CN114126025B - 用于车载终端的功率调整方法、车载终端和服务器 - Google Patents

用于车载终端的功率调整方法、车载终端和服务器 Download PDF

Info

Publication number
CN114126025B
CN114126025B CN202111289669.3A CN202111289669A CN114126025B CN 114126025 B CN114126025 B CN 114126025B CN 202111289669 A CN202111289669 A CN 202111289669A CN 114126025 B CN114126025 B CN 114126025B
Authority
CN
China
Prior art keywords
vehicle
mounted terminal
sample
processed
channel
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
CN202111289669.3A
Other languages
English (en)
Other versions
CN114126025A (zh
Inventor
肖征荣
张丽云
田新雪
李朝霞
邢建兵
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.)
China United Network Communications Group Co Ltd
Original Assignee
China United Network Communications Group 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 China United Network Communications Group Co Ltd filed Critical China United Network Communications Group Co Ltd
Priority to CN202111289669.3A priority Critical patent/CN114126025B/zh
Publication of CN114126025A publication Critical patent/CN114126025A/zh
Application granted granted Critical
Publication of CN114126025B publication Critical patent/CN114126025B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W52/00—Power management, e.g. TPC [Transmission Power Control], power saving or power classes
    • H04W52/04—TPC
    • H04W52/18—TPC being performed according to specific parameters
    • H04W52/24—TPC being performed according to specific parameters using SIR [Signal to Interference Ratio] or other wireless path parameters
    • H04W52/241—TPC being performed according to specific parameters using SIR [Signal to Interference Ratio] or other wireless path parameters taking into account channel quality metrics, e.g. SIR, SNR, CIR, Eb/lo
    • 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
    • H04L41/14—Network analysis or design
    • H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
    • H04W4/46—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P] for vehicle-to-vehicle communication [V2V]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Abstract

本申请公开一种用于车载终端的功率调整方法、车载终端和服务器，涉及通信技术领域。方法包括：响应于待处理车载终端发送的功率调整请求，获得待处理车载终端使用的待处理信道的标识和待处理车载终端的标识；依据待处理信道的标识查询获得待处理信道对应的信道质量参数；使用基于深度学习的神经网络模型，对待处理信道对应的信道质量参数进行处理，确定目标发射功率；依据待处理车载终端的标识和目标发射功率，生成功率调整响应，并向待处理车载终端发送功率调整响应，以使待处理车载终端依据目标发射功率调整其发射功率。使待处理车载终端所占用的通信资源合理化，减少通信资源的浪费，降低网络拥塞的程度，优化终端的服务体验。

Description

用于车载终端的功率调整方法、车载终端和服务器
技术领域
本申请涉及通信技术领域，具体涉及一种用于车载终端的功率调整方法、车载终端和服务器。
背景技术
随着城市交通智能化和数字化工作的推进，车联网的覆盖范围逐步扩大，越来越多的传统机动车辆升级成为网联汽车，该网联汽车可以通过车辆到车辆(vehicle tovehicle，V2V)的通信技术进行信息的交互的汽车。网联汽车中可以安装车载终端，以使多台网联汽车可以通过车载终端进行无线通信。
但是，多台车载终端在使用相同的通信资源进行通信时，易发生通信资源的冲突，造成网络拥塞。例如，在确定多台网联汽车在十字路口等待红灯，或在高速公路上出现交通拥堵的情况下，在同一通信小区内的车载终端的数量，会在短时间内急剧上升，易导致车联网陷入拥塞，降低车载终端之间的通信质量。
发明内容
为此，本申请提供一种用于车载终端的功率调整方法、车载终端和服务器，解决如何降低网络拥塞程度，提升车载终端的通信质量的问题。
为了实现上述目的，本申请第一方面提供一种用于车载终端的功率调整方法，方法包括：响应于待处理车载终端发送的功率调整请求，获得待处理车载终端使用的待处理信道的标识和待处理车载终端的标识；依据待处理信道的标识查询获得待处理信道对应的信道质量参数；使用基于深度学习的神经网络模型，对待处理信道对应的信道质量参数进行处理，确定目标发射功率；依据待处理车载终端的标识和目标发射功率，生成功率调整响应，并向待处理车载终端发送功率调整响应，以使待处理车载终端依据目标发射功率调整其发射功率。
在一些具体实现中，使用基于深度学习的神经网络模型，对待处理信道对应的信道质量参数进行处理，确定目标发射功率之前，方法还包括：
从经验池中随机选取预设数量的待训练样本信息，待训练样本信息包括第一状态、样本动作、样本奖励和第二状态，其中，第一状态和第二状态均表征样本车载终端使用待训练信道传输通信信号时的发射功率的取值概率，样本动作表征样本车载终端调整其发射功率的动作，样本奖励是执行样本动作所获得的奖励，样本奖励表征待训练信道对应的信道质量参数；
将预设数量的待训练样本信息输入至神经网络模型中进行迭代训练，获得训练后的神经网络模型。
在一些具体实现中，从经验池中随机选取预设数量的待训练样本信息之前，方法还包括：
基于获取到的样本车载终端传输通信信号时的发射功率，确定状态空间集合，状态空间集合包括第一状态和第二状态；
在确定样本车载终端处于第一状态的情况下，以第一预设概率选择样本动作，样本动作包括：控制样本车载终端减小功率、增加功率和保持功率不变中的任意一种；
以第二预设概率执行样本动作，获得样本奖励和第二状态，第二状态是第一状态的下一个状态，第一预设概率与第二预设概率的和值满足预设条件；
依据第一状态、样本动作、样本奖励和第二状态，生成待训练样本信息。
在一些具体实现中，样本车载终端，包括：发送车载终端和接收车载终端，发送车载终端和接收车载终端使用相同的通信资源，待训练信道对应的信道质量参数包括：多个子载波对应的信噪比；
以第二预设概率执行样本动作，获得样本奖励和第二状态，包括：
在确定以第二预设概率执行样本动作的情况下，获取发送车载终端和接收车载终端使用待训练信道进行通信时的多个子载波对应的信噪比；
依据多个子载波对应的信噪比，确定发送车载终端和接收车载终端之间的有效信噪比；
基于有效信噪比、样本车载终端中的接收车载终端的数量和资源复用车载终端的数量，确定样本奖励，资源复用车载终端是与接收车载终端使用相同的通信资源的车载终端；
更新第一状态为第二状态。
在一些具体实现中，待训练信道对应的信道质量参数，还包括：子载波的数量；
依据多个子载波对应的信噪比，确定发送车载终端和接收车载终端之间的有效信噪比，包括：
获取尺度衰减因子和子载波的数量；
依据尺度衰减因子、子载波的数量和每个子载波对应的信噪比，确定发送车载终端和接收车载终端之间的有效信噪比。
在一些具体实现中，在确定以第二预设概率执行样本动作的情况下，获取发送车载终端和接收车载终端使用待训练信道进行通信时的多个子载波对应的信噪比，包括：
在确定以第二预设概率调整发送车载终端的发射功率的情况下，获取接收车载终端的接收天线数量、发送车载终端的发射功率、发送车载终端与接收车载终端进行通信时的通信信息；
依据接收车载终端的接收天线数量、发送车载终端的发射功率、发送车载终端和接收车载终端进行通信时的通信信息，确定多个子载波对应的信噪比。
在一些具体实现中，发送车载终端和接收车载终端进行通信时的通信信息，包括：
发送车载终端和接收车载终端之间的路径损耗，和/或，发送车载终端与接收车载终端在进行通信时的第r根天线上的第m个子载波的信噪比，其中，r和m均为大于或等于1的整数。
为了实现上述目的，本申请第二方面提供一种用于车载终端的功率调整方法，方法包括：对待处理信道进行监听，获得待处理信道对应的接收信号强度信息；依据接收信号强度信息和预设强度阈值，确定待处理信道发生网络拥塞；依据当前终端的标识和待处理信道的标识，生成并发送功率调整请求至服务器，以使服务器依据待处理信道的标识查询获得待处理信道对应的信道质量参数；使用基于深度学习的神经网络模型，对待处理信道对应的信道质量参数进行处理，确定目标发射功率；响应于服务器反馈的功率调整响应，获得并依据目标发射功率，调整当前终端的发射功率。
为了实现上述目的，本申请第三方面提供一种服务器，其包括：获取模块，被配置为响应于待处理车载终端发送的功率调整请求，获得待处理车载终端使用的待处理信道的标识和待处理车载终端的标识；查询模块，被配置为依据待处理信道的标识查询获得待处理信道对应的信道质量参数；第一处理模块，被配置为使用基于深度学习的神经网络模型，对待处理信道对应的信道质量参数进行处理，确定目标发射功率；发送模块，被配置为依据待处理车载终端的标识和目标发射功率，生成功率调整响应，并向待处理车载终端发送功率调整响应，以使待处理车载终端依据目标发射功率调整其发射功率。
为了实现上述目的，本申请第四方面提供一种车载终端，其包括：监听模块，被配置为对待处理信道进行监听，获得待处理信道对应的接收信号强度信息；确定模块，被配置为依据接收信号强度信息和预设强度阈值，确定待处理信道发生网络拥塞；第二处理模块，被配置为依据当前终端的标识和待处理信道的标识，生成并发送功率调整请求至服务器，以使服务器依据待处理信道的标识查询获得待处理信道对应的信道质量参数；使用基于深度学习的神经网络模型，对待处理信道对应的信道质量参数进行处理，确定目标发射功率；调整模块，被配置为响应于服务器反馈的功率调整响应，获得并依据目标发射功率，调整当前终端的发射功率。
本申请中的用于车载终端的功率调整方法、车载终端和服务器，通过获取待处理车载终端使用的待处理信道的标识，能够获知待处理车载终端当前通信时所使用的信道情况；依据待处理信道的标识查询获得待处理信道对应的信道质量参数，可明确待处理信道的信道质量，以方便为待处理车载终端指示一个合理的发射功率；通过使用基于深度学习的神经网络模型，对待处理信道对应的信道质量参数进行处理，确定目标发射功率，使目标发射功能更准确；向待处理车载终端发送携带有目标发射功率和待处理车载终端的标识的功率调整响应，以使待处理车载终端可以依据目标发射功率调整其发射功率，使待处理车载终端所占用的通信资源合理化，减少通信资源的浪费，提升待处理车载终端的通信质量和通信效率，降低网络拥塞的程度，优化终端的服务体验。
附图说明
附图用来提供对本公开实施例的进一步理解，并且构成说明书的一部分，与本公开的实施例一起用于解释本公开，并不构成对本公开的限制。通过参考附图对详细示例实施例进行描述，以上和其它特征和优点对本领域技术人员将变得更加显而易见。
图1示出本申请一实施例提供的用于车载终端的功率调整方法的流程示意图。
图2示出本申请又一实施例提供的用于车载终端的功率调整方法的流程示意图。
图3示出本申请再一实施例提供的用于车载终端的功率调整方法的流程示意图。
图4示出本申请实施例提供的服务器的组成方框图。
图5示出本申请实施例提供的车载终端的组成方框图。
图6示出本申请实施例提供的用于车载终端的功率调整系统的组成方框图。
图7示出本申请实施例提供的用于车载终端的功率调整系统的工作方法流程图。
具体实施方式
以下结合附图对本申请的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本申请，并不用于限制本申请。对于本领域技术人员来说，本申请可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本申请的示例来提供对本申请更好的理解。
为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施方式作进一步地详细描述。
在基于第五代移动通信技术(5th Generation Mobile CommunicationTechnology,5G)和V2V的通信环境中，车载终端需要从路侧基站所提供的资源池中选择用于传输信息的通信资源(例如，时域资源或频域资源等)。在确定车载终端数量大于预设数量阈值的情况下，因资源池内的资源数量有限，易导致基站为各个车载终端所分配的通信资源产生碰撞，从而产生网络拥塞。
图1示出本申请一实施例提供的用于车载终端的功率调整方法的流程示意图。该方法可应用于服务器，例如，车联网中的边缘服务器等。如图1所示，用于车载终端的功率调整方法包括如下步骤。
步骤S101，响应于待处理车载终端发送的功率调整请求，获得待处理车载终端使用的待处理信道的标识和待处理车载终端的标识。
其中，功率调整请求可以包括待处理车载终端的标识和待处理信道的标识。待处理信道是待处理车载终端当前所使用的通信信道。
通过待处理信道的标识能够明确待处理车载终端具体使用哪个通信信道与其他车载终端进行通信，方便对待处理信道的监控。
步骤S102，依据待处理信道的标识查询获得待处理信道对应的信道质量参数。
可以待处理信道的标识作为索引，查询当前服务器的数据库，以获得与该待处理信道的标识对应的信道质量参数。
其中，信道质量参数用于表征待处理信道的信道质量的优劣，通过对信道质量参数的衡量，能够明确待处理信道是否存在干扰(例如，噪声干扰等)。在确定待处理信道中存在干扰的情况下，待处理车载终端使用待处理信道进行通信信号的传输的过程中，边缘服务器可以对该待处理信道进行监控，以确定通信信号是否存在失真等问题，方便对待处理信道进行分析和优化。
步骤S103，使用基于深度学习的神经网络模型，对待处理信道对应的信道质量参数进行处理，确定目标发射功率。
其中，目标发射功率是期望待处理车载终端调整的功率，待处理车载终端若以该目标发射功率进行通信信号的发射，可以优化待处理车载终端所占用的通信资源，使通信资源能够获得更合理的分配，减少通信资源的浪费。
例如，基于深度学习的神经网络模型可以通过如下方式获得：依据多个待训练信道的信道系数，构建主神经网络并初始化网络参数；初始化经验池，构建目标神经网络并设置网络参数。
其中的经验池能够为神经网络模型的训练提供尽可能多的样本信息，以使基于深度学习的神经网络模型能够得到优化，使用该基于深度学习的神经网络模型对待处理信道对应的信道质量参数进行处理，能够获得更为准确的目标发射功率，使该目标发射功率可以更符合待处理车载终端的通信需求，以及待处理信道的要求，提升通信效率。
步骤S104，依据待处理车载终端的标识和目标发射功率，生成功率调整响应，并向待处理车载终端发送功率调整响应。
在确定待处理车载终端接收到功率调整响应的情况下，待处理车载终端通过对功率调整响应的解析，可获得目标发射功率，并依据目标发射功率调整待处理车载终端的发射功率，进而使通信资源的能够被合理利用。
在本实施例中，通过获取待处理车载终端使用的待处理信道的标识，能够获知待处理车载终端当前通信时所使用的信道情况；依据待处理信道的标识查询获得待处理信道对应的信道质量参数，可明确待处理信道的信道质量，以方便为待处理车载终端指示一个合理的发射功率；通过使用基于深度学习的神经网络模型，对待处理信道对应的信道质量参数进行处理，确定目标发射功率，使目标发射功能更准确；向待处理车载终端发送携带有目标发射功率和待处理车载终端的标识的功率调整响应，以使待处理车载终端可以依据目标发射功率调整其发射功率，使待处理车载终端所占用的通信资源合理化，减少通信资源的浪费，提升待处理车载终端的通信质量和通信效率，降低网络拥塞的程度，优化终端的服务体验。
图2示出本申请又一实施例提供的用于车载终端的功率调整方法的流程示意图。该方法可应用于服务器，例如，车联网中的边缘服务器等。本实施例与上一实施例之间的区别在于：本实施例需要将经验池中的预设数量的待训练样本信息，输入至神经网络模型中进行迭代训练，以使最终获得的训练后的神经网络模型的检测准确性更高。
如图2所示，用于车载终端的功率调整方法包括如下步骤。
步骤S201，从经验池中随机选取预设数量的待训练样本信息。
其中，待训练样本信息包括第一状态、样本动作、样本奖励和第二状态。其中，第一状态和第二状态均表征样本车载终端使用待训练信道传输通信信号时的发射功率的取值概率，样本动作表征样本车载终端调整其发射功率的动作，样本奖励是执行样本动作所获得的奖励，样本奖励表征待训练信道对应的信道质量参数。
需要说明的是，预设数量小于经验池中的样本信息的总数量，例如，经验池中包括100条样本信息，则预设数量可以是60条或50条等，随机选取预设数量的待训练样本信息，能够降低待训练样本信息的重复性。
例如，样本车载终端可以采用k个离散功率值中的任意一个功率值作为其发射功率。设定pk表示第k个发射功率，0≤pk≤pmax，pmax表示样本车载终端的最大发射功率，k为大于或等于1的整数，则样本车载终端的发射功率的状态可以表示为P(p1，p2，......，pk)。即，将待处理终端的发射功率的取值概率作为其状态。例如，样本车载终端的第一状态为P(p1)；样本车载终端的第二状态为P(p2)，该第二状态也可以是P(p3)等。
在一些具体实现中，若样本车载终端包括N个车载终端，且这N个车载终端均是可以进行资源复用的车载终端，则状态空间集合可以表示为：S＝{P1，P2，......，Pn}，其中，0≤n≤N，Pn表示第n个待处理终端的发射功率的状态。例如，第n个样本车载终端的第一状态可以表示为P1(p1)，也可简略表示为P1。
通过样本信息中的第一状态、样本动作、样本奖励和第二状态，能够表征样本车载终端的状态，以及进行样本动作之后所获得的样本奖励，保证样本车载终端的信息的全面性，方便后续神经网络的训练。
步骤S202，将预设数量的待训练样本信息输入至神经网络模型中进行迭代训练，获得训练后的神经网络模型。
对待训练样信息进行训练，并重复迭代训练的过程，在确定更新后的神经网络对应的参数可以满足预设条件的情况下，获取训练后的神经网络模型。
其中，预设条件可以是在迭代训练的过程中所获得的损失函数需要满足预设阈值。
通过将损失函数和预设阈值对应的条件进行比较，能够准确判断是否需要继续进行迭代训练。加快对神经网络模型的训练，使获得的训练后的神经网络模型更准确。
步骤S203，响应于待处理车载终端发送的功率调整请求，获得待处理车载终端使用的待处理信道的标识和待处理车载终端的标识。
步骤S204，依据待处理信道的标识查询获得待处理信道对应的信道质量参数。
本实施例中的步骤S203～步骤S204与上一实施例中的步骤S101～步骤S102相同，在此不再赘述。
步骤S205，使用基于深度学习的神经网络模型，对待处理信道对应的信道质量参数进行处理，确定目标发射功率。
其中，基于深度学习的神经网络模型即为步骤S102中所获得的训练后的神经网络模型。
使用训练后的神经网络模型对待处理信道对应的信道质量参数进行处理，能够提升参数的处理准确性，使获得的目标发射功率更准确。
步骤S206，依据待处理车载终端的标识和目标发射功率，生成功率调整响应，并向待处理车载终端发送功率调整响应。
需要说明的是，本实施例中的步骤S206与上一实施例中的步骤S104相同，在此不再赘述。
在本实施例中，通过经验池中随机选取预设数量的样本信息，能够保证待处理终端的信息的全面性，方便后续神经网络模型的训练；将预设数量的样本信息输入至基于深度学习的神经网络模型，进行迭代训练，进一步调整神经网络模型的相关参数，使获得的训练后的神经网络模型更准确；在确定接收到待处理车载终端发送的功率调整请求的情况下，通过使用功率调整请求中携带的待处理信道的标识查询获得待处理信道对应的信道质量参数，能够明确获知待处理信道是否存在干扰等影响信道质量的问题；然后将待处理信道对应的信道质量参数输入至训练后的神经网络模型进行分析和处理，可获得更准确的目标发射功率；发送携带有目标发射功率的功率调整响应给待处理车载终端，以使待处理车载终端依据目标发射功率调整其发射功率，使待处理车载终端所占用的通信资源合理化，减少通信资源的浪费，降低网络拥塞的程度，优化终端的服务体验。
