本發(fā)明涉及通信，尤其是涉及基于自注意力與卷積深度學(xué)習(xí)融合的綠色基站節(jié)能方法。

背景技術(shù)：

1、隨著移動通信技術(shù)的發(fā)展，基站的數(shù)量不斷增加，而其能耗問題也日益突出。目前5g基站設(shè)備能耗占整個無線網(wǎng)絡(luò)能耗相當大的比例，為了實現(xiàn)基站綠色節(jié)能，因此需要尋找一種有效的方法來檢查用戶數(shù)量，并據(jù)此調(diào)節(jié)基站的工作模式。

2、現(xiàn)有技術(shù)中存在通過人物識別模型來識別人物并進行用人數(shù)統(tǒng)計，根據(jù)人數(shù)來分配5g基站資源達到節(jié)能的目的，現(xiàn)有人物識別模型已經(jīng)能夠?qū)崿F(xiàn)識別和定位多種不同目標的能力，但是這些模型采用的計算方法的應(yīng)用具有一定局限性，限制了它們在實際場景中的應(yīng)用，例如特征金字塔結(jié)構(gòu)進行特征融合，然而各種特征金字塔網(wǎng)絡(luò)結(jié)構(gòu)無法有效利用所有金字塔特征圖之間的相關(guān)性，再如卷積的固有局限性，包括局部感受野合輸入內(nèi)容的獨立性，限制了模型捕捉長距離的能力。

技術(shù)實現(xiàn)思路

1、本發(fā)明主要是解決現(xiàn)有技術(shù)通過人物數(shù)量統(tǒng)計分配基站資源，對人物數(shù)量統(tǒng)計不精確，影響基準資源分配，以及對人物識別采用模型應(yīng)用存在局限性，限制實際場景中應(yīng)用的問題，提供了一種基于自注意力與卷積深度學(xué)習(xí)融合的綠色基站節(jié)能方法。

2、本發(fā)明的上述技術(shù)問題主要是通過下述技術(shù)方案得以解決的：基于自注意力與卷積深度學(xué)習(xí)融合的綠色基站節(jié)能方法，包括以下步驟：

3、s1.周期掃描時間節(jié)點采集監(jiān)控第一視頻圖像；

4、s2.采用自注意力與卷積深度學(xué)習(xí)融合的人物識別模型對第一視頻圖像進行人物識別和計數(shù)；

5、s3.分析人物運動趨勢動態(tài)統(tǒng)計監(jiān)控區(qū)域人數(shù)；

6、s4.計算監(jiān)控區(qū)域用戶數(shù)，根據(jù)用戶數(shù)激活對應(yīng)基站容量資源。

7、本發(fā)明利用長期的監(jiān)控設(shè)備，識別圖像中人物情況，結(jié)合基站的相關(guān)設(shè)置，合理分配基站的資源，使得5g基站進一步減少能耗，降低整體運營成本，從而做到綠色節(jié)能。通過人物運動趨勢分析對人物出現(xiàn)在監(jiān)控圖像中進行預(yù)測，根據(jù)人物實際移動情況動態(tài)統(tǒng)計監(jiān)控區(qū)域內(nèi)用戶數(shù)，提高了對人物數(shù)量統(tǒng)計的準確度，從而能更準確的根據(jù)人數(shù)對基站資源進行合理分配，提高基站能源利用效率，減低基站能耗，降低整體運營成本。

8、作為一種優(yōu)選方案，所述的自注意力與卷積深度學(xué)習(xí)融合的人物識別模型，包括：

9、通過骨干網(wǎng)絡(luò)將輸入圖像轉(zhuǎn)換為多個不同尺度空間的特征映射，分別提取輸出各尺度空間的第一特征；

10、通過特征融合頸部對各尺度空間的第一特征進行淺層特征交互，深層特征交互，以及各尺度空間第一特征進行拼接，根據(jù)深層交互及拼接特征進行上下文融合分別輸出各尺度空間的第二特征；

11、各第二特征輸入預(yù)測頭部生成多目標輸出。

12、骨干網(wǎng)絡(luò)將輸入圖像轉(zhuǎn)換為多個不同尺度的空間分辨率較低但具有豐富語義信息的第一特征。各第一特征分別輸入特征融合頸部，每個第一特征輸入一個淺層特征交互模塊進行淺層特征交互，淺層特征交互負責(zé)跨尺度的信息交換和融合，主要目標是整合上一層級與來自同一層級以及骨干網(wǎng)絡(luò)中高分辨率淺層特征，旨在保留豐富的定位細節(jié)，以增強網(wǎng)絡(luò)的空間表現(xiàn)。經(jīng)過淺層特征交互模塊后進入交叉階段分塊模塊，交叉階段分塊模塊為多分支結(jié)構(gòu)，允許在不同層次的特征之間進行交互。經(jīng)過交叉階段分塊模塊后進入深層特征交互模塊進行深層特征交互，利用額外的深層信息來增強特征表示，主要是對淺層高分辨率層、淺層低分辨率層、同級的淺層以及前一層進行信息聚合，通過多向連接豐富了輸出層的梯度信息。另外各尺度空間第一特征通過三元尺度序列融合模塊進行拼接，具體的將不同尺度的特征圖進行水平堆疊，并使用三維卷積提取其尺度序列特征。

13、作為一種優(yōu)選方案，骨干網(wǎng)絡(luò)包括三個依次連接的高效層聚合模塊，高效層聚合模塊提取特征輸出不同尺度的第一特征，其中最下層高效層聚合模塊經(jīng)過局部全局混合自注意力機制和相對位置增強自注意力機制獲取特征映射，并與該特征映射上層不同尺度特征映射堆疊輸出第一特征。

14、骨干網(wǎng)絡(luò)將輸入圖像轉(zhuǎn)換為多個不同尺度空間分辨率較低但具有豐富語義信息的特征映射，輸出的特征映射被送入三個高效層聚合模塊k1、k2、k3，這些模塊使用了注意力機制或其他方法來選擇性的關(guān)注重要的特征。

15、作為一種優(yōu)選方案，所述高效層聚合模塊對輸入信息進行逐點卷積和特征分離操作，操作后分為第一支路和第二支路，第一支路經(jīng)過n個倒置殘差瓶頸處理后進入特征堆疊，第二支路保留原始信息進入特征堆疊，最后進行逐點卷積后輸出信息；

16、所述局部全局混合自注意力機制包括三個輸入支路，第一輸入支路經(jīng)過線性投影層，層歸一化，一維卷積，層歸一化，壓縮激勵注意力后輸出全局信息，第二輸入支路經(jīng)過線性投影層，層歸一化，多頭自注意力，層歸一化，壓縮激勵注意力后輸出局部信息，全局信息，局部信息和原始輸入共同輸入自適應(yīng)混合全局與局部信息模塊，形成混合輸出，混合輸出經(jīng)過線性投影層變換后與原始輸入相加形成殘差連接，通過層歸一化處理輸出信息；

17、所述相對位置增強自注意力機制輸入分別進入查詢矩陣線性投影層，鍵矩陣線性投影層，值矩陣線性投影層，參數(shù)矩陣線性投影層，矩陣線性投影層和鍵矩陣線性投影層輸出進行矩陣乘后與偏置量相對位置相加，經(jīng)過softmax函數(shù)處理后與值矩陣線性投影層輸出進行矩陣乘形成第一輸出，參數(shù)矩陣線性投影層輸出作用于tokens深度可分離卷積，經(jīng)過tokens級線性投影形成第二輸出，第一輸出與第二輸出相加獲得最終輸出。

18、本方案中高效層聚合模塊能夠高效學(xué)習(xí)具有表現(xiàn)力的多尺度特征表示。輸入信息經(jīng)過逐點卷積和特征分離操作，分為兩個支路。一個支路保留原始信息，然后直接進入特征堆疊操作，而另一個支路經(jīng)過n個倒置殘差瓶頸單元的處理。由于高效層聚合的機制，分支以及通過每個倒置殘差瓶頸單元的輸出被保留并最終連接在一起。倒置殘差瓶頸單元的具體結(jié)構(gòu)，輸入順序通過逐點卷積來擴展通道數(shù)，接著是k*k的異構(gòu)深度可分離卷積操作，最后通過逐點卷積來減少通道數(shù)并補償深度可分離卷積造成的信息損失。倒置殘差瓶頸在訓(xùn)練期間，網(wǎng)絡(luò)并行運行n個不同大小的深度卷積。該模塊通過將大核卷積與幾個小核卷積并行化，在不產(chǎn)生額外推理成本的同時，擴展了感知范圍，并保留了小目標的信息。

19、局部全局混合自注意力機制，通過結(jié)合局部卷積層和全局自注意力層，聯(lián)合建模用戶的長期和短期偏好，局部性偏好（通過cnn捕捉）和全局性偏好（通過transformer捕捉）結(jié)合起來，更全面地建模用戶的動態(tài)偏好；自適應(yīng)混合全局與局部信息，在不同層中解耦融合過程，提升表達能力，并自適應(yīng)地聚合長期和短期偏好（可以根據(jù)用戶的個性化需求調(diào)整局部和全局依賴模塊的混合重要性）；壓縮激勵注意力，用以替代softmax操作，允許同時考慮多個相關(guān)項目，增強模型表達能力（允許模型同時關(guān)注多個高度相關(guān)的對象，而不是像傳統(tǒng)softmax那樣只關(guān)注單一對象）。

20、壓縮激勵注意力：接收一個輸入張量，形狀為?[b,?n,?d]，其中b是批次大小，n是序列長度，d是特征維度。

21、首先對輸入張量沿著特征維度d計算平均值，得到形狀為?[b,?n,?1]?的張量平均值。

22、將輸入張量平均值的維度進行轉(zhuǎn)置操作，得到形狀為?[b,?1,?n]?的張量。

23、通過第一個線性層對轉(zhuǎn)置后的張量進行變換，得到形狀為?[b,?1,?n/r]?的張量隱藏層狀態(tài)，其中?n/r?表示經(jīng)過壓縮后的維度。

24、應(yīng)用激活函數(shù)（relu），進一步非線性地激活隱藏層狀態(tài)。

25、通過第二個線性層將激活后的張量變換回原序列長度?[b,?1,?n]。

26、應(yīng)用sigmoid函數(shù)產(chǎn)生注意力權(quán)重張量注意力得分，形狀為?[b,?1,?n]。

27、再次轉(zhuǎn)置注意力得分以便與原始輸入張量相乘，得到形狀為?[b,?n,?1]?的張量。

28、自適應(yīng)混合全局與局部信息，接收三個輸入張量：模型輸入、全局信息和局部信息。

29、計算輸入張量在特征維度上的平均值，用于生成自適應(yīng)權(quán)重。

30、通過線性投影層和壓縮激勵注意力得到自適應(yīng)權(quán)重alpha并將其擴展為?[b,?1,1]形狀（其中b表示輸入樣本批量大?。?。

31、beta被設(shè)置為1-alpha，表示剩余的比例。

32、根據(jù)這兩個權(quán)重，全局信息和局部信息被混合在一起，形成混合輸出。

33、混合輸出經(jīng)過線性投影層變換后，與原始輸入相加，形成殘差連接。

34、最終輸出通過dropout層和層歸一化進行處理。

35、動態(tài)地調(diào)整全局信息和局部信息之間的比重。利用殘差連接保持梯度流動并減少梯度消失的風(fēng)險。通過層規(guī)范化和dropout增強模型的泛化能力。

36、相對位置增強自注意力機制，位置信息的重要性，對于計算機視覺任務(wù)，圖像中的像素或補丁被視為token，其位置信息對于構(gòu)建圖像語義至關(guān)重要。自注意力機制的一個關(guān)鍵特性是它對token的排列順序不敏感，這意味著它不能直接利用token的位置信息。引入相對位置偏置:swin?transformer等方法，通過在注意力矩陣中引入額外的相對位置偏置來指導(dǎo)模型學(xué)習(xí)位置信息和基于內(nèi)容的注意力。相對位置增強自注意力機制進一步發(fā)展了這一思想，通過建立一個獨立的值表示空間來捕獲位置依賴性。相對位置增強自注意力機制的數(shù)學(xué)公式：相對位置增強自注意力機制通過引入一個參數(shù)矩陣vrel將token轉(zhuǎn)換為新表示，以便通過相對位置混合信息。相對位置增強自注意力機制使用一個權(quán)重張量brel，該張量由相對位置索引。相對位置增強自注意力機制還保留了相對位置偏置b以賦予模型更大的靈活性。限制最大絕對距離:為了增強模型的泛化能力和簡化實現(xiàn)，相對位置增強自注意力機制限制了每個軸上的最大絕對相對位置距離s。這樣做后，相對位置增強自注意力機制的計算可以簡化為具有內(nèi)核尺寸?(2s+1)*(2s+1)的基于token的卷積。

37、作為一種優(yōu)選方案，所述特征融合頸部包括三層支路，每層支路依次包括淺層特征交互模塊，交叉階段分塊模塊，深層特征交互模塊，空間上下文感知模塊，淺層特征交互模塊接收同層及上一層第一特征，輸出淺層特征至交叉階段分塊模塊，交叉階段分塊模塊分發(fā)淺層特征至前部各深層特征交互模塊及后部上一層淺層特征交互模塊，深層特征交互模塊輸出深層特征至空間上下文感知模塊，三元尺度序列融合模塊獲取每層支路同層第一特征，特征拼接后輸入第一層空間上下文感知模塊，空間上下文感知模塊輸出全局上下文特征至后部下一層深層特征交互模塊以及輸出至預(yù)測頭部。

38、每個高效層聚合模塊之后，有一個淺層特征交互模塊，負責(zé)跨尺度的信息交換和融合。淺層特征交互模塊接下來是交叉階段分塊模塊，這是一個多分支結(jié)構(gòu)，允許在不同層次的特征之間進行交互。深層特征交互模塊利用額外的深層信息來增強特征表示?？臻g上下文感知模塊可能捕捉到空間關(guān)系并生成更豐富的特征表示。

39、作為一種優(yōu)選方案，所述淺層特征交互模塊接收上一層和同層第一特征，及下一層淺層特征，上一層第一特征經(jīng)過深度可分離卷積形成深層信息，與同層第一特征，下一層淺層特征進行堆疊輸出淺層特征；

40、所述深層特征交互模塊接收上一層，同層，下一層淺層特征，及前部上一層全局上下文特征，上一層淺層特征，下一層淺層特征，前部上一層全局上下文特征分別經(jīng)過深度可分離卷積后再與同層淺層特征相堆疊輸出深層特征；

41、所述三元尺度序列融合模塊包括三層分支，分別接收三層不同尺度第一特征，各經(jīng)過一個卷積模塊調(diào)整通道，第一層分支通過最大池化和平均池化進行降采樣，再經(jīng)卷積模塊處理，第三層分支采用最近鄰插值法上采樣，在經(jīng)卷積模塊處理，然后三層分支特征進行特征堆疊，再經(jīng)過三維卷積模塊處理輸出拼接特征；

42、所述上下文感知模塊包括三個分支，分別對輸入特征進行全局平均池化，全局最大池化，逐點卷積，全局平均池化和全局最大池化后共同經(jīng)過softmax函數(shù)，矩陣乘，逐點卷積處理，逐點卷積經(jīng)過softmax函數(shù)，矩陣乘，逐點卷積處理，最后共同進行哈達瑪積輸出全局上下文特征。

43、淺層特征交互模塊，精確的定位依賴于從淺層網(wǎng)絡(luò)中獲得的詳細邊緣信息，而精確的分類則需要更深層網(wǎng)絡(luò)來捕捉粗粒度信息。一個有效的特征金字塔網(wǎng)絡(luò)應(yīng)該支持淺層和深層網(wǎng)絡(luò)信息流的充分和充足融合；在骨干網(wǎng)絡(luò)中保留淺層空間信息對于增強較小目標的檢測能力至關(guān)重要。然而，骨干網(wǎng)絡(luò)提供的信息相對基礎(chǔ)，容易受到干擾。因此將淺層信息作為輔助分支融入到深層網(wǎng)絡(luò)中，以確保后續(xù)層學(xué)習(xí)的穩(wěn)定性；主要目標是整合深層信息與來自同一層以及骨干網(wǎng)絡(luò)中下一層的高分辨率淺層特征，旨在保留豐富的定位細節(jié)，以增強網(wǎng)絡(luò)的空間表現(xiàn)；使用1*1卷積來控制淺層信息中的通道數(shù)，確保在拼接操作中占比較小，不影響后續(xù)學(xué)習(xí)。通過雙向連接維護淺層主干信息，增強了網(wǎng)絡(luò)檢測小目標的能力。

44、深層特征交互模塊，為了進一步提高特征層信息的交互式利用，在更深層次進行多尺度信息融合；這些連接跨越了淺層的高分辨率層、淺層的低分辨率層、同級的淺層以及前部空間上下文感知進行信息聚合。通過多向連接豐富了輸出層的梯度信息。

45、三元尺度序列融合模塊，為了識別密集重疊的小物體，可以通過放大圖像來參考和比較不同尺度下的形狀或外觀變化。由于骨干網(wǎng)絡(luò)的不同特征層具有不同的尺寸，傳統(tǒng)的特征金字塔融合機制只是對小尺寸的特征圖進行上采樣，然后將其分割或添加到上一層的特征中，忽略了大尺寸特征層豐富的細節(jié)信息。三元尺度序列融合模塊可以分割大、中、小尺寸的特征，添加大尺寸的特征圖，并進行特征放大，以完善詳細的特征信息。它能更好地結(jié)合深度特征圖的高維信息和淺層特征圖的詳細信息。尺度空間是沿著圖像的尺度軸構(gòu)建的，它不僅表示一個尺度，還表示一個物體可能具有的各種尺度的范圍。將不同尺度的特征圖進行水平堆疊，并使用三維卷積提取其尺度序列特征。高分辨率特征圖包含了對小型目標的檢測至關(guān)重要的大部分信息。在進行特征編碼之前，首先要調(diào)整特征通道的數(shù)量，使其與主要尺度特征保持一致。卷積模塊處理大尺寸特征圖后，將其通道數(shù)調(diào)整為?1c，然后采用最大池化加平均池化的混合結(jié)構(gòu)進行降采樣，這有助于保留高分辨率特征和細胞圖像的有效性和多樣性。對于小尺寸的特征圖，同樣使用卷積模塊來調(diào)整通道數(shù)，然后使用最近鄰插值法進行上采樣。這有助于保持低分辨率圖像局部特征的豐富性，防止小目標特征信息的丟失。最后，將尺寸相同的大、中、小三個特征圖進行一次卷積，然后在通道維度上進行拼接，最后三維卷積、批量歸一化、激活函數(shù)。

46、空間上下文感知模塊，設(shè)計目的是在跨通道和空間維度上建模全局上下文信息，抑制無用的背景特征。結(jié)構(gòu)由三個分支組成，使用全局平均池化（gap）和全局最大池化（gmp）來整合全局信息。功能為：提取空間和通道之間的上下文關(guān)系。增強小目標的特征表示，減少背景混淆。實現(xiàn)使用1x1卷積簡化特征圖的線性變換。通過矩陣乘法計算通道和空間上下文信息。哈達瑪積操作，輸出包含全局上下文的特征圖。

47、作為一種優(yōu)選方案，所述步驟s3具體包括：

48、s31.通過深度學(xué)習(xí)分析人物運動狀態(tài)，確定運動狀態(tài)人物的移動方向，計算人物移動軌跡，判斷人物是否即將超出當前視頻圖像范圍；

49、s32.若否，統(tǒng)計各個監(jiān)控區(qū)域人數(shù)，進入步驟s4；

50、若是，根據(jù)任務(wù)移動軌跡確定人物即將出現(xiàn)的所在范圍監(jiān)控，在設(shè)定延遲時間后獲取該監(jiān)控第二視頻圖像，對第二視頻圖像進行人物識別和計數(shù)，統(tǒng)計各個監(jiān)控區(qū)域人數(shù)，進入步驟s4，同時判斷當前時間是否超出當前掃描周期；

51、s33.若是，進入下一掃描周期，返回步驟s1；

52、若否，返回步驟s31。

53、本方法在設(shè)定監(jiān)控區(qū)域內(nèi)布置攝像頭，采用一個或多個攝像頭，攝像頭經(jīng)可能覆蓋該監(jiān)控區(qū)域，例如設(shè)置一個攝像頭，該攝像頭覆蓋范圍設(shè)定為監(jiān)控區(qū)域，或是設(shè)置多個攝像頭，多個攝像頭覆蓋區(qū)域構(gòu)成一個監(jiān)控區(qū)域，攝像頭設(shè)定掃描周期，定期掃描或檢測圖像進行用戶人數(shù)統(tǒng)計。當分析出人物處于運動狀態(tài)，即人物可能會走出當前監(jiān)控區(qū)域進入其他監(jiān)控區(qū)域，不同監(jiān)控區(qū)域可能處于不同基站覆蓋范圍，因此需要根據(jù)人物移動動態(tài)來對監(jiān)控區(qū)域內(nèi)人數(shù)進行重新統(tǒng)計，從而能更準確的根據(jù)人數(shù)對基站資源進行合理分配。本方案中通過深度學(xué)習(xí)分析人物運動趨勢，動態(tài)統(tǒng)計監(jiān)控區(qū)域人數(shù)。通過深度學(xué)習(xí)分析當前視頻圖像中人物的運動趨勢，根據(jù)人物的運動趨勢以判斷是否即將超出當前視頻圖像范圍，另外進一步的還包括分析視頻圖像中非全身的人物，非全身人物也被認為即將超出視頻圖像范圍。人物的運動趨勢通過分析人物運動狀態(tài)，確定運動狀態(tài)人物的移動方向，計算人物移動軌跡，以此來判斷是否將超出視頻圖像范圍，同時根據(jù)移動方向和移動軌跡還可以預(yù)測人物即將出現(xiàn)在周邊的攝像頭覆蓋范圍，從而能夠調(diào)取周邊攝像頭的視頻圖像以確定該人物是否移動過去。在判斷視頻圖像中有人物將超出視頻圖像范圍，則在設(shè)定的延遲時間后獲取任務(wù)將出現(xiàn)的監(jiān)控范圍的第二視頻圖像，延遲時間根據(jù)需求設(shè)定，延遲時間小于掃描周期時長，例如可以根據(jù)攝像頭捕捉視頻幀的頻率來設(shè)定延遲時間，如攝像頭每隔一分鐘捕捉一次視頻幀，設(shè)定延遲時間為一分鐘。在獲得第二視頻圖像后，通過人物識別模型對人物進行識別和計數(shù)，并標記每個人物位置，同時對第二視頻圖像同樣進行深度學(xué)習(xí)分析，識別出移動至當前圖像范圍的人物，此時重新對監(jiān)控即攝像頭計算的人數(shù)來統(tǒng)計各監(jiān)控區(qū)域的用戶人數(shù)，根據(jù)用戶人數(shù)對基站資源進行動態(tài)調(diào)整。同時還對第二視頻圖像中人物進行運動趨勢分析，再判斷是否有人物即將超出第二視頻圖像范圍，如移動至當前圖像范圍的人物保持移動，或是其他人物有移動趨勢，重復(fù)上述操作，根據(jù)人物運動趨勢動態(tài)統(tǒng)計監(jiān)控區(qū)域內(nèi)人數(shù)，并實時調(diào)整基站資源，直至延遲時間后獲得的周邊監(jiān)控的視頻圖像中人物不再移動或是當前時間超出了一個掃描周期，則停止操作進入下一掃描周期，進行下一掃描周期的操作。在第一視頻圖像中檢測出多人即將超出圖像范圍，以及在第二視頻圖像中檢測出其他人也即將超出圖像范圍，分別對這些人進行追蹤，重復(fù)步驟s3。本方案采用小監(jiān)控區(qū)域，可以由一個或少數(shù)監(jiān)控攝像頭構(gòu)成，人物移動的情況不會過于復(fù)雜，能夠根據(jù)人物移動來及時調(diào)節(jié)基站資源，以達到合理分配資源的目的。

54、作為一種優(yōu)選方案，在步驟s2后還包括：

55、判斷人物識別結(jié)果是否有人物出現(xiàn)，

56、若是，進入步驟s3；若否，通知5g基站進入等待，休眠或深度休眠狀態(tài)。

57、本方案在人物識別后首先包括對是否有人物出現(xiàn)進行判斷，當沒有任務(wù)出現(xiàn)，則通知5g基站進入等待，休眠或深度休眠狀態(tài)，當檢測到人物出現(xiàn)時再激活覆蓋基站，有效的提高基站能源利用效率，減低基站能耗，降低整體運營成本。

58、作為一種優(yōu)選方案，所述的計算監(jiān)控區(qū)域用戶數(shù)，具體包括：

59、獲取本業(yè)務(wù)區(qū)運營商用戶滲透率，計算各監(jiān)控區(qū)域的運營商用戶數(shù)；

60、獲取運營商的5g用戶占比，計算各監(jiān)控區(qū)域的運營商5g用戶。

61、為了統(tǒng)計5g用戶人數(shù)，需要輸入業(yè)務(wù)區(qū)域運營商數(shù)據(jù)，作為計算和分析的基礎(chǔ)，通過輸入業(yè)務(wù)區(qū)運營商用戶滲透率來計算出運營商用戶數(shù)，并通過輸入運營商5g用戶占比來計算出5g用戶人數(shù)。

62、作為一種優(yōu)選方案，還包括實時調(diào)整步驟，具體包括：

63、根據(jù)監(jiān)控區(qū)域用戶數(shù)計算用戶預(yù)計容量需求，同時獲取監(jiān)控器區(qū)域用戶實際容量需求；

64、比較用戶預(yù)計容量需求和用戶實際容量需求，根據(jù)用戶實際容量需求實時調(diào)整基站容量資源。

65、本方案在步驟s5后進行，由于實際情況中用戶存在使用容量大或是使用容量少的問題，需要全面統(tǒng)計和分析用戶的容量需求，以便更好的進行資源規(guī)劃和調(diào)整。根據(jù)監(jiān)控區(qū)域內(nèi)統(tǒng)計的用戶數(shù)來估算出用戶預(yù)計容量需求，同時通過基站獲取監(jiān)控范圍內(nèi)用戶實際容量需求。計算用戶實際容量需求根據(jù)人物識別模型標記的人物位置，再通過位置獲取監(jiān)控區(qū)域內(nèi)用戶，從基站統(tǒng)計這些用戶的實際容量需求。將用戶實際容量需求與用戶預(yù)計容量需求進行比較，若用戶實際容量需求大于用戶預(yù)計容量需求，則調(diào)根據(jù)用戶實際容量需求來增加基站容量資源，如果實際用戶容量需求超過了當前基站資源能力，則考慮增加基站資源以滿足需求，若用戶實際容量需求小于用戶預(yù)計容量需求，則不進行操作。另外為了進一步提高能源利用效率，減小基站能耗，若用戶實際容量需求小于用戶預(yù)計容量需求，同樣可以根據(jù)用戶實際容量需求來減少基站容量需求。實時調(diào)整步驟結(jié)束后一輪根據(jù)人數(shù)對基站資源的調(diào)整結(jié)束。

66、因此，本發(fā)明的優(yōu)點是：

67、利用長期的監(jiān)控設(shè)備，識別圖像中人物情況，結(jié)合基站的相關(guān)設(shè)置，合理分配基站的資源，使得5g基站進一步減少能耗，降低整體運營成本，從而做到綠色節(jié)能。通過人物運動趨勢分析對人物出現(xiàn)在監(jiān)控圖像中進行預(yù)測，根據(jù)人物實際移動情況動態(tài)統(tǒng)計監(jiān)控區(qū)域內(nèi)用戶數(shù)，提高了對人物數(shù)量統(tǒng)計的準確度，從而能更準確的根據(jù)人數(shù)對基站資源進行合理分配，提高基站能源利用效率，減低基站能耗，降低整體運營成本。

68、人物識別模型通過采用三元尺度序列融合模型，可以分割大、中、小尺寸的特征，添加大尺寸的特征圖，并進行特征放大，以完善詳細的特征信息，能更好地結(jié)合深度特征圖的高維信息和淺層特征圖的詳細信息；采用相對位置增強注自意力機制，彌補自注意力的位置盲點，模型具有了從內(nèi)容和位置捕獲依賴關(guān)系的強有力能力；采用空間上下文感知模塊，提取空間和通道之間的上下文關(guān)系，增強小目標的特征表示，減少背景混淆；采用局部全局混合注自意力機制，局部性偏好和全局性偏好結(jié)合起來，更全面地建模用戶的動態(tài)偏好。