一种基于马尔可夫链的通信网络负载状态信息预测方法技术

本发明专利技术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。

【技术实现步骤摘要】

本专利技术属于无线通信
，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。
技术介绍
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。
技术实现思路
有鉴于此，本专利技术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，本专利技术提供如下技术方案：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：Load(t)=PRBuse(t)PRBtotal---(1)]]>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：P11P12...P1NP21......P2N............PN1......PNN]]>假设在t＝0时刻系统处于初始状态i的概率为Pi(t)，下一时刻系统处于状态j的概率为Pj(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),…,PN(t)本文档来自技高网...

【技术保护点】
一种基于马尔可夫链的通信网络负载状态信息预测方法，其特征在于：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。

【技术特征摘要】
1.一种基于马尔可夫链的通信网络负载状态信息预测方法，其特征在于：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。
2.根据权利要求1所述的一种基于马尔可夫链的通信网络负载状态信息预测方法，其特
征在于：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：
Load(t)=PRBuse(t)PRBtotal---(1)]]>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；

【专利技术属性】
技术研发人员：陈前斌，黄晨，刘益富，霍龙，唐伦，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：重庆;85