CN115243270B - 5g网络规划方法、装置、计算设备和存储介质 - Google Patents
5g网络规划方法、装置、计算设备和存储介质 Download PDFInfo
- Publication number
- CN115243270B CN115243270B CN202110373100.9A CN202110373100A CN115243270B CN 115243270 B CN115243270 B CN 115243270B CN 202110373100 A CN202110373100 A CN 202110373100A CN 115243270 B CN115243270 B CN 115243270B
- Authority
- CN
- China
- Prior art keywords
- layer
- mapping
- matching model
- network
- output
- 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
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
- H04W16/18—Network planning tools
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- 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
- H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
- H04W16/22—Traffic simulation tools or models
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Databases & Information Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明实施例涉及通信技术领域,公开了一种5G网络规划方法,该方法包括:建立网络智能规划模型,其中,网络智能规划模型包括输入层、中间层和输出层;分别对输入层、中间层和输出层的数据基于语义进行分类,得到分类数据;对分类数据进行向量映射,得到映射数据;根据映射数据对第一学习匹配模型和第二学习匹配模型进行训练,得到第一匹配模型和第二匹配模型,其中,第一学习匹配模型为输入层和中间层的学习匹配模型,第二学习匹配模型为中间层和输出层的学习匹配模型;根据第一匹配模型和第二匹配模型进行5G网络规划。通过上述方式,本发明实施例可以快速、准确地进行匹配模型的学习匹配,提高规划效率、提升规划精度。
Description
技术领域
本发明实施例涉及通信技术领域,具体涉及一种5G网络规划方法、装置、计算设备和存储介质。
背景技术
5G不仅能够大幅提升移动互联网用户的高带宽业务体验,契合物联网大连接、低功耗的业务需求,更可面向垂直行业开启万物互联、人机深度交互的新时代,推动数字化、网络化和智能化转变。因此5G网络规划需要匹配不同类型、不同应用的业务需求制定差异化的方案。
现有的5G网络规划方法主要面向5G网络连续覆盖、深度覆盖需求进行网络规划。通过网络仿真进行网络站址规划,并根据传统语音及数据业务预估情况进行基站网络资源配置。这种方式仅能满足网络覆盖需求分析及较为简单的容量需求分析,并基于此开展网络规划,不能进行5G垂直行业的复杂场景及多样业务需求分析,无法实现5G垂直行业网络规划。
发明内容
鉴于上述问题,本发明实施例提供了一种5G网络规划方法、装置、计算设备和存储介质,用于解决现有技术中存在的网络规划方式不能进行5G垂直行业的复杂场景及多样业务需求分析,无法实现5G垂直行业网络规划的问题。
根据本发明实施例的一个方面,提供了一种5G网络规划方法,所述方法包括:
建立网络智能规划模型,其中,所述网络智能规划模型包括输入层、中间层和输出层;
分别对所述输入层、所述中间层和所述输出层的数据基于语义进行分类,得到分类数据;
对所述分类数据进行向量映射,得到映射数据;
根据所述映射数据对第一学习匹配模型和第二学习匹配模型进行训练,得到第一匹配模型和第二匹配模型,其中,所述第一学习匹配模型为所述输入层和所述中间层的学习匹配模型,所述第二学习匹配模型为所述中间层和所述输出层的学习匹配模型;
根据所述第一匹配模型和所述第二匹配模型进行5G网络规划。
在一种可选的方式中,所述输入层、所述中间层和所述输出层的数据为文本信息,所述分别对所述输入层、所述中间层和所述输出层的数据基于语义进行分类,得到分类数据,包括:
分别对所述输入层、所述中间层和所述输出层的文本信息基于语义进行类型和元素划分,得到每个所述文本信息的类型属性和元素属性。
在一种可选的方式中,所述对所述分类数据进行向量映射,得到映射数据,包括:
根据每个所述文本信息的所述类型属性确定该文本信息的映射幅度,其中,相同的类型属性对应相同的映射幅度;
根据每个所述文本信息的所述元素属性确定该文本信息的映射相位,其中,相同的元素属性对应相同的映射相位;
根据所述映射幅度和所述映射相位对每个所述文本信息进行向量映射,得到映射后的文本信息。
在一种可选的方式中,所述向量映射为围绕中心点并依次偏移水平轴线进行所述文本信息的映射,其中,所述映射幅度为所述文本信息的映射点与所述中心点之间的距离,所述映射相位为所述文本信息的映射点偏移水平轴线的角度。
在一种可选的方式中,所述输入层中的类型属性包括业务特征和业务场景,所述中间层的类型属性包括网络需求和无线环境,所述输出层的类型属性包括网络方案和资源配置。
在一种可选的方式中,所述第一学习匹配模型包括第一输入层、第一隐含层和第一输出层,所述第一输入层采用映射后的输入层的文本信息作为所述第一学习匹配模型的输入,所述第一隐含层采用tanh函数得到隐藏向量h,所述第一输出层通过如下函数得到输出向量y,
y=b+Wx+U tanh(Hx+a)
其中,a、b、W、U、H为模型训练参数,并采用softmax函数对输出进行归一化处理,
所述输出向量y的元素值表示该输出向量对应的生成概率。
在一种可选的方式中,所述第二学习匹配模型包括第二输入层、第二隐含层和第二输出层,所述第二输入层采用映射后的中间层的文本信息作为所述第二学习匹配模型的输入,所述第二隐含层采用tanh函数得到隐藏向量h,所述第二输出层通过如下函数得到输出向量y,
y=b+Wx+U tanh(Hx+a)
其中,a、b、W、U、H为模型训练参数,并采用softmax函数对输出进行归一化处理,
所述输出向量y的元素值表示该输出向量对应的生成概率。
根据本发明实施例的另一方面,提供了一种5G网络规划装置,所述装置包括:
建立模块,用于建立网络智能规划模型,其中,所述网络智能规划模型包括输入层、中间层和输出层;
分类模块,用于分别对所述输入层、所述中间层和所述输出层的数据基于语义进行分类,得到分类数据;
映射模块,用于对所述分类数据进行向量映射,得到映射数据;
训练模块,用于根据所述映射数据对第一学习匹配模型和第二学习匹配模型进行训练,得到第一匹配模型和第二匹配模型,其中,所述第一学习匹配模型为所述输入层和所述中间层的学习匹配模型,所述第二学习匹配模型为所述中间层和所述输出层的学习匹配模型;
规划模块,用于根据所述第一匹配模型和所述第二匹配模型进行5G网络规划。
根据本发明实施例的另一方面,提供了一种计算设备,包括:处理器、存储器、通信接口和通信总线,所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信;
所述存储器用于存放至少一可执行指令,所述可执行指令使所述处理器执行如上所述的5G网络规划方法的操作。
根据本发明实施例的另一方面,提供了一种计算机可读存储介质,所述存储介质中存储有至少一可执行指令,所述可执行指令在计算设备上运行时,使得计算设备执行如上所述的5G网络规划方法的操作。
本发明实施例通过建立包括输入层、中间层和输出层的网络智能规划模型,分别对所述输入层、所述中间层和所述输出层的数据基于语义进行分类并映射,根据映射后的数据对输入层和所述中间层的第一学习匹配模型和中间层和所述输出层的第二学习匹配模型进行训练,得到第一匹配模型和第二匹配模型,从而根据所述第一匹配模型和所述第二匹配模型进行5G垂直行业网络规划。基于语义进行分类并映射的方式可以快速、准确地进行匹配模型的学习匹配,使用训练好的匹配模型进行5G垂直行业的网络规划可以提高规划效率、提升规划精度。
上述说明仅是本发明实施例技术方案的概述,为了能够更清楚了解本发明实施例的技术手段,而可依照说明书的内容予以实施,并且为了让本发明实施例的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。
附图说明
附图仅用于示出实施方式,而并不认为是对本发明的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1示出了本发明实施例提供的5G网络规划方法的流程图;
图2示出了本发明实施例提供的5G垂直行业网络规划系统架构示意图;
图3示出了本发明实施例提供的网络智能规划模型架构示意图;
图4示出了本发明另一实施例提供的网络智能规划模型架构示意图;
图5示出了图1中步骤130的详细流程图;
图6示出了本发明实施例提供的向量映射模型示意图;
图7示出了第一学习匹配模型的示意图;
图8示出了第二学习匹配模型的示意图;
图9示出了本发明实施例提供的5G网络规划装置的结构示意图;
图10示出了本发明实施例提供的计算设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例,然而应当理解,可以以各种形式实现本发明而不应被这里阐述的实施例所限制。
5G不仅能够大幅提升移动互联网用户的高带宽业务体验,契合物联网大连接、低功耗的业务需求,更可面向垂直行业开启万物互联、人机深度交互的新时代,推动数字化、网络化和智能化转变。因此5G网络规划需要匹配不同类型、不同应用的业务需求制定差异化的方案。
现有的5G网络规划方法主要面向5G网络连续覆盖、深度覆盖需求进行网络规划。通过网络仿真进行网络站址规划,并根据传统语音及数据业务预估情况进行基站网络资源配置。这种方式仅能满足网络覆盖需求分析及较为简单的容量需求分析,并基于此开展网络规划,不能进行5G垂直行业的复杂场景及多样业务需求分析,无法实现5G垂直行业网络规划。
目前针对5G垂直行业网络规划没有成熟的规划方法和模型,也没有基于大数据的智能规划方法,一般是根据单点垂直行业应用场景通过理论测算后人工制定可满足业务的网络方案,也即通过人工分析进行网络规划,再根据网络建成后测试情况进行优化调整。这种方式需要逐一处理,缺少统一标准,工作效率较低。人工分析还存在信息处理能力有限、结论主观等问题,并且无法通过大数据智能方法总结借鉴成熟案例经验。
因此,本发明实施例构建了5G垂直行业的智能网络规划系统,通过闭环方案智能学习分析实现5G垂直行业网络智能规划。采用三层架构,增强业务需求和网络方案的关联性,并在各层级之间通过神经网络学习匹配方法提升网络规划精度。
图1示出了本发明实施例提供的5G网络规划方法的流程图,该方法由服务器或者服务器集群等计算设备执行。如图1所示,该方法包括以下步骤:
步骤110:建立网络智能规划模型,其中,网络智能规划模型包括输入层、中间层和输出层。
在对5G垂直行业的网络进行智能规划时,首先需要构建网络智能规划系统。如图2所示,在网络智能规划系统中,首先将需求信息输入网络智能规划模型,输出网络方案。然后将输出的网络方案经测试矫正后输出最终的网络实施方案,并将该实施方案返回网络智能规划模型的方案库,根据实施方案进行网络智能规划模型中规划算法的学习修正。
网络智能规划模型(也可称为网络智能规划单元)根据方案库中的网络方案进行智能规划算法的学习,生成适用于5G垂直行业的网络智能规划模型。网络智能规划模型采用三层架构,如图3所示,包括输入层、中间层和输出层。通过在输入层与输出层之间增加中间层,强化输入层与输出层之间的关联性。由于输入层输入的主要为业务数据,中间层插入的为需求数据,输出层输出的为网络数据,因此在一些实施例中,也可将输入层称为输入业务层,中间层称为中间信息层,输出层称为输出网络层。下文以输入业务层、中间信息层和输出网络层为例进行说明。
输入业务层中的类型属性包括业务特征和业务场景,中间层的类型属性包括网络需求和无线环境,输出层的类型属性包括网络方案和资源配置。业务特征是指5G网络应用的业务类型,输入业务层的业务特征包括辅助驾驶、远程医疗、智慧课堂、远程操控等;业务场景是指5G网络应用的场景,输入业务层的业务场景包括工业园区、医院门诊楼、高层多隔断、体育场馆等;网络需求是指不同业务特征和业务场景所对应的5G网络的参数要求,中间需求层的网络需求包括业务种类、上下行速率、并发终端数、业务时延等,其中业务种类包括语音、数据、图像、视频以及游戏等;无线环境是指5G网络的部署场地环境,中间需求层的无线环境包括场景类型、穿透损耗、覆盖高度、覆盖面积等;网络方案是指5G网络的规划网络方案,输出网络层的网络方案包括组网方案、设备选型、建设方式等;输出网络层的资源配置包括设备数量、硬件配置、软件配置等,详情可参考图4所示。
网络智能规划模型的各层之间的数据具备匹配关系,可以通过输入已经建立匹配关系的大量方案库,进行学习匹配,得到训练好的模型用于网络规划。
步骤120:分别对输入层、中间层和输出层的数据基于语义进行分类,得到分类数据。
输入业务层、中间信息层和输出网络层的数据一般为文本信息,因此需对文本信息进行数字映射后才能实现学习匹配。考虑到文本信息具有可分类的特点,为便于映射后可以快速、准确地学习匹配,本发明实施例采用分类后进行向量映射的方式,将文本信息基于语义进行不同幅度及相位的向量映射。
在一些实施例中,可以分别对输入层、中间层和输出层的文本信息基于语义进行类型和元素划分,得到每个文本信息的类型属性和元素属性。其中,类型是指业务特征、业务场景、网络需求、无线环境、网络方案和资源配置等,元素是指各个类型下划分的元素,例如图4中的辅助驾驶、远程医疗、智慧课堂、远程操控、工业园区、医院门诊楼、高层多隔断、体育场馆、业务种类、上下行速率、并发终端数、业务时延、场景类型、穿透损耗、覆盖高度、覆盖面积、组网方案、设备选型、建设方式、设备数量、硬件配置、软件配置等。基于语义进行文本信息的分类可以采用现有技术,此处不再详述。
步骤130:对分类数据进行向量映射,得到映射数据。
按照类型和元素分类后,每个文本信息都具有相应的类型属性和元素属性,然后可以根据每个文本信息的类型属性和元素属性进行向量映射。进行向量映射时,可以分别确定映射的幅度和相位,如图5所示,步骤130可以进一步包括如下步骤:
步骤131:根据每个文本信息的类型属性确定该文本信息的映射幅度,其中,相同的类型属性对应相同的映射幅度;
步骤132:根据每个文本信息的元素属性确定该文本信息的映射相位,其中,相同的元素属性对应相同的映射相位;
步骤133:根据映射幅度和映射相位对每个文本信息进行向量映射,得到映射后的文本信息。
在本实施例中,向量映射为围绕中心点并依次偏移水平轴线进行文本信息的映射,其中,映射幅度为文本信息的映射点与中心点之间的距离,映射相位为文本信息的映射点偏移水平轴线的角度。
关于相同的类型属性对应相同的映射幅度,例如若文本信息的类型属性都是业务特征,则这些文本信息的映射幅度相同,若文本信息的类型属性都是无线环境,则这些文本信息的映射幅度相同……。关于相同的元素属性对应相同的映射相位,例如若文本信息的元素属性都是辅助驾驶,则这些文本信息的映射相位相同,若文本信息的元素属性都是设备数量,则这些文本信息的映射相位相同……。可以理解的是,不同的类型属性,映射幅度不同,否则会导致不同类型属性的文本信息的映射点(也即映射位置)重合。基于不同的类型属性其映射幅度不同,则不同类型属性之间,不同元素属性对应的映射相位可以相同,例如业务特征类型下的辅助驾驶元素的映射相位,可以和网络需求类型下的业务种类元素的映射相位相同。
下面对映射的具体过程进行进一步说明。以输入业务层为例,其中业务特征文本信息X1(ω1)、X1(ω2)、......、X1(ωi)可映射为幅度为a的不同相位向量,业务场景文本信息X2(ω1)、X2(ω2)、......、X2(ωj)可映射为幅度为b的不同相位向量;同理,中间需求层文本信息Y1、Y2,输出网络层文本信息Z1、Z2以类型对应不同幅度、元素对应不同相位的方式进行向量映射,映射模型如图6所示。图6中,每种类型的文本信息中相邻元素之间相位间隔均相同,例如均为30度。可以理解的是,本发明实施例对幅度的取值无特殊要求,只要不同类型属性对应的幅度值不同,将不同类型属性的文本信息映射至不同幅度以进行区分即可。如图6所示,为方便映射,按照输入业务层、中间需求层、输出网络层中各类型文本信息的顺序,从中心点向外进行映射,该映射方式逻辑清晰,简单方便。在一些其他实施例中,还可以按照输出网络层、中间需求层、输入业务层中各类型文本信息的顺序从中心点向外进行映射,也即与图6中所示顺序相反的顺序进行映射,或者不按照特定的顺序,而是随机进行映射。
通过将文本信息按语义进行分类映射,相比不进行映射或者其他映射方式,有利于提升学习匹配精准度,并且支持输入业务层、中间需求层、输出网络层的文本信息扩展后的灵活映射。若文本信息有扩展,例如新增了一些文本信息,若新增的文本信息为已有类型的新元素,则可以在该类型文本信息的映射幅度基础上,新增映射相位进行映射;若新增的文本信息为新增类型的新元素,则可以为该新类型的文本信息设置新的映射幅度,在此基础上设置与该新元素对应的映射相位从而进行映射。理论上,映射幅度和映射相位可以无限拓展。
关于步骤的执行顺序,可以先执行步骤131,后执行步骤132;也可以先执行步骤132,后执行步骤131;还可以同时执行步骤131和步骤132。本发明对这两个步骤的执行顺序不做限定。
步骤140:根据映射数据对第一学习匹配模型和第二学习匹配模型进行训练,得到第一匹配模型和第二匹配模型,其中,第一学习匹配模型为输入层和中间层的学习匹配模型,第二学习匹配模型为中间层和输出层的学习匹配模型。
在网络智能规划模型的训练过程中,首先将输入业务层的业务特征与业务场景信息与中间需求层的网络需求与无线环境信息进行学习匹配,再将中间需求层的网络需求与无线环境信息与输出网络层的网络方案与资源配置信息进行学习匹配,最终建立输入业务需求与输出网络方案之间的非线性关系。通过两次学习可有效增强业务与网络的关联性,提升网络规划精准度。
本发明实施例的学习匹配模型可以采用神经网络语言模型(Nerual NetworkLanguage Model,NNLM),神经网络语言模型通过神经网络预测词语概率分布,模型训练完成后同时得到网络权重参数和词向量。
首先,构建输入业务层与中间需求层的第一学习匹配模型,第一学习匹配模型包括第一输入层、第一隐含层和第一输出层,如图7所示,第一输入层采用映射后的输入层的文本信息作为第一学习匹配模型的输入,第一隐含层采用tanh函数得到隐藏向量h,第一输出层通过如下函数得到输出向量y:
y=b+Wx+U tanh(Hx+a)
其中,a、b、W、U、H为模型训练参数,并采用softmax函数对输出进行归一化处理,
输出向量y的元素值表示该输出向量对应的生成概率。
具体的,第一学习匹配模型的训练是由一组X词序列作为输入,Y为目标词的最大似然P(Y(ω)/(X1(ω1),......,X2(ωj)),将向量映射后的向量X1=[X1(ω1);X1(ω2);......;X1(ωi)]及X2=[X2(ω1);X2(ω2);......;X2(ωj)]作为模型输入,输入层接收向量X后,神经网络语言模型进行前馈计算,依次通过隐藏层和输出层,并得到隐藏向量h和输出向量y:
y=b+Wx+U tanh(Hx+a)
输出层元素依次对应中间需求层中的一个映射向量Y(ω),而元素值表示映射向量对应的生成概率P(Y(ω)/X),最终模型使用softmax函数对输出进行了归一化,实现通过神经网络模型的训练对映射向量中所有样本的概率进行最大似然。
同理,构建中间需求层与输出网络层的第二学习匹配模型,第二学习匹配模型包括第二输入层、第二隐含层和第二输出层,如图8所示,第二输入层采用映射后的中间层的文本信息作为第二学习匹配模型的输入,第二隐含层采用tanh函数得到隐藏向量h,第二输出层通过如下函数得到输出向量y,
y=b+Wx+Utanh(Hx+a)
其中,a、b、W、U、H为模型训练参数,并采用softmax函数对输出进行归一化处理,
输出向量y的元素值表示该输出向量对应的生成概率。
具体的,第二学习匹配模型的训练是由一组Y词序列作为输入,Z为目标词的最大似然P(Z(ω)/(Y1(ω1),......,Y2(ωl)),通过采用与上述第一学习匹配模型相同的学习训练方法计算输出网络层映射向量对应的生成概率P(Z(ω)/Y)。
如上,通过两次学习匹配关联计算,得到输入业务层与输出网络层的对应生成概率P(Z(ω)/X),从而实现通过这两个匹配模型根据输入业务需求进行网络智能规划。
步骤150:根据第一匹配模型和第二匹配模型进行5G网络规划。
训练得到第一匹配模型和第二匹配模型后,则可以根据第一匹配模型和第二匹配模型进行5G网络的智能规划。
本发明实施例通过建立包括输入层、中间层和输出层的网络智能规划模型,分别对输入层、中间层和输出层的数据基于语义进行分类并映射,根据映射后的数据对输入层和中间层的第一学习匹配模型和中间层和输出层的第二学习匹配模型进行训练,得到第一匹配模型和第二匹配模型,从而根据第一匹配模型和第二匹配模型进行5G垂直行业网络规划。基于语义进行分类并映射的方式可以快速、准确地进行匹配模型的学习匹配,使用训练好的匹配模型进行5G垂直行业的网络规划可以提高规划效率、提升规划精度。
图9示出了本发明实施例提供的5G网络规划装置的结构示意图。如图9所示,该装置300包括:
建立模块301,用于建立网络智能规划模型,其中,所述网络智能规划模型包括输入层、中间层和输出层;
分类模块302,用于分别对所述输入层、所述中间层和所述输出层的数据基于语义进行分类,得到分类数据;
映射模块303,用于对所述分类数据进行向量映射,得到映射数据;
训练模块304,用于根据所述映射数据对第一学习匹配模型和第二学习匹配模型进行训练,得到第一匹配模型和第二匹配模型,其中,所述第一学习匹配模型为所述输入层和所述中间层的学习匹配模型,所述第二学习匹配模型为所述中间层和所述输出层的学习匹配模型;
规划模块305,用于根据所述第一匹配模型和所述第二匹配模型进行5G网络规划。
在一种可选的方式中,所述输入层、所述中间层和所述输出层的数据为文本信息,所述分别对所述输入层、所述中间层和所述输出层的数据基于语义进行分类,得到分类数据,包括:
分别对所述输入层、所述中间层和所述输出层的文本信息基于语义进行类型和元素划分,得到每个所述文本信息的类型属性和元素属性。
在一种可选的方式中,所述对所述分类数据进行向量映射,得到映射数据,包括:
根据每个所述文本信息的所述类型属性确定该文本信息的映射幅度,其中,相同的类型属性对应相同的映射幅度;
根据每个所述文本信息的所述元素属性确定该文本信息的映射相位,其中,相同的元素属性对应相同的映射相位;
根据所述映射幅度和所述映射相位对每个所述文本信息进行向量映射,得到映射后的文本信息。
在一种可选的方式中,所述向量映射为围绕中心点并依次偏移水平轴线进行所述文本信息的映射,其中,所述映射幅度为所述文本信息的映射点与所述中心点之间的距离,所述映射相位为所述文本信息的映射点偏移水平轴线的角度。
在一种可选的方式中,所述输入层中的类型属性包括业务特征和业务场景,所述中间层的类型属性包括网络需求和无线环境,所述输出层的类型属性包括网络方案和资源配置。
在一种可选的方式中,所述第一学习匹配模型包括第一输入层、第一隐含层和第一输出层,所述第一输入层采用映射后的输入层的文本信息作为所述第一学习匹配模型的输入,所述第一隐含层采用tanh函数得到隐藏向量h,所述第一输出层通过如下函数得到输出向量y,
y=b+Wx+U tanh(Hx+a)
其中,a、b、W、U、H为模型训练参数,并采用softmax函数对输出进行归一化处理,
所述输出向量y的元素值表示该输出向量对应的生成概率。
在一种可选的方式中,所述第二学习匹配模型包括第二输入层、第二隐含层和第二输出层,所述第二输入层采用映射后的中间层的文本信息作为所述第二学习匹配模型的输入,所述第二隐含层采用tanh函数得到隐藏向量h,所述第二输出层通过如下函数得到输出向量y,
y=b+Wx+U tanh(Hx+a)
其中,a、b、W、U、H为模型训练参数,并采用softmax函数对输出进行归一化处理,
所述输出向量y的元素值表示该输出向量对应的生成概率。
本发明实施例通过建立包括输入层、中间层和输出层的网络智能规划模型,分别对所述输入层、所述中间层和所述输出层的数据基于语义进行分类并映射,根据映射后的数据对输入层和所述中间层的第一学习匹配模型和中间层和所述输出层的第二学习匹配模型进行训练,得到第一匹配模型和第二匹配模型,从而根据所述第一匹配模型和所述第二匹配模型进行5G垂直行业网络规划。基于语义进行分类并映射的方式可以快速、准确地进行匹配模型的学习匹配,使用训练好的匹配模型进行5G垂直行业的网络规划可以提高规划效率、提升规划精度。
图10示出了本发明实施例提供的计算设备的结构示意图,其中,计算设备可以是服务器或者服务器集群,本发明具体实施例并不对计算设备的具体实现做限定。
如图10所示,该计算设备可以包括:处理器(processor)402、通信接口(Communications Interface)404、存储器(memory)406、以及通信总线408。
其中:处理器402、通信接口404、以及存储器406通过通信总线408完成相互间的通信。通信接口404,用于与其它设备比如客户端或其它服务器等的网元通信。处理器402,用于执行程序410,具体可以执行上述用于5G网络规划方法实施例中的相关步骤。
具体地,程序410可以包括程序代码,该程序代码包括计算机可执行指令。
处理器402可能是中央处理器CPU,或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit),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。计算设备包括的一个或多个处理器,可以是同一类型的处理器,如一个或多个CPU;也可以是不同类型的处理器,如一个或多个CPU以及一个或多个ASIC。
存储器406,用于存放程序410。存储器406可能包含高速RAM存储器,也可能还包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。
程序410具体可以被处理器402调用使计算设备执行以下操作:
建立网络智能规划模型,其中,所述网络智能规划模型包括输入层、中间层和输出层;
分别对所述输入层、所述中间层和所述输出层的数据基于语义进行分类,得到分类数据;
对所述分类数据进行向量映射,得到映射数据;
根据所述映射数据对第一学习匹配模型和第二学习匹配模型进行训练,得到第一匹配模型和第二匹配模型,其中,所述第一学习匹配模型为所述输入层和所述中间层的学习匹配模型,所述第二学习匹配模型为所述中间层和所述输出层的学习匹配模型;
根据所述第一匹配模型和所述第二匹配模型进行5G网络规划。
在一种可选的方式中,在一种可选的方式中,所述输入层、所述中间层和所述输出层的数据为文本信息,所述分别对所述输入层、所述中间层和所述输出层的数据基于语义进行分类,得到分类数据,包括:
分别对所述输入层、所述中间层和所述输出层的文本信息基于语义进行类型和元素划分,得到每个所述文本信息的类型属性和元素属性。
在一种可选的方式中,所述对所述分类数据进行向量映射,得到映射数据,包括:
根据每个所述文本信息的所述类型属性确定该文本信息的映射幅度,其中,相同的类型属性对应相同的映射幅度;
根据每个所述文本信息的所述元素属性确定该文本信息的映射相位,其中,相同的元素属性对应相同的映射相位;
根据所述映射幅度和所述映射相位对每个所述文本信息进行向量映射,得到映射后的文本信息。
在一种可选的方式中,所述向量映射为围绕中心点并依次偏移水平轴线进行所述文本信息的映射,其中,所述映射幅度为所述文本信息的映射点与所述中心点之间的距离,所述映射相位为所述文本信息的映射点偏移水平轴线的角度。
在一种可选的方式中,所述输入层中的类型属性包括业务特征和业务场景,所述中间层的类型属性包括网络需求和无线环境,所述输出层的类型属性包括网络方案和资源配置。
在一种可选的方式中,所述第一学习匹配模型包括第一输入层、第一隐含层和第一输出层,所述第一输入层采用映射后的输入层的文本信息作为所述第一学习匹配模型的输入,所述第一隐含层采用tanh函数得到隐藏向量h,所述第一输出层通过如下函数得到输出向量y,
y=b+Wx+U tanh(Hx+a)
其中,a、b、W、U、H为模型训练参数,并采用softmax函数对输出进行归一化处理,
所述输出向量y的元素值表示该输出向量对应的生成概率。
在一种可选的方式中,所述第二学习匹配模型包括第二输入层、第二隐含层和第二输出层,所述第二输入层采用映射后的中间层的文本信息作为所述第二学习匹配模型的输入,所述第二隐含层采用tanh函数得到隐藏向量h,所述第二输出层通过如下函数得到输出向量y,
y=b+Wx+U tanh(Hx+a)
其中,a、b、W、U、H为模型训练参数,并采用softmax函数对输出进行归一化处理,
所述输出向量y的元素值表示该输出向量对应的生成概率。
本发明实施例通过建立包括输入层、中间层和输出层的网络智能规划模型,分别对所述输入层、所述中间层和所述输出层的数据基于语义进行分类并映射,根据映射后的数据对输入层和所述中间层的第一学习匹配模型和中间层和所述输出层的第二学习匹配模型进行训练,得到第一匹配模型和第二匹配模型,从而根据所述第一匹配模型和所述第二匹配模型进行5G垂直行业网络规划。基于语义进行分类并映射的方式可以快速、准确地进行匹配模型的学习匹配,使用训练好的匹配模型进行5G垂直行业的网络规划可以提高规划效率、提升规划精度。
本发明实施例提供了一种计算机可读存储介质,所述存储介质存储有至少一可执行指令,该可执行指令在计算设备上运行时,使得所述计算设备执行上述任意方法实施例中的5G网络规划方法。
本发明实施例提供一种5G网络规划装置,用于执行上述5G网络规划方法。
本发明实施例提供了一种计算机程序,所述计算机程序可被处理器调用使计算设备执行上述任意方法实施例中的5G网络规划方法。
本发明实施例提供了一种计算机程序产品,计算机程序产品包括存储在计算机可读存储介质上的计算机程序,计算机程序包括程序指令,当程序指令在计算机上运行时,使得所述计算机执行上述任意方法实施例中的5G网络规划方法。
在此提供的算法或显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述,构造这类系统所要求的结构是显而易见的。此外,本发明实施例也不针对任何特定编程语言。应当明白,可以利用各种编程语言实现在此描述的本发明的内容,并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
在此处所提供的说明书中,说明了大量具体细节。然而,能够理解,本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
类似地,应当理解,为了精简本发明并帮助理解各个发明方面中的一个或多个,在上面对本发明的示例性实施例的描述中,本发明实施例的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而,并不应将该公开的方法解释成反映如下意图:即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。
本领域技术人员可以理解,可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件,以及可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外,可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述,本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制,并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。上述实施例中的步骤,除有特殊说明外,不应理解为对执行顺序的限定。
Claims (6)
1.一种5G网络规划方法,其特征在于,所述方法包括:
建立网络智能规划模型,其中,所述网络智能规划模型包括输入层、中间层和输出层;
分别对所述输入层、所述中间层和所述输出层的数据基于语义进行分类,得到分类数据,包括:分别对所述输入层、所述中间层和所述输出层的文本信息基于语义进行类型和元素划分,得到每个所述文本信息的类型属性和元素属性;所述输入层、所述中间层和所述输出层的数据为文本信息;
对所述分类数据进行向量映射,得到映射数据,包括:根据每个所述文本信息的所述类型属性确定该文本信息的映射幅度,其中,相同的类型属性对应相同的映射幅度;根据每个所述文本信息的所述元素属性确定该文本信息的映射相位,其中,相同的元素属性对应相同的映射相位;根据所述映射幅度和所述映射相位对每个所述文本信息进行向量映射,得到映射后的文本信息;所述向量映射为围绕中心点并依次偏移水平轴线进行所述文本信息的映射,其中,所述映射幅度为所述文本信息的映射点与所述中心点之间的距离,所述映射相位为所述文本信息的映射点偏移水平轴线的角度;所述输入层中的类型属性包括业务特征和业务场景,所述中间层的类型属性包括网络需求和无线环境,所述输出层的类型属性包括网络方案和资源配置;
根据所述映射数据对第一学习匹配模型和第二学习匹配模型进行训练,得到第一匹配模型和第二匹配模型,其中,所述第一学习匹配模型为所述输入层和所述中间层的学习匹配模型,所述第二学习匹配模型为所述中间层和所述输出层的学习匹配模型;
根据所述第一匹配模型和所述第二匹配模型进行5G网络规划。
2.根据权利要求1所述的方法,其特征在于,
所述第一学习匹配模型包括第一输入层、第一隐含层和第一输出层,所述第一输入层采用映射后的输入层的文本信息作为所述第一学习匹配模型的输入,所述第一隐含层采用tanh函数得到隐藏向量h,所述第一输出层通过如下函数得到输出向量y,
y=b+Wx+U tanh(Hx+a)
其中,a、b、W、U、H为模型训练参数,并采用softmax函数对输出进行归一化处理,
所述输出向量y的元素值表示该输出向量对应的生成概率。
3.根据权利要求1-2任一项所述的方法,其特征在于,
所述第二学习匹配模型包括第二输入层、第二隐含层和第二输出层,所述第二输入层采用映射后的中间层的文本信息作为所述第二学习匹配模型的输入,所述第二隐含层采用tanh函数得到隐藏向量h,所述第二输出层通过如下函数得到输出向量y,
y=b+Wx+U tanh(Hx+a)
其中,a、b、W、U、H为模型训练参数,并采用softmax函数对输出进行归一化处理,
所述输出向量y的元素值表示该输出向量对应的生成概率。
4.一种5G网络规划装置,其特征在于,所述装置包括:
建立模块,用于建立网络智能规划模型,其中,所述网络智能规划模型包括输入层、中间层和输出层;
分类模块,用于分别对所述输入层、所述中间层和所述输出层的数据基于语义进行分类,得到分类数据,包括:分别对所述输入层、所述中间层和所述输出层的文本信息基于语义进行类型和元素划分,得到每个所述文本信息的类型属性和元素属性;所述输入层、所述中间层和所述输出层的数据为文本信息;
映射模块,用于对所述分类数据进行向量映射,得到映射数据,包括:根据每个所述文本信息的所述类型属性确定该文本信息的映射幅度,其中,相同的类型属性对应相同的映射幅度;根据每个所述文本信息的所述元素属性确定该文本信息的映射相位,其中,相同的元素属性对应相同的映射相位;根据所述映射幅度和所述映射相位对每个所述文本信息进行向量映射,得到映射后的文本信息;所述向量映射为围绕中心点并依次偏移水平轴线进行所述文本信息的映射,其中,所述映射幅度为所述文本信息的映射点与所述中心点之间的距离,所述映射相位为所述文本信息的映射点偏移水平轴线的角度;所述输入层中的类型属性包括业务特征和业务场景,所述中间层的类型属性包括网络需求和无线环境,所述输出层的类型属性包括网络方案和资源配置;
训练模块,用于根据所述映射数据对第一学习匹配模型和第二学习匹配模型进行训练,得到第一匹配模型和第二匹配模型,其中,所述第一学习匹配模型为所述输入层和所述中间层的学习匹配模型,所述第二学习匹配模型为所述中间层和所述输出层的学习匹配模型;
规划模块,用于根据所述第一匹配模型和所述第二匹配模型进行5G网络规划。
5.一种计算设备,其特征在于,包括:处理器、存储器、通信接口和通信总线,所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信;
所述存储器用于存放至少一可执行指令,所述可执行指令使所述处理器执行如权利要求1-3任意一项所述的5G网络规划方法的操作。
6.一种计算机可读存储介质,其特征在于,所述存储介质中存储有至少一可执行指令,所述可执行指令在计算设备上运行时,使得计算设备执行如权利要求1-3任意一项所述的5G网络规划方法的操作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110373100.9A CN115243270B (zh) | 2021-04-07 | 2021-04-07 | 5g网络规划方法、装置、计算设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110373100.9A CN115243270B (zh) | 2021-04-07 | 2021-04-07 | 5g网络规划方法、装置、计算设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115243270A CN115243270A (zh) | 2022-10-25 |
CN115243270B true CN115243270B (zh) | 2023-09-22 |
Family
ID=83666206
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110373100.9A Active CN115243270B (zh) | 2021-04-07 | 2021-04-07 | 5g网络规划方法、装置、计算设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115243270B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117993129B (zh) * | 2023-12-27 | 2024-08-20 | 无锡鑫坤通信工程有限公司 | 一种基于5g通信的通信管道规划协同分析方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106789289A (zh) * | 2016-12-28 | 2017-05-31 | 中国移动通信集团江苏有限公司 | 用于虚拟网络映射的方法和设备 |
CN108446712A (zh) * | 2018-02-02 | 2018-08-24 | 广东省电信规划设计院有限公司 | Odn网智能规划方法、装置及系统 |
CN109495898A (zh) * | 2017-09-12 | 2019-03-19 | 中国移动通信集团设计院有限公司 | 一种无线网络覆盖的指标定量预测方法及设备 |
CN110289927A (zh) * | 2019-07-01 | 2019-09-27 | 上海大学 | 基于条件生成对抗网络的信道模拟实现方法 |
CN110418354A (zh) * | 2019-08-06 | 2019-11-05 | 北京邮电大学 | 一种基于机器学习的免传播模型无线网络规划方法 |
CN110442721A (zh) * | 2018-11-28 | 2019-11-12 | 腾讯科技(深圳)有限公司 | 神经网络语言模型、训练方法、装置及存储介质 |
CN112512069A (zh) * | 2021-02-02 | 2021-03-16 | 网络通信与安全紫金山实验室 | 基于信道波束图样的网络智能优化方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11200238B2 (en) * | 2019-01-28 | 2021-12-14 | Roblox Corporation | Computing cross products using map reduce |
-
2021
- 2021-04-07 CN CN202110373100.9A patent/CN115243270B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106789289A (zh) * | 2016-12-28 | 2017-05-31 | 中国移动通信集团江苏有限公司 | 用于虚拟网络映射的方法和设备 |
CN109495898A (zh) * | 2017-09-12 | 2019-03-19 | 中国移动通信集团设计院有限公司 | 一种无线网络覆盖的指标定量预测方法及设备 |
CN108446712A (zh) * | 2018-02-02 | 2018-08-24 | 广东省电信规划设计院有限公司 | Odn网智能规划方法、装置及系统 |
CN110442721A (zh) * | 2018-11-28 | 2019-11-12 | 腾讯科技(深圳)有限公司 | 神经网络语言模型、训练方法、装置及存储介质 |
CN110289927A (zh) * | 2019-07-01 | 2019-09-27 | 上海大学 | 基于条件生成对抗网络的信道模拟实现方法 |
CN110418354A (zh) * | 2019-08-06 | 2019-11-05 | 北京邮电大学 | 一种基于机器学习的免传播模型无线网络规划方法 |
CN112512069A (zh) * | 2021-02-02 | 2021-03-16 | 网络通信与安全紫金山实验室 | 基于信道波束图样的网络智能优化方法及装置 |
Non-Patent Citations (2)
Title |
---|
卷积神经网络结构优化综述;林景栋;吴欣怡;柴毅;尹宏鹏;;自动化学报(第01期);全文 * |
基于卷积神经网络的调制样式识别研究;陈昌美;李艳斌;;信息技术(第01期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN115243270A (zh) | 2022-10-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chen et al. | DNNOff: offloading DNN-based intelligent IoT applications in mobile edge computing | |
US11698786B2 (en) | Processing apparatus and processing method | |
CN109948029B (zh) | 基于神经网络自适应的深度哈希图像搜索方法 | |
US8638327B2 (en) | Tiled projections for planar processing of round earth data | |
Hao et al. | Deep reinforcement learning for edge service placement in softwarized industrial cyber-physical system | |
CN109376852B (zh) | 运算装置及运算方法 | |
CN110968423A (zh) | 使用机器学习将工作负荷分配给加速器的方法和设备 | |
CN110531996B (zh) | 一种多微云环境下基于粒子群优化的计算任务卸载方法 | |
CN108304926B (zh) | 一种适用于神经网络的池化计算装置及方法 | |
CN110794965B (zh) | 一种基于深度强化学习的虚拟现实语言任务卸载方法 | |
CN112860411B (zh) | 一种基于模型压缩和服务分发的边缘计算方法及系统 | |
Zhou et al. | Resource allocation of federated learning for the metaverse with mobile augmented reality | |
CN115243270B (zh) | 5g网络规划方法、装置、计算设备和存储介质 | |
CN109086871A (zh) | 神经网络的训练方法、装置、电子设备和计算机可读介质 | |
Chen et al. | A teaching–learning-based optimization algorithm with producer–scrounger model for global optimization | |
CN108833548A (zh) | Sd-wan网络系统以及用于网络流量加速优化方法 | |
CN115688495B (zh) | 分布式lvc仿真体系协同筹划方法、服务器及存储介质 | |
US11830244B2 (en) | Image recognition method and apparatus based on systolic array, and medium | |
CN112817898A (zh) | 数据传输方法、处理器、芯片及电子设备 | |
CN116451757B (zh) | 一种神经网络模型的异构加速方法、装置、设备及介质 | |
Xue | Connected vehicle path planning and resource allocation in edge computing environment | |
CN112990332B (zh) | 一种子图规模预测和分布式训练方法、装置及电子设备 | |
CN113792867B (zh) | 运算电路、芯片和板卡 | |
CN114489043B (zh) | 多智能体路径规划方法、装置、电子设备及存储介质 | |
CN113326112B (zh) | 一种基于块坐标下降法的多无人机任务卸载和迁移方法 |
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 |