[发明专利]一种基于马尔可夫链的通信网络负载状态信息预测方法

权利要求书

1.一种基于马尔可夫链的通信网络负载状态信息预测方法，其特征在于：包括以下步骤：

步骤一：获取并统计通信网络当前及历史的负载状态数据信息；

步骤二：使用当前及历史的负载状态数据信息构造的马尔可夫链学习一组状态信息，计算出状态转移矩阵；

步骤三：使用步骤二中得到的状态转移矩阵，结合当前网络负载状态信息，对将来网络负载状态信息进行预测；

步骤四：对比状态信息预测值与实际值，计算预测误差概率；

步骤五：对比预测误差概率与系统误差门限，依据结果调整系统统计学习时间。

2.根据权利要求1所述的一种基于马尔可夫链的通信网络负载状态信息预测方法，其特征在于：步骤一具体包括：

1)选择网络当前调用的PRB数量与PRB总数之比为网络负载值，其表达式为：

2)设定网络负载状态总数N，依据网络当前负载值来确定网络负载状态；

3)以一个数据帧为周期，检测每一子帧内网络负载状态，每一个周期的检测值作为马尔可夫矩阵的行向量，设定系统统计学习时间γ，并生成负载状态信息矩阵：

3.根据权利要求1所述的一种基于马尔可夫链的通信网络负载状态信息预测方法，其特征在于：步骤二具体包括：

1)在统计学习时间内，统计各个状态相互转移的次数以及各个状态发生转移的总次数；

2)根据各个状态相互转移的次数与各个状态发生转移总次数的比值来确定各状态的状态转移概率，并构建状态转移矩阵，其表达式为：

最终获得一个N×N的状态转移矩阵：

假设在t＝0时刻系统处于初始状态i的概率为P_i(t)，下一时刻系统处于状态j的概率为P_j(t+1)，此时初始状态转移概率向量可以表示为P(t)＝{P₁(t),P₂(t),…,P_N(t)}，且下一时刻状态转移概率向量为P(t+1)＝(P₁(t+1),P₂(t+1),…,P_N(t+1))，且则：

P(t+1)＝P(t)×P_t(3)。

4.根据权利要求1所述的一种基于马尔可夫链的通信网络负载状态信息预测方法，其特征在于：步骤三具体包括：

1)收集子帧内的当前网络负载状态，并依据当前网络负载状态和状态转移矩阵，计算每个子帧下一时刻的可能发生转移的概率，并取具有最大转移可能性的网络负载状态信息为预测值；

2)使用每个子帧的预测值，使用一帧内所有预测值的均值作为该帧的预测状态；

5.根据权利要求1所述的一种基于马尔可夫链的通信网络负载状态信息预测方法，其特征在于：步骤四具体包括：

1)统计历史状态中前四帧的预测网络负载状态以及实际网络负载状态；

2)建立预测误差概率参数，其可以表示为：

其中，分别表示最近四个时刻的负载预测均值和负载实际均值，从而提高预测误差概率的真实性；

6.根据权利要求1所述的一种基于马尔可夫链的通信网络负载状态信息预测方法，其特征在于：步骤五具体包括：

1)设定预测误差概率门限

2)将当前检测到的预测误差概率与预测误差概率门限做比较，若预测误差概率大于门限值则进入步骤3)；若预测误差概率小于门限值则进入步骤6)；

3)若预测误差概率与门限值的差值大于0.2则进入步骤4)，若预测误差概率与门限值的差值小于0.2时则进入步骤5)；

4)此步骤为学习时间大尺度调整，学习时间每次增加160ms，即20帧，并进入步骤6)；

5)此步骤为学习时间小尺度调整，学习时间每次增加40ms，即5帧，并进入步骤6)；

6)即为t时刻下的负载状态预测值，保持当前学习时间继续进行下一时刻预测。