CN115915192A - 网络优化方法、装置、电子设备和存储介质 - Google Patents
网络优化方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN115915192A CN115915192A CN202110963030.2A CN202110963030A CN115915192A CN 115915192 A CN115915192 A CN 115915192A CN 202110963030 A CN202110963030 A CN 202110963030A CN 115915192 A CN115915192 A CN 115915192A
- Authority
- CN
- China
- Prior art keywords
- data
- information
- terminal
- data analysis
- cell
- 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.)
- Pending
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 116
- 238000000034 method Methods 0.000 title claims abstract description 101
- 238000007405 data analysis Methods 0.000 claims abstract description 198
- 230000004044 response Effects 0.000 claims abstract description 88
- 238000012545 processing Methods 0.000 claims abstract description 71
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 50
- 238000004458 analytical method Methods 0.000 claims description 15
- 238000013480 data collection Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 7
- 238000004891 communication Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 12
- 238000010801 machine learning Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 238000007619 statistical method Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 239000000463 material Substances 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000007723 transport mechanism Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/147—Network analysis or design for predicting network behaviour
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/16—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks using machine learning or artificial intelligence
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/02—Arrangements for optimising operational condition
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本申请实施例提供了一种网络优化方法、装置、电子设备和存储介质,其中,该方法包括:发送数据分析请求信息到核心网;接收所述核心网反馈的数据分析响应信息并根据人工智能学习模型确定模型处理结果;根据所述模型处理结果执行网络优化操作。本申请实施例,通过基站与核心网交互数据信息,并使用人工智能模型确定出数据信息对应的模型处理结果,实现数据的统计和/或预测,提高网络优化的准确性,可增强网络性能和用户体验。
Description
技术领域
本发明涉及无线通信技术领域,尤其涉及一种网络优化方法、装置、电子设备和存储介质。
背景技术
随着无线通信网络技术的发展,第五代无线通信网络,并且有望在未来发展超过第五代无线通信网络。人工智能(Artificial Intelligence,AI)技术,尤其是机器学习(Machine learning,ML)可以通过第五代无线通信网络或者超过第五代通信网络中的海量数据提出有效的网络优化方案。目前核心网有网络数据分析功能(Network DataAnalytics Function,NWDAF)单元可以提供数据分为服务,例如,网络历史活动的统计信息或者网络未来活动的预测信息等。虽然数据分析和预测功能可以为通信带来根本性改变,但是增加了运营的复杂度也在显著提高,运营商需要对网络部署和运维进行优化,提高网络性能和用户体验。
发明内容
本申请实施例的主要目的是提出一种网络优化方法、装置、电子设备和存储介质,旨在使得基站和核心网交互数据分析信息,根据数据分析信息进行统计和预测,从而实现核心网和基站侧网络的优化,提高网络的通信质量。
本申请实施例提供了一种网络优化方法,其中,该方法包括以下步骤:
发送数据分析请求信息到核心网;
接收所述核心网反馈的数据分析响应信息并根据人工智能学习模型确定模型处理结果;
根据所述模型处理结果执行网络优化操作。
本申请实施例还提供了另一种网络优化方法,其中,该方法包括以下步骤:
发送数据信息请求到基站;
接收所述基站反馈的数据信息响应,并根据人工智能学习模型确定模型处理结果;
根据所述模型处理结果执行网络优化操作。
本申请实施例还提供了一种网络优化装置,其中,该装置包括:
数据分析发送模块,用于发送数据分析请求信息到核心网;
数据处理模块,用于接收所述核心网反馈的数据分析响应信息并根据人工智能学习模型确定模型处理结果;
网络优化模块,用于根据所述模型处理结果执行网络优化操作。
本申请实施例还提供了一种网络优化装置,其中,该装置包括:
数据发送模块,用于发送数据信息请求到基站;
结果确定模块,用于接收所述基站反馈的数据信息响应,并根据人工智能学习模型确定模型处理结果;
优化执行模块,用于根据所述模型处理结果执行网络优化操作。
本申请实施例还提供了一种电子设备,其中,该电子设备包括:
一个或多个处理器;
存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如本申请实施例中任一所述的网络优化方法。
本申请实施例还提供了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一个或多个程序,所述一个或多个程序被一个或多个处理器执行,以实现如本申请实施例中任一所述的网络优化方法。
本申请实施例,通过发送数据分析请求信息到核心网,接收核心网反馈的数据响应信息,使用人工智能模型确定模型处理结果,根据该模型处理结果执行对应的网络优化操作,通过与核心网交互数据信息,并使用人工智能模型确定出数据信息对应的模型处理结果,实现数据的统计和/或预测,提高网络优化的准确性,可增强网络性能和用户体验。
附图说明
