一种基于预测的智能资源分配和用户调度方法及其装置制造方法及图纸

本发明专利技术公开了一种基于预测的智能资源分配和用户调度方法及其装置，具体包括以下步骤：S1、在离线数据采集和模型训练阶段，非实时无线智能控制平台采集用户测量上报信息以及基站侧统计信息，并训练平均单位上行空口可达速率预测模型；S2、在在线模型推理和资源分配阶段，实时无线智能控制平台采集用户测量上报信息，进行基于预测的智能资源分配，包括依次进行资源粗分配、模型推理以及资源细分配；S3、在基站用户调度和资源分配阶段，基站根据实时无线智能控制平台的资源分配结果，进行用户调度和资源分配。本发明专利技术在优化小区间干扰的同时，根据用户上行空口速率要求精细分配资源，从而在提升系统吞吐率的同时保障用户的上行空口速率要求。空口速率要求。空口速率要求。

【技术实现步骤摘要】
一种基于预测的智能资源分配和用户调度方法及其装置


[0001]本专利技术属于智能无线通信
，尤其涉及一种基于预测的智能资源分配和用户调度方法及其装置。

技术介绍

[0002]由于无线频谱资源的匮乏以及出于经济考虑，现代蜂窝网络(如4G、5G网络)一般都采用同频组网的网络部署方式，即所有基站/小区都工作在相同的频段。因此，不同小区之间会因为工作频段相同而彼此存在干扰，即小区间干扰。小区间干扰严重制约了用户服务质量的保障和系统性能的提升。而为了进一步提升网络覆盖、系统容量和频谱效率，4G和5G网络一般采用异构网络和密集网络的网络部署方式，即在宏基站覆盖范围内部署大量其他低功率节点。随着无线网络日益异构化和密集化，小区间干扰问题也变得更加严重且复杂。
[0003]资源分配是一类解决小区间干扰问题的有效方法。通过合理分配小区/用户所使用的时域/频域/功率域/空域等资源，可以有效降低小区间干扰，从而提升用户服务质量和系统性能。根据资源维度的不同，不同资源分配方法又可以被进一步划分为频域/时域/功率域/空域资源分配方法或多个域联合的资源分配方法。
[0004]文献“A Graph
‑
Based Scheme for Distributed Interference Coordination in Cellular OFDMA Networks”(doi：10.1109/VETECS.2008.157)公开了一种基于干扰图的频域资源分配方法。在该方法中，其首先构建了一个用户级干扰图，以建模用户之间的干扰关系。然后，其将所有频域资源划分为不同的资源段，并利用图着色算法将资源段分配给不同的用户，使得彼此干扰较大的用户着不同的颜色，着色相同的用户被分配相同的资源段，即彼此干扰较大的用户被分配不同的资源段，从而优化小区间干扰。文献“Resource Allocation for Ultra
‑
Dense Networks with Machine Learning Based Interference Graph Construction”(10.1109/JIOT.2019.2959232)针对上行链路传输公开了一种基于机器学习(Machine Learning，ML)的干扰图构建方法以及一种基于干扰图的频域资源分配方法。在该方法中，其首先采集数据并利用神经网络构建了一个上行链路信号与干扰加噪声比(Signal to Interference plus Noise Ratio，SINR)预测模型。基于预测得到的SINR值，其构建了一个精准的用户级干扰图。然后，其基于干扰图，采用最小k割算法对用户进行聚簇，使得彼此干扰大的用户被划分到同一个用户簇。最后，分配资源，使得同一用户簇中用户所分配的资源必须正交。文献“Fine
‑
grained freq用户ncy reuse in centralized small cell networks”(10.1109/TMC.2020.2981032)针对下行链路传输公开了一种基于干扰图的频域资源分配方法，可以在最大化系统总吞吐率的同时保证每个用户的吞吐率。在该方法中，其首先根据用户的测量上报将每个小区中无线环境相似的用户划分为同一个用户组，并构建了一个用户组级干扰图，以建模用户之间的干扰关系。然后，其利用最大独立集算法将用户组划分到不同的独立集中。同一独立集的用户组之间彼此干扰较小，因此可以使用相同的资源。在为每个独立集(即用户组)分配资源时，其根据用户的SINR迭代计
算得到分配给每个独立集的资源量，以满足每个用户的最低吞吐率要求。
[0005]上述现有资源分配技术方案存在的问题如下：无法根据用户服务质量要求精细分配资源，从而无法在提升系统性能的同时保障用户的服务质量。
[0006]文献“A Graph
‑
Based Scheme for Distributed Interference Coordination in Cellular OFDMA Networks”(doi：10.1109/VETECS.2008.157)和文献“Resource Allocation for Ultra
‑
Dense Networks with Machine Learning Based Interference Graph Construction”(10.1109/JIOT.2019.2959232)所提技术方案虽然可以显著提升系统吞吐率，但是无法保障每个用户的吞吐率，也就无法保障用户的服务质量。文献“Fine
‑
grained freq用户ncy reuse in centralized small cell networks”(10.1109/TMC.2020.2981032)虽然在提升系统吞吐率的同时，要求每个用户的吞吐率要大于某一门限值。但是，在实际系统中，实时获取用户SINR非常困难，且SINR受同频邻区用户调度和资源分配影响，变化剧烈(尤其对于小区边缘用户)，因此该方案的实用性有待提升。其次，其采用的基于模型/公式的SINR和吞吐率计算方式会导致SINR和吞吐率的估计值和实际值偏差较大，因此无法精确地分配资源，也无法很好地保障用户的服务质量。另外，其针对的是下行链路传输。相较下行链路传输，上行链路传输信道质量(如SINR)更易受同频邻区用户调度和资源分配影响，变化更加剧烈，因此也更难保障用户服务质量。

技术实现思路

[0007]本专利技术目的在于提供一种基于预测的智能资源分配和用户调度方法及其装置,在优化小区间干扰的同时，根据用户上行空口速率要求精细分配资源，从而在提升系统吞吐率的同时保障用户的上行空口速率要求。
[0008]为解决上述技术问题，本专利技术的具体技术方案如下：
[0009]一种基于预测的智能资源分配和用户调度方法，所述方法具体包括以下步骤：
[0010]步骤S1、在离线数据采集和模型训练阶段，非实时无线智能控制平台采集用户测量上报信息以及基站侧统计信息，并训练平均单位上行空口可达速率预测模型；
[0011]步骤S2、在在线模型推理和资源分配阶段，实时无线智能控制平台采集用户测量上报信息，进行基于预测的智能资源分配，包括依次进行资源粗分配、模型推理以及资源细分配；
[0012]步骤S3、在基站用户调度和资源分配阶段，基站根据实时无线智能控制平台的资源分配结果，进行用户调度和资源分配。
[0013]进一步的，步骤S1中训练平均单位上行空口可达速率预测模型的方法具体包括以下步骤：
[0014]步骤S11、采集用户的服务小区RSRP、同频邻区RSRP、上行空口吞吐率以及平均PRB利用率数据；
[0015]步骤S12、对上述采集的数据进行处理，得到平均单位上行空口可达速率特征数据集；
[0016]包括以下步骤：
[0017]步骤S121、将步骤S11中采集得到的用户服务小区RSRP、同本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于预测的智能资源分配和用户调度方法，其特征在于，所述方法具体包括以下步骤：步骤S1、在离线数据采集和模型训练阶段，非实时无线智能控制平台采集用户测量上报信息以及基站侧统计信息，并训练平均单位上行空口可达速率预测模型；步骤S2、在在线模型推理和资源分配阶段，实时无线智能控制平台采集用户测量上报信息，进行基于预测的智能资源分配，包括依次进行资源粗分配、模型推理以及资源细分配；步骤S3、在基站用户调度和资源分配阶段，基站根据实时无线智能控制平台的资源分配结果，进行用户调度和资源分配。2.根据权利要求1所述的基于预测的智能资源分配和用户调度方法，其特征在于，步骤S1中训练平均单位上行空口可达速率预测模型的方法具体包括以下步骤：步骤S11、采集用户的服务小区RSRP、同频邻区RSRP、上行空口吞吐率以及平均PRB利用率数据；步骤S12、对上述采集的数据进行处理，得到平均单位上行空口可达速率特征数据集；包括以下步骤：步骤S121、将步骤S11中采集得到的用户服务小区RSRP、同频邻区RSRP、上行空口吞吐率以及平均PRB利用率数据，按照用户的服务小区id以及数据采集的时间戳，针对每个小区或用户，生成小区或用户特异性的原始数据集；步骤S122、根据数据采集的时间戳，针对每个小区或用户，补齐对应时刻的相邻小区干扰用户即施扰用户的服务小区RSRP和同频邻区RSRP数据，并计算平均单位上行空口可达速率，形成小区或用户特异性的补齐后的数据集；步骤S123、将补齐后的数据集按照受扰用户以及施扰用户的服务小区RSRP和同频邻区RSRP进行合并，形成小区或用户特异性的平均单位上行空口可达速率特征数据集；步骤S13、基于上述平均单位上行空口可达速率特征数据集，采用机器学习或人工智能方法训练得到平均单位上行空口可达速率预测模型。3.根据权利要求2所述的基于预测的智能资源分配和用户调度方法，其特征在于，所述步骤S11中，每个小区需只接入单个用户，并通过网络性能测试工具iperf对每个用户进行上行灌包，且iperf带宽要超过小区上行空口峰值速率。4.根据权利要求2所述的基于预测的智能资源分配和用户调度方法，其特征在于，所述步骤S122中，数据补齐的规则是首先将与该用户的服务小区RSRP和同频邻区RSRP时间戳最接近的施扰用户服务小区RSRP和同频邻区RSRP数据作为该时间戳下的施扰用户服务小区RSRP和同频邻区RSRP；然后，将其余RSRP缺失的数据按照向上对齐或者向下对齐的方式补齐；平均单位上行空口可达速率定义为单个PRB资源可以达到的平均上行空口传输速率，其计算方式如下：5.根据权利要求2所述的基于预测的智能资源分配和用户调度方法，其特征在于，所述步骤S123中，平均单位上行空口可达速率特征数据集中的平均单位上行空口可达速率为步骤S122中补齐后的数据集中受扰用户以及施扰用户的服务小区RSRP和同频邻区RSRP相同
的所有数据所对应的平均单位上行空口可达速率的平均值。6.根据权利要求2所述的基于预测的智能资源分配和用户调度方法，其特征在于，所述步骤S13中，模型的输入为受扰用户的服务小区RSRP和同频邻区RSRP，以及施扰用户的服务小区RSRP和同频邻区RSRP，输出为受扰用户平均单位上行空口可达速率。7.根据权利要求1所述的基于预测的智能资源分配和用户调度方法，其特征在于，步骤S2中基于预测的智能资源分配方法具体包括以下步骤：步骤S21、采集用户的服务...

【专利技术属性】
技术研发人员：黄永明，刘泽宁，张铖，尤肖虎，
申请(专利权)人：东南大学，
类型：发明
国别省市：