CN117279019B - 频谱效率的预测方法、装置、电子设备及存储介质 - Google Patents
频谱效率的预测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN117279019B CN117279019B CN202311571696.9A CN202311571696A CN117279019B CN 117279019 B CN117279019 B CN 117279019B CN 202311571696 A CN202311571696 A CN 202311571696A CN 117279019 B CN117279019 B CN 117279019B
- Authority
- CN
- China
- Prior art keywords
- spectrum efficiency
- prediction
- communication data
- communication
- target
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000001228 spectrum Methods 0.000 title claims abstract description 269
- 238000000034 method Methods 0.000 title claims abstract description 74
- 230000006854 communication Effects 0.000 claims abstract description 421
- 238000004891 communication Methods 0.000 claims abstract description 398
- 238000013145 classification model Methods 0.000 claims abstract description 40
- 230000003595 spectral effect Effects 0.000 claims description 73
- 238000012549 training Methods 0.000 claims description 45
- 238000007637 random forest analysis Methods 0.000 claims description 24
- 230000011664 signaling Effects 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 11
- 230000001360 synchronised effect Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- 238000011144 upstream manufacturing Methods 0.000 claims description 4
- 210000004027 cell Anatomy 0.000 description 43
- 238000005516 engineering process Methods 0.000 description 9
- 238000003066 decision tree Methods 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000004088 simulation Methods 0.000 description 6
- 230000007246 mechanism Effects 0.000 description 5
- 238000005457 optimization Methods 0.000 description 5
- 238000013468 resource allocation Methods 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000012384 transportation and delivery Methods 0.000 description 3
- 230000000295 complement effect Effects 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000013439 planning Methods 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 1
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000000280 densification Methods 0.000 description 1
- 238000005562 fading Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000007723 transport mechanism Effects 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/06—Testing, supervising or monitoring using simulated 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)
- Mobile Radio Communication Systems (AREA)
Abstract
本申请实施例公开了频谱效率的预测方法、装置、电子设备及存储介质，涉及无线通信技术领域。首先获取目标通信数据并生成预设数量的目标通信记录，将目标通信记录输入分类模型进行频谱效率分类，得到用于指示目标通信数据的频谱效率等级的频谱效率分类结果。在由至少两个频谱效率预测模型构成的预测模型集合中，选取与频谱效率等级对应的频谱效率预测模型作为目标预测模型。将预设数量的目标通信记录输入目标预测模型进行预测，得到目标通信数据的频谱效率预测结果。由此结合了分类模型和多个频谱效率预测模型可以准确拟合不同的通信数据，有效提高了预测频谱效率的准确率。
Description
技术领域
本申请无线通信技术领域，特别是涉及一种频谱效率的预测方法、装置、电子设备及存储介质。
背景技术
频谱效率指在给定的频谱资源下，无线通信系统能够传输和处理的有效数据量，预测频谱效率对于无线网络规划、资源分配、干扰管理以及智能无线电等应用都具有重要意义。随着第五代无线通信网络的不断增长和演化，频谱资源越来越稀缺，因此针对有限的频谱资源，如何准确预测频谱效率成为了无线通信领域的一个重要研究方向。但是相关技术中预测模型的频谱效率的预测准确率不能满足实际需求。
发明内容
本申请旨在至少解决现有技术中存在的技术问题之一。为此，本申请实施例提供了一种频谱效率的预测方法、装置、电子设备及存储介质，能够提升通信数据的频谱效率的预测准确率。
第一方面，本申请实施例提供了一种频谱效率的预测方法，包括：
获取目标通信数据，并根据所述目标通信数据生成预设数量的目标通信记录；
将所述预设数量的所述目标通信记录输入预先训练的分类模型进行频谱效率分类，得到频谱分类结果；所述频谱分类结果用于指示所述目标通信数据的频谱效率等级；
在由至少两个频谱效率预测模型构成的预测模型集合中选取与所述频谱效率等级对应的频谱效率预测模型作为目标预测模型；
