CN105007594A - Lte-a异构网络中一种联合优化mlb与mro的方法 - Google Patents

Abstract

本发明请求保护一种LTE-A异构网络中联合优化移动负载均衡(Mobility？Load？Balance,MLB)与移动鲁棒性增强(Mobility？Robustness？Optimization,MRO)的方法及装置，涉及异构网络技术领域，公开了一种以MLB优化为主的同时考虑MRO优化的有效方法。在LTE-A异构网络中，单纯的执行MLB或者MRO可能会恶化整个网络的性能，但是当二者同时存在于网络的自优化模块时，由于二者最终都会调整切换参数，可能在执行二者的算法时将同一切换参数向相反的方向调整而引起切换冲突，因而主要从三大部分做出改进：一是基于簇理论寻找最佳负载分配方案以判断各个节点的负载状态的方法；二是利用决策树的相关理论做出切换优化类型的判决的方法；三是根据已知的判决，联合自适应调整MRO与MLB的相关参数的方法。

Description

LTE-A异构网络中一种联合优化MLB与MRO的方法

技术领域

本发明涉及移动通信技术领域，具体涉及LTE-A异构蜂窝网络中利用簇相关理论获取最佳负载重分配方案以判断各个节点的负载状态的方法、基于决策树理论判断切换优化类型方法以及交叉控制自适应调整切换参数的方法。

背景技术

随着移动宽带业务的迅速增长，网络规模的不断扩大，网络结构的复杂多样化，传统的蜂窝网络不断进化为高密集、无规则的异构小蜂窝网络，以进一步提高网络覆盖以及系统容量，提升用户的满意度。

但是由于用户在网络中随机接入和离开，并在网络中不断移动，且他们的业务需求各不相同，使得网络中各个节点的负载情况各不相同，导致某些节点由于用户的业务需求量过大而因有限的网络资源而造成用户的呼叫阻塞，形成网络的局部拥塞效应，而其他一些节点由于接入的用户请求较少甚至处于空闲状态而形成资源浪费的现象，而且用户的移动性会造成切换操作的执行，而在网络中单纯执行移动负载均衡操作或者移动鲁棒性增强操作并不会改善系统的性能，相反可能会造成全网性能的恶化，因而如何提升全网的资源利用率，缓解网络局部拥塞，并优化切换性能是目前研究的又一热点。

为了提升网络的智能化，减少人工管理的运营成本，下一代移动网络联盟确定在下一代无线通信系统中引入自组织网络(Self-organization Network,SON)关键概念，SON主要包括三大部分：自配置、自优化和自治愈。在SON自优化模块中，MLB与MRO是其中重要的两大部分，MLB是将超负载节点下的用户切换到低负载节点上进行服务，以分摊超负载节点的业务，充分利用低负载节点的资源，不仅解决了网络局部拥塞问题同时提升了用户满意度，降低用户平均呼叫阻塞率；MRO是为了优化网络切换性能，由于用户在网络中不是出于静止状态，因而降低用户的切换失败率，ping-pong切换率以及链路连接失败率是其主要目标。现有技术一般单独研究MLB与MRO，没有综合考虑二者的联合优化，而 在实际中，单独考虑MLB时，尽管实现了较好的负载均衡效果，但是可能造成用户频繁切换甚至大大提升了ping-pong切换次数，恶化了用户的移动性能；而单独考虑MRO可能会造成资源的浪费，网络局部拥塞等问题。

发明人在研究现有技术的过程中发现，现有的负载均衡技术都是直接将当前网络负载与负载门限比较或者与相邻小区负载进行比较，而没有得到一个最佳的负载重分配方案，而且在自优化模块中都是单独考虑MLB或者MRO，可能导致长期网络性能的恶化。

发明内容

针对现有技术的不足，提出了一种提升了整个系统的收敛时间，解决了潜在的ping-pong切换效应，同时大大降低了负载均衡过程中的信令开销的LTE-A异构网络中一种联合优化MLB与MRO的方法，本发明的技术方案如下：LTE-A异构网络中一种联合优化MLB与MRO的方法，其包括以下步骤：

101、在LTE-A异构网络的每个基站下建立信息存储模块，信息存储模块存储对应基站下当前的负载信息，并统计其服务用户的切换失败信息、基站类型以及基站ID信息；

102、对LTE-A异构网络中所有基站进行遍历，并根据步骤101中各个基站信息存储模块下存储的负载信息、服务用户的切换失败信息、基站类型以及基站ID信息，采用簇分组法对基站进行分组；

103、根据步骤102中得到基站分组信息划分负载均衡域，求得负载重分配的最优解，判断各个基站的负载状态；

104、获取用户当前位置以及所属基站的相关信息，计算各个用户的平均数据传输速率、平均移动速度，并利用决策树法对用户的切换优化类型进行判断，即用户是执行移动负载均衡切换还是执行移动鲁棒性增强操作或者不进行任何操作；

105、根据步骤104获得的切换优化类型，对相关的切换参数进行自适应调整处理，即将移动负载均衡的相关指标与移动鲁棒性增强的相关指标进行联合 交叉调整。

进一步的，步骤102中的利用簇分组法对基站进行分组的具体步骤包括：

A1、查询各个基站的信息存储模块，获取各个基站的类型及ID信息；

A2、根据查询的相关信息，将宏基站覆盖范围内的所有基站包括宏基站划分为一个簇；

A3、将每个簇中的宏基站作为簇头，其他基站作为簇中的节点；

进一步的，步骤103中的根据基站的分组信息划分负载均衡域，求得负载重分配的最优解，判断各个基站的负载状态，具体包括：

B1、将各个簇划分为负载均衡域，簇内节点通过负载均衡信令流程互相交换负载相关信息；

B2、对获得的相关负载信息，根据纳什均衡原理将负载进行重分配，得到各个节点理想负载分配值；

B3、将各个节点当前的负载值与计算得到的理想负载分配值进行比较，判断各个节点的负载状态，即如果当前负载值-理想负载分配值≧设定值M，则为超负载状态，反之则处于轻负载状态。

进一步的，步骤104中所述利用决策树法对用户的切换优化类型进行判断的步骤具体包括：

C1、将用户的服务基站当前的负载状态信息、切换失败率、检测的参考信号的接收功率RSRP、用户的平均移动速度以及数据传输速率作为决策树的输入信息，获得检测样本；

C2、根据获得的检测样本信息，利用ID3算法对其进行归纳分析；

C3、根据归纳分析的结果得到预测模型，建立切换优化类型判别不等式，即各个属性的加权不等式。

进一步的，步骤105中所述根据已获得的切换优化类型，对相关的切换参数进行自适应调整处理的步骤具体包括：

D1、统计各个节点当前的切换失败率，ping-pong切换率以及用户掉话率；

D2、对每个用户进行检测，根据决策树模型判决等式的取值判断得到切换优化类型；

D3、根据A3事件的基本判断不等式调整服务小区的切换偏移量，将服务小区当前负载信息与理想的负载差值作为因子调整切换参数，同时将服务小区的切换失败率以及ping-pong切换率作为调整切换参数的因子，即对相关的切换参数进行交叉控制调整；

D4、将调整切换参数之后的各个节点的基本属性存储在各个节点的信息存储模块中，并进行更新。

进一步的，步骤104和步骤105中的移动负载均衡的操作步骤具体包括：

E1、获得各个节点的负载均衡状态之后，对节点下的用户进行遍历；

E2、检测负载均衡域内其他低负载节点提供给各个用户的RSRP值以及低负载节点当前的负载值；

E3、将低负载节点提供的RSRP与服务基站提供的RSRP进行比较，判断用户是否执行切换操作，如果执行，则选择低负载且提供给用户最大的RSRP的节点作为用户切换的目标节点；

E4、根据获得目标节点，对用户执行切换操作。

进一步的，所述移动鲁棒性增强操作具体包括：

对系统中所有用户进行遍历，获取用户服务节点切换失败率、ping-pong切换率等信息；

根据获得的用户切换信息，对小区之间的切换偏移量进行调整。

进一步的，自适应调整参数包括：

步骤901、统计所有节点的切换失败率HFO、ping-pong切换率HPP以及用户掉话率CDR；

步骤902、在移动性优化过程中，建立移动性优化函数进行参数调整 ω₁表示切换失败率的影响大小，ω₂表示ping-pong 切换率的影响大小，ω₃表示用户掉话率的影响大小，W_mro表示切换性能因子的反馈指标。

本发明的优点及有益效果如下：

有效解决了MLB与MRO之间可能存在的冲突，从用户侧的角度出发，选择了切换优化类别，保证了系统在负载与切换两方面的性能。在未来网络优化中是非常重要的自优化功能，具有较好的实际应用价值。

附图说明

图1是LTE-A异构蜂窝网络拓扑结构示意图；

图2为基于簇理论的基站分组示意图；

图3为基于簇分组的移动负载均衡信令流程示意图；

图4为基于簇理论得到最佳负载重分配理论值的流程图；

图5为节点负载状态判别流程图；

图6为建立决策不等式流程图；

图7为基于决策树理论的切换优化类型判别流程图；

图8为执行MLB操作中自适应调整切换参数的流程图。

图9为执行MRO操作中自适应调整参数的流程图。

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，本发明提供了一种联合自优化MLB与MRO的方法，主要包括基于簇理论的负载重分配法、基于决策树理论的切换优化类型判别法以及联合自适应调整切换参数的方法。为了更好的理解本发明的技术方案，下面结合附图对本发明提供的实施例进行详细地描述。

为了实施本发明，需要在LTE-A异构蜂窝网络中执行，示意图为图1所示，相比于传统的蜂窝网络而言，LTE-A异构网络引入了大量低功率节点，包括远程射频头(Remote Ratio Head,RRH)、微微基站(Pico eNB)、毫微微基站(Femto eNB)以及中继站(Relay Node,RN)，可以看出异构蜂窝网络实质上就是一种分层网络，即将宏蜂窝的覆盖范围作为底层网络，而其他低功率节点都是重叠覆盖在 宏蜂窝覆盖区域内的小蜂窝，这些低功率节点的体积小，便于灵活地进行网络部署，同时覆盖范围小，可以更加方便地利用潜在的高频段频谱。在每个基站下添加信息收集模块，收集本地宏小区覆盖范围内的各个基站的负载信息、切换失败率等信息，并将收集的信息建立本地基站列表。

参见图2，图2为基于簇理论的基站分组示意图。

在传统的负载均衡方案中，一旦检测到基站处于超载状态，就会对周围相邻小区进行遍历，寻找一个负载状态较轻的并能提供给超载基站下的切换用户较好的服务质量的基站作为切换用户新的目标基站，但是由于用户具有移动性，可能在某个时刻由于负载均衡机制的触发切换到某一小区而下一时刻又切换回原来的小区，在目标小区与原服务小区之间来回切换，形成ping-pong效应，而且其他超载基站可能也将其超载业务切换到目标基站下进行服务，最终可能导致目标基站处于超载状态，达不到负载均衡的效果，影响整个系统的收敛性，因而采用基站分组的方法解决上述问题。基于簇理论的基站分组法的基本原理是将整个网络的基站划分为不同的簇，每个簇中所有的覆盖节点范围就是一个负载均衡域，各个簇单独执行负载均衡操作，互相独立，可以在同一时刻同时出发负载均衡操作，最重要的是只有簇内节点之间可以相互交换负载等信息。在LTE-A异构蜂窝网络中，将每个宏蜂窝覆盖的范围作为一个负载均衡域，宏蜂窝覆盖范围内的各类节点作为簇内节点，而宏基站作为簇头，簇头将建立相邻基站信息收集列表，存储簇内所有节点的相关信息，而其他节点如果需要获取相邻节点的相关信息时，可以直接向簇头发送请求消息，获取信息。这样不仅提升了整个系统的收敛时间，解决了潜在的ping-pong切换效应，同时大大降低了负载均衡过程中的信令开销。

参见图3，图3为基于簇分组的移动负载均衡信令流程示意图。

步骤301：初始化RIM流程，RIM即是负载信息交换基本流程，

参照图2的簇分组法，将宏基站设置为每个簇的簇头，而在宏基站覆盖范围内的其他低功率节点设置为从节点，每个簇头下建立一个相邻节点的信息存储列表， 并由簇头向簇内其他节点发送请求获取负载等相关信息的指令。

步骤302：簇头向核心网(Core Network,CN)发送获取相邻簇的基本信息，包括相邻簇的ID以及位置信息、资源使用情况、切换失败情况等信息。

步骤303：在CN接收到簇头发送的状态请求信息时，对该消息进行相应的解读，并将相关信息发送给簇头。

步骤304：簇头接收到相邻簇的基本信息之后(这些信息用来计算相关的干扰等指标，因为尽管某些节点处于不同的簇，但是由于地理位置相隔比较近可能会带来较大的干扰)，需要获取簇内各个节点的负载等信息，此时将不需要经过核心网络，直接向簇内节点发送状态请求消息。

步骤305：从节点在接收到簇头发送的状态请求消息之后，将其进行解读。

步骤306：从节点根据解读的状态请求消息的内容，向簇头发送相关的状态报告消息。

步骤307：簇头将通过CN获取的相邻簇的基本信息和直接获取的簇内从节点的负载等信息存储到信息收集模块中，并根据这些信息建立信息收集列表。

步骤308：当触发移动负载均衡操作时，需要对簇内所有节点进行遍历，簇内的从节点需要获取其他节点的相关信息，以判断其负载状态并完成切换用户与目标节点的最优匹配。

步骤309：需要获取其他节点信息的簇内从节点向簇头发送状态请求消息。

步骤310：簇头在接收到状态请求消息之后，解读相关请求消息，查询信息存储列表。

步骤311：簇头根据从节点发送的状态请求消息，获取从节点所需的相关信息之后，将相应的信息通过状态报告消息的形式发送给从节点。

参见图4，图4为基于簇理论得到最佳负载重分配理论值流程图。

步骤401：簇头查询信息存储模块，获取簇内所有节点当前的负载信息值。

步骤402：在LTE-A异构蜂窝网络中，引入了大量低功率节点，这些节点的发射功率、覆盖范围远小于宏基站，因而各类节点的负载承受能力不一样，因而 需要引入调整因子，对不同类型节点的当前负载进行调整，以便于接下来的计算。

步骤403：建立簇模型，主要包括三大因子：负载分配策略集，簇内节点的数目以及效用函数，初始负载分配策略集，设定代价因子和收益函数，一般将平均切换次数看做代价因子，单位负载获得的吞吐量作为收益。

步骤404：在执行移动负载均衡优化的过程中，会对小区间的切换偏移量进行自适应调整，必须预先计算出小区偏移量调整最大与最小时的负载值，作为求最优解的限制条件，因为在实际操作的过程中，不可能对小区偏移量进行无限制调整。

步骤405：利用纳什均衡原理求负载重分配的最优解。

参见图5，图5为节点负载状态判别流程图。

步骤501：根据图4可知，利用簇模型可以求得簇内各个节点的理论上的负载重分配最优解其中c表示当前小区。

步骤502：在得到各个节点的理论上最优的负载值后，需要将最优值与预先设定的负载门限进行比较，该值的大小可能并不符合实际操作。

步骤503：理论上的最优解比预先设定的负载门限值还大的情况，在理论上来说是不能进行移动负载均衡操作的，因为在进行负载重分配的过程中，各个节点的负载应该越接近理论上的最优解，即使对簇中各个节点的负载进行重分配，还是会使部分小区长期处于超载状态，达不到负载均衡效果，因而实际操作过程中，负载从分配应该尽量接近最优值而小于预先设定的负载门限。

步骤504：当理论上的最优解小于预先设定的负载门限，需要将理论最优解 与小区的实时负载l_c进行比较。

步骤505：当理论上的最优解大于小区的实时负载l_c时，判断小区处于轻负载状态，可以作为超负载节点卸载的目标基站，并将该小区的基本信息存放在目标基站集合中。

步骤506：当理论上的最优解小于小区的实时负载l_c时，判断小区处于超负载状态，需要对该小区进行卸载操作，将该小区的基本信息存放在超载节点集 合中。

参见图6，图6为建立决策不等式流程图。

步骤601：从用户侧的角度出发，选择系统中100个用户作为样本，得到样本的历史信息，包括用户的类型、用户的平均移动速度、用户的平均吞吐量以及其服务基站的负载状态等属性信息。

步骤602：将用户的切换优化类型分为三类，一类是移动负载均衡优化，一类是移动鲁棒性增强，还有一类是不进行任何优化操作，并计算三类切换优化类型的信息熵。

步骤603：在切换优化类型确定的基础上，计算各类属性在切换类型确定的基础上的条件熵。

步骤604：将由上述两步得到的信息熵与条件熵相减，得到各类属性的信息增益。

步骤605：计算各类属性的信息熵。

步骤606：将步骤604得到的信息增益比上步骤605得到的信息熵，得到信息增益率。

步骤607：剔除信息增益率最小的两类属性，并将得到的各类属性的信息增益率归一化处理，得到加权不等式。

参见图7，图7为基于决策树理论的切换优化类型判别流程图。

步骤701：由图6可知，在样本检测时，参考了多个基本属性，经过决策树模型建立过程，将不重要的几个属性已经踢出，首先需要获得最重要的参数即簇内所有节点当前的负载状态信息。

步骤702：统计簇内所有节点的切换失败率、用户掉话率等信息。

步骤703：在判断用户切换优化类型时，主要考虑的是用户的体验，因而需要检测用户当前由服务基站提供的RSRP、平均数据传输率以及用户移动的平均速度。

步骤704：将由上述三个步骤获得的相关信息代入决策判决不等式中得到Γ_c。

步骤705：将得到的Γ_c与预先设定的Γ_mlb比较，如果得到的值比预先设定的Γ_mlb大，则执行MLB操作，否则进入步骤706。

步骤706：如果Γ_c的值比Γ_mlb小，但是比Γ_mro大，则表示判决不等式满足执行MRO操作，即对用户进行移动鲁棒性增强，否则将不进行任何切换优化操作。

参见图8，图8为执行MLB操作中自适应调整切换参数的流程图。

步骤801：根据图4可知，得到簇内所有节点理论上的负载重分配的最优解。

步骤802：根据图5所示的步骤，对系统中所有节点的负载状态进行判断，并计算超载节点当前负载与理论最优解的差值。

步骤803：将差值作为调整因子调整超载小区的偏移量O_cs，具体公式为  $\mathrm{\Δ}{O}_{\mathrm{cs}}(t+1)={(\frac{{\mathrm{load}}_c\left(t\right)-l_c^{*}\left(t\right)}{l_c^{*}\left(t\right)}-\mathrm{\ξ})}^n\·O_{\mathrm{cs}}\left(t\right).$

步骤804：将各个小区信息存储模块的相关信息进行更新。

参见图9，图9为执行MRO操作中自适应调整参数的流程图。

步骤901：由于MRO的主要目的是优化用户的切换性能，因而需要统计所有节点的切换失败率(HFO)、ping-pong切换率(HPP)以及用户掉话率(CDR)。

步骤902：在移动性优化过程中，最主要的是最小化上述的几个切换指标，因而建立移动性优化函数 $W_{\mathrm{mro}}=\frac{{\mathrm{\ω}}_1\·\mathrm{HOF}-{\mathrm{\ω}}_2\·\mathrm{HPP}+{\mathrm{\ω}}_3\·\mathrm{CDR}}{{\mathrm{\ω}}_1+{\mathrm{\ω}}_2+{\mathrm{\ω}}_3}.$

步骤903：当H_ys与TTT设置较高时，在对过载节点进行均衡操作过程中，需要考虑对HOF与CDR的消极影响，即会导致二者的增高；而较低H_ys与TTT则会增加HPP，因而当移动性优化函数小于0时，需要增大H_ys或者TTT，直到其值大于0为止。

步骤904：将各个小区信息存储模块的相关信息进行更新。

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LTE-A异构网络中一种联合优化MLB与MRO的方法，其特征在于，包括以下步骤：

101、在LTE-A异构网络的每个基站下建立信息存储模块，信息存储模块存储对应基站下当前的负载信息，并统计其服务用户的切换失败信息、基站类型以及基站ID信息；

102、对LTE-A异构网络中所有基站进行遍历，并根据步骤101中各个基站信息存储模块下存储的负载信息、服务用户的切换失败信息、基站类型以及基站ID信息，采用簇分组法对基站进行分组；

103、根据步骤102中得到基站分组信息划分负载均衡域，求得负载重分配的最优解，判断各个基站的负载状态；

104、获取用户当前位置以及所属基站的相关信息，计算各个用户的平均数据传输速率、平均移动速度，并利用决策树法对用户的切换优化类型进行判断，即用户是执行移动负载均衡切换还是执行移动鲁棒性增强操作或者不进行任何操作；

105、根据步骤104获得的切换优化类型，对相关的切换参数进行自适应调整处理，即将移动负载均衡的相关指标与移动鲁棒性增强的相关指标进行联合交叉调整。

2.根据权利要求1所述的一种LTE-A异构网络中一种联合优化MLB与MRO的方法，其特征在于，步骤102中的利用簇分组法对基站进行分组的具体步骤包括：

A1、查询各个基站的信息存储模块，获取各个基站的类型及ID信息；

A2、根据查询的相关信息，将宏基站覆盖范围内的所有基站包括宏基站划分为一个簇；

A3、将每个簇中的宏基站作为簇头，其他基站作为簇中的节点。

3.根据权利要求1所述的一种LTE-A异构网络中一种联合优化MLB与MRO的方法，其特征在于，步骤103中的根据基站的分组信息划分负载均衡域，求 得负载重分配的最优解，判断各个基站的负载状态，具体包括：

B1、将各个簇划分为负载均衡域，簇内节点通过负载均衡信令流程互相交换负载相关信息；

B2、对获得的相关负载信息，根据纳什均衡原理将负载进行重分配，得到各个节点理想负载分配值；

B3、将各个节点当前的负载值与计算得到的理想负载分配值进行比较，判断各个节点的负载状态，即如果当前负载值-理想负载分配值≧设定值M，则为超负载状态，反之则处于轻负载状态。

4.根据权利要求1所述的一种LTE-A异构网络中一种联合优化MLB与MRO的方法，其特征在于，步骤104中所述利用决策树法对用户的切换优化类型进行判断的步骤具体包括：

C1、将用户的服务基站当前的负载状态信息、切换失败率、检测的参考信号的接收功率RSRP、用户的平均移动速度以及数据传输速率作为决策树的输入信息，获得检测样本；

C2、根据获得的检测样本信息，利用ID3算法对其进行归纳分析；

C3、根据归纳分析的结果得到预测模型，建立切换优化类型判别不等式，即各个属性的加权不等式。

5.根据权利要求1所述的一种LTE-A异构网络中一种联合优化MLB与MRO的方法，其特征在于，步骤105中所述根据已获得的切换优化类型，对相关的切换参数进行自适应调整处理的步骤具体包括：

D1、统计各个节点当前的切换失败率，ping-pong切换率以及用户掉话率；

D2、对每个用户进行检测，根据决策树得到的判决等式判断得到切换优化类型；

D3、根据A3事件的基本判断不等式调整服务小区的切换偏移量，将服务小区当前负载信息与理想的负载差值作为因子调整切换参数，同时将服务小区的切换失败率以及ping-pong切换率作为调整切换 参数的因子，即对相关的切换参数进行交叉控制调整；

D4、将调整切换参数之后的各个节点的基本属性存储在各个节点的信息存储模块中，并进行更新。

6.根据权利要求1所述的一种LTE-A异构网络中一种联合优化MLB与MRO的方法，其特征在于，步骤104和步骤105中的移动负载均衡的操作步骤具体包括：

E1、获得各个节点的负载均衡状态之后，对节点下的用户进行遍历；

E2、检测负载均衡域内其他低负载节点提供给各个用户的RSRP值以及低负载节点当前的负载值；

E3、将低负载节点提供的RSRP与服务基站提供的RSRP进行比较，判断用户是否执行切换操作，如果执行，则选择低负载且提供给用户最大的RSRP的节点作为用户切换的目标节点；

E4、根据获得目标节点，对用户执行切换操作。

7.根据权利要求1所述的一种LTE-A异构网络中一种联合优化MLB与MRO的方法，其特征在于，所述移动鲁棒性增强操作具体包括：

对系统中所有用户进行遍历，获取用户服务节点切换失败率、ping-pong切换率等信息；

根据获得的用户切换信息，对小区之间的切换偏移量进行调整。

8.根据权利要求7所述的一种LTE-A异构网络中一种联合优化MLB与MRO的方法，其特征在于，自适应调整参数包括：

步骤901、统计所有节点的切换失败率HFO、ping-pong切换率HPP以及用户掉话率CDR；步骤902、在移动性优化过程中，建立移动性优化函数进行参数调整ω₁表示切换失败率影响因子，ω₂表示ping-pong切换率影响因子，ω₃表示用户掉话率的影响因子，W_mro表示切换性能反馈指标。