[发明专利]一种基于接入用户移动性预测的超密集网络资源分配方法

摘要

本发明提供了一种基于接入用户移动性预测的超密集网络资源分配方法，包括：数据预处理步骤；预测用户的接入基站；根据用户预测结果计数得到基站下一时刻接入的用户数；对相邻小区的频带自行按接入用户数的比例调节；对于接入同一小区的用户按现有的资源分配方法进行资源分配。基于本发明方法，在超密集异构网下，大站可以基于用户分布规律变化，根据预测计算得到小站在未来短时间内的资源需求，动态、合理地给小站分配资源，提高了系统的平均吞吐量、用户公平度、有效提高资源的利用率，同时减少资源浪费的现象。

主权项

一种基于接入用户移动性预测的超密集网络资源分配方法，其特征在于包括如下步骤：步骤一，数据预处理：首先，由基站记录用户数据，所述用户数据至少包括：用户接入时间、用户标识ID、当天日期、基站经纬度坐标、基站ID；随后，对于每一个用户的数据按照一定间隔进行重采样；最后，对整理后的数据进行编码；步骤二，预测用户的接入基站：首先，确定RNN训练的输入和输出，其中输入x^(t)包括时刻t的时间、日期、经纬度、基站ID，输出y^(t)为时刻t+1的基站ID，记输入序列为{x⁽¹⁾,x⁽²⁾,...,x^(τ)}，输出序列为{y⁽¹⁾,y⁽²⁾,...,y^(τ)}，其中τ为序列长度；随后构建RNN如下式：$\left\{\begin{array}{c}{a}^{\left(t\right)}=b+{\mathrm{Ws}}^{(t-1)}+{\mathrm{Ux}}^{\left(t\right)}\\ s^{\left(t\right)}=\mathrm{\σ}\left(a^{\left(t\right)}\right)\\ o^{\left(t\right)}=c+{\mathrm{Vs}}^{\left(t\right)}\\ {\hat{y}}^{\left(t\right)}=softmax\left(o^{\left(t\right)}\right)\end{array}\right.---\left(1\right)$其中U是连接输入层和隐藏层之间的权重，V是连接隐藏层和输出层之间的权重，W是连接隐藏层在时刻t‑1和时刻t之间的权重，x^(t),s^(t),o^(t)分别表示在t时刻输入层、隐藏层和输出层的神经元结点，b,c为偏置，a^(t)为中间变量，为RNN的输出，$\mathrm{\σ}\left(x\right)={(\frac{1}{1+e^{-x_1}},\frac{1}{1+e^{-x_2}},...,\frac{1}{1+e^{-x_m}})}^T---\left(2\right)$$soft\max \left(x\right)={\left(\frac{e^{-x_1}}{\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{e}^{-x_i}},\frac{e^{-x_2}}{\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{e}^{-x_i}},\mathrm{...},\frac{e^{-x_m}}{\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{e}^{-x_i}}\right)}^T---\left(3\right)$其中x＝(x₁,x₂,...,x_m)^T是函数的m维自变量；接着，确定RNN的目标函