发明内容
有鉴于此,本发明实施例期望提供一种实现异频切换的方法、装置和计算机可读存储介质。
为达到上述目的,本发明实施例的技术方案是这样实现的:
本发明实施例提供了一种实现异频切换的方法,该方法应用于网络侧,包括:
接收终端上报的同频小区参考信号接收功率RSRP值;
基于所述同频小区RSRP值和训练的异频切换模型确定异频切换决策;
下发切换命令到所述终端;所述切换命令携带所述异频切换决策。
可选的,该方法还包括:
基于预设时间内终端上报的同频小区RSRP值训练异频切换模型;其中,同频小区的个数大于等于3。
其中,所述基于预设时间内终端上报的同频小区RSRP值训练异频切换模型,包括:
基于预设时间内终端上报的同频小区RSRP值形成训练集;其中,所述训练集中的每个训练点为:预设时间内同一时刻各同频小区的RSRP值的标注数据;所述训练集中的所有训练点分为n+1个标注分组,分别对应n+1种切换决策;其中,所述n为异频邻区的个数;
基于所述训练集和人工智能AI算法训练异频切换模型,得到同频小区RSRP值与异频切换决策的对应关系。
其中,所述人工智能AI算法为K最邻近算法、且同频小区的个数为3时,
所述异频切换模型训练集的输入为:xi=(RSRPi1,RSRPi2,RSRPi3),是个三维向量,对应任一个训练点,为同一时刻三个同频小区形成的一组同频RSRP值;其中i=1,2,...,N;所述N为训练集中训练点的个数;
所述异频切换模型训练集的输出为:确定xi属于n+1个标注分组中的哪一组,表征异频切换决策。
其中,所述人工智能AI算法为神经网络算法、且同频小区的个数为3时,
所述异频切换模型训练集的输入为:同一时刻三个同频小区的RSRP信号强度RSRPi1,RSRPi2,RSRPi3,i=1,2,...,N;N表示训练集中训练点的个数;则输入为三维列向量,表示为a=(a1,a2,a3)T,a1为RSRPi1,a2为RSRPi2,a3为RSRPi3;
所述异频切换模型训练集的输出为:异频切换决策,表示为n+1维的列向量z=(z1,z2,…zn+1)T,所述Z1,Z2,…Zn+1分别对应n+1种异频切换决策。
其中,所述基于所述同频小区RSRP值和训练的异频切换模型确定异频切换决策,包括:
将任一时刻终端上报的各同频小区的RSRP值作为输入、输入到所述已训练的异频切换模型;
基于异频切换模型中同频小区RSRP值与异频切换决策的对应关系,确定该时刻的异频切换决策。
本发明实施例还提供了一种实现异频切换的方法,该方法应用于终端,包括:
上报同频小区参考信号接收功率RSRP值,用于网络侧基于所述同频小区RSRP值和训练的异频切换模型确定异频切换决策;
接收切换命令;所述切换命令携带所述异频切换决策。
本发明实施例还提供了一种实现异频切换的装置,该装置应用于网络侧,包括:
第一接收模块,用于接收终端上报的同频小区参考信号接收功率RSRP值;
切换决策模块,用于基于所述同频小区RSRP值和训练的异频切换模型确定异频切换决策;
第一发送模块,用于下发切换命令到所述终端;所述切换命令携带所述异频切换决策。
本发明实施例还提供了一种实现异频切换的装置,该装置应用于终端,包括:
第二发送模块,用于上报同频小区参考信号接收功率RSRP值,用于网络侧基于所述同频小区RSRP值和训练的异频切换模型确定异频切换决策;
第二接收模块,用于接收切换命令;所述切换命令携带所述异频切换决策。
本发明实施例还提供了一种实现异频切换的装置,该装置包括:处理器和用于存储能够在处理器上运行的计算机程序的存储器,
其中,所述处理器用于运行所述计算机程序时,执行上述方法的步骤。
本发明实施例还提供了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方法的步骤。
