1 引言
超密集网络通过密集部署基站降低基站与终端用户的传输距离,可以有效提高网络的空间容量,满足网络数据流量快速增长需求,是第五代移动通信的关键技术之一[1]。然而,密集部署产生的小区间干扰严重制约了小区边缘用户的体验以及整个网络的吞吐量。目前在超密集网络中主要采用干扰协调、干扰对准等技术来管理干扰,这类技术被动地使用物理层资源来处理已经产生的干扰。干扰一旦已经产生,就需要付出相当的代价去回避或删除。
随着智能终端的广泛普及以及无线大数据分析的飞速发展,人们已经认识到人类移动行为是有规律的,并且具有可预测性。根据预测的用户移动轨迹和无线信号地图,系统可以预测用户在未来时刻无线信道的质量。针对延迟容忍类的业务,例如流媒体、文件下载等业务,预测资源分配(也称为资源规划)可以根据预测的平均信道来分配传输资源,提高网络的空间容量、能量利用率以及用户体验[2-3]。在干扰网络中,文献[4]的研究发现用户请求在时间和空间上的不均衡特性是造成网络拥塞、产生干扰的主要原因。资源规划可以根据用户需求对网络进行空-时二维的负载均衡,有效地减少网络拥塞、提升网络吞吐量。当网络密度和网络负载进一步增加时,除了均衡负载还需要协调网络中的干扰。文献[5]利用预测的轨迹信息来预测用户在未来时刻主要会与哪些用户产生较强的干扰,在此基础上研究了预先干扰协调和资源分配,从而提高密集干扰网络的资源利用率。预测资源分配可以从干扰产生的源头出发,利用预测信息对网络资源进行提前规划,避免干扰产生。与被动干扰管理技术相比,主动干扰管理技术[4-5]能够大幅度提升网络性能。
然而,预测资源分配能够提供的性能增益依赖于所预测信息的质量,例如用户移动轨迹的预测分辨率、范围和精度。目前,已有文献开始研究有预测误差时的资源规划性能。文献[6-7]假设预测误差服从高斯分布,分析了预测误差对资源分配方案的影响,并设计了鲁棒的资源规划方案。另外一些工作[8-10]对移动轨迹预测的开展研究,分析真实的轨迹预测误差特性。文献[8]面向用户的越区切换问题,提出了预测下一个小区的方法。该方法具有较大的预测时间范围,但是预测精度和分辨率太低,不能满足预测资源分配的需求。文献[9]面向自动驾驶等智能交通业务,提出了高分辨率、高精度的轨迹预测方法,但是其预测范围只有未来几秒,导致可以规划的时间范围有限,无法带来明显的性能增益。文献[10]针对具有一定运动规律的车辆用户,提出了一种基于循环神经网络(Recurrent Neural Network, RNN)的用户轨迹预测方法,所设计的预测器可以预测未来60 s、秒级分辨率的用户轨迹位置。并且,该研究还指出预测误差与道路拓扑、用户运动模式都有较大关系,并不服从高斯分布。那么基于真实的轨迹预测,资源规划可以带来多少性能增益目前尚未研究。另外,大多数的预测资源分配方案(例如[5])假设需要规划的时间范围(规划窗)与能够预测时间范围(预测窗)一致。在实际场景中,预测窗很有可能小于规划窗。如何在一个预测窗长有限的条件下规划资源、满足用户需求也是一个尚未解决的问题。
为了探索实际的轨迹预测到底能为资源规划带来多少性能增益,本文面向超密集干扰网络研究了基于真实轨迹预测的资源规划方法。为了有效提升轨迹预测范围,考虑了一种基于编码-解码结构的长短期记忆网络(Long Short-Term Memory, LSTM)。考虑到实际系统中规划窗与预测窗不一致的问题,设计了一种分段资源规划方案。仿真结果表明,所提出的资源规划方案可以利用预测信息有效地协调网络干扰,在保证用户间公平性的前提下提高用户满意率,与被动干扰管理算法相比有明显的性能增益。与基于理想轨迹预测的资源规划方法相比,所提出的轨迹预测方法导致的性能损失不超过7%。
2 系统模型
考虑一个热点地区,有G个基站(Base Station, BS)服务K个活跃的用户(User Equipment, UE),每个基站有M根天线,每个用户有1根天线。该区域中有一个中央处理器(Center Point, CP)负责信息预测和资源规划。CP存储了每个用户在该区域内的历史轨迹数据和该区域的无线信号地图,包含了每个位置到网络中每个基站的平均信道增益(即大尺度信道信息,包括路径损耗和阴影衰落)。CP可以从每个基站获得用户当前的地理位置、预测用户未来一段时间范围内的移动轨迹、并进一步根据无线信号地图得到用户未来平均信道增益的预测值,从而进行资源规划。
图1 资源规划示意图
Fig.1 Illustration of resource planning
