CN115460633B - 6g网络ai信号优化的方法、系统、设备和存储介质 - Google Patents
6g网络ai信号优化的方法、系统、设备和存储介质 Download PDFInfo
- Publication number
- CN115460633B CN115460633B CN202211197661.9A CN202211197661A CN115460633B CN 115460633 B CN115460633 B CN 115460633B CN 202211197661 A CN202211197661 A CN 202211197661A CN 115460633 B CN115460633 B CN 115460633B
- Authority
- CN
- China
- Prior art keywords
- data
- coverage
- classification
- wireless network
- probability
- 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 46
- 238000005457 optimization Methods 0.000 claims abstract description 60
- 238000004458 analytical method Methods 0.000 claims abstract description 37
- 238000005259 measurement Methods 0.000 claims abstract description 33
- 230000002159 abnormal effect Effects 0.000 claims abstract description 27
- 238000012360 testing method Methods 0.000 claims abstract description 24
- 230000005856 abnormality Effects 0.000 claims abstract description 14
- 238000004364 calculation method Methods 0.000 claims abstract description 9
- 230000004927 fusion Effects 0.000 claims description 18
- 238000013507 mapping Methods 0.000 claims description 16
- 238000010276 construction Methods 0.000 claims description 10
- 238000012544 monitoring process Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 238000007637 random forest analysis Methods 0.000 claims description 7
- 101100234408 Danio rerio kif7 gene Proteins 0.000 claims description 6
- 101100221620 Drosophila melanogaster cos gene Proteins 0.000 claims description 6
- 101100398237 Xenopus tropicalis kif11 gene Proteins 0.000 claims description 6
- 238000013506 data mapping Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 3
- 238000013461 design Methods 0.000 abstract description 3
- 238000013473 artificial intelligence Methods 0.000 description 22
- 238000010295 mobile communication Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 125000006850 spacer group Chemical group 0.000 description 2
- 230000003313 weakening effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000000725 suspension Substances 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/02—Arrangements for optimising operational condition
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Abstract
本发明提供一种6G网络AI信号优化的方法、系统、设备和存储介质，其中方法包括对5G空口覆盖数据进行二次插值数据提优；构建无线网络覆盖分类预测模型；对覆盖因素进行分类预测；获取分类数据；对分类数据进行计算，将计算结果作为下次路测发生无线覆盖异常的概率；构建的路测流程优化模型；将存储在发射信号所在5G基站上的日志数据和分类对应的正常阈值指标进行数据运算和分析，得到影响无线网络覆盖的当前因素分类中发生异常概率最高的子分类；对发生异常概率最高的子分类进行正常或异常标识；将标识后的数据更新至路测流程标识分析表；分析表优化5G无线接入覆盖流程。本发明采用上述方法，以使6G空口设计满足6G运行的实际需求。
Description
技术领域
本发明属于无线通信网络技术领域，尤其涉及一种6G网络AI信号优化的方法、系统、设备和存储介质。
背景技术
6G，即第六代移动通信标准，一个概念性无线网络移动通信技术，也被称为第六代移动通信技术，主要促进的就是互联网的发展。6G网络将是一个地面无线与卫星通信集成的全连接世界，通过将卫星通信整合到6G移动通信，实现全球无缝覆盖。
人工智能将在6G无线空口和系统级解决方案中扮演重要角色。比如，人工智能与无线电感测、定位等技术结合，可实时了解无线环境，主动预测无线链路丢失和最佳切换目标，以及主动分配最优无线资源等，甚至还可根据特定环境和业务需求，通过AI快速设计最佳无线空口。人工智能(AI)和机器学习(ML)已经渗透到许多应用程序中，机器学习支持主动分配网络资源，从而提高性能，特别是在延迟敏感的应用中。
由于6G无线网络在功能上比5G无线网络复杂很多。因此，基于5G网络结构进行6G部署时，6G空口设计无法满足6G运行的实际需求。
发明内容
本发明针对现有技术中的不足，提供一种6G网络AI信号优化的方法、系统、设备和存储介质。
第一方面，本发明提供一种6G网络AI信号优化的方法，包括：
对5G空口覆盖数据进行二次插值数据提优；
采用Transformer算法构建无线网络覆盖分类预测模型；
根据分类预测模型和二次插值提优后的数据对覆盖因素进行分类预测；
将分类预测的结果作为查询条件，从基站网络设备的RRU日志获取分类数据；
根据分类预测模型对分类数据进行计算，将计算结果作为下次路测发生无线覆盖异常的概率，并生成路测流程标识分析表；
采用随机森林法构建的路测流程优化模型；
根据路测流程优化模型，将存储在发射信号所在5G基站上的日志数据和分类对应的正常阈值指标进行数据运算和分析，得到影响无线网络覆盖的当前因素分类中发生异常概率最高的子分类；
对发生异常概率最高的子分类进行正常或异常标识；
将标识后的数据更新至路测流程标识分析表；
根据更新后的路测流程标识分析表优化5G无线接入覆盖流程。
进一步地，所述根据分类预测模型对分类数据进行计算，将计算结果作为下次路测发生无线覆盖异常的概率，并生成路测流程标识分析表，包括：
采用PositionEncoding进行时序编码：
PositionEncoding＝cos2(pos/N)；
其中，PositionEncoding为时间序列编码；pos为数据序列号；N为可调长度大小；
采用attention发掘时序维度的特征关联：
Attention_output＝Attention(Q,K,V)；
其中，Attention_output为时间序列维度的特征关联；Q为查询特征映射；K为待匹配特征映射；V为监测数据映射；
采用multi head attention提取不同多空间维度特征：
Headi＝Attention(Qi,Ki,Vi)；
MultiHead(Q,K,V)＝Concat(head1,...,headh)*WO；
其中，headi为时间注意力得到的结果，通过MultiHead融合多空间维度特征；Qi为第i组查询特征映射；Ki为第i组待匹配特征映射；Vi为第i组监测数据映射；WO为特征融合矩阵；Concat为特征级联融合；MultiHead为多头特征融合。
进一步地，所述路测流程优化模型的表达式为：
其中，Hj为影响无线网络覆盖的主要因素分类；N为无线网络覆盖的主要因素场景数量；|Di|为第i个无线网络覆盖的主要因素场景中异常数据的数量；|D|为无线网络覆盖的主要因素中网络规划不合理的历史日志数据数量；为第i个无线网络覆盖的主要因素场景的概率；H(i)为第i个无线网络覆盖的主要因素场景发生异常的概率。
第二方面，本发明提供一种6G网络AI信号优化的系统，其特征在于，包括：
数据提优模块，用于对5G空口覆盖数据进行二次插值提优；
第一构建模块，用于采用Transformer算法构建无线网络覆盖分类预测模型；
分类预测模块，用于根据分类预测模型和二次插值提优后的数据对覆盖因素进行分类预测；
分类数据获取模块，用于将分类预测的结果作为查询条件，从基站网络设备的RRU日志获取分类数据；
计算模块，用于根据分类预测模型对分类数据进行计算，将计算结果作为下次路测发生无线覆盖异常的概率，并生成路测流程标识分析表；
第二构建模块，用于采用随机森林法构建的路测流程优化模型；
运算分析模块，用于根据路测流程优化模型，将存储在发射信号所在5G基站上的日志数据和分类对应的正常阈值指标进行数据运算和分析，得到影响无线网络覆盖的当前因素分类中发生异常概率最高的子分类；
标识模块，用于对发生异常概率最高的子分类进行正常或异常标识；
更新模块，用于将标识后的数据更新至路测流程标识分析表；
流程优化模块，用于根据更新后的路测流程标识分析表优化5G无线接入覆盖流程。
进一步地，所述计算模块，包括：
时序编码单元，用于根据以下公式进行时序编码：
PositionEncoding＝cos2(pos/N)；
其中，PositionEncoding为时间序列编码；pos为数据序列号；N为可调长度大小；
时序维度的特征关联单元，用于根据以下公式发掘时序维度的特征关联：
Attention_output＝Attention(Q,K,V)；
其中，Attention_output为时间序列维度的特征关联；Q为查询特征映射；K为待匹配特征映射；V为监测数据映射；
提取单元，用于根据以下公式提取不同多空间维度特征：
Headi＝Attention(Qi,Ki,Vi)；
MultiHead(Q,K,V)＝Concat(head1,...,headh)*WO；
其中，headi为时间注意力得到的结果，通过MultiHead融合多空间维度特征；Qi为第i组查询特征映射；Ki为第i组待匹配特征映射；Vi为第i组监测数据映射；WO为特征融合矩阵；Concat为特征级联融合；MultiHead为多头特征融合。
进一步地，所述第二构建模块，包括：
构建单元，用于根据以下公式构建路测流程优化模型：
其中，Hj为影响无线网络覆盖的主要因素分类；N为无线网络覆盖的主要因素场景数量；|Di|为第i个无线网络覆盖的主要因素场景中异常数据的数量；|D|为无线网络覆盖的主要因素中网络规划不合理的历史日志数据数量；为第i个无线网络覆盖的主要因素场景的概率；H(i)为第i个无线网络覆盖的主要因素场景发生异常的概率。
第三方面，本发明提供一种计算机设备，包括处理器和存储器；其中，处理器执行存储器中保存的计算机程序时实现第一方面所述的6G网络AI信号优化的方法的步骤。
第四方面，本发明提供一种计算机可读存储介质，其特征在于，用于存储计算机程序；计算机程序被处理器执行时实现第一方面所述的6G网络AI信号优化的方法的步骤。
本发明提供一种6G网络AI信号优化的方法、系统、设备和存储介质，其中方法包括对5G空口覆盖数据进行二次插值数据提优；采用Transformer算法构建无线网络覆盖分类预测模型；根据分类预测模型和二次插值提优后的数据对覆盖因素进行分类预测；将分类预测的结果作为查询条件，从基站网络设备的RRU日志获取分类数据；根据分类预测模型对分类数据进行计算，将计算结果作为下次路测发生无线覆盖异常的概率，并生成路测流程标识分析表；采用随机森林法构建的路测流程优化模型；根据路测流程优化模型，将存储在发射信号所在5G基站上的日志数据和分类对应的正常阈值指标进行数据运算和分析，得到影响无线网络覆盖的当前因素分类中发生异常概率最高的子分类；对发生异常概率最高的子分类进行正常或异常标识；将标识后的数据更新至路测流程标识分析表；根据更新后的路测流程标识分析表优化5G无线接入覆盖流程。本发明采用上述方法，以使6G空口设计满足6G运行的实际需求。
附图说明
为了更清楚地说明本发明的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，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为本发明实施例提供的一种6G网络AI信号优化的方法的流程图；
图2为本发明实施例提供的一种6G网络AI信号优化的系统的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
如图1所示，本发明实施例提供一种6G网络AI信号优化的方法，包括：
步骤101，对5G空口覆盖数据进行二次插值数据提优。
首先，访问部署在5G基站上的日志数据中的信息并依据场景关键字特征进行分类；获得影响无线网络覆盖的主要因素分类。
NR覆盖问题优化原则分类描述：
类一、先优化SSB RSRP,后优化SSB SINR。
SSB：同步信号,覆盖优化过程中，SSB RSRP与SINR直接影响业务速率，所以优化过程中保证SSB覆盖指标良好即可。
类二、覆盖优化的2大关键任务：消除弱覆盖和消除交叉覆盖。
类三、优先弱化弱覆盖、越区覆盖，再优化导频污染。
类四、在工程优化阶段按照规划方案优先开展工程质量整改，建议先进行权值功率优化，再进行物理天馈调整优化。
类五、充分发挥智能天线权值优化优势，解决网络覆盖问题。
其次、为适应模型处理，对不同节点采样不均匀的数据做插值处理。采用二次插值方法，以每3个相邻点做插值，得到二次插值。即，人工智能算法提优后的NR(New Radio，5G的无线接入)覆盖数据。此方法间隔均匀，和Transformer时序处理更加匹配，较真实还原网络流量场景缺失数据。
步骤102，采用Transformer算法构建无线网络覆盖分类预测模型。
步骤103，根据分类预测模型和二次插值提优后的数据对覆盖因素进行分类预测。
步骤104，将分类预测的结果作为查询条件，从基站网络设备的RRU日志获取分类数据。
步骤105，根据分类预测模型对分类数据进行计算，将计算结果作为下次路测发生无线覆盖异常的概率，并生成路测流程标识分析表。
采用PositionEncoding进行时序编码：
PositionEncoding＝cos2(pos/N)；
其中，PositionEncoding为时间序列编码；pos为数据序列号；N为可调长度大小。
采用attention发掘时序维度的特征关联：
Attention_output＝Attention(Q,K,V)；
其中，Attention_output为时间序列维度的特征关联；Q为查询特征映射；K为待匹配特征映射；V为监测数据映射。
采用multi head attention提取不同多空间维度特征：
Headi＝Attention(Qi,Ki,Vi)；
MultiHead(Q,K,V)＝Concat(head1,...,headh)*WO；
其中，headi为时间注意力得到的结果，通过MultiHead融合多空间维度特征；Qi为第i组查询特征映射；Ki为第i组待匹配特征映射；Vi为第i组监测数据映射；WO为特征融合矩阵；Concat为特征级联融合；MultiHead为多头特征融合。
步骤106，采用随机森林法构建的路测流程优化模型。
所述路测流程优化模型的表达式为：
其中，Hj为影响无线网络覆盖的主要因素分类；N为无线网络覆盖的主要因素场景数量；|Di|为第i个无线网络覆盖的主要因素场景中异常数据的数量；|D|为无线网络覆盖的主要因素中网络规划不合理的历史日志数据数量；为第i个无线网络覆盖的主要因素场景的概率；H(i)为第i个无线网络覆盖的主要因素场景发生异常的概率。
步骤107，根据路测流程优化模型，将存储在发射信号所在5G基站上的日志数据和分类对应的正常阈值指标进行数据运算和分析，得到影响无线网络覆盖的当前因素分类中发生异常概率最高的子分类。
以覆盖因素分类为查询条件访问存储在gNB(5G基站)上的日志数据，获得影响无线网络覆盖的主要因素二次分类。
NR覆盖的主要因素分类：
1)网络规划不合理。网络规划不合理包括站址规划不合理、站高规划不合理、方位角规划不合理、下倾规划不合理、主方向有障碍物、无线环境发生变化、新增覆盖需求等。
2)工程质量问题。质量问题包括线缆接口施工质量不合格、天馈物理参数未按规划方案实施、GPS安装位置不符合规范和光缆接反。
3)设备异常。设备异常包括电源不稳定、GPS故障、光模块故障、主设备运行异常、版本错误、容器吊死、AUU功率异常等。
4)工程参数配置问题包括天馈物理参数、频率配置、功率参数、PCI配置和邻区配置。
对网络规划不合理这个分类的数据进行分析及运算。5G网络NR无线覆盖干扰异常标准-105dBm。通过访问存储在gNB上的历史日志中的路测覆盖数据分析，获得网络规划不合理，分类的子类由七个子类组成包括：站址规划不合理、站高规划不合理、方位角规划不合理、下倾规划不合理、主方向有障碍物、无线环境发生变化、新增覆盖需求等关键字的数据。逐一放入预测模型获得本次网络规划不合理中路测分类发生无线覆盖异常的概率。
步骤108，对发生异常概率最高的子分类进行正常或异常标识。
路测流程标识生成流程及描述：
影响无线网络覆盖的主要因素分类：
1-1＝先优化SSB RSRP,后优化SSB SINR；子分类1-1-1＝SSB RSRP；1-1-2＝SSBSINR；
1-2＝消除弱覆盖和消除交叉覆盖；子分类1-2-1＝消除弱覆盖；1-2-2＝交叉覆盖；
1-3＝优先弱化弱覆盖、越区覆盖，再优化导频污染；子分类1-3-1＝弱化弱覆盖；1-3-2＝越区覆盖；1-3-3＝导频污染；
1-4＝在工程优化阶段按照规划方案优先开展工程质量整改，先进行权值功率优化，再进行物理天馈调整优化；子分类1-4-1＝权值功率优化；1-4-2＝物理天馈调整优化；
1-5＝充分发挥智能天线权值优化优势，解决网络覆盖问题；子分类1-5-1＝天线权值优化；1-5-2＝解决网络覆盖问题。
NR覆盖问题优化原则的分类：
2-1＝网络规划不合理。
2-2＝工程质量问题。
2-3＝设备异常。
2-4＝工程参数配置问题。
路测流程标识格式：#号为线路间隔符、@号为层级及子模块间隔符，逗号为间隔每个子类路测异常发生概率。
例如格式：2-1@1-1-1，【39％61％】@1-1-2，【59％41％】#2-2。
步骤109，将标识后的数据更新至路测流程标识分析表，如表1所示：
表1路测流程标识分析表
步骤1010，根据更新后的路测流程标识分析表优化5G无线接入覆盖流程。
基于同一发明构思，本发明实施例还提供了一种6G网络AI信号优化的系统，由于该系统解决问题的原理与前述一种6G网络AI信号优化的方法相似，因此该系统的实施可以参见6G网络AI信号优化的方法的实施，重复之处不再赘述。
本发明一个实施例提供的6G网络AI信号优化的系统，如图2所示，包括：
数据提优模块10，用于对5G空口覆盖数据进行二次插值提优。
第一构建模块20，用于采用Transformer算法构建无线网络覆盖分类预测模型。
分类预测模块30，用于根据分类预测模型和二次插值提优后的数据对覆盖因素进行分类预测。
分类数据获取模块40，用于将分类预测的结果作为查询条件，从基站网络设备的RRU日志获取分类数据。
计算模块50，用于根据分类预测模型对分类数据进行计算，将计算结果作为下次路测发生无线覆盖异常的概率，并生成路测流程标识分析表。
第二构建模块60，用于采用随机森林法构建的路测流程优化模型。
运算分析模块70，用于根据路测流程优化模型，将存储在发射信号所在5G基站上的日志数据和分类对应的正常阈值指标进行数据运算和分析，得到影响无线网络覆盖的当前因素分类中发生异常概率最高的子分类。
标识模块80，用于对发生异常概率最高的子分类进行正常或异常标识。
更新模块90，用于将标识后的数据更新至路测流程标识分析表。
流程优化模块100，用于根据更新后的路测流程标识分析表优化5G无线接入覆盖流程。
可选地，所述计算模块，包括：
时序编码单元，用于根据以下公式进行时序编码：
PositionEncoding＝cos2(pos/N)；
其中，PositionEncoding为时间序列编码；pos为数据序列号；N为可调长度大小。
时序维度的特征关联单元，用于根据以下公式发掘时序维度的特征关联：
Attention_output＝Attention(Q,K,V)；
其中，Attention_output为时间序列维度的特征关联；Q为查询特征映射；K为待匹配特征映射；V为监测数据映射。
提取单元，用于根据以下公式提取不同多空间维度特征：
Headi＝Attention(Qi,Ki,Vi)；
MultiHead(Q,K,V)＝Concat(head1,...,headh)*WO；
其中，headi为时间注意力得到的结果，通过MultiHead融合多空间维度特征；Qi为第i组查询特征映射；Ki为第i组待匹配特征映射；Vi为第i组监测数据映射；WO为特征融合矩阵；Concat为特征级联融合；MultiHead为多头特征融合。
可选地，所述第二构建模块，包括：
构建单元，用于根据以下公式构建路测流程优化模型：
其中，Hj为影响无线网络覆盖的主要因素分类；N为无线网络覆盖的主要因素场景数量；|Di|为第i个无线网络覆盖的主要因素场景中异常数据的数量；|D|为无线网络覆盖的主要因素中网络规划不合理的历史日志数据数量；为第i个无线网络覆盖的主要因素场景的概率；H(i)为第i个无线网络覆盖的主要因素场景发生异常的概率。
关于上述各个模块更加具体的工作过程可以参考前述实施例公开的相应内容，在此不再进行赘述。
相应的，本发明实施例还提供了一种计算机设备，包括处理器和存储器；其中，处理器执行存储器中保存的计算机程序时实现前述实施例公开的6G网络AI信号优化的方法。
关于上述方法更加具体的过程可以参考前述实施例中公开的相应内容，在此不再进行赘述。
进一步的，本发明实施例还提供一种计算机可读存储介质，用于存储计算机程序；计算机程序被处理器执行时实现前述公开的6G网络AI信号优化的方法。
关于上述方法更加具体的过程可以参考前述实施例中公开的相应内容，在此不再进行赘述。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的系统、设备、存储介质而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本领域的技术人员可以清楚地了解到本发明实施例中的技术可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本发明实施例中的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，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)执行本发明各个实施例或者实施例的某些部分所述的方法。
以上结合具体实施方式和范例性实例对本发明进行了详细说明，不过这些说明并不能理解为对本发明的限制。本领域技术人员理解，在不偏离本发明精神和范围的情况下，可以对本发明技术方案及其实施方式进行多种等价替换、修饰或改进，这些均落入本发明的范围内。本发明的保护范围以所附权利要求为准。
Claims (4)
1.一种6G网络AI信号优化的方法，其特征在于，包括：
对5G空口覆盖数据进行二次插值数据提优；
采用Transformer算法构建无线网络覆盖分类预测模型；
根据分类预测模型和二次插值提优后的数据对覆盖因素进行分类预测；
将分类预测的结果作为查询条件，从基站网络设备的RRU日志获取分类数据；
根据分类预测模型对分类数据进行计算，将计算结果作为下次路测发生无线覆盖异常的概率，并生成路测流程标识分析表；
采用随机森林法构建的路测流程优化模型；
根据路测流程优化模型，将存储在发射信号所在5G基站上的日志数据和分类对应的正常阈值指标进行数据运算和分析，得到影响无线网络覆盖的当前因素分类中发生异常概率最高的子分类；
对发生异常概率最高的子分类进行正常或异常标识；
将标识后的数据更新至路测流程标识分析表；
根据更新后的路测流程标识分析表优化5G无线接入覆盖流程；
其中，所述根据分类预测模型对分类数据进行计算，将计算结果作为下次路测发生无线覆盖异常的概率，并生成路测流程标识分析表，包括：
采用PositionEncoding进行时序编码：
PositionEncoding=cos2(pos/N)；
其中，PositionEncoding为时间序列编码；pos为数据序列号；N为可调长度大小；
采用attention发掘时序维度的特征关联：
Attention_output=Attention(Q,K,V)；
其中，Attention_output为时间序列维度的特征关联；Q为查询特征映射；K为待匹配特征映射；V为监测数据映射；
采用multi head attention提取不同多空间维度特征：
Headi=Attention(Qi,Ki,Vi)；
MultiHead(Q,K,V)=Concat(head1,...,headh)*WO；
其中，headi为时间注意力得到的结果，通过MultiHead融合多空间维度特征；Qi为第i组查询特征映射；Ki为第i组待匹配特征映射；Vi为第i组监测数据映射；WO为特征融合矩阵；Concat为特征级联融合；MultiHead为多头特征融合；
所述路测流程优化模型的表达式为：
；
其中，H j 为影响无线网络覆盖的主要因素分类；N为无线网络覆盖的主要因素场景数量；|D i |为第i个无线网络覆盖的主要因素场景中异常数据的数量；|D|为无线网络覆盖的主要因素中网络规划不合理的历史日志数据数量；为第i个无线网络覆盖的主要因素场景的概率；H(i)为第i个无线网络覆盖的主要因素场景发生异常的概率。
2.一种6G网络AI信号优化的系统，其特征在于，包括：
数据提优模块，用于对5G空口覆盖数据进行二次插值提优；
第一构建模块，用于采用Transformer算法构建无线网络覆盖分类预测模型；
分类预测模块，用于根据分类预测模型和二次插值提优后的数据对覆盖因素进行分类预测；
分类数据获取模块，用于将分类预测的结果作为查询条件，从基站网络设备的RRU日志获取分类数据；
计算模块，用于根据分类预测模型对分类数据进行计算，将计算结果作为下次路测发生无线覆盖异常的概率，并生成路测流程标识分析表；
第二构建模块，用于采用随机森林法构建的路测流程优化模型；
运算分析模块，用于根据路测流程优化模型，将存储在发射信号所在5G基站上的日志数据和分类对应的正常阈值指标进行数据运算和分析，得到影响无线网络覆盖的当前因素分类中发生异常概率最高的子分类；
标识模块，用于对发生异常概率最高的子分类进行正常或异常标识；
更新模块，用于将标识后的数据更新至路测流程标识分析表；
流程优化模块，用于根据更新后的路测流程标识分析表优化5G无线接入覆盖流程；
其中，所述计算模块，包括：
时序编码单元，用于根据以下公式进行时序编码：
PositionEncoding=cos2(pos/N)；
其中，PositionEncoding为时间序列编码；pos为数据序列号；N为可调长度大小；
时序维度的特征关联单元，用于根据以下公式发掘时序维度的特征关联：
Attention_output=Attention(Q,K,V)；
其中，Attention_output为时间序列维度的特征关联；Q为查询特征映射；K为待匹配特征映射；V为监测数据映射；
提取单元，用于根据以下公式提取不同多空间维度特征：
Headi=Attention(Qi,Ki,Vi)；
MultiHead(Q,K,V)=Concat(head1,...,headh)*WO；
其中，headi为时间注意力得到的结果，通过MultiHead融合多空间维度特征；Qi为第i组查询特征映射；Ki为第i组待匹配特征映射；Vi为第i组监测数据映射；WO为特征融合矩阵；Concat为特征级联融合；MultiHead为多头特征融合；
所述第二构建模块，包括：
构建单元，用于根据以下公式构建路测流程优化模型：
；
其中，H j 为影响无线网络覆盖的主要因素分类；N为无线网络覆盖的主要因素场景数量；|D i |为第i个无线网络覆盖的主要因素场景中异常数据的数量；|D|为无线网络覆盖的主要因素中网络规划不合理的历史日志数据数量；为第i个无线网络覆盖的主要因素场景的概率；H(i)为第i个无线网络覆盖的主要因素场景发生异常的概率。
3.一种计算机设备，其特征在于，包括处理器和存储器；其中，处理器执行存储器中保存的计算机程序时实现权利要求1所述的6G网络AI信号优化的方法的步骤。
4.一种计算机可读存储介质，其特征在于，用于存储计算机程序；计算机程序被处理器执行时实现权利要求1所述的6G网络AI信号优化的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211197661.9A CN115460633B (zh) | 2022-09-29 | 2022-09-29 | 6g网络ai信号优化的方法、系统、设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211197661.9A CN115460633B (zh) | 2022-09-29 | 2022-09-29 | 6g网络ai信号优化的方法、系统、设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115460633A CN115460633A (zh) | 2022-12-09 |
| CN115460633B true CN115460633B (zh) | 2023-10-27 |
Family
ID=84306846
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211197661.9A Active CN115460633B (zh) | 2022-09-29 | 2022-09-29 | 6g网络ai信号优化的方法、系统、设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115460633B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113055925A (zh) * | 2019-12-26 | 2021-06-29 | 中国移动通信集团上海有限公司 | 网络覆盖信息获取方法、装置、设备及计算机存储介质 |
| WO2022005353A1 (en) * | 2020-07-03 | 2022-01-06 | Telefonaktiebolaget Lm Ericsson (Publ) | Ue, network node and methods for handling mobility information in a communications network |
| WO2022174642A1 (zh) * | 2021-02-22 | 2022-08-25 | 华为技术有限公司 | 基于空间划分的数据处理方法和通信装置 |
| CN115002790A (zh) * | 2022-05-31 | 2022-09-02 | 中电信数智科技有限公司 | 一种基于6g空中基站信号增强及智能按需覆盖优化方法 |
| CN115052296A (zh) * | 2022-05-25 | 2022-09-13 | 中电信数智科技有限公司 | 一种可用于6G的智能Rank下行速率优化的方法 |
-
2022
- 2022-09-29 CN CN202211197661.9A patent/CN115460633B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113055925A (zh) * | 2019-12-26 | 2021-06-29 | 中国移动通信集团上海有限公司 | 网络覆盖信息获取方法、装置、设备及计算机存储介质 |
| WO2022005353A1 (en) * | 2020-07-03 | 2022-01-06 | Telefonaktiebolaget Lm Ericsson (Publ) | Ue, network node and methods for handling mobility information in a communications network |
| WO2022174642A1 (zh) * | 2021-02-22 | 2022-08-25 | 华为技术有限公司 | 基于空间划分的数据处理方法和通信装置 |
| CN115052296A (zh) * | 2022-05-25 | 2022-09-13 | 中电信数智科技有限公司 | 一种可用于6G的智能Rank下行速率优化的方法 |
| CN115002790A (zh) * | 2022-05-31 | 2022-09-02 | 中电信数智科技有限公司 | 一种基于6g空中基站信号增强及智能按需覆盖优化方法 |
Non-Patent Citations (1)
| Title |
|---|
| 5G时代网络规划与优化的思考;苏丹丹;;信息通信(第08期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115460633A (zh) | 2022-12-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108540330B (zh) | 一种异构网络环境下的基于深度学习的网络故障诊断方法 | |
| CN107204894B (zh) | 网络业务质量的监控方法及装置 | |
| Liu et al. | Performance analysis of UAVs assisted data collection in wireless sensor network | |
| CN108306699A (zh) | 一种基于增益预估的天馈优化方法 | |
| US20140045438A1 (en) | Method and system for optimizing wireless network based on antenna feeder apparatus | |
| CN111405585B (zh) | 一种基于卷积神经网络的邻区关系预测方法 | |
| CN105744553A (zh) | 一种网络关联分析方法及装置 | |
| CN108307339A (zh) | 用户终端定位方法、系统、电子设备及存储介质 | |
| Wang et al. | On the data aggregation point placement in smart meter networks | |
| Hu et al. | An intelligent UAV deployment scheme for load balance in small cell networks using machine learning | |
| Ryden et al. | Rogue drone detection: A machine learning approach | |
| Yu et al. | Self-organized cell outage detection architecture and approach for 5G H-CRAN | |
| CN117251825B (zh) | 一种新能源电站多传感器数据融合平台 | |
| CN117082547A (zh) | 小区异常检测方法、装置、电子设备和可读存储介质 | |
| CN115460633B (zh) | 6g网络ai信号优化的方法、系统、设备和存储介质 | |
| Bilen et al. | Digital twin evolution for hard-to-follow aeronautical ad-hoc networks in beyond 5g | |
| CN115314395B (zh) | 一种nr信号覆盖路测优化的方法 | |
| CN115052296B (zh) | 一种可用于6G的智能Rank下行速率优化的方法 | |
| EP4280660A1 (en) | Antenna configuration parameter optimization method and apparatus, and storage medium | |
| Li et al. | Research and application of intelligent antenna feeder optimization system based on big data | |
| Zhang et al. | Maintenance of large scale wireless sensor networks | |
| CN114036711A (zh) | 一种网络质量劣化检测方法及系统 | |
| CN115208773A (zh) | 网络隐性故障监测方法及装置 | |
| CN112235038A (zh) | 一种基于星间链路网络寻优的卫星异常处置方法 | |
| CN110839256A (zh) | 一种蜂窝网络数据异常检测方法 |
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 |