，优化用户体验。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本发明的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1是本实施例提供的一种分配移动网络频谱资源的方法的流程示意图之一；

图2是本实施例提供的一种分配移动网络频谱资源的方法的流程示意图之二；

图3是本实施例提供的一种分配移动网络频谱资源的方法的流程示意图之三；

图4是本实施例提供的一种分配移动网络频谱资源的方法的流程示意图之四；

图5是本实施例提供的一种分配移动网络频谱资源的方法的流程示意图之五；

图6是本实施例提供的一种分配移动网络频谱资源的方法的流程示意图之六；

图7是本实施例提供的一种分配移动网络频谱资源的方法的流程示意图之七；

图8a是本实施例提供的一种频谱资源分配示意图之一；

图8b是本实施例提供的一种频谱资源分配示意图之二；

图8c是本实施例提供的一种频谱资源分配示意图之三；

图8d是本实施例提供的一种频谱资源分配示意图之四；

图9是本实施例提供的一种电子设备的结构示意图。

具体实施方式

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作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。本申请中附图编号仅用于区分方案中的各个步骤，不用于限定各个步骤的执行顺序，具体执行顺序以说明书中描述为准。

在通信领域，各频段的频谱资源利用率往往会随着用户需求而不断变化。为了充分利用频谱资源，避免部分频段拥塞而另外部分频段空闲的情况，可以由技术人员通过人工的方式对频谱资源进行调配划分。但是这种人工分配频谱的方式依赖于技术人员的经验，受主观影响较大，缺乏精准的分析，因此分配结果难以符合实际需求，对于突发的用户需求也难以实现预判。另由于频段承载的业务量受多种因素影响，仅凭经验对未来的频段承载业务量进行预测往往精准度较低。另外，人工分配的方式需要花费较多的人力不断地根据实际需求调配频谱资源，且分配效果不佳。

如上所述，人工固定分配模式只能通过技术人员定期对一段时间内频谱使用情况进行评估，输出个网络制式下的频谱分配变更方案。该方案的参考时间短，数据量级少，维度低，存在网络频谱利用率低下，调整后出现语音感知下降的问题。

为了解决现有技术中存在的问题，本实施例提供一种分配移动网络频谱资源的方法，如图1所示，包括以下步骤：

S11：获取多个样本数据，所述样本数据包括多个目标网络的负荷参数，所述样本数据用于表征所述样本数据对应的采集时刻下所述多个目标网络的负荷；

S12：通过预设聚类算法对所述多个样本数据进行聚类训练，并对聚类结果进行打标签以标记样本数据对应的多个目标网络的负荷类型；

S13：获取多个目标网络在目标时刻的目标样本数据；

S14：基于目标样本数据所属的聚类结果及对应的标签，确定多个目标网络在目标时刻的目标负荷类型；

S15：根据所述目标负荷类型相对应的分配规则将预设频段的频谱资源分配给至少一个目标网络。

在本实施例提供的方案中，目标网络可以为GSM(Global System for MobileCommunications)网络、FDD-LTE(Frequency Division Duplexing-Long Term Evolution)网络、TD-LTE(Time Division Long Term)网络等通信网络，该目标网络可以是2G技术、3G技术、4G技术、5G技术等通讯技术应用的通信网络。

为了说明本实施例提供的方案，本实施例中多个目标网络包括GSM网络和FDD-LTE网络。其中，GSM网络可以用于提供语音通话功能，FDD-LTE网络可以用于提供网络数据传输功能。

本实施例提供的方案中，首先获取多个样本数据并对多个样本数据进行聚类训练打标签，然后确定目标网络在目标时刻的负荷类型，最后根据目标网络的负荷类型对频谱资源进行分配。通过本实施例能对大体量的用户信息和业务信息进行数据分析，提前感知频段发生拥挤的事件，并根据大数据分析的结果，对频谱资源进行动态划分，从而实现提高网络频谱利用率，提高用户体验。

