[发明专利]一种基于接入用户移动性预测的超密集网络资源分配方法

权利要求书

1.一种基于接入用户移动性预测的超密集网络资源分配方法，其特征在于包括如下步骤：

步骤一，数据预处理：

首先，由基站记录用户数据，所述用户数据至少包括：用户接入时间、用户标识ID、当天日期、基站经纬度坐标、基站ID；

随后，对于每一个用户的数据按照一定间隔进行重采样；

最后，对整理后的数据进行编码；

步骤二，预测用户的接入基站：

首先，确定RNN训练的输入和输出，其中输入x^(t)包括时刻t的时间、日期、经纬度、基站ID，输出y^(t)为时刻t+1的基站ID，记输入序列为{x⁽¹⁾,x⁽²⁾,...,x^(τ)}，输出序列为{y⁽¹⁾,y⁽²⁾,...,y^(τ)}，其中τ为序列长度；

随后构建RNN如下式：

其中U是连接输入层和隐藏层之间的权重，V是连接隐藏层和输出层之间的权重，W是连接隐藏层在时刻t-1和时刻t之间的权重，x^(t),s^(t),o^(t)分别表示在t时刻输入层、隐藏层和输出层的神经元结点，b,c为偏置，a^(t)为中间变量，为RNN的输出，

其中x＝(x₁,x₂,...,x_m)^T是函数的m维自变量；

接着，确定RNN的目标函数L({x⁽¹⁾,...,x^(τ)},{y⁽¹⁾,...,y^(τ)})如下式：

其中P(y^(t)|{x⁽¹⁾,...,x^(t)})表示输入序列为{x⁽¹⁾,...,x^(t)}时，输出为y^(t)的条件概率；

随后，采用按时间反向传播BPTT的方法训练RNN，来更新U,V,W,b,c的具体取值；

最后，对于训练好的RNN，输入当前时刻的数据，输出即为预测用户在下一时刻的接入基站；

步骤三，根据得到的所有用户的预测，直接计数得到基站下一时刻接入的用户数；

步骤四，对相邻小区的频带自行按各相邻小区计算得到接入用户数的比例进行调节；

步骤五，对于接入同一小区的用户按现有的资源分配方法进行资源分配。

2.根据权利要求1所述的基于接入用户移动性预测的超密集网络资源分配方法，其特征在于：所述步骤一中重采样间隔为30分钟。

3.根据权利要求1或2所述的基于接入用户移动性预测的超密集网络资源分配方法，其特征在于：所述步骤一中对整理后的数据进行编码的过程包括：

1)对时间进行编码；

2)对于日期和基站ID采用独热编码进行编码。

4.根据权利要求1所述的基于接入用户移动性预测的超密集网络资源分配方法，其特征在于：所述步骤二中训练RNN的过程具体包括：

1)从序列尾部时刻τ开始，进行反向计算，在最后的时刻τ，隐藏层结点s^(τ)只有一个后续结点h^(τ)，所以梯度如下所示：

2)从时刻t＝τ-1至时刻t＝1反向迭代，由于s^(t)(t＜τ)同时有o^(t),s^(t+1)两个后续结点，所以，梯度如下所示，其中diag(·)表示对角矩阵：

3)根据已求解的神经结点的梯度，计算偏置b,c的梯度：

4)根据已求解的神经结点的梯度，计算权重U,V,W的梯度：

5)根据计算得到的U,V,W,b,c梯度更新U,V,W,b,c取值；

根据公式(1)，若L的取值在第5)步U,V,W,b,c更新前与更新后相等，则结束RNN训练；否则返回3)。