考慮使用者移動行為之無線網路需求規劃及資源分配：以RNC配置為例

(1)

國立臺灣大學工學院工業工程學研究所碩士論文

Graduate Institute of Industrial Engineering College of Engineering

National Taiwan University Master Thesis

考慮使用者移動行為之無線網路需求規劃及資源分配：

以 RNC 配置為例

Demand Planning Based on User Mobility Behavior for Wireless Network Capacity Allocation

呂栢頤 Po-Yi Lu

指導教授：陳正剛博士 Advisor: Argon Chen, Ph.D.

中華民國 104 年 7 月

July, 2015

(2)

誌謝

能完成這篇論文，首先要感謝指導教授陳正剛老師，兩年來您的諄諄教誨讓我了解自己在學術、工作上的不足，處理事情的步驟與負責的態度，雖然幾度想逃避、放棄，我很慶幸最後仍是 Argon group 的一份子。也感謝張時中老師、藍俊宏老師與洪一薰老師，百忙之餘閱讀我的拙作，並給予口試與指導及諸多的鼓勵。以及所上的老師們與助理們，謝謝你們各式的幫助及聊天，讓我釋放不少撰寫論文時的壓力。

也感謝兩年來同為 Argon group 的上峰與煥澤，還有碩一的三位學妹們，能夠一起歡笑一起在這個實驗室打拼，真的非常的快樂。還有所上的同學們：承翰、

源懋、博瀚、小歐、怡州、捷哥、魏綱與大瑋，兩年來的時光我們參與很多活動，

也一起唸書、分享知識，感謝大家讓我有這麼充實的碩士生活，也希望之後在工作時，有時間可以常聚聚。

以及要感謝一直持續照顧、關懷我的家人，不但幫我修稿、處理許多學術相關的文件，並不斷鼓勵、忍受我的任性、無助，適時的給我鼓勵與安慰，使得我可以在每一次的崩潰後，重拾站起來的力量，非常的謝謝你們。

另外是仲瑋，妳的意見與體貼，在我這麼忙碌時，不時的為我打氣，給我許多精闢的建議，也撥出時間陪伴我，帶給我無數的歡笑。希望妳明年也加油，這次就換我陪妳啦。

最後的致謝是寫給我的摯友 Will，從大二到現在，幾乎每次的報告、程式與唸書，都仰賴你的幫忙，我能夠完成這份論文的架構與研究，是因為背後有你的協助，謝謝你！希望你在 C.J group 下可以札實的度過碩士生活，未來找到好的工作。

要感謝的人不勝枚舉，所以謝謝曾幫助我的每一個人，希望在不遠的未來，

我們會再次相見。

(3)

中文摘要

隨著智慧型手機與穿戴式電子產品裝置的發展日新月異，行動通訊服務產業也跟著興起，使用者對無線網路的需求因而與日俱增，如何滿足使用者網路及服務產業的發展需求，同時可以使網路環境的控管更有效率是本研究的主軸。

無線網路需求量的不確定性除了來自時間與地區性的差異，也受到使用者移動性的影響，因此難以做出準確預測，這也是進行網路資源規劃策略上的難題；

但有近期文獻指出使用者的移動性在一定的範圍下是可以被預測的，基此，本研究利用使用者的移動行為建立需求模式，並依所建立之需求模式進行無線網路資源規劃策略。

本研究利用統計探勘技巧，從資料中建立模式描述用戶移動性，我們以 1 小時為單位為例描述所有使用者一天中的網路需求，並利用跨越不同時段的使用者以建立轉移矩陣模型描述用戶的移動模式。再依據不同的指標與相關變數等性質及貪婪式、階層式、啟發式與基因演算法等的最佳化方法，發展多個分群與優化演算法，以進行需求規劃策略達到無線網路資源的優化。

研究最後以改善無線網路控制中心(RNC)管理基地台模式為例，希望達到提升不同管理中心的網路服務率與降低無線網路控制中心間的轉移率，該方法亦可應用於未來基地台的配置；本研究亦評估各個演算法之規劃品質及其計算效率，

並比較現有的管理方式，以驗證了所提出方法的效率。

關鍵字：使用者移動行為、無線網路需求規劃、分群演算法、啟發式演算法

(4)

ABSTRACT

With the booming use of smart phones and wearables, the mobile service industry is also in a thriving development pace. It also causes mobile users＇ increasing network demand. Our question is how to satisfy their network demand, and improve the network control and planning efficiency at the same time.

The uncertainty of wireless network demand is not only from the spatial and temporal variations, but also effected by user mobility behavior. The problem is how to manage and plan the network capacity to satisfy the highly volatile demand. Recent research has shown that the user mobility can be predicted to a certain degree of accuracy. For this reason, we propose to build a model of user transition pattern to describe the user spatial and temporal mobility behavior. With the model built, the network capacity planning is optimized accordingly.

This research uses statistical data mining techniques to construct the transition matrix to describe the users＇ aggregated mobility behavior. The wireless network demand series is collected from all users＇ daily network activity in hourly basis. The transition count between each region is also collected by selecting the user activities observed acrossing two consecutive time intervals, based on which the transition matrix is estimated. We then develop heuristic aggregation strategies based on clustering algorithm and optimization techniques, such as hierarchical clustering, k-means, greedy and genetic algorithms according to performance surrogates and objective functions.

These strategies are then used to improve the efficiency of wireless network resource planning.

Last, we use the example of base station (BS) control by the radio network control (RNC) to demonstrate the planning methods proposed by this research though the proposed method can be also applied in small cells allocation or fog computing resource allocation problems. The planning quality and the computing efficiency of the algorithms are also evaluated by comparing the performance among the RNC allocations planned by the proposed methods and the current allocation plan.

Key word: user mobility behavior, wireless network capacity planning, clustering algorithm, heuristic algorithm

(5)

LIST OF FIGURES

Fig.1-1：UTRAN 架構 ... 2

Fig.1-2：網路環境架構 ... 3

Fig.1-3：研究目標示意圖 ... 4

Fig.1-4：研究架構 ... 5

Fig.1-5：需求規劃策略及資源分配流程圖 ... 5

Fig.3-1：無線網路需求資料立方體 ... 12

Fig.3-2：當地行政區 ... 13

Fig.3-3：使用者在不同時段的移動情形之萃取方式 ... 14

Fig.3-4：時間觀點之層級關係 ... 14

Fig.3-5：不同類型之屬性關係 ... 15

Fig.3-6：根據時間解析與根據 RNC 解析之資料 ... 16

Fig.3-7：Timeweek day hour_ _ Regionadministrative regionTypeAll(Macro data)資料萃取方法 ... 16

Fig.3-8：Micro data 之抽樣方法 ... 17

Fig.4-1：49 個區域分派給 K 群 ... 20

Fig.4-2：需求增加造成變異數增大 ... 22

Fig.4-3：2 完全負相關需求數列與其聚合後之結果 ... 26

Fig.4-4：兩種區域可能的聚合結果 ... 27

Fig.4-5：三種區域可能的聚合結果 ... 28

Fig.4-6：規劃方法 ... 30

Fig.4-7：規劃方法流程圖 ... 30

Fig.5-1：Macro data 之需求數列 ... 34

Fig.5-2：使用者移動情形(a)使用者停留的地點數 (b)使用者轉移的的點數 ... 35

Fig.5-3：人口分布圖與轉移矩陣熱圖 ... 35

Fig.5-4：RNC 分布情形 ... 37

Fig.5-5：7 個 RNC 之需求數列 ... 37

Fig.5-6：7 個 RNC 之轉移矩陣 ... 38

Fig.5-7：三種 linkage 的結果比較 ... 39

Fig.6-1：網路需求分布 ... 55

(8)

Fig.6-2：貪婪式規劃法：WCV ... 56

Fig.6-3：貪婪式規劃法：SCV ... 57

Fig.6-4：貪婪式規劃法：

Q 

F ... 58

Fig.6-5：貪婪式規劃法：

M 

F ... 59

Fig.6-6：階層式規劃法：correlation matrix ... 60

Fig.6-7：階層式規劃法：transition matrix ... 61

Fig.6-8：階層式規劃法：transition count... 62

Fig.6-9：K 區域規劃法：correlation matrix ... 63

Fig.6-10：K 區域規劃法：transition matrix ... 64

Fig.6-11：K 區域規劃法：transition count ... 65

Fig.6-12：基因演算規劃法：WCV ... 66

Fig.6-13：基因演算規劃法：SCV ... 67

Fig.6-14：基因演算規劃法：

Q 

F ... 68

Fig.6-15：基因演算規劃法：

M 

F ... 69

Fig.6-16：Micro data 下貪婪式規劃方法：WCV ... 70

Fig.6-17：Micro data 下貪婪式規劃方法：SCV ... 71

Fig.6-18：Micro data 下貪婪式規劃方法：

Q 

F ... 72

Fig.6-19：Micro data 下貪婪式規劃方法：

M 

F ... 73

Fig.6-20：Micro data 下階層式規劃方法：correlation matrix ... 74

Fig.6-21：Micro data 下階層式規劃方法：transition matrix ... 75

Fig.6-22：Micro data 下階層式規劃方法：transition count ... 76

Fig.6-23：Micro data 下 K 區域規劃方法：correlation matrix ... 77

Fig.6-24：Micro data 下 K 區域規劃方法：transition matrix ... 78

Fig.6-25：Micro data 下 K 區域規劃方法：transition count ... 79

Fig.6-26：Micro data 下基因演算規劃方法：WCV ... 80

Fig.6-27：Micro data 下基因演算規劃方法：SCV ... 81

(9)

Fig.6-28：Micro data 下基因演算規劃方法：

Q 

F

... 82 Fig.6-29：Micro data 下基因演算規劃方法：

M 

F

... 83

(10)

LIST OF TABLES

Table 1：資料欄位與範例 ... 11

Table 2：不合理的事件記錄資訊 ... 12

Table 3：使用者在不同時段的移動情形 ... 13

Table 4：Timeweek day hour_ _ Regionadministrative regionTypeAll(Macro data)之結果 ... 17

Table 5：符號定義 ... 21

Table 6：不同規劃策略在 macro data 與 micro data 之結果比較 ... 43

Table 7：不同規劃策略在 micro data 估計之 macro data 與 micro data 之結果比較 44 Table 8：不同規劃策略之程式運行速度 ... 45

Table 9：Day 4，macro data 與 micro data 之結果比較 ... 46

Table 10：K 區域規劃方法：transition matrix 之無線網路資源分配 ... 50

(11)

1

Chapter 1 緒論

1.1 研究背景與動機

手機使用者的移動行為在過去是較少人去研究探討的，但由於近年來行動通訊服務的普及，使用者的連線資訊可透過 3G 或 4G 基地台(Base Station, BS)的連線記錄而得知，使用者移動行為甚至可以從前述資訊進一步被預測。使用者的移動影響整個城市運作，建設一個現代化城市，使其生活機能符合居住者的要求，

資訊化的環境建設是有其必要的。從日常的活動，例如通勤、逛街購物、景點觀光等這些人們移動的腳步，也隱含著人潮的流向，這樣的資訊化生活可以為整個城市帶來創新的商業價值如適地性技術服務(Location-Based Service)就是配合著穿戴式裝置而崛起的新興網路服務，這讓行動使用者在不同的環境與條件下，可以規劃自己所需的食、衣、住、行、育、樂等。因此，移動行為逐漸變成一個研究的主流，從探討使用者移動的可預測性，使用者移動軌跡的探勘到建立使用者一天下來的移動模式，使用者的移動行為除了可以有效的被預測及歸類外，綜合城市中所有使用者的移動模式也可提供決策者做更好的控管及規劃，諸如交通流量控制、醫療療衛生管理、緊急災害處理及都市建設規劃等。

網路資源是在某個時段中可提供網路服務的容量上限，因為穿戴式裝置與行動應用軟體與日俱增，使用者隨時隨地都有上網的需求。所有的資訊都是由通訊環境中的伺服器所提供，使用者不管其背後的連線通訊機制，只在乎快速的收到大量的資訊。因此，電信營運商須對網路資源的配置妥善管理以便滿足所有使用者的網路需求。由於網路需求來自行動使用者，其移動的行為模式將會影響不同地區基地台的網路服務，從整體使用者的行動裝置與基地台的連線可以得知不同時段下的網路需求量，其量通常隨著不同時間、地區而有不同，在如此不穩定又複雜的狀態下，無線網路資源如何獲得妥善分配是本研究的動機。

綜上所述，本研究係考慮使用者的移動性對網路需求的影響，進而發展系統性無線網路需求規劃方法。決策者可從使用者移動瞭解不同地區的需求趨勢與變化，決定未來如何佈建基地台或是網路運算中心以達到最佳的無線網路資源分配。

本研究以無線網路控制中心(Radio Network Controller, RNC)為例，決定哪些

(12)

RNC 地台的概 comp 速的傳輸求量

1.2

其介覆蓋基地網路個功密 (e 施，

便於穩定 RNC 與網路服

C 應該要控台的網路資源概念，隨著氣

puting 的佈的在地處理使輸成本，提高量隨著時間與

問題描

本研究參考介紹如下：不蓋範圍，其通地台之間就會路連線的品質功能(function

encryption) 實現最佳的於通知使用者定性，避免通 C 處理的過網路行為如何服務。

控制哪些基地源配置；抑

氣流變化移佈署，fog co

使用者的網高更快速、

與空間的變

描述與研

考的網路架不同的基地通訊裝置同會有換手(h 質。數個基

n)：Radio R

，RRM 的的資源利用者來電。在通話在使用過程中進行加

何有效的規

地台(Base S 抑或是 Goog

移動至所需 omputing 相網路需求，減

高品質的傳變化，進而得

研究目標

架構為 UMT 地台服務需要同時也會和基

andover)的基地台又由

Resource M 的目的是可以用率，Mobil

在通話建立之用者移動過程加密。本研規劃移動通訊

Fig.1-

2

Station, BS gle 提出的需的地點提

相比於 clou 減少傳回資傳輸服務。

得到妥善的

標

TS Terrestri 要網路連線基地台相連的動作，使用

1 個無線網 Managemen

以有效的規 lity manage 之後，負責程中無故斷研究的主軸在

訊設備，並

-1：UTRAN

S)，這個方 loon proje 提供網路傳輸

uding comp 資料中心(Da

。上述例子的網路資源配

ial Radio A 線的區域，

連，當使用用者可以在網路控制中 nt(RRM)、M 規劃移動通

ement 是追責維持使用斷線。在使在 RRM，

並分派適當

N 架構

方法未來可以 ect 中，藉由輸的連接服 uting (雲計 ata center)或

皆需要了解配置問題。

Access Netw 當使用者一者移動至其在不斷線的狀中心(RNC)控

Mobility ma 訊系統的無追蹤使用者設者通話過程用者發出網也就是根據的資源以提

RNC

BS

以應用於小由氣球型基服務；以及計算)更強調或是核心網解使用者網

work, UTRA 一進入基地其他基地台狀態下，保控管，RNC

anagement 無線網路基

設備的位置程中移動的網路需求後據使用者的提供該地區

小型基基地台及 fog 調於快網路的網路需

AN，

地台的台時，

保持其有 3 與加基礎設置，以的網路後會在的移動區的網

(13)

務資同 R 加，

netw

不花本，

的無處是可以取得

可能成同不同果，

如果在一個資源；另外如 RNC 之間的

如下圖 F work)，這樣

在傳統的通花費任何通訊有些資料也無線網路需求是甚麼？舉個以直接將資料得，這樣就會不同的基地能會使決策者同個 RNC 管同趨勢的區域提高各個基

個時段下需如果多數使的基地台發生

Fig.1-2 ， RN 樣連線延遲的

通訊環境中訊成本就可也並非使用求規劃方法個例子：如料傳送給使會耗費通訊地台在不同者在規劃無管理時，網域進行整合基地台的網

需求變化劇烈使用者在不同

生的換手現 NC 之間的的情況就可

Fig.1-2 中，可以將所可以快速地建用者所需要的法，將數個基如果使用者所

使用者，否則訊成本與傳輸

同的時間、地無線網路資源網路需求的變合，利用 R 網路使用率

3

烈的話，RN 同 RNC 下現象增加，這的換手需要可能發生。

2：網路環境所有的資料建立連線所的，這也造基地台適當所要求的資

則就須經由輸時間。

地區，所負源時有所困變化可能會 RNC 做有效

。

NC 會不易下有大量的

這也會使 R 要將資料傳

境架構料配置在不所需的資料造成無謂的當的由同個資料正好儲存

由核心網路

負擔的網路困難，但是會較為穩定效的控管的

易控管這些基流動現象的 RNC 產生傳傳輸至有線

同的伺服器

，卻會造成浪費，因此個 RNC 管理存在該 RN 路傳送給其他

需求量也不

，如果將多

，更進一步話，就會有

基地台的網的話，會造傳輸上的負線核心網路

器內，其優成大量的建此需發展系理。這樣做 NC 中，RN 他 RNC 才

不盡相同，

多個基地台步，如果可有截長補短

網路服造成不負荷增路(core

優點是建構成系統性做的好 NC 就才得以

這樣台彙整可以將短的效

(14)

的結路需責控網路可以

1.3

行為三章式建其指適宜究的

本研究以 R 結果闡釋所有需求，進行不控管，我們期路使用率增加以各司其職

論文架

本研究的章為及網路資料章描述本研究建立。第四章指標與方法構宜的方法，以的方向。下圖

RNC 的配置有使用者在不同區域基期待同個 R 加；另外不

，減少因為

架構

章節安排如料分配的相究所獲得之章針對探討構想。第五以利決策者圖 Fig.1-4 為

Fig.1-3 置計畫為例在城市內的移基地台的控管 RNC 下的網不同 RNC 間為建立連線通

如下：從問題相關研究、馬之資料，進行討的議題建立五章進行實際者進行決策

為論文架構

4

：研究目標例，初始建立

移動現象，

管計畫，意網路需求隨著間的人口轉移通道而造成

題描述，第馬可夫轉移行的資料處立無線網路際資料的驗

。最後，在構：

標示意圖立整體使用

再利用此模意即，哪些基著時間呈現移數希望可成的成本。

第二章文獻移矩陣模型處理方式與路資源分配驗證並比較在第六章做

用者的流動模模型配合不基地台該由現穩定的狀態可以越少越好

回顧描述手

、組合最佳使用者在地之需求規劃結果，並分結論以及探

模型，該模不同時段下的由哪個 RNC

態，這可以好，使得 R

手機使用者佳化方法等地區間之行劃模型，並分析不同狀探討未來可

模型的網 C 負以使 RNC

者行動等。第行動模並介紹狀況下可以研

(15)

程如

本研究的成如下：

成果在於發

Fig.1 資料分轉移矩聚合指

資料

Fig.

發展一套無線

-5：需求規實分析

矩陣

R 需指標

資料料處理與萃取

5

1-4：研究架線網路需求

規劃策略及資結果討論實際資料分析

RNC 之需求規劃分析需求規劃方法

問題建模性質探討料前處理與建

取

文獻回顧問題描述

架構

求規劃及資源

資源分配流析

求規劃

結果法

需求方建模

轉移矩陣估

源分配的系

流程圖劃策略果比較求規劃方法

估計

系統，其運作作流

(16)

6

Chapter 2 文獻回顧

本章文獻回顧分為三個部分依序為：1.手機使用者行動行為及網路資料分配的相關研究、2.馬可夫轉移矩陣模型的估計、3.組合最佳化與分群方法等。

2.1 手機使用者移動行為與網路規劃

在 Song (2010)[1]的論文指出：人類的移動具有一定的可預測性，以 1 小時為單位，探討手機使用者在城市裡的移動模式所呈現的情形。該研究定義機率



：使用適當的演算法可以預測使用者未來移動的準確度。也提出^max 表示預測使用者移動性的一個限制，從數據中得到的結果是：在適當的演算法下，使用者有高達 93%的可預測性，而^max的分配也有高集中趨勢，推論大多數的使用者雖然移動的軌跡看似隨機，但是分析歷史數據收集到一天的移動行為，其移動性是可以被預測的。另外也定義使用者規律性 regularityR：一天 24 小時中，找到某位使用者在他最常拜訪的地點的機率，R代表



的下界，其不考慮時間與使用者移動的關係，研究顯示R在一週內有明顯的規律性，而在每天不同時段中，使用者拜訪不同地點的數量在不同的時段的多寡，與R 有負向關係，意即，使用者拜訪的地點數越高，其規律性就會減少。

在 Schneider (2013)[2]文中，除了呼應 Song 提出的使用者移動的可預測性外，

該研究定義 daily human mobility motifs：一個隨機的網路系統可能由數種不同的子網路構成，如果其子網路是頻繁的出現或是為一個顯著的模式，就可稱之為 motifs。該研究以一天為範圍，並以 motifs 的方式表示所有使用者可能的行動模式。而研究也驗證使用者一天的移動模式有 90%可以被限制在 17 種不同的 motifs 當中，即使在不同的城市，也可以用這些 motifs 顯示使用者的類似的移動行為。

通常幾個月內使用者的移動模式呈現穩定的狀態。

網路資料分配的相關研究，可以回溯Peng (2005)[3]根據所有使用者的移動行為進行單一性及全域性的資料分配，單一性指得是如何在伺服器中存取符合單一使用者所需要的資料，全域性指的是考量整體使用者的情況[4]，進行最適當的資料分配方式，該文章也根據上述兩種情況發展不同的演算法，並發展指標去計算使用者之間移動的共通性，作為判斷演算法好壞的依據。

(17)

7

上述文獻是使用者的移動性及網路資源分配的相關研究，可以發現使用者的移動行為成為近期研究的重要方向，如何從新的觀點考量使用者移動對網路環境的影響，進而優化網路環境？是本研究主要研究項目。

2.2 轉移矩陣模型的估計

離散馬可夫模型之定義[5]：令



Xn^{, 0,1, 2,}n 



為一個隨機過程，X_n S, n 來自有限狀態空間S ，X_ni表示時間

n

下的狀態為i。如果滿足馬可夫性質，

意即Pr(X_n_₁ j|X_n i,X_n_₁i_n_₁,X₀ i₀)Pr(X_n_₁ j|X_n i)。

如果此機率不會隨著時間而改變(time-stationary Markov chain)，就可以表示為

ij n

n j X i P

X_  |  )

Pr( ₁ 又稱穩定馬可夫鏈。離散馬可夫模型表示未來的狀態X_n_₁ 只與目前的狀態X_n有關。

有限狀態下的馬可夫鏈，可以將所有的狀態轉移機率寫成矩陣的形式P：

m mm m m

m

m m

P P

P

P P

P

P P

P



























1 0

1 11

10

0 01

00

P

其中，因為機率值介於

 

^0,1 區間，而且所有可能的狀態都會發生於狀態空間內，

可以得到：

0, , 0 P

ij

  i j 

0

1, 0,1,

m ij j

P i m



  



^

令Pr(X_n j)p⁽_jⁿ⁾為經過

n

次轉移後停留在狀態

j

之機率，p⁽ⁿ⁾為一組機率列向量表示所有狀態下之

p

⁽ⁿ_j ⁾，馬可夫矩陣有一些基本性質如下：

)

P

1 ( ) (ⁿ

 p

ⁿ

p

n-step 馬可夫轉移機率

P

_ijⁿ：從 Chapman-Kolmogorov 方程式我們可以得到

( )n  n

P P 與

p

⁽ⁿ⁾

 p

⁽⁰⁾

P

⁽ⁿ⁾

也就是 n-step 馬可夫轉移相當於 1 階馬可夫矩陣的 n 次方。

(18)

8

考慮目前有 m 個狀態之馬可夫鏈，從中觀察 n 次轉移而得到觀察值，如下：

1 2 … m

1 n11 n12 … n1m n1

2 n₂₁ n₂₂ … n_2m n₂

… … … … … … m n_m1 n_m2 … n_mm n_m n 現在假設此穩定馬可夫鏈形式為

m mm m m

m

m m

P P

P

P P

P

P P

P



























1 0

1 11

10

0 01

00

P

其最大概似估計量(MLE estimator)為 ˆ_ij ^ij, , 1, 2, ,

i

P n i j m

 n   其中





 ^m

j ij

i n

n

1

Goodman & Anderson (1957)[6]證明其估計式為 MLE 的解且為有一致性但有偏誤的估計量。

本研究利用轉移矩陣模型的估計概念，對整體區域的人口移動建立轉移次數矩陣(transition count matrix)與轉移矩陣(transition matrix)，該轉移矩陣可以描述連續時段內，不同區域間的使用者轉移比例，這個模型可以應用於後續的網路資源規劃。

2.3 組合最佳化與分群方法

組合最佳化問題是求取多個離散元素間最佳的排列組合方式，著名的問題有旅行推銷員問題 (Traveling Salesperson Problem, TSP) 、 N 皇后問題 (N queens puzzle)、裝箱問題 (packing problem)、分群問題(clustering)等。本研究探討的問題種類屬於分群的問題，意即，如何將 n 個元素分成 k 群，使得群與群之間相似度越高，分群問題可能的組合數：根據(Jain and Dubes, 1988)[7]的文獻，將 n 個元素

(19)

9

分給 k 群的問題，其可行解的個數如下：





 

 



 

 ^k

i

n i

k i

i k k k

n S

1

) 1

! ( ) 1 , (

舉個例子S(10,4)  34105 、S(19, 4) 10 ¹⁰，會發現其可行解個數增長劇烈，

因為這個原因，實務上的分群方法都是檢視一小部分的可行解，在這麼小的集合中找到最優解，或是至少能找到不錯的次優分割方式是分群問題的目標。以下為相關的分群演算法[8]：

階層式分群法 (Hierarchical Clustering) 或是階層式聚合分群法 (Hierarchical Agglomerative Clustering, HAC)。階層式聚合分群法是先將每個元素都當作是一個群集，根據相似度或是距離矩陣，將最近的合併，由下往上合併。一開始，我們必須去計算出每對群集之間的相似度，常見有 3 種方式：

1. 單一連結法(single-linkage)：在兩群集間，找出最相似或是距離最近的兩個物件，用他們之間的相似度來當作是兩群集間的相似度。

2. 完整連結法(complete-linkage)：在兩群集間，找出最不相似或是距離最遠的兩個物件，用他們之間的相似度來當作是兩群集間的相似度。

3. 平均連結法(average-linkage)：在兩群集間，將群集中每個物件互相配對，

求出兩群集中所有物件間的平均相似度，來當作是兩群集間的相似度。

不同的群集距離定義方式會有不同的結果，單一連結法容易造成大群集與小群集間的差異較大，完整連結法則是會平均群集的大小，平均連結法則在 2 者之間。

K-Means (K-Medoids) Clustering 的目的是：把 n 個元素分配到 k 個群集中，

使得每個元素都屬於離他最近的均值對應的群集，以之作為群集的中心點。K- Medoids 算法中，我們將從當前集群中選取一個元素，它到其他所有元素的距離之和最小作為中心點。K-means 和 K-Medoids 之間的差異就類似於一個數據樣本的平均值和中位數之間的差異：前者的取值範圍可以是連續空間中的任意值，而後者只能在樣本给定的資料點裡面選擇。影響上述兩種方法最大的關鍵在於初始值的設定，不好的起始中心容易造成找到區域最優解的發生。

分群的問題是一種有特別結構的組合優化問題，根據元素之間的遠近，以便進行元素的歸類，其目標是希望越相似，也就是距離越近的元素可被分為同一群

(20)

10

集。但是本研究的目的並非單純的將元素依照距離遠近進行聚合，我們有明確的目標函式可進行評估。因此，從不同的角度來看，也可以考慮不同的排列組合對目標函數造成的影響，常見的優化方法有下列幾種：

貪婪法(Greedy Method)[9]：某些種類的組合問題可以使用貪婪法解決，以分群問題為例：其方式是每次的聚合時觀察當下的目標值的多寡，如果下降(最小化) 或上升(最大化)最多者就以此為基礎做聚合。類似的方式也可應用於工作指派問題：

Objective function:







 



 

F e

I F e

w

W ( ) 0: Max

Define two sets S ,Y：



^, ^,^



: jobs of

set s₁ s₂

S 



^, ^,^



: workers of

set y₁ y₂

Y 

該問題描述如何將工人(workers)指派給各個工作(jobs)以達到最大化的利潤W，其可行解域F 可寫成各種(s, y), sS y; Y 之組合。貪婪法如果想要求得最佳解的條件是：原問題必須有最優子結構(Optimal substructure)的性質，最優子結構的意思是局部最優解能決定全局最優解。簡單地說，問題能夠分解成子問題來解決，

子問題的最優解就能推演到最終問題的最優解。

基因演算法(Genetic Algorithm, GA)[10]，是人類依照生物學中優進廢退說的觀念所發展出來的一種演算法。利用「選擇」、複製」、「交配」、「突變」等步驟去尋找最適合環境的基因。其常應用於數個組合最優化的問題，像是旅行推銷員、排程問題等，這些問題想要在有限的時間內計算完畢全部可行解幾乎是不太可能的，而基因演算法就是以某種系統性的方式，一次又一次的找到更好的解。

基因演算法的染色體、解碼方式皆須要針對特殊的問題而有特殊的設計，此外其結果不一定會是最佳解。

本研究基於上述想法建立資源規劃方法，在不同的目的下，達到一定的優化效果，並輔助決策者進行規劃策略。

(21)

11

Chapter 3 資料前處理與建模

接下來的小節，我們將介紹原始資料的型態，以及如何從資料萃取出需求規劃所需的資訊：不同區域在不同時段下的行動網路需求分佈，估計轉移矩陣表示區域之間的移動情形。

3.1 資料處理

Signaling Event Log Data 來自使用者使用無線網路服務時與基地台建立連線之記錄，該資料記錄某位使用者位於何處、何時，使用了何種項目的網路連線，

也記錄所連結到的 RNC 與 CELL ID。資料欄位與資料範例如下表：

User ID Date Time RNC Cell ID Type 經度緯度 1 2014/06/21 10:00:01 1 7821 1 24.5768 30.1221 1 2014/06/21 11:45:08 1 7830 6 24.5801 30.1242

… … … … …

Table 1：資料欄位與範例網路連線類型的種類如下：

 Conversational Call：使用者語音對話時留下的紀錄。

 Streaming Call：使用者觀賞影音、網路串流資料時留下的紀錄。

 Interactive Call：使用者瀏覽網頁時留下的紀錄。

 Background Call：使用者進行下載或上傳留下的紀錄。

 MMS：使用者傳送多媒體訊息時留下的紀錄。

 SMS：使用者傳送短訊時留下的紀錄。

不同類型的連線需求所需的資源會不同，舉例來說：語音通話與短訊就需要不同的傳輸品質，語音通話為了確保不斷線，通常會需要較優先的服務品質(Quality of Service, QoS)，短訊則相反。另外串流、互動、背景等資料傳輸是近年來成長劇烈的服務項目，QoS 提供了針對不同資料流採用相應不同的優先等級，保證資料流的效能達到一定的水準。

該區域由 7 個 RNC 所涵蓋，包含 9000 多個 Cells，地理範圍大小為 1100 平方公里，有 200 萬個手機使用者，該資料的時間長度為 7 天(一週)。由某外商公司提供之事件發生時，利用基地台定位估計出實際經緯度位置，其誤差大約 50

(22)

公尺

類型型即度組立方快速型的

本研化，

會刪 User 8 8

…

本研區Re

尺，因此我們將原始資料型的網路需求即是資料立方組成的立方體方體中，儲存速反應。本研的使用者資料

研究將一些不也就是速度刪除後者，如 r ID D 8 2014 8 2014

… …

研究亦配合當 egion範圍

們將單位設料儲存成網求數量是多方體。以三體來檢視需存一筆數字研究將使用料的總和而

F 不合理的資度，不符合如下表：

Date T 4/06/22 10 4/06/22 10

…

T 當地的市政

，其劃分方

設定成 100 公網路需求資訊多少。為解決三維結構為例需求數量，在字表示網路需用者依據其時而得到某個特

ig.3-1：無線資料做了剔除合城市移動的

Time R 0:00:01

0:0:07

…

Table 2：不政規劃描繪出方式如下圖所

12

公尺為 1 個訊：我們所決關聯資料例，分析人在某個時間需求，這種時間、地點特定時段下

線網路需求除的動作，

的最大上限

RNC C 1

1

…

不合理的事件出其行政區所示：

個單位，時間所在意的是特料庫的查詢效人員可以從時間點的某個地種結構在翻轉點與連線類型下的網路需求

求資料立方體判斷的依據限，像是時速

Cell ID T 7821 5250

…

件記錄資訊區域，行政區

間單位則是特定區域、

效能瓶頸，

時間、類型地區，特定轉檢視視角型進行整理求數，如下

體

據是其位置速 200 公里

Type L 1 24 1 25

… 訊

區域可以被

是 1 秒。

時間中，不提出的資料型、地區三種定類型組成的角時，仍然可理，計算相同下圖所示：

置隨著時間的里以上的資料

Lng L 4.5768 30 5.6000 29

…

被歸類為一種不同料模種維的小可以同類

的變料就

Lat .1221 .5688

…

種地

(23)

以行在未

資訊路的

Table 為該務的

行政地區進行未來可以做相我們將使用訊加入原始資的資訊儲存起

e 3 表示從該使用者在那的地點表示該

行的需求規相應的市政用者的經緯資料中，並起來，如下

Time User ID 0

1 2 3

… Tabl 從使用者觀點

那個時段沒該用戶在那 1

Fig.3 規劃模型，可政規劃。

緯度位置對應並以 1 小時為下表：

00:00-01:00 1 40 39

… le 3：使用者點，描述使沒有使用網路那段時間可能

2 3

4 5

6 7 89 10 11

11

1

13

-2：當地行可使政府了

應上述的行為單位，將

0 01:00-02 2 0 40

… 者在不同時使用者一天

路。我們以能停留的地 1

1213 1415 16 1718

19 20

21 22

2324 2526

272829 31 3233

34 35 3 37383940 424 4 4

行政區了解到不同

行政區域進行將所有使用者

2:00 02:00 5 0 4

… 時段的移動情天下來的移動

以使用者在地區，如下圖

30 36

041 43 44 45 46

47 48 49

行政區域目

行編號，重者一天下來

-03:00 … 5 … 0 … 40 …

… …

情形

動情形(值為某時段中最圖所示：

目前的網路

重新將行政區來在何處使用

為區域編號最後使用網

路環境，

區的用網

號)，0 網路服

(24)

下，

0 1

i i

k k0

本研究以 T 特定幾種連

1為不同層級

k1為不同屬性

Fig.3-3：使

Time0 1

i i il、連線類型，

X

ijk



級之關係，

性之關係，

使用者在不

、Region_j0__j1

其網路連線

Time

_{i i}0 1



_{ }

像是Time_w

Fig.3-4：時像是Type_c

14

不同時段的移

1jm與 Type 線需求數的

Region

il





week day hour  的層

時間觀點之

conversation sms 的

移動情形之

0 1

ek k kn[11]表的表達式如下

0 1

n Ty

j _{ }j jm



層級關係如

之層級關係的屬性關係如

之萃取方式表示某個特下：

0 1

ype

kkkn

如下圖所示

如下所示：

特定時間、地

：

地點

(25)

如果能的

常需數量 OLA 樞紐級加因為多支行實

果我們只考慮的連線種類

聚合，解析需要的資料型量。聚集符合 AP(On-Line 紐分析是進行加入到樞紐分為它能對調行支援解析與聚實作處理，可

慮該屬性的

。

析樞紐分析型態是經過合分析時的 Analytical 行 OLAP 分分析矩陣中行、列的位聚合功能，

可以輸入所

Fig.3-5：不的最高層級

析模式的建立過妥善彙整的實際需求

l Processing 分析時常見的中，視需要放位置，靈活調呈現更為細所需的屬性層

15

不同類型之

，就以X_All表

立：就商業

，例如依照

，也能提升 g，線上分析的分析方式放置在行或調整檢視的細節的資料層級，快速

之屬性關係表示，如T

業分析而言照月份、季別升檢視時的效析處理)分析式。分析時使或列。樞紐分的角度。現今料面向。本研速抓取資訊

TypeAll表示使

，大多數檢別、年度等效能，更有析時，迅速使用者可以分析表之所今 OLAP 的研究以 Pyth

。

使用者所有

檢視資料時等加總過的需有利於

速取得所需以將檢視屬性所以得其名的樞紐分析表

hon 程式語有可

，通需求

需數字。

性層

，是表大語言進

(26)

移動地呈行有

Time 不同伸至

F

根據不同層動現象是否可呈現通勤、人有效的都市規本研究第二

week day hour

e _ _ R 同的 RNC 去至不同層級

Fig.3-7： Ti

Fig.3-6 層級之網路可以呈現一人潮流動的規劃方法，

二個研究項

administr

Region 去控管不同的

、屬性大小

week day hou

ime _ _

：根據時間路需求，本研一個規律的模的現象，以及我們會以不項目式網路資

rative regionTyp 的地區的網小進行不同需

urRegionadm

16

間解析與根據研究第一個模式。像是及熱點位置不同的圖表資源規劃，

ypeAll層級進網路資源以獲

需求層面的

ministrative region

據 RNC 解析個研究項目是依據行政置分析，這表及數據呈

目前先依據進行區域的聚獲得更好的的規劃。萃

Type (MaAll

析之資料是觀察此區區的劃分些訊息可以現網路需求據此

聚合，其目的使用效率

取資料的方

cro data)資

區域整體使

，是否可以以提供市政求的分佈與

目的在於如何

。未來可以方法如下圖

資料萃取方法使用者以有效政府進與變化。

何讓以延圖所示：

法

(27)

下表 Time RNC 1 2

…

3.2

24 小對 M 區域的換抽樣

這樣者的的現

其中

表是我們萃取 e

C

00:00:

00:59 4630 3595

… Table 4

轉移矩

從上述的層小時下的需 Macro data 域、不同時段換手(handove 樣的方法如下

樣萃取出的移的轉移次數現象為何。

轉移矩陣的

中N t_ij( )表示多

取出來的結 00-

:59

01 01

0 4

5 4

…

：Time_{week d}_

矩陣之估

層級中，萃需求變化。更

進行抽樣以段之間的移

er)，因此以下圖所示：

移動事件稱

，這個資訊

的估計方法

多少使用者結果：

:00:00- :59:59 4722 4900

…

day hour_ Regio

估計

萃取出來的資更進一步的以瞭解區域移動，由於本

以使用者在

Fig.3-8：M 稱之為 Micro 訊可以用來估

法如同前述 ˆij

P

者在時段h_t_

17

02:00:00- 02:59:59

3956 4349

…

administrative reg

on

資料稱之為的，本研究欲域之間的移動本研究之資在連續時段間

Micro data 之 o data (N) 估計轉移矩

，本研究以 ( ) ^ij(

j

ij j

t N t

 N



1到時段h

03:00:

03:59 813

5

…

gionTypeAll(

為 Macro d 欲建立其區動事件。移資料並沒有

間的停留位

之抽樣方法

，其描述連矩陣，以表示

以點估計的方 )

( ) t

t

t 間，位於

00- :59

04 04

3 3

3

… (Macro data

ata，其描述區域間之流動移動事件描述紀錄使用者位置變化來表

法

連續時段，不示不同時段

方式估計轉

於區域i轉移 :00:00- 4:59:59

3434 3614 a)之結果

述 49 個區動模式，因述使用者在者在基地台表示移動事

不同區域使段間，區域流

轉移機率參數

移至區域j之

…

區域在因此針在不同台之間事件。

使用流動

數：

之使

(28)

18

用者數，P t 代表的意義為區域_ij( ) i轉移至區域j的比例，而非人口流動的量，看比例的原因是因為人口轉移的數可能不同，像是如果原本人數稀少的j區域(可能是因為該區域較小)，與原本較多停留在

i

區域的人數比起來，j區域的移動的特性就會被比下，因此看轉移比例的方式可以清楚的顯現區域的流動性。

在時間層面，亦可考量不同時間長度之轉移現象，像是如果以 1 天做為目前之時間規劃層級，可以聚集不同時段的N t_ij( )，進而估計 1 天下來的轉移矩陣，如下式：

( ) ( )

ij t ij

ij j t

N t P 



N t



P 代表聚集時間層級後，使用者在區域間轉移的比例。 ij

轉移矩陣的建立，可以觀察不同時間長度，區域間人口流動的比例，以都市規劃的角度來看，能夠建立一個模型描述城市內的人潮流動，可以有效的利用這個訊息進行交通流量控管以及都市建設；本研究亦探討人口流動與網路需求之關係，做為網路資源規劃策略評估的一項重要指標。

3.3 使用 Micro data 重新估計 Macro data

Micro data 是從有跨越 2 個時段的使用者取交集下而得到的，其與 Macro data 直接抽取每個時段的使用者記錄是不同的，可想而知的是 Micro data 裡面的使用者較 Macro data 的少，或著也可以說 Micro data 是從 Macro data 抽樣而得到的。

因此，我們也去瞭解 Micro data 與 Macro data 之間的差異有多少，利用 Micro data 生成新的 Macro data 的方式。

方法介紹：對於時段h_t_₁到時段h_t 間的轉移次數N t_ij( )，加總其下個時段所出現的人數，公式如下：

(29)

19

t

t-1 1 2 … m

1 n11 n12 … n1m n1

2 n₂₁ n₂₂ … n_2m n₂

… … … …

m n_m1 n_m2 … n_mm n_m



 m

i

ni 1

1



 m

i

ni 1

2 …



 m

i

nim 1

n 其中，



 m

i

nij 1

即為從 Micro data 估計出來h_t 時段使用無線網路的使用者數。後續也會比較其與實際 Macro data 的差異。

(30)

Ch

需求題。

些 su Mean 聚集

hapter 4

本研究問題求數以及最小接下來的小 urrogate 性 ns 分群與基集時參考的性

以下為本研

4 無線

題為如何將小化區域間小節中，將性質應用於規

基因演算法性質、指標

研究定義的符號

i k

1,

ik 0, c 

 

d ih

d i

D

ij( ) N t

( )t N

N ij

N

線網路資

將I 49個行間的轉移比將建立評估規

規劃方法中法的想法而來標等。

Fig.4-1：4 的符號：

區域集群如果 Oth 區域一天最大時段使用時段所有 (N_ij 一天量一天轉移

20

資源分配

行政區域分比例(或是轉移

規劃策略之中。優化的方

來，其中會

49個區域分

域 i ，i1, 2 群k，k1 果區域 i 分配 herwise 域 i 在某時段 天下來區域大無線網路段h_t_₁至時段用者轉移量段h_t_₁至時 有區域 i 轉 Nij)

天內從區域天內的轉移移至區域 j

配之需求

分配至K 7 移次數)。這之 2 項指標

方法有四種會詳述初始

分派給K群

定義 2,,I 1, 2,,K

配給集群k 段h的無線 域 i 的無線網 路需求上限

段h_t從區域量

段h_t 的轉移轉移至區域

域 i 轉移至區 移總量矩陣的使用者轉

求規劃方

個群集可以這個問題屬標，針對指標種，從貪婪式化、限制式

群

線網路需求量網路需求量(

域 i 轉移至區 移總量矩陣

j的使用者區域 j的使用陣，包含所有

轉移量(N_ij)

方法

以達到最穩屬於組合優標的分析，

式、階層式式的設定，

量 (d_ih)

區域 j的陣，包含者轉移量

用者轉移 有區域 i )

穩定的優化問將一式、K- 以及

(31)

21

P ij 從區域 i 轉移至區域 j 的使用者轉移率 P

轉移矩陣，包含所有區域 i 轉移至區域 j 的 使用者轉移量(P ) _ij

M kl 從集群k轉移至集群l的使用者轉移量 M 轉移量矩陣，包含所有集群k轉移至集群l

的使用者轉移量(M ) _kl

Q kl 從集群k轉移至集群l的使用者轉移率 Q 轉移矩陣，包含所有集群k轉移至集群l的

使用者轉移率(Q ) _kl ( , )

i i i

loc  x y 區域 i 的需求密度中心位置

2 2

S( , )

( ) ( )

i j

i j i j

loc loc

x x y y

    區域 i 與區域 j 的中心距離

Loc 包含所有區域中心位置(loc_i)的集合 Table 5：符號定義

接下來為符號的一些性質：

 一天內的轉移總量之計算：

24

1

ij ij( )

t

N N t





 轉移量矩陣(N/ M )估計轉移矩陣( P /Q )：

1 ij

ij I

ij j

P N

N





^；

1 kl

kl K

kl l

Q M

M





 集群k的每小時需求平均數(d )：_k

24

1 1

24

I

ik ih

h i

k

c d

 







d

 集群k的每小時網路需求變異數(s_k²)：

24

2

2 1 1

( )

23

I

ik ih k

h i

k

c d s ^ ^







^d

 集群k至集群l的轉移次數：

1 1

I I

kl ik jl ij

j i

M c c N

 





 

 集群k變異係數 Coefficient of variance( CV_k)： CV_k

k

sk

d

(32)

對角

4.1

量的重要二種

4.1.

但是



Var X

 非對角







 Q

角線轉移矩陣

聚合指

行動網路需的資料也不盡要的議題。本種指標表示區

1 需求變

在過去的研是在不同聚合



1 2 3

X X X

角線轉移矩

12

21

1 2

0 0

m m

Q Q

 

陣(P^/Q )：

指標

需求資料可盡相同，該本節將探討區域之間的

變異相關指

研究中，往合中，需求



^^^{3Var X}

 

F

矩陣(P^/Q )

1

2

0

m m

m

Q Q









 



11

0

0 P

P







 P



可以以非常多該如何評估各討 2 種指標的流動性。

指標

往往都直接以求平均數的

，這會使得

ig.4-2：需求

22

： ²¹

1

0

n

P







 P



m m

22

0 0

0

0 _n

P



  



多種聚合群各種聚合群標，第一種指

以變異數直的增加可能得標準差



變

求增加造成

12

2

0

n

P P

P



 



0 0

nn n n







；Q 

群集去檢視群集結果以指標表示行

直接描述需能會造成變異

變為原來的

成變異數增大

1

2

0

n n

n n

P P









 ；

11

22

0 0

Q Q









 

，不同的聚了解規劃策行動網路需求

求隨著時間異數的提高的 3倍，如

大

0 0

Qmm









 



聚合群集需策略的好壞求的穩定性

間的震盪大高，舉例來如下圖所示

m m





需求數壞是個性；第

大小，

來說：

：

(33)

23

這會造成評估不同聚合結果時的困難，為了弭去這個效應，我們以變異係數 CV 作為一個衡量不同聚合群集的標準，CV 

 ，其中，



為需求平均、



為需求標準差，CV 觀察的是當下的變異數與平均數的比例，這種去單位化的方式可以解決因為



造成的變異增加。

然而，不同的規劃策略會有數種聚合群集需要比較，該如何評比兩種策略下的聚合結果呢？這裡採取 2 種方式：簡單平均數(Simple-average CV, SCV)與加權平均數(Weighted-average CV, WCV)的方式計算某種規劃策略下，整體聚合群集的表現為何，公式如下：

1 2

CV CV CV

SCV

^K

K

  

 

與

1 2

1 1 1

WCV CV _K CV _K CV_K _K ^K

k k k

k k k

   

  

d d d



其中，k為一個聚合群集，

CV

_k為該聚合群集之 CV，

d

_k為該聚合群集之需求平均數。

依據 CV 之定義，WCV 可以化簡成下式：

1 1 2 2

1

1 2

1 1 1

1 2

1 1 1

1 2

1

WCV _K _K ^K _K ^K

K

k k k

K

K K K

k k k

K K

k k K

k k

K k k

s s s

s

  



   

  



  



d d d

d



可以發現，公式可以簡化成各聚合群集之需求標準差除以需求平均，這可以簡化

考慮使用者移動行為之無線網路需求規劃及資源分配：以RNC配置為例

國立臺灣大學工學院工業工程學研究所 碩士論文

Graduate Institute of Industrial Engineering College of Engineering

National Taiwan University Master Thesis

考慮使用者移動行為之無線網路需求規劃及資源分配：

以 RNC 配置為例

Demand Planning Based on User Mobility Behavior for Wireless Network Capacity Allocation

呂栢頤 Po-Yi Lu

指導教授：陳正剛博士 Advisor: Argon Chen, Ph.D.

中華民國 104 年 7 月

July, 2015

誌謝

中文摘要

ABSTRACT

CONTENTS

LIST OF FIGURES

Q 

M 

Q 

M 

Q 

M 

Q 

M 

LIST OF TABLES

Chapter 1 緒論

1.1 研究背景與動機

1.2

問題描

描述與研

研究目標

標

1.3

論文架

架構

Chapter 2 文獻回顧

2.1 手機使用者移動行為與網路規劃





2.2 轉移矩陣模型的估計





n

 

0, , 0 P

  i j 



n

j

p

P

 p

p

P

p

 p

P



2.3 組合最佳化與分群方法













Chapter 3 資料前處理與建模

3.1 資料處理

X



Time



Region



n Ty



ype

3.2

轉移矩

矩陣之估

估計

國立臺灣大學工學院工業工程學研究所碩士論文