CN114938518B - 5g蜂窝网络混合带宽预测方法、装置、计算机设备和介质 - Google Patents

5g蜂窝网络混合带宽预测方法、装置、计算机设备和介质 Download PDF

Info

Publication number
CN114938518B
CN114938518B CN202210339724.3A CN202210339724A CN114938518B CN 114938518 B CN114938518 B CN 114938518B CN 202210339724 A CN202210339724 A CN 202210339724A CN 114938518 B CN114938518 B CN 114938518B
Authority
CN
China
Prior art keywords
base station
terminal
bandwidth
time sequence
switching window
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
Application number
CN202210339724.3A
Other languages
English (en)
Other versions
CN114938518A (zh
Inventor
董玮
景强
李书亮
高艺
戴麒斌
林宇翔
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
HONG KONG-ZHUHAI-MACAO BRIDGE AUTHORITY
Zhejiang University ZJU
Original Assignee
HONG KONG-ZHUHAI-MACAO BRIDGE AUTHORITY
Zhejiang University ZJU
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by HONG KONG-ZHUHAI-MACAO BRIDGE AUTHORITY, Zhejiang University ZJU filed Critical HONG KONG-ZHUHAI-MACAO BRIDGE AUTHORITY
Priority to CN202210339724.3A priority Critical patent/CN114938518B/zh
Publication of CN114938518A publication Critical patent/CN114938518A/zh
Application granted granted Critical
Publication of CN114938518B publication Critical patent/CN114938518B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/06—Testing, supervising or monitoring using simulated traffic
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/147—Network analysis or design for predicting network behaviour
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L43/00—Arrangements for monitoring or testing data switching networks
    • H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
    • H04L43/0876—Network utilisation, e.g. volume of load or congestion level
    • H04L43/0894—Packet rate
    • 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)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Environmental & Geological Engineering (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本申请涉及一种5G蜂窝网络混合带宽预测方法、装置、计算机设备和存储介质。本申请能够根据用户移动终端的历史状态自动判断用户移动终端在下一时刻是否处于基站切换窗口，并基于不同的状态选择不同的模型的预测终端下一时刻的5G带宽，提高了5G带宽预测的准确性。该方法包括：获取终端在使用过程中产生的历史时间序列；根据历史时间序列判断终端是否处于基站切换窗口；基于判断结果选择相应的预测模型，结合历史时间序列预测终端在下一时刻需要的5G带宽。

Description

5G蜂窝网络混合带宽预测方法、装置、计算机设备和介质
技术领域
本申请涉及移动通信技术领域，特别是涉及一种5G蜂窝网络混合带宽预测方法、装置、计算机设备和存储介质。
背景技术
在移动通信技术中，带宽是移动通信的核心资源。为了保证移动用户有足够的带宽资源，同时又要保证对基站投入的硬件资源不至于浪费，需要对各个基站或各个蜂窝小区的带宽资源进行预测，以实现合理的资源配置。
传统技术中，蜂窝网络短期带宽预测方法主要是利用基于时间序列的预测模型和基于机器学习的回归模型。前者将过去的蜂窝小区吞吐量作为模型输入来预测带宽，后者使用数据包往返时间(Round-Trip Time，RTT)、数据包丢失率、信号强度、信噪比、链路质量等终端设备信息训练得到带宽回归模型来预测带宽。
然而，目前的移动通信网络以5G技术为主，5G蜂窝网络所使用的无线电波的频率更高、波长更短，导致传输损耗大，所能覆盖的区域更小，因此5G基站分布更密，这会进一步导致用户在移动电话的使用过程中，基站连接切换频繁，网络波动明显，相应地，上述两种传统方法由于没有区分用户处于基站切换场景和基站未发生切换场景，导致预测的带宽不准确，尤其是在基站切换场景下，上述两种方法所使用的参数波动明显，预测更加不准确。
发明内容
基于此，有必要针对上述技术问题，提供一种5G蜂窝网络混合带宽预测方法、装置、计算机设备和存储介质。
一种5G蜂窝网络混合带宽预测方法，所述方法包括：
获取终端在使用过程中产生的历史时间序列；
根据所述历史时间序列判断所述终端是否处于基站切换窗口；
基于判断结果选择相应的预测模型，结合所述历史时间序列预测所述终端在下一时刻需要的5G带宽。
在其中一个实施例中，所述根据所述历史时间序列判断所述终端是否处于基站切换窗口，包括：
若根据所述历史时间序列预测到所述终端开始进入基站切换窗口，则通过增广迪基-福勒检验算法根据所述终端在所述基站切换窗口内产生的实际时间序列验证所述终端是否处于基站切换窗口，得到所述判断结果。
在其中一个实施例中，所述历史时间序列包括基站ID时间序列和所述终端的实际带宽时间序列；所述方法还包括：
从基站ID时间序列中获取上一时刻的基站ID与当前时刻的基站ID，若所述上一时刻的基站ID与所述当前时刻的基站ID不同，则预测所述终端从当前时刻开始进入基站切换窗口；
或者，
从所述终端的实际带宽时间序列中获取上一时刻的实际带宽，计算上一时刻的预测带宽与所述上一时刻的实际带宽之间的相对带宽预测误差；
若所述相对带宽预测误差大于预设阈值，则预测所述终端从当前时刻开始进入基站切换窗口。
在其中一个实施例中，所述基站切换窗口为从基站切换时刻开始向后推算的预设时间段；所述通过增广迪基-福勒检验算法根据所述终端在所述基站切换窗口内产生的实际时间序列验证所述终端是否处于基站切换窗口，包括：
若当前时刻与所述基站切换时刻的差值大于或者等于所述预设时间段，则通过增广迪基-福勒检验算法验证所述终端在所述当前时刻是否仍处于基站切换窗口。
在其中一个实施例中，所述相应的预测模型包括预先构建的随机森林模型；所述基于所述判断结果选择相应的预测模型，结合所述历史时间序列预测所述终端在下一时刻需要的5G带宽，包括：
若所述判断结果为所述终端处于基站切换窗口，则通过所述预先构建的随机森林模型，结合所述历史时间序列预测所述终端在下一时刻需要的5G带宽。
在其中一个实施例中，所述相应的预测模型包括预先构建的自回归滑动平均预测模型；所述基于所述判断结果选择相应的预测模型，结合所述历史时间序列预测所述终端在下一时刻需要的5G带宽，包括：
若所述判断结果为所述终端处于基站未切换窗口，则通过所述预先构建的自回归滑动平均预测模型，结合所述历史时间序列预测所述终端在下一时刻需要的5G带宽。
在其中一个实施例中，所述历史时间序列包括终端的实际带宽时间序列、基站ID时间序列、底层网络特征向量时间序列。
一种5G蜂窝网络混合带宽预测装置，所述装置包括：
时间序列获取模块，用于获取终端在使用过程的中产生的历史时间序列；
基站切换窗口判断模块，用于根据所述历史时间序列判断所述终端是否处于基站切换窗口；
5G带宽预测模块，用于基于判断结果选择相应的预测模型，结合所述历史时间序列预测所述终端在下一时刻需要的5G带宽。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述5G蜂窝网络混合带宽预测方法实施例中的各步骤。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述5G蜂窝网络混合带宽预测方法实施例中的各步骤。
上述5G蜂窝网络混合带宽预测方法、装置、计算机设备和存储介质，获取终端在使用过程中产生的历史时间序列；根据历史时间序列判断终端是否处于基站切换窗口；基于判断结果选择相应的预测模型，结合历史时间序列预测终端在下一时刻需要的5G带宽。本申请能够根据用户移动终端的历史状态判断用户移动终端在下一时刻是否处于基站切换窗口，并基于不同的状态选择不同的模型的预测终端下一时刻的5G带宽，提高了5G带宽预测的准确性。
附图说明
图1为一个实施例中5G蜂窝网络混合带宽预测方法的应用环境图；
图2为一个实施例中5G蜂窝网络混合带宽预测方法的流程示意图；
图3为一个实施例中5G蜂窝网络混合带宽预测方法的流程示意图；
图4为一个实施例中5G蜂窝网络混合带宽预测装置的结构框图；
图5为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请提供的5G蜂窝网络混合带宽预测方法，可以应用于如图1所示的应用环境中。其中，终端101通过5G网络与基站102进行通信，基站102可通过网络与基站控制器103进行通信，其中，终端101可以但不限于是各种能够接入5G网络的移动终端，例如智能手机、智能可穿戴设备等，基站控制器103可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中，如图2所示，提供了一种5G蜂窝网络混合带宽预测方法，以该方法应用于图1中的基站控制器103为例进行说明，包括以下步骤：
步骤S201，获取终端在使用过程中产生的历史时间序列；
其中，终端是指用户移动终端，例如智能手机。用户在使用过程中，终端需要与5G基站保持连接状态。当用户从A区域移动到B区域时，终端所连接的5G基站可能也会发生变化，例如在A区域时连接A基站，在B区域时连接B基站，在A区域与B区域相邻交界处，终端会处于基站切换窗口，此时由于各种连接指令、控制指令发生变化，往往会导致通信质量不佳。历史时间序列是指终端在过去预设时间范围内与基站之间传输的各种通信数据包，包括终端的实际带宽时间序列、基站ID时间序列、底层网络特征向量时间序列。由基站控制器103从通信数据包中采集每一帧数据，从中取出需要的信息，组成历史时间序列。例如终端在采集时间内连接的所有5G基站ID时间序列ID＝{ID0,ID1,...,IDt-1,...}，式中，IDt-1表示在t-1时刻该终端所连接的5G基站的ID(Identity document，身份标识)，每一个ID用于唯一标识一个5G基站。例如，在0-1秒内，终端所连接的基站ID为001，在1-2秒内终端所连接的基站切换到ID为002的基站。相应地，在采集时间内终端在每一时刻对应的实际带宽构成一组实际带宽时间序列B＝{B0,B1,...,Bt-1,...}，其中，Bt-1表示在t-1时刻终端的实际带宽值。底层网络特征向量时间序列I＝{I0,I1,...,It-1,...}，式中It-1表示在t-1时刻的底层网络特征向量，每个底层网络特征向量主要包含物理信息、设备上层(网络层)信息和设备下层(物理层和数据链路层)信息。物理信息包括系统时间、GPS、终端设备物理移动速度。设备上层信息包括5G服务状态、网络接口和地址、上传和下载吞吐量、丢包率、数据包往返时间(Round-Trip Time，RTT)和RTT方差值；设备下层信息包括信道带宽上的参考信号绝对接收功率RSRP(Reference Signal Receiving Power，参考信号接收功率)、参考信号接收质量RSRQ(Reference Signal Receiving Quality)和接收信号的强度指示SINR(Signal toInterference plus Noise Ratio，信号与干扰加噪声比)。上述同一时隙对应的多个变量组合成一帧底层网络特征向量。
具体地，基站控制器103从基站与终端之间传输的数据包中提取预设时间的数据包，从中提取上述相关数据构成该终端的历史时间序列。
步骤S202，根据历史时间序列判断终端是否处于基站切换窗口。
具体地，上述历史时间序列还包括当前时刻对应的相关信息。
(1)若当前时刻t终端连接的基站IDt与上一时刻t-1连接的基站IDt-1不同，或者上一时刻t-1的相对带宽预测误差大于预设阈值THe，考虑该终端开始进入基站切换状态(也称为基站切换窗口)。其中，/>为t-1时刻的带宽预测值；Bt-1为t-1时刻的实际带宽值。
(2)上述基站切换窗口是一个预设的时间段，在判断终端开始进入该预设的时间段后，在该时间段内采用增广迪基-福勒检验(Augmented Dickey-Fuller test)算法验证在该时间段内的实时时间序列的平稳性，并依此判断终端是否依然处于上述预设的时间段(即基站切换窗口)内。
步骤S203，基于判断结果选择相应的预测模型，结合上述历史时间序列预测终端在下一时刻需要的5G带宽。
具体地，本申请采用两种预测模型来预测终端在下一时刻需要的5G带宽。若终端在当前时刻处于基站切换窗口，则采用预先构建的随机森林模型预测下一时刻的5G带宽。若终端在当前时刻处于基站未切换窗口，则采用预先构建的自回归滑动平均预测模型来预测下一时刻的5G带宽。
上述实施例能够根据用户移动终端的历史状态判断用户移动终端在下一时刻是否处于基站切换窗口，并基于不同的状态选择不同的模型的预测终端下一时刻的5G带宽，提高了5G带宽预测的准确性。
在一实施例中，上述步骤S202，包括：若根据历史时间序列预测到终端开始进入基站切换窗口，则通过增广迪基-福勒检验算法根据终端在基站切换窗口内产生的实际时间序列验证终端是否处于基站切换窗口，得到判断结果。
其中，增广迪基-福勒检验算法(Augmented Dickey-Fuller test，简称ADF检验)可用于判断数据的平稳性，若数据平稳，可判断终端不处于基站切换窗口，若数据不平稳，则可判断终端仍处于基站切换窗口。
上述实施例，通过判断时间序列的平稳性进而判断终端是否处于基站切换窗口，为后续使用何种模型来预测下一时刻的5G带宽提供准确的判断依据。
在一实施例中，上述历史时间序列包括基站ID时间序列和所述终端的实际带宽时间序列。该方法还包括：从基站ID时间序列中获取上一时刻的基站ID与当前时刻的基站ID，若上一时刻的基站ID与当前时刻的基站ID不同，则预测终端从当前时刻开始进入基站切换窗口；或者，从终端的实际带宽时间序列中获取上一时刻的实际带宽，计算上一时刻的预测带宽与上一时刻的实际带宽之间的相对带宽预测误差；若相对带宽预测误差大于预设阈值，则预测终端从当前时刻开始进入基站切换窗口。
具体地，若当前时刻t终端连接的基站IDt与上一时刻t-1连接的基站IDt-1不同，或者上一时刻t-1的相对带宽预测误差大于预设阈值THe，考虑该终端开始进入基站切换状态(也称为基站切换窗口)。其中，/>为t-1时刻的带宽预测值；Bt-1为t-1时刻的实际带宽值。
上述实施例，通过终端所连接的基站ID的变化或者预测带宽相对误差来判断终端在当前时刻是否开始进入基站切换窗口，为后续使用迪基福勒检验算法判断数据平稳性提供铺垫。
在一实施例中，上述基站切换窗口为基站切换窗口为从基站切换时刻开始向后推算的预设时间段；上述通过增广迪基-福勒检验算法根据终端在基站切换窗口内产生的实际时间序列验证终端是否处于基站切换窗口，包括：若当前时刻与所述基站切换时刻的差值大于或者等于所述预设时间段，则通过增广迪基-福勒检验算法验证所述终端在所述当前时刻是否仍处于基站切换窗口。
具体地，若当前时刻t终端连接的基站IDt与上一时刻t-1连接的基站IDt-1不同，或者上一时刻t-1的相对带宽预测误差大于预设阈值THe，考虑该终端开始进入基站切换状态(也称为基站切换窗口)。将此时刻t作为基准时刻，并将从当前时刻t开始至后续的t+Smin时刻设为基站切换窗口(预设的基站切换窗口)。Smin可设定为5个时刻(或称为5个时隙)。一般认为，进入基站切换窗口后，终端的带宽时序开始不平稳。
当用户手持终端继续移动，若当前时刻已经超出上述预设的基站切换窗口，也就是说，若当前时刻与带宽时序开始不平稳的时刻(即认为是发生基站切换的时刻)的差值大于或者等于Smin，则需要开始判断终端的时间序列是否已经平稳，以此验证终端是否确实已经离开了预设的基站切换窗口。
使用增广迪基-福勒检验(Augmented Dickey-Fuller test)量化时间序列的平稳性。通过将带宽时序开始不平稳的时刻到上一时刻的实际带宽值代入置信度最大为1％的增广迪基-福勒检验算法中进行检验。若增广迪基-福勒检验存在单位根，则判定带宽时序仍不平稳，也就意味着，当前时刻仍处于基站切换窗口中。若增广迪基-福勒检验不存在单位根，则判定带宽时序已经平稳，也就意味着，当前时刻终端已经不处于基站切换窗口。
上述实施例，通过增广迪基-福勒检验算法判断终端的时间序列是否存在单位根来判断终端是否处于预设的基站切换窗口，以便后续针对不同的状态采用不同的模型预测5G带宽。
在一实施例中，如图3所示，图3展示了另一5G蜂窝网络混合带宽预测方法的流程示意图。上述相应的预测模型包括预先构建的随机森林模型，上述步骤S203，包括：若判断结果为所述终端处于基站切换窗口，则通过预先构建的随机森林模型，结合历史时间序列预测所述终端在下一时刻需要的5G带宽。
具体地，在基站切换窗口中，由于终端的时间序列不平稳，因此采用随机森林模型进行预测。相应地，采集多个终端在实际的基站切换窗口中的时间序列以及实际的5G带宽序列作为训练样本，对随机森林模型进行训练，得到预先构建的随机森林模型。
上述实施例，通过使用预先构建的随机森林模型对处于基站切换窗口中的终端进行预测，进一步提高了5G带宽预测的准确性。
在一实施例中，上述相应的预测模型包括预先构建的自回归滑动平均预测模型。上述步骤S203，包括：若上述判断结果为终端处于基站未切换窗口，则通过预先构建的自回归滑动平均预测模型，结合历史时间序列预测该终端在下一时刻需要的5G带宽。
具体地，采用实时更新的自回归滑动平均预测模型(AutoRegressive MovingAverage)来预测5G带宽，包括以下步骤：
1)采用从基站切换时刻到脱离基站切换窗口的最后一帧时刻的真实带宽值来训练自回归滑动平均预测模型的两个关键参数：自回归项p和移动平均项q，这两个参数分别刻画了时间序列的自相关性和偏相关性；
2)在当下的每一时刻，采用训练获得的滑动平均预测模型自回归项p和移动平均项q和上一帧真实宽带值不断更新的此自回归滑动平均预测模型；
3)采用更新后的实时训练更新的自回归滑动平均预测模型预测新一帧下一时刻的5G带宽。
上述实施例，通过在终端离开基站切换窗口后，采用预先构建的自回归滑动平均预测模型来预测下一时刻的5G带宽，进一步提高了带宽预测准确性。
进一步地，本申请提供了基于时间序列的自回归滑动平均预测模型(ARMA)和随机森林回归模型(RF)切换时用的混合带宽预测方法，通过周期性采集终端设备带宽使用情况、设备底层网路特征、连接基站等信息，判断设备带宽状态，若设备状态处于基站切换窗口，采用随机森林回归模型预测带宽；若设备状态不处于基站切换窗口，采用实时训练更新的自回归滑动平均预测模型预测带宽。通过这种方法可以在各种状态下提供精确的5G网络带宽预测，并且不会带来太多的计算开销。同时，本申请采用了基站切换自适应算法，能够自动判断终端处于基站切换窗口还是未处于基站切换窗口，使得带宽计算更智能化。
应该理解的是，虽然图2-3的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-3中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图4所示，提供了一种5G蜂窝网络混合带宽预测装置400，包括：时间序列获取模块401、基站切换窗口判断模块402和5G带宽预测模块403，其中：
时间序列获取模块401，用于获取终端在使用过程的中产生的历史时间序列；
基站切换窗口判断模块402，用于根据所述历史时间序列判断所述终端是否处于基站切换窗口；
5G带宽预测模块403，用于基于判断结果选择相应的预测模型，结合所述历史时间序列预测所述终端在下一时刻需要的5G带宽。
在一实施例中，上述基站切换窗口判断模块402，进一步用于：若根据所述历史时间序列预测到所述终端开始进入基站切换窗口，则通过增广迪基-福勒检验算法根据所述终端在所述基站切换窗口内产生的实际时间序列验证所述终端是否处于基站切换窗口，得到所述判断结果。
在一实施例中，所述历史时间序列包括基站ID时间序列和所述终端的实际带宽时间序列；上述基站切换窗口判断模块402，进一步用于：从基站ID时间序列中获取上一时刻的基站ID与当前时刻的基站ID，若所述上一时刻的基站ID与所述当前时刻的基站ID不同，则预测所述终端从当前时刻开始进入基站切换窗口；
或者，
从所述终端的实际带宽时间序列中获取上一时刻的实际带宽，计算上一时刻的预测带宽与所述上一时刻的实际带宽之间的相对带宽预测误差；若所述相对带宽预测误差大于预设阈值，则预测所述终端从当前时刻开始进入基站切换窗口。
在一实施例中，所述基站切换窗口为从基站切换时刻开始向后推算的预设时间段，上述基站切换窗口判断模块402，进一步用于：若当前时刻与所述基站切换时刻的差值大于或者等于所述预设时间段，则通过增广迪基-福勒检验算法验证所述终端在所述当前时刻是否仍处于基站切换窗口。
在一实施例中，所述相应的预测模型包括预先构建的随机森林模型；上述5G带宽预测模块403，进一步用于：若所述判断结果为所述终端处于基站切换窗口，则通过所述预先构建的随机森林模型，结合所述历史时间序列预测所述终端在下一时刻需要的5G带宽。
在一实施例中，所述相应的预测模型包括预先构建的自回归滑动平均预测模型；上述5G带宽预测模块403，进一步用于：若所述判断结果为所述终端处于基站未切换窗口，则通过所述预先构建的自回归滑动平均预测模型，结合所述历史时间序列预测所述终端在下一时刻需要的5G带宽。
在一实施例中，所述历史时间序列包括终端的实际带宽时间序列、基站ID时间序列、底层网络特征向量时间序列。
关于5G蜂窝网络混合带宽预测装置的具体限定可以参见上文中对于5G蜂窝网络混合带宽预测方法的限定，在此不再赘述。上述5G蜂窝网络混合带宽预测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图5所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储基站与终端之间通信的时间序列。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种5G蜂窝网络混合带宽预测方法。
本领域技术人员可以理解，图5中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述5G蜂窝网络混合带宽预测方法实施例中的各步骤。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时上述5G蜂窝网络混合带宽预测方法实施例中的各步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(RandomAccess Memory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic Random Access Memory，DRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种5G蜂窝网络混合带宽预测方法，其特征在于，所述方法包括：
获取终端在使用过程中产生的历史时间序列；所述历史时间序列包括终端的实际带宽时间序列、基站ID时间序列、底层网络特征向量时间序列；
根据所述历史时间序列判断所述终端是否处于基站切换窗口，包括：若根据所述历史时间序列预测到所述终端开始进入基站切换窗口，则通过增广迪基-福勒检验算法根据所述终端在所述基站切换窗口内产生的实际时间序列验证所述终端是否处于基站切换窗口，得到所述判断结果；
基于判断结果选择相应的预测模型，结合所述历史时间序列预测所述终端在下一时刻需要的5G带宽；所述相应的预测模型包括预先构建的随机森林模型和预先构建的自回归滑动平均预测模型，包括：若所述判断结果表示所述终端在当前时刻处于所述基站切换窗口，则采用所述预先构建的随机森林模型，结合所述历史时间序列预测所述下一时刻的5G带宽；若所述判断结果表示所述终端在所述当前时刻处于基站未切换窗口，则采用所述预先构建的自回归滑动平均预测模型，结合所述历史时间序列预测所述下一时刻的5G带宽。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
从基站ID时间序列中获取上一时刻的基站ID与当前时刻的基站ID，若所述上一时刻的基站ID与所述当前时刻的基站ID不同，则预测所述终端从当前时刻开始进入基站切换窗口；
或者，
从所述终端的实际带宽时间序列中获取上一时刻的实际带宽，计算上一时刻的预测带宽与所述上一时刻的实际带宽之间的相对带宽预测误差；
若所述相对带宽预测误差大于预设阈值，则预测所述终端从当前时刻开始进入基站切换窗口。
3.根据权利要求1所述的方法，其特征在于，所述基站切换窗口为从基站切换时刻开始向后推算的预设时间段；所述通过增广迪基-福勒检验算法根据所述终端在所述基站切换窗口内产生的实际时间序列验证所述终端是否处于基站切换窗口，包括：
若当前时刻与所述基站切换时刻的差值大于或者等于所述预设时间段，则通过增广迪基-福勒检验算法验证所述终端在所述当前时刻是否仍处于基站切换窗口。
4.根据权利要求1所述的方法，其特征在于，所述终端与5G基站保持连接状态。
5.根据权利要求1所述的方法，其特征在于，所述终端为用户移动终端。
6.一种5G蜂窝网络混合带宽预测装置，其特征在于，所述装置包括：
时间序列获取模块，用于获取终端在使用过程的中产生的历史时间序列；所述历史时间序列包括终端的实际带宽时间序列、基站ID时间序列、底层网络特征向量时间序列；
基站切换窗口判断模块，用于根据所述历史时间序列判断所述终端是否处于基站切换窗口，包括：若根据所述历史时间序列预测到所述终端开始进入基站切换窗口，则通过增广迪基-福勒检验算法根据所述终端在所述基站切换窗口内产生的实际时间序列验证所述终端是否处于基站切换窗口，得到所述判断结果；
5G带宽预测模块，用于基于判断结果选择相应的预测模型，结合所述历史时间序列预测所述终端在下一时刻需要的5G带宽；所述相应的预测模型包括预先构建的随机森林模型和预先构建的自回归滑动平均预测模型，包括：若所述判断结果表示所述终端在当前时刻处于所述基站切换窗口，则采用所述预先构建的随机森林模型，结合所述历史时间序列预测所述下一时刻的5G带宽；若所述判断结果表示所述终端在所述当前时刻处于基站未切换窗口，则采用所述预先构建的自回归滑动平均预测模型，结合所述历史时间序列预测所述下一时刻的5G带宽。
7.根据权利要求6所述的装置，其特征在于，所述基站切换窗口判断模块，进一步用于：从基站ID时间序列中获取上一时刻的基站ID与当前时刻的基站ID，若所述上一时刻的基站ID与所述当前时刻的基站ID不同，则预测所述终端从当前时刻开始进入基站切换窗口；
或者，
从所述终端的实际带宽时间序列中获取上一时刻的实际带宽，计算上一时刻的预测带宽与所述上一时刻的实际带宽之间的相对带宽预测误差；若所述相对带宽预测误差大于预设阈值，则预测所述终端从当前时刻开始进入基站切换窗口。
8.根据权利要求6所述的装置，其特征在于，所述基站切换窗口为从基站切换时刻开始向后推算的预设时间段，所述基站切换窗口判断模块，进一步用于：若当前时刻与所述基站切换时刻的差值大于或者等于所述预设时间段，则通过增广迪基-福勒检验算法验证所述终端在所述当前时刻是否仍处于基站切换窗口。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至5中任一项所述的方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至5中任一项所述的方法的步骤。
CN202210339724.3A 2022-04-01 2022-04-01 5g蜂窝网络混合带宽预测方法、装置、计算机设备和介质 Active CN114938518B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210339724.3A CN114938518B (zh) 2022-04-01 2022-04-01 5g蜂窝网络混合带宽预测方法、装置、计算机设备和介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210339724.3A CN114938518B (zh) 2022-04-01 2022-04-01 5g蜂窝网络混合带宽预测方法、装置、计算机设备和介质

Publications (2)

Publication Number Publication Date
CN114938518A CN114938518A (zh) 2022-08-23
CN114938518B true CN114938518B (zh) 2024-04-16

Family

ID=82863214

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210339724.3A Active CN114938518B (zh) 2022-04-01 2022-04-01 5g蜂窝网络混合带宽预测方法、装置、计算机设备和介质

Country Status (1)

Country Link
CN (1) CN114938518B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109495935A (zh) * 2017-09-12 2019-03-19 中国移动通信有限公司研究院 一种切换方法、基站及用户终端
CN113329413A (zh) * 2021-04-15 2021-08-31 清华大学 用于高铁场景的多路径传输数据预调度方法及系统
CN114189833A (zh) * 2021-12-08 2022-03-15 中国联合网络通信集团有限公司 网络切换方法、装置及存储介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020181419A1 (en) * 2001-06-01 2002-12-05 Tao Zhang Method for handoff in multimedia wireless networks

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109495935A (zh) * 2017-09-12 2019-03-19 中国移动通信有限公司研究院 一种切换方法、基站及用户终端
CN113329413A (zh) * 2021-04-15 2021-08-31 清华大学 用于高铁场景的多路径传输数据预调度方法及系统
CN114189833A (zh) * 2021-12-08 2022-03-15 中国联合网络通信集团有限公司 网络切换方法、装置及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于随机森林的带宽预测算法研究与实现;王烽;李泽平;林川;王忠德;黄初华;;计算机工程与设计(第07期);全文 *

Also Published As

Publication number Publication date
CN114938518A (zh) 2022-08-23

Similar Documents

Publication Publication Date Title
CN109195170B (zh) 小区扩容方法、装置及存储介质
KR101852736B1 (ko) 셀 클러스터링을 위한 방법 및 기지국
Yang et al. Deep reinforcement learning based wireless network optimization: A comparative study
CN111200821B (zh) 一种容量规划方法及装置
JP2009213093A (ja) 無線制御装置及び無線通信装置
CN114521012A (zh) 定位方法、装置、终端设备、基站及位置管理服务器
CN113660687B (zh) 网络差小区处理方法、装置、设备及存储介质
CN103686895B (zh) 切换控制方法、无线网络控制器和接入节点
CN112996067B (zh) 服务小区确定方法、装置及存储介质
CN112423324B (zh) 无线智能决策通信方法、装置和系统
Balapuwaduge et al. Hidden Markov model based machine learning for mMTC device cell association in 5G networks
CN103561103A (zh) 业务迁移的控制方法和装置
CN114938518B (zh) 5g蜂窝网络混合带宽预测方法、装置、计算机设备和介质
EP2930617A1 (en) Resource management method and device
CN114745289A (zh) 网络性能数据的预测方法、装置、存储介质及设备
CN112867081B (zh) Rrc状态切换方法、装置、介质和基站
EP4150861B1 (en) Determining cell upgrade
CN113840313B (zh) 移动终端的网络模式控制方法、装置和计算机设备
CN115484631A (zh) 通信方法、装置及存储介质
CN112153679A (zh) 一种转网方法及装置
Wenning Cellular interface selection in multi-homed vehicular onboard gateways
CN113708861B (zh) 一种ue基带合并预测方法、系统、设备及存储介质
WO2024007720A1 (zh) 终端设备的切换方法、基站、电子设备及存储介质
CN113015224B (zh) 小区重选方法及装置、终端设备及存储介质
WO2017071282A1 (zh) 一种实现移动性管理的方法及网元

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