[发明专利]6G网络AI信号优化的方法、系统、设备和存储介质

权利要求书

1.一种6G网络AI信号优化的方法，其特征在于，包括：

对5G空口覆盖数据进行二次插值数据提优；

采用Transformer算法构建无线网络覆盖分类预测模型；

根据分类预测模型和二次插值提优后的数据对覆盖因素进行分类预测；

将分类预测的结果作为查询条件，从基站网络设备的RRU日志获取分类数据；

根据分类预测模型对分类数据进行计算，将计算结果作为下次路测发生无线覆盖异常的概率，并生成路测流程标识分析表；

采用随机森林法构建的路测流程优化模型；

根据路测流程优化模型，将存储在发射信号所在5G基站上的日志数据和分类对应的正常阈值指标进行数据运算和分析，得到影响无线网络覆盖的当前因素分类中发生异常概率最高的子分类；

对发生异常概率最高的子分类进行正常或异常标识；

将标识后的数据更新至路测流程标识分析表；

根据更新后的路测流程标识分析表优化5G无线接入覆盖流程。

2.根据权利要求1所述的6G网络AI信号优化的方法，其特征在于，所述根据分类预测模型对分类数据进行计算，将计算结果作为下次路测发生无线覆盖异常的概率，并生成路测流程标识分析表，包括：

采用PositionEncoding进行时序编码：

PositionEncoding＝cos2(pos/N)；

其中，PositionEncoding为时间序列编码；pos为数据序列号；N为可调长度大小；

采用attention发掘时序维度的特征关联：

Attention_output＝Attention(Q,K,V)；

其中，Attention_output为时间序列维度的特征关联；Q为查询特征映射；K为待匹配特征映射；V为监测数据映射；

采用multi head attention提取不同多空间维度特征：

Headi＝Attention(Qi,Ki,Vi)；

MultiHead(Q,K,V)＝Concat(head1,...,headh)*WO；

其中，headi为时间注意力得到的结果，通过MultiHead融合多空间维度特征；Qi为第i组查询特征映射；Ki为第i组待匹配特征映射；Vi为第i组监测数据映射；WO为特征融合矩阵；Concat为特征级联融合；MultiHead为多头特征融合。

3.根据权利要求1所述的6G网络AI信号优化的方法，其特征在于，所述路测流程优化模型的表达式为：

其中，H_j为影响无线网络覆盖的主要因素分类；N为无线网络覆盖的主要因素场景数量；|D_i|为第i个无线网络覆盖的主要因素场景中异常数据的数量；|D|为无线网络覆盖的主要因素中网络规划不合理的历史日志数据数量；为第i个无线网络覆盖的主要因素场景的概率；H(i)为第i个无线网络覆盖的主要因素场景发生异常的概率。

4.一种6G网络AI信号优化的系统，其特征在于，包括：

数据提优模块，用于对5G空口覆盖数据进行二次插值提优；

第一构建模块，用于采用Transformer算法构建无线网络覆盖分类预测模型；

分类预测模块，用于根据分类预测模型和二次插值提优后的数据对覆盖因素进行分类预测；

分类数据获取模块，用于将分类预测的结果作为查询条件，从基站网络设备的RRU日志获取分类数据；

计算模块，用于根据分类预测模型对分类数据进行计算，将计算结果作为下次路测发生无线覆盖异常的概率，并生成路测流程标识分析表；

第二构建模块，用于采用随机森林法构建的路测流程优化模型；

运算分析模块，用于根据路测流程优化模型，将存储在发射信号所在5G基站上的日志数据和分类对应的正常阈值指标进行数据运算和分析，得到影响无线网络覆盖的当前因素分类中发生异常概率最高的子分类；

标识模块，用于对发生异常概率最高的子分类进行正常或异常标识；

更新模块，用于将标识后的数据更新至路测流程标识分析表；

流程优化模块，用于根据更新后的路测流程标识分析表优化5G无线接入覆盖流程。