CN109618285B - 一种基于覆盖树的基站控制方法、装置及设备 - Google Patents
一种基于覆盖树的基站控制方法、装置及设备 Download PDFInfo
- Publication number
- CN109618285B CN109618285B CN201910145753.4A CN201910145753A CN109618285B CN 109618285 B CN109618285 B CN 109618285B CN 201910145753 A CN201910145753 A CN 201910145753A CN 109618285 B CN109618285 B CN 109618285B
- Authority
- CN
- China
- Prior art keywords
- clustering
- nodes
- tree
- coverage tree
- coverage
- 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
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/02—Arrangements for optimising operational condition
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本申请公开了一种基于覆盖树的基站控制方法,通过获取目标区域中移动终端的位置数据并构建覆盖树,然后根据覆盖树以及预期聚类数量选取聚类中心,再根据其他节点与聚类中心的距离对各个节点进行聚类,最终根据聚类结果对基站的工作参数进行调整。可见,该方法基于覆盖树进行聚类,一方面构建覆盖树时只需要计算各个节点之间的距离,另一方面由于覆盖树这个结构本身体现了节点之间的距离关系,因此在选定聚类中心之后不需要再计算新的聚类中心,综合以上两点该方法节省了计算消耗,加快了聚类速度,提升了基站对移动终端的服务质量。此外,本申请还提供了一种基于覆盖树的基站控制装置、设备及计算机可读存储介质,其作用与上述方法相对应。
Description
技术领域
本申请涉及通信领域,特别涉及一种基于覆盖树的基站控制方法、装置、设备及计算机可读存储介质。
背景技术
基站(BS)即公用移动通信基站,是无线电台站的一种形式,基站具体指在一定的无线电覆盖区中通过移动通信交换中心与移动终端(UE)之间进行信息传递的无线电收发信电台。基站收发台在基站控制器的控制下,完成基站的控制与无线信道之间的转换,实现手机通信信号的收发与移动平台之间通过空中无线传输及相关的控制功能。收发台可对每个用户的无线信号进行解码和发送。
移动用户使用移动通讯业务必须借助基站进行信号传递,随着生活节奏的加快、以及交通工具的普及应用,移动终端随着用户的移动而移动,导致某一地区的移动终端密度变化非常大,且往往不可预估。当某地区移动终端密度较大时,可能会出现用户掉线,无法进行通信的问题;而当移动终端的密度较小时,又会出现大量基站资源的浪费问题,所以在基站(BS)管理当中需要比较频繁地运用聚类运算,聚类可以统计出各个区域的终端密度,从而对基站进行进一步的调整和优化,减少基站的电源消耗。
传统聚类方式为基于K-Means进行聚类,具体包括以下步骤:第一,给出分簇个数k,计算选择各个簇的初始质点;第二,计算每个点分别与各个质点的距离,距离哪一个质点近则将这个点归入这个质点所在的簇里面;第三,重新计算每个簇的质点;重复第二和第三两个步骤,直到每个簇的点不再变化则迭代结束。从K-Means算法框架可以看出,该算法需要不断地进行样本分类调整,不断地计算调整后的新的聚类中心,因此当数据量非常大时,算法的时间开销非常大,导致基站无法实时为终端提供良好的服务。
综上,如何降低聚类过程中的计算开销并提高基站的服务质量,是亟待本领域人员解决的技术问题。
发明内容
本申请的目的是提供一种基于覆盖树的基站控制方法、装置、设备及计算机可读存储介质,用以解决传统的移动终端的聚类方法耗时久,导致基站的服务质量较差的问题。
为解决上述技术问题,本申请提供了一种基于覆盖树的基站控制方法,包括:
获取目标区域中多个移动终端的位置数据;
根据所述多个移动终端的位置数据,构建覆盖树,其中,所述覆盖树包括多个层,所述层包括一个或多个节点,所述节点与所述移动终端一一对应;
根据所述覆盖树的层次结构以及预期聚类数量,从所述覆盖树中选取所述预期聚类数量的目标节点作为聚类中心;
根据所述覆盖树中各个节点与所述目标节点的距离,对所述节点进行聚类,得到聚类结果;
根据所述聚类结果,对基站的工作参数进行调整。
可选的,所述根据所述覆盖树的层次结构以及预期聚类数量,从所述覆盖树中选取所述预期聚类数量的目标节点作为聚类中心,包括:
根据预期聚类数量以及所述覆盖树中各层的节点数量,确定所述覆盖树的目标层;
从所述目标层选取所述预期聚类数量的目标节点作为聚类中心。
可选的,所述根据预期聚类数量以及所述覆盖树中各层的节点数量,确定所述覆盖树的目标层,具体包括:
根据预期聚类数量以及所述覆盖树中各层的节点数量,确定满足预设条件的层,并将该层作为目标层,其中,所述预设条件为:|Ci+1|<k≤|Ci|≤2k,其中,|Ci+1|为所述覆盖树中第i+1层的节点数量,|Ci|为所述覆盖树中第i层的节点数量,k为所述预期聚类数量。
可选的,所述从所述目标层选取所述预期聚类数量的目标节点作为聚类中心,具体包括:
在所述目标层中的节点数量大于所述预期聚类数量时,对所述目标层中距离最近的两个节点进行合并,直至节点数量等于所述预期聚类数量,得到的所述预期聚类数量的节点即为目标节点。
可选的,所述根据所述多个移动终端的位置数据,构建覆盖树,具体包括:
根据所述位置数据,计算各个所述移动终端之间的距离,并确定所述距离中的最大距离;
确定与所述最大距离对应的两个节点,选取其中一个节点作为根节点,并根据所述最大距离确定所述覆盖树的层数。
本申请还提供了一种基于覆盖树的基站控制装置,包括:
位置数据获取模块:用于获取目标区域中多个移动终端的位置数据;
覆盖树构建模块:用于根据所述多个移动终端的位置数据,构建覆盖树,其中,所述覆盖树包括多个层,所述层包括一个或多个节点,所述节点与所述移动终端一一对应;
聚类中心选取模块:用于根据所述覆盖树的层次结构以及预期聚类数量,从所述覆盖树中选取所述预期聚类数量的目标节点作为聚类中心;
聚类结果输出模块:用于根据所述覆盖树中各个节点与所述目标节点的距离,对所述节点进行聚类,得到聚类结果;
工作参数调整模块:用于根据所述聚类结果,对基站的工作参数进行调整。
可选的,所述聚类中心选取模块包括:
目标层确定单元:用于根据预期聚类数量以及所述覆盖树中各层的节点数量,确定所述覆盖树的目标层;
聚类中心选取单元:用于从所述目标层选取所述预期聚类数量的目标节点作为聚类中心。
可选的,所述覆盖树构建模块包括:
距离计算单元:用于根据所述位置数据,计算各个所述移动终端之间的距离,并确定所述距离中的最大距离;
根节点确定单元:用于确定与所述最大距离对应的两个节点,选取其中一个节点作为根节点,并根据所述最大距离确定所述覆盖树的层数。
此外,本申请还提供了一种基于覆盖树的基站控制设备,包括:
存储器:用于存储计算机程序;
处理器:用于执行所述计算机程序,以实现如上所述的一种基于覆盖树的基站控制方法的步骤。
最后,本申请还提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如上所述的一种基于覆盖树的基站控制方法的步骤。
本申请所提供的一种基于覆盖树的基站控制方法,在对移动终端的聚类过程中,首先获取目标区域中多个移动终端的位置数据,并基于此构建覆盖树,然后根据覆盖树的层次结构以及预期聚类数量从覆盖树中选取聚类中心,再根据覆盖树中各个节点与聚类中心的距离对各个节点进行聚类,得到聚类结果,最终根据聚类结果对基站的工作参数进行调整。可见,该方法基于覆盖树进行聚类,一方面构建覆盖树时只需要计算各个节点之间的距离,另一方面由于覆盖树这个结构本身体现了节点之间的距离关系,因此在选定聚类中心之后不需要再计算新的聚类中心,综合以上两点该方法节省了计算消耗,加快了聚类速度,从而提升了基站对移动终端的服务质量。
此外,本申请还提供了一种基于覆盖树的基站控制装置、设备及计算机可读存储介质,其作用与上述方法相对应,这里不再赘述。
附图说明
为了更清楚的说明本申请实施例或现有技术的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本申请所提供的一种基于覆盖树的基站控制方法实施例一的实现流程图;
图2为本申请所提供的一种基于覆盖树的基站控制方法实施例二的实现流程图;
图3为本申请所提供的一种基于覆盖树的基站控制方法实施例二的移动终端之间距离示意图;
图4为本申请所提供的一种基于覆盖树的基站控制方法实施例二的覆盖树构建过程示意图图一;
图5为本申请所提供的一种基于覆盖树的基站控制方法实施例二的覆盖树构建过程示意图图二;
图6为本申请所提供的一种基于覆盖树的基站控制方法实施例二的覆盖树构建过程示意图图三;
图7为本申请所提供的一种基于覆盖树的基站控制装置的功能框图;
图8为本申请所提供的一种基于覆盖树的基站控制设备的结构示意图。
具体实施方式
本申请的核心是提供一种基于覆盖树的基站控制方法、装置、设备及计算机可读存储介质,显著节省了计算消耗,加快了聚类速度,最终提升了基站对移动终端的服务质量。
为了使本技术领域的人员更好地理解本申请方案,下面结合附图和具体实施方式对本申请作进一步的详细说明。显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
下面对本申请提供的一种基于覆盖树的基站控制方法实施例一进行介绍,参见图1,实施例一包括:
步骤S101:获取目标区域中多个移动终端的位置数据。
上述目标区域具体为一个或多个基站的覆盖区域,移动终端的位置数据具体可以为实时的地址位置数据,通过获取目标区域中各个移动终端的位置数据,得到位置数据的集合,以便于在后续过程中计算各个移动终端之间的距离。
步骤S102:根据所述多个移动终端的位置数据,构建覆盖树。
上述覆盖树包括多个层,每层包括一个或多个节点,节点为与移动终端一一对应的标识。覆盖树是计算机里的一种数据结构,它是专门用于最近邻搜索的一种数据结构,可以提高最近邻搜索的效率、减少计算量。覆盖树具有显式的和隐式两种表示方式,隐式表示的覆盖树一个节点可能在树中出现多次,但它在一层中至多出现一次;显式表示的覆盖树则是将隐式表示的覆盖树的孩子节点只有自己的节点合并,每一个显式表示的覆盖树都有一个非己的父节点,作为一种可选的实施方式,本实施例选取隐式覆盖树结构。需要说明的是,本实施例中覆盖树的每一层元素的集合Ci都遵循如下三个重要的特性:
其中,p、q表示覆盖树的节点,Ci为第i层的元素的集合,d(p,q)表示p、q之间的距离。
具体的,在构建覆盖树的过程中,可以先计算出覆盖树的层数以及根节点,然后再根据其他节点与根节点的距离关系确定其子孙节点,依次类推,得到完整的覆盖树。具体的构建过程将会在下文进行详细描述,此处不再展开介绍。
步骤S103:根据覆盖树的层次结构以及预期聚类数量,从覆盖树中选取预期聚类数量的目标节点作为聚类中心。
上述覆盖树的层次结构主要指覆盖树各层的节点数量,预期聚类数量为预先指定的聚类的分簇数量。具体的,本实施例在选取聚类中心时,首先确定聚类中心所在的层(以下称为目标层),然后再从目标层选出预期聚类数量的节点作为聚类中心,需要说明的是,当目标层中节点的总数量大于预期聚类数量时,需要对目标层中的节点进行聚类合并,最终得到预期聚类数量的聚类中心。
步骤S104:根据所述覆盖树中各个节点与所述目标节点的距离,对所述节点进行聚类,得到聚类结果。
作为一种可选的实施方式,在对覆盖树中除去聚类中心的其他节点进行聚类时,可以根据节点到各个聚类中心的距离远近来对节点进行归类,最终得到聚类结果。
步骤S105:根据所述聚类结果,对基站的工作参数进行调整。
根据聚类结果,可以确定移动终端的密度等信息,据此对基站的工作参数进行调整,以避免基站不必要的能耗,并保证基站能为用户提供稳定的服务。
本实施例所提供一种基于覆盖树的基站控制方法,在对移动终端的聚类过程中,首先获取目标区域中多个移动终端的位置数据,并基于此构建覆盖树,然后根据覆盖树的层次结构以及预期聚类数量从覆盖树中选取聚类中心,再根据覆盖树中各个节点与聚类中心的距离对各个节点进行聚类,得到聚类结果,最终根据聚类结果对基站的工作参数进行调整。可见,该方法基于覆盖树进行聚类,一方面构建覆盖树时只需要计算各个节点之间的距离,另一方面由于覆盖树这个结构本身体现了节点之间的距离关系,因此在选定聚类中心之后不需要再计算新的聚类中心,综合以上两点该方法节省了计算消耗,加快了聚类速度,从而提升了基站对移动终端的服务质量。
下面开始详细介绍本申请提供的一种基于覆盖树的基站控制方法实施例二,实施例二基于上述实施例一实现,并在上述实施例一的基础上进行了一定程度上的拓展。具体的,参见图2,实施例二包括:
步骤S201:获取目标区域中多个移动终端的位置数据。
步骤S202:计算各个移动终端之间的距离,确定与最大距离对应的两个节点,选取其中一个节点作为根节点,并根据最大距离确定覆盖树的层数。
其中,覆盖树包括多个层,每层包括一个或多个节点,节点为与移动终端一一对应的标识。本实施例中根节点的选取依据为:计算各个移动终端之间的距离,从距离最大的点的集合中任意选择一个节点作为根节点。由于覆盖树的特点是第i层节点之间的距离大于2i,第i层任意节点与其子节点的距离小于2i,且覆盖树的层数是从根节点往下依次递减的,根节点的层数j是根据用户之间的最大距离dmax计算的,因此,j满足如下条件:2j-1≤dmax<2j,据此可以确定覆盖树的层数。上面确定了覆盖树的层数以及根节点,下面即可依据覆盖树的特性确定根节点的子节点,进而确定子节点的子节点,依次类推,最终得到完整的覆盖树。
步骤S203:根据预期聚类数量以及覆盖树中各层的节点数量,确定覆盖树的目标层。
根据预期聚类数量以及覆盖树中各层的节点数量,确定满足预设条件的层,并将该层作为目标层,其中,所述预设条件为:|Ci+1|<k≤|Ci|≤2k,其中,|Ci+1|为所述覆盖树中第i+1层的节点数量,|Ci|为所述覆盖树中第i层的节点数量,k为所述预期聚类数量。
步骤S204:从目标层选取预期聚类数量的目标节点作为聚类中心。
依据上述条件,最终确定第i层为目标层。确定目标层后,可能存在两种情况,情况一,第i层的节点数量等于预期聚类数量,这种情况下直接将该层所有节点作为聚类中心即可;情况二,第i层的节点数量大于预期聚类数量,这种情况下需要对该层的节点进行合并,直到合并后的数量等于预期聚类数量为止。举例来说,假设第i层有5个点,而k=3,也就是说,需要3个点来作为聚类中心,这种情况下,本实施例通过下面过程来将多余的合并:计算当前层各个节点之间的距离,选择最短距离的两个点进行合并,重复合并,直至刚好达到k个点为止。
步骤S205:根据覆盖树中各个节点与目标节点的距离,对其他节点进行聚类,得到聚类结果。
在选出k个聚类中心之后我们将每个节点按与这些聚类中心之间的距离来对所有节点进行划分即可,由于在构建覆盖树的时候已经计算了各个节点相互之间的距离,因此此处不需要重复计算,只需要简单的大小比较即可。
步骤S206:根据聚类结果,对基站的工作参数进行调整。
这里通过一个例子来详尽的解释覆盖树的构建过程,如图3所示,假设有A、B、C、D四个用户分别在不同位置,覆盖树的构建过程包括以下步骤:
步骤S301:根据地理位置计算出各个移动终端之间的距离。
步骤S302:将距离最大的点的集合中选择一个作为根节点。
如上例子,A、D之间的距离最大所以我们随机选择A或者D作为覆盖树的根节点。
步骤S303:计算根节点所在的层数。
如上所述,覆盖树的层数(即根节点所在层数)满足如下条件:2j-1≤dmax<2j,那么上述例子的根节点层数计算如下:2j-1≤30<2j,最终计算出层数j=5。
步骤S304:插入其他节点。
根节点和其层数已经确定了,现在插入下一层的节点,在满足如下条件时q作为p的子节点:
其中,p为第i层节点,q为i-1层的节点,r为已经插入的且与q同一层的节点。如上面的例子:首先A也作为自己的子节点插入到自己的子节点。我们先判断B节点是否满足条件,d(A,B)=25≤25,且B与已经插入的同层节点A满足d(A,B)=25≥24,故B满足条件,将B插入到A的子节点中,如图4所示。然后,判断C节点是否满足条件,d(A,C)=20≤25,d(C,B)=15≤24,第二个条件不符合,故C暂时不进行插入操作。再判断D节点,d(A,D)=30≤25,d(D,B)=20≥24、d(D,A)=30≥24,故D满足上述两个条件,将D插入到A节点的子节点中,如图5所示。同理,遍历完节点之后开始将未插入的节点在下一层继续执行这些操作,构建完成之后如图6所示。
综上所述,本实施例提供的一种基于覆盖树的基站控制方法,利用指定区域的各个基站,获取指定区域内的各个移动终端分别对应的地理位置,并添加至地理位置集合中,然后计算各个节点之间的距离来构造覆盖树,按照覆盖树的特征来对K个类别进行划分。降低了聚类时的计算开销,我们知道,当对大量数据进行聚类的时候,算法的性能和开销就显得格外重要,特别是当k<<n时,构造覆盖树的开销就远远小于重复计算距离所产生的开销。可见,该方法在对用户位置数据存储的时候使用覆盖树的存储结构,以减少聚类过程中的计算开销,提高计算效率,有利于基站实时的根据移动终端的密度调整工作参数,避免不必要的能耗,且提升了基站的用户体验。
下面对本申请实施例提供的一种基于覆盖树的基站控制装置进行介绍,下文描述的一种基于覆盖树的基站控制装置与上文描述的一种基于覆盖树的基站控制方法可相互对应参照。如图7所示,该装置包括:
位置数据获取模块701:用于获取目标区域中多个移动终端的位置数据。
覆盖树构建模块702:用于根据所述多个移动终端的位置数据,构建覆盖树。其中,所述覆盖树包括多个层,所述层包括一个或多个节点,所述节点与所述移动终端一一对应。
聚类中心选取模块703:用于根据所述覆盖树的层次结构以及预期聚类数量,从所述覆盖树中选取所述预期聚类数量的目标节点作为聚类中心。
聚类结果输出模块704:用于根据所述覆盖树中各个节点与所述目标节点的距离,对所述节点进行聚类,得到聚类结果。
工作参数调整模块705:用于根据所述聚类结果,对基站的工作参数进行调整。
作为一种可选的实施方式,所述聚类中心选取模块703包括:
目标层确定单元7031:用于根据预期聚类数量以及所述覆盖树中各层的节点数量,确定所述覆盖树的目标层;
聚类中心选取单元7032:用于从所述目标层选取所述预期聚类数量的目标节点作为聚类中心。
作为一种可选的实施方式,所述覆盖树构建模块702包括:
距离计算单元7021:用于根据所述位置数据,计算各个所述移动终端之间的距离,并确定所述距离中的最大距离;
根节点确定单元7022:用于确定与所述最大距离对应的两个节点,选取其中一个节点作为根节点,并根据所述最大距离确定所述覆盖树的层数。
本实施例的一种基于覆盖树的基站控制装置用于实现前述的一种基于覆盖树的基站控制方法,因此该装置中的具体实施方式可见前文中的一种基于覆盖树的基站控制方法的实施例部分,例如,位置数据获取模块701、覆盖树构建模块702、聚类中心选取模块703、聚类结果输出模块704、工作参数调整模块705,分别用于实现上述一种基于覆盖树的基站控制方法中步骤S101,S102,S103,S104,S105。所以,其具体实施方式可以参照相应的各个部分实施例的描述,在此不再展开介绍。
另外,由于本实施例的一种基于覆盖树的基站控制装置用于实现前述的一种基于覆盖树的基站控制方法,因此其作用与上述方法的作用相对应,这里不再赘述。
此外,本申请还提供了一种基于覆盖树的基站控制设备,如图8所示,该设备包括:
存储器801:用于存储计算机程序;
处理器802:用于执行所述计算机程序,以实现如上所述的一种基于覆盖树的基站控制方法的步骤。
最后,本申请还提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如上所述的一种基于覆盖树的基站控制方法的步骤。
本申请的一种基于覆盖树的基站控制设备、计算机可读存储介质用于实现前述的一种基于覆盖树的基站控制方法,因此该设备、计算机可读存储介质的具体实施方式可见前文中的一种基于覆盖树的基站控制方法的实施例部分,且二者的作用与上述方法实施例相对应,这里不再赘述。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其它实施例的不同之处,各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上对本申请所提供的一种基于覆盖树的基站控制方法、装置、设备以及计算机可读存储介质进行了详细介绍。本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想。应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以对本申请进行若干改进和修饰,这些改进和修饰也落入本申请权利要求的保护范围内。
Claims (8)
1.一种基于覆盖树的基站控制方法,其特征在于,包括:
获取目标区域中多个移动终端的位置数据;
根据所述多个移动终端的位置数据,构建覆盖树,其中,所述覆盖树包括多个层,所述层包括一个或多个节点,所述节点与所述移动终端一一对应;
根据所述覆盖树的层次结构以及预期聚类数量,从所述覆盖树中选取所述预期聚类数量的目标节点作为聚类中心;
根据所述覆盖树中各个节点与所述目标节点的距离,对所述节点进行聚类,得到聚类结果;
根据所述聚类结果,对基站的工作参数进行调整;
所述根据所述多个移动终端的位置数据,构建覆盖树,具体包括:
根据所述位置数据,计算各个所述移动终端之间的距离,并确定所述距离中的最大距离;
确定与所述最大距离对应的两个节点,选取其中一个节点作为根节点,并根据所述最大距离确定所述覆盖树的层数。
2.如权利要求1所述的方法,其特征在于,所述根据所述覆盖树的层次结构以及预期聚类数量,从所述覆盖树中选取所述预期聚类数量的目标节点作为聚类中心,包括:
根据预期聚类数量以及所述覆盖树中各层的节点数量,确定所述覆盖树的目标层;
从所述目标层选取所述预期聚类数量的目标节点作为聚类中心。
3.如权利要求2所述的方法,其特征在于,所述根据预期聚类数量以及所述覆盖树中各层的节点数量,确定所述覆盖树的目标层,具体包括:
根据预期聚类数量以及所述覆盖树中各层的节点数量,确定满足预设条件的层,并将该层作为目标层,其中,所述预设条件为:|Ci+1|<k≤|Ci|≤2k,其中,|Ci+1|为所述覆盖树中第i+1层的节点数量,|Ci|为所述覆盖树中第i层的节点数量,k为所述预期聚类数量。
4.如权利要求3所述的方法,其特征在于,所述从所述目标层选取所述预期聚类数量的目标节点作为聚类中心,具体包括:
在所述目标层中的节点数量大于所述预期聚类数量时,对所述目标层中距离最近的两个节点进行合并,直至节点数量等于所述预期聚类数量,得到的所述预期聚类数量的节点即为目标节点。
5.一种基于覆盖树的基站控制装置,其特征在于,包括:
位置数据获取模块:用于获取目标区域中多个移动终端的位置数据;
覆盖树构建模块:用于根据所述多个移动终端的位置数据,构建覆盖树,其中,所述覆盖树包括多个层,所述层包括一个或多个节点,所述节点与所述移动终端一一对应;
聚类中心选取模块:用于根据所述覆盖树的层次结构以及预期聚类数量,从所述覆盖树中选取所述预期聚类数量的目标节点作为聚类中心;
聚类结果输出模块:用于根据所述覆盖树中各个节点与所述目标节点的距离,对所述节点进行聚类,得到聚类结果;
工作参数调整模块:用于根据所述聚类结果,对基站的工作参数进行调整;
所述覆盖树构建模块包括:
距离计算单元:用于根据所述位置数据,计算各个所述移动终端之间的距离,并确定所述距离中的最大距离;
根节点确定单元:用于确定与所述最大距离对应的两个节点,选取其中一个节点作为根节点,并根据所述最大距离确定所述覆盖树的层数。
6.如权利要求5所述的装置,其特征在于,所述聚类中心选取模块包括:
目标层确定单元:用于根据预期聚类数量以及所述覆盖树中各层的节点数量,确定所述覆盖树的目标层;
聚类中心选取单元:用于从所述目标层选取所述预期聚类数量的目标节点作为聚类中心。
7.一种基于覆盖树的基站控制设备,其特征在于,包括:
存储器:用于存储计算机程序;
处理器:用于执行所述计算机程序,以实现如权利要求1-4任意一项所述的一种基于覆盖树的基站控制方法的步骤。
8.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1-4任意一项所述的一种基于覆盖树的基站控制方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910145753.4A CN109618285B (zh) | 2019-02-27 | 2019-02-27 | 一种基于覆盖树的基站控制方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910145753.4A CN109618285B (zh) | 2019-02-27 | 2019-02-27 | 一种基于覆盖树的基站控制方法、装置及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109618285A CN109618285A (zh) | 2019-04-12 |
CN109618285B true CN109618285B (zh) | 2020-09-11 |
Family
ID=66021325
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910145753.4A Active CN109618285B (zh) | 2019-02-27 | 2019-02-27 | 一种基于覆盖树的基站控制方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109618285B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112867110B (zh) * | 2020-12-31 | 2023-03-31 | 河南省信息咨询设计研究有限公司 | 通信小区的效能识别方法、装置及电子设备 |
CN114020648B (zh) * | 2022-01-04 | 2022-04-12 | 广东拓思软件科学园有限公司 | 应用控件的测试方法、装置、电子设备及存储介质 |
CN114615262B (zh) * | 2022-01-30 | 2024-05-14 | 阿里巴巴(中国)有限公司 | 网络聚合方法、存储介质、处理器以及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103249110A (zh) * | 2013-05-08 | 2013-08-14 | 南京大学 | 一种基于动态树的无线传感网目标跟踪方法 |
CN104717744A (zh) * | 2014-12-19 | 2015-06-17 | 浙江大学城市学院 | 一种基于无线局域网及分层聚类的室内定位方法 |
CN108055685A (zh) * | 2017-12-29 | 2018-05-18 | 北京农业信息技术研究中心 | 无线传感器网络中的簇头节点和传感器节点 |
CN108629000A (zh) * | 2018-05-02 | 2018-10-09 | 深圳市数字城市工程研究中心 | 一种手机轨迹数据聚类的群体行为特征提取方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7593353B2 (en) * | 2004-03-13 | 2009-09-22 | International Business Machines Corporation | Methods and apparatus for content delivery via application level multicast with minimum communication delay |
-
2019
- 2019-02-27 CN CN201910145753.4A patent/CN109618285B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103249110A (zh) * | 2013-05-08 | 2013-08-14 | 南京大学 | 一种基于动态树的无线传感网目标跟踪方法 |
CN103249110B (zh) * | 2013-05-08 | 2015-10-28 | 南京大学 | 一种基于动态树的无线传感网目标跟踪方法 |
CN104717744A (zh) * | 2014-12-19 | 2015-06-17 | 浙江大学城市学院 | 一种基于无线局域网及分层聚类的室内定位方法 |
CN108055685A (zh) * | 2017-12-29 | 2018-05-18 | 北京农业信息技术研究中心 | 无线传感器网络中的簇头节点和传感器节点 |
CN108629000A (zh) * | 2018-05-02 | 2018-10-09 | 深圳市数字城市工程研究中心 | 一种手机轨迹数据聚类的群体行为特征提取方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN109618285A (zh) | 2019-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110809306B (zh) | 一种基于深度强化学习的终端接入选择方法 | |
CN109618285B (zh) | 一种基于覆盖树的基站控制方法、装置及设备 | |
Zhang et al. | A deep reinforcement learning based approach for cost-and energy-aware multi-flow mobile data offloading | |
CN108924746B (zh) | 一种基于ue密度的基站控制方法、装置 | |
CN109194763B (zh) | 一种超密集网络中基于小型基站自组织协作的缓存方法 | |
CN112020103A (zh) | 一种移动边缘云中的内容缓存部署方法 | |
CN109743713B (zh) | 一种电力物联网系统的资源分配方法及装置 | |
US20070116010A1 (en) | System and method for allocating resource and user terminal | |
CN109831790B (zh) | 雾无线接入网中基于头脑风暴优化算法的协作缓存方法 | |
CN113687875B (zh) | 一种车联网中车辆任务卸载方法及装置 | |
CN104684095A (zh) | 一种异构网络融合场景中基于遗传运算的资源分配方法 | |
WO2023020502A1 (zh) | 数据处理方法及装置 | |
Lan et al. | Deep reinforcement learning for computation offloading and caching in fog-based vehicular networks | |
CN115065678A (zh) | 一种基于深度强化学习的多智能设备任务卸载决策方法 | |
CN103561103B (zh) | 业务迁移的控制方法和装置 | |
CN113727278B (zh) | 一种路径规划方法、接入网设备及飞行控制设备 | |
Amsalu et al. | Design and performance evaluation of an energy efficient routing protocol for Wireless Sensor Networks | |
CN108650698B (zh) | 一种机会网络数据转发方法 | |
CN109041009B (zh) | 一种车联网上行功率分配方法及装置 | |
auf der Heide et al. | Congestion, dilation, and energy in radio networks | |
CN113784372A (zh) | 一种面向终端多业务模型的联合优化方法 | |
CN107566982B (zh) | 基于随机几何异构蜂窝网络的连续小区缩放方法 | |
Malak et al. | Spatial concentration of caching in wireless heterogeneous networks | |
EP4383075A1 (en) | Data processing method and apparatus | |
Wu et al. | Learning-aided client association control for high-density WLANs |
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 |