4G小区和5G小区的负荷协同方法、设备及计算机存储介质与流程

4g小区和5g小区的负荷协同方法、设备及计算机存储介质
技术领域
1.本发明涉及无线技术领域，具体涉及一种4g小区和5g小区的负荷协同方法、设备及计算机存储介质。


背景技术：

2.近年来随着5g的建设力度逐步加大，无线通信网络中5g终端的规模不断增加，5g网络的用户数及负荷呈现出稳步增长的态势。5g网络作为5g用户驻留的最优先网络，能够为用户带来最佳的用户体验；4g网络作为目前及未来一段时间内的主力网络，在负荷等条件正常的情况下同样能够为用户提供良好的使用感知。
3.在当前4g网络和5g网络并存的情况下，由于局部区域5g站点密度不足等原因，有可能导致5g站点负荷过高，同样的也可能由于参数设置原因使5g用户无法占用5g小区，而出现5g站点“闲置”，这两种情况均会严重影响5g用户的使用体验。在这种情况下，如何合理的进行4g小区和5g小区的负荷协同，以提升4/5g用户的感知体验，是未来较长时间段内的重要课题。
4.在现有技术中，4g小区和5g小区的负荷主要通过手动方式来进行协同调整，操作者通过对4g小区和5g小区的一段时间的负荷情况进行人工手动分析，并根据经验制定负荷均衡方案。
5.然而，发明人在实施本发明实施例的过程中发现，现有技术的协同调整方式至少存在如下技术问题：其一，现有手段并未对未来4g和5g负荷的情况进行预测判断，而是基于过去进行调整，存在一定的滞后性；其二，现有技术中负荷均衡的频度不足，由于网络的负荷持续发生变化，使得现有的技术手段无法适应该变化，不能进行持续性的负荷协同。


技术实现要素：

6.鉴于上述问题，提出了本发明实施例以便提供一种克服上述问题或者至少部分地解决上述问题的4g小区和5g小区的负荷协同方法、设备及计算机存储介质。
7.根据本发明实施例的一个方面，提供了一种4g小区和5g小区的负荷协同方法，包括：
8.针对各个小区，利用为所述小区选择的预测模型，对所述小区在多个预设时间段内的无线利用率进行预测，得到对应多个小区的多组无线利用率；
9.判断任一同覆盖组内是否同时包含4g小区和5g小区，若是，则根据所述多组无线利用率检测所述同覆盖组中是否存在至少一个5g小区与4g小区的负荷不均衡；
10.若存在至少一个5g小区与4g小区的负荷不均衡，根据所述至少一个5g小区与所述4g小区的不均衡类型和不均衡时段生成负荷协同任务，根据所述负荷协同任务对所述至少一个5g小区的网络参数进行调整处理。
11.根据本发明实施例的另一方面，提供了一种4g小区和5g小区的负荷协同装置，包括：
12.预测模块，适于针对各个小区，利用为所述小区选择的预测模型，对所述小区在多个预设时间段内的无线利用率进行预测，得到对应多个小区的多组无线利用率；
13.判断模块，适于判断任一同覆盖组内是否同时包含4g小区和5g小区；
14.检测模块，适于若同时包含4g小区和5g小区，则根据所述多组无线利用率检测所述同覆盖组中是否存在至少一个5g小区与4g小区的负荷不均衡；
15.生成模块，适于若存在至少一个5g小区与4g小区的负荷不均衡，根据所述至少一个5g小区与所述4g小区的不均衡类型和不均衡时段生成负荷协同任务；
16.调整模块，适于根据所述负荷协同任务对所述至少一个5g小区的网络参数进行调整处理。
17.根据本发明实施例的又一方面，提供了一种计算设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；
18.所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行上述4g小区和5g小区的负荷协同方法对应的操作。
19.根据本发明实施例的再一方面，提供了一种计算机存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使处理器执行如上述4g小区和5g小区的负荷协同方法对应的操作。
20.根据本发明实施例的4g小区和5g小区的负荷协同方法、设备及计算机存储介质，利用相应选择的预测模型对小区在未来时段的无线利用率进行预测，在实现对未来时段的小区负荷的预测的同时，提高预测的准确性；然后，针对任一同覆盖组，判断是否同时存在4g小区和5g小区，并在判定结果为是时，进一步判断在该同覆盖组内是否存在至少一个5g小区与4g小区的负荷不均衡，若存在，则针对该不均衡，并根据不均衡的类型对5g小区的网络参数进行调整，以实现根据预测结果对同覆盖组内的4g网络和5g网络进行负荷均衡。由此可见，本发明方案，可以及时对未来4g小区和5g小区的负荷情况进行准确预测，不会存在滞后，以及，可以持续预测持续均衡，实现持续性的负荷均衡；而且，可针对同时存在4g小区和5g小区，且5g小区与4g小区之间存在负荷不均衡的同覆盖组进行负荷均衡，提高负荷均衡的针对性，进而提高均衡的效率。
21.上述说明仅是本发明实施例技术方案的概述，为了能够更清楚了解本发明实施例的技术手段，而可依照说明书的内容予以实施，并且为了让本发明实施例的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明实施例的具体实施方式。
附图说明
22.通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明实施例的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
23.图1示出了本发明实施例提供的4g小区和5g小区的负荷协同方法的流程图；
24.图2示出了本发明另一个实施例提供的4g小区和5g小区的负荷协同方法的流程图；
25.图3示出了本发明实施例提供的4g小区和5g小区的负荷协同装置的结构示意图；
26.图4示出了本发明实施例提供的计算设备的结构示意图。
具体实施方式
27.下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。
28.图1示出了本发明实施例提供的4g小区和5g小区的负荷协同方法的流程图。该方法应用于4g网络和5g网络共存的情况下，以实现4g小区和5g小区的负荷均衡，该方法可由任意具有数据处理能力的计算设备来执行。如图1所示，该方法包括以下步骤：
29.步骤s110：针对各个小区，利用为该小区选择的预测模型，对该小区在多个预设时间段内的无线利用率进行预测，得到对应多个小区的多组无线利用率。
30.其中，小区即为4g小区或5g小区。
31.在本实施例中，为无线利用率变化程度不同的小区，选择不同的预测模型，以兼顾建模效率和预测准确性。选择的核心如下：对于业务负荷波动小的小区利用平稳模型进行预测，既保证了预测准确性又极大程度的提升了效率；对于波动程度较大的小区利用prophet时间序列模型，能够在满足预测效率的基础上，改善预测准确性；对于部分波动程度大的小区利用lstm长短期记忆网络模型进行建模，提升预测准确性。
32.具体地，对于不同的小区，可通过输入当天的无线利用率数据至选择的预测模型中，来预测得到小区将来多个预设时间段内的无线利用率，可实现对未来的无线利用率的准确预测。例如，将今天24个小时分别的无线利用率输入至预测模型中，可输出得到明天24个小时分别的无线利用率，即得到一组无线利用率。
33.步骤s120：判断任一同覆盖组内是否同时包含4g小区和5g小区；若是，则执行步骤s130；若否，则执行步骤s150。
34.其中，同覆盖组是指由4g小区和/或5g小区形成的小区组，该小区组内的小区之间才能进行负荷均衡。需要在此说明的是，在本实施例中，不限定识别得到同覆盖组的具体方式，凡是可以用于对4g小区和/或5g小区进行小区集合划分的方式，均包含在本实施例保护的范围内，例如，利用间距、方位角等进行识别划分。
35.在本发明中，需要在4g小区和5g小区之间进行负荷均衡，则需确保一个同覆盖组内同时具有4g小区和5g小区，在具体实施时，针对任一同覆盖组，均需执行是否同时存在4g小区和5g小区的判断的步骤及其后续步骤，并且，若存在，则才具有在4g小区和5g小区之间进行负荷均衡的可能，此时则执行步骤s130，以进行均衡的相关处理；若不存在，则不存在在4g小区和5g小区之间负荷均衡的需要，则针对该同覆盖组，执行步骤s150。
36.步骤s130：根据该多组无线利用率检测该同覆盖组中是否存在至少一个5g小区与4g小区的负荷不均衡；若是，则执行步骤s140；若否，则执行步骤s150。
37.其中，每个小区的一组无线利用率可反映出该小区在各个预设时间段内的负荷情况，相应的，则多个小区的多组无线利用率可反映出多个小区在该各个预设时间段的负荷差异大小。
38.需要在此说明的是，在本发明中，关注的是同覆盖组中的各个5g小区与该同覆盖
组中的4g小区之间是否存在负荷不均衡的情况，则只需确定各个5g小区与该同覆盖组中的4g小区之间是否存在负荷不均衡即可。例如，某同覆盖组中存在两个5g小区，分别为cell-a和cell-b，则需确定cell-a和cell-b分别与4g小区的负荷是否均衡。
39.以及，若存在负荷不均衡，则存在进行负荷均衡的需求，则执行步骤s140，以针对与4g小区不均衡的至少一个5g小区进行均衡处理；反之，若不存在负荷不均衡，则表明该同覆盖组不存在负荷均衡的需求，则执行步骤s150。
40.步骤s140：根据该至少一个5g小区与4g小区的不均衡类型和不均衡时段生成负荷协同任务，根据该负荷协同任务对该至少一个5g小区的网络参数进行调整处理。
41.由于均衡主要针对5g用户，同时为避免负荷均衡的过量调整造成4g和5g互操作参数设置的混乱，对5g网络参数进行调整，达到扩大或收缩覆盖区域，吸收或释放5g用户，均衡4g和5g网络负荷。
42.具体地，在进行调整时，针对不同的不均衡类型，在不均衡时段内采用不同的调整策略，以实现同覆盖组内的4g小区和5g小区的负荷均衡。其中，不均衡类型主要包括以下两种：第一种，5g小区的负荷高于5g高负荷门限，同时4g小区的负荷低于4g低负荷门限；第二种，5g小区的负荷低于5g低负荷门限，同时4g小区的负荷高于4g高负荷门限。
43.步骤s150：不生成负荷协同任务。
44.根据本实施例提供的4g小区和5g小区的负荷协同方法，利用相应选择的预测模型对小区在未来时段的无线利用率进行预测，在实现对未来时段的小区负荷的预测的同时，提高预测的准确性；然后，针对任一同覆盖组，判断是否同时存在4g小区和5g小区，并在判定结果为是时，进一步判断在该同覆盖组内是否存在至少一个5g小区与4g小区的负荷不均衡，若存在，则针对该不均衡，并根据不均衡类型对5g小区的网络参数进行调整，以实现根据预测结果对同覆盖组内的4g网络和5g网络进行负荷均衡。由此可见，本实施例方案，可以及时对未来4g小区和5g小区的负荷情况进行准确预测，不会存在滞后，以及，可以持续预测持续均衡，实现持续性的负荷均衡；而且，可针对同时存在4g小区和5g小区，且5g小区与4g小区之间存在负荷不均衡的同覆盖组进行负荷均衡，提高负荷均衡的针对性，进而提高均衡的效率。
45.图2示出了本发明另一个实施例提供的4g小区和5g小区的负荷协同方法的流程图。在本实施例中，主要以预设时间段为一天的24个小时对应的24个时间段进行说明，但在实施时，并不以此为限，例如，预设时间段也可以2个小时为单位进行划分，或者以30分钟为长度进行划分。如图2所示，该方法包括以下步骤：
46.步骤s210：对4g小区和5g小区进行同覆盖识别。
47.4g和5g网络同覆盖组的识别在于形成4g与5g小区间进行负荷协同的小区组。
48.在本实施例中，首先对4g网络进行同覆盖识别，得到同覆盖组，即4g多层网，然后在此基础上加上一层5g网络，则可形成最终的同覆盖组。具体的识别过程如下：
49.首先，利用工参对4g小区进行同覆盖判定，形成多个同覆盖组。其中，满足以下条件即判定为同覆盖小区：异频宏站站间距小于50米，小区方位角偏差小于15度，从方位角0度开始顺时针选择第一个小区，以该小区为基准小区，其余小区若方位角与该小区差距在15度以内，则均纳入第一个同覆盖扇区；随后顺时针选择第二个小区，若该小区之前已有同覆盖扇区，则不再考虑，否则作为第二个基准小区，再判断其他小区是否与该基准小区同覆
盖。通过上述方式，则形成了多个互斥的4g小区集合gi，即形成了多个同覆盖组，根据规则每个集合中至少有1个4g小区，仅有1个小区的集合中的这个小区叫单层网小区，大于1个的小区是多层网小区。
50.然后，针对任一5g小区，根据该5g小区分别与各个同覆盖组中包含的4g小区的方位角差异和/或距离，确定该5g小区所属的目标同覆盖组；将该5g小区添加至该目标同覆盖组。其中，利用5g小区来匹配同覆盖组，将各个5g小区划分到已识别出的同覆盖组，使得可进行负荷协调的小区位于同覆盖组中，以便后续进行调整。
51.进一步的，在匹配5g小区所属的同覆盖组时，针对当前同覆盖组，若满足max(f1,f2,
…
fn)《f0，以及满足max(d1,d2,
…
dn)《d0，则确定该当前同覆盖组为目标同覆盖组；其中，n为当前同覆盖组中包含的4g小区的数量，fi为当前同覆盖组中的各个4g小区与该5g小区的方位角的差异，f0为差异阈值，di为当前同覆盖组中的各个4g小区与该5g小区的距离，d0为距离阈值。换言之，对于任一5g小区，当当前同覆盖组中各个4g小区与该5g小区的方位角的差值的最大值小于差异阈值时，例如小于15度时，且当前同覆盖组中各个4g小区与该5g小区的距离的最大值小于距离阈值时，例如，小于50米，则可将该5g小区划分至当前同覆盖组。另外，需要说明的是，当针对同一5g小区，确定出多个目标同覆盖组时，即有多个同覆盖组满足上述条件，则比较该多个目标同覆盖组包含的4g小区的数量，并根据比较结果将该5g小区划分至包含的4g小区的数量最多的目标同覆盖组中，进一步的，若包含的4g小区的数量最多的目标同覆盖组有多个，则将该5g小区划分至mean(d1,d2,
…
dn)最小的组，换言之，划分至距离均值最小的目标同覆盖组。通过上述方式，可将5g小区准确的划分至可以进行负荷均衡的同覆盖组，并且可确保划分至唯一的同覆盖组。
52.步骤s220：确定待预测日期的属性信息，其中，该属性信息包括跳跃日期属性和日常日期属性；根据该属性信息为各个小区选择预测模型。
53.在选择预测模型时，整体上是根据小区的业务负荷波动程度进行选择，但在实际中，通常还会进一步结合待预测日期的属性信息进行选择，以进一步提高预测的准确性。
54.具体地，根据当日与待预测日期是否发生工作日与节假日的切换来确定待预测日期的属性信息，若未发生工作日与节假日的切换，即当日与待预测日期均为工作日或者均为节假日，则确定待预测日期的属性信息为日常日期，若发生了工作日与节假日的切换，即当日与待预测日期一个为工作日另一个为节假日，则确定待预测日期的属性信息为跳跃日期。
55.进一步的，在综合考虑待预测日期的属性信息以及小区业务负荷波动程度来选择预测模型时，具体的选择过程如下：若为跳跃日期属性，根据该小区的跳跃平稳性指标和日常平稳性指标为该小区选择预测模型，若为日常日期属性，根据该小区的日常平稳性指标为该小区选择预测模型。
56.其中，跳跃平稳性指标可以反映跳跃日期的小区业务负荷波动程度，其具体是指最近j个跳跃日期对应的j个计算日的负荷预测中，无线利用率差的绝对值小于或等于第一预设差值(valuej)的预设时间段占j个计算日中总的预设时间段数量的比例。
57.举例来说，20200410(周五)与20200411(周六)为跳跃日期且为1个计算日，计数|无线利用率20200410i-无线利用率20200411i|≤valuej的小时数，i取0～23为一天的24小时，则对应24个预设时间段，valuej为第一预设差值，按照此方法计算其它j-1个跳跃日期
中，小时级无线利用率差的绝对值≤valuej的小时数，用j个计算日中小时级无线利用率差的绝对值小于或等于valuej的小时数的总数量，除以(j*24)，则可以得到跳跃平稳性指标。
58.以及，日常平稳性指标可以反映日常日期的小区业务负荷波动程度，其具体是指最近r个日常日期对应的r个计算日的负荷预测中，无线利用率差的绝对值小于或等于第二预设差值(valuer)的预设时间段占r个计算日中总的预设时间段数量的比例，其计算过程可参见跳跃平稳性指标的计算，只不过选取的计算日为日常日期，而非跳跃日期。另外，该第二预设差值可与第一预设差值相同或不同，若不同，则通常第一预设差值大于第二预设差值，以允许跳跃日期中更大的负荷波动；且r和l可根据实际需求灵活选择，例如，若需要预测模型更符合时效性的要求，则设置较小的r和l，若对预测模型的准确性要求更高，则设置较大的r和l。
59.更进一步的，若该待预测日期的属性信息为跳跃日期属性，根据该小区的跳跃平稳性指标和日常平稳性指标为该小区选择预测模型具体包括：若该跳跃平稳性指标高于第一高指标门限(high_j，下同)，且日常平稳性指标高于第二高指标门限(high_r，下同)，则选择平稳模型，即无线利用差的绝对值较小的预设时间段占比均很高，则确定负荷波动程度较小，此时选择平稳模型；若该跳跃平稳性指标低于第一低指标门限(low_j，下同)，或者日常平稳性指标低于第二低指标门限(low_r，下同)，则选择lstm模型，即当其中一者的占比较低时，则确定负荷波动程度大，此时选择lstm模型；另外，对于不符合上述两种可能的其它情况，则确定负荷波动程度较大，此时选择prophet模型。通过上述方式，针对跳跃日期，在考虑日常平稳性指标的基础上，进一步考虑跳跃平稳性指标，避免因忽略跳跃日期的特殊波动而导致选择的模型不合理。
60.以及，若该待预测日期的属性信息为日常日期属性，根据该小区的日常平稳性指标为该小区选择预测模型具体包括：若该日常平稳性指标高于第二高指标门限，则选择平稳模型；若该日常平稳性指标高于第二低指标门限，且低于或等于第二高指标门限，则选择prophet模型；若该日常平稳性指标低于第二低指标门限，则选择lstm模型。通过上述方式，针对日常日期，可基于对、对日常波动的考虑，选择出合理的预测模型。
61.需要在此说明的是，第一高指标门限(high_j)、第二高指标门限(high_r)、第一低指标门限(low_j)以及第二低指标门限(low_r)均可以根据大数据反映出的波动程度分别对应的经验值进行设置，其具体取值本发明不做限定。
62.步骤s230：针对各个小区，利用为该小区选择的预测模型，对该小区在多个预设时间段内的无线利用率进行预测，得到对应多个小区的多组无线利用率。
63.针对各个小区，选择的预测模型可能为平稳模型、prophet模型或者为lstm模型，在进行预测时，不同模型的预测过程是不同的。
64.(1)平稳模型：符合平稳模型的小区未来一日的负荷情况与前一日极度相似，因此系统直接输出前一日相应时段的无线利用率作为后一日对应预设时间段的无线利用率即可。例如，输出2020年7月6日24个小时分别的无线利用率作为2020年7月6日0-23:59中24个小时段的无线利用率预测值。
65.(2)prophet模型：该模型利用python实现，针对每个符合prophet模型的小区进行建模，1个小区对应1个prophet时间序列模型。其中，通过提取小区待预测日期前历史时段的小时粒度的无线利用率作为训练数据，例如，提取前1个月的数据作为训练数据，并设置
模型参数，包括将yearly_seasonality、weekly_seasonality设置为false，daily_seasonality设置为true，以实现按日进行预测。
66.(3)lstm模型：统利用python语言的keras深度学习框架实现lstm，1个小区对应1个lstm模型。其中，通过提取小区待预测日期前历史时段的小时粒度的无线利用率作为训练数据，并设置模型参数，包括设置一个可见输入层，一个隐层包含4个lstm模块(神经元)，以及一个输出层，设置的代码如下：
67.model＝sequential()
68.model.add(lstm(4,input_shape＝(1,look_back)))
69.model.add(dense(1))
70.model.compile(loss＝'mean_squared_error',optimizer＝'adam')。
71.在实际实施过程中，可在每日01:00～02:45预测各个小区未来小时粒度负荷情况，得到03:00-23:59各时段无线利用率预测值，当然，具体时间可根据预测整体需要的时间进行调整，预测的时段数同样根据预测耗费时间进行调整，通常情况下设置在4g和5g网络不需要负荷均衡的凌晨负荷较低时段。
72.步骤s240：判断任一同覆盖组内是否同时包含4g小区和5g小区；若是，则执行步骤s250；若否，则执行步骤s270。
73.由于负荷协同应该发生在“覆盖相同”的小区间，因此在识别得到的同覆盖组内进行4g小区和5g小区的负荷协同。对于仅有4g或仅有5g小区的同覆盖组则不符合4g和5g负荷协同的目的要求，不生成协同任务。
74.步骤s250：根据该多组无线利用率检测该同覆盖组中是否存在至少一个5g小区与4g小区的负荷不均衡；若是，则执行步骤s260；若否，则执行步骤s270。
75.具体地，针对该同覆盖组中的各个5g小区，检测是否存在超过预设数量时段的连续预设时间段，该5g小区在该连续预设时间段中的无线利用率均大于5g高负荷门限(high_load_5g)，且该同覆盖组中所有4g小区在该连续预设时间段中各个预设时间段的无线利用率均值均小于4g低负荷门限(low_load_4g)；或者，检测是否存在超过预设数量时段的连续预设时间段，该5g小区在该连续预设时间段中的无线利用率均小于5g低负荷门限(low_load_5g)，且该同覆盖组中所有4g小区在该连续预设时间段中各个预设时间段的无线利用率均大于4g高负荷门限(high_load_4g)；若存在连续预设时段(满足上述“或者”前后两者中的一者即可)，则判定该同覆盖组中该5g小区与4g小区的负荷不均衡。其中，5g高负荷门限(high_load_5g)、4g低负荷门限(low_load_4g)、5g低负荷门限(low_load_5g)以及4g高负荷门限(high_load_4g)可为本领域技术人员所认可的经验值，例如，本领域技术人员认可5g小区的负荷超过a值则达到高负荷状态，则设置high_load_5g为a值。
76.若预设时间段为小时段，按预测得到的无线利用率为3时至23时对应的21个小时段，则上述两种不均衡的条件换言之即为：
77.5g小区预测得到的无线利用率(i)》high_load_5g，且mean(4g小区预测无线利用率)(i)《low_load_4g的连续时段数大于z。或者，5g小区预测得到的无线利用率(i)《low_load_5g，且mean(4g小区预测无线利用率)(i)》high_load_4g的连续时段数大于z。其中mean(4g小区预测无线利用率)表示组内所有4g小区预测无线利用率的均值，i取[3,23]的整数，表示预测的3点至23点，z为预设数量，high_load_5g为5g高负荷门限，low_load_4g为
4g低负荷门限，low_load_5g为5g低负荷门限，high_load_4g为4g高负荷门限。
[0078]
举例来说，预设数量为3，若在8：00至11:59的4个小时段内，5g小区的无线利用率均高于5g高负荷门限，而同覆盖组内所有4g小区在该4个小时段的无线利用率均值均小于4g低负荷门限，由于4大于3，则认为在该4个小时段内该5g小区与同覆盖组内的4g小区存在负荷不均衡。
[0079]
需要在此说明的是，在一个同覆盖组中，同一5g小区与4g小区可以有多个不均衡时间区间，例如，在8点到12点不均衡，以及在下午4点到8点不均衡，以及，同覆盖组中可能有多个5g小区与4g负荷不均衡。
[0080]
步骤s260：根据该至少一个5g小区与该4g小区的不均衡类型和不均衡时段生成负荷协同任务，根据该负荷协同任务对该至少一个5g小区的网络参数进行调整处理。
[0081]
由于均衡主要针对5g用户，同时为避免过量调整造成4g网络和5g网络互操作参数设置的混乱，而仅对5g网络参数进行调整，达到扩大或收缩覆盖区域，吸收或释放5g用户，以均衡4g网络和5g网络的负荷。
[0082]
其中，不均衡类型有两种，一种是5g小区的负荷高于5g高负荷门限，同时4g小区的负荷低于4g低负荷门限，也即对应于如下情况下：5g小区在该连续预设时间段中的无线利用率均大于5g高负荷门限，且该同覆盖组中所有4g小区在该连续预设时间段中各个预设时间段的无线利用率均值均小于4g低负荷门限。该种情况下，针对该5g小区，生成如下负荷协同任务：在不均衡时段内(即该连续预设时间段内)下调该5g小区的发射功率、上调该5g小区的异系统测量门限和/或上调该5g小区的异系统切换门限。延用前文中的举例，若5g小区与4g小区在8点到12点不均衡，且属于5g小区的负荷高于5g高负荷门限，同时4g小区的负荷低于4g低负荷门限的不均衡类型，则生成的负荷协同任务如下：在8:00对该5g小区的发射功率、异系统测量门限和/或异系统切换门限进行上调，并在11:59对该恢复5g小区的发射功率、异系统测量门限和/或异系统切换门限至上调前的值。
[0083]
另一种是5g小区的负荷低于5g低负荷门限，同时4g小区的负荷高于4g高负荷门限，也即对应于如下情况：5g小区在该连续预设时间段中的无线利用率均小于5g低负荷门限，且该同覆盖组中所有4g小区在该连续预设时间段中各个预设时间段的无线利用率均大于4g高负荷门限。该种情况下，针对该5g小区，生成如下负荷协同任务：在不均衡时段内(即该连续预设时间段内)上调该5g小区的发射功率、下调该5g小区的异系统测量门限和/或下调该5g小区的异系统切换门限。
[0084]
并且，通常情况下，到达相应的时间段，则可执行该时间段对应的负荷协同任务，但在实际实施过程中，可通过实时的小区负荷情况，来判决是否执行相应的负荷协同任务，以使得负荷协同任务的执行，更符合实时的负荷情况。具体地，在到达不均衡时段后，判断实时的5g小区负荷和4g小区负荷是否满足触发执行负荷协同任务的条件，若满足，则执行负荷协同任务。其中，对于预测并确定的不均衡类型为：5g小区的负荷高于5g高负荷门限，同时4g小区的负荷低于4g低负荷门限时，触发执行负荷协同任务的条件为：load_now_5g》(high_load_5g+low_load_5g)/2且load_now_4g《(high_load_4g+low_load_4g)/2，否则不执行；对于预测并确定的不均衡类型为：5g小区的负荷高于5g高负荷门限，同时4g小区的负荷低于4g低负荷门限时，触发执行负荷协同任务的条件为：load_now_5g《(high_load_5g+low_load_5g)/2且load_now_4g》(high_load_4g+low_load_4g)/2，否则不执行，其中，
load_now_5g是指5g小区的实时负荷，load_now_4g是指4g小区的实时负荷，例如，实时负荷为距离当前最近的15分钟内的负荷。
[0085]
在一种可选的实施方式中，通过在凌晨等不易出现负荷不均衡的时段生成未来多个小时段的负荷协同任务，然后在到达相应时段时，执行该任务即可，例如，在02:45～02:55生成负荷协同任务。通过这种方式，可在各个时间段及时的执行负荷协同任务。
[0086]
步骤s270：不生成协同任务。
[0087]
根据本实施例提供的4g小区和5g小区的负荷协同方法，弥补了现有负荷协同方案的不足，首先创新的提出了4g和5g同覆盖组的概念，明确了4g和5g负荷协同的对象与着力点；第二，根据无线通信网络的特点对小区进行分类，利用不同的模型对小区负荷进行预测，极大程度提升了建模效率又确保了准确率；第三，依据预测数据制定均衡方案，并结合实时数据判定是否执行，即保证了4 5g网络负荷均衡的频度，又避免了不合理方案对于无线网络的影响；第四，建立了从数据收集、数据分析、任务生成到任务执行的一整套方法流程，极大程度提升效率。
[0088]
图3示出了本发明实施例提供的4g小区和5g小区的负荷协同装置的结构示意图。如图3所示，该装置包括：
[0089]
预测模块310，适于针对各个小区，利用为所述小区选择的预测模型，对所述小区在多个预设时间段内的无线利用率进行预测，得到对应多个小区的多组无线利用率；
[0090]
判断模块320，适于判断任一同覆盖组内是否同时包含4g小区和5g小区；
[0091]
检测模块330，适于若同时包含4g小区和5g小区，则根据所述多组无线利用率检测所述同覆盖组中是否存在至少一个5g小区与4g小区的负荷不均衡；
[0092]
生成模块340，适于若存在至少一个5g小区与4g小区的负荷不均衡，根据所述至少一个5g小区与所述4g小区的不均衡类型和不均衡时段生成负荷协同任务；
[0093]
调整模块350，适于根据所述负荷协同任务对所述至少一个5g小区的网络参数进行调整处理。
[0094]
在一种可选的方式中，所述装置还包括：选择模块，适于：
[0095]
确定待预测日期的属性信息，其中，所述属性信息包括跳跃日期属性和日常日期属性；
[0096]
若为跳跃日期属性，根据所述小区的跳跃平稳性指标和日常平稳性指标为所述小区选择预测模型；
[0097]
若为日常日期属性，根据所述小区的日常平稳性指标为所述小区选择预测模型。
[0098]
在一种可选的方式中，所述选择模块进一步适于：
[0099]
若所述跳跃平稳性指标高于第一高指标门限，且日常平稳性指标高于第二高指标门限，则选择平稳模型；若所述跳跃平稳性指标低于第一低指标门限，或者日常平稳性指标低于第二低指标门限，则选择lstm模型；
[0100]
若所述日常平稳性指标高于第二高指标门限，则选择平稳模型；若所述日常平稳性指标高于第二低指标门限，且低于或等于第二高指标门限，则选择prophet模型；若所述日常平稳性指标低于第二低指标门限，则选择lstm模型。
[0101]
在一种可选的方式中，所述装置还包括：识别模块，适于：
[0102]
利用工参对4g小区进行同覆盖判定，形成多个同覆盖组；
[0103]
针对任一5g小区，根据所述5g小区分别与各个同覆盖组中包含的4g小区的方位角差异和/或距离，确定所述5g小区所属的目标同覆盖组；将所述5g小区添加至所述目标同覆盖组。
[0104]
在一种可选的方式中，所述识别模块进一步适于：
[0105]
针对当前同覆盖组，若满足max(f1,f2,
…
fn)《f0，以及满足max(d1,d2,
…
dn)《d0，则确定该当前同覆盖组为目标同覆盖组；
[0106]
其中，n为当前同覆盖组中包含的4g小区的数量，fi为当前同覆盖组中的各个4g小区与所述5g小区的方位角的差异，f0为差异阈值，di为当前同覆盖组中的各个4g小区与所述5g小区的距离，d0为距离阈值。
[0107]
在一种可选的方式中，所述检测模块进一步适于：
[0108]
针对所述同覆盖组中的各个5g小区，检测是否存在超过预设数量时段的连续预设时间段，所述5g小区在所述连续预设时间段中的无线利用率均大于5g高负荷门限，且所述同覆盖组中所有4g小区在所述连续预设时间段中各个预设时间段的无线利用率均值均小于4g低负荷门限；或者，
[0109]
检测是否存在超过预设数量时段的连续预设时间段，所述5g小区在所述连续预设时间段中的无线利用率均小于5g低负荷门限，且所述同覆盖组中所有4g小区在所述连续预设时间段中各个预设时间段的无线利用率均大于4g高负荷门限；
[0110]
若存在连续预设时段，则判定所述同覆盖组中所述5g小区与4g小区的负荷不均衡。
[0111]
在一种可选的方式中，所述生成模块进一步适于：
[0112]
针对所述至少一个5g小区中的任一5g小区，若所述5g小区在所述连续预设时间段中的无线利用率均大于5g高负荷门限，且所述同覆盖组中所有4g小区在所述连续预设时间段中各个预设时间段的无线利用率均值均小于4g低负荷门限，则生成如下负荷协同任务：在不均衡时段内下调所述5g小区的发射功率、上调所述5g小区的异系统测量门限和/或上调所述5g小区的异系统切换门限；或者，
[0113]
若所述5g小区在所述连续预设时间段中的无线利用率均小于5g低负荷门限，且所述同覆盖组中所有4g小区在所述连续预设时间段中各个预设时间段的无线利用率均大于4g高负荷门限，则生成如下负荷协同任务：在不均衡时段内上调所述5g小区的发射功率、下调所述5g小区的异系统测量门限和/或下调所述5g小区的异系统切换门限。
[0114]
本发明实施例提供了一种非易失性计算机存储介质，所述计算机存储介质存储有至少一可执行指令，该计算机可执行指令可执行上述任意方法实施例中的4g小区和5g小区的负荷协同方法。
[0115]
图4示出了本发明实施例提供的计算设备的结构示意图，本发明具体实施例并不对计算设备的具体实现做限定。
[0116]
如图4所示，该计算设备可以包括：处理器(processor)402、通信接口(communications interface)404、存储器(memory)406、以及通信总线408。
[0117]
其中：处理器402、通信接口404、以及存储器406通过通信总线408完成相互间的通信。通信接口404，用于与其它设备比如客户端或其它服务器等的网元通信。处理器402，用于执行程序410，具体可以执行上述用于计算设备的4g小区和5g小区的负荷协同方法实施
例中的相关步骤。
[0118]
具体地，程序410可以包括程序代码，该程序代码包括计算机操作指令。
[0119]
处理器402可能是中央处理器cpu，或者是特定集成电路asic(application specific integrated circuit)，或者是被配置成实施本发明实施例的一个或多个集成电路。计算设备包括的一个或多个处理器，可以是同一类型的处理器，如一个或多个cpu；也可以是不同类型的处理器，如一个或多个cpu以及一个或多个asic。
[0120]
存储器406，用于存放程序410。存储器406可能包含高速ram存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
[0121]
程序410具体可以用于使得处理器402执行以下操作：
[0122]
针对各个小区，利用为所述小区选择的预测模型，对所述小区在多个预设时间段内的无线利用率进行预测，得到对应多个小区的多组无线利用率；
[0123]
判断任一同覆盖组内是否同时包含4g小区和5g小区，若是，则根据所述多组无线利用率检测所述同覆盖组中是否存在至少一个5g小区与4g小区的负荷不均衡；
[0124]
若存在至少一个5g小区与4g小区的负荷不均衡，根据所述至少一个5g小区与所述4g小区的不均衡类型和不均衡时段生成负荷协同任务，根据所述负荷协同任务对所述至少一个5g小区的网络参数进行调整处理。
[0125]
在一种可选的方式中，所述程序410进一步使所述处理器402执行以下操作：
[0126]
确定待预测日期的属性信息，其中，所述属性信息包括跳跃日期属性和日常日期属性；
[0127]
若为跳跃日期属性，根据所述小区的跳跃平稳性指标和日常平稳性指标为所述小区选择预测模型；
[0128]
若为日常日期属性，根据所述小区的日常平稳性指标为所述小区选择预测模型。
[0129]
在一种可选的方式中，所述程序410进一步使所述处理器402执行以下操作：
[0130]
若所述跳跃平稳性指标高于第一高指标门限，且日常平稳性指标高于第二高指标门限，则选择平稳模型；若所述跳跃平稳性指标低于第一低指标门限，或者日常平稳性指标低于第二低指标门限，则选择lstm模型；
[0131]
若所述日常平稳性指标高于第二高指标门限，则选择平稳模型；若所述日常平稳性指标高于第二低指标门限，且低于或等于第二高指标门限，则选择prophet模型；若所述日常平稳性指标低于第二低指标门限，则选择lstm模型。
[0132]
在一种可选的方式中，所述程序410进一步使所述处理器402执行以下操作：
[0133]
利用工参对4g小区进行同覆盖判定，形成多个同覆盖组；
[0134]
针对任一5g小区，根据所述5g小区分别与各个同覆盖组中包含的4g小区的方位角差异和/或距离，确定所述5g小区所属的目标同覆盖组；将所述5g小区添加至所述目标同覆盖组。
[0135]
在一种可选的方式中，所述程序410进一步使所述处理器402执行以下操作：
[0136]
针对当前同覆盖组，若满足max(f1,f2,
…
fn)《f0，以及满足max(d1,d2,
…
dn)《d0，则确定该当前同覆盖组为目标同覆盖组；
[0137]
其中，n为当前同覆盖组中包含的4g小区的数量，fi为当前同覆盖组中的各个4g小区与所述5g小区的方位角的差异，f0为差异阈值，di为当前同覆盖组中的各个4g小区与所
述5g小区的距离，d0为距离阈值。
[0138]
在一种可选的方式中，所述程序410进一步使所述处理器402执行以下操作：
[0139]
针对所述同覆盖组中的各个5g小区，检测是否存在超过预设数量时段的连续预设时间段，所述5g小区在所述连续预设时间段中的无线利用率均大于5g高负荷门限，且所述同覆盖组中所有4g小区在所述连续预设时间段中各个预设时间段的无线利用率均值均小于4g低负荷门限；或者，
[0140]
检测是否存在超过预设数量时段的连续预设时间段，所述5g小区在所述连续预设时间段中的无线利用率均小于5g低负荷门限，且所述同覆盖组中所有4g小区在所述连续预设时间段中各个预设时间段的无线利用率均大于4g高负荷门限；
[0141]
若存在连续预设时段，则判定所述同覆盖组中所述5g小区与4g小区的负荷不均衡。
[0142]
在一种可选的方式中，所述程序410进一步使所述处理器402执行以下操作：
[0143]
针对所述至少一个5g小区中的任一5g小区，若所述5g小区在所述连续预设时间段中的无线利用率均大于5g高负荷门限，且所述同覆盖组中所有4g小区在所述连续预设时间段中各个预设时间段的无线利用率均值均小于4g低负荷门限，则生成如下负荷协同任务：在不均衡时段内下调所述5g小区的发射功率、上调所述5g小区的异系统测量门限和/或上调所述5g小区的异系统切换门限；或者，
[0144]
若所述5g小区在所述连续预设时间段中的无线利用率均小于5g低负荷门限，且所述同覆盖组中所有4g小区在所述连续预设时间段中各个预设时间段的无线利用率均大于4g高负荷门限，则生成如下负荷协同任务：在不均衡时段内上调所述5g小区的发射功率、下调所述5g小区的异系统测量门限和/或下调所述5g小区的异系统切换门限。
[0145]
在此提供的算法或显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明实施例也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明实施例的内容，并且上面对特定语言所做的描述是为了披露本发明实施例的最佳实施方式。
[0146]
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
[0147]
类似地，应当理解，为了精简本发明实施例并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明实施例的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明实施例要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。
[0148]
本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或
子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
[0149]
此外，本领域的技术人员能够理解，尽管在此的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
[0150]
本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(dsp)来实现根据本发明实施例的一些或者全部部件的一些或者全部功能。本发明实施例还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明实施例的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。
[0151]
应该注意的是上述实施例对本发明实施例进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明实施例可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。上述实施例中的步骤，除有特殊说明外，不应理解为对执行顺序的限定。