CN114828124B - 一种目标基站的确定方法及装置 - Google Patents
一种目标基站的确定方法及装置 Download PDFInfo
- Publication number
- CN114828124B CN114828124B CN202210524656.8A CN202210524656A CN114828124B CN 114828124 B CN114828124 B CN 114828124B CN 202210524656 A CN202210524656 A CN 202210524656A CN 114828124 B CN114828124 B CN 114828124B
- Authority
- CN
- China
- Prior art keywords
- base station
- terminal
- neural network
- network model
- information
- 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 50
- 238000003062 neural network model Methods 0.000 claims abstract description 56
- 238000012549 training Methods 0.000 claims abstract description 34
- 230000006870 function Effects 0.000 claims description 25
- 239000013598 vector Substances 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 16
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 10
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 claims description 6
- 230000006403 short-term memory Effects 0.000 claims description 4
- 235000002020 sage Nutrition 0.000 claims description 2
- 238000004891 communication Methods 0.000 abstract description 27
- 230000015654 memory Effects 0.000 description 18
- 239000011159 matrix material Substances 0.000 description 17
- 238000005070 sampling Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000002776 aggregation Effects 0.000 description 4
- 238000004220 aggregation Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 230000004931 aggregating effect Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 206010010947 Coordination abnormal Diseases 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W36/00—Hand-off or reselection arrangements
- H04W36/0005—Control or signalling for completing the hand-off
- H04W36/0055—Transmission or use of information for re-establishing the radio link
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W36/00—Hand-off or reselection arrangements
- H04W36/08—Reselecting an access point
-
- 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)
Abstract
本申请公开了一种目标基站的确定方法及装置,涉及通信技术领域。解决了现有技术中,终端在切换过程中确定目标基站时,根据基站信息或终端信息选择的目标基站可能无法保障移动终端在切换后具备良好的信号,以及无法在切换过程中为用户提供良好的使用体验的问题。具体方案为:首先,获取多个基站数据信息,以及与每个基站连接的终端连接信息;其次基于基站信息和终端连接信息,构建终端‑基站异构图并得到训练样本数据;接着根据终端‑基站异构图构建图神经网络模型;然后根据训练样本数据对图神经网络模型进行训练,得到训练后的图神经网络模型;最后采用训练后的图神经网络模型确定目标基站。
Description
技术领域
本申请涉及通信技术领域,尤其涉及一种目标基站的确定方法及装置。
背景技术
目前,移动状态中的终端进行基站切换时(例如用户处于高铁、汽车等高速移动的场景),终端所在区域经常会处于多个基站的重叠覆盖区域内,在多个候选基站中确定目标基站时,通常依据基站信息或终端信息确定目标基站。
但是,根据基站信息或终端信息选择的目标基站可能无法保障移动终端在切换后具备良好的信号,以及无法在切换过程中为用户提供良好的使用体验。
发明内容
本申请实施例提供一种目标基站的确定方法及装置,解决了终端在切换过程中确定目标基站时,根据基站信息或终端信息选择的目标基站可能无法保障移动终端在切换后具备良好的信号,以及无法在切换过程中为用户提供良好的使用体验的问题。为解决上述技术问题,本申请实施例提供如下技术方案:
一方面,提供一种目标基站的确定方法,该方法包括:
首先,获取多个基站数据信息,以及与每个基站连接的多个终端连接信息;其次基于基站信息和终端连接信息构建终端-基站异构图,并得到训练样本数据;接着根据终端-基站异构图构建图神经网络模型;然后根据训练样本数据对图神经网络模型进行训练,得到训练后的图神经网络模型;最后采用训练后的图神经网络模型确定目标基站。
在一些实施例中,终端-基站异构图包括基站节点、终端节点、多个基站节点之间的连接关系,以及终端节点和基站节点之间的连接关系。
基于本方案,通过构建终端-基站异构图,考虑终端和基站的空间位置以及实际连接关系,能够避免仅根据邻区列表确定目标基站时,出现终端不能连接目标基站的情况,使得目标基站的确定更准确,选取最优基站进行切换,能够在切换过程中为用户提供良好的使用体验。
在一些实施例中,基站信息包括第一流量数据,该第一流量数据为第一终端切换至第一基站时,预设时间内第一基站的流量数据,第一基站为多个基站中的任意一个基站,第一终端为第一基站连接的任意一个终端,训练样本数据包括实际切换平稳度。
在一些实施例中,根据基站信息和终端信息,得到训练样本数据,包括:根据第一流量数据,采用预设时序算法预测第二流量数据,该第二流量数据为第一终端不切换至第一基站时,预设时间内第一基站的流量数据;根据第一流量数据与第二流量数据,确定实际切换平稳度。
在一些实施例中,预设时序算法包括长短期记忆网络LSTM或差分自回归移动平均模型ARIMA。
在一些实施例中,训练样本数据还包括处理后的终端连接信息,以及终端-基站异构图中的连接关系。
在一些实施例中,根据样本数据对图神经网络模型进行训练,得到训练后的图神经网络模型,包括:将处理后的终端连接信息,以及终端-基站异构图中的连接关系输入图神经网络模型,得到预测切换平稳度;根据实际切换平稳度和预测切换平稳度,确定损失函数;根据损失函数调整该图神经网络模型的参数;将损失函数收敛时的图神经网络模型确定为训练后的图神经网络模型。
在一些实施例中,采用训练后的图神经网络模型确定目标基站,包括:采用处理后的终端连接信息,以及终端-基站异构图中的连接关系,输入图神经网络模型,得到每个基站对应的预测切换平稳度;将最小的预测切换平稳度对应的基站确定为目标基站。
在一些实施例中,根据终端-基站异构图构建图神经网络模型,包括:根据基站信息确定每个基站节点的初始向量,根据终端连接信息确定每个终端节点的初始向量;根据基站节点的初始向量、终端节点的初始向量以及终端-基站异构图中的连接关系,通过GraphSAGE算法计算每个终端节点和每个基站节点的embedding;对基站节点的embedding与终端节点的embedding进行点积运算,得到图神经网络模型的预测切换平稳度。
基于本方案,通过基于基站数据和终端连接数据构建图神经网络模型,定义切换平稳度训练模型,确定预测切换平稳度最低的基站为切换过程中的目标基站。这样一来,能够提高目标基站的平稳度,更好的保障切换过程中用户的感受,尤其适用于高铁、汽车等高速移动的场景,能够提高资源利用率和业务连续性。
再一方面,提供一种目标基站的确定装置,该装置包括收发单元和处理单元,该收发单元,用于收发信息,或者用于与其他网元通信;该处理单元,用于执行计算机程序指令,以实现如上述任一方面的目标基站的确定方法。
另一方面,提供一种计算机可读存储介质,该计算机可读存储介质中具有计算机程序代码,当该计算机程序代码在处理器上运行时,使得处理器执行如上述任一方面的目标基站的确定方法。
又一方面,提供一种计算机程序产品,该计算机程序产品包括程序指令,该程序指令被执行时,以实现如上述任一方面的目标基站的确定方法。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种通信设备的框图;
图2为本申请实施例提供的一种目标基站的确定方法的流程图;
图3为本申请实施例提供的一种终端-基站异构图;
图4为本申请实施例提供的一种计算实际切换平稳度的流程图;
图5为本申请实施例提供的又一种目标基站的确定方法的流程图;
图6为本申请实施例提供的一种节点的邻居节点示意图;
图7为本申请实施例提供的一种聚合函数GraphSAGE聚合邻居节点蕴含的信息示意图;
图8为本申请实施例提供的一种目标基站的确定装置的结构图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
在本申请实施例中,为了便于清楚描述本申请实施例的技术方案,采用了“第一”、“第二”等字样对功能和作用基本相同的相同项或相似项进行区分。本领域技术人员可以理解“第一”、“第二”等字样并不对数量和执行次序进行限定,并且“第一”、“第二”等字样也并不限定一定不同。该“第一”、第二”描述的技术特征间无先后顺序或者大小顺序。
在本申请实施例中,“示例性的”或者“例如”等词用于表示作例子、例证或说明。本申请实施例中被描述为“示例性的”或者“例如”的任何实施例或设计方案不应被解释为比其它实施例或设计方案更优选或更具优势。确切而言,使用“示例性的”或者“例如”等词旨在以具体方式呈现相关概念,便于理解。
在本申请的描述中,除非另有说明,“/”表示前后关联的对象是一种“或”的关系,例如,A/B可以表示A或B;本申请中的“和/或”仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况,其中A,B可以是单数或者复数。并且,在本申请的描述中,除非另有说明,“多个”是指两个或多于两个。“以下至少一项(个)”或其类似表达,是指的这些项中的任意组合,包括单项(个)或复数项(个)的任意组合。例如,a,b,或c中的至少一项(个),可以表示:a,b,c,a-b,a-c,b-c,或a-b-c,其中a,b,c可以是单个,也可以是多个。
在本申请实施例中,至少一个还可以描述为一个或多个,多个可以是两个、三个、四个或者更多个,本申请不做限制。
为了解决终端在切换过程中根据基站信息或终端信息确定目标基站时,选择的目标基站可能无法保障移动终端在切换后具备良好的信号,以及无法在切换过程中为用户提供良好的使用体验的问题。本申请实施例提供一种目标基站的确定方法,通过在确定目标基站时,综合考虑基站信息以及与基站连接的终端连接信息,能够确保切换更平稳,更好的保障切换过程中用户的感受,提高资源利用率和业务连续性。
本申请提供的目标基站的确定方法可以应用于图1所示的通信设备,该通信设备可以为下述实施例中的基站,或设置于基站中的芯片或装置,或与基站通信的服务器,本申请实施例对此并不进行限定。如图1所示,该通信设备100包括至少一个处理器101,存储器102、收发器103以及通信总线104。
下面结合图1对该通信设备的各个构成部件进行具体的介绍:
处理器101是通信设备的控制中心,可以是一个处理器,也可以是多个处理元件的统称。例如,处理器101是一个中央处理器(central processing unit,CPU),也可以是特定集成电路(Application Specific Integrated Circuit,ASIC),或者是被配置成实施本发明实施例的一个或多个集成电路,例如:一个或多个微处理器(digital signalprocessor,DSP),或,一个或者多个现场可编程门阵列(Field Programmable Gate Array,FPGA)。
其中,处理器101可以通过运行或执行存储在存储器102内的软件程序,以及调用存储在存储器102内的数据,执行通信设备的各种功能。
在具体的实现中,作为一种实施例,处理器101可以包括一个或多个CPU,例如图1中所示的CPU0和CPU1。
在具体实现中,作为一种实施例,通信设备可以包括多个处理器,例如图1中所示的处理器101和处理器105。这些处理器中的每一个可以是一个单核处理器(single-CPU),也可以是一个多核处理器(multi-CPU)。这里的处理器可以指一个或多个通信设备、电路、和/或用于处理数据(例如计算机程序指令)的处理核。
存储器102可以是只读存储器(read-only memory,ROM)或可存储静态信息和指令的其他类型的静态存储通信设备,随机存取存储器(random access memory,RAM)或者可存储信息和指令的其他类型的动态存储通信设备,也可以是电可擦可编程只读存储器(Electrically Erasable Programmable Read-Only Memory,EEPROM)、只读光盘(CompactDisc Read-Only Memory,CD-ROM)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通信设备、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102可以是独立存在,通过通信总线104与处理器101相连接。存储器102也可以和处理器101集成在一起。
其中,所述存储器102用于存储执行本发明方案的软件程序,并由处理器101来控制执行。
收发器103,用于与其他通信设备之间进行通信。当然,收发器103还可以用于与通信网络通信,如以太网,无线接入网(radio access network,RAN),无线局域网(WirelessLocal Area Networks,WLAN)等。收发器103可以包括接收单元实现接收功能,以及发送单元实现发送功能。
通信总线104,可以是工业标准体系结构(Industry Standard Architecture,ISA)总线、外部通信设备互连(Peripheral Component,PCI)总线或扩展工业标准体系结构(Extended Industry Standard Architecture,EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。为便于表示,图1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。
图1中示出的通信设备结构并不构成对通信设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
图2为本申请实施例提供的一种目标基站的确定方法的流程图,如图2所示,该方法包括步骤201-步骤205。
步骤201、获取基站信息,以及与该基站连接的多个终端连接信息。
在一些实施例中,步骤201可以获取多个基站信息,以及与每个基站连接的多个终端连接信息。该基站信息和终端连接信息可以通过基站管理系统获得,本申请对于获取基站信息和终端连接信息的方式、基站数量、基站连接的终端数量并不限定。
示例性的,基站信息可以包括基站的流量信息以及基站的空间信息。终端连接信息包括预设时间内,基站接入的终端数量、各个终端业务量、终端切入切出信息等。基站信息和终端连接信息的内容如表1所示。
表1、信息类别及信息内容
在一些实施例中,由于基站与基站之间、基站与终端之间存在连接关系,一个基站或终端不仅会对自身产生影响,还会影响周边的基站和终端。例如,一个基站的流量数据缺失时,删除该基站的流量数据可能会导致误差较大。因此如果某个基站的流量数据缺失,可以对该基站进行数据异常值处理,例如平均值补齐。通过计算其他基站的流量数据的平均值,并将该平均值作为该流量数据缺失基站的流量数据。
步骤202、根据基站信息,以及终端连接信息,构建终端-基站异构图并得到训练样本数据。
终端-基站异构图中包括两种节点和两种连接关系。两种节点包括:基站节点和终端节点。基站节点包括预设空间范围内的所有基站。终端节点指一段时间内,接入预设空间范围内的基站的所有终端。两种连接关系包括:预设空间范围内的多个基站之间的连接关系,以及基站和终端之间的连接关系。基站和基站之间的连接关系可以指在空间位置上相邻的多个基站的相邻关系。例如,可以判断两个基站是否处于同一交通干线沿线且相邻,如果是,那么这两个基站可以建立相邻关系。基站和终端之间的连接关系指基站和终端相连。例如,终端接入基站时,该终端和该基站之间可以建立连接关系。
例如,以一段高速沿线包括5个基站节点,分别用a1、a2、a3、a4、a5表示,5个终端节点,分别用b1、b2、b3、b4、b5表示,基站之间的连接关系用虚线表示,基站和终端之间的连接关系用实线表示为例。如图3所示的终端-基站异构图,由于基站a2与基站a3在空间位置上相邻,基站a4与基站a5在空间位置上相邻,因此基站和基站之间的连接关系包括:a2-a3、a4-a5。由于终端b3接入基站a1、终端b1接入基站a2、终端b2接入基站a2、终端b5接入基站a3、终端b4接入基站a4。因此,基站与终端之间的连接关系包括:a1-b3、a2-b1、a2-b2、a2-b3、a3-b5、a4-b4、a4-b5。
训练样本数据包括:处理后的终端连接信息、终端-基站异构图中的连接关系,以及实际切换平稳度。该终端-基站异构图中的连接关系包括终端和基站之间的连接关系,以及基站与基站之间的连接关系。
切换平稳度用于判断切换的质量。切换平稳度的数值越低,切换质量越高,切换越平稳;切换平稳度的数值越高,切换质量越低,切换越波动。切换平稳度包括实际切换平稳度和预测切换平稳度,该预测切换平稳度为根据图神经网络模型得到的切换平稳度。实际切换平稳度用Q表示,预测切换平稳度用Q’表示。
在一些实施例中,根据基站信息和终端连接信息计算实际切换平稳度Q的计算过程如图4所示,具体包括:步骤2021-步骤2023。
步骤2021、根据基站信息获取第一流量数据。
第一流量数据h为第一终端切换至第一基站时,预设时间内的第一基站的流量数据。该第一终端切换至第一基站的时刻可以记为t1,第一流量数据可以用h表示。该第一基站可以为多个基站中的任意一个基站,第一终端可以为第一基站连接的任意一个终端。也就是说,对于每个基站和接入该基站的每个终端,都会对应一组第一流量数据。
在一些实施例中,第一流量数据可以为连续数据,也可以为离散数据。通常情况下,为了降低功耗,在不影响数据质量的情况下减少获取流量数据的频次,每间隔固定时长获取一次流量数据,此时第一流量数据为离散数据。当获取流量数据的频次足够高时,第一流量数据为连续数据。
步骤2022、根据第一流量数据,采用预设时序算法预测第二流量数据。
第二流量数据为第一终端不切换至第一基站时,预设时间内第一基站的流量数据。该第二流量数据可以用h’表示。
在一些实施例中,预设时序算法可以为预设时间序列预测模型,该预设时间序列预测模型包括:长短期记忆网络(long short term memory,LSTM)、差分自回归移动平均模型(Auto Regression Integreate Moving Average,ARIMA)等,本申请实施例对预设时间序列预测模型的类型并不限定,下述实施例以预设时间序列预测模型为ARIMA为例进行示例性说明。
示例性的,第二流量数据可以为连续数据,也可以为离散数据。当第一流量数据为连续数据时,第二流量数据为连续数据。当第一流量数据为离散数据时,第二流量数据为离散数据。
例如,以第一流量数据为离散数据为例,首先,将预设时间t2内的一组第一流量数据输入ARIMA模型,确定模型参数。然后,根据ARIMA模型,预测第一终端不切换至第一基站时的流量数据曲线。最后,在流量数据曲线上选取对应时刻的流量数据得到一组第二流量数据h’。也就是说,对预设时间内的每个采样时刻而言,可以对应切换基站时的第一流量数据,以及不切换基站时的第二流量数据。
步骤2023、根据第一流量数据和第二流量数据计算实际切换平稳度。
当第一流量数据h为连续数据时,实际切换平稳度Q的计算公式如下:
其中,t1为第一终端切换至第一基站的时刻,t2为预设时间,h为第一流量数据,h′为第二流量数据。当第一流量数据h为离散数据时,实际切换平稳度Q的计算公式如下:
其中,n为预设时间内采样点的个数,i为第i个采样点,hi为第i个采样点的第一流量数据,hi′为第i个采样点的第二流量数据。
步骤203、根据终端-基站异构图构建图神经网络模型。
在一些实施例中,如图5所示,步骤203包括步骤2031-步骤2033。
步骤2031、根据基站信息确定每个基站节点的初始向量,根据终端连接信息确定每个终端节点的初始向量。
步骤2032、根据基站节点的初始向量、终端节点的初始向量以及终端-基站异构图中的连接关系,通过GraphSAGE算法计算每个终端节点和每个基站节点的embedding。
下面对采样GraphSAGE算法计算终端节点和基站节点的embedding的方式进行说明。
首先,对终端-基站异构图中每个终端节点和每个基站节点的邻居节点进行采样。结合图3,以计算基站节点a3的embedding为例,该基站节点a3的邻居节点包括终端节点和其他基站节点。如图6所示,基站节点a3一共存在三层邻居节点,邻居节点层数用K表示。第一层即K=1时,基站节点a3的邻居节点包括:终端节点b5和基站节点a2;第二层即K=2时,基站节点a3的邻居节点包括:终端节点b1、b2、b3和基站节点a4;第三层即K=3时,基站节点a3的邻居节点包括:终端节点b4、基站节点a1和a5。
其次,对每个节点进行2至4轮的信息更新,每轮随机选取预设个数的邻居节点,根据聚合函数GraphSAGE聚合邻居节点蕴含的信息。
例如,以基站节点存在20个邻居节点为例,每轮随机选取5个邻居节点对该基站节点进行更新,经过多轮邻居节点的随机选取,可以在保证能够完整聚合邻居节点信息的情况下减少计算。本申请实施例对信息更新的轮数、随机选取邻居节点的预设个数并不限定。
在GraphSAGE中,第k-1层的节点信息是这样聚合到第k层的:
当层级layer=k时,在聚合邻居节点信息过程中,将所有邻居节点的embedding:再加上节点的上一层embedding:/>进行正则化后,通过激活函数来得到此节点在layer=k时的embedding。
在K层节点聚合完成后,将每个节点每层的embedding连接起来,作为该节点最终的embedding。
根据聚合函数GraphSAGE聚合邻居节点蕴含的信息过程如图7所示,基站节点的embedding表示为xa1、xa2、xa3等,终端节点的embedding表示为xb1、xb2、xb3等,其中w(k) 1、w(k) 2表示权重。如图7所示,左半边用于计算基站节点的embedding,右半边用于计算终端节点的embedding。具体包括:节点的初始embedding(也称为初始向量)经过EmbeddingPropagation Layers嵌入传播层聚合邻居节点信息,经过K层传播后,通过predictionlayer预测层整合多层嵌入预测得到K个关于节点的向量表达,使用concatenate连接函数将K个节点的向量连接得到该节点的最终embedding。
步骤2033、对基站节点的embedding和终端节点的embedding进行点积运算,得到图神经网络模型的预测切换平稳度值。
步骤204、根据训练样本数据对图神经网络模型进行训练,得到训练后的图神经网络模型。
在一些实施例中,步骤204可以包括:首先,将处理后的终端连接信息,以及终端-基站异构图中的连接关系输入图神经网络模型,得到预测切换平稳度;其次,根据实际切换平稳度和预测切换平稳度,确定损失函数;再根据损失函数调整图神经网络模型的参数;最后,将损失函数收敛时的图神经网络模型确定为训练后的图神经网络模型。
在训练图神经网络模型时,可以将切换平稳度作为优化目标,损失函数Loss为对多个训练样本数据预测切换平稳度Q’与实际切换平稳度Q的差值进行求和,损失函数Loss公式如下:
Loss=∑i(Q′i-Qi);
其中,i为训练样本数据的个数,Q′i为第i个训练样本数据的预测切换平稳度,Qi为第i个训练样本数据的实际切换平稳度。
示例性的,在训练图神经网络模型时,可以选用RMSprop作为优化器,每次在训练样本数据中随机选择一个数据作为训练实例输入图神经网络模型,并将图神经网络模型中的每个参数按其负梯度方向更新。得到训练后的图神经网络模型能够较为准确地预测切换平稳度。
步骤205、采用训练后的图神经网络模型确定目标基站。
在一些实施例中,终端连接信息包括:一段时间内,基站接入的终端数量、各个终端业务量以及终端切入切出信息。对终端连接信息进行初始编码可以采用数据拼接方式,例如以分隔符为“-”,一段时间内基站接入的终端数量为100,终端业务量为2000,已占用流量为100MB为例,以上终端信息经过初始编码后为:100-2000-100。
在一些实施例中,终端-基站异构图中的连接关系可以用矩阵、数据表以及向量表示。本申请实施例连接关系的表示形式并不限定。
示例性的,以基站节点分别为a1、a2、a3、a4、a5。终端节点分别为b1、b2、b3、b4、b5。基站节点a1和a4,a2和a5之间存在连接关系,基站节点a1与终端节点b2、b3之间存在连接关系为例,当连接关系的表示形式为数据表时,如表2所示:
表2、连接关系种类及连接关系数据
连接关系种类 | 连接关系数据 |
基站之间的连接关系 | a1-a4、a2-a5 |
基站和终端之间连接关系 | a1-b2、a1-b3 |
示例性的,当基站-基站连接关系用矩阵A表示时,5*5矩阵中5行分别表示基站节点a1、a2、a3、a4、a5。5列分别表示基站节点a1、a2、a3、a4、a5。矩阵元素包括0和1,矩阵元素为0表示基站之间无连接关系,矩阵元素为1表示基站之间存在连接关系。例如基站节点a1与a4存在连接关系,则矩阵的第一行第四列元素A14、矩阵的第四行第一列元素A41的值为1。基站节点a2与a5存在连接关系,则矩阵的第二行第五列元素A25、矩阵的第五行第二列元素A52的值为1。基站之间的连接关系矩阵A如下:
示例性的,当基站和终端之间的连接关系用矩阵B表示时,5*5矩阵中5行分别表示基站节点a1、a2、a3、a4、a5。5列分别表示终端节点b1、b2、b3、b4、b5。矩阵元素包括0和1,矩阵元素为0表示基站与终端之间无连接关系,矩阵元素为1表示基站与终端之间存在连接关系。例如基站节点a1与终端节点b2存在连接关系,则矩阵的第一行第二列元素B12的值为1。基站节点a1与终端节点b3存在连接关系,则矩阵的第一行第三列元素B13的值为1。基站和终端之间的连接关系矩阵B如下:
示例性的,上述步骤205可以包括:将处理后的终端连接信息,以及终端-基站异构图中的连接关系,输入训练后的图神经网络模型,预测终端切换至不同基站时的预测切换平稳度,可以得到每个基站对应的预测切换平稳度。并将最小的预测切换平稳度对应的基站确定为目标基站。
本申请提供的目标基站的确定方法,通过获取基站信息和终端连接信息,构建终端-基站异构图和图神经网络模型,并将切换平稳度作为目标训练图神经网络模型,选择图神经网络模型输出的预测切换平稳度最低的基站作为目标基站。能够综合考虑基站信息和终端信息,提高目标基站的平稳度,更好的保障切换过程中用户的感受,尤其适用于高铁、汽车等高速移动的场景,能够提高资源利用率和业务连续性。
本申请实施例提供一种目标基站的确定装置。如图8所示,该目标基站的确定装置800可以为上述实施例中的基站或基站中的装置,例如芯片,或与基站通信的服务器,目标基站的确定装置800可以用于实现上述任一实施例涉及基站或与基站通信的服务器的方法和功能。
该目标基站的确定装置800可以包括收发单元801和处理单元802。收发单元用于支持目标基站的确定装置800与终端或基站之间进行通信。处理单元用于对上述目标基站的确定装置800的动作进行控制管理,用于执行上述实施例中由基站或与基站通信的服务器进行的处理。可选的,目标基站的确定装置800还可以包括存储单元,处理单元802还可以执行存储在存储单元中的程序或指令,以使得目标基站的确定装置800实现上述任一实施例所涉及的方法和功能。
示例性的,上述收发单元801可以用于获取多个基站信息,以及与每个基站连接的终端连接信息。处理单元802可以用于基于基站信息和终端连接信息,构建终端-基站异构图并得到训练样本数据;并根据终端-基站异构图构建图神经网络模型;根据训练样本数据对图神经网络模型进行训练,得到训练后的图神经网络模型;采用训练后的图神经网络模型确定目标基站。
结合本发明公开内容所描述的方法或者算法的步骤可以硬件的方式来实现,也可以是由处理器执行软件指令的方式来实现。例如:上述的处理模块可以由处理器实现,获取模块可以由收发器或者其他就有信号接收功能的电路实现。
本发明实施例还提供一种存储介质,该存储介质可以包括存储器,用于储存为上述目标基站的确定方法的计算机软件指令,其包含执行上述方法所设计的程序代码。软件指令可以由相应的软件模块组成,软件模块可以被存放于随机存取存储器(Random AccessMemory,RAM)、闪存、只读存储器(Read Only Memory,ROM)、可擦除可编程只读存储器(Erasable Programmable ROM,EPROM)、电可擦可编程只读存储器(Electrically EPROM,EEPROM)、寄存器、硬盘、移动硬盘、只读光盘(CD-ROM)或者本领域熟知的任何其它形式的存储介质中。一种示例性的存储介质耦合至处理器,从而使处理器能够从该存储介质读取信息,且可向该存储介质写入信息。当然,存储介质也可以是处理器的组成部分。
本发明实施例还提供一种计算机程序,该计算机程序可直接加载到存储器中,并含有软件代码,该计算机程序经由计算机载入并执行后能够实现上述目标基站的确定方法。
本领域技术人员应该可以意识到,在上述一个或多个示例中,本发明所描述的功能可以用硬件、软件、固件或它们的任意组合来实现。当使用软件实现时,可以将这些功能存储在计算机可读介质中或者作为计算机可读介质上的一个或多个指令或代码进行传输。计算机可读介质包括计算机存储介质和通信介质,其中通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。存储介质可以是通用或专用计算机能够存取的任何可用介质。
以上,仅为本发明的具体实施方式,但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,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (6)
1.一种目标基站的确定方法,其特征在于,所述方法包括:
获取多个基站信息,以及与每个所述基站连接的多个终端连接信息,其中,所述基站信息包括第一流量数据,所述第一流量数据为第一终端切换至第一基站时,预设时间内所述第一基站的流量数据,所述第一基站为所述多个基站中的任意一个基站,所述第一终端为所述第一基站连接的任意一个终端;
基于所述基站信息和所述终端连接信息,构建终端-基站异构图并得到训练样本数据,其中,所述终端-基站异构图包括基站节点、终端节点、多个所述基站节点之间的连接关系,以及所述终端节点和所述基站节点之间的连接关系,所述训练样本数据包括实际切换平稳度;
根据所述终端-基站异构图构建图神经网络模型;
根据所述训练样本数据对所述图神经网络模型进行训练,得到训练后的图神经网络模型;
采用所述训练后的图神经网络模型确定目标基站;其中,
所述根据所述基站信息和所述终端信息,得到训练样本数据,包括:
根据所述第一流量数据,采用预设时序算法预测第二流量数据,所述第二流量数据为所述第一终端不切换至所述第一基站时,所述预设时间内所述第一基站的流量数据;
根据所述第一流量数据与所述第二流量数据,确定所述实际切换平稳度;以及
所述训练样本数据还包括处理后的所述终端连接信息,以及所述终端-基站异构图中的连接关系;所述根据所述样本数据对所述图神经网络模型进行训练,得到训练后的图神经网络模型,包括:
将处理后的所述终端连接信息,以及所述终端-基站异构图中的连接关系输入所述图神经网络模型,得到预测切换平稳度;
根据所述实际切换平稳度和所述预测切换平稳度,确定损失函数;
根据所述损失函数调整所述图神经网络模型的参数;
将所述损失函数收敛时的图神经网络模型确定为所述训练后的图神经网络模型。
2.根据权利要求1所述的方法,其特征在于,所述预设时序算法包括长短期记忆网络LSTM或差分自回归移动平均模型ARIMA。
3.根据权利要求1所述的方法,其特征在于,所述采用所述训练后的图神经网络模型确定目标基站,包括:
采用处理后的终端连接信息,以及所述终端-基站异构图中的连接关系,输入所述图神经网络模型,得到每个所述基站对应的所述预测切换平稳度;
将最小的所述预测切换平稳度对应的基站确定为所述目标基站。
4.根据权利要求1-3中任一项所述的方法,其特征在于,所述根据所述终端-基站异构图构建图神经网络模型,包括:
根据所述基站信息确定每个基站节点的初始向量,根据所述终端连接信息确定每个终端节点的初始向量;
根据所述基站节点的初始向量、所述终端节点的初始向量以及所述终端-基站异构图中的连接关系,通过GraphSAGE算法计算每个终端节点和每个基站节点的embedding;
对所述基站节点的embedding与所述终端节点的embedding进行点积运算,得到所述图神经网络模型的预测切换平稳度。
5.一种目标基站的确定装置,其特征在于,所述目标基站的确定装置包括收发单元和处理单元,所述收发单元,用于收发信息,或者用于与其他网元通信;所述处理单元,用于执行计算机程序指令,以实现如权利要求1-4中任一项所述的目标基站的确定方法。
6.一种计算机可读存储介质,所述计算机可读存储介质中具有计算机程序代码,其特征在于,当所述计算机程序代码在处理器上运行时,使得所述处理器执行如权利要求1-4中任一项所述的目标基站的确定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210524656.8A CN114828124B (zh) | 2022-05-13 | 2022-05-13 | 一种目标基站的确定方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210524656.8A CN114828124B (zh) | 2022-05-13 | 2022-05-13 | 一种目标基站的确定方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114828124A CN114828124A (zh) | 2022-07-29 |
CN114828124B true CN114828124B (zh) | 2023-07-14 |
Family
ID=82514794
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210524656.8A Active CN114828124B (zh) | 2022-05-13 | 2022-05-13 | 一种目标基站的确定方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114828124B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108459792A (zh) * | 2018-01-25 | 2018-08-28 | 阿里巴巴集团控股有限公司 | 一种流量切换方法、装置、及计算机设备 |
CN110545568A (zh) * | 2019-10-15 | 2019-12-06 | 中国联合网络通信集团有限公司 | 异构网络切换方法、切换装置、控制设备及存储介质 |
CN113132479A (zh) * | 2021-04-16 | 2021-07-16 | 北京百度网讯科技有限公司 | 流量切换、模型生成方法、装置、设备、存储介质及程序 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210329522A1 (en) * | 2020-04-17 | 2021-10-21 | Hewlett Packard Enterprise Development Lp | Learning-driven low latency handover |
-
2022
- 2022-05-13 CN CN202210524656.8A patent/CN114828124B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108459792A (zh) * | 2018-01-25 | 2018-08-28 | 阿里巴巴集团控股有限公司 | 一种流量切换方法、装置、及计算机设备 |
WO2019144769A1 (zh) * | 2018-01-25 | 2019-08-01 | 阿里巴巴集团控股有限公司 | 一种流量切换方法、装置、及计算机设备 |
CN110545568A (zh) * | 2019-10-15 | 2019-12-06 | 中国联合网络通信集团有限公司 | 异构网络切换方法、切换装置、控制设备及存储介质 |
CN113132479A (zh) * | 2021-04-16 | 2021-07-16 | 北京百度网讯科技有限公司 | 流量切换、模型生成方法、装置、设备、存储介质及程序 |
Non-Patent Citations (2)
Title |
---|
基于AIC方法的切换神经网络模型设计;连捷;张凯;;大连理工大学学报(第06期);全文 * |
基于加速度预测的异构网络切换算法;王良鸿;郑华;陈由甲;陈顺凡;陈荣;余自锋;;计算机系统应用(第06期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114828124A (zh) | 2022-07-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11132608B2 (en) | Learning-based service migration in mobile edge computing | |
US10031945B2 (en) | Automated outlier detection | |
CN112422644B (zh) | 计算任务卸载方法及系统、电子设备和存储介质 | |
CN113128678A (zh) | 神经网络的自适应搜索方法及装置 | |
CN113326126A (zh) | 任务处理方法、任务调度方法、装置及计算机设备 | |
CN113472844B (zh) | 面向车联网的边缘计算服务器部署方法、装置及设备 | |
CN111122222A (zh) | 一种样本点位置确定方法及系统 | |
CN114205317B (zh) | 基于sdn与nfv的服务功能链sfc资源分配方法及电子设备 | |
CN114828124B (zh) | 一种目标基站的确定方法及装置 | |
CN111565065B (zh) | 一种无人机基站部署方法、装置及电子设备 | |
Wang et al. | Resource allocation based on Radio Intelligence Controller for Open RAN towards 6G | |
CN113868808A (zh) | 一种道路网络临近检测时延优化方法、装置和系统 | |
CN116996938A (zh) | 车联网任务卸载方法、终端设备及存储介质 | |
CN115525394A (zh) | 容器数量的调整方法及装置 | |
CN115238775A (zh) | 模型构建方法 | |
CN114916013A (zh) | 基于车辆轨迹预测的边缘任务卸载时延优化方法、系统及介质 | |
CN114418059A (zh) | 一种信息处理方法及装置 | |
CN113014302A (zh) | 一种面向卫星网络的网络功能服务链部署方法 | |
US20230171205A1 (en) | Information processing apparatus and information processing method | |
US20220121922A1 (en) | System and method for automated optimazation of a neural network model | |
CN112579246B (zh) | 虚拟机迁移处理方法及装置 | |
CN115914217A (zh) | 多边缘节点协作的资源分配方法、边缘节点及装置 | |
CN114637606A (zh) | 基于配电台区配变网关的任务卸载方法、装置和设备 | |
CN118282471A (zh) | 卫星通信网络带宽资源的分配方法及相关设备 | |
Wen et al. | Learning-based Big Data Sharing Incentive in Mobile AIGC Networks |
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 |