CN115297536A - 功率控制方法、装置及存储介质 - Google Patents
功率控制方法、装置及存储介质 Download PDFInfo
- Publication number
- CN115297536A CN115297536A CN202211170309.6A CN202211170309A CN115297536A CN 115297536 A CN115297536 A CN 115297536A CN 202211170309 A CN202211170309 A CN 202211170309A CN 115297536 A CN115297536 A CN 115297536A
- Authority
- CN
- China
- Prior art keywords
- power control
- control model
- determining
- model
- path loss
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 137
- 238000003860 storage Methods 0.000 title claims abstract description 24
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 206
- 238000004364 calculation method Methods 0.000 claims description 86
- 230000015654 memory Effects 0.000 claims description 42
- 230000005540 biological transmission Effects 0.000 claims description 35
- 238000004590 computer program Methods 0.000 claims description 33
- 230000004913 activation Effects 0.000 claims description 28
- 238000007667 floating Methods 0.000 claims description 14
- 230000003213 activating effect Effects 0.000 claims description 5
- 238000004891 communication Methods 0.000 abstract description 8
- 238000005265 energy consumption Methods 0.000 abstract description 7
- 238000010586 diagram Methods 0.000 description 20
- 230000008569 process Effects 0.000 description 18
- 238000012549 training Methods 0.000 description 17
- 238000003062 neural network model Methods 0.000 description 14
- 238000013473 artificial intelligence Methods 0.000 description 13
- 238000012545 processing Methods 0.000 description 12
- 238000005516 engineering process Methods 0.000 description 10
- 230000009286 beneficial effect Effects 0.000 description 8
- 230000000694 effects Effects 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 230000008859 change Effects 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 239000000835 fiber Substances 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000002093 peripheral effect Effects 0.000 description 3
- 239000000047 product Substances 0.000 description 3
- 230000008054 signal transmission Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000010267 cellular communication Effects 0.000 description 2
- 239000003795 chemical substances by application Substances 0.000 description 2
- 238000005562 fading Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000012821 model calculation Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W52/00—Power management, e.g. TPC [Transmission Power Control], power saving or power classes
- H04W52/04—TPC
- H04W52/18—TPC being performed according to specific parameters
- H04W52/22—TPC being performed according to specific parameters taking into account previous information or commands
- H04W52/223—TPC being performed according to specific parameters taking into account previous information or commands predicting future states of the transmission
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W52/00—Power management, e.g. TPC [Transmission Power Control], power saving or power classes
- H04W52/04—TPC
- H04W52/18—TPC being performed according to specific parameters
- H04W52/24—TPC being performed according to specific parameters using SIR [Signal to Interference Ratio] or other wireless path parameters
- H04W52/242—TPC being performed according to specific parameters using SIR [Signal to Interference Ratio] or other wireless path parameters taking into account path loss
-
- 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)
- Mobile Radio Communication Systems (AREA)
Abstract
本申请涉及通信技术领域，提供一种功率控制方法、装置及存储介质，该方法包括：基于功率控制模型对应的算法的复杂度和功率控制模型对应的算法的运算时长，确定功率控制模型的类型；基于终端所需的功率控制周期，确定目标功率控制模型；目标功率控制模型与终端所需的功率控制周期相匹配；不同的功率控制周期对应的功率控制模型的类型不同；向终端发送第一消息；目标功率控制模型用于基于第一时间段内的实际路损值，预测第二时间段内的预测路损值，并基于预测路损值和第二时间段内的实际路损值，预测路损偏移量；路损偏移量用于确定发射功率。本申请提供的功率控制方法、装置及存储介质，提高了功率控制方法的灵活性，减少能耗损失。
Description
技术领域
本申请涉及通信技术领域，尤其涉及一种功率控制方法、装置及存储介质。
背景技术
在蜂窝通信中，需要对移动台功率进行控制。
目前的功率控制算法中，终端在接收到基站的功率控制指令后，在下一时隙发射时刻执行功率调整，可见功率控制是小尺度时间（毫秒级）的过程。在目前的功率控制算法中，一些UE相关的配置参数是固定的，比如现有技术中上行功率控制算法中，UE的最大发射功率，和UE业务类型及信道瞬时质量相关的偏置参数。无线信号传输环境是复杂多变的，信号在无线信道中传输会有大尺度衰落，信号的功率变化也不全是小尺度时间粒度的。无线信道的多尺度衰落的特性需要有多时间尺度的功率控制过程。
5G技术在垂直行业应用的多样性决定了对功率的控制有更高的需求，对于某些类型的业务需要较小的发射功率，比如物联网终端。对于需要较长时间粒度的功率控制周期的业务，比如带有测距功能终端的测距业务，现有技术中的功率控制方法会导致终端的能耗损失较大。针对上述需求需要更加灵活的功率控制算法，将人工智能技术引入功率控制算法中能够解决多样性的功率控制算法需求。
现有的标准规范中的功率控制算法没有采用人工智能技术，比如3GPP标准中制定的功率控制算法仅是通过固定的最大发射功率和路损值等参数的简单计算关系得到功率调整量，无法解决上述多样性场景中灵活的功率控制需求，存在一定的局限性。
发明内容
本申请实施例提供一种功率控制方法、装置及存储介质，用以解决现有技术中功率控制方法会导致某些终端业务中的能耗损失较大的缺陷，实现基于与终端匹配的功率控制周期确定发射功率，减少能耗损失。
第一方面，本申请实施例提供一种功率控制方法，包括：
基于功率控制模型对应的算法的复杂度和功率控制模型对应的算法的运算时长，确定功率控制模型的类型；
基于终端所需的功率控制周期，确定目标功率控制模型；所述目标功率控制模型与终端所需的功率控制周期相匹配；不同的功率控制周期对应的功率控制模型的类型不同；
向所述终端发送第一消息；所述第一消息中包含所述目标功率控制模型的第一信息；所述第一信息包括：模型名称和训练好的模型参数；所述目标功率控制模型用于基于第一时间段内的实际路损值，预测第二时间段内的预测路损值，并基于所述预测路损值和所述第二时间段内的实际路损值，预测路损偏移量；所述第一时间段为所述第二时间段之前的时间段；所述路损偏移量用于确定发射功率。
在一些实施例中，所述向所述终端发送第一消息之后，还包括：
向所述终端发送第二消息；所述第二消息中包含激活信息；
所述激活信息用于激活所述目标功率控制模型。
在一些实施例中，所述基于功率控制模型对应的算法的复杂度和功率控制模型对应的算法的运算时长，确定功率控制模型的类型之前，还包括：
基于所述功率控制模型的第二信息，确定所述功率控制模型对应的算法的复杂度；所述第二信息包括以下信息中的一种或多种：算法参数量、浮点数运算量、吞吐量或比特数。
在一些实施例中，所述基于功率控制模型对应的算法的复杂度和功率控制模型对应的算法的运算时长，确定功率控制模型的类型，包括：
基于功率控制模型对应的算法的复杂度和功率控制模型对应的算法的运算时长，确定所述复杂度和所述运算时长的加权平均值；
将所述加权平均值大于或等于第一阈值的算法所对应的功率控制模型，确定为非实时计算功率控制模型；
将所述加权平均值大于或等于第二阈值并小于所述第一阈值的算法所对应的功率控制模型，确定为大尺度近实时计算功率控制模型；
将所述加权平均值小于所述第二阈值的算法所对应的功率控制模型，确定为小尺度近实时计算功率控制模型；
所述第一阈值大于所述第二阈值。
在一些实施例中，所述非实时计算功率控制模型对应的功率控制周期大于或等于第一预设周期；
所述大尺度近实时计算功率控制模型对应的功率控制周期大于或等于第二预设周期并小于所述第一预设周期；
所述小尺度近实时计算功率控制模型对应的功率控制周期小于所述第二预设周期；
所述第一预设周期大于所述第二预设周期。
第二方面，本申请实施例还提供一种功率控制方法，包括：
获取基站发送的第一消息；所述第一消息中包含目标功率控制模型的第一信息；所述第一信息包括：模型名称和训练好的模型参数；
基于所述第一信息，确定所述目标功率控制模型；
基于所述目标功率控制模型，确定发射功率；
所述基于所述目标功率控制模型，确定发射功率，包括：
将第一时间段内的实际路损值，输入所述目标功率控制模型的第一预测单元，预测第二时间段内的预测路损值；
将所述预测路损值和所述第二时间段内的实际路损值，输入所述目标功率控制模型的第二预测单元，预测路损偏移量；所述第一时间段为所述第二时间段之前的时间段；
基于所述路损偏移量，确定发射功率；
其中，所述目标功率控制模型是所述基站基于终端所需的功率控制周期确定的；所述目标功率控制模型与终端所需的功率控制周期相匹配；不同的功率控制周期对应的功率控制模型的类型不同；功率控制模型的类型是由所述基站基于功率控制模型对应的算法的复杂度和功率控制模型对应的算法的运算时长确定的。
在一些实施例中，所述基于所述第一信息，确定所述目标功率控制模型之后，还包括：
获取基站发送的第二消息；所述第二消息中包含激活信息；
基于所述激活信息，激活所述目标功率控制模型。
在一些实施例中，所述基于所述目标功率控制模型，确定发射功率，还包括：
基于所述目标功率控制模型，确定第一功率调整量；
基于所述第一功率调整量，确定发射功率。
第三方面，本申请实施例还提供一种功率控制方法，包括：
基于功率控制模型对应的算法的复杂度和功率控制模型对应的算法的运算时长，确定功率控制模型的类型；
基于基站所需的功率控制周期，确定目标功率控制模型；所述目标功率控制模型与基站所需的功率控制周期相匹配；不同的功率控制周期对应的功率控制模型的类型不同；
基于所述目标功率控制模型，确定第二功率调整量；
基于所述第二功率调整量，确定发射功率。
在一些实施例中，所述基于功率控制模型对应的算法的复杂度和功率控制模型对应的算法的运算时长，确定功率控制模型的类型之前，还包括：
基于所述功率控制模型的第二信息，确定所述功率控制模型对应的算法的复杂度；所述第二信息包括以下信息中的一种或多种：算法参数量、浮点数运算量、吞吐量或比特数。
在一些实施例中，所述基于功率控制模型对应的算法的复杂度和功率控制模型对应的算法的运算时长，确定功率控制模型的类型，包括：
基于功率控制模型对应的算法的复杂度和功率控制模型对应的算法的运算时长，确定所述复杂度和所述运算时长的加权平均值；
将所述加权平均值大于或等于第一阈值的算法所对应的功率控制模型，确定为非实时计算功率控制模型；
将所述加权平均值大于或等于第二阈值并小于所述第一阈值的算法所对应的功率控制模型，确定为大尺度近实时计算功率控制模型；
将所述加权平均值小于所述第二阈值的算法所对应的功率控制模型，确定为小尺度近实时计算功率控制模型；
所述第一阈值大于所述第二阈值。
在一些实施例中，所述非实时计算功率控制模型对应的功率控制周期大于或等于第一预设周期；
所述大尺度近实时计算功率控制模型对应的功率控制周期大于或等于第二预设周期并小于所述第二预设周期；
所述小尺度近实时计算功率控制模型对应的功率控制周期小于所述第二预设周期；
所述第一预设周期大于所述第二预设周期。
第四方面，本申请实施例还提供一种基站，包括存储器，收发机，处理器，其中：
存储器，用于存储计算机程序；收发机，用于在所述处理器的控制下收发数据；处理器，用于读取所述存储器中的计算机程序并实现如上所述第一方面所述的功率控制方法。
第五方面，本申请实施例还提供一种终端，包括存储器，收发机，处理器，其中：
存储器，用于存储计算机程序；收发机，用于在所述处理器的控制下收发数据；处理器，用于读取所述存储器中的计算机程序并实现如上所述第二方面所述的功率控制方法。
第六方面，本申请实施例还提供一种基站，包括存储器，收发机，处理器，其中：
存储器，用于存储计算机程序；收发机，用于在所述处理器的控制下收发数据；处理器，用于读取所述存储器中的计算机程序并实现如上所述第三方面所述的功率控制方法。
第七方面，本申请实施例还提供一种功率控制装置，包括：
第一确定模块，用于基于功率控制模型对应的算法的复杂度和功率控制模型对应的算法的运算时长，确定功率控制模型的类型；
第二确定模块，用于基于终端所需的功率控制周期，确定目标功率控制模型；所述目标功率控制模型与终端所需的功率控制周期相匹配；不同的功率控制周期对应的功率控制模型的类型不同；
发送模块，用于向所述终端发送第一消息；所述第一消息中包含所述目标功率控制模型的第一信息；所述第一信息包括：模型名称和训练好的模型参数；所述目标功率控制模型用于基于第一时间段内的实际路损值，预测第二时间段内的预测路损值，并基于所述预测路损值和所述第二时间段内的实际路损值，预测路损偏移量；所述第一时间段为所述第二时间段之前的时间段；所述路损偏移量用于确定发射功率。
第八方面，本申请实施例还提供一种功率控制装置，包括：
获取模块，用于获取基站发送的第一消息；所述第一消息中包含目标功率控制模型的第一信息；所述第一信息包括：模型名称和训练好的模型参数；
第三确定模块，用于基于所述第一信息，确定所述目标功率控制模型；
第四确定模块，用于基于所述目标功率控制模型，确定发射功率；
所述第四确定模块，具体用于：
将第一时间段内的实际路损值，输入所述目标功率控制模型的第一预测单元，预测第二时间段内的预测路损值；
将所述预测路损值和所述第二时间段内的实际路损值，输入所述目标功率控制模型的第二预测单元，预测路损偏移量；所述第一时间段为所述第二时间段之前的时间段；
基于所述路损偏移量，确定发射功率；
其中，所述目标功率控制模型是所述基站基于终端所需的功率控制周期确定的；所述目标功率控制模型与终端所需的功率控制周期相匹配；不同的功率控制周期对应的功率控制模型的类型不同；功率控制模型的类型是由所述基站基于功率控制模型对应的算法的复杂度和功率控制模型对应的算法的运算时长确定的。
第九方面，本申请实施例还提供一种功率控制装置，包括：
第五确定模块，用于基于功率控制模型对应的算法的复杂度和功率控制模型对应的算法的运算时长，确定功率控制模型的类型；
第六确定模块，用于基于基站所需的功率控制周期，确定目标功率控制模型；所述目标功率控制模型与基站所需的功率控制周期相匹配；不同的功率控制周期对应的功率控制模型的类型不同；
第七确定模块，用于基于所述目标功率控制模型，确定第二功率调整量；
第八确定模块，用于基于所述第二功率调整量，确定发射功率。
第十方面，本申请实施例还提供一种处理器可读存储介质，所述处理器可读存储介质存储有计算机程序，所述计算机程序用于使所述处理器执行如上所述第一方面或第二方面或第三方面所述的功率控制方法。
第十一方面，本申请实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序用于使计算机执行如上所述第一方面、第二方面或第三方面所述的功率控制方法。
第十二方面，本申请实施例还提供一种通信设备可读存储介质，所述通信设备可读存储介质存储有计算机程序，所述计算机程序用于使通信设备执行如上所述第一方面、第二方面或第三方面所述的功率控制方法。
第十三方面，本申请实施例还提供一种芯片产品可读存储介质，所述芯片产品可读存储介质存储有计算机程序，所述计算机程序用于使芯片产品执行如上所述第一方面、第二方面或第三方面所述的功率控制方法。
本申请实施例提供的功率控制方法、装置及存储介质，通过将大数据和人工智能技术引入到功率控制算法中，在基站预先训练得到功率控制模型，并对功率控制模型进行分类，从而根据终端所需的功率控制周期从分类后的功率控制模型中确定匹配的目标功率控制模型，从而终端可以根据目标功率控制模型的名称和训练好的参数信息确定发射功率，实现了根据与终端匹配的功率控制周期确定发射功率，提高了功率控制方法的灵活性，减少能耗损失。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图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是本申请实施例提供的功率控制方法的流程示意图之一；
图2是本申请实施例提供的路损偏移量预测方法的流程示意图；
图3是本申请实施例提供的功率控制方法的流程示意图之二；
图4是本申请实施例提供的功率控制方法的流程示意图之三；
图5是本申请实施例提供的功率控制方法的流程示意图之四；
图6是本申请实施例提供的功率控制方法的流程示意图之五；
图7是本申请实施例提供的功率控制方法的流程示意图之六；
图8是本申请实施例提供的基站的结构示意图之一；
图9是本申请实施例提供的终端的结构示意图；
图10是本申请实施例提供的基站的结构示意图之二；
图11是本申请实施例提供的功率控制装置的结构示意图之一；
图12是本申请实施例提供的功率控制装置的结构示意图之二；
图13是本申请实施例提供的功率控制装置的结构示意图之三。
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作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。
为了便于清楚描述本申请实施例的技术方案，在本申请的各实施例中，若采用了“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。
