CN108848520A - 一种基于流量预测与基站状态的基站休眠方法 - Google Patents

Abstract

本发明公开了一种基于流量预测与基站状态的基站休眠方法，该方法通过引入模糊预测模型，对蜂窝网络中各基站的未来流量负载进行预测，具有较好的鲁棒性，可以获得较为准确的预测结果；通过在基站休眠方法中引入流量预测，能够合理的对各基站预留资源比例进行设定，提升网络资源利用率，从而使得更多基站可以切换至休眠状态，降低网络能耗；通过在价值函数中加入基站状态因素，能够减少基站工作状态的切换次数，提升基站状态的稳定性。本发明通过引入模糊预测模型，对基站的未来流量进行预测，根据预测结果动态设定基站的预留资源，利用价值函数对各基站进行休眠测试的预排序，最终确定蜂窝网络中的休眠基站，降低网络能耗。

Description

一种基于流量预测与基站状态的基站休眠方法

技术领域

本发明属于通信技术领域，涉及一种基于流量预测与基站状态的基站休眠方法。

背景技术

伴随着移动通信产业的飞速发展，蜂窝网络的用户数目也在逐年递增，为了满足用户对于蜂窝网络日益增长的需求，网络运营商需要大规模的部署蜂窝网络基础设施，这给我们日常生活带来了便利，但是伴随着基站的大规模部署，蜂窝网络中的能耗问题越来越严重，据资料统计，目前信息与通信产业能耗约占全球能耗的2％，而且信息与通信产业的能耗增长迅速，正在以每年15％到20％的速率增长，几乎每五年就要翻一倍，而其对应产生的温室气体更是占到了人类排放总量的2％，并且预计未来几年会进一步增加，这将会加剧温室效应。面对严峻的的全球能源和环境危机形式，蜂窝网络的节能问题已经成为当前网络研究的一个重点。

学术界和产业界已经展开对“绿色通信”的研究。绿色通信一方面使用太阳能、风能等可再生新能源代替传统能源为基站供电，另一方面则利用蜂窝网络中流量在空间和时间维度的分布变化特性对蜂窝网络中的基站工作状态进行调整，使其更好的适应网络负载的变化，以减少能量消耗。蜂窝网中大约有60-80％的能量消耗在基站侧，因此减少基站的能量消耗对提高整个网络的能量效率有重大意义。由于基站是依据蜂窝网络负载的峰值部署的，并且留有容量冗余，而网络中的负载在时空维度上存在较大的波动，网络处于负载峰值的时间只占据整个网络运行周期的很小一部分，在大部分时刻，网络容量大于其实际负载，如果蜂窝网络中所有基站时刻都保持着开启状态，势必会引起能量浪费。因此在流量需求较低的时段(如凌晨)，可以将部分低负载基站的接入用户移交给邻近的开启基站，然后将其切换至休眠状态，从而地降低整个网络的能量消耗。

基站休眠策略一方面需要降低网络的能耗水平，另一方面需要保证用户的网络需求。施行基站休眠策略后，基站的能耗来自于两部分：基站运行时产生的能耗以及基站工作状态切换所引起的能耗。减小前者要求休眠尽可能多的基站，而减小后者要求尽量减少基站的状态切换次数，这两方面的能耗与休眠基站的选取密切相关。用户需求包含两个方面：对接入基站后网络速率的需求以及网络阻塞率的需求。网络速率的需求指用户接入某个基站后，用户的可达网络速率大于等于其需求速率。网络阻塞率的需求指蜂窝网络部分基站休眠后，新用户接入网络后被阻塞的概率低于某个阈值。满足速率需求要求基站拥有更多的可用网络资源，而满足阻塞率需求要求基站拥有更多的预留网络资源，这两方面的需求与网络资源的分配密切相关。因此基站休眠策略不但要确定哪些基站休眠，而且要确定开启基站的网络资源如何分配。现有技术只考虑了休眠更多的基站，而没有考虑减少基站状态切换次数，对于基站预留资源比例也只是静态设定，并没有根据基站的未来负载情况做出动态决策，因此其难以实现节能效果最大化。

发明内容

本发明的目的在于克服上述现有技术的缺点，提供了一种能够有效提升基站的资源利用率，减少基站的工作状态切换次数的基于流量预测与基站状态的基站休眠方法。

为达到上述目的，本发明采用的技术方案是：

1)假设蜂窝网络由N个宏基站构成，将这些基站记为集合BS＝{bs₁,bs₂,...,bs_N}，每隔一个周期统计各基站的流量负载，并将其记录，各基站根据统计的历史流量数据应用基于模糊时间序列的预测方法训练出各自流量的模糊预测模型；

2)根据步骤1)得到的流量的模糊预测模型，基站将当前的统计时刻以及当前流量值输入模糊预测模型，获取基站在下一统计时刻的流量值，通过预测流量获取从当前时刻到下一统计时刻各基站流量负载变化趋势，并据此设置相应的预留资源比例；

3)统计各基站的当前工作状态以及其服务用户，获取各用户的流量需求，通过信道反馈获取用户接收到各基站信号的信干噪比，用户i接入基站bs_j的信干噪比记为SINR_i,j，再根据香农公式计算用户i接入基站bs_j的传输速率rate_i,j；

4)根据步骤3)得到的基站状态以及基站服务用户的流量需求，通过价值函数对基站休眠测试顺序进行预排序，之后按照预排序顺序依次尝试将基站的用户移交给邻近的开启基站，并且接收用户的基站需要根据步骤2)中设定的比例预留带宽资源，如果用户全部移交成功，则基站进入休眠状态，否则基站保持开启状态。

所述步骤1)所统计得到各基站历史流量数据为H＝{Traffic₁,Traffic₂,...,Traffic_N}，其中Traffic_j为所统计的基站j的历史流量数据， 为基站j在t_k时刻的流量值，运用粒子群算法根据各基站的流量数据训练各自流量的模糊预测模型。

步骤1)中基站流量的模糊预测模型的构建包括以下步骤：

1.1)对于某一基站j，获取其历史流量的最大值Max_j和最小值Min_j，加入抗干扰因子K₁和K₂，得到论域[K₁+Min_j,K₂+Max_j]，在论域范围内初始化M个L维的粒子划分向量其中

1.2)对于某一粒子划分向量i，将基站j的历史流量数据根据划分向量进行模糊化处理，获取基站流量的模糊时间序列；

1.3)从模糊时间序列中提取模糊逻辑规则，并根据规则的当前状态运用K-Means方法对规则进行聚类；

1.4)根据模糊逻辑规则组对基站的历史流量数据进行预测，获取各划分向量对应的流量预测误差；

1.5)根据局部以及全局的最优粒子划分向量对M个粒子划分向量进行更新；

1.6)迭代执行步骤1.2)-1.5)，直至达到指定的迭代次数，最终得到基站j的最优模糊预测模型。

所述步骤1.3)中，提取模糊逻辑规则的当前状态中需要包含基站流量所对应的时刻因素，设基站j在t_i和t_i+1时刻的流量值和分别映射为模糊集A_x与A_y，则提取模糊逻辑规则A_x→A_y，从中提取的当前状态应为(A_x,t_i)，其中0≤t_i≤24，其对应的执行K-Means算法的聚类元素为(x,t_i)，聚类后记录各组的中心并将位于同一组的当前状态所对应的模糊逻辑规则分入同一模糊逻辑规则组。

所述步骤1.4)中，预测基站j在某一统计时刻t_i的历史流量时，需要输入基站j的上一统计时刻与流量值首先根据粒子划分向量将映射为模糊集A_z，获取中心与(z,t_i-1)距离最近的模糊逻辑规则组，并计算(A_z,t_i-1)与组内各规则当前状态的相似度，(A_z,t_i-1)与(A_x,t_k)的相似度为：

其中，MaxG_A和MaxG_t分别为规则组内当前状态的模糊集下标和时刻的最大值，MinG_A和MinG_t分别为规则组内当前状态的模糊集下标和时刻的最小值，α和β分别为流量和时间因素在相似度衡量中的权重。设规则组内共有P个模糊逻辑规则，根据所得相似度进行去模糊化处理，预测流量的公式为：

其中，sum为(A_z,t_i-1)与组内所有规则相似度之和，mid_s为规则组内第s个规则的未来状态的模糊集对应的区间中值。

所述步骤2)中，模糊预测模型根据当前时刻以及基站当前流量预测下一统计时刻的基站流量，并根据得到的预测流量与基站当前流量动态的为基站设置网络资源的预留比例，设定基站j的预留比例的公式为：

其中，e^j为流量预测误差的平均比例，为预测流量。

所述步骤3)中，设基站的发射功率为P，每个基站拥有b个无线资源块，每个无线资源块的带宽为w,无线资源块是基站资源调度的最小单位，每个无线资源块最多分配给一个用户，一个用户能够使用多个无线资源块，基站的发射功率均匀的分配给其无线资源块，未被分配给用户的资源块上的功率不会被重新分配给其他正在使用的无线资源块，用户i在基站j的单个无线资源块上的接收功率为：

其中，为代表阴影衰落的随机变量，服从正态分布，g(i,j)为用户i到基站j之间的路径损耗，路径损耗的公式为：

g(i,j)db＝10log₁₀c+10αlog₁₀d_i,j (5)

其中c代表路径损耗因子，依赖于天线特性以及平均信道损耗，α代表路径损耗指数，依赖于传播环境，d_i,j为用户i与基站j间的距离。用户i接入基站j的信干噪比为：

其中，state_k代表基站k的工作状态，若基站k处于休眠状态，则state_k＝0，若基站k处于开启状态，则state_k＝1，ρ₀为加性高斯白噪声的密度，用户i接入基站j后在单个无线资源块上的可达速率为：

其中，SINR_min为传输信息可被解析的最低信噪比。

所述步骤4)中，首先根据各基站当前的工作状态和流量计算价值函数，从而完成基站休眠测试的预排序，基站j的价值函数为：

其中traffic_max为所有基站当前流量的最大值，w₁和w₂分别为基站当前流量和工作状态所占的权重，排序后依照顺序对基站执行休眠测试，并且各开启基站要保证步骤2)中设定的预留资源比例，如果某基站服务用户可被全部转移给邻近基站，则将其切换至休眠状态。

本发明利用模糊预测模型实现对基站未来流量的预测，并通过预测流量与基站状态作出休眠决策，可以有效提升基站的资源利用率，减少基站的工作状态切换次数。

本发明具有以下有益效果：

本发明提出一种基于流量预测与基站状态的基站休眠方法，通过引入模糊预测模型，对蜂窝网络中各基站的未来流量大小进行预测并根据预测得到的未来流量动态设置各基站的预留资源比例，预测模型具有良好的鲁棒性，可以有效的避免偶然因素对预测结果准确性造成的影响；同时本发明综合考虑基站的流量负载和工作状态设计了一种价值函数，通过价值函数对基站的休眠测试顺序进行预排序，可以有效的弥补现有休眠算法的缺陷，实现了优先休眠低负载基站的同时减少基站工作状态切换的次数；本发明在考虑了基站负载与信道状况两个因素对用户的接入基站进行决策，在用户转移时优先接入负载较大且信道状况较好的基站，有效的提升了网络资源利用率，降低了网络整体的能耗水平。

附图说明

图1为本发明中应用粒子群算法训练模糊预测模型的流程图。

图2为本发明中应用模糊预测模型预测基站流量的流程图

图3为本发明中基站休眠决策的流程图。

图4为本发明中基站用户移交的流程图。

具体实施方式

为了使本发明的内容及有点更加清楚明白，下面结合附图对本发明做进一步详细描述。

现有的基站休眠方法为了保障蜂窝网络中部分基站休眠后新接入网络的用户仍可以获得良好的网络服务质量，会令开启基站预留一定比例的网络资源以供未来接入的用户使用，但对于这部分比例的设定，现有方法一般采取静态的设定方法，为所有基站统一设定固定比例的阈值，但是由于各基站未来接入用户的网络需求存在差异，部分基站的未来负载比当前负载大，而另一部分基站的未来负载可能比当前小，统一设定预留资源比例的方法无法适应这种各基站未来负载的差异性，因此会造成预留资源的浪费，导致基站当前可用资源减小，降低了基站休眠方法的节能效果。而本发明则利用历史流量数据为各基站训练模糊预测模型，通过模糊预测模型预测基站未来时刻的流量负载，根据预测的各基站未来流量为其动态的设定预留资源比例，使得预留资源比例可以更好的跟踪基站流量负载的波动情况，实现对基站资源更充分的利用，提升基站休眠的节能效果。另外基站休眠方法在执行时会引起基站工作状态的切换，而基站工作状态的频繁切换不仅会引起较大的能量开销，而且会降低基站设备使用寿命，因此应当尽量减少基站工作状态的切换次数，维持各基站工作状态的稳定性，而现有的基站休眠方法一般忽视了这点。而本发明综合考虑基站当前的流量负载与工作状态设计一种价值函数，使得当前负载较低基站可以优先休眠的同时也令各基站具有更大的机率维持其当前工作状态，避免了基站工作状态频繁切换的问题，较好的兼顾了网络的节能问题和基站工作状态切换问题。

(一)训练基站流量的模糊预测模型

参考图1，训练基站流量的模糊预测模型主要包括以下步骤：

1)对于某一基站j，获取其历史流量的最大值Max_j和最小值Min_j，加入抗干扰因子K₁和K₂，得到论域[K₁+Min_j,K₂+Max_j]，在论域范围内初始化M个L维的粒子划分向量其中

2)对于某一粒子划分向量i，将基站j的历史流量数据根据划分向量进行模糊化处理，获取基站流量的模糊时间序列；

3)从模糊时间序列中提取模糊逻辑规则，并根据规则的当前状态运用K-Means方法对规则进行聚类；

4)根据模糊逻辑规则组对基站的历史流量数据进行预测，获取各划分向量对应的流量预测误差；

5)根据局部以及全局的最优粒子划分向量对M个粒子划分向量进行更新；

6)迭代执行步骤2)-5)，直至达到指定的迭代次数，最终得到基站j的最优模糊预测模型。

所述步骤3)中，提取模糊逻辑规则的当前状态中需要包含基站流量所对应的时刻因素，设基站j在t_i和t_i+1时刻的流量值和分别映射为模糊集A_x与A_y，则可提取模糊逻辑规则A_x→A_y，从中提取的当前状态应为(A_x,t_i)，其中0≤t_i≤24，其对应的执行K-Means算法的聚类元素为(x,t_i)，聚类后记录各组的中心并将位于同一组的当前状态所对应的模糊逻辑规则分入同一模糊逻辑规则组。

所述步骤4)中，预测基站j在某一统计时刻t_i的历史流量时，需要输入基站j的上一统计时刻与流量值首先根据粒子划分向量将映射为模糊集A_z，获取中心与(z,t_i-1)距离最近的模糊逻辑规则组，并计算(A_z,t_i-1)与组内各规则当前状态的相似度，(A_z,t_i-1)与(A_x,t_k)的相似度为：

其中，MaxG_A和MaxG_t分别为规则组内当前状态的模糊集下标和时刻的最大值，MinG_A和MinG_t分别为规则组内当前状态的模糊集下标和时刻的最小值，α和β分别为流量和时间因素在相似度衡量中的权重。设规则组内共有P个模糊逻辑规则，根据所得相似度进行去模糊化处理，预测流量的公式为：

其中，sum为(A_z,t_i-1)与组内所有规则相似度之和，mid_s为规则组内第s个规则的未来状态的模糊集对应的区间中值。

(二)设定基站预留资源比例

通过在基站历史流量数据上的训练，可以获取到基站流量的模糊预测模型，通过在历史流量数据上的验证，可以得到各模糊预测模型的平均预测误差，基站j的模糊预测模型的平均预测误差公式为：

为基站j的模糊预测模型预测所得的第t个统计时刻流量值。

之后各基站利用模糊预测模型参考图2所示的步骤完成流量预测，获取下一统计时刻自身流量负载情况，根据得到的预测流量与基站当前流量动态的为基站设置网络资源的预留比例，设定基站j预留比例的公式为：

其中，为基站j在未来第n+1个统计时刻的预测流量值，为当前第n个时刻的流量值。

(三)选取休眠基站

蜂窝网络中的基站集合记为{bs₁,bs₂,...,bs_N},设基站的发射功率为P，每个基站拥有b个无线资源块，每个无线资源块的带宽为w,无线资源块是基站资源调度的最小单位，每个无线资源块最多分配给一个用户，一个用户可以使用多个无线资源块，基站的发射功率均匀的分配给其无线资源块，未被分配给用户的资源块上的功率也不会被重新分配给其他正在使用的无线资源块，用户i在基站j的单个无线资源块上的接收功率为：

其中，为代表阴影衰落的随机变量，服从正态分布，g(i,j)为用户i到基站j之间的路径损耗，路径损耗的公式为：

g(i,j)db＝10log₁₀c+10αlog₁₀d_i,j (6)

其中c代表路径损耗因子，依赖于天线特性以及平均信道损耗，α代表路径损耗指数，依赖于传播环境，d_i,j为用户i与基站j间的距离。用户i接入基站j的信干噪比为：

其中，state_k代表基站k的工作状态，若基站k处于休眠状态，则state_k＝0，若基站k处于开启状态，则state_k＝1，ρ₀为加性高斯白噪声的密度。用户i接入基站j后在单个无线资源块上的可达速率为：

其中，SINR_min为传输信息可被解析的最低信噪比。

参考图3，确定蜂窝网络中休眠基站的步骤包括：

1)获取蜂窝网络中各基站的工作状态{state₁,state₂,...,state_N}、当前流量负载{traffic₁,traffic₂,...,traffic_N}、各用户的网络速率需求{x₁,x₂,...,x_U}以及用户在各基站的可达速率{rate₁,rate₂,...,rate_N}；

2)初始化，将蜂窝网络中所有基站加入测试基站集合BS_test＝{bs₁,bs₂,...,bs_N}，令开启基站集合为空BS_on＝{}，休眠基站集合为空BS_off＝{}，并根据各基站当前流量负载完成下一统计时刻的流量预测并完成预留资源比例的设置{c₁,c₂,...,c_N}。

3)计算测试集合中各基站的价值函数，价值函数的公式为：

其中traffic_max为所有基站当前流量的最大值，w₁和w₂分别为基站当前流量和工作状态所占的权重。

选取测试集合中价值函数最小的基站作为测试基站，执行用户转移，并将其从测试集合移除，。

4)如果用户可以全部转移到邻近开启基站，则加测试基站加入休眠基站集合，并更新信道状况、用户在各基站的网络速率以及基站可用网络资源信息。如果用户无法全部转移，则将测试基站加入开启基站集合。

5)判断测试集合是否为空，若不为空则返回继续执行第3)步骤，若测试集合为空，则判断休眠基站集合中是否有新加入的基站，若有新加入的基站，则将开启基站集合内所有的基站移入测试基站集合，并令开启基站集合为空，返回继续执行第3)步骤，若休眠基站集合没有变动，则当前休眠基站集合中的基站即为所选取的休眠基站。

(四)用户转移

当前N个基站与U个用户的接入关系用U×M的矩阵A表示，A中各元素用如下公式定义：

基站j当前已用无线资源块可用如下公式计算：

其中x_i代表用户i的网络速率需求，rate_i,j代表用户i接入基站j后的在单个无线资源块上可达到的网络速率。

参考图4，用户转移的主要步骤包括：

1)获取当前用户接入关系矩阵A，各用户的网络速率需求{x₁,x₂,...,x_U}，用户在各基站单个无线资源块上的可达速率rate_i,j，各基站预留资源比例{c₁,c₁,...,c_N}，测试基站bs_test，邻近基站集合{bs_n1,bs_n2,...,bs_nm}。

2)初始化转移用户集合为当前接入bs_test的所有用户，接收基站集合为邻近基站集合中的所有基站。

3)选取转移用户集合中网络速率需求最大的用户作为转移用户x_tran，然后计算x_tran接入接收基站集合中各基站的可能性，用户i接入基站j的可能性可用下式计算：

4)P_i,j＝traffic_j×rate_i,j (12)

5)按照转移用户x_tran接入接收基站集合中各基站的可能性从大到小排序，之后按顺序判断接收基站集合中是否存在基站j满足下式：

其中，use_j是基站已使用的无线资源块数目，b是基站所拥有的无线资源块数目。如果接收基站集合中不存在基站j满足上式，则输出用户无法全部转移。如果存在基站j，则将用户x_tran从转移用户集合中移除，并更新接入关系矩阵A、接收基站j的流量负载traffic_j和已使用无线资源块use_j，之后判断转移用户集合是否为空，如果不为空，则返回继续执行步骤2)，如果为空，则输出用户可以全部转移。

Claims (8)

1.一种基于流量预测与基站状态的基站休眠方法，其特征在于，包括以下步骤：

1)假设蜂窝网络由N个宏基站构成，将这些基站记为集合BS＝{bs₁,bs₂,...,bs_N}，每隔一个周期统计各基站的流量负载，并将其记录，各基站根据统计的历史流量数据应用基于模糊时间序列的预测方法训练出各自流量的模糊预测模型；

2)根据步骤1)得到的流量的模糊预测模型，基站将当前的统计时刻以及当前流量值输入模糊预测模型，获取基站在下一统计时刻的流量值，通过预测流量获取从当前时刻到下一统计时刻各基站流量负载变化趋势，并据此设置相应的预留资源比例；

3)统计各基站的当前工作状态以及其服务用户，获取各用户的流量需求，通过信道反馈获取用户接收到各基站信号的信干噪比，用户i接入基站bs_j的信干噪比记为SINR_i,j，再根据香农公式计算用户i接入基站bs_j的传输速率rate_i,j；

4)根据步骤3)得到的基站状态以及基站服务用户的流量需求，通过价值函数对基站休眠测试顺序进行预排序，之后按照预排序顺序依次尝试将基站的用户移交给邻近的开启基站，并且接收用户的基站需要根据步骤2)中设定的比例预留带宽资源，如果用户全部移交成功，则基站进入休眠状态，否则基站保持开启状态。

2.根据权利要求1所述的一种基于流量预测与基站状态的基站休眠方法，其特征在于：所述步骤1)所统计得到各基站历史流量数据为H＝{Traffic₁,Traffic₂,...,Traffic_N}，其中Traffic_j为所统计的基站j的历史流量数据， 为基站j在t_k时刻的流量值，运用粒子群算法根据各基站的流量数据训练各自流量的模糊预测模型。

3.根据权利要求1或2所述的基于流量预测与基站状态的基站休眠方法，其特征在于：步骤1)中基站流量的模糊预测模型的构建包括以下步骤：

1.1)对于某一基站j，获取其历史流量的最大值Max_j和最小值Min_j，加入抗干扰因子K₁和K₂，得到论域[K₁+Min_j,K₂+Max_j]，在论域范围内初始化M个L维的粒子划分向量其中

1.2)对于某一粒子划分向量i，将基站j的历史流量数据根据划分向量进行模糊化处理，获取基站流量的模糊时间序列；

1.3)从模糊时间序列中提取模糊逻辑规则，并根据规则的当前状态运用K-Means方法对规则进行聚类；

1.4)根据模糊逻辑规则组对基站的历史流量数据进行预测，获取各划分向量对应的流量预测误差；

1.5)根据局部以及全局的最优粒子划分向量对M个粒子划分向量进行更新；

1.6)迭代执行步骤1.2)-1.5)，直至达到指定的迭代次数，最终得到基站j的最优模糊预测模型。

4.根据权利要求3所述的基于流量预测与基站状态的基站休眠方法，其特征在于：所述步骤1.3)中，提取模糊逻辑规则的当前状态中需要包含基站流量所对应的时刻因素，设基站j在t_i和t_i+1时刻的流量值和分别映射为模糊集A_x与A_y，则提取模糊逻辑规则A_x→A_y，从中提取的当前状态应为(A_x,t_i)，其中0≤t_i≤24，其对应的执行K-Means算法的聚类元素为(x,t_i)，聚类后记录各组的中心并将位于同一组的当前状态所对应的模糊逻辑规则分入同一模糊逻辑规则组。

5.根据权利要求3所述的基于流量预测与基站状态的基站休眠方法，其特征在于：所述步骤1.4)中，预测基站j在某一统计时刻t_i的历史流量时，需要输入基站j的上一统计时刻与流量值首先根据粒子划分向量将映射为模糊集A_z，获取中心与(z,t_i-1)距离最近的模糊逻辑规则组，并计算(A_z,t_i-1)与组内各规则当前状态的相似度，(A_z,t_i-1)与(A_x,t_k)的相似度为：

其中，MaxG_A和MaxG_t分别为规则组内当前状态的模糊集下标和时刻的最大值，MinG_A和MinG_t分别为规则组内当前状态的模糊集下标和时刻的最小值，α和β分别为流量和时间因素在相似度衡量中的权重，设规则组内共有P个模糊逻辑规则，根据所得相似度进行去模糊化处理，预测流量的公式为：

其中，sum为(A_z,t_i-1)与组内所有规则相似度之和，mid_s为规则组内第s个规则的未来状态的模糊集对应的区间中值。

6.根据权利要求1所述的基于流量预测与基站状态的基站休眠方法，其特征在于：所述步骤2)中，模糊预测模型根据当前时刻以及基站当前流量预测下一统计时刻的基站流量，并根据得到的预测流量与基站当前流量动态的为基站设置网络资源的预留比例，设定基站j的预留比例的公式为：

其中，e^j为流量预测误差的平均比例，为预测流量。

7.根据权利要求1所述的基于流量预测与基站状态的基站休眠方法，其特征在于：所述步骤3)中，设基站的发射功率为P，每个基站拥有b个无线资源块，每个无线资源块的带宽为w,无线资源块是基站资源调度的最小单位，每个无线资源块最多分配给一个用户，一个用户能够使用多个无线资源块，基站的发射功率均匀的分配给其无线资源块，未被分配给用户的资源块上的功率不会被重新分配给其他正在使用的无线资源块，用户i在基站j的单个无线资源块上的接收功率为：

其中，为代表阴影衰落的随机变量，服从正态分布，g(i,j)为用户i到基站j之间的路径损耗，路径损耗的公式为：

g(i,j)db＝10log₁₀c+10αlog₁₀d_i,j (6)

其中c代表路径损耗因子，依赖于天线特性以及平均信道损耗，α代表路径损耗指数，依赖于传播环境，d_i,j为用户i与基站j间的距离，用户i接入基站j的信干噪比为：

其中，state_k代表基站k的工作状态，若基站k处于休眠状态，则state_k＝0，若基站k处于开启状态，则state_k＝1，ρ₀为加性高斯白噪声的密度，用户i接入基站j后在单个无线资源块上的可达速率为：

其中，SINR_min为传输信息可被解析的最低信噪比。

8.根据权利要求1所述的基于流量预测与基站状态的基站休眠方法，其特征在于：所述步骤4)中，首先根据各基站当前的工作状态和流量计算价值函数，从而完成基站休眠测试的预排序，基站j的价值函数为：

其中traffic_max为所有基站当前流量的最大值，w₁和w₂分别为基站当前流量和工作状态所占的权重，排序后依照顺序对基站执行休眠测试，并且各开启基站要保证步骤2)中设定的预留资源比例，如果某基站服务用户可被全部转移给邻近基站，则将其切换至休眠状态。