5G网络规划方法、装置、计算设备和存储介质与流程

5g网络规划方法、装置、计算设备和存储介质
技术领域
1.本发明实施例涉及通信技术领域，具体涉及一种5g网络规划方法、装置、计算设备和存储介质。


背景技术：

2.5g不仅能够大幅提升移动互联网用户的高带宽业务体验，契合物联网大连接、低功耗的业务需求，更可面向垂直行业开启万物互联、人机深度交互的新时代，推动数字化、网络化和智能化转变。因此5g网络规划需要匹配不同类型、不同应用的业务需求制定差异化的方案。
3.现有的5g网络规划方法主要面向5g网络连续覆盖、深度覆盖需求进行网络规划。通过网络仿真进行网络站址规划，并根据传统语音及数据业务预估情况进行基站网络资源配置。这种方式仅能满足网络覆盖需求分析及较为简单的容量需求分析，并基于此开展网络规划，不能进行5g垂直行业的复杂场景及多样业务需求分析，无法实现5g垂直行业网络规划。


技术实现要素：

4.鉴于上述问题，本发明实施例提供了一种5g网络规划方法、装置、计算设备和存储介质，用于解决现有技术中存在的网络规划方式不能进行5g垂直行业的复杂场景及多样业务需求分析，无法实现5g垂直行业网络规划的问题。
5.根据本发明实施例的一个方面，提供了一种5g网络规划方法，所述方法包括：
6.建立网络智能规划模型，其中，所述网络智能规划模型包括输入层、中间层和输出层；
7.分别对所述输入层、所述中间层和所述输出层的数据基于语义进行分类，得到分类数据；
8.对所述分类数据进行向量映射，得到映射数据；
9.根据所述映射数据对第一学习匹配模型和第二学习匹配模型进行训练，得到第一匹配模型和第二匹配模型，其中，所述第一学习匹配模型为所述输入层和所述中间层的学习匹配模型，所述第二学习匹配模型为所述中间层和所述输出层的学习匹配模型；
10.根据所述第一匹配模型和所述第二匹配模型进行5g网络规划。
11.在一种可选的方式中，所述输入层、所述中间层和所述输出层的数据为文本信息，所述分别对所述输入层、所述中间层和所述输出层的数据基于语义进行分类，得到分类数据，包括：
12.分别对所述输入层、所述中间层和所述输出层的文本信息基于语义进行类型和元素划分，得到每个所述文本信息的类型属性和元素属性。
13.在一种可选的方式中，所述对所述分类数据进行向量映射，得到映射数据，包括：
14.根据每个所述文本信息的所述类型属性确定该文本信息的映射幅度，其中，相同
的类型属性对应相同的映射幅度；
15.根据每个所述文本信息的所述元素属性确定该文本信息的映射相位，其中，相同的元素属性对应相同的映射相位；
16.根据所述映射幅度和所述映射相位对每个所述文本信息进行向量映射，得到映射后的文本信息。
17.在一种可选的方式中，所述向量映射为围绕中心点并依次偏移水平轴线进行所述文本信息的映射，其中，所述映射幅度为所述文本信息的映射点与所述中心点之间的距离，所述映射相位为所述文本信息的映射点偏移水平轴线的角度。
18.在一种可选的方式中，所述输入层中的类型属性包括业务特征和业务场景，所述中间层的类型属性包括网络需求和无线环境，所述输出层的类型属性包括网络方案和资源配置。
19.在一种可选的方式中，所述第一学习匹配模型包括第一输入层、第一隐含层和第一输出层，所述第一输入层采用映射后的输入层的文本信息作为所述第一学习匹配模型的输入，所述第一隐含层采用tanh函数得到隐藏向量h，所述第一输出层通过如下函数得到输出向量y，
20.y＝b+wx+u tanh(hx+a)
21.其中，a、b、w、u、h为模型训练参数，并采用softmax函数对输出进行归一化处理，
22.所述输出向量y的元素值表示该输出向量对应的生成概率。
23.在一种可选的方式中，所述第二学习匹配模型包括第二输入层、第二隐含层和第二输出层，所述第二输入层采用映射后的中间层的文本信息作为所述第二学习匹配模型的输入，所述第二隐含层采用tanh函数得到隐藏向量h，所述第二输出层通过如下函数得到输出向量y，
24.y＝b+wx+u tanh(hx+a)
25.其中，a、b、w、u、h为模型训练参数，并采用softmax函数对输出进行归一化处理，
26.所述输出向量y的元素值表示该输出向量对应的生成概率。
27.根据本发明实施例的另一方面，提供了一种5g网络规划装置，所述装置包括：
28.建立模块，用于建立网络智能规划模型，其中，所述网络智能规划模型包括输入层、中间层和输出层；
29.分类模块，用于分别对所述输入层、所述中间层和所述输出层的数据基于语义进行分类，得到分类数据；
30.映射模块，用于对所述分类数据进行向量映射，得到映射数据；
31.训练模块，用于根据所述映射数据对第一学习匹配模型和第二学习匹配模型进行训练，得到第一匹配模型和第二匹配模型，其中，所述第一学习匹配模型为所述输入层和所述中间层的学习匹配模型，所述第二学习匹配模型为所述中间层和所述输出层的学习匹配模型；
32.规划模块，用于根据所述第一匹配模型和所述第二匹配模型进行5g网络规划。
33.根据本发明实施例的另一方面，提供了一种计算设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；
34.所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行如上所述的5g网络规划方法的操作。
35.根据本发明实施例的另一方面，提供了一种计算机可读存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令在计算设备上运行时，使得计算设备执行如上所述的5g网络规划方法的操作。
36.本发明实施例通过建立包括输入层、中间层和输出层的网络智能规划模型，分别对所述输入层、所述中间层和所述输出层的数据基于语义进行分类并映射，根据映射后的数据对输入层和所述中间层的第一学习匹配模型和中间层和所述输出层的第二学习匹配模型进行训练，得到第一匹配模型和第二匹配模型，从而根据所述第一匹配模型和所述第二匹配模型进行5g垂直行业网络规划。基于语义进行分类并映射的方式可以快速、准确地进行匹配模型的学习匹配，使用训练好的匹配模型进行5g垂直行业的网络规划可以提高规划效率、提升规划精度。
37.上述说明仅是本发明实施例技术方案的概述，为了能够更清楚了解本发明实施例的技术手段，而可依照说明书的内容予以实施，并且为了让本发明实施例的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
38.附图仅用于示出实施方式，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
39.图1示出了本发明实施例提供的5g网络规划方法的流程图；
40.图2示出了本发明实施例提供的5g垂直行业网络规划系统架构示意图；
41.图3示出了本发明实施例提供的网络智能规划模型架构示意图；
42.图4示出了本发明另一实施例提供的网络智能规划模型架构示意图；
43.图5示出了图1中步骤130的详细流程图；
44.图6示出了本发明实施例提供的向量映射模型示意图；
45.图7示出了第一学习匹配模型的示意图；
46.图8示出了第二学习匹配模型的示意图；
47.图9示出了本发明实施例提供的5g网络规划装置的结构示意图；
48.图10示出了本发明实施例提供的计算设备的结构示意图。
具体实施方式
49.下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。
50.5g不仅能够大幅提升移动互联网用户的高带宽业务体验，契合物联网大连接、低功耗的业务需求，更可面向垂直行业开启万物互联、人机深度交互的新时代，推动数字化、网络化和智能化转变。因此5g网络规划需要匹配不同类型、不同应用的业务需求制定差异化的方案。
51.现有的5g网络规划方法主要面向5g网络连续覆盖、深度覆盖需求进行网络规划。
通过网络仿真进行网络站址规划，并根据传统语音及数据业务预估情况进行基站网络资源配置。这种方式仅能满足网络覆盖需求分析及较为简单的容量需求分析，并基于此开展网络规划，不能进行5g垂直行业的复杂场景及多样业务需求分析，无法实现5g垂直行业网络规划。
52.目前针对5g垂直行业网络规划没有成熟的规划方法和模型，也没有基于大数据的智能规划方法，一般是根据单点垂直行业应用场景通过理论测算后人工制定可满足业务的网络方案，也即通过人工分析进行网络规划，再根据网络建成后测试情况进行优化调整。这种方式需要逐一处理，缺少统一标准，工作效率较低。人工分析还存在信息处理能力有限、结论主观等问题，并且无法通过大数据智能方法总结借鉴成熟案例经验。
53.因此，本发明实施例构建了5g垂直行业的智能网络规划系统，通过闭环方案智能学习分析实现5g垂直行业网络智能规划。采用三层架构，增强业务需求和网络方案的关联性，并在各层级之间通过神经网络学习匹配方法提升网络规划精度。
54.图1示出了本发明实施例提供的5g网络规划方法的流程图，该方法由服务器或者服务器集群等计算设备执行。如图1所示，该方法包括以下步骤：
55.步骤110：建立网络智能规划模型，其中，网络智能规划模型包括输入层、中间层和输出层。
56.在对5g垂直行业的网络进行智能规划时，首先需要构建网络智能规划系统。如图2所示，在网络智能规划系统中，首先将需求信息输入网络智能规划模型，输出网络方案。然后将输出的网络方案经测试矫正后输出最终的网络实施方案，并将该实施方案返回网络智能规划模型的方案库，根据实施方案进行网络智能规划模型中规划算法的学习修正。
57.网络智能规划模型(也可称为网络智能规划单元)根据方案库中的网络方案进行智能规划算法的学习，生成适用于5g垂直行业的网络智能规划模型。网络智能规划模型采用三层架构，如图3所示，包括输入层、中间层和输出层。通过在输入层与输出层之间增加中间层，强化输入层与输出层之间的关联性。由于输入层输入的主要为业务数据，中间层插入的为需求数据，输出层输出的为网络数据，因此在一些实施例中，也可将输入层称为输入业务层，中间层称为中间信息层，输出层称为输出网络层。下文以输入业务层、中间信息层和输出网络层为例进行说明。
58.输入业务层中的类型属性包括业务特征和业务场景，中间层的类型属性包括网络需求和无线环境，输出层的类型属性包括网络方案和资源配置。业务特征是指5g网络应用的业务类型，输入业务层的业务特征包括辅助驾驶、远程医疗、智慧课堂、远程操控等；业务场景是指5g网络应用的场景，输入业务层的业务场景包括工业园区、医院门诊楼、高层多隔断、体育场馆等；网络需求是指不同业务特征和业务场景所对应的5g网络的参数要求，中间需求层的网络需求包括业务种类、上下行速率、并发终端数、业务时延等，其中业务种类包括语音、数据、图像、视频以及游戏等；无线环境是指5g网络的部署场地环境，中间需求层的无线环境包括场景类型、穿透损耗、覆盖高度、覆盖面积等；网络方案是指5g网络的规划网络方案，输出网络层的网络方案包括组网方案、设备选型、建设方式等；输出网络层的资源配置包括设备数量、硬件配置、软件配置等，详情可参考图4所示。
59.网络智能规划模型的各层之间的数据具备匹配关系，可以通过输入已经建立匹配关系的大量方案库，进行学习匹配，得到训练好的模型用于网络规划。
60.步骤120：分别对输入层、中间层和输出层的数据基于语义进行分类，得到分类数据。
61.输入业务层、中间信息层和输出网络层的数据一般为文本信息，因此需对文本信息进行数字映射后才能实现学习匹配。考虑到文本信息具有可分类的特点，为便于映射后可以快速、准确地学习匹配，本发明实施例采用分类后进行向量映射的方式，将文本信息基于语义进行不同幅度及相位的向量映射。
62.在一些实施例中，可以分别对输入层、中间层和输出层的文本信息基于语义进行类型和元素划分，得到每个文本信息的类型属性和元素属性。其中，类型是指业务特征、业务场景、网络需求、无线环境、网络方案和资源配置等，元素是指各个类型下划分的元素，例如图4中的辅助驾驶、远程医疗、智慧课堂、远程操控、工业园区、医院门诊楼、高层多隔断、体育场馆、业务种类、上下行速率、并发终端数、业务时延、场景类型、穿透损耗、覆盖高度、覆盖面积、组网方案、设备选型、建设方式、设备数量、硬件配置、软件配置等。基于语义进行文本信息的分类可以采用现有技术，此处不再详述。
63.步骤130：对分类数据进行向量映射，得到映射数据。
64.按照类型和元素分类后，每个文本信息都具有相应的类型属性和元素属性，然后可以根据每个文本信息的类型属性和元素属性进行向量映射。进行向量映射时，可以分别确定映射的幅度和相位，如图5所示，步骤130可以进一步包括如下步骤：
65.步骤131：根据每个文本信息的类型属性确定该文本信息的映射幅度，其中，相同的类型属性对应相同的映射幅度；
66.步骤132：根据每个文本信息的元素属性确定该文本信息的映射相位，其中，相同的元素属性对应相同的映射相位；
67.步骤133：根据映射幅度和映射相位对每个文本信息进行向量映射，得到映射后的文本信息。
68.在本实施例中，向量映射为围绕中心点并依次偏移水平轴线进行文本信息的映射，其中，映射幅度为文本信息的映射点与中心点之间的距离，映射相位为文本信息的映射点偏移水平轴线的角度。
69.关于相同的类型属性对应相同的映射幅度，例如若文本信息的类型属性都是业务特征，则这些文本信息的映射幅度相同，若文本信息的类型属性都是无线环境，则这些文本信息的映射幅度相同
……
。关于相同的元素属性对应相同的映射相位，例如若文本信息的元素属性都是辅助驾驶，则这些文本信息的映射相位相同，若文本信息的元素属性都是设备数量，则这些文本信息的映射相位相同
……
。可以理解的是，不同的类型属性，映射幅度不同，否则会导致不同类型属性的文本信息的映射点(也即映射位置)重合。基于不同的类型属性其映射幅度不同，则不同类型属性之间，不同元素属性对应的映射相位可以相同，例如业务特征类型下的辅助驾驶元素的映射相位，可以和网络需求类型下的业务种类元素的映射相位相同。
70.下面对映射的具体过程进行进一步说明。以输入业务层为例，其中业务特征文本信息x1(ω1)、x1(ω2)、......、x1(ωi)可映射为幅度为a的不同相位向量，业务场景文本信息x2(ω1)、x2(ω2)、......、x2(ωj)可映射为幅度为b的不同相位向量；同理，中间需求层文本信息y1、y2，输出网络层文本信息z1、z2以类型对应不同幅度、元素对应不同相位的方式进
行向量映射，映射模型如图6所示。图6中，每种类型的文本信息中相邻元素之间相位间隔均相同，例如均为30度。可以理解的是，本发明实施例对幅度的取值无特殊要求，只要不同类型属性对应的幅度值不同，将不同类型属性的文本信息映射至不同幅度以进行区分即可。如图6所示，为方便映射，按照输入业务层、中间需求层、输出网络层中各类型文本信息的顺序，从中心点向外进行映射，该映射方式逻辑清晰，简单方便。在一些其他实施例中，还可以按照输出网络层、中间需求层、输入业务层中各类型文本信息的顺序从中心点向外进行映射，也即与图6中所示顺序相反的顺序进行映射，或者不按照特定的顺序，而是随机进行映射。
71.通过将文本信息按语义进行分类映射，相比不进行映射或者其他映射方式，有利于提升学习匹配精准度，并且支持输入业务层、中间需求层、输出网络层的文本信息扩展后的灵活映射。若文本信息有扩展，例如新增了一些文本信息，若新增的文本信息为已有类型的新元素，则可以在该类型文本信息的映射幅度基础上，新增映射相位进行映射；若新增的文本信息为新增类型的新元素，则可以为该新类型的文本信息设置新的映射幅度，在此基础上设置与该新元素对应的映射相位从而进行映射。理论上，映射幅度和映射相位可以无限拓展。
72.关于步骤的执行顺序，可以先执行步骤131，后执行步骤132；也可以先执行步骤132，后执行步骤131；还可以同时执行步骤131和步骤132。本发明对这两个步骤的执行顺序不做限定。
73.步骤140：根据映射数据对第一学习匹配模型和第二学习匹配模型进行训练，得到第一匹配模型和第二匹配模型，其中，第一学习匹配模型为输入层和中间层的学习匹配模型，第二学习匹配模型为中间层和输出层的学习匹配模型。
74.在网络智能规划模型的训练过程中，首先将输入业务层的业务特征与业务场景信息与中间需求层的网络需求与无线环境信息进行学习匹配，再将中间需求层的网络需求与无线环境信息与输出网络层的网络方案与资源配置信息进行学习匹配，最终建立输入业务需求与输出网络方案之间的非线性关系。通过两次学习可有效增强业务与网络的关联性，提升网络规划精准度。
75.本发明实施例的学习匹配模型可以采用神经网络语言模型(nerual network language model，nnlm)，神经网络语言模型通过神经网络预测词语概率分布，模型训练完成后同时得到网络权重参数和词向量。
76.首先，构建输入业务层与中间需求层的第一学习匹配模型，第一学习匹配模型包括第一输入层、第一隐含层和第一输出层，如图7所示，第一输入层采用映射后的输入层的文本信息作为第一学习匹配模型的输入，第一隐含层采用tanh函数得到隐藏向量h，第一输出层通过如下函数得到输出向量y：
77.y＝b+wx+u tanh(hx+a)
78.其中，a、b、w、u、h为模型训练参数，并采用softmax函数对输出进行归一化处理，
79.输出向量y的元素值表示该输出向量对应的生成概率。
80.具体的，第一学习匹配模型的训练是由一组x词序列作为输入，y为目标词的最大似然p(y(ω)/(x1(ω1),......,x2(ωj))，将向量映射后的向量x1＝[x1(ω1)；x1(ω2)；......；x1(ωi)]及x2＝[x2(ω1)；x2(ω2)；......；x2(ωj)]作为模型输入，输入层接
收向量x后，神经网络语言模型进行前馈计算，依次通过隐藏层和输出层，并得到隐藏向量h和输出向量y：
[0081]
y＝b+wx+u tanh(hx+a)
[0082][0083]
输出层元素依次对应中间需求层中的一个映射向量y(ω)，而元素值表示映射向量对应的生成概率p(y(ω)/x)，最终模型使用softmax函数对输出进行了归一化，实现通过神经网络模型的训练对映射向量中所有样本的概率进行最大似然。
[0084]
同理，构建中间需求层与输出网络层的第二学习匹配模型，第二学习匹配模型包括第二输入层、第二隐含层和第二输出层，如图8所示，第二输入层采用映射后的中间层的文本信息作为第二学习匹配模型的输入，第二隐含层采用tanh函数得到隐藏向量h，第二输出层通过如下函数得到输出向量y，
[0085]
y＝b+wx+utanh(hx+a)
[0086]
其中，a、b、w、u、h为模型训练参数，并采用softmax函数对输出进行归一化处理，
[0087]
输出向量y的元素值表示该输出向量对应的生成概率。
[0088]
具体的，第二学习匹配模型的训练是由一组y词序列作为输入，z为目标词的最大似然p(z(ω)/(y1(ω1),......,y2(ω
l
)),通过采用与上述第一学习匹配模型相同的学习训练方法计算输出网络层映射向量对应的生成概率p(z(ω)/y)。
[0089]
如上，通过两次学习匹配关联计算，得到输入业务层与输出网络层的对应生成概率p(z(ω)/x)，从而实现通过这两个匹配模型根据输入业务需求进行网络智能规划。
[0090]
步骤150：根据第一匹配模型和第二匹配模型进行5g网络规划。
[0091]
训练得到第一匹配模型和第二匹配模型后，则可以根据第一匹配模型和第二匹配模型进行5g网络的智能规划。
[0092]
本发明实施例通过建立包括输入层、中间层和输出层的网络智能规划模型，分别对输入层、中间层和输出层的数据基于语义进行分类并映射，根据映射后的数据对输入层和中间层的第一学习匹配模型和中间层和输出层的第二学习匹配模型进行训练，得到第一匹配模型和第二匹配模型，从而根据第一匹配模型和第二匹配模型进行5g垂直行业网络规划。基于语义进行分类并映射的方式可以快速、准确地进行匹配模型的学习匹配，使用训练好的匹配模型进行5g垂直行业的网络规划可以提高规划效率、提升规划精度。
[0093]
图9示出了本发明实施例提供的5g网络规划装置的结构示意图。如图9所示，该装置300包括：
[0094]
建立模块301，用于建立网络智能规划模型，其中，所述网络智能规划模型包括输入层、中间层和输出层；
[0095]
分类模块302，用于分别对所述输入层、所述中间层和所述输出层的数据基于语义进行分类，得到分类数据；
[0096]
映射模块303，用于对所述分类数据进行向量映射，得到映射数据；
[0097]
训练模块304，用于根据所述映射数据对第一学习匹配模型和第二学习匹配模型进行训练，得到第一匹配模型和第二匹配模型，其中，所述第一学习匹配模型为所述输入层和所述中间层的学习匹配模型，所述第二学习匹配模型为所述中间层和所述输出层的学习
匹配模型；
[0098]
规划模块305，用于根据所述第一匹配模型和所述第二匹配模型进行5g网络规划。
[0099]
在一种可选的方式中，所述输入层、所述中间层和所述输出层的数据为文本信息，所述分别对所述输入层、所述中间层和所述输出层的数据基于语义进行分类，得到分类数据，包括：
[0100]
分别对所述输入层、所述中间层和所述输出层的文本信息基于语义进行类型和元素划分，得到每个所述文本信息的类型属性和元素属性。
[0101]
在一种可选的方式中，所述对所述分类数据进行向量映射，得到映射数据，包括：
[0102]
根据每个所述文本信息的所述类型属性确定该文本信息的映射幅度，其中，相同的类型属性对应相同的映射幅度；
[0103]
根据每个所述文本信息的所述元素属性确定该文本信息的映射相位，其中，相同的元素属性对应相同的映射相位；
[0104]
根据所述映射幅度和所述映射相位对每个所述文本信息进行向量映射，得到映射后的文本信息。
[0105]
在一种可选的方式中，所述向量映射为围绕中心点并依次偏移水平轴线进行所述文本信息的映射，其中，所述映射幅度为所述文本信息的映射点与所述中心点之间的距离，所述映射相位为所述文本信息的映射点偏移水平轴线的角度。
[0106]
在一种可选的方式中，所述输入层中的类型属性包括业务特征和业务场景，所述中间层的类型属性包括网络需求和无线环境，所述输出层的类型属性包括网络方案和资源配置。
[0107]
在一种可选的方式中，所述第一学习匹配模型包括第一输入层、第一隐含层和第一输出层，所述第一输入层采用映射后的输入层的文本信息作为所述第一学习匹配模型的输入，所述第一隐含层采用tanh函数得到隐藏向量h，所述第一输出层通过如下函数得到输出向量y，
[0108]
y＝b+wx+u tanh(hx+a)
[0109]
其中，a、b、w、u、h为模型训练参数，并采用softmax函数对输出进行归一化处理，
[0110]
所述输出向量y的元素值表示该输出向量对应的生成概率。
[0111]
在一种可选的方式中，所述第二学习匹配模型包括第二输入层、第二隐含层和第二输出层，所述第二输入层采用映射后的中间层的文本信息作为所述第二学习匹配模型的输入，所述第二隐含层采用tanh函数得到隐藏向量h，所述第二输出层通过如下函数得到输出向量y，
[0112]
y＝b+wx+u tanh(hx+a)
[0113]
其中，a、b、w、u、h为模型训练参数，并采用softmax函数对输出进行归一化处理，
[0114]
所述输出向量y的元素值表示该输出向量对应的生成概率。
[0115]
本发明实施例通过建立包括输入层、中间层和输出层的网络智能规划模型，分别对所述输入层、所述中间层和所述输出层的数据基于语义进行分类并映射，根据映射后的数据对输入层和所述中间层的第一学习匹配模型和中间层和所述输出层的第二学习匹配模型进行训练，得到第一匹配模型和第二匹配模型，从而根据所述第一匹配模型和所述第二匹配模型进行5g垂直行业网络规划。基于语义进行分类并映射的方式可以快速、准确地
进行匹配模型的学习匹配，使用训练好的匹配模型进行5g垂直行业的网络规划可以提高规划效率、提升规划精度。
[0116]
图10示出了本发明实施例提供的计算设备的结构示意图，其中，计算设备可以是服务器或者服务器集群，本发明具体实施例并不对计算设备的具体实现做限定。
[0117]
如图10所示，该计算设备可以包括：处理器(processor)402、通信接口(communications interface)404、存储器(memory)406、以及通信总线408。
[0118]
其中：处理器402、通信接口404、以及存储器406通过通信总线408完成相互间的通信。通信接口404，用于与其它设备比如客户端或其它服务器等的网元通信。处理器402，用于执行程序410，具体可以执行上述用于5g网络规划方法实施例中的相关步骤。
[0119]
具体地，程序410可以包括程序代码，该程序代码包括计算机可执行指令。
[0120]
处理器402可能是中央处理器cpu，或者是特定集成电路asic(application specific integrated circuit)，或者是被配置成实施本发明实施例的一个或多个集成电路。计算设备包括的一个或多个处理器，可以是同一类型的处理器，如一个或多个cpu；也可以是不同类型的处理器，如一个或多个cpu以及一个或多个asic。
[0121]
存储器406，用于存放程序410。存储器406可能包含高速ram存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
[0122]
程序410具体可以被处理器402调用使计算设备执行以下操作：
[0123]
建立网络智能规划模型，其中，所述网络智能规划模型包括输入层、中间层和输出层；
[0124]
分别对所述输入层、所述中间层和所述输出层的数据基于语义进行分类，得到分类数据；
[0125]
对所述分类数据进行向量映射，得到映射数据；
[0126]
根据所述映射数据对第一学习匹配模型和第二学习匹配模型进行训练，得到第一匹配模型和第二匹配模型，其中，所述第一学习匹配模型为所述输入层和所述中间层的学习匹配模型，所述第二学习匹配模型为所述中间层和所述输出层的学习匹配模型；
[0127]
根据所述第一匹配模型和所述第二匹配模型进行5g网络规划。
[0128]
在一种可选的方式中，在一种可选的方式中，所述输入层、所述中间层和所述输出层的数据为文本信息，所述分别对所述输入层、所述中间层和所述输出层的数据基于语义进行分类，得到分类数据，包括：
[0129]
分别对所述输入层、所述中间层和所述输出层的文本信息基于语义进行类型和元素划分，得到每个所述文本信息的类型属性和元素属性。
[0130]
在一种可选的方式中，所述对所述分类数据进行向量映射，得到映射数据，包括：
[0131]
根据每个所述文本信息的所述类型属性确定该文本信息的映射幅度，其中，相同的类型属性对应相同的映射幅度；
[0132]
根据每个所述文本信息的所述元素属性确定该文本信息的映射相位，其中，相同的元素属性对应相同的映射相位；
[0133]
根据所述映射幅度和所述映射相位对每个所述文本信息进行向量映射，得到映射后的文本信息。
[0134]
在一种可选的方式中，所述向量映射为围绕中心点并依次偏移水平轴线进行所述
文本信息的映射，其中，所述映射幅度为所述文本信息的映射点与所述中心点之间的距离，所述映射相位为所述文本信息的映射点偏移水平轴线的角度。
[0135]
在一种可选的方式中，所述输入层中的类型属性包括业务特征和业务场景，所述中间层的类型属性包括网络需求和无线环境，所述输出层的类型属性包括网络方案和资源配置。
[0136]
在一种可选的方式中，所述第一学习匹配模型包括第一输入层、第一隐含层和第一输出层，所述第一输入层采用映射后的输入层的文本信息作为所述第一学习匹配模型的输入，所述第一隐含层采用tanh函数得到隐藏向量h，所述第一输出层通过如下函数得到输出向量y，
[0137]
y＝b+wx+u tanh(hx+a)
[0138]
其中，a、b、w、u、h为模型训练参数，并采用softmax函数对输出进行归一化处理，
[0139]
所述输出向量y的元素值表示该输出向量对应的生成概率。
[0140]
在一种可选的方式中，所述第二学习匹配模型包括第二输入层、第二隐含层和第二输出层，所述第二输入层采用映射后的中间层的文本信息作为所述第二学习匹配模型的输入，所述第二隐含层采用tanh函数得到隐藏向量h，所述第二输出层通过如下函数得到输出向量y，
[0141]
y＝b+wx+u tanh(hx+a)
[0142]
其中，a、b、w、u、h为模型训练参数，并采用softmax函数对输出进行归一化处理，
[0143]
所述输出向量y的元素值表示该输出向量对应的生成概率。
[0144]
本发明实施例通过建立包括输入层、中间层和输出层的网络智能规划模型，分别对所述输入层、所述中间层和所述输出层的数据基于语义进行分类并映射，根据映射后的数据对输入层和所述中间层的第一学习匹配模型和中间层和所述输出层的第二学习匹配模型进行训练，得到第一匹配模型和第二匹配模型，从而根据所述第一匹配模型和所述第二匹配模型进行5g垂直行业网络规划。基于语义进行分类并映射的方式可以快速、准确地进行匹配模型的学习匹配，使用训练好的匹配模型进行5g垂直行业的网络规划可以提高规划效率、提升规划精度。
[0145]
本发明实施例提供了一种计算机可读存储介质，所述存储介质存储有至少一可执行指令，该可执行指令在计算设备上运行时，使得所述计算设备执行上述任意方法实施例中的5g网络规划方法。
[0146]
本发明实施例提供一种5g网络规划装置，用于执行上述5g网络规划方法。
[0147]
本发明实施例提供了一种计算机程序，所述计算机程序可被处理器调用使计算设备执行上述任意方法实施例中的5g网络规划方法。
[0148]
本发明实施例提供了一种计算机程序产品，计算机程序产品包括存储在计算机可读存储介质上的计算机程序，计算机程序包括程序指令，当程序指令在计算机上运行时，使得所述计算机执行上述任意方法实施例中的5g网络规划方法。
[0149]
在此提供的算法或显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明实施例也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披
露本发明的最佳实施方式。
[0150]
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
[0151]
类似地，应当理解，为了精简本发明并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明实施例的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。
[0152]
本领域技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
[0153]
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。上述实施例中的步骤，除有特殊说明外，不应理解为对执行顺序的限定。