一种超密集异构蜂窝网络中的用户移动速度估计方法与流程

本发明属于信息
技术领域：
，具体涉及一种超密集异构蜂窝网络中的用户移动速度估计方法。
背景技术：
：在5g的研究过程中，针对部分区域极高的移动数据需求，提出了在热点地区超密集、大规模地部署低功率基站的规划方案，以有效解决该地区的网络数据吞吐量需求过大的问题。在超大密度异构基站部署的网络场景中，移动性管理成为了不可忽视的重要问题。用户移动性管理优化过程中一个重要参量是用户终端的移动速度。基站需要对用户终端的移动速度进行估计，以此优化用户的移动性管理过程中的各项参数。目前，国内外对于用户移动速度判定有多家科研院校和设备运营商申请专利。2000年诺基亚公司给出了确定用户终端速度以及在无线系统中选择小区的一种方法以应用该方法的无线系统装置(cn1255272a)。该方法利用接收的信号功率生成某一概率，表示不同时间点测得功率的互相关性，在装置中利用该速率测定用户终端速度。电子科技大学2002年设计一种根据单位时间内移动台测得的信号质量最好的微小区基站的变化次数来判定用户移动速度等级的方法(cn1464644a)。同时，大唐移动通信公司2003年设计了一种利用终端上报的上行信号的时间提前量和智能天线方向到达角度计算用户的移动速度和方向的方法(cn1549609a)。华为公司2005年设计了一种利用设定时间段内用户终端切换到不同基站间的距离，计算用户移动速度，以及消除乒乓切换对于速度估计影响的方法(cn1867176a)。2007年，日本电气株式会社设计一种利用频率偏移收敛的无线信道估计结果来计算移动终端运动速度的方法(cn101401477a)。上海无线通信研究中心2009年给出了一种利用为用户在不同类型基站切换添加不同的权重，来优化用户速度等级划分的方法(cn101925148a)。2013年普天信息技术有限公司提出一种利用时域接收信号计算自相关函数，再根据映射关系得到用户移动速度的方法(cn104639488a)。2014年北京邮电大学提出了一种动态调节不同基站类型权重以优化用户移动速度等级划分的方法(cn104244342a)。阿尔卡特朗讯公司在2015年提出一种利用测量信号强度的频谱分析确定用户速度的方法(cn105165080a)。在2016年提出一种通过用户发射功率对时间求导，再根据映射关系确定用户设备速度的方法(cn105531600a)。由上述调研结果可以看出，目前异构蜂窝网络中rrc层(radioresourcecontrol，无线资源控制层)的用户速度估计主要集中在用户速度等级划分，缺乏更精确的用户速度估计方法；而较为准确的用户速度估计方法主要集中在物理层，算法复杂度较高。技术实现要素：本发明实例提供了一种在高密度部署的异构蜂窝网络情境下用户移动速度的估计方法，该方法能够在rrc层较为准确的估计用户速度，同时算法的复杂度较低。本发明采用的技术方案如下：一种超密集异构蜂窝网络中的用户移动速度估计方法，其步骤包括：1)根据微基站的分布密度，确定异构蜂窝网络中各类型小区的权重；2)当用户切换到新小区时，根据基站广播的系统信息获取小区类型，然后根据对应的小区的权重计算加权的切换次数；3)根据用户每次切换小区时得到的加权的切换次数，得到在切换统计时间内的总切换次数，进而利用速度估计公式计算用户移动速度。进一步地，步骤3)所述速度估计公式为其中n为所述总切换次数，t是切换次数统计间隔时间，μ是微基站的分布密度。进一步地，所述小区包括微基站小区pico或femto中的一种或两种，在此基础上包括宏基站小区的一种或多种。进一步地，设定微小区的权重为1，宏基站小区的权重根据微基站的分布密度确定。进一步地，用户在获得小区类型后，若服务小区是微基站小区，则将切换次数npico累加1；若服务小区是宏基站小区，则将切换次数nmacro累加1，并与权重α相乘，总切换次数n的计算公式为：n＝npico+α·nmacro。进一步地，在微基站的密度为3000个/平方公里的场景下，宏基站小区的权重α为1。进一步地，步骤3)中用户判断本次切换统计时间是否结束，若未结束，则重复步骤1)和步骤2)，若本次切换统计时间已经结束，则获取计算的总切换次数。进一步地，在计算得到用户移动速度后，通过测量报告将速度反馈给服务基站。本发明提出了一种超密集异构蜂窝网络中的移动速度估计方法，该方法利用一定时间内用户在异构蜂窝网络切换次数和基站的分布密度计算用户移动速度，在rrc层实现用户速度的直接估计。该方法得到的用户移动速度误差较小，计算复杂度低。本发明利用传统lte系统中的mse移动状态估计的机制和信息，通过添加小区权重系数并给出速度计算公式，在不增加原有信令负担的条件下在异构蜂窝网络体系中实现了更准确的移动速度估计。结果表明，采用本发明的改进后的算法得出的用户移动速度估计误差在20％上的用户比例下降了约5％。附图说明图1是用户速度估计流程图。图2是高密度微微基站用户移动示意图。图3是速度估计方差随运动时间及测量间隔时间变化曲线图。图4是速度估计均值方差随宏基站切换权重变化曲线图。图5是用户速度估计误差统计图。图6是用户速度估计误差概率分布对比图。具体实施方式为使本发明的上述目的、特征和优点能够更加明显易懂，下面通过具体实施例和附图，对本发明做进一步说明。参考图1，本发明提供的一种超密集异构蜂窝网络中的用户终端移动速度估计方法，其步骤包括：步骤1：用户切换到新小区时，接收基站广播的系统信息。当用户切换到新小区时，服务小区通过系统信息广播向用户发送周期间隔时间t以及小区类型等信息。所述小区至少包括微型小区pico或femto中的一种或两种，在此基础上包括宏基站小区的一种或多种。步骤2：终端获取当前小区类型后，根据权重累加本次切换。用户在获得小区类型后，若服务小区是pico、femto等微基站小区，则将切换次数npico累加1；若服务小区是宏基站小区，则切换次数nmacro累加1，并与权重α相乘。设定微小区的权重为1，宏基站小区的权重根据微小区基站的分布密度确定，需要根据实际情况尝试得到最优值。在微基站的密度为3000个/平方公里的典型场景下，宏基站小区的最优权重α＝1。步骤3：用户判断切换统计时间是否结束，得到用户在周期时间内的加权切换次数总和n。用户判断当前本次切换统计周期时间是否结束，若未结束，则重复前述步骤1和步骤2。若本期切换统计已经结束，则获取计算的加权总切换次数n。步骤4：终端利用加权切换次数总和，计算用户的移动速度。用户得到总切换次数n＝npico+α·nmacro后，根据公式计算用户移动速度。这里，t是切换次数统计间隔时间，μ是微基站的分布密度，单位：个/平方千米。用户终端计算得到移动速度后，可通过测量报告将估计速度反馈给服务基站。上述计算用户移动速度的公式的简要推导过程如下：假设当前用户所在基站的位置为xn-1，未来一段时间以特定速度移动并且换到位置xn的下一基站，移动方向在[0，2π]内均匀分布，转移向量ln＝||xn-xn-1||是非负的随机变量，服从瑞利分布。设x(k)＝{x1,...,xk}为k个区域序列。假设用户移动距离l的过程中，经过基站xk的区域相交于这里，φ是用户移动所在平面，l满足：i.用νl(φ)表示。ii.其中ri表示区域平面上的点集。设k个基站范围的重合区域为考虑两个区域与运动轨迹的重合部分fl(x(2)|φ)＝f(x(2)|φ)∩l。定义两个重合区域与轨迹l相交的基站区域的部分则该部分的节点密度为这里，χ{p}是指示变量，括号内条件p满足时为1，不满足时为0。zl(x(2)|φ)是νl(φ)的质心，是波莱尔集合，|bl|1是bl的容量。设置l＝ln＝1＝l(x0,x1)，bl为区间[x0,x1]，向量x1＝(r,θ)，其中r、θ分别表示运动距离和方向，则切换次数n的期望为：这里，对于密度为μ的泊松范诺区域，线性密度满足由上述证明可以看出，若用户在时间t内大致保持(r,θ)的移动方向不变，则切换次数n的期望为因此，得到用户速度的估计量为考虑由宏基站和高密度部署的微微基站组成的异构网络场景，假设微微基站以一定密度随机均匀的部署于宏基站的小区中。用户在微微基站的部署范围内均匀分布，并按照高斯马尔科夫运动模型在近似直线的位置上移动，运动的长期均衡速度为用户持续接收并追踪来自周围基站的信号功率并进行移动性管理。假设用户在靠近一个微微基站时可以自动判定接入该小区，将用户接入小区的改变视为一次切换。我们统计用户在限定时间t内的切换次数，用户的移动距离移动速度估计的仿真场景如下面表1所示：表1.移动速度估计仿真场景项目数值宏基站数目23pico基站密度3000sbss/km2宏基站间距500m用户数80用户移动模型高斯-马尔科夫移动模型仿真时间15s图2是速度估计仿真场景的示意图，其横纵坐标轴上数字的单位为米。共有23个宏基站大致围成方形，六边形边框是宏基站的六边形蜂窝小区范围。黑点是部署于其中的微微基站，黑点的数目由微微基站部署密度决定。黑色线条为均匀撒点在这一范围内的用户的高斯运动轨迹，共有80个用户，各个用户在大致进行匀速直线运动的过程中引入了一定的随机性。图3是用户运动速度估计误差波动的方差随着运动仿真时间以及测量间隔时间变化的变动曲线。其中(a)是用户运动速度估计方差随运动仿真时间增加的变动曲线。从中可以看出，随着运动仿真时间的增加，用户速度估计的误差方差首先下降，而后逐渐趋于稳定。因此可以得出结论，适当增加系统的运动仿真时间可以提高用户速度估计的准确性。(b)是用户速度估计方差随着测量间隔时间变化的变动曲线。从中可以看出，用户速度估计方差随着测量间隔时间的增加先下降而后上升。因此，在高密度微站部署的条件下，适当的增加用户测量选择的间隔时间，能够减少速度估计误差的波动，提高用户速度估计的准确性。图4分别是用户速度估计的均值和方差随宏基站切换权重变化的曲线。其中(a)是用户速度估计的均值随宏基站切换权重变化的曲线，(b)是用户速度估计的方差随宏基站切换权重变化的曲线。由图4可以看出，用户移动速度的估计量偏差先下降而后上升，在权重α＝1左右用户速度估计的无偏性最高，同时速度估计误差也保持在一个较低的水平。综合来看，在pico基站密度为3000个/平方千米的条件下，宏基站权重α在[1,1.5]的范围内为优选权重，最佳优选权重为1。α＝0是仅统计pico基站切换时的速度估计性能，由此可以看出，在加入统计宏基站的切换次数后，速度估计量的均值无偏性和方差波动性均有所提升，对用户速度的估计更为准确。选择权重α＝1时，仿真场景80个用户速度预测的误差统计结果如图5所示，其中横坐标是不同的误差区间，纵坐标是用户个数。由图5可以看出，相比于仅统计用户在微型基站的切换次数，利用宏基站加权切换次数统计量估计的用户移动速度，其准确性更高。改进统计参量计算方法下，速度估计误差在20％以内的用户共有66个，占比为82.5％，其中，估计误差在10％以内共有45个，占比为55％。用户速度估计的概率密度分布(pdf)曲线如图6所示。由图6可以看出，相比于原有利用用户通过pico小区的切换次数对用户移动速度的估计，在统计切换时增加了加权的宏基站切换次数后，系统对用户移动速度估计的误差波动减小，用户移动速度的估计变得更为准确。以上实施例仅用以说明本发明的技术方案而非对其进行限制，本领域的普通技术人员可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明的精神和范围，本发明的保护范围应以权利要求书所述为准。当前第1页12