随着移动用户的爆炸式增长,无线资源日益匮乏。然而,网络负载的分布并不均衡[1],导致无线资源并没有充分被利用。如何合理地均衡网络负载,为用户分配足够资源,在提升用户体验的同时提高系统的资源利用率一直是尚未解决的问题。
不少文献研究了移动负载均衡(Mobility Load Balancing,MLB),其主要思想是通过调整相邻小区的偏置参数来改变用户的接入基站,使负载严重小区(即过载小区)中的用户可以分流到相邻负载较轻的小区,从而使各小区的负载相对均衡[2-4]。文献[2]设置一个固定的负载量门限来判断是否需要进行负载均衡,当超过门限时则调整偏置参数来均衡网络负载。文献[3]提出周期性调整负载门限的策略。文献[4]以资源占用率来衡量网络负载并自适应地调整门限。在负载均衡的过程中,要把一部分用户从接入距离最近的、负载较重的小区分流到接入距离较远、负载较轻的小区,导致分流后用户受到严重的干扰。然而,这些负载均衡方法并没有考虑干扰协调来保护分流后的用户,使得负载均衡后系统总的资源利用率降低。
考虑到无线网络环境非平稳,用户加入或离开网络、发出新的业务请求、以及用户移动都会导致网络负载动态变化。如果根据当前的网络负载来优化未来的负载均衡策略,实际的网络负载可能早已发生变化,导致负载均衡性能下降。随着无线大数据和移动人工智能的快速发展,近期已经有很多关于信息预测以及利用预测信息进行资源分配的研究工作[5-10]。这些研究结果表明,根据预测的用户位置和网络负载进行主动资源规划,可以大大提升蜂窝网络的吞吐量和用户体验[8-10]。文献[5]利用过去几秒内的用户位置(分辨率为10~100 ms)预测用户在下一个时刻的位置。文献[6]可以利用15分钟分辨率的历史流量数据预测基站在未来一天的网络流量。文献[7]面向预测资源分配采用长短时记忆神经网络对城市道路的车辆用户未来一段时间内每秒的位置进行了预测,可以预测未来一分钟时间窗内的移动轨迹、且90%的预测误差小于6 m。根据预测的用户位置并结合信号地图,就可以预测用户的平均信道增益。文献[8]把预测的平均信道增益用于资源分配,在保证移动用户实时业务和非实时业务的各自服务质量的前提下节约了网络资源。文献[9]利用预测的平均信道增益进行资源分配,以提高异构网络中非实时用户的满意率。文献[10]用全连接深度神经网络(Deep Neural Network,DNN)来预测粗粒度的信道增益,并面向非实时业务提出了一种多时间尺度的资源分配方法。目前,还没有文献利用预测的信息进行主动负载均衡。
本文面向实时业务,提出一种基于干扰协调的主动负载均衡算法,主要贡献如下:
1)为了解决分流后的用户受到严重的小区间干扰导致用户体验差且系统资源开销大的问题,我们在负载均衡中引入干扰协调,能够有效提升分流后的用户性能,并降低系统总资源开销;
2)通过优化小区中心用户与边缘用户的划分和带宽分配,可以在满足用户需求和均衡网络负载的条件下最小化系统的总资源开销;
3)为了解决被动负载均衡固有的延迟所导致的实时业务用户体验下降的问题,我们通过预测用户的大尺度信道信息实现主动负载均衡。与被动的方法相比,所提出的算法能够降低用户的掉线概率。
本文后续部分的结构如下:第2节介绍系统模型;第3节介绍主动负载均衡算法;第4节进行仿真分析;第5节对全文进行总结。
考虑一个G个基站服务K个用户的下行蜂窝网络系统,每个基站有M个天线,每个用户有单天线、请求实时业务。系统带宽为B,各资源块(Resource Block,RB)的带宽为ΔB,则系统可用RB总数为N=B/ΔB,可用RB的集合记为把时间划分为长度为Δf的帧,每个帧包含Tt个单位长度的时隙。大尺度信道增益在每帧(如1 s)内保持不变,在不同的帧可能发生变化。小尺度信道增益在每个时隙内(如10 ms)保持不变,在不同的时隙间统计独立同分布。
对于第k个用户(记为用户UEk),在第f帧第t个时隙的瞬时数据率需要满足:
(1)
其中为用户UEk所需的最小数据率。
为了满足实时业务用户的数据率需求,需要在每一帧内优化用户接入的基站和使用的资源。
为了平衡网络负载,系统需要把一部分用户从负载严重的小区分流到负载较轻的小区。为了避免用户频繁地更换接入基站,用户每一帧内接入的基站不变。用二元变量表示在第f帧是否将UEk从BSi分流到BSj,i≠j,i, j=1,…,G,称为分流变量。当时,表示需要分流;否则表示不分流。因此,负载均衡后过载小区BSi和负载量较轻的小区BSj第f帧的用户集合变为:
(2a)
(2b)
确定接入基站后,系统为用户分配资源,为了满足如(1)所示的瞬时数据率,需要在每一时隙优化资源分配。采用二元变量表示在第f帧第t个时隙是否将第n个RB分给UEk。分给用户UEk的RB个数不能超过系统的总RB总数,因此资源分配变量应满足:
(3)
当时,用户的接收信号为:
(4)
其中表示用户发送的信号,表示预编码向量,表示BSg到UEk的在第n个RB上的信道向量,Pg表示BSg的总发射功率,表示BSg给UEk的发射功率,表示噪声和网络中其他小区间干扰,为零均值的高斯随机变量。
为了消除小区内多用户干扰,限定小区每个RB上的最大接入用户数为采用迫零预编码,则资源分配变量和预编码向量需分别满足:
(5)
(6)
其中
根据式(4)可以得到UEk的信干噪比(Signal to Interference plus Noise Ratio,SINR)为:
(7)
其中表示噪声和小区间干扰的功率。UEk的瞬时数据率为:
(8)
对于实时业务,若瞬时数据率低于用户需求,则可能出现服务中断。考虑到实时业务的用户体验,以用户掉线概率来评价系统性能[11]。UEk每帧的掉线概率为:
(9)
其中1(·)表示指示函数。
用RB占用率来评估各个小区的负载是否均衡。在第f帧BSg的RB占用率(Resource Block Utilization Ratio,RBUR)为:
(10)
此时系统的总RB占用率为:
(11)
为了避免某个小区的资源占用率过高,引入如下的资源占用门限:
(12)
其中RBURth表示系统允许的最大资源占用率。
为了在网络负载均衡的前提下使系统服务多用户的总资源开销最小化,需要优化用户分流和资源分配策略。本节首先建模优化问题,然后引入干扰协调进一步化简原问题,从而得到能最小化资源开销的负载均衡策略。最后,基于用户的位置预测,提出了主动负载均衡算法。
为了在保证用户需求、各小区资源占用均衡的条件下最小化系统的总资源开销,需要对用户分流变量和资源分配变量进行联合优化,优化问题可以建模为:
(13a)
(13b)
(13c)
(13d)
(13e)
(12)
其中(13d)是各基站服务最大用户数的约束,(13e)是用户数据率需求的约束,(12)是满足各小区资源占用率约束。
这是一个组合优化问题,当采用分支界定算法求解该问题时,最坏情况下的复杂度为很难满足实时资源分配需求。文献[9]的分析表明,用户受到的干扰与资源分配策略相耦合,导致问题求解困难,为了降低问题求解的复杂度,可以先进行干扰协调,再优化负载均衡方案。进行干扰协调不仅能简化问题,还能保护分流后用户的性能。
下面,3.2节假设信道状态信息理想已知,设计基于干扰协调的负载均衡策略,在3.3节基于预测用户的大尺度信道增益,设计主动负载均衡策略。后文为了简化表达省去帧的序号f。
负载均衡把一部分用户从负载重的小区分流到负载较轻的小区。如果采用全频重用的方式,那么将对分流后的用户产生严重的干扰,急剧增加满足用户数据率所需的资源。为了保证被分流用户的性能,我们采用部分频率重用(Fractional Frequency Reuse,FFR)来协调小区间干扰。
3.2.1 基于FFR的干扰协调
FFR干扰协调策略如图1所示,对于小区中心用户,由于受到的小区间干扰强度比较低,可以采用全频重用的方式;而小区边缘用户受到的小区间干扰比较严重,需要采用正交资源分配来协调干扰。具体而言,小区中心和小区边缘采用正交的RB资源,把分配给小区中心和G个小区边缘的RB集合记为和相应的RB数分别为和每个小区可用的RB个数分别为Ng=Ne+Nc,g=1,…,G,因此所有小区可用的总RB数为Nc+GNe=N。
图1 FFR干扰协调示意图
Fig.1 Illustration of FFR
为了给用户分配资源,首先需要估计用户的SINR。由于用户受到的干扰与资源分配策略密切相关,很难直接估计SINR。文献[11]的分析表明,把协调后的干扰近似为噪声、根据每帧内的平均干扰功率来计算SINR具有较高的预测精度。这时,小区中心和边缘用户的平均SINR可以分别估计为:
(14a)
(14b)
其中和分别为小区中心和边缘用户的噪声功率。
当采用FFR时,小区中心用户和边缘用户受到的干扰不同,中心用户受到小区间干扰的影响,见(14a),而小区边缘用户不再受到小区间干扰的影响,见(14b)。
为了满足(13e)所示的用户的数据率需求,给每个用户分配所需的RB数需满足:
(15)
其中βk表示将用户UEk划分为中心用户或边缘用户,当βk=1时表示将UEk划分为中心用户,当βk=0时表示将UEk划分为边缘用户。和分别为小区中心用户和边缘用户在单位RB上的平均数据率:
(16a)
(16b)
考虑到小区中心用户可以重用资源,而小区边缘用户需要使用正交资源,则整个系统所需的资源数为:
(17)
由于中心用户和边缘用户可用资源不同,受到的干扰也不同,因此为了使系统的总资源消耗最小,我们需要优化小区中心和小区边缘的分界线。将(15)代入(17),对βk求导:
(18)
可得当时,作为中心用户和作为边缘用户占用的资源数相同,而当时,划分为中心用户占用的资源最小,当时,划分为边缘用户占用的资源最小。为了降低系统总资源开销,选择占用资源最小的方式划分用户,因此小区边缘和小区中心的用户集合可以表示为:
(19a)
(19b)
根据每个用户所需的RB数,可以进一步得到小区中心和边缘区域各自所需的总RB个数:
(20a)
(20b)
各区域的RB资源应该满足该区域所有用户的需求,则各区域所需资源数取决于该区域单个用户所需RB数和所有用户平均需要RB数的最大值。
根据(20),BSg的RB占用率可以估计为:
(21)
根据(21)可以判断各小区的负载量,进一步由(12)判断是否需要进行负载均衡。
3.2.2 用户分流
当采用FFR时,与小区中心用户不同,小区边缘用户改变接入基站不会受到干扰、且信号功率变化小,能够有效降低分流带来的额外资源开销,因此在优化用户分流时只对小区边缘用户进行分流。
在确定了哪些用户可以分流后,还需要考虑可以分流多少用户。这不仅取决于网络负载的不均衡程度,还取决于每个小区的可用资源。由于中心用户不需要进行分流,而边缘用户分流后可能需要更多的RB,因此还需要优化小区中心和小区边缘用户所占用的RB资源总数来增加用户分流的机会。由于小区中心用户所需的资源在分流过程中不会变化,因此先满足中心用户的资源需求,把剩余的资源全部分配给边缘用户。这样,小区中心和小区边缘用户可用的RB总数分别为:
Nc=mc
(22a)
(22b)
在确定分配给不同区域的总资源后,小区中心用户的RB资源数已确定,不会受到分流边缘用户的影响。边缘用户占用的总RB数与分流变量ak,i→j有关,因此可以把原优化问题简化为只需要对边缘用户的分流变量ak,i→j进行优化。假设BSi和BSj分别是负载重和负载轻的两个基站,需要优化是否把小区i的边缘用户k分流到小区j的分流变量ak,i→j。小区边缘用户的平均SINR可以表示为:
(23)
其中γk,i和γk, j表示分别接入i和j的SINR。
把(23)代入(15),得到边缘用户所需的RB个数mk:
(24)
其中Δmk,i→j表示从BSi分流到BSj以后为了满足用户的数据率要求需增加的RB个数:
(25)
如(24)所示,用户所需的RB资源数是一个与ak,i→j有关的变量,可以通过只对ak,i→j进行优化来最小化系统总资源开销。因此,考虑FFR后(13)中的优化问题P1变为:
(26a)
(26b)
(26c)
(26d)
(24),(25)
P2仍然是一个组合优化问题,可以通过遍历ak,i→j的所有可能性来得到最优解,直接求解该问题仍具有指数级复杂度。然而从(24)中可以看出,用户分流后增加的RB数与Δmk,i→j的大小成单调关系,即Δmk,i→j越大分流后的资源开销越大。为了降低系统的总资源开销,根据Δmk,i→j的值对小区i的边缘用户从低到高进行排序,优先分流Δmk,i→j低的用户。根据小区i已经占用的资源和小区j剩余的可用资源,来判断是否需要继续分流用户,直到所有的用户需求都得到满足、网络的负载得到均衡为止。
如图2所示,不同的小区边缘使用正交频率资源,小区1的负载较为严重,而小区2和小区3的负载相对较轻。在对小区1的边缘用户UE1和UE2进行分流时,首先比较两个用户进行分流后增加的RB资源个数Δmk,i→j,优先分流增加RB数少的用户,并根据小区2和小区3的边缘剩余资源决定具体分流多少用户。
图2 分流示意图
Fig.2 Illustration of offloading
上一节假设大尺度信道信息理想已知进行负载均衡,而实际中我们需要预估大尺度信道信息。目前的负载均衡方法都是根据当前帧内测量的大尺度信道增益优化下一帧用户分流和资源分配,是被动式的。而通过预测用户下一帧的大尺度信道增益,可以设计主动负载均衡,进一步提升用户体验。
考虑到大尺度信道增益与用户的位置有关,因此基站可以预先测量和存储信号地图(即相邻基站到每个位置用户的大尺度信道增益值),通过预测用户位置、并结合信号地图,就可以得到大尺度信道增益的预测值。可见,实现主动负载均衡的第一步是预测用户位置。
根据用户历史窗内的位置预测下一帧的位置,假设历史窗长度为Th,包含Nh=Th/Δf 个位置,那么历史窗包含的用户位置可以表示为xHis(f)=[x(f-Nh+1),…,x(f)]T,预测下一帧的位置预测器可以表示为:
(27)
其中x(f)表示用户在第f帧的位置。
用户位置的预测误差可以表示为:
(28)
其中‖x‖表示x的范数。
为了提高预测精度,这里采用DNN来实现位置预测,常用的预测器有全连接DNN[10]、长短期记忆网络(Long-Short Term Memory,LSTM)[7]。从[10]、[7]的分析可见,如果预测未来一段时间范围内的移动轨迹,采用LSTM可以获得更低的预测精度;而只预测下一个位置,采用全连接DNN可以更好地在预测精度与计算复杂度之间折中,因此本文采用全连接DNN来实现位置预测。使用的DNN包含输入层、隐藏层和输出层,层与层之间的神经元相互连接。除输出层为线性函数外,其余神经元的激活函数均设置为线性整流函数。整个神经网络可以被看作为一个非线性的回归函数,训练时通过反向传播误差更新网络参数,从而使得损失函数值达到最小。
训练完成后,输入用户的历史窗内的位置就可以得到用户下一帧的预测位置,预测位置结合信号地图就可以得到用户大尺度信道增益的预测值根据预测的大尺度信道增益可以预估用户的平均数据率,然后为小区中心用户和边缘用户预先分配资源,从而预先判断是否需要进行负载均衡。若需要进行负载均衡,则遍历过载小区的边缘用户根据其资源需求分流到其他小区,而后在每个时隙开始时根据用户的小尺度信道增益调整所分配的RB数。
主动负载均衡算法的实现过程总结如下。
步骤1 通过预测用户位置得到大尺度信道增益的预测值。
步骤2 根据(16)和(19),利用用户的大尺度信道增益预测值划分小区中心用户和边缘用户。
步骤3 根据(15)计算满足用户数据率要求所需的资源数,再由(20)和(22)给中心用户和边缘用户分配总RB数,对各小区边缘用户用正交资源服务以协调干扰。
步骤4 根据(21)计算各小区的负载,判断是否需要进行负载均衡。若需要,则进入步骤5,否则直接进入步骤6。
步骤5 若需要进行负载均衡,则把过载小区i的边缘用户根据(24)的Δmk,i→j从低到高排序,根据小区i已经占用的资源和相邻负载较轻的小区j剩余可用资源决定是否继续分流用户,直到网络负载均衡。
步骤6 确定用户接入的基站后,在每个时隙开始时刻,根据用户的小尺度信道增益调节给用户分配的RB数以满足用户需求。
本节通过仿真实验评估所提出的主动负载均衡算法的性能。
考虑一个包含3个小区、170个用户的蜂窝网络。用户的最小数据率需求每帧长度为1 s,各时隙长度为10 ms。系统带宽B为10 MHz,单位RB的带宽ΔB为200 kHz,每个时隙有50个RB。无线网络的仿真设置按照3GPP的标准[12]设置,具体参数如表1所示。
表1 无线网络仿真参数
Tab.1 Wireless network simulation parameters
参数数值基站间距/m200基站天线数M16单个RB上最大服务用户数Kmax75%M基站发射功率/dBm40接收噪声功率/dBm-95小区中心用户的干扰噪声功率/dBm-58小区边缘用户的干扰噪声功率/dBm-63路径损耗15.3+37.5lg(d)阴影衰落标准差/dB8阴影衰落相关距离/m120
假设移动用户的速度为1 m/s~2 m/s,加速度服从零均值、方差为2 m2/s2的高斯分布,每条轨迹时长为30 s,以1 s为采样间隔得到轨迹上的位置。由于负载均衡时不会分流小区中心用户,为了评估典型应用场景中负载均衡的性能,移动用户主要分布在小区边缘。由于全球定位系统获得的位置存在测量误差,因此在生成的轨迹数据中加入零均值、方差为1 m2的高斯白噪声来表示测量误差。
场景1考虑位置固定的用户和移动用户。为了评估负载均衡的性能,把小区1设为过载小区、其中有70个用户,小区2和小区3的负载相对较轻、其中的用户数均为50个。在场景2中小区1为过载小区,用户数为90个;小区2和小区3中各40个用户。与场景1相比,场景2的网络负载更加不平衡,可以反映负载不平衡程度不同时的性能。若无特殊说明,下文中的仿真设置保持不变。
用所有用户的轨迹训练一个DNN预测用户未来的位置,DNN的超参数(经初步调试)见表2。
表2 位置预测仿真参数
Tab.2 Location prediction simulation parameters
参数数值训练/预测轨迹条数300/48网络层数4输入层/隐藏层/输出层节点数40/200/200/2学习率0.0006训练样本数3000批大小128历史窗长度20s
为了评估主动负载均衡算法(简称为“主动MLB”)的性能,与如下几种策略进行比较:
1)“无MLB”:不进行负载均衡、也不进行干扰协调;
2)“无干扰协调”:只进行负载均衡、不进行干扰协调,采用文献[4]的方法,分流的用户数根据负载量自适应地调整;
3)“被动MLB”:采用文献[2]的被动负载均衡方法,根据当前帧的大尺度信道信息优化用户分流和资源分配;
4)“主动MLB(无测量误差)”:基于真实轨迹上的位置进行位置预测来优化用户分流和资源分配;
5)“主动MLB(含测量误差)”:基于有测量误差的数据进行位置预测来优化用户分流和资源分配。
4.2.1 预测理想时不同负载均衡方法的资源占用率
为了分析不同方法的最优性能,首先假设未来信道理想已知,此时不同方法的用户掉线概率均为0,比较“无MLB”、“无干扰协调”和“主动MLB”的资源占用率。图3给出了两种场景下各小区的资源占用率和系统的总资源占用率。
图3 信道信息理想时不同方法的资源占用率
Fig.3 RBUR of different methods when channel information is perfect
可以看出,与“无MLB”相比,“无干扰协调”和“主动MLB”能使过载小区(小区1)的负载降低,使三个小区的负载比较均衡。由于“主动MLB”考虑了干扰协调,中心用户和边缘用户的资源重用方式不同,每个小区实际可用的RB数小于总的RB数,仿真还比较了不同方法的系统总资源占用率。可以看出,与“无MLB”相比,“无干扰协调”进行了负载均衡,在保证用户掉线概率相同的情况下,系统占用较少的资源。与“无干扰协调”相比,“主动MLB”在负载均衡中引入了干扰协调,系统总占用RB数下降,可见在负载均衡中引入干扰协调能提高系统的资源利用率。与场景1相比,场景2的负载更不平衡,“主动MLB”仍然可以有效地均衡各小区负载,降低系统占用资源率。
4.2.2 预测非理想时不同负载均衡方法的用户掉线概率
上一小节比较了信道信息理想已知且系统资源能够服务所有用户时不同负载均衡方法的资源占用率。本节考虑不同方法均使用70%的系统资源,在资源不足以服务所有用户时,比较信道信息非理想已知的情况下“无MLB”、“无干扰协调”、“被动MLB”和“主动MLB”的用户掉线概率,结果如图4所示。
图4 RB数相同时不同方法的用户掉线概率
Fig.4 Outage probability of different methods with same number of RBs
可以看出在两种场景下不进行负载均衡时用户的掉线概率均最高,这是由于小区1的负载量大、可使用的资源少导致一些用户无法获得服务。与“无MLB”相比,“无干扰协调”进行了负载均衡,可以把过载小区中的部分用户分流到其他小区从而降低用户掉线概率。与“无干扰协调”相比,“被动MLB”在负载均衡中进一步引入了干扰协调,提升了边缘用户的数据率,因此用户掉线概率较低。“主动MLB”的性能优于“被动MLB”,表明利用大尺度信道预测实现主动负载均衡能进一步降低用户掉线概率。与场景1相比,场景2中过载小区与其余两个小区的负载相差更大、用户更多,因此在用相同数量资源时场景2中,用户发生掉线的概率增加。在场景2中,“主动MLB”的性能仍然优于其他方法。
4.2.3 有位置预测误差时主动负载均衡的性能
为了分析位置预测误差对负载均衡性能的影响,下面首先给出位置测量误差不同时的位置预测性能,而后比较不同负载均衡方法的资源占用率和用户掉线概率。
图5给出了位置测量误差不同时位置预测误差的累积分布函数(Cumulative Distribution Function,CDF)。可以看出,当测量误差为0时,90%的位置预测误差低于0.41 m;当位置测量误差为零均值、方差为0.1 m2的高斯白噪声时,90%的位置预测误差低于0.46 m;当测量误差为零均值、方差为1 m2的高斯白噪声时,90%的位置预测误差低于1.57 m。
图5 位置测量误差不同时位置预测误差的CDF
Fig.5 CDF of location prediction under different location measurement errors
图6给出了当采样不同的负载均衡方法时系统的总资源占用率随时间的变化情况。从图中可以看出“理想MLB”,“主动MLB(无测量噪声)”和“主动MLB(有测量噪声)”的资源占用率基本相同,可见位置预测误差对主动负载均衡的性能影响较小。“被动MLB”与“主动MLB”的资源占用数相差不大,可见“被动MLB”与“主动MLB”在系统占用资源率方面的差别较小。与4.2.1的结果相同,“主动MLB”的系统占用资源率低于“无干扰协调”,“无MLB”占用资源最多,说明负载均衡能降低系统总的资源开销。
图6 系统占用资源率随时间变化曲线
Fig.6 RBUR of the system versus time
图7给出了用户掉线概率。结果表明,“主动MLB(有测量噪声)”与“主动MLB(无测量噪声)”用户掉线概率相差较小,说明测量误差对主动负载均衡的性能影响不大。与4.2.2的结果相同,与“被动MLB”相比,“主动MLB”利用大尺度信道预测信息能够降低用户掉线概率。与“无MLB”和“无干扰协调”相比,“主动MLB”同时考虑干扰协调和负载均衡,能够提升用户体验。
图7 用户掉线概率随时间变化曲线
Fig.7 Outage probability versus time
本文面向实时业务请求提出了一种基于干扰协调的主动负载均衡算法。通过引入干扰协调,解决了分流后的用户由于受到严重的小区间干扰为达到最小数据率所需资源更多的问题;通过在满足用户需求和均衡网络负载的前提下优化用户划分和资源分配使系统总资源开销最小,有效地降低了系统的总占用资源率;通过利用预测的大尺度信道实现主动负载均衡,能够降低用户掉线概率、提升用户体验。研究还表明,所提出的算法对位置预测误差具有一定的鲁棒性。
[1] PARK J, KIM Y, LEE J R.Mobility load balancing method for self-organizing wireless networks inspired by synchronization and matching with preferences[J].IEEE Transactions on Vehicular Technology, 2018, 67(3): 2594-2606.
[2] TUNCEL N O, KOCA M.Joint mobility load balancing and inter-cell interference coordination for self-organizing OFDMA networks[C]∥2015 IEEE 81st Vehicular Technology Conference(VTC Spring).Glasgow, UK.IEEE, 2015:1-5.
[3] YANG Ying, LI Pengfei, CHEN Xiaohui, et al.A high-efficient algorithm of mobile load balancing in LTE system[C]∥2012 IEEE Vehicular Technology Conference(VTC Fall).Quebec City, QC, Canada.IEEE, 2012: 1-5.
[4] HASAN M M, KWON S, NA J H.Adaptive mobility load balancing algorithm for LTE small-cell networks[J].IEEE Transactions on Wireless Communications, 2018, 17(4): 2205-2217.
[5] ALTCHÉ F, DE LA FORTELLE A.An LSTM network for highway trajectory prediction[C]∥2017 IEEE 20th International Conference on Intelligent Transportation Systems(ITSC).Yokohama, Japan.IEEE, 2017: 353-359.
[6] LI Rongpeng, ZHAO Zhifeng, ZHOU Xuan, et al.Energy savings scheme in radio access networks via compressive sensing-based traffic load prediction[J].Transactions on Emerging Telecommunications Technologies, 2014, 25(4):468-478.
[7] ZHANG Wenjing, LIU Yuan, LIU Tingting, et al.Trajectory prediction with recurrent neural networks for predictive resource allocation[C]∥2018 14th IEEE International Conference on Signal Processing(ICSP).Beijing, China.IEEE, 2018: 634-639.
[8] SHE Changyang, YANG Chenyang.Energy efficient resource allocation for hybrid services with future channel gains[J].IEEE Transactions on Green Communications and Networking, 2020, 4(1): 165-179.
[9] GUO Kaiyang, LIU Tingting, YANG Chenyang, et al.Interference coordination and resource allocation planning with predicted average channel gains for HetNets[J].IEEE Access, 2018, 6: 60137-60151.
[10] GUO Jia, YANG Chenyang, CHIH-LIN I.Exploiting future radio resources with end-to-end prediction by deep learning[J].IEEE Access, 2018, 6: 75729-75747.
[11] QI Kaiqiang, LIU Tingting, YANG Chenyang, et al.Dual connectivity-aided proactive handover and resource reservation for mobile users[J].IEEE Access, 2021, 9: 36100-36113.
[12] 3GPP TSG RAN.Long Term Evolution.Further advancements for E-UTRA physical layer aspects[S].TR 36.814 v9.0.0, 2010.
Reference format: BAI Pengfei, LIU Tingting, YANG Chenyang, et al.Proactive load balancing based on interference coordination[J].Journal of Signal Processing, 2021, 37(8): 1409-1418.DOI: 10.16798/j.issn.1003-0530.2021.08.008.
拜鹏飞 男,1995年生,河南焦作人。北京航空航天大学硕士研究生,主要研究方向为预测资源分配、信道增益预测、负载均衡等。
E-mail: pengfeibai@buaa.edu.cn
刘婷婷 女,1982年生,陕西西安人。北京航空航天大学副教授,主要研究方向为预测资源管理、联邦学习、6G移动通信等。
E-mail: ttliu@buaa.edu.cn
杨晨阳 女,1965年生,浙江杭州人。北京航空航天大学教授,博士生导师,研究方向为基于机器学习和无线大数据的缓存和传输资源管理、以及超可靠低延时通信等。
E-mail: cyyang@buaa.edu.cn
索士强 男,1975年生,天津人。大唐移动通信设备有限公司新技术部总经理,研究方向为6G及未来新技术等。
E-mail: suoshiqiang@datangmobile.cn
黄远芳 女,1973年生,广西河池人。大唐移动通信设备有限公司资深工程师,研究方向为5G移动通信及RAN智能控制等。
E-mail: huangyuanfang@datangmobile.cn