图1是本申请实施例提供的一种网络优化方法的流程图;
图2是本申请实施例提供的另一种网络优化方法的流程图;
图3是本申请实施例提供的一种网络优化方法的示例图;
图4是本申请实施例提供的一种网络优化方法的流程图;
图5是本申请实施例提供的另一种网络优化方法的示例图;
图6是本申请实施例提供的一种网络优化方法的示例图;
图7是本申请实施例提供的一种网络优化装置的结构示意图;
图8是本申请实施例提供的另一种网络优化装置的结构示意图;
图9是本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
在后续的描述中,使用用于表示元件的诸如“模块”、“部件”或“单元”的后缀仅为了有利于本发明的说明,其本身没有特有的意义。因此,“模块”、“部件”或“单元”可以混合地使用。
图1是本申请实施例提供的一种网络优化方法的流程图,本申请实施例可以适用于无线通信网络中网络智能优化的情况,该方法可以由本申请实施例中的网络优化装置来执行,该装置可以通过软件和/或硬件的方式实现,并一般可以集成在基站侧节点中,参见图1,本申请实施例提供的方法具体包括如下步骤:
步骤110、发送数据分析请求信息到核心网。
其中,数据分析请求信息可以用于控制核心网和基站侧交互数据的信息,可以包括数据的分析方式的指示信息和数据分析内容的指示信息等,数据分析请求信息可以由基站侧节点发送到核心网。
具体的,基站侧节点可以向核心网传输数据分析请求信息,该数据分析请求信息可以包括一种或多种指示信息,该指示信息可以用于指示数据分析的方法以及参与分析的数据等。
步骤120、接收核心网反馈的数据分析响应信息并根据人工智能学习模型确定模型处理结果。
其中,数据分析响应信息可以是核心网根据接收到的数据分析请求信息生成的信息,数据分析响应信息可以包括核心网侧需要交互给基站侧的数据,数据分析响应信息可以与数据分析请求信息相对应,例如,数据分析请求信息包括数据预测指示信息,则数据分析响应信息可以反馈与数据预测相关的数据。人工智能学习模型可以是预先经过训练的神经网络模型,可以对输入的信息进行处理,人工智能学习模型可以用于数据统计、数据预测等处理,模型处理结果可以是人工智能学习模型的输出结果,可以包括数据预测结果、数据统计结果等。
在本申请实施例中,核心网在接收到数据分析请求信息后,可以生成对应的数据分析响应信息,并将该数据分析响应信息反馈给基站侧,由基站侧使用人工智能学习模型对数据分析响应信息进行处理生成模型处理结果,其中,由于人工智能学习模型的不同,生成的模型处理结果可以是基于数据分析响应信息的预测信息或者是基于数据分析响应信息的统计信息。
步骤130、根据模型处理结果执行网络优化操作。
其中,网络优化操作可以是对无线通信网络进行优化的操作,可以是调整小区负荷、调整小区的终端数量以及小区的资源利用率等。
在本申请实施例中,可以预先设置一种或者多种不同的网络优化策略,可以根据模型处理结果查找对应的网络优化策略,按照确定网络优化策略执行对应的网络优化操作,可以理解的是,网络优化策略还可以根据模型处理结果实时生成。
本申请实施例,通过发送数据分析请求信息到核心网,接收核心网反馈的数据响应信息,使用人工智能模型确定模型处理结果,根据该模型处理结果执行对应的网络优化操作,通过与核心网交互数据信息,并使用人工智能模型确定出数据信息对应的模型处理结果,实现数据的统计和/或预测,提高网络优化的准确性,可增强网络性能和用户体验。
进一步的,在上述申请实施例的基础上,数据分析响应信息在核心网按照数据分析请求信息进行数据收集、数据统计分析和数据预测中至少一种处理确定。
在本申请实施例中,数据分析响应信息可以由核心网生成,数据分析响应信息可以是按照数据分析请求信息进行数据收集、数据统计分析以及数据预测中至少一种处理生成的信息,可以理解的是,核心网中也可以预设有人工智能学习模型,可以由人工智能学习模型对数据分析请求信息进行处理,可以将处理结果作为数据分析响应消息。
图2是本申请实施例提供的另一种网络优化方法的流程图,本申请实施例是在上述申请实施例的基础上的具体化,参见图2,本申请实施例提供的方法具体包括如下步骤:
步骤210、发送数据分析请求信息到核心网。
步骤220、接收核心网反馈的数据分析响应信息并根据人工智能学习模型确定模型处理结果。
步骤230、根据模型处理结果执行网络优化操作。
步骤240、根据数据分析响应信息执行网络优化操作。
在本申请实施例中,基站侧还可以根据数据分析响应信息直接执行网络优化操作,例如,在数据分析响应信息为预测信息时,可以根据该预测信息直接进行网络优化操作,提升网络性能。
步骤250、根据数据分析响应信息训练或更新人工智能学习模型。
具体的,可以根据接收到的数据分析响应信息对人工智能学习模型进行训练,数据分析响应信息可以是历史过程中核心网发送的信息,可以不断通过数据分析响应信息训练或更新人工智能学习模型,提高模型处理结果的准确性。可以理解的是,可以在每次接收到数据分析响应信息后执行人工智能学习模型的更新或训练,也可以在接收到的数据分析响应信息的数据量大于数量阈值时,执行人工智能学习模型的更新或者训练。
本申请实施例,通过发送数据分析请求信息到核心网,接收核心网反馈的数据响应信息,使用人工智能模型确定模型处理结果,根据该模型处理结果执行对应的网络优化操作,以及,根据数据响应信息执行网络优化操作,并且根据接收到的数据响应信息训练或更新仍智能学习模型,进一步提高网络优化的准确性,可增强网络性能和用户体验。
进一步的,在上述申请实施例的基础上,所述数据分析请求信息包括以下至少之一:
至少一个分析数据类型标识符、至少一个数据分析形式标识符、至少一个终端标识符、数据分析时间信息、数据分析感兴趣区域、期望终端轨迹信息粒度。
其中,分析数据类型标识符可以指示请求的数据分析的类型,可以采用不同的取值标识不同的数据类型;数据分析形式标识符可以指示数据分析的形式,可以采用不同的取值标识不同的数据分析形式,数据分析形式可以包括数据统计、数据预测等;终端标识符可以标识不同终端;数据分析时间信息可以表示进行数据分析的时间段,可以包括时间的起始时间和结束时间;数据分析感兴趣区域可以表示数据分析的感兴趣区域,例如,追踪区域以及小区区域等;期望终端轨迹信息粒度可以表示数据分析的终端轨迹的最小分析粒度。
在本申请实施例中,数据分析请求信息可以包括分析数据类型标识符、数据分析形式标识符、终端标识符、数据分析时间信息、数据分析感兴趣区域、期望终端轨迹信息粒度中的一种或者多种,可以理解的是,数据分析请求信息中包括的一种的信息的数量不唯一,可以为一个或多个,例如,数据分析请求信息中可以包括多个分析数据类型标识符,以及多个数据分析形式标识符。
进一步的,在上述申请实施例的基础上,所述分析数据类型标识符包括以下至少之一:终端数据类型标识、网络负荷数据类型标识符、体验质量数据类型标识符、网络切片数据类型标识符、通用数据类型标识符。
具体的,分析数据类型标识符可以具体包括终端数据类型标识、网络负荷数据类型标识符、体验质量数据类型标识符、网络切片数据类型标识符、通用数据类型标识符等,不同的标识符具体不同的取值,可以分别标识终端数据、网络负荷数据、体验质量(Qualityof Experience,QoE)数据、网络切片数据、通用数据等。
进一步的,在上述申请实施例的基础上,所述数据分析形式标识符包括以下至少之一:数据统计标识符、数据预测标识符。
具体的,数据分析形式标识符可以包括数据统计标识符和数据预测标识符,数据统计标识符可以标识基站侧需要核心网侧进行数据统计的数据,数据预测标识符可以标识基站侧需要核心网侧进行数据预测的数据。
进一步的,在上述申请实施例的基础上,所述数据分析时间信息包括以下至少之一:时间粒度、数据分析起始时间、数据分析结束时间。
在本申请实施例中,数据分析时间信息可以由时间粒度、数据分析起始时间以及数据分析结束时间等信息组成,可以表示进行数据分析的时间段,其中,时间粒度可以是指进行数据分析的时间段的大小。
进一步的,在上述申请实施例的基础上,数据分析感兴趣区域包括以下至少之一:追踪区域、小区区域、寻呼区域。
在本申请实施例中,数据分析感兴趣区域可以具体为追踪区域(Tracking Area)、小区区域(Cell List)、寻呼区域(Paging Area)等。
进一步的,在上述申请实施例的基础上,所述期望终端轨迹信息粒度包括以下至少之一:追踪区域级别、小区级别、地理位置级别。
具体的,期望终端轨迹信息粒度可以是指示期望的终端轨迹信息的粒度,可以为追踪区域基本(TAlevel)、小区级别(CellLevel)、地理位置级别(经纬度)等。
进一步的,在上述申请实施例的基础上,所述数据分析响应信息包括以下至少之一:移动性统计信息、终端移动性预测信息、网络负荷统计信息、网络负荷预测信息、通用数据统计信息。
在本申请实施例中,根据数据分析请求信息的内容不同,核心网生成的数据分析响应信息可以包括移动性统计信息、终端移动性预测信息、网络负荷统计信息、网络负荷预测信息、通用数据统计信息中的一种或者多种,其中,移动性统计信息可以是一个或多个终端的位置点在不同时间的统计信息,终端移动性预测信息可以是一个或多个终端在未来时间点或未来时间段的预测位置的统计信息,网络负荷统计信息可以是针对时间点或时间段的网络负荷的统计信息,网络负荷预测信息可以设针对未来时间点或未来时间段的网络负荷的统计信息,通用数据统计信息可以通用数据的统计信息,例如,感兴趣区域的地图信息或者终端的移动方向等。
进一步的,在上述申请实施例的基础上,所述终端移动性统计信息包括以下至少之一:终端地理位置坐标、终端驻留小区标识、终端所处跟着区域,终端与小区的连接波束标识信息、终端接入小区的时间信息、终端接入跟踪区域的时间信息、终端运动方向、终端运动速度、局部区域的地图信息、感兴趣区域的地图信息。
进一步的,在上述申请实施例的基础上,所述终端移动性预测信息包括以下至少之一:预测的终端地理位置坐标、终端未来驻留小区标识、终端未来跟踪区域、终端未来接入小区的时间信息、终端未来接入跟踪区域的时间信息、置信度。
在本申请实施例中,终端移动性预测信息可以包括预测的终端地理位置坐标、终端未来驻留小区标识、终端未来跟踪区域、终端未来接入小区的时间信息、终端未来接入跟踪区域的时间信息以及各自对应的置信度,可以理解的是,终端移动性预测信息中每类信息可以存在各自对应的置信度。
进一步的,在上述申请实施例的基础上,所述网络负荷统计信息包括以下至少之一:小区负荷、小区接入终端数量、小区物理资源利用率、小区分组数据汇聚协议数据量。
进一步的,在上述申请实施例的基础上,所述网络负荷预测信息包括以下至少之一:预测小区负荷、预测小区接入终端数量、预测小区物理资源利用率、预测小区分组数据汇聚协议数据量、置信度。
进一步的,在上述申请实施例的基础上,所述通用数据统计信息包括以下至少之一:局部区域地图信息、感兴趣区域地图信息、终端平均运动速度、终端运动方向。
在一个示例性的实施方式中,图3是本申请实施例提供的一种网络优化方法的示例图,参见图3,RAN侧获取核心网的分析数据或预测数据进行网络优化的过程可以包括如下步骤:
步骤1:NG-RAN节点发送数据分析请求消息(DATA ANALYTICS INFORMATIONREQUEST)给核心网,用于向核心网指示所请求的AI数据分析信息。其中,请求消息包含以下一项或者多项:一个或者多个数据分析类型标识符,用以指示请求的数据分析的类型,如终端(User Equipment,UE)相关类型数据、网络负荷相关类型数据、QoE相关类型数据、网络切片相关类型数据、通用数据类型(包含地图信息)等等;一个或者多个数据分析形式标识符,用以指示数据分析形式,如数据统计形式、或者预测信息形式;一个或者多个终端标识符(UE ID);数据分析的时间段,包含以下一项或者多项:时间粒度,数据分析报告的起始时间,数据分析报告的截止时间;或者数据分析的感兴趣区域(Area of Interest),如追踪区域(Tracking Area)、小区区域(Cell List)、寻呼区域(Paging Area);期望的UE轨迹信息的粒度,如追踪区域级别(TA level)、小区级别(Cell Level)、地理位置级别(经纬度)。
步骤2:核心网根据收到的数据分析请求消息的指示,进行数据收集,生成请求消息中请求的数据报告。
步骤3:核心网通过发送数据分析报告/响应消息(Data ANALYTUCS INFORMATIONREPORT/RESPONSE)至NG-RAN节点,消息包含NG-RAN节点所请求的消息。
如果请求消息中指示数据统计形式的UE相关类数据,数据分析报告/响应消息包含移动性统计信息(UE mobility statistics)。UE移动性统计信息是包含一个或者多个UE某个时间点或者时间段的位置统计信息,可以是以下一项或者多项:UE的地理位置坐标,如经纬度;UE驻留的小区标识;UE所在的跟踪区域(TA,Tracking area);UE和小区的连接波束标识信息;UE进入某小区或者跟踪区域TA时的时间点以及时长;UE的运动方向;UE的运动速度;局部区域/感兴趣区域的地图信息。
如果请求消息中包含请求预测信息形式的UE相关类数据,数据分析报告/响应消息包含UE移动性预测信息(UE mobility predictions)。UE移动性预测信息是包含一个或者多个UE在未来某个时间点或者时间段的位置预测信息,可以是以下一项或者多项:预测的UE的地理位置坐标,如经纬度;预测的UE未来驻留的小区标识;预测的UE未来所在的跟踪区域(TA,Tracking area);UE未来进入某小区或者跟踪区域TA时的时间点以及时长;预测信息的置信度或者准确率。
如果请求消息中包含请求统计形式的网络负荷相关类数据,数据分析报告/响应消息包含网络负荷统计信息(Load statistics)。网络负荷统计信息是包含一个时间点或者时间段的网络负荷统计信息,可以是以下一项或者多项:小区的负荷(Traffic load);连接小区的UE数量(Number of UE);小区物力资源利用率(PRB usage);小区分组数据汇聚协议数据量(PDCP data volume)。
如果请求消息中包含请求预测信息形式的网络负荷相关类数据,数据分析报告/响应消息包含网络负荷预测信息(Load predictions)。网络负荷预测信息是包含一个或者多个NG-RAN节点或小区在未来某个时间点或者时间段的网络负荷预测信息,可以是以下一项或者多项:预测的小区的负荷(Traffic load);预测的连接小区的UE数量(Number ofUE);预测的小区物力资源利用率(PRB usage);预测的小区分组数据汇聚协议数据量(PDCPdata volume),预测信息的置信度或者准确率。
如果请求消息中包含请求通用数据类型数据,数据分析报告消息包含以下一项或者多项:局部区域/感兴趣区域的地图信息、UE平均运动速度、UE运动方向等等。
步骤4:NG-RAN节点收到核心网的数据分析报告,执行ML模型训练/ML模型推理。
步骤5:NG-RAN根据核心网的数据分析报告,或者ML模型推理结果,对进行网络优化。
图4是本申请实施例提供的一种网络优化方法的流程图,本申请实施例可以适用于无线通信网络中网络智能优化的情况,该方法可以由本申请实施例中的网络优化装置来执行,该装置可以通过软件和/或硬件的方式实现,并一般可以集成在核心网侧节点中,参见图4,本申请实施例提供的方法具体包括如下步骤:
步骤310、发送数据信息请求到基站。
其中,数据信息请求可以是核心网获取基站侧数据的请求信息,可以包括数据的分析方式的指示信息和数据分析内容的指示信息等,数据信息请求可以由核心网设备发送到基站侧节点。
在本申请实施例中,核心网可以向基站侧发送数据信息请求,该数据信息请求可以指示获取基站侧的一种或者多种数据,核心网可以通过向基站发送数据信息请求以获取基站侧的数据。
步骤320、接收基站反馈的数据信息响应,并根据人工智能学习模型确定模型处理结果。
其中,数据信息响应可以是基站侧根据数据信息请求生成的响应信息,可以包括请求的数据,数据信息响应可以与数据信息请求存在对应关系。人工智能学习模型可以是预先经过训练的神经网络模型,可以对输入的信息进行处理,人工智能学习模型可以用于数据统计、数据预测等处理,模型处理结果可以是人工智能学习模型的输出结果,可以包括数据预测结果、数据统计结果等。
在本申请实施例中,基站侧节点在接收到数据信息请求后,可以生成对应的数据信息响应,并将该数据信息响应反馈给核心网,核心网可以根据人工智能学习模型对数据信息响应,实现模型处理结果的生成,其中,由于人工智能学习模型的不同,生成的模型处理结果可以是基于数据信息响应的预测信息或者是基于数据信息响应的统计信息等。
步骤330、根据模型处理结果执行网络优化操作。
在本申请实施例中,可以预先设置一种或者多种不同的网络优化策略,可以根据模型处理结果查找对应的网络优化策略,按照确定网络优化策略执行对应的网络优化操作,可以理解的是,网络优化策略还可以根据模型处理结果实时生成。
本申请实施例,通过发送数据分析请求信息到核心网,接收核心网反馈的数据响应信息,使用人工智能模型确定模型处理结果,根据该模型处理结果执行对应的网络优化操作,通过与核心网交互数据信息,并使用人工智能模型确定出数据信息对应的模型处理结果,实现数据的统计和/或预测,提高网络优化的准确性,可增强网络性能和用户体验。
进一步的,在上述申请实施例的基础上,数据信息响应在基站按照数据信息请求进行数据收集、数据统计分析和数据预测中至少一种处理确定。
在本申请实施例中,核心网接收到的数据信息响应可以由基站生成,在基站中按照数据信息请求进行数据收集、数据统计分析和数据预测中一种或多种处理,实现数据信息响应的生成。
图5是本申请实施例提供的另一种网络优化方法的示例图,本申请实施例是在上述申请实施例基础上的具体化,参见图5,本申请实施例提供的方法具体包括如下步骤:
步骤410、发送数据信息请求到基站,以使基站训练/或更新第二人工智能学习模型。
其中,第二人工智能学习模型可以是基站中设置的人工智能学习模型,具体可以为神经网络模型。核心网中的人工智能学习模型与基站中的第二人工智能学习模型的种类和结构可以不同,例如,核心网中的人工智能学习模型可以处理终端实时性影响较低的数据,第二人工智能学习模块可以处理对终端实时性加大影响的数据,例如,网络负荷、QOE数据等。
在本申请实施例中,核心网可以将数据信息请求发送到基站,使得基站按照数据信息请求对基站中的第二人工智能学习模型进行训练或者更新,提高基站反馈的数据信息响应的准确性,可进一步增强网络优化的效果。
步骤420、接收基站反馈的数据信息响应,并根据人工智能学习模型确定模型处理结果。
步骤430、根据模型处理结果执行网络优化操作。
步骤440、根据数据信息响应执行网络优化操作。
具体的,核心网可以直接根据基站侧反馈的数据信息响应选择对于的网络优化操作执行。
本申请实施例,通过发送数据分析请求信息到基站,使得基站更新第二人工智能学习模型,接收基站反馈的数据信息响应,使用人工智能模型处理数据信息响应以生成模型处理结果,分别使用模型处理结果和/或数据信息响应执行对应的网络优化操作,进一步提高网络优化的准确性,可增强网络性能和用户体验。
进一步的,在上述申请实施例的基础上,所述数据信息请求包括以下至少之一:
至少一个分析数据类型标识符、至少一个数据分析形式标识符、至少一个终端标识符、数据分析时间信息、数据分析感兴趣区域、期望终端轨迹信息粒度。
进一步的,在上述申请实施例的基础上,分析数据类型标识符包括以下至少之一:终端数据类型标识、网络负荷数据类型标识符、体验质量数据类型标识符、网络切片数据类型标识符、通用数据类型标识符。
进一步的,在上述申请实施例的基础上,所述数据分析形式标识符包括以下至少之一:数据统计标识符、数据预测标识符。
进一步的,在上述申请实施例的基础上,所述数据分析时间信息包括以下至少之一:时间粒度、数据分析起始时间、数据分析结束时间。
进一步的,在上述申请实施例的基础上,数据分析感兴趣区域包括以下至少之一:追踪区域、小区区域、寻呼区域。
进一步的,在上述申请实施例的基础上,所述期望终端轨迹信息粒度包括以下至少之一:追踪区域级别、小区级别、地理位置级别。
进一步的,在上述申请实施例的基础上,所述数据信息响应包括以下至少之一:移动性统计信息、终端移动性预测信息、网络负荷统计信息、网络负荷预测信息、通用数据统计信息。
进一步的,在上述申请实施例的基础上,所述终端移动性统计信息包括以下至少之一:终端地理位置坐标、终端驻留小区标识、终端所处跟着区域,终端与小区的连接波束标识信息、终端接入小区的时间信息、终端接入跟踪区域的时间信息、终端运动方向、终端运动速度、局部区域的地图信息、感兴趣区域的地图信息。
进一步的,在上述申请实施例的基础上,所述终端移动性预测信息包括以下至少之一:预测的终端地理位置坐标、终端未来驻留小区标识、终端未来跟踪区域、终端未来接入小区的时间信息、终端未来接入跟踪区域的时间信息、置信度。
进一步的,在上述申请实施例的基础上,所述网络负荷统计信息包括以下至少之一:小区负荷、小区接入终端数量、小区物理资源利用率、小区分组数据汇聚协议数据量。
进一步的,在上述申请实施例的基础上,所述网络负荷预测信息包括以下至少之一:预测小区负荷、预测小区接入终端数量、预测小区物理资源利用率、预测小区分组数据汇聚协议数据量、置信度。
进一步的,在上述申请实施例的基础上,所述通用数据统计信息包括以下至少之一:局部区域地图信息、感兴趣区域地图信息、终端平均运动速度、终端运动方向。
在一个示例性的实施方式中,图6是本申请实施例提供的一种网络优化方法的示例图,参加图6,以核心网获取NG-RAN节点的预测信息进行网络优化为例,该网络优化方法可以包括如下步骤:
步骤1:核心网向NG-RAN node发送人工智能(Artificial Intelligence,AI)/机器学习(Machine Learning,ML)数据信息请求消息(AI/ML DATA INFORMATION REQUEST),用于向NG-RAN指示所需要的AI信息。其中,请求消息包含以下一项或者多项:一个或者多个数据分析类型标识符,用以指示请求的数据分析的类型,如UE相关类型数据、网络负荷相关类型数据、QoE相关类型数据、网络切片相关类型数据、通用数据类型(包含地图信息)等等;一个或者多个数据分析形式标识符,用以指示数据分析形式,如数据统计形式、或者预测信息形式;一个或者多个UE标识符(UE ID);数据分析的时间段,包含以下一项或者多项:时间粒度,数据分析报告的起始时间,数据分析报告的截止时间;或者数据分析的感兴趣区域(Area of Interest),如追踪区域(Tracking Area)、小区区域(Cell List)、寻呼区域(Paging Area);期望的UE轨迹信息的粒度,如追踪区域级别(TA level)、小区级别(CellLevel)、地理位置级别(经纬度)。
步骤2:NG-RAN节点根据收到的数据分析请求消息的指示,进行数据收集/模型训练/模型推理,生成请求消息中请求的数据报告。
步骤3:NG-RAN节点通过发送AI/ML数据信息上报/相应(AI/ML InformationReport/Response)至核心网,消息包含核心网所请求的消息。
如果请求消息中指示数据统计形式的UE相关类数据,数据分析报告/响应消息包含UE移动性统计信息(UE mobility statistics)。UE移动性统计信息是包含一个或者多个UE某个时间点或者时间段的位置统计信息,可以是以下一项或者多项:UE的地理位置坐标,如经纬度;UE驻留的小区标识;UE所在的跟踪区域(TA,Tracking area);UE和小区的连接波束标识信息;UE进入某小区或者跟踪区域TA时的时间点以及时长;UE的运动方向;UE的运动速度;局部区域/感兴趣区域的地图信息。
如果请求消息中包含请求预测信息形式的UE相关类数据,数据分析报告/响应消息包含UE移动性预测信息(UE mobility predictions)。UE移动性预测信息是包含一个或者多个UE在未来某个时间点或者时间段的位置预测信息,可以是以下一项或者多项:预测的UE的地理位置坐标,如经纬度;预测的UE未来驻留的小区标识;预测的UE未来所在的跟踪区域(TA,Tracking area);UE未来进入某小区或者跟踪区域TA时的时间点以及时长;预测信息的置信度或者准确率。
如果请求消息中包含请求统计形式的网络负荷相关类数据,数据分析报告/响应消息包含网络负荷统计信息(Load statistics)。网络负荷统计信息是包含一个时间点或者时间段的网络负荷统计信息,可以是以下一项或者多项:小区的负荷(Traffic load);连接小区的UE数量(Number of UE);小区物力资源利用率(PRB usage);小区PDCP数据量(PDCP data volume)。
如果请求消息中包含请求预测信息形式的网络负荷相关类数据,数据分析报告/响应消息包含网络负荷预测信息(Load predictions)。网络负荷预测信息是包含一个或者多个NG-RAN节点或小区在未来某个时间点或者时间段的网络负荷预测信息,可以是以下一项或者多项:预测的小区的负荷(Traffic load);预测的连接小区的UE数量(Number ofUE);预测的小区物力资源利用率(PRB usage);预测的小区PDCP数据量(PDCP datavolume),预测信息的置信度或者准确率。
如果请求消息中包含请求通用数据类型数据,数据分析报告消息包含以下一项或者多项:局部区域/感兴趣区域的地图信息、UE平均运动速度、UE运动方向等等。
步骤4:核心网获得NG-RAN节点的数据分析报告,执行数据分析、数据预测、数据统计。
步骤5:核心网根据NG-RAN节点的数据分报告或者核心网的数据分析报告,对进行网络优化。
图7是本申请实施例提供的一种网络优化装置的结构示意图,可执行本申请任意实施例所提供的网络优化方法,具备执行方法相应的功能模块和有益效果。该装置可以由软件和/或硬件实现,一般集成在基站,具体包括:数据分析发送模块501、数据处理模块502和网络优化模块503。
数据分析发送模块501,用于发送数据分析请求信息到核心网。
数据处理模块502,用于接收所述核心网反馈的数据分析响应信息并根据人工智能学习模型确定模型处理结果。
网络优化模块503,用于根据所述模型处理结果执行网络优化操作。
本申请实施例,通过数据分析发送模块发送数据分析请求信息到核心网,数据处理模块接收核心网反馈的数据响应信息,使用人工智能模型确定模型处理结果,网络优化模块根据该模型处理结果执行对应的网络优化操作,通过与核心网交互数据信息,并使用人工智能模型确定出数据信息对应的模型处理结果,实现数据的统计和/或预测,提高网络优化的准确性,可增强网络性能和用户体验。
进一步的,在上述申请实施例的基础上,所述装置还包括:
第二网络优化模块,用于根据所述数据分析响应信息执行网络优化操作。
进一步的,在上述申请实施例的基础上,所述装置中数据分析响应信息在所述核心网按照所述数据分析请求信息进行数据收集、数据统计分析和数据预测中至少一种处理确定。
进一步的,在上述申请实施例的基础上,所述装置中所述数据分析请求信息包括以下至少之一:
至少一个分析数据类型标识符、至少一个数据分析形式标识符、至少一个终端标识符、数据分析时间信息、数据分析感兴趣区域、期望终端轨迹信息粒度。
进一步的,在上述申请实施例的基础上,所述装置中分析数据类型标识符包括以下至少之一:终端数据类型标识、网络负荷数据类型标识符、体验质量数据类型标识符、网络切片数据类型标识符、通用数据类型标识符。
进一步的,在上述申请实施例的基础上,数据分析形式标识符包括以下至少之一:数据统计标识符、数据预测标识符。
进一步的,在上述申请实施例的基础上,所述装置中数据分析时间信息包括以下至少之一:时间粒度、数据分析起始时间、数据分析结束时间。
进一步的,在上述申请实施例的基础上,所述装置中数据分析感兴趣区域包括以下至少之一:追踪区域、小区区域、寻呼区域。
进一步的,在上述申请实施例的基础上,所述装置中期望终端轨迹信息粒度包括以下至少之一:追踪区域级别、小区级别、地理位置级别。
进一步的,在上述申请实施例的基础上,所述装置中数据分析响应信息包括以下至少之一:移动性统计信息、终端移动性预测信息、网络负荷统计信息、网络负荷预测信息、通用数据统计信息。
进一步的,在上述申请实施例的基础上,所述装置中终端移动性统计信息包括以下至少之一:终端地理位置坐标、终端驻留小区标识、终端所处跟着区域,终端与小区的连接波束标识信息、终端接入小区的时间信息、终端接入跟踪区域的时间信息、终端运动方向、终端运动速度、局部区域的地图信息、感兴趣区域的地图信息。
进一步的,在上述申请实施例的基础上,所述装置中终端移动性预测信息包括以下至少之一:预测的终端地理位置坐标、终端未来驻留小区标识、终端未来跟踪区域、终端未来接入小区的时间信息、终端未来接入跟踪区域的时间信息、置信度。
进一步的,在上述申请实施例的基础上,所述网络负荷统计信息包括以下至少之一:小区负荷、小区接入终端数量、小区物理资源利用率、小区分组数据汇聚协议数据量。
进一步的,在上述申请实施例的基础上,所述装置中网络负荷预测信息包括以下至少之一:预测小区负荷、预测小区接入终端数量、预测小区物理资源利用率、预测小区分组数据汇聚协议数据量、置信度。
进一步的,在上述申请实施例的基础上,所述装置中通用数据统计信息包括以下至少之一:局部区域地图信息、感兴趣区域地图信息、终端平均运动速度、终端运动方向。
进一步的,在上述申请实施例的基础上,所述装置还包括模型训练模块用于根据所述数据分析响应信息训练或更新所述人工智能学习模型。
图8是本申请实施例提供的另一种网络优化装置的结构示意图,可执行本申请任意实施例所提供的网络优化方法,具备执行方法相应的功能模块和有益效果。该装置可以由软件和/或硬件实现,一般集成在核心网设备,具体包括:数据发送模块601、结果确定模块602和优化执行模块603。
数据发送模块601,用于发送数据信息请求到基站。
结果确定模块602,用于接收所述基站反馈的数据信息响应,并根据人工智能学习模型确定模型处理结果。
优化执行模块603,用于根据所述模型处理结果执行网络优化操作。本申请实施例,通过数据发送模块发送数据分析请求信息到核心网,结果确定模块接收核心网反馈的数据响应信息,使用人工智能模型确定模型处理结果,优化执行模块根据模型处理结果执行对应的网络优化操作,通过与核心网交互数据信息,并使用人工智能模型确定出数据信息对应的模型处理结果,实现数据的统计和/或预测,提高网络优化的准确性,可增强网络性能和用户体验。
进一步的,在上述申请实施例的基础上,所述装置还包括:信息优化模块,用于根据所述数据信息响应执行网络优化操作。
进一步的,在上述申请实施例的基础上,所述装置中数据信息响应在所述基站按照所述数据信息请求进行数据收集、数据统计分析和数据预测中至少一种处理确定。
进一步的,在上述申请实施例的基础上,所述装置中数据信息请求包括以下至少之一:
至少一个分析数据类型标识符、至少一个数据分析形式标识符、至少一个终端标识符、数据分析时间信息、数据分析感兴趣区域、期望终端轨迹信息粒度。
进一步的,在上述申请实施例的基础上,所述装置中分析数据类型标识符包括以下至少之一:终端数据类型标识、网络负荷数据类型标识符、体验质量数据类型标识符、网络切片数据类型标识符、通用数据类型标识符。
进一步的,在上述申请实施例的基础上,数据分析形式标识符包括以下至少之一:数据统计标识符、数据预测标识符。
进一步的,在上述申请实施例的基础上,所述装置中数据分析时间信息包括以下至少之一:时间粒度、数据分析起始时间、数据分析结束时间。
进一步的,在上述申请实施例的基础上,所述装置中数据分析感兴趣区域包括以下至少之一:追踪区域、小区区域、寻呼区域。
进一步的,在上述申请实施例的基础上,所述装置中期望终端轨迹信息粒度包括以下至少之一:追踪区域级别、小区级别、地理位置级别。
