CN108449718A - 一种超密集异构网络中移动用户位置预测方法 - Google Patents

Abstract

本申请提供了一种超密集异构网络中移动终端位置预测方法，该方法包括：获取UDN中移动终端的状态信息；针对任一移动终端，使用预设时间段内该移动终端的状态信息，通过支持向量机SVM线性回归算法确定该移动终端在时刻T的状态信息，与在时刻T+P的位置信息的线性超平面函数；当需要预测该移动终端的位置信息时，使用该移动终端当前时刻T1的状态信息与所述线性超平面函数，确定该移动终端在时刻T1+P的位置信息；其中，P根据移动终端的移动速度配置。能够对移动终端的位置进行高效、准确地预测。

Description

一种超密集异构网络中移动用户位置预测方法

技术领域

本发明涉及通信技术领域，特别涉及一种超密集异构网络中移动用户位置预测方法。

背景技术

通信技术正亟需新一代的演进与变革来满足持续增长的用户需求，为了提供更好的通信质量，业界提出了“1000x”的网络规划目标。下一代移动通信需要强有力的技术向“1000x”的目标迈进，其中超高密度网络(UDN，ultra dense networks)、毫米波与大规模多入多出(Massive MIMO，massive multi-input multi-output)被视为5G中最具前景的关键技术。

融合了多种接入技术的异构无线网络更能满足无线通信这种潜在要求，而随着用户数量与密度的急剧上升，多种节点密集部署的UDN成为未来移动通信的必然趋势。UDN允许由用户自主部署低功率、低成本、低能耗的家庭基站或微型基站，基站可以直接部署在室内，覆盖面积小，缩短了终端与基站之间的距离，且不需经过建筑的穿透损耗，大大降低了信号的衰减，改善了基站与终端之间的链路质量，增强了室内覆盖，使用户的通信质量得到更好的保证。较小的路径损耗也允许终端以更低的功率发送信息，许多小区还能够根据系统内的业务状况自适应地选择休眠与激活，不仅提高了能效，同时也减小了用户之间的干扰。低功率发射增加了终端电池的续航时间，对于电池电量受限的许多智能设备具有重要意义。

不同于Wi-Fi使用未经认证的频段，小小区复用宏小区的频率，微型基站发射功率低，覆盖面积小，可以在网络中大量部署，形成很高的频率复用率，有效地利用宝贵的频谱资源。UDN可以有效缓解热点地区的业务拥堵，分流与平衡全网负载，减少拥塞与掉话的发生。可见，UDN技术在增强室内覆盖方面有着显著优势，同时大大提升了频率与能量利用率，分流与均衡网络负载，使得网络性能得到显著改善。

但是，UDN中大部分微基站的覆盖范围将在50～150m，随着技术的发展甚至会缩小至10m左右，在城市人口密集区域形成相当密集的节点部署。随着网络中发射节点功率与覆盖半径的降低，用户的移动将会使移动台在短时间内移出微型基站的服务区域，在半径小于100m的小小区中，移动速度为30km/h的用户将会在几秒钟内移出该小区，在UDN中用户面临着频繁的切换。

同时，由于微型基站的密集分布，用户附近同时存在多个覆盖范围以及接入模式各异的服务节点，用户的选择更为复杂与多样化。在这种场景下，怎样使用户或服务基站快速准确地做出最优的选择，成为移动性管理中的核心问题。

发明内容

有鉴于此，本申请提供一种超密集异构网络中移动用户位置预测方法，能够对移动终端的位置进行高效、准确地预测。

为解决上述技术问题，本申请的技术方案是这样实现的：

一种超密集异构网络UDN中移动终端位置预测方法，该方法包括：

获取UDN中移动终端的状态信息；

针对任一移动终端，使用预设时间段内该移动终端的状态信息，通过SVM线性回归算法确定该移动终端在时刻T的状态信息，与在时刻T+P的位置信息的线性超平面函数；

当需要预测该移动终端的位置信息时，使用该移动终端当前时刻T1的状态信息与所述线性超平面函数，确定该移动终端在时刻T1+P的位置信息；其中，P根据移动终端的移动速度配置。

由上面的技术方案可知，本申请中收集移动终端在一段时间内的状态信息，通过SVM线性回归算法预测出该移动终端在下一时刻移动到的位置，能够对移动终端的位置进行高效、准确地预测。

附图说明

图1为本申请实施例中移动终端位置预测流程示意图；

图2为一维线性回归函数误差度量示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，下面结合附图并举实施例，对本发明的技术方案进行详细说明。

本申请实施例中提供一种UDN中移动终端位置预测方法，收集移动终端在一段时间内的状态信息，通过支持向量机(SVM，Support Vector Machine)线性回归算法预测出该移动终端在下一时刻移动到的位置，能够对移动终端的位置进行高效、准确地预测。

为了描述方便，进行移动终端位置预测的设备统一称为设备。

设备收集并获取UDN中移动终端的状态信息，具体如下：

移动终端识别号，为了区分不同移动终端的状态信息，选择移动终端识别号作为标识之一，移动终端的标识号具有唯一性。

时间信息，对于一般的用户来说，一周不同时间的移动规则带有一定的相似性。很多用户在工作日可能会以较高的频率出现在家和办公室，而在周末则可能会安排在不同地方的活动。因此，一般来说，用户在周末的移动会比在工作日的移动表现出更大的随机性和变化性，所以针对时间信息采用两个时间信息分别为：第一时间信息和第二时间信息作为训练数据，其中，第一时间信息为星期一到星期日，映射为1到7的整数；第二时间信息为每日的时间，换算为以秒为单位的时间。

位置坐标：X轴坐标值，和/或Y轴坐标值；

当移动终端仅进行直线移动时，可以只考虑X轴或Y轴，一般情况，移动终端都呈曲线运动，则需考虑X轴和Y轴的坐标值。

移动终端的速度，移动终端的移动速度必然会影响在预测间隔内移动的距离，因此，根据移动终端的速度，配置预测一时间间隔后移动终端的位置。控制该时间间隔内终端移动的距离，使其足够小，保证该技术方案对小区的切换有一定的指导意义。

以UDN中基站间的距离为150m计算，终端的速度小于30m/s即108km/h(中低速移动场景)，为了确保预测的实时性，则假设控制预测下一时刻终端位置的时间间隔为P＝5s。只有速度满足该条件下，该预测算法才有其指导意义。为了保证预测的准确性。此时间间隔为一实例列举，在具体应用中根据基站间的距离，以及移动终端的移动速度配置P的具体值。

下面结合附图，详细描述本申请在UDN中实现移动终端位置预测的详细过程。

参见图1，图1为本申请实施例中移动终端位置预测流程示意图。具体步骤为：

步骤101，设备获取UDN中移动终端的状态信息。

在具体实现时，需要预测哪个移动终端的位置，则获取哪个终端的状态信息，通过移动终端的移动终端识别号区分。

获取哪个时间段的状态信息，也根据实际需要确定，如最近4周的状态信息等。

步骤102，该设备针对任一移动终端，使用预设时间段内该移动终端的状态信息，通过SVM线性回归算法确定该移动终端在时刻T的状态信息，与在时刻T+P的位置信息的线性超平面函数。

在确定线性超平面函数时，针对X轴和Y轴分别确定；确定X轴的坐标的线性超平面函数时，使用的状态信息包括：移动终端识别号、时间信息(第一时间信息和第二时间信息)、X轴坐标值、移动速度；确定Y轴的坐标的线性超平面函数时，使用的状态信息包括：移动终端识别号、时间信息(第一时间信息和第二时间信息)、Y轴坐标值、移动速度。

在本申请实施例中，针对X轴和Y轴的坐标确定对应的线性超平面函数时，由于确定方式一致，仅仅是训练数据不一样，因此，在下文以确定X轴坐标对应的线性超平面函数为例，来说明训练过程：

为了避免由于输入和输出数据量级上的多样性导致的较大错误，消除特征向量之间数量级的多样化，则将获取的移动终端的状态信息对应的数据样本归一化到区间[-1,1]上，且在进行归一化时，不对移动终端的识别号进行归一化，具体实现时，使用下式进行归一化：

其中，和分别是特征向量中每个分量的最大值和最小值。

上式为对特征向量的某一维度进行归一化，因为不同维度的单位和数据大小是不一样，因此，需要针对某一维度单独归一化。本申请实施例中需对状态信息中移动终端识别号之外的状态信息分别进行归一化。

基于SVM线性回归的预测训练学习阶段。SVM回归预测的基本思想是给定一个输入样本根据给定的数据样本推断它所对应的输出y是多少。如果对应样本数据不在一个线性平面，则通过适当的核函数定义，将输入空间的非线性变换到高维空间，并在此高维特征空间进行线性回归。

SVM回归算法的执行分为两步：利用历史位置信息进行线下模型训练；在线将测试位置数据输入SVM模型进行下一时刻位置的预测。具体实现可以利用Libsvm工具实现。Libsvm是台湾教授开发的一套支持向量机的库，可以方便的实现对数据的分类或者回归预测。

线下模型训练的目的是寻找一个合适的预测模型，通过历史信息使其能够反映预测值和输入向量之间的关系。当一个新的测试向量输入模型为由模型输出一个预测结果来预测用户下一时刻将要到达的位置地点。与分类问题不同的是回归预测的样本点只有一类，所求的最优超平面不是使两类样本分开，而是使所有的样本点离超平面的总偏差最小，即回归问题就是给定一个新的输入样本根据给定的数据样本推断它所输出的y是多少，这个输出y是一个实数。

假设给定的数据样本集合为其中寻找一个Rⁿ上的一个超平面函数f(x)，以便用y＝f(x)来推断任一输入所对应的y值，本申请实施例中l为5。

首先考虑线性回归。设数据样本为n维向量，某区域的l个数据样本表示为下式：

(x_i,y_i),...,(x_l,y_l)∈Rⁿ×R

线性超平面函数设为其中是预测超平面的法向量，b是偏差；在SVM回归算法中，目的是训练出超平面并把作为预测值(第n次预测)。为了达到最好的预测，需要最小化误差，这里是把传统的平方误差函数利用损失函数定义，即下式的最小化：

约束条件如下：

其中，使函数更为平坦，从而提高了泛化能力，为减小误差，和ξ_i是松弛变量，可以看作是错误预测产生的误差。常数ε对与y_i的差别做出的折中，与y_i的差别小于ε时不计入误差，大于ε时误差计为

回归算法定义了一个损失函数，该函数可以忽略真实值某个上下范围内的误差，这种类型的函数即为ε不敏感损失函数。参见图2，图2为一维线性回归函数误差度量示意图。图2中变量ξ和度量了训练点上误差，在不敏感区内点误差为0。常数C可以看作是对错误预测点的惩罚参数。

常数ε的范围根据实际的预测精度决定，这个取决于应用的场景，考虑到5G UDN网络的覆盖范围，这里最基本的要求是不要超过小区的覆盖半径，当然是越小越好。

这是一个凸二次优化问题，可以引入拉格朗日函数来实现系数的求解，具体如下所示：

其中，其中α_i,γ_i,是相应的拉格朗日乘子。

对拉格朗日函数L在极值处对b、ξ_i、求偏导为零，得到如下关系式：

将如上三个关系式带入L中，化简得到只关于α_i和的函数，具体如下式所示：

上述计算过程将最小化转化成其对偶问题，用S关系式表示如下：

其约束条件为：

在S(α,α^*)的最大值，且条件下，获得α_i和

根据α_i和以及求得

再根据求得b的值，即可求得该移动终端在时刻T的状态信息，与在时刻T+P的位置信息的线性超平面函数：

当移动终端的状态信息对应的数据不能实现线性回归预测时，利用非线性映射把数据映射到一个高维空间，再在高维特征空间进行线性回归预测。SVM通过核函数巧妙地把数据映射到一个高维空间，假设内核函数被定义为K(x_i,x_j)＝Φ(x_i)^TΦ(x_j)，此时最大化函数为：

约束条件为：

为了保证输出结果的直观性，输出的预测结果可以是未经过归一化的，即反映的是实际的位置坐标，因此，可以针对f(x)进行反归一化后再输出。

步骤103，该设备当需要预测该移动终端的位置信息时，使用该移动终端当前时刻T1的状态信息与所述线性超平面函数，确定该移动终端在时刻T1+P的位置信息。

当该移动终端在时刻T1+P所在位置的位置信息与确定的该移动终端在时刻T1+P的位置信息不同时，更新该移动终端当前的位置信息，使用更新后的移动终端的位置信息进行线性超平面函数的确定，以及时间P后的位置信息预测。

该设备确定出该移动终端在时刻T1+P的位置信息时，在覆盖该位置信息对应的位置的基站为该移动终端分配通信所需的资源，并为该移动终端在预测小区中实现预切换。可以减少在实际切换时所需的工作量，达到减小切换延迟的目标。

通过上述技术方案，本申请实施例中将SVM线性回归算法引入到移动终端运动状态的建模和分析中，可以通过SVM对小样本集进行建模，在确保准确的同时避免高负荷的数据收集。该算法从严格的数学理论出发，论证和实现了在小样本情况下能最大限度地提高预测可靠性。

综上所述，本申请通过收集移动终端在一段时间内的状态信息，通过SVM线性回归算法预测出该移动终端在下一时刻移动到的位置，能够对移动终端的位置进行高效、准确地预测；

且确定出该移动终端在时刻T1+P的位置信息时，在覆盖该位置信息对应的位置的基站为该移动终端分配通信所需的资源，并为该移动终端在预测小区中实现预切换。可以减少在实际切换时所需的工作量，达到减小切换延迟的目标。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。

Claims (6)

1.一种超密集异构网络UDN中移动终端位置预测方法，其特征在于，该方法包括：

获取UDN中移动终端的状态信息；

针对任一移动终端，使用预设时间段内该移动终端的状态信息，通过支持向量机SVM线性回归算法确定该移动终端在时刻T的状态信息，与在时刻T+P的位置信息的线性超平面函数；

当需要预测该移动终端的位置信息时，使用该移动终端当前时刻T1的状态信息与所述线性超平面函数，确定该移动终端在时刻T1+P的位置信息；其中，P根据移动终端的移动速度配置。

2.根据权利要求1所述的方法，其特征在于，所述位置信息包括：X轴坐标值，和/或Y轴坐标值；

当位置信息为X轴的坐标值时，所述状态信息为：移动终端识别号、时间信息、X轴坐标值、移动速度；

当位置信息为Y轴坐标值时，所述状态信息为：移动终端识别号、时间信息、Y轴坐标值、移动速度。

3.根据权利要求2所述的方法，其特征在于，

所述时间信息包括：第一时间信息和第二时间信息；

其中，第一时间信息为星期一到星期日，映射为1到7的整数；第二时间信息为每日的时间，换算为以秒为单位的时间。

4.根据权利要求1所述的方法，其特征在于，所述方法进一步包括：

当该移动终端的状态信息不能使用SVM线性回归算法时，利用非线性映射将所述移动终端的状态信息映射到高维空间，在高维特征空间通过SVM线性回归算法确定该移动终端在时刻T的状态信息，与在时刻T+P的位置信息的线性超平面函数。

5.根据权利要求1所述的方法，其特征在于，所述方法进一步包括：

确定出该移动终端在时刻T1+P的位置信息时，在覆盖该位置信息对应的位置的基站为该集中终端分配通信所需的资源。

6.根据权利要求1-5任意一项所述的方法，其特征在于，所述方法进一步包括：

当该移动终端在时刻T1+P所在位置的位置信息与确定的该移动终端在时刻T1+P的位置信息不同时，更新该移动终端当前的位置信息。