将所述预设数量的所述目标通信记录输入所述目标预测模型进行频谱效率预测，得到所述目标通信数据对应的频谱效率预测结果。
在本申请的一些实施例中，所述将所述预设数量的所述目标通信记录输入预先训练的分类模型进行频谱效率分类，得到频谱分类结果，包括：
根据预设的频谱效率等级，对每个所述目标通信记录对应的第一频谱分类结果进行分类，得到第一分类结果；
基于所述第一分类结果，选取占比最多的所述频谱效率等级作为所述频谱分类结果。
在本申请的一些实施例中，所述根据所述目标通信数据生成预设数量的目标通信记录，包括：
从预设时间段内目标通信设备的通信过程中获取初始通信数据；
若所述初始通信数据不能按照所述预设数量进行等分，则对所述初始通信数据利用预设值进行补全，得到等长的所述目标通信记录。
在本申请的一些实施例中，所述从预设时间段内目标通信设备的通信过程中获取初始通信数据，包括：
从所述通信过程中获取本小区和相邻小区的通信数据；所述通信数据包括：同步信令块通信数据、上行波束通信数据、下行波束通信数据和/或服务信号通信数据；
对所述通信数据进行数值统计得到数值统计结果；所述数值统计包括：统计最大值、统计最小值、统计均值和/或统计波束数量；
拼接所述数值统计结果得到所述初始通信数据。
在本申请的一些实施例中，所述从所述通信过程中获取本小区和相邻小区的通信数据，包括：
获取所述通信过程中至少一个通信标识；
基于所述通信标识对所述通信数据进行划分，得到每一个所述通信标识对应的通信数据。
在本申请的一些实施例中，所述将所述预设数量的所述目标通信记录输入所述目标预测模型进行频谱效率预测，得到所述目标通信数据对应的频谱效率预测结果，包括：
获取每个所述目标通信记录对应的第一频谱效率预测结果；
若所述目标通信记录中包括用于补全的所述预设值，则删掉对应的所述第一频谱效率预测结果，将剩余的所述第一频谱效率预测结果进行拼接，得到所述频谱效率预测结果。
在本申请的一些实施例中，所述分类模型为随机森林模型，所述分类模型的训练过程包括：
获取训练通信数据和频谱效率标签，并得到所述训练通信数据的预设数量的训练通信记录；
将所述训练通信记录输入所述随机森林模型，得到分类预测标签；
基于所述分类预测标签和所述频谱效率标签计算得到分类交叉熵；
根据所述分类交叉熵调整所述随机森林模型的模型权重，直至满足迭代终止条件，得到训练好的所述随机森林模型。
第二方面，本申请实施例还提供了一种频谱效率的预测装置，应用如本申请第一方面实施例所述的频谱效率的预测方法，包括：
获取模块，用于获取目标通信数据，并根据所述目标通信数据生成预设数量的目标通信记录；
分类模块，用于将所述预设数量的所述目标通信记录输入预先训练的分类模型进行频谱效率分类，得到频谱分类结果，所述频谱分类结果用于指示所述目标通信数据的频谱效率等级；
选取模块，用于在由至少两个频谱效率预测模型构成的预测模型集合中选取与所述频谱效率等级对应的频谱效率预测模型作为目标预测模型；
预测模块，用于将所述预设数量的所述目标通信记录输入所述目标预测模型进行频谱效率预测，得到所述目标通信数据对应的频谱效率预测结果。
第三方面，本申请实施例还提供了一种电子设备，包括存储器、处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现如本申请第一方面实施例所述的频谱效率的预测方法。
第四方面，本申请实施例还提供了一种计算机可读存储介质，所述存储介质存储有程序，所述程序被处理器执行实现如本申请第一方面实施例所述的频谱效率的预测方法。
本申请实施例至少包括以下有益效果：
本申请实施例提供了一种频谱效率的预测方法、装置、电子设备及存储介质。其中，预测方法通过获取目标通信数据，并根据目标通信数据生成预设数量的目标通信记录。然后将预设数量的目标通信记录输入预先训练的分类模型进行频谱效率分类，得到频谱效率分类结果，频谱效率分类结果用于指示目标通信数据的频谱效率等级。在由至少两个频谱效率预测模型构成的预测模型集合中选取与频谱效率等级对应的频谱效率预测模型作为目标预测模型。通过将预设数量的目标通信记录输入目标预测模型进行频谱效率预测，得到目标通信数据对应的频谱效率预测结果。由此通过设置分类模型对通信数据进行频谱效率等级的划分，再将通信数据以预设数量的通信记录形式输入对应的频谱效率预测模型中进行频谱效率预测，结合了分类模型和多个频谱效率预测模型可以准确拟合不同通信数据，有效提高了预测频谱效率的准确率。
本申请的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本申请的实践了解到。
附图说明
本申请的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
图1是本申请一个实施例提供的频谱效率的预测方法的流程示意图；
图2是图1中步骤S102的流程示意图；
图3是图1中步骤S101的流程示意图；
图4是图3中步骤S301的流程示意图；
图5是图4中步骤S401的流程示意图；
图6是图1中步骤S104的流程示意图；
图7是本申请一个实施例提供的训练分类模型的流程示意图；
图8是本申请一个实施例提供的频谱效率预测流程图；
图9是本申请一个实施例提供的频谱效率的预测装置模块示意图；
图10是本申请一个实施例提供的电子设备的结构示意图。
附图标记：获取模块 100、分类模块 200、选取模块 300、预测模块 400、电子设备1000、处理器 1001、存储器 1002。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。
下面详细描述本申请的实施例，实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本申请，而不能理解为对本申请的限制。
在本申请的描述中，需要理解的是，涉及到方位描述，例如上、下、前、后、左、右等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本申请和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本申请的限制。
在本申请的描述中，若干的含义是一个或者多个，多个的含义是两个以上，大于、小于、超过等理解为不包括本数，以上、以下、以内等理解为包括本数。如果有描述到第一、第二只是用于区分技术特征为目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。
本申请的描述中，除非另有明确的限定，设置、安装、连接等词语应做广义理解，所属技术领域技术人员可以结合技术方案的具体内容合理确定上述词语在本申请中的具体含义。
随着第五代无线通信网络的不断增长和演化，频谱资源越来越稀缺。针对有限的频谱资源，如何准确预测频谱效率成为了无线通信领域的一个重要研究方向，它旨在预测无线通信系统在给定条件下的频谱效率，能够直观地表示有限的频谱资源被多大程度地应用。频谱效率预测对于无线网络规划、资源分配、干扰管理以及智能无线电等应用都具有重要意义。
第五代无线通信网络通过网络密集化和大规模多输入多输出（Multiple InputMultiple Output，MIMO）的部署获得了很高的性能提升。在大规模多输入多输出（MIMO）系统中，基站（Base Station，BS）运行复杂的波束成形算法和资源分配策略以服务大量用户。因此，运营商在优化网络参数以提高频谱效率方面面临着极大的挑战。另一方面，提高频谱资源利用效率等关键系统性能的优化一直是无线通信网络研究的核心问题。频谱效率建模可以为运营商的网络优化提供重要依据。频谱效率的直接计算需要信道流量和信道带宽两种参数，然而不同的网络拓扑、用户分布、干扰状况等因素都会影响获取信道流量和信道带宽的难度。由于统计和计算代价过大，难以在实际真实环境中实时获取信道流量和信道带宽两种参数，导致直接计算频谱效率的方式难以实行。
