CN113382477A - 应用于无线网络用户间上行干扰建模的方法 - Google Patents

Abstract

本申请提出了一种应用于无线网络用户间上行干扰建模的方法，涉及无线通信、多用户干扰、干扰预测、非线性回归技术领域，其中，该方法包括：通过离线训练生成干扰模型，离线训练包括以下步骤:获取输入数据；对所述输入数据进行处理，首先对数据进行清洗，剔除被调度次数小于预设阈值的数据，将剔除后的数据整理为训练数据集；使用训练数据集和非线性回归模型函数，采用一类基于置信域方法的迭代式算法进行分布训练，使用损失度量函数削弱异常值对训练结果的影响，生成所述干扰模型。采用上述方案的本发明解决了现有方法精确度低、干扰信息不全面、不适用于实际无线网络技术的问题，实现了对网络状况的快速响应和追踪。

Description

应用于无线网络用户间上行干扰建模的方法

技术领域

本申请涉及无线通信、多用户干扰、干扰预测、非线性回归技术领域，尤其涉及一种 基于非线性回归算法的无线网络用户间上行干扰建模与预测方法。

背景技术

随着网络容量需求的快速增长，当今的无线网络往往采用增大网络设备的部署密度的 方式，以满足对网络容量的需求。超密集网络(Ultra-dense Network，UDN)作为5G的关 键技术之一，通过更加密集的部署基站降低基站与终端用户的传输距离，从而有效提高网 络容量，进而提高频谱效率。然而，小基站的密集部署将导致严重的同信道干扰(Co-channel Interference，CCI)，为无线通信网络带来了新的挑战。

借助5G网络架构中心单元(Centralized Unit，CU)集中化处理的特性，应用机器学 习算法，挖掘隐藏在网络运行过程中产生的巨量无线资源分配数据和无线测量数据中的干 扰信息，较现有方法不仅更加准确、干扰信息更加全面，同时也更适用于实际无线网络。 同样，运用新的干扰建模方案得到的更加准确而信息丰富的干扰模型，也为资源分配方案 留出了更大的操作空间。

干扰矩阵对于资源分配有着至关重要的作用。现有获取干扰矩阵的方法主要有两种： 一种是基于扫频数据建立干扰矩阵，另一种是基于手机的测量报告消息建立干扰矩阵。扫 频数据中频域信息完整，并带有经纬度信息，能准确地反映采样点上的干扰情况，基于扫 频数据生成的干扰矩阵不能反映未知地点处的干扰情况，尤其是在密集网络条件下，较小 的位置变动就可能带来较大的干扰变化，测量成本过高。手机测量报告包含有用户的真实 干扰情况，但干扰信息只包含信号强的几个邻近小区，因此干扰信息不完整，建立的干扰 矩阵有一定误差，而在密集网络下干扰情况更加恶劣复杂。当处于用户数目较多的密集网 络中的时候，干扰矩阵建立的敏捷性和准确程度都有更高的要求，但目前方法的非实时性、 低效、信息的粗粒度和预测的粗精度无法适应当前的网络情况。

在现有蜂窝网络中，无线资源分配功能由基站完成，各小区基本是相互独立的进行无 线资源的管理和分配。为应对小区间干扰，现有网络通过网络单元之间进行协商和信令交 互并辅以增强技术进行一定程度的弥补，如借助于基站间的X2接口交互信息，通过小区 间干扰协调(Inter Cell Interference Coordination，ICIC)或增强型ICIC(enhancedICIC，eICIC) 技术解决小区间干扰问题；或借助于协作多点传输(Coordinated MultiplePoints，CoMP) 技术，在不同基站之间通过协同处理干扰、或者避免干扰、或者将干扰转化为有用信号， 为用户提供更高速率，从而提高网络的利用率。对于ICIC和eICIC技术，由于其严重依赖 于信令交换，因此其所能传递的干扰信息极为有限，导致传递干扰信息的粒度较差；且信 令传输需要时间，使得时效性受到严重影响。同时UDN中的大量相邻小区将造成可观的信 令交换开销，影响网络性能。而CoMP技术则需要对信道进行大量的测量，需要消耗大量 导频资源；且需要消耗大量计算资源对信号进行处理计算，因此这也不是一个合适的解决 方案。

此外，在学术界中存在新的构建干扰矩阵的方法。借助神经网络的算法，对网络运行 时产生的大量数据进行挖掘，无需额外的硬件或导频资源占用，即可精细而较为准确的获 取各用户间的干扰关系与强度，构建干扰矩阵。但这一方法挖掘干扰关系的耗时较长，同 样无法很好地满足构建干扰模型的时效性要求。在某些纯学术研究中，还采用终端的实时 地理位置，并采用现有的传播损耗模型公式来计算无线干扰。

基于扫频数据建立干扰矩阵需要物理设备部署，不便于实施。基于手机测量报告消息 建立干扰矩阵仅包含周围强干扰基站信息，当处于用户数目较多的密集网络中时，信息不 够完整，因而无法进行有效的干扰避免，不能很好的切合实际场景，这样的构建方法影响 了干扰矩阵的完整性。

现有的基于信令交换(如ICIC，eICIC)的干扰协调方案由于其严重依赖于信令交换， 因此其所能传递的干扰信息极为有限，导致传递干扰信息的粒度较差；且信令传输需要时 间，使得时效性受到严重影响。同时UDN中的大量相邻小区将造成可观的信令交换开销， 影响网络性能。而基于协作的干扰方案(如CoMP)则需要对信道进行大量的测量，需要消耗大量导频资源；且需要消耗大量计算资源对信号进行处理计算，总体开销巨大。

而基于神经网络的干扰矩阵构建方法虽然不需要额外的硬件或导频资源占用，但其构 建干扰矩阵的耗时却十分可观，同样无法很好的适应实际网络实时性的要求。

基于无线传播损耗模型和终端地理位置信息的干扰计算方法则仅有理论上的可行性。 在现实中，这一计算方法的两大基石均存在很大的问题。其一，在实际的无线系统中，终 端的地理位置信息难以被实时获知；其二，传播路径损耗模型一般只适用于仿真评估、网 络规划等场景。显然，通用模型无法很好地反映所应用环境的电波传播状况。在现网中， 模型计算值与实测值相差5～10dB的情况是相当常见的，预测精确度极差。

发明内容

本申请旨在至少在一定程度上解决相关技术中的技术问题之一。

为此，本申请的第一个目的在于提出一种应用于无线网络用户间上行干扰建模的方法， 解决了现有方法的解决了现有方法精确度低、干扰信息不全面、不适用于实际无线网络技 术的问题，实现了对网络状况的快速响应和追踪。

为达上述目的，本申请第一方面实施例提出了一种应用于无线网络用户间上行干扰建 模方法，包括：通过离线训练生成干扰模型，其中，所述离线训练包括以下步骤:

获取输入数据，输入数据包括历史的无线资源分配数据和网络测量数据；

对输入数据进行处理，对数据进行清洗，剔除被调度次数小于预设阈值的数据，将剔 除后的数据整理为训练数据集；

使用训练数据集和非线性回归模型函数，采用一类基于置信域方法的迭代式算法，使 用损失度量函数削弱异常值对训练结果的影响，生成干扰模型。

进一步地，在本申请实施例中，无线资源分配数据包括每资源块(ResourceBlock，RB)， 网络测量数据包括上行信干噪比(UplinkSignal-to-interference-plus-noise Ratio，UL-SINR)；

将干扰用户使用的每资源块的资源分配指示变量，以及基站端测量的用户U_m在每资源 块上的上行信干噪比作为一条数据存储至所述训练数据集。

进一步地，在本申请实施例中，挖掘不同小基站下的任意两用户间的干扰关系，通过 非线性回归算法对任意两用户间的信干比和任意用户于基站侧接收信号信噪比进行预测；

其中，用户的信号在小基站的上行信干噪比的公式为：

其中，

为上行信干噪比，

为用户间信干比(Signal-to-interferenceRatio，SIR)，

为服务用户基站侧接收信号的信噪比(Signal-to-noiseRatio，SNR)。

进一步地，在本申请实施例中，训练数据集可以记作：

其中，在上述训练数据集中，D_m为给第m个用户生成的训练数据集，w⁽ⁱ⁾为第i条数据中干扰用户的资源分配指示变量集合，

为第i条数据中测量到的用户m的上行信干噪比，N为该训练数据集中的数据条数。

进一步地，在本申请实施例中，非线性回归模型函数为：

其中，N′_m为所有可能与服务用户U_m造成干扰的用户集合，w_n∈{0,1}为资源分配指示 变量，指示在当前资源块中，干扰用户U_n是否与服务用户U_m复用同一资源，

进一步地，在本申请实施例中，分布训练包括以下步骤：

首先从所述训练数据集中抽取部分数据进行粗调训练，得到干扰模型中未知参数粗调 值；

然后进行精调训练，将由粗调训练得到的未知参数粗调值作为精调训练的初值，精调 训练使用所述训练数据集中的数据对所述干扰模型做精细调整；

精调训练完成后，汇总得到用于无线系统的干扰模型。

进一步地，在本申请实施例中，损失度量函数采用Huber损失度量函数，表达式为：

其中w⁽ⁱ⁾为干扰用户的资源分配指示变量集合，

为第i条数据中测量到的用户m的 上行信干噪比，δ为Huber函数中切分平方损失与线性损失的切分点参数，ρ为Huber函数， h由所述非线性回归模型函数所定义。

进一步地，在本申请实施例中，还包括在线预测，在生成干扰模型后，还包括：对干扰强度进行在线预测，将干扰因素输入的干扰模型，经干扰模型处理后输出对应的干扰预测结果；

干扰因素包括用户之间不同情况下的干扰，和用户接收干扰强度与接收信号；其中， 不同情况下的干扰包括单干扰用户情况和多用户干扰情况，单干扰用户情况为系统某一传 输时间间隔(Transmission Time Interval，TTI)只有一个用户与当前用户占用相同资源；多 用户干扰情况为系统某一传输时间间隔TTI有多个用户与当前用户占用相同资源。

进一步地，在本申请实施例中，在线进行干扰强度的预测时，的干扰模型继续进行离 线训练，并在训练完成后更新在线预测所使用的干扰模型，不断循环，以达成对无线网络 状况的快速响应与追踪。

本申请的第二个目的在于提出一种计算机设备，包括存储器、处理器及存储在存储器 上并可在处理器上运行的计算机程序，处理器执行计算机程序时，实现如上的应用于无线 网络用户间上行干扰建模的方法。

本申请附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明 显，或通过本申请的实践了解到。

附图说明

本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显 和容易理解，其中：

图1为本申请实施例一所提供的一种应用于无线网络用户间上行干扰建模的方法的流 程示意图；

图2为本申请实施例的UDN模型；

图3为本申请实施例的用户U₁的训练数据集示例；

图4为基于非线性回归算法的用户间上行干扰建模与预测方案的整体流程图；

图5为不同数据集规模下，各方案的干扰源识别误差示意图；

图6为训练数据集规模为10000条时，各用户UL-SINR预测误差图；

图7为训练数据集规模为10000条时，UL-SINR预测绝对误差的累积概率分布图；

图8为不同数据集规模下，各方案中各用户获得干扰模型的平均耗时图；

图9为不同预测精度下，不同方案的各用户平均训练耗时图。

具体实施方式

下面详细描述本申请的实施例，所述实施例的示例在附图中示出，其中自始至终相同 或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描 述的实施例是示例性的，旨在用于解释本申请，而不能理解为对本申请的限制。

下面参考附图描述本申请实施例的应用于无线网络用户间上行干扰建模的方法。

图1为本申请实施例一所提供的一种应用于无线网络用户间上行干扰建模的方法的流 程示意图。

如图1所示，该应用于无线网络用户间上行干扰建模的方法包括以下步骤：

步骤101，获取输入数据，输入数据包括历史的无线资源分配数据和网络测量数据；

步骤102，对输入数据进行处理，对数据进行清洗，剔除被调度次数小于预设阈值的 数据，将剔除后的数据整理为训练数据集；

步骤103，使用训练数据集和非线性回归模型函数，采用一类基于置信域方法的迭代 式算法进行分布训练，使用基于平方误差函数的分段式损失度量函数削弱异常值对训练结 果的影响，生成干扰模型。

进一步地，在本申请实施例中，无线资源分配数据包括每资源块RB，网络测量数据包 括上行信干噪比UL-SINR，无线网络采用小基站的超密集网络UDN组网方式；

将干扰用户使用的每资源块RB的资源分配指示变量，以及基站端测量的用户U_m在每 资源块RB上的上行信干噪比UL-SINR作为一条数据存储至训练数据集。

进一步地，在本申请实施例中，挖掘不同小基站下的任意两用户的干扰关系，通过非 线性回归算法对任意两用户间的信干比SIR和接收信号信噪比SNR进行预测；

如图2所示，在一个小范围的无线业务热点区域，为解决业务和吞吐量的巨大需求， 运营商将部署大量网络设备形成UDN。在走廊的两边各有两排房间，每排由N_r间房间组成。 每个房间中有一个小基站与q个用户，因此共有R＝4N_r个小基站与M＝4N_rq个用户。

本申请旨在挖掘不同注册小基站下的任意两用户的干扰关系，因此需要深入分析无线 网络小区间干扰的产生机理。

在移动通信网络的上行方向，服务用户U_m发射的上行信号到达归属小区

基站的信 号接收功率为：

其中

为用户U_m到归属小区

的信道增益。

与服务用户U_m占用相同无线资源的干扰用户U_n到达小区

基站的干扰信号功率为：

其中

为用户U_n到小区

的信道增益。

从而，服务用户U_m的信号在归属小区

基站端的UL-SINR为：

其中，N_m为与服务用户U_m复用相同无线资源的干扰用户集合，σ²为噪声功率。

上式经进一步变换可得：

其中，

为服务用户U_m的接收信号信噪比。

令

则上式简化为：

其中，

为上行信干噪比UL-SINR，

为用户间SIR，

为服务用户信噪比SNR。

由上式可见，由UL-SINR数据

以及与服务用户U_m占用相同无线资源的干扰用户集 合N_m数据，即可通过线性回归或其他回归类算法对用户间的信干比

和服务用户SNR

进行预测。

需要特别说明的是，采用不同资源复用方式的系统中干扰用户集合的构成可能不同。 如在正交频分复用(Orthogonal Frequency Division Multiple Access，OFDMA)或时分复用 (Time Division Multiple Access，TDMA)等系统中，位于同一小区中的各用户不存在干扰， 因此干扰用户集合仅包含与服务用户不在同一小区内的用户；但在码分复用(Code Division Multiple Access，CDMA)以及非正交复用(Non-Orthogonal MultipleAccess，NOMA)系 统中，位于同一小区的各用户间同样可能存在干扰，因此干扰用户集合包含除服务用户外 系统中的所有用户。但由于上述对于干扰关系的推导并不针对于特定的资源复用方式，因 此，通过构造不同的干扰用户集合，本申请基于上述分析得到的用户间上行干扰建模方案 同样能够适用于各种采用不同资源复用方式的无线系统。同样，上述干扰关系推导不依赖 于如图2所示的UDN组网场景，因此本申请提出的用户间上行干扰建模与预测方案亦适用 于任意的无线通信组网模型。

进一步地，在本申请实施例中，对任一用户，都按照图3所示构建训练数据集。以用户U_m为例，用户每使用一个RB，数据集中就会存储这个RB上干扰用户的资源分配指示 变量以及基站端测量的用户U_m在此RB上的UL-SINR作为一条数据。因此，可以记此用户 的数据集为

图3以用户U₁为例，展示训练数据集的结构。 必须要说明的是，图3所示的训练数据集是依照图2所示组网、基于OFDMA无线系统的 典型系统场景进行整理的，在此场景下不存在小区内干扰，因此可以将与U₁同小区的各用 户从训练数据集中删除。若资源复用方式允许同小区用户复用资源(如CDMA、NOMA等)， 则上述数据集也需要对应将与U₁同小区的其他所有用户加入数据集中。

进一步地，在本申请实施例中，使用回归类机器学习算法可以对用户间的SIR与服务 用户的SNR进行预测，从而能够预测在给定RB分配模式下，服务用户的UL-SINR。神经 网络算法由于其离线训练的耗时过长，因而不适用于实际网络的场景；而传统回归模型根 据其所使用的模型函数，可以分为线性回归与非线性回归两类。由于无线网络中小尺度衰 落的不可预测性，在本方案中将主要考虑大尺度衰落与路径损耗，小尺度衰落将被视作误 差项，不予预测。在上式中加入误差项∈，可以得到：

很明显，这是一个线性回归模型。然而小尺度衰落属于乘性衰落，无法用加性的误差 项进行捕获；同时，UL-SINR使用时通常以dB为单位，而线性回归则以其自然值作为优化目标，与实际使用场景不符。因此，本方案引入了非线性回归作为其模型函数以解决以上问题：

其中，∈′为误差项。等式两端取对数后，乘性的小尺度衰落变为加性，可以很好地被 误差项所捕获；此外，算法的优化目标也变为UL-SINR的dB值，也更加符合实际使用的场景。

非线性回归模型函数可以被写做：

其中，w＝{w_n∈{0,1}|n∈N′_m}为模型函数的自变量，指干扰用户的资源分配指示变 量集合；

为模型函数中的未知参数(信干比及信噪比)集合，

为用户间信干比，

为服务用户信噪比SNR，通过挖掘历史数据集，非线性回归算 法可以推测其值。

可以看到，虽然模型函数最终的输出值为dB形式，但内部的未知参数(即SIR与SNR的倒数)仍然以自然值呈现。这样又会带来一些问题。

首先，在构造问题时，必须对每个未知参数添加限制条件：

才能使各个未知参数具有其应有的物理含义，即功率之比必然为正。添加限制条件后， 在求解问题时就要额外考虑限制条件，不仅会使问题变得更加复杂，同时还可能会影响各 未知参数的求解精确度。

其次，根据各个未知参数的定义，其对应的值均较小(通常小于0.1)，且数量级差异 较大。如同样为SIR倒数的各未知参数，服务用户与弱干扰用户间对应的SIR倒数值大致在10^-2～10^-3的数量级，而与强干扰用户的SIR倒数值则会高至10⁰这一数量级。而相比于SNR倒数所在的10^-7～10^-8的数量级，可以看到，未知参数之间的差异可以达到7～8个数 量级。如此巨大的数量级差异，对于问题的解决带来了很大的挑战。不仅在求解算法本身 对参数优化带来很大的困难，同时过小的值也可能在计算机浮点数表示精度上产生问题。

因此，本方案采用SIR与SNR的dB值作为非线性模型函数的未知参数：

其中，N′_m为所有可能与服务用户U_m造成干扰的用户集合，w_n∈{0,1}为资源分配指示 变量，指示在当前RB中，干扰用户U_n是否与服务用户U_m复用同一资源，

未知参数直接对应于服务用户与干扰用户间的SIR与服务用户SNR的dB值。这一处理能使得未知参数的物理含义变得更为清晰与明确。而对于原始非线性回归模型函数存在的问题，它也能够很好地进行解决：

对于限制条件的问题，在对未知函数取对数后，由于模型参数中的指数部分隐含的非 负性，因此原先需要额外添加的限制条件在处理后就变得没有必要，大大简化了所构建的 问题。

而对于未知参数绝对值偏小且值的差距数量级较大的问题，在对未知参数取对数后， 绝对值基本落在10⁰～10¹数量级，差距较小，且值较为适中，十分适合于机器学习算法与 计算机进行处理，同时也给算法更精细的调节留出了足够空间。

因此，本方案采用SIR与SNR的dB值作为非线性模型函数的未知参数。

进一步地，在本申请实施例中，干扰预测模型训练采用的迭代式算法，通常每一步都 使用数据集中的所有数据的损失函数值进行梯度下降的步长与方向计算，并更新未知参数 的值。然而，在最初的若干次迭代时，由于初值与精确值的差异较大，因此无需太多的数 据即可达到相似的梯度下降效果。因此，本方案引入分步训练方法，分布训练包括以下步 骤：

首先从训练数据集中抽取部分数据进行粗调训练，得到干扰模型中未知参数粗调值；

然后进行精调训练，将由粗调训练得到的未知参数粗调值作为精调训练的初值，精调 训练使用训练数据集中的数据对干扰模型做精细调整；

精调训练完成后，汇总得到用于无线系统的干扰模型。

进一步地，在本申请实施例中，损失度量函数采用Huber损失度量函数，表达式为：

其中w⁽ⁱ⁾为干扰用户的资源分配指示变量集合，δ为Huber函数中切分平方损失与线性 损失的切分点参数，ρ为Huber函数，h由非线性回归模型函数所定义。

虽然最为常见的损失度量函数为平方误差函数：

即对每条数据的预测误差是预测值与标签值的差的平方。使用平方误差的回归问题又 称为最小二乘回归。使用最小二乘回归的优势在于可以充分利用数据，但却有一个不容忽 视的缺点：极易受异常值的影响。

然而在实际无线网络中，小尺度衰落的波动往往十分剧烈，导致数据集中的异常值较 多，因而使用平方误差函数无法很好的适应无线网络信道环境剧烈变化的特性。为此，本 方案选择Huber函数作为损失度量函数，Huber函数在误差值小于切分点δ时使用的是平方 损失函数，而大于切分点时，则使用线性函数。Huber函数的这种特殊的构造能够大大削 弱异常值对最后训练结果的影响，更加适合于实际无线网络。

进一步地，在本申请实施例中，还包括在线预测，在生成干扰模型后，还包括：对干扰强度进行在线预测，将干扰因素输入的干扰模型，经干扰模型处理后输出对应的干扰预测结果；

干扰因素包括用户之间不同情况下的干扰，和用户接收干扰强度与接收信号；其中， 不同情况下的干扰包括单干扰用户情况和多用户干扰情况，单干扰用户情况为系统某一传 输时间间隔TTI只有一个用户与当前用户占用相同资源；多用户干扰情况为系统某一传输 时间间隔TTI有多个用户与当前用户占用相同资源。

图4所示为干扰模型用于在线预测的完整流程，必须要指出的是，本方案离线训练部 分执行完毕后，在步骤4得到的无线系统干扰模型不仅仅能够供本方案在线预测部分(即 后续的步骤5～6)使用。由于干扰是无线网络中的核心问题，事实上，此步骤得到的干扰 模型有极为广阔的应用前景，仅在无线资源管理方面就至少有如下可能：

其一，直接应用干扰模型，以改善现有ICIC、eICIC等技术的性能；

其二，在本方案在线预测部分使用干扰模型，应用步骤6输出的UL-SINR预测值，辅助后续的无线资源分配。

进一步地，在本申请实施例中，在线进行干扰强度的预测时，的干扰模型继续进行离 线训练，并在训练完成后更新在线预测所使用的干扰模型，不断循环，以达成对无线网络 状况的快速响应与追踪。

下面将通过一系列仿真来评估本说明书所提出的发明方案的性能。

本说明书分别从提出的基于非线性回归算法的用户间上行干扰建模与预测方案(下称 “非线性回归方案”)的预测精度与训练耗时两方面，介绍算法的性能表现。使用基于神经 网络算法的用户间上行干扰建模与预测方案(下称“神经网络方案”)以及基于线性回归模 型的用户间上行干扰建模与预测方案(下称“线性回归方案”)作为对比方案，以体现本提 案中提出的非线性回归方案对比于现有最接近且效果最优的方案的性能优越性。

1)仿真参数设置

表1归纳了在仿真中使用的参数。

表1仿真参数表

2)提出方案的干扰源识别性能

通过评测干扰源识别的性能，能够较为完整的反映出提出方案离线训练得到的干扰模 型是否准确。

对于任意用户U_m的干扰源识别误差性能使用均方根误差(Root-mean-squareerror， RMSE)进行度量：

其中，

与γ_m,n分别为服务用户U_m受到干扰用户U_n的干扰，以dB为单位表示的，在 基站端接收到的SIR预测值与理想值。

在不同训练数据集规模下，三个方案的干扰源识别性能有所不同，如图5所示，随着 数据量的增加，三个方案的识别精度均有提升。但在各个数据集规模下，线性回归方案的 平均识别RMSE始终高于2dB，应用价值较低。非线性回归方案与神经网络方案的干扰源识别精度均远高于线性回归方案。在每用户训练数据集中含有20万条数据时，非线性回归方案的平均识别RMSE低至0.102dB，识别精确度极高。而在相同数据量下，神经网络方 案则有超过0.25dB的平均识别误差，效果虽尚可接受但仍与非线性回归方案有着较大的差 距。

3)提出方案的UL-SINR预测性能

通过评测UL-SINR预测的性能，能够反映出提出方案在线预测部分的准确程度。

若无特别说明，对于任意用户U_m的UL-SINR预测误差性能使用均方根误差RMSE进行度量：

其中，

与

分别为对应于第i条测试数据，服务用户U_m在基站端接收到的以dB为单位表示的UL-SINR的预测值与理想值。

上式中，第i条测试数据的UL-SINR理想值

不包含小尺度衰落，仅由路径损耗、用 户间干扰以及噪声计算得到。

在不同训练数据集规模下，三个方案的UL-SINR预测性能有所不同，随着数据量的增 加，三个方案的预测误差均降低。但非线性回归方案在相同训练数据集规模下的预测性能 均比其他两个方案要好，且线性回归方案的预测误差远大于其他两个方案，表明其无法很 好地完成干扰挖掘的任务。特别的，在每用户训练数据集中含有20万条数据时，神经网络 算法的平均预测RMSE为0.385dB，而非线性方案仅需使用5000～10000条数据的训练即可 达到相同的预测性能。

图6显示了在用户训练数据集规模为10000条时，使用非线性回归方案各用户的预测 RMSE，可以看到，各用户的预测RMSE差别不大，最大值仅约0.43dB，而均值在0.341dB，可以看到，预测十分精确。所有用户预测RMSE较平均值的最大偏离值小于0.09dB。

对所有用户测试集使用非线性回归方案进行预测的结果进行汇总，共计 20000*32＝640000条。这些数据的绝对误差的累积概率如图8所示，其中，各用户的训练 数据集规模为10000条；图7中预测误差使用绝对误差表示：

绝对误差的均值仅为0.271dB。并且，95％的预测绝对误差小于0.644dB，99％的预测 绝对误差小于0.96dB。可以看到，在几乎所有的情况下，预测的绝对误差基本都小于1dB， 预测的准确度无疑是非常高的。

4)提出方案的训练耗时

若干扰建模与预测方案的训练耗时过长，则训练完毕得到的干扰模型时效性则无法保 证，无法适应无线网络快速变化的特性。因此，训练耗时对于干扰建模与预测方案亦十分 重要。图8展示了在不同训练数据集规模下，各用户获得干扰模型的平均耗时，从图中可 以看到，非线性回归方案在相同数据集规模下，平均训练耗时相比神经网络方案低1个数 量级。在训练数据集规模小于20万条时，非线性回归方案都可以保持平均每用户10秒以内的训练时长，模型的时效性极强。线性回归方案虽然耗时较非线性回归方案再少一个数量级，但由于其极差的预测精度，训练时间的优势并不能够给予其足够的实用性。

5)提出方案达到给定性能指标时的训练耗时

通过确定性能指标(通常为预测误差，如平均预测RMSE)，可以较为精确的确定最佳 的训练数据集规模，既可避免规模过小造成的预测精度不足，也可以避免规模过大造成收 集数据与训练的耗时增加，影响模型的时效性。图9展示的是各干扰建模与预测方案在一 定的平均预测RMSE下，每用户平均所需的训练耗时，此处以神经网络方案在训练数据集规模为20万条数据时对应的平均预测RMSE(0.385dB)作为标准，此时神经网络方案的 各用户训练平均耗时为94.27秒。而非线性回归方案达到相同性能时，各用户训练平均耗 时仅为约0.5秒。两相对比，非线性回归方案在达到相同性能标准时的各用户平均训练耗 时较神经网络方案要低2个数量级以上，改善极为显著。而相比于线性回归方案，非线性 回归方案在耗时相同的情况下能够将平均预测误差缩小一个数量级，提升同样十分明显。 从以上对比可以凸显出本提案提出的非线性回归方案所具备的极高实用性。

在本申请中，我们将非线性回归算法及其改进算法引入到干扰预测中，利用调度过程 中产生的无线资源分配信息和无线测量信息进行干扰预测。

相对现有的、最好的技术而言，该方案的主要优点如下：

基于扫频数据建立干扰矩阵需要物理设备部署，不便于实施。基于手机测量报告消息 建立干扰矩阵仅包含周围强干扰基站信息，当处于用户数目较多的密集网络中时，信息不 够完整，因而无法进行有效的干扰避免，不能很好的切合实际场景，这样的构建方法影响 了干扰矩阵的完整性。基于ICIC或eICIC技术的小区间干扰协调技术极度依赖于信令交换， 传输信息量有限且时效性较差；而CoMP技术则需要消耗大量测量以及运算资源。

本提案提出的基于非线性回归算法的干扰建模与预测方案在不需要物理设备部署和用 户完整测量报告的前提下，利用调度过程中产生的巨量无线资源分配数据和无线测量数据， 通过大数据分析和机器学习算法，提供了完整和精确的上行用户干扰建模方案，实施简单， 更接近于实际网络场景，且不消耗额外的导频资源、运算资源的消耗也较小，实现了实时、 高效、高精度和完整的干扰预测。

本提案提出的基于非线性回归算法的干扰建模与预测方案相对于基于神经网络的干扰 建模方案，同样无需物理设备部署，但由于其使用了考虑无线网络干扰成因的，基于非线 性回归的模型函数，以及使用以dB表示的用户间SIR及用户SNR的表示方法，使得算法 的问题建模更加切合于无线网络的干扰成因，同时求解的未知参数(即以dB表示的用户间 SIR及用户SNR)也更加适应于建模的问题；且应用了分步训练的方法，因此在大大降低训练耗时的同时，大幅降低了算法的预测误差。从而使得在达到相同预测性能时，本提案提出的方案每用户平均耗时较神经网络方案降低超过2个数量级。

而相比基于无线传播损耗模型和终端地理位置信息的干扰计算方法，本提案提出的基 于非线性回归算法的干扰建模与预测方案不需要用户终端的地理位置信息，同时所建立的 干扰模型亦比通用性的无线传播损耗模型更具有针对性、更加贴近于所要应用的无线网络 环境。

为了实现上述实施例，本发明还提出了一种计算机设备，包括存储器、处理器及存储 在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时，实现上述实施 例所述的方法。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、 或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点 包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必 须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结 合和组合。

此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示 或者隐含地包括至少一个该特征。在本申请的描述中，“多个”的含义是至少两个，例如两 个，三个等，除非另有明确具体的限定。

流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个 或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分， 并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序， 包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本申请的 实施例所属技术领域的技术人员所理解。

在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实 现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令 执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行 系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设 备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布 线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只 读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及 便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述 程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行 编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储 在计算机存储器中。

应当理解，本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实 施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或 固件来实现。如，如果用硬件来实现和在另一实施方式中一样，可用本领域公知的下列技 术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离 散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可 编程门阵列(FPGA)等。

本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可 以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中， 该程序在执行时，包括方法实施例的步骤之一或其组合。

此外，在本申请各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各 个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既 可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以 软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读 取存储介质中。

上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了 本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制， 本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (10)

1.一种应用于无线网络用户间上行干扰建模的方法，其特征在于，该方法包括，

通过离线训练生成干扰模型，其中，所述离线训练包括以下步骤:

获取输入数据，所述输入数据包括历史的无线资源分配数据和网络测量数据；

对所述输入数据进行处理，对数据进行清洗，剔除被调度次数小于预设阈值的数据，将剔除后的数据整理为训练数据集；

使用所述训练数据集和非线性回归模型函数，采用一类基于置信域方法的迭代式算法进行分布训练，使用损失度量函数削弱异常值对训练结果的影响，生成所述干扰模型。

2.如权利要求1所述的方法，其特征在于，所述无线资源分配数据包括每资源块，所述网络测量数据包括上行信干噪比；

将干扰用户使用的所述每资源块的资源分配指示变量，以及基站端测量的用户U_m在所述每资源块上的上行信干噪比作为一条数据存储至所述训练数据集。

3.如权利要求2所述的方法，其特征在于，挖掘不同小基站下的任意两用户间的干扰关系，通过非线性回归算法对所述任意两用户间的信干比和任意用户于基站侧接收信号信噪比进行预测；

其中，用户的信号在所述小基站的上行信干噪比的公式为：

其中，

为上行信干噪比，

为用户间信干比，

为服务用户的接收信号信噪比，N_m为与服务用户复用相同无线资源的干扰用户集合。

4.如权利要求1所述的方法，其特征在于，所述训练数据集可以记作：

其中，在上述训练数据集中，D_m为给第m个用户生成的训练数据集，w⁽ⁱ⁾为第i条数据中干扰用户的资源分配指示变量集合，

为第i条数据中测量到的用户m的上行信干噪比，N为该训练数据集中的数据条数。

5.如权利要求1所述的方法，其特征在于，所述非线性回归模型函数为：

其中，N′_m为所有可能与服务用户U_m造成干扰的用户集合，w_n∈{0,1}为资源分配指示变量，指示在当前资源块中，干扰用户U_n是否与服务用户U_m复用同一资源，

6.如权利要求1所述的方法，其特征在于，所述分布训练包括以下步骤：

首先从所述训练数据集中抽取部分数据进行粗调训练，得到干扰模型中未知参数粗调值；

然后进行精调训练，将由所述粗调训练得到的所述未知参数粗调值作为所述精调训练的初值，所述精调训练使用所述训练数据集中的数据对所述干扰模型做精细调整；

所述精调训练完成后，汇总得到用于无线系统的干扰模型。

7.如权利要求1所述的方法，其特征在于，所述损失度量函数采用Huber损失度量函数为：

其中w⁽ⁱ⁾为干扰用户的资源分配指示变量集合，

为第i条数据中测量到的用户m的上行信干噪比，δ为Huber函数中切分平方损失与线性损失的切分点参数，ρ为Huber函数，h由所述非线性回归模型函数所定义。

8.如权利要求1所述的方法，其特征在于，还包括在线预测，在生成所述干扰模型后，对干扰强度进行在线预测，将干扰因素输入所述的干扰模型，经所述干扰模型处理后输出对应的干扰预测结果；

所述干扰因素包括用户之间不同情况下的干扰，和用户接收干扰强度与接收信号；

其中，所述不同情况下的干扰包括单干扰用户情况和多用户干扰情况，所述单干扰用户情况为系统某一传输时间间隔只有一个用户与当前用户占用相同资源；所述多用户干扰情况为系统某一传输时间间隔有多个用户与当前用户占用相同资源。

9.如权利要求8所述的方法，其特征在于，在线进行所述干扰强度的预测时，所述的干扰模型继续进行离线训练，并在训练完成后更新在线预测所使用的干扰模型，不断循环，以达成对无线网络状况的快速响应与追踪。

10.一种计算机设备，其特征在于，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实现如权利要求1-9中任一所述的方法。

Images