CN116684903A - 小区参数处理方法、装置、设备及存储介质 - Google Patents
小区参数处理方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116684903A CN116684903A CN202310816014.XA CN202310816014A CN116684903A CN 116684903 A CN116684903 A CN 116684903A CN 202310816014 A CN202310816014 A CN 202310816014A CN 116684903 A CN116684903 A CN 116684903A
- Authority
- CN
- China
- Prior art keywords
- cell
- optimized
- target
- operation data
- parameters
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 23
- 238000005457 optimization Methods 0.000 claims abstract description 110
- 238000000034 method Methods 0.000 claims abstract description 42
- 230000015654 memory Effects 0.000 claims description 21
- 230000009471 action Effects 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 15
- 238000006243 chemical reaction Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 12
- 238000004891 communication Methods 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 14
- 230000008569 process Effects 0.000 description 12
- 230000000694 effects Effects 0.000 description 11
- 238000004590 computer program Methods 0.000 description 10
- 238000004422 calculation algorithm Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 8
- 238000013528 artificial neural network Methods 0.000 description 7
- 230000003287 optical effect Effects 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000006403 short-term memory Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000002457 bidirectional effect Effects 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000007787 long-term memory Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 230000006855 networking Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/02—Arrangements for optimising operational condition
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本申请提供一种小区参数处理方法、装置、设备及存储介质，属于通信技术领域。该方法包括：接收终端设备发送的优化指令，并采用自然语言理解模型将所述优化指令转换为指令特征；根据所述指令特征，确定目标优化策略；获取各小区数据，其中所述小区数据包括小区类型、小区参数及运行数据；根据所述目标优化策略及各小区的小区类型，确定各小区对应的策略详情；根据各小区的策略详情及运行数据，确定至少一个待优化小区；根据待优化小区的策略详情，调整各待优化小区的小区参数。本申请的方法，解决了人工优化基站小区参数时间成本较高的问题。
Description
技术领域
本申请涉及通信技术领域，尤其涉及一种小区参数处理方法、装置、设备及存储介质。
背景技术
随着信息技术的不断发展，大量的服务可以通过移动网上进行，移动网络的通畅成为影响网络服务效果的重要因素。
目前，现有技术中为了增加移动网络的速度和稳定性，通常需要人工分析基站小区的参数，从而对基站小区进行优化。
但是，发明人发现现有技术至少存在如下技术问题：人工优化基站小区参数时间成本较高。
发明内容
本申请提供一种小区参数处理方法、装置、设备及存储介质，用以解决人工优化基站小区参数时间成本较高的问题。
第一方面，本申请提供一种小区参数处理方法，包括：
接收终端设备发送的优化指令，并采用自然语言理解模型将优化指令转换为指令特征。根据指令特征，确定目标优化策略。获取各小区数据，其中小区数据包括小区类型、小区参数及运行数据。根据目标优化策略及各小区的小区类型，确定各小区对应的策略详情。根据各小区的策略详情及运行数据，确定至少一个待优化小区。根据待优化小区的策略详情，调整各待优化小区的小区参数。
在一种可能的实现方式中，策略详情包括数值阈值及各类运行数据对应的权重。相应地，根据各小区的策略详情及运行数据，确定至少一个待优化小区，包括：将目标小区的各类运行数据与对应的权重相乘，得到各类加权值，其中目标小区为任一小区。将目标小区的各类加权值相加，得到数值和。若数值和大于数值阈值，则将目标小区确定为待优化小区。
在一种可能的实现方式中，策略详情包括优化动作及判断标准。相应地，根据待优化小区的策略详情及小区参数，优化各待优化小区的小区参数，包括：应用优化动作调整各待优化小区的小区参数，得到各待优化小区的待确定参数。控制各待优化小区以待确定参数运行。获取各待优化小区新的运行数据。若目标待调整小区的新的运行数据不符合预设运行要求，则控制目标待调整小区以对应的小区参数运行，其中目标待调整小区为任一待调整小区。若目标待调整小区的新的运行数据符合预设运行要求，且符合判断标准，则控制目标待调整小区以待确定参数运行。若目标待调整小区的新的运行数据符合预设运行要求，且不符合判断标准，则重新执行调整待优化小区的小区参数至判断新的运行数据是否符合预设运行要求的步骤，直至新的运行数据符合预设运行要求。
在一种可能的实现方式中，在重新执行调整待优化小区的小区参数至判断新的运行数据是否符合预设运行要求的步骤之后，还包括：若重新执行调整待优化小区的小区参数至判断新的运行数据是否符合预设运行要求的步骤m次后，新的运行数据不符合预设运行要求，则控制目标待调整小区以对应的小区参数运行，其中m为正整数。
在一种可能的实现方式中，根据指令特征，确定目标优化策略，包括：将指令特征输入预先训练得到的特征转换模型，得到目标优化策略。
在一种可能的实现方式中，根据目标优化策略及各小区的小区类型，确定各小区对应的策略详情，包括：将目标优化策略及目标小区的小区类型，输入预设的策略详情生成模型，得到目标小区的策略详情，其中目标小区为任一小区。
在一种可能的实现方式中，在获取各小区数据之前，还包括：获取各小区的运行数据。将各小区的运行数据标准化，得到各小区的标准化运行数据。采用各小区的标准化运行数据对各小区聚类，得到各小区对应的小区类型。
第二方面，本申请提供一种小区参数处理装置，包括：指令转换模块，用于接收终端设备发送的优化指令，并采用自然语言理解模型将优化指令转换为指令特征。策略确定模块，用于根据指令特征，确定目标优化策略。数据获取模块，用于获取各小区数据，其中小区数据包括小区类型、小区参数及运行数据。详情确定模块，用于根据目标优化策略及各小区的小区类型，确定各小区对应的策略详情。小区确定模块，用于根据各小区的策略详情及运行数据，确定至少一个待优化小区。小区优化模块，用于根据待优化小区的策略详情，调整各待优化小区的小区参数。
第三方面，本申请提供一种电子设备，包括：处理器，以及与处理器通信连接的存储器。存储器存储计算机执行指令。处理器执行存储器存储的计算机执行指令，使得处理器执行如第一方面描述的小区参数处理方法。
第四方面，本申请提供一种计算机可读存储介质，计算机可读存储介质中存储有计算机执行指令，计算机执行指令被处理器执行时用于实现如第一方面描述的小区参数处理方法。
本申请提供的小区参数处理方法、装置、设备及存储介质，通过接收终端设备发送的优化指令，将优化指令转换为指令特征，采用指令特征找到对应的目标优化策略，由目标优化策略和各小区的小区类型，得到各小区对应的策略详情，由各小区对应的策略详情和运行数据，筛选出所有小区中的待优化小区，由待优化小区的策略详情，调整各待优化小区的小区参数，从而实现自动调整小区的小区参数，针对不同的小区采用不同的调整方式，减少工作人员调整小区参数的时间成本。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。
图1为本申请实施例提供的小区参数处理方法的应用场景示意图；
图2为本申请实施例提供的小区参数处理方法的流程示意图；
图3为本申请实施例提供的优化指令转换得到的指令特征示意图；
图4为本申请实施例提供的调整待优化小区的小区参数过程示意图；
图5为本申请实施例提供的小区参数处理装置的结构示意图；
图6为本申请实施例提供的电子设备的结构示意图。
通过上述附图，已示出本申请明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本申请构思的范围，而是通过参考特定实施例为本领域技术人员说明本申请的概念。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
随着网络服务的不断发展，移动网络成为了向用户提供服务的重要途径，为了保障移动网络的稳定性，需要对基站小区的参数进行调整，从而改善基站小区的覆盖范围、信号强度。
当前调整基站小区参数通常是采用人工进行的，人工对基站小区参数进行调整需要工人到现场执行，时间成本较高。
针对上述技术问题，发明人提出如下技术构思：接收工作人员在终端设备输入的指令，将指令转换为指令特征，再由指令特征得到对应的优化策略，结合优化策略和小区类型，确定不同的策略详情，采用策略详情和小区的运行数据在所有小区中找到待优化小区，并采用策略详情调整待优化小区的小区参数。
图1为本申请实施例提供的小区参数处理方法的应用场景示意图。如图1，该场景中，包括：终端设备101、服务器102、数据采集设备103。
终端设备101，可以包括计算机、服务器、平板、手机、掌上电脑(Personal DigitalAssistant，PDA)以及笔记本等，它们可以进行数据的输入、发送等。
服务器102，可以包括一个服务器或多个服务器组成的集群来实现，在可能的情况下，还可以使用计算能力较强的计算机、笔记本电脑等进行替代。
数据采集设备103，可以包括服务器，还可以包括数据库。
在具体实现过程中，终端设备101用于接收工作人员或用户输入的优化指令，加个优化指令发送至服务器102。
服务器102，用于从数据采集设备103读取各小区对应的小区数据。并由小区数据和优化指令调整各小区的小区参数。
可以理解的是，本申请实施例示意的结构并不构成对小区参数处理方法的具体限定。在本申请另一些可行的实施方式中，上述架构可以包括比图示更多或更少的部件，或者组合某些部件，或者拆分某些部件，或者不同的部件布置，具体可根据实际应用场景确定，在此不做限制。图1所示的部件可以由硬件，软件，或软件与硬件的组合实现。
下面以具体地实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本申请的实施例进行描述。
图2为本申请实施例提供的小区参数处理方法的流程示意图。本申请实施例的执行主体可以是图1中的服务器102，也可以是电脑和/或手机等，本实施例对此不作特别限制。如图2所示，该方法包括：步骤S201至步骤S206。
S201：接收终端设备发送的优化指令，并采用自然语言理解模型将优化指令转换为指令特征。
在本步骤中，优化指令可以是以报文、字符串的格式发送的。优化指令可以是用户通过语音或文字输入自然语言，或者在人性化的图形界面上通过拖拽、点击、选择关键字的方式得到的。
将优化指令转换为指令特征可以包括将优化指令的实现过程归纳为针对某对象进行某操作，以实现或避免某结果。因此可以将无线网络优化意图表达为[结果，操作，对象]形式的抽象模型。“结果”标签是指用户期望网络达到的服务状态；“操作”标签是指为了实现业务需求，在网络中制定的组网策略；“对象”标签是指为了执行组网策略需操控的物理设备和相关资源。
例如，优化指令为：地区A的无线接通率达到优秀，将优化指令输入自然语言理解模型，得到的“对象”为“地区A”、“无线接通率”，“操作”为“达到”，“目标”为“优秀”。
图3为本申请实施例提供的优化指令转换得到的指令特征示意图。如图3所示，转换得到的指令特征包括“结果”中的“业务类型”、“性能指标”、“期望状态”、“时空约束”，“操作”中的“拓扑结构”、“接入模式”、“资源分配”、“网络约束”，“对象”中的“物理节点”、“无线资源”、“存储资源”、“计算资源”。
S202：根据指令特征，确定目标优化策略。
在本步骤中，可以是根据指令特征，查找预设的指令特征与目标优化策略对应关系，得到目标优化策略。指令特征与目标优化策略对应关系可以是工作人员预先设置的。
S203：获取各小区数据，其中小区数据包括小区类型、小区参数及运行数据。
在本步骤中，获取各小区数据，可以是从数据采集设备103读取各小区的小区数据。读取各小区数据的过程，可以是采用预先存储的小区标识，读取对应的小区数据。
其中，小区类型可以是通过预先聚类得到的，小区参数可以包括小区的仰角、小区的位置、小区的方向等。运行数据可以包括建立成功率、掉线率、重建率等。
S204：根据目标优化策略及各小区的小区类型，确定各小区对应的策略详情。
可以是根据目标优化策略及小区类型，查找预设的优化策略、小区类型与策略详情的对应关系，得到各小区对应的策略详情。
其中，优化策略、小区类型与策略详情的对应关系，包含每一组优化策略和小区类型对应的策略详情。策略详情可以包括策略标识、监控对象、策略执行点、策略触发条件、策略操作等。策略标识用于定义和标识一个策略规则。监控对象表示策略监控对象是能够表示网络当前运行状态的特征值。策略执行点表示策略的执行点网络中的可访问的网元节点、基站小区。策略触发条件表示预先定义的触发策略的网络状态，比如性能指标小于某个阈值、丢包率大于某个阈值、小区不可用时间大于某个时间阈值等，策略触发条件可以是一种策略事件触发机制、策略事件及策略条件，还可以是复杂的、组合的策略事件和条件的解析方法。策略操作表示根据策略条件所要执行的调整动作，如切换参数调整、功率调整和天线调整等。策略执行就是当满足某个策略的触发条件时，执行该策略的动作，策略操作是基于实时感知的网络状态，进而动态执行配置动作。
S205：根据各小区的策略详情及运行数据，确定至少一个待优化小区。
在本步骤中，可以是采用各小区对应的策略详情中的策略触发条件及运行数据，确定符合策略触发条件的小区。将符合策略触发条件的小区确定为待优化小区。
S206：根据待优化小区的策略详情，调整各待优化小区的小区参数。
在本步骤中，调整各待优化小区的小区参数，可以是采用上述策略操作对小区参数进行调整，例如，如切换参数调整、功率调整和天线调整等。
从上述实施例的描述可知，本申请实施例通过接收终端设备发送的优化指令，将优化指令转换为指令特征，采用指令特征找到对应的目标优化策略，由目标优化策略和各小区的小区类型，得到各小区对应的策略详情，由各小区对应的策略详情和运行数据，筛选出所有小区中的待优化小区，由待优化小区的策略详情，调整各待优化小区的小区参数，从而实现自动调整小区的小区参数，针对不同的小区采用不同的调整方式，减少工作人员调整小区参数的时间成本。
在一种可能的实现方式中，上述步骤S201中，自然语言理解模型可以采用命名实体识别(Named Entity Recognition，NER)算法或结合BLSTM(Bidirectional Long Short-Term Memory，双向长短期记忆神经网络)。自然语言理解模型包括三个子任务：领域识别、意图识别与槽填充。BLSTM用于记忆和存储过去状态的节点个数可以是64个。
领域识别、意图识别通常被建模为基于句子的分类问题，判断用户输入属于哪一领域。在不同领域下，***可能会设计不同的意图种类和不同的槽。在识别出领域信息后，再对用户输入的意图进行判断分类，从而减轻计算量，提高***的匹配效率，有助于机器进行下一步的决策。而槽填充是基于字或词的分类，语义槽填充的目的是抽取用户输入的与任务相关的重要信息。槽名通常是面向特定任务的语义标签，是机器在交互过程中想要获取的重要内容。
例如，若优化指令为“今天南京VoLTE掉话率怎么样”，自然语言模型处理后的结果应为：意图领域：“性能意图”，意图分类：“查询指标”，语义槽填充：“{时间：今天地点：南京指标：VoLTE掉话率}”。其中VoLTE为长期演进语音承载(Voice over Long-TermEvolution)。
语义槽填充的实质可被视为自然语言处理领域中的命名实体识别(Named EntityRecognition，NER)，即通过识别文本中具有特定意义的实体，并为每个词赋予对应的命名实体标签。NER通过词性分析、语言分词、词典查询等自然语言处理过程找到用户意图输入中与关键元素表述一致或相关的词汇作为意图关键词。随后依据关键词所属命名实体类别，标注特征转换模型关键元素标签，为将意图最终转译奠定基础。选取双向循环神经网络结合条件随机场的联合识别算法。可以捕捉文本上下文的双向依赖性，并学习序列标注上下文的约束条件，为提高性能并加入注意力机制，同时可以采用时隙门控机制。
在一种可能的实现方式中，策略详情包括数值阈值及各类运行数据对应的权重。
其中，数值阈值及各类参数对应的权重可以是策略触发条件中的参数。运行数据可以有多类。
相应地，上述步骤S205中，根据各小区的策略详情及运行数据，确定至少一个待优化小区，包括：
S2051：将目标小区的各类运行数据的数据值与对应的权重相乘，得到各类加权值，其中目标小区为任一小区。
在本步骤中，运行数据例如丢包率、掉话率，对应的权重可以是工作人员预先设置的，也可以是程序预先生成的。
S2052：将目标小区的各类加权值相加，得到数值和。
