CN112702760B - 一种估计小区负载方法、系统、介质、设备、终端及应用 - Google Patents
一种估计小区负载方法、系统、介质、设备、终端及应用 Download PDFInfo
- Publication number
- CN112702760B CN112702760B CN202011488625.9A CN202011488625A CN112702760B CN 112702760 B CN112702760 B CN 112702760B CN 202011488625 A CN202011488625 A CN 202011488625A CN 112702760 B CN112702760 B CN 112702760B
- Authority
- CN
- China
- Prior art keywords
- training
- load
- terminal
- generator
- data
- 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.)
- Active
Links
Images
Landscapes
- Mobile Radio Communication Systems (AREA)
Abstract
本发明属于无线通信技术领域,公开了一种估计小区负载方法、系统、介质、设备、终端及应用,利用导频信号获得服务节点列表中各节点的相关RMI;获取各无线通信场景下的历史数据,获取训练和测试数据集;训练并保存GAN模型;调用GAN模型进行测试;终端线上调用GAN模型进行负载估计。本发明根据端侧收集的可服务基站的特征参数和通过系统级的仿真平台得到的真实负载等,通过GAN中神经网络之间的相互博弈式训练方式,提高了端侧进行小区负载估计的准确度,解决了现有技术在负载估计方案中资源利用率和信息传输速率较低、信令开销及时延过高等问题,辅助终端实时做出决策,进行选网、重选等操作,最大化实现终端智能,提升用户体验。
Description
技术领域
本发明属于无线通信技术领域,尤其涉及一种估计小区负载方法、系统、介质、设备、终端及应用。
背景技术
目前:随着通信技术的不断发展,网络选择已经成为相关工程和科研领域的热点问题之一。设备的智能化引领技术革新,未来5G终端将以智能化的设备为主。这些设备不仅能够进行信息的收集、处理、更重要的是自身具有通信的需求,能够自发地进行信息的反馈与交互。与现有通信接入网架构不同,5G将采用以用户为中心的接入网架构,这将赋予终端更强大、更丰富的通信能力,以满足5G终端设备的各项通信需求。由于数据隐私、延时性和可靠性的驱动,将智能处理能力从云端下放到终端已成为一大趋势。
近年来,针对小区负载的估计,国内外学者进行了广泛研究,并提出了各种解决方案。但传统的解决方案数学模型简单,数据维度低,不能高效地构建负载估计模型,大大降低了负载估计的准确度。目前,具有大数据处理能力,高效特征提取能力的深度学习技术有望解决传统方法的缺陷。研究小区负载估计对辅助用户做出决策如终端选网、重选和切换等至关重要。在实际通信系统中,找到终端提高负载估计准确度的方法对用户体验的提升具有重大意义。
现有技术一公开一种小区负载的调整方法和装置。该方法的具体步骤是:首先接收当前小区的第一物理资源块(Physical resource block,PRB)个数。其次,采用所述第一PRB个数,计算所述当前小区的PRB利用率。最后,根据所述PRB利用率,调整所述当前小区的负载。该方法存在的不足之处是:该方法是在网络接入侧进行负载的估计和均衡,使终端被动地接入网络,在网络接入侧辅助终端进行选网的过程中,终端不能提前预知网络接入侧的负载信息,造成了额外的信令开销,产生了较大的时延,没有实现完全的终端智能,影响用户实时决策,降低了用户体验。
现有技术二公开一种负载测量方法和演进基站。该方法的具体步骤是:第一步,接收邻区演进基站发送的测量请求消息,所述测量请求信息包含两组以上的负载测量参数。第二步,根据所述两组以上的负载测量参数进行测量配置,获取负载测量状态。第三步,向所述邻区演进基站发送成功响应消息或失败响应消息,以通知所述的负载测量状态。该方法存在的不足之处是:在复杂的信令交互过程中,接口资源占用率过高,降低资源利用率及信息传输效率,产生较大时延,进而负载估计的精度降低,造成用户体验变差。
现有技术三公开一种基站负载均衡的管理方法及系统。该方法中负载估计的具体步骤是:第一步,收集基站的训练样本。第二步,利用基站的训练样本得到影响基站负载的特征组合。第三步,根据得到的特征组合采用逻辑回归模型得到回归函数,特征组合中的各特征作为回归函数中的各特征分量。第四步,根据基站的训练样本,采用梯度下降法得到回归函数中各特征分量对应的权重值。第五步,将代入各特征分量对应的权重值的回归函数作为基站的负载估计模型。该方法存在的不足之处是:采用逻辑回归算法容易欠拟合,估计的准确度不高;并且对于非线性特征,需要进行特征缩放,降低了估计的精度;此外该方法没有加入激活函数,输出都是输入的线性组合,没有引入非线性因素,进而负载估计准确度降低。
通过上述分析,现有技术存在的问题及缺陷为:
(1)现有技术一本质上没有在终端实现智能,体现在该方法中负载估计的数据分析主要在网络接入侧进行,终端只能被动地切换网络,不能提前预知网络接入侧的负载信息,影响用户实时做出选网决策。此外,该方法不适用于对时延要求较高的通信业务场景,体现在端侧到网络接入侧之间的信令复杂交互过程中产生了较大的时延。
(2)现有技术二中主要关注在网络接入侧完成对多种负载测量的配置,负载均衡发起需要通过X2口向邻区演进基站发送多条请求消息,信令交互过程复杂,占用大量X2口资源,信息传输效率低,产生较大的时延,进而负载估计的精度降低。
(3)现有技术三采用逻辑回归模型作为负载估计模型,虽在负载估计的过程中体现了智能,但存在以下几个降低负载估计准确度的因素:逻辑回归算法容易欠拟合;未进行特征缩放不能对非线性特征进行描述;未加入激活函数不能拟合非线性关系。
解决以上问题及缺陷的难度为:如何结合实际的通信系统,将网络接入侧进行数据分析和决策转变为终端自行学习决策;如何结合终端自身能力学习分析、处理数据及作出决策的过程,实现终端智能。
解决以上问题及缺陷的意义为:对提高资源利用率和信息传输速率、降低复杂的信令交互时延、指导终端实时做出决策,进行选网、重选等操作具有重要意义。对在异构蜂窝网络特殊场景下准确估计小区负载,提升用户体验具有重要的意义。
发明内容
针对现有技术存在的问题,本发明提供了一种估计小区负载方法、系统、介质、设备、终端及应用。
本发明是这样实现的,一种估计小区负载方法,所述估计小区负载方法包括:
终端检测可提供服务的网络节点,利用导频信号获得服务节点列表中各节点的相关RMI,提高数据采集的准确度;
获取各无线通信场景下的历史数据,获取训练和测试数据集,通过系统级的仿真平台获取各特征参数对应的小区真实负载进行整合,获得训练和测试数据集,便于数据分析处理;
训练并保存GAN模型:采用两个多层全连接神经网络构建生成器和判别器;训练生成器,生成器学习真实负载的分布,生成模拟的负载数据;将真实的负载数据和生成的模拟负载数据分别输入判别器,训练判别器;不断迭代生成器和判别器完成对GAN模型的训练;通过设置平均误差和最大误差的阈值使训练达到最优,并保存训练的最优GAN模型,保障模型的普适性;
调用GAN模型进行测试:调用保存的最优模型中的生成器;取测试集中的RSRP、RSRQ、SINR特征参数作为生成器的输入;将生成器产生的估计负载数据与测试集中特征参数对应的真实负载数据进行比较,分析估计的准确度;
终端线上调用GAN模型进行负载估计:终端线上直接调用保存在最优训练模型中的生成器,输出结果为估计的小区负载值,指导终端进行决策,辅助实现多种业务。
进一步,所述终端利用导频信号获得服务节点列表中各节点的RMI,包括参考信号接收功率RSRP、接收信号强度指示RSSI、参考信号接收质量RSRQ和信干噪比SINR特征参数;
所述的终端获取服务节点列表中RMI的方式如下:通过导频信号测量LTE,5G等异构网络节点相关RMI,具体RMI表示如下:
RMIi(t)={x1,x2,...,xm,...,xD};
其中RMIi(t)表示第i个终端在t时刻由D维特征空间组成的元组,D表示RMI的种类个数,xm表示D维特征空间中的第m维特征向量,由第i个终端中的不同节点的同一特征组成,和分别表示第i个终端测量的第p个节点和第q个节点的RSRP值,获得RSSI、RSRQ、SINR特征参数的值;
用pk表示小区下行公共导频在测量带宽内功率的线性值,每个RE上的功率,即RSRP,反映接收信号功率的强度,用于小区覆盖的测量和指导小区选择、重选和切换;
用rk表示终端探测带宽内一个OFDM符号所有RE上的总接收功率,即RSSI,反映当前信道的接收信号强度和干扰强度;
用qk表示参考信号接收质量,即RSRQ,反映和指示当前信道质量的信噪比和干扰水平;
用sk表示终端探测带宽内的参考信号接收功率与干扰噪声功率的比值,即SINR,反映当前信道的链路质量。
进一步,通过系统级的仿真平台获取小区真实负载指的是RB利用率,用它来表示基站的负载;与资源块RB利用率有关的主要指标包括:RSRP(pk)、RSRQ(qk)、SINR(sk),将上述三个特征参数与对应的真实负载整合成训练和测试数据集,分别表示如下:
Ht(t)={RSRPi(t),RSRQi(t),SINRi(t),Loadi(t)};
HT(t)={RSRPi(t),RSRQi(t),SINRi(t),Loadi(t)};
其中Ht(t)表示训练集,包括t时刻终端获取多个RMI与对应负载Load的组合;HT(t)表示测试集,包括t时刻终端获取多个RMI与对应Load的组合。
进一步,所述生成器为G(z),其中z是一个随机噪声,生成器G将随机噪声z进行转化,学习真实的负载数据的分布,生成模拟负载的数据,生成器G的目标为使判别器D无法区分真实样本和生成样本,生成器G的目标函数为:
进一步,所述判别器为D(x),输入为真实的负载数据x和生成器产生的模拟数据G(z),判别器D的输出为0-1范围内的一个实数,用于判断生成器G生成的模拟负载数据G(z)与真实负载数据样本x的概率,Pdata(x)和Pz(z)分别代表真实负载数据分布和模拟负载数据分布,判别器的目标函数为:
进一步,对生成器和判别器进行不断迭代采用的方法为最小最大化目标函数,分别对生成器G和判别器D进行不断迭代;具体地,首先固定生成器G来优化判别器D,然后固定判别器D来优化生成器G,直到训练过程收敛:
整体优化函数如下:
本发明的另一目的在于提供一种计算机设备,所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行如下步骤:
终端检测可提供服务的网络节点,利用导频信号获得服务节点列表中各节点的相关RMI;
获取各无线通信场景下的历史数据,获取训练和测试数据集,通过系统级的仿真平台获取各特征参数对应的小区真实负载进行整合,获得训练和测试数据集;
训练并保存GAN模型:采用两个多层全连接神经网络构建生成器和判别器;训练生成器,生成器学习真实负载的分布,生成模拟的负载数据;将真实的负载数据和生成的模拟负载数据分别输入判别器,训练判别器;不断迭代生成器和判别器完成对GAN模型的训练;通过设置平均误差和最大误差的阈值使训练达到最优,并保存训练的最优GAN模型;
调用GAN模型进行测试:调用保存的最优模型中的生成器;取测试集中的RSRP、RSRQ、SINR特征参数作为生成器的输入;将生成器产生的估计负载数据与测试集中特征参数对应的真实负载数据进行比较,分析估计的准确度;
终端线上调用GAN模型进行负载估计:终端线上直接调用保存在最优训练模型中的生成器,输出结果为估计的小区负载值,指导终端进行决策。
本发明的另一目的在于提供一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行如下步骤:
终端检测可提供服务的网络节点,利用导频信号获得服务节点列表中各节点的相关RMI;
获取各无线通信场景下的历史数据,获取训练和测试数据集,通过系统级的仿真平台获取各特征参数对应的小区真实负载进行整合,获得训练和测试数据集;
训练并保存GAN模型:采用两个多层全连接神经网络构建生成器和判别器;训练生成器,生成器学习真实负载的分布,生成模拟的负载数据;将真实的负载数据和生成的模拟负载数据分别输入判别器,训练判别器;不断迭代生成器和判别器完成对GAN模型的训练;通过设置平均误差和最大误差的阈值使训练达到最优,并保存训练的最优GAN模型;
调用GAN模型进行测试:调用保存的最优模型中的生成器;取测试集中的RSRP、RSRQ、SINR特征参数作为生成器的输入;将生成器产生的估计负载数据与测试集中特征参数对应的真实负载数据进行比较,分析估计的准确度;
终端线上调用GAN模型进行负载估计:终端线上直接调用保存在最优训练模型中的生成器,输出结果为估计的小区负载值,指导终端进行决策。
本发明的另一目的在于提供一种信息数据处理终端,所述信息数据处理终端用于实现所述的估计小区负载方法。
本发明的另一目的在于提供一种实施所述估计小区负载方法的估计小区负载系统,所述估计小区负载系统包括:
接收参数指示获取模块,用于实现终端检测可提供服务的网络节点,利用导频信号获得服务节点列表中各节点的接收参数指示;
数据集获取模块,用于获取各无线通信场景下的历史数据,得到训练数据集和测试数据集;
终端选网模块,用于线下训练GAN模型并保存最优模型,调用最优的GAN模型进行测试,终端线上调用GAN模型,输出为估计的小区负载,指导终端进行选网。
本发明的另一目的在于提供一种5G通信终端,所述5G通信终端用于实现所述的估计小区负载方法。
结合上述的所有技术方案,本发明所具备的优点及积极效果为:本发明在端侧能有效估计小区负载,体现终端的智能,解决现有技术在网侧进行负载估计方案中信息传输速率较低、信令开销及时延过高等问题,辅助用户实时决策。在此基础上,把负载作为终端选网的关键条件,可减少频繁重选的次数,实现最优的网络选择,提升用户体验。
本发明基于GAN技术,在端侧收集可服务基站的特征参数和通过系统级仿真平台得到真实负载等基础上,保证复杂性可管理的情况下,实现对小区负载估计,解决了对小区负载估计准确度低的问题。具体到小区负载的估计,利用GAN对真实负载样本数据分布进行逼近,主要思想是利用深度神经网络的相互博弈估计小区真实负载。本发明所申请的基于GAN的小区负载模型构建,把估计问题归结为利用深度神经网络相互博弈生成小区真实负载的问题。
本发明采用GAN技术,与理论公式估计的小区负载相比,克服了模型理想化、存在大量假设和配置等问题,使得本发明在负载估计的过程中准确度提升。本发明采用GAN技术,相比于其他生成式模型,采用对抗式的训练方式,且生成器的参数更新不是直接来自数据样本,而是使用来自判别器的反向传播,能更高效地自动学习原始真实样本集的数据分布。本发明采用GAN技术,克服了传统概率生成模型中用马尔科夫链反复采样和推断时计算复杂度高的问题,GAN可以直接进行采样和推断,只用到了反向传播,提高了应用效率。
本发明根据端侧收集的可服务基站的特征参数和通过系统级的仿真平台得到的真实负载等,通过GAN中神经网络之间的相互博弈式训练方式,提高了端侧进行小区负载估计的准确度,解决了现有技术在负载估计方案中资源利用率和信息传输速率较低、信令开销及时延过高等问题,辅助终端实时做出决策,进行选网、重选等操作,使得本发明最大化实现终端智能,提升用户体验。
本发明对于负载估计的数据分析及决策主要在网络接入侧进行,终端只能被动地接入网络,不能提前预知网络接入侧的负载信息,用户不能实时做出选网决策。而且,在端侧到网络接入侧之间的信令复杂交互过程中产生了较大的时延并占用了大量的资源。此外,现有的智能终端对负载的估计精度不够高。
本发明根据端侧收集的可服务基站的特征参数和通过系统级的仿真平台得到的真实负载等,基于GAN在端侧对小区负载进行估计,辅助终端进行网络选择。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图做简单的介绍,显而易见地,下面所描述的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的估计小区负载方法流程图。
图2是本发明实施例提供的估计小区负载系统的结构示意图;
图2中:1、接收参数指示获取模块;2、数据集获取模块;3、终端选网模块。
图3是本发明实施例提供的基于GAN估计小区负载的方法场景示意图。
图4是本发明实施例提供的基于GAN估计小区负载流程图。
图5是本发明实施例提供的GAN原理内部结构图。
图6是本发明实施例提供的基于GAN估计小区负载实际设计图。
图7是本发明实施例提供的基于GAN估计小区负载的装置一实施方式结构示意图。
图8是本发明实施例提供的基于GAN估计小区负载的装置一实施方式的实体结构示意图;
图8中:11、扫频器;12、存储器;13、数据处理器;14、负载估计器;15、数据线。
图9是本发明实施例提供的基于GAN估计小区负载的系统级仿真平台指导终端选网仿真结果图;(a)业务到达率为1时,不同选网算法下数据包排队时延与用户数量关系图;(b)业务到达率为1时,不同选网算法下吞吐量与用户数量关系图;(c)业务到达率为2时,不同选网算法下数据包排队时延与用户数量关系图;(d)业务到达率为2时,不同选网算法下吞吐量与用户数量关系图;(e)业务到达率为5时,不同选网算法下数据包排队时延与用户数量关系图;(f)业务到达率为5时,不同选网算法下吞吐量与用户数量关系图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
针对现有技术存在的问题,本发明提供了一种估计小区负载方法、系统、介质、设备、终端及应用,下面结合附图对本发明作详细的描述。
如图1所示,本发明提供的估计小区负载方法包括以下步骤:
S101:终端检测可提供服务的网络节点,利用导频信号获得服务节点列表中各节点的接收参数指示(RMI);
S102:获取各无线通信场景下的历史数据,得到训练数据集和测试数据集;
S103:线下训练GAN模型并保存最优模型,调用最优的GAN模型进行测试,终端线上调用GAN模型,输出为估计的小区负载,指导终端进行选网。
其中无线通信场景下的历史数据包括RMI和对应的负载大小(RB利用率)。
本发明提供的估计小区负载方法业内的普通技术人员还可以采用其他的步骤实施,图1的本发明提供的估计小区负载方法仅仅是一个具体实施例而已。
如图2所示,本发明提供的估计小区负载系统包括:
接收参数指示获取模块1,用于实现终端检测可提供服务的网络节点,利用导频信号获得服务节点列表中各节点的接收参数指示;
数据集获取模块2,用于获取各无线通信场景下的历史数据,得到训练数据集和测试数据集;
终端选网模块3,用于线下训练GAN模型并保存最优模型,调用最优的GAN模型进行测试,终端线上调用GAN模型,输出为估计的小区负载,指导终端进行选网。
下面结合附图对本发明的技术方案作进一步的描述。
附图3为本发明基于GAN估计小区负载的场景示意图,在多种用户多种基站环境下对重度负载、中度负载、轻度负载的小区进行负载估计。
本发明的应用场景为多无线接入技术异构网络,实施例基于LTE,5G等异构网络场景说明,3G,LTE,5G等异构网络场景示意图参照图1。图2包含7个节点和7个用户,节点包括2个3G节点、2个LTE节点和3个5G节点,用户随机分布在节点周围。图中的虚线包围的不同区域表示不同负载小区。例如,由终端7和节点7组成的白色区域表示轻度负载小区。图中的折线表示终端可接收来自该节点的信号。例如,终端7收到来自节点3、节点4、节点6和节点7信号,即[节点3、节点4、节点6、节点7]是终端7服务节点列表,终端7从该服务节点列表中估计每个节点的负载并选择最优的节点。需要说明的是本发明不局限于当前示意图中3G,LTE,5G等异构网络场景、节点数量以及终端数量。
下面结合附图对本发明的GAN原理做详细的描述。
如图4所示,为本发明实施例提供的基于GAN估计小区负载的方法,包括以下步骤:
S401:获取相关RMI;
S402:获取训练和测试数据集;
S403:训练并保存GAN模型;
S404:调用GAN模型进行测试;
S405:终端线上调用GAN模型进行负载估计。
步骤一,获取相关RMI。
终端利用导频信号获得服务节点列表中各节点的RMI,包括RSRP、RSSI、RSRQ、SINR等特征参数。其中,终端获取服务节点列表中RMI的方式如下:通过导频信号测量LTE,5G等异构网络节点相关RMI,具体RMI表示如下:
RMIi(t)={x1,x2,...,xm,...,xD};
其中RMIi(t)表示第i个终端在t时刻由D维特征空间组成的元组,D表示RMI的种类个数,xm表示D维特征空间中的第m维特征向量,由第i个终端中的不同节点的同一特征组成,例如和分别表示第i个终端测量的第p个节点和第q个节点的RSRP值,同理可获得RSSI、RSRQ、SINR等特征参数的值。
步骤二,获取训练和测试数据集。
通过系统级的仿真平台获取各特征参数对应的小区真实负载进行整合,获得训练和测试数据集。其中,通过系统级仿真平台获取小区真实负载指的是RB利用率,用它来表示基站的负载。与RB利用率有关的主要指标包括:RSRP、RSRQ、SINR,将上述三个特征参数与对应的真实负载整合成训练和测试数据集,分别表示如下:
Ht(t)={RSRPi(t),RSRQi(t),SINRi(t),Loadi(t)};
HT(t)={RSRPi(t),RSRQi(t),SINRi(t),Loadi(t)};
其中Ht(t)表示训练集,包括t时刻终端获取多个RMI与对应Load的组合;HT(t)表示测试集,包括t时刻终端获取多个RMI与对应Load的组合。
步骤三,训练并保存GAN模型。
训练GAN模型,即对生成器和判别器进行训练。本步骤具体实施过程如下:
第一步,采用两个多层全连接神经网络构成生成器和判别器;
第二步,训练生成器,生成器学习真实负载的分布,生成模拟负载的数据。这里的生成器为G(z),其中z是随机噪声,生成器G将随机噪声z转化,学习真实的负载数据的分布,生成模拟负载的数据,生成器G的目标为使判别器D无法区分真实样本和生成样本,生成器G的目标函数为:
第三步,将真实的负载数据和生成的模拟负载数据分别输入判别器,对判别器进行训练。这里的判别器为D(x),输入为真实的负载数据x和生成器产生的模拟负载的数据G(z),判别器D的输出为0-1范围内的一个实数,用于判断生成器G生成的模拟负载的数据G(z)与真实负载数据样本x的概率,Pdata(x)和Pz(z)分别代表真实负载数据分布和模拟负载数据分布,判别器的目标函数为:
第四步,对生成器和判别器进行不断迭代达成对GAN模型的训练。其中,对生成器和判别器进行不断迭代采用的方法为最小最大化目标函数,分别对生成器G和判别器D进行不断迭代,首先固定生成器G来优化判别器D;然后固定判别器D优化生成器G,直到训练过程收敛。
整体优化函数如下:
第五步,通过设置平均误差和最大误差的阈值使训练达到最优,并保存训练的最优负载估计模型。
如图5所示,该图直观地显示GAN模型的内部原理结构,生成器和判别器均由两个多层全连接神经网络构成,基本原理及训练过程如上所述。采用GAN模型相对于其他生成式模型主要有如下优点:GAN模型采用对抗式的训练方式,且生成器的参数更新不是直接来自数据样本,而是使用来自判别器的反向传播,能更高效地自动学习原始真实样本集的数据分布。此外,GAN模型克服了传统概率生成模型中用马尔科夫链反复采样和推断时计算复杂度高的问题,GAN可以直接采样和推断,只用到了反向传播,提高了应用效率。
如图6所示,该图直观地显示将GAN模型用于小区负载估计的实际方案设计流程。生成器的输入为终端利用导频信号获得服务节点列表中各节点的RMI,主要包括RSRP、RSRQ、SINR等特征参数,通过训练得到的输出为模拟的负载数据;判别器的输入为生成器生成的模拟负载数据和样本集中真实负载数据,通过训练得到的输出为0-1范围内的一个实数;用Adam优化器训练生成器和判别器,当平均误差和最大误差小于规定的阈值时模型达到最优,保存当前训练的GAN模型作为最优负载估计模型。
步骤四,调用GAN模型进行测试。
本步骤具体实施过程如下:
第一步,调用步骤三中保存的最优模型中的生成器;
第二步,取测试集中的三个特征参数(RSRP、RSRQ、SINR)作为生成器的输入;
第三步,将测试集中生成器产生的估计负载与测试集中特征参数对应的真实负载数据进行比较,分析估计的准确度。
步骤五,终端线上调用GAN模型进行负载估计。
终端线上直接调用保存在最优GAN模型中的生成器,输出结果为估计的小区负载值,辅助用户实时做出决策,进行选网、重选等操作。
如图7所示,本发明实施例提供的基于GAN估计小区负载的装置一实施方式结构示意图,其中获取模块一用于获取通信终端周围可服务的通信节点信息,获得服务节点列表中各节点的相关RMI;获取模块二用于获取多个无线通信场景下的历史数据,包括RMI和对应的负载大小(RB利用率);训练和测试模块用于线下基于生成对抗网络算法训练小区负载估计模型,利用获取得到的历史数据进行训练和测试;负载估计模型用于终端基于实时的通信信息线上估测小区负载信息,推荐一个负载合适的服务节点,辅助终端线上决策。
如图8所示,本发明实施例提供的基于GAN估计小区负载的装置一实施方式的实体结构示意图。本实施方式的装置是上述装置的实体装置。该装置包括扫频器11、与扫频器11耦合的存储器12、数据处理器13、负载估计器14以及连接扫频器11、存储器12、数据处理器13和负载估计器14的数据线15。
其中扫频器11用于检测终端周围可供服务的无线网络节点,获取可服务节点列表中各节点相关RMI;存储器12用于存储获取的可服务节点列表以及各节点相关RMI;数据处理器13用于处理历史数据,训练和保存最优模型;负载估计器14用于线上调用训练好的模型,利用通信实时的可服务节点和对应的指标,估计小区负载的大小。
如图9所示,本发明实施例提供的基于GAN估计小区负载的系统级仿真平台指导终端选网仿真结果图。通过设定重负载场景,综合考虑基于GAN估计的小区负载及链路质量作为终端选网的关键因素,在不同的业务到达率下,可得出基于GAN估计小区负载作为选网的关键因素可降低排队时延并提高吞吐量。本发明的实施方式有效提高负载估计准确度,并辅助终端决策,提升用户体验。
应当注意,本发明的实施方式可以通过硬件、软件或者软件和硬件的结合来实现。硬件部分可以利用专用逻辑来实现;软件部分可以存储在存储器中,由适当的指令执行系统,例如微处理器或者专用设计硬件来执行。本领域的普通技术人员可以理解上述的设备和方法可以使用计算机可执行指令和/或包含在处理器控制代码中来实现,例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本发明的设备及其模块可以由诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现,也可以用由各种类型的处理器执行的软件实现,也可以由上述硬件电路和软件的结合例如固件来实现。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,都应涵盖在本发明的保护范围之内。
Claims (6)
1.一种估计小区负载方法,其特征在于,所述估计小区负载方法包括:
终端检测可提供服务的网络节点,利用导频信号获得服务节点列表中各节点的相关接收参数指示RMI;
获取各无线通信场景下的历史数据,获取训练和测试数据集,通过系统级的仿真平台获取各特征参数对应的小区真实负载进行整合,获得训练和测试数据集;
训练并保存GAN模型:采用两个多层全连接神经网络构建生成器和判别器;训练生成器,生成器学习真实负载的分布,生成模拟的负载数据;将真实的负载数据和生成的模拟负载数据分别输入判别器,训练判别器;不断迭代生成器和判别器完成对GAN模型的训练;通过设置平均误差和最大误差的阈值使训练达到最优,并保存训练的最优GAN模型;
调用GAN模型进行测试:调用保存的最优模型中的生成器;取测试集中的RSRP、RSRQ、SINR特征参数作为生成器的输入;将生成器产生的估计负载数据与测试集中特征参数对应的真实负载数据进行比较,分析估计的准确度;
终端线上调用GAN模型进行负载估计:终端线上直接调用保存在最优训练模型中的生成器,输出结果为估计的小区负载值,指导终端进行决策;
所述终端利用导频信号获得服务节点列表中各节点的RMI,包括参考信号接收功率RSRP、接收信号强度指示RSSI、参考信号接收质量RSRQ和信干噪比SINR特征参数;
所述的终端获取服务节点列表中RMI的方式如下:通过导频信号测量LTE,5G等异构网络节点相关RMI,具体RMI表示如下:
RMIi(t)={x1,x2,…,xm,…,xD′};
其中RMIi(t)表示第i个终端在t时刻由D′维特征空间组成的元组,D′表示RMI的种类个数,xm表示D′维特征空间中的第m维特征向量,由第i个终端中的不同节点的同一特征组成,和分别表示第i个终端测量的第p个节点和第q个节点的RSRP值,获得RSSI、RSRQ、SINR特征参数的值;
用pk表示小区下行公共导频在测量带宽内功率的线性值,每个RE上的功率,即RSRP,反映接收信号功率的强度,用于小区覆盖的测量和指导小区选择、重选和切换;
用rk表示终端探测带宽内一个OFDM符号所有RE上的总接收功率,即RSSI,反映当前信道的接收信号强度和干扰强度;
用qk表示参考信号接收质量,即RSRQ,反映和指示当前信道质量的信噪比和干扰水平;
用sk表示终端探测带宽内的参考信号接收功率与干扰噪声功率的比值,即SINR,反映当前信道的链路质量;
通过系统级的仿真平台获取小区真实负载指的是RB利用率,用它来表示基站的负载;与资源块RB利用率有关的主要指标包括:RSRP(pk)、RSRQ(qk)、SINR(sk),将上述三个特征参数与对应的真实负载整合成训练和测试数据集,分别表示如下:
Ht(t)={RSRPi(t),RSRQi(t),SINRi(t),Loadi(t)};
HT(t)={RSRPi(t),RSRQi(t),SINRi(t),Loadi(t)};
其中Ht(t)表示训练集,包括t时刻终端获取多个RMI与对应负载Load的组合;HT(t)表示测试集,包括t时刻终端获取多个RMI与对应Load的组合。
2.如权利要求1所述的估计小区负载方法,其特征在于,所述生成器为G(z),其中z是一个随机噪声,生成器G将随机噪声z进行转化,学习真实的负载数据的分布,生成模拟负载的数据,生成器G的目标为使判别器D无法区分真实样本和生成样本,生成器G的目标函数为:
所述判别器为D(x),输入为真实的负载数据x和生成器产生的模拟数据G(z),判别器D的输出为0-1范围内的一个实数,用于判断生成器G生成的模拟负载数据G(z)与真实负载数据样本x的概率,Pdata(x)和Pz(z)分别代表真实负载数据分布和模拟负载数据分布,判别器的目标函数为:
4.一种计算机设备,其特征在于,所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行如下步骤:
终端检测可提供服务的网络节点,利用导频信号获得服务节点列表中各节点的相关RMI;
获取各无线通信场景下的历史数据,获取训练和测试数据集,通过系统级的仿真平台获取各特征参数对应的小区真实负载进行整合,获得训练和测试数据集;
训练并保存GAN模型:采用两个多层全连接神经网络构建生成器和判别器;训练生成器,生成器学习真实负载的分布,生成模拟的负载数据;将真实的负载数据和生成的模拟负载数据分别输入判别器,训练判别器;不断迭代生成器和判别器完成对GAN模型的训练;通过设置平均误差和最大误差的阈值使训练达到最优,并保存训练的最优GAN模型;
调用GAN模型进行测试:调用保存的最优模型中的生成器;取测试集中的RSRP、RSRQ、SINR特征参数作为生成器的输入;将生成器产生的估计负载数据与测试集中特征参数对应的真实负载数据进行比较,分析估计的准确度;
终端线上调用GAN模型进行负载估计:终端线上直接调用保存在最优训练模型中的生成器,输出结果为估计的小区负载值,指导终端进行决策。
5.一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行如下步骤:
终端检测可提供服务的网络节点,利用导频信号获得服务节点列表中各节点的相关RMI;
获取各无线通信场景下的历史数据,获取训练和测试数据集,通过系统级的仿真平台获取各特征参数对应的小区真实负载进行整合,获得训练和测试数据集;
训练并保存GAN模型:采用两个多层全连接神经网络构建生成器和判别器;训练生成器,生成器学习真实负载的分布,生成模拟的负载数据;将真实的负载数据和生成的模拟负载数据分别输入判别器,训练判别器;不断迭代生成器和判别器完成对GAN模型的训练;通过设置平均误差和最大误差的阈值使训练达到最优,并保存训练的最优GAN模型;
调用GAN模型进行测试:调用保存的最优模型中的生成器;取测试集中的RSRP、RSRQ、SINR特征参数作为生成器的输入;将生成器产生的估计负载数据与测试集中特征参数对应的真实负载数据进行比较,分析估计的准确度;
终端线上调用GAN模型进行负载估计:终端线上直接调用保存在最优训练模型中的生成器,输出结果为估计的小区负载值,指导终端进行决策。
6.一种实施权利要求1~3 任意一项所述估计小区负载方法的估计小区负载系统,其特征在于,所述估计小区负载系统包括:
接收参数指示获取模块,用于实现终端检测可提供服务的网络节点,利用导频信号获得服务节点列表中各节点的接收参数指示;
数据集获取模块,用于获取各无线通信场景下的历史数据,得到训练数据集和测试数据集;
终端选网模块,用于线下训练GAN模型并保存最优模型,调用最优的GAN模型进行测试,终端线上调用GAN模型,输出为估计的小区负载,指导终端进行选网。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011488625.9A CN112702760B (zh) | 2020-12-16 | 2020-12-16 | 一种估计小区负载方法、系统、介质、设备、终端及应用 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011488625.9A CN112702760B (zh) | 2020-12-16 | 2020-12-16 | 一种估计小区负载方法、系统、介质、设备、终端及应用 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112702760A CN112702760A (zh) | 2021-04-23 |
CN112702760B true CN112702760B (zh) | 2022-03-15 |
Family
ID=75508549
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011488625.9A Active CN112702760B (zh) | 2020-12-16 | 2020-12-16 | 一种估计小区负载方法、系统、介质、设备、终端及应用 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112702760B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113382412B (zh) * | 2021-05-12 | 2022-12-27 | 重庆邮电大学 | 超密集异构网络中考虑终端安全的网络选择方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109068350A (zh) * | 2018-08-15 | 2018-12-21 | 西安电子科技大学 | 一种无线异构网络的终端自主选网系统及方法 |
CN111182637A (zh) * | 2019-12-24 | 2020-05-19 | 浙江大学 | 一种基于生成对抗强化学习的无线网络资源分配方法 |
CN111586728A (zh) * | 2020-04-30 | 2020-08-25 | 南京邮电大学 | 一种面向小样本特征的异构无线网络故障检测与诊断方法 |
CN112039687A (zh) * | 2020-07-14 | 2020-12-04 | 南京邮电大学 | 一种面向小样本特征的基于改进生成对抗网络的故障诊断方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108696331B (zh) * | 2018-03-19 | 2020-06-30 | 西安电子科技大学 | 一种基于生成对抗网络的信号重构方法 |
-
2020
- 2020-12-16 CN CN202011488625.9A patent/CN112702760B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109068350A (zh) * | 2018-08-15 | 2018-12-21 | 西安电子科技大学 | 一种无线异构网络的终端自主选网系统及方法 |
CN111182637A (zh) * | 2019-12-24 | 2020-05-19 | 浙江大学 | 一种基于生成对抗强化学习的无线网络资源分配方法 |
CN111586728A (zh) * | 2020-04-30 | 2020-08-25 | 南京邮电大学 | 一种面向小样本特征的异构无线网络故障检测与诊断方法 |
CN112039687A (zh) * | 2020-07-14 | 2020-12-04 | 南京邮电大学 | 一种面向小样本特征的基于改进生成对抗网络的故障诊断方法 |
Non-Patent Citations (2)
Title |
---|
"MoGAN:GAN based Next PoA Selection for Proactive Mobility Management";Boyun Jang等;《IEEE》;20201120;全文 * |
陈亮等."生成对抗网络GAN的发展与最新应用".《电子测量与仪器学报 》.2020, * |
Also Published As
Publication number | Publication date |
---|---|
CN112702760A (zh) | 2021-04-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Naderializadeh et al. | Resource management in wireless networks via multi-agent deep reinforcement learning | |
CN111666149A (zh) | 基于深度强化学习的超密边缘计算网络移动性管理方法 | |
CN109068350B (zh) | 一种无线异构网络的终端自主选网系统及方法 | |
US20200374711A1 (en) | Machine learning in radio access networks | |
Yao et al. | Energy-saving predictive resource planning and allocation | |
CN103428704B (zh) | 一种频谱感知方法及装置 | |
CN111491312B (zh) | 无线资源预测分配、获取、训练神经网络的方法及设备 | |
Rahman et al. | Motion and connectivity aware offloading in cloud robotics via genetic algorithm | |
Yang et al. | Deep reinforcement learning based wireless network optimization: A comparative study | |
CN112702760B (zh) | 一种估计小区负载方法、系统、介质、设备、终端及应用 | |
Lei et al. | Learning-based resource allocation: Efficient content delivery enabled by convolutional neural network | |
CN109375999A (zh) | 一种基于贝叶斯网络的mec随机任务迁移方法 | |
Rao et al. | Network selection in heterogeneous environment: A step toward always best connected and served | |
CN114268348A (zh) | 一种基于深度强化学习的无蜂窝大规模mimo功率分配方法 | |
US20230353659A1 (en) | Method of performing communication load balancing with multi-teacher reinforcement learning, and an apparatus for the same | |
Dridi et al. | Reinforcement Learning Vs ILP Optimization in IoT support of Drone assisted Cellular Networks | |
Lin et al. | Online learning and resource allocation for user experience improvement in mobile edge clouds | |
Yu et al. | Fast automatic link establishment: A new metric and the value of spectrum prediction | |
Sande et al. | A Backhaul Adaptation Scheme for IAB Networks Using Deep Reinforcement Learning With Recursive Discrete Choice Model | |
Leng et al. | GAN for load estimation and traffic-aware network selection for 5G terminals | |
Li et al. | Big-Data-Driven Intelligent Wireless Network and Use Cases | |
Wang et al. | Study on energy minimization data transmission strategy in mobile cloud computing | |
Ehiagwina et al. | Development of Neural Network-Based Spectrum Prediction Schemes for Cognitive Wireless Communication: A Case Study of Ilorin, North Central, Nigeria | |
Yuan et al. | Deep Reinforcement Learning-Based Energy Consumption Optimization for Peer-to-Peer (P2P) Communication in Wireless Sensor Networks | |
WO2024007720A1 (zh) | 终端设备的切换方法、基站、电子设备及存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |