CN104955116A - 密集网络自优化切换方法 - Google Patents
密集网络自优化切换方法 Download PDFInfo
- Publication number
- CN104955116A CN104955116A CN201510282444.3A CN201510282444A CN104955116A CN 104955116 A CN104955116 A CN 104955116A CN 201510282444 A CN201510282444 A CN 201510282444A CN 104955116 A CN104955116 A CN 104955116A
- Authority
- CN
- China
- Prior art keywords
- adjacent area
- rate
- picocell
- measurement report
- way
- 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.)
- Granted
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W36/00—Hand-off or reselection arrangements
- H04W36/24—Reselection being triggered by specific parameters
- H04W36/30—Reselection being triggered by specific parameters by measured or perceived connection quality data
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W36/00—Hand-off or reselection arrangements
- H04W36/08—Reselecting an access point
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W36/00—Hand-off or reselection arrangements
- H04W36/24—Reselection being triggered by specific parameters
- H04W36/32—Reselection being triggered by specific parameters by location or mobility data, e.g. speed data
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明请求保护一种密集网络自优化切换方法,属于无线通信技术领域。针对密集异构蜂窝网络的密集、多分层、无定形的架构特性,及高频率、低性能的切换特性,该方法首先感知移动台(Mobile Station,MS)在目标小蜂窝的途经率、移动速度、小蜂窝的接纳力和小蜂窝的空闲度四个指标。随后,基于模糊逻辑(Fuzzy Logic,FL)算法由途经率和速度得到MS对目标小蜂窝的趋向度,并由接纳力和空闲度得到小蜂窝对新用户的亲和度。最后,基于Q学习(Q-Learning)算法,以趋向度和亲和度为输入,以资源利用率、掉话率、切换失败率和乒乓切换率为瞬时奖励,自适应地调节切换参数值,使切换失败率、乒乓切换率和掉话率最优。相对于现有技术,本发明对于密集异构网络下的MS的高切换失败率、乒乓切换率及掉话率有明显的改善。
Description
技术领域
本发明涉及无线通信网络技术领域,具体涉及LTE-A密集异构蜂窝网络中的自优化切换方法。
背景技术
近年来,移动数据流量的需求不断地增大,网络运营商逐渐将更多的小蜂窝部署在LTE-A异构蜂窝网络中,以形成密集的异构蜂窝网络。小蜂窝是由低功率节点部署的小范围覆盖网络,具有外形小、部署灵活、即插即用的特性。小蜂窝的种类较多,主要包括微蜂窝Microcell、微微蜂窝Picocell、毫微微蜂窝Femtocell以及中继站Relay Node覆盖的小蜂窝等。
切换管理一直是LTE-A异构蜂窝网络中无线资源管理的重点研究方向之一,切换性能低下是异构蜂窝网络急需解决的问题,主要由宏蜂窝和小蜂窝的下行功率不对称性、小蜂窝的小范围覆盖特性、小蜂窝的无规则部署特性、MS的随机移动性等导致的。在LTE-A密集异构蜂窝网络中,小蜂窝的密集部署特性使得切换频率大幅上升,使得切换管理的难度又进一步加大。为了应对网络的多样性,LTE-A网络引入了自组织网络技术[61],主要包括自配置、自优化和自愈合三个功能。本章则通过SON的自优化功能,对LTE-A密集异构蜂窝网络的切换参数进行自适应地配置,以实现切换管理的自优化。
3GPP TR36.839协议指出,MS在LTE-A异构蜂窝网络中的切换性能相较于传统的同构蜂窝网络的较低,传统同构蜂窝网络的切换参数不再适用于LTE-A异构蜂窝网络。其中,各研究机构仿真表明MS的inbound切换和outbound切换是引起整体切换失败率过高的主要原因,尤其当MS的移动速度较高时。另外,高速移动的MS在LTE-A异构蜂窝网络中还会引起大量的乒乓切换。对此,文献[60]提出通过加大MS的inbound切换参数TTT,以阻止高速MS切入小蜂窝,从而避免inbound切换失败和outbound切换失败并减小整体HOF率的方法。然而,随着LTE-A异构蜂窝网络逐渐发展为密集的小蜂窝部署架构,该方法会大大降低MS的接收的通信质量QoS,甚至引起大量掉话。因为,在密集异构蜂窝网络中,MS的移动路径中往往有多个连续的小蜂窝密集覆盖,强制阻止MS切入小蜂窝只会使得其无线链路质量长时间受到小蜂窝的强烈干扰,从而导致通信质量低下或频繁触发掉话。另外,文献[50]还提出了多种基于对目标网络负载、MS的移动速度等因素的感知,进行切换参数自适应调节的方法,使得LTE-A异构蜂窝网络中MS的切换性能得到一定的改善。然而,对于LTE-A密集异构蜂窝网络,还需要更有针对性的感知算法,实现较高的切换性能。
本章根据现有的切换管理技术及相关SON算法,提出通过感知MS在目标小蜂窝的途经率、MS的移动速度、小蜂窝的接纳力和空闲度得到MS对目标小蜂窝的趋向度和小蜂窝对新用户的亲和度。然后,通过FQLC算法基于趋向度和亲和度进行切换参数自适应地配置,以提升系统整体切换性能,实现有效的切换管理。
发明内容
针对现有技术的不足,提出了一种提高了预备目标小区的预测成功率,减少了不必要的切换准备操作,提高了频谱资源利用率的密集网络自优化切换方法。本发明的技术方案如下:一种密集网络自优化切换方法,其包括以下步骤:
A1、获取MS当前的移动速度;
A2、查询所述MS的PSI途经-停留信息表,获取当前所述MS到各邻区的途经率;
A3、获取各邻区在当前时刻的接纳力;
A4、获取各邻区在当前时刻的空闲度;
A5、根据所述MS的移动速度和途经率,基于模糊逻辑理论获取所述MS对各邻区的趋向度;
A6、根据所述各邻区的接纳力和空闲度,基于模糊逻辑理论获取所述邻区对所述MS的亲和度;
A7、根据所述MS对各邻区的趋向度和所述各邻区对所述MS的亲和度,基于Q学习理论自适应地调节切换参数。
进一步的,步骤A1中获取MS当前的移动速度v的步骤包括:
B1、查询测量报告记录表,获取最近两次测量报告的测量时间差△t;
B2、查询邻区信息表,获取任意三个邻区Picocella、Picocellb、Picocellc的位置信息和发射功率,a,b,c∈{1,2,……,N};
B3、查询测量报告记录表,获取倒数第二次测量报告;
B4、根据邻区Picocella、Picocellb、Picocellc的倒数第二次RSRP测量报告值、位置信息及发射功率,确定三个邻区的RSRP等值环,将所述三个RSRP等值环的交点确定为倒数第二次测量报告的测量点m,其坐标为(mx,my);
B5、查询测量报告存储单元,获取最近一次测量报告;
B6、根据邻区Picocella、Picocellb、Picocellc的最近一次RSRP测量报告值、位置信息及发射功率,确定三个邻区的RSRP等值环。将所述三个RSRP等值环的交点确定为最近一次测量报告的测量点n,其坐标为(nx,ny);
B7、根据△t、m(mx,my)和n(nx,ny)计算所述MS当前的移动速度v。
进一步的,步骤A2中的查询所述MS的途经-停留信息表PSI表,获取当前所述MS到各邻区的途经率,具体包括:
C1、查询MS的途经-停留信息PSI表,PSI表中统计了所述MS在第k段时间内途经各Picocell的次数和停留各Picocell的次数,在每段时间内,所述MS每检测到一次途经事件或停留事件,就更新一次PSI表;
C2、根据统计的所述MS途经各Picocell的次数和停留各Picocell的次数,计算得到带遗忘因子的加权值;
C3、根据带遗忘因子的加权值,计算得到所述MS在各Picocell的预测途经率。
进一步的,步骤A3获取各邻区在当前时刻的接纳力,具体包括:
D1、获取各邻区在当前时刻的总PRB数;
D2、获取各邻区在当前时刻的总用户数;
D3、获取各邻区在当前时刻的所有用户的最小PRB需求数;
D4、根据所述各邻区的总PRB数、时刻t的总用户数及所有用户的最小PRB需求数,计算得到各邻区的在时刻t的接纳力。
进一步的,步骤A4中获取各邻区在当前时刻的空闲度,包括:
E1、获取各邻区在当前时刻的总PRB数;
E2、获取各邻区在当前时刻的总用户数;
E3、获取各邻区在当前时刻的所有用户的最小PRB需求数;
E4、获取各邻区在当前时刻的所有用户的额外业务所占PRB数;
E5、根据所述各邻区的总PRB数、时刻t的总用户数、所有用户的最小PRB需求数及所有用户的额外业务所占PRB数,计算得到各邻区在当前时刻的空闲度。
5、根据权利要求1/所述的密集网络自优化切换方法,其特征在于,步骤A5中根据所述MS的移动速度和途经率,基于模糊逻辑理论获取所述MS对邻区的趋向度,包括:
F1、所述MS的源基站对所述MS的移动速度进行模糊化;
F2、所述MS的源基站对所述MS在各邻区的途经率进行模糊化;
F3、根据所述MS的源基站建立的移动速度和途经率的隶属度函数及模糊规则表,计算得到所述MS对各模糊规则的附属强度;
F4、将模糊推理模块的输出去模糊化得到所述MS对各邻区的趋向度。
进一步的,步骤A6中根据所述邻区的接纳力和空闲度,基于模糊逻辑理论获取所述邻区对所述MS的亲和度,包括:
G1、所述MS的源基站对各邻区的接纳力进行模糊化;
G2、所述MS的源基站对各邻区的空闲度进行模糊化;
G3、根据所述MS的源基站建立的接纳力和空闲度的隶属度函数及模糊规则表,计算得到所述MS对各模糊规则的附属强度;
G4、将模糊推理模块的输出去模糊化得到各邻区对新用户的亲和度。
进一步的,步骤A7中根据所述MS对各邻区的趋向度和所述各邻区对所述MS的亲和度,基于Q学习理论自适应地调节切换参数,包括:
所述Q学习过程的状态空间由所述MS对各邻区的趋向度和所述各邻区对所述MS的亲和度组成;
所述Q学习过程的动作为配置切换参数,包括切换迟滞值Hys和切换触发时延TTT;
所述Q学习过程的瞬时奖励为参数掉话率、切换失败率、乒乓切换率、切换目标小区的资源利用率。
本发明的优点及有益效果如下:
本发明公开一种密集网络自优化切换方法,主要包括四个部分:第一,根据历史统计信息预测MS在目标小蜂窝的途经率;第二,基于FL算法将MS的途经率和移动速度模糊成MS对目标小蜂窝的趋向度;第三,基于FL算法将小蜂窝的接纳度和空闲度模糊成小蜂窝对新用户的亲和度;第四,基于Q-Learning算法,通过感知趋向度和亲和度对切换参数进行自适应地配置,并引入资源利用率、掉话率、切换失败率和乒乓切换率作为瞬时奖励因子,使MS的切换性能达到最优。本发明公开的自优化切换方法能明显地改善密集异构网络下的MS的高切换失败率、高乒乓切换率及较高的掉话率。
附图说明
图1是本发明优选实施例提供的自优化切换方法的流程图;
图2是本发明优选实施例提供的获取所述MS当前的移动速度的方法流程图;
图3是本发明优选实施例提供的根据测量报告记录表确定移动UE的最近两次测量的测量位置的示意图;
图4是本发明优选实施例提供的查询所述MS的PSI表,获取当前所述MS到各邻区的途经率的方法流程图;
图5是本发明优选实施例提供的获取各邻区在当前时刻的接纳力的方法流程图;
图6是本发明优选实施例提供的获取各邻区在当前时刻的空闲度的方法流程图;
图7是本发明优选实施例提供的根据所述MS的移动速度和途经率,基于模糊逻辑理论获取所述MS对邻区的趋向度的方法流程图;
图8是本发明优选实施例提供的根据所述邻区的接纳力和空闲度,基于模糊逻辑理论获取所述邻区对所述MS的亲和度的方法流程图;
图9是本发明优选实施例提供的根据所述MS对各邻区的趋向度和所述各邻区对所述MS的亲和度,基于Q学习理论自适应地调节切换参数的方法流程图;
图10是本发明优选实施例提供的密集网络自优化切换方法的系统框图。
具体实施方式
以下结合附图,对本发明作进一步说明:
参见图1,图1是本发明实施例提供的自优化切换方法的流程图。在本发明实施例中,切换自优化过程具体可以包括:
步骤A1、获取所述MS当前的移动速度;
步骤A2、查询所述MS的PSI表,获取当前所述MS到各邻区的途经率;
步骤A3、获取各邻区在当前时刻的接纳力;
步骤A4、获取各邻区在当前时刻的空闲度;
步骤A5、根据所述MS的移动速度和途经率,基于模糊逻辑理论获取所述MS对各邻区的趋向度;
步骤A6、根据所述各邻区的接纳力和空闲度,基于模糊逻辑理论获取所述邻区对所述MS的亲和度;
步骤A7、根据所述MS对各邻区的趋向度和所述各邻区对所述MS的亲和度,基于Q学习理论自适应地调节切换参数。
参见图2,图2是本发明实施例提供的获取所述MS当前的移动速度的方法流程图。在本发明实施例中,获取所述MS当前的移动速度的步骤(步骤A1)可以包括:
步骤B1、 查询测量报告记录表,获取最近两次测量报告的测量时间差△t。
具体的,所述MS的源基站可以查询测量报告记录表,获取最近两次测量报告的测量时间差△t。其中,该测量报告记录表为微基站中测量报告存储单元中的信息表,表中记录最近两次的所述MS周期性的测量报告及测量时间,所述测量报告中包括测量ID、服务微基站RSRP值、邻基站RSRP值。在接收到新的周期性测量报告时,更新所述测量报告记录表。
步骤B2、 查询邻区信息表,获取任意三个邻区Picocella、Picocellb、Picocellc的位置信息和发射功率,a,b,c∈{1,2,……,N}。
具体的,所述MS的源基站可以查询邻区信息表,获取任意三个邻区Picocella、Picocellb、Picocellc的位置信息和发射功率。其中,任意三个邻区Picocella、Picocellb、Picocellc位置信息可以是相对于源基站的位置信息,即以源基站的位置为(0,0)坐标原点建立的坐标系下的位置信息。
步骤B3、 查询测量报告记录表,获取倒数第二次测量报告。
具体的,所述MS的源基站可以查询测量报告记录表,获取倒数第二次测量报告。其中,该倒数第二次测量报告指的是由当前时刻向历史时刻推算,所述MS上报的倒数第二次测量报告。由于测量报告记录表中最多只记录两次测量报告,故该倒数第二次测量报告在测量报告记录表中的测量时间是最早的。
步骤B4、 根据邻区Picocella、Picocellb、Picocellc的倒数第二次RSRP测量报告值、位置信息及发射功率,确定三个邻区的RSRP等值环。将所述三个RSRP等值环的交点确定为倒数第二次测量报告测量位置m(mx,my)。
具体的,所述MS的源基站可以根据邻区Picocella、Picocellb、Picocellc的倒数第二次RSRP测量报告值、位置信息及发射功率,确定三个基站的RSRP等值环。如图3所示,将所述三个RSRP等值环的交点确定为倒数第二次测量报告测量位置m(mx,my)。其中,该RSRP等值环是将以基站为中心向外辐射的无损发射功率模型,叠加路径损失模型获得的。该模型下,小区内测量到RSRP的等值区域是一个圆环。圆环的圆心是测量值对应的所测基站的位置,半径是测量点即MS位置与基站的距离。每一个RSRP报告值对应于一个RSRP等值环。因此,利用测量点测量到的三个基站的RSRP值确定三个对应RSRP等值环1、2、3,可以将圆环1、2、3的交点确定为RSRP测量点,即MS的位置。
步骤B5、 查询测量报告存储单元,获取最近一次测量报告。
具体的,所述MS的源基站可以查询测量报告记录表,获取最近一次测量报告。该最近一次测量报告在测量报告记录表中的测量时间是最晚的。
步骤B6、 根据邻区Picocella、Picocellb、Picocellc的最近一次RSRP测量报告值、位置信息及发射功率,确定三个邻区的RSRP等值环。将所述三个RSRP等值环的交点确定为最近一次测量报告测量位置n(nx,ny)。
具体的,所述MS的源基站可以根据邻基站a,b,c的最近一次RSRP测量报告值、位置信息及发射功率,确定三个基站的RSRP等值环。将所述三个RSRP等值环的交点确定为最近一次测量报告测量位置n(nx,ny)。
步骤B7、 根据△t、m(mx,my)和n(nx,ny)计算所述MS当前的移动速度v。
具体的,如图所述MS的源基站可以根据Δt、m和n计算所述MS当前的移动速度。计算公式为:
其中,(mx,my)是点m相对于源基站的坐标,(nx,ny)是点n相对于源基站的坐标。
在本发明实施例中,在根据△t、m(mx,my)和n(nx,ny)计算所述MS当前的移动速度后,上述切换控制方法实施例还包括:
所述MS的源基站在计算得到所述MS当前的移动速度和移动方向之后,根据计算所得移动速度、移动方向、位置n以及测量报告记录表中最近一次测量报告的测量时间更新MS测量状态信息存储单元中的MS测量状态信息表。
所述MS的源基站在接收到来自MS的周期性测量报告时,根据测量报告内容及测量报告的测量时间更新测量报告存储单元的测量报告记录表。
在本发明实施例中,所述MS的源基站获取来自MS的周期性测量报告,及时更新测量报告记录表,并根据更新后的测量报告记录表计算得到MS在最近一次测量时的移动状态信息。相对于其他的移动状态估计方法,本发明实施例获得的移动速度、移动方向及位置信息更为准确,进一步提高了预备目标小区的预测成功率,减少了不必要的切换准备操作,提高了频谱资源利用率。
参见图3,图3是本发明实施例提供的查询所述MS的PSI表,获取当前所述MS到各邻区的途经率的方法流程图。在本发明实施例中,查询所述MS的PSI表,获取当前所述MS到各邻区的途经率的步骤(步骤A2)还可以包括:
步骤C1、 所述PSI表,用于得到所述MS到各Picocell的途经率,表中统计了所述MS在第k段时间内途经各Picocell的次数和停留各Picocell的次数。在每段时间内,所述MS每检测到一次“途经”或“停留”事件,就更新一次PSI表。
具体的,统计所述MS在第k段时间内途经Picocelli的次数和停留Picocelli的次数在每段时间内,所述MS每检测到一次“途经”或“停留”事件,就更新一次和的值。其中,时间段Tdur的长度决定于Picocell的大小。当与MeNB连接的MS在Picocell-i(i=0,1,2,……,29)覆盖范围内穿过时(即,测量到Picocell-i的RSRP大于门限值RSRPth),记为“MS途经Picocell-i一次”。当与PeNB-i连接的MS在Picocell-i覆盖范围内的时间超过预设门限值Tr-th时,记为“MS停留Picocell-i一次”。为了保证结果的准确性,本章在记录一次“途经”事件后将间隔一段时间再开始对下一“途经”事件进行检测。
步骤C2、 所述PSI表,根据统计的所述MS途经各Picocell的次数和停留各Picocell的次数,计算得到带遗忘因子的加权值。
具体的,统计的带遗忘因子的加权值和的带遗忘因子的加权值所述按公式 进行更新。所述按公式 进行更新。
步骤C3、 所述PSI表,根据带遗忘因子的加权值,计算得到所述MS在各Picocell的预测途经率。
具体的,根据计算得到所述MS在第k+1段时间的在邻区Picocelli的预测途经率i∈{1,2,……,N}。
参见图4,图4是本发明实施例提供的获取各邻区在当前时刻的接纳力的方法流程图。在本发明实施例中,获取各邻区在当前时刻的接纳力的步骤(步骤A3)还可以包括:
步骤D1、 获取各邻区在当前时刻的总PRB数。
具体的,获取邻区Picocelli的总PRB数i∈{1,2,……,N}。
步骤D2、 获取各邻区在当前时刻的总用户数。
具体的,获取邻区Picocelli在当前时刻的总用户数MsNumi(t),i∈{1,2,……,N}。
步骤D3、 获取各邻区在当前时刻的所有用户的最小PRB需求数;
具体的,获取邻区Picocelli中所有用户的最小PRB需求数u∈{1,2,……,MsNumi(t)};
步骤D4、 根据所述各邻区的总PRB数、时刻t的总用户数及所有用户的最小PRB需求数,计算得到各邻区的在时刻t的接纳力。
具体的,根据计算得到邻区Picocelli的接纳力AAi,i∈{1,2,……,N},u∈{1,2,……,MsNumi(t)}。
参见图5,图5是本发明实施例提供的获取各邻区在当前时刻的空闲度的方法流程图。在本发明实施例中,获取各邻区在当前时刻的空闲度的步骤(步骤A4)还可以包括:
步骤E1、 获取各邻区在当前时刻的总PRB数。
具体的,获取邻区Picocelli的总PRB数i∈{1,2,……,N}。
步骤E2、 获取各邻区在当前时刻的总用户数。
具体的,获取邻区Picocelli在时刻t的总用户数MsNumi(t),i∈{1,2,……,N}。
步骤E3、 获取各邻区在当前时刻的所有用户的最小PRB需求数。
具体的,获取邻区Picocelli中所有用户的最小PRB需求数u∈{1,2,……,MsNumi(t)}
步骤E4、 获取各邻区在当前时刻的所有用户的额外业务所占PRB数。
具体的,获取邻区Picocelli中所有用户的额外业务所占PRB数u∈{1,2,……,MsNumi(t)}
步骤E5、 根据所述各邻区的总PRB数、时刻t的总用户数、所有用户的最小PRB需求数及所有用户的额外业务所占PRB数,计算得到各邻区在当前时刻的空闲度。
具体的,根据 计算得到邻区Picocelli的空闲度LDi,i∈{1,2,……,N},u∈{1,2,……,MsNumi(t)}
参见图6,图6是本发明实施例提供的根据所述MS的移动速度和途经率,基于模糊逻辑理论获取所述MS对邻区的趋向度的方法流程图。在本发明实施例中,根据所述MS的移动速度和途经率,基于模糊逻辑理论获取所述MS对邻区的趋向度的步骤(步骤A5)还可以包括:
步骤F1、 所述MS的源基站对所述MS的移动速度进行模糊化。
具体的,所述MS的源基站对所述MS的移动速度v进行模糊化。其中,模糊标记集为Fv={低,中,高},各标记代表区间分别为[0,60]、[30,120]、[60,+∞]。
步骤F2、 所述MS的源基站对所述MS在各邻区的途经率进行模糊化。
具体的,所述MS的源基站对所述MS在邻区Picocelli的途经率进行模糊化。其中,模糊标记集为各标记代表区间分别为[0,0.5]、[0.25,0.75]、[0.5,1]。
步骤F3、 根据所述MS的源基站建立的移动速度和途经率的隶属度函数及模糊规则表,计算得到所述MS对各模糊规则的附属强度。
具体的,根据所述MS的源基站建立的移动速度v和途经率的隶属度函数μ(v)、及模糊规则表{Ppass,v}-T(见表1),计算得到所述MS对模糊规则j的附属强度xi∈{Ppass,v},j∈{1,2,……,9}。
表1{Ppass,v}-T模糊规则表
步骤F4、 将模糊推理模块的输出去模糊化得到所述MS对各邻区的趋向度。
具体的,根据公式将模糊推理模块的输出去模糊化得到精确输出值——MS对邻区Picocelli的趋向度Ti,i∈{1,2,……,N},其中。Oj是模糊推理模块的第j条规则的输出。
参见图7,图7是本发明实施例提供的根据所述邻区的接纳力和空闲度,基于模糊逻辑理论获取所述邻区对所述MS的亲和度的方法流程图。在本发明实施例中,根据所述邻区的接纳力和空闲度,基于模糊逻辑理论获取所述邻区对所述MS的亲和度的步骤(步骤A6)还可以包括:
步骤G1、 所述MS的源基站对各邻区的接纳力进行模糊化。
具体的,所述MS的源基站对邻区Picocelli的接纳力AAi进行模糊化。其中,模糊标记集为FAA={很低,低,中,高,很高},各标记代表区间分别为[0,1/3]、[1/6,1/2]、[1/3,2/3]、[1/2,5/6]、[2/3,1]。
步骤G2、 所述MS的源基站对各邻区的空闲度进行模糊化。
具体的,所述MS的源基站对邻区Picocelli的空闲度LDi进行模糊化。其中,模糊标记集为FLD={很低,低,中,高,很高},各标记代表区间分别为[0,1/3]、[1/6,1/2]、[1/3,2/3]、[1/2,5/6]、[2/3,1]。
步骤G3、 根据所述MS的源基站建立的接纳力和空闲度的隶属度函数及模糊规则表,计算得到所述MS对各模糊规则的附属强度。
具体的,根据所述MS的源基站建立的接纳力AAi和空闲度LDi的隶属度函数μ(AAi)、μ(LDi)及模糊规则表{AA,LD}-E(见表2),计算得到所述MS对模糊规则j的附属强度xi∈{AA,LD}。由于接纳力AA大于等于空闲度LD,则模糊规则编号j∈{1,2,……,15}。
表2{AA,LD}-E模糊规则表
步骤G4、 将模糊推理模块的输出去模糊化得到各邻区对新用户的亲和度。
具体的,根据公式将模糊推理模块的输出去模糊化得到精确输出值——邻区Picocelli对新用户的亲和度Ei,i∈{1,2,……,N}。其中,Oj是模糊推理模块的第j条规则的输出。
参见图8,图8是本发明实施例提供的根据所述MS对各邻区的趋向度和所述各邻区对所述MS的亲和度,基于Q学习理论自适应地调节切换参数的方法流程图。在本发明实施例中,根据所述MS对各邻区的趋向度和所述各邻区对所述MS的亲和度,基于Q学习理论自适应地调节切换参数的步骤(步骤A7)还可以包括:
步骤H1、 所述Q学习过程的状态空间由所述MS对各邻区的趋向度和所述各邻区对所述MS的亲和度组成。
具体的,所述Q学习过程的状态空间为S={T,E}。由于FL系统输出的趋向度T和亲和度E为精确的连续值,故需将其离散化以便Q-Learning算法的实现。根据T和E的计算方法可得,T和E的取值范围分别为[0,5]和[0,9]。本章将T和E分别离散为5个区间,如表3所示。由此,状态空间包含的状态个数为5×5=25,Q-Learning算法则将这25个状态建立Q值表并不断地更新和学习。
表3趋向度T和亲和度E的离散区间表
步骤H2、 所述Q学习过程的动作为配置切换参数,包括切换迟滞值Hys和切换触发时延TTT
具体的,所述Q学习过程的动作为配置切换参数,包括切换迟滞值Hys和切换触发时延TTT。结合3GPP协议和密集异构蜂窝网络特性,假设Hys(dB)的取值集合为0~10范围内0.5的倍数,共20个。TTT的取值集为{0ms,40ms,64ms,80ms,100ms,128ms,160ms,256ms,480ms,512ms,640ms,1024ms,1280ms,2560ms,5120ms},共16个。
步骤H3、 所述Q学习过程的瞬时奖励为参数掉话率、切换失败率、乒乓切换率、切换目标小区的资源利用率。
具体的,所述Q学习过程的瞬时奖励为参数掉话率CDR、切换失败率HOF_Rate、乒乓切换率Ping-pong_Rate、目标小蜂窝的资源利用率PUR。由于掉话率、切换失败率和乒乓切换率为负面指标,资源利用率为正面指标,故令瞬时奖励r定义为:r=w1·PUR-w2·CDR-w3·HOF_Rate-w4·Ping-pong_Rate。其中,w1,w2,w3,w4为权重因子,四者和为1。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序可以存储于一计算机可读存储介质中,存储介质可以包括:只读存储器、随机存储器、磁盘或光盘等。
以上对本发明提供的基于模糊逻辑-Q学习的自优化切换方法进行了详细介绍,对于本领域的一般技术人员,依据本发明实施例的思想,在具体实施方式及应用范围上均会有改变之处,以上这些实施例应理解为仅用于说明本发明而不用于限制本发明的保护范围。在阅读了本发明的记载的内容之后,技术人员可以对本发明作各种改动或修改,这些等效变化和修饰同样落入本发明权利要求所限定的范围。
Claims (8)
1.一种密集网络自优化切换方法,其特征在于,包括以下步骤:
A1、获取MS当前的移动速度;
A2、查询所述MS的PSI途经-停留信息表,获取当前所述MS到各邻区的途经率;
A3、获取各邻区在当前时刻的接纳力;
A4、获取各邻区在当前时刻的空闲度;
A5、根据所述MS的移动速度和途经率,基于模糊逻辑理论获取所述MS对各邻区的趋向度;
A6、根据所述各邻区的接纳力和空闲度,基于模糊逻辑理论获取所述邻区对所述MS的亲和度;
A7、根据所述MS对各邻区的趋向度和所述各邻区对所述MS的亲和度,基于Q学习理论自适应地调节切换参数。
2.根据权利要求1所述的密集网络自优化切换方法,其特征在于,步骤A1中获取MS当前的移动速度v的步骤包括:
B1、查询测量报告记录表,获取最近两次测量报告的测量时间差Δt;
B2、查询邻区信息表,获取任意三个邻区Picocella、Picocellb、Picocellc的位置信息和发射功率,a,b,c∈{1,2,……,N};
B3、查询测量报告记录表,获取倒数第二次测量报告;
B4、根据邻区Picocella、Picocellb、Picocellc的倒数第二次RSRP测量报告值、位置信息及发射功率,确定三个邻区的RSRP等值环,将所述三个RSRP等值环的交点确定为倒数第二次测量报告的测量点m,其坐标为(mx,my);
B5、查询测量报告存储单元,获取最近一次测量报告;
B6、根据邻区Picocella、Picocellb、Picocellc的最近一次RSRP测量报告值、位置信息及发射功率,确定三个邻区的RSRP等值环。将所述三个RSRP等值环的交点确定为最近一次测量报告测量点n,其坐标为(nx,ny);
B7、根据Δt、m(mx,my)和n(nx,ny)计算所述MS当前的移动速度v。
3.根据权利要求1所述的密集网络自优化切换方法,其特征在于,步骤A2中的查询所述MS的途经-停留信息表PSI表,获取当前所述MS到各邻区的途经率,具体包括:
C1、查询MS的途经-停留信息PSI表,PSI表中统计了所述MS在第k段时间内途经各Picocell的次数和停留各Picocell的次数,在每段时间内,所述MS每检测到一次途经事件或停留事件,就更新一次PSI表;
C2、根据统计的所述MS途经各Picocell的次数和停留各Picocell的次数,计算得到带遗忘因子的加权值;
C3、根据带遗忘因子的加权值,计算得到所述MS在各Picocell的预测途经率。
4.根据权利要求1所述的密集网络自优化切换方法,其特征在于,步骤A3获取各邻区在当前时刻的接纳力,具体包括:
D1、获取各邻区在当前时刻的总PRB数;
D2、获取各邻区在当前时刻的总用户数;
D3、获取各邻区在当前时刻的所有用户的最小PRB需求数;
D4、根据所述各邻区的总PRB数、时刻t的总用户数及所有用户的最小PRB需求数,计算得到各邻区的在时刻t的接纳力。
5.根据权利要求1所述的密集网络自优化切换方法,其特征在于,步骤A4中获取各邻区在当前时刻的空闲度,包括:
E1、获取各邻区在当前时刻的总PRB数;
E2、获取各邻区在当前时刻的总用户数;
E3、获取各邻区在当前时刻的所有用户的最小PRB需求数;
E4、获取各邻区在当前时刻的所有用户的额外业务所占PRB数;
E5、根据所述各邻区的总PRB数、时刻t的总用户数、所有用户的最小PRB需求数及所有用户的额外业务所占PRB数,计算得到各邻区在当前时刻的空闲度。
6.根据权利要求1所述的密集网络自优化切换方法,其特征在于,步骤A5中根据所述MS的移动速度和途经率,基于模糊逻辑理论获取所述MS对邻区的趋向度,包括:
F1、所述MS的源基站对所述MS的移动速度进行模糊化;
F2、所述MS的源基站对所述MS在各邻区的途经率进行模糊化;
F3、根据所述MS的源基站建立的移动速度和途经率的隶属度函数及模糊规则表,计算得到所述MS对各模糊规则的附属强度;
F4、将模糊推理模块的输出去模糊化得到所述MS对各邻区的趋向度。
7.根据权利要求1所述的密集网络自优化切换方法,其特征在于,步骤A6中根据所述邻区的接纳力和空闲度,基于模糊逻辑理论获取所述邻区对所述MS的亲和度,包括:
G1、所述MS的源基站对各邻区的接纳力进行模糊化;
G2、所述MS的源基站对各邻区的空闲度进行模糊化;
G3、根据所述MS的源基站建立的接纳力和空闲度的隶属度函数及模糊规则表,计算得到所述MS对各模糊规则的附属强度;
G4、将模糊推理模块的输出去模糊化得到各邻区对新用户的亲和度。
8.根据权利要求1所述的密集网络自优化切换方法,其特征在于,步骤A7中根据所述MS对各邻区的趋向度和所述各邻区对所述MS的亲和度,基于Q学习理论自适应地调节切换参数,包括:
所述Q学习过程的状态空间由所述MS对各邻区的趋向度和所述各邻区对所述MS的亲和度组成;所述Q学习过程的动作为配置切换参数,包括切换迟滞值Hys和切换触发时延TTT;所述Q学习过程的瞬时奖励为参数掉话率、切换失败率、乒乓切换率、切换目标小区的资源利用率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510282444.3A CN104955116B (zh) | 2015-05-28 | 2015-05-28 | 密集网络自优化切换方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510282444.3A CN104955116B (zh) | 2015-05-28 | 2015-05-28 | 密集网络自优化切换方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104955116A true CN104955116A (zh) | 2015-09-30 |
CN104955116B CN104955116B (zh) | 2018-04-27 |
Family
ID=54169376
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510282444.3A Active CN104955116B (zh) | 2015-05-28 | 2015-05-28 | 密集网络自优化切换方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104955116B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105898807A (zh) * | 2016-06-08 | 2016-08-24 | 北京邮电大学 | 一种在超密集网络下的联合接入点选择和资源分配的自治愈方法 |
GB2551124A (en) * | 2016-06-02 | 2017-12-13 | Samsung Electronics Co Ltd | Improvements in and relating to network configuration |
CN110958654A (zh) * | 2019-10-17 | 2020-04-03 | 苏州大学 | 基于强化学习的lte-r切换参数选择方法 |
WO2020244906A1 (en) * | 2019-06-03 | 2020-12-10 | Nokia Solutions And Networks Oy | Uplink power control using deep q-learning |
CN112203361A (zh) * | 2020-10-12 | 2021-01-08 | Oppo(重庆)智能科技有限公司 | 无线链路失败的处理方法及装置、终端、存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090168725A1 (en) * | 2007-12-26 | 2009-07-02 | Qualcomm Incorporated | Communication handover management |
CN101841878A (zh) * | 2009-03-16 | 2010-09-22 | 华为技术有限公司 | 通信网络中实现切换的方法、装置及系统 |
CN102256266A (zh) * | 2011-07-04 | 2011-11-23 | 重庆邮电大学 | 一种面向用户应用的自适应接入网络选择实现装置及方法 |
CN102427595A (zh) * | 2011-12-29 | 2012-04-25 | 北京邮电大学 | 用于异构融合无线网络的自适应优化切换控制方法和装置 |
-
2015
- 2015-05-28 CN CN201510282444.3A patent/CN104955116B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090168725A1 (en) * | 2007-12-26 | 2009-07-02 | Qualcomm Incorporated | Communication handover management |
CN101841878A (zh) * | 2009-03-16 | 2010-09-22 | 华为技术有限公司 | 通信网络中实现切换的方法、装置及系统 |
CN102256266A (zh) * | 2011-07-04 | 2011-11-23 | 重庆邮电大学 | 一种面向用户应用的自适应接入网络选择实现装置及方法 |
CN102427595A (zh) * | 2011-12-29 | 2012-04-25 | 北京邮电大学 | 用于异构融合无线网络的自适应优化切换控制方法和装置 |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2551124A (en) * | 2016-06-02 | 2017-12-13 | Samsung Electronics Co Ltd | Improvements in and relating to network configuration |
US10396923B2 (en) | 2016-06-02 | 2019-08-27 | Samsung Electronics Co., Ltd. | Network configuration |
GB2551124B (en) * | 2016-06-02 | 2020-03-25 | Samsung Electronics Co Ltd | Improvements in and relating to network configuration |
CN105898807A (zh) * | 2016-06-08 | 2016-08-24 | 北京邮电大学 | 一种在超密集网络下的联合接入点选择和资源分配的自治愈方法 |
CN105898807B (zh) * | 2016-06-08 | 2019-04-23 | 北京邮电大学 | 一种在超密集网络下的联合接入点选择和资源分配的自治愈方法 |
WO2020244906A1 (en) * | 2019-06-03 | 2020-12-10 | Nokia Solutions And Networks Oy | Uplink power control using deep q-learning |
CN113875294A (zh) * | 2019-06-03 | 2021-12-31 | 诺基亚通信公司 | 使用深度q学习的上行链路功率控制 |
US11463961B2 (en) | 2019-06-03 | 2022-10-04 | Nokia Solutions And Networks Oy | Uplink power control using deep Q-learning |
CN113875294B (zh) * | 2019-06-03 | 2023-03-28 | 诺基亚通信公司 | 使用深度q学习的上行链路功率控制 |
CN110958654A (zh) * | 2019-10-17 | 2020-04-03 | 苏州大学 | 基于强化学习的lte-r切换参数选择方法 |
CN110958654B (zh) * | 2019-10-17 | 2021-08-27 | 苏州大学 | 基于强化学习的lte-r切换参数选择方法 |
CN112203361A (zh) * | 2020-10-12 | 2021-01-08 | Oppo(重庆)智能科技有限公司 | 无线链路失败的处理方法及装置、终端、存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN104955116B (zh) | 2018-04-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103796256B (zh) | 基于移动状态信息和邻区邻近度的移动鲁棒性优化方法及装置 | |
CN109495935B (zh) | 一种切换方法、基站及用户终端 | |
Muñoz et al. | Fuzzy rule-based reinforcement learning for load balancing techniques in enterprise LTE femtocells | |
CN104955116A (zh) | 密集网络自优化切换方法 | |
CN103621139B (zh) | 用于控制用户设备的切换决定的无线电网络节点中的方法 | |
CN104486784A (zh) | 超密集无线网络中减少切换失败的方法 | |
Azari et al. | Machine learning assisted handover and resource management for cellular connected drones | |
US20140162662A1 (en) | Communication control device and communication control method | |
US20140349658A1 (en) | Method for obtaining moving speed of mobile terminal, base station, and terminal | |
CN103781133B (zh) | 一种异构蜂窝网下的切换方法 | |
CN103237324B (zh) | 一种地理位置信息辅助lte系统快速切换判决方法 | |
Liu et al. | Intelligent handover triggering mechanism in 5G ultra-dense networks via clustering-based reinforcement learning | |
CN104640149B (zh) | 一种用于异构网络中的自适应小区扩展偏置调整方法 | |
CN105471488A (zh) | 一种多小区波束形成方法和装置 | |
Meng et al. | Virtual cell-based mobility enhancement and performance evaluation in ultra-dense networks | |
Becvar et al. | Dynamic optimization of neighbor cell list for femtocells | |
CN102905284A (zh) | 一种异构网中ue移动状态判定的方法 | |
Tashan et al. | Advanced mobility robustness optimization models in future mobile networks based on machine learning solutions | |
Saad et al. | Performance evaluation of mobility robustness optimization (MRO) in 5G network with various mobility speed scenarios | |
CN103546929A (zh) | 一种提高异构网切换性能的方法 | |
Buenestado et al. | Mobility robustness optimization in enterprise LTE femtocells | |
Subramani et al. | Towards practical REM-based radio resource management | |
Kim et al. | Handover optimization with user mobility prediction for femtocell-based wireless networks | |
CN104244342A (zh) | 一种用于lte-a异构网的用户移动状态估计方法 | |
Ma et al. | Reference signal power control for load balancing in downlink LTE-A self-organizing networks |
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 |