CN106576259B - 用于小区选择的方法、rrm节点和计算机可读介质 - Google Patents

Abstract

本发明涉及一种针对移动终端的集合在至少两个相邻小区之间执行小区选择的方法，所述至少两个相邻小区分别包括第一和第二无线电接入节点。该方法包括：获取反映每个移动终端的网络条件的至少一个属性的值；基于所获取的每个移动终端的属性的值，确定移动终端中的每一个初始应当与第一和第二无线电接入节点中的哪一个相关联；以及基于相应的所选参数，对于所确定的初始关联生成多个变化。该方法还包括：针对所生成的对于初始关联的多个变化的至少子集执行小区选择，以及确定针对每个所执行的小区选择的度量的值，并将每个度量值与所获取的属性以及针对每个所执行的小区选择的每个相应变化的所选参数相关联，该度量反映移动终端的集合针对每个所执行的小区选择的性能，其中小区选择在后续可以基于度量值和相关联的获取的属性以及所选参数来执行。

Description

用于小区选择的方法、RRM节点和计算机可读介质

技术领域

本发明涉及用于执行小区选择的方法和网络节点。本发明还涉及执行根据本发明的方法的计算机程序，以及包括其中包含有计算机程序的计算机可读介质的计算机程序产品。

背景技术

用于增加蜂窝网络中的移动终端的吞吐量的常见方法是部署越来越多的基站，从而增加可用带宽。换句话说，在具有许多移动终端的地理区域中，增加基站密度将有助于在给定区域中以高数据速率服务所有移动终端。虽然这种方法理论上可以提供明显的速率改进，但它有两个主要问题：1)它在成本和时间两者上都是非常昂贵的，以及2)当今的城市基站已经饱和，并且由于电磁辐射，人们越来越不愿意容忍城市中有更多的基站。

提供快速可部署和成本效益的解决方案的最有前景和最实用的方法是异构网络(HetNet)。这个概念很简单；其思想是：在数据要求最高的区域中部署较小的基站，以便甚至在拥挤的地理区域(其中不可能部署更多的标准基站)中提供良好的服务。这些较小的基站便宜得多，并以明显较低的功率进行发射。它实现了商业上可行的部署并考虑了健康问题。

HetNet中存在几种类型的基站。

·宏节点：这些是如今部署的标准基站。它们消耗最多的能量，以最高的功率发射，并且因此可以服务于最远距离处的移动终端。它们通常使用大约40W的发射功率。它们被设计为覆盖较大区域(如城区)。由宏节点服务的区域称为宏小区。

·微微节点：这些是较小的基站，其比宏节点便宜并且具有明显较低的发射功率。它们可以服务在小得多的地理区域(例如，商场或地铁站)中的UE，并且通常被称为热点。微微节点通常使用大约1W的发射功率。微微节点服务的区域称为微微小区。

·毫微微节点：这些是最小的基站。它们通常用于覆盖小办公室或房屋。

在当前的移动通信网络中，移动终端由宏节点服务。如果该移动终端移动得距离宏节点太远，则它进行切换并且简单地改变其服务宏节点。在仅具有宏节点的网络中，宏节点通常被布置为使得靠近宏小区中心的移动终端经历极少的干扰。这样的通信网络对不良小区选择方案不是非常敏感。

相反，在HetNet中，移动终端的小区选择起着至关重要的作用，并且是提供成功的HetNet部署所要解决的根本问题。实际上，微微节点通常放置在宏小区内以提高特定位置处的数据速率。由于宏节点具有比微微节点高得多的发射功率，所以由微微节点服务的移动终端遭受来自宏节点的非常大的干扰。因此，将正确的移动终端与正确的节点相关联是一个问题，其不能像在仅依赖于宏节点的标准移动通信网络中那样对待。

当移动终端想要加入蜂窝网络时，其首先必须找到其邻域中的小区，然后选择它将与这些小区中的哪个小区相关联。小区特定参考信号由基站周期性地发送，并由移动终端用来估计它们的信道质量，即从基站接收的功率。这些参考信号在移动终端处是预先已知的，并且可以用于例如计算参考信号接收功率(RSRP)，该参考信号接收功率基本上是每个发射资源单元基站向移动终端发射的参考信号的平均接收功率。小区选择算法的作用是基于对移动终端的范围内的小区执行的这种测量来决定连接到哪个小区。

通常，小区选择周期性地发生(例如，当信道条件已经改变时)，并且还基于网络流失(即，当移动终端进入或离开小区时)。

对目前在长期演进(LTE)高级网络中实现的这个问题存在两种主要方法。

RSRP方法是用于将移动终端与基站相关联的最简单的方法。在移动终端需要与基站相关联时，其测量来自其相邻基站中的每一个的接收功率。然后，移动终端与具有最大接收功率的基站相关联。该算法已经在通用移动电信系统(UMTS)中使用，并且仍然在LTE中使用。它的长处是它的概念简单性以及其深度分散化本质。实际上，它仅需要移动终端测量接收功率值并向网络报告最大接收功率值。对于仅宏网络，这种方法已被证明非常有效，并且是当今小区选择算法的基石。

然而，在HetNet中，RSRP方法受到节点之间的发射功率不对称的困扰。由于宏节点具有比微微节点大得多的发射功率，所以大多数移动终端将经历来自宏节点的较大的接收功率。这导致宏节点和微微节点之间的强负载不均衡，使得微微节点未被充分利用。为了最好地利用由微微节点提供的可用带宽的增加，期望移动终端的更均衡的分布。如果大多数用户仍然与宏节点相关联，则微微节点将不会在人口密集区域中充分发挥其全部潜力。

为了解决RSRP方法的主要问题，在保持其简单性的同时，引入了所谓的小区范围扩展(CRE)方法。考虑最佳信噪比(SNR)启发法，从某个节点接收其最大接收功率的所有移动终端可以称为在其范围内。如果识别出仍在该节点的范围内的最远定位的移动终端，则移动终端与基站的距离被解释为半径，并且利用该半径以及基站作为中心设想圆形区域，实现了该基站的所谓的范围区域，并且该范围区域内的任何移动终端将与基站相关联。

显然，在HetNet中，微微节点的范围相当小，因为它的发射功率与相邻宏节点发射功率相比较小。CRE方法的主要思想是将微微节点的范围虚拟地增加固定因子。与RSRP方法的不同之处在于，如果移动终端的接收功率优于微微节点的接收功率乘以固定扩展因子，则移动终端仅与宏节点相关联。

CRE方法保持了来自RSRP方法的简单性的主要优点，同时能够均衡用户在宏节点和微微节点之间的分布。这样，保证了微微节点服务大量的移动终端。该算法的缺点是：移动终端不一定与具有可能的最大接收功率的节点相关联。因此，移动终端可能经历非常差的SINR，因此不能接收任何数据。此外，在宏小区和微微小区的边界处的移动终端将接收来自宏节点的非常大的干扰，导致非常差的吞吐量。

通常，小区选择的执行比资源分配的执行少。换句话说，信道条件在移动终端与基站重新关联时的场合之间会变化很大。此外，移动终端可能具有要发送的长数据流；长到新的移动终端在该传输期间进入和退出网络。这可能导致完全不同的资源共享分布。

现有的小区选择方案没有考虑信道和网络条件中的变化，并且仅使用与瞬时物理属性有关的知识(诸如例如在移动终端处接收的基站的瞬时信号强度)。

发明内容

本发明的目的是解决或至少减轻在本领域中执行小区选择的问题，并且因此提供针对小区选择的改进的方法。

该目的在本发明的第一方面中通过一种针对通信网络中的移动终端的集合在至少两个相邻小区之间执行小区选择的方法来实现，其中至少两个相邻小区中的第一小区包括具有第一发射功率的第一无线电接入节点，并且至少两个相邻小区中的第二小区包括具有第二发射功率的第二无线电接入节点。该方法包括：获取反映该集合中的每个移动终端的网络条件的至少一个属性的值；基于所获取的每个移动终端的属性的值，确定移动终端中的每一个初始应当与至少第一和第二无线电接入节点中的哪一个相关联；以及生成对于所确定的初始关联的多个变化，其中每个生成的变化基于相应的所选参数。该方法还包括：针对生成的对于所确定的初始关联的多个变化的至少子集执行小区选择；以及确定每个所执行的小区选择的度量值；并将每个度量值与所获取的属性以及针对每个所执行的小区选择的每个相应变化的所选参数相关联，该度量反映移动终端的集合针对每个所执行的小区选择的性能，其中小区选择在后续可以基于度量值和相关联的获取的属性以及所选参数执行。

该目的在本发明的第二方面中通过一种无线电资源管理(RRM)节点来实现，该RRM节点配置为针对通信网络中的移动终端的集合在至少两个相邻小区之间执行小区选择，其中至少两个相邻小区中的第一小区包括具有第一发射功率的第一无线电接入节点，并且至少两个相邻小区中的第二小区包括具有第二发射功率的第二无线电接入节点，RRM节点包括处理单元和存储器，存储器包含可由处理单元执行的指令，由此RRM节点可操作用于：获取反映集合中的每个移动终端的网络条件的至少一个属性的值；基于所获取的每个移动终端的属性的值，确定移动终端中的每一个初始应当与至少第一和第二无线电接入节点中的哪一个相关联；以及生成对于所确定的初始关联的多个变化，其中每个生成的变化基于相应的所选参数。此外，RRM节点可操作用于：针对生成的对于所确定的初始关联的多个变化的至少子集执行小区选择；以及确定针对所执行的小区选择中的每个小区选择的度量值，并将每个度量值与所获取的属性以及针对每个所执行的小区选择的每个相应变化的所选参数相关联，该度量反映移动终端的集合针对每个所执行的小区选择的性能，其中小区选择在后续可以基于度量值和相关联的获取的属性以及所选参数来执行。

还提供了执行根据本发明的方法的计算机程序以及包括其中具体化有计算机程序的计算机可读介质的计算机程序产品。

有利地，本发明提出通过考虑网络测量来预测通信网络的行为并适当地做出反应，以自适应地应用和修改小区选择。

基于每个移动终端的网络条件的属性的值来选择用于将通信网络中的移动终端的集合与诸如宏基站或微微基站的无线电接入节点相关联的初始策略。该属性可以以移动终端的SINR、移动终端的天线秩、网络中的移动终端的数量等的形式来体现。

基于所获取的属性，确定用于将移动终端与两个基站相关联的初始策略f₀。因此，基于例如针对网络中的每个移动终端的所建立的通信信道的SINR，确定移动终端中的每一个初始应当与宏基站和微微基站中的哪一个相关联。这将用作后续小区选择的起点。所选择的初始关联可以根据实际信道条件而极大地变化，并且可以从时隙到时隙略微不同。用于执行关联的方法可以例如是先前描述的RSRP或CRE，这取决于情况。

此后，生成对于所确定的初始关联f₀的多个变化f₁，f₂，…，f_n，其中每个生成的变化基于所选参数x₁，x₂，…，x_n。

在示例中，所选择的初始基本策略是RSRP方案，其具有到宏基站和微微基站的特定移动终端关联(取决于每个移动终端的测量的SINR)。在该示例中，导致对于初始关联f₀的变化f₁，f₂，…，f_n的所选参数x₁，x₂，…，x_n在于将具有最低SINR的多个移动终端从一个节点移动到另一个节点。

根据本发明的实施例的方法的基本思想是在学习阶段中探索一组可能的小区选择策略，而不必测试每个可能的选择。应用于初始关联f₀的变化f₁，f₂，…，f_n是可再现的，并且优选地是基于专家知识的。

因此，对于初始关联f₀做出变化f₁，f₂，…，f_n，并且目标是通过选择参数x₁，x₂，…，x_n并且随后对这些变化的子集执行小区选择来找到导致最佳性能的度量m的值。因此，针对基于对于初始关联的特定变化(一个或多个)所应用的小区选择，确定度量m的值，该度量反映移动终端针对所执行的小区选择的性能。作为示例，该度量可以以特定小区中所有移动终端的下行链路数据速率的和的形式来体现。

该度量值与反映移动终端网络条件的先前获取的属性的值(例如，SINR值)和用于该特定小区选择的所选参数x₁，x₂，...，x_n一起存储，并且有利地用于开发模型M，模型M随后可以在预测阶段中用以确定给定主要网络条件下的最佳小区选择。

下面将描述本发明的实施例。

一般地，除非本文另有明确说明，权利要求中使用的所有术语根据其技术领域中的普通含义来解释。除非另有明确说明，否则对“一/一个/所述元件、设备、组件、装置、步骤等”的所有引用应被开放地解释为指代元件、设备、组件、装置、步骤等中的至少一个实例。除非明确说明，否则本文公开的任何方法的步骤不必以所公开的确切顺序来执行。

附图说明

现在参照附图通过示例的方式来描述本发明，在附图中：

图1示出了其中可以实现本发明的基本通信网络；

图2示出了本发明的实施例；

图3示出了根据本发明的实施例的学习方法的流程图；

图4示出了根据本发明的另一实施例的预测方法的流程图；以及

图5示出了根据本发明的实施例的RRM节点。

具体实施方式

现在将在下文参考其中示出本发明的特定实施例的附图来更全面地描述本发明。然而，本发明可以按多种不同形式来体现，并且不应当被解释为受到本文阐述的实施例的限制。相反，通过示例的方式给出这些实施例，使得本公开将使透彻和完整的，并且向本领域技术人员充分地传达本发明的范围。在本说明书全文中，相似的标记是指相似的元件。

图1示出了其中可以实现本发明的基本通信网络10。应当注意，图1仅是用于描述本发明的基本思想的图示，并且实际上通信网络通常包括许多不同的网络元件和节点。图1示出了用于使移动终端与基站相关联的先前讨论的RSRP方法。因此，在移动终端11需要与基站相关联时，其测量来自其相邻基站12、13中的每一个的接收功率。在这种情况下，应当注意，“相邻”基站可以意味着两个或多于两个相邻定位的基站(其覆盖区域可以重叠或不重叠)以及(如图1中所示)第二基站13(其覆盖区域14完全被第一基站12的更大覆盖区域15包围)，如通常在HetNet中的情况。然后，移动终端11与具有最大接收功率的基站13相关联。HetNet中的问题在于，例如，移动终端16将经历比来自微微基站13的接收功率更大的来自宏基站12的接收功率，并且因此将与宏基站12相关联(即使如果移动终端16替代地将与微微基站13相关联其性能可能将更好)。

进一步参考图1，根据本发明的实施例的执行小区选择的方法在无线电资源管理(RRM)节点(例如无线电基站(RBS)、无线电网络控制器(RNC)、eNodeB、NodeB、无线接入点(AP)等)或无线通信网络中的任何其它适当的无线电接入节点处进行。RRM节点在下文中将以宏基站12的形式示例，其中该方法由处理单元17执行，该处理单元17以一个或多个微处理器的形式体现，所述微处理器布置成执行下载到与微处理器相关联的合适的存储介质18(诸如随机存取存储器(RAM)、闪存或硬盘驱动器)的计算机程序19。因此，如通过图1中的虚线所示，处理单元17和存储介质18包括在宏基站12中。处理单元17布置为当将包括计算机可执行指令的适当的计算机程序19下载到存储介质18并由处理单元17执行时实施根据本发明的实施例的方法。存储介质18还可以是包括计算机程序19的计算机程序产品。或者，计算机程序19可以通过合适的计算机程序产品(诸如数字通用盘(DVD)或存储棒)传输到存储介质18。作为另一备选，可以通过网络将计算机程序19下载到存储介质18。处理单元17可以可选地以数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)、复杂可编程逻辑器件(CPLD)等的形式来体现。此外，即使在图1中未示出，微微基站13也通常包括相应的处理单元和包括可由处理单元执行的计算机程序的存储器单元。

