CN113347573A - 基于用户移动位置预测的负载均衡切换优化方法及系统 - Google Patents
基于用户移动位置预测的负载均衡切换优化方法及系统 Download PDFInfo
- Publication number
- CN113347573A CN113347573A CN202110599153.2A CN202110599153A CN113347573A CN 113347573 A CN113347573 A CN 113347573A CN 202110599153 A CN202110599153 A CN 202110599153A CN 113347573 A CN113347573 A CN 113347573A
- Authority
- CN
- China
- Prior art keywords
- user
- cell
- load
- day
- time
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000005457 optimization Methods 0.000 title claims abstract description 20
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 11
- 238000005516 engineering process Methods 0.000 claims abstract description 10
- 238000012549 training Methods 0.000 claims description 13
- 230000001174 ascending effect Effects 0.000 claims description 9
- 238000003062 neural network model Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 6
- 238000012546 transfer Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000003203 everyday effect Effects 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 230000003442 weekly effect Effects 0.000 claims 1
- 230000000737 periodic effect Effects 0.000 abstract description 3
- 230000007547 defect Effects 0.000 abstract description 2
- 238000005259 measurement Methods 0.000 abstract 1
- 238000007726 management method Methods 0.000 description 3
- 230000002354 daily effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000033772 system development Effects 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/029—Location-based management or tracking services
-
- 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
- H04W16/22—Traffic simulation tools or models
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W28/00—Network traffic management; Network resource management
- H04W28/02—Traffic management, e.g. flow control or congestion control
- H04W28/08—Load balancing or load distribution
- H04W28/086—Load balancing or load distribution among access entities
- H04W28/0861—Load balancing or load distribution among access entities between base stations
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W36/00—Hand-off or reselection arrangements
- H04W36/16—Performing reselection for specific purposes
- H04W36/22—Performing reselection for specific purposes for handling the traffic
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W36/00—Hand-off or reselection arrangements
- H04W36/24—Reselection being triggered by specific parameters
- H04W36/32—Reselection being triggered by specific parameters by location or mobility data, e.g. speed data
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明提出一种基于用户移动位置预测的负载均衡切换优化方法及系统,克服了当前方法具有预测不准确的缺陷,本发明针对用户的位置进行移动预测,充分挖掘用户的日常移动轨迹规律,考虑用户的移动轨迹是以一定移动周期变化的,位置轨迹具有周规律性,建立用户位置数据库,进一步利用人工智能技术得到用户移动位置模型,提高用户位置轨迹预测的准确率,估算小区未来的负载增量,并将其作为当前时刻小区负载量的一部分,即软负载,并将小区的软负载量作为当前网络进行负载均衡的衡量指标,将原来反应式的负载均衡变成超前感知、主动式的负载均衡,以实现用户智能化的移动管理,改变传统网络后知后觉式的负载均衡。
Description
技术领域
本发明涉及移动通信的技术领域,更具体地,涉及一种基于用户移动位置预测的负载均衡切换优化方法及系统。
背景技术
随着移动通信技术的不断发展,大量的小基站被广泛部署以提升网络容量。在某些热点小区,往往会聚集比其他地区更多的用户。由于用户在通信网络中的不均匀分布,一些基站由于用户过多而出现了过载的情况,与此同时,另一些基站负载较轻,处于相对空闲的状态。在热点小区的用户可能由于基站无法及时提供足够的资源而遭遇恶劣的服务体验,为了改善用户的服务质量,同时更充分地利用负载较轻的基站的空闲资源,需要对资源及用户负载情况进行优化。
未来蜂窝网络系统发展的一个重要方面是预测用户移动的能力,以便于更好地管理资源,降低网络功能(如切换)的成本,移动性管理可以定义为网络能够识别用户当前位于哪个小区的过程,当前的定位技术涉及存储用户位置的数据库,并且每当用户更改位置时,这些数据库都需要更新。如果网络可以预测用户的下一个小区,甚至可以预测用户要穿越的路径,那么将能带来网络性能的提升,因此,很多学者正针对这一具有挑战性的问题开展研究。
2018年11月16日,中国发明专利(公开号:CN108834079A)中公开了一种在异构网络中基于移动性预测的负载均衡优化方法,该方法通过建立决策树模型,对用户下一时刻的位置做出预测,然后采用时间序列分析方法预测当用户来时基站的负载状态,最后提前指定资源分配策略,优化网络的负载均衡,在一定程度上提高了用户移动性预测准确率,改善了热点地区的网络性能,但是现实生活中,用户每日的移动位置轨迹均会有所不同,也有一定的移动周期,现有技术中均未考虑用户移动位置轨迹的周期,容易导致用户移动位置轨迹预测误差大的后果。
发明内容
为克服当前对网络用户移动位置轨迹预测的方法具有预测不准确的缺陷,容易导致基站资源利用不充分的后果,本发明提出一种基于用户移动位置预测的负载均衡切换优化方法及系统,提高用户移动轨迹预测的准确率,并能为移动用户选择合适的基站资源切换目标小区,以实现用户智能化的移动管理。
为了达到上述技术效果,本发明的技术方案如下:
一种基于用户移动位置预测的负载均衡切换优化方法,至少包括:
S1.确定用户移动位置的移动周期,以移动周期为基准,采集用户在移动周期内每一天的位置数据,分别建立每一天的用户位置数据库;
S2.基于人工智能技术,利用每一天的用户位置数据库进行训练,得到每一天的用户移动位置模型;
S3.根据待预测用户对应的移动周期内的天次d,选择对应天次的用户移动位置模型,对用户在天次d中、在未来时刻t+Δt,最有可能到达的小区i及逗留时间进行预测;
S4.设置小区网络负载阈值e及负载均衡时限门槛值q,根据步骤S3的预测结果,预测在天次d中、未来Δt时间内用户最有可能到达的小区i的负载增量,并计算当前时刻t小区i的负载量和软负载;
