一種異構(gòu)網(wǎng)絡(luò)中基于流量預(yù)測的基站休眠方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于無線通信技術(shù)領(lǐng)域，涉及一種能夠降低無線通信系統(tǒng)能耗的基站休眠 方法，更具體的說提出了一種異構(gòu)網(wǎng)絡(luò)中基于流量預(yù)測的基站休眠方法。
【背景技術(shù)】
[0002] 隨著無線通信技術(shù)的快速發(fā)展以及用戶需求的快速增長，未來的無線通信與網(wǎng)絡(luò) 技術(shù)面臨著資源和能耗的雙重約束。如何設(shè)計未來的移動通信網(wǎng)絡(luò)，有效的利用無線資源 成為政府以及學(xué)術(shù)界普遍關(guān)注的熱點。
[0003]信息和通信技術(shù)（InformationandCommunicationTechnology，ICT)產(chǎn)業(yè)是能 源消耗的大戶，占全球能源消耗的2%左右，并且正在迅速增長，預(yù)計到2020年將會達到現(xiàn) 在的3倍，占到全球碳排放量總數(shù)的30%以上。另據(jù)統(tǒng)計，在移動通信系統(tǒng)中，網(wǎng)絡(luò)部分 的能耗約占到實際能源消耗的90%，終端部分的能耗僅占10%左右；而在全部的網(wǎng)絡(luò)能耗 中，基站部分的能耗可以占80 %左右，核心網(wǎng)部分僅約占20 %。由此可見，減少基站能源消 耗可以大幅度降低網(wǎng)絡(luò)能耗，而在網(wǎng)絡(luò)處于非高峰期時，動態(tài)休眠一些基站是一種最直接、 最有效的手段。
[0004] 但在實際中，使一些基站進入休眠或關(guān)閉狀態(tài)可能會導(dǎo)致一些區(qū)域的用戶無法被 服務(wù)，這是不允許的。另外，一些傳統(tǒng)的基站休眠方法基于確定的流量模型提出，無法適應(yīng) 實際中基站負載流量是動態(tài)變化的情況。

【發(fā)明內(nèi)容】

[0005] 為了解決上述問題，本發(fā)明提供了一種在異構(gòu)網(wǎng)絡(luò)中基于流量預(yù)測的基站休眠方 法。該方法利用改進的小波神經(jīng)網(wǎng)絡(luò)模型根據(jù)基站流量歷史信息，對基站流量進行動態(tài)預(yù) 測，然后根據(jù)流量預(yù)測結(jié)果選擇是否休眠宏基站，從而利用微基站對用戶進行服務(wù)，達到節(jié) 省網(wǎng)絡(luò)能耗的目的。
[0006] 本發(fā)明的技術(shù)方案為：首先初始化搭建改進的小波神經(jīng)網(wǎng)絡(luò)模型，利用采集到的 基站流量信息對MWNN模型進行訓(xùn)練，以達到設(shè)定的目標(biāo)預(yù)測誤差精度，然后利用訓(xùn)練完成 的MWNN模型和所需要的歷史基站流量信息對未來的基站流量進行預(yù)測，選擇在非用戶高 峰期時，休眠宏基站利用微基站提供用戶服務(wù)。
[0007] 為實現(xiàn)上述目的，本發(fā)明具體包括以下步驟：
[0008] (1)收集一個宏小區(qū)（宏基站提供用戶服務(wù)）內(nèi)一周的基站負載流量數(shù)據(jù)，并且以 小時為間隔，每小時記錄一次數(shù)據(jù)。并且將前六天的數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)用來訓(xùn)練構(gòu)造MWNN 模型，后一天的數(shù)據(jù)作為測試數(shù)據(jù)，用來測試構(gòu)建的MWNN模型是否達到目標(biāo)預(yù)測誤差精 度。
[0009] ⑵搭建MWNN模型，并且初始化參數(shù)設(shè)置。所述的參數(shù)包括，MWNN模型的輸入層 神經(jīng)元數(shù)目m，隱含層神經(jīng)元數(shù)目h以及輸出層神經(jīng)元的數(shù)目n。其中，MWNN隱含層神經(jīng)元 的小波基函數(shù)為Morlet母小波基函數(shù)：
[0010]
[0011] 式中，x為輸入數(shù)據(jù)X=[Xi,x2,???，xm]T。MWNN的第j個隱含層神經(jīng)元輸出為
[0012]
[0013]其中，Wu表示MWNN第i個輸入神經(jīng)元與第j個隱含層神經(jīng)元之間的連接權(quán)值，a_j 和別為第j個Morlet小波基函數(shù)的伸縮因子和平移因子。MWNN的第k個輸出層神經(jīng) 元預(yù)測輸出為
[0014]
[0015] 其中，vjk表示第j個隱含層神經(jīng)元與第k個輸出神經(jīng)元之間的連接權(quán)值。
[0016] (3)利用訓(xùn)練數(shù)據(jù)來訓(xùn)練MWNN模型，設(shè)定目標(biāo)預(yù)測誤差精度為0. 01。MWNN模型的 預(yù)測誤差公式表示為
[0017]
[0018] 其中y'（k)表示實際數(shù)據(jù)。在訓(xùn)練過程中，MWNN通過不斷調(diào)整小波基函數(shù)的伸 縮因子和平移因子a,，b,，以及輸入神經(jīng)元與隱含層神經(jīng)元之間的連接權(quán)值Wl]，隱含層神經(jīng) 元與輸出層神經(jīng)元之間的連接權(quán)值v]k的值，以使error達到設(shè)定目標(biāo)預(yù)測誤差精度，完成 MWNN模型的訓(xùn)練和搭建。
[0019] (4)利用測試數(shù)據(jù)驗證訓(xùn)練構(gòu)造的MWNN模型已達到目標(biāo)預(yù)測精度。
[0020] (5)利用MWNN模型以及相應(yīng)的歷史數(shù)據(jù)采用滾動式預(yù)測的方式，即利用 x(t-3)，x(t-2)，x(t-1)，x(t)預(yù)測x(t+1)，然后用同樣的方法預(yù)測x(t+2)的方式對宏小區(qū) 的基站負載流量進行預(yù)測，判斷宏基站是否處于用戶高峰期。
[0021] (6)如果此時宏小區(qū)處于非高峰期，則將宏基站休眠，利用微基站進行用戶服務(wù)， 以節(jié)省能量消耗，達到綠色通信的目的。
[0022] 在步驟（3)中，MWNN改進了傳統(tǒng)的在調(diào)整小波基函數(shù)的伸縮因子和平移因子~和 b,，以及各層神經(jīng)元之間連接權(quán)值Wl]以及v]k時所采用的梯度下降法，而是在梯度下降法 的基礎(chǔ)上增加動量調(diào)整因子，使得神經(jīng)網(wǎng)絡(luò)在調(diào)整過程中不僅考慮預(yù)測誤差在梯度上的影 響，而且考慮預(yù)測誤差在誤差表面變化趨勢的影響。具體方法為：
[0023]
[0024]
[0027] 其中u和n分別表示W(wǎng)i_j，vjk以及a_j，bj的學(xué)習(xí)速率，a G(〇,1)表示動量調(diào)整 因子。
[0028] 在步驟（6)中，根據(jù)改進的小波神經(jīng)網(wǎng)絡(luò)的預(yù)測結(jié)果，當(dāng)宏小區(qū)處于非高峰期時， 宏基站將處于休眠狀態(tài)，宏小區(qū)內(nèi)用戶將選擇離自己最近的一個微基站接入，同時設(shè)定參 數(shù)A以判斷該用戶是否可以接入此微基站
[0029] A=Pnax(j)-P〇ut(j)-P〇i(j)
[0030] 其中，P_(j)和PmJj)分別表示微基站j最大可發(fā)射功率和實際發(fā)射功率，Pm(j) 表示由于該用戶的接入微基站j需要額外增加的發(fā)射功率。若0,則該用戶可以接入此 微基站，如果A〈0,則該用戶選擇離自己第二近的微基站接入，按此方法，直到找到可以接 入的微基站為自己提供服務(wù)。
[0031] 本發(fā)明的有益效果為：首先將小波神經(jīng)網(wǎng)絡(luò)進行改進和優(yōu)化，提高了小波神經(jīng)網(wǎng) 絡(luò)的收斂速度，然后利用改進的小波神經(jīng)網(wǎng)絡(luò)對基站的流量進行動態(tài)預(yù)測，最后根據(jù)MWNN 的預(yù)測結(jié)果，選擇在網(wǎng)絡(luò)處于非高峰期時，將宏基站休眠利用微基站提供用戶服務(wù)。解決了 傳統(tǒng)的基站休眠方法建立在確定的流量模型基礎(chǔ)上，無法適應(yīng)實際中基站負載流量動態(tài)變 化的缺點，同時降低了網(wǎng)絡(luò)的能量消耗，達到了綠色通信的目的。
【附圖說明】
[0032] 圖1為基于流量預(yù)測的基站休眠方法的多小區(qū)系統(tǒng)模型示意圖；
[0033] 圖2為本發(fā)明的一個實例的流程圖；
[0034] 圖3為小波神經(jīng)網(wǎng)絡(luò)的拓撲結(jié)構(gòu)示意圖；
[0035] 圖4表示改進的小波神經(jīng)網(wǎng)絡(luò)在訓(xùn)練過程中預(yù)測達到目標(biāo)預(yù)測誤差精度的收斂 過程仿真圖；
[0036] 圖5表示利用改進的小波神經(jīng)網(wǎng)絡(luò)對基站流量進行預(yù)測的結(jié)果與實際流量數(shù)據(jù) 的對比仿真圖；
[0037] 圖6表示在非高峰期時，利用微基站代替宏基站提供用戶服務(wù)時，以及當(dāng)高峰期 時，依舊利用宏基站提供用戶服務(wù)的功率消耗對比仿真圖。
【具體實施方式】
[0038] 為了更詳細的介紹本發(fā)明的技術(shù)內(nèi)容，特舉具體實例并配合所【附圖說明】如下。本 實例的主要功能是建立達到目標(biāo)預(yù)測精度的MWNN模型，然后利用建立的MWNN模型預(yù)測基 站的流量數(shù)據(jù)，選擇在非高峰期時，將宏基站休眠而用微基站提供用戶服務(wù)，以達到節(jié)省網(wǎng) 絡(luò)能量消耗的目的。
[0039]如圖1所示，假設(shè)每個宏小區(qū)可以分為六個扇區(qū)，每個扇區(qū)內(nèi)均勻分布有三個微 基站（如宏基站覆蓋半徑為1800米，微基站覆蓋半徑為100米，微基站的最大發(fā)送功率為 0. 13W，宏基站的固定消耗功率為100W，微基站的固定消耗功率為6W)。
[0040]當(dāng)小區(qū)中用戶數(shù)或業(yè)務(wù)量較少時，宏基站將進入休眠狀態(tài)，利用微基站為用戶提 供服務(wù)，用戶選擇最近的微基站接入，如果無法接入則選擇第二近的微