CN114302412A - 基站建设智能规划方法及装置、存储介质、终端设备 - Google Patents
基站建设智能规划方法及装置、存储介质、终端设备 Download PDFInfo
- Publication number
- CN114302412A CN114302412A CN202111619435.0A CN202111619435A CN114302412A CN 114302412 A CN114302412 A CN 114302412A CN 202111619435 A CN202111619435 A CN 202111619435A CN 114302412 A CN114302412 A CN 114302412A
- Authority
- CN
- China
- Prior art keywords
- base station
- model
- target area
- planning
- local
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000010276 construction Methods 0.000 title claims abstract description 42
- 238000003860 storage Methods 0.000 title claims abstract description 21
- 238000012549 training Methods 0.000 claims description 36
- 238000012545 processing Methods 0.000 claims description 23
- 230000002776 aggregation Effects 0.000 claims description 7
- 238000004220 aggregation Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 3
- 230000008569 process Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 5
- 239000013307 optical fiber Substances 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000013499 data model Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Images
Landscapes
- Mobile Radio Communication Systems (AREA)
Abstract
本公开涉及计算机技术领域，具体涉及一种基站建设智能规划方法、一种基站建设智能规划装置、一种存储介质以及一种终端设备。所述方法包括：接收目标终端发送的目标区域本地模型信息；其中，所述目标区域本地模型信息包括目标区域对应的目标区域地理模型、目标区域基站覆盖模型；将所述目标区域地理模型、目标区域基站覆盖模型输入已训练的基站规划预测模型，以获取所述目标区域对应的基站规划预测结果；其中，所述基站规划预测结果包括第二类基站数量。本公开能够实现对5G小基站建设的智能规划。
Description
技术领域
本公开涉及计算机技术领域，具体涉及一种基站建设智能规划方法、一种基站建设智能规划装置、一种存储介质以及一种终端设备。
背景技术
随着5G技术应用范围的不断扩展，5G用户和相关应用的逐渐增多，5G网络建设也在不断完善。在5G网络建设中，5G热点覆盖和信号传输需要不断的进行测量和比对。针对不同城市建筑，不断增长的5G用户人数怎样预测和调整小基站位置和数量，这需要多种地域数据和各种建设方案的综合测算和模拟。
需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本公开的目的在于提供一种基站建设智能规划方法、一种基站建设智能规划装置、一种存储介质以及一种终端设备，能够实现对5G小基站建设的智能规划，进而至少在一定程度上克服由于相关技术的限制和缺陷而导致的缺陷。
本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。
根据本公开的第一方面，提供一种基站建设智能规划方法，所述方法包括：
接收目标终端发送的目标区域本地模型信息；其中，所述目标区域本地模型信息包括目标区域对应的目标区域地理模型、目标区域基站覆盖模型；
将所述目标区域地理模型、目标区域基站覆盖模型输入已训练的基站规划预测模型，以获取所述目标区域对应的基站规划预测结果；其中，所述基站规划预测结果包括第二类基站数量。
在本公开的一种示例性实施例中，所述目标区域地理模型用于描述目标区域对应的建筑物信息；所述目标区域基站覆盖模型用于描述目标区域对应的第一类基站、用户信息。
在本公开的一种示例性实施例中，所述方法还包括：所述基站规划预测模型基于纵向联邦学习模型训练。
在本公开的一种示例性实施例中，所述方法还包括：预先训练所述基站规划预测模型，包括：
构建基于纵向联邦学习的基站规划预测模型；
接收多个终端的本地模型训练信息；其中，所述本地模型训练信息包括：所述终端对应的本地区域地理模型、本地区域基站覆盖模型；其中，所述本地区域地理模型、本地区域基站覆盖模型为密文数据；
对所述本地模型训练信息进行解密，以获取中间结果数据；
对所述中间结果数据进行聚合处理，以获取模型参数的梯度；
基于所述模型参数的梯度对所述基站规划预测模型进行更新，并在满足迭代终止条件时，结束迭代。
在本公开的一种示例性实施例中，所述本地区域地理模型包括：建筑物平均高度信息、第二类基站覆盖区域面积信息；
所述方法还包括：
采集所述终端对应的本地区域内的建筑物高度信息，以计算所述建筑物平局高度信息；以及
采集所述本地区域内第二类基站的部署方式，以基于部署方式确定第二类基站的覆盖区域面积信息；
基于所述建筑物平均高度信息和所述第二类基站覆盖区域面积信息构建所述本地区域地理模型。
在本公开的一种示例性实施例中，所述本地区域基站覆盖模型包括：第二类基站数量、第二类用户数量、第一类用户数量、各基站用户连接数量；
所述方法还包括：
基于所述第二类基站数量、第二类用户数量、第一类用户数量、各基站用户连接数量构建所述本地区域基站覆盖模型。
在本公开的一种示例性实施例中，所述方法还包括：
响应于目标终端的数据处理请求，创建所述目标终端对应的目标区域的规划预测任务，以用于执行所述规划预测任务。
根据本公开的第二方面，提供一种基站建设智能规划装置，所述装置包括：
数据接收模块，用于接收目标终端发送的目标区域本地模型信息；其中，所述目标区域本地模型信息包括目标区域对应的目标区域地理模型、目标区域基站覆盖模型；
预测结果生成模块，用于将所述目标区域地理模型、目标区域基站覆盖模型输入已训练的基站规划预测模型，以获取所述目标区域对应的基站规划预测结果；其中，所述基站规划预测结果包括第二类基站数量。
根据本公开的第三方面，提供一种存储介质，其上存储有计算机程序，所述程序被处理器执行时实现上述的基站建设智能规划方法。
根据本公开的第四方面，提供一种存储介质，其上存储有计算机程序，所述程序被处理器执行时实现上述的基站建设智能规划方法。
本公开的一种实施例所提供的基站建设智能规划方法中，通过预先训练基站规划预测模型，在云端接收端目标终端发送的目标区域本地模型信息后，便可以利用已训练的基站规划预测模型基于目标区域对应的目标区域地理模型、目标区域基站覆盖模型中包含的特征信息对目标区域内5G小基站的覆盖规划进行智能预测，在保护用户信息的情况下，实现对新规划区域小基站覆盖的智能预测。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。显而易见地，下面描述中的附图仅仅是本公开的一些实施例，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示意性示出本公开示例性实施例中一种基站建设智能规划方法的示意图；
图2示意性示出本公开示例性实施例中一种系统结构示意图；
图3示意性示出本公开示例性实施例中一种基站规划预测模型的训练方法的示意图；
图4示意性示出本公开示例性实施例中一种基站建设智能规划装置的示意图；
图5示意性示出本公开示例性实施例中一种终端设备的组成示意图；
图6示意性示出本公开示例性实施例中一种存储介质的示意图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。
此外，附图仅为本公开的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
在相关技术中，5G网络目前主要工作在中高频段，使得传统基站信号覆盖的范围就大大受限。另外，5G网络基站的密度比4G网络基站的要大很多，需要小基站等设备进行辅助信号传播。然而，由于各个运营商之间都是独立建站运营，小基站运营及覆盖情况数据无法共享，甚至同一家运营商各个省公司之间的数据也无法流动打通。
针对上述的现有技术的缺点和不足，本示例实施方式中提供了一种基站建设智能规划方法，可以应用于在各方数据隐私得到有效保护的情况下，实现对5G小基站建设的智能规划。参考图1中所示，上述的基站建设智能规划方法可以包括以下步骤：
步骤S11，接收目标终端发送的目标区域本地模型信息；其中，所述目标区域本地模型信息包括目标区域对应的目标区域地理模型、目标区域基站覆盖模型；
步骤S12，将所述目标区域地理模型、目标区域基站覆盖模型输入已训练的基站规划预测模型，以获取所述目标区域对应的基站规划预测结果；其中，所述基站规划预测结果包括第二类基站数量。
本示例实施方式所提供的基站建设智能规划方法中，通过预先训练基站规划预测模型，在云端接收端目标终端发送的目标区域本地模型信息后，便可以利用已训练的基站规划预测模型基于目标区域对应的目标区域地理模型、目标区域基站覆盖模型中包含的特征信息对目标区域内5G小基站的覆盖规划进行智能预测，在保护用户信息的情况下，实现对新规划区域小基站覆盖的智能预测。
下面，将结合附图及实施例对本示例实施方式中的物理随机接入信道资源管理方法的各个步骤进行更详细的说明。
