本发明涉及无线通信领域，具体而言，涉及一种无线小区的负荷预评估方法、装置及计算机程序产品。
背景技术：
1、在无线网络中，由于无线小区功率、频段、方向角、下倾角、带宽、终端能力、用户分布、业务分布等因素的影响，同一覆盖区域内无线小区负荷不均衡的问题突出，因此如何平衡区域内无线小区间的负荷显得尤为重要。
2、目前，通常采用负荷均衡技术来实现无线小区之间的负荷均衡，但是由于影响负荷均衡参数众多，实际均衡效果往往与预期不符，因此准确地预评估参数调整后的无线小区负荷就显得非常重要。
3、业界对无线小区负荷预评估的研究，是根据无线小区用户数来预评估无线小区负荷。例如：
4、假设无线小区负荷和无线小区用户数成线性关系，首先计算负荷均衡后的无线小区用户数，再除以该无线小区的最大用户容量来预评估无线小区负荷。此专利的预评估方法没有考虑无线小区负荷和无线小区用户数两者之间的非线性关系，难以准确通过用户数来预评估无线小区负荷，无法保证无线小区负荷预评估的准确率。
5、假设无线小区负荷和无线小区用户数成非线性关系，首先计算负荷均衡后的无线小区用户数，再根据无线小区负荷与无线小区用户数的3阶多项式拟合方程来预评估无线小区负荷。此专利的预评估方法通过3阶多项式拟合方程来建模无线小区负荷和无线小区用户数之间的非线性关系，3阶多项式拟合方程仍然无法准确建模无线用户数和无线小区负荷之间的非线性关系，因此难以准确通过用户数来预评估无线小区负荷，无法保证无线小区负荷预评估的准确率。
6、以上基于无线小区用户数的无线小区负荷预评估方法，仅简单考虑了无线小区负荷和无线小区用户数两者之间的关系，无法保证无线小区负荷预评估的准确率。
7、针对上述无线小区的负荷预评估准确率低的问题，目前尚未提出有效的解决方案。
技术实现思路
1、本发明实施例提供了一种无线小区的负荷预评估方法、装置及计算机程序产品，以至少解决无线小区的负荷预评估准确率低的技术问题。
2、根据本发明实施例的一个方面，提供了一种无线小区的负荷预评估方法，包括：获取待评估无线小区的目标测量报告和目标工参数据；从所述目标测量报告中，确定所述待评估无线小区的动态通信性能特征；从所述目标工参数据中，确定所述待评估无线小区的静态通信性能特征；采用小区负荷预评估模型分析所述动态通信性能特征和静态通信性能特征，得到所述待评估无线小区的目标负荷指标，其中，所述小区负荷预评估模型为预先采用多组训练数据通过机器学习训练出来的，所述多组训练数据中的每组训练数据均包括：同一样本无线小区的动态通信性能特征、静态通信性能特征和预先标定的样本负荷指标。
3、可选地，获取待评估无线小区的目标测量报告和目标工参数据包括：获取所述待评估无线小区的至少一个历史测量报告，其中，所述历史测量报告由接入所述待评估无线小区的终端上报；分析至少一个所述历史测量报告，并根据负荷均衡算法和切换规则为每个所述终端重新分配小区配置信息，其中，所述负荷均衡算法用于确定需要从所述待评估无线小区切出的第一终端，和不需要从所述待评估无线小区切出的第二终端，所述切换规则用于为所述第一终端分配第一小区配置信息，和为所述第二终端分配第二小区配置信息，所述第一小区配置信息至少用于指示所述第一终端从所述待评估无线小区切换至目标无线小区，所述第二小区配置信息至少用于指示所述第二终端重新接入所述待评估无线小区；接收所述第二终端上报的所述目标测量报告，并获取所述待评估无线小区的所述目标工参数据。
4、可选地，在采用小区负荷预评估模型分析所述动态通信性能特征和静态通信性能特征，得到所述待评估无线小区的目标负荷指标之前，所述方法还包括：获取多个样本无线小区的样本测量报告、样本工参数据、和样本性能指标数据；从所述样本测量报告中，确定所述样本无线小区的所述动态通信性能特征；从所述样本工参数据中，确定所述样本无线小区的所述静态通信性能特征；从所述样本性能指标数据中，确定所述样本无线小区的所述样本负荷指标；将同一所述样本无线小区的所述动态通信性能特征、所述静态通信性能特征和所述样本负荷指标，确定为一组所述训练数据。
5、可选地，所述方法还包括：对所述动态通信性能特征和所述静态通信性能特征中的特征指标进行特征分类，得到数值特征和分类特征，其中，所述数值特征包括：包含数字信息的至少一个所述特征指标，所述分类特征包括：包含类别信息的至少一个所述特征指标采用所述小区负荷预评估模型拼接所述数值特征和所述分类特征，得到所述动态通信性能特征和所述静态通信性能特征对应的负荷均衡特征。
6、可选地，采用所述小区负荷预评估模型拼接所述数值特征和所述分类特征，得到所述动态通信性能特征和所述静态通信性能特征对应的负荷均衡特征包括：利用所述小区负荷预评估模型中的嵌入网络层对所述分类特征进行处理，得到分类特征向量；利用所述小区负荷预评估模型中的归一化非线性前馈神经网络层对预设特征进行处理，得到预设特征向量，其中，所述归一化非线性前馈神经网络层为第一前馈神经网络层，所述预设特征为所述数值特征，所述预设特征向量为数值特征向量；将所述分类特征向量和所述数值特征向量相加，得到所述负荷均衡特征。
7、可选地，在将所述分类特征向量和所述数值特征向量相加，得到所述负荷均衡特征之后，所述方法还包括：利用所述小区负荷预评估模型中的归一化非线性前馈神经网络层对预设特征进行处理，得到预设特征向量，其中，所述归一化非线性前馈神经网络层为第二前馈神经网络层，所述预设特征为所述负荷均衡特征，所述预设特征向量为空间特征向量；利用所述小区负荷预评估模型中的线性适配网络层对所述空间特征向量进行分析，得到预设负荷指标，其中，所述线性适配网络层定义如下：linear_adaption(*)是线性适配函数，*是预设无线小区的所述空间特征向量，d为所述空间特征向量的特征维度，wk为权重系数，b0为权重偏置，所述预设无线小区为所述待评估无线小区或所述样本无线小区，在所述预设无线小区为所述样本无线小区的情况下，所述预设负荷指标为对所述样本无线小区进行预评估得出的预测负荷指标，xi是第i个所述样本无线小区的所述空间特征向量，wk和b0是可学习参数，在所述预设无线小区为所述待评估无线小区的情况下，所述预设负荷指标为所述目标负荷指标，wk和b0是预先使用所述样本无线小区的所述空间特征向量和所述样本负荷指标训练出的。
8、可选地，利用所述小区负荷预评估模型中的归一化非线性前馈神经网络层对预设特征进行处理，得到预设特征向量包括：利用所述归一化非线性前馈神经网络层中的归一化层对所述预设特征进行处理，得到第一特征向量，其中，所述归一化层定义如下：normalization(*)是归一化函数，x是预设无线小区的所述预设特征，e[x]是x的期望均值，var[x]是x的期望方差，∈是预先设置的超参数，所述预设无线小区为所述待评估无线小区或所述样本无线小区，在预设无线小区为所述样本无线小区的情况下，γ和β是可学习参数，γ初始值为1，β初始值为0，在预设无线小区为所述待评估无线小区的情况下，γ和β是预先使用所述样本无线小区的所述预设特征和所述样本负荷指标训练出的利用所述归一化非线性前馈神经网络层中的线性网络层对所述第一特征向量进行处理，得到第二特征向量，其中，所述线性网络层定义如下：linear(x)＝x·at+b，linear(*)是线性函数，x是所述预设无线小区的所述第一特征向量，所述预设无线小区为所述待评估无线小区或所述样本无线小区，在预设无线小区为所述样本无线小区的情况下，矩阵a和向量b是可学习参数，在预设无线小区为所述待评估无线小区的情况下，矩阵a和向量b是预先使用所述样本无线小区的所述第一特征向量和所述样本负荷指标训练出的利用所述归一化非线性前馈神经网络层中的激活函数层对所述第二特征向量进行非线性映射，得到所述预设特征向量，其中，所述激活函数层定义如下：activation(x)＝max(0,x)+a*min(0,x)，activation(*)是激活函数，x是所述预设无线小区的所述第二特征向量，所述预设无线小区为所述待评估无线小区或所述样本无线小区，在预设无线小区为所述样本无线小区的情况下，a是可学习参数，在预设无线小区为所述待评估无线小区的情况下，a是预先使用所述样本无线小区的所述第一特征向量和所述样本负荷指标训练出的。
9、可选地，在对所述动态通信性能特征和所述静态通信性能特征中的特征指标进行特征分类，得到数值特征和分类特征之后，所述方法还包括：采用零均值单位方差归一化对所述数值特征进行预处理，其中，所述零均值单位方差归一化的定义如下：x是所述数值特征，xmean是所述数值特征的均值，xstd是所述数值特征的标准差，xnorm是预处理后的所述数值特征。
10、可选地，所述方法还包括：采用均方误差损失函数训练所述小区负荷预评估模型，其中，所述均方误差损失函数的定义如下：mse是均方误差，n为所述样本无线小区的数量，yi为第i个所述样本无线小区预先标定的所述样本负荷指标，为利用所述小区负荷预评估模型对第i个所述样本无线小区进行预评估得出的预测负荷指标，基于所述均方误差损失函数计算出的所述均方误差越小，说明所述小区负荷预评估模型的预测准确率越高。
11、可选地，所述方法还包括：采用动量法梯度下降算法对所述小区负荷预评估模型进行迭代训练，其中，所述动量法梯度下降算法定义如下：θt+1＝θt-γgt，θt为第t次迭代的参数，f(θt)是第t次迭代的函数，是第t次迭代的微分函数，gt表示第t次迭代的梯度估计值，μ和γ为预先设置的超参数。
12、根据本发明实施例的另一方面，还提供了一种无线小区的负荷预评估装置，包括：获取模块，用于获取待评估无线小区的目标测量报告和目标工参数据确定模块，用于从所述目标测量报告中，确定所述待评估无线小区的动态通信性能特征确定模块，用于从所述目标工参数据中，确定所述待评估无线小区的静态通信性能特征分析模块，用于采用小区负荷预评估模型分析所述动态通信性能特征和静态通信性能特征，得到所述待评估无线小区的目标负荷指标，其中，所述小区负荷预评估模型为预先采用多组训练数据通过机器学习训练出来的，所述多组训练数据中的每组训练数据均包括：同一样本无线小区的动态通信性能特征、静态通信性能特征和预先标定的样本负荷指标。
13、根据本发明实施例的另一方面，还提供了一种非易失性存储介质，所述非易失性存储介质中存储有计算机程序，其中，在所述非易失性存储介质所在设备通过运行所述计算机程序执行上述无线小区的负荷预评估方法。
14、根据本发明实施例的另一方面，还提供了一种电子设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为通过所述计算机程序执行上述无线小区的负荷预评估方法。
15、根据本发明实施例的另一方面，还提供了一种计算机程序产品，包括计算机指令，所述计算机指令被处理器执行时实现上述无线小区的负荷预评估方法的步骤。
16、在本发明实施例中，根据待评估无线小区的目标测量报告确定动态通信性能特征，根据待评估无线小区的目标工参数据确定静态通信性能特征，然后使用小区负荷预评估模型对待评估无线小区的动态通信性能特征和静态通信性能特征进行预评估，得到待评估无线小区的目标负荷指标，从而利用影响无线小区负荷的多维度特征进行预评估，可以使无线小区的负荷评估结果更加准确，实现了提高无线小区的负荷预评估准确度的技术效果，进而解决了无线小区的负荷预评估准确率低技术问题。
1.一种无线小区的负荷预评估方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，获取待评估无线小区的目标测量报告和目标工参数据包括：
3.根据权利要求1所述的方法，其特征在于，在采用小区负荷预评估模型分析所述动态通信性能特征和静态通信性能特征，得到所述待评估无线小区的目标负荷指标之前，所述方法还包括：
4.根据权利要求1所述的方法，其特征在于，所述方法还包括：
5.根据权利要求4所述的方法，其特征在于，采用所述小区负荷预评估模型拼接所述数值特征和所述分类特征，得到所述动态通信性能特征和所述静态通信性能特征对应的负荷均衡特征包括：
6.根据权利要求5所述的方法，其特征在于，在将所述分类特征向量和所述数值特征向量相加，得到所述负荷均衡特征之后，所述方法还包括：
7.根据权利要求5或6所述的方法，其特征在于，利用所述小区负荷预评估模型中的归一化非线性前馈神经网络层对预设特征进行处理，得到预设特征向量包括：
8.根据权利要求4所述的方法，其特征在于，在对所述动态通信性能特征和所述静态通信性能特征中的特征指标进行特征分类，得到数值特征和分类特征之后，所述方法还包括：
9.根据权利要求1所述的方法，其特征在于，所述方法还包括：
10.根据权利要求1所述的方法，其特征在于，所述方法还包括：
11.一种无线小区的负荷预评估装置，其特征在于，包括：
12.一种非易失性存储介质，其特征在于，所述非易失性存储介质中存储有计算机程序，其中，在所述非易失性存储介质所在设备通过运行所述计算机程序执行权利要求1至10中任意一项所述无线小区的负荷预评估方法。
13.一种电子设备，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为通过所述计算机程序执行权利要求1至10中任意一项所述无线小区的负荷预评估方法。
14.一种计算机程序产品，包括计算机指令，其特征在于，所述计算机指令被处理器执行时实现权利要求1至10中任意一项所述无线小区的负荷预评估方法的步骤。
