一种用于LTE-A异构网的用户移动状态估计方法

摘要

本发明提供了一种用于LTE-A异构网的用户移动状态估计方法。该方法包括：A、根据当前的切换加权系数，统计待测用户在预设第一长度的时间段内的加权切换次数；B、根据统计的加权切换次数估计待测用户的预估移动状态；C、根据待测用户的预估移动状态设置待测用户的当前切换触发时间；D、记录待测用户在预设第二长度的时间段内的切换失败事件，并计算待测用户的切换失败率；E、当待测用户的切换失败率满足预设条件时，执行步骤G；否则，执行步骤F；F、根据所记录的待测用户的各类切换失败事件在总的切换失败事件中的比例，调整待测用户的切换加权系数，返回执行步骤A；G、将当前的预估移动状态作为待测用户的当前移动状态。应用本发明可以更好地估计用户的移动状态，有效地改善切换性能。

说明书

技术领域

本发明涉及移动通信技术领域，尤其涉及一种用于LTE-A异构网的用户移动状态 估计方法。

背景技术

在我国，3GPP长期演进(LTE)牌照已正式发放，各运营商已开始广泛商用。从 3G网络的发展经验以及全球已部署LTE网络的国家统计结果来看，移动数据业务依 然体现出以商业活动中心、家庭和办公楼宇等人群聚集地为主要业务热点与网络容量 和性能瓶颈的特性。针对这一特点，当前最重要的实践对策是通过大型宏基站提供广 覆盖，在热点地区引入和部署小型以及超小型基站来实现区域业务的负荷分流，这种 网络结构就是异构网。

尽管引入小型站点的蜂窝异构网络具有众多优势，但是也面临不可忽视的问题。 在异构网系统环境下，由于低功率节点小区都有自己的发射功率及对应的覆盖范围， 因此整个系统环境变得更加复杂。尤其是当用户设备处于移动状态时，在同构网下标 准配置的许多算法及参数都已经不再适用。例如，同构网下的用户移动速度的估测算 法，这些方案设计都是基于传统同构网络模型，而不太适用于异构网络的场景。异构 网中小区半径差别较大，即使是匀速移动的UE，在同样的时间里，穿过的微微小区 的数量和宏小区的数量可能差异很大，这样估计出来的移动速度也会差异很大。

目前已有一些异构网的移动状态估计算法，例如只统计宏基站到宏基站的切换数 目；将切换次数全部统计直接累加；或者将不同切换类型的切换次数按固定权重加权 求和等，但是，这些方法都不能很好的适应不同的网络拓扑结构。

综上所述，为了解决现有技术存在的缺陷，提升不同网络拓扑结构下用户移动状 态估计的准确性，并保持对现有协议的兼容，就必须提出一种新的适用于不同网络拓 扑结构的速度估计算法。这个课题也就自然成为许多业内科技人员关注的焦点

发明内容

有鉴于此，本发明提供了一种用于LTE-A异构网的用户移动状态估计方法，从而 可以更好地估计用户的移动状态，有效地改善切换性能。

本发明的技术方案具体是这样实现的：

一种用于LTE-A异构网的用户移动状态估计方法，该方法包括：

A、根据当前的切换加权系数，统计待测用户在预设第一长度的时间段内的加权 切换次数；

B、根据统计的加权切换次数估计待测用户的预估移动状态；

C、根据待测用户的预估移动状态设置待测用户的当前切换触发时间；

D、记录待测用户在预设第二长度的时间段内的切换失败事件，并计算待测用户 的切换失败率；

E、当待测用户的切换失败率满足预设条件时，执行步骤G；否则，执行步骤F；

F、根据所记录的待测用户的各类切换失败事件在总的切换失败事件中的比例，调 整待测用户的切换加权系数，返回执行步骤A；

G、将当前的预估移动状态作为待测用户的当前移动状态。

较佳的，所述加权切换次数为：

N＝N_m+w*N_p

其中，N为加权切换次数，N_m为待测用户在预设第一长度的时间段内在不同的宏 基站之间进行切换的总次数，N_p为待测用户在预设第一长度的时间段内与微微小区相 关的切换次数，w为当前的切换加权系数。

较佳的，所述切换加权系数w的初始值为0。

较佳的，所述预设第一长度为100秒。

较佳的，所述步骤B包括：

预先设置一个高速状态阈值和中速状态阈值；

当统计的加权切换次数大于或等于高速状态阈值时，估计该待测用户的预估移动 状态为高速状态；

当统计的加权切换次数小于高速状态阈值但大于或等于中速状态阈值时，估计该 待测用户的预估移动状态为中速状态；

当统计的加权切换次数小于中速状态阈值时，估计该待测用户的预估移动状态为 低速状态。

较佳的，所述高速状态阈值为6，所述中速状态阈值为3。

较佳的，所述步骤C包括：

设置缩放因子，并以切换触发时间与缩放因子的乘积作为当前切换触发时间；

当待测用户的预估移动状态为高速状态时，所述缩放因子为高速缩放因子；

当待测用户的预估移动状态为中速状态时，所述缩放因子为中速缩放因子；

而当待测用户的预估移动状态为低速状态时，所述缩放因子为低速缩放因子。

较佳的，所述高速缩放因子为0.25，所述中速缩放因子为0.5，所述低速缩放因子 为1。

较佳的，所述步骤E包括：

预先设置第一阈值和第二阈值；

当待测用户的切换失败率中的过早切换失败率小于第一阈值且过晚切换失败率小 于第二阈值时，执行步骤G；否则，执行步骤F。

较佳的，所述第一阈值为0.55％，所述第二阈值为10％。

较佳的，所述步骤F包括：

根据所记录的待测用户的各类切换失败事件，统计该待测用户发生过早切换失败 和过晚切换失败的次数；

当过早切换失败的次数大于过晚切换的次数时，则将当前的切换加权系数的取值 减去预设步长；当过晚切换失败的次数大于过早切换的次数时，则将当前的切换加权 系数的取值加上预设步长；

返回执行步骤A。

较佳的，所述预设步长的取值为0.1。

由上述技术方案可见，在本发明的技术方案中，由于既考虑了微微小区与宏小区 覆盖半径的差别，又考虑了宏小区中不同网络拓扑结构的影响，并利用了SON技术来 得到适合不同网络拓扑结构的最优切换加权系数，所以能够更好地估计用户的移动状 态，而且还能有效地改善切换性能。另外，低功率节点不一定来源于同一个运营商， 而且甚至可能是用户自己布设的，类似于家庭基站，因此网络拓扑的变化可能呈现不 确定性和多变性。而通过使用本发明的用户移动状态估计方法，当网络拓扑发生变化 后，还可以自适应的调整相关参数，适合未来复杂多变的异构网部署特点。此外，由 于本发明方法不要求改变现有的LTE-A通信协议，也不增加信令开销，而且计算复杂 度也不高，对用户终端也没有任何改变，只需对基站侧进行部分改进，即可实施该方 法，因此本发明具有很好的推广应用前景。

附图说明

图1为本发明的用于LTE-A异构网的用户移动状态估计方法的流程示意图。

图2为本发明的用于LTE-A异构网的用户移动状态估计方法的效果示意图一。

图3为本发明的用于LTE-A异构网的用户移动状态估计方法的效果示意图二。

具体实施方式

为使本发明的技术方案及优点更加清楚明白，以下结合附图及具体实施例， 对本发明作进一步详细的说明。

图1为本发明的用于LTE-A异构网的用户移动状态估计方法的流程示意图。

如图1所示，本发明实施例中的用于LTE-A异构网的用户移动状态估计方法 主要包括如下所述的步骤：

步骤11，根据当前的切换加权系数，统计待测用户在预设第一长度的时间段 内的加权切换次数。

在本步骤中，需要根据当前的切换加权系数，在一段时间(即预设第一长度 的时间段)内统计待测用户的加权切换次数。

在本发明的技术方案中，可以使用多种方式统计上述的加权切换次数。例如， 在本发明的一个较佳实施例中，所述加权切换次数可以是：

N＝N_m+w*N_p  (1)

其中，N为加权切换次数，N_m为待测用户在预设第一长度的时间段内在不同 的宏基站之间进行切换的总次数，N_p为待测用户在预设第一长度的时间段内与微 微小区相关的切换次数，w为当前的切换加权系数。

在本发明的技术方案中，切换加权系数w并不是固定不变，而是会随着时间 动态地发生变化，因此在本步骤中，必须根据当前的切换加权系数，统计待测用 户在预设第一长度的时间段内的加权切换次数。

另外，在本发明的较佳实施例中，该切换加权系数w的初始值可以设置为0， 当然，也可以设置成其它的合适的预设值。

此外，在本发明的较佳实施例中，所述预设第一长度可以是100秒，也可以 是其它的预先设置的值。

步骤12，根据统计的加权切换次数估计待测用户的预估移动状态。

在统计得到加权切换次数之后，即可根据该加权切换次数估计待测用户的预 估移动状态。

例如，在本发明的较佳实施例中，可以预先设置一个高速状态阈值N_{HO_H}和中 速状态阈值N_{HO_M}；然后，根据统计的加权切换次数、高速状态阈值和中速状态阈 值估计待测用户的预估移动状态。

例如，当统计的加权切换次数大于或等于高速状态阈值时，估计该待测用户 的预估移动状态为高速状态；

当统计的加权切换次数小于高速状态阈值但大于或等于中速状态阈值时，估 计该待测用户的预估移动状态为中速状态；

当统计的加权切换次数小于中速状态阈值时，估计该待测用户的预估移动状 态为低速状态。

另外，在本发明的较佳实施例中，可以预设所述高速状态阈值N_{HO_H}和中速状 态阈值N_{HO_M}的取值。例如，较佳的，所述高速状态阈值N_{HO_H}为6，所述中速状 态阈值N_{HO_M}为3。

在预先估计了待测用户的预估移动状态之后，为了保证该预估移动状态能够 准确地反映用户的移动状态，还需要继续执行以下的步骤进行下一步的判定。

步骤13，根据待测用户的预估移动状态设置待测用户的当前切换触发时间。

当用户在各个小区间发生移动时，切换触发时间TTT的长短将会直接影响到 切换效果。如果切换触发时间过长，则容易发生过晚切换；而若切换触发时间过 短，则容易发生过早切换。

为了更加真实的反映实际应用情况，在本发明的较佳实施例中，可以设置缩 放因子sf，并以TTT与sf的乘积作为当前切换触发时间。其中，缩放因子的值可 以根据用户的预估移动状态来确定。

例如，当待测用户的预估移动状态为高速状态时，所述缩放因子为高速缩放 因子sf_high；

当待测用户的预估移动状态为中速状态时，所述缩放因子为中速缩放因子 sf_medium；

而当待测用户的预估移动状态为低速状态时，所述缩放因子为低速缩放因子 sf_low。

较佳的，在本发明的具体实施例中，可以预先设定上述高速缩放因子、中速 缩放因子和低速缩放因子的取值。例如，高速缩放因子为0.25，中速缩放因子为 0.5，低速缩放因子为1(相当于不使用缩放因子)。

因此，在本步骤中，可以根据待测用户的预估移动状态设置待测用户的当前 切换触发时间。

步骤14，记录待测用户在预设第二长度的时间段内的切换失败事件，并计算 待测用户的切换失败率。

在设置了待测用户的当前切换触发时间之后，即可在一段时间内(即预设第 二长度的时间段内)记录待测用户的切换失败事件，并根据所记录的切换失败事 件计算待测用户的切换失败率。

步骤15，判断待测用户的切换失败率是否满足预设条件，如果是，执行步骤 17；否则，执行步骤16。

在步骤14中，可以通过计算得到用户的切换失败率。当切换失败率较高时， 说明在步骤12中所估计的预估移动状态与实际情况的偏差较大，准确性较低；而 当切换失败率较低时，则说明在步骤12中所估计的预估移动状态的准确性较高。

因此，当在步骤14中通过计算得到待测用户的切换失败率之后，即可在本步 骤中判断待测用户的切换失败率是否满足预设条件。如果满足预设条件，则说明 在步骤12中所估计的预估移动状态的准确性较高，因此可以执行步骤17；而如果 不满足预设条件，则说明在步骤12中所估计的预估移动状态的准确性不高，需要 继续进行进一步的优化。

在本发明的技术方案中，上述步骤15可以有多种实现方式，以下将以其中的 一种为例进行举例说明。

较佳的，在本发明的具体实施例中，所述步骤15可以包括如下所述的步骤：

步骤150，预先设置第一阈值和第二阈值；

步骤151，当待测用户的切换失败率中的过早切换失败率小于第一阈值且过晚 切换失败率小于第二阈值时，执行步骤17；否则，执行步骤16。

较佳的，在本发明的具体实施例中，所述第一阈值为0.55％，所述第二阈值为 10％。

也就是说，在本步骤中，需要将待测用户的切换失败率控制在一个可接受的 阈值范围内。如果在该范围内，则表示预估移动状态的准确性较高；而如果不在 该范围内，则表示预估移动状态的准确性较低。

步骤16，根据所记录的待测用户的各类切换失败事件在总的切换失败事件中 的比例，调整待测用户的切换加权系数，返回执行步骤11。

在本发明的技术方案中，上述步骤16可以有多种实现方式，以下将以其中的 一种为例进行举例说明。

较佳的，在本发明的具体实施例中，所述步骤16可以包括：

步骤160，根据所记录的待测用户的各类切换失败事件，统计该待测用户发生 过早切换失败和过晚切换失败的次数；

步骤161，当过早切换失败的次数大于过晚切换的次数(即过早切换失败事件 处于主导地位)时，则将当前的切换加权系数的取值减去预设步长；而当过晚切 换失败的次数大于过早切换的次数(即过晚切换失败事件处于主导地位)时，则 将当前的切换加权系数的取值加上预设步长。

步骤162，返回执行步骤11。

其中，在本发明的较佳实施例中，所述预设步长的取值可以预先设置。例如， 所述预设步长的取值为0.1。

步骤17，将当前的预估移动状态作为待测用户的当前移动状态。

在本步骤中，即可将当前的预估移动状态作为待测用户的当前移动状态，结 束整个流程。

由上可知，通过上述的步骤11～17，即可完成对待测用户的评估，得到待测 用户的当前移动状态。

另外，通过多次的多次仿真实施试验和评估可知，在使用上述的用户移动状 态估计方法之后，可以有效地改善用户的切换性能，大大提高对待测用户的移动 状态的估计的准确性。

例如，发明人根据3GPP协议，建立了室外无线传播环境模型，并使用室外系 统级仿真方法，对LTE-A异构网中用户的移动状态估计进行了仿真实验，并根据 实验结果将本发明中所提出的方法与现有技术中的传统方法进行了比较。

图2为本发明的用于LTE-A异构网的用户移动状态估计方法的效果示意图一。

如图2所示，图2中的现有方法1中仅统计了待测用户从宏基站到宏基站的 切换次数；因此，该方法对低速用户的估计准确率较高，但是对于高速用户的估 计准确率却非常低。而如果使用本发明的方法，则可以保持良好的准确性，也就 是说，对于不同的速度级别，本发明的方法均具有很好的鲁棒性。

图2中所示的现有方法2中，虽然考虑了对不同切换类型采用不同的权重来 统计切换次数，但是，在该方法中，待测用户从宏基站到宏基站的切换系数权重 为1，宏基站到微微基站的切换次数权重为0.45，微微基站到宏基站的切换次数权 重为0.25，微微基站到微微基站的切换次数权重为0.1。由此可知，该方法中对于 各种切换类型设置了固定的权重，该权重不能动态发生变化，因此必然不能适应 不同的网络拓扑结构，其移动状态估计的准确率的波动很大。而如果使用本发明 的方法，则在高速的移动状态估计上有更好的准确性，从而可以有效地避免较高 的切换失败率。

图2中所示的现有方法3中，考虑了统计全部切换类型，但是却将各类型的 权重均设置为1，因此其权重也不能动态发生变化，自然也无法适应不同的网络拓 扑结构，其移动状态估计的准确率的波动很大，且对低速和中速的移动状态估计 的准确性均存在较大的误差。而如果使用本发明的方法，则可以对低速和中速的 用户移动状态的估计结果做出明显改善。相比于现有方法3，使用本发明的方法可 以使得低速用户的移动状态估计准确性从31％提升到80％，而中速用户的移动状 态估计准确性从37％提到54％，改善效果十分明显。

图3为本发明的用于LTE-A异构网的用户移动状态估计方法的效果示意图二。 如图3所示，图3中的纵坐标表示总的切换率变化，而横坐标则表示使用本发明 的方法进行优化的过程，也就是优化次数。图3中的两条曲线分别展示了单位宏 小区包含4个微微小区(picos)情景和包含10个微微小区情景下的优化过程中切 换失败率变化情况。由图3所示可知，在使用本发明的方法时，优化过程中的切 换失败率有了明显下降。

综上所述，在本发明的技术方案中，由于既考虑了微微小区与宏小区覆盖半 径的差别，又考虑了宏小区中不同网络拓扑结构的影响，并利用了SON技术来得 到适合不同网络拓扑结构的最优切换加权系数，所以能够更好地估计用户的移动 状态，而且还能有效地改善切换性能。另外，低功率节点不一定来源于同一个运 营商，而且甚至可能是用户自己布设的，类似于家庭基站，因此网络拓扑的变化 可能呈现不确定性和多变性。而通过使用本发明的用户移动状态估计方法，当网 络拓扑发生变化后，还可以自适应的调整相关参数，适合未来复杂多变的异构网 部署特点。此外，由于本发明方法不要求改变现有的LTE-A通信协议，也不增加 信令开销，而且计算复杂度也不高，对用户终端也没有任何改变，只需对基站侧 进行部分改进，即可实施该方法，因此本发明具有很好的推广应用前景。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明 的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保 护的范围之内。