WO2017000557A1 - 一种异构网络中基于流量预测的基站休眠方法 - Google Patents

一种异构网络中基于流量预测的基站休眠方法 Download PDF

Info

Publication number
WO2017000557A1
WO2017000557A1 PCT/CN2016/073261 CN2016073261W WO2017000557A1 WO 2017000557 A1 WO2017000557 A1 WO 2017000557A1 CN 2016073261 W CN2016073261 W CN 2016073261W WO 2017000557 A1 WO2017000557 A1 WO 2017000557A1
Authority
WO
WIPO (PCT)
Prior art keywords
base station
mwnn
model
data
user
Prior art date
Application number
PCT/CN2016/073261
Other languages
English (en)
French (fr)
Inventor
衡伟
胡津铭
Original Assignee
东南大学
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 东南大学 filed Critical 东南大学
Publication of WO2017000557A1 publication Critical patent/WO2017000557A1/zh

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W52/00—Power management, e.g. TPC [Transmission Power Control], power saving or power classes
    • H04W52/02—Power saving arrangements
    • H04W52/0203—Power saving arrangements in the radio access network or backbone network of wireless communication networks
    • H04W52/0206—Power saving arrangements in the radio access network or backbone network of wireless communication networks in access points, e.g. base stations
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W52/00—Power management, e.g. TPC [Transmission Power Control], power saving or power classes
    • H04W52/02—Power saving arrangements
    • 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

Definitions

  • the invention belongs to the field of wireless communication technologies, and relates to a base station dormancy method capable of reducing energy consumption of a wireless communication system, and more particularly to a base station dormancy method based on traffic prediction in a heterogeneous network.
  • the Information and Communication Technology (ICT) industry is a major energy consumer, accounting for about 2% of global energy consumption, and is growing rapidly. It is expected to reach three times the current level by 2020, accounting for global carbon emissions. More than 30% of the total amount.
  • the energy consumption of the network part accounts for about 90% of the actual energy consumption, and the energy consumption of the terminal part only accounts for about 10%; and in all the network energy consumption, the energy consumption of the base station part It can account for about 80%, and the core network is only about 20%. It can be seen that reducing the energy consumption of the base station can greatly reduce the network energy consumption, and when the network is in the off-peak period, dynamically sleeping some base stations is the most direct and effective means.
  • the present invention provides a base station sleep method based on traffic prediction in a heterogeneous network.
  • the method utilizes the improved wavelet neural network model to dynamically predict the base station traffic according to the base station traffic history information, and then selects whether to sleep the macro base station according to the traffic prediction result, thereby using the micro base station to serve the user, thereby achieving the purpose of saving network energy consumption.
  • the technical solution of the present invention is: firstly constructing an improved wavelet neural network model, and using the collected base station flow information to train the MWNN model to achieve the set target prediction error precision, and then using the trained MWNN model and the required
  • the historical base station traffic information predicts future base station traffic, and when the non-user peak period is selected, the dormant macro base station uses the micro base station to provide user service.
  • the present invention specifically includes the following steps:
  • the parameters include the number m of input layer neurons of the MWNN model, the number h of hidden layer neurons, and the number n of output layer neurons.
  • the wavelet basis function of the MWNN hidden layer neurons is the Morlet mother wavelet basis function:
  • the jth hidden layer neuron output of MWNN is
  • w ij represents the connection weight between the ith ith input neuron and the jth hidden layer neuron
  • a j and b j are the scaling factor and translation factor of the jth Morlet wavelet basis function, respectively.
  • the k-th output layer neuron prediction output of MWNN is
  • v jk represents the connection weight between the jth hidden layer neuron and the kth output neuron.
  • the target prediction error accuracy is set to 0.01.
  • the prediction error formula of the MWNN model is expressed as
  • y'(k) represents the actual data.
  • the MWNN continuously adjusts the scaling factor and translation factor a j , b j of the wavelet basis function, and the connection weight w ij between the input neurons and the hidden layer neurons, and the hidden layer neurons and outputs.
  • the value of the connection weight v jk between the layer neurons is such that the error reaches the accuracy of setting the target prediction error, and the training and construction of the MWNN model is completed.
  • the macro base station is asleep, and the micro base station is used for user service to save energy consumption and achieve the purpose of green communication.
  • step (3) MWNN improves the conventional gradient reduction used in adjusting the scaling factor and translation factors a j and b j of the wavelet basis function and the connection weights w ij and v jk between the neurons in each layer.
  • the law on the basis of the gradient descent method, increases the momentum adjustment factor, so that the neural network not only considers the influence of the prediction error on the gradient, but also considers the influence of the prediction error on the error surface.
  • the specific method is:
  • u and ⁇ denote w ij, v jk and a j, b j learning rate, ⁇ (0,1) represents the momentum adjustment factor.
  • step (6) according to the prediction result of the improved wavelet neural network, when the macro cell is in a non-peak period, the macro base station will be in a dormant state, and the user in the macro cell will select a micro base station that is closest to itself, and simultaneously Setting the parameter ⁇ to determine whether the user can access the micro base station
  • P max (j) and P out (j) represent the maximum transmittable power and actual transmit power of the micro base station j, respectively, and P ol (j) indicates that the additional transmit power is required due to the accessing micro base station j of the user. If ⁇ 0, the user can access the micro base station. If ⁇ 0, the user selects the second closest base station access, according to this method, until the micro base station that can be accessed is found to provide itself. service.
  • the beneficial effects of the invention are as follows: firstly, the wavelet neural network is improved and optimized, the convergence speed of the wavelet neural network is improved, and then the improved wavelet neural network is used to dynamically predict the flow of the base station, and finally, according to the prediction result of the MWNN,
  • the macro base station sleeps to provide user services by using the micro base station.
  • the traditional base station sleep method is solved based on the determined traffic model, and can not adapt to the shortcomings of the actual dynamic change of the base station load traffic, and at the same time reduces the energy consumption of the network and achieves the purpose of green communication.
  • 1 is a schematic diagram of a multi-cell system model of a base station sleep method based on traffic prediction
  • Figure 2 is a flow chart of an example of the present invention
  • FIG. 3 is a schematic diagram of a topology structure of a wavelet neural network
  • Figure 4 is a simulation diagram showing the convergence process of the improved wavelet neural network predicting the accuracy of the target prediction error during the training process
  • Figure 5 is a diagram showing a comparison of the results of prediction of base station traffic using the improved wavelet neural network with actual traffic data
  • FIG. 6 is a diagram showing a comparison of power consumption of a user service that uses a macro base station to provide user service when a micro base station is used instead of a macro base station to provide user service during off-peak hours.
  • the main function of this example is to establish the MWNN model to achieve the target prediction accuracy, and then use the established MWNN model to predict the traffic data of the base station, and choose to sleep the macro base station during the off-peak period and provide user service with the micro base station to save the network.
  • the purpose of energy consumption is to establish the MWNN model to achieve the target prediction accuracy, and then use the established MWNN model to predict the traffic data of the base station, and choose to sleep the macro base station during the off-peak period and provide user service with the micro base station to save the network.
  • each macro cell can be divided into six sectors, and three micro base stations are uniformly distributed in each sector (for example, a macro base station covers a radius of 1800 meters, and a micro base station covers a radius of 100 meters, a micro base station).
  • the maximum transmit power is 0.13 W
  • the fixed power consumption of the macro base station is 100 W
  • the fixed power consumption of the micro base station is 6 W).
  • the macro base station When the number of users or traffic in the cell is small, the macro base station enters a dormant state, uses the micro base station to provide services for the user, the user selects the nearest micro base station access, and if not, selects the second nearest micro base station to access. In this way, until you find a micro base station that can serve it. As shown in FIG. 2, the example specifically includes the following steps:
  • the base station load flow data of one week in a macro cell (the macro base station provides user service) is collected, and data is recorded every hour at intervals of hours.
  • the data of the first six days is used as training data to train the MWNN model.
  • the data of the next day is used as test data to test whether the constructed MWNN model achieves the target prediction error accuracy.
  • the second step is to build the MWNN model and initialize the parameter settings.
  • the wavelet basis function of the MWNN hidden layer neurons is the Morlet mother wavelet basis function:
  • the jth hidden layer neuron output of MWNN is
  • w ij represents the connection weight between the ith ith input neuron and the jth hidden layer neuron
  • a j and b j are the scaling factor and translation factor of the jth Morlet wavelet basis function, respectively.
  • the k-th output layer neuron prediction output of MWNN is
  • v jk represents the connection weight between the jth hidden layer neuron and the kth output neuron.
  • the training data is used to train the MWNN model, and the target prediction error accuracy is set to 0.01.
  • the prediction error formula of the MWNN model is expressed as
  • MWNN continuously adjusts the scaling factor and translation factor a j , b j of the wavelet basis function and the connection between the input neurons and the hidden layer neurons by adding a momentum term based on the gradient descent method.
  • the weight w ij the value of the connection weight v jk between the hidden layer neuron and the output layer neuron, so that the error reaches the set target prediction error precision, and the training and construction of the MWNN model is completed.
  • the MWNN model of the training structure is verified by the test data to achieve the target prediction accuracy.
  • the MWNN model and the corresponding historical data are used to predict the x(t) by using x(t ⁇ 3), x(t ⁇ 2), x(t ⁇ 1), and x(t). +1), and then predict the x(t+2) manner in the same way to predict the base station load traffic of the macro cell, and determine whether the macro base station is at the peak of the user.
  • the sixth step if the macro cell is in a non-peak period, the macro base station is asleep, and the micro base station is used for user service to save energy consumption and achieve the purpose of green communication.
  • the topology of the wavelet neural network is shown in Figure 3. It is based on the Back Propagation (BP) neural network topology, and the Morlet wavelet basis function is used as the transfer function of the hidden layer node.
  • BP Back Propagation
  • the number of steps used by the MWNN model in the training process the prediction error reaches the target prediction accuracy, and the traditional wavelet neural network (WNN), and the prediction of the MWNN after the training is completed.
  • WNN traditional wavelet neural network
  • micro base station can be used instead of the macro base station to provide user service, thereby obtaining greater energy saving; and at the peak time, the macro base station is still used for service.

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明涉及一种异构网络中基于流量预测的基站休眠方法，针对传统的基站休眠方法基于确定的流量模型设计，无法适应实际中基站负载流量动态变化的缺点，本发明首先利用改进的小波神经网络(Modified Wavelet neural network，MWNN)模型对基站的负载流量进行动态预测，然后根据预测的结果选择在网络非高峰期时，利用微基站(Pico Base Stations，PBSs)代替宏基站(Macro Base Station，MBS)为用户提供服务。尽管微基站的覆盖范围小于宏基站，但是当用户数量处于非高峰期时，一定数量的微基站的覆盖范围依旧可以保证对用户的服务。而且由于微基站所需的发射功率要远小于宏基站的发射功率，因此该方法可以节省网络能耗，达到绿色通信的目的。

Description

一种异构网络中基于流量预测的基站休眠方法 技术领域
本发明属于无线通信技术领域，涉及一种能够降低无线通信系统能耗的基站休眠方法，更具体的说提出了一种异构网络中基于流量预测的基站休眠方法。
背景技术
随着无线通信技术的快速发展以及用户需求的快速增长，未来的无线通信与网络技术面临着资源和能耗的双重约束。如何设计未来的移动通信网络，有效的利用无线资源成为政府以及学术界普遍关注的热点。
信息和通信技术(Information and Communication Technology，ICT)产业是能源消耗的大户，占全球能源消耗的2％左右，并且正在迅速增长，预计到2020年将会达到现在的3倍，占到全球碳排放量总数的30％以上。另据统计，在移动通信系统中，网络部分的能耗约占到实际能源消耗的90％，终端部分的能耗仅占10％左右；而在全部的网络能耗中，基站部分的能耗可以占80％左右，核心网部分仅约占20％。由此可见，减少基站能源消耗可以大幅度降低网络能耗，而在网络处于非高峰期时，动态休眠一些基站是一种最直接、最有效的手段。
但在实际中，使一些基站进入休眠或关闭状态可能会导致一些区域的用户无法被服务，这是不允许的。另外，一些传统的基站休眠方法基于确定的流量模型提出，无法适应实际中基站负载流量是动态变化的情况。
发明内容
为了解决上述问题，本发明提供了一种在异构网络中基于流量预测的基站休眠方法。该方法利用改进的小波神经网络模型根据基站流量历史信息，对基站流量进行动态预测，然后根据流量预测结果选择是否休眠宏基站，从而利用微基站对用户进行服务，达到节省网络能耗的目的。
本发明的技术方案为：首先初始化搭建改进的小波神经网络模型，利用采集到的基站流量信息对MWNN模型进行训练，以达到设定的目标预测误差精度，然后利用训练完成的MWNN模型和所需要的历史基站流量信息对未来的基站流量进行预测，选择在非用户高峰期时，休眠宏基站利用微基站提供用户服务。
为实现上述目的，本发明具体包括以下步骤：
(1)收集一个宏小区(宏基站提供用户服务)内一周的基站负载流量数据，并且 以小时为间隔，每小时记录一次数据。并且将前六天的数据作为训练数据用来训练构造MWNN模型，后一天的数据作为测试数据，用来测试构建的MWNN模型是否达到目标预测误差精度。
(2)搭建MWNN模型，并且初始化参数设置。所述的参数包括，MWNN模型的输入层神经元数目m，隐含层神经元数目h以及输出层神经元的数目n。其中，MWNN隐含层神经元的小波基函数为Morlet母小波基函数：
Figure PCTCN2016073261-appb-000001
式中，x为输入数据X＝[x1,x2,…,xm]T。MWNN的第j个隐含层神经元输出为
Figure PCTCN2016073261-appb-000002
其中，wij表示MWNN第i个输入神经元与第j个隐含层神经元之间的连接权值，aj和bj分别为第j个Morlet小波基函数的伸缩因子和平移因子。MWNN的第k个输出层神经元预测输出为
Figure PCTCN2016073261-appb-000003
其中，vjk表示第j个隐含层神经元与第k个输出神经元之间的连接权值。
(3)利用训练数据来训练MWNN模型，设定目标预测误差精度为0.01。MWNN模型的预测误差公式表示为
Figure PCTCN2016073261-appb-000004
其中y’(k)表示实际数据。在训练过程中，MWNN通过不断调整小波基函数的伸缩因子和平移因子aj，bj，以及输入神经元与隐含层神经元之间的连接权值wij，隐含层神经元与输出层神经元之间的连接权值vjk的值，以使error达到设定目标预测误差精度，完成MWNN模型的训练和搭建。
(4)利用测试数据验证训练构造的MWNN模型已达到目标预测精度。
(5)利用MWNN模型以及相应的历史数据采用滚动式预测的方式，即利用x(t‐3),x(t‐2),x(t‐1),x(t)预测x(t+1)，然后用同样的方法预测x(t+2)的方式对宏小区的基站负载流量进行预测，判断宏基站是否处于用户高峰期。
(6)如果此时宏小区处于非高峰期，则将宏基站休眠，利用微基站进行用户服务，以节省能量消耗，达到绿色通信的目的。
在步骤(3)中，MWNN改进了传统的在调整小波基函数的伸缩因子和平移因子aj和bj，以及各层神经元之间连接权值wij以及vjk时所采用的梯度下降法，而是在梯度下降 法的基础上增加动量调整因子，使得神经网络在调整过程中不仅考虑预测误差在梯度上的影响，而且考虑预测误差在误差表面变化趋势的影响。具体方法为：
Figure PCTCN2016073261-appb-000005
Figure PCTCN2016073261-appb-000006
Figure PCTCN2016073261-appb-000007
Figure PCTCN2016073261-appb-000008
其中u和η分别表示wij，vjk以及aj，bj的学习速率，α∈(0,1)表示动量调整因子。
在步骤(6)中，根据改进的小波神经网络的预测结果，当宏小区处于非高峰期时，宏基站将处于休眠状态，宏小区内用户将选择离自己最近的一个微基站接入，同时设定参数Δ以判断该用户是否可以接入此微基站
Δ＝Pmax(j)-Pout(j)-Pol(j)
其中，Pmax(j)和Pout(j)分别表示微基站j最大可发射功率和实际发射功率，Pol(j)表示由于该用户的接入微基站j需要额外增加的发射功率。若Δ≥0，则该用户可以接入此微基站，如果Δ<0，则该用户选择离自己第二近的微基站接入，按此方法，直到找到可以接入的微基站为自己提供服务。
本发明的有益效果为：首先将小波神经网络进行改进和优化，提高了小波神经网络的收敛速度，然后利用改进的小波神经网络对基站的流量进行动态预测，最后根据MWNN的预测结果，选择在网络处于非高峰期时，将宏基站休眠利用微基站提供用户服务。解决了传统的基站休眠方法建立在确定的流量模型基础上，无法适应实际中基站负载流量动态变化的缺点，同时降低了网络的能量消耗，达到了绿色通信的目的。
附图说明
图1为基于流量预测的基站休眠方法的多小区系统模型示意图；
图2为本发明的一个实例的流程图；
图3为小波神经网络的拓扑结构示意图；
图4表示改进的小波神经网络在训练过程中预测达到目标预测误差精度的收敛过程仿真图；
图5表示利用改进的小波神经网络对基站流量进行预测的结果与实际流量数据的对比仿真图；
图6表示在非高峰期时，利用微基站代替宏基站提供用户服务时，以及当高峰期时，依旧利用宏基站提供用户服务的功率消耗对比仿真图。
具体实施方式
为了更详细的介绍本发明的技术内容，特举具体实例并配合所附图说明如下。本实例的主要功能是建立达到目标预测精度的MWNN模型，然后利用建立的MWNN模型预测基站的流量数据，选择在非高峰期时，将宏基站休眠而用微基站提供用户服务，以达到节省网络能量消耗的目的。
如图1所示，假设每个宏小区可以分为六个扇区，每个扇区内均匀分布有三个微基站(如宏基站覆盖半径为1800米，微基站覆盖半径为100米，微基站的最大发送功率为0.13W，宏基站的固定消耗功率为100W，微基站的固定消耗功率为6W)。
当小区中用户数或业务量较少时，宏基站将进入休眠状态，利用微基站为用户提供服务，用户选择最近的微基站接入，如果无法接入则选择第二近的微基站接入，按此方法，直到找到可以为其提供服务的微基站。如图2所示，本实例具体包括以下步骤：
第一步，收集一个宏小区(宏基站提供用户服务)内一周的基站负载流量数据，并且以小时为间隔，每小时记录一次数据。并且将前六天的数据作为训练数据用来训练构造MWNN模型，后一天的数据作为测试数据，用来测试构建的MWNN模型是否达到目标预测误差精度。
第二步，搭建MWNN模型，并且初始化参数设置。所述的参数包括，MWNN模型的输入层神经元数目m，在此次实例中我们选取m＝4；隐含层神经元数目h以及输出层神经元的数目n，在此次实例中，我们分别选取h＝9，n＝1。其中，MWNN隐含层神经元的小波基函数为Morlet母小波基函数：
Figure PCTCN2016073261-appb-000009
其中，x为输入数据X＝[x1,x2,…,xm]T。MWNN的第j个隐含层神经元输出为
Figure PCTCN2016073261-appb-000010
其中，wij表示MWNN第i个输入神经元与第j个隐含层神经元之间的连接权值，aj和bj分别为第j个Morlet小波基函数的伸缩因子和平移因子。MWNN的第k个输出层神经元预测输出为
Figure PCTCN2016073261-appb-000011
其中，vjk表示第j个隐含层神经元与第k个输出神经元之间的连接权值。
第三步，利用训练数据来训练MWNN模型，设定目标预测误差精度为0.01。MWNN模型的预测误差公式表示为
Figure PCTCN2016073261-appb-000012
其中y’(k)表示实际数据。在训练过程中，MWNN通过在梯度下降法的基础上增加动量项的方法不断调整小波基函数的伸缩因子和平移因子aj，bj，以及输入神经元与隐含层神经元之间的连接权值wij，隐含层神经元与输出层神经元之间的连接权值vjk的值，以使error达到设定目标预测误差精度，完成MWNN模型的训练和搭建。
第四步，利用测试数据验证训练构造的MWNN模型已达到目标预测精度。
第五步，利用MWNN模型以及相应的历史数据采用滚动式预测的方式，即利用x(t‐3),x(t‐2),x(t‐1),x(t)预测x(t+1)，然后用同样的方法预测x(t+2)的方式对宏小区的基站负载流量进行预测，判断宏基站是否处于用户高峰期。
第六步，如果此时宏小区处于非高峰期，则将宏基站休眠，利用微基站进行用户服务，以节省能量消耗，达到绿色通信的目的。
其中，小波神经网络的拓扑结构如图3所示，其是一种以反向传播(Back Propagation，BP)神经网络拓扑结构为基础，把Morlet小波基函数作为隐含层节点的传递函数，信号前向传播的同时误差反向传播的一种神经网络。它包括三层，分别是输入层，隐含层和输出层。
如图4和图5所示分别为MWNN模型在训练过程中，预测误差达到目标预测精度所用的步数与传统的小波神经网络(Wavelet neural network，WNN)的对比，以及训练完成后MWNN的预测数据与真实数据的对比示意图。从图中可以看出，改进的小波神经网络收敛速度较之改进前更快，而且训练完成的MWNN预测准确性很高。
如图6所示，在MWNN可以进行准确预测流量的前提下，我们可以判断网络处于非高峰期的时间，例如(1:00-9:00和21:00-24:00时间段)，我们可以利用微基站来代替宏基站提供用户服务，从而获得较大的能量节省；而在高峰期时，仍然利用宏基站进行服务。
虽然本发明已以较佳实施例揭露如上，然其并非用以限定本发明。本发明所属技术领域中具有通常知识者，在不脱离本发明的精神和范围内，当可作各种的更动与润饰。因此，本发明的保护范围当视权利要求书所界定者为准。

Claims (3)

  1. 一种异构网络中基于流量预测的基站休眠方法，其特征是包括如下步骤：
    1)收集一个宏小区内一周的基站负载流量数据，以小时为间隔，每小时记录一次数据，并且将前六天的数据作为训练数据用来训练构造改进的小波神经网络MWNN模型，后一天的数据作为测试数据，用来测试构建的MWNN模型是否达到目标预测误差精度，其中，宏基站提供用户服务；
    2)搭建MWNN模型，并且初始化参数设置；所述的参数包括，MWNN模型的输入层神经元数目m，隐含层神经元数目h以及输出层神经元的数目n；其中，MWNN隐含层神经元的小波基函数为Morlet母小波基函数：
    Figure PCTCN2016073261-appb-100001
    式中，x为输入数据X＝[x1,x2,…,xm]T，MWNN的第j个隐含层神经元输出为
    Figure PCTCN2016073261-appb-100002
    其中，wij表示MWNN第i个输入神经元与第j个隐含层神经元之间的连接权值，aj和bj分别为第j个Morlet小波基函数的伸缩因子和平移因子，MWNN的第k个输出层神经元预测输出为
    Figure PCTCN2016073261-appb-100003
    其中，vjk表示第j个隐含层神经元与第k个输出神经元之间的连接权值；
    3)利用训练数据来训练MWNN模型，设定目标预测误差精度为0.01；MWNN模型的预测误差公式表示为
    Figure PCTCN2016073261-appb-100004
    其中y’(k)表示实际数据。在训练过程中，MWNN通过不断调整小波基函数的伸缩因子和平移因子aj，bj，以及输入神经元与隐含层神经元之间的连接权值wij，隐含层神经元与输出层神经元之间的连接权值vjk的值，以使误差error达到设定目标预测误差精度，完成MWNN模型的训练和搭建；
    4)利用测试数据验证训练构造的MWNN模型已达到目标预测精度；
    5)利用MWNN模型以及相应的历史数据采用滚动式预测的方式，即利用x(t‐3),x(t‐2), x(t‐1),x(t)预测x(t+1)，然后用同样的方法预测x(t+2)的方式对宏小区的基站负载流量进行预测，判断宏基站是否处于用户高峰期；
    6)如果此时宏小区处于非高峰期，则将宏基站休眠，利用微基站进行用户服务。
  2. 根据权利要求1中所述的基于流量预测的基站休眠方法，其特征在于，在所述步骤3)具体方法为：
    Figure PCTCN2016073261-appb-100005
    Figure PCTCN2016073261-appb-100006
    Figure PCTCN2016073261-appb-100007
    Figure PCTCN2016073261-appb-100008
    其中u和η分别表示wij，vjk以及aj，bj的学习速率，α∈(0,1)表示动量调整因子。
  3. 根据权利要求1中所述的基于流量预测的基站休眠方法，其特征在于，在所述步骤6)中，当宏小区处于非高峰期时，宏基站将处于休眠状态，宏小区内用户将选择离自己最近的一个微基站接入，同时设定参数Δ以判断该用户是否可以接入此微基站
    Δ＝Pmax(j)-Pout(j)-Pol(j)
    其中，Pmax(j)和Pout(j)分别表示微基站j最大可发射功率和实际发射功率，Pol(j)表示由于该用户的接入微基站j需要额外增加的发射功率；若Δ≥0，则该用户可以接入此微基站，如果Δ<0，则该用户选择离自己第二近的微基站接入，按此方法，直到找到可以为自己提供服务的微基站。
PCT/CN2016/073261 2015-06-30 2016-02-03 一种异构网络中基于流量预测的基站休眠方法 WO2017000557A1 (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201510387707.7A CN105050170B (zh) 2015-06-30 2015-06-30 一种异构网络中基于流量预测的基站休眠方法
CN201510387707.7 2015-06-30

Publications (1)

Publication Number Publication Date
WO2017000557A1 true WO2017000557A1 (zh) 2017-01-05

Family

ID=54456259

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2016/073261 WO2017000557A1 (zh) 2015-06-30 2016-02-03 一种异构网络中基于流量预测的基站休眠方法

Country Status (2)

Country Link
CN (1) CN105050170B (zh)
WO (1) WO2017000557A1 (zh)

Cited By (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110245413A (zh) * 2019-06-11 2019-09-17 西北工业大学 一种基于神经网络的超材料吸波结构的设计方法
CN110381524A (zh) * 2019-07-15 2019-10-25 安徽理工大学 基于Bi-LSTM的大场景移动流量在线预测方法、系统及存储介质
CN110598171A (zh) * 2019-08-15 2019-12-20 辽宁生态工程职业学院 基于Shannon熵-能量比的小波神经网络卫星钟差预报方法
CN110621026A (zh) * 2019-02-18 2019-12-27 北京航空航天大学 一种基站流量多时刻预测方法
CN111695230A (zh) * 2019-12-31 2020-09-22 天津工业大学 一种用于微波无源器件的神经网络空间映射多物理建模方法
CN111741483A (zh) * 2019-10-29 2020-10-02 青岛科技大学 移动通信系统的中断概率性能预测方法
CN112600728A (zh) * 2020-12-07 2021-04-02 华东交通大学理工学院 一种基于大数据的5g移动基站流量预测分析系统
CN114189877A (zh) * 2021-12-06 2022-03-15 天津大学 一种面向5g基站的复合式能耗优化控制方法
CN114338834A (zh) * 2021-12-29 2022-04-12 重庆邮电大学 基于流量预测的智能工业协议转换系统及方法
CN114347018A (zh) * 2021-12-20 2022-04-15 上海大学 一种基于小波神经网络的机械臂扰动补偿方法
CN114760677A (zh) * 2022-04-20 2022-07-15 中国移动通信集团广东有限公司 微站室分场景的节能方法及装置
CN114867090A (zh) * 2022-05-06 2022-08-05 东南大学 一种基于lstm无监督学习的udn基站休眠与功率分配联合优化方法
CN115051864A (zh) * 2022-06-21 2022-09-13 郑州轻工业大学 基于pca-mf-wnn的网络安全态势要素提取方法及系统
WO2023038432A1 (en) * 2021-09-07 2023-03-16 Samsung Electronics Co., Ltd. Method of load forecasting via knowledge distillation, and an apparatus for the same
WO2023059105A1 (en) * 2021-10-06 2023-04-13 Samsung Electronics Co., Ltd. Method or apparatus for performing communication load balancing with multi-teacher reinforcement learning
CN116976221A (zh) * 2023-08-10 2023-10-31 西安理工大学 基于冲蚀特性的堰塞体溃决峰值流量预测方法及存储介质
CN117156484A (zh) * 2023-10-30 2023-12-01 江西科技学院 一种基于5g技术的通信基站能耗分析系统和方法
CN117202331A (zh) * 2023-10-23 2023-12-08 哈尔滨智汇信息科技有限公司 一种用于5g基站智能休眠的远程控制方法及系统

Families Citing this family (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105050170B (zh) * 2015-06-30 2019-02-05 东南大学 一种异构网络中基于流量预测的基站休眠方法
CN105592536A (zh) * 2016-01-27 2016-05-18 重庆邮电大学 5g网络中动态开启/关闭微蜂窝的节能方法
CN105578579B (zh) * 2016-03-02 2018-12-04 桂林电子科技大学 基于业务流量预测的蜂窝网基站和中继站联合休眠调度方法
CN107734534B (zh) * 2016-08-10 2020-10-30 中国移动通信集团黑龙江有限公司 一种网络负荷评估方法及装置
CN106879057A (zh) * 2017-03-06 2017-06-20 武汉中天元科技有限公司 一种5g无线网络智能化节能方法
CN107493583B (zh) * 2017-06-29 2020-09-25 南京邮电大学 一种基于多斜率在线博弈的价格感知用户的调度算法
CN107548120B (zh) * 2017-08-11 2020-07-03 北京航空航天大学 临空通信网络的路由方法和装置
CN107567079B (zh) * 2017-08-11 2019-08-02 武汉大学 一种移动互联网数据驱动的基站节能方法
CN108234198B (zh) * 2017-12-19 2020-07-07 清华大学 一种基站流量预测方法和设备
CN108834079B (zh) * 2018-09-21 2020-05-01 北京邮电大学 一种在异构网络中基于移动性预测的负载均衡优化方法
CN109862585B (zh) * 2019-01-31 2022-04-19 湖北工业大学 一种基于深度时空神经网络的动态异构网络流量预测方法
CN112862141B (zh) * 2019-11-27 2024-04-16 深圳市万普拉斯科技有限公司 基于休眠数据的电量优化方法、装置和计算机设备
CN114125932B (zh) * 2020-09-01 2023-08-15 中国移动通信集团湖南有限公司 数据分流的方法、装置及网络设备
CN114630356B (zh) * 2020-12-11 2024-02-27 中移(成都)信息通信科技有限公司 一种基站确定方法、装置、设备及存储介质
CN112954715B (zh) * 2021-02-01 2022-05-31 福州大学 基于迁移学习的无线服务节点容量估计方法
CN114980282B (zh) * 2021-02-24 2024-04-09 上海华为技术有限公司 一种功率调整方法以及网络管理服务器
CN113099520B (zh) * 2021-03-19 2022-10-11 杭州电子科技大学 一种基于迟滞噪声混沌神经网络的基站休眠方法
CN113537511B (zh) * 2021-07-14 2023-06-20 中国科学技术大学 一种自动梯度量化的联邦学习装置和方法
CN114126019B (zh) * 2021-11-30 2024-04-23 北京邮电大学 一种基于能效优化的前传光网络动态资源映射方法及系统
CN117156529B (zh) * 2023-11-01 2024-01-16 唐人通信技术服务股份有限公司 一种基站供电管理方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101729315A (zh) * 2009-12-24 2010-06-09 北京邮电大学 一种基于小波包分解和模糊神经网络的网络流量预测方法及装置
CN103384362A (zh) * 2013-07-05 2013-11-06 中国联合网络通信集团有限公司 业务承载方法、移动性管理实体和微基站
WO2014036710A1 (en) * 2012-09-06 2014-03-13 Broadcom Corporation Method and apparatus of energy saving in radio access networks
CN104581904A (zh) * 2014-12-24 2015-04-29 南京邮电大学 异构蜂窝网络中一种基于节能的基站休眠方法
CN105050170A (zh) * 2015-06-30 2015-11-11 东南大学 一种异构网络中基于流量预测的基站休眠方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101729315A (zh) * 2009-12-24 2010-06-09 北京邮电大学 一种基于小波包分解和模糊神经网络的网络流量预测方法及装置
WO2014036710A1 (en) * 2012-09-06 2014-03-13 Broadcom Corporation Method and apparatus of energy saving in radio access networks
CN103384362A (zh) * 2013-07-05 2013-11-06 中国联合网络通信集团有限公司 业务承载方法、移动性管理实体和微基站
CN104581904A (zh) * 2014-12-24 2015-04-29 南京邮电大学 异构蜂窝网络中一种基于节能的基站休眠方法
CN105050170A (zh) * 2015-06-30 2015-11-11 东南大学 一种异构网络中基于流量预测的基站休眠方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
CHEN, ZHENWEI ET AL.: "A Network Traffic Prediction Algorithm Based on Wavelet Function and Neural Network", JOURNAL OF WEST ANHUI UNIVERSITY, vol. 26, no. 2, 30 April 2010 (2010-04-30), pages 36 - 38 *

Cited By (31)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110621026B (zh) * 2019-02-18 2023-09-05 北京航空航天大学 一种基站流量多时刻预测方法
CN110621026A (zh) * 2019-02-18 2019-12-27 北京航空航天大学 一种基站流量多时刻预测方法
CN110245413A (zh) * 2019-06-11 2019-09-17 西北工业大学 一种基于神经网络的超材料吸波结构的设计方法
CN110381524B (zh) * 2019-07-15 2022-12-20 安徽理工大学 基于Bi-LSTM的大场景移动流量在线预测方法、系统及存储介质
CN110381524A (zh) * 2019-07-15 2019-10-25 安徽理工大学 基于Bi-LSTM的大场景移动流量在线预测方法、系统及存储介质
CN110598171A (zh) * 2019-08-15 2019-12-20 辽宁生态工程职业学院 基于Shannon熵-能量比的小波神经网络卫星钟差预报方法
CN110598171B (zh) * 2019-08-15 2022-10-25 辽宁科技学院 基于Shannon熵-能量比的小波神经网络卫星钟差预报方法
CN111741483A (zh) * 2019-10-29 2020-10-02 青岛科技大学 移动通信系统的中断概率性能预测方法
CN111741483B (zh) * 2019-10-29 2022-08-09 青岛科技大学 移动通信系统的中断概率性能预测方法
CN111695230B (zh) * 2019-12-31 2023-05-02 天津工业大学 一种用于微波无源器件的神经网络空间映射多物理建模方法
CN111695230A (zh) * 2019-12-31 2020-09-22 天津工业大学 一种用于微波无源器件的神经网络空间映射多物理建模方法
CN112600728A (zh) * 2020-12-07 2021-04-02 华东交通大学理工学院 一种基于大数据的5g移动基站流量预测分析系统
WO2023038432A1 (en) * 2021-09-07 2023-03-16 Samsung Electronics Co., Ltd. Method of load forecasting via knowledge distillation, and an apparatus for the same
WO2023059105A1 (en) * 2021-10-06 2023-04-13 Samsung Electronics Co., Ltd. Method or apparatus for performing communication load balancing with multi-teacher reinforcement learning
US11750719B2 (en) 2021-10-06 2023-09-05 Samsung Electronics Co., Ltd. Method of performing communication load balancing with multi-teacher reinforcement learning, and an apparatus for the same
CN114189877A (zh) * 2021-12-06 2022-03-15 天津大学 一种面向5g基站的复合式能耗优化控制方法
CN114189877B (zh) * 2021-12-06 2023-09-15 天津大学 一种面向5g基站的复合式能耗优化控制方法
CN114347018A (zh) * 2021-12-20 2022-04-15 上海大学 一种基于小波神经网络的机械臂扰动补偿方法
CN114347018B (zh) * 2021-12-20 2024-04-16 上海大学 一种基于小波神经网络的机械臂扰动补偿方法
CN114338834A (zh) * 2021-12-29 2022-04-12 重庆邮电大学 基于流量预测的智能工业协议转换系统及方法
CN114338834B (zh) * 2021-12-29 2023-11-03 重庆邮电大学 基于流量预测的智能工业协议转换系统及方法
CN114760677A (zh) * 2022-04-20 2022-07-15 中国移动通信集团广东有限公司 微站室分场景的节能方法及装置
CN114867090A (zh) * 2022-05-06 2022-08-05 东南大学 一种基于lstm无监督学习的udn基站休眠与功率分配联合优化方法
CN114867090B (zh) * 2022-05-06 2024-04-02 东南大学 一种基于lstm无监督学习的udn基站休眠与功率分配联合优化方法
CN115051864B (zh) * 2022-06-21 2024-02-27 郑州轻工业大学 基于pca-mf-wnn的网络安全态势要素提取方法及系统
CN115051864A (zh) * 2022-06-21 2022-09-13 郑州轻工业大学 基于pca-mf-wnn的网络安全态势要素提取方法及系统
CN116976221A (zh) * 2023-08-10 2023-10-31 西安理工大学 基于冲蚀特性的堰塞体溃决峰值流量预测方法及存储介质
CN116976221B (zh) * 2023-08-10 2024-05-17 西安理工大学 基于冲蚀特性的堰塞体溃决峰值流量预测方法及存储介质
CN117202331A (zh) * 2023-10-23 2023-12-08 哈尔滨智汇信息科技有限公司 一种用于5g基站智能休眠的远程控制方法及系统
CN117156484B (zh) * 2023-10-30 2024-01-26 江西科技学院 一种基于5g技术的通信基站能耗分析系统和方法
CN117156484A (zh) * 2023-10-30 2023-12-01 江西科技学院 一种基于5g技术的通信基站能耗分析系统和方法

Also Published As

Publication number Publication date
CN105050170B (zh) 2019-02-05
CN105050170A (zh) 2015-11-11

Similar Documents

Publication Publication Date Title
WO2017000557A1 (zh) 一种异构网络中基于流量预测的基站休眠方法
WO2021209024A1 (zh) 节能方法、基站、控制单元及存储介质
CN111148131B (zh) 一种基于能耗的无线异构网络终端接入控制方法
CN105578579A (zh) 基于业务流量预测的蜂窝网基站和中继站联合休眠调度方法
WO2016078268A1 (zh) 节能方法及装置
Hu et al. Base station sleeping mechanism based on traffic prediction in heterogeneous networks
CN108055678B (zh) 异构蜂窝网络中基于smdp的家庭基站休眠方法
CN114071661A (zh) 一种基站节能控制方法和装置
CN104796993A (zh) 异构网络中基于Stackelberg博弈的跨层资源分配方法
CN104113903B (zh) 基于交互式认知学习的下行功率调整方法和装置
CN106332203A (zh) 一种lte分层小区架构中的绿色节能算法
Zhou et al. Multi-server federated edge learning for low power consumption wireless resource allocation based on user QoE
CN107609690B (zh) 一种负荷主动管理决策优化的方法
CN113141616B (zh) O+b域数据+业务场景自适应识别的节能基站选择及节能模式选取的方法、装置和系统
CN102300295B (zh) 一种实现基站节能的方法
CN117412365A (zh) 一种小区节能方法、系统、设备及介质
CN106604381B (zh) 一种基于三级发射功率机制的毫米波网络性能分析方法
CN106559491A (zh) 一种基于改进的李雅普诺夫优化的云业务上行调度方法
CN106954268A (zh) 一种sdn架构下接入网资源分配方法
Gao et al. Residential energy management system using personalized federated deep reinforcement learning
CN114612021B (zh) 计及多粒度属性的热力负荷协同调控方法
CN111194045A (zh) 一种基于用户群体聚集行为模型进行节能的方法
CN116455441A (zh) 一种低轨卫星网络卫星切换方法
CN107484111A (zh) 一种m2m通信网络关联及功率分配算法
CN107449106A (zh) 空调风机自适应调节方法、中央空调及存储介质

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 16816922

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 16816922

Country of ref document: EP

Kind code of ref document: A1

122 Ep: pct application non-entry in european phase

Ref document number: 16816922

Country of ref document: EP

Kind code of ref document: A1

32PN Ep: public notification in the ep bulletin as address of the adressee cannot be established

Free format text: NOTING OF LOSS OF RIGHTS PURSUANT TO RULE 112(1) EPC (EPO FORM 1205 DATED 16/10/2018)