如图1(a)所示,CP收到K个用户在热点区域内发出的对文件下载业务请求,其中第k个用户请求在Tk时间范围内传输大小为Bk比特的文件。为了给这些用户提供完整的服务,系统对未来T=maxk{Tk}的时间范围内的传输资源进行规划,这段时间称为规划窗。
考虑[3]中的信道模型,如图1(b)所示,整个规划窗划被分成为N个帧,每帧包含Ns个时隙,帧和时隙的周期分别为Tf=T/N(秒级)和Ts=Tf/Ns(毫秒级)。用户与基站之间的大尺度信道在每个帧内保持不变,在不同帧之间会随着用户位置的移动发生变化。用户与基站之间的瞬时信道增益(即小尺度信道)在每个时隙内保持不变,在不同时隙之间发生变化。假设CP存储和预测的用户移动轨迹是以帧为分辨率的。因此,CP预测的是每帧的大尺度信道信息,无法预测每个时隙的小尺度信道信息。
为了降低资源规划的复杂度,考虑用户在每个帧内接入最近的基站,基站在每个帧内只选择一个用户进行服务,也就是将这个帧里的所有时隙都分给这个用户。为了便于描述,假设每个用户预期完成文件下载的时间Tk是帧周期Tf的整数倍,即用户k需要在Nk=Tk/Tf帧内完成文件下载。用二进制变量
表示资源规划结果,当
时,将第l帧分配给用户k,当
时不分配给用户k。因此用户k在Tk内能够传输的比特数为:
(1)
其中
表示用户k在第l帧的平均数据率。
对于文件下载业务,当Dk≥Bk时用户满意,否则不满意,网络中用户的满意率可表示为:
(2)
其中1(*)为示性函数,当括号中的事件成立时取值为1、否则为0。
资源规划的目标是通过设计
...,K,l=1,...,Nk使(2)中的用户满意率最大。
3 资源规划
令CP可以预测的时间范围为Tp,这段时间称为预测窗,包含Nf=Tp/Tf帧。现有一些研究(例如[5])假设Tp≥T,这时只需根据性能指标,对预测窗内的资源进行一次规划即可。实际上,T取决于业务需求,Tp取决于预测器的能力,并不总能保证Tp≥T。针对Tp≤T的场景,系统需要进行分段资源规划。当Tp≥T时,将分段个数设为1,所设计的规划策略也同样适用。因此,这种分段资源规划具有更一般性,所以本文就研究这类场景中的规划问题。如图2所示,整个规划窗被分成Np=T/Tp段,每段长度是预测窗长Tp。CP每次只对Tp内的资源进行规划。
图2 分段资源规划
Fig.2 Segmented resource planning
由于每次只考虑一个预测窗内的资源规划,若没有特殊说明,下面每个变量都考虑在该预测窗内的编号。
3.1 规划目标
我们先设计每段规划的目标。首先分析用户在一个预测窗内可以使用的资源数和需要传输的文件大小。对于第n个预测窗,根据图1(a)不难得知用户k可以使用的帧个数为:
(3)
为了使每个用户请求的文件能够尽快传完,把每个用户在预测窗开始时尚未传输的比特数设为需要传输的比特数。用户k在第n个预测窗内需要传输的比特个数为:
(4)
其中
表示用户k在第m个预测窗已经下载了的比特个数。
由于每段资源规划内没有传输完的文件可以在下一段规划时继续传输,因此(2)中表示是否完成文件下载的指标不适于作为每段规划的优化目标,为此需要用户的传输进度作为优化指标。对于用户k,在第n个预测窗内的传输进度定义为:
(5)
为了保证用户的公平性,引入用户传输进度的广义均值作为每段资源规划的优化目标,即:
(6)
其中p是一个参数,表示广义均值的指数。
如表1所示,对于不同的参数p,广义均值等价于不同的均值[11]。
根据广义均值的性质[11]可知,当p≥1时,取值较大的Jk将对Jn有较大的影响,系统倾向于把资源分配给快要下载完成的任务,从而提高用户的满意率;而当p<1时,取值较小的Jk对Jn有较大的影响,这时系统倾向于把资源分配给传输进度较慢的任务,从而提高用户的公平性。因此,选择不同的p值,可以在用户公平性和满意率之间进行折中。
表1 典型的广义均值
Tab.1 Classical generalized means
3.2 数据率预测
从(5)可知,进行资源规划的关键因素是预测用户的数据率
为了预测
首先需要预测用户的移动轨迹,然后再根据信号地图预测每个用户的大尺度信道信息,从而预测每个用户的数据率。
1)轨迹预测
在每一个预测窗开始之前,CP根据用户过去在长度为Th的时间内的轨迹,预测用户未来在长度为Tp时间内的轨迹。如图3所示,过去的这段时间称为“历史窗”,包含用户移动轨迹上的Nh=Th/Tf个位置,记为
未来的一段时间对应“预测窗”,包含Nf=Tp/Tf个位置,记为
其中
表示用户k在第l帧的位置,
和
分别是水平方向和垂直方向的地理坐标。
图3 轨迹预测示意图
Fig.3 Illustration of trajectory prediction
我们前期的工作[10]研究发现直接使用LSTM虽然能够较好地学习用户运动特征(例如停车或拐弯等),但是能够预测的窗长有限。为了提升预测窗的长度,本文采用基于LSTM的编码-解码结构[12],其中历史窗内的轨迹对应于编码器的输入序列,预测窗内的轨迹对应于解码器的输出序列。
如图4所示,把用户k历史窗内的轨迹
按序输入编码器中的LSTM网络,可训练得到状态信息
把
作为初始状态输入解码器中的LSTM网络,根据轨迹序列的连续性,解码器可以根据和当前位置依次预测用户的下一个位置,即:
图4 基于LSTM的编码-解码结构
Fig.4 Encoder-decoder structure based on LSTM
(7)
进行Nf步预测可以得到用户k在预测窗内全部移动轨迹
由于提取了用户历史轨迹中的移动特征,比只用一个LSTM网络可以提供更好的预测性能。
2)大尺度信道信息预测
下面根据信号地图来预测每个用户的大尺度信道信息。为了便于理解信号地图,图5给出了信号地图的示意图。
如图5(a)所示,信号地图记录了不同位置的用户到不同基站的大尺度信道,包含路径损耗和阴影衰落。考虑到在很长的时间内大尺度信道不变,因此信号地图可以提前测量并存储在CP端。根据预测用户k在第l帧的位置
和基站编号g,可以得到用户k第l帧与基站g的大尺度信道
如图5(b)所示。
在干扰网络里,预测用户性能时除了需要获得接入基站的大尺度信道,还需要获得其他邻近干扰基站的大尺度信道,因此CP需要存储一个位置到多个基站的大尺度信道。对于一些距离较远的基站,由于产生的干扰影响较小可忽略不计。因此,CP只需要存储该位置一定区域范围内的基站大尺度信道值,从而节省信号地图的存储空间。
3)预测干扰协调
在干扰网络里,如果假设所有基站都开启,则每个用户都受到非常严重的干扰,导致数据率很低。因此,资源规划时需要根据网络的干扰情况来决定哪些基站开启。然而,开启哪些基站又反过来影响用户的性能以及资源规划方案。为解决这个问题,我们采用[5]中提出预测干扰协调来处理可能存在的干扰。其基本思想是将同一帧内需要服务的多个用户进行分组,其中存在强干扰的用户分在不同组来避免干扰,只存在弱干扰的用户分在相同的组来复用资源。这样处理不仅协调了强干扰,而且产生弱干扰的基站是否开启对同组的用户性能影响不大,也去掉了基站开启对资源规划方案的影响。下面介绍如何实现用户分组。
首先,根据预测的大尺度信道建立干扰拓扑图。用户选择距离最近的基站接入,没有用户接入的基站关闭。基站在每帧内只调度一个用户。对于每个用户,如果其他邻近干扰基站的干扰强度与信号强度之比超过一定门限,则认为该基站产生强干扰。在第l帧的干扰拓扑图表示为Cl=(Vl,εl),其中Vl为顶点集合,表示网络中所有的用户-基站对。如果用户k接入基站g,那么(k,g)∈Vl;εl为边集合,表示哪些用户-基站对之间存在干扰。如果基站j服务用户i时对用户k产生强干扰,那么顶点(i, j)与(k,g)之间存在一条边,表示用户i和用户k之间存在强干扰,因此需要将这两个用户分在不同组来避免干扰。
其次,为了提高资源利用率,根据干扰拓扑图的最大独立集(Maximal Independent Sets,MIS)决定哪些用户可以被分在一组。在图论中,独立集是顶点集合的子集,并且集合中任意两个顶点不相邻,即任何两个顶点之间都没有边相连。其中,最大独立集是指其中的元素个数不能再多的子集,也就是每个最大独立集都不是任何一个独立集的子集。第l帧干扰拓扑图Cl的MIS可以表示为:
图5 信号地图示意图
Fig.5 Example of radio map
(8)
其中Zl是所有MISs的数量,
是第l帧的第z个分组结果,包含了可以使用相同资源的用户-基站对。
下面举例说明如何建立干扰拓扑图和对用户进行分组。图6(a)给出了一个由4个基站和5个用户构成的干扰网络。用户1～3分别接入基站1～3,用户4和用户5同时接入基站4。实线代表信号链路,虚线代表强干扰链路。根据图6(a)中用户与基站之间的接入、干扰关系,可以得到图6(b)中的干扰拓扑图,其中5个顶点代表5个用户-基站对,5条边代表干扰冲突。利用图论中的算法[13]可以得3个MIS,如图6(c)所示,D1表示用户1,3,5在一个组内,他们使用相同的资源传输信号。一个用户也可以在多个组里,例如用户3可以被分配在第一组和第三组中,这说明无论将第l帧分配给第一组或第三组,用户3都能得到服务。
4)数据率预测
经过预测干扰协调后可以估计每个用户在不同帧不同分组中的数据率。根据[5]中的分析可知,如果在第l帧内,用户k接入基站g、且在第z个用户分组中,那么用户k在第l帧的平均数据率为:
(9)
其中Γ(x)是伽马函数,
(x)是Meijer G-函数,
(10)
是用户k的平均信干噪比,P是基站的发射功率,基站天线个数M可以反映阵列增益,
为噪声方差。
3.3 预测资源规划
根据设计的规划目标和预测的用户数据率,下面建模优化问题求解资源规划。
协调完强干扰后,每个帧不再独立地分配给每个用户,而是分配给固定的一组用户,用二进制变量
...,Zl表示分配给哪组用户。当
时,表示将第l帧分配给第z个用户分组,
表示不分配。由于每个帧只能分配给一个用户组,因此
满足:
(11)
根据(5)可得用户k的传输进度为:
(12)
其中
将(12)带入(4),可得到资源规划的优化目标Jn。根据广义均值的性质[11],对于任意p值,Jn都与
成正比,因此可用
代替Jn来降低优化问题的复杂度。预测规划问题可以建模成:
∀l
∀l,z
(13)
因为问题P是一个典型的0-1规划,可用分支定界算法求得它的最优解,但是求解复杂度比较高。
图6 干扰拓扑和干扰分组方案
Fig.6 Interference topology and interference grouping scheme
下面采用梯度上升法通过迭代寻找该问题的最优解。通过求目标函数对优化变量的导数,可以得到第z个用户组的梯度:
(14)
可以反映如果把第l帧分配给第z个用户组能够为对优化目标有多大的贡献。因此,可以选择梯度最大的分组来分配资源,即:
(15)
从(14)和(12)可见,还取决于
与资源分配变量密切相关,并不是可以直接得到的参数。为了解决这一问题,我们采用迭代优化。首先将资源分配变量设为满足(11)的随机变量
根据资源分配方案计算传输进度
再根据传输进度估计梯度
从而更新资源分配变量
通过反复迭代优化
直到
不再增加,即可认为收敛。由于在迭代过程中,
总是单调递增的,因此可以保证资源分配方案至少可以收敛到局部最优解。由于是0-1变量,不能保证收敛到全局最优解。为了解决这一问题,可以通过选择不同初值进行并行优化来获得近最优解。
4 仿真结果
本节通过仿真分析轨迹预测和资源规划算法的性能。
4.1 轨迹数据集
为了评估所设计的资源规划方案的性能,需要考虑其典型应用场景。例如,当很多车辆堵在十字路口时,容易发生网络拥塞,需要资源规划来协调干扰,因此考虑的场景中需要具有一定的用户聚集特性。但是现有公开的轨迹数据集并没有该特性,因此本文采用合成的轨迹数据集。考虑的热点区域如图7所示,包含四个方向的道路和一个十字路口。每条道路是一个长为8 km的双向六车道,每个方向的3个车道包含了左转、直行和右转车道,每个车道宽3.5 m,每个双行道路宽21 m,十字路口是一个21 m×21 m的正方形区域,整个热点区域面积为4×8000×21+21×21=672441 m2。每个车辆用户在道路上的速度是40 km/h～70 km/h,加速度服从零均值,方差为1 m/s2的高斯分布,经过十字路口时直行和左转的车辆用户需要等待1～120 s随机时长的红绿灯。
基站均匀部署在道路两侧,基站和道路路边之间的距离是50 m,基站之间的距离是250 m,每条道路单侧部署8000/250=32个基站,整个热点区域有32×8-4=252个基站(其中4表示路口四个角落的基站,被两个道路公用)。区域中有40个用户,每个用户的发起请求位置均匀分布在整个热点区域内。
图7 道路拓扑和基站部署
Fig.7 Road topology and base station deployment
4.2 轨迹预测算法性能
为了预测用户移动轨迹,假设每个车辆用户将全球定位系统(Global Positioning System, GPS)测量的位置数据通过基站上报给CP,这样CP就能收集每个用户的历史轨迹数据。[14]中的研究表明,GPS可以提供较高的定位精度,因此本文假设CP收集的是用户准确的位置数据。在未来的工作中,我们将进一步研究定位误差的影响。
如果为每个用户设计独立的预测器,不仅需要训练太多的预测器,而且每个用户的历史数据非常有限,无法获得较好的预测性能。为此,采用所有用户的轨迹训练一个预测器来预测所有用户的轨迹。预测器的超参数(经过初步调试)见表2,假设所有用户一共有900条历史轨迹。
图8(a)给出了预测窗长分别为60 s,120 s和180 s的所有用户平均轨迹预测误差,图8(b)给出了预测窗长不同时预测误差的累积分布函数(Cumulative Distribution Function,CDF)。预测误差统计了用户从进入到离开该区域的全部轨迹。后面的资源规划只用了其中101～400 s范围的预测轨迹。
表2 轨迹预测仿真参数
Tab.2 Simulation parameters in trajectory prediction
参数数值训练/预测轨迹条数900/40隐含层节点数100网络层数2层/每个LSTM网络训练迭代次数20初始学习率0.0003输入时间步长50一次输入网络的训练样本数(批大小)64规划窗长360s预测窗长60s/120s/180s
图8 轨迹预测误差
Fig.8 Trajectory prediction error
从图8(a)中可见,在每个预测窗内,预测误差随着的时间单调增加,因此预测误差以预测窗为周期变化。在整个移动轨迹中,预测窗越长,预测误差越大。从图8(b)中可见,当预测窗长60 s时,90%的轨迹预测误差小于71 m,当预测窗长120 s时,90%的预测误差小于170 m,当预测窗长180 s时,90%的预测误差小于191 m。实际上,在道路中和路口的预测误差并不一样,路口由于停车、拐弯等原因导致预测误差远远大于道路中的特性。为了了解在道路中的预测特性,我们还统计了50%的预测误差。从图8(b)中可见,三个预测窗长的预测误差都不超过42 m,说明在道路中具有更高的预测精度。
下面评估训练和测试阶段的计算复杂度,所有的实验均使用一台6核英特尔CPU、英伟达1080Ti GPU和32 GB内存的计算机,在Python 3.6.0与Keras 2.2.4平台下实现。不同预测窗长的训练和预测样本数量和时间复杂度如表3所示。
表3 不同预测窗长的样本和时间复杂度
Tab.3 Comparison of different prediction horizons in sample and time complexity
预测窗长60s120s180s训练样本数589500589500589500训练时间4h36min5h37min6h12min测试样本数24012080测试时间42s30s24s
在训练阶段,无论预测窗长大小,我们统一将每条轨迹划分为655 个轨迹段(样本),因此900条轨迹对应总训练样本数为 655×900=589500。预测窗越长,预测的轨迹长度增加,因此训练时间随着预测窗长单调增加。在测试阶段,我们评估整个规划窗内所需的测试样本的数量和测试时间。由于每个规划窗需要分段预测,因此预测窗长度不同时,分段个数不同,对应的测试样本数量也不同。当预测窗长60 s时,每条轨迹规划窗需要分360÷60=6段,40个用户对应的测试样本数为6×40=240。类似地,当预测窗长分别为120 s和180 s时,测试样本数分别为120和80。由于增加预测窗长可以有效降低分段个数,因此测试时间是随着预测窗长单调递减。
4.3 大尺度信道预测性能
下面分析大尺度信道的预测性能,仿真参数参考规范[15],如表4所示。
表4 大尺度信息预测和资源规划仿真参数
Tab.4 Simulation parameters in large-scale channel predication and resource planning
参数数值基站发射功率30dBm基站天线个数2系统带宽20MHz噪声功率-95dBm小尺度信道瑞利衰落路径损耗38.46+36.8log(d)d为基站和用户间距离帧长1s时隙长度10ms
由于大尺度信道是通过如图6(a)所示的查表法得到,因此预测性能还受CP存储的信号地图分辨率的影响。如果考虑比较高的分辨率,例如以1 m×1 m区域为分辨粒度,那么整个区域(面积为672441 m2)对应672441个位置。每个位置需要记录与252个基站间的大尺度信道,若每个信道值采用8 bit(1 Byte)存储,则信号地图一共占用672441×252≈169 MBytes。高分辨率不仅占用较大的存储量,查表过程的计算量也较大。考虑到用户在道路中的平均行驶速度约为15 m/s,每秒的位置变化都在10 m以上,并且10 m内大尺度信息变化不大,因此可以降低信号地图的采样分辨率来节省信号地图的存储空间。为此,下面把在道路行驶方向上的采样间隔设为10 m、垂直方向上的采样间隔设为车道宽度3.5 m、十字路口的采样间隔设为3.5 m×3.5 m区域,故整个区域对应19236个位置,占用存储空间19236×252≈ 4.8 MBytes。进一步考虑到位置较远的基站对用户的性能影响较小,对每个用户可考虑与其邻近的10个基站间的大尺度信道,这时一共占用存储空间19236×10≈ 0.2 MBytes,这样可以大大减少CP的存储空间。
