CN116319599A - 一种承载voip业务的信道分配系统及其方法 - Google Patents

一种承载voip业务的信道分配系统及其方法 Download PDF

Info

Publication number
CN116319599A
CN116319599A CN202310137089.5A CN202310137089A CN116319599A CN 116319599 A CN116319599 A CN 116319599A CN 202310137089 A CN202310137089 A CN 202310137089A CN 116319599 A CN116319599 A CN 116319599A
Authority
CN
China
Prior art keywords
feature vector
semantic
vectors
classification
feature
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.)
Withdrawn
Application number
CN202310137089.5A
Other languages
English (en)
Inventor
高伟
郁磊
吕艳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Yangwa Nanjing Technology Co ltd
Original Assignee
Yangwa Nanjing Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Yangwa Nanjing Technology Co ltd filed Critical Yangwa Nanjing Technology Co ltd
Priority to CN202310137089.5A priority Critical patent/CN116319599A/zh
Publication of CN116319599A publication Critical patent/CN116319599A/zh
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L47/00—Traffic control in data switching networks
    • H04L47/70—Admission control; Resource allocation
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04M—TELEPHONIC COMMUNICATION
    • H04M7/00—Arrangements for interconnection between switching centres
    • H04M7/006—Networks other than PSTN/ISDN providing telephone service, e.g. Voice over Internet Protocol (VoIP), including next generation networks with a packet-switched transport layer
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04M—TELEPHONIC COMMUNICATION
    • H04M7/00—Arrangements for interconnection between switching centres
    • H04M7/006—Networks other than PSTN/ISDN providing telephone service, e.g. Voice over Internet Protocol (VoIP), including next generation networks with a packet-switched transport layer
    • H04M7/0072—Speech codec negotiation
    • 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
    • H04W16/02—Resource partitioning among network components, e.g. reuse partitioning
    • H04W16/10—Dynamic resource partitioning
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本申请涉及智能分配领域，其具体地公开了一种承载VOIP业务的信道分配系统及其方法，其通过采用基于深度学习的神经网络模型，通过基于转换器的上下文编码器提取出各个预定时间点的用户设备的位置数据基于时序全局的上下文关联特征分布信息，以及，使用在局部隐含关联特征提取方面具有优异的表现能力的卷积神经网络模型提取出所述用户设备的位置数据在全局时序上的局部增强关联特征分布信息，进一步通过融合两者的关联特征分布信息以进行分类，以使得基于用户设备的位置时序变化特征来自适应地为用户设备分配动态资源分配模式或半静态资源分配模式，进而在保证所分配的模式能满足用户的业务需求的同时优化网络资源占据量。

