[发明专利]基于深度神经网络的小基站开关控制方法

摘要

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。

主权项

基于深度神经网络的小基站开关控制方法，其特征在于，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3)样本中的预测坐标的真实值为利用实际坐标和预测坐标计算误差采用逆向传播方法更新神经网络中的参数，完成一次样本训练；4)将整个样本集L^train代入并训练一次，称为一轮样本集训练，如此进行多轮样本集训练，每轮训练后计算该轮训练误差E_i＝∑e_i,j，当|E_i+1‑E_i|＜e_c时，训练停止；此时，模型的参数更新完毕，模型训练完毕；其中，E_i为第i轮训练的误差，e_i,j为第i轮训练的样本集中第j个样本的训练误差，e_c为最小误差常量；步骤五：收集待预测用户数据，预测用户下一时刻位置1)设待预测时刻为t^predict，按照步骤一采集用户数据，记为L'＝{(u′_i,t′_i,p′_i)}；2)按照步骤二中的步骤整合数据，记为集合L^predict＝{(p′_1,i,p′_2,i,p′_3,i,p′_4,i,p′_5,i)}；3)将集合L^predict中的样本输入模型，即可得到用户的位置预测结果，预测结果集合记为步骤六：计算基站未来服务用户的数目，控制基站开关1)基站的信息记为集合其中，为基站位置的经度坐标，为基站位置的纬度坐标，num_i为基站未来服务用户的数目；2)从步骤五中得到的预测结果集合中，依次选取样本计算其与集合C中各个基站的距离得到与该样本最近的基站的编号在集合C中相应的num_i上加1；3)设控制基站开关的阈值为num_c，遍历集合C中所有基站数据，当num_i≥num_c时，开启对应基站i；当num_i≤num_c，关闭对应基站i。