一种面向小区协作的基站配对方法、系统及装置

本发明涉及无线通信资源调度领域，尤其涉及一种面向小区协作的基站配对方法、系统及装置。

背景技术：

1、大规模多输入多输出已成为5g无线网络的核心使能技术之一，其能够显著减少传输所需能量并抑制小区间干扰，从而提升系统能效，为用户提供更快速、可靠的无线连接。作为一种基于协作的多小区无线通信技术，协作大规模多入多出在现阶段引起了广泛研究者的重点关注。在大规模多入多出场景下，该技术支持多个小区基站协同工作并进行信息共享，通过小区间的协商调度增强网络的容量和可靠性，进而提升用户端的频谱效率。然而，现网中该项技术对用户谱效的提升性能表现却远低于预期。其面临的一个核心问题为如何进行多小区基站配对使得协作情况下用户的频谱效率达到最优。

技术实现思路

1、为了解决现有技术中存在的上述问题，本发明提出了一种面向小区协作的基站配对方法、系统及装置，利用神经网络学习对大规模多入多出协作模式下的频谱效率预测，根据预测结果实现基站的最优配对。具体技术方案如下。

2、第一方面，本案提出一种面向小区协作的基站配对方法，所述方法用于大规模多入多出场景，包括下述步骤：对于一个服务小区基站，根据其与邻居基站在协作模式下的预测频谱效率，将最大值对应的基站作为与所述服务小区基站配对的协作基站；所述预测频谱效率，通过预设的神经网络模型，基于下述基站信息获取配对特征获取：在单小区模式下提供服务时的频谱效率、在协作模式下作为服务小区基站的rsrp、在协作模式下作为协作小区基站的rsrp；所述神经网络模型采用监督学习的方式进行训练获得。

3、在上述技术方案的一种实施方式中：所述神经网络模型采用平均绝对误差百分比作为损失函数。

4、在上述技术方案的一种实施方式中：所述神经网络模型，其在训练时使用的样本数据，分别在单小区模式和协作模式下以路测方式采集，包括位置坐标、小区编号、不同模式下各小区基站的参考信号接收功率与用户端对应频谱效率值、以帧为单位的采集时间。

5、在上述技术方案的一种实施方式中：所述样本数据经过预处理，步骤包括：对于不同模式下的原始数据，在位置坐标、小区编号一致的前提下，分别计算同一秒内所有帧的参考信号接收功率和频谱效率的平均值，进而替换原各小区基站的参考信号接收功率与用户端对应频谱效率值；将两种模式下的时间、位置、小区编号对齐，进行两种模式下的数据拼接；将拼接后的数据进行清洗，剔除单小区模式下的频谱效率大于协作模式频谱效率的对应数据样本。

6、在上述技术方案的一种实施方式中：所述神经网络模型包括全连接层、若干残差模块，每个残差模块包括若干线性层，且每个残差模块最后一层线性层的输出与该残差模块的输入进行特征融合。

7、在上述技术方案的一种实施方式中：所述残差模块为3个，每个残差模块由3个线性层构成。

8、第二方面，本案提出一种面向小区协作的基站配对装置，所述装置包括存储介质，所述存储介质上存储有能够被处理器加载并执行上述中任一种方法的计算机程序。

9、第三方面，本案提出一种面向小区协作的基站配对系统，所述系统用于大规模多入多出场景，其对于一个服务小区基站，根据其与邻居基站在协作模式下的预测频谱效率，将最大值对应的基站作为与所述服务小区基站配对的协作基站；所述系统利用预设的神经网络模型，基于下述基站信息获取配对特征获取所述预测频谱效率：在单小区模式下提供服务时的频谱效率、在协作模式下作为服务小区基站的rsrp、在协作模式下作为协作小区基站的rsrp；所述神经网络模型采用监督学习的方式进行训练获得。

10、本案的有益技术效果：(1)本案提出从在单小区模式下提供服务时的频谱效率、在协作模式下作为服务小区基站的rsrp、在协作模式下作为协作小区基站的rsrp中获取具有协作感知下的配对特征，不仅能反映单小区的信道质量，而且能体现小区间的相关性，从而能够提升写作情况下用户频谱效率的提升。(2)损失函数采用平均绝对误差百分比，能够不受尺度影响，而且在出现极端值时，依然能够更加稳健地反映预测的准确性。(3)训练数据为路测采集的真实数据，并经过数据处理，特别是进行了数据清理去除了异常数据，能够提高模型的预测准确性。(4)在全连接层中引入残差模块，能够允许信息在不同层之间跳跃传递，并且底层特征可以直接传播到高层，使得模型的学习能力增强，同时还能有效避免梯度消失的问题，从而提升模型整体的拟合性能。

技术特征：

1.一种面向小区协作的基站配对方法，其特征在于，所述方法用于大规模多入多出场景，包括下述步骤：

2.根据权利要求1所述的方法，其特征在于：所述神经网络模型采用平均绝对误差百分比作为损失函数。

3.根据权利要求1所述的方法，其特征在于，所述神经网络模型，其在训练时使用的样本数据，分别在单小区模式和协作模式下以路测方式采集，包括位置坐标、小区编号、不同模式下各小区基站的参考信号接收功率与用户端对应频谱效率值、以帧为单位的采集时间。

4.根据权利要求3所述的方法，其特征在于，所述样本数据经过预处理，步骤包括：

5.根据权利要求1所述的方法，其特征在于：所述神经网络模型包括全连接层、若干残差模块，每个残差模块包括若干线性层，且每个残差模块最后一层线性层的输出与该残差模块的输入进行特征融合。

6.根据权利要求5所述的方法，其特征在于：所述残差模块为3个，每个残差模块由3个线性层构成。

7.一种面向小区协作的基站配对装置，其特征在于：所述装置包括存储介质，所述存储介质上存储有能够被处理器加载并执行如权利要求1至6中任一种方法的计算机程序。

8.一种面向小区协作的基站配对系统，其特征在于：

9.根据权利要求8所述的系统，其特征在于：所述神经网络模型包括全连接层、若干残差模块，每个残差模块包括若干线性层，且每个残差模块最后一层线性层的输出与该残差模块的输入进行特征融合。

10.根据权利要求8所述的系统，其特征在于：所述神经网络模型采用平均绝对误差百分比作为损失函数。

技术总结本发明涉及一种面向小区协作的基站配对方法、系统及装置，属于无线通信资源调度领域，用于解决现有技术中在协作情况下用户频谱效率提升不佳的问题。本方案在实施时，对于一个服务小区基站，根据其与邻居基站在协作模式下的预测频谱效率，将最大值对应的基站作为与所述服务小区基站配对的协作基站；所述预测频谱效率，通过预设的神经网络模型，基于下述基站信息获取协作感知下的配对特征获取，从而通过机器学习在短时间内从邻区集合里得到最优的协作基站，完成与服务小区基站的最优配对，实现用户级频谱效率的大幅提升，具有很强的实用性。技术研发人员：陈知行,范兆宇,史清江受保护的技术使用者：同济大学技术研发日：技术公布日：2024/7/18