[发明专利]基于深度神经网络的小基站开关控制方法

说明书

本发明提供了基于深度神经网络的小基站开关控制方法，包括：采集基站中的用户信息；将所有用户数据整合成可供模型训练的路径数据样本集合；构建神经网络模型；输入数据并训练模型；收集待预测用户数据，预测用户下一时刻位置；计算基站未来服务用户的数目，控制基站开关。本发明方法通过预测基站内待服务人数，控制超密集网络中小基站的开关，达到了降低基站功耗，减少基站间的干扰，优化超密集网络中资源分配的目的；在建立数学模型的过程中，本方法结合了数据挖掘和机器学习，提高了预测的准确率和系统的实用性。

技术领域

本发明属于移动通信中的无线资源管理技术领域，涉及基站开关控制方法，更为具体的说，是涉及基于深度神经网络的小基站开关控制方法。

背景技术

在宏站覆盖范围内同频密集部署低功率小站的超密集异构网络是一种提升无线网络频谱利用率和网络容量的有效方法。然而，一方面待服务的终端在空间上分布不均，一个地区内的一部分小基站满负荷运转，一部分小基站空载，造成了处理资源的浪费。另一方面，待服务的终端在时间上分布不均，小区中的用户分布存在潮汐效应，同样会造成资源的浪费。

发明内容

为解决上述问题，基于在城市场景中，人群随着已有的道路移动，人群下一时间点的位置可预测这一思路，本发明提供了基于深度神经网络的小基站开关控制方法。

为了达到上述目的，本发明提供如下技术方案：

基于深度神经网络的小基站开关控制方法，包括如下步骤：

步骤一：采集基站中的用户信息

每隔一段时间采样一次，记录接入基站的用户编号、接入时刻、和用户位置信息，放入样本集合L＝{(u_i,t_i,p_i)}，其中u_i为接入用户的编号，t_i为记录数据的时刻，p_i为用户的地理位置，包括经度坐标x_i和纬度坐标y_i；

步骤二：数据整合

将步骤一中基站搜集的用户数据整理、合并成可供模型训练的路径数据，合并所有用户的数据样本，得到最终用于训练的样本集合L^train＝{(p_1,i,p_2,i,p_3,i,p_4,i,p_5,i,p_6,i)}；

步骤三：构建神经网络模型

选择全连接神经网络为训练模型，训练误差采用平均平方误差计算，训练时采用常用的正向传播方法得到一次训练的结果，采用逆向传播方法更新神经网络中的参数；

步骤四：输入数据并训练模型

1)选取步骤二得到的集合L^train中的一个样本，样本记为d_j＝(p_1,j,p_2,j,p_3,j,p_4,j,p_5,j,p_6,j)，d_j中前5个数据(p_1,j,p_2,j,p_3,j,p_4,j,p_5,j)用于输入，最后1个数据p_6,j用于与预测结果比较，计算误差；

2)向神经网络中输入一个样本的前5个数据(p_1,j,p_2,j,p_3,j,p_4,j,p_5,j)，采用神经网络中的正向传播方法得到一次训练的结果，即预测的位置坐标