CN105050132B - 小区极值吞吐量的估计方法 - Google Patents
小区极值吞吐量的估计方法 Download PDFInfo
- Publication number
- CN105050132B CN105050132B CN201510487092.5A CN201510487092A CN105050132B CN 105050132 B CN105050132 B CN 105050132B CN 201510487092 A CN201510487092 A CN 201510487092A CN 105050132 B CN105050132 B CN 105050132B
- Authority
- CN
- China
- Prior art keywords
- service quality
- quality metrics
- cell
- data
- handling capacity
- 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
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/06—Testing, supervising or monitoring using simulated traffic
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种小区极值吞吐量的估计方法,属于移动通信技术领域,解决了现有技术难以准确估计小区的极值吞吐量的技术问题。该方法包括:数据采集步骤:在预先设定的性能连续测量时间内,以一定的采样时间间隔,从各小区采集网络配置参数和性能测量数据,获得数据样本集,并定义服务质量指标以标识各种多媒体分组数据业务的质量类别;训练步骤:以定义好的各服务质量指标作为目标属性,利用数据样本集训练最小二乘支持向量机回归模型;预测步骤:根据各小区的性能测量数据,利用训练好的最小二乘支持向量机回归模型,对各服务质量指标进行预测,获得满足最严格服务质量指标的吞吐量,作为各小区极值吞吐量的估计值。
Description
技术领域
本发明涉及移动通信技术领域,具体的说,涉及一种小区极值吞吐量的估计方法。
背景技术
随着语音、数据、视频等业务的传输需求越来越大,移动通信网络中的吞吐量变得越来越复杂,这也使得移动通信网络逐渐从原来的单一业务类型转变为多媒体业务类型。在移动通信网络规划和建设中,网络管理人员常常需要通过评估未来网络的传输需求和即将建设的网络吞吐量承载能力来提前获知吞吐量瓶颈,从而能够进行更加高效的网络建设,节省建设成本。然而,由于多媒体分组数据业务移动通信网络中小区极值吞吐量的难以预测,网络管理人员必须经常修改网络规划方案来保证小区通信的服务质量(Quality ofService,简称QoS)。
在大部分通信网络建设中,评估无线接入网络的极值吞吐量往往是工作的第一步,极值吞吐量是指在满足特定服务质量指标约束条件下的最大传输量。当网络的传输需求超过极值吞吐量时,通信服务质量就会下降到难以接受的程度。因此,在通信网络中,较为准确的极值吞吐量估计方法是非常重要的,它能够在满足特定服务质量指标约束条件的前提下,最大程度减小网络建设成本。在单一业务蜂窝移动通信系统中,估计极值吞吐量相对简单;然而,在多媒体业务蜂窝移动通信系统中,由于不同业务使用不同的无线资源和服务质量指标,极值吞吐量估计任务变得比较困难。一种健壮的小区极值吞吐量估计方法必须保证通信系统中所有业务的服务质量。
为了解决小区极值吞吐量估计问题,有人提出一些理论方法用于全球移动通讯系统(Global System of Mobile communication,简称GSM)、通用移动通信系统(UniversalMobile Telecommunications System,简称UMTS)、长期演进(Long Term Evolution,简称LTE)等不同的无线接入网中,这些理论方法依赖于对某些实际情况的简化。然而,实际小区的吞吐量取决于很多难以预测的因素并且随时间和位置而变化,因此,只有对所有这些复杂情况都加以考虑时才能对极值吞吐量作出恰当的估计。为了处理这种复杂性,也有人通过仿真的方法对小区极值吞吐量进行估计,然而,想要将所有复杂因素都一起考虑进去,利用仿真的方法也是难以做到的。
取而代之地,有人使用网络的测量数据来提高极值吞吐量估计方法的准确性。这种基于测量的方法的优点在于它能够得到各小区的吞吐量等数据,因而能够比较准确地反映小区的实际情况。因此,有人简单地采用线性回归模型估计小区极值吞吐量。然而,这种方法虽然比较简单,但是存在不少问题。首先,这种方法忽略了变量之间的交互效应和非线性的因果关系,变量之间可能出现多重共线性,而通信网络中的测量数据并不能保证满足这些条件;其次,只有在小区忙时采集的测量数据才能更加准确地用于估计小区极值吞吐量,为了保证采集的数据处于小区忙时,只能以减少样本数量作为折衷,此时往往就变成了一个小样本问题。由于这些问题的存在,大大降低了采用线性回归模型估计小区极值吞吐量的准确性。因此,如何准确地估计多媒体业务蜂窝移动通信系统中单小区的极值吞吐量,就成为了亟待解决的问题。
发明内容
本发明的目的在于提供一种小区极值吞吐量的估计方法,以解决现有技术难以准确估计小区的极值吞吐量的技术问题。
本发明提供一种小区极值吞吐量的估计方法,包括:
数据采集步骤:在预先设定的性能连续测量时间内,以一定的采样时间间隔,从各小区采集网络配置参数和性能测量数据,获得数据样本集,并定义服务质量指标以标识各种多媒体分组数据业务的质量类别;
训练步骤:以定义好的各服务质量指标作为目标属性,利用数据样本集训练最小二乘支持向量机回归模型;
预测步骤:根据各小区的性能测量数据,利用训练好的最小二乘支持向量机回归模型,对各服务质量指标进行预测,获得满足最严格服务质量指标的吞吐量,作为各小区极值吞吐量的估计值。
进一步的是,所述数据采集步骤具体包括:
选择网络配置参数和性能测量指标,作为小区极值吞吐量估计模型的输入输出参数;
设定性能连续测量时间,以小时作为采样时间间隔,从各小区采集网络配置参数和性能测量数据,获得初始数据样本集;
从所述初始数据样本集中,选取时隙利用率大于预设值的样本数据,作为数据样本集;
根据业务质量类别,定义服务质量指标以标识各种多媒体数据业务。
优选的是,所述时隙利用率的预设值为60%。
进一步的是,所述训练步骤具体包括:
以服务质量指标作为目标属性,以服务质量指标以外的其他参数作为输入数据,确定训练样本集;
建立最小二乘支持向量机回归模型;
利用粒子群方法对最小二乘支持向量机回归模型的正则化参数和核宽度参数进行优化求解,并将结果代回最小二乘支持向量机回归模型;
利用训练样本集,训练最小二乘支持向量机回归模型,得到最小二乘支持向量机回归模型的回归函数。
其中,所述利用粒子群方法对最小二乘支持向量机回归模型的正则化参数和核宽度参数进行优化求解,具体包括:
将正则化参数和核宽度参数进行归一化;
将正则化参数和核宽度映射成粒子群;
定义适应度函数,并初始化粒子的速度和位置,以及最大迭代次数、速度限制值、粒子数量、加速常数、惯性权重、迭代次数;
初始化每个粒子之前走过的所有最优路径的向量,和所有粒子走过的最优路径;
进行迭代,并将迭代次数的值+1;
对于每个粒子,训练最小二乘支持向量机回归模型,并利用均方差评估适应度函数值;
根据适应度函数值,更新粒子之前走过的所有最优路径的向量;
更新粒子的速度和位置;
更新所有粒子走过的最优路径;
判断迭代次数是否达到最大迭代次数,如果没达到则重新进行迭代;
如果迭代次数达到了最大迭代次数,则输出当前的所有粒子走过的最优路径对应的正则化参数和核宽度参数。
进一步的是,所述预测步骤具体包括:
对于每个小区,将性能连续测量时间内采集到的网络配置参数和性能测量数据取平均值,作为模型候选数据;
设置服务质量指标的预设范围,即设置服务质量指标的软边界和硬边界;
从模型候选数据去除服务质量指标,并将剩余参数作为输入数据;
将输入数据输入最小二乘支持向量机回归模型中,得到服务质量指标的预测值;
判断预测值是否在预设范围以内;
如果不在,则使用二倍缩放法确定小区极值吞吐量的估计值;
如果在,则将此时输入的吞吐量作为小区极值吞吐量的估计值。
其中,所述二倍缩放法具体包括:
步骤1,设置初始缩放率r=2,Cmid为最小二乘支持向量机回归模型的输入吞吐量;
步骤2,判断各个服务质量指标的预测值是否满足预设条件,所述预设条件为,各个服务质量指标的预测值都不超过硬边界,且至少一个服务质量指标的预测值达到软边界;如果满足,则进行步骤10,否则进行步骤3;
步骤3,判断是否有服务质量指标的预测值超过硬边界;如果没有则进行步骤4,如果有则进行步骤5;
步骤4,循环执行Cmid=Cmid×r并更新各个服务质量指标的预测值,直至任一服务质量指标的预测值达到软边界,然后进行步骤6;
步骤5,循环执行Cmid=Cmid/r并更新各个服务质量指标的预测值,直至各个服务质量指标的预测值都不超过硬边界,然后进行步骤7;
步骤6,设置Cleft=Cmid/r,Cright=Cmid,并进行步骤8;
步骤7,设置Cleft=Cmid,Cright=Cmid×r,并进行步骤8;
步骤8,执行Cmid=(Cleft+Cright)/2,并更新各个服务质量指标的预测值,然后判断各个服务质量指标的预测值是否满足预设条件;如果满足,则进行步骤10,否则进行步骤9;
步骤9,判断是否有服务质量指标的预测值超过硬边界;如果有则设置Cright=Cmid,如果没有则设置Cleft=Cmid,然后返回步骤8;
步骤10,将当前的Cmid作为小区极值吞吐量的估计值。
本发明带来了以下有益效果:本发明提供的小区极值吞吐量的估计方法中,首先根据业务质量类别定义了服务质量指标以标识各种多媒体数据业务,然后基于小区测量数据,训练出最小二乘支持向量机回归模型,并对各服务质量指标分别进行预测,最后选择满足最严格服务质量指标的吞吐量,作为小区极值吞吐量的估计值。与传统理论推导和仿真方法相比,本发明提供的估计方法将数据挖掘领域的方法有效应用到了多媒体业务蜂窝移动通信系统中小区极值吞吐量的估计中,考虑了现网实际环境情况,因此所获得的估计结果更加具有准确性,从而解决了现有技术难以准确估计小区的极值吞吐量的技术问题。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分的从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚的说明本发明实施例中的技术方案,下面将对实施例描述中所需要的附图做简单的介绍:
图1是本发明实施例提供的小区极值吞吐量的估计方法的流程图;
图2是本发明实施例中数据采集步骤的详细流程图;
图3是本发明实施例中训练步骤的详细流程图;
图4是训练步骤中粒子群方法的详细流程图;
图5是本发明实施例中预测步骤的详细流程图;
图6是预测步骤中二倍缩放法的详细流程图。
具体实施方式
以下将结合附图及实施例来详细说明本发明的实施方式,借此对本发明如何应用技术手段来解决技术问题,并达成技术效果的实现过程能充分理解并据以实施。需要说明的是,只要不构成冲突,本发明中的各个实施例以及各实施例中的各个特征可以相互结合,所形成的技术方案均在本发明的保护范围之内。
如图1所示,本发明实施例提供一种小区极值吞吐量的估计方法,包括:
S1数据采集步骤:在预先设定的性能连续测量时间内,以一定的采样时间间隔,从各小区采集网络配置参数和性能测量数据,获得数据样本集,并定义服务质量指标以标识各种多媒体分组数据业务的质量类别。
S2训练步骤:以定义好的各服务质量指标作为目标属性,利用数据样本集训练最小二乘支持向量机回归模型。
S3预测步骤:根据各小区的性能测量数据,利用训练好的最小二乘支持向量机回归模型,对各服务质量指标进行预测,获得满足最严格服务质量指标的吞吐量,作为各小区极值吞吐量的估计值。
本发明实施例提供的小区极值吞吐量的估计方法中,首先根据业务质量类别定义了服务质量指标以标识各种多媒体数据业务,然后基于小区测量数据,训练出最小二乘支持向量机回归模型,并对各服务质量指标分别进行预测,最后选择满足最严格服务质量指标的吞吐量,作为小区极值吞吐量的估计值。与传统理论推导和仿真方法相比,本发明实施例提供的估计方法将数据挖掘领域的方法有效应用到了多媒体业务蜂窝移动通信系统中小区极值吞吐量的估计中,考虑了现网实际环境情况,因此所获得的估计结果更加具有准确性,从而解决了现有技术难以准确估计小区的极值吞吐量的技术问题。
下面描述本发明的一个具体实施例。本实施例中的多媒体业务蜂窝移动通信系统中包含600个小区,该系统使用两个频段,一个载频点在700MHz,10MHz带宽,另一个载频点在2100MHz,5MHz带宽,该系统中的基站拥有2个发射天线,具有两种传输模式。多媒体业务蜂窝移动通信系统中网络配置了两个业务质量类别(QoS Class Identifier,简称QCI),QCI 1用于语音通信业务,QCI 8用于基于传输控制协议(Transmission ControlProtocol,简称TCP)的数据传输业务。具体的操作步骤如下:
S1数据采集步骤:在预先设定的性能连续测量时间内,以一定的采样时间间隔,从各小区采集网络配置参数和性能测量数据,获得数据样本集,并定义服务质量指标以标识各种多媒体分组数据业务的质量类别。
如图2所示,数据采集步骤具体包括:
S101:选择网络配置参数和性能测量指标,作为小区极值吞吐量估计模型的输入输出参数。根据经验,选择多媒体业务蜂窝移动通信系统的网络配置参数和性能测量指标,本实施例中选定的参数和指标如下表:
S102:设定性能连续测量时间,以小时作为采样时间间隔,从各小区采集网络配置参数和性能测量数据,获得初始数据样本集。
本实施例在连续6天的时间内,每隔1小时分别从各小区采集上表的数据,最终得到的数据样本数量为24×6×600=86400个。
S103:从初始数据样本集中,选取时隙利用率大于预设值的样本数据,作为数据样本集。作为一个优选方案,时隙利用率的预设值为60%。
本步骤是对初始数据样本集中的数据进行过滤的过程,只选取小区忙时的数据,即从数据样本集中剔除时隙利用率小于60%的数据。小区极值吞吐量是每个时隙(Time-to-Interval,简称TTI)都被占满时的小区平均吞吐量,只有当时隙利用率(TTIUtilization Ratio)等于1时,所获得的小区吞吐量才能当作小区极值吞吐量。因此,为了保证小区极值吞吐量估计的准确性和可靠性,本实施例中只选取时隙利用率大于60%的样本数据,最终选取了4102个样本数据,作为数据样本集。
S104:根据业务质量类别,定义服务质量指标以标识各种多媒体数据业务。
本实施例中的多媒体分组数据移动通信网络配置了两个业务质量类别,其中,QCI1用于语音通信服务,通信量大约3.80%;QCI 8用于基于TCP的数据传输服务,通信量大约96.20%。因此,本实施例将QCI 1作为延迟敏感服务,选择VoLTESatisfUsRatio作为其服务质量指标;将QCI 8作为吞吐量敏感服务,选择作为其服务质量指标。
本实施例中,首先选择网络配置参数和性能测量指标,作为小区极值吞吐量估计模型的输入输出参数;然后设定总的性能连续测量时间,以小时作为采样时间间隔,从各小区采集网络配置参数和性能测量数据,作为初始数据样本集;最后对数据进行过滤,只选取小区忙时数据,即从数据样本集中剔除时隙利用率参数小于60%的数据,保证了结果的准确性。
S2训练步骤:以定义好的各服务质量指标作为目标属性,利用数据样本集训练最小二乘支持向量机回归模型。
如图3所示,因为本实施例中定义了2个目标属性,所以也需要训练2个最小二乘支持向量机回归模型。因此先设置最小二乘支持向量机回归模型的数量Neq=2,并以循环训练的方式分别训练2个目标属性相应的最小二乘支持向量机回归模型。其中,以Neq=2作为循环训练次数的上限,T代表当前训练次数,并且初始的T=0。
训练步骤具体包括:
S201:以服务质量指标作为目标属性,以服务质量指标以外的其他参数作为输入数据,确定训练样本集D={(xi,yi)|i=1,2,...,n}。
其中,xi为输入数据,在本实施例中即为样本剔除yi之后的剩余参数;服务质量指标yi作为该模型的预测值。
S202:建立最小二乘支持向量机回归模型。
在特征空间中,线性估计函数定义为:
y=f(x,w)=wTφ(x)+b
其中,w为权重,b为偏置项。
最小二乘支持向量机回归的优化目标可表示为:
s.t.yi=wTφ(xi)+b+ξi i=1,...,N
其中,w为权向量,φ(·)为非线性映射函数,ξ为松弛因子,b为偏置项,C>0为惩罚因子。
引入拉格朗日乘子αi,得出拉格朗日函数为:
根据KKT(Karush-Kuhn-Tucker)条件可得到:
可得到最小二乘支持向量机回归的回归函数模型为:
本实施例采用具有较好泛化能力的径向基核作为核函数,其表达式为:
K(xi,xj)=φ(xi)φ(xj)=exp(-||xi-xj||/2δ2)
其中,正则化参数C和核宽度δ是最小二乘支持向量机回归的两个重要参数。
S203:利用粒子群方法对最小二乘支持向量机回归模型的超参数,即正则化参数和核宽度参数进行优化求解,并将结果代回最小二乘支持向量机回归模型。
粒子群方法的每个粒子代表着在d-维搜索空间中该问题的一个潜在解决方法,并且保存着一个记录之前走过的所有最优路径的向量pbest;而所有粒子走过的最优路径则记录为gbest。如图4所示,粒子群方法具体包括:
S203a:将正则化参数C和核宽度δ进行归一化。
将正则化参数C和核宽度δ进行归一化处理,即将它们的范围限制在[0,1]区间之内。
S203b:将正则化参数C和核宽度δ映射成粒子群。
S203c:定义适应度函数为均方差其中yp是估计值,yi是实际值。初始化粒子的速度和位置,以及最大迭代次数MAXDT、速度限制值vmax、粒子数量K、加速常数c1和c2、惯性权重w、迭代次数t=0。本实施例中取c1=2.0和c2=2.0,wmax=0.9,wmin=0.4。
S203d:初始化每个粒子之前走过的所有最优路径的向量pbest=0,和所有粒子走过的最优路径gbest=0。
S203e:进行迭代,并将迭代次数的值+1,即t=t+1。
S203f:对于每个粒子,训练最小二乘支持向量机回归模型,并利用MSE评估适应度函数值。
S203g:根据适应度函数值,更新粒子之前走过的所有最优路径的向量pbest。
本实施例中,根据下式更新粒子之前走过的所有最优路径的向量pbest。
其中,表示第i个粒子在第t次迭代时的pbest值,表示第i个粒子在第t次迭代时的位置,表示第i个粒子在第t次迭代时训练最小二乘支持向量机回归模型所得到的适应度函数值。
S203h:更新粒子的速度v和位置x。
根据下式更新粒子的速度v和位置x。
其中vi∈[-vmax,vmax]
其中,表示第i个粒子在第t次迭代时的速度,表示第i个粒子在第t次迭代时的位置。
S203i:更新所有粒子走过的最优路径gbest。
根据下式更新所有粒子走过的最优路径gbest。
且i=1,2,...,k。
S203j:判断迭代次数t是否达到最大迭代次数MAXDT。
如果迭代次数t没达到最大迭代次数MAXDT,则返回步骤S203e,重新进行迭代。
如果迭代次数t达到了最大迭代次数MAXDT,则输出当前的所有粒子走过的最优路径gbest对应的正则化参数C和核宽度δ。
S204:利用训练样本集,训练最小二乘支持向量机回归模型,得到最小二乘支持向量机回归模型的回归函数。
本实施例中,以QCI 1选定的服务质量指标VoLTESatisfUsRatio作为模型输出目标yi,以剩余参数作为模型输入参数xi,利用采集到的4102个样本数据D={(xi,yi)|i=1,2,...,n}训练最小二乘支持向量机回归模型,确定模型各个参数。同理,对于QCI 8选定的服务质量指标也可训练出对应的最小二乘支持向量机回归模型。最终,得到Neq=2个模型:
其中,表示在QCI I类别选定的第J个服务质量指标,K(I,J)和b(I,J)分别对应以在QCI I类别选定的第J个服务质量指标为输出目标的最小二乘支持向量机回归模型的参数,n是总的样本数量即n=4102。
以定义好的各服务质量指标作为目标属性,利用测量得到的数据样本集,训练最小二乘支持向量机回归模型,该模型采用径向基核函数,并利用粒子群方法对模型中的正则化参数和核宽度参数进行优化求解。
本发明实施例中,针对蜂窝移动通信系统支撑多媒体分组数据业务需求,建立了以各服务质量指标作为目标属性的最小二乘支持向量机回归模型。与现有的线性回归方法相比,避免了自变量之间的交互效应和多重共线性等问题。同时,本发明实施例提供的估计方法适合处理具有非线性因果关系和小样本的问题,因此,本发明实施例提供的估计方法方法不仅更具准确性,而且更具普适性。
S3预测步骤:根据各小区的性能测量数据,利用训练好的最小二乘支持向量机回归模型,对各服务质量指标进行预测,获得满足最严格服务质量指标的吞吐量,作为各小区极值吞吐量的估计值。
如图5所示,预测步骤具体包括:
S301:对于每个小区,将性能连续测量时间内采集到的网络配置参数和性能测量数据取平均值,作为模型候选数据。
本实施例中,根据数据采集步骤所确定的网络配置参数和性能测量指标,对小区
Ci在连续6天的时间内所采集的测量数据取平均,作为该小区的模型候选数据将此时的吞吐量作为的一个列属性
更新
因为本实施例中定义了2个目标属性,所以也需要对2个服务质量指标进行预测。因此先设置最小二乘支持向量机回归模型的数量Neq=2,并以循环的方式得出2个服务质量指标的预测值。其中,以Neq=2作为循环次数的上限,T代表当前训练次数,并且初始的T=0。
S302:设置服务质量指标的预设范围,即设置服务质量指标的软边界和硬边界。
本实施例中,该多媒体业务蜂窝移动通信系统配置了两个QCI等级,QCI 1用于语
音通信服务,QCI 8用于基于TCP协议的数据传输服务。对于QCI 1,本实施例设置其服务质
量指标VoLTESatisfUsRatio的阈值硬边界为80ms,阈值软边界为70ms,即最后估计的小区
极值吞吐量必须使得70ms<VoLTESatisfUsRatio<80ms成立;同理,对于QCI 8,本实施例设
置其服务质量指标的阈值硬边界为12Mbps,阈值软边界为14Mbps,即最后估计的小区
极值吞吐量必须使得
S303:从模型候选数据去除服务质量指标,并将剩余参数作为输入数据。
本实施例中,对于QCI 1,从中剔除掉VoLTESatisfUsRatio属性之后,剩余属性
作为的输入,得到VoLTESatisfUsRatio指标的预测值对
于QCI 8,从中剔除掉属性之后,剩余属性作为
的输入,得到指标的预测值
S304:将输入数据输入最小二乘支持向量机回归模型中,得到服务质量指标的预测值。
S305:判断预测值是否在预设范围以内,即VoLTESatisfUsRatio和的预测值是否都在软边界与硬边界以内。
如果在,则将此时输入的吞吐量作为小区极值吞吐量的估计值。如果不在,则进行步骤S306。
S306:使用二倍缩放法确定小区极值吞吐量的估计值。
如图6所示,二倍缩放法具体包括:
S306a:设置初始缩放率r=2,Cmid为最小二乘支持向量机回归模型的输入吞吐量。
S306b:判断各个服务质量指标的预测值是否满足预设条件,所述预设条件为,各个服务质量指标的预测值都不超过硬边界,且至少一个服务质量指标的预测值达到软边界。如果满足,则进行步骤S306j,否则进行步骤S306c。
S306c:判断是否有服务质量指标的预测值超过硬边界。如果没有则表示各个服务质量指标的预测值都没有达到软边界,进行步骤S306d;如果有则进行步骤S306e。
S306d:循环执行Cmid=Cmid×r并更新各个服务质量指标的预测值,直至任一服务质量指标的预测值达到软边界,然后进行步骤S306f。
S306e:循环执行Cmid=Cmid/r并更新各个服务质量指标的预测值,直至各个服务质量指标的预测值都不超过硬边界,然后进行步骤S306g。
S306f:设置Cleft=Cmid/r,Cright=Cmid,并进行步骤S306h。
S306g:设置Cleft=Cmid,Cright=Cmid×r,并进行步骤S306h。
S306h:执行Cmid=(Cleft+Cright)/2,并更新各个服务质量指标的预测值,然后判断各个服务质量指标的预测值是否满足预设条件。如果满足,则进行步骤S306j,否则进行步骤S306i。
S306i:判断是否有服务质量指标的预测值超过硬边界。如果有则设置Cright=Cmid,如果没有则表示各个服务质量指标的预测值都没有达到软边界,设置Cleft=Cmid,然后返回步骤S306h。
S306j:将当前的Cmid作为小区极值吞吐量的估计值。
本实施例中,选择ActiveUE_DL作为小区极值吞吐量的度量指标。
对于QCI 1的服务质量指标VoLTESatisfUsRatio:根据其最小二乘支持向量机回
归模型从中剔除VoLTESatisfUsRatio参数,剩余参数
作为该模型的输入参数。
对于QCI 8的服务质量指标根据其最小二乘支持向量机回归模型从中剔除参数,剩余参数作为该模型的输入参
数。
然后,控制输入参数中除ActiveUE_DL之外的其他参数不变,利用二倍缩放法寻找使得各服务质量指标VoLTESatisfUsRatio和满足预设范围的ActiveUE_DL最大值,作为小区极值吞吐量的估计值。本实施例利用二倍缩放法寻找小区极值吞吐量的过程如下表所示:
其中,条件1指服务质量指标的预测值没达到阈值的软边界;条件2指服务质量指标的预测值满足预设条件;条件3指服务质量指标的预测值超出了阈值的硬边界。符号“*”表示满足,符号“-”表示不满足。
本实施例选择ActiveUE_DL作为小区极值吞吐量的度量,最终该小区极值吞吐量的估计值为4.14。
本发明实施例中,采用控制变量法和比较反馈法确定小区极值吞吐量:在训练好最小二乘支持向量机回归模型之后,根据控制变量法和比较反馈法的思想,在保持模型的其他输入不变的前提下,不断调整吞吐量,直到各服务质量指标的预测值是否都达到预设范围,将此时模型的吞吐量,作为小区极值吞吐量的估计值。因此,本发明实施例保证了小区极值吞吐量的估计值能够满足所有服务质量指标的要求。同时,本发明实施例为控制变量法和比较反馈法的应用提供了参考案例。
此外,本发明实施例中还设计了二倍缩放法,用于确定小区极值吞吐量的估计值。通过二倍缩放吞吐量的数值,不断缩小搜寻范围,使得模型的预测值逐渐收敛于各服务质量指标的阈值,最终确定小区极值吞吐量的估计值。因此,本发明实施例提供的估计方法,适用于在输入相同但输出不同的多个模型中,寻找使得所有模型输出满足特定条件的某个输入值。
虽然本发明所公开的实施方式如上,但所述的内容只是为了便于理解本发明而采用的实施方式,并非用以限定本发明。任何本发明所属技术领域内的技术人员,在不脱离本发明所公开的精神和范围的前提下,可以在实施的形式上及细节上作任何的修改与变化,但本发明的专利保护范围,仍须以所附的权利要求书所界定的范围为准。
Claims (6)
1.一种小区极值吞吐量的估计方法,其特征在于,包括:
数据采集步骤:在预先设定的性能连续测量时间内,以一定的采样时间间隔,从各小区采集网络配置参数和性能测量数据,获得数据样本集,并定义服务质量指标以标识各种多媒体分组数据业务的质量类别;
训练步骤:以定义好的各服务质量指标作为目标属性,利用数据样本集训练最小二乘支持向量机回归模型;
预测步骤:根据各小区的性能测量数据,利用训练好的最小二乘支持向量机回归模型,对各服务质量指标进行预测,获得满足最严格服务质量指标的吞吐量,作为各小区极值吞吐量的估计值;
其中,所述训练步骤具体包括:
以服务质量指标作为目标属性,以服务质量指标以外的其他参数作为输入数据,确定训练样本集;
建立最小二乘支持向量机回归模型;
利用粒子群方法对最小二乘支持向量机回归模型的正则化参数和核宽度参数进行优化求解,并将结果代回最小二乘支持向量机回归模型;
利用训练样本集,训练最小二乘支持向量机回归模型,得到最小二乘支持向量机回归模型的回归函数。
2.根据权利要求1所述的方法,其特征在于,所述数据采集步骤具体包括:
选择网络配置参数和性能测量指标,作为小区极值吞吐量估计模型的输入输出参数;
设定性能连续测量时间,以小时作为采样时间间隔,从各小区采集网络配置参数和性能测量数据,获得初始数据样本集;
从所述初始数据样本集中,选取时隙利用率大于预设值的样本数据,作为数据样本集;
根据业务质量类别,定义服务质量指标以标识各种多媒体数据业务。
3.根据权利要求2所述的方法,其特征在于,所述时隙利用率的预设值为60%。
4.根据权利要求1所述的方法,其特征在于,所述利用粒子群方法对最小二乘支持向量机回归模型的正则化参数和核宽度参数进行优化求解,具体包括:
将正则化参数和核宽度参数进行归一化;
将正则化参数和核宽度映射成粒子群;
定义适应度函数,并初始化粒子的速度和位置,以及最大迭代次数、速度限制值、粒子数量、加速常数、惯性权重、迭代次数;
初始化每个粒子之前走过的所有最优路径的向量,和所有粒子走过的最优路径;
进行迭代,并将迭代次数的值+1;
对于每个粒子,训练最小二乘支持向量机回归模型,并利用均方差评估适应度函数值;
根据适应度函数值,更新粒子之前走过的所有最优路径的向量;
更新粒子的速度和位置;
更新所有粒子走过的最优路径;
判断迭代次数是否达到最大迭代次数,如果没达到则重新进行迭代;
如果迭代次数达到了最大迭代次数,则输出当前的所有粒子走过的最优路径对应的正则化参数和核宽度参数。
5.根据权利要求1所述的方法,其特征在于,所述预测步骤具体包括:
对于每个小区,将性能连续测量时间内采集到的网络配置参数和性能测量数据取平均值,作为模型候选数据;
设置服务质量指标的预设范围,即设置服务质量指标的软边界和硬边界;
从模型候选数据去除服务质量指标,并将剩余参数作为输入数据;
将输入数据输入最小二乘支持向量机回归模型中,得到服务质量指标的预测值;
判断预测值是否在预设范围以内;
如果不在,则使用二倍缩放法确定小区极值吞吐量的估计值;
如果在,则将此时输入的吞吐量作为小区极值吞吐量的估计值。
6.根据权利要求5所述的方法,其特征在于,所述二倍缩放法,具体包括:
步骤1,设置初始缩放率r=2,Cmid为最小二乘支持向量机回归模型的输入吞吐量;
步骤2,判断各个服务质量指标的预测值是否满足预设条件,所述预设条件为,各个服务质量指标的预测值都不超过硬边界,且至少一个服务质量指标的预测值达到软边界;如果满足,则进行步骤10,否则进行步骤3;
步骤3,判断是否有服务质量指标的预测值超过硬边界;如果没有则进行步骤4,如果有则进行步骤5;
步骤4,循环执行Cmid=Cmid×r并更新各个服务质量指标的预测值,直至任一服务质量指标的预测值达到软边界,然后进行步骤6;
步骤5,循环执行Cmid=Cmid/r并更新各个服务质量指标的预测值,直至各个服务质量指标的预测值都不超过硬边界,然后进行步骤7;
步骤6,设置Cleft=Cmid/r,Cright=Cmid,并进行步骤8;
步骤7,设置Cleft=Cmid,Cright=Cmid×r,并进行步骤8;
步骤8,执行Cmid=(Cleft+Cright)/2,并更新各个服务质量指标的预测值,然后判断各个服务质量指标的预测值是否满足预设条件;如果满足,则进行步骤10,否则进行步骤9;
步骤9,判断是否有服务质量指标的预测值超过硬边界;如果有则设置Cright=Cmid,如果没有则设置Cleft=Cmid,然后返回步骤8;
步骤10,将当前的Cmid作为小区极值吞吐量的估计值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510487092.5A CN105050132B (zh) | 2015-08-10 | 2015-08-10 | 小区极值吞吐量的估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510487092.5A CN105050132B (zh) | 2015-08-10 | 2015-08-10 | 小区极值吞吐量的估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105050132A CN105050132A (zh) | 2015-11-11 |
CN105050132B true CN105050132B (zh) | 2018-10-19 |
Family
ID=54456232
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510487092.5A Active CN105050132B (zh) | 2015-08-10 | 2015-08-10 | 小区极值吞吐量的估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105050132B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108471362B (zh) * | 2018-03-30 | 2019-07-09 | 北京三快在线科技有限公司 | 资源分配预测方法和装置 |
CN109241430A (zh) * | 2018-09-06 | 2019-01-18 | 国家计算机网络与信息安全管理中心 | 一种互联网多源异质数据融合的选举预测方法 |
CN109359385B (zh) * | 2018-10-17 | 2021-11-23 | 网宿科技股份有限公司 | 一种服务质量评估模型的训练方法及装置 |
CN111385814B (zh) * | 2018-12-27 | 2023-07-18 | 中国移动通信集团辽宁有限公司 | 小区网络负荷的评估方法、装置、设备及介质 |
CN112188505B (zh) * | 2019-07-02 | 2024-05-10 | 中兴通讯股份有限公司 | 一种网络优化方法和装置 |
CN111309572B (zh) * | 2020-02-13 | 2021-05-04 | 上海复深蓝软件股份有限公司 | 测试分析方法、装置、计算机设备及存储介质 |
CN113887771A (zh) * | 2020-07-02 | 2022-01-04 | 上海顺如丰来技术有限公司 | 服务水平优化方法、装置、计算机设备和存储介质 |
CN115204064B (zh) * | 2022-09-19 | 2022-12-02 | 中国石油大学(华东) | 一种页岩油开采中注气吞吐参数优化方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2002025452A2 (fr) * | 2000-09-25 | 2002-03-28 | France Telecom | Procede et dispositif de prediction de trafic avec un reseau de neurones |
CN101867960A (zh) * | 2010-06-08 | 2010-10-20 | 江苏大学 | 一种无线传感器网络性能综合评价方法 |
CN102065449A (zh) * | 2010-12-13 | 2011-05-18 | 哈尔滨工业大学 | 一种基于聚类ls-svm的移动通信话务量预测方法 |
CN102137023A (zh) * | 2011-04-14 | 2011-07-27 | 中国人民解放军空军工程大学 | 基于可用带宽预测的组播拥塞控制方法 |
CN104022807A (zh) * | 2014-06-27 | 2014-09-03 | 重庆邮电大学 | 一种协作通信中协作建立的判断方法 |
-
2015
- 2015-08-10 CN CN201510487092.5A patent/CN105050132B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2002025452A2 (fr) * | 2000-09-25 | 2002-03-28 | France Telecom | Procede et dispositif de prediction de trafic avec un reseau de neurones |
CN101867960A (zh) * | 2010-06-08 | 2010-10-20 | 江苏大学 | 一种无线传感器网络性能综合评价方法 |
CN102065449A (zh) * | 2010-12-13 | 2011-05-18 | 哈尔滨工业大学 | 一种基于聚类ls-svm的移动通信话务量预测方法 |
CN102137023A (zh) * | 2011-04-14 | 2011-07-27 | 中国人民解放军空军工程大学 | 基于可用带宽预测的组播拥塞控制方法 |
CN104022807A (zh) * | 2014-06-27 | 2014-09-03 | 重庆邮电大学 | 一种协作通信中协作建立的判断方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105050132A (zh) | 2015-11-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105050132B (zh) | 小区极值吞吐量的估计方法 | |
Kibria et al. | Big data analytics, machine learning, and artificial intelligence in next-generation wireless networks | |
Brik et al. | Deep learning for B5G open radio access network: Evolution, survey, case studies, and challenges | |
CN107113635B (zh) | 用于确定小区状态以调整天线配置参数的方法和装置 | |
KR20190043600A (ko) | 인지 네트워크 관리 시스템들에서 인지 기능들을 제공하고 관리를 용이하게 하기 위한 방법 및 장치 | |
Azimi et al. | Applications of machine learning in resource management for RAN-slicing in 5G and beyond networks: A survey | |
Fiandrino et al. | A machine-learning-based framework for optimizing the operation of future networks | |
CN106571947B (zh) | 一种支持复杂多元网络构造的网络元模型实现方法 | |
Zhang et al. | Joint communication and computation resource allocation in fog-based vehicular networks | |
Lei et al. | Learning-based resource allocation: Efficient content delivery enabled by convolutional neural network | |
Huang et al. | ContextFL: Context-aware federated learning by estimating the training and reporting phases of mobile clients | |
Liu et al. | Hastening stream offloading of inference via multi-exit dnns in mobile edge computing | |
Koudouridis et al. | An architecture and performance evaluation framework for artificial intelligence solutions in beyond 5G radio access networks | |
Donatti et al. | Survey on Machine Learning-Enabled Network Slicing: Covering the Entire Life Cycle | |
WO2022038760A1 (ja) | 通信品質を予測する装置、方法及びプログラム | |
CN106413057B (zh) | 一种基于sdwn架构的无线接入网能耗优化方法 | |
WO2024011376A1 (zh) | 人工智能ai网络功能服务的任务调度方法及装置 | |
CN110224861A (zh) | 基于学习的自适应动态异构网络选择策略的实现方法 | |
Li et al. | Big-Data-Driven Intelligent Wireless Network and Use Cases | |
Pu et al. | Federated learning-based heterogeneous load prediction and slicing for 5G systems and beyond | |
Mamadou Mamadou et al. | Survey on decision-making algorithms for network selection in heterogeneous architectures | |
Chen et al. | Foundation model based native AI framework in 6G with cloud-edge-end collaboration | |
Jere et al. | Edge Intelligence for Beyond-5G through Federated Learning | |
Mishra et al. | Neural Network: A Way to Know Consumer Satisfaction During Voice Call | |
Mouawad et al. | User-centric vs network-centric vertical handover algorithms in 5g vehicular 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 |