CN107222875A - 基于大数据分析的小基站开关控制方法 - Google Patents

基于大数据分析的小基站开关控制方法 Download PDF

Info

Publication number
CN107222875A
CN107222875A CN201710555307.1A CN201710555307A CN107222875A CN 107222875 A CN107222875 A CN 107222875A CN 201710555307 A CN201710555307 A CN 201710555307A CN 107222875 A CN107222875 A CN 107222875A
Authority
CN
China
Prior art keywords
mrow
msub
base station
sample
small base
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.)
Granted
Application number
CN201710555307.1A
Other languages
English (en)
Other versions
CN107222875B (zh
Inventor
潘志文
杜鹏程
刘楠
尤肖虎
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
White Box Shanghai Microelectronics Technology Co ltd
Original Assignee
Southeast University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Southeast University filed Critical Southeast University
Priority to CN201710555307.1A priority Critical patent/CN107222875B/zh
Publication of CN107222875A publication Critical patent/CN107222875A/zh
Application granted granted Critical
Publication of CN107222875B publication Critical patent/CN107222875B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W52/00—Power management, e.g. TPC [Transmission Power Control], power saving or power classes
    • H04W52/02—Power saving arrangements
    • H04W52/0203—Power saving arrangements in the radio access network or backbone network of wireless communication networks
    • H04W52/0206—Power saving arrangements in the radio access network or backbone network of wireless communication networks in access points, e.g. base stations
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04J—MULTIPLEX COMMUNICATION
    • H04J11/00—Orthogonal multiplex systems, e.g. using WALSH codes
    • H04J11/0023—Interference mitigation or co-ordination
    • H04J11/005—Interference mitigation or co-ordination of intercell interference
    • H04J11/0056—Inter-base station aspects
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/147—Network analysis or design for predicting network behaviour
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
    • H04W16/22—Traffic simulation tools or models
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Mobile Radio Communication Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于大数据分析的小基站开关控制方法，包括：采集场景信息步骤；数据预处理步骤；提取特征步骤；选择并训练模型步骤；预测步骤。本发明利用特殊场景下时刻表以及小基站接入人数的历史记录，建立数学模型，预测未来小基站内的待服务人数，根据待服务人数去控制小基站的开关，达到节能、减少基站间干扰的目的。在建立数学模型的过程中，本方法结合数据挖掘和机器学习，提高了预测的准确率和系统的实用性。

Description

基于大数据分析的小基站开关控制方法
技术领域
本发明属于网络通信技术领域，涉及基于大数据分析的小基站开关控制方法。
背景技术
在宏站覆盖范围内同频密集部署低功率小站的超密集异构网络是一种提升无线网络频谱利用率和网络容量的有效方法。但由于待服务的终端在空间上分布不均，在某一时刻，一个地区内的某些小基站满负荷运转，而有些小基站空载，这造成了处理资源的浪费。另一方面，小区中的用户分布存在潮汐效应。所以，如果能事先预测出小基站未来的服务人数，就可以适时地开启/关闭小基站，从而达到，节能、减少基站间干扰等目的。当前现有技术还无法实现这一点。
发明内容
为解决上述问题，本发明公开了一种基于大数据分析的小基站开关控制方法，能够预测小基站未来服务人数，并据此开启/关闭小基站。在一些特殊场景，如飞机场、火车站等场景下，人流的潮汐效应更加明显：在火车/飞机到来前，站台往往汇聚大量服务人群，而离去时往往带离大量服务人群。和一般场景不同的是，在飞机场、火车站场景下，由于飞机/火车到达和离开的时刻是由时刻表预先规定好的，所以人群的到来和离去的大体情况也是可以预先获知的。本发明即可利用特殊场景下时刻表以及小基站接入人数的历史记录，建立数学模型，预测未来小基站内的待服务人数，根据待服务人数去控制小基站的开关。
为了达到上述目的，本发明提供如下技术方案：
基于大数据分析的小基站开关控制方法，包括如下步骤：
步骤1：采集场景信息
所述场景信息包括两部分的信息：
第一部分信息是小基站内接入人数的信息，定期采样一次，记录各个时刻的基站接入人数，放入样本集合L＝{(xi,yi)}，其中xi为记录数据的时刻，yi为xi时刻小基站接入的人数；
第二部分是场景中时刻表所记录的人群到来的时刻和人数，放入样本集合M＝{(ti,pi)}，其中ti为人群到来的时刻，pi为到来的人数；
步骤2：数据预处理
去除集合L和M中的重复数据、异常值和空值；
步骤3：提取特征
为每个样本提取12个特征，将结合集合L和集合M，生成一个新的集合G＝{(fi,n,li)}，其中，fi,n表示集合G中的第i个样本的第n个特征，1≤n≤12，对应着模型的输入，li表示集合G中第i个样本的标签，取值为1或0，1代表基站开启，0代表基站关闭，对应着模型的输出；
计算集合G中的fi,n：
首先，在集合L中选取第i个样本(xi,yi)，然后在集合M中生成样本子集Msub＝{(tm,pm)}，其中tm满足tm-xi＞(n-1)T且tm-xi＜nT，T为设定好的时间间隔，最后，fi,n由式得到；
计算集合G中li：
在集合L中选取第i个样本(xi,yi)：
上式中，k是控制基站开关的阈值，将集合G＝{(fi,n,li)}统一用G＝{(Fi,li)}表示，其中Fi集合G中fi,n的向量形式；
步骤4：选择并训练模型
选择二项逻辑斯蒂回归模型，二项逻辑斯蒂回归模型是如下的条件概率分布：
P(Yout＝0|Xin)＝1-P(Yout＝1|Xin) (3)
上式中，Xin是输入，是集合G中样本的特征，Yout是输出，是模型预测的小基站的开关状态，1代表基站开启，0代表基站关闭，w∈Rn和b∈R是参数，w称为权值向量，b称为偏置，w·Xin为w和Xin的內积；给定一个样本特征Xin,按照式(2)和式(3)可以求得P(Yout＝1|Xin)和P(Yout＝0|Xin)；逻辑斯蒂回归比较两个条件概率值的大小，将特征Xin分到概率较大的那一类；
训练模型，利用集合G中的数据得到模型中参数w和b的值；
步骤5：预测
搜集时刻表的数据样本M，再按照步骤3，生成该时刻的特征，将生成的特征输入模型，即可预测时刻t的基站开关状态。
进一步的，所述步骤2中去除异常值的过程如下：
在集合L中，若yi＜0或yi＞pMax1，pMax1表示正常情况下，采样得到的人数的最大值，，则该样本属于异常值，应从集合L中去除样本(xi,yi)；集合M中,若pi＜0或pi＞pMax2，pMax2表示正常情况下，即将到来的人群的最大人数，则该样本属于异常值，应从集合M中去除样本(ti,pi)。
进一步的，所述步骤4中选择极大似然估计法估计模型参数，步骤如下：
步骤4-1，设：
P(Yout＝1|Xin＝Fi)＝h(Fi) (4)
P(Yout＝0|Xin＝Fi)＝1-h(Fi) (5)
则整个样本集G的似然函数为:
步骤4-2，整个样本集G的对数似然函数为：
步骤4-3，将式(2)、(3)、(4)、(5)代入式(7)中可得：
步骤4-4，求得参数w,b：
步骤4-5，使用随机梯度下降法求得式(9)的解。
与现有技术相比，本发明具有如下优点和有益效果：
本发明能够事先预测出小基站未来的服务人数，从而能够适时地开启/关闭小基站，达到节能、减少基站间干扰的目的。在建立数学模型的过程中，本方法结合数据挖掘和机器学习，提高了预测的准确率和系统的实用性。
附图说明
图1为本发明提供的基于大数据分析的小基站开关控制方法流程图。
具体实施方式
以下将结合具体实施例对本发明提供的技术方案进行详细说明，应理解下述具体实施方式仅用于说明本发明而不用于限制本发明的范围。
本发明提供的基于大数据分析的小基站开关控制方法，如图1所示，包括如下步骤：
步骤1：采集场景信息。场景信息主要包括两部分的信息：第一部分信息是小基站内接入人数的信息，每一分钟采样一次(采样频率可根据需要改变)，记录各个时刻的基站接入人数，放入样本集合L＝{(xi,yi)}，其中xi为记录数据的时刻，时刻精确到分钟，yi为xi时刻小基站接入的人数。第二部分是场景中时刻表所记录的人群到来的时刻和人数，放入样本集合M＝{(ti,pi)}，其中ti为人群到来的时刻，时刻精确到分钟，pi为到来的人数。
步骤2：数据预处理。数据中往往会有数据空值、异常值、数据重复等问题，这些问题会降低模型的精确度，因此，需要进行必要的处理，以保证数据的可靠性，从而建立出精确的模型。
处理方法如下：
1、对重复数据的处理。在集合L中，若xi＝xj，yi＝yj，则在L中去除样本(xj,yj)，保留(xi,yi)。同理，在集合M中，若ti＝tj，pi＝pj，则在M中去除样本(ti,pi)，保留(ti,pi)。
2、对异常值的处理。在集合L中，若yi＜0或yi＞pMax1(pMax1表示正常情况下，采样得到的人数的最大值，该值可由运营商根据网络运行情况自行确定)，则该样本属于异常值，应从集合L中去除样本(xi,yi)；集合M中,若pi＜0或pi＞pMax2(pMax2表示正常情况下，即将到来的人群的最大人数，该值可由运营商根据网络运行情况自行确定)，则该样本属于异常值，应从集合M中去除样本(ti,pi)。
3、对空值的处理。在集合L和M中，若发现某一样本中任意数值为空，即从集合中去除该样本。
步骤3：提取特征。提取特征是利用机器学习方法建模的最关键一步。我们为每个样本提取12个特征，这些特征的提取直接关系到最后结果的好坏。在本步骤中，我们将结合集合L和集合M，生成一个新的集合G＝{(fi,n,li)}。其中，fi,n表示集合G中的第i个样本的第n个特征(模型共有12个特征，所以1≤n≤12)，对应着模型的输入，li表示集合G中第i个样本的标签，取值为1或0，1代表基站开启，0代表基站关闭，对应着模型的输出。
计算集合G中的fi,n的步骤如下：
首先，在集合L中选取第i个样本(xi,yi)。然后在集合M中生成样本子集Msub＝{(tm,pm)}，其中tm满足tm-xi＞(n-1)T且tm-xi＜nT(T为设定好的时间间隔，该值可由运营商根据网络运行情况自行确定)。最后，fi,n由式得到。
计算集合G中li的步骤如下：
在集合L中选取第i个样本(xi,yi)。
k是控制基站开关的阈值，该值可由运营商根据网络运行情况自行确定。为方便表示，下文中集合G＝{(fi,n,li)}统一用G＝{(Fi,li)}表示，其中Fi集合G中fi,n的向量形式。
步骤4：选择并训练模型。可采用二项逻辑斯蒂回归模型作为本方法的模型。二项逻辑斯蒂回归模型是如下的条件概率分布：
P(Yout＝0|Xin)＝1-P(Yout＝1|Xin) (3)
这里Xin是输入，是集合G中样本的特征，Yout是输出，是模型预测的小基站的开关状态(1代表基站开启，0代表基站关闭)，w∈Rn和b∈R是参数，w称为权值向量，b称为偏置，w·Xin为w和Xin的內积。给定一个样本特征Xin,按照式(2)和式(3)可以求得P(Yout＝1|Xin)和P(Yout＝0|Xin)。逻辑斯蒂回归比较两个条件概率值的大小，将特征Xin分到概率较大的那一类。整个模型的作用即通过输入特征值，预测小基站的开关状态。
训练模型就是要利用集合G中的数据得到模型中参数w和b的值，可选择极大似然估计法来估计模型参数。步骤如下：
1.设：
P(Yout＝1|Xin＝Fi)＝h(Fi) (4)
P(Yout＝0|Xin＝Fi)＝1-h(Fi) (5)
则整个样本集G的似然函数为:
2.整个样本集G的对数似然函数为：
3.将式(2)、(3)、(4)、(5)代入式(7)中可得：
4.求得参数w,b：
5.使用随机梯度下降法求得式(9)的解。
步骤5：预测。若需要预测时刻t的基站开关状态，只需按照步骤1，搜集时刻表的数据样本M，再按照步骤3，生成该时刻的特征，将生成的特征输入模型，即可得到结果。
本发明方案所公开的技术手段不仅限于上述实施方式所公开的技术手段，还包括由以上技术特征任意组合所组成的技术方案。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。

Claims (3)

1.基于大数据分析的小基站开关控制方法，其特征在于，包括如下步骤：
步骤1：采集场景信息
所述场景信息包括两部分的信息：
第一部分信息是小基站内接入人数的信息，定期采样一次，记录各个时刻的基站接入人数，放入样本集合L＝{(xi,yi)}，其中xi为记录数据的时刻，yi为xi时刻小基站接入的人数；
第二部分是场景中时刻表所记录的人群到来的时刻和人数，放入样本集合M＝{(ti,pi)}，其中ti为人群到来的时刻，pi为到来的人数；
步骤2：数据预处理
去除集合L和M中的重复数据、异常值和空值；
步骤3：提取特征
为每个样本提取12个特征，将结合集合L和集合M，生成一个新的集合G＝{(fi,n,li)}，其中，fi,n表示集合G中的第i个样本的第n个特征，1≤n≤12，对应着模型的输入，li表示集合G中第i个样本的标签，取值为1或0，1代表基站开启，0代表基站关闭，对应着模型的输出；
计算集合G中的fi,n：
首先，在集合L中选取第i个样本(xi,yi)，然后在集合M中生成样本子集Msub＝{(tm,pm)}，其中tm满足tm-xi＞(n-1)T且tm-xi＜nT，T为设定好的时间间隔，最后，fi,n由式得到；
计算集合G中li：
在集合L中选取第i个样本(xi,yi)：
<mrow> <msub> <mi>l</mi> <mi>i</mi> </msub> <mo>=</mo> <mfenced open = "{" close = ""> <mtable> <mtr> <mtd> <mrow> <mn>1</mn> <mo>,</mo> <msub> <mi>y</mi> <mi>i</mi> </msub> <mo>&gt;</mo> <mi>k</mi> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mn>0</mn> <mo>,</mo> <msub> <mi>y</mi> <mi>i</mi> </msub> <mo>&amp;le;</mo> <mi>k</mi> </mrow> </mtd> </mtr> </mtable> </mfenced> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>1</mn> <mo>)</mo> </mrow> </mrow>
上式中，k是控制基站开关的阈值，将集合G＝{(fi,n,li)}统一用G＝{(Fi,li)}表示，其中Fi集合G中fi,n的向量形式；
步骤4：选择并训练模型
选择二项逻辑斯蒂回归模型，二项逻辑斯蒂回归模型是如下的条件概率分布：
<mrow> <mi>P</mi> <mrow> <mo>(</mo> <msub> <mi>Y</mi> <mrow> <mi>o</mi> <mi>u</mi> <mi>t</mi> </mrow> </msub> <mo>=</mo> <mn>1</mn> <mo>|</mo> <msub> <mi>X</mi> <mrow> <mi>i</mi> <mi>n</mi> </mrow> </msub> <mo>)</mo> </mrow> <mo>=</mo> <mfrac> <mrow> <mi>exp</mi> <mrow> <mo>(</mo> <mi>w</mi> <mo>&amp;CenterDot;</mo> <msub> <mi>X</mi> <mrow> <mi>i</mi> <mi>n</mi> </mrow> </msub> <mo>+</mo> <mi>b</mi> <mo>)</mo> </mrow> </mrow> <mrow> <mn>1</mn> <mo>+</mo> <mi>exp</mi> <mrow> <mo>(</mo> <mi>w</mi> <mo>&amp;CenterDot;</mo> <msub> <mi>X</mi> <mrow> <mi>i</mi> <mi>n</mi> </mrow> </msub> <mo>+</mo> <mi>b</mi> <mo>)</mo> </mrow> </mrow> </mfrac> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>2</mn> <mo>)</mo> </mrow> </mrow>
P(Yout＝0|Xin)＝1-P(Yout＝1|Xin)(3)
上式中，Xin是输入，是集合G中样本的特征，Yout是输出，是模型预测的小基站的开关状态，1代表基站开启，0代表基站关闭，w∈Rn和b∈R是参数，w称为权值向量，b称为偏置，w·Xin为w和Xin的內积；给定一个样本特征Xin,按照式(2)和式(3)可以求得P(Yout＝1|Xin)和P(Yout＝0|Xin)；逻辑斯蒂回归比较两个条件概率值的大小，将特征Xin分到概率较大的那一类；
训练模型，利用集合G中的数据得到模型中参数w和b的值；
步骤5：预测
搜集时刻表的数据样本M，再按照步骤3，生成该时刻的特征，将生成的特征输入模型，即可预测时刻t的基站开关状态。
2.根据权利要求1所述的基于大数据分析的小基站开关控制方法，其特征在于，所述步骤2中去除异常值的过程如下：
在集合L中，若yi＜0或yi＞pMax1，pMax1表示正常情况下，采样得到的人数的最大值，，则该样本属于异常值，应从集合L中去除样本(xi,yi)；集合M中,若pi＜0或pi＞pMax2，pMax2表示正常情况下，即将到来的人群的最大人数，则该样本属于异常值，应从集合M中去除样本(ti,pi)。
3.根据权利要求1所述的基于大数据分析的小基站开关控制方法，其特征在于，所述步骤4中选择极大似然估计法估计模型参数，步骤如下：
步骤4-1，设：
P(Yout＝1|Xin＝Fi)＝h(Fi) (4)
P(Yout＝0|Xin＝Fi)＝1-h(Fi) (5)
则整个样本集G的似然函数为:
<mrow> <mi>L</mi> <mi>F</mi> <mo>=</mo> <munderover> <mo>&amp;Pi;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>N</mi> </munderover> <msup> <mrow> <mo>&amp;lsqb;</mo> <mi>h</mi> <mrow> <mo>(</mo> <msub> <mi>F</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> <mo>&amp;rsqb;</mo> </mrow> <msub> <mi>l</mi> <mi>i</mi> </msub> </msup> <msup> <mrow> <mo>&amp;lsqb;</mo> <mn>1</mn> <mo>-</mo> <mi>h</mi> <mrow> <mo>(</mo> <msub> <mi>F</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> <mo>&amp;rsqb;</mo> </mrow> <mrow> <mn>1</mn> <mo>-</mo> <msub> <mi>l</mi> <mi>i</mi> </msub> </mrow> </msup> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>6</mn> <mo>)</mo> </mrow> </mrow>
步骤4-2，整个样本集G的对数似然函数为：
<mrow> <msub> <mi>LF</mi> <mrow> <mi>l</mi> <mi>o</mi> <mi>g</mi> </mrow> </msub> <mo>=</mo> <mi>l</mi> <mi>o</mi> <mi>g</mi> <mrow> <mo>(</mo> <mi>L</mi> <mi>F</mi> <mo>)</mo> </mrow> <mo>=</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>N</mi> </munderover> <mo>&amp;lsqb;</mo> <msub> <mi>l</mi> <mi>i</mi> </msub> <mi>l</mi> <mi>o</mi> <mi>g</mi> <mi> </mi> <mi>h</mi> <mrow> <mo>(</mo> <msub> <mi>F</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> <mo>+</mo> <mrow> <mo>(</mo> <mn>1</mn> <mo>-</mo> <msub> <mi>l</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> <mi>l</mi> <mi>o</mi> <mi>g</mi> <mrow> <mo>(</mo> <mn>1</mn> <mo>-</mo> <mi>h</mi> <mo>(</mo> <msub> <mi>F</mi> <mi>i</mi> </msub> <mo>)</mo> <mo>)</mo> </mrow> <mo>&amp;rsqb;</mo> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>7</mn> <mo>)</mo> </mrow> </mrow>
步骤4-3，将式(2)、(3)、(4)、(5)代入式(7)中可得：
<mrow> <msub> <mi>LF</mi> <mrow> <mi>l</mi> <mi>o</mi> <mi>g</mi> </mrow> </msub> <mrow> <mo>(</mo> <mi>w</mi> <mo>,</mo> <mi>b</mi> <mo>)</mo> </mrow> <mo>=</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>N</mi> </munderover> <mo>&amp;lsqb;</mo> <msub> <mi>l</mi> <mi>i</mi> </msub> <mrow> <mo>(</mo> <mi>w</mi> <mo>&amp;CenterDot;</mo> <msub> <mi>F</mi> <mi>i</mi> </msub> <mo>+</mo> <mi>b</mi> <mo>)</mo> </mrow> <mo>-</mo> <mi>l</mi> <mi>o</mi> <mi>g</mi> <mrow> <mo>(</mo> <mn>1</mn> <mo>+</mo> <mi>exp</mi> <mo>(</mo> <mi>w</mi> <mo>&amp;CenterDot;</mo> <msub> <mi>F</mi> <mi>i</mi> </msub> <mo>+</mo> <mi>b</mi> <mo>)</mo> </mrow> <mo>&amp;rsqb;</mo> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>8</mn> <mo>)</mo> </mrow> </mrow>
步骤4-4，求得参数w,b：
<mrow> <mi>w</mi> <mo>,</mo> <mi>b</mi> <mo>=</mo> <munder> <mi>arg</mi> <mrow> <mi>w</mi> <mo>,</mo> <mi>b</mi> </mrow> </munder> <msub> <mi>maxLF</mi> <mrow> <mi>l</mi> <mi>o</mi> <mi>g</mi> </mrow> </msub> <mrow> <mo>(</mo> <mi>w</mi> <mo>,</mo> <mi>b</mi> <mo>)</mo> </mrow> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>9</mn> <mo>)</mo> </mrow> </mrow>
步骤4-5，使用随机梯度下降法求得式(9)的解。
CN201710555307.1A 2017-07-10 2017-07-10 基于大数据分析的小基站开关控制方法 Active CN107222875B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710555307.1A CN107222875B (zh) 2017-07-10 2017-07-10 基于大数据分析的小基站开关控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710555307.1A CN107222875B (zh) 2017-07-10 2017-07-10 基于大数据分析的小基站开关控制方法

Publications (2)

Publication Number Publication Date
CN107222875A true CN107222875A (zh) 2017-09-29
CN107222875B CN107222875B (zh) 2019-10-01

Family

ID=59952009

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710555307.1A Active CN107222875B (zh) 2017-07-10 2017-07-10 基于大数据分析的小基站开关控制方法

Country Status (1)

Country Link
CN (1) CN107222875B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109104257A (zh) * 2018-07-04 2018-12-28 北京邮电大学 一种无线信号检测方法及装置
WO2019148960A1 (zh) * 2018-02-05 2019-08-08 华为技术有限公司 一种数据分析装置、系统及方法
US11170433B2 (en) 2018-01-09 2021-11-09 Intuit Inc. Method and system for using machine learning techniques to make highly relevant and de-duplicated offer recommendations
US11244340B1 (en) * 2018-01-19 2022-02-08 Intuit Inc. Method and system for using machine learning techniques to identify and recommend relevant offers

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104702334A (zh) * 2014-08-11 2015-06-10 庄昆杰 Td-lte宏基站室内延伸覆盖系统和td-lte小基站射频前端组件
CN105517120A (zh) * 2014-09-25 2016-04-20 中兴通讯股份有限公司 小基站开关的控制方法及装置
CN106292980A (zh) * 2016-08-04 2017-01-04 北京北方烽火科技有限公司 小基站的电源控制方法及电路
CN106912088A (zh) * 2015-12-22 2017-06-30 中国联合网络通信集团有限公司 一种小基站休眠的控制方法及装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104702334A (zh) * 2014-08-11 2015-06-10 庄昆杰 Td-lte宏基站室内延伸覆盖系统和td-lte小基站射频前端组件
CN105517120A (zh) * 2014-09-25 2016-04-20 中兴通讯股份有限公司 小基站开关的控制方法及装置
CN106912088A (zh) * 2015-12-22 2017-06-30 中国联合网络通信集团有限公司 一种小基站休眠的控制方法及装置
CN106292980A (zh) * 2016-08-04 2017-01-04 北京北方烽火科技有限公司 小基站的电源控制方法及电路

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
刘楠，潘志文，尤肖虎 等: "Coverage and Rate Analysis for Non-uniform Millimeter-Wave Heterogeneous Cellular Network", 《2016年第8届无线通信与信号处理国际会议（WCSP）》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11170433B2 (en) 2018-01-09 2021-11-09 Intuit Inc. Method and system for using machine learning techniques to make highly relevant and de-duplicated offer recommendations
US11244340B1 (en) * 2018-01-19 2022-02-08 Intuit Inc. Method and system for using machine learning techniques to identify and recommend relevant offers
US20220051282A1 (en) * 2018-01-19 2022-02-17 Intuit Inc. Method and system for using machine learning techniques to identify and recommend relevant offers
WO2019148960A1 (zh) * 2018-02-05 2019-08-08 华为技术有限公司 一种数据分析装置、系统及方法
CN110121180A (zh) * 2018-02-05 2019-08-13 华为技术有限公司 一种数据分析装置、系统及方法
US11523288B2 (en) 2018-02-05 2022-12-06 Huawei Technologies Co., Ltd. Data analysis apparatus, system, and method
CN109104257A (zh) * 2018-07-04 2018-12-28 北京邮电大学 一种无线信号检测方法及装置

Also Published As

Publication number Publication date
CN107222875B (zh) 2019-10-01

Similar Documents

Publication Publication Date Title
CN107222875A (zh) 基于大数据分析的小基站开关控制方法
Chemouil et al. Special issue on artificial intelligence and machine learning for networking and communications
WO2021057576A1 (zh) 一种构造云化网络告警根因关系树模型方法、装置和存储介质
CN109886444A (zh) 一种交通短时客流预测方法、装置、设备和存储介质
CN106844826A (zh) 一种用于风电机组齿轮箱故障预测诊断的方法
Shubyn et al. Deep learning based adaptive handover optimization for ultra-dense 5G mobile networks
CN106936127A (zh) 一种线路负荷回归分析与预测方法及系统
CN108134979B (zh) 基于深度神经网络的小基站开关控制方法
CN112243249B (zh) 5g nsa组网下lte新入网锚点小区参数配置方法和装置
CN111246552A (zh) 一种基于移动网络流量预测的基站休眠方法
CN104618149B (zh) 一种异构网络son智能运维管理方法
Moysen et al. On the potential of ensemble regression techniques for future mobile network planning
Atayero et al. Applications of soft computing in mobile and wireless communications
CN103533648B (zh) 基于支持向量机的无线异构网络移动用户位置预测方法
Yang et al. A scheme of terminal mobility prediction of ultra dense network based on SVM
Wenjing et al. Centralized management mechanism for cell outage compensation in LTE networks
CN109257204A (zh) 一种软件定义网络中基于深度学习的网络节能装置及方法
CN108063802A (zh) 基于边缘计算的用户位置动态性建模优化方法
Xing et al. Wireless traffic prediction with series fluctuation pattern clustering
Koursioumpas et al. AI-driven, context-aware profiling for 5G and beyond networks
CN108632943A (zh) 5g超密集网络中基于小基站部署密度的分簇方法
Jaffry Cellular traffic prediction with recurrent neural network
CN108600365A (zh) 一种基于排序学习的无线异构网络缓存方法
Wu et al. A machine learning based intelligent propagation model for rsrp prediction
CN116744261A (zh) 一种毫米波通信网络与边缘计算融合方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20210331

Address after: 201306 building C, No. 888, Huanhu West 2nd Road, Lingang New Area, Pudong New Area, Shanghai

Patentee after: Shanghai Hanxin Industrial Development Partnership (L.P.)

Address before: 211189 No. 2, Four Pailou, Xuanwu District, Nanjing City, Jiangsu Province

Patentee before: SOUTHEAST University

TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20230918

Address after: 201615 room 301-6, building 6, no.1158, Jiuting Central Road, Jiuting Town, Songjiang District, Shanghai

Patentee after: White box (Shanghai) Microelectronics Technology Co.,Ltd.

Address before: 201306 building C, No. 888, Huanhu West 2nd Road, Lingang New Area, Pudong New Area, Shanghai

Patentee before: Shanghai Hanxin Industrial Development Partnership (L.P.)