CN113993172B - 一种基于用户移动行为预测的超密集网络切换方法 - Google Patents
一种基于用户移动行为预测的超密集网络切换方法 Download PDFInfo
- Publication number
- CN113993172B CN113993172B CN202111236996.2A CN202111236996A CN113993172B CN 113993172 B CN113993172 B CN 113993172B CN 202111236996 A CN202111236996 A CN 202111236996A CN 113993172 B CN113993172 B CN 113993172B
- Authority
- CN
- China
- Prior art keywords
- base station
- user
- track
- switchable
- track point
- 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
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W36/00—Hand-off or reselection arrangements
- H04W36/0005—Control or signalling for completing the hand-off
- H04W36/0011—Control or signalling for completing the hand-off for data sessions of end-to-end connection
- H04W36/0016—Hand-off preparation specially adapted for end-to-end data sessions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W36/00—Hand-off or reselection arrangements
- H04W36/14—Reselecting a network or an air interface
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种基于用户移动行为预测的超密集网络切换方法,包括以下步骤:A:获取设定区域内的所有基站用户移动行为的预处理后的轨迹数据;B:划分为基站新用户数据集和基站老用户数据集;C:构建基站老用户轨迹预测模型;D:得到训练后的基站老用户轨迹预测模型;E:获取基站新用户的预测移动轨迹;F:当基站用户满足A2事件触发切换时,寻找到满足判定条件的目标基站作为最终的切换基站并进行切换。本发明能够通过用户的历史轨迹序列预测未来的轨迹点,可以有效减少网路切换次数,优化网络切换性能并提高网络的鲁棒性。
Description
技术领域
本发明涉及信号基站切换领域,尤其涉及一种基于用户移动行为预测的超密集网络切换方法。
背景技术
5G网络具有高带宽、低延迟的优点,显著地提高了社会生产力,给我们的生活带来了极大的方便。目前,移动终端或车联网在与基站连接时都无法避免的因其移动性而导致切换基站,切换基站会造成车联网的延迟,甚至引发各类交通事故。因此,避免切换基站、减少切换次数可以大大减少其危险事故的发生。在单个基站覆盖面积较小的5G时代,当终端设备移动速度较高时就会面临频繁切换基站,用户设备的移动性将产生更多的延迟。此外,不合理的基站连接会造成不必要的消耗,甚至会增加基站的负载,从而影响服务质量。因此,如何提高5G网络中的切换效率成为一个亟待解决的问题。
传统的切换基站模型都是基于信号强度的测量和机器学习的算法,如马尔科夫模型、MAB等,但并没有考虑用户的移动轨迹预测需要一些特定的基站部署条件来优化切换基站,基于信号强度的测量会由于城市区域建筑物和相应的路径消耗对信号损耗较大,其信号强度测量的结果不一定准确。因此这些适用性较弱的传统模型并不能很好的解决超密集网络下的高速移动问题。
发明内容
本发明的目的是提供一种基于用户移动行为预测的超密集网络切换方法,能够通过用户的历史轨迹序列预测未来的轨迹点,可以有效减少网路切换次数,优化网络切换性能并提高网络的鲁棒性。
本发明采用下述技术方案:
一种基于用户移动行为预测的超密集网络切换方法,包括以下步骤:
A:定义设定区域内的基站数量和每个基站的覆盖范围,然后采集设定区域内的所有基站用户移动行为的轨迹数据,并对轨迹数据进行预处理,去除轨迹数据中的时间跨度超限数据、异常数据和离群数据,最终得到预处理后的轨迹数据集;
其中,时间跨度超限数据,是指采集相邻两个基站用户轨迹点位置的时间间隔超出时间跨度阈值的数据;异常数据,是指记录的基站用户移动行为的轨迹数据格式错误或位置定位错误的数据;离群数据,是指与用户轨迹移动区域距离超出距离阈值的轨迹点;基站用户移动行为的轨迹数据包括基站用户编号、基站用户轨迹点位置的经纬度坐标以及基站用户轨迹点位置的经纬度坐标所对应的时间信息;
B:将预处理后的轨迹数据集根据基站用户类型划分为基站新用户数据集和基站老用户数据集;
其中,基站新用户指进入设定区域次数小于M次的用户,基站老用户指进入设定区域次数不小于M次的用户;M为设定的基站新老用户区分阈值;
C:构建基于全连接层、卷积神经网络和长短时记忆神经网络的基站老用户轨迹预测模型;基站老用户轨迹预测模型依次包含第一全连接层、卷积层、长短时记忆网络层和第二全连接层;
第一全连接层将基站用户的轨迹数据即三维空间数据映射出高维的空间向量;三维空间数据分别为基站用户的轨迹点位置的经度、纬度和基站用户到达该轨迹点位置的时间信息;
卷积层将高维的空间向量输入到一维卷积神经网络进行特征的提取;
长短时记忆神经网络层计算从一维卷积神经网络层传递的基站用户的轨迹特征;长短时记忆神经网络具有遗忘门、输入门和输出门;
第二全连接层压缩长短时记忆神经网络的记忆单元的输出获得预测的轨迹;
D:训练步骤C中得到的基站老用户轨迹预测模型,将所得到的概率最大的预测值作为预测模型的输出值,采用均方误差作为损失函数,并利用等间隔策略调整模型的学习率;最终得到训练后的基站老用户轨迹预测模型;
E:首先对设定区域进行网格化处理,然后按照时间顺序获取基站用户进入设定区域后所依次进入的关键网格的信息,然后利用得到的基站用户在网格化下关键移动模式分别计算基站老用户和基站新用户的网格化下关键移动模式,最后寻找到与待预测移动轨迹的基站新用户最相似的基站老用户的移动轨迹,作为基站新用户的预测移动轨迹;
F:当基站用户满足A2事件触发切换时,首先由该基站用户当前所连接的服务基站,根据该基站用户进入选定区域的次数判断该基站用户类型为基站新用户或是基站老用户,并利用步骤D中的基站老用户轨迹预测模型或步骤E中基站新用户的预测移动轨迹方法得到该基站用户的预测移动轨迹;然后,服务基站利用预测得到的该基站用户的预测移动轨迹,从可切换基站列表中选取能够覆盖当前轨迹点之前所有预测移动轨迹中的轨迹点、自身未超载且距离当前轨迹点位置最近的可切换基站作为目标基站;将找到的目标基站作为最终的切换基站并进行切换;
其中,A2事件即切换触发条件:Ms+Hys<THre;Ms为服务基站的服务质量,Hys为避免乒乓切换的迟滞参数,THre是触发切换的阈值;可切换基站指基站用户在该位置可接收到基站信号的基站。
所述的步骤A中,预处理包括以下步骤:
首先,剔除轨迹数据中时间跨度超限数据、异常数据和离群数据,得到预处理后的轨迹数据集;
然后,根据基站用户编号、基站用户进入设定区域后的轨迹点位置的经纬度坐标以及基站用户轨迹点位置的经纬度坐标所对应的时间信息,得到第u个基站用户的第r个轨迹序列Tr,u;
Tr,u={(t0,g0),(t1,g1),(t2,g2),…,(tk,gk),…,(tn,gn);
最后,按照上述方法分别获取进入设定区域内的所有基站用户的所有轨迹序列,最终得到预处理后的轨迹数据集。
所述的步骤C中,基站老用户轨迹预测模型的关键表达式如下:
gu=FC(Tr,u,W) (1);
it=σ(Wi·[ht-1,xt]+bi) (3);
ft=σ(Wf·[ht-1,xt]+bf) (4);
ot=σ(Wo·[ht-1,xt]+bo) (5);
其中,公式(1)为第一全连接层表达式;gu表示基站用户u的轨迹特征经过全连接层的高维向量,FC表示全连接层函数;Tr,u表示基站用户u的第r个轨迹序列,W表示全连接层的权重;
公式(2)为卷积神经网络层的特征提取公式;表示卷积神经网络层输出的第i个高维向量的第j个特征,σ表示激活函数,表示用户u轨迹的第j个特征的偏置,表示用户u轨迹的第j个特征的第e个权重,E表示用户u轨迹的权重的总数,是上一层的输出的高维向量;
公式(3)至(5)为长短时记忆神经网络的模型;it,ft和ot分别表示长短时记忆神经网络的输入门i、遗忘门f和输出门o,σ表示激活函数,Wi,Wf和Wo分别表示输入门i、遗忘门f和输出门o的权重,ht-1表示上一时刻t-1的隐藏信息,xt表示时刻t的数据,bi,bf和bo分别表示输入门i、遗忘门f和输出门o的偏置;
所述的步骤E包括以下具体步骤:
E2:按照时间顺序获取第u个基站用户进入设定区域后所依次进入的关键网格的信息,得到第u个基站用户在网格化下关键移动模式Zu;
其中,在相邻的若干个进入网格的时间中,若第u个基站用户在某一个网格内有连续的轨迹点,则仅记录该基站用户进入该网格一次,且进入该网格的时间为相邻的若干个进入网格时间的中间时间;关键网格指第u个基站用户进入该网格的次数大于设定的进入次数阈值ω的网格;n为用户移动模式的长度;
E3:按照上述方法,分别得到每一个基站老用户以及每一个待预测移动轨迹的基站新用户的网格化下关键移动模式;
E4:将待预测移动轨迹的基站新用户,按照基于最大公子串的衡量关键模式的用户相似度计算公式,与所有基站老用户的网格化下关键移动模式进行计算,分别得到该待预测移动轨迹的基站新用户与每个基站老用户的移动轨迹相似度,并将相似度最高的基站老用户的移动轨迹作为待预测移动轨迹的基站新用户的预测移动轨迹;
基于最大公子串的衡量关键模式的用户相似度计算公式为:
所述的步骤F包括以下具体步骤:
F1:服务基站判断基站用户是否满足A2事件并触发切换,若满足,则进入步骤F2;
F2:服务基站根据该基站用户进入选定区域的次数判断该基站用户类型为基站新用户或是基站老用户,并利用步骤D中的基站老用户轨迹预测模型或步骤E中基站新用户的预测移动轨迹方法得到该基站用户的预测移动轨迹;然后进入步骤F3;
F3:服务基站向相邻的基站发送测量信息,并接收相邻基站发送的移交质量报告,移交质量报表中包含相邻基站的位置坐标信息、覆盖范围信息及该基站负载信息,服务基站根据移交质量报告中的位置信息和覆盖范围信息选取可切换基站并形成可切换基站列表{b1,b2,b3……bk},其中,b1,b2,b3……bk分别为可切换基站;可切换基站指基站用户在该位置可接收到基站信号的基站;然后进入步骤F4;
F4:服务基站利用预测得到的该基站用户的预测移动轨迹,从可切换基站列表中选取目标基站;在选取目标基站时,从预测移动轨迹中最后一个轨迹点向前遍历,在当前轨迹点中,选取同时满足以下条件的可切换基站作为目标基站:
a:覆盖当前轨迹点之前所有预测移动轨迹中的轨迹点;
b:该可切换基站自身未超载;
c:在同时满足条件a和条件b的前提下,距离当前轨迹点位置最近;
若当前轨迹点中所有可切换基站均不能同时满足上述条件,则按照上述方法从最后一个轨迹点向前遍历,直至找到满足条件的目标基站作为最终的切换基站并进行切换。
所述的步骤F4包括以下具体步骤:
F41:服务基站首先从预测移动轨迹中最后一个轨迹点开始,在当前轨迹点中,先选取距离当前轨迹点位置最近的可切换基站,然后按照下述公式判断该位置最近的可切换基站是否能够覆盖当前轨迹点之前所有预测移动轨迹中的轨迹点;
dist(gpre,bi)<R;
其中,dist(gpre,bi)表示预测移动轨迹中的轨迹点gpre与基站bi的距离,xpre和ypre分别为预测移动轨迹中的轨迹点gpre的经度坐标和纬度坐标,和为基站bi的经度坐标和纬度坐标,R表示基站的覆盖范围;
若能够覆盖,则进行可切换基站自身是否超载判断,进入步骤F42;
若不能够覆盖,则继续遍历下一个距离最近的可切换基站,进入步骤F43;
F42:服务基站根据该可切换基站反馈的移交质量报告中的基站负载信息,通过下述公式判断该可切换基站自身是否超载:
load(bi)+load(ui)<θ;
其中,load(bi)表示基站bi的负载比,t表示测量基站负载的开始时间,δ表示持续的时间段,表示在时刻τ占用的资源块,是基站总共的物理资源块,load(bi)+load(ui)表示接入基站用户后的基站负载,load(ui)表示接入基站用户所占用的负载比,θ为设定的基站负载阈值;当基站负载超过该值时,则为超载;
若超载,则继续遍历距离当前轨迹点(最后一个轨迹点)第二接近的可切换基站,进入步骤F43;若未超载,则将满足要求的可切换基站作为目标基站,进入步骤F47;
F43:服务基站选取距离当前轨迹点位置第二接近的可切换基站,然后判断该位置第二接近的可切换基站是否能够覆盖当前轨迹点之前所有预测移动轨迹中的轨迹点;
若能够覆盖,则按照步骤F42的方法进行可切换基站自身是否超载判断,若可切换基站自身超载,则继续遍历距离当前轨迹点第三接近的可切换基站;若未超载,则将满足要求的可切换基站作为目标基站,进入步骤F47;
若不能够覆盖,则服务基站选取距离当前轨迹点第三接近的可切换基站,然后判断该位置第三接近的可切换基站是否能够覆盖当前轨迹点之前所有预测移动轨迹中的轨迹点;
按照上述方法在当前轨迹点下遍历所有可切换基站,若找到自身未超载且能够覆盖当前轨迹点之前所有预测移动轨迹中的轨迹点的可切换基站,则作为目标基站并进入步骤F47;若找不到自身未超载且能够覆盖当前轨迹点之前所有预测移动轨迹中的轨迹点的可切换基站,则进入步骤F44;
F44:服务基站从预测移动轨迹中倒数第二个轨迹点开始,在当前轨迹点中,先选取距离当前轨迹点位置最近的可切换基站,然后判断该位置最近的可切换基站是否能够覆盖当前轨迹点之前所有预测移动轨迹中的轨迹点;
若能够覆盖,则进行可切换基站自身是否超载判断;若可切换基站自身超载,则继续遍历距离当前轨迹点位置第二接近的可切换基站;若未超载,则将满足要求的可切换基站作为目标基站,进入步骤F47;
若不能够覆盖,则继续遍历下一个距离最近的可切换基站,进入步骤F45;
F45:服务基站选取距离当前轨迹点位置第二接近的可切换基站,然后判断该位置第二接近的可切换基站是否能够覆盖当前轨迹点之前所有预测移动轨迹中的轨迹点;
若能够覆盖,则进行可切换基站自身是否超载判断;若可切换基站自身超载,则继续遍历距离当前轨迹点位置第三接近的可切换基站;若未超载,则将满足要求的可切换基站作为目标基站,进入步骤F47;
若不能够覆盖,则服务基站选取距离当前轨迹点第三接近的可切换基站,然后判断该位置第三接近的可切换基站是否能够覆盖当前轨迹点之前所有预测移动轨迹中的轨迹点;
按照上述在当前轨迹点下方法遍历所有可切换基站,若找到自身未超载且能够覆盖当前轨迹点之前所有预测移动轨迹中的轨迹点的可切换基站,则作为目标基站并进入步骤F47;若找不到自身未超载且能够覆盖当前轨迹点之前所有预测移动轨迹中的轨迹点的可切换基站,则进入步骤F46;
F46:按照步骤F41至步骤F45的方法,服务基站在当前轨迹点的基础上向前遍历轨迹点,并选取能够覆盖当前轨迹点之前所有预测移动轨迹中的轨迹点、自身未超载且距离当前轨迹点位置最近的可切换基站作为目标基站,进入步骤F47;
F47:将找到的目标基站作为最终的切换基站并进行切换。
所述的步骤F47包括以下具体步骤:
F471:在服务基站确定目标基站后,由服务基站向目标基站发送切换请求;
F472:目标基站判断自身是否同时接收到多个切换请求,若接收到,则进入步骤F473;若未接收到,则进入步骤F474;
F473:目标基站按照下述公式判断自身同时接入多个基站用户后是否超载;若目标基站自身同时接入多个基站用户后并不超载,则进入步骤F474;若目标基站自身同时接入多个基站用户后超载,则进入步骤F475;
其中,ε表示负载阀值的误差,Q表示同时接入基站用户的总数;
步骤F474:将该目标基站作为最终的切换基站并进行切换;
步骤F475:目标基站对提出切换请求的多个基站用户分别进行优先级进行计算,然后按照各个基站用户的优先级由高到低的顺序优先切换前ρ个基站用户,ρ是通过优先级公式计算出来的在目标基站不超载情况下允许切入的最大基站用户数量;
优先级公式为:
α+β+τ=1;
其中,表示基站用户u从基站bi接受的信号的信噪比,表示基站bi的发送功率,G表示天线增益,PL为路径损失模型,pu表示用户u的噪声功率,Level(u)表示用户u的等级,与距离基站bi的距离dist(gpre,bi)、任务等级τ(Su)和在该位置的信噪比比分有关,SNRmax表示基站用户u从基站bi接受的信号的最大信噪比,Su∈[0,1],α、β和τ分别为距离基站距离比分权重、信噪比比分的权重和任务等级权重。
所述的步骤F41中:
在选取距离轨迹点gpre的距离最近的可切换基站bi时,按照下述公式进行计算:bi=argmin(dist(gpre,bi)),i=1,2,3,…k。
9.根据权利要求3所述的基于用户移动行为预测的超密集网络切换方法,其特征在于,所述的步骤D中:将基站老用户数据集中每个基站用户轨迹数据中采集时间段的前80%的轨迹数据集作为训练集,将该基站老用户剩下的20%的轨迹数据集作为测试集;训练时训练集中的数据打乱顺序为无序数据。
所述的步骤D中:对基站老用户轨迹预测模型采用MAE、MSE和RMSE进行评价:
其中,N表示预测的轨迹点个数,xtrue和ytrue分别表示基站用户真实的经度和纬度,xpre和ypre分别表示预测移动轨迹中的轨迹点gpre的经度坐标和纬度坐标。
本发明首先根据用户访问区域的频率将用户分类为基站新用户和基站老用户两种类型,并划分基站新用户数据集和基站老用户数据集;
针对基站老用户,本发明中利用基站老用户数据集训练基站老用户轨迹预测模型,基站老用户的轨迹数据通过CNN提取时空信息特征,然后将时空信息特征输入LSTM捕捉用户的移动行为规律。
针对基站新用户类型,本发明提出基于最大公共子串相似算法,利用寻找出的轨迹最相似的老用户来辅助预测新用户的轨迹,同时采用网格化进行用户轨迹数据的处理,可以有效提高用户的相似匹配程度,并提高预测的准确性。
本发明中,将用户移动轨迹结合网络仿真实验,用户通过A2事件触发基站切换,根据基站用户的类型选择不同轨迹预测模型,然后通过用户历史轨迹预测未来的轨迹点,同时考虑到用户轨迹位置、基站负载及其优先等级等情况,能够有效减少网路切换次数,优化网络切换性能并提高网络的鲁棒性。
附图说明
图1为本发明的流程示意图。
具体实施方式
以下结合附图和实施例对本发明作以详细的描述:
如图1所示,本发明所述的基于用户移动行为预测的超密集网络切换方法,包括以下步骤:
A:定义设定区域内的基站数量和每个基站的覆盖范围,然后采集设定区域内的所有基站用户移动行为的轨迹数据,并对轨迹数据进行预处理,去除轨迹数据中的时间跨度超限数据、异常数据和离群数据,最终得到预处理后的轨迹数据集;
其中,基站用户移动行为的轨迹数据包括基站用户编号、基站用户轨迹点位置的经纬度坐标以及基站用户轨迹点位置的经纬度坐标所对应的时间信息;
本发明中,预处理包括以下步骤:
首先,剔除轨迹数据中时间跨度超限数据、异常数据和离群数据,得到预处理后的轨迹数据集;
时间跨度超限数据,是指采集相邻两个基站用户轨迹点位置的时间间隔超出时间跨度阈值的数据;异常数据,是指记录的基站用户移动行为的轨迹数据格式错误或位置定位错误的数据;离群数据,是指与用户轨迹移动区域距离超出距离阈值的轨迹点。时间跨度阈值和距离阈值可自行设定。
然后,根据基站用户编号、基站用户进入设定区域后的轨迹点位置的经纬度坐标以及基站用户轨迹点位置的经纬度坐标所对应的时间信息,得到第u个基站用户的第r个轨迹序列Tr,u;
Tr,u={(t0,g0),(t1,g1),(t2,g2),…,(tk,gk),…,(tn,gn);
按照上述方法,分别获取进入设定区域内的所有基站用户的所有轨迹序列,最终得到预处理后的轨迹数据集;
B:将预处理后的轨迹数据集根据基站用户类型划分为基站新用户数据集和基站老用户数据集;其中,基站新用户指进入设定区域次数小于M次的用户,基站老用户指进入设定区域次数不小于M次的用户;M为设定的基站新老用户区分阈值,M可以根据收集基站用户轨迹数据进行调整;
C:构建基于全连接层、卷积神经网络(CNN)和长短时记忆神经网络(LSTM)的基站老用户轨迹预测模型;
本发明中,基站老用户轨迹预测模型依次包含第一全连接层、卷积层、长短时记忆网络层和第二全连接层;
第一层为第一全连接层,第一全连接层将基站用户的轨迹数据即三维空间数据(x,y,t)映射出高维的空间向量;三维空间数据(x,y,t)中的x、y和t分别为基站用户的轨迹点位置的经度、纬度和基站用户到达该轨迹点位置的时间信息;
第二层为卷积层,卷积层将高维的空间向量输入到一维卷积神经网络进行特征的提取,一维卷积神经网络可以学习数据的非线性关系并铺捉到基站用户轨迹的局部特征。
第三层为长短时记忆神经网络层,是CNN-LSTM的下一层,可以计算从一维卷积神经网络层传递的基站用户的轨迹特征,长短时记忆神经网络通过合并可以更新先前隐藏状态以保持长期记忆的单元,有助于处理长序列的时间关系。将提取到的基站用户轨迹的关键移动特征输入到三层长短时记忆神经网络模型,长短时记忆神经网络有三个门限:遗忘门、输入门和输出门。三个门通过乘法确定每个遗忘单元的状态。通过激活和控制0和1之间的连续值来更新其状态,形成长短时记忆神经网络的记忆单元。
第四层为第二全连接层,第二全连接层用于生成预测的轨迹点,第二全连接层进行压缩长短时记忆神经网络的记忆单元的输出获得预测的轨迹。
基站老用户轨迹预测模型的关键表达式如下所示:
gu=FC(Tr,u,W) (1);
it=σ(Wi·[ht-1,xt]+bi) (3);
ft=σ(Wf·[ht-1,xt]+bf) (4);
ot=σ(Wo·[ht-1,xt]+bo) (5);
其中,公式(1)为第一全连接层表达式;gu表示基站用户u的轨迹特征经过全连接层的高维向量,FC表示全连接层函数;Tr,u表示基站用户u的第r个轨迹序列,W表示全连接层的权重。
公式(2)为卷积神经网络层的特征提取公式;表示卷积神经网络层输出的第i个高维向量的第j个特征,σ表示激活函数,表示用户u轨迹的第j个特征的偏置,表示用户u轨迹的第j个特征的第e个权重,E表示用户u轨迹的权重的总数,是上一层的输出的高维向量。
公式(3)至(5)为长短时记忆神经网络的模型;it,ft和ot分别表示长短时记忆神经网络的输入门i、遗忘门f和输出门o,σ表示激活函数,Wi,Wf和Wo分别表示输入门i、遗忘门f和输出门o的权重,ht-1表示上一时刻t-1的隐藏信息,xt表示时刻t的数据,bi,bf和bo分别表示输入门i、遗忘门f和输出门o的偏置。
公式(6)为第二全连接层模型;其输入为长短时记忆神经网络层的输出,表示第l层的第i个输出的结果即预测的轨迹,和分别表示其中的第l-1层的第i个节点的第j个特征的权重和偏置,表示l-1层的第i个隐藏层,σ表示激活函数。
D:训练步骤C中得到的基站老用户轨迹预测模型,将所得到的概率最大的预测值作为预测模型的输出值,采用均方误差(MSE)作为损失函数,并利用等间隔策略调整模型的学习率;最终得到训练后的基站老用户轨迹预测模型;
本发明中,将基站老用户数据集中每个基站用户轨迹数据中采集时间段的前80%的轨迹数据集作为训练集,将该基站老用户剩下的20%的轨迹数据集作为测试集;例如,基站老用户u在进入到设定区域内产生的轨迹序列包含100天的轨迹序列,将前80天的轨迹序列的数据作为训练集;剩下的20%的轨迹序列的数据作为测试集。
训练基站老用户轨迹预测模型,训练时训练集中的数据打乱顺序为无序数据,可以让轨迹数据随机化,从而避免过拟合,并将所得到的概率最大的预测值作为预测模型的输出值,均方误差(MSE)作为损失函数,用等间隔策略来调整学习率;并用MAE、MSE和RMSE来评价模型,最终得到训练后的基站老用户轨迹预测模型;
其中N表示预测的轨迹点个数,xtrue和ytrue分别表示基站用户真实的经度和纬度,xpre和ypre分别表示预测移动轨迹中的轨迹点gpre的经度坐标和纬度坐标。
E:由于基站新用户类型的数据量少,因为本发明中首先对设定区域进行网格化处理,然后按照时间顺序获取基站用户进入设定区域后所依次进入的关键网格的信息,然后利用得到的基站用户在网格化下关键移动模式分别计算基站老用户和基站新用户的网格化下关键移动模式,最后寻找到与待预测移动轨迹的基站新用户最相似的基站老用户的移动轨迹,作为基站新用户的预测移动轨迹。
本发明中,步骤E即基站新用户的预测移动轨迹的预测方法如下:
E1:对设定区域进行网格化处理,将设定区域划分为若干个网格,依次为网格z1,网格z2,网格z3,…,网格zg,…网格zm;设基站用户进入网格zg的时间为本发明中,将用户轨迹通过网格化处理可以提高基站新用户的预测移动轨迹的准确性,且能去除冗余的轨迹数据。
E2:按照时间顺序获取第u个基站用户进入设定区域后所依次进入的关键网格的信息,得到第u个基站用户在网格化下关键移动模式Zu;
其中,在相邻的若干个进入网格的时间中,若第u个基站用户在某一个网格内有连续的轨迹点,则仅记录该基站用户进入该网格一次,且进入该网格的时间为相邻的若干个进入网格时间的中间时间;关键网格指第u个基站用户进入该网格的次数大于设定的进入次数阈值ω的网格;n为用户移动模式的长度;
E3:按照上述方法,分别得到每一个基站老用户以及每一个待预测移动轨迹的基站新用户的网格化下关键移动模式;
E4:将待预测移动轨迹的基站新用户,按照基于最大公子串的衡量关键模式的用户相似度计算公式,与所有基站老用户的网格化下关键移动模式进行计算,分别得到该待预测移动轨迹的基站新用户与每个基站老用户的移动轨迹相似度,并将相似度最高的基站老用户的移动轨迹作为待预测移动轨迹的基站新用户的预测移动轨迹;
本发明中所提出的基于最大公子串的衡量关键模式的用户相似度计算公式,能够准确衡量用户关键移动模式的相似性,通过对不同用户的相似度进行量化,寻找轨迹最相似的用户来辅助预测新用户,有效提高新用户轨迹预测的准确性;
基于最大公子串的衡量关键模式的用户相似度计算公式为:
F:当基站用户满足A2事件触发切换时,首先由该基站用户当前所连接的服务基站,根据该基站用户进入选定区域的次数判断该基站用户类型为基站新用户或是基站老用户,并利用步骤D中的基站老用户轨迹预测模型或步骤E中基站新用户的预测移动轨迹方法得到该基站用户的预测移动轨迹;然后,服务基站利用预测得到的该基站用户的预测移动轨迹,从可切换基站列表中选取能够覆盖当前轨迹点之前所有预测移动轨迹中的轨迹点、自身未超载且距离当前轨迹点位置最近的可切换基站作为目标基站;将找到的目标基站作为最终的切换基站并进行切换。
其中,A2事件即切换触发条件:Ms+Hys<THre;Ms为服务基站的服务质量,Hys为避免乒乓切换的迟滞参数,THre是触发切换的阈值;可切换基站指基站用户在该位置可接收到基站信号的基站。
本发明中,步骤F包括以下具体步骤:
F1:服务基站判断基站用户是否满足A2事件并触发切换,若满足,则进入步骤F2;
A2事件即切换触发条件的判断条件为:Ms+Hys<THre
其中,Ms为服务基站的服务质量,Hys为避免乒乓切换的迟滞参数,THre是触发切换的阈值。
F2:服务基站根据该基站用户进入选定区域的次数判断该基站用户类型为基站新用户或是基站老用户,并利用步骤D中的基站老用户轨迹预测模型或步骤E中基站新用户的预测移动轨迹方法得到该基站用户的预测移动轨迹;然后进入步骤F3;
F3:服务基站向相邻的基站发送测量信息,并接收相邻基站发送的移交质量报告,移交质量报表中包含相邻基站的位置坐标信息、覆盖范围信息及该基站负载信息,服务基站根据移交质量报告中的位置信息和覆盖范围信息选取可切换基站并形成可切换基站列表{b1,b2,b3……bk},其中,b1,b2,b3……bk分别为可切换基站;可切换基站指基站用户在该位置可接收到基站信号的基站;然后进入步骤F4;
F4:服务基站利用预测得到的该基站用户的预测移动轨迹,从可切换基站列表中选取目标基站;在选取目标基站时,从预测移动轨迹中最后一个轨迹点向前遍历,在当前轨迹点中,选取同时满足以下条件的可切换基站作为目标基站:
a:覆盖当前轨迹点之前所有预测移动轨迹中的轨迹点;
b:该可切换基站自身未超载;
c:在同时满足条件a和条件b的前提下,距离当前轨迹点位置最近;
若当前轨迹点中所有可切换基站均不能同时满足上述条件,则按照上述方法从最后一个轨迹点向前遍历,直至找到满足条件的目标基站作为最终的切换基站并进行切换;
步骤F4的具体步骤如下:
F41:在选取目标基站时,服务基站首先从预测移动轨迹中最后一个轨迹点开始,在当前轨迹点(最后一个轨迹点)中,先选取距离当前轨迹点(最后一个轨迹点)位置最近的可切换基站,然后按照下述公式判断该位置最近的可切换基站是否能够覆盖当前轨迹点(最后一个轨迹点)之前所有预测移动轨迹中的轨迹点;
dist(gpre,bi)<R;
其中,dist(gpre,bi)表示预测移动轨迹中的轨迹点gpre与基站bi的距离,xpre和ypre分别为预测移动轨迹中的轨迹点gpre的经度坐标和纬度坐标,和为基站bi的经度坐标和纬度坐标,R表示基站的覆盖范围。
若能够覆盖,则进行可切换基站自身是否超载判断,进入步骤F42,
若不能够覆盖,则继续遍历下一个距离最近的可切换基站,进入步骤F43;
在选取距离轨迹点gpre的距离最近的可切换基站bi时,按照下述公式进行计算:
bi=argmin(dist(gpre,bi)),i=1,2,3,…,k;
F42:服务基站根据该可切换基站反馈的移交质量报告中的基站负载信息,通过下述公式判断该可切换基站自身是否超载:
load(bi)+load(ui)<θ;
其中,load(bi)表示基站bi的负载比,t表示测量基站负载的开始时间,δ表示持续的时间段,表示在时刻τ占用的资源块,是基站总共的物理资源块,load(bi)+load(ui)表示接入基站用户后的基站负载,load(ui)表示接入基站用户所占用的负载比,θ为设定的基站负载阈值;当基站负载超过该值时,则为超载;
若超载,则继续遍历距离当前轨迹点(最后一个轨迹点)第二接近的可切换基站,进入步骤F43;若未超载,则将满足要求的可切换基站作为目标基站,进入步骤F47;
F43:服务基站选取距离当前轨迹点(最后一个轨迹点)位置第二接近的可切换基站,然后判断该位置第二接近的可切换基站是否能够覆盖当前轨迹点(最后一个轨迹点)之前所有预测移动轨迹中的轨迹点;
若能够覆盖,则按照步骤F42的方法进行可切换基站自身是否超载判断,若可切换基站自身超载,则继续遍历距离当前轨迹点(最后一个轨迹点)第三接近的可切换基站;若未超载,则将满足要求的可切换基站作为目标基站,进入步骤F47;
若不能够覆盖,则服务基站选取距离当前轨迹点(最后一个轨迹点)第三接近的可切换基站,然后判断该位置第三接近的可切换基站是否能够覆盖当前轨迹点(最后一个轨迹点)之前所有预测移动轨迹中的轨迹点;
按照上述方法在当前轨迹点下遍历所有可切换基站,若找到自身未超载且能够覆盖当前轨迹点(最后一个轨迹点)之前所有预测移动轨迹中的轨迹点的可切换基站,则作为目标基站并进入步骤F47;若找不到自身未超载且能够覆盖当前轨迹点(最后一个轨迹点)之前所有预测移动轨迹中的轨迹点的可切换基站,则进入步骤F44;
F44:服务基站从预测移动轨迹中倒数第二个轨迹点开始,在当前轨迹点(倒数第二个轨迹点)中,先选取距离当前轨迹点(倒数第二个轨迹点)位置最近的可切换基站,然后判断该位置最近的可切换基站是否能够覆盖当前轨迹点(倒数第二个轨迹点)之前所有预测移动轨迹中的轨迹点;
若能够覆盖,则进行可切换基站自身是否超载判断;若可切换基站自身超载,则继续遍历距离当前轨迹点(倒数第二个轨迹点)位置第二接近的可切换基站;若未超载,则将满足要求的可切换基站作为目标基站,进入步骤F47;
若不能够覆盖,则继续遍历下一个距离最近的可切换基站,进入步骤F45;
F45:服务基站选取距离当前轨迹点(倒数第二个轨迹点)位置第二接近的可切换基站,然后判断该位置第二接近的可切换基站是否能够覆盖当前轨迹点(倒数第二个轨迹点)之前所有预测移动轨迹中的轨迹点;
若能够覆盖,则进行可切换基站自身是否超载判断;若可切换基站自身超载,则继续遍历距离当前轨迹点(倒数第二个轨迹点)位置第三接近的可切换基站;若未超载,则将满足要求的可切换基站作为目标基站,进入步骤F47;
若不能够覆盖,则服务基站选取距离当前轨迹点(倒数第二个轨迹点)第三接近的可切换基站,然后判断该位置第三接近的可切换基站是否能够覆盖当前轨迹点(倒数第二个轨迹点)之前所有预测移动轨迹中的轨迹点;
按照上述在当前轨迹点下方法遍历所有可切换基站,若找到自身未超载且能够覆盖当前轨迹点(倒数第二个轨迹点)之前所有预测移动轨迹中的轨迹点的可切换基站,则作为目标基站并进入步骤F47;若找不到自身未超载且能够覆盖当前轨迹点(倒数第二个轨迹点)之前所有预测移动轨迹中的轨迹点的可切换基站,则进入步骤F46;
F46:按照步骤F41至步骤F45的方法,服务基站在当前轨迹点的基础上向前遍历轨迹点,并选取能够覆盖当前轨迹点之前所有预测移动轨迹中的轨迹点、自身未超载且距离当前轨迹点位置最近的可切换基站作为目标基站,进入步骤F47;
F47:将找到的目标基站作为最终的切换基站并进行切换。
在遍历过程中,若某个可切换基站在之前判断过程中确定自身已超载,则后续选取过程中不再对该可切换基站进行判定,以提高判断速度,避免重复判断;
考虑到当多个基站用户同时切换到目标基站而导致目标基站超载,为了进一步提高网络的鲁棒性,本发明中还增设有目标基站同时接收到多个切换请求时的处理方法。若目标基站未同时接收到多个切换请求时,则将该目标基站作为最终的切换基站并进行切换;若目标基站同时接收到多个切换请求时,目标基站判断自身同时接入多个基站用户后是否超载;若目标基站按照公式判断自身同时接入多个基站用户后并不超载,则将该目标基站作为最终的切换基站并进行切换;若目标基站按照公式判断自身同时接入多个基站用户后发生超载,则由目标基站对基站用户的优先级进行计算,然后按照基站用户的优先级由高到低的顺序优先切换前ρ个基站用户,ρ为优先级公式中计算出来的在目标基站不超载情况下的最大基站用户数量。
本发明中,步骤F47包括以下具体步骤:
步骤F471:在服务基站确定目标基站后,由服务基站向目标基站发送切换请求;
步骤F472:目标基站判断自身是否同时接收到多个切换请求,若接收到,则进入步骤F473;若未接收到,则进入步骤F474;
步骤F473:目标基站按照下述公式判断自身同时接入多个基站用户后是否超载;
其中,ε表示负载阀值的误差,可以有效避免因预测精度的准确度而导致的误差而导致基站过载,Q表示同时接入基站用户的总数。单个计算用户的负载可以忽略不计,但多个用户同时计算负载时,需要一个误差弹性值来避免过载。
若目标基站自身同时接入多个基站用户后并不超载,则进入步骤F474;
若目标基站自身同时接入多个基站用户后超载,则进入步骤F475;
步骤F474:将该目标基站作为最终的切换基站并进行切换;
步骤F475:目标基站对提出切换请求的多个基站用户分别进行优先级进行计算,然后按照各个基站用户的优先级由高到低的顺序优先切换前ρ个基站用户,ρ为通过优先级公式计算出来的在目标基站不超载情况下允许切入的最大基站用户数量。
优先级公式为:
α+β+τ=1
Claims (9)
1.一种基于用户移动行为预测的超密集网络切换方法,其特征在于:包括以下步骤:
A:定义设定区域内的基站数量和每个基站的覆盖范围,然后采集设定区域内的所有基站用户移动行为的轨迹数据,并对轨迹数据进行预处理,去除轨迹数据中的时间跨度超限数据、异常数据和离群数据,最终得到预处理后的轨迹数据集;
其中,时间跨度超限数据,是指采集相邻两个基站用户轨迹点位置的时间间隔超出时间跨度阈值的数据;异常数据,是指记录的基站用户移动行为的轨迹数据格式错误或位置定位错误的数据;离群数据,是指与用户轨迹移动区域距离超出距离阈值的轨迹点;基站用户移动行为的轨迹数据包括基站用户编号、基站用户轨迹点位置的经纬度坐标以及基站用户轨迹点位置的经纬度坐标所对应的时间信息;
B:将预处理后的轨迹数据集根据基站用户类型划分为基站新用户数据集和基站老用户数据集;
其中,基站新用户指进入设定区域次数小于M次的用户,基站老用户指进入设定区域次数不小于M次的用户;M为设定的基站新老用户区分阈值;
C:构建基于全连接层、卷积神经网络和长短时记忆神经网络的基站老用户轨迹预测模型;基站老用户轨迹预测模型依次包含第一全连接层、卷积层、长短时记忆网络层和第二全连接层;
第一全连接层将基站用户的轨迹数据即三维空间数据映射出高维的空间向量;三维空间数据分别为基站用户的轨迹点位置的经度、纬度和基站用户到达该轨迹点位置的时间信息;
卷积层将高维的空间向量输入到一维卷积神经网络进行特征的提取;
长短时记忆神经网络层计算从一维卷积神经网络层传递的基站用户的轨迹特征;长短时记忆神经网络具有遗忘门、输入门和输出门;
第二全连接层压缩长短时记忆神经网络的记忆单元的输出获得预测的轨迹;
所述的步骤C中,基站老用户轨迹预测模型的关键表达式如下:
gu=FC(Tr,u,W) (1);
it=σ(Wi·[ht-1,xt]+bi) (3);
ft=σ(Wf·[ht-1,xt]+bf) (4);
ot=σ(Wo·[ht-1,xt]+bo) (5);
其中,公式(1)为第一全连接层表达式;gu表示基站用户u的轨迹特征经过全连接层的高维向量,FC表示全连接层函数;Tr,u表示基站用户u的第r个轨迹序列,W表示全连接层的权重;
公式(2)为卷积神经网络层的特征提取公式;表示卷积神经网络层输出的第i个高维向量的第j个特征,σ表示激活函数,表示用户u轨迹的第j个特征的偏置,表示用户u轨迹的第j个特征的第e个权重,E表示用户u轨迹的权重的总数,是上一层的输出的高维向量;
公式(3)至(5)为长短时记忆神经网络的模型;it,ft和ot分别表示长短时记忆神经网络的输入门i、遗忘门f和输出门o,σ表示激活函数,Wi,Wf和Wo分别表示输入门i、遗忘门f和输出门o的权重,ht-1表示上一时刻t-1的隐藏信息,xt表示时刻t的数据,bi,bf和bo分别表示输入门i、遗忘门f和输出门o的偏置;
D:训练步骤C中得到的基站老用户轨迹预测模型,将所得到的概率最大的预测值作为预测模型的输出值,采用均方误差作为损失函数,并利用等间隔策略调整模型的学习率;最终得到训练后的基站老用户轨迹预测模型;
E:首先对设定区域进行网格化处理,然后按照时间顺序获取基站用户进入设定区域后所依次进入的关键网格的信息,然后利用得到的基站用户在网格化下关键移动模式分别计算基站老用户和基站新用户的网格化下关键移动模式,最后寻找到与待预测移动轨迹的基站新用户最相似的基站老用户的移动轨迹,作为基站新用户的预测移动轨迹;
F:当基站用户满足A2事件触发切换时,首先由该基站用户当前所连接的服务基站,根据该基站用户进入选定区域的次数判断该基站用户类型为基站新用户或是基站老用户,并利用步骤D中的基站老用户轨迹预测模型或步骤E中基站新用户的预测移动轨迹方法得到该基站用户的预测移动轨迹;然后,服务基站利用预测得到的该基站用户的预测移动轨迹,从可切换基站列表中选取能够覆盖当前轨迹点之前所有预测移动轨迹中的轨迹点、自身未超载且距离当前轨迹点位置最近的可切换基站作为目标基站;将找到的目标基站作为最终的切换基站并进行切换;
其中,A2事件即切换触发条件:Ms+Hys<THre;Ms为服务基站的服务质量,Hys为避免乒乓切换的迟滞参数,THre是触发切换的阈值;可切换基站指基站用户在该位置可接收到基站信号的基站。
2.根据权利要求1所述的基于用户移动行为预测的超密集网络切换方法,其特征在于,所述的步骤A中,预处理包括以下步骤:
首先,剔除轨迹数据中时间跨度超限数据、异常数据和离群数据,得到预处理后的轨迹数据集;
然后,根据基站用户编号、基站用户进入设定区域后的轨迹点位置的经纬度坐标以及基站用户轨迹点位置的经纬度坐标所对应的时间信息,得到第u个基站用户的第r个轨迹序列Tr,u;
Tr,u={(t0,g0),(t1,g1),(t2,g2),…,(tk,gk),…,(tn,gn);
最后,按照上述方法分别获取进入设定区域内的所有基站用户的所有轨迹序列,最终得到预处理后的轨迹数据集。
3.根据权利要求1所述的基于用户移动行为预测的超密集网络切换方法,其特征在于,所述的步骤E包括以下具体步骤:
E2:按照时间顺序获取第u个基站用户进入设定区域后所依次进入的关键网格的信息,得到第u个基站用户在网格化下关键移动模式Zu;
其中,在相邻的若干个进入网格的时间中,若第u个基站用户在某一个网格内有连续的轨迹点,则仅记录该基站用户进入该网格一次,且进入该网格的时间为相邻的若干个进入网格时间的中间时间;关键网格指第u个基站用户进入该网格的次数大于设定的进入次数阈值ω的网格;n为用户移动模式的长度;
E3:按照上述方法,分别得到每一个基站老用户以及每一个待预测移动轨迹的基站新用户的网格化下关键移动模式;
E4:将待预测移动轨迹的基站新用户,按照基于最大公子串的衡量关键模式的用户相似度计算公式,与所有基站老用户的网格化下关键移动模式进行计算,分别得到该待预测移动轨迹的基站新用户与每个基站老用户的移动轨迹相似度,并将相似度最高的基站老用户的移动轨迹作为待预测移动轨迹的基站新用户的预测移动轨迹;
基于最大公子串的衡量关键模式的用户相似度计算公式为:
4.根据权利要求1所述的基于用户移动行为预测的超密集网络切换方法,其特征在于,所述的步骤F包括以下具体步骤:
F1:服务基站判断基站用户是否满足A2事件并触发切换,若满足,则进入步骤F2;
F2:服务基站根据该基站用户进入选定区域的次数判断该基站用户类型为基站新用户或是基站老用户,并利用步骤D中的基站老用户轨迹预测模型或步骤E中基站新用户的预测移动轨迹方法得到该基站用户的预测移动轨迹;然后进入步骤F3;
F3:服务基站向相邻的基站发送测量信息,并接收相邻基站发送的移交质量报告,移交质量报表中包含相邻基站的位置坐标信息、覆盖范围信息及负载信息,服务基站根据移交质量报告中的位置信息和覆盖范围信息选取可切换基站并形成可切换基站列表{b1,b2,b3……bk},其中,b1,b2,b3……bk分别为可切换基站;可切换基站指基站用户在该位置可接收到基站信号的基站;然后进入步骤F4;
F4:服务基站利用预测得到的该基站用户的预测移动轨迹,从可切换基站列表中选取目标基站;在选取目标基站时,从预测移动轨迹中最后一个轨迹点向前遍历,在当前轨迹点中,选取同时满足以下条件的可切换基站作为目标基站:
a:覆盖当前轨迹点之前所有预测移动轨迹中的轨迹点;
b:该可切换基站自身未超载;
c:在同时满足条件a和条件b的前提下,距离当前轨迹点位置最近;
若当前轨迹点中所有可切换基站均不能同时满足上述条件,则按照上述方法从最后一个轨迹点向前遍历,直至找到满足条件的目标基站作为最终的切换基站并进行切换。
5.根据权利要求4所述的基于用户移动行为预测的超密集网络切换方法,其特征在于:所述的步骤F4包括以下具体步骤:
F41:服务基站首先从预测移动轨迹中最后一个轨迹点开始,在当前轨迹点中,先选取距离当前轨迹点位置最近的可切换基站,然后按照下述公式判断该位置最近的可切换基站是否能够覆盖当前轨迹点之前所有预测移动轨迹中的轨迹点;
dist(gpre,bi)<R;
其中,dist(gpre,bi)表示预测移动轨迹中的轨迹点gpre与基站bi的距离,xpre和ypre分别为预测移动轨迹中的轨迹点gpre的经度坐标和纬度坐标,和为基站bi的经度坐标和纬度坐标,R表示基站的覆盖范围;
若能够覆盖,则进行可切换基站自身是否超载判断,进入步骤F42;
若不能够覆盖,则继续遍历下一个距离最近的可切换基站,进入步骤F43;
F42:服务基站根据该可切换基站反馈的移交质量报告中的基站负载信息,通过下述公式判断该可切换基站自身是否超载:
load(bi)+load(ui)<θ;
其中,load(bi)表示基站bi的负载比,t表示测量基站负载的开始时间,δ表示持续的时间段,表示在时刻τ占用的资源块,是基站总共的物理资源块,load(bi)+load(ui)表示接入基站用户后的基站负载,load(ui)表示接入基站用户所占用的负载比,θ为设定的基站负载阈值;当基站负载超过该值时,则为超载;
若超载,则继续遍历距离当前轨迹点第二接近的可切换基站,进入步骤F43;若未超载,则将满足要求的可切换基站作为目标基站,进入步骤F47;
F43:服务基站选取距离当前轨迹点位置第二接近的可切换基站,然后判断该位置第二接近的可切换基站是否能够覆盖当前轨迹点之前所有预测移动轨迹中的轨迹点;
若能够覆盖,则按照步骤F42的方法进行可切换基站自身是否超载判断,若可切换基站自身超载,则继续遍历距离当前轨迹点第三接近的可切换基站;若未超载,则将满足要求的可切换基站作为目标基站,进入步骤F47;
若不能够覆盖,则服务基站选取距离当前轨迹点第三接近的可切换基站,然后判断该位置第三接近的可切换基站是否能够覆盖当前轨迹点之前所有预测移动轨迹中的轨迹点;
按照上述方法在当前轨迹点下遍历所有可切换基站,若找到自身未超载且能够覆盖当前轨迹点之前所有预测移动轨迹中的轨迹点的可切换基站,则作为目标基站并进入步骤F47;若找不到自身未超载且能够覆盖当前轨迹点之前所有预测移动轨迹中的轨迹点的可切换基站,则进入步骤F44;
F44:服务基站从预测移动轨迹中倒数第二个轨迹点开始,在当前轨迹点中,先选取距离当前轨迹点位置最近的可切换基站,然后判断该位置最近的可切换基站是否能够覆盖当前轨迹点之前所有预测移动轨迹中的轨迹点;
若能够覆盖,则进行可切换基站自身是否超载判断;若可切换基站自身超载,则继续遍历距离当前轨迹点位置第二接近的可切换基站;若未超载,则将满足要求的可切换基站作为目标基站,进入步骤F47;
若不能够覆盖,则继续遍历下一个距离最近的可切换基站,进入步骤F45;
F45:服务基站选取距离当前轨迹点位置第二接近的可切换基站,然后判断该位置第二接近的可切换基站是否能够覆盖当前轨迹点之前所有预测移动轨迹中的轨迹点;
若能够覆盖,则进行可切换基站自身是否超载判断;若可切换基站自身超载,则继续遍历距离当前轨迹点位置第三接近的可切换基站;若未超载,则将满足要求的可切换基站作为目标基站,进入步骤F47;
若不能够覆盖,则服务基站选取距离当前轨迹点第三接近的可切换基站,然后判断该位置第三接近的可切换基站是否能够覆盖当前轨迹点之前所有预测移动轨迹中的轨迹点;
按照上述在当前轨迹点下方法遍历所有可切换基站,若找到自身未超载且能够覆盖当前轨迹点之前所有预测移动轨迹中的轨迹点的可切换基站,则作为目标基站并进入步骤F47;若找不到自身未超载且能够覆盖当前轨迹点之前所有预测移动轨迹中的轨迹点的可切换基站,则进入步骤F46;
F46:按照步骤F41至步骤F45的方法,服务基站在当前轨迹点的基础上向前遍历轨迹点,并选取能够覆盖当前轨迹点之前所有预测移动轨迹中的轨迹点、自身未超载且距离当前轨迹点位置最近的可切换基站作为目标基站,进入步骤F47;
F47:将找到的目标基站作为最终的切换基站并进行切换。
6.根据权利要求5所述的基于用户移动行为预测的超密集网络切换方法,其特征在于,所述的步骤F47包括以下具体步骤:
F471:在服务基站确定目标基站后,由服务基站向目标基站发送切换请求;
F472:目标基站判断自身是否同时接收到多个切换请求,若接收到,则进入步骤F473;若未接收到,则进入步骤F474;
F473:目标基站按照下述公式判断自身同时接入多个基站用户后是否超载;若目标基站自身同时接入多个基站用户后并不超载,则进入步骤F474;若目标基站自身同时接入多个基站用户后超载,则进入步骤F475;
其中,ε表示负载阈值的误差,Q表示同时接入基站用户的总数;
步骤F474:将该目标基站作为最终的切换基站并进行切换;
步骤F475:目标基站对提出切换请求的多个基站用户分别进行优先级进行计算,然后按照各个基站用户的优先级由高到低的顺序优先切换前ρ个基站用户,ρ是通过优先级公式计算出来的在目标基站不超载情况下允许切入的最大基站用户数量;
优先级公式为:
α+β+τ=1;
7.根据权利要求5所述的基于用户移动行为预测的超密集网络切换方法,其特征在于,所述的步骤F41中:
在选取距离轨迹点gpre的距离最近的可切换基站bi时,按照下述公式进行计算:bi=argmin(dist(gpre,bi)),i=1,2,3,…k。
8.根据权利要求1所述的基于用户移动行为预测的超密集网络切换方法,其特征在于,所述的步骤D中:将基站老用户数据集中每个基站用户轨迹数据中采集时间段的前80%的轨迹数据集作为训练集,将该基站老用户剩下的20%的轨迹数据集作为测试集;训练时训练集中的数据打乱顺序为无序数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111236996.2A CN113993172B (zh) | 2021-10-24 | 2021-10-24 | 一种基于用户移动行为预测的超密集网络切换方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111236996.2A CN113993172B (zh) | 2021-10-24 | 2021-10-24 | 一种基于用户移动行为预测的超密集网络切换方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113993172A CN113993172A (zh) | 2022-01-28 |
CN113993172B true CN113993172B (zh) | 2022-10-25 |
Family
ID=79740669
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111236996.2A Active CN113993172B (zh) | 2021-10-24 | 2021-10-24 | 一种基于用户移动行为预测的超密集网络切换方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113993172B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115119278B (zh) * | 2022-05-19 | 2024-04-26 | 哈尔滨工业大学 | 面向用户需求考虑移动性的虚拟小区传输节点更新方法 |
CN115726660A (zh) * | 2022-10-31 | 2023-03-03 | 重庆长安汽车股份有限公司 | 一种车辆尾门控制方法、系统及车辆 |
CN117858132B (zh) * | 2024-03-07 | 2024-05-24 | 济南光路科技有限公司 | 一种基于云计算设备管理系统及方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105530677A (zh) * | 2015-12-04 | 2016-04-27 | 清华大学 | 一种基于用户定位的超密集组网虚拟小区切换方法 |
CN109447275A (zh) * | 2018-11-09 | 2019-03-08 | 西安邮电大学 | Udn中基于机器学习的切换算法 |
CN112004197A (zh) * | 2020-08-06 | 2020-11-27 | 重庆邮电大学 | 一种基于车辆轨迹预测的异构车联网切换方法 |
CN113068129A (zh) * | 2021-03-26 | 2021-07-02 | 中国工商银行股份有限公司 | 基于轨迹预测的异构网络低时延切换方法及装置 |
CN113409361A (zh) * | 2021-08-12 | 2021-09-17 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种多目标跟踪方法、装置、计算机及存储介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10797963B2 (en) * | 2018-09-07 | 2020-10-06 | Vmware, Inc. | Composition of custom key performance indicators for real-time analysis of network telemetry events |
CN109769280B (zh) * | 2019-03-29 | 2021-10-08 | 南京邮电大学 | 一种基于机器学习的wifi智能预测切换方法 |
-
2021
- 2021-10-24 CN CN202111236996.2A patent/CN113993172B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105530677A (zh) * | 2015-12-04 | 2016-04-27 | 清华大学 | 一种基于用户定位的超密集组网虚拟小区切换方法 |
CN109447275A (zh) * | 2018-11-09 | 2019-03-08 | 西安邮电大学 | Udn中基于机器学习的切换算法 |
CN112004197A (zh) * | 2020-08-06 | 2020-11-27 | 重庆邮电大学 | 一种基于车辆轨迹预测的异构车联网切换方法 |
CN113068129A (zh) * | 2021-03-26 | 2021-07-02 | 中国工商银行股份有限公司 | 基于轨迹预测的异构网络低时延切换方法及装置 |
CN113409361A (zh) * | 2021-08-12 | 2021-09-17 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种多目标跟踪方法、装置、计算机及存储介质 |
Non-Patent Citations (2)
Title |
---|
A reputation management scheme for efficient malicious vehicle identification over 5g networks;S. Su;《IEEE Wireless Communications》;20200612;全文 * |
无人机基站蜂窝网络下的部署方法及移动切换技术研究;杨翰章;《北京邮电大学硕士学位论文》;20190301;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113993172A (zh) | 2022-01-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113993172B (zh) | 一种基于用户移动行为预测的超密集网络切换方法 | |
CN111080029B (zh) | 基于多路段时空相关的城市交通路段速度预测方法及系统 | |
CN110033051B (zh) | 一种基于多步聚类的拖网渔船行为判别方法 | |
CN109640269B (zh) | 基于csi与时域融合算法的指纹定位方法 | |
CN114449452B (zh) | 一种基于CNN-RNN的Wi-Fi室内定位方法 | |
CN110149595B (zh) | 一种基于hmm的异构网络用户行为预测方法 | |
CN108134979B (zh) | 基于深度神经网络的小基站开关控制方法 | |
CN107018493A (zh) | 一种基于连续时序马尔科夫模型的地理位置预测方法 | |
CN112365708B (zh) | 基于多图卷积网络的景区交通量预测模型建立和预测方法 | |
CN102685766B (zh) | 一种基于局域最大最小概率机的无线网络流量预测方法 | |
CN110598917B (zh) | 一种基于路径轨迹的目的地预测方法、系统及存储介质 | |
CN114039870B (zh) | 基于深度学习的蜂窝网络中视频流应用实时带宽预测方法 | |
WO2019134549A1 (zh) | 基于深度学习的定位方法、装置、计算机设备及存储介质 | |
CN112907970A (zh) | 一种基于车辆排队长度变化率的可变车道转向控制方法 | |
Zhang et al. | Latency prediction for delay-sensitive v2x applications in mobile cloud/edge computing systems | |
CN114202120A (zh) | 一种针对多源异构数据的城市交通行程时间预测方法 | |
CN113298318A (zh) | 一种新型的配电变压器重过载预测方法 | |
CN110290466B (zh) | 楼层判别方法、装置、设备及计算机存储介质 | |
Gao et al. | Deep learning based location prediction with multiple features in communication network | |
CN111667694B (zh) | 一种基于改进dtw-knn的短时交通流预测方法 | |
CN110139331A (zh) | 基于5g网络的自适应切换触发策略实现方法 | |
CN111797979A (zh) | 基于lstm模型的振动传递系统 | |
CN114116692B (zh) | 一种基于mask和双向模型的缺失POI轨迹补全方法 | |
Zhang et al. | Prnet: Outdoor position recovery for heterogenous telco data by deep neural network | |
Li et al. | Exploiting Unlabeled RSSI Fingerprints in Multi-Building and Multi-Floor Indoor Localization through Deep Semi-Supervised Learning Based on Mean Teacher |
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 | ||
TR01 | Transfer of patent right |
Effective date of registration: 20230925 Address after: No. 8 Minhang Road, Jinshui District, Zhengzhou City, Henan Province, 450000 Patentee after: Henan Branch of national computer network and information security management center Address before: 475001 No.85, Minglun street, Shunhe Hui District, Kaifeng City, Henan Province Patentee before: Henan University |
|
TR01 | Transfer of patent right |