主权项 |
一种异构网络中基于流量预测的基站休眠方法,其特征是包括如下步骤:1)收集一个宏小区内一周的基站负载流量数据,以小时为间隔,每小时记录一次数据,并且将前六天的数据作为训练数据用来训练构造改进的小波神经网络MWNN模型,后一天的数据作为测试数据,用来测试构建的MWNN模型是否达到目标预测误差精度,其中,宏基站提供用户服务;2)搭建MWNN模型,并且初始化参数设置;所述的参数包括,MWNN模型的输入层神经元数目m,隐含层神经元数目h以及输出层神经元的数目n;其中,MWNN隐含层神经元的小波基函数为Morlet母小波基函数:<img file="FDA0000752820650000011.GIF" wi="492" he="122" />式中,x为输入数据X=[x<sub>1</sub>,x<sub>2</sub>,…,x<sub>m</sub>]<sup>T</sup>,MWNN的第j个隐含层神经元输出为<img file="FDA0000752820650000012.GIF" wi="780" he="261" />其中,w<sub>ij</sub>表示MWNN第i个输入神经元与第j个隐含层神经元之间的连接权值,a<sub>j</sub>和b<sub>j</sub>分别为第j个Morlet小波基函数的伸缩因子和平移因子,MWNN的第k个输出层神经元预测输出为<maths num="0001" id="cmaths0001"><math><![CDATA[<mrow><mi>y</mi><mrow><mo>(</mo><mi>k</mi><mo>)</mo></mrow><mo>=</mo><munderover><mo>Σ</mo><mrow><mi>j</mi><mo>=</mo><mn>1</mn></mrow><mi>h</mi></munderover><msub><mi>v</mi><mrow><mi>j</mi><mi>k</mi></mrow></msub><mi>ζ</mi><mrow><mo>(</mo><mi>j</mi><mo>)</mo></mrow><mo>,</mo><mtext> </mtext><mi>k</mi><mo>=</mo><mn>1</mn><mo>,</mo><mn>2</mn><mo>,</mo><mn>...</mn><mo>,</mo><mi>n</mi></mrow>]]></math><img file="FDA0000752820650000013.GIF" wi="1066" he="162" /></maths>其中,v<sub>jk</sub>表示第j个隐含层神经元与第k个输出神经元之间的连接权值;3)利用训练数据来训练MWNN模型,设定目标预测误差精度为0.01;MWNN模型的预测误差公式表示为<maths num="0002" id="cmaths0002"><math><![CDATA[<mrow><mi>e</mi><mi>r</mi><mi>r</mi><mi>o</mi><mi>r</mi><mo>=</mo><munderover><mo>Σ</mo><mrow><mi>k</mi><mo>=</mo><mn>1</mn></mrow><mi>n</mi></munderover><mrow><mo>(</mo><mi>a</mi><mi>b</mi><mi>s</mi><mo>(</mo><msup><mi>y</mi><mo>′</mo></msup><mo>(</mo><mi>k</mi><mo>)</mo></mrow><mo>-</mo><mi>y</mi><mrow><mo>(</mo><mi>k</mi><mo>)</mo></mrow><mo>)</mo><mo>/</mo><msup><mi>y</mi><mo>′</mo></msup><mrow><mo>(</mo><mi>k</mi><mo>)</mo></mrow><mo>)</mo></mrow>]]></math><img file="FDA0000752820650000014.GIF" wi="698" he="147" /></maths>其中y’(k)表示实际数据。在训练过程中,MWNN通过不断调整小波基函数的伸缩因子和平移因子a<sub>j</sub>,b<sub>j</sub>,以及输入神经元与隐含层神经元之间的连接权值w<sub>ij</sub>,隐含层神经元与输出层神经元之间的连接权值v<sub>jk</sub>的值,以使误差error达到设定目标预测误差精度,完成MWNN模型的训练和搭建;4)利用测试数据验证训练构造的MWNN模型已达到目标预测精度;5)利用MWNN模型以及相应的历史数据采用滚动式预测的方式,即利用x(t‑3),x(t‑2),x(t‑1),x(t)预测x(t+1),然后用同样的方法预测x(t+2)的方式对宏小区的基站负载流量进行预测,判断宏基站是否处于用户高峰期;6)如果此时宏小区处于非高峰期,则将宏基站休眠,利用微基站进行用户服务。 |