本申请实施例提供了另一种可能的实现方式，在执行步骤S203中的从经验池中随机选取预设数量的待训练样本信息之前，用于车载终端的功率调整方法还包括如下步骤。
基于获取到的样本车载终端传输通信信号时的发射功率，确定状态空间集合，状态空间集合包括第一状态和第二状态；在确定样本车载终端处于第一状态的情况下，以第一预设概率选择样本动作；以第二预设概率执行样本动作，获得样本奖励和第二状态；依据第一状态、样本动作、样本奖励和第二状态，生成待训练样本信息。
其中，样本动作包括：控制样本车载终端减小功率、增加功率和保持功率不变中的任意一种。
需要说明的是，第二状态是第一状态的下一个状态，第一预设概率与第二预设概率的和满足预设条件。例如，第一预设概率和第二预设概率的和值为预设阈值(例如，1，或100％等)。预设概率可以反映随机事件出现的可能性大小。随机事件是指在相同条件下，可能出现也可能不出现的事件。
通过依据第一状态、样本动作、样本奖励和第二状态，生成样本信息，能够保证样本信息的全面性；将样本信息输入经验池，以丰富经验池中的样本信息，为后续进行样本信息的筛选做准备。
在一些具体实现中，样本车载终端，包括：发送车载终端和接收车载终端，发送车载终端和接收车载终端使用相同的通信资源，待训练信道对应的信道质量参数包括：多个子载波对应的信噪比；以第二预设概率执行样本动作，获得样本奖励和第二状态，包括：在确定以第二预设概率执行样本动作的情况下，获取发送车载终端和接收车载终端使用待训练信道进行通信时的多个子载波对应的信噪比；依据多个子载波对应的信噪比，确定发送车载终端和接收车载终端之间的有效信噪比；基于有效信噪比、样本车载终端中的接收车载终端的数量和资源复用车载终端的数量，确定样本奖励；更新第一状态为第二状态。
其中，资源复用车载终端是与接收车载终端使用相同的通信资源的车载终端。
例如，发送车载终端可以包括资源复用车载终端。先基于资源复用车载终端的数量，将资源复用车载终端与接收车载终端之间的有效信噪比进行累加，获得第一累加结果；然后，再基于剩余发送车载终端的数量(即发送车载终端的总数量与资源复用车载终端的数量的差值)，将接收车载终端与剩余发送车载终端之间的有效信噪比再次进行累加，获得第二累加结果，并将该第二累加结果记为样本奖励，以明确接收车载终端与不同的发送车载终端之间的信噪比，提升信噪比的准确性。
在一些具体实现中，待训练信道对应的信道质量参数，还包括：子载波的数量；依据多个子载波对应的信噪比，确定发送车载终端和接收车载终端之间的有效信噪比，包括：获取尺度衰减因子和子载波的数量；依据尺度衰减因子、子载波的数量和每个子载波对应的信噪比，确定发送车载终端和接收车载终端之间的有效信噪比。
其中，发送车载终端和接收车载终端之间进行通信时，可以通过多个子载波进行通信，各个子载波之间也可能存在信噪比。并且，尺度衰减因子能够体现发送车载终端和接收车载终端之间的编码调制方式；通过将多个载波之间的信噪比和尺度衰减因子相结合，确定发送车载终端和接收车载终端之间的有效信噪比，能够保证有效信噪比的准确性。
在一些具体实现中，在确定以第二预设概率执行样本动作的情况下，获取发送车载终端和接收车载终端使用待训练信道进行通信时的多个子载波对应的信噪比，包括：在确定以第二预设概率调整发送车载终端的发射功率的情况下，获取接收车载终端的接收天线数量、发送车载终端的发射功率、发送车载终端与接收车载终端进行通信时的通信信息；依据接收车载终端的接收天线数量、发送车载终端的发射功率、发送车载终端和接收车载终端进行通信时的通信信息，确定多个子载波对应的信噪比。
其中，发送车载终端和接收车载终端进行通信时的通信信息，包括：发送车载终端和接收车载终端之间的路径损耗，和/或，发送车载终端与接收车载终端在进行通信时的第r根天线上的第m个子载波的信噪比，其中，r和m均为大于或等于1的整数。
例如，可以先基于接收车载终端的接收天线数量，将发送车载终端的发射功率、发送车载终端和接收车载终端之间的路径损耗、以及发送车载终端与接收车载终端在进行通信时的第r根天线上的第m个子载波的信噪比进行计算，确定接收车载终端实际可以接收到的发送车载终端发送的第一功率值；然后，结合发送车载终端的发射功率与该第一功率值，确定多个子载波上的信噪比，提升各个子载波上的信噪比的准确性。
图3示出本申请再一实施例提供的用于车载终端的功率调整方法的流程示意图。该方法可应用于车载终端，该车载终端可以安装在车辆中。如图3所示，用于车载终端的功率调整方法包括如下步骤。
步骤S301，对待处理信道进行监听，获得待处理信道对应的接收信号强度信息。
其中，待处理信道可以包括多个子载波，各个子载波之间也可能存在干扰信息。
通过对待处理信道进行监听，能够获知不同子载波上的干扰信息，以及多个子载波之间的干扰信息，然后，对多种干扰信息进行综合分析，可确定待处理信道对当前车载终端的干扰程度，进而确定当前车载终端在使用待处理信道进行通信信号的传输时，所对应的接收信号强度信息，以确定当前车载终端是否能够正常进行通信。
例如，多个车载终端在使用待处理信道进行通信信号的传输时，如果第一车载终端的发送功率值越高，则其他车载终端(例如，第二车载终端、……、第五车载终端等)测量获得的发送功率值也会增加，易导致多个车载终端之间的无线通信资源紧张，造成网络拥塞。
步骤S302，依据接收信号强度信息和预设强度阈值，确定待处理信道发生网络拥塞。
其中，接收信号强度信息包括接收信号强度指示值，可将该接收信号强度指示值与预设强度阈值进行比较，获得比较结果，进而根据该比较结果确定待处理信道是否发生网络拥塞。
例如，若比较结果为接收信号强度指示值大于预设强度阈值，则确定待处理信道发生网络拥塞；否则，确定待处理信道没有发生网络拥塞。在确定发生网络拥塞的情况下，将待处理信道的标识保存至缓存区，以方便后续对该待处理信道进行进一步的分析，降低网络拥塞的程度。
步骤S303，依据当前终端的标识和待处理信道的标识，生成并发送功率调整请求至服务器。
服务器在获得功率调整请求后，会依据待处理信道的标识查询获得待处理信道对应的信道质量参数；使用基于深度学习的神经网络模型，对待处理信道对应的信道质量参数进行处理，确定目标发射功率。
其中，待处理信道对应的信道质量参数可以是保存在服务器的数据库中的数据，通过以待处理信道的标识为索引，查找数据库，可获得该待处理信道对应的信道质量参数，明确待处理信道的信道质量。
步骤S304，响应于服务器反馈的功率调整响应，获得并依据目标发射功率，调整当前终端的发射功率。
其中，调整当前终端的发射功率，可以包括：将当前终端的发射功率降低至目标发射功率，或，将当前终端的发射功率提高至目标发射功率。
在一些具体实现中，还可以将当前终端的数据重发次数降低，以使发射功率降低，避免浪费通信资源。
在本实施例中，通过对待处理信道进行监听，获得待处理信道对应的接收信号强度信息，明确待处理信道是否存在干扰信息，或待处理信道是否被多个车载终端使用；依据接收信号强度信息和预设强度阈值，确定待处理信道发生网络拥塞，明确当前车载终端不能使用待处理信道进行正常的通信；依据当前终端的标识和待处理信道的标识，生成并发送功率调整请求至服务器，以使服务器依据待处理信道的标识查询获得待处理信道对应的信道质量参数；使用基于深度学习的神经网络模型，对待处理信道对应的信道质量参数进行处理，确定目标发射功率，该目标发射功率能够使当前车载终端使用待处理信道进行正常的通信；响应于服务器反馈的功率调整响应，获得并依据目标发射功率，调整当前终端的发射功率，以使当前车载终端调整其发射功率至目标发射功率，使当前车载终端所占用的通信资源合理化，减少通信资源的浪费，降低网络拥塞的程度。
图4示出本申请实施例提供的服务器的组成方框图。本实施方式中的服务器的具体实施不局限于以上实施例，其他未说明的实施例也在本服务器的保护范围之内。
如图4所示，服务器400可包括如下模块。
获取模块401，被配置为响应于待处理车载终端发送的功率调整请求，获得待处理车载终端使用的待处理信道的标识和待处理车载终端的标识；查询模块402，被配置为依据待处理信道的标识查询获得待处理信道对应的信道质量参数；第一处理模块403，被配置为使用基于深度学习的神经网络模型，对待处理信道对应的信道质量参数进行处理，确定目标发射功率；发送模块404，被配置为依据待处理车载终端的标识和目标发射功率，生成功率调整响应，并向待处理车载终端发送功率调整响应，以使待处理车载终端依据目标发射功率调整其发射功率。
在一些具体实现中，使用基于深度学习的神经网络模型，对待处理信道对应的信道质量参数进行处理，确定目标发射功率之前，方法还包括：
从经验池中随机选取预设数量的待训练样本信息，待训练样本信息包括第一状态、样本动作、样本奖励和第二状态，其中，第一状态和第二状态均表征样本车载终端使用待训练信道传输通信信号时的发射功率的取值概率，样本动作表征样本车载终端调整其发射功率的动作，样本奖励是执行样本动作所获得的奖励，样本奖励表征待训练信道对应的信道质量参数；
将预设数量的待训练样本信息输入至神经网络模型中进行迭代训练，获得训练后的神经网络模型。
在一些具体实现中，从经验池中随机选取预设数量的待训练样本信息之前，方法还包括：
基于获取到的样本车载终端传输通信信号时的发射功率，确定状态空间集合，状态空间集合包括第一状态和第二状态；
在确定样本车载终端处于第一状态的情况下，以第一预设概率选择样本动作，样本动作包括：控制样本车载终端减小功率、增加功率和保持功率不变中的任意一种；
以第二预设概率执行样本动作，获得样本奖励和第二状态，第二状态是第一状态的下一个状态，第一预设概率与第二预设概率的和值满足预设条件；
依据第一状态、样本动作、样本奖励和第二状态，生成待训练样本信息。
在一些具体实现中，样本车载终端，包括：发送车载终端和接收车载终端，发送车载终端和接收车载终端使用相同的通信资源，待训练信道对应的信道质量参数包括：多个子载波对应的信噪比；
以第二预设概率执行样本动作，获得样本奖励和第二状态，包括：
在确定以第二预设概率执行样本动作的情况下，获取发送车载终端和接收车载终端使用待训练信道进行通信时的多个子载波对应的信噪比；
依据多个子载波对应的信噪比，确定发送车载终端和接收车载终端之间的有效信噪比；
基于有效信噪比、样本车载终端中的接收车载终端的数量和资源复用车载终端的数量，确定样本奖励，资源复用车载终端是与接收车载终端使用相同的通信资源的车载终端；
更新第一状态为第二状态。
在一些具体实现中，待训练信道对应的信道质量参数，还包括：子载波的数量；
依据多个子载波对应的信噪比，确定发送车载终端和接收车载终端之间的有效信噪比，包括：
获取尺度衰减因子和子载波的数量；
依据尺度衰减因子、子载波的数量和每个子载波对应的信噪比，确定发送车载终端和接收车载终端之间的有效信噪比。
在一些具体实现中，在确定以第二预设概率执行样本动作的情况下，获取发送车载终端和接收车载终端使用待训练信道进行通信时的多个子载波对应的信噪比，包括：
在确定以第二预设概率调整发送车载终端的发射功率的情况下，获取接收车载终端的接收天线数量、发送车载终端的发射功率、发送车载终端与接收车载终端进行通信时的通信信息；
依据接收车载终端的接收天线数量、发送车载终端的发射功率、发送车载终端和接收车载终端进行通信时的通信信息，确定多个子载波对应的信噪比。
在一些具体实现中，发送车载终端和接收车载终端进行通信时的通信信息，包括：
发送车载终端和接收车载终端之间的路径损耗，和/或，发送车载终端与接收车载终端在进行通信时的第r根天线上的第m个子载波的信噪比，其中，r和m均为大于或等于1的整数。
在本实施例中，通过获取模块获取待处理车载终端使用的待处理信道的标识，能够获知待处理车载终端当前通信时所使用的信道情况；使用查询模块依据待处理信道的标识查询获得待处理信道对应的信道质量参数，可明确待处理信道的信道质量，以方便为待处理车载终端指示一个合理的发射功率；通过处理模块使用基于深度学习的神经网络模型，对待处理信道对应的信道质量参数进行处理，确定目标发射功率，使目标发射功能更准确；使用发送模块向待处理车载终端发送携带有目标发射功率和待处理车载终端的标识的功率调整响应，以使待处理车载终端可以依据目标发射功率调整其发射功率，使待处理车载终端所占用的通信资源合理化，减少通信资源的浪费，提升待处理车载终端的通信质量和通信效率，降低网络拥塞的程度，优化终端的服务体验。
图5示出本申请实施例提供的车载终端的组成方框图。本实施方式中的车载终端的具体实施不局限于以上实施例，其他未说明的实施例也在本车载终端的保护范围之内。
如图5所示，车载终端500可包括如下模块。
监听模块501，被配置为对待处理信道进行监听，获得待处理信道对应的接收信号强度信息；确定模块502，被配置为依据接收信号强度信息和预设强度阈值，确定待处理信道发生网络拥塞；第二处理模块503，被配置为依据当前终端的标识和待处理信道的标识，生成并发送功率调整请求至服务器，以使服务器依据待处理信道的标识查询获得待处理信道对应的信道质量参数，使用基于深度学习的神经网络模型，对待处理信道对应的信道质量参数进行处理，确定目标发射功率；调整模块504，被配置为响应于服务器反馈的功率调整响应，获得并依据目标发射功率，调整当前终端的发射功率。
在本实施例中，通过监听模块对待处理信道进行监听，获得待处理信道对应的接收信号强度信息，明确待处理信道是否存在干扰信息，或待处理信道是否被多个车载终端使用；使用确定模块依据接收信号强度信息和预设强度阈值，确定待处理信道发生网络拥塞，明确当前车载终端不能使用待处理信道进行正常的通信；使用处理模块依据当前终端的标识和待处理信道的标识，生成并发送功率调整请求至服务器，以使服务器依据待处理信道的标识查询获得待处理信道对应的信道质量参数；使用基于深度学习的神经网络模型，对待处理信道对应的信道质量参数进行处理，确定目标发射功率，该目标发射功率能够使当前车载终端使用待处理信道进行正常的通信；使用调整模块响应于服务器反馈的功率调整响应，获得并依据目标发射功率，调整当前终端的发射功率，以使当前车载终端调整其发射功率至目标发射功率，使当前车载终端所占用的通信资源合理化，减少通信资源的浪费，降低网络拥塞的程度。
值得一提的是，本实施方式中所涉及到的各模块均为逻辑模块，在实际应用中，一个逻辑单元可以是一个物理单元，也可以是一个物理单元的一部分，还可以以多个物理单元的组合实现。此外，为了突出本申请的创新部分，本实施方式中并没有将与解决本申请所提出的技术问题关系不太密切的单元引入，但这并不表明本实施方式中不存在其它的单元。
图6示出本申请实施例提供的用于车载终端的功率调整系统的组成方框图。如图6所示，该功率调整系统可包括如下设备。
样本车载终端610、边缘服务器620、核心网设备630、和待处理车载终端640。
其中，样本车载终端610可以包括：第一样本车载终端611、第二样本车载终端612、第三样本车载终端613、第四样本车载终端614、……、第N样本车载终端61N。其中，N表示样本车载终端的数量，N为大于或等于1的整数。
需要说明的是，其中的边缘服务器620可以包括基站，也可以包括能够进行边缘计算的服务器。例如，通过多个基站构成边缘服务基站池，并从该边缘服务基站池中选择某个基站作为边缘服务器，以使该边缘服务器可以为车载终端提供通信服务的同时，还能够进行精度较高的边缘运算，以保证车载终端可以获得最优的通信服务。
在一些具体实现中，边缘服务器620还可以用于控制路侧区域的多个基站，并为各个基站的覆盖范围内的多个车载终端提供网络服务，以减缓网络拥塞。
其中，核心网设备630可以通过无线接入网和5G核心网之间的接口(例如，NG接口等)，将各个车载终端之间的服务授权信息传输至各个基站，以方便基站对车载终端的识别。
在确定功率调整系统中的车载终端的数量较少(例如，车载终端的数量小于预设数量阈值(例如，10、15等))的情况下，为了扩大各个车载终端的通信覆盖范围，以实现更多车载终端的互联互通，通常车载终端会采用最大发射功率(例如，23dBm，其中，dBm表示分贝毫瓦，是功率的绝对值，英文全称为Decibel Relative to one Milliwatt)进行通信信号的发射。但是，在确定发生网络拥塞的情况下，车载终端都会以最大的发射功率进行通信信号的发射，使网络拥塞进一步加剧。而针对重传数据，可以通过降低(或取消)车载终端在进行数据重传时的发射功率，能够适量减缓网络拥塞。
图7示出本申请实施例提供的用于车载终端的功率调整系统的工作方法流程图。如图7所示，该功率调整系统的工作方法可包括如下步骤。
步骤S701，待处理车载终端640对待处理信道进行实时监听，获得待处理信道对应的接收信号强度信息；然后将接收信号强度信息与预设强度阈值进行比较，获得比较结果，并根据该比较结果确定待处理信道是否发生网络拥塞。
其中，接收信号强度信息包括：接收的信号强度指示(Received Signal StrengthIndication，RSSI)。
例如，可通过将RSSI与预设强度阈值(例如，－95dBm等)进行比较，获得比较结果。该比较结果可以包括：RSSI大于－95dBm，或，RSSI小于或等于－95dBm。当RSSI大于－95dBm时，可知待处理信道正在被多个车载终端使用，说明该待处理信道内发生网络拥塞。
步骤S702，在确定待处理信道发生网络拥塞的情况下，待处理车载终端640依据待处理车载终端640的标识和待处理信道的标识，生成功率调整请求，并向边缘服务器620发送该功率调整请求。
步骤S703，边缘服务器620在接收到功率调整请求后，通过对功率调整请求进行消息解析，获得待处理信道的标识；然后依据待处理信道的标识，查询自己的数据库，可获知待处理信道对应的信道质量参数。
其中，信道质量参数包括：多个子载波对应的信噪比，和/或，子载波的数量。
步骤S704，边缘服务器620使用基于深度学习的神经网络模型，对待处理信道对应的信道质量参数进行处理，确定目标发射功率。
其中，基于深度学习的神经网络模型可以通过如下方式获得：依据多个样本车载终端所使用的待训练信道的信道系数，构建主神经网络并初始化网络参数，构建目标神经网络并设置网络参数，初始化经验池。
例如，基于获取到的样本车载终端传输通信信号时的发射功率，确定状态空间集合，该状态空间集合包括第一状态St和第二状态St+1。
需要说明的是，在车联网通信系统中，车载终端之间的干扰主要来自于使用相同的通信资源(例如，时域资源或频域资源等)的车载终端。可将每个车载终端的发射功率设置为离散功率值。例如，样本车载终端610可以采用k个离散功率值中的任意一个功率值作为其发射功率。例如，设定pk表示第k个发射功率，0≤pk≤Pmax，Pmax表示样本车载终端610的最大发射功率，则样本车载终端610的发射功率的状态可以表示为P(p1，p2，......，pk)。
其中，第一样本车载终端611、第二样本车载终端612、第三样本车载终端613、第四样本车载终端614、……、第N样本车载终端61N均是可以进行资源复用的车载终端，则状态空间集合可以表示为：S＝{P1，P2，......，Pn}，其中，0≤n≤N，Pn表示第n样本车载终端的发射功率的状态。
在确定样本车载终端610处于第一状态St的情况下，以第一预设概率(例如，第一预设概率为1-ε)选择样本动作at，该样本动作at包括：控制样本车载终端610减小功率、增加功率和保持功率不变中的任意一种；以第二预设概率(例如，第二预设概率为ε)执行样本动作at，获得样本奖励rt和第二状态St+1，第二状态St+1是第一状态St的下一个状态；将第一状态St、样本动作at、样本奖励rt和第二状态St+1，构造四元组(St，at，rt，St+1)，并将该四元组作为待训练样本信息，存入经验池。
循环执行如下步骤对主神经网络进行迭代训练，以获得训练后的神经网络模型：从经验池中随机选取预设数量(例如，10个或20个等)的待训练样本信息，将预设数量的待训练样本信息输入至神经网络模型中进行迭代训练；然后，计算损失函数；更新主神经网络参数；每完成预设迭代步数(例如，预设迭代步数为L，L为大于或等于1的整数)的迭代，就更新目标神经网络参数，并获得训练后的神经网络模型。
然后，将待处理信道对应的信道质量参数输入到训练后的神经网络模型中进行处理，确定目标发射功率。
其中，经验池中的待训练样本信息包括第一状态St、样本动作at、样本奖励rt和第二状态St+1，第一状态St和第二状态St+1均表征样本车载终端610的发射功率的取值概率，样本动作at是基于样本车载终端610的发射功率确定的动作，样本奖励rt是执行样本动作at获得的奖励，样本奖励rt用于表征样本车载终端610所使用的待训练信道对应的信道质量参数。
在一些具体实现中，可以将样本车载终端610减小功率的动作设定为-1，将样本车载终端610增加功率的动作设定为1，将样本车载终端610保持功率不变的动作设定为0，则样本车载终端610对应的动作空间A可以表示为：
A＝{(a1，a2，...，aN)|an∈{-1，0，1}，1≤n≤N}
其中，an表示第n个样本车载终端610对应的动作；an∈{-1，0，1}表示an的取值可以是-1，0和1中的任意一个。
在一些具体实现中，可以采用如下公式(1)表征样本奖励rt，即采用信号与干扰加噪声比(Signal to Interference plus Noise Ratio，SINR)来表征样本车载终端610的信道质量信息。
Figure BDA0003334216200000211
其中，i表示第i辆发送车载终端；j表示第j辆接收车载终端；σ2表示方差；
SINR(i，j)(m)表示第i辆发送车载终端与第j辆接收车载终端之间的第m个子载波的SINR；NR表示接收天线的数量；
Figure BDA0003334216200000221
表示第i辆发送车载终端的发射功率；
Figure BDA0003334216200000222
表示第i辆发送车载终端和第j辆接收车载终端之间的路径损耗；
Figure BDA0003334216200000223
表示第i辆发送车载终端与第j辆接收车载终端在进行通信时的第r根天线上的第m个子载波的信噪比，r和m均为大于或等于1的整数；
Figure BDA0003334216200000224
表示第i辆发送车载终端与第j辆接收车载终端在进行通信时，第k辆车载终端在第r根天线上的第m个子载波上产生的干扰功率，第k辆车载终端是与第j辆接收车载终端使用相同的通信资源的车载终端，k为大于或等于1，且小于或等于N的实数，且，k不等于i。
在一些具体实现中，在确定以第二预设概率ε执行样本动作at的情况下，获取发送车载终端和接收车载终端使用待训练信道进行通信时的多个子载波对应的信噪比；依据多个子载波对应的信噪比，确定发送车载终端和接收车载终端之间的有效信噪比；基于有效信噪比、样本车载终端中的接收车载终端的数量和资源复用车载终端的数量，确定样本奖励rt，资源复用车载终端是与接收车载终端使用相同的通信资源的车载终端；更新第一状态St为第二状态St+1。
其中，样本奖励rt可以采用公式(2)表示：
Figure BDA0003334216200000225
其中，N表示与第j辆接收车载终端使用相同的通信资源的车载终端的数量；G表示接收车载终端的数量；
Figure BDA0003334216200000226
表示第i辆发送车载终端与第j辆接收车载终端之间的有效信噪比。
例如，可以采用公式(3)表示
Figure BDA0003334216200000227
Figure BDA0003334216200000228
其中，β表示尺度衰减因子，该尺度衰减因子的取值范围由编码调制方式确定；M表示第i辆发送车载终端与第j辆接收车载终端在进行通信时的第r根天线上的子载波的数量，M为大于或等于1的整数。
步骤S705，边缘服务器620基于目标发射功率和待处理车载终端640的标识，生成功率调整信息，并向待处理车载终端640发送该功率调整信息。
步骤S706，待处理车载终端640接收到功率调整信息后，通过对该功率调整信息的解析，获得目标发射功率，并基于该目标发射功率调整待处理车载终端640的发射功率。
例如，待处理车载终端640可降低自己的发射功率至目标发射功率，或，待处理车载终端640可提高自己的发射功率至目标发射功率。以保证待处理车载终端640能够以最优的发送功率来发射通信信号，提升通信质量。
在本实施例中，通过边缘服务器基于多个样本车载终端对基于深度学习的神经网络模型进行训练，获得训练后的神经网络模型，然后将待处理车载终端待处理信道对应的信道质量参数，输入至训练后的神经网络模型中进行处理，可以获得目标发射功率，保证该目标发射功率能够满足待处理车载终端的通信需求，并使待处理车载终端所占用的通信资源合理化，减少通信资源的浪费；边缘服务器将目标发射功率发送给待处理车载终端，以使待处理车载终端将自己的通信信号发送功率实时的调整至目标发射功率，采用目标发射功率进行通信行的发送，可以提升待处理车载终端的通信质量和通信效率，降低网络拥塞的程度，优化终端的服务体验。
可以理解的是，以上实施方式仅仅是为了说明本申请的原理而采用的示例性实施方式，然而本申请并不局限于此。对于本领域内的普通技术人员而言，在不脱离本申请的精神和实质的情况下，可以做出各种变型和改进，这些变型和改进也视为本申请的保护范围。

Claims (9)

1.一种用于车载终端的功率调整方法，其特征在于，所述方法包括：
响应于待处理车载终端发送的功率调整请求，获得所述待处理车载终端使用的待处理信道的标识和所述待处理车载终端的标识；
依据所述待处理信道的标识查询获得所述待处理信道对应的信道质量参数；
使用基于深度学习的神经网络模型，对所述待处理信道对应的信道质量参数进行处理，确定目标发射功率；
依据所述待处理车载终端的标识和所述目标发射功率，生成功率调整响应，并向所述待处理车载终端发送所述功率调整响应，以使所述待处理车载终端依据所述目标发射功率调整其发射功率；
所述使用基于深度学习的神经网络模型，对所述待处理信道对应的信道质量参数进行处理，确定目标发射功率之前，所述方法还包括：
从经验池中随机选取预设数量的待训练样本信息，所述待训练样本信息包括第一状态、样本动作、样本奖励和第二状态，其中，所述第一状态和所述第二状态均表征样本车载终端使用待训练信道传输通信信号时的发射功率的取值概率，所述样本动作表征所述样本车载终端调整其发射功率的动作，所述样本奖励是执行所述样本动作所获得的奖励，所述样本奖励表征所述待训练信道对应的信道质量参数；
将所述预设数量的待训练样本信息输入至所述神经网络模型中进行迭代训练，获得训练后的所述神经网络模型。
2.根据权利要求1所述的方法，其特征在于，所述从经验池中随机选取预设数量的待训练样本信息之前，所述方法还包括：
基于获取到的所述样本车载终端传输通信信号时的发射功率，确定状态空间集合，所述状态空间集合包括所述第一状态和所述第二状态；
在确定所述样本车载终端处于所述第一状态的情况下，以第一预设概率选择所述样本动作，所述样本动作包括：控制所述样本车载终端减小功率、增加功率和保持功率不变中的任意一种；
以第二预设概率执行所述样本动作，获得样本奖励和所述第二状态，所述第二状态是所述第一状态的下一个状态，所述第一预设概率与所述第二预设概率的和值满足预设条件；
依据所述第一状态、所述样本动作、所述样本奖励和所述第二状态，生成所述待训练样本信息。
3.根据权利要求2所述的方法，其特征在于，所述样本车载终端，包括：发送车载终端和接收车载终端，所述发送车载终端和接收车载终端使用相同的通信资源，所述待训练信道对应的信道质量参数包括：多个子载波对应的信噪比；
所述以第二预设概率执行所述样本动作，获得样本奖励和所述第二状态，包括：
在确定以所述第二预设概率执行所述样本动作的情况下，获取所述发送车载终端和所述接收车载终端使用所述待训练信道进行通信时的多个子载波对应的信噪比；
依据多个所述子载波对应的信噪比，确定所述发送车载终端和所述接收车载终端之间的有效信噪比；
基于所述有效信噪比、所述样本车载终端中的所述接收车载终端的数量和资源复用车载终端的数量，确定所述样本奖励，所述资源复用车载终端是与所述接收车载终端使用相同的通信资源的车载终端；
更新所述第一状态为所述第二状态。
4.根据权利要求3所述的方法，其特征在于，所述待训练信道对应的信道质量参数，还包括：所述子载波的数量；
所述依据多个所述子载波对应的信噪比，确定所述发送车载终端和所述接收车载终端之间的有效信噪比，包括：
获取尺度衰减因子和所述子载波的数量；
依据所述尺度衰减因子、所述子载波的数量和每个所述子载波对应的信噪比，确定所述发送车载终端和所述接收车载终端之间的有效信噪比。
5.根据权利要求3或4所述的方法，其特征在于，所述在确定以所述第二预设概率执行所述样本动作的情况下，获取所述发送车载终端和所述接收车载终端使用所述待训练信道进行通信时的多个子载波对应的信噪比，包括：
在确定以所述第二预设概率调整所述发送车载终端的发射功率的情况下，获取所述接收车载终端的接收天线数量、所述发送车载终端的发射功率、所述发送车载终端与所述接收车载终端进行通信时的通信信息；
依据所述接收车载终端的接收天线数量、所述发送车载终端的发射功率、所述发送车载终端和所述接收车载终端进行通信时的通信信息，确定多个所述子载波对应的信噪比。
6.根据权利要求5所述的方法，其特征在于，所述发送车载终端和所述接收车载终端进行通信时的通信信息，包括：
所述发送车载终端和所述接收车载终端之间的路径损耗，和/或，所述发送车载终端与所述接收车载终端在进行通信时的第r根天线上的第m个子载波的信噪比，其中，r和m均为大于或等于1的整数。
7.一种用于车载终端的功率调整方法，其特征在于，所述方法包括：
对待处理信道进行监听，获得所述待处理信道对应的接收信号强度信息；
依据所述接收信号强度信息和预设强度阈值，确定所述待处理信道发生网络拥塞；
依据当前终端的标识和所述待处理信道的标识，生成并发送功率调整请求至服务器，以使所述服务器依据所述待处理信道的标识查询获得所述待处理信道对应的信道质量参数；使用基于深度学习的神经网络模型，对所述待处理信道对应的信道质量参数进行处理，确定目标发射功率；
响应于所述服务器反馈的功率调整响应，获得并依据所述目标发射功率，调整所述当前终端的发射功率；
所述神经网络模型为基于如下方法获得的：
从经验池中随机选取预设数量的待训练样本信息，所述待训练样本信息包括第一状态、样本动作、样本奖励和第二状态，其中，所述第一状态和所述第二状态均表征样本车载终端使用待训练信道传输通信信号时的发射功率的取值概率，所述样本动作表征所述样本车载终端调整其发射功率的动作，所述样本奖励是执行所述样本动作所获得的奖励，所述样本奖励表征所述待训练信道对应的信道质量参数；
将所述预设数量的待训练样本信息输入至所述神经网络模型中进行迭代训练，获得训练后的所述神经网络模型。
8.一种服务器，其包括：
获取模块，被配置为响应于待处理车载终端发送的功率调整请求，获得所述待处理车载终端使用的待处理信道的标识和所述待处理车载终端的标识；
查询模块，被配置为依据所述待处理信道的标识查询获得所述待处理信道对应的信道质量参数；
第一处理模块，被配置为使用基于深度学习的神经网络模型，对所述待处理信道对应的信道质量参数进行处理，确定目标发射功率；
发送模块，被配置为依据所述待处理车载终端的标识和所述目标发射功率，生成功率调整响应，并向所述待处理车载终端发送所述功率调整响应，以使所述待处理车载终端依据所述目标发射功率调整其发射功率；
所述服务器，还包括：
训练模块，用于从经验池中随机选取预设数量的待训练样本信息，所述待训练样本信息包括第一状态、样本动作、样本奖励和第二状态，其中，所述第一状态和所述第二状态均表征样本车载终端使用待训练信道传输通信信号时的发射功率的取值概率，所述样本动作表征所述样本车载终端调整其发射功率的动作，所述样本奖励是执行所述样本动作所获得的奖励，所述样本奖励表征所述待训练信道对应的信道质量参数；将所述预设数量的待训练样本信息输入至所述神经网络模型中进行迭代训练，获得训练后的所述神经网络模型。
9.一种车载终端，其包括：
监听模块，被配置为对待处理信道进行监听，获得所述待处理信道对应的接收信号强度信息；
确定模块，被配置为依据所述接收信号强度信息和预设强度阈值，确定所述待处理信道发生网络拥塞；
第二处理模块，被配置为依据当前终端的标识和所述待处理信道的标识，生成并发送功率调整请求至服务器，以使所述服务器依据所述待处理信道的标识查询获得所述待处理信道对应的信道质量参数；使用基于深度学习的神经网络模型，对所述待处理信道对应的信道质量参数进行处理，确定目标发射功率；
调整模块，被配置为响应于所述服务器反馈的功率调整响应，获得并依据所述目标发射功率，调整所述当前终端的发射功率；
所述神经网络模型为基于如下方法获得的：
从经验池中随机选取预设数量的待训练样本信息，所述待训练样本信息包括第一状态、样本动作、样本奖励和第二状态，其中，所述第一状态和所述第二状态均表征样本车载终端使用待训练信道传输通信信号时的发射功率的取值概率，所述样本动作表征所述样本车载终端调整其发射功率的动作，所述样本奖励是执行所述样本动作所获得的奖励，所述样本奖励表征所述待训练信道对应的信道质量参数；
将所述预设数量的待训练样本信息输入至所述神经网络模型中进行迭代训练，获得训练后的所述神经网络模型。
CN202111289669.3A 2021-11-02 2021-11-02 用于车载终端的功率调整方法、车载终端和服务器 Active CN114126025B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111289669.3A CN114126025B (zh) 2021-11-02 2021-11-02 用于车载终端的功率调整方法、车载终端和服务器

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111289669.3A CN114126025B (zh) 2021-11-02 2021-11-02 用于车载终端的功率调整方法、车载终端和服务器

Publications (2)

Publication Number Publication Date
CN114126025A CN114126025A (zh) 2022-03-01
CN114126025B true CN114126025B (zh) 2023-04-28

Family

ID=80380209

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111289669.3A Active CN114126025B (zh) 2021-11-02 2021-11-02 用于车载终端的功率调整方法、车载终端和服务器

Country Status (1)

Country Link
CN (1) CN114126025B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106851559A (zh) * 2016-12-23 2017-06-13 大唐高鸿信息通信研究院（义乌）有限公司 一种适用于车载短距离通信网络的无线认知信道功率分配优化方法
CN109474980A (zh) * 2018-12-14 2019-03-15 北京科技大学 一种基于深度增强学习的无线网络资源分配方法
CN109639377A (zh) * 2018-12-13 2019-04-16 西安电子科技大学 基于深度强化学习的频谱资源管理方法
WO2019205046A1 (zh) * 2018-04-26 2019-10-31 华为技术有限公司 一种功率调整方法及相关设备
CN111313996A (zh) * 2020-03-31 2020-06-19 四川九强通信科技有限公司 基于强化学习的ap信道分配和功率控制联合优化方法
WO2021068194A1 (zh) * 2019-10-11 2021-04-15 深圳信息职业技术学院 天线信号处理模型的训练方法、装置、天线及存储介质
WO2021088462A1 (zh) * 2019-11-04 2021-05-14 Oppo广东移动通信有限公司 功率控制方法、传输资源的确定方法、装置、终端及介质

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016182292A1 (ko) * 2015-05-08 2016-11-17 엘지전자 주식회사 무선 통신 시스템에서 단말의 v2x 통신 수행 방법 및 상기 방법을 이용하는 단말
CN110580196B (zh) * 2019-09-12 2021-04-06 北京邮电大学 一种实现并行任务调度的多任务强化学习方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106851559A (zh) * 2016-12-23 2017-06-13 大唐高鸿信息通信研究院（义乌）有限公司 一种适用于车载短距离通信网络的无线认知信道功率分配优化方法
WO2019205046A1 (zh) * 2018-04-26 2019-10-31 华为技术有限公司 一种功率调整方法及相关设备
CN109639377A (zh) * 2018-12-13 2019-04-16 西安电子科技大学 基于深度强化学习的频谱资源管理方法
CN109474980A (zh) * 2018-12-14 2019-03-15 北京科技大学 一种基于深度增强学习的无线网络资源分配方法
WO2021068194A1 (zh) * 2019-10-11 2021-04-15 深圳信息职业技术学院 天线信号处理模型的训练方法、装置、天线及存储介质
WO2021088462A1 (zh) * 2019-11-04 2021-05-14 Oppo广东移动通信有限公司 功率控制方法、传输资源的确定方法、装置、终端及介质
CN111313996A (zh) * 2020-03-31 2020-06-19 四川九强通信科技有限公司 基于强化学习的ap信道分配和功率控制联合优化方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Wenjun Xu.Joint topology construction and power adjustment for UAV networks: A deep reinforcement learning based approach.《China Communications 》.2021,全文. *
左雨星 ; 郭爱煌 ; 黄博 ; 王露 ; .基于网络效用最大化的车联网功率控制算法.计算机应用.2017,(第12期),全文. *

Also Published As

Publication number Publication date
CN114126025A (zh) 2022-03-01

Similar Documents

Publication Publication Date Title
CN109392015B (zh) 一种资源选择方法及装置
CN111867034B (zh) 一种定位探测参考信号的配置方法、装置及设备
CN1168256C (zh) 量化前向链路与反向链路信道之间平衡度的方法
US7949077B2 (en) Response probability calculating device and method, and base station control device and communication system using the same
CN113543199B (zh) 传输波束报告的方法、移动终端和网络设备
CN111436118A (zh) 传输资源检测方法、传输资源确定方法和通信设备
US20220141773A1 (en) AI-Based Power Allocation for Efficient 5G/6G Communications
CN113260066B (zh) Ssb的测量配置方法和设备
CN113796022A (zh) 实现波束参考信令的方法、无线设备和网络节点
CN111866791A (zh) 一种直通链路传输方法和终端
CN113347592A (zh) V2x通信中资源分配的处理方法、系统、设备及介质
EP3836660A1 (en) Terminal device, wireless communication device, wireless communication system, and wireless communication method
CN114126025B (zh) 用于车载终端的功率调整方法、车载终端和服务器
CN104854833A (zh) 在无线通信中追踪接收功率
CN110463234B (zh) 直连通信的发送功率控制方法、装置、设备及存储介质
CN110710254B (zh) 通信系统中控制用户设备进行复制传输的方法及其设备
CN113891289B (zh) 功率调整方法、服务器和终端
KR101605687B1 (ko) 이동통신 시스템에서 단말의 버퍼 데이터 지연 추정 방법 및 장치
CN110972231B (zh) 配置系统信息的方法、装置、存储介质及网络设备和终端
CN112969141B (zh) 一种通信感知一体化非正交多址随机接入通信方法及装置
Fiems et al. Connectivity times in vehicular networks
KR101018854B1 (ko) 휴대 인터넷 시스템에서 대역 요청을 통한 서비스 ＱｏＳ 제어 장치 및 그 방법
CN114501628A (zh) 信息上报方法、信息接收方法、终端设备及网络设备
CN111050406B (zh) 发送系统信息的方法、装置、存储介质及网络设备
US20240147262A1 (en) Method for determining network parameter and method and apparatus for configuring wireless network

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