1.基于深度神经网络的小基站开关控制方法,其特征在于,包括如下步骤:
步骤一:采集基站中的用户信息
每隔一段时间采样一次,记录接入基站的用户编号、接入时刻、和用户位置信息,放入样本集合L={(ui,ti,pi)},其中ui为接入用户的编号,ti为记录数据的时刻,pi为用户的地理位置,包括经度坐标xi和纬度坐标yi;
步骤二:数据整合
将步骤一中基站搜集的用户数据整理、合并成可供模型训练的路径数据,合并所有用户的数据样本,得到最终用于训练的样本集合Ltrain={(p1,i,p2,i,p3,i,p4,i,p5,i,p6,i)};
步骤三:构建神经网络模型
选择全连接神经网络为训练模型,训练误差采用平均平方误差计算,训练时采用常用的正向传播方法得到一次训练的结果,采用逆向传播方法更新神经网络中的参数;
步骤四:输入数据并训练模型
1)选取步骤二得到的集合Ltrain中的一个样本,样本记为dj=(p1,j,p2,j,p3,j,p4,j,p5,j,p6,j),dj中前5个数据(p1,j,p2,j,p3,j,p4,j,p5,j)用于输入,最后1个数据p6,j用于与预测结果比较,计算误差;
2)向神经网络中输入一个样本的前5个数据(p1,j,p2,j,p3,j,p4,j,p5,j),采用神经网络中的正向传播方法得到一次训练的结果,即预测的位置坐标
3)样本中的预测坐标的真实值为利用实际坐标和预测坐标计算误差
采用逆向传播方法更新神经网络中的参数,完成一次样本训练;
4)将整个样本集Ltrain代入并训练一次,称为一轮样本集训练,如此进行多轮样本集训练,每轮训练后计算该轮训练误差Ei=∑ei,j,当|Ei+1-Ei|<ec时,训练停止;此时,模型的参数更新完毕,模型训练完毕;
其中,Ei为第i轮训练的误差,ei,j为第i轮训练的样本集中第j个样本的训练误差,ec为最小误差常量;
步骤五:收集待预测用户数据,预测用户下一时刻位置
1)设待预测时刻为tpredict,按照步骤一采集用户数据,记为L'={(u′i,t′i,p′i)};
2)按照步骤二中的步骤整合数据,记为集合Lpredict={(p′1,i,p′2,i,p′3,i,p′4,i,p′5,i)};
3)将集合Lpredict中的样本输入模型,即可得到用户的位置预测结果,预测结果集合记为
步骤六:计算基站未来服务用户的数目,控制基站开关
1)基站的信息记为集合其中,
为基站位置的经度坐标,
为基站位置的纬度坐标,numi为基站未来服务用户的数目;
2)从步骤五中得到的预测结果集合中,依次选取样本
计算其与集合C中各个基站的距离
得到与该样本最近的基站的编号
在集合C中相应的numi上加1;
3)设控制基站开关的阈值为numc,遍历集合C中所有基站数据,当numi≥numc时,开启对应基站i;当numi≤numc,关闭对应基站i。
2.根据权利要求1所述的基于深度神经网络的小基站开关控制方法,其特征在于,所述步骤二中整理、合并用户数据的过程具体包括如下步骤:
1)在集合L中,选取一个固定的用户编号c,收集该用户的数据,记为集合
2)将Lc中的样本按时间进行排序;
3)把集合中的样本按时间顺序以六个一组进行分组,每一组为一个新的样本,即每个新的样本为k为分组组号;
4)去除新样本中时间数据只保留位置坐标数据
即
得到用户(ui=c)用于训练的样本集,记为
5)按照上述步骤整理其他用户的样本,并将所有用户的样本集合并在一起,得到最终用于训练的样本集合,记为Ltrain={(p1,i,p2,i,p3,i,p4,i,p5,i,p6,i)}。
3.根据权利要求1所述的基于深度神经网络的小基站开关控制方法,其特征在于:所述步骤三中选择的神经网络总共有5层神经元,第一层有10个输入神经元,最后一层有2个输出神经元,用于预测未知的坐标;所述步骤四中向神经网络输入的样本数据中每个数据都包括经纬坐标共有10个数用于输入,与神经网络的输入神经元一一对应。
4.根据权利要求1所述的基于深度神经网络的小基站开关控制方法,其特征在于:所述步骤五中设置预测时刻与采集样本的时刻在一定时间范围之内。