[发明专利]一种上行干扰建模方法、干扰确定方法和装置

说明书

本发明实施例公开了一种上行干扰建模方法、干扰确定方法和装置。所述方法包括：获得第一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无线资源分配情况；获得所述无线资源分配数据对应的网络测量数据；基于所述无线资源分配数据和所述网络测量数据进行学习训练，获得上行干扰预测模型。

技术领域

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。

发明内容

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。