CN110167059B - 一种边缘计算场景下基站业务量预测方法 - Google Patents

Abstract

本发明公开了一种边缘计算场景下基站业务量预测方法。本发明使用历史周期的统计信息，综合了用户在移动网络中的移动轨迹，通过结合用户移动轨迹的预测，来达到提高业务量预测精度的目的。同时本发明采用了强化学习方法，不需要过多的人工干预，根据预测的反馈，动态调整预测的参数，具有自适应的优点。

Description

一种边缘计算场景下基站业务量预测方法

技术领域

本发明涉及基站业务量预测技术领域，具体涉及一种边缘计算场景下基站业务量预测方法。

背景技术

移动边缘计算(Multi-access edge computing,MEC)，是一个新兴的生态系统，旨在融合电信和IT服务，在无线接入网的边缘提供云计算平台。MEC在边缘提供存储和计算资源，减少移动终端用户的延迟，更有效地利用移动网络中的带宽资源。MEC在移动网络的边缘提供云计算和存储资源，创造了诸如超低延迟，密集计算能力以及减少网络拥塞等显着优势，这对于诸如物联网，视频流分析，增强现实和联网汽车等新兴应用是必需的。

用户对用户设备(User Equipment,UE)的计算能力的要求正在上升，这是由于计算需求以诸如面部/对象识别，视频/语音处理等应用的形式执行的任务。然而，由于UE由具有有限容量的电池供电，由于高能耗，这些应用程序仅可以在有限的时间内使用。此外，如果UE不能提供足够的计算能力，则应用程序根本无法运行。随着技术的发展，人们在终端的应用越来越智能化、多样化，许多应用的实现需要较高的计算性能作为支撑。而为了便携性，通常人们希望在可穿戴设备上就能支撑这些应用，这意味着设备必须偏向小型化的方向发展。在现阶段看来，高性能与便携性几乎是一对矛盾。因为更小的设备尺寸决定了设备只能配备更小的处理芯片、更小的电池。计算卸载这一模式的出现就是为了解决这个矛盾。

计算卸载是指资源受限的设备将资源密集型计算任务转移到外部平台。云计算的形式是设备将任务发送到云端的数据中心进行处理，但该种方式存在着延迟大，占用带宽多等问题。所以移动边缘计算的方式正在逐渐受到重视。移动边缘计算是将计算资源推向处在网络边缘的用户，用户设备卸载的计算任务可以无需经过广域网，在网络边缘就可以完成处理，并返回结果。移动边缘计算相比于云计算存在着更低的时延。

在移动边缘计算场景下，设备一般通过无线的方式进行传输。图1展示了移动边缘计算的典型场景，移动设备或者物联网设备，通过基站接入移动网络。而边缘网络存在着一些服务器，称为边缘服务器，与基站直接相连。这些服务器运行了某些种类的虚拟机，可以代为执行某些类型的服务，具体的服务种类根据边缘服务器上缓存的虚拟机决定。用户设备可以将计算密集型的任务，通过无线传输的方式，传输到这些边缘服务器上代为执行，边缘服务器将得到的结果返回给用户设备。

移动边缘计算场景下的计算卸载，会引入一定的问题。边缘服务器是通过虚拟机的方式对用户设备提供计算服务的。而通常边缘服务器资源相对受限，只能缓存某几种服务的虚拟机。对需要缓存的虚拟机种类和虚拟机之间资源的分配决策就显得尤为重要。因为更好的缓存或资源分配决策，可以提高任务的命中率(即用户需要某种服务，而边缘服务器上正好存在该种服务的虚拟机)，从而减少用户的时延。

用户卸载的计算任务是实时变化的，如果要实现资源的最优化利用，就需要根据用户需求，实时地调整计算资源在多个应用间的分配。这个操作涉及到实时的资源监控、实时的需求监控、实时的计算资源调整、实时任务调度策略调整(计算分配变化后，调度策略应该相应变化)能力。计算资源的调整不能做到实时，有一种妥协方式就是以周期性的方式进行调整。周期性地对计算资源的调整，意味着在整个周期T内，计算资源的分配是固定，所以就需要在周期开始之前就做好下一周期内资源分配的决策。利用用户的移动信息和应用使用情况等历史数据，对下一周期内用户的需求做一个大致的预估，这种调控方式称为主动式(proactive)调控。利用预估，边缘的服务器可以为下一周期的变化做好准备，更高效的资源配置可以提高资源的利用率，缩短应用的时延。

针对业务量预测问题，时序预测是一种较为常见的方法。时间序列分析中的结构分量模型也在近年来被用于进行业务量预测方面的研究。Holt-winter’s模型属于结构分量模型的一种。结构分量模型，即模型由明显的不同结构的部分构成。Holt-winter’s模型将序列分解为趋势项、季节项以及噪声分量三个部分。Holt-winter’s模型包含一个描述周期的季节分量，一个描述总体趋势的趋势分量，以及一个平滑的稳定分量共三部分。

其中建模方式如下，F_t+m为目标预测值，目标预测值由季节分量I_t、趋势分量b_t以及稳定分量S_t三部分构成。

F_t+m＝(S_t+b_t)I_t-L+m

其中L为周期，t为当前时刻。

稳定分量S_t包含了序列的主要的特征，建模如下所示。Y_t为观测值，α为全局平滑参数。稳定分量S_t由观测值Y_t、季节分量I_t，、全局平滑参数α、前一时刻的稳定分量S_t-1以及前一时刻的趋势分量b_t-1构成。

I_t是季节性分量，表示的是季节性偏差的大小，建模如下所示，β为季节平滑参数。季节性分量I_t由季节平滑参数β、观测值Y_t、稳定分量S_t、上一个周期的季节性分量I_t-L构成

b_t是趋势分量，表示了每个周期的整体趋势变化，建模如下所示，γ为趋势平滑参数。趋势分量b_t由趋势平滑参数γ、稳定分量S_t、前一时刻的稳定分量S_t-1以及前一时刻的趋势分量b_t-1构成

b_t＝(S_t-t-1)+(1-)b_t-1

该技术的缺点为：

(1)现有研究表明，Holt-winter’s模型在业务量数值较大时具有较好表现，在业务量较小时，表现不佳，实际业务量数值大部分都不在Holt-winter’s模型表现较好的数值区间内。

(2)Holt-winter’s模型依赖序列的周期性，而当业务量数值较小时，数据随机性的影响更大，会对Holt-winter’s模型的精确性产生影响。

差分整合移动平均自回归模型(Autoregressive Integrated Moving Averagemodel,ARIMA)，是时间序列预测分析方法之一。基于ARIMA的基站业务预测方案，将基站的业务量建模成时间序列，以基站之前周期的业务量作为输入，并用ARIMA模型进行建模，预测下一周期的业务量。

模型ARIMA(p,d,q)中，AR是“自回归”，p为自回归项数；MA为“滑动平均”，q为滑动平均项数，d为使之成为平稳序列所做的差分次数。

首先ARIMA模型需要确定的是参数d。模型要求时间序列是平稳的，即序列均值为常数，方差有限，且自协方差只与时间差有关。如果不平稳，需要通过对序列差分的方法，来平稳序列。一次差分后，序列不一定平稳，可能需要通过几次差分才能使序列平稳，这就是模型中的参数d。

模型参数p和q一般通过绘制自相关和偏自相关图来确定，但是这种方法需要人工手动对每种服务进行分析，不利于自动化。所以本文采用阿凯克信息准则(AkaikeInformation Criterion,AIC)和贝叶斯信息准则(Bayesian Information Criterion,BIC)方法来自动确定参数p和q。

该技术的缺点为：

(1)没有充分利用蜂窝网络中用户的移动信息，只利用了历史基站业务量的统计信息。移动边缘网络用户的移动性更高，无法进一步提高基站业务量的预测精度。

(2)由于ARIMA模型本身的限制，模型能够使用的样本规模较小，小样本不足以反映序列的整体变化趋势，且由于样本点选取的不同模型变化较大。

发明内容

针对现有技术中的上述不足，本发明提供的一种边缘计算场景下基站业务量预测方法解决了在移动边缘计算场景下对基站业务量预测精度不高的问题。

为了达到上述发明目的，本发明采用的技术方案为：一种边缘计算场景下基站业务量预测方法，包括以下步骤：

S1、将边缘域划分成蜂窝网格；

S2、初始化每个网格内基站的期望回馈值；

S3、根据用户上一周期选择的基站对每个基站的期望回馈值进行调整；

S4、收集边缘域中的每个用户的移动和定位信息；

所述移动和定位信息包括经度、纬度、速度和运动方向；

S5、对每个用户的历史运动方向数据和速度数据进行指数滑动平均处理，得到处理后的移动和定位信息；

S6、根据每个用户处理后的移动和定位信息，预测每个用户下一周期所处的网格；

S7、根据预测用户所处网格，选取期望回馈值最大的基站，作为下一周期用户连接的预测基站；

S8、根据预测基站和上一周期所使用的服务种类，预测下一周期每个基站每种服务的用户数量；

S9、对每种服务的总体业务量进行回归预测，并通过每种服务的用户数量对总体业务量进行平均，得到每种服务单个用户的平均业务量；

S10、通过每种服务单个用户的平均业务量计算每个基站每种服务的业务量，并输出每个基站每种服务的业务量；

S11、当需要继续预测每个基站每种服务的业务量时，返回步骤S3，否则结束本方法。

进一步地：所述步骤S2中期望回馈值的初始化公式为：

上式中，E_g,j为网格g对应基站j的期望回馈值，C为常数，dist为距离函数，G为整个边缘域的网格集合，N为整个边缘域的基站集合。

进一步地：所述步骤S3中调整期望回馈值的具体步骤为：

S31、当用户k∈U时，进入步骤S32，否则进入步骤S4；

U为整个边缘域内的用户集合；

S32、获取用户k上一周期经过或停留过的网格集合G_k；

S33、当网格g∈G_k时，进入步骤S34，否则进入步骤S4；

S34、根据期望回馈值预测用户选择基站j；

S35、当用户真实选择的基站为j时，进入步骤S36，否则进入步骤S37；

S36、令期望回馈值加上更新步长β，输出该期望回馈值，并进入步骤S38；

S37、令期望回馈值减去更新步长β，输出该期望回馈值，并进入步骤S38；

S38、当网格集合G_k被全部遍历时，进入步骤S39，否则，遍历网格集合G_k中的下一个网格，并返回步骤S33；

S39、当用户集合U中被全部遍历时，进入步骤S4，否则，遍历用户集合U中的下一个用户，并返回步骤S31。

进一步地：所述步骤S5中指数滑动平均处理的公式为：

上式中，

为经过缓冲后的平均速度，(v_x,v_y)为用户的瞬时速度，

为上一周期经过缓冲后的平均速度，α为速度缓冲更新率。

进一步地：所述步骤S6中用户下一周期所处的网格通过预测用户下一周期的位置得到，所述用户下一周期位置的计算公式为：

上式中，(x_p，y_p)为用户下一周期所处的位置，(x,y)为用户此时所处的地理位置，

为以平均速度运动的时间。

进一步地：所述步骤S7中下一周期用户连接的预测基站为：

r_p＝argmax_j∈NE_j

上式中，r_p为下一周期用户连接的预测基站，E_j为基站j的期望回馈值，N为整个边缘域的基站集合。

进一步地：所述步骤S8中每个基站每种服务的用户数量的预测步骤为：

S81、当用户k∈U时，进入步骤S82，否则进入步骤S9；

U为整个边缘域内的用户集合；

S82、获取该用户k下一周期的预测基站r_p；

S83、获取该用户k上一周期使用的服务种类s_k；

S84、令基站r_p上使用服务s_k的人数C(r_p,s_k)加1；

S85、当用户集合U被全部遍历时，输出每个基站每种服务的用户数量C(j,i)，否则，遍历用户集合U中的下一个用户，并返回步骤S81。

进一步地：所述步骤S10中每个基站每种服务的业务量的计算方法为：

S101、当基站j∈N时，进入步骤S102，否则进入步骤S11；

N为整个边缘域内的基站集合；

S102、当服务i∈M时，进入步骤S103，否则进入步骤S11；

M为基站的服务集合；

S103、计算每个基站每种服务的业务量λ_i,j，计算公式为：

上式中，

为每种服务单个用户的平均业务量；

S104、当服务集合M被全部遍历时，进入步骤S105，否则遍历服务集合M中的下一个服务，并返回步骤S102；

S105、当基站集合N被全部遍历时，进入步骤S11，否则遍历基站集合N中的下一个基站，并返回步骤S101。

本发明的有益效果为：本发明使用历史周期的统计信息，综合了用户在移动网络中的移动轨迹，通过结合用户移动轨迹的预测，来达到提高业务量预测精度的目的。同时本发明采用了强化学习方法，不需要过多的人工干预，根据预测的反馈，动态调整预测的参数，具有自适应的优点。

附图说明

图1为本发明背景技术中边缘计算场景的示意图；

图2为本发明流程图；

图3为本发明中网格划分示意图；

图4为本发明中期望回馈值调整和基站选择的示意图。

具体实施方式

下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

如图2所示，一种边缘计算场景下基站业务量预测方法，包括以下步骤：

S1、将边缘域划分成蜂窝网格，如图3所示，整个边缘域的物理范围，被划分成小格。注意图中的蜂窝范围表示与基站的直线距离，表示蜂窝范围内用户距该基站最近，但并不代表蜂窝范围内的用户一定会选择该基站。具体每个网格中的用户会如何选择基站，受到地表环境的影响，比如用户与直线距离最近的基站之间隔着一栋较大的建筑，造成信道衰弱，用户可能会选择距离稍远，但是之间不存在物理障碍的基站。

网格划分过程只在预测系统部署的时候进行，网格划分完成就不再变化。划分网格的大小，由参数指定，一般参考距离为50米划分一个网格(因为民用GPS误差在10米左右)。

S2、初始化每个网格内基站的期望回馈值，如图4所示，每个网格都有一组参数，对应每个边缘基站的期望回馈值。期望回馈值的初始化公式为：

上式中，E_g,j为网格g对应基站j的期望回馈值，C为常数，dist为距离函数，G为整个边缘域的网格集合，N为整个边缘域的基站集合。

将边缘域进行网格划分的原因，是因为在一个小格内，用户的网络环境非常相似，受相同的信道衰弱影响，相同的地理位置等因素，用户的基站选择决策应该是相同或者相似的。

设置期望回馈值的目的是，为了预测各个网格内，用户基站选择的行为。期望回馈值越高的基站，标明用户连接的概率越高。当然刚刚初始化之后的期望回馈值不一定是符合真实情况的，需要根据反馈来调整。

S3、根据用户上一周期选择的基站对每个基站的期望回馈值进行调整；

调整期望回馈值的具体步骤为：

S31、当用户k∈U时，进入步骤S32，否则进入步骤S4；

U为整个边缘域内的用户集合；

S32、获取用户k上一周期经过或停留过的网格集合G_k；

S33、当网格g∈G_k时，进入步骤S34，否则进入步骤S4；

S34、根据期望回馈值预测用户选择基站j；

S35、当用户真实选择的基站为j时，进入步骤S36，否则进入步骤S37；

S36、令期望回馈值加上更新步长β，输出该期望回馈值，并进入步骤S38；

S37、令期望回馈值减去更新步长β，输出该期望回馈值，并进入步骤S38；

S38、当网格集合G_k被全部遍历时，进入步骤S39，否则，遍历网格集合G_k中的下一个网格，并返回步骤S33；

S39、当用户集合U中被全部遍历时，进入步骤S4，否则，遍历用户集合U中的下一个用户，并返回步骤S31。

S4、收集边缘域中的每个用户的移动和定位信息；

所述移动和定位信息包括经度、纬度、速度和运动方向(以正北方向为0度，顺时针计算)；

S5、对每个用户的历史运动方向数据和速度数据进行指数滑动平均处理，得到处理后的移动和定位信息；

指数滑动平均处理的公式为：

上式中，

为经过缓冲后的平均速度，(v_x,v_y)为用户的瞬时速度，

为上一周期经过缓冲后的平均速度，α为速度缓冲更新率。

滑动平均起到一定的缓冲作用，可以保留用户一直运动朝向的方向，而抵销一定的随机转向。滑动平均这种方法基于的假设是在一个小网格内，用户的运动大体会朝向一个方向去，运动过程中虽然可能存在一些转向和轨迹的弯折，最后的位移还是由这个主要方向所主导。

S6、根据每个用户处理后的移动和定位信息，预测每个用户下一周期所处的网格；

用户下一周期所处的网格通过预测用户下一周期的位置得到，所述用户下一周期位置的计算公式为：

上式中，(x_p，y_p)为用户下一周期所处的位置，(x,y)为用户此时所处的地理位置，

为以平均速度运动的时间。

S7、根据预测用户所处网格，选取期望回馈值最大的基站，作为下一周期用户连接的预测基站；

下一周期用户连接的预测基站为：

r_p＝argmax_j∈NE_j

上式中，r_p为下一周期用户连接的预测基站，E_j为基站j的期望回馈值，N为整个边缘域的基站集合。

S8、根据预测基站和上一周期所使用的服务种类，预测下一周期每个基站每种服务的用户数量；

每个基站每种服务的用户数量的预测步骤为：

S81、当用户k∈U时，进入步骤S82，否则进入步骤S9；

U为整个边缘域内的用户集合；

S82、获取该用户k下一周期的预测基站r_p；

S83、获取该用户k上一周期使用的服务种类s_k；

S84、令基站r_p上使用服务s_k的人数C(r_p,s_k)加1；

S85、当用户集合U被全部遍历时，输出每个基站每种服务的用户数量C(j,i)，否则，遍历用户集合U中的下一个用户，并返回步骤S81。

S9、通过ARIMA模型对每种服务的总体业务量进行回归预测，并通过每种服务的用户数量对总体业务量进行平均，得到每种服务单个用户的平均业务量；

S10、通过每种服务单个用户的平均业务量计算每个基站每种服务的业务量，并输出每个基站每种服务的业务量；

每个基站每种服务的业务量的计算方法为：

S101、当基站j∈N时，进入步骤S102，否则进入步骤S11；

N为整个边缘域内的基站集合；

S102、当服务i∈M时，进入步骤S103，否则进入步骤S11；

M为基站的服务集合；

S103、计算每个基站每种服务的业务量λ_i,j，计算公式为：

上式中，

为每种服务单个用户的平均业务量；

S104、当服务集合M被全部遍历时，进入步骤S105，否则遍历服务集合M中的下一个服务，并返回步骤S102；

S105、当基站集合N被全部遍历时，进入步骤S11，否则遍历基站集合N中的下一个基站，并返回步骤S101。

S11、当需要继续预测每个基站每种服务的业务量时，返回步骤S3，否则结束本方法。

Claims (3)

1.一种边缘计算场景下基站业务量预测方法，其特征在于，包括以下步骤：

S1、将边缘域划分成蜂窝网格；

S2、初始化每个网格内基站的期望回馈值；

S3、根据用户上一周期选择的基站对每个基站的期望回馈值进行调整；

调整期望回馈值的具体步骤为：

S31、当用户k∈U时，进入步骤S32，否则进入步骤S4；

U为整个边缘域内的用户集合；

S32、获取用户k上一周期经过或停留过的网格集合G_k；

S33、当网格g∈G_k时，进入步骤S34，否则进入步骤S4；

S34、根据期望回馈值预测用户选择基站j；

S35、当用户真实选择的基站为j时，进入步骤S36，否则进入步骤S37；

S36、令期望回馈值加上更新步长β，输出该期望回馈值，并进入步骤S38；

S37、令期望回馈值减去更新步长β，输出该期望回馈值，并进入步骤S38；

S38、当网格集合G_k被全部遍历时，进入步骤S39，否则，遍历网格集合G_k中的下一个网格，并返回步骤S33；

S39、当用户集合U中被全部遍历时，进入步骤S4，否则，遍历用户集合U中的下一个用户，并返回步骤S31；

S4、收集边缘域中的每个用户的移动和定位信息；

所述移动和定位信息包括经度、纬度、速度和运动方向；

S5、对每个用户的历史运动方向数据和速度数据进行指数滑动平均处理，得到处理后的移动和定位信息；指数滑动平均处理的公式为：

上式中，

为经过缓冲后的平均速度，(v_x，v_y)为用户的瞬时速度，

为上一周期经过缓冲后的平均速度，α为速度缓冲更新率；

S6、根据每个用户处理后的移动和定位信息，预测每个用户下一周期所处的网格；用户下一周期所处的网格通过预测用户下一周期的位置得到，所述用户下一周期位置的计算公式为：

上式中，(x_p，y_p)为用户下一周期所处的位置，(x，y)为用户此时所处的地理位置，

为以平均速度运动的时间；

S7、根据预测用户所处网格，选取期望回馈值最大的基站，作为下一周期用户连接的预测基站；下一周期用户连接的预测基站为：

r_p＝argmax_j∈NE_j

上式中，r_p为下一周期用户连接的预测基站，E_j为基站j的期望回馈值，N为整个边缘域的基站集合；

S8、根据预测基站和上一周期所使用的服务种类，预测下一周期每个基站每种服务的用户数量；每个基站每种服务的用户数量的预测步骤为：

S81、当用户k∈U时，进入步骤S82，否则进入步骤S9；

U为整个边缘域内的用户集合；

S82、获取该用户k下一周期的预测基站r_p；

S83、获取该用户k上一周期使用的服务种类s_k；

S84、令基站r_p上使用服务sk的人数C(r_p，s_k)加1；

S85、当用户集合U被全部遍历时，输出每个基站每种服务的用户数量C(j，i)，否则，遍历用户集合U中的下一个用户，并返回步骤S81；

S9、对每种服务的总体业务量进行回归预测，并通过每种服务的用户数量对总体业务量进行平均，得到每种服务单个用户的平均业务量；

S10、通过每种服务单个用户的平均业务量计算每个基站每种服务的业务量，并输出每个基站每种服务的业务量；

S11、当需要继续预测每个基站每种服务的业务量时，返回步骤S3，否则结束本方法。

2.根据权利要求1所述的边缘计算场景下基站业务量预测方法，其特征在于，所述步骤S2中期望回馈值的初始化公式为：

上式中，E_g，j为网格g对应基站j的期望回馈值，C为常数，dist为距离函数，G为整个边缘域的网格集合，N为整个边缘域的基站集合。

3.根据权利要求1所述的边缘计算场景下基站业务量预测方法，其特征在于，所述步骤S10中每个基站每种服务的业务量的计算方法为：

S101、当基站j∈N时，进入步骤S102，否则进入步骤S11；

N为整个边缘域内的基站集合；

S102、当服务i∈M时，进入步骤S103，否则进入步骤S11；

M为基站的服务集合；

S103、计算每个基站每种服务的业务量λ_i，j，计算公式为：

上式中，

为每种服务单个用户的平均业务量；

S104、当服务集合M被全部遍历时，进入步骤S105，否则遍历服务集合M中的下一个服务，并返回步骤S102；

S105、当基站集合N被全部遍历时，进入步骤S11，否则遍历基站集合N中的下一个基站，并返回步骤S101。

Images