一种上行干扰建模方法、干扰确定方法和装置与流程

本发明涉及无线通信技术，具体涉及一种上行干扰建模方法、干扰确定方法和装置。

背景技术：

干扰矩阵对于资源分配有着至关重要的作用。目前，获取干扰矩阵的方法主要包括以下两种：一种是基于扫频数据建立干扰矩阵，另一种是基于手机的测量报告消息建立干扰矩阵。基于扫频数据建立干扰矩阵的方式需要物理设备部署，不便于实施。基于手机测量报告消息建立干扰矩阵的方式仅包含干扰信号强的干扰信息，当处于用户设备数目较多的密集网络中时，由于干扰信息仅包含干扰信号强的几个临近小区的信息，因此干扰信息不够完整，建立的干扰矩阵有一定的误差，因而无法进行有效的干扰避免，不能很好的切合实际场景。

技术实现要素：

为解决现有存在的技术问题，本发明实施例提供一种上行干扰建模方法、干扰确定方法和装置。

为达到上述目的，本发明实施例的技术方案是这样实现的：

本发明实施例提供了一种上行干扰建模方法，所述方法包括：

获得第一用户设备对应的历史无线资源分配数据；其中，所述历史无线资源分配数据表征与所述第一用户设备归属于不同基站下的其他用户设备相对于所述第一用户设备的历史无线资源分配情况；

获得所述历史无线资源分配数据对应的历史网络测量数据；

基于所述历史无线资源分配数据和所述历史网络测量数据进行学习训练，获得第一上行干扰预测模型。

上述方案中，所述基于所述历史无线资源分配数据和所述历史网络测量数据进行学习训练，获得第一上行干扰预测模型，包括：

将所述历史无线资源分配数据和所述历史网络测量数据作为预设神经网络的输入数据，对所述预设神经网络进行训练，获得第一上行干扰预测模型。

上述方案中，所述方法还包括：获得所述第一用户设备的历史业务量信息；

基于所述历史无线资源分配数据、所述历史网络测量数据和所述历史业务量信息进行学习训练，获得第二上行干扰预测模型。

上述方案中，所述基于所述历史无线资源分配数据、所述历史网络测量数据和所述历史业务量信息进行学习训练，获得第二上行干扰预测模型，包括：

将所述历史无线资源分配数据、所述历史网络测量数据和所述历史业务量信息作为预设神经网络的输入数据，对所述预设神经网络进行训练，获得第二上行干扰预测模型。

上述方案中，所述方法还包括：基于所述第一上行干扰预测模型获得用户设备的第一干扰信息。

上述方案中，所述基于所述第一上行干扰预测模型获得用户设备的第一干扰信息，包括：

获得所述用户设备对应的无线资源分配数据；其中，所述无线资源分配数据表征与所述用户设备归属于不同基站下的其他用户设备相对于所述用户设备的无线资源分配情况；

基于所述无线资源分配数据和所述第一上行干扰预测模型获得所述用户设备的干扰信息。

上述方案中，所述方法还包括：基于所述第二上行干扰预测模型获得用户设备的第二干扰信息。

上述方案中，所述基于所述第二上行干扰预测模型获得用户设备的第二干扰信息，包括：获得所述用户设备对应的无线资源分配数据和业务量信息；其中，所述无线资源分配数据表征与所述用户设备归属于不同基站下的其他用户设备相对于所述用户设备的无线资源分配情况；

基于所述无线资源分配数据、所述业务量信息和所述第二上行干扰预测模型获得第二干扰信息。

本发明实施例还提供了一种干扰确定方法，所述方法包括：

获得第二用户设备对应的无线资源分配数据；其中，所述无线资源分配数据表征与所述第二用户设备归属于不同基站下的其他用户设备相对于所述第二用户设备的无线资源分配情况；

基于所述无线资源分配数据和预设的第一上行干扰预测模型获得所述第二用户设备的第一干扰信息。

上述方案中，所述方法还包括：获得所述第二用户设备对应的业务量信息；

基于所述无线资源分配数据、所述业务量信息和预设的第二上行干扰预测模型获得所述第二用户设备的第二干扰信息。

上述方案中，所述方法还包括：获得第一用户设备对应的历史无线资源分配数据；其中，所述历史无线资源分配数据表征与所述第一用户设备归属于不同基站下的其他用户设备相对于所述第一用户设备的历史无线资源分配情况；

获得所述历史无线资源分配数据对应的历史网络测量数据；

基于所述历史无线资源分配数据和所述历史网络测量数据进行学习训练，获得第一上行干扰预测模型。

上述方案中，所述方法还包括：获得第一用户设备对应的历史无线资源分配数据；其中，所述历史无线资源分配数据表征与所述第一用户设备归属于不同基站下的其他用户设备相对于所述第一用户设备的历史无线资源分配情况；

获得所述第一用户设备的历史业务量信息；

获得所述历史无线资源分配数据对应的历史网络测量数据；

基于所述历史无线资源分配数据、所述历史网络测量数据和所述历史业务量信息进行学习训练，获得第二上行干扰预测模型。

上述方案中，所述获得第二用户设备对应的无线资源分配数据，包括：所述获得第二用户设备对应的第一无线资源分配数据；所述第一无线资源分配数据表征与所述第二用户设备归属于不同基站下的第三用户设备相对于所述第二用户设备的无线资源分配情况；

所述基于所述无线资源分配数据和预设的上行干扰预测模型获得所述第二用户设备的干扰信息，包括：

基于所述第一无线资源分配数据和预设的上行干扰预测模型获得所述第三用户设备对所述第二用户设备的干扰信息。

本发明实施例还提供了一种上行干扰建模装置，所述装置包括：第一获取单元和第一建模单元；其中，

所述第一获取单元，用于获得第一用户设备对应的历史无线资源分配数据；其中，所述历史无线资源分配数据表征与所述第一用户设备归属于不同基站下的其他用户设备相对于所述第一用户设备的历史无线资源分配情况；还用于获得所述历史无线资源分配数据对应的历史网络测量数据；

所述第一建模单元，用于基于所述历史无线资源分配数据和所述历史网络测量数据进行学习训练，获得第一上行干扰预测模型。

上述方案中，所述第一建模单元，用于将所述历史无线资源分配数据和所述历史网络测量数据作为预设神经网络的输入数据，对所述预设神经网络进行训练，获得第一上行干扰预测模型。

上述方案中，所述第一获取单元，还用于获得所述第一用户设备的历史业务量信息；

所述第一建模单元，还用于基于所述历史无线资源分配数据、所述历史网络测量数据和所述历史业务量信息进行学习训练，获得第二上行干扰预测模型。

上述方案中，所述第一建模单元，用于将所述历史无线资源分配数据、所述历史网络测量数据和所述历史业务量信息作为预设神经网络的输入数据，对所述预设神经网络进行训练，获得第二上行干扰预测模型。

上述方案中，所述装置还包括第一确定单元，用于基于所述第一建模单元获得的所述第一上行干扰预测模型获得用户设备的第一干扰信息。

上述方案中，所述装置还包括第二获取单元；

所述第二获取单元，用于获得所述用户设备对应的无线资源分配数据；其中，所述无线资源分配数据表征与所述用户设备归属于不同基站下的其他用户设备相对于所述用户设备的无线资源分配情况；

所述第一确定单元，用于基于所述第二获取单元获得的所述无线资源分配数据和所述第一上行干扰预测模型获得所述用户设备的干扰信息。

上述方案中，所述装置还包括第一确定单元，用于基于所述第一建模单元获得的所述第二上行干扰预测模型获得用户设备的第二干扰信息。

上述方案中，所述装置还包括第二获取单元；

所述第二获取单元，用于获得所述用户设备对应的无线资源分配数据和业务量信息；其中，所述无线资源分配数据表征与所述用户设备归属于不同基站下的其他用户设备相对于所述用户设备的无线资源分配情况；

所述第一确定单元，用于基于所述第二获取单元获得的所述无线资源分配数据、所述业务量信息和所述第二上行干扰预测模型获得第二干扰信息。

本发明实施例还提供了一种干扰确定装置，所述装置包括：第三获取单元和第二确定单元；其中，

所述第三获取单元，用于获得第二用户设备对应的无线资源分配数据；其中，所述无线资源分配数据表征与所述第二用户设备归属于不同基站下的其他用户设备相对于所述第二用户设备的无线资源分配情况；

所述第二确定单元，用于基于所述无线资源分配数据和预设的第一上行干扰预测模型获得所述第二用户设备的第一干扰信息。

上述方案中，所述第三获取单元，还用于获得所述第二用户设备对应的业务量信息；

所述第二确定单元，还用于基于所述无线资源分配数据、所述业务量信息和预设的第二上行干扰预测模型获得所述第二用户设备的第二干扰信息。

上述方案中，所述装置还包括第四获取单元和第二建模单元；其中，

所述第四获取单元，用于获得第一用户设备对应的历史无线资源分配数据；其中，所述历史无线资源分配数据表征与所述第一用户设备归属于不同基站下的其他用户设备相对于所述第一用户设备的历史无线资源分配情况；还用于获得所述历史无线资源分配数据对应的历史网络测量数据；

所述第二建模单元，用于基于所述历史无线资源分配数据和所述历史网络测量数据进行学习训练，获得第一上行干扰预测模型。

上述方案中，所述装置还包括第四获取单元和第二建模单元；其中，

所述第四获取单元，用于获得第一用户设备对应的历史无线资源分配数据；其中，所述历史无线资源分配数据表征与所述第一用户设备归属于不同基站下的其他用户设备相对于所述第一用户设备的历史无线资源分配情况；还用于获得所述第一用户设备的历史业务量信息；还用于获得所述历史无线资源分配数据对应的历史网络测量数据；

所述第二建模单元，用于基于所述历史无线资源分配数据、所述历史网络测量数据和所述历史业务量信息进行学习训练，获得第二上行干扰预测模型。

上述方案中，所述第三获取单元，用于获得第二用户设备对应的第一无线资源分配数据；所述第一无线资源分配数据表征与所述第二用户设备归属于不同基站下的第三用户设备相对于所述第二用户设备的无线资源分配情况；

所述第二确定单元，用于基于所述第三获取单元获得的所述第一无线资源分配数据和预设的上行干扰预测模型获得所述第三用户设备对所述第二用户设备的干扰信息。

本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本发明实施例所述上行干扰建模方法的步骤；或者，

该程序被处理器执行时实现本发明实施例所述干扰确定方法的步骤。

本发明实施例还提供了一种上行干扰建模装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现本发明实施例所述上行干扰建模方法的步骤。

本发明实施例还提供了一种干扰确定装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现本发明实施例所述干扰确定方法的步骤。

本发明实施例提供的上行干扰建模方法、干扰确定方法和装置，一方面，通过历史无线资源分配数据和历史网络测量数据运用学习训练的方式训练上行干扰预测模型；另一方面基于该上行干扰预测模型进行干扰信息的确定，在不需要物理设备部署和用户完整测量报告的前提下，利用调度过程中产生的大量无线资源分配数据和网络测量数据，通过大数据分析和机器学习算法，提供了完整和精确的上行用户干扰建模方案，实施简单，更接近于实际网络场景，实现了实时、高效、高精度和完整的干扰预测。

附图说明

图1为本发明实施例的上行干扰建模方法的流程示意图；

图2为本发明实施例的上行干扰建模方法应用的室内组网模型示意图；

图3为本发明实施例的上行干扰建模方法的建模原理示意图；

图4为本发明实施例的干扰确定方法的流程示意图；

图5为采用本发明实施例的干扰确定方法的一种干扰预测误差示意图；

图6为采用本发明实施例的干扰确定方法的另一种干扰预测误差示意图；

图7为本发明实施例的上行干扰建模装置的一种组成结构示意图；

图8为本发明实施例的上行干扰建模装置的另一种组成结构示意图；

图9为本发明实施例的上行干扰建模装置的又一种组成结构示意图；

图10为本发明实施例的干扰确定装置的一种组成结构示意图；

图11为本发明实施例的干扰确定装置的另一种组成结构示意图；

图12为本发明实施例的装置的硬件组成结构示意图。

具体实施方式

下面结合附图及具体实施例对本发明作进一步详细的说明。

本发明实施例提供了一种上行干扰建模方法，图1为本发明实施例的上行干扰建模方法的流程示意图；如图1所示，所述方法包括：

步骤101：获得第一用户设备对应的历史无线资源分配数据；其中，所述历史无线资源分配数据表征与所述第一用户设备归属于不同基站下的其他用户设备相对于所述第一用户设备的历史无线资源分配情况。

步骤102：获得所述历史无线资源分配数据对应的历史网络测量数据。

步骤103：基于所述历史无线资源分配数据和所述历史网络测量数据进行学习训练，获得第一上行干扰预测模型。

本实施例中，所述历史无线资源分配数据和所述历史网络测量数据均是用于进行模型训练的历史数据，也可以理解为是样本数据。

作为一种示例，所述历史无线资源分配数据是与第一用户设备归属于不同基站下的其他用户设备的每资源块(rb，resourceblock)的历史使用情况，所述历史无线资源分配数据可表明与第一用户设备归属于不同基站下的其他用户设备是否与所述第一用户设备使用相同的资源。

本实施例中，所述历史网络测量数据表征与所述第一用户设备归属于不同基站下的其他用户设备对所述第一用户设备的上行干扰情况。作为一种示例，所述历史网络测量数据表可通过历史上行链路信号与干扰加噪声比(ul-sinr，uplink-signaltointerferenceplusnoiseratio)表示。

在一种实施方式中，本发明实施例的历史无线资源分配数据和/或历史网络测量数据基于特定的信道模型获得。图2为本发明实施例的上行干扰建模方法应用的室内组网模型示意图；如图2所示，假设20米(m)宽的走廊两侧各有两排房间，每一排有10个房间，每个房间大小为10m×10m，且都部署一个的小基站(sbs，smallbasestation，)，共40个小基站，每个小基站接入2个用户设备(ue)，即ue1、ue2注册于sbs1，ue3、ue4注册于sbs2…….uei、uei+1注册于sbsi/2……归属于相同小基站下的ue只分配正交资源。小基站和ue都是随机部署于相应的房间内，小基站之间的最小距离为8m，整个模型的系统带宽为10兆赫兹(mhz)(包含50个rb)，每个小基站可用带宽都为10mhz。小基站的传输功率为20dbm。

当然，图2所示的室内信道模型仅为一种示例，其他密集组网模型均可适用于本发明实施例。

本发明实施例采用机器学习算法对历史无线资源分配数据和所述历史网络测量数据进行训练，获得第一上行干扰预测模型。作为一种示例，采用的机器学习算法具体可以为任一种神经网络算法，本实施例中，所述基于所述历史无线资源分配数据和所述历史网络测量数据进行学习训练，获得第一上行干扰预测模型，包括：将所述历史无线资源分配数据和所述历史网络测量数据作为预设神经网络的输入数据，对所述预设神经网络进行训练，获得第一上行干扰预测模型。则将历史无线资源分配数据和历史网络测量数据作为预设神经网络的输入数据，对所述预设神经网络进行训练，获得第一上行干扰预测模型。

图2中，组网中共40个小基站，每个小基站接入2个ue，即ue1、ue2注册于sbs1，ue3、ue4注册于sbs2…….uei、uei+1注册于sbsi/2……；注册在相同的小基站下的ue只分配正交资源。

以uei为例，输入数据包括uei每传输时间间隔(tti，transmissiontimeinterval)每rb的历史ul-sinr，以及对应tti对应rb上与uei可能形成干扰的ue的历史无线资源分配情况。uei+1与uei注册于同一小基站，所以uei+1不作为uei的干扰用户进行分析。uei的干扰用户为除sbsi/2外其他小基站注册的ue，即包括ue1、ue2……uei-1、uei+2……ue80。将这些ue对应的历史无线资源分配情况作为特征属性，属性取值为{0,1}，1表示在ttit，其他对应的ue与uei使用相同的资源(即使用相同的rb)；0表示在ttit，其他对应的ue与uei未使用相同的资源(即未使用相同的rb)。下面以ttit为例，如表1所示。

表1

其中，rb2、…rb7、rb9表示uei在ttit使用的rb。最后一列数据表示在ttit，uei的ul-sinr，其他列数据表示可能对uei形成干扰的其他ue。

则将如表1中所示的数据作为输入数据输入神经网络；图3为本发明实施例的上行干扰建模方法的建模原理示意图；如图3所示，神经网络输入层的神经元数量为所有可能对uei造成干扰的用户数，参照图2示例，该神经元数量为78；中间隐藏层神经元的数目可以根据不同个数配置下均方根误差(rmse，rootmeansquareerror)的优劣进行调整。则通过学习训练对神经网络中的隐藏层的相关参数进行优化调整，从而获得第一上行干扰预测模型。

以图2为例，本发明实施例的目的在于确定归属于不同基站下的任意两个ue之间的干扰关系，以uei为例，预测除与uei注册于同一小基站的uei+1外，uei与其他ue间的干扰强度。对组网中的80个ue重复操作，最终得到预测模型。

在本发明的一种可选实施例中，所述方法还包括：获得所述第一用户设备的历史业务量信息；基于所述历史无线资源分配数据、所述历史网络测量数据和所述历史业务量信息进行学习训练，获得第二上行干扰预测模型。

本实施例中，在对上行干扰预测模型进行训练过程中，除了依据前述的历史无线资源分配数据和历史网络测量数据以外，还将历史业务量信息作为模型训练的依据参与模型的训练。作为一种示例，所述历史业务量信息可以是分组数据汇聚协议(pdcp，packetdataconvergenceprotocol)吞吐量信息。

可选地，所述基于所述历史无线资源分配数据、所述历史网络测量数据和所述历史业务量信息进行学习训练，获得第二上行干扰预测模型，包括：将所述历史无线资源分配数据、所述历史网络测量数据和所述历史业务量信息作为预设神经网络的输入数据，对所述预设神经网络进行训练，获得第二上行干扰预测模型。

与前述第一上行干扰预测模型的训练方式同理，本实施例中，将如表1中所示的数据以及历史业务量信息(如历史pdcp吞吐量)作为输入数据输入神经网络，通过学习训练对神经网络中的隐藏层的相关参数进行优化调整，从而获得第二上行干扰预测模型。

在本发明的一种可选实施例中，所述方法还包括：基于所述第一上行干扰预测模型获得用户设备的第一干扰信息。

其中，所述基于所述第一上行干扰预测模型获得用户设备的第一干扰信息，包括：获得所述用户设备对应的无线资源分配数据；其中，所述无线资源分配数据表征与所述用户设备归属于不同基站下的其他用户设备相对于所述用户设备的无线资源分配情况；基于所述无线资源分配数据和所述第一上行干扰预测模型获得所述用户设备的干扰信息。

在本发明的一种可选实施例中，所述方法还包括：基于所述第二上行干扰预测模型获得用户设备的第二干扰信息。

其中，所述基于所述第二上行干扰预测模型获得用户设备的第二干扰信息，包括：获得所述用户设备对应的无线资源分配数据和业务量信息；其中，所述无线资源分配数据表征与所述用户设备归属于不同基站下的其他用户设备相对于所述用户设备的无线资源分配情况；基于所述无线资源分配数据、所述业务量信息和所述第二上行干扰预测模型获得第二干扰信息。

本实施例中的干扰信息的确定过程具体可参照下述实施例，这里不再赘述。

本发明实施例还提供了一种干扰确定方法，图4为本发明实施例的干扰确定方法的流程示意图；如图4所示，所述方法包括：

步骤201：获得第二用户设备对应的无线资源分配数据；其中，所述无线资源分配数据表征与所述第二用户设备归属于不同基站下的其他用户设备相对于所述第二用户设备的无线资源分配情况。

步骤202：基于所述无线资源分配数据和预设的第一上行干扰预测模型获得所述第二用户设备的第一干扰信息。

作为一种示例，所述无线资源分配数据是与第一用户设备归属于不同基站下的其他用户设备的每资源块(rb)的使用情况，可表明与第一用户设备归属于不同基站下的其他用户设备是否与所述第一用户设备使用相同的资源。

则本实施例中，通过将获得的无线资源分配数据输入预设的第一上行干扰预测模型获得第一干扰信息。作为一种示例，第一干扰信息可以是ul-sinr。

在本发明的一种可选实施例中，所述方法还包括：获得第一用户设备对应的历史无线资源分配数据；其中，所述历史无线资源分配数据表征与所述第一用户设备归属于不同基站下的其他用户设备相对于所述第一用户设备的历史无线资源分配情况；获得所述历史无线资源分配数据对应的历史网络测量数据；基于所述历史无线资源分配数据和所述历史网络测量数据进行学习训练，获得第一上行干扰预测模型。

本实施例中，第一上行干扰预测模型的建模过程具体可参照前述实施例所述，这里不再赘述。

在本发明的一种可选实施例中，所述方法还包括：获得所述第二用户设备对应的业务量信息；基于所述无线资源分配数据、所述业务量信息和预设的第二上行干扰预测模型获得所述第二用户设备的第二干扰信息。

作为一种示例，所述业务量信息可以是pdcp吞吐量信息。

在本发明的一种可选实施例中，所述方法还包括：获得第一用户设备对应的历史无线资源分配数据；其中，所述历史无线资源分配数据表征与所述第一用户设备归属于不同基站下的其他用户设备相对于所述第一用户设备的历史无线资源分配情况；获得所述第一用户设备的历史业务量信息；获得所述历史无线资源分配数据对应的历史网络测量数据；基于所述历史无线资源分配数据、所述历史网络测量数据和所述历史业务量信息进行学习训练，获得第二上行干扰预测模型。

本实施例中，第二上行干扰预测模型的建模过程具体可参照前述实施例所述，这里不再赘述。

以第一上行干扰预测模型为例，根据uei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第一上行干扰预测模型，输出对应的ul-sinr。作为一种示例，将单干扰用户数据输入第一上行干扰预测模型，得到对应的ul-sinr。其中，单干扰用户表明仅有一个ue对uei形成干扰；相应的，多干扰用户表明有多个ue对uei形成干扰。则输入数据和输出数据如表2所示，每个特征属性表示可能对uei形成干扰的其他ue，每行数据表示某一ttiuei的干扰用户情况，1表示在ttit，其他对应的ue与uei使用相同的资源(即使用相同的rb)，0表示在ttit，其他对应的ue与uei未使用相同的资源(即未使用相同的rb)，所以表2中的每行数据表征了某一tti、uei与某一ue共用一个rb，将此数据输入第一上行干扰预测模型就可以得到uei与该ue形成干扰时的ul-sinr。

表2

基于此，所述获得第二用户设备对应的无线资源分配数据，包括：所述获得第二用户设备对应的第一无线资源分配数据；所述第一无线资源分配数据表征与所述第二用户设备归属于不同基站下的第三用户设备相对于所述第二用户设备的无线资源分配情况；所述基于所述无线资源分配数据和预设的上行干扰预测模型获得所述第二用户设备的干扰信息，包括：基于所述第一无线资源分配数据和预设的上行干扰预测模型获得所述第三用户设备对所述第二用户设备的干扰信息。

多干扰用户的情况同理，将对uei形成干扰的多个其他ue的数据作为输入数据输入第一上行干扰预测模型，可得到uei与多个其他ue形成干扰时的ul-sinr。

需要说明的是，在分析uei单用户干扰时的ul-sinr时不区分rb、不区分tti，具体是指，无论uei与干扰用户使用哪个rb在哪个tti，其ul-sinr是相同的(在不考虑fastfading的影响下)，所以在构建uei与其他ue的干扰关系时不考虑rb和tti。

根据本发明实施例的干扰确定方案，由于本实施例主要考虑的是同频干扰，且用户设备的发射功率可在小基站检测得到，所以可以通过统计干扰信号强度的多次平均值得到干扰强度平均值和小基站检测到的uei的信号强度的多次平均值得到接收信号强度平均值。ul-sinr实际值为后者与前者的比值。

对上述图2所示的场景中的80个ue进行单用户干扰ul-sinr预测，每个用户设备可能的干扰用户设备为78个，对80*78＝6240个预测误差进行分析。从图5中可以看到，近75％的预测误差小于0.5db，约95％的预测误差小于1db。

用户设备分别复用相同资源时的实际ul-sinr进行从小到大排序，得到80个用户设备按照实际ul-sinr排序后的平均误差，并对其进行分析。从图6可以看到，实际ul-sinr越大，模型预测误差呈上升趋势，但是误差不大于0.55db。因此，干扰越强，ul-sinr越小，预测的准确度越高。仿真证明，本实施例所提出的上行干扰预测模型，其单干扰用户接收ul-sinr准确度非常高，尤其是对强干扰用户复用资源的ul-sinr具有极高的预测准确度。

通过历史无线资源分配数据和历史网络测量数据运用学习训练的方式训练上行干扰预测模型；另一方面基于该上行干扰预测模型进行干扰信息的确定，在不需要物理设备部署和用户完整测量报告的前提下，利用调度过程中产生的大量无线资源分配数据和网络测量数据，通过大数据分析和机器学习算法，提供了完整和精确的上行用户干扰建模方案，实施简单，更接近于实际网络场景，实现了实时、高效、高精度和完整的干扰预测。

本发明实施例还提供了一种上行干扰建模装置，图7为本发明实施例的上行干扰建模装置的组成结构示意图；如图7所示，所述装置包括：第一获取单元31和第一建模单元32；其中，

所述第一获取单元31，用于获得第一用户设备对应的历史无线资源分配数据；其中，所述历史无线资源分配数据表征与所述第一用户设备归属于不同基站下的其他用户设备相对于所述第一用户设备的历史无线资源分配情况；还用于获得所述历史无线资源分配数据对应的历史网络测量数据；

所述第一建模单元32，用于基于所述历史无线资源分配数据和所述历史网络测量数据进行学习训练，获得第一上行干扰预测模型。

在本发明的一种可选实施例中，所述第一建模单元32，用于将所述历史无线资源分配数据和所述历史网络测量数据作为预设神经网络的输入数据，对所述预设神经网络进行训练，获得第一上行干扰预测模型。

在本发明的一种可选实施例中，所述第一获取单元31，还用于获得所述第一用户设备的历史业务量信息；

所述第一建模单元32，还用于基于所述历史无线资源分配数据、所述历史网络测量数据和所述历史业务量信息进行学习训练，获得第二上行干扰预测模型。

在本发明的一种可选实施例中，所述第一建模单元32，用于将所述历史无线资源分配数据、所述历史网络测量数据和所述历史业务量信息作为预设神经网络的输入数据，对所述预设神经网络进行训练，获得第二上行干扰预测模型。

在本发明的一种可选实施例中，如图8所示，所述装置还包括第一确定单元33，用于基于所述第一建模单元获得的所述第一上行干扰预测模型获得用户设备的第一干扰信息。

在本发明的一种可选实施例中，如图9所示，所述装置还包括第二获取单元34；

所述第二获取单元34，用于获得所述用户设备对应的无线资源分配数据；其中，所述无线资源分配数据表征与所述用户设备归属于不同基站下的其他用户设备相对于所述用户设备的无线资源分配情况；

所述第一确定单元33，用于基于所述第二获取单元34获得的所述无线资源分配数据和所述第一上行干扰预测模型获得所述用户设备的干扰信息。

在本发明的一种可选实施例中，如图8所示，所述装置还包括第一确定单元33，用于基于所述第一建模单元获得的所述第二上行干扰预测模型获得用户设备的第二干扰信息。

在本发明的一种可选实施例中，如图9所示，所述装置还包括第二获取单元34；

所述第二获取单元34，用于获得所述用户设备对应的无线资源分配数据和业务量信息；其中，所述无线资源分配数据表征与所述用户设备归属于不同基站下的其他用户设备相对于所述用户设备的无线资源分配情况；

所述第一确定单元33，用于基于所述第二获取单元34获得的所述无线资源分配数据、所述业务量信息和所述第二上行干扰预测模型获得第二干扰信息。

本发明实施例中，所述装置中的第一获取单元31、第一建模单元32、第二获取单元34和第一确定单元33，在实际应用中均可由中央处理器(cpu，centralprocessingunit)、数字信号处理器(dsp，digitalsignalprocessor)、微控制单元(mcu，microcontrollerunit)或可编程门阵列(fpga，field－programmablegatearray)实现。

需要说明的是：上述实施例提供的上行干扰建模装置在进行上行干扰建模时，仅以上述各程序模块的划分进行举例说明，实际应用中，可以根据需要而将上述处理分配由不同的程序模块完成，即将装置的内部结构划分成不同的程序模块，以完成以上描述的全部或者部分处理。另外，上述实施例提供的上行干扰建模装置与上行干扰建模方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。

本发明实施例还提供了一种干扰确定装置，图10为本发明实施例的干扰确定装置的一种组成结构示意图；如图10所示，所述装置包括：第三获取单元41和第二确定单元42；其中，

所述第三获取单元41，用于获得第二用户设备对应的无线资源分配数据；其中，所述无线资源分配数据表征与所述第二用户设备归属于不同基站下的其他用户设备相对于所述第二用户设备的无线资源分配情况；

所述第二确定单元42，用于基于所述无线资源分配数据和预设的第一上行干扰预测模型获得所述第二用户设备的第一干扰信息。

在本发明的一种可选实施例中，所述第三获取单元41，还用于获得所述第二用户设备对应的业务量信息；

所述第二确定单元42，还用于基于所述无线资源分配数据、所述业务量信息和预设的第二上行干扰预测模型获得所述第二用户设备的第二干扰信息。

在本发明的一种可选实施例中，如图11所示，所述装置还包括第四获取单元43和第二建模单元44；其中，

所述第四获取单元43，用于获得第一用户设备对应的历史无线资源分配数据；其中，所述历史无线资源分配数据表征与所述第一用户设备归属于不同基站下的其他用户设备相对于所述第一用户设备的历史无线资源分配情况；还用于获得所述历史无线资源分配数据对应的历史网络测量数据；

所述第二建模单元44，用于基于所述历史无线资源分配数据和所述历史网络测量数据进行学习训练，获得第一上行干扰预测模型。

在本发明的一种可选实施例中，如图11所示，所述装置还包括第四获取单元43和第二建模单元44；其中，

所述第四获取单元43，用于获得第一用户设备对应的历史无线资源分配数据；其中，所述历史无线资源分配数据表征与所述第一用户设备归属于不同基站下的其他用户设备相对于所述第一用户设备的历史无线资源分配情况；还用于获得所述第一用户设备的历史业务量信息；还用于获得所述历史无线资源分配数据对应的历史网络测量数据；

所述第二建模单元44，用于基于所述历史无线资源分配数据、所述历史网络测量数据和所述历史业务量信息进行学习训练，获得第二上行干扰预测模型。

在本发明的一种可选实施例中，所述第三获取单元41，用于获得第二用户设备对应的第一无线资源分配数据；所述第一无线资源分配数据表征与所述第二用户设备归属于不同基站下的第三用户设备相对于所述第二用户设备的无线资源分配情况；

所述第二确定单元42，用于基于所述第三获取单元41获得的所述第一无线资源分配数据和预设的上行干扰预测模型获得所述第三用户设备对所述第二用户设备的干扰信息。

本发明实施例中，所述装置中的第二获取单元41、确定单元42、第三获取单元43和第二建模单元44，在实际应用中均可由cpu、dsp、mcu或fpga实现。

需要说明的是：上述实施例提供的干扰确定装置在进行干扰确定时，仅以上述各程序模块的划分进行举例说明，实际应用中，可以根据需要而将上述处理分配由不同的程序模块完成，即将装置的内部结构划分成不同的程序模块，以完成以上描述的全部或者部分处理。另外，上述实施例提供的干扰确定装置与干扰确定方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。

本发明实施例还提供了一种装置，图12为本发明实施例的装置的硬件组成结构示意图，如图12所示，装置包括存储器52、处理器51及存储在存储器52上并可在处理器51上运行的计算机程序。

可选地，装置具体可以为本发明实施例的上行干扰建模装置；所述处理器51执行所述程序时实现本发明实施例所述上行干扰建模方法的步骤。

可选地，装置具体可以为本发明实施例的干扰确定装置；所述处理器51执行所述程序时实现本发明实施例所述干扰确定方法的步骤。

可选地，装置中的各个组件可通过总线系统53耦合在一起。可理解，总线系统53用于实现这些组件之间的连接通信。总线系统53除包括数据总线之外，还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见，在图11中将各种总线都标为总线系统53。

可以理解，存储器52可以是易失性存储器或非易失性存储器，也可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(rom，readonlymemory)、可编程只读存储器(prom，programmableread-onlymemory)、可擦除可编程只读存储器(eprom，erasableprogrammableread-onlymemory)、电可擦除可编程只读存储器(eeprom，electricallyerasableprogrammableread-onlymemory)、磁性随机存取存储器(fram，ferromagneticrandomaccessmemory)、快闪存储器(flashmemory)、磁表面存储器、光盘、或只读光盘(cd-rom，compactdiscread-onlymemory)；磁表面存储器可以是磁盘存储器或磁带存储器。易失性存储器可以是随机存取存储器(ram，randomaccessmemory)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的ram可用，例如静态随机存取存储器(sram，staticrandomaccessmemory)、同步静态随机存取存储器(ssram，synchronousstaticrandomaccessmemory)、动态随机存取存储器(dram，dynamicrandomaccessmemory)、同步动态随机存取存储器(sdram，synchronousdynamicrandomaccessmemory)、双倍数据速率同步动态随机存取存储器(ddrsdram，doubledataratesynchronousdynamicrandomaccessmemory)、增强型同步动态随机存取存储器(esdram，enhancedsynchronousdynamicrandomaccessmemory)、同步连接动态随机存取存储器(sldram，synclinkdynamicrandomaccessmemory)、直接内存总线随机存取存储器(drram，directrambusrandomaccessmemory)。本发明实施例描述的存储器52旨在包括但不限于这些和任意其它适合类型的存储器。

上述本发明实施例揭示的方法可以应用于处理器51中，或者由处理器51实现。处理器51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51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51可以是通用处理器、dsp，或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。处理器51可以实现或者执行本发明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任何常规的处理器等。结合本发明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。软件模块可以位于存储介质中，该存储介质位于存储器52，处理器51读取存储器52中的信息，结合其硬件完成前述方法的步骤。

在示例性实施例中，装置可以被一个或多个应用专用集成电路(asic，applicationspecificintegratedcircuit)、dsp、可编程逻辑器件(pld，programmablelogicdevice)、复杂可编程逻辑器件(cpld，complexprogrammablelogicdevice)、fpga、通用处理器、控制器、mcu、微处理器(microprocessor)、或其他电子元件实现，用于执行前述方法。

本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序。

可选地，该计算机可读存储介质可应用于本发明实施例的上行干扰建模装置；则该程序被处理器执行时实现本发明实施例所述上行干扰建模方法的步骤。

可选地，该计算机可读存储介质可应用于本发明实施例的干扰确定装置；则该程序被处理器执行时实现本发明实施例所述干扰确定方法的步骤。

可理解，本发明实施例中的“第一”、“第二”仅用于区分不同实施例中的相同名词，并不用于对名词进行任何限定。例如第一用户设备和第二用户设备可以是相同的用户设备，也可以是不同的用户设备，本实施例中不对此进行限定。

在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。

上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元，即可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。

另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。

本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、rom、ram、磁碟或者光盘等各种可以存储程序代码的介质。

或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，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)执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、rom、ram、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。