基于用户吞吐量的重叠小区的负载管理制造技术

用于在无线电接入网络(RAN)内与扇区重叠的多个小区之间的负载管理的系统、方法和软件。在一个实施例中，系统在机器学习系统处接收针对RAN的扇区的输入数据，该扇区具有在扇区处重叠的多个小区。该系统在机器学习系统处处理输入数据，以基于机器学习模型来确定扇区的推荐负载分布参数，其中推荐负载分布参数被配置为使该扇区的聚合用户吞吐量最大化。系统将推荐负载分布参数应用在扇区中以在小区之间分布用户。间分布用户。间分布用户。

【技术实现步骤摘要】
【国外来华专利技术】基于用户吞吐量的重叠小区的负载管理


[0001]本公开涉及通信系统领域，并且具体地涉及接入网络中的负载管理。

技术介绍

[0002]无线电接入网络(RAN)是移动通信系统的一部分，其经由无线电接入技术来与移动设备(例如，用户设备(UE))交互以将移动设备与核心网络连接以接收服务。RAN包括多个基站，其向地理区间上的移动设备提供覆盖范围。基站包括被配置为经由空中接口来与移动设备进行接口连接的设备，诸如天线、发射机、接收机等，以及被配置为与核心网络进行接口连接的设备，诸如路由器、控制器等。由RAN服务的地理区间通常被划分为称为扇区的较小区域，并且运营商的目标是为每个扇区提供足够的覆盖范围。因此，一个或多个基站通常位于扇区的边缘处，并且一个或多个基站的天线被定向为朝向RAN的每个扇区。例如，基站可以包括覆盖基站周围的弧(例如，120度或更小)的定向天线，其中每个定向天线朝向不同的扇区瞄准。常见的配置是三扇区配置，其中基站位于三个相邻扇区的交叉处，并且基站包括三个定向天线，每个天线被定向为朝向相邻扇区之一。
[0003]基站的定向天线形成RAN内的小区。小区包括通过RF信号的发射和接收而创建的无线电覆盖区间。扇区表示由RAN服务的较大地理区间的分区，而小区则表示基站经由RF信号(即通过定向天线)的实际无线电覆盖区间。基站的小区在扇区上“重叠”以在扇区的至少一部分中提供无线电覆盖范围。例如，当基站的定向天线朝向扇区瞄准时，在该定向天线内形成的小区在该扇区的部分或全部上重叠。因此，通过将基站定位在扇区的边缘处，基站的小区为扇区提供覆盖范围。
[0004]为了提供足够的覆盖范围，多个小区可能具有重叠的覆盖范围占地。例如，基站可以包括朝向同一扇区的多个定向天线，其中每个定向天线形成与该扇区重叠的小区。在另一示例中，相邻基站可以形成与扇区重叠的小区。为了确保资源的高效操作和最佳使用，运营商通常实现尝试均衡小区之间的负载的某种类型的负载管理方案。然而，标识管理重叠小区之间的业务负载的高效且有效的方法仍然是一个问题。

