CN103810270B - 跟踪区优化划分方法和装置 - Google Patents

跟踪区优化划分方法和装置 Download PDF

Info

Publication number
CN103810270B
CN103810270B CN201410042471.9A CN201410042471A CN103810270B CN 103810270 B CN103810270 B CN 103810270B CN 201410042471 A CN201410042471 A CN 201410042471A CN 103810270 B CN103810270 B CN 103810270B
Authority
CN
China
Prior art keywords
cell
tracking area
represent
user
cost
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201410042471.9A
Other languages
English (en)
Other versions
CN103810270A (zh
Inventor
杨超
肖恒辉
李炯城
陈运动
赖志坚
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong Planning and Designing Institute of Telecommunications Co Ltd
Original Assignee
Guangdong Planning and Designing Institute of Telecommunications Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Guangdong Planning and Designing Institute of Telecommunications Co Ltd filed Critical Guangdong Planning and Designing Institute of Telecommunications Co Ltd
Priority to CN201410042471.9A priority Critical patent/CN103810270B/zh
Publication of CN103810270A publication Critical patent/CN103810270A/zh
Application granted granted Critical
Publication of CN103810270B publication Critical patent/CN103810270B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/40—Business processes related to the transportation industry

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Tourism & Hospitality (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明公开了一种跟踪区优化划分方法与装置，先将用户成本和基站成本中任一个作为目标函数，另一个作为约束条件，根据目标函数和约束条件对跟踪区/跟踪区列表进行数学建模；然后从空间和时间两个维度上对用户进行聚类分析，通过位置相关和时间相关两类用户的特性来获取数学模型的启发式信息；再运用遗传算法求解数学模型的解；最后根据所获得的数学模型的解进行跟踪区优化划分。本发明在寻呼成本、跟踪区更新成本和跟踪区重构成本三者之间达到了均衡；对用户进行预测聚类分析，使获得的结果更加贴近实际，具有很好的工程应用价值；运用遗传算法可以快速求解出数学模型的最优解，同时确保解的准确性，适合实际应用。

Description

跟踪区优化划分方法和装置
技术领域
本发明涉及网络优化技术领域，特别是涉及一种跟踪区优化划分方法和装置。
背景技术
随着中国4G LTE网络商用牌照的发放，TD-LTE网络的规划与建设已经如火如荼地开展。在TD-LTE网络中，数据业务服务预计会大幅度的增加，同时，更加强调用户的移动性管理和服务质量。这一切都使得4G LTE移动通信网络系统的设计和优化面临巨大的挑战。
与3G中位置区（Location Area，LA）/路由区（Routing Area,RA）的概念相类似，跟踪区（Tracking Area,TA）是LTE网络中核心网引入的概念，属于用户设备（UserEquipment,UE）漫游的最小颗粒，用于核心网移动性管理实体（Mobility ManagementEntuty,MME）侧对UE的跟踪和快速寻呼管理。TA是一簇小区的集合，用跟踪区域标示（Tracking Area Index,TAI）进行标识。在用户侧，不同的用户在激活LTE网络注册的时候，均会获得一个跟踪区列表（Tracking Area List,TA List）。TA List里面是两层分布结构，一般包含一组TA，同时，一个TA里面包含一组小区。一个简易的TA List模型如图1所示。单个小区只能属于一个TA，但同一个基站下面的小区可以属于不同的TA。
TA/TA List的设定和划分，其主要作用体现在当UE移动漫游的时候，核心网可以依据TA/TA List对UE进行快速定位。当UE有寻呼请求时，核心网会向TA List里面所有的小区发出寻呼信息，UE必然会属于其中一个小区内，收到寻呼信息后就能知UE具体的位置。与传统的UE始终处于激活状态，需要频繁的进行信令交互相比，TA/TA List的设置可以有效地减小信令的开销，同时也能快速完成对UE的寻呼定位。
当UE在核心网注册激活的时候，核心网会为其分配一组TA List。当UE移动超出TAList的范围的时候，UE需要读取系统的广播信息，获得核心网的MME为该小区配置的TAList，并申请发起跟踪区更新（Tracking List Update,TAU）过程。当UE发起TAU过程后，MME会为UE重新分配当前UE所驻留的小区的TA List。TAU过程本身会产生信令交互。
在TA/TA List设置的过程中，TA和TA List的规模要适宜，若是设定规模太大，包含较多的TA和小区，则会造成在核心网寻呼定位的时候寻呼过载，导致寻呼成功率下降；寻呼时间过长也会消耗UE的电池能量，造成UE本身续航时间不长。但同时，TA List的规模设置过小的话，会造成UE侧的TAU过于频繁，加重MME的负担，达不到TA list设定的为了减小信令开销的目的。此外，对TA的边界要尽量做到有规则，不应让UE频繁的进行TA List更新，尽量以市区中的山体、河流等作为TA的边界。若是UE大规模的频繁移动，可以会导致TA重构，即小区自身的TA配置发生改变，这对于小区内所有的UE的服务来说，TA重构会带来系统时延，这会使得UE产生TA重置的代价。例如，当UE使用的是对时延非常敏感的服务（视频通话、语音服务等）的时候，TA重构会对服务质量产生严重的影响。
关于TA/TA List划分现有的技术方案有：基于运动模型的自组织TA List划分算法，在该技术方案中，作者用马尔科夫链对UE的移动进行建模，并对用户的移动趋势进行预测，根据用户的移动对系统的TA list进行更新。基于图划分模型的TA划分算法，在该技术方案中，作者将TA规划建模成一个图划分问题，用图中的节点作为小区内用户的寻呼量，将图中的每一条边作为小区之间移动的用户数量，最终通过运用现有的图划分算法对其进行求解。
基于运动模型的自组织TA List划分算法，其主要特点在于使用马尔科夫链对UE的移动趋势做出预测，在得到一个初步的TA List之后，逐步对其进行优化更新，其使用马尔科夫链需要预先知道每一步用户具体状态的跳变概率，这在模型中是假设用户已知，但这并与实际并不相符合，使得本身并不能完整的对用户的移动进行合理的建模，且该TA规划本身是渐变式的，通过用户的移动随着时间逐渐改进,在实际中,用户的移动会改变TA内的总体用户数和用户的寻呼量，直接用马尔科夫链进行建模，并不能体现这种变化。基于图划分模型的TA规划方法，其将TA划分问题建模成图划分问题，这会带来大量的计算量，计算复杂度过大，使得其并不能直接指导工程设计工作。
发明内容
基于上述情况，本发明提出了一种跟踪区优化划分方法，计算简单，结果准确，与实际情况相符，具有很好的工程应用价值。
为了实现上述目的，本发明的技术方案为：
一种跟踪区优化划分方法，包括以下步骤：
将用户成本和基站成本中任一个作为目标函数，另一个作为约束条件，根据所述目标函数和约束条件对跟踪区/跟踪区列表进行数学建模，所述用户成本包括跟踪区更新成本与寻呼成本，所述基站成本包括跟踪区重构成本；
从空间和时间两个维度上对用户进行聚类分析，通过位置相关和时间相关两类用户的特性来获取数学模型的启发式信息，所述启发式信息包括数学模型中未知参数的值；
基于所获取的数学模型的启发式信息，运用遗传算法求解数学模型的解，所述数学模型的解包括小区与跟踪区之间的关系；
根据所获得的数学模型的解进行跟踪区优化划分。
针对现有技术问题，本发明还提出了一种跟踪区优化划分装置，进行便捷准确地跟踪区划分，符合实际情况，适合应用。
具体实现方式为：一种跟踪区优化划分装置，包括：
数学建模模块，用于将用户成本和基站成本中任一个作为目标函数，另一个作为约束条件，根据所述目标函数和约束条件对跟踪区/跟踪区列表进行数学建模，所述用户成本包括跟踪区更新成本与寻呼成本，所述基站成本包括跟踪区重构成本；
聚类分析模块，用于从空间和时间两个维度上对用户进行聚类分析，通过位置相关和时间相关两类用户的特性来获取数学模型的启发式信息，所述启发式信息包括数学模型中未知参数的值；
求解模块，基于所获取的数学模型的启发式信息，运用遗传算法求解数学模型的解，所述数学模型的解包括小区与跟踪区之间的关系；
优化划分模块，用于根据所获得的数学模型的解进行跟踪区优化划分。
与现有技术相比，本发明的有益效果为：本发明跟踪区优化划分方法与装置，先将用户成本和基站成本中任一个作为目标函数，另一个作为约束条件，根据所述目标函数和约束条件对跟踪区/跟踪区列表进行数学建模，用户成本包括跟踪区更新成本与寻呼成本，基站成本包括跟踪区重构成本；然后从空间和时间两个维度上对用户进行聚类分析，通过位置相关和时间相关两类用户的特性来获取数学模型的启发式信息，启发式信息包括数学模型中未知参数的值；再基于所获取的数学模型的启发式信息，运用遗传算法求解数学模型的解，数学模型的解包括小区与跟踪区之间的关系；最后根据所获得的数学模型的解进行跟踪区优化划分。使用本发明的技术后，在寻呼成本、跟踪区更新成本和跟踪区重构成本三者之间达到了均衡；对用户进行预测聚类分析，使获得的结果更加贴近实际，具有很好的工程应用价值；运用遗传算法可以快速求解出数学模型的最优解，同时确保解的准确性，适合应用。
附图说明
图1为一个实施例中跟踪区列表模型的结构示意图；
图2为一个实施例中跟踪区优化划分方法的流程示意图；
图3为一个实施例中用户在时间和空间两个维度上的聚类示意图；
图4为一个实施例中运用遗传算法求解出数学模型的最优解的流程示意图；
图5为一个实施例中跟踪区优化划分装置的结构示意图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步的详细说明。应当理解，此处所描述的具体实施方式仅仅用以解释本发明，并不限定本发明的保护范围。
一个实施例中跟踪区优化划分方法，如图2所示，所述方法包括：
步骤S101：将用户成本和基站成本中任一个作为目标函数，另一个作为约束条件，根据所述目标函数和约束条件对跟踪区/跟踪区列表进行数学建模，所述用户成本包括跟踪区更新成本与寻呼成本，所述基站成本包括跟踪区重构成本；
步骤S102：从空间和时间两个维度上对用户进行聚类分析，通过位置相关和时间相关两类用户的特性来获取数学模型的启发式信息，所述启发式信息包括数学模型中未知参数的值；
步骤S103：基于所获取的数学模型的启发式信息，运用遗传算法求解数学模型的解，所述数学模型的解包括小区与跟踪区之间的关系；
步骤S104：根据所获得的数学模型的解进行跟踪区优化划分。
从以上描述可知，本方法将跟踪区划分问题归结为目标函数和约束条件的规划问题，从时间和空间两个维度上对用户进行聚类分析，以此来获得启发式信息来辅助优化求解，同时，利用遗传算法对模型进行快速求解，具有较好的工程应用价值。
作为一个实施例，所述将用户成本和基站成本中任一个作为目标函数，另一个作为约束条件，根据所述目标函数和约束条件对跟踪区/跟踪区列表进行数学建模，所述用户成本包括跟踪区更新成本与寻呼成本，所述基站成本包括跟踪区重构成本的具体步骤包括：
将跟踪区更新成本最小化与寻呼成本最小化进行组合作为目标函数：其中i,j表示小区的编号，N表示小区总的集合；cu表示单个用户跟踪区更新成本；Mij表示从小区i移动到小区j的用户个数；α表示单个小区内用户的寻呼率；cp表示单个用户寻呼成本；ui表示小区i的用户总个数；Kij表示单个跟踪区下小区i与小区j的关系，Kij=1，表示小区i与小区j属于同一个跟踪区；Kij=0，表示小区i与小区j不属于同一个跟踪区；
确定小区i与跟踪区l的关系：其中N表示小区总的集合，l∈L，L表示跟踪区总的集合，Gil表示小区i与跟踪区l的归属关系，Gil=1，表示小区i属于跟踪区l；Gil=0，表示小区i不属于跟踪区l；
Kij与Gil的关系：Gil+Gjl-1≤Kij；Kij+Gil-1≤Gjl，i,j∈N,l∈L，其中N表示小区总的集合，L表示跟踪区总的集合，Gil表示小区i与跟踪区l的归属关系，Gjl表示小区j与跟踪区l的归属关系，Kij表示单个跟踪区下小区i与小区j的关系，Gil=1，Gjl=1，表示小区i和小区j属于跟踪区l，则Kij=1，表示小区i和小区j属于同一个跟踪区；Gil=1，Gjl=0，表示小区i属于跟踪区l，小区j不属于跟踪区l，则Kij=0，表示小区i和小区j不属于同一个跟踪区；Gil=0，Gjl=1，表示小区i不属于跟踪区l，小区j属于跟踪区l，则Kij=0，表示小区i和小区j不属于同一个跟踪区；
小区i、小区j与小区n的关系：Kij+Kjn-Kin=1，i,j,n∈N,i≠j≠n，其中N表示小区总的集合，Kij表示单个跟踪区下小区i与小区j的关系，Kjn表示单个跟踪区下小区j与小区n的关系，Kin表示单个跟踪区下小区i与小区n的关系，Kij=1，Kjn=1，表示小区i与小区j属于同一个跟踪区，小区j与小区n属于同一个跟踪区，则Kin=1，表示小区i与小区n属于同一个跟踪区；Kij=1，Kjn=0，表示小区i与小区j属于同一个跟踪区，小区j与小区n不属于同一个跟踪区，则Kin=0，表示小区i与小区n不属于同一个跟踪区；Kij=0，Kjn=1，表示小区i与小区j不属于同一个跟踪区，小区j与小区n属于同一个跟踪区，则Kin=0，表示小区i与小区n不属于同一个跟踪区；
将跟踪区重构成本作为约束条件：单个时隙内一个小区内用户的跟踪区重构成本要低于预定值B，其中ui表示小区i的用户总个数，表示在单个时隙内小区i内用户的跟踪区变化，表示在单个时隙内小区i内用户跟踪区没有发生变化；表示在单个时隙内小区i内用户跟踪区发生变化，小区i内的所有用户产生跟踪区重构成本。
作为一个实施例，所述将用户成本和基站成本中任一个作为目标函数，另一个作为约束条件，根据所述目标函数和约束条件对跟踪区/跟踪区列表进行数学建模，所述用户成本包括跟踪区更新成本与寻呼成本，所述基站成本包括跟踪区重构成本的具体步骤包括：
将跟踪区重构成本最小化作为目标函数：其中ui表示小区i的用户总个数，表示在单个时隙内小区i内用户的跟踪区变化，表示在单个时隙内小区i内用户跟踪区没有发生变化；表示在单个时隙内小区i内用户跟踪区发生变化，小区i内的所有用户产生跟踪区重构成本；
确定小区i与跟踪区l的关系：其中N表示小区总的集合，l∈L，L表示跟踪区总的集合，Gil表示小区i与跟踪区l的归属关系，Gil=1，表示小区i属于跟踪区l；Gil=0，表示小区i不属于跟踪区l；
Kij与Gil的关系：Gil+Gjl-1≤Kij；Kij+Gil-1≤Gjl，i,j∈N,l∈L，其中N表示小区总的集合，L表示跟踪区总的集合，Gil表示小区i与跟踪区l的归属关系，Gjl表示小区j与跟踪区l的归属关系，Kij表示单个跟踪区下小区i与小区j的关系，Gil=1，Gjl=1，表示小区i和小区j属于跟踪区l，则Kij=1，表示小区i和小区j属于同一个跟踪区；Gil=1，Gjl=0，表示小区i属于跟踪区l，小区j不属于跟踪区l，则Kij=0，表示小区i和小区j不属于同一个跟踪区；Gil=0，Gjl=1，表示小区i不属于跟踪区l，小区j属于跟踪区l，则Kij=0，表示小区i和小区j不属于同一个跟踪区；
小区i、小区j与小区n的关系：Kij+Kjn-Kin=1，i,j,n∈N,i≠j≠n，其中N表示小区总的集合，Kij表示单个跟踪区下小区i与小区j的关系，Kjn表示单个跟踪区下小区j与小区n的关系，Kin表示单个跟踪区下小区i与小区n的关系，Kij=1，Kjn=1，表示小区i与小区j属于同一个跟踪区，小区j与小区n属于同一个跟踪区，则Kin=1，表示小区i与小区n属于同一个跟踪区；Kij=1，Kjn=0，表示小区i与小区j属于同一个跟踪区，小区j与小区n不属于同一个跟踪区，则Kin=0，表示小区i与小区n不属于同一个跟踪区；Kij=0，Kjn=1，表示小区i与小区j不属于同一个跟踪区，小区j与小区n属于同一个跟踪区，则Kin=0，表示小区i与小区n不属于同一个跟踪区；
将跟踪区更新成本与寻呼成本进行组合作为约束条件：跟踪区更新成本与寻呼成本的组合要低于预定值B1，其中i,j表示小区的编号，N表示小区总的集合；cu表示单个用户跟踪区更新成本；Mij表示从小区i移动到小区j的用户个数；α表示单个小区内用户的寻呼率；cp表示单个用户寻呼成本；ui表示小区i的用户总个数；Kij表示单个跟踪区下小区i与小区j的关系，Kij=1，表示小区i与小区j属于同一个跟踪区；Kij=0，表示小区i与小区j不属于同一个跟踪区。
不排除还有其它方法可以得到。
作为一个实施例，用户在时间和空间两个维度上的聚类示意图如图3所示，所述从空间和时间两个维度上对用户进行聚类分析，通过位置相关和时间相关两类用户的特性来获取数学模型的启发式信息，所述启发式信息包括数学模型中未知参数的值的具体步骤包括：
在空间维度上聚类：设定一个聚类距离L1，对用户进行空间聚类，设定聚类中心节点，以中心节点为圆心，计算用户与中心节点之间的距离，以L1为半径的范围作为一个跟踪区；
在时间维度上聚类：在空间维度聚类的基础上，设定观察时间，在所述观察时间内，统计单个时隙内小区之间用户的切换统计数据，根据所述切换统计数据对小区进行聚类，将相互之间频繁发生切换的小区合并在同一个跟踪区；
根据聚类的结果，获取数学模型的启发式信息，包括：参数Kij、Mij、Gil和的值，其中Kij表示单个跟踪区下小区i与小区j的关系：Kij=1，表示小区i与小区j属于同一个跟踪区；Kij=0，表示小区i与小区j不属于同一个跟踪区；Mij表示从小区i移动到小区j的用户个数；Gil表示小区i与跟踪区l的归属关系：Gil=1，表示小区i属于跟踪区l；Gil=0，表示小区i不属于跟踪区l；Gil0表示在单个时隙内小区i内用户的跟踪区变化：表示在单个时隙内小区i内用户跟踪区没有发生变化；表示在单个时隙内小区i内用户跟踪区发生变化，小区i内的所有用户产生跟踪区重构成本；
其中，所述聚类中心节点由以下步骤计算得到：
任意选择m个用户作为初始中心点oi，对应的类为ci，i∈{1,2,…,m}；
计算用户pi与初始中心点oi的相似度d(oi,pi)，pi∈Po，pi≠oi，Po表示用户总的集合；
将与初始中心点oi最相似的用户p，p∈pi指派到相应的类中p∈ci，并计算评价函数的值：
在各类ci中任意选择一个非初始中心点qi，计算用户p与非初始中心点qi的相似度d(qi,p)，qi≠oi，qi≠p，qi∈ci，并计算评价函数的值：比较评价函数E和E′的值，当E′<E，用qi代替oi，重复本步操作直至评价函数的值达到预设的最小值或满意值。
作为一个实施例，所述从空间和时间两个维度上对用户进行聚类分析，通过位置相关和时间相关两类用户的特性来获取数学模型的启发式信息，所述启发式信息包括数学模型中未知参数的值的具体步骤包括：
在时间维度上聚类：给定一段时间为观察时间，在该时间段内，统计单个时隙内小区之间用户的切换数据，根据此数据对小区进行聚类，将相互之间频繁发生切换的小区合并在同一个跟踪区；
在空间维度上聚类：在时间维度聚类的基础上，设定一个聚类距离L1，对用户进行空间聚类，设定聚类中心节点，以中心节点为圆心，计算用户与中心节点之间的距离，以L1为半径的范围作为一个跟踪区；
根据聚类的结果，获取数学模型的启发式信息，包括：参数Kij、Mij、Gil和的值，其中Kij表示单个跟踪区下小区i与小区j的关系：Kij=1，表示小区i与小区j属于同一个跟踪区；Kij=0，表示小区i与小区j不属于同一个跟踪区；Mij表示从小区i移动到小区j的用户个数；Gil表示小区i与跟踪区l的归属关系：Gil=1，表示小区i属于跟踪区l；Gil=0，表示小区i不属于跟踪区l；表示在单个时隙内小区i内用户的跟踪区变化：表示在单个时隙内小区i内用户跟踪区没有发生变化；表示在单个时隙内小区i内用户跟踪区发生变化，小区i内的所有用户产生跟踪区重构成本；
其中，所述聚类中心节点由以下步骤计算得到：
任意选择m个用户作为初始中心点oi，对应的类为ci，i∈{1,2,…,m}；
计算用户pi与初始中心点oi的相似度d(oi,pi)，pi∈Po，pi≠oi，Po表示用户总的集合；
将与初始中心点oi最相似的用户p，p∈pi指派到相应的类中p∈ci，并计算评价函数的值：
在各类ci中任意选择一个非初始中心点qi，计算用户p与非初始中心点qi的相似度d(qi,p)，qi≠oi，qi≠p，qi∈ci，并计算评价函数的值：比较评价函数E和E′的值，当E′<E，用qi代替oi，重复本步操作直至评价函数的值达到预设的最小值或满意值。
不排除还有其它方法可以得到。
作为一个实施例，所述基于所获取的数学模型的启发式信息，运用遗传算法求解数学模型的解，所述数学模型的解包括小区与跟踪区之间的关系的具体步骤如图4所示，包括：
设定数学模型的解的初始变量为A(0)={a1(0),…,an(0),…aN(0)}，将所得到的目标函数作为适应度函数，计算ax(0)的适应度为Fx(0)，x=1,2,…,N；
对A(0)进行选择运算：设定交叉概率，对A(0)进行交叉运算；设定变异概率，对A(0)进行变异运算；
计算得到A(t)={a1(t),…,an(t),…aN(t)}，t表示迭代次数；
约束条件处理：得到的ax(t)，x=1,2,…,N满足所设定的约束条件，与预设目标相符的为优；得到的ax(t)，x=1,2,…,N不满足所设定的约束条件，超出量最小的为优；
得到满足所设定的约束条件的A′(t)={a1′(t),…,an′(t),…aM′(t)}，M≤N，计算ax′(t)的适应度Fx′(t)，x=1,2,…,M；
重复以上步骤，直至迭代次数t大于预设的总的迭代次数T，结束计算，求解出数学模型的最优解。
在做选择运算时，采用常规的轮盘赌的方式对种群进行选择。交叉概率设定的较高，可以设定为0.8，而变异概率设定的较低，设定为0.05。
上面的算法框架中的单目标多约束遗传算法可以以较快的速度求解出最优的数学模型的解，同时通过控制迭代终止条件，可以确保所求解的精确性。
所述数学模型的解包括小区与跟踪区之间的关系：包括矩阵G，矩阵内的元素为Gil，i表示小区的编号，l表示跟踪区的编号，Gil=1表示小区i属于跟踪区l；Gil=0，表示小区i不属于跟踪区l，例如
一个实施例中跟踪区优化划分装置，如图5所示，包括：
数学建模模块，用于将用户成本和基站成本中任一个作为目标函数，另一个作为约束条件，根据所述目标函数和约束条件对跟踪区/跟踪区列表进行数学建模，所述用户成本包括跟踪区更新成本与寻呼成本，所述基站成本包括跟踪区重构成本；
聚类分析模块，用于从空间和时间两个维度上对用户进行聚类分析，通过位置相关和时间相关两类用户的特性来获取数学模型的启发式信息，所述启发式信息包括数学模型中未知参数的值；
求解模块，基于所获取的数学模型的启发式信息，运用遗传算法求解数学模型的解，所述数学模型的解包括小区与跟踪区之间的关系；
优化划分模块，用于根据所获得的数学模型的解进行跟踪区优化划分
如图5所示，本装置各模块连接关系的一个优选的实施例为：数学建模模块、聚类分析模块、求解模块和优化划分模块依次顺序连接。
首先数学建模模块将用户成本和基站成本中任一个作为目标函数，另一个作为约束条件，根据所述目标函数和约束条件对跟踪区/跟踪区列表进行数学建模，所述用户成本包括跟踪区更新成本与寻呼成本，所述基站成本包括跟踪区重构成本；然后聚类分析模块从空间和时间两个维度上对用户进行聚类分析，通过位置相关和时间相关两类用户的特性来获取数学模型的启发式信息，所述启发式信息包括数学模型中未知参数的值；再由求解模块基于所获取的数学模型的启发式信息，运用遗传算法求解数学模型的解，所述数学模型的解包括小区与跟踪区之间的关系；最后优化划分模块根据所获得的数学模型的解进行跟踪区优化划分，本装置实现便捷准确地跟踪区划分，更加贴近实际工程需要，符合实际情况，适合应用。
作为一个实施例，所述将用户成本和基站成本中任一个作为目标函数，另一个作为约束条件，根据所述目标函数和约束条件对跟踪区/跟踪区列表进行数学建模，所述用户成本包括跟踪区更新成本与寻呼成本，所述基站成本包括跟踪区重构成本的具体步骤包括：
将跟踪区更新成本最小化与寻呼成本最小化进行组合作为目标函数：其中i,j表示小区的编号，N表示小区总的集合；cu表示单个用户跟踪区更新成本；Mij表示从小区i移动到小区j的用户个数；α表示单个小区内用户的寻呼率；cp表示单个用户寻呼成本；ui表示小区i的用户总个数；Kij表示单个跟踪区下小区i与小区j的关系，Kij=1，表示小区i与小区j属于同一个跟踪区；Kij=0，表示小区i与小区j不属于同一个跟踪区；
确定小区i与跟踪区l的关系：其中N表示小区总的集合，l∈L，L表示跟踪区总的集合，Gil表示小区i与跟踪区l的归属关系，Gil=1，表示小区i属于跟踪区l；Gil=0，表示小区i不属于跟踪区l；
Kij与Gil的关系：Gil+Gjl-1≤Kij；Kij+Gil-1≤Gjl，i,j∈N,l∈L，其中N表示小区总的集合，L表示跟踪区总的集合，Gil表示小区i与跟踪区l的归属关系，Gjl表示小区j与跟踪区l的归属关系，Kij表示单个跟踪区下小区i与小区j的关系，Gil=1，Gjl=1，表示小区i和小区j属于跟踪区l，则Kij=1，表示小区i和小区j属于同一个跟踪区；Gil=1，Gjl=0，表示小区i属于跟踪区l，小区j不属于跟踪区l，则Kij=0，表示小区i和小区j不属于同一个跟踪区；Gil=0，Gjl=1，表示小区i不属于跟踪区l，小区j属于跟踪区l，则Kij=0，表示小区i和小区j不属于同一个跟踪区；
小区i、小区j与小区n的关系：Kij+Kjn-Kin=1，i,j,n∈N,i≠j≠n，其中N表示小区总的集合，Kij表示单个跟踪区下小区i与小区j的关系，Kjn表示单个跟踪区下小区j与小区n的关系，Kin表示单个跟踪区下小区i与小区n的关系，Kij=1，Kjn=1，表示小区i与小区j属于同一个跟踪区，小区j与小区n属于同一个跟踪区，则Kin=1，表示小区i与小区n属于同一个跟踪区；Kij=1，Kjn=0，表示小区i与小区j属于同一个跟踪区，小区j与小区n不属于同一个跟踪区，则Kin=0，表示小区i与小区n不属于同一个跟踪区；Kij=0，Kjn=1，表示小区i与小区j不属于同一个跟踪区，小区j与小区n属于同一个跟踪区，则Kin=0，表示小区i与小区n不属于同一个跟踪区；
将跟踪区重构成本作为约束条件：单个时隙内一个小区内用户的跟踪区重构成本要低于预定值B，其中ui表示小区i的用户总个数，表示在单个时隙内小区i内用户的跟踪区变化，表示在单个时隙内小区i内用户跟踪区没有发生变化；表示在单个时隙内小区i内用户跟踪区发生变化，小区i内的所有用户产生跟踪区重构成本。
作为一个实施例，所述将用户成本和基站成本中任一个作为目标函数，另一个作为约束条件，根据所述目标函数和约束条件对跟踪区/跟踪区列表进行数学建模，所述用户成本包括跟踪区更新成本与寻呼成本，所述基站成本包括跟踪区重构成本的具体步骤包括：
将跟踪区重构成本最小化作为目标函数：其中ui表示小区i的用户总个数，表示在单个时隙内小区i内用户的跟踪区变化，表示在单个时隙内小区i内用户跟踪区没有发生变化；表示在单个时隙内小区i内用户跟踪区发生变化，小区i内的所有用户产生跟踪区重构成本；
确定小区i与跟踪区l的关系：其中N表示小区总的集合，l∈L，L表示跟踪区总的集合，Gil表示小区i与跟踪区l的归属关系，Gil=1，表示小区i属于跟踪区l；Gil=0，表示小区i不属于跟踪区l；
Kij与Gil的关系：Gil+Gjl-1≤Kij；Kij+Gil-1≤Gjl，i,j∈N,l∈L，其中N表示小区总的集合，L表示跟踪区总的集合，Gil表示小区i与跟踪区l的归属关系，Gjl表示小区j与跟踪区l的归属关系，Kij表示单个跟踪区下小区i与小区j的关系，Gil=1，Gjl=1，表示小区i和小区j属于跟踪区l，则Kij=1，表示小区i和小区j属于同一个跟踪区；Gil=1，Gjl=0，表示小区i属于跟踪区l，小区j不属于跟踪区l，则Kij=0，表示小区i和小区j不属于同一个跟踪区；Gil=0，Gjl=1，表示小区i不属于跟踪区l，小区j属于跟踪区l，则Kij=0，表示小区i和小区j不属于同一个跟踪区；
小区i、小区j与小区n的关系：Kij+Kjn-Kin=1，i,j,n∈N,i≠j≠n，其中N表示小区总的集合，Kij表示单个跟踪区下小区i与小区j的关系，Kjn表示单个跟踪区下小区j与小区n的关系，Kin表示单个跟踪区下小区i与小区n的关系，Kij=1，Kjn=1，表示小区i与小区j属于同一个跟踪区，小区j与小区n属于同一个跟踪区，则Kin=1，表示小区i与小区n属于同一个跟踪区；Kij=1，Kjn=0，表示小区i与小区j属于同一个跟踪区，小区j与小区n不属于同一个跟踪区，则Kin=0，表示小区i与小区n不属于同一个跟踪区；Kij=0，Kjn=1，表示小区i与小区j不属于同一个跟踪区，小区j与小区n属于同一个跟踪区，则Kin=0，表示小区i与小区n不属于同一个跟踪区；
将跟踪区更新成本与寻呼成本进行组合作为约束条件：跟踪区更新成本与寻呼成本的组合要低于预定值B1，其中i,j表示小区的编号，N表示小区总的集合；cu表示单个用户跟踪区更新成本；Mij表示从小区i移动到小区j的用户个数；α表示单个小区内用户的寻呼率；cp表示单个用户寻呼成本；ui表示小区i的用户总个数；Kij表示单个跟踪区下小区i与小区j的关系，Kij=1，表示小区i与小区j属于同一个跟踪区；Kij=0，表示小区i与小区j不属于同一个跟踪区。
不排除还有其它方法可以得到。
作为一个实施例，所述从空间和时间两个维度上对用户进行聚类分析，通过位置相关和时间相关两类用户的特性来获取数学模型的启发式信息，所述启发式信息包括数学模型中未知参数的值的具体步骤包括：
在空间维度上聚类：设定一个聚类距离L1，对用户进行空间聚类，设定聚类中心节点，以中心节点为圆心，计算用户与中心节点之间的距离，以L1为半径的范围作为一个跟踪区；
在时间维度上聚类：在空间维度聚类的基础上，设定观察时间，在所述观察时间内，统计单个时隙内小区之间用户的切换统计数据，根据所述切换统计数据对小区进行聚类，将相互之间频繁发生切换的小区合并在同一个跟踪区；
根据聚类的结果，获取数学模型的启发式信息，包括：参数Kij、Mij、Gil和的值，其中Kij表示单个跟踪区下小区i与小区j的关系：Kij=1，表示小区i与小区j属于同一个跟踪区；Kij=0，表示小区i与小区j不属于同一个跟踪区；Mij表示从小区i移动到小区j的用户个数；Gil表示小区i与跟踪区l的归属关系：Gil=1，表示小区i属于跟踪区l；Gil=0，表示小区i不属于跟踪区l；表示在单个时隙内小区i内用户的跟踪区变化：表示在单个时隙内小区i内用户跟踪区没有发生变化；表示在单个时隙内小区i内用户跟踪区发生变化，小区i内的所有用户产生跟踪区重构成本；
其中，所述聚类中心节点由以下步骤计算得到：
任意选择m个用户作为初始中心点oi，对应的类为ci，i∈{1,2,…,m}；
计算用户pi与初始中心点oi的相似度d(oi,pi)，pi∈Po，pi≠oi，Po表示用户总的集合；
将与初始中心点oi最相似的用户p，p∈pi指派到相应的类中p∈ci，并计算评价函数的值：
在各类ci中任意选择一个非初始中心点qi，计算用户p与非初始中心点qi的相似度d(qi,p)，qi≠oi，qi≠p，qi∈ci，并计算评价函数的值：比较评价函数E和E′的值，当E′<E，用qi代替oi，重复本步操作直至评价函数的值达到预设的最小值或满意值。
作为一个实施例，所述从空间和时间两个维度上对用户进行聚类分析，通过位置相关和时间相关两类用户的特性来获取数学模型的启发式信息，所述启发式信息包括数学模型中未知参数的值的具体步骤包括：
在时间维度上聚类：给定一段时间为观察时间，在该时间段内，统计单个时隙内小区之间用户的切换数据，根据此数据对小区进行聚类，将相互之间频繁发生切换的小区合并在同一个跟踪区；
在空间维度上聚类：在时间维度聚类的基础上，设定一个聚类距离L1，对用户进行空间聚类，设定聚类中心节点，以中心节点为圆心，计算用户与中心节点之间的距离，以L1为半径的范围作为一个跟踪区；
根据聚类的结果，获取数学模型的启发式信息，包括：参数Kij、Mij、Gil和的值，其中Kij表示单个跟踪区下小区i与小区j的关系：Kij=1，表示小区i与小区j属于同一个跟踪区；Kij=0，表示小区i与小区j不属于同一个跟踪区；Mij表示从小区i移动到小区j的用户个数；Gil表示小区i与跟踪区l的归属关系：Gil=1，表示小区i属于跟踪区l；Gil=0，表示小区i不属于跟踪区l；表示在单个时隙内小区i内用户的跟踪区变化：表示在单个时隙内小区i内用户跟踪区没有发生变化；表示在单个时隙内小区i内用户跟踪区发生变化，小区i内的所有用户产生跟踪区重构成本；
其中，所述聚类中心节点由以下步骤计算得到：
任意选择m个用户作为初始中心点oi，对应的类为ci，i∈{1,2,…,m}；
计算用户pi与初始中心点oi的相似度d(oi,pi)，pi∈Po，pi≠oi，Po表示用户总的集合；
将与初始中心点oi最相似的用户p，p∈pi指派到相应的类中p∈ci，并计算评价函数的值：
在各类ci中任意选择一个非初始中心点qi，计算用户p与非初始中心点qi的相似度d(qi,p)，qi≠oi，qi≠p，qi∈ci，并计算评价函数的值：比较评价函数E和E′的值，当E′<E，用qi代替oi，重复本步操作直至评价函数的值达到预设的最小值或满意值。
不排除还有其它方法可以得到。
作为一个实施例，所述基于所获取的数学模型的启发式信息，运用遗传算法求解数学模型的解，所述数学模型的解包括小区与跟踪区之间的关系的具体步骤包括：
设定数学模型的解的初始变量为A(0)={a1(0),…,an(0),…aN(0)}，将所得到的目标函数作为适应度函数，计算ax(0)的适应度为Fx(0)，x=1,2,…,N；
对A(0)进行选择运算：设定交叉概率，对A(0)进行交叉运算；设定变异概率，对A(0)进行变异运算；
计算得到A(t)={a1(t),…,an(t),…aN(t)}，t表示迭代次数；
约束条件处理：得到的ax(t)，x=1,2,…,N满足所设定的约束条件，与预设目标相符的为优；得到的ax(t)，x=1,2,…,N不满足所设定的约束条件，超出量最小的为优；
得到满足所设定的约束条件的A′(t)={a1′(t),…,an′(t),…aM′(t)}，M≤N，计算ax′(t)的适应度Fx′(t)，x=1,2,…,M；
重复以上步骤，直至迭代次数t大于预设的总的迭代次数T，结束计算，求解出数学模型的最优解。
在做选择运算时，采用常规的轮盘赌的方式对种群进行选择。交叉概率设定的较高，可以设定为0.8，而变异概率设定的较低，设定为0.05。
所述数学模型的解包括小区与跟踪区之间的关系：包括矩阵G，矩阵内的元素为Gil，i表示小区的编号，l表示跟踪区的编号，Gil=1表示小区i属于跟踪区l；Gil=0，表示小区i不属于跟踪区l，例如
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种跟踪区优化划分方法，其特征在于，包括以下步骤：
将用户成本和基站成本中任一个作为目标函数，另一个作为约束条件，根据所述目标函数和所述约束条件对跟踪区/跟踪区列表进行数学建模，所述用户成本包括跟踪区更新成本与寻呼成本，所述基站成本包括跟踪区重构成本；
从空间和时间两个维度上对用户进行聚类分析，通过位置相关和时间相关两类用户的特性来获取数学模型的启发式信息，所述启发式信息包括数学模型中未知参数的值；
基于所获取的数学模型的启发式信息，运用遗传算法求解数学模型的解，所述数学模型的解包括小区与跟踪区之间的关系；
根据所获得的数学模型的解进行跟踪区优化划分。
2.根据权利要求1所述的跟踪区优化划分方法，其特征在于，所述将用户成本和基站成本中任一个作为目标函数，另一个作为约束条件，根据所述目标函数和约束条件对跟踪区/跟踪区列表进行数学建模，所述用户成本包括跟踪区更新成本与寻呼成本，所述基站成本包括跟踪区重构成本的具体步骤包括：
将跟踪区更新成本最小化与寻呼成本最小化进行组合作为目标函数：其中i,j表示小区的编号，N表示小区总的集合；cu表示单个用户跟踪区更新成本；Mij表示从小区i移动到小区j的用户个数；α表示单个小区内用户的寻呼率；cp表示单个用户寻呼成本；ui表示小区i的用户总个数；Kij表示单个跟踪区下小区i与小区j的关系；
确定小区i与跟踪区l的关系：i∈N，其中N表示小区总的集合，l∈L，L表示跟踪区总的集合，Gil表示小区i与跟踪区l的归属关系；
Kij与Gil的关系：Gil+Gjl-1≤Kij；Kij+Gil-1≤Gjl，i,j∈N,l∈L，其中N表示小区总的集合，L表示跟踪区总的集合，Gil表示小区i与跟踪区l的归属关系，Gjl表示小区j与跟踪区l的归属关系，Kij表示单个跟踪区下小区i与小区j的关系；
小区i、小区j与小区n的关系：Kij+Kjn-Kin＝1，i,j,n∈N,i≠j≠n，其中N表示小区总的集合，Kij表示单个跟踪区下小区i与小区j的关系，Kjn表示单个跟踪区下小区j与小区n的关系，Kin表示单个跟踪区下小区i与小区n的关系；
将跟踪区重构成本作为约束条件：单个时隙内一个小区内用户的跟踪区重构成本要低于预定值B，其中ui表示小区i的用户总个数，表示在单个时隙内小区i内用户的跟踪区变化。
3.根据权利要求1所述的跟踪区优化划分方法，其特征在于，所述将用户成本和基站成本中任一个作为目标函数，另一个作为约束条件，根据所述目标函数和约束条件对跟踪区/跟踪区列表进行数学建模，所述用户成本包括跟踪区更新成本与寻呼成本，所述基站成本包括跟踪区重构成本的具体步骤包括：
将跟踪区重构成本最小化作为目标函数：其中ui表示小区i的用户总个数，表示在单个时隙内小区i内用户的跟踪区变化；
确定小区i与跟踪区l的关系：i∈N，其中N表示小区总的集合，l∈L，L表示跟踪区总的集合，Gil表示小区i与跟踪区l的归属关系；
Kij与Gil的关系：Gil+Gjl-1≤Kij；Kij+Gil-1≤Gjl，i,j∈N,l∈L，其中N表示小区总的集合，L表示跟踪区总的集合，Gil表示小区i与跟踪区l的归属关系，Gjl表示小区j与跟踪区l的归属关系，Kij表示单个跟踪区下小区i与小区j的关系；
小区i、小区j与小区n的关系：Kij+Kjn-Kin＝1，i,j,n∈N,i≠j≠n，其中N表示小区总的集合，Kij表示单个跟踪区下小区i与小区j的关系，Kjn表示单个跟踪区下小区j与小区n的关系，Kin表示单个跟踪区下小区i与小区n的关系；
将跟踪区更新成本与寻呼成本进行组合作为约束条件：跟踪区更新成本与寻呼成本的组合要低于预定值B1，其中i,j表示小区的编号，N表示小区总的集合；cu表示单个用户跟踪区更新成本；Mij表示从小区i移动到小区j的用户个数；α表示单个小区内用户的寻呼率；cp表示单个用户寻呼成本；ui表示小区i的用户总个数；Kij表示单个跟踪区下小区i与小区j的关系。
4.根据权利要求1所述的跟踪区优化划分方法，其特征在于，所述从空间和时间两个维度上对用户进行聚类分析，通过位置相关和时间相关两类用户的特性来获取数学模型的启发式信息，所述启发式信息包括数学模型中未知参数的值的具体步骤包括：
在空间维度上聚类：设定一个聚类距离L1，对用户进行空间聚类，设定聚类中心节点，以中心节点为圆心，计算用户与中心节点之间的距离，以L1为半径的范围作为一个跟踪区；
在时间维度上聚类：在空间维度聚类的基础上，设定观察时间，在所述观察时间内，统计单个时隙内小区之间用户的切换统计数据，根据所述切换统计数据对小区进行聚类；
根据聚类的结果，获取数学模型的启发式信息，包括：参数Kij、Mij、Gil和的值，其中Kij表示单个跟踪区下小区i与小区j的关系，Mij表示从小区i移动到小区j的用户个数，Gil表示小区i与跟踪区l的归属关系，表示在单个时隙内小区i内用户的跟踪区变化；
其中，所述聚类中心节点由以下步骤计算得到：
任意选择m个用户作为初始中心点oi，对应的类为ci，i∈{1,2,...,m}；
计算用户pi与初始中心点oi的相似度d(oi,pi)，pi∈Po，pi≠oi，Po表示用户总的集合；
将与初始中心点oi最相似的用户p，p∈pi指派到相应的类中p∈ci，并计算评价函数的值：
在各类ci中任意选择一个非初始中心点qi，计算用户p与非初始中心点qi的相似度d(qi,p)，qi≠oi，qi≠p，qi∈ci，并计算评价函数的值：比较评价函数E和E'的值，当E'＜E，用qi代替oi，重复本步操作直至评价函数的值达到预设的最小值或满意值。
5.根据权利要求1所述的跟踪区优化划分方法，其特征在于，所述基于所获取的数学模型的启发式信息，运用遗传算法求解数学模型的解，所述数学模型的解包括小区与跟踪区之间的关系的具体步骤包括：
设定数学模型的解的初始变量为A(0)＝{a1(0),...,an(0),...aN(0)}，将所得到的目标函数作为适应度函数，计算ax(0)的适应度为Fx(0)，x＝1,2,...,N；
对A(0)进行选择运算：设定交叉概率，对A(0)进行交叉运算；设定变异概率，对A(0)进行变异运算；
计算得到A(t)＝{a1(t),...,an(t),...aN(t)}，t表示迭代次数；
约束条件处理：得到的ax(t)，x＝1,2,...,N满足所设定的约束条件，与预设目标相符的为优；得到的ax(t)，x＝1,2,...,N不满足所设定的约束条件，超出量最小的为优；
得到满足所设定的约束条件的A′(t)＝{a′1(t),...,a′n(t),...a′M(t)}，M≤N，计算a′x(t)的适应度F′x(t)，x＝1,2,...,M；
重复以上步骤，直至迭代次数t大于预设的总的迭代次数T，结束计算，求解出数学模型的最优解。
6.一种跟踪区优化划分装置，其特征在于，包括：
数学建模模块，用于将用户成本和基站成本中任一个作为目标函数，另一个作为约束条件，根据所述目标函数和所述约束条件对跟踪区/跟踪区列表进行数学建模，所述用户成本包括跟踪区更新成本与寻呼成本，所述基站成本包括跟踪区重构成本；
聚类分析模块，用于从空间和时间两个维度上对用户进行聚类分析，通过位置相关和时间相关两类用户的特性来获取数学模型的启发式信息，所述启发式信息包括数学模型中未知参数的值；
求解模块，基于所获取的数学模型的启发式信息，运用遗传算法求解数学模型的解，所述数学模型的解包括小区与跟踪区之间的关系；
优化划分模块，用于根据所获得的数学模型的解进行跟踪区优化划分。
7.根据权利要求6所述的跟踪区优化划分装置，其特征在于，所述将用户成本和基站成本中任一个作为目标函数，另一个作为约束条件，根据所述目标函数和约束条件对跟踪区/跟踪区列表进行数学建模，所述用户成本包括跟踪区更新成本与寻呼成本，所述基站成本包括跟踪区重构成本的具体步骤包括：
将跟踪区更新成本最小化与寻呼成本最小化进行组合作为目标函数：其中i,j表示小区的编号，N表示小区总的集合；cu表示单个用户跟踪区更新成本；Mij表示从小区i移动到小区j的用户个数；α表示单个小区内用户的寻呼率；cp表示单个用户寻呼成本；ui表示小区i的用户总个数；Kij表示单个跟踪区下小区i与小区j的关系；
确定小区i与跟踪区l的关系：i∈N，其中N表示小区总的集合，l∈L，L表示跟踪区总的集合，Gil表示小区i与跟踪区l的归属关系；
Kij与Gil的关系：Gil+Gjl-1≤Kij；Kij+Gil-1≤Gjl，i,j∈N,l∈L，其中N表示小区总的集合，L表示跟踪区总的集合，Gil表示小区i与跟踪区l的归属关系，Gjl表示小区j与跟踪区l的归属关系，Kij表示单个跟踪区下小区i与小区j的关系；
小区i、小区j与小区n的关系：Kij+Kjn-Kin＝1，i,j,n∈N,i≠j≠n，其中N表示小区总的集合，Kij表示单个跟踪区下小区i与小区j的关系，Kjn表示单个跟踪区下小区j与小区n的关系，Kin表示单个跟踪区下小区i与小区n的关系；
将跟踪区重构成本作为约束条件：单个时隙内一个小区内用户的跟踪区重构成本要低于预定值B，其中ui表示小区i的用户总个数，表示在单个时隙内小区i内用户的跟踪区变化。
8.根据权利要求6所述的跟踪区优化划分装置，其特征在于，所述将用户成本和基站成本中任一个作为目标函数，另一个作为约束条件，根据所述目标函数和约束条件对跟踪区/跟踪区列表进行数学建模，所述用户成本包括跟踪区更新成本与寻呼成本，所述基站成本包括跟踪区重构成本的具体步骤包括：
将跟踪区重构成本最小化作为目标函数：其中ui表示小区i的用户总个数，表示在单个时隙内小区i内用户的跟踪区变化；
确定小区i与跟踪区l的关系：i∈N，其中N表示小区总的集合，l∈L，L表示跟踪区总的集合，Gil表示小区i与跟踪区l的归属关系；
Kij与Gil的关系：Gil+Gjl-1≤Kij；Kij+Gil-1≤Gjl，i,j∈N,l∈L，其中N表示小区总的集合，L表示跟踪区总的集合，Gil表示小区i与跟踪区l的归属关系，Gjl表示小区j与跟踪区l的归属关系，Kij表示单个跟踪区下小区i与小区j的关系；
小区i、小区j与小区n的关系：Kij+Kjn-Kin＝1，i,j,n∈N,i≠j≠n，其中N表示小区总的集合，Kij表示单个跟踪区下小区i与小区j的关系，Kjn表示单个跟踪区下小区j与小区n的关系，Kin表示单个跟踪区下小区i与小区n的关系；
将跟踪区更新成本与寻呼成本进行组合作为约束条件：跟踪区更新成本与寻呼成本的组合要低于预定值B1，其中i,j表示小区的编号，N表示小区总的集合；cu表示单个用户跟踪区更新成本；Mij表示从小区i移动到小区j的用户个数；α表示单个小区内用户的寻呼率；cp表示单个用户寻呼成本；ui表示小区i的用户总个数；Kij表示单个跟踪区下小区i与小区j的关系。
9.根据权利要求6所述的跟踪区优化划分装置，其特征在于，所述从空间和时间两个维度上对用户进行聚类分析，通过位置相关和时间相关两类用户的特性来获取数学模型的启发式信息，所述启发式信息包括数学模型中未知参数的值的具体步骤包括：
在空间维度上聚类：设定一个聚类距离L1，对用户进行空间聚类，设定聚类中心节点，以中心节点为圆心，计算用户与中心节点之间的距离，以L1为半径的范围作为一个跟踪区；
在时间维度上聚类：在空间维度聚类的基础上，设定观察时间，在所述观察时间内，统计单个时隙内小区之间用户的切换统计数据，根据所述切换统计数据对小区进行聚类；
根据聚类的结果，获取数学模型的启发式信息，包括：参数Kij、Mij、Gil和的值，其中Kij表示单个跟踪区下小区i与小区j的关系，Mij表示从小区i移动到小区j的用户个数，Gil表示小区i与跟踪区l的归属关系，表示在单个时隙内小区i内用户的跟踪区变化；
其中，所述聚类中心节点由以下步骤计算得到：
任意选择m个用户作为初始中心点oi，对应的类为ci，i∈{1,2,...,m}；
计算用户pi与初始中心点oi的相似度d(oi，pi)，pi∈Po，pi≠oi，Po表示用户总的集合；
将与初始中心点oi最相似的用户p，p∈pi指派到相应的类中p∈ci，并计算评价函数的值：
在各类ci中任意选择一个非初始中心点qi，计算用户p与非初始中心点qi的相似度d(qi,p)，qi≠oi，qi≠p，qi∈ci，并计算评价函数的值：比较评价函数E和E'的值，当E'＜E，用qi代替oi，重复本步操作直至评价函数的值达到预设的最小值或满意值。
10.根据权利要求6所述的跟踪区优化划分装置，其特征在于，所述基于所获取的数学模型的启发式信息，运用遗传算法求解数学模型的解，所述数学模型的解包括小区与跟踪区之间的关系的具体步骤包括：
设定数学模型的解的初始变量为A(0)＝{a1(0),...,an(0),...aN(0)}，将所得到的目标函数作为适应度函数，计算ax(0)的适应度为Fx(0)，x＝1,2,...,N；
对A(0)进行选择运算：设定交叉概率，对A(0)进行交叉运算；设定变异概率，对A(0)进行变异运算；
计算得到A(t)＝{a1(t),...,an(t),...aN(t)}，t表示迭代次数；
约束条件处理：得到的ax(t)，x＝1,2,...,N满足所设定的约束条件，与预设目标相符的为优；得到的ax(t)，x＝1,2,...,N不满足所设定的约束条件，超出量最小的为优；
得到满足所设定的约束条件的A′(t)＝{a′1(t),...,a′n(t),...a′M(t)}，M≤N，计算a′x(t)的适应度F′x(t)，x＝1,2,...,M；
重复以上步骤，直至迭代次数t大于预设的总的迭代次数T，结束计算，求解出数学模型的最优解。
CN201410042471.9A 2014-01-28 2014-01-28 跟踪区优化划分方法和装置 Active CN103810270B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201410042471.9A CN103810270B (zh) 2014-01-28 2014-01-28 跟踪区优化划分方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201410042471.9A CN103810270B (zh) 2014-01-28 2014-01-28 跟踪区优化划分方法和装置

Publications (2)

Publication Number Publication Date
CN103810270A CN103810270A (zh) 2014-05-21
CN103810270B true CN103810270B (zh) 2017-04-19

Family

ID=50707040

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201410042471.9A Active CN103810270B (zh) 2014-01-28 2014-01-28 跟踪区优化划分方法和装置

Country Status (1)

Country Link
CN (1) CN103810270B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104105118A (zh) * 2014-07-25 2014-10-15 中国科学院计算技术研究所 Lte网络中跟踪区列表配置方法及系统
CN107318088B (zh) * 2016-04-27 2020-08-04 中国移动通信集团广东有限公司 一种位置区划分优化方法及装置
CN107404760B (zh) * 2016-05-19 2019-11-22 大唐移动通信设备有限公司 一种位置区标识列表tai list分配方法和系统
CN108696877B (zh) * 2017-04-11 2022-06-10 中国移动通信集团安徽有限公司 跟踪区的边界小区的确认方法和装置
CN108834077B (zh) * 2018-07-04 2020-06-05 北京邮电大学 基于用户移动特性的跟踪区划分方法、装置及电子设备
CN109583611B (zh) * 2018-11-19 2021-06-01 北京航空航天大学 基于网约车数据的定制公交站点选址方法
CN113766521A (zh) * 2021-08-31 2021-12-07 中通服中睿科技有限公司 一种用于5g网络跟踪区的规划方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1972495A (zh) * 2005-11-05 2007-05-30 三星电子株式会社 在认知无线电无线通信系统中划分资源的方法和系统
CN101547450A (zh) * 2009-05-08 2009-09-30 广东省电信规划设计院有限公司 移动通信网络的位置区划分方法及装置
CN102625322A (zh) * 2012-02-27 2012-08-01 北京邮电大学 多制式智能可配的无线网络优化的实现方法
CN103354644A (zh) * 2013-07-31 2013-10-16 广东省电信规划设计院有限公司 基站选址方法和系统
CN103369545A (zh) * 2012-03-29 2013-10-23 国际商业机器公司 一种在无线网络中划分协作区域的方法和装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1972495A (zh) * 2005-11-05 2007-05-30 三星电子株式会社 在认知无线电无线通信系统中划分资源的方法和系统
CN101547450A (zh) * 2009-05-08 2009-09-30 广东省电信规划设计院有限公司 移动通信网络的位置区划分方法及装置
CN102625322A (zh) * 2012-02-27 2012-08-01 北京邮电大学 多制式智能可配的无线网络优化的实现方法
CN103369545A (zh) * 2012-03-29 2013-10-23 国际商业机器公司 一种在无线网络中划分协作区域的方法和装置
CN103354644A (zh) * 2013-07-31 2013-10-16 广东省电信规划设计院有限公司 基站选址方法和系统

Also Published As

Publication number Publication date
CN103810270A (zh) 2014-05-21

Similar Documents

Publication Publication Date Title
CN103810270B (zh) 跟踪区优化划分方法和装置
Li et al. A deep learning method based on an attention mechanism for wireless network traffic prediction
Zhang et al. Citywide cellular traffic prediction based on densely connected convolutional neural networks
Zeng et al. Channel prediction based scheduling for data dissemination in VANETs
Xu et al. High-accuracy wireless traffic prediction: A GP-based machine learning approach
Li et al. Hydraulic turbine governing system identification using T–S fuzzy model optimized by chaotic gravitational search algorithm
CN107426703B (zh) 一种在室外人流密集场所基于模糊聚类的移动性预测方法
CN105050192B (zh) 密集网络中基于虚拟小区的干扰管理方法
CN101568127B (zh) 一种网络仿真中确定话务分布的方法及装置
CN105009475A (zh) 考虑到用户设备(ue)移动性的用于准入控制和资源可用性预测的方法和系统
CN103679263A (zh) 基于粒子群支持向量机的雷电临近预测方法
Liang et al. A deep q learning network for traffic lights’ cycle control in vehicular networks
Tian et al. A network traffic hybrid prediction model optimized by improved harmony search algorithm
Zheng et al. Soup: spatial-temporal demand forecasting and competitive supply in transportation
CN109673015B (zh) 一种基于谱聚类的跟踪区域规划方法
CN109426901A (zh) 一种中长期用电预测方法及装置
CN105072685B (zh) 基于合作的异构无线网络分散资源分配方法
CN112766240B (zh) 基于时空关系的残差多图卷积人群分布预测方法及系统
CN108600365B (zh) 一种基于排序学习的无线异构网络缓存方法
CN111542078B (zh) 一种nfv环境下核心网控制面弹性资源分配方法
Parija et al. Location prediction of mobility management using neural network techniques in cellular network
Razavi et al. Performance and cost trade-off in Tracking Area reconfiguration: A Pareto-optimization approach
Munawar et al. Metaheuristics for capacitated vehicle routing for flood victims evacuation
CN104796912B (zh) 一种gsm-r网络频率规划的方法及系统
Zhang et al. Deep learning based traffic and mobility prediction

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant