CN114513805A - 无线建模方法和系统 - Google Patents
无线建模方法和系统 Download PDFInfo
- Publication number
- CN114513805A CN114513805A CN202011277916.3A CN202011277916A CN114513805A CN 114513805 A CN114513805 A CN 114513805A CN 202011277916 A CN202011277916 A CN 202011277916A CN 114513805 A CN114513805 A CN 114513805A
- Authority
- CN
- China
- Prior art keywords
- digital twin
- data
- local network
- wireless
- twin data
- 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 83
- 238000004088 simulation Methods 0.000 claims description 40
- 238000011156 evaluation Methods 0.000 claims description 25
- 238000012549 training Methods 0.000 claims description 25
- 238000004891 communication Methods 0.000 claims description 20
- 238000013461 design Methods 0.000 claims description 17
- 238000005259 measurement Methods 0.000 claims description 14
- 230000005540 biological transmission Effects 0.000 claims description 13
- 238000003860 storage Methods 0.000 claims description 12
- 238000013473 artificial intelligence Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 abstract description 14
- 230000000694 effects Effects 0.000 abstract description 9
- 238000005516 engineering process Methods 0.000 description 13
- 230000008569 process Effects 0.000 description 9
- 230000006870 function Effects 0.000 description 6
- 238000004519 manufacturing process Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 239000000463 material Substances 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 238000009434 installation Methods 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 4
- 230000000704 physical effect Effects 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000007423 decrease Effects 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 238000012937 correction Methods 0.000 description 2
- 238000013499 data model Methods 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 230000006798 recombination Effects 0.000 description 2
- 238000005215 recombination Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000004566 building material Substances 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005562 fading Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000010287 polarization Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/06—Testing, supervising or monitoring using simulated traffic
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- Signal Processing (AREA)
