一种基于接入用户移动性预测的超密集网络资源分配方法组成比例

本发明专利技术提供了一种基于接入用户移动性预测的超密集网络资源分配方法，包括：数据预处理步骤；预测用户的接入基站；根据用户预测结果计数得到基站下一时刻接入的用户数；对相邻小区的频带自行按接入用户数的比例调节；对于接入同一小区的用户按现有的资源分配方法进行资源分配。基于本发明专利技术方法，在超密集异构网下，大站可以基于用户分布规律变化，根据预测计算得到小站在未来短时间内的资源需求，动态、合理地给小站分配资源，提高了系统的平均吞吐量、用户公平度、有效提高资源的利用率，同时减少资源浪费的现象。

【技术实现步骤摘要】
一种基于接入用户移动性预测的超密集网络资源分配方法
本专利技术属于移动通信中的无线资源管理
，涉及网络资源分配方法，更为具体的说，是涉及无线通信系统中一种基于接入用户移动性预测的超密集网络资源分配方法。
技术介绍
在宏站覆盖范围内同频密集部署低功率小站的超密集异构网络是一种提升第五代移动通信(5G)网络频谱利用率和网络容量的有效方法。然而现有基站的实际利用率还很低，网络在不同时段的负载不平衡，并且每个基站的容量固定以及不同基站之间不能共享处理能力。移动网络的一个固有特性就是其用户处于运动状态，在通信过程中经常会从一个地点移动到另一个地点。通过对实际运营网络的观察发现，用户的移动呈现出很强的规律性。用户接入基站具有一定的历史模式，可以通过预测用户的移动，来计算基站未来一段时间内的接入人数。在传统的无线接入网中，每个基站的处理能力只能被其服务的小区内的用户使用。当小区内的用户离开后，基站的处理能力无法转移，只能处于浪费状态。由于运营商要每时每刻保持着网络的覆盖，使得这些空载或者零星负载的基站必须和那些高负载的基站消耗一样的功率。更严重的是，当负载较高时，基站往往满负荷运转，其需要的处理能力远高于平均水平。这样一来，一方面形成了处理能力的浪费，另一方面又存在处理能力不足的问题。
技术实现思路
针对不同小站对资源的需求在不同时刻各不相同的特点，本专利技术提出一种以提高资源利用率同时最大化系统中接入用户公平度为目标，基于接入基站用户移动性预测的超密集异构网络多小区资源分配方法，联合调整所有小站的频带资源，解决超密集异构网中的资源分配问题。为了达到上述目的，本专利技术提供如下技术方案：一种基于接入用户移动性预测的超密集网络资源分配方法，包括如下步骤：步骤一，数据预处理：首先，由基站记录用户数据，所述用户数据至少包括：用户接入时间、用户标识ID、当天日期、基站经纬度坐标、基站ID；随后，对于每一个用户的数据按照一定间隔进行重采样；最后，对整理后的数据进行编码；步骤二，预测用户的接入基站：首先，确定RNN训练的输入和输出，其中输入x(t)包括时刻t的时间、日期、经纬度、基站ID，输出y(t)为时刻t+1的基站ID，记输入序列为{x(1),x(2),...,x(τ)}，输出序列为{y(1),y(2),...,y(τ)}，其中τ为序列长度；随后构建RNN如下式：其中U是连接输入层和隐藏层之间的权重，V是连接隐藏层和输出层之间的权重，W是连接隐藏层在时刻t-1和时刻t之间的权重，x(t),s(t),o(t)分别表示在t时刻输入层、隐藏层和输出层的神经元结点，b,c为偏置，a(t)为中间变量，为RNN的输出，其中x＝(x1,x2,...,xm)T是函数的m维自变量；接着，确定RNN的目标函数L({x(1),...,x(τ)},{y(1),...,y(τ)})如下式：其中P(y(t)|{x(1),...,x(t)})表示输入序列为{x(1),...,x(t)}时，输出为y(t)的条件概率；随后，采用按时间反向传播BPTT的方法训练RNN，来更新U,V,W,b,c的具体取值；最后，对于训练好的RNN，输入当前时刻的数据，输出即为预测用户在下一时刻的接入基站；步骤三，根据得到的所有用户的预测，直接计数得到基站下一时刻接入的用户数；步骤四，对相邻小区的频带自行按各相邻小区计算得到接入用户数的比例进行调节；步骤五，对于接入同一小区的用户按现有的资源分配方法进行资源分配。进一步的，所述步骤一中重采样间隔为30分钟。进一步的，所述步骤一中对整理后的数据进行编码的过程包括：1)对时间进行编码；2)对于日期和基站ID采用独热编码进行编码。进一步的，所述步骤二中训练RNN的过程具体包括：1)从序列尾部时刻τ开始，进行反向计算，在最后的时刻τ，隐藏层结点s(τ)只有一个后续结点h(τ)，所以梯度如下所示：2)从时刻t＝τ-1至时刻t＝1反向迭代，由于s(t)(t＜τ)同时有o(t),s(t+1)两个后续结点，所以，梯度如下所示，其中diag(.)表示对角矩阵：3)根据已求解的神经结点的梯度，计算偏置b,c的梯度：4)根据已求解的神经结点的梯度，计算权重U,V,W的梯度：5)根据计算得到的U,V,W,b,c梯度更新U,V,W,b,c取值；根据公式(1)，若L的取值在第5)步U,V,W,b,c更新前与更新后相等，则结束RNN训练；否则返回3)。进一步的，所述步骤四中调节方法具体如下：对于N个相邻小区，记为{bs1,bs2,...,bsN}，在时刻t，每个小区所使用频带宽度记为{B1(t),B2(t),...,BN(t)}，在时刻t，通过步骤三计算每个小区得到的接入用户数记为{p1(t),p2(t),...,pN(t)}，对于小区bsj的频带Bj(t)取值为：进一步的，所述步骤五中采用比例公平的调度方法分配资源，具体如下：当前小区共有K个接入用户，在当前时隙每个用户k反馈一个当前信道质量所能支持的信道速率Rk(t)，基站记录每个用户刚过去的时间窗内Tc内的平均吞吐量在时隙t，选择相对需求最大的用户k*分配资源，一次调度完成之后，平均吞吐量按照如下方式进行更新：与现有技术相比，本专利技术具有如下优点和有益效果：基于本专利技术方法，在超密集异构网下，大站可以基于用户分布规律变化，根据预测计算得到小站在未来短时间内的资源需求，动态、合理地给小站分配资源，提高了系统的平均吞吐量、用户公平度、有效提高资源的利用率，同时减少资源浪费的现象。附图说明图1为RNN构建示意图。具体实施方式以下将结合具体实施例对本专利技术提供的技术方案进行详细说明，应理解下述具体实施方式仅用于说明本专利技术而不用于限制本专利技术的范围。本专利技术首先通过循环神经网络RNN(RecurrentNeuralNetwork)预测出用户下一时刻的接入基站，然后计算出基站接入用户数的变化，最后按比例动态调节小站的资源，实现小站之间的资源迁移，提高系统用户的公平度以及平均吞吐量。由于RNN能够长期记忆用户移动接入基站的历史信息，在不降低准确性的情况下降低了输入数据的时间窗长度。根据预测所有用户的接入基站，计算出该基站的接入用户数，动态调整基站的资源，提高用户公平度以及平均吞吐量。本专利技术提供的基于接入基站用户移动性预测的超密集异构网络多小区资源分配方法，相应的用户移动性预测计算以及多小区之间的动态资源分配在大站中完成，其过程包括如下步骤：第一步：数据预处理：首先，每个基站记录用户的接入时间，及用户标识ID(Identification)。收集到的数据即为每一个用户的接入基站序列，其中包括用户接入时间、当天日期、基站经纬度坐标、基站ID这些特征。然后，对于每一个用户的数据进行以30分钟为间隔的重采样。最后，对整理后的数据进行编码：1)对时间进行编码，如7:00编码为7，7:30编码为7.5，8:00编码为8。2)对于日期和基站ID均采用独热编码(One-hotEncoding)。即对于每一个特征，如果它有m个可能值，那么经过独热编码后，就变成了m个二元特征，如若基站ID这个特征有A1、A2、A3、A4这四种取值，则对应编码成1000,0100,0010,0001。第二步，预测用户的接入基站：首先，确定RNN训练数据的输入和本文档来自技高网...

【技术保护点】
一种基于接入用户移动性预测的超密集网络资源分配方法，其特征在于包括如下步骤：步骤一，数据预处理：首先，由基站记录用户数据，所述用户数据至少包括：用户接入时间、用户标识ID、当天日期、基站经纬度坐标、基站ID；随后，对于每一个用户的数据按照一定间隔进行重采样；最后，对整理后的数据进行编码；步骤二，预测用户的接入基站：首先，确定RNN训练的输入和输出，其中输入x

【技术特征摘要】
1.一种基于接入用户移动性预测的超密集网络资源分配方法，其特征在于包括如下步骤：步骤一，数据预处理：首先，由基站记录用户数据，所述用户数据至少包括：用户接入时间、用户标识ID、当天日期、基站经纬度坐标、基站ID；随后，对于每一个用户的数据按照一定间隔进行重采样；最后，对整理后的数据进行编码；步骤二，预测用户的接入基站：首先，确定RNN训练的输入和输出，其中输入x(t)包括时刻t的时间、日期、经纬度、基站ID，输出y(t)为时刻t+1的基站ID，记输入序列为{x(1),x(2),...,x(τ)}，输出序列为{y(1),y(2),...,y(τ)}，其中τ为序列长度；随后构建RNN如下式：其中U是连接输入层和隐藏层之间的权重，V是连接隐藏层和输出层之间的权重，W是连接隐藏层在时刻t-1和时刻t之间的权重，x(t),s(t),o(t)分别表示在t时刻输入层、隐藏层和输出层的神经元结点，b,c为偏置，a(t)为中间变量，为RNN的输出，其中x＝(x1,x2,...,xm)T是函数的m维自变量；接着，确定RNN的目标函数L({x(1),...,x(τ)},{y(1),...,y(τ)})如下式：其中P(y(t)|{x(1),...,x(t)})表示输入序列为{x(1),...,x(t)}时，输出为y(t)的条件概率；随后，采用按时间反向传播BPTT的方法训练RNN，来更新U,V,W,b,c的具体取值；最后，对于训练好的RNN，输入当前时刻的数据，输出即为预测用户在下一时刻的接入基站；步骤三，根据得到的所有用户的预测，直接计数得到基站下一时刻接入的用户数；步骤四，对相邻小区的频带自行按各相邻小区计算得到接入用户数的比例进行调节；步骤五，对于接入同一小区的用户按现有的资源分配方法进行资源分配。2.根据权利要求1所述的基于接入用户移动性预测的超密集网络资源分配方法，其特征在于：所述步骤一中重采样间隔为30分钟。3.根据权利要求1或2所述的基于接入用户移动性预测的超密集网络资源分配方法，其特征在于：所述步骤一中对整理后的数据进行编码的过程包括：1)对时间进行编码；2)对于日期和基站ID采用独热编码进行编码。4.根据权利要求1所述的基于接入用户移动性预测的超密集网络资源分配方法，其特征在于：所述步骤二中训练RNN的过程具体包括：1)从序列尾部时刻τ开始，进行反向计算，在最后的时刻τ，隐藏层结点s(τ)只有一个后续结点h(τ)，所以梯度如下所示：2)从时刻t＝τ-1至时刻t＝1反向迭代，由于s(t)(t＜τ)同时有o(t),s(t+1)两个后续结点，所以，梯度如下所示，其中diag(.)表示对角矩阵：

【专利技术属性】
技术研发人员：潘志文，张栩菲，尤肖虎，刘楠，
申请(专利权)人：东南大学，
类型：发明
国别省市：江苏,32