目前，通过预测的方式来获取频谱效率已经逐渐成为主流方案。频谱效率预测的方法主要分为仿真系统和机器学习两大类。仿真系统是指采用仿真和优化方法，通过模拟不同网络配置和策略来评估频谱效率。仿真技术依赖于对网络要素的精确建模。机器学习技术是指使用神经网络、决策树、随机森林和支持向量机等技术进行预测。这些方法能够自动从大量数据中学习复杂的关系，因此通常能够提供更准确的预测。其中的深度学习技术，特别是循环神经网络和卷积神经网络，在时间序列数据的建模和预测方面表现出色，因此在频谱效率预测中也得到了广泛应用。
由于开发一个基于长期真实信道统计数据的仿真模型需要大量的数据，还会受到真实场景中的用户调度，资源分配和波束成形策略的变化的影响，以及实际传输过程中动态复杂的干扰影响，相关技术中主要通常采用模型驱动的预测方式。例如使用信道矩阵作为输入数据，采用线性模型、梯度提升模型和神经网络等机器学习的预测方法。但是通常需要高粒度的输入数据，基于精确的信道建模进行分析，在每个时刻的预测都依赖精确的信道矩阵，其依赖的数据过于庞大，可实现性不佳。在第五代无线通信网络的大规模多输入多输出场景中，通信环境呈现显著的异构性，例如用户之间的距离、信号的衰落速度、传播环境等方面的差异。相关技术中通常采取统一的预测模型预测各种通信情况，导致不同信道的通信数据拟合度低，频谱效率的预测不够准确。
基于此，本申请实施例提供了一种频谱效率的预测方法、装置、电子设备及存储介质，通过获取目标通信数据，并根据目标通信数据生成预设数量的目标通信记录。然后将预设数量的目标通信记录输入预先训练的分类模型进行频谱效率分类，得到频谱效率分类结果，频谱效率分类结果用于指示目标通信数据的频谱效率等级。在由至少两个频谱效率预测模型构成的预测模型集合中选取与频谱效率等级对应的频谱效率预测模型作为目标预测模型。通过将预设数量的目标通信记录输入目标预测模型进行频谱效率预测，得到目标通信数据对应的频谱效率预测结果。由此通过设置分类模型对通信数据进行频谱效率等级划分，再将通信数据以预设数量的通信记录形式输入对应的预测模型中进行频谱效率预测，结合了分类模型和多个预测模型可以准确拟合不同信道的通信数据，有效提高了预测频谱效率的准确率。
本申请实施例提供频谱效率的预测方法、装置、电子设备及存储介质，具体通过如下实施例进行说明，首先描述本申请实施例中的频谱效率的预测方法。
本申请实施例提供的频谱效率的预测方法，涉及无线通信技术领域，尤其涉及频谱效率技术领域。本申请实施例提供的频谱效率的预测方法可应用于终端中，也可应用于服务器端中，还可以是运行于终端或服务器端中的计算机程序。举例来说，计算机程序可以是操作系统中的原生程序或软件模块；可以是本地应用程序，即需要在操作系统中安装才能运行的程序，如支持频谱效率的预测的客户端，即只需要下载到浏览器环境中就可以运行的程序。总而言之，上述计算机程序可以是任意形式的应用程序、模块或插件。其中，终端通过网络与服务器进行通信。该频谱效率的预测方法可以由终端或服务器执行，或由终端和服务器协同执行。
在一些实施例中，终端可以是智能手机、平板电脑、笔记本电脑、台式计算机或者智能手表等。服务器可以是独立的服务器，也可以是提供云服务、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、内容分发网络(ContentDelivery Network，CDN)、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；也可以是区块链系统中的服务节点，该区块链系统中的各服务节点之间组成点对点（Peer ToPeer，P2P）网络，P2P协议是一个运行在传输控制协议（Transmission Control Protocol，TCP）协议之上的应用层协议。服务器上可以安装频谱效率的预测系统的服务端，通过该服务端可以与终端进行交互，例如服务端上安装对应的软件，软件可以是实现频谱效率的预测方法的应用等，但并不局限于以上形式。终端与服务器之间可以通过蓝牙、通用串行总线（Universal Serial Bus，USB）或者网络等通讯连接方式进行连接，本实施例在此不做限制。
本申请可用于众多通用或专用的计算机系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本发明，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
下面描述本申请实施例中的频谱效率的预测方法。
图1是本申请实施例提供的频谱效率的预测方法的一个可选的流程图，图1中的方法可以包括但不限于包括步骤S101至步骤S104。同时可以理解的是，本实施例对图1中步骤S101至步骤S104的顺序不做具体限定，可以根据实际需求调整步骤顺序或者减少、增加某些步骤。
步骤S101，获取目标通信数据，并根据目标通信数据生成预设数量的目标通信记录。
基站是无线通信系统中的一个重要设备，主要负责连接通信设备（如手机、平板电脑等）与通信网络之间的通信。具体的，基站和通信设备之间利用无线电波传输数据和信息。基站通过天线向周围的区域发送无线电波信号，当通信设备处于基站的覆盖范围内，并连接到该基站的网络时，它们会与基站进行通信。
可以理解的是，在基站与通信设备的通信过程中会产生相关的通信数据。例如参考信号接收功率（Reference Singal Receiving Power，RSRP）等表征信号强度的指标，以及信号与干扰加噪声比（Signal to Interference plus Noise Ratio，SINR）等表征信号质量的通信数据。在一些实施例中，获取基站与通信设备在通信过程的目标通信数据，并根据目标通信数据生成预设数量的目标通信记录。
具体的，通信设备在每次通信接入基站时，可能会上报多条通信记录，即一次通信对应多条通信记录。当通信设备与基站建立通信时，基站还会为该次通信生成一个唯一的通信标识，并将该通信标识与通信中的各个通信记录相关联。对于采集到的通信数据，将其与相应的通话标识进行关联和匹配，由此可以将同一次通信中的多条通信记录组合在一起，形成一个时序完整的通话记录集合。因此针对不同的通信标识，可以将获取到的目标通信数据划分为不同的通信记录组，每个通信记录组中包括预设数量的目标通信记录，本实施例对此不做限制。
步骤S102，将预设数量的目标通信记录输入预先训练的分类模型进行频谱效率分类，得到频谱分类结果。
在一些实施例中，分类模型为随机森林模型，随机森林是一种集成学习方法，由多个决策树组成，每棵树都是基于不同的样本和特征构建的。每个决策树都会对输入样本进行划分，通过投票或平均的方式来获得最终的分类结果或预测值。决策树的数量是随机森林模型的一个重要参数，示例性的，决策树的个数可以设置为100，对应表示该随机森林模型包含100个决策树，本实施例对此不做限制。
在一些实施例中，将目标通信记录输入预先训练的随机森林模型进行频谱效率分类，得到该目标通信记录对应的频谱分类结果。其中，频谱分类结果用于指示目标通信数据的频谱效率等级。示例性的，频谱分类结果可以有两种，例如高频谱效率、低频谱效率；频谱分类结果还可以有多种，根据不同的频谱效率阈值划分等级，例如第一类频谱效率、第二类频谱效率...第n类频谱效率等，本实施例对此不做限制。
步骤S103，在由至少两个频谱效率预测模型构成的预测模型集合中选取与频谱效率等级对应的频谱效率预测模型作为目标预测模型。
