[发明专利]一种数据传输方法、装置及电子设备

权利要求书

1.一种数据传输方法，其特征在于，包括：

接收当前周期服务的至少一个无线节点中每个无线节点上报的感知信息；其中，所述感知信息至少包括至少一个配置信息和覆盖范围内的至少一个终端中每个终端上报的网络参数；

根据所述至少一个无线节点中每个无线节点的至少一个配置信息，确定至少一个参数配置组合；其中，所述参数配置组合中包括每个所述无线节点在下一周期的配置参数；

根据所述至少一个参数配置组合和每个所述无线节点上报的覆盖范围内的至少一个终端中每个终端上报的网络参数，确定每个所述参数配置组合对应的总上行吞吐量；

根据每个所述参数配置组合对应的总上行吞吐量，确定目标上行吞吐量对应的参数配置组合；其中，所述目标上行吞吐量为所述每个所述参数配置组合对应的总上行吞吐量中的任一个总上行吞吐量；

通知每个所述无线节点在下一周期按照所述目标上行吞吐量对应的参数配置组合中每个所述无线节点在下一周期的配置参数运行。

2.根据权利要求1所述的数据传输方法，其特征在于，所述根据所述至少一个参数配置组合和每个所述无线节点上报的覆盖范围内的至少一个终端中每个终端上报的网络参数，确定每个所述参数配置组合对应的总上行吞吐量，包括：

将所述至少一个参数配置组合和每个所述无线节点上报的覆盖范围内的至少一个终端中每个终端上报的网络参数，输入至预先训练的神经网络模型中，确定每个所述参数配置组合对应的总上行吞吐量。

3.根据权利要求2所述的数据传输方法，其特征在于，所述接收当前周期服务的至少一个无线节点中每个无线节点上报的感知信息前，所述方法还包括：

获取训练样本数据和对所述训练样本数据对应的实际总上行吞吐量；其中，所述训练样本数据包括至少一个无线节点中每个无线节点在不同周期的感知信息；

将所述训练样本数据输入至深度学习模型中；

基于目标损失函数，确定所述深度学习模型输出的对所述训练样本数据的预测总上行吞吐量与所述实际总上行吞吐量是否匹配；

当所述预测总上行吞吐量与所述实际总上行吞吐量不匹配时，反复循环地迭代更新所述深度学习模型的网络参数，直至模型收敛，得到所述神经网络模型。

4.根据权利要求1-3任一项所述的数据传输方法，其特征在于，所述根据每个所述参数配置组合对应的总上行吞吐量，确定目标上行吞吐量对应的参数配置组合，包括：

根据每个所述参数配置组合对应的总上行吞吐量，确定最大总上行吞吐量对应的参数配置组合为所述目标上行吞吐量对应的参数配置组合。

5.一种数据传输装置，其特征在于，包括：

收发单元，用于接收当前周期服务的至少一个无线节点中每个无线节点上报的感知信息；其中，所述感知信息至少包括至少一个配置信息和覆盖范围内的至少一个终端中每个终端上报的网络参数；

处理单元，用于根据所述收发单元接收的至少一个无线节点中每个无线节点的至少一个配置信息，确定至少一个参数配置组合；其中，所述参数配置组合中包括每个所述无线节点在下一周期的配置参数；

所述处理单元，还用于根据所述至少一个参数配置组合和所述收发单元接收的每个所述无线节点上报的覆盖范围内的至少一个终端中每个终端上报的网络参数，确定每个所述参数配置组合对应的总上行吞吐量；

所述处理单元，还用于根据每个所述参数配置组合对应的总上行吞吐量，确定目标上行吞吐量对应的参数配置组合；其中，所述目标上行吞吐量为所述每个所述参数配置组合对应的总上行吞吐量中的任一个总上行吞吐量；

所述处理单元，还用于控制所述收发单元通知每个所述无线节点在下一周期按照所述目标上行吞吐量对应的参数配置组合中每个所述无线节点在下一周期的配置参数运行。

6.根据权利要求5所述的数据传输装置，其特征在于，所述处理单元，具体用于将所述至少一个参数配置组合和所述收发单元接收的每个所述无线节点上报的覆盖范围内的至少一个终端中每个终端上报的网络参数，输入至预先训练的神经网络模型中，确定每个所述参数配置组合对应的总上行吞吐量。