CN115190493A - 一种基于硬核距离与动态付费机制的网络基站部署优化方法、系统、装置及存储介质 - Google Patents
一种基于硬核距离与动态付费机制的网络基站部署优化方法、系统、装置及存储介质 Download PDFInfo
- Publication number
- CN115190493A CN115190493A CN202210794108.7A CN202210794108A CN115190493A CN 115190493 A CN115190493 A CN 115190493A CN 202210794108 A CN202210794108 A CN 202210794108A CN 115190493 A CN115190493 A CN 115190493A
- Authority
- CN
- China
- Prior art keywords
- cell
- base station
- user
- interference
- cell interference
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 83
- 230000007246 mechanism Effects 0.000 title claims abstract description 40
- 238000005457 optimization Methods 0.000 title claims abstract description 27
- 238000003860 storage Methods 0.000 title claims description 17
- 238000004891 communication Methods 0.000 claims abstract description 71
- 239000002245 particle Substances 0.000 claims abstract description 64
- 230000008569 process Effects 0.000 claims abstract description 40
- 238000009826 distribution Methods 0.000 claims abstract description 24
- 238000004364 calculation method Methods 0.000 claims description 26
- 238000004422 calculation algorithm Methods 0.000 claims description 20
- 230000014759 maintenance of location Effects 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 11
- 241000272814 Anser sp. Species 0.000 claims description 6
- 230000023402 cell communication Effects 0.000 claims description 3
- 150000001875 compounds Chemical class 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 238000005562 fading Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 7
- 238000011161 development Methods 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 21
- 241000272517 Anseriformes Species 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 4
- 230000006872 improvement Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 230000005284 excitation Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 208000009146 rhinoscleroma Diseases 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- 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
- H04W16/18—Network planning tools
-
- 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
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/24—Accounting or billing
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种基于硬核距离与动态付费机制的网络基站部署优化方法，方法包括：获取多小区通信网络模型，所述多小区通信网络模型包括符合HCPP过程的基站位置分布以及符合PPP过程的用户位置分布；根据多小区通信网络模型，计算用户的小区内干扰和小区间干扰；根据用户的小区内干扰和小区间干扰，计算系统服务覆盖概率；根据系统服务覆盖概率和动态付费机制，对网络基站部署进行优化。通过将基站位置分布建模为HCPP过程，考虑动态用户付费策略，采用改进粒子群算法优化基站部署，在降低多小区基站的通信干扰同时，还能针对用户的实际需求，降低用户的通信付费，不仅能提高系统利用率，且顺应新一代无线通信技术中以用户为中心的发展理念。
Description
技术领域
本发明涉及一种基于硬核距离与动态付费机制的网络基站部署优化方法、系统、装置及存储介质，属于通信系统分析技术领域。
背景技术
随着通信基础设施的建设，基站的部署规划在提高网络覆盖性能方面起重要作用，基于随机几何的小区基站部署优化是实际通信工程项目规划的基础。在实际的通信系统中，为减轻干扰或扩大覆盖区域，需要选择发射机的位置，此时相邻发射机之间出现排斥现象。
但是在通信基础设施的实际建设中，已经有了很多方法对于基站分布进行不断的优化，但这些方法仅能实现减少基站之间的干扰，面对通信领域的服务客体来说，用户的参与是部署系统时更深层次的关注点，这是任何技术应用于实际工程项目中的关键要求，在通信这一面向消费者的领域更是如此，要求基站的部署必须在减少基站之间干扰的同时，有效降低通信付费，才能真正符合用户的需求，然而现有技术中并没有能够同时满足这两点需求的技术。
发明内容
本发明的目的在于克服现有技术中的不足，提供一种基于硬核距离与动态付费机制的网络基站部署优化方法、系统、装置及存储介质，通过将基站位置分布建模为HCPP过程，考虑动态用户付费策略，采用改进粒子群算法优化基站部署，分析硬核参数与最优基站密度的关系。
为达到上述目的，本发明是采用下述技术方案实现的：
第一方面，本发明提供了一种基于硬核距离与动态付费机制的网络基站部署优化方法，包括：
获取多小区通信网络模型，所述多小区通信网络模型包括符合HCPP过程的基站位置分布以及符合PPP过程的用户位置分布；
根据多小区通信网络模型，计算用户的小区内干扰和小区间干扰；
根据用户的小区内干扰和小区间干扰，计算系统服务覆盖概率；
根据系统服务覆盖概率和动态付费机制，对网络基站部署进行优化。
进一步的，所述根据多小区通信网络模型，计算用户的小区内干扰和小区间干扰；具体包括：
根据多小区通信网络模型，筛选出符合硬核点过程的保留概率的用户，所述保留概率为两个基站点之间的直线距离大于预设距离的概率，计算公式为：
式中，d为两个基站点之间的直线距离大于预设距离的长度值；Pr(d)为硬核点过程的保留概率；q为修正因子；λb为基站密度；
根据符合硬核点过程的保留概率的用户，通过拉普拉斯变换分别计算小区内干扰和小区间干扰；
小区内干扰的拉普拉斯变换计算公式为：
式中，γ为用户成功接入基站的信干比阈值；dllk为第l个小区第k个用户与第l个小区的基站的直线距离；α为路径损耗因子；λu为小区内用户密度；sin c()为辛格函数；
小区间干扰的拉普拉斯变换计算公式为：
式中，简化参数时，令
A为随机变量
的
阶矩；Hk表示信道小尺度衰落的平方；
为每个小区用户数的均值；R为小区服务半径。
进一步的，所述根据用户的小区内干扰和小区间干扰，计算系统服务覆盖概率；具体包括：
以用户成功接入基站的信干比阈值γ作为是否受到覆盖的标准，结合泊松簇过程的概率母泛函，代入小区内干扰的拉普拉斯函数以及小区间干扰的拉普拉斯函数，计算系统服务覆盖概率，计算公式为：
式中，
表示求期望运算，将
及
代入上式，系统服务覆盖概率为：
其中
△为由系统参数决定的参量。
进一步的，所述动态付费机制包括服务提供者根据小区负载情况给出单个用户的上行通信价格；
当负载较高时，服务提供者给出较高的单个用户的上行通信价格；
当负载较低时，服务提供者将降低用户与基站的单个用户的上行通信价格；
所述动态付费机制采用双曲线增长函数模型，计算公式为：
式中，z为单个用户的上行通信价格；p0为用户与基站的初始接入价格；θ为小区负载阈值，n为控制斜率的恒正参数，m为小区通信负载。
进一步的，所述根据系统服务覆盖概率和动态付费机制，对网络基站部署进行优化；具体包括：
根据系统服务覆盖概率和动态付费机制，建立优化函数模型，计算公式为：
式中，sc为系统区域半径；B为系统带宽；
为发生通信中断事件的惩罚系数；a和b为函数模型分别需要满足的参数条件；
根据大雁飞行特点的粒子群算法，计算最低付费情况下的基站密度，并根据基站密度对基站进行部署，完成网络基站的部署优化。
第二方面，本发明提供了一种基于硬核距离与动态付费机制的网络基站部署优化系统，包括：
模型获取模块：用于获取多小区通信网络模型，所述多小区通信网络模型包括符合HCPP过程的基站位置分布以及符合PPP过程的用户位置分布；
小区干扰计算模块：用于根据多小区通信网络模型，计算用户的小区内干扰和小区间干扰；
覆盖概率计算模块：用于根据用户的小区内干扰和小区间干扰，计算系统服务覆盖概率；
优化模块：用于根据系统服务覆盖概率和动态付费机制，对网络基站部署进行优化。
第三方面，一种基于硬核距离与动态付费机制的网络基站部署优化装置，包括处理器及存储介质；
所述存储介质用于存储指令；
所述处理器用于根据所述指令进行操作以执行根据上述任一项所述方法的步骤。
第四方面，计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述任一项所述方法的步骤。
与现有技术相比，本发明所达到的有益效果：
本发明通过将基站位置分布建模为HCPP过程，考虑动态用户付费策略，采用改进粒子群算法优化基站部署，分析硬核参数与最优基站密度的关系，结合硬核距离与动态付费机制，在降低多小区基站的通信干扰同时，还能针对用户的实际需求，降低用户的通信付费，不仅能提高系统利用率，且顺应新一代无线通信技术中以用户为中心的发展理念。
附图说明
图1是本发明实施例一提供的优化方法流程图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
本发明使用泊松点过程(PPP)不能准确模拟实际基站的位置分布，而硬核泊松点过程(HCPP)过程的特点是任意两点之间的距离大于排斥距离，因此HCPP过程更适用于实际基站位置的建模。另一方面，用户的参与是部署系统时更深层次的关注点，这是任何技术应用于实际工程项目中的关键要求，在通信这一面向消费者的领域更是如此。合适的通信付费策略不仅能提高系统利用率，且顺应新一代无线通信技术中以用户为中心的发展理念，是服务提供者与用户关注的重点。基于此，本发明提供了一种基于硬核距离与动态付费机制的网络基站部署优化方法、系统、装置及存储介质。
实施例一：
如图1所示，本实施例提供了一种基于硬核距离与动态付费机制的网络基站部署优化方法，具体步骤包括：
S1：获取多小区通信网络模型，所述多小区通信网络模型包括符合HCPP过程的基站位置分布以及符合PPP过程的用户位置分布；
S2：根据多小区通信网络模型，计算用户的小区内干扰和小区间干扰；
S3：根据用户的小区内干扰和小区间干扰，计算系统服务覆盖概率；
S4：根据系统服务覆盖概率和动态付费机制，对网络基站部署进行优化。
在步骤S1中，针对多个小区共同组成的通信网络，每个小区一般都设置有1个基站，小区内的基站负责向小区内的用户提供通信服务，并能同其他小区的基站建立通信连接，为此采用硬核泊松点过程(HCPP)准确模拟实际基站的位置分布，HCPP过程的特点是任意两点之间的距离大于排斥距离，因此HCPP过程更适用于实际基站位置的建模，而对于用户的位置分布，只需采用泊松点过程(PPP)即可满足本实施例的方法要求。
在步骤S2中，在建立了多小区通信网络模型后，为了有效计算出小区内干扰和小区间干扰，本实施例采用拉普拉斯变换的方法进行计算，将用户的位置分布和基站的部署建立联系。
首先定义在硬核点过程中的某一函数f(x)的拉普拉斯变换计算公式为：
式中，Pr(d)为硬核点过程的保留概率，d为两个基站点之间的直线距离大于预设距离的长度值；λb为基站密度。
上式中，所述保留概率为两个基站点之间的直线距离大于预设距离的概率，根据多小区通信网络模型，筛选出符合硬核点过程的保留概率的用户，保留概率计算公式为：
式中，q为修正因子。
然后在根据拉普拉斯变换的定义公式分别计算小区内干扰和小区间干扰，小区内干扰的拉普拉斯变换计算公式为：
式中，γ为用户成功接入基站的信干比阈值；dllk为第l个小区第k个用户与第l个小区的基站的直线距离；α为路径损耗因子；λu为小区内用户密度；sin c()为辛格函数；
小区间干扰的拉普拉斯变换计算公式为：
式中，简化参数时，为了表示方便，令
A为随机变量
的
阶矩；Hk表示信道小尺度衰落的平方；
为每个小区用户数的均值；R为小区服务半径。
步骤S3中，以用户成功接入基站的信干比阈值γ作为是否受到覆盖的标准，结合泊松簇过程的概率母泛函，代入小区内干扰的拉普拉斯函数以及小区间干扰的拉普拉斯函数，计算系统服务覆盖概率，计算公式为：
式中，
表示求期望运算，将
及
代入上式，系统服务覆盖概率为：
其中
△为由系统参数决定的参量。
步骤S4中，在进行基站部署优化时，需要将用户的付费机制考虑进去，传统的静态付费策略不保证资源需求过程中资源的最大使用价值，因此考虑用户的动态付费机制，本实施例所述的动态付费机制包括服务提供者根据小区负载情况给出单个用户的上行通信价格；
当负载较高时，服务提供者给出较高的单个用户的上行通信价格；
当负载较低时，服务提供者将降低用户与基站的单个用户的上行通信价格；
所述动态付费机制采用双曲线增长函数模型，计算公式为：
式中，z为单个用户的上行通信价格；p0为用户与基站的初始接入价格；θ为小区负载阈值，n为控制斜率的恒正参数，m为小区通信负载。
由此可直接根据系统服务覆盖概率和动态付费机制，建立优化函数模型，模型的计算公式为：
s.t.a:0≤η≤1
b:
式中，sc为系统区域半径；B为系统带宽；
为发生通信中断事件的惩罚系数；a和b为函数模型分别需要满足的参数条件。
为此需要对优化函数模型公式进行最优解计算，在本实施例，采用基于大雁飞行的粒子群算法寻求优化函数模型的最优解。
在粒子搜索后期，粒子趋同性限制粒子的搜索范围，因此如何更有效地在解空间中搜索最优解，是粒子群算法的重点。为扩大搜索范围，必须增加粒子群中的粒子数，否则无法得到全局最优解。粒子数量太多将导致算法的计算复杂度升高，粒子数太少则导致在求解全局最优解时算法不易收敛。因此，IMPSO算法参考大雁的飞行特点，一方面，IMPSO算法将前端最优粒子个体极值代替全局极值，避免粒子趋同性，保持粒子的多样性；另一方面，IMPSO算法使每个粒子利用其他粒子的有用信息，使用个体极值的加权平均值与其当前适应度值的乘积代替个体极值，增大个体粒子的激励。该算法加强粒子之间的合作与竞争，以上两方面的改进解决了算法搜索速度和算法精度之间的矛盾。
在IMPSO算法中，将大雁的飞行强度视为粒子的好坏程度，即粒子的历史最优适应度，所有粒子按照历史最优适应度排序，选择适应度值最好的历史最优粒子作为领头粒子。每次迭代后更新每个粒子的最优适应度值，然后对所有粒子进行重新排序。所有粒子按照历史最优适应度值从前到后排列，前一个粒子的个体极值作为后一个粒子的全局极值，而领头粒子的全局极值作为其本身的个体极值。将优化函数模型公式中需要优化的参数基站密度λb视为随机生成的粒子，则第i个粒子在任意k+1个时刻的速度更新公式表示为：
式中，ω是惯性权重；
表示第i个粒子在第k个时刻的速度；
表示第i个粒子在第k个时刻的位置；rand是在[0,1]之间的一个均匀随机值；c1和c2表示学习因子；Pi为个体极值。
在大雁的飞行过程中，雁群是由一个前排的领头雁带领后排的大雁行进的，其中领头雁只依靠自己的经验作决定，而后排的大雁不仅依靠自己的经验，还需借鉴其他大雁的经验。因此，IMPSO算法基于大雁的飞行规律，使用前端最优粒子个体极值替代全局极值，除领头粒子之外的每一个粒子的个体极值都转化为个体极值的加权平均值与其当前适应度值的乘积，也即粒子的更新个体极值，可表示为：
式中，Pi为粒子个体极值，Pa为粒子的更新个体极值；Xi表示随机生成的第i个粒子的位置，f(Xi)表示其适应度值。
在上式中将Pi用Pa替代可使粒子利用更多的信息作决策，进一步避免算法陷入局部最优值，而个体获得更多的激励，加强粒子间的合作与竞争，可加快算法的收敛速度。由此可得到位置的更新公式：
在得到每一个粒子更新的位置和速度后，穷尽迭代玩所有的粒子，得到最终的更新个体极值Pa，即为基站部署的优化函数模型中最终优化的基站密度λb。并根据最终优化的基站密度λb来部署基站，完成本实施例中基于硬核距离与动态付费机制的网络基站部署优化。
本实施例中，IMPSO算法具体步骤为：
(1)初始化粒子群；
(2)计算每一个粒子的当前粒子群算法适应度值f(X)；
(3)更新个体极值：计算每个粒子的个体极值Pi，比较第i个粒子的当前适应度值f(Xi)与粒子个体极值Pi的适应度值；若前者更大，则更新Pi，否则Pi不变；
(4)粒子群排序：所有粒子按照Pi的适应度值排序，选择最大适应度值的粒子作为领头粒子，其他粒子依次返回；
(5)计算更新个体极值：保持领头粒子的个体极值不变，计算其他粒子的更新个体极值Pa；
(6)计算更新全局极值：保持领头粒子的全局极值不变，后面的粒子都依次以前面粒子的更新个体极值作为更新全局极值；
(7)更新粒子的速度和位置；
(8)检查是否满足迭代停止条件：满足则退出，否则转步骤(2)。
本发明通过将基站位置分布建模为HCPP过程，考虑动态用户付费策略，采用改进粒子群算法优化基站部署，分析硬核参数与最优基站密度的关系，结合硬核距离与动态付费机制，在降低多小区基站的通信干扰同时，还能针对用户的实际需求，降低用户的通信付费，不仅能提高系统利用率，且顺应新一代无线通信技术中以用户为中心的发展理念。
实施例二：
一种基于硬核距离与动态付费机制的网络基站部署优化系统，包括：
模型获取模块：用于获取多小区通信网络模型，所述多小区通信网络模型包括符合HCPP过程的基站位置分布以及符合PPP过程的用户位置分布；
小区干扰计算模块：用于根据多小区通信网络模型，计算用户的小区内干扰和小区间干扰；
覆盖概率计算模块：用于根据用户的小区内干扰和小区间干扰，计算系统服务覆盖概率；
优化模块：用于根据系统服务覆盖概率和动态付费机制，对网络基站部署进行优化。
实施例三：
本发明实施例还提供了一种基于硬核距离与动态付费机制的网络基站部署优化装置，包括处理器及存储介质；
所述存储介质用于存储指令；
所述处理器用于根据所述指令进行操作以执行下述方法的步骤：
获取多小区通信网络模型，所述多小区通信网络模型包括符合HCPP过程的基站位置分布以及符合PPP过程的用户位置分布；
根据多小区通信网络模型，计算用户的小区内干扰和小区间干扰；
根据用户的小区内干扰和小区间干扰，计算系统服务覆盖概率；
根据系统服务覆盖概率和动态付费机制，对网络基站部署进行优化。
实施例四：
本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现下述方法的步骤：
获取多小区通信网络模型，所述多小区通信网络模型包括符合HCPP过程的基站位置分布以及符合PPP过程的用户位置分布；
根据多小区通信网络模型，计算用户的小区内干扰和小区间干扰；
根据用户的小区内干扰和小区间干扰，计算系统服务覆盖概率；
根据系统服务覆盖概率和动态付费机制，对网络基站部署进行优化。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。
Claims (8)
1.一种基于硬核距离与动态付费机制的网络基站部署优化方法，其特征在于，包括：
获取多小区通信网络模型，所述多小区通信网络模型包括符合HCPP过程的基站位置分布以及符合PPP过程的用户位置分布；
根据多小区通信网络模型，计算用户的小区内干扰和小区间干扰；
根据用户的小区内干扰和小区间干扰，计算系统服务覆盖概率；
根据系统服务覆盖概率和动态付费机制，对网络基站部署进行优化。
2.根据权利要求1所述的基于硬核距离与动态付费机制的网络基站部署优化方法，其特征在于，所述根据多小区通信网络模型，计算用户的小区内干扰和小区间干扰；具体包括：
根据多小区通信网络模型，筛选出符合硬核点过程的保留概率的用户，所述保留概率为两个基站点之间的直线距离大于预设距离的概率，计算公式为：
式中，d为两个基站点之间的直线距离大于预设距离的长度值；Pr(d)为硬核点过程的保留概率；q为修正因子；λb为基站密度；
根据符合硬核点过程的保留概率的用户，通过拉普拉斯变换分别计算小区内干扰和小区间干扰；
小区内干扰的拉普拉斯变换计算公式为：
式中，γ为用户成功接入基站的信干比阈值；dllk为第l个小区第k个用户与第l个小区的基站的直线距离；α为路径损耗因子；λu为小区内用户密度；sin c()为辛格函数；
小区间干扰的拉普拉斯变换计算公式为：
式中，简化参数时，令
A为随机变量
的
阶矩；Hk表示信道小尺度衰落的平方；
为每个小区用户数的均值；R为小区服务半径。
3.根据权利要求2所述的基于硬核距离与动态付费机制的网络基站部署优化方法，其特征在于，所述根据用户的小区内干扰和小区间干扰，计算系统服务覆盖概率；具体包括：
以用户成功接入基站的信干比阈值γ作为是否受到覆盖的标准，结合泊松簇过程的概率母泛函，代入小区内干扰的拉普拉斯函数以及小区间干扰的拉普拉斯函数，计算系统服务覆盖概率，计算公式为：
式中，
表示求期望运算，将
及
代入上式，系统服务覆盖概率为：
其中：
△为由系统参数决定的参量。
4.根据权利要求3所述的基于硬核距离与动态付费机制的网络基站部署优化方法，其特征在于，所述动态付费机制包括服务提供者根据小区负载情况给出单个用户的上行通信价格；
当负载较高时，服务提供者给出较高的单个用户的上行通信价格；
当负载较低时，服务提供者将降低用户与基站的单个用户的上行通信价格；
所述动态付费机制采用双曲线增长函数模型，计算公式为：
式中，z为单个用户的上行通信价格；p0为用户与基站的初始接入价格；θ为小区负载阈值，n为控制斜率的恒正参数，m为小区通信负载。
5.根据权利要求4所述的基于硬核距离与动态付费机制的网络基站部署优化方法，其特征在于，所述根据系统服务覆盖概率和动态付费机制，对网络基站部署进行优化；具体包括：
根据系统服务覆盖概率和动态付费机制，建立优化函数模型，计算公式为：
式中，sc为系统区域半径；B为系统带宽；
为发生通信中断事件的惩罚系数；a和b为函数模型分别需要满足的参数条件；
根据大雁飞行特点的粒子群算法，计算最低付费情况下的基站密度，并根据基站密度对基站进行部署，完成网络基站的部署优化。
6.一种基于硬核距离与动态付费机制的网络基站部署优化系统，其特征在于，包括：
模型获取模块：用于获取多小区通信网络模型，所述多小区通信网络模型包括符合HCPP过程的基站位置分布以及符合PPP过程的用户位置分布；
小区干扰计算模块：用于根据多小区通信网络模型，计算用户的小区内干扰和小区间干扰；
覆盖概率计算模块：用于根据用户的小区内干扰和小区间干扰，计算系统服务覆盖概率；
优化模块：用于根据系统服务覆盖概率和动态付费机制，对网络基站部署进行优化。
7.一种基于硬核距离与动态付费机制的网络基站部署优化装置，其特征在于，包括处理器及存储介质；
所述存储介质用于存储指令；
所述处理器用于根据所述指令进行操作以执行根据权利要求1～5任一项所述方法的步骤。
8.计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1～5任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210794108.7A CN115190493A (zh) | 2022-07-07 | 2022-07-07 | 一种基于硬核距离与动态付费机制的网络基站部署优化方法、系统、装置及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210794108.7A CN115190493A (zh) | 2022-07-07 | 2022-07-07 | 一种基于硬核距离与动态付费机制的网络基站部署优化方法、系统、装置及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115190493A true CN115190493A (zh) | 2022-10-14 |
Family
ID=83517820
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210794108.7A Pending CN115190493A (zh) | 2022-07-07 | 2022-07-07 | 一种基于硬核距离与动态付费机制的网络基站部署优化方法、系统、装置及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115190493A (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100203882A1 (en) * | 2007-05-02 | 2010-08-12 | Telefonaktiebolaget Lm Ericsson | Method and Arrangement for Managing Inter-Cell Interference in a Communications Network |
| US20120252467A1 (en) * | 2011-03-30 | 2012-10-04 | Fujitsu Limited | Method and System for Planning, Designing, and Evaluating Wireless Networks |
| US20120252466A1 (en) * | 2011-03-30 | 2012-10-04 | Fujitsu Limited | Method and System for Evaluating a Wireless Service Network |
| CN107404726A (zh) * | 2017-08-02 | 2017-11-28 | 南京工程学院 | 一种基于能效的异构蜂窝网络微基站部署方法 |
| CN109756861A (zh) * | 2019-01-31 | 2019-05-14 | 北京理工大学 | 一种城市环境下异构传感器网络的节点部署方法 |
| CN109996248A (zh) * | 2017-12-29 | 2019-07-09 | 索尼公司 | 用于无线通信的电子设备和方法以及计算机可读存储介质 |
| CN110087245A (zh) * | 2018-01-26 | 2019-08-02 | 华北电力大学 | 基于效用最优的异构网络基站部署和频谱定价方案 |
| CN113395709A (zh) * | 2021-06-18 | 2021-09-14 | 河海大学 | 一种面向用户基站泊松分布的服务覆盖分析方法 |
-
2022
- 2022-07-07 CN CN202210794108.7A patent/CN115190493A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100203882A1 (en) * | 2007-05-02 | 2010-08-12 | Telefonaktiebolaget Lm Ericsson | Method and Arrangement for Managing Inter-Cell Interference in a Communications Network |
| US20120252467A1 (en) * | 2011-03-30 | 2012-10-04 | Fujitsu Limited | Method and System for Planning, Designing, and Evaluating Wireless Networks |
| US20120252466A1 (en) * | 2011-03-30 | 2012-10-04 | Fujitsu Limited | Method and System for Evaluating a Wireless Service Network |
| CN107404726A (zh) * | 2017-08-02 | 2017-11-28 | 南京工程学院 | 一种基于能效的异构蜂窝网络微基站部署方法 |
| CN109996248A (zh) * | 2017-12-29 | 2019-07-09 | 索尼公司 | 用于无线通信的电子设备和方法以及计算机可读存储介质 |
| CN110087245A (zh) * | 2018-01-26 | 2019-08-02 | 华北电力大学 | 基于效用最优的异构网络基站部署和频谱定价方案 |
| CN109756861A (zh) * | 2019-01-31 | 2019-05-14 | 北京理工大学 | 一种城市环境下异构传感器网络的节点部署方法 |
| CN113395709A (zh) * | 2021-06-18 | 2021-09-14 | 河海大学 | 一种面向用户基站泊松分布的服务覆盖分析方法 |
Non-Patent Citations (3)
| Title |
|---|
| XIAOHU GE, BANGZHENG DU, QIANG LI 等: "Energy Efficiency of Multi-user Multi-antenna Random Cellular Networks with Minimum Distance Constraints", IEEE TRANSACTIONS ON VEHICULAR TECHNOLOGY, vol. 66, no. 2, 27 April 2016 (2016-04-27) * |
| 周童, 程方, 张治中: "基于非泊松点过程建模的微基站部署研究", 计算机应用研究, vol. 38, no. 12, 26 July 2021 (2021-07-26), pages 1 * |
| 马忠贵;刘立宇;闫文博;李营营;: "基于泊松簇过程的三层异构蜂窝网络部署模型", 工程科学学报, no. 02, 15 February 2017 (2017-02-15) * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP3583797B1 (en) | Methods and systems for network self-optimization using deep learning | |
| CN110620611B (zh) | 一种基于geo与leo双层卫星网络的协同频谱感知方法 | |
| CN110968426B (zh) | 一种基于在线学习的边云协同k均值聚类的模型优化方法 | |
| CN104936186B (zh) | 基于布谷鸟搜索算法的认知无线电网络频谱分配方法 | |
| CN107506865B (zh) | 一种基于lssvm优化的负荷预测方法及系统 | |
| CN111065103A (zh) | 一种多目标优化的无线传感器网络节点部署方法 | |
| CN111866954A (zh) | 一种基于联邦学习的用户选择和资源分配方法 | |
| CN111050330A (zh) | 移动网络自优化方法、系统、终端及计算机可读存储介质 | |
| CN114585006B (zh) | 基于深度学习的边缘计算任务卸载和资源分配方法 | |
| CN104484233B (zh) | 一种资源分配方法 | |
| CN112784362A (zh) | 一种用于无人机辅助边缘计算的混合优化方法及系统 | |
| CN109104731A (zh) | 小区场景类别划分模型的构建方法、装置和计算机设备 | |
| CN106358300B (zh) | 一种微蜂窝网络中的分布式资源分配方法 | |
| CN109831790B (zh) | 雾无线接入网中基于头脑风暴优化算法的协作缓存方法 | |
| CN116050540A (zh) | 一种基于联合双维度用户调度的自适应联邦边缘学习方法 | |
| CN112887943B (zh) | 一种基于中心度的缓存资源分配方法及系统 | |
| CN113194031A (zh) | 雾无线接入网内结合干扰抑制的用户聚类方法及系统 | |
| CN115190493A (zh) | 一种基于硬核距离与动态付费机制的网络基站部署优化方法、系统、装置及存储介质 | |
| CN112445617A (zh) | 一种基于移动边缘计算的负载策略选择方法及系统 | |
| CN112996118B (zh) | Noma下行链路用户配对方法和存储介质 | |
| CN114783215B (zh) | 无人机分簇方法、装置和电子设备 | |
| CN108738028B (zh) | 一种超密集组网下的分簇方法 | |
| CN113395709B (zh) | 一种面向用户基站泊松分布的服务覆盖分析方法 | |
| Kong et al. | Improved AP Deployment Optimization Scheme Based on Multi-objective Particle Swarm Optimization Algorithm. | |
| CN114173421A (zh) | 基于深度强化学习的LoRa逻辑信道及功率分配方法 |
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 |