[发明专利]一种在异构网络中基于移动性预测的负载均衡优化方法

权利要求书

1.一种在异构网络中基于移动性预测的负载均衡优化方法，其特征在于，包括：

步骤1，根据用户的历史移动轨迹，建立决策树模型，预测用户的下一位置；

在建立决策树模型时，将用户的下一位置S_i+1作为目标属性，输入训练数据集中对象的属性特征包括：当天是否周末W、此时在一天中所处的时间段、用户的上一位置、用户的当前位置；在训练好决策树模型后，输入用户对应的属性特征，预测用户的下一位置；

步骤2，获取用户下一位置周围的基站，将单个基站的负载状态作为一个独立个体，对获取的每个基站，利用自回归移动平均模型分析基站的历史负载状态，预测基站未来的负载状态；

时间序列分析是使用过去的历史数据，通过统计分析了解其发展规律，并进一步对未来的发展趋势做出预测；ARIMA模型是时间序列分析中一种重要的分析方法，且预测精度较高；ARIMA模型包含3种形式，自回归AR模型、移动平均MA模型和两者的混合自回归移动平均ARMA模型；在使用ARMA模型时，需要保证要分析的对象是平稳的时间序列；如果序列非平稳，则需要先进行差分，得到平稳序列，否则无法应用该模型；而ARIMA模型中的“I”就代表序列的平稳性；

假设y_t是一个平稳时间序列，那么对应的p阶AR(p)模型可以表示为：

y_t＝α₁y_t-1+α₂y_t-2+…+α_py_t-p+ε_t (2)

其中，p为模型的自回归项，α_i(i＝1,2,…,p)是自回归参数，ε_t是随机误差项；y_t表示一个平稳的时间序列；t表示第t个时刻；

对应的q阶MA(q)模型可以表示为：

y_t＝ε_t-θ₁ε_t-1-θ₂ε_t-2-…-θ_qε_t-q (3)

其中，q为模型相应的移动平均项数，θ_j(j＝1,2,…,q)为移动平均参数，ε_t-j表示第q个移动平均项的随机误差；和公式(2)一样，ε_t表示随机误差，是均值为0，方差为的白噪声序列，取值不定；

将AR(p)模型和MA(q)模型结合，即可得到ARMA(p,q)模型，表示为：

ARMA(p,q)模型可以用以下形式来表示：

α_p(B)y_t＝θ_q(B)ε_t (5)

α_p(B)＝1-α₁B-…-α_pB^p (6)

θ_q(B)＝1-θ₁B-…-θ_qB^q (7)

其中，B^k为k步滞后算子，α_p(B)是一个p阶自回归多项式，θ_q(B)是一个q阶移动平均多项式；

AR(p)、MA(q)和ARMA(p,q)模型的对象都必须是一个平稳的时间序列；本发明中将单个基站的负载状态视为一个独立个体，在步骤1预测得到用户的下一位置后，将用户下一位置周围的每个基站，都获取基站的历史负载状态，历史负载状态表示为一个时间序列，设为x_t；若x_t为一个平稳的时间序列，则直接将x_t作为y_t，利用ARIMA模型进行仿真预测；若x_t是一个非平稳的时间序列，需要先将它转换为一个平稳的时间序列；如果x_t经过d阶差分后得到序列y_t，y_t为平稳时间序列；那么对y_t建立ARMA(p,q)模型，即为x_t的ARIMA(p,d,q)模型，表示为：

α_p(B)(1-B)^dx_t＝θ_q(B)ε_t (8)

建立ARIMA模型，进行仿真预测，例如可使用EViews仿真软件来完成；在仿真时，设每一个用户的业务需要占用的资源都是单位1，那么基站接入n个用户时的负载即为n；设当前时刻为t₀，取t为t₀+1，根据所建立的RIMA模型即可得到t₀+1时刻基站的负载状态；

步骤3，在获得用户的下一位置与该位置周围的基站的负载状态之后，对即将到来的用户提前制订资源分配策略；

所述的资源分配策略包括：首先根据负载状态对基站进行等级划分，分为重度负载、中度负载和轻度负载三种状态；然后根据用户下一位置的直接目标基站所处的等级进行负载均衡处理，如果直接目标基站处于重度负载状态，则将相邻基站中处于中度负载或轻度负载状态的基站列为候选基站，然后将从候选基站中选择负载最轻者为新用户提供接入服务；如果直接目标基站处于中度负载状态，则将相邻基站中处于轻度负载状态的基站列为候选基站，然后将从候选基站中选取负载最轻者接入新用户；如果直接目标基站处于轻度负载状态，则由目标基站接入新用户。

2.根据权利要求1所述的方法，其特征在于，所述的步骤1中使用CART算法来构建决策树。