一种基于粗略信息的无线预测资源分配方法组成比例

本发明专利技术公开了一种基于粗略信息的无线预测资源分配方法，属于无线通信技术领域。在一个多小区系统中，负责预测信息的预测节点首先预测在未来一段时间窗内与预测资源分配相关的信息，包括用户移动轨迹和各基站网络负载等；然后将这些信息转换为各个用户的大尺度信道门限和各个基站的可用带宽门限通知给各个基站，基站对处在其覆盖范围内请求非实时业务的用户实时地进行资源分配，给当前大尺度信道增益高于大尺度信道门限，且即将接入基站的可用带宽小于可用带宽门限的瞬时数据率最大的用户分配更多资源，并进行传输，以达到提高系统吞吐量和用户服务质量(Quality of Service，QoS)的目的。

A rough prediction based resource allocation method for wireless prediction

The invention discloses a wireless predictive resource allocation method based on rough information, which belongs to the field of wireless communication technology. In a multi-cell system, the predictive node responsible for predicting information first predicts the information related to resource allocation in the future window for a period of time, including user trajectory and network load of each base station, and then converts the information into the large-scale channel threshold of each user and the available bandwidth threshold of each base station. It notifies each base station that the base station allocates resources in real time to users requesting non-real-time services within its coverage, and allocates more resources to users whose current large-scale channel gain is higher than the large-scale channel threshold and whose instantaneous data rate is the largest when the available bandwidth of the access base station is less than the available bandwidth threshold. Line transmission is used to improve system throughput and quality of service (QoS).

【技术实现步骤摘要】
一种基于粗略信息的无线预测资源分配方法
本专利技术涉及一种基于粗略信息的无线预测资源分配方法，属于无线通信

技术介绍
为了支持爆炸式增长的移动通信业务需求，5G蜂窝网络中的主要技术之一是通过网络密集化提升谱效。虽然提升谱效是一个有效的方法，但长期以来的观测表明，由于移动通信业务量的时空变化，基站中网络资源的利用率非常低。移动通信业务的动态特性来源于长期以来被认为是随机的用户行为。然而，近年来兴起的大数据分析显示，用户行为是可以预测的。例如，网络负载和用户轨迹可以通过机器学习的方法进行预测，见参考文件1：M.Mardani,G.B.Giannakis,“利用网络拓扑估计流量地图”，电气和电子工程师协会/国际计算机学会网络学报，2016,24(3),1533-1547.和参考文件2:A.Nadembega,A.Hafid,T.Taleb,“移动网络中的一种目的地和移动路径预测机制,”电气和电子工程师协会车辆技术学报,2015,64(6),2577–2590.基于以上预测信息和信号覆盖地图，可获得未来的基站平均资源利用状态和用户平均信道增益，见参考文件3:姚楚婷，杨晨阳，易芝玲,“基于流量负载预测与数据驱动的资源分配,”通信与信息网络期刊,2017,2(1),52–65.和参考文件4:H.Abou-Zeid,H.S.Hassanein,S.Valentin,“利用无线网络中数据率预测的能效自适应视频传输”,电气和电子工程师协会车辆技术学报,2014,63(5),2013–2026。因此，预测资源分配成为利用网络中剩余资源的有效方法。对于流量占比很高的非实时业务，为了提升系统吞吐量，可以在用户处于较好的信道状态或负载较轻的基站，即用户的可达数据率较高时进行服务。假设用户未来瞬时可达的数据率可以被准确预测，建模多种预测资源规划问题并进行求解，从而决定用户移动轨迹上的哪个基站在何时为用户分配多少资源，见参考文件5:H.Abou-zeid,H.Hassanein,S.Valentin,“利用移动轨迹和信号强度地图的最优预测资源分配”,电气和电子工程师协会全球通信会议,2013。此外，通过进行预测资源规划，在用户端视频播放不产生中断的前提下最小化基站总能耗，见参考文件4。为了应对不可避免的预测误差，可以建模鲁棒性的资源规划问题，见参考文件6:R.Atawia,H.Abou-Zeid,H.S.Hassanein,A.Noureldin,“利用联合机会约束的高能效视频流预测资源分配”,电气和电子工程师协会通信领域杂志,2016,34(5),1389–1404.和参考文件7:R.Atawia,H.S.Hassanein,H.Abou-Zeid,，A.Noureldin,“预测无线网络中的鲁棒性内容分发与不确定性跟踪”,电气和电子工程师协会无线通信学报,2017,16(4),2327–2339，其中用户未来数据率的预测误差被建模为高斯噪声或有界的随机噪声。虽然现有结果表明预测资源分配方法在提升系统吞吐量和降低基站能耗等方面具有明显的性能增益，但这些方法均要求秒级的预测信息。然而，已有研究均不能在如此细的粒度上预测用户轨迹和网络负载信息。此外，为了构造细粒度的信号覆盖地图，需要进行大量的路测，成本非常昂贵。不仅如此，对大量用户的运动轨迹进行细粒度的预测是一项具有高复杂度的工作。因此，现有的预测资源分配方法实现起来较为困难。
技术实现思路
本专利技术为了解决上述问题，实现较为粗略的用户轨迹预测，例如用户即将进入哪些小区和用户在小区中的驻留时间等，提出一种基于小区级用户轨迹和网络负载预测信息的无线预测资源分配方法；具体是一种基于粗略信息的无线预测资源分配方法，该算法复杂度低，并且易于实现。具体包括以下步骤：步骤一、在某个多小区系统中，每个小区内各设有一个基站，各基站均与预测节点相连；预测节点负责预测在未来一段时间窗(称为预测窗)内与预测资源分配相关的信息；包括用户移动轨迹和各基站网络负载等，然后将这些信息通知给各个基站，基站利用预测信息为其覆盖范围内用户的非实时业务做出资源分配。步骤二、在预测窗开始时，预测节点通过机器学习或无线大数据分别预测各个小区级信息；预测窗分为多个帧，每一帧分为多个时隙，资源分配和传输以时隙为单元进行。小区级信息包括：各小区内大尺度增益的中位数、非实时业务的平均请求到达率、请求非实时业务用户的平均接入时间和各基站在预测窗内的平均可用带宽。步骤三、将预测的小区级信息转换为各个用户的大尺度信道门限和各个基站的可用带宽门限并通知给各个基站；第m个基站的可用带宽门限计算公式如下：λm为非实时业务的平均请求到达率；为请求非实时业务用户的平均接入时间；Bseg是一个视频片段的数据量大小；为用户与基站之间的平均距离，hb为基站高度；Rb为各小区的半径；Nt为每个基站配备的天线根数，σ2为噪声功率，Pmax为各基站最大发射功率，Tseg为一个视频片段的播放时间。第k个用户的大尺度信道增益门限：m＝1,…,M为第k个用户在预测窗内经过的小区。为第m个小区内大尺度增益的中位数。步骤四、针对每一帧，各基站对当前时隙内处在其覆盖范围内的满足条件的各用户进行资源分配。具体步骤如下：步骤401、针对第m个基站，在预测窗的第j帧开始，基站估计该帧内的可用带宽和处在小区中所有用户的大尺度信道增益，计算平均数据率为第k个用户的大尺度信道增益；步骤402、处在小区范围内的各个用户向基站反馈自己视频播放缓冲区内的数据量。第k个用户的视频播放缓冲区内的数据量为Dk；步骤403、在第j帧内每一时隙开始时，基站估计瞬时可用带宽及各用户的小尺度信道增益并估计瞬时数据率针对第t个时隙，瞬时数据率计算如下：步骤404、在第j帧的每一时隙内，判断小区中是否有用户满足缓存中数据量Dk＜Bseg，如果是，为满足该条件且瞬时数据率最大的用户分配资源；否则，进入步骤405；步骤405、基站选择满足以下条件的用户：且为满足该条件且瞬时数据率最大的用户分配资源；第nk个基站是用户k下一个接入的基站，为第nk个基站在预测窗内的平均剩余带宽，Dj,k是第k个用户在第j帧内被传输的数据量，是第m个基站在第j帧内对用户进行传输，直至所有用户满足Dk≥Bseg时所剩余的时间资源比例；是在第j帧内满足且的用户数量，Δ是一帧的时间长度，以秒为单位。步骤五、基站给被分配了资源的用户使用最大比传输的方式进行传输。当某帧结束后，进入下一帧，该基站重复对处在其覆盖范围内的各用户进行资源分配，直至所有用户所请求的业务均完成传输。当预测窗在传输完成前结束，则开始新一轮的预测资源分配。本专利技术的优点在于：1)一种基于粗略信息的无线预测资源分配方法，利用预测信息找到大尺度信道门限和可用带宽门限，在用户实时大尺度信道增益高于门限，即信道较好时为用户分配更多资源，而在用户信道较差时分配较少资源。通过这种方法，可以充分利用用户的较优信道，能够显著提高网络吞吐量。2)一种基于粗略信息的无线预测资源分配方法，通过给即将接入基站的可用带宽低于带宽门限的用户分配更多资源，可以有效减少由于基站可用资源较少带来的传输中断，因此可以提升用户的QoS。3)一种基于粗略信息的无线预测资源分配方法，与现有技术相比，本文档来自技高网...

【技术保护点】
1.一种基于粗略信息的无线预测资源分配方法，其特征在于，包括以下步骤：步骤一、在某个多小区系统中，每个小区内各设有一个基站，各基站均与预测节点相连；预测节点负责预测在未来一段时间窗内与预测资源分配相关的信息，然后将这些信息通知给各个基站，基站利用预测信息为其覆盖范围内用户的非实时业务做出资源分配；步骤二、在预测窗开始时，预测节点通过机器学习或无线大数据分别预测各个小区级信息；预测窗分为多个帧，每一帧分为多个时隙，资源分配和传输以时隙为单元进行；步骤三、将预测的小区级信息转换为各个用户的大尺度信道门限和各个基站的可用带宽门限并通知给各个基站；第m个基站的可用带宽门限计算公式如下：

【技术特征摘要】
1.一种基于粗略信息的无线预测资源分配方法，其特征在于，包括以下步骤：步骤一、在某个多小区系统中，每个小区内各设有一个基站，各基站均与预测节点相连；预测节点负责预测在未来一段时间窗内与预测资源分配相关的信息，然后将这些信息通知给各个基站，基站利用预测信息为其覆盖范围内用户的非实时业务做出资源分配；步骤二、在预测窗开始时，预测节点通过机器学习或无线大数据分别预测各个小区级信息；预测窗分为多个帧，每一帧分为多个时隙，资源分配和传输以时隙为单元进行；步骤三、将预测的小区级信息转换为各个用户的大尺度信道门限和各个基站的可用带宽门限并通知给各个基站；第m个基站的可用带宽门限计算公式如下：λm为非实时业务的平均请求到达率；为请求非实时业务用户的平均接入时间；Bseg是一个视频片段的数据量大小；为用户与基站之间的平均距离，hb为基站高度；Rb为各小区的半径；Nt为每个基站配备的天线根数，σ2为噪声功率，Pmax为各基站最大发射功率，Tseg为一个视频片段的播放时间；第k个用户的大尺度信道增益门限：m＝1,…,M为第k个用户在预测窗内经过的小区；为第m个小区内大尺度增益的中位数；步骤四、针对每一帧，各基站对当前时隙内处在其覆盖范围内的满足条件的各用户进行资源分配；步骤五、基站给被分配了资源的用户使用最大比传输的方式进行传输；当某帧结束后，进入下一帧，该基站重复对处在其覆盖范围内的各用户进行资源分配，直至所有用户所请求的业务均完成传输；当预测窗在传输完成前结束，则开始新一轮...

【专利技术属性】
技术研发人员：郭佳，佘昌洋，杨晨阳，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：北京,11