CN114630356B - 一种基站确定方法、装置、设备及存储介质 - Google Patents
一种基站确定方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN114630356B CN114630356B CN202011436589.1A CN202011436589A CN114630356B CN 114630356 B CN114630356 B CN 114630356B CN 202011436589 A CN202011436589 A CN 202011436589A CN 114630356 B CN114630356 B CN 114630356B
- Authority
- CN
- China
- Prior art keywords
- base station
- data
- small base
- characteristic
- prediction
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 71
- 238000012549 training Methods 0.000 claims description 124
- 238000012423 maintenance Methods 0.000 claims description 54
- 238000004590 computer program Methods 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 13
- 238000013507 mapping Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 10
- 238000007637 random forest analysis Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 7
- 238000010801 machine learning Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 6
- 238000010276 construction Methods 0.000 description 5
- 238000007726 management method Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000013499 data model Methods 0.000 description 4
- 230000010365 information processing Effects 0.000 description 4
- 238000003062 neural network model Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000013138 pruning Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明实施例提供了一种基站确定方法、装置、设备及存储介质,方法包括:获取来自5G小基站的性能数据信息,性能数据信息包括多个特征数据;将多个特征数据输入到预先训练的第一预测模型中,得到5G小基站的多个特征预测数据;在5G小基站的任一特征预测数据不满足预设条件时,确定5G小基站为目标5G小基站。根据本发明实施例的方法,能够通过模型预测目标5G小基站,提高了确定目标5G小基站的效率,节约了人工成本,而且相比依据个人经验判断的方法,更加便于推广使用。
Description
技术领域
本发明属于5G基站技术领域,尤其涉及一种基站确定方法、装置、设备及存储介质。
背景技术
随着5G的建设发展,5G小基站的数量正在飞快增长。每个5G小基站在运行中都可能出现低速率等问题。
目前,5G小基站的运行状态,主要是运维人员依据个人经验和5G小基站上报的性能数据判断。然而5G小基站的设备厂商不同,而且运维人员的个人经验有限,人工确定5G小基站一段时间后运行状态是否会出现问题,会耗费大量的人力,且速度慢。
发明内容
本发明实施例提供一种基站确定方法,能够通过模型预测目标5G小基站,提高了确定目标5G小基站的效率,节约了人工成本。
第一方面,本发明实施例提供一种基站确定方法,方法包括:获取来自5G小基站的性能数据信息,性能数据信息包括多个特征数据;将多个特征数据输入到预先训练的第一预测模型中,得到5G小基站的多个特征预测数据;在5G小基站的任一特征预测数据不满足预设条件时,确定5G小基站为目标5G小基站;将5G小基站的多个特征预测数据输入到预先训练的第二预测模型中,得到是否需要维护5G小基站的预测结果;在预测结果为需要维护5G小基站时,向5G小基站发送目标维护指令,以使5G小基站根据目标维护指令作出调整,满足预设条件。
在一种可选的实施方式中,将多个特征数据输入到预先训练的第一预测模型中之前,方法还包括:
获取训练样本集,训练样本集包括多个训练样本,每个训练样本包括多个特征数据及与其对应的多个特征标签数据,特征标签数据为5G基站在运行预设时间后的特征数据;
利用训练样本训练预设的第一预测模型,直至满足训练停止条件,得到训练后的第一预测模型。
在一种可选的实施方式中,利用训练样本训练预设的第一预测模型,直至满足训练停止条件,得到训练后的第一预测模型,具体包括:
对每个训练样本,分别执行以下步骤:
将多个特征数据输入至预设第一预测模型中,得到多个特征预测数据;
根据特征预测数据和特征标签数据,确定第一预测模型的损失函数值;
在损失函数值不满足训练停止条件的情况下,调整第一预测模型的模型参数,并利用训练样本集训练参数调整后的第一预测模型,直至满足训练停止条件,得到训练后的第一预测模型。
在一种可选的实施方式中,获取训练样本集,包括:
获取多个5G小基站的历史数据信息,每个历史数据信息包括多个特征数据及与其对应的多个特征标签数据;
将同一个5G小基站的多个特征数据及与其对应的多个特征标签数据作为一个训练样本,以得到训练样本集。
在一种可选的实施方式中,将同一个5G小基站的多个特征数据及与其对应的多个特征标签数据作为一个训练样本,以得到训练样本集,具体包括:
在同一个5G小基站的每个特征数据和特征标签数据的值,在预设取值范围内时,将同一个5G小基站的多个特征数据及与其对应的多个特征标签数据作为一个训练样本,以得到训练样本集。
在一种可选的实施方式中,方法还包括:
将5G小基站的多个特征预测数据输入到预先训练的第二预测模型中,得到是否需要维护5G小基站的预测结果;
在预测结果为需要维护5G小基站时,向5G小基站发送目标维护指令,以使5G小基站根据目标维护指令作出调整,满足预设条件。
在一种可选的实施方式中,在预测结果为需要维护5G小基站时,向5G小基站发送维护指令,具体包括:
根据预设的特征指令映射关系与多个特征预测数据,确定与多个特征预测数据对应的目标维护指令;
向5G小基站发送目标维护指令。
在一种可选的实施方式中,将5G小基站的多个特征预测数据输入到预先训练的第二预测模型中之前,方法还包括:
获取第二训练样本,第二训练样本包括非标签样本和标签样本;
根据非标签样本构建多个第一隐含层的自动编码器;
根据预设参数配置确定第一输出层,第一输出层包括需要发送维护指令和不需要发送维护指令;
利用第二训练样本训练预设的第二预测模型,直至满足训练停止条件,得到训练后的第二预测模型。
第二方面,本发明实施例提供了一种基站确定装置,装置包括:
第一获取模块,被配置为获取来自5G小基站的性能数据信息,性能数据信息包括多个特征数据;
第一模型预测模块,被配置为将多个特征数据输入到预先训练的第一预测模型中,得到5G小基站的多个特征预测数据;
第一判断模块,被配置为在5G小基站的任一特征预测数据不满足预设条件时,确定5G小基站为目标5G小基站;
第二模型预测模块,被配置为将5G小基站的多个特征预测数据输入到预先训练的第二预测模型中,得到是否需要维护5G小基站的预测结果;
第二判断模块,被配置为在预测结果为需要维护5G小基站时,向5G小基站发送目标维护指令,以使5G小基站根据目标维护指令作出调整,满足预设条件。
第三方面,本发明实施例提供了一种基站确定设备,设备包括:处理器,以及存储有计算机程序指令的存储器;所述处理器读取并执行所述计算机程序指令,以实现第一方面及第一方面中任一可选实施方式提供的基站确定方法。
第四方面,本发明实施例提供了一种计算机存储介质,计算机存储介质上存储有计算机程序指令,计算机程序指令被处理器执行时实现第一方面及第一方面中任一可选实施方式提供的基站确定方法。
本发明实施例的一种基站确定方法、装置、设备及存储介质,能够获取来自5G小基站的性能数据信息,性能数据信息包括多个特征数据;将多个特征数据输入到预先训练的第一预测模型中,得到5G小基站的多个特征预测数据;在5G小基站的任一特征预测数据不满足预设条件时,确定5G小基站为目标5G小基站,通过模型预测的形式,提高了确定问题基站的效率,节约了人工成本,而且相比依据个人经验判断的方法,更加便于推广使用。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例中所需要使用的附图作简单的介绍,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种基站确定方法的流程示意图;
图2是本发明另一实施例提供的一种基站确定方法的流程示意图;
图3是本发明实施例提供的第二预测模型训练流程示意图;
图4是本发明实施例提供的一种基站确定装置的结构示意图;
图5是本发明实施例提供的一种基站确定设备的结构示意图。
具体实施方式
下面将详细描述本发明的各个方面的特征和示例性实施例,为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及具体实施例,对本发明进行进一步详细描述。应理解,此处所描述的具体实施例仅意在解释本发明,而不是限定本发明。对于本领域技术人员来说,本发明可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本发明的示例来提供对本发明更好的理解。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
目前5G小基站维护中,一般是运维人员依据小基站上报的性能数据,根据个人经验预测小基站未来的运行状态(如低速率、高延时,故障等)。
随着5G小基站的建设速度加快,可能会存在成千上万个小基站,依托运维人员的个人经验去预测小基站未来的运行状态,并确定运行状态出现问题的小基站,需要耗费大量的人力,而且部分运维人员的个人经验有限,在预测中也可能出现失误,影响用户体验。因此亟需一种可以自动预测并确定问题基站的方法。
因此亟需一种可以自动预测并确定问题基站的方法,提高运维人员的工作效率。基于此本申请实施例提供了一种基站确定方法、装置、设备及存储介质,可以应用到预测并确定5G小基站运行状态的场景中。
为了更好理解本申请,在介绍本申请的具体实施方式之前,首先介绍描述本申请实施方式时用到的技术术语。
(1)长期演进语音承载(Voice over Long-Term Evolution,VOLTE)是一个面向手机和数据终端的高速无线通信标准。
(2)测量报告(Measurement Report,MR)是指信息在业务信道上每480ms(信令信道上470ms)发送一次数据,这些数据可用于网络评估和优化。
(3)演进的无线接入承载(Evolved Radio Access Bearer,E-RAB)是指用户平面的承载,用于用户设备和核心网之间传送语音、数据及多媒体业务。
(4)QoS类标识符(QoS Class Identifier,QCI)是一个标度值,用于衡量特定的提供给服务数据流的包转发行为(如丢包率,包延迟预算),用于指定访问节点内定义的控制承载级分组转发方式(如调度权重、接纳门限、队列管理门限、链路层协议配置等),这些都由运营商预先配置到接入网节点中。
(5)后向传播(back propagation,BP)算法,学习过程由信号的正向传播与误差的反向传播两个过程组成。由于多层前馈网络的训练经常采用误差反向传播算法,人们也常把将多层前馈网络直接称为BP网络。
基于上述技术术语,已对5G小基站的相关技术进行了简单介绍。现阶段,对于5G小基站的运行状态一般还是通过个人经验判断。但是,随着5G的发展,5G小基站的数量越来越多,人工判断绝非易事,耗时费力,效率低下。
下面首先对本申请实施例提供的一种基站确定方法进行介绍。请参见图1,本申请实施例提供的一种基站确定方法的流程示意图。该方法可以基于基站确定系统实现,包括步骤S101至S103。
S101.获取来自5G小基站的性能数据信息,性能数据信息包括多个特征数据。
系统获取5G小基站上报的性能数据信息,性能数据信息可以包括无线接通率、无线利用率、VOLTE无线接通率,MR覆盖率,覆盖类型,QCI1最大E-RAB数,网络上行速率,网络下行速率。
在一个示例中,系统在5G小基站上报的性能数据信息后,对性能数据信息进行预处理,具体可以是根据网管系统的小基站关键数据模型定义,筛选出模型匹配该数据模型定义的数据,并过滤影响级别低的数据,得到与模型对应的关键数据,即特征数据。
S102.将多个特征数据输入到预先训练的第一预测模型中,得到5G小基站的多个特征预测数据。
系统将多个特征数据输入到预先训练的第一预测模型中,其中第一预测模型可以是随机森林机器学习模型。随机森林机器学习模型输出5G小基站的多个特征预测数据,其中,特征预测数据是预测得到的与特征数据对应的5G小基站在运行预设时间后的特征数据。
S103.在5G小基站的任一特征预测数据不满足预设条件时,确定5G小基站为目标5G小基站。
系统判断随机森林机器学习模型输出的5G小基站特征预测数据,是否满足预设条件。如果不满足预设条件时,则表示该5G小基站的运行状态在预设时间后将出现问题,该5G小基站为问题小基站。
在一个示例中,预设条件可以包括下载和上载速率,在下载速率小于1M/s,上载速率小于0.2M/s时,确定该5G小基站为低速率小基站,即目标5G小基站。
本申请实施例提供的一种基站确定方法,能够通过模型预测的方式自动确定问题小基站,提高了确定问题基站的效率,节约了人工成本;通过模型预测的结果,相比人工判断,降低了出现判断失误的几率,而且降低了对个人经验的依赖,更加便于推广使用。
在一个实施例中,与图1所示的一种基站确定方法相比,步骤S102之前,还可以包括步骤S104-S105。
S104.获取训练样本集,训练样本集包括多个训练样本,每个训练样本包括多个特征数据及与其对应的多个特征标签数据,特征标签数据为5G基站在运行预设时间后的特征数据。
系统可以获取多个5G小基站的历史运行数据,对历史运行数据进行预处理,具体可以是根据网管系统的小基站关键数据模型定义,筛选出模型匹配该数据模型定义的数据,并过滤影响级别低的数据,得到用于模型训练的特征数据,基于所有特征数据进行均衡处理,得到均衡的训练样本。其中,均衡处理可以提高模型训练的准确性。
在一个示例中,系统可以在均衡处理后的数据中去掉字符串类型的列,随机选择正样本数据和负样本数据,合并为一个新的二维数组,建立正常索引和异常索引,对于正常索引随机取长度后合并索引,再根据索引获取对应的数据,然后将数据拆分为特征数据和标签数据,构建训练样本。
在一个示例中,步骤S104可以具体包括步骤S1041-S1042。
S1041.获取多个5G小基站的历史数据信息,每个历史数据信息包括多个特征数据及与其对应的多个特征标签数据;
S1042.将同一个5G小基站的多个特征数据及与其对应的多个特征标签数据作为一个训练样本,以得到训练样本集。
在一个示例中,步骤S1042可以具体为:在同一个5G小基站的每个特征数据和特征标签数据的值,在预设取值范围内时,将同一个5G小基站的多个特征数据及与其对应的多个特征标签数据作为一个训练样本,以得到训练样本集。
S105.利用训练样本训练预设的第一预测模型,直至满足训练停止条件,得到训练后的第一预测模型。
本申请中的第一预测模型可以是随机森林机器学习模型,可以基于5G小基站的特征数据和特征标签数据训练得到,使随机森林机器学习模型学习特征数据和特征标签数据的映射关系,直到随机森林机器学习模型输出的特征预测数据和训练样本中特征标签数据的损失函数值满足预设条件时停止训练,得到训练后的第一预测模型。
在一个示例中,步骤S105可以具体是对每个训练样本,分别执行步骤S1051-S1053。
S1051.将多个特征数据输入至预设第一预测模型中,得到多个特征预测数据;
S1052.根据特征预测数据和特征标签数据,确定第一预测模型的损失函数值;
S1053.在损失函数值不满足训练停止条件的情况下,调整第一预测模型的模型参数,并利用训练样本集训练参数调整后的第一预测模型,直至满足训练停止条件,得到训练后的第一预测模型。
在一个示例中,训练样本集中的训练样本可以拆分为训练与测试两部分,比例可以是7:3,分别用于模型的训练和测试。
在一个示例中,在第一预测模型是随机森林机器学习模型时,可以用N表示训练样本的个数,M表示变量的数目。
令一个树为m,被用来决定当在一个节点上做决定时,会使用到多少个变量m应小于M;
从N个训练样本中以重复取样的方式,取样N次,形成一组训练集。并使用这棵树来预测训练集中的训练样本,并评估其误差;
对于每一个节点,随机选择m个基于此点上的变量,根据这m个变量,计算其最佳的分割方式;
每棵树都会完整成长而不会剪枝;
随机森林泛化误差的公式为:
PE*=PX,Y{my(X,Y)<0}
当树的数量很大时,它会遵循大数定律,因此依次分类树数的增加,由于所有的序列,收敛于:
也因此随机森林并不会进行决策树的增加而产生过度拟合,并且有一个有限的泛化差值。
在上述实施例中,被确定为目标5G小基站的即问题小基站。在目前,对于问题小基站,一般是运维人员依据个人经验判断该问题小基站是否需要进行维护。如果需要维护,再依据个人经验在网管系统中手动生成小基站能识别的命令并通过网络下发给小基站,小基站接受命令后执行命令,完成相应的操作,如重启、修改配置参数等,以解决小基站的问题,使其满足预设要求。但是,小基站的数量众多,而且每个小基站的设备又是不同的厂商生成的,下发的命令可能存在差异,运维人员会耗费大量的人力去处理这些命令,而且运维人员的个人经验有限,并不能根据不同的网络场景下发不同的命令达到网络的效率达到最优化,影响用户体验和接入网络的等待时间。
基于上述问题,本申请实施例提供的一种基站确定方法,请参考图2。图2实施例所示方法与图1所示实施例有诸多相似之处,图2中的步骤S201-S203与图1所示实施例的步骤S101-S103相同,其不同之处在于图2所示实施例还包括步骤S204-S205,。
S204.将5G小基站的多个特征预测数据输入到预先训练的第二预测模型中,得到是否需要维护5G小基站的预测结果。
需要说明,第二预测模型可以是BP神经网络模型,可以基于5G小基站的特征数据和标签数据训练得到,使BP神经网络模型学习特征数据和标签数据的映射关系,直到BP神经网络模型输出的预测结果与标签数据的损失函数值满足预设条件时停止训练,得到训练后的第二预测模型。其中特征数据可以来自5G小基站的历史数据,标签数据中的标签包括需要下维护指令和不需要下发维护指令。系统将5G小基站的多个特征预测数据输入到预先训练的第二预测模型中可以得到是否需要维护5G小基站的预测结果。
S205.在预测结果为需要维护5G小基站时,向5G小基站发送目标维护指令,以使5G小基站根据目标维护指令作出调整,满足预设条件。
其中,向5G小基站发送目标维护指令可以根据第一预测模型输出的特征预测数据确定,如下所示:
第一预测模型输出预测未来3个小时内上载速度为0.8M/s,下载速度为0.1M/s,若无线接通率低于60%,则目标维护指令生成调整中心频点,当前频点为N,则调整频点为N+0.1,即设置与当前不一样的频点,排除干扰信号源。
第一预测模型输出预测未来3个小时内上载速度为0.3M/s,下载速度为0.01M/s,若MR覆盖率低于10%,则目标维护指令为配置邻区参数。不同小基站采用网管统一模型规范,实现统一的指令下发。
在一个示例中,步骤S205可以具体包括步骤S2051-S2052。
S2051.根据预设的特征指令映射关系与多个特征预测数据,确定与多个特征预测数据对应的目标维护指令。
在一个示例中,特征预测数据与维护指令有相应的匹配策略,例如特征预测数据中同频领区电平高于小基站则判断为领区漏配或切换参数设置不当,同频CIO过大或过小。此时维护方法可以是设置同频CIO参数值,对应的维护指令可以为配置小基站CIO参数命令。又如特征预测数据判断出信号重叠覆盖,对应的维护指令可以为调整Pmax、天线权值、参数命令。
S2052.向5G小基站发送目标维护指令。
在一个示例中,图2所示实施例的方法还可以包括步骤S206-S209:
S206.获取第二训练样本,第二训练样本包括非标签样本和标签样本;
S207.根据非标签样本构建多个第一隐含层的自动编码器;
S208.根据预设参数配置确定第一输出层,第一输出层包括需要发送维护指令和不需要发送维护指令;
S209.利用第二训练样本训练预设的第二预测模型,直至满足训练停止条件,得到训练后的第二预测模型。
在一个示例中,如图3所示,第二预测模型可以是BP神经网络模型,可以根据样本数据与第一输出层的关系,通过BP算法对第一隐含层的自动编码器进行调整,获得参数预测模型。通过样本数据和输出层得到的分类器,通过监督学习进行微调,训练完成后,利用标签数据集通过BP算法同时调整整个深度学习网络所有层参数以达到全局最优。
基于上述实施例提供的一种基站确定方法,相应地,本申请实施例提供一种基站确定装置,请参考图4,包括:
第一获取模块401,被配置为获取来自5G小基站的性能数据信息,性能数据信息包括多个特征数据;
第一模型预测模块402,被配置为将多个特征数据输入到预先训练的第一预测模型中,得到5G小基站的多个特征预测数据;
第一判断模块403,被配置为在5G小基站的任一特征预测数据不满足预设条件时,确定5G小基站为目标5G小基站。
本申请提供的一种基站确定装置,能够自动确定问题小基站,提高了确定问题基站的效率,节约了人工成本;相比人工判断,降低了出现判断失误的几率,而且降低了对个人经验的依赖,更加便于推广使用。
在一个实施例中,该基站确定装置还可以包括第二获取模块和模型训练模块。
第二获取模块,被配置为获取训练样本集,所述训练样本集包括多个训练样本,每个所述训练样本包括多个特征数据及与其对应的多个特征标签数据,所述特征标签数据为所述5G基站在运行预设时间后的所述特征数据;
第一模型训练模块,被配置为利用所述训练样本训练预设的第一预测模型,直至满足训练停止条件,得到训练后的第一预测模型。
在一个示例中,第一模型训练模块具体被配置为对每个训练样本,分别执行以下步骤:
将所述多个特征数据输入至预设第一预测模型中,得到多个特征预测数据;
根据所述特征预测数据和所述特征标签数据,确定所述第一预测模型的损失函数值;
在所述损失函数值不满足训练停止条件的情况下,调整所述第一预测模型的模型参数,并利用所述训练样本集训练参数调整后的第一预测模型,直至满足所述训练停止条件,得到训练后的第一预测模型。
在一个示例中,第二获取模块可以包括第一获取子模块和样本构建子模块。
第一获取子模块,被配置为获取多个5G小基站的历史数据信息,每个所述历史数据信息包括多个特征数据及与其对应的多个特征标签数据;
样本集构建子模块,被配置为将同一个5G小基站的多个特征数据及与其对应的多个特征标签数据作为一个训练样本,以得到所述训练样本集。
在一个示例中,样本集构建子模块,具体被配置为在同一个5G小基站的每个所述特征数据和所述特征标签数据的值,在预设取值范围内时,将同一个5G小基站的多个特征数据及与其对应的多个特征标签数据作为一个训练样本,以得到所述训练样本集。
在一个实施例中,该基站确定装置还可以包括第二模型预测模块和第二判断模块。
第二模型预测模块,被配置为将所述5G小基站的多个特征预测数据输入到预先训练的第二预测模型中,得到是否需要维护所述5G小基站的预测结果。
第二判断模块,被配置为在所述预测结果为需要维护所述5G小基站时,向所述5G小基站发送目标维护指令,以使所述5G小基站根据所述目标维护指令作出调整,满足预设条件。
在一个示例中,第二判断模块可以具体包括第一判断子模块和第一发送子模块。
第一判断子模块,被配置为根据预设的特征指令映射关系与所述多个特征预测数据,确定与所述多个特征预测数据对应的目标维护指令;
第一发送子模块,被配置为向所述5G小基站发送所述目标维护指令。
在一个示例中,该基站确定装置还可以包括第三获取模块、第一信息处理模块、第二信息处理模块、第二模型训练模块。
第三获取模块,被配置为获取第二训练样本,所述第二训练样本包括非标签样本和标签样本;
第一信息处理模块,被配置为根据非标签样本构建多个第一隐含层的自动编码器;
第二信息处理模块,被配置为根据预设参数配置确定第一输出层,第一输出层包括需要发送维护指令和不需要发送维护指令;
第二模型训练模块,被配置为利用所述第二训练样本训练预设的第二预测模型,直至满足训练停止条件,得到训练后的第二预测模型。
上述各实施例提供的基站确定方法可以由图5所示的基站确定设备执行。
基站确定设备可以包括处理器501以及存储有计算机程序指令的存储器502。
具体地,上述处理器501可以包括中央处理器(Central Processing Unit,CPU),或者特定集成电路(Application Specific Integrated Circuit,ASIC),或者可以被配置成实施本发明实施例的一个或多个集成电路。
存储器502可以包括用于数据或指令的大容量存储器。举例来说而非限制,存储器502可包括硬盘驱动器(Hard Disk Drive,HDD)、软盘驱动器、闪存、光盘、磁光盘、磁带或通用串行总线(Universal Serial Bus,USB)驱动器或者两个或更多个以上这些的组合。在一个实例中,存储器502可以包括可移除或不可移除(或固定)的介质,或者存储器502是非易失性固态存储器。存储器502可在综合网关容灾设备的内部或外部。
在一个实例中,存储器502可以是只读存储器(Read Only Memory,ROM)。在一个实例中,该ROM可以是掩模编程的ROM、可编程ROM(PROM)、可擦除PROM(EPROM)、电可擦除PROM(EEPROM)、电可改写ROM(EAROM)或闪存或者两个或更多个以上这些的组合。
存储器502可以包括只读存储器(ROM),随机存取存储器(RAM),磁盘存储介质设备,光存储介质设备,闪存设备,电气、光学或其他物理/有形的存储器存储设备。因此,通常,存储器包括一个或多个编码有包括计算机可执行指令的软件的有形(非暂态)计算机可读存储介质(例如,存储器设备),并且当该软件被执行(例如,由一个或多个处理器)时,其可操作来执行参考根据本公开的一方面的方法所描述的操作。
处理器501通过读取并执行存储器502中存储的计算机程序指令,以实现上述任一实施例提供的定位5G网络干扰源的方法,并达到该方法达到的相应技术效果,为简洁描述在此不再赘述。
在一个示例中,基站确定设备还可包括通信接口503和总线510。其中,如图5所示,处理器501、存储器502、通信接口503通过总线510连接并完成相互间的通信。
通信接口503,主要用于实现本发明实施例中各模块、装置、单元和/或设备之间的通信。
总线510包括硬件、软件或两者,将在线数据流量计费设备的部件彼此耦接在一起。举例来说而非限制,总线可包括加速图形端口(Accelerated Graphics Port,AGP)或其他图形总线、增强工业标准架构(Extended Industry Standard Architecture,EISA)总线、前端总线(Front Side Bus,FSB)、超传输(Hyper Transport,HT)互连、工业标准架构(Industry Standard Architecture,ISA)总线、无限带宽互连、低引脚数(LPC)总线、存储器总线、微信道架构(MCA)总线、外围组件互连(PCI)总线、PCI-Express(PCI-X)总线、串行高级技术附件(SATA)总线、视频电子标准协会局部(VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下,总线510可包括一个或多个总线。尽管本发明实施例描述和示出了特定的总线,但本发明考虑任何合适的总线或互连。
该基站确定设备能够自动确定问题小基站,提高了确定问题基站的效率,节约了人工成本;相比人工判断,降低了出现判断失误的几率,而且降低了对个人经验的依赖,更加便于推广使用。
结合上述实施例中的基站确定方法,本发明实施例可提供一种计算机存储介质来实现。该计算机存储介质上存储有计算机程序指令;该计算机程序指令被处理器执行时实现上述实施例中的任意一种基站确定方法。
需要明确的是,本发明并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见,这里省略了对已知方法的详细描述。在上述实施例中,描述和示出了若干具体的步骤作为示例。但是,本发明的方法过程并不限于所描述和示出的具体步骤,本领域的技术人员可以在领会本发明的精神后,作出各种改变、修改和添加,或者改变步骤之间的顺序。
以上所述的结构框图中所示的功能块可以实现为硬件、软件、固件或者它们的组合。当以硬件方式实现时,其可以例如是电子电路、专用集成电路(Application SpecificIntegrated Circuit,ASIC)、适当的固件、插件、功能卡等。当以软件方式实现时,本发明的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中,或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、ROM、闪存、可擦除ROM(EROM)、软盘、CD-ROM、光盘、硬盘、光纤介质、射频(RadioFrequency,RF)链路,等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。
还需要说明的是,本发明中提及的示例性实施例,基于一系列的步骤或者装置描述一些方法或系统。但是,本发明不局限于上述步骤的顺序,也就是说,可以按照实施例中提及的顺序执行步骤,也可以不同于实施例中的顺序,或者若干步骤同时执行。
上面参考根据本公开的实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各方面。应当理解,流程图和/或框图中的每个方框以及流程图和/或框图中各方框的组合可以由计算机程序指令实现。这些计算机程序指令可被提供给通用计算机、专用计算机、或其它可编程数据处理装置的处理器,以产生一种机器,使得经由计算机或其它可编程数据处理装置的处理器执行的这些指令使能对流程图和/或框图的一个或多个方框中指定的功能/动作的实现。这种处理器可以是但不限于是通用处理器、专用处理器、特殊应用处理器或者现场可编程逻辑电路。还可理解,框图和/或流程图中的每个方框以及框图和/或流程图中的方框的组合,也可以由执行指定的功能或动作的专用硬件来实现,或可由专用硬件和计算机指令的组合来实现。
以上所述,仅为本发明的具体实施方式,所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的系统、模块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。应理解,本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种基站确定方法,其特征在于,包括:
获取来自5G小基站的性能数据信息,所述性能数据信息包括多个特征数据;
将所述多个特征数据输入到预先训练的第一预测模型中,得到所述5G小基站的多个特征预测数据;
在所述5G小基站的任一特征预测数据不满足预设条件时,确定所述5G小基站为目标5G小基站;
将所述目标5G小基站的多个特征预测数据输入到预先训练的第二预测模型中,得到是否需要维护所述目标5G小基站的预测结果;
在所述预测结果为需要维护所述目标5G小基站时,向所述目标5G小基站发送目标维护指令,以使所述目标5G小基站根据所述目标维护指令作出调整,满足预设条件。
2.根据权利要求1所述的方法,其特征在于,所述将所述多个特征数据输入到预先训练的第一预测模型中之前,所述方法还包括:
获取训练样本集,所述训练样本集包括多个训练样本,每个所述训练样本包括多个特征数据及与其对应的多个特征标签数据,所述特征标签数据为所述5G基站在运行预设时间后的所述特征数据;
利用所述训练样本训练预设的第一预测模型,直至满足训练停止条件,得到训练后的第一预测模型。
3.根据权利要求2所述的方法,其特征在于,所述利用所述训练样本训练预设的第一预测模型,直至满足训练停止条件,得到训练后的第一预测模型,具体包括:
对每个训练样本,分别执行以下步骤:
将所述多个特征数据输入至预设第一预测模型中,得到多个特征预测数据;
根据所述特征预测数据和所述特征标签数据,确定所述第一预测模型的损失函数值;
在所述损失函数值不满足训练停止条件的情况下,调整所述第一预测模型的模型参数,并利用所述训练样本集训练参数调整后的第一预测模型,直至满足所述训练停止条件,得到训练后的第一预测模型。
4.根据权利要求2所述的方法,其特征在于,所述获取训练样本集,包括:
获取多个5G小基站的历史数据信息,每个所述历史数据信息包括多个特征数据及与其对应的多个特征标签数据;
将同一个5G小基站的多个特征数据及与其对应的多个特征标签数据作为一个训练样本,以得到所述训练样本集。
5.根据权利要求4所述的方法,其特征在于,所述将同一个5G小基站的多个特征数据及与其对应的多个特征标签数据作为一个训练样本,以得到所述训练样本集,具体包括:
在同一个5G小基站的每个所述特征数据和所述特征标签数据的值,在预设取值范围内时,将同一个5G小基站的多个特征数据及与其对应的多个特征标签数据作为一个训练样本,以得到所述训练样本集。
6.根据权利要求1所述的方法,其特征在于,所述在所述预测结果为需要维护所述目标5G小基站时,向所述目标5G小基站发送维护指令,具体包括:
根据预设的特征指令映射关系与所述多个特征预测数据,确定与所述多个特征预测数据对应的目标维护指令;
向所述目标5G小基站发送所述目标维护指令。
7.根据权利要求1所述的方法,其特征在于,所述将所述目标5G小基站的多个特征预测数据输入到预先训练的第二预测模型中之前,所述方法还包括:
获取第二训练样本,所述第二训练样本包括非标签样本和标签样本;
根据非标签样本构建多个第一隐含层的自动编码器;
根据预设参数配置确定第一输出层,第一输出层包括需要发送维护指令和不需要发送维护指令;
利用所述第二训练样本训练预设的第二预测模型,直至满足训练停止条件,得到训练后的第二预测模型。
8.一种基站确定装置,其特征在于,包括:
第一获取模块,被配置为获取来自5G小基站的性能数据信息,所述性能数据信息包括多个特征数据;
第一模型预测模块,被配置为将所述多个特征数据输入到预先训练的第一预测模型中,得到所述5G小基站的多个特征预测数据;
第一判断模块,被配置为在所述5G小基站的任一特征预测数据不满足预设条件时,确定所述5G小基站为目标5G小基站;
第二模型预测模块,被配置为将所述目标5G小基站的多个特征预测数据输入到预先训练的第二预测模型中,得到是否需要维护所述目标5G小基站的预测结果;
第二判断模块,被配置为在所述预测结果为需要维护所述目标5G小基站时,向所述目标5G小基站发送目标维护指令,以使所述目标5G小基站根据所述目标维护指令作出调整,满足预设条件。
9.一种基站确定设备,其特征在于,所述设备包括:处理器,以及存储有计算机程序指令的存储器;所述处理器读取并执行所述计算机程序指令,以实现如权利要求1-7任意一项所述的基站确定方法。
10.一种计算机存储介质,其特征在于,所述计算机存储介质上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现如权利要求1-7任意一项所述的基站确定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011436589.1A CN114630356B (zh) | 2020-12-11 | 2020-12-11 | 一种基站确定方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011436589.1A CN114630356B (zh) | 2020-12-11 | 2020-12-11 | 一种基站确定方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114630356A CN114630356A (zh) | 2022-06-14 |
CN114630356B true CN114630356B (zh) | 2024-02-27 |
Family
ID=81896135
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011436589.1A Active CN114630356B (zh) | 2020-12-11 | 2020-12-11 | 一种基站确定方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114630356B (zh) |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101202676A (zh) * | 2007-09-28 | 2008-06-18 | 中国移动通信集团福建有限公司 | 无线故障管理系统装置 |
CN105050170A (zh) * | 2015-06-30 | 2015-11-11 | 东南大学 | 一种异构网络中基于流量预测的基站休眠方法 |
CN107371175A (zh) * | 2017-08-17 | 2017-11-21 | 东南大学 | 一种使用协作预测的自组织网络故障检测方法 |
CN109345302A (zh) * | 2018-09-27 | 2019-02-15 | 腾讯科技(深圳)有限公司 | 机器学习模型训练方法、装置、存储介质和计算机设备 |
CN109548057A (zh) * | 2018-12-18 | 2019-03-29 | 广州旭隆通信科技有限公司 | 一种基站监控和维护的方法及系统 |
CN109586950A (zh) * | 2018-10-18 | 2019-04-05 | 锐捷网络股份有限公司 | 网络场景识别方法、网络管理设备、系统及存储介质 |
CN109640340A (zh) * | 2018-12-25 | 2019-04-16 | 中国联合网络通信集团有限公司 | 基站数据处理方法、装置、设备及计算机可读存储介质 |
CN109788489A (zh) * | 2019-02-21 | 2019-05-21 | 中国联合网络通信集团有限公司 | 一种基站规划方法及装置 |
WO2019144078A1 (en) * | 2018-01-19 | 2019-07-25 | Hughes Network Systems, Llc | User terminal handover prediction in wireless communications systems with nonstationary communications platforms |
CN110795657A (zh) * | 2019-09-25 | 2020-02-14 | 腾讯科技(深圳)有限公司 | 文章推送及模型训练方法、装置、存储介质和计算机设备 |
CN110929733A (zh) * | 2019-12-09 | 2020-03-27 | 上海眼控科技股份有限公司 | 除噪方法、装置、计算机设备、存储介质及模型训练方法 |
CN110968075A (zh) * | 2019-12-13 | 2020-04-07 | 南京航空航天大学 | 一种基于主动学习自组织蜂窝网络的故障诊断方法及系统 |
CN111163484A (zh) * | 2018-11-07 | 2020-05-15 | 中国移动通信集团湖南有限公司 | 基站故障的预测方法及装置 |
CN111210024A (zh) * | 2020-01-14 | 2020-05-29 | 深圳供电局有限公司 | 模型训练方法、装置、计算机设备和存储介质 |
CN111860868A (zh) * | 2020-07-27 | 2020-10-30 | 深圳前海微众银行股份有限公司 | 训练样本构建方法、装置、设备及计算机可读存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11159408B2 (en) * | 2019-06-25 | 2021-10-26 | Intel Corporation | Link performance prediction technologies |
-
2020
- 2020-12-11 CN CN202011436589.1A patent/CN114630356B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101202676A (zh) * | 2007-09-28 | 2008-06-18 | 中国移动通信集团福建有限公司 | 无线故障管理系统装置 |
CN105050170A (zh) * | 2015-06-30 | 2015-11-11 | 东南大学 | 一种异构网络中基于流量预测的基站休眠方法 |
CN107371175A (zh) * | 2017-08-17 | 2017-11-21 | 东南大学 | 一种使用协作预测的自组织网络故障检测方法 |
WO2019144078A1 (en) * | 2018-01-19 | 2019-07-25 | Hughes Network Systems, Llc | User terminal handover prediction in wireless communications systems with nonstationary communications platforms |
CN109345302A (zh) * | 2018-09-27 | 2019-02-15 | 腾讯科技(深圳)有限公司 | 机器学习模型训练方法、装置、存储介质和计算机设备 |
CN109586950A (zh) * | 2018-10-18 | 2019-04-05 | 锐捷网络股份有限公司 | 网络场景识别方法、网络管理设备、系统及存储介质 |
CN111163484A (zh) * | 2018-11-07 | 2020-05-15 | 中国移动通信集团湖南有限公司 | 基站故障的预测方法及装置 |
CN109548057A (zh) * | 2018-12-18 | 2019-03-29 | 广州旭隆通信科技有限公司 | 一种基站监控和维护的方法及系统 |
CN109640340A (zh) * | 2018-12-25 | 2019-04-16 | 中国联合网络通信集团有限公司 | 基站数据处理方法、装置、设备及计算机可读存储介质 |
CN109788489A (zh) * | 2019-02-21 | 2019-05-21 | 中国联合网络通信集团有限公司 | 一种基站规划方法及装置 |
CN110795657A (zh) * | 2019-09-25 | 2020-02-14 | 腾讯科技(深圳)有限公司 | 文章推送及模型训练方法、装置、存储介质和计算机设备 |
CN110929733A (zh) * | 2019-12-09 | 2020-03-27 | 上海眼控科技股份有限公司 | 除噪方法、装置、计算机设备、存储介质及模型训练方法 |
CN110968075A (zh) * | 2019-12-13 | 2020-04-07 | 南京航空航天大学 | 一种基于主动学习自组织蜂窝网络的故障诊断方法及系统 |
CN111210024A (zh) * | 2020-01-14 | 2020-05-29 | 深圳供电局有限公司 | 模型训练方法、装置、计算机设备和存储介质 |
CN111860868A (zh) * | 2020-07-27 | 2020-10-30 | 深圳前海微众银行股份有限公司 | 训练样本构建方法、装置、设备及计算机可读存储介质 |
Non-Patent Citations (3)
Title |
---|
"S5-092244 32821-120_revmarks".3GPP tsg_sa\WG5_TM.2009,全文. * |
A_study_on_single-cell_point-to-multipoint_transmission_for_public_safety_communications_with_eMBMS_LTE_networks;Toms;《IEEE XPLORE》;全文 * |
基于深度学习的自然语言处理...的发展及其在农业领域的应用;崔运鹏;《中国优秀硕士学位论文全文数据库(电子期刊)信息科技辑》;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114630356A (zh) | 2022-06-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109996246B (zh) | 基站小区的节能方法、装置、设备及介质 | |
US9961571B2 (en) | System and method for a multi view learning approach to anomaly detection and root cause analysis | |
CN106533623B (zh) | 跨协议通信方法及装置 | |
CN109451589B (zh) | Lte载波调度方法、装置、设备及计算机存储介质 | |
CN107113634A (zh) | 用于优化小区专用天线配置参数的方法和设备 | |
CN109981234B (zh) | 双载波和载波聚合的自适应调整方法、装置、设备及介质 | |
CN109874104B (zh) | 用户位置定位方法、装置、设备及介质 | |
CN110213784B (zh) | 一种流量预测方法及装置 | |
Honghao et al. | Spectrum anomalies autonomous detection in cognitive radio using hidden markov models | |
CN114666224A (zh) | 业务资源容量动态分配方法、装置、设备及存储介质 | |
CN109993183B (zh) | 网络故障评估方法、装置、计算设备及存储介质 | |
CN109362092B (zh) | 网络参数调整方法、装置、设备及介质 | |
CN110620626B (zh) | 一种频率自动选择方法及装置 | |
CN114630356B (zh) | 一种基站确定方法、装置、设备及存储介质 | |
Boutiba et al. | Radio link failure prediction in 5G networks | |
CN112787878A (zh) | 一种网络指标的预测方法及电子设备 | |
Toufga et al. | Effective prediction of V2I link lifetime and vehicle's next cell for software defined vehicular networks: A machine learning approach | |
CN101765161A (zh) | 一种链路自适应方法及装置 | |
CN103281716B (zh) | 一种基于信道场景分类的移动通信信号的信噪比预测方法 | |
CN109041009B (zh) | 一种车联网上行功率分配方法及装置 | |
CN109996274B (zh) | Lte小区参数的调整方法、装置、设备及介质 | |
CN112235821B (zh) | 一种基于ai模型的异频信号强度预测方法 | |
CN109993388B (zh) | 劣化小区主因判断方法、装置、设备及介质 | |
CN115460711B (zh) | 业务流量分流方法、装置、电子设备和存储介质 | |
CN105430675A (zh) | 基于td-lte网络频谱感知的智能基站的优化方法 |
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 |