网络参数处理方法和设备技术

本申请提供一种网络参数处理方法和设备，其中该方法包括：获取第一小区的至少一个第一组合，每一个第一组合包括至少一种第一小区状态信息的值；将第一组合和第二组合输入到预设的无线参数预测模型中，得到每一个第二组合对应的第一优化目标值，每一个第二组合包括至少一种第一无线参数的值，无线参数预测模型为根据第一小区和多个第二小区的网络数据而确定的；根据每一个第二组合对应的第一优化目标值，确定第一小区的每一个第一无线参数的优化值。由于建立起的无线参数预测模型结合了多个小区的网络数据特征，进而可以很好的对待优化小区的无线参数进行优化，可以基于多个小区的网络数据进行联合学习，可以得到适应于该待优化小区的无线参数。

Network parameter processing method and equipment

【技术实现步骤摘要】
网络参数处理方法和设备
本申请涉及网络技术，尤其涉及一种网络参数处理方法和设备。
技术介绍
随着网络技术的不断发展，各种类型的网络应运而生，例如有第五代移动通信网络(the5thgenerationmobilecommunicationtechnology，5G)网络、超密组网(ultra-densenetwork，UDN)、多频段组网等等，从而网络的运维也越来越复杂。为了提供网络的性能，需要对网络中的无线参数进行优化。现有技术中，可以采用无线网络大数据和人工智能(artificialintelligence，AI)的分析方法，寻找无线参数的最优的组合配置。具体来说，在针对待优化小区的无线参数进行优化之前，可以建立一张表格，用于记录待优化小区或一个其他小区的网络数据，其中网络数据包括小区状态信息和无线参数；然后，采用表格中的网络数据对基于值的强化学习算法(Q-Learning)模型进行更新；然后采用更新后的Q-Learning模型，对待优化小区的无线参数进行优化。然而现有技术中，只根据一个小区的网络数据去建立一个Q-Learning模型本文档来自技高网...

【技术保护点】
1.一种网络参数处理方法，其特征在于，包括：/n获取第一小区的至少一个第一组合，其中，每一个所述第一组合包括至少一种第一小区状态信息的值；/n将所述至少一个第一组合和预设的至少一个第二组合，输入到预设的无线参数预测模型中，得到每一个所述第二组合对应的第一优化目标值，其中，每一个所述第二组合包括至少一种第一无线参数的值，所述无线参数预测模型为根据所述第一小区和多个第二小区的网络数据而确定的，所述第二小区为与所述第一小区不同的小区；/n根据每一个所述第二组合对应的第一优化目标值，确定所述第一小区的无线参数优化组合，其中，所述无线参数优化组合中包括每一个所述第一无线参数的优化值。/n

【技术特征摘要】
1.一种网络参数处理方法，其特征在于，包括：
获取第一小区的至少一个第一组合，其中，每一个所述第一组合包括至少一种第一小区状态信息的值；
将所述至少一个第一组合和预设的至少一个第二组合，输入到预设的无线参数预测模型中，得到每一个所述第二组合对应的第一优化目标值，其中，每一个所述第二组合包括至少一种第一无线参数的值，所述无线参数预测模型为根据所述第一小区和多个第二小区的网络数据而确定的，所述第二小区为与所述第一小区不同的小区；
根据每一个所述第二组合对应的第一优化目标值，确定所述第一小区的无线参数优化组合，其中，所述无线参数优化组合中包括每一个所述第一无线参数的优化值。


2.根据权利要求1所述的方法，其特征在于，所述方法，还包括：
获取每一个所述第二小区的至少一个第三组合，其中，每一个所述第三组合包括第二优化目标值、至少一种第二小区状态信息的值和至少一种第二无线参数的值；
根据多个所述第二小区的第三组合和预设的初始无线参数预测模型，确定所述无线参数预测模型。


3.根据权利要求2所述的方法，其特征在于，所述初始无线参数预测模型中包括公共模型和小区模型；
根据多个所述第二小区的第三组合和预设的初始无线参数预测模型，确定所述无线参数预测模型，包括：
将多个所述第二小区的第三组合输入到所述公共模型中进行训练，得到训练后的公共模型；
获取第三小区的至少一个第四组合，其中，每一个所述第四组合包括第三优化目标值、至少一种第三小区状态信息的值和至少一种第三无线参数的值，所述第三小区为与所述第二小区相同或不同的小区，或者所述第三小区为与所述第一小区相同或不同的小区；
根据所述至少一个第四组合和所述小区模型，确定训练后的小区模型；
根据所述训练后的公共模型和所述训练后的小区模型，确定所述无线参数预测模型。


4.根据权利要求3所述的方法，其特征在于，根据所述至少一个第四组合和所述小区模型，确定训练后的小区模型，包括：
将所述至少一个第四组合，输入到所述训练后的公共模型中，得到每一个所述第四组合对应的公共模型预测值；
根据每一个所述第四组合对应的公共模型预测值和每一个所述第四组合中的第三优化目标值，确定每一个所述第四组合的残差值；
将每一个所述第四组合的残差值输入到所述小区模型中进行训练，得到所述训练后的小区模型。


5.根据权利要求3所述的方法，其特征在于，所述训练后的公共模型为y＝w11*f(s,A)+w12*QR(s,A)；
其中，f(s,A)为预设的机器学习模型，QR(s,A)为预设的二次回归模型，s为所述第一小区状态信息的值，A为所述第一无线参数的值，w11、w12为预设权重值，且w11与w12之和等于1。


6.根据权利要求5所述的方法，其特征在于，在每一个所述第二组合中具有一种第一无线参数时，所述二次回归模型为QR(s,A)＝g(s)*a2+h(s)*a+k(s)+c；
其中，第一系数第二系数第三系数φ(s)为预设的核转换函数，w1、w2、w3分别为将多个所述第二小区的第三组合输入到所述公共模型中进行训练之后的到第一权重向量、第二权重向量、第三权重向量，d、c为常量，a＝A，a为每一个所述第二组合中的第一无线参数的值，x为预设的常数项。


7.根据权利要求5所述的方法，其特征在于，在每一个所述第二组合中具有多种第一无线参数时，所述二次回归模型为
其中，第一系数第二系数第三系数φ(s)为预设的核转换函数，第四系数g′(s)＝exp(β1k)，第五系数h′(s)＝β2k，w1、w2、w3分别为将多个所述第二小区的第三组合输入到所述公共模型中进行训练之后的到第一权重向量、第二权重向量、第三权重向量，c为常量，k∈[1,M]，M为每一个所述第二组合中的第一无线参数的种类数，M为大于1的正整数，ak为每一个所述第二组合中的第k种第一无线参数，x为预设的常数项。


8.根据权利要求3-7任一项所述的方法，其特征在于，所述无线参数预测模型为Y＝w11*f(s,A)+w12*QR(s,A)+L(s,A)；
其中，f(s,A)为预设的机器学习模型，QR(s,A)为预设的二次回归模型，s为所述第一小区状态信息的值，A为所述第一无线参数的值，w11、w12为预设权重值，且w11与w12之和等于1；L(s,A)为所述训练后的小区模型，所述训练后的小区模型为机器学习模型。


9.根据权利要求2-8任一项所述的方法，其特征在于，在根据多个所述第二小区的第三组合和预设的初始无线参数预测模型，确定所述无线参数预测模型之前，还包括：
对所述第三组合的第二小区状态信息的值进行归一化处理，得到归一化处理后的第三组合；
对所述归一化处理后的第三组合中的第二小区状态信息进行降维处理，得到降维处理后的第三组合。


10.根据权利要求9所述的方法，其特征在于，对所述第三组合的第二小区状态信息的值进行归一化处理，得到归一化处理后的第三组合，包括：
根据归属于同一种第二小区状态信息的第二小区状态信息的值，确定同一种第二小区状态信息的均值和方差；
根据同一种第二小区状态信息的均值和方差，确定每一个所述第三组合中的第二小区状态信息的归一化值。


11.根据权利要求1-10任一项所述的方法，其特征在于，将所述至少一个第一组合和预设的至少一个第二组合，输入到预设的无线参数预测模型中，得到每一个所述第二组合对应的第一优化目标值，包括：
将不同的所述第一组合和不同的所述第二组合进行两两组合，得到多个第五组合，其中，每一个所述第五组合包括一个所述第一组合和一个所述第二组合；
将每一个所述第五组合输入到所述无线参数预测模型中，得到每一个所述第五组合对应的输出值；
根据每一个所述第五组合对应的输出值，确定归属于同一个第二组合对应的输出值作为同一个第二组合对应的第一优化目标值；
根据每一个所述第二组合对应的第一优化目标值，确定所述第一小区的无线参数优化组合，包括：
根据每一个所述第二组合对应的第一优化目标值，确定每一个所述第二组合对应的第一优化目标值的均值；
确定均值最大或最小的第二组合，作为所述第一小区的无线参数优化组合。


12.一种网络参数处理装置，其特征在于，包括：
获取单元，用于获取第一小区的至少一个第一组合，其中，每一个所述第一组合包括至少一种第一小区状态信息的值；
...

【专利技术属性】
技术研发人员：朱重明，徐志节，陈志堂，揣捷，沈非一，刘国臣，
申请(专利权)人：华为技术有限公司，
类型：发明
国别省市：广东;44