CN113038501B - 网络链路优化方法、装置及电子设备 - Google Patents
网络链路优化方法、装置及电子设备 Download PDFInfo
- Publication number
- CN113038501B CN113038501B CN201911345708.XA CN201911345708A CN113038501B CN 113038501 B CN113038501 B CN 113038501B CN 201911345708 A CN201911345708 A CN 201911345708A CN 113038501 B CN113038501 B CN 113038501B
- Authority
- CN
- China
- Prior art keywords
- network
- parameter
- parameters
- preset
- value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000005457 optimization Methods 0.000 title claims abstract description 59
- 239000011159 matrix material Substances 0.000 claims description 50
- 238000012549 training Methods 0.000 claims description 37
- 230000008569 process Effects 0.000 claims description 21
- 238000012417 linear regression Methods 0.000 claims description 18
- 238000012360 testing method Methods 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000010801 machine learning Methods 0.000 claims description 9
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 abstract description 16
- 238000004458 analytical method Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 230000000875 corresponding effect Effects 0.000 description 6
- 238000003066 decision tree Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000005070 sampling Methods 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 241000760358 Enodes Species 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/02—Arrangements for optimising operational condition
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本申请公开一种网络链路优化方法、装置及电子设备，涉及无线通信技术领域。其中，方法包括获取待优化的目标小区的目标网络参数，目标网络参数中包括至少一个指定参数；将各指定参数的参数值按照预设规则调节至满足第一预设需求；将满足第一预设需求的指定参数以及目标网络参数中除指定参数之外的其他参数输入至参数配置模型中，计算得到用于对目标小区进行网络链路优化的目标配置参数的参数值，从而提高网络链路优化参数的准确性。
Description
技术领域
本申请涉及无线通信技术领域，具体而言，涉及一种网络链路优化方法、装置及电子设备。
背景技术
相关技术中，无线网络信号根据传播方向分为上行和下行两个方向，例如，终端侧通过上行链路将信息发送给网络侧(基站)，而网络侧通过下行链路将信息发送给终端侧。理想通信情况下，在网络覆盖范围内的任何区域，终端侧和网络侧可同时收到对方的信号，或者同时无法收到对方的信号，也就是上行链路和下行链路平衡。但在实际网络中，上/下行链路信号的差值会偏离正常允许范围，造成严重的上/下行链路不平衡，进而导致网络信号无法接通、掉话、通话质量差等一系列网络问题发生。
发明内容
对于上述问题，本申请实施例提供了一种网络链路优化方法、装置及电子设备，具体如下。
第一方面，本申请实施例提供一种网络链路优化方法，包括：
获取待优化的目标小区的目标网络参数，所述目标网络参数中包括至少一个指定参数，所述指定参数是从影响网络上/下行链路平衡性的多个网络参数中选取的相关度满足预设条件的参数；
将各所述指定参数的参数值按照预设规则调节至满足第一预设需求；
将所述满足第一预设需求的指定参数，以及所述目标网络参数中除所述指定参数之外的其他参数输入至参数配置模型中，计算得到用于对所述目标小区进行网络链路优化的目标配置参数的参数值；
其中，所述参数配置模型是基于多个指定小区的网络参数训练得到的，所述指定小区的网络上/下行链路平衡。
进一步，作为一种可能的实现方法，所述将各所述指定参数的参数值按照预设规则调节至满足第一预设需求的步骤，包括：
基于各所述指定参数的参数值以及预设的多个用于表征链路平衡性的平衡度构建线性回归模型，其中，各所述指定参数为自变量，各所述平衡度为模型预测值，1>平衡度>0；
基于构建的所述线性回归模型，将该线性回归模型的输出设置为第一预设值；
基于输出为所述第一预设值的所述线性回归模型反向计算得到目标参数值；
基于所述目标参数值对所述指定参数的参数值进行调节，得到满足第一预设需求的指定参数。
进一步，作为一种可能的实现方法，在执行所述获取待优化的目标小区的目标网络参数的步骤之前，所述方法还包括用于所述指定参数确定的参数确定步骤，该参数确定步骤包括：
获取多个现网小区的网络参数，以及各所述现网小区的网络标签，所述网络标签用于表征与其对应的现网小区的网络上/下行链路的平衡性；
基于各所述现网小区的网络参数以及所述网络标签确定第一相关性矩阵，所述第一相关性矩阵用于表征各所述网络参数与所述网络标签之间的相关性；
基于所述第一相关性矩阵从所述网络参数中，选取与网络上/下行链路的平衡性之间的相关度满足预设条件的网络参数，作为指定参数。
进一步，作为一种可能的实现方法，所述网络链路优化方法还包括所述参数配置模型的训练过程，所述训练过程包括：
基于各所述现网小区的网络参数确定第二相关性矩阵，所述第二相关性矩阵用于表征各所述网络参数之间的相关性；
基于所述第一相关性矩阵和所述第二相关性矩阵从所述网络参数中选取满足第二预设需求的网络参数，以及基于所述网络标签从多个所述现网小区中选取网络上/下行链路平衡的现网小区，作为指定小区；
基于所述指定小区中满足第二预设需求的网络参数形成训练数据集；
将所述训练数据集输入预设的机器学习模型进行特征学习，得到所述参数配置模型。
进一步，作为一种可能的实现方法，所述基于所述第一相关性矩阵和所述第二相关性矩阵从所述网络参数中选取满足第二预设需求的网络参数的步骤，包括：
基于所述第一相关性矩阵确定所述网络参数中存在的相关性小于第二预设值的网络参数，作为第一参数；
基于所述第二相关性矩阵确定所述网络参数中存在的相关性大于第三预设值的网络参数对；
对于每个所述网络参数对，从该网络参数对中选取任一网络参数作为第二参数；
从所述网络参数中剔除所述第一参数和第二参数，得到满足第二预设需求的网络参数。
进一步，作为一种可能的实现方法，所述训练过程还包括：
获取测试数据集；
将所述测试数据集输入训练得到的所述参数配置模型中，计算得到待测配置参数的待测参数值；
在检测到所述待测参数值不符合第三预设需求时，对所述参数配置模型进行参数调优处理，直到基于调优处理后的参数配置模型计算得到的待测参数值满足所述第三预设需求。
进一步，作为一种可能的实现方法，所述指定参数至少包括PUSCH小于负120dbm的比例、eNodeB内语音业务同频切换出成功率、eNodeB内同频切换出成功率；
所述目标配置参数至少包括本系统门限-SRVCC、异系统门限-SRVCC、参考信号功率、上/下行语音分组丢失率超过语音质差门限、语音质量丢包评估周期中的一种。
第二方面，本申请实施例还提供一种网络链路优化装置，包括
参数获取模块，被配置为执行获取待优化的目标小区的目标网络参数，所述目标网络参数中包括至少一个指定参数，所述指定参数是从影响网络上/下行链路平衡性的多个网络参数中选取的相关度满足预设条件的参数；
参数调节模块，被配置为执行将各所述指定参数的参数值按照预设规则调节至满足第一预设需求；
参数计算模块，被配置为执行将所述满足第一预设需求的指定参数,以及所述目标网络参数中除所述指定参数之外的其他参数输入至参数配置模型中，计算得到用于对所述目标小区进行网络链路优化的目标配置参数的参数值；其中，所述参数配置模型是基于多个指定小区的网络参数训练得到的，所述指定小区的网络上/下行链路平衡。
第三方面，本申请实施例还提供一种电子设备，包括：
至少一个处理器；
与所述处理器连接的至少一个存储器；
其中，所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如上所述的方法。
第四方面，本申请实施例还提供一种计算机可读存储介质，所述存储介质存储有计算机指令，所述计算机指令使所述计算机执行如上所述的方法。
本申请实施例采用的上述至少一个技术方案能够达到以下有益效果：
基于学习有现网的网络特征的参数配置模型，对待优化的目标小区的目标网络参数进行分析、计算，得到用于对目标小区进行网络链路优化的目标配置参数的参数值，以提高网络链路优化效率，确保网络链路优化的准确率。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本申请实施例提供的网络链路优化方法的流程示意图。
图2为本申请实施例提供的网络链路优化方法的另一流程示意图。
图3为本申请实施例提供的GDBT中的回归树分析处理的流程示意图。
图4为本申请实施例提供的网络链路优化装置的框图。
图5为本申请实施例提供的电子设备的框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
经研究发现，以LTE(Long Term Evolution，长期演进)网络为例，现有对于LTE网络中涉及的上/下行链路不平衡问题，主要采用以下两种优化处理方式。
(1)基于历史优化经验，以性能指标、测试数据作为辅助数据，按照优化流程逐一排查，最后输出优化方案。该优化方案准确率较高，但其缺陷为人力成本高、优化效率低。
(2)基于专家系统辅助，该专家系统中固化有历史优化经验以及各类优化问题核查规则。但该专家系统的本质还是结合性能指标、相关统计数据实现流程化的各项优化核查，是一种因果关系的问题分析思路。此方案虽能提升一定的优化效率，但由于现网数据及无线环境的变化性，导致优化准确率低。
由前述(1)和(2)给出的优化方案可以看出，目前涉及的优化方案主要还是基于网络KPI指标(Key Performance Indication，关键业绩指标)进行辅助分析以及问题定位，最后输出优化方案，比较依赖优化工程师的经验和能力，且参数调整后容易顾此失彼，需要反复调整，准确率和效率较低。
鉴于前述相关优化方案存在的问题，本申请给出一种网络链路优化方法、装置及电子设备，以提高优化效率，确保优化结果的准确性，降低优化成本。
实施例一
如图1所示，为本申请实施例提供的网络链路优化方法的流程示意图，该网络链路优化方法可以由，但不限于电子设备执行，具体可由电子设备中的硬件或/和软件执行。可选地，电子设备可以为，但不限于智能手机、电脑、服务器等终端。参照图1，本申请给出的网络链路优化方法可以包括如下步骤。
S1，获取待优化的目标小区的目标网络参数。
其中，待优化的目标小区是指存在网络上/下行链路不平衡问题的小区，根据目标小区中布设的无线网络的网络类型(如3G/4G/5G等)的不同，目标网络参数有所不同。假设目标小区中布设的无线网络为LTE。
可选地，目标网络参数是指影响小区上/下行链路平衡性的指标、各类型采集数据，例如：采集数据可以包括MR(测量报告)总采样点、低于-110采样点、低于-115采样点、完整度、E-RAB(用户平面的介入层协议向非接入层提供的服务)建立成功率_NEW(％)等，以及小区的OTT数据：LTE下行视频业务量、LTE微信用户数、LTE下行网页浏览业务量、LTE下行QQ通信业务量、LTE网页浏览请求数、LTE上行QQ通信业务量等。其中，OTT是指服务过于依赖网络的速度。
进一步，目标网络参数中可以包括至少一个指定参数，指定参数是从影响网络上/下行链路平衡性的多个网络参数中选取的相关度满足预设条件的参数。例如，指定参数至少可以包括PUSCH(Physical Uplink Shared CHannel，物理上行共享信道)小于负120dbm的比例、eNodeB内语音业务同频切换出成功率、eNodeB内同频切换出成功率等。
需要注意的是，前述的指定参数是根据现网小区中的历史网络数据中选取的，前述的相关度满足预设条件可以是影响网络上/下行链路平衡性的多个网络参数中选取的相关性最强的参数。作为一种可能的实现方式，前述指定参数的确定可在S1之前执行，也就是，本申请给出的网络链路优化方法还可包括用于指定参数确定的参数确定步骤，该参数确定步骤S0可以包括如下内容。
S01，获取多个现网小区的网络参数，以及各现网小区的网络标签。
其中，网络标签用于表征与其对应的现网小区的网络链路的平衡性；例如，若现网小区的网络链路平衡，则网络标签可以为0；反之，网络标签可以为1等。在判断现网小区的网络链路是否平衡时，可根据工作人员的经验实现，也可以借助专家系统等实现，本实施例对此不做限制。
应注意的是，为了确保后续优化结果的准确性，在判断现网小区的网络上/下行链路是否平衡时，可剔除基站硬件故障、馈线安装、手机用户行为等引起的网络上/下行不平衡小区。
S02，基于各现网小区的网络参数以及网络标签确定第一相关性矩阵。
其中，第一相关性矩阵用于表征各网络参数与网络标签之间的相关性。应注意，相关性矩阵中的各相关系数是用以反映变量之间(如网络参数与小区平衡性之间、或者网络参数与网络参数之间等)相关关系密切程度的统计指标，相关系数计算公式如下所示。
其中，Cov(X,Y)为X和Y的协方差，Var(X)为X的方差，Var(Y)为Y的方差，
分别为X的均值和Y的均值。
此外，相关性矩阵的定义为：设(X1,X2,X3,...,Xn)是一个n维的随机向量，任意Xi和Xj的相关系数记为ρij(i,j＝1,2,...,n)，则该随机向量的相关矩阵R可表示为：
应注意，在计算第一相关性矩阵时，X和Y分别为网络参数和网络标签，在计算下述的第二相关性矩阵时，X和Y分别为网络参数等，具体根据需求进行设定。
在此以LTE网络为例，部分网络参数与网络上/下行不平衡的相关系数可如表1所示。应注意，表1中所示的各指标均为目标小区或现网小区中涉及的网络参数以及对应的相关系数，但实际小区中涉及的网络参数的数量以及相关系数的大小不限于表1所示。表1中所示的QCI为(QoS Class Identifier)是一个标度值，用于衡量特定的提供给SDF(StandrdDelay Format，服务数据流)的包转发行为(如丢包率，包延迟预算)，SDU为服务数据单元。
S03，基于第一相关性矩阵从网络参数中，选取与网络上/下行链路的平衡性的相关度满足预设条件的网络参数，作为指定参数。
基于前述S01和S02中计算得到的网络参数与网络标签的之间的第一相关性矩阵，可从中选取相关度大于预设值的指标作为指定参数，也可以按照相关度的大小对各网络参数进行排序，从而根据排序结果从中选取相关度排在前面的一个或多个网络参数作为指定参数，本实施例在此不做具体限制。本实施例中，可选取PUSCH小于负120dbm的比例、eNodeB内语音业务同频切换出成功率、eNodeB内同频切换出成功率这三个参数作为指定参数，具体可根据需求进行选取。
表1
| 通过重建回源小区的eNode内同频切换出执行成功次数 | 0.000451637 |
| 小区QCI的业务PACP层下行丢弃的业务SDU数(个数) | 0.000970753 |
| 小区QCI为2的DRB业务PDCP层的SDU下行空口丢包率 | 0.00149151 |
| 小区QCI的DRB业务下行数据包处理总时延(毫秒-计算时延)(毫秒) | 0.00174511 |
| QCI为2的业务PDCP下行层下行丢弃的业务SDU数(包) | 0.00215399 |
| eNodeB触发的QCI为2的业务E-RAB异常释放次数 | 0.00544603 |
| 小区S1接口接收寻呼消息次数 | 0.00588669 |
| 切换出QCI为1的E-RAB异常释放次数 | 0.00603604 |
| 小区用户面下行弃包率-HWLTE(％) | 0.00622891 |
| eNodeB间异频切换出成功率 | 0.00692379 |
| 小区丢弃的MME对用户的寻呼消息的次数 | 0.00943353 |
| QCI为2的遗留E-RAB个数 | 0.0113609 |
| eNodeB间同频切换出成功率 | 0.0151564 |
| 小区通过重建回源小区的eNodeB内语音业务异频切换出执行成功次数 | 0.0155749 |
S2，将各指定参数的参数值按照预设规则调节至满足第一预设需求。
其中，在对指定参数进行参数值调节时，可直接将各指定参数的参数值调节至一预设值，以得到满足第一预设需求的指定参数，例如，可直接将PUSCH小于负120dbm的比例调节为0、将eNodeB内语音业务同频切换出成功率调节为1、将eNodeB内同频切换出成功率调节为1等。
此外，在对指定参数进行参数值调节时，还可以基于待优化的目标小区的实际情况，按照S21至S24中给出的预设规则将各指定参数调节至满足第一预设需求，以确保后续计算结果的准确性，请结合参阅图2，内容如下。
S21，基于各指定参数的参数值以及预设的多个用于表征链路平衡性的平衡度构建线性回归模型。
其中，各指定参数为自变量，各平衡度为模型预测值，1>平衡度>0。需要注意的时，各指定参数的参数值是指目标小区的对应的实际参数值。例如，可将PUSCH小于负120dbm的比例、eNodeB内语音业务同频切换出成功率、eNodeB内同频切换出成功率作为自变量，再根据上/下行链路平衡判断标准：假设上/下行覆盖率偏差范围为±10dB，取出上/下行平衡的样本，将偏差绝对值为0dB的平衡状态(即平衡度)设置为1，偏差绝对值为10dB平衡状态设置为0，以公式
将平衡状态设置为0～1的程度值，其中，α为偏差绝对值。
S22，基于构建的线性回归模型，将该线性回归模型的输出设置为第一预设值。
可选地，构建得到的线性回归模型可以为，但不限于：
hθ(x1、x2、x3)＝θ0+θ1x1+θ2x2+θ3x3
其中，(x1、x2、x3)为上面提到的三个指定参数，(θ0、θ1、θ2、θ4)为回归系数。
S23，基于输出为第一预设值的线性回归模型反向计算得到目标参数值。
S24，基于目标参数值对指定参数的参数值进行调节，得到满足第一预设需求的指定参数。
在S22至S24中，可将第一预设值可以为1，也就是，将平衡状态设置为1。求解最优的上下行平衡数据与PUSCH小于负120dbm的比例、eNodeB内语音业务同频切换出成功率、eNodeB内同频切换出成功率这三个变量的值。根据求解和分析最后得到具体结果为：PUSCH小于负120dbm的比例设置为0、eNodeB内语音业务同频切换出成功率设置为1、eNodeB内同频切换出成功率设置为1。
也就是，在将PUSCH小于负120dbm的比例设置为0、eNodeB内语音业务同频切换出成功率设置为1、eNodeB内同频切换出成功率设置为1时，参数配置模型能够输出与目标小区的网络需求最相近、指标特征优异的参数配置方案，从而得到该目标小区的目标配置参数的参数值。
应注意，前述S21至S24中是基于线性回归以及梯度下降法实现的指定参数的调节，具体调节过程本实施例在此不做赘述。
S3，将满足第一预设需求的指定参数以及目标网络参数中除指定参数之外的其他参数输入至参数配置模型中，计算得到用于对目标小区进行网络链路优化的目标配置参数的参数值。
其中，参数配置模型是基于多个指定小区的网络参数(历史网络数据)训练得到的，指定小区的网络上/下行链路平衡。可选地，目标配置参数至少包括本系统门限-SRVCC(Single Radio Voice Call Continuity)、异系统门限-SRVCC、参考信号功率、上/下行语音分组丢失率超过语音质差门限、语音质量丢包评估周期中的一种。应注意，参考信号功率是根据通信标准各规范设计得到。应注意的是，以LTE为例，本系统是指LTE小区之间的互操作，包括同频和异频的LTE小区，异系统是指LTE和wcdma，gsm，cdma2000之间的互操作。
进一步，在执行前述S1至S3中给出的网络链路优化方法之前，本申请还可包括对参数配置模型进行模型训练的训练过程，训练过程包括S31至S34。
S31，基于各现网小区的网络参数确定第二相关性矩阵。
其中，第二相关性矩阵用于表征各网络参数之间的相关性。关于第二相关性矩阵的计算过程可参照前述式1至式3，本实施例在此不再赘述。
S32，基于第一相关性矩阵和第二相关性矩阵从网络参数中选取满足第二预设需求的网络参数，以及基于网络标签从多个现网小区中选取网络上/下行链路平衡的现网小区，作为指定小区。
可选地，作为一种可能的实现方式，S32中所述的选取满足第二预设需求的网络参数以及指定小区的过程可通过下述步骤实现。
S321，基于第一相关性矩阵确定网络参数中存在的相关度小于第二预设值的网络参数，作为第一参数；
S322，基于第二相关性矩阵确定网络参数中存在的相关度大于第三预设值的网络参数对；
S323，对于每个网络参数对，从该网络参数对中选取任一网络参数作为第二参数；
S324，从网络参数中剔除第一参数和第二参数，得到满足第二预设需求的网络参数。
前述S321至S321中，在进行网络参数选取时，对设置有网络标签(平衡、不平衡)的现网小区，计算网络参数与网络标签、网络参数与网络参数之间的相关性矩阵。例如，对于删除与网络标签相关性较小的第一参数(如相关性的绝对值小于0.001)，网络参数之间的相关性较大(如相关性的绝对值大于0.8)，为了减少冗余信息，综合分析保留其中的一个，删除第二参数。
S33，基于指定小区中满足第二预设需求的网络参数形成训练数据集。
S34，将训练数据集输入预设的机器学习模型进行特征学习，得到参数配置模型。
其中，机器学习模型可以选用，但不限于CNN(Convolutional Neural Networks，卷积神经网络)、分类决策树、随机森林、GBDT(Gradient Boosting Decision Tree，梯度提升树)等。在此以机器学习模型为GBDT为例进行说明，考虑到GBDT既含有离散型数据，也含有连续型数据的特性，可以及利用GBDT灵活处理离散和连续型数据。同时，GBDT对异常值具有较强的鲁棒性，即便在原始数据中存在缺失值时，可对缺失值进行数据填充，并通过选择合适的损失函数仍旧可以得到较好的效果。
应理解的是，GBDT是建立多个相互关联的决策树，前面决策树生成后通过迭代对前面决策树的残差进行学习，从而得到后面的决策树，可以用于分类和回归。如图3所示，为一棵回归树分析处理的流程示意图，后面的树的计算是基于第一颗回归树的残差进行的，比如图3中，在最后的叶节点处会得到样本属于每个类别的概率，此处样本属于第6类的概率最大，所以被分为第六类。而该样本的残差即为1减去该样本属于第六类的概率，后面树的构建步骤类似于图3。
作为一种可能的实现方式，利用训练数据集对GBDT进行训练的过程可以包括：
输入：训练数据集T＝{(x1,y1),(x2,y2),...,(xN,yN)}，迭代次数M；
初始化：
N表示样本量；
循环迭代：For m＝1to M do()：
对于多分类问题，在构建机器学习模型时，需为每个类别k创建一棵回归树，如Fk(x),k＝1,2,...,K，K为总的类别数，每次迭代m,从概率角度计算当前残差：
根据
学习得到了第m棵回归树，对应的叶节点区域为
由前述内容可以看出，相比相关技术中的涉及的专家系统辅助优化方案，本申请中通过机器学习模型对现网大样本数据进行特征分析、分类，以建立参数配置模型，该参数配置模型在的模型系数是根据机器学习训练得到，能更加准确的输出参数优化方案进一步提高网络链路优化结果的准确率和优化效率。
进一步，为了确保参数配置模型的性能，提高模型输出结果的可靠性，作为一种可能的实现方式，本申请给出的网路链路优化方法还可包括对训练后的模型进行模型测试的过程，该过程可以包括如下内容。
S35，获取测试数据集；
S36，将测试数据集输入训练得到的参数配置模型中，计算得到待测配置参数的待测参数值；
S37，在检测到待测参数值不符合第三预设需求时，对参数配置模型进行参数调优处理，直到基于调优处理后的参数配置模型计算得到的待测参数值满足第三预设需求。
在上述S35至S37中，测试数据集的获取方式可参照前述训练数据集的获取方式，本实施例在此不再赘述。或者，在获取训练数据集时，当基于S31和S32得到多个满足第二预设需求的网络参数后，可将该多个网络参数按照预设比例进行划分(如7：3等)，其中，70％用于模型训练的训练数据集，30％用于模型测试的测试数据集。
在进行参数调优处理时，可以利用网格搜索算法和交叉验证对模型的参数进行调节，最终得到最优的参数配置模型。此外，还可以通过扩大样本数量或更换训练数据集的方式进行模型参数调优，本实施例在此不做限制。
可以理解的是，在判断待测参数值是否满足第三预设需求时，可以将待测参数值与预设测试值进行比对，当二者一致时，可认为待测参数值满足第三预设需求，反之，则进行模型参数调优处理。其中，预设测试值对应测试数据集。
进一步，由前述给出的网络链路优化方法可以看出，本申请至少具有以下技术效果：
基于学习有现网的网络特征的参数配置模型，对待优化的目标小区的目标网络参数进行分析、计算，得到用于对目标小区进行网络链路优化的目标配置参数的参数值，从而提高网络链路优化效率，确保网络链路优化的准确率。
实施例二
图4是根据一示例性实施例示出的一种网络链路优化装置100的框图，该网络链路优化装置100可应用于第一客户端。参照图4，网络链路优化装置100包括参数获取模块110、参数调节模块120和参数计算模块130。
参数获取模块110，被配置为执行获取待优化的目标小区的目标网络参数，目标网络参数中包括至少一个指定参数，指定参数是从影响网络上/下行链路平衡性的多个网络参数中选取的相关度满足预设条件的参数；
参数调节模块120，被配置为执行将各指定参数的参数值按照预设规则调节至满足第一预设需求；
参数计算模块130，被配置为执行将满足第一预设需求的指定参数以及目标网络参数中除指定参数之外的其他参数输入至参数配置模型中，计算得到用于对目标小区进行网络链路优化的目标配置参数的参数值；其中，参数配置模型是基于多个指定小区的网络参数训练得到的，指定小区的网络上/下行链路平衡。
关于本实施例中的装置100，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。例如，关于参数获取模块110的详细描述可参照前述实施例一中对S1的描述、关于参数调节模块120的详细描述可参照前述实施例一中对S2的描述等。
实施例三
请参阅图5，为根据一实施例性实施例提供的一种电子设备10的框图，该电子设备10可至少包括处理器11，用于存储处理器11可执行指令的存储器12。其中，处理器11被配置为执行指令，以实现如上述实施例中的网络链路优化方法的全部步骤或部分步骤。
处理器11、存储器12之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。
其中，处理器11用于读/写存储器中存储的数据或程序，并执行相应地功能。
存储器12用于存储程序或者数据，如存储处理器110可执行指令。该存储器12可以是，但不限于，随机存取存储器(Random Access Memory，RAM)，只读存储器(Read OnlyMemory，ROM)，可编程只读存储器(Programmable Read-Only Memory，PROM)，可擦除只读存储器(Erasable Programmable Read-Only Memory，EPROM)，电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory，EEPROM)等。
进一步，作为一种可能的实现方式，电子设备10还可包括电源组件、多媒体组件、音频组件、输入/输出(I/O)接口、传感器组件以及通信组件等。
电源组件为电子设备10的各种组件提供电力。电源组件可以包括电源管理系统，一个或多个电源、以及其他与为电子设备10生成、管理和分配电力相关联的组件。
多媒体组件包括在电子设备10和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件包括一个前置摄像头和/或后置摄像头。当电子设备10处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件被配置为输出和/或输入音频信号。例如，音频组件包括一个麦克风(MIC)，当电子设备10处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器12或经由通信组件发送。在一些实施例中，音频组件还包括一个扬声器，用于输出音频信号。
I/O接口为处理组件和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件包括一个或多个传感器，用于为电子设备10提供各个方面的状态评估。例如，传感器组件可以检测到电子设备10的打开/关闭状态，组件的相对定位，例如组件为电子设备10的显示器和小键盘，传感器组件还可以检测电子设备10或电子设备10一个组件的位置改变，用户与电子设备10接触的存在或不存在电子设备10方位或加速/减速和电子设备10的温度变化。传感器组件可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。
通信组件被配置为便于电子设备10和其他设备之间有线或无线方式的通信。电子设备10可以接入基于通信标准的无线网络，如WiFi，运营商网络(如2G、3G、4G或5G)，或它们的组合。在一个示例性实施例中，通信组件经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，通信组件还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。
在示例性实施例中，电子设备10可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。
应当理解的是，图5所示的结构仅为电子设备10的结构示意图，该电子设备10还可包括比图5中所示更多或者更少的组件，或者具有与图5所示不同的配置。图5中所示的各组件可以采用硬件、软件或其组合实现。
实施例四
在示例性实施例中，还提供了一种包括指令的非临时性计算机可读存储介质，例如包括指令的存储器12，上述指令可由电子设备10的处理器11执行以完成上述网络链路优化方法。例如，非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求指出。
应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。
Claims (6)
1.一种网络链路优化方法，其特征在于，包括：
获取待优化的目标小区的目标网络参数，所述目标网络参数中包括至少一个指定参数，所述指定参数是从影响网络上/下行链路平衡性的多个网络参数中选取的相关度满足预设条件的参数；所述相关度满足预设条件的参数包括所述相关度大于预设值的参数，或者在对所述多个网络参数按照所述相关度的大小排序的情况下所述相关度排在前面的一个或者多个参数；
将各所述指定参数的参数值按照预设规则调节至满足第一预设需求；
将所述满足第一预设需求的指定参数，以及所述目标网络参数中除所述指定参数之外的其他参数输入至参数配置模型中，计算得到用于对所述目标小区进行网络链路优化的目标配置参数的参数值；
其中，所述参数配置模型是基于多个指定小区的网络参数训练得到的，所述指定小区的网络上/下行链路平衡；
所述将各所述指定参数的参数值按照预设规则调节至满足第一预设需求的步骤，包括：
基于各所述指定参数的参数值以及预设的多个用于表征链路平衡性的平衡度构建线性回归模型，其中，各所述指定参数为自变量，各所述平衡度为模型预测值，1>平衡度>0；
基于构建的所述线性回归模型，将该线性回归模型的输出设置为第一预设值；
基于输出为所述第一预设值的所述线性回归模型反向计算得到目标参数值；
基于所述目标参数值对所述指定参数的参数值进行调节，得到满足第一预设需求的指定参数；
在执行所述获取待优化的目标小区的目标网络参数的步骤之前，所述方法还包括用于所述指定参数确定的参数确定步骤，该参数确定步骤包括：
获取多个现网小区的网络参数，以及各所述现网小区的网络标签，所述网络标签用于表征与其对应的现网小区的网络上/下行链路的平衡性；
基于各所述现网小区的网络参数以及所述网络标签确定第一相关性矩阵，所述第一相关性矩阵用于表征各所述网络参数与所述网络标签之间的相关性；
基于所述第一相关性矩阵从所述网络参数中，选取与网络上/下行链路的平衡性之间的相关度满足预设条件的网络参数，作为指定参数；
所述网络链路优化方法还包括所述参数配置模型的训练过程，所述训练过程包括：
基于各所述现网小区的网络参数确定第二相关性矩阵，所述第二相关性矩阵用于表征各所述网络参数之间的相关性；
基于所述第一相关性矩阵和所述第二相关性矩阵从所述网络参数中选取满足第二预设需求的网络参数，以及基于所述网络标签从多个所述现网小区中选取网络上/下行链路平衡的现网小区，作为指定小区；
基于所述指定小区中满足第二预设需求的网络参数形成训练数据集；
将所述训练数据集输入预设的机器学习模型进行特征学习，得到所述参数配置模型；
所述基于所述第一相关性矩阵和所述第二相关性矩阵从所述网络参数中选取满足第二预设需求的网络参数的步骤，包括：
基于所述第一相关性矩阵确定所述网络参数中存在的相关度小于第二预设值的网络参数，作为第一参数；
基于所述第二相关性矩阵确定所述网络参数中存在的相关度大于第三预设值的网络参数对；
对于每个所述网络参数对，从该网络参数对中选取任一网络参数作为第二参数；
从所述网络参数中剔除所述第一参数和第二参数，得到满足第二预设需求的网络参数。
2.如权利要求1所述的网络链路优化方法，其特征在于，所述训练过程还包括：
获取测试数据集；
将所述测试数据集输入训练得到的所述参数配置模型中，计算得到待测配置参数的待测参数值；
在检测到所述待测参数值不符合第三预设需求时，对所述参数配置模型进行参数调优处理，直到基于调优处理后的参数配置模型计算得到的待测参数值满足所述第三预设需求；
所述待测参数值满足所述第三预设需求包括所述待测参数值与预设测试值一致。
3.如权利要求1-2中任一项所述的网络链路优化方法，其特征在于，所述指定参数至少包括PUSCH小于负120dbm的比例、eNodeB内语音业务同频切换出成功率、eNodeB内同频切换出成功率；
所述目标配置参数至少包括本系统门限-SRVCC、异系统门限-SRVCC、参考信号功率、上/下行语音分组丢失率超过语音质差门限、语音质量丢包评估周期中的一种。
4.一种网络链路优化装置，其特征在于，包括
参数获取模块，被配置为执行获取待优化的目标小区的目标网络参数，所述目标网络参数中包括至少一个指定参数，所述指定参数是从影响网络上/下行链路平衡性的多个网络参数中选取的相关度满足预设条件的参数；所述相关度满足预设条件的参数包括所述相关度大于预设值的参数，或者在对所述多个网络参数按照所述相关度的大小排序的情况下所述相关度排在前面的一个或者多个参数；
参数调节模块，被配置为执行将各所述指定参数的参数值按照预设规则调节至满足第一预设需求；
参数计算模块，被配置为执行将所述满足第一预设需求的指定参数，以及所述目标网络参数中除所述指定参数之外的其他参数输入至参数配置模型中，计算得到用于对所述目标小区进行网络链路优化的目标配置参数的参数值；其中，所述参数配置模型是基于多个指定小区的网络参数训练得到的，所述指定小区的网络上/下行链路平衡；
所述参数调节模块具体用于：
基于各所述指定参数的参数值以及预设的多个用于表征链路平衡性的平衡度构建线性回归模型，其中，各所述指定参数为自变量，各所述平衡度为模型预测值，1>平衡度>0；
基于构建的所述线性回归模型，将该线性回归模型的输出设置为第一预设值；
基于输出为所述第一预设值的所述线性回归模型反向计算得到目标参数值；
基于所述目标参数值对所述指定参数的参数值进行调节，得到满足第一预设需求的指定参数；
所述装置还包括用于所述指定参数确定的参数确定模块，所述参数确定模块具体用于：
在执行所述获取待优化的目标小区的目标网络参数的步骤之前，获取多个现网小区的网络参数，以及各所述现网小区的网络标签，所述网络标签用于表征与其对应的现网小区的网络上/下行链路的平衡性；
基于各所述现网小区的网络参数以及所述网络标签确定第一相关性矩阵，所述第一相关性矩阵用于表征各所述网络参数与所述网络标签之间的相关性；
基于所述第一相关性矩阵从所述网络参数中，选取与网络上/下行链路的平衡性之间的相关度满足预设条件的网络参数，作为指定参数；
所述装置还包括用于训练所述参数配置模型的参数配置模型训练模块，所述参数配置模型训练模块具体用于：
基于各所述现网小区的网络参数确定第二相关性矩阵，所述第二相关性矩阵用于表征各所述网络参数之间的相关性；
基于所述第一相关性矩阵和所述第二相关性矩阵从所述网络参数中选取满足第二预设需求的网络参数，以及基于所述网络标签从多个所述现网小区中选取网络上/下行链路平衡的现网小区，作为指定小区；
基于所述指定小区中满足第二预设需求的网络参数形成训练数据集；
将所述训练数据集输入预设的机器学习模型进行特征学习，得到所述参数配置模型；
其中，所述基于所述第一相关性矩阵和所述第二相关性矩阵从所述网络参数中选取满足第二预设需求的网络参数具体包括：
基于所述第一相关性矩阵确定所述网络参数中存在的相关度小于第二预设值的网络参数，作为第一参数；
基于所述第二相关性矩阵确定所述网络参数中存在的相关度大于第三预设值的网络参数对；
对于每个所述网络参数对，从该网络参数对中选取任一网络参数作为第二参数；
从所述网络参数中剔除所述第一参数和第二参数，得到满足第二预设需求的网络参数。
5.一种电子设备，其特征在于，包括：
至少一个处理器；
与所述处理器连接的至少一个存储器；
其中，所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如权利要求1至3任一项所述的方法。
6.一种计算机可读存储介质，其特征在于，所述存储介质存储有计算机指令，所述计算机指令使所述计算机执行如权利要求1至3中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911345708.XA CN113038501B (zh) | 2019-12-24 | 2019-12-24 | 网络链路优化方法、装置及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911345708.XA CN113038501B (zh) | 2019-12-24 | 2019-12-24 | 网络链路优化方法、装置及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113038501A CN113038501A (zh) | 2021-06-25 |
| CN113038501B true CN113038501B (zh) | 2022-08-05 |
Family
ID=76451589
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911345708.XA Active CN113038501B (zh) | 2019-12-24 | 2019-12-24 | 网络链路优化方法、装置及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113038501B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114245407A (zh) * | 2021-12-30 | 2022-03-25 | 中国联合网络通信集团有限公司 | 网络优化方法、装置、设备及存储介质 |
| CN115134240B (zh) * | 2022-05-12 | 2023-11-14 | 芜湖美的厨卫电器制造有限公司 | 智能场景优化方法、装置、存储介质及电器设备 |
| CN115048885B (zh) * | 2022-08-12 | 2022-11-15 | 阿里巴巴（中国）有限公司 | 电路设计参数调整方法、装置、电子设备和存储介质 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6134444A (en) * | 1998-03-30 | 2000-10-17 | Motorola, Inc. | Method and apparatus for balancing uplink and downlink transmissions in a communication system |
| US6167259A (en) * | 1998-06-19 | 2000-12-26 | Ericsson Inc. | System and method of quantifying the degree of balance on forward link and reverse link channels |
| EP2510450A1 (en) * | 2009-12-09 | 2012-10-17 | Reverb Networks | Self-optimizing network for fixed wireless access |
| CN104684025A (zh) * | 2013-12-03 | 2015-06-03 | 富士通株式会社 | 网络负载平衡方法、装置和网络 |
| CN105557023A (zh) * | 2013-09-26 | 2016-05-04 | 阿尔卡特朗讯 | 无线电信网络节点和方法 |
| CN106686713A (zh) * | 2015-11-10 | 2017-05-17 | 中兴通讯股份有限公司 | 一种上行干扰控制方法及装置 |
| CN107222877A (zh) * | 2016-03-21 | 2017-09-29 | 中兴通讯股份有限公司 | Cio调整方法和装置 |
| CN107484237A (zh) * | 2017-09-27 | 2017-12-15 | 四川省大见通信技术有限公司 | 一种上下行链路不平衡的自适应系统及其方法 |
| CN109548164A (zh) * | 2019-01-11 | 2019-03-29 | 长沙学院 | 一种基于负载需求的自适应调度切换方法和系统 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6785249B2 (en) * | 1998-10-05 | 2004-08-31 | Qualcomm, Incorporated | Method and apparatus for detecting forward and reverse link imbalance in digital cellular communication systems |
| EP2156704B1 (en) * | 2007-06-11 | 2017-08-09 | Optis Wireless Technology, LLC | Radio resource management based on parameters indicating imbalance between uplink and downlink |
| US9179363B2 (en) * | 2011-08-12 | 2015-11-03 | Telefonaktiebolaget Lm Ericsson (Publ) | Systems and methods for determining a coupling characteristic in a radio communications network |
| US9204356B2 (en) * | 2012-09-04 | 2015-12-01 | Apple Inc. | Reducing call drops in uplink power limited scenarios |
| TWI555360B (zh) * | 2015-03-27 | 2016-10-21 | In the uplink transmission system to solve the radio frequency is not perfect joint estimation compensation method | |
| US10785101B2 (en) * | 2017-08-23 | 2020-09-22 | Futurewei Technologies, Inc. | Automatically optimize parameters via machine learning |
-
2019
- 2019-12-24 CN CN201911345708.XA patent/CN113038501B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6134444A (en) * | 1998-03-30 | 2000-10-17 | Motorola, Inc. | Method and apparatus for balancing uplink and downlink transmissions in a communication system |
| US6167259A (en) * | 1998-06-19 | 2000-12-26 | Ericsson Inc. | System and method of quantifying the degree of balance on forward link and reverse link channels |
| CN1305671A (zh) * | 1998-06-19 | 2001-07-25 | 艾利森公司 | 量化前向链路与反向链路信道之间平衡度的系统和方法 |
| EP2510450A1 (en) * | 2009-12-09 | 2012-10-17 | Reverb Networks | Self-optimizing network for fixed wireless access |
| CN105557023A (zh) * | 2013-09-26 | 2016-05-04 | 阿尔卡特朗讯 | 无线电信网络节点和方法 |
| CN104684025A (zh) * | 2013-12-03 | 2015-06-03 | 富士通株式会社 | 网络负载平衡方法、装置和网络 |
| CN106686713A (zh) * | 2015-11-10 | 2017-05-17 | 中兴通讯股份有限公司 | 一种上行干扰控制方法及装置 |
| CN107222877A (zh) * | 2016-03-21 | 2017-09-29 | 中兴通讯股份有限公司 | Cio调整方法和装置 |
| CN107484237A (zh) * | 2017-09-27 | 2017-12-15 | 四川省大见通信技术有限公司 | 一种上下行链路不平衡的自适应系统及其方法 |
| CN109548164A (zh) * | 2019-01-11 | 2019-03-29 | 长沙学院 | 一种基于负载需求的自适应调度切换方法和系统 |
Non-Patent Citations (4)
| Title |
|---|
| 3G无线网络优化探析;曹昊江;《电子世界》;20151208(第23期);全文 * |
| R1-100044 "A/N transmission in the uplink for carrier aggregation";Ericsson等;《3GPP tsg_ran\WG1_RL1》;20100115;全文 * |
| S4-190628 "Assistance Information Procedures, Types and Parameters";Qualcomm Incorporated;《3GPP tsg_sa\wg4_codec》;20190701;全文 * |
| S4-190741 "Modifications to Use Case Descriptions under Clause 6.5";Qualcomm Incorporated;《3GPP tsg_sa\wg4_codec》;20190701;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113038501A (zh) | 2021-06-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112823544B (zh) | 条件切换的方法、装置、通信设备及存储介质 | |
| CN111436072B (zh) | 测量方法、终端、测量指示方法及网络侧设备 | |
| CN113038501B (zh) | 网络链路优化方法、装置及电子设备 | |
| JP7343711B2 (ja) | セル再選択方法及び電子機器 | |
| WO2018219170A1 (zh) | 控制对焦的方法、计算机设备及计算机可读存储介质 | |
| WO2021109955A1 (zh) | 邻小区csi报告发送方法、接收方法及相关设备 | |
| WO2019095896A1 (zh) | 波束失败恢复请求发送、接收方法、装置及系统 | |
| CN112702750B (zh) | 测量处理方法、指示信息发送方法、终端和网络设备 | |
| CN114071627A (zh) | 网络切换方法、智能终端及存储介质 | |
| CN111770529A (zh) | 一种处理放松测量参数更新的方法及终端设备 | |
| CN111065127B (zh) | 一种测量报告的上报方法及电子设备 | |
| WO2022077393A1 (zh) | Ue的目标小区确定方法、装置、通信设备及存储介质 | |
| CN110972246A (zh) | 功率控制方法、传输功率控制参数确定方法及相关设备 | |
| CN110611580B (zh) | 一种小区管理方法、终端及网络侧设备 | |
| CN110611581A (zh) | 一种小区管理方法、终端及网络侧设备 | |
| US20210051504A1 (en) | Information reporting method and apparatus | |
| CN110121205B (zh) | 一种终端设备的控制方法及终端设备 | |
| CN109217909B (zh) | 天线切换方法、移动终端和计算机存储介质 | |
| CN114786230A (zh) | 网络链路切换方法、智能终端及存储介质 | |
| KR102481349B1 (ko) | 파워 헤드룸 리포팅 방법 및 단말 기기 | |
| CN113052198B (zh) | 一种数据处理方法、装置、设备及存储介质 | |
| CN112487664A (zh) | 续航模型建立方法、设备及计算机可读存储介质 | |
| CN113518351B (zh) | 一种模式判决方法及终端设备 | |
| CN114025387A (zh) | 处理方法、智能终端及存储介质 | |
| CN110611930B (zh) | 一种测量结果获取方法、信息发送方法及设备 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |