本發明專利技術提供了一種基于人工智能的基站負荷均衡方法，包括確定待負荷區域，根據待負荷區域確定待分配用戶，根據小區配置的參數確定小區的物理覆蓋范圍，從而確定同覆蓋區域，然后將用戶信息上報到服務器，根據上報的用戶信息用于人工智能訓練，從而獲得用戶速率，通過用戶的速率進行負荷均衡，從而實現對用戶的均衡分配，最后在對人工智能模型進行修正，使人工智能模型達到最優。本發明專利技術中將用戶均衡到特定的人工智能學習后的小區，實現快速負荷均衡，且用戶速率和小區流量最優化的目的，實現了資源最大利用，解決了用戶遷移時間長的問題。
【技術實現步驟摘要】
本專利技術屬于無線通信領域，尤其涉及一種基于人工智能的基站負荷均衡方法。
技術介紹
1、現有的基站連接態負荷均衡一般是基于用戶數或者prb的負荷均衡方法，當用戶數或者prb達到某一個設定的門限的時候啟動負荷均衡機制，均衡的時候可以是盲切換也可以是基于測量的切換策略，將相對高負荷小區用戶均衡到低負荷小區，但是這種方式無法實現用戶速率最優化，也就是用戶體驗不一定最優，本專利技術主要解決此類問題，本方案基于人工智能思想，進行動態學習，然后將用戶均衡到合適的小區，實現用戶體驗最優化。
2、當前負荷均衡是基于用戶數或者小區prb進行的，也就是基站會判定各個小區的用戶數或prb，當滿足設定的門限，那么采用基于測量或者盲添加的方式將用戶遷移到負荷或者用戶數較少的小區，但是用戶體驗不一定最優，小區頻譜資源不一定最大化利用。現有技術無法使得小區內用戶體驗最優，且頻譜資源不一定能最大化利用，并且用戶遷移時間較長。
技術實現思路
1、本專利技術的目的是解決現有技術中頻譜資源的利用問題以及用戶遷移時間較長的問題。
2、為實現上述目的，本專利技術提供了一種基于人工智能的基站負荷均衡方法，包括如下步驟：
3、s1、確定待負荷區域
4、根據小區的負荷情況，從多個小區的交疊區域中選擇進行負荷均衡的區域；
5、s2、確定待分配用戶
6、根據用戶的終端是否落在步驟s1的待負荷均衡區域來確定待分配用戶；
7、s3、確定同覆蓋區域
8、根據小區配置的參數確定小區的物理覆蓋范圍，參數一旦確定后，基站真實的覆蓋范圍是恒定的；然后根據步驟s2中的待分配用戶的接入位置信息就可以判斷該待分配用戶是否屬于同覆蓋區域；對于同覆蓋區域的待分配用戶將其放到待負荷均衡隊列a_list中；
9、s4、用戶信息上報
10、待分配用戶進入隊列a_list中，待分配用戶要求上報本區和步驟s3中的同覆蓋區域的rsrp、rsrq、cqi、dlmcs、bler、bsr、小區寬帶bw、小區prb到指定服務器；
11、s5、利用人工智能模型學習得到用戶速率
12、s501、對上報的數據進行清洗，去除異常數據，并對數據進行標準化處理；
13、s502、利用前饋神經網絡對數據進行分類；
14、s503、得出各個組合下的用戶速率，將步驟s502中獲得的100個類中所有元素算數平均值，則得到該組合下理論的速率值；利用人工智能模型得出所有組合下的用戶速率集合k1，k2，k3…kn以及理論速率值；
15、s504、真實用戶速率預測，根據同覆蓋區域的待分配用戶上報的各個鄰區和本區的信息，然后通過人工智能獲取歷史理論的用戶速率；
16、s6、負荷均衡方法
17、將某一個待負荷均衡的待分配用戶首先根據步驟s5利用人工智能模型得到待負荷均衡區域的各個物理小區的用戶速率，取其中速率最大的小區進行均衡即可；
18、s7、人工智能模型修正和學習
19、使用人工智能將用戶均衡到m小區，并且理論速率為fm，均衡到m后用戶真實的速率f，當|f-fm|≤v，則人工智能模型優秀，否則需要修正人工智能模型，修正的方法就是需要重新根據ue上報的信息進行負荷均衡小區選擇。
20、進一步的，小區寬帶bw大小不一樣，需統一折算到一個寬帶下。
21、進一步的，前饋神經網絡的輸入層為rsrp，rsrq，cqi，mcs，bsr，bw，bler，prb的8個特征；具體如下：
22、
23、vi＝ui+θi
24、yi＝f(vi)
25、xi為各個輸入分量，wij為權重參數，θi為偏置，f為激活函數，yi為輸出結果，vi為增加偏置的輸出結果，ui為i層的輸出結果；
26、通過向前傳播輸出預測結果：
27、
28、其中為預測結果，w為權重矩陣，x為向量，b為偏置項；
29、計算損失函數評估預測值和真實值之間的差距大小；
30、通過反向傳播神經網絡更新權重參數w的值，如下公式：
31、
32、其中r為學習率，為梯度，l為損失函數；
33、最后輸出層為100個類別，即100個神經元，每次輸出結果通過softmax回歸后得到樣本所屬類別的概率值大小，概率越大則代表屬于某一類可能性越大，softmax的具體計算公式。
34、
35、有益效果：
36、本專利技術提出一種新的負荷均衡方法，根據全網用戶上報的歷史信息(mcs,cqi，用戶速率等)進行人工智能學習，然后根據同覆蓋區域待負荷均衡用戶上報的各個鄰區信息，將用戶均衡到特定的人工智能學習后的小區，實現快速負荷均衡，且用戶速率和小區流量最優化的目的。
本文檔來自技高網...
【技術保護點】
1.一種基于人工智能的基站負荷均衡方法，其特征在于，包括如下步驟：
2.根據權利要求1所述的基于人工智能的基站負荷均衡方法，其特征在于，步驟S4中小區寬帶BW大小不一樣，需統一折算到一個寬帶下。
3.根據權利要求1所述的基于人工智能的基站負荷均衡方法，其特征在于，步驟S502中前饋神經網絡的輸入層為rsrp，rsrq，cqi，mcs，bsr，bw，bler，prb的8個特征；具體為：
【技術特征摘要】
1.一種基于人工智能的基站負荷均衡方法，其特征在于，包括如下步驟：
2.根據權利要求1所述的基于人工智能的基站負荷均衡方法，其特征在于，步驟s4中小區寬帶bw大小不一樣，需統一折算到一個寬帶下。...
【專利技術屬性】
技術研發人員：蘇佳琳，
申請(專利權)人：西京學院，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。