CN114615693A - 网络容量预测方法、装置、电子设备及计算机存储介质 - Google Patents
网络容量预测方法、装置、电子设备及计算机存储介质 Download PDFInfo
- Publication number
- CN114615693A CN114615693A CN202111372164.3A CN202111372164A CN114615693A CN 114615693 A CN114615693 A CN 114615693A CN 202111372164 A CN202111372164 A CN 202111372164A CN 114615693 A CN114615693 A CN 114615693A
- Authority
- CN
- China
- Prior art keywords
- network
- model
- data set
- capacity
- communication 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 76
- 238000004891 communication Methods 0.000 claims abstract description 118
- 238000003062 neural network model Methods 0.000 claims abstract description 43
- 238000012549 training Methods 0.000 claims abstract description 41
- 238000005457 optimization Methods 0.000 claims abstract description 27
- 239000011159 matrix material Substances 0.000 claims description 81
- 238000013527 convolutional neural network Methods 0.000 claims description 59
- 238000012545 processing Methods 0.000 claims description 33
- 238000004590 computer program Methods 0.000 claims description 20
- 238000005562 fading Methods 0.000 claims description 16
- 230000035515 penetration Effects 0.000 claims description 15
- 238000011176 pooling Methods 0.000 claims description 14
- 238000005259 measurement Methods 0.000 claims description 13
- 238000000605 extraction Methods 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 abstract description 4
- 210000004027 cell Anatomy 0.000 description 28
- 230000008569 process Effects 0.000 description 21
- 238000004088 simulation Methods 0.000 description 9
- 238000012360 testing method Methods 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 239000000284 extract Substances 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008447 perception Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000008054 signal transmission Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 238000012795 verification Methods 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Mobile Radio Communication Systems (AREA)
- Telephonic Communication Services (AREA)
Abstract
本申请实施例提供了一种网络容量预测方法、装置、电子设备及计算机存储介质,涉及无线通信领域。该方法包括:通过预先建立的无线网络模型,获取无线网络的网络侧节点的通信数据集,无线网络模型是与网络侧节点的部署环境相匹配的;接着,根据通信数据集和预训练的容量预测模型,预测网络侧节点的网络容量,预训练的容量预测模型是预先通过样本通信数据集对预定神经网络模型进行训练得到的。本申请实施例可以更智能和高效地进行无线网络性能的评估与容量的预测,可以确保预测结果的时效性、完整性和准确性,可以支撑小区拥塞控制、接入控制和网络带宽分配等规划优化工作。
Description
技术领域
本申请涉及无线通信技术领域,具体而言,本申请涉及一种网络容量预测方法、装置、电子设备及计算机存储介质。
背景技术
随着无线通信网络的大规模发展,已经从对覆盖的需求转移到对容量的需求,因此对容量预测技术方面具有迫切的需求,以便有效指导网络扩容和网络优化的开展。目前的网络容量预测方法与现网真实情况匹配准确性不高,而且预测周期长,无法及时指导容量问题的解决。
发明内容
本申请实施例提供了一种确定网络容量预测方法、装置、电子设备及计算机存储介质,可以解决无法准确实时预测网络容量的问题。技术方案如下:
根据本申请实施例的一个方面,提供了一种确定网络覆盖的方法,该方法包括:
通过预先建立的无线网络模型,获取无线网络的网络侧节点的通信数据集,无线网络模型是与网络侧节点的部署环境相匹配的;
根据通信数据集和预训练的容量预测模型,预测网络侧节点的网络容量,预训练的容量预测模型是预先通过样本通信数据集对预定神经网络模型进行训练得到的。
在一种可能的实现方式中,在根据通信数据集和预训练的容量预测模型,预测网络侧节点的网络容量之前,还包括:
通过样本通信数据集对预定神经网络模型进行训练,得到容量预测模型,预定神经网络模型为卷积神经网络CNN模型,样本通信数据集是采集的样本网络侧节点的通信数据集;
通过样本通信数据集对预定神经网络模型进行训练,包括:
对样本通信数据集进行栅格化处理,得到二维数据矩阵;
将二维数据矩阵输入CNN模型,并通过CNN模型对二维数据矩阵进行数据特征提取和分类决策处理,得到对应的网络容量预测值;
基于网络容量预测值和CNN模型的预设网络容量标签,通过反向传播算法对CNN模型的卷积层、最大池化层、全连接层及隐藏层中的至少一项进行参数优化和权重调整,直到预定神经网络模型满足预定条件,预设网络容量标签是通过对样本网络侧节点的真实网络容量按从大到小分为N类并对每一类进行标记得到的。
在又一可能的实现方式中,对样本通信数据集进行栅格化处理,包括:
将样本通信数据集对应的样本网络侧节点的覆盖区域划分为预定大小的多个栅格;
根据多个栅格,对样本通信数据集进行栅格化处理,得到二维数据矩阵。
在又一可能的实现方式中,在将二维数据矩阵输入CNN模型之前,还包括:
将二维数据矩阵中样本网络侧节点位置处的数据标准化为第一预定数值,并将二维数据矩阵中除样本网络侧节点位置外的数据标准化为第二预定数值。
在又一可能的实现方式中,根据通信数据集和预训练的容量预测模型,预测网络侧节点的网络容量,包括:
对通信数据集进行栅格化处理,得到二维数据矩阵,并对该二维数据矩阵中的数据进行标准化处理,得到标准化处理后的二维数据矩阵,其中,标准化处理包括将该二维数据矩阵中网络侧节点位置处的数据标准化为第一预定数值,以及将该二维数据矩阵中除网络侧节点位置外的数据标准化为第二预定数;
将标准化处理后的二维数据矩阵输入预训练的容量预测模型,得到对应的网络容量预测值。
在又一可能的实现方式中,通信数据集的数据类型包括以下至少一项:
网络侧节点的工参信息,测量报告样本数据MRO数据,用户价值数据,最小化路测MDT数据,路径损耗数据,瑞利衰落数据和穿透损耗数据;
其中,网络侧节点的工参信息包括经纬度信息、方位角、倾角、频段及发射功率中的至少一项;MRO数据包括国际移动用户标识IMSI、到达方位角AOA及时间提前量TA中的至少一项;用户价值数据包括用户数、用户价值、用户流量、通话时长及用户话务量中的至少一项;MDT数据包括测量报告MR经度和/或MR纬度;路径损耗是根据距离和频率计算得到的一个分贝数值,瑞利衰落是第一预定分贝数值,穿透损耗是第二预定分贝数值。
在又一可能的实现方式中,网络侧节点是基站接入点或基站。
根据本申请实施例的另一个方面,提供了一种网络容量预测装置,该装置包括:
第一处理模块,用于通过预先建立的无线网络模型,获取无线网络的网络侧节点的通信数据集,无线网络模型是与网络侧节点的部署环境相匹配的;
第二处理模块,用于根据通信数据集和预训练的容量预测模型,预测网络侧节点的网络容量,预训练的容量预测模型是预先通过样本通信数据集对预定神经网络模型进行训练得到的。
在一种可能的实现方式中,该装置还包括训练模块,该训练模块用于:
通过样本通信数据集对预定神经网络模型进行训练,得到容量预测模型,预定神经网络模型为卷积神经网络CNN模型,样本通信数据集是采集的样本网络侧节点的通信数据集;
训练模块在通过样本通信数据集对预定神经网络模型进行训练时,用于:
对样本通信数据集进行栅格化处理,得到二维数据矩阵;
将二维数据矩阵输入CNN模型,并通过CNN模型对二维数据矩阵进行数据特征提取和分类决策处理,得到对应的网络容量预测值;
基于网络容量预测值和CNN模型的预设网络容量标签,通过反向传播算法对CNN模型的卷积层、最大池化层、全连接层及隐藏层中的至少一项进行参数优化和权重调整,直到预定神经网络模型满足预定条件,预设网络容量标签是通过对样本网络侧节点的真实网络容量按从大到小分为N类并对每一类进行标记得到的。
在又一可能的实现方式中,训练模块在对样本通信数据集进行栅格化处理时,用于:
将样本通信数据集对应的样本网络侧节点的覆盖区域划分为预定大小的多个栅格;
根据多个栅格,对样本通信数据集进行栅格化处理,得到二维数据矩阵。
在又一可能的实现方式中,训练模块还用于:
将二维数据矩阵中样本网络侧节点位置处的数据标准化为第一预定数值,并将二维数据矩阵中除样本网络侧节点位置外的数据标准化为第二预定数值。
在又一可能的实现方式中,第二处理模块在根据通信数据集和预训练的容量预测模型,预测网络侧节点的网络容量时,用于:
对通信数据集进行栅格化处理,得到二维数据矩阵,并对该二维数据矩阵中的数据进行标准化处理,得到标准化处理后的二维数据矩阵,其中,标准化处理包括将该二维数据矩阵中网络侧节点位置处的数据标准化为第一预定数值,以及将该二维数据矩阵中除网络侧节点位置外的数据标准化为第二预定数;
将标准化处理后的二维数据矩阵输入预训练的容量预测模型,得到对应的网络容量预测值。
在又一可能的实现方式中,通信数据集的数据类型包括以下至少一项:
网络侧节点的工参信息,测量报告样本数据MRO数据,用户价值数据,最小化路测MDT数据,路径损耗数据,瑞利衰落数据和穿透损耗数据;
其中,网络侧节点的工参信息包括经纬度信息、方位角、倾角、频段及发射功率中的至少一项;MRO数据包括国际移动用户标识IMSI、到达方位角AOA及时间提前量TA中的至少一项;用户价值数据包括用户数、用户价值、用户流量、通话时长及用户话务量中的至少一项;MDT数据包括测量报告MR经度和/或MR纬度;路径损耗是根据距离和频率计算得到的一个分贝数值,瑞利衰落是第一预定分贝数值,穿透损耗是第二预定分贝数值。
在又一可能的实现方式中,网络侧节点是基站接入点或基站。
根据本申请实施例的另一个方面,提供了一种电子设备,该电子设备包括:存储器、处理器及存储在存储器上的计算机程序,处理器执行计算机程序以实现上述的网络容量预测方法的步骤。
根据本申请实施例的再一个方面,提供了一种计算机可读存储介质,计算机程序被处理器执行时实现上述的网络容量预测方法的步骤。
根据本申请实施例的一个方面,提供了一种计算机程序产品,计算机程序被处理器执行时实现上述的网络容量预测方法的步骤。
本申请实施例提供的技术方案带来的有益效果是:通过预先建立的无线网络模型,获取无线网络的网络侧节点的通信数据集,可以充分利用网络侧节点部署的复杂环境的综合数据,为网络容量预测的准确性提供可靠保障;通过对预定神经网络模型进行预先训练得到的容量预测模型,可以更智能和高效地进行无线网络性能的评估与容量的预测,可以确保预测结果的时效性、完整性和准确性。智能准确的网络容量预测模型不但可以提供将来的小区流量预测数据,而且可以支撑小区拥塞控制、接入控制和网络带宽分配等规划优化工作,对实现大规模物联网、4G通信网络、5G通信网络的部署和监管,具有高准确性和高时效性。
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为本申请实施例提供的一种网络容量预测方法的流程示意图;
图2为本申请实施例提供的无线网络环境建模的示意图;
图3为本申请实施例提供的网络容量预测方法的整体流程示意图;
图4为本申请实施例提供的一种网络容量预测装置的结构示意图;
图5为本申请实施例提供的一种电子设备的结构示意。
具体实施方式
下面结合本申请中的附图描述本申请的实施例。应理解,下面结合附图所阐述的实施方式,是用于解释本申请实施例的技术方案的示例性描述,对本申请实施例的技术方案不构成限制。
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,本申请实施例所使用的术语“包括”以及“包含”是指相应特征可以实现为所呈现的特征、信息、数据、步骤、操作、元件和/或组件,但不排除实现为本技术领域所支持其他特征、信息、数据、步骤、操作、元件、组件和/或它们的组合等。应该理解,当我们称一个元件被“连接”或“耦接”到另一元件时,该一个元件可以直接连接或耦接到另一元件,也可以指该一个元件和另一元件通过中间元件建立连接关系。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。这里使用的术语“和/或”指示该术语所限定的项目中的至少一个,例如“A和/或B”指示实现为“A”,或者实现为“A”,或者实现为“A和B”。
为使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请实施方式作进一步地详细描述。
先对本申请涉及的几个名词进行介绍和解释:
小区:是一个逻辑概念,也称蜂窝小区,是指在蜂窝移动通信系统中,其中的一个基站或基站的一部分(扇形天线)所覆盖的区域,这个区域的覆盖范围有可能大,也有可能小,在这个区域内移动台可以通过无线信道可靠地与基站进行通信。
随着5G网络规模的逐步扩大,4G网络投资逐渐减少,但是4G网络流量还在持续增长,不断为网络带来持续容量压力。目前,5G用户与无线基站小区之间的距离大大减少,5G网络在结构上向超密集组网架构方向发展,基站小区密集部署和多样化的传播环境,致使网络优化调整变得极其复杂。由于5G网络部署方案千变万化,网络规划优化和资源精准投入时,对基站小区容量的预测需要更加智能化和高效率。目前主要是依赖系统仿真方法对用户行为进行容量预测仿真,通过性能监控来指导小区无线容量的扩/减容问题的网络规划优化问题。
系统仿真方法仅将基站站点信息数据应用于网络小区容量估计,使用一维矩阵描述基站的部署位置,将单一数据特征提取与分类决策后输出网络容量预测值进行比对,按照仿真结果部署后,随着无线网络环境的变化,常驻用户数量变化,系统仿真输出的小区容量预测结果滞后,无法满足现网中用户的容量需求。
在网络规划优化方面,目前的扩容流程不能满足小区容量快速变化的需求。在现有的小区容量规划优化情况下,省公司在网络优化支撑平台系统中自动派单模块中设定自动触发高负荷问题站点小区的条件,再把问题小区以工单的形式下发到各个分公司进行优化处理。分公司接到工单之后进行问题分析,并上报解决方案。如果问题站点未解决,系统会重新下发工单,省公司并没有其它有效手段对高负荷小区下用户业务感知进行评估。
目前的技术方法依赖单一类型数据推断容量变化情况,与现网真实情况匹配准确性不高,同时预测周期长不能很好的指导容量问题的解决。传统的网络规划仅将单一数据特征提取与分类决策后输出网络容量预测值;传统的容量预测方法,利用大数据分析的计算方法,从性能数据入手,汇总连续7天、天粒度等的汇总数据,以15分钟粒度的监控作为负荷问题评估的依据,分析数据的滞后性制约了容量预测效果,导致优化实施滞后会出现错误的容量优化方案,无法解决容量问题,致使用户感知无法得到高实时解决。
针对上述情况,本申请提出一种网络容量预测的方案,通过预先建立的无线网络模型,获取无线网络的网络侧节点的通信数据集,可以充分利用网络侧节点部署的复杂环境的综合数据,为网络容量预测的准确性提供可靠保障;通过对预定神经网络模型进行预先训练得到的容量预测模型,可以更智能和高效地进行无线网络性能的评估与容量的预测,可以确保预测结果的时效性、完整性和准确性。智能准确的网络容量预测模型不但可以提供将来的小区流量预测数据,而且可以支撑小区拥塞控制、接入控制和网络带宽分配等规划优化工作,对实现大规模物联网、4G通信网络、5G通信网络的部署和监管,具有高准确性和高时效性。
下面通过对几个示例性实施方式的描述,对本申请实施例的技术方案以及本申请的技术方案产生的技术效果进行说明。需要指出的是,下述实施方式之间可以相互参考、借鉴或结合,对于不同实施方式中相同的术语、相似的特征以及相似的实施步骤等,不再重复描述。
图1为本申请实施例提供的网络容量预测方法的流程示意图,如图1所示,该方法包括:步骤S110,通过预先建立的无线网络模型,获取无线网络的网络侧节点的通信数据集,无线网络模型是与网络侧节点的部署环境相匹配的;步骤S120根据通信数据集和预训练的容量预测模型,预测网络侧节点的网络容量,预训练的容量预测模型是预先通过样本通信数据集对预定神经网络模型进行训练得到的。
本申请实施例中的无线网络模型是与网络侧节点当前的部署环境相匹配的,针对不同网络侧节点的不同部署环境可以建立与之相匹配的不同的无线网络模型,以通过无线网络模型获取对应网络侧节点的通信数据集,即针对对不同的网络部署环境,分别建立无线网络模型以获取通信数据集。其中,获取到的通信数据集包括多种类型的数据,包括但不限于网络侧节点的工参信息,测量报告样本数据MRO数据,用户价值数据,最小化路测MDT数据,路径损耗数据,瑞利衰落数据和穿透损耗数据等。
本申请实施例中的无线网络可以是4G通信网络,也可以是5G通信网络,还可以是6G通信网络或者未来的其他新型通信网络。
在具体的网络容量预测过程中,可以采用预先根据样本通信数据集对预定神经网络模型进行训练得到的容量预测模型,来对网络侧节点的网络容量进行预测。换言之,该容量预测模型是一个预先训练好的神经网络模型,神经网络模型可以更智能、高效地进行无线网络性能的评估与容量的预测,得实现大规模物联网、4G通信网络和5G通信网络的部署与监管,具有高准确性和高时效性。利用神经网络模型进行网络容量预测,可以确保预测结果的时效性、完整性和准确性。智能准确的容量预测模型不但可以提供将来的网络流量预测数据,而且可以支撑网络拥塞控制、接入控制和网络带宽分配等规划优化工作。
本申请提供的方法,通过预先建立的无线网络模型,获取无线网络的网络侧节点的通信数据集,可以充分利用网络侧节点部署的复杂环境的综合数据,为网络容量预测的准确性提供可靠保障;通过对预定神经网络模型进行预先训练得到的容量预测模型,可以更智能和高效地进行无线网络性能的评估与容量的预测,可以确保预测结果的时效性、完整性和准确性。智能准确的网络容量预测模型不但可以提供将来的小区流量预测数据,而且可以支撑小区拥塞控制、接入控制和网络带宽分配等规划优化工作,对实现大规模物联网、4G通信网络、5G通信网络的部署和监管,具有高准确性和高时效性。
在在本申请实施例的一种可能的实现方式中,网络侧节点可以是基站接入点,也可以是基站,当然除了基站接入点或基站外,网络侧节点还可以是其他形式的为用户提供网络服务的逻辑站点或物理站点,本申请实施例不对其作限制。
在本申请实施例的一种可能的实现方式中,通信数据集的数据类型可以是网络侧节点的工参信息、测量报告样本数据MRO数据、用户价值数据、MDT(Minimization of DriveTest,最小化路测)数据、路径损耗数据、瑞利衰落数据和穿透损耗数据中的一种或多种。MRO(MR Original)代表测量报告样本数据文件,不包括事件触发的样本数据。
其中,网络侧节点的工参信息包括但不限于经纬度信息、方位角、倾角、频段及发射功率中的一种或多种。MRO数据包括但不限于国际移动用户标识IMSI、到达方位角AOA及时间提前量TA中的一种或多种。用户价值数据包括但不限于用户数、用户价值、用户流量、通话时长及用户话务量中的一种或多种。MDT数据包括但不限于测量报告MR经度和/或MR纬度。路径损耗是根据距离和频率计算得到的一个分贝数值,例如,路径损耗可以是根据公式Lr=20lgd+20lgf+32.4,其中,Lr为路径损耗,d是距离,f是频率。瑞利衰落是第一预定分贝数值,例如8dB、10dB、20dB等等,当然,瑞利衰落还可以是根据实际需要测得的其他分贝数值,本申请实施例不对其作限制。穿透损耗是第二预定分贝数值,例如4dB、5dB、8dB等等,当然,穿透损耗还可以是根据实际需要测得的其他分贝数值,本申请实施例不对其作限制。
在本申请实施例的一种可能的实现方式中,在根据通信数据集和预训练的容量预测模型,预测网络侧节点的网络容量之前,还包括:通过样本通信数据集对预定神经网络模型进行训练,得到容量预测模型,预定神经网络模型为卷积神经网络CNN模型,样本通信数据集是采集的样本网络侧节点的通信数据集。
通常,在根据预训练的容量预测模型进行网络侧节点的容量预测之前,会利用大量的样本通信数据集对容量预测模型进行大量的训练处理,以尽量提高容量预测模型的预测结果的准确性。由于容量预测模型是一个预先训练好的神经网络模型,所以需要预先利用大量的样本通信数据据对神经网络模型进行大量训练处理。在实际应用中,采用的神经网络模型可以是CNN(Convolutional Neural Networks,卷积神经网络)模型。需要说明的是,在实际应用中除了采用CNN模型之外,还可以根据需要采用其他的神经网络模型,本申请实施例不对其作限制。
样本通信数据集是采集的样本网络侧节点的通信数据集。该样本网络侧节点的通信数据集的数据类型同样可以是网络侧节点的工参信息、测量报告样本数据MRO数据、用户价值数据、最小化路测MDT数据、路径损耗数据、瑞利衰落数据和穿透损耗数据中的一种或多种。每种数据类型包括的数据请见上述描述,在此不再赘述。
其中,通过样本通信数据集对预定神经网络模型进行训练的过程,可以包括如下过程:首先,对样本通信数据集进行栅格化处理,得到二维数据矩阵;接着,将二维数据矩阵输入CNN模型,并通过CNN模型对二维数据矩阵进行数据特征提取和分类决策处理,得到对应的网络容量预测值;接着,基于网络容量预测值和CNN模型的预设网络容量标签,通过反向传播算法对CNN模型的卷积层、最大池化层、全连接层及隐藏层中的至少一项进行参数优化和权重调整,直到预定神经网络模型满足预定条件,预设网络容量标签是通过对样本网络侧节点的真实网络容量按从大到小分为N类并对每一类进行标记得到的。
在一种可能的实现方式中,对样本通信数据集进行栅格化处理的处理过程可以为:将样本通信数据集对应的样本网络侧节点的覆盖区域划分为预定大小的多个栅格;接着,根据多个栅格,对样本通信数据集进行栅格化处理,得到二维数据矩阵。
在又一可能的实现方式中,在将二维数据矩阵输入CNN模型之前,还可以进行如下处理:将二维数据矩阵中样本网络侧节点位置处的数据标准化为第一预定数值,并将二维数据矩阵中除样本网络侧节点位置外的数据标准化为第二预定数值。
在一个示例中,第一预定数值可以是1,第二预定数值可以是0。需要说明的是,第一预定数值除了可以是1之外,还可以是根据实际需要设定的其他数值,同样的,第二预定数值除了可以是0之外,还可以是根据实际需要设定的其他数值。
在一个示例中,容量预测模型的构建过程可以为如下所示:
综合分析不同的无线网络部署环境并建立信号传输模型。网络容量预测模型的框架包括用于无线网络仿真的系统模型(即前述的无线网络模型)和用于数据预测的CNN(即前述的容量预测模型)组成,如图2所示。
首先,使用无线网络模型模拟信号传输,将网络侧节点部署位置、周围用户信息、业务数据、环境信息和基站信息等多维数据应用于网络容量估计或预测,即将网络侧节点部署位置、周围用户信息、业务数据、环境信息和基站信息等多维数据作为容量预测模型(即CNN模型)的输入数据。其中,可以使用二维数据矩阵描述基站部署方案及周围用户信息和业务信息。需要说明的是,本示例中是以网络侧节点为基站为例进行具体介绍的。在一个示例中,输入数据可以是如表1所示的数据。
表1输入数据列表
得到输入数据后,可以将基站综合部署方案及周围用户信息等数据信息进行栅格化处理,使用二维矩阵来描述部署方案得到二维数据矩阵。在一个示例中,可以将无线网络的覆盖区域划分为预定大小的多个栅格,例如划分成5米乘以5米大小的多个栅格,并在该覆盖区域中随机分布10个发射功率相同的5G基站。假如在该覆盖区域中存在100个用户分布在平面内,利用MDT(Minimization ofDrive Tests,最小化路测)数据关联信令数据,获取用户的实际地理分布,基于小区用户价值、业务类型、用户感知、高负荷时段数和重点场景等维度对小区用户分布进行关联计算评估。随后,根据基站仿真技术确定其覆盖范围,基于基站位置和方位角相关信息,在栅格内将每个用户连接至与其距离最近的小区。在存在阻挡的场景中,考虑穿透损耗后,将用户连接到输出最大信号功率的基站,并将其他基站视作干扰。对每个基站发射的信号,需要考虑的关键因素包括路径损耗、瑞利衰落,穿透损耗等,来构建CNN所用的数据集合。
其次,以现网开通5G基站为基础,将CNN所用的数据集合按照一定比例划分为训练集和测试集两部分,建立CNN训练模型,并将训练集导入,经过特征提取与分类决策,最后输出基站的网络容量预测值,并将基站的网络容量预测值与基站的真实网络容量做对比,来对预测模型进行验证迭代。
最后,利用反向传播算法动态调整神经网络参数的权重,优化数据预测模型(即网络容量预测模型)。
下面通过具体示例对基于CNN的网络容量预测过程进行具体介绍,主要包括对网络容量预测的神经网络模型的组成层、基于神经网络模型的网络容量预测模型和网络容量预测过程,三个方面的内容。
(1)对网络容量预测的神经网络的组成层:
输入层:将基站的位置矩阵(即栅格区域为M×M的二维数据矩阵)作为CNN的输入,并将二维数据矩阵中基站位置处的数据标准化为1(即第一预定数值),其他区域的数值(即二维数据矩阵中除基站位置外的数据)标准化为0(即第二预定数值);
卷积层:将真实的网络容量按从大到小分为N类,分别作为CNN的标签,即预设CNN的网络容量标签,且该网络容量标签是通过对真实网络容量按从大到小分为N类并对每一类进行标记得到的。Conv(x,y,z,s)表示卷积层,其输入通道数为x、输出通道数为y、步长为s,卷积核的大小为(z×z);
激活层:使用线性整流函数ReLU(Rectified Linear Unit)作为激活函数以解决过拟合和梯度消失的问题,同时可以减少计算量。使用交叉熵损失函数作为评估神经网络性能的指标,用于比较预测容量值与实际输出之间的差异。在反向传播过程中计算完所有参数的梯度后,使用基于随机梯度下降(SGD)算法的AdaGrad优化算法对网络的权重和参数进行更新,从而获得最优的权重参数;
池化层:针对预测域内的特征进行筛选,提取区域内最具代表性的特征,能够有效地降低输出特征尺度,从而减少模型所需要的参数量。本申请实施例中的池化层采用的是最大池化(Max Pooling)。
全连接层:位于所有神经网络的末端,连接所有输入特征并将分散特征映射到标记的样本空间中,可用于减少特征位置对结果的影响。将线性加权和方法应用于隐藏层,将每个标签的输出概率发送到分类器,并在下一次训练中通过反向传播算法更新隐藏层的参数权重。分类器将概率最高的标签作为最终输出。分类的数量越多,两个相邻小区的网络容量标签的差值就越小,即预测的小区网络容量的精度越高。本申请实施例中设置了两个全连接层,并添加了一些非线性方法来提高数据集的训练效率。
(2)基于神经网络的网络容量预测模型
将基站的地理位置及周围用户信息、业务信息等栅格化处理后,建立二维数据矩阵(即像素值为M×M的二维图像)作为CNN的输入,同时,将基站位置的像素值标准化为1,其他区域的像素值标准化为0;并且,将真实网络容量从大到小分为N类,分别作为CNN的标签。
其中,表2给出了使用的卷积神经网络的结构,Conv(x,y,z,s)表示卷积层,其输入通道数为x、输出通道数为y、步长为s,卷积核的大小为(z×z);MaxPool(z,s)表示最大池化层,其卷积核大小为(z×z),步长为s;Fc(x,y)表示具有输入节点数为x与输出节点数为y的全连接层。
表2卷积神经网络的结构
(3)网络容量预测过程
网络容量预测过程包括三个处理过程,分别为特征提取、分类决策、权重更新与模型优化,下面对这三个处理过程进行具体介绍:
1、特征提取
在卷积层中,通过将卷积核连接到输入层相邻区域中的多个神经元,自动完成输入数据集的特征提取。每个卷积层都会生成一个新的特征图,其维数等于卷积核的数量,其尺寸取决于卷积核的大小和步长。通过连续卷积,特征图的维数增大而尺寸减小。卷积层输出的特征图会被传输到最大池化层,以进行特征选择和信息过滤。在最大值滤波的区域中,下采样函数提取所有连接神经元的最大值。池化层用于压缩特征图,并减小输出的空间大小以简化计算,也可提取主要特征以提高网络的鲁棒性。池化层中的计算方法与卷积层中相同,但滤波器的参数不会经反向传播过程被修改。
2、分类决策
全连接层位于所有神经网络的末端,连接所有输入特征并将分散特征映射到标记的样本空间中,可用于减少特征位置对结果的影响。在实际应用中,具体处理过程可以为:首先,将从最后一个从卷积层获得的高维数据特征图扩展成多个单独特征,作为全连接层的输入;接着,将线性加权和方法应用于隐藏层,将每个标签的输出概率发送到分类器,并在下一次训练中通过反向传播算法更新隐藏层的参数权重;接着,分类器将概率最高的标签作为最终输出。其中,分类的数量越多,两个相邻网络容量标签的值差就越小,即预测的网络容量的精度越高。本申请实施例中设置了两个全连接层,并添加了一些非线性方法来提高数据集的训练效率。
3、权重更新与模型优化
卷积层与池化层具有较少的参数和较大的计算量,而全连接层则相反,即全连接层具有较多的参数和较小的计算量,因此,在加速优化过程时着重于调整卷积层与池化层的参数和结构来进行调整,在实现参数优化和权重裁剪时着重于全连接层来进行调整。
根据上述描述可以看出,在根据通信数据集和预训练的容量预测模型,预测网络容量时,可以采用如下处理:首先,对通信数据集进行栅格化处理,得到二维数据矩阵,同时对该二维数据矩阵中的数据进行标准化处理,即将该二维数据矩阵中基站位置处的数据标准化为第一预定数值(例如1),以及将该二维数据矩阵中除基站位置外的数据标准化为第二预定数值(例如0),从而得到标准化处理后的二维数据矩阵;接着,将标准化处理后的二维数据矩阵输入训练好的CNN模型(即容量预测模型)进行网络容量的预测,得到预测的网络容量。
下面通过具体示例,对本申请实施例的网络容量预测方法进行具体介介绍:
如图3所示,本申请实施例的网络容量预测包括训练侧构建模型和实际网络容量预测两部分。其中,图3中的训练侧构建模型的过程可以为:
步骤S301:获取样本基站部署数据集,即采集样本基站的通信数据集,并将其作为样本通信数据集,该样本通信数据集包括样本基站的工参信息、MRO数据、用户价值数据、MDT数据、路径损耗、瑞利衰落和穿透损耗等。
步骤S302:原子能力处理,即对采集的样本基站的样本通信数据集进行原子能力处理,本申请实施例采用的原子能力处理包括但不限于无线仿真技术、定位技术及栅格化技术等等。
步骤S303:卷积神经网络处理,本申请实施例中的卷积神经网络处理包括数据集二维矩阵(即将数据集处理为二维数据矩阵的表示形式)、数据集特征提取、特征选择和信息过滤、实现特征的非线性组合计算等处理过程。
步骤S304,预测结果输出,即输出预测的网络容量。
步骤S305,验证迭代,即对卷积神经网络进行优化,比如对卷积神经网络的结构进行调整、对参数进行优化、对参数权重进行调整等。
图3中的实际网络容量预测的过程可以为:
步骤S306:采集5G站点的通信数据集,即采集实际5G基站接入点或5G基站的通信数据集,该通信数据集包括5G站点或5G基站的工参信息、MRO数据、用户价值数据、MDT数据、路径损耗、瑞利衰落和穿透损耗等,以用于后续的5G站点或5G基站的网络容量预测。
步骤S307:原子能力处理,即对采集的实际5G站点或5G基站的通信数据集进行无线仿真技术、定位技术及栅格化技术等处理。
步骤S308:通信数据集转化为二维数据矩阵,即将经原子能力处理后的通信数据集转化为二维数据矩阵,同时,对该二维数据矩阵中的数据进行标准化处理,即将该二维数据矩阵中基站位置处的数据标准化为第一预定数值(例如1),以及将该二维数据矩阵中除基站位置外的数据标准化为第二预定数值(例如0)。
步骤S309:基于CNN的容量预测模型,即基于CNN的网络容量预测模型,该步骤是将经步骤S308标准化处理后的二维数据矩阵输入训练好的CNN容量预测模型,以进行网络容量的预测,得到相应的网络容量预测值。
步骤S310:5G站点预测评估结果,即评估实际的5G基站接入点或5G基站的网络容量。
可见,本申请实施例将CNN机器学习方法应用于5G及未来无线网络的规划部署与管理中,利用基站或基站接入点部署的综合数据,CNN将复杂环境中综合数据转换为二维数据矩阵处理问题,提取基站或基站接入点部署位置特征,实现网络容量的实时精准预测。另外,通过CNN的数据特征提取和分类决策,可以实现实时无线环境下用户数量、用户价值等多维度综合评估,时效性较高。
本申请实施例提供了一种网络容量预测装置,如图4所示,该网络容量预测装置400可以包括:第一处理模块401以及第二处理模块402,其中,
第一处理模块401,用于通过预先建立的无线网络模型,获取无线网络的网络侧节点的通信数据集,无线网络模型是与网络侧节点的部署环境相匹配的;
第二处理模块402,用于根据通信数据集和预训练的容量预测模型,预测网络侧节点的网络容量,预训练的容量预测模型是预先通过样本通信数据集对预定神经网络模型进行训练得到的。
在一种可能的实现方式中,该装置还包括训练模块403,该训练模块用于:
通过样本通信数据集对预定神经网络模型进行训练,得到容量预测模型,预定神经网络模型为卷积神经网络CNN模型,样本通信数据集是采集的样本网络侧节点的通信数据集;
训练模块在通过样本通信数据集对预定神经网络模型进行训练时,用于:
对样本通信数据集进行栅格化处理,得到二维数据矩阵;
将二维数据矩阵输入CNN模型,并通过CNN模型对二维数据矩阵进行数据特征提取和分类决策处理,得到对应的网络容量预测值;
基于网络容量预测值和CNN模型的预设网络容量标签,通过反向传播算法对CNN模型的卷积层、最大池化层、全连接层及隐藏层中的至少一项进行参数优化和权重调整,直到预定神经网络模型满足预定条件,预设网络容量标签是通过对样本网络侧节点的真实网络容量按从大到小分为N类并对每一类进行标记得到的。
在又一可能的实现方式中,训练模块在对样本通信数据集进行栅格化处理时,用于:
将样本通信数据集对应的样本网络侧节点的覆盖区域划分为预定大小的多个栅格;
根据多个栅格,对样本通信数据集进行栅格化处理,得到二维数据矩阵。
在又一可能的实现方式中,训练模块还用于:
将二维数据矩阵中样本网络侧节点位置处的数据标准化为第一预定数值,并将二维数据矩阵中除样本网络侧节点位置外的数据标准化为第二预定数值。
在又一可能的实现方式中,第二处理模块在根据通信数据集和预训练的容量预测模型,预测网络侧节点的网络容量时,用于:
对通信数据集进行栅格化处理,得到二维数据矩阵,并对该二维数据矩阵中的数据进行标准化处理,得到标准化处理后的二维数据矩阵,其中,标准化处理包括将该二维数据矩阵中网络侧节点位置处的数据标准化为第一预定数值,以及将该二维数据矩阵中除网络侧节点位置外的数据标准化为第二预定数;
将标准化处理后的二维数据矩阵输入预训练的容量预测模型,得到对应的网络容量预测值。
在又一可能的实现方式中,通信数据集的数据类型包括网络侧节点的工参信息、测量报告样本数据MRO数据、用户价值数据、最小化路测MDT数据、路径损耗数据、瑞利衰落数据和穿透损耗数据中的至少一项;
其中,网络侧节点的工参信息包括经纬度信息、方位角、倾角、频段及发射功率中的至少一项;MRO数据包括国际移动用户标识IMSI、到达方位角AOA及时间提前量TA中的至少一项;用户价值数据包括用户数、用户价值、用户流量、通话时长及用户话务量中的至少一项;MDT数据包括测量报告MR经度和/或MR纬度;路径损耗是根据距离和频率计算得到的一个分贝数值,瑞利衰落是第一预定分贝数值,穿透损耗是第二预定分贝数值。
在又一可能的实现方式中,网络侧节点是基站接入点或基站。
本申请实施例的装置,通过预先建立的无线网络模型,获取无线网络的网络侧节点的通信数据集,可以充分利用网络侧节点部署的复杂环境的综合数据,为网络容量预测的准确性提供可靠保障;通过对预定神经网络模型进行预先训练得到的容量预测模型,可以更智能和高效地进行无线网络性能的评估与容量的预测,可以确保预测结果的时效性、完整性和准确性。智能准确的网络容量预测模型不但可以提供将来的小区流量预测数据,而且可以支撑小区拥塞控制、接入控制和网络带宽分配等规划优化工作,对实现大规模物联网(IoT)、4G、5G网络的部署和监管,具有高准确性和高时效性。
本申请实施例的确定网络覆盖的装置可执行本申请上述实施例所示的确定网络覆盖的方法,其实现原理相类似,本申请各实施例的装置中的各模块所执行的动作是与本申请各实施例的方法中的步骤相对应的,对于装置的各模块的详细功能描述具体可以参见前文中所示的对应方法中的描述,此处不再赘述。
本申请实施例中提供了一种电子设备,包括存储器、处理器及存储在存储器上的计算机程序,该处理器执行上述计算机程序以实现确定网络覆盖的方法的步骤,与现有技术相比可实现:通过预先建立的无线网络模型,获取无线网络的网络侧节点的通信数据集,可以充分利用网络侧节点部署的复杂环境的综合数据,为网络容量预测的准确性提供可靠保障;通过对预定神经网络模型进行预先训练得到的容量预测模型,可以更智能和高效地进行无线网络性能的评估与容量的预测,可以确保预测结果的时效性、完整性和准确性。智能准确的网络容量预测模型不但可以提供将来的小区流量预测数据,而且可以支撑小区拥塞控制、接入控制和网络带宽分配等规划优化工作,对实现大规模物联网(IoT)、4G、5G网络的部署和监管,具有高准确性和高时效性。
在一个可选实施例中提供了一种电子设备,如图5所示,图5所示的电子设备4000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,收发器4004可以用于该电子设备与其他电子设备之间的数据交互,如数据的发送和/或数据的接收等。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5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、其他磁存储设备、或者能够用于携带或存储计算机程序并能够由计算机读取的任何其他介质,在此不做限定。
存储器4003用于存储执行本申请实施例的计算机程序,并由处理器4001来控制执行。处理器4001用于执行存储器4003中存储的计算机程序,以实现前述方法实施例所示的步骤。
本申请实施例提供了一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,计算机程序被处理器执行时可实现前述方法实施例的步骤及相应内容。
本申请实施例还提供了一种计算机程序产品,包括计算机程序,计算机程序被处理器执行时可实现前述方法实施例的步骤及相应内容。
应该理解的是,虽然本申请实施例的流程图中通过箭头指示各个操作步骤,但是这些步骤的实施顺序并不受限于箭头所指示的顺序。除非本文中有明确的说明,否则在本申请实施例的一些实施场景中,各流程图中的实施步骤可以按照需求以其他的顺序执行。此外,各流程图中的部分或全部步骤基于实际的实施场景,可以包括多个子步骤或者多个阶段。这些子步骤或者阶段中的部分或全部可以在同一时刻被执行,这些子步骤或者阶段中的每个子步骤或者阶段也可以分别在不同的时刻被执行。在执行时刻不同的场景下,这些子步骤或者阶段的执行顺序可以根据需求灵活配置,本申请实施例对此不限制。
以上所述仅是本申请部分实施场景的可选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请的方案技术构思的前提下,采用基于本申请技术思想的其他类似实施手段,同样属于本申请实施例的保护范畴。
Claims (11)
1.一种网络容量预测方法,其特征在于,包括:
通过预先建立的无线网络模型,获取无线网络的网络侧节点的通信数据集,所述无线网络模型是与所述网络侧节点的部署环境相匹配的;
根据所述通信数据集和预训练的容量预测模型,预测所述网络侧节点的网络容量,所述预训练的容量预测模型是预先通过样本通信数据集对预定神经网络模型进行训练得到的。
2.根据权利要求1所述的方法,其特征在于,在所述根据所述通信数据集和预训练的容量预测模型,预测所述网络侧节点的网络容量之前,还包括:
通过样本通信数据集对所述预定神经网络模型进行训练,得到所述容量预测模型,所述预定神经网络模型为卷积神经网络CNN模型,所述样本通信数据集是采集的样本网络侧节点的通信数据集;
所述通过样本通信数据集对所述预定神经网络模型进行训练,包括:
对所述样本通信数据集进行栅格化处理,得到二维数据矩阵;
将所述二维数据矩阵输入所述CNN模型,并通过所述CNN模型对所述二维数据矩阵进行数据特征提取和分类决策处理,得到对应的网络容量预测值;
基于所述网络容量预测值和所述CNN模型的预设网络容量标签,通过反向传播算法对所述CNN模型的卷积层、最大池化层、全连接层及隐藏层中的至少一项进行参数优化和权重调整,直到所述预定神经网络模型满足预定条件,所述预设网络容量标签是通过对所述样本网络侧节点的真实网络容量按从大到小分为N类并对每一类进行标记得到的。
3.根据权利要求2所述的方法,其特征在于,所述对所述样本通信数据集进行栅格化处理,包括:
将所述样本通信数据集对应的样本网络侧节点的覆盖区域划分为预定大小的多个栅格;
根据所述多个栅格,对所述样本通信数据集进行栅格化处理,得到二维数据矩阵。
4.根据权利要求3所述的方法,其特征在于,在所述将所述二维数据矩阵输入所述CNN模型之前,还包括:
将所述二维数据矩阵中所述样本网络侧节点位置处的数据标准化为第一预定数值,并将所述二维数据矩阵中除所述样本网络侧节点位置外的数据标准化为第二预定数值。
5.根据权利要求1-4任一项所述的方法,其特征在于,所述根据所述通信数据集和预训练的容量预测模型,预测所述网络侧节点的网络容量,包括:
对所述通信数据集进行栅格化处理,得到二维数据矩阵,并对该二维数据矩阵中的数据进行标准化处理,得到标准化处理后的二维数据矩阵,其中,所述标准化处理包括将该二维数据矩阵中所述网络侧节点位置处的数据标准化为第一预定数值,以及将该二维数据矩阵中除所述网络侧节点位置外的数据标准化为第二预定数;
将所述标准化处理后的二维数据矩阵输入所述预训练的容量预测模型,得到对应的网络容量预测值。
6.根据权利要求1-5任一项所述的方法,其特征在于,所述通信数据集的数据类型包括以下至少一项:
所述网络侧节点的工参信息,测量报告样本数据MRO数据,用户价值数据,最小化路测MDT数据,路径损耗数据,瑞利衰落数据和穿透损耗数据;
其中,所述网络侧节点的工参信息包括经纬度信息、方位角、倾角、频段及发射功率中的至少一项;所述MRO数据包括国际移动用户标识IMSI、到达方位角AOA及时间提前量TA中的至少一项;所述用户价值数据包括用户数、用户价值、用户流量、通话时长及用户话务量中的至少一项;所述MDT数据包括测量报告MR经度和/或MR纬度;所述路径损耗是根据距离和频率计算得到的一个分贝数值,所述瑞利衰落是第一预定分贝数值,所述穿透损耗是第二预定分贝数值。
7.根据权利要求1-5任一项所述的方法,所述网络侧节点是基站接入点或基站。
8.一种网络容量预测装置,其特征在于,包括:
第一处理模块,用于通过预先建立的无线网络模型,获取无线网络的网络侧节点的通信数据集,所述无线网络模型是与所述网络侧节点的部署环境相匹配的;
第二处理模块,用于根据所述通信数据集和预训练的容量预测模型,预测所述网络侧节点的网络容量,所述预训练的容量预测模型是预先通过样本通信数据集对预定神经网络模型进行训练得到的。
9.一种电子设备,包括存储器、处理器及存储在存储器上的计算机程序,其特征在于,所述处理器执行所述计算机程序以实现权利要求1-7任一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1-7任一项所述的方法的步骤。
11.一种计算机程序产品,包括计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1-7任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111372164.3A CN114615693B (zh) | 2021-11-18 | 2021-11-18 | 网络容量预测方法、装置、电子设备及计算机存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111372164.3A CN114615693B (zh) | 2021-11-18 | 2021-11-18 | 网络容量预测方法、装置、电子设备及计算机存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114615693A true CN114615693A (zh) | 2022-06-10 |
CN114615693B CN114615693B (zh) | 2024-04-16 |
Family
ID=81857450
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111372164.3A Active CN114615693B (zh) | 2021-11-18 | 2021-11-18 | 网络容量预测方法、装置、电子设备及计算机存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114615693B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115051934A (zh) * | 2022-06-29 | 2022-09-13 | 亚信科技(中国)有限公司 | 网络性能预测方法、装置、电子设备、存储介质及产品 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109462853A (zh) * | 2018-11-05 | 2019-03-12 | 武汉虹信技术服务有限责任公司 | 一种基于神经网络模型的网络容量预测方法 |
CN109862590A (zh) * | 2019-03-26 | 2019-06-07 | 中国联合网络通信集团有限公司 | 网络容量评估方法及装置 |
CN109874146A (zh) * | 2017-12-05 | 2019-06-11 | 华为技术有限公司 | 一种预测路损的方法及装置 |
CN111147163A (zh) * | 2019-12-17 | 2020-05-12 | 南京航空航天大学 | 一种基于dnn神经网络的无线通信链路损耗预测方法 |
-
2021
- 2021-11-18 CN CN202111372164.3A patent/CN114615693B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109874146A (zh) * | 2017-12-05 | 2019-06-11 | 华为技术有限公司 | 一种预测路损的方法及装置 |
CN109462853A (zh) * | 2018-11-05 | 2019-03-12 | 武汉虹信技术服务有限责任公司 | 一种基于神经网络模型的网络容量预测方法 |
CN109862590A (zh) * | 2019-03-26 | 2019-06-07 | 中国联合网络通信集团有限公司 | 网络容量评估方法及装置 |
CN111147163A (zh) * | 2019-12-17 | 2020-05-12 | 南京航空航天大学 | 一种基于dnn神经网络的无线通信链路损耗预测方法 |
Non-Patent Citations (2)
Title |
---|
王钰: ""移动通信网覆盖优化技术研究"", 《中国优秀硕士学位论文全文数据库 信息科技辑》, no. 3, pages 136 - 430 * |
赖昱辰等: ""基于神经网络计算的无线容量高实时预测"", 《中兴通讯技术》, pages 13 - 17 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115051934A (zh) * | 2022-06-29 | 2022-09-13 | 亚信科技(中国)有限公司 | 网络性能预测方法、装置、电子设备、存储介质及产品 |
Also Published As
Publication number | Publication date |
---|---|
CN114615693B (zh) | 2024-04-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Imai et al. | Radio propagation prediction model using convolutional neural networks by deep learning | |
CN111867049B (zh) | 定位方法、装置及存储介质 | |
CN105898762B (zh) | 基站优化及部署方法和装置 | |
CN107547154B (zh) | 一种建立视频流量预测模型的方法及装置 | |
CN103987056A (zh) | 基于大数据统计模型的无线网络话务量预测方法 | |
CN106934514A (zh) | 一种回归模型的生成方法以及装置 | |
CN113779247B (zh) | 基于意图驱动的网络故障诊断方法及系统 | |
CN111294812A (zh) | 一种资源扩容规划的方法及系统 | |
CN112950243A (zh) | 一种5g站址规划方法、装置、电子设备及存储介质 | |
Rutagemwa et al. | Dynamic spectrum assignment for land mobile radio with deep recurrent neural networks | |
Fernandes et al. | Comparison of artificial intelligence and semi-empirical methodologies for estimation of coverage in mobile networks | |
JP2018032939A (ja) | 品質推定装置及び品質推定方法 | |
CN114615693B (zh) | 网络容量预测方法、装置、电子设备及计算机存储介质 | |
CN112867147B (zh) | 定位方法和定位装置 | |
CN108574927B (zh) | 一种移动终端定位方法及装置 | |
Raivio et al. | Analysis of mobile radio access network using the self-organizing map | |
CN107306419A (zh) | 一种端到端质量评估方法和装置 | |
Sopin et al. | Simulation Of The Limited Resources Queuing System For Performance Analysis Of Wireless Networks. | |
Chousainov et al. | Multiservice loss models for cloud radio access networks | |
CN113709814A (zh) | 负荷均衡的方法、装置、计算设备及计算机可读存储介质 | |
CN112637904A (zh) | 负载均衡方法、装置及计算设备 | |
Ehiagwina et al. | A hybrid spectrum opportunities extraction scheme for cognitive wireless communication | |
CN109993556A (zh) | 用户行为分析方法、装置、计算设备及存储介质 | |
JP7486659B2 (ja) | 基地局の省エネルギー処理方法及び処理装置 | |
Ehiagwina et al. | Development of Neural Network-Based Spectrum Prediction Schemes for Cognitive Wireless Communication: A Case Study of Ilorin, North Central, Nigeria |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |