CN114024946B - 流媒体码率的调整方法、装置和计算机可读存储介质 - Google Patents

Abstract

本申请提供一种流媒体码率的调整方法、装置和计算机可读存储介质。该技术方案中，首先获取第一信息和第二信息，第一信息包括移动通信设备的第一位置、移动通信设备在第一位置时的移动速度、移动方向以及在第一位置时的SINR和RSRP，第二信息包括N个基站中每个基站的位置与第一位置之间的距离，然后使用机器学习模型基于第一信息和第二信息获取移动通信设备在当前位置的SINR和RSRP，并基于移动通信设备中存储的SINR和RSRP与流媒体码率之间的映射关系确定出移动通信设备在当前位置的目标流媒体码率，最后将移动通信设备的流媒体码流调整为目标流媒体码率。能够有效保证推流端发送的影像和声音的清晰度和实时性。

Description

流媒体码率的调整方法、装置和计算机可读存储介质

技术领域

本申请涉及流媒体技术领域，尤其涉及一种流媒体码率的调整方法、装置和计算机可读存储介质。

背景技术

流媒体方式(例如直播)是指发送影像和声音的一端(推流端)按照码率把影像和声音发送到流媒体服务器上，然后终端从流媒体服务器上边下载边播放地方式。其中，码率是指单位时间内传输的数据位数。

推流端使用的码率越高，发送的影像和声音的清晰度就越高，从而终端接收的影像和声音的清晰度也就越高。但是，推流端的码率受限于推流端的网络状况，具体地，网络状况好的情况下推流端才可能使用高码率。若推流端的网络状况较差的情况下推流端仍然使用越高的码率就会导致推流端发送的影像和声音出现卡顿的现象，从而使得终端接收的影像和声音出现卡顿的现象。因此，推流端的码率应与推流端的网络状况相匹配。

而移动状态的推流端的网络状态通常是变化的，因此需要基于推流端的网络状况来动态调整推流端的码率，以保证处于移动状态的推流端发送的影像和声音的清晰度和实时性(即不出现卡顿)。

一种基于推流端的网络状况来动态调整推流端的码率的方法如下：推流端根据定时测量的网络状况来调整码率。具体地，推流端定时向流媒体服务器发送额外的至少一个数据包，然后通过检测该额外的至少一个数据包的往返时延和丢包率来确定网络状况，最后根据所得的网络状况来调整码率，当网络状况较好时提高码率，以确保发送的影像和声音的清晰度，而当网络状况较差时降低码率，从而确保发送的影像和声音不出现卡顿。

但是，推流端使用上述动态调整推流端的码率之后发送的影响和声音仍然出现卡顿现象，从而导致终端接收的影像和声音也出现卡顿的现象。

发明内容

本申请实施例提供一种流媒体码率的调整方法、装置和计算机可读存储介质，能够有效保证推流端发送的影像和声音的清晰度和实时性。

第一方面，本申请提供一种流媒体码率的调整方法，应用于移动通信设备，所述移动通信设备中存储信号与干扰加噪声比SINR和参考信号接收功率RSRP与流媒体码率之间的映射关系，所述方法包括：获取第一信息，所述第一信息包括移动通信设备的第一位置、移动通信设备位于第一位置时的移动速度、移动方向、第一SINR和第一RSRP；获取第二信息，所述第二信息指示N个基站中每个基站的位置与第一位置之间的距离，N为正整数；使用机器学习模型基于第一信息和第二信息获取移动通信设备在当前位置的第二SINR和第二RSRP，机器学习模型用于基于移动通信设备移动前的位置、移动通信设备在移动前的位置处的移动速度和移动方向、移动通信设备在移动前的位置处的SINR和RSRP以及至少一个基站中每个基站与移动通信设备在移动前的位置之间的距离来预测移动通信设备在移动后的位置处的SINR和RSRP；获取映射关系中与第二SINR和第二RSRP映射的流媒体码率，得到移动通信设备在所述当前位置的目标流媒体码率；将移动通信设备的流媒体码流调整为所述目标流媒体码率。

本实施例提供的方法，可以使用机器学习模型基于移动通信设备在第一位置时的移动速度、移动方向、第一SINR和第一RSRP、以及N个基站中每个基站的位置与第一位置之间的距离，获得对应于移动通信设备当前位置的第二SINR和第二RSRP。其中，第二SINR和第二RSRP可以用于反映移动通信设备在当前位置时的网络状况。

可以理解的是，在现有技术中，移动通信设备为了检测出当前的网络状况，需要先向流媒体服务器发送额外的至少一个数据包，然后再通过检测该额外的至少一个数据包的往返时延和丢包率才能确定网络状况，但是该检测的时间也是需要花费时间的，而在这个检测的时间内，移动通信设备的网络状况是可能会发生变化的，因此仍有可能出现卡顿的现象。而在本实施例中，能够通过机器学习模型基于移动通信设备在第一位置时的信息直接预测出移动通信设备在当前位置的网络状况，而不需要为了检测当前位置的网络状况还去进行发包等操作，从而更好地保障实时性和稳定性。

结合第一方面，在一种可能的实现方式中，N个基站中每个基站的位置与第一位置之间的距离小于或等于预设距离。

该实现方式中，由于与第一位置之间的距离越小的基站对移动通信设备在第一位置时的网络状况影响更大，相反，与第一位置的距离越大的基站对移动通信设备在第一位置时的网络状况影响几乎很小，因此，该实现方式中，在获取N个基站时，获取的N个基站中的每个基站满足与第一位置之间的距离小于或等于预设距离。

结合第一方面，在一种可能的实现方式中，N个基站为与所述第一位置之间的距离小于或等于预设距离的所有基站中距离第一位置最近的N个基站。

结合第一方面，在一种可能的实现方式中，所述方法还包括：接收第三信息，所述第三信息包括所述信号与干扰加噪声比SINR和参考信号接收功率RSRP与流媒体码率之间的映射关系。

结合第一方面，在一种可能的实现方式中，所述机器学模型包括以下任意一种：全连接神经网络模型、卷积神经网络模型、长短时记忆神经网络模型、支持向量机模型。

第二方面，本申请提供一种流媒体码率的调整装置，应用于移动通信设备，所述移动通信设备中存储信号与干扰加噪声比SINR和参考信号接收功率RSRP与流媒体码率之间的映射关系，所述装置包括：获取模块，用于获取第一信息，所述第一信息包括移动通信设备的第一位置、移动通信设备位于第一位置时的移动速度、移动方向、第一SINR和第一RSRP；所述获取模块还用于获取第二信息，所述第二信息指示N个基站中每个基站的位置与第一位置之间的距离，N为正整数；预测模块，用于使用机器学习模型基于第一信息和第二信息获取移动通信设备在当前位置的第二SINR和第二RSRP，机器学习模型用于基于移动通信设备移动前的位置、移动通信设备在移动前的位置处的移动速度和移动方向、移动通信设备在移动前的位置处的SINR和RSRP以及至少一个基站中每个基站与移动通信设备在移动前的位置之间的距离来预测移动通信设备在移动后的位置处的SINR和RSRP；确定模块，用于获取映射关系中与第二SINR和第二RSRP映射的流媒体码率，得到移动通信设备在所述当前位置的目标流媒体码率；调整模块，用于将所述移动通信设备的流媒体码流调整为所述目标流媒体码率。

结合第二方面，在一种可能的实现方式中，N个基站中每个基站的位置与所述第一位置之间的距离小于或等于预设距离。

结合第二方面，在一种可能的实现方式中，N个基站为与第一位置之间的距离小于或等于预设距离的所有基站中距离第一位置最近的N个基站。

结合第二方面，在一种可能的实现方式中，所述装置还包括：接收模块，用于接收第三信息，所述第三信息包括所述信号与干扰加噪声比SINR和参考信号接收功率RSRP与流媒体码率之间的映射关系。

结合第二方面，在一种可能的实现方式中，所述机器学模型包括以下任意一种：全连接神经网络模型、卷积神经网络模型、长短时记忆神经网络模型、支持向量机模型。

第三方面，本申请提供一种流媒体码率的调整装置，包括：处理器，所述处理器与存储器耦合，存储器用于存储计算机程序，当处理器调用所述计算机程序时，使得所述移动通信设备执行如第一方面及其中任意一种可能的实现方式中所述的方法。

第四方面，本申请提供一种移动通信设备，该设备包括第二方面或第三方面或其中任意一种可能的实现方式中的装置。

第五方面，本申请提供一种芯片，包括至少一个处理器和通信接口，所述通信接口和所述至少一个处理器通过线路互联，所述至少一个处理器用于运行计算机程序或指令，以执行如第一方面及其中任意一种可能的实现方式中所述的方法。

第六方面，本申请提供一种计算机可读存储介质，所述计算机可读介质存储用于计算机执行的程序代码，该程序代码包括用于执行如第一方面及其中任意一种可能的实现方式中所述的方法。

第七方面，本申请提供一种包含指令的计算机程序产品，当该计算机程序产品在计算机上运行时，使得计算机执行如第一方面或其中任意一种可能的实现方式所述的方法。

附图说明

图1为本申请一个实施例提供的流媒体***的结构性示意图；

图2为本申请一个实施例提供的流媒体码率的调整方法的流程性示意图；

图3为本申请一个实施例提供的移动通信设备在移动过程中与基站位置的关系的结构性示意图；

图4为本申请一个实施例提供的神经网络模型的结构示意图；

图5为本申请一个实施例提供的流媒体码率的调整装置的结构示意图；

图6为本申请另一个实施例提供的流媒体码率的调整装置的结构示意图。

具体实施方式

流媒体方式(例如直播)是指发送影像和声音的一端(推流端)按照码率把影像和声音发送到流媒体服务器上，然后终端从流媒体服务器上边下载边播放地方式。其中，码率是指单位时间内传输的数据位数。

示例性地，图1为本申请一个实施例提供的流媒体***的结构性示意图。如图1所示，该流媒体***包括推流端101、流媒体服务器102和终端103。

其中，推流端101为发送流媒体文件的一端，例如流媒体文件包括但不限于：视频流或者音频流。终端103为接收并播放流媒体文件的一端。对于图1所示的流媒体***，推流端101按照码率把影像和声音发送到流媒体服务器102上，然后终端103从流媒体服务器102上边下载边播放。

在此说明的是，本申请实施例中对于终端103的具体形式不进行限定。例如，终端可以是一种向用户提供语音和/或数据连通性的设备，例如，具有无线连接功能的手持式设备、车载设备等。终端也可以称为用户设备(user equipment，UE)、接入终端(accessterminal)、用户单元(user unit)、用户站(user station)、移动站(mobile station)、移动台(mobile)、远方站(remote station)、远程终端(remote terminal)、移动设备(mobileequipment)、用户终端(user terminal)、无线通信设备(wireless telecom equipment)、用户代理(user agent)、用户装备(user equipment)或用户装置。终端可以是无线局域网(wireless local Area networks，WLAN)中的站点(station，STA)，可以是蜂窝电话、无绳电话、会话启动协议(session initiation protocol，SIP)电话、无线本地环路(wirelesslocal loop，WLL)站、个人数字处理(personal digital assistant，PDA)设备、具有无线通信功能的手持设备、计算设备或连接到无线调制解调器的其它处理设备、车载设备、可穿戴设备以及下一代通信***(例如，第五代(fifth-generation，5G)通信网络)中的终端或者未来演进的公共陆地移动网络(public land mobile network，PLMN)网络中的终端等。其中，5G还可以被称为新空口(new radio，NR)。本申请一种可能的应用的场景中终端为经常工作在地面的终端设备，例如车载设备或手机。

对于图1所示的流媒体***，推流端101使用的码率越高，发送的影像和声音的清晰度就越高，从而终端103接收的影像和声音的清晰度也就越高。但是，推流端101的码率受限于推流端101的网络状况，具体地，网络状况好的情况下推流端101才可能使用高码率。若推流端101的网络状况较差的情况下推流端101仍然使用越高的码率就会导致推流端101发送的影像和声音出现卡顿的现象，从而使得终端103接收的影像和声音出现卡顿的现象。因此，推流端101的码率应与推流端101的网络状况相匹配。

而移动状态的推流端101的网络状态通常是变化的，因此需要基于推流端101的网络状况来动态调整推流端101的码率，以保证处于移动状态的推流端101发送的影像和声音的清晰度和实时性(即不出现卡顿)。

目前，一种基于推流端101的网络状况来动态调整推流端101的码率的方法如下：推流端101根据定时测量的网络状况来调整码率。具体地，推流端101定时向流媒体服务器102发送额外的至少一个数据包，然后通过检测该额外的至少一个数据包的往返时延和丢包率来确定网络状况，最后根据所得的网络状况来调整码率，当网络状况较好时提高码率，以确保发送的影像和声音的清晰度，而当网络状况较差时降低码率，从而确保发送的影像和声音不出现卡顿。

然而，上述方法中，推流端101在测量网络状况的期间，仍是使用对应于上一次网络状况的码率来发送影像和声音。可以理解的是，在该测量网络状况的期间，也有可能发生网络状况的变化。例如，上一次网络状况对应的码率较高，但是在测量网络状况的期间网络状况很差，此时由于使用的仍是上一次网络状况对应的较高的码率，就会导致在该测量网络状况的期间发送的影像和声音时出现卡顿，进一步导致终端接收的影像和声音也出现卡顿的现象。

鉴于此，本申请提供一种流媒体码率的调整方法。该方法中，首先获取第一信息和第二信息，其中，第一信息包括移动通信设备的第一位置、移动通信设备位于第一位置时的移动速度、移动方向、在第一位置时的信号与干扰加噪声比(signal to interferenceplus noise ratio，SINR)和在第一位置时的参考信号接收功率(reference signalreceiving power，RSRP)，第二信息包括N个基站中每个基站的位置与第一位置之间的距离，然后使用机器学习模型基于第一信息和第二信息获取移动通信设备在当前位置的SINR和RSRP，并基于移动通信设备中存储的SINR和RSRP与流媒体码率之间的映射关系来确定出移动通信设备在当前位置的目标流媒体码率，最后将移动通信设备的流媒体码流调整为目标流媒体码率。

图2为本申请一个实施例提供的流媒体码率的调整方法的流程性示意图。如图2所示，本实施例的方法可以包括S201、S202、S203、S204和S205。该实施的方法可以由移动通信设备执行。

本实施例中，移动通信设备中存储SINR与RSRP与流媒体码率之间的映射关系。可以理解的是，SINR和RSRP可以用于反映移动通信设备的网络状况，因此，也可以认为移动通信设备中存储了网络状况与流媒体码率之间的映射关系。

示例性地，表1为本申请实施例提供的映射关系的一种结构性示意图。如表1所示，其中，RSRP的单位为分贝毫瓦(decibel relative to one milliwatt，dbm)，SINR的单位为分贝(decibel，db)，流媒体码率的单位是为千比特每秒(kilo bit per second，Kbps)。

表1

SINR/db	RSRP/dbm	流媒体码率/Kbps
			大于10	大于-80	4096
5～10	-80～-90	1024
			0～5	-90～-100	640
-5～0	-100～-130	320
			小于-5	小于-130	96
…	…	…

在此说明的是，上述表格中的数字只是一种示例，并不构成对本申请的限制。

下面详细说明图2所示的方法中的各个步骤。

S201，获取第一信息，所述第一信息包括移动通信设备的第一位置、移动通信设备位于第一位置时的移动速度、移动方向、第一SINR和第一RSRP。

其中，第一位置可以认为是移动通信设备在移动到当前位置之前的某个位置，即可以认为是历史位置。相应地，本实施例中的第一SINR和第一RSRP对应于第一位置的SINR和RSRP。

在此说明的是，SINR和RSRP可以用于描述移动通信设备的网络状况，其具体描述可以参考相关技术中的描述，此处不再赘述。

本实施例中，移动速度和移动方向用于描述移动通信设备的移动状况，可以理解的是，移动通信设备的移动状况对移动通信设备的网络状况是有影响的。例如，当移动通信设备快速移动时，有可能网络状况变化比较大，即网络状况可能不稳定。鉴于此，本实施例中还获取移动通信设备的移动速度和移动方向。

在此说明的是，本实施例对如何获取移动通信设备的第一位置、移动通信设备位于第一位置时的移动速度、移动方向、第一SINR和第一RSRP的具体实现方式不做限定。例如，可以通过传感器获得第一位置、移动通信设备位于第一位置时的移动速度、移动方向，通过网关获得第一SINR和第一RSRP。

S202，获取第二信息，所述第二信息指示N个基站中每个基站的位置与第一位置之间的距离，N为正整数。

可以理解的是，移动通信设备的网络状况通常还与该移动通信设备与基站之间的距离有关。示例性地，图3所示为本申请一个实施例提供的移动通信设备在移动过程中与基站之间关系的结构性示意图。如图3所示，移动通信设备103在位置1时，网络状况可能受基站1或者基站2的影响较大，而当移动通信设备移动到了位置2时，此时网络状况可能受基站4或者基站5的影响较大。还可以理解的是，不论移动通信设备移动到哪个位置，一般来说，在该位置附近的基站通常是多个，鉴于此，为了更全面的得到移动通信设备的网络状况，本实施获取的是N个基站分别对应的N个距离。例如，取N等于5。

S203，使用机器学习模型基于第一信息和第二信息获取移动通信设备在当前位置的第二SINR和第二RSRP，所述机器学习模型用于基于移动通信设备移动前的位置、移动通信设备在移动前的位置处的移动速度和移动方向、移动通信设备在移动前的位置处的SINR和RSRP以及至少一个基站中每个基站与移动通信设备在移动前的位置之间的距离来预测移动通信设备在移动后的位置处的SINR和RSRP。

例如，机器学模型包括以下任意一种：全连接神经网络模型、卷积神经网络模型、长短时记忆神经网络模型、支持向量机模型。其中，有关上述机器学习模型的详细描述可以参考相关技术中的描述，此处不再赘述。

本实施例中，机器学习模型可以认为是一个预测模型，该机器学习模型能够通过移动通信设备移动前的位置、移动通信设备在移动前的位置处的移动速度和移动方向、移动通信设备在移动前的位置处的SINR和RSRP以及至少一个基站中每个基站与移动通信设备在移动前的位置之间的距离来预测移动通信设备在移动后的位置处的SINR和RSRP。

本实施例中，第二SINR和第二RSRP可以用于描述移动通信设备在当前位置的网络状况。

以图3为例，当移动通信设备位于位置2时，为了获得移动通信设备在位置2处的网络状况，可以通过将该移动通信设备在位置1时的位置信息，位置1处的移动速度、第一SINR和第一RSRP和移动方向以及至少一个基站中每个基站与移动通信设备在移动前的位置之间的距离输入到机器学习模型中，然后获得第二SINR和第二RSRP。

需要理解的是，在使用本实施例中的机器学习模型进行预测时，应该提前训练好该机器学习模型，即，通过获取大量的数据来训练机器学习模型，以使得训练好的机器学习模型具有预测功能。其中，有关获取数据，以及对获取好的数据如何训练机器学习模型可以参考相关技术中的描述，此处不再赘述。

S204，获取映射关系中与第二SINR和第二RSRP映射的流媒体码率，得到移动通信设备在当前位置的目标流媒体码率。

本实施例中，由于移动通信设备中已经存储了SINR和RSRP与流媒体码率之间的映射关系，因此，当获取到了移动通信设备在当前位置的第二SINR和第二RSRP后，就可以基于存储的映射关系确定出移动通信设备在当前位置的目标流媒体码率。

仍以表1为例进行描述，在一种示例中，现假设获取到的第二SINR的值为8db，第二RSRP为-85dbm，此时，根据表1的映射关系就可以确定出移动通信设备在当前位置的目标流媒体码率应该为1024Kbps。

仍以表1为例进行描述，在另一种示例中，现假设获取到的第二SINR的值为8db，第二RSRP为-74dbm，此时，根据表1的映射关系就可以确定出第二SINR对应于1024Kbps，第二RSRP对应于4096Kbps。可以理解的是，对于流媒体业务，更重要的是保证流媒体文件的不卡顿，因此，在这种情况下，确定移动通信设备在当前位置的目标流媒体码率应该为1024Kbps。

S205，将移动通信设备的流媒体码流调整为目标流媒体码率。

本实施例中，当基于映射关系确定了目标流媒体码率后，若目标流媒体码率相比于之前的流媒体码率有变化，则将移动通信设备的流媒体码流调整为目标流媒体码率。

本实施例提供的流媒体码率的调整方法，可以使用机器学习模型基于移动通信设备在第一位置时的移动速度、移动方向、第一SINR和第一RSRP、以及N个基站中每个基站的位置与第一位置之间的距离，获得对应于移动通信设备当前位置的第二SINR和第二RSRP。其中，第二SINR和第二RSRP可以用于反映移动通信设备在当前位置时的网络状况。

作为一个可选的实施例，N个基站中每个基站的位置与第一位置之间的距离小于或等于预设距离。

可以理解的是，当移动通信设备在第一位置时，距离该第一位置越远的基站，几乎不会对移动通信设备的网络状况造成影响，因此，将这种类型的基站几乎不需要作为影响移动通信设备网络状况的因素。相反，当移动通信设备在第一位置时，距离该第一位置越近的基站，越可能对移动通信设备的网络状况造成影响，因此，本实施例中，将与第一位置之间的距离小于或等于预设距离的基站作为可能影响移动通信设备的网络状况的因素，即在获取N个基站中每个基站的位置与所述第一位置之间的距离时，N个基站中每个基站的位置与所述第一位置之间的距离小于或等于预设距离。

下面说明一种确定基站与第一位置之间距离的方法。

假设将移动通信设备的第一位置的经纬度表示为(LonA，LatA)，将在第一位置附近的某一基站B的经纬度为(LonB，LatB)，按照0度经线的基准，东经取经度的正值，西经取经度负值，北纬取90减去纬度值，南纬取90加上纬度值，则经过上述处理过后，假设第一位置用(MLonA，MLatA)表示，基站B的位置用(MLonB，MLatB)表示。那么第一位置与基站B的位置之间的距离可以用如下公式表示：

Distance(A，B)＝R*Arccos(C)*Pi/180

C＝sin(MLatA)*sin(MLatB)*cos(MLonA-MLonB)+cos(MLatA)*cos(MLatB)

其中R是地球半径，取6371.004千米，Distance(A，B)表示第一位置与基站B之间的距离，单位与地球半径的单位相同。

更进一步地，N个基站可以为与第一位置之间的距离小于或等于预设距离的所有基站中距离第一位置最近的N个基站。

在一种可实现方式中，可以基于上述公式分别计算出移动通信设备在第一位置某个地理范围内的所有基站与第一位置之间的距离，然后按递增顺序排列后取前N个基站。示例性地，N等于5。

更具体地，本实施例中，当N个基站为与第一位置之间的距离小于或等于预设距离的所有基站中距离第一位置最近的N个基站时，使用机器学习模型基于第一信息和第二信息获取移动通信设备在当前位置的第二SINR和第二RSRP时，第二信息为该最近的N个基站分别与第一位置之间的距离。示例性地，以机器学习模型为神经网络模型，N等于5为例，此时，如图4所示，第二信息就包括最近点距离、第二近点距离，第三近点距离，第四近点距离和第五近点距离。

作为一个可选的实施例，所述方法还包括：接收第三信息，第三信息包括移动通信设备中存储信号与干扰加噪声比SINR和参考信号接收功率RSRP与流媒体码率之间的映射关系。

图5为本申请一个实施例提供的一种流媒体码率的调整装置，应用于移动通信设备，所述移动通信设备中存储信号与干扰加噪声比SINR和参考信号接收功率RSRP与流媒体码率之间的映射关系，所述装置500包括：获取模块501、预测模块502、确定模块503和调整模块504。

获取模块501，用于获取第一信息，所述第一信息包括移动通信设备的第一位置、移动通信设备位于第一位置时的移动速度、移动方向、第一SINR和第一RSRP；获取模块501还用于获取第二信息，所述第二信息指示N个基站中每个基站的位置与第一位置之间的距离，N为正整数；预测模块502，用于使用机器学习模型基于所述第一信息和所述第二信息获取所述移动通信设备在当前位置的第二SINR和第二RSRP，所述机器学习模型用于基于移动通信设备移动前的位置、移动通信设备在所述移动前的位置处的移动速度和移动方向、移动通信设备在所述移动前的位置处的SINR和RSRP以及至少一个基站中每个基站与移动通信设备在所述移动前的位置之间的距离来预测移动通信设备在移动后的位置处的SINR和RSRP；确定模块503，用于获取映射关系中与第二SINR和第二RSRP映射的流媒体码率，得到移动通信设备在所述当前位置的目标流媒体码率；调整模块504，用于将所述移动通信设备的流媒体码流调整为所述目标流媒体码率。

在一种可能的实现方式中，N个基站中每个基站的位置与第一位置之间的距离小于或等于预设距离。

在一种可能的实现方式中，N个基站为与第一位置之间的距离小于或等于预设距离的所有基站中距离第一位置最近的N个基站。

在一种可能的实现方式中，所述装置500还包括：接收模块505，用于接收第三信息，所述第三信息包括所述信号与干扰加噪声比SINR和参考信号接收功率RSRP与流媒体码率之间的映射关系。

在一种可能的实现方式中，所述机器学模型包括以下任意一种：全连接神经网络模型、卷积神经网络模型、长短时记忆神经网络模型、支持向量机模型。

图6为本申请另一个实施例提供的流媒体码率的调整装置的结构性示意图。图6所示的装置可以用于执行前述任意一个实施例所述的方法。

如图6所示，本实施例的装置600包括：存储器601、处理器602、通信接口603以及总线604。其中，存储器601、处理器602、通信接口603通过总线604实现彼此之间的通信连接。

存储器601可以是只读存储器(read only memory，ROM)，静态存储设备，动态存储设备或者随机存取存储器(random access memory，RAM)。存储器601可以存储程序，当存储器601中存储的程序被处理器602执行时，处理器602用于执行图2所示的方法的各个步骤。

处理器602可以采用通用的中央处理器(central processing unit，CPU)，微处理器，应用专用集成电路(application specific integrated circuit，ASIC)，或者一个或多个集成电路，用于执行相关程序，以实现本申请图2所示的方法。

处理器602还可以是一种集成电路芯片，具有信号的处理能力。在实现过程中，本申请实施例图2的方法的各个步骤可以通过处理器602中的硬件的集成逻辑电路或者软件形式的指令完成。

上述处理器602还可以是通用处理器、数字信号处理器(digital signalprocessing，DSP)、专用集成电路(ASIC)、现成可编程门阵列(field programmable gatearray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器601，处理器602读取存储器601中的信息，结合其硬件完成本申请装置包括的单元所需执行的功能，例如，可以执行图2所示实施例的各个步骤/功能。

通信接口603可以使用但不限于收发器一类的收发装置，来实现装置600与其他设备或通信网络之间的通信。

总线604可以包括在装置600各个部件(例如，存储器601、处理器602、通信接口603)之间传送信息的通路。

应理解，本申请实施例所示的装置600可以是电子设备，或者，也可以是配置于电子设备中的芯片。

上述实施例，可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时，上述实施例可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令或计算机程序。在计算机上加载或执行所述计算机指令或计算机程序时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以为通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集合的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质。半导体介质可以是固态硬盘。

应理解，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况，其中A,B可以是单数或者复数。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系，但也可能表示的是一种“和/或”的关系，具体可参考前后文进行理解。

本申请中，“至少一个”是指一个或者多个，“多个”是指两个或两个以上。“以下至少一项(个)”或其类似表达，是指的这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a,b,或c中的至少一项(个)，可以表示：a,b,c,a-b,a-c,b-c,或a-b-c，其中a,b,c可以是单个，也可以是多个。

应理解，在本申请的各种实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的***、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本申请所提供的几个实施例中，应该理解到，所揭露的***、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。

所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器、随机存取存储器、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。

Claims (8)

1.一种流媒体码率的调整方法，其特征在于，应用于移动通信设备，所述移动通信设备中存储信号与干扰加噪声比SINR和参考信号接收功率RSRP与流媒体码率之间的映射关系，所述方法包括：

获取第一信息，所述第一信息包括所述移动通信设备的第一位置、所述移动通信设备位于所述第一位置时的移动速度、移动方向、第一SINR和第一RSRP；

获取第二信息，所述第二信息指示N个基站中每个基站的位置与所述第一位置之间的距离，N为正整数；所述N个基站为与所述第一位置之间的距离小于或等于预设距离的所有基站中距离所述第一位置最近的N个基站；

使用机器学习模型基于所述第一信息和所述第二信息获取所述移动通信设备在当前位置的第二SINR和第二RSRP，所述机器学习模型用于基于移动通信设备移动前的位置、移动通信设备在所述移动前的位置处的移动速度和移动方向、移动通信设备在所述移动前的位置处的SINR和RSRP以及至少一个基站中每个基站与移动通信设备在所述移动前的位置之间的距离来预测移动通信设备在移动后的位置处的SINR和RSRP；

获取所述映射关系中与所述第二SINR和第二RSRP映射的流媒体码率，得到所述移动通信设备在所述当前位置的目标流媒体码率；

将所述移动通信设备的流媒体码流调整为所述目标流媒体码率。

2.根据权利要求1所述的方法，其特征在于，所述方法还包括：

接收第三信息，所述第三信息包括所述信号与干扰加噪声比SINR和参考信号接收功率RSRP与流媒体码率之间的映射关系。

3.根据权利要求1至2中任一项所述的方法，其特征在于，所述机器学模型包括以下任意一种：全连接神经网络模型、卷积神经网络模型、长短时记忆神经网络模型、支持向量机模型。

4.一种流媒体码率的调整装置，其特征在于，应用于移动通信设备，所述移动通信设备中存储信号与干扰加噪声比SINR和参考信号接收功率RSRP与流媒体码率之间的映射关系，所述装置包括：

获取模块，用于获取第一信息，所述第一信息包括所述移动通信设备的第一位置、所述移动通信设备位于所述第一位置时的移动速度、移动方向、第一SINR和第一RSRP；

所述获取模块还用于获取第二信息，所述第二信息指示N个基站中每个基站的位置与所述第一位置之间的距离，N为正整数；所述N个基站为与所述第一位置之间的距离小于或等于预设距离的所有基站中距离所述第一位置最近的N个基站；

预测模块，用于使用机器学习模型基于所述第一信息和所述第二信息获取所述移动通信设备在当前位置的第二SINR和第二RSRP，所述机器学习模型用于基于移动通信设备移动前的位置、移动通信设备在所述移动前的位置处的移动速度和移动方向、移动通信设备在所述移动前的位置处的SINR和RSRP以及至少一个基站中每个基站与移动通信设备在所述移动前的位置之间的距离来预测移动通信设备在移动后的位置处的SINR和RSRP；

确定模块，用于获取所述映射关系中与所述第二SINR和第二RSRP映射的流媒体码率，得到所述移动通信设备在所述当前位置的目标流媒体码率；

调整模块，用于将所述移动通信设备的流媒体码流调整为所述目标流媒体码率。

5.根据权利要求4所述的装置，其特征在于，所述装置还包括：

接收模块，用于接收第三信息，所述第三信息包括所述信号与干扰加噪声比SINR和参考信号接收功率RSRP与流媒体码率之间的映射关系。

6.根据权利要求4至5中任一项所述的装置，其特征在于，所述机器学模型包括以下任意一种：全连接神经网络模型、卷积神经网络模型、长短时记忆神经网络模型、支持向量机模型。

7.一种流媒体码率的调整装置，其特征在于，包括：存储器、处理器和收发器；

所述存储器用于存储程序指令；

所述处理器用于调用所述存储器中的程序指令执行如权利要求1至3任一项所述的方法。

8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储用于计算机执行的程序代码，该程序代码包括用于执行如权利要求1至3中任一项所述的方法的指令。