但目前信道建模的方法主要依賴于信道測量，基于無線信道的各種統(tǒng)計特性建立的信道模型，具有難以針對特定環(huán)境給出準(zhǔn)確信道響應(yīng)的缺點，具有一定局限性。利用人工智能方法，根據(jù)無線信道數(shù)據(jù)的特點，可將大小尺度衰落預(yù)測等任務(wù)進(jìn)行抽象，將其歸類于機(jī)器學(xué)習(xí)擅長解決的回歸分類等問題，通過機(jī)器學(xué)習(xí)和數(shù)據(jù)挖掘，得到更精確的信道衰落預(yù)測和模擬方法。

為了克服網(wǎng)絡(luò)狀態(tài)和服務(wù)的動態(tài)特性，應(yīng)對多樣化的多媒體業(yè)務(wù)挑戰(zhàn)，中國聯(lián)通網(wǎng)研院聯(lián)合清華大學(xué)AI研究團(tuán)隊，將現(xiàn)有AI算法進(jìn)行改進(jìn)創(chuàng)新，并且與人因工程、移動通信網(wǎng)絡(luò)力量相結(jié)合，提出一種基于強(qiáng)化學(xué)習(xí)的面向QoE的通信和服務(wù)協(xié)同優(yōu)化方法，將用戶的心理、生理感知映射到移動業(yè)務(wù)體驗，再將移動通信的KPI與QoE建立關(guān)聯(lián)。通過強(qiáng)化學(xué)習(xí)及反饋學(xué)習(xí)機(jī)制建立模型來獲得高維空間中的最優(yōu)解。同時，輸出端的實時網(wǎng)絡(luò)狀態(tài)和服務(wù)質(zhì)量被反饋到輸入端，從而在當(dāng)前服務(wù)需求下獲得最高的網(wǎng)絡(luò)資源利用率，使用戶體驗最佳，實現(xiàn)移動網(wǎng)絡(luò)中復(fù)雜業(yè)務(wù)的動態(tài)聯(lián)合優(yōu)化及提升QoE的最終目標(biāo)。

AI應(yīng)用的邊緣化

傳統(tǒng)網(wǎng)絡(luò)的路損計算、覆蓋規(guī)劃、波束成型等都涉及到對網(wǎng)絡(luò)環(huán)境的計算，在5G復(fù)雜網(wǎng)絡(luò)環(huán)境的背景下，引入AI解決與網(wǎng)絡(luò)環(huán)境相關(guān)的規(guī)劃優(yōu)化等問題是必經(jīng)之路，這時需要將傳統(tǒng)代數(shù)計算的方法進(jìn)行基于AI的建模，AI算法中的準(zhǔn)確建模對算法的實際應(yīng)用效果至關(guān)重要。

數(shù)據(jù)的獲取和處理是AI應(yīng)用于5G網(wǎng)絡(luò)的一大挑戰(zhàn)。移動通信數(shù)據(jù)維度高、數(shù)據(jù)類型多、數(shù)據(jù)量大、缺失數(shù)據(jù)多、不同設(shè)備廠家數(shù)據(jù)格式不統(tǒng)一等，導(dǎo)致無線數(shù)據(jù)獲取和處理難。

5G采用了大規(guī)模天線系統(tǒng)和超密集組網(wǎng)技術(shù)，并將引入頻譜共享、D2D等復(fù)雜的無線傳輸技術(shù)，與此前移動網(wǎng)絡(luò)技術(shù)相比，整體網(wǎng)絡(luò)架構(gòu)也更加靈活，功能更加豐富，業(yè)務(wù)趨向多樣化，這一切都使得網(wǎng)絡(luò)的規(guī)劃、部署、管理、維護(hù)成為極具挑戰(zhàn)性的工作，并且5G網(wǎng)絡(luò)天生肩負(fù)著為用戶提供智能化的、最佳體驗的服務(wù)使命。因此，未來的5G網(wǎng)絡(luò)必將具備高度的自治能力和充分的靈活性。