CN116998180A - 基于用户吞吐量的重叠小区的负载管理 - Google Patents
基于用户吞吐量的重叠小区的负载管理 Download PDFInfo
- Publication number
- CN116998180A CN116998180A CN202180095439.5A CN202180095439A CN116998180A CN 116998180 A CN116998180 A CN 116998180A CN 202180095439 A CN202180095439 A CN 202180095439A CN 116998180 A CN116998180 A CN 116998180A
- Authority
- CN
- China
- Prior art keywords
- sector
- training
- load distribution
- optimization
- distribution parameters
- 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
- 238000009826 distribution Methods 0.000 claims abstract description 219
- 238000010801 machine learning Methods 0.000 claims abstract description 109
- 238000000034 method Methods 0.000 claims abstract description 104
- 238000005457 optimization Methods 0.000 claims description 313
- 238000012549 training Methods 0.000 claims description 201
- 230000008901 benefit Effects 0.000 claims description 36
- 238000012545 processing Methods 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 12
- 238000009825 accumulation Methods 0.000 claims description 9
- 230000004931 aggregating effect Effects 0.000 claims 1
- 230000026676 system process Effects 0.000 abstract 1
- 238000007726 management method Methods 0.000 description 84
- 238000004891 communication Methods 0.000 description 16
- 230000006978 adaptation Effects 0.000 description 13
- 238000010586 diagram Methods 0.000 description 13
- 230000006870 function Effects 0.000 description 12
- 238000004422 calculation algorithm Methods 0.000 description 9
- 230000002776 aggregation Effects 0.000 description 7
- 238000004220 aggregation Methods 0.000 description 7
- 239000011159 matrix material Substances 0.000 description 6
- 238000005259 measurement Methods 0.000 description 6
- 230000001186 cumulative effect Effects 0.000 description 5
- 238000003860 storage Methods 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 230000006872 improvement Effects 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012804 iterative process Methods 0.000 description 3
- 230000011664 signaling Effects 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 101100150273 Caenorhabditis elegans srb-1 gene Proteins 0.000 description 1
- 108091005487 SCARB1 Proteins 0.000 description 1
- 102100037118 Scavenger receptor class B member 1 Human genes 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010924 continuous production Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- GVVPGTZRZFNKDS-JXMROGBWSA-N geranyl diphosphate Chemical compound CC(C)=CCC\C(C)=C\CO[P@](O)(=O)OP(O)(O)=O GVVPGTZRZFNKDS-JXMROGBWSA-N 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000000873 masking effect Effects 0.000 description 1
- 238000007620 mathematical function Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 238000009738 saturating Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/02—Arrangements for optimising operational condition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W28/00—Network traffic management; Network resource management
- H04W28/02—Traffic management, e.g. flow control or congestion control
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Signal Processing (AREA)
- Computational Linguistics (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
用于在无线电接入网络(RAN)内与扇区重叠的多个小区之间的负载管理的系统、方法和软件。在一个实施例中,系统在机器学习系统处接收针对RAN的扇区的输入数据,该扇区具有在扇区处重叠的多个小区。该系统在机器学习系统处处理输入数据,以基于机器学习模型来确定扇区的推荐负载分布参数,其中推荐负载分布参数被配置为使该扇区的聚合用户吞吐量最大化。系统将推荐负载分布参数应用在扇区中以在小区之间分布用户。
Description
技术领域
本公开涉及通信系统领域,并且具体地涉及接入网络中的负载管理。
背景技术
无线电接入网络(RAN)是移动通信系统的一部分,其经由无线电接入技术来与移动设备(例如,用户设备(UE))交互以将移动设备与核心网络连接以接收服务。RAN包括多个基站,其向地理区间上的移动设备提供覆盖范围。基站包括被配置为经由空中接口来与移动设备进行接口连接的设备,诸如天线、发射机、接收机等,以及被配置为与核心网络进行接口连接的设备,诸如路由器、控制器等。由RAN服务的地理区间通常被划分为称为扇区的较小区域,并且运营商的目标是为每个扇区提供足够的覆盖范围。因此,一个或多个基站通常位于扇区的边缘处,并且一个或多个基站的天线被定向为朝向RAN的每个扇区。例如,基站可以包括覆盖基站周围的弧(例如,120度或更小)的定向天线,其中每个定向天线朝向不同的扇区瞄准。常见的配置是三扇区配置,其中基站位于三个相邻扇区的交叉处,并且基站包括三个定向天线,每个天线被定向为朝向相邻扇区之一。
基站的定向天线形成RAN内的小区。小区包括通过RF信号的发射和接收而创建的无线电覆盖区间。扇区表示由RAN服务的较大地理区间的分区,而小区则表示基站经由RF信号(即通过定向天线)的实际无线电覆盖区间。基站的小区在扇区上“重叠”以在扇区的至少一部分中提供无线电覆盖范围。例如,当基站的定向天线朝向扇区瞄准时,在该定向天线内形成的小区在该扇区的部分或全部上重叠。因此,通过将基站定位在扇区的边缘处,基站的小区为扇区提供覆盖范围。
为了提供足够的覆盖范围,多个小区可能具有重叠的覆盖范围占地。例如,基站可以包括朝向同一扇区的多个定向天线,其中每个定向天线形成与该扇区重叠的小区。在另一示例中,相邻基站可以形成与扇区重叠的小区。为了确保资源的高效操作和最佳使用,运营商通常实现尝试均衡小区之间的负载的某种类型的负载管理方案。然而,标识管理重叠小区之间的业务负载的高效且有效的方法仍然是一个问题。
发明内容
本文描述的是考虑扇区的用户吞吐量的负载管理方案。由于在RAN上的业务需求不断增加,网络运营商希望最大限度地利用小区。当前的负载管理方案以强调与扇区重叠的小区之间的负载均衡的方式分布业务,而不考虑这些小区的性能。本文描述的负载管理方案考虑了扇区的用户吞吐量,并且着手通过根据各个小区的性能模型来分布业务从而作为最终用户性能的度量优化用户吞吐量。一项技术优势是基于用户吞吐量在小区之间智能地分布业务(即用户业务),以提供优质的最终用户体验和性能。
一个实施例包括一种在RAN中提供负载管理的系统。该系统包括至少一个处理器和存储器。处理器使系统在机器学习系统处接收针对RAN的扇区的输入数据,该扇区具有在扇区处重叠的多个小区。处理器使系统在机器学习系统处,处理输入数据,以基于机器学习模型来确定扇区的推荐负载分布参数,其中推荐负载分布参数被配置为使扇区的聚合用户吞吐量最大化。处理器使系统将推荐负载分布参数应用在扇区中以在小区之间分布用户。
在另一个实施例中,处理器使系统收集多个训练扇区的训练数据,并且基于训练数据来训练机器学习模型。
在另一个实施例中,处理器使系统基于训练数据来训练优化模型,其中关于训练扇区的信息作为输入,并且推荐负载分布参数作为输出,并且在机器学习系统处,处理输入数据以基于优化模型直接预测扇区的推荐负载分布参数。
在另一个实施例中,处理器使系统基于训练数据来训练收益预测模型,其中关于训练扇区的信息作为输入,并且正收益分类作为输出,其中正收益分类是布尔值。处理器使系统接收该扇区的负载分布参数的不同组合。对于不同组合中的每个组合,处理器使系统处理输入数据和负载分布参数的该组合,以基于收益预测模型来确定负载分布参数的该组合是否提供扇区的聚合用户吞吐量中的正收益,并且基于收益预测模型来确定负载分布参数的该组合提供聚合用户吞吐量中的正收益的概率。处理器使系统选择提供聚合用户吞吐量中的正收益的最高概率的负载分布参数的组合作为推荐负载分布参数。
在另一个实施例中,被用来训练收益预测模型的训练数据是通过对训练扇区执行的迭代扇区优化来生成的。对于每个训练扇区的迭代扇区优化,处理器使系统标识在训练扇区处重叠的多个小区,并执行如下操作的多个优化迭代:确定训练扇区中的活动用户总数,确定使训练扇区的聚合用户吞吐量最大化的每个小区的目标用户数量,其中每个小区的目标用户数量之和等于训练扇区中的活动用户总数,并且基于使训练扇区的聚合用户吞吐量最大化的每个小区的目标用户数量来确定训练扇区的推荐负载分布参数。处理器使系统将正收益或负收益与推荐负载分布参数相关联。
在另一个实施例中,处理器使系统标识在关键绩效指标(KPI)的观察时段内收集的多个原始KPI值,基于原始KPI值来确定在观察时段内的KPI的代表性KPI值,并将该KPI的代表性KPI值存储为训练数据。
在另一个实施例中,原始KPI值在观察时段内的收集时间处被收集,并且被布置到KPI的仓中。处理器使系统确定在观察时段期间的每个收集时间处的原始KPI值的每个仓的累积值,将每个收集时间处的每个仓的累积归一化,并且计算在观察时段期间的每个仓的中值以确定KPI的代表性KPI值。
另一个实施例包括一种RAN中的负载管理方法。该方法包括在机器学习系统处接收针对RAN的扇区的输入数据,该扇区具有在扇区处重叠的多个小区,在机器学习系统处,处理输入数据以基于机器学习模型来确定扇区的推荐负载分布参数,其中推荐负载分布参数被配置为使扇区的聚合用户吞吐量最大化,并且将推荐负载分布参数应用在扇区中以在小区之间分布用户。
在另一个实施例中,该方法还包括收集多个训练扇区的训练数据,以及基于训练数据来训练机器学习模型。
在另一个实施例中,训练机器学习模型的步骤包括:基于训练数据来训练优化模型,其中关于训练扇区的信息作为输入,并且推荐负载分布参数作为输出。进一步地,在机器学习系统处,处理输入数据的步骤包括:在机器学习系统处,处理输入数据以基于优化模型直接预测扇区的推荐负载分布参数。
在另一个实施例中,训练机器学习模型包括:基于训练数据来训练收益预测模型,其中关于训练扇区的信息作为输入,并且正收益分类作为输出,其中正收益分类是布尔值。该方法还包括:接收该扇区的负载分布参数的不同组合。在机器学习系统处,处理输入数据以确定该扇区的推荐负载分布参数的步骤包括:对于不同组合中的每个组合,处理输入数据和负载分布参数的该组合,以基于收益预测模型来确定负载分布参数的该组合是否提供扇区的聚合用户吞吐量中的正收益,并且基于收益预测模型来确定负载分布参数的该组合提供聚合用户吞吐量中的正收益的概率。该方法还包括选择提供聚合用户吞吐量中的正收益的最高概率的负载分布参数的组合作为推荐负载分布参数。
在另一个实施例中,被用来训练收益预测模型的训练数据是通过对训练扇区执行的迭代扇区优化来生成的。对于每个训练扇区的迭代扇区优化,该方法还包括标识在训练扇区处重叠的多个小区,并执行如下操作的多个优化迭代:确定训练扇区中的活动用户总数;以及确定使训练扇区的聚合用户吞吐量最大化的每个小区的目标用户数量,其中每个小区的目标用户数量之和等于训练扇区中的活动用户总数;并且基于使训练扇区的聚合用户吞吐量最大化的每个小区的目标用户数量来确定训练扇区的推荐负载分布参数。正收益或负收益与推荐负载分布参数相关联。
在另一个实施例中,该方法还包括标识在关键绩效指标(KPI)的观察时段内收集的多个原始KPI值,基于原始KPI值来确定在观察时段内的KPI的代表性KPI值,以及将KPI的代表性KPI值存储为训练数据。
在另一个实施例中,原始KPI值在观察时段内在收集时间处被收集,并且被布置到KPI的仓中。确定代表性KPI值的步骤包括:确定在观察时段期间在每个收集时间处的原始KPI值的每个仓的累积,将每个收集时间处的每个仓的累积归一化;并且计算在观察时段期间的每个仓的中值以确定KPI的代表性KPI值。
另一个实施例包括包含由处理器执行的编程指令的非暂时性计算机可读介质,其中指令引导处理器实现RAN中的负载管理方法。该方法包括:在机器学习系统处接收针对RAN的扇区的输入数据,该扇区具有在扇区处重叠的多个小区,在机器学习系统处,处理输入数据以基于机器学习模型来确定扇区的推荐负载分布参数,其中推荐负载分布参数被配置为使扇区的聚合用户吞吐量最大化,并且将推荐负载分布参数应用在扇区中以在小区之间分布用户。
在另一个实施例中,该方法还包括收集多个训练扇区的训练数据,并且基于训练数据来训练机器学习模型。
在另一个实施例中,训练机器学习模型的步骤包括:基于训练数据来训练优化模型,其中关于训练扇区的信息作为输入,并且推荐负载分布参数作为输出。进一步地,在机器学习系统处,处理输入数据的步骤包括:在机器学习系统处处理输入数据以基于优化模型直接预测扇区的推荐负载分布参数。
在另一个实施例中,训练机器学习模型包括:基于训练数据来训练收益预测模型,其中关于训练扇区的信息作为输入,并且正收益分类作为输出,其中正收益分类是布尔值。该方法还包括:接收该扇区的负载分布参数的不同组合。在机器学习系统处,处理输入数据以确定该扇区的推荐负载分布参数的步骤包括:对于不同组合中的每个组合,处理输入数据和负载分布参数的该组合,以基于收益预测模型来确定负载分布参数的该组合是否提供扇区的聚合用户吞吐量中的正收益,并且基于收益预测模型来确定负载分布参数的该组合提供聚合用户吞吐量中的正收益的概率。该方法还包括:选择提供聚合用户吞吐量中的正收益的最高概率的负载分布参数的组合作为推荐负载分布参数。
在另一个实施例中,被用来训练收益预测模型的训练数据是通过对训练扇区执行的迭代扇区优化来生成的。对于每个训练扇区的迭代扇区优化,该方法还包括:标识在训练扇区处重叠的多个小区,并执行如下操作的多个优化迭代:确定训练扇区中的活动用户总数;确定使训练扇区的聚合用户吞吐量最大化的每个小区的目标用户数量,其中每个小区的目标用户数量之和等于训练扇区中的活动用户总数;并且基于使训练扇区的聚合用户吞吐量最大化的每个小区的目标用户数量来确定训练扇区的推荐负载分布参数。正收益或负收益与推荐负载分布参数相关联。
在另一个实施例中,该方法还包括:标识在关键绩效指标(KPI)的观察时段内收集的多个原始KPI值,基于原始KPI值来确定在观察时段内的KPI的代表性KPI值,以及将KPI的代表性KPI值存储为训练数据。
另一个实施例包括一种在RAN中提供负载管理的系统。该系统包括用于在机器学习系统处接收针对RAN的扇区的输入数据的装置,该扇区具有在扇区处重叠的多个小区。该系统包括用于在机器学习系统处处理输入数据以基于机器学习模型来确定扇区的推荐负载分布参数的装置,其中推荐负载分布参数被配置为使扇区的聚合用户吞吐量最大化。该系统包括用于将推荐负载分布参数应用在扇区中以在小区之间分布用户的装置。
上面的发明内容提供了对说明书某些方面的基本理解。此发明内容并不是对说明书的广泛概述。其既不旨在标识本说明书的关键或必要元素,也不旨在界定本说明书的特定实施例的任何范围或权利要求的任何范围。其唯一目的是以简化的形式呈现本说明书的一些概念,作为稍后呈现的更详细描述的序言。
附图说明
现在仅通过示例并参考附图来描述本发明的一些实施例。在所有附图上相同的参考标号表示相同的元件或相同类型的元件。
图1图示了说明性实施例中的通信系统。
图2图示了说明性实施例中由RAN服务的地理区间。
图3图示了说明性实施例中的基站。
图4A图示了说明性实施例中来自单个基站的重叠小区。
图4B图示了说明性实施例中来自相邻基站的重叠小区。
图5是说明性实施例中的负载管理优化系统的框图。
图6A是图示了在说明性实施例中操作吞吐量优化器的方法的流程图。
图6B是说明性实施例中的扇区吞吐量优化的示意图。
图7A是图示了在说明性实施例中执行迭代扇区优化的方法的流程图。
图7B是图示了在说明性实施例中执行迭代扇区优化的另一种方法的流程图。
图8是图示了在说明性实施例中生成小区的负载曲线的方法的流程图。
图9图示了说明性实施例中的用户吞吐量图。
图10是图示了说明性实施例中的小区的聚合用户吞吐量曲线的图表。
图11是图示了说明性实施例中的无界优化方法的流程图。
图12是图示了说明性实施例中的聚合用户吞吐量曲线的图表。
图13是图示了说明性实施例中的有界优化方法的流程图。
图14是说明性实施例中的网络的RSRP直方图。
图15是图示了说明性实施例中的定时提前直方图的曲线图。
图16是图示了说明性实施例中的线性自适应方法的流程图。
图17是图示了说明性实施例中的梯度自适应方法的流程图。
图18是图示了在说明性实施例中训练机器学习系统的方法的流程图。
图19是图示了说明性实施例中的训练数据的收集的示意图。
图20是图示了在说明性实施例中对原始KPI值进行预处理的方法的流程图。
图21是图示了在说明性实施例中对布置在仓中的原始KPI值进行预处理的方法的流程图。
图22是图示了说明性实施例中的收益预测模型的训练的示意图。
图23是图示了在说明性实施例中使用正收益预测和迭代扇区优化的方法的流程图。
图24是图示了在说明性实施例中执行直接扇区优化的方法的流程图。
图25是图示了说明性实施例中的优化模型的训练的示意图。
图26是图示了在说明性实施例中利用优化模型执行直接扇区优化的方法的流程图。
图27是图示了在说明性实施例中利用收益预测模型执行直接扇区优化的方法的流程图。
图28是图示了在说明性实施例中利用收益预测模型的直接扇区优化的示意图。
具体实施方式
附图和以下描述图示了具体的示例性实施例。因此,应当了解,本领域技术人员将能够设计出各种布置,尽管本文没有明确地描述或示出,但是这些布置体现了实施例的原理并且被包括在实施例的范围内。此外,本文描述的任何示例旨在帮助理解实施例的原理,并且应被解释为不限于此类具体列举的示例和条件。因此,本发明构思不限于下面描述的具体实施例或示例,而是由权利要求及其等同物来限制。
图1图示了说明性实施例中的通信系统100。通信系统100是其中最后链路是无线的蜂窝网络或移动网络,并且向多个设备提供语音和/或数据服务。通信系统100是第四代(4G)网络(例如,长期演进(LTE)网络)、下一代网络(例如,5G或更高版本)或另一类型的网络。通信系统100被图示为向用户设备(UE)110提供通信服务。UE 110可被启用以用于语音服务、数据服务、机器对机器(M2M)或机器类型通信(MTC)服务和/或其他服务。UE 110可以是最终用户设备,诸如移动电话(例如,智能电话)、平板电脑或PDA、具有移动宽带适配器的计算机等。UE 110在本文中可以一般性地被称为“用户”。
通信系统100包括通过无线电接口来与UE 110通信的一个或多个无线电接入网络(RAN)120。RAN 120可以支持演进型UMTS陆地无线电接入网(E-UTRAN)接入、无线局域网(WLAN)接入、新无线电接入技术(RAT)等。作为示例,RAN 120可以包括E-UTRAN或下一代RAN(NG-RAN)。RAN 120包括分散在地理区间上的多个基站122。基站122包括使用无线电通信技术来与UE 110通信并将UE 110与核心网络130进行接口连接的实体。如上所述,基站122包括被配置为经由空中接口来与UE 110进行接口连接的设备,诸如天线、发射机、接收机等,以及被配置为与核心网络130进行接口连接的设备,诸如路由器、控制器等。基站122中的一个或多个可以在许可频谱上进行通信,并且基站122中的一个或多个可以在未经许可的频谱上进行通信。在一个实施例中,基站122中的一个或多个可以包括E-UTRAN的演进节点B(eNodeB)。在另一个实施例中,基站122中的一个或多个可以包括NG-RAN的gNodeB(NR基站)和/或ng-eNodeB(支持5G核心网络的LTE基站)。
核心网络130是通信系统100的中心扇区,其向通过RAN 120连接的客户提供各种服务。核心网络130的一个示例是如3GPP针对LTE所建议的演进分组核心(EPC)网络。核心网络130的另一个示例是由3GPP所建议的5G核心网络。核心网络130包括网络元件132,网络元件132可以包括为UE 110提供服务的服务器、设备、装置或设备(包括硬件)。EPC网络中的网络元件132可以包括移动性管理实体(MME)、服务网关(S-GW)、分组数据网络网关(P-GW)等。5G网络中的网络元件132可以包括接入和移动性管理功能(AMF)、会话管理功能(SMF)、策略控制功能(PCF)、应用功能(AF)、用户平面功能(UPF)等。
通信系统100还包括网络管理系统(NMS)140。网络管理系统140是监视、维护和管理RAN 120和/或核心网络130的系统,并为网络运营商提供查看和管理RAN 120和/或核心网130的操作的功能性。网络管理系统140包括性能管理(PM)子系统142和配置管理(CM)子系统144。性能管理子系统142被配置为收集来自RAN 120和/或核心网络130的性能指示符或度量(即,关键性能指标(KPI))。配置管理子系统144被配置为监视、更新网络配置参数并向RAN 120和/或核心网络130报告网络配置参数。网络管理系统140还包括负载管理子系统146。负载管理子系统146被配置为实现一个或多个负载管理特征148以在RAN 120的小区之间分布RAN 120中的负载。为了示例起见,负载管理子系统146被图示为网络管理系统140的一部分,并且负载管理子系统146的至少一些部分可以根据需要被实现在RAN 120、基站122或另一网络元件中。
由负载管理子系统146所利用的负载管理特征148可以取决于用户(即,UE 110)的状况或状态。作为一些背景,当开机时,UE 110通过测量一组信道的接收信号强度指示符(RSSI)来执行小区选择。RSSI超过阈值的信道被认为是UE 110的候选小区。UE 110对主同步信号(PSS)和辅助同步信号(SSS)进行解码以实现下行链路帧同步,并标识每个候选小区的物理层小区身份(PCI)。UE 110还通过对由小区通过广播信道广播的主信息块(MIB)和系统信息块(SIB)进行解码来接收每个小区的系统信息。MIB携带小区的物理层信息,该信息协助UE 110接收另外的SIB(例如,系统带宽)。SIB携带其他系统信息,诸如公共陆地移动网络(PLMN)ID、小区ID、跟踪区间代码(TAC)、小区禁止信息(例如,是否禁止UE驻留在小区上)、小区优先级信息等。UE 110然后基于其小区选择标准来选择候选小区之一,并且驻留在所选择的小区上。在此时,UE 110在下行链路(DL)方向上与RAN 120同步。为了在上行链路(UL)方向上与RAN 120同步,UE 110在物理随机接入信道(PRACH)上执行随机接入过程(RAP)。随机接入过程可以如下时间发生:在UE 110初始接入时、在无线电资源控制(RRC)连接重建过程期间、在切换时、在UL同步丢失时等。
当UE 110根据RRC层而驻留在所选择的小区上时,UE 110在空闲模式(或非连接模式)和连接模式(或活动模式)之间转变。空闲模式(例如,RRC_IDLE)是UE 110的待机模式,其中被用于RRC消息的信令无线承载(SRB1)未被建立或被拆除,并且没有服务基站122被指派给UE 110。在空闲模式中,UE 110与RAN 120进行有限的通信,诸如接收RRC寻呼消息。当UE 110有数据要传送到RAN 120(UL数据)或接收到为UE 110缓冲数据的寻呼消息(DL数据)时,UE 110可以发起RRC连接建立过程,其将UE 110转变到连接模式(例如,RRC_CONNECTED)。在连接模式中,建立RRC连接,并且UE 110能够向基站122传送数据以及从基站122接收数据。通过建立RRC连接,在UE 110和基站122之间建立SRB1以用于信令消息的交换。
取决于UE 110是处于空闲模式还是连接模式,UE移动性被不同地处理。在空闲模式中,UE 110决定驻留在哪个小区,但是在小区级别可能不知道UE 110的存在,因为基站122不具有UE 110的任何上下文。然而,基站122可以通过配置参数影响UE 110的小区重选。在连接模式中,RAN 120已知UE 110的存在,并且RAN 120使用被称为切换的过程来控制哪个小区服务于UE 110。
由负载管理子系统146所利用的一个负载管理特征148可以执行空闲模式负载平衡,其中基于当前活动用户状况为空闲用户调整小区重选参数。控制小区重选的参数在SIB中被传送给UE。由负载管理子系统146利用的另一负载管理特征148可以执行活动模式负载平衡,其允许活动用户跨小区进行负载平衡以降低跨小区的整体拥塞。对于活动模式负载平衡,RAN 120在决定负载平衡之前可以直接测量并了解每个用户的业务要求和无线电状况。活动模式负载平衡是通过使用切换配置参数从服务小区到目标小区的切换过程来执行的。由负载管理子系统146利用的又一个负载管理特征148可以执行频率间负载平衡。负载管理子系统146可以实现上述负载管理特征148中的一个或多个,或者本文未具体讨论的其他负载管理特征。负载管理特征148可以基于负载分布参数来操作,这将在下面进一步详细描述。
图2图示了说明性实施例中由RAN 120服务的地理区间200。地理区间200被划分为称为扇区202的更小区域(被图示为六边形)。在这个实施例中,基站122位于扇区202的边缘处,使得一个或多个基站122的小区为扇区202的至少一部分提供覆盖范围。应当注意,为了简洁起见,基站122的子集如图2中所示,并且RAN 120可以包括更多基站122以在整个地理区间200上提供足够的覆盖范围。图3图示了说明性实施例中的基站122。在这个实施例中,基站122位于三个扇区202的交叉处,并且形成三个小区301-303。例如,基站122可以包括三个定向天线,每个定向天线提供120度的覆盖范围以形成小区301-303。然而,图3中所示的实现方式仅是示例,并且在其他实施例中,基站122可以形成不同数量的小区301-303。基站122的每个小区301-303可以使用不同的载波频率进行操作。例如,小区301可以使用载波频率f1,小区302可以使用载波频率f2,并且小区303可以使用载波频率f3。
在一种部署中,多个小区可以在扇区202处重叠,以避免覆盖范围中的间隙、使扇区202处的带宽最大化等等。与扇区202重叠的小区可以来自同一基站122,和/或来自相邻或邻近基站122。图4A图示了说明性实施例中来自单个基站122的重叠小区。在这个实施例中,基站122被安装在扇区202的边缘处或附近,并且形成或提供在扇区202处重叠的三个小区401-403。例如,基站122可以包括朝向扇区202瞄准的三个定向天线,并形成三个小区401-403。因此,小区401-403“堆叠”在扇区202处,并且至少扇区地共享它们的空间占地。取决于载波频率、传送/接收功率等,小区401-403可以具有不同的范围。由于各个小区401-403的位置和范围,小区401-403可以在扇区202处完全或部分重叠。小区401-403可以使用不同的载波频率(例如,f1、f2和f3)进行操作,并且属于彼此不同的频率层以避免干扰。注意,载波频率f1、f2和f3的标记被用于区分与扇区202重叠的小区401-403的载波频率,并不意味着指示使用如图3中所示相同的载波频率。本文描述的小区的实际载波频率是基于期望的频率重用方案来指派的。
在另一个实施例中,与扇区202重叠的小区401-403可以来自两个或更多相邻基站122。图4B图示了说明性实施例中来自相邻基站122的重叠小区。在这个实施例中,示出了安装在扇区202的边缘处或附近的三个相邻或邻近基站122-1、122-2和122-3。基站122-1形成或提供小区401(由实线所指示),基站122-2形成或提供小区402(由虚线所指示),并且基站122-3形成或提供小区403(由点线所指示)。注意,为了简单起见,未示出这些基站122的其他小区。如上,小区401-403可以取决于载波频率、传送/接收功率等而具有不同的范围。由于各个小区401-403的位置和范围,小区401-403可以在扇区202处完全或部分重叠。每个小区401-403可以使用不同的载波频率(例如,f1、f2和f3)来操作,并且属于彼此不同的频率层以避免干扰。
在上述实施例中与扇区202重叠的小区401-403的数量是作为示例而被提供的,并且在其他实施例中可以有更多或更少的小区与扇区202重叠。
与扇区202重叠的小区401-403通常在覆盖范围(例如,到达范围)和性能(例如,提供给UE 110的用户吞吐量)方面不同。可以通过在小区401-403之间转向用户来实现改进;通常从具有较低性能的负载小区到具有较高性能的负载较少的小区。负载管理子系统146(参见图1)被配置为实现一个或多个负载管理特征148(即,负载平衡或负载均衡)以在小区401-403之间分布负载。在本文描述的实施例中,通信系统100还实现负载管理优化系统150。负载管理优化系统150被配置为确定与扇区202重叠的小区401-403的优化业务拆分。更具体地,负载管理优化系统150在确定扇区202中每个小区401-403的用户的最佳比例以在小区401-403之间分布业务时,考虑扇区202的用户吞吐量,这被称为扇区吞吐量优化。因此,负载管理优化系统150可以向网络(即,网络管理系统140和/或RAN 120)提供最佳比例的推荐,以帮助将业务转向至与扇区202重叠的小区401-403。
图5是说明性实施例中的负载管理优化系统150的框图。在高层,负载管理优化系统150被配置为优化如何在与扇区202重叠的小区401-403之间分布业务。负载管理优化系统150可以被实现在如图1中所示的网络管理系统140外部(例如,在不同的基础设施上),可以被实现在同一基础设施上的网络管理系统140处,可以被分布在网络管理系统140和外部基础设施之间,可以被实现在RAN 120内或RAN 120内的基站122内等等。例如,运营商可以购买负载管理优化系统150,并将该负载管理优化系统150实现用于RAN 120和/或该运营商的网络的其他RAN。在另一示例中,负载管理优化系统150可以由第三方提供商实现,并且运营商可以雇用第三方提供商来优化该运营商的网络的一个或多个扇区的业务分布。
在这个实施例中,负载管理优化系统150可以包括或提供以下子系统:网络接口组件502和吞吐量优化器504。网络接口组件502是与其他元件(诸如RAN 120、网络管理系统140、核心网络130和/或其他系统)交换消息、信令或分组的硬件组件。例如,网络接口组件502可以从PM子系统142接收性能度量/指示符,并且可以将配置参数传送到CM子系统144。网络接口组件502可以使用各种协议来操作。
吞吐量优化器504包括被配置为执行扇区吞吐量优化的电路系统、逻辑、硬件、部件等。作为扇区吞吐量优化的一部分,吞吐量优化器504确定扇区202的推荐负载分布参数,其使扇区202的聚合用户吞吐量最大化。推荐负载分布参数可以被提供给RAN 120利用的一个或多个负载管理特征148,诸如提供给RAN 120的配置参数的一部分。因此,负载管理特征148然后可以基于推荐负载分布参数在扇区的小区之间智能地分布用户,这提高了总体用户吞吐量并提供了优质的最终用户体验。
负载管理优化系统150可以包括图5中未具体图示的各种其他组件或子系统。
负载管理优化系统150的一个或多个子系统可以在包括模拟和/或数字电路系统的硬件平台上实现。负载管理优化系统150的一个或多个子系统可以在执行存储在存储器532中的指令534的处理器530上实现。处理器530包括被配置为执行指令534的集成硬件电路,并且存储器532是用于数据、指令534、应用等的非暂时性计算机可读存储介质,并且可由处理器530访问。在其他替代方案中,负载管理优化系统150的一个或多个子系统可以在边缘云540、一个或多个服务器542或另一架构(例如,多接入边缘计算(MEC)架构)上被实现。
图6A是图示了在说明性实施例中操作吞吐量优化器504的方法600的流程图。本文描述的流程图的步骤并未包括全部,并且可以包括未示出的其他步骤,并且这些步骤可以以替代顺序来执行。吞吐量优化器504可以在RAN 120的一个或多个扇区202上操作。例如,运营商可以实现吞吐量优化器504以在其扇区202中的每一个、扇区202的子集等等上操作。因此,吞吐量优化器504标识以优化为目标的扇区202(步骤602),其可以被称为目标扇区。吞吐量优化器504然后对该扇区执行扇区吞吐量优化(步骤604)。下面描述执行扇区吞吐量优化的更详细步骤。可以根据运营商的期望对数个扇区202重复方法600。图6B是说明性实施例中的扇区吞吐量优化的示意图。吞吐量优化器504接收关于具有重叠小区的扇区202的扇区信息620,并对扇区202执行扇区吞吐量优化以生成针对扇区202的推荐负载分布参数622,其使扇区202的聚合用户吞吐量最大化。
扇区吞吐量优化可以以如下所讨论的多种方式来执行。扇区吞吐量优化的一种方式是通过迭代过程,在本文中被称为迭代扇区优化。利用迭代扇区优化,吞吐量优化器504通过多个迭代确定使扇区的聚合用户吞吐量最大化的推荐负载分布参数622。扇区吞吐量优化的另一种方式是通过机器学习(ML)系统。利用ML系统,吞吐量优化器504基于“相似”扇区的训练数据来确定使扇区的聚合用户吞吐量最大化的推荐负载分布参数622,并且在本文中被称为直接扇区优化。
迭代扇区优化
为了执行迭代扇区优化,图5中的吞吐量优化器504可以实现具有以下子系统的迭代优化单元510:负载曲线管理器512和优化管理器514。负载曲线管理器512包括被配置为标识或生成RAN 120的小区401-403的负载曲线的电路系统、逻辑、硬件、部件等。负载曲线是小区的性能模型,其指示小区的用户吞吐量与小区中的活动用户数量之间的关系。优化管理器514包括被配置为确定与扇区202重叠的小区401-403之间的优化业务拆分的电路系统、逻辑、硬件、部件等。如下文更详细描述的,优化管理器514被配置为确定使扇区202的聚合用户吞吐量最大化或增加的每个小区401-403的目标用户数量,这指示小区401-403之间的优化业务拆分。优化管理器514还可以被配置为基于优化业务拆分来确定、修改或适配推荐负载分布参数622。
图7A是图示了在说明性实施例中执行迭代扇区优化的方法700的流程图。方法700的步骤将参考图5中的负载管理优化系统150来描述,但是本领域技术人员将了解,方法700可以在其他系统中被执行。
在RAN 120的扇区202(诸如在图6A中的步骤602中标识的扇区)上执行迭代扇区优化。优化管理器514标识在扇区202处重叠的多个小区401-402(步骤702)。在这个实施例中,为了该描述的清楚起见,假设小区401-402在扇区202处重叠,但是多于两个小区可以重叠,如图4A和图4B中所示。在连续迭代中针对扇区202执行如下所述的迭代扇区优化,在本文中被称为优化迭代(例如,每个迭代包括一周)。优化迭代是收集要用于优化的数据并且将根据优化计算出的设置应用于RAN 120的间隔。在接收扇区信息620时在优化迭代开始时读取RAN 120的状态。该状态指示诸如小区401-402的载波频率的静态配置参数,以及诸如小区401-402的活动用户数量和用户吞吐量的动态参数。
优化管理器514被配置为确定小区401-402之间的负载分布,其导致针对当前优化迭代的扇区202的最大聚合用户吞吐量。扇区202的聚合用户吞吐量是在扇区202处重叠的每个小区401-402的用户吞吐量之和,如下:
Aggregated UserTput扇区=(ActiveUsers小区-1*UserTput小区-1)+(ActiveUsers小区-2*UserTput小区-2)+…(ActiveUsers小区-n*UserTput小区-n)
对于当前优化迭代,优化管理器514在优化迭代期间——诸如在繁忙小时期间——确定某一时刻或时间点在扇区202中的活动用户的总数(步骤708),如下文更详细描述的。“活动”用户指的是处于连接模式的UE 110,并且被调度用于用户数据事务(即,数据被加载到缓冲器中以用于向UE 110的传输或从UE 110的传输)。优化管理器514可以确定每个小区401-402的活动用户的实际数量,并对每个小区401-402的活动用户的实际数量进行求和以获得扇区202中的活动用户的总数。
优化管理器514随后确定使扇区202的聚合用户吞吐量最大化的每个小区401-402的目标用户数量(步骤710)。每个小区401-402的目标用户数量之和等于扇区202中的活动用户的总数,如步骤708中所确定的。例如,假设扇区202中的活动用户的总数是24。在24个活动用户中,优化管理器514确定使扇区202的聚合用户吞吐量最大化的小区401的用户目标数量和小区402的用户目标数量。
每个小区401-402的目标用户数量指示小区401-402之间的优化业务拆分。优化业务拆分根据用户吞吐量性能表示与扇区202重叠的小区401-402中的活动用户的最佳分布。优化业务拆分指示小区401-402中的每一个的业务的优化业务百分比或比例。例如,优化业务拆分可以指示小区401的优化业务百分比为“33%”和小区402的优化业务百分比为“67%”。
优化管理器514然后基于每个小区401-402的目标用户数量来确定、适配或修改扇区202的推荐负载分布参数622(步骤712)。推荐负载分布参数622可以包括百分比值、百分比权重或被用于负载管理的一些其他值或指示符。推荐负载分布参数622还可以包括每个小区的目标用户数量、业务拆分或其他信息。负载分布参数可以最初被指派给扇区202,并且可以随着每个优化迭代而被适配或调整。因此,在确定推荐负载分布参数622时,优化管理器514可以调整或适配最初指派给扇区202的负载分布参数(诸如对于第一迭代),或者适配来自先前优化迭代的负载分布参数。优化管理器514然后可以在RAN 120的扇区202中应用推荐负载分布参数622(如在当前优化迭代中确定的)(步骤714)。在一个实施例中,优化管理器514可以诸如通过网络接口组件502向RAN 120(例如,自动地)提供、发送或传送推荐负载分布参数622,使得基于推荐负载分布参数622在小区401-402之间分布用户。例如,优化管理器514可以将具有推荐负载分布参数622的控制信号自动传送到RAN 120。在另一个实施例中,优化管理器514可以将推荐负载分布参数622发送到网络管理系统140,和/或另一系统,其进行操作以在RAN 120中应用推荐负载分布参数622。例如,优化管理器514可以将具有推荐负载分布参数622的控制信号自动传送到网络管理系统140。
注意,优化管理器514可以在步骤714中选择性地应用推荐负载分布参数622。例如,可能存在推荐负载分布参数622未导致扇区202处的聚合用户吞吐量中的正收益的实例。在这样的场景中,优化管理器514可以掩蔽在当前优化迭代中确定的推荐负载分布参数622,并且维持来自先前优化迭代的负载分布参数,这将在下面更详细地描述。
在一个实施例中,负载曲线管理器512标识小区401-402的负载曲线(可选步骤704)。如上所述,负载曲线是小区的性能模型,其指示小区的用户吞吐量与小区中的活动用户数量之间的关系。在一个实施例中,负载曲线管理器512可以生成如图8中所示的小区401-402中的每一个的负载曲线。每个小区401-402在取决于频率、带宽、信号水平覆盖范围、邻居干扰、用户地理分布和用户业务简档在各个负载点处具有其自己的个体用户吞吐量简档,其由负载曲线来表示。图8是图示了在说明性实施例中生成小区401的负载曲线的方法800的流程图。负载曲线管理器512确定或计算在聚合时段(诸如一小时内)期间的小区401的用户吞吐量(步骤802)。用户吞吐量是在小区内的活动用户平均为下行链路(DL)通信接收的或为上行链路(UL)通信传送的数据(即,分组)量。例如,小区的用户吞吐量可以被表达如下:
其中,d=在小区中传送的数据体量,t=在小区中的总传输时间(包括调度时延),n=在小区中传送数据的用户的数量。
负载曲线管理器512还确定在聚合时段期间在小区401中的活动用户数量(步骤804)。活动用户数量是在聚合时段期间在小区401内或由小区401服务的并行用户(即,缓冲器中具有数据)的平均数量。然后,负载曲线管理器512基于在聚合时段期间为小区401确定的用户吞吐量和活动用户数量,在用户吞吐量图(例如,散点图)上添加样本(步骤806)。
负载曲线管理器512在比聚合时段更长的收集时段内重复步骤802-806,以获得用户吞吐量图上的多个样本(即,数据集)。图9图示了说明性实施例中的用户吞吐量图900。用户吞吐量图900将用户吞吐量作为Y轴(以Mbps为单位),并将活动用户数量作为X轴。用户吞吐量图900上的每个样本902表示在聚合时段(例如,一小时)期间与活动用户数量相关的小区401的用户吞吐量。在图8中的收集时段结束之后,负载曲线管理器512基于用户吞吐量图900来生成小区401的负载曲线(步骤808)。图9示出了从用户吞吐量图900确定的负载曲线904。负载曲线904图示了用户吞吐量和小区401中的活动用户数量之间的关系或相关性。负载曲线管理器512可以使用回归算法或另一技术来生成负载曲线904。例如,用户吞吐量图900可以用以下算法进行回归:
其中x=活动用户的数量,y=用户吞吐量,δ=样本最小值x(增量偏移),κ=样本最大值y(上限值),γ=收敛,β=弯曲,Y=最大y值(用户吞吐量)。
负载曲线904可以取决于RF环境(例如,用户位置和后续干扰水平(SINR)),并且取决于频率、带宽和多输入多输出(MIMO)模式。RF环境难以预测,但是频率、带宽和MIMO模式在被改变时对负载曲线904具有可计算的影响。因此,可以预测影响,并且负载曲线管理器512可以根据小区401-402的频率、带宽和MIMO模式来重新缩放负载曲线904。
用户吞吐量对活动用户数量的相关性对于每个小区401-402可以是独特的。因此,负载曲线管理器512可以针对每个小区401-402(以及RAN 120内的其他小区)执行方法800以生成特定于每个小区401-402的负载曲线904。负载曲线管理器512可以将负载曲线904存储在诸如存储器532或数据库中。
可能存在小区401-402的数据集由于低负载而未达到统计有效性的情形。因此,负载曲线管理器512可以在负载曲线904被生成并且被认为是有效的之前定义针对数据集的一个或多个阈值。一个阈值可以是物理资源块(PRB)利用率阈值,其中小区401-402中的PRB利用率必须超过PRB利用率阈值(例如,PRB利用率>50%)。另一个阈值可以是活动用户阈值,其中小区401-402中的活动用户数量必须超过活动用户阈值(例如,活动用户数量>1)。也可以定义其他阈值。当满足阈值时,负载曲线管理器512可以生成小区401-402的负载曲线904,如方法800的步骤808中那样。当不满足一个或多个阈值时,负载曲线管理器512可以基于为RAN 120生成的预定负载曲线,将负载曲线904指派给小区401-402。例如,负载曲线管理器512可以通过根据频带、带宽、用于MIMO的码字数量对RAN 120中的小区401-402的样本进行分类来生成网络模型。负载曲线管理器512可以使用分类的样本来生成网络模型,该网络模型可以被指派给相似类型的低负载小区401-402。
进一步在图7A中,优化管理器514可以基于小区401-402的负载曲线904来生成小区401-402的聚合用户吞吐量曲线(可选步骤706)。一般来说,在任何给定时间处的小区的聚合用户吞吐量被定义为活动用户数量与其对应的用户吞吐量的乘积。因此,优化管理器514可以基于以下公式生成小区401-402的聚合用户吞吐量曲线:
Aggregated UserTput小区-1=ActiveUsers小区-1*UserTput小区-1
图10是图示了说明性实施例中的小区的聚合用户吞吐量曲线的图表1000。参考图9,图表1000将用户吞吐量作为Y轴(以Mbps为单位),并且将活动用户数量作为X轴。图表1000示出了扇区202的两个小区401-402的负载曲线1001-1002(注意,为了简单起见,讨论了两个小区401-402)。图表1000还分别示出了基于以上公式计算出的小区401-402的聚合用户吞吐量曲线1011-1012。优化管理器514可以使用聚合用户吞吐量曲线1011-1012来确定使扇区202的聚合用户吞吐量最大化的每个小区401-402的目标用户数量。例如,参见图10,当小区401服务八个用户并且小区402服务十六个用户时,可以找到扇区202的最大聚合用户吞吐量(由图表1000上的X指示)。
确定扇区202的小区401-402之间的优化业务拆分的过程可以是如图7A中所指示的连续过程。在当前优化迭代结束时(例如,一周),优化管理器514进入下一个优化迭代以确定针对下一个优化迭代使扇区202的聚合用户吞吐量最大化的每个小区401-402的目标用户数量。因此,在这个实施例中,优化管理器514连续地确定或适配用于扇区202的推荐负载分布参数622。当用户行为随时间变化(诸如每月、季节性等)时,这可能会很有益。
在另一个实施例中,迭代扇区优化可以作为优化时段(诸如两个月、三个月等)内的运动来执行。图7B是图示了在说明性实施例中执行迭代扇区优化的另一种方法的流程图。为了简洁起见,与图7A中的步骤类似的图7B中的步骤用相同的附图标记来示出并且不再讨论。在这个实施例中,在优化管理器514确定针对当前优化迭代的推荐负载分布参数622并将参数提供给另一系统(步骤712-714)之后,优化管理器514确定优化时段是否结束。当优化时段尚未结束时,优化管理器514进入下一个优化迭代。当优化时段结束时,优化管理器514将推荐负载分布参数622指派给扇区202(步骤750)。因为在优化时段期间执行多个迭代,所以优化管理器514对推荐负载分布参数622进行连续细化并且适配变化的条件(例如,空间用户分布和负载)以收敛于一组被认为是针对扇区202“优化的”推荐负载分布参数622。RAN 120可以将这些优化负载分布参数用于扇区202以及其他相似的扇区。
图7A和图7B中的这个迭代过程提供的技术益处在于,优化管理器514确定扇区202的优化业务拆分,使得以使扇区202的用户吞吐量最大化的方式在小区401-402之间转向业务。这起到增强扇区202内用户体验的作用。
在一个实施例中,优化管理器514可以在执行扇区吞吐量优化时确定扇区202的繁忙小时(BH)(可选步骤707)。繁忙小时通常是扇区在给定的二十四小时时间段内经历最大总业务负载的六十分钟时段。最大总业务负载可以基于PRB利用率、用户吞吐量或其他度量来计算。例如,优化管理器514可以使用以下算法来基于PRB利用率和用户数量来确定扇区202的繁忙小时:
Daily BH=argmax∑扇区中的第i个小区NumUsersi*PRBUtilizationi
本文讨论的优化技术可以在扇区202的繁忙小时期间具有最大效果。因此,优化管理器514可以确定在繁忙小时期间使扇区202的聚合用户吞吐量最大化的每个小区401-402的目标用户数量。例如,优化管理器514可以标识在繁忙小时期间在扇区202中的活动用户总数(对于图7A和图7B的步骤708)。小区401-402的活动用户数量可以被确定为在优化迭代期间(例如,一周)的繁忙小时的该小区401-402中的活动用户数量的平均值。例如,小区401-402繁忙小时的活动用户数可以被表达为:
NumUsers(bh)i=avg优选迭代((NumUsers(Daily BH)i)
因此,扇区202中的活动用户总数(对于步骤708)可以被确定为在繁忙小时期间与扇区202重叠的每个小区401-402的平均活动用户数量的总和。
在方法700中,优化管理器514尝试优化扇区202的每个小区401-402的用户的分布。为此,优化管理器514可以使用各种优化方案来确定用户的优化平衡(即,图7A和图7B的步骤710)。例如,优化管理器514可以执行其中不考虑域特定边界的无界优化技术,或者执行其中考虑一个或多个域特定边界的有界优化技术。可以假设优化技术是在优化迭代期间执行的,诸如几天(例如,一周)。还可以假设在优化迭代期间每小时收集一次数据。
无界优化
图11是图示了说明性实施例中的无界优化方法1100的流程图。在确定了扇区202中的活动用户总数的情况下,优化管理器514标识每个小区401-402的目标用户数量的排列,其中每个小区401-402的目标用户数量之和等于扇区202中的活动用户总数(步骤1102)。例如,如果扇区202中的活动用户总数是二十四并且存在与扇区202重叠的两个小区401-402,则优化管理器514标识小区401中的目标用户数量和小区402中的目标用户数量的每个排列,其总共等于二十四。优化管理器514计算关于每个排列的扇区202的聚合用户吞吐量(步骤1104)。优化管理器514然后标识为扇区202提供最大聚合用户吞吐量的推荐排列(步骤1106)。推荐排列指示使扇区202的聚合用户吞吐量最大化的每个小区401-402的目标用户数量(还参见图7A和图7B的步骤710)。因此,优化管理器514可以使用推荐排列的百分比或比率来确定优化业务拆分,并且相应地确定扇区202的推荐负载分布参数622。
为了标识排列,优化管理器514可以创建扇区202的小区401-402(即,列)和目标用户数量(即,行)的二维优化表。优化表的列指示与扇区202重叠的小区401-402,并且优化表的行指示用户数量。为了填充优化表的字段,优化管理器514基于每个小区401-402的负载曲线904和对应行的用户数量来计算每个小区401-402的聚合用户吞吐量。因此,优化表的字段指示每个用户数量和每个小区401-402的聚合用户吞吐量(Mbps)。使用扇区202中的活动用户总数的约束,优化管理器514能够从优化表中标识每个排列。
优化管理器514可以计算由推荐排列提供的扇区202的最大聚合用户吞吐量的增益(步骤1108)。优化管理器514可以基于扇区202的基线聚合用户吞吐量来计算增益。图12是图示了说明性实施例中的聚合用户吞吐量曲线的图表1200。图表1200类似于图10中的图表1000,并且示出了每个小区401-402的基线用户数量。在这个示例中,小区401中的基线用户数量是4,并且小区402中的基线用户数量是20。基于该基线用户数量,扇区202的聚合用户吞吐量将约为43Mbps(即,小区401的30Mbps和小区402的13Mbps之和)。同样在这个示例中,可以假设为扇区202提供最大聚合用户吞吐量的推荐排列是小区401中的八个用户和小区402中的十六个用户。换句话说,推荐是将四个用户从小区402移动到小区401以实现扇区202的最大聚合用户吞吐量。对于该推荐排列,扇区202的聚合用户吞吐量将约为46Mbps(即,小区401的32Mbps和小区402的14Mbps之和)。优化管理器514可以通过比较每个小区401-402的基线用户数量的聚合用户吞吐量和推荐排列的聚合用户吞吐量来计算推荐排列的增益。在这个示例中,增益约为7%(100*((46/43)-1))。
当针对推荐排列所确定的增益超过增益阈值时,优化管理器514基于推荐排列来确定每个小区401-402的目标用户数量(步骤1110,类似于图7A和图7B中的步骤710)。换言之,推荐排列指示与扇区202重叠的小区401-402之间的优化业务拆分。当增益没有超过增益阈值时,优化管理器514可以在当前优化迭代期间不确定每个小区401-402的目标用户数量,并等待下一优化迭代(步骤1112)。
对于上面讨论的优化技术,优化管理器514可以确定在针对扇区202的繁忙小时期间的每个小区401-402的基线用户数量,以计算推荐排列的增益(对于步骤1108)。例如,在繁忙小时的小区401中的平均活动用户数量和在繁忙小时的小区402中的平均活动用户数量可以被用作基线,用于与由推荐排列所实现的增益进行比较(对于步骤1108)。
有界优化
另一种优化技术是有界优化。由于RAN 120中的RF约束,可能无法根据导致最大聚合用户吞吐量的排列将业务从一个小区转向到另一小区。对于图12中的示例来说,推荐是将四个用户从小区402移动到小区401。然而,由于诸如覆盖范围、干扰、CQI以及用户在距基站122(即,天线)的距离方面的空间分布等的RF约束,在小区401-402之间移动这么多用户可能是不可行的。
图13是图示了说明性实施例中的有界优化方法1300的流程图。优化管理器514确定每个小区401-402的目标用户数量的上限和下限(步骤1302)。上限和下限是基于与扇区202重叠的每个小区401-402的性能度量来确定的。例如,下限和上限(每个小区)可以被表示如下:lowNumUsers(BH)i和highNumUsers(BH)i。
界限可以被定义为:
[0,1]中的f_lower(DeltaNumUsers(i,j)),和[0,1]中的f_upper(DeltaNumUsers(i,j))
下限可以被定义为:
lowerNumUsers(BH)i=NumUsers(BH)i-NumUsers(BH)i Maxj(ΔNumUsers(i,j))
这描述了可以从第i个小区获取更多用户的第j个小区施加的下限。变量(ΔNumUsers(i,j))是由于诸如覆盖范围、干扰和CQI之类的域考虑因素而可以从第i个小区移动到第j个小区的用户数量,这些域考虑因素会影响调制的选择并因此影响吞吐量、用户分布距离、小区范围等。
上限可以被定义为:
upperNumUsers(BH)i=NumUsers(BH)i+NumUsers(BH)jMaxj(1-ΔNumUsers(i,j))
变量(1-ΔNumUsers(i,j))是由于诸如覆盖范围、干扰和CQI之类的域考虑因素而可以从第j个小区移动到第i个小区的用户数量,这些域考虑因素会影响调制的选择并因此影响吞吐量、用户分布距离、小区范围等。
ΔNumUsers(i,j)的定义可以被表达为:
上面矩阵中的值是百分比。
优化管理器514标识每个小区401-402的目标用户数量的排列,其中每个小区401-402的目标用户数量之和等于扇区202中的活动用户总数,并且每个小区的目标用户数量401-402在每个小区401-402的上限和下限内(步骤1304)。优化管理器514计算关于每个排列的扇区202的聚合用户吞吐量(步骤1306),并且标识为扇区202提供最大聚合用户吞吐量的推荐排列(步骤1308)。推荐排列指示基于有界优化技术的约束而导致扇区202的最大聚合用户吞吐量的每个小区的用户的百分比或比率。优化管理器514可以计算由推荐排列所提供的扇区202的最大聚合用户吞吐量的增益(步骤1310)。当针对推荐排列所确定的增益超过增益阈值时,优化管理器514基于推荐排列来确定每个小区401-402的目标用户数量(步骤1312,类似于图7A和图7B中的步骤710)。换言之,推荐排列指示与扇区202重叠的小区401-402之间的优化业务拆分。当增益没有超过增益阈值时,优化管理器514可以在当前优化迭代期间不确定每个小区401-402的目标用户数量,并等待下一优化迭代(步骤1314)。
上限和下限可以基于小区401-402的参考信号接收功率(RSRP)(覆盖范围)、定时提前(空间用户分布)、RSRP和定时提前的组合和/或其他因素来确定。在一个实施例中,优化管理器514可以基于RSRP来确定每个小区401-402的目标用户数量的上限和下限(可选步骤1320)。RSRP是从小区401-402的频带内的单个参考信号接收的平均功率。以下是描述UE接收机处的两个小区401-402之间的平均ΔRSRP的矩阵:
在该矩阵中,第i个小区是服务小区,第j个小区是目标小区。
变量ΔRSRP(i,j)[dB]由两个分量组成:
ΔRSRP(i,j)[dB]=ΔEiRP(i,j)[dB]+ΔPathLoss(i,j)[dB]
其中:
知
EiRP=RSPower-LineLosses+AntennaGain
其中RSPower[dBm]是基站的参考信号输出功率,LineLosses[dB]是基站和天线之间的聚合衰减,并且AntennaGain[dB]是天线的增益。
使用COST Hata模型,路径损耗可以被表达如下:
作为一个示例,ΔRSRP(i,j)[dB]的矩阵可以被计算如下:
i,j索引表示从最低到最高的载波频率顺序,并且相对于小区范围相反。例如,i=j=0是700Mhz覆盖层(较大的小区范围或覆盖范围小区),并且i=j=3表示2300Mhz覆盖层(较小的小区范围或容量小区)。
考虑到切换(HO)策略的约束,切换矩阵可以用切换阈值(即,为A5_HO_thr(例如,-116dBm)和Margin_HO_thr)被定义如下:
覆盖矩阵可以被计算如下:
该方法是,给定用户驻留在经受某个覆盖范围(RSRP)的第i个小区,如果第j个小区的RSRP比切换阈值(A5_HO_thr)大给定余量(Margin_HO_thr),则允许用户移动到第j个小区。确定驻留在能够满足上述条件的第i个小区上的用户数量。这可以根据优化中的网络中可用的措施的类型以不同的方式来完成。例如,如果RSRP/RSRQ直方图测量可用,则可以采用以下过程。RSRP小于或等于给定值的观察的数量的累积分布为Cum(RSRP_histogram(bink))。RSRP_histogram(bink)每小时收集一次。可以根据不同的选项来计算累积:(1)在优化迭代中累积所有{RSRP_histogram(bink)}来计算Cum(RSRP_histogram(bink)),或者(2)在优化迭代的繁忙小时中累积所有{RSRP_histogram(bink)}来计算Cum(RSRP_histogram(bink))。假设用户的累积百分比等于累积观察数量。下文针对扇区202中的频率层报告Cum(RSRP_histogram(bink))。图14是说明性实施例中的网络的RSRP直方图1400。为了应用该方法,选择服务小区(例如,i=0),选择目标小区(例如,j=1),确定ΔCoverage(i,j)[dB],并且读取Cum(RSRP_histogram(bink)(==ΔCoverage(i,j)[dB])),这提供了根据切换策略无法以稳定的方式从第i个小区移动到第j个小区的用户的百分比,并且对应于ΔNumUsers(i,j)。
在另一个实施例中,优化管理器514可以基于定时提前来确定每个小区401-402的目标用户数量的上限和下限(图13中的可选步骤1322)。定时提前是在UE处在接收的下行链路子帧的开始与传送的上行链路子帧的开始之间的负偏移。定时提前直方图根据距天线的距离提供用户空间分布。图15是说明性实施例中的定时提前直方图的图表1500。图表1500的X轴是距天线的范围(米),而Y轴是活动用户的百分比。R1被认为是具有较小小区半径的较小小区,并且R2被认为是具有较大小区半径的较大小区。优化管理器514可以计算较小小区的累积用户数量(CUM(ctr(j),R1)),其被示为曲线1501。优化管理器514还可以计算较大小区的累积用户数量(CUM(ctr(j),R2)),其被示为曲线1502。优化管理器514还确定参考百分比(例如,第95个百分位数)。优化管理器514确定在参考百分比处的较小小区的横坐标(由图15中的R1指示)。优化管理器514然后确定较小小区的该横坐标与较大小区的曲线相交的位置。较小小区的横坐标与较大小区的曲线相交的纵坐标表示可以从较大小区移动到较小小区的用户的最大百分比。在图15中所示的示例中,大约80%的用户可以被移动到较大小区。该百分比可以被用于确定上限和下限。
在另一个实施例中,优化管理器514可以基于定时提前(图13的可选步骤1322)和小区401-402的RSRP(可选步骤1320)来确定每个小区401-402的目标用户数量的上限和下限。
在又一个实施例中,优化管理器514可以基于路测最小化(MDT)测量(图13的可选步骤1324)来确定每个小区401-402的目标用户数量的上限和下限。地理参考MDT测量允许创建UE(即,用户)的空间分布和小区401-402中的每一个的简化覆盖范围地图两者。两者都可以被用来产生对用户可以从一个小区401-402移动到另一小区401-402的概率的详细估计。然后,这样的估计可用于得出如上所述的优化技术的适当界限。
当启用MDT特征时,连接的UE周期性地(例如,每十秒)报告以下信息:GPS位置形状(即,纬度、经度、高度、不确定性半轴)、服务小区(在载波聚合(CA)的情况下是主小区)的RSRP和RSRQ、使用PCI第3层标识的第1至第8个受监视LTE频内相邻小区的RSRP和RSRQ、PUCCH和PUSCH SINR、功率余量、定时提前(TA,瞬时或连续)、秩指示符、单/双码字Tx、单/双码字Tx故障、下行链路/上行链路延迟、下行链路/上行链路PDCP数据体量、缓冲数据的传输时间间隔(TTI)数量、宽带CQI、上行链路调制和编码方案(MCS)以及PDSCH和PUSCH PRB分发。
在适当的时段(例如一到四周)内收集并经过适当的时间和空间平均的这些信息可以以不同的方式来进行使用。最简单的方法是计算两个小区401-402之间的UE空间分布的重叠,作为小区401-402中可以被转向到每一个其他小区401-402的UE的百分比的粗略估计。换言之,一个小区401-402的分布在由另一小区401-402覆盖的区域内的MDT测量的数量给出了关于可以被转向到该小区401-402的用户数量的指示。另一种方法包括将UE的空间强度与主要无线电测量的空间统计(例如,与RSRP)相关。
权重适配
在图7A和图7B的步骤712中,优化管理器514基于每个小区401-402的目标用户数量来确定或适配扇区202的推荐负载分布参数622。负载管理子系统146可以使用指派给小区401-402的百分比权重来转向小区401-402之间的用户、业务或负载。百分比权重是指示被转向至小区的业务比例的值。因此,扇区202的推荐负载分布参数622可以包括由一个或多个负载管理特征148使用的百分比权重。例如,百分比权重可以被用于空闲模式负载平衡特征以在小区401-402中分布空闲用户,百分比权重可以被用于活动模式负载平衡特征以在小区之间分布活动用户,百分比权重可以被用于频率间负载平衡以在小区之间分布空闲或活动用户,等等。
百分比权重被限制在一个值范围内,诸如0…100的范围。优化管理器514可以适配小区401-402的百分比权重以作为推荐负载分布参数622的一部分呈现给负载管理子系统146。在一个实施例中,优化管理器514(参见图7A)可以执行百分比权重适配(可选步骤730),其是将扇区202中的实际业务拆分朝向由优化管理器514确定的优化业务拆分收敛的过程。实际业务拆分以诸如在繁忙小时的每个小区401-402的活动用户数量来测量。
线性适配
百分比权重适配的一种方式是线性适配。通过应用线性函数的迭代过程,可以针对小区401-402中的每一个计算负载管理特征148的更新百分比权重,作为实际业务百分比、负载管理特征148的当前百分比权重设置以及优化百分比权重之间的相对业务拆分。图16是图示了说明性实施例中的线性适配方法1600的流程图。对于扇区202的每个小区401-402,优化管理器514确定指派给小区401的当前百分比权重设置(步骤1602)。当前百分比权重设置是当前被用于与扇区202相关的负载管理特征148的值,诸如来自方法700的先前优化迭代。优化管理器514还确定在当前优化迭代期间的小区401的实际业务百分比(步骤1604)。实际业务百分比表示位于由小区401所服务的扇区202中的活动用户的百分比。优化管理器514然后通过将当前百分比权重设置与在优化业务百分比和小区401的实际业务百分比之间的差相加来计算小区401的更新百分比权重(步骤1606)。对于该示例,假设小区401的当前百分比权重设置为W[k-1],并且实际业务百分比为N%[k]。还假设优化管理器514基于每个小区401-402的目标用户数量来计算小区401的优化业务百分比(Nopt%)。优化管理器514然后可以根据下式计算针对下一优化迭代的更新或适配的百分比权重(W[k]):
W[k]=W[k-1]+(Nopt%[k]-N%[k])
优化管理器514执行步骤1602-1606以确定与扇区202重叠的每个小区401-402的更新百分比权重。
小区401-402的更新百分比权重的总和被约束或限制在一个值范围内,诸如0...100。因此,优化管理器514将小区401-402的更新百分比权重缩放至该值范围以生成缩放后的百分比权重(步骤1608)。例如,扇区202的总的更新百分比权重可以被表达为:
因此,小区401-402的缩放后的百分比权重可以被表达为:
因此,每个小区401-402的更新百分比权重基于为扇区202计算出的更新百分比权重的总和来进行缩放。
梯度适配
百分比权重适配的另一种方式是梯度适配。通过优化(无界或有界)生成的百分比权重应该在每个小区401-402中产生成比例数量的用户转向。在无界优化或有界优化的情况下,可以在小区401-402之间移动的实际用户数量可以与优化管理器514计算出的量不同。图17是图示了说明性实施例中的梯度适配方法1700的流程图。对于扇区202的每个小区401-402(例如,在这个示例中的小区401),优化管理器514确定针对先前优化迭代而指派给小区401的百分比权重设置(例如,W[k-1])和W[k-2])(步骤1702)。优化管理器514还确定针对先前优化迭代的由小区401所服务的实际用户数量(例如,N[k-1]和N[k-2])(步骤1704)。优化管理器514计算用户数量的变化相对于小区401的百分比权重设置的变化的梯度(步骤1706)。例如,梯度可以被计算如下:
梯度=(N[k-1]-N[k-2])/(W[k-1]-W[k-2])
然后,优化管理器514通过将小区401的目标用户数量与实际用户数量之间的差与梯度相除并将结果与针对先前优化迭代的百分比权重设置相加,来计算小区401的更新百分比权重(步骤1708)。对于该示例,假设针对先前优化迭代的小区401的百分比权重设置为W[k-1]和W[k-2],并且针对先前优化迭代的实际用户数量为N[k-1]和N[k-2]。再次假设优化管理器514计算了小区401的目标用户数量(Nopt[k]),诸如在图7A和图7B的步骤710中。优化管理器514然后可以根据下式计算针对下一优化迭代的更新百分比权重(W[k]):
W[k]=W[k-1]+(Nopt[k]-N[k])/梯度
优化管理器514执行步骤1702-1708以确定与扇区202重叠的每个小区401-402的更新百分比权重。如前所述,小区401-402的更新百分比权重的总和被约束或限制到一个值范围,诸如0...100。因此,优化管理器514将小区401-402的更新百分比权重缩放至该值范围以生成缩放后的百分比权重(步骤1710),如上所述。
梯度适配的效果是根据所实现的用户转向相对于假设线性行为的偏差来放大或减小百分比权重。如果业务转向变得无效并且控制系统的能力达到饱和,则梯度可能会变得很小。因此,可以为梯度设置下限以避免W[k]变得过高的情形。可能出现的另一种情形是差值Nopt[k]-N[k]没有减小,因为一定量的用户由于某种原因不能被移动到小区401-402。当连续驱动导致百分比权重饱和到“0”或“100”时,优化管理器514可以对差Nopt[k]-N[k]应用低通滤波。
上述梯度计算取决于多个先前优化迭代。当第一优化迭代发起时(例如,当负载管理特征148开启时),优化管理器514无法如上面所讨论地计算梯度。因此,优化管理器514可以得出与SIB频率层优先级设置成比例的百分比权重设置。优先级设置指定处于空闲模式的用户在转变到活动模式时将被转向到特定小区的比例。
对于第二优化迭代,可以计算虚拟梯度以确定针对当前迭代的更新百分比权重(W[k])。不同之处在于,梯度演算的第一点在第一优化迭代时使用点{N(i),W(i)},其中W(i)还取决于SIB优先级设置。
对于后续的优化迭代,优化管理器514可以根据上面讨论的公式来计算针对当前迭代的更新百分比权重(W[k])。
当优化前和优化后;即从一优化迭代到下一优化迭代,的活动用户数量固定时,梯度的计算才有意义。这是因为对用户转向的评估是通过向扇区202添加或减去用户来完成的,否则不可能评估业务转向的效果。因此,为了计算具有均匀量(homogeneousquantities)的梯度:
N[k].rescaled(k-1)=N[k]*(Sum N(k-1)/Sum N(k))
也就是说,根据前一优化迭代的扇区用户总数与当前优化迭代的扇区用户总数之间的比率来重新缩放当前优化迭代的每个小区401-402的实际用户数量。
机器学习
在另一个实施例中,吞吐量优化器504(参见图5)还可以包括机器学习(ML)系统522,其使用机器学习技术来执行或协助扇区吞吐量优化。ML系统522可以包括被配置为使用机器学习技术来执行功能的电路系统、逻辑、硬件、部件等,诸如对RAN的扇区进行预测、推荐、测试或分类。ML系统522基于为ML系统522训练的一个或多个ML模型524来进行操作。吞吐量优化器504还可以包括ML训练器526,其包括被配置为训练用于ML系统522的(一个或多个)ML模型524的电路系统、逻辑、硬件、部件等。ML训练器526可以使用监督、半监督和/或无监督算法来训练(一个或多个)ML模型524。吞吐量优化器504还可以包括知识数据库528,其包括被配置为存储用于训练(一个或多个)ML模型524的数据的电路系统、逻辑、硬件、部件等。吞吐量优化器504还可以包括数据处置器529,其包括被配置为收集和/或预处理存储在知识数据库528中的数据的电路系统、逻辑、硬件、部件等。
在由ML系统522使用的机器学习中,通常存在训练阶段、测试阶段(或操作阶段)和推断阶段。在训练阶段,训练数据集被用来构建一个或多个ML模型524。图18是图示了在说明性实施例中训练ML系统522的方法1800的流程图。在步骤1802中,收集训练数据。例如,数据处置器529和/或系统可以用RAN 120和/或其他RAN的扇区的数据来填充知识数据库528。具有为了训练ML模型524的目的而在知识数据库528内收集的数据的扇区在本文中被称为训练扇区。图19是图示了说明性实施例中的训练数据的收集的示意图。训练数据可以包括与RAN的训练扇区相关的任何数据。ML系统522可以基于扇区相似性原理来操作。继而,扇区相似性可以基于扇区内的小区相似性。因此,所收集的训练数据的类型可以有助于确定小区相似性和扇区相似性。例如,训练数据可以包括训练扇区的扇区配置信息,诸如与训练扇区重叠的小区或频率层的数量、为训练扇区所应用或设置的实际负载分布参数等。训练数据可以包括特定于与训练扇区重叠的小区的信息。例如,训练数据可以包括指示小区性能的功能小区信息。换句话说,如果两个小区在用户吞吐量和活动用户数量之间具有相似的关系,则它们可能是相似的。功能小区信息可以包括小区的用户吞吐量、小区所服务的用户数量和/或指示小区中的用户吞吐量与活动用户数量之间的关系的负载曲线。训练数据可以包括指示小区的配置管理(CM)特性的架构小区信息,该配置管理特性有助于小区中的用户吞吐量与活动用户数量之间的关系。架构小区信息可以包括载波频率、信道带宽(BW)、MIMO配置、MIMO码字等。训练数据可以包括配置小区信息,诸如百分比权重和/或其他数据的配置。训练数据可以包括动态小区信息,诸如覆盖范围(例如,RSRP)、UL干扰(例如,SINR)和UL信号质量(例如,RSRQ)、小区中的用户的空间分布(例如,TA)、小区中的实际用户分布等方面的RF贡献者。训练数据还可以包括诸如由优化管理器514提供的针对训练扇区的推荐负载分布参数622(例如,推荐百分比权重)。图19中所图示的训练数据的类型作为示例被提供,并且可以根据需要收集附加的或替代的训练数据。
注意,如图19中所示,可以针对RAN 120或其他RAN的多个训练扇区收集训练数据。可以在RAN 120(或其他RAN)的实际操作期间、在RAN 120(或其他RAN)的至少一部分被隔离的测试时段期间、或者两者的组合期间来收集训练数据。可以在如上面所讨论的训练扇区的迭代扇区优化期间收集训练数据(例如,对于针对扇区上的迭代扇区优化而执行的每个优化迭代)。训练数据可以从其他源收集,诸如从专家收集。
在图18中,ML训练器526使用训练数据来利用训练算法为ML系统522构建一个或多个ML模型524(步骤1804)。训练数据可以被分割成一组扇区样本,并且每个扇区样本具有输入数据(即,一个或多个输入)和期望的输出。例如,扇区样本的输入数据可以包括关于与训练扇区重叠的小区的信息,并且输出可以是训练扇区的标签或分类。每个扇区样本由一个特征向量表示。训练算法从特征向量中学习一个数学函数,该数学函数可以被用于预测与新输入相关联的输出(即,确定不是训练数据一部分的新扇区的输出)。还可以将标签或分类指派给特征向量。
一些训练数据可以在诸如一周的观察时段内被收集。例如,当在迭代扇区优化期间收集训练数据时,可能随着时间的推移针对同一类型的数据收集多个值。当这发生时,数据处置器529可以对多个值进行采样,并且计算针对观察时段的代表值以去除噪声。一个示例是当从训练扇区的性能管理子系统142收集KPI的原始KPI值时。在一个实施例中,KPI可以包括以下各项:扇区聚合用户吞吐量、扇区聚合容量、扇区繁忙小时聚合容量、切换性能频带、DL信道质量频带、UL链路质量频带、DL信号质量频带、用户距离分布频带、小区DL覆盖范围频带、层用户分布频带、负载曲线频带和地理定位。但是,可以根据需要收集针对其他KPI的原始KPI值。在对扇区执行的优化迭代(例如,一周)期间,可以在多个收集时间(例如,每小时)收集原始KPI值。原始KPI值可以被预处理以确定存储在知识数据库528中的KPI的代表性KPI值。
图20是图示了说明性实施例中的预处理原始KPI值的方法2000的流程图。数据处置器529标识针对特定KPI在观察时段内收集的多个原始KPI值(步骤2002)。例如,数据处置器529可以收集在一周的观察时段(例如,等于优化迭代)内的收集时间(例如,每小时)处测量的原始KPI值。数据处置器529基于原始KPI值来确定在观察时段内的KPI的代表性KPI值(或代表性KPI值的集合)(步骤2004)。例如,数据处置器529可以确定在观察时段内的原始KPI值的均值、中值或众数以确定代表性KPI值。然后,数据处置器529将KPI的代表性KPI值作为训练数据存储在知识数据库528中(步骤2006)。
可能存在将原始KPI值布置到KPI的仓中的场景,其中仓是数据值的区间。作为示例,对于小区DL覆盖范围频带KPI,原始KPI值可以包括以分贝毫瓦(dBm)为单位在“-140dBm”至“-44dBm”的报告范围内的RSRP测量。这些原始KPI值可以按4dBm的区间或其他期望的区间而被布置到仓中。图21是图示了在说明性实施例中对布置在仓中的原始KPI值进行预处理的方法2100的流程图。数据处置器529确定在观察时段内的每个收集时间(例如,每小时)处的原始KPI值的每个仓的累积(步骤2102)。数据处置器529将每个收集时间处的每个仓的累积归一化(步骤2104)。然后,数据处置器529计算在观察时段内的每个仓的中值以确定KPI的代表性KPI值(步骤2106)。每个仓的中值指示KPI的分布,并且该分布指示存储在知识数据库528中的小区的特性。
在数据收集和训练阶段之后,ML系统522可以被用来基于新扇区的输入数据来输出预测或推荐。ML系统522还可以产生反映预测或推荐的置信度的分数或概率(例如,ML模型524中的损失函数的输出)。
正收益预测
在一个实施例中,机器学习可以被用来预测来自扇区吞吐量优化的推荐负载分布参数622是否将导致RAN 120的“新”扇区的聚合用户吞吐量的改善,这被称为正收益预测。作为示例,可以存在为扇区指派的实际负载分布参数,以在与该扇区重叠的小区之间分布用户。ML系统522能够基于推荐负载分布参数622针对“相似”训练扇区执行得如何来确定该扇区的推荐负载分布参数622如果被应用在该扇区中是否会提供正收益。
为了提供正收益预测,可以基于训练数据为ML系统522构建收益预测模型。图22是图示了说明性实施例中的收益预测模型2210的训练的示意图。收益预测模型2210可以是能够基于输入数据来输出两种可能的分类之一的二元分类模型(例如,决策树)的示例。ML训练器526从知识数据库528接收多个训练扇区的训练数据,并且使用训练算法2214来构建收益预测模型2210。训练数据可以被分割成与被用于训练的训练扇区相对应的扇区样本2220。每个扇区样本2220具有基于训练数据的输入数据(即,一个或多个输入)。例如,扇区样本2220的输入可以包括扇区配置信息、与训练扇区重叠的小区的小区特性、实际负载分布参数、推荐负载分布参数622等。每个扇区样本2220还具有期望的输出。例如,扇区样本2220的输出是正收益分类,其指示通过扇区吞吐量优化是否实现或将实现聚合用户吞吐量中的正收益或负收益。正收益分类可以是布尔值,诸如“正”或“负”、“Y”或“N”、“真”或“假”、“0”或“1”等。因此,如果新扇区的输入数据被输入到收益预测模型2210,它能够输出正收益分类(例如,“正”或“负”),以及正收益分类的概率。
在定义扇区样本2220时,可以使用反馈环路来确定负载分布参数如何影响聚合用户吞吐量。例如,假设实际负载分布参数最初被应用在训练扇区中。当实际负载分布参数被应用时,诸如负载管理优化系统150之类的系统可以确定训练扇区的聚合用户吞吐量。接下来假设推荐负载分布参数622被应用在训练扇区中。当推荐负载分布参数622被应用时,系统可以确定训练扇区的聚合用户吞吐量,并且确定推荐负载分布参数622是否导致聚合用户吞吐量中的正收益。因此,系统可以确定当推荐负载分布参数622被应用时的聚合用户吞吐量如何变化,并且将正或负收益与推荐负载分布参数622相关联。该数据可以作为反馈环路的一部分而被存储在知识数据库528中,并被用来定义扇区样本2220。
在一个实施例中,正收益预测可以与迭代扇区优化结合使用,如图7A和图7B中所描述的。图23是图示了在说明性实施例中使用正收益预测和迭代扇区优化的方法2300的流程图。为了简洁起见,图23中示出了步骤708、710、712和714。作为对这些步骤的提醒,针对当前优化迭代,优化管理器514确定扇区202中的活动用户总数(步骤708),并确定使扇区202的聚合用户吞吐量最大化的每个小区401-402的目标用户数量(步骤710)。优化管理器514然后基于每个小区401-402的目标用户数量来适配、修改或确定扇区202的推荐负载分布参数622(步骤712)。
如上面所讨论的,RF考虑因素和其他因素可能不允许用户基于推荐负载分布参数622从当前优化迭代到下一个优化迭代在扇区202的小区401-402之间移动。由于这些和其他原因,推荐负载分布参数622可能不会导致扇区202的聚合用户吞吐量的改善(即,正收益)。在这个实施例中,在将推荐负载分布参数622应用在扇区202中之前,ML系统522基于收益预测模型2210确定推荐负载分布参数622是否提供在聚合用户吞吐量中的正收益(步骤2302)。为了进行确定,ML系统522接收针对当前优化迭代的扇区202的输入数据。这个示例中的输入数据包括(例如,如在先前优化迭代中确定的)扇区202的实际负载分布参数以及针对当前优化迭代确定的扇区202的推荐负载分布参数622。输入数据还包括扇区202和与扇区202重叠的小区401-402的其他特性。ML系统522处理输入数据以基于收益预测模型2210来预测推荐负载分布参数622是否会导致扇区202的聚合用户吞吐量的改善。ML系统522然后输出扇区202的正收益分类。
当正收益分类指示聚合用户吞吐量中的正收益时,优化管理器514针对当前优化迭代将推荐负载分布参数622应用于扇区202中(步骤714)。当正收益分类没有指示聚合用户吞吐量中的正收益时,优化管理器514针对当前优化迭代掩蔽推荐负载分布参数622(步骤2304),并且维持来自先前优化迭代的负载分布参数。优化管理器514可以实施各种关于掩蔽的策略。
直接扇区优化
在另一个实施例中,机器学习可以被用来推荐使RAN 120(或另一RAN)的“新”扇区的聚合用户吞吐量最大化的负载分布参数,这被称为直接扇区优化。运营商可以实现直接扇区优化作为如上面所公开的迭代扇区优化的替代方案。通过直接扇区优化,ML系统522能够基于指派给“相似”训练扇区的推荐负载分布参数来确定新扇区的推荐负载分布参数622。
图24是图示了在说明性实施例中执行直接扇区优化的方法2400的流程图。将参考图5中的负载管理优化系统150来描述方法2400的步骤,但是本领域技术人员将了解,方法2400可以在其他系统中执行。
对具有多个重叠小区401-402的RAN 120的新扇区202(也被称为目标扇区)(诸如在图6A中的步骤602中标识的扇区)执行直接扇区优化。ML系统522接收针对该扇区的输入数据(步骤2402)。在这个实施例中,为了描述清楚起见,假设小区401-402在扇区202处重叠,但是多于两个的小区可以重叠,如图4A和图4B中所示。
ML系统522基于机器学习模型524处理输入数据以确定扇区202的推荐负载分布参数622(步骤2404)。如上所述,利用训练扇区的扇区样本来训练机器学习模型524,并且扇区样本的输入提供其对应训练扇区的指纹。ML系统522能够基于扇区202的输入数据来标识与扇区202“相似”的一个或多个扇区样本,并且根据相似的训练扇区来确定推荐负载分布参数622。优化管理器514然后可以将推荐负载分布参数622应用在RAN 120的扇区202中(步骤2406)。在一个实施例中,优化管理器514可以诸如通过网络接口组件502向RAN 120(例如,自动地)提供、发送或传送推荐负载分布参数622,使得基于推荐负载分布参数622来在小区401-402之间分布用户。例如,优化管理器514可以将具有推荐负载分布参数622的控制信号自动传送到RAN 120。在另一个实施例中,优化管理器514可以将推荐负载分布参数622发送到网络管理系统140,和/或另一系统,其进行操作以在RAN 120中应用推荐负载分布参数622。例如,优化管理器514可以自动地将具有推荐负载分布参数622的控制信号传送到网络管理系统140。
可以针对RAN 120中的多个“新”扇区202重复方法2400。直接扇区优化的一个技术益处是可以为新扇区202快速标识推荐负载分布参数622,而在一段时间(例如三个月)内不必对这些新扇区202执行迭代扇区优化。
为了在一个实施例中提供直接扇区优化,可以基于训练数据为ML系统522构建优化模型。图25是图示了说明性实施例中的优化模型2510的训练的示意图。优化模型2510可以是能够基于输入数据来输出值的回归模型的示例。在其他实施例中,优化模型2510可以替代地包括多类分类模型或另一种类型的模型。ML训练器526从知识数据库528接收针对多个训练扇区的训练数据,并且使用训练算法2514来构建优化模型2510。如上,训练数据被分割成与用于训练的训练扇区相对应的扇区样本2520。每个扇区样本2520具有基于训练数据的输入数据(即,一个或多个输入)。例如,扇区样本2520的输入可以包括扇区配置信息、与训练扇区重叠的小区的小区特性等。每个扇区样本2520还具有期望的输出。例如,扇区样本2520的输出可以是训练扇区的推荐负载分布参数622。推荐负载分布参数622可以由迭代优化单元510(即,迭代扇区优化可以已经在训练扇区上执行)或者由实现使训练扇区的聚合用户吞吐量最大化或增强的另一优化策略的另一系统指派给训练扇区。
图26是图示了在说明性实施例中利用优化模型2510执行直接扇区优化的方法2600的流程图。将参考图5中的负载管理优化系统150来描述方法2600的步骤,但是本领域技术人员将了解,方法2600可以在其他系统中执行。
ML系统522接收扇区202的输入数据(步骤2602)。ML系统522处理输入数据以基于优化模型2510来预测扇区202的推荐负载分布参数622(步骤2604)。如上所述,优化模型2510用扇区样本2520进行训练,并且扇区样本2520的输入提供其对应训练扇区的指纹。因此,ML系统522能够基于扇区202的输入数据来标识与扇区202“相似”的一个或多个扇区样本2520。例如,如果两个扇区具有相同数量的小区、小区属于相同的频率层、小区具有相同或相似的性能模型(例如负载曲线)、和/或小区具有其他相似的特性,则可以认为它们是相似的。因此,输入数据可以包括被输入到优化模型2510的任意数量的变量。例如,变量可以包括与扇区202重叠的小区或频率层的数量、为扇区202设置的实际负载分布参数、以及与扇区202重叠的小区401-402的小区特定信息,诸如用户吞吐量对比活动用户数量、载波频率、信道带宽、MIMO配置、MIMO码字、覆盖范围(例如,RSRP)、UL干扰(例如,SINR)、UL信号质量(例如,RSRQ)、小区中的用户的空间分布(例如,TA)、小区内的实际用户分布等。根据输入数据,优化模型2510能够直接预测扇区202的推荐负载分布参数622。吞吐量优化器504然后可以将推荐负载分布参数622应用在RAN 120的扇区202中(步骤2606)。
可以针对RAN 120中的多个“新”扇区202重复方法2600。
在上述实施例中,优化模型2510被用来基于输入数据直接预测推荐负载分布参数622。在这个实施例中,优化模型2510被训练以输出推荐负载分布参数622(例如,回归模型)。在另一个实施例中,收益预测模型2210可以被用来确定新扇区的推荐负载分布参数622。
图27是图示了在说明性实施例中利用收益预测模型2210执行直接扇区优化的方法2700的流程图。将参考图5中的负载管理优化系统150来描述方法2700的步骤,但是本领域技术人员将了解,方法2700可以在其他系统中执行。
作为方法2700的概述,收益预测模型2210被训练以输出扇区的正收益分类,其指示推荐负载分布参数622(例如,来自迭代优化单元510)是否会产生正结果。因此,收益预测模型2210不像优化模型2510那样直接预测推荐负载分布参数622。然而,如果负载分布参数的不同组合(例如,百分比权重)被提供作为对收益预测模型2210的输入,则收益预测模型2210可以输出针对每个组合的正收益分类以及正收益分类的概率。具有最高正收益概率的负载分布参数的组合可以被认为是扇区的推荐负载分布参数622。
因此,ML系统522接收扇区的输入数据(步骤2702)。再次,为了描述清楚起见,假设小区401-402在扇区202处重叠,但是多于两个的小区可以重叠,如图4A和图4B中所示。ML系统522还接收针对该扇区的负载分布参数的不同组合(步骤2704)。图28是图示了在说明性实施例中利用收益预测模型2210的直接扇区优化的示意图。吞吐量优化器504还可以包括参数生成器2802,其被配置为生成负载分布参数的不同组合。例如,参数生成器2802可以生成由负载管理特征148使用的小区401-402的百分比权重的不同组合。参数生成器2802可以从负载分布参数的随机分布、从负载分布参数的用户自定义分布等等中选择负载分布参数的组合。
在图27中,对于每个不同的组合,ML系统522处理输入数据和负载分布参数的组合,以基于收益预测模型2210确定负载分布参数的组合是否为扇区提供聚合用户吞吐量中的正收益(步骤2706)。ML系统522还基于收益预测模型2210确定负载分布参数的组合提供聚合用户吞吐量中的正收益的概率(步骤2708)。该概率反映了负载分布参数的组合提供正收益的置信度。如图28中所示,收益预测模型2210生成针对负载分布参数的每个组合的正收益分类和概率。
在图27中,吞吐量优化器504选择提供聚合用户吞吐量中的正收益的最高概率的负载分布参数的组合作为推荐负载分布参数622(步骤2710)。如图28中所示,吞吐量优化器504可以包括选择器2804,其从收益预测模型2210接收针对负载分布参数的每个组合的正收益分类和概率。选择器2804因此可以选择提供最高概率的负载分布参数的组合作为推荐负载分布参数622。在图27中,吞吐量优化器504然后可以在RAN 120的扇区202中应用推荐负载分布参数622(步骤2712)。
方法2700提供的技术益处在于,收益预测模型2210可以被“重用”来预测新扇区202的推荐负载分布参数622。尽管收益预测模型2210可以被构建用于迭代扇区优化,但是ML系统522也可以针对直接扇区优化重新目标化收益预测模型2210,使得不必训练单独的ML模型。
附图中所示或本文中所描述的各种元件或模块中的任何一个可以被实现为硬件、软件、固件或它们的某种组合。例如,元件可以被实现为专用硬件。专用硬件元件可以被称为“处理器”、“控制器”或一些类似的术语。当由处理器提供时,功能可以由单个专用处理器、由单个共享处理器、或者由多个单独的处理器提供,其中一些处理器可以是共享的。此外,术语“处理器”或“控制器”的明确使用不应被解释为排他地指代能够执行软件的硬件,并且可以隐含地包括但不限于数字信号处理器(DSP)硬件、网络处理器、专用集成电路(ASIC)或其他电路系统、现场可编程门阵列(FPGA)、用于存储软件的只读存储器(ROM)、随机存取存储器(RAM)、非易失性存储、逻辑或一些其他物理硬件组件或模块。
此外,元件可以被实现为可由处理器或计算机执行以执行该元件的功能的指令。指令的一些示例是软件、程序代码和固件。这些指令在被处理器执行时是可操作的,以指导处理器执行该元件的功能。指令可以被存储在处理器可读的存储设备上。存储设备的一些示例是数字或固态存储器、诸如磁盘和磁带之类的磁存储介质、硬盘驱动器或光学可读数字数据存储介质。
如本申请中所使用的,术语“电路系统”可以指以下中的一个或多个或全部:
(a)纯硬件电路实现(诸如仅在模拟和/或数字电路系统中的实现);
(b)硬件电路和软件的组合,诸如(如果适用的话):
(i)模拟和/或数字硬件电路与软件/固件的组合;和
(ii)硬件处理器与软件(包括数字信号处理器)、软件和存储器的任何部分,它们一起工作以使装置(诸如移动电话或服务器)执行各种功能);和
(c)硬件电路和/或处理器,诸如微处理器或微处理器的一部分,其需要软件(例如固件)来操作,但是当操作不需要时该软件可能不存在。
电路系统的这种定义适用于该术语在本申请中的所有使用,包括在任何权利要求中的所有使用。作为进一步的示例,如本申请中所使用的,术语“电路系统”还涵盖仅硬件电路或处理器(或多个处理器)或硬件电路或处理器的一部分及它(或它们)附带软件和/或固件的实现。举例而言并且在适用于特定权利要求元素的情况下,术语“电路系统”还涵盖用于移动设备的基带集成电路或处理器集成电路,或者服务器、蜂窝网络设备或其他计算或网络设备中的类似集成电路。
尽管本文描述了具体实施例,但是本公开的范围不限于这些具体实施例。本公开的范围由所附权利要求及其任何等同物限定。
Claims (20)
1.一种在无线电接入网络(RAN)中提供负载管理的系统(150),所述系统包括:
至少一个处理器(530)和存储器(532);
所述至少一个处理器使所述系统:
在机器学习系统(522)处,接收针对所述RAN的扇区(202)的输入数据,所述扇区具有在所述扇区处重叠的多个小区(401-402);
在所述机器学习系统处,处理所述输入数据以基于机器学习模型(524)来确定针对所述扇区的推荐负载分布参数(622),其中,所述推荐负载分布参数被配置为使所述扇区的聚合用户吞吐量最大化;以及
将所述推荐负载分布参数应用在所述扇区中,以在所述小区之间分布用户。
2.根据权利要求1所述的系统,其中,所述至少一个处理器使所述系统:
收集针对多个训练扇区的训练数据;以及
基于所述训练数据来训练所述机器学习模型。
3.根据权利要求2所述的系统,其中,所述至少一个处理器使所述系统:
基于所述训练数据来训练优化模型(2510),其中关于所述训练扇区的信息作为输入,并且推荐负载分布参数作为输出;以及
在所述机器学习系统处,处理所述输入数据以基于所述优化模型直接预测针对所述扇区的所述推荐负载分布参数。
4.根据权利要求2所述的系统,其中:
所述至少一个处理器使所述系统:
基于所述训练数据来训练收益预测模型(2210),其中关于所述训练扇区的信息作为输入,并且正收益分类作为输出,其中,所述正收益分类是布尔值;以及
接收针对所述扇区的负载分布参数的不同组合;
对于所述不同组合中的每个组合,所述至少一个处理器使所述系统处理所述输入数据和负载分布参数的该组合,以基于所述收益预测模型来确定负载分布参数的该组合是否提供所述扇区的聚合用户吞吐量中的正收益,并且基于所述收益预测模型来确定负载分布参数的该组合提供聚合用户吞吐量中的正收益的概率;
所述至少一个处理器使所述系统选择提供聚合用户吞吐量中的正收益的最高概率的负载分布参数的所述组合,作为所述推荐负载分布参数。
5.根据权利要求4所述的系统,其中:
被用来训练所述收益预测模型的所述训练数据是通过对所述训练扇区执行的迭代扇区优化来生成的;以及
对于所述训练扇区中的每个训练扇区的所述迭代扇区优化,所述至少一个处理器使所述系统:
标识在训练扇区处重叠的多个小区;以及
执行如下操作的多个优化迭代:
确定该训练扇区中的活动用户总数;
确定使该训练扇区的聚合用户吞吐量最大化的每个小区的目标用户数量,其中,每个小区的所述目标用户数量之和等于该训练扇区中的所述活动用户总数;以及
基于使该训练扇区的所述聚合用户吞吐量最大化的每个小区的所述目标用户数量来确定针对该训练扇区的推荐负载分布参数;以及
所述至少一个处理器使所述系统将正收益或负收益与所述推荐负载分布参数相关联。
6.根据权利要求2所述的系统,其中,所述至少一个处理器使所述系统:
标识在针对关键性能指标(KPI)的观察时段内收集的多个原始KPI值;
基于所述原始KPI值来确定在所述观察时段内的所述KPI的代表性KPI值;以及
将所述KPI的所述代表性KPI值存储为所述训练数据。
7.根据权利要求6所述的系统,其中:
所述原始KPI值在所述观察时段内在收集时间处被收集,并被布置到所述KPI的仓中;以及
所述至少一个处理器使所述系统:
确定在所述观察时段内在收集时间中的每个收集时间处的原始KPI值的每个仓的累积;
将所述收集时间中的每个收集时间处的每个仓的所述累积归一化;以及
计算在所述观察时段内所述仓中的每个仓的中值以确定所述KPI的所述代表性KPI值。
8.一种无线电接入网络(RAN)中的负载管理的方法(2400),所述方法包括:
在机器学习系统处,接收(2402)针对所述RAN的扇区的输入数据,所述扇区具有在所述扇区处重叠的多个小区;
在所述机器学习系统处,处理(2404)所述输入数据以基于机器学习模型来确定针对所述扇区的推荐负载分布参数,其中,所述推荐负载分布参数被配置为使所述扇区的聚合用户吞吐量最大化;以及
将所述推荐负载分布参数应用(2406)在所述扇区中,以在所述小区之间分布用户。
9.根据权利要求8所述的方法,还包括:
收集(1802)针对多个训练扇区的训练数据;以及
基于所述训练数据来训练(1804)所述机器学习模型。
10.根据权利要求9所述的方法,其中:
训练所述机器学习模型包括:基于所述训练数据来训练优化模型,其中关于所述训练扇区的信息作为输入,并且推荐负载分布参数作为输出;以及
在所述机器学习系统处,处理所述输入数据包括:在所述机器学习系统处,处理所述输入数据以基于所述优化模型直接预测针对所述扇区的所述推荐负载分布参数。
11.根据权利要求9所述的方法,其中:
训练所述机器学习模型包括:基于所述训练数据来训练收益预测模型,其中关于所述训练扇区的信息作为输入,并且正收益分类作为输出,其中,所述正收益分类是布尔值;
所述方法还包括接收(2704)针对所述扇区的负载分布参数的不同组合;以及
在所述机器学习系统处,处理所述输入数据以确定针对所述扇区的所述推荐负载分布参数包括:
对于所述不同组合中的每个组合,处理(2706)所述输入数据和负载分布参数的该组合,以基于所述收益预测模型来确定负载分布参数的该组合是否提供所述扇区的聚合用户吞吐量中的正收益,并且基于所述收益预测模型来确定负载分布参数的该组合提供聚合用户吞吐量中的正收益的概率;以及
选择(2710)提供聚合用户吞吐量中的正收益的最高概率的负载分布参数的所述组合,作为所述推荐负载分布参数。
12.根据权利要求11所述的方法,其中:
被用来训练所述收益预测模型的所述训练数据是通过对所述训练扇区执行的迭代扇区优化来生成的;以及
对于所述训练扇区中的每个训练扇区的所述迭代扇区优化,所述方法还包括:
标识(702)在训练扇区处重叠的多个小区;以及
执行如下操作的多个优化迭代:
确定(708)该训练扇区中的活动用户总数;
确定(710)使该训练扇区的聚合用户吞吐量最大化的每个小区的目标用户数量,其中,每个小区的所述目标用户数量之和等于该训练扇区中的所述活动用户总数;以及
基于使该训练扇区的所述聚合用户吞吐量最大化的每个小区的所述目标用户数量来确定(712)针对该训练扇区的推荐负载分布参数;以及
其中,将正收益或负收益与所述推荐负载分布参数相关联。
13.根据权利要求9所述的方法,还包括:
标识(2002)在关键绩效指标(KPI)的观察时段内收集的多个原始KPI值;
基于所述原始KPI值来确定(2004)在所述观察时段内的所述KPI的代表性KPI值;以及
将所述KPI的所述代表性KPI值存储(2006)为所述训练数据。
14.根据权利要求13所述的方法,其中:
所述原始KPI值在所述观察时段内在收集时间处被收集,并将被布置到所述KPI的仓中;以及
确定所述代表性KPI值包括:
确定(2102)在所述观察时段期间在所述收集时间中的每个收集时间处的原始KPI值的每个仓的累积;
将所述收集时间中的每个收集时间处的每个仓的所述累积归一化(2104);以及
计算(2106)在所述观察时段期间的所述仓中的每个仓的中值以确定所述KPI的所述代表性KPI值。
15.一种包含由处理器(530)执行的编程指令的非暂时性计算机可读介质(532),其中,所述指令(534)指导所述处理器实现无线电接入网络(RAN)中的负载管理的方法,所述方法包括:
在机器学习系统处,接收针对所述RAN的扇区的输入数据,所述扇区具有在所述扇区处重叠的多个小区;
在所述机器学习系统处,处理所述输入数据以基于机器学习模型来确定针对所述扇区的推荐负载分布参数,其中,所述推荐负载分布参数被配置为使所述扇区的聚合用户吞吐量最大化;以及
将所述推荐负载分布参数应用在所述扇区中,以在所述小区之间分布用户。
16.根据权利要求15所述的计算机可读介质,其中,所述方法还包括:
收集针对多个训练扇区的训练数据;以及
基于所述训练数据来训练所述机器学习模型。
17.根据权利要求16所述的计算机可读介质,其中:
训练所述机器学习模型包括:基于所述训练数据来训练优化模型,其中关于所述训练扇区的信息作为输入,并且推荐负载分布参数作为输出;以及
在所述机器学习系统处,处理所述输入数据包括:在所述机器学习系统处,处理所述输入数据以基于所述优化模型直接预测针对所述扇区的所述推荐负载分布参数。
18.根据权利要求16所述的计算机可读介质,其中:
训练所述机器学习模型包括:基于所述训练数据来训练收益预测模型,其中关于所述训练扇区的信息作为输入,并且正收益分类作为输出,其中,所述正收益分类是布尔值;
所述方法还包括接收针对所述扇区的负载分布参数的不同组合;以及
在所述机器学习系统处,处理所述输入数据以确定所述扇区的所述推荐负载分布参数包括:
对于所述不同组合中的每个组合,处理所述输入数据和负载分布参数的该组合,以基于所述收益预测模型来确定负载分布参数的该组合是否提供所述扇区的聚合用户吞吐量中的正收益,并且基于所述收益预测模型来确定负载分布参数的该组合提供聚合用户吞吐量中的正收益的概率;以及
选择提供聚合用户吞吐量中的正收益的最高概率的负载分布参数的所述组合作为所述推荐负载分布参数。
19.根据权利要求18所述的计算机可读介质,其中:
被用来训练所述收益预测模型的所述训练数据是通过对所述训练扇区执行的迭代扇区优化来生成的;以及
对于所述训练扇区中的每个训练扇区的所述迭代扇区优化,所述方法还包括:
标识在训练扇区处重叠的多个小区;以及
执行如下操作的多个优化迭代:
确定该训练扇区中的活动用户总数;
确定使该训练扇区的聚合用户吞吐量最大化的每个小区的目标用户数量,其中,每个小区的所述目标用户数量之和等于该训练扇区中的所述活动用户总数;以及
基于使该训练扇区的所述聚合用户吞吐量最大化的每个小区的所述目标用户数量来确定针对该训练扇区的推荐负载分布参数;以及
其中,将正收益或负收益与所述推荐负载分布参数相关联。
20.根据权利要求16所述的计算机可读介质,还包括:
标识在关键绩效指标(KPI)的观察时段内收集的多个原始KPI值;
基于所述原始KPI值来确定在所述观察时段内的所述KPI的代表性KPI值;以及
将所述KPI的所述代表性KPI值存储为所述训练数据。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/US2021/013988 WO2022159081A1 (en) | 2021-01-19 | 2021-01-19 | Load management of overlapping cells based on user throughput |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116998180A true CN116998180A (zh) | 2023-11-03 |
Family
ID=74701548
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202180095439.5A Pending CN116998180A (zh) | 2021-01-19 | 2021-01-19 | 基于用户吞吐量的重叠小区的负载管理 |
Country Status (3)
Country | Link |
---|---|
EP (1) | EP4260601A1 (zh) |
CN (1) | CN116998180A (zh) |
WO (1) | WO2022159081A1 (zh) |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10217060B2 (en) * | 2016-06-09 | 2019-02-26 | The Regents Of The University Of California | Capacity augmentation of 3G cellular networks: a deep learning approach |
US10708806B2 (en) * | 2018-01-02 | 2020-07-07 | Verizon Patent And Licensing Inc. | Systems and methods for a self-organizing network based on user equipment information |
WO2020176539A1 (en) * | 2019-02-25 | 2020-09-03 | Bandwidthx Inc. | Cross-optimization in mobile networks |
-
2021
- 2021-01-19 WO PCT/US2021/013988 patent/WO2022159081A1/en active Application Filing
- 2021-01-19 EP EP21707819.5A patent/EP4260601A1/en active Pending
- 2021-01-19 CN CN202180095439.5A patent/CN116998180A/zh active Pending
Also Published As
Publication number | Publication date |
---|---|
EP4260601A1 (en) | 2023-10-18 |
WO2022159081A1 (en) | 2022-07-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9179363B2 (en) | Systems and methods for determining a coupling characteristic in a radio communications network | |
WO2017137010A2 (en) | Configuration of a set of carriers in a carrier aggregation operation of a wireless communication system | |
EP2538713B1 (en) | Performing measurements in a digital cellular wireless telecommunication network | |
US20100029282A1 (en) | Resource partitioning in heterogeneous access point networks | |
US20130294272A1 (en) | Deactivation of micro cells in cellular wireless networks | |
US20210168042A1 (en) | Methods and systems for generation and adaptation of network baselines | |
EP3200507B1 (en) | Method and device for selecting heterogeneous network serving cell based on inter-cell cooperation | |
US20160218850A1 (en) | Method and apparatus for management of frequency-division-duplex and time-division-duplex carrier aggregation | |
US10764835B2 (en) | Method for controlling small cell and apparatus therefor | |
US20230403574A1 (en) | Central node and a method for reinforcement learning in a radio access network | |
US11576055B2 (en) | Method, apparatus and computer readable media for network optimization | |
US9769837B2 (en) | Resource allocation method in wireless communication system and apparatus using the same | |
US20240137783A1 (en) | Signalling support for split ml-assistance between next generation random access networks and user equipment | |
Gupta et al. | Load balancing and handover optimization in multi-band networks using deep reinforcement learning | |
Eli-Chukwu et al. | A Systematic Review of Artificial Intelligence Applications in Cellular Networks. | |
US20240098566A1 (en) | Load management of overlapping cells based on user throughput | |
US20240089781A1 (en) | Load management of overlapping cells based on user throughput | |
US20240172016A1 (en) | Prediction of cell traffic in a network | |
CN116998180A (zh) | 基于用户吞吐量的重叠小区的负载管理 | |
EP4038972B1 (en) | Resource availability check | |
WO2022271497A1 (en) | Cellular network user device mobility optimization management | |
EP4150861B1 (en) | Determining cell upgrade | |
EP4369782A1 (en) | Method and device for performing load balance in wireless communication system | |
US20240179566A1 (en) | Method and device for performing load balance in wireless communication system | |
US20230239725A1 (en) | Upgrade recommendations for wireless wide area networks |
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 |