技术实现思路

[0005]本文描述的是考虑扇区的用户吞吐量的负载管理方案。由于在RAN上的业务需求不断增加，网络运营商希望最大限度地利用小区。当前的负载管理方案以强调与扇区重叠的小区之间的负载均衡的方式分布业务，而不考虑这些小区的性能。本文描述的负载管理方案考虑了扇区的用户吞吐量，并且着手通过根据各个小区的性能模型来分布业务从而作为最终用户性能的度量优化用户吞吐量。一项技术优势是基于用户吞吐量在小区之间智能地分布业务(即用户业务)，以提供优质的最终用户体验和性能。
[0006]一个实施例包括一种在RAN中提供负载管理的系统。该系统包括至少一个处理器和存储器。处理器使系统在机器学习系统处接收针对RAN的扇区的输入数据，该扇区具有在扇区处重叠的多个小区。处理器使系统在机器学习系统处，处理输入数据，以基于机器学习
模型来确定扇区的推荐负载分布参数，其中推荐负载分布参数被配置为使扇区的聚合用户吞吐量最大化。处理器使系统将推荐负载分布参数应用在扇区中以在小区之间分布用户。
[0007]在另一个实施例中，处理器使系统收集多个训练扇区的训练数据，并且基于训练数据来训练机器学习模型。
[0008]在另一个实施例中，处理器使系统基于训练数据来训练优化模型，其中关于训练扇区的信息作为输入，并且推荐负载分布参数作为输出，并且在机器学习系统处，处理输入数据以基于优化模型直接预测扇区的推荐负载分布参数。
[0009]在另一个实施例中，处理器使系统基于训练数据来训练收益预测模型，其中关于训练扇区的信息作为输入，并且正收益分类作为输出，其中正收益分类是布尔值。处理器使系统接收该扇区的负载分布参数的不同组合。对于不同组合中的每个组合，处理器使系统处理输入数据和负载分布参数的该组合，以基于收益预测模型来确定负载分布参数的该组合是否提供扇区的聚合用户吞吐量中的正收益，并且基于收益预测模型来确定负载分布参数的该组合提供聚合用户吞吐量中的正收益的概率。处理器使系统选择提供聚合用户吞吐量中的正收益的最高概率的负载分布参数的组合作为推荐负载分布参数。
[0010]在另一个实施例中，被用来训练收益预测模型的训练数据是通过对训练扇区执行的迭代扇区优化来生成的。对于每个训练扇区的迭代扇区优化，处理器使系统标识在训练扇区处重叠的多个小区，并执行如下操作的多个优化迭代：确定训练扇区中的活动用户总数，确定使训练扇区的聚合用户吞吐量最大化的每个小区的目标用户数量，其中每个小区的目标用户数量之和等于训练扇区中的活动用户总数，并且基于使训练扇区的聚合用户吞吐量最大化的每个小区的目标用户数量来确定训练扇区的推荐负载分布参数。处理器使系统将正收益或负收益与推荐负载分布参数相关联。
[0011]在另一个实施例中，处理器使系统标识在关键绩效指标(KPI)的观察时段内收集的多个原始KPI值，基于原始KPI值来确定在观察时段内的KPI的代表性KPI值，并将该KPI的代表性KPI值存储为训练数据。
[0012]在另一个实施例中，原始KPI值在观察时段内的收集时间处被收集，并且被布置到KPI的仓中。处理器使系统确定在观察时段期间的每个收集时间处的原始KPI值的每个仓的累积值，将每个收集时间处的每个仓的累积归一化，并且计算在观察时段期间的每个仓的中值以确定KPI的代表性KPI值。
[0013]另一个实施例包括一种RAN中的负载管理方法。该方法包括在机器学习系统处接收针对RAN的扇区的输入数据，该扇区具有在扇区处重叠的多个小区，在机器学习系统处，处理输入数据以基于机器学习模型来确定扇区的推荐负载分布参数，其中推荐负载分布参数被配置为使扇区的聚合用户吞吐量最大化，并且将推荐负载分布参数应用在扇区中以在小区之间分布用户。
[0014]在另一个实施例中，该方法还包括收集多个训练扇区的训练数据，以及基于训练数据来训练机器学习模型。
[0015]在另一个实施例中，训练机器学习模型的步骤包括：基于训练数据来训练优化模型，其中关于训练扇区的信息作为输入，并且推荐负载分布参数作为输出。进一步地，在机器学习系统处，处理输入数据的步骤包括：在机器学习系统处，处理输入数据以基于优化模型直接预测扇区的推荐负载分布参数。
[0016]在另一个实施例中，训练机器学习模型包括：基于训练数据来训练收益预测模型，其中关于训练扇区的信息作为输入，并且正收益分类作为输出，其中正收益分类是布尔值。该方法还包括：接收该扇区的负载分布参数的不同组合。在机器学习系统处，处理输入数据以确定该扇区的推荐负载分布参数的步骤包括：对于不同组合中的每个组合，处理输入数据和负载分布参数的该组合，以基于收益预测模型来确定负载分布参数的该组合是否提供扇区的聚合用户吞吐量中的正收益，并且基于收益预测模型来确定负载分布参数的该组合提供聚合用户吞吐量中的正收益的概率。该方法还包括选择提供聚合用户吞吐量中的正收益的最高概率的负载分布参数的组合作为推荐负载分布参数。
[00本文档来自技高网...

【技术保护点】

【技术特征摘要】
【国外来华专利技术】1.一种在无线电接入网络(RAN)中提供负载管理的系统(150)，所述系统包括：至少一个处理器(530)和存储器(532)；所述至少一个处理器使所述系统：在机器学习系统(522)处，接收针对所述RAN的扇区(202)的输入数据，所述扇区具有在所述扇区处重叠的多个小区(401
‑
402)；在所述机器学习系统处，处理所述输入数据以基于机器学习模型(524)来确定针对所述扇区的推荐负载分布参数(622)，其中，所述推荐负载分布参数被配置为使所述扇区的聚合用户吞吐量最大化；以及将所述推荐负载分布参数应用在所述扇区中，以在所述小区之间分布用户。2.根据权利要求1所述的系统，其中，所述至少一个处理器使所述系统：收集针对多个训练扇区的训练数据；以及基于所述训练数据来训练所述机器学习模型。3.根据权利要求2所述的系统，其中，所述至少一个处理器使所述系统：基于所述训练数据来训练优化模型(2510)，其中关于所述训练扇区的信息作为输入，并且推荐负载分布参数作为输出；以及在所述机器学习系统处，处理所述输入数据以基于所述优化模型直接预测针对所述扇区的所述推荐负载分布参数。4.根据权利要求2所述的系统，其中：所述至少一个处理器使所述系统：基于所述训练数据来训练收益预测模型(2210)，其中关于所述训练扇区的信息作为输入，并且正收益分类作为输出，其中，所述正收益分类是布尔值；以及接收针对所述扇区的负载分布参数的不同组合；对于所述不同组合中的每个组合，所述至少一个处理器使所述系统处理所述输入数据和负载分布参数的该组合，以基于所述收益预测模型来确定负载分布参数的该组合是否提供所述扇区的聚合用户吞吐量中的正收益，并且基于所述收益预测模型来确定负载分布参数的该组合提供聚合用户吞吐量中的正收益的概率；所述至少一个处理器使所述系统选择提供聚合用户吞吐量中的正收益的最高概率的负载分布参数的所述组合，作为所述推荐负载分布参数。5.根据权利要求4所述的系统，其中：被用来训练所述收益预测模型的所述训练数据是通过对所述训练扇区执行的迭代扇区优化来生成的；以及对于所述训练扇区中的每个训练扇区的所述迭代扇区优化，所述至少一个处理器使所述系统：标识在训练扇区处重叠的多个小区；以及执行如下操作的多个优化迭代：确定该训练扇区中的活动用户总数；确定使该训练扇区的聚合用户吞吐量最大化的每个小区的目标用户数量，其中，每个小区的所述目标用户数量之和等于该训练扇区中的所述活动用户总数；以及基于使该训练扇区的所述聚合用户吞吐量最大化的每个小区的所述目标用户数量来
确定针对该训练扇区的推荐负载分布参数；以及所述至少一个处理器使所述系统将正收益或负收益与所述推荐负载分布参数相关联。6.根据权利要求2所述的系统，其中，所述至少一个处理器使所述系统：标识在针对关键性能指标(KPI)的观察时段内收集的多个原始KPI值；基于所述原始KPI值来确定在所述观察时段内的所述KPI的代表性KPI值；以及将所述KPI的所述代表性KPI值存储为所述训练数据。7.根据权利要求6所述的系统，其中：所述原始KPI值在所述观察时段内在收集时间处被收集，并被布置到所述KPI的仓中；以及所述至少一个处理器使所述系统：确定在所述观察时段内在收集时间中的每个收集时间处的原始KPI值的每个仓的累积；将所述收集时间中的每个收集时间处的每个仓的所述累积归一化；以及计算在所述观察时段内所述仓中的每个仓的中值以确定所述KPI的所述代表性KPI值。8.一种无线电接入网络(RAN)中的负载管理的方法(2400)，所述方法包括：在机器学习系统处，接收(2402)针对所述RAN的扇区的输入数据，所述扇区具有在所述扇区处重叠的多个小区；在所述机器学习系统处，处理(2404)所述输入数据以基于机器学习模型来确定针对所述扇区的推荐负载分布参数，其中，所述推荐负载分布参数被配置为使所述扇区的聚合用户吞吐量最大化；以及将所述推荐负载分布参数应用(2406)在所述扇区中，以在所述小区之间分布用户。9.根据权利要求8所述的方法，还包括：收集(1802)针对多个训练扇区的训练数据；以及基于所述训练数据来训练(1804)所述机器学习模型。10.根据权利要求9所述的方法，其中：训练所述机器学习模型包括：基于所述训练数据来训练优化模型，其中关于所述训练扇区的信息作为输入，并且推荐负载分布参数作为输出；以及在所述机器学习系统处，处理所述输入数据包括：在所述机器学习系统处，处理所述输入数据以基于所述优化模型直接预测针对所述扇区的所述推荐负载分布参数。11.根据权利要求9所述的方法，其中：训练所述机器学习模型包括：基于所述训练数据来训练收益预测模型，其中关于所述训练扇区的信息作为输入，并且正收益分类作为输出，其中，所述正收益分类是布尔值；所述方法还包括接收(2704)针对所述扇区的负载分布参数的不同组合；以及在所述机器学习系统处，处理所述输入数据以确定针对所述扇区的所述推荐负载分布参数包括：对于所述不同组合中的每个组合，处理(2706)所述输...

【专利技术属性】
技术研发人员：R，
申请(专利权)人：诺基亚通信公司，
类型：发明
国别省市：