本申请实施例中术语“和/或”，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。字符“/”一般表示前后关联对象是一种“或”的关系。
本申请实施例中术语“多个”是指两个或两个以上，其它量词与之类似。
本申请实施例涉及的终端，可以是指向用户提供语音和/或数据连通性的设备，具有无线连接功能的手持式设备、或连接到无线调制解调器的其他处理设备等。在不同的系统中，终端设备的名称可能也不相同，例如在5G系统中，终端设备可以称为用户设备（UserEquipment，UE）。无线终端设备可以经无线接入网（Radio Access Network，RAN）与一个或多个核心网（Core Network，CN）进行通信，无线终端设备可以是移动终端设备，如移动电话（或称为“蜂窝”电话）和具有移动终端设备的计算机，例如，可以是便携式、袖珍式、手持式、计算机内置的或者车载的移动装置，它们与无线接入网交换语言和/或数据。例如，个人通信业务（Personal Communication Service，PCS）电话、无绳电话、会话发起协议（SessionInitiated Protocol，SIP）话机、无线本地环路（Wireless Local Loop，WLL）站、个人数字助理（Personal Digital Assistant，PDA）等设备。无线终端设备也可以称为系统、订户单元（subscriber unit）、订户站（subscriber station），移动站（mobile station）、移动台（mobile）、远程站（remote station）、接入点（access point）、远程终端设备（remoteterminal）、接入终端设备（access terminal）、用户终端设备（user terminal）、用户代理（user agent）、用户装置（user device），本申请实施例中并不限定。
在蜂窝通信中，为使小区内所有移动台到达基站时信号电平基本维持在相等水平、通信质量维持在一个可接收水平，对移动台功率进行的控制。功率控制通过动态调整发射功率，维持接收端一定的信噪比，从而保证链路的传输质量，当信道条件较差时需要增加发射功率，当信道条件较好时需要降低发射功率，从而保证了恒定的传输速率。
图1是本申请实施例提供的功率控制方法的流程示意图之一，如图1所示，本申请实施例提供一种功率控制方法，其执行主体可以为终端，例如，手机等。该方法包括：
步骤101、基于功率控制模型对应的算法的复杂度和功率控制模型对应的算法的运算时长，确定功率控制模型的类型；
步骤102、基于终端所需的功率控制周期，确定目标功率控制模型；所述目标功率控制模型与终端所需的功率控制周期相匹配；不同的功率控制周期对应的功率控制模型的类型不同；
步骤103、向所述终端发送第一消息；所述第一消息中包含所述目标功率控制模型的第一信息；所述第一信息包括：模型名称和训练好的模型参数；所述目标功率控制模型用于基于第一时间段内的实际路损值，预测第二时间段内的预测路损值，并基于所述预测路损值和所述第二时间段内的实际路损值，预测路损偏移量；所述第一时间段为所述第二时间段之前的时间段；所述路损偏移量用于确定发射功率。
可选地，在应用人工智能算法时通常是要有训练、推理和部署三个过程。机器学习的训练过程是通过由样本数据来调整并确定模型的参数，包括所有权重和偏差的理想值，训练过程是生成模型的过程；推理过程是当神经网络模型训练完毕后，输入需要应用的数据模型开始工作；把一个训练好的神经网络模型应用起来，需要把它放在某个硬件平台上并保证其能运行，这个过程称之为部署。
可预先在基站侧进行训练、推理和部署功率控制模型的过程，通过在5G网络中各网元上合理部署模型可以实现人工智能的应用。
在步骤101中，基于功率控制模型对应的算法的复杂度和功率控制模型对应的算法的运算时长，确定功率控制模型的类型。
基站可以综合功率控制模型对应的算法的复杂度以及功率控制模型对应的算法的运算时长，对功率控制模型进行分类，可以将功率控制模型从时间上分为多个等级。
可选地，功率控制模型对应的算法的复杂度可以但是不限于采用如下指标进行衡量：算法参数量、浮点数运算量、吞吐量或比特数等。
在步骤102中，基于终端所需的功率控制周期，确定目标功率控制模型。
功率控制周期是指调整终端发射功率的时长，例如，功率控制周期为10秒时，每隔10秒调整一次终端的发射功率。基站可以根据终端所需的功率控制周期，从分类后的功率控制模型中确定与终端所需的功率控制周期匹配的目标功率控制模型。例如，对于某些类型的业务需要较长时间粒度的功率控制周期，比如带有测距功能终端的测距业务。对于某些类型的业务则需要较短时间粒度的功率控制周期。
可选地，目标功率控制模型与终端所需的功率控制周期相匹配，不同的功率控制周期对应的功率控制模型的类型不同。
即终端所需的功率控制周期较长，则目标功率控制模型对应的功率控制周期也较长；终端所需的功率控制周期较短，则目标功率控制模型对应的功率控制周期也较短。
在步骤103中，向所述终端发送第一消息。
基站确定目标功率控制模型后，向终端发送第一消息。第一消息中可以包含目标功率控制模型的第一信息，第一信息可以是模型名称以及训练好的模型参数信息。
终端接收到基站发送的第一消息后，确定第一消息中的第一信息，即确定目标功率控制模型的模型名称以及训练好的模型参数信息。
终端可以根据接收的模型名称以及训练好的模型参数信息，确定目标功率控制模型，从而可以根据目标功率控制模型确定发射功率。
下面结合具体实施例，详细说明终端根据目标功率控制模型确定发射功率的过程：
实施例一：
在5G技术中的PUSCH信道功率控制算法是指在小区
上的上行带宽部分
（BandWidth Part，BWP）
上的载波
上，在传输时刻
中的物理上行链路共享信道
（Physical Uplink Shared CHannel，PUSCH）进行功率控制，PUSCH承载业务信息时发射功
率计算公式如下：
其中，i表示第i个传输时隙（slot）的索引；
是UE的最大发射功率；
是子载
波跨度配置因子，基站根据它的大小配置子载波间隔；
表示第i个上行slot使用
的PUSCH的资源块（Resource Block，RB）个数；
是基站期望的接收功率水平；
是调制与编码策略（Modulation and Coding Scheme，MCS）功率调整量；PL是UE估计的下行
路径损耗值，通过UE接收到的参考信号接收功率（Reference Signal Receiving Power，
RSRP）测量值和该信号基站发射功率差值得到；α为路径损耗补偿因子；
是PUSCH功率调
整量。
基站期望的接收功率水平
的计算公式如下：
其中，
为基站期望的目标功率水平，
为UE相对于
的功率偏置，反映了UE等级、业务类型以及信道质量对于不同UE的PUSCH发
射功率的影响，由基站计算并通过RRC消息发送给UE，系统默认为0。
由于空间无线传输路径的复杂性和时变特性，不同时刻在同一接收点收到同一发射点发出的信号都会有所不同，现有的路径损耗计算方法不能准确反映接收信号功率的变化。
人工智能和大数据技术的引入能够较好解决这个问题，通过测量到的大量的参考信号的功率差值作为神经模型训练参数，基于长短期记忆网络（Long Short-Term Memory，LSTM）算法可以设计两步预测模型，对于要执行某一时隙t 0 的功率控制，采用提前较长时间段内的路损值预测其后较短时间段内的路损值，再根据预测到的较短时间段内路损值和实际测量到的路损值的差值预测时隙t 0 的路损差值。
图2是本申请实施例提供的路损偏移量预测方法的流程示意图，如图2所示，t -1500 至t -501 时间段为第一时间段，t -500 至t -1 时间段为第二时间段，通过将t -1500 至t -501 时间段内的实际路损值，输入至目标功率控制模型的第一预测单元中，可以预测得到t -500 至t -1 时间段内的预测路损值。
然后将t -500 至t -1 时间段内的预测路损值和实际路损值输入至目标功率控制模型
的第二预测单元中，通过t -500 至t -1 时间段内预测路损值和实际路损值之间的路损差值，预
测得到时隙t 0 的路损差值，即路损偏移量
，作为本申请实施例提出的功率控制算法
的输入。
图3是本申请实施例提供的功率控制方法的流程示意图之二，参照图2和图3，对本申请实施例提供的功率控制方法进行详细描述。
如图2所示，第一步模型用于预测路损，用第一步模型的输出作为第二步模型的输
入，预测现有方法计算得到的路损和预测路损之间的偏差，作为下一时刻的路损偏移量
。
在计算下一时刻的功率控制值时加上该偏移量
就是本申请提出的功率控
制值，计算公式如下：
其中，i表示第i个传输slot的索引；
是UE的最大发射功率；
是子载波跨度
配置因子，基站根据它的大小配置子载波间隔；
表示第i个上行slot使用的
PUSCH的RB个数；
是基站期望的接收功率水平；
是MCS功率调整量；PL是UE估
计的下行路径损耗值，通过UE接收到的RSRP测量值和该信号基站发射功率差值得到；α为路
径损耗补偿因子；
是路损偏移量；
是PUSCH功率调整量。
根据上行功率控制模型分析，路损偏移量计算采用的LSTM神经网络模型训练过程需要大量计算，通常需要每秒万亿次浮点运算（tera Floating-point operations persecond，TFLOPS）级别的算力资源。该级别运算量的模型训练运算需要在非实时计算节点上完成，即在计算平台或者操作维护管理（Operation Administration and Maintenance，OAM）上完成。
模型训练完成后，通过接口消息将模型的第一信息传送到终端，传送模型是神经网络部署过程，首先发送到基站，通过空口Uu接口消息发送到终端。
采用的空口消息可以但不限于无线资源控制（Radio Resource Control，RRC）重配消息，将模型发送到终端，因此需要在RRC重配消息中增加关于人工智能算法配置的信元，消息中带有训练得到的模型名称和参数。
可选地，终端收到算法模型配置后，并不是立刻主动执行算法模型。
基站通过物理层下行链路控制信息（Downlink Control Information，DCI）可以控制使用和结束使用基于神经网络模型的功率控制。需要在DCI消息中增加2比特信息，分别用于激活和去激活上述神经网络模型。
通过终端根据功率控制模型的模型名称以及训练好的参数，确定目标功率控制模型，预测得到路损偏移量，可以得到更准确的路损量，进而提高了功率控制方法的准确性。
实施例二：
5G网络中高流量密度和高密集的终端接入导致无线网络部署密集化，很多场景已发展成为超密集网络，终端间的干扰也需要终端调整发射功率提高系统容量。
而现有的功率控制算法是一种朴素固定的功率调整算法，无法适应复杂多样的应用场景和信道环境。
图4是本申请实施例提供的功率控制方法的流程示意图之三，参考图4，对本实施例提供的功率控制方法进行详细描述。
人工智能和大数据技术的引入能够较好解决这个问题，基于大量的终端收集到的历史数据以提升吞吐量和系统容量等为目标，训练神经网络模型，以当前时刻数据作为通过模型的推理得到期望的上行功率可以作为现有功率调整算法的补充。
预测功率经过加权可以作为现有算法计算出的第一功率调整量。计算公式如下：
其中，i表示第i个传输slot的索引；
是UE的最大发射功率；
是子载波跨度
配置因子，基站根据它的大小配置子载波间隔；
表示第i个上行slot使用的PUSCH
的RB个数；
是基站期望的接收功率水平；
是MCS功率调整量；PL是UE估计的
下行路径损耗值，通过UE接收到的RSRP测量值和该信号基站发射功率差值得到；α为路径损
耗补偿因子；
是PUSCH功率调整量；
是采用人工智能算法LSTM模型根据前一个时
间段内的功率值通过预测计算出的当前时隙的预测功率；
是网络侧配置权重参数。
即为第一功率调整量。
采用LSTM神经网络模型训练过程需要大量计算，通常需要TFLOPS级别的算力资源。该级别运算量的模型训练运算需要在非实时计算节点上完成，即在计算平台或者OAM上完成。
通过终端根据功率控制模型的模型名称以及训练好的参数，确定目标功率控制模型，经过计算得到第一功率调整量，可以得到更准确的期望的上行功率，进而提高了功率控制方法的准确性。
本申请实施例提供的功率控制方法，通过将大数据和人工智能技术引入到功率控制算法中，在基站侧预先训练得到功率控制模型，并对功率控制模型进行分类，从而根据终端所需的功率控制周期从分类后的功率控制模型中确定匹配的目标功率控制模型，从而终端可以根据目标功率控制模型的名称和训练好的参数信息确定发射功率，实现了根据与终端匹配的功率控制周期确定发射功率，提高了功率控制方法的灵活性，减少能耗损失。
在一些实施例中，所述向所述终端发送第一消息之后，还包括：
向所述终端发送第二消息；所述第二消息中包含激活信息；
所述激活信息用于激活所述目标功率控制模型。
可选地，基站向终端发送第一消息，终端接收到第一消息后，并不是立刻主动执行算法模型。
基站可以向终端发送第二消息，第二消息中包含激活信息。激活信息可以用于激活基于功率控制模型信息确定的功率控制模型。
终端接收基站发送的第二消息后，第二消息中包含目标功率控制模型的激活信息。
终端可以根据激活信息，激活目标功率控制模型，从而根据功率控制模型进行计算，得到发射功率。
第二消息可以是DCI消息。
基站通过物理层DCI消息控制可以使用和结束使用基于神经网络模型的功率控制，需要在DCI消息中增加2比特信息，分别用于激活和去激活上述神经网络模型。
本申请实施例提供的功率控制方法，通过基站向终端发送第二消息，终端可以根据第二消息中的激活信息激活目标功率控制模型，从而根据目标功率控制模型进行计算，得到发射功率。
在一些实施例中，所述基于功率控制模型对应的算法的复杂度和功率控制模型对应的算法的运算时长，确定功率控制模型的类型之前，还包括：
基于所述功率控制模型的第二信息，确定所述功率控制模型对应的算法的复杂度；所述第二信息包括以下信息中的一种或多种：算法参数量、浮点数运算量、吞吐量或比特数。
可选地，算法参数量可以为深度神经网络模型参数多少，浮点数运算量可以为网络模型计算过程中有多少浮点运算，吞吐量可以为单位时间内能输出结果的量，比特数可以为参数和激活值占用的比特数。
例如，基站可以以功率控制模型的第二信息中的任意一项信息作为指标来衡量功率控制模型对应的算法的复杂度，也可以结合多向信息得到一个综合指标来衡量功率控制模型对应的算法的复杂度。
本申请实施例提供的功率控制方法，通过同时结合功率控制模型对应的算法的复杂度以及运算时长，对功率控制模型分类，从而不同类型的功率控制模型对应的功率控制周期的不同。
在一些实施例中，所述基于功率控制模型对应的算法的复杂度和功率控制模型对应的算法的运算时长，确定功率控制模型的类型，包括：
基于功率控制模型对应的算法的复杂度和功率控制模型对应的算法的运算时长，确定所述复杂度和所述运算时长的加权平均值；
将所述加权平均值大于或等于第一阈值的算法所对应的功率控制模型，确定为非实时计算功率控制模型；
将所述加权平均值大于或等于第二阈值并小于所述第一阈值的算法所对应的功率控制模型，确定为大尺度近实时计算功率控制模型；
将所述加权平均值小于所述第二阈值的算法所对应的功率控制模型，确定为小尺度近实时计算功率控制模型；
所述第一阈值大于所述第二阈值。
可选地，可以根据功率控制模型对应的算法的复杂度和功率控制模型对应的算法的运算时长，确定二者的加权平均值。
例如，以算法的参数量来衡量算法的复杂度时，可以综合算法的参数量和算法耗费时间，计算二者的加权平均值，记为M。并且设置第一阈值N1和第二阈值N2，N1大于N2。N1和N2的值的大小取值可以根据不同的应用场景和实施例进行设置，此处不做限定。
当M大于或等于N1时，将该算法所对应的功率控制模型，确定为非实时计算功率控制模型；
当M大于或等于N2并小于N1时，将该算法所对应的功率控制模型，确定为大尺度近实时计算功率控制模型；
当M小于N2时，将该算法所对应的功率控制模型，确定为小尺度近实时计算功率控制模型。
在一些实施例中，所述非实时计算功率控制模型对应的功率控制周期大于或等于第一预设周期；
所述大尺度近实时计算功率控制模型对应的功率控制周期大于或等于第二预设周期并小于所述第一预设周期；
所述小尺度近实时计算功率控制模型对应的功率控制周期小于所述第二预设周期；
所述第一预设周期大于所述第二预设周期。
可选地，可设置第一预设周期为T1，第二预设周期为T2，其中，T1＞T2。
非实时计算功率控制模型对应的功率控制周期较大，大于或等于T1。大尺度近实时计算功率控制模型对应的功率控制周期大于或等于T2，并小于T1。小尺度近实时计算功率控制模型对应的功率控制周期较小，小于T2。
可选地，第一预设周期和第二预设周期可根据实际需要自行设定，在此不做限定。
从而，不同类型的功率控制模型对应的功率控制周期不同。非实时计算功率控制模型、大尺度近实时计算功率控制模型和小尺度近实时计算功率控制模型分别对应长功率控制周期、中功率控制周期和短功率控制周期。
可用于功率控制的人工智能模型有多种，可根据上述分类方法对采用的功率控制模型分类，基于不同的分类实施算法部署。
例如，可以在基站内部OAM网元部署非实时计算和大尺度近实时计算，基站内部中央单元（Centralized Unit，CU）或者分布单元（Distributed Unit，DU）上部署小尺度近实时计算和实时计算。
本申请实施例提供的功率控制方法，通过对功率控制模型分类，从而不同类型的功率控制模型对应的功率控制周期的不同，在终端所需的功率控制周期较长时，可以从非实时计算功率控制模型中选择对应的目标功率控制模型，并将模型名称和训练好的参数发送给终端，从而可以根据目标功率控制模型确定发射功率，减少能耗损失。
图5是本申请实施例提供的功率控制方法的流程示意图之四，如图5所示，本申请实施例提供一种功率控制方法，其执行主体可以为基站。该方法包括：
步骤501、获取基站发送的第一消息；所述第一消息中包含目标功率控制模型的第一信息；所述第一信息包括：模型名称和训练好的模型参数；
步骤502、基于所述第一信息，确定所述目标功率控制模型；
步骤503、基于所述目标功率控制模型，确定发射功率；
所述基于所述目标功率控制模型，确定发射功率，包括：
将第一时间段内的实际路损值，输入所述目标功率控制模型的第一预测单元，预测第二时间段内的预测路损值；
将所述预测路损值和所述第二时间段内的实际路损值，输入所述目标功率控制模型的第二预测单元，预测路损偏移量；所述第一时间段为所述第二时间段之前的时间段；
基于所述路损偏移量，确定发射功率；
其中，所述目标功率控制模型是所述基站基于终端所需的功率控制周期确定的；所述目标功率控制模型与终端所需的功率控制周期相匹配；不同的功率控制周期对应的功率控制模型的类型不同；功率控制模型的类型是由所述基站基于功率控制模型对应的算法的复杂度和功率控制模型对应的算法的运算时长确定的。
在一些实施例中，所述基于所述第一信息，确定所述目标功率控制模型之后，还包括：
获取基站发送的第二消息；所述第二消息中包含激活信息；
基于所述激活信息，激活所述目标功率控制模型。
在一些实施例中，所述基于所述目标功率控制模型，确定发射功率，还包括：
基于所述目标功率控制模型，确定第一功率调整量；
基于所述第一功率调整量，确定发射功率。
具体地，本申请实施例提供的功率控制方法，可参照上述执行主体为基站的功率控制方法实施例，且能够达到相同的技术效果，在此不再对本实施例中与上述相应方法实施例相同的部分及有益效果进行具体赘述。
图6是本申请实施例提供的功率控制方法的流程示意图之五，如图6所示，本申请实施例提供一种功率控制方法，其执行主体可以为基站。该方法包括：
步骤601、基于功率控制模型对应的算法的复杂度和功率控制模型对应的算法的运算时长，确定功率控制模型的类型；
步骤602、基于基站所需的功率控制周期，确定目标功率控制模型；所述目标功率控制模型与基站所需的功率控制周期相匹配；不同的功率控制周期对应的功率控制模型的类型不同；
步骤603、基于所述目标功率控制模型，确定第二功率调整量；
步骤604、基于所述第二功率调整量，确定发射功率。
可选地，本申请实施例提供的功率控制方法，同样适用于下行功率分配。对于下行动态功率分配的信道一般含有相应的动态功控开关，当开关打开时采用动态功率分配，当开关关闭时采用固定功率分配。
可选地，以物理下行控制信道（Physical Downlink Control Channel，PDCCH）为例，专用PDCCH（传递用户数据的调度信息）既可以固定功率分配，又可以动态功率控制。PDCCH动态功控是根据PDCCH的误码率来调整其发射功率的，在动态调整功率过程中功率增大量和减少只是采用有限的数据进行简单的加减运算。例如，现有技术中，首先在基站上人为配置PDCCH信号发射的初始功率，基于PDCCH的误块率（Block Error Rate，BLER）目标值自适应地调整发射功率，通过设置功率变化量∆p，当满足预设条件时，初始功率增加∆p，否则减少∆p。
在步骤601中，基于功率控制模型对应的算法的复杂度和功率控制模型对应的算法的运算时长，确定功率控制模型的类型。
可选地，基站内部OAM网元可以根据收集到的历史大数据信息，包括：用户体验的吞吐量、业务中断率、掉话率、用户位置、信道估计等信息作为输入，在OAM或者计算平台上训练深度神经网络得到一个深度神经网络模型，比如多层感知神经网络模型，通过训练过程可以得到模型的确定参数。
OAM网元可以综合功率控制模型对应的算法的复杂度以及功率控制模型对应的算法的运算时长，对功率控制模型进行分类，可以将功率控制模型从时间上分为多个等级。
可选地，功率控制模型对应的算法的复杂度可以但是不限于采用如下指标进行衡量：算法参数量、浮点数运算量、吞吐量或比特数等。
在步骤602中，基于基站所需的功率控制周期，确定目标功率控制模型；所述目标功率控制模型与基站所需的功率控制周期相匹配；不同的功率控制周期对应的功率控制模型的类型不同。
可选地，OAM网元可以根据基站所需的功率控制周期，从分类后的功率控制模型中确定与基站所需的功率控制周期匹配的目标功率控制模型。
可选地，目标功率控制模型与基站所需的功率控制周期相匹配，不同的功率控制周期对应的功率控制模型的类型不同。
即基站所需的功率控制周期较长，则目标功率控制模型对应的功率控制周期也较长；基站所需的功率控制周期较短，则目标功率控制模型对应的功率控制周期也较短。
在步骤603中，基于所述目标功率控制模型，确定第二功率调整量。
可选地，基站可以根据确定的目标功率控制模型，根据实时的用户位置、信道估计等输入信息计算第二功率调整量。
在步骤604中，基于所述第二功率调整量，确定发射功率。
基站根据得到的第二功率调整量可以调整发射功率，例如，第二功率调整量为正值时则增加发射功率，第二功率调整量为负值时则减少发射功率。
图7是本申请实施例提供的功率控制方法的流程示意图之六，参图7，对本申请实施例提供的功率控制方法详细说明。
可选地，打开PDCCH动态控制开关，OAM网元将训练好的神经网络模型发送给基站，基站执行模型的推理过程，根据实时的用户位置、信道估计等输入信息计算确定第二功率调整量，根据第二功率调整量调整发射功率，正值是增加发射功率，负值是减少发射功率。
本申请实施例提供的功率控制方法，通过将大数据和人工智能技术引入到功率控制算法中，在OAM网元预先训练得到功率控制模型，并对功率控制模型进行分类，从而根据基站所需的功率控制周期从分类后的功率控制模型中确定匹配的目标功率控制模型，从而基站可以根据目标功率控制模型确定发射功率，实现了根据与基站匹配的功率控制周期确定发射功率，提高了功率控制方法的灵活性，减少能耗损失。并且通过基站根据功率控制模型预测得到第二功率调整量，根据第二功率调整量调整发射功率，从而提高了功率控制方法的准确性，提高了通信质量。
在一些实施例中，所述基于功率控制模型对应的算法的复杂度和功率控制模型对应的算法的运算时长，确定功率控制模型的类型之前，还包括：
基于所述功率控制模型的第二信息，确定所述功率控制模型对应的算法的复杂度；所述第二信息包括以下信息中的一种或多种：算法参数量、浮点数运算量、吞吐量或比特数。
可选地，算法参数量可以为深度神经网络模型参数多少，浮点数运算量可以为网络模型计算过程中有多少浮点运算，吞吐量可以为单位时间内能输出结果的量，比特数可以为参数和激活值占用的比特数。
例如，基站可以以功率控制模型的第二信息中的任意一项信息作为指标来衡量功率控制模型对应的算法的复杂度，也可以结合多向信息得到一个综合指标来衡量功率控制模型对应的算法的复杂度。
本申请实施例提供的功率控制方法，通过同时结合功率控制模型对应的算法的复杂度以及运算时长，对功率控制模型分类，从而不同类型的功率控制模型对应的功率控制周期的不同。
在一些实施例中，所述基于功率控制模型对应的算法的复杂度和功率控制模型对应的算法的运算时长，确定功率控制模型的类型，包括：
基于功率控制模型对应的算法的复杂度和功率控制模型对应的算法的运算时长，确定所述复杂度和所述运算时长的加权平均值；
将所述加权平均值大于或等于第一阈值的算法所对应的功率控制模型，确定为非实时计算功率控制模型；
将所述加权平均值大于或等于第二阈值并小于所述第一阈值的算法所对应的功率控制模型，确定为大尺度近实时计算功率控制模型；
将所述加权平均值小于所述第二阈值的算法所对应的功率控制模型，确定为小尺度近实时计算功率控制模型；
所述第一阈值大于所述第二阈值。
可选地，可以根据功率控制模型对应的算法的复杂度和功率控制模型对应的算法的运算时长，确定二者的加权平均值。
例如，以算法的参数量来衡量算法的复杂度时，可以综合算法的参数量和算法耗费时间，计算二者的加权平均值，记为M。并且设置第一阈值N1和第二阈值N2，N1大于N2。N1和N2的值的大小取值可以根据不同的应用场景和实施例进行设置，此处不做限定。
当M大于或等于N1时，将该算法所对应的功率控制模型，确定为非实时计算功率控制模型；
当M大于或等于N2并小于N1时，将该算法所对应的功率控制模型，确定为大尺度近实时计算功率控制模型；
当M小于N2时，将该算法所对应的功率控制模型，确定为小尺度近实时计算功率控制模型。
在一些实施例中，所述非实时计算功率控制模型对应的功率控制周期大于或等于第一预设周期；
所述大尺度近实时计算功率控制模型对应的功率控制周期大于或等于第二预设周期并小于所述第一预设周期；
所述小尺度近实时计算功率控制模型对应的功率控制周期小于所述第二预设周期；
所述第一预设周期大于所述第二预设周期。
可选地，可设置第一预设周期为T1，第二预设周期为T2，其中，T1＞T2。
非实时计算功率控制模型对应的功率控制周期较大，大于或等于T1。大尺度近实时计算功率控制模型对应的功率控制周期大于或等于T2，并小于T1。小尺度近实时计算功率控制模型对应的功率控制周期较小，小于T2。
可选地，第一预设周期和第二预设周期可根据实际需要自行设定，在此不做限定。
从而，不同类型的功率控制模型对应的功率控制周期不同。非实时计算功率控制模型、大尺度近实时计算功率控制模型和小尺度近实时计算功率控制模型分别对应长功率控制周期、中功率控制周期和短功率控制周期。
可用于功率控制的人工智能模型有多种，可根据上述分类方法对采用的功率控制模型分类，基于不同的分类实施算法部署。
例如，可以在操作维护管理（Operation Administration and Maintenance，OAM）网元部署非实时计算和大尺度近实时计算，基站内部CU或者DU上部署小尺度近实时计算和实时计算。
本申请实施例提供的功率控制方法，通过对功率控制模型分类，从而不同类型的功率控制模型对应的功率控制周期的不同，在终端所需的功率控制周期较长时，可以从非实时计算功率控制模型中选择对应的目标功率控制模型，并将模型名称和训练好的参数发送给终端，从而可以根据目标功率控制模型确定发射功率，减少能耗损失。
图8是本申请实施例提供的一种基站的结构示意图之一，如图8所示，所述基站包括存储器820，收发机800，处理器810，其中：
存储器820，用于存储计算机程序；收发机800，用于在所述处理器810的控制下收发数据；处理器810，用于读取所述存储器820中的计算机程序并执行以下操作：基于功率控制模型对应的算法的复杂度和功率控制模型对应的算法的运算时长，确定功率控制模型的类型；基于终端所需的功率控制周期，确定目标功率控制模型；所述目标功率控制模型与终端所需的功率控制周期相匹配；不同的功率控制周期对应的功率控制模型的类型不同；向所述终端发送第一消息；所述第一消息中包含所述目标功率控制模型的第一信息；所述第一信息包括：模型名称和训练好的模型参数；所述目标功率控制模型用于基于第一时间段内的实际路损值，预测第二时间段内的预测路损值，并基于所述预测路损值和所述第二时间段内的实际路损值，预测路损偏移量；所述第一时间段为所述第二时间段之前的时间段；所述路损偏移量用于确定发射功率。
具体地，收发机800，用于在处理器810的控制下接收和发送数据。
其中，在图8中，总线架构可以包括任意数量的互联的总线和桥，具体由处理器810代表的一个或多个处理器和存储器820代表的存储器的各种电路链接在一起。总线架构还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口提供接口。收发机800可以是多个元件，即包括发送机和接收机，提供用于在传输介质上与各种其他装置通信的单元，这些传输介质包括无线信道、有线信道、光缆等传输介质。处理器810负责管理总线架构和通常的处理，存储器820可以存储处理器810在执行操作时所使用的数据。
处理器810可以是中央处理器（CPU）、专用集成电路（Application SpecificIntegrated Circuit，ASIC）、现场可编程门阵列（Field－Programmable Gate Array，FPGA）或复杂可编程逻辑器件（Complex Programmable Logic Device，CPLD），处理器也可以采用多核架构。
可选地，作为另一个实施例，处理器810还用于：向所述终端发送第二消息；所述第二消息中包含激活信息；所述激活信息用于激活所述目标功率控制模型。
可选地，作为另一个实施例，处理器810还用于：基于所述功率控制模型的第二信息，确定所述功率控制模型对应的算法的复杂度；所述第二信息包括以下信息中的一种或多种：算法参数量、浮点数运算量、吞吐量或比特数。
可选地，作为另一个实施例，处理器810还用于：基于功率控制模型对应的算法的复杂度和功率控制模型对应的算法的运算时长，确定所述复杂度和所述运算时长的加权平均值；将所述加权平均值大于或等于第一阈值的算法所对应的功率控制模型，确定为非实时计算功率控制模型；将所述加权平均值大于或等于第二阈值并小于所述第一阈值的算法所对应的功率控制模型，确定为大尺度近实时计算功率控制模型；将所述加权平均值小于所述第二阈值的算法所对应的功率控制模型，确定为小尺度近实时计算功率控制模型；所述第一阈值大于所述第二阈值。
可选地，作为另一个实施例，所述非实时计算功率控制模型对应的功率控制周期大于或等于第一预设周期；所述大尺度近实时计算功率控制模型对应的功率控制周期大于或等于第二预设周期并小于所述第一预设周期；所述小尺度近实时计算功率控制模型对应的功率控制周期小于所述第二预设周期；所述第一预设周期大于所述第二预设周期。
在此需要说明的是，本申请实施例提供的上述基站，能够实现上述执行主体为基站的方法实施例所实现的所有方法步骤，且能够达到相同的技术效果，在此不再对本实施例中与方法实施例相同的部分及有益效果进行具体赘述。
图9是本申请实施例提供的一种终端的结构示意图，如图9所示，所述终端包括存储器920，收发机900，处理器910，其中：
存储器920，用于存储计算机程序；收发机900，用于在所述处理器910的控制下收发数据；处理器910，用于读取所述存储器920中的计算机程序并执行以下操作：获取基站发送的第一消息；所述第一消息中包含目标功率控制模型的第一信息；所述第一信息包括：模型名称和训练好的模型参数；基于所述第一信息，确定所述目标功率控制模型；基于所述目标功率控制模型，确定发射功率；所述基于所述目标功率控制模型，确定发射功率，包括：将第一时间段内的实际路损值，输入所述目标功率控制模型的第一预测单元，预测第二时间段内的预测路损值；将所述预测路损值和所述第二时间段内的实际路损值，输入所述目标功率控制模型的第二预测单元，预测路损偏移量；所述第一时间段为所述第二时间段之前的时间段；基于所述路损偏移量，确定发射功率；其中，所述目标功率控制模型是所述基站基于终端所需的功率控制周期确定的；所述目标功率控制模型与终端所需的功率控制周期相匹配；不同的功率控制周期对应的功率控制模型的类型不同；功率控制模型的类型是由所述基站基于功率控制模型对应的算法的复杂度和功率控制模型对应的算法的运算时长确定的。
具体地，收发机900，用于在处理器910的控制下接收和发送数据。
其中，在图9中，总线架构可以包括任意数量的互联的总线和桥，具体由处理器910代表的一个或多个处理器和存储器920代表的存储器的各种电路链接在一起。总线架构还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口提供接口。收发机900可以是多个元件，即包括发送机和接收机，提供用于在传输介质上与各种其他装置通信的单元，这些传输介质包括，这些传输介质包括无线信道、有线信道、光缆等传输介质。针对不同的用户设备，用户接口930还可以是能够外接内接需要设备的接口，连接的设备包括但不限于小键盘、显示器、扬声器、麦克风、操纵杆等。
处理器910负责管理总线架构和通常的处理，存储器920可以存储处理器910在执行操作时所使用的数据。
可选的，处理器910可以是CPU（中央处理器）、ASIC（Application SpecificIntegrated Circuit，专用集成电路）、FPGA（Field－Programmable Gate Array，现场可编程门阵列）或CPLD（Complex Programmable Logic Device，复杂可编程逻辑器件），处理器也可以采用多核架构。
处理器通过调用存储器存储的计算机程序，用于按照获得的可执行指令执行本申请实施例提供的任一所述方法。处理器与存储器也可以物理上分开布置。
可选地，作为另一个实施例，处理器910还用于：获取基站发送的第二消息；所述第二消息中包含激活信息；基于所述激活信息，激活所述目标功率控制模型。
可选地，作为另一个实施例，处理器910还用于：基于所述目标功率控制模型，确定第一功率调整量；基于所述第一功率调整量，确定发射功率。
在此需要说明的是，本申请实施例提供的上述终端，能够实现上述执行主体为终端的方法实施例所实现的所有方法步骤，且能够达到相同的技术效果，在此不再对本实施例中与方法实施例相同的部分及有益效果进行具体赘述。
图10是本申请实施例提供的一种基站的结构示意图之二，如图10所示，所述基站包括存储器1020，收发机1000，处理器1010，其中：
存储器1020，用于存储计算机程序；收发机1000，用于在所述处理器1010的控制下收发数据；处理器1010，用于读取所述存储器1020中的计算机程序并执行以下操作：基于功率控制模型对应的算法的复杂度和功率控制模型对应的算法的运算时长，确定功率控制模型的类型；基于基站所需的功率控制周期，确定目标功率控制模型；所述目标功率控制模型与基站所需的功率控制周期相匹配；不同的功率控制周期对应的功率控制模型的类型不同；基于所述目标功率控制模型，确定第二功率调整量；基于所述第二功率调整量，确定发射功率。
具体地，收发机1000，用于在处理器1010的控制下接收和发送数据。
其中，在图10中，总线架构可以包括任意数量的互联的总线和桥，具体由处理器1010代表的一个或多个处理器和存储器1020代表的存储器的各种电路链接在一起。总线架构还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口提供接口。收发机1000可以是多个元件，即包括发送机和接收机，提供用于在传输介质上与各种其他装置通信的单元，这些传输介质包括无线信道、有线信道、光缆等传输介质。处理器1010负责管理总线架构和通常的处理，存储器1020可以存储处理器1010在执行操作时所使用的数据。
处理器1010可以是中央处理器（CPU）、专用集成电路（Application SpecificIntegrated Circuit，ASIC）、现场可编程门阵列（Field－Programmable Gate Array，FPGA）或复杂可编程逻辑器件（Complex Programmable Logic Device，CPLD），处理器也可以采用多核架构。
可选地，作为另一个实施例，处理器1010还用于：基于所述功率控制模型的第二信息，确定所述功率控制模型对应的算法的复杂度；所述第二信息包括以下信息中的一种或多种：算法参数量、浮点数运算量、吞吐量或比特数。
可选地，作为另一个实施例，处理器1010还用于：基于功率控制模型对应的算法的复杂度和功率控制模型对应的算法的运算时长，确定所述复杂度和所述运算时长的加权平均值；将所述加权平均值大于或等于第一阈值的算法所对应的功率控制模型，确定为非实时计算功率控制模型；将所述加权平均值大于或等于第二阈值并小于所述第一阈值的算法所对应的功率控制模型，确定为大尺度近实时计算功率控制模型；将所述加权平均值小于所述第二阈值的算法所对应的功率控制模型，确定为小尺度近实时计算功率控制模型；所述第一阈值大于所述第二阈值。
可选地，作为另一个实施例，所述非实时计算功率控制模型对应的功率控制周期大于或等于第一预设周期；所述大尺度近实时计算功率控制模型对应的功率控制周期大于或等于第二预设周期并小于所述第一预设周期；所述小尺度近实时计算功率控制模型对应的功率控制周期小于所述第二预设周期；所述第一预设周期大于所述第二预设周期。
在此需要说明的是，本申请实施例提供的上述基站，能够实现上述执行主体为基站的方法实施例所实现的所有方法步骤，且能够达到相同的技术效果，在此不再对本实施例中与方法实施例相同的部分及有益效果进行具体赘述。
图11是本申请实施例提供的功率控制装置的结构示意图之一，该装置包括：
第一确定模块1101，用于基于功率控制模型对应的算法的复杂度和功率控制模型对应的算法的运算时长，确定功率控制模型的类型；
第二确定模块1102，用于基于终端所需的功率控制周期，确定目标功率控制模型；所述目标功率控制模型与终端所需的功率控制周期相匹配；不同的功率控制周期对应的功率控制模型的类型不同；
发送模块1103，用于向所述终端发送第一消息；所述第一消息中包含所述目标功率控制模型的第一信息；所述第一信息包括：模型名称和训练好的模型参数；所述目标功率控制模型用于基于第一时间段内的实际路损值，预测第二时间段内的预测路损值，并基于所述预测路损值和所述第二时间段内的实际路损值，预测路损偏移量；所述第一时间段为所述第二时间段之前的时间段；所述路损偏移量用于确定发射功率。
可选地，所述功率控制装置还包括：
第二发送模块，用于向所述终端发送第二消息；所述第二消息中包含激活信息；所述激活信息用于激活所述目标功率控制模型。
可选地，所述功率控制装置还包括：
第九确定模块，用于基于所述功率控制模型的第二信息，确定所述功率控制模型对应的算法的复杂度；所述第二信息包括以下信息中的一种或多种：算法参数量、浮点数运算量、吞吐量或比特数。
可选地，所述第一确定模块1101，还用于：
基于功率控制模型对应的算法的复杂度和功率控制模型对应的算法的运算时长，确定所述复杂度和所述运算时长的加权平均值；
将所述加权平均值大于或等于第一阈值的算法所对应的功率控制模型，确定为非实时计算功率控制模型；
将所述加权平均值大于或等于第二阈值并小于所述第一阈值的算法所对应的功率控制模型，确定为大尺度近实时计算功率控制模型；
将所述加权平均值小于所述第二阈值的算法所对应的功率控制模型，确定为小尺度近实时计算功率控制模型；
所述第一阈值大于所述第二阈值。
可选地，所述非实时计算功率控制模型对应的功率控制周期大于或等于第一预设周期；
所述大尺度近实时计算功率控制模型对应的功率控制周期大于或等于第二预设周期并小于所述第一预设周期；
所述小尺度近实时计算功率控制模型对应的功率控制周期小于所述第二预设周期；
所述第一预设周期大于所述第二预设周期。
在此需要说明的是，本申请实施例提供的上述装置，能够实现上述执行主体为基站的方法实施例所实现的所有方法步骤，且能够达到相同的技术效果，在此不再对本实施例中与方法实施例相同的部分及有益效果进行具体赘述。
图12是本申请实施例提供的功率控制装置的结构示意图之二，该装置包括：
获取模块1201，用于获取基站发送的第一消息；所述第一消息中包含目标功率控制模型的第一信息；所述第一信息包括：模型名称和训练好的模型参数；
第三确定模块1202，用于基于所述第一信息，确定所述目标功率控制模型；
第四确定模块1203，用于基于所述目标功率控制模型，确定发射功率；
所述第四确定模块1203，具体用于：
将第一时间段内的实际路损值，输入所述目标功率控制模型的第一预测单元，预测第二时间段内的预测路损值；
将所述预测路损值和所述第二时间段内的实际路损值，输入所述目标功率控制模型的第二预测单元，预测路损偏移量；所述第一时间段为所述第二时间段之前的时间段；
基于所述路损偏移量，确定发射功率；
其中，所述目标功率控制模型是所述基站基于终端所需的功率控制周期确定的；所述目标功率控制模型与终端所需的功率控制周期相匹配；不同的功率控制周期对应的功率控制模型的类型不同；功率控制模型的类型是由所述基站基于功率控制模型对应的算法的复杂度和功率控制模型对应的算法的运算时长确定的。
可选地，所述功率控制装置还包括：
第二获取模块，用于获取基站发送的第二消息；所述第二消息中包含激活信息；
激活模块，用于基于所述激活信息，激活所述目标功率控制模型。
可选地，第四确定模块1203，还用于：
基于所述目标功率控制模型，确定第一功率调整量；
基于所述第一功率调整量，确定发射功率。
在此需要说明的是，本申请实施例提供的上述装置，能够实现上述执行主体为终端的方法实施例所实现的所有方法步骤，且能够达到相同的技术效果，在此不再对本实施例中与方法实施例相同的部分及有益效果进行具体赘述。
图13是本申请实施例提供的功率控制装置的结构示意图之三，该装置包括：
第五确定模块1301，用于基于功率控制模型对应的算法的复杂度和功率控制模型对应的算法的运算时长，确定功率控制模型的类型；
第六确定模块1302，用于基于基站所需的功率控制周期，确定目标功率控制模型；所述目标功率控制模型与基站所需的功率控制周期相匹配；不同的功率控制周期对应的功率控制模型的类型不同；
第七确定模块1303，用于基于所述目标功率控制模型，确定第二功率调整量；
第八确定模块1304，用于基于所述第二功率调整量，确定发射功率。
可选地，所述功率控制装置，还包括：
第十确定模块，用于基于所述功率控制模型的第二信息，确定所述功率控制模型对应的算法的复杂度；所述第二信息包括以下信息中的一种或多种：算法参数量、浮点数运算量、吞吐量或比特数。
可选地，所述第五确定模块1301，还用于：
基于功率控制模型对应的算法的复杂度和功率控制模型对应的算法的运算时长，确定所述复杂度和所述运算时长的加权平均值；
将所述加权平均值大于或等于第一阈值的算法所对应的功率控制模型，确定为非实时计算功率控制模型；
将所述加权平均值大于或等于第二阈值并小于所述第一阈值的算法所对应的功率控制模型，确定为大尺度近实时计算功率控制模型；
将所述加权平均值小于所述第二阈值的算法所对应的功率控制模型，确定为小尺度近实时计算功率控制模型；
所述第一阈值大于所述第二阈值。
可选地，所述非实时计算功率控制模型对应的功率控制周期大于或等于第一预设周期；
所述大尺度近实时计算功率控制模型对应的功率控制周期大于或等于第二预设周期并小于所述第一预设周期；
所述小尺度近实时计算功率控制模型对应的功率控制周期小于所述第二预设周期；
所述第一预设周期大于所述第二预设周期。
在此需要说明的是，本申请实施例提供的上述装置，能够实现上述执行主体为基站的方法实施例所实现的所有方法步骤，且能够达到相同的技术效果，在此不再对本实施例中与方法实施例相同的部分及有益效果进行具体赘述。
需要说明的是，本申请实施例中对单元的划分是示意性的，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。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。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元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全部或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）或处理器（processor）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-Only Memory，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。
在此需要说明的是，本申请实施例提供的上述装置，能够实现上述方法实施例所实现的所有方法步骤，且能够达到相同的技术效果，在此不再对本实施例中与方法实施例相同的部分及有益效果进行具体赘述。
另一方面，本申请实施例还提供一种处理器可读存储介质，所述处理器可读存储介质存储有计算机程序，所述计算机程序用于使所述处理器执行上述各实施例提供的方法，包括：基于功率控制模型对应的算法的复杂度和功率控制模型对应的算法的运算时长，确定功率控制模型的类型；基于终端所需的功率控制周期，确定目标功率控制模型；所述目标功率控制模型与终端所需的功率控制周期相匹配；不同的功率控制周期对应的功率控制模型的类型不同；向所述终端发送第一消息；所述第一消息中包含所述目标功率控制模型的第一信息；所述第一信息包括：模型名称和训练好的模型参数；所述目标功率控制模型用于基于第一时间段内的实际路损值，预测第二时间段内的预测路损值，并基于所述预测路损值和所述第二时间段内的实际路损值，预测路损偏移量；所述第一时间段为所述第二时间段之前的时间段；所述路损偏移量用于确定发射功率。
所述处理器可读存储介质可以是处理器能够存取的任何可用介质或数据存储设备，包括但不限于磁性存储器（例如软盘、硬盘、磁带、磁光盘（MO）等）、光学存储器（例如CD、DVD、BD、HVD等）、以及半导体存储器（例如ROM、EPROM、EEPROM、非易失性存储器（NANDFLASH）、固态硬盘（SSD））等。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器和光学存储器等）上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机可执行指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机可执行指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些处理器可执行指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的处理器可读存储器中，使得存储在该处理器可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
这些处理器可执行指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。
Claims (19)
1.一种功率控制方法，其特征在于，应用于基站，包括：
基于功率控制模型对应的算法的复杂度和功率控制模型对应的算法的运算时长，确定功率控制模型的类型；
基于终端所需的功率控制周期，确定目标功率控制模型；所述目标功率控制模型与终端所需的功率控制周期相匹配；不同的功率控制周期对应的功率控制模型的类型不同；
向所述终端发送第一消息；所述第一消息中包含所述目标功率控制模型的第一信息；所述第一信息包括：模型名称和训练好的模型参数；所述目标功率控制模型用于基于第一时间段内的实际路损值，预测第二时间段内的预测路损值，并基于所述预测路损值和所述第二时间段内的实际路损值，预测路损偏移量；所述第一时间段为所述第二时间段之前的时间段；所述路损偏移量用于确定发射功率。
2.根据权利要求1所述的功率控制方法，其特征在于，所述向所述终端发送第一消息之后，还包括：
向所述终端发送第二消息；所述第二消息中包含激活信息；
所述激活信息用于激活所述目标功率控制模型。
3.根据权利要求1所述的功率控制方法，其特征在于，所述基于功率控制模型对应的算法的复杂度和功率控制模型对应的算法的运算时长，确定功率控制模型的类型之前，还包括：
基于所述功率控制模型的第二信息，确定所述功率控制模型对应的算法的复杂度；所述第二信息包括以下信息中的一种或多种：算法参数量、浮点数运算量、吞吐量或比特数。
4.根据权利要求3所述的功率控制方法，其特征在于，所述基于功率控制模型对应的算法的复杂度和功率控制模型对应的算法的运算时长，确定功率控制模型的类型，包括：
基于功率控制模型对应的算法的复杂度和功率控制模型对应的算法的运算时长，确定所述复杂度和所述运算时长的加权平均值；
将所述加权平均值大于或等于第一阈值的算法所对应的功率控制模型，确定为非实时计算功率控制模型；
将所述加权平均值大于或等于第二阈值并小于所述第一阈值的算法所对应的功率控制模型，确定为大尺度近实时计算功率控制模型；
将所述加权平均值小于所述第二阈值的算法所对应的功率控制模型，确定为小尺度近实时计算功率控制模型；
所述第一阈值大于所述第二阈值。
5.根据权利要求4所述的功率控制方法，其特征在于，
所述非实时计算功率控制模型对应的功率控制周期大于或等于第一预设周期；
所述大尺度近实时计算功率控制模型对应的功率控制周期大于或等于第二预设周期并小于所述第一预设周期；
所述小尺度近实时计算功率控制模型对应的功率控制周期小于所述第二预设周期；
所述第一预设周期大于所述第二预设周期。
6.一种功率控制方法，其特征在于，应用于终端，包括：
获取基站发送的第一消息；所述第一消息中包含目标功率控制模型的第一信息；所述第一信息包括：模型名称和训练好的模型参数；
基于所述第一信息，确定所述目标功率控制模型；
基于所述目标功率控制模型，确定发射功率；
所述基于所述目标功率控制模型，确定发射功率，包括：
将第一时间段内的实际路损值，输入所述目标功率控制模型的第一预测单元，预测第二时间段内的预测路损值；
将所述预测路损值和所述第二时间段内的实际路损值，输入所述目标功率控制模型的第二预测单元，预测路损偏移量；所述第一时间段为所述第二时间段之前的时间段；
基于所述路损偏移量，确定发射功率；
其中，所述目标功率控制模型是所述基站基于终端所需的功率控制周期确定的；所述目标功率控制模型与终端所需的功率控制周期相匹配；不同的功率控制周期对应的功率控制模型的类型不同；功率控制模型的类型是由所述基站基于功率控制模型对应的算法的复杂度和功率控制模型对应的算法的运算时长确定的。
7.根据权利要求6所述的功率控制方法，其特征在于，所述基于所述第一信息，确定所述目标功率控制模型之后，还包括：
获取基站发送的第二消息；所述第二消息中包含激活信息；
基于所述激活信息，激活所述目标功率控制模型。
8.根据权利要求6所述的功率控制方法，其特征在于，所述基于所述目标功率控制模型，确定发射功率，还包括：
基于所述目标功率控制模型，确定第一功率调整量；
基于所述第一功率调整量，确定发射功率。
9.一种功率控制方法，其特征在于，应用于基站，包括：
基于功率控制模型对应的算法的复杂度和功率控制模型对应的算法的运算时长，确定功率控制模型的类型；
基于基站所需的功率控制周期，确定目标功率控制模型；所述目标功率控制模型与基站所需的功率控制周期相匹配；不同的功率控制周期对应的功率控制模型的类型不同；
基于所述目标功率控制模型，确定第二功率调整量；
基于所述第二功率调整量，确定发射功率。
10.根据权利要求9所述的功率控制方法，其特征在于，所述基于功率控制模型对应的算法的复杂度和功率控制模型对应的算法的运算时长，确定功率控制模型的类型之前，还包括：
基于所述功率控制模型的第二信息，确定所述功率控制模型对应的算法的复杂度；所述第二信息包括以下信息中的一种或多种：算法参数量、浮点数运算量、吞吐量或比特数。
11.根据权利要求10所述的功率控制方法，其特征在于，所述基于功率控制模型对应的算法的复杂度和功率控制模型对应的算法的运算时长，确定功率控制模型的类型，包括：
基于功率控制模型对应的算法的复杂度和功率控制模型对应的算法的运算时长，确定所述复杂度和所述运算时长的加权平均值；
将所述加权平均值大于或等于第一阈值的算法所对应的功率控制模型，确定为非实时计算功率控制模型；
将所述加权平均值大于或等于第二阈值并小于所述第一阈值的算法所对应的功率控制模型，确定为大尺度近实时计算功率控制模型；
将所述加权平均值小于所述第二阈值的算法所对应的功率控制模型，确定为小尺度近实时计算功率控制模型；
所述第一阈值大于所述第二阈值。
12.根据权利要求11所述的功率控制方法，其特征在于，
所述非实时计算功率控制模型对应的功率控制周期大于或等于第一预设周期；
所述大尺度近实时计算功率控制模型对应的功率控制周期大于或等于第二预设周期并小于所述第一预设周期；
所述小尺度近实时计算功率控制模型对应的功率控制周期小于所述第二预设周期；
所述第一预设周期大于所述第二预设周期。
13.一种基站，其特征在于，包括存储器，收发机，处理器：
存储器，用于存储计算机程序；收发机，用于在所述处理器的控制下收发数据；处理器，用于读取所述存储器中的计算机程序并执行权利要求1至5任一项所述的功率控制方法。
14.一种终端，其特征在于，包括存储器，收发机，处理器：
存储器，用于存储计算机程序；收发机，用于在所述处理器的控制下收发数据；处理器，用于读取所述存储器中的计算机程序并执行权利要求6至8任一项所述的功率控制方法。
15.一种基站，其特征在于，包括存储器，收发机，处理器：
存储器，用于存储计算机程序；收发机，用于在所述处理器的控制下收发数据；处理器，用于读取所述存储器中的计算机程序并执行权利要求9至12任一项所述的功率控制方法。
16.一种功率控制装置，其特征在于，包括：
第一确定模块，用于基于功率控制模型对应的算法的复杂度和功率控制模型对应的算法的运算时长，确定功率控制模型的类型；
第二确定模块，用于基于终端所需的功率控制周期，确定目标功率控制模型；所述目标功率控制模型与终端所需的功率控制周期相匹配；不同的功率控制周期对应的功率控制模型的类型不同；
发送模块，用于向所述终端发送第一消息；所述第一消息中包含所述目标功率控制模型的第一信息；所述第一信息包括：模型名称和训练好的模型参数；所述目标功率控制模型用于基于第一时间段内的实际路损值，预测第二时间段内的预测路损值，并基于所述预测路损值和所述第二时间段内的实际路损值，预测路损偏移量；所述第一时间段为所述第二时间段之前的时间段；所述路损偏移量用于确定发射功率。
17.一种功率控制装置，其特征在于，包括：
获取模块，用于获取基站发送的第一消息；所述第一消息中包含目标功率控制模型的第一信息；所述第一信息包括：模型名称和训练好的模型参数；
第三确定模块，用于基于所述第一信息，确定所述目标功率控制模型；
第四确定模块，用于基于所述目标功率控制模型，确定发射功率；
所述第四确定模块，具体用于：
将第一时间段内的实际路损值，输入所述目标功率控制模型的第一预测单元，预测第二时间段内的预测路损值；
将所述预测路损值和所述第二时间段内的实际路损值，输入所述目标功率控制模型的第二预测单元，预测路损偏移量；所述第一时间段为所述第二时间段之前的时间段；
基于所述路损偏移量，确定发射功率；
其中，所述目标功率控制模型是所述基站基于终端所需的功率控制周期确定的；所述目标功率控制模型与终端所需的功率控制周期相匹配；不同的功率控制周期对应的功率控制模型的类型不同；功率控制模型的类型是由所述基站基于功率控制模型对应的算法的复杂度和功率控制模型对应的算法的运算时长确定的。
18.一种功率控制装置，其特征在于，包括：
第五确定模块，用于基于功率控制模型对应的算法的复杂度和功率控制模型对应的算法的运算时长，确定功率控制模型的类型；
第六确定模块，用于基于基站所需的功率控制周期，确定目标功率控制模型；所述目标功率控制模型与基站所需的功率控制周期相匹配；不同的功率控制周期对应的功率控制模型的类型不同；
第七确定模块，用于基于所述目标功率控制模型，确定第二功率调整量；
第八确定模块，用于基于所述第二功率调整量，确定发射功率。
19.一种处理器可读存储介质，其特征在于，所述处理器可读存储介质存储有计算机程序，所述计算机程序用于使所述处理器执行权利要求1至12任一项所述的功率控制方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211170309.6A CN115297536B (zh) | 2022-09-26 | 2022-09-26 | 功率控制方法、装置及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211170309.6A CN115297536B (zh) | 2022-09-26 | 2022-09-26 | 功率控制方法、装置及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115297536A true CN115297536A (zh) | 2022-11-04 |
| CN115297536B CN115297536B (zh) | 2022-12-16 |
Family
ID=83833829
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211170309.6A Active CN115297536B (zh) | 2022-09-26 | 2022-09-26 | 功率控制方法、装置及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115297536B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2011124938A1 (en) * | 2010-04-07 | 2011-10-13 | Nokia Corporation | Method and apparatus for transfer and usage of information descriptive of prediction models |
| WO2013060016A1 (en) * | 2011-10-28 | 2013-05-02 | Renesas Mobile Corporation | Methods and apparatuses for provision of an effective pathloss offset calculation mechanism for a communication system |
| US20150208361A1 (en) * | 2012-07-12 | 2015-07-23 | Lg Electronics Inc. | Method and device for controlling transmission power in wireless communication system |
| CN109874146A (zh) * | 2017-12-05 | 2019-06-11 | 华为技术有限公司 | 一种预测路损的方法及装置 |
| US20220124634A1 (en) * | 2020-10-16 | 2022-04-21 | Qualcomm Incorporated | Machine learning-based power control |
-
2022
- 2022-09-26 CN CN202211170309.6A patent/CN115297536B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2011124938A1 (en) * | 2010-04-07 | 2011-10-13 | Nokia Corporation | Method and apparatus for transfer and usage of information descriptive of prediction models |
| WO2013060016A1 (en) * | 2011-10-28 | 2013-05-02 | Renesas Mobile Corporation | Methods and apparatuses for provision of an effective pathloss offset calculation mechanism for a communication system |
| US20150208361A1 (en) * | 2012-07-12 | 2015-07-23 | Lg Electronics Inc. | Method and device for controlling transmission power in wireless communication system |
| CN109874146A (zh) * | 2017-12-05 | 2019-06-11 | 华为技术有限公司 | 一种预测路损的方法及装置 |
| US20220124634A1 (en) * | 2020-10-16 | 2022-04-21 | Qualcomm Incorporated | Machine learning-based power control |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115297536B (zh) | 2022-12-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2019206196A1 (zh) | 一种模型更新方法、装置及系统 | |
| CN113709201A (zh) | 计算卸载的方法和通信装置 | |
| CN117397180A (zh) | 用于csi预测控制的装置 | |
| US12010571B2 (en) | Spectral efficiency prediction with artificial intelligence for enhancing carrier aggregation and proactive radio resource management | |
| WO2021048594A1 (en) | Methods for block error rate target selection for a communication session and related apparatus | |
| CN110166091B (zh) | 多用户配对方法、装置及基站 | |
| CN115843054A (zh) | 参数选择方法、参数配置方法、终端及网络侧设备 | |
| CN115297536B (zh) | 功率控制方法、装置及存储介质 | |
| EP4315932A1 (en) | Adaptive learning in distribution shift for ran ai/ml models | |
| CN114828193B (zh) | 一种无线网络上下行多业务并发功率分配方法及存储介质 | |
| US11510068B2 (en) | Method and network agent for cell assignment | |
| CN113315773B (zh) | 一种码率调整方法、装置、电子设备及存储介质 | |
| CN118160235A (zh) | 用于执行csi预测的方法和装置 | |
| US20240205956A1 (en) | Dynamic pucch format configuration using machine learning | |
| CN114125925A (zh) | 寻呼周期的配置方法、装置、设备、系统及存储介质 | |
| CN114499746B (zh) | 调制与编码策略mcs等级的确定方法、装置及基站 | |
| EP3797540B1 (en) | Client device, network access node and methods for efficient scheduling of data traffic | |
| CN114828270A (zh) | 一种配对调度方法、装置及存储介质 | |
| WO2022151063A1 (zh) | 信息发送方法、信息接收方法、装置、设备及介质 | |
| WO2023208082A1 (zh) | 一种通信方法、装置、芯片及模组设备 | |
| CN117997467A (zh) | 一种配置方法、配置装置及存储介质 | |
| EP3262777B1 (en) | Determining signal to noise ratio and tti bundling adaptation in a communication network | |
| CN115694685A (zh) | 信道测量方法、装置及网络设备 | |
| WO2024167534A1 (en) | Network node jointly coordinated exploration for user device radio parameter optimization | |
| CN116527215A (zh) | 获取下行信道状态信息csi的方法、模型训练方法及装置 |
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 |