本发明提供了一种基于用户行为预测的小基站唤醒方法。对于用户的移动行为和APP使用使用，分别建模并预测，可以得到用户在下一时间段的位置坐标信息以及所使用的APP类型信息。根据用户的坐标信息可以判断出下一时间段内用户到达的小区。由预测的用户使用的APP类型信息，可以估算出用户在下一时间段内的数据速率需求。本发明根据预测得到的目标小区内用户的速率需求，判断是否需要唤醒小基站，在用户需求较低的情况下，可以由宏基站为用户提供服务，达到在保证用户需求的情况下，降低网络的能耗的目的。
1.一种基于用户行为预测的小基站唤醒方法，其特征在于，包括如下步骤：步骤1.对目标小区，预测所有将到达该小区的用户；
步骤2.预测每一个用户下一时段内会使用哪些类型的APP；
步骤3.判断每一个用户速率需求，根据所有用户的速率需求，决定是否唤醒小基站；
(11)将每个用户当前时刻t的位置坐标lt(xt,yt)作为LSTM网络的输入特征，每5分钟采集一次所有用户坐标，取时间步长为n，则LSTM网络的输入为lt(xt‑n,yt‑n)…lt(xt,yt)，输出为lt+1(xt+1,yt+1)，使用足够的用户历史位置记录训练LSTM网络；
(12)在预测时，输入每个用户过去n个时刻的位置坐标，根据LSTM网络的输出lt+1(xt+1,yt+1)预测下一时刻的用户坐标，根据预测得到的用户坐标和目标基站的坐标(xb,yb)及小区服务范围r，若 则该用户属于目标小区，通过计算所有用户与目标基站的范围，得到所有进入目标小区的用户；
(21)对数据集中出现的APP按功能划分，分为M类；
(22)对采集得到的用户APP使用记录按照时间间隔T进行重采样，得到第i个用户在第t个时间间隔内的APP使用情况，记为 其中，cj表示用户是否使用了第j类APP，1表示使用，0表示未使用；
(23)建立基于LSTM网络的预测模型：预测模型包括一个输入层，2个LSTM层，一个输出层，LSTM层的时间步长为q；
(24)预测模型的输入为 第一层LSTM网络的前馈过程如下：第一层LSTM网络前一时刻的输出ht‑1和当前输入 经过第一个sigmod层，得到一个元素在0和1之间的向量ft，表示遗忘门：第一层LSTM网络前一时刻的输出ht‑1和当前输入 和经过第二个sigmoid层，得到输入门向量it：第一层LSTM网络前一时刻的输出ht‑1和当前输入 和经过tanh层得到候选向量 用于单元状态的更新：更新单元状态：
第一层LSTM网络前一时刻的输出ht‑1和当前输入 和经过第三个sigmoid层，得到输出门向量ot:最后得到第一层LSTM网络输出:
其中，Wf，Wi,Wc，Wo，Uf，Ui，Uc，Uo是权重矩阵，bf，bi，bc，bo为偏置向量；
(25)第一层LSTM网络的输出ht作为第二层LSTM网络的输入，操作如下:第二层LSTM网络前一时刻的输出st‑1和第二层LSTM网络的输入ht经过第一个sigmod层，得到遗忘门vt：vt＝sigmoid(Wvht+Uvst‑1+bv)第二层LSTM网络前一时刻的输出st‑1和第二层LSTM网络的输入ht和经过第二个sigmoid层，得到输入门向量ut：ut＝sigmoid(Wuht+Uust‑1+bu)第二层LSTM网络前一时刻的输出st‑1和第二层LSTM网络的输入ht和当前输入经过tanh层得到候选向量 用于单元状态的更新：更新单元状态Zt：
第二层LSTM网络前一时刻的输出st‑1和第二层LSTM网络的输入ht和当前输入经过第三个sigmoid层，得到输出门向量gt:gt＝sigmoid(Wght+Ugst‑1,+bg)最后得到第二层LSTM网络输出:
其中，Wv，Wu，Wz，Wg,Uv，Uu，Uz,Ug是权重矩阵，bv，bu，bz，bg为偏置向量；
(26)第二层LSTM网络的输出st经过输出层，得到用户使用第m类APP的概率为:其中，W为输出层的权重矩阵，b为偏置向量；
(27)使用二进制交叉熵作为模型的损失函数:式中，N为总用户数，Li为每个用户的损失函数；
(28)使用时间反向传播算法训练模型参数，包括LSTM层和输出层的权重矩阵和偏置向量；
(29)对于模型输出结果 设定阈值threshold,当模型输出大于阈值时，判为1，也就是预测用户使用了该类型APP；反之，判为0，预测用户没有使用：(210)预测时，取用户q个历史时间段数据 作为模型输入，预测用户下一时间段内的App使用情况
(31)在历史数据中，对每个类型的APP，求其使用速率平均值，当类型m的APP的平均速率大于宏基站所能提供的平均速率时，认为该类型APP为高速率APP，使用H来表示所有高速率应用程序的索引；
(32)用户i在时间间隔t+1中的预测输出为 当输出满足：唤醒小基站。
基于用户行为预测的小基站唤醒方法
技术领域
[0001] 本发明涉及无线通信领域，具体涉及基于用户行为预测的小基站唤醒方法。
背景技术
[0002] 在超密集网络中，小基站被密集地部署来提升系统容量。常见的超密集网络唤醒方法是为实现最大吞吐量而设计的，当预测到有用户将进入小区时就唤醒小基站。但当用户的服务需求较低时，仍然唤醒小基站会造成资源的浪费。因此，如果能够根据将要到达小区的用户的服务需求，根据用户需求决定是否唤醒小基站，可以达到节能的目的。目前小基站唤醒的方案中大多只考虑是否有用户将要到达小区，没有考虑到用户的需求。
发明内容
[0003] 发明目的：为了解决上述问题，本发明提供了一种基于用户行为预测的小基站唤醒方法。对于用户的移动行为和APP使用，分别建模并预测，可以得到用户在下一时间段的位置坐标信息以及所使用的APP类型信息。根据用户的坐标信息可以判断出下一时间段内用户到达的小区。由预测的用户使用的APP类型信息，可以估算出用户在下一时间段内的数据速率需求。本发明根据预测得到的目标小区内用户的速率需求，判断是否需要唤醒小基站，在用户需求速率较低的情况下，可以由宏基站为用户提供服务，达到在保证用户需求的情况下，降低网络的能耗的目的。
[0004] 技术方案：为实现本发明的目的，本发明所采用的技术方案是：
[0005] 一种基于用户行为预测的小基站唤醒方法，该方法包括如下步骤：
[0006] 步骤一：对目标小区，预测所有将到达该小区的用户：
[0007] (11)将每个用户当前时刻t的位置坐标lt(xt,yt)作为LSTM网络的输入特征，每5分钟采集一次所有用户坐标，取时间步长为n，则LSTM网络的输入为lt(xt‑n,yt‑n)…lt(xt,yt)，输出为lt+1(xt+1,yt+1)，使用足够的用户历史位置记录训练LSTM网络；
[0008] (12)在预测时，输入每个用户过去n个时刻的位置坐标，根据LSTM网络的输出 lt+1(xt+1,yt+1)预测下一时刻的用户坐标，根据预测得到的用户坐标和目标基站的坐标(xb,yb) 及小区服务范围r，若 则该用户属于目标小区，通过计算所有用户与目标基站的范围，得到所有进入目标小区的用户。
[0009] 步骤二：预测用户下一时段内会使用哪些类型的APP：
[0010] (21)对数据集中出现的APP按功能划分，分为M类；
[0011] (22)对采集得到的用户APP使用记录按照时间间隔T进行重采样，得到第i个用户在第t个时间间隔内的APP使用情况，记为 其中，cj表示用户是否使用了第j类APP，1表示使用，0表示未使用；
[0012] (23)建立基于LSTM网络的预测模型：预测模型包括一个输入层，2个LSTM层，一个输出层，LSTM层的时间步长为q；
[0013] (24)预测模型的输入为 第一层LSTM网络的前馈过程如下：
[0014] 第一层LSTM网络前一时刻的输出ht‑1和当前输入 经过第一个sigmod层，得到一个元素在0和1之间的向量ft，表示遗忘门：
[0015]
[0016] 第一层LSTM网络前一时刻的输出ht‑1和当前输入 和经过第二个sigmoid层，得到输入门向量it：
[0017]
[0018] 第一层LSTM网络前一时刻的输出ht‑1和当前输入 和经过tanh层得到候选向量用于单元状态的更新：
[0019]
[0020] 更新单元状态：
[0021]
[0022] 第一层LSTM网络前一时刻的输出ht‑1和当前输入 和经过第三个sigmoid层，得到输出门向量ot:
[0023]
[0024] 最后得到第一层LSTM网络输出:
[0025] ht＝ot·tanh(Ct)
[0026] 其中，Wf，Wi,Wc，Wo，Uf，Ui，Uc，Uo是权重矩阵，bf，bi，bc，bo为偏置向量；
[0027] (25)第一层LSTM网络的输出ht作为第二层LSTM网络的输入，操作如下:
[0028] 第二层LSTM网络前一时刻的输出st‑1和第二层LSTM网络的输入ht经过第一个sigmod层，得到遗忘门vt：
[0029] vt＝sigmoid(Wvht+Uvst‑1+bv)
[0030] 第二层LSTM网络前一时刻的输出st‑1和第二层LSTM网络的输入ht和经过第二个 sigmoid层，得到输入门向量ut：
[0031] ut＝sigmoid(Wuht+Uust‑1+bu)
[0032] 第二层LSTM网络前一时刻的输出st‑1和第二层LSTM网络的输入ht和当前输入经过 tanh层得到候选向量 用于单元状态的更新：
[0033]
[0034] 更新单元状态Zt：
[0035]
[0036] 第二层LSTM网络前一时刻的输出st‑1和第二层LSTM网络的输入ht和当前输入经过第三个sigmoid层，得到输出门向量gt:
[0037] gt＝sigmoid(Wght+Ugst‑1,+bg)
[0038] 最后得到第二层LSTM网络输出:
[0039] st＝gt·tanh(Ct)
[0040] 其中，Wv，Wu，Wz，Wg,Uv，Uu，Uz,Ug是权重矩阵，bv，bu，bz，bg为偏置向量；
[0041] (26)第二层LSTM网络的输出st经过输出层，得到用户使用第m类APP的概率为:
[0042]
[0043] 其中，W为输出层的权重矩阵，b为偏置向量；
[0044] (27)使用二进制交叉熵作为模型的损失函数:
[0045]
[0046] 式中，N为总用户数，Li为每个用户的损失函数；
[0047] (28)使用时间反向传播算法训练模型参数，包括LSTM层和输出层的权重矩阵和偏置向量；
[0048] (29)对于模型输出结果 设定阈值threshold,当模型输出大于阈值时，判为1，也就是预测用户使用了该类型APP；反之，判为0，预测用户没有使用：
[0049]
[0050] (210)预测时，取用户q个历史时间段数据 作为模型输入，预测用户下一时间段内的App使用情况
[0051] 步骤三:判断用户速率需求，根据所有用户的速率需求，决定是否唤醒小基站：
[0052] (31)在历史数据中，对每个类型的APP，求其使用速率平均值，当类型m的APP的平均速率大于宏基站所能提供的平均速率时，认为该类型APP为高速率APP，使用H来表示所有高速率应用程序的索引；
[0053] (32)用户i在时间间隔t+1中的预测输出为 当输出满足：
[0054]
[0055] 唤醒小基站。
[0056] 有益效果：
[0057] 本发明根据预测得到的目标小区内的用户及用户的速率要求，判断是否需要唤醒小基站，在保证用户需求的情况下，降低了基站的能耗。
附图说明
[0058] 图1是本发明的流程图。
具体实施方式
[0059] 第一步：对目标小区，预测所有将到达该小区的用户
[0060] (1)将用户的位置坐标lt(xt,yt)作为LSTM网络的输入特征，每5分钟采集一次用户坐标，取时间步长为20，则LSTM的输入为lt(xt‑20,yt‑20)…lt(xt,yt)，输出为lt+1(xt+1,yt+1)。使用足够的用户历史位置记录训练LSTM网络。由于LSTM网络的训练过程为一个现有的成熟过程，这里不再赘述。
[0061] (2)在预测时，输入用户过去20个时刻的位置坐标，根据LSTM网络的输出lt+1(xt+1,yt+1) 预测下一时刻的用户坐标，根据预测得到的用户坐标和目标基站的坐标(xb,yb)及小区服务范围r，若 则该用户属于目标小区，通过计算所有用户与目标基站的范围，得到所有进入目标小区的用户。
[0062] 第二步：预测用户下一时段内会使用哪些类型的APP
[0063] (1)对从运营商处获得的数据集中出现的APP按功能划分，分为17类。
[0064] (2)对采集得到的用户APP使用记录按照时间间隔15分钟进行重采样，得到第i个用户在第t个时间间隔内的APP使用情况，记为 其中，cj表示用户是否使用了第j类APP，1表示使用，0表示未使用。
[0065] (3)建立基于LSTM网络的预测模型:模型包括一个输入层，2个LSTM层，一个输出层。 LSTM层的时间步长为16。
[0066] (4)模型的输入为 第一层LSTM网络的前馈过程如下:
[0067] 第一层LSTM网络前一时刻的输出ht‑1和当前输入 经过第一个sigmod层，得到一个元素在0和1之间的向量ft，表示遗忘门：
[0068]
[0069] 第一层LSTM网络前一时刻的输出ht‑1和当前输入 和经过第二个sigmoid层，得到输入门向量it：
[0070]
[0071] 第一层LSTM网络前一时刻的输出ht‑1和当前输入 和经过tanh层得到候选向量用于单元状态的更新：
[0072]
[0073] 更新单元状态：
[0074]
[0075] 第一层LSTM网络前一时刻的输出ht‑1和当前输入 和经过第三个sigmoid层，得到输出门向量ot:
[0076]
[0077] 最后得到第一层LSTM网络输出:
[0078] ht＝ot·tanh(Ct)
[0079] 其中，Wf，Wi,Wc，Wo，Uf，Ui，Uc，Uo是权重矩阵，bf，bi，bc，bo为偏置向量；
[0080] (5)第一层LSTM网络的输出ht作为第二层LSTM网络的输入，操作如下:
[0081] 第二层LSTM网络前一时刻的输出st‑1和第二层LSTM网络的输入ht经过第一个sigmod层，得到遗忘门vt：
[0082] vt＝sigmoid(Wvht+Uvst‑1+bv)
[0083] 第二层LSTM网络前一时刻的输出st‑1和第二层LSTM网络的输入ht和经过第二个 sigmoid层，得到输入门向量ut：
[0084] ut＝sigmoid(Wuht+Uust‑1+bu)
[0085] 第二层LSTM网络前一时刻的输出st‑1和第二层LSTM网络的输入ht和当前输入经过 tanh层得到候选向量 用于单元状态的更新：
[0086]
[0087] 更新单元状态Zt：
[0088]
[0089] 第二层LSTM网络前一时刻的输出st‑1和第二层LSTM网络的输入ht和当前输入经过第三个sigmoid层，得到输出门向量gt:
[0090] gt＝sigmoid(Wght+Ugst‑1,+bg)
[0091] 最后得到第二层LSTM网络输出:
[0092] st＝gt·tanh(Ct)
[0093] 其中，Wv，Wu，Wz，Wg,Uv，Uu，Uz,Ug是权重矩阵，bv，bu，bz，bg为偏置向量；
[0094] (6)第二层LSTM网络的输出st经过输出层，可以得到用户使用第m类APP的概率为:
[0095]
[0096] 其中，W为输出层的权重矩阵，b为偏置向量。
[0097] (7)使用二进制交叉熵作为模型的损失函数:
[0098]
[0099] (8)使用时间反向传播算法训练模型参数，包括LSTM层和输出层的权重矩阵和偏置向量。
[0100] (9)对于模型输出结果dm，设定阈值threshold为0.5，当模型输出大于阈值时，判为1，也就是预测用户使用了该类型APP。反之，则没有使用。
[0101]
[0102] (10)预测时，取用户16个历史时间段数据 作为模型输入，预测用户下一时间段内的App使用情况
[0103] 步骤三:判断用户速率需求，根据所有用户的速率需求，决定是否唤醒小基站[0104] (1)在历史数据中，对每个类型的APP，求其使用速率平均值，当类型m的APP的平均速率大于宏基站所能提供的平均速率时，认为该类型APP为高速率APP。我们使用H来表示所有高速率应用程序的索引。
[0105] (2)用户i在时间间隔t+1中的预测输出为 当输出满足：
[0106]
[0107] 唤醒小基站。
[0108] 以上所述仅为本发明的较佳实施方式，本发明的保护范围并不以上述实施方式为限，但凡本领域普通技术人员根据本发明所揭示内容所作的等效修饰或变化，皆应纳入权利要求书中记载的保护范围内。
