CN1627673A - 自适应的码分多址系统负载预测方法 - Google Patents

Abstract

本发明涉及码分多址系统的负载预测方法，公开了一种自适应的码分多址系统负载预测方法，使得系统能够根据本小区的负载情况、相邻小区的负载情况和时间因素，自适应地修改负载增量预测值，使系统的预测随具体情况的变化而同步变化，从而达到准确预测的目的。这种自适应的码分多址系统负载预测方法包含以下步骤：A确定影响小区负载预测的因素并进行量化；B建立用以保存因素量化值组合与负载增量预测值的数据结构，并对该数据结构赋初值；C在小区的试运行阶段，根据实际运营情况对数据结构中的负载增量预测值进行自适应修正；D在小区实际运行阶段，使用修正后的数据结构中的数据对负载增量进行预测。

Description

自适应的码分多址系统负载预测方法

技术领域

本发明涉及码分多址系统的负载预测方法，特别涉及通过自适应的手段对码分多址系统的负载进行预测的方法。

背景技术

码分多址(Code Division Multiple Access，简称“CDMA”)系统是通过分配一组正交或者准正交的伪随机码给不同的用户，实现多个用户在同一公共信道传输信息的系统。

由于CDMA系统采用的是正交的或准正交的伪随机码进行调制，一个用户分配一个伪随机码，其他用户发送的信息对于该用户来讲相当于噪声。随着用户数量的增多，噪声变大，系统的服务质量将会有所降低。因此CDMA系统是一个自干扰的系统，服务质量和同时接受服务的用户数量之间存在着一定的平衡关系。当系统中用户超过一定数量时，用户的服务质量将急剧降低，可能导致系统内大量用户掉话，块错误率(Block Error Ratio，简称“BLER”)增加等一系列后果。另外，过多的用户也会对周围小区的用户造成干扰。因此在CDMA系统中必须利用负载控制算法对系统的用户接入和阻塞等进行控制，确保在系统稳定运行的前提下最大限度地利用系统的资源。

进行负载控制的前提是准确的负载预测。对负载预测是否准确，直接关系到负载控制算法是否能有效地工作，从而决定系统容量能否充分被利用。如果负载预测不准确，预测值比实际值大，导致负载控制算法提前启动，结果还没达到系统容量时，就拒绝用户接入，将浪费系统容量；反之，如果预测值比实际值小，负载控制算法不启动而接入比较多的用户，从而又可能会导致系统过载，出现不稳定的情况。然而由于CDMA系统本身的特性，其系统容量不仅和本小区用户的分布情况、用户业务情况相关，还同周边其它小区当前的用户分布、业务情况相关。而且由于各个小区的信道环境及其覆盖范围是互不相同的，相邻小区的干扰、小区内的用户分布也是随着时间不断变化的，因此很难对新接入一个用户所引起系统负载的增加进行准确地预测。

目前对新接入用户引起系统负载增加的预测主要有两种方法。一种是基于吞吐量的负载预测，一种是基于功率的负载预测。

在Harri Holma和Antti Toskala在2000年出版的《WCDMA for UMTS》(中文名称可以译为《通用移动通信系统中的宽带码分多址》)一书中，介绍了基于吞吐量的负载估计。

公式一：

${\mathrm{\η}}_{\mathrm{UL}}=\frac{I_{\mathrm{total}}-P_N}{I_{\mathrm{total}}}$

其中，η_UL为当前小区的上行负荷因子，I_total为基站的总接收功率，P_N为当前小区的总背景噪声。

对于CDMA系统上行链路中的第j个用户，有如下公式。

公式二：

$P_j=\frac{1}{1+\frac{W}{{(E_b/N_0)}_j\×{\mathrm{\υ}}_j\×R_j}}\×I_{\mathrm{total}}$

其中，P_j是第j个用户的功率，W表示码片速率，(E_b/N₀)_j为第j个用户的信噪比，R_j是第j个用户的业务速率，υ_j是第j个用户的激活因子。设P_j＝L_j×I_total，则：

公式三：

$L_j=\frac{1}{1+\frac{W}{{(E_b/N_0)}_j\×{\mathrm{\υ}}_j\×R_j}}$

考虑其他小区对本小区的干扰，公式三可以修改为：

公式四：

$L_j=(1+\mathrm{\α})\×\frac{1}{1+\frac{W}{{(E_b/N_0)}_j\×{\mathrm{\υ}}_j\×R_j}}$

其中，α为其他小区对本小区的干扰因子。

基站收到的总的用户干扰为：

公式五：

$I=I_{\mathrm{tatal}}-P_N=\underset{j=1}{\overset{K}{\mathrm{\Σ}}}{P}_j=\underset{j=1}{\overset{K}{\mathrm{\Σ}}}{L}_j\×I_{\mathrm{total}}$

其中，K表示负载数目。结合公式一和公式五可以得到：

公式六：

${\mathrm{\η}}_{\mathrm{UL}}=\underset{j=1}{\overset{K}{\mathrm{\Σ}}}{L}_j$

当新增一个用户m时，其上行负载因子增加为：

公式七：

η_UL’＝η_UL+L_m

利用该方法来进行预测时，需要根据业务类型给出(E_b/N₀)_j和υ_j等参数，根据服务区的环境给出P_N和α的值。

下面介绍基于功率的负载估计。小区的下行负载数目可以用下行链路总的发射功率和基站的最大发射功率来定义。

公式八：

${\mathrm{\η}}_{\mathrm{DL}}=\frac{P_{\mathrm{total}}}{P_{\max }}$

其中，η_DL是下行负荷因子，P_total是下行链路总的发射功率，P_max是基站的最大发射功率。

当接入一个新的用户j后可以根据该用户的业务速率和所要求的信噪比算出需要分配给该用户的功率P_j，则：

公式九：

P_total’＝P_total+P_j

进而可以预测下行负载的增量。

在实际应用中，上述方案存在以下问题：现有技术都是假定小区内用户均匀分布，用统计或者仿真的方法获得负载预测所需的(E_b/E₀)_j、υ_j、α等值，而在实际的系统中，各个小区信道环境及其覆盖范围互不相同，相邻小区的干扰、小区内用户的分布也是随着时间不断变化的。如果采用现有技术中的两种方法，(E_b/N₀)_j、υ_j、α等采用所提供常数值，对负载的预测无法根据具体情况的变化而做出相应的调整，从而导致预测的结果与实际情况不相符合。

造成这种情况的主要原因在于，在预测过程中对(E_b/N₀)_j、υ_j、α等值采用的是一个固定的值，忽略了小区的具体工作环境和用户分布对这些值的影响，使预测不能根据具体的情况做出相应的调整，从而导致预测结果的不准确。

发明内容

本发明要解决的技术问题是提供一种自适应的码分多址系统负载预测方法，使得系统能够根据本小区的负载情况、相邻小区的负载情况和时间因素，自适应地修改负载增量预测值，使系统的预测随具体情况的变化而同步变化，从而达到准确预测的目的。

为了解决上述技术问题，本发明提供了一种自适应的码分多址系统负载预测方法，包含以下步骤：

A确定影响小区负载预测的因素并进行量化；

B建立用以保存所述因素量化值组合与负载增量预测值的数据结构，并对该数据结构赋初值；

C在所述小区的试运行阶段，根据实际运营情况对所述数据结构中的所述负载增量预测值进行自适应修正；

D在所述小区实际运行阶段，使用修正后的所述数据结构中的数据对负载增量进行预测。

其中，所述自适应修正的步骤进一步包含以下子步骤：

C1接入新用户前测量所述小区的原负载值；

C2在所述数据结构中，根据当前所述因素的量化值组合找到对应的所述负载增量预测值；

C3将所述负载增量预测值加上所述原负载值，得到接入所述新用户后的负载预测值；

C4测量接入所述新用户后的实际负载值，并判断该实际负载值与所述负载预测值的差值是否在门限内，如果是则进入步骤C1，否则进入步骤C5；

C5根据所述实际负载值修正所述负载增量预测值，进入步骤C1。

所述步骤C5中，所述负载增量预测值被修正为所述实际负载值与所述原负载值的差值。

所述步骤C5中，通过根据多次统计规律取置信区间的方法对所述负载增量预测值进行修正。

还包含以下步骤：

在所述小区实际运行阶段，当发现负载预测结果与实际负载偏差比较大或所述小区运行规律发生变化时，再次根据实际运营情况对所述数据结构中的所述负载增量预测值进行自适应修正。

所述数据结构的初值是仿真结果或其他小区的运行值。

所述因素包含所述小区的负载情况，所述小区的周边小区的负载情况，以及时间。

在所述步骤B中，对每一种业务类型都建立相应的数据结构。

所述业务类型是语音业务、数据业务、视频业务中的一种或其任意组合。

所述数据结构是表格或者数组。

通过比较可以发现，本发明的技术方案与现有技术的区别在于，通过在一个具有特定运行规律的小区内找出影响该小区负载预测的因素并加以量化，对各种业务类型采用合适的数据结构存储上述量化的组合及各个组合所对应的负载预测增量值，在试运行阶段采用适当的算法自适应修正数据结构中的负载预测增量值，从而在确保实际运行阶段的负载预测跟实际情况相符。如果小区的运行规律发生变化，系统能够重新打开自适应过程修正负载增量预测值，从而保证负载预测值的变化与小区运行规律的变化同步。

这种技术方案上的区别，带来了较为明显的有益效果，即使得对某特定小区的负载预测更加接近于小区运行的实际情况，并且当小区的运行规律发生变化时，预测也能相应地自动调整，达到准确预测的目的，进而避免预测不准确而导致负载过多大量用户掉线或者系统容量得不到充分利用的问题。

附图说明

图1是CDMA系统的六全向小区分布示意图；

图2是根据本发明的一个实施例的自适应CDMA负载预测方法的流程图；

图3是根据本发明的一个实施例的自适应修正负载增量预测值的流程图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述。

首先参照图1，简单的描述一下一个特定的小区，其实际运行时的一般规律。如图1所示，该六全向小区分布示意图由小区00～60共7个小区构成，小区00位于正中，小区10～60呈六全向分布在小区00的周围。

一般来说小区的业务分布会随时间的变化而变化。例如将小区00分为工作区域和休息区域。在工作时间时，业务主要分布在工作区域，在休息区域时，业务主要分布在休息区域。因此，在工作时，靠近工作区域的相邻小区受到的影响较大；在休息时，靠近休息区域的相邻小区收到的影响较大。

在某些小区运行时，其自身的规律其实就是用户分布的规律。将小区00分为用户密集区域和用户稀疏区域，显然相邻小区中靠近用户密集区域的那些相邻小区受到该小区的影响较大，而靠近用户稀疏区域的相邻小区受到的影响则较小。

下面参照图2，介绍采用智能化的自适应CDMA负载预测方法对本发明的一个实施例进行预测的过程。

在步骤100，根据小区的具体情况确定影响小区负载预测的因素。熟悉本领域的技术人员应该知道，影响小区负载预测的因素主要有小区的负载情况、周围相邻小区的负载情况、时间因素。在本发明的一个较佳的实施例中，小区10～60呈六全向分布在小区00周围，设小区00的负载情况为f0，小区10～60的负载情况分别为f1～f6，时间设为t，则本小区的负载增量预测值delta是随(f0，f1，f2，f3，f4，f5，f6，t)中任意一个元素变化而变化的函数。

接着进入步骤110，对影响小区负载预测的因素进行量化处理。可以对每一个因素进行多级量化。在本发明的一个较佳的实施例中，可以对每一个小区的负载量化为轻、重两个等级。对时间可以量化为时间1和时间2。

此后进入步骤120，对每一种业务类型采用一定的数据结构存储各种量化值的组合以及各种量化值的组合所对应的负载增量预测值。熟悉本领域的技术人员应该知道，CDMA系统提供的业务类型有多种，例如语音业务、数据业务、视频业务等等。对每一种业务类型分配相应的预测值存储空间。采用的数据结构可以是表格或者是多维数组。在本发明的一个较佳的实施例中，对于提供的是12.2K的语音业务进行预测，首先对小区00～60的负载量化为轻、重两个等级，对时间量化为时间1和时间2，可以使用一个8列的二维数组保存预测表的数据。例如表1所示：

                                      表1

f0	f1	f2	f3	f4	f5	f6	t	Delta
									轻	轻	轻	轻	轻	轻	轻	时间1
重	轻	轻	轻	轻	轻	轻	时间1
									轻	重	轻	轻	轻	轻	轻	时间1
重	重	轻	轻	轻	轻	轻	时间1
									轻	轻	重	轻	轻	轻	轻	时间1
重	轻	重	轻	轻	轻	轻	时间1
									…	…	…	…	…	…	…	…
…	…	…	…	…	…	…	…
									重	重	重	重	重	重	重	时间2

接着进入步骤130，在初始阶段，利用其他途径获得的结果对数据结构中存储的负载增量预测值赋初值。初值可以是来自其他试验局的结果或者是仿真得到的结果，初值不需要很准确，系统在运行阶段会自适应进行调整和修正。

此后进入步骤140，进入试运行阶段，系统根据实际的运行情况自适应地修正数据结构中存储的负载增量预测值。在试运行完成后，数据结构中存储的负载增量预测值将能够完整地表现本小区负载的增长情况，并能够体现该小区的实际运行规律。根据本发明的一个较佳的实施例，可以用图3所示的流程图来说明系统根据实际情况自适应修正负载增量预测值的过程。

如图所示，首先，在步骤200中，系统通过测量获得在接入一个新用户之前的负载值Load_old。

接着进入步骤210，根据该业务类型当前各种影响因素量化的值，在数据结构中查找相应的负载增量预测值delta。

此后进入步骤220，通过公式Load_newpre＝Load_old+delta，计算出预测的接入该用户后系统的负载值Load_newpre。

接着在步骤230中，由于预测的负载值不一定完全准确，需要测量实际接入该用户后的负载值Load_new。比较Load_new和Load-newpre的差值是否在门限内，如果是则直接进入步骤200，进行新一轮的调整，否则，进入步骤240。

在步骤240中，利用公式delta＝Load_new-Load_old对负载增量预测值delta进行修正。在实际的使用过程中，可以根据具体情况采用其他的修正方法，如根据多次统计规律取置信区间等方法。然后再进入步骤200，进行新一轮调整。

经过多次重复运行后，将能使数据结构中负载增量预测值与实际情况相符。

经过试运行修正以后，最后进入步骤150，即进入实际运行阶段。此时系统关闭自适应修正，直接根据数据结构中存储的负载增量预测值进行负载预测。如果预测的结果偏差较大或者小区的运行规律发生变化时，需要重新打开自适应修正过程，修改负载增量预测值。其负载预测的算法可以是：Load’＝Load+delta。其中Load’为接入用户后的小区负载预测值，Load接入用户前的小区负载测量值，delta为当前业务下根据小区负载影响因素量化值的组合查找数据结构所获得的负载增量预测值。预测的结果偏差较大是指实际测量的负载增量值与数据结构中存储的负载增量值相差较大；小区的运行规律发生变化是指当前小区或者周围小区的用户分布规律发生变化或者小区的环境发生改变，如原先小区空旷的地方，新建了一座高楼导致用户分布规律发生变化等。

虽然通过参照本发明的某些优选实施例，已经对本发明进行了图示和描述，但本领域的普通技术人员应该明白，可以在形式上和细节上对其作各种各样的改变，而不偏离所附权利要求书所限定的本发明的精神和范围。

Claims (10)

1.一种自适应的码分多址系统负载预测方法，其特征在于，包含以下步骤：

A确定影响小区负载预测的因素并进行量化；

B建立用以保存所述因素量化值组合与负载增量预测值的数据结构，并对该数据结构赋初值；

C在所述小区的试运行阶段，根据实际运营情况对所述数据结构中的所述负载增量预测值进行自适应修正；

D在所述小区实际运行阶段，使用修正后的所述数据结构中的数据对负载增量进行预测。

2.根据权利要求1所述的自适应的码分多址系统负载预测方法，其特征在于，所述自适应修正的步骤进一步包含以下子步骤：

C1接入新用户前测量所述小区的原负载值；

C2在所述数据结构中，根据当前所述因素的量化值组合找到对应的所述负载增量预测值；

C3将所述负载增量预测值加上所述原负载值，得到接入所述新用户后的负载预测值；

C4测量接入所述新用户后的实际负载值，并判断该实际负载值与所述负载预测值的差值是否在门限内，如果是则进入步骤C1，否则进入步骤C5；

C5根据所述实际负载值修正所述负载增量预测值，进入步骤C1。

3.根据权利要求2所述的自适应的码分多址系统负载预测方法，其特征在于，所述步骤C5中，所述负载增量预测值被修正为所述实际负载值与所述原负载值的差值。

4.根据权利要求2所述的自适应的码分多址系统负载预测方法，其特征在于，所述步骤C5中，通过根据多次统计规律取置信区间的方法对所述负载增量预测值进行修正。

5.根据权利要求1所述的自适应的码分多址系统负载预测方法，其特征在于，还包含以下步骤：

在所述小区实际运行阶段，当发现负载预测结果与实际负载偏差比较大或所述小区运行规律发生变化时，再次根据实际运营情况对所述数据结构中的所述负载增量预测值进行自适应修正。

6.根据权利要求1所述的自适应的码分多址系统负载预测方法，其特征在于，所述数据结构的初值是仿真结果或其他小区的运行值。

7.根据权利要求1所述的自适应的码分多址系统负载预测方法，其特征在于，所述因素包含所述小区的负载情况，所述小区的周边小区的负载情况，以及时间。

8.根据权利要求1所述的自适应的码分多址系统负载预测方法，其特征在于，在所述步骤B中，对每一种业务类型都建立相应的数据结构。

9.根据权利要求8所述的自适应的码分多址系统负载预测方法，其特征在于，所述业务类型是语音业务、数据业务、视频业务中的一种或其任意组合。

10.根据权利要求1所述的自适应的码分多址系统负载预测方法，其特征在于，所述数据结构是表格或者数组。

Images