在一些实施例中，频谱效率预测模型为Transformer模型，Transformer模型是一种用于处理序列数据的神经网络架构。Transformer模型中的核心是自注意力机制（Self-Attention），它允许模型在输入序列的不同位置之间建立长距离的依赖关系，从而更好地处理序列中的上下文信息。与传统的循环神经网络相比，Transformer模型可以并行计算，大大加速了训练和推理过程。
可以理解的是，多头注意力机制（Multi-head Attention）是Transformer模型中一种扩展自注意力机制的方法，通过不同的线性映射得到多组Query、Key和Value向量，多头注意力机制将不同的注意力权重组合起来，增强了模型的表达能力。在一些实施例中，Transformer模型中Query维度和Value维度都分别设置为8，多头注意力机制的头数设为4，堆叠的Encoder和Decoder个数都分别设为4，Dropout概率设置为0.2。在Transformer模型中，Encoder和Decoder是由多个相同的层堆叠而成的，Encoder和Decoder的个数都分别设置为4，表示使用4层Encoder和4层Decoder。而Dropout是一种正则化方法，在神经网络中用于减少过拟合风险。Dropout概率设置为0.2，表示在每个神经元的输出之前随机丢弃20%的神经元，本实施例对此不做限制。
在一些实施例中，预测模型集合由至少两个频谱效率预测模型构成，频谱效率预测模型的数量与分类模型中频谱分类结果的种类对应，以便在预测模型集合中选取与频谱效率等级对应的频谱效率预测模型作为目标预测模型。
可以理解的是，在训练各个频谱效率模型时，根据不同频谱效率等级的训练样本对对应的频谱效率模型进行训练。具体的，将预设数量的训练样本输入至频谱预测模型，得到对应的训练预测结果。然后根据训练样本的训练标签（比如训练样本对应的频谱效率）和训练预测结果（比如对训练样本预测得到频谱效率）计算损失值，例如平均绝对百分比误差（Mean Absolute Percentage Error，MAPE）。最后基于损失值不断调整频谱预测模型的模型权重，直至训练次数达到预设迭代次数等停止条件，从而得到该频谱效率等级对应的频谱效率预测模型，本实施例对此不做限制。
步骤S104，将预设数量的目标通信记录输入目标预测模型进行频谱效率预测，得到目标通信数据对应的频谱效率预测结果。
频谱效率是衡量无线通信系统效能的指标之一，指在给定的频谱资源下实际传输的有效数据比特数。在一些实施例中，对于同一个通信标识的通信数据，根据时序将对应的预设数量的目标通信记录输入目标预测模型进行频谱效率预测，得到目标通信数据对应的频谱效率预测结果。由此准确预测目标通信数据的频谱效率，可以为无线通信系统的优化和资源分配提供参考。
通过设置分类模型对通信数据进行频谱效率等级划分，再将通信数据以预设数量的通信记录形式输入对应的频谱效率预测模型中进行频谱效率预测，结合了分类模型和多个频谱效率预测模型可以准确拟合不同信道的通信数据，有效提高了预测频谱效率的准确率。
参照图2所示，在本申请的一些实施例中，上述步骤S102中将预设数量的目标通信记录输入预先训练的分类模型进行频谱效率分类，得到频谱分类结果，可以包括但不限于以下步骤S201至步骤S202。
步骤S201，根据预设的频谱效率等级，对每个目标通信记录对应的第一频谱分类结果进行分类，得到第一分类结果。
在一些实施例中，分类模型对每个目标通信记录进行分类得到对应的第一频谱分类结果，根据预设的频谱效率等级，对第一频谱分类结果进行分类，得到第一分类结果。示例性的，对于同一个通信标识的目标通信记录有10条时，分类模型对10个目标通信记录进行分类得到对应的10个第一频谱分类结果。假设频谱效率等级分为高频谱效率和低频谱效率两种，有6个第一频谱分类结果表示高频谱效率，有4个第一频谱分类结果表示低频谱效率，则第一分类结果有60%高频谱效率和40%低频谱效率，本实施例对此不做限制。
步骤S202，基于第一分类结果，选取占比最多的频谱效率等级作为频谱分类结果。
在一些实施例中，基于第一分类结果，选取占比最多的频谱效率等级作为目标通信数据的频谱分类结果。示例性的，当频谱效率等级只有高频谱效率和低频谱效率两种时，假设高频谱效率占比大于低频谱效率，则该通信数据对应的频谱分类结果为高频谱效率。可以理解的是，频谱效率等级和频谱分类结果的具体种类可以由本领域技术人员根据实际需求设置，本实施例对此不做限制。
参照图3所示，在本申请的一些实施例中，上述步骤S101中根据目标通信数据生成预设数量的目标通信记录，可以包括但不限于以下步骤S301至步骤S302。
步骤S301，从预设时间段内目标通信设备的通信过程中获取初始通信数据。
可以理解的是，基站是无线通信系统中负责传输和接收信号的设备，每个基站会被划分成一个或多个小区，每个小区都有各自的频率、天线和无线信号覆盖范围。由此可以实现无线通信系统中的频率复用，即在相同频率上，不同小区之间的信号互不干扰。每个小区都具有独立的信号覆盖范围，可以提供稳定的通信服务。
在一些实施例中，将基站对应小区所包含的用户通信设备作为目标通信设备，从预设时间段内目标通信设备与基站的通信过程中获取初始通信数据。预设时间段可以是一次通信，也可以由本领域技术根据实际的通信情况设置具体时间段，本实施例对此不做限制。
步骤S302，若初始通信数据不能按照预设数量进行等分，则对初始通信数据利用预设值进行补全，得到等长的目标通信记录。
在一些实施例中，对初始通信数据按照预设数量进行等分，如果初始通信数据不能按照预设数量进行等分，则对初始通信数据利用预设值进行补全，得到等长的目标通信记录。示例性的，初始通信数据中有108个通信记录，假设预设数量为10，则将初始通信数据划分为11组，前10组都是等长的目标通信记录，第11组只有8个目标通信记录，此时可以通过预设值进行补全，例如补全两个全0通信记录。
可以理解的是，预设数量的目标通信记录构成一个通信记录组，每个通信记录组中各个目标通信记录的通信标识都是相同的，代表是同一次通信中的通信记录，因此在时序上是连续的，符合Transformer模型的输入处理序列的规范。
参照图4所示，在本申请的一些实施例中，上述步骤S301中从预设时间段内目标通信设备的通信过程中获取初始通信数据，可以包括但不限于以下步骤S401至步骤S402。
步骤S401，从通信过程中获取本小区和相邻小区的通信数据。
在一些实施例中，通信数据包括同步信令块通信数据、上行波束通信数据、下行波束通信数据和/或服务信号通信数据。具体的，从通信过程中获取本小区服务同步信令块（Synchronization Signaling Block，SSB）波束的参考信号接收功率（RSRP）和信号与干扰加噪声比（SINR），以及获取相邻小区服务同步信令块（SSB）波束的参考信号接收功率（RSRP）和信号与干扰加噪声比（SINR）。获取本小区通信上行探测参考信号（SoundingReference Signal，SRS）波束的参考信号接收功率（RSRP），本小区通信下行信道状态信息（Channel State Information，CSI）波束的参考信号接收功率（RSRP），本小区上行解调参考信号（Demodulation Reference Signal，DMRS）的参考信号接收功率（RSRP）。同时获取本小区服务信号的参考信号接收功率（RSRP）和信号与干扰加噪声比（SINR），以及相邻小区服务信号的参考信号接收功率（RSRP）和信号与干扰加噪声比（SINR），本实施例对此不做限制。
可以理解的是，同步信令块（SSB）是5G网络中的同步信号，用于通信设备在初始接入网络时进行定时和同步。参考信号接收功率（RSRP）表示设备接收到的同步信令块（SSB）波束的功率，反映了设备与基站之间的信号强度。信号与干扰加噪声比（SINR）是指通信设备接收到的信号与周围的干扰和噪声的比值，是衡量设备接收到的信号质量的重要指标。较高的信号与干扰加噪声比（SINR）值表示通信设备接收到的信号强度相对较高，且干扰和噪声相对较低。探测参考信号（SRS）是通信设备在上行通信时发送的参考信号，可以用于基站进行通信质量评估和性能优化。信道状态信息（CSI）是用于基站评估下行信道状态的参考信息，解调参考信号（DMRS）是通信设备在上行通信时用于调制和解调的参考信号。本小区服务信号的参考信号接收功率（RSRP）和信号与干扰加噪声比（SINR），表示通信设备接收到来自所连接的本小区基站提供的信号的功率和质量；相邻小区服务信号的参考信号接收功率（RSRP）和信号与干扰加噪声比（SINR），表示通信设备接收到来自邻区基站提供的信号的功率和质量。由此获取了主要由参考信号接收功率（RSRP）和信号与干扰加噪声比（SINR）组成的粗粒度通信数据。
步骤S402，对通信数据进行数值统计得到数值统计结果。
在一些实施例中，对获取到的各个通信数据进行数值统计，例如统计通信数据的最大值、统计通信数据的最小值、统计通信数据的均值和/或统计通信数据中的波束数量等，从而得到数值统计结果。拼接数值统计结果得到初始通信数据，本实施例对此不做限制。
示例性的，统计本小区服务同步信令块（SSB）波束的第一波束个数，以及计算本小区同步信令块（SSB）波束的参考信号接收功率（RSRP）的最大值、最小值和平均值，计算本小区同步信令块（SSB）波束的信号与干扰加噪声比（SINR）的最大值、最小值和平均值，得到7个第一信号字段；
统计相邻小区服务同步信令块（SSB）波束的第二波束个数，以及计算相邻小区同步信令块（SSB）波束的参考信号接收功率（RSRP）的最大值、最小值和平均值，计算相邻小区同步信令块（SSB）波束的信号与干扰加噪声比（SINR）的最大值、最小值和平均值，得到7个第二信号字段；
将第一数量个本小区通信上行探测参考信号（SRS）波束的参考信号接收功率（RSRP）按强度进行排序，得到第一数量个第三信号字段；将第二数量个本小区通信下行信道状态信息（CSI）波束的参考信号接收功率（RSRP）按强度进行排序，得到第二数量个第四信号字段；
将本小区上行解调参考信号（DMRS）的参考信号接收功率（RSRP）作为第五信号字段，并将本小区服务信号的参考信号接收功率（RSRP）和信号与干扰加噪声比（SINR）作为2个第六信号字段；
计算相邻小区服务信号的信号个数，以及计算相邻小区服务信号的参考信号接收功率（RSRP）的最大值、最小值和平均值，计算相邻小区服务信号的信号与干扰加噪声比（SINR）的最大值、最小值和平均值，得到7个第七信号字段；
在一些实施例中，第一数量为16，第二数量为16，依次将7个第一信号字段、7个第二信号字段、16个第三信号字段、16个第四信号字段、1个第五信号字段、2个第六信号字段、7个第七信号字段进行拼接，得到字段数为7+7+16+16+1+2+7=56的初始通信数据。可以理解的是，本领域技术人员可以根据实际需求调整拼接顺序和拼接内容，本实施例对此不做限制。由此对长度不同的通信数据进行数值统计和拼接等数据处理，通过最大值、最小值和均值三个统计指标可以得到长度规整的数据，便于频谱效率预测模型的训练和预测，提高处理效率和准确性。
参照图5所示，在本申请的一些实施例中，上述步骤S401中从通信过程中获取本小区和相邻小区的通信数据，可以包括但不限于以下步骤S501至步骤S502。
步骤S501，获取通信过程中至少一个通信标识。
在一些实施例中，当通信设备与基站建立通信时，基站会为该次通信生成唯一的通信标识，并将该通信标识与通信过程中的各个通信记录相关联。对于采集到的通信数据，将其与相应的通话标识进行关联和匹配，可以将同一次通信中的多条通信记录组合在一起，形成一个时序完整的通话记录集合。因此每个通信标识对应多个通信记录，通过获取通信过程中至少一个通信标识，可以对不同的通信数据进行分类和处理。
步骤S502，基于通信标识对通信数据进行划分，得到每一个通信标识对应的通信数据。
在一些实施例中，基于通信标识对通信数据进行划分，得到每一个通信标识对应的通信数据。可以理解的是，针对同一个通信标识，各个通信数据之间满足时序性。由此将同一个通信标识的通信数据划分为等长的目标通信记录，并根据频谱效率等级输入至对应的频谱效率预测模型进行预测，可以准确得到频谱效率预测结果。
参照图6所示，在本申请的一些实施例中，上述步骤S104中将预设数量的目标通信记录输入目标预测模型进行频谱效率预测，得到目标通信数据对应的频谱效率预测结果，可以包括但不限于以下步骤S601至步骤S602。
步骤S601，获取每个目标通信记录对应的第一频谱效率预测结果。
在一些实施例中，将预设数量的目标通信记录以通信记录组的形式一次性输入至频谱效率预测模型进行预测，可以得到每个目标通信记录对应的第一频谱效率预测结果。示例性的，将10个目标通信记录输入至频谱效率预测模型，对应得到10个第一频谱效率预测结果。
步骤S602，若目标通信记录中包括用于补全的预设值，则删掉对应的第一频谱效率预测结果，将剩余的第一频谱效率预测结果进行拼接，得到频谱效率预测结果。
在一些实施例中，如果目标通信记录中包括用于补全的预设值，则删掉预设值对应的第一频谱效率预测结果。示例性的，通信数据中有108个通信记录，假设预设数量为10，则将初始通信数据划分为11组，前10组都是等长的目标通信记录，第11组只有8个目标通信记录，此时可以通过预设值进行补全，例如补全两个全0通信记录。将这11组预设数量的目标通信记录输入至频谱效率预测模型进行预测，得到11组第一频谱效率预测结果。然后将第11组最后两个全0通信记录对应的第一频谱预测结果删除后，依次将这11组的第一频谱效率预测结果进行拼接，由此得到该通信数据的频谱效率预测结果。
可以理解的是，对通信数据进行划分或者补全得到等长的目标通信记录可以在分类模型对通信数据分类之后进行，也可以在分类模型对通信数据进行分类之前进行，本实施例对此不做限制。
参照图7所示，在本申请的一些实施例中，分类模型为随机森林模型，分类模型的训练过程可以包括但不限于以下步骤S701至步骤S704。
步骤S701，获取训练通信数据和频谱效率标签，并得到训练通信数据的预设数量的训练通信记录。
在一些实施例中，获取训练通信数据。训练通信数据可以包括但不限于本小区服务同步信令块（SSB）波束的参考信号接收功率（RSRP）和信号与干扰加噪声比（SINR），相邻小区服务同步信令块（SSB）波束的参考信号接收功率（RSRP）和信号与干扰加噪声比（SINR）。本小区通信上行探测参考信号（SRS）波束的参考信号接收功率（RSRP），本小区通信下行信道状态信息（CSI）波束的参考信号接收功率（RSRP），本小区上行解调参考信号（DMRS）的参考信号接收功率（RSRP）。本小区服务信号的参考信号接收功率（RSRP）和信号与干扰加噪声比（SINR），以及相邻小区服务信号的参考信号接收功率（RSRP）和信号与干扰加噪声比（SINR）。还获取该通信过程中的通信标识和频谱效率，然后根据训练通信标识得到训练通信数据的预设数量的训练通信记录。
在一些实施例中，根据训练通信记录的频谱效率与预设阈值的比较结果，可以将不同的训练通信记录划分为不同的频谱效率等级，并且设置对应的频谱效率标签。示例性的，假设频谱效率等级分为0和1两种，其中0代表高频谱效率，1代表低频谱效率。预设阈值为1000bits/s/Hz，如果训练通信记录的频谱效率大于1000bits/s/Hz，则该训练通信记录的频谱效率标签为0，否则该训练通信记录的频谱效率标签为1。可以理解的是，本领域技术人员可以根据实际需求设置预设阈值和频谱效率等级，本实施例对此不做限制。
步骤S702，将训练通信记录输入随机森林模型，得到分类预测标签。
在一些实施例中，将训练通信记录输入至随机森林模型进行分类，得到该训练通信记录的分类预测标签。其中，分类预测标签指示了训练通信记录的频谱效率等级。示例性的，假设频谱效率等级分为高频谱效率和低频谱效率两种，如果分类预测标签为0，则该训练通信记录的分类结果为高频谱效率，否则该训练通信记录的分类结果为低频谱效率。
步骤S703，基于分类预测标签和频谱效率标签计算得到分类交叉熵。
在一些实施例中，基于分类预测标签和频谱效率标签，计算得到随机森林模型的损失值，例如该训练通信记录的分类交叉熵，即。其中，n代表标签总类，p代表频谱效率标签，q代表分类预测标签。计算分类交叉熵可以评估分类预测标签与频谱效率标签之间的差异程度。当分类交叉熵越小，表示预测结果与真实标签越相近，分类模型的准确性也就越高。因此使用交叉熵作为判决条件，在多个决策树的投票结果中选择交叉熵最小的类别作为最终的预测结果，可以提高随机森林分类模型的分类准确性。
步骤S704，根据分类交叉熵调整随机森林模型的模型权重，直至满足迭代终止条件，得到训练好的随机森林模型。
在一些实施例中，根据分类交叉熵调整随机森林模型的模型权重，直至满足迭代终止条件，例如训练次数满足预设次数或者模型损失值满足预设阈值等，由此得到训练好的随机森林模型，本实施例对此不做限制。
以下通过一个完整实施例说明本申请：
参照图8所示的频谱效率预测流程图，不同的通信设备与基站进行通信，通过采集相关的通信数据，例如同步信令块通信数据、上行波束通信数据、下行波束通信数据和/或服务信号通信数据等粗粒度通信数据。然后对通信数据进行数值统计，例如统计通信数据中的最大值、最小值、均值和/或波束数量等，得到对应的数值统计结果并拼接，由此得到长度规整的通信数据并输入至随机森林分类模型进行分类，从而得到用于指示通信数据的频谱效率等级的频谱分类结果。然后根据通信标识将通信数据进行划分或采用预设值填充，得到预设数量的目标通信记录。根据目标通信记录中占比最多的频谱效率等级选择对应的频谱效率预测模型。示例性的，假设频谱效率等级分为高频谱效率和低频谱效率两种，频谱效率预测模型也对应分为高频谱效率预测模型和低频谱效率预测模型。假设对于同一个通信标识的通信数据，高频谱效率的通信记录占比60%，低频谱效率的通信记录占比40%，则对应选择高频谱效率预测模型对通信标识对应的通信数据进行预测。假设该通信数据中有108个通信记录，预设数量为10，则将通信数据划分为11组，前10组都是等长的目标通信记录，第11组只有8个目标通信记录，此时通过预设值进行补全，例如补全两个全0通信记录。然后将这11组预设数量的目标通信记录依次输入至高频谱效率预测模型进行预测，得到11组第一频谱效率预测结果。最后，如果目标通信记录包括用于补全的预设值，则删掉对应的第一频谱效率预测结果，然后根据输入时序拼接各个第一频谱效率预测结果，即可得到通信数据的频谱效率预测结果。
由此通过设置分类模型对通信数据进行频谱效率等级的划分，再将通信数据以预设数量的通信记录形式输入对应的频谱效率预测模型中进行频谱效率预测，结合了分类模型和多个频谱效率预测模型可以准确拟合不同信道的通信数据，有效提高了预测频谱效率的准确率。具体体现在以下三点：
（1）仅使用通信过程中数个探测信号的统计指标，例如最大值、最小值和均值作为预测输入，摆脱了频谱效率预测技术对于代价极高的精确信道矩阵预测技术的依赖，降低了频谱效率预测技术的输入数据粒度。
（2）通过前置的分类模型，将记录分为多种信道情况，然后针对多类通信情况分别训练频谱效率预测模型进行预测，提高了对复杂多样的通信特征的拟合能力。
（3）通过采用新一代时序神经网络模型Transformer作为频谱效率预测主体，灵活地选取特征权重，提高了模型对连续时间下信道波动的感知能力。
本申请实施例还提供一种频谱效率的预测装置，可以实现上述频谱效率的预测方法，参照图9所示，在本申请一些实施例中，频谱效率的预测装置包括：
获取模块100，用于获取目标通信数据，并根据目标通信数据生成预设数量的目标通信记录；
分类模块200，用于将预设数量的目标通信记录输入预先训练的分类模型进行频谱效率分类，得到频谱分类结果，频谱分类结果用于指示目标通信数据的频谱效率等级；
选取模块300，用于在由至少两个频谱效率预测模型构成的预测模型集合中选取与频谱效率等级对应的频谱效率预测模型作为目标预测模型；
预测模块400，用于将预设数量的目标通信记录输入目标预测模型进行频谱效率预测，得到目标通信数据对应的频谱效率预测结果。
本实施例的频谱效率的预测装置的具体实施方式与上述频谱效率的预测方法的具体实施方式基本一致，在此不再一一赘述。
图10示出了本申请实施例提供的电子设备1000。电子设备1000包括：处理器1001、存储器1002及存储在存储器1002上并可在处理器1001上运行的计算机程序，计算机程序运行时用于执行上述的频谱效率的预测方法。
处理器1001和存储器1002可以通过总线或者其他方式连接。
存储器1002作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序以及非暂态性计算机可执行程序，如本申请实施例描述的频谱效率的预测方法。处理器1001通过运行存储在存储器1002中的非暂态软件程序以及指令，从而实现上述的频谱效率的预测方法。
存储器1002可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储执行上述的频谱效率的预测方法。此外，存储器1002可以包括高速随机存取存储器1002，还可以包括非暂态存储器1002，例如至少一个储存设备存储器件、闪存器件或其他非暂态固态存储器件。在一些实施方式中，存储器1002可选包括相对于处理器1001远程设置的存储器1002，这些远程存储器1002可以通过网络连接至该电子设备1000。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
实现上述的频谱效率的预测方法所需的非暂态软件程序以及指令存储在存储器1002中，当被一个或者多个处理器1001执行时，执行上述的频谱效率的预测方法，例如，执行图1中的方法步骤S101至步骤S104、图2中的方法步骤S201至步骤S202、图3中的方法步骤S301至步骤S302、图4中的方法步骤S401至步骤S402、图5中的方法步骤S501至步骤S502、图6中的方法步骤S601至步骤S602，图7中的方法步骤S701至步骤S704。
本申请实施例还提供了一种存储介质，存储介质为计算机可读存储介质，该存储介质存储有计算机程序，该计算机程序被处理器执行时实现上述频谱效率的预测方法。存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至该处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
本申请实施例提供的频谱效率的预测方法、装置、电子设备及存储介质，通过获取目标通信数据，并根据目标通信数据生成预设数量的目标通信记录。然后将预设数量的目标通信记录输入预先训练的分类模型进行频谱效率分类，得到频谱效率分类结果，频谱效率分类结果用于指示目标通信数据的频谱效率等级。在由至少两个频谱效率预测模型构成的预测模型集合中选取与频谱效率等级对应的频谱效率预测模型作为目标预测模型。通过将预设数量的目标通信记录输入目标预测模型进行频谱效率预测，得到目标通信数据对应的频谱效率预测结果。由此通过设置分类模型对通信数据进行频谱效率等级的划分，再将通信数据以预设数量的通信记录形式输入对应的频谱效率预测模型中进行频谱效率预测，结合了分类模型和多个频谱效率预测模型可以准确拟合不同信道的通信数据，有效提高了预测频谱效率的准确率。并且在仅使用通信过程中数个探测信号的统计指标作为预测输入情况下，即可进行实时的定位与跟踪，并验证了在实际环境中该方案可以在低延迟、数据粒度大的情况下得到准确的谱效预测结果。
以上所描述的实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统可以被实施为软件、固件、硬件及其适当的组合。某些物理组件或所有物理组件可以被实施为由处理器，如中央处理器、数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质（或非暂时性介质）和通信介质（或暂时性介质）。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息（诸如计算机可读指令、数据结构、程序模块或其他数据）的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘（DVD）或其他光盘存储、磁盒、磁带、储存设备存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外，本领域普通技术人员公知的是，通信介质通常包括计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。
还应了解，本申请实施例提供的各种实施方式可以任意进行组合，以实现不同的技术效果。以上是对本申请的较佳实施进行了具体说明，但本申请并不局限于上述实施方式，熟悉本领域的技术人员在不违背本申请精神的共享条件下还可作出种种等同的变形或替换。
Claims (10)
1.一种频谱效率的预测方法，其特征在于，包括：
获取目标通信数据，并根据所述目标通信数据生成预设数量的目标通信记录；
将所述预设数量的所述目标通信记录输入预先训练的分类模型进行频谱效率分类，得到频谱分类结果，所述频谱分类结果用于指示所述目标通信数据的频谱效率等级；所述分类模型为随机森林模型；
在由至少两个频谱效率预测模型构成的预测模型集合中选取与所述频谱效率等级对应的频谱效率预测模型作为目标预测模型；所述频谱效率预测模型为Transformer模型；
将所述预设数量的所述目标通信记录输入所述目标预测模型进行频谱效率预测，得到所述目标通信数据对应的频谱效率预测结果。
2.根据权利要求1所述的频谱效率的预测方法，其特征在于，所述将所述预设数量的所述目标通信记录输入预先训练的分类模型进行频谱效率分类，得到频谱分类结果，包括：
根据预设的频谱效率等级，对每个所述目标通信记录对应的第一频谱分类结果进行分类，得到第一分类结果；
基于所述第一分类结果，选取占比最多的所述频谱效率等级作为所述频谱分类结果。
3.根据权利要求1所述的频谱效率的预测方法，其特征在于，所述根据所述目标通信数据生成预设数量的目标通信记录，包括：
从预设时间段内目标通信设备的通信过程中获取初始通信数据；
若所述初始通信数据不能按照所述预设数量进行等分，则对所述初始通信数据利用预设值进行补全，得到等长的所述目标通信记录。
4.根据权利要求3所述的频谱效率的预测方法，其特征在于，所述从预设时间段内目标通信设备的通信过程中获取初始通信数据，包括：
从所述通信过程中获取本小区和相邻小区的通信数据；所述通信数据包括：同步信令块通信数据、上行波束通信数据、下行波束通信数据和/或服务信号通信数据；
对所述通信数据进行数值统计得到数值统计结果；所述数值统计包括：统计最大值、统计最小值、统计均值和/或统计波束数量；
拼接所述数值统计结果得到所述初始通信数据。
5.根据权利要求4所述的频谱效率的预测方法，其特征在于，所述从所述通信过程中获取本小区和相邻小区的通信数据，包括：
获取所述通信过程中至少一个通信标识；
基于所述通信标识对所述通信数据进行划分，得到每一个所述通信标识对应的通信数据。
6.根据权利要求3所述的频谱效率的预测方法，其特征在于，所述将所述预设数量的所述目标通信记录输入所述目标预测模型进行频谱效率预测，得到所述目标通信数据对应的频谱效率预测结果，包括：
获取每个所述目标通信记录对应的第一频谱效率预测结果；
若所述目标通信记录中包括用于补全的所述预设值，则删掉对应的所述第一频谱效率预测结果，将剩余的所述第一频谱效率预测结果进行拼接，得到所述频谱效率预测结果。
7.根据权利要求1至6中任一项所述的频谱效率的预测方法，其特征在于，所述分类模型的训练过程包括：
获取训练通信数据和频谱效率标签，并得到所述训练通信数据的预设数量的训练通信记录；
将所述训练通信记录输入所述随机森林模型，得到分类预测标签；
基于所述分类预测标签和所述频谱效率标签计算得到分类交叉熵；
根据所述分类交叉熵调整所述随机森林模型的模型权重，直至满足迭代终止条件，得到训练好的所述随机森林模型。
8.一种频谱效率的预测装置，其特征在于，应用如权利要求1至7中任一项所述的频谱效率的预测方法，包括：
获取模块，用于获取目标通信数据，并根据所述目标通信数据生成预设数量的目标通信记录；
分类模块，用于将所述预设数量的所述目标通信记录输入预先训练的分类模型进行频谱效率分类，得到频谱分类结果，所述频谱分类结果用于指示所述目标通信数据的频谱效率等级；所述分类模型为随机森林模型；
选取模块，用于在由至少两个频谱效率预测模型构成的预测模型集合中选取与所述频谱效率等级对应的频谱效率预测模型作为目标预测模型；所述频谱效率预测模型为Transformer模型；
预测模块，用于将所述预设数量的所述目标通信记录输入所述目标预测模型进行频谱效率预测，得到所述目标通信数据对应的频谱效率预测结果。
9.一种电子设备，其特征在于，包括存储器、处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至7中任一项所述的频谱效率的预测方法。
10.一种计算机可读存储介质，其特征在于，所述存储介质存储有程序，所述程序被处理器执行实现如权利要求1至7中任一项所述的频谱效率的预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311571696.9A CN117279019B (zh) | 2023-11-23 | 2023-11-23 | 频谱效率的预测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311571696.9A CN117279019B (zh) | 2023-11-23 | 2023-11-23 | 频谱效率的预测方法、装置、电子设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117279019A CN117279019A (zh) | 2023-12-22 |
| CN117279019B true CN117279019B (zh) | 2024-02-23 |
Family
ID=89206767
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311571696.9A Active CN117279019B (zh) | 2023-11-23 | 2023-11-23 | 频谱效率的预测方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117279019B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110730046A (zh) * | 2019-10-18 | 2020-01-24 | 中国人民解放军陆军工程大学 | 基于深度迁移学习的跨频段频谱预测方法 |
| KR20200083116A (ko) * | 2018-12-31 | 2020-07-08 | 서울대학교산학협력단 | 공간 재사용 전송 방법 및 장치 |
| CN113869238A (zh) * | 2021-09-30 | 2021-12-31 | 青岛科技大学 | 一种认知车联网智能频谱感知方法及系统 |
| CN115278789A (zh) * | 2021-04-30 | 2022-11-01 | 华为技术有限公司 | 一种通信处理方法、通信装置以及通信系统 |
| CN115665878A (zh) * | 2022-10-18 | 2023-01-31 | 中国空间技术研究院 | 一种基于强化学习的多智能体的空口频谱效率提升方法 |
-
2023
- 2023-11-23 CN CN202311571696.9A patent/CN117279019B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20200083116A (ko) * | 2018-12-31 | 2020-07-08 | 서울대학교산학협력단 | 공간 재사용 전송 방법 및 장치 |
| CN110730046A (zh) * | 2019-10-18 | 2020-01-24 | 中国人民解放军陆军工程大学 | 基于深度迁移学习的跨频段频谱预测方法 |
| CN115278789A (zh) * | 2021-04-30 | 2022-11-01 | 华为技术有限公司 | 一种通信处理方法、通信装置以及通信系统 |
| CN113869238A (zh) * | 2021-09-30 | 2021-12-31 | 青岛科技大学 | 一种认知车联网智能频谱感知方法及系统 |
| CN115665878A (zh) * | 2022-10-18 | 2023-01-31 | 中国空间技术研究院 | 一种基于强化学习的多智能体的空口频谱效率提升方法 |
Non-Patent Citations (1)
| Title |
|---|
| 随机森林在通信干扰效果客观评价中的应用;张璐琳;;无线电通信技术(05);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117279019A (zh) | 2023-12-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110968426B (zh) | 一种基于在线学习的边云协同k均值聚类的模型优化方法 | |
| Xia et al. | Federated-learning-based client scheduling for low-latency wireless communications | |
| Ma et al. | Scheduling policy and power allocation for federated learning in NOMA based MEC | |
| Balakrishnan et al. | Resource management and fairness for federated learning over wireless edge networks | |
| CN113382477B (zh) | 应用于无线网络用户间上行干扰建模的方法 | |
| CN104205666A (zh) | 用于无线系统的功率动态联合分配以及用户调度的方法和系统 | |
| CN105379412A (zh) | 一种控制多个无线接入节点的系统和方法 | |
| CN108833227B (zh) | 一种基于边缘计算的智能家居通信优化调度系统及方法 | |
| Zhang et al. | Deep learning based user association in heterogeneous wireless networks | |
| Lei et al. | Learning-based resource allocation: Efficient content delivery enabled by convolutional neural network | |
| Sanguanpuak et al. | Radio resource sharing and edge caching with latency constraint for local 5G operator: Geometric programming meets Stackelberg game | |
| CN113660687B (zh) | 网络差小区处理方法、装置、设备及存储介质 | |
| Li et al. | Dynamic spectrum access for internet-of-things based on federated deep reinforcement learning | |
| Guerra-Gomez et al. | Machine learning adaptive computational capacity prediction for dynamic resource management in C-RAN | |
| Kuang et al. | Client selection with bandwidth allocation in federated learning | |
| Zhang et al. | Endogenous security-aware resource management for digital twin and 6G edge intelligence integrated smart park | |
| US11646778B2 (en) | Method and apparatus for controlling beam adaptively in wireless communication system | |
| CN105530203B (zh) | D2d通信链路的接入控制方法及系统 | |
| CN115802398A (zh) | 干扰优化方法及装置、存储介质及电子设备 | |
| CN117279019B (zh) | 频谱效率的预测方法、装置、电子设备及存储介质 | |
| Bsebsu et al. | Joint beamforming and admission control for cache‐enabled Cloud‐RAN with limited fronthaul capacity | |
| Melgarejo et al. | Optimizing flying base station connectivity by RAN slicing and reinforcement learning | |
| Al-Khafaji et al. | ML/AI Empowered 5G and beyond Networks | |
| CN111479258B (zh) | 一种用户划分的方法和设备 | |
| Tian et al. | Hierarchical federated learning with adaptive clustering on non-IID data |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |