[发明专利]一种加速无线网络干扰预测收敛的方法和装置

说明书

本发明公开了一种加速无线网络干扰预测收敛的方法和装置。包括：执行无线资源常规调度，获取各个用户的无线资源分配信息和各个用户的无线测量数据，基于各个用户的无线资源分配信息和各个用户的无线测量数据组成每个用户的训练集；利用机器学习算法对每个用户的训练集分别进行多次训练，得到每个用户的多个训练模型；利用每个用户的每个训练模型分别对该用户的干扰情况进行预测得到多次预测结果，基于多次预测结果的波动性确定每个用户的干扰预测不准确用户集合；针对每个用户，构建包含该用户与该用户的干扰预测不准确用户集合中每个干扰预测不准确用户的用户元组，执行无线资源增强调度以增加用户元组中的用户复用次数。

技术领域

本发明涉及干扰预测技术领域，尤其涉及一种加速无线网络干扰预测收敛的方法和装置。

背景技术

干扰预测具有很多实际和潜在的应用。在无线网络中，如果可以预测用户之间的干扰情况，则可以进行有效的干扰避免和资源分配，指导调制与编码策略(Modulation andCoding Scheme，MCS)的分配等数据传输策略。在当前日趋密集的网络环境中，有效的干扰预测尤其重要，干扰预测对无线资源管理有着重要的指导作用，可以有效的提高系统容量和用户体验。

干扰预测基于无线通信中用户信号强度与干扰之间的数学关系。在无线通信中，无线资源按照时间和频率两个维度进行划分，时间维度的最小调度单位为子帧，一个子帧称为一个传输时间间隔(Transmission Time Interval，TTI)，频率维度的最小调度单位为资源块(Resource Block，RB)，在相同TTI使用相同RB的用户相互之间会产生干扰，影响用户的无线信道质量。因此，根据各个用户是否使用了相同无线资源和用户此时的信道质量，可以实现用户间的干扰预测。

干扰预测的算法使用机器学习算法。机器学习算法分为有监督学习和无监督学习算法。对于有监督机器学习算法，训练集的数据分为特征和标签，通过对数据的学习，可以对任意特征的标签值进行预测，常用的算法有神经网络和线性回归等算法。机器学习算法可以对训练集数据进行训练，得到训练模型，进而使用该模型对信道质量进行预测。无线网络干扰建模是无线网络资源分配的基础。干扰信息越全面越准确，越能有效指导网络进行合理的资源分配，越有利于提升网络性能。现有获取干扰强度的方法主要有以下三种：第一种是基于扫频数据建立干扰矩阵，该方法基于对小区的特定采样位置的扫频数据分析；第二种是基于手机的测量报告消息建立干扰矩阵，通过手机测量报告中各个小区的信号强度分析无线网络中中的干扰；第三种是基于机器学习算法对干扰强度进行预测建立干扰矩阵。

在现有技术中，扫频数据中频域信息完整，但生成的干扰矩阵仅能反映采样点的干扰情况，如果干扰情况变化，则须对测量点进行重新部署，测量成本过高。手机测量报告包含有用户干扰源信息，但只包含干扰信号强的几个邻近小区的干扰信息，当网络较为密集的时候，建立的干扰矩阵缺失的干扰信息较多。使用机器学习算法对干扰强度进行预测，对于大数据量样本可以获得全面准确的干扰矩阵，但算法对样本数据量要求过多，需要较长的反馈时间，而在样本数据量较小的情况下准确度无法保证。

使用机器学习算法对干扰强度进行预测，干扰预测结果随着时间增长样本数据量逐渐增多逐渐趋于收敛，收敛速度较慢。对于大数据量样本利用机器学习干扰预测可以获得全面准确的干扰矩阵，对样本大数据量的要求则意味着需要较长的信息收集时间，而在样本数据量较小的情况下干扰预测准确度无法保证。

发明内容

本发明实施例提出一种加速无线网络干扰预测收敛的方法和装置。

本发明实施例的技术方案如下：

一种加速无线网络干扰预测收敛的方法，包括：

执行无线资源常规调度，获取各个用户的无线资源分配信息和各个用户的无线测量数据，基于所述各个用户的无线资源分配信息和各个用户的无线测量数据组成每个用户的训练集；

利用机器学习算法对每个用户的训练集分别进行多次训练，得到每个用户的多个训练模型；