CN105578579A - 基于业务流量预测的蜂窝网基站和中继站联合休眠调度方法 - Google Patents

Abstract

本发明公开了一种基于业务流量预测的蜂窝网基站和中继站联合休眠调度方法，包括1)获取蜂窝网基站和中继站历史业务流量数据，建立支持向量机学习预测模型；2)得到第m时刻蜂窝网基站和中继站站点覆盖范围内业务流量的预测值为ρ_m；3)比较ρ_m和蜂窝网基站和中继站站点覆盖范围内的业务流量的阈值的大小，确定蜂窝网基站和中继站是否进入休眠状态，对于进入休眠的蜂窝网基站和中继站站点，如果则蜂窝网基站和中继站站点被唤醒；其中，这种方法有效地确定了蜂窝网络基站和中继站的非周期性休眠机制及唤醒机制，保证了休眠调度的实时性，达到了频谱效率和能量效率的动态平衡。

Description

基于业务流量预测的蜂窝网基站和中继站联合休眠调度方法

技术领域

本发明涉及无线通信技术领域，具体涉及一种基于业务流量预测的蜂窝网基站和中继站联合休眠调度方法。

背景技术

近几年来，移动终端和移动网络的应用越来越广泛，无线蜂窝网中的业务流量呈现爆炸式的指数增长，使用现有一些网络拓扑技术来满足日益增长的网络业务流量需求，如：增加基站的部署、在传统的蜂窝网中部署中继站。这些网络拓扑方式能够扩大网络的覆盖范围、提高网络的吞吐量、不至于使某区域出现覆盖空洞。然而，越来越多的基站和中继站部署增加了蜂窝网的能量消耗，研究表明，通信系统中基站所消耗的能量约占系统总能耗的60％-80％，因此，绿色通信成为无线蜂窝网的研究课题之一。

在实际当中，无线蜂窝网基站部署是依据峰值业务流量的需求而定的，然而，用户的移动特性和潮汐效应使得业务流量负载具有时空变化特性。因此，为了确保在低负载时较少的资源浪费，需要对基站和中继站进行休眠调度，但是又要保证用户的服务质量，因此有必要研究在保证系统频谱效率的同时最大化网络的能量效率，减少能量消耗，从而实现资源的弹性利用。

基站休眠调度策略作为有效的网络节能技术方式之一，是近年来无线通信领域的研究热点，已经有大量文献表明基站的休眠调度对蜂窝网络节能的可行性。然而，蜂窝网基站和中继站联合休眠调度问题还很少有人研究，并且没有关注业务流量突发性对基站和中继站休眠调度的影响。已有研究中，蜂窝网络模型的建立和仿真通常假设终端用户是均匀分布的，但是实际当中，终端用户在时间和空间上的分布是不均匀的。

发明内容

本发明的目的是针对现有技术的不足，而提供一种基于业务流量预测的蜂窝网基站和中继站联合休眠调度方法。这种方法可以有效地确定蜂窝中继网络基站和中继站的非周期性休眠机制及唤醒机制，可保证休眠调度的实时性，达到频谱效率和能量效率的动态平衡。

实现本发明目的的技术方案是：

一种基于业务流量预测的蜂窝网基站和中继站联合休眠调度方法，包括如下步骤：

1)获取蜂窝网基站和中继站历史业务流量数据，建立支持向量机学习预测模型；

2)依据支持向量机学习预测模型预测蜂窝网基站和中继站站点覆盖范围内未来时间和空间上的业务流量数据，得到第m时刻蜂窝网基站和中继站站点覆盖范围内业务流量的预测值为ρ_m；

3)比较ρ_m和蜂窝网基站和中继站站点覆盖范围内的业务流量的阈值的大小，确定蜂窝网基站和中继站是否进入休眠状态：如果第m时刻的蜂窝网基站和中继站站点覆盖范围内业务流量预测值ρ_m小于阈值，即时，蜂窝网基站和中继站站点进入休眠状态，否则继续保持活跃状态；对于进入休眠的蜂窝网基站和中继站站点，如果则蜂窝网基站和中继站站点被唤醒；其中，

所述的建立支持向量机学习预测模型包括：

(1)对蜂窝网基站和中继站历史业务流量数据归一化处理，通过式子把所有蜂窝网基站和中继站历史业务流量数据归一化到[0,1]区间，得到支持向量机学习预测模型的输入数据；其中，x_i为第i个蜂窝网基站和中继站历史业务流量数据，x_min,x_max分别为蜂窝网基站和中继站历史业务流量数据中的最小值和最大值，x为归一化之后的支持向量机学习预测模型的输入数据；

(2)根据步骤(1)的输入数据，确定核函数、确定损失函数ε以及支持向量机参数惩罚

因子C，进而求解支持向量机优化问题；

(3)结合步骤(1)和(2)得出未来时间蜂窝网基站和中继站站点覆盖范围内的业务流量预测值。

判断蜂窝网基站和中继站休眠时长的方法，包括以下步骤：

①得到蜂窝网基站和中继站站点活动/休眠的状态矩阵A，其中矩阵A的行表示预测值的时刻，用t表示；列表示空间位置，即每个蜂窝网基站和中继站站点的覆盖范围；

②蜂窝网基站和中继站站点休眠时间为Δt＝t_i-t_j，t_i,t_j表示：如果t_i时刻蜂窝网基站和中继站站点状态为休眠，则t_j是该蜂窝网基站和中继站站点第一次转化为活跃的时刻，依次可以计算出每一次状态转换的时间间隔，即为蜂窝网基站和中继站站点的休眠时长。

在这里，通过对网络业务流量在时间和空间上的可预测性实现蜂窝网基站和中继站的联合休眠调度策略，并通过支持向量机学习预测模型建模使得预测结果具有较高的预测精度和较强的泛化能力，从而达到系统频谱效率和能量效率的动态平衡，并且很好地体现网络业务流量的突发性以及有效地提高休眠调度的实时性。

这种方法有效地确定了蜂窝网络基站和中继站的非周期性休眠机制及唤醒机制，保证了休眠调度的实时性，达到了频谱效率和能量效率的动态平衡。

附图说明

图1为实施例的方法流程示意框图；

图2为实施例中建立支持向量机学习预测模型的方法流程示意框图；

图3为实施例中蜂窝网基站和中继站站点分布示意图。

具体实施方式

下面结合附图和实施例对本发明的内容作进一步的阐述，但不是对本发明的限定。

实施例：

参照图1，一种基于业务流量预测的蜂窝网基站和中继站联合休眠调度方法，包括如下步骤：

1)获取蜂窝网基站和中继站历史业务流量数据，建立支持向量机学习预测模型；

2)依据支持向量机学习预测模型预测蜂窝网基站和中继站站点覆盖范围内未来时间和空间上的业务流量数据，得到第m时刻蜂窝网基站和中继站站点覆盖范围内业务流量的预测值为ρ_m；

3)比较ρ_m和蜂窝网基站和中继站站点覆盖范围内的业务流量的阈值的大小，确定蜂窝网基站和中继站是否进入休眠状态：如果第m时刻的蜂窝网基站和中继站站点覆盖范围内业务流量预测值ρ_m小于阈值，即时，蜂窝网基站和中继站站点进入休眠状态，否则继续保持活跃状态；对于进入休眠的蜂窝网基站和中继站站点，如果则蜂窝网基站和中继站站点被唤醒；其中，

参照图2，所述的建立支持向量机学习预测模型包括：

(1)对蜂窝网基站和中继站历史业务流量数据归一化处理，通过式子把所有蜂窝网基站和中继站历史业务流量数据归一化到[0,1]区间，得到支持向量机学习预测模型的输入数据；其中，x_i为第i个蜂窝网基站和中继站历史业务流量数据，x_min,x_max分别为蜂窝网基站和中继站历史业务流量数据中的最小值和最大值，x为归一化之后的支持向量机学习预测模型的输入数据；

(2)根据步骤(1)的输入数据，确定核函数、确定损失函数ε以及支持向量机参数惩罚因子C，进而求解支持向量机优化问题；

(3)结合步骤(1)和(2)得出未来时间蜂窝网基站和中继站站点覆盖范围内的业务流量预测值。

判断蜂窝网基站和中继站休眠时长的方法，包括以下步骤：

①得到蜂窝网基站和中继站站点活动/休眠的状态矩阵A，其中矩阵A的行表示预测值的时刻，用t表示；列表示空间位置，即每个蜂窝网基站和中继站站点的覆盖范围；

②蜂窝网基站和中继站站点休眠时间为Δt＝t_i-t_j，t_i,t_j表示：如果t_i时刻蜂窝网基站和中继站站点状态为休眠，则t_j是该蜂窝网基站和中继站站点第一次转化为活跃的时刻，依次可以计算出每一次状态转换的时间间隔，即为蜂窝网基站和中继站站点的休眠时长。

具体地，

参照图3，设蜂窝网中有H个小区，蜂窝网中基站位于每个小区的中心，用BS_h表示，每个小区中存在K_h个中继站，蜂窝网中的中继站分布在边缘位置，分别用RS_h,k表示，其中h＝1,2,…H,k＝1,2,…,K_h。在靠近蜂窝网基站位置处的用户由蜂窝网基站服务，在边缘小区的用户由蜂窝网中继站服务，假设蜂窝网基站和中继站站点覆盖范围内所能承载的业务流量阈值为并且， $0<\stackrel{\&OverBar;}{\mathrm{\&rho;}}\&le;1.$

假设蜂窝网基站和中继站历史业务流量数据总数为n，为了消除各输入变量之间由于量纲和数值之间的差异以及业务流量的突发特性而造成的影响，通过式将所有蜂窝网基站和中继站历史业务流量数据归一化到[0,1]区间，得到支持向量机学习预测模型的输入数据；其中，x_i为第i个蜂窝网基站和中继站历史业务流量数据，且i＝1,2,…,n，x_min,x_max分别为蜂窝网基站和中继站历史业务流量数据中的最小值和最大值，x为归一化之后的支持向量机学习预测模型的输入数据；

通过拉格朗日乘子法建立最优化问题，并通过对偶问题得出支持向量机最优化回归函数为：其中，α_i,为拉格朗日乘子，b为回归函数阈值，SV为支持向量，K(x,x_i)为核函数，选取实际应用最广泛的径向基(RBF)作为核函数，RBF核函数为γ为核参数，选取损失函数ε∈(0,1)，参数惩罚因子为C；

先固定ε，通过交叉验证方法，依据模型性能的检验指标均方误差的大小来确定最优的核参数γ和参数惩罚因子C，再通过最优的核参数和参数惩罚因子，改变损失函数ε的值来确定最优的损失函数，依据确定好的核参数、损失函数以及参数惩罚因子的值，求解支持向量机优化问题；

构建支持向量机学习预测模型，依据支持向量机学习预测模型来预测蜂窝网基站和中继站站点覆盖范围内未来时间和空间上的业务流量值；

未来第m个时刻某基站覆盖范围内的业务流量预测值为ρ_m，如果第m时刻的蜂窝网基站和中继站站点覆盖范围内业务流量预测值ρ_m小于阈值，即时，蜂窝网基站和中继站站点进入休眠状态，否则继续保持活跃状态；对于进入休眠的蜂窝网基站和中继站站点，如果则蜂窝网基站和中继站站点被唤醒；其中，

通过所述蜂窝网基站和中继站休眠调度方法可以得到蜂窝网基站和中继站站点活动/休眠的状态矩阵A，其中矩阵A的行表示预测值的时刻，用t表示；列表示空间位置，即每个蜂窝网基站和中继站站点的覆盖范围。蜂窝网基站和中继站站点休眠时间为Δt＝t_i-t_j，如果t_i时刻蜂窝网基站和中继站站点状态为休眠，则t_j是该蜂窝网基站和中继站站点第一次转化为活跃的时刻。依次可以计算出每一次状态转换的时间间隔，即为蜂窝网基站和中继站站点的休眠时长。

通过所述基站和中继站的休眠调度方法可以判断出该时刻休眠的基站和中继站。依此可以预测出未来时刻某空间位置上的业务流量预测值，有效地确定进入休眠以及被唤醒的站点，从而提高了休眠调度的实时性，有效地节约了蜂窝网络的能量。

Claims (3)

1.一种基于业务流量预测的蜂窝网基站和中继站联合休眠调度方法，其特征是，包括如下步骤：

1)获取蜂窝网基站和中继站历史业务流量数据，建立支持向量机学习预测模型；

2)依据支持向量机学习预测模型预测蜂窝网基站和中继站站点覆盖范围内未来时间和空间上的业务流量数据，得到第m时刻蜂窝网基站和中继站站点覆盖范围内业务流量的预测值为ρ_m；

3)比较ρ_m和蜂窝网基站和中继站站点覆盖范围内的业务流量的阈值的大小，确定蜂窝网基站和中继站是否进入休眠状态：如果第m时刻的蜂窝网基站和中继站站点覆盖范围内业务流量预测值ρ_m小于阈值，即时，蜂窝网基站和中继站站点进入休眠状态，否则继续保持活跃状态；对于进入休眠的蜂窝网基站和中继站站点，如果则蜂窝网基站和中继站站点被唤醒；其中，

2.根据权利要求1所述的基于业务流量预测的蜂窝网基站和中继站联合休眠调度方法，其特征是，所述的建立支持向量机学习预测模型包括：

(1)对蜂窝网基站和中继站历史业务流量数据归一化处理，通过式子把所有蜂窝网基站和中继站历史业务流量数据归一化到[0,1]区间，得到支持向量机学习预测模型的输入数据；其中，x_i为第i个蜂窝网基站和中继站历史业务流量数据，x_min,x_max分别为蜂窝网基站和中继站历史业务流量数据中的最小值和最大值，x为归一化之后的支持向量机学习预测模型的输入数据；

(2)根据步骤(1)的输入数据，确定核函数、确定损失函数ε以及支持向量机参数惩罚因子C，进而求解支持向量机优化问题；

(3)结合步骤(1)和(2)得出未来时间蜂窝网基站和中继站站点覆盖范围内的业务流量预测值。

3.根据权利要求1所述的基于业务流量预测的蜂窝网基站和中继站联合休眠调度方法，其特征是，判断蜂窝网基站和中继站休眠时长的方法，包括以下步骤：

①得到蜂窝网基站和中继站站点活动/休眠的状态矩阵A，其中矩阵A的行表示预测值的时刻，用t表示；列表示空间位置，即每个蜂窝网基站和中继站站点的覆盖范围；

②蜂窝网基站和中继站站点休眠时间为Δt＝t_i-t_j，t_i,t_j表示：如果t_i时刻蜂窝网基站和中继站站点状态为休眠，则t_j是该蜂窝网基站和中继站站点第一次转化为活跃的时刻，依次可以计算出每一次状态转换的时间间隔，即为蜂窝网基站和中继站站点的休眠时长。