CN115225140A - 一种卫星寻呼方法、装置、电子设备及存储介质 - Google Patents
一种卫星寻呼方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN115225140A CN115225140A CN202210835681.8A CN202210835681A CN115225140A CN 115225140 A CN115225140 A CN 115225140A CN 202210835681 A CN202210835681 A CN 202210835681A CN 115225140 A CN115225140 A CN 115225140A
- Authority
- CN
- China
- Prior art keywords
- target
- time
- data
- user terminal
- time interval
- 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
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B7/00—Radio transmission systems, i.e. using radiation field
- H04B7/14—Relay systems
- H04B7/15—Active relay systems
- H04B7/185—Space-based or airborne stations; Stations for satellite systems
- H04B7/1853—Satellite systems for providing telephony service to a mobile station, i.e. mobile satellite service
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B7/00—Radio transmission systems, i.e. using radiation field
- H04B7/14—Relay systems
- H04B7/15—Active relay systems
- H04B7/185—Space-based or airborne stations; Stations for satellite systems
- H04B7/1853—Satellite systems for providing telephony service to a mobile station, i.e. mobile satellite service
- H04B7/18558—Arrangements for managing communications, i.e. for setting up, maintaining or releasing a call between stations
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W28/00—Network traffic management; Network resource management
- H04W28/02—Traffic management, e.g. flow control or congestion control
- H04W28/06—Optimizing the usage of the radio link, e.g. header compression, information sizing, discarding information
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W68/00—User notification, e.g. alerting and paging, for incoming communication, change of service or the like
- H04W68/02—Arrangements for increasing efficiency of notification or paging channel
-
- 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)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Astronomy & Astrophysics (AREA)
- Aviation & Aerospace Engineering (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供了一种卫星寻呼方法、装置、电子设备及存储介质,属于通信技术领域,该方法包括:获取多个用户终端的历史状态数据,历史状态数据包括时间、用户终端位置以及用户终端的开关机状态;基于历史状态数据,确定目标开关机时间预测模型;利用目标开关机时间预测模型,确定在待预测时间段内每个用户终端的开机时间区间;向目标用户终端发起寻呼,目标用户终端是当前时间点所处的开机时间区间对应的用户终端。通过采用上述卫星寻呼方法、装置、电子设备及存储介质,解决了持续不断地向用户终端发送寻呼时,会导致大量的卫星通信资源被浪费的问题。
Description
技术领域
本申请涉及通信技术领域,具体而言,涉及一种卫星寻呼方法、装置、电子设备及存储介质。
背景技术
在移动通信系统中,当用户终端(User Equipment,UE)进入省电模式时,卫星的接入和移动性管理功能(Access and Mobility Management Function,AMF)会认为用户终端不可达,因此,当用户终端重新进入卫星覆盖区域时,卫星会向用户终端发起寻呼。
目前,寻呼机制是通过基于覆盖信息的卫星节能技术实现的,但该卫星节能技术无法感知到用户终端处于开机状态还是关机状态,因此,卫星会持续尝试向用户终端发送寻呼,直至寻呼成功。
然而,持续不断地向用户终端发送寻呼,会导致大量的卫星通信资源被浪费的问题。
发明内容
有鉴于此,本申请的目的在于提供一种卫星寻呼方法、装置、电子设备及存储介质,以解决持续不断地向用户终端发送寻呼,会导致大量的卫星通信资源被浪费的问题。
第一方面,本申请实施例提供了一种卫星寻呼方法,包括:
获取多个用户终端的历史状态数据,历史状态数据包括时间、用户终端位置以及用户终端的开关机状态;
基于历史状态数据,确定目标开关机时间预测模型;
利用目标开关机时间预测模型,确定在待预测时间段内每个用户终端的开机时间区间;
向目标用户终端发起寻呼,目标用户终端是当前时间点所处的开机时间区间对应的用户终端。
可选地,基于历史状态数据,确定目标开关机时间预测模型,包括:对历史状态数据进行数据预处理,获取多个关键时段特征数据;将目标关键时段特征数据输入至开关机时间预测模型,获得目标时段中每个用户终端的开机信息,开机信息包括预计开机时间区间;利用目标时段的预计开机时间区间以及实际开机时间区间对开关机时间预测模型进行优化,获得目标开关机时间预测模型。
可选地,目标时段中每个用户终端的开机信息包括目标关键时段特征数据的特征权重;利用目标时段的预计开机时间区间以及实际开机时间区间对开关机时间预测模型进行优化,获得目标开关机时间预测模型,包括:将目标时段的预计开机时间区间与目标时段的实际开机时间区间输入至损失函数,确定开关机时间预测模型的预测结果是否符合预测精度要求;若不符合预测精度要求,基于特征权重,重新选取目标关键时段特征数据,特征权重是目标关键时段特征数据的权重;调整模型参数,返回执行将目标关键时段特征数据输入至开关机时间预测模型,获得目标时段中每个用户终端的开机信息的步骤。
可选地,基于特征权重,重新选取目标关键时段特征数据,包括:按照特征权重从大到小的顺序对目标关键时段特征数据进行排名;选取排名靠前的预设数量的目标关键时段特征数据作为重新选取的目标关键时段特征数据。
可选地,目标开关机时间预测模型为决策树模型。
可选地,决策树模型包括基于直方图的决策树算法、带深度限制的Leaf-wise算法、单边梯度采样算法以及互斥特征捆绑算法。
可选地,对历史状态数据进行数据预处理,获取多个关键时段特征数据,包括:对历史状态数据进行缺失值处理以及离群值处理,获得完整的历史状态数据;针对完整的历史状态数据进行数据标准化处理,获得归一化历史状态数据;针对归一化历史状态数据进行特征编码与选择处理,获取多个关键时段特征数据。
第二方面,本申请实施例还提供了一种卫星寻呼装置,所述装置包括:
数据获取模块,用于获取多个用户终端的历史状态数据,历史状态数据包括时间、用户终端位置以及用户终端的开关机状态;
模型确定模块,用于基于历史状态数据,确定目标开关机时间预测模型;
时间确定模块,用于利用目标开关机时间预测模型,确定在待预测时间段内每个用户终端的开机时间区间;
寻呼模块,用于向目标用户终端发起寻呼,目标用户终端是当前时间点所处的开机时间区间对应的用户终端。
第三方面,本申请实施例还提供一种电子设备,包括:处理器、存储器和总线,所述存储器存储有所述处理器可执行的机器可读指令,当电子设备运行时,所述处理器与所述存储器之间通过总线通信,所述机器可读指令被所述处理器执行时执行如上述的卫星寻呼方法的步骤。
第四方面,本申请实施例还提供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,该计算机程序被处理器运行时执行如上述的卫星寻呼方法的步骤。
本申请实施例带来了以下有益效果:
本申请实施例提供的一种卫星寻呼方法、装置、电子设备及存储介质,能够根据用户终端的历史数据构建目标开关机时间预测模型,并利用目标开关机时间预测模型对待预测时间段内用户终端的开机时间区间进行预测,并在当前时间点处于预测的开机时间区间时向目标用户终端发送寻呼,避免了在无法感知到用户终端处于开机状态还是关机状态的情况下,卫星持续尝试向用户终端发送寻呼的状况发生,与现有技术中的卫星寻呼方法相比,解决了因卫星持续不断地向用户终端发送寻呼,导致的大量卫星通信资源被浪费的问题。
为使本申请的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1示出了本申请实施例所提供的卫星寻呼方法的流程图;
图2示出了本申请实施例所提供的卫星寻呼装置的结构示意图;
图3示出了本申请实施例所提供的电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中附图,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。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的每个其他实施例,都属于本申请保护的范围。
值得注意的是,在本申请提出之前,在移动通信系统中,当用户终端(UserEquipment,UE)进入省电模式时,卫星的接入和移动性管理功能(Access and MobilityManagement Function,AMF)会认为用户终端不可达,因此,当用户终端重新进入卫星覆盖区域时,卫星会向用户终端发起寻呼。目前,寻呼机制是通过基于覆盖信息的卫星节能技术实现的,但该卫星节能技术无法感知到用户终端处于开机状态还是关机状态,因此,卫星会持续尝试向用户终端发送寻呼,直至寻呼成功。然而,持续不断地向用户终端发送寻呼,会导致大量的卫星通信资源被浪费的问题。
基于此,本申请实施例提供了一种卫星寻呼方法,以提高卫星寻呼用户终端的效率。
请参阅图1,图1为本申请实施例所提供的一种卫星寻呼方法的流程图。如图1所示,本申请实施例提供的卫星寻呼方法,包括:
步骤S101,获取多个用户终端的历史状态数据。
该步骤中,用户终端可指用户终端设备,用户终端能够与卫星进行通信。
示例性的,用户终端包括但不限于:手机、计算机、网络设备。
历史状态数据可指表征用户终端状态的历史数据,历史状态数据用于训练开关机时间预测模型。
历史状态数据包括时间、用户终端位置以及用户终端的开关机状态。
示例性的,历史状态数据为数据集,数据集包括参数名和参数值,其中,参数名包括UE位置坐标信息、UE时间戳、UE唯一标识、UE开机与关机状态。
历史状态数据中的时间指的是UE时间戳,用户终端位置指的是UE位置坐标信息,用户终端的开关机状态指的是UE开机与关机状态。
UE唯一标识可以是设备识别码。
UE开机与关机的状态可以用0和1表示,用0表示关机,用1表示开机。
在本申请实施例中,可以从第三方获取多个用户终端的历史状态数据,这里,第三方可指拥有多个用户终端的历史状态数据的公司或机构,由于历史状态数据中包括了每个用户终端的UE位置坐标信息、UE时间戳、UE开机与关机状态,可以根据上述信息进行分析并建立开关机时间预测模型,以利用开关机时间预测模型来预测未来某个时间段中各个用户终端的开机时间,并在用户终端处于开机状态的情况下,向用户终端发起寻呼。
步骤S102,基于历史状态数据,确定目标开关机时间预测模型。
该步骤中,目标开关机时间预测模型可指预测用户终端的开机时间、关机时间的预测模型。
目标开关机时间预测模型用于预测用户终端在不同时刻的开关机状态。
示例性的,目标开关机时间预测模型的输出结果包括三项,分别为:第一项为用户终端标识,例如:用户终端A;第二项为时间段,例如:9:00至9:10;第三项为开关机状态,例如:1。
具体的,为了准确预测用户终端的开机时间,需要构建开关机时间预测模型,以利用构建的开关机时间预测模型进行开机时间预测。
在一可选实施例中,目标开关机时间预测模型为决策树模型。
目标开关机时间预测模型可以是决策树模型,也可以是神经网络模型。
具体的,决策树模型包括但不限于以下项中任意一项:ID3、C4.5、CART。
决策树模型是在已知各种情况发生概率的基础上,通过构成决策树来求取净现值的期望值大于等于零的概率,评价项目风险,判断其可行性的决策分析方法,是直观运用概率分析的一种图解法。
在一可选实施例中,决策树模型包括基于直方图的决策树算法、带深度限制的Leaf-wise算法、单边梯度采样算法以及互斥特征捆绑算法。
具体的,基于直方图的决策树算法用于遍历寻找连续特征最优分裂点。直方图的算法是把连续的浮点特征值离散化成k个整数,同时构造一个宽度为k的直方图,在遍历数据的时候,根据离散化后的值作为索引在直方图中累计统计量,当遍历一次数据后,直方图累积了需要的统计量,然后根据直方图的离散值,遍历寻找最优的分割点。基于直方图的决策树算法的输入的是连续的浮点特征值数据,输出的是最优的分割点。
带深度限制的Leaf-wise算法用于减小计算开销,当决策树每次分裂时,选择能够带来最大增益的叶子进行分裂。带深度限制的Leaf-wise算法是通过每次从当前所有的叶子中,找到分裂增益最大的一个叶子,然后分裂,如此循环,提高这个决策树的精度。带深度限制的Leaf-wise算法输入的是决策树模型,输出的是优化后的决策树模型。
单边梯度采样算法用于利用求得的梯度对样本进行筛选。单边梯度采样算法是对训练数据集采样的方法来减少计算目标函数增益时候的复杂度,首先选取前a%个大梯度值的训练样本,然后在剩余的(1-a%)的小梯度值的训练样本中随机选取b%。单边梯度采样算法输入的是训练数据,输出的是对训练数据进行单边梯度采样后的样本数据。其中,a和b都是设定的数值。
互斥特征捆绑用于利用稀疏性对特征进行无损合并。互斥特征捆包算法用于解决稀疏数据的问题,对不同维度的数据合并一起使得一个稀疏矩阵变成一个稠密矩阵,首先确定用于融合且效果较好的特征,接着将这些特征合并到一起。互斥特征捆绑输入的是特征F、最大冲突计量K,输出的是合并后的特征。
由于基于直方图的决策树算法、带深度限制的Leaf-wise算法、单边梯度采样算法以及互斥特征捆绑均为现有技术,这里不再赘述。
在一可选实施例中,基于历史状态数据,确定目标开关机时间预测模型,包括:对历史状态数据进行数据预处理,获取多个关键时段特征数据;将目标关键时段特征数据输入至开关机时间预测模型,获得目标时段中每个用户终端的开机信息,开机信息包括预计开机时间区间;利用目标时段的预计开机时间区间以及实际开机时间区间对开关机时间预测模型进行优化,获得目标开关机时间预测模型。
这里,开关机时间预测模型可指未经过模型训练的初始预测模型。
示例性的,开关机时间预测模型可以是LightGBM算法模型。
关键时段特征数据可指将终端状态相同的多个连续时间合并为同一时段的数据。
目标时段可指在训练预测模型的过程中要预测的时间范围,目标时段内的关键时段特征数据并未被输入至开关机时间预测模型中,而是作为评价开关机时间预测模型的预测精度的验证数据。
下面参照表1和表2来介绍历史状态数据与关键时段特征数据的区别。
表1:历史状态数据表。
用户终端标识 | 时间戳 | 终端状态 |
10101 | 1656559966 | 1 |
10101 | 1656559967 | 1 |
10101 | 1656559968 | 1 |
10101 | 1656559969 | 0 |
10101 | 1656559970 | 0 |
10101 | 1656559971 | 0 |
10101 | 1656559972 | 1 |
10101 | 1656559973 | 1 |
10101 | 1656559974 | 1 |
如表1所示,历史状态数据表中记录了标识为10101的用户终端在多个时间点的终端状态,其中,假设表1中多个时间戳从上到下分别代表2022年6月30日9:00:01至9:00:09。可见,9:00:01至9:00:03的终端状态均为开机状态,9:00:04至9:00:06的终端状态均为关机状态,9:00:07至9:00:09的终端状态均为开机状态。为了将这些历史状态数据输入至开关机时间预测模型中,需要将多个终端状态相同且连续的时间点进行合并得到对应的关键时段特征数据,即,得到如表2所示形式的数据。
表2:关键时段特征数据。
用户终端标识 | 时间区间 | 终端状态 |
10101 | 1656559966-1656559968 | 1 |
10101 | 1656559969-1656559971 | 0 |
10101 | 1656559972-1656559974 | 1 |
如表2所示,由于9:00:01至9:00:03的终端状态均为开机状态且为连续的时间点,因此,将这些时间点进行合并得到表2中的第一条数据,依此类推,可以获得每个用户终端分别对应的多个关键时段特征数据。
以利用9月1日至9月6日的历史状态数据来预测9月7日的用户终端开关时间为例,则目标时段为9月7日;以利用10月1日至10月5日的历史状态数据来预测10月6日的用户终端开关时间为例,则目标时段为10月6日。同时,历史状态数据中也包括了目标时段中用户终端的实际开关机状态数据,因此,可以利用目标时段中用户终端的实际开关机状态数据对预测结果的准确性进行评估。
具体的,历史状态数据是原始状态数据,原始状态数据包括了异常数据,也包括关键时段特征数据外的其他数据,需要对历史状态数据进行数据预处理,然后,将经过数据预处理后得到数据输入至开关机时间预测模型进行模型训练。在对开关机时间预测模型进行训练的过程中,可以根据模型输出结果与实际结果相比较的方式,确定是否需要对开关机时间预测模型进行进一步的更新迭代。其中,开关机时间预测模型的输出结果与表2相同,也包括了用户终端标识、时间区间以及终端状态,这里的时间区间是预计的时间区间,终端状态包括0和1,分别表示关机状态和开机状态。
在一可选实施例中,对历史状态数据进行数据预处理,获取多个关键时段特征数据,包括:对历史状态数据进行缺失值处理以及离群值处理,获得完整的历史状态数据;针对完整的历史状态数据进行数据标准化处理,获得归一化历史状态数据;针对归一化历史状态数据进行特征编码与选择处理,获取多个关键时段特征数据。
具体的,数据预处理包括缺失值处理、离群值处理、数据标准化处理以及特征编码与选择处理。
其中,缺失值处理可指对历史状态数据中的缺失值进行插值处理,插值处理属于现有技术,这里不再赘述。
离群值处理可指对历史状态数据中超出设定范围的数值进行剔除处理,离群值处理属于现有技术,这里不再赘述。
数据标准化处理可指对历史状态数据进行归一化处理,归一化处理属于现有技术,这里不再赘述。
特征编码与选择处理可指对历史状态数据中同一用户终端对应的多个终端状态相同且时间点连续的数据进行合并处理,特征编码与选择处理用于从归一化历史数据中获取关键时段特征数据。
步骤S103,利用目标开关机时间预测模型,确定在待预测时间段内每个用户终端的开机时间区间。
该步骤中,待预测时间段可指当前时间点之后的时间段,待预测时间段与历史状态数据中的时间区间没有交集。
以当前时间点为2022年9月9日为例,则历史状态数据对应的时间区间为9月9日之前的时间,而待预测时间段是9月9日之后的时间,例如:9月10日。
示例性的,待预测时间段可以是几个小时,也可以是1天,还可以是1周,待预测时间段的区间长度本领域技术人员可以根据实际情况进行选择,本申请在此不作限定。
在本申请实施例,假设目标开关机时间预测模型是利用8月1日至8月5日这5天的数据训练得到的,则可将9月3日至9月8日的关键时段特征数据输入至目标开关机时间预测模型预测获得9月9日的开机时间区间,9月9日即为待预测时间段。
在一可选实施例中,目标时段中每个用户终端的开机信息包括目标关键时段特征数据的特征权重;利用目标时段的预计开机时间区间以及实际开机时间区间对开关机时间预测模型进行优化,获得目标开关机时间预测模型,包括:将目标时段的预计开机时间区间与目标时段的实际开机时间区间输入至损失函数,确定开关机时间预测模型的预测结果是否符合预测精度要求;若不符合预测精度要求,基于特征权重,重新选取目标关键时段特征数据,特征权重是目标关键时段特征数据的权重;调整模型参数,返回执行将目标关键时段特征数据输入至开关机时间预测模型,获得目标时段中每个用户终端的开机信息的步骤。
这里,开机信息可指开关机时间预测模型的输出结果,开关机时间预测模型是未训练完成的预测模型,需要输出更多的信息以对开关机时间预测模型进行优化。
开机信息包括预计开机时间区间、目标关键时段特征数据的特征权重以及模型参数。
开机信息用于确定开关机时间预测模型的预测精度以及目标关键时段特征数据。
模型参数可指LightGBM算法的参数,模型参数包括学习率、叶子数目、估计量、子样本数、最小子节点权重、最小子节点样本数。
特征权重可指目标关键时段特征数据对应的权重。
具体的,可通过损失函数来判断开关机时间预测模型的预测结果是否符合预测精度要求,先将目标时段的预计开机时间区间与目标时段的实际开机时间区间分别输入至损失函数中,损失函数能够衡量出预计开机时间区间与实际开机时间区间之间的差异大小,差异越大则说明预测精度越低,差异越小则预测精度越高,由于损失函数确定真实值与观测值的差距大小属于现有技术,这里不再赘述。如果损失函数确定预测精度未达到要求,则根据开机信息中的特征权重,重新选取目标关键时段特征数据,重新调整模型参数,并利用重新选取的目标关键时段特征数据以及模型参数重新迭代训练开关机时间预测模型,直至预测结果达到预测精度要求,则将此时的开关机时间预测模型作为目标开关机时间预测模型。
在一可选实施例中,基于特征权重,重新选取目标关键时段特征数据,包括:按照特征权重从大到小的顺序对目标关键时段特征数据进行排名;选取排名靠前的预设数量的目标关键时段特征数据作为重新选取的目标关键时段特征数据。
这里,在重新选择目标关键时段特征数据时,首先对原目标关键时段特征数据对应的特征权重按照从大到小的顺序进行排名,假设,原目标关键时段特征数据为10个,排名后选取前8个特征权重对应的目标关键时段特征数据作为重新选择的目标关键时段特征数据,将重新选择的8个目标关键时段特征数据输入至开关机时间预测模型进行训练,直至开关机时间预测模型的预测结果符合预测精度要求。
步骤S104,向目标用户终端发起寻呼。
该步骤中,目标用户终端是当前时间点所处的开机时间区间对应的用户终端。
在本申请实施例中,用户终端为多个,每个用户终端在待预测时间段内的开机时间区间也为多个,则判断当前时间点处于哪几个开机时间区间内,将当前时间点所处的开机时间区间作为目标开机时间区间,将目标开机时间区间对应的用户终端作为目标用户终端,向这些目标用户终端发起寻呼。
假设,当前时间点为11点11分,共有3个开机时间区间包括了11点11分,则将这3个开机时间区间作为目标开机时间区间,并将这3个开机时间区间对应的用户终端作为目标用户终端。
与现有技术中卫星寻呼方法相比,本申请能够根据用户终端的历史数据构建目标开关机时间预测模型,并利用目标开关机时间预测模型对待预测时间段内用户终端的开机时间区间进行预测,并在当前时间点处于预测的开机时间区间时向目标用户终端发送寻呼,避免了在无法感知到用户终端处于开机状态还是关机状态的情况下,卫星持续尝试向用户终端发送寻呼的状况发生,解决了因卫星持续不断地向用户终端发送寻呼,导致的大量卫星通信资源被浪费的问题。
基于同一发明构思,本申请实施例中还提供了与卫星寻呼方法对应的卫星寻呼装置,由于本申请实施例中的装置解决问题的原理与本申请实施例上述卫星寻呼方法相似,因此装置的实施可以参见方法的实施,重复之处不再赘述。
请参阅图2,图2为本申请实施例所提供的一种卫星寻呼装置的结构示意图。如图2中所示,所述卫星寻呼装置200包括:
数据获取模块201,用于获取多个用户终端的历史状态数据,历史状态数据包括时间、用户终端位置以及用户终端的开关机状态;
模型确定模块202,用于基于历史状态数据,确定目标开关机时间预测模型;
时间确定模块203,用于利用目标开关机时间预测模型,确定在待预测时间段内每个用户终端的开机时间区间;
寻呼模块204,用于向目标用户终端发起寻呼,目标用户终端是当前时间点所处的开机时间区间对应的用户终端。
请参阅图3,图3为本申请实施例所提供的一种电子设备的结构示意图。如图3中所示,所述电子设备300包括处理器310、存储器320和总线330。
所述存储器320存储有所述处理器310可执行的机器可读指令,当电子设备300运行时,所述处理器310与所述存储器320之间通过总线330通信,所述机器可读指令被所述处理器310执行时,可以执行如上述图1所示方法实施例中的卫星寻呼方法的步骤,具体实现方式可参见方法实施例,在此不再赘述。
本申请实施例还提供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,该计算机程序被处理器运行时可以执行如上述图1所示方法实施例中的卫星寻呼方法的步骤,具体实现方式可参见方法实施例,在此不再赘述。
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。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其它的方式实现。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,又例如,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通信接口,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,在本申请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,可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解,本申请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)执行本申请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、只读存储器(Read-OnlyMemory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上所述实施例,仅为本申请的具体实施方式,用以说明本申请的技术方案,而非对其限制,本申请的保护范围并不局限于此,尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种卫星寻呼方法,其特征在于,包括:
获取多个用户终端的历史状态数据,所述历史状态数据包括时间、用户终端位置以及用户终端的开关机状态;
基于所述历史状态数据,确定目标开关机时间预测模型;
利用所述目标开关机时间预测模型,确定在待预测时间段内每个用户终端的开机时间区间;
向目标用户终端发起寻呼,所述目标用户终端是当前时间点所处的开机时间区间对应的用户终端。
2.根据权利要求1所述的方法,其特征在于,所述基于所述历史状态数据,确定目标开关机时间预测模型,包括:
对所述历史状态数据进行数据预处理,获取多个关键时段特征数据;
将目标关键时段特征数据输入至开关机时间预测模型,获得目标时段中每个用户终端的开机信息,开机信息包括预计开机时间区间;
利用目标时段的预计开机时间区间以及实际开机时间区间对开关机时间预测模型进行优化,获得目标开关机时间预测模型。
3.根据权利要求2所述的方法,其特征在于,所述目标时段中每个用户终端的开机信息包括目标关键时段特征数据的特征权重;
所述利用目标时段的预计开机时间区间以及实际开机时间区间对开关机时间预测模型进行优化,获得目标开关机时间预测模型,包括:
将目标时段的预计开机时间区间与目标时段的实际开机时间区间输入至损失函数,确定开关机时间预测模型的预测结果是否符合预测精度要求;
若不符合预测精度要求,基于所述特征权重,重新选取目标关键时段特征数据,所述特征权重是目标关键时段特征数据的权重;
调整模型参数,返回执行将目标关键时段特征数据输入至开关机时间预测模型,获得目标时段中每个用户终端的开机信息的步骤。
4.根据权利要求3所述的方法,其特征在于,所述基于所述特征权重,重新选取目标关键时段特征数据,包括:
按照特征权重从大到小的顺序对所述目标关键时段特征数据进行排名;
选取排名靠前的预设数量的目标关键时段特征数据作为重新选取的目标关键时段特征数据。
5.根据权利要求1所述的方法,其特征在于,所述目标开关机时间预测模型为决策树模型。
6.根据权利要求5所述的方法,其特征在于,所述决策树模型包括基于直方图的决策树算法、带深度限制的Leaf-wise算法、单边梯度采样算法以及互斥特征捆绑算法。
7.根据权利要求2所述的方法,其特征在于,所述对所述历史状态数据进行数据预处理,获取多个关键时段特征数据,包括:
对所述历史状态数据进行缺失值处理以及离群值处理,获得完整的历史状态数据;
针对完整的历史状态数据进行数据标准化处理,获得归一化历史状态数据;
针对所述归一化历史状态数据进行特征编码与选择处理,获取多个关键时段特征数据。
8.一种卫星寻呼装置,其特征在于,包括:
数据获取模块,用于获取多个用户终端的历史状态数据,所述历史状态数据包括时间、用户终端位置以及用户终端的开关机状态;
模型确定模块,用于基于所述历史状态数据,确定目标开关机时间预测模型;
时间确定模块,用于利用所述目标开关机时间预测模型,确定在待预测时间段内每个用户终端的开机时间区间;
寻呼模块,用于向目标用户终端发起寻呼,所述目标用户终端是当前时间点所处的开机时间区间对应的用户终端。
9.一种电子设备,其特征在于,包括:处理器、存储介质和总线,所述存储介质存储有所述处理器可执行的机器可读指令,当电子设备运行时,所述处理器与所述存储介质之间通过总线通信,所述处理器执行所述机器可读指令,以执行如权利要求1至7中任一项所述的卫星寻呼方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器运行时执行如权利要求1至7中任一项所述的卫星寻呼方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210835681.8A CN115225140B (zh) | 2022-07-15 | 2022-07-15 | 一种卫星寻呼方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210835681.8A CN115225140B (zh) | 2022-07-15 | 2022-07-15 | 一种卫星寻呼方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115225140A true CN115225140A (zh) | 2022-10-21 |
CN115225140B CN115225140B (zh) | 2023-05-05 |
Family
ID=83611015
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210835681.8A Active CN115225140B (zh) | 2022-07-15 | 2022-07-15 | 一种卫星寻呼方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115225140B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101127966A (zh) * | 2007-09-20 | 2008-02-20 | 中兴通讯股份有限公司 | 一种集群系统寻呼终端的方法及其调度子系统 |
CN105491664A (zh) * | 2014-10-13 | 2016-04-13 | 中国移动通信集团山东有限公司 | 一种寻呼终端的方法及设备 |
US20200100179A1 (en) * | 2018-09-21 | 2020-03-26 | Comcast Cable Communications, Llc | Activation and Deactivation of Power Saving Operation |
US20200205121A1 (en) * | 2017-12-29 | 2020-06-25 | Telefonaktiebolaget Lm Ericsson (Publ) | Paging in a Communication Network |
CN111623486A (zh) * | 2020-05-22 | 2020-09-04 | 海尔优家智能科技(北京)有限公司 | 开机时间的确定方法和装置、存储介质及电子装置 |
CN112584466A (zh) * | 2019-09-27 | 2021-03-30 | 华为技术有限公司 | 一种信息接收方法及装置 |
CN112804750A (zh) * | 2021-03-25 | 2021-05-14 | 江苏亨鑫众联通信技术有限公司 | 一种区分寻呼消息的方法和设备 |
CN113316087A (zh) * | 2021-05-24 | 2021-08-27 | 重庆邮电大学 | 一种lte系统中基于终端位置预测的动态寻呼方法 |
-
2022
- 2022-07-15 CN CN202210835681.8A patent/CN115225140B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101127966A (zh) * | 2007-09-20 | 2008-02-20 | 中兴通讯股份有限公司 | 一种集群系统寻呼终端的方法及其调度子系统 |
CN105491664A (zh) * | 2014-10-13 | 2016-04-13 | 中国移动通信集团山东有限公司 | 一种寻呼终端的方法及设备 |
US20200205121A1 (en) * | 2017-12-29 | 2020-06-25 | Telefonaktiebolaget Lm Ericsson (Publ) | Paging in a Communication Network |
US20200100179A1 (en) * | 2018-09-21 | 2020-03-26 | Comcast Cable Communications, Llc | Activation and Deactivation of Power Saving Operation |
CN112584466A (zh) * | 2019-09-27 | 2021-03-30 | 华为技术有限公司 | 一种信息接收方法及装置 |
CN111623486A (zh) * | 2020-05-22 | 2020-09-04 | 海尔优家智能科技(北京)有限公司 | 开机时间的确定方法和装置、存储介质及电子装置 |
CN112804750A (zh) * | 2021-03-25 | 2021-05-14 | 江苏亨鑫众联通信技术有限公司 | 一种区分寻呼消息的方法和设备 |
CN113316087A (zh) * | 2021-05-24 | 2021-08-27 | 重庆邮电大学 | 一种lte系统中基于终端位置预测的动态寻呼方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115225140B (zh) | 2023-05-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109657805B (zh) | 超参数确定方法、装置、电子设备及计算机可读介质 | |
US11568300B2 (en) | Apparatus and method for managing machine learning with plurality of learning algorithms and plurality of training dataset sizes | |
JP6384065B2 (ja) | 情報処理装置、学習方法、及び、プログラム | |
CN109783604B (zh) | 基于少量样本的信息提取方法、装置和计算机设备 | |
US10067746B1 (en) | Approximate random number generator by empirical cumulative distribution function | |
CN111258767A (zh) | 复杂系统仿真应用的云计算资源智能分配方法与装置 | |
CN116757297A (zh) | 用于选择机器学习样本的特征的方法及系统 | |
CN116882520A (zh) | 针对预定预测问题的预测方法及系统 | |
CN110679114A (zh) | 一种估计数据对象可删除性的方法 | |
CN113254472A (zh) | 一种参数配置方法、装置、设备及可读存储介质 | |
CN113110961B (zh) | 设备异常检测方法、装置、计算机设备及可读存储介质 | |
Penev | Free search–comparative analysis 100 | |
CN115225140A (zh) | 一种卫星寻呼方法、装置、电子设备及存储介质 | |
EP3580676B1 (en) | Sample-based multidimensional data cloning | |
CN116306030A (zh) | 考虑预测误差和波动分布的新能源预测动态场景生成方法 | |
KR20140146437A (ko) | 특허정보를 이용한 기업성과 예측 장치 및 방법 | |
JP5555238B2 (ja) | ベイジアンネットワーク構造学習のための情報処理装置及びプログラム | |
CN113296990B (zh) | 时序数据的异常识别方法及装置 | |
CN112784165A (zh) | 关联关系预估模型的训练方法以及预估文件热度的方法 | |
CN113610225A (zh) | 质量评估模型训练方法、装置、电子设备及存储介质 | |
CN113361811A (zh) | 运行状态预测方法、系统、设备及计算机可读存储介质 | |
CN113051445A (zh) | 工业生产数据处理方法、装置、计算机设备和存储介质 | |
JP6508202B2 (ja) | 情報処理装置、情報処理方法、及び、プログラム | |
CN115118496B (zh) | 身份认证信息的存储方法、装置以及身份认证设备 | |
CN116432776A (zh) | 目标模型的训练方法、装置、设备及存储介质 |
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 |