Способ создания пространственно-отнесенной базы данных трафика в радиосети

Изобретение относится к способу определения трафика для радиосети, включающей в себя несколько сот. Технический результат заключается в повышении точности прогнозирования графика. Соты относят соответственно к одной группе сот, причем планируемую зону обслуживания разбивают посредством сетки на элементы площади и каждому элементу площади назначают соответствующую вероятность соответствия каждой из обслуживающих элемент площади сот и класс землепользования из конечной группы классов землепользования, при котором базу данных графика создают методом минимизации, при котором для каждой соты минимизируют интервал между измеренным графиком в соте и прогнозируемым графиком в ней, причем прогнозируемый график в данной core приравнивают к суммированию элементов площади, взвешенных специфическими для каждого класса землепользования и каждой группы коэффициентами, элемента площади каждой соты для каждого класса землепользования и для каждой группы сот образуют из вероятностей соответствия элементов площади охваченным при этом сотам, а коэффициента определяют методом минимизации и присваивают соответствующей соте. 2 н. и 7 з.п. ф-лы, 6 ил.

 

Область техники

Изобретение относится к способу создания пространственно-отнесенной базы данных графика для радиосети. При этом изобретение относится, в частности, к способу создания базы данных трафика для многоуровневой радиосети. Кроме того, изобретение относится к соответствующей компьютерной программе и к программному продукту.

Уровень техники

Такой способ применяется для планирования и прогнозирования возникающего трафика в зоне обслуживания сотовой сети, в частности цифровой сети, например сети стандарта GSM или UMTS. Основой создания используемой базы данных трафика является максимально отвечающая реальным условиям принадлежность перемещающихся в этой зоне клиентов, например мобильных телефонов, к обслуживающей их соте сети или к находящейся в этой соте базовой станции. В этом отношении из доклада Dr.Berndt Pfeiffer „Radio Network Planning with EDGE", сделанного на конференции IBC-Conference „EDGE", июнь 2001 г., Дублин, известен упрощенный способ, основанный на применении модели прогнозирования напряженности поля для каждой соты. Сота характеризуется при этом зоной обслуживания, в которой находящаяся в ней базовая станция действует в качестве так называемого «лучшего сервера». Согласно этой модели лучшего сервера однозначно охарактеризована принадлежность или соответствие определенного элемента площади в пределах действия сети соте или находящейся в ней базовой станции. Пока клиент находится в пределах однозначно охарактеризованной за счет этого зоны обслуживания определенной соты, он обслуживается так называемым «лучшим сервером». Вне этой зоны обслуживания он автоматически обслуживается соседней или другой сотой, базовая станция которой действует тогда в качестве лучшего сервера. Таким образом, в соответствии с моделью лучшего сервера не возникает дублирования или корреляции в отношении обслуживания находящегося в сети клиента. Соты однозначно отграничены друг от друга и в то же время непосредственно граничат между собой, так что принадлежность находящегося в сети клиента, например мобильного телефона, к соте является всегда однозначной.

В противоположность этому из доклада Dr.Berndt Pfeiffer „Achieving the optimal mix of relevant and reliable input data for interference analysis and automatic frequency planning", сделанного на конференции IIR-Conference „The frequency planning technical forum", май 1998 г., Лондон, известно, что в отличие от упрощенной, упомянутой выше модели лучшего сервера следует учитывать корреляции в отношении обслуживания элемента площади со стороны соседних сот в пределах действия сети с помощью так называемых вероятностей соответствия элемента площади или находящегося на нем клиента, например мобильного телефона, отдельным сотам. При этом каждому элементу площади в пределах действия сети назначается определенная вероятность, с которой находящийся на этом элементе площади клиент, например мобильный телефон, обслуживается определенной сотой. Пока мобильный телефон находится на элементе площади в пределах действия сети, сумма вероятностей соответствия всех относящихся к сети сот меньше или равна единице. Если сумма вероятностей соответствия на элементе площади меньше единицы, то это означает, что данный элемент площади больше не обслуживается полностью сетью. Эта ситуация возникает на границе действия или в разрывах радиосети. Если сумма вероятностей соответствия на элементе площади равна единице, то гарантировано, что клиент будет обслуживаться на этом элементе площади, по меньшей мере, одной сотой. Правда, по сравнению с описанной моделью лучшего сервера не является однозначным, какой сотой обслуживается клиент, а прогнозирование может быть осуществлено здесь только с названной вероятностью соответствия.

В то время как можно назвать дискретной так называемую модель лучшего сервера соты, отводящую каждому элементу площади ровно одну соту, использование так называемой непрерывной сотовой модели приводит к тому, что каждому элементу площади сети может соответствовать сота только с одной определенной вероятностью.

В частности, при рассмотрении так называемых многоуровневых сетей для создания пространственно-отнесенной базы данных графика модель лучшего сервера является слишком упрощенной, поскольку здесь из-за нескольких уровней, которые могут быть созданы, например, за счет перекрытия нескольких сетей, однозначная принадлежность или соответствие соты элементу площади представляется мало реальным.

В соответствии с этим задачей изобретения, исходя из модели лучшего сервера, является создание способа, с помощью которого даже в случае многоуровневой сети можно было бы создать пространственно-отнесенную базу данных графика, обеспечивающую прогнозирование трафика, возникающего на элементах площади в пределах действия сети.

Сущность изобретения

Эта задача решается посредством способа с признаками п.1 формулы. Предпочтительные модификации изобретения приведены в зависимых пунктах.

В п.1 заявлен способ создания пространственно-отнесенной базы данных трафика для сети, причем сеть включает в себя несколько сот, относимых соответственно к одной группе сот. При этом планируемую зону обслуживания разбивают посредством сетки на элементы площади и каждому элементу площади назначают соответствующую вероятность соответствия каждой из обслуживающих элемент площади сот и класс землепользования из конечной группы классов землепользования. Способом, согласно изобретению, создание пространственно-отнесенной базы данных графика достигается методом минимизации, при котором для каждой соты минимизируется интервал между измеренным трафиком внутри соты и прогнозируемым трафиком внутри нее. Прогнозируемый трафик в соответствующей соте приравнивается при этом к суммированию элементов площади, взвешенных коэффициентами, специфичными для каждого класса землепользования и для каждой группы, элементы площади соответствующей соты образуются для соответствующего класса землепользования и для соответствующей группы сот из вероятностей соответствия элементов площади охваченным при этом сотам, а коэффициенты определяются методом минимизации и присваиваются соответствующей соте.

Способ основан при этом на названном методе лучшего сервера и по сравнению с ним он расширен или обобщен сетями, которые нельзя описать лежащей в основе метода лучшего сервера дискретной сотовой моделью.

Способ относится также к модели лучшего сервера, которую можно рассматривать как частный случай дискретной сотовой модели.

В одном варианте способа классы землепользования характеризуются городской застройкой, различными классами сельскохозяйственного использования и классами лесов, а также дорогами и автомагистралями.

Далее возможно использование в качестве сети многоуровневой сети, состоящей из нескольких перекрытых сетей (уровней). Различными уровнями сети могут быть, например, сеть GSM с частотным диапазоном 900 МГц (GSM900) и сеть GSM с частотным диапазоном 1800 МГц (GSM1800). Возможно также использование макро- и микросотовой сети GSM с таким же частотным диапазоном или с разными частотными диапазонами или комбинации сетей GSM и UMTS или перекрытие двух сетей UMTS с различными частотами.

Также при использовании одноуровневой сети, состоящей из сети 2G или 3G с простым покрытием зоны обслуживания, возможно создание базы данных трафика на основе только этого одного уровня с помощью одноуровневой сотовой модели, которая обеспечивает расчет вероятностей одноуровневого соответствия.

Как сказано в приведенном выше докладе, можно применять в качестве способа расчета вероятностей соответствия элемента площади соответствующим сотам вычисленный на элементе площади посредством модели прогнозирования напряженности поля уровень напряженности поля сот, а также использованные в соответствующей сети алгоритмы хэндовера (передача контроля между базовыми станциями) и установленные на обслуживающих элемент площади базовых станциях параметры хэндовера, которые служат в сети для управления алгоритмами хэндовера. Вероятности соответствия используются тогда в способе, согласно изобретению, в качестве данных величин.

При этом для сетей GSM сумма всех вероятностей соответствия элемента площади может быть меньше или равна единице. В случае сетей UMTS сумма всех вероятностей соответствия на элементе площади за счет влияния возникающего в этих сетях так называемого мягкого хэндовера может быть также больше единицы.

Ниже описан сначала частный случай модели лучшего сервера.

Сеть включает в себя n граничащих между собой сот. В каждой соте может быть при этом измерен индивидуальный трафик, который в соте i может быть описан измеряемым значением m_i. Измеренный трафик может представлять собой речевой трафик, однако можно также взять в качестве измеряемого значения трафик данных, чтобы создать для него базу данных. Трафик в каждой соте сети можно описать, следовательно, вектором т, который имеет следующий вид:

где n обозначает число сот в сети. Далее характеризуются классы землепользования, которые для данной зоны описывают привычки пользования. Каждый элемент площади может при этом относиться ровно к одному классу землепользования. К каждому классу землепользования относится коэффициент класса землепользования. Эти коэффициенты обозначаются греческими буквами α, β, γ и т.д. К коэффициенту α относится далее вектор а, причем его коэффициенты а₁ описывают долю площади соты i, которая относится к рассматриваемому классу а. При этом для класса а возникает вектор а с n компонентов следующим образом:

При этом каждый компонент а_i вектора а вычисляется следующим образом:

Сота i является лучшим сервером

Это осуществляется для всех сот 1-n и для каждого данного класса землепользования. В классы землепользования, как уже сказано, включены так называемые «классы дорог», которые означают, что за счет этого можно принять во внимание иной характер пользования в пределах дорог по сравнению с менее населенными местностями. Если взвесить возникающие для каждого класса землепользования векторы соответствующими коэффициентами классов землепользования и суммировать их, то возникает уже введенный вектор m, компоненты m_i которого соответствуют измеренному трафику данной соты i. Коэффициенты для каждого из классов землепользования при этом неизвестны и могут быть определены путем решения следующего уравнения:

Коэффициенты или коэффициенты взвешивания, обозначенные в приведенном уравнении греческими буквами, являются неизвестными переменными системы. Если, например, измеряемые данные m указаны в определенных единицах, например Эрл для речевого графика или кбит/с для трафика данных, то очевидно, что коэффициенты взвешивания должны иметь единицу соответственно Эрл/км² и кбит/с на км². Если характеризуются, например, 16 классов землепользования и рассматривается сеть с 1000 базовых станций, то речь идет о системе уравнений с 1000 строк и 16 неизвестными переменными. Эта переопределенная система уравнений, как правило, решается не точно, а в виде приближения.

Приведенное уравнение может быть описано также в виде обычной линейной задачи об отображении. При этом для компонентов, соответствующих отдельным классам землепользования векторов, вводится следующая матрица С:

а коэффициенты взвешивания имеют следующий векторный вид:

За счет этого система уравнений приобретает следующий краткий вид:

С·у=m

Предпочтительно разбить n базовых станций сети на конечное число групп, например n_g групп. Это значит, что каждая сота i может быть отведена определенной группе g(i)n_g групп, g(i) обозначает при этом групповой номер соты i. Группа может быть охарактеризована, например, указанием определенного интервала измеренного трафика на площадь соты. Это значит, что все соты одной группы имеют одинаковую плотность трафика. За счет ввода групп приведенная система уравнений может быть разбита на меньшие подсистемы в соответствии с числом n_g групп сот, причем каждая из этих подсистем имеет одинаковую структуру. Определяемые коэффициенты у_k классов землепользования в каждой группе k могут быть при этом определены следующим условием:

причем должно быть yk≥0.

Это может быть осуществлено для каждой группы независимо от другой, поскольку между двумя сотами, относящимися к разным группам, не происходит взаимодействия или интеракции. Это значит, что классы землепользования в каждой группе сот могут быть взвешены по-разному.

В зоне обслуживания соты i трафик в соответствии с приведенной моделью лучшего сервера для каждого класса землепользования с соответствующим коэффициентом группы g(i) распределен по всей зоне обслуживания. Если, например, элемент х площади имеет класс а землепользования и сота i является лучшим сервером, то для локального трафика tw(x) (tw = traffic weight) возникает следующее выражение:

tw(x)=α_g(i)

Вычисленные для каждой группы g(i) коэффициенты α_g(i) могут быть сохранены и использованы в базе данных трафика для всех сот i группы g(i) для определения локального трафика на элементе площади.

Далее за счет коэффициентов, хранящихся в созданной, таким образом, базе данных трафика, можно определить или спрогнозировать трафик внутри соты i. Этот прогнозируемый трафик t(i) вычисляется при этом следующим образом:

Это значит, что в случае, например, 16 классов землепользования t(i) возникает из следующего уравнения:

В то же время упомянутый трафик должен соответствовать измеренному в соте i трафику, а это значит, что t(i) максимально идентично m_i.

Таким образом, условие минимизации приведенного уравнения эквивалентно условию, что сумма разностей между первоначально измеренным значением m_i трафика и спрогнозированным трафиком t(i), который был выведен из созданной базы данных трафика, минимизируется по всем сотам:

Ниже описан пример осуществления способа создания пространственно-отнесенной базы данных трафика в сети.

В непрерывной сотовой модели, как уже сказано, принадлежность элемента площади к соте в отношении обслуживания элемента площади, как правило, не является однозначной, т.е. может определяться только с определенной вероятностью соответствия. Это значит, что каждый элемент площади планируемой зоны может соответствовать специфической соте со специфической для нее вероятностью соответствия. Эта вероятность соответствия элемента площади х соте i обозначается ниже ap(i,x) (ар = assignment probability). Это находится в противоречии с описанной дискретной моделью лучшего сервера, согласно которой каждый элемент площади может соответствовать ровно одной соте.

В расширенной таким образом модели соте i может быть отведена зона обслуживания „Area(i)", которая возникает как сумма всех элементов площади, взвешенных с соответствующей специфической вероятностью соответствия. Следовательно, зона обслуживания соты i может быть описана следующим образом:

Area(i)=∫ap(i,x)·dx

Таким образом, расчет прогнозируемого трафика t(i) специфической соты i может быть модифицирован следующим образом:

t(i)=∫ap(i,x)·tw(x)·dx

При этом выводимые из создаваемой базы данных графика локальные веса tw(x) трафика взвешиваются соответствующими вероятностями ap(i,х) соответствия. Интеграл по всей зоне указывает за счет этого, какого трафика можно ожидать в определенной соте i. При этом локальные веса tw(x) трафика должны определяться так, чтобы, в свою очередь, гарантировать минимально возможные соответствующие разности между первоначально измеренными данными m_i трафика в сотах i и спрогнозированным трафиком t(i) в сотах i, который должен быть выведен из создаваемой базы данных трафика.

Ниже этот способ поясняется с помощью первого, более простого примера. В месте х рассматривается элемент площади, относящийся к классу а землепользования. Предполагается, что три соты i, j, k имеют на этом элементе площади в месте х вероятность соответствия, не равную нулю. Далее предполагается, что эти три соты относятся к разным группам g(i), g(j), g(k) n_g групп сот. Для получения целостного алгоритма, который, с одной стороны, позволяет создать базу данных трафика, а с другой стороны, реально спрогнозировать трафик, в упрощенном здесь примере все три соты i, j, k должны способствовать локальному весу tw(x) трафика своими вероятностями соответствия, комбинируемыми с соответствующими, специфическими для групп коэффициентами а классов землепользования. Это значит, что tw(x) возникает как сумма взвешенных соответствующими вероятностями соответствия коэффициентов классов землепользования соответствующей группы, которые относятся к отдельным сотам. Это можно сформулировать следующим образом:

tw(x)=ap(i,x)·α_g(i)+ap(j,x)·α_g(j)+ap(k,x)·α_g(k)

Это значит, что локальный вес tw(x) трафика возникает из созданной базы данных трафика, причем в созданной базе данных трафика, как описано на модели лучшего сервера, хранятся соответствующие классам землепользования их коэффициенты α. Локальный вес tw(x) трафика соответствует, следовательно, сумме отдельных коэффициентов классов землепользования, взвешиваемых вероятностями соответствия данных сот.

Отсюда возникает прогнозируемый трафик t(i) в специфической coтe i как интеграл или сумма локальных весов tw(x) трафика во всей зоне, причем отдельные элементы площади взвешиваются их вероятностью ap(i,х) соответствия coтe i. Таким образом, для аргумента интеграла возникает следующее выражение:

Из этого упрощенного случая трех сот i, j, k, относящихся к разным группам g(i), g(j), g(k) сот, видно, что различные соты или группы сот коррелируют или взаимодействуют на элементе площади сети, что находит свое отражение в произведении вероятностей соответствия в приведенном выражении.

В то же время для получения целостного высказывания коэффициенты отдельных классов землепользования даже в расширенной по сравнению с методом лучшего сервера модели должны удовлетворять аналоговой линейной проблеме уравнений, что можно записать в виде выражения С·у=m. При этом m соответствует вектору, коэффициент которого соответствует измеренному трафику m_i в данной соте i.

По сравнению с упрощенной моделью лучшего сервера матрица С имеет по сравнению с матрицей С модели лучшего сервера расширенную размерность. Вследствие того факта, что дана корреляция между отдельными сотами, отдельные матричные элементы a_ij, отражающие степень перекрытия соты i со всеми сотами, относящимися к группе j в пределах класса а землепользования, возникают следующим образом:

Поскольку соты на элементе площади с вероятностью соответствия, неравной нулю, могут относиться к сотам разных групп с разными коэффициентами классов землепользования, система уравнений не может быть больше разбита на простые независимые группы меньших подсистем. Таким образом, матрица С содержит для всех групп сот информацию о зоне, благодаря чему матрица С может быть выражена следующим образом:

причем вектор у, имеющий коэффициенты для отдельных классов землепользования, может быть сформулирован следующим образом:

Эта формулировка информационной матрицы землепользования согласуется с модифицированным методом прогнозирования графика. Алгоритм решения минимизирует разность между первоначально измеренными и спрогнозированными данными трафика. При этом важно отметить, что матрица С включает в себя также значения, равные нулю. Матричный элемент а_ij описывает величину перекрытия соты i со всеми сотами, имеющими групповой номер j в пределах класса а землепользования. Если, например, все окружающие соты i соты имеют одинаковый групповой номер g(i), то в пределах матрицы С все матричные элементы а_ij при j≠g(i) равны нулю.

При использовании упомянутой выше модели лучшего сервера становится очевидным, что только матричный элемент a_ig(i) не равен нулю. Таким образом, система уравнений описана аналогично системе уравнений в связи с методом лучшего сервера, и возможно независимое решение для каждой группы.

За счет приведенного выражения матрицы С можно с помощью набора измеренных в отдельных сотах i сети значений m_i, трафика определить для каждого класса а землепользования и для каждой группы g(i) сот коэффициент α_g(i), который может быть введен в создаваемую базу данных трафика. Посредством определенного, таким образом, коэффициента можно позднее определить прогнозируемый трафик для специфической соты i сети, а именно с помощью уравнения

где l соответствует данному классу землепользования, а k - группе сот.

Преимущество способа, согласно изобретению, заключается в возможности описания сети существенно более реально. Сеть в отношении прогнозирования трафика отображается лучше, поскольку приходится исходить не из точно определяемой принадлежности элемента площади к специфической соте, а из того, что каждому элементу площади назначается вероятность соответствия соте сети. Ввод различных вероятностей соответствия при определении прогнозирования трафика для определенной соты обеспечивает более реальное отображение.

Далее способ, согласно изобретению, обеспечивает за счет линейной формы уравнений быстрый числовой охват или расчет коэффициента. С помощью компьютера можно, тем самым, очень быстро охватить всю сеть в отношении ее базы данных трафика. Это значит, что, во-первых, можно быстро создать базу данных трафика, а во-вторых, быстро модифицировать созданную базу данных трафика.

Кроме того, способом, согласно изобретению, можно поддерживать на низком уровне так называемую ошибку прогнозирования трафика („Traffic Prediction Error"), т.е. вышеуказанное отклонение между спрогнозированным и измеренным трафиком в соте, поскольку вероятности соответствия находят применение как для создания базы данных трафика, так и для прогнозирования возникающего трафика, а за счет этого может быть вызван взаимно компенсирующийся эффект для ошибки прогнозирования трафика.

Ниже описаны некоторые возможности применения способа согласно изобретению.

Использование вероятностей соответствия полезно для самых различных видов баз данных трафика. В целом, применение способа, согласно изобретению, возможно для одноуровневых сетей, работающих только на одном сетевом уровне 2G или 3G, или в сотовых моделях, действующих между различными сетевыми уровнями.

Ниже рассмотрена сеть 2G с базовыми станциями уровня 2G. Как уже сказано, преимущество сетевой модели с вероятностями соответствия заключается в том, что возможен более реальный расчет зоны соты. Так, например, в одноуровневой сотовой модели 2G, основанной на хэндовере, зона обслуживания соты с учетом непосредственных или прямых параметров хэндовера, например гистерезиса для хэндовера („HO_MARGIN"), описана соответствующими вероятностями соответствия. На основе этого в зависимости от этих параметров хэндовера можно определить зону обслуживания соты, которая является, тем самым, более реальной по сравнению с зоной обслуживания соты, основанной на модели лучшего сервера.

Поскольку число n_g групп сот мало по сравнению с числом сот, в частности в больших сетях, следует ожидать того, что в больших зонах все перекрывающиеся соты будут относиться к одной и той же группе. Чтобы лучше проиллюстрировать вытекающие из этого последствия, следует привести упомянутый выше пример трех сот i, j, k на элементе х площади. Предполагается, что три соты относятся к одной группе g(i). За счет этого подинтегральная функция интеграла прогнозируемого трафика t(i) в соте I упрощается до:

ap(i,x)·tw(x)=ap(i,x)·{ap(i,x)·α_g(i)+ap(j,x)·α_g(j)+ap(k,x)·α_g(k)}=

ap(i,x)+{ap(i,x)+ap(j,x)+ap(k,x)}·α_g(i)

Кроме того, предположив наличие только трех сот i, j, k, справедливо то, что вероятности соответствия для элемента х площади суммируются по всем трем сотам в единицу. Это следует из свойства нормирования, а именно из того, что элемент х площади, пока он находится в зоне действия сети, должен обслуживаться, по меньшей мере, одной из сот i, j, k. Это условие выражается следующим образом:

ap(i,x)+ap(j,x)+ap(k,x)=1

Таким образом, подынтегральная функция прогнозируемого графика t(i) имеет следующий вид:

ap(i,x)·tw(x)=ap(i,x)·α_g(i)

Из этого видно, что основанная на хэндовере сотовая модель, как уже сказано, может быть, как правило, упрощена, а созданная для этого база данных трафика аналогична базе данных трафика для модели лучшего сервера. Это значит, что, как правило, многие коэффициенты матрицы С системы линейных уравнений в действительности равны нулю и поэтому вся система упрощается. Преимущество использования вероятностей соответствия по сравнению с моделью лучшего сервера можно усматривать в том, что средняя ошибка в прогнозировании трафика меньше, однако в любом случае возникает «более гладкая» трафик-карта («traffic map»), поскольку на границах сот, относящихся к различным группам, определяется переход коэффициентов классов землепользования с использованием вероятностей соответствия.

При рассмотрении сети 3G с базовыми станциями или сотами уровня 3G преимущество сотовой модели с вероятностями соответствия состоит в лучшем расчете зоны обслуживания соты. Кроме того, в сотовой модели, использующей так называемый алгоритм мягкого хэндовера, реализованный, например, в сети UMTS, соответствующими методами описан мягкий хэндовер 3G. В этом случае можно в сотовой модели учесть, что в зонах мягкого хэндовера сети UMTS находящийся там мобильный телефон с определенной вероятностью соответствует также более чем одной базовой станции или так называемой «Node В». Это значит, что на элементе площади в этой зоне мягкого хэндовера сумма всех вероятностей соответствия всем обслуживающим Node В может также стать больше единицы.

Если измерения трафика или измеренные данные определяются на Node В, то в зависимости от метода измерения при определенных обстоятельствах трафик в так называемых зонах мягкого хэндовера определяется два или более раз, поскольку для мобильных телефонов, находящихся в зонах мягкого хэндовера, существует соединение «воздушный интерфейс» одновременно для двух или более узлов Node В. Если такие измеренные данные трафика используются для создания базы данных трафика, то по причинам целостности такой феномен также следует принять во внимание в используемой сотовой модели.

Это можно описать посредством сотовой модели, имеющей так называемое переменное нормирование. Это значит, что в зоне мягкого хэндовера допускается, чтобы сумма всех вероятностей соответствия на элементе площади была больше единицы. Следует ожидать того, что возможное упрощение, описанное в случае моноуровня 2G, будет справедливо также для бóльших зон сети UMTS. Эта улучшенная сотовая модель мягкого хэндовера 3G может использоваться также для создания базы данных трафика и для прогнозирования трафика.

Другие преимущества и варианты осуществления изобретения приведены в описании и на прилагаемых чертежах.

Понятно, что вышеназванные и поясняемые ниже признаки могут использоваться не только в соответственно указанной комбинации, но и в других комбинациях или сами по себе, не выходя за рамки настоящего изобретения.

Краткое описание чертежей

Изобретение схематично изображено с помощью примера его осуществления на чертеже и подробно описано ниже со ссылкой на чертеж, на котором представляют:

- фиг.1: пример многоуровневой сети, в которой база данных трафика может быть создана способом согласно изобретению;

- фиг.2: другой пример многоуровневой сети;

- фиг.3: еще один пример многоуровневой сети;

- фиг.4: возможную разбивку соты сети на элементы площади;

- фиг.5: пример возможностей соответствия одноуровневой сети 2G;

- фиг.6: пример возможностей соответствия многоуровневой сети 2G.

Подробное описание изобретения

Для создания базы данных трафика способом, согласно изобретению, могут использоваться несколько типов многоуровневых сетей. При этом речь может идти, например, как показано на фиг.1, о многоуровневых сетях 2G, таких как GSM900 и GSM1800.

Чтобы можно было использовать только базу данных трафика 2G для сети GSM900 с перекрывающей ее сетью GSM1800, следует привлечь многоуровневую сотовую модель. Преимущество использования только одной базы данных трафика для перекрывающихся сетей GSM основано на том, что в зонах, где устанавливаются новые базовые станции сети GSM1800, они могут взять на себя непосредственно трафик от сети GSM900. Таким образом, трафик динамически разделяется между уровнями в зависимости от рассматриваемой сети. Посредством вероятностей соответствия многоуровневой сотовой модели принимается во внимание разделение трафика между уровнями на каждом элементе площади. При этом в многоуровневой сотовой модели при определении вероятностей соответствия предпочтительно учитывается желательное в многоуровневой сети разделение трафика между сетевыми уровнями, которое ориентируется, например, на мощность сетевых уровней. В случае изображенной на фиг.1 сети речь идет о макросотовой многоуровневой сети GSM. Сеть GSM900 (GSM900network) перекрыта при этом сосуществующей сетью GSM1800 (Colocated GSM1800).

На фиг.2 изображена макро-микросотовая многоуровневая сеть GSM. Как и на фиг.1, на сеть GSM900 (GSM900 network) наложена сеть GSM1800 (Colocated GSM1800). В то время как на фиг.1 сеть GSM900 и сеть GSM1800 имеют одинаково большие соты, здесь на одну соту сети GSM900 наложены несколько меньших сот сети GSM1800. Поэтому говорят о макро-микросотовой многоуровневой сети.

На фиг.3 изображена другая, используемая согласно изобретению многоуровневая сеть, образованная здесь наложением сетей UMTS, GSM900 и GSM1800. На одну соты сети GSM900 наложены несколько сот сети GSM1800 и одновременно несколько сот сети UMTS. Поэтому между сетями GSM900 и GSM1800 может происходить межуровневый хэндовер 2G (НО), а между сетями GSM900 и UMTS, а также между сетями GSM1800 и UMTS - InterRAT-хэндовер (RAT = Radio Access Technology), что обозначено соответствующими стрелками.

На фиг.4 изображена сота i сети. Эта сота i разбита на множество элементов х площади. Каждый из этих элементов х площади может быть однозначно отнесен к классу LU (land usage) землепользования из группы классов а, b, с и т.д. Далее каждому классу землепользования в каждой соте i сети может быть присвоена информация о землепользовании, которая в зависимости от комплексности рассматриваемой сети соответствует либо сумме всех отнесенных к соответствующему классу землепользования элементов площади рассматриваемой соты, как в случае модели лучшего сервера, либо из-за вводимого и учитываемого взаимодействия с другими сотами возникают несколько выражений. Вся эта информация о землепользовании хранится, согласно изобретению, в линейной матрице С. Посредством этой матрицы С и измеренного в соответствующих сотах графика m_i можно для каждого класса землепользования определить его коэффициент α, β, γ, и т.д. и хранить в создаваемой базе данных трафика. Каждая сота i может быть отнесена далее к одной группе g(i)n_g групп сот, причем тогда для каждого класса землепользования могут возникнуть несколько различных, специфических для каждой группы коэффициентов α_g(i), β_g(i), γ_g(i) и т.д., вводимых затем в базу данных трафика. Посредством матрицы С и хранящихся коэффициентов α_g(i), β_g(i), γ_g(i) и т.д. классов землепользования можно затем прогнозировать для соты i трафик t(i).

На фиг.5 изображен пример вероятностей соответствия одноуровневой сети 2G. В пределах зоны обслуживания рассматривается элемент х площади. На этом элементе х площади локальный трафик tw(x) (tw = traffic weight) был определен в 5,0 Эрл/км². Одноуровневая сеть 2G состоит из множества сот, причем внутри каждой соты находится одна базовая станция. Каждой базовой станции или каждой соте может быть назначена специфическая вероятность соответствия в отношении обслуживания элемента х площади именно этой базовой станцией. Абонент, находящийся в пределах элемента х площади, обслуживается, следовательно, соответствующей базовой станцией с вероятностью, которая соответствует данной вероятности соответствия. Базовой станции, а именно так называемому лучшему серверу, принадлежит при этом наибольшая вероятность соответствия. В этом примере на лучший сервер приходится доля трафика 0,75·5 Эрл/км², на второй сервер - доля трафика 0,1·5 Эрл/км² и т.д. Сумма всех вероятностей соответствия равна единице, а это значит, что элемент х площади или находящийся на нем абонент в любом случае будет обслуживаться одной сотой или соответствующей базовой станцией.

На фиг.6 изображен пример того, как изображенные на фиг.5 вероятности соответствия изменяются в результате наложения второй сети 2G. Здесь речь идет о наложении сети GSM900 на сеть GSM1800. В данном примере на рассматриваемом элементе х площади на сеть GSM900 приходится доля трафика 0,65·5 Эрл/км², которая затем еще раз распределяется между несколькими серверами GSM900. На наложенную сеть GSM1800 в данном примере приходится доля трафика 0,35·5 Эрл/км², которая также распределяется между несколькими серверами GSM1800. При этом следует учитывать также алгоритм хэндовера между различными уровнями. В данном примере сумма вероятностей соответствия также равна единице, однако вероятности соответствия распределены по двум уровням. Для обоих уровней создается, а затем используется одна общая база данных трафика. Вероятности соответствия обеспечивают динамическое распределение трафика между уровнями.

1. Способ определения трафика в радиосети, включающей в себя множество сот (i, j, k), которые относят соответственно к одной группе (g(i), g(j), g(k)) сот, причем планируемую зону обслуживания разбивают посредством сетки на элементы (х) площади и каждому элементу площади назначают соответствующую вероятность соответствия каждой из обслуживающих элемент площади сот и класс землепользования из конечной группы класс землепользования, причем для каждой соты измеряют трафик и для каждой соты прогнозируют трафик, прогнозируемый трафик в данной соте соответствует суммированию элементов площади, взвешенных специфическими для каждого класса землепользования и каждой группы коэффициентами, и для каждой соты определяют интервал между измеренным трафиком в соте и предсказываемым трафиком в ней и минимизируют методом минимизации, причем элементы площади каждой соты для каждого класса землепользования и для каждой группы сот образуют из вероятностей соответствия элементов площади охваченным при этом сотам, а коэффициенты определяют методом минимизации, и присваивают соответствующей соте, и записывают в пространственно-отнесенную базу данных трафика.

2. Способ по п.1, при котором метод минимизации соответствует аппроксимации при решении системы линейных уравнений.

3. Способ по п.1 или 2, при котором классы землепользования характеризуют географически отграничиваемыми зонами, в частности различными классами городской застройки, различными классами сельскохозяйственного использования и классами лесов, а также дорогами и автомагистралями.

4. Способ по п.1, при котором в качестве сети используют многоуровневую сеть, в частности сеть GSM900 с наложением на нее сети GSM1800.

5. Способ по п.1, при котором базу данных трафика создают на основе одного уровня одноуровневой сети.

6. Способ по п.1, при котором в качестве критерия определения вероятностей соответствия элементов площади данным сотам используют возникающий между соседними сотами хэндовер.

7. Способ по п.1, при котором для элемента площади, на котором возникает хэндовер, сумма всех вероятностей соответствия элемента площади меньше 1.

8. Способ по п.1, при котором в качестве сети выбирают сеть, в которой одна сота окружена исключительно сотами, относящимися к той же группе, что и эта сота, за счет чего вероятности соответствия для тех элементов площади, которые имеют неисчезающие вероятности соответствия соте, сотам других групп выбирают равными нулю, и, тем самым, те элементы площади, принадлежащие соте, как и соты других групп, становятся равными нулю.

9. Считываемый носитель данных, содержащий программный продукт с программным кодом, с помощью которого могут быть осуществлены все этапы способа по одному из пп.1-8, если компьютерная программа выполняется на компьютере или в соответствующем вычислительном блоке.