CN105307183B - 一种建立数据业务模型的方法和装置 - Google Patents

Abstract

本发明实施例提供一种建立数据业务模型的方法和装置，方法包括当用户数不大于第一阈值时，采用第一数据业务模型描述小区吞吐量随着用户数的增加而增加，以及单个用户的吞吐量下降的过程；当用户数上升达到并超过第一阈值时，采用第二数据业务模型描述小区吞吐量下降，以及单个用户的吞吐量下降的过程；根据第一数据业务模型和第二数据业务模型获取用户数和吞吐量之间的最佳关系。采用统计的方式建立数据业务模型，不以马尔科夫过程为基础，而是根据实际测试结果提出模型，同时模型本身的参数α和β可以根据场景进行修正，有更好的适用范围，基于该数据业务模型描述用户数和吞吐量之间的关系，以及预测小区最大吞吐量。

Description

一种建立数据业务模型的方法和装置

技术领域

本发明涉及移动通信技术，特别是指一种建立数据业务模型的方法和装置。

背景技术

现有的业务模型仅适用于电路域模型，如GSM通信系统和TD-SCDMA语音系统。因 为，每个用户独占一个资源，如频点、时隙或者码道，因此采用爱尔兰模型是合理的。现有的 业务模型采用了离散状态的马尔科夫过程，业务模型如图1所示，离散状态马尔科夫过程假 设：电话呼叫流的到来服从Poisson过程，每个呼叫的持续时间服从参数μ的负指数分布。系 统有s条中继线，如果没有空闲的中继线，就拒绝新来的呼叫，并且该呼叫不再进入系统。这 是典型的生灭过程，其达到率和离去率分别是和

根据生灭过程的稳态分布规律k＝1,2,…,s，令根据概 率的归一性可以得到稳定的分布为k＝0，1，2，…，s。

当服务用户数k与服务窗口s相等时，表示发生拥塞，拥塞概率

这是电路域的爱尔兰模型，在使用时首先假定允许的拥塞率B(s，a)，在假定到达率和服务率确定a，最终确定系统的容量s。后续的数据业务采用等效爱尔兰模型：支持的用户数＝(待传数据量/平均速率)(1+允许的误码率)，这种方式本质上还是确定了用户独占资源和允许的误码率后，计算用户数。

现有技术存在如下问题：现有的业务模型并不适用于具有调度机制的资源共享通信系统，现代移动通信的调度机制通常采用正比公平，需要考虑用户待传数据量的大小、历史吞吐量信息以及当前的信噪比(SNR，Signal to Noise Ratio)，这种模式本身不再是马尔科夫过程。

发明内容

本发明要解决的技术问题是提供一种建立数据业务模型的方法和装置，解决现有技术中，有的业务模型并不适用于具有调度机制的资源共享通信系统的缺陷。

为解决上述技术问题，本发明的实施例提供一种建立数据业务模型的方法，方法包括：当用户数不大于第一阈值时，采用第一数据业务模型描述小区吞吐量随着用户数的增加而增加，以及单个用户的吞吐量下降的过程；当用户数上升达到并超过第一阈值时，采用第二数据业务模型描述小区吞吐量下降，以及单个用户的吞吐量下降的过程；根据第一数据业务模型和第二数据业务模型获取用户数和吞吐量之间的最佳关系。

所述的方法中，第一数据业务模型和第二数据业务模型中，小区吞吐量q＝k*u(k)，其中，k是小区用户数，u(k)是用户平均传输速率，第一数据业务模型是线性模型，第二数据业务模型是指数模型。

所述的方法中，当用户数不大于第一阈值时，采用第一数据业务模型描述小区吞吐量随着用户数的增加而增加，以及单个用户的吞吐量下降的过程包括：当用户数小于等于第一阈值时，采用线性模型描述小区吞吐量随着用户数的增加而增加，单个用户的吞吐量呈下降的过程。

所述的方法中，线性模型中的用户平均传输速率1≤k＜k_m1，u_f,1是单个用户在用户数不大于第一阈值k_m1时的用户平均传输最大速率，第一阈值k_m1是线性模型的临界点用户数，α是根据测试或者仿真的样本拟合得到的线性密度修正系数。

所述的方法中，指数模型中的用户平均传输速率k_m1≤k＜k_m2，其中，u_f,m1是单个用户在用户数在第一阈值k_m1时的用户平均传输最大速率，k_m2是指数模型最大用户数，β是根据测试或者仿真的样本拟合得到的指数密度修正系数。

所述的方法中，线性模型中，对用户数k求微分计算出最佳用户数最佳吞吐量1≤k＜k_m1；指数模型中，对用户数k求微分计算出最佳用户数最佳吞吐量第一阈值k_m1≤k＜k_m2。

一种建立数据业务模型的装置，包括：第一数据业务模型单元，用于当用户数不大于第一阈值时，采用第一数据业务模型描述小区吞吐量随着用户数的增加而增加，以及单个用户的吞吐量下降的过程；第二数据业务模型单元，用于当用户数上升达到并超过第一阈值时，采用第二数据业务模型描述小区吞吐量下降，以及单个用户的吞吐量下降的过程；最佳关系单元，用于根据第一数据业务模型和第二数据业务模型获取用户数和吞吐量之间的最佳关系。

所述的装置中，第一数据业务模型单元包括：第一线性模型，用于当用户数不大于第一阈值时，小区吞吐量随着用户数的增加而增加，单个用户的吞吐量呈下降的过程，以及第二线性模型，用于当用户数大于等于第一阈值时，小区吞吐量随着用户数的增加而下降，单个用户的吞吐量呈下降的过程。

所述的装置中，第一数据业务模型单元包括：线性模型中的用户平均传输速率1≤k＜k_m1，u_f,1是单个用户在用户数小于第一阈值k_m1时的用户平均传输最大速率，第一阈值k_m1是线性模型和指数模型之间的临界点用户数，α是根据测试或者仿真的样本拟合得到的线性密度修正系数。

所述的装置中，指数模型中的用户平均传输速率k_m1≤k＜k_m2，其中，u_f,m1是用户数在第一阈值k_m1时的用户平均传输最大速率，k_m2是符合指数模型最大用户数，β是根据测试或者仿真的样本拟合得到的指数密度修正系数。

本发明的上述技术方案的有益效果如下：采用统计的方式建立数据业务模型，不以马尔科夫过程为基础，而是根据实际测试结果提出模型，同时模型本身的参数α和β可以根据场景进行修正，有更好的适用范围，基于该数据业务模型描述用户数和吞吐量之间的关系，以及预测小区最大吞吐量。

附图说明

图1表示离散状态马尔科夫过程的示意图；

图2表示小区吞吐量的状态迁移图；

图3表示一种建立数据业务模型的方法流程图；

图4表示场外测试中用户平均吞吐量与用户密度的关系示意图；

图5表示用户密度与用户下行平均吞吐量的关系示意图。

具体实施方式

为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。

现代移动通信系统的两个重要特征是调度机制和资源共享。因此，影响小区吞吐量的因素非常多，调度机制、用户业务、无线资源配置以及网络结构都会影响小区吞吐量。因此，不能直接得到这些因素和小区吞吐量的直接映射关系。

如图2所示的状态迁移图，Mo....Ms表示小区吞吐量的最大值和最小值，Mi表示小区可能出现的吞吐量，是Mo～Ms之间的连续实数，存在无数种可能的小区吞吐量，且每种状态可能会直接跳变至其他状态，因此，具有调度机制的资源共享通信系统并不是传统意义上的生灭过程，因此，电路域的业务模型并不适用于现代的数据业务模型。

本发明实施例提供一种建立数据业务模型的方法，如图3所示，包括：

步骤31，当用户数不大于第一阈值时，采用第一数据业务模型描述小区吞吐量随着用户数的增加而增加，以及单个用户的吞吐量下降的过程；

步骤32，当用户数上升达到并超过第一阈值时，采用第二数据业务模型描述小区吞吐量下降，以及单个用户的吞吐量下降的过程；

步骤33，根据第一数据业务模型和第二数据业务模型获取用户数和吞吐量之间的最佳关系。

应用所提供的新的数据业务模型，采用统计的方式建立数据业务模型，不以马尔科夫过程为基础，而是根据实际测试结果提出模型，同时模型本身的参数α和β可以根据场景进行修正，有更好的适用范围，基于该数据业务模型描述用户数和吞吐量之间的关系，以及预测小区最大吞吐量。

在一个优选实施例中，当用户数小于第一阈值时，采用线性模型描述小区吞吐量随着用户数的增加而变化，以及单个用户的吞吐量下降的过程包括：

当用户数小于第一阈值时，小区吞吐量随着用户数的增加而增加，单个用户的吞吐量呈下降的过程，以及

当用户数大于第一阈值时，小区吞吐量随着用户数的增加而下降，单个用户的吞吐量呈下降的过程，所述第一阈值小于第一阈值。

线性模型中，具体地，用户数小于第一阈值时，小区吞吐量随着用户数的增加而提升，单用户的吞吐量呈明显下降的过程，以及，用户数大于第一阈值时，小区吞吐量下降，单用户的吞吐量呈缓慢下降的过程。

数据业务模型适用不同的应用场景：

用户数较少时，因网络干扰较低，随着用户数的增加，小区吞吐量会出现提升，而单用户的吞吐量会呈明显下降；可采用线性模型描述这一过程。

用户数达到一定阈值后，因网络干扰较高；随着用户数的增加，小区吞吐量会下降，而单用户的吞吐量会呈缓慢下降；可采用指数模型描述这一过程。

在一个优选实施例中，第一数据业务模型和第二数据业务模型中，小区吞吐量q＝k*u(k)，其中，k是小区待传用户数，u(k)是用户平均传输速率，第一数据业务模型是线性模型，第二数据业务模型是指数模型。

计算u(k)的方法，通过小区用户数量及单用户吞吐量的变化趋势，构建线性模型和指数模型得到u(k)。

在一个优选实施例中，当用户数不大于第一阈值时，采用第一数据业务模型描述小区吞吐量随着用户数的增加而增加，以及单个用户的吞吐量下降的过程包括：

当用户数小于等于第一阈值时，采用线性模型描述小区吞吐量随着用户数的增加而增加，单个用户的吞吐量呈下降的过程。

在一个优选实施例中，线性模型中的用户平均传输速率1≤k＜k_m1，u_f,1是单个用户在用户数不大于第一阈值k_m1时的用户平均传输最大速率，第一阈值k_m1是线性模型的临界点用户数，α是根据测试或者仿真的样本拟合得到的线性密度修正系数。

在一个优选实施例中，指数模型中的用户平均传输速率k_m1≤k＜k_m2，其中，u_f,m1是单个用户在用户数在第一阈值k_m1时的用户平均传输最大速率，k_m2是指数模型最大用户数，β是根据测试或者仿真的样本拟合得到的指数密度修正系数。

根据各个优选实施例建立分段模型，在一个优选实施例中，构建的小区吞吐量和用户数的之间的关系：

公式1是线性模型，公式2是指数模型，α和β是分段模型的修正系数，是业务模型、调度机制和网络干扰等情况的综合体现，这两个修正系数需要根据测试或者仿真的样本拟合得到。α和β是基于现网统计出的用户数和吞吐量，再利用常规的参数估计方法，如最小二乘法或者最小均值法得到。

基于分段模型，可以给出最佳用户数和最佳吞吐量之间的关系。在一个优选实施例中，

线性模型的最佳关系中，对用户数k求微分得到极大值点，计算出最佳用户数最佳吞吐量1≤k＜k_m1；

指数模型的最佳关系中，对用户数k求微分计算出最佳用户数最佳吞吐量第一阈值k_m1≤k＜k_m2。

具体地，在分段模型中，对用户数k求微分计算最佳用户数，将最佳用户数带入公式后，可得到最佳吞吐量：

线性模型中，1≤k＜k_m1：最佳用户数最佳吞吐量

指数模型，k_m1≤k＜k_m2：最佳用户数最佳吞吐量

在应用中，可以根据实际情况再进行分段。

最后，在一个优选实施例中，利用构建的分段模型、用户平均传输速率、小区最佳用户数预测小区最大吞吐量。

1≤k＜k_m1，用户平均吞吐量随用户密度下降的较为迅速，与线性趋势拟合度较高；k_m1≤k＜k_m2，用户平均吞吐量随用户密度下降逐渐放缓，与指数趋势拟合度较高。

在一个应用场景中，已知待测小区的用户平均传输最大速率是60.4mbps，Km为200人，如图4所示，LTE场外测试多用户的平均吞吐量与密度曲线的关系，单小区用户上行、下行吞吐量均表现为：随用户数量增加迅速下降，且用户密度达到20人时，用户密度与平均吞吐量之间的关系是：随着用户密度的增加，其影响平均吞吐量下降的趋势逐渐放缓。

为了更加细致建立用户平均传输速率、用户密度之间的关系，有效的分析模型预估趋势，节选该小区下行吞吐量通过模型进行预估，关于模型的函数选择，需根据现网统计情况与分段模型分别进行拟合，选取拟合度较高函数。模型分别符合线性模型、指数模型及分段模型，其中，分段模型与外场测试数据拟合度较高：

如图5示，当小区用户数小于等于20人时，参考公式1，用户平均吞吐量随用户密度下降的较为迅速，与线性趋势拟合度较高；当小区用户数处于20～200人时，参考公式2，用户平均吞吐量随用户密度下降逐渐放缓，与指数趋势拟合度较高。采用R²作为模型趋势与外场测试数据拟合度，R²接近1时代表曲线拟合度较高，反之拟合度较低。

推导通信模型的密度修正系数α、β：

当用户密度k符合分段模型1≤k≤20时，公式1中

用户平均传输速率

公式3

当用户密度k符合分段模型20≤k≤200时，公式2中

用户平均传输速率

公式4

小区用户数小于等于20人时，参考通信模型的线性密度修正系数α＝0.96，小区用户数为20～200人时，参考通信模型的指数密度修正系数β＝-3.11。

单用户请求速率-单用户吞吐量，无法体现小区最大吞吐量，且小区吞吐量存在两种变化规律，因此小区最佳用户密度为复合值：

当k符合分段模型1≤k≤20时，最大吞吐量

因此，当小区用户数小于等于20人时，用户平均吞吐量随用户密度k线性下降速，且小区用户达到10人时为小区最佳用户密度，其最大吞吐量为61.7Mbps。

当k符合分段模型20≤k≤200时，最大吞吐量

因此，当小区用户数为20～200人时，用户平均吞吐量随用户密度k下降逐渐放缓，且小区下用户达到64人时为小区最佳用户密度，其最大吞吐量为31.41Mbps。

本发明实施例提供一种建立数据业务模型的装置，包括：

第一数据业务模型单元，用于当用户数不大于第一阈值时，采用第一数据业务模型描述小区吞吐量随着用户数的增加而增加，以及单个用户的吞吐量下降的过程；

第二数据业务模型单元，用于当用户数上升达到并超过第一阈值时，采用第二数据业务模型描述小区吞吐量下降，以及单个用户的吞吐量下降的过程；

最佳关系单元，用于根据第一数据业务模型和第二数据业务模型获取用户数和吞吐量之间的最佳关系。

在一个优选实施例中，第一数据业务模型单元包括：

第一线性模型，用于当用户数不大于第一阈值时，小区吞吐量随着用户数的增加而增加，单个用户的吞吐量呈下降的过程，以及

第二线性模型，用于当用户数大于等于第一阈值时，小区吞吐量随着用户数的增加而下降，单个用户的吞吐量呈下降的过程。

在一个优选实施例中，第一数据业务模型单元包括：

线性模型中的用户平均传输速率1≤k＜k_m1，u_f,1是单个用户在用户数小于第一阈值k_m1时的用户平均传输最大速率，第一阈值k_m1是线性模型和指数模型之间的临界点用户数，α是根据测试或者仿真的样本拟合得到的线性密度修正系数。

在一个优选实施例中，指数模型中的用户平均传输速率k_m1≤k＜k_m2，其中，u_f,m1是用户数在第一阈值k_m1时的用户平均传输最大速率，k_m2是符合指数模型最大用户数，β是根据测试或者仿真的样本拟合得到的指数密度修正系数。

采用本方案之后的优势是：采用统计的方式建立数据业务模型，不以马尔科夫过程为基础，而是根据实际测试结果提出模型，同时模型本身的参数α和β可以根据场景进行修正，有更好的适用范围，基于该数据业务模型描述用户数和吞吐量之间的关系，以及预测小区最大吞吐量。

以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (4)

1.一种建立数据业务模型的方法，其特征在于，方法包括：

当用户数不大于第一阈值时，采用第一数据业务模型描述小区吞吐量随着用户数的增加而增加，以及用户平均传输速率随着用户数的增加而下降的过程，包括：当用户数小于等于第一阈值时，采用线性模型描述小区吞吐量随着用户数的增加而增加，用户平均传输速率呈下降的过程，线性模型中的用户平均传输速率其中，k是小区待传用户数，1≤k＜k_m1，u_f,1是单一用户在用户数不大于第一阈值k_m1时的用户平均传输最大速率，第一阈值k_m1是线性模型的临界点用户数，α是根据测试或者仿真的样本拟合得到的线性密度修正系数；

当用户数上升达到并超过第一阈值时，采用第二数据业务模型描述小区吞吐量随着用户数的增加而下降，以及用户平均传输速率随着用户数的增加而下降的过程，第二数据业务模型是指数模型，包括：指数模型中的用户平均传输速率其中，u_f,m1是单一用户在用户数在第一阈值k_m1时的用户平均传输最大速率，k_m2是指数模型最大用户数，β是根据测试或者仿真的样本拟合得到的指数密度修正系数；

根据第一数据业务模型和第二数据业务模型获取用户数和吞吐量之间的最佳关系。

2.根据权利要求1所述的方法，其特征在于，

第一数据业务模型和第二数据业务模型中，小区吞吐量q＝k*u(k)，其中，k是小区用户数，u(k)是用户平均传输速率，第一数据业务模型是线性模型。

3.根据权利要求2所述的方法，其特征在于，

线性模型中，对用户数k求微分计算出小区的最佳用户数小区的最佳吞吐量

指数模型中，对用户数k求微分计算出最佳用户数小区的最佳吞吐量第一阈值k_m1≤k＜k_m2。

4.一种建立数据业务模型的装置，其特征在于，包括：

第一数据业务模型单元，用于当用户数不大于第一阈值时，采用第一数据业务模型描述小区吞吐量随着用户数的增加而增加，以及用户平均传输速率下降的过程；

第二数据业务模型单元，用于当用户数上升达到并超过第一阈值时，采用第二数据业务模型描述小区吞吐量下降，以及用户平均传输速率下降的过程；

最佳关系单元，用于根据第一数据业务模型和第二数据业务模型获取用户数和吞吐量之间的最佳关系；

第一数据业务模型单元包括：第一线性模型；第一线性模型，用于当用户数不大于第一阈值时，小区吞吐量随着用户数的增加而增加，用户平均传输速率呈下降的过程；

线性模型中的用户平均传输速率其中，k是小区待传用户数，1≤k＜k_m1，u_f,1是单一用户在用户数小于第一阈值k_m1时的用户平均传输最大速率，第一阈值k_m1是线性模型和指数模型之间的临界点用户数，α是根据测试或者仿真的样本拟合得到的线性密度修正系数；

第二数据业务模型单元包括：

指数模型，用于当用户数大于等于第一阈值时，小区吞吐量随着用户数的增加而下降，用户平均传输速率呈下降的过程，指数模型中的用户平均传输速率其中，u_f,m1是单一用户在用户数在第一阈值k_m1时的用户平均传输最大速率，k_m2是指数模型最大用户数，β是根据测试或者仿真的样本拟合得到的指数密度修正系数。