一种基于基站大模型的无人机5G通讯资源智能调度方法与流程

本发明涉及低空经济，尤其涉及一种基于基站大模型的无人机5g通讯资源智能调度方法。

背景技术：

1、申请号为202311343165.4的中国专利文件，公开了一种面向无人机的云边协同资源调度方法、系统及存储介质，包括边缘数据中心获取无人机采集的数据信息；边缘数据中心对获取的数据信息进行预处理；将预处理后的数据所对应的服务进行拆分，将拆分后的服务采用资源最优配置算法进行云边协同资源调度，得到最优调度方案；边缘数据中心和云中心根据最优调度方案完成对应的数据处理。本发明还公开了一种实现所述面向无人机巡视的云边协同资源调度方法的系统，以及包括了所述面向无人机的云边协同资源调度方法的存储介质。本发明不仅实现了面向无人机的云边协同资源调度，而且本发明的可靠性高、实用性好且效率较高。

2、但是该面向无人机的云边协同资源调度方法、系统及存储介质也存在一些问题，例如，当大量无人机同时在一个区域内飞行时，会对5g网络产生突发性的、高移动性的流量负载，可能导致网络拥塞、时延增加、连接中断，传统的5g资源调度机制是“响应式”的，即在网络出现拥塞后再进行调整，这种滞后性无法满足无人机对低时延、高可靠通信的严苛要求。

技术实现思路

1、基于背景技术存在5g资源调度滞后的问题，本发明提出了一种基于基站大模型的无人机5g通讯资源智能调度方法。

2、本发明提出的一种基于基站大模型的无人机5g通讯资源智能调度方法，包括以下步骤：

3、s1：基站大模型训练步骤：构建多维度训练数据集，多维度训练数据集包括历史网络运行数据、无人机飞行轨迹全量数据、无人机业务类型标注数据、空域环境数据和网络拥塞案例数据，对所述多维度训练数据集进行清洗、归一化及特征提取处理，得到标准化训练样本；基于transformer架构构建基站大模型，基站大模型包括特征融合层、预测推理层和调度决策层，特征融合层用于融合无人机飞行特征、业务特征和网络运行特征，预测推理层用于完成流量负载预测，调度决策层用于输出资源调度指令；采用标准化训练样本对基站大模型进行迭代训练，引入l2正则化机制抑制模型过拟合，直至模型预测误差低于预设阈值，得到训练完成的基站大模型；

4、s2：多维度流量预测步骤：搭建无人机空域信息采集终端，实时采集当前空域内所有无人机的实时位置、飞行速度、飞行航向、剩余电量、任务类型和飞行计划，同时采集5g基站各小区的实时网络运行参数，实时网络运行参数包括当前带宽占用率、时延数据、丢包率和连接数；将采集到的无人机信息和网络运行参数，输入至训练完成的基站大模型，通过特征融合层完成多维度特征的关联融合，通过预测推理层输出未来5～15分钟内各5g基站小区的通信流量负载预测结果，流量负载预测结果包括负载峰值、负载持续时长和负载分布区间；

5、s3：预测式资源调度步骤：基于流量负载预测结果，启动预设的智能调度策略，完成5g网络资源的提前分配和优化，具体包括：

6、动态网络切片配置：预设无人机业务优先级划分规则，将无人机业务划分为应急救援类、关键设施巡检类、物流运输类和普通娱乐类四个优先级，其中应急救援类优先级最高，普通娱乐类优先级最低；根据各优先级业务的流量负载预测结果，为不同优先级业务动态配置独立的网络切片，分配对应的传输速率、时延阈值和可靠性指标，确保高优先级业务的网络切片资源独占性；

7、动态带宽预留：基于各小区的流量负载预测峰值，计算各小区的带宽预留量，带宽预留量=流量负载预测峰值×冗余系数，冗余系数取值为1.1～1.3；对高流量负载小区和相邻小区进行带宽统筹分配，将低流量负载小区的闲置带宽，临时调配至高流量负载小区，完成带宽预留配置，并生成带宽调度指令；

8、切换策略优化：基于无人机飞行轨迹数据及流量负载预测结果，通过基站大模型，预测各无人机未来的飞行路径及切换需求，筛选出切换目标小区，计算无人机与目标小区、当前服务小区的信号强度差值和传输时延差值，设定切换触发阈值，当信号强度差值和传输时延差值满足切换触发阈值时，提前完成目标小区的资源预留和切换参数配置，生成优化后的切换指令；

9、s4：实时闭环优化步骤：搭建网络性能监测模块，实时采集各小区的实际网络性能数据，实际网络性能数据包括实际流量负载、传输时延、丢包率、连接稳定性和资源利用率；将实际网络性能数据与流量负载预测结果、资源调度目标参数进行比对，计算偏差值，当偏差值超过预设偏差阈值时，将偏差数据及实际网络性能数据反馈至基站大模型，启动模型微调流程，更新模型的预测参数和调度策略，实现资源调度的持续优化，依托基站大模型实现5g通讯资源预测式智能调度，彻底改变传统响应式调度的滞后性，从根源规避高密度无人机场景下的网络拥塞问题；通过差异化网络切片、动态带宽预留和切换策略优化，精准保障应急救援等高优先级业务的低时延、高可靠通信，同时实现网络资源的高效分配，大幅提升资源利用率与整体网络容量；模型的实时闭环优化和异常应急调度机制，持续提升调度精度和系统抗风险能力，为大规模无人机协同运行提供稳定通信支撑，有效赋能低空经济发展。

10、优选地，所述在s1中，多维度训练数据集的具体构成如下：历史网络运行数据包括过去6～12个月内各小区的带宽占用数据、时延数据、丢包率数据、连接数变化数据及网络拥塞发生时间、持续时长数据；无人机飞行轨迹全量数据包括不同类型、不同飞行高度、不同飞行速度的无人机在各类空域环境下的飞行路径数据、位置坐标数据、航向变化数据和停留时间数据；无人机业务类型标注数据包括各类业务的数据包大小、传输频率、时延要求、可靠性要求和数据传输方向数据；空域环境数据包括风速、风向、降水、能见度和空域障碍物分布数据；网络拥塞案例数据包括拥塞发生时的无人机数量、业务类型分布、网络资源分配情况及拥塞解决措施、效果数据，明确多维度训练数据集具体构成，覆盖网络、无人机、空域等多类数据，为基站大模型提供全面且精准的训练样本，夯实模型预测与调度的基础，提升模型对无人机通信行为的理解能力。

11、优选地，所述在s1中，对多维度训练数据集的处理过程具体包括：采用异常值检测算法剔除数据集中的异常数据，异常数据包括超出合理范围的带宽占用值、时延值和无效飞行轨迹数据；采用min-max归一化方法，将各类数据映射至0～1区间，消除量纲差异；通过特征提取算法提取关键特征，其中无人机飞行特征包括飞行速度方差、航向变化频率和飞行高度梯度，业务特征包括数据包传输周期和数据量波动系数，网络运行特征包括带宽占用率均值和时延波动值，采用主成分分析算法对提取的关键特征进行降维处理，保留累计贡献率不低于95%的主成分作为模型输入特征，通过异常值剔除、归一化及特征降维处理，优化训练样本质量，消除数据干扰与量纲差异，精简输入特征，提升基站大模型的训练效率与预测精度，减少冗余计算。

12、优选地，所述在s1中，基站大模型的训练过程具体包括：将标准化训练样本按照7:2:1的比例划分为训练集、验证集和测试集；初始化模型参数，设置学习率为0.001～0.005，迭代次数为100～200轮，batch_size为32～64；采用交叉熵损失函数计算模型预测值和真实值的损失值，通过adam优化器更新模型参数，每迭代10轮采用验证集对模型性能进行验证，当验证集损失值连续5轮不下降时，停止迭代；采用测试集对模型进行性能测试，当模型的流量负载预测误差低于5%、调度决策准确率高于95%时，判定模型训练完成；若未达到预设性能指标，则调整模型架构及超参数，重新启动训练流程，规范模型训练流程与参数设置，通过分层验证、过拟合抑制及性能达标检测，保障模型泛化能力，确保模型预测误差与调度准确率满足要求，提升调度方法的可靠性。

13、优选地，所述在s2中，空域信息采集终端的采集频率为1～5hz，采集范围覆盖对应基站的全部服务空域，采集到的无人机信息及网络运行参数，采用加密传输方式传输至基站大模型，加密方式采用aes～256加密算法；流量负载预测结果还包括各业务类型在各小区的流量占比，基站大模型通过注意力机制强化无人机飞行轨迹特征与业务特征的关联度，提升流量负载预测的精准度，针对高优先级业务的流量预测误差单独管控，确保其预测误差低于3%，通过高频采集、加密传输及注意力机制优化，提升无人机信息与网络数据的传输安全性及预测关联性，精准管控高优先级业务预测误差，保障高优先级业务通信稳定性。

14、优选地，所述在s3中，动态网络切片配置还包括切片资源动态调整机制，实时监测各网络切片的资源利用率，当某一优先级业务的实际流量低于预测流量的70%，且持续时间超过5分钟时，释放该切片的部分闲置资源，调配至其他高需求的切片；当某一优先级业务的实际流量超过预测流量的120%时，启动应急资源调配流程，优先从低优先级切片中调配闲置资源，若低优先级切片无闲置资源，则临时扩容网络带宽，确保业务正常传输，新增切片资源动态调整机制，按需分配、回收切片资源，避免资源闲置与浪费，快速响应业务流量波动，兼顾各优先级业务需求，提升网络切片资源利用率。

15、优选地，所述在s3中，带宽预留的计算过程还包括空域优先级权重调整，预设城市核心区域、应急救援区域、普通空域的优先级权重，分别为1.3、1.2、1.0，带宽预留量=流量负载预测峰值×冗余系数×空域优先级权重；对于相邻小区的带宽调配，采用贪心算法筛选最优调配方案，确保带宽调配后的各小区负载均衡，且调配过程中的传输时延不超过10ms，避免因带宽调配影响网络稳定性，引入空域优先级权重，结合贪心算法优化带宽调配，兼顾重点空域需求，实现小区负载均衡，控制带宽调配时延，在提升带宽利用率的同时保障网络传输稳定性。

16、优选地，所述在s3中，切换策略优化还包括切换时机动态调整和多目标小区备选机制：基于无人机的飞行速度及信号强度变化趋势，动态调整切换触发阈值，飞行速度越快，切换触发阈值设置越宽松，提前启动切换流程；为每架无人机筛选2～3个备选切换目标小区，根据实时信号强度、资源占用率及传输时延，动态排序备选目标小区，当主目标小区资源不足或信号不稳定时，立即切换至最优备选目标小区，避免切换失败导致的连接中断，优化切换时机与备选小区机制，适配无人机移动特性，提前规避切换风险，减少连接中断概率，保障无人机高速移动过程中通信的连续性与可靠性。

17、优选地，所述在s4中，实时闭环优化具体包括短期优化和长期优化：短期优化针对单次调度偏差，当偏差值超过预设偏差阈值时，立即调整当前的资源调度参数，包括带宽分配量、切片资源配置和切换策略，快速弥补偏差，确保网络性能达标；长期优化基于历史偏差数据和网络运行数据，每周对基站大模型进行一次全面微调，更新模型的特征权重和预测模型，持续提升模型的预测精度和调度适配性；同时记录每次优化的参数调整内容和网络性能变化，形成优化日志，为后续调度策略优化提供数据支撑，通过短期偏差修正与长期模型微调的闭环优化，持续提升模型预测精度与调度适配性，积累优化经验，实现资源调度策略的动态迭代，适配复杂空域通信场景。

18、优选地，该调度方法还包括异常应急调度步骤：当检测到无人机突发故障、空域出现极端天气或网络遭受恶意攻击导致网络性能急剧下降时，立即触发应急调度机制，暂停普通娱乐类业务的资源分配，将全部闲置资源和低优先级业务的部分资源，调配至应急救援类和关键设施巡检类业务；同时启动基站大模型的应急预测模式，缩短预测周期至1～3分钟，提升预测频率，实时调整资源调度策略，直至网络性能恢复正常或异常情况解除；异常情况解除后，逐步恢复各类业务的资源分配，过渡至常规调度模式，避免网络性能出现大幅波动，新增异常应急调度，快速响应突发故障与极端情况，优先保障高优先级业务，缩短预测周期，快速恢复网络性能，提升调度方法的鲁棒性与应急处置能力。

19、本发明的有益效果：

20、1、从“响应式”到“预测式”：实现了通信资源调度的范式转变，从被动应对变为主动管理，从根本上避免了网络拥塞的发生；

21、2、保障关键任务通信：通过差异化的网络切片和资源预留，确保了应急救援、关键设施巡检等高优先级任务的通信质量；

22、3、提升网络整体利用率：智能调度使得网络资源能够更精准地匹配业务需求，避免了资源浪费，提升了整个5g网络的容量和效率；

23、4、赋能大规模无人机应用：为未来城市中成千上万架无人机同时安全、高效地飞行提供了可靠的通信保障；

24、本发明依托基站大模型实现5g通讯资源预测式智能调度，彻底改变传统响应式调度的滞后性，从根源规避高密度无人机场景下的网络拥塞问题；通过差异化网络切片、动态带宽预留和切换策略优化，精准保障应急救援等高优先级业务的低时延、高可靠通信，同时实现网络资源的高效分配，大幅提升资源利用率与整体网络容量；模型的实时闭环优化和异常应急调度机制，持续提升调度精度和系统抗风险能力，为大规模无人机协同运行提供稳定通信支撑，有效赋能低空经济发展。