S5.判断小区i的软负载是否小于网络负载均衡阈值e,若是,执行步骤S6;否则,执行步骤S7;
S6.判断用户在天次d中、在未来时刻t+Δt最有可能到达的小区i的逗留时间是否大于切换时限门槛值q,若是,接收用户进入;否则,执行步骤S7;
S7.为用户在天次d中、在未来时刻t+Δt最有可能到达的小区i构建负载均衡的邻目标小区集,并对邻目标小区按照软负载升序排列,选择软负载最小的小区j作为负载均衡的目标小区,并确定小区i与小区j的CIO参数调整量,将相关的用户从小区i切换到小区j,从而完成负载从小区i到目标小区j的转移。
优选地,步骤S1所述的用户移动位置的移动周期为一周,由星期一至星期天。
优选地,建立每一天的用户位置数据库包括周一用户位置数据库、周二用户位置数据库、周三用户位置数据库、周四用户位置数据库、周五用户位置数据库、周六用户位置数据库及周天用户位置数据库。
优选地,每一天的用户移动位置模型包括:周一用户移动位置模型、周二用户移动位置模型、周三用户移动位置模型、周四用户移动位置模型、周五用户移动位置模型、周六用户移动位置模型及周天用户移动位置模型。
优选地,步骤S2所述的基于人工智能技术指建立神经网络模型W,然后利用每一天的用户位置数据库对神经网络模型W进行训练,训练的方法为随机梯度下降法。
优选地,步骤S3中所述的天次d为周一至周天中的任意一天,选择对应天次的用户移动位置模型,对用户在天次d中、在未来时刻t+Δt最有可能到达的小区及逗留时间进行预测时,还能预测用户在天次d的移动路径。
优选地,对用户在天次d中、在未来时刻t+Δt最有可能到达的小区及逗留时间进行预测时,首先根据每个用户当前位置,计算每个用户到达小区边缘的时间,将时间进行升序排列,形成排列列表,然后对排列列表中的用户依次预测其最有可能到达的小区。
优选地,步骤S7中,对小区i进行负载均衡,确定其邻居目标小区j,并确定其与相邻小区j间的CIO参数调整量的过程为:
首先确定在天次d中、当前时刻t用户所在的服务小区i的软负载量为根据其所有邻目标小区软负载量排序结果,选择软负载最小的小区j作为负载均衡的目标小区,确定在时刻t切换目标小区j的软负载量为则小区i与其邻小区j间的CIO参数调整量表达式为:
其中,CIOi,j表示小区i与小区j的原CIO参数调整量,CIOi,j,max是CIO参数允许取值的最大值,和分别是小区i和小区j的在时刻t的软负载,是调整步长,与成正比,与成反比;CIOi',j表示小区i与小区j调整后的CIO参数调整量,通过调整能将用户从小区i转移到小区j。
本发明还提出一种基于用户移动位置预测的负载均衡切换优化系统,所述系统用于实现所述的基于用户移动位置预测的负载均衡切换优化方法,其特征在于,包括:
用户位置数据库构建模块,用于确定用户移动位置的移动周期,以移动周期为基准,采集用户在移动周期内每一天的位置数据,分别建立每一天的用户位置数据库;
用户移动位置模型训练模块,基于人工智能技术,利用每一天的用户位置数据库进行训练,得到每一天的用户移动位置模型;
预测模块,根据待预测用户对应的移动周期内的天次d,选择对应天的用户移动位置模型,对用户在天次d中、时刻t最有可能到达的小区i及逗留时间进行预测;
软负载计算模块,用于计算在天次d中、时刻t用户最有可能到达的小区i的软负载;
第一判断模块,用于判断小区i的软负载是否小于网络负载均衡阈值;
第二判断模块,用于判断用户在天次d中、时刻t最有可能到达的小区i的逗留时间是否大于切换时限门槛值q;
切换模块,为用户在天次d中、在未来时刻t+Δt最有可能到达的小区i构建负载均衡的邻目标小区集,并对邻目标小区按照软负载升序排列,选择软负载最小的小区j作为负载均衡的目标小区,并确定小区i与小区j的CIO参数调整量,将相关的用户从小区i切换到小区j,从而完成负载从小区i到目标小区j的转移。
与现有技术相比,本发明技术方案的有益效果是:
本发明提出一种基于用户移动位置预测的负载均衡切换优化方法及系统,针对用户的位置进行移动预测,充分挖掘用户的日常移动轨迹规律,考虑用户的移动轨迹是以一定移动周期变化的,位置轨迹具有周规律性,然后形成用户位置数据库,进一步得到用户移动位置模型,提高用户位置轨迹预测的准确率,而且考虑小区的负载阈值,从负载均衡角度进行负载切换,以实现用户智能化的移动管理,改变传统网络后知后觉式的负载均衡。
附图说明
图1表示本发明实施例中提出的基于用户移动位置预测的负载均衡切换优化方法的流程图;
图2表示本发明实施例中提出的常规3GPP网络用户从小区1向小区2移动的切换过程的示意图。
具体实施方式
附图仅用于示例性说明,不能理解为对本专利的限制;
为了更好地说明本实施例,附图某些部位会有省略、放大或缩小,并不代表实际尺寸;
对于本领域技术人员来说,附图中某些公知内容说明可能省略是可以理解的。
附图中描述位置关系的仅用于示例性说明,不能理解为对本专利的限制;
下面结合附图和实施例对本发明的技术方案做进一步的说明。
实施例
如图1所示的基于用户移动位置预测的负载均衡切换优化方法的流程图,参见图1,所述方法包括:
S1.确定用户移动位置的移动周期,以移动周期为基准,采集用户在移动周期内每一天的位置数据,分别建立每一天的用户位置数据库;
在本实施例中,所述的用户移动位置的移动周期为一周,由星期一至星期天,针对用户的位置进行移动预测,充分挖掘用户的日常移动轨迹规律,考虑用户的移动轨迹是以每周7天为周期进行变化的,而不是以一天为周期进行变化的,即用户的位置轨迹具有周规律性,从而为能实现用户移动轨迹的精确预测做好基础。
S2.基于人工智能技术,利用每一天的用户位置数据库进行训练,得到每一天的用户移动位置模型;
在本实施例中,所述的人工智能技术是指构建神经网络模型W,然后利用每一天的用户位置数据库,分别对神经网络模型W进行训练,得到每一天的用户移动位置模型;
在本实施例中,采用的神经网络模型W为现有的成熟的神经网络模型,对神经网络模型W进行训练的方法为随机梯度下降法。
在具体实施时,也可采用其它人工智能技术进行训练获得每一天的用户移动位置模型;
每一天的用户移动位置模型包括:周一用户移动位置模型、周二用户移动位置模型、周三用户移动位置模型、周四用户移动位置模型、周五用户移动位置模型、周六用户移动位置模型及周天用户移动位置模型。
S3.根据待预测用户对应的移动周期内的天次d,选择对应天次的用户移动位置模型,对用户在天次d中、在未来时刻t+Δt,最有可能到达的小区i及逗留时间进行预测;
所述的天次d为周一至周天中的任意一天,选择对应天次的用户移动位置模型,对用户在天次d中、在未来时刻t+Δt最有可能到达的小区i及逗留时间进行预测时,还能预测用户在天次d的移动路径。对用户在天次d中、在未来时刻t+Δt最有可能到达的小区i及逗留时间进行预测时,首先根据每个用户当前位置,计算每个用户到达小区i边缘的时间,将时间进行升序排列,形成排列列表,然后对排列列表中的用户依次预测其最有可能到达的小区i。
S4.设置小区网络负载阈值e及负载均衡时限门槛值q,根据步骤S3的预测结果,预测在天次d中、未来Δt时间内用户最有可能到达的小区i的负载增量,并计算当前时刻t小区i的负载量和软负载;
S5.判断小区i的软负载是否小于网络负载均衡阈值e,若是,执行步骤S6;否则,执行步骤S7;
S6.判断用户在天次d中、在未来时刻t+Δt最有可能到达的小区i的逗留时间是否大于切换时限门槛值q,若是,接收用户进入;否则,执行步骤S7;
S7.为用户在天次d中、在未来时刻t+Δt最有可能到达的小区i构建负载均衡的邻目标小区集,并对邻目标小区按照软负载升序排列,选择软负载最小的小区j作为负载均衡的目标小区,并确定小区i与小区j的CIO参数调整量,将相关的用户从小区i切换到小区j,从而完成负载从小区i到目标小区j的转移。
根据3GPP协议,网络用户切换事件的示意图如图2所示,图2的横坐标表示用户由小区1向小区2移动的过程,纵坐标表示用户的接收信号强度,在用户由小区1向小区2移动的过程中,用户接收小区1的信号强度表示为M1曲线,用户接收小区2的信号强度表示为M2曲线,切换时在TTT点开始计时,小区1与小区2的CIO参数调整量为CIO1.2,H1为切换迟滞,由图2可以看出,减少CIO1.2时,小区1中的用户将更容易的卸载到小区2中。
因此,传统进行网络用户切换时,可以通过调整CIO1.2来卸载小区1的用户负载到小区2中,因此在本实施例中,也针对CIO参数调整的切换事件作出改进。
具体的按步骤S7所述,选择软负载最轻的邻小区作为负载均衡的目标小区,并确定其与该邻目标小区间的CIO参数调整量的过程为:
首先确定在天次d中、当前时刻t用户所在的服务小区i的软负载量为根据其所有邻目标小区软负载量排序结果,选择软负载最小的小区j作为负载均衡的目标小区,确定在时刻t切换目标小区j的软负载量为则小区i与其邻小区j间的CIO参数调整量表达式为:
其中,CIOi,j表示小区i与小区j的原CIO参数调整量,CIOi,j,max是CIO参数允许取值的最大值,和分别是小区i和小区j的在时刻t的软负载,是调整步长,与成正比,与成反比;CIOi',j表示小区i与小区j调整后的CIO参数调整量,通过调整能将用户从小区i转移到小区j。
本发明还提出一种基于用户移动位置预测的负载均衡切换优化系统,所述系统用于实现所述的基于用户移动位置预测的负载均衡切换优化方法,所述系统包括:
用户位置数据库构建模块,用于确定用户移动位置的移动周期,以移动周期为基准,采集用户在移动周期内每一天的位置数据,分别建立每一天的用户位置数据库;
用户移动位置模型训练模块,基于人工智能技术,利用每一天的用户位置数据库进行训练,得到每一天的用户移动位置模型;
预测模块,根据待预测用户对应的移动周期内的天次d,选择对应天的用户移动位置模型,对用户在天次d中、时刻t最有可能到达的小区i及逗留时间进行预测;
软负载计算模块,用于计算在天次d中、时刻t用户最有可能到达的小区i的软负载;
第一判断模块,用于判断小区i的软负载是否小于网络负载均衡阈值;
第二判断模块,用于判断用户在天次d中、时刻t最有可能到达的小区i的逗留时间是否大于切换时限门槛值q;
切换模块,为用户在天次d中、在未来时刻t+Δt最有可能到达的小区i构建负载均衡的邻目标小区集,并对邻目标小区按照软负载升序排列,选择软负载最小的小区j作为负载均衡的目标小区,并确定小区i与小区j的CIO参数调整量,将相关的用户从小区i切换到小区j,从而完成负载从小区i到目标小区j的转移。
显然,本发明的上述实施例仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。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,均应包含在本发明权利要求的保护范围之内。
Claims (10)
1.一种基于用户移动位置预测的负载均衡切换优化方法,其特征在于,至少包括:
S1.确定用户移动位置的移动周期,以移动周期为基准,采集用户在移动周期内每一天的位置数据,分别建立每一天的用户位置数据库;
S2.基于人工智能技术,利用每一天的用户位置数据库进行训练,得到每一天的用户移动位置模型;
S3.根据待预测用户对应的移动周期内的天次d,选择对应天次的用户移动位置模型,对用户在天次d中、在未来时刻t+Δt,最有可能到达的小区i及逗留时间进行预测;
S4.设置小区网络负载阈值e及负载均衡时限门槛值q,根据步骤S3的预测结果,预测在天次d中、未来Δt时间内用户最有可能到达的小区i的负载增量,并计算当前时刻t小区i的负载量和软负载;
S5.判断小区i的软负载是否小于网络负载均衡阈值e,若是,执行步骤S6;否则,执行步骤S7;
S6.判断用户在天次d中、在未来时刻t+Δt最有可能到达的小区i的逗留时间是否大于切换时限门槛值q,若是,接收用户进入;否则,执行步骤S7;
S7.为用户在天次d中、在未来时刻t+Δt最有可能到达的小区i构建负载均衡的邻目标小区集,并对邻目标小区按照软负载升序排列,选择软负载最小的小区j作为负载均衡的目标小区,并确定小区i与小区j的CIO参数调整量,将相关的用户从小区i切换到小区j,从而完成负载从小区i到目标小区j的转移。
2.根据权利要求1所述的基于用户移动位置预测的负载均衡切换优化方法,其特征在于,步骤S1所述的用户移动位置的移动周期为一周,由星期一至星期天。
3.根据权利要求2所述的基于用户移动位置预测的负载均衡切换优化方法,其特征在于,建立每一天的用户位置数据库包括周一用户位置数据库、周二用户位置数据库、周三用户位置数据库、周四用户位置数据库、周五用户位置数据库、周六用户位置数据库及周天用户位置数据库。
4.根据权利要求3所述的基于用户移动位置预测的负载均衡切换优化方法,其特征在于,每一天的用户移动位置模型包括:周一用户移动位置模型、周二用户移动位置模型、周三用户移动位置模型、周四用户移动位置模型、周五用户移动位置模型、周六用户移动位置模型及周天用户移动位置模型。
5.根据权利要求4所述的基于用户移动位置预测的负载均衡切换优化方法,其特征在于,步骤S2所述的基于人工智能技术指建立神经网络模型W,然后利用每一天的用户位置数据库对神经网络模型W进行训练,训练的方法为随机梯度下降法。
6.根据权利要求5所述的基于用户移动位置预测的负载均衡切换优化方法,其特征在于,步骤S3中所述的天次d为周一至周天中的任意一天,选择对应天次的用户移动位置模型,对用户在天次d中、在未来时刻t+Δt最有可能到达的小区i及逗留时间进行预测时,还能预测用户在天次d的移动路径。
7.根据权利要求6所述的基于用户移动位置预测的负载均衡切换优化方法,其特征在于,对用户在天次d中、在未来时刻t+Δt最有可能到达的小区及逗留时间进行预测时,首先根据每个用户当前位置,计算每个用户到达小区边缘的时间,将时间进行升序排列,形成排列列表,然后对排列列表中的用户依次预测其最有可能到达的小区。
9.根据权利要求8所述的基于用户移动位置预测的负载均衡切换优化方法,其特征在于,步骤S7中,对小区i进行负载均衡,确定其邻居目标小区j,并确定其与相邻小区j间的CIO参数调整量的过程为:
首先确定在天次d中、当前时刻t用户所在的服务小区i的软负载量为根据其所有邻目标小区软负载量排序结果,选择软负载最小的小区j作为负载均衡的目标小区,确定在时刻t切换目标小区j的负载量为则小区i与其邻小区j间的CIO参数调整量表达式为:
10.一种基于用户移动位置预测的负载均衡切换优化系统,所述系统用于实现权利要求1所述的基于用户移动位置预测的负载均衡切换优化方法,其特征在于,包括:
用户位置数据库构建模块,用于确定用户移动位置的移动周期,以移动周期为基准,采集用户在移动周期内每一天的位置数据,分别建立每一天的用户位置数据库;
用户移动位置模型训练模块,基于人工智能技术,利用每一天的用户位置数据库进行训练,得到每一天的用户移动位置模型;
预测模块,根据待预测用户对应的移动周期内的天次d,选择对应天次的用户移动位置模型,对用户在天次d中、时刻t最有可能到达的小区i及逗留时间进行预测;
软负载计算模块,用于计算在天次d中、时刻t用户最有可能到达的小区i的软负载;
第一判断模块,用于判断小区i的软负载是否小于网络负载均衡阈值;
第二判断模块,用于判断用户在天次d中、时刻t最有可能到达的小区i的逗留时间是否大于切换时限门槛值q;
切换模块,为用户在天次d中、在未来时刻t+Δt最有可能到达的小区i构建负载均衡的邻目标小区集,并对邻目标小区按照软负载升序排列,选择软负载最小的小区j作为负载均衡的目标小区,并确定小区i与小区j的CIO参数调整量,将相关的用户从小区i切换到小区j,从而完成负载从小区i到目标小区j的转移。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2021105167896 | 2021-05-12 | ||
CN202110516789 | 2021-05-12 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113347573A true CN113347573A (zh) | 2021-09-03 |
CN113347573B CN113347573B (zh) | 2022-02-18 |
Family
ID=77472326
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110599153.2A Active CN113347573B (zh) | 2021-05-12 | 2021-05-31 | 基于用户移动位置预测的负载均衡切换优化方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113347573B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113973265A (zh) * | 2021-10-26 | 2022-01-25 | 中国联合网络通信集团有限公司 | 用户终端的管理方法、装置、设备、系统及存储介质 |
CN117896779A (zh) * | 2023-11-30 | 2024-04-16 | 东莞理工学院 | 基于5.5g自治网络的负载均衡方法、装置及设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105307112A (zh) * | 2014-08-01 | 2016-02-03 | 中国电信股份有限公司 | 分析获取用户移动轨迹的方法和系统 |
WO2016021137A1 (en) * | 2014-08-08 | 2016-02-11 | Nec Corporation | Communications system with idle mode terminal balancing |
CN108834079A (zh) * | 2018-09-21 | 2018-11-16 | 北京邮电大学 | 一种在异构网络中基于移动性预测的负载均衡优化方法 |
CN109711865A (zh) * | 2018-12-07 | 2019-05-03 | 恒安嘉新(北京)科技股份公司 | 一种基于用户行为挖掘的移动通信网流量精细化预测的方法 |
-
2021
- 2021-05-31 CN CN202110599153.2A patent/CN113347573B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105307112A (zh) * | 2014-08-01 | 2016-02-03 | 中国电信股份有限公司 | 分析获取用户移动轨迹的方法和系统 |
WO2016021137A1 (en) * | 2014-08-08 | 2016-02-11 | Nec Corporation | Communications system with idle mode terminal balancing |
CN108834079A (zh) * | 2018-09-21 | 2018-11-16 | 北京邮电大学 | 一种在异构网络中基于移动性预测的负载均衡优化方法 |
CN109711865A (zh) * | 2018-12-07 | 2019-05-03 | 恒安嘉新(北京)科技股份公司 | 一种基于用户行为挖掘的移动通信网流量精细化预测的方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113973265A (zh) * | 2021-10-26 | 2022-01-25 | 中国联合网络通信集团有限公司 | 用户终端的管理方法、装置、设备、系统及存储介质 |
CN113973265B (zh) * | 2021-10-26 | 2023-06-13 | 中国联合网络通信集团有限公司 | 用户终端的管理方法、装置、设备、系统及存储介质 |
CN117896779A (zh) * | 2023-11-30 | 2024-04-16 | 东莞理工学院 | 基于5.5g自治网络的负载均衡方法、装置及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN113347573B (zh) | 2022-02-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113347573B (zh) | 基于用户移动位置预测的负载均衡切换优化方法及系统 | |
Bilen et al. | Handover management in software-defined ultra-dense 5G networks | |
Sgora et al. | Handoff prioritization and decision schemes in wireless cellular networks: a survey | |
CN103298040B (zh) | 无线网络优化的方法、装置及系统 | |
CN101631346B (zh) | 基于信号强度和负载估计的区间切换方法 | |
Soh et al. | Dynamic bandwidth reservation in cellular networks using road topology based mobility predictions | |
CN101459916B (zh) | 一种确定邻区优先级的方法 | |
CN1694565A (zh) | Td-scdma通信系统中切换的方法 | |
CN102036309B (zh) | 异构多无线网络覆盖场景中终端接入选择方法 | |
CN105491611B (zh) | 无线网络切换方法和系统 | |
CN110677861B (zh) | 面向5g异构网络的网络选择方法 | |
CN102075981B (zh) | 邻区配置优化方法和系统 | |
CN106658572B (zh) | 一种基于负载感知的密集网络负载均衡方法 | |
Dai et al. | Multi-objective intelligent handover in satellite-terrestrial integrated networks | |
CN105246124B (zh) | 一种异构无线网络联合接纳控制方法 | |
Qu et al. | A hybrid handover forecasting mechanism based on fuzzy forecasting model in cellular networks | |
Abid et al. | A utility-based handover decision scheme for heterogeneous wireless networks | |
CN105813123A (zh) | 基于预测呼叫阻塞率预筛选网络的异构网络接入选择方法 | |
WO2011127789A1 (zh) | 一种无线通信网络邻区优化的方法及装置 | |
CN103533577A (zh) | 一种异构无线网络间垂直切换判决控制方法和系统 | |
CN116980028A (zh) | 一种基于星地融合网络的用户终端网络切换接入方法 | |
Fan et al. | Service migration in mobile edge computing based on reinforcement learning | |
Sun et al. | Group vertical handover in heterogeneous radio access networks | |
Liya et al. | A MADM-based handover management in software defined 5G network | |
Srikantamurthy et al. | A novel unified handover algorithm for LTE-A |
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 |