跟踪区优化划分方法和装置制造方法
【专利摘要】本发明公开了一种跟踪区优化划分方法与装置，先将用户成本和基站成本中任一个作为目标函数，另一个作为约束条件，根据目标函数和约束条件对跟踪区/跟踪区列表进行数学建模；然后从空间和时间两个维度上对用户进行聚类分析，通过位置相关和时间相关两类用户的特性来获取数学模型的启发式信息；再运用遗传算法求解数学模型的解；最后根据所获得的数学模型的解进行跟踪区优化划分。本发明在寻呼成本、跟踪区更新成本和跟踪区重构成本三者之间达到了均衡；对用户进行预测聚类分析，使获得的结果更加贴近实际，具有很好的工程应用价值；运用遗传算法可以快速求解出数学模型的最优解，同时确保解的准确性，适合实际应用。
【专利说明】跟踪区优化划分方法和装置
【技术领域】
[0001]本发明涉及网络优化【技术领域】，特别是涉及一种跟踪区优化划分方法和装置。
【背景技术】
[0002]随着中国4G LTE网络商用牌照的发放，TD-LTE网络的规划与建设已经如火如荼地开展。在TD-LTE网络中，数据业务服务预计会大幅度的增加，同时，更加强调用户的移动性管理和服务质量。这一切都使得4G LTE移动通信网络系统的设计和优化面临巨大的挑战。
[0003]与3G 中位置区(Location Area, LA) / 路由区(Routing Area, RA)的概念相类似，跟踪区(Tracking Area, TA)是LTE网络中核心网引入的概念，属于用户设备(UserEquipment, UE)漫游的最小颗粒，用于核心网移动性管理实体(Mobility ManagementEntuty1MME)侧对UE的跟踪和快速寻呼管理。TA是一簇小区的集合，用跟踪区域标示(Tracking Area Index, TAI)进行标识。在用户侧,不同的用户在激活LTE网络注册的时候，均会获得一个跟踪区列表(Tracking Area List, TA List)。TA List里面是两层分布结构，一般包含一组TA，同时，一个TA里面包含一组小区。一个简易的TA List模型如图1所示。单个小区只能属于一个TA，但同一个基站下面的小区可以属于不同的TA。
[0004]TA/TA List的设定和划分，其主要作用体现在当UE移动漫游的时候，核心网可以依据TA/TA List对UE进行快速定位。当UE有寻呼请求时，核心网会向TA List里面所有的小区发出寻呼信息，UE必然会属于其中一个小区内，收到寻呼信息后就能知UE具体的位置。与传统的UE始终处于激活状态，需要频繁的进行信令交互相比，TA/TA List的设置可以有效地减小信令的开销，同时也能快速完成对UE的寻呼定位。
[0005]当UE在核心网注册激活的时候，核心网会为其分配一组TA List。当UE移动超出TA List的范围的时候，UE需要读取系统的广播信息，获得核心网的MME为该小区配置的TAList,并申请发起跟踪区更新(Tracking List Update, TAU)过程。当UE发起TAU过程后，MME会为UE重新分配当前UE所驻留的小区的TA List。TAU过程本身会产生信令交互。
[0006]在TA/TA List设置的过程中，TA和TA List的规模要适宜，若是设定规模太大，包含较多的TA和小区，则会造成在核心网寻呼定位的时候寻呼过载，导致寻呼成功率下降；寻呼时间过长也会消耗UE的电池能量，造成UE本身续航时间不长。但同时，TA List的规模设置过小的话，会造成UE侧的TAU过于频繁，加重MME的负担，达不到TA list设定的为了减小信令开销的目的。此外，对TA的边界要尽量做到有规则，不应让UE频繁的进行TAList更新，尽量以市区中的山体、河流等作为TA的边界。若是UE大规模的频繁移动，可以会导致TA重构，即小区自身的TA配置发生改变，这对于小区内所有的UE的服务来说，TA重构会带来系统时延，这会使得UE产生TA重置的代价。例如，当UE使用的是对时延非常敏感的服务(视频通话、语音服务等)的时候，TA重构会对服务质量产生严重的影响。
[0007]关于TA/TA List划分现有的技术方案有:基于运动模型的自组织TA List划分算法，在该技术方案中，作者用马尔科夫链对UE的移动进行建模，并对用户的移动趋势进行预测，根据用户的移动对系统的TA list进行更新。基于图划分模型的TA划分算法，在该技术方案中，作者将TA规划建模成一个图划分问题，用图中的节点作为小区内用户的寻呼量，将图中的每一条边作为小区之间移动的用户数量，最终通过运用现有的图划分算法对其进行求解。
[0008]基于运动模型的自组织TA List划分算法，其主要特点在于使用马尔科夫链对UE的移动趋势做出预测，在得到一个初步的TA List之后，逐步对其进行优化更新，其使用马尔科夫链需要预先知道每一步用户具体状态的跳变概率，这在模型中是假设用户已知，但这并与实际并不相符合，使得本身并不能完整的对用户的移动进行合理的建模，且该TA规划本身是渐变式的，通过用户的移动随着时间逐渐改进，在实际中，用户的移动会改变TA内的总体用户数和用户的寻呼量，直接用马尔科夫链进行建模，并不能体现这种变化。基于图划分模型的TA规划方法，其将TA划分问题建模成图划分问题，这会带来大量的计算量，计算复杂度过大，使得其并不能直接指导工程设计工作。
【发明内容】
[0009]基于上述情况，本发明提出了一种跟踪区优化划分方法，计算简单，结果准确，与实际情况相符，具有很好的工程应用价值。
[0010]为了实现上述目的，本发明的技术方案为:
[0011]一种跟踪区优化划分方法，包括以下步骤:
[0012]将用户成本和基站成本中任一个作为目标函数，另一个作为约束条件，根据所述目标函数和约束条件对跟踪区/跟踪区列表进行数学建模，所述用户成本包括跟踪区更新成本与寻呼成本，所述基站成本包括跟踪区重构成本；
[0013]从空间和时间两个维度上对用户进行聚类分析，通过位置相关和时间相关两类用户的特性来获取数学模型的启发式信息，所述启发式信息包括数学模型中未知参数的值；
[0014]基于所获取的数学模型的启发式信息，运用遗传算法求解数学模型的解，所述数学模型的解包括小区与跟踪区之间的关系；
[0015]根据所获得的数学模型的解进行跟踪区优化划分。
[0016]针对现有技术问题，本发明还提出了一种跟踪区优化划分装置，进行便捷准确地跟踪区划分，符合实际情况，适合应用。
[0017]具体实现方式为:一种跟踪区优化划分装置，包括:
[0018]数学建模模块，用于将用户成本和基站成本中任一个作为目标函数，另一个作为约束条件，根据所述目标函数和约束条件对跟踪区/跟踪区列表进行数学建模，所述用户成本包括跟踪区更新成本与寻呼成本，所述基站成本包括跟踪区重构成本；
[0019]聚类分析模块，用于从空间和时间两个维度上对用户进行聚类分析，通过位置相关和时间相关两类用户的特性来获取数学模型的启发式信息，所述启发式信息包括数学模型中未知参数的值；
[0020]求解模块，基于所获取的数学模型的启发式信息，运用遗传算法求解数学模型的解，所述数学模型的解包括小区与跟踪区之间的关系；
[0021]优化划分模块，用于根据所获得的数学模型的解进行跟踪区优化划分。
[0022]与现有技术相比，本发明的有益效果为:本发明跟踪区优化划分方法与装置，先将用户成本和基站成本中任一个作为目标函数，另一个作为约束条件，根据所述目标函数和约束条件对跟踪区/跟踪区列表进行数学建模，用户成本包括跟踪区更新成本与寻呼成本，基站成本包括跟踪区重构成本；然后从空间和时间两个维度上对用户进行聚类分析，通过位置相关和时间相关两类用户的特性来获取数学模型的启发式信息，启发式信息包括数学模型中未知参数的值；再基于所获取的数学模型的启发式信息，运用遗传算法求解数学模型的解，数学模型的解包括小区与跟踪区之间的关系；最后根据所获得的数学模型的解进行跟踪区优化划分。使用本发明的技术后，在寻呼成本、跟踪区更新成本和跟踪区重构成本三者之间达到了均衡；对用户进行预测聚类分析，使获得的结果更加贴近实际，具有很好的工程应用价值；运用遗传算法可以快速求解出数学模型的最优解，同时确保解的准确性，适合应用。
【专利附图】
【附图说明】
[0023]图1为一个实施例中跟踪区列表模型的结构示意图；
[0024]图2为一个实施例中跟踪区优化划分方法的流程示意图；
[0025]图3为一个实施例中用户在时间和空间两个维度上的聚类示意图；
[0026]图4为一个实施例中运用遗传算法求解出数学模型的最优解的流程示意图；
[0027]图5为一个实施例中跟踪区优化划分装置的结构示意图。
【具体实施方式】
[0028]为使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步的详细说明。应当理解，此处所描述的【具体实施方式】仅仅用以解释本发明，并不限定本发明的保护范围。
[0029]一个实施例中跟踪区优化划分方法，如图2所示，所述方法包括:
[0030]步骤SlOl:将用户成本和基站成本中任一个作为目标函数,另一个作为约束条件，根据所述目标函数和约束条件对跟踪区/跟踪区列表进行数学建模，所述用户成本包括跟踪区更新成本与寻呼成本，所述基站成本包括跟踪区重构成本；
[0031]步骤S102:从空间和时间两个维度上对用户进行聚类分析，通过位置相关和时间相关两类用户的特性来获取数学模型的启发式信息，所述启发式信息包括数学模型中未知参数的值；
[0032]步骤S103:基于所获取的数学模型的启发式信息，运用遗传算法求解数学模型的解，所述数学模型的解包括小区与跟踪区之间的关系；
[0033]步骤S104:根据所获得的数学模型的解进行跟踪区优化划分。
[0034]从以上描述可知，本方法将跟踪区划分问题归结为目标函数和约束条件的规划问题，从时间和空间两个维度上对用户进行聚类分析，以此来获得启发式信息来辅助优化求解，同时，利用遗传算法对模型进行快速求解，具有较好的工程应用价值。
[0035]作为一个实施例，所述将用户成本和基站成本中任一个作为目标函数，另一个作为约束条件，根据所述目标函数和约束条件对跟踪区/跟踪区列表进行数学建模，所述用户成本包括跟踪区更新成本与寻呼成本，所述基站成本包括跟踪区重构成本的具体步骤包括:[0036]将跟踪区更新成本最小化与寻呼成本最小化进行组合作为目标函数:
【权利要求】
1.一种跟踪区优化划分方法，其特征在于，包括以下步骤: 将用户成本和基站成本中任一个作为目标函数，另一个作为约束条件，根据所述目标函数和约束条件对跟踪区/跟踪区列表进行数学建模，所述用户成本包括跟踪区更新成本与寻呼成本，所述基站成本包括跟踪区重构成本； 从空间和时间两个维度上对用户进行聚类分析，通过位置相关和时间相关两类用户的特性来获取数学模型的启发式信息，所述启发式信息包括数学模型中未知参数的值； 基于所获取的数学模型的启发式信息，运用遗传算法求解数学模型的解，所述数学模型的解包括小区与跟踪区之间的关系； 根据所获得的数学模型的解进行跟踪区优化划分。
2.根据权利要求1所述的跟踪区优化划分方法，其特征在于，所述将用户成本和基站成本中任一个作为目标函数，另一个作为约束条件，根据所述目标函数和约束条件对跟踪区/跟踪区列表进行数学建模，所述用户成本包括跟踪区更新成本与寻呼成本，所述基站成本包括跟踪区重构成本的具体步骤包括: 将跟踪区更新成本最小化与寻呼成本最小化进行组合作为目标函数:minZ Σ (c MiM-.Kij) + acPuiKij) ’其中i，j表示小区的编号,N表示小区总的集合；cu表
/eA /eiV, 1Φ1示单个用户跟踪区更新成本;MU表示从小区i移动到小区j的用户个数；α表示单个小区内用户的寻呼率；cp表示单个用户寻呼成本；Ui表示小区i的用户总个数；KU表示单个跟踪区下小区i与小区j的关系； 确定小区i与跟踪区I的关系各G“ =1 ’ Z.eiV’其中N表示小区总的集合，I e L，L
IeL表示跟踪区总的集合，Gil表示小区i与跟踪区I的归属关系； Kij 与 Gil 的关系=GiJGjl-1 ( Kij ；Κ^.+6α-1 ( Gjl, i，j e N，I e L，其中 N表示小区总的集合，L表示跟踪区总的集合，Gil表示小区i与跟踪区I的归属关系，Gjl表示小区j与跟踪区I的归属关系，Kij表示单个跟踪区下小区i与小区j的关系； 小区1、小区j与小区η的关系:!^.+Kjn-Kin= I, i, j, n e N, i ^ j ^ η,其中N表示小区总的集合，Ku表示单个跟踪区下小区i与小区j的关系，K#表示单个跟踪区下小区j与小区η的关系，Kin表示单个跟踪区下小区i与小区η的关系； 将跟踪区重构成本作为约束条件:Σ"α —乂单个时隙内一个小区内用户的跟踪区重构成本要低于预定值B，其中Ui表示小区i的用户总个数，GtiC1表示在单个时隙内小区i内用户的跟踪区变化。
3.根据权利要求1所述的跟踪区优化划分方法，其特征在于，所述将用户成本和基站成本中任一个作为目标函数，另一个作为约束条件，根据所述目标函数和约束条件对跟踪区/跟踪区列表进行数学建模，所述用户成本包括跟踪区更新成本与寻呼成本，所述基站成本包括跟踪区重构成本的具体步骤包括: 将跟踪区重构成本最小化作为目标函数:minIM1 ―士)，其中Ui表示小区i的用户
i已N总个数，G,,?表示在单个时隙内小区i内用户的跟踪区变化；确定小区i与跟踪区I的关系:
4.根据权利要求1所述的跟踪区优化划分方法，其特征在于，所述从空间和时间两个维度上对用户进行聚类分析，通过位置相关和时间相关两类用户的特性来获取数学模型的启发式信息，所述启发式信息包括数学模型中未知参数的值的具体步骤包括: 在空间维度上聚类:设定一个聚类距离L1，对用户进行空间聚类，设定聚类中心节点，以中心节点为圆心，计算用户与中心节点之间的距离，以L1为半径的范围作为一个跟踪区；在时间维度上聚类:在空间维度聚类的基础上，设定观察时间，在所述观察时间内，统计单个时隙内小区之间用户的切换统计数据，根据所述切换统计数据对小区进行聚类；根据聚类的结果，获取数学模型的启发式信息，包括:参数Ku、Mij, Gil和七的值，其中Kij表示单个跟踪区下小区i与小区j的关系，Μ、表示从小区i移动到小区j的用户个数，Gil表示小区i与跟踪区I的归属关系，^7。表示在单个时隙内小区i内用户的跟踪区变化；其中，所述聚类中心节点由以下步骤计算得到: 任意选择m个用户作为初始中心点Oi，对应的类为Ci，i e {1,2, - ,m}； 计算用户Pi与初始中心点Oi的相似度(!(Oi, Pi)，Pi e Po, Pi.φ Oi, Po表示用户总的集合； 将与初始中心点Oi最相似的用户p,p e Pi指派到相应的类中P e Ci,并计算评价函数 m.的值=
5.根据权利要求1所述的跟踪区优化划分方法，其特征在于，所述基于所获取的数学模型的启发式信息，运用遗传算法求解数学模型的解，所述数学模型的解包括小区与跟踪区之间的关系的具体步骤包括: 设定数学模型的解的初始变量为A (O) = ^ (O)，…，an (O)，…aN (O)}，将所得到的目标函数作为适应度函数，计算ax (O)的适应度为Fx (O)，x=l, 2，…，N ; 对A(O)进行选择运算:设定交叉概率，对A(O)进行交叉运算；设定变异概率，对A(O)进行变异运算； 计算得到A (t) = …，an(t),...aN(t)}，t表示迭代次数； 约束条件处理:得到的ax (t)，x=l, 2，…，N满足所设定的约束条件，与预设目标相符的为优；得到的ax(t)，x=l, 2，…，N不满足所设定的约束条件，超出量最小的为优； 得到满足所设定的约束条件的A' (t) = {a/⑴，…，an'⑴，…a/ (t)}，M≤N，计算已^⑴的适应度？^ (t), x=l, 2，…，M ; 重复以上步骤，直至迭代次数t大于预设的总的迭代次数T，结束计算，求解出数学模型的最优解。
6.一种跟踪区优化划分装置，其特征在于，包括: 数学建模模块，用于将用户成本和基站成本中任一个作为目标函数，另一个作为约束条件，根据所述目标函数和约束条件对跟踪区/跟踪区列表进行数学建模，所述用户成本包括跟踪区更新成本与寻呼成本，所述基站成本包括跟踪区重构成本； 聚类分析模块，用于从空间和时间两个维度上对用户进行聚类分析，通过位置相关和时间相关两类用户的特性来获取数学模型的启发式信息，所述启发式信息包括数学模型中未知参数的值； 求解模块，基于所获取的数学模型的启发式信息，运用遗传算法求解数学模型的解，所述数学模型的解包括小区与跟踪区之间的关系； 优化划分模块，用于根据所获得的数学模型的解进行跟踪区优化划分。
7.根据权利要求6所述的跟踪区优化划分装置，其特征在于，所述将用户成本和基站成本中任一个作为目标函数，另一个作为约束条件，根据所述目标函数和约束条件对跟踪区/跟踪区列表进行数学建模，所述用户成本包括跟踪区更新成本与寻呼成本，所述基站成本包括跟踪区重构成本的具体步骤包括: 将跟踪区更新成本最小化与寻呼成本最小化进行组合作为目标函数:
8.根据权利要求6所述的跟踪区优化划分装置，其特征在于，所述将用户成本和基站成本中任一个作为目标函数，另一个作为约束条件，根据所述目标函数和约束条件对跟踪区/跟踪区列表进行数学建模，所述用户成本包括跟踪区更新成本与寻呼成本，所述基站成本包括跟踪区重构成本的具体步骤包括: 将跟踪区重构成本最小化作为目标函数:，其中Ui表示小区i的用户
总个数，表示在单个时隙内小区i内用户的跟踪区变化； 确定小区i与跟踪区I的关系:Σ&=1，实中N表示小区总的集合，
9.根据权利要求6所述的跟踪区优化划分装置，其特征在于，所述从空间和时间两个维度上对用户进行聚类分析，通过位置相关和时间相关两类用户的特性来获取数学模型的启发式信息，所述启发式信息包括数学模型中未知参数的值的具体步骤包括: 在空间维度上聚类:设定一个聚类距离L1，对用户进行空间聚类，设定聚类中心节点，以中心节点为圆心，计算用户与中心节点之间的距离，以L1为半径的范围作为一个跟踪区； 在时间维度上聚类:在空间维度聚类的基础上，设定观察时间，在所述观察时间内，统计单个时隙内小区之间用户的切换统计数据，根据所述切换统计数据对小区进行聚类；根据聚类的结果，获取数学模型的启发式信息，包括:参数Ku、Mij, Gil和^。的值，其中Kij表示单个跟踪区下小区i与小区j的关系，Μ、表示从小区i移动到小区j的用户个数，Gil表示小区i与跟踪区I的归属关系,?。表示在单个时隙内小区i内用户的跟踪区变化； 其中，所述聚类中心节点由以下步骤计算得到: 任意选择m个用户作为初始中心点Oi，对应的类为Ci，i e {1,2, - ,m}； 计算用户Pi与初始中心点Oi的相似度(!(Oi, Pi)，Pi e Po, Pi.φ Oi, Po表示用户总的集合； 将与初始中心点Oi最相似的用户P,P e Pi指派到相应的类中P e Ci,并计算评价函数的值:
10.根据权利要求6所述的跟踪区优化划分装置，其特征在于，所述基于所获取的数学模型的启发式信息，运用遗传算法求解数学模型的解，所述数学模型的解包括小区与跟踪区之间的关系的具体步骤包括: 设定数学模型的解的初始变量为A (O) = ^ (O)，…，an (O)，…aN (O)}，将所得到的目标函数作为适应度函数，计算ax (O)的适应度为Fx (O)，x=l, 2，…，N ; 对A(O)进行选择运算:设定交叉概率，对A(O)进行交叉运算；设定变异概率，对A(O)进行变异运算； 计算得到A (t) = …，an(t),...aN(t)}，t表示迭代次数； 约束条件处理:得到的ax (t)，x=l, 2，…，N满足所设定的约束条件，与预设目标相符的为优；得到的ax(t)，x=l, 2，…，N不满足所设定的约束条件，超出量最小的为优； 得到满足所设定的约束条件的A' (t) = {a/⑴，…，an'⑴，…a/ (t)}，M≤N，计算已^⑴的适应度？^ (t), x=l, 2，…，M ; 重复以上步骤，直至迭代次数t大于预设的总的迭代次数T，结束计算，求解出数学模型的最优解。
【文档编号】G06F17/30GK103810270SQ201410042471
【公开日】2014年5月21日 申请日期:2014年1月28日 优先权日:2014年1月28日
【发明者】杨超, 肖恒辉, 李炯城, 陈运动, 赖志坚 申请人:广东省电信规划设计院有限公司