CN116506050A - 异频信息预测方法、装置、设备及介质 - Google Patents
异频信息预测方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN116506050A CN116506050A CN202310513113.0A CN202310513113A CN116506050A CN 116506050 A CN116506050 A CN 116506050A CN 202310513113 A CN202310513113 A CN 202310513113A CN 116506050 A CN116506050 A CN 116506050A
- Authority
- CN
- China
- Prior art keywords
- frequency
- inter
- communication data
- frequency information
- data
- 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
- 238000000034 method Methods 0.000 title claims abstract description 83
- 238000004891 communication Methods 0.000 claims abstract description 171
- 238000012545 processing Methods 0.000 claims abstract description 37
- 238000001228 spectrum Methods 0.000 claims abstract description 28
- 238000012549 training Methods 0.000 claims description 59
- 238000005259 measurement Methods 0.000 claims description 25
- 238000000605 extraction Methods 0.000 claims description 15
- 230000002159 abnormal effect Effects 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000003066 decision tree Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 abstract description 9
- 238000010295 mobile communication Methods 0.000 abstract description 3
- 238000007726 management method Methods 0.000 description 30
- 238000010586 diagram Methods 0.000 description 10
- 230000003595 spectral effect Effects 0.000 description 10
- 238000004422 calculation algorithm Methods 0.000 description 7
- 238000006243 chemical reaction Methods 0.000 description 7
- 238000012360 testing method Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000004140 cleaning Methods 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000011049 filling Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/391—Modelling the propagation channel
- H04B17/3913—Predictive models, e.g. based on neural network models
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/373—Predicting channel quality or other radio frequency [RF] parameters
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/382—Monitoring; Testing of propagation channels for resource allocation, admission control or handover
-
- 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
-
- 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)
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Quality & Reliability (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本公开提供了一种异频信息预测方法、装置、设备及介质，涉及移动通信技术领域。该方法包括：采集服务小区内目标用户的实时通信数据和辅助通信数据，辅助通信数据包括目标用户所处场景相关的通信数据；对实时通信数据进行特征提取，得到服务小区的同频特征；通过预先训练的栅格预测模型对同频特征和辅助通信数据进行处理，得到目标用户的异频信息。本公开可以实现空口异频信息精准预测，提升共享网络系统性能，提升频谱效率和用户体验，降低运维和优化成本。
Description
技术领域
本公开涉及移动通信技术领域，尤其涉及一种异频信息预测方法、异频信息预测装置、电子设备及计算机可读存储介质。
背景技术
在相关技术中，终端设备(Use Equipment，UE)能力限制UE无法同时驻留所有频段，因此，需要在UE驻留载波上准确预估其他频点的空口性能，用于求解多频性能最优的输入。
然而，多频间移动性管理需要依赖异频测量间隙GAP，存在业务中断、系统性能和用户体验变差等问题。
需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本公开提供一种异频信息预测方法、装置、设备及介质，至少在一定程度上克服现有的多频间移动性管理依赖异频测量GAP，存在业务中断、系统性能和用户体验差的问题。
本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。
根据本公开的一个方面，提供一种异频信息预测方法，包括：采集服务小区内目标用户的实时通信数据和辅助通信数据，其中，所述辅助通信数据包括所述目标用户所处场景相关的通信数据；对所述实时通信数据进行特征提取，得到所述服务小区的同频特征；通过预先训练的栅格预测模型对所述同频特征和所述辅助通信数据进行处理，得到所述目标用户的异频信息。
在本公开的一个实施例中，所述同频特征包括同频数据和同频频谱效率；其中，所述对所述实时通信数据进行特征提取，得到所述服务小区的同频特征，包括：从所述实时通信数据中提取所述同频数据，其中，所述同频数据包括同频同步信号块SSB波束ID和同频信号强度；根据所述同频数据，得到所述同频频谱效率。
在本公开的一个实施例中，在所述通过预先训练的栅格预测模型对所述同频特征和所述辅助通信数据进行处理，得到所述目标用户的异频信息之前，所述方法还包括：根据所述服务小区内用户的历史通信数据、历史辅助通信数据以及对应的异频信息标签，训练待训练栅格预测模型；
若满足训练停止条件，则得到所述预先训练的栅格预测模型。
在本公开的一个实施例中，所述方法还包括：若不满足所述训练停止条件，则调整所述待训练栅格预测模型的模型参数，直至满足所述训练停止条件。
在本公开的一个实施例中，所述方法还包括：若所述待训练栅格预测模型得到的预测异频信息与所述异频信息标签之间的差异小于或等于预设差异阈值，则判定满足所述训练停止条件。
在本公开的一个实施例中，所述栅格预测模型包括多输出分类器模型、决策树模型、线性模型中的至少一种。
在本公开的一个实施例中，所述实时通信数据包括所述目标用户的测量报告、所述服务小区中心频率、SSB波束ID、信号强度和负载情况中的至少一项。
在本公开的一个实施例中，所述辅助通信数据包括终端UE能力和异频负载中的至少一项。
在本公开的一个实施例中，所述异频信息包括异频小区物理小区标识、以及各个异频小区物理小区对应的异频信号强度、异频SSB波束ID和异频频谱效率中的至少一项。
在本公开的一个实施例中，在所述采集服务小区内目标用户的实时通信数据和辅助通信数据之后，所述方法还包括：对所述实时通信数据和辅助通信数据进行预处理，剔除异常样本数据，以得到符合标准的规则数据。
在本公开的一个实施例中，所述方法还包括：对所述目标用户的异频信息进行信号处理，得到符合空口联合管理模块输入要求的控制信号，以使所述空口联合管理模块根据所述控制信号进行多频间移动性管理。
根据本公开的另一个方面，还提供了一种异频信息预测装置，包括：数据采集模块，用于采集服务小区内目标用户的实时通信数据和辅助通信数据，其中，所述辅助通信数据包括所述目标用户所处场景相关的通信数据；特征提取模块，用于对所述实时通信数据进行特征提取，得到所述服务小区的同频特征；异频预测模块，用于通过预先训练的栅格预测模型对所述同频特征和所述辅助通信数据进行处理，得到所述目标用户的异频信息。
根据本公开的另一个方面，提供一种电子设备，包括：处理器；以及存储器，用于存储所述处理器的可执行指令；其中，所述处理器配置为经由执行所述可执行指令来执行上述的异频信息预测方法。
根据本公开的另一个方面，提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述的异频信息预测方法。
根据本公开的另一个方面，提供了一种计算机程序产品，包括可执行指令，该可执行指令存储在计算机可读存储介质中，电子设备的处理器从计算机可读存储介质读取该可执行指令，处理器执行该可执行指令，使得该电子设备执行上述的异频信息预测方法。
本公开实施例所提供的一种异频信息预测方法、装置、设备及介质，通过采集服务小区内目标用户的实时通信数据和辅助通信数据，辅助通信数据包括目标用户所处场景相关的通信数据；对实时通信数据进行特征提取，得到服务小区的同频特征；通过预先训练的栅格预测模型对同频特征和辅助通信数据进行处理，得到目标用户的异频信息，本公开基于3D超分辨率栅格实现空口异频信息精准预测，降低或消除了多频间移动管理时存在的异频测量GAP延时，保证了业务连续性，无需异频测量下进行载波覆盖和频谱效率等能力评估，提升TDD/FDD共享多频网络系统整体性能(用户速率和吞吐量等)，提升频谱效率和用户体验，降低运维和优化成本。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1示出本公开实施例中一种异频信息预测方法或异频信息预测装置的示例性系统架构的示意图。
图2示出本公开实施例中一种异频信息预测方法流程图。
图3示出本公开实施例中的栅格预测模型推理示意图。
图4示出本公开实施例中的栅格预测模型训练流程图。
图5示出本公开实施例中的栅格预测模型训练示意图。
图6示出本公开实施例中又一种异频信息预测方法流程图。
图7示出本公开实施例中再一种异频信息预测方法流程图。
图8示出本公开实施例中一种异频信息预测装置示意图。
图9示出本公开实施例中一种异频信息预测系统示意图。
图10示出本公开实施例中一种电子设备的结构框图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。
此外，附图仅为本公开的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
图1示出了可以应用于本公开实施例的异频信息预测方法或异频信息预测装置的示例性系统架构的示意图。
如图1所示，系统架构100可以包括基站120和服务器103，在基站120的管辖范围内包括多个小区，每个小区内包括多个终端设备110，基站120用以在终端设备101、102、103和服务器105之间提供通信链路的介质，基站120可以是有线网络内的网络设备，也可以是无线网络内的网络设备。
可选地，上述的无线网络或有线网络使用标准通信技术和/或协议。网络通常为因特网、但也可以是任何网络，包括但不限于局域网(Local Area Network，LAN)、城域网(Metropolitan Area Network，MAN)、广域网(Wide Area Network，WAN)、移动、有线或者无线网络、专用网络或者虚拟专用网络的任何组合)。在一些实施例中，使用包括超文本标记语言(Hyper Text Mark-up Language，HTML)、可扩展标记语言(ExtensibleMarkupLanguage，XML)等的技术和/或格式来代表通过网络交换的数据。此外还可以使用诸如安全套接字层(Secure Socket Layer，SSL)、传输层安全(Transport Layer Security，TLS)、虚拟专用网络(Virtual Private Network，VPN)、网际协议安全(InternetProtocolSecurity，IPsec)等常规加密技术来加密所有或者一些链路。在另一些实施例中，还可以使用定制和/或专用数据通信技术取代或者补充上述数据通信技术。
在图1中，基站120的管辖范围内包括5个小区，基站120为5个小区内的终端设备110提供网络服务。通常的，基站120也称作gNB等，终端设备110也称作终端、用户设备或UE等。
终端设备110可以是各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机、台式计算机、可穿戴设备、增强现实设备、虚拟现实设备等。
可选地，不同的终端设备110中安装的应用程序的客户端是相同的，或基于不同操作系统的同一类型应用程序的客户端。基于终端平台的不同，该应用程序的客户端的具体形态也可以不同，比如，该应用程序客户端可以是手机客户端、PC客户端等。
服务器130可以是提供各种服务的服务器，例如对用户利用终端设备110所进行操作的装置提供支持的后台管理服务器。后台管理服务器可以对接收到的请求等数据进行分析等处理，并将处理结果反馈给终端设备。例如，服务器130可以根据采集到的服务小区内目标用户的实时通信数据和辅助通信数据，对实时通信数据进行特征提取，得到服务小区的同频特征，并通过预先训练的栅格预测模型对同频特征和辅助通信数据进行处理，得到目标用户的异频信息，并将得到的目标用户的异频信息反馈至网络设备进行相关控制。
示例性的，服务器130还可以根据服务小区内用户的历史通信数据、历史辅助通信数据以及对应的异频信息标签，训练待训练栅格预测模型，输出满足训练停止条件的栅格预测模型，作为预先训练的栅格预测模型。
可选地，服务器可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN(Content Delivery Network，内容分发网络)、以及大数据和人工智能平台等基础云计算服务的云服务器。终端可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表等，但并不局限于此。终端设备110以及服务器130可以通过有线或无线通信方式进行直接或间接地连接，本申请在此不做限制。
示例性的，本公开提供的异频信息预测方法，可以应用于时分双工(TimeDivision Duplexing，TDD)3.5G(200M，2CC)有源天线单元(Active Antenna Unit，AAU)与频分(Frequency Division Duplexing，FDD)2.1G射频拉远单元(Remote Radio Unit，RRU)共站、共址或近共战、共址的情形。
本领域技术人员可以知晓，图1中的终端设备、网络和服务器的数量仅仅是示意性的，根据实际需要，可以具有任意数目的终端设备、网络和服务器。本公开实施例对此不作限定。
本申请实施例提供的方案涉及移动通信、人工智能的大数据处理、机器学习等技术，是应用于计算机中的软件程序，通过采集服务小区内目标用户的实时通信数据和辅助通信数据，辅助通信数据包括目标用户所处场景相关的通信数据；对实时通信数据进行特征提取，得到服务小区的同频特征；通过预先训练的栅格预测模型对同频特征和辅助通信数据进行处理，得到目标用户的异频信息，本公开基于3D超分辨率栅格实现空口异频信息精准预测，降低或消除了多频间移动管理时存在的异频测量GAP延时，保证了业务连续性，无需异频测量下进行载波覆盖和频谱效率等能力评估，提升TDD/FDD共享多频网络系统整体性能(用户速率和吞吐量等)，提升频谱效率和用户体验，降低运维和优化成本，具体通过如下实施例进行说明：
首先，本公开实施例中提供了一种异频信息预测方法，该方法可以由任意具备计算处理能力的系统执行。该方法对应的流程可以由异频信息预测装置来执行，该装置可以位于网络设备内，例如，可以是基站；该装置还可以位于服务器内，也可以是服务器。
图2示出本公开实施例中一种异频信息预测方法流程图，如图2所示，本公开实施例中提供的异频信息预测方法，包括如下步骤：
S202、采集服务小区内目标用户的实时通信数据和辅助通信数据，其中，辅助通信数据包括目标用户所处场景相关的通信数据。
需要说明的是，实时通信数据包括目标用户包括目标用户所处服务小区相关的通信数据。实时通信数据包括目标用户的测量报告(Measurement Report，MR)、服务小区(Service Cell)中心频率(CertralFreq_S)、同步信号块(Synchronization SignalBlock，SSB)波束ID(SSBID_S)、信号强度(RSRP_S)和负载情况(TrafficLoad_S)中的至少一项。
需要说明的是，负载情况包括物理资源块(Physical Resource Block，PRB)利用率、物理下行控制信道(Physical Downlink Control Channel，PDCCH)控制信道单元(Control Channel Element，CCE)利用率和无线资源控制(Radio Resource Control，RRC)连接用户数。
上述辅助通信数据包括终端UE能力和异频负载中的至少一项。同频特征作为栅格预测模型的主要输入，UE能力和异频负载作为栅格预测模型的辅助输入，能够根据实际场景，微调预测结果，使预测结果更加接近实际场景，更加准确。
需要说明的是，异频负载为与服务小区中心频率不同的邻小区的负载情况。可以通过Xn接口或Ng接口获取邻小区的负载情况，例如，基站(小区)通过Xn接口获取异频基站(小区)的负载信息，即可获取异频负载。
在一个实施例中，目标用户使用的终端可以在接收到同频测量配置或异频测量配置的情况下，分别进行同频测量或异频测量，并向网络设备或服务器上报相关的测量信息。
S204、对实时通信数据进行特征提取，得到服务小区的同频特征。
需要说明的是，服务小区的同频邻小区可以包括一个或多个。同频特征包括同频数据和同频频谱效率。其中，同频数据包括同频SSD波束ID(CoFreq_SSBID)、同频信号强度(CoFreq_RSRP)和同频频谱效率(CoFreq_SE)，同频频谱效率可以根据与服务小区中心频率相同的同频邻小区的比特速率和带宽计算得到，即同频频谱效率为与服务小区中心频率相同的可切换邻小区的比特速率与带宽之间的比值。
上述S204对实时通信数据进行特征提取，得到服务小区的同频特征，包括：从实时通信数据中提取同频数据，其中，同频数据包括同频同步信号块SSB波束ID和同频信号强度；根据同频数据，得到同频频谱效率。
S206、通过预先训练的栅格预测模型对同频特征和辅助通信数据进行处理，得到目标用户的异频信息。
上述的预先训练的栅格预测模型包括多输出分类器模型、决策树模型、线性模型中的至少一种，其通过服务小区内用户的历史通信数据和历史辅助通信数据训练得到。
需要说明的是，异频信息包括异频小区物理小区标识、以及各个异频小区物理小区对应的异频信号强度、异频SSB波束ID和异频频谱效率中的至少一项，异频小区物理小区标识用于区分不同的异频小区，从而实现了多维度(时域、频域和空域)预测，即栅格预测模型输出的目标用户的异频信息包括三个域，分别为时域-目标用户(UE)的相对位置(RSRP)、频域-目标用户(UE)在同频或异频上的频谱效率、以及空域-目标用户(UE)在同频或异频上的SSB波束ID，构成3D超分辨率栅格。
如图3所示，在栅格预测模型进行模型推理时，将实时通信数据提取的同频特征和采集的UE能力、异频负载构成的辅助通信数据作为预先训练的栅格预测模型的输入量，经过预先训练的栅格预测模型处理后，输出异频信息，其中，异频信息包括多个维度，时域-目标用户(UE)的相对位置(RSRP)、频域-目标用户(UE)在同频或异频上的频谱效率、以及空域-目标用户(UE)在同频或异频上的SSB波束ID。
本公开实施例通过采集服务小区内目标用户的实时通信数据和辅助通信数据，辅助通信数据包括目标用户所处场景相关的通信数据；对实时通信数据进行特征提取，得到服务小区的同频特征；通过预先训练的栅格预测模型对同频特征和辅助通信数据进行处理，得到目标用户的异频信息，本公开基于3D超分辨率栅格实现空口异频信息精准预测，降低或消除了多频间移动管理时存在的异频测量GAP延时，保证了业务连续性，无需异频测量下进行载波覆盖和频谱效率等能力评估，提升TDD/FDD共享多频网络系统整体性能(用户速率和吞吐量等)，提升频谱效率和用户体验，降低运维和优化成本。
图4示出本公开实施例中的栅格预测模型训练流程图。在图2实施例的基础上，在S206之前，增加S402～S404，以对栅格预测模型进行训练，得到预先训练的栅格预测模型。如图4所示，本实施例提供的异频信息预测方法包括S402～S404，具体地，在S206通过预先训练的栅格预测模型对同频特征和辅助通信数据进行处理，得到目标用户的异频信息之前，该方法还包括：
S402、根据服务小区内用户的历史通信数据、历史辅助通信数据以及对应的异频信息标签，训练待训练栅格预测模型；
S404、若满足训练停止条件，则得到预先训练的栅格预测模型。
可选的，该方法还包括：S406、若不满足训练停止条件，则调整待训练栅格预测模型的模型参数，直至满足训练停止条件。
在对栅格预测模型进行模型训练时，采用服务小区内用户的历史通信数据、历史辅助通信数据以及对应的异频信息标签作为训练样本，训练样本按照一定比例划分为训练集和测试集，训练集用于训练、验证栅格预测模型，以使用栅格预测模型对测试集内的数据进行预测时，得到的异频信息更符合实际情况，提升栅格预测模型的准确性。
如图4所示，在进行模型训练时，选取训练集中的历史通信数据和历史辅助通信数据，历史辅助通信数据包括UE能力和异频负载；提取历史通信数据中的同频数据样本，并计算同频效率样本，将同频数据样本和同频效率样本合并作为同频特征样本；从训练集中的历史通信数据提取异频数据样本，并计算异频效率样本，将异频数据样本和异频效率样本合并作为异频特征样本；将同频特征和历史辅助通信数据作为模型特征输入量，将用户的异频信息作为输出量，通过AI算法(例如多输入分类器算法)将同频特征样本和异频特征样本进行关联，构建3D超分辨率栅格预测模型，将特性相近的用户分为一类栅格，从而提升模型预测的应用范围。
在一个实施例中，本公开提供的异频信息预测方法还包括：若待训练栅格预测模型得到的预测异频信息与异频信息标签之间的差异小于或等于预设差异阈值，则判定满足训练停止条件。
将训练集输入待训练栅格预测模型，计算待训练栅格预测模型的F1score、精准率、准确率和混淆矩阵，以衡量待训练栅格预测模型的优劣。
训练停止条件可以设定为精准率与预设精准率之间的差值小于或等于预设精准率阈值，准确率与预设准确率之间的差值小于或等于预设准确率阈值，F1score与预设F1分数之间的差值小于或等于预设F1分数阈值，确定栅格预测模型的模型参数，得到训练后的栅格预测模型，而后，将测试集输入训练后的栅格预测模型对模型进行验证。
为了验证训练完成的栅格预测模式的准确性，在训练栅格预测模式时，将训练集的数据随机选择70％的数据作为训练数据，其余30％作为测试数据，通过训练数据进行模型训练，当栅格预测模型训练完毕后，将剩余30％的测试数据输入上述模型进行验证，若验证结果通过，得到预先训练的栅格预测模型，若验证结果不通过，则对栅格预测模型的模型参数进行调整，直至满足训练停止条件，得到预先训练的栅格预测模型。
需要注意的是，栅格预测模型训练完毕后，打包生成应用程序，以供调用。
本公开实施例将同频特征、UE能力和异频负载作为关键输入特征量，通过AI离线学习，挖掘同频特征和异频特征之间的内在关系，从而构建精准的3D超分辨栅格，通过学习大量的训练数据，有效地提高了模型鲁棒性和泛化性，并通过实时UE能力和异频负载情况辅助提高预测的准确率。
图6示出本公开实施例中又一异频信息预测方法流程图。在图2实施例的基础上，在S204和S206之间增加S205，以对实时通信数据和辅助通信数据进行预处理。在一个实施例中，如图6所示，本公开实施例提供的异频信息预测方法包括S202～S206，具体地，该方法包括：
S205、对实时通信数据和辅助通信数据进行预处理，剔除异常样本数据，以得到符合标准的规则数据。
需要说明的是，本实施例的S202-S204、S206的实现方式与前述实施例中S202-S204、S206的实现方式相同，此处不再赘述。
数据采集模块将测量数据发送至异频信息预测装置，异频信息预测装置中的数据处理模块对接收到的实时通信数据和辅助通信数据进行数据处理，数据预处理的方式包括数据清洗、转换、计算、填充缺失值、数据类型转换、格式化、归一化处理和均衡化处理等，剔除异常样本数据，以得到符合标准的规则数据，从而提升模型预测的精确度。
图7示出本公开实施例中再一种异频信息预测方法流程图。在图2实施例的基础上，在S206之后增加S208，以根据目标用户的异频信息进行多频间移动性管理。如图7所示，在一个实施例中，该方法包括：
S208、对目标用户的异频信息进行信号处理，得到符合空口联合管理模块输入要求的控制信号，以使空口联合管理模块根据控制信号进行多频间移动性管理。
需要说明的是，本实施例的S202-S208的实现方式与前述实施例中S202-S208的实现方式相同，此处不再赘述。
空口预测输出接口对目标用户的异频信息进行信号处理，例如，根据空口联合管理模块的要求，对异频信息进行信号转换，得到符合空口联合管理模块输入要求的控制信号，空口联合管理模块根据控制信号实现多频间移动性管理。
