CN109041009B - 一种车联网上行功率分配方法及装置 - Google Patents

Abstract

本发明提供一种车联网上行功率分配方法及装置，能够降低车联网多小区的小区间同频干扰，保证通信的可靠性，提升系统总容量。所述方法包括：基站放置在路侧，多小区场景下，当所有小区均采用全频段部署时，小区间同频干扰主要来自于左右相邻两个小区；根据路侧基站的分布特点及其小区间干扰，当车辆用户在与基站进行上行传输时，通过信道状态分布确定小区内车辆用户上行传输的中断概率和系统总容量均值；以最大化系统总容量均值为目标、中断概率为约束，建立优化模型，采用优化算法确定最优的上行发送功率分配策略。本发明适用于功率分配操作。

Description

一种车联网上行功率分配方法及装置

技术领域

本发明涉及无线通信技术领域，特别是指一种车联网上行功率分配方法及装置。

背景技术

随着社会的持续发展，车辆数量快速增长，道路交通日益繁忙，车联网通过对于关键基础理论模型的研究，将信息技术、通信技术等有效的运用到交通运输系统中，实现信息的集中调度和车辆信息的互通，从而建立实时、准确、高效的车辆通信。

道路边基站通常采用同频部署的策略，由于道路车辆分布较为集中，相邻小区间同频干扰会影响车辆通信质量，导致车辆通信中断，系统容量降低。但是，目前研究大多着眼于单小区内车辆通信。

发明内容

本发明要解决的技术问题是提供一种车联网上行功率分配方法及装置，以解决现有技术所存在的相邻小区间同频干扰导致车辆通信中断、系统容量降低的问题。

为解决上述技术问题，本发明实施例提供一种车联网上行功率分配方法,包括：

基站放置在路侧，多小区场景下，当所有小区均采用全频段部署时，小区间同频干扰主要来自于左右相邻两个小区；

根据路侧基站的分布特点及其小区间干扰，当车辆用户在与基站进行上行传输时，通过信道状态分布确定小区内车辆用户上行传输的中断概率和系统总容量均值；

以最大化系统总容量均值为目标、中断概率为约束，建立优化模型，采用优化算法确定最优的上行发送功率分配策略。

进一步地，在上行传输方向，当车辆用户v_m,i在基站侧的信干噪比SINR_m,i小于预设的最小信干噪比接收门限z时，则车辆用户v_m,i的上行链路中断，确定中断概率p_out_m,i，p_out_m,i表示为：

p_out_m,i＝Pr(SINR_m,i≤z)

其中，Pr(·)表示概率，v_m,i表示第m个小区中使用资源块i的车辆用户。

进一步地，车辆用户v_m,i的信干噪比SINR_m,i表示为：

其中，U_m,i为v_m,i的上行信号接收功率，I_m-1、I_m+1分别为来自第m-1个、第m+1个小区的干扰，σ²为高斯白噪声功率。

进一步地，车辆用户v_m,i的信干噪比SINR_m,i具体表示为：

其中，P_m,i、P_m-1,i、P_m+1,i分别为第m个小区、第m-1个小区、第m+1个小区内使用资源块i的车辆用户的上行发送功率；α_m,m,i、α_m,m-1,i、α_m,m+1,i分别为第m个小区、第m-1个小区、第m+1个小区内使用资源块i的车辆用户到基站m的路径损耗；h_m,m,i、h_m,m-1,i、h_m,m+1,i分别为第m个小区、第m-1个小区、第m+1个小区内使用资源块i的车辆用户到基站m的小尺度衰落；σ²为高斯白噪声功率。

进一步地，确定的系统总容量均值，表示为：

其中，C表示系统总容量均值，E(·)表示数学期望，M表示小区的总数，N_m表示第m个小区中资源块的数目，B表示资源块的带宽。

进一步地，所述以最大化系统总容量均值为目标、中断概率为约束，建立优化模型，采用优化算法确定最优的上行发送功率分配策略包括：

以最大化系统总容量均值为目标、中断概率为约束，建立优化模型；

采用罚函数法将建立的优化模型转化为无约束形式的适应度函数，并利用粒子群优化算法得到最优的上行发送功率分配策略。

进一步地，建立的优化模型表示为：

其中，s.t.表示约束条件，p₀为预设的中断概率阈值，P_m,i为车辆用户v_m,i的上行发送功率，P_max为车辆用户v_m,i的上行最大发送功率。

进一步地，所述采用罚函数法将建立的优化模型转化为无约束形式的适应度函数，并利用粒子群优化算法得到最优的上行发送功率分配策略包括：

初始化种群，种群中的粒子对应小区中所有车辆用户的上行发送功率；

以最大化适应度函数为目标，利用粒子群优化算法，迭代更新种群中每个粒子的速度和位置，并记录每个粒子的最优位置和种群的最优位置；

判断是否达到预设的最大迭代次数，若达到预设的最大迭代次数，则将种群的最优位置作为车辆用户的最优上行发送功率值；

根据得到的最优上行发送功率值进行功率分配。

本发明实施例还提供一种车联网上行功率分配装置，包括：

第一确定模块，用于根据路侧基站的分布特点及其小区间干扰，当车辆用户在与基站进行上行传输时，通过信道状态分布确定小区内车辆用户上行传输的中断概率和系统总容量均值其中，基站放置在路侧，多小区场景下，当所有小区均采用全频段部署时，小区间同频干扰主要来自于左右相邻两个小区；

第二确定模块，用于以最大化系统总容量均值为目标、中断概率为约束，建立优化模型，采用优化算法确定最优的上行发送功率分配策略。

本发明的上述技术方案的有益效果如下：

上述方案中，基站放置在路侧，多小区场景下，当所有小区均采用全频段部署时，小区间同频干扰主要来自于左右相邻两个小区；根据路侧基站的分布特点及其小区间干扰，当车辆用户在与基站进行上行传输时，通过信道状态分布确定小区内车辆用户上行传输的中断概率和系统总容量均值；在小区内车辆用户上行传输中断概率性能保障的条件下，为提高车辆接入网络的可靠性，以最大化系统总容量均值为目标、中断概率为约束，建立优化模型，采用优化算法确定最优的上行发送功率分配策略，以便车辆用户按照得到的最优上行发送功率分配策略发送上行数据。这样，根据小区间干扰特点与信道状态分布，优化车辆用户上行发送功率，能够降低车联网多小区的小区间同频干扰，保证通信的可靠性，提升系统总容量。

附图说明

图1为本发明实施例提供的车联网上行功率分配方法的流程示意图；

图2为本发明实施例提供的车联网多小区通信示意图；

图3为本发明实施例提供的粒子群优化算法流程示意图；

图4为本发明实施例提供的车联网上行功率分配方法与固定功率分配方法的性能比较示意图；

图5为本发明实施例提供的车联网上行功率分配方法在不同信干噪比接收门限下的性能比较示意图；

图6为本发明实施例提供的车联网上行功率分配装置的结构示意图。

具体实施方式

为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。

本发明针对现有的相邻小区间同频干扰导致车辆通信中断、系统容量降低的问题，提供一种车联网上行功率分配方法及装置。

实施例一

如图1所示，本发明实施例提供的车联网上行功率分配方法，包括：

S101，基站放置在路侧，多小区场景下，当所有小区均采用全频段部署时，小区间同频干扰主要来自于左右相邻两个小区；

S102，根据路侧基站的分布特点及其小区间干扰，当车辆用户在与基站进行上行传输时，通过信道状态分布确定小区内车辆用户上行传输的中断概率和系统总容量均值；

S103，以最大化系统总容量均值为目标、中断概率为约束，建立优化模型，采用优化算法确定最优的上行发送功率分配策略。

本发明实施例所述的车联网上行功率分配方法，基站放置在路侧，多小区场景下，当所有小区均采用全频段部署时，小区间同频干扰主要来自于左右相邻两个小区；根据路侧基站的分布特点及其小区间干扰，当车辆用户在与基站进行上行传输时，通过信道状态分布确定小区内车辆用户上行传输的中断概率和系统总容量均值；在小区内车辆用户上行传输中断概率性能保障的条件下，为提高车辆接入网络的可靠性，以最大化系统总容量均值为目标、中断概率为约束，建立优化模型，采用优化算法确定最优的上行发送功率分配策略，以便车辆用户按照得到的最优上行发送功率分配策略发送上行数据。这样，根据小区间干扰特点与信道状态分布，优化车辆用户上行发送功率，能够降低车联网多小区的小区间同频干扰，保证通信的可靠性，提升系统总容量。

本实施例中，基站放置在路侧，当所有小区均采用全频段部署时，小区间同频干扰主要来自于左右相邻两个小区，即：第m个小区中使用资源块i的车辆用户v_m,i所受干扰主要来自第m-1和m+1两个相邻小区中采用相同资源块i的车辆用户v_m-1,i和v_m+1,i。

在前述车联网上行功率分配方法的具体实施方式中，进一步地，在上行传输方向，当车辆用户v_m,i在基站侧的信干噪比SINR_m,i小于预设的最小信干噪比接收门限z时，则车辆用户v_m,i的上行链路中断，确定中断概率p_out_m,i，p_out_m,i表示为：

p_out_m,i＝Pr(SINR_m,i≤z)

其中，Pr(·)表示概率，v_m,i表示第m个小区中使用资源块i的车辆用户。

在前述车联网上行功率分配方法的具体实施方式中，进一步地，车辆用户v_m,i的信干噪比SINR_m,i表示为：

其中，U_m,i为v_m,i的上行信号接收功率，I_m-1、I_m+1分别为来自第m-1个、第m+1个小区的干扰，σ²为高斯白噪声功率。

在前述车联网上行功率分配方法的具体实施方式中，进一步地，车辆用户v_m,i的信干噪比SINR_m,i具体表示为：

其中，P_m,i、P_m-1,i、P_m+1,i分别为第m个小区、第m-1个小区、第m+1个小区内使用资源块i的车辆用户的上行发送功率；α_m,m,i、α_m,m-1,i、α_m,m+1,i分别为第m个小区、第m-1个小区、第m+1个小区内使用资源块i的车辆用户到基站m的路径损耗；h_m,m,i、h_m,m-1,i、h_m,m+1,i分别为第m个小区、第m-1个小区、第m+1个小区内使用资源块i的车辆用户到基站m的小尺度衰落；σ²为高斯白噪声功率。

在前述车联网上行功率分配方法的具体实施方式中，进一步地，确定的系统总容量均值，表示为：

其中，C表示系统总容量均值，E(·)表示数学期望，M表示小区的总数，N_m表示第m个小区中资源块的数目，B表示资源块的带宽。

在前述车联网上行功率分配方法的具体实施方式中，进一步地，所述以最大化系统总容量均值为目标、中断概率为约束，建立优化模型，采用优化算法确定最优的上行发送功率分配策略包括：

以最大化系统总容量均值为目标、中断概率为约束，建立优化模型；

采用罚函数法将建立的优化模型转化为无约束形式的适应度函数，并利用粒子群优化算法得到最优的上行发送功率分配策略。

在前述车联网上行功率分配方法的具体实施方式中，进一步地，建立的优化模型表示为：

其中，s.t.表示约束条件，p₀为预设的中断概率阈值，P_m,i为车辆用户v_m,i的上行发送功率，P_max为第m个小区中使用资源块i的车辆用户v_m,i的上行最大发送功率。

在前述车联网上行功率分配方法的具体实施方式中，进一步地，所述采用罚函数法将建立的优化模型转化为无约束形式的适应度函数，并利用粒子群优化算法得到最优的上行发送功率分配策略包括：

初始化种群，种群中的粒子对应小区中所有车辆用户的上行发送功率；

以最大化适应度函数为目标，利用粒子群优化算法，迭代更新种群中每个粒子的速度和位置，并记录每个粒子的最优位置和种群的最优位置；

判断是否达到预设的最大迭代次数，若达到预设的最大迭代次数，则将种群的最优位置作为车辆用户的最优上行发送功率值；

根据得到的最优上行发送功率值进行功率分配。

为了更好地理解本发明实施例所述的车联网上行功率分配方法，结合图2，对其进行说明：

图2为车联网多小区通信示意图，车辆在道路上行驶，相邻小区采用相同时频资源的车辆用户会产生同频干扰，如图2中，路侧单元1(Rodeside Unit 1，RSU₁)覆盖下的车辆v_1,1与RSU₂覆盖下的车辆v_2,1在同一时刻使用资源块1进行上行通信，则v_1,1对RSU₂存在同频干扰，v_2,1对RSU₁存在同频干扰。若v_1,1与v_2,1均采用较大功率发送，可能导致二者在相应基站侧信干噪比低，从而使链路容量降低，甚至发生中断，其中，RSU₁可以理解为第1个小区，RSU₂可以理解为第2个小区。

对于RSU_m覆盖下使用资源块i的车辆用户v_m,i，其信干噪比可以表示为：

其中，P_m,i、P_m-1,i、P_m+1,i分别为第m个小区、第m-1个小区、第m+1个小区内使用资源块i的车辆用户的上行发送功率；α_m,m,i、α_m,m-1,i、α_m,m+1,i分别为第m个小区、第m-1个小区、第m+1个小区内使用资源块i的车辆用户到基站m的路径损耗；h_m,m,i、h_m,m-1,i、h_m,m+1,i分别为第m个小区、第m-1个小区、第m+1个小区内使用资源块i的车辆用户到基站m的小尺度衰落；σ²为高斯白噪声功率。

根据3GPP规范，车联网路径损耗取值为：

α[dB]＝128.1+37.6lg(d)

其中，d为车辆到RSU的距离，单位km。

车辆用户v_m,i的信干噪比低于预设的最小信干噪比接收门限z时，则上行通信会发生中断，若小尺度衰落信道增益h_m,m,i服从参数为λ₀的负指数分布，即h_m,m,i～E(λ₀)，则中断概率的分布表示为：

其中，

其中，λ₀是一个小尺度信道增益分布的参数，是一个经验值，没有具体物理含义。

在获得信道状态分布的条件下，根据小尺度衰落信道状态分布，即h～E(λ₀)，车辆用户v_m,i的容量均值C_m,i为：

其中，

则系统总容量均值为：

由此，可建立优化模型：

其中，s.t.表示约束条件，p₀为预设的中断概率阈值，P_m,i为车辆用户v_m,i的上行发送功率，P_max为第m个小区中使用资源块i的车辆用户v_m,i的上行最大发送功率。

接着，采用罚函数法将建立的优化模型转化为无约束形式的适应度函数，并利用粒子群优化算法得到最优的上行发送功率分配策略，由此进行合理的功率分配，包括：

初始化种群，种群中的粒子对应小区中所有车辆用户的上行发送功率；

以最大化适应度函数目标，利用粒子群优化算法，迭代更新种群中每个粒子的速度和位置，并记录每个粒子的最优位置和种群的最优位置；

判断是否达到预设的最大迭代次数，若达到预设的最大迭代次数，将种群的最优位置作为用户的最优上行发送功率值；

根据得到的最优上行发送功率值进行功率分配。

本实施例中，由于系统总容量C和中断概率p_out关于发送功率P_m,i均非线性，无法直接求解，本实施例中，以最大化系统总容量均值为目标，可以利用基于罚函数的粒子群优化算法来优化系统总容量；粒子群中粒子对应系统中所有车辆用户的上行发送功率。在粒子群的迭代过程中，不断优化功率值，最终得到最大的系统总容量均值，如图3所示，所述粒子群优化算法包括：

第一步，初始化种群：设置种群规模，初始化粒子的维度、位置及速度；

第二步，根据优化模型，采用罚函数设置适应度函数并计算适应度值；

第三步，根据计算得到的适应度值，对粒子的位置、速度进行更新，记录每个粒子的最优位置和种群的最优位置；

第四步，判断是否达到最大迭代次数，如果达到，结束进程，将种群的最优位置作为最优的功率值。

本实施例中，所述粒子群优化算法的具体步骤可以包括：

(1)初始化种群

设定目标的搜索空间维度为D(例如，维度为30)，每个粒子均代表待搜索空间中的一个点。种群的规模为K，由K个粒子组成种群，其中，第i个粒子的位置为x_i＝(x_i1,x_i2,...,x_id...x_iD)^T；粒子i的速度为V_i＝(v_i1,v_i2,...,v_id...v_iD)^T，即粒子移动的距离。

(2)搜索寻优

在粒子i中搜索到的最优位置为局部最优，记为p_i＝(p_i1,p_i2,...,p_iD)^T；此时，整个种群搜索到的最优位置为全局极值，记为p_g＝(p_g1,p_g2,...p_gD)^T，粒子不断地向当前种群的最优位置靠近，粒子将根据下式进行粒子的速度v_id和位置x_id更新。

v_id(g_n+1)＝wv_id(g_n)+c₁r₁(g_n)(p_id(g_n)-x_id(g_n))+c₂r₂(g_n)(p_gd(g_n)-x_id(g_n))

x_id(g_n+1)＝x_id(g_n)+v_id(g_n+1)

其中，d＝1,2,...,D；i＝1,2,...,K；K为种群规模；g_n为迭代次数；w为惯性因子；r₁，r₂为分布于[0，1]之间的随机数，这两个参数用于保持群体的多样性；c₁，c₂为学习因子，使粒子具有自我学习能力，从而不断的根据自己的历史最有位置及种群的历史最优位置不断调整自己的方向。

(3)得到最优解

在粒子群的迭代过程中，不断进行个体最优更新，寻找最优的功率值，最终得到最大系统总容量均值。

本发明所述的基于粒子群算法的车联网上行功率分配算法，基于最大系统总容量均值准则，结合粒子群算法迭代，具有收敛速度快，差错率低的优点。

从图4可看到，本实施例所述的车联网上行功率分配方法，根据信道状态分别优化得到的瞬时系统总容量均值高于最大功率、低功率发送方案，并且随着小区中人数增多，优化效果更明显，其中，图4中，Algorithm-dist表示本发明实施例所述的车联网上行功率分配方法，P表示功率，Capacity表示系统总容量。

从图5可看到，在不同信干噪比接收门限下，本实施案例中根据信道状态分布优化所得系统总容量均值均优于最大功率、低功率发送方案，其中，图5中，CDF表示累积分布函数。

综上，本发明所述的车联网上行功率分配方法，对多小区车辆用户的上行发送功率同时进行调度，在已知信道状态分布的情况下，以最大化系统容量的期望为目标，每个车辆用户的中断概率为约束条件，采用基于罚函数的粒子群算法求解出最优的上行发送功率分配策略，从而降低小区间同频干扰，在保证系统可靠性的同时，对系统容量有显著提升。

实施例二

本发明还提供一种车联网上行功率分配装置的具体实施方式，由于本发明提供的车联网上行功率分配装置与前述车联网上行功率分配方法的具体实施方式相对应，该车联网上行功率分配装置可以通过执行上述方法具体实施方式中的流程步骤来实现本发明的目的，因此上述车联网上行功率分配方法具体实施方式中的解释说明，也适用于本发明提供的车联网上行功率分配装置的具体实施方式，在本发明以下的具体实施方式中将不再赘述。

如图6所示，本发明实施例还提供一种车联网上行功率分配装置，包括：

第一确定模块11，用于根据路侧基站的分布特点及其小区间干扰，当车辆用户在与基站进行上行传输时，通过信道状态分布确定小区内车辆用户上行传输的中断概率和系统总容量均值，其中，基站放置在路侧，多小区场景下，当所有小区均采用全频段部署时，小区间同频干扰主要来自于左右相邻两个小区；

第二确定模块12，用于以最大化系统总容量均值为目标、中断概率为约束，建立优化模型，采用优化算法确定最优的上行发送功率分配策略。

本发明实施例所述的车联网上行功率分配装置，根据路侧基站的分布特点及其小区间干扰，当车辆用户在与基站进行上行传输时，通过信道状态分布确定小区内车辆用户上行传输的中断概率和系统总容量均值；在小区内车辆用户上行传输中断概率性能保障的条件下，为提高车辆接入网络的可靠性，以最大化系统总容量均值为目标、中断概率为约束，建立优化模型，采用优化算法确定最优的上行发送功率分配策略，以便车辆用户按照得到的最优上行发送功率分配策略发送上行数据。这样，根据小区间干扰特点与信道状态分布，优化车辆用户上行发送功率，能够降低车联网多小区的小区间同频干扰，保证通信的可靠性，提升系统总容量。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。

以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (3)

1.一种车联网上行功率分配方法，其特征在于，包括：

基站放置在路侧，多小区场景下，当所有小区均采用全频段部署时，小区间同频干扰来自于左右相邻两个小区；

根据路侧基站的分布特点及其小区间干扰，当车辆用户在与基站进行上行传输时，通过信道状态分布确定小区内车辆用户上行传输的中断概率和系统总容量均值；

以最大化系统总容量均值为目标、中断概率为约束，建立优化模型，采用优化算法确定最优的上行发送功率分配策略；

其中，在上行传输方向，当车辆用户v_m,i在基站侧的信干噪比SINR_m,i小于预设的最小信干噪比接收门限z时，则车辆用户v_m,i的上行链路中断，确定中断概率p_out_m,i，p_out_m,i表示为：

p_out_m,i＝Pr(SINR_m,i≤z)

其中，Pr(·)表示概率，v_m,i表示第m个小区中使用资源块i的车辆用户；

其中，确定的系统总容量均值，表示为：

其中，C表示系统总容量均值，E(·)表示数学期望，M表示小区的总数，N_m表示第m个小区中资源块的数目，B表示资源块的带宽；

其中，所述以最大化系统总容量均值为目标、中断概率为约束，建立优化模型，采用优化算法确定最优的上行发送功率分配策略包括：

以最大化系统总容量均值为目标、中断概率为约束，建立优化模型；

采用罚函数法将建立的优化模型转化为无约束形式的适应度函数，并利用粒子群优化算法得到最优的上行发送功率分配策略；

其中，建立的优化模型表示为：

其中，s.t.表示约束条件，p₀为预设的中断概率阈值，P_m,i为车辆用户v_m,i的上行发送功率，P_max为车辆用户v_m,i的上行最大发送功率；

其中，所述采用罚函数法将建立的优化模型转化为无约束形式的适应度函数，并利用粒子群优化算法得到最优的上行发送功率分配策略包括：

初始化种群，种群中的粒子的位置对应小区中所有车辆用户的上行发送功率；

以最大化适应度函数为目标，利用粒子群优化算法，迭代更新种群中每个粒子的速度和位置，并记录每个粒子的最优位置和种群的最优位置；

判断是否达到预设的最大迭代次数，若达到预设的最大迭代次数，则将种群的最优位置作为车辆用户的最优上行发送功率值；

根据得到的最优上行发送功率值进行功率分配。

2.根据权利要求1所述的车联网上行功率分配方法，其特征在于，车辆用户v_m,i的信干噪比SINR_m,i表示为：

其中，U_m,i为v_m,i的上行信号接收功率，I_m-1、I_m+1分别为来自第m-1个、第m+1个小区的干扰，σ²为高斯白噪声功率。

3.根据权利要求2所述的车联网上行功率分配方法，其特征在于，车辆用户v_m,i的信干噪比SINR_m,i具体表示为：

其中，P_m,i、P_m-1,i、P_m+1,i分别为第m个小区、第m-1个小区、第m+1个小区内使用资源块i的车辆用户的上行发送功率；α_m,m,i、α_m,m-1,i、α_m,m+1,i分别为第m个小区、第m-1个小区、第m+1个小区内使用资源块i的车辆用户到基站m的路径损耗；h_m,m,i、h_m,m-1,i、h_m,m+1,i分别为第m个小区、第m-1个小区、第m+1个小区内使用资源块i的车辆用户到基站m的小尺度衰落；σ²为高斯白噪声功率。

Images