异构网络中的基站休眠

孙晓爽

针对传统的基站休眠方法基于确定的流量模型设计，无法适应实际中基站负载流量动态变化的缺点，本文首先利用改进的小波神經网络（Modified Wavelet neural network，MWNN）模型对基站的负载流量进行动态预测，然后根据预测的结果选择在网络非高峰期时，利用微基站（Pico Base Stations，PBSs）代替宏基站（Macro Base Station，MBS）为用户提供服务。尽管微基站的覆盖范围小于宏基站，但是当用户数量处于非高峰期时，微基站的覆盖范围可以保证对用户较高的服务质量。由于微基站的发射功率要远小于宏基站的发射功率，因此该方法可以节省网络能耗，达到绿色通信的目的。

【关键词】异构网络 基站休眠 流量预测

1 基站休眠

信息和通信设备是电能消耗的一个主要来源，占全球能源消耗的比例已经达到2%左右，并且其规模还在增长，预计到2020年将会达到2016年的3倍以上。另据统计，在移动通信系统中，网络设备的能源消耗约占全部能耗的90%左右，手机等终端部分的能耗仅占约10%；而基站部分的能耗就占到了网络设备能耗总量的80%以上，核心网仅占不到20%。由此可见，减少基站能源消耗可以大幅度降低网络能耗，而在网络处于非高峰期时，动态休眠一些基站是一种最直接、最有效的手段。

但在实际中，使一些基站进入休眠或关闭状态可能会导致一些区域的用户无法被服务，这是不允许的。另外，一些传统的基站休眠方法基于确定的流量模型提出，无法适应实际中基站负载流量是动态变化的情况。

2 基于流量预测的基站休眠方法

本文利用改进的小波神经网络模型根据基站流量历史信息，对基站流量进行动态预测，然后根据流量预测结果选择是否休眠宏基站，从而利用微基站对用户进行服务，达到节省网络能耗的目的。首先初始化搭建改进的小波神经网络模型，利用采集到的基站流量信息对MWNN模型进行训练，以达到设定的目标预测误差精度，然后利用训练完成的MWNN模型和所需要的历史基站流量信息对未来的基站流量进行预测，选择在非用户高峰期时，休眠宏基站利用微基站提供用户服务。

为实现上述目的，具体包括以下步骤：

（1）收集一个宏小区（宏基站提供用户服务）内一周的基站负载流量数据，并且以小时为间隔，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。

（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：

其中，wij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，ai和bj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

其中，vjk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

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aj，bj，以及输入神经元与隐含层神经元之间的连接权值wij，隐含层神经元与输出层神经元之间的连接权值vjk的值，以使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，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，以节省能量消耗，达到绿色通信的目的。

在步骤（3）中，MWNN模型改进了伸缩因子和平移因子aj和bj，以及各层神经元之间连接权值wij以及vjk时所采用的梯度下降法，在梯度下降法的基础上增加动量调整因子，使得神经网络在调整过程中不仅顾及预测误差在梯度上的影响，而且考虑到了预测误差在误差表面变化趋势的影响。具体方法为：

其中u和η分别表示wij，vjk以及aj，bj的学习速率，表示动量调整因子。

在步骤（6）中，根据改进的小波神经网络的预测结果，当宏小区处于非高峰期时，宏基站将处于休眠状态，宏小区内用户将选择离自己最近的一个微基站接入，同时设定参数△以判断该用户是否可以接入此微基站

其中，Pmax（j）和Pout（j）分别表示微基站j最大可发射功率和实际发射功率，Pol（j）表示由于该用户的接入微基站j需要额外增加的发射功率。若△≥0，则该用户可以接入此微基站，如果△<0，则该用户选择离自己第二近的微基站接入，按此方法，直到找到可以接入的微基站为自己提供服务。

3 仿真结果

图1表示改进的小波神经网络在训练过程中预测达到目标预测误差精度的收敛过程仿真图，以及利用改进的小波神经网络对基站流量进行预测的结果与实际流量数据的对比仿真图。

如图1所示分别为MWNN模型在训练过程中，预测误差达到目标预测精度所用的迭代次数与传统的小波神经网络（Wavelet neural network，WNN）的对比，以及训练完成后MWNN的预测数据与真实数据的对比示意图。从图中可以看出，改进的小波神经网络收敛速度较之改进前更快，而且训练完成的MWNN预测准确性很高。

参考文献

[1]王路洋.异构蜂窝网络基站休眠技术研究[D].上海交通大学，2015.

[2]滕颖蕾，袁得嵛，马跃，等.应用于蜂窝异构网络的基站协作休眠方法及系统， CN104602329A[P].2015.

[3]陈登昭.异构蜂窝网络下基站节能技术研究[D].吉林大学，2016.

作者单位

空军工程大学信息与导航学院 陕西省西安市 710077