为了便于对栅格预测模型的理解，下面详细说明栅格预测模型的训练过程和推理过程。其中，训练过程如下：
训练数据采集：采集服务小区用户(历史用户)历史通信数据、历史辅助通信数据以及邻小区的历史通信数据，服务小区用户(历史用户)历史通信数据包括测量报告(MR)服务小区(Service Cell)中心频率(CentralFreq_S)，SSB波束ID(SSBID_S)、信号强度(RSRP_S)和负载情况(TrafficLoad_S)；历史辅助通信数据包括UE能力和异频负载；邻小区的历史通信数据包括邻小区(Neighbor Cell)中心频率(CentralFreq_N)，SSB波束ID(SSBID_N)、信号强度(RSRP_N)和负载情况(TrafficLoad_N)。可通过Xn接口或Ng接口获取邻小区负载情况(TrafficLoad_N)；负载情况包括PRB利用率、PDCCH CCE利用率和RRC连接用户数。
训练数据预处理：根据采集的训练数据，通过清洗、转换和计算等方法完成预处理，达到采用剔除异常样本数据，得到符合标准的规则数据。
数据特征提取：从训练数据中提取同频数据(CoFreq_SSBID和CoFreq_RSRP)和异频数据(AntiFreq_SSBID和AntiFreq_RSRP)，并计算同频频谱效率(CoFreq_SE)和异频频谱效率(AntiFreq_SE)，联合起来做为同频特征样本(CoFreq_SSBID、CoFreq_RSRP和CoFreq_SE)、异频特征样本(AntiFreq_SSBID、AntiFreq_RSRP和AntiFreq_SE)；其中，频谱效率(Spectrum Effectiveness)SE＝比特速率/带宽。
栅格预测模型训练：将同频特征样本(CoFreq_SSBID、CoFreq_RSRP和CoFreq_SE)、UE能力和异频负载作为栅格预测模型的输入；将异频特征样本(AntiFreq_SSBID、AntiFreq_RSRP和AntiFreq_SE)作为作为栅格预测模型的输出；
栅格预测模型构建：通过AI算法(比如多输出分类器算法)将同频特征样本(CoFreq_SSBID、CoFreq_RSRP和CoFreq_SE)、异频特征样本(AntiFreq_SSBID、AntiFreq_RSRP和AntiFreq_SE)关联起来，构建栅格预测模型，将相近用户分为一类栅格。
3D栅格建立：实现栅格预测模型(3D超分辨率栅格训练模型)的构建和3D栅格的建立，3D超分辨率栅格包括三个域，即时域-历史用户(UE)相对位置(RSRP)，频域-历史用户(UE)在同频、异频上的频谱效率，空域-历史用户(UE)在同频、异频上的SSB波束ID，并将同频特征和异频特征通过学习后关联起来，并导出3D超分辨率栅格推理模型。
栅格预测模型的推理过程如下：
推理数据采集：采集本服务小区目标用户的推理数据，推理数据包括实时通信数据和辅助通信数据，其中，实时通信数据包括但不限于目标用户的测量报告(MR)，本服务小区(Service Cell)中心频率(CentralFreq_S)，SSB波束ID(SSBID_S)、信号强度(RSRP_S)和负载情况(TrafficLoad_N)；辅助通信数据包括目标用户所处场景相关的通信数据，辅助通信数据包括但不限于UE能力和异频负载，可通过Xn接口或Ng接口获取邻小区负载情况(TrafficLoad_N)。
推理数据预处理：根据采集的推理数据，通过清洗、转换和计算等方法完成预处理，达到采用剔除异常样本数据，得到符合标准的规则数据；
数据特征提取：从实时通信数据和辅助通信数据(推理数据)中提取同频数据(CoFreq_SSBID和CoFreq_RSRP)，并计算同频频谱效率(CoFreq_SE)，联合起来做为同频特征(CoFreq_SSBID、CoFreq_RSRP和CoFreq_SE)；
数据特征输入：同频特征(CoFreq_SSBID、CoFreq_RSRP和CoFreq_SE)、UE能力(UECapability)和异频负载(AntiFreq_TrafficLoad)作为栅格预测模型的输入；
推理模型预测：根据输入的同频特征(CoFreq_SSBID、CoFreq_RSRP和CoFreq_SE)、UE能力(UE Capability)和异频负载(AntiFreq_TrafficLoad)，通过栅格预测模型中的AI算法(比如多输出分类器算法)预测出异频信息，异频信息包括异频小区物理小区标识、以及各个异频小区物理小区对应的异频RSRP(AntiFreq_RSRP)、异频SSB ID(AntiFreq_SSBID)和异频频谱效率(AntiFreq_SE)。其中，同频特征是主要输入，UE能力和异频负载是辅助输入，是为了根据实际场景，微调预测结果，让预测结果更加接近实际场景，更加准确。
本公开实现了基于3D超分辨率栅格推理模型的多维度(时域、频域和空域)预测，即时域预测到当前时刻UE相对位置(RSRP)，频域预测到UE切换到其他异频上的频谱效率，空域预测到UE切换到其他异频上的SSB波束ID。
本公开将、UE能力和异频负载作为关键输入特征量，通过AI离线学习，挖掘同频特征与异频特征之间的内在关系，从而构建精准的3D超分辨栅格；将AI离线学习和AI在线推理相结合，并根据栅格预测模型，实现空口信息精准预测，降低(或消除)了多频间移动性管理时存在的异频GAP测量延时，保证了业务连续性；通过学习大量的训练数据有效地提高了模型鲁棒性和泛化性，并通过实时UE能力和负载情况辅助来提高预测准确率；基于3D超分辨栅格实现空口信息精准预测，无需异频测量下进行载波覆盖和频谱效率等能力评估，提高了TDD+FDD共享多频网络系统资源利用率和用户体验；提高了运维和优化效率，降低了运维和优化成本；提高3D超分辨栅格精度，同时降低3D超分辨栅格存储消耗和栅格维护代价；提升用户体验，提升系统灵活性和普适性，提高TDD+FDD共享多频网络系统运维优化效率，节省了运维优化成本。
基于同一发明构思，本公开实施例中还提供了一种异频信息预测装置，如下面的实施例所述。由于该系统实施例解决问题的原理与上述方法实施例相似，因此该系统实施例的实施可以参见上述方法实施例的实施，重复之处不再赘述。
图8示出本公开实施例中一种异频信息预测装置示意图，如图8所示，该异频信息预测装置包括数据采集模块810、特征提取模块820和异频预测模块830。
其中，数据采集模块810，用于采集服务小区内目标用户的实时通信数据和辅助通信数据，其中，辅助通信数据包括目标用户所处场景相关的通信数据；
特征提取模块820，用于对实时通信数据进行特征提取，得到服务小区的同频特征；
异频预测模块830，用于通过预先训练的栅格预测模型对同频特征和辅助通信数据进行处理，得到目标用户的异频信息。
