CN114125905A - 邻区关系确定方法和装置 - Google Patents

邻区关系确定方法和装置 Download PDF

Info

Publication number
CN114125905A
CN114125905A CN202210082856.2A CN202210082856A CN114125905A CN 114125905 A CN114125905 A CN 114125905A CN 202210082856 A CN202210082856 A CN 202210082856A CN 114125905 A CN114125905 A CN 114125905A
Authority
CN
China
Prior art keywords
cell
neural network
network model
training
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.)
Granted
Application number
CN202210082856.2A
Other languages
English (en)
Other versions
CN114125905B (zh
Inventor
姚海鹏
姬小媛
董涛
宫永康
忻向军
张尼
买天乐
韩宝磊
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.)
Beijing University of Posts and Telecommunications
Beijing Institute of Satellite Information Engineering
Original Assignee
Beijing University of Posts and Telecommunications
Beijing Institute of Satellite Information Engineering
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 Beijing University of Posts and Telecommunications, Beijing Institute of Satellite Information Engineering filed Critical Beijing University of Posts and Telecommunications
Priority to CN202210082856.2A priority Critical patent/CN114125905B/zh
Publication of CN114125905A publication Critical patent/CN114125905A/zh
Application granted granted Critical
Publication of CN114125905B publication Critical patent/CN114125905B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • 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
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/08—Configuration management of networks or network elements
    • H04L41/0803—Configuration setting
    • H04L41/0823—Configuration setting characterised by the purposes of a change of settings, e.g. optimising configuration for enhancing reliability
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/16—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks using machine learning or artificial intelligence

Abstract

本发明提供了一种邻区关系确定方法和装置，涉及通信的技术领域，包括：获取待处理小区对中每个小区的工参信息；基于工参信息，确定待处理小区对的目标数据特征；利用预设联合神经网络模型对目标数据特征进行处理，得到待处理小区对的邻区关系；本发明提供的邻区关系确定方法是一种基于深度神经网络学习实现邻区关系预测的方案，相比传统人工配置方式，能够节约大量劳动力成本，同时由于联合神经网络模型中每个独立神经网络模型的层级结构、训练阶段所使用的训练数据和激活函数区间各不相同，所以保证了网络间的独立性、非线性和随机性，进而降低了联合神经网络模型中的多个神经网络在同一样本点误判的风险，达到提升邻区关系预测准确率的效果。

