论文部分内容阅读
近年来,随着移动通信技术的发展和以智能手机为主的移动设备的普及,移动用户数量快速增长;同时,用户的业务需求也在不断提高,通信网络中移动数据流量爆炸式增长。这对网络的整体性能提出了更高的要求。在热点地区和宏小区边缘部署小型基站,与宏基站构成异构网络,可以提高网络容量。由于用户的移动特性,终端设备在各基站之间的切换将更加频繁。研究高效的用户移动性预测算法,可以改进切换算法,优化资源分配,均衡基站负载,是目前的热点研究方向之一。本文对异构网络中的用户移动性预测算法展开研究,主要工作如下:提出了一种基于二阶隐马尔可夫模型(Hidden Markov Model,HMM)的移动性预测算法来优化资源分配。现有HMM预测模型中,依据维特比算法设计的预测流程中存在缺陷。本文提出了基于基本预测单元的预测机制,改善预测效果并降低复杂度。同时考虑此前移动状态对未来状态的影响和HMM中隐状态和显状态之间的对应约束关系,提出了基于二阶HMM的预测模型,从时间和空间两个方面进行预测,进一步提高预测准确率。根据预测结果,考虑用户在目标位置的资源需求情况,制定资源分配方案。当用户到达时,进行合理的资源分配,更好地满足用户服务需求。仿真证明,所提算法能够提高移动性预测准确率,有效地为用户分配所需资源,满足用户的业务需求,提高了网络资源的利用效率。提出了一种基于用户移动性预测的资源分配方案,实现网络负载均衡。通过分析用户历史位置记录中的移动特性,建立基于决策树的移动性预测模型。为了找到最合适的决策树输入属性特征,研究了预测执行前数个移动状态对用户未来位置预测效果的影响,以提高预测准确率。同时,除了研究用户位置的空间变化,还考虑时间因素。然后,使用时间序列分析的方法,采用自回归移动平均模型,对目标区域基站的负载状态进行分析,了解当用户到达目标位置时周围基站的负载状态,并据此提前制定合理的资源分配策略。仿真结果证明,所提方案能够有效地提高移动性预测准确率,实现网络负载均衡。