进一步的,在上述申请实施例的基础上,所述装置中数据信息响应包括以下至少之一:移动性统计信息、终端移动性预测信息、网络负荷统计信息、网络负荷预测信息、通用数据统计信息。
进一步的,在上述申请实施例的基础上,所述装置中终端移动性统计信息包括以下至少之一:终端地理位置坐标、终端驻留小区标识、终端所处跟着区域,终端与小区的连接波束标识信息、终端接入小区的时间信息、终端接入跟踪区域的时间信息、终端运动方向、终端运动速度、局部区域的地图信息、感兴趣区域的地图信息。
进一步的,在上述申请实施例的基础上,所述装置中终端移动性预测信息包括以下至少之一:预测的终端地理位置坐标、终端未来驻留小区标识、终端未来跟踪区域、终端未来接入小区的时间信息、终端未来接入跟踪区域的时间信息、置信度。
进一步的,在上述申请实施例的基础上,所述网络负荷统计信息包括以下至少之一:小区负荷、小区接入终端数量、小区物理资源利用率、小区分组数据汇聚协议数据量。
进一步的,在上述申请实施例的基础上,所述装置中网络负荷预测信息包括以下至少之一:预测小区负荷、预测小区接入终端数量、预测小区物理资源利用率、预测小区分组数据汇聚协议数据量、置信度。
进一步的,在上述申请实施例的基础上,所述装置中通用数据统计信息包括以下至少之一:局部区域地图信息、感兴趣区域地图信息、终端平均运动速度、终端运动方向。
进一步的,在上述申请实施例的基础上,所述数据发送模块601具体用于:发送所述数据信息请求到所述基站,以使所述基站训练/或更新第二人工智能学习模型。
图9是本申请实施例提供的一种电子设备的结构示意图,该电子设备包括处理器70、存储器71、输入装置72和输出装置73;电子设备中处理器70的数量可以是一个或多个,图9中以一个处理器70为例;电子设备中处理器70、存储器71、输入装置72和输出装置73可以通过总线或其他方式连接,图9中以通过总线连接为例。
存储器71作为一种计算机可读存储介质,可用于存储软件程序、计算机可执行程序以及模块,如本申请实施例中的网络优化装置对应的模块(数据分析发送模块501、数据处理模块502和网络优化模块503,或者,数据发送模块601、结果确定模块602和优化执行模块603)。处理器70通过运行存储在存储器71中的软件程序、指令以及模块,从而执行电子设备的各种功能应用以及数据处理,即实现上述的网络优化方法。
存储器71可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序;存储数据区可存储根据电子设备的使用所创建的数据等。此外,存储器71可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中,存储器71可进一步包括相对于处理器70远程设置的存储器,这些远程存储器可以通过网络连接至电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置72可用于接收输入的数字或字符信息,以及产生与电子设备的用户设置以及功能控制有关的键信号输入。输出装置73可包括显示屏等显示设备。
本申请实施例还提供一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行一种网络优化方法,该方法包括:
发送数据分析请求信息到核心网;
接收所述核心网反馈的数据分析响应信息并根据人工智能学习模型确定模型处理结果;
根据所述模型处理结果执行网络优化操作。
或者,
发送数据信息请求到基站;
接收所述基站反馈的数据信息响应,并根据人工智能学习模型确定模型处理结果;
根据所述模型处理结果执行网络优化操作。
通过以上关于实施方式的描述,所属领域的技术人员可以清楚地了解到,本发明可借助软件及必需的通用硬件来实现,当然也可以通过硬件实现,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明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计算机可读存储介质中,如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等,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)执行本申请各个实施例所述的方法。
值得注意的是,上述装置的实施例中,所包括的各个单元和模块只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。
本领域普通技术人员可以理解,上文中所公开方法中的全部或某些步骤、系统、设备中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。
在硬件实施方式中,在以上描述中提及的功能模块/单元之间的划分不一定对应于物理组件的划分;例如,一个物理组件可以具有多个功能,或者一个功能或步骤可以由若干物理组件合作执行。某些物理组件或所有物理组件可以被实施为由处理器,如中央处理器、数字信号处理器或微处理器执行的软件,或者被实施为硬件,或者被实施为集成电路,如专用集成电路。这样的软件可以分布在计算机可读介质上,计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的,术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外,本领域普通技术人员公知的是,通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据,并且可包括任何信息递送介质。
以上参照附图说明了本发明的优选实施例,并非因此局限本发明的权利范围。本领域技术人员不脱离本发明的范围和实质内所作的任何修改、等同替换和改进,均应在本发明的权利范围之内。
Claims (36)
1.一种网络优化方法,其特征在于,所述方法包括:
发送数据分析请求信息到核心网;
接收所述核心网反馈的数据分析响应信息并根据人工智能学习模型确定模型处理结果;
根据所述模型处理结果执行网络优化操作。
2.根据权利要求1所述的方法,其特征在于,还包括:
根据所述数据分析响应信息执行网络优化操作。
3.根据权利要求1所述的方法,其特征在于,所述数据分析响应信息在所述核心网按照所述数据分析请求信息进行数据收集、数据统计分析和数据预测中至少一种处理确定。
4.根据权利要求1所述的方法,其特征在于,所述数据分析请求信息包括以下至少之一:
至少一个分析数据类型标识符、至少一个数据分析形式标识符、至少一个终端标识符、数据分析时间信息、数据分析感兴趣区域、期望终端轨迹信息粒度。
5.根据权利要求4所述的方法,其特征在于,所述分析数据类型标识符包括以下至少之一:终端数据类型标识、网络负荷数据类型标识符、体验质量数据类型标识符、网络切片数据类型标识符、通用数据类型标识符。
6.根据权利要求4所述的方法,其特征在于,所述数据分析形式标识符包括以下至少之一:数据统计标识符、数据预测标识符。
7.根据权利要求4所述的方法,其特征在于,所述数据分析时间信息包括以下至少之一:时间粒度、数据分析起始时间、数据分析结束时间。
8.根据权利要求4所述的方法,其特征在于,所述数据分析感兴趣区域包括以下至少之一:追踪区域、小区区域、寻呼区域。
9.根据权利要求4所述的方法,其特征在于,所述期望终端轨迹信息粒度包括以下至少之一:追踪区域级别、小区级别、地理位置级别。
10.根据权利要求1所述的方法,其特征在于,所述数据分析响应信息包括以下至少之一:移动性统计信息、终端移动性预测信息、网络负荷统计信息、网络负荷预测信息、通用数据统计信息。
11.根据权利要求10所述的方法,其特征在于,所述终端移动性统计信息包括以下至少之一:终端地理位置坐标、终端驻留小区标识、终端所处跟着区域,终端与小区的连接波束标识信息、终端接入小区的时间信息、终端接入跟踪区域的时间信息、终端运动方向、终端运动速度、局部区域的地图信息、感兴趣区域的地图信息。
12.根据权利要求10所述的方法,其特征在于,所述终端移动性预测信息包括以下至少之一:预测的终端地理位置坐标、终端未来驻留小区标识、终端未来跟踪区域、终端未来接入小区的时间信息、终端未来接入跟踪区域的时间信息、置信度。
13.根据权利要求10所述的方法,其特征在于,所述网络负荷统计信息包括以下至少之一:小区负荷、小区接入终端数量、小区物理资源利用率、小区分组数据汇聚协议数据量。
14.根据权利要求10所述的方法,其特征在于,所述网络负荷预测信息包括以下至少之一:预测小区负荷、预测小区接入终端数量、预测小区物理资源利用率、预测小区分组数据汇聚协议数据量、置信度。
15.根据权利要求10所述的方法,其特征在于,所述通用数据统计信息包括以下至少之一:局部区域地图信息、感兴趣区域地图信息、终端平均运动速度、终端运动方向。
16.根据权利要求1所述的方法,其特征在于,还包括:
根据所述数据分析响应信息训练或更新所述人工智能学习模型。
17.一种网络优化方法,其特征在于,所述方法包括:
发送数据信息请求到基站;
接收所述基站反馈的数据信息响应,并根据人工智能学习模型确定模型处理结果;
根据所述模型处理结果执行网络优化操作。
18.根据权利要求17所述的方法,其特征在于,还包括:
根据所述数据信息响应执行网络优化操作。
19.根据权利要求17所述的方法,其特征在于,所述数据信息响应在所述基站按照所述数据信息请求进行数据收集、数据统计分析和数据预测中至少一种处理确定。
20.根据权利要求17所述的方法,其特征在于,所述数据信息请求包括以下至少之一:
至少一个分析数据类型标识符、至少一个数据分析形式标识符、至少一个终端标识符、数据分析时间信息、数据分析感兴趣区域、期望终端轨迹信息粒度。
21.根据权利要求20所述的方法,其特征在于,所述分析数据类型标识符包括以下至少之一:终端数据类型标识、网络负荷数据类型标识符、体验质量数据类型标识符、网络切片数据类型标识符、通用数据类型标识符。
22.根据权利要求20所述的方法,其特征在于,所述数据分析形式标识符包括以下至少之一:数据统计标识符、数据预测标识符。
23.根据权利要求20所述的方法,其特征在于,所述数据分析时间信息包括以下至少之一:
时间粒度、数据分析起始时间、数据分析结束时间。
24.根据权利要求20所述的方法,其特征在于,所述数据分析感兴趣区域包括以下至少之一:
终端地理位置坐标、终端驻留小区标识、终端所处跟踪区域、终端与小区的连接波束标识信息、终端接入小区的时间信息、终端接入跟踪区域的时间信息、终端运动方向、终端运动速度、局部区域的地图信息、感兴趣区域的地图信息。
25.根据权利要求20所述的方法,其特征在于,所述期望终端轨迹信息粒度包括以下至少之一:追踪区域级别、小区级别、地理位置级别。
26.根据权利要求17所述的方法,其特征在于,所述数据信息响应包括以下至少之一:移动性统计信息、终端移动性预测信息、网络负荷统计信息、网络负荷预测信息、通用数据统计信息。
27.根据权利要求26所述的方法,其特征在于,所述终端移动性统计信息包括以下至少之一:终端地理位置坐标、终端驻留小区标识、终端所处跟着区域,终端与小区的连接波束标识信息、终端接入小区的时间信息、终端接入跟踪区域的时间信息、终端运动方向、终端运动速度、局部区域的地图信息、感兴趣区域的地图信息。
28.根据权利要求26所述的方法,其特征在于,所述终端移动性预测信息包括以下至少之一:预测的终端地理位置坐标、终端未来驻留小区标识、终端未来跟踪区域、终端未来接入小区的时间信息、终端未来接入跟踪区域的时间信息、置信度。
29.根据权利要求26所述的方法,其特征在于,所述网络负荷统计信息包括以下至少之一:小区负荷、小区接入终端数量、小区物理资源利用率、小区分组数据汇聚协议数据量。
30.根据权利要求26所述的方法,其特征在于,所述网络负荷预测信息包括以下至少之一:预测小区负荷、预测小区接入终端数量、预测小区物理资源利用率、预测小区分组数据汇聚协议数据量、置信度。
31.根据权利要求24所述的方法,其特征在于,所述通用数据统计信息包括以下至少之一:局部区域地图信息、感兴趣区域地图信息、终端平均运动速度、终端运动方向。
32.根据权利要求17所述的方法,其特征在于,所述方法包括:
发送所述数据信息请求到所述基站,以使所述基站训练/或更新第二人工智能学习模型。
33.一种网络优化装置,其特征在于,所述装置包括:
数据分析发送模块,用于发送数据分析请求信息到核心网;
数据处理模块,用于接收所述核心网反馈的数据分析响应信息并根据人工智能学习模型确定模型处理结果;
网络优化模块,用于根据所述模型处理结果执行网络优化操作。
34.一种网络优化装置,其特征在于,所述装置包括:
数据发送模块,用于发送数据信息请求到基站;
结果确定模块,用于接收所述基站反馈的数据信息响应,并根据人工智能学习模型确定模型处理结果;
优化执行模块,用于根据所述模型处理结果执行网络优化操作。
35.一种电子设备,其特征在于,所述电子设备包括:
一个或多个处理器;
存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-16或17-32中任一所述的网络优化方法。
36.一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存储有一个或多个程序,所述一个或多个程序被一个或多个处理器执行,以实现如权利要求1-16或17-32中任一所述的网络优化方法。
Priority Applications (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110963030.2A CN115915192A (zh) | 2021-08-20 | 2021-08-20 | 网络优化方法、装置、电子设备和存储介质 |
EP22857399.4A EP4391626A1 (en) | 2021-08-20 | 2022-06-14 | Network optimization methods and apparatus, electronic device and storage medium |
US18/276,243 US20240121161A1 (en) | 2021-08-20 | 2022-06-14 | Network optimization methods and apparatus, electronic device and storage medium |
PCT/CN2022/098759 WO2023020086A1 (zh) | 2021-08-20 | 2022-06-14 | 网络优化方法、装置、电子设备和存储介质 |
JP2024502676A JP2024524735A (ja) | 2021-08-20 | 2022-06-14 | ネットワーク最適化方法、装置、電子機器、及び記憶媒体 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110963030.2A CN115915192A (zh) | 2021-08-20 | 2021-08-20 | 网络优化方法、装置、电子设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115915192A true CN115915192A (zh) | 2023-04-04 |
Family
ID=85240000
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110963030.2A Pending CN115915192A (zh) | 2021-08-20 | 2021-08-20 | 网络优化方法、装置、电子设备和存储介质 |
Country Status (5)
Country | Link |
---|---|
US (1) | US20240121161A1 (zh) |
EP (1) | EP4391626A1 (zh) |
JP (1) | JP2024524735A (zh) |
CN (1) | CN115915192A (zh) |
WO (1) | WO2023020086A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024109084A1 (en) * | 2023-06-30 | 2024-05-30 | Zte Corporation | Systems and methods for predicting quality of experience of user equipment using an artificial intelligence model |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111757344B (zh) * | 2019-03-29 | 2022-08-30 | 中国移动通信有限公司研究院 | 无线网络控制优化方法及系统 |
CN114051748B (zh) * | 2019-07-08 | 2024-04-19 | 谷歌有限责任公司 | 使用机器学习优化蜂窝网络 |
CN114788350A (zh) * | 2019-10-16 | 2022-07-22 | 瑞典爱立信有限公司 | 用于预测用户设备的位置以用于网络优化的预测算法 |
CN112512059A (zh) * | 2020-05-24 | 2021-03-16 | 中兴通讯股份有限公司 | 网络优化方法、服务器、网络侧设备、系统和存储介质 |
CN112291706A (zh) * | 2020-10-27 | 2021-01-29 | 浪潮天元通信信息系统有限公司 | 一种基于大数据和人工智能的网络优化方法 |
-
2021
- 2021-08-20 CN CN202110963030.2A patent/CN115915192A/zh active Pending
-
2022
- 2022-06-14 EP EP22857399.4A patent/EP4391626A1/en active Pending
- 2022-06-14 JP JP2024502676A patent/JP2024524735A/ja active Pending
- 2022-06-14 WO PCT/CN2022/098759 patent/WO2023020086A1/zh active Application Filing
- 2022-06-14 US US18/276,243 patent/US20240121161A1/en active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024109084A1 (en) * | 2023-06-30 | 2024-05-30 | Zte Corporation | Systems and methods for predicting quality of experience of user equipment using an artificial intelligence model |
Also Published As
Publication number | Publication date |
---|---|
US20240121161A1 (en) | 2024-04-11 |
WO2023020086A1 (zh) | 2023-02-23 |
EP4391626A1 (en) | 2024-06-26 |
JP2024524735A (ja) | 2024-07-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP4099635A1 (en) | Method and device for selecting service in wireless communication system | |
Li et al. | Contact-aware data replication in roadside unit aided vehicular delay tolerant networks | |
CN112805983A (zh) | 用于延迟感知边缘计算的系统和方法 | |
CN111966289B (zh) | 基于Kafka集群的分区优化方法和系统 | |
Chen et al. | Minimizing age-of-information for fog computing-supported vehicular networks with deep Q-learning | |
US20220022159A1 (en) | User equipment tracking and paging area selection in wireless communication systems | |
KR20220043651A (ko) | 무선 통신 시스템에서 네트워크 데이터 분석을 위한 구독 갱신 방법 및 장치 | |
Xiao et al. | Driving in the fog: Latency measurement, modeling, and optimization of lte-based fog computing for smart vehicles | |
CN114095377A (zh) | 模型训练、参数配置方法、装置及分析设备 | |
KR20120125184A (ko) | 네트워크 접근 방법 및 이를 위한 장치 | |
CN115150970A (zh) | 一种网络连接的方法及装置 | |
CN115915192A (zh) | 网络优化方法、装置、电子设备和存储介质 | |
Lin et al. | A review of data sets of short-range wireless networks | |
Silva et al. | ODCRep: Origin–destination-based content replication for vehicular networks | |
CN115460623A (zh) | 网络切片自优化方法、基站及存储介质 | |
CN115460617A (zh) | 基于联邦学习的网络负载预测方法、装置、电子设备及介质 | |
CN111314489B (zh) | 识别接入网络类型方法、服务器及装置 | |
CN107147694B (zh) | 一种信息处理方法和装置 | |
CN115699823A (zh) | 支持无线通信网络中收集和分析网络数据的移动性的方法和设备 | |
CN110868754B (zh) | 一种频点变更的方法和装置 | |
CN116566846B (zh) | 模型的管理方法、系统以及共享节点、网络节点 | |
US20240098569A1 (en) | Devices, methods, and systems for predicting radio access network performance | |
WO2021159304A1 (en) | Method and apparatus for controlling content caching in edge computing system | |
US20220232368A1 (en) | Clustering of user entities in a cellular network | |
WO2023185711A1 (zh) | 一种用于机器学习模型训练的通信方法及装置 |
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 |