[发明专利]UDN中基于机器学习的切换方法

说明书

本发明公开了一种UDN中基于机器学习的切换方法，包括以下步骤：步骤A：移动设备每一次需要切换到新的微小区时，均先向宏基站上报移动设备所处位置的特征信息报告，宏基站对特征信息进行离散化；步骤B：分别采用机器学习决策树预测、神经网络预测、SVM预测和随机森林预测四种学习器分别对离散化后的特征信息数据进行训练，得到各个训练模型；步骤C：将各预测结果进行相对多数投票法进行决策，得决策结果；步骤D：当决策结果为移动设备需要发生切换，且满足发生预切换条件时，则宏基站向预切换的目标微小区发送预切换请求，目标微小区此时开始为移动设备准备资源，并实施切换。减少了非必要切换，降低在超密集网络中的系统的平均时延。

技术领域

本发明属于通信网络技术领域，具体涉及UDN中基于机器学习的切换方法。

背景技术

为了应对下一代无线通信网络数据量千倍的增长需求，超密集网络(Ultra DenseNetwork,UDN)被认为是最有前途的关键技术之一，是未来移动通信的必然趋势。在UDN中移动设备不断的在小区间进行切换导致其切换的时延较大，给系统带来较大负担。对用户切换的预测能够改善切换的性能，然而对于传统的根据线性规划的预测办法，其预测的精度不足，尤其是在面对越来越密集越来越复杂的网络时，较低的精确度已不足以对切换的性能提升做出积极的影响。而对于针对场景分类的预测办法，其适用与特定场景，由于日常生活中场景复杂多变，若对各个场景做出相应的方案工作量较大，导致这一方法对场景的限制较大。

对于移动性预测有多种研究方法，有研究者提出了基于线性规划(linearProgramming，LP)的预测模型，通过SDN的控制器收集基站状态以及用户移动性信息，进而对用户的路径机型预测。

为了解决异构网络中受信号强度导致的滞后切换、兵乓切换等问题，另有研究者针对用户在不同的场景下，根据用户的移动性规则，选择相应的预测算法，其根据基站之间的距离分为远距离和近距离模型，采用马尔可夫链移动预测算法，对前者根据用户习惯预先设定转移概率矩阵，而后者将用户移动性历史信息作为输入从而获得转移概率矩阵。文中对于使用场景的针对性较强，而实际应用中，用户移动性场景十分复杂，其对于实际应用的限制性较大。另外有研究者提出基于支持向量机(Support Vector Machine,SVM)的移动预测切换方案，采集用户的ID编号、时间、移动环境、终端速度等信息，并将其离散化，将其作为6维特征数据，建立SVM的预测模型，对其进行预测。

另外单纯的某一机器学习算法如SVM这一方案虽然可以实时地相对精确地对终端的移动性进行预测，但通常影响用户移动性的特征往往较多，在多特征情况下SVM往往不能得到一个较好的表现。在UDN网络中面对密集的基站和频繁的切换往往需要更复杂的用户信息特征，而单一的算法所做出的切换预测不能对。

针对以上问题本发明提供一种结合机器学习的算法，并提出与切换策略相适应的结合策略，从而能够充分发挥不同算法对于不同的应用场景的应用，提高整体预测的泛化性能，从而能够提升对用户小区间切换预测的精度，减少系统平均切换时延。

发明内容

本发明所要解决的技术问题在于针对上述现有技术的不足，提供一种UDN中基于机器学习的切换方法。减少了非必要切换，降低在超密集网络中的系统的平均时延。

为解决上述技术问题，本发明采用的技术方案是，UDN中基于机器学习的切换方法，该切换方法包括以下步骤：

步骤A：移动设备每一次需要切换到新的微小区时，均先向宏基站上报移动设备所处位置的特征信息报告，宏基站对特征信息进行离散化；

步骤B：分别采用机器学习决策树预测、神经网络预测、SVM预测和随机森林预测四种学习器对离散化后的特征信息数据进行训练，得到各个训练模型；将所得模型放置到宏基站，并使用所得的各训练模型分别进行移动设备即将切换到的微小区的预测，得各预测结果；

步骤C：将各预测结果进行相对多数投票法进行决策，得决策结果；