Description

一种承载VOIP业务的信道分配系统及其方法
技术领域
本申请涉及智能分配领域，且更为具体地，涉及一种承载VOIP业务的信道分配系统及其方法。
背景技术
网络电话(Voice over Internet Protocol，以下简称：VoIP)业务为数据包大小比较固定、到达时间间隔满足一定规律的实时性业务。在LTE系统中，对于VoIP业务，通常采用半静态资源分配方式，以减少资源分配消息占用的网络资源。但是，通常情况下，用户设备在实际应用过程中的位置是不断变化的(例如，用户在使用电话过程中)，用户设备位置的变化使得用户设备的信道条件发生变化，最终导致基站为用户设备的VoIP业务分配的半静态资源不可用。
当然，也可以为VOIP业务配置动态资源分配模式，但是在动态资源分配模式中，每次数据传输都需要发送资源分配控制信息，控制信息的开销非常大，控制信息占用大量网络资源。
因此，期待一种优化的承载VOIP业务的信道分配方案。
发明内容
为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种承载VOIP业务的信道分配系统及其方法，其通过采用基于深度学习的神经网络模型，通过基于转换器的上下文编码器提取出各个预定时间点的用户设备的位置数据基于时序全局的上下文关联特征分布信息，以及，使用在局部隐含关联特征提取方面具有优异的表现能力的卷积神经网络模型提取出所述用户设备的位置数据在全局时序上的局部增强关联特征分布信息，进一步通过融合两者的关联特征分布信息以进行分类，以使得基于用户设备的位置时序变化特征来自适应地为用户设备分配动态资源分配模式或半静态资源分配模式，进而在保证所分配的模式能满足用户的业务需求的同时优化网络资源占据量。
根据本申请的一个方面，提供了一种承载VOIP业务的信道分配系统，其包括：
位置数据监控模块，用于获取预定时间段内多个预定时间点的用户设备的位置数据；
位置独热编码模块，用于对所述多个预定时间点的用户设备的位置数据进行独热编码以得到多个位置嵌入向量；
位置数据语义理解模块，用于将所述多个位置嵌入向量通过基于转换器的上下文编码器以得到多个上下文语义位置特征向量；
全局语义关联模块，用于将所述多个上下文语义位置特征向量进行级联以得到全局语义位置特征向量；
局部语义强化模块，用于将所述多个上下文语义位置特征向量排列为一维特征向量后通过使用一维卷积核的卷积神经网络模型以得到局部语义强化位置特征向量；
多尺度融合模块，用于融合所述全局语义位置特征向量和所述局部语义强化位置特征向量以得到分类特征向量；以及
信道分配模式生成模块，用于将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示为用户设备分配的资源分配模式标签。
在上述承载VOIP业务的信道分配系统中，所述位置数据语义理解模块，包括：查询向量构造单元，用于将所述多个位置嵌入向量进行一维排列以得到全局位置特征向量；自注意单元，用于计算所述全局位置特征向量与所述多个位置嵌入向量中各个位置嵌入向量的转置向量之间的乘积以得到多个自注意力关联矩阵；标准化单元，用于分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵；关注度计算单元，用于将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过Softmax分类函数以得到多个概率值；注意力施加单元，用于分别以所述多个概率值中各个概率值作为权重对所述多个位置嵌入向量中各个位置嵌入向量进行加权以得到所述多个上下文语义位置特征向量。
在上述承载VOIP业务的信道分配系统中，所述全局语义关联模块，包括：节点聚合度优化单元，用于计算所述多个上下文语义位置特征向量的节点间类概率匹配特征向量以得到多个节点间类概率匹配特征向量；以及，级联单元，用于将所述多个节点间类概率匹配特征向量进行级联以得到所述全局语义位置特征向量。
在上述承载VOIP业务的信道分配系统中，所述节点聚合度优化单元，进一步用于：以如下公式计算所述多个上下文语义位置特征向量的节点间类概率匹配特征向量以得到所述多个节点间类概率匹配特征向量；
其中，所述公式为：
Figure BDA0004086274970000031
其中Vi是所述多个上下文语义位置特征向量中各个上下文语义位置特征向量，Vj是所述多个上下文语义位置特征向量中与所述上下文语义位置特征向量Vi之间的距离，即d(Vi,Vj)小于预定阈值，即ε的上下文语义位置特征向量，α为加权超参数，exp(·)表示向量的指数运算，所述向量的指数运算表示计算以向量中各个位置的特征值为幂的自然指数函数值，
Figure BDA0004086274970000032
表示向量的按位置减法，V'i表示所述多个节点间类概率匹配特征向量中各个节点间类概率匹配特征向量。
在上述承载VOIP业务的信道分配系统中，所述局部语义强化模块，进一步用于：使用所述使用一维卷积核的卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于特征矩阵的池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述使用一维卷积核的卷积神经网络的最后一层的输出为所述局部语义强化位置特征向量，所述使用一维卷积核的卷积神经网络的第一层的输入为所述一维特征向量。
在上述承载VOIP业务的信道分配系统中，所述多尺度融合模块，进一步用于：以如下公式来融合所述全局语义位置特征向量和所述局部语义强化位置特征向量以得到分类特征向量；其中，所述公式为：
Vc＝Concat[V1，V2]
其中，V1表示所述全局语义位置特征向量，V2表示所述局部语义强化位置特征向量，Concat[·,·]表示级联函数，Vc表示所述分类特征向量。
在上述承载VOIP业务的信道分配系统中，所述信道分配模式生成模块，包括：全连接编码单元，用于使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及，分类结果生成单元，用于将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
根据本申请的另一方面，提供了一种承载VOIP业务的信道分配方法，其包括：
获取预定时间段内多个预定时间点的用户设备的位置数据；
对所述多个预定时间点的用户设备的位置数据进行独热编码以得到多个位置嵌入向量；
将所述多个位置嵌入向量通过基于转换器的上下文编码器以得到多个上下文语义位置特征向量；
将所述多个上下文语义位置特征向量进行级联以得到全局语义位置特征向量；
将所述多个上下文语义位置特征向量排列为一维特征向量后通过使用一维卷积核的卷积神经网络模型以得到局部语义强化位置特征向量；
融合所述全局语义位置特征向量和所述局部语义强化位置特征向量以得到分类特征向量；以及
将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示为用户设备分配的资源分配模式标签。
根据本申请的再一方面，提供了一种电子设备，包括：处理器；以及，存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的承载VOIP业务的信道分配方法。
根据本申请的又一方面，提供了一种计算机可读介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的承载VOIP业务的信道分配方法。
与现有技术相比，本申请提供的一种承载VOIP业务的信道分配系统及其方法，其通过采用基于深度学习的神经网络模型，通过基于转换器的上下文编码器提取出各个预定时间点的用户设备的位置数据基于时序全局的上下文关联特征分布信息，以及，使用在局部隐含关联特征提取方面具有优异的表现能力的卷积神经网络模型提取出所述用户设备的位置数据在全局时序上的局部增强关联特征分布信息，进一步通过融合两者的关联特征分布信息以进行分类，以使得基于用户设备的位置时序变化特征来自适应地为用户设备分配动态资源分配模式或半静态资源分配模式，进而在保证所分配的模式能满足用户的业务需求的同时优化网络资源占据量。
附图说明
通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
图1为根据本申请实施例的承载VOIP业务的信道分配系统的框图；
图2为根据本申请实施例的承载VOIP业务的信道分配系统的系统架构图；
图3为根据本申请实施例的承载VOIP业务的信道分配系统中位置数据语义理解模块的框图；
图4为根据本申请实施例的承载VOIP业务的信道分配系统中全局语义关联模块的框图；
图5为根据本申请实施例的承载VOIP业务的信道分配系统中卷积神经网络编码的流程图；
图6为根据本申请实施例的承载VOIP业务的信道分配系统中信道分配模式生成模块的框图；
图7为根据本申请实施例的承载VOIP业务的信道分配方法的流程图；
图8为根据本申请实施例的电子设备的框图。
具体实施方式
下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
场景概述
如前背景技术所言，在LTE系统中，对于VoIP业务，通常采用半静态资源分配方式，以减少资源分配消息占用的网络资源。但是，通常情况下，用户设备在实际应用过程中的位置是不断变化的(例如，用户在使用电话过程中)，用户设备位置的变化使得用户设备的信道条件发生变化，最终导致基站为用户设备的VoIP业务分配的半静态资源不可用。当然，也可以为VOIP业务配置动态资源分配模式，但是在动态资源分配模式中，每次数据传输都需要发送资源分配控制信息，控制信息的开销非常大，控制信息占用大量网络资源。因此，期待一种优化的承载VOIP业务的信道分配方案。
相应地，在本申请的技术方案中，考虑到在实际为用户设备的VOIP业务配置资源分配模式中，由于用户设备位置的变化使得用户设备的信道条件发生变化，因此，需要基于用户设备的位置数据来进行自适应配置。也就是，基于用户设备位置的模式特征来自适应地为用户设备分配动态资源分配模式或半静态资源分配模式，以保证所分配的模式能满足用户的业务需求，且能优化网络资源占据量。
应可以理解，由于各个时间点下的所述用户设备的位置数据具有着关联性，也就是说，所述用户设备的位置数据在时序上具有着动态性的特征分布信息。在实际为用户设备的VOIP业务配置资源分配模式的过程中，难点在于如何挖掘出所述用户设备的位置数据在时序上的关联性关系，以使得基于用户设备的位置时序变化特征来自适应地为用户设备分配动态资源分配模式或半静态资源分配模式，进而在保证所分配的模式能满足用户的业务需求的同时优化网络资源占据量。
近年来，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。此外，深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。
深度学习以及神经网络的发展为挖掘所述用户设备的位置数据在时序上的关联性关系提供了新的解决思路和方案。
具体地，在本申请的技术方案中，首先，获取预定时间段内多个预定时间点的用户设备的位置数据。应可以理解，由于所述预定时间段内多个预定时间点的用户设备的位置数据为离散无序分布数据，而往往分类器默认处理的数据为连续的且有序的，其并不能够用于后续的分类处理以及特征挖掘，因此，需要对于所述预定时间段内多个预定时间点的用户设备的位置数据进行独热编码以得到多个位置嵌入向量。应可以理解，这里，所述独热编码即One-Hot编码，又称为有效编码，其方法是使用N位寄存器来对N个状态进行编码，每个状态都由它独立的寄存位，并且在任意时候，其中只有一位有效。
然后，由于所述各个预定时间点的用户设备的位置数据在时间维度上具有着关联性，因此，为了探究所述用户设备的位置数据在时序上的变化特征分布信息，进一步将所述多个位置嵌入向量通过基于转换器的上下文编码器中进行编码，以提取出所述各个预定时间点的用户设备的位置数据基于时序全局的上下文关联特征分布信息，从而得到多个上下文语义位置特征向量。接着，再将所述多个上下文语义位置特征向量进行级联以整合所述用户设备的位置数据在时序上的全局关联特征，从而得到全局语义位置特征向量。
进一步地，考虑到所述基于转换器的上下文编码器能够挖掘所述用户设备的位置数据在时序上的全局关联，而对于所述各个预定时间点的用户设备的位置数据间的局部关联特征提取能力较弱，这会导致对于用户设备分配的资源分配模式不够精准。基于此，在本申请的技术方案中，考虑到卷积神经网络模型在局部隐含关联特征提取方面具有优异的表现能力，因此，进一步将所述多个上下文语义位置特征向量排列为一维特征向量后通过使用一维卷积核的卷积神经网络模型中进行特征挖掘，以提取出所述用户设备的位置数据在全局时序上的局部增强关联特征分布信息，从而得到局部语义强化位置特征向量。
接着，进一步再融合所述全局语义位置特征向量和所述局部语义强化位置特征向量来提取到所述用户设备的位置数据在时间维度上的全局长距离依赖和局部短距离依赖的多尺度关联特征，并以此作为分类特征向量通过分类器中进行分类处理，以得到用于表示为用户设备分配的资源分配模式标签的分类结果。进而，基于所述分类结果来自适应地为用户设备分配动态资源分配模式或半静态资源分配模式，以保证所分配的模式能满足用户的业务需求，且能优化网络资源占据量。
特别地，在本申请的技术方案中，融合所述全局语义位置特征向量和所述局部语义强化位置特征向量以得到分类特征向量，优选地将所述全局语义位置特征向量和所述局部语义强化位置特征向量进行级联以得到所述分类特征向量。在级联的过程中，期待提升所述全局语义位置特征向量和所述局部语义强化位置特征向量的特征聚合度的一致性，从而提升所述分类特征向量的分类结果。应注意到，在本申请的技术方案中，所述全局语义位置特征向量由所述多个上下文语义位置特征向量进行级联得到，而所述局部语义强化位置特征向量为对所述多个上下文语义位置特征向量排列而成的一维特征向量进行一维卷积编码得到，两者在特征聚合度方面存在差异。
针对上述技术问题，在本申请的技术方案中，将所述多个上下文语义位置特征向量中的每个上下文语义位置特征向量视为单个节点，则通过节点之间的距离表示可以基于节点整体的拓扑结构确定节点之间的类概率特征聚合度，具体地，计算每个上下文语义位置特征向量的节点间类概率匹配特征向量，表示为：
Figure BDA0004086274970000081
Vi是每个上下文语义位置特征向量，Vj是所述多个上下文语义位置特征向量中与所述上下文语义位置特征向量Vi之间的距离，即d(Vi,Vj)小于预定阈值，即ε的上下文语义位置特征向量，α为加权超参数。
也就是，如果将Vi作为拓扑结构的节点，则Vj可以被认为是在拓扑结构内部与所述节点Vi相连的节点，即i→j∈E，表示节点i与节点j之间具有边。这样，通过计算节点间类概率匹配特征向量，可以确定拓扑结构内的节点与相邻节点之间在类概率下的交互度，通过以其代替所述上下文语义位置特征向量，可以提升多节点组成的拓扑结构内部的各个节点间的类概率特征聚合度，相当于在基于内部特征交互的特征聚合维度上对于节点特征施加注意力机制，从而通过提升所述多个上下文语义位置特征向量之间的特征聚合度来提高所述全局时序关联特征向量相对于所述局部语义强化位置特征向量之间的特征聚合度的一致性和协同性，进而提高所述分类特征向量的分类表达效果。这样，能够基于用户设备位置的模式特征来自适应地为用户设备分配动态资源分配模式或半静态资源分配模式，进而在保证所分配的模式能满足用户的业务需求的同时优化网络资源占据量。
基于此，本申请提出了一种承载VOIP业务的信道分配系统，其包括：位置数据监控模块，用于获取预定时间段内多个预定时间点的用户设备的位置数据；位置独热编码模块，用于对所述多个预定时间点的用户设备的位置数据进行独热编码以得到多个位置嵌入向量；位置数据语义理解模块，用于将所述多个位置嵌入向量通过基于转换器的上下文编码器以得到多个上下文语义位置特征向量；全局语义关联模块，用于将所述多个上下文语义位置特征向量进行级联以得到全局语义位置特征向量；局部语义强化模块，用于将所述多个上下文语义位置特征向量排列为一维特征向量后通过使用一维卷积核的卷积神经网络模型以得到局部语义强化位置特征向量；多尺度融合模块，用于融合所述全局语义位置特征向量和所述局部语义强化位置特征向量以得到分类特征向量；以及，信道分配模式生成模块，用于将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示为用户设备分配的资源分配模式标签。
