CN110139331A - 基于5g网络的自适应切换触发策略实现方法 - Google Patents

Abstract

本发明公开了一种基于5G网络的自适应切换触发策略实现方法，包括利用FastDTW算法实现轨迹相似度的计算；基于获取的轨迹相似度计算结果，利用DBSCAN算法对轨迹进行聚类；进行HMM模型的训练；从多个HMM模型中根据最大相似度选择恰当的HMM模型，进行RSSI值的预测，从而为是否触发切换做判断。与传统的切换策略相比，本发明能够预测基站的接收信号强度值，从而帮助MN实现精准及时的切换触发判决，进而提高移动用户MN的通话质量。

Description

基于5G网络的自适应切换触发策略实现方法

技术领域

本发明属于5G网络领域，特别是涉及一种基于5G网络的能够适应用户移动行为的切换触发策略。

背景技术

第五代移动通信技术，也称为5G，是未来主流的移动通信产业技术之一。目前提出了多种5G网络架构。其中，用户层和控制层(C/U)分离异构网络架构是其中的一种。在该架构中，控制层主要负责提供控制功能，而用户层主要负责提供数据功能。通过对用户层和控制层进行分离的模式，可以对每层的功能单独进行优化，满足不同场景下5G网络对性能的需求，并且便于管理，减少成本。

在5G C/U层分离异构网络架构下，如何保证移动用户的通信质量也成为了目前的研究热点。用户的切换触发过程是保证用户实现蜂窝间无缝通信的一个重要手段。目前已有对于切换触发策略技术方案，主要从“利用公式直接进行判断的方法”或者“使用预测的方法”这两种角度来设计切换触发方法。“利用公式直接进行判断的方法”是将切换迟滞值作为切换依据，从而触发切换。然而，这种切换方式没有为后期切换协议的执行预留时间，可能会导致切换触发过晚而造成掉话问题。“使用预测的方法”是针对已获取的接收信号强度序列，通过提前预测下一时刻的RSSI值来判断是否触发切换，从而为后期切换协议的执行提供了保证。这些研究主要是基于一些机器学习的方法，从而达到预测的效果。其中大部分都是假设用户在运动过程是进行匀速运动的，他们根据这种轨迹序列进行预测处理。但是，用户的移动行为在实际过程中不一定是匀速的，很有可能在运动过程中出现变化，从而导致预测效果不佳的问题。

针对以上问题，亟待提出一种能够分析用户在随机移动过程中的移动行为并且提前获取下一时刻的接受信号强度值，从而保证触发切换准确性的方法。

发明内容

针对移动节点(MN)在移动过程中的切换触发问题，本发明提出了一种基于5G网络的自适应切换触发策略实现方法，基于隐马尔科夫(HMM)模型来适应移动节点(MN)的移动行为，实现了帮助移动节点在随机移动过程中进行最佳切换时间选择的策略，为5G网络实现无缝切换提供了参考。

本发明的一种基于5G网络的自适应切换触发策略实现方法，该实现方法包括以下步骤：

步骤1、利用FastDTW算法实现轨迹相似度的计算，具体步骤包括：遍历每条轨迹并以最低分辨率初始化轨迹，检测轨迹的长度，如果轨迹的长度低于输入轨迹的最小长度，那么轨迹之间的相似度将会通过DTW算法进行计算并且返回结果，否则，创建两条轨迹点数量减半的轨迹作为输入轨迹，最后，用于存储轨迹相似度的相似度矩阵会作为结果返回；

计算轨迹之间的相似度公式如下：

其中，DTW(D_i,D_j)表示轨迹D_i和D_j的相似度，m和n分别表示轨迹D_i和D_j的空间长度，dist(D₁；D_j)表示轨迹D_i和D_j之间的欧式距离，Rest(D_i)和Rest(D_j)表示轨迹D_i和D_j去除第一个轨迹点；

步骤2、基于获取的轨迹相似度计算结果，利用DBSCAN算法对轨迹进行聚类，具体步骤包括：首先标记聚类的簇个数为0；遍历输入的轨迹相似度矩阵的每一个点p，并将该点设置为已经访问过的点；以点p为基础向外扩散，将还没有被访问的任意一点作为起始访问点，然后在该点的ε邻域进行查找，找所有在ε领域范围minPts之内的点，如果候选集N的长度小于minPts，则设置该点为噪音点，否则，创建一个新的轨迹簇，并对该簇进行扩展。对该簇进行扩展使用expandCluster算法，处理过程为：将轨迹相似度矩阵D、候选集N、轨迹簇C、半径参数ε和密度阈值minPts作为输入，扩展后的簇C作为结果；其中，ε表示轨迹簇邻域距离的阈值，minPts表示形成一个密集区域所需的最小点数；

步骤3、进行HMM模型的训练，具体步骤包括：以轨迹集C和网格尺寸Sizeg作为输入，以轨迹分段结果作为输出，将段的id初始值设为1；遍历轨迹集中的每一个轨迹点pi，如果当前轨迹点没有被访问过，将该点的id设置为c，并且设置该点为已经访问过的点；进一步遍历轨迹集中的所有点p_j，如果p_i和p_j之间的距离小于网格尺寸Size，则把该点的id设置为c，并且设置该点为已经访问过的点，HMM模型Q表示为Q＝{C,H,O,π,A,B}；

其中，C表示任意一个轨迹簇的轨迹集，

H表示隐状态集合{h_i|i＝1,2,...,n}，n表示隐状态的总数目，

O表示指观察状态的集合{o_k|k＝1,2,...,m}，m表示观察状态的总数目，

π＝{π_i}表示HMM模型的初始状态概率矩阵，

A＝{a_ij}表示隐状态转移概率矩阵，a_ij＝P{H(t+1)＝h_j|H(t)＝h_i}表示从隐状态h_i转移到隐状态h_j的概率，j＝1,2,...,n；h_j∈H；

B＝{b_ik}表示从隐状态到显状态的转移概率矩阵，其中b_ik＝P{O(t+1)＝o_k|H(t)＝h_i}表示从隐状态h_i转移到观察状态o_k的概率，t表示当前时刻，t+1表示下一时刻；

步骤4、从多个HMM模型中根据最大相似度选择恰当的HMM模型，进行RSSI值的预测，从而为是否触发切换做判断，所述RSSI值预测的具体步骤包括：获得输入轨迹的轨迹点之间的最小长度Min_Dis；确认Min_Dis是否满足HMM模型的要求；遍历每个轨迹点获取轨迹点之间的距离，并且判断该距离是否满足放大要求；利用前向算法计算出现概率最大的状态，其中概率最大状态的中心点对应为预测位置；在预测位置所能接收到的宏蜂窝和微蜂窝的RSSI值以通过WINNER 2模型计算得到，并且该值用于触发判决。

与传统的切换策略相比，本发明能够预测基站的接收信号强度值，从而帮助MN实现精准及时的切换触发判决，进而提高移动用户MN的通话质量。

附图说明

图1为本发明的基于5G网络的自适应切换触发策略方法框架图；

图2为切换触发流程图；

图3为HMM模型示意图。

具体实施方式

下面结合附图和实施例对本发明技术方案进行详细描述。

如图1所示，为本发明的基于5G网络的自适应切换触发策略实现方法整体流程图。具体包括以下步骤：

步骤1、轨迹之间的相似度计算，利用FastDTW算法能够在时间维上进行缩放的特点，实现轨迹相似度的计算，具体包括以下步骤：

FastDTW算法是快速的DTW算法，其利用粗粒度化的方式达到对输入的轨迹序列进行一个抽象的效果，其中进行粗粒度化之后的数据值对应为轨迹序列中多个数据点的平均值，通过这种方式能够减少在递归过程中的搜索空间，从而减少轨迹相似度的计算时间。FastDTW算法将轨迹集以及半径参数作为输入，相似度矩阵作为输出，算法过程描述如下：

1)遍历每条轨迹并以最低分辨率初始化轨迹minSize＝r+2；2)检测轨迹的长度，如果轨迹的长度低于minSize(输入轨迹的最小长度)，那么轨迹之间的相似度将会通过DTW算法进行计算并且返回结果，否则，创建两条轨迹点数量减半的轨迹作为输入轨迹；最后，用于存储轨迹相似度的相似度矩阵会作为结果返回。

DTW算法描述如下：由于移动节点(MN)的轨迹点包含空间信息和时间信息，其中空间信息可以为二维空间或者三维空间中的位置；因此，在计算轨迹之间的相似度时需要考虑移动节点(MN)在不同时刻的移动轨迹。移动轨迹是包含轨迹点的序列，表示为D＝{D₁,D₂,…D_i,….D_j,…D_n}，其中D_i、D_j表示轨迹点。利用标准的动态时间规整算法(DTW)计算轨迹之间的相似度，公式如下：

其中，DTW(D_i,D_j)表示轨迹D_i和D_j的相似度，m和n分别表示轨迹D_i和D_j的空间长度，dist(D₁；D_j)表示轨迹D_i和D_j之间的欧式距离，Rest(D_i)和Rest(D_j)表示轨迹D_i和D_j是去除第一个轨迹点的其他轨迹点，DTW(D_i,D_j)是一个分段函数，如果D_i和D_j的轨迹长度为0，直接设置DTW(D_i,D_j)的值为0；如果D_i或者D_j轨迹中只有一条轨迹长度为0，则DTW(D_i,D_j)的值为∞；否则，DTW(D_i,D_j)的值需要通过递归的方法进一步计算。

步骤2、轨迹聚类处理，具体包括以下步骤：

基于获取的轨迹相似度计算结果，利用DBSCAN算法对轨迹进行聚类。DBSCAN算法以ε和minPts作为输入，形成多个轨迹簇作为结果输出；其中ε表示轨迹簇邻域距离的阈值，minPts表示形成一个密集区域所需的最小点数。该算法包括以下步骤:1)首先标记聚类的簇个数为0；2)遍历输入的轨迹相似度矩阵的每一个点p，并将该点设置为已经访问过的点；3)以点p为基础向外扩散，将还没有被访问的任意一点作为起始访问点，然后在该点的ε邻域进行查找，找所有在ε领域范围minPts之内的点，如果候选集N的长度小于minPts(length(N)<minPts)，则设置该点为噪音点(即异常点)，否则，创建一个新的轨迹簇，并对该簇进行扩展。对该簇进行扩展使用expandCluster算法，处理过程为：将轨迹相似度矩阵D、候选集N、轨迹簇C、半径参数ε和密度阈值minPts作为输入，扩展后的簇C作为结果。

步骤3、进行HMM模型的训练

对每一个相似的轨迹簇中的轨迹进行训练，从而获取对应的HMM模型来模拟MN的移动行为，从而实现使用之前观察到的轨迹点来预测下一时刻最可能出现的移动轨迹点的目的。

HMM模型定义：HMM模型Q表示为Q＝{C,H,O,π,A,B}。

其中，C表示任意一个轨迹簇的轨迹集，

H表示隐状态集合{h_i|i＝1,2,...,n}，n表示隐状态的总数目，

O表示指观察状态的集合{o_k|k＝1,2,...,m}，m表示观察状态的总数目(，

π＝{π_i}表示HMM模型的初始状态概率矩阵，

A＝{a_ij}表示隐状态转移概率矩阵，a_ij＝P{H(t+1)＝h_j|H(t)＝h_i}表示从隐状态h_i转移到隐状态h_j的概率，j＝1,2,...,n；h_j∈H；

B＝{b_ik}表示从隐状态到显状态的转移概率矩阵，其中b_ik＝P{O(t+1)＝o_k|H(t)＝h_i}表示从隐状态h_i转移到观察状态o_k的概率，t表示当前时刻，t+1表示下一时刻；

观察状态通过将轨迹转换成网格序列获得，网格是对数字地图进行分割而得到的结果，隐状态是通过对轨迹进行切割而获得的划分成多个轨迹段，其中轨迹段的长度由网格大小决定。利用网格代替轨迹点可以简化轨迹的表示，并且能够提高HMM模型的预测效率。

其中，轨迹集划分具体包括以下步骤：以轨迹集C和网格尺寸Sizeg作为输入，以轨迹分段结果作为输出，1)将段的id初始值设为1；2)遍历轨迹集中的每一个轨迹点pi，如果当前轨迹点没有被访问过，将该点的id设置为c，并且设置该点为已经访问过的点；3)进一步遍历轨迹集中的所有点p_j，如果p_i和p_j之间的距离小于网格尺寸Size，则把该点的id设置为c，并且设置该点为已经访问过的点。

如图3所示的HMM模型示意图中，圆圈(D₁～D₄)代表隐状态h_i，网格(r₁～r₉)代表观察状态o_k，从h_i指向h_j的箭头和从h_i指向o_k的箭头表示后者有条件地依赖于前者，并且箭头上的值表示概率矩阵中的元素。本示意图中的HMM模型可以表示为λ＝(π,A,B)。基于之前获得的隐状态H和观察状态O，以及初始状态概率π，利用Baum-Welch算法通过最大化模型似然概率log P(O|λ)来确定HMM模型中的参数π，以及概率矩阵A和B。在Baum-Welch算法中，需要对模型中参数进行不断的迭代，并且通过这些迭代计算出来的概率来最大化模型似然概率，这也是对应着Baum-Welch算法中最重要的两个步骤。

步骤4、RSSI自适应预测算法(ARP算法)

使用Viterib算法来计算测试轨迹在每个模型中出现的概率，选择出现概率最大的HMM模型，也就是从多个HMM模型中根据最大相似度选择恰当的HMM模型，进行RSSI值的预测，从而为是否触发切换做判断。在预测过程中，移动节点MN速度的变化可能会造成轨迹点之间距离不一致，如果轨迹点之间的距离比两倍的网格尺寸大，则可能会造成隐状态链不连续问题。如果轨迹点之间的距离比网格尺寸小，则可能会导致状态停留问题。这些问题都会影响RSSI值预测结果的准确性，从而导致不恰当的切换触发问题。为了解决上述问题，需要计算测试轨迹的轨迹点之间的最小长度Min_Dis，如果该长度Min_Dis小于网格的尺寸Size_g，需要对该轨迹进行放大。然而，对二维空间中的轨迹进行放大有可能会造成轨迹点之间的距离增大，因此在预测过程中需要使用一个线性插入算法来解决。ARP算法的目的是根据前n个点的值预测第n+1时刻的位置，并且根据预测的下一时刻移动到的位置点计算其对应的RSSI值，过程包括以下步骤：

以轨迹的观察序列D(t)＝{d₁,d₂,...,d_n}、网格的尺寸Size_g以及选择的HMM模型h作为该算法的输入，1)获得输入轨迹的轨迹点之间的最小长度Min_Dis；2)确认Min_Dis是否满足HMM模型的要求；3)遍历每个轨迹点获取轨迹点之间的距离，并且判断该距离是否满足放大要求；4)利用前向算法计算出现概率最大的状态，其中概率最大状态的中心点对应为预测位置)；5)在预测位置所能接收到的宏蜂窝和微蜂窝的RSSI值可以通过WINNER 2模型计算得到，并且该值可以用于触发判决。

综上所述，通过输入轨迹选择最恰当的HMM模型来模拟MN的移动行为，然后考虑输入的轨迹点之间的距离变化不规律对RSSI值预测结果的影响，利用一个放大和线性插入的方式来解决，最后通过调用ARP算法预测出下一时刻的RSSI值，为是否触发切换做预判断。

仿真实验的结果显示本发明提出的策略和能够有效的保证其预测的接收信号强度值误差在0.1范围内，能够有效的保证其切换准确率。

通过综合分析5G C/U层分离异构网络架构以及MN的移动行为，发现5G C/U层分离异构网络架构会带来切换成功率降低、切换域减少的问题；并且由于MN的移动行为具有随机性，会导致预测到的接收信号强度值出现较大的误差，这些都会导致切换出现失败的情况。

Claims (1)

1.一种基于5G网络的自适应切换触发策略实现方法，其特征在于，该实现方法包括以下步骤：

步骤1、利用FastDTW算法实现轨迹相似度的计算，具体步骤包括：遍历每条轨迹并以最低分辨率初始化轨迹，检测轨迹的长度，如果轨迹的长度低于输入轨迹的最小长度，那么轨迹之间的相似度将会通过DTW算法进行计算并且返回结果，否则，创建两条轨迹点数量减半的轨迹作为输入轨迹，最后，用于存储轨迹相似度的相似度矩阵会作为结果返回；

计算轨迹之间的相似度公式如下：

其中，DTW(D_i,D_j)表示轨迹D_i和D_j的相似度，m和n分别表示轨迹D_i和D_j的空间长度，dist(D₁；D_j)表示轨迹D_i和D_j之间的欧式距离，Rest(D_i)和Rest(D_j)表示轨迹D_i和D_j去除第一个轨迹点；

步骤2、基于获取的轨迹相似度计算结果，利用DBSCAN算法对轨迹进行聚类，具体步骤包括：首先标记聚类的簇个数为0；遍历输入的轨迹相似度矩阵的每一个点p，并将该点设置为已经访问过的点；以点p为基础向外扩散，将还没有被访问的任意一点作为起始访问点，然后在该点的ε邻域进行查找，找所有在ε领域范围minPts之内的点，如果候选集N的长度小于minPts，则设置该点为噪音点，否则，创建一个新的轨迹簇，并对该簇进行扩展；对该簇进行扩展使用expandCluster算法，处理过程为：将轨迹相似度矩阵D、候选集N、轨迹簇C、半径参数ε和密度阈值minPts作为输入，扩展后的簇C作为结果；其中，ε表示轨迹簇邻域距离的阈值，minPts表示形成一个密集区域所需的最小点数；

步骤3、进行HMM模型的训练，具体步骤包括：以轨迹集C和网格尺寸Sizeg作为输入，以轨迹分段结果作为输出，将段的id初始值设为1；遍历轨迹集中的每一个轨迹点pi，如果当前轨迹点没有被访问过，将该点的id设置为c，并且设置该点为已经访问过的点；进一步遍历轨迹集中的所有点p_j，如果p_i和p_j之间的距离小于网格尺寸Size，则把该点的id设置为c，并且设置该点为已经访问过的点，HMM模型Q表示为Q＝{C,H,O,π,A,B}；

其中，C表示任意一个轨迹簇的轨迹集，

H表示隐状态集合{h_i|i＝1,2,...,n}，n表示隐状态的总数目，

O表示指观察状态的集合{o_k|k＝1,2,...,m}，m表示观察状态的总数目，

π＝{π_i}表示HMM模型的初始状态概率矩阵，

A＝{a_ij}表示隐状态转移概率矩阵，a_ij＝P{H(t+1)＝h_j|H(t)＝h_i}表示从隐状态h_i转移到隐状态h_j的概率，j＝1,2,...,n；h_j∈H；

B＝{b_ik}表示从隐状态到显状态的转移概率矩阵，其中b_ik＝P{O(t+1)＝o_k|H(t)＝h_i}表示从隐状态h_i转移到观察状态o_k的概率，t表示当前时刻，t+1表示下一时刻；

步骤4、从多个HMM模型中根据最大相似度选择恰当的HMM模型，进行RSSI值的预测，从而为是否触发切换做判断，所述RSSI值预测的具体步骤包括：获得输入轨迹的轨迹点之间的最小长度Min_Dis；确认Min_Dis是否满足HMM模型的要求；遍历每个轨迹点获取轨迹点之间的距离，并且判断该距离是否满足放大要求；利用前向算法计算出现概率最大的状态，其中概率最大状态的中心点对应为预测位置；在预测位置所能接收到的宏蜂窝和微蜂窝的RSSI值以通过WINNER2模型计算得到，并且该值用于触发判决。