CN114339774A - 频谱资源共享方法、装置、电子设备及存储介质 - Google Patents
频谱资源共享方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN114339774A CN114339774A CN202011073981.4A CN202011073981A CN114339774A CN 114339774 A CN114339774 A CN 114339774A CN 202011073981 A CN202011073981 A CN 202011073981A CN 114339774 A CN114339774 A CN 114339774A
- Authority
- CN
- China
- Prior art keywords
- service data
- data
- historical
- service
- data volume
- 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
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
- H04W16/02—Resource partitioning among network components, e.g. reuse partitioning
- H04W16/04—Traffic adaptive resource partitioning
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
- H04W16/14—Spectrum sharing arrangements between different networks
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W28/00—Network traffic management; Network resource management
- H04W28/16—Central resource management; Negotiation of resources or communication parameters, e.g. negotiating bandwidth or QoS [Quality of Service]
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Quality & Reliability (AREA)
- Mobile Radio Communication Systems (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本申请提供了一种频谱资源共享方法、装置、电子设备及存储介质,属于无线通信及人工智能技术领域。该方法包括:根据至少两个无线接入技术RAT系统的历史业务数据,预测所述至少两个RAT系统在设定第一共享周期内的业务数据量;根据预测的业务数据量,为所述至少两个RAT系统分别分配所述第一共享周期内的频谱资源。基于本申请实施例提供的该方案,能够有效提供频谱资源的利用率,提升用户的业务感知。
Description
技术领域
本申请涉及无线通信及人工智能技术领域,具体而言,本申请涉及一种频谱资源共享方法、装置、电子设备及存储介质。
背景技术
为了弥补5G(5th-Generation,第五代移动通信技术)运营商缺少5G频谱以及快速实现全国范围的5G覆盖,频谱资源共享技术应运而生。通过让4G基站共享一部分频谱资源(时域或频域)给5G基站,以及5G基站共用4G基站的射频单元,5G基站可以获得更多的频谱资源,并且实现更快的全国覆盖。
目前现有的频谱资源共享方案中,4G基站和5G基站共享哪些载波是由当前的4G业务量和当前的5G业务量决定的,在一个载波开关周期内(通常为几秒)共享的频谱资源是固定不变的,而4G和5G基站的业务量是按照秒甚至毫秒来变化的,因此,现有技术方案所能共享的频谱资源与实时变化的4G/5G业务量不匹配,会导致一部分业务获取的频谱资源过多,占用的时间过长,带来频谱资源的浪费,另一部分业务获取的频谱资源不足且需要等待较长时间来获取更多频谱资源,这会增加业务的时延并降低业务的速率。因此,现有的频谱资源共享方案是有待改进的。
发明内容
为了解决现有技术中所存在的问题中的至少一项,本申请提供一种频谱资源共享方法、装置、电子设备及存储介质,本申请实施例所提供的方案具体如下:
一方面,本申请提供了一种频谱资源共享方法,该方法包括:
根据至少两个RAT(Radio Access Technology,无线接入技术)系统的历史业务数据,预测所述至少两个RAT系统在设定第一共享周期内的业务数据量
根据预测的业务数据量,为所述至少两个RAT系统分别分配所述第一共享周期内的频谱资源。
另一方面,本申请提供了一种频谱资源共享装置,该装置包括:
数据量预测模块,用于根据至少两个RAT系统的历史业务数据,预测所述至少两个RAT系统在设定第一共享周期内的业务数据量;
资源分配模块,用于根据预测的业务数据量,为所述至少两个RAT系统分别分配所述第一共享周期内的频谱资源另一方面,本申请提供了一种电子设备,该电子设备包括存储器和处理器;其中,存储器中存储有计算机程序;处理器用于在运行上述计算机程序时执行本申请实施例所提供的方法。
另一方面,本申请提供了一种计算机可读存储介质,该存储介质中存储有计算机程序,计算机程序在被处理器运行时执行本申请所提供的方法。
本申请实施例提供的技术方案带来的有益效果将在下文具体实施方式部分的描述中结合各可选实施例进行详细描述,在此不再展开说明。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对本申请实施例描述中所需要使用的附图作简单地介绍。
图1示出了本申请实施例提供的一种频谱资源共享方法的流程示意图;
图2示出了本申请一实施例中提供的一种频谱资源共享方法的流程示意图;
图3示出了本申请一示例中的一种历史业务数据的数据格式示意图;
图4和图5示出了本申请的可选实施例中提供的基于历史业务数据预测下一周期的新增业务数据量的原理示意图;
图6示出了本申请一示例中提供的一种历史业务数据的归类处理的流程示意图;
图7示出了本申请一可选实施例提供的一种基于历史业务数据鞥矩阵得到时不变业务数据特征矩阵的示意图;
图8示出了本申请一可选实施例中提供的一种基于历史业务数据特征矩阵得到时变业务数据特征矩阵的原理示意图;
图9示出了本申请一可选实施例中提供的一种通过主成分分析算法将历史业务数据分解为时不变数据和时变数据的原理示意图;
图10和图11示出了本申请一示例提供的时变矩阵的物理意义的说明示意图;
图12和13示出了本申请一可选实施例中提供的一种通过逆主成分分析算法得到预测业务数据量的原理示意图;
图14示出了本申请一可选实施例中提供的一种确定目标资源分配方案的流程示意图;
图15示出了本申请一示例中提供的一种确定历史遗留业务数据量的原理示意图;
图16示出了本申请一示例中提供的一种确定下一周期的各时隙的总数据量的原理示意图;
图17示出了梯度下降算法的原理示意图
图18示出本申请一示例中提供的一种频谱资源信息发送时的数据格式和数据内容的示意图;
图19示出了本申请实施例提供的一种频谱资源共享装置的结构示意图;
图20示出了本申请实施例提供的一种频谱资源共享方法的流程示意图;
图21示出了本申请实施例提供的一种频谱资源共享装置的结构示意图;
图22示出了本申请提供的一种电子设备的结构示意图。
具体实施方式
下面详细描述本申请的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本申请,而不能解释为对本发明的限制。
本技术领域技术人员可以理解,除非特意声明,这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是,本申请的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件,但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解,当我们称元件被“连接”或“耦接”到另一元件时,它可以直接连接或耦接到其他元件,或者也可以存在中间元件。此外,这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。
为了更好的理解及说明本申请实施例所提供的方案,下面首先对本申请所涉及的相关技术进行说明。
频谱资源共享,即不同RAT系统之间的频谱资源的共享,频谱共享技术具备横跨不同网络或系统的动态频谱配置和管理功能,可实现髙效、动态、灵活的频谱使用,以提升空口效率、系统覆盖层次和密度等,从而提髙频谱综合利用效率。
目前,4G基站和5G基站之间最小共享的频谱资源为一个载波,共享哪些载波是由当前的4G业务量和当前的5G业务量决定的,且在一个载波开关周期内共享的频谱资源是固定不变的,但基站的业务量是按照秒甚至是毫秒变化的,不同业务类型的业务量大小也相差很多,按照当前的业务量来确定共享的频谱资源,会导致所能共享的频谱资源无法与实时变化的业务量相配,导致有些业务会造成资源浪费,而有些业务获取的资源不足,增加了业务时延,降低了业务效率。
为了解决现有方案中所存在的问题中的至少一项,本申请实施例提供的频谱资源共享方法,基于历史业务数据来预测下一周期的业务量,从而能够根据预测出的业务量实现频谱资源的动态分配,从而使得业务量与分配的资源能够更加匹配,提供资源利用率,避免资源浪费。
本申请实施例的解决方案是通过历史流量(也可以称为业务数据量)分类、主成分分析和人工智能实现流量分布(流量在时间维度上的分布)的预测,将4G网络的频谱资源和5G网络进行共享,因此能够很好的匹配时变的流量,节省了频率资源,提高了系统性能。
下面以具体地实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图,对本申请的实施例进行描述。
图1示出了本申请实施例提供的一种频谱资源共享方法的流程示意图,如图中所示,该方法可以包括以下步骤:
步骤S110:获取第一RAT系统的第一历史业务数据、以及第二RAT系统的第二历史业务数据;
其中,第一RAT系统和第二RAT系统为不同的无线通信系统,可选的,第一RAT系统可以是4G通信系统(下文中简称为4G/4G系统/4G基站),第二RAT系统可以是5G通信系统(下文中简称为5G/5G系统/5G基站)。
对于第一历史业务数据和第二历史业务数据中的任一历史业务数据,历史业务数据包括至少一个历史周期的待传输数据量。其中,对于一个周期的时长,本申请实施例不做限定,可以根据实际需求配置,一个周期可以包括至少一个时间单元,如一个周期可以是一个帧长(如10毫秒),一个时间单元的粒度本申请实施例也不做限定,如可以是一个TTI(Transport Time Interval,传输时间间隔)、一个时隙(slot)、一个子帧等,对于不同的RAT系统,时间单元的名称或者时长可能是不同的,如对于4G系统而言,一个TTI的时长等于一个slot。
步骤S120:根据第一历史业务数据和第二历史业务数据,确定下一周期的第一RAT系统的第一新增业务数据量和第二RAT系统的第二新增业务数据量;
步骤S130:根据第一新增业务数据量和第二新增业务数据量,确定第一RAT系统和第二RAT系统在下一周期分别所对应的频谱资源,即根据第一RAT系统的数据量和第二RAT系统的数据量,为两个RAT系统分别分配下一周期内的频谱资源。
本申请提供的该方案,根据第一RAT系统和第二RAT系统的至少一个周期的历史业务数据,预测下一周期的新增业务数据量,并基于预测出的业务量来分配资源即确定第一RAT系统和第二RAT系统的共享频谱资源,与现有的技术方案相比,本申请的该方案是根据基于历史业务数据预测出的下一周期的新增业务量来确定共享频谱资源,而不是基于当前的业务量来确定共享频谱资源,因此,该方案能够更加符合业务量实时变化的特点,确定出的共享频谱资源能够与实时变化的业务量更加匹配,使得资源的分配更加合理,更好的满足实际业务需求,提高了资源利用率。
其中,根据第一历史业务数据和第二历史业务数据,确定下一周期的第一RAT系统的第一新增业务数据量和第二RAT系统的第二新增业务数据量的具体实现方式,本申请实施例不做限定,如可以通过预训练好的AI(Artificial Intelligence,人工智能)模型实现,可选的,模型的输入可以包括第一历史业务数据和第二历史业务数据,输出为第一新增业务数据量和第二新增业务数据量。
本申请实施例提供该频谱资源的共享方法,可以由任一电子设备执行,如可以由第一RAT系统的基站执行,如4G基站执行,或者由能够与第一RAT系统的基站和第二RAT系统的基站通信的电子设备执行,该电子设备能够获取到上述历史业务数据,并根据历史业务数据预测出两系统下一周期的业务量,基于该预测出的业务量确定出两系统之间的共享频谱资源。
下文中将以4G基站为该方案的执行主体为例进行说明,相应的,4G基站和5G基站可以分别收集各自对应的历史业务数据,5G基站将收集的历史业务数据按照指定的格式(预先约定的格式)发送给4G基站,4G基站接收到5G基站发送的数据后,按照指定的格式进行读取,得到5G基站的历史业务数据,并根据4G基站的历史业务数据以及5G基站的历史业务数据执行本申请实施例提供的方法,确定出4G基站和5G基站对应的共享频谱资源,并将该共享频谱资源分配给5G基站使用。
本申请的可选实施例中,上述根据第一历史业务数据和第二历史业务数据,确定下一周期的第一RAT系统的第一新增业务数据量和第二RAT系统的第二新增业务数据量,包括:
根据第一历史业务数据和第二历史业务数据,确定历史业务数据对应的时不变业务数据特征和第一时变业务数据特征;
根据第一时变业务数据特征,预测下一周期的第二时变业务数据特征;
根据时不变业务数据特征和第二时变业务数据特征,确定下一预测周期的第一RAT系统的第一新增业务数据量和第二RAT系统的第二新增业务数据量。
在实际应用中,用户时变的业务数据是由时变的常量影响因子和时变的影响因子导致的。常量影响因子与用户自身的属性相关,是时不变的,如用户设备只支持4G业务,或者同时支持4G和5G业务等。而时变影响因子与业务特性相关,时变影响因子下的数据是时间t的函数,如视频业务等具有周期特征、网络浏览或即时消息等具有脉冲特征等。由于直接预测受多个因子影响的时变的用户业务数据是困难的并且准确性较低,因此,本申请实施例提供的该方案中,将用户的历史业务数据拆解成常量影响因子下的历史数据特征(即时不变业务数据特征)和时变影响因子下的历史数据特征(即第一时变业务数据特征),并分别预测多个时变影响因子下的下一个周期的数据特征(即第二时变业务数据特征),然后再将常量影响因子下的数据特征和多个时变影响因子下的预测数据特征合并,得到预测的下一个周期的用户业务数据。
