本發(fā)明屬于網(wǎng)絡(luò)通信技術(shù)領(lǐng)域，涉及基于大數(shù)據(jù)分析的小基站開關(guān)控制方法。

背景技術(shù)：

在宏站覆蓋范圍內(nèi)同頻密集部署低功率小站的超密集異構(gòu)網(wǎng)絡(luò)是一種提升無(wú)線網(wǎng)絡(luò)頻譜利用率和網(wǎng)絡(luò)容量的有效方法。但由于待服務(wù)的終端在空間上分布不均，在某一時(shí)刻，一個(gè)地區(qū)內(nèi)的某些小基站滿負(fù)荷運(yùn)轉(zhuǎn)，而有些小基站空載，這造成了處理資源的浪費(fèi)。另一方面，小區(qū)中的用戶分布存在潮汐效應(yīng)。所以，如果能事先預(yù)測(cè)出小基站未來(lái)的服務(wù)人數(shù)，就可以適時(shí)地開啟/關(guān)閉小基站，從而達(dá)到，節(jié)能、減少基站間干擾等目的。當(dāng)前現(xiàn)有技術(shù)還無(wú)法實(shí)現(xiàn)這一點(diǎn)。

技術(shù)實(shí)現(xiàn)要素：

為解決上述問題，本發(fā)明公開了一種基于大數(shù)據(jù)分析的小基站開關(guān)控制方法，能夠預(yù)測(cè)小基站未來(lái)服務(wù)人數(shù)，并據(jù)此開啟/關(guān)閉小基站。在一些特殊場(chǎng)景，如飛機(jī)場(chǎng)、火車站等場(chǎng)景下，人流的潮汐效應(yīng)更加明顯：在火車/飛機(jī)到來(lái)前，站臺(tái)往往匯聚大量服務(wù)人群，而離去時(shí)往往帶離大量服務(wù)人群。和一般場(chǎng)景不同的是，在飛機(jī)場(chǎng)、火車站場(chǎng)景下，由于飛機(jī)/火車到達(dá)和離開的時(shí)刻是由時(shí)刻表預(yù)先規(guī)定好的，所以人群的到來(lái)和離去的大體情況也是可以預(yù)先獲知的。本發(fā)明即可利用特殊場(chǎng)景下時(shí)刻表以及小基站接入人數(shù)的歷史記錄，建立數(shù)學(xué)模型，預(yù)測(cè)未來(lái)小基站內(nèi)的待服務(wù)人數(shù)，根據(jù)待服務(wù)人數(shù)去控制小基站的開關(guān)。

為了達(dá)到上述目的，本發(fā)明提供如下技術(shù)方案：

基于大數(shù)據(jù)分析的小基站開關(guān)控制方法，包括如下步驟：

步驟1：采集場(chǎng)景信息

所述場(chǎng)景信息包括兩部分的信息：

第一部分信息是小基站內(nèi)接入人數(shù)的信息，定期采樣一次，記錄各個(gè)時(shí)刻的基站接入人數(shù)，放入樣本集合l＝{(xi,yi)}，其中xi為記錄數(shù)據(jù)的時(shí)刻，yi為xi時(shí)刻小基站接入的人數(shù)；

第二部分是場(chǎng)景中時(shí)刻表所記錄的人群到來(lái)的時(shí)刻和人數(shù)，放入樣本集合m＝{(ti,pi)}，其中ti為人群到來(lái)的時(shí)刻，pi為到來(lái)的人數(shù)；

步驟2：數(shù)據(jù)預(yù)處理

去除集合l和m中的重復(fù)數(shù)據(jù)、異常值和空值；

步驟3：提取特征

為每個(gè)樣本提取12個(gè)特征，將結(jié)合集合l和集合m，生成一個(gè)新的集合g＝{(fi,n,li)}，其中，fi,n表示集合g中的第i個(gè)樣本的第n個(gè)特征，1≤n≤12，對(duì)應(yīng)著模型的輸入，li表示集合g中第i個(gè)樣本的標(biāo)簽，取值為1或0，1代表基站開啟，0代表基站關(guān)閉，對(duì)應(yīng)著模型的輸出；

計(jì)算集合g中的fi,n：

首先，在集合l中選取第i個(gè)樣本(xi,yi)，然后在集合m中生成樣本子集msub＝{(tm,pm)}，其中tm滿足tm-xi＞(n-1)t且tm-xi＜nt，t為設(shè)定好的時(shí)間間隔，最后，fi,n由式得到；

計(jì)算集合g中l(wèi)i：

在集合l中選取第i個(gè)樣本(xi,yi)：

上式中，k是控制基站開關(guān)的閾值，將集合g＝{(fi,n,li)}統(tǒng)一用g＝{(fi,li)}表示，其中fi集合g中fi,n的向量形式；

步驟4：選擇并訓(xùn)練模型

選擇二項(xiàng)邏輯斯蒂回歸模型，二項(xiàng)邏輯斯蒂回歸模型是如下的條件概率分布：

p(yout＝0|xin)＝1-p(yout＝1|xin)(3)

上式中，xin是輸入，是集合g中樣本的特征，yout是輸出，是模型預(yù)測(cè)的小基站的開關(guān)狀態(tài)，1代表基站開啟，0代表基站關(guān)閉，w∈rⁿ和b∈r是參數(shù)，w稱為權(quán)值向量，b稱為偏置，w·xin為w和xin的內(nèi)積；給定一個(gè)樣本特征xin,按照式(2)和式(3)可以求得p(yout＝1|xin)和p(yout＝0|xin)；邏輯斯蒂回歸比較兩個(gè)條件概率值的大小，將特征xin分到概率較大的那一類；

訓(xùn)練模型，利用集合g中的數(shù)據(jù)得到模型中參數(shù)w和b的值；

步驟5：預(yù)測(cè)

搜集時(shí)刻表的數(shù)據(jù)樣本m，再按照步驟3，生成該時(shí)刻的特征，將生成的特征輸入模型，即可預(yù)測(cè)時(shí)刻t的基站開關(guān)狀態(tài)。

進(jìn)一步的，所述步驟2中去除異常值的過程如下：

在集合l中，若yi＜0或yi＞pmax1，pmax1表示正常情況下，采樣得到的人數(shù)的最大值，，則該樣本屬于異常值，應(yīng)從集合l中去除樣本(xi,yi)；集合m中,若pi＜0或pi＞pmax2，pmax2表示正常情況下，即將到來(lái)的人群的最大人數(shù)，則該樣本屬于異常值，應(yīng)從集合m中去除樣本(ti,pi)。

進(jìn)一步的，所述步驟4中選擇極大似然估計(jì)法估計(jì)模型參數(shù)，步驟如下：

步驟4-1，設(shè)：

p(yout＝1|xin＝fi)＝h(fi)(4)

p(yout＝0|xin＝fi)＝1-h(fi)(5)

則整個(gè)樣本集g的似然函數(shù)為:

步驟4-2，整個(gè)樣本集g的對(duì)數(shù)似然函數(shù)為：

步驟4-3，將式(2)、(3)、(4)、(5)代入式(7)中可得：

步驟4-4，求得參數(shù)w,b：

步驟4-5，使用隨機(jī)梯度下降法求得式(9)的解。

與現(xiàn)有技術(shù)相比，本發(fā)明具有如下優(yōu)點(diǎn)和有益效果：

本發(fā)明能夠事先預(yù)測(cè)出小基站未來(lái)的服務(wù)人數(shù)，從而能夠適時(shí)地開啟/關(guān)閉小基站，達(dá)到節(jié)能、減少基站間干擾的目的。在建立數(shù)學(xué)模型的過程中，本方法結(jié)合數(shù)據(jù)挖掘和機(jī)器學(xué)習(xí)，提高了預(yù)測(cè)的準(zhǔn)確率和系統(tǒng)的實(shí)用性。

附圖說(shuō)明

圖1為本發(fā)明提供的基于大數(shù)據(jù)分析的小基站開關(guān)控制方法流程圖。

具體實(shí)施方式

以下將結(jié)合具體實(shí)施例對(duì)本發(fā)明提供的技術(shù)方案進(jìn)行詳細(xì)說(shuō)明，應(yīng)理解下述具體實(shí)施方式僅用于說(shuō)明本發(fā)明而不用于限制本發(fā)明的范圍。

本發(fā)明提供的基于大數(shù)據(jù)分析的小基站開關(guān)控制方法，如圖1所示，包括如下步驟：

步驟1：采集場(chǎng)景信息。場(chǎng)景信息主要包括兩部分的信息：第一部分信息是小基站內(nèi)接入人數(shù)的信息，每一分鐘采樣一次(采樣頻率可根據(jù)需要改變)，記錄各個(gè)時(shí)刻的基站接入人數(shù)，放入樣本集合l＝{(xi,yi)}，其中xi為記錄數(shù)據(jù)的時(shí)刻，時(shí)刻精確到分鐘，yi為xi時(shí)刻小基站接入的人數(shù)。第二部分是場(chǎng)景中時(shí)刻表所記錄的人群到來(lái)的時(shí)刻和人數(shù)，放入樣本集合m＝{(ti,pi)}，其中ti為人群到來(lái)的時(shí)刻，時(shí)刻精確到分鐘，pi為到來(lái)的人數(shù)。

步驟2：數(shù)據(jù)預(yù)處理。數(shù)據(jù)中往往會(huì)有數(shù)據(jù)空值、異常值、數(shù)據(jù)重復(fù)等問題，這些問題會(huì)降低模型的精確度，因此，需要進(jìn)行必要的處理，以保證數(shù)據(jù)的可靠性，從而建立出精確的模型。

處理方法如下：

1、對(duì)重復(fù)數(shù)據(jù)的處理。在集合l中，若xi＝xj，yi＝y(tǒng)j，則在l中去除樣本(xj,yj)，保留(xi,yi)。同理，在集合m中，若ti＝tj，pi＝pj，則在m中去除樣本(ti,pi)，保留(ti,pi)。

2、對(duì)異常值的處理。在集合l中，若yi＜0或yi＞pmax1(pmax1表示正常情況下，采樣得到的人數(shù)的最大值，該值可由運(yùn)營(yíng)商根據(jù)網(wǎng)絡(luò)運(yùn)行情況自行確定)，則該樣本屬于異常值，應(yīng)從集合l中去除樣本(xi,yi)；集合m中,若pi＜0或pi＞pmax2(pmax2表示正常情況下，即將到來(lái)的人群的最大人數(shù)，該值可由運(yùn)營(yíng)商根據(jù)網(wǎng)絡(luò)運(yùn)行情況自行確定)，則該樣本屬于異常值，應(yīng)從集合m中去除樣本(ti,pi)。

3、對(duì)空值的處理。在集合l和m中，若發(fā)現(xiàn)某一樣本中任意數(shù)值為空，即從集合中去除該樣本。

步驟3：提取特征。提取特征是利用機(jī)器學(xué)習(xí)方法建模的最關(guān)鍵一步。我們?yōu)槊總€(gè)樣本提取12個(gè)特征，這些特征的提取直接關(guān)系到最后結(jié)果的好壞。在本步驟中，我們將結(jié)合集合l和集合m，生成一個(gè)新的集合g＝{(fi,n,li)}。其中，fi,n表示集合g中的第i個(gè)樣本的第n個(gè)特征(模型共有12個(gè)特征，所以1≤n≤12)，對(duì)應(yīng)著模型的輸入，li表示集合g中第i個(gè)樣本的標(biāo)簽，取值為1或0，1代表基站開啟，0代表基站關(guān)閉，對(duì)應(yīng)著模型的輸出。

計(jì)算集合g中的fi,n的步驟如下：

首先，在集合l中選取第i個(gè)樣本(xi,yi)。然后在集合m中生成樣本子集msub＝{(tm,pm)}，其中tm滿足tm-xi＞(n-1)t且tm-xi＜nt(t為設(shè)定好的時(shí)間間隔，該值可由運(yùn)營(yíng)商根據(jù)網(wǎng)絡(luò)運(yùn)行情況自行確定)。最后，fi,n由式得到。

計(jì)算集合g中l(wèi)i的步驟如下：

在集合l中選取第i個(gè)樣本(xi,yi)。

k是控制基站開關(guān)的閾值，該值可由運(yùn)營(yíng)商根據(jù)網(wǎng)絡(luò)運(yùn)行情況自行確定。為方便表示，下文中集合g＝{(fi,n,li)}統(tǒng)一用g＝{(fi,li)}表示，其中fi集合g中fi,n的向量形式。

步驟4：選擇并訓(xùn)練模型。可采用二項(xiàng)邏輯斯蒂回歸模型作為本方法的模型。二項(xiàng)邏輯斯蒂回歸模型是如下的條件概率分布：

p(yout＝0|xin)＝1-p(yout＝1|xin)(3)

這里xin是輸入，是集合g中樣本的特征，yout是輸出，是模型預(yù)測(cè)的小基站的開關(guān)狀態(tài)(1代表基站開啟，0代表基站關(guān)閉)，w∈rⁿ和b∈r是參數(shù)，w稱為權(quán)值向量，b稱為偏置，w·xin為w和xin的內(nèi)積。給定一個(gè)樣本特征xin,按照式(2)和式(3)可以求得p(yout＝1|xin)和p(yout＝0|xin)。邏輯斯蒂回歸比較兩個(gè)條件概率值的大小，將特征xin分到概率較大的那一類。整個(gè)模型的作用即通過輸入特征值，預(yù)測(cè)小基站的開關(guān)狀態(tài)。

訓(xùn)練模型就是要利用集合g中的數(shù)據(jù)得到模型中參數(shù)w和b的值，可選擇極大似然估計(jì)法來(lái)估計(jì)模型參數(shù)。步驟如下：

1.設(shè)：

p(yout＝1|xin＝fi)＝h(fi)(4)

p(yout＝0|xin＝fi)＝1-h(fi)(5)

則整個(gè)樣本集g的似然函數(shù)為:

2.整個(gè)樣本集g的對(duì)數(shù)似然函數(shù)為：

3.將式(2)、(3)、(4)、(5)代入式(7)中可得：

4.求得參數(shù)w,b：

5.使用隨機(jī)梯度下降法求得式(9)的解。

步驟5：預(yù)測(cè)。若需要預(yù)測(cè)時(shí)刻t的基站開關(guān)狀態(tài)，只需按照步驟1，搜集時(shí)刻表的數(shù)據(jù)樣本m，再按照步驟3，生成該時(shí)刻的特征，將生成的特征輸入模型，即可得到結(jié)果。

本發(fā)明方案所公開的技術(shù)手段不僅限于上述實(shí)施方式所公開的技術(shù)手段，還包括由以上技術(shù)特征任意組合所組成的技術(shù)方案。應(yīng)當(dāng)指出，對(duì)于本技術(shù)領(lǐng)域的普通技術(shù)人員來(lái)說(shuō)，在不脫離本發(fā)明原理的前提下，還可以做出若干改進(jìn)和潤(rùn)飾，這些改進(jìn)和潤(rùn)飾也視為本發(fā)明的保護(hù)范圍。