本发明属于通信技术领域，涉及一种在异构网络中基于移动性预测的负载均衡优化方法。
背景技术
随着通信网络中移动数据流量的飞速增长，大量的小基站被广泛部署以提升网络容量。在某些热点地区，往往会聚集比其他地区更多的用户。由于用户在通信网络中的不均匀分布，一些基站由于用户过多而出现了过载的情况，与此同时，另一些基站负载较轻，处于相对空闲的状态。在热点地区的用户可能由于基站无法及时提供足够的资源而遭遇恶劣的服务体验。为了改善用户的服务质量，同时更充分地利用负载较轻的基站的空闲资源，需要使用负载均衡技术来对用户连接进行调整，改善网络整体的负载均衡状态。
参考文献1[q.li,x.gu,l.lu,etal.“greenheterogeneousnetworkwithloadbalancinginlte-asystems,”in2014ieee25thannualinternationalsymposiumonpersonal,indoor,andmobileradiocommunication(pimrc),sept2014,pp.1991–1995.]提出了一种绿色节能异构网络中的负载均衡策略。但是该机制需要根据网络目前的负载状况与用户的连接状态，重新调整使用户连接到合适的基站，从而达到负载均衡的目的。这样在用户事实上已经处于连接状态下进行重新调整的策略，将会导致额外的用户切换与资源消耗。因此，若通过使用移动性预测技术预测用户的下一位置，基站能够提前了解即将到来的新用户的信息，并且在用户到达之前就获知基站未来的负载状态，就可以提前进行负载均衡规划，在用户到来时将其接入合适的基站，从而避免接入之后再次调整带来的资源消耗。
在移动性预测研究中，决策树是一种重要的方法。参考文献2[c.manassehandr.sengupta,“predictingdriverdestinationusingmachinelearningtechniques,”in16thinternationalieeeconferenceonintelligenttransportationsystems(itsc2013),oct2013,pp.142–147.]中，作者根据汽车司机的gps轨迹建立决策树模型，预测司机的目的地。文中对模型输入司机的当前位置、5分钟之前的位置、在一天中所处的时刻以及当天属于一周中的哪一天。用户在移动过程中，将会产生一系列的位置记录。但怎样将所获得的可能相关的信息转换为决策树的输入训练特征以尽量提高模型的预测准确率，是一个需要进一步研究的问题。
当基站了解到有新用户即将到来时，可以提前制定合理的资源分配策略，为了优化负载均衡，此时，也需要考虑到基站自身的负载情况。在参考文献3[n.p.kuruvatti,a.klein,andh.d.schotten,“predictionofdynamiccrowdformationincellularnetworksforactivatingsmallcells,”in2015ieee81stvehiculartechnologyconference(vtcspring),may2015,pp.1–5.]和参考文件4[n.p.kuruvatti,j.f.s.molano,andh.d.schotten,“monitoringvehicularusermobilitytopredicttrafficstatusandmanageradioresources,”in2017ieee85thvehiculartechnologyconference(vtcspring),june2017,pp.1–6.]中，预测了用户的下一位置，然后预测目标地区的用户密集程度，接下来进行负载均衡调节。然而，在这两篇文献中，都需要通过相邻小区中用户的移动趋势，分析监控每一个可能到来的用户对目标小区的影响，来预测基站的负载状态，这将会对整个通信网络产生极大的负担。
技术实现要素：
本发明提出在异构网络中基于一种新的移动性预测机制的负载均衡优化方法，在用户不均匀分布导致网络负载不均衡的情况下，利用移动性预测技术可以提前为用户接入资源分配制定策略，根据基站负载状态，将负载过重区域的用户连接到相邻的空闲基站上，从而优化负载均衡。
本发明提供了一种在异构网络中基于移动性预测的负载均衡优化方法，包括如下步骤1～3：
步骤1，根据用户的历史移动轨迹，建立决策树模型，预测用户的下一位置；在建立决策树模型时，将用户的下一位置si+1作为目标属性，输入训练数据集中对象的属性特征包括：当天是否周末w、此时在一天中所处的时间段、用户的上一位置、用户的当前位置；在训练好决策树模型后，输入用户对应的属性特征，预测用户的下一位置。
步骤2，获取用户下一位置周围的基站，将单个基站的负载状态作为一个独立个体，对获取的每个基站，利用自回归移动平均模型分析基站的历史负载状态，预测基站未来的负载状态。
步骤3，在获得用户的下一位置与该位置周围的基站的负载状态之后，对即将到来的用户提前制订资源分配策略。
所述的资源分配策略包括：首先根据负载状态对基站进行等级划分，分为重度负载、中度负载和轻度负载三种状态；然后根据用户下一位置的直接目标基站所处的等级进行负载均衡处理，如果直接目标基站处于重度负载状态，则将相邻基站中处于中度负载或轻度负载状态的基站列为候选基站，然后将从候选基站中选择负载最轻者为新用户提供接入服务；如果直接目标基站处于中度负载状态，则将相邻基站中处于轻度负载状态的基站列为候选基站，然后将从候选基站中选取负载最轻者接入新用户；如果直接目标基站处于轻度负载状态，则由目标基站接入新用户。
本发明方法通过对用户进行移动性预测，然后分析目标周围区域基站的负载状态，提前制定合理的资源分配方案，优化网络的负载均衡，相对于现有技术，本发明的优点与积极效果在于：(1)本发明方法比较准确地实现对用户下一位置的预测，根据仿真结果可以看出，通过比较研究，选择合适的决策树输入属性特征，可以提高移动性预测准确率。(2)本发明方法通过对基站历史负载状态进行时间序列分析，预测当用户到来时基站的负载状态，相比于监控临近区域每一个潜在用户对本基站可能的影响，可以降低网络的负担。(3)本发明方法综合考虑用户的移动特性与基站的负载状态变化，提前制定资源分配策略，实现了对网络负载均衡的优化，满足热点地区用户的服务需求，改善了网络性能。
附图说明
图1是本发明方法应用的一个场景示意图；
图2是本发明的基于移动性预测的负载均衡优化方法的一个整体实现示意图；
图3是本发明实施例中两种决策树移动性预测模型mpdtm-2与mpdtm-0的预测准确率对比图；
图4是本发明实施例中分别考虑用户此前0到5个状态所建立的决策树预测模型的准确率对比图；
图5是本发明实施例中对某基站的负载状态预测与其实际负载状态的对比图；
图6是本发明实施例采用本发明方法与无预测情况下网络的负载均衡因子的变化对比图。
具体实施方式
下面将结合附图和实施例对本发明作进一步的详细说明。
如图1所示，为本发明方法应用的一个场景示意图，图中移动用户在几个基站的覆盖区域内移动。本发明方法在对用户的移动性预测过程中，建立决策树模型，研究比较用户此前状态对未来位置预测的影响，选择最佳的决策树输入属性特征，提高移动性预测准确率。本发明通过对用户的移动性进行分析，挖掘其中的规律，可以对用户下一时刻的位置做出预测。其次，为了通过给用户进行合理的资源分配从而优化整个网络的负载均衡，需要了解当用户到达下一位置时，目标基站及相邻基站的负载状态。采用时间序列分析方法，使用自回归移动平均模型(autoregressiveintegratedmovingaveragemodel，arima)预测当用户到来时基站的负载状态。然后，提前制定资源分配策略，优化网络的负载均衡，改善热点地区的网络性能，提高用户服务体验。
如图2所示，为实现本发明方法的一个流程，包括三个步骤，下面依次说明各步骤的实现。
步骤1，用户的移动性预测阶段。通过用户的历史移动轨迹建立决策树预测模型。为了寻找决策树模型的最佳输入属性特征，在二阶马尔可夫预测模型的启发下，研究了在预测执行前的数个用户状态对于决策树模型的影响，以提高预测准确率。
常用的生成决策树的算法有id3(iterativedichotomiser3)，c4.5和cart(classificationandregressiontree)。本发明方法使用cart算法来构建决策树。cart算法构建的是二叉决策树。分叉的目的是使数据变纯，使决策树的输出结果更加接近真实值。cart算法采用gini系数来衡量节点属性的纯度。
其中，对于一个给定的属性，n是该属性所有可能的取值的数量，pi代表当前样本数据集中，当前属性为第i个取值的概率。节点越纯，gini系数越小，根据当前属性进行分类的结果越好。当所有样本在当前属性划分下都归属于同一个类别时，gini系数达到0。
本发明基于cart算法构建决策树模型，来预测用户的下一位置。在建立决策树模型时，首先需要输入训练数据集中对象的属性特征，和对象所属的类别即目标属性。这对决策树的预测效果将是至关重要的。本发明中目标属性是用户的下一位置si+1。而在可获得的信息当中，究竟哪些是可能对预测有益的相关属性特征是一个需要考虑的问题。由于用户在工作日和周末的移动往往会呈现出不同的规律性，因此本发明将“是否周末w”作为对象的一个输入特征。此外，时间t的变化也是一个重要的影响特征。用户在移动过程中将会产生一系列的位置记录，s＝{s1,s2,…,si-1,si,…}，用户此前的状态(即此前的位置)与将来的位置之间往往会有一定的关系，所以这也是一个需要考虑的因素。而现在的问题是，应该以一种怎样的方式将用户此前的移动状态信息转换为决策树的输入特征。
首先，本发明结合马尔可夫模型的思想，研究用户此前几个移动状态对预测准确率的影响。在用户移动性预测的研究中，马尔可夫概率模型是一种重要的方法。它主要关注的是用户移动状态之间的转换概率，从另一个角度来讲，也可以说是此前状态对未来位置的影响关系。研究发现，与标准马尔可夫模型只考虑此前一个状态相比，二阶马尔可夫模型考虑了此前两个状态对未来位置的影响，它的预测准确率更高。而更高阶的马尔可夫模型虽然考虑了此前更多的用户状态，但是它的准确率并不比二阶马尔可夫模型更高，而且前者由于考虑了更多的因素，导致了更高的算法复杂度。因此，可以考虑认为，考虑此前两个移动状态，或许能够在较低的算法复杂度下，尽量地提高预测准确率。即根据二阶马尔可夫的研究结果，本发明选择用户此前的2个状态作为训练特征，建立决策树模型。
综上，本发明建立决策树模型时，将用户的下一位置si+1作为目标属性，输入4个属性特征，包括：当天是否周末w、此时在一天中所处的时间段、用户的上一位置、用户的当前位置。本步骤采集用户的历史移动轨迹，生成训练数据集，来建立决策树模型，然后利用训练好的决策树模型来对用户的下一位置进行预测。
上面所述的用户的位置，可以用一个区域来表示，例如某一个基站所覆盖的区域，用户在移动过程中从一个基站的覆盖区域，移动到另一个基站的覆盖区域，也就是位置的移动。
步骤2，基站负载状态分析阶段。在得到用户的下一位置之后，需要对目标地区周围基站的负载状态进行分析。本发明方法使用时间序列分析的方法，通过自回归移动平均模型(autoregressiveintegratedmovingaveragemodel，arima模型)，挖掘基站历史负载状态的变化规律，对基站未来的负载状态进行预测。
时间序列分析是使用过去的历史数据，通过统计分析了解其发展规律，并进一步对未来的发展趋势做出预测。arima模型是时间序列分析中一种重要的分析方法，且预测精度较高。arima模型包含3种形式，自回归ar模型、移动平均ma模型和两者的混合自回归移动平均arma模型。在使用arma模型时，需要保证要分析的对象是平稳的时间序列。如果序列非平稳，则需要先进行差分，得到平稳序列，否则无法应用该模型。而arima模型中的“i”就代表序列的平稳性。
假设yt是一个平稳时间序列，那么对应的p阶ar(p)模型可以表示为：
yt＝α1yt-1+α2yt-2+…+αpyt-p+εt(2)
其中，p为模型的自回归项，αi(i＝1,2,…,p)是自回归参数，εt是随机误差项。yt表示一个平稳的时间序列。t表示第t个时刻。
对应的q阶ma(q)模型可以表示为：
yt＝εt-θ1εt-1-θ2εt-2-…-θqεt-q(3)
其中，q为模型相应的移动平均项数，θj(j＝1,2,…,q)为移动平均参数，εt-j表示第q个移动平均项的随机误差。和公式(2)一样，εt表示随机误差，是均值为0，方差为的白噪声序列，取值不定。
将ar(p)模型和ma(q)模型结合，即可得到arma(p,q)模型，表示为：
arma(p,q)模型可以用以下形式来表示：
αp(b)yt＝θq(b)εt(5)
αp(b)＝1-α1b-…-αpbp(6)
θq(b)＝1-θ1b-…-θqbq(7)
其中，bk为k步滞后算子，αp(b)是一个p阶自回归多项式，θq(b)是一个q阶移动平均多项式。
ar(p)、ma(q)和arma(p,q)模型的对象都必须是一个平稳的时间序列。本发明中将单个基站的负载状态视为一个独立个体，在步骤1预测得到用户的下一位置后，将用户下一位置周围的每个基站，都获取基站的历史负载状态，历史负载状态表示为一个时间序列，设为xt。若xt为一个平稳的时间序列，则直接将xt作为yt，利用arima模型进行仿真预测。若xt是一个非平稳的时间序列，需要先将它转换为一个平稳的时间序列。如果xt经过d阶差分后得到序列yt，yt为平稳时间序列。那么对yt建立arma(p,q)模型，即为xt的arima(p,d,q)模型，表示为：
αp(b)(1-b)dxt＝θq(b)εt(8)
建立arima模型，进行仿真预测，例如可使用eviews仿真软件来完成。在仿真时，设每一个用户的业务需要占用的资源都是单位1，那么基站接入n个用户时的负载即为n。设当前时刻为t0，取t为t0+1，根据所建立的rima模型即可得到t0+1时刻基站的负载状态。
步骤3，是优化负载均衡阶段。本发明方法通过使用arima模型对基站的历史负载状态记录进行分析，当网络了解到新用户即将到来，预测当用户到达时目标基站及相邻基站的负载情况，然后通过制订合理的资源分配策略，优化网络的负载均衡。
本发明方法首先综合考虑周围基站的负载状态，然后根据负载状态对基站进行等级划分，接下来优先考虑用户的直接目标基站是否处在负载较轻的等级，并决定是否要启动负载均衡措施，由相邻基站来为用户提供接入服务。
由于基站可以通过调整其发射信号功率等措施对其覆盖范围进行调整，因此，本发明方法中认为，每一个基站都有其最佳的覆盖范围，这里称为小区，每个小区之间相互邻接。所谓直接目标基站是指用户下一位置所在区域所属小区的基站。当本小区的基站负载过重无力接入新用户时，其相邻的空闲基站即可通过适当增强发射信号功率等措施接入此用户。所谓周围基站，即是指与本小区相邻的、有能力为本小区用户提供服务的基站。
假设基站i的全部资源总量为ri，而为了给当前已经接入的用户提供通信服务，数量为oi的资源处于被占用状态。那么定义基站i的负载状态li为：
li＝oi/ri(9)
整个通信系统中共有n个基站，那么网络的整体负载状态为：
为了使网络的负载更加均衡，各个基站和网络整体的负载状态之间的差的绝对值越小，则表示单个基站与整体状态的偏离更小。参考数学中方差的概念，分别对各个基站与网络整体负载的求差值，然后取所有差值的平方和，能够反映各个基站相比于网络平均负载的偏离情况。本发明方法定义负载均衡因子lbi，如式(11)，来衡量网络当前的负载均衡状态。
lbi代表了网络的负载均衡状态，网络负载越均衡，则lbi趋近于0。
为了根据网络的负载状态改善系统的负载均衡，本发明方法首先定义了2个阈值tr1、tr2，根据负载状态，对每一个基站进行等级划分。如表1所示，若负载状态低于阈值tr1，则基站处于轻度负载状态；若在tr1与tr2之间，则为中度负载状态；等于或高于tr2，为重度负载状态。
表1基站等级划分
如果用户下一位置的直接目标基站处于重度负载状态，则首先将相邻基站中处于中度或轻度负载状态的基站列为候选基站，然后在其中选择负载最轻者为新用户提供接入服务。如果用户的目标基站处于中度负载状态，则相邻基站中处于轻度负载状态的基站为候选基站，选择其中负载最轻者接入新用户。如果直接目标基站处于轻度负载状态，则由目标基站接入新用户。
下面结合北京邮电大学信息网络中心收集的从2017年9月到2017年11月校园内各个区域的用户设备信息数据，来对本发明方法所产生的技术效果进行验证。设整个校园被一个宏基站覆盖，负责基础的控制信令，同时每一个区域又分别被一个微基站所覆盖，为用户提供主要的数据业务服务。微基站之间覆盖区域相互部分重叠，当某一个基站没有足够的空闲资源为新到来的用户提供服务时，可以调度其相邻基站接入此用户，满足其通信需求。
另外还收集了用户在校园内41天的移动轨迹数据，将其划分为训练集与测试集，通过训练数据得到基于cart算法的决策树移动性预测模型，然后使用决策树模型对用户的下一位置进行预测。假设有一组用户都沿着当前轨迹进行移动，而用户数量为当前网络中用户总量的10％。当获得用户的未来位置后，需要对目标周围地区基站的负载情况进行分析。假设单个用户设备的业务需要消耗基站的一个单位的资源块(rb)，同时，各个基站的整体负载能力并不完全相同，设在预测时期前一周内，某个地区曾经有记录的最大用户设备数量为该地区基站的最大可负载用户数。在根据基站负载状态对基站进行等级划分时，设置tr1为40％，tr2为70％。通过使用arima时间序列分析模型对基站的历史负载状态进行分析，获得当用户到达时，周围地区基站的负载状态，然后使用本发明方法所提出的负载均衡方案，通过合理的资源分配对网络负载均衡进行优化。
为了衡量用户移动性预测的表现，本发明实施例使用预测准确率对预测模型的性能进行评价。当预测结果与用户实际的下一位置相一致时，认为此次预测正确，定义预测准确率为预测正确的次数占预测总次数的比例。由于学习、工作、生活习惯等的影响，用户的移动呈现出一定的规律性。根据马尔可夫移动性预测模型的研究，用户此前的状态与未来的位置之间有一定的联系。为了找到决策树中最合适的输入特征，本发明分别对此前数个状态与预测准确率之间的联系进行了研究。
首先，参考二阶马尔可夫模型的思想，本发明实施例研究了考虑此前两个状态而建立的决策树移动性预测模型(mpdtm-2)，并将其与未考虑用户此前移动状态的决策树模型(mpdtm-0)进行了对比，如图3所示，为二者在测试集中各个时间的预测准确率。由于用户作息习惯的影响，从夜间到清晨阶段，其所处位置状态比较稳定，预测准确率都比较高达到了1。而在白天，用户状态改变较为频繁，mpdtm-2的预测准确率明显更高。因此，考虑用户此前的移动状态是对于提高预测准确率是有益的。
为了进一步研究用户此前的移动状态对未来位置的影响，寻找最佳的决策树输入属性特征，分别考虑此前0到5个状态，对应建立决策树预测模型：mpdtm-0，mpdtm-1，mpdtm-2，mpdtm-3，mpdtm-4，mpdtm-5。图4为各个模型在测试集中的整体移动性预测准确率，定义若考虑了此前的i个状态，则对应的mpdtm模型的阶数为i。从图中可以看出，当i从0到2时，整体预测准确率逐渐提高；而当阶数大于2之后，预测准确率不再有明显的增加，而是在小范围内波动。因此，可以认为相比于0阶或1阶模型，2阶mpdtm能够提高预测准确率；另一方面，与更高阶的模型相比，mpdtm-2在确保预测准确率的同时，因为不需要考虑更多的状态，模型的整体计算复杂度也更低。所以，得出结论，考虑预测前2个用户状态为决策树的输入属性特征，能够得到相对最优的预测模型。
当获得了用户下一时刻的位置之后，需要对目标位置周围基站的负载状态进行分析。由于各个区域位置的社会功能不同，例如教学楼、宿舍、食堂等，会在一天中的某些特定时间段出现大量密集用户，而另一些时间内用户相对较少，所以各地区基站的负载往往会呈现出比较明显的周期性变化特征。另外，各基站在工作日与周末期间的负载状态也通常会有不同的特性。在使用arima模型对基站的负载状态进行分析时，需要注意这些特点的处理。图5给出了对某基站在2017年11月22日负载状态的分析预测与该基站的实际负载状态中为了给用户提供业务服务而处于工作状态的rb。预测值与实际值之间的平均误差占基站最大负载容量的2.54％，因此可以使用arima模型对基站的负载状态进行预测。
用户移动性预测和基站负载状态分析是对网络负载均衡进行优化的前提条件。当已经得到了用户下一时刻的位置与目标周围区域基站的负载状态之后，通过执行优化措施，为用户进行合理的资源分配，可以改善网络的负载均衡。本发明实施例比较了本发明所提出的基于用户移动性预测与基站状态分析的负载均衡资源分配方案(简称ralbmp)和无预测情况下当用户到达目标位置选择最近基站请求接入的方案(简称ncra)的性能表现，如图6所示，为两种方案下网络的负载均衡因子lbi。从图中可以看到，与对比方案相比，本发明方法的lbi更小，接近于0。另外，对比方案在时间11、12、14时，由于直接目标基站已经过载，没有足够的空闲资源，从而发生部分用户接入请求被拒绝的情况，对用户的业务体验造成负面影响。通过对比，本发明方法能够通过对用户的移动性预测与对目标周围基站的负载状态分析，提前制定负载均衡优化方案，在用户到达时为用户进行合理的资源分配，从而优化网络的负载均衡，提高网络的性能，更好地为用户提供服务。
显然，所描述的实施例也仅仅是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。