本发明实施例提供的实现异频切换的方法、装置和计算机可读存储介质,网络侧接收终端上报的同频小区参考信号接收功率RSRP值;基于所述同频小区RSRP值和训练的异频切换模型确定异频切换决策;下发切换命令到所述终端;所述切换命令携带所述异频切换决策。本发明实施例基于终端上报的同频小区RSRP信息即可实现异频切换,免除了异频GAP,减少切换时延,提升切换的及时性和有效性,从而可避免掉话或数据业务速率掉坑的问题,简化网络流程,节省信令开销;同时也可降低网络配置成本和维护成本。
具体实施方式
下面结合附图和实施例对本发明进行描述。
本发明实施例提供了一种实现异频切换的方法,该方法应用于网络侧,如图1所示,包括:
步骤101:接收终端上报的同频小区参考信号接收功率RSRP值;
步骤102:基于所述同频小区RSRP值和训练的异频切换模型确定异频切换决策;
步骤103:下发切换命令到所述终端;所述切换命令携带所述异频切换决策。
本发明实施例基于终端上报的同频小区RSRP信息即可实现异频切换,免除了异频GAP,减少切换时延,提升切换的及时性和有效性,从而可避免掉话或数据业务速率掉坑的问题,简化网络流程,节省信令开销;同时也可降低网络配置成本和维护成本。
一个实施例中,该方法还包括:
基于预设时间内终端上报的同频小区RSRP值训练异频切换模型;其中,同频小区的个数大于等于3。
这里,设定为至少三个同频小区的原因是:三个同频小区的RSRP值可确定终端的当前时刻的位置区域。
本发明实施例中,所述基于预设时间内终端上报的同频小区RSRP值训练异频切换模型,包括:
基于预设时间内终端上报的同频小区RSRP值形成训练集;其中,所述训练集中的每个训练点为:预设时间内同一时刻各同频小区的RSRP值的标注数据;所述训练集中的所有训练点分为n+1个标注分组,分别对应n+1种切换决策;其中,所述n为异频邻区的个数;
基于所述训练集和人工智能AI算法训练异频切换模型,得到同频小区RSRP值与异频切换决策的对应关系。
本发明实施例中,所述人工智能AI算法为K最邻近算法、且同频小区的个数为3时,
所述异频切换模型训练集的输入为:xi=(RSRPi1,RSRPi2,RSRPi3),是个三维向量,对应任一个训练点,为同一时刻三个同频小区形成的一组同频RSRP值;其中i=1,2,...,N;所述N为训练集中训练点的个数;
所述异频切换模型训练集的输出为:确定xi属于n+1个标注分组中的哪一组,表征异频切换决策。
本发明实施例中,所述人工智能AI算法为神经网络算法、且同频小区的个数为3时,
所述异频切换模型训练集的输入为:同一时刻三个同频小区的RSRP信号强度RSRPi1,RSRPi2,RSRPi3,i=1,2,...,N;N表示训练集中训练点的个数;则输入为三维列向量,表示为a=(a1,a2,a3)T,a1为RSRPi1,a2为RSRPi2,a3为RSRPi3;
所述异频切换模型训练集的输出为:异频切换决策,表示为n+1维的列向量z=(z1,z2,…zn+1)T,所述Z1,Z2,…Zn+1分别对应n+1种异频切换决策。
本发明实施例中,所述基于所述同频小区RSRP值和训练的异频切换模型确定异频切换决策,包括:
将任一时刻终端上报的各同频小区的RSRP值作为输入、输入到所述已训练的异频切换模型;
基于异频切换模型中同频小区RSRP值与异频切换决策的对应关系,确定该时刻的异频切换决策。
本发明实施例还提供了一种实现异频切换的方法,该方法应用于终端,如图2所示,包括:
步骤201:上报同频小区参考信号接收功率RSRP值,用于网络侧基于所述同频小区RSRP值和训练的异频切换模型确定异频切换决策;
步骤202:接收切换命令;所述切换命令携带所述异频切换决策。
为了实现上述方法实施例,本发明实施例还提供了一种实现异频切换的装置,该装置应用于网络侧,如图3所示,包括:
第一接收模块301,用于接收终端上报的同频小区参考信号接收功率RSRP值;
切换决策模块302,用于基于所述同频小区RSRP值和训练的异频切换模型确定异频切换决策;
第一发送模块303,用于下发切换命令到所述终端;所述切换命令携带所述异频切换决策。
一个实施例中,如图4所示,该装置还包括:训练模块304,用于基于预设时间内终端上报的同频小区RSRP值训练异频切换模型;其中,同频小区的个数大于等于3。
这里,设定为至少三个同频小区的原因是:三个同频小区的RSRP值可确定终端的当前时刻的位置区域。
本发明实施例中,所述训练模块304基于预设时间内终端上报的同频小区RSRP值训练异频切换模型,包括:
基于预设时间内终端上报的同频小区RSRP值形成训练集;其中,所述训练集中的每个训练点为:预设时间内同一时刻各同频小区的RSRP值的标注数据;所述训练集中的所有训练点分为n+1个标注分组,分别对应n+1种切换决策;其中,所述n为异频邻区的个数;
基于所述训练集和人工智能AI算法训练异频切换模型,得到同频小区RSRP值与异频切换决策的对应关系。
本发明实施例中,所述人工智能AI算法为K最邻近算法、且同频小区的个数为3时,
所述异频切换模型训练集的输入为:xi=(RSRPi1,RSRPi2,RSRPi3),是个三维向量,对应任一个训练点,为同一时刻三个同频小区形成的一组同频RSRP值;其中i=1,2,...,N;所述N为训练集中训练点的个数;
所述异频切换模型训练集的输出为:确定xi属于n+1个标注分组中的哪一组,表征异频切换决策。
本发明实施例中,所述人工智能AI算法为神经网络算法、且同频小区的个数为3时,
所述异频切换模型训练集的输入为:同一时刻三个同频小区的RSRP信号强度RSRPi1,RSRPi2,RSRPi3,i=1,2,...,N;N表示训练集中训练点的个数;则输入为三维列向量,表示为a=(a1,a2,a3)T,a1为RSRPi1,a2为RSRPi2,a3为RSRPi3;
所述异频切换模型训练集的输出为:异频切换决策,表示为n+1维的列向量z=(z1,z2,…zn+1)T,所述Z1,Z2,…Zn+1分别对应n+1种异频切换决策。
本发明实施例中,所述切换决策模块302基于所述同频小区RSRP值和训练的异频切换模型确定异频切换决策,包括:
将任一时刻终端上报的各同频小区的RSRP值作为输入、输入到所述已训练的异频切换模型;
基于异频切换模型中同频小区RSRP值与异频切换决策的对应关系,确定该时刻的异频切换决策。
本发明实施例还提供了一种实现异频切换的装置,该装置应用于终端,如图5所示,包括:
第二发送模块501,用于上报同频小区参考信号接收功率RSRP值,用于网络侧基于所述同频小区RSRP值和训练的异频切换模型确定异频切换决策;
第二接收模块502,用于接收切换命令;所述切换命令携带所述异频切换决策。
本发明实施例还提供了一种实现异频切换的装置,该装置包括:处理器和用于存储能够在处理器上运行的计算机程序的存储器,
其中,所述处理器用于运行所述计算机程序时,执行:
接收终端上报的同频小区参考信号接收功率RSRP值;
基于所述同频小区RSRP值和训练的异频切换模型确定异频切换决策;
下发切换命令到所述终端;所述切换命令携带所述异频切换决策。
所述处理器还用于运行所述计算机程序时,执行:
基于预设时间内终端上报的同频小区RSRP值训练异频切换模型;其中,同频小区的个数大于等于3。
所述基于预设时间内终端上报的同频小区RSRP值训练异频切换模型时,所述处理器还用于运行所述计算机程序时,执行:
基于预设时间内终端上报的同频小区RSRP值形成训练集;其中,所述训练集中的每个训练点为:预设时间内同一时刻各同频小区的RSRP值的标注数据;所述训练集中的所有训练点分为n+1个标注分组,分别对应n+1种切换决策;其中,所述n为异频邻区的个数;
基于所述训练集和人工智能AI算法训练异频切换模型,得到同频小区RSRP值与异频切换决策的对应关系。
其中,所述人工智能AI算法为K最邻近算法、且同频小区的个数为3时,
所述异频切换模型训练集的输入为:xi=(RSRPi1,RSRPi2,RSRPi3),是个三维向量,对应任一个训练点,为同一时刻三个同频小区形成的一组同频RSRP值;其中i=1,2,...,N;所述N为训练集中训练点的个数;
所述异频切换模型训练集的输出为:确定xi属于n+1个标注分组中的哪一组,表征异频切换决策。
其中,所述人工智能AI算法为神经网络算法、且同频小区的个数为3时,
所述异频切换模型训练集的输入为:同一时刻三个同频小区的RSRP信号强度RSRPi1,RSRPi2,RSRPi3,i=1,2,...,N;N表示训练集中训练点的个数;则输入为三维列向量,表示为a=(a1,a2,a3)T,a1为RSRPi1,a2为RSRPi2,a3为RSRPi3;
所述异频切换模型训练集的输出为:异频切换决策,表示为n+1维的列向量z=(z1,z2,…zn+1)T,所述Z1,Z2,…Zn+1分别对应n+1种异频切换决策。
所述基于所述同频小区RSRP值和训练的异频切换模型确定异频切换决策时,所述处理器还用于运行所述计算机程序时,执行:
将任一时刻终端上报的各同频小区的RSRP值作为输入、输入到所述已训练的异频切换模型;
基于异频切换模型中同频小区RSRP值与异频切换决策的对应关系,确定该时刻的异频切换决策。
本发明实施例还提供了一种实现异频切换的装置,该装置包括:处理器和用于存储能够在处理器上运行的计算机程序的存储器,
其中,所述处理器用于运行所述计算机程序时,执行:
上报同频小区参考信号接收功率RSRP值,用于网络侧基于所述同频小区RSRP值和训练的异频切换模型确定异频切换决策;
接收切换命令;所述切换命令携带所述异频切换决策。
需要说明的是:上述实施例提供的装置在实现异频切换时,仅以上述各程序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处理分配由不同的程序模块完成,即将设备的内部结构划分成不同的程序模块,以完成以上描述的全部或者部分处理。另外,上述实施例提供的装置与相应方法实施例属于同一构思,其具体实现过程详见方法实施例,这里不再赘述。
在示例性实施例中,本发明实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质可以是FRAM、ROM、PROM、EPROM、EEPROM、Flash Memory、磁表面存储器、光盘、或CD-ROM等存储器;也可以是包括上述存储器之一或任意组合的各种设备,如移动电话、计算机、平板设备、个人数字助理等。
本发明实施例还提供了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,执行:
接收终端上报的同频小区参考信号接收功率RSRP值;
基于所述同频小区RSRP值和训练的异频切换模型确定异频切换决策;
下发切换命令到所述终端;所述切换命令携带所述异频切换决策。
所述计算机程序被处理器运行时,还执行:
基于预设时间内终端上报的同频小区RSRP值训练异频切换模型;其中,同频小区的个数大于等于3。
所述基于预设时间内终端上报的同频小区RSRP值训练异频切换模型时,所述计算机程序被处理器运行时,还执行:
基于预设时间内终端上报的同频小区RSRP值形成训练集;其中,所述训练集中的每个训练点为:预设时间内同一时刻各同频小区的RSRP值的标注数据;所述训练集中的所有训练点分为n+1个标注分组,分别对应n+1种切换决策;其中,所述n为异频邻区的个数;
基于所述训练集和人工智能AI算法训练异频切换模型,得到同频小区RSRP值与异频切换决策的对应关系。
其中,所述人工智能AI算法为K最邻近算法、且同频小区的个数为3时,
所述异频切换模型训练集的输入为:xi=(RSRPi1,RSRPi2,RSRPi3),是个三维向量,对应任一个训练点,为同一时刻三个同频小区形成的一组同频RSRP值;其中i=1,2,...,N;所述N为训练集中训练点的个数;
所述异频切换模型训练集的输出为:确定xi属于n+1个标注分组中的哪一组,表征异频切换决策。
其中,所述人工智能AI算法为神经网络算法、且同频小区的个数为3时,
所述异频切换模型训练集的输入为:同一时刻三个同频小区的RSRP信号强度RSRPi1,RSRPi2,RSRPi3,i=1,2,...,N;N表示训练集中训练点的个数;则输入为三维列向量,表示为a=(a1,a2,a3)T,a1为RSRPi1,a2为RSRPi2,a3为RSRPi3;
所述异频切换模型训练集的输出为:异频切换决策,表示为n+1维的列向量z=(z1,z2,…zn+1)T,所述Z1,Z2,…Zn+1分别对应n+1种异频切换决策。
所述基于所述同频小区RSRP值和训练的异频切换模型确定异频切换决策时,所述计算机程序被处理器运行时,还执行:
将任一时刻终端上报的各同频小区的RSRP值作为输入、输入到所述已训练的异频切换模型;
基于异频切换模型中同频小区RSRP值与异频切换决策的对应关系,确定该时刻的异频切换决策。
本发明实施例还提供了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,执行:
上报同频小区参考信号接收功率RSRP值,用于网络侧基于所述同频小区RSRP值和训练的异频切换模型确定异频切换决策;
接收切换命令;所述切换命令携带所述异频切换决策。
下面结合场景实施例对本发明进行描述。
本实施例针对异频测量时延大、影响业务速率、异频测量配置复杂的问题,提出了一种结合人工智能(AI)算法,利用同频测量实现异频切换的方法,省去异频测量的高成本和高时延,简化异频切换流程,提高异频切换效率。
由于同频测量是UE持续进行的常规过程,基于同频测量上报的RSRP(ReferenceSignal Receiving Power)执行切换判决的过程不对当前业务造成影响。因此本实施例可利用三个及以上同频小区测量所获取的一组RSRP信息,通过AI算法对模型进行训练,建立起与异频切换的映射关系,基于同频测量信息辅助网络(如:基站)进行异频切换判决,避免了复杂的异频测量信令流程和业务影响。
本实施例以三个同频小区为例进行说明,如图6所示,cell1为UE的当前服务小区、cell2、cell3为另外两个同频邻区,cell4为异频邻区,本实施例实现流程如图7所示,包括:
步骤一:终端上报同频RSRP值到基站;
这里,UE测量cell1、cell2、cell3的RSRP1,RSRP2,RSRP3上报基站,(RSRP1,RSRP2,RSRP3)该三元组可确定UE当前时刻的位置区域。
此处同频小区RSRP值的上报属于UE周期性常规过程,属于既有数据,不涉及额外工作量。
步骤二:基站利用人工智能算法获得切换决策;
基站将获取的同频测量信息(RSRP1,RSRP2,RSRP3)作为AI训练模型的输入向量,通过AI训练模型直接获得异频小区的切换决策。
步骤三:基站下发切换命令,以通知终端异频小区的切换决策;
步骤四:终端执行异频切换过程。
下面对本实施例中AI算法进行详细描述。
实施例一:KNN算法(K-Nearest Neighbor,K最邻近算法,即给一个新的数据时,离它最近的k个点中,哪个类别多,这个数据就属于哪一类)过程如下:
模型训练如下:
如图8所示,w1、w2分别代表训练集中的两个类别,训练集中的每个训练点为某一时刻一组同频RSRP强度值的标注数据,每个训练点均已标注是否执行切换。首先假设只有一个异频邻区的场景下,w1是标注为“不执行异频切换”的所有训练点,w2是标注为“执行异频切换”的所有训练点。那么根据图8所示,与xu最相近的k个点(图中k=4)中最多的类别为w2,即此时算法将xu判定为执行异频切换。
该实施例中,训练集输入为:xi=(RSRPi1,RSRPi2,RSRPi3),是一个三维向量,代表每个训练点对应的一组同频RSRP强度,该组同频RSRP强度为某一时刻终端上报的三个同频小区的RSRP值;其中i=1,2,...,N,N为训练点的个数。
训练集输出为:异频切换决策,即预测xi属于类别w1或者w2,即“不执行异频切换”或“执行异频切换”。
模型使用如下:
基于KNN算法反复训练,建立起同频RSRP信息与异频切换决策的映射模型,输入向量xu=(RSRP1,RSRP2,RSRP3),此时无需打点标注信息,也可基于模型进行回归预测,输出切换决策。
当存在多个异频邻区时,存在多个输出类别,如图9所示的“切换到异频f1邻区cell1”,“切换到异频f2邻区cell2”,……,“切换到异频fn邻区celln”,“不执行异频切换”。
模型使用过程的输入为:某一时刻终端上报的同频小区RSRP值,形成三维向量xu=(RSRP1,RSRP2,RSRP3);
输出为:切换决策,如“切换到异频f1邻区cell1”。
实施例二:神经网络算法(NN),过程如下:
模型训练:
基站将获取到的三个同频小区的RSRP强度信息RSRP1,RSRP2,RSRP3作为输入层的三个特征值,输出层为切换决策,具体有多少种切换选择可根据基站的邻区信息进行对应。训练集中的数据仍为已标注数据,标注分组与KNN算法相同:即对于n+1种切换决策,总共对应n+1种标注分组,对任意一组(RSRP1,RSRP2,RSRP3)数据,依据其实际的切换结果分别关联属性标签“切换到异频f1小区cell1”、“切换到异频f2小区cell2”……“切换到异频fn小区celln”、“不执行切换”,即每组RSRP输入已关联到具体的切换决策。通过该模型,训练输入与输出之间的拟合函数,可获得权值矩阵W、V。模型示意图如图10所示,设计实施例如下:
训练集输入为:本实施例以三个同频小区的RSRP信号强度RSRPi1,RSRPi2,RSRPi3,i=1,2,...,N,N表示训练集中训练点的个数,即训练数据的组数,则输入为三维列向量,表示为a=(a1,a2,a3,)T,a1为RSRPi1,a2为RSRPi2,a3为RSRPi3。
训练集输出为:n+1种切换决策,表示为n+1维的列向量z=(z1,z2,…zn+1)T,所述Z1,Z2,…Zn+1分别对应n+1种异频切换决策。
隐藏层:依据神经网络算法原理,隐藏层可设置1层,也可以设置多层,层数越多效果越好,每层神经元的数目可以是任意自然数。由于两层的神经网络(包含一个隐藏层)可以获得足够好的拟合效果,所以本实施例将以一个隐藏层进行设计,设隐藏层神经元的数目为m。则隐藏层用向量表示为y=(y1,y2,…ym)T。
在神经网络里,从前一层神经元到后一层神经元,都可以用激活函数的关系来表示,他们之间的连线代表了前一层神经元的权重,用w表示。所以下一层的输出神经元是在前一层各个输入神经元加权求和的基础上,再叠加使用其激活函数g获得,g为sigmod函数,以图11中的神经元为例,它的输出就表示为:
z=g(a1*w1+a2*w2+a3*w3)。
据此,本实施例模型中的中间隐藏层第一个神经元y1的输出表示为:y1=g(w(1,1)*a1+w(1,2)*a2+w(1,3)*a3)=g(w1*a),其中w1=(w(1,1),w(1,2),w(1,3))即为输出y1所需要的矩阵向量。
类推得到中间隐藏层最后一个神经元ym表示为:
ym=g(w(m,1)*a1+w(m,2)*a2+w(m,3)*a3)=g(wm*a),
其中wm=(w(m,1),w(m,2),w(m,3))即为输出ym所需要的矩阵向量。
将y1至ym分别带入公式y=(y1,y2,…ym)T,得到隐藏层向量y=g(w1*a,w2*a,…,wm*a)T。
类推得到输出层向量z=g(v1*y,v2*y,…,vn+1*y)T。将y带入,便获得了输入到输出之间的拟合函数。
从而获得两个权值矩阵w和v:
由隐藏层的输出向量y,提取得到输入层到隐藏层的权值矩阵(m行3列):
w=(w1,w2,…wm)T;
由输出层向量z,提取得到隐藏层到输出层的权值矩阵(n+1行m列):
v=(v1,v2,…vn+1)T。
经过训练,获得该模型的参数(w、v)及其表示出的拟合函数。
模型使用如下:由于每个基站具有不同的邻区环境,因此本模型的部署对应到基站级别,不同的基站训练得到各自的模型。经过训练的模型拟合能力得到充分泛化,使用时同样输入一组实时的同频小区RSRP的值,便可基于模型获得实时的切换决策。
可见,本发明实施例基于终端上报的同频小区RSRP信息即可实现异频切换,免除了异频GAP,减少切换时延,提升切换的及时性和有效性,从而可避免掉话或数据业务速率掉坑的问题,简化网络流程,节省信令开销;同时也可降低网络配置成本和维护成本。
以上所述,仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。