CN111010695A - 基于信道空闲时长预测的信道分配方法 - Google Patents

基于信道空闲时长预测的信道分配方法 Download PDF

Info

Publication number
CN111010695A
CN111010695A CN201911277075.3A CN201911277075A CN111010695A CN 111010695 A CN111010695 A CN 111010695A CN 201911277075 A CN201911277075 A CN 201911277075A CN 111010695 A CN111010695 A CN 111010695A
Authority
CN
China
Prior art keywords
channel
service
idle
transmitted
training
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.)
Pending
Application number
CN201911277075.3A
Other languages
English (en)
Inventor
王晓波
杨淼
赵刚
姚永波
焦小龙
李欢
童欣宇
巴燕·塔斯恒
崔力民
张海波
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Corp of China SGCC
Information and Telecommunication Branch of State Grid Xinjiang Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
Information and Telecommunication Branch of State Grid Xinjiang Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by State Grid Corp of China SGCC, Information and Telecommunication Branch of State Grid Xinjiang Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN201911277075.3A priority Critical patent/CN111010695A/zh
Publication of CN111010695A publication Critical patent/CN111010695A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
    • H04W16/02—Resource partitioning among network components, e.g. reuse partitioning
    • H04W16/10—Dynamic resource partitioning
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
    • H04W16/02—Resource partitioning among network components, e.g. reuse partitioning
    • H04W16/04—Traffic adaptive resource partitioning

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本发明涉及一种信道传输技术领域，是一种基于信道空闲时长预测的信道分配方法，包括以下步骤：对待传输业务进行分类；选取频谱池内所有的空闲信道，将各个空闲信道的信道信息输入到预测模型中进行分析，确定信道空闲时长；根据待传输业务分类结果、类型优先级、待传输业务的业务需求，选取空闲信道传输待传输业务。本发明实现空闲信道空闲时长的自动预测，为合理安排业务传输提供依据，并将待传输业务进行分类，在紧急业务传输完或者没有时，根据其他所有业务类型中各个待传输业务的业务需求，结合各个空闲信道的空闲时长等内容，给其他所有业务类型中待传输业务匹配合理的空闲信道，从而保障业务传输的高效性和可靠性，降低传输中断概率。

Description

基于信道空闲时长预测的信道分配方法
技术领域
本发明涉及一种信道传输技术领域，是一种基于信道空闲时长预测的信道分配方法。
背景技术
随着社会的发展，无线信道频谱资源被不断划分，公共频谱资源在被不断的压缩，频谱资源短缺这一问题日益凸显。现有信道分配方法不能提前预测空闲信道的空闲时长，同时待传输业务需要进行排队依次传输，传输效率低，同时会造成当前传输的业务需求与传输使用的信道不匹配，造成传输不稳定及传输中断的问题，因此无法满足实际业务传输的需求，部分业务传输无法得到可靠的保障。
发明内容
本发明提供了一种基于信道空闲时长预测的信道分配方法，克服了上述现有技术之不足，其能有效解决现有信道分配方法存在的易造成待传输业务的业务需求与信道易不匹配，造成传输不稳定可靠的问题。
本发明的技术方案是通过以下措施来实现的：一种基于信道空闲时长预测的信道分配方法，包括以下步骤：
对待传输业务进行分类，将待传输业务分类为紧急业务和其他所有业务，紧急业务的优先级高于其他所有业务的优先级；
选取频谱池内所有的空闲信道，将各个空闲信道的信道信息输入到预测模型中进行分析，确定信道空闲时长，其中预测模型为使用多组数据通过机器学习训练得出的，每一组数据均包括信道空闲时长和该信道的信道信息；
根据待传输业务分类结果、类型优先级、待传输业务的业务需求，选取空闲信道传输待传输业务。
下面是对上述发明技术方案的进一步优化或/和改进：
上述根据待传输业务分类结果及待传输业务的业务需求，选取空闲信道传输待传输业务，包括：
判断是否存在待传输的紧急业务；
响应于存在，则根据频谱池内所有的空闲信道的信道空闲时长及信道质量，查找与该紧急业务的业务需求相适应的空闲信道，传输该紧急业务；
响应于不存在，则各个空闲信道的信道空闲时长及信道质量与其他所有业务类型中各个待传输业务的业务需求进行匹配，匹配成功则在对应的空闲信道中传输相匹配的待传输业务。
上述查找与该紧急业务的业务需求相适应的空闲信道时，若没有相适应空闲信道，则停止所有非空闲信道的业务传输，选取与该紧急业务相适应的信道，传输该紧急业务，传输完毕后，回复原非空闲信道的业务传输。
上述根据BP神经网络算法训练得出预测模型，包括：
建立训练样本集和测试样本集，训练样本集包括多组训练样本，测试样本集包括多组测试样本，训练样本和测试样本均包括信道空闲时长和该信道的信道信息；
构建BP神经网络模型，将训练样本中的信道信息作为输入向量，信道空闲时长作为输出向量，对BP神经网络模型进行训练，将测试样本中的信道信息作为输入向量，预测的信道空闲时长作为输出向量，对BP神经网络模型进行测试，反复训练测试后，若预测值与实测数据之间的误差低于目标误差则停止训练，得出预测模型。
上述BP神经网络模型包括输入层、中间层和输出层，中间层神经元的传递函数采用双曲正切Sigmoid函数，输出层神经元的传递函数采用线性函数。
上述在构建BP神经网络模型时，对BP神经网络模型的基础数据进行设定，基础数据包括训练速率、动量因子、训练代数、目标误差。
上述信道的信道信息包括信道质量、信道噪声，信道时延。
上述建立训练样本集和测试样本集之后，对训练样本集和测试样本集中的训练样本和测试样本进行归一化处理。
本发明选取频谱池内所有的空闲信道，将各个空闲信道的信道信息输入到预测模型中确定信道空闲时长，实现空闲信道空闲时长的自动预测，为合理安排业务传输提供依据。将待传输业务进行分类，传输时优先选择合适的空闲信道传输紧急业务，在紧急业务传输完毕或者没有紧急业务时，根据其他所有业务类型中各个待传输业务的业务需求，并结合各个空闲信道的空闲时长、信道质量，给其他所有业务类型中各个待传输业务匹配合理的空闲信道，从而保障业务传输的高效性和可靠性，减少传输过程中信道的切换，降低传输中断概率。
附图说明
附图1为本发明的流程图。
附图2为本发明中选取空闲信道传输待传输业务的流程图。
附图3为本发明中根据BP神经网络算法训练得出预测模型的流程图。
具体实施方式
本发明不受下述实施例的限制，可根据本发明的技术方案与实际情况来确定具体的实施方式。
下面结合实施例及附图对本发明作进一步描述：
实施例1：如附图1所示，该基于信道空闲时长预测的信道分配方法，包括以下步骤：
S1，对待传输业务进行分类，将待传输业务分类为紧急业务和其他所有业务，紧急业务的优先级高于其他所有业务的优先级；
S2，选取频谱池内所有的空闲信道，将各个空闲信道的信道信息输入到预测模型中进行分析，确定信道空闲时长，其中预测模型为使用多组数据通过机器学习训练得出的，每一组数据均包括信道空闲时长和该信道的信道信息；
S3，根据待传输业务分类结果、类型优先级、待传输业务的业务需求，选取空闲信道传输待传输业务。
通过上述步骤，选取频谱池内所有的空闲信道，将各个空闲信道的信道信息输入到预测模型中确定信道空闲时长，实现空闲信道空闲时长的自动预测，为合理安排业务传输提供依据。将待传输业务进行分类，即分为紧急业务和其他所有业务，其中紧急业务的优先级高于其他所有业务的优先级，其他所有业务类型中没有优先级，不进行依次排队，传输时优先选择合适的空闲信道传输紧急业务，在紧急业务传输完毕或者没有紧急业务时，根据其他所有业务类型中各个待传输业务的业务需求，并结合各个空闲信道的空闲时长、信道质量，给其他所有业务类型中各个待传输业务匹配合理的空闲信道，从而保障业务传输的高效性和可靠性，减少传输过程中信道的切换，降低传输中断概率。
下面是对上述发明技术方案的进一步优化或/和改进：
如附图1、2所示，所述S3中根据待传输业务分类结果及待传输业务的业务需求，选取空闲信道传输待传输业务，包括：
S31，判断是否存在待传输的紧急业务；
S32，响应于存在，则根据频谱池内所有的空闲信道的信道空闲时长及信道质量，查找与该紧急业务的业务需求相适应的空闲信道，传输该紧急业务；
S33，响应于不存在，则各个空闲信道的信道空闲时长及信道质量与其他所有业务类型中各个待传输业务的业务需求进行匹配，匹配成功则在对应的空闲信道中传输相匹配的待传输业务，若没有匹配成功则保留待传输业务，等待新的空闲信道。
上述步骤S33中，响应于不存在待传输的紧急业务时，可通过选择某一空闲信道，获取该空闲信道的信道空闲时长及信道质量，并且获取其他所有业务类型中所有待传输业务的业务需求，在其中选取与该空闲信道相匹配的待传输业务，匹配成功则传输该待传输业务。相反在其他所有业务类型中选取某一待传输业务，获取其业务需求，将其业务需求与各个空闲信道的信道空闲时长及信道质量进行匹配，匹配成功则在对应的空闲信道传输该待传输业务。
因此本发明将其他所有业务类型中所有待传输业务设为同等级别，各业务只需根据实际需求与空闲信道的匹配程度进行分配传输，无需依次排队等待，提高了业务传输的效率，增加了业务传输的稳定性。
如附图2所示，所述查找与该紧急业务的业务需求相适应的空闲信道时，若没有相适应空闲信道，则停止所有非空闲信道的业务传输，选取与该紧急业务相适应的信道，传输该紧急业务，传输完毕后，回复原非空闲信道的业务传输。
上述在没有相适应空闲信道，则停止所有非空闲信道的业务传输，选取与该紧急业务相适应的信道，传输该紧急业务，能有效保证紧急业务的正常稳定传输。
如附图1、3所示，所述根据BP神经网络算法训练得出预测模型，包括：
S21，建立训练样本集和测试样本集，训练样本集包括多组训练样本，测试样本集包括多组测试样本，训练样本和测试样本均包括信道空闲时长和该信道的信道信息；
S22，构建BP神经网络模型，将训练样本中的信道信息作为输入向量，信道空闲时长作为输出向量，对BP神经网络模型进行训练，将测试样本中的信道信息作为输入向量，预测的信道空闲时长作为输出向量，对BP神经网络模型进行测试，反复训练测试后，若预测值与实测数据之间的误差低于目标误差则停止训练，得出预测模型。
上述步骤S21中，建立训练样本集和测试样本集时，选取的多组数据中，可将一定比例的数据作为训练样本集(可为75％)，将剩余数据作为测试样本集(可为25％)，训练样本(每组数据)和测试样本(每组数据)均包括信道空闲时长和该信道的信道信息，其中信道信息包括信道质量、信道噪声，信道时延等。
上述步骤S22中，构建BP神经网络模型，对其进行反复训练测试，得出预测模型的过程具体包括：
A、将训练样本中的信道信息作为输入向量，通过下式计算BP神经网络模型各层的输出，使得BP神经网络模型经过不断地学习与训练，网络的权值与阈值会不断地像最优的方向发展，逐渐保持最良好的状态，从而得到输出值(预测的信道空闲时长)。
输出层：
ok＝f(netk)k＝1,2,3,...l
Figure RE-GDA0002401598870000041
隐含层：
yj＝f(netj)j＝1,2,3...m
Figure RE-GDA0002401598870000042
其中，dk、ok为输出层第k个输出变量的期望输出和实际输出，yj为隐含层输出,wjk、θl为隐含层到输出层的权值与阈值，vij、θi为输入到隐含层的权值与阈值，f(x)为变换函数。变换函数f(x)为取值范围在(0，1)之间的单极性sigmoid函数如式下所示：
Figure RE-GDA0002401598870000043
B、前向计算，利用下式计算BP神经网络输出误差E，即设共有p对训练样本，BP神经网络对于不同的样本具有不同的误差，可将全部样本输出误差的平方，进行累加再开方，作为总输出误差。
Figure RE-GDA0002401598870000051
进一步展开至输入层有：
Figure RE-GDA0002401598870000052
由上式可以看出，BP神经网络误差输入是各层权层wij,vij的函数。因此通过调整权值和阈值，可以改变误输出差E，并且应使权值的调整量与误差的梯度下降成正比。
C、通过下式调整各层权值。
Figure RE-GDA0002401598870000053
Figure RE-GDA0002401598870000054
其中，α,β为学习速率，学习速率决定每一次循环训练中所产生的权值变化量。dk、ok为输出层第k个输出变量的期望输出和实际输出，yj为隐含层输出,wjk、θl为隐含层到输出层的权值与阈值，vij、θi为输入到隐含层的权值与阈值；其中
Figure RE-GDA0002401598870000055
Figure RE-GDA0002401598870000056
D、进入迭代，重复上述步骤，直至所有训练样本的输出误差均小于目标误差，则停止训练，得出预测模型。
上述训练过程中训练样本越多，网络的学习越充分，网络经验值越大，预测精度越高。
如附图3所示，所述BP神经网络模型包括输入层、中间层和输出层，中间层神经元的传递函数采用双曲正切Sigmoid函数，输出层神经元的传递函数采用线性函数。
如附图3所示，所述在构建BP神经网络模型时，对BP神经网络模型的基础数据进行设定，基础数据包括训练速率、动量因子、训练代数、目标误差。
其中，训练速率：训练速率影响了程序的训练时间的长短及训练速度的快慢，若将训练速率设置的太大，即训练的速率过快会导致预测的数据的不准确，产生较多偏差，影响结果精确度，所以训练速率需依靠实际需求及经验进行设定。动量因子：动量因子有助于其反馈的误差信号使神经元的权值重新振荡起来，让权值不断地处于调整与变化当中，直到找到最合适的权值。训练代数：训练代数用于限定网络的训练次数，程序的循环次数，停止无意义的运算。目标误差：目标误差是根据数据和所需而设定的。
如附图1所示，所述信道的信道信息包括信道质量、信道噪声，信道时延。
如附图3所示，所述建立训练样本集和测试样本集之后，对训练样本集和测试样本集中的训练样本和测试样本进行归一化处理。
以上技术特征构成了本发明的最佳实施例，其具有较强的适应性和最佳实施效果，可根据实际需要增减非必要的技术特征，来满足不同情况的需求。

Claims (10)

1.一种基于信道空闲时长预测的信道分配方法，其特征在于，包括以下步骤：
对待传输业务进行分类，将待传输业务分类为紧急业务和其他所有业务，紧急业务的优先级高于其他所有业务的优先级；
选取频谱池内所有的空闲信道，将各个空闲信道的信道信息输入到预测模型中进行分析，确定信道空闲时长，其中预测模型为使用多组数据通过机器学习训练得出的，每一组数据均包括信道空闲时长和该信道的信道信息；
根据待传输业务分类结果、类型优先级、待传输业务的业务需求，选取空闲信道传输待传输业务。
2.根据权利要求1所述的基于信道空闲时长预测的信道分配方法，其特征在于，所述根据待传输业务分类结果及待传输业务的业务需求，选取空闲信道传输待传输业务，包括：
判断是否存在待传输的紧急业务；
响应于存在，则根据频谱池内所有的空闲信道的信道空闲时长及信道质量，查找与该紧急业务的业务需求相适应的空闲信道，传输该紧急业务；
响应于不存在，则各个空闲信道的信道空闲时长及信道质量与其他所有业务类型中各个待传输业务的业务需求进行匹配，匹配成功则在对应的空闲信道中传输相匹配的待传输业务。
3.根据权利要求2所述的基于信道空闲时长预测的信道分配方法，其特征在于，所述查找与该紧急业务的业务需求相适应的空闲信道时，若没有相适应空闲信道，则停止所有非空闲信道的业务传输，选取与该紧急业务相适应的信道，传输该紧急业务，传输完毕后，回复原非空闲信道的业务传输。
4.根据权利要求1或2或3所述的基于信道空闲时长预测的信道分配方法，其特征在于，所述根据BP神经网络算法训练得出预测模型，包括：
建立训练样本集和测试样本集，训练样本集包括多组训练样本，测试样本集包括多组测试样本，训练样本和测试样本均包括信道空闲时长和该信道的信道信息；
构建BP神经网络模型，将训练样本中的信道信息作为输入向量，信道空闲时长作为输出向量，对BP神经网络模型进行训练，将测试样本中的信道信息作为输入向量，预测的信道空闲时长作为输出向量，对BP神经网络模型进行测试，反复训练测试后，若预测值与实测数据之间的误差低于目标误差则停止训练，得出预测模型。
5.根据权利要求4所述的基于信道空闲时长预测的信道分配方法，其特征在于，所述BP神经网络模型包括输入层、中间层和输出层，中间层神经元的传递函数采用双曲正切Sigmoid函数，输出层神经元的传递函数采用线性函数。
6.根据权利要求4或5所述的基于信道空闲时长预测的信道分配方法，其特征在于，所述在构建BP神经网络模型时，对BP神经网络模型的基础数据进行设定，基础数据包括训练速率、动量因子、训练代数、目标误差。
7.根据权利要求4或5所述的基于信道空闲时长预测的信道分配方法，其特征在于，所述信道的信道信息包括信道质量、信道噪声，信道时延。
8.根据权利要求6所述的基于信道空闲时长预测的信道分配方法，其特征在于，所述信道的信道信息包括信道质量、信道噪声，信道时延。
9.根据权利要求5或8所述的基于信道空闲时长预测的信道分配方法，其特征在于，所述建立训练样本集和测试样本集之后，对训练样本集和测试样本集中的训练样本和测试样本进行归一化处理。
10.根据权利要求4或6或7所述的基于信道空闲时长预测的信道分配方法，其特征在于，所述建立训练样本集和测试样本集之后，对训练样本集和测试样本集中的训练样本和测试样本进行归一化处理。
CN201911277075.3A 2019-12-12 2019-12-12 基于信道空闲时长预测的信道分配方法 Pending CN111010695A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911277075.3A CN111010695A (zh) 2019-12-12 2019-12-12 基于信道空闲时长预测的信道分配方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911277075.3A CN111010695A (zh) 2019-12-12 2019-12-12 基于信道空闲时长预测的信道分配方法

Publications (1)

Publication Number Publication Date
CN111010695A true CN111010695A (zh) 2020-04-14

Family

ID=70115750

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911277075.3A Pending CN111010695A (zh) 2019-12-12 2019-12-12 基于信道空闲时长预测的信道分配方法

Country Status (1)

Country Link
CN (1) CN111010695A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112738895A (zh) * 2020-12-25 2021-04-30 深圳市微网力合信息技术有限公司 Wifi信道分配方法及设备
WO2023125331A1 (zh) * 2021-12-27 2023-07-06 华为技术有限公司 通信方法和通信装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104219190A (zh) * 2014-09-04 2014-12-17 西安电子科技大学 一种认知ofdm系统的子信道和功率分配方法
US20180213421A1 (en) * 2017-01-24 2018-07-26 Microsoft Technology Licensing, Llc Predicting future spectrum utilization
CN108712747A (zh) * 2018-03-29 2018-10-26 中国人民解放军陆军工程大学 一种基于频谱预测的链路快速建立方法
CN109245840A (zh) * 2018-10-15 2019-01-18 哈尔滨工业大学 认知无线电系统中基于卷积神经网络的频谱预测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104219190A (zh) * 2014-09-04 2014-12-17 西安电子科技大学 一种认知ofdm系统的子信道和功率分配方法
US20180213421A1 (en) * 2017-01-24 2018-07-26 Microsoft Technology Licensing, Llc Predicting future spectrum utilization
CN108712747A (zh) * 2018-03-29 2018-10-26 中国人民解放军陆军工程大学 一种基于频谱预测的链路快速建立方法
CN109245840A (zh) * 2018-10-15 2019-01-18 哈尔滨工业大学 认知无线电系统中基于卷积神经网络的频谱预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
王晓波: "配电网中无线信道分配策略研究", 《华北电力大学硕士毕业论文》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112738895A (zh) * 2020-12-25 2021-04-30 深圳市微网力合信息技术有限公司 Wifi信道分配方法及设备
WO2023125331A1 (zh) * 2021-12-27 2023-07-06 华为技术有限公司 通信方法和通信装置

Similar Documents

Publication Publication Date Title
CN111369042B (zh) 一种基于加权联邦学习的无线业务流量预测方法
CN109271015B (zh) 一种降低大规模分布式机器学习系统能耗的方法
WO2019184836A1 (zh) 数据分析设备、多模型共决策系统及方法
CN111628855B (zh) 基于深度强化学习的工业5g动态多优先级多接入方法
Zhang et al. Deep learning for wireless coded caching with unknown and time-variant content popularity
CN111026548B (zh) 一种逆向深度强化学习的电力通信设备测试资源调度方法
CN113190351B (zh) 一种面向分布式深度学习训练任务的高效资源分配系统
CN113852432B (zh) 基于rcs-gru模型的频谱预测感知方法
US20230292142A1 (en) Transfer learning of network traffic prediction model among cellular base stations
CN111010695A (zh) 基于信道空闲时长预测的信道分配方法
CN105469144A (zh) 基于粒子分类与bp神经网络的移动通信用户流失预测方法
CN115374853A (zh) 基于T-Step聚合算法的异步联邦学习方法及系统
CN111325310A (zh) 一种数据预测方法、装置及存储介质
CN113869521A (zh) 构建预测模型的方法、装置、计算设备和存储介质
CN113902116A (zh) 一种面向深度学习模型推理批处理优化方法与系统
CN109831802B (zh) 基于支持向量机的预测数据包接收可能性的方法
CN112905436B (zh) 一种面向复杂软件的质量评估预测方法
CN115310650A (zh) 一种低复杂度高精度的时序多步预测方法及系统
Sharara et al. A recurrent neural network based approach for coordinating radio and computing resources allocation in cloud-ran
CN113886454A (zh) 一种基于lstm-rbf的云资源预测方法
CN114500561B (zh) 电力物联网网络资源分配决策方法、系统、设备及介质
CN112465055A (zh) 一种基于卷积神经网络的网络故障诊断方法
CN111479258B (zh) 一种用户划分的方法和设备
CN113890653A (zh) 面向多用户利益的多智能体强化学习功率分配方法
CN113992542A (zh) 一种基于新增流数目特征的在线网络流量预测方法及系统

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