一般而言，由于5G高频段信号覆盖范围小、穿透建筑物能力弱，因此，在众多的应用场景中，都需要通过部署小基站(Small Cell)来解决小范围内的网络容量问题。小基站可以工作于授权频谱，也可以是工作于运营商级的非授权频谱的WiFi接入点；可以在室内、室外部署。小基站的主要特点包括：部署简单；具备自优化、自配置、自干扰管理的能力；若部署于城市和密集区域，需与宏基站同步；具备灵活的回传能力。小基站的构成一般可以包括：RRU(Remote Radio Unit，射频处理单元)、BBU(Building Base band Unit，基带处理单元)、有源天线、直放站(中继器)。小基站通常的覆盖范围为10米到几百米。根据发射功率(50mW—5W之间)的不同，小基站可以分为微基站(Micro Cell)、纳米基站(Nano Cell)、皮基站(Pico Cell)和飞基站(Femto Cell)等。其中，飞基站(Femto Cell)一般部署于家庭和企业环境的无线接入点，典型的发射功率为100mW，覆盖范围50米，可同时服务用户数8(家庭)到16(企业)人，采用家用现有的网线或光纤回传。皮基站(Pico Cell)一般部署于室内，典型的发射功率为250mW，覆盖范围250米，可同时服务用户数32到64人。微基站(MicroCell)一般部署于室外，典型的发射功率为2到5W，站高8-10米，覆盖范围500米，可同时服务用户数32到200人，通常安装在城市路灯、建筑物上，回传方式采用光纤、微波、Mesh组网等。此外，在一些分类中，还可以包括室外基站Meadow cell，一般部署于偏远乡村的室外小基站，典型的发射功率为5到40W，站5-15米，覆盖范围1到10公里，可同时服务用户数32到64人，通常部署在居民楼顶。
在步骤S10中，响应于目标终端的数据处理请求，创建所述目标终端对应的目标区域的规划预测任务，以用于执行所述规划预测任务。
本示例实施方式中，参考图2所示的架构示意图，上述的方法可以由云端服务器20执行。在云端服务器20可以与多个联邦节点之间进行数据通讯；例如，与联邦节点C211、联邦节点A212、联邦节点B213之间进行通讯。其中，上述的目标终端可以是一个区域的本地端设备，例如通信服务器。例如，参考图2所示，上述的目标终端可以是5G小基站的待规划区域，即联邦节点B213；上述的目标区域可以是5G小基站待规划区域。上述的联邦节点A212、联邦节点B211可以是5G网络成熟区域。在两个区域内，可以部署有不同数量的宏基站201和小基站202；各宏基站201下可以部署有不同数量、不同类型的小基站202。此外，上述的联邦节点A212、联邦节点B211可以是属于不同运营商，或者同一运营商但隶属关系不同，无法直接共享原始数据的5G网络建设成熟、运行稳定的地区。
在联邦节点B213，可以向云端服务器20上传一数据处理请求；该数据处理请求可以用于请求云端服务器对该待规划区域进行规划预测。对于云端服务器来说，在接收到数据处理请求后，便可以为该目标终端创建对应的目标区域的规划预测任务，并向联邦节点B的本地服务器反馈任务创建指示信息。联邦节点B的本地服务器在接收到创建指示信息后，便可以对待规划区域进行数据采集、处理，创建待规划区域的目标区域本地模型信息；并将该目标区域本地模型信息上传至云端服务器。其中，上述的目标区域本地模型信息可以包括目标区域对应的目标区域地理模型、目标区域基站覆盖模型。
在步骤S11中，接收目标终端发送的目标区域本地模型信息；其中，所述目标区域本地模型信息包括目标区域对应的目标区域地理模型、目标区域基站覆盖模型。
本示例实施方式中，云端服务器可以接收目标终端发送的目标区域本地模型信息。该信息可以是加密数据。
本示例实施方式中，对于云端服务器而言，可以预先创建基于纵向联邦学习模型的基站规划预测模型。具体而言，参考图3所示，基站规划预测模型的训练方法可以包括：
步骤S31，构建基于纵向联邦学习的基站规划预测模型；
步骤S32，接收多个终端的本地模型训练信息；其中，所述本地模型训练信息包括：所述终端对应的本地区域地理模型、本地区域基站覆盖模型；其中，所述本地区域地理模型、本地区域基站覆盖模型为密文数据；
步骤S33，对所述本地模型训练信息进行解密，以获取中间结果数据；
步骤S34，对所述中间结果数据进行聚合处理，以获取模型参数的梯度；
步骤S35，基于所述模型参数的梯度对所述基站规划预测模型进行更新，并在满足迭代终止条件时，结束迭代。
具体的，在云端服务器，可以联合多个不同的5G成熟区域构建纵向联邦学习模型。例如，参考图2所示的网络架构，云端服务器可以联合联邦节点C、联邦节点B对应的本地服务器构建联邦学习模型框架。对于各联邦节点来说，可以采集本地数据，并对数据进行处理后构建本地区域地理模型、本地区域基站覆盖模型。
本示例实施方式中，所述本地区域地理模型包括：建筑物平均高度信息、第二类基站覆盖区域面积信息。
上述的方法还可以包括：
采集所述终端对应的本地区域内的建筑物高度信息，以计算所述建筑物平局高度信息；以及
采集所述本地区域内第二类基站的部署方式，以基于部署方式确定第二类基站的覆盖区域面积信息；
基于所述建筑物平均高度信息和所述第二类基站覆盖区域面积信息构建所述本地区域地理模型。
具体的，在5G网络成熟区域，可以采集本区域内建筑物高度信息，并计算对应的建筑物平均高度。或者，在一些示例性实施方式中，也可以仅采集已部署宏基站、小基站的建筑物的高度数据，并计算建筑物平均高度数据。另外，还可以采集区域内的部署的小基站的覆盖区域面积。例如，可以根据小基站的类型来确定其覆盖区域面积。在统计上述的数据后，便可以建立数据矩阵，并基于数据矩阵构建本地区域地理模型。此外，在一些示例性实施方式中，还可以在本地区域地理模型中添加区域面积数据、建筑物数量、建筑物类型等特征数据。例如，建筑物类型可以是居民楼、写字楼、商场等类型，从而可以在地理模型中体现区域面积、建筑物数量、建筑物类型、建筑物高度等特征之间的关联关系。
本示例实施方式中，所述本地区域基站覆盖模型包括：第二类基站数量、第二类用户数量、第一类用户数量、各基站用户连接数量。
所述方法还包括：
基于所述第二类基站数量、第二类用户数量、第一类用户数量、各基站用户连接数量构建所述本地区域基站覆盖模型。
具体的，上述的第二类基站可以是指5G小基站，上述的第一类基站可以是指4G网络基站。具体的，在5G网络成熟区域内，可以首先确定宏基站的数量，再基于各宏基站进行数据统计；例如，统计各宏基站下挂载的5G小基站数量、宏基站的数量、4G用户数量、5G用户数量、单个基站用户连接数量。其中，上述的4G用户数量、5G用户数量可以是统计的注册用户数据；或者，也可以是通过一定时长内的活跃用户数量的统计结果。上述的单个基站用户连接数可以是统计的基站连接用户的最大数量。在采集上述的各项数据后，便可以作为特征数据，建立数据矩阵，并基于数据矩阵构建基站覆盖模型。此外，还可以在基站覆盖模型中区分不同类型的小基站的数量，各小基站的平均用户连接数量等特征数量、历史4G用户总数。
各联邦节点在本地采集数据后，对数据进行处理构建本地区域地理模型、本地区域基站覆盖模型。对于各联邦节点而言，通过该两个模型，可以充分的描述本地区域的具体的5G网络部署情况，以及5G网络的部署策略。此外，在一些示例性实施例中，在数据模型中，各类型数据还可以配置有标签信息。
本示例实施方式中，在模型训练时，云端服务器和各联邦节点进行初始化后，在云端服务器可以将联邦学习方案发送给不同终端，其中，学习方案中可以包括具体的标签配置方式以及公钥；各终端进行初始化，各联邦节点在本地运行训练，依据采集的数据模型学习本地模型参数；以及创建可交换加密密钥和加同态代理重加密密钥对；除了加同态代理重加密的公钥外，其它密钥保密；以及，云端服务器接收终端训练好的参数后进行联合分发。对于各终端，在线性回归模型训练中，通过可交换加密的方式加密终端的本地模型训练信息；通过同态加密算法加密模型参数与样本特征的乘积与样本标签的差值以及样本特征本身，样本特征是与训练模型效果有关的特征。在逻辑回归模型训练中，通过可交换加密算法加密终端的本地模型训练信息数，通过同态加密算法加密模型参数与样本特征的乘积以及样本特征本身，通过同态加密算法加密样本标签。各终端利用同态加密算法对数据进行加密传输，在更换数据后，进行梯度计算并更新本地数据库中的特征参数矩阵，以在各终端完成一次训练，并将训练结果发送至云端服务器。云端服务器接收各终端，即各联邦节点上传的加密后的本地模型训练信息，并进行解密处理，获取中间结果数据。云端服务器对中间结果数据进行聚合处理，得到模型参数的梯度，并对模型参数进行更新。在一轮更新后，云端服务器可以将新的训练计划发送至各终端，使各终端参数训练。服务器整合来自各终端发送的数据，更新训练数据的参数，进入新的循环，直到整个过程结束。举例来说，模型训练迭代终止的条件可以是迭代次数。
当然，对于纵向联邦学习模型的训练的具体过程，也可以参考现有技术中的纵向联邦学习模型的训练方法。
在步骤S12中，将所述目标区域地理模型、目标区域基站覆盖模型输入已训练的基站规划预测模型，以获取所述目标区域对应的基站规划预测结果；其中，所述基站规划预测结果包括第二类基站数量。
本示例实施方式中，云端服务器可以将接收的待规划区域的目标区域本地模型信息作为输入参数，输入至已训练完成的基于纵向联邦学习的基站规划预测模型中，并输出模型预测结果。其中，模型预测结果可以包括第二类基站数量。另外，还可以包括各类型的5G小基站的数量，在各建筑物中的5G小基站的部署方式；得等等。
本公开提供的基站建设智能规划方法，通过构建基于纵向联邦学习的规划预测模型，可以引入多家公司多个区域地理信息、多种不同地区5G基站成熟建设方案数据和本地训练模型的共享和聚合，通过联邦学习进行模型加密聚合和更新，打破数据孤岛，保护用户隐私，聚合训练5G小基站建设方案的智能规划和预测的AI模型。通过该预测模型，对于规划建设5G的区域，能实现基于4G用户数量预测5G用户区域规模。可以有效的保护用户隐私，节省重复建设资源，降低试错成本；并且实现合理规划5G小基站数量，节约资源和建设成本，并提升区域内的5G信号质量。
需要注意的是，上述附图仅是根据本发明示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。
进一步的，参考图4所示，本示例的实施方式中还提供了一种基站建设智能规划装置40，可以应用于云端设备；包括：数据接收模块401、预测结果生成模块402。其中，
所述数据接收模块401可以用于接收目标终端发送的目标区域本地模型信息；其中，所述目标区域本地模型信息包括目标区域对应的目标区域地理模型、目标区域基站覆盖模型。
所述预测结果生成模块402可以用于将所述目标区域地理模型、目标区域基站覆盖模型输入已训练的基站规划预测模型，以获取所述目标区域对应的基站规划预测结果；其中，所述基站规划预测结果包括第二类基站数量。
在一些示例性实施方式中，所述目标区域地理模型用于描述目标区域对应的建筑物信息；所述目标区域基站覆盖模型用于描述目标区域对应的第一类基站、用户信息。
在一些示例性实施方式中，所述基站规划预测模型基于纵向联邦学习模型训练。
在一些示例性实施方式中，所述装置还包括：模型训练模块。
所述模型训练模块可以用于预先训练所述基站规划预测模型，包括：构建基于纵向联邦学习的基站规划预测模型；接收多个终端的本地模型训练信息；其中，所述本地模型训练信息包括：所述终端对应的本地区域地理模型、本地区域基站覆盖模型；其中，所述本地区域地理模型、本地区域基站覆盖模型为密文数据；对所述本地模型训练信息进行解密，以获取中间结果数据；对所述中间结果数据进行聚合处理，以获取模型参数的梯度；基于所述模型参数的梯度对所述基站规划预测模型进行更新，并在满足迭代终止条件时，结束迭代。
在一些示例性实施方式中，所述本地区域地理模型包括：建筑物平均高度信息、第二类基站覆盖区域面积信息。
所述装置还包括：第一子数据处理模块，可以用于采集所述终端对应的本地区域内的建筑物高度信息，以计算所述建筑物平局高度信息；以及采集所述本地区域内第二类基站的部署方式，以基于部署方式确定第二类基站的覆盖区域面积信息；基于所述建筑物平均高度信息和所述第二类基站覆盖区域面积信息构建所述本地区域地理模型。
在一些示例性实施方式中，所述本地区域基站覆盖模型包括：第二类基站数量、第二类用户数量、第一类用户数量、各基站用户连接数量。
所述装置还可以包括：第二子数据处理模块，可以用于基于所述第二类基站数量、第二类用户数量、第一类用户数量、各基站用户连接数量构建所述本地区域基站覆盖模型。
在一些示例性实施方式中，所述装置还可以包括：响应处理模块。
所述响应处理模块可以用于响应于目标终端的数据处理请求，创建所述目标终端对应的目标区域的规划预测任务，以用于执行所述规划预测任务。
上述的基站建设智能规划装置中各模块的具体细节已经在对应的基站建设智能规划方法中进行了详细的描述，因此此处不再赘述。
应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
在本公开的示例性实施例中，还提供了一种能够实现上述方法的计算机系统。
所属技术领域的技术人员能够理解，本发明的各个方面可以实现为系统、方法或程序产品。因此，本发明的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。
下面参照图5来描述根据本发明的这种实施方式的终端设备900。图5显示的终端设备900仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图5所示，终端设备900以通用计算设备的形式表现。计算机系统600的组件可以包括但不限于：上述至少一个处理单元610、上述至少一个存储单元620、连接不同系统组件(包括存储单元620和处理单元610)的总线630。
其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元610执行，使得所述处理单元610执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。例如，所述处理单元610可以执行如上述实施例中所示的步骤。
存储单元620可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)6201和/或高速缓存存储单元6202，还可以进一步包括只读存储单元(ROM)6203。
存储单元620还可以包括具有一组(至少一个)程序模块6205的程序/实用工具6204，这样的程序模块6205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线630可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
计算机系统600也可以与一个或多个外部设备700(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该计算机系统600交互的设备通信，和/或与使得该计算机系统600能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口650进行。并且，计算机系统600还可以通过网络适配器660与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器660通过总线630与计算机系统600的其它模块通信。应当明白，尽管图中未示出，可以结合计算机系统600使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施方式的方法。
在本公开的示例性实施例中，还提供了一种计算机可读存储介质，其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施方式中，本发明的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。
参考图6所示，描述了根据本发明的实施方式的用于实现上述方法的程序产品100，其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本发明的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
此外，上述附图仅是根据本发明示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其他实施例。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由权利要求指出。
应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限。
Claims (10)
1.一种基站建设智能规划方法，其特征在于，所述方法包括：
接收目标终端发送的目标区域本地模型信息；其中，所述目标区域本地模型信息包括目标区域对应的目标区域地理模型、目标区域基站覆盖模型；
将所述目标区域地理模型、目标区域基站覆盖模型输入已训练的基站规划预测模型，以获取所述目标区域对应的基站规划预测结果；其中，所述基站规划预测结果包括第二类基站数量。
2.根据权利要求1所述的基站建设智能规划方法，其特征在于，所述目标区域地理模型用于描述目标区域对应的建筑物信息；所述目标区域基站覆盖模型用于描述目标区域对应的第一类基站、用户信息。
3.根据权利要求1或2所述的基站建设智能规划方法，其特征在于，所述方法还包括：所述基站规划预测模型基于纵向联邦学习模型训练。
4.根据权利要求3所述的基站建设智能规划方法，其特征在于，所述方法还包括：预先训练所述基站规划预测模型，包括：
构建基于纵向联邦学习的基站规划预测模型；
接收多个终端的本地模型训练信息；其中，所述本地模型训练信息包括：所述终端对应的本地区域地理模型、本地区域基站覆盖模型；其中，所述本地区域地理模型、本地区域基站覆盖模型为密文数据；
对所述本地模型训练信息进行解密，以获取中间结果数据；
对所述中间结果数据进行聚合处理，以获取模型参数的梯度；
基于所述模型参数的梯度对所述基站规划预测模型进行更新，并在满足迭代终止条件时，结束迭代。
5.根据权利要求4所述的基站建设智能规划方法，其特征在于，所述本地区域地理模型包括：建筑物平均高度信息、第二类基站覆盖区域面积信息；
所述方法还包括：
采集所述终端对应的本地区域内的建筑物高度信息，以计算所述建筑物平局高度信息；以及
采集所述本地区域内第二类基站的部署方式，以基于部署方式确定第二类基站的覆盖区域面积信息；
基于所述建筑物平均高度信息和所述第二类基站覆盖区域面积信息构建所述本地区域地理模型。
6.根据权利要求4所述的基站建设智能规划方法，其特征在于，所述本地区域基站覆盖模型包括：第二类基站数量、第二类用户数量、第一类用户数量、各基站用户连接数量；
所述方法还包括：
基于所述第二类基站数量、第二类用户数量、第一类用户数量、各基站用户连接数量构建所述本地区域基站覆盖模型。
7.根据权利要求1所述的基站建设智能规划方法，其特征在于，所述方法还包括：
响应于目标终端的数据处理请求，创建所述目标终端对应的目标区域的规划预测任务，以用于执行所述规划预测任务。
8.一种基站建设智能规划装置，其特征在于，所述装置包括：
数据接收模块，用于接收目标终端发送的目标区域本地模型信息；其中，所述目标区域本地模型信息包括目标区域对应的目标区域地理模型、目标区域基站覆盖模型；
预测结果生成模块，用于将所述目标区域地理模型、目标区域基站覆盖模型输入已训练的基站规划预测模型，以获取所述目标区域对应的基站规划预测结果；其中，所述基站规划预测结果包括第二类基站数量。
9.一种存储介质，其上存储有计算机程序，所述程序被处理器执行时实现根据权利要求1至7中任一项所述的基站建设智能规划方法。
10.一种终端设备，其特征在于，包括：
处理器；以及
存储器，用于存储所述处理器的可执行指令；
其中，所述处理器配置为经由执行所述可执行指令来执行权利要求1至7中任一项所述的基站建设智能规划方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111619435.0A CN114302412A (zh) | 2021-12-27 | 2021-12-27 | 基站建设智能规划方法及装置、存储介质、终端设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111619435.0A CN114302412A (zh) | 2021-12-27 | 2021-12-27 | 基站建设智能规划方法及装置、存储介质、终端设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114302412A true CN114302412A (zh) | 2022-04-08 |
Family
ID=80969508
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111619435.0A Pending CN114302412A (zh) | 2021-12-27 | 2021-12-27 | 基站建设智能规划方法及装置、存储介质、终端设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114302412A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115988509A (zh) * | 2022-12-05 | 2023-04-18 | 北京中网华通设计咨询有限公司 | 一种通信网络规划方法、系统、终端及存储介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105451244A (zh) * | 2015-11-13 | 2016-03-30 | 华中科技大学 | 一种小型基站协作的覆盖概率估计方法 |
| US20160157106A1 (en) * | 2014-12-01 | 2016-06-02 | Jdsu Uk Limited | Techniques for providing a small cell deployment plan |
| CN108718454A (zh) * | 2018-05-09 | 2018-10-30 | 中国人民解放军火箭军工程大学 | 一种多无人机通信中继平台协作自主布设方法 |
| CN109788489A (zh) * | 2019-02-21 | 2019-05-21 | 中国联合网络通信集团有限公司 | 一种基站规划方法及装置 |
| CN110633805A (zh) * | 2019-09-26 | 2019-12-31 | 深圳前海微众银行股份有限公司 | 纵向联邦学习系统优化方法、装置、设备及可读存储介质 |
| CN112929891A (zh) * | 2021-01-20 | 2021-06-08 | 北京市测绘设计研究院 | 一种基于室内三维结构化模型的5g基站信号仿真和优化选址方法 |
-
2021
- 2021-12-27 CN CN202111619435.0A patent/CN114302412A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160157106A1 (en) * | 2014-12-01 | 2016-06-02 | Jdsu Uk Limited | Techniques for providing a small cell deployment plan |
| CN105451244A (zh) * | 2015-11-13 | 2016-03-30 | 华中科技大学 | 一种小型基站协作的覆盖概率估计方法 |
| CN108718454A (zh) * | 2018-05-09 | 2018-10-30 | 中国人民解放军火箭军工程大学 | 一种多无人机通信中继平台协作自主布设方法 |
| CN109788489A (zh) * | 2019-02-21 | 2019-05-21 | 中国联合网络通信集团有限公司 | 一种基站规划方法及装置 |
| CN110633805A (zh) * | 2019-09-26 | 2019-12-31 | 深圳前海微众银行股份有限公司 | 纵向联邦学习系统优化方法、装置、设备及可读存储介质 |
| CN112929891A (zh) * | 2021-01-20 | 2021-06-08 | 北京市测绘设计研究院 | 一种基于室内三维结构化模型的5g基站信号仿真和优化选址方法 |
Non-Patent Citations (2)
| Title |
|---|
| 崔春宇;: "基于随机森林的LTE网络覆盖评估研究", 通讯世界, no. 04, 25 April 2020 (2020-04-25) * |
| 马鸿泰;冯健;王亚昕;: "室外型小基站宏微协调规划方法研究", 电信技术, no. 01, 25 January 2017 (2017-01-25), pages 3 - 5 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115988509A (zh) * | 2022-12-05 | 2023-04-18 | 北京中网华通设计咨询有限公司 | 一种通信网络规划方法、系统、终端及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Oughton et al. | An open-source techno-economic assessment framework for 5G deployment | |
| CN105900344A (zh) | 毫米波表面波通信 | |
| Al Homssi et al. | On the bound of energy consumption in cellular IoT networks | |
| Bian et al. | Performance evaluation of communication technologies and network structure for smart grid applications | |
| Bouras et al. | Comparison of LoRa simulation environments | |
| Hsu et al. | Optimizing spectrum-energy efficiency in downlink cellular networks | |
| Bouras et al. | Techno-economic analysis of ultra-dense and DAS deployments in mobile 5G | |
| Santoyo-González et al. | Edge nodes infrastructure placement parameters for 5G networks | |
| CN115225662B (zh) | 一种基于数字孪生和区块链的高效可信能源数据处理方法 | |
| Guo et al. | Optimal deployment and dimensioning of fog computing supported vehicular network | |
| CN114302412A (zh) | 基站建设智能规划方法及装置、存储介质、终端设备 | |
| Zhen et al. | Optimal placement of data concentrators for expansion of the smart grid communications network | |
| Manjunatha et al. | Multi-band heterogeneous wireless network architecture for industrial automation: A techno-economic analysis | |
| Zhang et al. | Cell edge user capacity-coverage reliability tradeoff for 5G-R systems with overlapped linear coverage | |
| Almuhaya et al. | An Overview on LoRaWAN Technology Simulation Tools | |
| Azeemi et al. | Customer-in-Loop Adaptive Supply Chain Migration Model to Enable IoT | |
| Le et al. | CIM compliant multiplatform approach for cyber-physical energy system assessment | |
| Riihijärvi et al. | What will interference be like in 5G HetNets? | |
| Liu et al. | Game based robust power allocation strategy with QoS guarantee in D2D communication network | |
| Wang et al. | Research on Application Method of NB-IOT in Power Consumption Information Collection System | |
| Chen et al. | Coverage probability and average rate of downlink user‐centric wireless cellular networks with composite κ–μ shadowed and lognormal shadowed fading | |
| Yang et al. | A robust stackelberg game based uplink power control for device-to-device communication with channel uncertainty and outage probability constraints | |
| CN101472285A (zh) | 优化无线网络结构的方法和装置 | |
| Wang et al. | Economic evaluation for 5G planning of distribution network considering transmission loss and vulnerability | |
| Mengjun et al. | Self-healing based on cooperative transmission via bender's decomposition in cloud radio access 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 |