【技术实现步骤摘要】
一种基于强化学习的基站休眠方法、设备和介质
[0001]本专利技术属于移动通信
,特别是涉及一种基于强化学习的基站休眠方法、设备和介质。
技术介绍
[0002]随着移动通信数据量的持续大幅度上涨,移动用户设备呈现爆炸性增长趋势,人们对数据流量的需求正在呈指数增长。国际电信联盟无线电标准化组织(ITU
‑
R)提出了超密集组网(Ultra
‑
Dense Network,UDN)的概念,超密集网络通过密集部署微基站来增加系统的吞吐量,来应对人们对高速率的需求。超密集网络在带来高速率、强覆盖的同时,也带来了难以忍受的能耗问题。而且,超密集网络(Ultra
‑
Dense Network,UDN)和毫米波(mmWave)通信作为未来通信的关键技术,网络密集化部署导致的微基站数目的增多,移动通信网络的能耗进一步激增,这使得能耗成为了移动通信的一个关键指标。根据相关数据表明,基站消耗了网络总功耗的60%
‑
80%功耗,因此减少基站的能耗对提高整个网络的能量效率有着重大的意义。由于基站是依据网络负载的峰值部署的,并且还留有很大的容量冗余。网络中的流量负载在时空维度上存在较大的波动,由于业务的潮汐效应,单个基站处于负载峰值的时间只占据整个运行周期的很小一部分,大部分时刻基站实际负载远远小于网络最大容量。在基站零负载的情况下,基站的能耗仍高达50%
‑
60%,这必将导致网络能量效率(Energy Efficiency,EE)的低下和能量的浪费。 ...
【技术保护点】
【技术特征摘要】
1.一种基于强化学习的基站休眠方法,其特征在于,具体包括以下步骤:步骤1、假设超密集网络是由1个宏基站和N个微基站构成的异构网,其中宏基站负责控制整个网络,微基站负责业务数据传输;宏基站一直处于激活状态;微基站的状态分为激活和休眠两种状态,其决策问题建模成一个二进制整数规划,将这些基站记为集合BS={SBS1,...,SBS
N
},每隔一个周期统计各个基站的流量负载,并将其记录,各个微基站根据历史流量数据应用于LSTM网络中训练各自流量的预测模型;步骤2、根据步骤1得到的流量预测模型,统计当前各个微基站的每个时刻的流量值并输入到LSTM网络中,获取微基站在下一统计时刻的流量预测值,并且根据当前时刻的流量负载情况和预测得到的流量负载情况,设置相应的预留资源,避免由于突发业务导致通信链路堵塞问题;步骤3、当步骤2的微基站流量预测值和资源预留总和大于门限阈值的时候,将该微基站加入候选关闭微基站集合;步骤4、统计候选微基站覆盖范围内的用户数量和各个用户的流量需求;通过CSI
‑
RS反馈获取每个用户的信干噪比SINR;步骤5、根据步骤3得到的候选关闭微基站集合和步骤4得到的基站服务用户的流量需求,通过对预测流量大小对候选微基站进行排序,流量小的微基站具有更高的关闭优先级;根据价值函数将流量负载小的微基站覆盖的用户移交给临近的开启的微基站,并且接收微基站根据用户当前速率需求调整其预留资源的大小;步骤6、获取每个基站当前时刻的关闭状态集合,以及候选关闭微基站集合内的微基站服务用户的速率;采用ε
‑
greedy策略选择基站关闭集合,得到待关闭微基站集合,如果满足最小速率需求条件,便将其作为一个可选的关闭微基站集合,并计算奖励回报值,将其存储到存储单元memory中,然后从memory中随机选取数据,输入到网络中,从而修正网络模型;如果不符合条件,舍弃这个集合。2.根据权利要求1所述的方法,其特征在于,微基站i服务的用户j的信干噪比记作SINR
i,j
,当前用户的传输速率记为R
i,j
,根据香农公式可得R
i,j
=Blog2(1+SINR
i,j
),其中B是传输带宽。3.根据权利要求2所述的方法,其特征在于,在步骤1中,微基站历史流量数据为其中r
it
表示在t统计时刻时,微基站i的流量数据;运用LSTM网络根据各个微基站的流量数据训练各自的LSTM模型。4.根据权利要求3所述的方法,其特征在于,所述训练各自的LSTM模型具体为:输入搜集到的基站历史流量数据,将其分为训练数据集合...
【专利技术属性】
技术研发人员:吴宣利,陈志杰,付楠楠,吴玮,袁国程,潘天助,
申请(专利权)人:河北远东通信系统工程有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。