CN116235529A - 实现多个接入网络设备的自组织网络的方法和执行该方法的电子装置 - Google Patents
实现多个接入网络设备的自组织网络的方法和执行该方法的电子装置 Download PDFInfo
- Publication number
- CN116235529A CN116235529A CN202180066455.1A CN202180066455A CN116235529A CN 116235529 A CN116235529 A CN 116235529A CN 202180066455 A CN202180066455 A CN 202180066455A CN 116235529 A CN116235529 A CN 116235529A
- Authority
- CN
- China
- Prior art keywords
- state
- access network
- time
- point
- control parameter
- 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
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W48/00—Access restriction; Network selection; Access point selection
- H04W48/18—Selecting a network or a communication service
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/02—Arrangements for optimising operational condition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/08—Testing, supervising or monitoring using real traffic
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/10—Scheduling measurement reports ; Arrangements for measurement reports
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W84/00—Network topologies
- H04W84/18—Self-organising networks, e.g. ad-hoc networks or sensor networks
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W88/00—Devices specially adapted for wireless communication networks, e.g. terminals, base stations or access point devices
- H04W88/18—Service support devices; Network management devices
-
- 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
Abstract
一种调整包括至少一个小区的接入网络的状态的方法,该方法包括:获取接入网络在第一时间点的状态历史信息;基于所获取的状态历史信息确定调整接入网络的状态所需的第一时间段;基于第一时间点和第一时间段来确定第二时间点,第二时间点是要调整接入网络的状态的参考时间点;基于所获取的状态历史信息估计接入网络在第二时间点的状态;基于接入网络在第二时间点的估计状态,确定用于对接入网络的状态进行调整的状态控制参数的值,以及向接入网络发送所确定的状态控制参数的值。
Description
技术领域
本公开涉及一种实现接入网络设备的自组织网络的方法和执行该方法的电子装置。
背景技术
随着通信技术的发展,每个用户都可以通过使用用户设备(UE)与基站通信来执行各种类型的操作。例如,用户可以使用他们的UE来发送和接收语音消息或文本消息、再现声音源或视频、或使用互联网。
基站可以与多个UE建立接入网络,以便向UE提供无线电通信服务。作为接入网络设备的基站可以包括多个扇区,每个扇区可以根据频带包括多个小区。多个UE可以连接到每个小区,并且可以为多个UE中的每个UE提供无线电通信服务。
例如,用于接入网络设备的自组织网络(SON)可以指能够考虑其周围环境进行自配置的网络,并且可以用于经济地控制网络覆盖和增加传输容量,以及提高网络运营和管理的经济效用。为了实现自组织网络,可能需要能够收集和分析来自多个接入网络设备的数据并确定最优配置的中央服务器。
在使用中央服务器实现多个接入网络设备的自组织网络时,可能需要大量时间来收集和分析来自多个接入网络设备的必要数据。在这种情况下,在从接入网络设备收集数据的时间点与中央服务器确定最优配置的时间点之间可能会有相当大的时间差。因此,在中央服务器确定最优配置的时间点的接入网络的状态可能与收集数据的时间点的接入网络的状态有很大的不同,这是由于在各个状态中发生了一些变化。由中央服务器确定的最优配置在应用该最优配置的时间点可能是不合适的,因此,可能难以有效地实现自组织网络。
发明内容
技术方案
本公开的实施例提供了一种解决上述由于从接入网络设备收集数据的时间点与确定最优配置的时间点之间存在时间差而导致的问题、从而有效地实现自组织网络的方法以及执行该方法的电子装置。
其他方面将在接下来的描述中部分地阐述,并且部分地从描述中可以看出。
附图说明
本公开的某些实施例的上述以及其他方面、特征和优点将从以下结合附图的详细描述中更加清楚,其中:
图1是说明根据各种实施例的包括多个接入网络设备和用于调整多个接入网络的状态的服务器的示例通信系统的图;
图2是说明根据各种实施例的用于调整多个接入网络的状态的示例电子装置的框图;
图3是说明根据各种实施例的示例接入网络设备的框图;
图4是说明根据各种实施例的调整接入网络的状态的示例方法的流程图;
图5是说明根据各种实施例的用于调整接入网络的状态的电子装置的示例操作的信号流图;
图6是说明根据各种实施例的计算关于接入网络的估计状态与实际状态之间的差的示例方法的图;
图7a是说明根据各种实施例的通过调整接入网络的状态的方法来调整接入网络的状态的示例的图;
图7b是说明根据各种实施例的通过调整接入网络的状态的方法来调整接入网络的状态的示例的图;
图8是说明根据各种实施例的训练第一人工智能学习模型的示例方法的图;以及
图9是说明根据各种实施例的训练第一人工智能学习模型和第二人工智能学习模型的示例方法的图。
关于对附图的说明,类似的附图标记可以用于类似的元素。
具体实施方式
根据本公开的示例实施例,由电子装置执行的调整包括至少一个小区的接入网络的状态的方法可以包括:获取接入网络在第一时间点的状态历史信息;基于所获取的状态历史信息确定调整接入网络的状态所需的第一时间段;基于第一时间点和第一时间段确定第二时间点,其中,该第二时间点是要调整接入网络的状态的参考时间点;基于所获取的状态历史信息估计接入网络在第二时间点的状态;基于接入网络在第二时间点的估计状态,确定用于对接入网络的状态进行调整的状态控制参数的值;以及向接入网络发送所确定的状态控制参数的值,其中,向接入网络发送的状态控制参数的值在第二时间点被应用于接入网络的状态控制参数,以调整接入网络的状态。
根据本公开的示例实施例,用于调整包括至少一个小区的接入网络的状态的电子装置可以包括:至少一个处理器,以及连接到至少一个处理器的存储器,其中,至少一个处理器可以被配置为控制该电子装置以:获取接入网络在第一时间点的状态历史信息;基于所获取的状态历史信息确定调整接入网络的状态所需的第一时间段;基于第一时间点和第一时间段确定第二时间点,第二时间点是要调整接入网络的状态的参考时间点;基于所获取的状态历史信息估计接入网络在第二时间点的状态;基于接入网络在第二时间点的估计状态,确定用于对接入网络的状态进行调整的状态控制参数的值;以及向接入网络发送所确定的状态控制参数的值,其中,向接入网络发送的状态控制参数的值在第二时间点被应用于接入网络的状态控制参数,以调整接入网络的状态。
图1是说明根据各种实施例的示例通信系统100的图,该通信系统100包括多个接入网络设备110和用于调整多个接入网络设备110的状态的服务器101。
参照图1,通信系统100可以包括服务器101和多个接入网络设备110,并且多个接入网络设备110可以包括第一接入网络设备111、第二接入网络设备112和第三接入网络设备113。根据本公开的各种实施例,连接到服务器101的接入网络设备的数量不限于图1中所示的数量。
根据本公开的实施例,服务器101可以向多个接入网络设备110中的每个接入网络设备发送数据以及从多个接入网络设备110中的每个接入网络设备接收数据。例如,服务器101可以在预设时间点从多个接入网络设备110中的每个接入网络设备接收关于多个接入网络的状态的信息。例如,服务器101可以从多个接入网络设备110中的每个接入网络设备接收关于多个接入网络在从t0到t1的时间点的状态的信息。作为另一个示例,服务器101可以向多个接入网络设备110中的每个接入网络设备发送关于用于调整多个接入网络中的每个接入网络的状态的参数值的信息。例如,服务器101可以向多个接入网络设备110中的每个接入网络设备发送关于用于在时间点t2调整多个接入网络中的每个接入网络的状态的参数值的信息。在本公开的实施例中,时间点t2例如可以在时间上在时间点t1之后,而时间点t1例如可以在时间上在时间点t0之后。
根据本公开的各种实施例,服务器101可以确定适合于多个接入网络设备110中的每个接入网络设备的参数值,以对多个接入网络中的每个接入网络的状态执行调整。例如,第一接入网络设备111可以调整相应的接入网络的状态,从而可以对包括在第一接入网络设备111中的多个小区执行负载均衡,并且为此,服务器101可以基于关于第一接入网络设备111的接入网络的状态的信息,确定适合于对多个小区执行负载均衡的参数值。作为另一个示例,第二接入网络设备112可以调整相应的接入网络的状态以减少功耗,并且为此,服务器101可以基于关于第二接入网络设备112的接入网络的状态的信息来确定适合于减少功耗的参数值。
根据本公开的各种实施例,多个接入网络设备110中的每个接入网络设备可以对应于例如基站,或者可以包括但不限于例如中央单元(CU)、分布式单元(DU)、数字单元(DU)或无线电单元(RU),它们包括基站的元素。根据本公开的实施例,多个接入网络设备110中的每个接入网络设备可以包括多个小区。例如,作为基站的一个区域单元的扇区可以根据频带包括多个小区,并且多个UE中的每个UE可以连接到从多个小区中选择的任何一个小区。
根据本公开的各种实施例,多个接入网络设备110可以调整多个接入网络的状态,使得多个小区的负载可以相互均衡,或者可以调整状态,使得多个小区的耗电量可以减少。在本公开的各种实施例中,多个接入网络设备110可以改变与调整多个接入网络的状态有关的参数值。例如,多个接入网络设备110可以从服务器101接收由服务器101确定的参数值,并且可以通过将参数的当前值改变为接收到的值来调整多个接入网络中的每个接入网络的状态。
根据本公开的实施例,多个接入网络设备110中的每个接入网络设备可以在预设时间点或在预设时间段内向服务器101发送关于接入网络的状态的信息。例如,多个接入网络设备110中的每个接入网络设备可以每隔预设时间间隔向服务器101发送关于接入网络的状态的信息。作为另一个示例,多个接入网络设备110中的每个接入网络设备可以响应于从服务器101接收到的请求消息,向服务器101发送关于接入网络的状态的信息。
图2是说明根据各种实施例的用于调整多个接入网络110的状态的示例电子装置的框图。
参照图2,电子装置200可以包括处理器(例如,包括处理电路)210、输入单元(例如,包括输入电路)220、输出单元(例如,包括输出电路)230、存储器240以及包括多个可操作模块的模块单元(例如,包括各种处理电路和/或可执行程序元素)250。根据本公开的各种实施例,电子装置200的配置不限于图2中所示的配置,并且还可以包括图2中未示出的配置或可以省略图2中所示的配置的一部分。例如,尽管图2示出了多个可操作模块中的所有模块均被包括在模块单元250中,但多个模块中的至少一些模块还可以被实现为存储在存储器240中的软件模块。例如,如图2所示,状态信息获取模块251可以不被实现为包括在模块单元250中的单独的硬件模块,而是可以作为软件模块被存储在存储器240中,并可以由处理器210执行来进行工作。根据本公开的实施例,电子装置200可以理解为具有与图1中示出的服务器101的配置相同或相似的配置。
处理器210可以包括各种处理电路并与包括在电子装置200中的组件电连接,以执行用于控制包括在电子装置200中的组件和/或包括在电子装置200中的组件的通信的计算或数据处理。根据本公开的实施例,处理器210可以将从其他组件中的至少一个组件接收到的命令或数据加载到存储器240中,处理该命令或数据,并将结果数据存储在存储器240中。
输入单元220和输出单元230可以包括各种电路,并与处理器210电连接,以配置用于向电子装置200外部的另一电子装置(例如,图1中示出的每个接入网络设备110)发送数据或从其接收数据的接口。根据本公开的实施例,输入单元220可以包括各种输入电路并接收例如通过数据通信模块255从接入网络设备接收到的关于接入网络的状态的信息,输出单元230可以包括各种输出电路并输出例如要通过数据通信模块255发送到接入网络设备的状态控制参数的值。
存储器240可以与处理器210电连接,并且可以存储与包括在电子装置200中的组件的操作相关的命令或数据。根据本公开的各种实施例,存储器240可以存储使用状态信息获取模块251获取的关于接入网络的状态的信息、使用参数值确定模块254获取的状态控制参数的值、或者用于上述操作的指令。根据本公开的实施例,在包括在模块单元250中的至少一些模块被实现为将由处理器210执行的软件的情况下,存储器240可以存储用于执行至少一些模块的指令。
模块单元250可以包括用于实现由电子装置200执行的多个操作的具有各种处理电路和/或可执行程序元素的多个模块。根据本公开的各种实施例,模块单元250可以理解为用于实现图2中所示的多个模块中的至少一些模块的硬件配置,或者理解为概念上包括用于实现每个模块的多个硬件单元的配置。根据本公开的各种实施例,模块单元250的配置不限于图2中示出的配置,并且包括在图2中示出的模块单元250中的多个模块中的至少一些模块可以被实现为将被存储在存储器240中的软件。
状态信息获取模块251可以包括各种处理电路和/或可执行程序元素,并由处理器210执行以获取关于接入网络的状态的信息。根据本公开的实施例,接入网络设备可以包括至少一个小区,并且每个小区可以将无线电资源分配给连接到该小区的多个用户设备(UE)。在本公开的各种实施例中,无线电资源可以被理解为用于无线电通信的频率资源,其为受限的资源,仅可由有限数量的用户在预设时间段内共享。在本公开的实施例中,无线电资源可指正交频分复用(OFDM)无线电通信中的资源块(RB)。
根据本公开的实施例,接入网络的状态可以与由包括在接入网络设备中的每个小区向多个UE分配无线电资源有关。例如,针对包括在接入网络设备中的至少一个小区中的每个小区,接入网络的状态可以与以下至少一项有关:当前连接到该小区的UE的数量、物理资源块(PRB)利用率或使用量、互联网协议(IP)吞吐量、或下行链路(DL)数据量。
在本公开的实施例中,接入网络设备可以包括四个小区,并且接入网络的状态可以表示当前连接到第一小区的UE的数量、当前连接到第二小区的UE的数量、当前连接到第三小区的UE的数量以及当前连接到第四小区的UE的数量。在本公开的实施例中,接入网络设备可以包括四个小区,并且接入网络的状态可以表示由第一小区分配的可用无线电资源总量与当前分配给连接到第一小区的多个UE的无线电资源量的比率、由第二小区分配的可用无线电资源总量与当前分配给连接到第二小区的多个UE的无线电资源量的比率、由第三小区分配的可用无线电资源总量与当前分配给连接到第三小区的多个UE的无线电资源量的比率、以及由第四小区分配的可用无线电资源总量与当前分配给连接到第四小区的多个UE的无线电资源量的比率。在本公开的实施例中,与上述示例类似,接入网络设备可以包括四个小区,并且接入网络的状态可以表示连接到每个小区的多个UE的IP吞吐量或者每个小区的下行链路数据量。
根据本公开的实施例,电子装置200可以连接到多个接入网络设备,并且状态信息获取模块251可以针对多个接入网络设备中的每个接入网络设备获取关于对应接入网络的状态的信息。
根据本公开的实施例,状态信息获取模块251可以获取关于接入网络在执行获取的时间点的状态的信息。例如,状态信息获取模块251可以在第一时间点获取关于接入网络在第一时间点的状态的信息。根据本公开的实施例,状态信息获取模块251可以每隔预设时间间隔获取关于接入网络在执行获取的时间点的状态的信息。例如,状态信息获取模块251可以在第一时间点获取关于接入网络在第一时间点的状态的信息,并且可以在第一时间点之后经过了预设时间段的第二时间点获取关于接入网络在第二时间点的状态的信息。
根据本公开的实施例,状态信息获取模块251可以在第一时间点获取接入网络的状态历史信息,该第一时间点是执行获取的时间点。例如,状态历史信息可以包括接入网络在早于第一时间点(即执行获取的时间点)的预设时间段内的一个或更多个时间点中的每个时间点的状态信息。例如,状态历史信息可以仅包括接入网络在第一时间点的状态,或者可以包括接入网络在第一时间的状态以及接入网络在比第一时间点早预设时间段的时间点的状态的信息。在本公开的各种实施例中,预设时间段可以被设置为预设值,可以由用户或人工智能学习模型设置,或者可以从当前值改变而来。
估计时间点确定模块252可以包括各种处理电路和/或可执行程序元素,并由处理器210执行以确定调整接入网络的状态所需的第一时间段。根据本公开的各种实施例,第一时间段可以是从接入网络设备获取关于接入网络的状态的信息所需的时间段、基于参考时间点收集所获取的信息所需的时间段、估计接入网络在预设时间的状态所需的时间段、确定用于优化接入网络的状态的参数值所需的时间段、或向接入网络设备发送所确定的参数值所需的时间段中的至少一者的总和。
在本公开的实施例中,估计时间点确定模块252可以基于状态信息获取模块251在第一时间点获取的状态历史信息来确定第一时间段。在本公开的实施例中,第一时间段可以根据状态历史信息量而增加。在本公开的各种实施例中,状态历史信息量可以根据接入网络的数量而增加,可以根据包括在每个接入网络中的小区的数量而增加,或者可以根据包括在状态历史信息中的一个或更多个时间点而增加。随着所获取的状态历史信息量的增加,分析和处理状态历史信息所需的时间段会增加,并且确定用于基于状态历史信息调整接入网络的状态的参数值所需的时间段也会增加。
根据本公开的实施例,估计时间点确定模块252可以将所获取的状态历史信息量与预设大小进行比较,以确定调整接入网络的状态所需的第一时间段。例如,关于常规获取的状态历史信息的数量的信息以及与该数量相对应的所需时间段的信息可以由用户输入。估计时间点确定模块252可以将所获取的状态历史信息的数量与用户输入的信息进行比较,然后通过计算它们的比率来确定第一时间段。作为另一个示例,可以在存储器240中预先存储状态历史信息的量和相应估计的第一时间段的表,并且估计时间点确定模块252可以通过从该表中选择与所获取的状态历史信息的量最接近的量来确定第一时间段,然后检索与所选择的量相对应的第一时间段。作为另一个示例,估计时间点确定模块252可以使用人工智能学习模型来确定第一时间段。人工智能学习模型可以使用先前获取的状态历史信息和为调整接入网络的状态而实际花费的时间段来进行训练,并且可以用于确定第一时间段。
根据本公开的实施例,估计时间点确定模块252可以考虑先前在相同或相似条件下确定的第一时间段来确定第一时间段。例如,估计时间点确定模块252可以考虑诸如以下相同或相似的条件将第一时间段确定为先前确定的第一时间段之一:相同或相似的时区(zone)、一周中相同或相似的一天、相同或相似的季节、相同或相似的天气、相同或相似的事件等。在本公开的各种实施例中,估计时间点确定模块252可以在相同或相似条件下使用过去的统计数据来减少确定第一时间段所需的时间段,从而减少施加到电子装置200的负载。
在本公开的实施例中,估计时间点确定模块252可以将第一时间段确定为在前一天的相同时段确定的第一时间段。例如,在今天下午1点获取的状态历史信息量可以等于或类似于在昨天下午1点获取的状态历史信息量。因此,估计时间点确定模块252可以通过将第一时间段确定为在昨天下午1点确定的第一时间段来减少确定第一时间段所需的时间段或负载。
在本公开的实施例中,估计时间点确定模块252可以将第一时间段确定为在上周的同一天的同一时段确定的第一时间段。例如,在星期六下午1点获取的状态历史信息量可以与在前一个星期六下午1点获取的状态历史信息量相同或相似。因此,估计时间点确定模块252可以通过将第一时间段确定为在上周六的下午1点确定的第一时间段来减少确定第一时间段所需的时间段或负载。
在本公开的实施例中,估计时间点确定模块252可以将第一时间段确定为在相同或相似事件发生的时间点确定的第一时间段。例如,在举行音乐会、纪念活动、或聚会的时间点处获取的状态历史信息量可以与先前在举行相同或相似规模的音乐会、纪念活动、或聚会的时间点获取的状态历史信息量相同或相似。因此,估计时间点确定模块252可以通过将第一时间段确定为先前在举行具有相同或相似规模的音乐会、纪念活动、或聚会的时间点处确定的第一时间段,从而减少确定第一时间段所需的时间段或负载。
根据本公开的实施例,估计时间点确定模块252可以基于获取状态历史信息的第一时间点和所确定的第一时间段来确定第二时间点,该第二时间点是要调整接入网络的状态的参考时间点。在本公开的实施例中,第二时间点可以是比第一时间点晚第一时间段的时间点。例如,第二时间点可以是在第一时间点之后经过了第一时间段和用于确定第一时间段的时间段之后的时间点。根据本公开的各种实施例,因为估计时间点确定模块252确定的第一时间段可能不同于实际用于调整接入网络的状态所花费的时间段,所以估计时间点确定模块252可以将第二时间点确定为在第一时间点之后经过了第一时间段和一个足够长的时间段的时间点。
根据本公开的实施例,估计时间点确定模块252可以首先确定第二时间点,该第二时间点是要调整接入网络的状态的参考时间点,然后基于第二时间点来确定要获取状态历史信息的第一时间点。在本公开的实施例中,估计时间点确定模块252可以基于预先定义的计划来确定第二时间点。例如,估计时间点确定模块252可以将第二时间点确定为预设时间点,以便在每周的某一天的预设时间点或每一天的预设时间点调整接入网络的状态。作为另一个示例,估计时间点确定模块252可以每隔预设时间间隔确定第二时间点,以便根据预设时间间隔来调整接入网络的状态。作为另一个示例,估计时间点确定模块252可以将第二时间点确定为将要举行某一事件(例如,会议或聚会)的时间点,以便在该特定事件的时间点调整接入网络的状态。
根据本公开的实施例,在第二时间点是在确定要获取状态历史信息的第一时间点之前被确定的情况下,估计时间点确定模块252可以基于所确定的第二时间点来确定第一时间点。例如,估计时间点确定模块252可以考虑先前在相同或相似条件下确定的第一时间段来确定第一时间段,并且可以基于第二时间点和第一时间段来确定第一时间点。在本公开的实施例中,第一时间点可以是比第二时间点早第一时间段的时间点。例如,第一时间点可以是比第二时间点早第一时间段和用于确定第一时间段的时间段之和的时间点。根据本公开的各种实施例,因为估计时间点确定模块252确定的第一时间段可能不同于实际用于调整接入网络的状态的时间段,所以估计时间点确定模块252可以将第一时间点确定为比一时间点(该时间点比第二时间点早第一时间段)早足够长的时间段的时间点。
状态估计模块253可以包括各种处理电路和/或可执行程序元素,并且可以由处理器210执行以估计接入网络在由估计时间点确定模块252确定的第二时间点的状态。根据本公开的实施例,状态估计模块253可以基于状态信息获取模块251在第一时间点获取的状态历史信息,使用第一人工智能学习模型来估计接入网络在第二时间点的状态。根据本公开的各种实施例,状态估计模块253可以估计接入网络在预设时间段内的多个时间点的状态。例如,状态估计模块253可以估计接入网络在预设时间段内的包括第二时间点的多个时间点的状态。在本公开的实施例中,多个时间点可以包括比第二时间点早预设时间段的时间点或者比第二时间点晚预设时间段的时间点。接入网络在多个时间点的估计状态可以与接入网络在多个时间点的实际状态进行比较,以用于训练第一人工智能学习模型。例如,可以将多个时间点的估计状态与实际状态进行比较,并且可以获取第一人工智能学习模型的多个反馈。
在本公开的实施例中,状态估计模块253可以使用状态历史信息以及第一时间点与第二时间点之间的时间差,作为第一人工智能学习模型的输入。状态估计模块253可以使用第一人工智能学习模型来估计接入网络在第一时间点与第二时间点之间可能发生的状态变化,并且可以获取接入网络在第二时间点的估计状态作为第一人工智能学习模型的输出。在本公开的实施例中,第一时间点和第二时间点,而不是第一时间点与第二时间点之间的时间差,可以被用作第一人工智能学习模型的输入。
根据本公开的各种实施例,接入网络的状态可以随时间改变。例如,连接到接入网络设备中的每个小区的UE的数量可以随时间增加或减少。使用第一人工智能学习模型,状态估计模块253可以基于从第一时间点获取的连接到每个小区的UE数量的历史以及第一时间点与第二时间点之间的时间间隔,估计在第二时间点连接到每个小区的UE的数量。
根据本公开的实施例,状态估计模块253可以在估计接入网络在第二时间点的状态时,进一步使用接入网络在第一时间点与第二时间点之间的至少一个第三时间点的状态。例如,在获取第一时间点的状态历史信息之后,在状态估计模块253估计接入网络在第二时间点的状态之前,状态信息获取模块251可以进一步获取接入网络在至少一个第三时间点的状态。状态估计模块253可以使用所获取的第一时间点的状态历史信息以及所获取的接入网络在第三时间点的状态来估计接入网络在第二时间点的状态。因此,状态估计模块253可以进一步提高对接入网络在第二时间点的状态的估计准确性。
根据本公开的实施例,在估计接入网络在第二时间点的状态时,状态估计模块253可以进一步使用所获取的接入网络在第一时间点与第二时间点之间的至少一个第三时间点的状态和参数值确定模块254确定的第三时间点的状态控制参数的值。例如,在获取第一时间点的状态历史信息之后,在状态估计模块253估计接入网络在第二时间点的状态之前,状态信息获取模块251可以进一步获取接入网络在至少一个第三时间点的状态。参数值确定模块254可以基于所获取的接入网络在第三时间点的状态,确定用于对接入网络的状态进行调整的状态控制参数的值。在本公开的实施例中,状态估计模块253可以利用所获取的接入网络在第三时间点的状态和所确定的在第三时间点的状态控制参数的值,估计接入网络在第三时间点的调整之后的状态。根据本公开的实施例,状态估计模块253可以使用所获取的第一时间点的状态历史信息和接入网络在第三时间点的调整后的状态,估计接入网络在第二时间点的状态。因此,状态估计模块253可以进一步提高对接入网络在第二时间点的状态的估计准确性。
根据本公开的实施例,在估计接入网络在第二时间点的状态时,状态估计模块253可以进一步使用接入网络在第一时间点与第二时间点之间的至少一个第三时间点的估计状态。例如,与接入网络在第二时间点的状态估计不同,状态估计模块253可以在比第一时间点早的时间点先估计接入网络在第三时间点的状态。在本公开的实施例中,状态估计模块253可以使用所获取的第一时间点的状态历史信息以及接入网络在第三时间点的估计状态来估计接入网络在第二时间点的状态。因此,状态估计模块253可以节省从接入网络设备获取接入网络在第三时间点的状态所需的时间段,并且可以进一步提高接入网络在第二时间点的状态的估计准确性。
根据本公开的实施例,在估计接入网络在第二时间点的状态时,状态估计模块253可以进一步使用接入网络在第一时间点与第二时间点之间的至少一个第三时间点的估计状态和参数值确定模块254确定的在第三时间点的状态控制参数的值。例如,与接入网络在第二时间点的状态估计不同,状态估计模块253可以在比第一时间点早的时间点先估计接入网络在第三时间点的状态。参数值确定模块254可以基于接入网络在第三时间点的估计状态,确定用于对接入网络的状态进行调整的状态控制参数的值。在本公开的实施例中,状态估计模块253可以使用所获取的接入网络在第三时间点的状态和所确定的在第三时间点的状态控制参数的值,估计接入网络在第三时间点的调整之后的状态。根据本公开的实施例,状态估计模块253可以使用所获取的第一时间点的状态历史信息和接入网络在第三时间点的调整后的状态,估计接入网络在第二时间点的状态。因此,状态估计模块253可以节省从接入网络设备获取接入网络在第三时间点的状态所需的时间段,并且可以进一步提高对接入网络在第二时间点的状态的估计准确性。
根据本公开的各种实施例,状态估计模块253使用的第一人工智能学习模型可以通过但不限于例如强化学习、监督学习、机器学习、持续学习、联合学习、深度学习等中的至少一种来训练。在本公开的实施例中,第一人工智能学习模型可以通过例如但不限于监督学习来训练,并且状态估计模块253可以使用监督学习的方案来训练第一人工智能学习模型。例如,状态估计模块253可以将接入网络在第二时间点的估计状态与状态信息获取模块251获取的接入网络在第二时间点的实际状态进行比较,并且可以通过提供估计状态与实际状态之间的差作为反馈来训练第一人工智能学习模型。状态估计模块253可以使用第一人工智能学习模型来估计接入网络在不同时间点的状态,并且可以重复比较估计状态与由状态信息获取模块251获取的实际状态的过程。状态估计模块253可以通过重复该过程来提高第一人工智能学习模型的准确性。
根据本公开的各种实施例,状态估计模块253可以根据接入网络的特定条件,使用关于历史状态的信息来训练第一人工智能学习模型。例如,状态估计模块253可以使用接入网络在一周中的某一天或某一时间点的历史状态来训练第一人工智能学习模型。作为另一个示例,状态估计模块253可以根据某个事件(例如但不限于,会议、聚会、公共假日等)使用接入网络的历史状态来训练第一人工智能学习模型。
根据本公开的各种实施例,第一人工智能学习模型可以被实现为被包括在模块单元250中、被存储在存储器240中、或被包括在电子装置200外部的另一电子装置中的单独的模块,但是不限于此。例如,第一人工智能学习模型可以被包括在电子装置200外部的以有线或无线方式与数据通信模块255进行通信的另一个电子装置中,或者可以被存储在电子装置200外部的存储设备中,该存储设备通过输入单元220或输出单元230使用各种接口(例如,USB)连接到电子装置200。
参数值确定模块254可以包括各种处理电路和/或可执行程序元素,并且可以由处理器210执行,以便基于由状态估计模块253估计的接入网络在第二时间点的状态来确定用于对接入网络的状态进行调整的状态控制参数的值。状态控制参数可以被理解为包括影响接入网络的状态的参数。例如,状态控制参数可以通过针对接入网络设备中的多个小区,对被施加到小区的负载的调整或小区的打开或关闭施加影响来调整接入网络的状态。根据本公开的实施例,状态控制参数可以包括例如但不限于参考信号接收功率(RSRP)阈值、参考信号接收质量(RSRQ)阈值、物理资源块(PRB)比例阈值、小区重新选择优先级等中的至少一者。
根据本公开的实施例,RSRP阈值或RSRQ阈值可以影响对小区的小区覆盖的调整。例如,关于多个小区中的第一小区,随着RSRP阈值或RSRQ阈值的增大,第一小区的小区覆盖范围可以减小,而随着RSRP阈值或RSRQ阈值的减小,第一小区的小区覆盖范围可以增大。随着第一小区的小区覆盖范围增大,连接到第一小区的UE的数量也会增加,而随着第一小区的小区覆盖范围减小,连接到第一小区的UE的数量也会减少。
根据本公开的实施例,PRB比例阈值可以影响对小区的开启或关闭的确定或接入网络设备110的功率放大器的开启或关闭。在本公开的实施例中,在由小区分配给连接到小区的UE的无线电资源的比例小于PRB比例阈值的情况下,小区或接入网络设备110的功率放大器可以被设置为关闭。在本公开的实施例中,在由多个小区中的第一小区分配的无线电资源的比例为特定值并且第一小区的PRB比例阈值被设置为大于该特定值的情况下,第一小区可以被关闭。
根据本公开的实施例,小区重新选择优先级可以影响连接到小区的UE的数量。例如,随着多个小区中的第一小区的小区重新选择优先级的值增大,连接到第一小区的UE的数量也会增加。作为另一个示例,随着第一小区的小区重新选择优先级的值减小,连接到第一小区的UE的数量也会减少。
根据本公开的实施例,可以在第一时间点与第二时间点之间确定状态控制参数的值,状态信息获取模块251获取接入网络在第一时间点的状态信息历史,第二时间点是估计时间点确定模块252确定的接入网络的状态要被调整的参考时间点。
根据本公开的各种实施例,状态控制参数的值可以根据调整接入网络的状态的目的来确定。例如,状态控制参数的值可以针对包括在接入网络设备中的至少一个小区的每个小区的负载均衡的目的来确定。在本公开的实施例中,针对包括在接入网络设备中的至少一个小区,状态控制参数的值可以被确定为使得当前连接到这些小区的UE的数量或由这些小区分配的无线电资源的比例是一致的。在本公开的实施例中,针对包括在接入网络设备中的至少一个小区,状态控制参数的值可以被确定为通过调整连接到小区的UE的数量使得IP吞吐量或下行链路数据量是一致的。在本公开的各种实施例中,可以理解的是,至少一个小区中的每个小区的负载均衡将被用于调整接入网络的状态从而减少小区状态的标准偏差。
作为另一个示例,状态控制参数的值可以为了调整包括在接入网络设备中的至少一个单元的功耗来确定。在本公开的实施例中,状态控制参数的值可以调整接入网络的状态,以降低至少一个单元中的所有单元的功耗。例如,在当前连接到至少一个小区的UE的数量小于预设水平并且总功耗可以减少的情况下,状态控制参数的值可以被确定为使得:当前连接到至少一个小区的UE被连接到另一个小区,并且至少一个小区或接入网络设备110的功率放大器被关闭。例如,在由至少一个小区分配的无线电资源的比例小于预设水平并且总功耗可以减少的情况下,状态控制参数的值可以被确定为使得:连接到至少一个小区的UE的无线电资源分配由另一个小区执行,并且至少一个小区或接入网络设备110的功率放大器被关闭。
根据本公开的实施例,参数值确定模块254可以确定参数值应用时间段以及状态控制参数的值。参数值应用时间段可以理解为,例如,将所确定的状态控制参数的值应用于接入网络所需的最短的时间段,或者将所确定的状态控制参数的值应用于接入网络而不进行任何进一步更新所需的最短的时间段。在本公开的实施例中,参数值确定模块254可以基于由状态估计模块253估计的接入网络在第二时间点的状态来确定参数值应用时间段。在本公开的实施例中,参数值确定模块254可以基于由状态信息获取模块251获取的状态历史信息来确定参数值应用时间段。
在本公开的实施例中,所确定的状态控制参数的值和所确定的参数值应用时间段可以被发送到接入网络设备110。在本公开的实施例中,参数值确定模块254可以不确定状态控制参数的新值,直到在第二时间点之后经过了所确定的参数值应用时间段为止。在本公开的实施例中,在电子装置200从接入网络设备110接收到用于请求状态控制参数的新值的消息的情况下,即使在第二时间点之后经过了所确定的参数值应用时间段之前,参数值确定模块254也可以确定状态控制参数的新值。在本公开的实施例中,在状态估计模块253已经根据预设计划或发生了新事件估计了接入网络在新时间点的状态的情况下,即使在第二时间点之后经过了所确定的参数值应用时间段之前,参数值确定模块254也可以确定状态控制参数的新值。
根据本公开的实施例,参数值确定模块254可以使用第二人工智能学习模型,基于由状态估计模块253估计的接入网络在第二时间点的状态,确定用于对接入网络的状态进行调整的状态控制参数的值。根据本公开的实施例,参数值确定模块254可以使用估计出的接入网络在第二时间点的状态作为第二人工智能学习模型的输入。考虑到例如负载均衡、功耗调整等目的,参数值确定模块254可以使用第二人工智能学习模型估计并确定用于实现调整接入网络的状态的目的的状态控制参数的值的组合。
根据本公开的各种实施例,参数值确定模块254所使用的第二人工智能学习模型可以通过例如但不限于此强化学习、监督学习、机器学习、持续学习、联合学习、深度学习等中的至少一种来训练。在本公开的实施例中,第二人工智能学习模型可以通过强化学习来训练,并且参数值确定模块254可以使用强化学习的方案来训练第二人工智能学习模型。例如,参数值确定模块254可以将状态信息获取模块251获取的接入网络在第一时间点的状态用作强化学习模型的状态变量、将第二人工智能学习模型输出的状态控制参数的值用作强化学习模型的行动变量,然后使用状态信息获取模块251获取已经应用了所确定的状态控制参数的值的接入网络的状态,来计算奖励变量的值。参数值确定模块254可以通过在不同时间点重复上述操作来训练第二人工智能学习模型。
根据本公开的各种实施例,第二人工智能学习模型可以被实现为被包括在模块单元250中、被存储在存储器240中、或者被包括在电子装置200外部的另一电子装置中的单独的模块。例如,第二人工智能学习模型可以被包括在电子装置200外部的以有线或无线方式与数据通信模块255进行通信的另一个电子装置中,或者可以被存储在电子装置200外部的存储设备中,该存储设备通过输入单元220或输出单元230使用各种接口(例如,USB)连接到电子装置200。
数据通信模块255可以包括各种处理电路和/或可执行程序元素,并且可以由处理器210执行以向电子装置200外部的其他电子装置发送数据或从其接收数据。例如,数据通信模块255可以从多个接入网络设备接收关于多个接入网络的状态的信息。作为另一个示例,数据通信模块255可以向多个接入网络设备发送用于对多个接入网络的状态进行调整的状态控制参数的值的信息。
图3是说明根据各种实施例的示例接入网络设备的框图。
参照图3,接入网络设备300可以包括处理器(例如,包括处理电路)310、输入单元(例如,包括输入电路)320、输出单元(例如,包括输出电路)330、存储器340、以及包括多个可操作模块的模块单元(例如,包括处理电路和/或可执行程序元素)350。根据本公开的各种实施例,接入网络设备300的配置不限于图3中所示的配置,并且还可以包括图3中未示出的配置,或者可以省略图3中所示的配置的一部分。例如,尽管图3示出了多个可操作模块都被包括在模块单元350中,但是多个模块中的至少一些模块还可以被实现为存储在存储器340中的软件模块。例如,参数控制模块351可以不如图3所示的那样被实现为包括在模块单元350中的单独的硬件模块,而是可以作为软件模块存储在存储器340中,并且可以由处理器310执行以进行工作。
根据本公开的实施例,接入网络设备300可以理解为具有与图1中所示的第一、第二和第三接入网络设备111、112和113相同或相似的配置,并且可以理解为与图2中所示的电子装置200电连接。根据本公开的实施例,接入网络设备300可以包括至少一个小区,并且每个小区可以连接到一个或更多个UE,以对来自该一个或更多个UE的请求做出响应,并且为该一个或更多个UE分配无线电资源。图2的处理器210、输入单元220、输出单元230和模块单元250的描述可以相同或相似地适用于处理器310、输入单元320、输出单元330和模块单元350。
参数控制模块351可以包括各种处理电路和/或可执行程序元素,并且可以由处理器310执行以改变状态控制参数的值,从而调整接入网络的状态。例如,参数控制模块351可以通过将经数据通信模块355从服务器(例如,图2的电子装置200)接收到的值应用于状态控制参数来改变状态控制参数的值。
根据本公开的实施例,参数控制模块351可以基于特定条件来改变状态控制参数的值。例如,参数控制模块351可以基于状态比较模块353将估计状态与接入网络的实际状态进行比较的结果来改变状态控制参数的值。在本公开的实施例中,在状态比较模块353已经确定估计状态与实际状态之间的差小于预设水平的情况下,参数控制模块351可以将状态控制参数的值改为从服务器接收到的值。在本公开的实施例中,在状态比较模块353已经确定估计状态与实际状态之间的差大于或等于预设水平的情况下,参数控制模块351可以保持状态控制参数的值,而不将状态控制参数的值改为从服务器接收到的值。
状态监测模块352可以包括各种处理电路和/或可执行程序元素,并且可以由处理器310执行以监测接入网络的状态并获取接入网络在预设时间点的状态。例如,针对包括在接入网络设备300中的至少一个小区中的每个小区,接入网络的状态可以与以下至少一者有关:当前连接到小区的UE的数量、物理资源块(PRB)利用率或使用量、互联网协议(IP)吞吐量、下行链路(DL)数据量等。
根据本公开的实施例,状态监测模块352可以每隔预设时间间隔获取关于接入网络的状态的信息。例如,状态监测模块352可以在预设时间段内每隔预设时间间隔获取关于接入网络的状态的信息,并且可以使用所获取的信息在存储器340中存储预设时间段内的状态历史信息。根据本公开的实施例,状态监测模块352可以基于从服务器接收到的请求获取关于接入网络的状态的信息。根据本公开的实施例,状态监测模块352可以基于包括在接入网络设备300中的另一模块的请求而获取关于接入网络的状态的信息。例如,状态监测模块352可以基于参数控制模块351或状态比较模块353的请求获取关于接入网络的状态的信息。
状态比较模块353可以包括各种处理电路和/或可执行程序元素,并且可以由处理器310执行以比较接入网络在预设时间点的估计状态与接入网络在预设时间点的实际状态。根据本公开的实施例,估计状态可以基于从服务器获取的信息。根据本公开的实施例,实际状态可以由状态监测模块352获取。
根据本公开的实施例,状态比较模块353可以使用单独的参数来表示估计状态与实际状态之间的差。例如,状态比较模块353可以生成表示估计状态与实际状态之间的差的向量。在本公开的实施例中,在接入网络设备300包括四个小区并且当前连接到每个小区的UE的数量用于表示四个小区中的每个小区的状态的情况下,该向量可以包括四个元素,每个元素用于表示当前连接到每个小区的UE的估计数量与当前连接到每个小区的UE的实际数量之间的差。在本公开的实施例中,在接入网络设备300包括四个小区并且当前连接到每个小区的UE的数量和每个小区的IP吞吐量用于表示四个小区中的每个小区的状态的情况下,向量可以包括八个元素,其表示当前连接到小区的UE的估计数量与当前连接到小区的UE的实际数量之间的差,以及小区的估计IP吞吐量与小区的实际IP吞吐量之间的差。在本公开的各种实施例中,向量的元素数量可以取决于包括在接入网络设备300中的小区的数量和表示接入网络的状态的变量的数量。根据本公开的实施例,状态比较模块353可以将向量的元素转换成幅值,并将该幅值与阈值进行比较。例如,状态比较模块353可以计算向量的元素的均方或均方根,并且可以将计算出的值与阈值进行比较,以确定估计状态与实际状态之间的差是否小于预设水平。
根据本公开的实施例,状态比较模块353可以向参数控制模块351发送估计状态与实际状态的比较结果。例如,状态比较模块353可以向参数控制模块351发送将估计状态与实际状态之间的差与阈值进行比较的结果。
阈值设置模块354可以包括各种处理电路和/或可执行程序元素,并且可以由处理器310执行以设置由状态比较模块353使用的阈值。例如,阈值可以被设置为用户预定义的值。作为另一个示例,阈值可以基于接入网络的稳定性或负载水平来设置。例如,在阈值相对高的情况下,状态控制参数值的改变频率可能相对高,这可能影响接入网络的稳定性或负载水平。另一方面,在阈值相对低的情况下,状态控制参数值的改变频率可能相对低,这可能导致缺乏适当的调整。作为另一个示例,阈值可以使用单独的人工智能学习模型来设置。
数据通信模块355可以包括各种处理电路和/或可执行程序元素,并且可以由处理器310执行以向接入网络设备300外部的电子装置(例如,图2的电子装置200)发送数据或从其接收数据。例如,数据通信模块355可以向服务器发送关于接入网络的状态的信息。作为另一个示例,数据通信模块355可以从服务器接收关于用于对接入网络的状态进行调整的状态控制参数的值的信息。
图4是说明根据各种实施例的调整接入网络的状态的示例方法的流程图。
参照图4,根据本公开的实施例的由电子装置(例如,图2的电子装置200)执行的调整接入网络的状态的方法可以包括操作401至411。在本公开的实施例中,操作401至411可以由电子装置的处理器(例如,图2的处理器210)执行。根据本公开的各种实施例,由电子装置执行的调整接入网络的状态的方法不限于图4中示出的方法,并且还可以包括图4中未示出的操作或省略图4中示出的至少一个操作。
在操作401中,电子装置可以在第一时间点从接入网络设备(例如,图3的接入网络设备300)获取状态历史信息。该状态历史信息可以包括,例如,关于接入网络在比第一时间点早的预设时间段内的一个或更多个时间点的状态的信息。例如,针对包括在接入网络设备中的至少一个小区,关于接入网络的状态的信息可以与以下至少一者有关:当前连接到小区的UE的数量、物理资源块(PRB)利用率或使用量、互联网协议(IP)吞吐量、下行链路(DL)数据量等。
在操作403中,电子装置可以确定调整接入网络的状态所需的第一时间段。根据本公开的各种实施例,第一时间段可以是从接入网络设备获取关于接入网络的状态的信息所需的时间段、基于参考时间点收集所获取的信息所需的时间段、估计接入网络在预设时间点的状态所需的时间段、确定用于优化接入网络的状态的参数值所需的时间段、或向接入网络设备发送所确定的参数值所需的时间段中的至少一项的总和。
在操作405中,电子装置可以基于第一时间点和第一时间段来确定第二时间点。第二时间点可以理解为要调整接入网络的状态的参考时间点。在本公开的实施例中,第二时间点可以晚于在第一时间点之后经过了第一时间段的时间点。例如,第二时间点可以晚于在第一时间点之后经过了第一时间段和用于确定第一时间段所花费的时间段的时间点。
在操作407中,电子装置可以估计接入网络在第二时间点的状态。根据本公开的实施例,电子装置可以基于在操作401中获取的状态历史信息和第一人工智能学习模型来估计接入网络在第二时间点的状态。例如,第一人工智能学习模型可以包括用于估计接入网络在经过了预设时间段的时间点的状态的人工智能模型,并且接入网络的状态历史信息可以被输入到第一人工智能学习模型。在本公开的实施例中,关于第一时间点的信息和关于第二时间点的信息可以被输入到第一人工智能学习模型,以输入预设时间段。在本公开的实施例中,关于第一时间点与第二时间点之间的时间差的信息可以被输入到第一人工智能学习模型中,以输入预设时间段。
在操作409中,电子装置可以基于在操作407中估计的接入网络在第二时间点的状态,确定用于对接入网络的状态进行调整的状态控制参数的值。根据本公开的各种实施例,针对接入网络在第二时间点的估计状态,电子装置可以出于对多个小区进行负载均衡的目的或调整多个小区的功耗的目的来确定状态控制参数的值。例如但不限于,电子装置可以针对某个小区确定RSRP阈值、RSRQ阈值或小区重新选择优先级,以分配被应用于多个小区的负载。作为另一个示例,该电子装置可以确定某个小区的PRB比例阈值,以调整多个小区的功耗。
根据本公开的实施例,状态控制参数的值可以基于接入网络在第二时间点的估计状态和第二人工智能学习模型来确定。例如,第二人工智能学习模型可以包括用于确定状态控制参数的值的人工智能模型,该状态控制参数适合于针对接入网络的特定状态进行负载均衡或功耗调整。根据本公开的实施例,第二人工智能学习模型可以接收接入网络在第二时间点的估计状态作为输入,以确定用于在已经被调整了的接入网络的结果状态下使奖励最大化(例如,使通过负载均衡分配的负载量或功率减少量最大化)的状态控制参数的值。
在操作411中,电子装置可以向接入网络设备发送在操作409中确定的状态控制参数的值。状态控制参数的值可以被发送到接入网络设备,以应用于包括在接入网络设备中的多个小区,从而可以调整接入网络的状态。
图5是说明根据各种实施例的用于调整接入网络的状态的电子装置的示例操作的信号流图。
参照图5,根据本公开的实施例的电子装置(例如,图2的电子装置200和图3的接入网络设备300)调整接入网络的状态的方法可以包括操作501至512。根据本公开的实施例,图5中示出的SON(自组织网络)服务器200可以是图2中示出的电子装置200。根据本公开的实施例,操作501至512可以由电子装置的处理器(例如,图2的处理器210或图3的处理器310)执行。根据本公开的各种实施例,电子装置调整接入网络的状态的方法不限于图5中示出的方法,并且还可以包括图5中未示出的操作或省略图5中示出的至少一个操作。
在操作501中,SON服务器200可以请求接入网络设备300提供第一时间点的状态历史信息。在本公开的实施例中,可以从SON服务器200向接入网络设备300发送请求消息,并且接入网络设备300可以响应于请求消息向SON服务器200发送第一时间点的状态历史信息。根据本公开的实施例,接入网络设备300可以每隔预设时间间隔在存储器中存储接入网络的状态,并且可以基于接入网络在预设数量的时间点的状态生成状态历史信息。根据本公开的各种实施例,接入网络设备300可以根据预设时间间隔定期地生成或更新状态历史信息,或者可以响应来自SON服务器200的请求消息而生成状态历史信息。根据本公开的实施例,操作501可以被省略。例如,SON服务器200可以不请求接入网络设备300提供状态历史信息,并且接入网络设备300可以与请求消息无关地、定期地向SON服务器200发送状态历史信息。
在操作503中,SON服务器200可以确定调整接入网络的状态所需的第一时间段。在本公开的实施例中,第一时间段可以基于操作501中由SON服务器200请求并且被发送到SON服务器200的状态历史信息来确定。对图4的操作403的描述可以完全或类似地适用于操作503。
在操作505中,SON服务器200可以基于第一时间点和第一时间段来确定第二时间点。第二时间点可以理解为要调整接入网络的状态的参考时间点。对图4的操作405的描述可以完全或类似地适用于操作505。
在操作507中,SON服务器200可以请求接入网络设备300提供接入网络在第三时间点的状态。根据本公开的实施例,第三时间点可以是第一时间点与第二时间点之间的时间点,并且第三时间点可以是至少一个时间点。在本公开的实施例中,第三时间点可以是比执行操作509的时间点早的时间点。根据本公开的实施例,可以从SON服务器200向接入网络设备300发送请求消息,并且接入网络设备300可以响应于请求消息向SON服务器200发送关于接入网络在第三时间点的状态的信息。在本公开的实施例中,在存在多个第三时间点的情况下,接入网络设备300可以向SON服务器200发送关于接入网络的多个状态的信息。根据本公开的实施例,操作507可以被省略。例如,接入网络设备300可以与请求消息无关地、根据预设时间间隔定期地向SON服务器200发送接入网络的状态。在这种情况下,SON服务器200可以不请求接入网络设备300提供接入网络在第三时间点的状态。
在操作509中,SON服务器200可以估计接入网络在第二时间点的状态。根据本公开的实施例,SON服务器200可以基于在操作501中获取的状态历史信息和第一人工智能学习模型来估计接入网络在第二时间点的状态。对图4的操作407的描述可以相同或类似地适用于操作509。
根据本公开的实施例,SON服务器200可以基于在操作501中获取的状态历史信息、在操作507中获取的接入网络在第三时间点的状态、以及第一人工智能学习模型,估计接入网络在第二时间点的状态。因为接入网络在第三时间点的状态是在比获取状态历史信息的第一时间点晚的时间点获取的信息,所以SON服务器200可以利用接入网络在第三时间点的状态更准确地估计接入网络在第二时间点的状态。
根据本公开的实施例,关于在操作509中估计的接入网络在第二时间点的状态的信息可以被发送到接入网络设备300。
在操作510中,接入网络设备300可以从SON服务器200获取(例如,接收)SON服务器200估计的接入网络在第二时间点的状态,并且可以将接入网络在第二时间点的估计状态与接入网络在第二时间点的实际状态进行比较。根据本公开的实施例,接入网络设备300可以使用单独的参数表示估计状态与实际状态之间的差。例如,接入网络设备300可以生成表示估计状态与实际状态之间的差的向量。在本公开的实施例中,向量的元素可以被转换成幅值(大小),并且该幅值可以与预设阈值进行比较。在本公开的实施例中,在幅值小于预设阈值的情况下,可以确定估计状态是可靠的,而在幅值大于或等于预设阈值的情况下,可以确定估计状态是不可靠的。
在操作511中,SON服务器200可以基于在操作509中估计的接入网络在第二时间点的状态,确定用于对接入网络的状态进行调整的状态控制参数的值。根据本公开的实施例,状态控制参数的值可以基于接入网络在第二时间点的估计状态和第二人工智能学习模型来确定。对图4的操作409的描述可以相同或类似地适用于操作511。
根据本公开的实施例,在操作511中确定的状态控制参数的值可以被发送到接入网络设备300。
在操作512中,接入网络设备300可以基于在操作510中估计的接入网络在第二时间点的状态与接入网络在第二时间点的实际状态进行比较的结果来应用状态控制参数的值。在本公开的实施例中,在基于操作510中的比较结果确定估计状态是可靠的情况下,接入网络设备300可以将从SON服务器200获取的状态控制参数的值应用于多个小区。在本公开的实施例中,在基于操作510中的比较结果确定估计状态是不可靠的情况下,接入网络设备300可以保持状态控制参数的现有值,而不应用从SON服务器200获取的状态控制参数的值。
根据本公开的各种实施例,操作501至512的顺序不限于图5中示出的顺序。例如,尽管作为操作509的结果的关于在第二时间点的估计状态的信息被例示为在操作510和511之前从SON服务器200发送到接入网络设备300,但是关于在第二时间点的估计状态的信息可以在操作511之后与所确定的状态控制参数的值一起发送到接入网络设备300。在这种情况下,操作510可以在操作511之后执行。
根据本公开的各种实施例,尽管在图5中未示出,但是SON服务器200可以与操作501至512无关地执行训练第一人工智能学习模型和/或第二人工智能学习模型的操作。例如,SON服务器200可以在操作501至512之间、在操作501之前或在操作512之后训练第一人工智能学习模型和/或第二人工智能学习模型。下面将参照图8和图9更详细地描述训练第一人工智能学习模型和第二人工智能学习模型的方法。
图6是说明根据各种实施例的计算接入网络的估计状态与实际状态之间的差的示例方法的图。
参照图6,SON服务器200(例如,图2的电子装置200)可以估计接入网络在时间点t+Δ的状态,并且接入网络设备300可以获取接入网络在时间点t+Δ的实际(例如,真实)状态。在本公开的实施例中,t可以理解为整个公开中描述的第一时间点,Δ可以理解为整个公开中描述的第一时间段,并且t+Δ可以理解为整个公开中描述的第二时间点。
根据本公开的实施例,接入网络在第二时间点的估计状态可以由向量610表示,而接入网络在第二时间点的实际状态可以由向量620/>表示。例如,向量610/>的元素数量和向量620/>的元素数量可以相同,并且向量610/>和向量620/>中的每一者的元素数量n可以基于包括在接入网络设备300中的小区的数量和关于接入网络的状态的信息的元素数量。例如,在接入网络设备300包括四个小区并且关于接入网络的状态的信息包括每个小区的两个元素(这两个元素是当前连接到每个小区的UE的数量、每个小区分配的无线电资源的比例)的情况下,向量610和向量/>620中的每一者的元素数量n可以是8。作为另一个示例,在接入网络设备300包括六个小区并且关于接入网络的状态的信息只包括每个小区的一个元素(该元素是当前连接到每个小区的UE的数量)的情况下,向量/>610和向量620中的每一者的元素数量n可以是6。
可以将接入网络在第二时间点的估计状态和实际状态进行相互比较,以确定估计接入网络在第二时间点的状态的第一人工智能学习模型的可靠性。例如,可以通过计算向量610与向量/>620中索引相同的每一对元素之间的差来计算向量630。在本公开的实施例中,向量/>630的元素可以被转换为幅值,并且该幅值可以与阈值进行比较。例如,向量/>630的幅值可以由向量/>630的元素的均方或均方根表示,并且可以与阈值进行比较。
图7a是说明根据各种实施例的通过调整接入网络的状态的方法来调整接入网络的状态的示例的图。图7b是说明根据各种实施例的通过调整接入网络的状态的方法来调整接入网络的状态的示例的图。
参照图7a和图7b,SON服务器200和接入网络设备300可以具有关于的接入网络在每个时间点的状态的信息。根据本公开的实施例,关于接入网络在每个时间点的状态的信息可以从SON服务器200和接入网设备300发送,以及可以发送到SON服务器200和接入网设备300,并且可以用于调整接入网络的状态。
根据本公开的各种实施例,图7a或图7b中示出的接入网络的状态的调整只是一个示例,并且调整接入网络的状态的方法不限于图7a或图7b中示出的方法。例如,尽管图7a和图7b示出了多个单元的数量是4,但是多个单元的数量不限于此,并且可以是任何正整数。作为另一个示例,尽管图7a和图7b示出了当前连接到每个小区的UE的数量被用于接入网络的状态,但是接入网络的状态可以使用不同类型的变量来表示,并且因此变量的数量可以相应地确定。例如,针对每个小区,接入网络的状态可以包括当前连接到该小区的UE的数量、物理资源块(PRB)的利用率或使用量、互联网协议(IP)的吞吐量、或下行链路(DL)数据量中的至少一者。
根据本公开的实施例,接入网络设备300可以获取接入网络在第一时间点的状态701,并且接入网络在第一时间点的状态701可以被发送到SON服务器200。根据本公开的实施例,在第一时间点,连接到第一小区的UE的数量可以是80,连接到第二小区的UE的数量可以是50,连接到第三小区的UE的数量可以是50,并且连接到第四小区的UE的数量可以是20。
根据本公开的实施例,SON服务器200可以基于接入网络在第一时间点的状态701来估计接入网络在第二时间点的状态710。在本公开的实施例中,SON服务器200可以估计在第二时间点连接到第一小区的UE的数量为45,估计在第二时间点连接到第二小区的UE的数量为50,估计在第二时间点连接到第三小区的UE的数量为50,并且估计在第二时间点连接到第四小区的UE的数量为55。
根据本公开的实施例,SON服务器200可以确定状态控制参数的值,从而可以基于接入网络在第二时间点的估计状态710对多个小区执行负载均衡。在本公开的实施例中,SON服务器200可以基于接入网络在第二时间点的估计状态710确定小区的状态调整值711。状态控制参数的值可以基于由SON服务器200确定的状态调整值711来确定。根据本公开的实施例,SON服务器200可以确定状态控制参数的值,以将连接到第一小区的UE的数量增加5,并且将连接到第四小区的UE的数量减少5。
根据本公开的实施例,SON服务器200可以向接入网络设备300发送根据接入网络在第二时间点的估计状态710和状态调整值711确定的状态控制参数的值。
在本公开的实施例中,参照图7a,接入网络设备300可以获取接入网络在第二时间点的实际状态720a。根据本公开的实施例,接入网络设备300可以将接入网络在第二时间点的估计状态710与接入网络在第二时间点的实际状态720a进行比较,并且可以计算出代表两者之间的差的向量730a。根据本公开的实施例,代表估计状态710与实际状态720a之间的差的向量/>730a中的元素可以转换成幅值,并且该幅值可以与阈值进行比较。例如,向量/>730a的幅值可以是向量/>730a中的元素的均方根,并且阈值例如可以被设置为5。在这种情况下,向量/>730a中的元素的均方根可以是/>并且可以被确定为低于阈值5。在本公开的实施例中,在向量/>730a的幅值小于阈值的情况下,接入网络设备300可以确定从SON服务器200获取的信息是可靠的。接入网络设备300可以应用从SON服务器200获取的状态控制参数的值,从而调整连接到每个小区的UE的数量。在本公开的实施例中,可以通过调整接入网络在第二时间点的状态720a来改变接入网络的最终状态740a。例如,连接到第一小区的UE的数量可以从40调整到45,并且连接到第四小区的UE的数量可以从60调整到55。
在本公开的实施例中,参照图7b,接入网络设备300可以获取接入网络在第二时间点的实际状态720b。根据本公开的实施例,接入网络设备300可以将接入网络在第二时间点的估计状态710与接入网络在第二时间点的实际状态720b进行比较,并且可以计算代表两者之间的差的向量730b。根据本公开的实施例,代表估计状态710与实际状态720b之间的差的向量/>730b的元素可以转换成幅值,并且该幅值可以与阈值进行比较。例如,向量/>730b的幅值可以是向量/>730b的元素的均方根,并且阈值例如可以被设置为5。在这种情况下,向量/>730b的元素的均方根可以是/>并且可以被确定为大于阈值5。在本公开的实施例中,在向量/>730b的幅值大于阈值的情况下,接入网络设备300可以确定从SON服务器200获取的信息是不可靠的。因此,接入网络设备300可以不应用从SON服务器200获取的状态控制参数的值,并且在接入网络的最终状态740b下可以保持连接到每个小区的UE的数量。在这种情况下,接入网络设备300可以发送用于请求SON服务器200提供状态控制参数的新值的消息。
图8是说明根据各种实施例的训练第一人工智能学习模型的示例方法的图。
根据本公开的实施例,第一人工智能学习模型801可以使用至少一部分状态历史信息810作为输入。根据本公开的各种实施例,输入到第一人工智能学习模型801的状态历史信息810可以包括在预设时间段内(例如,一周内)获取的包含接入网络的状态的状态历史信息和/或在预设时间段内获取的关于接入网络在预定条件下的状态的信息,例如,在上个月获取的包含接入网络一周中的某一天或预设时间点的状态的状态历史信息。根据本公开的实施例,输入到第一人工智能学习模型801的状态历史信息可以包括包含接入网络根据某个事件(例如,会议、聚会或节日)的状态的状态历史信息。
根据本公开的实施例,第一人工智能学习模型801可以通过接收各种状态历史信息810作为输入来反复进行训练和测试。例如,第一人工智能学习模型801可以使用从状态历史信息810中提取的关于接入网络在某一时间段的状态的信息811,估计接入网络的在该时间段之后的预设时间点的状态。第一人工智能学习模型801可以从状态历史信息810中获取接入网络在预设时间点的实际状态812。可以通过比较估计状态820与所获取的实际状态812来测试第一人工智能学习模型801。比较结果(例如,DIFF)830可以被用作反馈,并且相应地,第一人工智能学习模型801可以被训练。可以通过重复使用各种时间段和状态历史信息810中这些时间段的相应状态来估计和测试接入网络在各个时间点的状态的操作来训练第一人工智能学习模型801。
图9是说明根据各种实施例的训练第一人工智能学习模型和第二人工智能学习模型的示例方法的图。
根据本公开的实施例,如上文参照图8所描述的,可以通过从接入网络设备300获取状态历史信息,以及估计接入网络的状态来训练第一人工智能学习模型801。例如,可以通过使用部分状态历史信息来估计接入网络在某个时间点的状态,并将估计状态与状态历史信息中接入网络在某个时间点的实际状态进行比较来训练第一人工智能学习模型801。
根据本公开的实施例,由第一人工智能学习模型801估计的接入网络的状态可以作为状态变量输入到第二人工智能学习模型901,从而可以用于训练第二人工智能学习模型901。根据本公开的实施例,第二人工智能学习模型901可以基于第一人工智能学习模型801估计的接入网络在某一时间点的状态,将用于调整估计状态的状态控制参数的值确定为行动变量。第二人工智能学习模型901可以通过从接入网络设备300获取接入网络在比特定时间点晚的时间点的状态来计算奖励变量。奖励变量例如可以包括在对接入网络的状态进行调整后分配的负载量或减少的功率量。在本公开的实施例中,第二人工智能学习模型901可以将状态控制参数的值确定为使得奖励变量增加,最好是使奖励变量最大化,并且可以通过重复上述过程进行训练。
根据本公开的示例实施例,由电子装置执行的调整包括至少一个小区的接入网络的状态的方法可以包括:获取接入网络在第一时间点的状态历史信息;基于所获取的状态历史信息,确定调整接入网络的状态所需的第一时间段;基于第一时间点和第一时间段确定第二时间点,该第二时间点是要调整接入网络的状态的参考时间点;基于所获取的状态历史信息估计接入网络在第二时间点的状态;基于接入网络在第二时间点的估计状态,确定用于对接入网络的状态进行调整的状态控制参数的值,并向接入网络发送所确定的状态控制参数的值,其中,向接入网络发送的状态控制参数的值在第二时间点处被应用于接入网络的状态控制参数,以调整接入网络的状态。
根据本公开的示例实施例,该方法还可以包括获取接入网络在第一时间点与第二时间点之间的第三时间点的状态,并且对接入网络在第二时间点的状态的估计可以通过如下操作来执行:基于所获取的状态历史信息和所获取的接入网络在第三时间点的状态,来估计接入网络在第二时间点的状态。
根据本公开的示例实施例,状态历史信息可以对应于第一状态历史信息,该方法还可以包括:获取接入网络在比第一时间点早的第四时间点的第二状态历史信息,以及基于第二状态历史信息估计接入网络在第一时间点与第二时间点之间的至少一个第三时间点的状态,并且对接入网络在第二时间点的状态的估计可以通过如下操作来执行:基于所获取的第一状态历史信息和接入网络在第三时间点的估计状态,来估计接入网络在第二时间点的状态。
根据本公开的示例实施例,该方法还可以包括:基于接入网络在第三时间点的估计状态,确定用于对接入网络在第三时间点的状态进行调整的状态控制参数的值;以及基于接入网络在第三时间点的估计状态和所确定的用于对接入网络在第三时间点的状态进行调整的状态控制参数的值,估计接入网络的基于第三时间点的调整的状态,其中,对接入网络在第二时间点的状态的估计可以通过如下操作来执行:基于所获取的第一状态历史信息和接入网络的基于第三时间点的调整的估计状态,来估计接入网络在第二时间点的状态。
根据本公开的示例实施例,确定状态控制参数的值可以通过如下操作来执行:在第一时间点与第二时间点之间的时间段期间确定状态控制参数的值。
根据本公开的示例实施例,该方法还可以包括:向接入网络发送关于接入网络在第二时间点的估计状态的信息;接入网络将接入网络在第二时间点的估计状态与接入网络在第二时间点的实际状态进行比较;以及基于比较的结果,在第二时间点将状态控制参数的值应用于接入网络的状态控制参数。
根据本公开的示例实施例,该方法还可以包括:计算误差值,该误差值是接入网络在第二时间点的估计状态与接入网络在第二时间点的实际状态之间的差,其中,应用状态控制参数的值可以通过如下操作来执行:基于计算出的误差值小于预设阈值,在第二时间点将状态控制参数的值应用于接入网络的状态控制参数。
根据本公开的示例实施例,针对至少一个小区,接入网络的状态可以包括以下至少一者:当前连接到该小区的UE的数量、物理资源块(PRB)利用率或使用量、互联网协议(IP)吞吐量、或下行链路(DL)数据量。
根据本公开的示例实施例,对接入网络在第二时间点的状态的估计可以使用第一人工智能学习模型来执行,状态控制参数的值的确定可以使用第二人工智能学习模型来执行,并且第一人工智能学习模型和第二人工智能学习模型中的每一者可以通过强化学习、监督学习、机器学习、持续学习、联合学习或深度学习中的至少一种进行训练。
根据本公开的示例实施例,状态控制参数的值的确定可以通过如下操作来执行:确定用于对接入网络中的至少一个小区中的每个小区进行负载均衡的状态控制参数的值。
根据本公开的示例实施例,状态控制参数的值的确定可以通过如下操作来执行:确定用于调整接入网络中的至少一个小区中的每个小区的功耗的状态控制参数的值。
根据本公开的示例实施例,该方法还可以包括:获取接入网络在第二时间点的状态,其中,第一人工智能学习模型可以基于状态历史信息、接入网络在第二时间点的估计状态、以及所获取的接入网络在第二时间点的状态来进行训练。
根据本公开的示例实施例,该方法还可以包括:获取接入网络在比第二时间点晚的第四时间点的状态,其中,第二人工智能学习模型可以基于接入网络在第二时间点的估计状态、所确定的状态控制参数的值以及所获取的接入网络在第四时间点的状态进行训练。
根据本公开的示例实施例,状态控制参数可以包括参考信号接收功率(RSRP)阈值、参考信号接收质量(RSRQ)阈值、物理无线电块(PRB)比例阈值或小区重新选择优先级中的至少一者。
根据本公开的示例实施例,被配置为调整包括至少一个小区的接入网络的状态的电子装置可以包括:至少一个处理器,以及连接到至少一个处理器的存储器,其中,该至少一个处理器可以被配置为控制该电子装置以:获取接入网络在第一时间点的状态历史信息;基于所获取的状态历史信息,确定调整接入网络的状态所需的第一时间段;基于第一时间点和第一时间段确定第二时间点,其中第二时间点是要调整接入网络的状态的参考时间点;基于所获取的状态历史信息,估计接入网络在第二时间点的状态;基于接入网络在第二时间点的估计状态,确定用于对接入网络的状态进行调整的状态控制参数的值;以及向接入网络发送所确定的状态控制参数的值,其中,向接入网络发送的状态控制参数的值在第二时间点处被应用于接入网络的状态控制参数,以调整接入网络的状态。
根据本公开的示例实施例,至少一个处理器还可以被配置为控制电子装置以:获取接入网络在第一时间点与第二时间点之间的第三时间点的状态,以及基于所获取的状态历史信息和所获取的接入网络在第三时间点的状态来估计接入网络在第二时间点的状态。
根据本公开的示例实施例,状态历史信息可以对应于第一状态历史信息,并且至少一个处理器还可以被配置为控制电子装置以:获取接入网络在比第一时间点早的第四时间点的第二状态历史信息,以及基于第二状态历史信息估计接入网络在第一时间点与第二时间点之间的至少一个第三时间点的状态,以及基于所获取的第一状态历史信息和接入网络在第三时间点的估计状态估计接入网络在第二时间点的状态。
根据本公开的示例实施例,至少一个处理器还可以被配置为:基于接入网络在第三时间点的估计状态;确定用于对接入网络在第三时间点的状态进行调整的状态控制参数的值;基于接入网络在第三时间点的估计状态和所确定的用于对接入网络在第三时间点的状态进行调整的状态控制参数的值,估计接入网络在第三时间点的调整后的状态;以及基于所获取的第一状态历史信息和接入网络在第三时间点的调整后的估计状态来估计接入网络在第二时间点的状态。
根据本公开的示例实施例,所述至少一个处理器还可以被配置为:在第一时间点与第二时间点之间的时间段内确定状态控制参数的值。
根据本公开的示例实施例,至少一个处理器还可以被配置为控制电子装置以:向接入网络发送关于接入网络在第二时间点的估计状态的信息;接入网络可以将接入网络在第二时间点的估计状态与接入网络在第二时间点的实际状态进行比较;以及基于比较结果,在第二时间点将状态控制参数的值应用于接入网络的状态控制参数。
根据本公开的示例实施例,可以计算误差值,所述误差值为接入网络在第二时间点的估计状态与接入网络在第二时间点的实际状态之间的差,并且基于计算出的误差值小于预设阈值,可以在第二时间点将状态控制参数的值应用于接入网络的状态控制参数。
根据本公开的示例实施例,针对至少一个小区,接入网络的状态可以包括以下至少一者:当前连接到该小区的UE的数量、物理资源块(PRB)利用率或使用量、互联网协议(IP)吞吐量、或下行链路(DL)数据量。
根据本公开的示例实施例,可以使用第一人工智能学习模型来估计接入网络在第二时间点的状态,可以使用第二人工智能学习模型来确定状态控制参数的值,并且第一人工智能学习模型和第二人工智能学习模型中的每一者可以通过强化学习、监督学习、机器学习、持续学习、联合学习或深度学习中的至少一者进行训练。
据本公开的一个示例实施例,至少一个处理器还可以被配置为控制电子装置以:获取接入网络在第二时间点的状态,其中,第一人工智能学习模型可以基于状态历史信息、接入网络在第二时间点的估计状态、以及所获取的接入网络在第二时间点的状态来进行训练。
根据本公开的示例实施例,至少一个处理器还可以被配置为控制电子装置以:获取接入网络在比第二时间点晚的第四时间点的状态,并且第二人工智能学习模型可以基于接入网络在第二时间点的估计状态、所确定的状态控制参数的值以及所获取的接入网络在第四时间点的状态进行训练。
根据本公开的示例实施例,状态控制参数可以包括参考信号接收功率(RSRP)阈值、参考信号接收质量(RSRQ)阈值、物理无线电块(PRB)比例阈值或小区重新选择优先级中的至少一者。
本公开的各种实施例以及其中使用的术语并不用于将本公开中公开的技术限制于具体实施例,并且它们应当被解释为包括本公开的实施例的所有改变、等同形式或替换形式。关于附图的说明,相似的附图标记可以用于类似的元素。只要不与上下文不一致,单数表达也包括复数含义。在本公开中,诸如“A或B”、“A和/或B中的至少一个”、“A、B或C”、“A、B和C中的至少一个”包括所列项的所有可能组合。本公开中使用的“第一”和“第二”等表达方式可表示相应的元素,而与顺序和/或重要性无关,并可用于区分一个元素和另一个元素,但不限制这些元素。当描述某一元素(例如,第一元素)“可操作地或可通信地”与另一元素(例如,第二元素)“耦接”、“耦接到另一元件”、“与另一元素连接”或“连接到另一元素”时,应当理解为该元素可以与另一元素直接连接或者通过再一个元素(例如,第三元件)连接到该另一元素。
本公开中使用的术语“模块”可以包括体现为硬件、软件或固件或它们的任何组合的单元,并可以与诸如逻辑、逻辑块、组件、电路或类似术语兼容使用。“模块”可以是整体配置的组件或执行一个或更多个功能的最小单元或其一部分。例如,模块可以体现为专用集成电路(ASIC)。
本公开的各种实施例可以体现为包括存储在机器可读存储介质(例如,内部存储器或外部存储器)上的、可由机器(例如,计算机)读取的指令的软件。该机器可以是调用存储在存储介质中的指令并且可以根据所调用的指令进行操作的设备,包括根据所公开的实施例的电子设备。当指令由处理器执行时,处理器可以直接执行与指令相对应的功能,或者在处理器的控制下使用其他组件执行与指令相对应的功能。该指令可以包括由编译器生成的代码或由解释器执行的代码。机器可读存储介质可以以非临时存储介质的形式提供。非暂时性存储介质不是指短暂的电信号,而是有形的,并且不区分数据是半永久地还是暂时地存储在存储介质上。
根据本公开的实施例,根据本公开的各种实施例的方法可以在计算机程序产品中提供。计算机程序产品可以作为商品在卖方和买方之间进行交易。计算机程序产品可以以机器可读存储介质(例如,光盘只读存储器(CD-ROM))的形式分发,或通过应用商店(例如,Google PlayTM)在线分发。在在线分发的情况下,计算机程序产品的至少一部分可以临时存储或临时创建在诸如以下存储介质上:制造商的服务器,应用商店的服务器,或中继服务器的存储器。
根据本公开的各种实施例的每个元素(例如,模块或程序)可以包括单个实体或多个实体,上述子元素的一些子元素可以被省略,或者其他元素可以进一步包括在各种实施例中。作为另外的选择或者另外地,一些元素(例如,模块或程序)可以被集成到一个实体中,以执行集成前每个元素所执行的相同或类似的功能。根据本公开的各种实施例,由模块、程序或其他元素执行的操作可以顺序地、并行地、重复地或启发式地执行,或者至少一些操作可以按不同的顺序执行,或者被省略,或者进一步增加另一操作。
根据本公开的与人工智能相关的功能可以由处理器和存储器执行。处理器可以包括一个或更多个处理器。在这种情况下,一个或更多个处理器可以包括,例如,通用处理器(如中央处理器(CPU)、应用处理器(AP)或数字信号处理器(DSP))、专用图形处理器(如图形处理单元(GPU)、视觉处理单元(VPU))、或专用人工智能处理器(如神经处理单元(NPU))。一个或更多个处理器可以控制输入数据,以根据预定义的操作规则或存储在存储器中的人工智能模型来处理输入数据。当一个或更多个处理器是专用人工智能处理器时,专用人工智能处理器可以被设计为具有专门用于处理特定人工智能模型的硬件结构。
预定义的操作规则或人工智能模型可以通过训练过程产生。这可以指例如被设置为根据所需特征(或目的)进行工作的预定义的操作规则或人工智能模型是通过用利用大量训练数据的学习算法训练基本人工智能模型而生成的。训练过程可以由执行人工智能的设备或单独的服务器和/或系统执行。学习算法的示例可以包括例如但不限于监督学习、无监督学习、半监督学习、强化学习等,但不限于此。
人工智能模型可以包括多个神经网络层。每个神经网络层可以包括多个权重值,并且可以通过前一层的算术运算结果与多个权重值之间的算术运算来执行神经网络算术运算。每个神经网络层中的多个权重值可以通过训练人工智能模型的结果进行优化。例如,多个权重值可以被完善以减少或最小化人工智能模型在训练过程中的损失或成本值。人工神经网络可以包括例如深度神经网络(DNN),并且可以包括例如卷积神经网络(CNN)、深度神经网络(DNN)、递归神经网络(RNN)、受限玻尔兹曼机(RBM)、深度信念网络(DBN)、双向递归深度神经网络(BRDNN)、深度Q网络(DQN)等,但不限于此。
在根据本公开的电子装置调整包括至少一个小区的接入网络的状态的方法中,人工智能模型可以用于使用接入网络的状态历史信息来优化接入网络在第二时间点的状态或状态控制参数的值,以推断或估计接入网络的状态或状态控制参数。处理器可以对数据进行预处理,以将数据转换成适合作为人工智能模型的输入的形式。人工智能模型可以通过训练过程产生。这可以指例如被设置为根据所需特征(或目的)进行工作的预定义的操作规则或人工智能模型是通过用利用大量训练数据的学习算法训练基本人工智能模型而生成的。人工智能模型可以包括多个神经网络层。每个神经网络层可以包括多个权重值,并且可以通过前一层的算术运算结果与多个权重值之间的算术运算来执行神经网络算术运算。
推理/预测可以指用于逻辑推理和预测的信息判断技术,并包括基于知识/概率的推理、优化预测、基于偏好的规划、推荐等。
根据本公开的实施例,可以减少由于接入网络的状态变化而产生的影响,该影响可能是由从接入网络设备收集数据的时间点与确定最优配置的时间点之间的时间差造成的。因此,可以提高所确定的配置的可靠性,并且可以改进接入网络设备的负载均衡效果或降低功耗效果。
虽然已经参照各种示例实施例对本公开进行了说明和描述,但可以理解的是,各种示例实施例是说明性的,而不是限制性的。本领域的技术人员将进一步理解,在不背离本公开的真正精神和全部范围(包括所附的权利要求书及其等同物)的情况下,可以对形式和细节进行各种改变。
Claims (15)
1.一种由电子装置执行的调整包括至少一个小区的接入网络的状态的方法,所述方法包括:
获取所述接入网络在第一时间点的状态历史信息;
基于所获取的状态历史信息,确定调整所述接入网络的状态所需的第一时间段;
基于所述第一时间点和所述第一时间段确定第二时间点,所述第二时间点是要调整所述接入网络的状态的参考时间点;
基于所获取的状态历史信息,估计所述接入网络在所述第二时间点的状态;
基于所述接入网络在所述第二时间点的估计状态,确定用于对所述接入网络的状态进行调整的状态控制参数的值;以及
向所述接入网络发送所确定的所述状态控制参数的值,
其中,向所述接入网络发送的所述状态控制参数的值在所述第二时间点被应用于所述接入网络的所述状态控制参数,以调整所述接入网络的状态。
2.根据权利要求1所述的方法,所述方法还包括:获取所述接入网络在所述第一时间点与所述第二时间点之间的第三时间点的状态,并且
对所述接入网络在所述第二时间点的状态的估计是通过如下操作执行的:基于所获取的状态历史信息和所获取的所述接入网络在所述第三时间点的状态,估计所述接入网络在所述第二时间点的状态。
3.根据权利要求1所述的方法,其中,所述状态历史信息对应于第一状态历史信息,并且
所述方法还包括:
获取所述接入网络在比所述第一时间点早的第四时间点的第二状态历史信息;以及
基于所述第二状态历史信息,估计所述接入网络在所述第一时间点与所述第二时间点之间的至少一个第三时间点的状态,并且
其中,对所述接入网络在所述第二时间点的状态的估计是通过如下操作执行的:基于所获取的第一状态历史信息和所述接入网络在所述第三时间点的估计状态,估计所述接入网络在所述第二时间点的状态。
4.根据权利要求3所述的方法,所述方法还包括:
基于所述接入网络在所述第三时间点的估计状态,确定用于对所述接入网络在所述第三时间点的状态进行调整的所述状态控制参数的值;以及
基于所述接入网络在所述第三时间点的估计状态和所确定的用于对所述接入网络在所述第三时间点的状态进行调整的所述状态控制参数的值,估计所述接入网络在所述第三时间点的调整后的状态,
其中,对所述接入网络在所述第二时间点的状态的估计是通过如下操作执行的:基于所获取的第一状态历史信息和估计出的所述接入网络在所述第三时间点的调整后的状态,估计所述接入网络在所述第二时间点的状态。
5.根据权利要求1所述的方法,其中,确定所述状态控制参数的值是通过如下操作执行的:在所述第一时间点与所述第二时间点之间的时间段内确定所述状态控制参数的值。
6.根据权利要求5所述的方法,所述方法还包括:
向所述接入网络发送关于所述接入网络在所述第二时间点的估计状态的信息;
由所述接入网络将所述接入网络在所述第二时间点的估计状态与所述接入网络在所述第二时间点的实际状态进行比较;以及
基于所述比较的结果,在所述第二时间点将所述状态控制参数的值应用于所述接入网络的所述状态控制参数。
7.根据权利要求6所述的方法,所述方法还包括:计算误差值,所述误差值为所述接入网络在所述第二时间点的估计状态与所述接入网络在所述第二时间点的实际状态之间的差,
其中,应用所述状态控制参数的值是基于计算出的误差值小于预设阈值进行的,包括:在所述第二时间点将所述状态控制参数的值应用于所述接入网络的所述状态控制参数。
8.根据权利要求1所述的方法,其中,针对所述至少一个小区中的每个小区,所述接入网络的状态包括以下至少一者:当前连接到该小区的用户设备(UE)的数量、物理资源块(PRB)利用率或使用量、互联网协议(IP)吞吐量、或下行链路(DL)数据量。
9.根据权利要求1所述的方法,其中,所述接入网络在所述第二时间点的状态是使用第一人工智能学习模型估计的,
所述状态控制参数的值是使用第二人工智能学习模型确定的,并且
所述第一人工智能学习模型和所述第二人工智能学习模型均是通过强化学习、监督学习、机器学习、持续学习、联合学习或深度学习中的至少一者训练过的。
10.根据权利要求1所述的方法,其中,确定所述状态控制参数的值是通过如下操作执行的:确定用于对所述接入网络中的所述至少一个小区进行负载均衡的所述状态控制参数的值。
11.根据权利要求1所述的方法,其中,确定所述状态控制参数是通过如下操作执行的:确定用于调整所述接入网络中的所述至少一个小区中的每个小区的功耗的所述状态控制参数的值。
12.根据权利要求9所述的方法,所述方法还包括:获取所述接入网络在所述第二时间点的状态,
其中,所述第一人工智能学习模型是基于所述状态历史信息、所述接入网络在所述第二时间点的估计状态和所获取的所述接入网络在所述第二时间点的状态而训练的。
13.根据权利要求9所述的方法,所述方法还包括:获取所述接入网络在比所述第二时间点晚的第四时间点的状态,
其中,所述第二人工智能学习模型是基于所述接入网络在所述第二时间点的估计状态、所确定的所述状态控制参数的值以及所获取的所述接入网络在所述第四时间点的状态而训练的。
14.根据权利要求1所述的方法,其中,所述状态控制参数包括参考信号接收功率(RSRP)阈值、参考信号接收质量(RSRQ)阈值、物理无线电块(PRB)比例阈值或小区重新选择优先级中的至少一者。
15.一种电子装置,所述电子装置被配置为调整包括至少一个小区的接入网络的状态,所述电子装置包括:
至少一个处理器;以及
连接到所述至少一个处理器的存储器,
其中,所述至少一个处理器被配置为控制所述电子装置以:
获取所述接入网络在第一时间点的状态历史信息;
基于所获取的状态历史信息,确定调整所述接入网络的状态所需的第一时间段;
基于所述第一时间点和所述第一时间段确定第二时间点,所述第二时间点是要调整所述接入网络的状态的参考时间点;
基于所获取的状态历史信息,估计所述接入网络在所述第二时间点的状态;
基于所述接入网络在所述第二时间点的估计状态,确定用于对所述接入网络的状态进行调整的状态控制参数的值;以及
向所述接入网络发送所确定的所述状态控制参数的值,
其中,向所述接入网络发送的所述状态控制参数的值在所述第二时间点被应用于所述接入网络的所述状态控制参数,以调整所述接入网络的状态。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR10-2020-0126359 | 2020-09-28 | ||
KR1020200126359A KR20220042928A (ko) | 2020-09-28 | 2020-09-28 | 복수의 액세스 네트워크 장치들에 대한 자동 구성 네트워크를 구현하는 방법 및 이를 수행하는 전자 장치 |
PCT/KR2021/005980 WO2022065623A1 (en) | 2020-09-28 | 2021-05-13 | Method of implementing self-organizing network for plurality of access network devices and electronic device for performing the same |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116235529A true CN116235529A (zh) | 2023-06-06 |
Family
ID=80821940
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202180066455.1A Pending CN116235529A (zh) | 2020-09-28 | 2021-05-13 | 实现多个接入网络设备的自组织网络的方法和执行该方法的电子装置 |
Country Status (5)
Country | Link |
---|---|
US (1) | US11589299B2 (zh) |
EP (1) | EP4183160A4 (zh) |
KR (1) | KR20220042928A (zh) |
CN (1) | CN116235529A (zh) |
WO (1) | WO2022065623A1 (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20220042928A (ko) * | 2020-09-28 | 2022-04-05 | 삼성전자주식회사 | 복수의 액세스 네트워크 장치들에 대한 자동 구성 네트워크를 구현하는 방법 및 이를 수행하는 전자 장치 |
KR102582086B1 (ko) * | 2022-12-30 | 2023-09-22 | 주식회사 에스티씨랩 | 디지털 서비스 기반 서비스 서버의 진입 관리 방법 및 서버 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8335161B2 (en) * | 2010-02-03 | 2012-12-18 | Bridgewater Systems Corp. | Systems and methods for network congestion management using radio access network congestion indicators |
EP2453691A1 (en) | 2010-11-15 | 2012-05-16 | Nokia Siemens Networks GmbH & Co. KG | Conflict handling in self-organizing networks |
IL234002A (en) | 2014-08-07 | 2016-06-30 | Wireless Technologies Pte Ltd Cellwize | Method and system for independent networking |
US10200884B2 (en) | 2015-01-14 | 2019-02-05 | Futurewei Technologies, Inc. | Analytics-assisted, multi-agents, self-learning, self-managing, flexible and adaptive framework for intelligent SON |
US10499328B2 (en) | 2015-04-06 | 2019-12-03 | Cable Television Laboratories, Inc. | Self-organizing network (SON) with fast initial link setup (FILS) |
US10193981B2 (en) | 2016-12-23 | 2019-01-29 | Centurylink Intellectual Property Llc | Internet of things (IoT) self-organizing network |
US9930617B1 (en) * | 2017-03-17 | 2018-03-27 | At&T Intellectual Property I, L.P. | State change enabled by a hierarchical class of a radio access network device |
CN111095882B (zh) | 2017-06-29 | 2021-06-08 | 华为技术有限公司 | 用于预测网络中流的系统和方法 |
US11038769B2 (en) | 2017-11-16 | 2021-06-15 | Verizon Patent And Licensing Inc. | Method and system for virtual network emulation and self-organizing network control using deep generative models |
US10708806B2 (en) * | 2018-01-02 | 2020-07-07 | Verizon Patent And Licensing Inc. | Systems and methods for a self-organizing network based on user equipment information |
KR20220042928A (ko) * | 2020-09-28 | 2022-04-05 | 삼성전자주식회사 | 복수의 액세스 네트워크 장치들에 대한 자동 구성 네트워크를 구현하는 방법 및 이를 수행하는 전자 장치 |
-
2020
- 2020-09-28 KR KR1020200126359A patent/KR20220042928A/ko active Search and Examination
-
2021
- 2021-04-20 US US17/235,291 patent/US11589299B2/en active Active
- 2021-05-13 EP EP21872663.6A patent/EP4183160A4/en active Pending
- 2021-05-13 WO PCT/KR2021/005980 patent/WO2022065623A1/en unknown
- 2021-05-13 CN CN202180066455.1A patent/CN116235529A/zh active Pending
Also Published As
Publication number | Publication date |
---|---|
KR20220042928A (ko) | 2022-04-05 |
WO2022065623A1 (en) | 2022-03-31 |
EP4183160A4 (en) | 2024-01-10 |
EP4183160A1 (en) | 2023-05-24 |
US11589299B2 (en) | 2023-02-21 |
US20220104113A1 (en) | 2022-03-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111522669A (zh) | 横向联邦学习系统优化方法、装置、设备及可读存储介质 | |
Dias et al. | Adapting sampling interval of sensor networks using on-line reinforcement learning | |
US20220230062A1 (en) | Dynamic network configuration | |
CN116235529A (zh) | 实现多个接入网络设备的自组织网络的方法和执行该方法的电子装置 | |
CN114595049A (zh) | 一种云边协同任务调度方法及装置 | |
CN102612080A (zh) | 基于第二代小波零树编码的最小能耗自适应汇聚路由方法 | |
CN114422349A (zh) | 基于云边端协同的深度学习模型训练和推理架构部署方法 | |
CN116541106A (zh) | 计算任务卸载方法、计算设备及存储介质 | |
CN105786626B (zh) | 基于K划分的Storm平台线程分配方法 | |
CN105071961A (zh) | 一种Web服务的服务质量预测方法和装置 | |
CN113821346A (zh) | 基于深度强化学习的边缘计算中计算卸载与资源管理方法 | |
CN116361377B (zh) | 基于工业物联网服务平台的负载预测系统、方法及介质 | |
EP3025452A1 (en) | Monitoring network use of resources | |
CN113271221B (zh) | 网络能力开放方法、系统及电子设备 | |
CN111092755B (zh) | 一种基于资源占用的边缘服务迁移仿真方法 | |
CN112526945B (zh) | 具备反馈与闭环控制功能的全流程监控与预警系统 | |
CN113498077B (zh) | 一种用于智能物联网保障低时延传输的通信方法及装置 | |
CN106533730B (zh) | Hadoop集群组件指标的采集方法及装置 | |
TW202327380A (zh) | 基於聯邦強化學習的邊緣計算卸載優化方法及通信系統 | |
CN116491142A (zh) | 对多个小区进行控制以向多个终端提供无线资源的方法以及执行该方法的电子装置 | |
KR20220055363A (ko) | 복수의 모델들 중 어느 하나의 모델을 이용하여 기지국의 네트워크의 상태를 조정하기 위한 상태 제어 파라미터를 제어하는 방법 및 이를 수행하는 전자 장치 | |
Zhang et al. | Adaptive Frame Rate Optimization Based on Particle Swarm and Neural Network for Industrial Video Stream | |
CN114339796B (zh) | 小区休眠数据处理方法、装置、电子设备及存储介质 | |
Zhang | Resource Management in Mobile Edge Computing for Compute-intensive Application | |
Sinthiya et al. | Low-cost Task Offloading Scheme for Mobile Edge Cloud and Internet Cloud Using Genetic Algorithm |
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 |