CN105050170A - 一种异构网络中基于流量预测的基站休眠方法 - Google Patents

Abstract

本发明涉及一种异构网络中基于流量预测的基站休眠方法，针对传统的基站休眠方法基于确定的流量模型设计，无法适应实际中基站负载流量动态变化的缺点，本发明首先利用改进的小波神经网络（Modified？Wavelet？neural？network，MWNN）模型对基站的负载流量进行动态预测，然后根据预测的结果选择在网络非高峰期时，利用微基站（Pico？Base？Stations，PBSs）代替宏基站（Macro？Base？Station，MBS）为用户提供服务。尽管微基站的覆盖范围小于宏基站，但是当用户数量处于非高峰期时，一定数量的微基站的覆盖范围依旧可以保证对用户的服务。而且由于微基站所需的发射功率要远小于宏基站的发射功率，因此该方法可以节省网络能耗，达到绿色通信的目的。

Description

一种异构网络中基于流量预测的基站休眠方法

技术领域

本发明属于无线通信技术领域，涉及一种能够降低无线通信系统能耗的基站休眠方法，更具体的说提出了一种异构网络中基于流量预测的基站休眠方法。

背景技术

随着无线通信技术的快速发展以及用户需求的快速增长，未来的无线通信与网络技术面临着资源和能耗的双重约束。如何设计未来的移动通信网络，有效的利用无线资源成为政府以及学术界普遍关注的热点。

信息和通信技术(InformationandCommunicationTechnology，ICT)产业是能源消耗的大户，占全球能源消耗的2％左右，并且正在迅速增长，预计到2020年将会达到现在的3倍，占到全球碳排放量总数的30％以上。另据统计，在移动通信系统中，网络部分的能耗约占到实际能源消耗的90％，终端部分的能耗仅占10％左右；而在全部的网络能耗中，基站部分的能耗可以占80％左右，核心网部分仅约占20％。由此可见，减少基站能源消耗可以大幅度降低网络能耗，而在网络处于非高峰期时，动态休眠一些基站是一种最直接、最有效的手段。

但在实际中，使一些基站进入休眠或关闭状态可能会导致一些区域的用户无法被服务，这是不允许的。另外，一些传统的基站休眠方法基于确定的流量模型提出，无法适应实际中基站负载流量是动态变化的情况。

发明内容

为了解决上述问题，本发明提供了一种在异构网络中基于流量预测的基站休眠方法。该方法利用改进的小波神经网络模型根据基站流量历史信息，对基站流量进行动态预测，然后根据流量预测结果选择是否休眠宏基站，从而利用微基站对用户进行服务，达到节省网络能耗的目的。

本发明的技术方案为：首先初始化搭建改进的小波神经网络模型，利用采集到的基站流量信息对MWNN模型进行训练，以达到设定的目标预测误差精度，然后利用训练完成的MWNN模型和所需要的历史基站流量信息对未来的基站流量进行预测，选择在非用户高峰期时，休眠宏基站利用微基站提供用户服务。

为实现上述目的，本发明具体包括以下步骤：

(1)收集一个宏小区(宏基站提供用户服务)内一周的基站负载流量数据，并且以小时为间隔，每小时记录一次数据。并且将前六天的数据作为训练数据用来训练构造MWNN模型，后一天的数据作为测试数据，用来测试构建的MWNN模型是否达到目标预测误差精度。

(2)搭建MWNN模型，并且初始化参数设置。所述的参数包括，MWNN模型的输入层神经元数目m，隐含层神经元数目h以及输出层神经元的数目n。其中，MWNN隐含层神经元的小波基函数为Morlet母小波基函数：

式中，x为输入数据X＝[x₁,x₂,…,x_m]^T。MWNN的第j个隐含层神经元输出为

其中，w_ij表示MWNN第i个输入神经元与第j个隐含层神经元之间的连接权值，a_j和b_j分别为第j个Morlet小波基函数的伸缩因子和平移因子。MWNN的第k个输出层神经元预测输出为

其中，v_jk表示第j个隐含层神经元与第k个输出神经元之间的连接权值。

(3)利用训练数据来训练MWNN模型，设定目标预测误差精度为0.01。MWNN模型的预测误差公式表示为

$error=\underset{k=1}{\overset{n}{\Σ}}\left(abs\right(y^{\′}\left(k\right)-y\left(k\right))/y^{\′}(k\left)\right)$

其中y’(k)表示实际数据。在训练过程中，MWNN通过不断调整小波基函数的伸缩因子和平移因子a_j，b_j，以及输入神经元与隐含层神经元之间的连接权值w_ij，隐含层神经元与输出层神经元之间的连接权值v_jk的值，以使error达到设定目标预测误差精度，完成MWNN模型的训练和搭建。

(4)利用测试数据验证训练构造的MWNN模型已达到目标预测精度。

(5)利用MWNN模型以及相应的历史数据采用滚动式预测的方式，即利用x(t-3),x(t-2),x(t-1),x(t)预测x(t+1)，然后用同样的方法预测x(t+2)的方式对宏小区的基站负载流量进行预测，判断宏基站是否处于用户高峰期。

(6)如果此时宏小区处于非高峰期，则将宏基站休眠，利用微基站进行用户服务，以节省能量消耗，达到绿色通信的目的。

在步骤(3)中，MWNN改进了传统的在调整小波基函数的伸缩因子和平移因子a_j和b_j，以及各层神经元之间连接权值w_ij以及v_jk时所采用的梯度下降法，而是在梯度下降法的基础上增加动量调整因子，使得神经网络在调整过程中不仅考虑预测误差在梯度上的影响，而且考虑预测误差在误差表面变化趋势的影响。具体方法为：

$w_{ij}(t+1)=w_{ij}\left(t\right)-u\frac{\∂error}{\∂w_{ij}}+\mathrm{\α}\left(w_{ij}\right(t)-w_{ij}(t-1\left)\right),$

$v_{jk}(t+1)=v_{jk}\left(t\right)-u\frac{\∂error}{\∂v_{jk}}+\mathrm{\α}\left(v_{jk}\right(t)-v_{jk}(t-1\left)\right),$

$a_j(t+1)=a_j\left(t\right)-\mathrm{\η}\frac{\∂error}{\∂a_j}+\mathrm{\α}\left(a_j\right(t)-a_j(t-1\left)\right),$

$b_j(t+1)=b_j\left(t\right)-\mathrm{\η}\frac{\∂error}{\∂b_j}+\mathrm{\α}\left(b_j\right(t)-b_j(t-1\left)\right),$

其中u和η分别表示w_ij，v_jk以及a_j，b_j的学习速率，α∈(0,1)表示动量调整因子。

在步骤(6)中，根据改进的小波神经网络的预测结果，当宏小区处于非高峰期时，宏基站将处于休眠状态，宏小区内用户将选择离自己最近的一个微基站接入，同时设定参数△以判断该用户是否可以接入此微基站

△＝P_max(j)-P_out(j)-P_ol(j)

其中，P_max(j)和P_out(j)分别表示微基站j最大可发射功率和实际发射功率，P_ol(j)表示由于该用户的接入微基站j需要额外增加的发射功率。若△≥0，则该用户可以接入此微基站，如果△<0，则该用户选择离自己第二近的微基站接入，按此方法，直到找到可以接入的微基站为自己提供服务。

本发明的有益效果为：首先将小波神经网络进行改进和优化，提高了小波神经网络的收敛速度，然后利用改进的小波神经网络对基站的流量进行动态预测，最后根据MWNN的预测结果，选择在网络处于非高峰期时，将宏基站休眠利用微基站提供用户服务。解决了传统的基站休眠方法建立在确定的流量模型基础上，无法适应实际中基站负载流量动态变化的缺点，同时降低了网络的能量消耗，达到了绿色通信的目的。

附图说明

图1为基于流量预测的基站休眠方法的多小区系统模型示意图；

图2为本发明的一个实例的流程图；

图3为小波神经网络的拓扑结构示意图；

图4表示改进的小波神经网络在训练过程中预测达到目标预测误差精度的收敛过程仿真图；

图5表示利用改进的小波神经网络对基站流量进行预测的结果与实际流量数据的对比仿真图；

图6表示在非高峰期时，利用微基站代替宏基站提供用户服务时，以及当高峰期时，依旧利用宏基站提供用户服务的功率消耗对比仿真图。

具体实施方式

为了更详细的介绍本发明的技术内容，特举具体实例并配合所附图说明如下。本实例的主要功能是建立达到目标预测精度的MWNN模型，然后利用建立的MWNN模型预测基站的流量数据，选择在非高峰期时，将宏基站休眠而用微基站提供用户服务，以达到节省网络能量消耗的目的。

如图1所示，假设每个宏小区可以分为六个扇区，每个扇区内均匀分布有三个微基站(如宏基站覆盖半径为1800米，微基站覆盖半径为100米，微基站的最大发送功率为0.13W，宏基站的固定消耗功率为100W，微基站的固定消耗功率为6W)。

当小区中用户数或业务量较少时，宏基站将进入休眠状态，利用微基站为用户提供服务，用户选择最近的微基站接入，如果无法接入则选择第二近的微基站接入，按此方法，直到找到可以为其提供服务的微基站。如图2所示，本实例具体包括以下步骤：

第一步，收集一个宏小区(宏基站提供用户服务)内一周的基站负载流量数据，并且以小时为间隔，每小时记录一次数据。并且将前六天的数据作为训练数据用来训练构造MWNN模型，后一天的数据作为测试数据，用来测试构建的MWNN模型是否达到目标预测误差精度。

第二步，搭建MWNN模型，并且初始化参数设置。所述的参数包括，MWNN模型的输入层神经元数目m，在此次实例中我们选取m＝4；隐含层神经元数目h以及输出层神经元的数目n，在此次实例中，我们分别选取h＝9，n＝1。其中，MWNN隐含层神经元的小波基函数为Morlet母小波基函数：

其中，x为输入数据X＝[x₁,x₂,…,x_m]^T。MWNN的第j个隐含层神经元输出为

其中，w_ij表示MWNN第i个输入神经元与第j个隐含层神经元之间的连接权值，a_j和b_j分别为第j个Morlet小波基函数的伸缩因子和平移因子。MWNN的第k个输出层神经元预测输出为

$y\left(k\right)=\underset{j=1}{\overset{h}{\&Sigma;}}{v}_{jk}\mathrm{\&zeta;}\left(j\right),k=1,2,\mathrm{...},n$

其中，v_jk表示第j个隐含层神经元与第k个输出神经元之间的连接权值。

第三步，利用训练数据来训练MWNN模型，设定目标预测误差精度为0.01。MWNN模型的预测误差公式表示为

$error=\underset{k=1}{\overset{n}{\&Sigma;}}\left(abs\right(y^{\&prime;}\left(k\right)-y\left(k\right))/y^{\&prime;}(k\left)\right)$

其中y’(k)表示实际数据。在训练过程中，MWNN通过在梯度下降法的基础上增加动量项的方法不断调整小波基函数的伸缩因子和平移因子a_j，b_j，以及输入神经元与隐含层神经元之间的连接权值w_ij，隐含层神经元与输出层神经元之间的连接权值v_jk的值，以使error达到设定目标预测误差精度，完成MWNN模型的训练和搭建。

第四步，利用测试数据验证训练构造的MWNN模型已达到目标预测精度。

第五步，利用MWNN模型以及相应的历史数据采用滚动式预测的方式，即利用x(t-3),x(t-2),x(t-1),x(t)预测x(t+1)，然后用同样的方法预测x(t+2)的方式对宏小区的基站负载流量进行预测，判断宏基站是否处于用户高峰期。

第六步，如果此时宏小区处于非高峰期，则将宏基站休眠，利用微基站进行用户服务，以节省能量消耗，达到绿色通信的目的。

其中，小波神经网络的拓扑结构如图3所示，其是一种以反向传播(BackPropagation，BP)神经网络拓扑结构为基础，把Morlet小波基函数作为隐含层节点的传递函数，信号前向传播的同时误差反向传播的一种神经网络。它包括三层，分别是输入层，隐含层和输出层。

如图4和图5所示分别为MWNN模型在训练过程中，预测误差达到目标预测精度所用的步数与传统的小波神经网络(Waveletneuralnetwork，WNN)的对比，以及训练完成后MWNN的预测数据与真实数据的对比示意图。从图中可以看出，改进的小波神经网络收敛速度较之改进前更快，而且训练完成的MWNN预测准确性很高。

如图6所示，在MWNN可以进行准确预测流量的前提下，我们可以判断网络处于非高峰期的时间，例如(1:00-9:00和21:00-24:00时间段)，我们可以利用微基站来代替宏基站提供用户服务，从而获得较大的能量节省；而在高峰期时，仍然利用宏基站进行服务。

虽然本发明已以较佳实施例揭露如上，然其并非用以限定本发明。本发明所属技术领域中具有通常知识者，在不脱离本发明的精神和范围内，当可作各种的更动与润饰。因此，本发明的保护范围当视权利要求书所界定者为准。

Claims (3)

1.一种异构网络中基于流量预测的基站休眠方法，其特征是包括如下步骤：

1)收集一个宏小区内一周的基站负载流量数据，以小时为间隔，每小时记录一次数据，并且将前六天的数据作为训练数据用来训练构造改进的小波神经网络MWNN模型，后一天的数据作为测试数据，用来测试构建的MWNN模型是否达到目标预测误差精度，其中，宏基站提供用户服务；

2)搭建MWNN模型，并且初始化参数设置；所述的参数包括，MWNN模型的输入层神经元数目m，隐含层神经元数目h以及输出层神经元的数目n；其中，MWNN隐含层神经元的小波基函数为Morlet母小波基函数：

式中，x为输入数据X＝[x₁,x₂,…,x_m]^T，MWNN的第j个隐含层神经元输出为

其中，w_ij表示MWNN第i个输入神经元与第j个隐含层神经元之间的连接权值，a_j和b_j分别为第j个Morlet小波基函数的伸缩因子和平移因子，MWNN的第k个输出层神经元预测输出为

$y\left(k\right)=\underset{j=1}{\overset{h}{\&Sigma;}}{v}_{jk}\mathrm{\&zeta;}\left(j\right),k=1,2,\mathrm{...},n$

其中，v_jk表示第j个隐含层神经元与第k个输出神经元之间的连接权值；

3)利用训练数据来训练MWNN模型，设定目标预测误差精度为0.01；MWNN模型的预测误差公式表示为

$error=\underset{k=1}{\overset{n}{\&Sigma;}}\left(abs\right(y^{\&prime;}\left(k\right)-y\left(k\right))/y^{\&prime;}\left(k\right))$

其中y’(k)表示实际数据。在训练过程中，MWNN通过不断调整小波基函数的伸缩因子和平移因子a_j，b_j，以及输入神经元与隐含层神经元之间的连接权值w_ij，隐含层神经元与输出层神经元之间的连接权值v_jk的值，以使误差error达到设定目标预测误差精度，完成MWNN模型的训练和搭建；

4)利用测试数据验证训练构造的MWNN模型已达到目标预测精度；

5)利用MWNN模型以及相应的历史数据采用滚动式预测的方式，即利用x(t-3),x(t-2),x(t-1),x(t)预测x(t+1)，然后用同样的方法预测x(t+2)的方式对宏小区的基站负载流量进行预测，判断宏基站是否处于用户高峰期；

6)如果此时宏小区处于非高峰期，则将宏基站休眠，利用微基站进行用户服务。

2.根据权利要求1中所述的基于流量预测的基站休眠方法，其特征在于，在所述步骤3)具体方法为：

$w_{ij}(t+1)=w_{ij}\left(t\right)-u\frac{\&part;error}{\&part;w_{ij}}+\mathrm{\&alpha;}\left(w_{ij}\right(t)-w_{ij}(t-1)),$

$v_{jk}(t+1)=v_{jk}\left(t\right)-u\frac{\&part;error}{\&part;v_{jk}}+\mathrm{\&alpha;}\left(v_{jk}\right(t)-v_{jk}(t-1)),$

$a_j(t+1)=a_j\left(t\right)-\mathrm{\&eta;}\frac{\&part;error}{\&part;a_j}+\mathrm{\&alpha;}\left(a_j\right(t)-a_j(t-1)),$

$b_j(t+1)=b_j\left(t\right)-\mathrm{\&eta;}\frac{\&part;error}{\&part;b_j}+\mathrm{\&alpha;}\left(b_j\right(t)-b_j(t-1)),$

其中u和η分别表示w_ij，v_jk以及a_j，b_j的学习速率，α∈(0,1)表示动量调整因子。

3.根据权利要求1中所述的基于流量预测的基站休眠方法，其特征在于，在所述步骤6)中，当宏小区处于非高峰期时，宏基站将处于休眠状态，宏小区内用户将选择离自己最近的一个微基站接入，同时设定参数Δ以判断该用户是否可以接入此微基站

Δ＝P_max(j)-P_out(j)-P_ol(j)

其中，P_max(j)和P_out(j)分别表示微基站j最大可发射功率和实际发射功率，P_ol(j)表示由于该用户的接入微基站j需要额外增加的发射功率；若Δ≥0，则该用户可以接入此微基站，如果Δ<0，则该用户选择离自己第二近的微基站接入，按此方法，直到找到可以为自己提供服务的微基站。