[發(fā)明專(zhuān)利]一種基于接入用戶(hù)移動(dòng)性預(yù)測(cè)的超密集網(wǎng)絡(luò)資源分配方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201711262865.5
• 申請(qǐng)日: 2017-12-04
• 公開(kāi)（公告）號(hào): CN108123828B
• 公開(kāi)（公告）日: 2020-12-29
• 發(fā)明（設(shè)計(jì)）人: 潘志文;張栩菲;尤肖虎;劉楠
• 申請(qǐng)（專(zhuān)利權(quán)）人: 東南大學(xué)
• 主分類(lèi)號(hào): H04L12/24
• 分類(lèi)號(hào): H04L12/24;H04W24/08;H04W28/08;H04W64/00
• 代理公司: 南京眾聯(lián)專(zhuān)利代理有限公司 32206
• 代理人: 葉涓涓

1.一種基于接入用戶(hù)移動(dòng)性預(yù)測(cè)的超密集網(wǎng)絡(luò)資源分配方法，其特征在于包括如下步驟：

步驟一，數(shù)據(jù)預(yù)處理：

首先，由基站記錄用戶(hù)數(shù)據(jù)，所述用戶(hù)數(shù)據(jù)至少包括：用戶(hù)接入時(shí)間、用戶(hù)標(biāo)識(shí)ID、當(dāng)天日期、基站經(jīng)緯度坐標(biāo)、基站ID；

隨后，對(duì)于每一個(gè)用戶(hù)的數(shù)據(jù)按照一定間隔進(jìn)行重采樣；

最后，對(duì)整理后的數(shù)據(jù)進(jìn)行編碼；

步驟二，預(yù)測(cè)用戶(hù)的接入基站：

首先，確定RNN訓(xùn)練的輸入和輸出，其中輸入x^(t)包括時(shí)刻t的時(shí)間、日期、經(jīng)緯度、基站ID，輸出y^(t)為時(shí)刻t+1的基站ID，記輸入序列為{x⁽¹⁾,x⁽²⁾,...,x^(τ)}，輸出序列為{y⁽¹⁾,y⁽²⁾,...,y^(τ)}，其中τ為序列長(zhǎng)度；

隨后構(gòu)建RNN如下式：

其中U是連接輸入層和隱藏層之間的權(quán)重，V是連接隱藏層和輸出層之間的權(quán)重，W是連接隱藏層在時(shí)刻t-1和時(shí)刻t之間的權(quán)重，x^(t),s^(t),o^(t)分別表示在t時(shí)刻輸入層、隱藏層和輸出層的神經(jīng)元結(jié)點(diǎn)，b,c為偏置，a^(t)為中間變量，為RNN的輸出，

其中x＝(x₁,x₂,...,x_m)^T是函數(shù)的m維自變量；

接著，確定RNN的目標(biāo)函數(shù)L({x⁽¹⁾,...,x^(τ)},{y⁽¹⁾,...,y^(τ)})如下式：

其中P(y^(t)|{x⁽¹⁾,...,x^(t)})表示輸入序列為{x⁽¹⁾,...,x^(t)}時(shí)，輸出為y^(t)的條件概率；

隨后，采用按時(shí)間反向傳播BPTT的方法訓(xùn)練RNN，來(lái)更新U,V,W,b,c的具體取值；

最后，對(duì)于訓(xùn)練好的RNN，輸入當(dāng)前時(shí)刻的數(shù)據(jù)，輸出即為預(yù)測(cè)用戶(hù)在下一時(shí)刻的接入基站；

步驟三，根據(jù)得到的所有用戶(hù)的預(yù)測(cè)，直接計(jì)數(shù)得到基站下一時(shí)刻接入的用戶(hù)數(shù)；

步驟四，對(duì)相鄰小區(qū)的頻帶自行按各相鄰小區(qū)計(jì)算得到接入用戶(hù)數(shù)的比例進(jìn)行調(diào)節(jié)；

步驟五，對(duì)于接入同一小區(qū)的用戶(hù)按現(xiàn)有的資源分配方法進(jìn)行資源分配。

2.根據(jù)權(quán)利要求1所述的基于接入用戶(hù)移動(dòng)性預(yù)測(cè)的超密集網(wǎng)絡(luò)資源分配方法，其特征在于：所述步驟一中重采樣間隔為30分鐘。

3.根據(jù)權(quán)利要求1或2所述的基于接入用戶(hù)移動(dòng)性預(yù)測(cè)的超密集網(wǎng)絡(luò)資源分配方法，其特征在于：所述步驟一中對(duì)整理后的數(shù)據(jù)進(jìn)行編碼的過(guò)程包括：

1)對(duì)時(shí)間進(jìn)行編碼；

2)對(duì)于日期和基站ID采用獨(dú)熱編碼進(jìn)行編碼。

4.根據(jù)權(quán)利要求1所述的基于接入用戶(hù)移動(dòng)性預(yù)測(cè)的超密集網(wǎng)絡(luò)資源分配方法，其特征在于：所述步驟二中訓(xùn)練RNN的過(guò)程具體包括：

1)從序列尾部時(shí)刻τ開(kāi)始，進(jìn)行反向計(jì)算，在最后的時(shí)刻τ，隱藏層結(jié)點(diǎn)s^(τ)只有一個(gè)后續(xù)結(jié)點(diǎn)h^(τ)，所以梯度如下所示：

2)從時(shí)刻t＝τ-1至?xí)r刻t＝1反向迭代，由于s^(t)(t＜τ)同時(shí)有o^(t),s^(t+1)兩個(gè)后續(xù)結(jié)點(diǎn)，所以，梯度如下所示，其中diag(·)表示對(duì)角矩陣：

3)根據(jù)已求解的神經(jīng)結(jié)點(diǎn)的梯度，計(jì)算偏置b,c的梯度：

4)根據(jù)已求解的神經(jīng)結(jié)點(diǎn)的梯度，計(jì)算權(quán)重U,V,W的梯度：

5)根據(jù)計(jì)算得到的U,V,W,b,c梯度更新U,V,W,b,c取值；

根據(jù)公式(1)，若L的取值在第5)步U,V,W,b,c更新前與更新后相等，則結(jié)束RNN訓(xùn)練；否則返回3)。