CN113498137A - 获取小区关系模型、推荐小区切换指导参数的方法及装置 - Google Patents

获取小区关系模型、推荐小区切换指导参数的方法及装置 Download PDF

Info

Publication number
CN113498137A
CN113498137A CN202010271151.6A CN202010271151A CN113498137A CN 113498137 A CN113498137 A CN 113498137A CN 202010271151 A CN202010271151 A CN 202010271151A CN 113498137 A CN113498137 A CN 113498137A
Authority
CN
China
Prior art keywords
cell
parameters
cells
switching
handover
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.)
Pending
Application number
CN202010271151.6A
Other languages
English (en)
Inventor
杨林
程敏
朱琳
陈志堂
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.)
Huawei Technologies Co Ltd
Original Assignee
Huawei Technologies 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 Huawei Technologies Co Ltd filed Critical Huawei Technologies Co Ltd
Priority to CN202010271151.6A priority Critical patent/CN113498137A/zh
Publication of CN113498137A publication Critical patent/CN113498137A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W36/00—Hand-off or reselection arrangements
    • H04W36/0005—Control or signalling for completing the hand-off
    • H04W36/0055—Transmission or use of information for re-establishing the radio link
    • 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
    • H04W36/00—Hand-off or reselection arrangements
    • H04W36/16—Performing reselection for specific purposes
    • H04W36/165—Performing reselection for specific purposes for reducing network power consumption

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本申请提供一种获取小区关系模型、推荐小区切换指导参数的方法及装置，涉及人工智能AI领域和数据通信技术领域。包括：通过图卷积神经网络GCN分别对表示指定区域内N个小区历史的话统数据的拓扑图以及该拓扑图对应的对偶图进行特征提取，获取拓扑图的第一特征信息，以及对偶图的第二特征信息；之后基于第一特征信息与第二特征信息，确定N个小区的融合特征信息；再将N个小区的融合特征信息以及N个小区历史的切换指导参数进行拟合，得到用于指示指定区域内N个小区的网络状态参数、切换指导参数以及性能指标之间的函数关系的小区关系模型，最后基于该小区关系模型并通过梯度下降算法确定目标切换指导参数。该方式获取的网络性能效果更好。

Description

获取小区关系模型、推荐小区切换指导参数的方法及装置
技术领域
本申请涉及人工智能(artificial intelligence，AI)领域和数据通信技术领域，尤其涉及一种获取小区关系模型、推荐小区切换指导参数的方法及装置。
背景技术
在无线蜂窝网络中，用户分布不均匀使得小区(即无线网络覆盖的区域)间负载不均衡。高负载小区由于用户数量较多，业务需求量大，易造成网络资源不足，进而很难保证用户的服务质量；同时，周边空闲小区用户数量较少，负载小，其网络资源未能得到充分利用。
为此，现有提出切换优化(handover optimization，HO)的技术，HO技术对小区间负载均衡和移动鲁棒性都起着重要作用。在HO技术中，每个小区上均需配置用于控制用户在小区间切换的切换参数，且切换参数的配置对切换效果以及小区间负载均衡、用户是否可以切换到更优小区都有着非常重要的作用。
通常情况下，为了配置各小区上的切换指导参数，可对各小区的网络状态以及需要达到的性能指标进行分析，基于专家经验或者预设的配置规则来配置切换指导参数，但是该方式只能针对简单的网络环境，针对复杂的网络环境，并未充分考虑各小区间的相互影响，故而使得切换参数配置后，用户可能切换不到优质小区或者切换后的小区服务质量依然不能满足用户的需求。
基于此，亟需一种新的小区切换指导参数的配置方案，以充分考虑各小区间的相互影响，以使用户可以切换到更优质的小区，提高用户的通信质量。
发明内容
本申请实施例提供一种获取小区关系模型、推荐小区切换指导参数的方法及装置，以充分考虑各小区间的相互影响来为小区配置切换指导参数，使得用户可以切换到更优质的小区，提高用户的通信质量。
第一方面，本申请实施例提供一种获取小区关系模型的方法，包括：获取指定区域内N个小区历史的话统数据；其中，话统数据包括：小区Ni的网络状态参数、切换指导参数以及性能指标；N为整数；i取变1-N中的任意整数；将N个小区历史的话统数据通过拓扑图表示，并基于拓扑图生成对偶图；基于图卷积神经网络(Graph Convolutional NeuralNetwork，GCN)分别对拓扑图以及对偶图进行特征提取，获取拓扑图的第一特征信息以及对偶图的第二特征信息；将第一特征信息与第二特征信息进行信息融合后，并通过GCN对融合后的信息进行特征提取，确定N个小区的融合特征信息；将N个小区的融合特征信息以及N个小区历史的切换指导参数进行拟合，得到指定区域内N个小区对应的小区关系模型；其中，小区关系模型用于指示指定区域内N个小区的网络状态参数、切换指导参数以及性能指标之间的函数关系。
其中，所述网络状态参数用于表征所述小区Ni在所述设定时长内的资源占用情况以及用户切换情况；所述切换指导参数为用于指导所述小区Ni与所述小区Ni的邻小区之间进行切换的参数；所述性能指标用于表征所述小区Ni在所述设定时长内的切换性能。
通过该方式获取的小区关系模型，可以很好地表征各小区与邻小区间的相互影响，以便更好地表征各小区网络状态参数、切换指导参数以及性能指标之间的函数关系，基于该小区关系模型进行小区切换指导参数的调整，可以使用户切换到更优质的小区，提高用户的通信质量。
在一种可能的实现方式中，所述小区Ni的网络状态参数可以包括：所述小区Ni内部的业务状态参数以及所述小区Ni与邻小区间的业务切换参数；所述小区Ni的业务切换参数包括所述小区Ni向所述邻小区切换的第一业务切换参数以及所述邻小区向所述小区Ni切换的第二业务切换参数。所述小区Ni的切换指导参数可以包括：所述小区Ni向所述邻小区切换的第一切换指导参数以及所述邻小区向所述小区Ni切换的第二切换指导参数。
上述参数信息覆盖较全面，将这些参数用于小区切换参数的调整方案的模型学习中，可以更好地权衡各小区间的相互作用，确定出更恰当的目标切换指导参数。
在一种可能的实现方式中，将所述N个小区历史的话统数据通过拓扑图表示，并基于所述拓扑图生成对偶图，包括：将所述N个小区历史的网络状态参数、切换指导参数以及性能指标通过拓扑图表示；根据所述拓扑图生成对偶图；其中，所述对偶图的每个节点对应所述拓扑图的一条边；
其中，所述拓扑图包括N个节点以及不同节点之间形成的多条有向边；所述N个节点分别对应所述N个小区；所述小区Ni对应的节点Mi用于表示所述小区Ni内部的业务状态参数以及所述小区Ni的性能指标；所述小区Ni对应的节点Mi指向小区Nj对应的节点Mj的边用于表示所述小区Ni向所述小区Nj切换的第一业务切换参数以及第一切换指导参数；所述节点Mj指向所述节点Mi的边用于表示所述小区Nj向所述小区Ni切换的第二业务切换参数以及第二切换指导参数；所述小区Nj与所述小区Ni为相邻小区。
该方案中为了确定小区关系模型，引入了有向的拓扑图，将各小区参数的信息表示在有向的拓扑图中，通过对有向的拓扑图上的信息进行信息聚合，确定各小区与邻小区的融合后的信息，并基于该融合后的信息与N个小区的切换指导参数进行拟合确定小区关系模型，可以更好地表征各小区参数间的关系。
在一种可能的实现方式中，所述基于图卷积神经网络GCN分别对所述拓扑图以及所述对偶图进行特征提取，获取所述拓扑图的第一特征信息以及所述对偶图的第二特征信息，包括：基于图卷积神经网络GCN对所述拓扑图中各节点进行特征提取，获取N个小区各自对应的第一特征信息；以及基于所述GCN对所述对偶图进行特征提取，获取所述对偶图中各节点各自对应的第二特征信息；
所述将所述第一特征信息与所述第二特征信息进行信息融合后，并通过所述GCN对融合后的信息进行特征提取，确定N个小区的融合特征信息，包括：将所述N个小区各自对应的第一特征信息与所述对偶图中各节点各自对应的第二特征信息对应合并，得到融合后的信息；通过所述GCN对所述融合后的信息进行特征提取，确定N各个小区的融合特征信息。
该方案中通过将拓扑图的第一特征信息与对偶图的第二特征信息进行合并，得到融合后的信息，并基于GCN对融合后的特征信息进行特征提取，以便各小区可以聚合周围邻小区的特征信息，以使构建的小区关系模型更加准确。
在一种可能的实现方式中，所述小区Ni内部的业务状态参数可以但不限于包括以下中的一种或多种：
所述小区Ni单位时间段的平均用户数；
所述小区Ni单位时间段的平均活跃用户数；
所述小区Ni单位时间段的上行流量；
所述小区Ni单位时间段低信道质量指示(channel quality indicator,CQI)报告的比例；
所述小区Ni单位时间段物理资源块(physical resource block，PRB)资源占用率；
所述小区Ni与邻小区间的业务切换参数可以但不限于包括以下中的一种或多种：
所述小区Ni单位时间段平均切换尝试次数；
所述小区Ni单位时间段平均切换成功次数；
所述小区Ni单位时间段平均切换过早次数；
所述小区Ni单位时间段平均切换过晚次数；
所述小区Ni单位时间段平均乒乓切换次数。
该信息中包括的网络状态信息较为全面，使得采用上述信息确定目标切换指导参数更为准确。
在一种可能的实现方式中，所述小区Ni的切换指导参数可以但不限于包括以下中的一种或多种：
所述小区Ni与各邻小区间的切换次数；
所述小区Ni与各邻小区间的切换过早；和/或；过晚；和/或；乒乓次数；
所述小区Ni与各邻小区间的小区个体偏置参数(cell individual offset，CIO)参数；
所述小区Ni与各邻小区间的偏置参数OFFSET参数。
该信息中包括的切换指导参数较为全面，使得采用上述信息确定目标切换指导参数更为准确。
在一种可能的实现方式中，所述小区Ni的性能指标可以但不限于包括以下中的一种或多种：
所述小区Ni单位时间内边缘用户占比；
所述小区Ni单位时间内边缘传输次数。
该信息中包括的性能指标较为全面，使得采用上述信息确定目标切换指导参数更为准确。
第二方面，本申请实施例提供一种推荐小区切换指导参数的方法，包括：获取设定时长内不同时间点指定区域内N个小区的网络状态参数以及切换指导参数，并基于小区关系模型，确定设定时长内不同时间点N个小区切换指导参数的梯度值；N为整数；分别对不同时间点N个小区的切换指导参数的梯度值进行梯度融合，得到不同时间点N个小区的切换指导参数的梯度运算值；基于N个小区的切换指导参数的梯度运算值以及梯度下降算法，确定调节后的切换指导参数；将调节后的切换指导参数作为目标切换指导参数分别配置给N个小区。
基于该方案进行小区切换指导参数的调整，可以充分考虑各小区和邻小区间的相互影响，并通过小区关系模型来表征各小区和邻小区间的相互影响，依据该小区关系模型对网络状态参数以及切换指导参数进行不断的优化迭代处理，以确定目标切换指导参数，再根据该目标切换指导参数来指导小区切换，可以使得用户切换到更优质的小区，从而提高用户的通信质量，而且可以对各小区的资源进行充分利用。
在一种可能的实现方式中，所述分别对所述不同时间点所述N个小区的切换指导参数的梯度值进行梯度融合，得到所述不同时间点所述N个小区的切换指导参数的梯度运算值，包括：将不同时间点同一小区的切换指导参数的梯度值进行加权求和或加权求平均运算，得到所述不同时间点所述N个小区的切换指导参数的梯度运算值。
通过该方式计算的梯度运算值充分考虑了各小区不同时间点切换指导参数的变化，并基于该梯度运算值调整N个小区对应的切换指导参数，通过该方式确定的目标切换指导参数适配到得N个小区，使得N个小区的平均性能指标更好。
第三方面，本申请实施例提供一种获取小区关系模型的装置，该装置具有实现上述任一种可能的设计的功能。所述功能可以通过硬件实现，也可以通过硬件执行相应的软件实现。所述硬件或软件包括一个或多个与上述功能相对应的模块。
第四方面，本申请实施例提供一种推荐小区切换指导参数的装置，该装置具有实现上述任一种可能的设计的功能。所述功能可以通过硬件实现，也可以通过硬件执行相应的软件实现。所述硬件或软件包括一个或多个与上述功能相对应的模块。
第五方面，本申请实施例提供了一种电子设备，包括：处理器和存储器。存储器用于存储计算机执行指令，当该电子设备运行时，该处理器执行该存储器存储的该计算机执行指令，以使该装置执行如上述第一方面或第二方面任一实施例所述的方案。
第六方面，本申请实施例提供了一种计算机存储介质，存储有计算机程序，该计算机程序包括用于执行上述第一方面或第二方面任一实施例所述的方案的指令。
第七方面，本申请实施例提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述第一方面或第二方面任一实施例所述的方案。
第八方面，本申请实施例提供了一种芯片，所述芯片与存储器耦合，用于读取并执行所述存储器中存储的程序指令，以实现上述第一方面或第二方面任一实施例所述的方案。
附图说明
图1示出了小区间用户分布的场景示意图；
图2示出了CIO参数配置不当的情景示意图；
图3示出了本申请实施例中推荐小区切换指导参数的方法的应用场景示意图；
图4示出了本申请实施例中推荐小区切换指导参数的方法的数据流向示意图；
图5示出了本申请实施例提供的一种获取小区关系模型的方法的流程示意图；
图6示出了本申请实施例提供的拓扑图中的参数信息的示意图；
图7示出了本申请实施例提供的拓扑图转化为对偶图的示意图；
图8示出了本申请实施提供的特征信息合并的示意图；
图9示出了本申请实施例提供的特征信息合并的示意图；
图10示出了本申请实施例提供的获取小区a融合后的信息的示意图；
图11示出了本申请实施例提供的确定小区关系模型的示意图；
图12示出了本申请实施例提供的推荐小区切换指导参数的方法的流程示意图；
图13示出了本申请实施例提供的切换指导参数优化过程的示意图；
图14示出了应用本申请方案的网络性能比照示意图；
图15示出了不同确定目标切换指导参数方法的效率比照示意图；
图16示出了本申请提供的小区切换指导参数推荐的数据流向示意图；
图17示出了本申请实施例提供的获取小区关系模型的装置的结构示意图；
图18示出了本申请实施例提供的小区切换指导参数的推荐装置的结构示意图；
图19示出了本申请实施例提供的电子设备的结构示意图。
具体实施方式
为了使本申请的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行详尽描述。
如背景技术所述，无线蜂窝网络由大量的无线基站构成，且每个基站发射的信号覆盖其周边一定区域范围，该区域范围内的用户可以通过移动终端(例如手机)与基站进行通信，从而实现数据的交互，如：访问互联网或通话服务。当用户在不同区域间移动时，可以切换至不同基站，从而获得不间断的移动通信服务。下文中的用户，均为携带移动终端，且通过移动终端与基站进行数据交互的用户。
在无线蜂窝网络中，通常存在用户分布不均匀的情况，如图1所示，其中，图1中通过圆圈示意与基站进行通信的移动终端，在基站信号覆盖区域交叠的两个小区中，A小区用户的数量明显比B小区的用户数量要多。繁忙小区(也即A小区)用户数量较多，业务需求量大，大量的用户通过与A小区的基站进行通信，获取数据，可能会出现网络资源不足的状况；周边空闲小区(也即B小区)用户数量较少，B小区的基站的负载相对较小，其网络资源又未能被充分利用；故而需要通过小区间的切换优化合理配置小区间的网络资源。
需要说明的是，在通过切换优化为用户设备(user equipment，UE)配置网络资源时，UE每隔一段时间会对当前服务小区与邻近小区的信号质量进行测量，并将测量结果上报至服务小区。接下来通过同频切换的事件A3来进行说明，若满足事件A3条件，则触发同频切换，其中，A3条件定义如公式1所示：
Figure BDA0002443203000000051
其中，MA和MB分别表示UE对小区A与小区B的信号强度；
Figure BDA0002443203000000052
表示CIO参数，用于指导UE的信号从小区B切换到小区A，该参数中B表示UE当前的服务小区的标识，A表示UE要切换到的目标小区的标识；Hys为事件A3的迟滞参数；Off为事件A3的偏置参数。当上述公式成立时，则将UE信号切换至小区A收发。在保持其它参数不变的情况下，通过调节A3条件中的CIO参数，可以实现小区间的切换优化。然而在进行CIO参数的配置优化时，出现了如下诸多问题：
(1)调整参数数量多：每对相邻的小区间都有两个CIO参数可以调整，随着小区数目的增加，需要调整的参数数量大幅增加，如：与小区A相邻的小区有6个，那么要调整的参数就有12个。
(2)小区间的参数需要协同优化：在优化小区切换参数的过程中，若CIO参数配置不当，会引发切换性能下降，降低用户的体验。
如图2所示，2-A示意出了过小的CIO参数配置的情况，横坐标表示距离，纵坐标表示参考信号接收功率(reference signal receiving power，RSRP)用于指示UE接收的信号强度，根据图示可知当UE距离小区A越来越远信号强度也会越来越弱，同理，当UE距离小区B越来越远信号强度也会越来越弱，在小区A和小区B未采用切换优化的方案时，在Q点进行信号切换，若切换参数CIO设置不当，比如CIO参数配置过小，且为负值时，则需在原来信号强度的基础上减去一个固定值，则得到A-和B-曲线。当用户携带UE从p点向q点移动时，在用户向q移动的过程中，A小区的信号强度不断下降，由于设置CIO参数，只有在用户移动到l4处才能将信号从A小区切换到B小区，在Q点到l4的过程中，小区A的信号强度已经明显下降，但是UE不能切换至小区B，因此会引发掉话、连接失败等问题。同理用户从q向p移动的过程中在l3切换也会出现同样的问题，在此不再赘述；2-B示意出了设置过大的CIO参数配置的情况，CIO参数配置过大，且为正值时，则需在原来信号强度的基础上加上一个固定值，则得到A+和B+曲线，当用户携带UE从小区A向小区B移动时，由于设置CIO参数，在l1处进行了小区A到小区B切换，但是UE切换后，参照A+的曲线和B的曲线发现切换后小区A的信号更好，这样在l1和l2之间就会出现信号在小区A和小区B之间来回切换的现象，使得与邻近小区间产生竞争效应，致使UE的信号在小区A和小区B间频繁切换；图2-C示出了在多个小区同时覆盖的情况下，小区A和小区B以及小区C之间CIO参数的设置未协同，就会出现在l5-l6和l7-l8之间信号来回切换的现象，也即竞争效应。
(3)无线小区的切换指导参数CIO配置会对周围多个相邻小区产生影响：通过调整CIO参数的配置，可以将小区的用户流量切换到相邻小区，对相邻小区的性能会产生影响，如：小区A的用户可向小区B进行切换，但是小区B当前的负载已经很大，直接将小区A的用户向小区B进行切换可能会使得小区B的用户体验降低。
因此在对整个网络的小区切换指导参数CIO进行优化时，需要充分考虑邻小区间的相互作用，实现对多小区的切换参数协同优化，从而快速、稳定地提升网络的整体性能。
基于此，相关技术中存在基于专家经验的人工调整切换指导参数的方案，但是该方案需要大量的人力投入，无法顾及多个小区同时覆盖相互影响的场景，且切换效果难以保证；还有基于规则的反馈控制调整切换指导参数的方案，但是该方案规则的设置也依赖于专家经验，很难在复杂的网络环境中得到应用；此外，还有基于强化学习优化切换指导参数的方案，但该方案未充分的考虑小区间的相互作用，需要大量的数据支持，且收敛速度慢，难于应用于实际的网络环境中。
考虑到相关技术中存在的各种缺陷，本申请旨在提供一种推荐小区切换指导参数的方案，以充分考各相邻小区间的相互影响，以提高用户的通信质量。
下面具体介绍小区切换参数的调整过程。本申请下述实施例中，“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的情况，其中A，B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指的这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b或c中的至少一项(个)，可以表示：a，b，c，a-b，a-c，b-c，或a-b-c，其中a，b，c可以是单个，也可以是多个。单数表达形式“一个”、“一种”、“所述”、“上述”、“该”和“这一”旨在也包括例如“一个或多个”这种表达形式，除非其上下文中明确地有相反指示。以及，除非有相反的说明，本申请实施例提及“第一”、“第二”等序数词是用于对多个对象进行区分，不用于限定多个对象的顺序、时序、优先级或者重要程度。例如，第一车辆和第二车辆，只是为了区分不同的车辆，而并不是表示这两种车辆的优先级或者重要程度等的不同。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
参阅图3为本申请实施例提供的一种推荐小区切换指导参数的方法可以应用到的一种场景示意图，包括运营商无线蜂窝网络控制中心C1以及多个基站，图中仅用基站1、基站2、基站3以及基站4进行示意，但在实际应用时并不限定基站的数量。该推荐小区切换指导参数的方案可部署在运营商无线蜂窝网络的控制中心C1中，该控制中心C1可接收基站1、基站2、基站3以及基站4上报的各小区的网络状态参数、切换指导参数以及性能指标，并根据上报的参数创建各小区间网络状态参数、切换指导参数以及性能指标之间的小区关系模型，基于该小区关系模型、各小区的网络状态参数以及切换参数通过梯度下降算法进行迭代优化，确定性能指标满足预设需求的目标切换指导参数。将目标切换指导参数下发至各小区，使各小区根据目标切换指导参数进行小区间的信号切换。
如图4可以为无线蜂窝网络控制中心C1中的功能模块组成示意图，其中，数据采集模块获取各基站上报的参数组，其中，各基站上报的参数组可以包括：基站覆盖的各小区的网络状态参数、切换指导参数以及性能指标。小区关系模型确定模块用于根据数据采集模块采集的参数组确定并更新关系模型，参数寻优模块用于根据更新后的小区关系模型确定目标切换指导参数，并将切换指导参数下发给各小区中的基站进行切换指导参数的配置。其中，各小区的网络状态参数可以包括小区自身的业务状态参数以及小区与邻小区间的业务切换参数；切换指导参数可以包括本小区向邻小区切换的切换指导参数以及邻小区向本小区自身进行切换的切换指导参数。
本申请实施例提出的技术该方案充分考虑了各小区和邻小区间的相互影响，并通过建立小区关系模型来表征各小区和邻小区间的相互影响，依据该小区关系模型对后续采集的网络状态参数以及切换指导参数进行不断的优化迭代，以确定目标切换指导参数，根据该目标切换指导参数来指导小区间的切换，以提高用户的通信质量。
需要说明的是，本申请应用了GCN构建小区关系模型，在构建模型时，可将各参数通过拓扑图表示，之后基于该拓扑图生成对偶图，通过GCN分别对拓扑图和对偶图提取特征信息，并将拓扑图的特征信息和对偶图的特征信息合并，再次通过GCN提取特征信息，通过在拓扑图和对偶图执行多次同样的操作，使得GCN可以学习到拓扑图中参数的多种特征，以便获取拓扑图中各参数间的函数关系。该学习参数关系的方法不仅仅适用于本申请中小区关系还可应用于其他参数关系的学习中，凡是应用了该学习参数关系的方法均属于本申请保护范围内。
为了更好地确定各小区对应的话统数据中各个参数间的对应关系，可构建各个参数间的关系模型，并通过对模型不断的优化，获取N个小区的网络状态参数、切换指导参数以及性能指标之间的对应关系。例如，可对不同维度的参数信息间的交互关系建模，针对不同维度参数组构建的关系模型，可适用于同频切换、异频切换以及同频+异频切换等各种场景中。比如，当输入为同频切换相关的参数信息时，本申请技术方案可以实现对同频小区间的复杂交互关系建模。再比如输入信息为异频切换相关参数信息时，本申请技术方案可以实现对异频小区切换的复杂交互关系建模。若同时输入同频和异频切换相关的参数信息，本申请技术方案可以扩展同时对同频和异频切换进行建模。
下面可参阅图5提供的一种获取小区关系模型的方法的流程示意图，来对本申请的方案进行说明，该方法的执行流程可配置于运营商的无线蜂窝网络控制中心中，还可配置于用于调控网络配置参数的服务器中，本申请在此不做具体限定。具体执行时，可先执行步骤501，获取指定区域内N个小区历史的话统数据；其中，话统数据包括：小区Ni的网络状态参数、切换指导参数以及性能指标；N为整数；i取变1-N中的任意整数。
需要说明的是，由于各小区所处的位置是不尽一致的，因此，为了更快的计算出小区切换指导参数，可选择对指定区域内的多个小区来采集参数，以避免多个小区之间距离较远，配置准确度较低的问题。其中，指定区域为在预设地域范围内所规划的区域，凡是符合预设地域范围所规划范围的区域均适用于本申请。
此外，网络状态参数用于表征小区Ni在设定时长内的资源占用情况以及用户切换情况；切换指导参数为用于指导小区Ni与小区Ni的邻小区之间进行切换的参数；性能指标用于表征小区Ni在设定时长内的切换性能；其中，i取变1-N中的任意整数，应理解，N为指定区域内用于获取参数组的小区的数量。
在一个实施例中，小区Ni的网络状态参数用于表征小区Ni在设定时长内的资源占用情况以及用户切换情况，可以包括：小区Ni内部的业务状态参数Si以及小区Ni与邻小区Nj间的业务切换参数；其中，小区Ni的业务切换参数用于指导小区Ni与小区Ni的邻小区之间进行切换，可以包括小区Ni向邻小区切换的第一业务切换参数Sij以及邻小区向小区Ni切换的第二业务切换参数Sji。小区Ni的切换指导参数可以包括：小区Ni向邻小区切换的第一切换指导参数aij以及邻小区向小区Ni切换的第二切换指导参数aji。小区Ni的性能指标用于表征小区Ni在述设定时长内的切换性能，通过ri进行标识。该参数组中既包括了小区自身的参数信息又包括邻小区的参数信息，信息获取的更加全面，将这些参数用于小区切换参数的调整方案中，可以更好地权衡各小区间的相互作用，确定出更恰当的目标切换指导参数。
示例性的说明，小区Ni内部的业务状态参数可以但不限于包括以下中的一种或多种：
小区Ni单位时间段的平均用户数；
小区Ni单位时间段的平均活跃用户数；
小区Ni单位时间段的上行流量；
小区Ni单位时间段低CQI报告的比例；
小区Ni单位时间段PRB资源占用率。
其中，单位时间段可以为一周、一天亦或者一个月，本申请在此不做具体限定，凡是符合单位时间规定的时间段均适用于本申请。平均用户数可以为小区Ni在一周内的平均用户数量，亦或者在一天内的平均用户数量等。平均活跃用户数可以为小区Ni在一周内访问互联网亦或者应用通话服务次数超过预设次数范围的平均用户数量。上行流量可以通过RSRP来指示，也可以通过其他的指标值来衡量，在此不做具体限定。单位时间段内CQI报告的比例也即单位时间段内CQI的值低于预设取值范围时所占的比例。
示例性的说明，小区Ni与邻小区间的业务切换参数可以但不限于包括以下中的至少一种：
小区Ni单位时间段平均切换尝试次数；
小区Ni单位时间段平均切换成功次数；
小区Ni单位时间段平均切换过早次数；
小区Ni单位时间段平均切换过晚次数；
小区Ni单位时间段平均乒乓切换次数。
其中，平均切换尝试次数可以理解为小区Ni周围有多个邻小区时，小区Ni的用户尝试向周围邻小区进行信号切换的平均次数。平均切换成功次数可以理解为小区Ni的用户向周围邻小区切换成功的平均次数。平均切换过早次数可以理解为小区Ni的用户向周围邻小区切换过早的次数。平均切换过晚次数可以理解为小区Ni的用户向周围邻小区切换过晚的次数。平均乒乓切换次数可以理解为小区Ni的用户向周围邻小区和当前服务小区之间来回进行信号切换，且切换次数超过通讯协议规定的切换次数时，所记录的值。
示例性的说明，小区Ni的切换指导参数可以但不限于包括以下中的至少一种：
小区Ni与各邻小区间的切换次数；
小区Ni与各邻小区间的切换过早；和/或；过晚；和/或；乒乓次数；
小区Ni与各邻小区间的小区CIO参数；
小区Ni与各邻小区间的偏置参数OFFSET参数。
其中，小区Ni与各邻小区间的切换次数可以包括小区Ni的用户向各邻小区间进行信号的切换次数，还包括各邻小区的用户向小区Ni进行切换的次数。小区Ni与各邻小区间的切换过早次数和/或过晚次数，和/或乒乓切换次数除了包括上述小区Ni的用户向各邻小区间切换过早；和/或；过晚；和/或；乒乓次数；还包括各邻小区向小区Ni的切换过早次数和/或过晚次数，和/或乒乓切换次数。由于CIO参数在小区Ni与小区Ni的每个邻小区间是成对存在的，因此既包括小区Ni的用户向各邻小区间进行信号的切换配置的CIO参数，又包括小区Ni各邻小区的用户向小区Ni进行信号的切换配置的CIO参数。
示例性的说明，小区Ni的性能指标可以但不限于包括以下中的至少一种：
所述小区Ni单位时间内边缘用户占比；
所述小区Ni单位时间内边缘传输次数。
需要说明的是，由于小区边缘用户对小区信号强度具有很强的影响，小区边缘用户的占比过大，传输次数过多都会降低小区信号的强度，因此，小区Ni单位时间内边缘用户占比以及小区Ni单位时间内边缘传输次数可以较好地衡量小区的网络性能。
步骤502，将N个小区历史的话统数据通过拓扑图表示，并基于拓扑图生成对偶图。
步骤503，基于GCN分别对拓扑图以及对偶图进行特征提取，获取拓扑图的第一特征信息以及对偶图的第二特征信息。
步骤504，将第一特征信息与第二特征信息进行信息融合后，并通过GCN对融合后的信息进行特征提取，确定N个小区的融合特征信息。
在一个实施例中，为了确定小区关系模型，引入了有向的拓扑图，将各小区参数组的信息表示在有向的拓扑图中，通过对有向的拓扑图上的信息进行信息聚合，来确定各小区与邻小区之间的融合后的信息，并基于该融合后的信息与N个小区的切换指导参数进行拟合来进而确定小区关系模型。
在执行时，可将N个小区历史的网络状态参数、切换指导参数以及性能指标通过拓扑图表示；之后根据拓扑图生成对偶图；其中，对偶图的每个节点对应拓扑图的一条边；其中，拓扑图包括N个节点以及不同节点之间形成的多条有向边；N个节点分别对应N个小区；小区Ni对应的节点Mi用于表示小区Ni内部的业务状态参数以及小区Ni的性能指标；小区Ni对应的节点Mi指向小区Nj对应的节点Mj的边用于表示小区Ni向小区Nj切换的第一业务切换参数以及第一切换指导参数；节点Mj指向节点Mi的边用于表示小区Nj向小区Ni切换的第二业务切换参数以及第二切换指导参数；小区Nj与小区Ni为相邻小区。
示例性的，如图6所示，小区Ni与小区Nj分别对应有向的拓扑图中的节点Mi以及Mj，节点Mi设置有小区Ni内部的业务状态参数Si以及小区Ni的性能指标ri，节点Mi指向节点Mj的边上设置有第一业务切换参数Sij以及第一切换指导参数aij，第一业务切换参数Sij表示用户从小区Ni切换到小区Nj时的业务性能，及第一切换指导参数aij表示用户从小区Ni切换到小区Nj时的切换指导参数。同理，节点Mj设置有小区Nj内部的业务状态参数Sj以及小区Nj的性能指标rj，节点Mj指向节点Mi的边上设置有第二业务切换参数Sji以及第二切换指导参数aji，第二业务切换参数Sji表示用户从小区Nj切换到小区Ni时的业务性能，及第二切换指导参数aji表示用户从小区Nj切换到小区Ni时的切换指导参数。
示例性的，如图7所示，该拓扑图中包括a、b、c、d、e、f五个节点，分别表征小区a、b、c、d、e、f的业务状态参数以及性能指标，各有向边表征了各小区与邻小区切换的业务切换参数以及切换指导参数，在图7中没有进行示意，由于拓扑图中具有12条有向边分别为边ac、边ca、边bc、边cb、边cd、边dc、边ce、边ec、边de、边ed、边df、边fd，则在对偶图中对应有12个节点，分别为节点ac、节点ca、节点bc、节点cb、节点cd、节点dc、节点ce、节点ec、节点de、节点ed、节点df、节点fd。由于节点ac的尾字母和节点cd的首字母是一样的，故而在对偶图中节点ac指向节点cd具有一条有向边，但该边不用于表征任何信息，仅仅用于表示各节点间的邻居关系，同理可得到多条有向边，图中虚线指示的边是由于两个节点的首尾字母均一样因此存在一条双向的边，如节点cb的尾字母和节点bc的首字母是一样的，且节点cb的首字母和节点bc的尾字母也是一样的，因此存在一条双向虚线表示的边。
之后，可基于GCN对拓扑图中各节点进行特征提取，获取N个小区各自对应的第一特征信息；以及基于GCN对对偶图进行特征提取，获取对偶图中各节点各自对应的第二特征信息；并将N个小区各自对应的第一特征信息与对偶图中各节点各自对应的第二特征信息对应合并，得到融合后的信息；通过GCN对融合后的信息进行特征提取，确定N各个小区的融合特征信息。
在获取融合后的信息时，除了通过GCN以外，也可以采用以下方式中的一种：
通过使用Max/Mean Pooling(最大池化/平均池化)方法，对邻区特征信息的每一个维度取最大值或者平均值作为此维度的结果；
通过使用将多个邻区的表征作为一个输入序列，利用LSTM/Bidirectional LSTM/RNN(长短期记忆网络/双向长短期记忆网络/循环网络)网络对多个邻区信息进行聚合；
通过使用基于自注意力机制的Transformer网络，将多个邻区的信息作为网络的输入序列，经过(单层或多层的)多头自注意力(multi-head self-attention)和全连接网络层的转换，将最终输出作为邻区信息的编码。
下面本申请对基于GCN确定融合后的信息的方法进行详细说明，针对图7中的各节点，对拓扑图的节点进行GCN操作提取各节点的第一特征信息，对对偶图的节点进行GCN操作提取各节点的第二特征信息。将第一特征信息与第二特征信息进行合并，得到融合的信息，如图8所示，节点a聚合了边ac的特征信息以及节点a的特征信息，其中，节点a的特征信息通过h(a)表示，边ac的特征信息通过
Figure BDA0002443203000000111
表示。若对图7中的各节点均执行同样GCN操作可以获取各节点的融合后的信息，该融合后的信息聚合了小区自身和周围邻小区的特征信息。
图9示出了各节点进行特征信息合并的过程，小区1所在的节点为节点1，以小区1为例，其一跳邻居为小区2、小区3以及小区4，其两跳邻居为小区5、小区6、小区7、小区8、小区9以及小区0。同理可知小区2的一跳邻居为小区1、小区5以及小区6。图9-A展示了第一次进行聚合时，小区1聚合其一跳邻居小区2、小区3以及小区4的特征信息，得到融合特征信息(也即小区1可以获取除了自身特征信息以外，还可获取周围一跳邻小区的特征信息)，同理参照图9-B第一次聚合时，小区2和小区3以及小区4又可以聚合其周围一跳邻小区的特征信息。参照图9-C，小区5、小区6、小区7、小区8以及小区0又可以聚合周围一跳邻小区的特征信息，那么各小区均聚合了其周围一跳邻小区的特征信息。图9-D示出了第二次聚合的过程，此时小区1再次聚合邻小区2、小区3以及小区4的特征信息，那么在则可获悉小区1、小区2、小区3以及小区4的特征信息以及小区5、小区6、小区7、小区8、小区9以及小区0的特征信息，也即聚合了周围二跳邻居的特征信息。同理图9-E中，小区2、小区3以及小区4聚合了自身的特征的信息、周围邻小区的特征信息以及周围邻小区的邻小区的特征信息，也即聚合了周围二跳邻居的特征信息。通过该方式对各小区特征信息进行融合，可以获取小区周围一跳邻居的特征信息以及小区周围两跳邻居的特征信息，经过多次聚合还可获取小区周围多跳邻居的特征信息。通过该方式获取的融合特征信息使得构建的小区关系模型精确度更高。如：小区1的邻小区为小区2以及小区3，小区2的邻小区为小区5以及小区6，小区3的邻小区为小区7，假定小区1聚合了小区1-小区7的特征信息得到融合特征信息，则将小区1的UE在进行信号切换时不仅可考虑向周围的小区2以及小区3进行信号的切换，还可考虑向小区5、小区6以及小区7进行信号地切换。
为了执行上述提取节点特征信息以及对各节点的特征信息进行特征信息合并的过程，可通过如下的算法来执行：
For k＝1…K
Figure BDA0002443203000000121
Figure BDA0002443203000000122
Figure BDA0002443203000000123
Figure BDA0002443203000000124
其中，k表示聚合的次数，K的取值可根据用户需求来确定，若聚合小区周围1跳邻小区的特征信息那么取值可为1；若聚合小区周围二跳邻小区的特征信息那么取值可为2；
Figure BDA0002443203000000125
表示拓扑图的边eij经过k次聚合后的特征信息；
Figure BDA0002443203000000126
表示拓扑图的节点i经过k次聚合后的特征信息；σ()表示非线性激活函数；V(k),U(k),Q(k)表示k次聚合时，信息融合时对应的参数值；W(k+1)表示k+1次聚合时，信息融合时对应的参数值；Ψ()表示对括号内的信息执行信息融合的操作。
图10为将该算法应用于提取各小区的融合后的信息的过程，包括信息融合以及信息提取的过程，其中，[]示意图中的信息进行信息融合时各对应参数值的整合过程，图中虚线框是执行信息融合的过程。图10中，
Figure BDA0002443203000000127
经用于标识第一有向图中边ij上的信息经过k次聚合得到的特征信息与上述算法中的符号有所差异但是实际含义是一致的。边di、边dj以及边dk上的信息与对应的参数信息进行GCN操作后确定获取的最大信息值，并将该信息值与边bd的信息与对应的参数信息进行GCN操作获取边bd经过1次聚合后得到的特征信息即
Figure BDA0002443203000000128
同理边di、边dj以及边dk经过一次聚合后的特征信息与对应的参数信息进行GCN操作后确定获取的最大信息值，并将该信息值与边bd经过1次聚合后得到的特征信息与对应的参数信息进行GCN操作，获取边bd经过2次聚合后得到的特征信息即
Figure BDA0002443203000000129
此外，图10中还示意了节点d通过应用上述的算法，聚合了边di、边dj、边dk以及节点i、节点j以及节点k的信息，得到节点d经过1次聚合后的特征信息，在应用上述的算法获取特征信息时，不仅聚合了周围邻节点的信息还聚合了节点周围有向边上的信息，得到的特征信息更加丰富，以便于更好地构建小区关系模型。图10中示出了小区a经过3次的聚合操作得到的
Figure BDA00024432030000001210
该融合特征信息聚合和小区b、小区d、小区e、小区i、小区j、小区k、小区p、小区q、小区m的特征信息，图11仅示意描述了
Figure BDA00024432030000001211
在信息聚合时的部分过程实际信息聚合过程还包其他与之相邻节点的特征信息。
步骤505，将N个小区的融合特征信息以及N个小区历史的切换指导参数进行拟合，得到指定区域内N个小区对应的小区关系模型；其中，小区关系模型用于指示指定区域内N个小区的网络状态参数、切换指导参数以及性能指标之间的函数关系。
通过步骤504获取各小区的融合后的信息后，将融合后的信息以及N个小区历史的切换指导参数可通过性能指标的预测模型对上述的信息进行拟合，确定N个小区的网络状态参数、切换指导参数以及性能指标之间的关系模型。该性能指标的预测模型可选择多层感知机(Multilayer Perceptron，MLP)模型、基于核方法的岭回归(Kernel RidgeRegression)模型以及高斯过程回归(Gaussian Process Regression)对融合特征信息以及N个小区的切换指导参数进行拟合确定关系模型。图11进行了示意性描述，当输入N个小区的网络状态参数S、切换指导参数A进行特性信息的提取以及特征信息的融合操作后，得到各小区的融合后的信息，将融合后的信息以及切换指导参数通过MLP进行拟合，得到各小区的性能指标。其中，N个小区的网络状态参数的参数集合命名为S；N个小区的切换指导参数命名为A；N个小区的性能指标命名为R。则通过该关系模型获取的小区关系模型可以表示为R＝f(S，A)。
基于上述步骤建立的关系模型，可以通过多种参数寻优的方法如：零阶优化的方法、梯度下降的方法等来确定目标切换指导参数即
Figure BDA0002443203000000131
其中A*为目标切换指导参数值；ri (t)为时间点t的各小区的性能指标；t表示时间，i表示小区。
在本申请中，可参照图12所示的推荐小区切换指导参数的方法的流程示意图，来执行步骤1201，获取设定时长内不同时间点指定区域内N个小区的网络状态参数以及切换指导参数，并基于小区关系模型，确定设定时长内不同时间点N个小区切换指导参数的梯度值；N为整数。
需要说明的是，在应用本方案进行小区切换指导参数配置时，上述的设定时长可以为响应于用户需求而设置的时长，如：设定时长可以为一周、设定时长可以为一个月，亦或者可以设置除周六日外的所有时长等，凡是符合用户需求的设定时长均属于本申请保护的范围。
由于小区关系模型中R、S以及A的函数关系已经确定，根据确定的函数关系可以获取计算A的梯度的函数关系，将N个小区分别对应的网络状态参数、切换指导参数通过该梯度的函数关系进行计算，显然可以确定切换指导参数的梯度值。
步骤1202，分别对不同时间点N个小区的切换指导参数的梯度值进行梯度融合，得到不同时间点N个小区的切换指导参数的梯度运算值。
步骤1203，基于N个小区的切换指导参数的梯度运算值以及梯度下降算法，确定调节后的切换指导参数。
步骤1204，将调节后的切换指导参数作为目标切换指导参数分别配置给N个小区。
需要说明的是，在具体进行计算时，可将不同时间点同一小区的切换指导参数的梯度值进行加权求和或加权求平均运算，得到不同时间点N个小区的切换指导参数的梯度运算值。
图13示出了对不同时间点N个小区的切换指导参数计算梯度值，并根据该梯度值优化切换指导参数，最终确定目标切换指导参数的过程，图13中示意选取两个时间点A1以及A2的各小区的参数组，并通过第一有向图进行展示，对A1时间点以及A2时间点各小区的切换指导参数计算梯度值，将同一小区的切换指导参数进行加权求和或加权求平均运算，确定梯度运算值。如：A1时间点各小区的切换指导参数分别为1、2、3、7，计算梯度得到
Figure BDA0002443203000000132
A2时间点各小区的切换指导参数分别为2、4、5、7，计算梯度得到
Figure BDA0002443203000000133
在确定梯度运算值时可将A1时间点得到的
Figure BDA0002443203000000134
与A2时间点得到的
Figure BDA0002443203000000139
进行加权求平均运算得到梯度运算值
Figure BDA0002443203000000135
同理可以得到
Figure BDA0002443203000000136
的值，由于
Figure BDA0002443203000000137
在A2时间点不存在，
Figure BDA0002443203000000138
在A1时间点不存在，则
Figure BDA0002443203000000141
不进行加权求平均运算。经过加权求平均运算得到
Figure BDA0002443203000000142
的平均值，该
Figure BDA0002443203000000143
平均值包括：
Figure BDA0002443203000000144
通过计算后的
Figure BDA0002443203000000145
平均值对采集的N个小区分别对应的切换指导参数进行调节，即将N个小区分别对应的切换指导参数叠加上
Figure BDA0002443203000000146
平均值，得到调节后的N个小区分别对应的切换指导参数。将该切换指导参数以及不同时间点采集的N个小区分别对应的网络状态参数输入在关系模型中，确定N个小区分别对应的性能指标，并判断N个小区分别对应的性能指标是否满足预设需求。若满足预设的需求则将调节后的切换指导参数作为目标切换指导参数，若未满足预设的需求，基于梯度下降算法继续进行计算，直到确定基于关系模型计算出的性能指标满足预设需求为止，将得到满足预设需求的性能指标时的切换指导参数作为目标切换指导参数。
该确定目标切换指导参数的方法，通过对多个时间点采集的N个小区分别对应切换指导参数进行梯度运算值的计算，并基于梯度运算值调节切换指导参数，通过不断的迭代计算，直到梯度下降算法收敛，且获取使性能指标满足预设需求的目标切换指导参数为止。
参阅图14为运营商的控制中心应用本申请的方案进行网络性能实际测试的效果图，图中横坐标标识日期，图中纵坐标用来标识性能指标，该图中纵坐标可以为边缘用户占比，图中纵坐标的值越小，证明小区执行切换优化后的性能指标越好。测试区域通过虚线示意，对照区域通过实线进行示意，测试区域在9月16日开始应用本申请的方案来调整小区切换参数，且周六日不应用本申请的小区切换指导参数推荐方案，在应用本申请方案之前，测试区域和对照区域的性能指标相差不大，但运营商在9月16日是开始应用本申请的方案来调整小区切换指导参数后，根据图中示意的信息可发现，9月16日后测试区域的性能指标明显优于对照组的性能指标，在未应用本申请方案的周六日测试区域和对照区域的性能指标没有明显的变化。基于此，可知应用本申请提供的小区切换参数调整方案后，网络性能明显提高。
此外，图15对采用了零阶优化方法以及本申请图13中提到的小区切换指导参数的推荐方法寻找目标切换指导参数的效率进行比较，图中横坐标表示迭代次数，纵坐标表示性能指标，图中通过虚线示意零阶优化的方法，实线示意本申请的方法，明显本申请提供的方案参数寻优的效率更高，且可以进行多次迭代，零阶优化方法在迭代次数为600时，性能指标已经不能继续优化了，而本申请可迭代的次数超过600次，且迭代1000次后才基本趋于平稳，故此，可知应用本申请提供的方案调整的小区切换指导参数，各小区的性能指标更好。
下面通过图16所示的方案流程图对本申请的方案进行说明，基站将各小区的参数上报，不同时间点的各小区的参数组构成多张拓扑图，通过将拓扑图转换成对偶图，并对拓扑图的节点进行GCN运算获取第一特征信息，对对偶图的节点进行GCN运算获取第二特征信息。在小区关系模型确定模块中，将第一特征信息叠加上第二特征信息，并进行多次的邻区信息聚合的操作，也即特征信息的融合确定各小区的融合后的信息，该融合后的信息中聚合了本小区以及周围邻小区的特征信息，也可能聚合了本小区、周围邻小区以及周围邻小区的邻小区的特征信息，具体聚合哪些小区的信息可参看聚合的次数，聚合的次数越多，聚集周边邻小区的特征信息越多。将各小区的聚合信息以及切换指导参数输入至MLP模型中进行拟合，确定小区关系模型。参数寻优模块根据小区关系模型确定各时间点的各小区的切换指导参数对应的梯度值，并将各时间点确定的梯度值进行加权求和或加权求平均运算，确定梯度运算值，基于该梯度运算值以及梯度下降算法调节切换指导参数。之后可基于调节后的切换导参数以及各时间点的各小区的网络状态参数，确定各小区性能指标的平均值，当各小区性能指标的平均值均满足预设需求，则将对应的切换指导参数作为目标切换指导参数，并将该目标切换指导参数下发至各小区。
基于同一技术构思，本申请实施例还提供一种获取小区关系模型的装置，如图17所示包括：获取模块171、话统数据表示模块172、特征提取模块173、信息融合模块174以及参数拟合模块175。
其中，获取模块171，用于获取指定区域内N个小区历史的话统数据；其中，所述话统数据包括：小区Ni的网络状态参数、切换指导参数以及性能指标；所述N为整数；所述i取变1-N中的任意整数。话统数据表示模块172，用于将所述N个小区历史的话统数据通过拓扑图表示，并基于所述拓扑图生成对偶图。特征提取模块173，用于基于图卷积神经网络GCN分别对所述拓扑图以及所述对偶图进行特征提取，获取所述拓扑图的第一特征信息以及所述对偶图的第二特征信息。
信息融合模块174，用于将所述第一特征信息与所述第二特征信息进行信息融合后，并通过所述GCN对融合后的信息进行特征提取，确定N个小区的融合特征信息。参数拟合模块175，用于将所述N个小区的融合特征信息以及N个小区历史的所述切换指导参数进行拟合，得到所述指定区域内N个小区对应的小区关系模型；其中，所述小区关系模型用于指示所述指定区域内N个小区的网络状态参数、切换指导参数以及性能指标之间的函数关系。
通过该装置获取的小区关系模型，可以很好地表征各小区与邻小区间的相互影响，以便更好地表征各小区网络状态参数、切换指导参数以及性能指标之间的函数关系，基于该小区关系模型进行小区切换指导参数的调整，可以使用户切换到更优质的小区，提高用户的通信质量。
其中，网络状态参数用于表征小区Ni在设定时长内的资源占用情况以及用户切换情况；切换指导参数为用于指导小区Ni与所述小区Ni的邻小区之间进行切换的参数；性能指标用于表征小区Ni在设定时长内的切换性能。
在一个实施例中，小区Ni的网络状态参数可以包括：小区Ni内部的业务状态参数以及小区Ni与邻小区间的业务切换参数；小区Ni的业务切换参数可以包括小区Ni向邻小区切换的第一业务切换参数以及邻小区向小区Ni切换的第二业务切换参数；小区Ni的切换指导参数可以包括：小区Ni向邻小区切换的第一切换指导参数以及邻小区向小区Ni切换的第二切换指导参数。
在具体实施时，小区Ni内部的业务状态参数可以但不限于包括以下中的一种或多种：
小区Ni单位时间段的平均用户数；
小区Ni单位时间段的平均活跃用户数；
小区Ni单位时间段的上行流量；
小区Ni单位时间段低信道质量指示CQI报告的比例；
小区Ni单位时间段物理资源块PRB资源占用率。
该小区Ni内部的业务状态参数的具体描述可参照小区关系网络模型部分小区Ni内部的业务状态参数的示例性的说明中的描述，在此不再赘述。
在具体实施时，小区Ni与邻小区间的业务切换参数可以但不限于包括以下中的一种或多种：
小区Ni单位时间段平均切换尝试次数；
小区Ni单位时间段平均切换成功次数；
小区Ni单位时间段平均切换过早次数；
小区Ni单位时间段平均切换过晚次数；
小区Ni单位时间段平均乒乓切换次数。
该小区Ni与邻小区间的业务切换参数的具体描述可参照小区关系网络模型部分小区Ni与邻小区间的业务切换参数的示例性的说明中的描述，在此不再赘述。
在具体实施时，小区Ni的切换指导参数可以但不限于包括以下中的一种或多种：
小区Ni与各邻小区间的切换次数；
小区Ni与各邻小区间的切换过早；和/或；过晚；和/或；乒乓次数；
小区Ni与各邻小区间的小区个体偏置参数CIO参数；
小区Ni与各邻小区间的偏置参数OFFSET参数。
该小区Ni的切换指导参数的具体描述可参照小区关系网络模型部分小区Ni的切换指导参数的示例性的说明中的描述，在此不再赘述。
在具体实施时，小区Ni的性能指标可以但不限于包括以下中的一种或多种：
小区Ni单位时间内边缘用户占比；
小区Ni单位时间内边缘传输次数。
该小区Ni的性能指标的具体描述可参照小区关系网络模型部分小区Ni的性能指标的示例性的说明中的描述，在此不再赘述。
上述参数信息覆盖较全面，将这些参数用于小区切换指导参数的推荐方案的模型学习中，可以更好地权衡各小区间的相互作用，确定出更恰当的目标切换指导参数。
在一个实施例中，可将N个小区历史的网络状态参数、切换指导参数以及性能指标通过拓扑图表示；根据拓扑图生成对偶图；其中，对偶图的每个节点对应拓扑图的一条边；
其中，拓扑图包括N个节点以及不同节点之间形成的多条有向边；N个节点分别对应N个小区；小区Ni对应的节点Mi用于表示小区Ni内部的业务状态参数以及小区Ni的性能指标；小区Ni对应的节点Mi指向小区Nj对应的节点Mj的边用于表示小区Ni向小区Nj切换的第一业务切换参数以及第一切换指导参数；节点Mj指向节点Mi的边用于表示小区Nj向小区Ni切换的第二业务切换参数以及第二切换指导参数；小区Nj与小区Ni为相邻小区。
该方案中为了确定小区关系模型，引入了有向的拓扑图，将各小区间参数的信息表示在有向的拓扑图中，通过对有向的拓扑图上的信息进行信息聚合，确定各小区与邻小区的融合的信息，并基于该融合的信息与N个小区的切换指导参数进行拟合确定小区关系模型，可以更好地表征各小区参数间的关系。
在一个实施例中，可基于GCN对拓扑图中各节点进行特征提取，获取N个小区各自对应的第一特征信息；以及基于GCN对对偶图进行特征提取，获取对偶图中各节点各自对应的第二特征信息；之后将N个小区各自对应的第一特征信息与对偶图中各节点各自对应的第二特征信息对应合并，得到融合后的信息；通过GCN对融合后的信息进行特征提取，确定N各个小区的融合特征信息。
该方案中通过将拓扑图的第一特征信息与对偶图的第二特征信息进行合并，得到融合后的信息，并基于GCN对融合后的特征信息进行特征提取，以便各小区可以聚合周围邻小区的特征信息，以使构建的小区关系模型更加准确。
基于同一技术构思，本申请实施例还提供一种推荐小区切换指导参数的装置，该装置的结构如图18所示，包括：获取模块181、梯度运算值确定模块182、确定模块183以及配置模块184。
其中，推荐小区切换指导参数的装置可先通过获取模块181获取设定时长内不同时间点指定区域内N个小区的网络状态参数以及切换指导参数，并基于小区关系模型，确定设定时长内不同时间点N个小区切换指导参数的梯度值；所述N为整数。
之后梯度运算值确定模块182，分别对不同时间点N个小区的切换指导参数的梯度值进行梯度融合，得到不同时间点N个小区的切换指导参数的梯度运算值。再者确定模块173，基于N个小区的切换指导参数的梯度运算值以及梯度下降算法，确定调节后的切换指导参数；最后配置模块184，将调节后的切换指导参数作为目标切换指导参数分别配置给N个小区。
需要说明的是，梯度运算值确定模块182，具体用于：将不同时间点同一小区的切换指导参数的梯度值进行加权求和或加权求平均运算，得到不同时间点N个小区的切换指导参数的梯度运算值。
基于该装置进行小区切换指导参数的调整，可以充分考虑各小区和邻小区间的相互影响，并通过小区关系模型对网络状态参数以及切换指导参数进行不断的优化迭代处理，以确定目标切换指导参数，再根据该目标切换指导参数来指导小区切换，可以使得用户切换到更优质的小区，从而提高用户的通信质量，可以对各小区的资源进行充分利用。
本申请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，另外，在本申请各个实施例中的各功能模块可以集成在一个处理器中，也可以是单独物理存在，也可以两个或两个以上模块集成在一个模块中。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。
其中，集成的模块既可以采用硬件的形式实现时，如图19所示，电子设备可以包括处理器1901。上述模块对应的实体的硬件可以为处理器1901。处理器1901，可以是一个中央处理模块(central processing unit，CPU)，或者为数字处理模块等等。该装置还包括：存储器1902，用于存储处理器1901执行的程序。存储器1902可以是非易失性存储器，比如硬盘(hard disk drive，HDD)或固态硬盘(solid-state drive，SSD)等，还可以是易失性存储器(volatile memory)，例如随机存取存储器(random-access memory，RAM)。存储器1902是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。该装置还可以包括通信接口1903，处理器1901可以通过通信接口1903获取传感器采集的数据、摄像头采集的数据等。
一种实现方式中，处理器1901用于执行存储器1902存储的程序代码，具体用于执行图3至图16所示实施例所述的方法。可以参见图3至图16所示实施例所述的方法，本申请在此不再赘述。该实现方式中，处理器1901通过执行存储器1902存储的程序代码，可以实现图5所示的获取小区关系模型的方法或图12所示的推荐小区切换指导参数的功能。
本申请实施例中不限定上述处理器1901、存储器1902以及通信接口1903之间的具体连接介质。本申请实施例在图19中以处理器1901、存储器1902以及通信接口1903之间通过总线1904连接，总线在图19中以粗线表示，其它部件之间的连接方式，仅是进行示意性说明，并不引以为限。所述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19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。
本发明实施例还提供了一种计算机可读存储介质，用于存储为执行上述处理器所需执行的计算机软件指令，其包含用于执行上述处理器所需执行的程序。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请的方法、装置(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理装置的处理器以产生一个机器，使得通过计算机或其他可编程数据处理装置的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理装置以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理装置上，使得在计算机或其他可编程装置上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程装置上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。

Claims (21)

1.一种获取小区关系模型的方法，其特征在于，包括：
获取指定区域内N个小区历史的话统数据；其中，所述话统数据包括：小区Ni的网络状态参数、切换指导参数以及性能指标；所述N为整数；所述i取变1-N中的任意整数；
将所述N个小区历史的话统数据通过拓扑图表示，并基于所述拓扑图生成对偶图；
基于图卷积神经网络GCN分别对所述拓扑图以及所述对偶图进行特征提取，获取所述拓扑图的第一特征信息以及所述对偶图的第二特征信息；
将所述第一特征信息与所述第二特征信息进行信息融合后，并通过所述GCN对融合后的信息进行特征提取，确定N个小区的融合特征信息；
将所述N个小区的融合特征信息以及N个小区历史的所述切换指导参数进行拟合，得到所述指定区域内N个小区对应的小区关系模型；其中，所述小区关系模型用于指示所述指定区域内N个小区的网络状态参数、切换指导参数以及性能指标之间的函数关系。
2.根据权利要求1所述的方法，其特征在于，所述小区Ni的网络状态参数包括：所述小区Ni内部的业务状态参数以及所述小区Ni与邻小区间的业务切换参数；
所述小区Ni的业务切换参数包括：所述小区Ni向所述邻小区切换的第一业务切换参数以及所述邻小区向所述小区Ni切换的第二业务切换参数；
所述小区Ni的切换指导参数包括：所述小区Ni向所述邻小区切换的第一切换指导参数以及所述邻小区向所述小区Ni切换的第二切换指导参数。
3.根据权利要求2所述的方法，其特征在于，所述将所述N个小区历史的话统数据通过拓扑图表示，并基于所述拓扑图生成对偶图，包括：
将所述N个小区历史的网络状态参数、切换指导参数以及性能指标通过拓扑图表示；
根据所述拓扑图生成对偶图；其中，所述对偶图的每个节点对应所述拓扑图的一条边；
其中，所述拓扑图包括N个节点以及不同节点之间形成的多条有向边；所述N个节点分别对应所述N个小区；所述小区Ni对应的节点Mi用于表示所述小区Ni内部的业务状态参数以及所述小区Ni的性能指标；所述小区Ni对应的节点Mi指向小区Nj对应的节点Mj的边用于表示所述小区Ni向所述小区Nj切换的第一业务切换参数以及第一切换指导参数；所述节点Mj指向所述节点Mi的边用于表示所述小区Nj向所述小区Ni切换的第二业务切换参数以及第二切换指导参数；所述小区Nj与所述小区Ni为相邻小区。
4.根据权利要求3所述的方法，其特征在于，所述基于图卷积神经网络GCN分别对所述拓扑图以及所述对偶图进行特征提取，获取所述拓扑图的第一特征信息以及所述对偶图的第二特征信息，包括：
基于图卷积神经网络GCN对所述拓扑图中各节点进行特征提取，获取N个小区各自对应的第一特征信息；以及基于所述GCN对所述对偶图进行特征提取，获取所述对偶图中各节点各自对应的第二特征信息；
所述将所述第一特征信息与所述第二特征信息进行信息融合后，并通过所述GCN对融合后的信息进行特征提取，确定N个小区的融合特征信息，包括：
将所述N个小区各自对应的第一特征信息与所述对偶图中各节点各自对应的第二特征信息对应合并，得到融合后的信息；
通过所述GCN对所述融合后的信息进行特征提取，确定N各个小区的融合特征信息。
5.根据权利要求1-4任意所述的方法，其特征在于，所述小区Ni内部的业务状态参数包括以下中的至少一种：
所述小区Ni单位时间段的平均用户数；
所述小区Ni单位时间段的平均活跃用户数；
所述小区Ni单位时间段的上行流量；
所述小区Ni单位时间段低信道质量指示CQI报告的比例；
所述小区Ni单位时间段物理资源块PRB资源占用率；
所述小区Ni与邻小区间的业务切换参数包括以下中的至少一种：
所述小区Ni单位时间段平均切换尝试次数；
所述小区Ni单位时间段平均切换成功次数；
所述小区Ni单位时间段平均切换过早次数；
所述小区Ni单位时间段平均切换过晚次数；
所述小区Ni单位时间段平均乒乓切换次数。
6.根据权利要求5所述的方法，其特征在于，所述小区Ni的切换指导参数包括以下中的至少一种：
所述小区Ni与各邻小区间的切换次数；
所述小区Ni与各邻小区间的切换过早；和/或；过晚；和/或；乒乓次数；
所述小区Ni与各邻小区间的小区个体偏置参数CIO参数；
所述小区Ni与各邻小区间的偏置参数OFFSET参数。
7.根据权利要求6所述的方法，其特征在于，所述小区Ni的性能指标包括以下中的至少一种：
所述小区Ni单位时间内边缘用户占比；
所述小区Ni单位时间内边缘传输次数。
8.一种推荐小区切换指导参数的方法，其特征在于，包括：
获取设定时长内不同时间点指定区域内N个小区的网络状态参数以及切换指导参数，并基于小区关系模型，确定所述设定时长内不同时间点所述N个小区切换指导参数的梯度值；所述N为整数；
分别对所述不同时间点所述N个小区的切换指导参数的梯度值进行梯度融合，得到所述不同时间点所述N个小区的切换指导参数的梯度运算值；
基于所述N个小区的切换指导参数的梯度运算值以及梯度下降算法，确定调节后的切换指导参数；
将所述调节后的切换指导参数作为目标切换指导参数分别配置给N个小区。
9.根据权利要求8所述的方法，其特征在于，所述分别对所述不同时间点所述N个小区的切换指导参数的梯度值进行梯度融合，得到所述不同时间点所述N个小区的切换指导参数的梯度运算值，包括：
将不同时间点同一小区的切换指导参数的梯度值进行加权求和或加权求平均运算，得到所述不同时间点所述N个小区的切换指导参数的梯度运算值。
10.一种获取小区关系模型的装置，其特征在于，包括：
获取模块，用于获取指定区域内N个小区历史的话统数据；其中，所述话统数据包括：小区Ni的网络状态参数、切换指导参数以及性能指标；所述N为整数；所述i取变1-N中的任意整数；
话统数据表示模块，用于将所述N个小区历史的话统数据通过拓扑图表示，并基于所述拓扑图生成对偶图；
特征提取模块，用于基于图卷积神经网络GCN分别对所述拓扑图以及所述对偶图进行特征提取，获取所述拓扑图的第一特征信息以及所述对偶图的第二特征信息；
信息融合模块，用于将所述第一特征信息与所述第二特征信息进行信息融合后，并通过所述GCN对融合后的信息进行特征提取，确定N个小区的融合特征信息；
参数拟合模块，用于将所述N个小区的融合特征信息以及N个小区历史的所述切换指导参数进行拟合，得到所述指定区域内N个小区对应的小区关系模型；其中，所述小区关系模型用于指示所述指定区域内N个小区的网络状态参数、切换指导参数以及性能指标之间的函数关系。
11.根据权利要求10所述的装置，其特征在于，所述小区Ni的网络状态参数包括：所述小区Ni内部的业务状态参数以及所述小区Ni与邻小区间的业务切换参数；
所述小区Ni的业务切换参数包括：所述小区Ni向所述邻小区切换的第一业务切换参数以及所述邻小区向所述小区Ni切换的第二业务切换参数；
所述小区Ni的切换指导参数包括：所述小区Ni向所述邻小区切换的第一切换指导参数以及所述邻小区向所述小区Ni切换的第二切换指导参数。
12.根据权利要求11所述的装置，其特征在于，所述话统数据表示模块，具体用于：
将所述N个小区历史的网络状态参数、切换指导参数以及性能指标通过拓扑图表示；
根据所述拓扑图生成对偶图；其中，所述对偶图的每个节点对应所述拓扑图的一条边；
其中，所述拓扑图包括N个节点以及不同节点之间形成的多条有向边；所述N个节点分别对应所述N个小区；所述小区Ni对应的节点Mi用于表示所述小区Ni内部的业务状态参数以及所述小区Ni的性能指标；所述小区Ni对应的节点Mi指向小区Nj对应的节点Mj的边用于表示所述小区Ni向所述小区Nj切换的第一业务切换参数以及第一切换指导参数；所述节点Mj指向所述节点Mi的边用于表示所述小区Nj向所述小区Ni切换的第二业务切换参数以及第二切换指导参数；所述小区Nj与所述小区Ni为相邻小区。
13.根据权利要求12所述的装置，其特征在于，所述特征提取模块，具体用于：
基于图卷积神经网络GCN对所述拓扑图中各节点进行特征提取，获取N个小区各自对应的第一特征信息；以及基于所述GCN对所述对偶图进行特征提取，获取所述对偶图中各节点各自对应的第二特征信息；
所述信息融合模块，具体用于：
将所述N个小区各自对应的第一特征信息与所述对偶图中各节点各自对应的第二特征信息对应合并，得到融合后的信息；
通过所述GCN对所述融合后的信息进行特征提取，确定N各个小区的融合特征信息。
14.根据权利要求10-13任意所述的装置，其特征在于，所述小区Ni内部的业务状态参数包括以下中的至少一种：
所述小区Ni单位时间段的平均用户数；
所述小区Ni单位时间段的平均活跃用户数；
所述小区Ni单位时间段的上行流量；
所述小区Ni单位时间段低信道质量指示CQI报告的比例；
所述小区Ni单位时间段物理资源块PRB资源占用率；
所述小区Ni与邻小区间的业务切换参数包括以下中的至少一种：
所述小区Ni单位时间段平均切换尝试次数；
所述小区Ni单位时间段平均切换成功次数；
所述小区Ni单位时间段平均切换过早次数；
所述小区Ni单位时间段平均切换过晚次数；
所述小区Ni单位时间段平均乒乓切换次数。
15.根据权利要求14所述的装置，其特征在于，所述小区Ni的切换指导参数包括以下中的至少一种：
所述小区Ni与各邻小区间的切换次数；
所述小区Ni与各邻小区间的切换过早；和/或；过晚；和/或；乒乓次数；
所述小区Ni与各邻小区间的小区个体偏置参数CIO参数；
所述小区Ni与各邻小区间的偏置参数OFFSET参数。
16.根据权利要求15所述的装置，其特征在于，所述小区Ni的性能指标包括以下中的至少一种：
所述小区Ni单位时间内边缘用户占比；
所述小区Ni单位时间内边缘传输次数。
17.一种推荐小区切换指导参数的装置，其特征在于，包括：
获取模块，用于获取设定时长内不同时间点指定区域内N个小区的网络状态参数以及切换指导参数，并基于小区关系模型，确定所述设定时长内不同时间点所述N个小区切换指导参数的梯度值；所述N为整数；
梯度运算值确定模块，用于分别对所述不同时间点所述N个小区的切换指导参数的梯度值进行梯度融合，得到所述不同时间点所述N个小区的切换指导参数的梯度运算值；
确定模块，用于基于所述N个小区的切换指导参数的梯度运算值以及梯度下降算法，确定调节后的切换指导参数；
配置模块，用于将所述调节后的切换指导参数作为目标切换指导参数分别配置给N个小区。
18.根据权利要求17所述的装置，其特征在于，所述梯度运算值确定模块，具体用于：
将不同时间点同一小区的切换指导参数的梯度值进行加权求和或加权求平均运算，得到所述不同时间点所述N个小区的切换指导参数的梯度运算值。
19.一种计算机可读存储介质，其特征在于，所述计算机存储介质中存储有计算机可读指令，当计算机读取并执行所述计算机可读指令时，使得计算机执行如权利要求1-7任意一项所述的方法或如权利要求8-9所述的方法。
20.一种计算机程序产品，其特征在于，当计算机读取并执行所述计算机程序产品时，使得计算机执行如权利要求1-7任意一项所述的方法或如权利要求8-9所述的方法。
21.一种芯片，其特征在于，所述芯片与存储器耦合，用于读取并执行所述存储器中存储的程序指令，以实现如权利要求1-7任意一项所述的方法或如权利要求8-9所述的方法。
CN202010271151.6A 2020-04-08 2020-04-08 获取小区关系模型、推荐小区切换指导参数的方法及装置 Pending CN113498137A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010271151.6A CN113498137A (zh) 2020-04-08 2020-04-08 获取小区关系模型、推荐小区切换指导参数的方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010271151.6A CN113498137A (zh) 2020-04-08 2020-04-08 获取小区关系模型、推荐小区切换指导参数的方法及装置

Publications (1)

Publication Number Publication Date
CN113498137A true CN113498137A (zh) 2021-10-12

Family

ID=77994733

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010271151.6A Pending CN113498137A (zh) 2020-04-08 2020-04-08 获取小区关系模型、推荐小区切换指导参数的方法及装置

Country Status (1)

Country Link
CN (1) CN113498137A (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114339913A (zh) * 2021-12-28 2022-04-12 中国电信股份有限公司 无线网络的邻小区更新方法、装置、介质及电子设备
CN115277428A (zh) * 2022-07-27 2022-11-01 京东科技信息技术有限公司 用于配置网络的方法和装置
WO2023066287A1 (zh) * 2021-10-21 2023-04-27 维沃移动通信有限公司 通信方法、装置、终端及网络设备
WO2023103959A1 (zh) * 2021-12-07 2023-06-15 华为技术有限公司 一种无线通信的方法和装置
WO2023125090A1 (zh) * 2021-12-28 2023-07-06 华为技术有限公司 一种小区负载的调整方法及其相关设备
WO2023165818A1 (en) 2022-03-03 2023-09-07 Telefonaktiebolaget Lm Ericsson (Publ) User equipment prediction flow in terrestrial - non-terrestrial network
WO2024067281A1 (zh) * 2022-09-26 2024-04-04 维沃移动通信有限公司 Ai模型的处理方法、装置及通信设备

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023066287A1 (zh) * 2021-10-21 2023-04-27 维沃移动通信有限公司 通信方法、装置、终端及网络设备
WO2023103959A1 (zh) * 2021-12-07 2023-06-15 华为技术有限公司 一种无线通信的方法和装置
CN114339913A (zh) * 2021-12-28 2022-04-12 中国电信股份有限公司 无线网络的邻小区更新方法、装置、介质及电子设备
WO2023125090A1 (zh) * 2021-12-28 2023-07-06 华为技术有限公司 一种小区负载的调整方法及其相关设备
CN114339913B (zh) * 2021-12-28 2024-01-30 中国电信股份有限公司 无线网络的邻小区更新方法、装置、介质及电子设备
WO2023165818A1 (en) 2022-03-03 2023-09-07 Telefonaktiebolaget Lm Ericsson (Publ) User equipment prediction flow in terrestrial - non-terrestrial network
CN115277428A (zh) * 2022-07-27 2022-11-01 京东科技信息技术有限公司 用于配置网络的方法和装置
WO2024067281A1 (zh) * 2022-09-26 2024-04-04 维沃移动通信有限公司 Ai模型的处理方法、装置及通信设备

Similar Documents

Publication Publication Date Title
CN113498137A (zh) 获取小区关系模型、推荐小区切换指导参数的方法及装置
Sun et al. Application of machine learning in wireless networks: Key techniques and open issues
Guidolin et al. Context-aware handover policies in HetNets
Trestian et al. Game theory-based network selection: Solutions and challenges
EP3225046B1 (en) Method and apparatus for determining cell states to adjust antenna configuration parameters
Singhrova et al. Vertical handoff decision algorithm for improved quality of service in heterogeneous wireless networks
WO2016090770A1 (zh) 一种频点测量消息的发送方法及装置
CN108134979B (zh) 基于深度神经网络的小基站开关控制方法
Sanguanpuak et al. Infrastructure sharing for mobile network operators: Analysis of trade-offs and market
Moysen et al. Conflict resolution in mobile networks: a self-coordination framework based on non-dominated solutions and machine learning for data analytics [application notes]
KR102566310B1 (ko) 네트워크 최적화 방법, 장치 및 저장 매체
Drissi et al. Performance evaluation of multi-criteria vertical handover for heterogeneous wireless networks
Yang et al. Deep reinforcement learning based wireless network optimization: A comparative study
Rehman et al. A survey of handover management in mobile HetNets: current challenges and future directions
WO2023011371A1 (en) Method and system for configuring a threshold value for a handover parameter of a wireless communication system
Zhao et al. Predictive UAV base station deployment and service offloading with distributed edge learning
Gaur et al. Application specific thresholding scheme for handover reduction in 5G Ultra Dense Networks
De Santis et al. Satellite integration into 5G: Deep reinforcement learning for network selection
Muñoz et al. Dynamic traffic steering based on fuzzy q-learning approach in a multi-rat multi-layer wireless network
Priyanka et al. Machine learning algorithms in proactive decision making for handover management from 5G & beyond 5G
US20240152820A1 (en) Adaptive learning in distribution shift for ran ai/ml models
CN117014932A (zh) 用于评估对移动网络性能的动作影响的方法
CN110224861A (zh) 基于学习的自适应动态异构网络选择策略的实现方法
Kaur et al. Enhanced Handoff Decision Making for Application-Aware Environment by Using Blended Approach.
Chen et al. Machine learning enabled wireless communication network system

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20211012