图9给出了大尺度信道的预测性能,其中图9(a)给出了接入基站的大尺度信道平均预测误差,图9(b)统计了接入基站和最强干扰基站大尺度信道预测误差的CDF曲线。
图9 大尺度信道的预测误差
Fig.9 Prediction error of large scale channel
从图9中结果可见,随着预测窗长度的增加,平均预测误差不断增加。当预测窗长60 s时,平均预测误差不超过±3 dB,90%的预测误差不超过5.2 dB;当预测窗长120 s时,平均预测误差不超过±4 dB,90%的预测误差不超过7.0 dB;当预测窗长180 s时,平均预测误差最大值不超过12 dB,90%的预测误差不超过8.6 dB。最强干扰基站的大尺度信道预测误差变化的趋势相似,同一预测窗中的干扰基站的预测误差略小于接入基站的预测误差。
4.4 资源规划算法性能
为了便于比较,考虑网络中所有用户请求的文件大小都相同(即Bk=B),但不同用户的预期完成下载的时间Tk不同,在300 s范围内均匀分布,规划窗长设为300 s。为了说明所提出资源规划的性能,我们还与全频重用(不考虑预测和干扰协调)、干扰协调(没有预测信息,只根据当前信道信息进行干扰协调)进行了比较。同时,为了评估大尺度信道预测误差的影响,还给出了预测信息理想时的资源规划方法的性能作为参考。
图10(a)比较了当预测窗长120 s时,用户需求不同时各种算法的性能;图10(b)比较了当用户需求为150 MBytes时,不同预测窗长条件下,不同算法的性能。表5根据图10(b)的结果统计了资源规划相对于已有算法的性能增益。
图10 资源规划算法的性能
Fig.10 Performance of resource planning algorithms
从图10和表5中结果可见,在任何用户需求和预测窗长的条件下,所提出的资源规划方法远优于全频重用和干扰协调算法,并且性能增益随着预测窗长的增加而增加。当预测窗长180 s,用户需求为150 MBytes时,相对于没有预测信息的干扰协调,资源规划可以提供45%以上的性能增益,说明了主动干扰管理相对于被动干扰管理在考虑了轨迹预测误差时能够提供的性能增益。与基于理想预测的结果相比,利用GPS数据进行轨迹预测的方法只有不超过7%的性能损失,这也说明所提出的轨迹预测算法和考虑的信道地图分辨率满足资源分配的需求。
表5 资源规划(有预测误差)算法的性能增益
Tab.5 Performance gain of resource planning(with prediction error)
预测窗长60s预测窗长120s预测窗长180s全频重用+20.2%+33.9%+47.2%干扰协调+9.6%+23.3%+36.6%资源规划(理想预测)-6.64%-5.2%-5.85%
5 结论
为了探索预测移动用户轨迹为资源规划带来的性能增益,本文研究了超密集网络中的轨迹预测和资源规划算法。考虑了一种基于编码-解码结构的轨迹预测算法,能够有效提升预测窗的长度,在秒级分辨率的条件下预测窗能够达到3分钟。还设计了一种分段资源规划方案,可以用于任意规划窗和预测窗长的场景。在进行分段资源规划时,通过把用户传输进度的广义均值设为目标,可以在保证用户公平性的同时提升用户满意率。仿真结果表明,基于所提出的轨迹预测算法,预测误差导致的资源规划性能损失不超过7%,满足资源规划的要求。相对于传统无预测的被动干扰管理算法,资源规划算法的性能增益随着预测窗长单调增加。当预测窗长3分钟、用户需求为150 MBytes时,可提升45%以上的性能。
[1] Osseiran A, Boccardi F, Braun V, et al. Scenarios for 5G mobile and wireless communications: the vision of the METIS project[J]. IEEE Commun. Mag, 2014, 52(5): 26-35.
[2] Abou-Zeid H, Hassanein H S. Predictive green wireless access: exploiting mobility and application information[J]. IEEE Wireless Commun, 2014, 20(5): 92-99.
[3] Yao C, Yang C, Xiong Z. Energy-saving predictive resource planning and allocation[J]. IEEE Trans. on Commun., 2016, 64(12): 5078-5095.
[4] Yao C, Guo J, Yang C. Achieving high throughput with predictive resource allocation[C]∥IEEE GlobalSIP 2016.
[5] Guo K, Liu T, Yang C, et al. Interference coordination and resource allocation planning with predicted average channel gains for HetNets[J]. IEEE Access, 2018, 6: 60137- 60151.
[6] Atawia R, Hassanein H S, Abou-Zeid H, et al. Robust content delivery and uncertainty tracking in predictive wireless networks[J]. IEEE Trans. on Wireless Commun., 2017, 16(4): 2327-2339.
[7] Atawia R, Hassanein H S, Ali N A, et al. Utilization of stochastic modelling for green predictive video delivery under network uncertainties[J]. IEEE Trans on Green Commun. and Netw., 2018, 2(2): 556-569.
[8] Chen X, Meriaux F, Valentin S. Predicting a user’s next cell with supervised learning based on channel states[J]. IEEE SPAWC 2013.
[9] Altché, Florent, Arnaud D L F. An LSTM network for highway trajectory prediction[C]∥IEEE ITSC 2017.
[10] Zhang W, Liu Y, Liu T, et al. Trajectory prediction with recurrent neural networks for predictive resource allocation[C]∥IEEE ICSP 2018.
[11] Bullen, P. S. Handbook of Means and Their Inequalities[J]. 2003, 10.1007/978-94-017-0399- 4.
[12] Sutskever I, Vinyals O, Le V Q. Sequence to sequence learning with neural networks[J]. NIPS 2014.
[13] Tomita E, Sutani Y, Higashi T, et al. A simple and faster branch-and-bound algorithm for finding a maximum clique with computational experiments[J]. IEICE Trans. Inf. Syst., 2016, 96(6): 1286-1298.
[14] Abbous A. El, Samanta N. A modeling of GPS error distributions[C]∥ENC 2017.
[15] 3GPP TSG RAN. Further advancements for E-UTRA physical layer aspects[S]. Tech.Rep.36.814 v9.0.0, 2010.
