CN104955116B - 密集网络自优化切换方法 - Google Patents

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

密集网络自优化切换方法

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RelayNode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Δt；

B2、查询邻区信息表，获取任意三个邻区Picocell_a、Picocell_b、Picocell_c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Picocell_a、Picocell_b、Picocell_c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(m_x,m_y)；

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Picocell_a、Picocell_b、Picocell_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(n_x,n_y)；

B7、根据Δt、m(m_x,m_y)和n(n_x,n_y)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Δt。

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Δt。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Picocell_a、Picocell_b、Picocell_c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Picocell_a、Picocell_b、Picocell_c的位置信息和发射功率。其中，任意三个邻区Picocell_a、Picocell_b、Picocell_c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Picocell_a、Picocell_b、Picocell_c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(m_x,m_y)。

具体的，所述MS的源基站可以根据邻区Picocell_a、Picocell_b、Picocell_c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(m_x,m_y)。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Picocell_a、Picocell_b、Picocell_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(n_x,n_y)。

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(n_x,n_y)。

步骤B7、根据Δt、m(m_x,m_y)和n(n_x,n_y)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，(m_x,m_y)是点m相对于源基站的坐标，(n_x,n_y)是点n相对于源基站的坐标。

在本发明实施例中，在根据Δt、m(m_x,m_y)和n(n_x,n_y)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4，图4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Picocell_i的次数和停留Picocell_i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T_dur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RSRP_th)，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T_r-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Picocell_i的预测途经率i∈{1,2,......,N}。

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Picocell_i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Picocell_i在当前时刻的总用户数MsNum_i(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Picocell_i中所有用户的最小PRB需求数u∈{1,2,……,MsNum_i(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Picocell_i的接纳力AA_i，i∈{1,2,......,N}，u∈{1,2,……,MsNum_i(t)}。

参见图6，图6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Picocell_i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Picocell_i在时刻t的总用户数MsNum_i(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Picocell_i中所有用户的最小PRB需求数u∈{1,2,……,MsNum_i(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Picocell_i中所有用户的额外业务所占PRB数u∈{1,2,......,MsNum_i(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Picocell_i的空闲度LD_i，i∈{1,2,……,N}，u∈{1,2,......,MsNum_i(t)}

参见图7，图7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F_v＝{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Picocell_i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{P_pass,v}-T(见表1)，计算得到所述MS对模糊规则j的附属强度x_i∈{P_pass,v}，j∈{1,2,......,9}。

表1{P_pass,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Picocell_i的趋向度T_i，i∈{1,2,......,N}，其中。O_j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Picocell_i的接纳力AA_i进行模糊化。其中，模糊标记集为F_AA＝{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Picocell_i的空闲度LD_i进行模糊化。其中，模糊标记集为F_LD＝{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AA_i和空闲度LD_i的隶属度函数μ(AA_i)、μ(LD_i)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x_i∈{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Picocell_i对新用户的亲和度E_i，i∈{1,2,......,N}。其中，O_j是模糊推理模块的第j条规则的输出。

参见图9，图9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 (5)

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；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；

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；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；

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；

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；包括步骤：

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；

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；

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。

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Picocell_a、Picocell_b、Picocell_c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Picocell_a、Picocell_b、Picocell_c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(m_x,m_y)；

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Picocell_a、Picocell_b、Picocell_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(n_x,n_y)；

B7、根据Δt、m(m_x,m_y)和n(n_x,n_y)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。

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。