较优的，上述步骤S11，获取多个样本数据，如图2所示，包括以下步骤：

S21：获取多个包含通话网络的利用率参数、数据网络的利用率参数和数据网络的用户量的样本数据，

其中，所述通话网络包括用于提供语音通话功能的目标网络，所述通话网络的利用率参数用于表征所述样本数据对应的采集时刻下所述通话网络的负荷，所述数据网络包括用于提供网络数据传输功能的目标网络，所述数据网络的利用率参数和所述数据网络的用户量用于表征所述样本数据对应的采集时刻下所述数据网络的负荷。

在本步骤中，通话网络的利用率参数具体可以是GSM无线利用率，数据网络的利用率参数具体可以是LTE无线利用率，另外，本步骤中还获取了数据网络的用户量。其中，语音负荷情况通过GSM无线利用率指标体现，数据负荷情况通过LTE无线利用率和用户数两个指标体现。

较优的，由于获取的数据来自于大数据平台的不同数据接口机，获取到的数据往往具有不同的格式、粒度、特征、来源、采集时间等。因此，在获取到多个样本数据之后，对获取到的样本数据进行清洗和整理，具体可以包括删除异常数据、重复数据、缺失数据、错误数据、以及数据标准化等操作。

在本实施例提供的方案中，利用电信运营商的大数据平台，对各种制式下的指标进行提取，作为后续分析的样本数据。以便随后根据通话网络和数据网络的负荷情况对频谱资源使用情况进行分析，并确定相应的频谱调整方案。

较优的，步骤S12，通过预设聚类算法对所述多个样本数据进行聚类训练，并对聚类结果进行打标签以标记样本数据对应的多个目标网络的负荷类型，如图3所示，包括以下步骤：

S31：通过K均值聚类算法将多个样本数据聚类为至少以下四种标准负荷类型：用于表征通话网络负荷低且数据网络负荷低的第一负荷类型、用于表征通话网络负荷高且数据网络负荷低的第二负荷类型、用于表征通话网络负荷低且数据网络负荷高的第三负荷类型、用于表征通话网络负荷高且数据网络负荷高的第四负荷类型；

S32：对经过聚类的多个样本数据添加与所述负荷类型相对应的负荷标签。

基于实际应用情况，目标网络的负荷类型可以分为以下四种：

(1)第一负荷类型：通话网络低负荷，数据网络低负荷，大部分情况下，语音频谱和数据频谱都处于低负荷的情况，此时通话网络和数据网络均运行正常，用户可以正常使用语音功能和网络数据功能。

(2)第二负荷类型：通话网络高负荷，数据网络低负荷，当出现台风，地震，海啸，洪水等社会突发事件时，大概率会出现语音的高负荷现象，此时通话网络拥塞，用户使用语音功能时有可能体验较差。

(3)第三负荷类型：通话网络低负荷，数据网络高负荷，当出现双十一、重要会议、演唱会、体育比赛等活动时，大概率会出现数据需求快速增长的现象，此时数据网络处于高负荷状态，用户使用网络数据功能时有可能体验较差。

(4)第四负荷类型：通话网络高负荷，数据网络高负荷，当出现重要节假日，如春节、圣诞节、元旦节等，大概率会出现数据和语音的双重需求，此时通话网络和数据网络均处于高负荷的状态，用户使用语音功能和数据网络功能时均有可能体验较差。

在本实施例步骤S31中，利用获取到的样本数据，将GSM无线利用率，LTE无线利用率，用户数量作为有效特征，对样本数据进行聚类分析。在本发明中，利用K-Means聚类方法进行聚类，使用的距离度量方法是欧几里得距离，聚类的类别数指定为4。四种聚类结果分别表示为1(第一负荷类型)，2(第二负荷类型)，3(第三负荷类型)，4(第四负荷类型)。

其中，k均值聚类算法(k-means clustering algorithm)是一种迭代求解的聚类分析算法，其步骤是随机选取K个对象作为初始的聚类中心，然后计算每个对象与各个种子聚类中心之间的距离，把每个对象分配给距离它最近的聚类中心。聚类中心以及分配给它们的对象就代表一个聚类。每分配一个样本，聚类的聚类中心会根据聚类中现有的对象被重新计算。这个过程将不断重复直到满足某个终止条件。终止条件可以是没有(或最小数目)对象被重新分配给不同的聚类，没有(或最小数目)聚类中心再发生变化，误差平方和局部最小。

其中，上述距离可以为欧几里得度量(euclidean metric)，也称欧氏距离。是一个通常采用的距离定义，指在m维空间中两个点之间的真实距离，或者向量的自然长度(即该点到原点的距离)。

通过聚类训练，可以得到4种样本数据，随后在步骤S32中对经过聚类的多个样本数据添加负荷标签。

具体的，根据聚类后的结果对4种样本数据依次打上的标签可以分别为1，2，3，4。打标签后的数据样本集合可以为S_L：

其中，L_i(1≤L_i≤4，L_i∈N)表示第i条数据样本的标签。

通过本实施例提供的方案，对获取的多个样本数据进行聚类训练并打标签，经过打标签的样本数据可以在随后的步骤中作为判断目标样本数据所述聚类结果的依据，提高确定目标样本数据所述聚类结果的准确性，进而保证分配频谱资源与实际网路需求相符。

在步骤S13中，获取多个目标网络在目标时刻的目标样本数据。

具体的，可以在大数据平台上在线采集实时数据，将采集到的实时数据作为目标样本数据，将采集目标样本数据的时刻作为目标时刻。在实际应用中，可以周期性地采集目标样本数据并周期性地分配频谱资源，其中，时间粒度可以选择周、天、小时、分钟、秒、毫秒等量级，为了优化分配频谱资源的效果，可以对采集的目标样本数据进行数据清洗和整理。在本实施例中，以秒为量级采集目标样本数据，其中，第v秒采集的目标样本数据可以表现为T_v＝[η'_GSM-v η'_LTE-v U'_v]。

由于在一段时间内采集到的目标样本数据通常具有连续性，因此，如果采集目标样本数据的过程中出现缺失值，可以将缺失数值前后预设数量的数据的平均值填补在缺失处。举例来说，可以将缺失值的前5采样值和后5个采样值的平均值来补充该缺失值。

除了目标样本数据以外，还可以采集目标网络的其他性能参数，用以在分配频谱资源时提供数据支持，例如，可以采集目标网络的性能KPI门限G3和干扰门限G4等参数，在分配频谱资源时结合采集到的性能参数进行频谱资源分配。

较优的，步骤S14：基于目标样本数据所属的聚类结果及对应的标签，确定多个目标网络在目标时刻的目标负荷类型，如图4所示，包括以下步骤：

S41：根据经过打标签的多个样本数据，通过贝叶斯分类算法确定所述目标样本数据对应于各种所述标准负荷类型的概率；

S42：根据所述目标样本数据对应于各种所述标准负荷类型的概率，确定所述目标样本数据所属的目标负荷类型。

其中，贝叶斯分类算法是统计学的一种分类方法，它是一类利用概率统计知识进行分类的算法。在许多场合，朴素贝叶斯(

Bayes，NB)分类算法可以与决策树和神经网络分类算法相媲美，该算法能运用到大型数据库中，而且方法简单、分类准确率高、速度快。

较优的，上述步骤S41，根据经过打标签的多个样本数据，通过贝叶斯分类算法确定所述目标样本数据对应于各种所述标准负荷类型的概率，包括：

通过以下公式确定所述目标样本数据T_v＝[η'_v1 η'_v2 U'_v]对应于各种所述标准负荷类型的概率P(L＝i|T_v)：

P(T_v|L＝i)＝P(t₁|L＝i)P(t₂|L＝i)P(t₃|L＝i)

其中，L表示标准负荷类型对应的负荷标签，t_j表示目标样本数据T_v＝[η'_v1 η'_v2U'_v]中第j个参数值，η'_v1表示通话网络的利用率参数，η'_v2表示数据网络的利用率参数，U'_v表示数据网络的用户量，μ_ij表示标签值为i的样本数据中第j个特征值的平均值；δ_ij表示标签值为i的样本数据中第j个特征值的方差。

其中，利用贝叶斯概率算法对当前数据进行分类，基于实时采集的数据T_v，计算T_v隶属于各类目标负荷类型的概率，P(L＝i|T_v)表示标签为i时的概率，公式如下：

其中，P(L＝i)为常数，因此条件概率P(L＝i|T_v)的计算等价为P(T_v|L＝i)的计算。考虑到各个特征值的独立性，且在不同时间点提取的特征值服从高斯分布，因此可以得到：

P(T_v|L＝i)＝P(t₁|L＝i)P(t₂|L＝i)P(t₃|L＝i)

其中，t_j表示目标样本数据T_v＝[η'_GSM-v η'_LTE-v U_v']中第j个的特征值，也就是当j＝1时，表示GSM网络无线利用率；当j＝2时，表示LTE网络无线利用率；当j＝3时，表示LTE网络用户数量。

通过本实施例提供的方案，能通过贝叶斯分类算法确定目标样本数据对应于各种所述标准负荷类型的概率，以确定与目标网络在目标时刻所属的目标负荷类型。进而合理调配频谱资源，优化用户使用体验。

较优的，上述步骤S42，根据所述目标样本数据对应于各种所述标准负荷类型的概率，确定所述目标样本数据所属的目标负荷类型，如图5所示，包括：

S51：将概率最高的一种标准负荷类型确定为所述目标样本数据所属的目标负荷类型。

基于上述步骤S41确定的目标样本数据对应于各种标准负荷类型的概率，在得到T_v隶属于各类标准负荷类型的概率P(L＝i|T_v)后，选择概率最大的标准负荷类型的标签值最为目标样本数据的标签值。该目标负荷类型用于表征目标网络在目标时刻的负荷状态。在随后分配频谱资源时，依据目标样本数据所述的目标负荷类型分配频谱资源，能使频谱资源得到充分利用，避免部分网络拥塞另部分网络空闲的情况。

由于采集目标样本数据过程中容易受到环境等多方面因素的影响，目标样本数据有可能不稳定，导致确定的目标负荷类型频繁变化。较优的，预设时间窗口W，在时间窗口W这段时间内对多个目标样本数据进行处理，并确定每个目标样本数据所属的标准负荷类型，最后在时间窗口W结束时根据时间窗口W这段时间内多个目标样本所属的标准负荷类型确定时间窗口W对应的目标负荷类型，在随后的步骤中基于确定的目标负荷类型对频谱资源进行调配。

较优的，上述步骤S15，根据所述目标负荷类型相对应的分配规则将预设频段的频谱资源分配给至少一个目标网络，如图6所示，包括以下步骤：

S61：在所述目标网络满足预设分配标准时，根据所述目标负荷类型相对应的分配规则将预设频段的频谱资源分配给至少一个目标网络。

在本实施例中，预设分配标准可以与目标网络在目标时刻的状态相关，结合目标网络的运行状态和目标负荷类型分配频谱资源，能进一步提高分配合理性，使分配的频谱资源得到充分利用。

较优的，上述步骤S61，在所述目标网络满足预设分配标准时，根据所述目标负荷类型相对应的分配规则将预设频段的频谱资源分配给至少一个目标网络，如图7所示，包括以下步骤：

S71：在所述目标网络的性能参数小于第一预设值且所述目标网络对应的动态频谱干扰小于第二预设值时，根据所述目标负荷类型相对应的分配规则将预设频段的频谱资源分配给至少一个目标网络。

其中，目标网络的性能参数可以为目标网络的关键性能指标(Key PerformanceIndicator，KPI)，对应的动态频谱干扰和上述KPI可以在获取多个目标网络在目标时刻的目标样本数据时进行采集，上述第一预设值和第二预设值可以根据实际情况预先设定。当目标网络的KPI小于第一预设值且对应的动态频谱干扰小于第二预设值时，根据目标负荷类型对应的分配规则分配预设频段的频谱资源。可选的，在目标网络的KPI大于或等于第一预设值或对应的动态频谱干扰大于或等于第二预设值时，可以保持原有的频谱资源分配方案不调整。

通过本实施例提供的方案，能在目标网络满足预设分配标准时进行频谱资源调配，避免在调配频谱资源时影响用户的正常使用。

较优的，上述步骤S15，根据所述目标负荷类型相对应的分配规则将预设频段的频谱资源分配给至少一个目标网络，包括以下步骤：

当所述目标负荷类型为第二负荷类型时，将预设频段的频谱资源分配给通话网络；

当所述目标负荷类型为第三负荷类型时，将预设频段的频谱资源分配给数据网络；

当所述目标负荷类型为第四负荷类型时，将预设频段的频谱资源分配给通话网络。

在本实施例中，根据目标样本数据所述的目标负荷类型对预设频段的频谱资源进行调配。每种标准负荷类型对应于一种频谱资源调配规则，具体可以根据实际需求预先设定，下面举例说明目标样本数据所属于不同标准负荷类型时的拼铺调配规则：

A、当目标负荷类型为第一负荷类型时，表明通话网络处于低负荷状态，数据网络也处于低负荷状态，此时语音功能和网络数据功能均可以满足用户需求，频谱资源分配方案可以保持不变。

B、当目标负荷类型为第二负荷类型时，表明通话网络处于高负荷状态，数据网络处于低负荷状态，此时语音功能的需求量较大，因此，将预设频段的频谱资源分配给通话网络，以缓解通话网络拥塞。

C、当目标负荷类型为第三负荷类型时，表明通话网络处于低负荷状态，数据网络处于高负荷状态，此时网络数据传输的需求量较大，因此，将预设频段的频谱资源分配给数据网络，以缓解数据网络拥塞。

D、当目标负荷类型为第四负荷类型时，表明通话网络处于高负荷状态，数据网络也处于高负荷状态，此时通话功能和网络数据功能的需求均较大，应优先满足语音功能，因此，将预设频段的频谱资源分给通话网络。

下面通过实例来说明频谱资源分配规则，假设通话网络和数据网络共用900M频段和1800M频段，通话网络(GSM网络)和数据网络(FDD-LTE网络)的固定频段如图8a所示。其中，900M频段具体是指935MHZ～954MHZ频段，1800M频段具体是指1805MHZ～1830MHZ频段。900M频段中可分配的频谱资源可以为943.3MHZ～945.8MHZ频段以及950.8MHZ～953.3MHZ频段，1800M频段中可分配的频谱资源可以为1805MHZ～1810MHZ以及1820MHZ～1825MHZ。另外，通话网络和数据网络的固定频谱带宽以及可调配的预设频段的动态频谱带宽如下表1所示：

表1：频谱划分建议

基于本实例，当目标负荷类型为第二负荷类型时，将预设频段的频谱资源分给GSM网络，分配结果如图8b所示。当目标负荷类型为第三负荷类型时，将预设频谱资源分给FDD-LTE网络，分配结果如图8c所示。当目标负荷类型为第四负荷类型时，将预设频段的频谱资源分配给GSM网络，分配结果如图8d所示。

本实施例提供的方案中，在GSM与FDD-LTE共存的情况下，基于当前语音优先的情况下，通过负载算法，同时在评估干扰和服务质量的情况下，实现GSM和FDD频谱使用的动态调整，最大化的提高移动网络频谱的利用率。

通过本实施例提供的方案，能将用户的实时业务数据和需求与频谱分配进行关联，可以更好地满足用户需求，从而提高用户的使用体验。

本方案使用部分固定频谱+部分公用的动态频谱，不但可以提高频谱分配的灵活性，还可以很好地提高频谱利用率，固定频谱保证了基本语音和数据服务，动态频谱可以根据用户实际需求动态调配。固定频谱与动态频谱结合的方式在保证了用户体验的前提下，进一步地提高了频谱资源的利用率。另外，本方案能获取大数据平台的用户数据，对在网用户进行了深度的挖掘，可以快速感知用户场景，确定目标网络所处的负荷类型，提前获取用户的需求数据，从而自动分配频谱资源。既保证了频谱资源的进一步利用，又提高了用户体验，可以用来进行重要场景的通信保障。

为了解决现有技术中存在的问题，本实施例提供一种电子设备90，如图9所示，包括：

第一获取模块91，获取多个样本数据，所述样本数据包括多个目标网络的负荷参数，所述样本数据用于表征所述样本数据对应的采集时刻下所述多个目标网络的负荷；

训练模块92，通过预设聚类算法对所述多个样本数据进行聚类训练，并对聚类结果进行打标签以标记样本数据对应的多个目标网络的负荷类型；

第二获取模块93，获取多个目标网络在目标时刻的目标样本数据；

确定模块94，基于目标样本数据所属的聚类结果及对应的标签，确定多个目标网络在目标时刻的目标负荷类型；

分配模块95，根据所述目标负荷类型相对应的分配规则将预设频段的频谱资源分配给至少一个目标网络。

优选的，本发明实施例还提供一种电子设备，包括处理器，存储器，存储在存储器上并可在所述处理器上运行的计算机程序，该计算机程序被处理器执行时实现上述一种分配移动网络频谱资源的方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。

本发明实施例还提供一种计算机可读存储介质，计算机可读存储介质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一种分配移动网络频谱资源的方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。其中，所述的计算机可读存储介质，如只读存储器(Read-Only Memory，简称ROM)、随机存取存储器(RandomAccess Memory，简称RAM)、磁碟或者光盘等。

需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。

上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，均属于本发明的保护之内。

Claims (10)

1.一种分配移动网络频谱资源的方法，其特征在于，包括：

获取多个样本数据，所述样本数据包括多个目标网络的负荷参数，所述样本数据用于表征所述样本数据对应的采集时刻下所述多个目标网络的负荷；

通过预设聚类算法对所述多个样本数据进行聚类训练，并对聚类结果进行打标签以标记样本数据对应的多个目标网络的负荷类型；

获取多个目标网络在目标时刻的目标样本数据；

基于目标样本数据所属的聚类结果及对应的标签，确定多个目标网络在目标时刻的目标负荷类型；

根据所述目标负荷类型相对应的分配规则将预设频段的频谱资源分配给至少一个目标网络。

2.如权利要求1所述的方法，其特征在于，获取多个样本数据，包括：

获取多个包含通话网络的利用率参数、数据网络的利用率参数和数据网络的用户量的样本数据，

其中，所述通话网络包括用于提供语音通话功能的目标网络，所述通话网络的利用率参数用于表征所述样本数据对应的采集时刻下所述通话网络的负荷，所述数据网络包括用于提供网络数据传输功能的目标网络，所述数据网络的利用率参数和所述数据网络的用户量用于表征所述样本数据对应的采集时刻下所述数据网络的负荷。

3.如权利要求2所述的方法，其特征在于，通过预设聚类算法对所述多个样本数据进行聚类训练，并对聚类结果进行打标签以标记样本数据对应的多个目标网络的负荷类型，包括：

通过K均值聚类算法将多个样本数据聚类为至少以下四种标准负荷类型：用于表征通话网络负荷低且数据网络负荷低的第一负荷类型、用于表征通话网络负荷高且数据网络负荷低的第二负荷类型、用于表征通话网络负荷低且数据网络负荷高的第三负荷类型、用于表征通话网络负荷高且数据网络负荷高的第四负荷类型；

对经过聚类的多个样本数据添加与所述负荷类型相对应的负荷标签。

4.如权利要求3所述的方法，其特征在于，基于目标样本数据所属的聚类结果及对应的标签，确定多个目标网络在目标时刻的目标负荷类型，包括：

根据经过打标签的多个样本数据，通过贝叶斯分类算法确定所述目标样本数据对应于各种所述标准负荷类型的概率；

根据所述目标样本数据对应于各种所述标准负荷类型的概率，确定所述目标样本数据所属的目标负荷类型。

5.如权利要求4所述的方法，其特征在于，根据经过打标签的多个样本数据，通过贝叶斯分类算法确定所述目标样本数据对应于各种所述标准负荷类型的概率，包括：

通过以下公式确定所述目标样本数据T_v＝[η′_v1 η′_v2 U′_v]对应于各种所述标准负荷类型的概率P(L＝i|T_v)：

P(T_v|L＝i)＝P(t₁|L＝i)P(t₂|L＝i)P(t₃|L＝i)

其中，L表示标准负荷类型对应的负荷标签，t_j表示目标样本数据T_v＝[η′_v1 η′_v2 U′_v]中第j个参数值，η′_v1表示通话网络的利用率参数，η′_v2表示数据网络的利用率参数，U′_v表示数据网络的用户量，μ_ij表示标签值为i的样本数据中第j个特征值的平均值；δ_ij表示标签值为i的样本数据中第j个特征值的方差。

6.如权利要求5所述的方法，其特征在于，根据所述目标样本数据对应于各种所述标准负荷类型的概率，确定所述目标样本数据所属的目标负荷类型，包括：

将概率最高的一种标准负荷类型确定为所述目标样本数据所属的目标负荷类型。

7.如权利要求1～6任一项所述的方法，其特征在于，根据所述目标负荷类型相对应的分配规则将预设频段的频谱资源分配给至少一个目标网络，包括：

在所述目标网络满足预设分配标准时，根据所述目标负荷类型相对应的分配规则将预设频段的频谱资源分配给至少一个目标网络。

8.如权利要求7任一项所述的方法，其特征在于，在所述目标网络满足预设分配标准时，根据所述目标负荷类型相对应的分配规则将预设频段的频谱资源分配给至少一个目标网络，包括：

在所述目标网络的性能参数小于第一预设值且所述目标网络对应的动态频谱干扰小于第二预设值时，根据所述目标负荷类型相对应的分配规则将预设频段的频谱资源分配给至少一个目标网络。

9.如权利要求2～6任一项所述的方法，其特征在于，根据所述目标负荷类型相对应的分配规则将预设频段的频谱资源分配给至少一个目标网络，包括：

当所述目标负荷类型为第二负荷类型时，将预设频段的频谱资源分配给通话网络；

当所述目标负荷类型为第三负荷类型时，将预设频段的频谱资源分配给数据网络；

当所述目标负荷类型为第四负荷类型时，将预设频段的频谱资源分配给通话网络。

10.一种电子设备，其特征在于，包括：

第一获取模块，获取多个样本数据，所述样本数据包括多个目标网络的负荷参数，所述样本数据用于表征所述样本数据对应的采集时刻下所述多个目标网络的负荷；

训练模块，通过预设聚类算法对所述多个样本数据进行聚类训练，并对聚类结果进行打标签以标记样本数据对应的多个目标网络的负荷类型；

第二获取模块，获取多个目标网络在目标时刻的目标样本数据；

确定模块，基于目标样本数据所属的聚类结果及对应的标签，确定多个目标网络在目标时刻的目标负荷类型；

分配模块，根据所述目标负荷类型相对应的分配规则将预设频段的频谱资源分配给至少一个目标网络。

Images