在本步骤中，例如目标小区的各类加权值分别为0.3、0.5、0.7，则数值和为1.5。
步骤S2051和步骤S2052可以表示为以下公式：
X＝k1x1+k2x2+k3x3+…+knxn
其中X表示数值和，kn表示第n类运行数据的权重，xn表示第n类运行数据的数据值。n表示运行数据的总种类数。
S2053：若数值和大于数值阈值，则将目标小区确定为待优化小区。
在本步骤中，数值和也可以是工作人员预先设定的，还可以是通过程序优化得到的。
从上述实施例的描述可知，本申请实施例通过将目标小区的运行数据与对应的权重相乘，得到加权值，并将加权值相加，得到数值和，在数值和大于数值阈值，则将目标小区确定为待优化小区，实现通过小区的运行数据在所有小区中筛选出待优化小区、减少后续计算量的效果。
在一种可能的实现方式中，策略详情包括各类运行数据对应的数值阈值，相应地，上述步骤S205中，根据各小区的策略详情及运行数据，确定至少一个待优化小区，包括：若目标小区的任一类运行数据超过对应的数值阈值，则将目标小区确定为待优化小区。
其中，数值阈值可以是大于某一值或小于某一值，超过数值阈值可以是符合数值阈值的条件。
在一种可能的实现方式中，策略详情包括优化动作及判断标准。
优化动作可以是对小区参数的调整动作，例如将小区仰角减少5°、水平朝向角增加3°等。
相应地，在上述步骤S206中，根据待优化小区的策略详情及小区参数，优化各待优化小区的小区参数，包括：步骤S2061至S2065。
S2061：应用优化动作调整各待优化小区的小区参数，得到各待优化小区的待确定参数。
在本步骤中，可以是采用各待优化小区对应的优化动作改变各待优化小区的小区参数，将得到的新的小区参数确定为待确定参数。
例如，目标小区的原小区参数为15°仰角，优化动作为减少3°仰角，则得到的待确定参数为12°仰角。又例如，目标小区的原小区参数为100°水平方向角，优化动作为增加5°水平方向角，则得到的待确定参数为105°水平方向角。
S2062：控制各待优化小区以待确定参数运行。
在本步骤中，可以是调整各待优化小区的小区参数，使各待优化小区的小区参数与对应的待确定参数相同，并运行。
S2063：获取各待优化小区新的运行数据。
在本步骤中，可以是由待优化小区的标识，从数据采集设备读取对应的新增运行数据。也可以是由待优化小区的标识，直接向待优化小区发送运行数据获取请求，并接收待优化小区发送的运行数据。
其中，新增运行数据可以是待优化小区以待确定参数运行后，产生的运行数据。
S2064：若目标待调整小区的新的运行数据不符合预设运行要求，则控制目标待调整小区以对应的小区参数运行，其中目标待调整小区为任一待调整小区。
在本步骤中，预设运行要求可以包括建立成功率、掉线率、重建率等基础性能指标。控制目标待调整小区以对应的小区参数运行即将采用的小区参数退回原小区参数。
预设运行要求例如掉线率小于5％、重建率大于90％、接通率大于99.8％、切换成功率大于99％等等。
在一种可能的实现方式中，在本步骤之后还包括将目标待调整小区的标识加入待优化清单，从而让后续更便于人工优化。
S2065：若目标待调整小区的新的运行数据符合预设运行要求，且符合判断标准，则控制目标待调整小区以待确定参数运行。
在本步骤中，控制目标待调整小区以待确定参数运行可以是向目标待调整小区发送控制指令，使目标待调整小区采用控制指令中的待确定参数运行。
S2066：若目标待调整小区的新的运行数据符合预设运行要求，且不符合判断标准，则重新执行调整待优化小区的小区参数至判断新的运行数据是否符合预设运行要求的步骤，直至新的运行数据符合预设运行要求。
在本步骤中，预设运行要求例如空口上行高丢包、空口下行高丢包率、非低接入小区等。调整待优化小区的小区参数至判断新的运行数据是否符合预设运行要求的步骤，可以是上述步骤S2064至S2065。
其中，空口标识“空中接口”是一个形象化的术语，是基站和移动电话之间的无线传输规范，丢包率为数据包丢失率。
在一种可能的实现方式中，若重新执行步骤S2064至S2065预设次数后仍符合预设运行要求，则将目标待调整小区的标识加入待优化清单，从而让后续更便于人工优化
从上述实施例的描述可知，本申请实施例通过应用策略详情中的优化动作调整各待优化小区的小区参数，得到各待优化小区的待优化参数，由待优化参数控制待优化小区运行并获取新的运行数据，判断目标待调整小区的心得运行数据是否符合预设运行要求，若不符合则控制目标待调整小区以对应的原小区参数运行，若同时符合策略详情中的判断标准则控制目标调整小区以待确定参数运行，若符合预设运行要求但不符合策略详情中的判断标准则重新执行调整待优化小区的小区参数至判断新的运行数据是否符合预设运行要求的步骤，直至新的运行数据符合预设运行要求，实现迭代优化小区的小区参数，提升移动网络的稳定性和覆盖率等性能，减少优化小区基站的时间。
图4为本申请实施例提供的调整待优化小区的小区参数过程示意图。如图4所示，调整待优化小区的小区参数的过程包括：
S401：参数核查：获取各小区的小区数据，并采用预设的规则对小区参数进行标准化。
其中，小区参数可以包括切换门限、定时器设置、算法设置、功率设置等。
S402：模型设定：对全网小区进行场景归类，依据专家经验按不同场景策略进行个性化的初始门限设定，通过设置参数基线L、单次调整步长S、调整偏置f，形成参数调整的策略模型，步骤如下：
设置待调整小区参数值为Q，参数调整目标值为D，调整序列为O。其中调整序列初始值为1，每循环一次叠加1，按设定值n最多叠加n次，公式如下：
O＝O+1，1≤O≤On
若L-f<Q<L+f，则设置参数调整目标值为参数基线值L，公式如下：
D＝L
若Q>L+f或Q<L-f，则由参数基线值L与调整步长S、调整序列O形成参数调整目标值D。其中公式如下：
D＝L+S*O
调整策略例如表1。
表1调整策略示例表
| 参数名称 | 门限 | 基线 | 步长 | 调整序列 | 目标值 |
| A2 | -115 | -115 | -2 | 1 | -117 |
| A4 | -117 | -120 | -1 | 2 | -119 |
S403：指标判别。指标判别过程与上述步骤S2052至S2053类似，在这里不再赘述。
S404：调整实施：采用目标优化策略及小区类型对应的策略详情调整小区参数。
S405：指标观察：在调整小区参数后，在时间区间T1内判断小区的运行数据是否符合预设运行要求，若不符合预设运行要求则进行策略回退，以原小区参数运行，将小区的标识写入待人工干预清单。若符合预设运行要求，则执行步骤S406。
S406：二次判别：判断是否符合策略详情中的判断标准，若符合则控制目标待调整小区以待确定参数运行，若不符合则执行步骤S407。
S407：循环调整：重新执行调整待优化小区的小区参数至判断新的运行数据是否符合预设运行要求的步骤，直至新的运行数据符合预设运行要求，或重复执行n次后依然不符合，则采用原小区参数运行。
S408：数据采集：在上述步骤S406之后，若符合策略详情中的判断标准，则将小区参数加入训练集。
S409：机器学习：采集的某场景应用策略不同策略的不同结果，代入机器学习模型进行迭代训练，最终形成新的全网分场景策略，应用于该场景所有小区，成为新的参数策略。
在一种可能的实现方式中，在上述步骤S2066重新执行调整待优化小区的小区参数至判断新的运行数据是否符合预设运行要求的步骤之后，还包括：
S2067：若重新执行上述调整待优化小区的小区参数至判断新的运行数据是否符合预设运行要求的步骤m次后，新的运行数据不符合预设运行要求，则控制目标待调整小区以对应的小区参数运行，其中m为正整数。
在本步骤中，可以是在每次执行步骤S2064至S2065后将执行计数加1，得到新的执行计数，当执行计数到达m后，若新的运行数据依然不符合预设运行要求，则采用上述步骤S203中的小区参数控制小区运行。
在本步骤之后，还可以是将将目标待调整小区的标识加入待优化清单，从而让后续更便于人工优化。
从上述实施例的描述可知，本申请实施例通过在重复调整小区参数m次后仍不符合预设运行要求的情况下，采用原始的小区参数控制目标小区运行，实现在小区多次优化不能达到要求的情况下，还原小区的参数，避免小区性能降低的效果。
在一种可能的实现方式中，上述步骤S202中，根据指令特征，确定目标优化策略，包括：
S2021：将指令特征输入预先训练得到的特征转换模型，得到目标优化策略。
在本步骤中，特征转换模型可以采用长短期记忆网络、前馈神经网络、反馈神经网络等训练得到。在特征转换模型中，编码器和解码器都可以采用一层长短期记忆神经网络组成，隐藏层层数可以为32层，也可以有更多或更少的隐藏层。在训练过程中，使用双语评估替换(Bilingual Evaluation Understudy，BLEU)和交叉熵损失函数评估模型的效果。特征转换模型可以是采用已有的实验数据训练得到的，实验数据中包括实验得到的指令特征和对应的优化策略。
在一种可能的实现方式中，上述步骤S202可以包括，根据指令特征，查找预设的指令特征与优化策略对应关系，得到对应的目标优化策略。
从上述实施例的描述可知，本申请实施例通过将指令特征输入特征转换模型，得到目标优化策略，实现由指令特征得到优化策略，在需要进行小区优化时，由输入的指令得到对应的优化策略，减少人工查找优化策略的时间。
在一种可能的实现方式中，在上述步骤S204中，根据目标优化策略及各小区的小区类型，确定各小区对应的策略详情，包括：
S2041：将目标优化策略及目标小区的小区类型，输入预设的策略详情生成模型，得到目标小区的策略详情，其中目标小区为任一小区。
在本步骤中，策略详情生成模型可以是前馈神经网络或反馈神经网络等，可以是采用实验数据中优化策略、小区类型及策略详情的对应关系训练得到的。
从上述实施例的描述可知，本申请实施例通过将目标优化策略及目标小区的小区类型输入预设的策略详情生成模型，得到了策略详情，实现针对不同的小区类型和优化策略得到不同的策略详情，使小区参数的调整方法更具有针对性。
在一种可能的实现方式中，上述步骤S204，根据目标优化策略及各小区的小区类型，确定各小区对应的策略详情，包括：
S2042：根据目标优化策略及目标小区的小区类型，查找预设的优化策略、小区类型及策略详情对应关系，得到目标优化策略及目标小区的小区类型对应的策略详情。
其中，优化策略、小区类型及策略详情对应关系可以是采用表格、键值对等格式存储的，每一组优化策略和小区类型对应一种策略详情。
在一种可能的实现方式中，在上述步骤S203获取各小区数据之前，还包括：
S210：获取各小区的运行数据。
在本步骤中，可以是采用小区的标识从数据采集设备或数据库读取对应的运行数据。
S211：将各小区的运行数据标准化，得到各小区的标准化运行数据。
在本步骤中，可以包括：将运行数据中各类数据的空值采用对应类的平均值填充、将字符串类型转换为数值类型，分别将高掉话，低接入，上行高丢包，下行高丢包分别用数字1，2，3，4表示、将指标列的数据类型转换为浮点类型、去除运行数据中的异常值。还可以包括去除运行数据中重要性较低的运行数据类型。
其中，去除异常值可以采用预设的库或脚本执行。去除重要性较低的运行数据类型可以是采用LASSO(最小绝对收缩和选择算法，Least Absolute Shrinkage andSelection Operator)算法得到数据特征的重要性，并采用得到的重要性去除重要性较低的特征，重要性较低可以是重要性最低的预设个特征，还可以是重要性最低的z％个特征种类，其中z为整数。去除重要性较低的特征种类，还可以是将各类特征的重要性绘制为图片，由人工选择被去除的特征种类。
S212：采用各小区的标准化运行数据对各小区聚类，得到各小区对应的小区类型。
在本步骤中，可以是采用KNN(K Nearest Neighbor，K最近邻)算法、K-means(K均值)算法等方法对各小区聚类，得到对应的小区类型。其中KNN算法可以采用了实验数据训练得到的参数，训练使用的数据可以按8：2的比例被划分为训练集和测试集，在训练得到参数的过程中，可以采用交叉验证和网格搜索的方式对模型进行优化，从而得到模型的参数。
从上述实施例的描述可知，本申请实施例通过获取各小区的运行数据，将各小区的运行数据标准化，得到各小区的标准化运行数据，并采用各小区的标准化运行数据，采用标准化运行数据对各小区聚类，得到各小区对应的小区类型，便于后续采用各小区的小区类型对小区参数进行调整。
在训练聚类算法的过程中，将训练集输入模型进行训练，并使用得分函数计算模型的评分，在评分高于预设值的情况下，采用测试集确定模型的准确率，在准确率超过准确率阈值后将模型保存。
图5为本申请实施例提供的小区参数处理装置的结构示意图。如图5所示，小区参数处理装置500，包括：指令转换模块501、策略确定模块502、数据获取模块503、详情确定模块504、小区确定模块505及小区优化模块506。
指令转换模块501，用于接收终端设备发送的优化指令，并采用自然语言理解模型将优化指令转换为指令特征。
策略确定模块502，用于根据指令特征，确定目标优化策略。
数据获取模块503，用于获取各小区数据，其中小区数据包括小区类型、小区参数及运行数据。
详情确定模块504，用于根据目标优化策略及各小区的小区类型，确定各小区对应的策略详情。
小区确定模块505，用于根据各小区的策略详情及运行数据，确定至少一个待优化小区。
小区优化模块506，用于根据待优化小区的策略详情，调整各待优化小区的小区参数。
本实施例提供的装置，可用于执行上述方法实施例的技术方案，其实现原理和技术效果类似，本实施例此处不再赘述。
在一种可能的实现方式中，策略详情包括数值阈值及各类运行数据对应的权重。小区确定模块505，具体用于将目标小区的各类运行数据与对应的权重相乘，得到各类加权值，其中目标小区为任一小区。将目标小区的各类加权值相加，得到数值和。若数值和大于数值阈值，则将目标小区确定为待优化小区。
本实施例提供的装置，可用于执行上述方法实施例的技术方案，其实现原理和技术效果类似，本实施例此处不再赘述。
在一种可能的实现方式中，策略详情包括优化动作及判断标准。小区优化模块506，用于应用优化动作调整各待优化小区的小区参数，得到各待优化小区的待确定参数。控制各待优化小区以待确定参数运行。获取各待优化小区新的运行数据。若目标待调整小区的新的运行数据不符合预设运行要求，则控制目标待调整小区以对应的小区参数运行，其中目标待调整小区为任一待调整小区。若目标待调整小区的新的运行数据符合预设运行要求，且符合判断标准，则控制目标待调整小区以待确定参数运行。若目标待调整小区的新的运行数据符合预设运行要求，且不符合判断标准，则重新执行调整待优化小区的小区参数至判断新的运行数据是否符合预设运行要求的步骤，直至新的运行数据符合预设运行要求。
本实施例提供的装置，可用于执行上述方法实施例的技术方案，其实现原理和技术效果类似，本实施例此处不再赘述。
在一种可能的实现方式中，小区参数处理装置500，还包括：参数回退模块507。
参数回退模块507，用于若重新执行调整待优化小区的小区参数至判断新的运行数据是否符合预设运行要求的步骤m次后，新的运行数据不符合预设运行要求，则控制目标待调整小区以对应的小区参数运行，其中m为正整数。
本实施例提供的装置，可用于执行上述方法实施例的技术方案，其实现原理和技术效果类似，本实施例此处不再赘述。
在一种可能的实现方式中，策略确定模块502，用于将指令特征输入预先训练得到的特征转换模型，得到目标优化策略。
本实施例提供的装置，可用于执行上述方法实施例的技术方案，其实现原理和技术效果类似，本实施例此处不再赘述。
在一种可能的实现方式中，详情确定模块504，用于将目标优化策略及目标小区的小区类型，输入预设的策略详情生成模型，得到目标小区的策略详情，其中目标小区为任一小区。
本实施例提供的装置，可用于执行上述方法实施例的技术方案，其实现原理和技术效果类似，本实施例此处不再赘述。
在一种可能的实现方式中，小区参数处理装置500，还包括：小区聚类模块508，用于获取各小区的运行数据。将各小区的运行数据标准化，得到各小区的标准化运行数据。采用各小区的标准化运行数据对各小区聚类，得到各小区对应的小区类型。
本实施例提供的装置，可用于执行上述方法实施例的技术方案，其实现原理和技术效果类似，本实施例此处不再赘述。
为了实现上述实施例，本申请实施例还提供了一种电子设备。
参考图6，其示出了适于用来实现本申请实施例的电子设备600的结构示意图，该电子设备600可以为终端设备或服务器。其中，终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、个人数字助理(Personal Digital Assistant，简称PDA)、平板电脑(Portable Android Device，简称PAD)、便携式多媒体播放器(Portable MediaPlayer，简称PMP)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图6示出的电子设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
如图6所示，电子设备600可以包括处理器(例如中央处理器、图形处理器等)601，以及与处理器通信连接的存储器602，其可以根据存储在存储器602中的程序、计算机执行指令或者从存储装置608加载到随机访问存储器(Random Access Memory，简称RAM)603中的程序而执行各种适当的动作和处理，实现上述任一实施例中的小区参数处理方法，其中存储器可以是只读存储器(Read Only Memory，简称ROM)。在RAM603中，还存储有电子设备600操作所需的各种程序和数据。处理装置601、存储器602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
通常，以下装置可以连接至I/O接口605：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置606；包括例如液晶显示器(Liquid CrystalDisplay，简称LCD)、扬声器、振动器等的输出装置607；包括例如磁带、硬盘等的存储装置608；以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备600，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地，根据本申请的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本申请的实施例包括一种计算机程序产品，其包括承载在计算机可读存储介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置609从网络上被下载和安装，或者从存储装置608被安装，或者从存储器602被安装。在该计算机程序被处理装置601执行时，执行本申请实施例的方法中限定的上述功能。
需要说明的是，本申请上述的计算机可读存储介质可以是计算机可读信号介质或者计算机存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行***、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读存储介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
上述计算机可读存储介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。
上述计算机可读存储介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备执行上述实施例所示的方法。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LocalArea Network，简称LAN)或广域网(Wide Area Network，简称WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本申请各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的***来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，单元的名称在某种情况下并不构成对该模块本身的限定，例如，策略确定模块还可以被描述为“目标优化策略确定模块”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上***(SOC)、复杂可编程逻辑设备(CPLD)等等。
本申请还提供一种计算机可读存储介质，该计算机可读存储介质中存储有计算机执行指令，当处理器执行计算机执行指令时，实现上述任一实施例中的小区参数处理方法的技术方案，其实现原理以及有益效果与小区参数处理方法的实现原理及有益效果类似，可参见小区参数处理方法的实现原理及有益效果，此处不再进行赘述。
在本申请的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
本申请还提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时，实现上述任一实施例中的小区参数处理方法的技术方案，其实现原理以及有益效果与小区参数处理方法的实现原理及有益效果类似，可参见小区参数处理方法的实现原理及有益效果，此处不再进行赘述。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本申请的真正范围和精神由下面的权利要求书指出。
应当理解的是，本申请并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求书来限制。
Claims (10)
1.一种小区参数处理方法，其特征在于，包括：
接收终端设备发送的优化指令，并采用自然语言理解模型将所述优化指令转换为指令特征；
根据所述指令特征，确定目标优化策略；
获取各小区数据，其中所述小区数据包括小区类型、小区参数及运行数据；
根据所述目标优化策略及各小区的小区类型，确定各小区对应的策略详情；
根据各小区的策略详情及运行数据，确定至少一个待优化小区；
根据待优化小区的策略详情，调整各待优化小区的小区参数。
2.根据权利要求1所述的方法，其特征在于，所述策略详情包括数值阈值及各类运行数据对应的权重；
相应地，所述根据各小区的策略详情及运行数据，确定至少一个待优化小区，包括：
将目标小区的各类运行数据与对应的权重相乘，得到各类加权值，其中所述目标小区为任一小区；
将所述目标小区的各类加权值相加，得到数值和；
若所述数值和大于所述数值阈值，则将所述目标小区确定为待优化小区。
3.根据权利要求1所述的方法，其特征在于，所述策略详情包括优化动作及判断标准；
相应地，所述根据待优化小区的策略详情及小区参数，优化各待优化小区的小区参数，包括：
应用所述优化动作调整各待优化小区的小区参数，得到各待优化小区的待确定参数；
控制各待优化小区以所述待确定参数运行；
获取各待优化小区新的运行数据；
若目标待调整小区的新的运行数据不符合预设运行要求，则控制所述目标待调整小区以对应的小区参数运行，其中所述目标待调整小区为任一待调整小区；
若目标待调整小区的新的运行数据符合预设运行要求，且符合所述判断标准，则控制目标待调整小区以待确定参数运行；
若目标待调整小区的新的运行数据符合预设运行要求，且不符合所述判断标准，则重新执行调整待优化小区的小区参数至判断新的运行数据是否符合预设运行要求的步骤，直至新的运行数据符合预设运行要求。
4.根据权利要求3所述的方法，其特征在于，在所述重新执行调整待优化小区的小区参数至判断新的运行数据是否符合预设运行要求的步骤之后，还包括：
若重新执行调整待优化小区的小区参数至判断新的运行数据是否符合预设运行要求的步骤m次后，新的运行数据不符合预设运行要求，则控制所述目标待调整小区以对应的小区参数运行，其中m为正整数。
5.根据权利要求1至4任一项所述的方法，其特征在于，所述根据所述指令特征，确定目标优化策略，包括：
将所述指令特征输入预先训练得到的特征转换模型，得到目标优化策略。
6.根据权利要求1至4任一项所述的方法，其特征在于，所述根据所述目标优化策略及各小区的小区类型，确定各小区对应的策略详情，包括：
将所述目标优化策略及目标小区的小区类型，输入预设的策略详情生成模型，得到所述目标小区的策略详情，其中所述目标小区为任一小区。
7.根据权利要求1至4任一项所述的方法，其特征在于，在所述获取各小区数据之前，还包括：
获取各小区的运行数据；
将各小区的运行数据标准化，得到各小区的标准化运行数据；
采用各小区的标准化运行数据对各小区聚类，得到各小区对应的小区类型。
8.一种小区参数处理装置，其特征在于，包括：
指令转换模块，用于接收终端设备发送的优化指令，并采用自然语言理解模型将所述优化指令转换为指令特征；
策略确定模块，用于根据所述指令特征，确定目标优化策略；
数据获取模块，用于获取各小区数据，其中所述小区数据包括小区类型、小区参数及运行数据；
详情确定模块，用于根据所述目标优化策略及各小区的小区类型，确定各小区对应的策略详情；
小区确定模块，用于根据各小区的策略详情及运行数据，确定至少一个待优化小区；
小区优化模块，用于根据待优化小区的策略详情，调整各待优化小区的小区参数。
9.一种电子设备，其特征在于，包括：处理器，以及与所述处理器通信连接的存储器；
所述存储器存储计算机执行指令；
所述处理器执行所述存储器存储的计算机执行指令，使得所述处理器执行如权利要求1至7中任一项所述的小区参数处理方法。
10.一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中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现如权利要求1至7中任一项所述的小区参数处理方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310816014.XA CN116684903A (zh) | 2023-07-04 | 2023-07-04 | 小区参数处理方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310816014.XA CN116684903A (zh) | 2023-07-04 | 2023-07-04 | 小区参数处理方法、装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116684903A true CN116684903A (zh) | 2023-09-01 |
Family
ID=87782161
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310816014.XA Pending CN116684903A (zh) | 2023-07-04 | 2023-07-04 | 小区参数处理方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116684903A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117908902A (zh) * | 2024-03-12 | 2024-04-19 | 苏州元脑智能科技有限公司 | 性能优化方法、装置、计算机设备及存储介质 |
-
2023
- 2023-07-04 CN CN202310816014.XA patent/CN116684903A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117908902A (zh) * | 2024-03-12 | 2024-04-19 | 苏州元脑智能科技有限公司 | 性能优化方法、装置、计算机设备及存储介质 |
| CN117908902B (zh) * | 2024-03-12 | 2024-06-07 | 苏州元脑智能科技有限公司 | 性能优化方法、装置、计算机设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110363449B (zh) | 一种风险识别方法、装置及*** | |
| CN114241282A (zh) | 一种基于知识蒸馏的边缘设备场景识别方法及装置 | |
| CN111339443B (zh) | 用户标签确定方法、装置、计算机设备及存储介质 | |
| CN112084752B (zh) | 基于自然语言的语句标注方法、装置、设备及存储介质 | |
| CN112528029A (zh) | 文本分类模型处理方法、装置、计算机设备及存储介质 | |
| CN109840276A (zh) | 基于文本意图识别的智能对话方法、装置和存储介质 | |
| CN111444341A (zh) | 用户画像构建方法、装置、设备及可读存储介质 | |
| CN116684903A (zh) | 小区参数处理方法、装置、设备及存储介质 | |
| CN114492601A (zh) | 资源分类模型的训练方法、装置、电子设备及存储介质 | |
| US20230041339A1 (en) | Method, device, and computer program product for user behavior prediction | |
| US11775852B2 (en) | Network optimization | |
| US11138424B2 (en) | Contextual vector grids for document processing | |
| CN111985250A (zh) | 模型训练方法、装置、***及计算机可读存储介质 | |
| US20230004715A1 (en) | Method and apparatus for constructing object relationship network, and electronic device | |
| CN115186738B (zh) | 模型训练方法、装置和存储介质 | |
| CN113723712B (zh) | 风电功率预测方法、***、设备及介质 | |
| WO2022105121A1 (zh) | 一种应用于bert模型的蒸馏方法、装置、设备及存储介质 | |
| CN114638308A (zh) | 一种获取对象关系的方法、装置、电子设备和存储介质 | |
| CN114925681A (zh) | 知识图谱问答问句实体链接方法、装置、设备及介质 | |
| CN116030375A (zh) | 视频特征提取、模型训练方法、装置、设备及存储介质 | |
| CN115168609A (zh) | 一种文本匹配方法、装置、计算机设备和存储介质 | |
| CN113128225B (zh) | 命名实体的识别方法、装置、电子设备及计算机存储介质 | |
| CN111460214B (zh) | 分类模型训练方法、音频分类方法、装置、介质及设备 | |
| CN114513578A (zh) | 外呼方法、装置、计算机设备及存储介质 | |
| CN113627514A (zh) | 知识图谱的数据处理方法、装置、电子设备和存储介质 |
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 |