检测和减轻对流层干扰的方法及系统与流程

1.本公开的实施例总体上涉及通信网络。更具体地，本公开涉及一种用于以预测方式自动检测对流层干扰并用于减轻通信网络中对流层干扰的方法和系统。
背景技术：
：：2.以下对相关技术的描述旨在提供与本公开领域相关的背景信息。本部分可包括可能与本公开的各种特征相关的技术的某些方面。然而，应当理解，本部分仅用于增强读者对本公开的理解，而不是作为对现有技术的承认。3.通常，现代无线通信系统中，进出终端用户装置的信号质量受到来自各种源的干扰的限制。无线通信系统可能会经历来源于如下项的意外网络干扰：由同一或附近基站所服务的多个有意和无意的射频(radiofrequency，rf)产生源；工业机械；以及在感兴趣的频带中辐射信号的电子测试设备。此外，还可能由于无线通信系统所产生的信号的不期望的混合以及工作在错误频带中的非法射电源而引起干扰。4.这些干扰源的存在导致系统服务降级并减小了无线网络容量覆盖范围，这是因为有意的系统信号由于这些干扰而遭到降级。5.当冷暖气团相互叠加时会产生对流层管道(troposphericducting)，从而生成一个或多个空气密度界面，该一个或多个空气密度界面表现成反射rf能量的低rf损失表面。当这些状况发生时，来自与感兴趣的无线网络相距很远的rf信号可能会达到足够高的能量水平以致降低网络接收器性能。通常，这些远距离信号被高水平rf路径损耗充分衰减，该高水平rf路径损耗是由距离、rf阴影(例如建筑物、树木、山脉)和地球曲率所引起的。因此，信号无法以可测量的方式到达遥远的无线网络，并且通常不会在感兴趣的无线网络中产生干扰问题。然而，对流层管道会使得来自远程源的信号在无线接收器处呈现出有问题的干扰能量水平。此外，对流层管道会使得来自远程源的rf信号在长距离上传播，并导致干扰。6.在4g网络以及通信系统中经常存在远程干扰。若干小区对面临干扰，无法估计动作的影响，如远程电下倾(remoteelectricaltilt，ret)的变化。也无法识别对覆盖范围影响最小的动作。因此，受干扰小区(victimcell)的客户体验和容量大大降低。减轻干扰的当前方法之一涉及增加受干扰小区处的保护频带。这种方法导致上行链路信道中可用的持续时间减少。作为增加受干扰小区处的保护频带的结果，受干扰小区处的上行链路信道的容量减小，这是不利的。减轻干扰的另一种方法涉及基于历史数据更新ret变化：在这种方法中，历史信息用于识别某一天的干扰源或受干扰者。这种方法可能不能使用任何可用的预测信息，如天气数据和对流层数据(赫本数据(hepburndata))。此外，不存在用于对减轻对流层干扰所需的小区对的天线下倾量进行确定的现有方法。7.减轻对流层干扰的又一种方法是改变干扰源小区(aggressorcell)的保护频带。在这种方法中，一旦在干扰源小区处识别到对流层干扰，就增加保护频带。由于保护频带的增加会导致上传容量减少，因此需要按时减小保护频带。并且，保护频带的减小仅能在一定距离内处理来自干扰源的对流层干扰。超过该距离，保护频带的增加不能处理来自干扰源的干扰。尽管使用干扰对的历史数据来识别具有高干扰可能性的小区对，但一旦保护频带增加，就没有机制来识别如下的时间：在该时间，应当将保护频带增加复原。8.这些干扰对用于识别非常具有侵害性的干扰源小区。对于这些具有侵害性的干扰源小区，增加下倾值。由于对流层现象是非常动态的，因此仅依赖于历史数据来识别小区并采取动作可能无法提供对具有干扰的小区对的准确预测，并且将不能识别对小区的、会带来最佳干扰减轻的动作。9.这两种方法可能都不能使用任何可用的预测信息，如天气数据和对流层数据(赫本数据)。而且，不存在确定用于减轻干扰的下倾量的方法。不存在为具有干扰的小区对提供对如下的预测能力的方法：在未来的给定时间在小区位置处，天气和对流层信息是否可用。而且，没有办法识别这样的小区对：这些小区对具有干扰的可能性或正在引起高干扰。此外，没有办法为这些小区建议动作，使得对于对覆盖范围的影响最小的动作具有最大的影响，或者无法为每个小区建议下倾值的量以减轻对流层干扰。10.因此，需要一种改进的方法来减轻远程对流层干扰，这将改善受干扰小区的用户体验和容量。11.本公开的目的12.本文中至少一个实施例所满足的本公开的一些目的如下文所列。13.本公开的一个目的是提供一种通过采取如增加远程电下倾等动作来预先制止引起远程干扰的小区并减轻干扰的系统和方法。14.本公开的一个目的是提供一种用于促进对数字孪生模型的学习的系统和方法，该数字孪生模型用于减轻远程对流层干扰。15.本公开的一个目的是提供一种使用赫本数据来学习数字孪生模型的系统和方法。16.本公开的一个目的是提供一种使用数字孪生模型来预测给定小区对的对流层干扰可能性的系统和方法。17.本公开的一个目的是提供一种使用数字孪生模型评估不同动作(改变下倾值等)并找到能够为给定小区对减轻对流层干扰的最佳动作集的系统和方法。技术实现要素：18.提供本部分是为了以简化的形式介绍本发明的某些目的和方面，这些目的和方面将在下面的详细描述中进一步描述。该
发明内容不旨在识别所要求保护的主题的关键特征或范围。19.在一个方面中，本公开提供一种用于减轻通信网络中对流层干扰的系统。所述系统从通信网络中的第一小区和第二小区接收一组数据分组。所述一组数据分组包括以下项中的任何项或以下项的组合：所述一对或多对第一小区和第二小区的对流层干扰数据、指示在第二小区处正接收的第一小区信号的强度的对流层干扰强度、对流层干扰的日期、以及对流层干扰的时间。此外，该系统从所接收的一组数据分组中提取第一小区和第二小区的第一组属性、第二组属性和第三组属性。20.第一组属性对应于小区配置数据，该小区配置数据包括总下倾、远程电下倾(ret)、蜂窝塔的高度、机械下倾、发射功率和蜂窝塔的位置。第二组属性对应于赫本数据，该赫本数据包括在给定日期和给定时间在给定小区的蜂窝塔的位置处的天气数据指数、以及在将第一小区和第二小区连接成对的区域上的赫本指数。第三组属性对应于天气数据。此外，所述系统基于所提取的第一组属性、所提取的第二组属性和所提取的第三组属性来识别受对流层干扰影响的一对或多对第一小区和第二小区。21.所述系统基于所提取的第一组属性、所提取的第二组属性和所提取的第三组属性来计算所识别出的一对或多对第一小区和第二小区的第一边缘分数。所识别出的一对或多对第一小区和第二小区的第一边缘分数指示了所述一对或多对第一小区和第二小区之间的对流层干扰的可能性。通过使用将所识别出的一对或多对第一小区和第二小区的第一组属性、第二组属性和第三组属性串接而得到的特征向量来计算所述一对或多对第一小区和第二小区的第一边缘分数。22.所述系统基于第一边缘分数向所述一对或多对第一小区和第二小区分配动作。分配给所述一对或多对第一小区和第二小区的动作包括对所述一对或多对第一小区和第二小区的总下倾和远程电下倾(ret)的修改。所述系统基于分配给所述一对或多对第一小区和第二小区的动作计算第二边缘分数。所述系统基于第一边缘分数和第二边缘分数计算分配给所述一对或多对第一小区和第二小区的动作的影响。分配给所述一对或多对第一小区和第二小区的动作的影响是第一边缘分数与第二边缘分数之间的差。23.此外，所述系统通过为所识别的一对或多对第一小区和第二小区配置天线的总下倾和远程电下倾(ret)来减轻所述一对或多对第一小区和第二小区的对流层干扰。24.在一个方面中，本公开提供一种用于减轻通信网络中对流层干扰的方法。所述方法包括从通信网络中的第一小区和第二小区接收一组数据分组。所述一组数据分组包括以下项中的任何项或以下项的组合：所述一对或多对第一小区和第二小区的对流层干扰数据、指示在第二小区处正接收的第一小区信号的强度的对流层干扰强度、对流层干扰的日期、以及对流层干扰的时间。25.此外，所述方法包括从接收到的所述一组数据分组提取第一小区和第二小区的第一组属性、第二组属性和第三组属性。第一组属性对应于小区配置数据，该小区配置数据包括总下倾、远程电下倾(ret)、蜂窝塔的高度、机械下倾、发射功率和蜂窝塔的位置。第二组属性对应于赫本数据，该赫本数据包括在给定日期和给定时间在给定小区的蜂窝塔的位置处的天气数据指数、以及在将第一小区和第二小区连接成对的区域上的赫本指数。第三组属性对应于天气数据。此外，所述方法包括基于所提取的第一组属性、所提取的第二组属性和所提取的第三组属性来识别受对流层干扰影响的一对或多对第一小区和第二小区。26.所述方法包括基于所提取的第一组属性、所提取的第二组属性和所提取的第三组属性来计算所识别出的一对或多对第一小区和第二小区的第一边缘分数。所识别出的一对或多对第一小区和第二小区的第一边缘分数指示了所述一对或多对第一小区和第二小区之间的对流层干扰的可能性。通过使用将所识别出的一对或多对第一小区和第二小区的第一组属性、第二组属性和第三组属性串接而得到的特征向量来计算所述一对或多对第一小区和第二小区的第一边缘分数。27.所述方法包括基于第一边缘分数将动作分配给所述一对或多对第一小区和第二小区。分配给所述一对或多对第一小区和第二小区的动作包括对所述一对或多对第一小区和第二小区的天线的总下倾和远程电下倾(ret)的修改。所述系统基于分配给所述一对或多对第一小区和第二小区的动作来计算第二边缘分数。所述方法包括基于第一边缘分数和第二边缘分数计算分配给所述一对或多对第一小区和第二小区的动作的影响。分配给所述一对或多对第一小区和第二小区的动作的影响是第一边缘分数与第二边缘分数之间的差。28.此外，所述方法包括通过为所识别的一对或多对第一小区和第二小区配置总下倾和远程电下倾(ret)来减轻所述一对或多对第一小区和第二小区的对流层干扰。附图说明29.并入本文并构成本发明一部分的附图示出了所公开的方法和系统的示例性实施例，其中在所有不同附图中相同的附图标记指代相同的部分。附图中的组件不一定按比例绘制，而是将重点放在清楚地示出本发明的原理上。一些附图可以使用框图来指示组件，并且可能未呈现每个组件的内部电路。本领域技术人员将理解，这样的附图的发明包括通常用于实现这样的组件的电气组件、电子组件或电路的发明。30.图1示出了根据本公开实施例的示例性网络架构(100)，在该网络架构中或通过该网络架构可以实现本公开的所提出的系统(110)。31.图2示出了根据本公开实施例的系统(110)的示例性表示(200)。32.图3示出了根据本公开实施例的描绘了用于促进检测和减轻干扰的方法的示例性方法流程图(300)。33.图4示出了根据本公开实施例的与所提出的系统相关联的功能块的示例性框图(400)。34.图5示出了根据本公开实施例的与机器学习(ml)引擎相关联的功能块的示例性框图(500)。35.图6示出了根据本公开实施例的赫本数据分析的示例性表示(600)。36.图7示出了根据本公开实施例的仿真分析的示例性表示(700)。37.图8示出了根据本公开实施例的远程干扰网络的示例性表示(800)。38.图9示出了根据本公开实施例的在不同仿真迭代中的汇总边缘计数(aggregateedgecount)的示例性表示(900)。39.图10示出了根据本公开实施例的干扰数字孪生训练的流程图的示例性表示(1000)。40.图11示出了根据本公开实施例的所提出方法的仿真流程的流程图的示例性表示(1100)。41.图12示出了根据本公开实施例的示例性计算机系统(1200)，在该计算机系统中或通过该计算机系统可以利用本发明实施例。42.图13示出了根据本公开实施例的描绘了用于减轻通信网络中小区对的对流层干扰的方法的示例性方法流程图(1300)。43.从下面对本发明的更详细描述中，上述内容将变得更加易懂。具体实施方式44.在下面的描述中，出于解释的目的，阐述了各种具体细节以提供对本公开实施例的透彻理解。然而显而易见的是，本公开实施例可以在没有这些具体细节的情况下实施。下文描述的若干特征可以各自彼此独立地使用，或者与其他特征的任意组合一起使用。单独的特征可能不解决上面讨论的所有问题，或者可能只解决上面讨论的一些问题。上面讨论的一些问题可能未由本文描述的任何特征完全解决。45.后续描述仅提供了示例性实施例，并不旨在限制本公开的范围、适用性或配置。而是，示例性实施例的后续描述将为本领域技术人员提供用于实现示例性实施例的使能描述。应当理解，在不脱离本发明的精神和范围的情况下，可以对元素的功能和布置进行各种改变。46.在下面的描述中给出了具体细节，以提供对实施例的透彻理解。然而，本领域的普通技术人员将理解，可以在没有这些具体细节的情况下实施实施例。例如，可以以框图形式将电路、系统、网络、过程和其他组件示出为组件，以便不会在不必要的细节中模糊实施例。在其它实例中，可以在没有不必要的细节的情况下示出公知的电路、过程、算法、结构和技术，以避免模糊实施例。47.此外，需要注意的是，可以将各个实施例描述为过程，该过程被描绘为流程图、流程图示、数据流程图示、结构图或框图。虽然流程图可以将操作描述为顺序过程，但是许多操作可以并行或同时执行。另外，可以重新布置操作的顺序。当过程的操作完成时，过程被终止，但该过程可具有未被包括在附图中的其他步骤。过程可以对应于方法、函数、进程、子例程、子程序等。当过程对应于函数时，该过程的终止可以对应于函数返回到调用函数或主函数。48.词语“示例性”和/或“说明性”在本文中用于表示用作示例、实例或例示。为避免疑惑，本文所公开的主题不受这种示例的限制。另外，本文中描述为“示例性”和/或“说明性”的任何方面或设计不必被解释为相对于其它方面或设计为优选或有利的，也不意味着排除本领域普通技术人员已知的等效示例性结构和技术。此外，对于在具体实施方式或权利要求书中使用术语“包括”、“具有”、“包含”和其他类似词语来说，这些术语旨在以与作为开放过渡词的术语“包括”类似的方式而包括，而不排除任何附加或其他元素。49.本说明书通篇提及的“一个实施例”或“实施例”或“实例”或“一个实例”意味着，结合实施例描述的特定的特征、结构或特性包括在本发明的至少一个实施例中。因此，在整个说明书的各个地方出现的短语“在一个实施例中”或“在实施例中”不一定都指同一个实施例。此外，这些特定的特征、结构或特性可以以任何合适的方式组合在一个或多个实施例中。50.本文所使用的术语仅出于描述特定实施例的目的，并不旨在限制本发明。除非上下文另有指示，否则本文使用的单数形式“一个”、“一”和“该”也旨在包括复数形式。将进一步理解的是，术语“包括”和/或“包括……的”在本说明书中使用时，指定存在所述特征、整体、步骤、操作、元件和/或组件，但不排除存在或添加一个或多个其它特征、整体、步骤、操作、元件、组件和/或其群组。如本文所用的，术语“和/或”包括相关联的所列项目中的一个或多个中的任何和所有组合。51.本公开借助于减轻通信网络中对流层干扰的系统和方法，向实体或组织提供了解决方案。如果在给定时间在小区位置处天气和对流层信息可用，则该系统和方法可以为具有干扰的小区对提供预测能力。此外，所提出的系统和方法可以识别具有干扰可能性的小区对，并且为这些小区对建议动作，使得对于对覆盖范围的影响最小的动作具有最大的影响。此外，所提出的系统和方法还可以建议小区对的下倾值的量。52.增加小区对的下倾值会大幅减少通信区域中要服务的客户的数量。因此，需要以不影响在通信区域中可被服务的客户的数量的方式，来增加小区对的下倾值。可以通过数字孪生模型来实现对小区对的下倾值的修改，以消除对流层干扰而不影响要服务的客户的数量。数字孪生模型可以是仿真模型，该仿真模型可以对增加小区对的下倾值的效果进行仿真，并且可以确定消除对流层干扰的下倾值。应当注意，增加小区对的下倾值可以增加小区的天线相对于对流层管道的入射角，从而减小对流层干扰。从数字孪生模型的仿真可以看到，小区天线的下倾角只能增加两到三度来消除对流层干扰。超过两到三度的任何下倾角增加都会大大减少在给定通信区域中可能被服务的客户的数量。53.图1示出了根据本公开实施例的示例性网络架构(100)，在该网络架构中或通过该网络架构可以实现本公开的系统(110)。如图所示，在一个方面中，通信网络中的多个小区的多个基站可以与多个用户计算装置相关联。作为示例而非限制，一个或多个第一小区的第一基站(120-1)可以与多个用户计算装置(102-1、102-2、102-3)通信地相关联。一个或多个第二小区的第二基站(120-2)可以与第二组用户计算装置(102-4、102-5、102-6)通信地相关联。一个或多个第三小区的第三基站(120-3)可以与第三组用户计算装置(102-7、102-8、102-9)通信地相关联，并且一个或多个第四小区的第四基站(120-4)可以与第四用户计算装置通信地相关联，等等。在网络架构(100)中，可以存在与n个用户计算装置通信地相关联的一个或多个小区的n个基站。54.在一个示例性实施例中，该一个或多个第一小区可以是干扰源小区，并且该一个或多个第二小区可以是受干扰小区。作为示例而非限制，该一个或多个第一小区和该一个或多个第二小区可以形成第一干扰源-受干扰者对，该一个或多个第三小区和该一个或多个第四小区可以形成第二干扰源-受干扰者对，等等。本领域技术人员可以理解，可以以通信网络中存在的n个小区的任何排列和组合来形成干扰源-受干扰者对。55.多个基站(120-1、120-2……120-n)还可以通信地耦接到网络(106)和至少集中式服务器(112)。更具体地，示例性架构(100)实现了配备有机器学习(machinelearning，ml)引擎(216)的系统(110)，该ml引擎用于促进检测和减轻与小区干扰源-受干扰者对相关联的对流层干扰。系统(110)可以被配置为从第一小区和第二小区接收一组数据分组，该组数据分组包括第一小区和第二小区的任何干扰数据或干扰数据组合。该组数据分组还可以包括干扰强度以及干扰日期和干扰时间，该干扰强度指示在第二小区处正接收的第一小区信号的强度。系统(110)可以从所接收的该组数据分组提取对应于小区配置数据的第一组属性。然后，系统(110)可以从所接收的该组数据分组提取对应于天气数据的第二组属性。赫本数据可以指示特定地理位置对对流层干扰的脆弱性。56.在一个示例性实施例中，小区配置数据可以包括小区配置参数，例如总下倾、远程电下倾(ret)、蜂窝塔(celltower)的高度、机械下倾、发射功率、蜂窝塔的位置等。此外，赫本数据可以包括针对日期和时间的在一个位置处的天气数据指数，但不限于此。57.系统(110)还可以通过ml引擎(216)生成对应于数字孪生模型的已训练模型。该已训练模型可以被配置为自动确定和预测一对或多对第一和第二小区之间的对流层干扰。基于所提取的第一组属性和第二组属性，ml引擎(216)(参考图2)可以识别可能受到对流层干扰的影响的一对或多对第一和第二小区。ml引擎(216)可以基于对流层干扰，来计算该一对或多对第一小区和第二小区的边缘分数(edgescore)。基于所计算的边缘分数，ml引擎(216)可以基于具有更新后的配置值的第一组属性和第二组属性，来分配动作，以减轻对流层干扰。58.在一个示例性实施例中，可以使用可能与历史属性和干扰对有关的第三组属性来学习数字孪生模型。在另一示例性实施例中，可以使用数字孪生模型基于第一组属性、第二组属性和第三组属性来计算边缘分数。59.在一个示例性实施例中，可以通过查找第一组属性(其包括小区配置参数)和边缘参数来获得特征向量。可以对与干扰数据和非干扰数据对应的多个特征向量进行分组。该多个特征向量可以被馈送到数字孪生模型，该数字孪生模型提供边缘分数。边缘分数指示在干扰源-受干扰者对之间发生对流层干扰的可能性。60.在一个实施例中，计算装置(104)和/或用户装置(120)可以经由驻留在任何操作系统上的一组可执行指令与系统(110)通信，该操作系统包括但不限于androidtm、iostm、kaiostm等。在一个实施例中，计算装置(104)和/或用户装置(120)可以包括但不限于任何电气的、电子的、机电的或任何设备，或者上述装置中的一个或多个的组合，装置例如为移动电话、智能手机、虚拟现实(virtualreality，vr)装置、增强现实(augmentedreality，ar)装置、膝上型电脑、通用计算机、台式机、个人数字助理、平板计算机、大型计算机或任何其他计算装置，其中该计算装置可以包括一个或多个内置的或外部耦接的附件，包括但不限于：诸如摄像头等视觉辅助装置、音频辅助装置、传声器、键盘、诸如触摸板、触控屏、电子笔之类的用于从用户接收输入的输入装置等。可以理解，计算装置(104)和/或用户装置(120)可以不限于所提及的装置，并且可以使用各种其他装置。智能计算装置可以是用于存储数据和其他私有/敏感信息的适当系统之一。61.在一个示例性实施例中，作为示例而非限制，网络(106)可以包括具有一个或多个节点的一个或多个网络的至少一部分，该一个或多个节点对一个或多个消息、一个或多个分组、一个或多个信号、一个或多个波、一个或多个电压或电流强度、或它们的某种组合等进行发送、接收、转发、生成、缓冲、存储、路由、交换、处理或它们的组合等。作为示例而非限制，网络可以包括以下项中的一项或多项：无线网络、有线网络、因特网、内联网、公共网络、专用网络、分组交换网络、电路交换网络、自组网、基础结构网络(infrastructurenetwork)、公共交换电话网络(public-switchedtelephonenetwork，pstn)、电缆网络、蜂窝网络、卫星网络、光纤网络、它们的某种组合。62.在另一示例性实施例中，集中式服务器(112)可以包括或包含例如但不限于以下项中的一项或多项：独立服务器、刀锋服务器(serverblade)、机架式服务器(serverrack)、服务器组、服务器群、支持云服务或系统的一部分的硬件、家庭服务器、运行虚拟化服务器的硬件、执行代码以用作服务器的一个或多个处理器、执行如本文所述的服务器端功能性的一个或多个机器、上述任何项的至少一部分、它们的某种组合。63.在一个实施例中，系统(110)可以包括与存储器(204)耦接的一个或多个处理器(202)。存储器(204)可以存储有指令，这些指令在被该一个或多个处理器(202)执行时，可以使系统(110)检测并减轻与小区干扰源-受干扰者对相关联的对流层干扰。参考图1，图2示出了根据本公开实施例的系统(110)的示例性表示，该系统用于在基于机器学习的架构的基础上促进检测和减轻与小区干扰源-受干扰者对相关联的对流层干扰。64.在一个方面中，系统(110)可以包括一个或多个处理器(202)。该一个或多个处理器(202)可以实现为一个或多个微处理器、一个或多个微型计算机、一个或多个微控制器、一个或多个数字信号处理器、一个或多个中央处理单元、一个或多个逻辑电路和/或基于操作指令处理数据的任何装置。除了其它功能，该一个或多个处理器(202)可以被配置为获取并执行存储在系统(110)的存储器(204)中的计算机可读指令。存储器(204)可以被配置为将该一个或多个计算机可读指令或例程存储在非暂时性计算机可读存储介质中，该一个或多个计算机可读指令或例程可以被获取并被执行以通过网络服务创建或共享数据分组。存储器(204)可以包括任何非暂时性存储装置，该非暂时性存储装置包括例如易失性存储器(例如ram)或非易失性存储器(例如eprom、闪存等)。65.在一个实施例中，系统(110)可以包括一个或多个接口(206)。该一个或多个接口(206)可以包括各种接口，例如，用于数据输入和输出装置(称为i/o装置)的接口、用于存储装置的接口等。该一个或多个接口(206)可以促进系统(110)的通信。该一个或多个接口(206)还可以为系统(110)的一个或多个组件提供通信路径。这样的组件的示例包括但不限于一个或多个处理引擎(208)和数据库(210)。66.一个或多个处理引擎(208)可以实现为硬件和编程(例如，可编程指令)的组合，以实现该一个或多个处理引擎(208)的一个或多个功能性。在本文描述的示例中，硬件和编程的这种组合可以以若干不同方式实现。例如，用于该一个或多个处理引擎(208)的编程可以是存储在非暂时性机器可读存储介质上的处理器可执行指令，并且用于该一个或多个处理引擎(208)的硬件可以包括用于执行这种指令的处理资源(例如，一个或多个处理器)。67.在本示例中，机器可读存储介质可以存储有指令，这些指令在被处理资源执行时，实现该一个或多个处理引擎(208)。在这种示例中，系统(110)可以包括存储有指令的机器可读存储介质和用于执行这些指令的处理资源，或者机器可读存储介质可以是独立的但是可以由系统(110)和处理资源访问。在其他示例中，该一个或多个处理引擎(208)可以通过电子电路来实现。68.处理引擎(208)可包括从以下项中的任何项中选择的一个或多个引擎：数据采集引擎(212)、属性提取引擎(214)、机器学习(ml)引擎(216)、数字孪生模型生成引擎(218)和其他引擎(220)。其他引擎(220)可以包括信号处理引擎、预测引擎等中的任何引擎。69.在一个实施例中，系统(110)的数据采集引擎(212)可以接收/处理/预处理来自第一小区和第二小区的一组数据分组。该组数据分组可以包括第一小区和第二小区的干扰数据的任何或其组合。该组数据分组还可以包括干扰强度以及干扰日期和干扰时间，该干扰强度指示在第二小区处正接收的第一小区信号的强度。70.在一个实施例中，系统(110)的属性提取引擎(214)可以从接收到的该组数据分组中提取对应于小区配置数据的第一组属性。此外，属性提取引擎(214)可以从接收自数据库(210)的该组数据分组中提取对应于赫本数据的第二组属性。系统(110)的属性提取引擎(214)还可以从接收自数据库(210)的该组数据分组中提取对应于天气数据的第三组属性。71.在一个实施例中，系统(110)的ml引擎(216)可以基于所提取的第一属性和所提取的第二属性，来识别受对流层干扰影响的一对或多对第一小区和第二小区。此外，系统(110)的ml引擎(216)随后可以计算该一对或多对第一小区和第二小区的边缘分数。然后，可以由对应于数字孪生模型的数字孪生模型生成引擎(218)生成已训练模型。已训练模型可以被配置为确定和预测该一个或多个第一小区和第二小区对之间的对流层干扰。基于具有更新后的值的第一组属性和第二组属性，ml引擎(216)可以计算边缘分数并建议减轻对流层干扰的动作。72.在一个示例性实施例中，可以使用第一组属性、第二组属性和第三组属性来学习数字孪生模型，该第一组属性、第二组属性和第三组属性与历史属性、预测属性和干扰对有关。可以使用数字孪生模型基于第一组属性、第二组属性和第三组属性来计算边缘分数。73.图3示出了根据本公开实施例的示例性方法流程图(300)，该方法流程图描绘了用于促进检测和减轻与小区干扰源-受干扰者对相关联的对流层干扰的方法。如图所示，在一个方面，该方法可以促进检测和减轻与小区干扰源-受干扰者对相关联的对流层干扰。74.该方法可以包括在302处的如下步骤：通过由处理器(202)执行数据采集引擎(212)从第一小区和第二小区接收一组数据分组。该组数据分组可以包括第一小区和第二小区的干扰数据的任何或其组合。该组数据分组还可以包括干扰强度以及对流层干扰的日期和对流层干扰的时间，该干扰强度指示在第二小区处正接收的第一小区信号的强度。第一小区可以是干扰源小区，第二小区可以是受干扰小区。该方法可以包括在304处的以下步骤：通过由处理器(202)执行属性提取引擎(214)从所接收的该组数据分组中提取对应于小区配置数据的第一组属性。该方法可以包括在306处的如下步骤：通过由处理器(202)执行属性提取引擎(214)从所接收的该组数据分组中提取对应于赫本数据的第二组属性。75.在步骤308处，该方法可包括：通过由处理器(202)执行ml引擎(216)识别受干扰影响的一对或多对第一和第二小区。识别受干扰影响的该一对或多对第一和第二小区可以基于所提取的第一组属性和所提取的第二组属性。该方法可以包括在310处的如下步骤：通过ml引擎(216)的执行来计算该一对或多对第一和第二小区的边缘分数。76.该方法可以包括在312处的如下步骤：通过数字孪生模型生成引擎(218)生成对应于数字孪生模型的已训练模型。已训练模型可以被配置成确定和预测该一对或多对第一和第二小区对之间的对流层干扰。该方法(300)还可以包括在314处的如下步骤：通过ml引擎(216)使用具有更新后的值的第一组属性和第二组属性来分配边缘分数并建议动作以减轻对流层干扰。77.图4示出了根据本公开实施例的与系统(110)相关联的功能块的示例性框图(400)。如图所示，在一个方面，给定干扰源-受干扰者对(a,v)，可以从诸如干扰数据(402-1)、小区配置数据(402-2)和赫本数据(402-3)等至少三种不同类型的数据中，针对干扰源小区、受干扰小区和干扰源-受干扰者对提取不同类型的参数。一个或多个干扰源参数(404)可以包括诸如总下倾(xatt)、远程电下倾(ret)(xaret)、干扰源蜂窝塔的高度(xah)、高于平均海平面的高度(xaamsl)、方位角(xaazi)、天线相关参数(xaant)、发射功率(xatp)等参数、干扰源处的赫本数据指数(xahep)、干扰源小区处的天气数据参数(如湿度)等等。该一个或多个干扰源参数(404)可以被串接以形成干扰源节点性质，干扰源节点性质被表示为xa节点＝[xatt,xaret,xah,xaamsl,xaazi,xaant,xatp,xahep]。[0078]一个或多个受干扰者参数(408)可以包括诸如总下倾、ret、蜂窝塔的高度、高于平均海平面的高度、方位角、天线相关参数、发射功率等参数。该一个或多个受干扰者参数(408)可以被串接以形成受干扰者节点性质，该受干扰者节点性质表示为xv节点＝[xvtt,xvret,xvh,xvamsl,xvazi,xvant,xvtp,xvhep]。[0079]一个或多个干扰源-受干扰者(边缘)参数(406)可以包括诸如以下等元素：[0080]·干扰源总下倾和受干扰者总下倾的总下倾的最大值(xemaxtt)[0081]·干扰源总下倾和受干扰者总下倾的总下倾的最小值(xemintt)[0082]·干扰源总下倾和受干扰者总下倾的总下倾的平均值(xemeantt)[0083]·干扰源ret与受干扰者ret之间的ret的最大值(xemaxret)[0084]·干扰源ret与受干扰者ret之间的ret的最小值(xeminret)[0085]·干扰源ret与受干扰者ret之间的ret的平均值(xemeanret)[0086]·干扰源与受干扰者之间的最大赫本指数(xemaxhep)[0087]·干扰源总下倾与受干扰者总下倾之间的最小赫本指数(xeminhep)[0088]·干扰源总下倾与受干扰者总下倾之间的平均赫本指数(xemeantt)[0089]·沿连接干扰源和受干扰者的路径的赫本指数值的加权和(xeweightedhep)[0090]·取干扰源关于受干扰者的相对方向的余弦和正弦(xeaggcos,xeaggsin)[0091]·取受干扰者关于干扰源的相对方向的余弦和正弦(xeviccos,xevicsin)[0092]·干扰源高度和受干扰者高度中的最小值和最大值(xeaggh,xevich)[0093]在一个示例性实施例中，该一个或多个干扰源-受干扰者(边缘)参数(406)可以表示为x边缘＝[xemaxtt,xemintt,xemeantt,xemaxret,xeminret,xemeanret,xemaxhep,xeminhep,xemeantt,xeweightedhep,xeaggcos,xeaggsin,xeviccos,xevicsin,xeaggh,xevich]。[0094]在一个示例性实施例中，可以通过对干扰源节点性质、受干扰者节点性质和干扰源-受干扰者边缘性质进行串接，来获得特征向量，并且该特征向量可以表示为x边缘＝[xa节点,xv节点,x边缘]。可以将多个特征向量馈送到数字孪生模型(410)，该数字孪生模型可以提供边缘分数。边缘分数可以指示在干扰源-受干扰者对之间发生对流层干扰(412)的概率或可能性。可以通过向干扰减少优化器(418)发送数据连同可行的动作空间(在任何小区上的电下倾)(416)，来减少由数字孪生模型(410)检测到的对流层干扰。干扰减少优化器(418)可以被配置为提供用于最大干扰减少的可能动作(420)。用于最大干扰减少的可能动作(420)可以包括用于该一对或多对第一小区和第二小区的天线的总下倾和远程电下倾(ret)，以减轻该一对或多对第一小区和第二小区的对流层干扰。[0095]在一个示例性实施例中，边缘特征可以包括不同类型的赫本特征，例如：[0096]·干扰源和受干扰者位置处的赫本指数的最小值[0097]·干扰源和受干扰者位置处的赫本指数的最大值[0098]·干扰源和受干扰者位置处的赫本指数的平均值[0099]·抛物线赫本指数：这是沿连接干扰源和受干扰者的线的赫本指数值的加权和。权重与干扰源和受干扰者所在位置距离的最小平方成比例。使用的权重被归一化，使其加起来等于1。[0100]·计算加权赫本值的不同变化，如平均值、最小值、最大值、中位数等，该将所述不同变化用作特征。[0101]图5示出了根据本公开实施例的与ml引擎(216)相关联的功能块的示例性框图(500)。如图所示，关于赫本数据，可以提取不同类型的特征。可以通过负数据采样单元(502)利用干扰数据(402-1)来生成负数据(506)，该负数据提取用于负数据的特征(506-1)和标签(506-2)。负数据采样单元(502)可以向训练模型单元(508)馈送负特征(506-1)和标签(506-2)，以检查特征重要性或可解释性分析(510)并生成模型(512)。包括正特征提取模块(504-1)和标签单元(504-2)的正数据生成块(504)可以直接采用干扰数据(402-1)来在训练模型单元(508)处训练模型。干扰源小区id(518)和受干扰小区id(520)可以提供赫本数据相关节点特征(516)，所述赫本数据相关节点特征包括干扰源小区位置处和受干扰小区位置处的赫本指数值。赫本数据相关节点特征(516)可以用于预测边缘分数(514)，该边缘分数可以被发送到原因代码生成器(下倾、高度等贡献因子)(522)。原因代码生成器(522)可以生成原因(524)或确定实际边缘分数(526)。[0102]在一个实施例中，在模型训练过程中，可以将与干扰数据对应的特征向量赋以标签1，将与非干扰数据对应的特征向量赋以标签0。可以使用带标签的数据来学习数字孪生模型。机器学习模型和如随机森林、梯度提升树、神经网络或它们的组合的技术可以用于表示和学习数字孪生模型。作为示例而非限制，可以使用梯度提升算法，并且已在此对该梯度提升算法进行了解释。梯度提升算法可以使用训练集可微损失函数l(y,f(x))，迭代次数m作为输入。[0103]梯度提升算法可以执行以下步骤：[0104]1.以常数值初始化模型：[0105]2.对于m＝1至m：[0106]a.计算伪残差。[0107][0108]b.将基学习器(或弱学习器，例如树)hm(x)拟合至伪残差，即，使用训练集对该基学习器进行训练[0109]c.通过求解以下一维优化问题计算乘数γm(x)：[0110][0111]d.更新模型[0112]fm(x)＝fm-1(x)+γhm(x)[0113]3.输出fm(x)[0114]在一个示例性实施例中，可以使用梯度提升算法的一种实现，来训练模型(512)，并且该模型可以是数字孪生模型的表示。[0115]在一个示例性实施方式中，在表1中提供了tdd(时分双工)系统中的干扰数据和非干扰数据的概要。此外，表1提供了关于与干扰和非干扰数据相关的区域、日期和时间以及其他可用数据点的详情。[0116]表1[0117]tdd干扰数据概要[0118]区域北区日期2021-05-19-2021-05-25时间段08:00，10:30，19:30，22:00数据点的数量17150000[0119]非干扰数据概要[0120]时间段08:00，10:30，19:30，22:00数据点的数量17850000[0121]作为示例而非限制，表2中提供了梯度提升树的精度，作为用于表示数字孪生模型的表示和学习技术，其中一组参数的最大深度至少为8并且梯度提升树中树的数量至少为50。[0122]表2[0123]日期：20121-05-19至20121-05-25时间段：08:00，10:30，19:30，22:00[0124][0125]图6示出了根据本公开实施例的赫本数据分析的示例性表示(600)。抛物线赫本特征是用于在数字孪生模型中区分干扰/非干扰边缘的重要特征。如图所示，抛物线曲线由下式给出：[0126]xparabolichepburn＝∑pwl*hl[0127][0128][0129]hl是位置l处的赫本指数[0130]dal是位置1距干扰源的距离[0131]dlv是位置1距受干扰者的距离[0132]wl是位置l处的赫本指数的权重[0133]pwl是位置l处的赫本指数的抛物线权重[0134]图7示出了根据本公开实施例的仿真分析的示例性表示(700)。[0135]在一个实施例中，仿真可以包括以下步骤：识别需要评估的干扰源-受干扰者对，以及仿真所识别的对的动作。作为示例而非限制，在使用数字孪生模型来估计动作对给定蜂窝塔的影响时，需要这些步骤。动作(其影响已在仿真过程中被评估)可以包括对干扰源-受干扰者对的ret值的修改。仿真分析可以包括以下步骤：[0136]-识别需要评估的可能的干扰源-受干扰者对[0137]-提取识别出的干扰源-受干扰者对的特征[0138]-计算识别出的干扰源-受干扰者对的边缘分数[0139]-将小区的ret和总下倾改变1度，保持其他参数不变[0140]-基于对干扰源-受干扰者对的小区的ret和总下倾的改变，计算识别出的干扰源-受干扰者对的边缘分数[0141]-测量边缘分数之间的差，作为动作的影响[0142]-对于所有对，重复从提取特征的步骤至测量边缘分数之间的差的步骤[0143]-通过汇总所有干扰源边缘的改进分数(improvementscore)，来计算每个干扰源小区的边缘分数的改进[0144]-利用更新后的参数(如总下倾和ret)重新计算边缘分数，并向如下干扰源施加相应动作：该干扰源具有所选择的最高改进分数，以及[0145]-更新数据并使用更新后的数据，并且将从提取特征的步骤至利用更新后的参数重新计算的步骤重复固定次数或直到获得所需的动作次数[0146]图8示出了根据本公开实施例的远程干扰网络的示例性表示(800)。如图所示，圆圈(c1、c2、c3、c4……c8)为小区，并且由箭头连接的小区为干扰小区。具有向外箭头的小区是干扰源小区(c1、c2、c3、c6)，并且具有向内箭头的小区是受干扰小区(c4、c5、c7和c8)。箭头上的权重(例如w16、w14、w15、w12、w23、w35、w34、w36、w37、w38、w67)为边缘具有干扰的可能性。边缘上的所有权重的和可以基于网络中小区的配置，指示汇总边缘分数。[0147]图9示出了根据本公开实施例的不同仿真迭代的汇总边缘计数的示例性表示(900)。以迭代的方式向小区施加动作，并且根据减少的边缘数量来测量动作的影响。图9提供了对仿真运行的影响的图示。y轴表示边缘的数量，x轴表示迭代的次数。[0148]图10示出了根据本公开实施例的数字孪生模型训练的流程图的示例性表示(1000)。如图所示，在框1002处，该流程图可以包括通过数据采集引擎(212)接收的原始干扰数据。在框1004处，可以将原始干扰数据用于识别具有多于5个受干扰小区的干扰源小区。在框1006处，可以保持具有多于5个受干扰小区的干扰源小区的边缘。在框1008处，可以列举非干扰小区对。在框1010处，干扰和非干扰对都可以利用来自小区配置数据(1012-1)、赫本数据(1012-2)和天气数据(1012-3)的小区配置数据、赫本数据和天气数据来丰富，但不限于此。在框1014处，可以建立数字孪生模型。在框1016处，数字孪生模型可以用于通过为所识别的一对或多对第一小区和第二小区配置天线的总下倾和远程电下倾(ret)，来减轻该一对或多对第一小区和第二小区的对流层干扰。[0149]图11示出了根据本公开实施例的所提出的方法的仿真流程的流程图的示例性表示(1100)。如图所示，在框1002处，仿真流程图可以包括：通过数据采集引擎(212)接收原始干扰数据。在框1102处，ml引擎(216)可以识别小区对，所述小区对的干扰源具有特定数量的受干扰者。在框1104处，可以利用来自小区配置数据(1012-1)、赫本数据(1012-2)和天气数据(1012-3)的小区配置数据、赫本数据、天气数据等来丰富小区对，但不限于此。在块1106处，可以将迭代初始化为0。在每次迭代中，在框1108处，可以针对每个干扰源上的不同动作计算边缘计数的改进。在框1110处，可以选择边缘计数的改进最高的干扰源。在框1112处，可以利用导致边缘计数改进的动作来更新n个干扰源配置。如果在框1114处，迭代次数小于最大迭代次数，则可以重复从框1108到框1114的循环。如果在框1114处，迭代次数大于或等于最大迭代次数，则可以停止该过程。[0150]图12示出了根据本公开实施例的示例性计算机系统(1200)，在该计算机系统中或通过该计算机系统可以利用本发明实施例。如图12所示，计算机系统(1200)可以包括外部存储装置(1210)、总线(1220)、主存储器(1230)、只读存储器(1240)、大容量存储装置(1270)、通信端口(1260)和处理器(1270)。本领域技术人员将理解，计算机系统(1200)可以包括多于一个的处理器(1270)和通信端口(1260)。处理器(1270)的示例包括但不限于或安腾2处理器、或者或速龙处理器、系列处理器、fortisoctm片上系统处理器或其他未来的处理器。处理器(1270)可以包括与本发明实施例相关联的各种模块。通信端口(1260)可以是与基于调制解调器的拨号连接一起使用的rs-232端口、10/100以太网端口、使用铜缆或光纤的千兆或12千兆端口、串行端口、并行端口或其他现有或未来的端口中的任一个。通信端口(1260)可以根据诸如局域网(localareanetwork，lan)、广域网(wideareanetwork，wan)的网络或计算机系统(1200)连接到的任何网络来选择。存储器(1230)可以是随机存取存储器(randomaccessmemory，ram)或本领域公知的任何其它动态存储装置。只读存储器(1240)可以是任何(一个或多个)静态存储装置，例如但不限于用于存储静态信息(例如，用于处理器(1270)的启动或bios指令)的可编程只读存储器(programmableread-onlymemory，prom)芯片。大容量存储(1250)可以是任何当前或未来的大容量存储解决方案，其可以用于存储信息和/或指令。示例性大容量存储解决方案包括但不限于并行高级技术附件(paralleladvancedtechnologyattachment，pata)或串行高级技术附件(serialadvancedtechnologyattachment，sata)硬盘驱动器或固态驱动器(内部或外部的，例如具有通用串行总线(universalserialbus，usb)和/或火线接口)(例如从希捷(例如希捷酷鱼7122系列)或日立(例如日立deskstar7k1200)可得的那些)、一个或多个光盘、独立磁盘冗余阵列(redundantarrayofindependentdisk，raid)存储(例如从各种供应商可得的磁盘阵列(例如sata阵列))。[0151]总线(1220)将一个或多个处理器(1270)与其它存储器、存储和通信块通信地耦接。总线(1220)可以是例如外围组件互连(peripheralcomponentinterconnect，pci)/pci扩展(pciextended，pci-x)总线、小型计算机系统接口(smallcomputersysteminterface，scsi)、usb等，用于连接扩展卡、驱动器和其它子系统以及其它总线，例如前端总线(frontsidebus，fsb)，该前端总线将处理器(1270)连接到计算机系统(1200)。[0152]可选地，操作员和管理接口(例如显示器、键盘、操纵杆和光标控制装置)也可耦接到总线(1220)以支持操作员与计算机系统的直接交互。可以通过经由通信端口(1260)连接的网络连接来提供其他操作员和管理接口。外部存储装置(1212)可以是任何类型的外部硬盘驱动器、软盘驱动器、zip驱动器、光盘-只读存储器(compactdisc-read-onlymemory，cd-rom)、光盘-可重写(compactdisc-re-writable，cd-rw)、数字视频盘-只读存储器(digitalvideodisk-readonlymemory，dvd-rom)。上述组件仅意在举例说明各种可能性。上述示例性计算机系统绝不应限制本公开的范围。[0153]图13示出了根据本公开实施例的示例性方法流程图(1300)，该方法流程图描绘了用于在执行之前对可执行指令集进行基于签名的验证的方法。方法(900)可以在计算机可执行指令的一般背景中描述。通常，计算机可执行指令可以包括例程、程序、对象、组件、数据结构、进程、模块和函数，它们执行函数或实现抽象数据类型。[0154]描述方法(1300)的顺序并不旨在解释为限制，并且可以以任意顺序组合任意数量的所描述的方法块以实现方法(1300)。另外，在不脱离本文描述的主题的范围的情况下，可以从方法中删除各个块。此外，方法(1300)可以以任何合适的硬件、软件、固件或其组合来实现。[0155]在框(1302)处，该方法可以包括：通过处理器(202)的数据采集引擎(212)从通信网络中的第一小区和第二小区接收一组数据分组。该组数据分组包括以下项中的任何项或组合：该一对或多对第一小区和第二小区的对流层干扰数据、指示在第二小区处正接收的第一小区信号的强度的对流层干扰的强度、对流层干扰的日期和对流层干扰的时间。[0156]在框(1304)处，该方法可包括：通过处理器(202)的属性提取引擎(214)从所接收的该组数据分组中提取第一小区和第二小区的第一组属性、第二组属性和第三组属性。第一组属性对应于小区配置数据，该小区配置数据包括总下倾、远程电下倾(ret)、蜂窝塔的高度、机械下倾、发射功率、和蜂窝塔的位置。第二组属性对应于天气数据(其包括在给定日期和给定时间在给定小区的蜂窝塔的位置处的天气数据指数)和在将第一小区和第二小区连接成对的区域上的赫本指数。[0157]在框(1306)处，该方法可以包括：通过处理器(202)的ml引擎(216)基于所提取的第一组属性、所提取的第二组属性和所提取的第三组属性来识别受对流层干扰影响的一对或多对第一小区和第二小区。处理器(202)还基于所提取的第一组属性、所提取的第二组属性和所提取的第三组属性来计算所识别的一对或多对第一小区和第二小区的第一边缘分数。所识别的一对或多对第一小区和第二小区的第一边缘分数指示在该一对或多对第一小区和第二小区之间的对流层干扰的可能性。通过使用通过串接所识别的一对或多对第一小区和第二小区的第一组属性、第二组属性和第三组属性而获得的特征向量，来计算该一对或多对第一小区和第二小区的第一边缘分数。处理器(202)基于第一边缘分数将动作分配给该一对或多对第一小区和第二小区。分配给该一对或多对第一小区和第二小区的动作包括：对该一对或多对第一小区和第二小区的天线的总下倾和远程电下倾(ret)的修改。处理器(202)基于分配给该一对或多对第一小区和第二小区的动作来计算第二边缘分数。处理器(202)基于第一边缘分数和第二边缘分数计算分配给该一对或多对第一小区和第二小区的动作的影响。分配给该一对或多对第一小区和第二小区的动作的影响是第一边缘分数与第二边缘分数之间的差。[0158]在框(1308)处，该方法可包括：通过处理器(202)通过为所识别的一对或多对第一小区和第二小区配置天线的总下倾和远程电下倾(ret)，来减轻该一对或多对第一小区和第二小区的对流层干扰。[0159]虽然本文重点强调了优选实施例，但可以理解的是，在不脱离本发明原理的情况下，可以做出许多实施例，并且可以在优选实施例中做出许多改变。本发明的优选实施例中的这些和其它变化对于本领域技术人员来说根据本文公开将是显而易见的，据此应清楚地理解，前述描述内容仅被实现为对本发明的说明而非限制。[0160]本公开的优点[0161]本公开提供了一种用于数字孪生建模的方法和系统，用于使用梯度提升树和动作(但不限于此)来提供远程电下倾变化以减轻远程对流层干扰。数字孪生模型可以使用不同的建模技术，例如随机森林、神经网络和深度学习技术。可以考虑不同的动作，如高度、机械下倾、方位角等的变化。利用本公开中提供的这种独特的解决方案，可以通过采取如增加远程电下倾、高度、方位角、机械下倾等动作来预先制止导致远程干扰的小区以减轻对流层干扰。[0162]本公开提供了一种用于通过减轻一对或多对第一小区和第二小区的对流层干扰来改善网络性能的方法和系统。[0163]本公开提供了这样的一种方法和系统：其用于通过基于该一对或多对第一小区和第二小区的属性计算该一对或多对第一小区和第二小区的边缘分数来预测对流层干扰的可能性，以减轻对流层干扰并提高网络性能。[0164]本公开提供了一种用于识别对覆盖范围具有最小影响的动作并建议每个小区的下倾值的量以减轻对流层干扰的方法和系统。[0165]权利保留[0166]本专利文件公开的一部分包含属于吉欧平台有限公司(jioplatformslimited，jpl)或其附属公司(以下简称所有权人)的受知识产权约束的材料，例如但不限于版权、设计、商标、ic布局设计和/或商业外观保护。所有权人不反对任何人对专利文件或专利公开的传真复制，只要其出现在专利商标局的专利文件或记录中；但保留所有其他权利。对该知识产权的所有权利完全由所有权人保留。本公开可能涉及3gpp规范，例如3gppts36.211版本12.9.0第12版。当前第1页12当前第1页12
技术特征：
1.一种用于减轻通信网络中对流层干扰的系统，所述系统包括:处理器(202)；存储器(204)，所述存储器(204)耦接到所述处理器(202)，其中，所述存储器(204)包括处理器可执行指令，所述处理器可执行指令在执行时使得所述处理器：从数据库(210)接收来自所述通信网络的第一小区和第二小区的一组数据分组；从接收自所述数据库(210)的所述一组数据分组提取所述第一小区和所述第二小区的第一组属性、第二组属性和第三组属性；基于所提取的第一组属性、所提取的第二组属性和所提取的第三组属性，识别受所述对流层干扰影响的一对或多对第一小区和第二小区；以及通过为所识别出的一对或多对第一小区和第二小区配置总下倾和远程电下倾(ret)，来减轻所述一对或多对第一小区和第二小区的对流层干扰。2.根据权利要求1所述的系统，其中，所述一组数据分组包括以下项中的任何项或以下项的组合：所述一对或多对第一小区和第二小区的对流层干扰数据、指示在第二小区处正接收的第一小区信号的强度的对流层干扰强度、对流层干扰的日期、以及对流层干扰的时间。3.根据权利要求1所述的系统，其中，所述第一组属性对应于小区配置数据，所述小区配置数据包括总下倾、远程电下倾(ret)、蜂窝塔的高度、机械下倾、发射功率和蜂窝塔的位置。4.根据权利要求1所述的系统，其中，所述第二组属性对应于赫本数据，所述赫本数据包括在给定日期和给定时间在给定小区的蜂窝塔的位置处的天气数据指数、以及在将第一小区和第二小区连接成对的区域上的赫本指数。5.根据权利要求1所述的系统，其中，所述第三组属性对应于天气数据。6.根据权利要求1所述的系统，其中，所述处理器可执行指令在执行时还使得所述处理器(202)：基于所提取的第一组属性、所提取的第二组属性和所提取的第三组属性，计算所识别出的一对或多对第一小区和第二小区的第一边缘分数。7.根据权利要求6所述的系统，其中，所识别出的一对或多对第一小区和第二小区的所述第一边缘分数指示了所述一对或多对第一小区和第二小区之间的对流层干扰的可能性。8.根据权利要求6所述的系统，其中，所识别出的一对或多对第一小区和第二小区的所述第一边缘分数是通过使用特征向量来计算的，所述特征向量是将所述一对或多对第一小区和第二小区的所述第一组属性、所述第二组属性和所述第三组属性串接而得到的。9.根据权利要求6所述的系统，其中，所述处理器可执行指令在执行时还使得所述处理器(202)：基于所述第一边缘分数向所述一对或多对第一小区和第二小区分配动作。10.根据权利要求9所述的系统，其中，分配给所述一对或多对第一小区和第二小区的所述动作包括：对所述一对或多对第一小区和第二小区的总下倾和远程电下倾(ret)的修改。11.根据权利要求9所述的系统，其中，所述处理器可执行指令在执行时还使得所述处理器(202)：基于分配给所述一对或多对第一小区和第二小区的所述动作计算第二边缘分数。12.根据权利要求9所述的系统，其中，所述处理器可执行指令在执行时还使得所述处
理器(202)：基于所述第一边缘分数和第二边缘分数，计算分配给所述一对或多对第一小区和第二小区的所述动作的影响。13.根据权利要求12所述的系统，其中，分配给所述一对或多对第一小区和第二小区的所述动作的影响为所述第一边缘分数与所述第二边缘分数之间的差。14.一种用于减轻通信网络中对流层干扰的方法，所述方法包括:通过处理器(202)从数据库(210)接收来自所述通信网络的第一小区和第二小区的一组数据分组；通过所述处理器(202)从接收自所述数据库(210)的所述一组数据分组提取所述第一小区和所述第二小区的第一组属性、第二组属性和第三组属性；通过所述处理器(202)基于所提取的第一组属性、所提取的第二组属性和所提取的第三组属性，识别受对流层干扰影响的一对或多对第一小区和第二小区；通过所述处理器(202)通过为所识别出的一对或多对第一小区和第二小区配置总下倾和远程电下倾(ret)，来减轻所述一对或多对第一小区和第二小区的对流层干扰。15.根据权利要求14所述的方法，其中所述一组数据分组包括以下项中的任何项或以下项的组合：所述一对或多对第一小区和第二小区的对流层干扰数据、指示在第二小区处正接收的第一小区信号的强度的对流层干扰强度、对流层干扰的日期、以及对流层干扰的时间。16.根据权利要求14所述的方法，其中，所述第一组属性对应于小区配置数据，所述小区配置数据包括总下倾、远程电下倾(ret)、蜂窝塔的高度、机械下倾、发射功率和蜂窝塔的位置。17.根据权利要求14所述的方法，其中，所述第二组属性对应于赫本数据，所述赫本数据包括在给定日期和给定时间在给定小区的蜂窝塔的位置处的天气数据指数、以及在将第一小区和第二小区连接成对的区域上的赫本指数。18.根据权利要求14所述的方法，其中，所述第三组属性对应于天气数据。19.根据权利要求14所述的方法，其中，所述处理器(202)还基于所提取的第一组属性、所提取的第二组属性和所提取的第三组属性，来计算所识别出的一对或多对第一小区和第二小区的第一边缘分数。20.根据权利要求19所述的方法，其中，所识别出的一对或多对第一小区和第二小区的所述第一边缘分数指示了所述一对或多对第一小区和第二小区之间的对流层干扰的可能性。21.根据权利要求19所述的方法，其中，所识别出的一对或多对第一小区和第二小区的所述第一边缘分数是通过使用特征向量来计算的，所述特征向量是将所述一对或多对第一小区和第二小区的所述第一组属性、所述第二组属性和所述第三组属性串接而得到的。22.根据权利要求19所述的方法，其中，所述处理器(202)基于所述第一边缘分数向所述一对或多对第一小区和第二小区分配动作。23.根据权利要求22所述的方法，其中，分配给所述一对或多对第一小区和第二小区的所述动作包括对所述一对或多对第一小区和第二小区的总下倾和远程电下倾(ret)的修改。24.根据权利要求22所述的方法，其中，所述处理器(202)基于分配给所述一对或多对
第一小区和第二小区的所述动作计算第二边缘分数。25.根据权利要求22所述的方法，其中，所述处理器(202)基于所述第一边缘分数和第二边缘分数，计算分配给所述一对或多对第一小区和第二小区的所述动作的影响。26.根据权利要求25所述的方法，其中，分配给所述一对或多对第一小区和第二小区的所述动作的影响为所述第一边缘分数与所述第二边缘分数之间的差。

技术总结
本发明提供了一种用于使用数字孪生模型预测对流层干扰的方法和系统，该数字孪生模型用于检测对流层干扰并建议用于减轻对流层干扰的影响的动作。系统(110)可以包括具有数字孪生模型的机器学习引擎(216)，以通过识别干扰可能性高的小区对使用在给定时间点的小区配置数据、天气数据、赫本数据来对在该时间点具有对流层干扰的小区对的可能性进行预测/评分。系统(110)还被配置成探索改变如远程电下倾的小区配置参数的影响，并识别能够在对覆盖范围的影响最小的情况下减轻对流层干扰的动作。使用干扰对的历史数据结合小区配置参数、天气参数和如赫本数据的对流层干扰数据来学习数字孪生模型以应对干扰。习数字孪生模型以应对干扰。习数字孪生模型以应对干扰。


技术研发人员：沙伊勒什
受保护的技术使用者：吉欧平台有限公司
技术研发日：2022.07.28
技术公布日：2023/8/31