专利名称：实现邻区列表和负载均衡联合优化的系统的制作方法
技术领域：
本发明涉及LTE网络下的SON(Self-Organizing Network)技术,具体的涉及一种实现邻区列表和负载均衡联合优化的系统。
背景技术：
S0N(Self-Organizing Network)是在LTE的网络的标准化阶段由移动运营商主导提出的概念，其主要思路是实现无线网络的一些自主功能，减少人工参与，降低运营成本。NGMN中的移动运营商对SON的部署有强烈的需求，于是纷纷投入SON需求的研究，发布有关SON的白皮书和建议书。3GPP也在重点研究SON和当前电信管理网络的实现方案。欧盟也在进行两个相关项目，一个主要由欧洲主要运营商、设备商共同承担，从SON的 技术方案、实现方法及验证平台入手，研究SON对网络运维产生的影响；另一项目是利用感知无线电和分布式感知原理进行前沿重点研究。MLB (Mobility Load Balancing)处理的根本目的在于通过调整切换参数，以用户切换的方式把过载小区中适当比例的负载转移到不过载的小区中，也就是把两个小区中的用户终端从过载的小区切换到尚未过载的小区。要实现MLB，负载的获取必不可少，与通用移动通信系统(UMTS)相比，LTE系统的最大特点是采用了更扁平化的架构，取消了用户终端和无线移动实体/服务网关(MME/S-GW)之间的中间控制节点(即UMTS中的无线网络控制节点)，因此相比SI接口上的均衡处理而言，X2接口上的小区负载信息交换为负载获取提供了方便。由于MLB最终是通过切换实现，而切换又与邻区列表密切相关。在蜂窝式移动通信网络中，每个小区都有一张邻区列表，该表记录了与当前小区相关的邻区，它决定了移动终端搜索的范围和切换的方向。正确而完整的邻区关系列表非常重要，邻区关系做的太少，会出现邻区漏配的现象，这会直接导致大量的掉话；邻区关系做的太多，则不仅会导致测量报告的精确性降低而且会大大提高运营商的运营成本。传统邻区列表的建立都是基于邻区信号强度的大小，并没有考虑邻区负载的状况。强化学习(Reinforcement Learning,RL)可以从延迟的回报中获取最优的控制策略。一个可学习的智能体，它可以观察环境的状态并能做出一组动作改变这些状态，学习的任务是获得一个控制策略，以选择能达到目的的行为。Q-学习算法是由Watkins在1989年提出的类似于动态规划算法的一种强化学习方法，它提供智能系统在马尔科夫环境中利用经历的动作序列选择最优动作的一种学习能力，并且不需要建立环境模型。
发明内容
(一)要解决的技术问题本发明为了解决和实现过载小区和非过载小区之间用户切换的问题，本发明提出了一种实现邻区列表和负载均衡联合优化的系统。(二)技术方案
为解决上述技术问题，本发明提供了一种实现邻区列表和负载均衡联合优化的系统，所述系统包括负载监测模块，用于对服务小区和邻区的负载状态进行周期性监测，并交互负载状态；邻区信号统计模块，用于统计服务小区中终端测量的邻区的信号质量；邻区列表建立模块，用于依据服务小区和邻区各自的负载状态及统计的信号质量建立邻区列表，并发送邻区列表给参数调整模块；参数调整模块，用于根据所述邻区列表动态调整切换参数，以进行切换，并将调整后的参数反馈给负载检测模块和邻区信号统计模块。其中，所述负载监测模块中负载状态的计算公式为
权利要求
1.一种实现邻区列表和负载均衡联合优化的系统，其特征在于，所述系统包括 负载监测模块，用于对服务小区和邻区的负载状态进行周期性监测，并交互负载状态； 邻区信号统计模块，用于统计服务小区中终端测量的邻区的信号质量； 邻区列表建立模块，用于依据服务小区和邻区各自的负载状态及统计的信号质量建立邻区列表，并发送邻区列表给参数调整模块； 参数调整模块，用于根据所述邻区列表动态调整切换参数，以进行切换，并将调整后的参数反馈给负载检测模块和邻区信号统计模块。
2.如权利要求I所述的实现邻区列表和负载均衡联合优化的系统，其特征在于，所述负载监测模块中负载状态的计算公式为
3.如权利要求I所述的实现邻区列表和负载均衡联合优化的系统，其特征在于，所述服务小区和邻区通过Χ2接口交互负载信息。
4.如权利要求I所述的实现邻区列表和负载均衡联合优化的系统，其特征在于，所述邻区列表建立模块建立邻区列表的过程为 按照预设的负载优先级的大小对邻区做优先级排序； 计算邻区信号强度的优先级，按照信号强度优先级顺序对相同负载的邻区再排序。
5.如权利要求4所述的实现邻区列表和负载均衡联合优化的系统，其特征在于，所述邻区信号强度优先级的计算方法为
6.如权利要求I所述的实现邻区列表和负载均衡联合优化的系统，其特征在于，所述切换参数为指A3事件触发条件中的小区偏置H :Mn>Mp+H 其中Mn是邻区信号强度； Mp是服务小区信号强度； H是小区偏置。
7.如权利要求6所述的实现邻区列表和负载均衡联合优化的系统，其特征在于，所述参数调整模块参数调整的过程为 初始化Q (s，a)，设定折扣因子Y和初始学习率α，以及动作选择算法中的初始探索概率ε，Q(s，a)为强化学习函数； 获取当前状态s, s e S,系统状态空间S {vh, h, m, I, vl} vh, h, m, I, vl表示负载由高到低的5个等级； 选择执行的动作a，a e A，可选动作集Α:{-Λ，2Λ，+Λ，+2Λ}，Δ是参数H的单位调整步长，以△为基本单位，根据此状态的动作函数值Qt (s，a)，采用ε贪婪算法，从动作集中选择动作a并执行，具体以概率(I - ε )选择Qt (s，a)值最大的动作，而以探索概率ε选择其它任一个动作； 获取回报r和下一时刻的状态s '，根据动作执行结果按照r(t) = (F*-F) + a φΜ)) + β ( L*-L)计算当前回报 r，其中 F*是(t - T，t)时间内服务小区统计的异常切换次数占总切换次数的比例上限； F是(t - T，t)内服务小区统计的到目标邻区的异常切换次数占总切换次数的比例； a、β是相关系数，由运营商设定依据相互关系设定； D*是(t - T，t)内服务小区统计的掉话次数上限； D是(t 一 T，t)内服务小区统计的掉话次数； L*是服务小区高负载门限； L是服务小区当前负载； 找到下一状态的动作值函数最大值，根据Li = —+a)，其中a t 是 t 时刻的学习率，是一个变步长的参数，且0〈at〈l 为折扣因子，且O彡Y彡中的a'是系统在t时刻处于s'状态时，对应的所有行为中Q值最大的那个动作； 每轮迭代结束后更新学习率和贪婪算法中的探索概率ε，使学习率和探索概率以负指数规律随着学习的过程逐渐减少为O。
全文摘要
本发明公开了一种实现邻区列表和负载均衡联合优化的系统，所述系统包括负载监测模块，用于对服务小区和邻区的负载状态进行周期性监测，并交互负载状态；邻区信号统计模块，用于统计服务小区中终端测量的邻区的信号质量；邻区列表建立模块，用于依据服务小区和邻区各自的负载状态及统计的信号质量建立邻区列表，并发送邻区列表给参数调整模块；参数调整模块，用于根据所述邻区列表动态调整切换参数，以进行切换，并将调整后的参数反馈给负载检测模块和邻区信号统计模块。本发明的邻区列表兼顾信号强度和小区负载，根据该邻区列表进行切换参数调整，并按切换参数对用户进行小区切换，相对于现有的切换方式更合理。
文档编号H04W28/08GK102905307SQ20121033783
公开日2013年1月30日 申请日期2012年9月12日 优先权日2012年9月12日
发明者滕颖蕾, 宋梅, 王景尧, 秦文聪, 王莉, 张勇, 张羽, 牟善文, 邢益海 申请人:北京邮电大学