Description

邻区关系确定方法和装置
技术领域
本发明涉及通信的技术领域，尤其是涉及一种邻区关系确定方法和装置。
背景技术
邻区优化是降低无线网络掉话率、提升网络总体质量的重要方式。用户设备在通信过程中，可能会从一个基站的覆盖范围移动至其相邻基站的覆盖范围，为保证通信业务的持续性，需要进行小区切换。而邻区配置优化的主要工作是为每个小区（也称蜂窝小区）维护一个合适的邻区列表，记录本小区的相邻小区。通过当前小区的邻区列表来发现和确定切换的目的小区，实现移动用户的不中断通信。
实际业务中，邻区配置优化工作量非常大，需要大量人力投入，人工配置过程的疏忽会导致邻区关系的错配、漏配，进而影响切换成功率和用户业务体验，甚至导致掉话现象。尤其在运营商级别的实际场景中，小区数量极为庞大，对于基站开站及日常运行过程，亟需一种更为智能和可靠的邻区关系确定方法，从而辅助进行邻区配置优化工作。
发明内容
本发明的目的在于提供一种邻区关系确定方法和装置，以降低了联合神经网络模型中的多个神经网络在同一样本点误判的风险，达到提升邻区关系预测准确率的效果。
第一方面，本发明提供一种邻区关系确定方法，包括：获取待处理小区对中每个小区的工参信息；基于所述工参信息，确定所述待处理小区对的目标数据特征；利用预设联合神经网络模型对所述目标数据特征进行处理，得到所述待处理小区对的邻区关系；其中，所述联合神经网络模型中包括至少三个独立神经网络模型，且每个所述独立神经网络模型的层级结构、训练阶段所使用的训练数据和激活函数区间，与所述联合神经网络模型中的其余独立神经网络模型不同。
在可选的实施方式中，所述工参信息包括：小区的经纬度信息、小区方位角、小区下倾角、小区所属基站的基站类型、所述基站的频带类型、所述基站的基站高度和所述基站的发射功率；所述基于所述工参信息，确定所述待处理小区对的目标数据特征，包括：基于所述待处理小区对中两个小区的经纬度信息，计算所述待处理小区对的小区距离；计算所述两个小区的第一目标工参信息的差值与均值的比值，并将所述比值的绝对值作为第一目标工参特征；其中，所述第一目标工参信息包括：所述小区方位角、所述小区下倾角、所述基站的基站高度和所述基站的发射功率；基于所述两个小区的第二目标工参信息的同异性，确定第二目标工参特征；其中，所述第二目标工参信息包括：所述基站的基站类型和所述基站的频带类型；基于所述小区距离、所述第一目标工参特征和所述第二目标工参特征，确定所述待处理小区对的目标数据特征。
在可选的实施方式中，所述预设联合神经网络模型中包括：第一独立神经网络模型、第二独立神经网络模型和第三独立神经网络模型；所述利用预设联合神经网络模型对所述目标数据特征进行处理，得到所述待处理小区对的邻区关系，包括：分别利用所述第一独立神经网络模型和所述第二独立神经网络模型对所述目标数据特征进行处理，得到第一邻区预测结果和第二邻区预测结果；判断所述第一邻区预测结果和所述第二邻区预测结果是否一致；若一致，则将一致的邻区预测结果作为所述待处理小区对的邻区关系；若不一致，则利用所述第三独立神经网络模型对所述目标数据特征进行处理，得到第三邻区预测结果，并将所述第三邻区预测结果作为所述待处理小区对的邻区关系。
在可选的实施方式中，所述利用预设联合神经网络模型对所述目标数据特征进行处理，得到所述待处理小区对的邻区关系，包括：利用所述预设联合神经网络模型中的每个独立神经网络模型对所述目标数据特征进行处理，得到多个邻区预测结果；将所述多个邻区预测结果中数量最多的结果作为所述待处理小区对的邻区关系。
在可选的实施方式中，所述方法还包括：获取多个训练数据集；其中，每个所述训练数据集与所述预设联合神经网络模型中的每个独立神经网络模型一一对应；每个所述训练数据集中包括：正训练样本集和负训练样本集；所述训练数据集中的每个训练样本包括：训练小区对的工参信息和所述训练小区对的邻区关系标签；对所述训练数据集中每个所述训练样本的工参信息进行处理，得到每个所述训练样本的训练数据特征；针对每个初始独立神经网络模型，利用相应的训练数据集中训练样本的训练数据特征和邻区关系标签，对所述初始独立神经网络进行训练，以得到目标独立神经网络模型；利用预设逻辑组合关系将多个所述目标独立神经网络模型进行组合，得到所述预设联合神经网络模型。
在可选的实施方式中，所述利用相应的训练数据集中训练样本的训练数据特征和邻区关系标签，对所述初始独立神经网络进行训练，包括：基于所述训练数据集构建多组训练样本对；其中，每组所述训练样本对中包括：一个正训练样本和一个负训练样本；利用多组所述训练样本对对所述初始独立神经网络进行多轮训练。
第二方面，本发明提供一种邻区关系确定装置，包括：第一获取模块，用于获取待处理小区对中每个小区的工参信息；确定模块，用于基于所述工参信息，确定所述待处理小区对的目标数据特征；第一处理模块，用于利用预设联合神经网络模型对所述目标数据特征进行处理，得到所述待处理小区对的邻区关系；其中，所述联合神经网络模型中包括至少三个独立神经网络模型，且每个所述独立神经网络模型的层级结构、训练阶段所使用的训练数据和激活函数区间，与所述联合神经网络模型中的其余独立神经网络模型不同。
在可选的实施方式中，所述工参信息包括：小区的经纬度信息、小区方位角、小区下倾角、小区所属基站的基站类型、所述基站的频带类型、所述基站的基站高度和所述基站的发射功率；所述确定模块具体用于：基于所述待处理小区对中两个小区的经纬度信息，计算所述待处理小区对的小区距离；计算所述两个小区的第一目标工参信息的差值与均值的比值，并将所述比值的绝对值作为第一目标工参特征；其中，所述第一目标工参信息包括：所述小区方位角、所述小区下倾角、所述基站的基站高度和所述基站的发射功率；基于所述两个小区的第二目标工参信息的同异性，确定第二目标工参特征；其中，所述第二目标工参信息包括：所述基站的基站类型和所述基站的频带类型；基于所述小区距离、所述第一目标工参特征和所述第二目标工参特征，确定所述待处理小区对的目标数据特征。
第三方面，本发明提供一种电子设备，包括存储器、处理器，所述存储器上存储有可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述前述实施方式中任一项所述的方法的步骤。
第四方面，本发明提供一种具有处理器可执行的非易失的程序代码的计算机可读介质，所述程序代码使所述处理器执行前述实施方式中任一项所述的方法。
本发明提供的邻区关系确定方法，包括：获取待处理小区对中每个小区的工参信息；基于工参信息，确定待处理小区对的目标数据特征；利用预设联合神经网络模型对目标数据特征进行处理，得到待处理小区对的邻区关系；其中，联合神经网络模型中包括至少三个独立神经网络模型，且每个独立神经网络模型的层级结构、训练阶段所使用的训练数据和激活函数区间，与联合神经网络模型中的其余独立神经网络模型不同。
本发明提供的邻区关系确定方法是一种基于深度神经网络学习实现邻区关系预测的方案，相比传统人工配置方式，能够节约大量劳动力成本，同时由于联合神经网络模型中每个独立神经网络模型的层级结构、训练阶段所使用的训练数据和激活函数区间各不相同，所以保证了网络间的独立性、非线性和随机性，进而降低了联合神经网络模型中的多个神经网络在同一样本点误判的风险，达到提升邻区关系预测准确率的效果。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种邻区关系确定方法的流程图；
图2为本发明实施例提供的一种预设联合神经网络模型的网络结构示意图；
图3为本发明实施例提供的一种邻区关系训练阶段的网络结构示意图；
图4为本发明实施例提供的一种神经网络前向预测示意图；
图5为本发明实施例提供的一种神经网络反向传播示意图；
图6为本发明实施例提供的一种将sigmoid(x)激活函数作为两个独立神经网络模型的激活函数的示意图；
图7为本发明实施例提供的一种现有的GBDT+LR方法、单个神经网络预测方法和本发明实施例的联合预测方法的预测结果准确率比较图；
图8为本发明实施例提供的一种邻区关系确定装置的功能模块图；
图9为本发明实施例提供的一种电子设备的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。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。
下面结合附图，对本发明的一些实施方式作详细说明。在不冲突的情况下，下述的实施例及实施例中的特征可以相互组合。
目前，邻区配置优化工作所存在的三个主要问题分别是漏配、多配和单向邻区。其中，漏配是指小区邻区列表缺少应有的邻区信息，将导致用户从当前小区切换出去时，无法发现并切换到下一个小区，可能会导致通信质量下降甚至掉话。多配是指小区邻区列表配置了冗余的、不应该形成邻区关系的邻区信息，将导致用户切换时延增大，但不会导致切换失败。单向邻区是指单向配置了本应成对配置的邻区关系，将导致两个小区间只有一个方向的用户切换能够成功。
邻区优化是提升网络质量的重要方式，实际运营环境下的小区数量极为庞大，邻区关系配置需要耗费大量人力，稍有不慎就会导致邻区配置的冗余和错配、漏配，增大网络切换的难度，影响网络切换的用户体验。有鉴于此，本发明实施例提供了一种邻区关系确定方法，用以缓解上文中所提出的技术问题，形成智能邻区关系判断能力，进而辅助构建高精度、大范围、多场景通用的邻区关系优化方案。
实施例一
图1为本发明实施例提供的一种邻区关系确定方法的流程图，如图1所示，该方法具体包括如下步骤：
步骤S102，获取待处理小区对中每个小区的工参信息。
具体的，要执行本发明实施例提供的邻区关系确定方法，首先要获取待处理小区对中每个小区的工参信息，其中，待处理小区对由待识别邻区关系的两个小区组成，例如，若小区A和小区B组成待处理小区对，那么本步骤即需要获取小区A的工参信息和小区B的工参信息，工参信息即工程参数信息，例如，小区的地理位置、小区的方位角、小区的下倾角、小区所属的基站信息等。工参信息是每个小区的固定配置信息，可从预设工参信息库中获取到。
步骤S104，基于工参信息，确定待处理小区对的目标数据特征。
现有的邻区配置方式选取若干小区工参信息形成特征，并逐个进行关系判断，当有更多的工参信息参与决策时，需要根据工参关系优先级重新设计判断流程，并重新决策，方案的可扩展性不高。鉴于工参信息的数据具有多样性，因此，为了提升邻区关系确定方法的可扩展性，本发明实施例将工参信息抽象为多维数据，也即，目标数据特征是将工参信息进行数字化处理之后得到的，所以即便邻区关系确定时所选取的工参信息发生变化，只需要修改可变的输入数据维数即可完成适配。
步骤S106，利用预设联合神经网络模型对目标数据特征进行处理，得到待处理小区对的邻区关系。
现有技术中多数是利用人工来确定小区对的邻区关系，因此数据量较大时，需要投入大量的人力和时间进行邻区关系判决，且受人为因素影响，难以避免出现漏配、错配的问题；另外，现有技术中也提出了利用机器学习方法来进行邻区配置的方式，例如，GBDT+LR，但经过实际验证发现，GBDT+LR方法所得到的邻区关系判定结果，其准确率难以满足实际要求。
本发明实施例提供的邻区关系确定方法，为了解决邻区关系判断结果可靠性的问题，采用深度学习的方式形成确定邻区关系的能力，提出了一种神经网络互联的联合判决方式，具体为利用预设联合神经网络模型对目标数据特征进行处理，得到待处理小区对的邻区关系，其中，联合神经网络模型中包括至少三个独立神经网络模型，且每个独立神经网络模型的层级结构、训练阶段所使用的训练数据和激活函数区间，与联合神经网络模型中的其余独立神经网络模型不同。邻区关系包括以下其中一种：存在邻区关系，不存在邻区关系。
单个深度神经网络存在表达和学习能力有限的问题，依靠单个神经网络实现较高预测准确率则需要更为复杂的网络结构和更为大量的数据，因此，利用满足准确率要求的单个深度神经网络模型进行邻区关系预测，其训练成本往往较高。本发明实施例采用独立深度神经网络间联合的方式，降低高精确度要求下的学习成本。具体的，本发明实施例所使用的联合神经网络模型中，每个独立神经网络模型的层级结构各不相同，从而保证了网络间的独立性；每个独立神经网络模型训练阶段所使用的训练数据各不相同，从而保证了网络间的随机性；每个独立神经网络模型训练阶段所使用的激活函数区间不同，从而保证了网络的非线性。
利用各神经网络间独立性、非线性和随机性的特点，能够显著提升关系预测准确度；通过网络互联关系降低网络结构的复杂度、训练网络所需的时间和数据量等成本。本发明采用深度学习方式形成确定邻区关系的能力，能够快速对真实数据进行学习并收敛，达到稳定的准确率，深度神经网络对邻区关系具有更好的表征能力，在可靠性上具有较大提升，在对海量小区进行邻区配置时具有较高的效率，同时有效地降低了小区切换时存在的风险。
本发明提供的邻区关系确定方法是一种基于深度神经网络学习实现邻区关系预测的方案，相比传统人工配置方式，能够节约大量劳动力成本，同时由于联合神经网络模型中每个独立神经网络模型的层级结构、训练阶段所使用的训练数据和激活函数区间各不相同，所以保证了网络间的独立性、非线性和随机性，进而降低了联合神经网络模型中的多个神经网络在同一样本点误判的风险，达到提升邻区关系预测准确率的效果。
在一个可选的实施方式中，工参信息包括：小区的经纬度信息、小区方位角、小区下倾角（电子下倾角与机械下倾角之和）、小区所属基站的基站类型、基站的频带类型、基站的基站高度和基站的发射功率。
上述步骤S104，基于工参信息，确定待处理小区对的目标数据特征，具体包括以下步骤：
步骤S1041，基于待处理小区对中两个小区的经纬度信息，计算待处理小区对的小区距离。
具体的，本发明实施例利用haversine公式计算待处理小区对的小区距离，其中，haversine距离计算公式为：
Figure P_220106182335362_362082001
，其中，
Figure P_220106182335427_427515002
，d表示待处理小区对的小区距离，也即，两个小区的距离；R表示地球半径；
Figure P_220106182335474_474391003
，
Figure P_220106182335505_505615004
分别表示待处理小区对中两个小区的纬度，
Figure P_220106182335536_536837005
表示待处理小区对中两个小区的经度差。利用上述haversine距离计算公式即可求解出d，在后续构建目标数据特征时可选择将其数据类型设置为double，双精度浮点数类型。
步骤S1042，计算两个小区的第一目标工参信息的差值与均值的比值，并将比值的绝对值作为第一目标工参特征。
为了使所有小区在配置邻区列表的过程中能保持完全双向的关系，解决单向邻区问题，本发明实施例采用计算差值与均值的比值，再取比值的绝对值的方式处理第一目标工参信息，其中，第一目标工参信息包括：小区方位角、小区下倾角、基站的基站高度和基站的发射功率。
为了便于理解，以小区方位角为例，要计算小区方位角对应的第一目标工参特征，首先计算待处理小区对中两个小区的方位角差值，以及两个小区的方位角均值，然后计算上述差值与均值的比值，最后取比值的绝对值作为小区方位角对应的第一目标工参特征。
因此，步骤S1042执行之后，第一目标工参特征包括4个参数的相应绝对值，在后续构建目标数据特征时可选择将上述4个绝对值的数据类型设置为double，双精度浮点数类型。
步骤S1043，基于两个小区的第二目标工参信息的同异性，确定第二目标工参特征。
其中，第二目标工参信息包括：基站的基站类型和基站的频带类型；
本发明实施例将基站的基站类型和频带类型也作为判别邻区关系的重要工参，基站类型例如TDD，FDD；频带类型band38，band39等，因此，在将基站类型和频带类型抽象成数据特征时，基站类型和频带类型选择由布尔类型进行表示，可选地，若类型相同则取值为0，类型不同，则取值为1。例如，若A小区所属的基站类型为TDD，B小区所属的基站类型为FDD，那么根据上述取值规则，基站类型对应的第二目标工参特征为1。
步骤S1044，基于小区距离、第一目标工参特征和第二目标工参特征，确定待处理小区对的目标数据特征。
本发明实施例将小区距离、第一目标工参特征和第二目标工参特征所组成的数据集合作为待处理小区对的目标数据特征。
经过对小区的覆盖类型、站点类型、频段、带宽、电子下倾角、机械下倾角等23种工参信息的测试可知，本发明实施例提供了一组可较好表征邻区关系的小区工参信息属性，并且，上述处理小区工参信息的方式可以辅助神经网络实现快速收敛和较高准确度，并避免单向邻区的配置。
在一个可选的实施方式中，预设联合神经网络模型中包括：第一独立神经网络模型、第二独立神经网络模型和第三独立神经网络模型；上述步骤S106，利用预设联合神经网络模型对目标数据特征进行处理，得到待处理小区对的邻区关系，具体包括如下步骤：
步骤S1061，分别利用第一独立神经网络模型和第二独立神经网络模型对目标数据特征进行处理，得到第一邻区预测结果和第二邻区预测结果。
步骤S1062，判断第一邻区预测结果和第二邻区预测结果是否一致。
若一致，则执行下述步骤S1063；若不一致，则执行下述步骤S1064。
步骤S1063，将一致的邻区预测结果作为待处理小区对的邻区关系。
步骤S1064，利用第三独立神经网络模型对目标数据特征进行处理，得到第三邻区预测结果，并将第三邻区预测结果作为待处理小区对的邻区关系。
具体的，图2为本发明实施例提供的一种预设联合神经网络模型的网络结构示意图，如果预设联合神经网络模型具体包括3个独立的神经网络模型，那么预设联合神经网络模型对目标数据特征进行处理的一种实施例为：首先利用3个独立的神经网络模型中的2个独立的神经网络模型分别对待处理小区对的目标数据特征（图2中的Dp）进行处理，第一独立神经网络模型输出第一邻区预测结果，第二独立神经网络模型输出第二邻区预测结果，然后判断两个邻区预测结果的一致性，如果一致，则无需再使用第三独立神经网络模型进行预测，直接将一致的邻区预测结果作为待处理小区对的邻区关系；否则，再利用第三独立神经网络模型对目标数据特征进行处理，并将其输出的第三邻区预测结果作为待处理小区对的邻区关系。
本发明实施例采用三个独立神经网络模型的组合方式实现联合预测，原因在于三个网络是不相关的。不相关的网络以极低的概率在相同样本点出错，假设训练得到的三个网络单个预测准确度都是90%，则以上述步骤S1061-S1064所提供的方式对待处理小区对的邻区关系进行判决，其出错的概率为：P=10%*10%+90%*10%*10%*2=2.8%，显然，通过三个完全独立的网络的相互组合，可以使单个90%准确度的网络提升到总体97.2%的准确度。单个网络由于神经元节点数量限制，因而表达能力有限，将单个网络训练到较好效果需要大量的训练数据量和训练时间，网络的组合可以很好地处理这种局限，降低深度学习的成本。
上文中介绍了当预设联合神经网络模型具体包括3个独立神经网络模型时，对目标数据特征进行处理，得到待处理小区对的邻区关系的一种可选实施方式，下面介绍一种在独立神经网络模型大于或者等于3的情况下，上述步骤S106，利用预设联合神经网络模型对目标数据特征进行处理，得到待处理小区对的邻区关系的另一种实施方式，具体的，包括如下内容：
首先，利用预设联合神经网络模型中的每个独立神经网络模型对目标数据特征进行处理，得到多个邻区预测结果；然后，将多个邻区预测结果中数量最多的结果作为待处理小区对的邻区关系。
在本发明实施例中，预设联合神经网络模型中独立神经网络模型之间的逻辑组合关系可以根据实际需求进行设定，上文步骤S1061-S1064所提供的方法诠释了一种可选的网络关系，另外，在独立神经网络模型数量大于等于3时，还可以同时使用预设联合神经网络模型中的所有独立神经网络模型对目标数据特征进行处理，然后遵循少数服从多数的规则确定预设联合神经网络模型的输出，利用上述方法确定模型输出结果时，为了避免出现平票的情况，应设定预设联合神经网络模型中的独立神经网络模型的数量为奇数个，例如，若预设联合神经网络模型中的独立神经网络模型为5个，对目标数据特征进行处理后，得出“待处理小区对是邻区关系”的预测结果有4个，得出“待处理小区对不是邻区关系”的预测结果有1个，则模型输出结果为“待处理小区对是邻区关系”。
预设联合神经网络模型中独立神经网络模型的数量越多，其训练成本越高，通过大量实验证明，使用3个独立神经网络模型训练后所组成的预设联合神经网络模型已经可满足模型输出的高准确度要求。
上文中对利用预设联合神经网络模型对待处理小区对的邻区关系进行预测的方法进行了详细的描述，下面对如何通过训练得到预设联合神经网络模型的方法记性具体介绍。
在一个可选的实施方式中，本发明方法还包括如下步骤：
步骤S201，获取多个训练数据集。
其中，每个训练数据集与预设联合神经网络模型中的每个独立神经网络模型一一对应；每个训练数据集中包括：正训练样本集和负训练样本集；训练数据集中的每个训练样本包括：训练小区对的工参信息和训练小区对的邻区关系标签。
一般的神经网络在训练时，由于数据样本相关性，难以形成多个独立的不相关网络，因此联合判决不能做到明显的性能提升。在本发明实施例中，每个训练数据集与预设联合神经网络模型中的每个独立神经网络模型是一一对应的，也即，各小区的邻区关系是相互独立的，独立的数据集为训练不相关网络提供了可能。除使用不同的训练数据集外，本发明实施例所使用的独立神经网络模型的网络神经元层级结构、初始化参数和所处的激活函数区间都进行了差异化，以保证网络间的独立性、非线性和随机性。
在本发明实施例中，训练数据集中的每个训练样本包括：训练小区对的工参信息和训练小区对的邻区关系标签，且每个训练数据集均由正训练样本集和负训练样本集组成，正训练样本是指训练小区对的邻区关系标签为“存在邻区关系”；负训练样本是指训练小区对的邻区关系标签为“不存在邻区关系”。
步骤S202，对训练数据集中每个训练样本的工参信息进行处理，得到每个训练样本的训练数据特征。
在得到训练数据集之后，需要分别对每个训练样本的工参信息进行处理，以得到相应的训练数据特征，对工参信息进行处理的方法可参考上文中步骤S1041-步骤S1044，此处不再赘述。
步骤S203，针对每个初始独立神经网络模型，利用相应的训练数据集中训练样本的训练数据特征和邻区关系标签，对初始独立神经网络进行训练，以得到目标独立神经网络模型。
具体的，图3示出了一种邻区关系训练阶段的网络结构示意图，图3中，三个初始独立神经网络模型采用不同的层级结构对工参信息进行表征，Dt表示训练数据集（train），Dt1，Dt2，Dt3表示三个完全不同的正训练样本集，也即，Dt1，Dt2，Dt3中每个训练样本的邻区关系标签均为0；Dt1’，Dt2’，Dt3’表示三个完全不同的负训练样本集，也即，Dt1’，Dt2’，Dt3’中每个训练样本的邻区关系标签均为1。对不同初始独立神经网络模型采用不同训练数据集以保证网络训练的随机性，减少网络相关性，减少不同网络在预测时对相同小区关系错判的可能性。
下面以对其中任一初始独立神经网络模型进行训练为例，对模型训练过程进行说明，首先，初始独立神经网络模型将进行如图4所示的神经网络前向预测，然后再执行如图5所示的神经网络反向传播。图4中，W1和b1表示第一层神经网络的参数，W2和b2表示第二层神经网络的参数。f1(x)和f2(x)表示非线性激活函数。本发明实施例不对初始独立神经网络模型中神经网络的层数进行具体限定，用户可以根据实际需求进行设置。
第一层神经网络的输入为h1，表示训练样本的训练数据特征，第一层神经网络的输出a1=W1*h1+b1，第二层神经网络的输入h2=f1(a1)，以此类推，得到第二层神经网络的输出h3。接下来，对连续值h3进行离散化处理即可得到前向预测结果y，y=0表示小区对之间存在邻区关系，y=1表示小区对之间不存在邻区关系，离散化的方法可以通过设置预设阈值的方式实现，例如，超过预设阈值则取值为0，否则为1。本发明实施例不对离散化的方法进行具体限定，用户可以根据实际需求进行选择。
在得到前向预测结果之后，反向传播阶段依靠链式求导法则∂y/∂x=（∂y/∂h）*（∂h/∂x）计算误差函数Loss对各参数的导数，使参数W和b在误差函数Loss减少的方向上进行更新，达到网络学习的效果，其中，训练小区对的邻区关系标签用来计算预测误差的特征，监督网络学习过程。在使用训练样本进行多次迭代后，神经网络模型即收敛到恰当参数，可以进行邻区关系预测。本发明实施例使用深度神经网络对现有邻区关系数据进行学习，通过神经网络反向传播过程自动调整网络权重和偏置参数值，不断降低预测误差，形成对邻区关系的确定能力。
可选地，上述初始独立神经网络模型可采用sigmoid(x)作为激活函数，通过上文中的描述可知，本发明实施例要求独立神经网络模型所处的激活函数区间需要进行差异化，那么可以选择不同独立神经网络模型采用不同的激活函数，或者也可以通过将数据特征分别构造为正值区间和负值区间，使两个不同神经网络处于激活函数不同的激活区间。图6示出了将sigmoid(x)激活函数作为两个独立神经网络模型的激活函数的示意图。将数据特征构造为负值区间只需将按照上述步骤S1044所得到的数据特征整体取负值即可实现。
步骤S204，利用预设逻辑组合关系将多个目标独立神经网络模型进行组合，得到预设联合神经网络模型。
本发明实施例不对训练完成的独立神经网络模型的逻辑组合关系进行具体的限定，用户可以根据实际需求进行设置，也可参考上文中所提供的可选实施方式。
在一个可选的实施方式中，上述步骤S203中，利用相应的训练数据集中训练样本的训练数据特征和邻区关系标签，对初始独立神经网络进行训练，具体包括如下步骤：
步骤S2031，基于训练数据集构建多组训练样本对。
其中，每组训练样本对中包括：一个正训练样本和一个负训练样本。
步骤S2032，利用多组训练样本对对初始独立神经网络进行多轮训练。
具体的，小区对数据信息可以看做独立的无关数据，这提供了训练不相关网络的可能，但与此同时，过度学习某个标签值的数据会影响网络对另一个标签的预测情况，基于此问题，本发明实施例对网络学习过程进行了针对性的设计，避免对一个标签的学习成果覆盖网络对另一个标签的记忆。
在本发明实施例中，为了防止深度神经网络对邻区关系或非邻区关系中的数据形成过拟合，本发明实施例采用轮流训练的方式，正训练样本负训练样本交替学习，防止对某个标签的数据的过拟合导致网络对另一个标签的预测效果变差。具体来说，在每轮训练中，使网络分别对标签为0和1的两条数据进行训练，保证在多轮学习过程中，学习到的标签为0和1的数据比例为1:1，以使网络对两种数据都保持良好的识别度。
发明人还对本发明实施例提供的邻区关系确定方法进行了功能验证，具体为测试两个省份的4G小区实际数据样本，将利用现有的GBDT+LR方法、单个神经网络预测方法和本发明实施例的联合预测方法的预测结果进行比较，其预测结果准确率如图7所示，根据图7所示的结果可知，对比现有的GBDT+LR机器学习算法，本发明方法能够实现准确率的提升，降低错配、漏配风险，具有更好的可靠性。
综上所述，本发明实施例采用的预设联合神经网络模型对邻区关系具有较好表征能力，在实际场景海量小区背景下，能将准确率提高到90%以上，显著降低漏配和错配问题，将误差控制在可接受范围内。相比于传统人工进行邻区配置的方式，本发明能够节约大量劳动力成本，且具有更好的便捷性、可靠性和可扩展性；相比于目前GBDT+LR等机器学习进行邻区配置的方式，本发明具有更高的可靠性。
实施例二
本发明实施例还提供了一种邻区关系确定装置，该邻区关系确定装置主要用于执行上述实施例一所提供的邻区关系确定方法，以下对本发明实施例提供的邻区关系确定装置做具体介绍。
图8是本发明实施例提供的一种邻区关系确定装置的功能模块图，如图8所示，该装置主要包括：第一获取模块10，确定模块20，第一处理模块30，其中：
第一获取模块10，用于获取待处理小区对中每个小区的工参信息。
确定模块20，用于基于工参信息，确定待处理小区对的目标数据特征。
第一处理模块30，用于利用预设联合神经网络模型对目标数据特征进行处理，得到待处理小区对的邻区关系；其中，联合神经网络模型中包括至少三个独立神经网络模型，且每个独立神经网络模型的层级结构、训练阶段所使用的训练数据和激活函数区间，与联合神经网络模型中的其余独立神经网络模型不同。
本发明提供的邻区关系确定装置所执行的邻区关系确定方法是一种基于深度神经网络学习实现邻区关系预测的方案，相比传统人工配置方式，能够节约大量劳动力成本，同时由于联合神经网络模型中每个独立神经网络模型的层级结构、训练阶段所使用的训练数据和激活函数区间各不相同，所以保证了网络间的独立性、非线性和随机性，进而降低了联合神经网络模型中的多个神经网络在同一样本点误判的风险，达到提升邻区关系预测准确率的效果。
可选地，工参信息包括：小区的经纬度信息、小区方位角、小区下倾角、小区所属基站的基站类型、基站的频带类型、基站的基站高度和基站的发射功率；确定模块20具体用于：
基于待处理小区对中两个小区的经纬度信息，计算待处理小区对的小区距离。
计算两个小区的第一目标工参信息的差值与均值的比值，并将比值的绝对值作为第一目标工参特征；其中，第一目标工参信息包括：小区方位角、小区下倾角、基站的基站高度和基站的发射功率。
基于两个小区的第二目标工参信息的同异性，确定第二目标工参特征；其中，第二目标工参信息包括：基站的基站类型和基站的频带类型。
基于小区距离、第一目标工参特征和第二目标工参特征，确定待处理小区对的目标数据特征。
可选地，预设联合神经网络模型中包括：第一独立神经网络模型、第二独立神经网络模型和第三独立神经网络模型；第一处理模块30包括：
第一处理单元，用于分别利用第一独立神经网络模型和第二独立神经网络模型对目标数据特征进行处理，得到第一邻区预测结果和第二邻区预测结果。
判断单元，用于判断第一邻区预测结果和第二邻区预测结果是否一致。
第一确定单元，用于在邻区预测结果一致的情况下，将一致的邻区预测结果作为待处理小区对的邻区关系。
第二确定单元，用于在邻区预测结果不一致的情况下，利用第三独立神经网络模型对目标数据特征进行处理，得到第三邻区预测结果，并将第三邻区预测结果作为待处理小区对的邻区关系。
可选地，第一处理模块30还包括：
第二处理单元，用于利用预设联合神经网络模型中的每个独立神经网络模型对目标数据特征进行处理，得到多个邻区预测结果。
第三确定单元，用于将多个邻区预测结果中数量最多的结果作为待处理小区对的邻区关系。
可选地，该装置还包括：
第二获取模块，用于获取多个训练数据集；其中，每个训练数据集与预设联合神经网络模型中的每个独立神经网络模型一一对应；每个训练数据集中包括：正训练样本集和负训练样本集；训练数据集中的每个训练样本包括：训练小区对的工参信息和训练小区对的邻区关系标签。
第二处理模块，用于对训练数据集中每个训练样本的工参信息进行处理，得到每个训练样本的训练数据特征。
训练模块，用于针对每个初始独立神经网络模型，利用相应的训练数据集中训练样本的训练数据特征和邻区关系标签，对初始独立神经网络进行训练，以得到目标独立神经网络模型。
组合模块，用于利用预设逻辑组合关系将多个目标独立神经网络模型进行组合，得到预设联合神经网络模型。
可选地，训练模块具体用于：
基于训练数据集构建多组训练样本对；其中，每组训练样本对中包括：一个正训练样本和一个负训练样本。
利用多组训练样本对对初始独立神经网络进行多轮训练。
实施例三
参见图9，本发明实施例提供了一种电子设备，该电子设备包括：处理器60，存储器61，总线62和通信接口63，所述处理器60、通信接口63和存储器61通过总线62连接；处理器60用于执行存储器61中存储的可执行模块，例如计算机程序。
其中，存储器61可能包含高速随机存取存储器（RAM，Random Access Memory），也可能还包括非不稳定的存储器（non-volatile memory），例如至少一个磁盘存储器。通过至少一个通信接口63（可以是有线或者无线）实现该系统网元与至少一个其他网元之间的通信连接，可以使用互联网，广域网，本地网，城域网等。
总线62可以是ISA总线、PCI总线或EISA总线等。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9中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。
其中，存储器61用于存储程序，所述处理器60在接收到执行指令后，执行所述程序，前述本发明实施例任一实施例揭示的流过程定义的装置所执行的方法可以应用于处理器60中，或者由处理器60实现。
处理器60可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器60中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器60可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(Digital SignalProcessing，简称DSP)、专用集成电路(Application Specific Integrated Circuit，简称ASIC)、现成可编程门阵列(Field-Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器61，处理器60读取存储器61中的信息，结合其硬件完成上述方法的步骤。
本发明实施例所提供的一种邻区关系确定方法和装置的计算机程序产品，包括存储了处理器可执行的非易失的程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行前面方法实施例中所述的方法，具体实现可参见方法实施例，在此不再赘述。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。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或者该技术方案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中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，或者是该发明产品使用时惯常摆放的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
此外，术语“水平”、“竖直”、“悬垂”等术语并不表示要求部件绝对水平或悬垂，而是可以稍微倾斜。如“水平”仅仅是指其方向相对“竖直”而言更加水平，并不是表示该结构一定要完全水平，而是可以稍微倾斜。
在本发明的描述中，还需要说明的是，除非另有明确的规定和限定，术语“设置”、“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (10)

1.一种邻区关系确定方法，其特征在于，包括：
获取待处理小区对中每个小区的工参信息；
基于所述工参信息，确定所述待处理小区对的目标数据特征；
利用预设联合神经网络模型对所述目标数据特征进行处理，得到所述待处理小区对的邻区关系；其中，所述联合神经网络模型中包括至少三个独立神经网络模型，且每个所述独立神经网络模型的层级结构、训练阶段所使用的训练数据和激活函数区间，与所述联合神经网络模型中的其余独立神经网络模型不同。
2.根据权利要求1所述的方法，其特征在于，所述工参信息包括：小区的经纬度信息、小区方位角、小区下倾角、小区所属基站的基站类型、所述基站的频带类型、所述基站的基站高度和所述基站的发射功率；
所述基于所述工参信息，确定所述待处理小区对的目标数据特征，包括：
基于所述待处理小区对中两个小区的经纬度信息，计算所述待处理小区对的小区距离；
计算所述两个小区的第一目标工参信息的差值与均值的比值，并将所述比值的绝对值作为第一目标工参特征；其中，所述第一目标工参信息包括：所述小区方位角、所述小区下倾角、所述基站的基站高度和所述基站的发射功率；
基于所述两个小区的第二目标工参信息的同异性，确定第二目标工参特征；其中，所述第二目标工参信息包括：所述基站的基站类型和所述基站的频带类型；
基于所述小区距离、所述第一目标工参特征和所述第二目标工参特征，确定所述待处理小区对的目标数据特征。
3.根据权利要求1所述的方法，其特征在于，所述预设联合神经网络模型中包括：第一独立神经网络模型、第二独立神经网络模型和第三独立神经网络模型；
所述利用预设联合神经网络模型对所述目标数据特征进行处理，得到所述待处理小区对的邻区关系，包括：
分别利用所述第一独立神经网络模型和所述第二独立神经网络模型对所述目标数据特征进行处理，得到第一邻区预测结果和第二邻区预测结果；
判断所述第一邻区预测结果和所述第二邻区预测结果是否一致；
若一致，则将一致的邻区预测结果作为所述待处理小区对的邻区关系；
若不一致，则利用所述第三独立神经网络模型对所述目标数据特征进行处理，得到第三邻区预测结果，并将所述第三邻区预测结果作为所述待处理小区对的邻区关系。
4.根据权利要求1所述的方法，其特征在于，所述利用预设联合神经网络模型对所述目标数据特征进行处理，得到所述待处理小区对的邻区关系，包括：
利用所述预设联合神经网络模型中的每个独立神经网络模型对所述目标数据特征进行处理，得到多个邻区预测结果；
将所述多个邻区预测结果中数量最多的结果作为所述待处理小区对的邻区关系。
5.根据权利要求1所述的方法，其特征在于，所述方法还包括：
获取多个训练数据集；其中，每个所述训练数据集与所述预设联合神经网络模型中的每个独立神经网络模型一一对应；每个所述训练数据集中包括：正训练样本集和负训练样本集；所述训练数据集中的每个训练样本包括：训练小区对的工参信息和所述训练小区对的邻区关系标签；
对所述训练数据集中每个所述训练样本的工参信息进行处理，得到每个所述训练样本的训练数据特征；
针对每个初始独立神经网络模型，利用相应的训练数据集中训练样本的训练数据特征和邻区关系标签，对所述初始独立神经网络进行训练，以得到目标独立神经网络模型；
利用预设逻辑组合关系将多个所述目标独立神经网络模型进行组合，得到所述预设联合神经网络模型。
6.根据权利要求5所述的方法，其特征在于，所述利用相应的训练数据集中训练样本的训练数据特征和邻区关系标签，对所述初始独立神经网络进行训练，包括：
基于所述训练数据集构建多组训练样本对；其中，每组所述训练样本对中包括：一个正训练样本和一个负训练样本；
利用多组所述训练样本对对所述初始独立神经网络进行多轮训练。
7.一种邻区关系确定装置，其特征在于，包括：
第一获取模块，用于获取待处理小区对中每个小区的工参信息；
确定模块，用于基于所述工参信息，确定所述待处理小区对的目标数据特征；
第一处理模块，用于利用预设联合神经网络模型对所述目标数据特征进行处理，得到所述待处理小区对的邻区关系；其中，所述联合神经网络模型中包括至少三个独立神经网络模型，且每个所述独立神经网络模型的层级结构、训练阶段所使用的训练数据和激活函数区间，与所述联合神经网络模型中的其余独立神经网络模型不同。
8.根据权利要求7所述的装置，其特征在于，所述工参信息包括：小区的经纬度信息、小区方位角、小区下倾角、小区所属基站的基站类型、所述基站的频带类型、所述基站的基站高度和所述基站的发射功率；
所述确定模块具体用于：
基于所述待处理小区对中两个小区的经纬度信息，计算所述待处理小区对的小区距离；
计算所述两个小区的第一目标工参信息的差值与均值的比值，并将所述比值的绝对值作为第一目标工参特征；其中，所述第一目标工参信息包括：所述小区方位角、所述小区下倾角、所述基站的基站高度和所述基站的发射功率；
基于所述两个小区的第二目标工参信息的同异性，确定第二目标工参特征；其中，所述第二目标工参信息包括：所述基站的基站类型和所述基站的频带类型；
基于所述小区距离、所述第一目标工参特征和所述第二目标工参特征，确定所述待处理小区对的目标数据特征。
9.一种电子设备，包括存储器、处理器，所述存储器上存储有可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现上述权利要求1至6中任一项所述的方法的步骤。
10.一种具有处理器可执行的非易失的程序代码的计算机可读介质，其特征在于，所述程序代码使所述处理器执行权利要求1至6中任一项所述的方法。
CN202210082856.2A 2022-01-25 2022-01-25 邻区关系确定方法和装置 Active CN114125905B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210082856.2A CN114125905B (zh) 2022-01-25 2022-01-25 邻区关系确定方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210082856.2A CN114125905B (zh) 2022-01-25 2022-01-25 邻区关系确定方法和装置

Publications (2)

Publication Number Publication Date
CN114125905A true CN114125905A (zh) 2022-03-01
CN114125905B CN114125905B (zh) 2022-04-15

Family

ID=80361263

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210082856.2A Active CN114125905B (zh) 2022-01-25 2022-01-25 邻区关系确定方法和装置

Country Status (1)

Country Link
CN (1) CN114125905B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105184678A (zh) * 2015-09-18 2015-12-23 齐齐哈尔大学 基于多种神经网络组合算法的光伏电站发电量短期预测模型的构建方法
US20170161608A1 (en) * 2013-12-06 2017-06-08 International Business Machines Corporation Method and system for joint training of hybrid neural networks for acoustic modeling in automatic speech recognition
CN109803222A (zh) * 2018-12-13 2019-05-24 北京市天元网络技术股份有限公司 无线小区性能指标预测方法及装置
CN110991652A (zh) * 2019-12-02 2020-04-10 北京迈格威科技有限公司 神经网络模型训练方法、装置及电子设备
CN111372255A (zh) * 2020-02-13 2020-07-03 北京联合大学 一种基于图卷积神经网络的邻区关系预测方法及系统
CN111405585A (zh) * 2020-03-19 2020-07-10 北京联合大学 一种基于卷积神经网络的邻区关系预测方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170161608A1 (en) * 2013-12-06 2017-06-08 International Business Machines Corporation Method and system for joint training of hybrid neural networks for acoustic modeling in automatic speech recognition
CN105184678A (zh) * 2015-09-18 2015-12-23 齐齐哈尔大学 基于多种神经网络组合算法的光伏电站发电量短期预测模型的构建方法
CN109803222A (zh) * 2018-12-13 2019-05-24 北京市天元网络技术股份有限公司 无线小区性能指标预测方法及装置
CN110991652A (zh) * 2019-12-02 2020-04-10 北京迈格威科技有限公司 神经网络模型训练方法、装置及电子设备
CN111372255A (zh) * 2020-02-13 2020-07-03 北京联合大学 一种基于图卷积神经网络的邻区关系预测方法及系统
CN111405585A (zh) * 2020-03-19 2020-07-10 北京联合大学 一种基于卷积神经网络的邻区关系预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
段友祥等: "联合神经网络在储层参数预测中的研究与应用", 《测井技术》 *

Also Published As

Publication number Publication date
CN114125905B (zh) 2022-04-15

Similar Documents

Publication Publication Date Title
CN111867049B (zh) 定位方法、装置及存储介质
CN113379176B (zh) 电信网络异常数据检测方法、装置、设备和可读存储介质
CN112512069B (zh) 基于信道波束图样的网络智能优化方法及装置
CN110996365B (zh) 一种基于多目标优化模型的异构网络垂直切换算法及系统
CN114071525B (zh) 基站优化次序确定方法、装置及存储介质
CN111122222B (zh) 一种样本点位置确定方法及系统
CN113962161A (zh) 基于黑寡妇优化算法的最优QoS服务选择方法及装置
CN114125905B (zh) 邻区关系确定方法和装置
CN110392414A (zh) 无线网络连接方法及终端设备
CN117241295B (zh) 一种无线通信网络性能优化方法、装置及存储介质
CN114422438B (zh) 电力通信网络的链路调节方法及装置
CN115001937B (zh) 面向智慧城市物联网的故障预测方法及装置
CN115660882A (zh) 社交网络中用户间关系预测方法及多头混合聚合图卷积网络
CN107172170A (zh) 基于无线传感器网络的农产品储运控制系统
CN112468963A (zh) 无线传感器网络连通性修复方法、装置、设备及存储介质
CN108462608B (zh) 基于多智能体进化算法的无线传感器网络寿命优化方法
CN106685512B (zh) 基于分布式星群的数据传输方法和装置
Lee et al. Neural architecture search for computation offloading of dnns from mobile devices to the edge server
CN117058000B (zh) 用于图像超分辨率的神经网络架构搜索方法及装置
CN108055665A (zh) 一种基于改进多目标pso优化的目标信道访问方法
CN117195821B (zh) 时钟树综合方法、电子设备及存储介质
CN114090203A (zh) 配用电物联网边缘计算任务卸载方法、装置及系统
CN117251276B (zh) 一种面向协作学习平台的灵活调度方法及装置
CN116822675A (zh) 满意度预测方法、装置及存储介质
CN115801602A (zh) 访问量预警方法、装置、电子设备和存储介质

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