CN114051748B - 使用机器学习优化蜂窝网络 - Google Patents

使用机器学习优化蜂窝网络 Download PDF

Info

Publication number
CN114051748B
CN114051748B CN202080047008.7A CN202080047008A CN114051748B CN 114051748 B CN114051748 B CN 114051748B CN 202080047008 A CN202080047008 A CN 202080047008A CN 114051748 B CN114051748 B CN 114051748B
Authority
CN
China
Prior art keywords
gradient
network configuration
configuration parameter
network
base station
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
CN202080047008.7A
Other languages
English (en)
Other versions
CN114051748A (zh
Inventor
王继兵
埃里克·理查德·施陶费尔
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.)
Google LLC
Original Assignee
Google LLC
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 Google LLC filed Critical Google LLC
Publication of CN114051748A publication Critical patent/CN114051748A/zh
Application granted granted Critical
Publication of CN114051748B publication Critical patent/CN114051748B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/10—Scheduling measurement reports ; Arrangements for measurement reports
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • G06N3/04—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

Landscapes

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

Abstract

本文档描述了用于使用机器学习来优化蜂窝网络的技术和装置。具体地，网络优化控制器(170)使用机器学习来确定影响蜂窝网络的性能度量(410)的优化网络配置参数(460)。为了做出该确定，网络优化控制器(170)请求并且分析由一个或多个用户设备(UE)、一个或多个基站或其组合确定的梯度(440)。通过使用机器学习，网络优化控制器(170)标识与优化函数的不同局部最优值或全局最优值相关联的不同优化网络配置参数(460)，并且选择适合于给定环境的特定优化网络配置参数(460)。以这种方式，网络优化控制器(170)动态地优化蜂窝网络以考虑短期和长期环境改变。