可选的,该方案中,根据第一时变业务数据特征,预测下一周期的第二时变业务数据特征,同样可以采用预训练好的AI模型实现,此时,AI模型的输入可以为第一时变业务数据特征,输出为第二时变业务数据特征。
由于时不变业务数据特征是相对稳定不变的,该可选方案中,将业务数据划分为时变业务数据和时不变业务数据两部分,并基于历史的时变业务数据特征预测下一周期的时变业务数据特征,该处理方式,将时不变业务数据特征作为常量,在数据预测部分,可以只考虑随时间变化的时变业务数据部分,更加细化对数据的处理,从而可以更加提升预测的准确性。
本申请的可选实施例中,根据第一历史业务数据和第二历史业务数据,确定历史业务数据对应的时不变业务数据特征和第一时变业务数据特征,可以包括:
根据第一历史业务数据和第二历史业务数据,生成历史业务数据矩阵;
根据历史业务数据矩阵,得到历史业务数据对应的时不变业务数据特征矩阵和第一时变业务数据特征矩阵;
其中,时不变业务数据特征矩阵的一个元素值表示第一RAT系统或第二RAT系统的至少一个历史周期的待传输数据量中与时间无关的待传输数据量的特征;时变业务数据特征矩阵的一个元素值表示第一RAT系统或第二RAT系统的至少一个历史周期的待传输数据量中与时间相关的待传输数据量的特征;
相应的,上述根据第一时变业务数据特征,预测下一周期的第二时变业务数据特征,包括:根据第一时变业务数据特征矩阵,预测下一周期的第二时变业务数据特征矩阵;
根据时不变业务数据特征和第二时变业务数据特征,确定下一预测周期的第一RAT系统的第一新增业务数据量和第二RAT系统的第二新增业务数据量,包括:
根据时不变业务数据特征矩阵和第二时变业务数据特征矩阵,得到第一新增业务数据量和第二新增业务数据量。
该可选方案中,可以通过矩阵的方式来表示时变业务数据特征和时不变业务数据特征。历史业务数据矩阵,即将第一历史业务数据和第二历史业务数据通过矩阵方式表示,该矩阵中的一个元素值为第一RAT系统或者第二RAT系统的上述至少一个历史周期中各周期对应的待传输数据量,相应的,时不变业务数据特征矩阵的元素值则表征了该待传输数据量中的时不变的业务数据量的特征值,第一时变业务数据矩阵则表征了该待传输数据量中的时变的业务数据量的特征值。
需要说明的是,对于历史业务数据中的待传输数据量,根据实际应用需求,数据量的划分粒度可以采用不同的方式,如待传输数据量可以是上述至少一个历史周期中各个周期的数据量,也可以是每个周期中每个时间单元的数据量,还可以是每个周期中每个时间单元的每种业务类型的数据量,还可以是每个周期中每个时间单元对应的每个用户的每种业务类型的数据量,也就是说,本申请实施例中,待传输数据量的粒度可以依据周期、时间单元、业务类型、用户等信息中的一个或多个进行划分,相应的,预测出的第一新增业务数据量和第二新增业务数据量的粒度与待传输数据量的粒度相对应。也就是说,本申请实施例中的业务数据量可以是每个业务数据类别对应的数据量,其中,业务数据类别可以是按照用户、业务类型和RAT系统中的至少之一划分的。
可选的,对于第一历史业务数据和第二历史业务数据中的任一历史业务数据,上述待传输数据量可以是至少一个历史周期中的每个周期的每个时间单元对应的每种用户的每种业务类型的待传输数据量,此时,上述历史业务数据特征矩阵中的一个元素值则表示第一RAT系统或第二RAT系统中的一个时间单元所对应的一个用户的一种业务类型的业务数据的待传输数据量的特征值,相应的,上述时不变业务数据特征矩阵、第一时变业务数据特征矩阵和第二时变业务数据特征矩阵中的元素值表征的则是一个时间单元所对应的一个用户的一种业务类型的业务数据的历史的时不变数据量的特征值、历史的时变数据量的特征值、以及预测的时变数据量的特征值。
作为一种可选方式,可以通过主成分分析算法即PCA(Principal ComponentAnalysis)算法,基于历史业务数据矩阵得到历史的时不变业务数据特征矩阵和第一时变业务数据特征矩阵。主成分分析算法,能将时变的数据矩阵(历史业务数据矩阵)降维成几个主要影响因子下的时变数据阵列(即第一时变业务数据特征矩阵)和时不变的常量矩阵(即时不变业务数据特征矩阵),这有助于降低后续预测数据的复杂度并提高准确性。具体的,PCA算法的输入为历史业务数据矩阵,输出为正交常量矩阵和时变矩阵,正交常量矩阵即为时不变业务数据特征矩阵,时变矩阵即为第一时变业务数据特征矩阵,时变矩阵代表了多种不同的时变业务影响因子对应的时变业务数据量的变化特征,这些时变影响因子与业务类型相关,可以显示出不同的业务特性。
在通过PCA算法得到第一时变业务数据特征矩阵之后,可以基于该矩阵预测得到下一周期对应的第二时变业务数据特征矩阵,再将时不变业务数据特征矩阵和第二时变业务数据特征矩阵,通过逆主成分分析算法得到下一周期的业务数据矩阵,即得到上述第一新增业务数据量和第二新增业务数据量,同样的,第一新增业务数据量和第二新增业务数据量的数据量粒度是与历史业务数据的待传输数据量的数据量粒度对应的。
本申请实施例中,同样的,基于第一时变业务数据特征矩阵预测第二时变业务数据特征矩阵,可以通过预训练好的神经网络模型实现,即可以通过AI模型预测得到,其中,模型的输入为第一时变业务数据特征矩阵,输出为第二时变业务数据特征矩阵。
本申请的可选实施例中,对于上述至少一个历史周期和下一周期中的任一周期,一个周期可以包括至少一个时间单元,至少一个历史周期的待传输数据量包括至少一个历史周期的各时间单元对应的待传输数据量,第一新增业务数据量和第二新增数据量包括下一周期的各时间单元对应的业务数据量;相应的,根据第一新增业务数据量和第二新增业务数据量,确定下一周期的第一RAT系统和第二RAT系统分别所对应的频谱资源,包括:
根据第一新增业务数据量和第二新增业务数据量,确定下一周期的各时间单元所对应的第一RAT系统和第二RAT系统分别所对应的频谱资源。
该可选方案中,业务数据的数据量粒度可以为各时间单元对应的数据量,相应的,第一RAT系统和第二RAT系统之间的频谱资源的分配粒度也可以是各时间单元上对应的频谱资源,即按照两个RAT系统在各时间单元对应的数据量,为两个系统在分别分配下一周期的各时间单元的频谱资源。。
本申请的可选实施例中,任一历史业务数据还包括至少一个历史周期的实际数据传输量,对于第一RAT系统和第二RAT系统中的任一系统,该方法还包括:
根据该系统的历史业务数据中的待传输数据量和实际数据传输量,确定该系统的历史遗留数据量;
相应的,上述根据第一新增业务数据量和第二新增业务数据量,确定第一RAT系统和第二RAT系统在下一周期分别所对应的频谱资源,包括:
根据第一新增业务数据量和第一RAT系统的历史遗留数据量,确定下一周期的第一RAT系统的第一总数据量;
根据第二新增业务数据量和第二RAT系统的历史遗留数据量,确定下一周期的第二RAT系统的第二总数据量;
根据第一总数据量和第二总数据量,确定下一周期为第一RAT系统和第二RAT系统分别分配的频谱资源。
在实际应用中,每个周期(或者每个时间单元)内的待传输数据量和实际传输的数据量通常是不相等的,也就是说,会存在没有传输完的数据量即历史遗留数据量,而遗留数据量是需要在后面的周期或时间单元继续进行传输的,因此,在预测得到下一周期的新增业务数据量之后,还需要确定历史周期所遗留的数据量,基于两者得到下一周期对应的总数据量,并基于第一RAT系统的总数据量和第二RAT系统的总数据量来分别确定两者的频谱资源。
具体的,可以根据第一历史业务数据中的待传输数据量和实际数据传输量,确定出第一RAT系统的第一历史遗留数据量(即历史周期的总的待传输数据量和总的实际数据传输量之差),并基于第一历史遗留数据量和第一新增业务数据量,确定出第一RAT系统的第一总数据量,同样的,可以根据第二历史业务数据中的待传输数据量和实际数据传输量,确定出第二RAT系统的第二历史遗留数据量,基于第二历史遗留数据量和第二新增业务数据量,确定出第二RAT系统的第二总数据量。
本申请的可选实施例中,一个周期包括至少一个时间单元,至少一个历史周期的待传输数据量包括至少一个历史周期的各时间单元对应的待传输数据量,第一新增业务数据量和第二新增业务数据量包括下一周期的各时间单元对应的新增业务数据量;
对于第一RAT系统和第二RAT系统中的任一系统,根据该系统的新增业务数据量和该RAT系统的历史遗留数据量,确定下一周期的该系统的总数据量,包括:
对于下一周期的任一时间单元,基于该时间单元对应的新增业务数据量和该时间单元的前一时间单元的遗留数据量,确定该时间单元的总数据量;其中,下一周期的第一个时间单元的前一时间单元的遗留数据量为历史遗留数据量;
相应的,根据第一总数据量和第二总数据量,确定第一RAT系统和第二RAT系统在下一周期分别所对应的频谱资源,包括:
对于下一周期的任一时间单元,基于该时间单元所对应的第一RAT系统的第一总数据量和第二RAT系统的第二总数据量,确定第一RAT系统和第二RAT系统在该时间单元对应的频谱资源。
由前文描述可知,一个周期可以包括一个或多个时间单元,相应的,上述各业务量(待传输数据量、第一新增业务数据量、第二新增业务数据量、总数据量等)则可以细化为每个时间单元对应的业务数据量,此时,在基于历史遗留数据量(该数据量为历史业务数据中至少一个历史周期中总的未传输完成的数据量)确定下一周期的各个时间单元的总数据量时,则可以将历史遗留数据量和下一周期的第一个时间单元的新增业务数据量相加,得到该第一个时间单元的总数据量,对于除该第一个时间单元之外的各时间单元,则可以将该时间单元的新增业务数据量和该时间单元的前一时间单元的遗留数据量(即未传输的数据量,也就是总数据量和实际传输的数量量之差)相加得到该时间单元的总数据量。
相应的,在上述总数据量是下一周期的各个时间单元的数据量时,在基于第一总数据量和第二总数据量,确定第一RAT系统和第二RAT系统之间的共享频谱资源时,则可以是基于每个时间单元所对应的第一RAT系统的第一总数据量和第二RAT系统的第二总数据量,确定出每个时间单元上两个系统对应的频谱资源,也就是说,频谱资源的分配粒度可以细化到每个时间单元。
本申请的可选实施例中,上述任一历史业务数据包括至少一个历史周期的各业务类型对应的待传输数据量,第一新增业务数据量和第二业务数据量包括下一周期的各业务类型对应的新增业务数据量;
根据第一新增业务数据量和第二新增业务数据量,确定下一周期的第一RAT系统和第二RAT系统之间的共享频谱资源,包括:
根据第一新增业务数据量和第二新增业务数据量,确定下一周期中第一RAT系统的各业务类型以及第二RAT系统的各业务类型所对应的频谱资源。
该可选方案中,业务数据量还可以按照业务类型进行划分,相应的,预测得到的第一新增业务数据量和第二新增业务数据量可以是各业务类型对应的新增业务量,通过该方案,可以将共享频谱资源的分配细化到各类型业务上,以根据每种类型业务的业务量为该业务类型分配相应的频谱资源,更好的满足了每种业务的业务需求,提升用户的业务使用感知。
本申请的可选实施例中,上述任一历史业务数据包括至少一个历史周期的各用户对应的待传输数据量,第一新增业务数据量和第二新增业务数据量包括下一周期的各用户对应的新增业务数据量;
相应的,根据第一新增业务数据量和第二新增业务数据量,确定第一RAT系统和第二RAT系统在下一周期分别对应的频谱资源,包括:
根据第一新增业务数据量和第二新增业务数据量,确定下一周期中第一RAT系统的各用户以及第二RAT系统的各用户所对应的频谱资源。
该可选方案中,业务数据量还可以按照用户进行划分,即业务量可以具体到每种用户对应的数据量,相应的,预测得到的第一新增业务数据量和第二新增业务数据量可以是各用户对应的新增业务量,通过该方案,可以根据每个用户对应的业务量为第一RAT系统和第二RAT系统的各用户的业务分配相应的频谱资源,更好的满足了各系统下每个用户的需求。
本申请的可选实施例中,根据第一总数据量和第二总数据量,确定第一RAT系统和第二RAT系统在下一周期的分别对应的频谱资源,包括:
根据第一总数据量、第二总数据量、以及下一周期的总频谱资源,确定第一RAT系统和第二RAT系统在下一周期的各候选频谱资源分配方案;
根据各候选频谱资源分配方案,确定第一RAT系统和第二RAT系统的目标分配方案。
由于总的频谱资源是确定的,在确定出下一周期(或者下一周期的各时间单元)对应的第一RAT系统和第二RAT系统的总数据量之后,则可以基于各系统对应的总数据量和总频谱资源确定出所有可选的分配方案即上述各候选频谱资源分配方案,并可以从各可选的资源分配方案中确定出最终的分配方案即目标分配方案。
其中,从各候选频谱资源分配方案中确定出目标分配方案的具体方式,本申请实施例不做限定,如可以根据实际需求设置相应的筛选条件,从中筛选出满足条件的候选资源分配方案作为目标分配方案,如可以根据业务的传输时延要求、或者传输速率要求等选择目标分配方案,还可以是将任一候选频谱资源分配方案作为目标分配方案。
本申请的可选实施例中,根据各候选频谱资源分配方案,确定第一RAT系统和第二RAT系统的目标分配方案,可以包括:
根据业务数据传输约束条件,从各候选频谱资源分配方案中筛选出满足约束条件的各候选方案;
从筛选出的各候选方案中确定出目标分配方案。
其中,业务数据传输约束条件可以实际需求进行配置,可以包括但不限于上述业务数据传输的时延要求、传输速率要求等,例如,在业务数据量的粒度为每种业务类型对应的数据量时,候选频谱资源分配方案则可以是每种业务类型的业务所对应的分配方案,上述约束条件则可以包括每种业务类型的业务的传输要求,基于该约束条件可以过滤掉不满足要求的各候选方案,再从满足要求的候选方案中确定出目标分配方案。
本申请的可选实施例中,根据各候选频谱资源分配方案,确定第一RAT系统和第二RAT系统的目标分配方案,可以包括:
根据第一总数据量、第二总数据量、各候选频谱资源分配方案中第一总数据量对应的频谱资源的承载数据量以及第二总数据量对应的频谱资源的承载数据量,确定目标分配方案。
对于每一种候选频谱资源分配方案,其包含了为第一RAT系统的第一总数据量所分配的频谱资源、以及为第二RAT系统的第二总数据量所分配的频谱资源,为了使资源分配的最合理,即为了从各个候选频谱资源分配方案中选出相对最优的分配方案,可以基于第一RAT系统的第一总数据量、第二RAT系统的第二总数据量、以及候选频谱资源分配方案中基于第一总数据量为第一RAT系统所分配的频谱资源所能够承载的数据量即上述承载数据量、基于第二总数据量为第二RAT系统所分配的频谱资源的承载数据量,从各候选方案中确定出相对最优的方案,基于所分配的频谱资源的承载数据量和预测确定出的总数据量来选择目标分配方案,可以尽可能的保证频谱资源分配的合理性,提高资源利用率,避免资源浪费。
可以理解的是,在总数据量为细粒度的数据量时,如各用户对应的数据量、各业务类型对应的数据量、各时间单元对应的数据量时,候选频谱资源分配方案则是细粒度的数据量所对应的频谱资源的分配方案,相应的,在根据频谱资源的数据承载量和总数据量选择目标分配方案时,也可以是基于细粒度的总数据量和该细粒度的总数据量所对应的频谱资源的数据承载量确定出的。例如,第一总数据量可以是各时间单元对应的第一RAT系统下的各用户对应的该系统的每种业务类型的总数据量,第二总数据量为各时间单元对应的第二RAT系统下的各用户对应的该系统的每种业务类型的总数据量,候选频谱资源分配方案则是对于对应于每个时间单元的第一RAT系统和第二RAT系统下的每种用户的每种业务类型对应的频谱资源的分配方案,确定目标分配方案时,则根据各系统下的每个时间单元对应的每个用户的每种业务类型的总业务量、以及候选方案中为该数据量分配的频谱资源的承载数据量,从各候选方案中确定出目标分配方案。
可选的,上述根据第一总数据量、第二总数据量、各候选频谱资源分配方案中第一总数据量对应的频谱资源的承载数据量以及第二总数据量对应的频谱资源的承载数据量,确定目标分配方案,包括:
将各候选频谱资源分配方案中对应的业务数据量差值最小的分配方案,确定为目标分配方案;
其中,业务数据量差值为第一差值和第二差值的和,对于任一候选频谱资源分配方案,第一差值为第一总数据量与该候选频谱资源分配方案中第一总数据量对应的频谱资源的承载数据量的差值,第二差值为第二总数据量与该候选频谱资源分配方案中第二总数据量对应的频谱资源的承载数据量的差值。
也就是说,可以将各候选频谱资源分配方案中为第一RAT系统和第二RAT系统的各总数据量所分配的频谱资源的承载数据量与需要传输的总数据量之间的差值最小的分配方案,作为目标分配方案。基于该方案,可以尽可能的避免有的数据量分配相对过多资源、而有些数据量分配的资源相对不足而导致的资源利用不合理的情况,从而能够尽可能的提升用户的业务使用感知。
需要说明的是,本申请实施例所提供的各方案中,频谱资源的分配粒度(即单位)本申请实施例不做限定,如可以是一个载波、可以是一个RBG(Resource Block Group,资源块组)、可以是一个RB(Resource Block,资源块)等。可选的,分配粒度可以是一个RB,以尽可能优化资源分配方案,提升资源利用率。
为了更好的说明本申请实施例的方案及有益效果,下面结合一个具体的可选实施例对本申请提供的方案的原理进行进一步详细说明。
在下文的可选实施例描述中,将以第一RAT系统为4G通信系统(以下简称为4G)、第二RAT系统为5G通信系统(以下简称为5G)、一个周期为一个帧长、一个时间单元为1个slot、频谱资源的分配粒度为1个RB为例进行说明,其中4G系统也可以称为LTE(Long TermEvolution,长期演进)系统,5G系统也可以称为NR(New Radio,新无线)系统。图2中示出来本实施例所提供的频谱资源共享方法的流程示意图,如图2中所示,该方法可以包括以下步骤:
步骤1:对应图中的步骤①,eNB(4G基站)收集历史4G业务数据(第一历史业务数据,图中所示的历史4G业务量);
步骤2:对应图中的步骤②,gNB(5G基站)收集历史5G业务数据(第二历史业务数据,图中所示的历史5G业务量),gNB将收集的历史5G业务数据传给eNB;
可选的,如图中的步骤②所示,gNB还可以将历史5G业务数据所对应分配的资源信息(即频谱资源)传给eNB,eNB可以根据历史5G业务数据及其对应的分配的资源信息进行AI模型(后文中用于确定目标分配方案的神经网络模型)的优化更新,即历史业务数据及其对应的实际资源分配方案可以用于该AI模型的训练及迭代更新。
步骤3:对应图中的步骤③,基于主成分分析算法和AI模型预测未来一段时间(即下一周期,该实施例中为一个帧长10ms)内每个slot的LTE-NR业务数据量(LTE业务数据量即第一新增业务数据量,NR业务数据量即第二新增业务数据量);
步骤4:对应图中的步骤④,在每个slot上,基于预测的LTE-NR业务数据量,利用AI模型确定可行的LTE-NR资源分配方案,并结合性能指示器的反馈利用AI模型确定最优的LTE-NR资源分配方案即目标分配方案;
步骤5:对应图中的步骤⑤,eNB将共享的频谱资源信息传给gNB;
步骤6:对应图中的步骤⑥,eNB使用分配的频谱资源进行4G业务的数据传输,gNB使用共享的频谱资源进行5G业务的数据传输。
为了解决现有技术方案中分配的LTE-NR资源与LTE-NR业务数据量不匹配的问题,本申请实施例提出一种动态毫秒级的资源分配方法,利用LTE和NR的历史业务数据,利用主成分分析算法和AI算法预测下一个周期(典型值为一帧,10ms)内每个slot的LTE-NR业务数据量,基于预测的LTE-NR业务数据量在下一个周期中的每个slot上进行LTE-NR资源分配。在进行资源分配时,首先生成所有可能的LTE-NR资源分配方案,然后选出满足边界条件(QoS指标(如时延)、速率等)的LTE-NR资源分配方案,最后结合性能指示器的反馈并利用AI算法确定最优的LTE-NR资源分配方案。
也就是说,本申请实施例根据预测的每个slot的LTE-NR业务数据量进行LTE-NR资源分配,并根据性能指示器的反馈选择最优的LTE-NR资源分配方案,在保障LTE-NR各项业务QoS的同时,实现了分配的LTE-NR资源和即将到来的瞬态变化的LTE-NR业务数据量的完美匹配,既减少资源浪费,又降低业务的时延并增加业务的速率。
下面对各个步骤的可选实施方式进行详细描述。
步骤1:eNB收集历史4G业务数据,并按照类别存放。
eNB收集的历史4G业务数据可以包含但不限于以下内容:
4G用户的IMSI(International Mobile Subscriber Identity,国际移动用户识别码),4G业务的QCI(QoS(Quality of Service)Class Identifier,服务质量标度值)以及LCG(logical channel group,逻辑信道组)标识,每个TTI(Transport Time Interval,传输时间间隔)上各用户的各类业务的BO(Buffer occupation,缓存占用)量,每个TTI(即每个时间单元,一个slot)上各用户的各类业务的实际传输的TBS(Transport block size,传输块大小)。
步骤2:gNB收集历史5G业务数据,并按照类别存放,gNB将收集的历史5G业务数据传给eNB。
gNB收集的历史5G业务信息包含但不限于以下内容:
5G用户的IMSI,5G业务的QCI以及LCG标识,每个TTI上各用户的各类业务的BO量,每个TTI上各用户的各类业务的实际传输的TBS。
该可选实施例中,业务数据量的粒度为每个通信系统的每个时间单元对应的该系统的每个用户的每种业务类型的数据量。其中,上述BO量即为待传输数据量,TBS即为实际传输的数据量。IMSI为用户的唯一标识,QCI表征了业务数据的数据传输要求,LCG表征了业务数据的业务类型。
其中,gNB可以将收集的历史5G业务数据按照指定的格式(gNB和eNB约定好的数据传输方式)进行传递,eNB接收到数据后按照指定的格式进行读取,得到历史5G业务数据。具体的,gNB传给eNB的具体数据内容可以包含但不限于:
1)用户IMSI,用户的绝对唯一标识,用于识别用户
2)用户业务的QCI和对应的逻辑信道组信息即LCG,以识别业务种类并确定其QoS要求
3)每个TTI上各用户的各业务的历史BO信息即历史业务数据中的待传输数据量,作为AI模型下一个周期业务量的学习数据
4)每个TTI上各用户的各业务的历史TBS信息,根据历史TBS信息和历史BO信息的匹配度,可以不断调整AI模型以选择最优的LTE-NR资源分配方案。
作为一可选示例,gNB可以按照图3中所示的数据格式将历史5G业务数据发送给eNB,如图3中所示,N表示一个预测周期包含N个slot(该实施例中也就是TTI,如N=10),数据格式中第一项即第一个数据为用户数,即gNB根据收集的历史5G业务数据是多少个用户的业务数据,该数据可以根据用户的IMSI确定出,第二项即第二个数据为每个用户(也就是每个IMSI)的业务数(业务类型的类型数),可以根据每个IMSI对应的LCG确定,如图中所示意图的2,1,1,…,表示第一个5G用户的业务数为2,第二个5G用户的业务数为1,第三个5G用户的业务数为1等等,第三项为用户的IMSI,即每个用户的IMSI,第四项则为每个用户对应的业务的QCI和LCG,后面的各项则为每个TTI内对应的各用户的BO信息和TBS信息,如第5项,图中所示的“(3)每个用户各业务的历史BO信息(TTI1)”表示第一个TTI对应的每个用户的每种业务类型的业务的BO信息即待传输数据量,再例如图中的“(4)每个用户各业务的历史TBS信息(TTI1)”表示第一个TTI对应的每个用户的每种业务类型的业务的TBS信息即实际传输的数据量。
gNB按照图3中所示的格式将历史5G业务数据传输给eNB之后,eNB则可以按照对应的方式进行数据的读取,如图中所示,通过读取第一项可以得知用户数,通过读取第二项可以得知每个用户的业务数据,读取第三项则可以得知各用户的IMSI等。
步骤3:基于主成分分析算法和AI模型预测未来一段时间内每个TTI的LTE-NR业务数据量,即预测下一周期每个时间单元的4G新增业务数据量(第一新增业务数据量)和5G新增业务数据量(第二新增业务数据量)。如图4中所示,该步骤的主要流程如下:
首先(对应图4中所示的历史业务数据一列的步骤),eNB可以将存放好的历史4G和5G数据归类,并基于归类的数据生成数据矩阵(即历史业务数据矩阵),作为主成分分析算法的输入,即图4中所示的数据归类并生成数据矩阵。
其次(对应图4中所示的影响因子&常量矩阵一列的步骤),基于主成分分析算法,可以将历史业务数据矩阵分解成时不变的常量矩阵(即时不变业务数据特征矩阵)和几种主要影响因子下的时变历史数据矩阵(第一时变业务数据特征矩阵)。
由前文的描述可知,用户时变的业务数据是由非时变的常量影响因子和时变的影响因子导致的。常量影响因子与用户自身的属性相关,是时不变的,如用户设备只支持4G或者同时支持4G和5G等。时变影响因子与业务特性相关,时变影响因子下的数据是时间t的函数,如视频业务等具有周期特征、网络浏览或即时消息等具有脉冲特征。直接预测受多个因子影响的时变的用户业务数据是困难的并且准确性较低。本申请的实施例汇总,可以将用户的历史业务数据拆解成常量影响因子下的常量矩阵(即时不变业务数据,如图4中所示的对应于UE分布常量影响因子下的常量矩阵)和多个时变影响因子(如图4中所示的脉冲因子、周期因子等)下的历史数据(即第一时变业务数据,如图中所示意的影响因子1对应的时变历史数据(图中所示的影响因子1历史数据)、…、影响因子K历史数据等),并分别预测多个时变影响因子下的下一个周期的数据(第二时变业务数据),然后再将常量影响因子下的数据和多个时变影响因子下的预测数据合并,即为预测的下一个周期的用户业务数据。
之后,对应于图4中所示的预测的影响因子数据步骤,则可以基于几种主要影响因子下的时变历史数据,利用AI模型分别预测其未来一段时间的数据,即基于第一时变业务数据矩阵,通过预训练好的AI模型预测得到的第二时变业务数据矩阵。如图4中所示,可以将几种主要影响因子下的时变历史数据输入至AI模型中,预测得到各影响因子下的下一周期的各个slot对应的数据。
最后,对应于图4中所示的预测的业务数据步骤,可以基于预测的几种影响因子的数据和时不变的常量矩阵,利用逆主成分分析算法进行合成,即为预测的业务数据,即预测得到新增的业务数据量。
下面结合一种可选实施例对该步骤3进行详细说明,图5中示出了该步骤(图中的步骤③)的一种可选实施方式的流程示意图,图中的步骤①和步骤②对应于历史业务数据收集和5G基站将5G的历史业务数据发送给4G基站的步骤,如图5中所示,该可选实施例的实施可以包括以下几个步骤:
1)历史业务数据可以经过3级归类并生成数据矩阵即历史业务数据矩阵(对应图5所示的三级分类并生成数据矩阵)
该步骤的原理示意图如图6中所示,具体可以包括:
第一级归类(对应图6中的步骤①):区分数据是LTE数据(4G数据)还是NR数据(5G数据),该归类是将历史业务数据按照数据所属的RAT系统进行归类,将数据归类为4G数据(第一历史业务数据)和5G数据(第二历史业务数据)两类。
第二级归类(对应图6中的步骤②):在第一级归类的基础上进行用户级区分,即将4G数据进一步分为4G的每个用户的业务数据,将5G数据归类分为5G的每个用户的业务数据,假设4G对应有I1个用户,5G对应有I2个用户,经过用户级区分的业务数据可以表示为如LTE UE 1,…,LTE UE I1,NR UE 1,…,NR UE I2,其中,LTE UE 1和LTE UE I1分别表示4G下的第一个用户的业务数据和第I1个用户的业务数据,NR UE1和NR UE I2则表示5G下的第一个用户的业务数据和第I2个用户的业务数据。
第三级归类(对应图6中的步骤③):在第二级归类的基础上进行业务级区分即按照业务类型进一步分类,如LTE用户最多有J1个业务,NR用户最多有J2个业务,该归类则是将经过第二级归类后的数据按照各个业务再细化。如图6中所示的LTE type1至LTE typeJ1分别表示了4G下的第一个LTE用户的第一种业务类型至第J1种业务类型的业务数据(也就是历史业务数据量),同样的,NR type I2×J2表示5G下第I2个用户的第J2种业务类型的业务数据(即历史业务数据量)。
经过上述三个层级的归类,将历史业务数据归类到了每种RAT系统下的每个用户的每种业务类型的业务数据。基于上述3级数据归类,生成历史业务数据矩阵可以表示为:
所有4G和5G历史业务数据都包含在了该历史业务数据矩阵中,其中,矩阵的行为所有UE的所有业务,即行数为N+M,其中,N=I1×J1,M=I2×J2。矩阵的列为历史业务数据对应的历史周期的总时隙的数量,可以表示为时间t={1,2,3,…}TTI,1TTI则表示历史周期的第一个时隙。矩阵中的BO表示待传输数据量,是MAC层(媒体访问控制层。Media AccessControl Layer)中数据量的表示。4GBON(t)表示某一种4G业务的历史时变业务量(包括时不变部分和时变部分的数据量),具体表示4G下的第t个时隙的第I1个用户的第J1种业务的历史业务数据量,5GBOM(t)则表示某一种5G业务的历史时变业务量。
该历史业务数据矩阵中的任一元素值表示了4G或5G下的一个时间单元(该示例中为时隙)所对应的一个用户的一种业务类型的历史业务数据量,具体表示5G下的第t个时隙的第I2个用户的第J2种业务的历史业务数据量。
2)主成分分析过程(对应于图5中所示的主成分分析过程)
主成分分析算法能将时变的数据矩阵(历史业务数据矩阵)降维成几个主要影响因子下的时变数据阵列(第一时变业务数据特征矩阵)和时不变的常量矩阵(时不变业务数据特征矩阵),这有助于降低后续AI模型预测数据的复杂度并提高准确性。
主成分分析算法的输入为三级归类并生成的数据矩阵,即上述矩阵,矩阵的行为N+M,矩阵的列可以记为T,历史业务数据矩阵则可以表示为输入矩阵[(N+M)×T],矩阵的每一行代表了一个用户的一种业务在不同时间点(即时间单元)上的BO量,不同的行代表不同用户的不同业务,矩阵的每一列代表不同用户的不同业务在同一时间点的BO量,不同的列代表不同的时间点t,t={1,2,3,…,T}。
通过主成分分析算法将历史业务数据矩阵降维,获得一个常量正交矩阵和时变矩阵,其实施过程如图7所示,具体如下:
首先,获得时不变的常量正交矩阵:基于历史业务数据矩阵,通过主成分分析算法,可以得到相关系数矩阵[(N+M)×[N+M],该矩阵为对角矩阵,矩阵的行数和列数均为N+M,之后计算相关系数矩阵的特征值(如图7中所示的对角矩阵,该矩阵中的元素值即为相关系数矩阵的各个特征值,特征值N+M表示第N+M个特征值)和特征向量矩阵,将特征向量矩阵经过施密特正交化后得到的常量正交矩阵即可以作为常量矩阵。
其次,基于输入的历史数据矩阵和获得的常量正交矩阵,计算得到时变矩阵:如图8中所示,通过将正交矩阵(即常量矩阵)的伴随矩阵(图中所示的[正交矩阵]*)和历史业务数据矩阵(图中所示的历史数据矩阵)相乘得到时变业务数据矩阵(图中所示的时变矩阵),该矩阵的行数和列数和历史业务数据矩阵的行数和列数一致。
如图9中所示的通过主成分分析算法得到常量矩阵和时变矩阵的流程示意图,可选的,可以通过主成分分析,将历史业务数据矩阵转化为了常量矩阵和各时变影响因子下的业务数据,如图中所示的影响因子1数据表示影响因子1对应的时变业务数据量,图中所示的波形图表示了时变业务数据量和时间的变化关系,常量矩阵为时不变业务数据矩阵,由对应的波形图可以看出时不变业务数据基本不会随时间的变化而变化,是相对时不变的。
可见,主成分分析算法的输出包括了正交常量矩阵和时变矩阵,正交常量矩阵即为对应常量影响因子下的时不变业务数据矩阵,与用户自身的属相关,是时不变的,该矩阵将作为逆主成分分析算法的输入,用于计算得到下一周期的新增业务数据量。时变矩阵的物理意义如图10中所示,该矩阵中不同的行代表不同的影响因子,这些影响因子与业务类型相关,显示出不同的特性,如图10中所示网络浏览类型的业务具有脉冲特性,视频类业务具有周期特性,业务数据的主要影响因子是由上述对角矩阵中较大的特征值决定的,时变矩阵的一行对应一个特征值,也就对应于一个影响因子。
3)AI预测业务数据(对应图5中所示的通过AI预测得到各影响因子对应的时变业务数据(图中AI部分对应的波形图所示)的步骤)
用户业务数据是时变的,如即时消息的业务量可以在1ms内变化。直接预测用户的业务数据难以达到这么快的业务量变化,因此,可以利用AI算法预测主成分分析输出的主要影响因子下的数据,复杂度较低且准确度较高。具体的,可以基于几个主要影响因子下的历史数据阵列(即上述时变矩阵),利用AI模型进行预测,得到下一个周期内的数据。
其中,AI模型的输入为主成分分析算法输出的主要影响因子下的历史时变数据阵列,AI模型的输出为主要影响因子下的预测的时变数据阵列,即对应于下一周期的第二时变业务数据矩阵。AI模型的数据处理原理可以表示如下:
预测数据量′t+1=实际数据量′t+变化量′t
实际数据量′t=W1.实际数据量t+(1-W1).(实际数据量′t-1+变化量′t-1)
变化量′t=W2.(实际数据量′t-实际数据量′t-1)+(1-W2).变化量′t-1
其中,W1和W2为AI模型的模型参数,在模型训练过程中,对于训练样本数据而言,预测数据量′t+1表示模型输出的第t+1时刻(即第t+1个时间单元,如第t+1个slot)的预测数据量,在AI模型的输入为历史时变业务数据,输出为预测的时变业务数据时,该预测数据量为模型预测输出的第t+1时刻的业务数据量;实际数据量′t表示t时刻预测的实际数据量,实际数据量′t-1表示t-1时刻预测的实际数据量,实际数据量′t-1+变化量′t-1表示模型输出的第t时刻的预测数据量,实际数据量t表示第t时刻的真实业务数据量(当前时刻真实业务量已经发生,基站是可以得到的),实际数据量′t是基于模型参数W1,对t时刻的真实业务数据量和t时刻的预测数据量进行加权求和得到的,可以理解为根据t时刻的真实业务数据量和t时刻的预测数据量,通过模型参数修正计算得到预测的真实数据量;变化量′t表示t时刻的预测的数据变化量,实际数据量′t-实际数据量′t-1表示第t时刻的预测的实际数据量和t-1时刻的预测的实际数据量之差,变化量′t-1表示t-1时刻的预测的数据变化量,基于模型参数W2分别对实际数据量′t-实际数据量′t-1和变化量′t-1进行加权求和得到变化量′t。
在模型的训练周期内,可选的,可以通过计算训练集内实际数据量(样本数据的时变业务数据量)和预测数据量的差异,通过不断调整W1和W2,使得实际数据量和预测数据量之间的差异最小,得到训练好的AI模型,以用于数据预测。作为另一可选方案,在通过AI模型进行预测,得到预测的时变业务数据量之后,还可以基于该时变业务数据量和对应的时不变业务数据量,计算得到预测的新增业务数据量(包括时变业务数据量和时不变业务数据量),可以通过计算该预测的新增业务数据量和样本数据中对应时刻的真实的新增业务数据量之间的差异,根据该差异不断调整模型参数,使得预测的新增业务数据量与对应的真实的新增业务数据量的差异不断缩小,直至满足预设的训练结束条件,得到训练好的AI模型。
将历史业务数据的时变矩阵输入至训练好的AI模型中,通过模型可以预测得到下一周期的时变矩阵。通过AI模型进行数据预测的一个示例如图11所示,图中预测的时变矩阵即为模型的输出,矩阵的每一行为一种时变影响因子对应的下一周期的时变业务数据量,如图中所示的行1(即矩阵的第一行)对应于具有脉冲特性的业务数据,行2对应于具有周期特征的业务数据,通过AI模型,可以预测得到下一预测周期的各个时隙的时变数据量,图11中的T表示历史周期和第一预测周期的时间分割点,预测(T~T+下一个预测周期)表示下一预测周期的时间范围,图中的柱状图表示每种业务特征的业务的时变数据量,T时刻之前的历史的时变数据量,T时刻之后为预测得到的下一周期对应的时变数据量。
需要说明的是,本申请实施例中,AI模型的具体模型架构本申请实施例不做限定,可以根据实际需求配置,可以包括但不限于长短期记忆网络(LSTM,Long Short-TermMemory)、SVR(support vector regression、支持向量回归)等。
4)逆主成分分析过程(对应于图5中所示的基于常量矩阵和AI输出,通过逆主成分分析过程得到预测的下一个周期的业务数据量的步骤)
该步骤通过时不变的正交常量矩阵和预测的时变矩阵(预测的几个主要影响因子下的数据),经过逆主成分分析计算得到下一个预测周期内的用户业务数据矩阵(即下一周期的时变矩阵)。与输入主成分分析的数据矩阵一样,经过逆主成分分析算法输出的数据矩阵也是一个4G/5G下各用户的各业务的数据。
图12中示出了逆主成分分析算法的计算原理示意图,图13中示出了通过逆主成分分析算法得到预测数据的流程示意图,如图12和图13中所示,图12中上方的虚框表示的是主成分分析算法的处理步骤,该步骤是根据历史业务数据矩阵(图中的输入矩阵)得到正交常量矩阵和历史的时变矩阵,图中下方的虚框则是基于预测得到的下一周期的时变矩阵和正常常量矩阵,通过逆主成分分析算法预测得到下一周期的新增业务数据量的步骤,图12中的输出矩阵(图13中所示出的矩阵)即为预测得到的下一周期的新增业务数据矩阵,矩阵中的任一元素值表示下一周期的某个slot内4G或5G的某个用户的某种业务类型的新增业务数据量,如图13中所示的5GBOM(t)表示下一周期的第t个slot中5G系统的第I2个用户的第J2种业务的新增业务数据量。
步骤4:在每个slot上,基于预测的LTE-NR业务数据量,利用AI算法并结合性能指示器的反馈确定最优的LTE-NR资源分配方案
图14中示出了该步骤的一种可选实施例方式的流程示意图,图中所示的该步骤的输入包括历史数据(用于计算历史遗留业务量)和预测得到的4G和5G的业务数据(新增的数据量),基于该输入可以计算得到各个slot上的总数据量(图中所示的预测的每个slot的4G和5G业务数据),之后基于各slot上的总数据量确定出最终的目标分配方案。下面结合图14进行详细说明,主要可以分为以下步骤1)和步骤2),具体如下:
1)计算下一周期需要进行资源分配的数据量(图14中所示的预测的每个slot的4G和5G业务数据)
步骤3所得到的数据量为下一周期的每个slot对应的新增数据量,但在实际应用中,历史周期中很可能会存在遗留业务数据量,因此,需要根据新增业务数据量和历史遗留业务数据量,先计算下一周期的每个slot对应的每个用户的每种业务类型的业务数据的总数据量,也就是每个slot需要进行频谱资源分配的业务数据量,具体实施可以分为以下两个步骤:
首先,计算历史遗留业务数据量,对于4G和5G的任一RAT系统而言,首先,可以通过以下表达式计算历史遗留业务量(t)(t≤T):
历史遗留业务量(t)=历史总业务量(t)–历史传输业务量(t) (a)
其中,T代表保存的历史业务数据的总时长,也可以理解为当前预测下一周期的数据量的时刻为T时刻(历史的最后一个时间单元),t代表历史周期中的第t个时间单元,历史遗留业务量(t)代表历史的第t个时间单元的历史遗留业务量,历史总业务量(t)代表第t个时间单元和第t个时间单元之前总的待传输数据量,历史传输业务量(t)代表第t个时间单元和第t个时间单元之前总的实际的传输数据量。
如图15中所示的示例,历史总业务量(t)表示历史业务数据中t时刻(也就是第t个slot)的待传输数据量,也就是BO缓存占用量,历史传输的业务量(t)表示历史业务数据中t时刻已经传输的数据量,也就是实际传输的TBS,这两部的差值即为t时刻对应的历史遗留数据量(t)。
基于上述方式,则可以确定出第T个时间单元的历史遗留的业务量(T),也就是历史业务数据对应的总的遗留数据量。
在计算得到历史遗留业务数据量之后,则可以计算下一周期的各个slot对应的总数据量,具体可以基于以下表达式计算得到:
预测的总业务量(T+n)=预测的业务量(T+n)+遗留业务量(T+n-1) (b)
遗留业务量(T+n-1)=预测的总业务量(T+n-1)-传输数据量(T+n-1) (c)
预测的总业务量(T)=历史遗留的业务量(T) (d)
其中,预测的总业务量(T+n)表示下一周期的第n个slot的总业务量,预测的业务量(T+n)表示下一周期的第n个slot的新增业务量,也就是步骤3中通过逆主成分分析算法得到的时变数据量,遗留业务量(T+n-1)表示下一周期的第n-1个slot遗留的业务量,下一周期的第1个slot对应的遗留业务量即为历史遗留的业务量(T),也就是说,将历史遗留的业务量(T)和第一个slot的新增数据量相加即为第一个slot的总业务量,在第一个slot数据传输结束时,可以根据第一个slot的总业务量和实际传输数据量确定出遗留业务量(T+1),将该遗留业务量(T+1)和第二个slot的新增数据量相加得到第二个slot的总数据量,基于上述各表达式,依次类推,可以得到各个slot的总数据量。
作为一个示例,如图16中所示,该图中的t表示下一周期的第t个slot,第t-1个slot的总业务量(t-1)(图中所示的BO:缓存占用量)包含该slot之前的遗留数据量和t-1时刻的新增的业务数据量(图中所示的t-1时刻新的业务量),将该slot的总业务量(t-1)和该slot的实际传输数据量(图中所示的TBS:t-1时刻传输的数据量/传输的数据量(t-1))相减可以得到该slot的遗留数据量,该slot的遗留数据量(图中所示的t-1时刻遗留数据量(t-1))加上第t个slot新增的业务数据量(图中所示的预测的业务量(t)/t时刻新的业务量)即可得到t时刻的总数据量(t)。
2)利用AI算法选择最优分配方案即目标分配方案(对应于图14中所示的生成所有可能的资源分配候选方案至输出的步骤)
首先,可以基于预测的LTE数据量和NR业务数据量,得到所有可能的LTE-NR资源分配方案的全集。具体可以,该示例中资源分配粒度以RB为例,可以先确定下一个预测周期内全带宽上的RB总数,如下一周期包括10个时隙,也就是时刻TTI,每个TTI对应10个RB,则总的频谱资源为10TTIs×100RBs=1000RBs,再将这1000个RB统筹在每个TTI上分给各UE的各业务进而得到所有可能的资源分配候选方案。
其中,在预测出一个周期的每个时间单元需要进行资源分配的数据量之后,可以生成该周期内所有可能的资源分配(如所有可能的对于LTE系统和NR系统的候选分配方案),在生成分配方案时,初始化时,可以设置各个RAT系统的各时间单元上需要分配的资源的初始值,如初始值可以设置为“0”,之后基于该初始值,通过预配置的分配方案确定算法对各时间单元上需要分配的资源量进行迭代计算,得到各时间单元上最终的资源分配量。
之后,移出一些不满足边界条件(即传输约束条件)的方案,如时延不达标、速率不达标等,保留满足边界条件的候选方案,即选出并保留满足约束条件的各候选频谱资源分配方案,在频谱资源粒度为RB级时,满足要求的候选频谱资源分配方案的数量会较多。
可选的,上述边界条件可以包括但不限于以下的一项或多项:
满足特定业务的QoS要求(比如时延要求、传输速率要求等);
满足资源约束的要求(因为总的带宽资源有限,所以所分配的资源不能超出资源量的要去);
在下一个周期的起始点分配资源,即以周期为单位为该周期内的每个时间单元进行资源分配;
在整个带宽上分配频域资源,即在上述各RAT系统的所有可用频域资源上进行资源分配,资源的分配粒度本申请实施例不做限定,例如可以是RB。
为了从满足条件的各候选频谱资源分配方案中选出目标分配方案,可选的,可以结合性能指示器的反馈,利用AI算法选择最优的LTE-NR资源分配方案。本申请实施例中的性能指示器反映的是各候选方案在下一个预测周期中提供给各UE的各业务的累计TBS和各UE的各业务的数据量间的差异,性能指示器显示的差异值越小,说明该候选方案在下一个周期内分配的LTE-NR资源与即将到来的LTE-NR业务量越匹配。其中,AI算法具体选择哪种本申请实施例不做限定,如可以选择GD(gradient descent,梯度下降)算法。
作为一可选实施方式,可以采用一下P函数选择出目标分配方案,该P函数即为目标函数,基于该目标函数从各候选频谱资源分配方案中筛选出最优的目标分配方案。
该函数公式中的基本元素为:
基本元素=(XGBOi+XGBO′i-XGTBSi)X=4或5,i=m或n
其中,M表示5G用户数和5G业务种类数的乘积,N为4G用户数和4G业务种类数的乘积,为该可选实施例中是以每个slot为单位进行资源分配进行的,以X=4,n=5为例,XGB0i表示4G中对应于某个4G用户的某种业务的某个slot的前一slot的遗留数据量,XGBO′i表示该某个slot对应的新增业务数据量,XGTBSi表示某一候选频谱资源分配方案中为该某个slot的总业务量(XGB0i+XGBO′i)分配的频谱资源所对应的业务承载量。
上述基本元素表示在下一个预测周期内某一个业务需要传输的数据量和被分配的频谱资源所能承载的数据量之间的差异。为了最大化DSS(Dynamic Spectrum Sharing,动态频谱共享))资源分配方案的有效性,每个业务的基本元素应该尽可能的小,使得每个业务的基本元素之和最小,亦即P值最小。因此,可以将上述P函数作为目标函数,利用AI算法可以快速的从各候选频谱资源分配方案中选出P值最小的方案,该方案则为目标分配方案。
图17中示出了一种通过GD算法筛选出目标分配方案的原理示意图,GD算法可以在每次迭代中找到一个局部最小值,如:在一次迭代中,GD算法随机选取三个候选方案并计算上述P值(三种方案对应的P值分别记为P1,P2,P3),然后找到P值差异最大的两个候选方案(max{(P1-P2,P1-P3,P2-P3}),进而找到了获取最小P值候选方案的收敛方向A,通过不断的迭代选取,最终找到最优的候选方案。
步骤5:eNB将共享的频谱资源信息传给gNB。
通过步骤4确定出下一周期中4G和5G的每个用户在每个slot(也就是TTI)上对应于每种业务的资源分配方案之后,eNB将下一个周期内每个TTI上共享的频谱资源信息按照指定的格式进行传递,gNB接接收到后按照指定的格式进行读取即可。
可选的,eNB传给gNB的频谱资源信息内容包含但不限于:
起始于下一个周期的第一个TTI中gNB可以使用的RB总数,然后跟着的是每个可使用的RB的序列号。然后开始下一个TTI的RB总数和RB序列号的读取。
作为一个示例,图18中示出了一种频谱资源信息的数据传输格式及数据内容的示意图,如图18中所示,对于一个TTI,该格式的第一个数据为当前TTI中gNB可以使用的RB总数,后面的各项数据依次可以是当前TTI中gNB可以使用的第一个RB的序列号,第二个RB的序列号,…,第X个RB的序列号。
步骤6:eNB和gNB在各自的频谱资源上分别进行4G业务和5G业务的数据传输,即eNB使用分配的频谱资源进行4G业务的数据传输,gNB使用获取的共享的频谱资源进行5G业务的数据传输。
基于本申请的上述可选的实施例中,可以基于历史业务数据预测出下一周期的各个slot上每个用户的每种业务对应数据量,基于该数量和总的频谱资源进而确定出每个slot上每种用户的每种业务对应的RB级的频谱资源,基于该方案,实现了频谱资源的最大限度的合理分配,既能够减少资源浪费,又能够降低业务的时延并保证业务的数据传输速率,能够大大提升用户的业务感知。
对于本申请实施例所提供的方案本申请的发明人进行了仿真测试,测试结果表明,与现有的频谱资源共享方案相比,本申请实施例的方案的误差比率、平均误差比率以及误差方差均明显降低现有技术方案,其中,误差比率用于评估资源分配方案的准确性,亦即分配的LTE-NR资源和即将到来的瞬态变化的LTE-NR业务数据量的匹配程度,误差比越大,匹配度越低;反之误差比越小,匹配度越高。平均误差比率表示的是分配的资源和总业务数据量的匹配程度在评估时间内的平均值,误差方差表示的是分配的资源和业务数据量的匹配程度在评估时间内随着TTI的波动性。仿真结果表明,基于本申请所提供的方案确定出的频谱资源分配方案,分配的资源与理想技术方案分配的资源基本一致,而现有技术方案分配的资源与理想技术方案分配的资源差别较大。
此外,基于本申请实施例所提供的方案,在实现不同通信系统的频谱资源共享时,第一RAT系统将频谱资源共享给第二RAT系统使用时,可以无需将共享部分的频谱资源对应的资源控制开关进行切换,只需要第一RAT系统不使用该部分共享资源即可,避免了由于切换导致的时延。
对应于本申请实施例图1中所提供的频谱资源分配方法,本申请实施例还提供一种频谱资源共享装置,如图19中所示,该频谱资源共享装置100可以包括历史数据获取模块110、数据量预测模块120和资源分配模块130。
历史数据获取模块110,用于获取第一RAT系统的第一历史业务数据、以及第二RAT系统的第二历史业务数据,其中,对于第一历史业务数据和第二历史业务数据中的任一历史业务数据,历史业务数据包括至少一个历史周期的待传输数据量;
数据量预测模块120,用于根据第一历史业务数据和第二历史业务数据,确定下一周期的第一RAT系统的第一新增业务数据量和第二RAT系统的第二新增业务数据量;
资源分配模块130,用于根据第一新增业务数据量和第二新增业务数据量,确定第一RAT系统和第二RAT系统在下一周期分别对应的频谱资源。
可选的,数据量预测模块120可以用于:
根据第一历史业务数据和第二历史业务数据,确定历史业务数据对应的时不变业务数据特征和第一时变业务数据特征;
根据第一时变业务数据特征,预测下一周期的第二时变业务数据特征;
根据时不变业务数据特征和第二时变业务数据特征,确定下一预测周期的第一RAT系统的第一新增业务数据量和第二RAT系统的第二新增业务数据量。
可选的,数据量预测模块120在根据第一历史业务数据和第二历史业务数据,确定历史业务数据对应的时不变业务数据特征和第一时变业务数据特征时,可以用于:
根据第一历史业务数据和第二历史业务数据,生成历史业务数据矩阵;
根据历史业务数据矩阵,得到历史业务数据对应的时不变业务数据特征矩阵和第一时变业务数据特征矩阵;
其中,时不变业务数据矩阵的一个元素值表示第一RAT系统或第二RAT系统的至少一个历史周期的待传输数据量中与时间无关的待传输数据量的特征值;时变业务数据矩阵的一个元素值表示第一RAT系统或第二RAT系统的至少一个历史周期的待传输数据量中与时间相关的待传输数据量的特征值;
相应的,数据量预测模块120在根据第一时变业务数据特征,预测下一周期的第二时变业务数据特征时,可以用于:根据第一时变业务数据特征矩阵,预测下一周期的第二时变业务数据特征矩阵;
数据量预测模块120在根据时不变业务数据特征和第二时变业务数据特征,确定下一预测周期的第一RAT系统的第一新增业务数据量和第二RAT系统的第二新增业务数据量时,可以用于:
根据时不变业务数据特征矩阵和第二时变业务数据特征矩阵,得到第一新增业务数据量和第二新增业务数据量。
可选的,一个周期包括至少一个时间单元,至少一个历史周期的待传输数据量包括至少一个历史周期的各时间单元对应的待传输数据量,第一新增业务数据量和第二新增业务数据量包括下一周期的各时间单元对应的新增业务数据量;
相应的,资源分配模块130可以用于:
根据第一新增业务数据量和第二新增业务数据量,确定第一RAT系统和第二RAT系统在下一周期的各时间单元所对应的频谱资源。
可选的,任一历史业务数据还包括至少一个历史周期的实际数据传输量,对于第一RAT系统和第二RAT系统中的任一系统,数据量预测模块120还用于:
根据该系统的历史业务数据中的待传输数据量和实际数据传输量,确定该系统的历史遗留数据量;
相应的,资源分配模块130在根据第一新增业务数据量和第二新增业务数据量,确定第一RAT系统和第二RAT系统在下一周期分别对应的频谱资源时,可以用于:
根据第一新增业务数据量和第一RAT系统的历史遗留数据量,确定下一周期的第一RAT系统的第一总数据量;
根据第二新增业务数据量和第二RAT系统的历史遗留数据量,确定下一周期的第二RAT系统的第二总数据量;
根据第一总数据量和第二总数据量,确定第一RAT系统和第二RAT系统在下一周期的分别对应的频谱资源。
可选的,一个周期包括至少一个时间单元,至少一个历史周期的待传输数据量包括至少一个历史周期的各时间单元对应的待传输数据量,第一新增业务数据量和第二新增业务数据量包括下一周期的各时间单元对应的新增业务数据量;
对于第一RAT系统和第二RAT系统中的任一系统,资源分配模块130在确定总数据量时,可以用于:
对于下一周期的任一时间单元,基于该时间单元对应的新增业务数据量和该时间单元的前一时间单元的遗留数据量,确定该时间单元的总数据量;
其中,下一周期的第一个时间单元的前一时间单元的遗留数据量为历史遗留数据量;
相应的,资源分配模块130根据第一总数据量和第二总数据量,确定第一RAT系统和第二RAT系统在下一周期分别对应的频谱资源时,可以用于:
对于下一周期的任一时间单元,基于该时间单元所对应的第一RAT系统的第一总数据量和第二RAT系统的第二总数据量,确定第一RAT系统和第二RAT系统在该时间单元分别对应的频谱资源。
可选的,任一历史业务数据包括至少一个历史周期的各业务类型对应的待传输数据量,第一新增业务数据量和第二新增业务数据量包括下一周期的各业务类型对应的新增业务数据量;
相应的,资源分配模块130可以用于:
根据第一新增业务数据量和第二新增业务数据量,确定下一周期中第一RAT系统的各业务类型以及第二RAT系统的各业务类型所对应的频谱资源。
可选的,任一历史业务数据包括至少一个历史周期的各用户对应的待传输数据量,第一新增业务数据量和第二新增业务数据量包括下一周期的各用户对应的新增业务数据量;
相应的,资源分配模块130可以用于:根据第一新增业务数据量和第二新增业务数据量,确定下一周期中第一RAT系统的各用户以及第二RAT系统的各用户所对应的频谱资源。
可选的,资源分配模块130在根据第一总数据量和第二总数据量,确定第一RAT系统和第二RAT系统在下一周期的分别对应的频谱资源时,可以用于:
根据第一总数据量、第二总数据量、以及总频谱资源,确定第一RAT系统和第二RAT系统对应的各候选频谱资源分配方案;
根据各候选频谱资源分配方案,确定第一RAT系统和第二RAT系统的目标分配方案。
可选的,资源分配模块130在确定目标分配方案时,可以用于:
根据业务数据传输约束条件,从各候选频谱资源分配方案中筛选出满足约束条件的各候选方案;
从筛选出的各候选方案中确定出目标分配方案。
可选的,资源分配模块130在根据各候选频谱资源分配方案,确定第一RAT系统和第二RAT系统的目标分配方案时,可以用于:
根据第一总数据量、第二总数据量、各候选频谱资源分配方案中第一总数据量对应的频谱资源的承载数据量以及第二总数据量对应的频谱资源的承载数据量,确定目标分配方案。
可选的,资源分配模块130在根据第一总数据量、第二总数据量、各候选频谱资源分配方案中第一RAT系统对应的频谱资源的承载数据量以及第二RAT系统对应的频谱资源的承载数据量,确定目标分配方案时,可以用于:
将各候选频谱资源分配方案中对应的业务数据量差值最小的分配方案,确定为目标分配方案;
其中,业务数据量差值为第一差值和第二差值的和,对于任一候选频谱资源分配方案,第一差值为第一总数据量与该候选频谱资源分配方案中第一RAT系统对应的频谱资源的承载数据量的差值,第二差值为第二总数据量与该候选频谱资源分配方案中第二RAT系统对应的频谱资源的承载数据量的差值。
本申请所提供的上述各可选实施例中,以两个RAT系统为例,对本申请所提供的频谱资源共享方法的各种可选实施方式的原理进行了说明。可以理解的是,本申请实施例中所提供的该方法,也可以适用于两个以上的RAT系统的频谱资源的分配,即该方法适用于两个或者两个以上的RAT系统之间的频谱资源共享,即根据一个周期的总频谱资源为各RAT系统进行频谱资源的分配。
下面从另一个角度对本申请所提供的频谱资源共享方法的各可选实施例进行描述。可以理解的是,下文中各可选实施例中的描述是可以参见前文中以两个RAT系统为例的可选实施方式中相对应的描述的。
图20示出来本申请实施例提供的一种频谱资源共享方法的流程示意图,如图中所示,该方法可以包括:
步骤S210:根据至少两个RAT系统的历史业务数据,预测该至少两个RAT系统在设定第一共享周期内的业务数据量;
步骤S220:根据预测的业务数据量,为上述至少两个RAT系统分别分配上述第一共享周期内的频谱资源。
其中,一个第一共享周期即一个时间单元,第一共享周期的具体时长本申请实施例不做限定。该实施例中的业务数据量是指一个第一共享周期的总业务数据量(包括该第一共享周期的新增数据量和上第一共享周期的遗留数据量)。
该可选实施方式中,可以基于多个RAT系统的历史业务数据,预测多个RAT系统的第一共享周期的业务数据量,并基于预测的业务数据量为各RAT系统进行频谱资源的分配。其中,该业务数据量指的是总业务数据量。
可选的,上述至少两个RAT系统包括第四代移动通信系统即4G(也可以称为4G系统)和5G。
可选的,上述历史业务数据可以包括下述至少之一:
业务数据对应的用户标识;
业务数据对应的服务质量标度值;
业务数据对应的逻辑信道组标识;
至少一个历史第一共享周期的待传输业务数据量;
至少一个历史第一共享周期的实际传输业务数据量
其中,对于历史业务数据可以包含的上述各项信息的详细描述,可以参见前文各可选实施例中对应的参数描述部分,在此不再赘述。
本申请的可选实施例中,上述步骤S220中,根据预测的业务数据量,为至少两个RAT系统分别分配所述第一共享周期内的频谱资源,可以包括:
根据预测的业务数据量,确定第一共享周期内每个业务数据类别的至少一种候选传输数据量;
根据各业务数据类别分别对应的候选传输数据量,确定各业务数据类别分别对应的目标候选传输数据量;
根据各业务数据类别分别对应的目标候选传输数据量,为每个业务数据类别分配频谱资源。
可选的,上述业务数据类别是按照下述至少之一划分的:
用户,业务类型,RAT系统。
也就是说,对于每个第一共享周期所对应的数据量(如候选传输数据量、遗留数据量等),可以按照用户、业务类型、RAT系统等信息中的一项或多项进行类别的划分,即前文实施例中所描述的数据量的划分粒度可以根据需求采用不同的划分方式,如一个业务数据类别对应的数据量可以是一个RAT系统中的一个用户的一种业务类型所对应的数据量。
其中,一个业务数据类别的至少一种候选传输数据量指的是该业务数据类别所对应的候选分配资源(可能为该类别分配的资源,即该业务数据类别对应的候选频谱资源分配方案)所能够传输的数据量,也就是,候选分配资源所能够承载的数据量,一种候选分配资源实际所能够传输的数据量,即为一种候选传输数据量。相应的,目标候选传输数据量是从该业务数据类别的各种候选传输数据量中确定出的一种目标数据量,也就是最终为该业务数据类别所分配的资源所能够承载的数据量,对应于前文可选实施例中的该业务数据类别的目标分配方案所能够承载的数据量。
可选的,根据各业务数据类别分别对应的候选传输数据量,确定各业务数据类别分别对应的目标候选传输数据量,包括:
根据各业务数据类别所对应的各候选传输数据量组合,确定第一共享周期各候选传输数据量组合分别对应的各遗留数据量,其中,每个候选传输数据量组合包括每种业务数据类别对应的一种候选传输数据量;
根据各候选传输数据量组合分别对应的各遗留数据量,确定各业务数据类别分别对应的目标候选传输数据量。
也就是说,可以将所有业务数据类别各自对应的候选传输数据量进行组合,每个组合包含各业务数据类别分别对应的一种候选传输数据量,对于一个组合,该组合的候选传输数据量也就是该组合包含的各业务数据类别的候选传输数据量之和。对于各组合,可以通过确定各组合对应的遗留数据量,从各组合中确定目标组合,将目标组合包含的各业务数据类别的候选传输数据量,确定为各业务数据类别的目标候选传输数据量。
可选的,根据各业务数据类别所对应的各候选传输数据量组合的候选传输数据量,确定第一共享周期各候选传输数据量组合分别对应的各候选遗留数据量,包括:
对于任一候选传输数据量组合,将预测的业务数据量与该组合的候选传输数据量的差值,确定为该组合对应的遗留数据量。
也就是说,对于一个第一共享周期而言,一个组合对应的遗留数据量为预测的该周期的业务数据量和该组合的候选传输数据量(能够传输的数据量)之差。
可选的,上述根据各候选传输数据量组合分别对应的各候选遗留数据量,确定各业务数据类别分别对应的目标候选传输数据量,包括:
将最小的遗留数据量对应的候选传输数据量组合所对应的各业务数据类别的候选传输数据量,确定为各业务数据类别的目标传输数据量。
该最小的遗留数据量,也就是所分配的频域资源能够传输的数据量和预测的数据量之差最小,基于该方案,可以尽可能的提高资源利用率。该方案即对应于前文所描述的可选实施方式中的下述表达式:
该表达式是以两个RAT系统(4G和5G系统)为示例进行的描述,同样可以扩展为两个以上的RAT系统的资源分配。该表达式中,M和N分别表示5G系统中的业务数据类别的类别数据和4G系统中的业务数据类别。5GB0m+5GBO′m表示5G系统的第m个业务数据类别的预测的业务数据量,5GTBSm表示5G系统的第m个业务数据类别对应的候选传输数据量,公式中的第一项(第一个求和项)和第二项之和表示4G系统和5G系统对应的某个候选传输数据量组合对应的遗留数据量。该表达式则是找P值最小的候选传输数据量组合,也就是找遗留数据量最小的候选传输数据量组合,该组合对应的各业务数据类别的候选传输数据量即为各业务数据类别对应的目标候选传输数据量。
本申请的可选实施例中,确定第一共享周期内每个业务数据类别的至少一种候选传输数据量,包括:
根据下述至少之一确定第一共享周期内每个业务数据类别的至少一种候选传输数据量:
第一共享周期内各业务数据类别的总的传输数据量对应的资源量小于第一阈值;
上一第一共享周期的遗留数据量的传输时延小于第二阈值。
上述资源量是指传输上述总的传输数据量所需要的频域资源的资源数,各业务数据类别总的传输数据量指的是上述每个组合中所包含的各候选传输数据量之和。其中,资源量所对应的资源粒度本申请实施例不做限定,如可以是RB总数。第一阈值和第二阈值的具体取值可以根据实际需求或经验值配置,可选的,第一阈值可以是不大于各业务数据类别的总业务数据量(预测的总业务数据量)的阈值,或者是第一阈值与各业务数据类别的预测的总业务数据量的差值在一定范围,第一阈值可以大于该预测的总业务数据量,也可以小于该预测的总业务数据量。第二阈值可以是遗留数据量的最大传输时延。
基于该可选方案,在确定每个业务类别对应的各候选传输数据量时,上述第一项可以保证资源的有效利用率,在尽可能保证资源分配均衡、满足待传输数据量所需的资源量的前提下避免资源浪费,第二项则可以保证所需要传输的数据的时延要求,也就是在确定各候选资源分配方式时,可以根据需要传输的数据的时延要求、传输速率要求等确定各业务数据类别所对应的候选传输数据量。
本申请的可选实施例中,根据至少两个RAT系统的历史业务数据,预测至少两个RAT系统在设定第一共享周期内的业务数据量,包括:
根据至少两个RAT系统的历史业务数据,确定至少两个RAT系统在设定第一共享周期内的新增业务数据量;
确定上一个第一共享周期的遗留数据量;
根据至少两个RAT系统在设定第一共享周期内的新增业务数据量新增和上一个第一共享周期的遗留数据量,确定设定第一共享周期内的总业务数据量。
本申请的可选实施例中,根据至少两个RAT系统的历史业务数据,确定至少两个RAT系统在设定第一共享周期内的新增业务数据量,包括:
从至少两个RAT系统的历史业务数据中,获取各业务数据类别分别对应的历史业务数据;
根据各业务数据类别分别对应的历史业务数据,确定各业务数据类别在设定第一共享周期内的新增业务数据量;
根据各业务数据类别在设定第一共享周期内的新增业务数据量,确定设定第一共享周期的新增业务数据量。
可选的,根据各业务数据类别在设定第一共享周期内的新增业务数据量,确定设定第一设定周期的新增业务数据量,包括:
将各业务数据类别在设定第一共享周期内的新增业务数据量的总和,确定为设定第一周期的新增业务数据量。
即,一个第一共享周期的总业务数据量包括该第一共享周期的新增业务数据量和该周期的前一个第一共享周期的遗留数据量。对于每个业务数据类别,可以根据历史业务数据中该业务数据类别的历史业务数据,预测该业务数据类别在第一共享周期内的新增业务数据量。各业务数据类别在该设定第一共享周期内新增业务数据量之和,即为该周期的新增业务数据量。
其中,可以参见前文所提供的各可选实施例中所记载的确定新增业务数据量的方式,如可以通过AI模型实现新增业务数据量的预测。
本申请的可选实施例中,根据各业务数据类别分别对应的历史业务数据,确定各业务数据类别在设定第一共享周期内的新增业务数据量,包括:
根据各业务数据类别分别对应的历史业务数据,预测各业务数据类别在设定第一共享周期内的时变业务数据特征;
根据各业务数据类别在设定第一共享周期内的时变业务数据特征,确定各业务数据类别在设定第一共享周期内的新增业务数据量。
本申请的可选实施例中,根据各业务数据类别分别对应的历史业务数据,预测各业务数据类别在设定第一共享周期内的时变业务数据特征,包括:
根据各业务数据类别分别对应的历史业务数据,确定各业务数据类别的历史时变业务数据特征和历史时不变业务数据特征;
根据各业务数据类别的历史时变业务数据特征,预测各业务数据类别在设定第一共享周期内的时变业务数据特征;
根据各业务数据类别在设定第一共享周期内的时变业务数据特征,确定各业务数据类别在设定第一共享周期内的新增业务数据量,包括:
根据各业务数据类别的历史时不变业务数据特征和各业务数据类别在设定第一共享周期内的时变业务数据特征,确定各业务数据类别在设定第一共享周期内的新增业务数据量。
其中,时变业务数据特征和时不变业务数据特征的含义可以参见前文中的描述,在此不再赘述。
本申请的可选实施例中,根据各业务数据类别的历史时变业务数据特征,预测各业务数据类别在设定第一共享周期内的时变业务数据特征,包括:
根据各业务数据类别的历史时变业务数据特征,预测各业务数据类别在设定第一共享周期所属的第二共享周期内的时变业务数据特征。
本申请的可选实施例中,根据各业务数据类别在设定第一共享周期内的时变业务数据特征,确定各业务数据类别在设定第一共享周期内的新增业务数据量,包括:
根据各业务数据类别在第二共享周期内的时变业务数据特征和历史时不变业务数据特征,确定各业务数据类别在第二共享周期内的新增业务数据量;
根据各业务数据类别在第二共享周期内的新增业务数据量,确定各业务数据类别在第二共享周期包含的各第一共享周期内的新增业务数据量。
其中,第二共享周期可以包括一个或多个第一共享周期,第一共享周期可以对应为前文中的时间单元,第二共享周期可以对应于前文实施例中的一个周期。即可以根据历史业务数据,确定第二共享周期包含的一个或多个第一共享周期的时变业务数据,具体的,可以是基于历史业务数据,确定各业务类别的历史时变业务数据特征和历史时不变业务数据特征,再基于历史时变业务数据特征,预测第二共享周期的时变业务数据特征,之后根据预测出的第二共享周期的时变业务数据特征和历史时不变业务数据特征,再反推出第二共享周期包含的各个第一共享周期的新增业务数据量。
可选的,可以参见前文中的各可选实施方式,可以基于历史业务数据,通过PCA算法得到各业务数据类别的历史时变业务数据特征和历史时不变业务数据特征,再基于各业务数据类别的历史时变业务数据特征,通过AI模型预测得到各业务数据类别在第二共享周期的时变业务数据特征,之后,基于该预测得到的时变业务数据特征和历史时不变业务数据特征,通过逆PCA算法可以得到各业务数据类别在第二共享周期的新增业务数据量,从而可以得到各业务数据类别在第二共享周期内的各第一共享周期的新增业务数据量,对于每个第一共享周期,可以进一步基于该第一共享周期的新增业务数据量和该周期的前一个第一共享周期的遗留数据量,得到该第一共享周期的总的业务数据量。
基于本申请实施例提供的上述方案,可以确定出为各RAT系统在设定的第一共享周期内每种业务数据类别所对应的频谱资源,实现了频谱资源的动态分配,且能够有效提升资源率、保证资源分配的均衡。
对应于图20中所示的方法,本申请实施例还提供了一种频谱资源共享装置,如图21中所示,该频谱资源共享装置200可以包括数据量预测模块210和资源分配模块220。其中:
数据量预测模块210,用于根据至少两个RAT系统的历史业务数据,预测所述至少两个RAT系统在设定第一共享周期内的业务数据量;
资源分配模块220,用于根据预测的业务数据量,为至少两个RAT系统分别分配第一共享周期内的频谱资源。
可选的,资源分配模块220可以用于:
根据预测的业务数据量,确定第一共享周期内每个业务数据类别的至少一种候选传输数据量;
根据各业务数据类别分别对应的候选传输数据量,确定各业务数据类别分别对应的目标候选传输数据量;
根据各业务数据类别分别对应的目标候选传输数据量,为每个业务数据类别分配频谱资源。
可选的,资源分配模块220在根据各业务数据类别分别对应的候选传输数据量,确定各业务数据类别分别对应的目标候选传输数据量时,可以用于:
根据各业务数据类别所对应的各候选传输数据量组合的候选传输数据量,确定第一共享周期各候选传输数据量组合分别对应的各遗留数据量,其中,每个候选传输数据量组合包括每种业务数据类别对应的一种候选传输数据量;
根据各候选传输数据量组合分别对应的各遗留数据量,确定各业务数据类别分别对应的目标候选传输数据量。
可选的,资源分配模块220在根据各业务数据类别所对应的各候选传输数据量组合的候选传输数据量,确定第一共享周期各候选传输数据量组合分别对应的各遗留数据量时,可以用于:
对于任一候选传输数据量组合,将预测的业务数据量与该组合的候选传输数据量的差值,确定为该组合对应的遗留数据量。
可选的,资源分配模块220在根据各候选传输数据量组合分别对应的各候选遗留数据量,确定各业务数据类别分别对应的目标候选传输数据量时,可以用于:
将最小的遗留数据量对应的候选传输数据量组合所对应的各业务数据类别的候选传输数据量,确定为各业务数据类别的目标传输数据量。
可选的,资源分配模块220在确定第一共享周期内每个业务数据类别的至少一种候选传输数据量时,可以用于:
根据下述至少之一确定第一共享周期内每个业务数据类别的至少一种候选传输数据量:
第一共享周期内各业务数据类别的总的传输数据量对应的资源数小于第一阈值;
上一第一共享周期的遗留数据量的传输时延小于第二阈值。
可选的,数据量预测模块110可以用于:
根据至少两个RAT系统的历史业务数据,确定至少两个RAT系统在设定第一共享周期内的新增业务数据量;
确定上一个第一共享周期的遗留数据量;
根据至少两个RAT系统在设定第一共享周期内的新增业务数据量新增和上一个第一共享周期的遗留数据量,确定设定第一共享周期内的总业务数据量。
可选的,数据量预测模块110在根据至少两个RAT系统的历史业务数据,确定至少两个RAT系统在设定第一共享周期内的新增业务数据量时,可以用于:
从至少两个RAT系统的历史业务数据中,获取各业务数据类别分别对应的历史业务数据;
根据各业务数据类别分别对应的历史业务数据,确定各业务数据类别在设定第一共享周期内的新增业务数据量;
根据各业务数据类别在设定第一共享周期内的新增业务数据量,确定设定第一共享周期的新增业务数据量。
可选的,数据量预测模块110在根据各业务数据类别在设定第一共享周期内的新增业务数据量,确定设定第一设定周期的新增业务数据量时,可以用于:
将各业务数据类别在设定第一共享周期内的新增业务数据量的总和,确定为设定第一周期的新增业务数据量。
可选的,数据量预测模块110在根据各业务数据类别分别对应的历史业务数据,确定各业务数据类别在设定第一共享周期内的新增业务数据量时,可以用于:
根据各业务数据类别分别对应的历史业务数据,预测各业务数据类别在设定第一共享周期内的时变业务数据特征;
根据各业务数据类别在设定第一共享周期内的时变业务数据特征,确定各业务数据类别在设定第一共享周期内的新增业务数据量。
可选的,数据量预测模块110在根据各业务数据类别分别对应的历史业务数据,预测各业务数据类别在设定第一共享周期内的时变业务数据特征时,可以用于:
根据各业务数据类别分别对应的历史业务数据,确定各业务数据类别的历史时变业务数据特征和历史时不变业务数据特征;
根据各业务数据类别的历史时变业务数据特征,预测各业务数据类别在设定第一共享周期内的时变业务数据特征;
数据量预测模块110在根据各业务数据类别在设定第一共享周期内的时变业务数据特征,确定各业务数据类别在设定第一共享周期内的新增业务数据量时,可以用于:
根据各业务数据类别的历史时不变业务数据特征和各业务数据类别在设定第一共享周期内的时变业务数据特征,确定各业务数据类别在设定第一共享周期内的新增业务数据量。
可选的,数据量预测模块110在根据各业务数据类别的历史时变业务数据特征,预测各业务数据类别在设定第一共享周期内的时变业务数据特征时,可以用于:
根据各业务数据类别的历史时变业务数据特征,预测各业务数据类别在设定第一共享周期所属的第二共享周期内的时变业务数据特征。
可选的,数据量预测模块110在根据各业务数据类别在设定第一共享周期内的时变业务数据特征,确定各业务数据类别在设定第一共享周期内的新增业务数据量时,可以用于:
根据各业务数据类别在第二共享周期内的时变业务数据特征和历史时不变业务数据特征,确定各业务数据类别在第二共享周期内的新增业务数据量;
根据各业务数据类别在第二共享周期内的新增业务数据量,确定各业务数据类别在第二共享周期包含的各第一共享周期内的新增业务数据量。
可选的,上述业务数据类别是按照下述至少之一划分的:用户,业务类型,RAT系统。
可选的,历史业务数据包括下述至少之一:
业务数据对应的用户标识;
业务数据对应的服务质量标度值;
业务数据对应的逻辑信道组标识;
至少一个历史第一共享周期的待传输业务数据量;
至少一个历史第一共享周期的实际传输业务数据量。
可选的,上述至少两个RAT系统包括第四代移动通信系统4G和第五代移动通信系统5G。
基于相同的原理,本申请实施例还提供了一种电子设备,该所述电子设备包括存储器和处理器,其中,所述存储器中存储有计算机程序,所述处理器在执行所述计算机程序时实现本申请任一可选实施例所提供的方法。
本申请实施例还提供了一种计算机可读存储介质,该存储介质中存储有计算机程序,所述计算机程序在被处理器执行时可以实现本申请任一可选实施例所提供的方法。
作为一可选方案,图22示出了本申请实施例适用的一种电子设备的结构示意图,如图22所示,该电子设备4000可以包括处理器4001和存储器4003。其中,处理器4001和存储器4003相连,如通过总线4002相连。可选地,电子设备4000还可以包括收发器4004。需要说明的是,实际应用中收发器4004不限于一个,该电子设备4000的结构并不构成对本申请实施例的限定。
处理器4001可以是CPU(Central Processing Unit,中央处理器),通用处理器,DSP(Digital Signal Processor,数据信号处理器),ASIC(Application SpecificIntegrated Circuit,专用集成电路),FPGA(Field Programmable Gate Array,现场可编程门阵列)或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框,模块和电路。处理器4001也可以是实现计算功能的组合,例如包含一个或多个微处理器组合,DSP和微处理器的组合等。
总线4002可包括一通路,在上述组件之间传送信息。总线4002可以是PCI(Peripheral Component Interconnect,外设部件互连标准)总线或EISA(ExtendedIndustry Standard Architecture,扩展工业标准结构)总线等。总线4002可以分为地址总线、数据总线、控制总线等。为便于表示,图22中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
存储器4003可以是ROM(Read Only Memory,只读存储器)或可存储静态信息和指令的其他类型的静态存储设备,RAM(Random Access Memory,随机存取存储器)或者可存储信息和指令的其他类型的动态存储设备,也可以是EEPROM(Electrically ErasableProgrammable Read Only Memory,电可擦可编程只读存储器)、CD-ROM(Compact DiscRead Only Memory,只读光盘)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。
存储器4003用于存储执行本申请方案的应用程序代码,并由处理器4001来控制执行。处理器4001用于执行存储器4003中存储的应用程序代码(计算机程序),以实现前述任一方法实施例所示的内容。
本申请所提供的实施例中,由电子设备执行的上述描述信息的生成方法可以使用人工智能模型来执行。
根据本申请的实施例,在电子设备中执行的该方法可以通过使用历史业务数据或者历史业务数据中的时变业务数据作为人工智能模型的输入数据来获得下一周期对应的业务数据。人工智能模型可以通过训练获得。这里,“通过训练获得”意味着通过训练算法用多条训练数据训练基本人工智能模型来获得被配置成执行期望特征(或目的)的预定义操作规则或人工智能模型。人工智能模型可以包括多个神经网络层。多个神经网络层中的每一层包括多个权重值,并且通过在前一层的计算结果与多个权重值之间的计算来执行神经网络计算。
本申请所提供的实施例中,可以通过AI模型来实现多个模块中的至少一个模块。可以通过非易失性存储器、易失性存储器和处理器来执行与AI相关联的功能。
该处理器可以包括一个或多个处理器。此时,该一个或多个处理器可以是通用处理器,(例如中央处理单元(CPU)、应用处理器(AP)等)、或者是纯图形处理单元(例如,图形处理单元(GPU)、视觉处理单元(VPU)、和/或AI专用处理器(例如,神经处理单元(NPU))。
该一个或多个处理器根据存储在非易失性存储器和易失性存储器中的预定义的操作规则或人工智能(AI)模型来控制对输入数据的处理。通过训练或学习来提供预定义的操作规则或人工智能模型。
这里,通过学习来提供指的是通过将学习算法应用于多个学习数据来得到预定义的操作规则或具有期望特性的AI模型。该学习可以在其中执行根据实施例的AI的装置本身中执行,和/或可以通过单独的服务器/系统来实现。
该AI模型可以由包含多个神经网络层组成。每一层具有多个权重值,一个层的计算是通过前一层的计算结果和当前层的多个权重来执行的。神经网络的示例包括但不限于卷积神经网络(CNN)、深度神经网络(DNN)、循环神经网络(RNN)、受限玻尔兹曼机(RBM)、深度信念网络(DBN)、双向循环深度神经网络(BRDNN)、生成对抗网络(GAN)、以及深度Q网络。
学习算法是一种使用多个学习数据训练预定目标装置(例如,机器人)以使得、允许或控制目标装置进行确定或预测的方法。该学习算法的示例包括但不限于监督学习、无监督学习、半监督学习、或强化学习。
应该理解的是,虽然附图的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,其可以以其他的顺序执行。而且,附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,其执行顺序也不必然是依次进行,而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
以上所述仅是本发明的部分实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (19)
1.一种频谱资源共享方法,其特征在于,包括:
根据至少两个无线接入技术RAT系统的历史业务数据,预测所述至少两个RAT系统在设定第一共享周期内的业务数据量;
根据预测的业务数据量,为所述至少两个RAT系统分别分配所述第一共享周期内的频谱资源。
2.根据权利要求1所述的方法,其特征在于,根据预测的业务数据量,为所述至少两个RAT系统分别分配所述第一共享周期内的频谱资源,包括:
根据预测的业务数据量,确定第一共享周期内每个业务数据类别的至少一种候选传输数据量;
根据各业务数据类别分别对应的候选传输数据量,确定各业务数据类别分别对应的目标候选传输数据量;
根据各业务数据类别分别对应的目标候选传输数据量,为每个业务数据类别分配频谱资源。
3.根据权利要求2所述的方法,其特征在于,根据各业务数据类别分别对应的候选传输数据量,确定各业务数据类别分别对应的目标候选传输数据量,包括:
根据各业务数据类别所对应的各候选传输数据量组合的候选传输数据量,确定所述第一共享周期各候选传输数据量组合分别对应的各遗留数据量,其中,每个候选传输数据量组合包括每种业务数据类别对应的一种候选传输数据量;
根据各候选传输数据量组合分别对应的各遗留数据量,确定各业务数据类别分别对应的目标候选传输数据量。
4.根据权利要求3所述的方法,其特征在于,根据各业务数据类别所对应的各候选传输数据量组合的候选传输数据量,确定所述第一共享周期各候选传输数据量组合分别对应的各遗留数据量,包括:
对于任一候选传输数据量组合,将预测的业务数据量与该组合的候选传输数据量的差值,确定为该组合对应的遗留数据量。
5.根据权利要求4所述的方法,其特征在于,根据各候选传输数据量组合分别对应的各候选遗留数据量,确定各业务数据类别分别对应的目标候选传输数据量,包括:
将最小的遗留数据量对应的候选传输数据量组合所对应的各业务数据类别的候选传输数据量,确定为各业务数据类别的目标传输数据量。
6.根据权利要求2-5中任一项所述的方法,其特征在于,确定第一共享周期内每个业务数据类别的至少一种候选传输数据量,包括:
根据下述至少之一确定第一共享周期内每个业务数据类别的至少一种候选传输数据量:
所述第一共享周期内各业务数据类别的总的传输数据量对应的资源数小于第一阈值;
上一第一共享周期的遗留数据量的传输时延小于第二阈值。
7.根据权利要求1-6中任一项所述的方法,其特征在于,根据至少两个RAT系统的历史业务数据,预测所述至少两个RAT系统在设定第一共享周期内的业务数据量,包括:
根据至少两个RAT系统的历史业务数据,确定所述至少两个RAT系统在设定第一共享周期内的新增业务数据量;
确定上一个第一共享周期的遗留数据量;
根据所述至少两个RAT系统在设定第一共享周期内的新增业务数据量新增和上一个第一共享周期的遗留数据量,确定设定第一共享周期内的总业务数据量。
8.根据权利要求7所述的方法,其特征在于,根据至少两个RAT系统的历史业务数据,确定所述至少两个RAT系统在设定第一共享周期内的新增业务数据量,包括:
从至少两个RAT系统的历史业务数据中,获取各业务数据类别分别对应的历史业务数据;
根据各业务数据类别分别对应的历史业务数据,确定各业务数据类别在设定第一共享周期内的新增业务数据量;
根据各业务数据类别在设定第一共享周期内的新增业务数据量,确定设定第一共享周期的新增业务数据量。
9.根据权利要求8所述的方法,其特征在于,根据各业务数据类别在设定第一共享周期内的新增业务数据量,确定设定第一设定周期的新增业务数据量,包括:
将各业务数据类别在设定第一共享周期内的新增业务数据量的总和,确定为设定第一周期的新增业务数据量。
10.根据权利要求8或9所述的方法,其特征在于,根据各业务数据类别分别对应的历史业务数据,确定各业务数据类别在设定第一共享周期内的新增业务数据量,包括:
根据各业务数据类别分别对应的历史业务数据,预测各业务数据类别在设定第一共享周期内的时变业务数据特征;
根据各业务数据类别在设定第一共享周期内的时变业务数据特征,确定各业务数据类别在设定第一共享周期内的新增业务数据量。
11.根据权利要求10所述的方法,其特征在于,根据各业务数据类别分别对应的历史业务数据,预测各业务数据类别在设定第一共享周期内的时变业务数据特征,包括:
根据各业务数据类别分别对应的历史业务数据,确定各业务数据类别的历史时变业务数据特征和历史时不变业务数据特征;
根据各业务数据类别的历史时变业务数据特征,预测各业务数据类别在设定第一共享周期内的时变业务数据特征;
根据各业务数据类别在设定第一共享周期内的时变业务数据特征,确定各业务数据类别在设定第一共享周期内的新增业务数据量,包括:
根据各业务数据类别的历史时不变业务数据特征和各业务数据类别在设定第一共享周期内的时变业务数据特征,确定各业务数据类别在设定第一共享周期内的新增业务数据量。
12.根据权利要求11所述的方法,其特征在于,根据各业务数据类别的历史时变业务数据特征,预测各业务数据类别在设定第一共享周期内的时变业务数据特征,包括:
根据各业务数据类别的历史时变业务数据特征,预测各业务数据类别在设定第一共享周期所属的第二共享周期内的时变业务数据特征。
13.根据权利要求12所述的方法,其特征在于,根据各业务数据类别在设定第一共享周期内的时变业务数据特征,确定各业务数据类别在设定第一共享周期内的新增业务数据量,包括:
根据各业务数据类别在所述第二共享周期内的时变业务数据特征和所述历史时不变业务数据特征,确定各业务数据类别在所述第二共享周期内的新增业务数据量;
根据各业务数据类别在所述第二共享周期内的新增业务数据量,确定各业务数据类别在所述第二共享周期包含的各第一共享周期内的新增业务数据量。
14.根据权利要求1-13中任一项所述的方法,其特征在于,所述业务数据类别是按照下述至少之一划分的:用户,业务类型,RAT系统。
15.根据权利要求1-14中任一项所述的方法,其特征在于,所述历史业务数据包括下述至少之一:
业务数据对应的用户标识;
业务数据对应的服务质量标度值;
业务数据对应的逻辑信道组标识;
至少一个历史第一共享周期的待传输业务数据量;
至少一个历史第一共享周期的实际传输业务数据量。
16.根据权利要求1至15中任一项所述的方法,其特征在于,所述至少两个RAT系统包括第四代移动通信系统4G和第五代移动通信系统5G。
17.一种频谱资源共享装置,其特征在于,包括:
数据量预测模块,用于根据至少两个无线接入技术RAT系统的历史业务数据,预测所述至少两个RAT系统在设定第一共享周期内的业务数据量;
资源分配模块,用于根据预测的业务数据量,为所述至少两个RAT系统分别分配所述第一共享周期内的频谱资源。
18.一种电子设备,其特征在于,所述电子设备包括存储器和处理器,其中,所述存储器中存储有计算机程序,所述处理器在执行所述计算机程序时实现权利要求1至16中任一项所述的方法。
19.一种计算机可读存储介质,其特征在于,所述存储介质中存储有计算机程序,所述计算机程序在被处理器执行时实现权利要求1至16中任一项所述的方法。
Priority Applications (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011073981.4A CN114339774A (zh) | 2020-09-30 | 2020-09-30 | 频谱资源共享方法、装置、电子设备及存储介质 |
PCT/KR2021/013260 WO2022071727A1 (en) | 2020-09-30 | 2021-09-28 | Method for sharing spectrum resources, apparatus, electronic device and storage medium |
EP21876002.3A EP4179759A4 (en) | 2020-09-30 | 2021-09-28 | SPECTRUM RESOURCE SHARING METHOD, APPARATUS, ELECTRONIC DEVICE AND STORAGE MEDIUM |
US17/491,298 US12003971B2 (en) | 2020-09-30 | 2021-09-30 | Method for sharing spectrum resources, apparatus, electronic device and storage medium |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011073981.4A CN114339774A (zh) | 2020-09-30 | 2020-09-30 | 频谱资源共享方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114339774A true CN114339774A (zh) | 2022-04-12 |
Family
ID=80821898
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011073981.4A Pending CN114339774A (zh) | 2020-09-30 | 2020-09-30 | 频谱资源共享方法、装置、电子设备及存储介质 |
Country Status (4)
Country | Link |
---|---|
US (1) | US12003971B2 (zh) |
EP (1) | EP4179759A4 (zh) |
CN (1) | CN114339774A (zh) |
WO (1) | WO2022071727A1 (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115002784A (zh) * | 2022-05-30 | 2022-09-02 | 中国联合网络通信集团有限公司 | 一种频谱配置方法、装置及存储介质 |
CN116321285A (zh) * | 2023-05-19 | 2023-06-23 | 华安中云股份有限公司 | 基于卫星信号的数据量上报方法、装置、设备和介质 |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11616736B2 (en) * | 2020-12-17 | 2023-03-28 | Nokia Solutions And Networks Oy | Dynamic resource allocation aided by reinforcement learning |
US11937102B2 (en) * | 2021-06-09 | 2024-03-19 | Ambeent Inc. | Optimizing utilization and performance of one or more unlicensed bands in a network |
CN118158737A (zh) * | 2022-12-05 | 2024-06-07 | 维沃移动通信有限公司 | 信息传输方法、信息传输装置和通信设备 |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1494490A1 (en) * | 2003-06-30 | 2005-01-05 | Motorola Inc. | Dynamic allocation of communication spectrum between different radio access technologies |
EP2196047A4 (en) * | 2007-09-25 | 2016-09-07 | Nokia Technologies Oy | FLEXIBLE SPECTRUM SHARING |
WO2010084801A1 (ja) * | 2009-01-26 | 2010-07-29 | ソニー株式会社 | 通信制御方法、通信装置、及びプログラム |
US9088989B2 (en) * | 2010-07-15 | 2015-07-21 | Rivada Networks, Llc | Methods and systems for managing dynamic spectrum arbitrage based on usage of network resources |
US20120120887A1 (en) * | 2010-11-12 | 2012-05-17 | Battelle Energy Alliance, Llc | Systems, apparatuses, and methods to support dynamic spectrum access in wireless networks |
CN102223640B (zh) * | 2011-06-03 | 2017-10-17 | 中兴通讯股份有限公司 | 一种动态频谱共享系统及方法 |
US8897802B2 (en) * | 2011-07-21 | 2014-11-25 | At&T Mobility Ii Llc | Selection of a radio access technology resource based on radio access technology resource historical information |
US8938240B2 (en) * | 2012-11-02 | 2015-01-20 | Fujitsu Limited | Systems and methods for spectrum handoff management in white spaces |
US9832653B2 (en) * | 2013-04-18 | 2017-11-28 | Intel Corporation | Dynamic allocation of wireless spectrum for utilization by wireless operator networks |
EP2869644B1 (en) * | 2013-10-31 | 2017-12-27 | Alcatel Lucent | A communications system, an access network node and a method of optimising energy consumed in a communication network |
EP3078221B1 (en) * | 2013-12-04 | 2018-08-29 | Telefonaktiebolaget LM Ericsson (publ) | Resource sharing between radio access technologies |
JP7060603B2 (ja) * | 2017-01-04 | 2022-04-26 | エルジー エレクトロニクス インコーポレイティド | 無線通信システムにおいて3gpp lteとnrとの間にスペクトルを共有するための方法及び装置 |
US11057907B2 (en) * | 2018-11-26 | 2021-07-06 | T-Mobile Usa, Inc. | Spectrum sharing optimization within a base station node |
-
2020
- 2020-09-30 CN CN202011073981.4A patent/CN114339774A/zh active Pending
-
2021
- 2021-09-28 EP EP21876002.3A patent/EP4179759A4/en active Pending
- 2021-09-28 WO PCT/KR2021/013260 patent/WO2022071727A1/en unknown
- 2021-09-30 US US17/491,298 patent/US12003971B2/en active Active
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115002784A (zh) * | 2022-05-30 | 2022-09-02 | 中国联合网络通信集团有限公司 | 一种频谱配置方法、装置及存储介质 |
CN115002784B (zh) * | 2022-05-30 | 2024-06-07 | 中国联合网络通信集团有限公司 | 一种频谱配置方法、装置及存储介质 |
CN116321285A (zh) * | 2023-05-19 | 2023-06-23 | 华安中云股份有限公司 | 基于卫星信号的数据量上报方法、装置、设备和介质 |
CN116321285B (zh) * | 2023-05-19 | 2023-08-15 | 华安中云股份有限公司 | 基于卫星信号的数据量上报方法、装置、设备和介质 |
Also Published As
Publication number | Publication date |
---|---|
US12003971B2 (en) | 2024-06-04 |
EP4179759A4 (en) | 2024-01-24 |
US20220104027A1 (en) | 2022-03-31 |
WO2022071727A1 (en) | 2022-04-07 |
EP4179759A1 (en) | 2023-05-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114339774A (zh) | 频谱资源共享方法、装置、电子设备及存储介质 | |
Li et al. | The LSTM-based advantage actor-critic learning for resource management in network slicing with user mobility | |
Tan et al. | Intelligent sharing for LTE and WiFi systems in unlicensed bands: A deep reinforcement learning approach | |
CN110839184B (zh) | 基于流量预测的移动前传光网络带宽调整方法及装置 | |
EP3742669B1 (en) | Machine learning in radio access networks | |
US20220053341A1 (en) | Transfer learning of network traffic prediction model among cellular base stations | |
CN111711666B (zh) | 一种基于强化学习的车联网云计算资源优化方法 | |
CN107948083B (zh) | 一种基于增强学习的sdn数据中心拥塞控制方法 | |
CN111614754B (zh) | 面向雾计算的成本效率优化的动态自适应任务调度方法 | |
CN109788489A (zh) | 一种基站规划方法及装置 | |
US11737080B2 (en) | Method of scheduling plurality of packets related to tasks of plurality of user equipments using artificial intelligence and electronic device performing the method | |
Muteba et al. | Deep reinforcement learning based resource allocation for narrowband cognitive radio-IoT systems | |
Zangooei et al. | Reinforcement learning for radio resource management in ran slicing: A survey | |
WO2023011371A1 (en) | Method and system for configuring a threshold value for a handover parameter of a wireless communication system | |
AlQwider et al. | Deep Q-network for 5G NR downlink scheduling | |
CN116567843A (zh) | 一种无线资源分配优化装置及方法 | |
WO2023115534A1 (en) | Systems, devices and methods for scheduling wireless communications | |
Mohammed et al. | A framework for analyzing 4G/LTE-A real data using machine learning algorithms | |
Santos | Autonomous QoS-based mechanism for resource allocation in LTE-Advanced Pro networks | |
CN115550969A (zh) | 一种基于动态规划和随机博弈的双层ran切片配置方法 | |
CN112085282B (zh) | 小区流量预测方法及服务器 | |
Pu et al. | Federated learning-based heterogeneous load prediction and slicing for 5G systems and beyond | |
Song et al. | Adaptive generalized proportional fair scheduling with deep reinforcement learning | |
Mohammed et al. | A machine learning-based framework for efficient LTE downlink throughput | |
US20230362976A1 (en) | Method and electronic device for determining scheduling priority of user equipment |
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 |