CN107466012B - 在室内家庭网络下基于移动性预测的网络切换优化方法 - Google Patents
在室内家庭网络下基于移动性预测的网络切换优化方法 Download PDFInfo
- Publication number
- CN107466012B CN107466012B CN201710733088.1A CN201710733088A CN107466012B CN 107466012 B CN107466012 B CN 107466012B CN 201710733088 A CN201710733088 A CN 201710733088A CN 107466012 B CN107466012 B CN 107466012B
- Authority
- CN
- China
- Prior art keywords
- fap
- probability
- observation
- prediction
- user
- 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.)
- Active
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W36/00—Hand-off or reselection arrangements
- H04W36/0005—Control or signalling for completing the hand-off
- H04W36/0083—Determination of parameters used for hand-off, e.g. generation or modification of neighbour cell lists
- H04W36/0085—Hand-off measurements
- H04W36/0094—Definition of hand-off measurement parameters
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W36/00—Hand-off or reselection arrangements
- H04W36/08—Reselecting an access point
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/029—Location-based management or tracking services
-
- H04W4/043—
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W84/00—Network topologies
- H04W84/02—Hierarchically pre-organised networks, e.g. paging networks, cellular networks, WLAN [Wireless Local Area Network] or WLL [Wireless Local Loop]
- H04W84/04—Large scale networks; Deep hierarchical networks
- H04W84/042—Public Land Mobile systems, e.g. cellular systems
- H04W84/045—Public Land Mobile systems, e.g. cellular systems using private Base Stations, e.g. femto Base Stations, home Node B
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种在室内家庭网络下基于移动性预测的网络切换优化方法,属于移动通信领域,首先,分析室内用户行为特征,将预测时间分为若干时间段,在每一时间段根据用户移动特征进行预测。其次,考虑室内拓扑结构对用户移动轨迹的影响,训练生成所有的可能轨迹,在这些轨迹上进行用户轨迹的预测。此外,由于穿墙损耗的影响,距同一FAP相同距离位置的连接概率将发生变化,提出调整特殊位置的连接概率来保证选取最优的下一切换目标FAP。根据仿真结果可以看出,采用本发明所提预测方法来进行网络切换的优化,有效地减少了不必要的切换次数,并增加了用户的滞留时间,保证室内用户持续性通信服务。
Description
技术领域
本发明属于移动通信领域,具体地说,是指一种在室内家庭网络下基于移动性预测的网络切换优化方法。
背景技术
随着室内数据流量急剧增长,提升室内通信质量成为未来无线网络研究的热点领域。家庭基站的部署可以扩展室内网络覆盖范围并提升网络容量。在家庭基站密集部署的室内场景中,复杂的建筑物结构以及多变的用户移动行为将导致切换的频繁发生,为了保证用户持续性服务,将移动性预测技术引入,通过预测用户位置来优化切换过程。
在切换频繁发生的情况下,利用移动性预测技术可以优化切换过程,减少不必要的切换次数。然而,在室内环境中,复杂的拓扑结构以及多变的用户行为使得精确预测更加困难,现有的预测模型不再适用于室内用户移动性预测。
在宏基站和家庭基站构成的分层网络中,参考文献1提出一种自适应切换机制,该机制根据用户历史的位置信息很好地解决了宏基站和家庭基站之间切换的问题,但是该机制没有考虑在密集部署家庭基站之间的切换,随着用户在室内的移动,频繁地切换将发生,容易造成用户通信的中断。参考文献[1]:W.Nasrin and J.Xie,"A self-adaptivehandoff decision algorithm for densely deployed closed-group femtocellnetworks,"201512th Annual IEEE International Conference on Sensing,Communication,and Networking(SECON),Seattle,WA,2015,pp.390-398.。
室内通信环境中,参考文献2提出一种基于HMM(Hidden Markov Model,隐马尔科夫模型)的切换机制。当用户进入预测区域,根据用户当前位置和历史的移动信息来预测用户下一位置,从而选取合理的切换基站。但是该机制采取用户随机游走模型,在复杂的室内拓扑结构场景中不能正确反映用户移动特性,从而影响预测的精确性。参考文献[2]:A.B.Cheikh,M.Ayari,R.Langar,G.Pujolle,and L.A.Saidane,“Optimized handoff withmobility prediction scheme using hmm for femtocell networks,”in 2015IEEEInternational Conference on Communications(ICC),June 2015,pp.3448–3453。
在室内环境下,由于用户多变的移动特性,分析用户行为特征是必须考虑的。同时,复杂的室内拓扑结构影响了用户的移动轨迹,如何合理预测移动轨迹是必须要解决的。文献3提出一种基于马尔科夫模型的预测方案,根据当前位置来预测下一位置区域,但不规则运动的增加将会降低预测性能结果。参考文献[3]:G.Liu and G.M.Jr,“A class ofmobile motion prediction algorithms for wireless mobile computing andcommunications,”Mobile Networks and Applications,vol.1,no.2,pp.113–121,1996。
以上现有技术没有考虑用户行为特征随时间的变化,使得预测精确性降低。此外,由于建筑物结构影响,用户移动轨迹的预测需要考虑实际拓扑结构,避免不存在的预测路径从而提高预测精度来选择最优的切换目标基站。
发明内容
针对现有技术存在的问题,本发明研究移动性预测在室内复杂拓扑结构场景下的应用,提出一种在室内家庭网络下基于移动性预测的网络切换优化方法,优化用户设备在室内家庭基站之间的切换,保证通信用户的持续性服务。
本发明提供的在室内家庭网络下基于移动性预测的网络切换优化方法,包括如下步骤:
步骤1,初始化阶段,包括:将预测时间划分为若干个时间段,根据场景中的历史数据计算各时间段对应的状态转移概率矩阵,计算所有观测位置连接FAP(Femtocell AccessPoint,家庭基站接入点)的概率,获得观测概率矩阵。所述的状态转移概率矩阵记录所有FAP之间的转移概率。所述的观测概率矩阵根据观测位置距离FAP的间距进行连接概率设定,并调整位于墙壁后的观测位置的连接概率。根据建筑物拓扑结构生成所有可能的室内场景移动轨迹。
由于穿墙损耗的影响,距同一FAP相同距离位置的连接概率将发生变化,本发明提出调整特殊位置的连接概率来保证选取最优的下一切换目标FAP。
步骤2,预测阶段,包括:将用户当前位置加入位置观测序列,根据用户历史移动位置信息,选取当前时间段对应的状态转移概率矩阵以及观测概率矩阵,预测用户下一位置,并计算出下一阶段最优的切换目标FAP。
步骤3,进行FAP切换。
所述的步骤3进行FAP切换时,包括:判断切换目标FAP是否和当前连接的FAP相同,如果相同,不进行切换操作并返回预测阶段进行下一时隙的预测;否则,切换至目标FAP,并返回预测阶段进行下一时隙的预测。
本发明的优点和带来的有益效果在于:
1.本发明方法可以实现对室内用户移动轨迹精确预测。根据仿真结果可以看出,采用本发明所提预测方法来进行网络切换的优化,有效地减少了不必要的切换次数,并增加了用户的滞留时间;
2.本发明方法保证室内用户持续性通信服务,通过预测用户下一位置区域,决策出最优的目标切换FAP,从而保证用户良好的持续性通信服务。
3.本发明方法综合考虑建筑物拓扑结构以及用户移动时间,实现了对室内用户移动轨迹的分析建模,有助于分析解决其他相关室内用户行为问题。
附图说明
图1是本发明方法所应用的一个室内家庭网络环境示意图;
图2是本发明在室内家庭网络下基于移动性预测的网络切换优化方法流程图;
图3是本发明实施例FAP覆盖范围信号等级;
图4是本发明实施例中预测区域用户平均切换次数随时间变化图;
图5是本发明实施例中在不同预测时期用户切换次数图;
图6是本发明实施例中在不同预测时期用户平均滞留时间图。
具体实施方式
下面将结合附图和实施例对本发明作进一步的详细说明。
本发明提出一种新的室内移动性预测机制来优化网络接入点的切换,主要是根据HMM模型预测用户位置时考虑时间和空间特性对用户移动轨迹的影响,增加对时间段的划分在每个时间段对用户的移动轨迹进行预测,考虑室内障碍物的对家庭基站信号的影响以及对用户移动轨迹的影响,从而提升预测的精度。首先,分析室内用户行为特征,将预测时间分为若干时间段,在每一时间段根据用户移动特征进行预测。其次,考虑室内拓扑结构对用户移动轨迹的影响,训练生成所有的可能轨迹,在这些轨迹上进行用户轨迹的预测。此外,由于穿墙损耗的影响,距同一FAP相同距离位置的连接概率将发生变化,提出调整特殊位置的连接概率来保证选取最优的下一切换目标FAP。
如图1所示,为一办公室应用场景,具有复杂拓扑结构的室内环境,包括会议室、打印室、食堂等等,在室内布置有若干基站接入点FAP。如图2所示,为本发明的在室内家庭网络下基于移动性预测的网络切换优化方法步骤,下面说明各实现步骤。
步骤1,初始化阶段。根据场景中的历史数据计算出状态转移概率矩阵A和观测概率矩阵B。
首先,将预测时间划分为若干个时间段,计算各时间段对应的状态转移概率矩阵。
以图1所示室内办公场景为例,根据工作时间将预测时间分为5个时间阶段,如表1所示。在不同时间段,根据用户连接的历史信息训练计算出所有的FAP之间的转移概率,构成状态转移概论矩阵。
表1不同时间段的状态转移概率矩阵
预测时期 | 时间段 | 状态转移概率矩阵 |
t<sub>1</sub> | 8:00~11:30 | A<sub>1</sub> |
t<sub>2</sub> | 11:30~14:00 | A<sub>2</sub> |
t<sub>3</sub> | 14:00~17:30 | A<sub>3</sub> |
t<sub>4</sub> | 17:30~20:00 | A<sub>4</sub> |
t<sub>5</sub> | 20:00~22:30 | A<sub>5</sub> |
本发明基于HMM(Hidden Markov Model,隐马尔科夫模型)进行状态转移概率矩阵的计算。
状态转移概率矩阵A={ai,j}表示所有FAP之间转移概率集合,其中,
ai,j=P(tr=Sj|tr-1=Si) (1)
此处,ai,j表示用户在tr-1时刻所处状态Si到tr时刻所处状态Sj的转移概率;状态Si代表用户设备和FAP Fi连接,状态Sj代表用户设备和FAPFj连接。表1中的A1~A5均如此表示。
其次,计算观测概率矩阵B。本发明基于HMM计算观测概率矩阵B。
观测概率矩阵B={bik}表示所有观测位置连接FAP的概率集合,其中,
bik=P(Ok|tr==Si) (2)
bik表示用户设备在观测位置Ok处连接FAP Fi的概率。
本发明方法将预测区域划分为小网格,每个网格代表一个观测位置Ok。以图1为例,每个网格横向(沿Y轴)15米,纵向(沿X轴)10米,将预测区域划分为25个小网格,每个网格代表一个观测位置。
本发明方法将FAP所覆盖的范围分为三个等级,如图3所示,高信号强度区域(Highsignal level area),中等信号强度区域(Middle signial level area)以及低信号强度区域(Low signial level area),对于Fi的三个区域分别标记为HL(Fi)、ML(Fi)、LL(Fi)。观测位置Oi、Oj位于Fi的低信号强度区域,观测位置Ok位于Fi的信号覆盖区域外,Oi与Fi之间隔有一面墙。
高信号强度区域连接FAP的概率PH:
中等信号强度区域连接FAP的概率PM:
低信号强度区域连接FAP的概率PL:
其中,α为中等信号区域连接概率调整因子,β为低信号区域位置连接概率调整因子。
上面公式中,K表示FAPFi的所覆盖的区域范围内的所有观测位置数目。Mwb表示中等信号强度区域,即ML(Fi)。Lwb表示低信号强度区域,即LL(Fi)。
本发明方法在该步骤还根据建筑物拓扑结构生成所有可能的室内场景移动轨迹,在这些轨迹集合中进行用户位置预测。
在计算出基于HMM移动性预测模型所需状态转移概率矩阵A和观测概率矩阵B后,结合用户历史移动位置信息,利用HMM解码过程可以预测出下一最优切换目标FAP。利用HMM解码过程由维特比算法进行求解。
步骤2,预测阶段。将用户当前位置加入位置观测序列,根据用户历史移动位置信息,选取当前时间段对应的状态转移概率矩阵A以及观测概率矩阵B,通过HMM的解码过程预测出用户下一位置信息,计算出下一阶段最优的切换目标FAP。设当前用户连接的FAP为Fi,计算下一阶段的切换目标FAP为Fj。
步骤3,切换执行阶段。如果和当前连接FAP相同,不进行切换操作并返回预测阶段进行下一时隙的预测;如果和当前连接FAP不同,切换至目标FAP,并返回预测阶段进行下一时隙的预测。在切换FAP完成后,用户移动到下一个位置后,判断用户的该位置是否在需要/不需要切换的FAP的信号覆盖范围内,如果在,则继续进行下一个位置的预测,否则,结束本次预测。
实施例
本发明考虑如下场景:如图1所示,在50m×70m室内办公场景中,用户移动速度为0.2m/s到1m/s之间,区域部署6个FAP,每一个FAP覆盖范围为15m,设定的中等信号区域连接概率调整因子α为0.2,低信号区域连接概率调整因子β为0.5。
为了证明本发明提出的移动性预测优化切换方案(MPOHS)的性能,选用了两种切换机制进行对比。
机制1(OHMP):该方案没有考虑墙壁损耗的影响,距离FAP相同位置的连接概率相同,没有分析用户移动特性,采取随机游走模型。
机制2(HNF):没有进行预测过程,将距离用户最近的FAP进行切换连接。
如图4所示,是预测区域平均发生的切换次数随着时间变化图。从图4可以看出显示了所提预测方案MPOHS切换次数为15次,OHMP切换次数为18,HNF切换次数为27,所提方案有效的减少了切换次数。
如图5所示,为用户在不同预测时期的切换次数,从图5可以看出,所提预测方案在各个时期的切换次数都要小于对比方案。其中,HNF切换次数最多,这是因为HNF将用户设备切换至距离最近的FAP,由于移动性以及连接概率的变化,导致频繁的切换发生。OHMP采用用户随机游走模型,不能精确预测用户下一位置区域,从而不一定能选出最优的切换目标FAP。本发明所提方案综合考虑用户在不同时间段的移动特性,并排除不可能的移动轨迹,能够更精确的预测用户下一位置区域,抉择出最优的切换目标FAP,从而减少不必要的切换次数。
如图6所示,是用户在不同预测时期平均滞留时间图。从图中可以看出,在前四个时期,用户滞留时间要小于第5个时期,因为在白天用户移动较为频繁,切换发生频率较大,相应滞留时间较短。进一步的,从图中可以看出,所提预测方案和对比方案相比有效的提升了用户滞留时间。HNF将距离用户切换至距离最近的FAP,这样在用户在两个FAP边缘移动时将会来回切换,相应滞留时间减少。OHMP根据相同的连接概率进行切换目标FAP执行,在特殊位置不能够切换至最优FAP,将会导致更多的切换发生,滞留时间相对较少。本发明所提方案精确的预测用户下一最优的切换目标FAP,减少了不必要的切换次数,有效的提升了用户的滞留时间。
本发明在室内部署家庭基站的网络中,引入移动性预测技术来优化切换过程,保证用户的持续性通信服务。本发明采用基于HMM的移动性预测模型来预测用户下一位置区域,综合考虑建筑物拓扑结构以及用户移动特性,将预测时间划分为不同时隙,在相应时隙计算转移概率矩阵,从而决策出最优的切换目标FAP,保证用户的持续性通信服务。
Claims (3)
1.一种在室内家庭网络下基于移动性预测的网络切换优化方法,其特征在于,包括:
步骤1,初始化阶段,包括:将预测时间划分为若干个时间段,根据场景中的历史数据,计算各时间段对应的状态转移概率矩阵,计算所有观测位置连接FAP的概率,获得观测概率矩阵;所述的状态转移概率矩阵记录所有FAP之间的转移概率;所述的观测概率矩阵根据观测位置所处位置距离FAP的间距进行连接概率设定,并调整位于墙壁后的观测位置的连接概率;FAP表示家庭基站接入点;根据建筑物拓扑结构生成所有可能的室内场景移动轨迹;
步骤2,预测阶段,包括:将用户当前位置加入位置观测序列,根据用户历史移动位置信息,选取当前时间段对应的状态转移概率矩阵和观测概率矩阵,预测用户下一位置,并计算出下一阶段最优的切换目标FAP;
步骤3,进行FAP切换;
所述的步骤1中,所述的调整位于墙壁后的观测位置的连接概率,具体是,将FAP所覆盖的范围分为高、中、低三个等级的信号强度区域,利用调整因子α调整位于墙壁后面的中等信号强度区域内的位置连接FAP的概率,利用调整因子β调整位于墙壁后面的低信号强度区域内的位置连接FAP的概率,α、β取值范围为0~1;观测概率矩阵获取方法是:将预测区域进行网格划分,每个网格代表一个观测位置;设FAPFi的高信号强度区域、中等信号强度区域和低信号强度区域分别为HL(Fi)、ML(Fi)、LL(Fi);
观测位置Ok与Fi之间无墙壁时,有:观测位置属于高信号强度区域时,该位置连接Fi的概率PH为9/15;观测位置属于中等信号强度区域时,该位置连接Fi的概率PM为4/15;观测位置属于低信号强度区域时,该位置连接Fi的概率PL为2/15;
观测位置Ok与Fi之间有墙壁时,有:观测位置属于中等信号强度区域时,该位置连接Fi的概率为PM·α;观测位置属于低信号强度区域时,该位置连接Fi的概率为PL·β。
2.根据权利要求1所述的方法,其特征在于,所述的步骤1中,所述的状态转移概率矩阵和观测概率矩阵均基于隐马尔科夫模型计算。
3.据权利要求1所述的方法,其特征在于,所述的步骤3中,在切换执行时,判断切换目标FAP是否和当前连接的FAP相同,如果相同,不进行切换操作并返回预测阶段进行下一时隙的预测;否则,切换至目标FAP,并返回预测阶段进行下一时隙的预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710733088.1A CN107466012B (zh) | 2017-08-24 | 2017-08-24 | 在室内家庭网络下基于移动性预测的网络切换优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710733088.1A CN107466012B (zh) | 2017-08-24 | 2017-08-24 | 在室内家庭网络下基于移动性预测的网络切换优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107466012A CN107466012A (zh) | 2017-12-12 |
CN107466012B true CN107466012B (zh) | 2020-04-03 |
Family
ID=60550420
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710733088.1A Active CN107466012B (zh) | 2017-08-24 | 2017-08-24 | 在室内家庭网络下基于移动性预测的网络切换优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107466012B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110839260B (zh) * | 2018-08-15 | 2021-09-14 | 中国移动通信集团浙江有限公司 | 基于支持向量机的自适应切换方法及装置 |
CN109151711B (zh) * | 2018-08-21 | 2021-01-26 | 新华三技术有限公司 | 一种连接建立方法及装置 |
CN109661009B (zh) * | 2019-02-03 | 2021-10-15 | 中国科学院计算技术研究所 | 基于移动性预测的用户面切换方法 |
CN113950113B (zh) * | 2021-10-08 | 2022-10-25 | 东北大学 | 一种基于隐马尔科夫的车联网切换决策方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7299059B2 (en) * | 2002-07-10 | 2007-11-20 | Ekahau Oy | Positioning technique |
CN103068041A (zh) * | 2012-12-31 | 2013-04-24 | 广州杰赛科技股份有限公司 | 一种定位方法 |
CN103068043A (zh) * | 2013-01-23 | 2013-04-24 | 四川长虹佳华信息产品有限责任公司 | 一种基于wifi和加速度传感器的室内精确定位方法 |
-
2017
- 2017-08-24 CN CN201710733088.1A patent/CN107466012B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7299059B2 (en) * | 2002-07-10 | 2007-11-20 | Ekahau Oy | Positioning technique |
CN103068041A (zh) * | 2012-12-31 | 2013-04-24 | 广州杰赛科技股份有限公司 | 一种定位方法 |
CN103068043A (zh) * | 2013-01-23 | 2013-04-24 | 四川长虹佳华信息产品有限责任公司 | 一种基于wifi和加速度传感器的室内精确定位方法 |
Non-Patent Citations (2)
Title |
---|
A Self-Adaptive Handoff Decision Algorithm for Densely Deployed Closed-Group Femtocell Networks;Wahida Nasrin等;《2015 12th Annual IEEE International Conference on Sensing, Communication, and Networking (SECON)》;20150625;第390-398页 * |
Optimized Handoff with Mobility Prediction Scheme Using HMM for Femtocell Networks;Ahlam Ben Cheikh等;《IEEE ICC 2015-Mobile and Wireless Networking Symposium》;20150612;第3448-3453页 * |
Also Published As
Publication number | Publication date |
---|---|
CN107466012A (zh) | 2017-12-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107466012B (zh) | 在室内家庭网络下基于移动性预测的网络切换优化方法 | |
CN107426703B (zh) | 一种在室外人流密集场所基于模糊聚类的移动性预测方法 | |
CN103874149B (zh) | 无线通信网络中的移动切换管理方法、设备及系统 | |
US8126465B2 (en) | Adaptive handover apparatus and method in a heterogeneous network environment | |
WO2021011131A1 (en) | Proactive mobile network optimization | |
CN108900980B (zh) | 一种在异构网络中基于移动性预测的资源分配优化方法 | |
Farooq et al. | Mobility prediction-based autonomous proactive energy saving (AURORA) framework for emerging ultra-dense networks | |
Tashan et al. | Mobility robustness optimization in future mobile heterogeneous networks: A survey | |
Ahuja et al. | Particle swarm optimization based network selection in heterogeneous wireless environment | |
Kaleem et al. | A fuzzy preprocessing module for optimizing the access network selection in wireless networks | |
Yap et al. | Optimized access point selection with mobility prediction using hidden Markov model for wireless network | |
Shi et al. | A user mobility prediction method to reduce unnecessary handover for ultra dense network | |
Xu et al. | Mobility model based handover algorithm in LTE-Advanced | |
Kalbkhani et al. | QoS-based multi-criteria handoff algorithm for femto-macro cellular networks | |
Prado et al. | ECHO: Enhanced conditional handover boosted by trajectory prediction | |
Liu et al. | Reinforcement learning-based joint self-optimisation method for the fuzzy logic handover algorithm in 5G HetNets | |
He et al. | An adaptive handover trigger strategy for 5G C/U plane split heterogeneous network | |
Tseng et al. | POMDP-based cell selection schemes for wireless networks | |
Becvar | Efficiency of Handover Prediction Based on Handover History. | |
Park et al. | A handover prediction model and its application to link layer triggers for fast handover | |
CN115297518A (zh) | 一种基于移动用户位置的网络切换方法及其系统 | |
Cheikh et al. | OHDP: Optimized handover with direction prediction scheme using linear regression for femtocell networks | |
Zhao et al. | Deep Q-network for user association in heterogeneous cellular networks | |
Halgamuge | Performance evaluation and enhancement of mobile and sensor networks | |
Rahman et al. | Design a technique for minimizing unnecessary handoff in mobile wireless networks |
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 |