在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。
示例性系统
图1为根据本申请实施例的承载VOIP业务的信道分配系统的框图。如图1所示，根据本申请实施例的承载VOIP业务的信道分配系统300，包括：位置数据监控模块310；位置独热编码模块320；位置数据语义理解模块330；全局语义关联模块340；局部语义强化模块350；多尺度融合模块360；以及，信道分配模式生成模块370。
其中，所述位置数据监控模块310，用于获取预定时间段内多个预定时间点的用户设备的位置数据；位置独热编码模块320，用于对所述多个预定时间点的用户设备的位置数据进行独热编码以得到多个位置嵌入向量；位置数据语义理解模块330，用于将所述多个位置嵌入向量通过基于转换器的上下文编码器以得到多个上下文语义位置特征向量；全局语义关联模块340，用于将所述多个上下文语义位置特征向量进行级联以得到全局语义位置特征向量；局部语义强化模块350，用于将所述多个上下文语义位置特征向量排列为一维特征向量后通过使用一维卷积核的卷积神经网络模型以得到局部语义强化位置特征向量；多尺度融合模块360，用于融合所述全局语义位置特征向量和所述局部语义强化位置特征向量以得到分类特征向量；以及，信道分配模式生成模块370，用于将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示为用户设备分配的资源分配模式标签。
图2为根据本申请实施例的承载VOIP业务的信道分配系统的系统架构图。如图2所示，在所述承载VOIP业务的信道分配系统300的系统架构中，首先通过所述位置数据监控模块310获取预定时间段内多个预定时间点的用户设备的位置数据；接着，所述位置独热编码模块320对所述位置数据监控模块310获取的多个预定时间点的用户设备的位置数据进行独热编码以得到多个位置嵌入向量；所述位置数据语义理解模块330将所述位置独热编码模块320得到的多个位置嵌入向量通过基于转换器的上下文编码器以得到多个上下文语义位置特征向量；所述全局语义关联模块340将所述位置数据语义理解模块330生成的多个上下文语义位置特征向量进行级联以得到全局语义位置特征向量；然后，所述局部语义强化模块350将所述位置数据语义理解模块330生成的多个上下文语义位置特征向量排列为一维特征向量后通过使用一维卷积核的卷积神经网络模型以得到局部语义强化位置特征向量；所述多尺度融合模块360融合所述全局语义关联模块340得到的全局语义位置特征向量和所述局部语义强化模块350得到的局部语义强化位置特征向量以得到分类特征向量；进而，所述信道分配模式生成模块370将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示为用户设备分配的资源分配模式标签。
具体地，在所述承载VOIP业务的信道分配系统300的运行过程中，所述位置数据监控模块310，用于获取预定时间段内多个预定时间点的用户设备的位置数据。考虑到在实际为用户设备的VOIP业务配置资源分配模式中，由于用户设备位置的变化使得用户设备的信道条件发生变化，而各个时间点下的所述用户设备的位置数据具有着关联性，也就是说，所述用户设备的位置数据在时序上具有着动态性的特征分布信息因此，需要基于用户设备的位置数据来进行自适应配置。也就是，基于用户设备位置的模式特征来自适应地为用户设备分配动态资源分配模式或半静态资源分配模式，因此，在本申请的一个具体示例中，获取预定时间段内多个预定时间点的用户设备的位置数据。
具体地，在所述承载VOIP业务的信道分配系统300的运行过程中，所述位置独热编码模块320，用于对所述多个预定时间点的用户设备的位置数据进行独热编码以得到多个位置嵌入向量。应可以理解，由于所述预定时间段内多个预定时间点的用户设备的位置数据为离散无序分布数据，而往往分类器默认处理的数据为连续的且有序的，其并不能够用于后续的分类处理以及特征挖掘，因此，需要对于所述预定时间段内多个预定时间点的用户设备的位置数据进行独热编码以得到多个位置嵌入向量。应可以理解，这里，所述独热编码即One-Hot编码，又称为有效编码，其方法是使用N位寄存器来对N个状态进行编码，每个状态都由它独立的寄存位，并且在任意时候，其中只有一位有效。
具体地，在所述承载VOIP业务的信道分配系统300的运行过程中，所述位置数据语义理解模块330和所述全局语义关联模块340，用于将所述多个位置嵌入向量通过基于转换器的上下文编码器以得到多个上下文语义位置特征向量，以及，将所述多个上下文语义位置特征向量进行级联以得到全局语义位置特征向量。应可以理解，由于所述各个预定时间点的用户设备的位置数据在时间维度上具有着关联性，因此，为了探究所述用户设备的位置数据在时序上的变化特征分布信息，进一步将所述多个位置嵌入向量通过基于转换器的上下文编码器中进行编码，以提取出所述各个预定时间点的用户设备的位置数据基于时序全局的上下文关联特征分布信息，从而得到多个上下文语义位置特征向量。接着，再将所述多个上下文语义位置特征向量进行级联以整合所述用户设备的位置数据在时序上的全局关联特征，从而得到全局语义位置特征向量。更具体地，所述将所述多个位置嵌入向量通过基于转换器的上下文编码器以得到多个上下文语义位置特征向量，包括：首先将所述多个位置嵌入向量进行一维排列以得到全局位置特征向量，再计算所述全局位置特征向量与所述多个位置嵌入向量中各个位置嵌入向量的转置向量之间的乘积以得到多个自注意力关联矩阵，分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵，继而将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过Softmax分类函数以得到多个概率值，最后分别以所述多个概率值中各个概率值作为权重对所述多个位置嵌入向量中各个位置嵌入向量进行加权以得到所述多个上下文语义位置特征向量，应可以理解，在得到多个上下文语义位置特征向量后，应将所述多个上下文语义位置特征向量进行级联，特别地，在本申请的技术方案中，融合所述全局语义位置特征向量和所述局部语义强化位置特征向量以得到分类特征向量，优选地将所述全局语义位置特征向量和所述局部语义强化位置特征向量进行级联以得到所述分类特征向量。在级联的过程中，期待提升所述全局语义位置特征向量和所述局部语义强化位置特征向量的特征聚合度的一致性，从而提升所述分类特征向量的分类结果。应注意到，在本申请的技术方案中，所述全局语义位置特征向量由所述多个上下文语义位置特征向量进行级联得到，而所述局部语义强化位置特征向量为对所述多个上下文语义位置特征向量排列而成的一维特征向量进行一维卷积编码得到，两者在特征聚合度方面存在差异。针对上述技术问题，在本申请的技术方案中，将所述多个上下文语义位置特征向量中的每个上下文语义位置特征向量视为单个节点，则通过节点之间的距离表示可以基于节点整体的拓扑结构确定节点之间的类概率特征聚合度，具体地，计算每个上下文语义位置特征向量的节点间类概率匹配特征向量，表示为：
Figure BDA0004086274970000121
其中Vi是所述多个上下文语义位置特征向量中各个上下文语义位置特征向量，Vj是所述多个上下文语义位置特征向量中与所述上下文语义位置特征向量Vi之间的距离，即d(Vi,Vj)小于预定阈值，即ε的上下文语义位置特征向量，α为加权超参数，exp(·)表示向量的指数运算，所述向量的指数运算表示计算以向量中各个位置的特征值为幂的自然指数函数值，
Figure BDA0004086274970000122
