CN117811943A - 一种通信预测方法和装置 - Google Patents

Abstract

本申请公开一种通信预测方法和装置，方法包括，获得终端的历史通信数据，历史通信数据包括终端在第一时段内运行过的应用的通信数据；利用用户终端通信预测模型处理历史通信数据，获得终端的应用预测通信数据，应用预测通信数据指示第二时段内终端的应用的通信情况，第二时段为第一时段之后的时段；用户终端通信预测模型包括深度神经网络，深度神经网络的激活函数具有目标系数，激活函数为线性整流函数，在自变量为正值时，激活函数的因变量根据自变量确定，在自变量为非正值时，激活函数的因变量根据自变量和目标系数确定；根据应用预测通信数据分配通信资源。

Description

一种通信预测方法和装置

技术领域

本申请属于通信技术领域，尤其涉及一种通信预测方法和装置。

背景技术

随着5G(第五代移动网络)技术和人工智能技术的发展，5G系统可以利用包括机器学习、深度学习和强化学习在内的多种人工智能技术对5G系统的通信性能进行优化。

通信预测是其中一种结合人工智能技术优化5G系统的通信性能的技术。其原理是利用人工智能技术对过去一段时间内反映5G终端使用应用程序情况的数据进行分析，从而预测未来一段时间内5G终端使用应用程序的情况，基于预测结果针对性地调度通信资源。

相关技术领域中，分析过去的应用使用情况并预测未来的应用使用情况，主要通过构建神经网络模型的方式实现，而目前用于通信预测的神经网络模型在分析过去的应用使用情况相关的数据时往往会丢失部分信息，导致预测的结果准确度较低。

发明内容

为此，本申请公开如下技术方案：

本申请第一方面提供一种通信预测方法，包括：

获得终端的历史通信数据，所述历史通信数据包括所述终端在第一时段内运行过的应用的通信数据；

利用用户终端通信预测模型处理所述历史通信数据，获得所述终端的应用预测通信数据，所述应用预测通信数据指示第二时段内所述终端的应用的通信情况，所述第二时段为所述第一时段之后的时段；

其中，所述用户终端通信预测模型包括深度神经网络，所述深度神经网络的激活函数为线性整流函数，在自变量为正值时，所述激活函数的因变量根据所述自变量确定；

根据所述应用预测通信数据分配通信资源。

可选的，所述利用用户终端通信预测模型处理所述历史通信数据，获得所述终端的应用预测通信数据，包括：

根据所述终端在第一时段内运行过的应用的通信数据，确定所述终端的应用特征向量；

根据所述终端的属性数据确定所述终端的用户特征向量；

利用所述深度神经网络处理所述应用特征向量和所述用户特征向量，得到所述终端的联合特征向量；

根据所述联合特征向量确定所述终端的应用预测通信数据。

可选的，所述利用所述深度神经网络处理所述应用特征向量和所述用户特征向量，得到所述终端的联合特征向量，包括：

根据所述深度神经网络的第一网络参数和所述应用特征向量确定应用自变量，利用所述激活函数处理所述应用自变量得到深度应用特征向量；

根据所述深度神经网络的第二网络参数和所述用户特征向量确定用户自变量，利用所述激活函数处理所述用户自变量得到深度用户特征向量；

对所述深度应用特征向量和所述深度用户特征向量进行融合处理，得到所述终端的联合特征向量。

可选的，还包括：

获得第三时段内所述终端运行过的应用的通信数据，以及所述第三时段之后的第四时段内所述终端的应用的通信情况，所述第三时段和所述第四时段均为所述第一时段之前的时段；

根据第三时段内所述终端运行过的应用的通信数据，以及所述第三时段之后的第四时段内所述终端的应用的通信情况确定所述第一网络参数和所述第二网络参数。

可选的，所述获得终端的历史通信数据，包括：

从核心网的应用网元和会话管理网元获得终端的历史通信数据。

可选的，所述激活函数具有目标系数，在所述激活函数的自变量为非正值时，所述激活函数的因变量根据所述自变量和所述目标系数确定。

可选的，所述根据所述应用预测通信数据分配通信资源，包括：

通过所述目标网元对应的目标工作流线程，向所述目标网元提供所述应用预测通信数据。

可选的，所述根据所述应用预测通信数据分配通信资源，包括：

根据多个终端的所述应用预测通信数据，确定所述第二时段内终端配置的多个应用的使用量，所述应用的使用量表征在所述第二时段内使用所述应用的终端的数量；

在所述第二时段内根据所述应用的使用量给所述应用分配通信资源。

可选的，所述应用的通信数据，包括所述应用的通信开始时间戳、通信结束时间戳、数据上行速率、数据下行速率和通信流量中至少一者。

本申请第二方面提供一种通信预测装置，包括：

获得单元，用于获得终端的历史通信数据，所述历史通信数据包括所述终端在第一时段内运行过的应用的通信数据；

处理单元，用于利用用户终端通信预测模型处理所述历史通信数据，获得所述终端的应用预测通信数据，所述应用预测通信数据指示第二时段内所述终端的应用的通信情况，所述第二时段为所述第一时段之后的时段；

其中，所述用户终端通信预测模型包括深度神经网络，所述深度神经网络的激活函数具有为线性整流函数，在自变量为正值时，所述激活函数的因变量根据所述自变量确定；

分配单元，用于根据所述应用预测通信数据分配通信资源。

附图说明

为了更清楚地说明本申请实施例或相关技术中的技术方案，下面将对实施例或相关技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的实施例，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，还可以根据提供的附图获得其他的附图。

图1是本申请实施例提供的一种通信预测方法的流程图；

图2是本申请实施例提供的一种网元交互流程图；

图3是本申请实施例提供的一种网络数据分析网元的结构示意图；

图4是本申请实施例提供的一种用户终端通信预测模型的结构示意图；

图5是本申请实施例提供的一种激活函数的函数曲线示意图；

图6是本申请实施例提供的一种深度神经网络的结构示意图；

图7是本申请实施例提供的一种通信预测装置的结构示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

本申请实施例提供一种通信预测方法，请参见图1，为该方法的流程图，该方法可以包括如下步骤。

S101，获得终端的历史通信数据，历史通信数据包括终端在第一时段内运行过的应用的通信数据。

S102，利用用户终端通信预测模型处理历史通信数据，获得终端的应用预测通信数据，应用预测通信数据指示第二时段内终端的应用的通信情况，第二时段为第一时段之后的时段。

示例性的，假设当前时刻为2023/12/20的14：00，那么第一时段可以是该时刻的前一小时，即2023/12/20的13：00到14：00，第二时段可以是该时刻之后的一小时，即2023/12/20的14：00到15：00。这种情况下，S102相当于根据过去一小时内终端的历史通信数据预测未来一小时内该终端的应用通信情况。

其中，用户终端通信预测模型包括深度神经网络，深度神经网络的激活函数为线性整流函数，在自变量为正值时，激活函数的因变量根据自变量确定。

可选的，该激活函数可以具有目标系数，在自变量为非正值时，激活函数的因变量根据自变量和目标系数确定。

本实施例中，用户终端通信预测模型可以是AppUsage2Vec。

S103，根据应用预测通信数据分配通信资源。

本实施例的有益效果在于：

本实施例所用的用户终端通信预测模型在处理历史通信数据时，使用具有目标系数的线性整流函数对输入的数据进行处理，基于目标系数，线性整流函数能够在输入的自变量为正值时基于自变量输出对应的因变量，在自变量为非正值时，基于自变量和目标系数输出因变量，因此，该线性整流函数第一方面能够针对自变量的不同情况进行分段处理，第二方面能够结合目标系数同时处理自变量为正值和非正值的两种情况。利用激活函数第一方面的特性，本实施例的模型能够提取历史通信数据中非线性的数据特征，利用激活函数第二方面的特性，本实施例的模型能够从历史通信数据提取数值为正值的数据特征和数值为非正值的数据特征。

综上所述，相对于相关技术领域中仅能处理线性的数据特征的部分模型，以及仅能处理数值为正值的数据特征的部分模型，本实施例的用户终端通信预测模型能够更全面的分析历史通信数据的信息，所以本实施例基于该用户终端通信预测模型实现的通信预测方法，能够获得更准确的预测结果。

本实施例提供的通信预测方法，可以应用于5G通信网络。5G通信网络的核心网可以包括多个网元，其中包括策略控制网元(PCF)，网络数据分析网元(NWDAF)，应用网元(AF)，会话管理网元(SMF)，用户面网元(UPF)。

其中，网络数据分析网元可以提供网络分析逻辑功能，具体包括以下功能：支持从其他网元收集数据；NWDAF服务注册和对其他网元的元数据暴露；支持向其他网元提供分析信息，例如提供本实施例的方法输出的应用预测通信数据。会话管理网元和应用网元提供接入核心网的终端设备(又称用户设备，UE)的业务数据信息。

本实施例的通信预测方法可以由上述核心网的网络数据分析网元执行。

步骤S101中，网络数据分析网元获得历史通信数据的方式可以是，从核心网的应用网元和会话管理网元获得终端的历史通信数据。

网络数据分析网元可以在收到目标网元的订阅消息或者请求消息后，响应于目标网元的订阅消息或请求消息，获得终端的历史通信数据，目标网元为核心网的任一网元。

作为示例，目标网元可以是上述策略控制网元，为了便于说明，下文均以目标网元为策略控制网元为例说明本实施例的预测通信方法。

网络数据分析网元也可以按一定的周期定时从应用网元和会话管理网元获得历史通信数据。

网络数据分析网元也可以将两种触发方式结合，在收到目标网元的订阅消息或者请求消息后，获得终端的历史通信数据并基于获得的数据进行一次通信预测，此后网络数据分析网元无需接收订阅消息或请求消息，而是定期地获得历史通信数据并进行预测。

网络数据分析网元可以按图2所示的网元交互流程获得历史通信数据。

策略控制网元向网络数据分析网元发送消息1、Nnwdaf分析信息请求(Nnwdaf_AnalyticsInfo_Request)或者Nnwdaf分析信息订阅(Nnwdaf_AnalyticsSubscription_Subscribe)。

网络数据分析网元收到该消息后，向应用网元发送消息2a、Naf事件导出订阅(Naf_EventExposure_Subscribe)，并且向会话管理网元发送消息2c、Nsmf事件导出订阅(Nsmf_EventExposure_Subscribe)。

应用网元响应该订阅消息2a，向网络数据分析网元发送消息2b、Naf事件导出通知(Naf_EventExposure_Notify)，消息2b中携带终端的历史通信数据。

收到订阅消息2c后，会话管理网元会等待UPF的报告，当UPF检测到事件2d、报告事件触发(Trigger to report event)时，UPF向会话管理网元发送消息2e、N4会话报告(N4Session Report)，会话管理网元响应于消息2e，向之前订阅了数据的网络数据分析网元发送消息2f、Nsmf事件导出通知(Nsmf_EventExposure_Notify)，消息2f中携带终端的历史通信数据。

至此，网络数据分析网元分别从应用网元和会话管理网元获得了终端的历史通信数据。

应用网元和会话管理网元提供的历史通信数据，可以包括接入核心网的每一个终端的历史通信数据。

S101中的第一时段，可以是，应用网元和会话管理网元前一次提供历史通信数据的时刻到本次提供历史通信数据的时刻之间的时段。示例性的，应用网元和会话管理网元在T0时刻提供一次历史通信数据，在之后的T1时刻又提供一次历史通信数据，那么T1时刻提供的历史通信数据可以包括T0到T1这一时段内接入核心网的所有终端的通信数据。

网络数据分析网元获得历史通信数据后，执行图1所示的通信预测方法，从而获得S102的应用预测通信数据。

然后，网络数据分析网元向策略控制网元发送消息4、Nnwdaf分析信息响应/Nnwdaf分析信息通知，消息4中携带应用预测通信数据，策略控制网元收到消息4后根据其中的应用预测通信数据分配通信资源。

也就是说，步骤S103相当于，网络数据分析网元向目标网元(例如策略控制网元)发送应用预测通信数据，使得目标网元根据应用预测通信数据分配通信资源。

其中，如果消息1为订阅消息，那么消息4可以是对应的通知消息，如果消息1为请求消息，那么消息4可以是对应的响应消息。

应用网元收到订阅消息2a后，就可以定期向网络数据分析网元提供历史通信数据，例如在发送消息2b后，再次向网络数据分析网元发送消息5a、Naf事件导出通知，并且，UPF第二次检测到事件5b、报告事件触发时并向会话管理网元发送消息5c、N4会话报告后，会话管理网元响应消息5c再次向网络数据分析网元发送5d、Nsmf事件导出通知。

由此，网络数据分析网元第二次获得历史通信数据，按本实施例的预测方法处理第二次获得的历史通信数据，得到新的应用预测通信数据，并向策略控制网元发送消息7、Nnwdaf分析信息响应/Nnwdaf分析信息通知，通过消息7将新的应用预测通信数据提供给策略控制网元。

通过该流程，网络数据分析网元就可以定期的对过去一段时间内接入核心网的各终端的历史通信数据进行处理，获得对应的应用预测通信数据并提供给核心网的其他网元，使得其他网元能够基于应用预测通信数据在之后的一段时间内分配通信资源。

其中，应用网元和会话管理网元向网络数据分析网元提供的任一终端的历史通信数据，具体可以包括如下表1所示的数据中至少一者。

表1

表1的第1列表示AF和SMF可以提供给网络数据分析网元的历史通信数据，第2列表示这些数据来源于核心网的哪个网元，例如其中用户设备标识既可以由AF提供，也可以由SMF提供，不同网元提供时数据的具体内容可能不同。表1的第3列是对各项历史通信数据的含义的说明。

其中部分由UPF提供的数据可以通过N4会话报告消息由UPF给到SMF，再由SMF发给网络数据分析网元。

表1中，UE通信数据，包括了第一时段内终端的n个使用核心网进行数据传输的应用中每一个应用的历史通信数据。

示例性的，某终端在第一时段内分别有打车应用A、支付应用B和通信应用C使用了核心网，那么上述UE通信数据可以包括打车应用的时间戳、速率和流量，支付应用的时间戳、速率和流量，以及通信应用的时间戳、速率和流量。

在根据应用的历史通信数据进行通信预测时，网络数据分析网元可以选用表1中的任意一项或多项数据提供给用户终端通信预测模型进行预测。

示例性的，提供给用户终端通信预测模型分析的应用的通信数据，可以包括应用的通信开始时间戳、通信结束时间戳、数据上行速率、数据下行速率和通信流量中至少一者。

对于每一个终端，网络数据分析网元按本实施例的通信预测方法处理该终端的历史通信数据后，获得的应用预测通信数据，可以包括如下表2中任意一项或多项数据。

表2

表2中第1列表示网络数据分析网元可以输出的预测数据，第2列是对各项历史通信数据的含义的说明。

网络数据分析网元获得的应用预测通信数据，可以包括表2中任意一项或多项数据。

例如，应用预测通信数据可以包括表2的应用程序数据，应用程序数据可以包括第二时段内终端可能使用的每一应用程序的应用程序标识、预测开始时间戳、预测持续时间和发生概率。

其中预测开始时间戳表示预测该终端会在什么时刻开始运行对应的应用程序，预测持续时间表示预测该终端可能持续运行该应用程序多长时间，发生概率表示该终端在对应的时间戳和持续时间运行该应用程序的概率大小。

作为示例，某终端的历史通信数据经过网络数据分析网元处理后，得到的该终端的应用预测通信数据可以包括：

天气应用D，预测开始时间戳T0，预测持续时间60秒，发生概率75％；

新闻应用E，预测开始时间戳T1，预测持续时间300秒，发生概率70％；

短视频应用F，预测开始时间戳T2，预测持续时间600秒，发生概率80％。

表1和表2中各项数据的具体内容可以参见相关的5G通信协议，例如3GPP协议的TS23.501和TS23.288，不再赘述。

第二时段可以是第一时段之后任意长度的时段，具体时长可以由核心网预先决定，例如可以是5分钟或者10分钟，不做限定。

本实施例中，网络数据分析网元可以通过工作流的方式实现通信预测。请参见图3，为本实施例中网络数据分析网元的结构示意图。

网络数据分析网元可以包括配置模块(CLI/OAM)，日志模块(AsnLog)，数据库模块(MemDB)，组件(Components)，训练模块(又称Model Training logical function，MTLF)，分析模块(又称Analytics logical function，AnLF)，工作流(Workflows)。

其中组件可以包括IFCG组件(IFCGComponent)，OM组件(OMComponent)，WF组件(WFComponent)，NF组件(NFComponent)，消息处理器(NFMsgHandler)。

工作流可以包括：

Nnwdaf分析信息订阅/解除订阅/通知工作流，Nnwdaf_AnalyticsSubscription_Subscribe/Unsubscribe/Notify_Workflow；

////

Nnwdaf分析信息请求/响应工作流，Nnwdaf_AnalyticsInfo_Request/Response_Workflow；

Nnwdaf模型提供订阅/解除订阅/通知工作流，Nnwdaf_MLModelProvision_Subscribe/Unscribe/Notify_Workflow；_

Nnwdaf模型信息请求/响应工作流，Nnwdaf_MLModelInfo_Request/Response_Workflow；

Nnwdaf数据管理订阅/解除订阅/通知，Nnwdaf_DataManagement_Subscribe/Unsubscribe/Notify。

配置模块用于获得配置命令，并根据配置命令配置网络数据分析网元的参数。日志模块用于获取错误日志和/或信息日志。数据库模块用于存储网络数据分析网元的数据，在本实施例中，数据库模块可以存储应用网元和会话管理网元提供的历史通信数据，以及可以存储分析模块处理得到的应用预测通信数据。

IFCG组件用于帮助获取其他网元的IP地址和端口等连接信息，OM组件用于和配置模块配置以配置网络数据分析网元的参数。WF组件用于配置和加载NWDAF工作流，该组件可以将每个工作流分配给一个网络数据分析网元中特定的线程。NF组件用于处理其他网元的活动，比如处理其他网元的请求和订阅。消息处理器用于处理来自或发往网元的消息。

训练模块可以视为网络数据分析网元的一个逻辑函数，该模块用于训练网络数据分析网络的人工智能模型，例如用于训练本实施例的用户终端通信预测模型并将该模型提供给其他模块使用。

分析模块也可以视为网络数据分析网元的一个逻辑函数，它执行推理任务并导出分析结果，本实施例中，分析模块可以在训练模块训练好用户终端通信预测模型后，调用该模型处理历史通信数据，输出应用预测通信数据作为分析结果。

训练模块和分析模块可以通过Nnwdaf接口进行数据交互，例如，分析模块通过该接口调用训练模块训练好的用户终端通信预测模型。

网络数据分析网元的工作原理如下。

上述组件可以在网络数据分析网元启动时，通过系统启动器(SysLauncher)注册和初始化，之后系统启动器可以，然后系统启动器依次调用组件的准备函数和启动函数，从而启动以上每一个组件。

WF组件启动后，可以将上述每一工作流注册到网络数据分析网络的各个线程中，每一个工作流注册到一个线程，不同工作流注册到的线程不同。注册完成后，这些线程可以循环运行，等待消息处理器分发过来的消息，当某一线程收到消息处理器分发的消息时，该线程按注册到自身的工作流处理该消息。

不同的工作流分别绑定了不同的消息类型，消息处理器从其他网元收到消息后，可以解析收到的消息以确定消息的类型，然后将该消息分配给绑定的工作流所属线程。任一线程产生的需要发给其他网元的数据也可以提供给消息处理器，由消息处理器将这些数据放入一个JSON消息实体，然后按照指定的IP地址和端口将该消息实体发给对应的网元。

结合本实施例的通信预测方法，图3中Nnwdaf分析信息订阅/解除订阅/通知工作流(记为工作流1)可以和分析信息订阅与通知类型绑定，Nnwdaf分析信息请求/响应工作流(记为工作流2)可以和分析请求请求与响应类型绑定，Nnwdaf模型信息请求/响应工作流(记为工作流3)可以和事件导出与订阅类型绑定。

策略控制网元向网络数据分析网元发送Nnwdaf分析信息订阅后，消息处理器将该消息分配给工作流1注册的线程，该线程通过分析模块调用用户终端通信预测模型进行分析，工作流3注册的线程按图2的方式向应用网元和会话管理网元订阅终端的历史通信数据，应用网元和会话管理网元向网络数据分析网络发送消息后，消息处理器将消息分配工作流3注册的线程，由工作流3的线程读出其中的历史通信数据并给到分析模块，分析模块处理后得到应用预测通信数据并返回给工作流1的线程，然后工作流1的线程将应用预测通信数据提供给消息处理器，由消息处理器按照策略控制网元的IP地址和端口，将带有应用预测通信数据的消息实体发给策略控制网元，使得策略控制网元能够根据应用预测通信数据分配通信资源。

策略控制网元向网络数据分析网元发送Nnwdaf分析信息请求时处理过程和上述过程一致，只要将上述过程的工作流1替换为请求类型对应的工作流2即可，不再赘述。

综上所述，S103中根据应用预测通信数据分配通信资源相当于：

通过目标网元对应的目标工作流线程，向目标网元提供应用预测通信数据，使目标网元根据应用预测通信数据分配通信资源。

目标网元例如可以是上述策略控制网元，目标工作流线程例如可以是上述工作流1注册的线程。

S102中，处理历史通信数据而得到应用预测通信数据的过程，根据用户终端通信预测模型的结构的不同而不同，作为一种示例，利用用户终端通信预测模型处理历史通信数据，获得终端的应用预测通信数据的过程，可以包括：

根据终端在第一时段内运行过的应用的通信数据，确定终端的应用特征向量；

根据终端的属性数据确定终端的用户特征向量；

利用深度神经网络处理应用特征向量和用户特征向量，得到终端的联合特征向量；

根据联合特征向量确定终端的应用预测通信数据。

请参见图4，为上述处理过程所用的用户终端通信预测模型的一种结构示意图。

可以看到，该模型包括一个注意力层，对于任一终端，网络数据分析网元可以将历史通信数据中，终端运行过的各应用的通信数据，例如图4所示的应用1的通信数据、应用2的通信数据和应用3的通信数据一并输入注意力层，经过注意力层处理得到该终端的应用特征向量。

另一方面，网络数据分析网元根据该终端的属性数据确定终端的用户特征向量。终端的属性数据可以包括但不限于表1所示的用户设备标识、小组标识、切片标识和网络域名等数据。根据属性数据确定用户特征向量可以通过相关技术领域中任意一种将标识转换为向量的人工智能模型实现，本实施例不做限定。

再一方面，网络数据分析网元还可以从历史通信数据中获得该终端在第一时段内运行过的各个应用的运行持续时间，根据各个应用的运行持续时间确定时长特征向量。

应用特征向量和用户特征向量将被输入用户终端通信预测模型的深度神经网络，经过深度神经网络处理得到联合特征向量。

随后联合特征向量和时长特征向量被输入用户终端通信预测模型的隐藏层，隐藏层处理后得到的输出再经过归一化层处理就得到该终端的应用预测通信数据。

本实施例中，深度神经网络可以是一个双通道的深度神经网络(Dual DNN)。

在实际应用中，网络数据分析网元可以针对第一时段内接入核心网的每一终端，将该终端的历史通信数据按上述处理过程进行处理，得到该终端对应的应用预测通信数据，由此得到第一时段内接入核心网的每一终端的应用预测通信数据。

在一些可选的实施例中，也可以不确定时长特征向量，这种情况下隐藏层可以仅处理联合特征向量，从而根据联合特征向量确定终端的应用预测通信数据。

确定时长特征向量并结合时长特征向量进行预测，可以使用户终端通信预测模型从历史通信数据中学习到更多信息，从而有利于提高应用预测通信数据的准确度。

如前文所述，深度神经网络具有激活函数，该激活函数的表达式可以用下述公式(1)表示

公式(1)中，LeakyReLU(x)表示激活函数输出的因变量，x表示输入激活函数的自变量，α是激活函数中预设的目标系数，该系数可以是一个大于0小于1的实数，作为示例，该目标系数可以被设置为0.2。

具有上述表达式的激活函数对应的函数曲线可以如图5的(1)所示。

从该函数曲线可以看出，该激活函数属于非线性函数，并且该激活函数在自变量为正值的情况下以及在自变量为负值的情况下均可以输出对应的因变量，所以，本实施例的深度神经网络采用激活函数能够提取更多的特征。

可选的，利用深度神经网络处理应用特征向量和用户特征向量，得到终端的联合特征向量的过程可以包括：

根据深度神经网络的第一网络参数和应用特征向量确定应用自变量，利用激活函数处理应用自变量得到深度应用特征向量；

根据深度神经网络的第二网络参数和用户特征向量确定用户自变量，利用激活函数处理用户自变量得到深度用户特征向量；

对深度应用特征向量和深度用户特征向量进行融合处理，得到终端的联合特征向量。

上述深度神经网络可以具有如图6所示的网络结构。

可以看到，该深度神经网络具有多个全连接层，其中的全连接层a1到aL用于处理输入深度神经网络的应用特征向量，得到深度应用特征向量，全连接层u1到全连接层uL用于处理输入深度神经网络的用户特征向量，得到深度用户特征向量。

每一个全连接层都具有一个激活函数，以及具有属于该全连接层网络参数，对于全连接层a1到aL中任一全连接层an(n是1至L的整数)，该全连接层具有第一网络参数W_an和b_an；对于全连接层u1到uL中任一全连接层un(n是1至L的整数)，该全连接层具有第二网络参数W_un和b_un。其中，W_an和W_un可以视为参数矩阵，b_an和b_un可以视为参数向量。

每个全连接层的输出为该全连接层的激活函数的输出，并且除了最后一个全连接层，即图6所示的全连接层aL和全连接层uL以外，每一全连接层的输出均作为其后一全连接层的输入，最后一个全连接层的输出作为深度应用特征向量和深度用户特征向量。

除了第一个全连接层，即图6所示的全连接层a1和全连接层u1以外，每一个全连接层的输入均为其前一个全连接层的输出，其中第一个全连接层的输入为应用特征向量和用户特征向量。

上述全连接层处理应用特征向量和用户特征向量的过程，可以用如下公式(2)到(5)表示。

Z_a，1＝σ(W_a1·V_a+b_a1) (2)

Z_a，n＝σ(W_an·Z_a，n-1+b_an) (3)

Z_u，1＝σ(W_u1·V_u+b_u1) (4)

Z_u，n＝σ(W_un·Z_u，n-1+b_un) (5)

上述公式中，σ()表示激活函数，括号内为输入该激活函数的自变量，Z_a，1表示全连接层a1的输出，Z_a，n全连接层an的输出，V_a表示应用特征向量，Z_u，1表示全连接层u1的输出，Z_u，n全连接层un的输出，V_u表示用户特征向量。

公式(2)的W_a1·V_a+b_a1相当于前述应用自变量，公式(4)的W_u1·V_u+b_u1相当于前述用户自变量。

可以看到，每一个全连接层中，输入到激活函数的自变量均为向量以及激活函数输出的因变量均为向量。在使用激活函数处理作为自变量的向量时，可以逐一将该向量的每一个分量输入该激活函数，激活函数计算后得到的结果作为因变量中对应的分量，按此方方式逐一处理自变量的每一个分量，处理结果按对应顺序组合就得到作为因变量的向量。

示例性的，假设自变量为向量X(x1，x2……xn)，可以将x1输入激活函数，计算得到的结果记为y1，同理，用激活函数逐一计算x2至xn，得到y2至yn，由y1至yn顺序组合成的向量就是向量X经过激活函数处理后的因变量Y(y1，y2，……yn)。

将深度用户特征向量和深度应用特征向量融合的方式可以有多种，不做限定。以图6为示例，可以对深度用户特征向量和深度应用特征向量进行哈达马积运算，得到的结果作为联合特征向量。

σ()可以是LeakyReLU，也可以是ReLU。ReLU的表达式可以用如下公式(6)表示。

ReLU可以具有如图5的(2)所示的曲线。

本实施例中，训练模块可以按如下方式训练用户终端通信预测模型：

获得第三时段内终端运行过的应用的通信数据，以及第三时段之后的第四时段内终端的应用的通信情况，第三时段和第四时段均为第一时段之前的时段；

根据第三时段内终端运行过的应用的通信数据，以及第三时段之后的第四时段内终端的应用的通信情况确定第一网络参数和第二网络参数。

在上述训练过程中，除了根据第三时段内终端运行过的应用的通信数据，以及第三时段之后的第四时段内终端的应用的通信情况确定第一网络参数和第二网络参数以外，还可以根据第三时段内终端运行过的应用的通信数据，以及第三时段之后的第四时段内终端的应用的通信情况确定用户终端通信预测模型中其他参数，包括但不限于图4所示的注意力层、隐藏层和归一化层的参数等。

第四时段在第一时段之前，第三时段在第四时段之前。作为一个示例，假设当前时刻为2023/12/20的14：00，那么第一时段可以是该时刻的前一小时，即2023/12/20的13：00到14：00，第四时段则可以是第一时段的前一小时，即2023/12/20的12：00到13：00，第三时段可以是第四时段的前一小时，2023/12/20的11：00到12：00。

第三时段内终端运行过的应用的通信数据也可以从应用网络和会话管理网元获得，获取方式和前述历史通信数据的获取方式一致，不再赘述。

确定第一网络参数和第二网络参数的方式可以是：

使用待训练的用户终端通信预测模型处理样本数据，得到样本数据对应的预测结果，这里的预测结果表征该模型预测的第四时段内终端可能的应用通信情况。示例性的，该预测结果可以包括第四时段内模型预测的终端可能使用的每一应用程序的应用程序标识、预测开始时间戳、预测持续时间和发生概率等数据。

首次执行使用待训练的用户终端通信预测模型处理样本数据步骤时，待训练的用户终端通信预测模型中各参数，可以是通过随机初始化的方式确定的参数，也可以是在之前已经执行过的训练过程中确定的参数。

样本数据指代第三时段内终端运行过的应用的通信数据。

将预测结果和真实结果进行比对，根据预测结果和真实结果的差异确定模型损失值。预测结果和真实结果的差异越小，则模型损失值越小，预测结果和真实结果的差异越大，则模型损失值越大，模型损失值的具体计算方式可以参见相关技术文献，不再赘述。

真实结果指代前面获得的，第四时段内终端实际的应用通信情况。第四时段内终端实际的应用通信情况具体可以用第四时段内终端实际使用的每一应用程序的应用程序标识、对应的通信开始时间戳和通信持续时间表示。

确定模型损失值是否满足收敛条件，如果模型损失值满足收敛条件，则本次训练过程结束。

如果模型损失值不满足收敛条件，根据模型损失值计算需要更新的参数的更新量，例如计算上述第一网络参数和第二网络参数的更新量，然后用参数的更新量更新对应的参数，得到更新后的参数，完成更新后，返回执行前述使用待训练的用户终端通信预测模型处理样本数据，得到样本数据对应的预测结果的步骤，以此类推，直到模型损失值满足收敛条件。

收敛条件可以是模型损失值小于或等于预设的收敛阈值。

根据模型损失值计算更新量时，可以利用反向传播算法进行计算，该算法的原理可以参见相关技术文献，不再赘述。

上述训练过程可以由训练模块定期执行，例如每隔10天执行一次，从而定期更新用户终端通信预测模型，达到提高模型的预测结果的准确度的效果。

如前文所述，根据应用预测通信数据分配通信资源的步骤，具体可以由收到应用预测通信数据的目标网元，例如由策略控制网元执行，该步骤的一种实施方式可以是：

根据多个终端的应用预测通信数据，确定第二时段内终端配置的多个应用的使用量，应用的使用量表征在第二时段内使用应用的终端的数量；

在第二时段内根据应用的使用量给应用分配通信资源。

分配给某应用的通信资源的量和该应用的使用量成正比，即第二时段内某应用的使用量越多，则分配给该应用的通信资源越多，某应用的使用量越少，则分配给该应用的通信资源越少。

根据使用量分配通信资源的方式可以有多种，不做限定。

在一些实施例中，可以根据多个应用的使用量占终端总量的比例，在第二时段内等比例地给多个应用分配通信资源。

示例性的，假设当前有1000个终端接入核心网，按S101和S102的方式获得这1000个终端的应用预测通信数据后，发现其中有500个终端使用概率最高的应用程序为购物应用G，100个终端使用概率最高的应用程序为短视频应用F，400个终端使用概率最高的应用程序为新闻应用E。

于是策略控制网元可以在第二时段内，将自身的50％的通信资源分配用于处理购物应用G的通信数据，将10％的通信资源分配用于处理短视频应用F的通信数据，将40％的通信资源分配用于处理新闻应用E的通信数据。

可选的，分配通信资源时，可以将终端按照所属用户组或者所属网络切片进行划分，然后针对每一用户组，根据该用户组内各终端的应用预测通信数据分配该用户组的通信资源，或者针对每一网络切片，根据该网络切片内各终端的应用预测通信数据分配该网络切片的通信资源。

结合前述示例，假设1000个终端中有200个终端属于某用户组K，这200个终端中有100个终端使用概率最高的应用程序为购物应用G，40个终端使用概率最高的应用程序为短视频应用F，60个终端使用概率最高的应用程序为新闻应用E，那么策略控制网元可以将用户组K的通信资源中，50％的通信资源分配用于处理用户组K产生的购物应用G的通信数据，将20％的通信资源分配用于处理用户组K产生的短视频应用F的通信数据，将30％的通信资源分配用于处理用户组K产生的新闻应用E的通信数据。

进一步可选的，策略控制网元可以根据应用预测通信数据中各个应用的预测开始时间戳和预测持续时间，在第二时段的不同时间区间内按不同比例分配通信资源。

结合前述示例，假设第二时段的T0到T0+100秒这一时间区间内(T0为第二时段内任一时间戳)，用户组K中有80个终端使用概率最高的应用程序为购物应用G，60个终端使用概率最高的应用程序为短视频应用F，60个终端使用概率最高的应用程序为新闻应用E，那么策略控制网元可以在T0到T0+100秒这一时间区间内，分别给购物应用G、短视频应用F和新闻应用E分配用户组K的40％，30％和30％的通信资源，以处理该时间区间内用户组K的终端产生的对应应用的通信数据；

在第二时段的T0+100秒到T0+300秒这一时间区间内，用户组K中有70个终端使用概率最高的应用程序为天气应用D，90个终端使用概率最高的应用程序为通信应用C，400个终端使用概率最高的应用程序为短视频应用F，那么策略控制网元可以在T0+100秒到T0+300秒这一时间区间内，分别给天气应用D、通信应用C和短视频应用F分配用户组K的35％，45％和20％的通信资源，以处理该时间区间内用户组K的终端产生的对应应用的通信数据。

请参见表3，为本实施例的用户终端通信预测模型和其他能够进行通信预测的模型的召回率(Recall)表。

该召回率表中，用于训练各个模型的数据集和AppUsage2Vec使用的数据集相同。

其中基于LeakyReLU的用户终端通信预测模型为本实施例提供的模型。

基于ReLU的用户终端通信预测模型为和本实施例的模型具有相似结构且激活函数不同的另一模型，该模型的激活函数ReLU在自变量为非正值时没有输出，也就是自变量为非正值时ReLU的因变量为0。

召回率k1表示模型预测的发生概率最高的应用程序的召回率，召回率k5表示模型预测的发生概率由高至低排序后的前5个应用程序的召回率，召回率k10表示模型预测的发生概率由高至低排序后的前10个应用程序的召回率。

从表3可以看出，本实施例提供的基于LeakyReLU的用户终端通信预测模型相比于其他模型具有更高的召回率，能够更准确地预测未来一段时间内终端的应用使用情况。

表3

本申请实施例还提供一种通信预测装置，请参见图7，该装置可以包括如下单元。

获得单元701，用于获得终端的历史通信数据，历史通信数据包括终端在第一时段内运行过的应用的通信数据；

处理单元702，用于利用用户终端通信预测模型处理历史通信数据，获得终端的应用预测通信数据，应用预测通信数据指示第二时段内终端的应用的通信情况，第二时段为第一时段之后的时段；

其中，用户终端通信预测模型包括深度神经网络，深度神经网络的激活函数为线性整流函数，在自变量为正值时，激活函数的因变量根据自变量确定；

分配单元703，用于根据应用预测通信数据分配通信资源。

可选的，该激活函数具有目标系数，在自变量为非正值时，激活函数的因变量根据自变量和目标系数确定。

可选的，处理单元702利用用户终端通信预测模型处理历史通信数据，获得终端的应用预测通信数据时，具体用于：

根据终端在第一时段内运行过的应用的通信数据，确定终端的应用特征向量；

根据终端的属性数据确定终端的用户特征向量；

利用深度神经网络处理应用特征向量和用户特征向量，得到终端的联合特征向量；

根据联合特征向量确定终端的应用预测通信数据。

可选的，处理单元702利用深度神经网络处理应用特征向量和用户特征向量，得到终端的联合特征向量时，具体用于：

根据深度神经网络的第一网络参数和应用特征向量确定应用自变量，利用激活函数处理应用自变量得到深度应用特征向量；

根据深度神经网络的第二网络参数和用户特征向量确定用户自变量，利用激活函数处理用户自变量得到深度用户特征向量；

对深度应用特征向量和深度用户特征向量进行融合处理，得到终端的联合特征向量。

可选的，该装置还包括确定单元704，用于：

获得第三时段内终端运行过的应用的通信数据，以及第三时段之后的第四时段内终端的应用的通信情况，第三时段和第四时段均为第一时段之前的时段；

根据第三时段内终端运行过的应用的通信数据，以及第三时段之后的第四时段内终端的应用的通信情况确定第一网络参数和第二网络参数。

可选的，获得单元701获得终端的历史通信数据时，具体用于：

从核心网的应用网元和会话管理网元获得终端的历史通信数据。

可选的，获得单元701获得终端的历史通信数据时，具体用于：

响应于目标网元的订阅消息或请求消息，获得终端的历史通信数据，目标网元为核心网的任一网元。

可选的，分配单元703根据应用预测通信数据分配通信资源时，具体用于：

通过目标网元对应的目标工作流线程，向目标网元提供应用预测通信数据。

可选的，分配单元703根据应用预测通信数据分配通信资源时，具体用于：

根据多个终端的应用预测通信数据，确定第二时段内终端配置的多个应用的使用量，应用的使用量表征在第二时段内使用应用的终端的数量；

在第二时段内根据应用的使用量给应用分配通信资源。

可选的，应用的通信数据，包括应用的通信开始时间戳、通信结束时间戳、数据上行速率、数据下行速率和通信流量中至少一者。

本实施例提供的通信预测装置，其具体工作原理和有益效果均可以参见本申请实施例提供的通信预测方法的相关步骤和有益效果，不再赘述。

需要说明的是，本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。

为了描述的方便，描述以上系统或装置时以功能分为各种模块或单元分别描述。当然，在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。

通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本申请可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本申请的技术方案本质上或者说对相关技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例或者实施例的某些部分所述的方法。

最后，还需要说明的是，在本文中，诸如第一、第二、第三和第四等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

以上所述仅是本申请的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。

Claims (10)

1.一种通信预测方法，包括：

获得终端的历史通信数据，所述历史通信数据包括所述终端在第一时段内运行过的应用的通信数据；

利用用户终端通信预测模型处理所述历史通信数据，获得所述终端的应用预测通信数据，所述应用预测通信数据指示第二时段内所述终端的应用的通信情况，所述第二时段为所述第一时段之后的时段；

其中，所述用户终端通信预测模型包括深度神经网络，所述深度神经网络的激活函数为线性整流函数，在自变量为正值时，所述激活函数的因变量根据所述自变量确定；

根据所述应用预测通信数据分配通信资源。

2.根据权利要求1所述的方法，所述利用用户终端通信预测模型处理所述历史通信数据，获得所述终端的应用预测通信数据，包括：

根据所述终端在第一时段内运行过的应用的通信数据，确定所述终端的应用特征向量；

根据所述终端的属性数据确定所述终端的用户特征向量；

利用所述深度神经网络处理所述应用特征向量和所述用户特征向量，得到所述终端的联合特征向量；

根据所述联合特征向量确定所述终端的应用预测通信数据。

3.根据权利要求2所述的方法，所述利用所述深度神经网络处理所述应用特征向量和所述用户特征向量，得到所述终端的联合特征向量，包括：

根据所述深度神经网络的第一网络参数和所述应用特征向量确定应用自变量，利用所述激活函数处理所述应用自变量得到深度应用特征向量；

根据所述深度神经网络的第二网络参数和所述用户特征向量确定用户自变量，利用所述激活函数处理所述用户自变量得到深度用户特征向量；

对所述深度应用特征向量和所述深度用户特征向量进行融合处理，得到所述终端的联合特征向量。

4.根据权利要求3所述的方法，还包括：

获得第三时段内所述终端运行过的应用的通信数据，以及所述第三时段之后的第四时段内所述终端的应用的通信情况，所述第三时段和所述第四时段均为所述第一时段之前的时段；

根据第三时段内所述终端运行过的应用的通信数据，以及所述第三时段之后的第四时段内所述终端的应用的通信情况确定所述第一网络参数和所述第二网络参数。

5.根据权利要求1所述的方法，所述获得终端的历史通信数据，包括：

从核心网的应用网元和会话管理网元获得终端的历史通信数据。

6.根据权利要求1所述的方法，

所述激活函数具有目标系数，在所述激活函数的自变量为非正值时，所述激活函数的因变量根据所述自变量和所述目标系数确定。

7.根据权利要求6所述的方法，所述根据所述应用预测通信数据分配通信资源，包括：

通过所述目标网元对应的目标工作流线程，向所述目标网元提供所述应用预测通信数据。

8.根据权利要求6所述的方法，所述根据所述应用预测通信数据分配通信资源，包括：

根据多个终端的所述应用预测通信数据，确定所述第二时段内终端配置的多个应用的使用量，所述应用的使用量表征在所述第二时段内使用所述应用的终端的数量；

在所述第二时段内根据所述应用的使用量给所述应用分配通信资源。

9.根据权利要求1所述的方法，所述应用的通信数据，包括所述应用的通信开始时间戳、通信结束时间戳、数据上行速率、数据下行速率和通信流量中至少一者。

10.一种通信预测装置，包括：

获得单元，用于获得终端的历史通信数据，所述历史通信数据包括所述终端在第一时段内运行过的应用的通信数据；

处理单元，用于利用用户终端通信预测模型处理所述历史通信数据，获得所述终端的应用预测通信数据，所述应用预测通信数据指示第二时段内所述终端的应用的通信情况，所述第二时段为所述第一时段之后的时段；

其中，所述用户终端通信预测模型包括深度神经网络，所述深度神经网络的激活函数为线性整流函数，在自变量为正值时，所述激活函数的因变量根据所述自变量确定；

分配单元，用于根据所述应用预测通信数据分配通信资源。