- Theoretical Computer Science (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明提供一种无线建模方法和系统。所述无线建模方法:向云端设备发送包括本地网络设备的地理信息的第一数字孪生体数据请求;接收云端设备返回的与所述地理信息相对应的第一数字孪生体数据。本发明的无线建模方法利用数字孪生体进行无线环境建模,提供了更实时更全面的信息,提高了建模精度,同时可基于无线网络侧的覆盖效果数据辅助进行城市建设规划。
Description
技术领域
本发明涉及通信技术领域,特别是指一种无线建模方法和系统。
背景技术
现代通信技术中的无线环境包括无线通信区域内的地理地貌、城市建筑、公共设施、人口密度等等。由于无线环境直接影响无线通信信道质量(如各种大小尺度衰落),从而影响基站侧无线资源总量的配备以及无线资源的调度和分配算法,在无线移动通信网络的规划、配置、优化过程中均需要直接或间接的使用无线环境的建模来产生相关决策或方案。尤其是网络规划工作,需要基于无线环境模型对规划方案进行多轮仿真迭代,以输出较为合理的规划方案。
当前,业界较为常用或研究较多的技术方案主要包括三大类:基于3D电子地图、基于人工智能AI模型和基于射线跟踪,其原理分述如下:
基于3D电子地图:就是以三维电子地图数据库为基础,按照一定比例对现实世界或其中一部分的一个或多个方面的三维、抽象的描述。利用卫星或激光技术直接扫描建筑物的高度和宽度,最终形成三维地图数据文件。最近几年,搜索引擎Google把卫星遥感地图资源和三维电子地图技术以及互联网集合起来,推出Google Earth和Google Maps。另外,可以借助于Web GIS技术,利用飞艇、飞机和汽车等交通工具,从不同的角度进行拍摄,通过数据库和地图上每个具体地点联系起来,获得这个地区的实景地图。但是,这种方式的弊端一是受交通工具的限制,给出的信息比较有限;二是地图获取成本较高;三是地图更新周期较长,数据具有很明显的滞后性。
基于AI模型:随着AI技术的兴起,通过AI对无线信道进行建模成为一种新的思路。其主要原理是通过无线网络中采集的大量测量数据,训练生成发射接收端信号的映射关系(比如由特定结构和参数配置的神经网络表达)作为信道模型。这种方式相比传统的固定信道模型分类在模型刻画的多样性和准确性上具有明显的优势,但其依赖的采集数据量大,训练跟不上无线信道的时变性,存在模型滞后的问题,不同用户的信道模型无法归聚形成模板,需要不断训练,消耗大量算力资源。
基于射线跟踪:射线跟踪是一种被广泛用于移动通信和个人通信环境中的预测无线电波传播特性的技术,可以用来辨认出多径信道中收发之间所有可能的射线路径。一旦所有可能的射线被辨认出后,就可根据电波传播理论来计算每条射线的幅度、相位、延迟和极化,然后结合天线方向图和系统带宽就可得到接收点的所有射线的相干合成结果。在射线追踪模型中,假设存在有限数量的反射物,并且这些反射物的位置和导电特性已知。当接收器离开最近的散射体的距离大大超过波长,并且所有散射体相对波长足够大、散射体相当平滑时,模型的近似误差非常小。基于射线追踪的计算机程序中被广泛适用于室内和室外环境的系统规划。在这些程序中,计算机图形和航空照片或者建筑结构图结合,以获得环境的三维地理图像。基于射线跟踪的方法计算比较复杂,且本身也需要对无线环境的感知,如反射物的数量、位置和物理特性均需获知。三维地图可以提供前两者,但反射物的物理特性却不易获得。
发明内容
本发明要解决的技术问题是如何提供一种基于数字孪生体的无线建模方法和系统,从而提供更实时更全面的建模信息,提高建模精度,并且可以基于当前的无线建模辅助进行城市建设规划。
为解决上述技术问题,本发明的技术方案如下:
一种无线建模方法,应用于本地网络设备,所述方法包括:向云端设备发送包括本地网络设备的地理信息的第一数字孪生体数据请求;接收云端设备返回的与所述地理信息相对应的第一数字孪生体数据。
可选地,所述无线建模方法还包括:基于第一数字孪生体数据和本地网络设备存储的第二数字孪生体数据,建立无线环境模型。
可选地,所述第一数字孪生体数据为非实时的行业数据;所述第二数字孪生体数据为实时的本地数据。
可选地,所述无线建模方法还包括:基于无线环境模型仿真生成多个仿真样本。
可选地,所述无线建模方法还包括:以所述多个仿真样本和所述本地网络设备获取的多个真实样本作为输入进行人工智能AI训练,生成无线信道模型。
可选地,所述无线建模方法还包括:基于无线信道模型更新所述本地网络设备存储的数字孪生体数据。
可选地,所述多个真实样本是基于上下行传输配置更新信息和空口信号测量结果生成的。
可选地,所述无线建模方法还包括:接收云端设备发送的第三数字孪生体数据的评估请求;基于无线环境模型对第三数字孪生体数据进行评估,并向云端设备反馈评估结果。
可选地,所述第三数字孪生体数据为网络设计中的数字孪生体数据。
一种无线建模方法,应用于云端设备,所述方法包括:接收本地网络设备发送的包括本地网络设备的地理信息的第一数字孪生体数据请求,向本地网络设备发送给与所述地理信息相对应的第一数字孪生体数据。
可选地,所述无线建模方法还包括:发送第三数字孪生体数据的评估请求;接收本地网络设备反馈的基于无线环境模型对第三数字孪生体数据进行评估产生的评估结果。
可选地,所述第一数字孪生体数据为非实时的行业数据;所述第三数字孪生体数据为设计中的数字孪生体数据。
一种无线建模系统,包括云平台和本地网络设备,包括:本地网络设备向云平台发送包括本地网络设备的地理信息的第一数字孪生体数据请求;云平台接收本地网络设备发送的第一数字孪生体数据请求后,向本地网络设备发送给与所述地理信息相对应的第一数字孪生体数据;本地网络设备基于第一数字孪生体数据和本地网络设备存储的第二数字孪生体数据,建立无线环境模型。
可选地,所述无线建模系统还包括:云平台向本地网络设备发送第三数字孪生体数据的评估请求;本地网络设备基于无线环境模型对第三数字孪生体数据进行评估后产生评估结果,并且将评估结果反馈给云平台。
可选地,所述第一数字孪生体数据为非实时的行业数据;所述第二数字孪生体数据为实时的本地数据;所述第三数字孪生体数据为设计中的数字孪生体数据。
可选地,所述本地网络设备中的仿真器基于无线环境模型仿真生成多个仿真样本。
可选地,所述本地网络设备中的AI训练模块以仿真器生成的所述多个仿真样本和所述本地网络设备的样本收集模块收集的多个真实样本作为输入进行AI训练,生成无线信道模型。
可选地,基于无线信道模型更新所述本地网络设备存储的数字孪生体数据。
可选地,所述多个真实样本是基于上下行传输配置更新消息和空口信号测量结果消息生成的。
一种通信设备,包括:处理器、存储有计算机程序的存储器,所述计算机程序被处理器运行时,执行上述无线建模方法。
一种计算机可读存储介质,存储指令,当所述指令在计算机上运行时,使得计算机执行上述无线建模方法。
本发明的上述方案至少包括以下有益效果:
本发明的技术方案利用相关行业在网络中同步保存的数字孪生体,获得关于无线环境中各物理实体(如建筑、公共设施、植被等)的全生命周期特征数据及模型(包括位置、三维形态、材料、物理特性、温湿度等等),包括从设计、制造、建造、安装/铺设到后期维护阶段,基于这些数据和模型,一方面可以为当前建模手段提供更实时更全面的信息,提高建模精度;另一方面可基于无线网络侧的覆盖效果数据对城市建设规划提出建议,使通信站点的规划纳入到城市规划中,体现“智慧城市”的优越性。
附图说明
图1是本发明实施例的无线建模方法的流程示意图;
图2是本发明实施例的无线建模方法的另一个流程示意图;
图3是本发明实施例的无线建模系统的示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
6G时代是一个“数字孪生”时代,各行各业均通过在数字域孪生真实物理世界中的实体构建强大的对真实世界的描述、洞察、预测和试验能力,从而支持各种智能自动化的应用案例。其主要有三个特征:既包含数据模型,也包含物理模型;具有建模对象全部历史和最新状态的时序数据;具有统一的数据模型和接口。未来,各行业通过6G网络将大量数字孪生体存储在云端,并与真实物理实体间进行频繁的数据同步。网络为行业提供了数字孪生的服务,同时,行业也可将数字孪生体相关的数据和模型公开给网络,用于优化网络质量,提高无线信道传输性能,进一步促进数字孪生,网络和行业相互助力,共建“智慧城市”。
如图1所示,本发明的实施例提供一种无线建模方法,应用于本地网络设备,所述方法包括:
步骤110,向云端设备发送包括本地网络设备的地理信息的第一数字孪生体数据请求;
步骤120,接收云端设备返回的与所述地理信息相对应的第一数字孪生体数据。
在本发明的实施例中,提出了利用行业数字孪生体进行无线环境建模的方法,该方法的功能实体主要包括云端设备(即中心云端)和本地网络设备。本地网络设备例如为基站或边缘云。在基站或边缘云内部存储建模无线环境所需的来自中心云端的数字孪生体数据DT。基站或边缘云与中心云端交互获取本地无线环境内物理实体的最新DT。基站或边缘云向中心云端实体发送本地DT请求消息(Local DT Request),请求本地区域范围内所有DT,发送的本地DT请求消息包含:基站的GPS信息,可包含基站覆盖半径或站间距等。
中心云端存储行业物理实体对应的数字孪生体数据DT,其包括数据和模型,并与行业物理实体进行数据同步,使得DT状态为物理实体的最新状态,相关行业包括建筑、城市基建、公共设施等。当中心云端接收到基站或边缘云发送的本地DT请求消息之后;通过本地DT响应消息向基站发送其请求的DT数据,请求发送的DT数据内容至少包括基站请求范围内的DT数据,或与上次推送相比的更新部分。
可选地,所述无线建模方法还包括:基于第一数字孪生体数据和本地网络设备存储的第二数字孪生体数据,建立无线环境模型。
在本实施例中,将从中心云端获取的DT数据和本地设备存储的DT数据信息整合,建立无线环境模型。可以综合3D电子地图、无线侧定位和传感技术的测量结果,对无线环境模型进行修正;将环境模型通过环境模型更新消息发送给仿真实体进行后续仿真,该消息至少包含环境模型或相比上次的模型增量。
可选地,所述第一数字孪生体数据为非实时的行业数据;所述第二数字孪生体数据为实时的本地数据。
所述行业数字孪生体可按照其数据更新的实时性分为非实时数字孪生和实时数字孪生。对于非实时数字孪生,如建筑物,城市基建,公共设施等,由于其变化周期较长,安全性保密性要求较高,行业一般将其存储在中心云端;对于实时数字孪生体,如人流、车流等,处于动态变化中,且需频繁同步数据,强烈依赖于近端基站侧的检测技术,数据存储在本地或边缘云内。
可选地,所述无线建模方法还包括:基于无线环境模型仿真生成多个仿真样本。
可选地,所述无线建模方法还包括:以所述多个仿真样本和所述本地网络设备获取的多个真实样本作为输入进行人工智能AI训练,生成无线信道模型。
可选地,所述无线建模方法还包括:基于无线信道模型更新所述本地网络设备存储的数字孪生体数据。
可选地,所述多个真实样本是基于上下行传输配置更新信息和空口信号测量结果生成的。
无线环境模型在无线侧有丰富的应用场景,起着非常重要的作用。场景之一是进行场景识别,并基于此开展网络规划,在此不予展开。场景之二是对无线信道进行建模,比如通过射线跟踪技术对不同栅格点上对应的无线信道进行建模,通过仿真产生大量输入输出样本数据,输入包括无线环境数据、基站工参数据等,输出为栅格上信号质量向量,然后通过AI训练拟合神经网络。除离线仿真制造样本外,还可以从现网采集真实样本数据,持续对AI模型进行校正。为了减少模型训练工作量,可以仅对基站服务范围内的用户进行轨迹预测和信道模型的预校正工作。信道模型获得后,可基于此对用户接收信号质量进行推理,并对无线侧资源管理或参数配置进行寻优,此过程涉及到与基站DT的交互。
可选地,所述无线建模方法还包括:接收云端设备发送的第三数字孪生体数据的评估请求;基于无线环境模型对第三数字孪生体数据进行评估,并向云端设备反馈评估结果。
可选地,所述第三数字孪生体数据为设计中的数字孪生体数据。
本公开的实施例可用于实现城市规划与通信网络规划工作的融合协作。当城市规划中计划增减物理实体时,在规划阶段,可将规划DT下发给对应的基站,由基站按照内部功能逻辑进行评估,仿真建设后网络覆盖情况,并对规划DT的具体位置、形状、物理特征等进行寻优,从通信网络层面上提出规划建议,反馈给中心云端。
本发明的技术方案利用相关行业在网络中同步保存的数字孪生体,获得关于无线环境中各物理实体(如建筑、公共设施、植被等)的全生命周期特征数据及模型(包括位置、三维形态、材料、物理特性、温湿度等等),包括从设计、制造、建造、安装/铺设到后期维护阶段,基于这些数据和模型,一方面可以为当前建模手段提供更实时更全面的信息,提高建模精度;另一方面可基于无线网络侧的覆盖效果数据对城市建设规划提出建议,使通信站点的规划纳入到城市规划中,体现“智慧城市”的优越性。
如图2所示,本发明的实施例提供了一种无线建模方法,应用于云端设备,所述方法包括:
步骤210,接收本地网络设备发送的包括本地网络设备的地理信息的第一数字孪生体数据请求;
步骤220,向本地网络设备发送给与所述地理信息相对应的第一数字孪生体数据。
在本发明的实施例中,提出了利用行业数字孪生体进行无线环境建模的方法,该方法的功能实体主要包括云端设备(即中心云端)和本地网络设备。本地网络设备例如为基站或边缘云。在基站或边缘云内部存储建模无线环境所需的来自中心云端的数字孪生体数据DT。基站或边缘云与中心云端交互获取本地无线环境内物理实体的最新DT。基站或边缘云向中心云端实体发送本地DT请求消息(Local DT Request),请求本地区域范围内所有DT,发送的本地DT请求消息包含:基站的GPS信息,可包含基站覆盖半径或站间距等。
中心云端存储行业物理实体对应的数字孪生体数据DT,其包括数据和模型,并与行业物理实体进行数据同步,使得DT状态为物理实体的最新状态,相关行业包括建筑、城市基建、公共设施等。当中心云端接收到基站或边缘云发送的本地DT请求消息之后;通过本地DT响应消息向基站发送其请求的DT数据,请求发送的DT数据内容至少包括基站请求范围内的DT数据,或与上次推送相比的更新部分。
可选地,所述无线建模方法还包括:发送第三数字孪生体数据的评估请求;反馈本地网络设备基于无线环境模型对第三数字孪生体数据进行评估产生的评估结果。
可选地,所述第一数字孪生体数据为非实时的行业数据;所述第三数字孪生体数据为设计中的数字孪生体数据。
本公开的实施例可用于实现城市规划与通信网络规划工作的融合协作。当城市规划中计划增减物理实体时,在规划阶段,可将规划DT下发给对应的基站,由基站按照内部功能逻辑进行评估,仿真建设后网络覆盖情况,并对规划DT的具体位置、形状、物理特征等进行寻优,从通信网络层面上提出规划建议,反馈给中心云端。
本发明的技术方案利用相关行业在网络中同步保存的数字孪生体,获得关于无线环境中各物理实体(如建筑、公共设施、植被等)的全生命周期特征数据及模型(包括位置、三维形态、材料、物理特性、温湿度等等),包括从设计、制造、建造、安装/铺设到后期维护阶段,基于这些数据和模型,一方面可以为当前建模手段提供更实时更全面的信息,提高建模精度;另一方面可基于无线网络侧的覆盖效果数据对城市建设规划提出建议,使通信站点的规划纳入到城市规划中,体现“智慧城市”的优越性。
如图3所示,本发明的实施例提供一种无线建模系统,包括云平台和本地网络设备,包括:本地网络设备向云平台发送包括本地网络设备的地理信息的第一数字孪生体数据请求;云平台接收本地网络设备发送的第一数字孪生体数据请求后,向本地网络设备发送给与所述地理信息相对应的第一数字孪生体数据;本地网络设备基于第一数字孪生体数据和本地网络设备存储的第二数字孪生体数据,建立无线环境模型。
可选地,所述无线建模系统还包括:云平台向本地网络设备发送第三数字孪生体数据的评估请求;本地网络设备基于无线环境模型对第三数字孪生体数据进行评估后产生评估结果,并且将评估结果反馈给云平台。
可选地,所述第一数字孪生体数据为非实时的行业数据;所述第二数字孪生体数据为实时的本地数据;所述第三数字孪生体数据为设计中的数字孪生体数据。
可选地,所述本地网络设备中的仿真器基于无线环境模型仿真生成多个仿真样本。
可选地,所述本地网络设备中的AI训练模块以仿真器生成的所述多个仿真样本和所述本地网络设备的样本收集模块收集的多个真实样本作为输入进行AI训练,生成无线信道模型。
可选地,基于无线信道模型更新所述本地网络设备存储的数字孪生体数据。
可选地,所述多个真实样本是基于上下行传输配置更新消息和空口信号测量结果消息生成的。
如图3所示,示出了基站/边缘云端和中心云端(云平台)的相关功能实体和流程。
其中,云平台主要包括功能实体1和功能实体2:
功能实体1(DT池):其主要功能为云端存储行业物理实体对应的数字孪生体(包括数据和模型),并与物理实体进行数据同步,使得DT状态为物理实体的最新状态,相关行业包括建筑、城市基建、公共设施等;通过本地DT响应消息向基站发送其请求的DT,内容至少包括基站请求范围内的DT数据,或与上次推送相比的更新部分。
功能实体2(设计中DT池):其主要功能为云端存储上述行业设计阶段中的数字孪生体;向基站发送DT评估请求,内容至少包括相关DT数据,也可包括拟规划建设的区域范围、GPS位置以及其他城市规划建设相关信息。
基站/边缘云包括如下功能实体3-7:
功能实体3(云DT池):在基站或边缘云内部存储建模无线环境所需的中心云端DT;与中心云交互获取本地无线环境内物理实体的最新DT;向DT池发送本地DT请求消息,以请求本地区域范围内所有DT,消息包含:基站GPS,还可包含基站覆盖半径、或站间距等;向无线环境建模实体发送DT更新消息,内容至少包括从云端拉取的DT的变化数据。
功能实体4(边缘DT池):在基站或边缘云内部存储建模无线环境所需的边缘DT数据,包括行人、车辆等动态DT、终端DT;与基站覆盖范围内物理实体进行数据同步,保持状态时序;通过边缘DT更新消息向无线环境建模实体更新边缘DT,内容至少包括边缘DT的变化数据;通过上行传输配置消息向样本采集实体(也可向仿真实体)发送终端上行发射参数配置信息,包括上行发射功率,可包括上行发射天线配置,终端节电配置等;向样本采集实体(也可向仿真实体)发送空口信号测量结果,消息内容包括本小区终端下行接收信号的RSRP(Reference Signal Receiving Power,参考信号接收功率),也可包括本小区终端上行接收信号的RSRP,其他小区或基站的上下行RSRP等。
上述功能实体3和4可为两个实体,也可以是一个功能实体DT池。
功能实体5(无线环境建模):将云端和边缘DT整合,建立无线环境模型。该实体也可以综合3D电子地图、无线侧定位和传感技术的测量结果,对无线环境模型进行修正;将环境模型通过环境建模更新消息发送给仿真实体,该消息至少包含环境模型或相比上次的模型增量。
功能实体6(仿真):以无线环境模型为关键输入仿真获得在上下行特定发射功率及配置下,本地栅格上的接收信号强度,从而产生大量空口信道的输入输出样本,样本内容至少包括无线环境模型、下行发射功率,栅格上接收信号强度,也可包括下行发射天线相关配置,如权值、3D方向图、天线增益、本小区和其他小区上下行发射参数配置等基站侧工参和终端侧发射配置;仿真实体将仿真样本提供给AI训练实体;同时,仿真实体对云端申请评估的设计中DT进行效果仿真,将其作为无线环境模型的一部分,仿真获得上下行覆盖效果,通过DT评估响应消息返回评估建议,内容至少包括是否接纳该DT的规划,也可包括建议的DT规划GPS信息、形状、倾角、材料等工程和物理信息。
为快速获得性能较好的信道模型,AI训练实体采用“主动学习”的智能学习方法。内部设置“学习模块”和“选择策略”两个子模块。“选择策略”主动从未标注的样本集中挑选部分(1个或N个)样本让仿真模块进行仿真以获得标注,或者与边缘DT交互获得现网真实环境中与样本对应的测量结果,边缘DT收到所需样本指示后,调整与样本对应的网络配置下的测量上报频次或用户数量;AI训练实体然后将标注过的样本增加到训练数据集给“学习模块”进行训练;当“学习模块”满足终止条件时即可结束程序,否则不断重复上述步骤获得更多的标注样本进行训练。
为了获得具有较好“表示性”的信道模型并精简对于DT数据的需求,从而减少空口传输带宽需求,无线信道建模实体动态评估AI训练实体进行信道建模训练所需样本的输入特征的最小集合,引入信道建模的“注意力机制”。实体对同一个栅格上对应的信道模型进行分析,根据神经网络中各层的参数评估输入特征与测量结果的关联权重,如对于某个栅格而言,某栋楼的特征数据对于测量结果影响非常大,关联权重非常高,则该栋楼及其附近的DT数据、以及与该特征数据同一维度的数据(比如均为建筑物材料数据)应为该栅格建模的“注意力”所在。模块按照本地小区中用户的分布情况,对有用户分布的栅格重点分析,每个栅格对应的信道模型“注意力”均有所不同。模块基于用户运动轨迹的统计信息,向云端申请相关注意力DT的数据。
功能实体7(基站DT):基站本身DT,存储每小区空口无线参数配置的时序数据,并通过基站DT更新消息与至少RRM(Radio Resource Management,无线资源管理)实体保持实时同步,内容至少包括每小区下行发射功率配置,也可包括下行发射天线相关配置,如权值、3D方向图、天线增益等;通过DL传输配置更新消息与仿真实体和样本采集实体同步,内容至少包括每小区下行发射功率配置。
在本发明的技术方案中,利用行业数字孪生体进行无线环境建模。当基站侧有无线环境建模需求时,或云端数字孪生体更新后,触发基站本地DT拉取过程。基站向云端发送自己的GPS位置信息和小区范围信息(如存储在基站DT中的小区半径信息),云端将在此定义范围内的所有DT推送给该基站。同时,基站侧也有本地DT数据的存储,比如利用定位和传感技术检测的人流、车流等位置信息,部分实时性较强的行业DT,以及行业DT未涉及的本地物理实体对应的DT,比如植被、车辆等。
云端DT到达本地后,在基站或边缘云内部与本地DT进行整合、修正,并综合电子地图信息,对基站本地无线环境进行完整的建模。和当前的建模方法相比,由于行业DT具有丰富的多维度大时间尺度的数据和模型,本方案将使得基站侧具有极其丰富的无线环境信息,从而使能更多的无线信道建模技术。
无线环境模型在无线侧有丰富的应用场景,起着非常重要的作用。场景之一是进行场景识别,并基于此开展网络规划,在此不予展开;场景之二是对无线信道进行建模,比如通过射线跟踪技术对不同栅格点上对应的无线信道进行建模,通过仿真产生大量输入输出样本数据,输入包括无线环境数据、基站工参数据等,输出为栅格上信号质量向量,然后通过AI训练拟合神经网络。除离线仿真制造样本外,还可以从现网采集真实样本数据,持续对AI模型进行校正。为了减少模型训练工作量,可以仅对基站服务范围内的用户进行轨迹预测和信道模型的预校正工作。信道模型获得后,可基于此对用户接收信号质量进行推理,并对无线侧资源管理或参数配置进行寻优,此过程涉及到与基站DT的交互。需指出的是,由于本方案使得无线环境模型中具备丰富的多维度大时间尺度的数据信息,可预见未来将使能多种信道建模技术,而不局限于当前可知技术。
另外,本技术方案中的逻辑框架亦可用于实现城市规划与通信网络规划工作的融合协作,当城市规划中计划增减物理实体时,在规划阶段,可将规划DT下发给对应的基站,由基站按照内部功能逻辑进行评估,仿真建设后网络覆盖情况,并对规划DT的具体位置、形状、物理特征等进行寻优,从通信网络层面上提出规划建议,反馈给云端。
本发明的技术方案利用相关行业在网络中同步保存的数字孪生体,获得关于无线环境中各物理实体(如建筑、公共设施、植被等)的全生命周期特征数据及模型(包括位置、三维形态、材料、物理特性、温湿度等等),包括从设计、制造、建造、安装/铺设到后期维护阶段,基于这些数据和模型,一方面可以为当前建模手段提供更实时更全面的信息,提高建模精度;另一方面可基于无线网络侧的覆盖效果数据对城市建设规划提出建议,使通信站点的规划纳入到城市规划中,体现“智慧城市”的优越性。
本发明的实施例还提供一种通信设备,包括:处理器、存储有计算机程序的存储器,所述计算机程序被处理器运行时,执行如上所述的方法。上述方法实施例中的所有实现方式均适用于该实施例中,也能达到相同的技术效果。
本发明的实施例还提供一种计算机可读存储介质,包括指令,当所述指令在计算机上运行时,使得计算机执行如上所述的方法。上述方法实施例中的所有实现方式均适用于该实施例中,也能达到相同的技术效果。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本发明所提供的实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
此外,需要指出的是,在本发明的装置和方法中,显然,各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本发明的等效方案。并且,执行上述系列处理的步骤可以自然地按照说明的顺序按时间顺序执行,但是并不需要一定按照时间顺序执行,某些步骤可以并行或彼此独立地执行。对本领域的普通技术人员而言,能够理解本发明的方法和装置的全部或者任何步骤或者部件,可以在任何计算装置(包括处理器、存储介质等)或者计算装置的网络中,以硬件、固件、软件或者它们的组合加以实现,这是本领域普通技术人员在阅读了本发明的说明的情况下运用他们的基本编程技能就能实现的。
因此,本发明的目的还可以通过在任何计算装置上运行一个程序或者一组程序来实现。所述计算装置可以是公知的通用装置。因此,本发明的目的也可以仅仅通过提供包含实现所述方法或者装置的程序代码的程序产品来实现。也就是说,这样的程序产品也构成本发明,并且存储有这样的程序产品的存储介质也构成本发明。显然,所述存储介质可以是任何公知的存储介质或者将来所开发出来的任何存储介质。还需要指出的是,在本发明的装置和方法中,显然,各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本发明的等效方案。并且,执行上述系列处理的步骤可以自然地按照说明的顺序按时间顺序执行,但是并不需要一定按照时间顺序执行。某些步骤可以并行或彼此独立地执行。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明所述原理的前提下,还可以作出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (21)
1.一种无线建模方法,其特征在于,应用于本地网络设备,所述方法包括:
向云端设备发送包括本地网络设备的地理信息的第一数字孪生体数据请求;
接收云端设备返回的与所述地理信息相对应的第一数字孪生体数据。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
基于第一数字孪生体数据和本地网络设备存储的第二数字孪生体数据,建立无线环境模型。
3.根据权利要求2所述的方法,其特征在于,
所述第一数字孪生体数据为非实时的行业数据;
所述第二数字孪生体数据为实时的本地数据。
4.根据权利要求2所述的方法,其特征在于,所述方法还包括:
基于无线环境模型仿真生成多个仿真样本。
5.根据权利要求4所述的方法,其特征在于,所述方法还包括:
以所述多个仿真样本和所述本地网络设备获取的多个真实样本作为输入进行人工智能AI训练,生成无线信道模型。
6.根据权利要求5所述的方法,其特征在于,所述方法还包括:
基于无线信道模型更新所述本地网络设备存储的数字孪生体数据。
7.根据权利要求5所述的方法,其特征在于,所述多个真实样本是基于上下行传输配置更新信息和空口信号测量结果生成的。
8.根据权利要求2所述的方法,其特征在于,还包括:
接收云端设备发送的第三数字孪生体数据的评估请求;
基于无线环境模型对第三数字孪生体数据进行评估,并向云端设备反馈评估结果。
9.根据权利要求8所述的方法,其特征在于,所述第三数字孪生体数据为设计中的数字孪生体数据。
10.一种无线建模方法,其特征在于,应用于云端设备,所述方法包括:
接收本地网络设备发送的包括本地网络设备的地理信息的第一数字孪生体数据请求,
向本地网络设备发送给与所述地理信息相对应的第一数字孪生体数据。
11.根据权利要求10所述的方法,其特征在于,所述方法还包括:
发送第三数字孪生体数据的评估请求;
接收本地网络设备反馈的基于无线环境模型对第三数字孪生体数据进行评估产生的评估结果。
12.根据权利要求11所述的方法,其特征在于,
所述第一数字孪生体数据为非实时的行业数据;
所述第三数字孪生体数据为网络设计中的数字孪生体数据。
13.一种无线建模系统,包括云平台和本地网络设备,包括:
本地网络设备向云平台发送包括本地网络设备的地理信息的第一数字孪生体数据请求;
云平台接收本地网络设备发送的第一数字孪生体数据请求后,向本地网络设备发送给与所述地理信息相对应的第一数字孪生体数据,
本地网络设备基于第一数字孪生体数据和本地网络设备存储的第二数字孪生体数据,建立无线环境模型。
14.根据权利要求13所述的系统,其特征在于,还包括:
云平台向本地网络设备发送第三数字孪生体数据的评估请求;
本地网络设备基于无线环境模型对第三数字孪生体数据进行评估后产生评估结果,并且将评估结果反馈给云平台。
15.根据权利要求14所述的系统,其特征在于,
所述第一数字孪生体数据为非实时的行业数据;
所述第二数字孪生体数据为实时的本地数据;
所述第三数字孪生体数据为设计中的数字孪生体数据。
16.根据权利要求13所述的系统,其特征在于,
所述本地网络设备中的仿真器基于无线环境模型仿真生成多个仿真样本。
17.根据权利要求16所述的系统,其特征在于,
所述本地网络设备中的AI训练模块以仿真器生成的所述多个仿真样本和所述本地网络设备的样本收集模块收集的多个真实样本作为输入进行AI训练,生成无线信道模型。
18.根据权利要求17所述的系统,其特征在于,
基于无线信道模型更新所述本地网络设备存储的数字孪生体数据。
19.根据权利要求17所述的系统,其特征在于,所述多个真实样本是基于上下行传输配置更新消息和空口信号测量结果消息生成的。
20.一种通信设备,其特征在于,包括:处理器、存储有计算机程序的存储器,所述计算机程序被处理器运行时,执行如权利要求1至9任一项所述的方法或者如权利要求10至12任一项所述的方法。
21.一种计算机可读存储介质,其特征在于,存储指令,当所述指令在计算机上运行时,使得计算机执行如权利要求1至9任一项所述的方法或者如权利要求10至12任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011277916.3A CN114513805A (zh) | 2020-11-16 | 2020-11-16 | 无线建模方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011277916.3A CN114513805A (zh) | 2020-11-16 | 2020-11-16 | 无线建模方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114513805A true CN114513805A (zh) | 2022-05-17 |
Family
ID=81547312
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011277916.3A Pending CN114513805A (zh) | 2020-11-16 | 2020-11-16 | 无线建模方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114513805A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115604725A (zh) * | 2022-11-03 | 2023-01-13 | 中国联合网络通信集团有限公司(Cn) | 一种传播损耗的确定方法、装置及存储介质 |
CN116090065A (zh) * | 2023-01-17 | 2023-05-09 | 中山大学 | 一种基于数字孪生的智慧城市绿化设计方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105830130A (zh) * | 2014-06-13 | 2016-08-03 | 华为技术有限公司 | 选择被控设备的方法和控制设备 |
KR20200110031A (ko) * | 2019-03-15 | 2020-09-23 | 한국전자통신연구원 | Mec 플랫폼, 그것을 갖는 디지털 트윈 서비스 시스템 및 그것의 동작 방법 |
CN111797163A (zh) * | 2020-06-24 | 2020-10-20 | 西北工业大学 | 基于数字孪生的虚实同步系统及实现方法 |
-
2020
- 2020-11-16 CN CN202011277916.3A patent/CN114513805A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105830130A (zh) * | 2014-06-13 | 2016-08-03 | 华为技术有限公司 | 选择被控设备的方法和控制设备 |
KR20200110031A (ko) * | 2019-03-15 | 2020-09-23 | 한국전자통신연구원 | Mec 플랫폼, 그것을 갖는 디지털 트윈 서비스 시스템 및 그것의 동작 방법 |
CN111797163A (zh) * | 2020-06-24 | 2020-10-20 | 西北工业大学 | 基于数字孪生的虚实同步系统及实现方法 |
Non-Patent Citations (1)
Title |
---|
刘光毅等: "6G愿景与需求:数字孪生、智能泛在", 移动通信, no. 6, 15 June 2020 (2020-06-15), pages 3 - 9 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115604725A (zh) * | 2022-11-03 | 2023-01-13 | 中国联合网络通信集团有限公司(Cn) | 一种传播损耗的确定方法、装置及存储介质 |
CN115604725B (zh) * | 2022-11-03 | 2024-04-19 | 中国联合网络通信集团有限公司 | 一种传播损耗的确定方法、装置及存储介质 |
CN116090065A (zh) * | 2023-01-17 | 2023-05-09 | 中山大学 | 一种基于数字孪生的智慧城市绿化设计方法及装置 |
CN116090065B (zh) * | 2023-01-17 | 2023-10-31 | 中山大学 | 一种基于数字孪生的智慧城市绿化设计方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9426044B2 (en) | Radio access network geographic information system with multiple format | |
CN110418354A (zh) | 一种基于机器学习的免传播模型无线网络规划方法 | |
CN110225460A (zh) | 一种基于深度神经网络的室内定位方法及装置 | |
CN113064117B (zh) | 一种基于深度学习的辐射源定位方法及装置 | |
CN103648164B (zh) | 一种基于到达时间差和Gossip算法的无线传感器网络分布式定位方法 | |
Lee et al. | Path loss exponent prediction for outdoor millimeter wave channels through deep learning | |
CN112866904B (zh) | 基于波束索引地图的免信道训练大维通信波束对齐方法 | |
CN114513805A (zh) | 无线建模方法和系统 | |
CN103369571A (zh) | 基于多网联合测量的传播模型校正与覆盖自优化方法 | |
CN115361051B (zh) | 一种面向大规模空间互联网星座的频率共用分析系统 | |
CN112149294B (zh) | 弹性气象栅格设计方法 | |
CN112367129A (zh) | 一种基于地理信息的5g参考信号接收功率预测方法 | |
CN101795162A (zh) | 数字单频网信号覆盖质量测算评估方法 | |
Cheng et al. | Intelligent Multi-Modal Sensing-Communication Integration: Synesthesia of Machines | |
Kim et al. | mmWave path loss modeling for urban scenarios based on 3D-convolutional neural networks | |
Zhang et al. | Regional Double-Layer, High-Precision Indoor Positioning System Based on iBeacon Network | |
CN116528282B (zh) | 覆盖场景识别方法、装置、电子设备和可读存储介质 | |
Yang et al. | AI-enabled data-driven channel modeling for future communications | |
CN113839725A (zh) | 无线信号传播预测方法及装置 | |
CN109581280A (zh) | 终端自适应在线定位方法、系统及装置 | |
CN113938935B (zh) | 基于期望最大化算法的信道知识地图构建方法 | |
CN114900438A (zh) | 通信网络数据建模实现方法、装置、存储介质及设备 | |
CN115561790A (zh) | 基于深度网络的星地云边协同对地目标识别方法及装置 | |
CN108495262B (zh) | 室内空间泛在定位信号指纹库稀疏表征和匹配定位方法 | |
Pyo et al. | A Deep Learning-Based Indoor Radio Estimation Method Driven by 2.4 GHz Ray-Tracing Data |
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 |