CN108900980A - 一种在异构网络中基于移动性预测的资源分配优化方法 - Google Patents

Abstract

本发明提供了一种在异构网络中基于移动性预测的资源分配优化方法，属于通信技术领域。本方法包括：对用户的历史移动轨迹进行聚类，将聚类结果作为用户的主要位置，获取用户在各主要位置上对网络资源需求情况；将用户的历史移动轨迹建模为二阶HMM模型，将整个预测区域依据主要位置划分为对应的移动状态，将主要位置作为隐状态的取值，显状态为时间，利用二阶HMM预测模型对用户的下一位置进行预测；根据预测的位置，结合用户在该位置的网络资源需求，安排目标基站为用户设备进行按需分配。本发明在异构通信网络中，引入移动性预测技术来优化资源分配过程，保证用户的持续性通信服务，更好地提高了用户服务体验，改善了网络资源利用率。

Description

一种在异构网络中基于移动性预测的资源分配优化方法

技术领域

本发明属于通信技术领域，涉及一种在异构网络中基于移动性预测的资源分配优化方法。

背景技术

随着通信网络中移动数据流量的飞速增长，为了满足用户不断增长的需求，家庭基站被大量部署，与已有的宏基站构成异构通信网络。但是，家庭基站的发射功率较低，覆盖范围小，往往部署十分密集。由于用户的移动特性，用户设备将会在不同基站间频繁切换，通信网络需要不断地为用户重新分配资源。为了保证用户服务的连续性，引入移动性预测技术，通过提前预测用户位置并结合用户在不同位置的业务需求来优化资源分配。

在现有移动性预测的研究中，参考文献1和2提出了基于HMM(Hidden MarkovModel，隐马尔科夫模型)的接入点优化选择策略。但是，其预测机制主要基于维特比算法，该算法在此处的应用方式有一定缺陷。文献2在模型训练阶段使用了包括隐状态在内的信息来建立 HMM预测模型，但是在预测阶段却只是通过显状态序列借助维特比算法进行预测，默认隐状态是不可知的，这显然并不合理。

参考文献1：A.B.Cheikh,M.Ayari,R.Langar,G.Pujolle,and L.A.Saidane,“Optimized handoff with mobility prediction scheme using hmm for femtocellnetworks,”in 2015IEEE International Conference on Communications(ICC),June2015,pp.3448–3453.

参考文献2：K.L.Yap and Y.W.Chong,“Optimized access point selectionwith mobility prediction using hidden markov model for wireless network,”in2017Ninth International Conference on Ubiquitous and Future Networks(ICUFN),July 2017,pp.38–42.

参考文献3提出了一种基于移动性预测的资源分配策略，但是该策略并没有考虑到用户在不同时间不同地点的对于网络资源需求的变化。因此，可能会导致分配的资源过多产生浪费，或者并不足以满足用户的实际需求。

参考文献3：N.P.Kuruvatti,W.Zhou,and H.D.Schotten,“Mobility predictionof diurnal users for enabling context aware resource allocation,”in 2016IEEE83rd Vehicular Technology Conference(VTC Spring),May 2016,pp.1–5.

在异构网络中，由于用户的移动特性，分析用户行为特征是必须考虑的。同时，在分配资源时，用户本身在不同位置对于资源的实际需求也是需要考虑的。参考文献4提出了一种基于HMM的时空移动性预测模型。但是他们在每天的结束时刻就预测了下一天用户的所有移动状态，没有考虑预测当天在预测时刻之前用户的实际移动情况，对于预测准确率有较大的负面影响。

参考文件4：Q.Lv,Y.Qiao,N.Ansari,etc,“Big data driven hidden markovmodel based individual mobility prediction at points of interest,”IEEETransactions on Vehicular Technology, vol.66,no.6,pp.5204–5216,June 2017.

关于现有HMM移动性预测模型中基于维特比算法预测机制的缺陷说明如下。

在标准HMM模型的实际应用当中，通常包含3种典型问题：

问题1：

评估问题：已知HMM模型λ＝(Π,A,B)，求某一个显状态序列O＝{O₁,O₂,O₃,…,O_N}出现的概率。其中，Π表示初始状态概率矩阵，A表示隐状态转移概率矩阵，B表示显状态概率矩阵，N表示状态序列中状态的个数。

问题2：

解码\预测问题：已知HMM模型λ＝(Π,A,B)，与一个显状态序列O，求可能性最大的隐状态序列S。通常使用维特比算法来解决这个问题，寻找隐状态序列S，使概率P(S|λ,O)取得最大值。

问题3：

学习问题：根据已知情况来确定HMM模型λ＝(Π,A,B)的相关参数。如果已知隐状态与显状态序列，直接根据样本数据计算相关概率即可。如果只有显状态序列而隐状态序列未知，则需要使用Baum-welch算法进行计算。

参考文献1中认为“我们应该选择一个更加复杂的理论模型，它综合考虑了现在和之前的系统状态观测值(显状态)来预测接下来的系统状态变化，而HMM正好符合这个要求”。在参考文献2中指出“HMM模型不仅考虑了当前的显状态，也考虑到了在此之前的显状态，从而提高了移动性预测的准确率”。在后续工作中，上述两篇文献的作者都将移动性预测问题与上述的问题2进行匹配，使用了维特比算法进行相关计算。

在文献1、2中，显状态设置为用户的地理位置，隐状态为用户设备的网络接入点，文献中的技术方案希望通过用户的地理位置变化即显状态序列，来预测用户设备的下一个网络接入点。如图1所示，按照文献1、2技术方案的思路，将典型问题2应用在移动性预测中，其面临的主要问题是当前隐状态S_i未知，甚至所有的隐状态序列都是未知的。使用维特比算法的直接目的是通过已知的显状态序列O＝{O₁,O₂,O₃,…,O_N}求得最可能的S_i，然后可以根据S_i来预测下一个隐状态S_i+1，从而实现移动性预测。

然而，用户的移动状态随着时间发生变化，一旦某个状态在事实上已经出现，那么这一时刻所有相关的其他状态都应该已经发生，并且应该是可知的，即当前的隐状态S_i应该是已知的。退一步讲，假设所有的隐状态即使在已经发生的情况下确实由于某些原因依然是不可知的，那么，在建立HMM模型λ＝(Π,A,B)的阶段，为了得到的相关参数，根据典型问题3，需要使用Baum-welch算法进行估计。在文献1中明确指出其隐状态是不可知的，所以隐状态转移概率矩阵A也无法直接计算。文献1中通过理论分析定义了显状态概率矩阵B，然后根据观测到的显状态推断其对应的隐状态，从而得到隐状态序列，然后计算HMM模型的各个参数。但是这样计算过程中将会造成比较大的误差。文献2中在模型训练阶段定义隐状态和显状态都是可知的，然后得到HMM的相关参数。但是在预测阶段，按照典型问题2使用维特比算法进行预测。即在当前隐状态S_i已知的情况下，却仅根据HMM模型和显状态序列来推测当前隐状态S_i，然后预测下一隐状态S_i+1。文献2中在模型建立阶段认为已发生的隐状态是可知的，在预测阶段却又默认其是不可知的，这显然并不合理。而且，在S_i实际已经确定并且可知的情况下，却又根据HMM模型和显状态序列去推测S_i，这在增大工作量的情况下却反而可能会导致更大误差。

发明内容

针对异构场景下的移动性预测，目前采用HMM模型进行预测时存在计算不合理，预测不准确的问题，以及未虑用户在不同时间不同地点的对于网络资源需求的变化的情况等，本发明提供了一种在异构网络中基于移动性预测的资源分配优化方法，考虑了用户本身在不同位置对于资源的实际需求，优化了用户设备在室内家庭基站之间的发生切换时的网络资源分配，保证了通信用户的持续性服务。

本发明的一种在异构网络中基于移动性预测的资源分配优化方法，包括如下步骤：

步骤1，采集用户的历史移动轨迹，并对历史移动轨迹进行聚类，将聚类结果作为用户的主要位置，设获得M个主要位置C₁,C₂,…,C_M，获取用户在各主要位置上对网络资源需求情况。M为正整数。

步骤2，将用户的历史移动轨迹建模为二阶HMM模型，其中，将整个预测区域依据M个主要位置划分为M个移动状态，将主要位置作为隐状态的取值，显状态为时间。

然后利用二阶HMM预测模型对用户的下一位置进行预测，如下：

设用户当前位置的隐状态为S_i，前一个位置的隐状态为S_i-1，下一位置的隐状态为S_i+1；设O_i-1,O_i,O_i+1分别为用户对应的前一位置、当前位置和下一位置的显状态；已知S_i、S_i-1以及显状态O_i-1,O_i,O_i+1，求解如下目标函数：

P(S_i+1＝C_k)＝P(S_i+1＝C_k|S_iS_i-1)*P(O_i+1|S_i+1＝C_k)；

其中，C_k∈{C₁,C₂,…,C_M}，尝试C_k的所有可能取值，找到使目标函数P(S_i+1＝C_k)取得最大值的C_k，就是预测的用户下一位置。

步骤3，根据预测的用户下一位置，结合用户在该位置的网络资源需求，安排目标基站为用户设备进行按需分配。

相对于现有技术，本发明的优点与积极效果在于：

(1)本发明方法可以实现对异构网络中用户下一位置的预测，根据仿真结果可以看出，利用本发明方法来进行资源分配优化，有利于更好地满足用户需求，同时减少资源浪费，提高了网络资源利用率。

(2)本发明方法改善了现有HMM移动性预测机制中基于维特比算法的缺陷，建立了基于基本预测单元的预测机制，同时，结合了HMM和二阶马尔可夫模型的优点，考虑了此前更多的用户状态，将HMM模型提升到二阶，提高了预测准确率，同时也降低了算法复杂度。

(3)本发明方法保证了用户持续性通信服务，通过预测用户下一位置区域，同时通过聚类算法获取用户的主要状态，分析用户在各个位置的资源需求情况，进而在预测用户下一位置后，根据用户在目标位置的资源需求，进行合理的资源分配，从而保证用户良好的持续性通信服务，减少了网络资源的浪费。

附图说明

图1是标准HMM模型的实际应用中的典型问题2的示意图；

图2是本发明方法应用的一个异构场景示意图；

图3是本发明方法实现的流程示意图；

图4是本发明所用的二阶HMM模型示意图；

图5是本发明提供的二阶HMM基本预测单元示意图；

图6是本发明方法与RAHMP方法的移动性预测准确率对比图；

图7是本发明方法与RAHMP方法在各个区域基站用户发生掉线的概率对比图；

图8是本发明方法与RAHMP方法在各个区域基站浪费的资源块对比图；

图9是本发明方法与RAHMP方法在各个区域基站用户面临资源不足的对比图。

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。

如图2所示，用户在场景中移动，用户设备的网络频繁发生切换，网络需要为用户设备重新分配资源，可以利用移动性预测技术优化切换过程，提前为用户预留资源。同时，也需要考虑用户在不同位置的资源需求情况。基于这种需求，本发明提出一种新的移动性预测机制来优化资源分配过程。

本发明提供的在异构网络中基于移动性预测的资源分配优化方法的一个实现流程如图3 所示，可总结为3个步骤。步骤1，使用OPTICS(Ordering Points to identify theclustering structure) 聚类算法，对用户历史移动轨迹进行聚类，得到用户的主要移动状态，同时，分析用户在各主要位置上对于网络资源的需求情况。步骤2，根据用户的历史移动轨迹建立二阶HMM模型，针对现有HMM基于维特比算法预测机制中的缺陷，提出了新的基本预测单元，改善预测机制。本发明结合二阶马尔可夫预测模型和HMM的优点，同时考虑更早之前的状态对下一位置的影响和隐状态与显状态之间的对应约束关系，提出二阶HMM预测模型，以提高预测准确率。设置二阶HMM模型的隐状态为用户所处的位置，显状态为时间。首先进行隐状态转移概率矩阵和显状态概率矩阵的计算，然后使用本发明所提出的二阶HMM预测模型，对用户的下一位置进行预测。步骤3，根据移动性预测结果，并结合用户在目标位置的网络资源需求，安排目标基站为用户设备进行合理的按需分配，以改善用户的服务体验。本发明方法在准确保证用户服务体验的同时，也避免了过多分配资源造成的浪费。

步骤1，对用户历史移动轨迹进行聚类。

本发明的移动性预测方法的目标对象是单个用户，对单个用户的轨迹进行聚类。对用户的移动位置用经纬度来表示，设t时刻用户所处的位置为(x(t),y(t))，其中，x(t)为用户所处位置的经度，y(t)为用户所处位置的纬度。本步骤从用户的移动轨迹记录中取出位置点坐标构成数据集合S＝{s₁,s₂,…,s_i,…,s_N}，其中，N表示数据点数量，s_i表示其中的第i个位置点坐标，s_i＝(x_i,y_i)，x_i,y_i分别表示第i个位置的经度和纬度。S为聚类的样本数据集。

本步骤进行OPTICS算法聚类时，设定最大扫描半径ε，最小包含点数MinPts，如果在点p的ε范围内，样本点数大于等于MinPts，则称点p为核心对象。所述的样本是指用户的位置坐标。p的核心距离是指使p成为核心对象的最小ε′，如果p不是核心对象，那么p的核心距离为未定义。当p是核心对象时，一个位置点q到点p的可达距离是指p的核心距离和p与q之间欧几里得距离之间的较大值。如果p不是核心对象，q和p之间的可达距离为未定义。

将本发明的样本数据集S进行OPTICS算法聚类后，OPTICS算法并不直接输出对于样本点的聚类结果，而是输出具有可达距离信息的样本点有序队列。根据输出队列，则比较容易地得到合适的聚类结果，设得到的聚类结果记为C＝{C₁,C₂,C₃,…,C_M}，M为聚类数量。聚类结果中的核心对象的位置C₁,C₂,…,C_M就是用户的主要位置，或称重要位置，代表用户经常出现的地理位置。

由于用户本身职业、兴趣等的影响，用户在不同时间、不同地点往往会有不同的业务请求，通过分析用户的业务请求变化，了解用户在各个地点对网络资源的需求情况，有利于网络及时适量地为用户设备分配通信资源，从而更好地提高用户服务体验，也避免了过多预留资源造成的浪费，提高系统的资源利用率。

步骤2，建立二阶HMM预测模型，预测的用户下一位置。

马尔可夫预测模型在移动性预测中主要关注状态之间的转移概率。参考文献5研究发现，二阶马尔可夫模型相比于标准马尔可夫模型提高了预测准确率，而与更高阶的模型相比，在保证预测准确率的同时，拥有较低的计算复杂度。参考文献5：L.Song,D.Kotz,R.Jain,and X. He,“Evaluating next-cell predictors with extensive wi-fimobility data,”IEEE Transactions on Mobile Computing,vol.5,no.12,pp.1633–1649,Dec 2006.

如图4所示，将用户的历史移动轨迹建模为二阶HMM模型λ＝(Π,A_2,B)。

S＝{S₁,S₂,S₃,…,S_N}是二阶HMM模型中的隐状态集合，在本发明中，每一个隐状态代表某时刻用户所处的位置。本发明中将对应上面步骤1中的每个聚类作为一个移动状态，每个主要位置为移动状态地点。整个预测区域根据M个主要位置被划分为M个移动状态，主要位置C_i为移动状态的取值，表示为S_i∈{C₁,C₂,C₃,…,C_M}。在得到用户当前的实际位置后，根据所在的聚类或者移动状态区域，将所对应的主要位置作为用户当前的隐状态。

O＝{O₁,O₂,O₃,…,O_N}是模型中的显状态集合，在本发明中，将预测时间划分为N个时间段，表示为{T₁,T₂,T₃,…,T_N}，显状态与时间段一一对应，即O_k＝T_k。

B＝{b_i(k)}代表显状态概率矩阵，表示隐状态与显状态之间的对应概率，其中， b_i(k)＝P(O_k＝T_k|S_k＝C_i)，代表当隐状态为C_i时，显状态为T_k的概率。

A_2＝{a_hi,j}代表隐状态转移概率矩阵，其中，a_hi,j＝P(S_k＝C_j|S_k-1＝C_i,S_k-2＝C_h)，指当上一状态为C_h，当前状态为C_i时，下一状态出现C_j的概率。

Π＝{π_i}为初始状态概率矩阵，此处，π_i＝P(S₁＝C_i)，π_i代表初始状态为C_i的概率。

为了解决现有HMM模型中基于维特比算法预测机制的缺陷，本发明提供如图5的二阶 HMM基本预测单元。设置隐状态为用户的移动状态，显状态为时间，并且假设所有已经发生的隐状态是可知的，其中，显状态序列O＝{O_i-1,O_i,O_i+1}全部已知，而S_i-1、S_i已经发生，所以也已知，预测目标为用户的下一移动状态S_i+1。定义目标函数如下：

P(S_i+1＝C_k)＝P(S_i+1＝C_k|S_iS_i-1)*P(O_i+1|S_i+1＝C_k) (1)

其中，C_k∈{C₁,C₂,C₃,…,C_M}为上一节中通过聚类提取的用户在该地区的主要位置，代表用户可能的状态。尝试所有可能的取值，找到使目标函数P(S_i+1＝C_k)取得最大值的C_k，即为用户下一时刻最有可能到达的移动位置。

在预测用户的初始状态时，根据初始概率矩阵Π＝{π_i}和P(O₁|S₁)来进行。

预测第二状态时，目标函数：

P(S₂＝C_k)＝P(S₂＝C_k|S₁)P(O₂|S₂＝C_k) (2)

找到使P(S₂＝C_k)取得最大值的C_k，即为预测结果。

本步骤首先计算隐状态转移概率矩阵状态转移概率矩阵A_2和显状态概率矩阵B，然后使用二阶HMM基本预测单元λ＝(Π,A_2,B)，对用户的下一位置进行预测。

在一些特殊情况下，预测时面临的移动状态组合S_i-1S_i在模型训练数据中可能并没有出现过，这时，预测模型将无法成功做出预测，导致整体预测准确率降低。因此，本发明方法为二阶HMM移动性预测模型λ＝(Π,A_2,B)设置了回退机制。当面临无法成功匹配的移动状态变化时，使用一阶HMMλ＝(Π,A,B)进行预测，即只考虑当前状态对下一状态的影响，而不考虑上一状态。

步骤3，根据预测的用户下一位置，并结合用户在该位置的网络资源需求，安排目标基站为用户设备进行合理的按需分配。

在进行资源分配时，设置三级阈值tr1、tr2、tr3对用户业务需求进行分级，如表1所示，根据资源需求将用户划分为低、中、高、VIP四级。当用户即将到达目标区域时，目标基站根据用户的需求等级，为用户提前预留物理资源块(PRB)，等待用户接入，从而降低切换时延，改善用户的服务体验。

表1用户需求等级划分

用户需求rd	rd<tr1	tr1≤rd<tr2	tr2≤rd<tr3	rd≥tr2
					用户等级L	低级	中级	高级	VIP
基站分配PRB	1	2	3	4

表1中所述的用户需求r_d是在步骤1中分析获得，在步骤一得到主要位置后，分析用户在该位置的资源需求情况。

本发明在异构通信网络中，引入移动性预测技术来优化资源分配过程，保证用户的持续性通信服务。本方法采用基于二阶HMM的移动性预测模型来预测用户下一位置区域，综合考虑了用户的移动特性以及用户在不同位置的资源需求，为用户进行合理的按需资源分配，从而更好地提高用户服务体验，改善网络资源利用率。

实施例：

场景：一个大学校园场景，通过安装在智能手机上的一个应用程序，记录用户的移动轨迹。用户在时刻t所处的位置信息表示为(x(t),y(t),t)，其中，t代表时间，x(t)代表用户所处位置的经度，y(t)代表所在位置的纬度。设定每隔5秒钟采集一次用户的位置信息，同时，记录用户在每个位置的流量数据信息。本实施例收集了用户在41天中的位置数据，将其划分为训练集与测试集，其中，训练集为20天，测试集为21天。通过对位置数据进行聚类，得到用户的主要移动状态区域。设整个校园都被一个宏基站所覆盖，负责控制信令，提供基本的连接控制服务。根据用户的历史移动轨迹记录聚类所得到的每一个用户主要位置地点都被一个家庭基站所覆盖，为用户提供主要的数据传输服务，负责业务支持。本发明通过记录用户的流量速度数据来确定用户的业务需求，认为在某时刻的实际流量速度即是用户本身的需求。在进行用户等级划分时，三级阈值分别设置为200kbps、400kbps和600kbps。

为了证明本发明提出的面向资源分配优化的移动性预测的性能，选用了以下机制进行对比。

基于HMM移动性预测的资源分配方法(Resource Allocation Scheme based onHMM Mobility Prediction，RAHMP)，见参考文献4，在预测过程中隐状态未知，仅通过显状态序列使用维特比算法进行预测，同时，只考虑用户当前所处状态对下一位置的影响，而没有考虑更早的移动状态。而在基站为用户分配资源时，不考虑用户本身的业务需求，统一分配数量为2的PRB。

如图6所示，为在整个预测时期，本发明方法即所提方法与对比方案RAHMP在各个时间段的移动性预测准确率对比。从图6中可以看出，在大多数情况下，本发明所提的基于二阶HMM的预测方案预测准确率要明显高于对比方案，同时，在其他情况下，所提方案的预测准确率也不比对比方案更低。从整体预测准确率来看，本发明方法对所有预测状态的准确率达到了89.7％，相比于对比方案63.5％的准确率有了41.3％的提升。因此，可以得出结论，认为本发明方法在移动性预测准确率方面要优于对比方案。

当用户从一个基站的覆盖范围移动到另一个基站覆盖范围区域，用户设备将会在基站之间发生切换。通过移动性预测得到用户的下一位置，目标位置的基站为用户设备提前预留资源，当用户设备到达时，可以顺利地接入此基站。而假如用户的下一状态预测错误，其真正到达的基站并没有能够为用户提前预留资源，于是当用户到达时，切换过程就可能受到影响，从而发生用户设备掉线的情况，对用户的通信体验造成恶劣影响。为了简便起见，假设如果目标基站未能为用户提前预留资源，用户设备到达时就会发生掉线。定义掉线率为用户切换时掉线的次数与切换总次数的比值。如图7所示，给出了用户在各个区域基站发生掉线的概率。需要特别指出的是，本发明实施例首先对用户移动历史轨迹进行处理，提取出用户的主要移动状态，并假设每一个区域都被一个家庭基站覆盖，在此过程中，整个预测区域被划分为7部分，但是在测试数据集中，用户实际并未到过第7区域，因此图中基站7处的用户掉线率为空白。从图7中可以看出，本发明所提方案的整体用户掉线率比对比方案更低，因此，可以得出结论，本发明方法通过提高对用户移动性的预测准确率，使目标基站更为准确地为用户提前进行资源分配准备，有利于提高用户的服务体验。

网络资源分配策略的主要目的是满足用户的业务需求，而另一方面，也要考虑到通过合理的资源分配从而减少不必要的消耗，提高网络整体的资源利用率。本发明方法通过预测用户的下一位置使目标基站能够提前为用户预留资源，优化用户切换过程，提高用户的服务体验。同时，分析用户在目标位置的资源需求，进行合理的按需分配，可以降低网络资源的浪费。定义浪费的物理资源块包括两部分。一是移动性预测用户的下一位置错误，基站为用户设备预留了资源但是用户并没有到达。二是基站没有考虑到用户本身对资源的需求情况，直接预留了一定量的资源，但是超出了用户的实际需求，造成了资源的浪费。图8是网络中各个基站浪费的资源块，从图8中可以看出，相比于对比方案，在本发明所提方案下网络整体浪费的资源更少。本发明方法一方面通过改进预测机制提高移动性预测的准确性，使正确的目标基站为用户预留资源，另一方面分析用户的业务需求，根据用户需求进行准确的分配，从而减少了资源的浪费，在满足用户服务体验的同时提高了网络资源的利用率。

当基站为用户预留了超出需求的资源时，会造成资源的浪费。而如果分配的资源并不足以满足用户的要求时，就会对用户的服务体验造成负面影响。定义当基站资源分配不足时，用户的实际需求与基站预留资源之间的差距为用户缺少的物理资源块。图9给出了用户在各个基站面临的资源不足情况。从图9中可以看出，利用本发明所提方案能够更好地满足用户业务需求。

显然，所描述的实施例也仅仅是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

Claims (6)

1.一种在异构网络中基于移动性预测的资源分配优化方法，其特征在于，包括如下：

步骤1，采集用户的历史移动轨迹，并对历史移动轨迹进行聚类，将聚类结果作为用户的主要位置，设获得M个主要位置C₁,C₂,…,C_M，获取用户在各主要位置上对网络资源的需求情况；M为正整数；

步骤2，将用户的历史移动轨迹建模为二阶HMM模型，其中，将整个预测区域依据M个主要位置划分为M个移动状态，将主要位置作为隐状态的取值，显状态为时间；

然后利用二阶HMM预测模型对用户的下一位置进行预测，如下：

设用户当前位置的隐状态为S_i，前一个位置的隐状态为S_i-1，下一位置的隐状态为S_i+1；设O_i-1,O_i,O_i+1分别为用户对应的前一位置、当前位置和下一位置的显状态；已知S_i、S_i-1以及显状态O_i-1,O_i,O_i+1，求解如下目标函数：

P(S_i+1＝C_k)＝P(S_i+1＝C_k|S_iS_i-1)*P(O_i+1|S_i+1＝C_k)；

其中，C_k∈{C₁,C₂,…,C_M}，尝试C_k的所有可能取值，找到使目标函数P(S_i+1＝C_k)取得最大值的C_k，就是预测的用户下一位置；

步骤3，根据预测的用户下一位置，结合用户在该位置的网络资源需求，安排目标基站为用户设备进行按需分配。

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，使用OPTICS算法聚类对用户的历史移动轨迹进行聚类，输出具有可达距离的样本点有序队列，根据输出的有序队列，获得M个核心对象的位置C₁,C₂,…,C_M作为聚类结果。

3.根据权利要求1所述的方法，其特征在于，所述的步骤2中，将用户的历史移动轨迹建立为二阶HMM模型，如下：

隐状态集合S＝{S₁,S₂,…S_i,…,S_N}，隐状态S_i代表某时刻用户所处的位置，也代表一个移动状态，S_i∈{C₁,C₂,…,C_M}；N为正整数；

显状态集合O＝{O₁,O₂,…,O_k,…,O_N}，将预测时间划分为N个时间段{T₁,T₂,…,T_k,…,T_N}，显状态与时间段一一对应，O_k＝T_k；

显状态概率矩阵B＝{b_i(k)}，其中，b_i(k)＝P(O_k＝T_k|S_k＝C_i)，代表当隐状态为C_i时，显状态为T_k的概率；

隐状态转移概率矩阵A_2＝{a_hi,j}，其中，a_hi,j＝P(S_k＝C_j|S_k-1＝C_i,S_k-2＝C_h)，代表当上一状态为C_h，当前状态为C_i时，下一状态出现C_j的概率；

初始状态概率矩阵Π＝{π_i}，其中，π_i＝P(S₁＝C_i)，π_i代表初始状态为C_i的概率。

4.根据权利要求3所述的方法，其特征在于，所述的步骤2中，首先计算出隐状态转移概率矩阵A_2和显状态概率矩阵B，然后利用所述的目标函数对用户的下一位置进行预测。

5.根据权利要求1或3所述的方法，其特征在于，所述的步骤2中，在预测用户的下一位置时，若移动状态组合S_i-1S_i在模型训练数据中没有出现过，此时使用一阶HMM进行预测，在预测时只考虑当前状态S_i对下一状态S_i+1的影响，而不考虑上一状态S_i-1。

6.根据权利要求1所述的方法，其特征在于，所述的步骤3中，在进行资源分配时，设置三级阈值tr1、tr2、tr3用于对用户业务需求进行分级，将用户在预测位置的网络资源需求r_d与设置的三级阈值相比较，为用户提前预留设定数量的物理资源块。