小区极值吞吐量的估计方法
【技术领域】
[0001] 本发明涉及移动通信技术领域，具体的说，涉及一种小区极值吞吐量的估计方法。【背景技术】
[0002] 随着语音、数据、视频等业务的传输需求越来越大，移动通信网络中的吞吐量变得 越来越复杂，这也使得移动通信网络逐渐从原来的单一业务类型转变为多媒体业务类型。 在移动通信网络规划和建设中，网络管理人员常常需要通过评估未来网络的传输需求和即 将建设的网络吞吐量承载能力来提前获知吞吐量瓶颈，从而能够进行更加高效的网络建 设，节省建设成本。然而，由于多媒体分组数据业务移动通信网络中小区极值吞吐量的难以 预测，网络管理人员必须经常修改网络规划方案来保证小区通信的服务质量（Qualityof Service，简称QoS)。
[0003]在大部分通信网络建设中，评估无线接入网络的极值吞吐量往往是工作的第一 步，极值吞吐量是指在满足特定服务质量指标约束条件下的最大传输量。当网络的传输需 求超过极值吞吐量时，通信服务质量就会下降到难以接受的程度。因此，在通信网络中，较 为准确的极值吞吐量估计方法是非常重要的，它能够在满足特定服务质量指标约束条件的 前提下，最大程度减小网络建设成本。在单一业务蜂窝移动通信系统中，估计极值吞吐量相 对简单；然而，在多媒体业务蜂窝移动通信系统中，由于不同业务使用不同的无线资源和服 务质量指标，极值吞吐量估计任务变得比较困难。一种健壮的小区极值吞吐量估计方法必 须保证通信系统中所有业务的服务质量。
[0004] 为了解决小区极值吞吐量估计问题，有人提出一些理论方法用于全球移动通讯系 统（GlobalSystemofMobilecommunication，简称GSM)、通用移动通信系统（Universal MobileTelecommunicationsSystem，简称UMTS)、长期演进（LongTermEvolution，简称 LTE)等不同的无线接入网中，这些理论方法依赖于对某些实际情况的简化。然而，实际小区 的吞吐量取决于很多难以预测的因素并且随时间和位置而变化，因此，只有对所有这些复 杂情况都加以考虑时才能对极值吞吐量作出恰当的估计。为了处理这种复杂性，也有人通 过仿真的方法对小区极值吞吐量进行估计，然而，想要将所有复杂因素都一起考虑进去，利 用仿真的方法也是难以做到的。
[0005] 取而代之地，有人使用网络的测量数据来提高极值吞吐量估计方法的准确性。这 种基于测量的方法的优点在于它能够得到各小区的吞吐量等数据，因而能够比较准确地反 映小区的实际情况。因此，有人简单地采用线性回归模型估计小区极值吞吐量。然而，这种 方法虽然比较简单，但是存在不少问题。首先，这种方法忽略了变量之间的交互效应和非线 性的因果关系，变量之间可能出现多重共线性，而通信网络中的测量数据并不能保证满足 这些条件；其次，只有在小区忙时采集的测量数据才能更加准确地用于估计小区极值吞吐 量，为了保证采集的数据处于小区忙时，只能以减少样本数量作为折衷，此时往往就变成了 一个小样本问题。由于这些问题的存在，大大降低了采用线性回归模型估计小区极值吞吐 量的准确性。因此，如何准确地估计多媒体业务蜂窝移动通信系统中单小区的极值吞吐量， 就成为了亟待解决的问题。
【发明内容】
[0006] 本发明的目的在于提供一种小区极值吞吐量的估计方法，以解决现有技术难以准 确估计小区的极值吞吐量的技术问题。
[0007] 本发明提供一种小区极值吞吐量的估计方法，包括：
[0008] 数据采集步骤：在预先设定的性能连续测量时间内，以一定的采样时间间隔，从各 小区采集网络配置参数和性能测量数据，获得数据样本集，并定义服务质量指标以标识各 种多媒体分组数据业务的质量类别；
[0009] 训练步骤：以定义好的各服务质量指标作为目标属性，利用数据样本集训练最小 二乘支持向量机回归模型；
[0010] 预测步骤：根据各小区的性能测量数据，利用训练好的最小二乘支持向量机回归 模型，对各服务质量指标进行预测，获得满足最严格服务质量指标的吞吐量，作为各小区极 值吞吐量的估计值。
[0011] 进一步的是，所述数据采集步骤具体包括：
[0012] 选择网络配置参数和性能测量指标，作为小区极值吞吐量估计模型的输入输出参 数；
[0013] 设定性能连续测量时间，以小时作为采样时间间隔，从各小区采集网络配置参数 和性能测量数据，获得初始数据样本集；
[0014] 从所述初始数据样本集中，选取时隙利用率大于预设值的样本数据，作为数据样 本集；
[0015] 根据业务质量类别，定义服务质量指标以标识各种多媒体数据业务。
[0016] 优选的是，所述时隙利用率的预设值为60%。
[0017] 进一步的是，所述训练步骤具体包括：
[0018] 以服务质量指标作为目标属性，以服务质量指标以外的其他参数作为输入数据， 确定训练样本集；
[0019] 建立最小二乘支持向量机回归模型；
[0020] 利用粒子群方法对最小二乘支持向量机回归模型的正则化参数和核宽度参数进 行优化求解，并将结果代回最小二乘支持向量机回归模型；
[0021] 利用训练样本集，训练最小二乘支持向量机回归模型，得到最小二乘支持向量机 回归模型的回归函数。
[0022] 其中，所述利用粒子群方法对最小二乘支持向量机回归模型的正则化参数和核宽 度参数进行优化求解，具体包括：
[0023] 将正则化参数和核宽度参数进行归一化；
[0024] 将正则化参数和核宽度映射成粒子群；
[0025] 定义适应度函数，并初始化粒子的速度和位置，以及最大迭代次数、速度限制值、 粒子数量、加速常数、惯性权重、迭代次数；
[0026] 初始化每个粒子之如走过的所有最优路径的向量，和所有粒子走过的最优路径；
[0027] 进行迭代，并将迭代次数的值+1 ;
[0028] 对于每个粒子，训练最小二乘支持向量机回归模型，并利用均方差评估适应度函 数值；
[0029] 根据适应度函数值，更新粒子之前走过的所有最优路径的向量；
[0030] 更新粒子的速度和位置；
[0031] 更新所有粒子走过的最优路径；
[0032] 判断迭代次数是否达到最大迭代次数，如果没达到则重新进行迭代；
[0033] 如果迭代次数达到了最大迭代次数，则输出当前的所有粒子走过的最优路径对应 的正则化参数和核宽度参数。
[0034] 进一步的是，所述预测步骤具体包括：
[0035] 对于每个小区，将性能连续测量时间内采集到的网络配置参数和性能测量数据取 平均值，作为模型候选数据；
[0036] 设置服务质量指标的预设范围，即设置服务质量指标的软边界和硬边界；
[0037] 从模型候选数据去除服务质量指标，并将剩余参数作为输入数据；
[0038] 将输入数据输入最小二乘支持向量机回归模型中，得到服务质量指标的预测值；
[0039] 判断预测值是否在预设范围以内；
[0040] 如果不在，则使用二倍缩放法确定小区极值吞吐量的估计值；
[0041] 如果在，则将此时输入的吞吐量作为小区极值吞吐量的估计值。
[0042] 其中，所述二倍缩放法具体包括：
[0043] 步骤1，设置初始缩放率r= 2, 〇^为最小二乘支持向量机回归模型的输入吞吐 量；
[0044] 步骤2,判断各个服务质量指标的预测值是否满足预设条件，所述预设条件为，各 个服务质量指标的预测值都不超过硬边界，且至少一个服务质量指标的预测值达到软边 界；如果满足，则进行步骤10,否则进行步骤3;
[0045] 步骤3,判断是否有服务质量指标的预测值超过硬边界；如果没有则进行步骤4， 如果有则进行步骤5;
[0046] 步骤4,循环执行(：_=C^Xr并更新各个服务质量指标的预测值，直至任一服务 质量指标的预测值达到软边界，然后进行步骤6;
[0047] 步骤5,循环执行(：_=C 并更新各个服务质量指标的预测值，直至各个服务 质量指标的预测值都不超过硬边界，然后进行步骤7;
[0048]步骤 6,设置Cleft=Cmid/r，Cright=Cmid，并进行步骤 8;
[0049]步骤 7,设置Cleft=Cmid，Cright=CmidXr，并进行步骤 8;
[0050] 步骤8,执行(Cleft+C"ght) /2,并更新各个服务质量指标的预测值，然后判断 各个服务质量指标的预测值是否满足预设条件；如果满足，则进行步骤10,否则进行步骤 9 ；
[0051] 步骤9,判断是否有服务质量指标的预测值超过硬边界；如果有则设置C"ght = ，如果没有则设置Clrft=C_，然后返回步骤8 ;