CN116418432A - 模型更新方法及通信设备 - Google Patents
模型更新方法及通信设备 Download PDFInfo
- Publication number
- CN116418432A CN116418432A CN202111652530.0A CN202111652530A CN116418432A CN 116418432 A CN116418432 A CN 116418432A CN 202111652530 A CN202111652530 A CN 202111652530A CN 116418432 A CN116418432 A CN 116418432A
- Authority
- CN
- China
- Prior art keywords
- model
- communication device
- information
- prediction
- update
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000004891 communication Methods 0.000 title claims abstract description 452
- 238000000034 method Methods 0.000 title claims abstract description 133
- 238000004364 calculation method Methods 0.000 claims abstract description 41
- 230000006870 function Effects 0.000 claims description 67
- 238000012549 training Methods 0.000 claims description 37
- 238000005457 optimization Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 11
- 230000007613 environmental effect Effects 0.000 claims description 6
- 230000004927 fusion Effects 0.000 claims description 5
- 230000008569 process Effects 0.000 description 20
- 238000013528 artificial neural network Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 10
- 230000000694 effects Effects 0.000 description 10
- 238000004422 calculation algorithm Methods 0.000 description 8
- 238000007726 management method Methods 0.000 description 8
- 230000033001 locomotion Effects 0.000 description 6
- 238000004590 computer program Methods 0.000 description 5
- 230000013016 learning Effects 0.000 description 5
- 238000005259 measurement Methods 0.000 description 5
- 230000003044 adaptive effect Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 210000004027 cell Anatomy 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000003190 augmentative effect Effects 0.000 description 2
- 238000013523 data management Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000012517 data analytics Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
- 210000000707 wrist Anatomy 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/391—Modelling the propagation channel
- H04B17/3913—Predictive models, e.g. based on neural network models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/391—Modelling the propagation channel
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/08—Testing, supervising or monitoring using real traffic
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Electromagnetism (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本申请公开了一种模型更新方法及通信设备,属于通信技术领域,本申请实施例的模型更新方法包括:第一通信设备获取模型更新信息;第一通信设备根据模型更新信息,更新第一通信设备使用的时间序列预测模型,时间序列预测模型用于预测任务的执行;其中,模型更新信息包括以下至少一项:核函数的更新信息;模型超参数的更新信息;预测模式的更新信息;计算模式的更新信息。
Description
技术领域
本申请属于通信技术领域,具体涉及一种模型更新方法及通信设备。
背景技术
随着通信场景的移动性增强,例如非地面网络(non-terrestrial network,NTN)、高铁等多种高移动性场景,通信设备周围散射环境的快速变化,从而使得无线信道的相干时间被严重缩短,也就是说通信设备对无线信道的探测结果会迅速失效,所以必须进行更频繁的无线信道探测,以维持良好的通信性能。
时间序列预测是一种通信设备基于对过去一段时间通信测量量的观察,预测未来的通信测量量的方法,因此在预测无线通信网络中时间序列相关的关键参数中时间序列预测模型得到广泛应用。常见的时间序列预测模型包括高斯过程(Gaussian process,GP),高斯过程以较低模型存储、计算以及参数交互开销,实现良好的预测性能。
然而,在某些场景中(比如预测任务和/或预测需求发生变化),为保证时间序列预测模型的预测性能,时间序列预测模型的模型参数可能需要进行更新,从而如何更新时间序列预测模型的模型参数成为一个亟待解决的问题。
发明内容
本申请实施例提供一种模型更新方法及通信设备,能够解决如何更新时间序列预测模型的模型参数的问题。
第一方面,提供了一种模型更新方法,该方法包括:第一通信设备获取模型更新信息;第一通信设备根据模型更新信息,更新第一通信设备使用的时间序列预测模型,时间序列预测模型用于预测任务的执行;其中,模型更新信息包括以下至少一项:核函数的更新信息;模型超参数的更新信息;预测模式的更新信息;计算模式的更新信息。
第二方面,提供了一种模型更新方法,该方法包括:第二通信设备向第一通信设备发送模型更新信息,模型更新信息用于更新第一通信设备使用的时间序列预测模型,时间序列预测模型用于预测任务的执行;其中,模型更新信息包括以下至少一项:核函数的更新信息;模型超参数的更新信息;预测模式的更新信息;计算模式的更新信息。
第三方面,提供了一种模型更新装置,模型更新装置包括获取模块和更新模块;获取模块,用于获取模型更新信息;更新模块,用于根据模型更新信息,更新第一通信设备使用的时间序列预测模型,时间序列预测模型用于预测任务的执行;其中,模型更新信息包括以下至少一项:核函数的更新信息;模型超参数的更新信息;预测模式的更新信息;计算模式的更新信息。
第四方面,提供了一种模型更新装置,该模型更新装置包括发送模块;发送模块,用于向第一通信设备发送模型更新信息,模型更新信息用于更新第一通信设备使用的时间序列预测模型,时间序列预测模型用于预测任务的执行;其中,模型更新信息包括以下至少一项:核函数的更新信息;模型超参数的更新信息;预测模式的更新信息;计算模式的更新信息。
第五方面,提供了一种通信设备,该终端包括处理器和存储器,存储器存储可在处理器上运行的程序或指令,该程序或指令被处理器执行时实现如第一方面或第二方面的方法的步骤。
第六方面,提供了一种通信设备,包括处理器及通信接口,其中,在通信设备为第一通信设备的情况下,通信接口用于获取模型更新信息;处理器根据模型更新信息,更新第一通信设备使用的时间序列预测模型;或者,在通信设备为第二通信设备的情况下,通信接口用于向第一通信设备发送模型更新信息,模型更新信息用于更新第一通信设备使用的时间序列预测模型,时间序列预测模型用于预测任务的执行,模型更新信息包括以下至少一项:核函数的更新信息;模型超参数的更新信息;预测模式的更新信息;计算模式的更新信息。
第七方面,提供了一种通信***,包括:终端及网络侧设备,终端用于执行如第一方面的模型更新方法的步骤,网络侧设备可用于执行如第二方面的模型更新方法的步骤;或者网络侧设备用于执行如第一方面的模型更新方法的步骤,终端可用于执行如第二方面的模型更新方法的步骤。
第八方面,提供了一种可读存储介质,所述可读存储介质上存储程序或指令,所述程序或指令被处理器执行时实现如第一方面所述的模型更新方法的步骤,或者实现如第二方面所述的模型更新方法的步骤。
第九方面,提供了一种芯片,所述芯片包括处理器和通信接口,所述通信接口和所述处理器耦合,所述处理器用于运行程序或指令,实现如第一方面所述的模型更新方法,或实现如第二方面所述的模型更新方法。
第十方面,提供了一种计算机程序/程序产品,所述计算机程序/程序产品被存储在存储介质中,所述计算机程序/程序产品被至少一个处理器执行以实现如第一方面或第二方面所述的模型更新方法的步骤。
在本申请实施例中,第一通信设备获取模型更新信息;第一通信设备根据模型更新信息,更新第一通信设备使用的时间序列预测模型,时间序列预测模型用于预测任务的执行;其中,模型更新信息包括以下至少一项:核函数的更新信息;模型超参数的更新信息;预测模式的更新信息;计算模式的更新信息。通过该方案,由于核函数、模型超参数、预测模式和计算模式均为时间序列预测模型的参数信息,因此在第一通信设备获取到模型更新信息之后,第一通信设备可以根据该模型更新信息,更新第一通信设备使用的时间序列预测模型,从而使得时间序列预测模型能够更加准确地执行预测任务,进而使得第一通信设备获得良好的通信性能。
附图说明
图1是本申请实施例提供的一种无线通信***的示意图;
图2是本申请实施例提供的一种神经网络的示意图;
图3是本申请实施例提供的一种神经元的示意图;
图4是本申请实施例提供的一种不同训练窗尺寸的归一化均方误差随预测时间单位的变化示意图;
图5是本申请实施例提供的一种终端的运动速度的smooth-turn运动轨迹示意图;
图6是本申请实施例提供的一种不同采样间隔预测的平均误差的示意图;
图7是本申请实施例提供的一种模型更新方法的流程示意图;
图8是本申请实施例提供的一种模型更新装置的结构示意图;
图9是本申请实施例提供的另一种模型更新装置的结构示意图;
图10是本申请实施例提供的通信设备的结构示意图;
图11是本申请实施例提供的通信设备的硬件示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员所获得的所有其他实施例,都属于本申请保护的范围。
本申请的说明书和权利要求书中的术语“第一”、“第二”等是用于区别类似的对象,而不用于描述特定的顺序或先后次序。应该理解这样使用的术语在适当情况下可以互换,以便本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施,且“第一”、“第二”所区别的对象通常为一类,并不限定对象的个数,例如第一对象可以是一个,也可以是多个。此外,说明书以及权利要求中“和/或”表示所连接对象的至少其中之一,字符“/”一般表示前后关联对象是一种“或”的关系。
值得指出的是,本申请实施例所描述的技术不限于长期演进型(Long TermEvolution,LTE)/LTE的演进(LTE-Advanced,LTE-A)***,还可用于其他无线通信***,诸如码分多址(Code Division Multiple Access,CDMA)、时分多址(Time DivisionMultiple Access,TDMA)、频分多址(Frequency Division Multiple Access,FDMA)、正交频分多址(Orthogonal Frequency Division Multiple Access,OFDMA)、单载波频分多址(Single-carrier Frequency Division Multiple Access,SC-FDMA)和其他***。本申请实施例中的术语“***”和“网络”常被可互换地使用,所描述的技术既可用于以上提及的***和无线电技术,也可用于其他***和无线电技术。以下描述出于示例目的描述了新空口(New Radio,NR)***,并且在以下大部分描述中使用NR术语,但是这些技术也可应用于NR***应用以外的应用,如第6代(6-th Generation,6G)通信***。
图1示出本申请实施例可应用的一种无线通信***的框图。无线通信***包括终端11和网络侧设备12。其中,终端11可以是手机、平板电脑(Tablet Personal Computer)、膝上型电脑(Laptop Computer)或称为笔记本电脑、个人数字助理(Personal DigitalAssistant,PDA)、掌上电脑、上网本、超级移动个人计算机(ultra-mobile personalcomputer,UMPC)、移动上网装置(Mobile Internet Device,MID)、增强现实(augmentedreality,AR)/虚拟现实(virtual reality,VR)设备、机器人、可穿戴式设备(WearableDevice)、车载设备(VUE)、行人终端(PUE)、智能家居(具有无线通信功能的家居设备,如冰箱、电视、洗衣机或者家具等)、游戏机、个人计算机(personal computer,PC)、柜员机或者自助机等终端侧设备,可穿戴式设备包括:智能手表、智能手环、智能耳机、智能眼镜、智能首饰(智能手镯、智能手链、智能戒指、智能项链、智能脚镯、智能脚链等)、智能腕带、智能服装等。需要说明的是,在本申请实施例并不限定终端11的具体类型。网络侧设备12可以包括接入网设备或核心网设备,其中,接入网设备12也可以称为无线接入网设备、无线接入网(Radio Access Network,RAN)、无线接入网功能或无线接入网单元。接入网设备12可以包括基站、WLAN接入点或WiFi节点等,基站可被称为节点B、演进节点B(eNB)、接入点、基收发机站(Base Transceiver Station,BTS)、无线电基站、无线电收发机、基本服务集(BasicService Set,BSS)、扩展服务集(Extended Service Set,ESS)、家用B节点、家用演进型B节点、发送接收点(Transmitting Receiving Point,TRP)或所述领域中其他某个合适的术语,只要达到相同的技术效果,所述基站不限于特定技术词汇,需要说明的是,在本申请实施例中仅以NR***中的基站为例进行介绍,并不限定基站的具体类型。核心网设备可以包含但不限于如下至少一项:核心网节点、核心网功能、移动管理实体(Mobility ManagementEntity,MME)、接入移动管理功能(Access and Mobility Management Function,AMF)、会话管理功能(Session Management Function,SMF)、用户平面功能(User Plane Function,UPF)、策略控制功能(Policy Control Function,PCF)、策略与计费规则功能单元(Policyand Charging Rules Function,PCRF)、边缘应用服务发现功能(Edge ApplicationServer Discovery Function,EASDF)、统一数据管理(Unified Data Management,UDM),统一数据仓储(Unified Data Repository,UDR)、归属用户服务器(Home SubscriberServer,HSS)、集中式网络配置(Centralized network configuration,CNC)、网络存储功能(Network Repository Function,NRF),网络开放功能(Network Exposure Function,NEF)、本地NEF(Local NEF,或L-NEF)、绑定支持功能(Binding Support Function,BSF)、应用功能(Application Function,AF)等。需要说明的是,在本申请实施例中仅以NR***中的核心网设备为例进行介绍,并不限定核心网设备的具体类型。
由于移动设备和移动流量的***式增长以及海量应用场景的出现,未来的无线通信网络具有高速率、低时延以及移动性增强等多种指标需求。特别是对于移动性增强,像NTN、高铁等多种高移动性场景,由于周围散射环境的快速变化,无线信道的相干时间被严重缩短,使得通信设备(例如无线通信设备,比如终端、基站等)对无线信道的探测结果迅速失效,从而通信设备必须通过更加频繁的无线信道探测,维持良好的通信性能,这对网络的负载和能耗带来巨大的挑战。时间序列预测是一种通信设备基于对过去一段时间通信测量量的观察,预测未来的通信测量量的方法,本质上是基于历史测量量的数据,挖掘未来与历史之间的时间相关性。
目前,人工智能(artificial intelligence,AI)在各个领域得到了广泛的应用,将人工智能融入无线通信网络,显著提升吞吐量、时延以及用户容量等技术指标是未来的无线通信网络的重要任务。AI模块有多种实现方式,例如神经网络、决策树、支持向量机、贝叶斯分类器等。本申请以神经网络为例进行说明,但是并不限定AI模块的具体类型。如图2所示,为一个神经网络的示意图。其中,神经网络由神经元组成,神经元的示意图如图3所示。其中a1,a2,…,aK为输入量,w为权值(乘性系数),b为偏置(加性系数),σ(.)为激活函数。常见的激活函数可以包括Sigmoid、tanh、线性整流函数(rectified linear unit,ReLU,也可以称为修正线性单元)等等。
神经网络的参数可以通过梯度优化算法进行优化。梯度优化算法是一类最小化或者最大化目标函数(也可以称为损失函数)的算法,而损失函数往往是模型参数和数据的数学组合。例如给定数据x和其对应的标签Y,在构建一个神经网络模型f()之后,根据输入x,可以得到预测输出f(x),并且可以计算出预测值和真实值之间的差距(f(x)-Y),即损失函数。在构建模型时,需要确定合适的W和b,使损失函数的值达到最小。损失函数的值越小,则模型越接近于真实情况,即模型的准确度越高。
优化算法大多是基于误差反向传播(error back propagation,BP)算法。BP算法的基本思想是:学习过程由信号的正向传播与误差的反向传播两个过程组成。正向传播时,输入样本从输入层传入,经各隐层逐层处理后,传向输出层。若输出层的实际输出与期望的输出不符,则转入误差的反向传播阶段。误差反向传播是将输出误差以某种形式通过隐层向输入层逐层反传,并将误差分摊给各层的所有单元,从而获得各层单元的误差信号,此误差信号即作为修正各单元权值的依据。这种信号正向传播与误差反向传播的各层权值调整过程,是周而复始地进行的。权值不断调整的过程,也就是神经网络的学习训练过程。此过程一直进行到网络输出的误差减少到可接受的程度,或进行到预先设定的学习次数为止。
示例性地,优化算法可以包括梯度下降(gradient descent)、随机梯度下降(stochastic gradient descent,SGD)、小批量梯度下降(mini-batch gradientdescent)、动量法(momentum)、带动量的随机梯度下降(Nesterov)、自适应梯度下降(ADAptive GRADient descent,Adagrad)、Adadelta、均方根误差降速(root mean squareprop,RMSprop)、自适应动量估计(adaptive moment estimation,Adam)等。这些优化算法在误差反向传播时,都是根据损失函数得到的误差/损失,对当前神经元求导数/偏导,加上学习速率、之前的梯度/导数/偏导等影响,得到梯度,将梯度传给上一层。
GP是常用的一种时间序列预测模型。GP是基于统计学习理论和贝叶斯理论发展起来的一种机器学习方法,适用于处理高维度、小样本和非线性的复杂回归和分类问题,具有较强的泛化能力。与神经网络等方法相比,GP具有容易实现、小样本训练、超参数自适应获取、灵活非参数推断、可解释以及概率意义的输出等优点,具有解决未来无线通信***复杂时间序列预测问题的潜力。
仿真结果表明,对于CSI、位置等时间相关性较强的变量,GP具有良好的预测效果。对于CSI预测,图4示出了30km/h的运动速度下,不同训练窗尺寸的归一化均方误差(normalized mean squared error,NMSE)随预测时间单位的变化,即使在训练窗尺寸只有4个时间单位的情况下,对起初2个时间单位的CSI预测仍取得了比较可靠的结果,预测精度随着时间推移逐渐降低。对于位置预测,在图5所示的15km/h的终端运动速度的smooth-turn运动轨迹下,图6示出了位置采样间隔为10个时间单位、基于历史20个时间单位(如第0,10,20,30,…,190时间单位)的位置预测未来5个时间单位(如第200,210,220,230,240时间单位)的位置,预测的平均位置误差随位置估计误差的变化(历史20个时间单位的位置通过位置参考信号PRS估计得到),即使历史位置信息的估计误差为3m的情况下,预测误差仍小于0.5m。
下面结合附图,通过一些实施例及其应用场景对本申请实施例提供的模型更新方法进行详细地说明。
如图7所示,本申请实施例提供一种模型更新方法,该模型更新方法可以应用于如图1所示的无线通信***,该方法可以包括下述的步骤201和步骤202。
步骤201、第一通信设备获取模型更新信息。
步骤202、第一通信设备根据模型更新信息,更新第一通信设备使用的时间序列预测模型。
其中,上述时间序列预测模型可以用于预测任务的执行,上述模型更新信息可以包括以下至少一项:
核函数的更新信息;
模型超参数的更新信息;
预测模式的更新信息;
计算模式的更新信息。
需要说明的是,本申请实施例中,上述模型更新信息还可以包括其它任意可能的更新信息,具体可以根据实际使用需求确定,本申请实施例不作限定。
本申请实施例中,在第一通信设备获取模型更新信息(例如核函数的更新信息、模型超参数的更新信息、预测模式的更新信息或计算模式的更新信息中的至少一项)之后,第一通信设备可以根据该模型更新信息,更新第一通信设备使用的时间序列预测模型,从而使得时间序列预测模型更加准确地执行预测任务。如此,可以使得第一通信设备获得良好的通信性能。
可选地,本申请实施例中,上述预测模式可以包括预测任务的时间窗的结构,该时间窗的结构可以包括以下至少一项:
时间序列预测模型的训练窗的时间单位的长度;
时间序列预测模型的预测窗的时间单位的长度;
时间序列预测模型的训练窗的相邻时间单位的间隔;
时间序列预测模型的预测窗的相邻时间单位的间隔。
可选地,本申请实施例中,上述预测任务可以包括预测位置和预测信道(例如信道的信道状态信息(channel state information,CSI)的预测)中的至少一项。
当然,实际实现时,本申请实施例涉及的预测任务还可以包括其它任意可能的任务,具体可以根据实际使用需求确定,本申请实施例不作限定。
可选地,本申请实施例中,时间单位可以包括但不限于:参考信号周期、预测周期、时隙、半时隙、符号(例如正交频分复用(orthogonal frequency division multiplex,OFDM)符号)、子帧、无线帧、毫秒、秒,具体可以根据实际使用需求确定。
本申请实施例中,上述时间序列预测模型的训练窗的时间单位的长度是指:一个训练窗内包含的连续的时间单位的数量。相应的,上述时间序列预测模型的预测窗的时间单位的长度是指:一个预测窗内包含的连续的时间单位的数量。其中,每个时间单位上均有一条数据输入或输出,即一个时间单位对应一条数据。
示例性地,假设上述预测任务为CSI的预测,即根据过去N个时间单位的CSI预测未来M个时间单位的CSI,则时间序列预测模型的训练窗的时间单位的长度为N个时间单位,时间序列预测模型的预测窗的时间单位的长度为M。另外,时间序列预测模型的训练窗相邻时间单位间隔为2,时间序列预测模型预测窗的相邻时间单位间隔为2,那么可以根据0,2,……,2N时间单位的CSI,预测2N+2,2N+4,……,2N+2M时间单位的CSI。
可选地,本申请实施例中,模型更新信息还可以包括以下至少一项:
待更新预测任务(也可以称为目标任务)的标识;
待更新模型(也可以称为目标模型,例如本申请实施例中的时间序列预测模型)的标识;
待更新模型更新的时间戳信息。
需要说明的是,本申请实施例中,第一通信设备可以为终端,也可以为网络侧设备,具体可以根据实际使用需求确定,本申请实施例不作限定。
可选地,本申请实施例提及的网络侧设备可以为:
a)核心网节点,包括网络数据分析功能(network data analytics function,NWDAF)、位置管理功能(location management function,LMF),或神经网络处理节点;
b)接入网节点,包括基站或新定义的神经网络处理节点;
c)以上多个节点的组合。
在一些实施例中,第一通信设备可以根据预测任务和/或预测需求等信息,直接确定模型更新信息。
在另一些实施例中,第一通信设备可以从第二通信设备接收模型更新信息。
对于上述另一些实施例,上述步骤202具体可以通过下述的步骤203和步骤202a实现。
步骤203、第二通信设备向第一通信设备发送模型更新信息。
步骤202a、第一通信设备从第二通信设备接收模型更新信息。
可选地,本申请实施例中,上述第二通信设备可以为网络侧设备,也可以为终端。示例性地,在上述第一通信设备为终端的情况下,第二通信设备可以为网络侧设备;在第一通信设备为网络侧设备的情况下,第二通信设备可以为终端。具体可以根据实际使用需求确定,本申请实施例不作限定。
可选地,本申请实施例中,第一通信设备可以存储有与第二通信设备相同的预测模型列表,该预测模型列表可以包括预测模式的标识。如此,在上述模型更新信息包括预测模式的更新信息的情况下,第一通信设备可以从该预测模型列表中确定该预测模式的更新信息指示的预测模式。
相应的,第二通信设备可以存储有与第一通信设备相同的预测模型列表,该预测模型列表可以包括预测模式的标识,从而使得第二通信设备可以根据该模型预测列表为第一通信设备配置合适的预测模式。
本申请实施例中,第二通信设备可以周期性地向第一通信设备发送上述模型更新信息,也可以非周期性地向第一通信设备发送模型更新信息。可以理解,第一通信设备可以周期性地更新时间序列预测模型,也可以非周期性地更新时间序列预测模型。
可选地,本申请实施例中,基于第二通信设备周期性地向第一通信设备发送模型更新信息,上述步骤203具体可以通过下述的步骤203a实现。
步骤203a、第二通信设备根据第四信息,向第一通信设备发送模型更新信息。
其中,上述第四信息可以包括以下至少一项:
时间序列预测模型的预测误差;
时间序列预测模型的模型预测误差的统计信息;
第一通信设备的移动性信息;
时间序列预测模型的预测结果的统计信息;
时间序列预测模型的预测任务的更新信息;
时间序列预测模型的预测性能需求的更新信息;
环境感知信息。
可以理解,本申请实施例中,当第一通信设备使用的时间序列预测模型的预测任务和/或预测性能需求更新时,第二通信设备可以向第一通信设备发送模型更新信息。
可选地,本申请实施例中,上述第一通信设备的移动性信息可以包括第一通信设备的移动速度、第一通信设备的波束切换信息、第一通信设备的小区切换信息中的至少一项。
示例性地,当第一通信设备的移动速度大于第一预设阈值时,第二通信设备可以向第一通信设备发送模型更新信息;和/或,当第一通信设备的波束切换频率大于第二预设阈值时,第二通信设备可以向第一通信设备发送模型更新信息;和/或,当第一通信设备完成小区切换时,第二通信设备可以向第一通信设备发送模型更新信息。
可选地,本申请实施例中,上述预测任务可以包括预测位置和预测信道中的至少一项。
可选地,本申请实施例中,上述时间序列预测模型的预测结果的统计信息可以包括预测结果的均值和/或预测结果的方差。
示例性地,假设上述预测任务为预测位置,预测结果的统计信息为预测到的位置的方差,那么在第一通信设备预测到的位置的方差大于第三预设阈值的情况下,第二通信设备可以向第一通信设备发送模型更新信息。
可选地,本申请实施例中,上述预测性能需求可以包括预测精度和计算时延中的至少一项。上述预测任务可以包括预测位置和预测信道中的至少一项。
当然,实际实现时,本申请实施例涉及的预测性能需求和预测任务还可以包括其它任意可能的性能需求和任务,具体可以根据实际使用需求确定,本申请实施例不作限定。
可选地,本申请实施例中,上述环境感知信息可以包括但不限于:视距(line ofsight,OS)环境、非视距(non-line of sight,NLOS)环境,密集城区环境、乡村环境,具体可以根据实际使用需求确定。
可选地,本申请实施例中,第一通信设备可以向第二通信设备发送模型更新请求,从而获取模型更新信息。基于此,在上述步骤203之前,本申请实施例提供的模型更新方法还可以包括下述的步骤204和步骤205。
步骤204、第一通信设备向第二通信设备发送模型更新请求信息。
步骤205、第二通信设备从第一通信设备接收模型更新请求信息。
其中,上述模型更新请求信息可以用于请求获取第一更新信息;上述模型更新信息可以包括以下至少一项:
第一更新信息;
除第一更新信息之外的第二更新信息。
可以理解,在第二通信设备接收到上述模型更新请求信息之后,第二通信设备可以根据该模型更新请求信息,向第一通信设备发送模型更新请求信息请求获取的第一更新信息,和/或,向第一通信设备发送除第一更新信息之外的第二更新信息。
示例性地,假设模型更新请求信息指示的第一更新信息为模型超参数的更新信息,那么第二通信设备可以向第一通信设备发送模型超参数的更新信息,即上述模型更新信息包括第一更新信息;和/或,第二通信设备向第一通信设备发送核函数的更新信息、预测模式的更新信息、计算模式的更新信息中的至少一项更新信息,即上述模型更新信息包括除第一更新信息之外的第二更新信息。
可选地,本申请实施例中,上述模型更新请求信息还可以指示触发时间序列预测模型更新的条件或事件。
可选地,本申请实施例中,第一通信设备可以周期性或非周期性地向第二通信设备发送模型更新请求,从而获取模型更新信息。
在一些实施例中,上述步骤204具体可以通过下述的步骤204a实现。
步骤204a、第一通信设备根据第一信息,向第二通信设备发送模型更新请求信息。
其中,上述第一信息可以包括以下至少一项:
时间序列预测模型的预测误差;
时间序列预测模型的模型预测误差的统计信息;
第一通信设备的移动性信息;
时间序列预测模型的预测结果的统计信息;
环境感知信息。
需要说明的是,本申请实施例中,对于第一通信设备的移动性信息、预测任务、预测结果的统计信息,以及环境感知信息的解释说明,具体可以参见上述实施例中的详细描述。为避免重复,此处不再赘述。
示例性地,当第一通信设备的移动速度大于第一预设阈值时,第一通信设备可以向第二通信设备发送模型更新请求信息;和/或,当第一通信设备的波束切换频率大于第二预设阈值时,第一通信设备可以向第二通信设备发送模型更新请求信息;和/或,当第一通信设备完成小区切换时,第一通信设备可以向第二通信设备发送模型更新请求信息。
示例性地,假设上述预测任务为预测位置,预测结果的统计信息为预测到的位置的方差,那么在第一通信设备预测到的位置的方差大于第三预设阈值的情况下,第一通信设备可以向第二通信设备发送模型更新请求信息。
可以理解,对于上述步骤204a,为条件触发时间序列预测模型的更新。
在另一些实施例中,上述步骤204具体可以通过下述的步骤204b实现。
步骤204b、在满足第一条件的情况下,第一通信设备向第二通信设备发送模型更新请求信息。
其中,上述第一条件可以包括以下至少一项:
第一通信设备接收到第二通信设备发送的模型更新指示信息;
时间序列预测模型的预测任务更新;
时间序列预测模型的预测性能需求更新。
需要说明的是,本申请实施例中,上述模型更新指示信息可以为第二通信设备非周期性(突发性)地发送给第一通信设备的,如此在第一通信设备接收到该模型更新指示信息之后,第一通信设备可以向第二通信设备发送模型更新请求信息,从而可以实现时间序列预测模型的非周期性更新。
可以理解,对于上述步骤204b,为事件触发时间序列预测模型的更新。
可选地,本申请实施例提供的模型更新方法还可以包括下述的步骤206和步骤207。
步骤206、第一通信设备向第二通信设备发送第一能力信息。
步骤207、第二通信设备从第一通信设备接收第一能力信息。
其中,上述第一能力信息可以用于指示以下至少一项:
第一通信设备支持的核函数;
第一通信设备是否具有预测任务;
第一通信设备支持的模型优化器配置;
第一通信设备支持的模型训练配置;
第一通信设备支持的模型预测配置。
可以理解,上述第一能力信息可以用于指示第一通信设备更新时间序列预测模型的配置的能力。
本申请实施例中,上述模型优化器配置是指用于更新时间序列预测模型的优化器的配置。可选地,优化器配置可以包括优化器的种类、优化器的状态中的至少一项。当然,实际实现时,优化器配置还可以包括优化器的其它配置信息,具体可以根据实际使用需求确定,本申请实施例不作限定。
本申请实施例中,上述模型训练配置可以包括第一通信设备的存储能力、计算能力,第二通信设备可以根据该模型训练配置为第一通信设备配置相应的模型更新信息。示例性地,假设第一通信设备的存储能力和/计算能力较弱,那么第一通信设备可能不支持较长的训练窗尺寸。
可选地,在一种实施方式中,第二通信设备可以向第一通信设备配置时间序列预测模型,在第一通信设备接收到该时间序列预测模型的配置信息之后,第一通信设备可以向第二通信设备反馈第一通信设备是否支持该时间序列预测模型。
基于此,本申请实施例提供的模型更新方法还可以包括下述的步骤208-步骤211。
步骤208、第二通信设备向第一通信设备发送第一模型配置。
步骤209、第一通信设备从第二通信设备接收第一模型配置。
步骤210、第一通信设备向第二通信设备发送第一反馈信息。
步骤211、第二通信设备从第一通信设备接收第一反馈信息
其中,上述第一反馈信息可以用于指示第一通信设备是否支持第一模型配置指示的时间序列预测模型。
示例性地,假设上述第一通信设备为终端,第二通信设备为网络侧设备,那么网络侧设备可以先将时间序列预测模型配置给终端,然后终端再向网络侧设备上报是否支持网络侧设备配置的时间序列预测模型。
可选地,在另一种实施方式中,第一通信设备可以先向第二通信设备上报第一通信设备的计算能力,然后第二通信设备可以根据该计算能力,向第一通信设备配置时间序列预测模型。
基于此,本申请实施例提供的模型更新方法还可以包括下述的步骤212-步骤215。
步骤212、第一通信设备向第二通信设备发送计算能力信息。
其中,该计算能力信息可以用于指示第一通信设备的计算能力。
步骤213、第二通信设备从第一通信设备接收计算能力信息。
步骤214、第二通信设备向第一通信设备发送第二模型配置。
步骤215、第一通信设备从第二通信设备接收第二模型配置。
其中,上述第二模型配置指示的时间序列预测模型可以根据第一通信设备的计算能力、处理时延、第一通信设备的预测性能需求中的至少一项确定。
示例性地,假设上述第一通信设备为终端,第二通信设备为网络侧设备,那么终端可以先向网络侧设备上报终端的计算能力,然后在网络侧设备接收到上述计算能力信息之后,网络侧设备可以根据终端的计算能力、处理时延和终端的时间序列预测模型的预测性能需求中的至少一项,确定如何向终端配置时间序列预测模型,从而网络侧设备可以向终端发送上述第二模型配置,以向终端配置时间序列预测模型。
可选地,本申请实施例中,处理时延可以包括但不限于:模型加载的时延、数据读入读出的时延、模型计算的时延等,具体可以根据实际使用需求确定。
可选地,本申请实施例提供的模型更新方法还可以包括下述的步骤216和步骤217。
步骤216、第一通信设备向第二通信设备发送第二信息或时间序列预测模型的更新推荐信息。
步骤217、第二通信设备从第一通信设备接收第二信息或时间序列预测模型的更新推荐信息。
其中,上述模型更新信息是根据上述第二信息确定的。
可选地,本申请实施例中,上述更新推荐信息可以包括以下至少一项:核函数的推荐信息、模型超参数的推荐信息、预测模式的推荐信息、计算模式的推荐信息。如此,在第二通信设备接收到该更新推荐信息之后,第二通信设备可以根据该更新推荐信息,向第一通信设备发送相应的模型更新信息。
当然,实际实现时,上述更新推荐信息还可以包括其它任意可能的推荐信息,具体可以根据实际使用需求确定。
可选地,本申请实施例中,第二信息可以包括以下至少一项:
时间序列预测模型的预测结果的统计信息;
时间序列预测模型的估计误差;
所述时间序列预测模型的估计误差的统计信息;
时间序列预测模型的模型预测误差;
所述时间序列预测模型的模型预测误差的统计信息;
第一通信设备的移动性信息;
噪声的统计信息;
时间序列预测模型的预测性能需求。
本申请实施例中,上述时间序列预测模型的估计误差的统计信息可以为时间序列预测模型的估计误差的均值和/或方差。由于GP是基于已知的信息预测未知信息,因此时间序列预测模型的估计误差可以为已知信息(历史信息)的估计误差,如信道状态信息(channel state information,CSI)预测,过去N个时间单位的CSI是基于导频(探测参考信号(sounding reference signal,SRS))估计的,估计是存在误差的。
本申请实施例中,模型预测误差的统计信息可以为模型预测误差的均值、模型预测误差的方差中的至少一项,具体可以根据实际使用需求确定。
可选地,本申请实施例中,上述噪声的统计信息可以包括信噪比、信干燥比。具体可以根据实际使用需求确定,本申请实施例不作限定。
可选地,本申请实施例中,在模型更新信息包括计算模式的更新信息的情况下,在上述步骤203之前,本申请实施例提供的模型更新方法还可以包括下述的步骤218和步骤219。
步骤218、第一通信设备向第二通信设备发送第二能力信息。
步骤219、第二通信设备从第一通信设备接收第二能力信息。
其中,上述第二能力信息可以包括以下至少一项:
第一通信设备的计算能力信息;
第一通信设备的存储能力信息;
第一通信设备的计算单元配置信息。
可以理解,上述第二能力信息可以用于指示第一通信设备的硬件能力。
可选地,本申请实施例中,上述第二能力信息还可以包括以下至少一项:
第一通信设备支持缓存的最大数据量,例如最大可以缓存多少个时间单位的CSI;
第一通信设备支持计算的最大计算量,例如时间序列预测模型的训练窗包含多少个时间单位的数据;
第一通信设备支持的最大并行计算线程数,例如支持时间序列预测模型中的多少个子模型同时进行训练。
本申请实施例中,计算模式可以包括以下计算模式:
a)串行计算模式,即GP模型(即时间序列预测模型)训练在同一计算单元进行,如在CPU的某一核或CPU的某一线程内进行;
b)并行计算模式,即GP模型(即时间序列预测模型)训练在多个计算单元同时进行,如在CPU多个核或CPU的多个线程内进行。
可选地,在上述模型更新信息指示将时间序列预测模型的计算模式更新为并行计算模式的情况下,本申请实施例提供的模型更新方法还可以包括下述的步骤220和步骤221。
步骤220、第二通信设备向第一通信设备发送第三信息。
步骤221、第一通信设备从第二通信设备接收第三信息。
其中,上述第三信息可以包括以下至少一项:
数据集的划分方式,例如将数据集划分为N份,同时训练时间序列预测模型的N个子模型,每个子模型的训练窗的时间单位的长度变为原来的1/N。如此,可以降低计算复杂度,GP的计算复杂度为O(n3),n为训练窗的样本数,因此当数据集的样本数很多时,GP的计算复杂度极高,通过并行计算将数据集划分为同时训练多个子模型,能够显著降低计算复杂度);
优化目标的选择,例如多个模型边缘函数的加权和;
模型优化器的选择;
模型优化器的初始状态;
多个子模型预测结果的融合方式,例如多个子模型预测结果的加权和。
需要说明的是,本申请实施例中,为了降低计算量,可以将数据集划分为N份,训练时间序列预测模型的N个子模型,在训练过程中,该N个子模型是放在一起的训练的,具有一个公共的优化目标或者是损失函数。可以理解,优化该优化目标的过程就是该N个模型同时训练的过程。
本申请实施例提供的模型更新方法,由于核函数、模型超参数、预测模式和计算模式均为时间序列预测模型的参数信息,因此在第一通信设备获取到模型更新信息之后,第一通信设备可以根据该模型更新信息,更新第一通信设备使用的时间序列预测模型,从而使得时间序列预测模型能够更加准确地执行预测任务,进而使得第一通信设备获得良好的通信性能。
本申请实施例提供的模型更新方法,执行主体可以为模型更新装置。本申请实施例中以模型更新装置执行模型更新方法为例,说明本申请实施例提供的模型更新装置。
如图8所示,本申请实施例提供一种模型更新装置300,该模型更新装置300可以包括获取模块301和更新模块302。获取模块301,可以用于获取模型更新信息;更新模块302,可以用于根据模型更新信息,更新第一通信设备使用的时间序列预测模型,时间序列预测模型用于预测任务的执行;其中,模型更新信息包括以下至少一项:
核函数的更新信息;
模型超参数的更新信息;
预测模式的更新信息;
计算模式的更新信息。
可选地,获取模块可以包括接收子模块,接收子模块,可以用于从第二通信设备接收模型更新信息。
可选地,模型更新装置还可以包括发送模块。发送模块,可以用于向第二通信设备发送模型更新请求信息,模型更新请求信息用于请求获取第一更新信息;其中,模型更新信息包括以下至少一项:
第一更新信息;
除第一更新信息之外的第二更新信息。
可选地,发送模块,具体可以用于根据第一信息,向第二通信设备发送模型更新请求信息;其中,第一信息包括以下至少一项:
时间序列预测模型的预测误差;
时间序列预测模型的模型预测误差的统计信息;
第一通信设备的移动性信息;
时间序列预测模型的预测结果的统计信息;
环境感知信息。
可选地,发送模块,具体可以用于在满足第一条件的情况下,向第二通信设备发送模型更新请求信息;
其中,第一条件包括以下至少一项:
第一通信设备接收到第二通信设备发送的模型更新指示信息;
时间序列预测模型的预测任务更新;
第一通信设备配置的时间序列预测模型的预测性能需求更新。
可选地,预测性能需求包括预测精度和计算时延中的至少一项。
可选地,模型更新装置还可以包括发送模块。该发送模块,可以用于向第二通信设备发送第一能力信息,第一能力信息用于指示以下至少一项:
第一通信设备支持的核函数;
第一通信设备是否具有预测任务;
第一通信设备支持的模型优化器配置;
第一通信设备支持的模型训练配置;
第一通信设备支持的模型预测配置。
可选地,模型更新装置还可以包括接收模块和发送模块。该接收模块,可以用于从第二通信设备接收第一模型配置;该发送模块,可以用于向第二通信设备发送第一反馈信息,第一反馈信息用于指示第一通信设备是否支持第一模型配置指示的时间序列预测模型。
可选地,模型更新装置还可以包括发送模块和接收模块。该发送模块,可以用于向第二通信设备发送计算能力信息,计算能力信息用于指示第一通信设备的计算能力;该接收模块,可以用于从第二通信设备接收第二模型配置,第二模型配置指示的时间序列预测模型根据计算能力、处理时延、时间序列预测模型的预测性能需求中的至少一项确定。
可选地,模型更新装置还可以包括发送模块。该发送模块,可以用于向第二通信设备发送第二信息或时间序列预测模型的更新推荐信息;其中,模型更新信息是根据第二信息确定的。
可选地,第二信息包括以下至少一项:
时间序列预测模型的预测结果的统计信息;
时间序列预测模型的估计误差;
时间序列预测模型的估计误差的统计信息;
时间序列预测模型的模型预测误差;
时间序列预测模型的模型预测误差的统计信息;
第一通信设备的移动性信息;
噪声的统计信息;
时间序列预测模型的预测性能需求。
可选地,预测模式包括预测任务的时间窗的结构,时间窗的结构包括以下至少一项:
时间序列预测模型的训练窗的时间单位的长度;
时间序列预测模型的预测窗的时间单位的长度;
时间序列预测模型的训练窗的相邻时间单位的间隔;
时间序列预测模型的预测窗的相邻时间单位的间隔。
可选地,第一通信设备存储有与第二通信设备相同的预测模型列表,预测模型列表包括预测模式的标识。
可选地,模型更新信息包括计算模式的更新信息;模型更新装置还可以包括发送模块。该发送模块,可以用于在接收子模块从第二通信设备接收模型更新信息之前,向第二通信设备发送第二能力信息,第二能力信息包括以下至少一项:
第一通信设备的计算能力信息;
第一通信设备的存储能力信息;
第一通信设备的计算单元配置信息。
可选地,第二能力信息还包括以下至少一项:
第一通信设备支持缓存的最大数据量;
第一通信设备支持计算的最大计算量;
第一通信设备支持的最大并行计算线程数。
可选地,计算模式的更新信息指示将时间序列预测模型的计算模式更新为并行计算模式,可选地,模型更新装置还可以包括接收模块。该接收模块,可以用于从第二通信设备接收第三信息,第三信息包括以下至少一项:
数据集的划分方式;
优化目标的选择;
模型优化器的选择;
模型优化器的初始状态;
多个子模型预测结果的融合方式。
可选地,模型更新信息还包括以下至少一项:
待更新预测任务的标识;
待更新模型的标识;
待更新模型更新的时间戳信息。
本申请实施例提供的模型更新装置,由于核函数、模型超参数、预测模式和计算模式均为时间序列预测模型的参数信息,因此在模型更新装置获取到模型更新信息之后,模型更新装置可以根据该模型更新信息,更新第一通信设备使用的时间序列预测模型,从而使得时间序列预测模型能够更加准确地执行预测任务,进而使得第一通信设备获得良好的通信性能。
如图9所示,本申请实施例提供一种模型更新装置400,该模型更新装置400可以包括发送模块401。该发送模块401,可以用于向第一通信设备发送模型更新信息,模型更新信息用于更新第一通信设备使用的时间序列预测模型,时间序列预测模型用于预测任务的执行;其中,模型更新信息包括以下至少一项:
核函数的更新信息;
模型超参数的更新信息;
预测模式的更新信息;
计算模式的更新信息。
可选地,发送模块,具体可以用于根据第四信息,向第一通信设备发送模型更新信息;其中,第四信息包括以下至少一项:
时间序列预测模型的预测误差;
时间序列预测模型的模型预测误差的统计信息;
第一通信设备的移动性信息;
时间序列预测模型的预测结果的统计信息;
时间序列预测模型的预测任务的更新信息;
时间序列预测模型的预测性能需求的更新信息;
环境感知信息。
可选地,模型更新信息还可以包括接收模块。该接收模块,可以用于从第一通信设备接收模型更新请求信息,模型更新请求信息用于请求获取第一更新信息;其中,模型更新信息包括以下至少一项:
第一更新信息;
除第一更新信息之外的第二更新信息。
可选地,模型更新信息还可以包括接收模块。该接收模块,可以用于从第一通信设备接收第一能力信息,第一能力信息用于指示以下至少一项:
第一通信设备支持的核函数;
第一通信设备是否具有预测任务;
第一通信设备支持的模型优化器配置;
第一通信设备支持的模型训练配置;
第一通信设备支持的模型预测配置。
可选地,模型更新信息还可以包括接收模块。发送模块,还可以用于向第一通信设备发送第一模型配置;该接收模块,可以用于从第一通信设备接收第一反馈信息,第一反馈信息用于指示第一通信设备是否支持第一模型配置指示的时间序列预测模型。
可选地,模型更新信息还可以包括接收模块。该接收模块,可以用于从第一通信设备接收计算能力信息,计算能力信息用于指示第一通信设备的计算能力;发送模块,还可以用于向第一通信设备发送第二模型配置,第二模型配置指示的时间序列预测模型根据计算能力、处理时延、时间序列预测模型的预测性能需求中的至少一项确定。
可选地,模型更新信息还可以包括接收模块。该接收模块,可以用于从第一通信设备接收第二信息或时间序列预测模型的更新推荐信息;其中,模型更新信息是根据第二信息确定的。
可选地,第二信息可以包括以下至少一项:
时间序列预测模型的预测结果的统计信息;
时间序列预测模型的估计误差;
时间序列预测模型的估计误差的统计信息;
时间序列预测模型的模型预测误差;
时间序列预测模型的模型预测误差的统计信息;
第一通信设备的移动性信息;
噪声的统计信息;
时间序列预测模型的预测性能需求。
可选地,预测模式包括预测任务的时间窗的结构,时间窗的结构包括以下至少一项:
时间序列预测模型的训练窗的时间单位的长度;
时间序列预测模型的预测窗的时间单位的长度;
时间序列预测模型的训练窗的相邻时间单位的间隔;
时间序列预测模型的预测窗的相邻时间单位的间隔。
可选地,第二通信设备存储有与第一通信设备相同的预测模型列表,预测模型列表包括预测模式的标识。
可选地,模型更新信息包括计算模式的更新信息;模型更新信息还可以包括接收模块。该接收模块,可以用于在发送模块向第一通信设备发送模型更新信息之前,从第一通信设备接收第二能力信息,第二能力信息包括以下至少一项:
第一通信设备的计算能力信息;
第一通信设备的存储能力信息;
第一通信设备的计算单元配置信息。
可选地,第二能力信息还包括以下至少一项:
第一通信设备支持缓存的最大数据量;
第一通信设备支持计算的最大计算量;
第一通信设备支持的最大并行计算线程数。
可选地,计算模式的更新信息指示将时间序列预测模型的计算模式更新为并行计算模式,发送模块,还用于向第一通信设备发送第三信息,第三信息包括以下至少一项:
数据集的划分方式;
优化目标的选择;
模型优化器的选择;
模型优化器的初始状态;
多个子模型预测结果的融合方式。
可选地,模型更新信息还包括以下至少一项:
待更新预测任务的标识;
待更新模型的标识;
待更新模型更新的时间戳信息。
本申请实施例中,由于核函数、模型超参数、预测模式和计算模式均为时间序列预测模型的参数信息,因此在模型更新装置可以通过向第一通信设备发送模型更新信息,使得第一通信设备可以根据该模型更新信息,更新第一通信设备使用的时间序列预测模型,从而使得时间序列预测模型能够更加准确地执行预测任务,进而使得第一通信设备获得良好的通信性能。
本申请实施例中,模型更新装置可以是通信设备,例如具有操作***的通信设备,也可以是通信设备中的部件,例如集成电路或芯片。该通信设备可以是终端,也可以为除终端之外的其他设备,例如网络侧设备。示例性地,终端可以包括但不限于上述所列举的终端11的类型,其他设备可以为核心网设备或接入网设备、服务器、网络附属存储器(NetworkAttached Storage,NAS)等,本申请实施例不作具体限定。
本申请实施例提供的模型更新装置能够实现上述模型更新方法的实施例实现的各个过程,并达到相同的技术效果,为避免重复,这里不再赘述。
可选地,如图10所示,本申请实施例还提供一种通信设备500,包括处理器501和存储器502,存储器502上存储有可在处理器501上运行的程序或指令,例如,该通信设备500为终端时,该程序或指令被处理器501执行时实现上述模型更新方法实施例的各个步骤,且能达到相同的技术效果。该通信设备500为网络侧设备时,该程序或指令被处理器501执行时实现上述模型更新方法实施例的各个步骤,且能达到相同的技术效果,为避免重复,这里不再赘述。
本申请实施例还提供一种通信设备,包括处理器和通信接口。在通信设备为第一通信设备的情况下,通信接口用于获取模型更新信息;处理器根据模型更新信息,更新第一通信设备使用的时间序列预测模型;或者,在通信设备为第二通信设备的情况下,通信接口用于向第一通信设备发送模型更新信息,模型更新信息用于更新第一通信设备使用的时间序列预测模型,时间序列预测模型用于预测任务的执行,模型更新信息包括以下至少一项:核函数的更新信息;模型超参数的更新信息;预测模式的更新信息;计算模式的更新信息。该通信设备实施例与上述方法实施例对应,上述方法实施例的各个实施过程和实现方式均可适用于该通信设备实施例中,且能达到相同的技术效果。
本申请实施例还提供了一种通信设备。如图11所示,该通信设备600包括:天线61、射频装置62、基带装置63、处理器64和存储器65。天线61与射频装置62连接。在上行方向上,射频装置62通过天线61接收信息,将接收的信息发送给基带装置63进行处理。在下行方向上,基带装置63对要发送的信息进行处理,并发送给射频装置62,射频装置62对收到的信息进行处理后经过天线61发送出去。
以上实施例中通信设备(包括第一通信设备和第二通信设备)执行的方法可以在基带装置63中实现,该基带装置63包括基带处理器。
基带装置63例如可以包括至少一个基带板,该基带板上设置有多个芯片,如图11所示,其中一个芯片例如为基带处理器,通过总线接口与存储器65连接,以调用存储器65中的程序,执行以上方法实施例中所示的网络侧设备操作。
该通信设备还可以包括网络接口66,该接口例如为通用公共无线接口(commonpublic radio interface,CPRI)。
具体地,本发明实施例的通信设备600还包括:存储在存储器65上并可在处理器64上运行的指令或程序,处理器64调用存储器65中的指令或程序执行图8或图9所示各模块执行的方法,并达到相同的技术效果,为避免重复,故不在此赘述。
本申请实施例还提供一种可读存储介质,可读存储介质上存储有程序或指令,该程序或指令被处理器执行时实现上述模型更新方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
其中,处理器为上述实施例中的终端中的处理器。可读存储介质,包括计算机可读存储介质,如计算机只读存储器ROM、随机存取存储器RAM、磁碟或者光盘等。
本申请实施例另提供了一种芯片,芯片包括处理器和通信接口,通信接口和处理器耦合,处理器用于运行程序或指令,实现上述模型更新方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
应理解,本申请实施例提到的芯片还可以称为***级芯片,***芯片,芯片***或片上***芯片等。
本申请实施例另提供了一种计算机程序/程序产品,计算机程序/程序产品被存储在存储介质中,计算机程序/程序产品被至少一个处理器执行以实现上述模型更新方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
本申请实施例还提供了一种通信***,包括:终端及网络侧设备,终端可用于执行如上的模型更新方法的步骤,网络侧设备可用于执行如上的模型更新方法的步骤。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。此外,需要指出的是,本申请实施方式中的方法和装置的范围不限按示出或讨论的顺序来执行功能,还可包括根据所涉及的功能按基本同时的方式或按相反的顺序来执行功能,例如,可以按不同于所描述的次序来执行所描述的方法,并且还可以添加、省去、或组合各种步骤。另外,参照某些示例所描述的特征可在其他示例中被组合。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。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可以以计算机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(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端(可以是手机,计算机,服务器,空调器,或者网络侧设备等)执行本申请各个实施例的方法。
上面结合附图对本申请的实施例进行了描述,但是本申请并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本申请的启示下,在不脱离本申请宗旨和权利要求所保护的范围情况下,还可做出很多形式,均属于本申请的保护之内。
Claims (35)
1.一种模型更新方法,其特征在于,包括:
第一通信设备获取模型更新信息;
所述第一通信设备根据所述模型更新信息,更新所述第一通信设备使用的时间序列预测模型,所述时间序列预测模型用于预测任务的执行;
其中,所述模型更新信息包括以下至少一项:
核函数的更新信息;
模型超参数的更新信息;
预测模式的更新信息;
计算模式的更新信息。
2.根据权利要求1所述的方法,其特征在于,所述第一通信设备获取模型更新信息,包括:
所述第一通信设备从第二通信设备接收所述模型更新信息。
3.根据权利要求2所述的方法,其特征在于,所述第一通信设备从第二通信设备接收所述模型更新信息之前,所述方法还包括:
所述第一通信设备向所述第二通信设备发送模型更新请求信息,所述模型更新请求信息用于请求获取第一更新信息;
其中,所述模型更新信息包括以下至少一项:
所述第一更新信息;
除所述第一更新信息之外的第二更新信息。
4.根据权利要求3所述的方法,其特征在于,所述第一通信设备向所述第二通信设备发送模型更新请求信息,包括:
所述第一通信设备根据第一信息,向所述第二通信设备发送所述模型更新请求信息;
其中,所述第一信息包括以下至少一项:
所述时间序列预测模型的预测误差;
所述时间序列预测模型的预测误差的统计信息;
所述第一通信设备的移动性信息;
所述时间序列预测模型的预测结果的统计信息;
环境感知信息。
5.根据权利要求3所述的方法,其特征在于,所述第一通信设备向所述第二通信设备发送模型更新请求信息,包括:
在满足第一条件的情况下,所述第一通信设备向所述第二通信设备发送所述模型更新请求信息;
其中,所述第一条件包括以下至少一项:
所述第一通信设备接收到所述第二通信设备发送的模型更新指示信息;
所述时间序列预测模型的预测任务更新;
所述时间序列预测模型的预测性能需求更新。
6.根据权利要求5所述的方法,其特征在于,所述预测性能需求包括预测精度和计算时延中的至少一项。
7.根据权利要求2所述的方法,其特征在于,所述方法还包括:
所述第一通信设备向所述第二通信设备发送第一能力信息,所述第一能力信息用于指示以下至少一项:
所述第一通信设备支持的核函数;
所述第一通信设备是否具有预测任务;
所述第一通信设备支持的模型优化器配置;
所述第一通信设备支持的模型训练配置;
所述第一通信设备支持的模型预测配置。
8.根据权利要求2所述的方法,其特征在于,所述方法还包括:
所述第一通信设备从所述第二通信设备接收第一模型配置;
所述第一通信设备向所述第二通信设备发送第一反馈信息,所述第一反馈信息用于指示所述第一通信设备是否支持所述第一模型配置指示的时间序列预测模型。
9.根据权利要求2所述的方法,其特征在于,所述方法还包括:
所述第一通信设备向所述第二通信设备发送计算能力信息,所述计算能力信息用于指示所述第一通信设备的计算能力;
所述第一通信设备从所述第二通信设备接收第二模型配置,所述第二模型配置指示的时间序列预测模型根据所述计算能力、处理时延、所述时间序列预测模型的预测性能需求中的至少一项确定。
10.根据权利要求2所述的方法,其特征在于,所述方法还包括:
所述第一通信设备向所述第二通信设备发送第二信息或所述时间序列预测模型的更新推荐信息;
其中,所述模型更新信息是根据所述第二信息确定的。
11.根据权利要求10所述的方法,其特征在于,所述第二信息包括以下至少一项:
所述时间序列预测模型的预测结果的统计信息;
所述时间序列预测模型的估计误差;
所述时间序列预测模型的估计误差的统计信息;
所述时间序列预测模型的模型预测误差;
所述时间序列预测模型的模型预测误差的统计信息;
所述第一通信设备的移动性信息;
噪声的统计信息;
所述时间序列预测模型的预测性能需求。
12.根据权利要求1所述的方法,其特征在于,所述预测模式包括预测任务的时间窗的结构,所述时间窗的结构包括以下至少一项:
所述时间序列预测模型的训练窗的时间单位的长度;
所述时间序列预测模型的预测窗的时间单位的长度;
所述时间序列预测模型的训练窗的相邻时间单位的间隔;
所述时间序列预测模型的预测窗的相邻时间单位的间隔。
13.根据权利要求2所述的方法,其特征在于,所述第一通信设备存储有与所述第二通信设备相同的预测模型列表,所述预测模型列表包括预测模式的标识。
14.根据权利要求2所述的方法,其特征在于,所述模型更新信息包括计算模式的更新信息;
所述第一通信设备从第二通信设备接收所述模型更新信息之前,所述方法还包括:
所述第一通信设备向所述第二通信设备发送第二能力信息,所述第二能力信息包括以下至少一项:
所述第一通信设备的计算能力信息;
所述第一通信设备的存储能力信息;
所述第一通信设备的计算单元配置信息。
15.根据权利要求14所述的方法,其特征在于,所述第二能力信息还包括以下至少一项:
所述第一通信设备支持缓存的最大数据量;
所述第一通信设备支持计算的最大计算量;
所述第一通信设备支持的最大并行计算线程数。
16.根据权利要求1所述的方法,其特征在于,所述计算模式的更新信息指示将所述时间序列预测模型的计算模式更新为并行计算模式,所述方法还包括:
所述第一通信设备从第二通信设备接收第三信息,所述第三信息包括以下至少一项:
数据集的划分方式;
优化目标的选择;
模型优化器的选择;
模型优化器的初始状态;
多个子模型预测结果的融合方式。
17.根据权利要求1所述的方法,其特征在于,所述模型更新信息还包括以下至少一项:
待更新预测任务的标识;
待更新模型的标识;
待更新模型更新的时间戳信息。
18.一种模型更新方法,其特征在于,包括:
第二通信设备向第一通信设备发送模型更新信息,所述模型更新信息用于更新所述第一通信设备使用的时间序列预测模型,所述时间序列预测模型用于预测任务的执行;
其中,所述模型更新信息包括以下至少一项:
核函数的更新信息;
模型超参数的更新信息;
预测模式的更新信息;
计算模式的更新信息。
19.根据权利要求18所述的方法,其特征在于,所述第二通信设备向第一通信设备发送模型更新信息,包括:
所述第二通信设备根据第四信息,向所述第一通信设备发送所述模型更新信息;
其中,所述第四信息包括以下至少一项:
所述时间序列预测模型的预测误差;
所述时间序列预测模型的模型预测误差的统计信息;
所述第一通信设备的移动性信息;
所述时间序列预测模型的预测结果的统计信息;
所述时间序列预测模型的预测任务的更新信息;
所述时间序列预测模型的预测性能需求的更新信息;
环境感知信息。
20.根据权利要求18所述的方法,其特征在于,所述第二通信设备向第二通信设备发送模型更新信息之前,所述方法还包括:
所述第二通信设备从所述第一通信设备接收模型更新请求信息,所述模型更新请求信息用于请求获取第一更新信息;
其中,所述模型更新信息包括以下至少一项:
所述第一更新信息;
除所述第一更新信息之外的第二更新信息。
21.根据权利要求18所述的方法,其特征在于,所述方法还包括:
所述第二通信设备从所述第一通信设备接收第一能力信息,所述第一能力信息用于指示以下至少一项:
所述第一通信设备支持的核函数;
所述第一通信设备是否具有预测任务;
所述第一通信设备支持的模型优化器配置;
所述第一通信设备支持的模型训练配置;
所述第一通信设备支持的模型预测配置。
22.根据权利要求18所述的方法,其特征在于,所述方法还包括:
所述第二通信设备向所述第一通信设备发送第一模型配置;
所述第二通信设备从所述第一通信设备接收第一反馈信息,所述第一反馈信息用于指示所述第一通信设备是否支持所述第一模型配置指示的时间序列预测模型。
23.根据权利要求18所述的方法,其特征在于,所述方法还包括:
所述第二通信设备从所述第一通信设备接收计算能力信息,所述计算能力信息用于指示所述第一通信设备的计算能力;
所述第二通信设备向所述第一通信设备发送第二模型配置,所述第二模型配置指示的时间序列预测模型根据计算能力、处理时延、所述时间序列预测模型的预测性能需求中的至少一项确定。
24.根据权利要求18所述的方法,其特征在于,所述方法还包括:
所述第二通信设备从所述第一通信设备接收第二信息或所述时间序列预测模型的更新推荐信息;
其中,所述模型更新信息是根据所述第二信息确定的。
25.根据权利要求24所述的方法,其特征在于,所述第二信息包括以下至少一项:
所述时间序列预测模型的预测结果的统计信息;
所述时间序列预测模型的估计误差;
所述时间序列预测模型的估计误差的统计信息;
所述时间序列预测模型的模型预测误差;
所述时间序列预测模型的模型预测误差的统计信息;
所述第一通信设备的移动性信息;
噪声的统计信息;
所述时间序列预测模型的预测性能需求。
26.根据权利要求18所述的方法,其特征在于,所述预测模式包括预测任务的时间窗的结构,所述时间窗的结构包括以下至少一项:
所述时间序列预测模型的训练窗的时间单位的长度;
所述时间序列预测模型的预测窗的时间单位的长度;
所述时间序列预测模型的训练窗的相邻时间单位的间隔;
所述时间序列预测模型的预测窗的相邻时间单位的间隔。
27.根据权利要求18所述的方法,其特征在于,所述第二通信设备存储有与所述第一通信设备相同的预测模型列表,所述预测模型列表包括预测模式的标识。
28.根据权利要求18所述的方法,其特征在于,所述模型更新信息包括计算模式的更新信息;
所述第二通信设备向第一通信设备发送模型更新信息之前,所述方法还包括:
所述第二通信设备从所述第一通信设备接收第二能力信息,所述第二能力信息包括以下至少一项:
所述第一通信设备的计算能力信息;
所述第一通信设备的存储能力信息;
所述第一通信设备的计算单元配置信息。
29.根据权利要求28所述的方法,其特征在于,所述第二能力信息还包括以下至少一项:
所述第一通信设备支持缓存的最大数据量;
所述第一通信设备支持计算的最大计算量;
所述第一通信设备支持的最大并行计算线程数。
30.根据权利要求18所述的方法,其特征在于,所述计算模式的更新信息指示将所述时间序列预测模型的计算模式更新为并行计算模式,所述方法还包括:
所述第二通信设备向所述第一通信设备发送第三信息,所述第三信息包括以下至少一项:
数据集的划分方式;
优化目标的选择;
模型优化器的选择;
模型优化器的初始状态;
多个子模型预测结果的融合方式。
31.根据权利要求18所述的方法,其特征在于,所述模型更新信息还包括以下至少一项:
待更新预测任务的标识;
待更新模型的标识;
待更新模型更新的时间戳信息。
32.一种模型更新装置,其特征在于,所述模型更新装置包括获取模块和更新模块;
所述获取模块,用于获取模型更新信息;
所述更新模块,用于根据所述模型更新信息,更新第一通信设备使用的时间序列预测模型,所述时间序列预测模型用于预测任务的执行;
其中,所述模型更新信息包括以下至少一项:
核函数的更新信息;
模型超参数的更新信息;
预测模式的更新信息;
计算模式的更新信息。
33.一种模型更新装置,其特征在于,所述模型更新装置包括发送模块;
所述发送模块,用于向第一通信设备发送模型更新信息,所述模型更新信息用于更新第一通信设备使用的时间序列预测模型,所述时间序列预测模型用于预测任务的执行;
其中,所述模型更新信息包括以下至少一项:
核函数的更新信息;
模型超参数的更新信息;
预测模式的更新信息;
计算模式的更新信息。
34.一种通信设备,其特征在于,包括处理器和存储器,所述存储器存储可在所述处理器上运行的程序或指令,所述程序或指令被所述处理器执行时实现如权利要求1至31中任一项所述的模型更新方法的步骤。
35.一种可读存储介质,其特征在于,所述可读存储介质上存储程序或指令,所述程序或指令被处理器执行时实现如权利要求1-31任一项所述的模型更新方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111652530.0A CN116418432A (zh) | 2021-12-30 | 2021-12-30 | 模型更新方法及通信设备 |
PCT/CN2022/143594 WO2023125855A1 (zh) | 2021-12-30 | 2022-12-29 | 模型更新方法及通信设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111652530.0A CN116418432A (zh) | 2021-12-30 | 2021-12-30 | 模型更新方法及通信设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116418432A true CN116418432A (zh) | 2023-07-11 |
Family
ID=86998074
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111652530.0A Pending CN116418432A (zh) | 2021-12-30 | 2021-12-30 | 模型更新方法及通信设备 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN116418432A (zh) |
WO (1) | WO2023125855A1 (zh) |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3591586A1 (en) * | 2018-07-06 | 2020-01-08 | Capital One Services, LLC | Data model generation using generative adversarial networks and fully automated machine learning system which generates and optimizes solutions given a dataset and a desired outcome |
CN110890930B (zh) * | 2018-09-10 | 2021-06-01 | 华为技术有限公司 | 一种信道预测方法、相关设备及存储介质 |
CN111797870A (zh) * | 2019-04-09 | 2020-10-20 | Oppo广东移动通信有限公司 | 算法模型的优化方法、装置、存储介质及电子设备 |
CN110909884A (zh) * | 2019-11-04 | 2020-03-24 | 深圳力维智联技术有限公司 | 一种用于更新参数模型的方法、装置、产品及介质 |
CN113570062B (zh) * | 2020-04-28 | 2023-10-10 | 大唐移动通信设备有限公司 | 机器学习模型参数传递方法及装置 |
CN112512058A (zh) * | 2020-05-24 | 2021-03-16 | 中兴通讯股份有限公司 | 网络优化方法、服务器、客户端设备、网络设备和介质 |
CN113052388A (zh) * | 2021-04-01 | 2021-06-29 | 北京工商大学 | 一种时间序列预测方法及装置 |
CN113407820B (zh) * | 2021-05-29 | 2023-09-15 | 华为技术有限公司 | 利用模型进行数据处理的方法及相关***、存储介质 |
-
2021
- 2021-12-30 CN CN202111652530.0A patent/CN116418432A/zh active Pending
-
2022
- 2022-12-29 WO PCT/CN2022/143594 patent/WO2023125855A1/zh unknown
Also Published As
Publication number | Publication date |
---|---|
WO2023125855A1 (zh) | 2023-07-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116415476A (zh) | 模型的构建方法、装置及通信设备 | |
CN116418432A (zh) | 模型更新方法及通信设备 | |
CN117425158A (zh) | 人工智能请求分析方法、装置及设备 | |
CN116567806A (zh) | 基于人工智能ai模型的定位方法及通信设备 | |
CN115913486A (zh) | 信息上报方法、装置、终端及可读存储介质 | |
CN118042399A (zh) | 模型监督方法、终端及网络侧设备 | |
WO2024067281A1 (zh) | Ai模型的处理方法、装置及通信设备 | |
CN116668309A (zh) | Ai模型的在线学习方法、装置、通信设备及可读存储介质 | |
CN118214667A (zh) | Ai模型监测方法、ai模型性能的测量方法、装置及设备 | |
WO2023103911A1 (zh) | 测量方法、装置、设备及存储介质 | |
WO2024008111A1 (zh) | 数据采集方法及装置 | |
CN117641433A (zh) | Csi预测处理方法、装置、通信设备及可读存储介质 | |
WO2023179540A1 (zh) | 信道预测方法、装置及无线通信设备 | |
CN117856942A (zh) | Csi预测处理方法、装置、通信设备及可读存储介质 | |
CN115843021A (zh) | 数据传输方法及装置 | |
CN118214750A (zh) | Ai算力上报方法、终端及网络侧设备 | |
CN117834427A (zh) | 更新ai模型参数的方法、装置及通信设备 | |
CN116939713A (zh) | 信息反馈方法、装置及设备 | |
CN118158118A (zh) | Ai网络模型的确定方法、信息传输方法、装置和通信设备 | |
CN117440501A (zh) | 定位模型训练方法、装置、定位方法及装置 | |
CN118283645A (zh) | 模型信息传输方法、装置及设备 | |
CN117875380A (zh) | 数据处理方法、装置及电子设备 | |
CN118175513A (zh) | 模型输入信息的确定方法、装置、设备、***及存储介质 | |
CN117493864A (zh) | 模型训练方法、装置、网络侧设备及终端设备 | |
CN116776988A (zh) | 通信网络中的数据处理方法及网络侧设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |