CN117851818A - 一种模型训练方法、小区天线调整方法、装置及电子设备 - Google Patents
一种模型训练方法、小区天线调整方法、装置及电子设备 Download PDFInfo
- Publication number
- CN117851818A CN117851818A CN202211202383.1A CN202211202383A CN117851818A CN 117851818 A CN117851818 A CN 117851818A CN 202211202383 A CN202211202383 A CN 202211202383A CN 117851818 A CN117851818 A CN 117851818A
- Authority
- CN
- China
- Prior art keywords
- user
- space
- distribution
- time window
- target cell
- 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
- 238000012549 training Methods 0.000 title claims abstract description 112
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000009826 distribution Methods 0.000 claims abstract description 541
- 230000015654 memory Effects 0.000 claims description 32
- 238000005259 measurement Methods 0.000 claims description 30
- 230000006870 function Effects 0.000 claims description 16
- 238000003860 storage Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000002360 preparation method Methods 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 239000000758 substrate Substances 0.000 claims 1
- 230000008859 change Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 11
- 238000004891 communication Methods 0.000 description 8
- 239000011159 matrix material Substances 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000012360 testing method Methods 0.000 description 8
- 238000005457 optimization Methods 0.000 description 7
- 238000013459 approach Methods 0.000 description 6
- 238000013527 convolutional neural network Methods 0.000 description 6
- 238000004590 computer program Methods 0.000 description 5
- 230000004913 activation Effects 0.000 description 4
- 101100134058 Caenorhabditis elegans nth-1 gene Proteins 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000003042 antagnostic effect Effects 0.000 description 1
- 230000008485 antagonism Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000011022 operating instruction Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012856 packing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000001308 synthesis method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0475—Generative networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/09—Supervised learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/094—Adversarial learning
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Electromagnetism (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供一种模型训练方法、小区天线调整方法、装置及电子设备。包括:获取目标小区的用户分布时空序列样本,用户分布时空序列样本由多个连续时间窗口的用户空间分布数据组成,用户分布时空序列样本标注有目标时间窗口的用户空间分布数据,目标时间窗口是多个连续时间窗口之后的时间窗口。将用户分布时空序列样本输入至用户分布预测模型,得到目标小区对应目标时间窗口的预测用户空间分布数据。基于用户分布时空序列样本标注的目标时间窗口的用户空间分布数据,和用户分布预测模型提供的目标时间窗口的预测用户空间分布数据,确定用户分布预测模型的训练损失。基于训练损失,对用户分布预测模型进行参数调整。
Description
技术领域
本申请涉及人工智能技术领域,尤其涉及一种模型训练方法、小区天线调整方法、装置及电子设备。
背景技术
在通信领域里,网络优化是提高用户通信体验的主要措施。其中,用户分布是网络优化十分重要的参考指标。这里,以通信网络中的小区优化为例,如果能够预测得到小区的用户分布在下一时刻将要发生改变,则可以根据预测到的用户分布对小区的一些参数进行自适应调整,以应对未来的变化。
为此,如何对未来用户分布进行准确预测,以及如何根据预测得到的未来用户分进行网络优化,是当前亟需解决的技术问题。
发明内容
本申请目的是提供一种模型训练方法、小区天线调整方法、装置及电子设备,能够基于小区的历史用户分布对未来用户分布实现准确,并根据预测得到的未来用户分布对小区天线进行调整。
为了实现上述目的,本申请实施例是这样实现的:
第一方面,提供一种模型训练方法,包括:
获取目标小区的用户分布时空序列样本,所述用户分布时空序列样本由多个连续时间窗口的用户空间分布数据组成,所述用户分布时空序列样本标注有目标时间窗口的用户空间分布数据,所述目标时间窗口是所述多个连续时间窗口之后的时间窗口;
将所述用户分布时空序列样本输入至用户分布预测模型,得到所述目标小区对应所述目标时间窗口的预测用户空间分布数据;
基于所述用户分布时空序列样本标注的所述目标时间窗口的用户空间分布数据,和所述用户分布预测模型提供的所述目标时间窗口的预测用户空间分布数据,确定所述用户分布预测模型的训练损失;
第二方面,提供一种小区天线调整方法,包括:
获取目标小区与未来时间窗口相关联的用户分布时空序列,所述用户分布时空序列由多个连续历史时间窗口的用户空间分布数据组成;
将所述用户分布时空序列输入至用户分布预测模型,得到所述目标小区对应所述未来时间窗口的预测用户空间分布数据;其中,所述用户分布预测模型是基于所述目标小区的用户分布时空序列样本训练得到的,所述用户分布时空序列样本由多个连续时间窗口的用户空间分布数据组成,所述用户分布时空序列样本标注有目标时间窗口的用户空间分布数据,所述目标时间窗口是所述多个连续时间窗口之后的时间窗口;
基于所述目标小区对应所述未来时间窗口的预测用户空间分布数据,确定相匹配的天线调整策略;
在所述未来时间窗口,按照所述天线调整策略对所述目标小区进行天线调整。
第三方面,提供一种模型训练装置,包括:
训练样本获取模块,用于获取目标小区的用户分布时空序列样本,所述用户分布时空序列样本由多个连续时间窗口的用户空间分布数据组成,所述用户分布时空序列样本标注有目标时间窗口的用户空间分布数据,所述目标时间窗口是所述多个连续时间窗口之后的时间窗口;
训练样本输入模块,用于将所述用户分布时空序列样本输入至用户分布预测模型,得到所述目标小区对应所述目标时间窗口的预测用户空间分布数据;
训练损失计算模块,用于基于所述用户分布时空序列样本标注的所述目标时间窗口的用户空间分布数据,和所述用户分布预测模型提供的所述目标时间窗口的预测用户空间分布数据,确定所述用户分布预测模型的训练损失;
训练调整模块,基于所述训练损失,对所述用户分布预测模型进行参数调整。
第四方面,提供一种小区天线调整装置,包括:
预测准备模块,用于获取目标小区与未来时间窗口相关联的用户分布时空序列,所述用户分布时空序列由多个连续历史时间窗口的用户空间分布数据组成;
预测执行模块,用于将所述用户分布时空序列输入至用户分布预测模型,得到所述目标小区对应所述未来时间窗口的预测用户空间分布数据;其中,所述用户分布预测模型是基于所述目标小区的用户分布时空序列样本训练得到的,所述用户分布时空序列样本由多个连续时间窗口的用户空间分布数据组成,所述用户分布时空序列样本标注有目标时间窗口的用户空间分布数据,所述目标时间窗口是所述多个连续时间窗口之后的时间窗口;
策略确定模块,用于基于所述目标小区对应所述未来时间窗口的预测用户空间分布数据,确定相匹配的天线调整策略;
策略执行模块,在所述未来时间窗口,按照所述天线调整策略对所述目标小区进行天线调整。
第五方面,本申请实施例提供了一种电子设备,包括:处理器;以及,被配置为存储计算机可执行指令的存储器,所述计算机可执行指令在被执行时使所述处理器执行第一方面或第二方面所述的方法。
第六方面,提供一种计算机可读存储介质,所述计算机可读存储介质用于存储计算机可执行指令,所述计算机可执行指令在被处理器执行时实现第一方面或第二方面所述的方法。
本申请实施例的方案将小区多个连续时间窗口的用户空间分布数据组合成用户分布时空序列样本,并以多个连续时间窗口之后的目标时间窗口的用户空间分布数据为标签,对用户分布时空序列样本进行标注,从而基于标注后的用户分布时空序列样本对用户分布预测模型进行训练。训练过程是以标签所标注的目标时间窗口的用户空间分布数据作为监督,对用户分布预测模型进行参数调整,使得用户分布预测模型输出的预测用户空间分布数据逐向标签标注的目标时间窗口的用户空间分布数据趋近。由于目标时间窗口相对于用户分布时空序列样本而言属于未来时间窗口,因此训练得到的用户分布预测模型最终能够根据多个连续历史时间窗口的用户空间分布数据所组成的用户分布时空序列,来预测未来时间窗口的用户空间分布数据,从而提前规划好对小区天线的调整策略,最终使小区天线的覆盖能够自适用于未来用户分布的变化。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有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实施例中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例的模型训练方法的第一种流程示意图。
图2为长短期记忆网络的结构示意图。
图3为对抗网络的结构示意图。
图4为本申请实施例的目标小区栅格化的示意图。
图5为本申请实施例的滑窗法确定用户分布时空序列的示意图。
图6为本申请实施例的ConvLSTM模型预测用户分布时空数据的示意图。
图7为本申请实施例的小区天下调整的流程示意图。
图8为本申请实施例的模型训练装置的结构示意图。
图9为本申请实施例的小区天线调整最终的结构示意图。
图10为本申请实施例的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本说明书中的技术方案,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说明书一部分实施例,而不是全部的实施例。基于本说明书中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都应当属于本说明书保护的范围。
如前文所述,用户分布是网络优化十分重要的参考指标。比如在小区优化的场景中,当预测到小区的用户分布在下一时刻将要发生改变,可以根据预测到的用户分布自适应对小区中的一些参数进行调整,以提高用户的通信体验。为此,如何实现对未来用户分布进行准备预测,以及如何根据预测得到的未来用户分进行网络优化,是本申请所要解决的技术问题。
具体地,一方面本申请实施例提出一种模型训练方案,可以基于人工智能的深度学习技术,训练得到对通信网络中的小区进行用户分布预测的模型,即用户分布预测模型。另一方面本申请实施例还基于训练得到的用户分布预测模型,提出一种小区天线调整调整,可以根据用户分布预测模型预测得到的小区的未来用户分布,调整小区天线的参数,使小区天线的覆盖能够自适应未来用户分布的变化。
参考图1,图1为本申请实施例的模型训练方法的流程示意图,具体包括如下步骤:
S102,获取目标小区的用户分布时空序列样本,用户分布时空序列样本由多个连续时间窗口的用户空间分布数据组成,用户分布时空序列样本标注有目标时间窗口的用户空间分布数据,目标时间窗口是多个连续时间窗口之后的时间窗口。
本实施例采用有监督的方式,训练用户分布预测模型。用户分布时空序列样作为用户分布预测模型的训练样本。
应理解,时空序列是指空间和时间两个维度所呈现的特征信息。
本步骤所述的用户空间分布数据即空间维度所呈现的用户分布。在通信领域里,测量报告(Measurement Report,MR)是用户终端上行传输的信息,包含有用户终端的角度测量信息,如水平到达角(Hdoa)和垂直到达角(Vdoa)。通过测量报告中的Hdoa和Vdoa,可以确定用户终端的地理位置信息。为此,本实施例可以基于目标小区的测量报告在空间维度上确定用户分布。比如,将目标小区进行栅格化处理,构建目标小区的栅格地图,以确定每个栅格的地理位置信息。当收集到目标小区对应多个连续时间窗口的测量报告集后,按照测量报告中的地理位置信息(Hdoa和Vdoa),将测量报告集映射至目标小区中地理位置相匹配的栅格中,以得到目标小区对应多个连续时间窗口的测量报告分布。之后,以时间窗口作为时间维度上的粒度,在映射后的栅格地图中确定目标小区对应每个时间窗口的用户空间分布数据。其中,用户空间分布数据可以但不限于是为用户分布的栅格矩阵数据。栅格矩阵中每个栅格的数据为该栅格所对应的测量报告占比。也就是说,栅格映射到的测量报告越多,则测量报告占比越高,对应的用户分布的密度越大;反之,栅格映射到的测量报告越少,则测量报告占比越低,对应的用户分布的密度越大小。可以看出,用户空间分布数据可以准确体现用户终端(代表)在小区中各个栅格的分布情况。
本实施例将连续多个时间窗口的用户空间分布数据按照时间排序进行组合,即可结合时间维度,得到目标小区的用户分布时空序列样本。
对于本实施例而言,用户分布预测模型的原理是以用户分布时空序列样本为依据,来预测未来某一时间窗口的用户分布数据。比如,以天作为时间窗口,假设用户分布预测模型用于预测未来一天的用户分布数据,则可以将最近7天的用户分布数据组成用户分布时空序列样本来训练用户分布预测模型,从而使用户分布预测模型可以基于最近一周的用户分布数据,来预测未来一天的用户分布数据。
对应地,在有监督的训练方式下,本实施例将用户分布时空序列样本对应的需要预测目标时间窗口的用户空间分布数据作为标签,对用户分布时空序列样本进行标注。比如,用户分布时空序列样本是8月22号到8月28这一周7天的用户空间分布数据所组成的,假设用户分布预测模型用于预测未来一天的用户分布数据,则将8月29的用户空间分布数据作为标签,对用户分布时空序列样本进行标注;再比如,用户分布时空序列样本是8月22号到8月28这一周7天的用户空间分布数据所组成的,假设用户分布预测模型用于预测未来第一天的用户分布数据,则将8月30的用户空间分布数据作为标签,对用户分布时空序列样本进行标注。
应理解,用户分布时空序列样所标注的标签作为用户分布预测模型的输出期望。有监督训练的原理是将用户分布时空序列样输入至用户分布预测模型,得到用户分布预测模型的预测结果,通过将训练结果与用户分布时空序列样所标注的标签进行比对,以对用户分布预测模型进行多轮迭代的参数调整,从而使用户分布预测模型的预测结果逐渐趋近于标签所标注的目标时间窗口的用户空间分布数据,以形成预测能力。
S204,将用户分布时空序列样本输入至用户分布预测模型,得到目标小区对应目标时间窗口的预测用户空间分布数据。
本实施例的用户分布预测模型具体为时空序列模型,比如,卷积长短期记忆ConvLSTM模型、对抗网络-长短期记忆GAN-LSTM模型等,这里本文不对用户分布预测模型作具体限定。
以ConvLSTM模型为示例。ConvLSTM模型是卷积神经网络(Convolutional neuralnetwork,CNN)和长短期记忆网络(Long Short-Term Memory,LSTM)的结合体。CNN主要包括卷积层、池化层和全连接层,可以通过对用户分布时空序列进行卷积、池化和全连接层的计算,以在空间维度上实现对用户分布时空序列的特征编码,从而提取用户分布时空序列中的空间特征。如图2所示,LSTM主要结构包括遗忘门、传入门和输出门。其中,σ表示sigmoid函数,用于把输入数据压缩到0或1的取值,0代表信息无法通过,1代表信息可以通过;tanh表示双曲正切函数,用于对输入数据进行双曲正切。遗忘门的作用是控制记忆单元,决定历史时刻的状态保留多少到当前时刻,通过sigmoid函数实现遗忘部分。传入门决定当前时刻哪些信息会被保存下来,也是通过sigmoid函数实现信息存储。输出门决定输出状态信息。LSTM能够在时间维度上,实现对用户分布时空序列的特征编码,从而提取用户分布时空序列中的时间特征(也成时序特征)。ConvLSTM模型过CNN和LSTM的组合,即可捕获到用户分布时空序列中的时空特征,从而根据用户分布时空序列中的时空特征预测目标时间窗口的用户分布数据。
以GAN-LSTM模型为示例。GAN-LSTM是对抗网络(GAN)和LSTM的结合体。如图3所示,GAN主要包括生成器和判别器。生成器输出假数据样本,把这个假数据样本和真数据样本进行空间维度的特征编码后输入至判别器后,由判别器判断哪个数据样本是真哪个数据样本是假。通过对GAN特征编码能力的调整,当判别器没法判断哪个数据样本是真哪个数据样本是假时,即可使GAN具备空间维度的特征编码能力,从而可以提取用户分布时空序列中的空间特征。同理,GAN-LSTM模型过GAN和LSTM的组合,也可以捕获到用户分布时空序列中的时空特征,从而根据用户分布时空序列中的时空特征预测目标时间窗口的用户分布数据。
应理解,本步骤将用户分布时空序列样本输入至用户分布预测模型,得到的预测用户空间分布数据即为用户分布预测模型的训练结果。
S206,基于用户分布时空序列样本标注的目标时间窗口的用户空间分布数据,和用户分布预测模型提供的所述目标时间窗口的预测用户空间分布数据,确定用户分布预测模型的训练损失。
如前所述,用户分布时空序列样本标注的目标时间窗口的用户空间分布数据是用户分布时空序列样本的标签,作为用户分布预测模型的输出期望。
用户分布预测模型的训练损失是指用户分布预测模型提供预测用户空间分布数据与标签所标注的目标时间窗口的用户空间分布数据之间的误差。显然,误差越小,则用户分布预测模型预测越准确。
应理解,本步骤计算用户分布预测模型的训练损失,是进一步确定用户分布预测模型的参数调整方向,从而使用户分布预测模型提供的预测用户空间分布数据能够逐渐与标签一致。
在实际应用中,本实施例可以预先构建一个二分类的交叉熵损失函数,通过将用户分布时空序列样本标注的目标时间窗口的用户空间分布数据,和用户分布预测模型提供的目标时间窗口的预测用户空间分布数据输入至该交叉熵损失函数中,以直接得到用户分布预测模型的训练损失。需要说明的是,计算训练损失的损失函数并不唯一,这里本文不作具体限定。
S208,基于训练损失,对用户分布预测模型进行参数调整。
具体地,本步骤降低训练损失维度为梯度方向,对用户分布预测模型进行参数调整,从而使用户分布预测模型输出的目标时间窗口的预测用户空间分布数据逐渐趋近于标签所标注的目标时间窗口的用户空间分布数据。
上述对用户分布预测模型进行参数调整的过程即为有监督训练。当训练收敛到一定程度后,比如说户分布预测模型输出的目标时间窗口的预测用户空间分布数据不再发生改变或者改变幅度小于预期,则表示训练结束。
应理解,本实施例使用用户分布时空序列样本构建的训练集对用户分布预测模型进行训练,最终可以使用户分布预测模型在训练集上体现出较高的预测准确率。但在实际投用中,用户分布预测模型并不一定也能具有较高的预测准确率。
为此,还可以进一步使用与训练集不同的用户分布时空序列样本作为预测集,对用户分布预测模型的性能进行评估。即,将预测集的用户分布时空序列样本输入至用户分布预测模型进行预测,如果用户分布预测模型在预测集也能体现出较高的预测准确率,则表示用户分布预测模型成功完成训练;反之,如果用户分布预测模型在预测集不能体现出较高的预测准确率,则可以对训练集中的用户分布时空序列样本进行调整,比如,在训练集中引用新的用户分布时空序列样本、删除练集中预存准确率较低的用户分布时空序列样本以及对训练集中的用户分布时空序列样本进行重新标注等。之后,通过调整后的训练集重新对户分布预测模型进行训练,并再使用测试集对用户分布预测模型的性能进行评估,直至用户分布预测模型在预测集也能体现出较高的预测准确率后,结束整个训练流程。
基于上述内容可知,本申请实施例的模型训练方法将目标小区多个连续时间窗口的用户空间分布数据组合成用户分布时空序列样本,并以多个连续时间窗口之后的目标时间窗口的用户空间分布数据为标签,对用户分布时空序列样本进行标注,从而基于标注后的用户分布时空序列样本对用户分布预测模型进行训练。训练过程是以标签所标注的目标时间窗口的用户空间分布数据作为监督,对用户分布预测模型进行参数调整,使得用户分布预测模型输出的预测用户空间分布数据逐向标签标注的目标时间窗口的用户空间分布数据趋近。由于目标时间窗口相对于用户分布时空序列样本而言属于未来时间窗口,通过本申请实施例的模型训练方法所训练得到的用户分布预测模型最终能够根据多个连续历史时间窗口的用户空间分布数据所组成的用户分布时空序列,来预测未来时间窗口的用户空间分布数据,从而为小区天线应对未来用户分布变化而调整提供数据支持。
下面结合一个应用场景,对本申请实施例的模型训练方法进行详细介绍。
本应用场景的模型训练方法包括以下几个阶段:
阶段一:数据采集及数据预处理
数据准备是以时间粒度CollectDataStep(默认单位/分钟)从目标小区的网关、网元或数据服务模块采集时长为CollectDataTime的测量报告数据。数据采集到的内容包括但不限于:测量报告的时间戳信息(年/月/日/时/分),RRC连接用户数激活用户数、HDoA/VDoA空间信息等。应理解,CollectDataStep和CollectDataTime可以根据需求进行设置,这里本文不作具体限定。
之后,参考图2,以Hdoa作为横轴,以Vdoa作为纵轴,对目标小区进行栅格化。每个栅格的尺寸为Hdoa范围为-60~60度(水平栅格步长HorizontalBeamGridSpace度),垂直Vdoa范围为-20~20度(垂直栅格步长VerticalBeamGridSpace度)。
在得到目标小区的栅格地图后,根据采集到的测试报告数据,将测试报告映射至图2所示的栅格地图中,并统计每个栅格的测试报告占比,这样就可以获得小区用户分布的画像信息,即前文所述的栅格矩阵数据。
之后,根据需求设定时间窗口,比如以天作为时间窗口的单位,对图2中映射有测试报告的栅格进行时间窗口的细分,得到连续多个天的栅格矩阵数据。这里,本应用场景将连续7天(一周)的栅格矩阵数据进行组合,即可得到一个用户分布时空序列样本。
阶段二:模型构建及训练
本应用场景使用ConvLSTM模型作为用户分布预测模型。
首先是收集ConvLSTM模型的数据集。
本应用场景可以通过滑窗法获取ConvLSTM模型的数据集。参考图3所示的滑窗法示意图,由于本应用场景一个用户分布时空序列样本由连续7个“天”时间窗口的用户分布数据构成,因此可以构建一个长度为7个时间窗口的滑窗。滑窗以“天”为步长,向未来方向进行滑动。滑窗每滑动一次,其涵盖的连续7天的用户分布数据即可是视为一个用户分布时空序列样本。
比如,图3中滑窗在滑动前,第n-7天的用户分布数据到第n-1天的用户分布数据组成用户分布时空序列样本1;滑动一次后,第n-6天的用户分布数据到第n天的用户分布数据组成用户分布时空序列样本2。
这里进一步参考图4。假设本应用场景的ConvLSTM模型用于预测未来一天的用户分布数据,则将图3中用户分布时空序列样本1输入至ConvLSTM模型后,ConvLSTM模型应输出的是第n天的用户分布数据(即预测用户分布数据)。为此,需要将真值的第n天的用户分布数据作为用户分布时空序列样本1的标签。同理,对于图3中用户分布时空序列样本2而言,真值的第n+1天的用户分布数据应作为用户分布时空序列样本2的标签。
在ConvLSTM模型的数据集收集完成后,按照一定比例进行抽样构建训练集train_set和预测集test_set。比如,设置train_set与test_set的样本比例为8:2,则每10个抽样的用户分布时空序列样本中,有8个被选为train_set,其余2个被选为test_set。
同时,对ConvLSTM模型的训练参数进行设置。
这里简单举例介绍,ConvLSTM模型的CNN参数配置如下:
filters:卷积神经网络卷积核的数目,默认配置30个,卷积核主要做局部空间特征信息的提取。
kernel_size:卷积核大小,kernel_size=(3,3)。
strides:(1,1)为卷积的步长,即卷积核向右和向下一次移动几格,默认步长为1。
padding:补0,常见有“valid”或“same”,默认为“same”。
activation:激活函数,常见的激活函数有sigmoid、tanh、Relu等,默认为sigmoid函数。
模型训练相关参数配置如下:
BatchSize(每批大小):即每批训练的样本数量,默认为10。
Epoch(训练轮数):训练轮数,默认100次。
Optimizer(优化器):决定模型损失函数梯度下降的收敛方式,默认adadelta。
Loss函数:损失函数使用binary交叉熵。
在训练参数设定好后,即可使用train_set对ConvLSTM模型进行迭代训练。在完成BatchSize/Epoch次的迭代训练后,使用test_set评估ConvLSTM模型的性能。如果性能满足投用要求,则结束训练;否则,对train_set进行重新抽样构建,并对按照上述训练参数对ConvLSTM模型进行重新迭代训练,直至ConvLSTM模型通过test_set的评估。
对应地,图7为本申请实施例的小区天线调整方法的流程示意图,具体包括如下步骤:
S702,获取目标小区与未来时间窗口相关联的用户分布时空序列,用户分布时空序列由多个连续历史时间窗口的用户空间分布数据组成。
本实施例中,目标小区为需要天线调整的小区,多个连续历史时间窗口是基于上文所介绍的与时间窗口数量相匹配的滑窗法确定得到。可选地,多个连续历史时间窗口中的最后一个时间窗口为当前时间最近的一个时间窗口,也就是本实施例基于当前最近的多个连续历史时间窗口生成用户分布时空序列。
S704,将用户分布时空序列输入至用户分布预测模型,得到目标小区对应未来时间窗口的预测用户空间分布数据;其中,用户分布预测模型是基于目标小区的用户分布时空序列样本训练得到的,用户分布时空序列样本由多个连续时间窗口的用户空间分布数据组成,用户分布时空序列样本标注有目标时间窗口的用户空间分布数据,目标时间窗口是多个连续时间窗口之后的时间窗口。
本步骤所得到的预测用户空间分布数据可以是上文所述的栅格矩阵数据,也就是用户分布预测模型能够预测到的目标小区中各个栅格所映射得到的测量报告。由于测量报告是用户终端设备上传的,因此预测的栅格矩阵数据可以准确地体现出目标小区中用户分布的情况,从而为后续天线调整提供数据支持。
S706,基于目标小区对应未来时间窗口的预测用户空间分布数据,确定相匹配的天线调整策略。
本实施例的天线调整策略可以但不限于是指:调整目标小区天线的覆盖权重、输出功率、发射角度等,这些参数决定了目标小区天线在各个栅格投射的信号强度。对应申请而言,调整目标地是控制目标小区天线对用户分布密度较高的栅格投射较高强度的信号,对用户分布密度较低的栅格投射较低强度的信号,从而在有限的资源下,为目标小区的用户提供高质量的通信服务。
具体地,本实施例还可以根据预测用户空间分布数据,来分析未来时间的用户分布相对当前时间是否发生较大变化。如果变化较大,则根据预测用户空间分布数据,确定相匹配的天线调整策略;如果变化较大(用户分布在正常波动范围内变化),则可以等待对下一个未来时间窗口进行用户空间分布数据的预测,再确定是否需要天线调整策略。
作为示例性介绍,本实施例可以将未来时间窗口对应的上一历史时间窗口作为参考时间窗口,并根据目标小区对应参考时间窗口的用户空间分布数据,和目标小区对应未来时间窗口的预测用户空间分布数据,确定目标小区的用户分布变化量。比如,将目标小区对应参考时间窗口的用户空间分布数据,和目标小区对应未来时间窗口的预测用户空间分布数据进行特征向量编码,得到目标小区对应参考时间窗口的第一特征向量,和目标小区对应未来时间窗口的第二特征向量;之后,基于第一特征向量与第二特征向量之间的余弦距离,确定目标小区的用户分布变化量。如果余弦距离较小(低于预设距离阈值),则表示未来时间窗口相对参考时间窗口的用户分布变化不大;反之,如果余弦距离较大(达到预设距离阈值),则表示未来时间窗口相对参考时间窗口的用户分布变化较大。
S708,在未来时间窗口,按照天线调整策略对目标小区进行天线调整。
本实施例的小区天线方法将小区多个连续时间窗口的用户空间分布数据组合成用户分布时空序列样本,并以多个连续时间窗口之后的目标时间窗口的用户空间分布数据为标签,对用户分布时空序列样本进行标注,从而基于标注后的用户分布时空序列样本对用户分布预测模型进行训练。训练过程是以标签所标注的目标时间窗口的用户空间分布数据作为监督,对用户分布预测模型进行参数调整,使得用户分布预测模型输出的预测用户空间分布数据逐向标签标注的目标时间窗口的用户空间分布数据趋近。由于目标时间窗口相对于用户分布时空序列样本而言属于未来时间窗口,因此训练得到的用户分布预测模型最终能够根据多个连续历史时间窗口的用户空间分布数据所组成的用户分布时空序列,来预测未来时间窗口的用户空间分布数据,从而提前规划好对小区天线的调整策略,最终使小区天线的覆盖能够自适用于未来用户分布的变化。
下面结合一个应用场景,对本实施例的小区天线调整方法进行详细介绍。
本应用场景用于调整目标小区的5G网络智能天线权值。为此可以预先构建一个天线权值与用户分布对应的射频指纹库。比如,针对目标小区的高楼、商场等不同的用户分布场景,预先构建典型用户分布场景与其对应的最佳匹配天线权值,从而生成射频指纹库。当预测到通信网络的用户分布将要发生改变时,能够根据预测到的用户分布信息自适应匹配射频指纹库里的覆盖权值,做到天线权值的自适应智能化调整,进一步提升5G网络覆盖性能。
对应流程包括如下步骤:
数据采集与数据预处理。
以时间粒度CollectDataStep(默认单位/分钟)从网管、网元或数据服务等模块采集时长为CollectDataTime等于一个月(默认单位/天)的测量报告数据,数据采集到的内容包括但不限于:测量报告的时间戳信息(年/月/日/时/分),RRC连接用户数激活用户数、HDoA/VDoA空间信息等。
之后,对目标小区进行栅格化。每个栅格的尺寸为Hdoa范围为-60~60度(水平栅格步长HorizontalBeamGridSpace度),垂直Vdoa范围为-20~20度(垂直栅格步长VerticalBeamGridSpace度)。
在得到目标小区的栅格地图后,根据采集到的测试报告数据,将测试报告映射至栅格地图中,并统计每个栅格的测试报告占比,这样就可以获得目标小区的用户分布时空数据。
假设本应用场景基于n-7~n-1这一周7天的用户分布时空数据,来预测第n天的用户分布时空数据,则将将n-7~n-1这连续7天用户分布时空数据组成用户分布时空序列,并输入至用户分布预测模型,由用户分布预测模型输出预测的第n天的用户分布时空数据。
之后,对于第n天的用户分布时空数据,若发现与第n-1天的用户分布时空数据存在较大差异,则根据第n天的用户分布时空数据自适应匹配射频指纹库里的天线覆盖权值,做到天线覆盖权值跟随用户分布的变化去做自适应调整,进一步提升5G网络覆盖性能。
其中,确定第n天与第n-1天的用户分布时空数据的差异性是基于余弦距离的相关性算法实现的。
即,将第n天和第n-1天的用户分布时空数据(二维的栅格矩阵数据)进行降维的特征编码,得到第n天一维的特征向量X和第n-1天一维的特征向量Y。
之后,基于公式:计算第n天与第n-1天的用户分布时空数据的相关性。这里,设定一个相关性门限CorrThr,当计算得到的相关性低于CorrThr,则认为用户分布存在差异,反之则认为用户分布相似。
此外,本申请实施例还提供一种模型训练装置。图8是模型训练装置800的结构示意图,包括:
训练样本获取模块810,用于获取目标小区的用户分布时空序列样本,所述用户分布时空序列样本由多个连续时间窗口的用户空间分布数据组成,所述用户分布时空序列样本标注有目标时间窗口的用户空间分布数据,所述目标时间窗口是所述多个连续时间窗口之后的时间窗口。
训练样本输入模块820,用于将所述用户分布时空序列样本输入至用户分布预测模型,得到所述目标小区对应所述目标时间窗口的预测用户空间分布数据。
训练损失计算模块830,用于基于所述用户分布时空序列样本标注的所述目标时间窗口的用户空间分布数据840,和所述用户分布预测模型提供的所述目标时间窗口的预测用户空间分布数据,确定所述用户分布预测模型的训练损失。
训练调整模块850,基于所述训练损失,对所述用户分布预测模型进行参数调整。
本申请实施例的模型训练装置将目标小区多个连续时间窗口的用户空间分布数据组合成用户分布时空序列样本,并以多个连续时间窗口之后的目标时间窗口的用户空间分布数据为标签,对用户分布时空序列样本进行标注,从而基于标注后的用户分布时空序列样本对用户分布预测模型进行训练。训练过程是以标签所标注的目标时间窗口的用户空间分布数据作为监督,对用户分布预测模型进行参数调整,使得用户分布预测模型输出的预测用户空间分布数据逐向标签标注的目标时间窗口的用户空间分布数据趋近。由于目标时间窗口相对于用户分布时空序列样本而言属于未来时间窗口,通过本申请实施例的模型训练方法所训练得到的用户分布预测模型最终能够根据多个连续历史时间窗口的用户空间分布数据所组成的用户分布时空序列,来预测未来时间窗口的用户空间分布数据,从而为小区天线应对未来用户分布变化而调整提供数据支持。
可选地,训练样本获取模块810具体用于:获取目标小区对应所述多个连续时间窗口的测量报告集;对所述目标小区进行栅格化处理,确定所述目标小区中每个栅格的地理位置信息;按照测量报告中的地理位置信息,将所述测量报告集映射至所述目标小区中地理位置相匹配的栅格中,得到所述目标小区对应所述多个连续时间窗口的测量报告分布;基于所述目标小区对应所述多个连续时间窗口中的每个时间窗口的测量报告分布,确定所述目标小区对应每个时间窗口的用户空间分布数据,并将每个时间窗口的用户空间分布数据按照时间排序进行组合,得到所述目标小区的用户分布时空序列样本。
可选地,所述用户分布预测模型为卷积长短期记忆ConvLSTM模型或生成对抗网络-长短期记忆GAN-LSTM模型。
可选地,训练损失计算模块830具体用于:将所述用户分布时空序列样本标注的所述目标时间窗口的用户空间分布数据,和所述用户分布预测模型提供的所述目标时间窗口的预测用户空间分布数据输入至二分类的交叉熵损失函数,以计算得到所述用户分布预测模型的训练损失。
显然,图8所示的模型训练装置可以作为图1所示方法的执行主体,因此可以实现该方法在图1所示的步骤和相应的功能。由于原理相同,本文不再具体赘述。
此外,本申请实施例还提供一种小区天线调整装置。图9是小区天线调整装置900的结构示意图,包括:
预测准备模块910,用于获取目标小区与未来时间窗口相关联的用户分布时空序列,所述用户分布时空序列由多个连续历史时间窗口的用户空间分布数据组成。
预测执行模块920,用于将所述用户分布时空序列输入至用户分布预测模型,得到所述目标小区对应所述未来时间窗口的预测用户空间分布数据;其中,所述用户分布预测模型是基于所述目标小区的用户分布时空序列样本训练得到的,所述用户分布时空序列样本由多个连续时间窗口的用户空间分布数据组成,所述用户分布时空序列样本标注有目标时间窗口的用户空间分布数据,所述目标时间窗口是所述多个连续时间窗口之后的时间窗口。
策略确定模块930,用于基于所述目标小区对应所述未来时间窗口的预测用户空间分布数据,确定相匹配的天线调整策略。
策略执行模块940,在所述未来时间窗口,按照所述天线调整策略对所述目标小区进行天线调整。
可选地,策略确定模块930具体用于:获取所述目标小区对应参考时间窗口的用户空间分布数据,所述参考时间窗口是所述未来时间窗口的上一历史时间窗口;基于所述目标小区对应所述参考时间窗口的用户空间分布数据,和所述目标小区对应所述未来时间窗口的预测用户空间分布数据,确定所述目标小区的用户分布变化量;若所述目标小区的用户分布变化量达到预设变化量标准,则基于所述目标小区对应所述未来时间窗口的预测用户空间分布数据,确定相匹配的天线调整策略。
其中,策略确定模块930可以将所述目标小区对应所述参考时间窗口的用户空间分布数据,和所述目标小区对应所述未来时间窗口的预测用户空间分布数据进行特征向量编码,得到所述目标小区对应所述参考时间窗口的第一特征向量,和所述目标小区对应所述未来时间窗口的第二特征向量;基于所述第一特征向量与所述第二特征向量之间的余弦距离,确定所述目标小区的用户分布变化量。
可选地,所述多个连续历史时间窗口是基于时间窗口数量相匹配的滑窗法所确定得到的,所述多个连续历史时间窗口中的最后一个时间窗口为当前时间最近的一个时间窗口。
显然,图9所示的小区天线调整装置可以作为图7所示方法的执行主体,因此可以实现该方法在图7所示的步骤和相应的功能。由于原理相同,本文不再具体赘述。
图10是本说明书的一个实施例电子设备的结构示意图。请参考图10,在硬件层面,该电子设备包括处理器,可选地还包括内部总线、网络接口、存储器。其中,存储器可能包含内存,例如高速随机存取存储器(Random-Access Memory,RAM),也可能还包括非易失性存储器(non-volatile memory),例如至少1个磁盘存储器等。当然,该电子设备还可能包括其他业务所需要的硬件。
处理器、网络接口和存储器可以通过内部总线相互连接,该内部总线可以是ISA(Industry Standard Architecture,工业标准体系结构)总线、PCI(PeripheralComponent Interconnect,外设部件互连标准)总线或EISA(Extended Industry StandardArchitecture,扩展工业标准结构)总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示,图10中仅用一个双向箭头表示,但并不表示仅有一根总线或一种类型的总线。
存储器,用于存放程序。具体地,程序可以包括程序代码,所述程序代码包括计算机操作指令。存储器可以包括内存和非易失性存储器,并向处理器提供指令和数据。
可选地,处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行,在逻辑层面上形成上述图8所示的训练装置。对应地,处理器,执行存储器所存放的程序,并具体用于执行以下操作:
获取目标小区的用户分布时空序列样本,所述用户分布时空序列样本由多个连续时间窗口的用户空间分布数据组成,所述用户分布时空序列样本标注有目标时间窗口的用户空间分布数据,所述目标时间窗口是所述多个连续时间窗口之后的时间窗口。
将所述用户分布时空序列样本输入至用户分布预测模型,得到所述目标小区对应所述目标时间窗口的预测用户空间分布数据。
基于所述用户分布时空序列样本标注的所述目标时间窗口的用户空间分布数据,和所述用户分布预测模型提供的所述目标时间窗口的预测用户空间分布数据,确定所述用户分布预测模型的训练损失。
基于所述训练损失,对所述用户分布预测模型进行参数调整。
或者,处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行,在逻辑层面上形成上述图9所示的小区天线调整装置。对应地,处理器,执行存储器所存放的程序,并具体用于执行以下操作:
获取目标小区与未来时间窗口相关联的用户分布时空序列,所述用户分布时空序列由多个连续历史时间窗口的用户空间分布数据组成。
将所述用户分布时空序列输入至用户分布预测模型,得到所述目标小区对应所述未来时间窗口的预测用户空间分布数据;其中,所述用户分布预测模型是基于所述目标小区的用户分布时空序列样本训练得到的,所述用户分布时空序列样本由多个连续时间窗口的用户空间分布数据组成,所述用户分布时空序列样本标注有目标时间窗口的用户空间分布数据,所述目标时间窗口是所述多个连续时间窗口之后的时间窗口。
基于所述目标小区对应所述未来时间窗口的预测用户空间分布数据,确定相匹配的天线调整策略。
在所述未来时间窗口,按照所述天线调整策略对所述目标小区进行天线调整。
上述如本说明书所示实施例揭示的语音合成方法或者语音播报方法可以应用于处理器中,由处理器实现。处理器可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(Network Processor,NP)等;还可以是数字信号处理器(Digital SignalProcessor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器,处理器读取存储器中的信息,结合其硬件完成上述方法的步骤。
当然,除了软件实现方式之外,本说明书的电子设备并不排除其他实现方式,比如逻辑器件抑或软硬件结合的方式等等,也就是说以下处理流程的执行主体并不限定于各个逻辑单元,也可以是硬件或逻辑器件。
此外,本申请实施例还提出了一种计算机可读存储介质,该计算机可读存储介质存储一个或多个程序,该一个或多个程序包括指令。
可选地,上述指令当被包括多个应用程序的便携式电子设备执行时,能够使该便携式电子设备执行图1所示方法的步骤,包括:
获取目标小区的用户分布时空序列样本,所述用户分布时空序列样本由多个连续时间窗口的用户空间分布数据组成,所述用户分布时空序列样本标注有目标时间窗口的用户空间分布数据,所述目标时间窗口是所述多个连续时间窗口之后的时间窗口。
将所述用户分布时空序列样本输入至用户分布预测模型,得到所述目标小区对应所述目标时间窗口的预测用户空间分布数据。
基于所述用户分布时空序列样本标注的所述目标时间窗口的用户空间分布数据,和所述用户分布预测模型提供的所述目标时间窗口的预测用户空间分布数据,确定所述用户分布预测模型的训练损失。
基于所述训练损失,对所述用户分布预测模型进行参数调整。
或者,上述指令当被包括多个应用程序的便携式电子设备执行时,能够使该便携式电子设备执行图7所示方法的步骤,包括:
获取目标小区与未来时间窗口相关联的用户分布时空序列,所述用户分布时空序列由多个连续历史时间窗口的用户空间分布数据组成。
将所述用户分布时空序列输入至用户分布预测模型,得到所述目标小区对应所述未来时间窗口的预测用户空间分布数据;其中,所述用户分布预测模型是基于所述目标小区的用户分布时空序列样本训练得到的,所述用户分布时空序列样本由多个连续时间窗口的用户空间分布数据组成,所述用户分布时空序列样本标注有目标时间窗口的用户空间分布数据,所述目标时间窗口是所述多个连续时间窗口之后的时间窗口。
基于所述目标小区对应所述未来时间窗口的预测用户空间分布数据,确定相匹配的天线调整策略。
在所述未来时间窗口,按照所述天线调整策略对所述目标小区进行天线调整。
本领域技术人员应明白,本说明书的实施例可提供为方法、系统或计算机程序产品。因此,本说明书可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
以上仅为本说明书的实施例而已,并不用于限制本说明书。对于本领域技术人员来说,本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本说明书的权利要求范围之内。此外,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都应当属于本文件的保护范围。
Claims (12)
1.一种模型训练方法,其特征在于,包括:
获取目标小区的用户分布时空序列样本,所述用户分布时空序列样本由多个连续时间窗口的用户空间分布数据组成,所述用户分布时空序列样本标注有目标时间窗口的用户空间分布数据,所述目标时间窗口是所述多个连续时间窗口之后的时间窗口;
将所述用户分布时空序列样本输入至用户分布预测模型,得到所述目标小区对应所述目标时间窗口的预测用户空间分布数据;
基于所述用户分布时空序列样本标注的所述目标时间窗口的用户空间分布数据,和所述用户分布预测模型提供的所述目标时间窗口的预测用户空间分布数据,确定所述用户分布预测模型的训练损失;
基于所述训练损失,对所述用户分布预测模型进行参数调整。
2.根据权利要求1所述的方法,其特征在于,获取目标小区的用户分布时空序列样本,包括:
获取目标小区对应所述多个连续时间窗口的测量报告集;
对所述目标小区进行栅格化处理,确定所述目标小区中每个栅格的地理位置信息;
按照测量报告中的地理位置信息,将所述测量报告集映射至所述目标小区中地理位置相匹配的栅格中,得到所述目标小区对应所述多个连续时间窗口的测量报告分布;
基于所述目标小区对应所述多个连续时间窗口中的每个时间窗口的测量报告分布,确定所述目标小区对应每个时间窗口的用户空间分布数据,并将每个时间窗口的用户空间分布数据按照时间排序进行组合,得到所述目标小区的用户分布时空序列样本。
3.根据权利要求1所述的方法,其特征在于,
所述用户分布预测模型为卷积长短期记忆ConvLSTM模型或生成对抗网络-长短期记忆GAN-LSTM模型。
4.根据权利要求1所述的方法,其特征在于,基于所述用户分布时空序列样本标注的所述目标时间窗口的用户空间分布数据,和所述用户分布预测模型提供的所述目标时间窗口的预测用户空间分布数据,确定所述用户分布预测模型的训练损失,包括:
将所述用户分布时空序列样本标注的所述目标时间窗口的用户空间分布数据,和所述用户分布预测模型提供的所述目标时间窗口的预测用户空间分布数据输入至二分类的交叉熵损失函数,以计算得到所述用户分布预测模型的训练损失。
5.一种小区天线调整方法,其特征在于,包括:
获取目标小区与未来时间窗口相关联的用户分布时空序列,所述用户分布时空序列由多个连续历史时间窗口的用户空间分布数据组成;
将所述用户分布时空序列输入至用户分布预测模型,得到所述目标小区对应所述未来时间窗口的预测用户空间分布数据;其中,所述用户分布预测模型是基于所述目标小区的用户分布时空序列样本训练得到的,所述用户分布时空序列样本由多个连续时间窗口的用户空间分布数据组成,所述用户分布时空序列样本标注有目标时间窗口的用户空间分布数据,所述目标时间窗口是所述多个连续时间窗口之后的时间窗口;
基于所述目标小区对应所述未来时间窗口的预测用户空间分布数据,确定相匹配的天线调整策略;
在所述未来时间窗口,按照所述天线调整策略对所述目标小区进行天线调整。
6.根据权利要求5方法,其特征在于,包括:基于所述目标小区对应所述未来时间窗口的预测用户空间分布数据,确定相匹配的天线调整策略,包括:
获取所述目标小区对应参考时间窗口的用户空间分布数据,所述参考时间窗口是所述未来时间窗口的上一历史时间窗口;
基于所述目标小区对应所述参考时间窗口的用户空间分布数据,和所述目标小区对应所述未来时间窗口的预测用户空间分布数据,确定所述目标小区的用户分布变化量;
若所述目标小区的用户分布变化量达到预设变化量标准,则基于所述目标小区对应所述未来时间窗口的预测用户空间分布数据,确定相匹配的天线调整策略。
7.根据权利要求6方法,其特征在于,包括:基于所述目标小区对应所述参考时间窗口的用户空间分布数据,和所述目标小区对应所述未来时间窗口的预测用户空间分布数据,确定所述目标小区的用户分布变化量,包括:
将所述目标小区对应所述参考时间窗口的用户空间分布数据,和所述目标小区对应所述未来时间窗口的预测用户空间分布数据进行特征向量编码,得到所述目标小区对应所述参考时间窗口的第一特征向量,和所述目标小区对应所述未来时间窗口的第二特征向量;
基于所述第一特征向量与所述第二特征向量之间的余弦距离,确定所述目标小区的用户分布变化量。
8.根据权利要求5方法,其特征在于,包括:
所述多个连续历史时间窗口是基于时间窗口数量相匹配的滑窗法所确定得到的,所述多个连续历史时间窗口中的最后一个时间窗口为当前时间最近的一个时间窗口。
9.一种模型训练装置,其特征在于,包括:
训练样本获取模块,用于获取目标小区的用户分布时空序列样本,所述用户分布时空序列样本由多个连续时间窗口的用户空间分布数据组成,所述用户分布时空序列样本标注有目标时间窗口的用户空间分布数据,所述目标时间窗口是所述多个连续时间窗口之后的时间窗口;
训练样本输入模块,用于将所述用户分布时空序列样本输入至用户分布预测模型,得到所述目标小区对应所述目标时间窗口的预测用户空间分布数据;
训练损失计算模块,用于基于所述用户分布时空序列样本标注的所述目标时间窗口的用户空间分布数据,和所述用户分布预测模型提供的所述目标时间窗口的预测用户空间分布数据,确定所述用户分布预测模型的训练损失;
训练调整模块,基于所述训练损失,对所述用户分布预测模型进行参数调整。
10.一种小区天线调整装置,其特征在于,包括:
预测准备模块,用于获取目标小区与未来时间窗口相关联的用户分布时空序列,所述用户分布时空序列由多个连续历史时间窗口的用户空间分布数据组成;
预测执行模块,用于将所述用户分布时空序列输入至用户分布预测模型,得到所述目标小区对应所述未来时间窗口的预测用户空间分布数据;其中,所述用户分布预测模型是基于所述目标小区的用户分布时空序列样本训练得到的,所述用户分布时空序列样本由多个连续时间窗口的用户空间分布数据组成,所述用户分布时空序列样本标注有目标时间窗口的用户空间分布数据,所述目标时间窗口是所述多个连续时间窗口之后的时间窗口;
策略确定模块,用于基于所述目标小区对应所述未来时间窗口的预测用户空间分布数据,确定相匹配的天线调整策略;
策略执行模块,在所述未来时间窗口,按照所述天线调整策略对所述目标小区进行天线调整。
11.一种电子设备,其特征在于,所述设备包括:
处理器;以及,被配置为存储计算机可执行指令的存储器,所述计算机可执行指令在被执行时使所述处理器执行如权利要求1-5任一项所述的方法,或者,所述计算机可执行指令在被执行时使所述处理器执行如权利要求6-8任一项所述的方法。
12.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质用于存储计算机可执行指令,所述计算机可执行指令在被处理器执行时实现如权利要求1-5任一项所述的方法,或者,所述计算机可执行指令在被处理器执行时实现如权利要求6-8任一项所述的方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211202383.1A CN117851818A (zh) | 2022-09-29 | 2022-09-29 | 一种模型训练方法、小区天线调整方法、装置及电子设备 |
PCT/CN2023/118590 WO2024067097A1 (zh) | 2022-09-29 | 2023-09-13 | 一种模型训练方法、小区天线调整方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211202383.1A CN117851818A (zh) | 2022-09-29 | 2022-09-29 | 一种模型训练方法、小区天线调整方法、装置及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117851818A true CN117851818A (zh) | 2024-04-09 |
Family
ID=90476086
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211202383.1A Pending CN117851818A (zh) | 2022-09-29 | 2022-09-29 | 一种模型训练方法、小区天线调整方法、装置及电子设备 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN117851818A (zh) |
WO (1) | WO2024067097A1 (zh) |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101028265B1 (ko) * | 2004-09-22 | 2011-04-11 | 주식회사 케이티 | 무선통신 시스템에서의 실시간 가입자 밀도 예측 방법 및그를 이용한 기지국 안테나 최적화 데이터 산출 방법 |
CN101431758B (zh) * | 2008-12-09 | 2011-04-06 | 华为技术有限公司 | 一种预测用户位置分布的方法和装置 |
CN108053080B (zh) * | 2017-12-30 | 2021-05-11 | 中国移动通信集团江苏有限公司 | 区域用户数量统计值预测方法、装置、设备及介质 |
CN111082840B (zh) * | 2019-12-23 | 2021-06-18 | 中国联合网络通信集团有限公司 | 一种天线广播波束的优化方法和装置 |
CN114726463B (zh) * | 2021-01-05 | 2023-06-23 | 大唐移动通信设备有限公司 | 基于神经网络的移动通信用户时空分布预测方法及装置 |
-
2022
- 2022-09-29 CN CN202211202383.1A patent/CN117851818A/zh active Pending
-
2023
- 2023-09-13 WO PCT/CN2023/118590 patent/WO2024067097A1/zh unknown
Also Published As
Publication number | Publication date |
---|---|
WO2024067097A1 (zh) | 2024-04-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110648014B (zh) | 一种基于时空分位数回归的区域风电预测方法及系统 | |
CN112381137B (zh) | 新能源电力系统可靠性评估方法、装置、设备及存储介质 | |
CN111898578A (zh) | 人群密度的获取方法、装置、电子设备及计算机程序 | |
CN112668238B (zh) | 一种降雨量处理方法、装置、设备和存储介质 | |
CN114690782A (zh) | 无人船的航迹规划方法、装置、设备和存储介质 | |
CN117612369A (zh) | 短时交通流量预测方法、系统、存储介质、设备及终端 | |
CN113609097A (zh) | 指纹库的生成方法、装置、计算机设备和存储介质 | |
CN111417132B (zh) | 小区的划分方法、装置及设备 | |
CN113723006B (zh) | 一种基于ls-svm的单台站地球变化磁场建模预测方法及系统 | |
CN117851818A (zh) | 一种模型训练方法、小区天线调整方法、装置及电子设备 | |
CN117350336A (zh) | 充电负荷预测及模型训练方法、装置、设备及存储介质 | |
CN113838076A (zh) | 目标图像中的对象轮廓的标注方法及装置、存储介质 | |
CN116887396A (zh) | 位置预测模型的训练方法、终端定位方法及装置 | |
CN115618714A (zh) | 一种太阳辐射概率预报方法及相关设备 | |
CN116777066A (zh) | 基于地基云图引导深度分解的光伏功率概率预测方法及装置 | |
CN115859765A (zh) | 城市扩张的预测方法、装置、设备及存储介质 | |
CN115293246A (zh) | 一种超宽带非视距信号识别方法、装置和计算机设备 | |
CN114880363A (zh) | 一种数据中心流量预测系统及训练方法、预测方法 | |
Guo et al. | Mobile positioning based on TAE-GRU | |
Sebille et al. | A comparison of spatial extreme value models. Application to precipitation data. | |
CN110765817A (zh) | 人群计数模型的选择方法、装置、设备及其存储介质 | |
CN117354072B (zh) | 一种数据中心网络带宽流量自动计费调节方法及装置 | |
CN117668519A (zh) | 基于几何地理信息的无线信道特征参数预测方法 | |
CN115474203A (zh) | 区域补点规划方法、装置、电子设备和存储介质 | |
CN114462593A (zh) | 深度神经网络的剪枝方法、装置、终端及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |