一种基于AI的负载预测方法技术

本公开描述了一种用于在无线通信网络的网元之间交换用于负载预测模型的AI计算信息的方法和系统。该方法包括：由无线通信网络的第一网元向无线通信网络的第二网元发送用于负载预测的第一消息，其中，该第一消息包括用于第一网元的负载预测的机器学习模型的输入或机器学习模型的模型配置信息中的至少一个。或机器学习模型的模型配置信息中的至少一个。或机器学习模型的模型配置信息中的至少一个。

【技术实现步骤摘要】
【国外来华专利技术】一种基于AI的负载预测方法


[0001]本公开针对在无线通信网络内交换用于负载预测的人工智能(AI)计算信息。

技术介绍

[0002]自优化网络(SON)已成为移动通信系统的一个关键特性。特别地，自动移动性负载均衡(MLB)是SON中的一项重要功能。例如，在蜂窝网络中利用MLB，通信系统可以均匀地分配小区流量负载，并将移动用户从一个小区转移到另一个小区。这种优化旨在提高系统容量和可靠性，以及改善用户体验。此外，本功能能够最大限度地减少网络管理和优化任务中的人为干预。

技术实现思路

[0003]本公开描述了一种用于在无线通信系统中的各种网元之间交换AI计算信息的方法和系统。
[0004]在一个示例实施方式中，公开了一种由无线通信系统的网元执行的用于交换AI计算信息的方法。该方法包括：由无线通信网络的第一网元向无线通信网络的第二网元发送用于负载预测的第一消息，其中，该第一消息包括用于第一网元的负载预测的机器学习模型的输入或者机器学习模型的模型配置信息中的至少一个。
[0005]在上述实施方式中，机器学习模型的输入包括以下中的至少一项：与第一网元相关联并由其服务的当前小区的当前负载信息；当前小区的相邻小区的当前负载信息；当前小区的历史负载信息；或者相邻小区的历史负载信息。
[0006]在上述任一实施方式中，机器学习模型的模型配置信息包括以下中的至少一项：机器学习模型类型；AI算法信息；运行机器学习模型的硬件平台的信息；或者机器学习模型的训练配置信息。
[0007]在上述任一实施方式中，机器学习模型类型包括以下中的至少一种：时间级别模型类型；空间级别模型类型；历史级别模型类型；或者相似模型类型。
[0008]在上述任一实施方式中，AI算法信息指示以下中的至少一种：自回归综合移动平均(ARIMA)算法；先知模型算法；随机森林算法；长短期记忆(LSTM)算法；或者集成学习算法。
[0009]在上述任一实施方式中，硬件平台信息包括以下中的至少一项：图形处理单元(GPU)信息；现场可编程门阵列(FPGA)信息；专用集成电路(ASIC)信息；或者片上系统(SoC)信息。
[0010]在上述任一实施方式中，训练配置信息包括以下中的至少一种：梯度配置；权重配置；导出配置；或者机器学习模型的训练参数的大小。
[0011]在上述任一实施方式中，第一消息包括以下消息之一：下一代无线接入网(NG
‑
RAN)节点配置更新消息；下一代NodeB分布式单元(gNB
‑
DU)配置更新消息；下一代NodeB集中式单元(gNB
‑
CU)配置更新消息；EN
‑
DC配置更新消息；或者AI配置更新消息。
[0012]上述任一实施方式还包括由第一网元接收来自第二网元的对第一消息的响应消息。
[0013]在上述任一实施方式中，响应消息包括以下之一：NG
‑
RAN节点配置更新确认消息；AI配置更新确认消息；gNB
‑
DU配置更新确认消息；gNB
‑
CU配置更新确认消息；或者EN
‑
DC配置更新确认消息。
[0014]在上述任一实施方式中，第一条消息包括单向AI配置传输消息。
[0015]在上述任一实施方式中，第一网元或第二网元包括基站。
[0016]在上述任一实施方式中，基站包括以下中的至少一种：新一代NodeB(gNB)；演进型NodeB(eNB)；或者NodeB。
[0017]在上述任一实施方式中，第一网元包括基站的分布式单元(DU)，而第二网元包括基站的集中式单元(CU)。
[0018]在上述任一实施方式中，第一网元包括基站的集中式单元(CU)，而第二网元包括基站的分布式单元(DU)。
[0019]在上述任一实施方式中，第一网元被配置为辅节点，而第二网元被配置为主节点，并且第一网元和第二网元形成双连接配置。
[0020]在上述任一实施方式中，还包括使第二网元根据AI计算信息消息适配运行在第二网元上的机器学习模型。
[0021]还公开了各种网元。这些网络节点中的每一个包括处理器和存储器，其中处理器被配置为从存储器读取计算机代码以实施上述方法中的任何一种。
[0022]还公开了一种非暂时性计算机可读介质。这种非暂时性计算机可读介质包括在由计算机执行时使计算机执行上述方法中的任何一种的指令。
[0023]上述实施例及其实施方式的其他方面和可替选方案在下面的附图、说明书和权利要求中进行了更详细地描述。
附图说明
[0024]图1示出了无线通信网络的示例性系统图。
[0025]图2示出了用于负载预测的示例性机器学习模型。
[0026]图3示出了用于在基站之间交换AI计算信息的消息流。
[0027]图4示出了用于在基站之间交换AI计算信息的另一消息流。
[0028]图5示出了用于从DU向CU发送AI计算信息的消息流。
[0029]图6示出了用于从DU向CU发送AI计算信息的另一个消息流。
[0030]图7示出了用于从CU向DU发送AI计算信息的消息流。
[0031]图8示出了用于从CU向DU发送AI计算信息的另一个消息流。
[0032]图9示出了具有主节点和辅节点的示例性双连接架构。
[0033]图10示出了用于从辅节点向主节点发送AI计算信息的消息流。
[0034]图11示出了用于从辅节点向主节点发送AI计算信息的另一个消息流。
[0035]图12示出了具有主节点和辅节点的另一示例性双连接架构。
[0036]图13示出了具有主节点和辅节点的另一示例性双连接架构。
[0037]图14示出了具有主节点和辅节点的另一示例性双连接架构。
具体实施方式
[0038]本公开中的实施方式和/或实施例的技术和示例可以被用于提高移动性负载均衡(MLB)的性能，并节省通信系统中的能源。术语“示例性”被用于表示
“……
的示例”，并且除非另有说明，否则并不意味着理想的或者优选的示例、实施方式或者实施例。这些实施方式可以以各种不同的形式体现，并且因此，本公开或者所要求保护的主题内容的范围旨在被解释为不限于下文所述的任何实施例。各种实施方式可以被体现为方法、设备、组件或者系统。因此，本公开的实施例可以例如采用硬件、软件、固件或者其任何组合的形式。
[0039]本公开涉及一种用于在无线通信系统中的网元之间交换用于负载预测的AI计算信息的方法和系统。在下面公开的实施方式中，网元被配置为基于一个或者多个学习模型执行负载预测。下面公开的网元还能够基于从对端网元获取的AI计算或者机器学习模型信息来自适应地配置、更新和优化机器学习模型。网元还使用更新或者优化的机器学习模型来预测网元中的负载。尽管以下公开是在第四代(4G)和第五代(5G)蜂窝网络的背景下提供的，但是本公开的本文档来自技高网...

【技术保护点】

【技术特征摘要】
【国外来华专利技术】1.一种用于人工智能(AI)计算信息交换的方法，包括：由无线通信网络的第一网元向所述无线通信网络的第二网元发送用于负载预测的第一消息，其中，所述第一消息包括用于所述第一网元的负载预测的机器学习模型的输入或所述机器学习模型的模型配置信息中的至少一个。2.根据权利要求1所述的方法，其中，所述机器学习模型的输入包括以下中的至少一项：与所述第一网元相关联并由其服务的当前小区的当前负载信息；所述当前小区的相邻小区的当前负载信息；所述当前小区的历史负载信息；或者所述相邻小区的历史负载信息。3.根据权利要求1所述的方法，其中，所述机器学习模型的模型配置信息包括以下中的至少一项：机器学习模型类型；AI算法信息；运行所述机器学习模型的硬件平台的信息；或者所述机器学习模型的训练配置信息。4.根据权利要求3所述的方法，其中，所述机器学习模型类型包括以下中的至少一项：时间级别模型类型；空间级别模型类型；历史级别模型类型；或者相似模型类型。5.根据权利要求3所述的方法，其中，所述AI算法信息指示以下中的至少一项：自回归综合移动平均(ARIMA)算法；先知模型算法；随机森林算法；长短期记忆(LSTM)算法；或者集成学习算法。6.根据权利要求3所述的方法，其中，所述硬件平台信息包括以下中的至少一项：图形处理单元(GPU)信息；现场可编程门阵列(FPGA)信息；专用集成电路(ASIC)信息；或者片上系统(SoC)信息。7.根据权利要求3所述的方法，其中，所述训练配置信息包括以下中的至少一项：梯度配置；权重配置；导出配置；或者所述机器学习模型的训练参数的大小。8.根据权利要求1所述的方法，其中，所述第一消息包括以下之一：下一代无线接入网(NG
‑
RAN)节点配置更新消息；
下一代NodeB分布式单元(gNB
‑
DU)配置更新消息；下一代NodeB集中式单元(gNB
‑
CU)配置更新消息；EN
‑
DC配置更新...

【专利技术属性】
技术研发人员：韩济任，高音，李大鹏，刘壮，陈嘉君，
申请(专利权)人：中兴通讯股份有限公司，
类型：发明
国别省市：