确定小区节能策略的方法和装置与流程

1.本公开涉及无线通信领域，特别涉及一种确定小区节能策略的方法和装置。


背景技术：

2.在小区节能的一些相关技术中，通过分析小区相关信息，比如：功耗、能耗、业务流量，用户相关信息，比如rsrp(reference signal received power，参考信号接收功率)、rsrq(reference signal received quality，参考信号接收质量)、snr(signal noise ratio，信噪比)以及sinr(signal to interference plus noise ratio，信号与干扰加噪声比)，用户服务体验等来制定节能策略。


技术实现要素：

3.上述相关技术并没有考虑小区节能状态对上述小区相关信息、用户相关信息以及用户服务体验等信息的影响，从而影响小区节能策略制定的准确性。
4.小区节能状态是指小区关闭或者小区功率降低的状态。一个小区例如有两种节能状态，即节能状态和非节能状态。在节能状态下，所测得的小区相关信息(如功耗、能耗、业务流量等)可能会由于小区关闭/小区功率降低而直接受到影响。对于处于节能状态的小区覆盖范围内的ue(user equipment，用户设备)，所测得用户相关信息(如rsrp、rsrq、snr、sinr等)也可能会受到影响。此外，基于小区相关信息和用户相关信息，可以统计和分析用户服务体验。在小区处于节能状态下和非节能状态下，小区相关信息和用户相关信息的测量结果是不一样的，如果不对这些数据加以区分，会影响用户服务体验的分析结果的准确性，进而影响小区节能策略制定的准确性。
5.本公开实施例通过预测小区的节能状态，区分小区的节能状态对小区相关信息、用户相关信息、服务体验信息等的影响，提升据此制定的小区节能策略的准确性。
6.本公开一些实施例提出一种确定小区节能策略的方法，包括：
7.根据与小区节能相关的小区相关信息和用户相关信息，预测小区的节能状态；
8.获取用户在小区的服务体验信息；
9.根据小区相关信息、用户相关信息、服务体验信息和小区的节能状态，确定小区的节能策略。
10.在一些实施例中，预测小区的节能状态包括：将小区的节能状态作为待预测的动作信息，将与小区节能相关的小区相关信息和用户相关信息作为与动作信息相应的特征信息，基于预先设置的收益目标和所述特征信息，采用强化学习的方法，预测小区的节能状态。
11.在一些实施例中，预测小区的节能状态包括：
12.根据所述特征信息，计算一定时期内每个时刻每种动作对应的收益；
13.根据一定时期内各个时刻各种动作对应的收益，计算总收益；
14.通过总收益，确定小区各个时刻的动作。
15.在一些实施例中，计算一定时期内每个时刻每种动作对应的收益包括：根据每种动作的历史收益、每种动作历史上被选择的次数、每种动作当前时刻的收益估计值，计算一定时期内每个当前时刻每种动作对应的收益，其中，每种动作当前时刻的收益估计值根据小区相关信息、用户相关信息和服务体验信息确定。
16.在一些实施例中，采用如下公式计算一定时期内每个当前时刻每种动作对应的收益，
[0017][0018]
其中，r
t,a
表示到当前t时刻为止每种动作a收益的均值，r
t-1,a
表示到t-1时刻为止每种动作a收益的均值，d
t-1,a
表示到t-1时刻为止每种动作a被选择的次数，表示在t时刻每种动作a所对应的收益估计值。
[0019]
在一些实施例中，根据一定时期内各个时刻各种动作对应的收益，计算总收益包括：对一定时期t内的进行累加得到总收益，其中，a
t
表示在t时刻收益均值最大的动作，表示到t时刻为止动作a
t
收益的均值。
[0020]
在一些实施例中，确定小区各个时刻的动作包括：将a
t
作为小区各个t时刻的节能状态，将小区各个t时刻的节能状态作为小区各个t时刻的动作。
[0021]
在一些实施例中，获取用户在小区的服务体验信息包括：根据小区的节能状态、小区相关信息、用户相关信息，运用第一人工智能算法分析确定用户在小区的服务体验信息。
[0022]
在一些实施例中，确定小区的节能策略包括：根据小区相关信息、用户相关信息、服务体验信息和小区的节能状态，运用第二人工智能算法分析确定小区的节能策略。
[0023]
在一些实施例中，所述第一人工智能算法包括逻辑回归算法。
[0024]
在一些实施例中，所述第二人工智能算法包括xgboost算法。
[0025]
在一些实施例中，所述收益估计值从分析网元获取。
[0026]
本公开一些实施例提出一种确定小区节能策略的装置，包括：
[0027]
存储器；以及
[0028]
耦接至所述存储器的处理器，所述处理器被配置为基于存储在所述存储器中的指令，执行确定小区节能策略的方法。
[0029]
本公开一些实施例提出一种非瞬时性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确定小区节能策略的方法的步骤。
[0030]
本公开一些实施例提出一种确定小区节能策略的装置，包括：
[0031]
节能状态预测模块，被配置为根据与小区节能相关的小区相关信息和用户相关信息，预测小区的节能状态；
[0032]
服务体验获取模块，被配置为获取用户在小区的服务体验信息；
[0033]
节能策略确定模块，被配置为根据小区相关信息、用户相关信息、服务体验信息和小区的节能状态，确定小区的节能策略。
[0034]
在一些实施例中，所述节能状态预测模块，被配置为将小区的节能状态作为待预测的动作信息，将与小区节能相关的小区相关信息和用户相关信息作为与动作信息相应的特征信息，基于预先设置的收益目标和所述特征信息，采用强化学习的方法，预测小区的节
能状态。
[0035]
在一些实施例中，所述服务体验获取模块，被配置为根据小区的节能状态、小区相关信息、用户相关信息，运用第一人工智能算法分析确定用户在小区的服务体验信息。
[0036]
在一些实施例中，所述节能策略确定模块，被配置为根据小区相关信息、用户相关信息、服务体验信息和小区的节能状态，运用第二人工智能算法分析确定小区的节能策略。
附图说明
[0037]
下面将对实施例或相关技术描述中所需要使用的附图作简单地介绍。根据下面参照附图的详细描述，可以更加清楚地理解本公开。
[0038]
显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0039]
图1示出本公开一些实施例的确定小区节能策略的方法的流程示意图。
[0040]
图2示出本公开一些实施例的确定小区节能策略的装置的结构示意图。
[0041]
图3示出本公开另一些实施例的确定小区节能策略的装置的结构示意图。
具体实施方式
[0042]
下面将结合本公开实施例中的附图，对本公开实施例中的技术方案进行清楚、完整地描述。
[0043]
除非特别说明，否则，本公开中的“第一”“第二”等描述用来区分不同的对象，并不用来表示大小或时序等含义。
[0044]
图1示出本公开一些实施例的确定小区节能策略的方法的流程示意图。
[0045]
如图1所示，该实施例的确定小区节能策略的方法，包括：步骤110-130。
[0046]
在步骤110，根据与小区节能相关的小区相关信息和用户相关信息，预测小区的节能状态。
[0047]
其中，小区相关信息例如包括但不限于功耗、能耗、业务流量等。用户相关信息例如包括但不限于rsrp、rsrq、snr、sinr等。小区的节能状态例如包括但不限于节能状态和非节能状态。
[0048]
在一些实施例中，预测小区的节能状态包括：将小区的节能状态的预测问题，建模为mab(multi-armed bandit，多臂赌博机)问题，将小区的节能状态作为待预测的动作信息，将与小区节能相关的小区相关信息和用户相关信息作为与动作信息相应的特征信息(也称状态信息)，基于预先设置的收益目标和所述特征信息，采用强化学习(reinforcement learning，强化学习)的方法，预测小区的节能状态。
[0049]
在一些实施例中，采用强化学习的方法，预测小区的节能状态，包括：步骤111-113。
[0050]
在步骤111，根据前述的特征信息，计算一定时期内每个时刻每种动作对应的收益。
[0051]
在一些实施例中，根据每种动作的历史收益、每种动作历史上被选择的次数、每种动作当前时刻的收益估计值，计算一定时期内每个当前时刻每种动作对应的收益。
[0052]
其中，每种动作当前时刻的收益估计值根据小区相关信息、用户相关信息和服务
体验信息确定，例如，依据服务体验的变化以及业务流量的变化确定。例如，将小区相关信息、用户相关信息和服务体验信息输入逻辑回归算法输出收益估计值。逻辑回归算法可以先经过训练再使用，训练过程例如包括：将训练数据集中的小区相关信息、用户相关信息和服务体验信息输入逻辑回归算法，将算法输出的收益估计值与训练数据集中的收益值进行差距比较，根据差距更新逻辑回归算法的参数，直至算法输出的收益估计值与训练数据集中的收益值的差距小于预设值或者达到预设的迭代次数，停止训练。训练后的逻辑回归算法具有收益估计功能。此外，每种动作当前时刻的收益估计值也可以从例如nwdaf(network data analytics function，网络数据分析功能)等分析网元获取。
[0053]
例如，采用如下公式计算一定时期内每个当前时刻每种动作对应的收益。
[0054]
其中，r
t,a
表示到当前t时刻为止每种动作a收益的均值，r
t-1,a
表示到t-1时刻为止每种动作a收益的均值，d
t-1,a
表示到t-1时刻为止每种动作a被选择的次数，表示在t时刻每种动作a所对应的收益估计值。所述收益估计值可以从分析网元获取。
[0055]
在步骤112，根据一定时期内各个时刻各种动作对应的收益，计算总收益。
[0056]
例如，对一定时期t内的进行累加得到总收益，记为其中，a
t
表示在t时刻收益均值最大的动作，表示到t时刻为止动作a
t
收益的均值。
[0057]
在步骤113，通过总收益，确定小区各个时刻的动作。
[0058]
例如，通过最大化总收益，确定小区各个时刻的动作，也即，将前述的a
t
作为小区各个t时刻的节能状态(动作)。其中，最大化总收益的目标函数，可以使用ubc(upper confidence bound，置信区间上限)算法，收敛到最优结果。
[0059]
从而，通过步骤111-113，采用强化学习的方法，预测小区的节能状态。
[0060]
在步骤120，获取用户在小区的服务体验信息。
[0061]
在一些实施例中，根据小区的节能状态、小区相关信息、用户相关信息，运用第一人工智能算法分析确定用户在小区的服务体验信息。所述第一人工智能算法例如包括但不限于逻辑回归算法。
[0062]
第一人工智能算法(如逻辑回归算法)可以先经过训练再使用，以逻辑回归算法为例，训练过程例如包括：将训练数据集中的区的节能状态、小区相关信息、用户相关信息输入逻辑回归算法，将算法输出的服务体验估计值与训练数据集中的服务体验值进行差距比较，根据差距更新逻辑回归算法的参数，直至算法输出的服务体验估计值与训练数据集中的服务体验值的差距小于预设值或者达到预设的迭代次数，停止训练。训练后的第一人工智能算法(如逻辑回归算法)具有服务体验分析功能。
[0063]
利用前述预测的小区的节能状态分析服务体验信息，反馈分析的服务体验信息使其参与前述小区的节能状态的预测，从而使得小区的节能状态与服务体验信息之间形成闭环反馈，提升小区的节能状态的预测结果的准确性和服务体验信息的分析结果的准确性。
[0064]
在步骤130，根据小区相关信息、用户相关信息、服务体验信息和小区的节能状态，确定小区的节能策略。
[0065]
在一些实施例中，根据小区相关信息、用户相关信息、服务体验信息和小区的节能
状态，运用第二人工智能算法分析确定小区的节能策略。所述第二人工智能算法例如包括但不限于xgboost算法。
[0066]
xgboost提供并行树提升，目标是建立k个回归树，使得树群的预测值尽量接近真实值且有尽量大的泛化能力，损失函数可由两部分构成，第一部分为梯度提升算法损失，第二部分为正则化项，具体可参见相关技术，这里不再赘述。
[0067]
其中，小区的节能策略例如包括但不限于小区关断、载波关断等节能策略。
[0068]
通过预测小区的节能状态，区分小区的节能状态对小区相关信息、用户相关信息、服务体验信息等的影响，提升据此制定的小区节能策略的准确性。
[0069]
在一些应用例中，例如mda(management data analysis，管理数据分析)网元收集并处理与小区节能相关的原始数据，如小区相关信息、用户相关信息等，通过mdas(management data analysis service，管理数据分析服务)服务根据小区相关信息、用户相关信息预测小区节能状态，并向例如nwdaf网元等其他nf(network function，网络功能)网元提供小区节能状态的预测结果；例如nwdaf网元等其他nf网元根据小区的节能状态、小区相关信息、用户相关信息，分析用户在小区的服务体验信息，提升例如nwdaf网元等其他nf网元分析服务体验的准确性；例如nwdaf网元等其他nf网元将服务体验的分析结果反馈给mda网元，mda网元结合服务体验的分析结果预测小区节能状态，用于提升节能状态预测的准确性；最后，基于节能状态、服务体验、小区相关信息和用户相关信息，推荐小区节能策略，可以提升小区节能策略推荐的准确性。
[0070]
图2示出本公开一些实施例的确定小区节能策略的装置的结构示意图。
[0071]
如图2所示，该实施例的确定小区节能策略的装置200包括：模块210-230。
[0072]
节能状态预测模块210，被配置为根据与小区节能相关的小区相关信息和用户相关信息，预测小区的节能状态；
[0073]
服务体验获取模块220，被配置为获取用户在小区的服务体验信息；
[0074]
节能策略确定模块230，被配置为根据小区相关信息、用户相关信息、服务体验信息和小区的节能状态，确定小区的节能策略。
[0075]
在一些实施例中，所述节能状态预测模块210，被配置为将小区的节能状态作为待预测的动作信息，将与小区节能相关的小区相关信息和用户相关信息作为与动作信息相应的特征信息，基于预先设置的收益目标和所述特征信息，采用强化学习的方法，预测小区的节能状态。
[0076]
在一些实施例中，所述节能状态预测模块210，被配置为根据所述特征信息，计算一定时期内每个时刻每种动作对应的收益，例如，根据每种动作的历史收益、每种动作历史上被选择的次数、每种动作当前时刻的收益估计值，计算一定时期内每个当前时刻每种动作对应的收益，其中，每种动作当前时刻的收益估计值根据小区相关信息、用户相关信息和服务体验信息确定；根据一定时期内各个时刻各种动作对应的收益，计算总收益；通过总收益，确定小区各个时刻的动作。具体方法参见前述，这里不再赘述。
[0077]
在一些实施例中，所述服务体验获取模块220，被配置为根据小区的节能状态、小区相关信息、用户相关信息，运用第一人工智能算法分析确定用户在小区的服务体验信息。所述第一人工智能算法包括逻辑回归算法。
[0078]
在一些实施例中，所述节能策略确定模块230，被配置为根据小区相关信息、用户
相关信息、服务体验信息和小区的节能状态，运用第二人工智能算法分析确定小区的节能策略。所述第二人工智能算法包括xgboost算法。
[0079]
通过预测小区的节能状态，区分小区的节能状态对小区相关信息、用户相关信息、服务体验信息等的影响，提升据此制定的小区节能策略的准确性。利用前述预测的小区的节能状态分析服务体验信息，反馈分析的服务体验信息使其参与前述小区的节能状态的预测，从而使得小区的节能状态与服务体验信息之间形成闭环反馈，提升小区的节能状态的预测结果的准确性和服务体验信息的分析结果的准确性。
[0080]
图3示出本公开另一些实施例的确定小区节能策略的装置的结构示意图。
[0081]
如图3所示，该实施例的确定小区节能策略的装置300包括：存储器310以及耦接至该存储器310的处理器320，处理器320被配置为基于存储在存储器310中的指令，执行前述任意一些实施例中的确定小区节能策略的方法。
[0082]
例如，一种确定小区节能策略的方法，包括：根据与小区节能相关的小区相关信息和用户相关信息，预测小区的节能状态；获取用户在小区的服务体验信息；根据小区相关信息、用户相关信息、服务体验信息和小区的节能状态，确定小区的节能策略。
[0083]
其中，预测小区的节能状态包括：将小区的节能状态作为待预测的动作信息，将与小区节能相关的小区相关信息和用户相关信息作为与动作信息相应的特征信息，基于预先设置的收益目标和所述特征信息，采用强化学习的方法，预测小区的节能状态。
[0084]
其中，预测小区的节能状态包括：根据所述特征信息，计算一定时期内每个时刻每种动作对应的收益；根据一定时期内各个时刻各种动作对应的收益，计算总收益；通过总收益，确定小区各个时刻的动作。
[0085]
其中，计算一定时期内每个时刻每种动作对应的收益包括：根据每种动作的历史收益、每种动作历史上被选择的次数、每种动作当前时刻的收益估计值，计算一定时期内每个当前时刻每种动作对应的收益，其中，每种动作当前时刻的收益估计值根据小区相关信息、用户相关信息和服务体验信息确定。收益估计值还可以从分析网元获取。
[0086]
其中，采用如下公式计算一定时期内每个当前时刻每种动作对应的收益，其中，r
t,a
表示到当前t时刻为止每种动作a收益的均值，r
t-1,a
表示到t-1时刻为止每种动作a收益的均值，d
t-1,a
表示到t-1时刻为止每种动作a被选择的次数，表示在t时刻每种动作a所对应的收益估计值。
[0087]
其中，根据一定时期内各个时刻各种动作对应的收益，计算总收益包括：对一定时期t内的进行累加得到总收益，其中，a
t
表示在t时刻收益均值最大的动作，表示到t时刻为止动作a
t
收益的均值。
[0088]
其中，确定小区各个时刻的动作包括：将a
t
作为小区各个t时刻的节能状态，将小区各个t时刻的节能状态作为小区各个t时刻的动作。
[0089]
其中，获取用户在小区的服务体验信息包括：根据小区的节能状态、小区相关信息、用户相关信息，运用第一人工智能算法分析确定用户在小区的服务体验信息。第一人工智能算法包括逻辑回归算法。
[0090]
其中，确定小区的节能策略包括：根据小区相关信息、用户相关信息、服务体验信
息和小区的节能状态，运用第二人工智能算法分析确定小区的节能策略。第二人工智能算法包括xgboost算法。
[0091]
其中，存储器310例如可以包括系统存储器、固定非易失性存储介质等。系统存储器例如存储有操作系统、应用程序、引导装载程序(boot loader)以及其他程序等。
[0092]
装置300还可以包括输入输出接口330、网络接口340、存储接口350等。这些接口330，340，350以及存储器310和处理器320之间例如可以通过总线360连接。其中，输入输出接口330为显示器、鼠标、键盘、触摸屏等输入输出设备提供连接接口。网络接口340为各种联网设备提供连接接口。存储接口350为sd卡、u盘等外置存储设备提供连接接口。
[0093]
本公开一些实施例提出一种非瞬时性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确定小区节能策略的方法的步骤。
[0094]
本领域内的技术人员应当明白，本公开的实施例可提供为方法、系统、或计算机程序产品。因此，本公开可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本公开可采用在一个或多个其中包含有计算机程序代码的非瞬时性计算机可读存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0095]
本公开是参照根据本公开实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解为可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0096]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0097]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0098]
以上所述仅为本公开的较佳实施例，并不用以限制本公开，凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。