一种异构网络中的分级移动性预测方法技术

本发明专利技术提出一种异构网络中的分级移动性预测方法，属于无线通信技术领域。具体步骤包括：首先根据数据网络记录DNRs中的用户移动轨迹得出小基站为用户提供数据服务的总时长，得到一个小基站的有序列表；对有序列表中的小基站进行聚类，得到一个地理区域的集合；然后将地理区域内小基站的服务时长累加得到该区域总的访问时长，得到最终的IGAs的集合；最后，判断用户当前所在位置是否位于IGAs内，如果是，执行粗粒度预测，然后执行细粒度预测；如果否，结束预测。本发明专利技术的预测过程被划分为两个不同粒度的预测阶段，并通过联合考虑预测准确度与复杂度实现一个折衷，提高了预测的精度，能够显著降低实现复杂度和预测消耗的时间。

【技术实现步骤摘要】
一种异构网络中的分级移动性预测方法
本专利技术属于无线通信
，具体涉及一种异构网络中的分级移动性预测方法。
技术介绍
随着无线通信的迅猛发展，预计到2021年全球移动数据流量将达到每个月49艾字节(参考文件[1])。移动数据流量的急剧增长将给移动运营商带来巨大的压力，以满足日益增长的用户需求。研究成员已经提出在现有网络中部署小小区基站SBSs，从而与传统的宏小区基站MBSs协同工作形成所谓的异构网络(参考文件[2])。在未来的异构网络中，由于小基站的广泛部署，网络拓扑结构将变得非常复杂，这将给移动性管理引入额外的开销，以确保为用户提供一致和令人满意的服务。因此，移动性预测已经成为一个比较热门的研究方向。其中，预测准确度和计算复杂度是系统建模和算法设计中的两个主要关注点。为了建立预测模型，需要对用户过去的位置记录进行收集和整理。目前，存在很多标记位置的方法，比如全球定位系统GPS、呼叫详情记录CDRs等。此外，在用户访问移动数据网络时，顺带收集其位置信息不仅覆盖范围广，且能够产生比较精细的时间粒度(参考文件[3])。一方面，随着小基站的广泛部署，移动用户当前的位置可以通过其所在的小区进行标识。另一方面，用户终端上的许多应用程序在后台都有周期性的网络活动，即便是在用户不主动使用手机的情况下，也能提供其当前的位置信息。在异构网络场景中，参考文献[4]基于隐马尔可夫模型HMM提出了两种预测模型：时空预测器和下一地点预测器，用于对用户访问的重要地点进行预测。并且重点研究了用户的生活习惯对这两种模型预测性能的影响。参考文献[5]基于HMM提出了一种改进的预测算法，在部署有分层蜂窝网络的特定区域中预测下一个小区。参考文献[6]基于用户终端当前和历史的移动信息，利用HMM预测工具，预测下一个可能经过的毫微微蜂窝。现有技术为移动性预测提供了各种解决方案，以适应不同的场景和需求。从现有文献中，可以看出预测准确度是一个非常重要的性能指标。然而，在大多数情况下，实现预测的复杂度却经常被忽略。在现有网络中部署小小区基站SBSs，在显著提高系统容量、改善用户的服务质量的同时，也给移动性管理带来了新的挑战，在未来的异构网络中，由于低功率节点的广泛部署，网络拓扑结构将变得非常复杂。同时，移动通信需要更高质量的服务，这对预测准确度和实现复杂度的要求也将大大提高。在这两个重要性能指标之间的折衷也日益成为一个迫切需要考虑的问题。而随着网络拓扑变得越来越复杂，这些已有的预测技术可能由于较高的预测复杂度而变得不再适用。参考文献：[1]Cisco,“CiscoVisualNetworkingIndex:GlobalMobileDataTrafficForecastUpdate,2016-2021,”[Online].Available:https://www.cisco.com/c/en/us/solutions/collateral/service-provider/visual-networking-index-vni/complete-white-paper-c11-481360.html,Sep2017.[2]J.G.Andrews,"SevenwaysthatHetNetsareacellularparadigmshift,"inIEEECommunicationsMagazine,vol.51,no.3,pp.136-144,March2013.[3]Y.Qiao,Y.Cheng,J.Yang,J.LiuandN.Kato,"AMobilityAnalyticalFrameworkforBigMobileDatainDenselyPopulatedArea,"inIEEETransactionsonVehicularTechnology,vol.66,no.2,pp.1443-1455,Feb.2017.[4]Q.Lv,Y.Qiao,N.Ansari,J.LiuandJ.Yang,"BigDataDrivenHiddenMarkovModelBasedIndividualMobilityPredictionatPointsofInterest,"inIEEETransactionsonVehicularTechnology,vol.66,no.6,pp.5204-5216,June2017.[5]H.Si,Y.Wang,J.YuanandX.Shan,"MobilityPredictioninCellularNetworkUsingHiddenMarkovModel,"20107thIEEEConsumerCommunicationsandNetworkingConference,LasVegas,NV,2010,pp.1-5.[6]A.BenCheikh,M.Ayari,R.Langar,G.PujolleandL.A.Saidane,"OptimizedHandoffwithMobilityPredictionSchemeUsingHMMforfemtocellnetworks,"2015IEEEInternationalConferenceonCommunications(ICC),London,2015,pp.3448-3453.
技术实现思路
本专利技术针对未来的异构网络中网络拓扑结构非常复杂的情况，提供了一种异构网络中的分级移动性预测方法，在预测准确度和实现复杂度之间实现一个较好的折衷，为移动通信提供更高质量的服务。本专利技术提供的异构网络中的分级移动性预测方法，包括如下步骤：步骤1，在执行预测之前，采用如下聚类算法从用户的历史轨迹中识别出被频繁访问的地点，被频繁访问的地点用重要的地理区域IGAs来表征；首先，确定重要的地理区域IGAs的半径阈值Rt和平均每天的访问时长阈值Tt；然后通过如下过程识别IGAs；(1.1)从数据网络记录DNRs中提取出用户的移动轨迹，并从该移动轨迹中识别出所有的小基站SBS；根据用户的轨迹计算每个小基站为用户提供数据服务的总时长，然后按照总服务时长从大到小的顺序对在移动轨迹中出现的小基站进行排序，得到一个小基站的有序列表。(1.2)对上述有序列表中的小基站进行聚类，得到一个包含所有地理区域的集合。将序列中的第一个小基站作为第一个地理区域的质心；遍历序列中每个剩余的小基站，将小基站的位置与识别出的所有地理区域的质心的位置进行比较，如果小基站与质心的距离大于半径阈值Rt，则将该小基站作为新的地理区域的质心，如果小基站落在某个地理区域质心的半径阈值Rt内，则将该小基站作为追随者添加到该地理区域的小基站集合中；遍历完所有的小基站后，将每个地理区域的质心调整为在该区域内所有小基站的平均位置；(1.3)将每个地理区域内所有小基站的服务时长累加，得到该地理区域总的访问时长；基于用户的轨迹统计出每个地理区域被访问的天数，从而计算出每个地理区域的平均每天的访问时长；将平均每天的访问时长小于访问时长阈值Tt的地理区域移除，从而得到最终的IGAs的集合；步骤2，判断用户当前所在位置是否位于IGAs内，如果是，首先执行粗粒度预测，然后执行细粒度预测；如果用户当前所在位置不位于IGAs内，结束预测；所述的粗粒度预本文档来自技高网...

【技术保护点】
1.一种异构网络中的分级移动性预测方法，其特征在于，包括如下步骤：步骤1，在执行预测之前，采用如下聚类算法从用户的历史轨迹中识别出被频繁访问的地点，被频繁访问的地点用重要的地理区域IGAs来表征；首先，确定重要的地理区域IGAs的半径阈值Rt和平均每天的访问时长阈值Tt；然后通过如下过程识别IGAs；(1.1)从数据网络记录DNRs中提取出用户的移动轨迹，并从该移动轨迹中识别出所有的小基站SBS；根据用户的轨迹计算每个小基站为用户提供数据服务的总时长，然后按照总服务时长从大到小的顺序对在移动轨迹中出现的小基站进行排序，得到一个小基站的有序列表；(1.2)对上述有序列表中的小基站进行聚类，得到一个包含所有地理区域的集合；将序列中的第一个小基站作为第一个地理区域的质心；遍历序列中每个剩余的小基站，将小基站的位置与识别出的所有地理区域的质心的位置进行比较，如果小基站与质心的距离都大于半径阈值Rt，则将该小基站作为新的地理区域的质心，如果小基站落在某个地理区域的质心的半径阈值Rt内，则将该小基站作为追随者添加到该地理区域的小基站集合中；遍历完所有的小基站后，将每个地理区域的质心调整为在该区域内所有小基站的平均位置；(1.3)将每个地理区域内所有小基站的服务时长累加，得到该地理区域总的访问时长；基于用户的轨迹统计出每个地理区域被访问的天数，从而计算出每个地理区域的平均每天的访问时长；将平均每天的访问时长小于访问时长阈值Tt的地理区域移除，从而得到最终的IGAs的集合；步骤2，判断用户当前所在位置是否位于IGAs内，如果是，首先执行粗粒度预测，然后执行细粒度预测；如果用户当前所在位置不位于IGAs内，结束预测；所述的粗粒度预测是将用户的移动模式建模为二阶马尔可夫链，根据用户在前两个最近访问的地点来计算下一可能访问地点的概率，选取概率值最大的地点作为粗粒度预测的结果；所述的细粒度预测是使用HMM从时间和空间两个维度对用户所关联的小基站序列进行预测，即在当前所在的地理区域内，预测该用户在给定时间范围内的每个小时间段所连接的小基站，即用户所在的小区。...

【技术特征摘要】
1.一种异构网络中的分级移动性预测方法，其特征在于，包括如下步骤：步骤1，在执行预测之前，采用如下聚类算法从用户的历史轨迹中识别出被频繁访问的地点，被频繁访问的地点用重要的地理区域IGAs来表征；首先，确定重要的地理区域IGAs的半径阈值Rt和平均每天的访问时长阈值Tt；然后通过如下过程识别IGAs；(1.1)从数据网络记录DNRs中提取出用户的移动轨迹，并从该移动轨迹中识别出所有的小基站SBS；根据用户的轨迹计算每个小基站为用户提供数据服务的总时长，然后按照总服务时长从大到小的顺序对在移动轨迹中出现的小基站进行排序，得到一个小基站的有序列表；(1.2)对上述有序列表中的小基站进行聚类，得到一个包含所有地理区域的集合；将序列中的第一个小基站作为第一个地理区域的质心；遍历序列中每个剩余的小基站，将小基站的位置与识别出的所有地理区域的质心的位置进行比较，如果小基站与质心的距离都大于半径阈值Rt，则将该小基站作为新的地理区域的质心，如果小基站落在某个地理区域的质心的半径阈值Rt内，则将该小基站作为追随者添加到该地理区域的小基站集合中；遍历完所有的小基站后，将每个地理区域的质心调整为在该区域内所有小基站的平均位置；(1.3)将每个地理区域内所有小基站的服务时长累加，得到该地理区域总的访问时长；基于用户的轨迹统计出每个地理区域被访问的天数，从而计算出每个地理区域的平均每天的访问时长；将平均每天的访问时长小于访问时长阈值Tt的地理区域移除，从而得到最终的IGAs的集合；步骤2，判断用户当前所在位置是否位于IGAs内，如果是，首先执行粗粒度预测，然后执行细粒度预测；如果用户当前所在位置不位于IGAs内，结束预测；所述的粗粒度预测是将用户的移动模式建模为二阶马尔可夫链，根据用户在前两个最近访问的地点来计算下一可能访问地点的概率，选取概率值最大的地点作为粗粒度预测的结果；所述的细粒度预测是使用HMM从时间和空间两个维度对用户所关联的小基站序列进行预测，即在当前所在的地理区域内，预测该用户在给定时间范围内的每个小时间段所连接的小基站，即用户所在的小区。2.根据权利要求1所述的方法，其特征在于，所述的步骤1还包括用户轨迹的提取，首先从数据网络记录DNRs中获得用户的轨迹，然后进行如下处理：第一，将连续的位置信息记录组织成三元组记录的序列；设用户u在时刻的位置信息记录riu表示为：其中，Nr表示从DNRs中得到的位置信息记录的总条数；riu表示用户u的第i条位置信息记录，为第i条位置信息记录的时间戳，...

【专利技术属性】
技术研发人员：李曦，刘振亚，纪红，张鹤立，
申请(专利权)人：北京邮电大学，
类型：发明
国别省市：北京,11