一种基于用户体验速率的异构网络小区分簇方法及装置的制造方法
【技术领域】
[0001] 本发明涉及一种异构网络小区分簇方法及装置，特别涉及一种基于用户体验速率 的异构网络小区分簇方法及装置，属于无线通信技术领域。
【背景技术】
[0002] 随着移动通信系统的不断完善与进步，日益增长的用户需求和业务需求对移动网 络提出了更高的要求。伴随着4G网络的商业化运营，用户对服务体验也提出了更高的标 准，不同与传统语音业务以及视频业务的需求，在新环境下的用户对移动业务的体验也上 升到新的高度，例如实时高清视频的传输以及高速数据的下载以及上传。满足日益增长的 用户需求就需要在传统网络基础上提升用户峰值速率，并与此同时支持更多的用户来完成 高速数据的传输。超密集覆盖网络（UltraDenseNetwork,UDN)正是在这种环境下应运而 生。通过在异构网络中密集部署小基站（SmallCell)的方式来增加网络容量，使其迎合更 多用户对高速数据传输的需求。相对于提高宏小区（MarcoCell)的发射功率和小基站的 发射功率的方式，UDN的部署方式更加便捷有效。特别对于高速数据业务的用户体验有着 有效的提升，是新型网络环境下的有效部署方式。
[0003] 超密集覆盖的组网方式可以有效解决传统异构网络中的小区边缘用户覆盖问题 以及有效提升网络容量（包含网络吞吐量，可容纳用户数等）。在未来的5G通信中，无线通 信网络正朝着网络多元化、宽带化、综合化、智能化的方向演进。随着各种智能终端的普及， 数据流量将出现井喷式的增长。针对这一趋势，超密集覆盖网络将主要针对，未来数据业务 的分布重点，即在室内和热点地区的大量用户的高速数据业务需求，改善网络覆盖，大幅度 提升系统容量，并且对业务进行分流，具有更灵活的网络部署和更高效的频率复用。未来， 面向高频段大带宽，将采用更加密集的网络方案，部署小小区/扇区将高达1〇〇个以上。
[0004] 与此同时，愈发密集的网络部署也使得网络拓扑更加复杂，小区间干扰已经成为 制约系统容量增长的主要因素，极大地降低了网络能效。因此小区分簇技术（SmallCell Clustering)特别用于解决小区间干扰问题以及小区协作问题，为用户分配最优的基站传 输资源同时解决干扰问题。通常情况下的用户会受到临近用户的干扰，如何有效排除干扰 是目前小区分簇技术面临的主要问题。以用户为中心分配不同的小基站来服务不同的用户 将有效解决邻区干扰。以不同的归类标准进行分簇是目前的研宄热点之一。
[0005] 传统基站的小区边缘用户业务传输质量较差的问题也可以通过本方案中的超密 集网络的分簇方式解决。在传统异构网络中，没有采用密集覆盖的部署方式，由于单小区覆 盖范围较大（一般大于150m)，小区数量有限，小区边缘用户由于距离基站较远接受信号强 度较小，且更可能受到临近其他非服务基站的干扰。面临以上场景，密集覆盖网络下的小区 将通过不同小基站的配合使得用户能得到多个基站的服务，保证了用户体验以及业务传输 的连贯性。
[0006] 本方案在密集覆盖小区中使用了，利用K-Means方法的基于用户体验速率的分簇 方法。不同于将一个基站扇区下的用户分为一簇，这种相对固定，且小区边缘用户速率较低 的分簇方式。本方案分簇方法。将多个待分配小基站划分为多个不同类型以便满足不同用 户的传输需求，同一类小基站的相似度较高；而不同聚类中的对象相似度较小。相似度是利 用各类中基站的信号强度均值所获得一个"中心对象"来进行计算的。该方法将不断重复 这一过程直到收敛为止，即寻找到合理的用户分配基站簇。
【发明内容】
[0007] 本发明的目的是为提升异构网络之中无线通信系统的整体性能，充分利用频带 资源，提出了一种基于用户体验速率的低复杂度的异构网络小区分簇方法，该方法针对未 来日益增长的用户数量，超密集覆盖的网络小区分布导致小区内用户遭受更复杂的干扰问 题，在这种环境下对无线通信系统中的小区分布即基站分簇进行优化。
[0008] 本发明的思想是利用机器学习理论之中的K-Means方法对整个网络中的小区负 载状况和用户速率状况进行学习，最终达到在保证系统中用户服务的公平性的同时，提高 整个网络系统容量的目的。
[0009] 本发明适用的场景：包含N个用户的多基站移动通信小区。基站分为宏基站 (MacroCell)和小站（SmallCell)双层排布。其中宏基站有M个，呈3扇区六边形分布。 小站部署在宏基站覆盖范围之内，并且距离宏站有小范围距离限制。用户在整个网络之中 随机均匀分布。宏基站环境为UMa，即城市宏小区，小站的环境为UMi，即城市微小区。
[0010] 一种基于用户体验速率的异构网络小区分簇方法，包括以下步骤：
[0011] 步骤1 :在网络之中，首先随机选取K个基站作为初始的种子站，作为初始的簇的 中心；
[0012] 所述基站可以是宏基站也可以是小站；
[0013] 步骤2:对网络中的所有站，根据其到所述种子站的距离将之加入与其最近的种 子站所代表的簇；
[0014] 例如基站i经计算距离种子站j最近，则将其加入种子站j所表示的簇，表示成如 公式（1)所示的形式
[0015]
[0016] 其中q表示K-Means方法得到的第i个基站所在的簇的编号，其取值范围是1~ k，h表示第j个种子站，pi表示第i个站，| | | | 2表示站i到种子站j之间的距离；j表示 1~k之间的正整数；站的总数n为宏基站的数目加上小基站的数目，i的取值范围是1~ n,N表示自然数。
[0017] 作为优选，基站i和基站j之间的距离可使用如下公式所述欧几里得距离表示：
[0018]
[0019]其中，d表示两站之间的距离，（Xi，yi)、（Xj，yj)分别表示基站i和基站j坐标。
[0020] 步骤3:初步分簇完成之后，对各簇重新进行计算，将簇内所有基站的位置求和取 平均值，得到新的各簇的中心；
[0021] 需要注意的是，此时簇的中心位置可以不是实际的基站位置而仅仅是簇的中心坐 标；
[0022] 作为优选，簇的中心的计算公式如下：
[0023] (3)
[0024] 其中，不同于步骤2,h为重新计算的第j个簇的中心的位置，Pi为簇j内基站i n 的位置；，表示第i个基站所在的簇为j时加1，对分母而言，其含义是簇j所包含 7-1 的基站个数，对分子而言，其含义是对簇j所包含的基站位置求和；
[0025] 步骤4:重复步骤2和步骤3,直到分簇结果不再变化，或者通过下式计算的所有簇 的畸变函数J(c，i〇都小于阈值Jmin为止：
[0026] (4)
[0027] 其中，y」表示第j个簇的中心，pi代表第j个簇内的第i个基站，m表示第j个簇 内基站的数目；
[0028] 步骤5:用户设备（UserEquipment,UE)进行小区选择，以及吞吐量预估，然后系 统筛选出预估计的吞吐量最低的部分用户作为小区边缘用户；
[0029] 作为优选，UE进行小区选择时可以基于最大小区参考信号接收功率（Reference SignalReceivingPower,RSRP)的准则进行小区选择。
[0030] 步骤6:以步骤5得到的小区边缘用户作为新的簇的中心，对网络内的基站进行分 簇，重复步骤2到步骤4,直到分簇结果不再变化或满足畸变函数J(c，y)小于Jmin为止。
[0031] 作为优选，如果某些小区边缘用户彼此之间的距离较近，即距离小于阈值d，即可 将这些小