图2示出了本发明的实施例，其中用于执行小区选择的架构包括学习块31、测试块32和预测块33。

在由学习块31应用的学习阶段中，使用特定基本小区选择策略(例如RSRP或CRE)，但是具有基于确定性或概率函数的内置变化。因此，假设移动终端到基站的初始关联f₀。基本策略从时隙到时隙略有不同。系统使小区选择策略(包括应用的变化)与下面要讨论的所选参数和反映性能的度量相关联，以用于评估由学习块31创建的预测模型。

在由测试块32应用的测试阶段中，测试来自学习块31的预测模型是否对于新数据很好地泛化。在时间段内，使用在学习阶段中应用的小区选择策略，并且将结果与预测模型进行比较。如果泛化误差足够小，则可以进行至预测阶段。如果泛化误差不是足够小，则可以可能通过使用测试数据来重复学习阶段以改进预测模型。

最后，在预测阶段中，基于从学习块31和测试块32输出的结果来改变移动终端到基站的初始关联(即基本小区选择策略)。预测阶段通常是小区选择的正常操作阶段。在每个小区选择时隙，系统为基本策略的不同变化预测输出度量并选择最佳变化。如可以看出的，预测阶段的结果可以被报告回学习阶段以便提高后续预测的质量。所报告的结果甚至可以用于更新基本策略，即初始关联。因此，如果特定变化在大多数情况下证明是非常优越的，则它可以成为基本策略的一部分。然后学习阶段重新开始。

在网络中的条件快速改变的情况下，预测阶段可以更频繁地报告回学习阶段以更新预测模型。

图3示出了根据本发明的实施例的在适合的RRM节点(例如宏基站12和微微基站13中的任何一者或两者)或者诸如RNC(未示出)的监管节点处执行的方法的流程图，并且还将参考图1和图2的结构元件在下面对其进行描述。如在图3中可以看出，这称为学习阶段，如参考图2所简要讨论的。因此，在本发明的实施例中，基于每个移动终端的网络条件的属性的值来选择用于使网络10的移动终端与宏基站12和微微基站13相关联的初始策略。该属性可以以移动终端的SINR、移动终端的天线秩、网络中的移动终端的数量等的形式来体现，并且将在下面更详细地进行讨论。作为示例，在步骤S101中针对每个移动终端11以及相应的宏小区和微微基站12、13以及将与基站12、13相关联的所有其他移动终端获取诸如SINR的属性。

基于所获取的属性，确定用于使移动终端与两个基站12、13相关联的初始策略f₀。因此，基于例如针对网络10中的每个移动终端的所建立的通信信道的SINR，在步骤S102中确定移动终端中的每一个初始应当与宏基站12和微微基站13中的哪一个相关联。这将用作后续小区选择的起点。所选择的初始关联可以根据实际信道条件而极大地变化，并且可以从时隙到时隙略微不同。用于执行关联的方法可以例如是先前描述的RSRP或CRE，这取决于情况。

此后，在步骤S103中生成对于所确定的初始关联f₀的多个变化f1，f₂，…，f_n，其中每个生成的变化基于所选参数x₁，x₂，…，x_n。

在简单示例中，所选择的初始基本策略是RSRP方法，其具有到宏基站12和微微基站13的特定移动终端关联f₀(取决于每个移动终端的测量的SINR)。在该示例中，导致对于初始关联f₀的变化f1，f₂，…，f_n的所选参数x₁，x₂，…，x_n在于将具有到其相应节点的最低SINR的多个移动终端从一个节点移动到另一个节点。可以考虑其他参数，诸如小区中的移动终端的数量以及它们的平均SINR。

参考图3所示的方法的基本思想，即学习阶段将探索一组可能的小区选择策略，而不必测试每个可能的选择。因此，对于k个移动终端和1个基站，不期望必须测试l^k个不同的选择，学习它们如何执行以及在它们之间进行选择，因为努力将是大量的。此外，在真实网络中，移动终端的数量变化，因为一些移动终端经历切换并离开小区，开始和停止发送，并且可能必须在网络条件的每次改变时执行更新。

作用于初始关联f₀的变化f₁，f₂，…，f_n是

1、可再现的，即，尽管在训练阶段中随机选择所应用的变化的特定参数，但是在随后的预测阶段中，可以通过选择引起变化的相同参数来再现变化。例如，如果变化f由通过从宏基站12随机移动多个移动终端并且将它们转移到微微基站13而体现的参数x引起，则这种随机变化是不可再现的。作为替代，如果变化f由通过将具有最低SINR的多个移动终端从宏基站12随机移动到微微基站13而实现的参数x引起，则该变化是可再现的。因此，在预测阶段期间，具有最低SINR的移动终端从宏基站12转移到微微基站13。

2、基于专家知识的，即，变化基于在学习阶段(以及可能的测试阶段)期间进行的经验评估，使得确保变化改善给定场景的网络性能。

因此，回到步骤S102，其中基于反映移动终端的网络条件的属性(以SINR的形式为示例)来确定移动终端到宏基站12和微微基站13的初始关联f₀(即，基本小区选择策略)，以及步骤S103，其中生成变化f₁，f₂，…，f_n。

这些变化分别由使用所选参数x₁，x₂，…，x_n的函数f₁，f₂，…，f_n来表示。例如，所选参数可以表示从宏基站12移动到微微基站13的移动终端的不同数量。此外，每个函数可以具有指示是否将使用特定变化的二进制权重w₁，w₂，…，w_n。

因此，在步骤S103中对于初始关联f₀做出变化f₁，f₂，…，f_n：

m＝f₀+w₁f₁(x₁)+w₂f₂(x₂)+…+w_nf_n(x_n) (1)，

并且目标是通过选择变量x₁，x₂，…，x_n和权重w₁，w₂，…，w_n并且随后执行针对这些变化的子集的小区选择来找到导致最佳性能的度量m的值。

进行变量和权重的选择：

1、首先，所有w_i被设置为0，

2、对于每个i＝1，...，n，wi被设置为1

3、在学习阶段期间，在每个时隙选择x_i。以这种方式，可以针对不同的x_i值记录网络性能，

4、在随后的预测阶段期间(下面将更详细地讨论)，测试在学习阶段中生成的x_i的所有可能值，并且针对每个给定情况选择导致“最佳”度量的那些值，

5、在一定时间段之后，评估预测阶段的结果，并且选择提供最佳性能的x_i的值。如果相应的随机变化fi与初始关联f₀相比具有改善的性能，则将w_i设置为1(否则设置为0)。

6、现在xi是固定的，并且用w_i+1和x_i+1而不是w_i和x_i执行迭代。新的初始关联是f₀+∑_iw_if_i(x_i)，对于所有i。

每个生成的对于所确定的初始关联f₀(基于所选参数x₁，x₂，…，x_n)的变化f₁，f₂，…，f_n称为探索集合：

f₀+w₁f₁(x₁)，

f₀+w₁f₁(x₁)+w₂f₂(x₂)，

f₀+w₁f₁(x₁)+w₂f₂(x₂)+w₃f₃(x₃)，等等。

注意，探索集合比所有可能的小区选择的集合小得多。此外，每个新变化使得能够探索稍大的集合，导致逐渐增加并且收敛到最优小区选择的性能。还应该注意，没有必要探索新的变化。相反，如果所实现的网络性能令人满意，则可以停止上述的迭代过程，并且可以使用导出的小区选择策略。

可以设想导致变化f₁，…，f_n的多个所选参数x₁，…，x_n，例如：

·将具有最低SINR的随机数量的移动终端从宏基站12转移到移动终端具有最高SINR的微微基站13。因此，要转移的移动终端的数量与所选参数x₁，…，x_n中的一个相对应，并且通常在0和由网络的运营商配置的最大数量之间进行选择。由于宏基站12具有高得多的发射功率，所以大量移动终端不可避免地与其相关联。因此，重要的是将移动终端转移到微微基站13以便增加可用带宽。这种变化预期将导致相当大的性能增加。

·将具有最低SINR的随机数量的移动终端从最高负载微微基站节点转移到次高负载微微基站。因此，要转移的移动终端的数量与所选参数x₁，…，x_n中的一个相对应，并且通常在0和由网络的运营商配置的最大数量之间进行选择。由于特定热点可能过载，所以相邻定位的微微基站可以具有可用带宽并提供显著的速率改进。

·利用来自宏基站12的具有最低SINR的移动终端交换来自微微基站13(假设几个微微基站)的在其缓冲器中具有最大数据量的随机数量的移动终端。交换的移动终端现在与几个微微基站中的到其具有最佳SINR的微微基站相关联。要交换的移动终端的数量与所选参数x₁，…，x_n中的一个相对应，并且通常在0和由网络的运营商配置的最大数量之间进行选择。这种变化的合理性在于，即使在良好均衡的网络中，移动终端仍存在问题，具有满缓冲器的要发送数据，但是由于差的SINR而不能被清空。这种变化使得能够将这样的移动终端转移到最佳基站，并且因此释放针对这些移动终端的带宽。

注意，这三个变化可以一个接一个地使用几次。例如，假设对于第一变化，在0和4之间的某处移动终端被转移到微微基站13。如果在预测阶段之后看起来4是最佳值，则可以重新使用第一变化，并且可以探索4到8的参数空间。以这种方式可能具有相对较短的学习阶段。

现在，再次参考图3，如前所述，在步骤S103中，通过应用第一参数x₁生成第一变化f₁，第一参数x₁包括将一个移动终端从第一小区15移动到第二小区14，通过应用第二参数x₂生成第二变化f₂，第二参数x₂包括将两个移动终端从第一小区15移动到第二小区14，以此类推。在步骤S104中针对对于初始关联f₀的变化f₁，f₂，…，f_n的组合执行小区选择。因此，可以基于任何一个或多个上述探索集合来执行小区选择。

进行到步骤S105，针对基于对于步骤S104的初始关联的特定变化(一个或多个)所应用的小区选择，确定度量m的值，该度量反映移动终端针对所执行的小区选择的性能。作为示例，该度量可以以特定小区中所有移动终端的下行链路数据速率的和的形式来体现。

该度量值与步骤S102中反映移动终端网络条件的表示为n的先前获取的属性的值(即，SINR值)以及用于该特定小区选择的所选参数x₁，x₂，...，x_n一起存储，并且有利地用于开发模型M，模型M随后可以在预测阶段中使用以确定给定主要网络条件下的最佳小区选择。

在实践中，需要大量度量值和相关联的变化以及网络条件，其表示为图4的步骤S105中的[n(t)，x₁(t)，x₂(t)，…|m(t)]。因此，在本发明的实施例中，该方法可以进行到步骤S106，其中在随后的时隙中执行另一迭代，使得对于预测模型M可以在步骤S107中确定和添加另一组度量值和相关联的变化以及网络条件。因此，已经有效地开发了用于将值[n，x₁，x₂，…]映射到度量m的各种小区选择的模型M，该映射有利地可以用于随后预测通信网络10的行为以及将由特定变化引起的小区选择应用于导致反映最佳性能的度量值的初始小区选择策略。作为示例，由将两个移动终端从宏小区15移动到微微小区14的变化引起的小区选择可导致最高移动终端下行链路速率，使得对初始小区选择策略的特定变化将可能随后被选择用于特定获取的属性n。

在本发明的实施例中，反映移动终端的各种网络条件的一个或多个属性用作参考图3的流程图所示的学习阶段的输入，如将在下面详细讨论的.

反映网络条件的属性n可以包括以下属性中的任何一个或组合：

·小区中移动终端的SINR：此参数很重要，因为SINR对实现的数据速率有很大的影响。低SINR通常导致较低的移动终端数据速率。因此，移动终端可以划分成不同的SINR群组。

·小区中移动终端的天线秩。

·小区中移动终端的数量：该参数是重要的，因为它有效地规定如何在使用相同基站的移动终端之间共享可用带宽。通常，移动终端越多，每个移动终端被分配的带宽越小。

·特定基站范围内的移动终端的数量。该属性反映了特定基站的地理相关负载，并且给出关于某个基站的可能过载的提示。

·几何统计：小区的几何统计是每个子带的期望信号与干扰加噪声的比率。它等同于基站的SINR量度。该属性意味着哪些基站对于它们服务的移动终端具有典型的低SINR，并且因此应当仅由少量移动终端来使用。

·先前获得的度量值：该属性可以解释为概述所获得的度量的一般演进，以确定应当使用哪个小区选择策略(特别是在下降趋势的情况下)。

·SINR、秩、UE的数量等等的先前值：这个属性对于理解网络条件的演进以及对与项目6类似的获得的度量的影响是重要的。

·发送的分组的大小和用于移动终端的缓冲器中的数据量：该属性对于关于移动终端将在网络中停留多长时间以及因此消耗网络资源的指示会是有趣的。

·业务的类型：该属性可以用于指示移动终端的日期速率要求以及潜在地它们在网络中的使用期限。

·移动终端的类型。

此外，可以利用多种方法来开发先前讨论的预测模型M：

·线性回归；

·神经网络；

·支持向量机(SVM)；以及

·随机森林。

再次参考图2，下面将更详细地讨论由测试块32执行的测试阶段。测试阶段的目的是验证在学习阶段中开发并由学习块31提供的预测模型M是否准确。使用从学习阶段输出的预测模型M，测试阶段继续基于参数x₁，x₂，...，x_n生成对基本策略f₀的变化f₁，f₂，…，f_n。然而，测试块32仅在新的小区选择时隙的开始时测量所获得的输出度量和从学习块31接收的先前预测的度量值之间的误差。如果在某一测试时间之后，来自学习块31的度量值与由测试块32完成的度量值之间的误差足够小(例如，小于由网络运营商设置的阈值)，则认为来自学习块31的度量值是正确的，并且该过程进行到预测阶段。如果所述误差不是足够小，则恢复到学习阶段，并且通过获得更多训练数据或通过朝着能够捕获更复杂依赖性的更复杂模型迭代移动来改进模型M。更具体地，学习基于几个要素：例如学习算法，所使用的属性，用于限制过拟合的正则化参数，训练样本的数量等。

图4示出了根据本发明的实施例的在网络10的RRM节点处进行的方法的流程图。如在图4中可以看出，这称为预测阶段，其中给定网络10的移动终端的最佳预测结果，宏基站12和/或微微基站13使用在学习阶段期间详细制定的预测模型M以应用小区选择。在下文中，将使用微微基站13作为示例。在第一步骤201中，微微基站13获取反映时间t时移动终端的网络条件的一个或多个属性n(t)的值。如可以实现的，该步骤与图3中所示的学习阶段的步骤S101相对应，并且目的是随后能够根据在学习阶段中存储的关联[n，x₁，x₂，…|m]预测度量的“最佳”值并应用相应的小区选择，如将要描述的。

如在示出学习阶段的图3的先前示例性实施例中，可以以移动终端的SINR、移动终端的天线秩、网络中的移动终端的数量等的形式来实现该属性。在下一步骤S202中，生成在学习阶段中用于引起变化f₁，f₂，…，f_n的所有可能的参数x₁，x₂，…，x_n。这些生成的参数可以存储在列表C中。

作为示例，如果x₁∈{0，1，2}，并且x₂∈{0，1，2}and x₂∈{-1，1}，则C＝[0，-1；0，1；1，-1；1，1；2，-1；2，1].

然后，在步骤S203中，对于C中的每个元素以及所获取的反映网络条件的属性n(t)的值，使用在学习阶段中开发的预测模型M(即通过使用在学习阶段中创建和存储的关联[n，x₁，x₂，…|m])来预测度量m的值。

现在，在步骤S204中，识别导致针对移动终端的集合的期望最佳性能的预测度量值，以及根据关联[n，x₁，x₂，…|m]识别所选参数的相应组合。在步骤S205中，通过基于所选参数x₁，x₂，…，x_n的期望组合生成对于确定的初始关联f₀的适当变化f₁，f₂，…，f_n，在网络中应用与所识别的所选参数的组合相对应的小区选择。

预测阶段通常在步骤S206中进行到新的小区选择定时时隙，其中进行学习阶段的进一步迭代以预测该度量的新值并应用相应的小区选择。如可以看出，如果网络条件急剧变化，则预测变得不准确，并且学习阶段必须被恢复以便详细制定更好地反映实际网络条件的修改的预测模型M。

图5示出了根据本发明实施例的RRM节点12。RRM节点12包括：获取装置111，其适于获取反映要对其进行小区选择的移动终端的集合中的每一个移动终端的网络条件的至少一个属性的值；确定装置112，其适于基于获取的每个移动终端的属性的值，确定移动终端中的每一个初始应当与诸如无线电基站的至少第一和第二无线电接入节点中的哪一个相关联；以及生成装置113，其适于生成对于所确定的初始关联的多个变化，其中每个生成的变化基于相应的所选参数。RRM节点12还包括执行装置114，其适于针对生成的对于所确定的初始关联的多个变化的至少子集执行小区选择；以及确定装置115，其适于确定针对每个所执行的小区选择的度量的值，并且使每个度量值与所获取的属性以及针对每个所执行的小区选择的每个相应变化的所选参数相关联，该度量反映移动终端的集合针对每个所执行的小区选择的性能；其中随后可以基于度量值和相关联的获取的属性以及所选参数来执行小区选择。RRM节点12的装置111-115中的任何一个或多个可以包括用于接收和向其他设备提供信息的通信接口，并且还可以包括用于存储所获得的和/或处理的数据的本地存储器。此外，RRM节点12的装置111-115中的任何一个或多个可以(类似于结合图1给出的描述)由以一个或多个微处理器的形式体现的处理器来实现，所述微处理器布置成执行下载到与微处理器相关联的合适的存储介质(诸如RAM，闪存或硬盘驱动器)的计算机程序。该装置可以包括一个或多个发射器和/或接收器和/或收发器，其包括模拟和数字组件以及适当数量的用于无线电通信的天线。

已经参考一些实施例在上文中主要地描述了本发明。然而，如本领域技术人员容易理解的，除了上文所公开的实施例之外的其它实施例同样可能在由所附专利权利要求限定的本发明的范围内。

Claims (15)

1.一种针对通信网络(10)中的移动终端的集合在至少两个相邻小区(14，15)之间执行小区选择的方法，其中所述至少两个相邻小区中的第一小区(15)包括具有第一发射功率的第一无线电接入节点(12)，并且所述至少两个相邻小区中的第二小区(14)包括具有第二发射功率的第二无线电接入节点(13)，所述方法包括：学习阶段和预测阶段，

所述学习阶段包括：

获取(S101)反映所述集合中的每个移动终端的网络条件的至少一个属性(n)的值；

基于所获取的每个移动终端的属性的值，确定(S102)每个移动终端初始应当与至少第一无线电接入节点和第二无线电接入节点中的哪一个相关联(f₀)；

生成(S103)对于所确定的初始关联(f₀)的多个变化(f₁，f₂，…，f_n)，其中每个生成的变化基于相应的所选参数(x₁，x₂，…，x_n)；

针对生成的对于所确定的初始关联(f₀)的多个变化(f₁，f₂，…，f_n)的至少子集执行(S104)小区选择；以及

确定(S105)针对所执行的小区选择中的每个小区选择的度量(m＝f₀+w₁f₁(x₁)+…)的值，并且将每个度量值与所获取的属性和针对每个所执行的小区选择的每个相应变化的所选参数相关联([n，x₁，x₂，…|m])，该度量反映移动终端的集合针对每个所执行的小区选择的性能；其中小区选择在后续基于所述度量值和相关联的获取的属性以及所选参数执行；以及

所述预测阶段包括：

获取(S201)反映所述集合中的每个移动终端的网络条件的所述至少一个属性的值；

生成(S202)所述多个变化(f₁，f₂，…，f_n)所基于的所选参数(x₁，x₂，…，x_n)的所有组合；

针对所选参数的每个组合，使用每个度量值与所获取的属性和针对每个所执行的小区选择的每个变化的所选参数的关联([n，x₁，x₂，…|m])来预测(S203)所述度量(m＝f₀+w₁f₁(x₁)+…)的值；

识别(S204)导致针对移动终端的集合的期望性能的预测度量值，并根据所述关联识别所选参数的相应组合；以及

执行(S205)与所识别的所选参数的组合相对应的小区选择。

2.根据权利要求1所述的方法，其中在需要另外的度量值的情况下，执行另外的迭代，在这种情况下，针对对于所确定的初始关联(f₀)的新变化(f₁，f₂，…，f_n)执行另外的小区选择；并且所述另外的度量值是针对所执行的另外的小区选择而确定的，且与所获取的属性和针对每个新变化的所选参数相关联。

3.根据权利要求1或2所述的方法，其中所述第一发射功率实质上大于所述第二发射功率。

4.根据权利要求1或2所述的方法，其中所述至少一个属性包括以下项中的一项或多项：由移动终端获取的信号干扰比SINR、移动终端的天线秩、所述集合中的移动终端的数量、每个无线电接入节点的范围内的移动终端的数量、几何统计、先前获得的度量值、发送的数据分组的大小、在移动终端处缓冲的数据量、业务的类型和移动终端的类型。

5.根据权利要求1或2所述的方法，还包括：

针对后续小区选择，将所确定的度量值与在所述后续小区选择时隙中获得的新度量值进行比较，其中，在所确定的度量值和后续小区选择时隙的度量值之间的差低于阈值的情况下，所确定的度量值被认为是准确的以供使用。

6.根据权利要求1所述的方法，还包括在预测度量被认为是准确的情况下：

获取所述至少一个属性的值；

生成所选参数的所有组合；

预测所述度量的新值；以及

识别应用了新的小区选择的导致期望性能的所选参数的新组合。

7.根据权利要求1所述的方法，还包括在预测度量被认为是不准确的情况下：

针对对于所确定的初始关联(f₀)的新变化(f₁，f₂，…，f_n)，执行另外的小区选择；以及

确定针对所执行的另外的小区选择的所述另外的度量值，并将所述另外的度量值与所获取的属性和针对每个新变化的所选参数相关联，用于所述度量的值的新预测。

8.一种计算机可读介质(18)，包括计算机可执行指令的计算机程序(19)，用于当所述计算机可执行指令在设备(12)中所包括的处理单元(17)上执行时使所述设备(12)执行权利要求1-7中任一项中所述的步骤。

9.一种无线电资源管理RRM节点装置，配置为针对通信网络(10)中的移动终端的集合在至少两个相邻小区(14，15)之间执行小区选择，其中所述至少两个相邻小区中的第一小区(15)包括具有第一发射功率的第一无线电接入节点(12)，并且所述至少两个相邻小区中的第二小区(14)包括具有第二发射功率的第二无线电接入节点(13)，所述RRM节点装置包括处理单元(17)和存储器(18)，所述存储器包含指令，所述指令在由处理单元运行时使所述RRM节点装置执行学习过程和预测过程：

所述学习过程包括：

获取反映所述集合中的每个移动终端的网络条件的至少一个属性(n)的值；

基于所获取的每个移动终端的属性的值，确定每个移动终端初始应当与至少第一无线电接入节点和第二无线电接入节点中的哪一个相关联(f₀)；

生成对于所确定的初始关联(f₀)的多个变化(f₁，f₂，…，f_n)，其中每个生成的变化基于相应的所选参数(x₁，X₂，…，X_n)；

针对生成的对于所确定的初始关联(f₀)的多个变化(f₁，f₂，…，f_n)的至少子集执行小区选择；以及

确定针对所执行的小区选择中的每个小区选择的度量(m＝f₀+w₁f₁(x₁)+…)的值，并且将每个度量值与所获取的属性和针对每个所执行的小区选择的每个相应变化的所选参数相关联([n，x₁，x₂，…|m])，该度量反映移动终端的集合针对每个所执行的小区选择的性能；其中小区选择在后续基于所述度量值和相关联的获取的属性以及所选参数执行；以及

所述预测过程包括：

获取反映所述集合中的每个移动终端的网络条件的所述至少一个属性的值；

生成所述多个变化(f₁，f₂，…，f_n)所基于的所选参数(x₁，x₂，…，x_n)的所有组合；

针对所选参数的每个组合，使用每个度量值与所获取的属性和针对每个所执行的小区选择的每个变化的所选参数的关联([n，x₁，x₂，…|m])来预测所述度量(m＝f₀+w₁f₁(x₁)+…)的值；

识别导致针对移动终端的集合的期望性能的预测度量值，并根据所述关联识别所选参数的相应组合；以及

执行与所识别的所选参数的组合相对应的小区选择。

10.根据权利要求9所述的RRM节点装置，其中在需要另外的度量值的情况下，执行另外的迭代，在这种情况下，针对对于所确定的初始关联(f₀)的新变化(f₁，f₂，…，f_n)而执行另外的小区选择；并且所述另外的度量值是针对所执行的另外的小区选择而确定的，且与所获取的属性和针对每个新变化的所选参数相关联。

11.根据权利要求9或10所述的RRM节点装置，其中所述第一发射功率实质上大于所述第二发射功率。

12.根据权利要求9或10所述的RRM节点装置，其中，所述至少一个属性包括以下项中的一项或多项：由移动终端获取的信号干扰比SINR、移动终端的天线秩、所述集合中的移动终端的数量、每个无线电接入节点的范围内的移动终端的数量、几何统计、先前获得的度量值、发送的数据分组的大小、在移动终端的缓冲器中的数据量、业务的类型、移动终端的类型。

13.根据权利要求9或10所述的RRM节点装置，还操作用于：

针对后续小区选择，将所确定的度量值与在所述后续小区选择时隙中获得的新度量值进行比较，其中，在所确定的度量值和所述后续小区选择时隙的度量值之间的差低于阈值的情况下，所确定的度量值被认为是准确的以供使用。

14.根据权利要求9所述的RRM节点装置，还在预测度量被认为是准确的情况下操作用于：

获取所述至少一个属性的值；

生成所选参数的所有组合；

预测所述度量的新值；以及

识别应用了新的小区选择的导致期望性能的所选参数的新组合。

15.根据权利要求9所述的RRM节点装置，还在预测度量被认为是不准确的情况下操作用于：

针对对于所确定的初始关联(f₀)的新变化(f₁，f₂，…，f_n)，执行另外的小区选择；以及

确定针对所执行的另外的小区选择的所述另外的度量值，并将所述另外的度量值与所获取的属性和针对每个新变化的所选参数相关联，用于所述度量的值的新预测。

Images