CN107396376A - 小区预负荷均衡方法及装置 - Google Patents

Abstract

本发明公开了一种小区预负荷均衡方法，包括以下步骤：根据预先建立的预测模型监控小区的预测负荷率；将预测负荷率大于第一门限值的小区的用户切换到预测负荷率小于第二门限值的小区；其中，第一门限值大于第二门限值。本发明还公开了一种小区预负荷均衡装置。本发明通过预测的方式，在小区处于高负荷状态前预知小区未来将处于高负荷状态，提前对小区中的UE进行切换，克服了UE在小区处于高负荷状态频繁切换而导致的切换时延增大甚至服务中断的问题，减少了UE切换的次数并降低切换失败的风险。

Description

小区预负荷均衡方法及装置

技术领域

本发明涉及通信技术领域，尤其涉及一种小区预负荷均衡方法及装置。

背景技术

LTE(Long Term Evolution，长期演进)通信***中，小区的资源是有限的，随着用户数以及业务数目的增加，小区的负荷会逐渐增加，而小区负荷的增加会影响用户业务的指标性能，如果不能及时有效地降低小区的负荷，当***的负荷增加到***的警戒线时，就会导致***的性能急剧变差甚至引起***崩溃；同时，由于负荷分布不均，对于重负荷小区而言，其拥有的资源相对匮乏容易导致用户的服务质量得不到充分保障，对于低负荷小区而言，却存在资源浪费的情况。

由此，引入了负荷均衡技术。负荷均衡的作用就是通过实时监控当前小区的负荷以及获取邻区小区负荷，进而采用负荷分担机制防止个别小区负荷过高。采取负荷均衡方法可以使负荷在地理位置上相关联的小区间尽可能的平均分布，减少负荷在区域内的某个小区里过度集中，从而有效地改善***整体性能，提高***的安全性、稳定性和容量，使得***达到一个整体最优的状态。

具体来说，当某一小区的负荷达到eNB(Evolved Node B，基站)设定的高负荷状态时，需要采用负荷均衡策略，选取部分该小区的UE(UserEquipment，用户设备)通过切换的方式均衡到另一个小区，达到小区间的负荷均衡。

现有的负荷均衡方式都是在小区处于高负荷状态时，将高负荷状态小区的部分UE切换到相邻的低负荷状态小区中去的，此时切换可能会增加UE切换的时延并提高切换失败的风险，而且，在小区处于高负荷状态时再进行UE切换，高负荷小区中的部分UE已经存在接入时延增大甚至服务中断的问题。

上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。

发明内容

本发明的主要目的在于提供一种小区预负荷均衡方法及装置，旨在解决现有的在小区处于高负荷状态时再进行UE切换的负荷均衡方式，会增加UE切换的时延及提高切换失败的风险，而且，负荷小区中的部分UE已经存在接入时延增大甚至服务中断的问题。

为实现上述目的，本发明提供的一种小区预负荷均衡方法，包括以下步骤：

根据预先建立的预测模型监控小区的预测负荷率；

将预测负荷率大于第一门限值的小区的用户切换到预测负荷率小于第二门限值的小区；

其中，第一门限值大于第二门限值。

优选地，所述根据预先建立的预测模型监控小区的预测负荷率的步骤包括：

获取预测模型的预测因子及所述预测因子对应的权重信息；

根据所述预测因子及权重信息计算对应小区的预测负荷率。

优选地，所述根据预先建立的预测模型监控小区的预测负荷率的步骤之前，还包括：

获取小区的负荷值并根据负荷值建立小区的预测模型。

优选地，所述将预测负荷率大于第一门限值的小区的用户切换到预测负荷率小于第二门限值的小区的步骤之后，还包括：

获取切换后的小区的负荷值，根据切换后的负荷值维护所述小区的预测模型。

优选地，所述将预测负荷率大于第一门限值的小区的用户切换到预测负荷率小于第二门限值的小区的步骤包括：

根据地理上的邻区关系将小区划分为簇，获取簇内各个小区的预测负荷率；

通过预测模型监控簇内小区的预测负荷率，在簇内小区间将预测负荷率大于第一门限值的小区的用户切换到预测负荷率小于第二门限值的小区中；

当簇内小区中没有可接收切换用户的小区时，将预测负荷率大于第一门限值的小区的用户切换到相邻簇中预测负荷率小于第二门限值的小区中。

此外，为实现上述目的，本发明还提供一种小区预负荷均衡装置，包括：

监控模块，用于根据预先建立的预测模型监控小区的预测负荷率；

切换模块，用于将预测负荷率大于第一门限值的小区的用户切换到预测负荷率小于第二门限值的小区；

其中，第一门限值大于第二门限值。

优选地，所述监控模块包括：

获取单元，用于获取预测模型的预测因子及所述预测因子对应的权重信息；

计算单元，用于根据所述预测因子及权重信息计算对应小区的预测负荷率。

优选地，所述小区预负荷均衡装置还包括：

建模模块，用于获取小区的负荷值并根据负荷值建立小区的预测模型。

优选地，所述小区预负荷均衡装置还包括：

维护模块，用于获取切换后的小区的负荷值，根据切换后的负荷值维护所述小区的预测模型。

优选地，所述切换模块包括：

分簇单元，用于根据地理上的邻区关系将小区划分为簇，获取簇内各个小区的预测负荷率；

切换单元，用于通过预测模型监控簇内小区的预测负荷率，在簇内小区间将预测负荷率大于第一门限值的小区的用户切换到预测负荷率小于第二门限值的小区中；当簇内小区中没有可接收切换用户的小区时，将预测负荷率大于第一门限值的小区的用户切换到相邻簇中预测负荷率小于第二门限值的小区中。

本发明根据预先建立的预测模型监控小区的预测负荷率；将预测负荷率大于第一门限值的小区的用户切换到预测负荷率小于第二门限值的小区；其中，第一门限值大于第二门限值。通过预测的方式，预知小区负荷率将处于高负荷状态，即对小区部分用户进行切换，防止小区处于高负荷状态，减少了高负荷场景UE切换的次数及降低切换失败的风险，克服了UE因小区处于高负荷状态而存在的接入时延增大甚至服务中断的问题。

附图说明

图1为本发明小区预负荷均衡方法的第一实施例的流程示意图；

图2为本发明一实施例根据预测模型监控小区的预测负荷率的流程示意图；

图3为本发明小区预负荷均衡方法的第二实施例的流程示意图；

图4为本发明小区预负荷均衡方法的第三实施例的流程示意图；

图5为本发明小区预负荷均衡方法的第四实施例的流程示意图；

图6为本发明小区分簇示意图；

图7为本发明小区预负荷均衡装置的第一实施例的功能模块示意图；

图8为图7中计算模块一实施例的细化功能模块示意图；

图9为本发明小区预负荷均衡装置的第二实施例的功能模块示意图；

图10为本发明小区预负荷均衡装置的第三实施例的功能模块示意图；

图11为图10中切换模块一实施例的细化功能模块示意图。

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本发明实施例的主要解决方案是：根据预先建立的预测模型监控小区的预测负荷率；将预测负荷率大于第一门限值的小区的用户切换到预测负荷率小于第二门限值的小区；其中，第一门限值大于第二门限值。通过预测的方式，预知小区负荷率将处于高负荷状态，即对小区部分用户进行切换，防止小区处于高负荷状态，减少了高负荷场景UE切换的次数及降低切换失败的风险，克服了UE因小区处于高负荷状态而存在的接入时延增大甚至服务中断的问题。

由于在小区处于高负荷状态时再进行UE切换的负荷均衡方式，会增加UE切换的时延并提高切换失败的风险，而且，负荷小区中的部分UE已经存在接入时延增大甚至服务中断。

基于上述问题，本发明提供一种小区预负荷均衡方法。

参照图1，图1为本发明小区预负荷均衡方法的第一实施例的流程示意图。

在一实施例中，所述小区预负荷均衡方法包括：

步骤S10，根据预先建立的预测模型监控小区的预测负荷率；

UE(User Equipment，用户设备)在开机后会选择一个信道质量满足条件的小区进行驻留，UE因位置变化等因素会切换驻留的小区或信道，因此，小区的负荷状态会发生变化，而小区也会根据自身的负荷状态对驻留的UE进行切换。由于UE用户的出行、作息时间等都有一定的规律，因而小区的负荷状态变化也有一定的规律可循，根据历史负荷状态的变化可以预测小区未来的负荷状态，从而可以建立预测模型对小区未来的负荷率进行预测，即根据预测模型监控小区的预测负荷率。

具体地，如图2所示，图2为本发明一实施例根据预测模型监控小区的预测负荷率的流程示意图；所述步骤S10包括：

S101，获取预测模型的预测因子及所述预测因子对应的权重信息；

S102，根据所述预测因子及权重信息计算对应小区的预测负荷率。

预测模型是基于历史负荷情况结合当前负荷情况对未来负荷情况进行预测的模型，历史负荷情况及当前负荷情况均有相对应的预测因子及权重信息，将预测因子与权重信息根据移动平均、指数平滑、灰色预测、回归分析和/或马尔可夫链等算法进行运算得到预测负荷率。一实施例中，例如，对历史负荷情况中小区的用户数、各用户(连接态UE和/或空闲态UE)的业务量、小区用户的总业务量及对应的负荷率进行统计归纳和/或回归分析等运算，生成相应的函数及拟合曲线，根据所述函数可以得到历史负荷情况的历史预测因子为W(his)，权重信息为a，将当前小区负荷率代入所述函数可以得到当前负荷情况的当前预测因子为W(cur)，权重信息为b，其中，a和b的取值范围均在[0，1]之间，且a+b＝1；则预测负荷率S(pre)＝W(his)*a+W(cur)*b。

步骤S20，将预测负荷率大于第一门限值的小区的用户切换到预测负荷率小于第二门限值的小区；

其中，第一门限值大于第二门限值。

将超过某一负荷率时小区将处于高负荷状态的负荷率设定为第一门限值，将低于某一负荷率时小区将处于低负荷状态的负荷率设定为第二门限值，显然，对同一小区而言第一门限值大于第二门限值。本实施例中，根据小区的负荷能力设置门限值，根据门限值对小区的状态分类：例如，满负荷状态为小区负荷达到或超过设计负荷的100％，小区内的业务量较大、负荷程度很高，没有无线资源可以再分配；高负荷状态为小区负荷达到或超过设计负荷的90％，但小于100％，还有一定的增长空间，但是已经达到比较高的负荷程度，小区内的干扰也达到了一定的水平；中负荷状态为小区负荷达到或超过设计负荷的30％，但小于90％，小区的负荷程度比较适中，小区内的干扰信号强度也适中；低负荷状态为小区负荷只达到设计负荷的30％或以下，小区的负荷程度比较低，小区间的干扰信号强度也比较低。以上仅仅是一个示例，在其它实施方式中，可以有其它的状态设计，如增加一个负荷状态或减少一个负荷状态等等，而负荷门限值的取值也可以不同。

根据上述分类，可以将负荷率为90％设定为第一门限值，将负荷率为30％设定为第二门限值；根据上述设置，对各个小区进行负荷率的判断，即对小区未来负荷率进行判断。当小区的预测负荷率小于第二门限值时，表示该小区未来会处于低负荷状态，有较大的增长空间；当小区的预测负荷率大于第一门限值时，表示该小区未来会处于高负荷状态，需要在小区处于高负荷状态前将小区中的用户切换到预测负荷率小于第二门限值的相邻小区(分流小区)中去，需要切换出去的用户不少于超出第一门限值的全部用户，可以根据业务量的大小并结合(优选为业务量大的用户，可以减少UE切换的数量)与分流小区的位置关系(优选为靠近分流小区的用户，可以提高被切换出去的用户的网络质量)筛选出需要切换出去的部分用户，使预测负荷率大于第一门限值的小区(主小区)在切换出去该部分用户后处于中负荷状态，甚至是低负荷状态；当存在多个分流小区时，优选地，将主小区需要切换出去的部分用户分别切换到上述多个分流小区中去，可以对分流小区按照预测负荷率从小到大排序以接收被切换出来的用户，也可以按照位置关系从近到远排序以接收被切换出来的用户，可选地，设置分流小区接收切换用户的量，避免该分流小区在接收被切换用户后预测负荷率大于第一门限值又需要将部分用户切换出去，导致UE在两个小区间反复执行小区重选，出现乒乓现象，增加UE的耗电，降低网络的稳定性。当然，在小区将原驻留UE切换出去的过程中，还可能出现新的UE进入该小区驻留的情况，在UE切换过程结束后，还需要持续执行计算小区的预测负荷率、根据预测负荷率的情况进行UE切换的步骤。

本实施例根据预先建立的预测模型计算小区的预测负荷率；将预测负荷率大于第一门限值的小区的部分用户切换到预测负荷率小于第二门限值的小区；其中，第一门限值大于第二门限值。通过预测的方式，预知小区负荷率将处于高负荷状态，即对小区部分用户进行切换，防止小区出现高负荷或超高负荷状态下的切换，减少了UE切换的时延并降低切换失败的风险，克服了UE因小区处于高负荷状态而存在的接入时延增大甚至服务中断的问题。

参照图3，图3为本发明小区预负荷均衡方法的第二实施例的流程示意图。基于上述小区预负荷均衡方法的第一实施例，所述方法还包括：

S12，获取小区的负荷值并根据负荷值建立小区的预测模型。

在建立预测模型的时候，要依据日常的规律，只有根据规律建立合适的预测模型，才能更准确的预测小区负荷率的变化趋势，因此预测模型的建立需要根据场景或者条件进行触发，比如正常每个人的出行、作息时间都是比较规律的，其规律变化一般遵循季节、周、天以及特殊日期，其中特殊日期包括节假日，特殊天气等。因此，可以将负荷值按季节、周、天、特殊日期和当前时间进行场景分类建立相应的季节模型、周模型、天模型、特殊模型和当前模型，对季节、周、天以及特殊日期的负荷情况中小区的用户数、各用户的业务量、小区用户的总业务量及对应的负荷率进行统计归纳和/或回归分析，生成相应场景分类模型的函数及拟合曲线，且根据所述场景分类模型的函数可以得到相应的预测因子及权重信息：季节预测因子W(sec)及权重信息a1、周预测因子W(wek)及权重信息a2、天预测因子W(day)及权重信息a3、特殊预测因子W(spc)及权重信息a4和当前预测因子W(cur)及权重信息b，其中，a1、a2、a3、a4和b的取值范围均在[0，1]之间，且a1+a2+a3+a4+b＝1，则预测负荷率S(pre)＝W(sec)*a1+W(wek)*a2+W(day)*a3+W(spc)*a4+W(cur)*b；对于a1、a2、a3、a4和b的取值可以根据经验值预先设置，也可以根据当时的情况自动配置，由于特殊预测因子W(spc)和当前预测因子W(cur)更能反应小区的真实负荷情况，通常对a4的值设置为0.4，b的值设置为0.5，a1、a2、a3的取值范围均在[0，0.1]之间。

本实施例根据对历史负荷情况及当前负荷情况的详细分类，建立精准的预测模型，对小区负荷率的预测更加准确，提高了预测的准确度，使小区基于预测负荷率对UE进行切换的准确率更高。

参照图4，图4为本发明小区预负荷均衡方法的第三实施例的流程示意图。基于上述小区预负荷均衡方法的第二实施例，所述方法还包括：

S13，获取切换后的小区的负荷值，根据切换后的负荷值维护所述小区的预测模型。

根据预测负荷值进行小区UE切换，而小区的实际负荷值也是不断变化的，为了能更准确的对小区后续的负荷值进行预测，需要根据小区的实际负荷值对预测模型进行维护；小区的负荷情况包括历史负荷情况和当前负荷情况，基于历史负荷情况建有季节模型、周模型、天模型和特殊模型，各模型的维护过程类似，在此以对天模型的维护为例进行说明，历史的天预测因子为W(day)，权重信息为m，新的天预测因子为W(nday)，权重信息为n，其中，m和n的取值范围均在[0，1]之间，且m+n＝1；则维护后的预测模型的预测因子W(new)＝(W(day)*m+W(nday)*n)/(m+n)；针对固定模型：通过OMMB(LTE网管***)配置的方式，当满足配置之后，确认是否有具体的预测模型，如果有预测模型，通过上述算法对预测模型进行维护，否则根据前述实施例所述方法新建预测模型；针对突发模型：通过配置触发条件，当判断满足触发条件时，根据前述实施例所述方法新建预测模型，如果已有相应的预测模型，则通过上述算法对预测模型进行维护。上述对小区预测模型的维护，还可以根据具体情况采用时间作为触发维护的条件，例如，12小时粒度维护一次、6小时粒度维护一次甚至5分钟粒度维护一次，所述作为触发维护条件的时间间隔可以相同也可以不同，从而建立的预测模型粒度更小。针对上述对天模型维护的方法，假设配置m＝0.5，n＝0.5，当配置条件满足或者突发模型条件满足的清楚下，小区会上报其当前的模型信息，假设模型信息为W(day)上报到中心控制点，中心控制点判决该模型是否存在，如果不存在，则W(day)＝0，则进行新建业务模型为：W(nday)，否则对原天模型进行维护：0.5*W(day)+0.5*W(nday)得到新的天模型。

本实施例根据小区的实际负荷率对预测模型进行维护，使预测模型对小区负荷率的预测更加准确，提高了预测的准确度，建立预测模型的粒度更小，比如到小时或者5分钟粒度，使小区基于预测负荷率对UE进行切换的准确率更高。

参照图5，图5为本发明小区预负荷均衡方法的第四实施例的流程示意图。基于上述小区预负荷均衡方法的第三实施例，所述步骤S11包括：

S111，根据地理上的邻区关系将小区划分为簇，获取簇内各个小区的预测负荷率；

由于网络覆盖面下存在多个小区，小区与小区间的信息交互随着小区数量的增加而程几何级增长，因而给小区的管理和控制带来了极大的难度；为了更有效的对小区进行管理，本发明采用簇的管理策略，如图6所示，根据地理上的邻区关系，将若干个小区分为一簇，由服务器对簇内小区进行管理，在进行负荷切换管理时，服务器获取簇内各小区的预测负荷率。

S112，通过预测模型监控簇内小区的预测负荷率，在簇内小区间将预测负荷率大于第一门限值的小区的用户切换到预测负荷率小于第二门限值的小区中；

当小区的预测负荷率大于第一门限值时，表示该小区未来会处于高负荷状态，需要在小区处于高负荷状态前将小区中的部分用户切换出去，由于簇内小区地理位置相邻，且由同一个服务器提供管理服务，UE在簇内小区间切换更顺畅，且对UE的网络干扰小，优选将预测负荷率大于第一门限值的小区的部分用户切换到簇内预测负荷率小于第二门限值的小区中去。

S113，当簇内小区中没有可接收切换用户的小区时，将预测负荷率大于第一门限值的小区的用户切换到相邻簇中预测负荷率小于第二门限值的小区中。

由于簇内小区的负荷能力是有限的，当区域内因集中大量UE或其它突发因素而导致簇内没有预测负荷率小于第二门限值的小区(分流小区)时，服务器会与相邻服务器进行信息交换，查询相邻簇内是否存在分流小区，当相邻簇内存在分流小区时，将主小区需要切换出去的部分用户切换到分流小区中去；当相邻簇内存在多个分流小区时，优选地，将主小区需要切换出去的部分用户分别切换到上述多个分流小区中去，可以对分流小区按照预测负荷率从小到大排序以接收被切换出来的用户，也可以按照位置关系从近到远排序以接收被切换出来的用户，可选地，设置分流小区接收切换用户的量，避免该分流小区在接收被切换用户后预测负荷率大于第一门限值又需要将部分用户切换出去，导致UE在两个小区间反复执行小区重选，出现乒乓现象，增加UE的耗电，降低网络的稳定性。

本实施例通过相邻簇的信息交互，在簇内没有分流小区时，将主小区需要切换出去的部分用户切换到相邻簇的分流小区中去，增大了UE切换的选择范围，进一步减少UE切换的次数并降低切换失败的风险。

上述方法的第一至第四实施例的小区预负荷均衡方法能够适用于各种通信制式模式下的小区预负荷均衡，包括但不限于GSM(2G)、CDMA1X(2G)、TD-SCDMA(3G)、WCDMA(3G)、EVDO(3G)、TD-LTE(4G)、FDD-LTE(4G)等通信制式。

本发明进一步提供一种小区预负荷均衡装置。

参照图7，图7为本发明小区预负荷均衡装置的第一实施例的功能模块示意图。

在一实施例中，所述小区预负荷均衡装置包括：监控模块10及切换模块20。

监控模块10，用于根据预先建立的预测模型监控小区的预测负荷率；

UE(User Equipment，用户设备)在开机后会选择一个信道质量满足条件的小区进行驻留，UE因位置变化等因素会切换驻留的小区或信道，因此，小区的负荷状态会发生变化，而小区也会根据自身的负荷状态对驻留的UE进行切换。由于UE用户的出行、作息时间等都有一定的规律，因而小区的负荷状态变化也有一定的规律可循，根据历史负荷状态的变化可以预测小区未来的负荷状态，从而可以建立预测模型对小区未来的负荷率进行预测，即根据预测模型监控小区的预测负荷率。

具体地，如图8所示，图8为本发明监控模块10一实施例的细化功能模块示意图；所述监控模块10包括：

获取单元101，用于获取预测模型的预测因子及所述预测因子对应的权重信息；

计算单元102，用于根据所述预测因子及权重信息计算对应小区的预测负荷率。

预测模型是基于历史负荷情况结合当前负荷情况对未来负荷情况进行预测的模型，历史负荷情况及当前负荷情况均有相对应的预测因子及权重信息，将预测因子与权重信息根据移动平均、指数平滑、灰色预测、回归分析和/或马尔可夫链等算法进行运算得到预测负荷率。一实施例中，例如，对历史负荷情况中小区的用户数、各用户(连接态UE和/或空闲态UE)的业务量、小区用户的总业务量及对应的负荷率进行统计归纳和/或回归分析等运算，生成相应的函数及拟合曲线，根据所述函数可以得到历史负荷情况的历史预测因子为W(his)，权重信息为a，将当前小区负荷率代入所述函数可以得到当前负荷情况的当前预测因子为W(cur)，权重信息为b，其中，a和b的取值范围均在[0，1]之间，且a+b＝1；则预测负荷率S(pre)＝W(his)*a+W(cur)*b。

切换模块20，用于将预测负荷率大于第一门限值的小区的用户切换到预测负荷率小于第二门限值的小区；

其中，第一门限值大于第二门限值。

将超过某一负荷率时小区将处于高负荷状态的负荷率设定为第一门限值，将低于某一负荷率时小区将处于低负荷状态的负荷率设定为第二门限值，显然，对同一小区而言第一门限值大于第二门限值。本实施例中，根据小区的负荷能力设置门限值，根据门限值对小区的状态分类：例如，满负荷状态为小区负荷达到或超过设计负荷的100％，小区内的业务量较大、负荷干扰程度很高，没有无线资源可以再分配；高负荷状态为小区负荷达到或超过设计负荷的90％，但小于100％，还有一定的增长空间，但是已经达到比较高的负荷程度，小区内的干扰也达到了一定的水平；中负荷状态为小区负荷达到或超过设计负荷的30％，但小于90％，小区的负荷程度比较适中，小区内的干扰信号强度也适中；低负荷状态为小区负荷只达到设计负荷的30％或以下，小区的负荷程度比较低，小区间的干扰信号强度也比较低。以上仅仅是一个示例，在其它实施方式中，可以有其它的状态设计，如增加一个负荷状态或减少一个负荷状态等等，而负荷门限值的取值也可以不同。

根据上述分类，可以将负荷率为90％设定为第一门限值，将负荷率为30％设定为第二门限值；根据上述设置，对各个小区进行负荷率的判断，即对小区未来负荷率进行判断。当小区的预测负荷率小于第二门限值时，表示该小区未来会处于低负荷状态，有较大的增长空间；当小区的预测负荷率大于第一门限值时，表示该小区未来会处于高负荷状态，需要在小区处于高负荷状态前将小区中的用户切换到预测负荷率小于第二门限值的相邻小区(分流小区)中去，需要切换出去的用户不少于超出第一门限值的全部用户，可以根据业务量的大小并结合(优选为业务量大的用户，可以减少UE切换的数量)与分流小区的位置关系(优选为靠近分流小区的用户，可以提高被切换出去的用户的网络质量)筛选出需要切换出去的部分用户，使预测负荷率大于第一门限值的小区(主小区)在切换出去该部分用户后处于中负荷状态，甚至是低负荷状态；当存在多个分流小区时，优选地，将主小区需要切换出去的部分用户分别切换到上述多个分流小区中去，可以对分流小区按照预测负荷率从小到大排序以接收被切换出来的用户，也可以按照位置关系从近到远排序以接收被切换出来的用户，可选地，设置分流小区接收切换用户的量，避免该分流小区在接收被切换用户后预测负荷率大于第一门限值又需要将部分用户切换出去，导致UE在两个小区间反复执行小区重选，出现乒乓现象，增加UE的耗电，降低网络的稳定性。当然，在小区将原驻留UE切换出去的过程中，还可能出现新的UE进入该小区驻留的情况，在UE切换过程结束后，还需要持续执行计算小区的预测负荷率、根据预测负荷率的情况进行UE切换的步骤。

本实施例根据预先建立的预测模型计算小区的预测负荷率；将预测负荷率大于第一门限值的小区的部分用户切换到预测负荷率小于第二门限值的小区；其中，第一门限值大于第二门限值。通过预测的方式，预知小区负荷率将处于高负荷状态，即对小区部分用户进行切换，防止小区出现高负荷或超高负荷状态下的切换，减少了UE切换的时延并降低切换失败的风险，克服了UE因小区处于高负荷状态而存在的接入时延增大甚至服务中断的问题。

参照图9，图9为本发明小区预负荷均衡装置的第二实施例的功能模块示意图。所述小区预负荷均衡装置还包括建模模块30。

所述建模模块30，用于获取小区的负荷值并根据负荷值建立小区的预测模型。

在建立预测模型的时候，要依据日常的规律，只有根据规律建立合适的预测模型，才能更准确的预测小区负荷率的变化趋势，因此预测模型的建立需要根据场景或者条件进行触发，比如正常每个人的出行、作息时间都是比较规律的，其规律变化一般遵循季节、周、天以及特殊日期，其中特殊日期包括节假日，特殊天气等。因此，可以将负荷值按季节、周、天、特殊日期和当前时间进行场景分类建立相应的季节模型、周模型、天模型、特殊模型和当前模型，对季节、周、天以及特殊日期的负荷情况中小区的用户数、各用户的业务量、小区用户的总业务量及对应的负荷率进行统计归纳和/或回归分析，生成相应场景分类模型的函数及拟合曲线，且根据所述场景分类模型的函数可以得到相应的预测因子及权重信息：季节预测因子W(sec)及权重信息a1、周预测因子W(wek)及权重信息a2、天预测因子W(day)及权重信息a3、特殊预测因子W(spc)及权重信息a4和当前预测因子W(cur)及权重信息b，其中，a1、a2、a3、a4和b的取值范围均在[0，1]之间，且a1+a2+a3+a4+b＝1，则预测负荷率S(pre)＝W(sec)*a1+W(wek)*a2+W(day)*a3+W(spc)*a4+W(cur)*b；对于a1、a2、a3、a4和b的取值可以根据经验值预先设置，也可以根据当时的情况自动配置，由于特殊预测因子W(spc)和当前预测因子W(cur)更能反应小区的真实负荷情况，通常对a4的值设置为0.4，b的值设置为0.5，a1、a2、a3的取值范围均在[0，0.1]之间。

本实施例根据对历史负荷情况及当前负荷情况的详细分类，建立精准的预测模型，对小区负荷率的预测更加准确，提高了预测的准确度，使小区基于预测负荷率对UE进行切换的准确率更高。

参照图10，图10为本发明小区预负荷均衡装置的第三实施例的功能模块示意图。所述小区预负荷均衡装置还包括维护模块40；

所述维护模块40，用于获取切换后的小区的负荷值，根据切换后的负荷值维护所述小区的预测模型。

根据预测负荷值进行小区UE切换，而小区的实际负荷值也是不断变化的，为了能更准确的对小区后续的负荷值进行预测，需要根据小区的实际负荷值对预测模型进行维护；小区的负荷情况包括历史负荷情况和当前负荷情况，基于历史负荷情况建有季节模型、周模型、天模型和特殊模型，各模型的维护过程类似，在此以对天模型的维护为例进行说明，历史的天预测因子为W(day)，权重信息为m，新的天预测因子为W(nday)，权重信息为n，其中，m和n的取值范围均在[0，1]之间，且m+n＝1；则维护后的预测模型的预测因子W(new)＝(W(day)*m+W(nday)*n)/(m+n)；针对固定模型：通过OMMB(LTE网管***)配置的方式，当满足配置之后，确认是否有具体的预测模型，如果有预测模型，通过上述算法对预测模型进行维护，否则根据前述实施例所述方法新建预测模型；针对突发模型：通过配置触发条件，当判断满足触发条件时，根据前述实施例所述方法新建预测模型，如果已有相应的预测模型，则通过上述算法对预测模型进行维护。上述对小区预测模型的维护，还可以根据具体情况采用时间作为触发维护的条件，例如，12小时粒度维护一次、6小时粒度维护一次甚至5分钟粒度维护一次，所述作为触发维护条件的时间间隔可以相同也可以不同，从而建立的预测模型粒度更小。针对上述对天模型维护的方法，假设配置m＝0.5，n＝0.5，当配置条件满足或者突发模型条件满足的清楚下，小区会上报其当前的模型信息，假设模型信息为W(day)上报到中心控制点，中心控制点判决该模型是否存在，如果不存在，则W(day)＝0，则进行新建业务模型为：W(nday)，否则对原天模型进行维护：0.5*W(day)+0.5*W(nday)得到新的天模型。

本实施例根据小区的实际负荷率对预测模型进行维护，使预测模型对小区负荷率的预测更加准确，提高了预测的准确度，建立预测模型的粒度更小，比如到小时或者5分钟粒度，使小区基于预测负荷率对UE进行切换的准确率更高。

参照图11，图11为本发明小区预负荷均衡装置的第四实施例的功能模块示意图。所述切换模块20包括分簇单元201和切换单元202；

所述分簇单元201，用于根据地理上的邻区关系将小区划分为簇，获取簇内各个小区的预测负荷率；

由于网络覆盖面下存在多个小区，小区与小区间的信息交互随着小区数量的增加而程几何级增长，因而给小区的管理和控制带来了极大的难度；为了更有效的对小区进行管理，本发明采用簇的管理策略，如图6所示，根据地理上的邻区关系，将若干个小区分为一簇，由服务器对簇内小区进行管理，在进行负荷切换管理时，服务器获取簇内各小区的预测负荷率。

所述切换单元202，用于通过预测模型监控簇内小区的预测负荷率，在簇内小区间将预测负荷率大于第一门限值的小区的用户切换到预测负荷率小于第二门限值的小区中；

当小区的预测负荷率大于第一门限值时，表示该小区未来会处于高负荷状态，需要在小区处于高负荷状态前将小区中的部分用户切换出去，由于簇内小区地理位置相邻，且由同一个服务器提供管理服务，UE在簇内小区间切换更顺畅，且对UE的网络干扰小，优选将预测负荷率大于第一门限值的小区的部分用户切换到簇内预测负荷率小于第二门限值的小区中去。

所述切换单元202，还用于当簇内小区中没有可接收切换用户的小区时，将预测负荷率大于第一门限值的小区的用户切换到相邻簇中预测负荷率小于第二门限值的小区中。

由于簇内小区的负荷能力是有限的，当区域内因集中大量UE或其它突发因素而导致簇内没有预测负荷率小于第二门限值的小区(分流小区)时，服务器会与相邻服务器进行信息交换，查询相邻簇内是否存在分流小区，当相邻簇内存在分流小区时，将主小区需要切换出去的部分用户切换到分流小区中去；当相邻簇内存在多个分流小区时，优选地，将主小区需要切换出去的部分用户分别切换到上述多个分流小区中去，可以对分流小区按照预测负荷率从小到大排序以接收被切换出来的用户，也可以按照位置关系从近到远排序以接收被切换出来的用户，可选地，设置分流小区接收切换用户的量，避免该分流小区在接收被切换用户后预测负荷率大于第一门限值又需要将部分用户切换出去，导致UE在两个小区间反复执行小区重选，出现乒乓现象，增加UE的耗电，降低网络的稳定性。

本实施例通过相邻簇的信息交互，在簇内没有分流小区时，将主小区需要切换出去的部分用户切换到相邻簇的分流小区中去，增大了UE切换的选择范围，进一步减少UE切换的次数并降低切换失败的风险。

以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种小区预负荷均衡方法，其特征在于，包括以下步骤：

根据预先建立的预测模型监控小区的预测负荷率；

将预测负荷率大于第一门限值的小区的用户切换到预测负荷率小于第二门限值的小区；

其中，第一门限值大于第二门限值。

2.如权利要求1所述的小区预负荷均衡方法，其特征在于，所述根据预先建立的预测模型监控小区的预测负荷率的步骤包括：

获取预测模型的预测因子及所述预测因子对应的权重信息；

根据所述预测因子及权重信息计算对应小区的预测负荷率。

3.如权利要求1所述的小区预负荷均衡方法，其特征在于，所述根据预先建立的预测模型监控小区的预测负荷率的步骤之前，还包括：

获取小区的负荷值并根据负荷值建立小区的预测模型。

4.如权利要求1至3中任一项所述的小区预负荷均衡方法，其特征在于，所述将预测负荷率大于第一门限值的小区的用户切换到预测负荷率小于第二门限值的小区的步骤之后，还包括：

获取切换后的小区的负荷值，根据切换后的负荷值维护所述小区的预测模型。

5.如权利要求4所述的小区预负荷均衡方法，其特征在于，所述将预测负荷率大于第一门限值的小区的用户切换到预测负荷率小于第二门限值的小区的步骤包括：

根据地理上的邻区关系将小区划分为簇，获取簇内各个小区的预测负荷率；

通过预测模型监控簇内小区的预测负荷率，在簇内小区间将预测负荷率大于第一门限值的小区的用户切换到预测负荷率小于第二门限值的小区中；

当簇内小区中没有可接收切换用户的小区时，将预测负荷率大于第一门限值的小区的用户切换到相邻簇中预测负荷率小于第二门限值的小区中。

6.一种小区预负荷均衡装置，其特征在于，包括：

监控模块，用于根据预先建立的预测模型监控小区的预测负荷率；

切换模块，用于将预测负荷率大于第一门限值的小区的用户切换到预测负荷率小于第二门限值的小区；

其中，第一门限值大于第二门限值。

7.如权利要求6所述的小区预负荷均衡装置，其特征在于，所述监控模块包括：

获取单元，用于获取预测模型的预测因子及所述预测因子对应的权重信息；

计算单元，用于根据所述预测因子及权重信息计算对应小区的预测负荷率。

8.如权利要求6所述的小区预负荷均衡装置，其特征在于，所述小区预负荷均衡装置还包括：

建模模块，用于获取小区的负荷值并根据负荷值建立小区的预测模型。

9.如权利要求6至8中任一项所述的小区预负荷均衡装置，其特征在于，所述小区预负荷均衡装置还包括：

维护模块，用于获取切换后的小区的负荷值，根据切换后的负荷值维护所述小区的预测模型。

10.如权利要求9所述的小区预负荷均衡装置，其特征在于，所述切换模块包括：

分簇单元，用于根据地理上的邻区关系将小区划分为簇，获取簇内各个小区的预测负荷率；

切换单元，用于通过预测模型监控簇内小区的预测负荷率，在簇内小区间将预测负荷率大于第一门限值的小区的用户切换到预测负荷率小于第二门限值的小区中；当簇内小区中没有可接收切换用户的小区时，将预测负荷率大于第一门限值的小区的用户切换到相邻簇中预测负荷率小于第二门限值的小区中。