CN115915314B - 一种高动态移动通信网络越区切换参数自适应方法及装置 - Google Patents
一种高动态移动通信网络越区切换参数自适应方法及装置 Download PDFInfo
- Publication number
- CN115915314B CN115915314B CN202211378590.2A CN202211378590A CN115915314B CN 115915314 B CN115915314 B CN 115915314B CN 202211378590 A CN202211378590 A CN 202211378590A CN 115915314 B CN115915314 B CN 115915314B
- Authority
- CN
- China
- Prior art keywords
- switching
- situation
- continuous
- real
- handover
- 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
- 238000010295 mobile communication Methods 0.000 title claims abstract description 46
- 238000000034 method Methods 0.000 title claims abstract description 36
- 230000009133 cooperative interaction Effects 0.000 claims abstract description 10
- 238000009826 distribution Methods 0.000 claims description 20
- 238000005315 distribution function Methods 0.000 claims description 20
- 230000003044 adaptive effect Effects 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 17
- 238000005259 measurement Methods 0.000 claims description 16
- 230000007613 environmental effect Effects 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 9
- 238000013135 deep learning Methods 0.000 claims description 8
- 230000006978 adaptation Effects 0.000 claims description 4
- 125000004122 cyclic group Chemical group 0.000 abstract description 3
- 239000000523 sample Substances 0.000 description 19
- 238000010586 diagram Methods 0.000 description 11
- 238000004590 computer program Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 238000005457 optimization Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 238000005070 sampling Methods 0.000 description 5
- 230000006872 improvement Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 2
- 230000008485 antagonism Effects 0.000 description 2
- 230000000052 comparative effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000011478 gradient descent method Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013468 resource allocation Methods 0.000 description 2
- 238000010187 selection method Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 229920002430 Fibre-reinforced plastic Polymers 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000003776 cleavage reaction Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000011151 fibre-reinforced plastic Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000007017 scission Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Classifications
-
- 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
- Mobile Radio Communication Systems (AREA)
Abstract
本发明涉及高铁自适应专用移动通信技术领域,尤其是指一种高动态移动通信网络越区切换参数自适应方法、装置及高铁移动通信网络系统。本发明所述的一种高动态移动通信网络越区切换参数自适应方法,UE通过和eNodeB协同交互来感知获取高铁运行环境的实时离散切换态势,采用基于生成对抗网络的连续态势理解环,即连续切换态势生成模型和判别模型,实现对离散切换态势的理解,通过不断地循环更新完成离散切换态势的连续化,得到目标连续切换态势,之后UE可再次和eNodeB协同交互感知高铁运行环境的实时连续切换态势实现最优切换参数地选取,并且还可以通过此参数指导列车切换的结果反馈生成对抗网络以提升其性能。
Description
技术领域
本发明涉及高铁自适应专用移动通信技术领域,尤其是指一种高动态移动通信网络越区切换参数自适应方法、装置及高铁移动通信网络系统。
背景技术
随着高速铁路建设规模的不断扩大和智能化水平的日益提升,发展适应于高动态、复杂场景和特殊信道环境的高铁自适应专用移动通信技术,以全面提升高铁通信系统智能化水平引起了世界各国铁路运输企业的高度关注。作为新一代的高铁专用移动通信技术,铁路长期演变移动通信系统(Long Term Evolution for Railway,LTE-R)在高移动性环境中具有独特优势,能够被设计同时满足列车控制业务和旅客通信业务的需求。在典型的LTE-R系统中,列车的高速移动将带来频繁的越区切换请求。为了实现高速铁路的高可靠、低时延通信,越区切换性能(即越区切换成功概率)以及越区切换后网络性能(比如SINR,吞吐量等)成为了不可忽视的关键因素。现有的LTE-R系统越区切换算法主要通过测量RSRP(参考信号接收功率)和RSRQ(参考信号接收质量)来设计触发事件以完成切换。在基于事件的切换算法中,参与决策的参数通常包括服务小区质量门限值(Threshold)、偏置值(Offset)、切换触发时间(TTT)和滞后裕度(hysteresis)等。
在现有的研究中,LTE-R相关切换参数大多是通过历史的经验值来选择,如何进行选择的理论依据则往往仅依托于若干个比较有代表性的特定物理和网络环境。而且,切换参数一旦设定,通常不再改变,无法自适应地随着网络环境变化而调整,难以应对高铁所特有的高动态和多变场景等固有痛点,成为了高铁自适应专用移动通信技术的发展桎梏。
发明内容
为此,本发明所要解决的技术问题在于克服现有技术中切换参数一旦设定,通常不再改变,无法自适应地随着网络环境变化而调整的问题。
为解决上述技术问题,本发明提供了一种种高动态移动通信网络越区切换参数自适应方法,包括:
当高铁经过当前越区切换带时,利用高铁UE通过与eNodeB的协同交互来感知获取高铁运行环境的实时离散切换态势,所述实时离散切换态势包括环境状态参数和切换参数实测值;
将当前区域参考信号接收功率与目标切换区域参考信号接收功率进行对比,若所述目标切换区域参考信号接收功率大于所述当前区域参考信号接收功率一定的预设值时,则触发切换,所述预设值从当前越区切换带预设的切换事件触发条件参考值中获取,并将当前越区切换带的切换事件触发条件参考值重新写入所述实时离散切换态势的切换参数实测值部分,得到离散切换态势样本;
若切换成功,且切换后的性能奖励大于切换前的性能奖励,则将当前的离散切换样本记录至真实切换态势集中;
在多次成功切换后,将所述真实切换态势集输入连续切换态势生成模型中,推理生成连续切换态势,利用判别模型判断所述连续切换态势的可信性和准确性,优化所述连续切换态势生成模型直至其输出的连续切换态势满足判别模型的判别条件,得到目标连续切换态势;
继续获取实时离散切换态势,并根据实时离散切换态势中的环境状态参数,从所述目标连续切换态势中获取目标切换事件触发条件参考值,以便将当前区域参考信号接收功率与目标切换区域参考信号接收功率进行对比,判断是否进行越区切换。
优选地,所述环境状态参数为列车运行速度,所述切换参数实测值由参考信号接收功率实测值计算得到,包括切换触发时延和切换滞后裕度,所述切换事件触发条件参考值包括切换触发时延参考值和切换滞后裕度参考值,所述预设值为所述切换滞后裕度参考值。
优选地,所述性能奖励
其中,psinr表示当前切换区系统信干噪比,pthr是当前切换区网络吞吐量,hand是切换成功率,w1,w2,w3取值范围为[0,1],且满足w1+w2+w3=1,为当前切换区系统信噪比的理论限值,/>为当前切换区网络吞吐量的理论限值。
优选地,所述连续切换态势生成模型定义为一个由参数θG确定的深度学习网络G,其输入为所述真实切换态势集,输出为连续切换态势G(s),训练目标为找到一个合适的参数θG使得连续切换态势的分布函数PG(s)与真实切换态势集的分布函数Pdata(x)逼近。
优选地,所述判别模型定义为一个由参数θD确定的深度学习网络D,其输入为所述连续切换态势和所述真实切换态势集的分布函数,输出为一个用于评估连续切换态势的分布函数与真实切换态势集的分布函数之间差异的标量V,训练目标为最大化连续切换态势的分布函数与真实切换态势集的分布函数之间的交叉熵,即最优判别模型D*公式定义为:
其中,D(x)表示判别函数。
优选地,所述利用判别模型判断所述连续切换态势的可信性和准确性,优化所述连续切换态势生成模型直至其输出的连续切换态势满足判别模型的判别条件,即最优连续切换态势生成模型的的公式定义为:
优选地,所述判别模型的损失函数为:
其中,D(x)表示判别函数,表示从所述连续切换态势的分布函数中抽取的样本,xi表示从所述真实切换态势集的分布函数中抽取的样本。
优选地,所述连续切换态势生成模型损失函数为:
其中,D(x)表示判别函数,表示从所述连续切换态势的分布函数中抽取的样本。
本发明还提供了一种高动态移动通信网络越区切换参数自适应装置,包括:
实时离散切换态势获取模块,用于当高铁经过当前越区切换带时,利用高铁UE通过与eNodeB的协同交互来感知获取高铁运行环境的实时离散切换态势,所述实时离散切换态势包括环境状态参数和切换参数实测值;
离散切换态势样本获取模块,用于将当前区域参考信号接收功率与目标切换区域参考信号接收功率进行对比,若所述目标切换区域参考信号接收功率大于所述当前区域参考信号接收功率一定的预设值时,则触发切换,所述预设值从当前越区切换带预设的切换事件触发条件参考值中获取,并将当前越区切换带的切换事件触发条件参考值重新写入所述实时离散切换态势的切换参数实测值部分,得到离散切换态势样本;
真实切换态势集获取模块,用于若切换成功,且切换后的性能奖励大于切换前的性能奖励,则将当前的离散切换样本记录至真实切换态势集中;
目标连续切换态势获取模块,用于在多次成功切换后,将所述真实切换态势集输入连续切换态势生成模型中,推理生成连续切换态势,利用判别模型判断所述连续切换态势的可信性和准确性,优化所述连续切换态势生成模型直至其输出的连续切换态势满足判别模型的判别条件,得到目标连续切换态势;
切换事件触发条件参考值更新模块,用于继续获取实时离散切换态势,并根据实时离散切换态势中的环境状态参数,从所述目标连续切换态势中获取目标切换事件触发条件参考值,以便将当前区域参考信号接收功率与目标切换区域参考信号接收功率进行对比,判断是否进行越区切换。
本发明还提供了一种高铁移动通信网络系统,包括上述一种高动态移动通信网络越区切换参数自适应装置。
本发明的上述技术方案相比现有技术具有以下优点:
本发明所述的一种高动态移动通信网络越区切换参数自适应方法,UE通过和eNodeB协同交互来感知获取高铁运行环境的实时离散切换态势,然后,采用基于生成对抗网络的连续态势理解环,即连续切换态势生成模型和判别模型,实现对离散切换态势的理解,通过不断地循环更新完成离散切换态势的连续化,得到目标连续切换态势,之后UE可再次和eNodeB协同交互感知高铁运行环境的实时连续切换态势实现最优切换参数地选取,并且我们还可以通过此参数指导列车切换的结果反馈生成对抗网络以提升其性能。
附图说明
为了使本发明的内容更容易被清楚的理解,下面根据本发明的具体实施例并结合附图,对本发明作进一步详细的说明,其中:
图1是本发明高动态移动通信网络越区切换参数自适应方法的实现流程图;
图2是不同学习率下生成对抗网络的损失示意图;
图3是r=0.05时态势可信判别器的准确度示意图;
图4是最优切换参数和3GPP标准中固定参数以及本发明提出的自适应参数选择方法下关于系统性能的对比实验结果示意图;
图5为本发明实施例提供的一种高动态移动通信网络越区切换参数自适应装置的结构框图。
具体实施方式
本发明的核心是提供一种高动态移动通信网络越区切换参数自适应方法方法、装置及高铁移动通信网络系统,可实现最优切换参数地选取。
为了使本技术领域的人员更好地理解本发明方案,下面结合附图和具体实施方式对本发明作进一步的详细说明。显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参考图1,图1为本发明所提供的一种高动态移动通信网络越区切换参数自适应方法的实现流程图;具体操作步骤如下:
S101:当高铁经过当前越区切换带时,利用高铁UE通过与eNodeB的协同交互来感知获取高铁运行环境的实时离散切换态势,所述实时离散切换态势包括环境状态参数和切换参数实测值;
所述环境状态参数为列车运行速度,所述切换参数实测值由参考信号接收功率实测值计算得到,包括切换触发时延和切换滞后裕度,所述切换事件触发条件参考值包括切换触发时延参考值和切换滞后裕度参考值,所述预设值为所述切换滞后裕度参考值:
依据3GPP标准中基于A3事件的切换策略,将LTE-R系统中车载无线通信终端越区切换参数定义成为一个二元组R=<TTT,Hys>,其中,TTT代表切换触发时延;Hys代表切换滞后裕度。在每一次越区切换过程中,UE将实时感知列车当前运行速度等环境状态参数。由此,我们用一个二元组来描述高铁运行环境的切换态势。其中,/>代表列车的实时运行速度;/>代表由实际测量的RSRP值计算所得到的实际切换参数二元组,包括切换触发时延和滞后裕度。
S102:将当前区域参考信号接收功率与目标切换区域参考信号接收功率进行对比,若所述目标切换区域参考信号接收功率大于所述当前区域参考信号接收功率一定的预设值时,则触发切换,所述预设值从当前越区切换带预设的切换事件触发条件参考值中获取,并将当前越区切换带的切换事件触发条件参考值重新写入所述实时离散切换态势的切换参数实测值部分,得到离散切换态势样本;
当列车经过越区切换带时,UE通过与eNodeB的协同交互来感知高铁运行环境的实时切换态势Srt,将切换参数实测值与高铁LTE-R通信系统所设定的切换事件触发条件的参考值Ri进行对比,如果不满足触发条件,则UE将继续感知获取实时切换态势;如果满足触发条件则触发切换,切换事件触发后,UE将在eNodeB的控制下,实施切换动作。
S103:若切换成功,且切换后的性能奖励大于切换前的性能奖励,则将当前的离散切换样本记录至真实切换态势集中;
我们对切换成功后获得的离散切换态势样本si定义切换奖励准则如下式:
其中,psinr表示当前切换区系统信干噪比,pthr是当前切换区网络吞吐量,hand是切换成功率,w1,w2,w3取值范围为[0,1],且满足w1+w2+w3=1,为当前切换区系统信噪比的理论限值,/>为当前切换区网络吞吐量的理论限值;
如果切换成功,则计算切换后的性能奖励REi,若REi大于REi-1,则将si一方面记录到真实切换态势集中,对该真实数据集进行更新;另一方面将其发送至连续态势生成模块,用于迭代优化生成连续切换态势,否则视为切换失败。如果切换失败,则对该条si不做任何记录,UE将继续感知获取实时切换态势,并进入下一次离散态势感知过程。
S104:在多次成功切换后,将所述真实切换态势集输入连续切换态势生成模型中,推理生成连续切换态势,利用判别模型判断所述连续切换态势的可信性和准确性,优化所述连续切换态势生成模型直至其输出的连续切换态势满足判别模型的判别条件,得到目标连续切换态势;
基于GAN所形成的连续态势理解环的主体是连续切换态势生成模型(G)和态势可信判别模型(D)。经过多次成功切换后,UE将提取的真实切换态势集样本输入生成模型G,从而推理生成连续切换态势。但是由生成模型所产生的新的切换态势需要被判别是否可信。判别模型(D)可以同时参考真实切换样本和推理生成样本,来判断推理生成的切换态势的可信性和准确性,当切换性能满足判别模型的判别条件时,则将输出最新的网络连续切换态势参考值。此外,值得说明的是,真实切换样本将从真实切换态势集中获取。真实切换态势集由eNodeB存储管理,其中包括了所有经过此基站覆盖区列车UE的真实切换成功态势,初始样本将依据3GPP标准给出,并在后续多次成功切换过程中进行更新。
S105:继续获取实时离散切换态势,并根据实时离散切换态势中的环境状态参数,从所述目标连续切换态势中获取目标切换事件触发条件参考值,以便将当前区域参考信号接收功率与目标切换区域参考信号接收功率进行对比,判断是否进行越区切换。
UE在进入高铁运行环境的越区切换带时,将依据实时切换态势的环境状态参数,从最新的LTE-R网络连续切换态势中获取切换参数二元组,即切换事件触发条件参考值Ri,从而调整切换参数以实现切换性能的最大化。接着,进入切换触发及实施过程,切换成功的离散态势样本将用于更新真实切换性能堆栈,并送入态势可信判别器,用于判别生成最新连续切换态势。
本发明所述的一种高动态移动通信网络越区切换参数自适应方法,UE通过和eNodeB协同交互来感知获取高铁运行环境的实时离散切换态势,然后,采用基于生成对抗网络的连续态势理解环,即连续切换态势生成模型和判别模型,实现对离散切换态势的理解,通过不断地循环更新完成离散切换态势的连续化,得到目标连续切换态势,之后UE可再次和eNodeB协同交互感知高铁运行环境的实时连续切换态势实现最优切换参数地选取,并且我们还可以通过此参数指导列车切换的结果反馈生成对抗网络以提升其性能。
基于以上实施例,本实施例对连续切换态势生成模型和判别模型进行进一步详细说明:
我们假设eNodeB存储管理着一份含有m条真实切换成功态势样本的数据集X={x1,x2,x3,…,xm},其中xi代表第i条真实态势,并且该数据集的分布函数为Pdata(x)。定义生成器,即连续切换态势生成模型(Generator,G)为一个深度学习网络,其输入为离散切换态势样本si,输出G(s)=G(s;θG)为一个由参数θG确定的连续切换态势空间。假设G(s)的分布函数为PG(s),当生成器的输出G(s)与真实态势接近时,PG(s)也将与Pdata(x)接近,而我们的目的就是找到一个合适的θG使得PG(s)尽可能地与真实分布Pdata(x)接近。
定义判别器(Discriminator,D)为另一个由参数θD确定的深度学习网络,其输入为连续切换态势G(s),以及真实切换态势分布Pdata(x),输出为一个标量V,用于评估PG(s)和Pdata(x)之间的差异。我们采用交叉熵函数V(G,D)来衡量PG(s)和Pdata(x)之间的不同程度,如公式(1)所示:
为了使判别器具有很强的鉴别能力,足以区分生成切换态势与真实切换态势,需要最大化PG(s)与Pdata(x)两者之间的交叉熵。也就是说,在给定G时,我们需要找到一个D*使得V(G,D)最大,如公式(2)所示。
而另一方面,当判别器D确定时,使得最小的G代表的就是最好的生成器。所以GAN的终极目标就是找到G*及其对应的参数/>如公式(3)所示:
至此,我们得到了连续切换态势生成对抗网络的极大极小(maxmin)博弈优化目标及其实现步骤。
在本方法的生成对抗模型中,我们送入判别器D的真实数据是由基站保存的成功切换的离散态势集{x1,x2,x3,…,xm},每一条态势包含了环境参数E(x)(列车的运行时间、速度和地理位置)和切换参数R(x)两部分,判别器D将依据真实态势集的环境参数E(x)抽样获取由连续切换态势空间G所生成的切换态势抽样集及其所对应的切换参数RG(x)。要求解最优判别器模型,也就是在给定生成器模型G的条件下找到D*使得V(G,D)最大。根据交叉熵函数的定义,我们对公式(1)进行如下推导:
其中,D(x)表示判别函数,当输入为真实切换态势时,其输出应趋向于1;当输入为生成器给出的切换态势时,其输出应趋向于0。由式(4)可知,对某一组确定的切换态势x而言,只要让Pdata(x)logD(x)+PG(x)log(1-D(x))最大,那么积分后的值V也是最大的。于是,我们假设:
f(D)=Pdata(x)logD(x)+PG(x)log(1-D(x)) (5)
其中D=D(x),因为真实切换态势分布是客观存在的,所以Pdata(x)是确定的;而因为生成器G确定,所以PG(x)也是确定的。那么,对f(D)求导,并令f'(D)=0,可以得到:
于是我们找出了在给定的G的条件下,最优判别模型D要满足的条件。
将D*代入公式(4)即可求得如公式(7)所示:
在信息论中,相对熵(relative entropy)(也称为Kullback-Leibler散度)被定义为两个概率分布的信息熵(Shannon entropy)的差值,表示使用理论分布拟合真实分布时产生的信息损耗。如果设P(x)和Q(x)是随机变量x上的两个概率分布,则在连续随机变量的情形下,相对熵将由公式(8)得到:
我们将公式(8)应用到公式(7)中,可以得到:
为了解决KL散度的非对称问题,我们引入JS散度(Jensen-Shannon divergence)公式,来度量生成态势分布与真实态势分布的相似度,如公式(10)所示。
由公式(10)我们得到了在最优判别模型下,判别网络的最优输出值max V。
在本方法生成器模型优化过程中,我们假定判别器模型为确定的D,要找到最优生成器G*使得最小,即求/>根据上述求得的D*我们可以得到:
那么根据公式(11),G*使得最小化需要满足的条件是:
Pdata(x)=PG(x) (12)
可以理解为,当生成器所得到的切换态势分布和真实切换态势分布一样的时候,就能让最小。至于如何让生成器的分布不断拟合真实数据的分布,在训练的过程中我们就可以使用梯度下降来计算:
在实际情况下,对于最优判别器,我们是从真实分布Pdata(x)中抽样{x1,x2,x3,…,xm};从PG(x)中抽样而判别器交叉熵损失函数/>就应该改写为:
也就是我们要最大化也就是最小化L:
也就是说D是一个由θD决定的一个二元分类器,通过计算损失函数L,就能够迭代梯度下降法从而得到满足条件的D*。
对于最优生成器,我们是从先验分布PG(x)中抽样而生成器交叉熵损失函数/>就应该改写为:
也就是我们要最小化生成器交叉熵损失函数此时G是一个由θG决定的一个生成器,通过计算/>就能够迭代梯度下降法从而得到满足条件的G*。
基于以上实施例,本实施例为了验证本文所研究的切换态势感知机制的性能,我们基于NS3仿真平台搭建了一个高速铁路移动通信网络架构。在该架构中,铁路轨道长度为1.6Km,两个eNodeB基站位于轨道一侧成链式分布,两个基站之间距离1600m,基站发射功率为46dbm,保证两个基站之间有一定的重叠覆盖范围,从而形成切换带区域。假设列车中成链式均匀分布着50个用户,用户的通信业务按照泊松分布到达,业务类型按照3GPP关于LTE网络所定义的9个标准业务随机获取,采用基于比例公平的资源分配算法进行网络资源分配。在此仿真平台上我们进行了离散切换态势构建。列车的运行速度取值区间为[108km/h,453.6km/h],取值间隔为3.6km/h。关于切换参数,TTT取具有代表性的四个值,分别为128ms、256ms、512ms和1024ms;HY取具有代表性的十六个值,即[0dBm,15dBm]区间内的16个整数值,这样我们便有了6464条切换样本。
仿真中所涉及到的其他参数如表1所示:
表1实验仿真参数
Bandwidth(Mhz) | 20Mhz(100RB) |
FrequencyBand | UL:38050DL:38000 |
NumberOfUEs | 50 |
NumberOfeNbs | 2 |
HandoverEvent | A3Event |
DistanceBetweeneBbs(m) | 1600 |
PowerOfeNbs(dbm) | 46 |
PacketMACScheduler | PfFfMacScheduler |
PathLoss | FriisPropagationLossModel |
RRCModel | IdealRRCmodel |
Simulationtime(s): | 1.6(km)/UEspeed(km/h) |
学习率是训练神经网络重要的超参数,其选择的合适与否直接影响网络优化的优劣。我们考虑学习率(learning rate,lr)取具有代表性的三个值,即0.1、0.05和0.01。相比于其他深度学习优化器,Adam优化器具有许多优点,例如计算高效、稳定性强、具有自适应能力等。本文考虑使用Adam深度学习优化器训练生成对抗网络。不同学习率下生成对抗网络的损失如图2所示。
从图2中可以看到,在训练初期,生成器和判别器的损失函数变化均较大。生成器的损失值在训练700个epoch之后均趋于稳定。当lr取0.1、0.01时,判别器的损失值振荡多且收敛慢。故本文生成对抗网络取lr=0.05时的模型。
准确度是机器学习算法一个重要的衡量指标,我们统计了lr=0.05时态势可信判别器的准确度如图3所示:
从图3中可以看到,在lr取0.05时,态势可信判别器的准确度在2000个epoch后逐渐收敛,且此时模型在测试集上的表现表征了其泛化能力。
为了验证本文切换态势感知对于LTE-R系统性能提升的重要性,我们开展了最优切换参数和3GPP标准中固定参数以及本发明提出的自适应参数选择方法下关于系统性能的对比实验,实验结果如图4所示。
从图4中可以看出,采用本文所提算法得到的最优切换参数相较于固定切换参数及现存算法,将为高铁移动通信系统的系统性能带来显著的提升,并且性能的提升程度将随着列车运行速度的增加而增加。具体的,我们的优化方法得到的切换参数对系统性能带来了稳定的改善,与3GPP参数和现有算法相比,切换成功率平均提高了9.36%和7.35%。吞吐量平均提高了5.9%和6.78%,SINR平均提高了1.45%1.4%;当列车速度达到450km/h时,与3GPP参数和现有算法相比,切换成功率平均提高了31.58%和38.89%。吞吐量平均提高了14.96%和23.34%,SINR平均提高了1.43%3.33%。此外,当固定切换参数或通过方程计算参数时,系统性能趋于恶化;而用本文所提算法得到切换参数时,系统性能趋于稳定。这主要是因为列车速度较快,列车通过切换区时间缩短,系统切换性能下降较快所致,所以我们需要针对每个速度选择性能最好的参数。可以说,利用本文提出的算法实现切换参数的优化决策,对于提高高速和未来超高速铁路移动通信系统的系统性能具有重要意义。
请参考图5,图5为本发明实施例提供的一种高动态移动通信网络越区切换参数自适应装置的结构框图;具体装置可以包括:
实时离散切换态势获取模块100,用于当高铁经过当前越区切换带时,利用高铁UE通过与eNodeB的协同交互来感知获取高铁运行环境的实时离散切换态势,所述实时离散切换态势包括环境状态参数和切换参数实测值;
离散切换态势样本获取模块200,用于将当前区域参考信号接收功率与目标切换区域参考信号接收功率进行对比,若所述目标切换区域参考信号接收功率大于所述当前区域参考信号接收功率一定的预设值时,则触发切换,所述预设值从当前越区切换带预设的切换事件触发条件参考值中获取,并将当前越区切换带的切换事件触发条件参考值重新写入所述实时离散切换态势的切换参数实测值部分,得到离散切换态势样本;
真实切换态势集获取模块300,用于若切换成功,且切换后的性能奖励大于切换前的性能奖励,则将当前的离散切换样本记录至真实切换态势集中;
目标连续切换态势获取模块400,用于在多次成功切换后,将所述真实切换态势集输入连续切换态势生成模型中,推理生成连续切换态势,利用判别模型判断所述连续切换态势的可信性和准确性,优化所述连续切换态势生成模型直至其输出的连续切换态势满足判别模型的判别条件,得到目标连续切换态势;
切换事件触发条件参考值更新模块500,用于继续获取实时离散切换态势,并根据实时离散切换态势中的环境状态参数,从所述目标连续切换态势中获取目标切换事件触发条件参考值,以便将当前区域参考信号接收功率与目标切换区域参考信号接收功率进行对比,判断是否进行越区切换。
本实施例的高动态移动通信网络越区切换参数自适应装置用于实现前述的高动态移动通信网络越区切换参数自适应方法,因此高动态移动通信网络越区切换参数自适应装置中的具体实施方式可见前文高动态移动通信网络越区切换参数自适应方法的实施例部分,例如,实时离散切换态势获取模块100,离散切换态势样本获取模块200,真实切换态势集获取模块300,目标连续切换态势获取模块400,切换事件触发条件参考值更新模块500,分别用于实现上述高动态移动通信网络越区切换参数自适应方法中步骤S101,S102,S103,S104和S105,所以,其具体实施方式可以参照相应的各个部分实施例的描述,在此不再赘述。
本发明具体实施例还提供了一种高铁移动通信网络系统,包括上述的高动态移动通信网络越区切换参数自适应装置。
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。
显然,上述实施例仅仅是为清楚地说明所作的举例,并非对实施方式的限定。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变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (10)
1.一种高动态移动通信网络越区切换参数自适应方法,其特征在于,包括:
当高铁经过当前越区切换带时,利用高铁UE通过与eNodeB的协同交互来感知获取高铁运行环境的实时离散切换态势,所述实时离散切换态势包括环境状态参数和切换参数实测值;
将当前区域参考信号接收功率与目标切换区域参考信号接收功率进行对比,若所述目标切换区域参考信号接收功率大于所述当前区域参考信号接收功率一定的预设值时,则触发切换,所述预设值从当前越区切换带预设的切换事件触发条件参考值中获取,并将当前越区切换带的切换事件触发条件参考值重新写入所述实时离散切换态势的切换参数实测值部分,得到离散切换态势样本;
若切换成功,且切换后的性能奖励大于切换前的性能奖励,则将当前的离散切换样本记录至真实切换态势集中;
在多次成功切换后,将所述真实切换态势集输入连续切换态势生成模型中,推理生成连续切换态势,利用判别模型判断所述连续切换态势的可信性和准确性,优化所述连续切换态势生成模型直至其输出的连续切换态势满足判别模型的判别条件,得到目标连续切换态势;
继续获取实时离散切换态势,并根据实时离散切换态势中的环境状态参数,从所述目标连续切换态势中获取目标切换事件触发条件参考值,以便将当前区域参考信号接收功率与目标切换区域参考信号接收功率进行对比,判断是否进行越区切换。
2.根据权利要求1所述的高动态移动通信网络越区切换参数自适应方法,其特征在于,所述环境状态参数为列车运行速度,所述切换参数实测值由参考信号接收功率实测值计算得到,包括切换触发时延和切换滞后裕度,所述切换事件触发条件参考值包括切换触发时延参考值和切换滞后裕度参考值,所述预设值为所述切换滞后裕度参考值。
3.根据权利要求1所述的高动态移动通信网络越区切换参数自适应方法,其特征在于,所述性能奖励;
其中,表示当前切换区系统信干噪比,/>是当前切换区网络吞吐量,hand是切换成功率,w1,w2,w3取值范围为[0,1],且满足/>+/>+/>= 1,/>为当前切换区系统信噪比的理论限值,/>为当前切换区网络吞吐量的理论限值。
4.根据权利要求1所述的高动态移动通信网络越区切换参数自适应方法,其特征在于,所述连续切换态势生成模型定义为一个由参数确定的深度学习网络G,其输入为所述真实切换态势集,输出为连续切换态势/>,训练目标为找到一个合适的参数/>使得连续切换态势的分布函数PG(s)与真实切换态势集的分布函数Pdata(x)逼近。
5.根据权利要求3所述的高动态移动通信网络越区切换参数自适应方法,其特征在于,所述判别模型定义为一个由参数确定的深度学习网络D,其输入为所述连续切换态势和所述真实切换态势集的分布函数,输出为一个用于评估连续切换态势的分布函数与真实切换态势集的分布函数之间差异的标量V,训练目标为最大化连续切换态势的分布函数与真实切换态势集的分布函数之间的交叉熵,即最优判别模型/>公式定义为:
;
其中,D(x)表示判别函数,D表示判别器,即态势可信判别模型,其输入为连续切换态势,以及真实切换态势分布Pdata(x),输出为一个标量V;G表示生成器,即连续切换态势生成模型,其输入为离散切换态势样本/>,输出连续切换态势/>,为一个由参数/>确定的连续切换态势空间,/>为/>的分布函数,当生成器的输出/>与真实态势接近时,/>也将与真实切换态势分布Pdata(x)接近。
6.根据权利要求4所述的高动态移动通信网络越区切换参数自适应方法,其特征在于,所述利用判别模型判断所述连续切换态势的可信性和准确性,优化所述连续切换态势生成模型直至其输出的连续切换态势满足判别模型的判别条件,即最优连续切换态势生成模型的公式定义为:
;
其中,D表示判别器,即态势可信判别模型,其输入为连续切换态势,以及真实切换态势分布Pdata(x),输出为一个标量V;G表示生成器,即连续切换态势生成模型,其输入为离散切换态势样本/>,输出连续切换态势/>,为一个由参数/>确定的连续切换态势空间,/>为/>的分布函数,当生成器的输出/>与真实态势接近时,/>也将与真实切换态势分布Pdata(x)接近。
7.根据权利要求1所述的高动态移动通信网络越区切换参数自适应方法,其特征在于,所述判别模型的损失函数 为:
其中,D(x)表示判别函数,/>表示从所述连续切换态势的分布函数中抽取的样本,/>表示从所述真实切换态势集的分布函数中抽取的样本,m表示真实切换态势集中的样本总数量。
8.根据权利要求1所述的高动态移动通信网络越区切换参数自适应方法,其特征在于,所述连续切换态势生成模型损失函数 为:
其中,D(x)表示判别函数,/>表示从所述连续切换态势的分布函数中抽取的样本,m表示真实切换态势集中的样本总数量。
9.一种高铁移动通信网络越区切换参数自适应装置,其特征在于,包括:
实时离散切换态势获取模块,用于当高铁经过当前越区切换带时,利用高铁UE通过与eNodeB的协同交互来感知获取高铁运行环境的实时离散切换态势,所述实时离散切换态势包括环境状态参数和切换参数实测值;
离散切换态势样本获取模块,用于将当前区域参考信号接收功率与目标切换区域参考信号接收功率进行对比,若所述目标切换区域参考信号接收功率大于所述当前区域参考信号接收功率一定的预设值时,则触发切换,所述预设值从当前越区切换带预设的切换事件触发条件参考值中获取,并将当前越区切换带的切换事件触发条件参考值重新写入所述实时离散切换态势的切换参数实测值部分,得到离散切换态势样本;
真实切换态势集获取模块,用于若切换成功,且切换后的性能奖励大于切换前的性能奖励,则将当前的离散切换样本记录至真实切换态势集中;
目标连续切换态势获取模块,用于在多次成功切换后,将所述真实切换态势集输入连续切换态势生成模型中,推理生成连续切换态势,利用判别模型判断所述连续切换态势的可信性和准确性,优化所述连续切换态势生成模型直至其输出的连续切换态势满足判别模型的判别条件,得到目标连续切换态势;
切换事件触发条件参考值更新模块,用于继续获取实时离散切换态势,并根据实时离散切换态势中的环境状态参数,从所述目标连续切换态势中获取目标切换事件触发条件参考值,以便将当前区域参考信号接收功率与目标切换区域参考信号接收功率进行对比,判断是否进行越区切换。
10.一种高铁移动通信网络系统,其特征在于,包括如权利要求9所述的高铁移动通信网络越区切换参数自适应装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211378590.2A CN115915314B (zh) | 2022-11-04 | 2022-11-04 | 一种高动态移动通信网络越区切换参数自适应方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211378590.2A CN115915314B (zh) | 2022-11-04 | 2022-11-04 | 一种高动态移动通信网络越区切换参数自适应方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115915314A CN115915314A (zh) | 2023-04-04 |
CN115915314B true CN115915314B (zh) | 2024-02-09 |
Family
ID=86475730
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211378590.2A Active CN115915314B (zh) | 2022-11-04 | 2022-11-04 | 一种高动态移动通信网络越区切换参数自适应方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115915314B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20150094936A (ko) * | 2014-02-12 | 2015-08-20 | 부산대학교 산학협력단 | 무선랜 환경에서 성능 이상 현상을 고려한 핸드오프 결정 시스템 및 방법 |
CN108834186A (zh) * | 2018-06-01 | 2018-11-16 | 徐州工业职业技术学院 | 一种高铁环境下lte-r快速切换算法 |
CN109104750A (zh) * | 2018-08-28 | 2018-12-28 | 昆明理工大学 | 一种基于速度触发的lte-r越区切换方法 |
KR20190049099A (ko) * | 2017-11-01 | 2019-05-09 | 주식회사 케이티 | 기지국에서의 핸드오버 방법 |
CN110958654A (zh) * | 2019-10-17 | 2020-04-03 | 苏州大学 | 基于强化学习的lte-r切换参数选择方法 |
KR20200083156A (ko) * | 2018-12-28 | 2020-07-08 | 서강대학교산학협력단 | RAN-Sharing 기술이 적용된 LTE 기반 이종망 공존 환경에서 핸드오버 파라미터를 제어하는 방법 및 장치 |
CN113301615A (zh) * | 2021-04-06 | 2021-08-24 | 中铁第四勘察设计院集团有限公司 | 一种基于多源信息融合列车定位的gsm-r越区切换方法 |
CN113923737A (zh) * | 2021-10-11 | 2022-01-11 | 中铁二院工程集团有限责任公司 | 一种lte-m系统智能越区切换方法 |
WO2022058013A1 (en) * | 2020-09-17 | 2022-03-24 | Telefonaktiebolaget Lm Ericsson (Publ) | Methods and apparatuses for handover procedures |
CN114679757A (zh) * | 2020-12-26 | 2022-06-28 | 中国航天科工飞航技术研究院(中国航天海鹰机电技术研究院) | 一种超高速低真空管道飞行器越区切换方法及装置 |
-
2022
- 2022-11-04 CN CN202211378590.2A patent/CN115915314B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20150094936A (ko) * | 2014-02-12 | 2015-08-20 | 부산대학교 산학협력단 | 무선랜 환경에서 성능 이상 현상을 고려한 핸드오프 결정 시스템 및 방법 |
KR20190049099A (ko) * | 2017-11-01 | 2019-05-09 | 주식회사 케이티 | 기지국에서의 핸드오버 방법 |
CN108834186A (zh) * | 2018-06-01 | 2018-11-16 | 徐州工业职业技术学院 | 一种高铁环境下lte-r快速切换算法 |
CN109104750A (zh) * | 2018-08-28 | 2018-12-28 | 昆明理工大学 | 一种基于速度触发的lte-r越区切换方法 |
KR20200083156A (ko) * | 2018-12-28 | 2020-07-08 | 서강대학교산학협력단 | RAN-Sharing 기술이 적용된 LTE 기반 이종망 공존 환경에서 핸드오버 파라미터를 제어하는 방법 및 장치 |
CN110958654A (zh) * | 2019-10-17 | 2020-04-03 | 苏州大学 | 基于强化学习的lte-r切换参数选择方法 |
WO2022058013A1 (en) * | 2020-09-17 | 2022-03-24 | Telefonaktiebolaget Lm Ericsson (Publ) | Methods and apparatuses for handover procedures |
CN114679757A (zh) * | 2020-12-26 | 2022-06-28 | 中国航天科工飞航技术研究院(中国航天海鹰机电技术研究院) | 一种超高速低真空管道飞行器越区切换方法及装置 |
CN113301615A (zh) * | 2021-04-06 | 2021-08-24 | 中铁第四勘察设计院集团有限公司 | 一种基于多源信息融合列车定位的gsm-r越区切换方法 |
CN113923737A (zh) * | 2021-10-11 | 2022-01-11 | 中铁二院工程集团有限责任公司 | 一种lte-m系统智能越区切换方法 |
Non-Patent Citations (2)
Title |
---|
Parameter Adaptation and Situation Awareness of LTE-R Handover for High-Speed Railway Communication;Cheng Wu等;IEEE;第23卷(第3期);全文 * |
基于SPN的LTE-R无线通信可靠性建模与分析;陈永;陈耀;张薇;;铁道学报(09);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN115915314A (zh) | 2023-04-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3972339A1 (en) | Handover success rate prediction and management using machine learning for 5g networks | |
EP3979685B1 (en) | Network optimization method, device, and storage medium | |
CN116723527B (zh) | 一种基于数字孪生的基站功耗优化方法 | |
Feltrin et al. | A machine-learning-based handover prediction for anticipatory techniques in wi-fi networks | |
Ma et al. | Speed-adaptive vertical handoff algorithm based on fuzzy logic in vehicular heterogeneous networks | |
CN116095770A (zh) | 超密集异构无线网络中的跨区合作自适应切换判决方法 | |
CN104168596A (zh) | 用于lte网络中基于移动用户分组设置切换参数的移动优化方法 | |
Boutiba et al. | Radio link failure prediction in 5G networks | |
Svahn et al. | Inter-frequency radio signal quality prediction for handover, evaluated in 3GPP LTE | |
CN115915314B (zh) | 一种高动态移动通信网络越区切换参数自适应方法及装置 | |
CN113923737A (zh) | 一种lte-m系统智能越区切换方法 | |
Stoyanova et al. | Algorithmic approaches for vertical handoff in heterogeneous wireless environment | |
WO2023011371A1 (en) | Method and system for configuring a threshold value for a handover parameter of a wireless communication system | |
Hu et al. | Graph neural network-based clustering enhancement in VANET for cooperative driving | |
WO2022105860A1 (zh) | 用于终端扫描的方法、系统、装置、电子设备及存储介质 | |
Ekong et al. | Performance comparison of ANN training algorithms for hysteresis determination in LTE networks | |
Srikantamurthy et al. | A novel unified handover algorithm for LTE-A | |
Venkatesh et al. | Optimizing handover in LTE using SON system by handling mobility robustness | |
Abdulwahhab et al. | Bio-inspired seamless vertical handover algorithm for vehicular ad hoc networks | |
Chen et al. | Radio Resource Selection in C-V2X Mode 4: A Multiagent Deep Reinforcement Learning Approach | |
Mouhassine et al. | MOS prediction by SDN controller and User Equipment to maintain good quality for VoIP over WiFi | |
Liu et al. | A hybrid fuzzy-MADM based decision-making scheme for QoS aware handover | |
CN113498070B (zh) | Ap预测方法、装置及系统 | |
Lima et al. | User-level handover decision making based on machine learning approaches | |
Ali et al. | Overview of Using Signaling Data from Radio Interface with Machine Learning Approaches |
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 |