CN112738883A - 一种空中基站位置确定方法及装置 - Google Patents
一种空中基站位置确定方法及装置 Download PDFInfo
- Publication number
- CN112738883A CN112738883A CN202011488574.XA CN202011488574A CN112738883A CN 112738883 A CN112738883 A CN 112738883A CN 202011488574 A CN202011488574 A CN 202011488574A CN 112738883 A CN112738883 A CN 112738883A
- Authority
- CN
- China
- Prior art keywords
- base station
- ground terminal
- air base
- millimeter wave
- target area
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000004422 calculation algorithm Methods 0.000 claims description 23
- 230000015654 memory Effects 0.000 claims description 16
- 230000002787 reinforcement Effects 0.000 claims description 15
- 238000001914 filtration Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 9
- 230000000694 effects Effects 0.000 claims description 7
- 230000007613 environmental effect Effects 0.000 claims description 7
- 230000005540 biological transmission Effects 0.000 claims description 6
- 230000001419 dependent effect Effects 0.000 claims description 2
- 238000004891 communication Methods 0.000 abstract description 25
- 230000009471 action Effects 0.000 description 15
- 239000003795 chemical substances by application Substances 0.000 description 11
- 230000006870 function Effects 0.000 description 7
- 238000010276 construction Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000007774 longterm Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 239000013589 supplement Substances 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W64/00—Locating users or terminals or network equipment for network management purposes, e.g. mobility management
- H04W64/003—Locating users or terminals or network equipment for network management purposes, e.g. mobility management locating network equipment
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明提供了一种空中基站位置确定方法及装置,其中,该方法包括:获取目标区域的历史地面终端数量数据,根据历史地面终端数量数据预测目标区域在目标时间段内的地面终端数量;若目标区域在目标时间段内的地面终端数量大于预设阈值,获取目标区域内的当前地面终端位置信息;根据目标区域内的当前地面终端位置信息确定空中基站位置。本发明提供的空中基站位置确定方法,在当前基站的服务能力无法满足用户的需求之前预先对目标区域在目标时间段内的地面终端数量进行了预测,当预测到的地面终端数量大与预设阈值时,根据目标区域内的当前地面终端位置信息确定空中基站位置,避免了空中基站部署不及时导致通信中断的问题。
Description
技术领域
本发明涉及通信技术领域,具体涉及一种空中基站位置确定方法及装置。
背景技术
智能电网的建设是我国电力***发展及建设的重要方向,但在实际建设中,往往会存在规划与建设不协调的问题,造成局部热点区域无法得到很好的通信服务的情况的出现。一方面,由于电网通信节点建设的滞后性,规划中的电网通信节点还未建成完善,而热点区域的用电项目却又早早建成急需通信;另一方面,一些热点区域在原来的电网规划中并不是热点,但是随着政府开发力度的加强而逐渐成为了热点,如机场、商圈等,这些区域在规划中存在空白,地面基站的建设还没有跟上。
由于基于无人机的空中基站具有悬停能力、易于部署、行动灵活、部署成本低等优势,使用基于无人机的空中基站进行临时通信被视为是对地面通信网络的一种重要补充手段,可以有效增强地面上的无线容量和覆盖范围,满足5G和B5G蜂窝移动通信的要求。当热点区域出现,地面基站不能满足用户的通信需求时,可以将无人机搭载临时基站布置到热点区域上空,增强热点区域的容量。
但是目前对空中基站的部署位置都是热点区域出现后确定的,从发现热点区域到确定空中基站的部署位置需要一定的时间,这段时间内会因为地面部署基站的服务能力无法满足用户需求而造成的通信中断的问题,这些问题是通过现有技术无法及时确定空中基站的部署位置的缺陷导致的。
发明内容
因此,本发明要解决的技术问题在于克服现有技术中的无法及时确定空中基站的部署位置的缺陷,从而提供一种空中基站位置确定方法及装置。
本发明第一方面提供了一种空中基站位置确定方法,包括:获取目标区域的历史地面终端数量数据,根据历史地面终端数量数据预测目标区域在目标时间段内的地面终端数量;若目标区域在目标时间段内的地面终端数量大于预设阈值,获取目标区域内的当前地面终端位置信息;根据目标区域内的当前地面终端位置信息确定空中基站位置。
可选地,在本发明提供的空中基站位置确定方法中,获取目标区域的历史地面终端数量数据,包括:获取多个区域的初始历史地面终端数量数据;根据初始历史地面终端数量数据的平均值和标准差,对初始历史地面终端数量数据进行过滤处理;根据多个区域的地理位置信息,对经过过滤处理的初始历史地面终端数量数据进行分组,得到目标区域的经过过滤处理的历史地面终端数量数据;根据目标区域的经过过滤处理的历史地面终端数量数据的平均值,对目标区域的经过过滤处理的历史地面终端数量数据进行填充,得到目标区域的历史地面终端数量数据。
可选地,在本发明提供的空中基站位置确定方法中,根据目标区域内的当前地面终端位置信息确定空中基站位置的步骤,包括:根据当前地面终端位置信息确定空中基站的初始位置;根据空中基站的初始位置信息和当前地面终端位置信息,确定空中基站位于初始位置时的容量;将空中基站位于初始位置时的容量输入到强化学习模型,确定空中基站位置。
可选地,在本发明提供的空中基站位置确定方法中,根据当前地面终端位置信息确定空中基站的初始位置的步骤,包括:根据当前地面终端位置信息和第一预设聚类算法对地面终端进行聚类,得到初始聚类中心;根据当前地面终端位置信息、初始聚类中心和第二预设聚类算法对地面终端进行聚类,得到目标聚类中心;将目标聚类中心确定为空中基站的初始位置。
可选地,在本发明提供的空中基站位置确定方法中,空中基站为毫米波空中基站,根据空中基站的初始位置信息和当前地面终端位置信息,确定空中基站位于初始位置时的容量的步骤,包括:根据毫米波空中基站初始位置信息和当前地面终端位置信息,确定地面终端到毫米波空中基站的视距链路损耗、非视距链路损耗以及毫米波传输过程中的天线增益;获取毫米波空中基站当前位置的环境参数,根据环境参数以及毫米波空中基站初始位置确定地面终端到毫米波空中基站的视距链路概率和非视距链路概率;根据视距链路概率和非视距链路概率以及对应的视距链路损耗和非视距链路损耗,得到地面终端到毫米波空中基站的总体路径损耗;根据每一个地面终端的天线增益以及总体路径损耗,确定毫米波空中基站处于初始位置时的接收机总信噪比;根据接收机总信噪比,确定毫米波空中基站处于初始位置时的容量。
可选地,在本发明提供的空中基站位置确定方法中,根据视距链路概率和非视距链路概率以及对应的视距链路损耗和非视距链路损耗,得到地面终端到毫米波空中基站的总体路径损耗的步骤,包括: 其中,表示地面终端i到毫米波空中基站的视距链路损耗,表示地面终端i到毫米波空中基站的非视距链路损耗,ρ是由ρ=32.4+20log(f)给出的固定路径损耗,f为毫米波空中基站装载的毫米波的频率,xL对数正态随机变量,表示视距链路场景中的阴影效应,xN是对数正态随机变量,表示非视距链路场景中的阴影效应,αLoS表示是视距链路场景中的路径损耗指数,αNLos表示非视距链路场景中的路径损耗指数,di为地面终端i距离空中基站的距离,PLoSi为地面终端i与毫米波空中基站的视距链路概率,PNLoSi为地面终端i与毫米波空中基站的非视距链路概率,a和b是取决于环境的参数, 表示地面终端i到毫米波空中基站的仰角,h表示初始位置的高度,xi表示地面终端i距离毫米波空中基站在地面上垂直投影的水平距离,PNLoSi=1-PLoSi。
可选地,在本发明提供的空中基站位置确定方法中,根据每一个地面终端的天线增益以及总体路径损耗,确定毫米波空中基站处于初始位置时的接收机总信噪比,包括:其中,SNR表示接收机总信噪比,Ga表示天线增益,Ga=Gi_mainGr_main,Gi_main表示毫米波空中基站的主瓣增益,Gr_main表示毫米波空中基站的旁瓣增益,Pt为毫米波空中基站的发射功率,σ2为噪声,PLi表示地面终端i到毫米波空中基站的总体路径损耗。
本发明第二方面提供了一种空中基站位置确定装置,包括:地面终端数量预测模块,用于获取目标区域的历史地面终端数量数据,根据历史地面终端数量数据预测目标区域在目标时间段内的地面终端数量;当前地面终端位置信息获取模块,若目标区域在目标时间段内的地面终端数量大于预设阈值,当前地面终端位置信息获取模块用于获取目标区域内的当前地面终端位置信息;基站位置确定模块,用于根据目标区域内的当前地面终端位置信息确定空中基站位置。
本发明第三方面提供了一种计算机设备,包括:至少一个处理器;以及与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,从而执行如本发明第一方面提供的空中基站位置确定方法。
本发明第四方面提供了一种计算机可读存储介质,其特征在于,计算机可读存储介质存储有计算机指令,计算机指令用于使计算机执行如本发明第一方面提供的空中基站位置确定方法。
本发明技术方案,具有如下优点:
1.本发明提供的空中基站位置确定方法,在当前基站的服务能力无法满足用户的需求之前预先对目标区域在目标时间段内的地面终端数量进行了预测,当预测到的地面终端数量大与预设阈值时,根据目标区域内的当前地面终端位置信息确定空中基站位置,避免了空中基站部署不及时导致通信中断的问题。
2.本发明提供的空中基站位置确定方法,在获取初始地面终端数量数据后,先对初始地面终端数量数据进行过滤处理,然后对滤除后的数据进行填充处理,从而得到了目标区域的历史地面终端数量数据,通过过滤处理滤除了初始地面终端数量数据中的异常数据,通过填充处理保障了数据的完整性,因此,通过本发明提供的空中基站位置确定方法能够对目标区域在目标时间段内的地面终端数量进行准确预测,从而更及时且准确地确定需要部署空中基站的位置。
3.本发明提供的空中基站位置确定方法,在根据当前地面终端位置信息确定空中基站的初始位置后,将空中基站的容量结合强化学习,使得强化学习模型能够根据初始位置的容量,确定空中基站的位置,提高了空中基站部署的灵活性以及增加了空中基站进行通信补充的有效性。
4.本发明提供的空中基站位置确定装置,在当前基站的服务能力无法满足用户的需求之前预先对目标区域在目标时间段内的地面终端数量进行了预测,当预测到的地面终端数量大与预设阈值时,根据目标区域内的当前地面终端位置信息确定空中基站位置,避免了空中基站部署不及时导致通信中断的问题。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1-图5为本发明实施例中空中基站位置确定方法的具体示例的流程图;
图6为本发明实施例中空中基站位置确定装置的一个具体示例的原理框图;
图7为本发明实施例中计算机设备的一个具体示例的原理框图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
在本发明的描述中,需要说明的是,下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
本发明实施例提供了一种空中基站位置确定方法,如图1所示,包括:
步骤S10:获取目标区域的历史地面终端数量数据。
在具体实施例中,目标区域可以是机场、商圈、居民区等任意存在地面终端的区域,地面终端为任意需要通过基站进行数据传输的设备,例如,具有通信功能的手机、电脑等设备。目标区域的历史地面终端数量数据是指不同时间段内目标区域中的地面终端的数量。
步骤S20:根据历史地面终端数量数据预测目标区域在目标时间段内的地面终端数量。目标时间段可以是未来半年、一年等。
在一具体实施例中,可以通过差分自回归移动平均模型(AutoregressiveIntegrated Moving Average,ARIMA)对目标区域在目标时间段内的地面终端数量进行预测,ARIMA由三部分组成,即自回归(AR),差分(I)和移动平均(MA)。AR用于通过过去值的线性组合来预测未来值,MA用于通过提取过去值的影响来预测未来值,I表示差分时间序列以使其平滑。
在本发明实施例中,通过ARIMA预测目标区域在目标时间段内的地面终端数量的公式如下:
其中yt表示目标时间段t的预测结果,ai是AR参数,θj是MA参数,εt是随机误差项,p,q分别是AR和MA的阶数。在具体实施例中,对于p和q,可以在获取历史地面终端数量数据后,对数据绘图,观测是否为平稳时间序列,对于非平稳时间序列要先进行差分运算化为平稳时间序列,然后对平稳时间序列分别求得其自相关系数ACF和偏自相关系数PACF,通过对自相关图和偏自相关图的分析,得到最佳的阶层p和阶数q,最终得到最优的ARIMA模型,对于AR参数和MA参数,可以利用R语言中的auto.arima函数进行自动定阶。
步骤S30:判断目标区域在目标时间段内的地面终端数量是否大于预设阈值,若目标区域在目标时间段内的地面终端数量大于预设阈值,执行步骤S40、步骤S50,若目标区域在目标时间段内的地面终端数量小于或等于预设阈值,不执行任何操作。
在具体实施例中,预设阈值可以根据当前目标区域内的基站可支持的终端数量确定,例如,可以将预设阈值设置为当前目标区域内的基站可支持的终端数量的85%,若预测到的目标区域在目标时间段内的地面终端数量大于当前目标区域内的基站可支持的终端数量的85%时,判定目标区域在目标时间段内的地面终端数量大于预设阈值,意味着目标区域在目标时间段内可能存在当前基站的服务能力无法满足用户需求而造成通信中断的问题,因此需要执行步骤S40、步骤S50确定空中基站位置,实施空中基站的部署工作。
步骤S40:获取目标区域内的当前地面终端位置信息。目标区域内的当前地面终端位置信息可以是当前目标区域内的所有终端的二维坐标信息。
步骤S50:根据目标区域内的当前地面终端位置信息确定空中基站位置。
由于目标区域内的终端与空中基站的相对位置会对空中基站的容量有一定的影响,因此,为了尽可能增大空中基站的容量,本发明实施例中提供的空中基站位置确定方法在计算空中基站的位置时,会结合目标区域内的当前地面终端位置信息。
本发明实施例提供的空中基站位置确定方法,在当前基站的服务能力无法满足用户的需求之前预先对目标区域在目标时间段内的地面终端数量进行了预测,当预测到的地面终端数量大与预设阈值时,根据目标区域内的当前地面终端位置信息确定空中基站位置,避免了空中基站部署不及时导致通信中断的问题。
在一可选实施例中,在本发明实施例提供的空中基站位置确定方法中,如图2所示,上述步骤S10具体包括:
步骤S11:获取多个区域的初始历史地面终端数量数据。
步骤S12:根据初始历史地面终端数量数据的平均值和标准差,对初始历史地面终端数量数据进行过滤处理。
对初始历史地面终端数量数据进行过滤处理的目的是过滤初始历史地面终端数量数据中的异常值,当数据服从正态分布时,根据正态分布的定义可知,距离平均值3σ之外的概率为P(|x-μ|>3σ)<=0.003,这属于极小概率事件,当某一时间段内的地面终端数量距离初始历史地面终端数量数据的平均值大于3σ时,则认定该地面终端数量为异常值。其中μ和σ分别为均值和标准差,基于历史数据集{x1,x2,…,xm},可以通过下式计算:
步骤S13:根据多个区域的地理位置信息,对经过过滤处理的初始历史地面终端数量数据进行分组,得到目标区域的经过过滤处理的历史地面终端数量数据。
在具体实施例中,前期获取的初始历史地面终端数量数据为多个区域的数据,为了对每个区域进行精准分析,本发明实施例中根据各初始历史地面终端数量数据的地理位置信息和获取时间对经过过滤处理的初始历史地面终端数量数据进行分组:U={U1,U2,…,Ui,…,Uk},其中Ui表示具有相同时间和位置的第i组数据。然后根据所需研究的目标区域的地理位置信息获取目标区域的经过过滤处理的历史地面终端数量数据。
步骤S14:根据目标区域的经过过滤处理的历史地面终端数量数据的平均值,对目标区域的经过过滤处理的历史地面终端数量数据进行填充,得到目标区域的历史地面终端数量数据。
在执行上述步骤S13将异常值删除后,会存在数据缺失的问题,利用不完整的数据难以准确地预测出地面终端数量,因此,需要对经过过滤处理的数据进行填充。在本发明实施例中利用条件均值插值(CMI)对数据中的缺失值进行处理,具体通过如下步骤计算每个组的平均值如下:
其中X表示其中一组的经过过滤处理的历史地面终端数量,|Ui|表示Ui的大小。用每组的平均值填充相应的缺失值后,可以消除干扰并获得更准确的预测结果。
在一可选实施例中,在本发明实施例提供的空中基站位置确定方法中,如图3所示,上述步骤S50具体包括:
步骤S51:根据当前地面终端位置信息确定空中基站的初始位置。
在具体实施例中,建立空中基站是为了满足更多地面终端的通信需求,因此可以根据当前地面终端位置信息对目标区域中的终端进行聚类,确定聚类中心,将聚类中心确定为空中基站的初始位置。
步骤S52:根据空中基站的初始位置信息和当前地面终端位置信息,确定空中基站位于初始位置时的容量。
步骤S53:将空中基站位于初始位置时的容量输入到强化学习模型,确定空中基站位置。在本发明实施例中,将空中基站位于初始位置时的容量输入到强化学习模型,从而确定空中基站的位置,目的是使得空中基站的容量最大。
示例性地,强化学习模型以空中基站位于当前位置时的容量与上一个时刻所处位置的容量作为奖励,以容量最高作为优化目标进行训练得到。
强化学习是通过智能体在既定场景中不断探索以获得环境状态的信息,同时环境会根据智能体采取的动作反馈给智能体一个奖励值,智能体通过不断地探索学习到最佳决策以获得最大的长期奖励。本实施例中的强化学习模型(Deep Q Network,DNQ)将训练毫米波空中基站作为智能体,并进行训练,以完成通过调整毫米波空中基站的位置来使***容量最大化的任务。
具体的强化学习模型建模如下:
智能体(Agent):毫米波空中基站可以看作是一个单智能体,在任务开始时,毫米波空中基站根据∈-greedy策略选择一个动作,之后环境发送下一个状态,并把奖励返回给智能体。智能体用环境所返回的奖励来更新其知识,对上一个动作进行评估。这个循环一直持续,直至空中基站任务结束。
状态(State):状态集合为空中基站的当前位置,即S={(x,y)}。
动作(Action):动作集合为空中基站的可移动方向,即A={前进10米,后退10米,向左10米,向右10米,悬停}五个选项。
奖励(Reward):即时奖励设置为当前时刻与上一时刻的***容量差,表示为:R=Ccapacity(t+tδ)-Ccapacity(t),其中,tδ为当前时刻和上一时刻的时间差。
DQN算法的主要流程为:
Step1,首先初始化经验回放池D,它的容量为N;让智能体去探索环境,将经验池累积到一定程度,在随机抽取出一批样本进行训练。
Step2,初始化Q网络及其神经网络参数ω;初始化目标Q网络及其神经网络参数ω-。
DQN包含两个结构完全相同但是参数却不同的网络,Q网络和目标Q网络。Q网络使用的是最新的参数,而目标Q网络的参数使用的却是几次迭代次数之前的。Q(S,A;ω)表示当前Q网络的输出,用来评估当前状态动作对的值函数;Q(S,A;ω-)表示目标Q网络的输出,可以根据损失函数更新目标Q网络的参数:每经过一定次数的迭代,将Q网络的参数复制给目标Q网络。目标Q网络的作用是为了提高算法稳定性,因为在一段时间里目标Q值是保持不变的,一定程度降低了当前Q值和目标Q值的相关性。
Step3循环遍历回合episode=1,2,…,M:
Step3.1初始化状态集S;
Step3.2循环遍历step=1,2,…,T:
Step3.2.1用∈-greedy策略采取动作策略A;
Step3.2.2执行动作A,计算毫米波空中基站在状态S下采取动作A的成本奖励R,并且毫米波空中基站获得下一时刻的规划状态S';
Step3.2.3将样本(S,A,R,S′)存入经验回放池D中;
Step3.2.4利用经验回放池中的均匀随机采样的样本Minibatch计算目标Q值,yi=R+γ·maxAQ(S′,A;ω-),其中,yi为目标Q值,R为奖励函数,γ为折扣因子(γ(DiscountRate)取值在0到1之间,表明了未来的回报相对于当前回报的重要程度,γ取0时,相当于只考虑立即回报不考虑长期回报,γ为1时,长期回报和立即回报同等重要)。更新Q网络参数ω以减小损失函数[yi-Q(S,A;ω)]2。
Step3.2.5每相隔C steps更新基站规划目标Q网络的参数,即ω-=ω,也即把Q网络的神经网络参数ω复制给目标Q网络的神经网络参数ω-。
由上述预先建立的强化学习模型,可以根据每时每刻所处位置的容量,承载毫米波空中基站的无人机对位置进行调整,上个时刻和当前时刻容量差变化作为强化学习模型的奖励(reward),容量差大则获得的奖励越大。承载毫米波空中基站的无人机在下一个时刻会根据∈-greedy策略选取动作(以∈的概率随机选取动作,以1-∈的概率选择能获得最大奖励的动作),如果该位置比当前位置的容量高,承载毫米波空中基站的无人机就有更高的概率选择它,通过多次迭代,承载毫米波空中基站的无人机可以移动到容量最大的位置,实现动态部署,从而获得最优的通信效果。
本发明实施例提供的空中基站位置确定方法,将空中基站的容量结合强化学习,使得强化学习模型能够根据当前所处位置的容量,确定空中基站的位置,提高了空中基站部署的灵活性以及增加了空中基站进行通信补充的有效性。
在本发明实施例中,强化学习模型的仿真参数如表1所示。
表1
本发明实施例提供的空中基站位置确定方法,在根据当前地面终端位置信息确定空中基站的初始位置后,将空中基站的容量结合强化学习,使得强化学习模型能够根据初始位置的容量,确定空中基站的位置,提高了空中基站部署的灵活性以及增加了空中基站进行通信补充的有效性。
在一可选实施例中,如图4所示,在本发明实施例提供的空中基站位置确定方法中,上述步骤S51具体包括:
步骤S511:根据当前地面终端位置信息和第一预设聚类算法对地面终端进行聚类,得到初始聚类中心。
在本发明实施例中,第一预设聚类算法为自组织映射算法(Self-organizingMaps,SOM),SOM算法是一种具有可视化和无监督特点的人工神经网络算法,可以模拟人脑处理信号的特点,进行竞争式学习,具有较高的自适应学习能力和鲁棒性,适合对复杂样本的初始聚类分析,具体根据当前地面终端位置信息和SOM算法对地面终端进行聚类,得到初始聚类中心的步骤包括:
1)权值初始化。对连接输入节点到第j个输出节点的权值向量Wj(j=1,2,…,p)赋予随机数,并设定初始循环次数。
2)SOM初始聚类。对于每个地面终端的位置信息XN(N=1,2,…,N),首先根据下面的公式求Wj中的优胜者权值向量Wg与XN的距离:
然后,定义Ng(t)为优胜者的邻域,单元g为优胜者,将邻域域中各个单元对应的连接权值向量与Xi靠拢。在不同训练次数下重复直至网络稳定,并根据输出节点的响应完成样本的初始聚类。其学习方程为:
3)将应用SOM算法得到的聚类中心Z=(Z1,Z2,…,ZK),作为初始中心。
步骤S512:根据当前地面终端位置信息、初始聚类中心和第二预设聚类算法对地面终端进行聚类,得到目标聚类中心。
在本发明实施例中,第二预设聚类算法为K-means算法,K-means算法是一种采用样本欧氏距离作为相似度评价指标的目标函数划分方法,是典型的基于距离的非层次聚类算法。K-means原理简单,运行速度快,但是其初始化的质心的位置选择对最后的聚类结果和运行时间都有很大的影响,如果仅仅是完全随机的选择,有可能导致分簇结果不理想且算法收敛很慢,因此本发明实施例中在使用K-means算法聚类前,先通过SOM算法获取了初始聚类中心。具体地,通过K-means算法聚类的步骤,包括:
首先,计算所有样本到其所在类别聚类中心的距离平方和J(C)的值,将各地面终端划分到离其距离最近的类中心处,类中心相同的即为一类。
式中:umn为二进制变量,umn=1表示第n个地面终端属于第m类,umn=0则表示不属于该类;d(cm,xn)为地面终端到其所在类别聚类中心的距离;cm为聚类中心;xn为类中其他地面终端数据。
然后进行聚类中心的更新,根据前一步计算的划分结果、最小二乘法和拉格朗日原理,更新K个类的中心cm,直至满足收敛条件。
得到最终的聚类结果,共有k个簇。每一个簇分配一个毫米波空中基站,毫米波空中基站为簇内的电网终端设备提供通信服务。每个毫米波空中基站的初始位置为对应簇的中心cm。
步骤S513:将目标聚类中心确定为空中基站的初始位置。
在一可选实施例中,在本发明实施例提供的空中基站位置确定方法中,空中基站为毫米波空中基站,如图5所示,上述步骤S52具体包括:
S521:根据毫米波空中基站初始位置信息和当前地面终端位置信息,确定地面终端到毫米波空中基站的视距链路损耗、非视距链路损耗以及毫米波传输过程中的天线增益;
根据地面终端i距离毫米波空中基站的距离,可以通过以下公式得到视距链路损耗和非视距链路损耗:
其中,表示地面终端i到毫米波空中基站的视距链路损耗,表示地面终端i的到毫米波空中基站的非视距链路损耗,ρ是由ρ=32.4+20log(f)给出的固定路径损耗,f为毫米波空中基站装载的毫米波的频率,χL对数正态随机变量,表示视距链路场景中的阴影效应,xN是对数正态随机变量,表示非视距链路场景中的阴影效应,αLoS表示是视距链路场景中的路径损耗指数,αNLoS表示非视距链路场景中的路径损耗指数,di为地面终端i距离空中基站的距离,即在本发明实施例中,αLoS的值为2,αNLoS的值为3.3,std(χL)的值为5.2,std(χN)的值为7.2。
毫米波空中基站和地面接收机上均部署天线阵列以形成定向波束,则信号传输过程中,还会受到天线增益的。影响假设建立通信时,毫米波空中基站和地面用电终端上的天线可以调整角度,相互对准,则天线增益为发射端的主瓣增益和旁瓣增益的乘积:
Ga=Gi_mainGr_main,
Gi_main表示毫米波空中基站的主瓣增益,Gr_main表示毫米波空中基站的旁瓣增益,主瓣增益和旁瓣增益时基站天线的固有参数,与其具体型号有关,示例性地,可以选取主瓣增益10dB,旁瓣增益-10dB。
S522:获取毫米波空中基站当前位置的环境参数,根据环境参数以及毫米波空中基站初始位置确定地面终端到毫米波空中基站的视距链路概率和非视距链路概率;
根据环境参数以及毫米波空中基站当前位置信息确定地面终端到毫米波空中基站的视距链路概率可以是通过以下公式得到:
其中,PLoSi为地面终端i与毫米波空中基站的视距链路概率, 表示地面终端i到毫米波空中基站的仰角,h表示初始位置的高度,具体实施例中,初始位置的高度可以确定为100米,a和b是取决于环境的参数,如高层城市环境(a=27.23;b=0.08),密集城市环境(a=12.08;b=0.11),郊区环境(a=4.88;b=0.43)。
对应的地面终端i与毫米波空中基站的非视距链路概率为:
PNLoSi=1-PLoSi。
S523,根据视距链路概率和非视距链路概率以及对应的视距链路损耗和非视距链路损耗,得到地面终端到毫米波空中基站的总体路径损耗;
示例性地,根据视距链路概率和非视距链路概率以及对应的视距链路损耗和非视距链路损耗,得到地面终端到毫米波空中基站的总体路径损耗的方式可以是通过以下公式确定:
其中,PLi表示地面终端i到毫米波空中基站的总体路径损耗,PLoSi表示为地面终端i与毫米波空中基站的视距链路概率,表示地面终端i到毫米波空中基站的视距链路损耗,PNLoSi表示地面终端i与毫米波空中基站的非视距链路概率,表示地面终端i的到毫米波空中基站的非视距链路损耗。
S524:根据每一个地面终端的天线增益以及总体路径损耗,确定毫米波空中基站处于初始位置的接收机总信噪比;
S525:根据接收机总信噪比,确定毫米波空中基站处于初始位置时的容量。
示例性地,容量是通信***和终端设备通信能力的一个重要指标,根据信噪比公式,可以推导毫米波空中基站处于当前位置时的容量为:
Ccapacity=B log2(1+SNR);
其中,Ccapacity表示毫米波空中基站处于初始位置时的容量,B为信道带宽,SNR表示接收机总信噪比。
在以上任意实施例中,毫米波传输过程的仿真参数如下表2所示。
表2
Parameter | Value |
Frequency | 28GHz |
Bandwidth | 2GHz |
Transmit Power | 1W |
α<sub>LoS</sub>,α<sub>NLoS</sub> | 2,3.3 |
std(χ<sub>L</sub>),std(χ<sub>N</sub>) | 5.2,7.2 |
Region of Interest | 100×100m<sup>2</sup> |
Height of UAV | 100m |
Overload thresholdτ | 85% |
本发明实施例还提供了一种空中基站位置确定装置,如图6所示,包括:
地面终端数量预测模块10,用于获取目标区域的历史地面终端数量数据,根据历史地面终端数量数据预测目标区域在目标时间段内的地面终端数量,详细内容见上述对步骤S10、步骤S20的描述,在此不再赘述。
当前地面终端位置信息获取模块20,若目标区域在目标时间段内的地面终端数量大于预设阈值,当前地面终端位置信息获取模块用于获取目标区域内的当前地面终端位置信息,详细内容见上述对步骤S30、步骤S40的描述,在此不再赘述。
基站位置确定模块30,用于根据目标区域内的当前地面终端位置信息确定空中基站位置,详细内容见上述对步骤S50的描述,在此不再赘述。
本发明实施例提供的空中基站位置确定装置,在当前基站的服务能力无法满足用户的需求之前预先对目标区域在目标时间段内的地面终端数量进行了预测,当预测到的地面终端数量大与预设阈值时,根据目标区域内的当前地面终端位置信息确定空中基站位置,避免了空中基站部署不及时导致通信中断的问题。
本发明还实施例提供了一种计算机设备,如图7所示,该计算机设备主要包括一个或多个处理器61以及存储器62,图7中以一个处理器61为例。
该计算机设备还可以包括:输入装置63和输出装置64。
处理器61、存储器62、输入装置63和输出装置64可以通过总线或者其他方式连接,图7中以通过总线连接为例。
处理器61可以为中央处理器(Central Processing Unit,CPU)。处理器61还可以为其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片,或者上述各类芯片的组合。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。存储器62可以包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需要的应用程序;存储数据区可存储根据空中基站位置确定装置的使用所创建的数据等。此外,存储器62可以包括高速随机存取存储器,还可以包括非暂态存储器,例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中,存储器62可选包括相对于处理器61远程设置的存储器,这些远程存储器可以通过网络连接至空中基站位置确定装置。输入装置63可接收用户输入的计算请求(或其他数字或字符信息),以及产生与空中基站位置确定装置有关的键信号输入。输出装置64可包括显示屏等显示设备,用以输出计算结果。
本发明实施例还提供了一种计算机可读存储介质,该计算机可读存储介质存储计算机指令,所述计算机存储介质存储有计算机可执行指令,该计算机可执行指令可执行上述任意方法实施例中的空中基站位置确定方法。其中,所述存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)、随机存储记忆体(Random Access Memory,RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive,缩写:HDD)或固态硬盘(Solid-StateDrive,SSD)等;所述存储介质还可以包括上述种类的存储器的组合。
显然,上述实施例仅仅是为清楚地说明所作的举例,而并非对实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (10)
1.一种空中基站位置确定方法,其特征在于,包括:
获取目标区域的历史地面终端数量数据,根据所述历史地面终端数量数据预测所述目标区域在目标时间段内的地面终端数量;
若所述目标区域在所述目标时间段内的地面终端数量大于预设阈值,获取所述目标区域内的当前地面终端位置信息;
根据所述目标区域内的当前地面终端位置信息确定空中基站位置。
2.根据权利要求1所述的空中基站位置确定方法,其特征在于,获取目标区域的历史地面终端数量数据,包括:
获取多个区域的初始历史地面终端数量数据;
根据所述初始历史地面终端数量数据的平均值和标准差,对所述初始历史地面终端数量数据进行过滤处理;
根据所述多个区域的地理位置信息,对经过过滤处理的初始历史地面终端数量数据进行分组,得到所述目标区域的经过过滤处理的历史地面终端数量数据;
根据所述目标区域的经过过滤处理的历史地面终端数量数据的平均值,对所述目标区域的经过过滤处理的历史地面终端数量数据进行填充,得到所述目标区域的历史地面终端数量数据。
3.根据权利要求1所述的空中基站位置确定方法,其特征在于,根据所述目标区域内的当前地面终端位置信息确定空中基站位置的步骤,包括:
根据所述当前地面终端位置信息确定空中基站的初始位置;
根据所述空中基站的初始位置信息和当前地面终端位置信息,确定所述空中基站位于所述初始位置时的容量;
将所述空中基站位于初始位置时的容量输入到强化学习模型,确定所述空中基站位置。
4.根据权利要求3所述的空中基站位置确定方法,其特征在于,根据所述当前地面终端位置信息确定空中基站的初始位置的步骤,包括:
根据所述当前地面终端位置信息和第一预设聚类算法对地面终端进行聚类,得到初始聚类中心;
根据所述当前地面终端位置信息、初始聚类中心和第二预设聚类算法对所述地面终端进行聚类,得到目标聚类中心;
将所述目标聚类中心确定为所述空中基站的初始位置。
5.根据权利要求3所述的空中基站位置确定方法,其特征在于,所述空中基站为毫米波空中基站,根据所述空中基站的初始位置信息和当前地面终端位置信息,确定所述空中基站位于所述初始位置时的容量的步骤,包括:
根据所述毫米波空中基站初始位置信息和当前地面终端位置信息,确定地面终端到毫米波空中基站的视距链路损耗、非视距链路损耗以及毫米波传输过程中的天线增益;
获取所述毫米波空中基站当前位置的环境参数,根据所述环境参数以及所述毫米波空中基站初始位置确定地面终端到毫米波空中基站的视距链路概率和非视距链路概率;
根据视距链路概率和非视距链路概率以及对应的视距链路损耗和非视距链路损耗,得到地面终端到毫米波空中基站的总体路径损耗;
根据每一个地面终端的所述天线增益以及总体路径损耗,确定毫米波空中基站处于初始位置时的接收机总信噪比;
根据所述接收机总信噪比,确定毫米波空中基站处于初始位置时的容量。
6.根据权利要求5所述的空中基站位置确定方法,其特征在于,根据视距链路概率和非视距链路概率以及对应的视距链路损耗和非视距链路损耗,得到地面终端到毫米波空中基站的总体路径损耗的步骤,包括:
其中,表示地面终端i到毫米波空中基站的视距链路损耗, 表示地面终端i到毫米波空中基站的非视距链路损耗,ρ是由ρ=32.4+20log(f)给出的固定路径损耗,f为毫米波空中基站装载的毫米波的频率,χL对数正态随机变量,表示视距链路场景中的阴影效应,χN是对数正态随机变量,表示非视距链路场景中的阴影效应,αLoS表示是视距链路场景中的路径损耗指数,αNLoS表示非视距链路场景中的路径损耗指数,di为地面终端i距离空中基站的距离,PLoSi为地面终端i与毫米波空中基站的视距链路概率,PNLoSi为地面终端i与毫米波空中基站的非视距链路概率,a和b是取决于环境的参数, 表示地面终端i到毫米波空中基站的仰角,h表示初始位置的高度,xi表示地面终端i距离毫米波空中基站在地面上垂直投影的水平距离,PNLoSi=1-PLoSi。
8.一种空中基站位置确定装置,其特征在于,包括:
地面终端数量预测模块,用于获取目标区域的历史地面终端数量数据,根据所述历史地面终端数量数据预测所述目标区域在目标时间段内的地面终端数量;
当前地面终端位置信息获取模块,若所述目标区域在所述目标时间段内的地面终端数量大于预设阈值,所述当前地面终端位置信息获取模块用于获取所述目标区域内的当前地面终端位置信息;
基站位置确定模块,用于根据所述目标区域内的当前地面终端位置信息确定空中基站位置。
9.一种计算机设备,其特征在于,包括:
至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,从而执行如权利要求1-7中任一项所述的空中基站位置确定方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使所述计算机执行如权利要求1-7中任一项所述的空中基站位置确定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011488574.XA CN112738883B (zh) | 2020-12-16 | 2020-12-16 | 一种空中基站位置确定方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011488574.XA CN112738883B (zh) | 2020-12-16 | 2020-12-16 | 一种空中基站位置确定方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112738883A true CN112738883A (zh) | 2021-04-30 |
CN112738883B CN112738883B (zh) | 2022-05-20 |
Family
ID=75603741
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011488574.XA Active CN112738883B (zh) | 2020-12-16 | 2020-12-16 | 一种空中基站位置确定方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112738883B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113784362A (zh) * | 2021-07-29 | 2021-12-10 | 三维通信股份有限公司 | 空中基站部署方法、装置、电子装置和存储介质 |
CN115314920A (zh) * | 2022-08-09 | 2022-11-08 | 上海市信息网络有限公司 | 移动通信突发聚集区基站信号补强方法、***、设备及介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9866313B1 (en) * | 2016-12-14 | 2018-01-09 | T-Mobile Usa, Inc. | UAV cellular communication service delivery |
CN109041099A (zh) * | 2018-06-28 | 2018-12-18 | 新华三大数据技术有限公司 | 人流量预测方法、装置及终端 |
CN109862575A (zh) * | 2019-03-25 | 2019-06-07 | 河北工程大学 | 无人机基站部署方法、终端设备及计算机可读存储介质 |
CN110087189A (zh) * | 2019-04-30 | 2019-08-02 | 北京邮电大学 | 一种无人机基站部署位置的确定方法及装置 |
CN110996328A (zh) * | 2019-11-25 | 2020-04-10 | 北京邮电大学 | 一种无人机基站部署位置确定方法、装置及电子设备 |
CN111200824A (zh) * | 2020-01-09 | 2020-05-26 | 广州大学 | 无人机基站的最优部署方法、装置、无人机基站及介质 |
US20200260404A1 (en) * | 2019-02-12 | 2020-08-13 | Samsung Electronics Co., Ltd. | Method and system for positioning low altitude platform station (laps) drone cells |
-
2020
- 2020-12-16 CN CN202011488574.XA patent/CN112738883B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9866313B1 (en) * | 2016-12-14 | 2018-01-09 | T-Mobile Usa, Inc. | UAV cellular communication service delivery |
CN109041099A (zh) * | 2018-06-28 | 2018-12-18 | 新华三大数据技术有限公司 | 人流量预测方法、装置及终端 |
US20200260404A1 (en) * | 2019-02-12 | 2020-08-13 | Samsung Electronics Co., Ltd. | Method and system for positioning low altitude platform station (laps) drone cells |
CN109862575A (zh) * | 2019-03-25 | 2019-06-07 | 河北工程大学 | 无人机基站部署方法、终端设备及计算机可读存储介质 |
CN110087189A (zh) * | 2019-04-30 | 2019-08-02 | 北京邮电大学 | 一种无人机基站部署位置的确定方法及装置 |
CN110996328A (zh) * | 2019-11-25 | 2020-04-10 | 北京邮电大学 | 一种无人机基站部署位置确定方法、装置及电子设备 |
CN111200824A (zh) * | 2020-01-09 | 2020-05-26 | 广州大学 | 无人机基站的最优部署方法、装置、无人机基站及介质 |
Non-Patent Citations (2)
Title |
---|
FANQIN ZHOU: "Capacity Enhancement for Hotspot Area in 5G Cellular Networks Using mmWave Aerial Base Station", 《IEEE WIRELESS COMMUNICATIONS LETTERS》 * |
沈旭: "作为空中基站的无人机覆盖与资源分配研究", 《中国优秀硕士学位论文全文数据库(电子期刊)》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113784362A (zh) * | 2021-07-29 | 2021-12-10 | 三维通信股份有限公司 | 空中基站部署方法、装置、电子装置和存储介质 |
CN115314920A (zh) * | 2022-08-09 | 2022-11-08 | 上海市信息网络有限公司 | 移动通信突发聚集区基站信号补强方法、***、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112738883B (zh) | 2022-05-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ahmadien et al. | Predicting path loss distribution of an area from satellite images using deep learning | |
CN110770761B (zh) | 深度学习***和方法以及使用深度学习的无线网络优化 | |
CN109302712B (zh) | 确定智能基站位置的方法、智能基站及存储介质 | |
CN111683375B (zh) | 一种针对无人机辅助无线蜂窝网络的无人机部署优化方法 | |
CN109495920B (zh) | 一种无线通信网络特征画像方法、设备和计算机程序产品 | |
KR20190103681A (ko) | 기계학습을 이용한 무선 백홀망 자원할당방법 및 자원할당 장치 | |
CN112738883B (zh) | 一种空中基站位置确定方法及装置 | |
CN105430664B (zh) | 一种基于分类拟合预测传播路损的方法和装置 | |
EP3282781A1 (en) | Method and device for improving positioning performance of artificial neural network | |
CN110213003B (zh) | 一种无线信道大尺度衰落建模方法及装置 | |
JP7486659B2 (ja) | 基地局の省エネルギー処理方法及び処理装置 | |
WO2022021602A1 (zh) | 一种基于地理信息的5g参考信号接收功率预测方法 | |
CN103533647A (zh) | 一种基于分簇机制及稳健回归的射频地图自适应定位方法 | |
CN106921989B (zh) | 一种通信网络场强分布确定方法及装置 | |
CN114501530B (zh) | 基于深度强化学习的天线参数的确定方法和装置 | |
CN112867147B (zh) | 定位方法和定位装置 | |
JP2018032939A (ja) | 品質推定装置及び品質推定方法 | |
CN114818452A (zh) | 天线配置参数优化方法、装置及存储介质 | |
CN114630348A (zh) | 基站天线参数调整方法、装置、电子设备及存储介质 | |
CN117241215A (zh) | 一种基于图神经网络的无线传感器网络分布式节点协作定位方法 | |
Bal et al. | Regression of large-scale path loss parameters using deep neural networks | |
Krijestorac et al. | Agile radio map prediction using deep learning | |
Qi et al. | ACT-GAN: Radio map construction based on generative adversarial networks with ACT blocks | |
US20200271769A1 (en) | Method for evaluating positioning parameters and system | |
CN113438733A (zh) | 基于5g和wifi实现室内定位的***、方法及电子设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |