CN113239632B 无线性能预测方法及装置、电子设备和存储介质 （腾讯科技（深圳）有限公司）

本公开实施例提供一种无线性能预测方法目标机器学习模型获得预测信噪比以及预测信线资源分配向量的维度等于目标干扰用户设备用户设备在当前传输时间间隔内共享当前资源块的目标干扰用户设备对应的位置取值为第一享当前资源块的目标干扰用户设备对应的位置2利用目标机器学习模型获得目标用户设备的预测信噪比以及所述目标用户设备与所述目标用户设备的目标干扰用户设备之间的预根据所述目标用户设备的预测信噪比以及所述目标用户设备与所述目标用户设备的目标干扰用户设备之间的预测信干噪比获得所述目标用户设备的信噪比参数以及信干比获得所述目标用户设备的当前无线资源分配向量，所述当前无述目标用户设备在当前传输时间间隔内的当根据所述目标用户设备的当前无线资源分配向量、所述目标用户设其中，所述当前无线资源分配向量的维度等于所述目标用在当前传输时间间隔内未共享所述当前资源块的目标干扰用户设备对应的位置取值为第所述目标用户设备与所述目标用户设备的目标干扰用户设备之间的预测信干噪比获得所根据所述目标用户设备的预测信噪比获得所述目标用户设根据所述目标用户设备的信噪比参数与所述目标用户设备与所述目标用户设备的目备的预测信噪比以及所述目标用户设备与所述目标用户设备的干扰用户设备之间的预测获得所述目标用户设备的目标历史无线资源分配向量及其目利用所述目标用户设备的目标历史无线资源分配向量及其目标历史信干噪比训练所获得所述目标用户设备的初始历史无线资源分配向量及其初初始历史无线资源分配向量对应所述目标用户设备在各历史传输时间间隔内的各资源块，各初始历史无线资源分配向量的维度等于所述目标用户设备的初始干扰用户设备的数量，相应历史传输时间间隔内未共享相应资源块的初始干扰用户设备对应的位置取值为所述统计所述目标用户设备的初始历史无线资源分配向量相初始干扰用户设备在所述目标用户设备的初始历史无线资3将出现次数小于出现次数阈值的初始干扰用户设备剔除，并将剩将被剔除的初始干扰用户设备对应位置取值为所述第一值的初始历史无线资源分配向量剔除，并将剩余的初始历史无线资源分配向量作为所述目标历史无线资源分配向量，将所述目标历史无线资源分配向量对应的初始历史信干噪比作为所述目标将所述目标历史无线资源分配向量输入至所述通过所述集成树模型处理所述目标历史无线资源分配向量，输出所述目标历史根据所述目标历史无线资源分配向量对应的预测信干噪比和所述目标历史信干噪比获得所述目标用户设备的无干扰无线资源分配向量，所述无将所述无干扰无线资源分配向量输入至所述目标机通过所述目标机器学习模型处理所述无干扰无线资源分配向量，输分别获得所述目标用户设备的各目标干扰用户设备的干干扰用户设备的干扰无线资源分配向量的维度等于所述目标用户设备的目标干扰用户设将各目标干扰用户设备的干扰无线资源分配向量分别输入至所述目标机所述目标机器学习模型分别处理各目标干扰用户设备的干扰无线资所述目标用户设备与各目标干扰用户设备之间的预信噪比信干噪比预测输出单元，用于利用目标机器学习模信噪比以及所述目标用户设备与所述目标用户设备的目标干扰用户设备之间的预测信干信噪比信干比参数计算单元，用于根据所述目标用户设用户设备与所述目标用户设备的目标干扰用户设备之间的预测信干噪比获得所述目标用4其中，所述当前无线资源分配向量的维度等于所述目标用在当前传输时间间隔内未共享所述当前资源块的目标干扰用户设备对应的位置取值为第9.一种计算机可读存储介质，其上存储有计算机5ICIC(InterCellInterferenceCoordination，小区间干扰协调)或eICIC(enhanced[0007]对于ICIC和eICIC技术，基于业务质量测量和信令交互的干扰管控方式因为较大的时延，本质上缺乏精准性、敏捷性和灵活性，难以应对高度动态性的干扰。同时UDN6获得目标用户设备的预测信噪比以及所述目标用户设备与所述目标用户设备的目标干扰备与所述目标用户设备的目标干扰用户设备之间的预测信干噪比获得所述目标用户设备所述目标用户设备在当前传输时间间隔内共享所述当前资源块的目标干扰用户设备对应备的目标干扰用户设备之间的预测信干噪比获得所述目标用户设备的信噪比参数以及信在当前传输时间间隔内未共享所述当前资源块的目标干扰用户设备对应的位置取值为第处理器执行时实现如上述实施例中的无线性7得该计算机设备执行上述实施例的各种可选实现方式中提供的无目标用户设备的预测信噪比和该目标用户设备与各目标干扰用户设备之间的预测信干噪前资源块对应的当前无线资源分配向量时，根据该目标用户设备的当前无线资源分配向全交给目标机器学习模型来完成的，还充分利用了无线网络中用户设备间干扰的产生机[0018]图2示意性示出了根据本公开的一实施例的无线性能预测方法的应用场景示意[0022]图6示意性示出了根据本公开的一实施例的集成树模型中的单个叶子节点分裂前[0023]图7示意性示出了根据本公开的一实施例的集成树模型中的单个叶子节点分裂后[0027]图11示意性示出了根据本公开的一实施例的达到相同性能训练耗时的仿真示意8且是指除了列出的要素/组成部分/等之外还可存在另外的要素/组成部分/等；用语“第[0034]人工智能(ArtificialIntelligence，AI)是利用数字计算机或者数字计算机控9获得。在下面的举例说明中，均以机器学习算法选择XGBoost(eXtremeGradient该目标UE处于同一小区内的UE和不处于同一小区内的UE，而采用本公开实施例提供的方户设备，则目标干扰UEn的数量可以为N-1-y，此时y为大于或等于0且小于或等于N-1的整的干扰关系为例进行举例说明，则此时SINR采用上行信干噪比(Uplinksignal-to-例提供的方法也可以应用于下行方向上任意两条无线链路之间的[0053]本公开实施例中，运用目标机器学习算法例如XGBoost训练获得目标机器学习模源分配向量及其目标历史无线信干噪比作为样本输入至UEi的目标机器学习模型中，以训的预测信噪比SNRi,σ2以及UEi与UEn之间掉了原始数据集中的y个初始干扰UE，则目标历史无线资源分配向量的维度可以等于N-q-据集中清洗掉了原始数据集中的y个初始干扰UE，则目标历史无线资源分配向量的维度可[0056]在目标历史无线资源分配向量中，与UEi在历史传输时间间隔(Transmission值为第一值，与UEi在历史传输时间间隔内未共享相应RB的目标干扰UE对应的位置取值为应历史传输时间间隔内共享相应资源块的初始干扰用户设备对应的位置取值为所述第一的共同使用情况作为初始历史无线资源分配向量，将测量得到的对应的UL-SINR作为初始[0060]在小区内不同UE间进行正交资源共享的系统中，假设UEi的同小区内一共有q个历史无线资源分配向量(此时即为目标历史无线资源分配向量)为w1＝(w1，3，w1,4，w1,5，w1,6i的目标数据集来训练UEi的目标机器学习模型。[0080]在上述训练过程以及下文的在线预测过程中，可以输入是历史TTI，也可以是当前TTI)内只有一个目标干扰UE与目标UE占用相同资源(例如相同述目标用户设备的目标干扰用户设备之间的预测信干噪比获得所述目标用户设备的信噪与所述目标用户设备的目标干扰用户设备之间的预测信干噪比获得所述目标用户设备的比参数。根据UEi的预测信噪比SM,和预测信干噪比SINRi,n获得UEi的信噪比参数和信干资源分配向量对应所述目标用户设备在当前传输时设备在当前传输时间间隔内未共享所述当前资源块的目标干扰用户设备对应的位置取值标用户设备的预测信噪比和该目标用户设备与各目标干扰用户设备之间的预测信干噪比，然后再根据利用目标机器学习模型预测输出的预测信噪比和预测信干噪比计算该目标用资源块对应的当前无线资源分配向量时，根据该目标用户设备的当前无线资源分配向量、学习模型来预测目标用户设备的预测信噪比以及预测信干噪比，能够取得较好的预测效全交给目标机器学习模型来完成的，还充分利用了无线网络中用户设备间干扰的产生机简单的干扰协调。因此，各个基站基本是相互独立的进行资源分配。而5G(thefifthGenerationmobilecommunicationtechnology，第五代移动通信技术)网络采用CU成，Nr为大于或等于1的正整数，例如假设Nr＝7，则其中一条子空间带包括子空间2027，即每个子空间大小为10m×10m，且每个子空间都部署一个的小基站(SmallbaseSBS22031可以对应SBS1，UE2041和UE2042可以分别对应UE1和UE2。假设子空间2022包括FAP[0092]下面以XGBoost为例，结合图2所示的UDN网络对本公开实施例提供的方法进行举用XGBoost算法进行干扰关系挖掘外，还通过深入分析无线网络中干扰的产生机理和相关[0093]本公开实施例提供的基于XGBoost机器学习算法的用户间上行干扰建模方案，包[0096]本公开实施例提供的方法可以用于挖掘注册于不同小基站下的任意用户间的干标用户设备各自的目标数据集分别训练各自对应的集成树模型作为目标机器学本(例如表2中UE1的各个目标历史无线资源分配向量)至XGBoost模型中，在训练过程中该样本对应的标签即真实的UL-SINR作为目标历史信干噪比求解目标函数，不断地输入样[0105]对于小区内UE仍然存在干扰的系统，且假设不考虑下述…N。[0106]在小区内不同UE间进行正交资源共享的系统中，假设UE1的同小区内一共有q＝2传输时的所有TTI的上述资源分配数据和网络测[0108]当考虑如典型场景中小区内用户间不存在干扰的OFDMA等系统时，可以仅对小区i的目标干扰UEn不需要去掉同小区内UE。[0110]在步骤S305中，将第i个目标用户设备的无干扰无线资源分配向量和各目标干扰用户设备的干扰无线资源分配向量分别输入至训练好的第i个目标用户设备的集成树模扰的产生机理，在此基础上提出基于训练好的XGBoost模型和分析获得的无线网络干扰模[0112]在移动通信网络的上行方向，假设UEi发射的上行信号到达归属小区SBS,小基站s'=PG'(1)[0115]与用户UEi占用相同无线资源(例如相同RB)的目标干扰UEn到达小区SBS,小基站[0118]UEi的信号在归属小区SBS,小基站端的信干噪比为：[0123]上述公式中，为UEi的接收信号信干比(SIR，考虑干扰，不考虑噪声)；的平均功率与噪声的平均功率之比；称之为U[0137]本公开实施例借助XGBoost模型挖掘干扰关系，并使用无线网络干扰模型如公式理该无干扰无线资源分配向量后，预测输出的是UEi的预测信噪比SM,:(表3中是以i＝1扰无线资源分配向量和所有不同单个目标干扰UEn情况下对应的干扰无线资源分配向量分转化为真实值，通过上述公式(10)和公式(11)计算得到和[0144]需要说明的是，本公开实施例中除特别说明外，SINR表示的是上行SINR，即UL-区间用户干扰进行挖掘，此时表3中UEi的目标干扰UE不包括注册于同一小基站的其它q-1[0145]在表3中，每个特征属性表示系统中可能对UEi形成干扰的其他用户或者UE(即目后，利用上述推导出的公式(9)即作为网络干扰关[0150]本公开实施例中，将表3的训练分别输入至训练好的XGBoost模型，预测输出n的取值根据目j,2j,n[0161]在步骤S312中，根据第j个目标用户设备的当前无线资源分配向量和干扰矩阵中预测获得第j个目标用户设备的当前信干噪差E1每一[0165]图5示意性示出了根据本公开的一实施例的集成树模型的预测示意图。如图5所[0167]对叶子节点504和叶子节点507进行∑求和[0168]XGBoost模型使用K个子树输出值累加来预测输出，每棵[0170]其中：fk(w)为第k棵子树fk中目标历史无线资源分配向量w所对应叶子节点的权[0171]图5为一个由两棵树组成的一个简单的XGBoost预测模型示意图，仅用于举例说[0175]上述公式(13)中，损失函数度量目标数据集或者原始数据集中所有I个样本的预是每一个UEi与其他目标干扰UEn之间的干扰关系模型例如XGBoost模型，因此I个样本是该[0202]图6示意性示出了根据本公开的一实施例的集成树模型中的单个叶子节点分裂前[0204]图7示意性示出了根据本公开的一实施例的集成树模型中的单个叶子节点分裂后[0205]将原叶子节点t(这里以图6中的叶子节点605为例)分裂为2个新叶子节点，以图7中的叶子节点701(标记为tL)与叶子节点702(标记为tR)为例，将公式(24)带入目标函数即推导出的无线网络干扰模型来预测用户未来时刻的上行干扰情况：如XGBoost的参数中树性能评估指标的均方根误差相对应。本公开实施例还提出了以历史的无线资源分配数据(如RB使用情况)、网络测量数据(如UL-SINR)作为机器学习模型的输入数据，用于模型训[0218]根据本公开实施例所提出的方法，以XGBoost模型应用于超密集网络干扰预测为PF表示本公开实施例中提出的先借助XGBoost模型挖掘干扰关系，然后使用网络干扰关系[0221]而当每用户数据量10000样本时，XGB-PF算法的干扰源识别性能预测误差即已小强度预测，将不同干扰情况下(如单个干扰用户、多个干扰用户等)对应的输入数据输入提出的XGB-PF算法性能差。XGB-PF在XGB-old基础上与结合网络干扰关系建模函数来进行[0226]对于每个用户，使用5000个样本(秒级数据)进行训练时，XGB-PF算法即可满足[0227]当每用户数据量达到200000样本时，XGB-PF算法的SINR预测性能误差已经达到0.21dB，仍远优于XGB-old方法的0.31dB，神经网络算法的0.38dB和线性回归算法的[0230]如上图所示，XGB-PF算法在相同训练数据集规模的条件下耗时比神经网络算法[0231]图11示意性示出了根据本公开的一实施例的达到相同性能训练耗时的仿真示意[0233]如上图所示，神经网络算法(NN-MLP)在XGB-PF算法要大两个数量级在达成小于0.5dB的SINR预测精线性回归(LRA)算法，XGB-PF算法在耗时相同的情况下能够将平均预测误差缩小一个数量[0234]本公开实施方式提供的无线性能预测方法，由于干扰是示，本公开实施例提供的无线性能预测装置1200可以包括信噪比信干噪比预测输出单元模型获得目标用户设备的预测信噪比以及所述目标用户设备与所述目标用户设备的目标[0237]信噪比信干比参数计算单元1220可以用于根据所述目标用户设备的预测信噪比以及所述目标用户设备与所述目标用户设备的目标干扰用户设备之间的预测信干噪比获[0238]当前无线资源分配向量获得单元1230可以用于获得所述目标用户设备的当前无[0239]当前信干噪比获得单元1240可以用于根据所述目标用户设备的当前无线资源分设备在当前传输时间间隔内未共享所述当前资源块的目标干扰用户设备对应的位置取值单元，可以用于根据所述目标用户设备的预测信噪比获得所述目标用户设备的信噪比参备在相应历史传输时间间隔