一种基于马尔可夫链的通信网络负载状态信息预测方法

摘要

本发明涉及一种基于马尔可夫链的通信网络负载状态信息预测方法，属于无线通信技术领域。该方法包括以下步骤：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：使用网络负载状态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。本方法可以对通信网络负载信息进行精确的预测，且能够智能调整系统统计学习时间，适应网络动态变化，提高预测精确度。

说明书

技术领域

本发明属于无线通信技术领域，涉及一种基于马尔可夫链的通信网络负载状态信息预测 方法。

背景技术

LTE采用了正交频分多址技术(Orthogonal Frequency Division Multiple Access,OFDMA)， 对于同一个小区内的不同用户，可以通过时间和子载波的不同来加以区分。为了达到最高的 频谱效率，LTE通常采用同频组网方式，即每个相邻小区都采用相同的载波。此时，相邻小 区的不同用户，特别是处于小区边缘的用户，存在概率在同一时间收到两个或多个小区的相 同频率信号。当来自各小区的同频信号较强时，该用户就会受到严重干扰，影响通信质量。

针对LTE网络中时域上的同频多小区间干扰协调称之为增强的小区间干扰协调(eICIC)。 eICIC的基本思路是：首先通过宏蜂窝把一个或多个子帧配置为“几乎空白子帧(ABS)”，微 蜂窝在ABS子帧上为小区边缘终端(UE)提供服务，从而避免了来自宏基站的主要干扰， 提升了小区边缘UE的服务速率^[11]。其次通过小区选择偏置(Bias)实现小区范围扩展技术 (range extension，RE)从而提高微蜂窝(PICO)的覆盖效果，均衡负载。然而随着业务的 多样化发展，静态的eICIC无法适应网络中实时变化的业务负载，因此动态eICIC方案成为 研究热门。

动态eICIC方案的核心是感知网络中业务负载的变化，并根据当前网络环境动态的调整 系统的ABS比率，从而在实现干扰管理的同时提高资源利用率。然而为了保证ABS可以随 着网络业务负载的变化而动态配置，宏基站和微基站不仅需要统计网络的业务负载状态，它 们之间还需要有快速的信令交互，考虑到ABS配置是每帧调整一次，即以10ms为调整周期， 因此要求宏基站与微基站之间的信息交互时延需要小于10ms。然而在LTE系统中，基站与基 站之间通过X2接口进行信令交互，交互过程中一般会带来10ms以上的传输时延，因此如果 先通过感知当前的网络业务负载状态，再经过信令交互，最后调整ABS配置，此时ABS配 置已经落后于实际网络业务负载变化，很难保证ABS配置模式的时效性。

因此，为了提高ABS动态配置的时效性，需要一个预测机制来对网络业务进行预测，根据预 测的网络状态提前进行ABS动态配置，从而保证了其配置的时效性。

在通信网中，网络负载变化往往具有较强的随机性和波动性，业务负载变化过程属于典 型的随机过程，同时业务负载的变化趋势仅与其现在的状态有关，于其历史状态无关，具有 无记忆性，符合马尔可夫性质。因此，通过马尔科夫过程可以较好的描述网络业务负责动态 变化的随机过程，并通过学习其历史动态变化趋势，来预测将来某一时刻的业务负载状态。 通过将马尔科夫预测机制与动态ABS技术相结合，可以有效的实现网络吞吐量的提高。

发明内容

有鉴于此，本发明的目的在于提供一种基于马尔可夫链的通信网络负载状态信息预测方 法，该方法可以解决动态干扰管理方案收到LTE中系统时延带来的不利影响；可以对通信网 络负载信息进行精确的预测，且能够智能调整系统统计学习时间，适应网络动态变化，提高 预测精确度。

为达到上述目的，本发明提供如下技术方案：

一种基于马尔可夫链的通信网络负载状态信息预测方法，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：使用网络负载状态信息构造的马 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。

进一步，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：

$\mathrm{Load}\left(t\right)=\frac{{\mathrm{PRB}}_{\mathrm{use}}\left(t\right)}{{\mathrm{PRB}}_{\mathrm{total}}}---\left(1\right)$

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(8ms)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 作为马尔科夫矩阵的行向量，设定系统统计学习时间γ，并生成负载状态信息矩阵：

进一步，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的状态转移概率矩阵：

$\left(\begin{array}{cccc}{P}_{11}& P_{12}& ...& P_{1N}\\ P_{21}& ...& ...& P_{2N}\\ .& .& .& .\\ .& .& .& .\\ .& .& .& .\\ P_{N1}& ...& ...& P_{\mathrm{NN}}\end{array}\right)$

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)。

进一步，步骤三具体包括：

1)收集子帧内的当前网络负载状态，并依据当前网络状态和状态转移概率矩阵，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)使用每个时隙的预测值，使用一帧内所有预测值的均值作为该帧的预测状态；

$S_{\mathrm{prediction}}^T=\frac{\underset{t=1}{\overset{T}{\Sigma }}{S}_{\mathrm{prediction}}^t}{T}---\left(4\right).$

进一步，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：

$P_{\mathrm{miss}}=\frac{|\overline{S_{\mathrm{prediction}}^t}-\overline{S_{\mathrm{reality}}^t}|}{\overline{S_{\mathrm{reality}}^t}}---\left(5\right)$

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；

$\overline{S_{\mathrm{prediction}}^t}=\frac{S_{\mathrm{prediction}}^t+S_{\mathrm{prediction}}^{t-1}+S_{\mathrm{prediction}}^{t-2}+S_{\mathrm{prediction}}^{t-3}}{4}---\left(6\right)$

$\overline{S_{\mathrm{reality}}^t}=\frac{S_{\mathrm{reality}}^t+S_{\mathrm{reality}}^{t-1}+S_{\mathrm{reality}}^{t-2}+S_{\mathrm{reality}}^{t-3}}{4}---\left(7\right).$

进一步，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10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。

本发明的有益效果在于：本发明所述方法应用马尔可夫链建立通信网络业务负载状态信 息预测模型，可以有效的预测出网络中业务负载的动态变化；本发明首次建立了可以智能调 整算法学习时间的预测模型；并且通过智能调整学习时间，可以使网络负载预测方法可以获 取预测准确度与计算复杂度的平衡，提高系统运行效率；本发明的网络负载预测方法经验证， 预测误差概率可以保证在0.15以下，可以有效的在网络中预测出网络负载的变化趋势。

附图说明

为了使本发明的目的、技术方案和有益效果更加清楚，本发明提供如下附图进行说明：

图1为本发明所述方法的流程示意图。

具体实施方式

下面将结合附图，对本发明的优选实施例进行详细的描述。

图1为本发明所述方法的流程示意图，如图所示，本发明提供的基于马尔可夫链的通信 网络负载状态信息预测方法，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：使用网络负载状态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。

下面通过具体实施例来对本发明进行具体说明：

步骤一：本实施例选择LTE简单异构蜂窝网络场景，包括一个宏基站，一个微蜂窝。

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：

$\mathrm{Load}\left(t\right)=\frac{{\mathrm{PRB}}_{\mathrm{use}}\left(t\right)}{{\mathrm{PRB}}_{\mathrm{total}}}---\left(1\right)$

2)设定网络负载状态总数为70个状态，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(8ms)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 作为马尔科夫矩阵的行向量，设定系统统计学习时间γ，并生成负载状态信息矩阵：

步骤二：

1)在统计学习时间内，统计状态1到状态70内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的状态转移概率矩阵：

$\left(\begin{array}{cccc}{P}_{1-1}& P_{1-2}& ...& P_{1-70}\\ P_{2-70}& ...& ...& P_{2-70}\\ .& .& .& .\\ .& .& .& .\\ .& .& .& .\\ P_{70-1}& ...& ...& P_{70-70}\end{array}\right)$

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)

步骤三：

1)收集子帧内的当前网络负载状态，并依据当前网络状态和状态转移概率矩阵，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)使用每个时隙的预测值，使用一帧内所有预测值的均值作为该帧的预测状态；

$S_{\mathrm{prediction}}^T=\frac{\underset{t=1}{\overset{T}{\Sigma }}{S}_{\mathrm{prediction}}^t}{T}---\left(4\right).$

步骤四：

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：

$P_{\mathrm{miss}}=\frac{|\overline{S_{\mathrm{prediction}}^t}-\overline{S_{\mathrm{reality}}^t}|}{\overline{S_{\mathrm{reality}}^t}}---\left(5\right)$

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；

$\overline{S_{\mathrm{prediction}}^t}=\frac{S_{\mathrm{prediction}}^t+S_{\mathrm{prediction}}^{t-1}+S_{\mathrm{prediction}}^{t-2}+S_{\mathrm{prediction}}^{t-3}}{4}---\left(6\right)$

$\overline{S_{\mathrm{reality}}^t}=\frac{S_{\mathrm{reality}}^t+S_{\mathrm{reality}}^{t-1}+S_{\mathrm{reality}}^{t-2}+S_{\mathrm{reality}}^{t-3}}{4}---\left(7\right).$

步骤五：

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10帧；

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；

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。

最后说明的是，以上优选实施例仅用以说明本发明的技术方案而非限制，尽管通过上述 优选实施例已经对本发明进行了详细的描述，但本领域技术人员应当理解，可以在形式上和 细节上对其作出各种各样的改变，而不偏离本发明权利要求书所限定的范围。