表示向量的按位置减法，V'i表示所述多个节点间类概率匹配特征向量中各个节点间类概率匹配特征向量。也就是，如果将Vi作为拓扑结构的节点，则Vj可以被认为是在拓扑结构内部与所述节点Vi相连的节点，即i→j∈E，表示节点i与节点j之间具有边。这样，通过计算节点间类概率匹配特征向量，可以确定拓扑结构内的节点与相邻节点之间在类概率下的交互度，通过以其代替所述上下文语义位置特征向量，可以提升多节点组成的拓扑结构内部的各个节点间的类概率特征聚合度，相当于在基于内部特征交互的特征聚合维度上对于节点特征施加注意力机制，从而通过提升所述多个上下文语义位置特征向量之间的特征聚合度来提高所述全局时序关联特征向量相对于所述局部语义强化位置特征向量之间的特征聚合度的一致性和协同性，进而提高所述分类特征向量的分类表达效果。这样，能够基于用户设备位置的模式特征来自适应地为用户设备分配动态资源分配模式或半静态资源分配模式，进而在保证所分配的模式能满足用户的业务需求的同时优化网络资源占据量。
图3为根据本申请实施例的承载VOIP业务的信道分配系统中位置数据语义理解模块的框图。如图3所示，所述位置数据语义理解模块330，包括：查询向量构造单元331，用于将所述多个位置嵌入向量进行一维排列以得到全局位置特征向量；自注意单元332，用于计算所述全局位置特征向量与所述多个位置嵌入向量中各个位置嵌入向量的转置向量之间的乘积以得到多个自注意力关联矩阵；标准化单元333，用于分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵；关注度计算单元334，用于将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过Softmax分类函数以得到多个概率值；注意力施加单元335，用于分别以所述多个概率值中各个概率值作为权重对所述多个位置嵌入向量中各个位置嵌入向量进行加权以得到所述多个上下文语义位置特征向量。
图4为根据本申请实施例的承载VOIP业务的信道分配系统中全局语义关联模块的框图.如图4所示，所述全局语义关联模块340，包括：节点聚合度优化单元341，用于计算所述多个上下文语义位置特征向量的节点间类概率匹配特征向量以得到多个节点间类概率匹配特征向量；以及，级联单元342，用于将所述多个节点间类概率匹配特征向量进行级联以得到所述全局语义位置特征向量。
具体地，在所述承载VOIP业务的信道分配系统300的运行过程中，所述局部语义强化模块350，用于将所述多个上下文语义位置特征向量排列为一维特征向量后通过使用一维卷积核的卷积神经网络模型以得到局部语义强化位置特征向量。考虑到所述基于转换器的上下文编码器能够挖掘所述用户设备的位置数据在时序上的全局关联，而对于所述各个预定时间点的用户设备的位置数据间的局部关联特征提取能力较弱，这会导致对于用户设备分配的资源分配模式不够精准。基于此，在本申请的技术方案中，考虑到卷积神经网络模型在局部隐含关联特征提取方面具有优异的表现能力，因此，进一步将所述多个上下文语义位置特征向量排列为一维特征向量后通过使用一维卷积核的卷积神经网络模型中进行特征挖掘，以提取出所述用户设备的位置数据在全局时序上的局部增强关联特征分布信息，从而得到局部语义强化位置特征向量。在一个具体示例中，所述卷积神经网络包括相互级联的多个神经网络层，其中各个神经网络层包括卷积层、池化层和激活层。其中，在所述卷积神经网络的编码过程中，所述卷积神经网络的各层在层的正向传递过程中对输入数据使用所述卷积层进行基于卷积核的卷积处理、使用所述池化层对由所述卷积层输出的卷积特征图进行池化处理和使用所述激活层对由所述池化层输出的池化特征图进行激活处理，所述使用一维卷积核的卷积神经网络的最后一层的输出为所述局部语义强化位置特征向量，所述使用一维卷积核的卷积神经网络的第一层的输入为所述一维特征向量。
图5为根据本申请实施例的承载VOIP业务的信道分配系统中卷积神经网络编码的流程图。如图5所示，在所述卷积神经网络编码过程中，包括：使用所述使用一维卷积核的卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：S210，对输入数据进行卷积处理以得到卷积特征图；S220，对所述卷积特征图进行基于特征矩阵的池化以得到池化特征图；以及，S230，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述使用一维卷积核的卷积神经网络的最后一层的输出为所述局部语义强化位置特征向量，所述使用一维卷积核的卷积神经网络的第一层的输入为所述一维特征向量。
具体地，在所述承载VOIP业务的信道分配系统300的运行过程中，所述多尺度融合模块360，用于融合所述全局语义位置特征向量和所述局部语义强化位置特征向量以得到分类特征向量。也就是，融合所述全局语义位置特征向量和所述局部语义强化位置特征向量来提取到所述用户设备的位置数据在时间维度上的全局长距离依赖和局部短距离依赖的多尺度关联特征以得到分类特征向量。在本申请的一个具体示例中，可通过级联的方式来融合所述全局语义位置特征向量和所述局部语义强化位置特征向量，更具体地，以如下公式来融合所述全局语义位置特征向量和所述局部语义强化位置特征向量以得到分类特征向量；其中，所述公式为：Vc＝Concat[V1，V2]，其中，V1表示所述全局语义位置特征向量，V2表示所述局部语义强化位置特征向量，Concat[·,·]表示级联函数，Vc表示所述分类特征向量。
具体地，在所述承载VOIP业务的信道分配系统300的运行过程中，所述信道分配模式生成模块370，用于将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示为用户设备分配的资源分配模式标签。以在本申请的技术方案中，将所述分类特征向量通过分类器中进行分类处理，以得到用于表示为用户设备分配的资源分配模式标签的分类结果。进而，基于所述分类结果来自适应地为用户设备分配动态资源分配模式或半静态资源分配模式，以保证所分配的模式能满足用户的业务需求，且能优化网络资源占据量。具体地，所述将所述分类特征向量通过分类器以得到分类结果，，包括：使用所述分类器以如下公式对所述分类特征向量进行处理以获得分类结果，其中，所述公式为：O＝softmax{(Wn,Bn):…:(W1,B1)|X}，其中，W1到Wn为权重矩阵，B1到Bn为偏置向量，X为分类特征向量。具体地，所述分类器包括多个全连接层和与所述多个全连接层最后一个全连接层级联的Softmax层。其中，在所述分类器的分类处理中，使用所述分类器的多个全连接层对所述分类特征向量进行多次全连接编码以得到编码分类特征向量；进而，将所述编码分类特征向量输入所述分类器的Softmax层，即，使用所述Softmax分类函数对所述编码分类特征向量进行分类处理以得到用于表示为用户设备分配的资源分配模式标签的分类结果。
图6为根据本申请实施例的承载VOIP业务的信道分配系统中信道分配模式生成模块的框图。如图6所示，所述信道分配模式生成模块370，包括：全连接编码单元371，用于使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及，分类结果生成单元372，用于将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
综上，根据本申请实施例的承载VOIP业务的信道分配系统300被阐明，其通过采用基于深度学习的神经网络模型，通过基于转换器的上下文编码器提取出各个预定时间点的用户设备的位置数据基于时序全局的上下文关联特征分布信息，以及，使用在局部隐含关联特征提取方面具有优异的表现能力的卷积神经网络模型提取出所述用户设备的位置数据在全局时序上的局部增强关联特征分布信息，进一步通过融合两者的关联特征分布信息以进行分类，以使得基于用户设备的位置时序变化特征来自适应地为用户设备分配动态资源分配模式或半静态资源分配模式，进而在保证所分配的模式能满足用户的业务需求的同时优化网络资源占据量。
如上所述，根据本申请实施例的承载VOIP业务的信道分配系统可以实现在各种终端设备中。在一个示例中，根据本申请实施例的承载VOIP业务的信道分配系统300可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该承载VOIP业务的信道分配系统300可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该承载VOIP业务的信道分配系统300同样可以是该终端设备的众多硬件模块之一。
替换地，在另一示例中，该承载VOIP业务的信道分配系统300与该终端设备也可以是分立的设备，并且该承载VOIP业务的信道分配系统300可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
示例性方法
图7为根据本申请实施例的承载VOIP业务的信道分配方法的流程图。如图7所示，根据本申请实施例的承载VOIP业务的信道分配方法，包括步骤：S110，获取预定时间段内多个预定时间点的用户设备的位置数据；S120，对所述多个预定时间点的用户设备的位置数据进行独热编码以得到多个位置嵌入向量；S130，将所述多个位置嵌入向量通过基于转换器的上下文编码器以得到多个上下文语义位置特征向量；S140，将所述多个上下文语义位置特征向量进行级联以得到全局语义位置特征向量；S150，将所述多个上下文语义位置特征向量排列为一维特征向量后通过使用一维卷积核的卷积神经网络模型以得到局部语义强化位置特征向量；S160，融合所述全局语义位置特征向量和所述局部语义强化位置特征向量以得到分类特征向量；以及，S170，将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示为用户设备分配的资源分配模式标签。
在一个示例中，在上述承载VOIP业务的信道分配方法中，所述步骤S130，包括：将所述多个位置嵌入向量进行一维排列以得到全局位置特征向量；计算所述全局位置特征向量与所述多个位置嵌入向量中各个位置嵌入向量的转置向量之间的乘积以得到多个自注意力关联矩阵；分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵；将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过Softmax分类函数以得到多个概率值；分别以所述多个概率值中各个概率值作为权重对所述多个位置嵌入向量中各个位置嵌入向量进行加权以得到所述多个上下文语义位置特征向量。
在一个示例中，在上述承载VOIP业务的信道分配方法中，所述步骤S140，包括：计算所述多个上下文语义位置特征向量的节点间类概率匹配特征向量以得到多个节点间类概率匹配特征向量；以及，将所述多个节点间类概率匹配特征向量进行级联以得到所述全局语义位置特征向量。其中，所述计算所述多个上下文语义位置特征向量的节点间类概率匹配特征向量以得到多个节点间类概率匹配特征向量，包括：以如下公式计算所述多个上下文语义位置特征向量的节点间类概率匹配特征向量以得到所述多个节点间类概率匹配特征向量；其中，所述公式为：
Figure BDA0004086274970000171
其中Vi是所述多个上下文语义位置特征向量中各个上下文语义位置特征向量，Vj是所述多个上下文语义位置特征向量中与所述上下文语义位置特征向量Vi之间的距离，即d(Vi,Vj)小于预定阈值，即ε的上下文语义位置特征向量，α为加权超参数，exp(·)表示向量的指数运算，所述向量的指数运算表示计算以向量中各个位置的特征值为幂的自然指数函数值，
Figure BDA0004086274970000172
表示向量的按位置减法，V'i表示所述多个节点间类概率匹配特征向量中各个节点间类概率匹配特征向量。
在一个示例中，在上述承载VOIP业务的信道分配方法中，所述步骤S150，包括：使用所述使用一维卷积核的卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于特征矩阵的池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述使用一维卷积核的卷积神经网络的最后一层的输出为所述局部语义强化位置特征向量，所述使用一维卷积核的卷积神经网络的第一层的输入为所述一维特征向量。
在一个示例中，在上述承载VOIP业务的信道分配方法中，所述步骤S160，包括：以如下公式来融合所述全局语义位置特征向量和所述局部语义强化位置特征向量以得到分类特征向量；其中，所述公式为：Vc＝Concat[V1，V2]，其中，V1表示所述全局语义位置特征向量，V2表示所述局部语义强化位置特征向量，Concat[·,·]表示级联函数，Vc表示所述分类特征向量。
在一个示例中，在上述承载VOIP业务的信道分配方法中，所述步骤S170，包括：使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及，将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
综上，根据本申请实施例的承载VOIP业务的信道分配方法被阐明，其通过采用基于深度学习的神经网络模型，通过基于转换器的上下文编码器提取出各个预定时间点的用户设备的位置数据基于时序全局的上下文关联特征分布信息，以及，使用在局部隐含关联特征提取方面具有优异的表现能力的卷积神经网络模型提取出所述用户设备的位置数据在全局时序上的局部增强关联特征分布信息，进一步通过融合两者的关联特征分布信息以进行分类，以使得基于用户设备的位置时序变化特征来自适应地为用户设备分配动态资源分配模式或半静态资源分配模式，进而在保证所分配的模式能满足用户的业务需求的同时优化网络资源占据量。
示例性电子设备
下面，参考图8来描述根据本申请实施例的电子设备。
图8图示了根据本申请实施例的电子设备的框图。
如图8所示，电子设备10包括一个或多个处理器11和存储器12。
处理器11可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备10中的其他组件以执行期望的功能。
存储器12可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器11可以运行所述程序指令，以实现上文所述的本申请的各个实施例的承载VOIP业务的信道分配系统中的功能以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如多个上下文语义位置特征向量等各种内容。
在一个示例中，电子设备10还可以包括：输入装置13和输出装置14，这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。
该输入装置13可以包括例如键盘、鼠标等等。
该输出装置14可以向外部输出各种信息，包括分类结果等。该输出装置14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然，为了简化，图8中仅示出了该电子设备10中与本申请有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备10还可以包括任何其他适当的组件。
示例性计算机程序产品和计算机可读存储介质
除了上述方法和设备以外，本申请的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性系统”部分中描述的根据本申请各种实施例的承载VOIP业务的信道分配方法中的功能中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外，本申请的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性系统”部分中描述的根据本申请各种实施例的承载VOIP业务的信道分配方法中的功能中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。

Claims (10)

1.一种承载VOIP业务的信道分配系统，其特征在于，包括：
位置数据监控模块，用于获取预定时间段内多个预定时间点的用户设备的位置数据；
位置独热编码模块，用于对所述多个预定时间点的用户设备的位置数据进行独热编码以得到多个位置嵌入向量；
位置数据语义理解模块，用于将所述多个位置嵌入向量通过基于转换器的上下文编码器以得到多个上下文语义位置特征向量；
全局语义关联模块，用于将所述多个上下文语义位置特征向量进行级联以得到全局语义位置特征向量；
局部语义强化模块，用于将所述多个上下文语义位置特征向量排列为一维特征向量后通过使用一维卷积核的卷积神经网络模型以得到局部语义强化位置特征向量；
多尺度融合模块，用于融合所述全局语义位置特征向量和所述局部语义强化位置特征向量以得到分类特征向量；以及
信道分配模式生成模块，用于将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示为用户设备分配的资源分配模式标签。
2.根据权利要求1所述的承载VOIP业务的信道分配系统，其特征在于，所述位置数据语义理解模块，包括：
查询向量构造单元，用于将所述多个位置嵌入向量进行一维排列以得到全局位置特征向量；
自注意单元，用于计算所述全局位置特征向量与所述多个位置嵌入向量中各个位置嵌入向量的转置向量之间的乘积以得到多个自注意力关联矩阵；
标准化单元，用于分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵；
关注度计算单元，用于将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过Softmax分类函数以得到多个概率值；
注意力施加单元，用于分别以所述多个概率值中各个概率值作为权重对所述多个位置嵌入向量中各个位置嵌入向量进行加权以得到所述多个上下文语义位置特征向量。
3.根据权利要求2所述的承载VOIP业务的信道分配系统，其特征在于，所述全局语义关联模块，包括：
节点聚合度优化单元，用于计算所述多个上下文语义位置特征向量的节点间类概率匹配特征向量以得到多个节点间类概率匹配特征向量；以及
级联单元，用于将所述多个节点间类概率匹配特征向量进行级联以得到所述全局语义位置特征向量。
4.根据权利要求3所述的承载VOIP业务的信道分配系统，其特征在于，所述节点聚合度优化单元，进一步用于：以如下公式计算所述多个上下文语义位置特征向量的节点间类概率匹配特征向量以得到所述多个节点间类概率匹配特征向量；
其中，所述公式为：
Figure FDA0004086274960000021
其中Vi是所述多个上下文语义位置特征向量中各个上下文语义位置特征向量，Vj是所述多个上下文语义位置特征向量中与所述上下文语义位置特征向量Vi之间的距离，即d(Vi,Vj)小于预定阈值，即ε的上下文语义位置特征向量，α为加权超参数，exp(·)表示向量的指数运算，所述向量的指数运算表示计算以向量中各个位置的特征值为幂的自然指数函数值，
Figure FDA0004086274960000022
表示向量的按位置减法，V'i表示所述多个节点间类概率匹配特征向量中各个节点间类概率匹配特征向量。
5.根据权利要求4所述的承载VOIP业务的信道分配系统，其特征在于，所述局部语义强化模块，进一步用于：使用所述使用一维卷积核的卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：
对输入数据进行卷积处理以得到卷积特征图；
对所述卷积特征图进行基于特征矩阵的池化以得到池化特征图；以及
对所述池化特征图进行非线性激活以得到激活特征图；
其中，所述使用一维卷积核的卷积神经网络的最后一层的输出为所述局部语义强化位置特征向量，所述使用一维卷积核的卷积神经网络的第一层的输入为所述一维特征向量。
6.根据权利要求5所述的承载VOIP业务的信道分配系统，其特征在于，所述多尺度融合模块，进一步用于：以如下公式来融合所述全局语义位置特征向量和所述局部语义强化位置特征向量以得到分类特征向量；
其中，所述公式为：
Vc＝Concat[V1，V2]
其中，V1表示所述全局语义位置特征向量，V2表示所述局部语义强化位置特征向量，Concat[·，·]表示级联函数，Vc表示所述分类特征向量。
7.根据权利要求6所述的承载VOIP业务的信道分配系统，其特征在于，所述信道分配模式生成模块，包括：
全连接编码单元，用于使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及
分类结果生成单元，用于将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
8.一种承载VOIP业务的信道分配方法，其特征在于，包括：
获取预定时间段内多个预定时间点的用户设备的位置数据；
对所述多个预定时间点的用户设备的位置数据进行独热编码以得到多个位置嵌入向量；
将所述多个位置嵌入向量通过基于转换器的上下文编码器以得到多个上下文语义位置特征向量；
将所述多个上下文语义位置特征向量进行级联以得到全局语义位置特征向量；
将所述多个上下文语义位置特征向量排列为一维特征向量后通过使用一维卷积核的卷积神经网络模型以得到局部语义强化位置特征向量；
融合所述全局语义位置特征向量和所述局部语义强化位置特征向量以得到分类特征向量；以及
将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示为用户设备分配的资源分配模式标签。
9.根据权利要求8所述的承载VOIP业务的信道分配方法，其特征在于，所述融合所述全局语义位置特征向量和所述局部语义强化位置特征向量以得到分类特征向量，包括：以如下公式来融合所述全局语义位置特征向量和所述局部语义强化位置特征向量以得到分类特征向量；
其中，所述公式为：
Vc＝Concat[V1，V2]
其中，V1表示所述全局语义位置特征向量，V2表示所述局部语义强化位置特征向量，Concat[·，·]表示级联函数，Vc表示所述分类特征向量。
10.根据权利要求9所述的承载VOIP业务的信道分配方法，其特征在于，所述将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示为用户设备分配的资源分配模式标签，包括：
使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及
将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
CN202310137089.5A 2023-02-20 2023-02-20 一种承载voip业务的信道分配系统及其方法 Withdrawn CN116319599A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310137089.5A CN116319599A (zh) 2023-02-20 2023-02-20 一种承载voip业务的信道分配系统及其方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310137089.5A CN116319599A (zh) 2023-02-20 2023-02-20 一种承载voip业务的信道分配系统及其方法

Publications (1)

Publication Number Publication Date
CN116319599A true CN116319599A (zh) 2023-06-23

Family

ID=86798829

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310137089.5A Withdrawn CN116319599A (zh) 2023-02-20 2023-02-20 一种承载voip业务的信道分配系统及其方法

Country Status (1)

Country Link
CN (1) CN116319599A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117197722A (zh) * 2023-10-16 2023-12-08 北京中科网芯科技有限公司 基于移动互联网视频的用户感知与分析系统
CN117215766A (zh) * 2023-06-26 2023-12-12 杭州喜倍科技有限公司 多媒体智能调度机及其方法
CN117973820A (zh) * 2024-04-01 2024-05-03 浙江数达智远科技有限公司 基于人工智能的任务动态分配系统及方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117215766A (zh) * 2023-06-26 2023-12-12 杭州喜倍科技有限公司 多媒体智能调度机及其方法
CN117197722A (zh) * 2023-10-16 2023-12-08 北京中科网芯科技有限公司 基于移动互联网视频的用户感知与分析系统
CN117197722B (zh) * 2023-10-16 2024-03-15 北京中科网芯科技有限公司 基于移动互联网视频的用户感知与分析系统
CN117973820A (zh) * 2024-04-01 2024-05-03 浙江数达智远科技有限公司 基于人工智能的任务动态分配系统及方法

Similar Documents

Publication Publication Date Title
CN116319599A (zh) 一种承载voip业务的信道分配系统及其方法
CN115203380B (zh) 基于多模态数据融合的文本处理系统及其方法
JP2023541532A (ja) テキスト検出モデルのトレーニング方法及び装置、テキスト検出方法及び装置、電子機器、記憶媒体並びにコンピュータプログラム
CN109902274A (zh) 一种将json字符串转化为thrift二进制流的方法及系统
CN113778718B (zh) 基于动态路由的微服务资源管理方法、系统和电子设备
CN109460220A (zh) 报文预定义代码生成方法、装置、电子设备和存储介质
CN116978011B (zh) 一种用于智能目标识别的图像语义通信方法及系统
CN115878330B (zh) 线程的运行控制方法及其系统
CN115827257B (zh) 用于处理器体系的cpu容量预测方法及其系统
CN115373813A (zh) 云计算环境中基于gpu虚拟化的调度方法、系统和电子设备
CN114610488A (zh) 基于负载均衡的数据采集方法、系统和电子设备
CN112364166A (zh) 关系抽取模型的建立方法以及关系抽取方法
CN116151604A (zh) 一种web环境下办公系统流程分析系统及其方法
CN111563391A (zh) 机器翻译方法、装置及电子设备
CN114423030A (zh) 全屋动态自动组网方法、系统和电子设备
CN116881027B (zh) 原子服务组合通信方法、装置、电子设备和介质
CN113139751A (zh) 基于大数据的微服务用户业务类型确定方法
CN117422065A (zh) 基于强化学习算法的自然语言数据处理系统
CN116127400A (zh) 基于异构计算的敏感数据识别系统、方法及存储介质
CN116150371A (zh) 基于shardingJDBC的资产还款计划海量数据处理方法
CN113055890B (zh) 一种面向移动恶意网页的多设备组合优化的实时检测系统
CN113438678B (zh) 一种为网络切片分配云资源的方法及装置
CN113723107A (zh) 智能终端间的联系人信息传送提取方法、系统和电子设备
CN112396095A (zh) 基于社会治理数据的主题标签的智能分拨方法
CN113138773A (zh) 云计算分布式服务集群方法

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
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20230623