CN109756310A - 一种lte-a系统中cqi预测方法 - Google Patents

Abstract

本发明公开了一种LTE‑A系统中CQI预测方法，其步骤包括：利用基站记录的CQI历史数据，生成一长度为L的CQI序列，记为向量X_L；从该向量X_L中截取一段由近期CQI历史数据构成的序列，记为向量X_SL；向量X_SL的长度为SL；在向量X_L去除向量X_SL之后的剩余部分中寻找与该向量X_SL最相似的序列段X_km；根据X_km和CQI反馈时延D外推找到与待预测时刻最相似的时间点t_sp，然后以t_sp为基准获取之前一段长度WL的CQI历史数据序列作为预测向量X_hp；根据X_hp确定待预测时刻的CQI预测值。本发明在CQI高时延和用户移动速度相对较大时能够取得较好的效果，同时算法的复杂度低，易于硬件实现。

Description

一种LTE-A系统中CQI预测方法

技术领域

本发明涉及LTE-A通信系统中的载波聚合(Carrier Aggregation,CA)技术，特别涉及载波聚合技术中一种低复杂度与高预测步长的CQI(Channel Quality Indicator，信道质量情况指示)预测方法。

背景技术

LTE-A作为LTE的演进版本，其具有更高的传输速率、更大的频谱利用率、更低的通信时延，同时可以提升移动网络性能，为用户带来更好的体验。在LTE-A通信系统引入的多项技术中，载波聚合(Carrier Aggregation,CA)技术是一项标志性技术。由于无线通信经过了长时间的发展，现有的无线频谱资源已经被2G、3G和卫星等通信系统大量占用，剩余可用的频谱资源很多都是离散的。载波聚合技术通过将多个LTE载波(Component Carrier,CC)聚合捆绑，为用户提供更大的带宽和更高的速率，但载波聚合技术也增加了用户反馈CQI给基站的时延，导致基站得到的CQI信息失真进一步导致系统性能下降。因此，对CQI进行预测是必要的。

在现有的CQI预测方案中，有多种多样的方法应用于不同的场景，有简单平均法、外推法、卡尔曼滤波法、人工神经网络法、小波变换-支持向量机(Wavelet Transform-Support Vector Machine,WT-SVM)法等等。这些预测方案受限于各自的应用场景：简单平均法只能应用于用户高速条件下，外推法只能处理线性数据；卡尔曼滤波法通常只能预测单一步长即1毫秒；神经网络法的计算量太大因而适用性不强；WT-SVM方案只能处理CQI时延4毫秒以内的预测。综上，以往的在不同场景下的CQI预测方案除了有其特殊局限外，更有一个共同的严重缺点：只能在CQI时延较小(小于6毫秒)时发挥作用。

发明内容

本发明克服了现有CQI预测方案的不足，提供了LTE-A通信场景下中高预测步长的CQI预测方法，该方案在CQI高时延和用户移动速度相对较大时能够取得较好的效果，同时算法的复杂度低，易于硬件实现。

本发明的技术方案：

一种LTE-A系统中CQI预测方法，其步骤包括：

1)利用基站已有记录的CQI历史数据序列，记为向量X_L；从X_L中截取最新的一段CQI历史数据序列，记为向量X_SL；

2)在向量X_L去除X_SL之后的剩余部分中寻找与向量X_SL最相似的序列段X_km，向量X_L的长度远远大于向量X_SL，这里的相似即几何上的相似，意为平行度最好，后边用数学方法实现是两个向量的标准差最小；

3)根据找到的序列段X_km外推找到和找到与待预测时刻(t+D)最相似的时间指示点，即向量X_km之后长度为CQI反馈时延D的时间点t_sp，然后以时间点t_sp为基准获取之前一定长度WL的CQI历史数据序列作为预测向量X_hp，长度WL可由经验以用户移动速度和CQI反馈时延而确定；

4)得到预测向量X_hp之后，考虑到越接近时间点t_sp的CQI与预测时刻CQI的相关性越强，因此利用一阶指数平滑法对向量X_hp进行平滑加权，该预测向量X_hp中CQI历史数据的时间点越接近时间点t_sp对应的CQI历史数据权重越大，即用一加权向量W对X_hp进行加权得到待预测时刻(t+D)的CQI的预测值。

与现有技术相比，本发明的有益效果是：

本发明提出了一种LTE-A系统中CQI预测的解决方法。该方法中的CQI时延长度在6ms与16ms之间，是一种在基站端利用已有记录的CQI数据进行预测的高步长预测方法。本方法通过在历史数据中找到与当前时刻有相似变化趋势的序列段，能够在反馈时延较大的场景下对CQI较为精确地预测。此外本方法的计算过程复杂度较低，便于硬件实现。

附图说明

图1为本发明CQI预测的实施系统结构图；

图2为本发明CQI预测算法的流程图；

图3为本发明一实例的仿真效果图；

(a)利用本发明CQI预测与传统方法直接使用延时数据的系统吞吐量对比图；

(b)利用本发明CQI预测与不利用CQI预测直接使用延时数据的用户公平性对比图。

具体实施方式

本发明一实施例中提供了一种LTE-A通信系统中低复杂度与高预测步长的CQI预测方法，其步骤具体包括：

1)将基站记录的有限长度的CQI历史数据序列记为向量X_L：

X_L＝[x_t-L-1,…,x_t-1,x_t]；

这里的x_t是指时刻t的CQI值；

2)在X_L中选取长度为SL的最新CQI数据序列作为当前参考数据序列，记为向量X_SL：

X_SL＝[x_t-SL+1,…,x_t]；

3)在历史CQI数据向量X_L中任取一个SL长度的向量X_k：

X_k＝[x_t-L+k,…,x_t-L+k+SL-1],1≤k≤L-SL+1；

在这里的SL需要满足SL<<L，k是向量X_k的时间起始时刻；

4)在向量X_L中滑动X_k，通过计算找到使得向量X_k与X_SL的标准差最小时的k值记为km，并记录此时的X_k为X_km：

这里的std(X_SL-X_k)函数表示计算向量序列X_SL和X_k的标准差，计算方式如下：

函数min()表示取最小值，并且当出现两个同样大小的标准差时选定k值较小的X_k输出作为结果X_km，其中向量X_km的起止指示时刻分别为(t-L+km)和(t-L+km+SL-1)；

5)根据找到的X_km，在CQI序列向量X_L中计算找到与待预测时刻(t+D)相匹配的历史时刻t_sp，因为向量X_km的时间指示为(t-L+km)至(t-L+km+SL-1)，其匹配的当前参考数据序列向量X_SL的时间指示为(t-SL+1)至t，故与待预测时刻(t+D)最相似的时间点t_sp计算方式如下：

t_sp＝t-L+km+SL-1+D

这里D是CQI的反馈时延长度；

6)以t_sp为参考计算得到CQI序列向量X_hp：

X_hp＝[x_{t-L+km+SL-1+D-WL+1},…,x_{t-L+km+SL-1+D}]

其中WL是向量X_hp的长度，可以根据用户不同移动速度和CQI不同反馈时延而更改；

7)对CQI序列向量X_hp做加权求和得到预测值：

其中W′表示向量W的转置，这里的函数mean()用来求X_SL和X_km的平均间隔距离；其中W是一阶指数平滑权重向量，公式如下：

W＝[α；…；α(1-α)ⁱ；…；α(1-α)^WL-1)]

α∈[0,1],i∈[0,WL-1]

其中，平滑系数α可以根据用户速度和CQI时延(即这里的预测步长)等参数不同而更改，从而决定W的大小；

8)考虑到系统中的CQI值在整数0～15范围内，因此最后需要对做取整处理：

其中“[]”表示四舍五入式的取整运算。

进一步，在本发明一实施例中所述步骤1)、步骤2)、步骤6)和步骤7)中的L、SL、WL以及α参数可以根据用户不同移动速度和CQI不同反馈时延而改变，其取值方法目前由经验可以分别取800ms、10ms、6ms、0.8左右；

下面结合附图和具体实施方式对本发明作进一步详细描述：

如图1所示，一个本发明的实施系统包括完整的LTE-A系统级仿真平台：核心网(Evolved Packet Core,EPC)、基站(eNode B,eNB)和用户设备(User Equipment,UE)。根据协议，辅载波、主载波的共有CQI反馈时延发生在线路1上，辅载波相对主载波增加的CQI反馈时延发生在线路2上。基站eNB负责根据用户反馈的CQI进行资源分配，核心网(EPC)进行通信网络的综合处理。

实施例：

1)根据协议(3GPP TS 36.211)配置LTE-A系统的基本参数：在该仿真平台，eNodeB(基站)配置模块和UE(用户)配置模块分别完成eNodeB和UE的位置撒点。信道模块考虑了大尺度参数和小尺度参数。链路层对当前的信道状况进行测量并反馈给MAC子层模块CQI信息。MAC子层模块是系统级仿真平台的核心，根据实时状况进行资源分配和HARQ(HybridAutomatic Repeat reQuest，混合自动请求重传)管理。设置仿真次数为10⁴次。

2)设置用户的移动速度为15km/h，设置LTE-A系统中具有载波聚合能力的用户其主载波的反馈时延为6ms以及其辅载波的反馈时延为8ms和16ms。

3)设置本发明中之方法的相关参数：CQI历史数据长度L统一取800ms,当辅载波时延为8ms时，SL为10ms,WL为6ms，α为0.8；当辅载波时延为16ms时，SL为20ms，WL为18ms，α为0.8；

4)基站利用已有的CQI信息序列预测当前指示时刻的真实CQI，然后进行资源调度。

具体的，本发明的CQI预测方案算法流程如图2所示，图3给出了本实例的仿真效果图，该仿真下各个主载波的CQI反馈时延都是6ms,辅载波的反馈时延是8ms和16ms。其中图3(a)为对比了利用CQI预测和现有方案即不利用CQI预测直接使用延时数据的系统吞吐量，可以看到不管是在SCC时延为8ms或16ms时本发明对系统性能都有所提升；图3(b)对比了利用CQI预测对不利用CQI预测直接使用延时数据的用户公平性，可以看出本方法能够很好的对现有方案进行改善，有效提升用户的公平性。

以上通过详细实施例描述了本发明所提供的OFDM系统的载波频率偏差与采样频率偏差的联合估计方法，本领域的技术人员应当理解，在不脱离本发明实质的范围内，可以对本发明做一定的变形或修改；其制备方法也不限于实施例中所公开的内容。

Claims (10)

1.一种LTE-A系统中CQI预测方法，其步骤包括：

1)利用基站记录的CQI历史数据，生成一长度为L的CQI序列，记为向量X_L；从该向量X_L中截取一段由近期CQI历史数据构成的序列，记为向量X_SL；向量X_SL的长度为SL；

2)在该向量X_L去除该向量X_SL之后的剩余部分中寻找与该向量X_SL最相似的序列段X_km；

3)根据该序列段X_km和CQI反馈时延D外推找到与待预测时刻(t+D)最相似的时间点t_sp，然后以该时间点t_sp为基准获取之前一段长度WL的CQI历史数据序列作为预测向量X_hp；其中，t为向量X_L中最近期的历史时刻；

4)根据该预测向量X_hp确定待预测时刻(t+D)的CQI预测值。

2.如权利要求1所述的方法，其特征在于，所述步骤2)中，从在该向量X_L去除该向量X_SL之后的剩余部分中选取一与该向量X_SL长度相同的序列段；计算该序列段与该向量X_SL的标准差，将标准差最小值对应的序列段作为与该向量X_SL最相似的序列段X_km。

3.如权利要求2所述的方法，其特征在于，所述步骤3)中，将该序列段X_km之后长度为CQI反馈时延D的时间点作为与待预测时刻(t+D)最相似的时间点t_sp。

4.如权利要求3所述的方法，其特征在于，t_sp＝t-L+km+SL-1+D，km为序列段X_km的起始时间指示时刻。

5.如权利要求1所述的方法，其特征在于，该向量X_L的长度L远远大于该向量X_SL的长度SL。

6.如权利要求1所述的方法，其特征在于，所述步骤4)中，利用一阶指数平滑法对该预测向量X_hp进行平滑加权，其中该预测向量X_hp中CQI历史数据的时间点越接近时间点t_sp对应的CQI历史数据权重越大。

7.如权利要求6所述的方法，其特征在于，利用公式对该预测向量X_hp进行平滑加权，得到待预测时刻(t+D)的CQI预测值其中，W′表示向量W的转置，函数mean()用来求X_SL和X_km的平均间隔距离，W是一阶指数平滑权重向量。

8.如权利要求7所述的方法，其特征在于，所述一阶平滑权重向量W＝[α；…；α(1-α)ⁱ；…；α(1-α)^(WL-1)],α∈[0,1],i∈[0,WL-1]，α为平滑参数。

9.如权利要求8所述的方法，其特征在于，根据用户移动速度和CQI反馈时延确定该平滑参数α。

10.如权利要求1所述的方法，其特征在于，根据用户移动速度和CQI反馈时延确定该长度WL、长度SL。