在一个实施例中，同频特征包括同频数据和同频频谱效率；特征提取模块820，用于从实时通信数据中提取同频数据，其中，同频数据包括同频同步信号块SSB波束ID和同频信号强度；根据同频数据，得到同频频谱效率。
在一个实施例中，上述装置还包括未显示在附图中的模型训练模块，模型训练模块，用于在通过预先训练的栅格预测模型对同频特征和辅助通信数据进行处理，得到目标用户的异频信息之前，根据服务小区内用户的历史通信数据、历史辅助通信数据以及对应的异频信息标签，训练待训练栅格预测模型；若满足训练停止条件，则得到预先训练的栅格预测模型。
在一个实施例中，模型训练模块，还用于若不满足训练停止条件，则调整待训练栅格预测模型的模型参数，直至满足训练停止条件。
在一个实施例中，模型训练模块，还用于若待训练栅格预测模型得到的预测异频信息与异频信息标签之间的差异小于或等于预设差异阈值，则判定满足训练停止条件。
需要说明的是，栅格预测模型包括多输出分类器模型、决策树模型、线性模型中的至少一种。
在一个实施例中，实时通信数据包括目标用户的测量报告、服务小区中心频率、SSB波束ID、信号强度和负载情况中的至少一项。
需要说明的是，辅助通信数据包括终端UE能力和异频负载中的至少一项。
在一个实施例中，异频信息包括异频小区物理小区标识、以及各个异频小区物理小区对应的异频信号强度、异频SSB波束ID和异频频谱效率中的至少一项。
在一个实施例中，该装置还包括未显示在附图中的数据处理模块，用于在采集服务小区内目标用户的实时通信数据和辅助通信数据之后，对实时通信数据和辅助通信数据进行预处理，剔除异常样本数据，以得到符合标准的规则数据。
在一个实施例中，该装置还包括未显示在附图中的信号处理模块，信号处理模块，用于对目标用户的异频信息进行信号处理，得到符合空口联合管理模块输入要求的控制信号，以使空口联合管理模块根据控制信号进行多频间移动性管理。
本公开实施例所提供的一种异频信息预测装置，通过采集服务小区内目标用户的实时通信数据和辅助通信数据，辅助通信数据包括目标用户所处场景相关的通信数据；对实时通信数据进行特征提取，得到服务小区的同频特征；通过预先训练的栅格预测模型对同频特征和辅助通信数据进行处理，得到目标用户的异频信息，本公开基于3D超分辨率栅格实现空口异频信息精准预测，降低或消除了多频间移动管理时存在的异频测量GAP延时，保证了业务连续性，无需异频测量下进行载波覆盖和频谱效率等能力评估，提升TDD/FDD共享多频网络系统整体性能(用户速率和吞吐量等)，提升频谱效率和用户体验，降低运维和优化成本。
图9示出本公开实施例中一种异频信息预测系统示意图。如图9所示，本公开提供的异频信息预测系统，应用于3.5G TDD/2.1G FDD新空口NR共框(共板)BBU，如图9，TDD3.5G(200M，2CC)AUU与FDD 2.1G RRU共站、共址或近似共站、共址。该系统包括BBD设备和异频信息预测装置。
BBD设备包括数据采集模块810和TDD/FDD空口联合管理(小区、波束)模块。数据采集模块810和TDD/FDD空口联合管理模块可以置于BBD设备中。
数据采集模块810，用于收集用户级和小区级有关的历史通信数据、历史辅助通信数据和实时通信数据(UE/Cell/Beam数据)、辅助通信数据，上述通信数据可以包括但不限于服务小区与邻小区的测量报告、UE能力、中心频率、SSB ID、RSRP和负载情况等。
TDD/FDD空口联合管理(小区、波束)模块，用于获得异频信息预测装置系统的预测信息，根据预测信息动态管理TDD/FDD空口，该模块分别连接3.5G TDD/2.1G FDD NR信号处理的MAC层，作为3.5GTDD/2.1G FDD NR小区管理的输入，该模块分别连接3.5G TDD/2.1GFDD NR信号处理的PHY层，作为3.5G TDD/2.1G FDD NR波束管理的输入。
异频信息预测装置包括数据处理模块、特征提取模块820、模型训练模块、异频预测模块830、空口预测输出接口等。
其中，数据处理模块，与数据采集模块810连接，用于对数据采集模块810采集的用户级和小区级有关的历史通信数据或实时通信数据，通过清洗、转换和计算等方式进行数据处理，剔除异常样本数据，得到符合标准的规则数据。
特征提取模块820，一方面用于从历史通信数据(训练数据)中提取并协同计算同频频谱效率(CoFreq_SE)和异频频谱效率(AntiFreq_SE)，得到同频特征(CoFreq_SSBID、CoFreq_RSRP和CoFreq_SE)和异频特征(AntiFreq_SSBID、AntiFreq_RSRP和AntiFreq_SE)，以根据同频特征、辅助通信数据和异频特征训练待训练栅格预测模型；另一方面，用于从实时通信数据(推理数据)中提取并协同计算同频频谱效率，得到同频特征(CoFreq_SSBID、CoFreq_RSRP和CoFreq_SE)，基于预先训练的栅格预测模型对同频特征和辅助通信数据(UE能力和异频负载)进行处理，预测得到目标用户的异频信息(异频小区物理小区标识、以及各个异频小区物理小区对应的异频信号强度、异频SSB波束ID和异频频谱效率)。
模型训练模块，用于根据从历史通信数据(训练数据)中提取到的同频特征和异频特征，基于AI离线学习，训练出基于3D超分辨率栅格训练模型(即待训练栅格预测模型)，将同频特征和异频特征通过AI离线学习后关联起来，导出3D超分辨率栅格推理模型(即预先训练的栅格预测模型)。
异频预测模块830，用于根据从实时通信数据(即推理数据)中提取到的同频特征，并通过实时UE能力和异频负载，基于3D超分辨率栅格推理模型中AI算法在线推理或预测出目标用户的异频信息，异频信息包括异频小区物理小区标识、以及各个异频小区物理小区对应的异频RSRP(AntiFreq_RSRP)、异频SSB ID(AntiFreq_SSBID)和异频频谱效率(AntiFreq_SE)中的至少一项。
空口预测输出接口，用于将异频预测模块输出的目标用户的异频信息经过接口模块作信号处理和转换等，输出符合TDD/FDD空口联合管理(小区、波束)模块要求的信号，并作为TDD/FDD空口联合管理(小区、波束)模块的输入。
所属技术领域的技术人员能够理解，本发明的各个方面可以实现为系统、方法或程序产品。因此，本发明的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。
下面参照图10来描述根据本发明的这种实施方式的电子设备1000。图10显示的电子设备1000仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图10所示，电子设备1000以通用计算设备的形式表现。电子设备1000的组件可以包括但不限于：上述至少一个处理单元1010、上述至少一个存储单元1020、连接不同系统组件(包括存储单元1020和处理单元1010)的总线1030。
其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元1010执行，使得所述处理单元1010执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。例如，所述处理单元1010可以执行如图2中所示的采集服务小区内目标用户的实时通信数据和辅助通信数据，其中，所述辅助通信数据包括所述目标用户所处场景相关的通信数据；对所述实时通信数据进行特征提取，得到所述服务小区的同频特征；通过预先训练的栅格预测模型对所述同频特征和所述辅助通信数据进行处理，得到所述目标用户的异频信息。
存储单元1020可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)10201和/或高速缓存存储单元10202，还可以进一步包括只读存储单元(ROM)10203。
存储单元1020还可以包括具有一组(至少一个)程序模块10205的程序/实用工具10204，这样的程序模块10205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线1030可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备1000也可以与一个或多个外部设备1040(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该系统交互的设备通信，和/或与使得该电子设备1000能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口1050进行。并且，系统还可以通过网络适配器1060与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器1060通过总线1030与电子设备1000的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备1000使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施方式的方法。
在本公开的示例性实施例中，还提供了一种计算机可读存储介质，其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施方式中，本发明的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。
描述了根据本发明的实施方式的用于实现上述方法的程序产品，其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本发明的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
所述程序产品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为但不限于电、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。
计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。
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发明操作的程序代码，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。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
此外，尽管在附图中以特定顺序描述了本公开中方法的各个步骤，但是，这并非要求或者暗示必须按照该特定顺序来执行这些步骤，或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的，可以省略某些步骤，将多个步骤合并为一个步骤执行，以及/或者将一个步骤分解为多个步骤执行等。
通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者网络设备等)执行根据本公开实施方式的方法。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由所附的权利要求指出。
Claims (14)
1.一种异频信息预测方法，其特征在于，包括：
采集服务小区内目标用户的实时通信数据和辅助通信数据，其中，所述辅助通信数据包括所述目标用户所处场景相关的通信数据；
对所述实时通信数据进行特征提取，得到所述服务小区的同频特征；
通过预先训练的栅格预测模型对所述同频特征和所述辅助通信数据进行处理，得到所述目标用户的异频信息。
2.根据权利要求1所述的异频信息预测方法，其特征在于，所述同频特征包括同频数据和同频频谱效率；
其中，所述对所述实时通信数据进行特征提取，得到所述服务小区的同频特征，包括：
从所述实时通信数据中提取所述同频数据，其中，所述同频数据包括同频同步信号块SSB波束ID和同频信号强度；
根据所述同频数据，得到所述同频频谱效率。
3.根据权利要求1所述的异频信息预测方法，其特征在于，在所述通过预先训练的栅格预测模型对所述同频特征和所述辅助通信数据进行处理，得到所述目标用户的异频信息之前，所述方法还包括：
根据所述服务小区内用户的历史通信数据、历史辅助通信数据以及对应的异频信息标签，训练待训练栅格预测模型；
若满足训练停止条件，则得到所述预先训练的栅格预测模型。
4.根据权利要求3所述的异频信息预测方法，其特征在于，所述方法还包括：
若不满足所述训练停止条件，则调整所述待训练栅格预测模型的模型参数，直至满足所述训练停止条件。
5.根据权利要求3所述的异频信息预测方法，其特征在于，所述方法还包括：
若所述待训练栅格预测模型得到的预测异频信息与所述异频信息标签之间的差异小于或等于预设差异阈值，则判定满足所述训练停止条件。
6.根据权利要求1所述的异频信息预测方法，其特征在于，所述栅格预测模型包括多输出分类器模型、决策树模型、线性模型中的至少一种。
7.根据权利要求1所述的异频信息预测方法，其特征在于，所述实时通信数据包括所述目标用户的测量报告、所述服务小区中心频率、SSB波束ID、信号强度和负载情况中的至少一项。
8.根据权利要求1所述的异频信息预测方法，其特征在于，所述辅助通信数据包括终端UE能力和异频负载中的至少一项。
9.根据权利要求1所述的异频信息预测方法，其特征在于，所述异频信息包括异频小区物理小区标识、以及各个异频小区物理小区对应的异频信号强度、异频SSB波束ID和异频频谱效率中的至少一项。
10.根据权利要求1所述的异频信息预测方法，其特征在于，在所述采集服务小区内目标用户的实时通信数据和辅助通信数据之后，所述方法还包括：
对所述实时通信数据和辅助通信数据进行预处理，剔除异常样本数据，以得到符合标准的规则数据。
11.根据权利要求1-10任一项所述的异频信息预测方法，其特征在于，所述方法还包括：
对所述目标用户的异频信息进行信号处理，得到符合空口联合管理模块输入要求的控制信号，以使所述空口联合管理模块根据所述控制信号进行多频间移动性管理。
12.一种异频信息预测装置，其特征在于，包括：
数据采集模块，用于采集服务小区内目标用户的实时通信数据和辅助通信数据，其中，所述辅助通信数据包括所述目标用户所处场景相关的通信数据；
特征提取模块，用于对所述实时通信数据进行特征提取，得到所述服务小区的同频特征；
异频预测模块，用于通过预先训练的栅格预测模型对所述同频特征和所述辅助通信数据进行处理，得到所述目标用户的异频信息。
13.一种电子设备，其特征在于，包括：处理器；以及存储器，用于存储所述处理器的可执行指令；其中，所述处理器配置为经由执行所述可执行指令来执行如权利要求1-11任一项所述的异频信息预测方法。
14.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-11任一项所述的异频信息预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310513113.0A CN116506050A (zh) | 2023-05-08 | 2023-05-08 | 异频信息预测方法、装置、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310513113.0A CN116506050A (zh) | 2023-05-08 | 2023-05-08 | 异频信息预测方法、装置、设备及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116506050A true CN116506050A (zh) | 2023-07-28 |
Family
ID=87326416
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310513113.0A Pending CN116506050A (zh) | 2023-05-08 | 2023-05-08 | 异频信息预测方法、装置、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116506050A (zh) |
-
2023
- 2023-05-08 CN CN202310513113.0A patent/CN116506050A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Xu et al. | Research on telecom big data platform of LTE/5G mobile networks | |
| CN111132190A (zh) | 基站负荷预警方法、装置 | |
| CN112351031B (zh) | 攻击行为画像的生成方法、装置、电子设备和存储介质 | |
| EP3780496B1 (en) | Feature engineering programming method and apparatus | |
| CN113381892B (zh) | 网络切片分配方法、装置、电子设备及存储介质 | |
| US20200358653A1 (en) | Method, apparatus and system for changing a network based on received network information | |
| Alhumaima et al. | Modelling the power consumption and trade‐offs of virtualised cloud radio access networks | |
| US10271218B2 (en) | Enable access point availability prediction | |
| CN110855512A (zh) | 基于边缘计算的超大规模dpi数据的处理系统 | |
| Tsukamoto et al. | Feedback control for adaptive function placement in uncertain traffic changes on an advanced 5G system | |
| CN117201310A (zh) | 网元扩容方法、装置、电子设备及存储介质 | |
| CN117196014B (zh) | 基于联邦学习的模型训练方法、装置、计算机设备及介质 | |
| CN116506050A (zh) | 异频信息预测方法、装置、设备及介质 | |
| CN116723136A (zh) | 应用fcm聚类算法的网络检测数据的方法 | |
| CN114867013B (zh) | 密钥生成方法、装置、电子设备及存储介质 | |
| Raussi et al. | Edge Computing supported Fault Indication in Smart Grid | |
| CN115529648A (zh) | 中继节点接入方法、装置、电子设备及存储介质 | |
| CN114302412A (zh) | 基站建设智能规划方法及装置、存储介质、终端设备 | |
| CN116916401A (zh) | 通信方法、装置、设备及存储介质 | |
| CN112364284B (zh) | 基于上下文进行异常侦测的方法、装置及相关产品 | |
| US20230236795A1 (en) | Data processing method implemented at edge switch, electronic device, and program product | |
| CN115022917B (zh) | 异常小区检测方法、装置、设备及介质 | |
| KR102177175B1 (ko) | 씨랜을 위한 디지털유닛의 자원할당방법 | |
| CN116782400A (zh) | 资源分配方法、装置、电子设备及计算机可读存储介质 | |
| CN116887281A (zh) | 数据处理方法、装置、电子设备及计算机可读存储介质 |
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 |