CN112543471A - 一种面向复杂环境的机动5g混合接入链路中断预测方法 - Google Patents

Abstract

本发明所公开的一种面向复杂环境的机动5G混合接入链路中断预测方法。属于无线通信技术领域；本发明基于信道模型链路预算结合机器学习模型纠偏，实现链路中断的准确判断。具体地，根据实时链路状态的信息，利用大数据信息与智能学习技术，刻画山区、隧道、密集城镇等复杂环境中5G混合接入信道的空间和时间维度相关性以及多普勒频偏效应与机动通信大数据之间的深度关系，建立起一套方法实现适合复杂地形环境场景的、以及相应频段、带宽条件下，业务状态的预测技术，为满足5G混合接入专用通信系统的多应用场景业务保障及决策提供依据。

Description

一种面向复杂环境的机动5G混合接入链路中断预测方法

技术领域

本发明涉及无线通信技术领域，具体涉及一种面向复杂地形环境的小规模专用机动5G混合接入网络业务传输中断的预测方法；具体是根据接入终端的移动轨迹和环境特征，提供了一种基于大数据深度学习的5G链路信号预测方法。

背景技术

随着5G商用网络和终端的逐渐成熟，5G专用网络和终端的应用场景也越来越受到业界重视。我国幅员广人口多，导致自然灾害、事故灾难、社会安全突发事件、重大公共卫生事件频发，当自然灾害或者突发事件发生时，现有的公网或者专网网络往往无法满足现场应急通信需求。5G专网带来的高带宽低时延特性能进一步满足专网\应急通信连接后方指挥中心确保灾情、警情上报和指挥调度畅通等一系列需求，成为倍受业界热捧的焦点。

同时，无论5G采用NSA还是SA模式，兼容融合、多模终端和一体化通信指挥平台，都是未来融合专网通信的要求。相对于蜂窝网络架构，专网无线通信网络架构更加灵活多变，为满足5G混合接入专用通信系统的多应用场景宽带业务保障要求，亟需建立一套方法实现适合复杂地形环境场景的，相应频段、带宽条件下，业务状态的预测方法。

目前国内外对5G信道模型及各种宽带无线通信信道模型进行了大量研究，目前国际上已经形成了3GPP、METIS、ITU-R、MiWEBA、IEEE 802.11等各种标准化模型。但是，标准化信道模型往往面向典型场景，复杂环境下的专用通信所对应的场景、频段复杂多变，5G混合接入制式、带宽多样，因此信道模型的智能匹配优化就尤为重要。另外，机动场景下的支持某些业务的专用通信链路要求对链路中断性预先做出正确判断，进而选择合适的移动路线尽量降低中断概率保障业务的可靠性，这样的问题在机动5G通信专网中仍然有待解决。

发明内容

针对上述问题，本发明提供了一种面向复杂环境的机动5G混合接入链路中断预测方法；基于典型信道模型算式结合机器学习模型纠偏，实现链路中断的准确判断。具体地，根据当前移动轨迹结合环境信息数据，输出下一测量时刻链路是否中断的判断，同时，根据实时链路状态的信息，在线调整机器学习模型，从而利用大数据信息与智能学习技术提高链路判断准确性。

本发明的技术方案是：一种面向复杂环境的机动5G混合接入链路中断预测方法，其特征在于，具体操作步骤如下：

步骤(1.1)、建立面向5G混合接入链路的复杂环境数据库；

步骤(1.2)、通过链路终端实时提取环境信息特征数据，预测估计下一个时刻的特征数据；

步骤(1.3)、复杂场景下5G混合接入链路大尺度衰落预测，建立面向复杂环境的5G混合接入链路信道场景划分办法；

步骤(1.4)、复杂场景下5G混合接入链路快衰落预测，通过在线数据分析优化小尺度衰落信道模型选择，进行链路业务中断预测；

步骤(1.5)、根据机动通信移动轨迹规划，结合步骤(1.2)-(1.5)进行计算与预测调整并返回步骤(1.1)，开始新一轮的数据收集与链路中断预测。

在步骤(1.1)中，所述建立面向5G混合接入链路的复杂环境数据库的具体操作步骤如下：

(1.1.1)、在场景l下，定义G_l为地理环境特征数据：

式中，

表示G_l的第i维特征。

(1.1.2)、依据信道模型场景，将通信链路环境共划分L个场景，阻碍物引起的路径损失记作LB。

在步骤(1.2)中，所述数据收集与估计中，通过链路终端实时提取环境信息特征数据，并基于移动路径规划预测下一个时刻的相关数据，其具体操作步骤如下：

(1.2.1)、链路通过场景l时间记为T_l；终端链路在场景l中t时刻下，发送信号和接收信号分别为

和

其中0≤t≤T_l；

(1.2.2)、定义链路收端和发端的空间位置数据集合为D＝{d_t,d_r},其中d_t为发送端空间坐标，d_r为接收端空间坐标；

(1.2.3)、从建立的数据库中读取环境信息，根据移动轨迹规划和场景划分，形成场景征下一个场景l′的环境信息集合G_l′。

在步骤(1.3)中，所述的复杂场景包括山地、丛林及城镇密集建筑街道非典型3GPP信道场景，对通信链路的大尺度衰落进行学习预测，其划分办法具体操作方法如下：

(1.3.1)、复杂场景下5G混合接入链路大尺度衰落信道模型神经网络数据库构建；

其中，神经网络输入数据数据集包括某一场景的各维度数据信息集合G_l，神经网络输出数据为信道模型集合Ω中元素的选择标签；

(1.3.2)、在G_l条件下，当已知发送信号

观测到的接收信息号为

链路通过场景l时，一个信号采样阶段时刻数记作T_l；当链路通过场景l后，在一个信号采样阶段内得到数据集合

记

(1.3.3)、离线训练阶段，从数据库读取数据，并将数据集划分为训练数据和测试数据；使用各个场景的训练数据迭代训练所对应的算法模型，结合Adam优化策略持续优化网络参数；当所有训练数据均被迭代训练完一遍后，使用测试数据进行测试验证；如测试的选择的信道模型大尺度衰落与测量实际数据

平均差值低于所设阈值，则结束训练；如测试的平均误比特率高于所设阈值，则继续迭代进行第二轮训练，直到满足阈值要求或者迭代到最大轮次为止；

(1.3.4)、大尺度衰落在线预测与调整阶段，机动通信链路在移动过程中，根据下一地理环境信息G_l′输入神经网络中，输出选择信道模型；当链路通过l′场景时，得到

根据神经网络输出的信道模型输出大尺度衰落的预测PL_l′与大尺度衰落预测与

比较做差，

如低于所设定某一阀值，且达到学习次数，则把结果记录到数据库中，将其作为未来的训练数据集；如未达到学习次数设定，则把该结果记录到数据库中，以便未来继续学习训练；如果达到学习次数设定，但大于设定阀值，则把差值结果作为误差因子，添加入数据库，将其在未来大尺度衰落预测中作为纠正因子。

在所述步骤(1.4)中，进行链路业务中断预测的具体操作步骤如下：

(1.4.1)、在机动通信链路进入l′场景之前，根据G_l′信息以及根据步骤(1.3)中选择的信道模型，预测场景l′下信道快衰落系数，记为

(1.4.2)、根据选择信道模型，基于LOS链路存在及不存在情况下的PL_l′预算及得到的

输出总体信道预测

(1.4.3)、根据信道预测

及链路业务速率要求预判业务链路中断的概率；根据中断预测，机动链路选择通过该场景，或更改路线启动步骤(1.3)。

(1.4.4)、当机动链路进入l′场景后，实际测得的业务中断概率记录进入数据库，供控制层使用。

本发明的有益效果是：本发明所公开的复杂场景下5G混合接入链路中断预测方法，利用现有5G链路与D2D信道模型，基于5G通信典型场景的在线学习，给出更适用于不同复杂场景的信道预测，对复杂场景下5G专用通信系统业务与网络控制提供支撑。本发明所公开的基于在线学习的5G混合接入链路中断预测方法，能够在复杂环境、不同传播频段场景中不断积累数据进行学习，提高复杂环境下信道模型匹配的准确性，以及链路业务中断预测的准确性，提升方法的普适性。

附图说明

图1是本发明的结构流程图；

图2是本发明实施例中大尺度衰落预测流程示意图；

图3是本发明实施例中快衰落与业务中断预测流程示意图。

具体实施方式

为了更清楚地说明本发明的技术方案，下面结合附图对本发明的技术方案做进一步的详细说明：

实施例

本实施例提供了面向复杂地形环境的5G混合接入机动通信链路业务中断预测方法，基于典型信道模型算式结合机器学习模型纠偏，实现链路中断的准确判断。具体地，根据当前移动轨迹结合环境信息数据，输出下一测量时刻链路是否中断的判断，同时，根据实时链路状态的信息，在线调整机器学习模型，从而利用大数据信息与智能学习技术提高链路判断准确性。

在实施例中，系统具备地理信息环境观察能力，可以掌握散射体、阻塞体准确位置、形状等，地理信息数据可以存储在边缘计算节点中。另外，本实施例中假设5G混合接入链路包括专用通信频段链路(简称专网链路)，5G链路，高速WIFI链路。考虑单跳链路机动通信场景，对其通过复杂场景下的业务中断性进行预测。机动场景下的支持某些业务的专用通信链路要求对链路中断性预先做出正确判断，为优化移动路线、降低中断概率保障业务，但复杂环境下的专用通信所对应的场景、频段复杂多变，5G混合接入制式、带宽多样。本专利提出的基于在线学习的复杂环境下5G混合接入信道智能匹配的中断预测技术，还未见公开记载，也未见此方面的专利公布。

具体的，如图所述；一种面向复杂环境的机动5G混合接入链路中断预测方法，其特征在于，具体操作步骤如下：

步骤(1.1)、由于通信链路通过复杂环境(包括但不限于山地、丛林、城镇密集建筑街道、路堑场景和隧道场景等)时，不同的地理环境将会对无线信号的传播特性产生显著影响；首先建立面向5G混合接入链路的复杂环境数据库；具体操作步骤如下：

(1.1.1)、在场景l下，定义G_l为地理环境特征数据：

式中，

表示G_l的第i维特征，例如

可以是通信链路在l′场景中将遇到的K个阻碍物类型，例如土丘,岩石，树木，房屋等，每个阻塞者建模为三维地图上高(h_k)和宽(w_k)的矩形屏。链路中断可能性随着链路距离阻塞者的距离增加而减少，因此在预测的时候K为配置，比如考虑距离链路最近的K个阻碍物。

还可以是天气状况、温度，等数据信息，但不局限所列地理信息数据；

(1.1.2)、根据通信链路环境共划分L个场景。例如，地面-空中通信链路系统最初可以按照3GPP TR 38.901定义5G信道场景，如乡村宏蜂窝UMi-open square，都市微蜂窝3GPP UMi-street canyon O2O,UMi-street canyon O2I，乡村宏蜂窝3GPP UMi-opensquare，工厂内InF信道模型等，但不局限与3GPP信道模型场景。MiWEBA和802.11信道模型特别描绘了D2D链路信道模型。例如，所述的地面-空中通信链路可以是地面终端到基站或者无人机链路，D2D链路特指地面终端-地面终端通信链路；

(1.1.3)、阻碍物引起的路径损失记作LB，如果通信链路场景对应的信道模型没有考虑阻碍特性，则LB叠加在相应的地空场景的信道模型链路预算上。由于复杂环境下D2D通信链路可能存在诸多阻碍体，D2D通信链路场景供选择的信道模型可以是地面-空中通信链路信道模型叠加LB，也可以是MiWEBA和802.11信道模型叠加LB。所有的供使用的标准信道模型结合LB预算构成信道模型集合Ω。

步骤(1.2)、数据收集与估计；通过链路终端实时提取环境信息特征数据，并基于移动路径规划预测下一个时刻的相关数据，其具体操作步骤如下：

(1.2.1)、链路通过场景l时间记为T_l。终端链路在场景l中t时刻下，发送信号和接收信号分别为

和

其中0≤t≤T_l；

(1.2.2)、定义链路收端和发端的空间位置数据集合为D＝{d_t,d_r},其中d_t为发送端空间坐标，d_r为接收端空间坐标；

(1.2.3)、从建立的数据库中读取环境信息，根据移动轨迹规划和场景划分，形成场景征下一个场景l′的环境信息集合G_l′。

步骤(1.3)、复杂场景下5G混合接入链路大尺度衰落预测，针对的复杂场景包括山地、丛林、城镇密集建筑街道等非典型3GPP信道场景通信链路的大尺度衰落(pathloss)进行学习预测，并建立面向复杂环境的5G混合接入链路信道场景划分办法；具体操作方法包括：

(1.3.1)、复杂场景下5G混合接入链路大尺度衰落信道模型神经网络数据库构建，神经网络输入数据数据集包括某一场景的各维度数据信息集合G_l，神经网络输出数据为信道模型集合Ω中元素的选择标签。数据构建可以预先经过充分的场景实验进行构建，或者在实际中动态收集数据进行构建。

(1.3.2)、在G_l条件下，当已知发送信号

观测到的接收信息号为

链路通过场景l时，一个信号采样阶段时刻数记作T_l，例如在T_l内，可以认为链路间空间相对位置认为近似不变。那么当链路通过场景l后，在一个信号采样阶段内得到数据集合

记

(1.3.3)、离线训练阶段，从数据库读取数据，并将数据集划分为训练数据和测试数据。使用各个场景的训练数据迭代训练所对应的算法模型，结合Adam优化策略不停优化网络参数。当所有训练数据都被迭代训练完一遍后，使用测试数据进行测试验证。如果测试的选择的信道模型大尺度衰落与测量实际数据

平均差值低于所设阈值，则结束训练；如果测试的平均误比特率高于所设阈值，则继续迭代进行第二轮训练，直到满足阈值要求或者迭代到最大轮次为止。

(1.3.4)、大尺度衰落在线预测与调整阶段，机动通信链路在移动过程中，根据下一地理环境信息G_l′输入神经网络中，输出选择信道模型。当链路通过l′场景时，得到

根据神经网络输出的信道模型输出大尺度衰落的预测PL_l′与大尺度衰落预测与

比较做差，如果低于所设定某一阀值，并且达到学习次数，就把结果记录到数据库中，可以作为未来的训练数据集。如果没有达到学习次数设定，把该结果记录到数据库中，以便未来继续学习训练。如果达到学习次数设定，但是大于设定阀值，就把差值结果作为误差因子，添加入数据库，以便未来大尺度衰落预测是作为纠正因子。

步骤(1.4)、复杂场景下5G混合接入链路快衰落(fast fading)预测，通过在线数据分析不断优化小尺度衰落信道模型选择，进行链路业务中断预测；具体操作步骤如下：

(1.4.1)、在机动通信链路进入l′场景之前，根据G_l′信息以及根据第三步选择的信道模型，预测场景l′下信道快衰落系数，记为

(1.4.2)、根据选择信道模型，基于LOS链路存在及不存在情况下的PL_l′预算及得到的

输出总体信道预测

预测方法可以根据信道模型给出的快衰落进行预测，也可以采用瑞利分布进行快衰落预测，但不局限于所列方法。

(1.4.3)、根据信道预测

及链路业务速率要求预判业务链路中断的概率，例如当预计速率小于业务要求最低速率时认为链路中断。根据中断预测，机动链路可以选择通过该场景，或者更改路线启动第三步。

(1.4.4)、当机动链路进入l′场景后，实际测得的业务中断概率记录进入数据库，供控制层使用。

步骤(1.5)、根据机动通信移动轨迹规划，结合步骤(1.2)-(1.5)进行计算与预测调整并返回步骤(1.1)，开始新一轮的数据收集与链路中断预测。

最后，应当理解的是，本发明中所述实施例仅用以说明本发明实施例的原则；其他的变形也可能属于本发明的范围；因此，作为示例而非限制，本发明实施例的替代配置可视为与本发明的教导一致；相应地，本发明的实施例不限于本发明明确介绍和描述的实施例。

Claims (5)

1.一种面向复杂环境的机动5G混合接入链路中断预测方法，其特征在于，具体操作步骤如下：

步骤(1.1)、建立面向5G混合接入链路的复杂环境数据库；

步骤(1.2)、通过链路终端实时提取环境信息特征数据，预测估计下一个时刻的特征数据；

步骤(1.3)、复杂场景下5G混合接入链路大尺度衰落预测，建立面向复杂环境的5G混合接入链路信道场景划分办法；

步骤(1.4)、复杂场景下5G混合接入链路快衰落预测，通过在线数据分析优化小尺度衰落信道模型选择，进行链路业务中断预测；

步骤(1.5)、根据机动通信移动轨迹规划，结合步骤(1.2)-(1.5)进行计算与预测调整并返回步骤(1.1)，开始新一轮的数据收集与链路中断预测。

2.根据权利要求1所述的一种面向复杂环境的机动5G混合接入链路中断预测方法，其特征在于，在步骤(1.1)中，所述建立面向5G混合接入链路的复杂环境数据库的具体操作步骤如下：

(1.1.1)、在场景l下，定义G_l为地理环境特征数据：

式中，

表示G_l的第i维特征。

(1.1.2)、依据信道模型场景，将通信链路环境共划分L个场景，阻碍物引起的路径损失记作LB。

3.根据权利要求1所述的一种面向复杂环境的机动5G混合接入链路中断预测方法，其特征在于，在步骤(1.2)中，所述数据收集与估计中，通过链路终端实时提取环境信息特征数据，并基于移动路径规划预测下一个时刻的相关数据，其具体操作步骤如下：

(1.2.1)、链路通过场景l时间记为T_l；终端链路在场景l中t时刻下，发送信号和接收信号分别为

和

其中0≤t≤T_l；

(1.2.2)、定义链路收端和发端的空间位置数据集合为D＝{d_t,d_r},其中d_t为发送端空间坐标，d_r为接收端空间坐标；

(1.2.3)、从建立的数据库中读取环境信息，根据移动轨迹规划和场景划分，形成场景征下一个场景l′的环境信息集合G_l′。

4.根据权利要求1所述的一种面向复杂环境的机动5G混合接入链路中断预测方法，其特征在于，在步骤(1.3)中，所述的复杂场景包括山地、丛林及城镇密集建筑街道非典型3GPP信道场景，对通信链路的大尺度衰落进行学习预测，其划分办法具体操作方法如下：

(1.3.1)、复杂场景下5G混合接入链路大尺度衰落信道模型神经网络数据库构建；

其中，神经网络输入数据数据集包括某一场景的各维度数据信息集合G_l，神经网络输出数据为信道模型集合Ω中元素的选择标签；

(1.3.2)、在G_l条件下，当已知发送信号

观测到的接收信息号为

链路通过场景l时，一个信号采样阶段时刻数记作T_l；当链路通过场景l后，在一个信号采样阶段内得到数据集合

记

(1.3.3)、离线训练阶段，从数据库读取数据，并将数据集划分为训练数据和测试数据；使用各个场景的训练数据迭代训练所对应的算法模型，结合Adam优化策略持续优化网络参数；当所有训练数据均被迭代训练完一遍后，使用测试数据进行测试验证；如测试的选择的信道模型大尺度衰落与测量实际数据

平均差值低于所设阈值，则结束训练；如测试的平均误比特率高于所设阈值，则继续迭代进行第二轮训练，直到满足阈值要求或者迭代到最大轮次为止；

(1.3.4)、大尺度衰落在线预测与调整阶段，机动通信链路在移动过程中，根据下一地理环境信息G_l′输入神经网络中，输出选择信道模型；当链路通过l′场景时，得到

根据神经网络输出的信道模型输出大尺度衰落的预测PL_l′与大尺度衰落预测与

比较做差，

如低于所设定某一阀值，且达到学习次数，则把结果记录到数据库中，将其作为未来的训练数据集；如未达到学习次数设定，则把该结果记录到数据库中，以便未来继续学习训练；如果达到学习次数设定，但大于设定阀值，则把差值结果作为误差因子，添加入数据库，将其在未来大尺度衰落预测中作为纠正因子。

5.根据权利要求1所述的一种面向复杂环境的机动5G混合接入链路中断预测方法，其特征在于，在所述步骤(1.4)中，进行链路业务中断预测的具体操作步骤如下：

(1.4.1)、在机动通信链路进入l′场景之前，根据G_l′信息以及根据步骤(1.3)中选择的信道模型，预测场景l′下信道快衰落系数，记为

(1.4.2)、根据选择信道模型，基于LOS链路存在及不存在情况下的PL_l′预算及得到的

输出总体信道预测

(1.4.3)、根据信道预测

及链路业务速率要求预判业务链路中断的概率；

根据中断预测，机动链路选择通过该场景，或更改路线启动步骤(1.3)。

(1.4.4)、当机动链路进入l′场景后，实际测得的业务中断概率记录进入数据库，供控制层使用。

Images