Description

使用机器学习优化蜂窝网络
背景技术
无线网络提供商执行小区规划以设计蜂窝网络。通过小区规划，网络提供商确定要部署的基站的数量、这些基站的位置以及这些基站的配置以实现特定覆盖区域、服务质量或运营成本。为了做出这些确定，小区规划过程分析地理区域以基于地理区域中的地形和地物干扰来确定预期交通并且模拟信号传播特性。
然而，小区规划所使用的分析和模拟可以假设静态标称环境(例如，特定人口密度、特定地形、特定地物干扰或土地使用分类、或特定类型的天气)。因此，由小区规划确定的蜂窝网络的设计和操作配置对于不同于假设的静态标称环境的环境可能不是最优的。这导致蜂窝网络在短期或长期环境改变期间处于次优状态。示例环境改变包括由于特定用户事件(例如，音乐会或体育赛事)而导致的交通的暂时增加、改变信号传播路径的建筑物的建造或破坏、以及影响信号传播的改变的天气条件。另外，在小区规划是时间密集型或高成本的情况下，周期性地执行小区规划以基于这些环境改变来更新蜂窝网络的设计或操作配置可能是不可行的。因此，动态地优化蜂窝网络并考虑短期和长期环境改变两者是具有挑战性的。
发明内容
描述了用于使用机器学习来优化蜂窝网络的技术和装置。具体地，网络优化控制器使用机器学习来确定影响蜂窝网络的性能度量的优化网络配置参数。为了做出该确定，网络优化控制器请求并分析来自一个或多个用户设备(UE)、一个或多个基站或其组合的梯度报告消息。梯度报告消息指定性能度量的变化量相对于网络配置参数的变化量(例如，性能度量相对于网络配置参数的梯度)。网络优化控制器指导UE或基站使用所确定的优化网络配置参数来改进蜂窝网络的性能。以这种方式，网络优化控制器动态地优化蜂窝网络以考虑短期和长期环境改变。
虽然其他技术可以优化蜂窝网络内的单个实体的性能，但是机器学习使网络优化控制器能够评估来自蜂窝网络内的实体组的梯度，以确定优化网络配置参数，该优化网络配置参数优化了作为组的这些实体的性能。机器学习还使网络优化控制器能够标识与优化函数的不同局部最优值或全局最优值相关联的不同优化网络配置参数。相反，其它技术可以接近优化函数的单个最优值，并且不能确定是否存在另一最优值。利用使用机器学习来探索和评估多个最优值的能力，网络优化控制器确定适合于给定环境的优化网络配置参数。另外，网络优化控制器能够提供辅助小区规划的反馈。
下面描述的方面包括由网络优化控制器执行的方法。该方法包括确定用于对蜂窝网络进行优化的性能度量，以及确定影响该性能度量的至少一个网络配置参数。该方法还包括向多个基站发送梯度请求消息，该梯度请求消息指导多个无线收发器分别评估性能度量相对于至少一个网络配置参数的梯度。该方法另外包括从多个基站接收由多个无线收发器生成的梯度报告消息。该梯度报告消息分别包括梯度。该方法还包括使用机器学习来分析梯度以确定至少一个优化网络配置参数，以及向多个基站中的至少一个基站发送优化消息，该优化消息指导多个无线收发器中的至少一个无线收发器使用至少一个优化网络配置参数。
以下描述的方面还包括一种具有用于使用机器学习来优化蜂窝网络的装置的系统。
附图说明
参考以下附图描述用于使用机器学习来优化蜂窝网络的装置和技术。在所有附图中使用相同的数字来引用相同的特征和组件：
图1图示其中能够实现使用机器学习来优化蜂窝网络的示例无线网络环境；
图2图示用于使用机器学习来优化蜂窝网络的用户设备和基站的示例设备示意图；
图3图示用于使用机器学习来优化蜂窝网络的网络优化控制器的示例设备示意图；
图4图示用于使用机器学习来优化蜂窝网络的网络优化控制器的示例功能图；
图5图示用于使用机器学习来优化蜂窝网络的网络优化控制器、一个或多个基站和一个或多个用户设备之间的示例消息传递事务；
图6图示用于使用机器学习来优化蜂窝网络的网络优化控制器与一个或多个基站之间的示例消息传递事务；
图7图示用于使用机器学习来优化蜂窝网络的网络优化控制器的示例方法。
具体实施方式
概述
小区规划基于静态标称环境(例如，特定人口密度、特定地形、特定地物干扰或土地使用分类、或特定类型的天气)来确定蜂窝网络的设计和操作配置。因此，由小区规划确定的蜂窝网络的设计和操作配置对于不同于静态标称环境的环境可能不是最优的。这导致蜂窝网络在短期或长期环境改变期间处于次优状态。示例环境改变包括由于特定用户事件(例如，音乐会或体育赛事)而导致的交通的暂时增加、改变信号传播路径的建筑物的建造或破坏、或影响信号传播的改变的天气条件。另外，在小区规划是时间密集型或高成本的情况下，周期性地执行小区规划以基于这些环境改变来更新蜂窝网络的设计或操作配置可能是不可行的。因此，动态地优化蜂窝网络以解决短期和长期环境改变两者是具有挑战性的。
为了解决这个挑战，描述了用于使用机器学习来优化蜂窝网络的技术。具体地，网络优化控制器使用机器学习来确定影响蜂窝网络的性能度量的优化网络配置参数。为了做出该确定，网络优化控制器请求并分析来自一个或多个用户设备(UE)、一个或多个基站或其组合的梯度报告消息。梯度报告消息指导性能度量的变化量相对于网络配置参数的变化量(例如，性能度量相对于网络配置参数的梯度)。网络优化控制器指导UE或基站使用所确定的优化网络配置参数来改进蜂窝网络的性能。以这种方式，网络优化控制器动态地优化蜂窝网络以考虑短期和长期环境改变两者。
虽然其他技术可以优化蜂窝网络内的单个实体的性能，但是机器学习使网络优化控制器能够评估来自蜂窝网络内的实体组的梯度，以确定优化网络配置参数，该优化网络配置参数优化了作为组的这些实体的性能。机器学习还使网络优化控制器能够标识与优化函数的不同局部最优值或全局最优值相关联的不同优化网络配置参数。相反，其它技术可能接近优化函数的单个最优值并且不能确定是否存在另一最优值。利用使用机器学习来探索和评估多个最优值的能力，网络优化控制器确定适合于给定环境的优化网络配置参数。另外，网络优化控制器能够提供辅助小区规划的反馈。
示例环境
图1图示其中能够实现使用机器学习来优化蜂窝网络的示例环境100。该环境100包括多个用户设备110(UE 110)，该多个用户设备110被图示为UE 111、UE 112和UE 113。每个UE 110通过图示为无线链路131和132的无线通信链路130(无线链路130)与基站120(图示为基站121、122、123和124)进行通信。为了简单起见，UE 110被实现为智能电话，但是其可以作为诸如如下的任何合适的计算或电子设备被实现：移动通信设备、调制解调器、蜂窝电话、游戏设备、导航设备、媒体设备、膝上型计算机、台式计算机、平板计算机、智能家电、基于车辆的通信系统、物联网(IoT)设备(诸如传感器或致动器)等等。基站120(例如，演进型通用陆地无线电接入网络节点B、E-UTRAN节点B、演进型节点B、eNodeB、eNB、下一代演进型节点B、ng-eNB、下一代节点B、gNode B、gNB等)能够被实现在宏小区、微小区、小小区、微微小区、分布式基站等或其任何组合或未来演进中。
基站120使用无线链路131和132与用户设备110进行通信，无线链路131和132可以被实现为任何合适类型的无线链路。无线链路131和132包括控制和数据通信，诸如从基站120传送到用户设备110的数据和控制信息的下行链路、从用户设备110传送到基站120的其它数据和控制信息的上行链路或二者。无线链路130包括使用任何合适的通信协议或标准或通信协议或标准的组合，诸如第三代合作伙伴计划长期演进(3GPP LTE)、增强长期演进(eLTE)、第五代新无线电(5G NR)、第四代(4G)标准等，实现的一个或多个无线链路(例如，无线电链路)或承载。能够使用载波聚合或多连接来聚合多个无线链路130以为UE 110提供更高的数据速率。能够将来自多个基站120的多个无线链路130配置用于与UE 110进行协调多点(CoMP)通信。
基站120被统称为每一个使用无线电接入技术(RAT)的无线电接入网络140(例如，RAN、演进通用陆地无线电接入网络、E-UTRAN、5G NR RAN或NR RAN)。RAN 140被图示为NRRAN 141和E-UTRAN 142。在图1中，核心网络190包括第五代核心(5GC)网络150(5GC 150)和演进分组核心(EPC 160)网络，它们是不同类型的核心网络。NR RAN 141中的基站121和123连接到5GC 150。E-UTRAN 142中的基站122和124连接到EPC 160。可选地或另外，基站122能够连接到5GC 150和EPC 160网络。
基站121和123分别在102和104通过用于控制平面信令的NG2接口和使用用于用户平面数据通信的NG3接口连接到5GC 150。基站122和124分别在106和108使用用于控制平面信令和用户平面数据通信的S1接口连接到EPC 160。可选地或另外，如果基站122连接到5GC150和EPC 160网络，则在180，基站122使用用于控制平面信令的NG2接口并通过用于用户平面数据通信的NG3接口连接到5GC 150。
除了与核心网190的连接之外，基站120还能够彼此通信。例如，基站121和123在103通过Xn接口使用Xn应用协议(XnAP)进行通信，基站122和123在105通过Xn接口进行通信，基站122和124在107通过X2接口进行通信。
5GC 150包括接入和移动性管理功能152(AMF 152)，其提供控制平面功能，诸如在5GNR网络中注册和认证多个UE 110、授权和移动性管理。EPC 160包括移动性管理实体162(MME 162)，其提供控制平面功能，诸如在E-UTRAN网络中注册和认证多个UE 110、授权或移动性管理。AMF 152和MME 162与RAN 140中的基站120通信，并且还使用基站120与多个UE110通信。
在环境100中，核心网络190包括网络优化控制器170，网络优化控制器170能够被集成为核心网络190的一部分(例如，作为5GC 150或EPC 160的一部分)或者能够在核心网络190的服务器内被实现。RAN 141内的基站121和123在172连接到网络优化控制器170。类似地，RAN 142内的基站122和124在174连接到网络优化控制器170。
网络优化控制器170使用机器学习来分析由UE 110或基站120生成的梯度报告消息。利用机器学习，网络优化控制器170确定优化网络配置参数，该优化网络配置参数提高当前环境的蜂窝网络的性能。在一些情况下，网络优化控制器提供辅助小区规划的反馈。参照图2进一步描述UE 110和基站120的组件，并且参照图3进一步描述网络优化控制器170的组件。
示例设备
图2图示UE 110和基站120的示例设备示意图200。为了清楚起见，UE 110和基站120能够包括从图2中省略的附加功能和接口。UE 110包括天线202、射频(RF)前端204((RF)前端204)、LTE收发器206和5GNR收发器208以用于与RAN 140中的一个或多个基站120通信。RF前端204将LTE收发器206和5GNR收发器208耦合或连接到天线202以促进各种类型的无线通信。天线202能够包括彼此类似或不同地配置的多个天线的阵列。天线202和射频前端204被调谐到由3GPPLTE和5GNR通信标准定义的并由LTE收发器206和/或5GNR收发器208实现的一个或多个频带。
UE 110还包括一个或多个处理器210和计算机可读存储介质212。处理器210能够是由诸如硅、多晶硅、高K电介质、铜等的各种材料组成的单核处理器或多核处理器。计算机可读存储介质排除传播信号，并且CRM 212包括任何合适的存储器或存储设备，诸如随机存取存储器(RAM)、静态存储器(SRAM)、动态存储器(DRAM)、非易失性存储器(NVRAM)、只读存储器(ROM)或可用于存储UE 110的设备数据214的闪存。设备数据214包括UE 110的用户数据、多媒体数据、波束成形码本、应用和/或操作系统，它们可由处理器210执行以使能够与UE 110进行用户平面通信、控制平面信令和用户交互。
CRM 212还包括梯度模块216。可选地或另外，梯度模块216能够全部或部分地被实现为与UE 110的其它组件集成或分离的硬件逻辑或电路。梯度模块216评估一个或多个梯度，并且生成用于优化蜂窝网络的一个或多个梯度报告消息，如参照图4进一步描述。使用梯度模块216执行的示例消息传递事务将参照图5被进一步描述。
基站120的设备示意图包括单个网络节点(例如，gNB)。基站120的功能性能够以适合于执行所描述的功能的任何方式被分布在多个网络节点或设备上。基站120包括天线252、射频(RF)前端254、一个或多个LTE收发器256和/或一个或多个5GNR收发器258以用于与UE 110通信。RF前端254将LTE收发器256和5GNR收发器258耦合或连接到天线252以促进各种类型的无线通信。天线252能够包括彼此类似或不同地配置的多个天线的阵列。天线252和RF前端254被调谐到由3GPPLTE和5GNR通信标准定义并由LTE收发器256和/或5GNR收发器258实现的一个或多个频带。另外，天线252、RF前端254、LTE收发器256和/或5GNR收发器258能够支持波束成形，诸如Massive-MIMO，以用于与UE 110的通信的发送和接收。
基站120还包括一个或多个处理器260和计算机可读存储介质262(CRM262)。处理器260能够是由诸如硅、多晶硅、高K电介质、铜等的各种材料组成的单核处理器或多核处理器。CRM 262包括如关于CRM 212所描述的任何合适的存储器或存储设备。CRM 262存储基站120的设备数据264。设备数据264包括基站120的网络调度数据、无线电资源管理数据、波束成形码本、应用和/或操作系统，它们可由处理器260执行以能够与UE 110通信。
CRM 262还包括梯度模块266。可选地或另外，梯度模块266能够全部或部分地被实现为与基站120的其它组件集成或分离的硬件逻辑或电路。在至少一些方面，梯度模块266配置LTE收发器256和5GNR收发器258以用于与UE 110通信。梯度模块266评估一个或多个梯度，并且生成用于优化蜂窝网络的一个或多个梯度报告消息，如参照图4进一步描述。能够使用梯度模块266执行的示例消息传递事务将参照图6被进一步描述。
基站120包括基站间接口268，诸如Xn和/或X2接口，以与另一基站120交换用户平面和控制平面数据，并且协调基站120与用户设备110之间的通信。基站120还包括核心网络接口270，以与核心网络功能和实体(包括网络优化控制器170)交换信息。
图3图示用于使用机器学习来优化蜂窝网络的网络优化控制器170的示例设备示意图300。网络优化控制器170包括一个或多个处理器310和计算机可读存储介质320(CRM320)。处理器310能够是由诸如硅、多晶硅、高K电介质、铜等各种材料组成的单核处理器或多核处理器。CRM 320不包括传播信号，并且包括任何适当的存储器或存储设备，诸如随机存取存储器(RAM)、静态RAM(SRAM)、动态RAM(DRAM)、非易失性RAM(NVRAM)、只读存储器(ROM)或可用于存储网络优化控制器170的数据的闪存。该数据能够包括网络拓扑数据330，其指定基站120的数量、附接到基站120(例如，与之通信)的UE 110的数量、基站120的位置、基站120的配置、基站120的能力、地形图、土地使用数据等。CRM 320还包括性能度量和网络配置参数选择器340、梯度请求生成器350、机器学习模块360和优化消息生成器370。
机器学习模块360使用一个或多个神经网络来实现。神经网络包括连接的节点组(例如，神经元或感知器)，它们被组织成一个或多个层。作为示例，机器学习模块360包括深度神经网络，其包括输入层、输出层以及被定位在输入层与输出层之间的一个或多个隐藏层。深度神经网络的节点能够在层之间部分连接或完全连接。
在一些实施方式中，神经网络是递归神经网络(例如，长短期记忆(LSTM)神经网络)，其中节点之间的连接形成循环以保留来自输入数据序列的先前部分的信息以用于输入数据序列的后续部分。在其他情况下，神经网络是前馈神经网络，其中节点之间的连接不形成循环。另外或可替代地，机器学习模块360包括另一类型的神经网络，诸如卷积神经网络。机器学习模块360还能够包括一种或多种类型的回归模型，诸如单个线性回归模型、多个线性回归模型、逻辑回归模型、逐步回归模型、多变量自适应回归样条、局部估计的散点图平滑模型等。
网络优化控制器170还包括基站接口380，以与基站120交换信息。性能度量和网络配置参数选择器340、梯度请求生成器350、机器学习模块360和优化消息生成器370的操作将参考图4被进一步描述。
使用机器学习来优化蜂窝网络
图4图示用于使用机器学习来优化蜂窝网络的网络优化控制器170的示例功能图400。性能度量和网络配置参数选择器340确定至少一个性能度量410以优化蜂窝网络(例如，图1的一个或多个无线电接入网络140)。性能度量410的示例类型包括频谱效率、网络容量、小区边缘容量、分组延迟、抖动、总网络干扰、信号与干扰加噪声比(SINR)、接收信号强度指示(RSSI)、参考信号接收功率(RSRP)、参考信号接收质量(RSRQ)、误码率(BER)、分组错误率、发射功率余量(transmit power headroom)和发射功率。
性能度量和网络配置参数选择器340还提出可以影响性能度量410的至少一个网络配置参数420。换句话说，特定网络配置参数420的改变可以引起测量性能度量410的改变。所提出的网络配置参数420表示一个或多个UE 110或一个或多个基站120的操作配置或操作配置中的改变。因为一些网络配置参数与其他网络配置参数交互，所以所提出的网络配置参数集合能够在指定的参数的数量上变化很大。
与UE 110相关联的网络配置参数420的示例类型包括上行链路发射功率配置、时分复用导频图案、数据音调功率(data tone power)、上行链路时隙分配百分比、子帧配置、多用户调度配置和随机接入配置。与基站120相关联的网络配置参数420的示例类型包括下行链路发射功率配置、天线阵列配置、相位编码间隔(PCI)、时分复用导频图案、数据音调功率、数据导频功率比、下行链路时隙分配百分比、子帧配置、切换配置和多用户调度配置。子帧配置的示例类型包括多媒体广播/多媒体服务(MBMS)子帧配置、时分双工(TDD)特殊子帧配置、特殊子帧配置、上行链路分配配置、下行链路分配配置、或保护期配置。
通常，性能度量和网络配置参数选择器340提供与由UE 110或基站120当前使用的当前网络配置参数420不同的建议网络配置参数420。在一些情况下，性能度量和网络配置参数选择器340提供所提议的网络配置参数集合420，其中该集合内的一个或多个网络配置参数420不同于由UE 110或基站120当前使用的对应的当前网络配置参数420。通常，UE 110和基站120能够利用许多不同类型的网络配置参数420来操作。因此，性能度量和网络配置参数选择器340能够提供一个或多个网络配置参数420，以用于递增地、顺序地或并发地评估多个梯度。
梯度请求生成器350生成至少一个梯度请求消息430，其包括性能度量410和所提出的网络配置参数420。网络优化控制器170向基站120发送梯度请求消息430。在一些情况下，梯度请求消息430指导基站120将梯度请求消息430传送到UE 110，如参照图5进一步描述的。
梯度请求消息430指导UE 110或基站120单独地评估性能度量410相对于所提出的网络配置参数420的梯度440(例如，斜率)。另外，梯度请求消息430指导UE 110或基站120单独地生成梯度报告消息450，以将所确定的梯度440提供给网络优化控制器170。梯度请求消息430能够被应用于单独的UE 110或基站120、UE 110或基站120的组、特定小区或地理位置内的UE 110或基站120等。在不同的情况下，基站120单独地将梯度请求消息430转发到UE110，或者将梯度请求消息430多播或广播到UE 110。
梯度440指定性能度量410的第一变化量(例如，增加或减小)相对于网络配置参数420的第二变化量。例如，梯度440指定在产生干扰的相邻基站120的发射功率水平中每分贝减少的频谱效率的增加量。频谱效率的第一增加量例如是以每赫兹每秒比特(bps/Hz)为单位。作为另一示例，梯度440指定UE 110或基站120的发射功率的每分贝增加的网络容量的增加量。在又一示例中，梯度440指定基站120的发射功率的每分贝降低的总网络干扰的降低。在一些情况下，梯度报告消息450分别包括UE 110或基站120的位置或标识符，以使机器学习模块360能够将梯度440与网络拓扑数据330相关联。
机器学习模块360分析由梯度报告消息450提供的梯度440，以确定至少一个优化网络配置参数460。具体地，机器学习模块360使用强化学习来基于梯度440优化与性能度量410相关联的效用函数或成本函数。使用诸如梯度上升或梯度下降的技术，机器学习模块360确定与效用函数或成本函数的局部最优值或全局最优值相关联的优化网络配置参数460(或参数集)。在一些情况下，机器学习模块360确定被应用于多个UE 110或多个基站120的单个优化网络配置参数460。可替代地或另外，机器学习模块360确定用于各个UE 110或各个基站120的相应优化网络配置参数460。
对于梯度上升或梯度下降，网络优化控制器170能够发送序列梯度请求消息430，其递增地改变用于评估梯度440的网络配置参数420。在一些情况下，该改变能够相对大以使机器学习模块360能够探索不同的局部最优值或标识全局最优值。在其他情况下，该改变能够相对较小，以使机器学习模块360能够接近特定最优值的峰值或谷值。
为了考虑短期环境改变，网络优化控制器170标识局部最优值，并基于该局部最优值确定优化网络配置参数460。为了考虑长期环境改变，网络优化控制器170标识全局最优值，并且基于全局最优值确定优化网络配置参数460。通常，所确定的优化网络配置参数460使效用函数的输出最大化或使成本函数的输出最小化。
在一些情况下，机器学习模块360为蜂窝网络内的不同实体(例如，为各个UE 110或为各个基站120)确定不同的优化网络配置参数460。可选地，机器学习模块360分析网络拓扑数据330，并且基于该网络拓扑数据330确定优化网络配置参数460。
优化消息生成器370生成优化消息470，其包括优化网络配置参数460。网络优化控制器170向基站120发送优化消息470。如果优化网络配置参数460与UE 110相关联，则网络优化控制器170指导基站120将优化消息470传递到UE 110，并且指导UE 110使用优化网络配置参数460，如图5所述。可替代地，如果优化网络配置参数460与基站120相关联，则网络优化控制器170指导基站120使用该优化网络配置参数460，如图6所述。
图5图示用于使用机器学习来优化蜂窝网络的网络优化控制器170、一个或多个基站120和一个或多个用户设备110之间的示例消息传递事务500。当网络优化控制器170选择与UE 110而不是与基站120相关联的一个或多个网络配置参数420时，这些消息传递事务发生。
在505，UE 110利用至少第一网络配置参数422进行操作。至少一个第一网络配置参数422能够包括第一上行链路发射功率配置、第一时分复用导频图案、第一数据音调功率、第一上行链路时隙分配百分比、第一子帧配置、第一多用户调度配置、第一随机接入配置或其某种组合。
在510，网络优化控制器170选择性能度量410和至少一个第二网络配置参数424，如上面参考图4所述。该至少一个第二网络配置参数424不同于该至少一个第一网络配置参数422。如果第二网络配置参数424包括网络配置参数420的集合，则该集合内的至少一个参数不同于由UE 110当前使用的第一网络配置参数422。第二网络配置参数424包括，例如，第二上行链路发射功率配置、第二相位编码间隔(PCI)、第二时分复用导频图案、第二数据音调功率、第二上行链路时隙分配百分比、第二子帧配置、第二多用户调度配置、第二随机接入配置或其某种组合。可替代地，至少一个第二网络配置参数424指定对至少一个第一网络配置参数422的增量改变。
在515，网络优化控制器170生成梯度请求消息430，并且将梯度请求消息430发送到基站120。梯度请求消息430包括性能度量410和至少一个第二网络配置参数424。
在520，基站120将梯度请求消息430传递到被附接到基站120(例如，与其通信)的UE 110。在一些情况下，基站120单独地将梯度请求消息430转发到不同的UE 110。在其它情况下，基站120向UE 110广播或多播梯度请求消息430。基站120向UE 110发送层3消息以指导UE 110评估梯度440。
在525，UE 110单独地评估性能度量410相对于第二网络配置参数424的梯度440。在一些情况下，基站120辅助UE 110确定梯度440。例如，如果第二网络配置参数424是第二上行链路发射功率配置，则在基站120测量性能度量410的同时UE 110根据第二上行链路发射功率配置进行操作。如上所述，第二网络配置参数424能够指定特定操作配置(例如，特定发射功率水平)或者应用于各个UE 110的相应操作配置的相对变化量(例如，增量发射功率水平)。
各种不同的技术能够被用于评估梯度440。在一个示例中，UE 110或基站120通过测量由UE 110从利用第一网络配置参数422进行操作切换到利用第二网络配置参数424进行操作引起的性能度量410的改变来确定梯度440。在这种情况下，梯度440基于两个数据点来确定。
为了提高梯度440的准确度，梯度请求消息430能够进一步指定在给定时间窗口上要被应用于第二网络配置参数424的递增变化量。在一些情况下，梯度请求消息430还指定应用这些改变的时间。这样，梯度请求消息430指导UE 110递增地调整第二网络配置参数424，并且确定得到的性能度量410。这使多于两个数据点能够被测量以确定梯度440。UE110能够应用诸如线性回归的回归技术来确定梯度440，并且相对于仅使用两个数据点来确定梯度440的技术来提高梯度440的准确度。
在530(或者作为评估过程525的协作版本的一部分)，UE 110向基站120发送梯度报告消息450。梯度报告消息450分别包括由UE 110确定的梯度440。
在535，基站120将梯度报告消息450传递到网络优化控制器170。
在540，网络优化控制器170使用机器学习来确定至少一个优化网络配置参数460，如以上参考图4所述。
在545，网络优化控制器170向基站120发送优化消息470。取决于机器学习模块360的输出和优化消息470的结构，不同的基站120可以接收不同的优化消息470，或者基站120可以接收相同的优化消息470。优化消息470包括至少一个优化网络配置参数460，并且可以指导基站120将优化消息470(可能以修改的格式)传递到UE 110。
在550，基站120将优化消息470传递到UE 110。与梯度请求消息430类似，每个基站120可以单独地向不同的UE 110发送优化消息470，或者可以向UE 110广播或多播单个优化消息。通过优化消息470，网络优化控制器170指导UE 110使用优化网络配置参数460。
在555，UE 110利用至少一个优化网络配置参数460进行操作。通过使用优化网络配置参数460，针对当前环境优化UE 110的性能。在一些情况下，优化消息470可以另外或可替代地包括一个或多个基站特定的优化网络配置参数460，如参考图6进一步描述的。
图6图示用于使用机器学习来优化蜂窝网络的网络优化控制器170与一个或多个基站120之间的示例消息传递事务600。在网络优化控制器170选择与基站120而不是UE 100相关联的一个或多个网络配置参数420时，这些消息传递事务发生。
在605，基站120利用至少一个第一网络配置参数422进行操作。至少一个第一网络配置参数422能够包括第一下行链路发射功率配置、第一天线阵列配置、第一PCI、第一时分复用导频图案、第一数据音调功率、第一数据导频功率比、第一下行链路时隙分配百分比、第一子帧配置、第一切换配置、第一多用户调度配置或其某种组合。
在610，网络优化控制器170选择性能度量410和至少一个第二网络配置参数424，如上面参考图4所述，第二网络配置参数424不同于第一网络配置参数422。如果第二网络配置参数424包括网络配置参数420集合，则该集合内的至少一个参数不同于由基站120当前使用的第一网络配置参数422。第二网络配置参数424包括，例如，第二下行链路发射功率配置、第二天线阵列配置、第二PCI、第二时分复用导频图案、第二数据音调功率、第二下行链路时隙分配百分比、第二子帧配置、第二切换配置、第二多用户调度配置或其某种组合。可替代地，第二网络配置参数424指定对第一网络配置参数422的增量改变。
在615，网络优化控制器170生成梯度请求消息430，并且将梯度请求消息430发送到一个或多个基站120。梯度请求消息430包括性能度量410和至少一个第二网络配置参数424。
在620，基站120单独地评估性能度量410相对于第二网络配置参数424的梯度440。在一些情况下，UE 110辅助基站120确定梯度440。例如，如果第二网络配置参数424是第二下行链路发射功率配置，则在UE 110测量性能度量410的同时基站120根据第二下行链路发射功率配置进行操作。如上所述，第二网络配置参数424能够指定特定操作配置(例如，特定发射功率水平)或者被应用于各个基站120的相应操作配置的相对变化量(例如，增量发射功率水平)。类似于图5中关于UE 110描述的技术，基站120能够使用两个数据点或多于两个数据点来确定梯度440。
在625，基站120向网络优化控制器170发送梯度报告消息450。该梯度报告消息450分别包括由基站120确定的梯度440。
在630，网络优化控制器170使用机器学习来确定至少一个优化网络配置参数460，如以上参考图4所述。
在635，网络优化控制器170向基站120发送优化消息470。取决于机器学习模块360的输出和优化消息470的结构，不同的基站120可以接收具有不同的优化网络配置参数460的不同的优化消息470，或者所有所分析的基站120可以接收具有相同的优化网络配置参数460的相同的优化消息470。优化消息470包括至少一个优化网络配置参数460，并且指导基站120使用优化网络配置参数460。
在640，基站120利用至少一个优化网络配置参数460进行操作。通过使用优化网络配置参数460，针对当前环境优化了基站120的性能。
在图5和图6中，网络优化控制器170能够周期性地或非周期性地发送多个梯度请求消息430，以动态地调整优化网络配置参数460并且考虑短期或长期环境改变。尽管未明确示出，但是网络优化控制器170还能够同时选择与UE 110相关联的网络配置参数420和与基站120相关联的网络配置参数420。以这种方式，网络优化控制器170评估由UE 110和基站120一起确定的梯度440，并且用于UE 110和基站120的得到的优化网络配置参数460进一步作为组而不是单独地优化这些实体的性能。
示例方法
图7图示用于使用机器学习来优化蜂窝网络的示例方法。方法700被示出为操作集合(或动作)，这些操作被执行但不一定限于其中图示这些操作的次序或组合。此外，可以重复、组合、重组、跳过或链接一个或多个操作中的任何一个，以提供各种各样的另外的和/或可替代的方法。在以下讨论的部分中，可以参考图1的环境100以及图2和3中详细描述的实体，对其的参考仅作为示例。技术不限于由在一个装置上操作的一个实体或多个实体执行。
在702，网络优化控制器确定用于对蜂窝网络进行优化的性能度量。例如，网络优化控制器170确定用于对蜂窝网络(例如，图1的一个或多个RAN140)进行优化的性能度量410，如上面参照图4所述。
在704，网络优化控制器确定影响性能度量的至少一个网络配置参数。例如，网络优化控制器170确定影响性能度量410的网络配置参数420，如上面参考图4所述。网络配置参数420能够与一个或多个UE 110、一个或多个基站120或其组合相关联。
在706，网络优化控制器向多个基站发送梯度请求消息，该梯度请求消息指导多个无线收发器分别评估性能度量相对于网络配置参数的梯度。例如，网络优化控制器170向基站120发送梯度请求消息430，如图5和6所示。
多个无线收发器能够包括一个或多个基站120、附接到基站120的一个或多个UE110、或其组合。梯度请求消息430指导UE 110和/或基站120分别评估性能度量410相对于网络配置参数420的梯度440，如图5和6所述，如果多个无线收发器包括一个或多个UE 110，则网络优化控制器指导多个基站将梯度请求消息传递到UE 110，如图5所示。
在708，网络优化控制器从多个基站接收由多个无线收发器生成的梯度报告消息。梯度报告消息分别包括梯度。例如，网络优化控制器170从基站120接收由UE 110和/或基站120生成的梯度报告消息450，如图5和6所示。梯度报告消息450分别包括梯度440。
在710，网络优化控制器使用机器学习来分析梯度以确定至少一个优化网络配置参数。例如，网络优化控制器170使用机器学习来分析梯度440，以确定至少一个优化网络配置参数460，如以上参照图4所述。该至少一个优化网络配置参数460能够包括与无线收发器组相关联的单个优化网络配置参数460或者与各个无线收发器相关联的多个优化网络配置参数460。
在712，网络优化控制器向多个基站中的至少一个发送优化消息，该优化消息指导多个无线收发器中的至少一个使用优化网络配置参数。例如，网络优化控制器170向至少一个基站120发送优化消息470，如图5和6所示。优化消息470指导至少一个UE 110和/或至少一个基站120使用优化网络配置参数460，如图5和6所示。如果多个无线收发器包括一个或多个UE 110，则网络优化控制器指导多个基站将优化消息470传递到UE 110，如图5所述。
在一段时间之后，网络优化控制器能够可选地重复704处的该方法，以基于关于第二网络配置参数所取的梯度来进一步优化先前选择的性能度量。可替代地，网络优化控制器能够重复在702的方法以选择第二性能度量。通过随着时间的流逝连续地评估梯度440，网络优化控制器170能够探索其他局部或全局最优值，并且针对短期或长期环境改变连续地优化蜂窝网络。
结论
尽管已经以特定于特征和/或方法的语言描述用于使用机器学习来优化蜂窝网络的技术，但是应当理解，所附权利要求的主题不必限于所描述的特定特征或方法。相反，这些具体特征和方法被公开作为使用机器学习来优化蜂窝网络的示例实施方式。
在移动电信网络中，机器学习系统使用梯度来优化通信。因此，需要方法和设备来有效地评估这些梯度。该问题通过具有示例1和11的特征的方法来解决。利用这些方法，一个或多个UE、一个或多个基站、或其组合基于网络配置参数来单独地评估性能度量。UE或基站向网络发送回梯度，使得该网络能够执行机器学习。
在下面以示例的形式公开一些实施例。
示例1：一种用于网络优化控制器的方法，该方法包括网络优化控制器：
确定用于对蜂窝网络进行优化的性能度量；
确定影响性能度量的至少一个网络配置参数；
向多个基站发送梯度请求消息，该梯度请求消息指导多个无线收发器分别评估性能度量相对于至少一个网络配置参数的梯度；
从多个基站接收由多个无线收发器生成的梯度报告消息，该梯度报告消息分别包括梯度；
使用机器学习来分析梯度以确定至少一个优化网络配置参数；以及
向多个基站中的至少一个基站发送优化消息，该优化消息指导多个无线收发器中的至少一个无线收发器使用至少一个优化网络配置参数。
示例2：根据示例1的方法，其中：
多个无线收发器包括多个基站。
示例3：根据示例2的方法，其中：
至少一个网络配置参数包括以下中的至少一个：
下行链路发射功率配置；
天线阵列配置；
相位编码间隔；
时分复用导频图案；
数据音调功率；
数据导频功率比；
下行链路时隙分配百分比；
子帧配置；
切换配置；或
多用户调度配置。
示例4：根据示例2或3的方法，其中：
性能度量包括以下中的至少一个：
频谱效率；
网络容量；
小区边缘容量；
分组延迟；
总网络干扰；
信号与干扰加噪声比；
接收信号强度指示；
参考信号接收功率；
参考信号接收质量；
误码率；
分组错误率；
抖动；
发射功率余量；或
发射功率。
示例5：根据示例1的方法，其中：
多个无线收发器包括与多个基站通信的多个用户设备；
向多个基站发送梯度请求消息指导多个基站将梯度请求消息传递到多个用户设备；以及
向多个基站中的至少一个基站发送优化消息指导多个基站中的至少一个基站将优化消息传递到多个用户设备中的至少一个用户设备。
示例6：根据示例5的方法，其中：
向多个基站发送梯度请求消息指导多个基站：
将梯度请求消息单独地转发到多个用户设备；
向多个用户设备广播梯度请求消息；或
将梯度请求消息多播到多个用户设备。
示例7：根据示例5或6的方法，其中：
至少一个网络配置参数包括以下中的至少一个：
上行链路发射功率配置；
时分复用导频图案；
数据音调功率；
上行链路时隙分配百分比；
子帧配置；
多用户调度配置；或
随机接入配置。
示例8：根据示例5至7中的任一个的方法，其中：
性能度量包括以下中的至少一个：
频谱效率；
网络容量；
分组延迟；
信号与干扰加噪声比；
接收信号强度指示；
参考信号接收功率；
参考信号接收质量；
误码率；
分组错误率；
抖动；
发射功率余量；或
发射功率。
示例9：根据示例1的方法，其中：
多个无线收发器包括多个基站中的至少一个第一基站和附接到多个基站中的至少一个第二基站的至少一个用户设备；
向多个基站发送梯度请求消息指导至少一个第二基站将梯度请求消息传递到至少一个用户设备；以及
向多个基站中的至少一个基站发送优化消息指导至少一个第二基站将优化消息传递到至少一个用户设备。
示例10：根据示例9的方法，其中：
确定至少一个网络配置参数包括：
确定影响性能度量的第一网络配置参数，该第一网络配置参数与至少一个用户设备相关联；以及
确定影响性能度量的第二网络配置参数，该第二网络配置参数与至少一个第一基站相关联；
发送梯度请求消息包括：
向至少一个第二基站发送第一梯度请求消息，该第一梯度请求消息指导至少一个第二基站将第一梯度请求消息传递到至少一个用户设备并且指导至少一个用户设备评估性能度量相对于第一网络配置参数的第一梯度并且生成梯度报告消息中的第一梯度报告消息；以及
向至少一个第一基站发送第二梯度请求消息，该第二梯度请求消息指导至少一个第一基站评估性能度量相对于第二网络配置参数的第二梯度并且生成梯度报告消息中的第二梯度报告消息；
分析梯度包括使用机器学习来一起分析第一梯度和第二梯度以确定与至少一个用户设备相关联的第一优化网络配置参数和与至少一个第一基站相关联的第二优化网络配置参数；以及
发送优化消息包括：
向至少一个第二基站发送第一优化消息，该第一优化消息指导至少一个第二基站将第一优化消息传递到至少一个用户设备并且指导至少一个用户设备使用第一优化网络配置参数；以及
向至少一个第一基站发送第二优化消息，该第二优化消息指导至少一个第一基站使用第二优化网络配置参数。
示例11：根据示例9或10的方法，其中：
该至少一个第一基站包括至少一个第二基站。
示例12：根据前述示例中的至少一个的方法，其中：
至少一个优化网络配置参数包括分别与多个无线收发器相关联的多个优化网络配置参数。
示例13：根据前述示例中的至少一个的方法，其中：
至少一个网络配置参数指定在发送梯度请求消息之前由多个无线收发器使用的当前网络配置参数的增量改变。
示例14：根据前述示例中的至少一个的方法，其中：
梯度包括性能度量的第一变化量相对于至少一个网络配置参数的第二变化量。
示例15：根据前述示例中的至少一个的方法，其中：
使用机器学习来分析梯度包括：
采用梯度下降来确定使成本函数最小化的至少一个优化网络配置参数；或
采用梯度上升来确定使效用函数最大化的至少一个优化网络配置参数。
示例16：根据示例15的方法，其中：
至少一个优化网络配置参数与成本函数或效用函数的局部最优值相关联。
示例17：根据示例15或16的方法，还包括：
确定与至少一个优化网络配置参数不同的至少一个第二网络配置参数；
向多个基站发送第二梯度请求消息，该第二梯度请求消息指导多个无线收发器分别评估性能度量相对于至少一个第二网络配置参数的第二梯度；
从多个基站接收由多个无线收发器生成的第二梯度报告消息，该第二梯度报告消息分别包括第二梯度；
使用机器学习来分析第二梯度以确定至少一个第二优化网络配置参数；以及
向多个基站中的至少一个基站发送第二优化消息，该第二优化消息指导多个无线收发器中的至少一个无线收发器使用至少一个第二优化网络配置参数。
示例18：根据示例17的方法，其中：
至少一个第二优化网络配置参数与成本函数或效用函数的全局最优值相关联。
示例19：根据前述示例中的至少一项的方法，还包括：
存储蜂窝网络的网络拓扑数据；以及
基于网络拓扑数据来确定至少一个优化网络配置参数。
示例20：一种网络优化控制器，包括：
处理器和存储器系统，其被配置为执行根据示例1-19中的任一项的方法。

Claims (15)

1.一种用于核心网络的网络优化控制器的方法，所述方法由所述网络优化控制器执行并且包括：
确定用于对蜂窝网络进行优化的性能度量；
确定影响所述性能度量的至少一个网络配置参数；
向多个基站发送梯度请求消息，所述梯度请求消息指导多个无线收发器分别评估所述性能度量相对于所述至少一个网络配置参数的梯度，所述至少一个网络配置参数指定所述多个无线收发器的各自操作配置，所述多个无线收发器包括用户设备和所述多个基站中的至少一个其他用户设备或基站，所述至少一个用户设备与所述多个基站中的至少一个基站进行通信；
从所述多个基站接收由所述多个无线收发器生成的梯度报告消息，所述梯度报告消息分别包括所述梯度，所述梯度指定所述性能度量的变化量相对于所述至少一个网络配置参数的变化量；
使用机器学习来分析所述梯度以确定至少一个优化网络配置参数，所述至少一个优化网络配置参数与关联于所述性能度量的函数的局部最优值或全局最优值相关联；以及
向所述多个基站中的至少一个基站发送优化消息，所述优化消息指导所述多个无线收发器中的至少一个无线收发器使用所述至少一个优化网络配置参数。
2.根据权利要求1所述的方法，其中：
所述至少一个网络配置参数包括与所述至少一个用户设备相关联的至少一个网络配置参数和/或与所述多个基站相关联的至少一个网络配置参数，与所述至少一个用户设备相关联的所述至少一个网络配置参数包括以下中的至少一个：
上行链路发射功率配置；
时分复用导频图案；
数据音调功率；
上行链路时隙分配百分比；
子帧配置；
多用户调度配置；或者
随机接入配置；以及
与所述多个基站(120)相关联的所述至少一个网络配置参数(420)包括以下中的至少一个：
下行链路发射功率配置；
天线阵列配置；
相位编码间隔；
时分复用导频图案；
数据音调功率；
数据导频功率比；
下行链路时隙分配百分比；
子帧配置；
切换配置；或者
多用户调度配置。
3.根据权利要求1所述的方法，其中：
所述性能度量包括以下中的至少一个：
频谱效率；
网络容量；
小区边缘容量；
分组延迟；
总网络干扰；
信号与干扰加噪声比；
接收信号强度指示；
参考信号接收功率；
参考信号接收质量；
误码率；
分组错误率；
抖动；
发射功率余量；或者
发射功率。
4.根据权利要求1所述的方法，其中：
所述多个无线收发器包括所述用户设备和第二用户设备；
向所述多个基站发送所述梯度请求消息指导所述多个基站以用于：
向所述用户设备和所述第二用户设备单独地转发所述梯度请求消息；
向所述用户设备和所述第二用户设备广播所述梯度请求消息；或
向所述用户设备和所述第二用户设备多播所述梯度请求消息。
5.根据权利要求1所述的方法，其中：
所述多个基站包括第一基站和第二基站；
所述多个无线收发器包括所述用户设备和实施第一基站；
所述用户设备被附接到所述第二基站；
向所述多个基站发送所述梯度请求消息指导所述第二基站将所述梯度请求消息传递到所述用户设备；以及
向所述多个基站中的至少一个基站发送所述优化消息指导所述第二基站将所述优化消息传递到所述用户设备。
6.根据权利要求5所述的方法，其中：
确定所述至少一个网络配置参数包括：
确定影响所述性能度量的第一网络配置参数，所述第一网络配置参数与所述用户设备相关联；以及
确定影响所述性能度量的第二网络配置参数，所述第二网络配置参数与所述第一基站相关联；
发送所述梯度请求消息包括：
向所述至少一个第二基站发送第一梯度请求消息，所述第一梯度请求消息指导所述第二基站将所述第一梯度请求消息传递到所述用户设备并且指导所述用户设备评估所述性能度量相对于所述第一网络配置参数的第一梯度并且生成所述梯度报告消息中的第一梯度报告消息；以及
向所述第一基站发送第二梯度请求消息，所述第二梯度请求消息指导所述第一基站评估所述性能度量相对于所述第二网络配置参数的第二梯度并且生成所述梯度报告消息中的第二梯度报告消息；
分析所述梯度包括使用机器学习来一起分析所述第一梯度和所述第二梯度以确定与所述用户设备相关联的第一优化网络配置参数和与所述第一基站相关联的第二优化网络配置参数；以及
发送所述优化消息包括：
向所述第二基站发送第一优化消息，所述第一优化消息指导所述第二基站将所述第一优化消息传递到所述用户设备并且指导所述用户设备使用所述第一优化网络配置参数；以及
向所述第一基站发送第二优化消息，所述第二优化消息指导所述第一基站使用所述第二优化网络配置参数。
7.根据权利要求5所述的方法，其中：
所述第一基站包括所述第二基站。
8.根据权利要求1所述的方法，其中：
所述至少一个优化网络配置参数包括分别与所述多个无线收发器相关联的多个优化网络配置参数。
9.根据权利要求1所述的方法，其中：
所述至少一个网络配置参数指定在发送所述梯度请求消息之前由所述多个无线收发器使用的当前网络配置参数的增量改变。
10.根据权利要求1所述的方法，其中：
确定所述至少一个优化网络配置参数包括：
采用梯度下降来确定使成本函数最小化的所述至少一个优化网络配置参数；或
采用梯度上升来确定使效用函数最大化的所述至少一个优化网络配置参数。
11.根据权利要求10所述的方法，其中：
所述至少一个优化网络配置参数与所述成本函数或所述效用函数的局部最优值相关联。
12.根据权利要求10所述的方法，还包括：
确定与所述至少一个优化网络配置参数不同的至少一个第二网络配置参数；
向所述多个基站发送第二梯度请求消息，所述第二梯度请求消息指导所述多个无线收发器分别评估所述性能度量相对于所述至少一个第二网络配置参数的第二梯度；
从所述多个基站接收由所述多个无线收发器生成的第二梯度报告消息，所述第二梯度报告消息分别包括所述第二梯度；
使用机器学习来分析所述第二梯度以确定至少一个第二优化网络配置参数；以及
向所述多个基站中的所述至少一个基站发送第二优化消息，所述第二优化消息指导所述多个无线收发器中的所述至少一个无线收发器使用所述至少一个第二优化网络配置参数。
13.根据权利要求12所述的方法，其中：
所述至少一个第二优化网络配置参数与所述成本函数或所述效用函数的全局最优值相关联。
14.根据权利要求1-13中的任一项所述的方法，还包括：
存储所述蜂窝网络的网络拓扑数据；以及
基于所述网络拓扑数据来确定所述至少一个优化网络配置参数。
15.一种网络优化控制器，包括：
处理器和存储器系统，其被配置为执行根据权利要求1-14中的任一项所述的方法。
CN202080047008.7A 2019-07-08 2020-06-22 使用机器学习优化蜂窝网络 Active CN114051748B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US201962871509P 2019-07-08 2019-07-08
US62/871,509 2019-07-08
PCT/US2020/038921 WO2021007019A1 (en) 2019-07-08 2020-06-22 Optimizing a cellular network using machine learning

Publications (2)

Publication Number Publication Date
CN114051748A CN114051748A (zh) 2022-02-15
CN114051748B true CN114051748B (zh) 2024-04-19

Family

ID=71528081

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202080047008.7A Active CN114051748B (zh) 2019-07-08 2020-06-22 使用机器学习优化蜂窝网络

Country Status (4)

Country Link
US (1) US12096246B2 (zh)
EP (2) EP4344287A1 (zh)
CN (1) CN114051748B (zh)
WO (1) WO2021007019A1 (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP4344287A1 (en) 2019-07-08 2024-03-27 Google Llc Optimizing a cellular network using machine learning
US12067487B2 (en) * 2020-04-21 2024-08-20 CACI, Inc.—Federal Method and apparatus employing distributed sensing and deep learning for dynamic spectrum access and spectrum sharing
US20220190990A1 (en) * 2020-12-16 2022-06-16 Qualcomm Incorporated Network-configured training procedure
CN115334529A (zh) * 2021-05-10 2022-11-11 中兴通讯股份有限公司 基站性能优化方法、装置、基站及存储介质
CN115915192A (zh) * 2021-08-20 2023-04-04 中兴通讯股份有限公司 网络优化方法、装置、电子设备和存储介质
CN115776443A (zh) * 2021-09-07 2023-03-10 华为技术有限公司 网络优化策略的确定方法、装置及系统
WO2023120768A1 (ko) * 2021-12-22 2023-06-29 엘지전자 주식회사 무선 통신 시스템에서 신호 전송을 위한 장치 및 방법
WO2023236933A1 (zh) * 2022-06-09 2023-12-14 华为技术有限公司 一种通信方法及装置
WO2024040617A1 (en) * 2022-08-26 2024-02-29 Qualcomm Incorporated Ml model generalization and specification

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB0614455D0 (en) * 2006-07-20 2006-08-30 Toshiba Res Europ Ltd Method for reconfiguration of polling in a wireless lan a wireless communication system
CN102572883A (zh) * 2010-12-16 2012-07-11 中国移动通信集团湖南有限公司 一种网络通信保障方法及装置
CN103108343A (zh) * 2011-11-15 2013-05-15 中国移动通信集团设计院有限公司 建立决策树的方法及装置、网络性能优化方法及装置
CN107728090A (zh) * 2017-08-29 2018-02-23 深圳先进技术研究院 一种优化平衡稳态自由进动序列的方法与装置
WO2018083671A1 (en) * 2016-11-04 2018-05-11 Deepmind Technologies Limited Reinforcement learning with auxiliary tasks
CN109614631A (zh) * 2018-10-18 2019-04-12 清华大学 基于强化学习和迁移学习的飞行器全自动气动优化方法

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR2974699B1 (fr) 2011-04-29 2013-06-14 Mentum Procede d'optimisation de la qualite d'un reseau cellulaire
GB2494107B (en) 2011-08-22 2017-03-29 Samsung Electronics Co Ltd Wireless communication
US8934930B2 (en) * 2011-10-27 2015-01-13 Telefonaktiebolaget L M Ericsson Adaptation of parameters in a communication network
US9661441B2 (en) 2013-04-17 2017-05-23 Telefonaktiebolaget Lm Ericsson (Publ) System and method to reduce radio resource management (RRM) related signaling in machine-to-machine (M2M) communications
US9204319B2 (en) * 2014-04-08 2015-12-01 Cellco Partnership Estimating long term evolution network capacity and performance
EP2934037B1 (en) * 2014-04-15 2016-04-13 Telefonaktiebolaget LM Ericsson (publ) Technique for Evaluation of a Parameter Adjustment in a Mobile Communications Network
US10158229B2 (en) * 2014-08-04 2018-12-18 California Institute Of Technology Distributed gradient descent for solving optimal power flow in radial networks
US9648591B2 (en) * 2014-08-12 2017-05-09 Amazon Technologies, Inc. Avoiding radio access network congestion
WO2018162069A1 (en) * 2017-03-09 2018-09-13 Huawei Technologies Co., Ltd. Computer system for distributed machine learning
US10334456B2 (en) * 2017-07-06 2019-06-25 Futurewei Technologies, Inc. Optimizing cellular networks using deep learning
KR102563752B1 (ko) * 2017-09-29 2023-08-04 삼성전자주식회사 뉴럴 네트워크를 위한 트레이닝 방법, 뉴럴 네트워크를 이용한 인식 방법 및 그 장치들
US10743147B2 (en) * 2017-10-30 2020-08-11 Apple Inc. Expanded implementation of enhanced broadcast multicast services for broadcast multicast content selection and service
EP4344287A1 (en) 2019-07-08 2024-03-27 Google Llc Optimizing a cellular network using machine learning

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB0614455D0 (en) * 2006-07-20 2006-08-30 Toshiba Res Europ Ltd Method for reconfiguration of polling in a wireless lan a wireless communication system
CN102572883A (zh) * 2010-12-16 2012-07-11 中国移动通信集团湖南有限公司 一种网络通信保障方法及装置
CN103108343A (zh) * 2011-11-15 2013-05-15 中国移动通信集团设计院有限公司 建立决策树的方法及装置、网络性能优化方法及装置
WO2018083671A1 (en) * 2016-11-04 2018-05-11 Deepmind Technologies Limited Reinforcement learning with auxiliary tasks
CN107728090A (zh) * 2017-08-29 2018-02-23 深圳先进技术研究院 一种优化平衡稳态自由进动序列的方法与装置
CN109614631A (zh) * 2018-10-18 2019-04-12 清华大学 基于强化学习和迁移学习的飞行器全自动气动优化方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
An Improved Brain Storming Optimization Algorithm for Estimating Parameters of Photovoltaic Models;Z. Yan, C. Li, Z. Song, L. Xiong and C. Luo;IEEE Access;20190612;全文 *
基于用户行为预测的无线通信网络资源分配优化研究;葛澎;信息科技;全文 *

Also Published As

Publication number Publication date
EP3997902B1 (en) 2024-04-24
KR20220016171A (ko) 2022-02-08
CN114051748A (zh) 2022-02-15
EP4344287A1 (en) 2024-03-27
WO2021007019A1 (en) 2021-01-14
US20220322107A1 (en) 2022-10-06
EP3997902A1 (en) 2022-05-18
US12096246B2 (en) 2024-09-17

Similar Documents

Publication Publication Date Title
CN114051748B (zh) 使用机器学习优化蜂窝网络
US10932235B2 (en) System and method for virtual multi-point transceivers
US20220294666A1 (en) Method for support of artificial intelligence or machine learning techniques for channel estimation and mobility enhancements
CN113545119B (zh) 具有功率节省功能的波束管理电子设备和方法
Ding et al. On the performance of practical ultra-dense networks: The major and minor factors
US11546907B2 (en) Optimization of 5G (fifth generation) beam coverage and capacity and NSI (network slice instance) resource allocation
Kang et al. A dual-connection based handover scheme for ultra-dense millimeter-wave cellular networks
US8159974B2 (en) Method of configuring interfaces between a plurality of communication nodes
Kerttula et al. Dynamic TDD in LTE small cells
US8199713B2 (en) Fractional frequency reuse in a communication system
Vanteru et al. Modeling and Simulation of propagation models for selected LTE propagation scenarios
US9226325B2 (en) Method for attaching a user terminal to a base station of a network
WO2022084110A1 (en) Group based beam reporting
Gao et al. Evaluating the impact of user behavior on D2D communications in millimeter-wave small cells
Gao et al. A load balancing scheme for supporting safety applications in heterogeneous software defined LTE-V networks
Razlighi et al. On distributed dynamic-TDD schemes for base stations with decoupled uplink-downlink transmissions
Kar et al. Dynamic packet duplication for reliable low latency communication under mobility in 5G NR-DC networks
KR102718919B1 (ko) 기계 학습을 사용한 셀룰러 네트워크 최적화
KR20240153414A (ko) 기계 학습을 사용한 셀룰러 네트워크 최적화
CN112492642A (zh) 基于干扰协调的传输方法和装置、存储介质及电子装置
CN114867069B (zh) 一种资源配置方法及设备
Chaudhari et al. A novel Q-learning assisted dynamic power sharing for dual connectivity scenario
US12004231B1 (en) Non-blind scheduling of a physical downlink control channel (PDCCH) control channel element (CCE) aggregation level (AL) for common search space (CSS)
US12088386B1 (en) Systems and methods for dynamic MIMO-mode switching based on user device mobility
Xu A distributed mode selection scheme for Device-to-Device communications

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