CN109548164A - 一种基于负载需求的自适应调度切换方法和系统 - Google Patents

Abstract

本发明公开了一种基于负载需求的自适应调度切换方法，包括：根据下行链路的带宽值得到在单个传输时间间隔内可调用的物理资源块数量，并获得待传输的用户业务数量、以及在下行链路上待传输的每个用户业务的特征，根据得到的待传输的用户业务数量以及在下行链路上待传输的每个用户业务的特征获取系统整体特征值，将系统整体特征值输入到训练好的负载状况判断模型中，以得到负载判断值Flag，当其等于1时，使用RSA‑DTQ得到各个用户业务的调度指标值，根据得到的调度指标值将可调用的物理资源块依次分配给具有最大调度指标值的用户业务。本发明能够解决现有LTE下行链路调度算法由于没有深入考虑系统负载变化状况，而导致调度性能和开销不平衡的技术问题。

Description

一种基于负载需求的自适应调度切换方法和系统

技术领域

本发明属于无线通信技术领域，更具体地，涉及一种基于负载需求的自适应调度切换方法和系统。

背景技术

长期演进(Long term evolution，简称LTE)网络作为主流的无线通信网络，目前已经得到了相当大的普及应用。下行链路调度是现有LTE网络中一个很重要的环节，目前普遍采用的下行链路调度方法主要有比例公平(Proportional fair，简称PF)算法、以及基于资源块传输数据变化量与公平性因子的资源调度算法(Resource Scheduling AlgorithmBased on Data Transfer Quantity and Fairness，简称RSA-DTQ)。

然而，上述下行链路调度方法均存在不可忽略的缺陷：PF算法在轻负载的状况下能够满足业务需求(即具备较好的调度性能)，且开销较低，但在重负载情况下则无法满足业务需求；而RSA-DTQ)虽然在重负载情况下能较好地满足业务需求(即具备较好的调度性能)，但是在轻负载情况下却具有较高的开销。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了一种基于负载需求的自适应调度切换方法和系统，其目的在于，解决现有LTE下行链路调度算法由于没有深入考虑系统负载变化状况，而导致调度性能和开销不平衡的技术问题，且本发明的基于负载需求的自适应调度切换方法能够实现以较低的开销，实现较高的调度性能。

为实现上述目的，按照本发明的一个方面，提供了一种基于负载需求的自适应调度切换方法，包括以下步骤：

(1)根据下行链路的带宽值得到在单个传输时间间隔内可调用的物理资源块数量m，并获得待传输的用户业务数量N、以及在下行链路上待传输的每个用户业务的特征；

(2)根据步骤(1)中得到的待传输的用户业务数量N、以及在下行链路上待传输的每个用户业务的特征获取系统整体特征值；

(3)将步骤(2)得到的系统整体特征值输入到训练好的负载状况判断模型中，以得到负载判断值Flag，并判断该负载判断值是0还是1，如果是0，则进入步骤(4)，如果是1，则进入步骤(5)；

(4)使用PF算法得到各个用户业务的调度指标值，然后进入步骤(6)；

(5)使用RSA-DTQ得到各个用户业务的调度指标值，然后进入步骤(6)；

(6)根据得到的调度指标值将可调用的m个物理资源块依次分配给具有最大调度指标值的用户业务。

优选地，待传输的用户业务的特征用[HoL_i；dq_i；Sinr_i；Maxdelay_i]来表示，其中HoL_i表示所有N个用户业务中第i个用户业务的排头阻塞延时，且有i∈(1，N)，dq_i表示第i个用户业务的待传输数据量，Sinr_i表示第i个用户业务在第一个待分配资源块上的信道质量，Maxdelay_i表示第i个用户业务的数据包所能接受的最大延时值。

优选地，步骤(2)包括以下子步骤：

(2-1)根据所有用户业务在第一个待分配资源块上的信道质量获得所有用户的平均信道质量Sinr_avg，具体计算公式如下：

(2-2)根据各个用户业务的排头阻塞延时和各个用户业务数据包所能接受的最大延时值来获得所有用户业务的最大剩余传输时间T_max和最小剩余传输时间T_min，具体计算公式如下：

(2-3)根据各个用户业务的排头阻塞延时和各个用户业务数据包所能接受的最大延时值获得所有用户业务的数据包平均传输时间T_avg，具体计算公式如下：

(2-4)根据待传输的用户业务数量N、以及各个用户业务的待传输数据量获得所有用户业务的待传数据总量Dq_total，具体计算公式如下：

(2-5)根据所有用户业务的数据包平均传输时间T_avg、以及所有用户的平均信道质量Sinr_avg、以及可调用的物理资源块数量m获得所有用户业务的数据占比Data_per，具体计算公式如下：

其中

其中effvalue表示平均信道质量条件下所有物理资源块的综合有效信号与干扰噪声的比值，GetBits()表示传输数据量获取函数。

优选地，如果Flag值等于1，则表示下行链路处于重负载状况，如果Flag值等于0，则表示下行链路处于轻负载状况。

优选地，训练好的负载状况判断模型是通过以下过程生成的：

首先，获取系统整体特征值，并定义Flag的计算方式如下：

其中t为当前时刻，

然后，每次利用负载状况判断模型对单个数据集进行训练，并不断重复本过程，直到训练次数到达20000次，从而得到训练好的负载状况判断模型，其中每个数据集包括系统整体特征值及其对应的标签值。

优选地，负载状况判断模型主要包括一个输入层，一个隐藏层和一个损失函数层，第一层是输入层，输入多维度的特征矩阵，其中维度的大小等于系统整体特征值的个数，第二层是隐藏层，其接受来自输入层的数据，该层的神经元个数为15个，且激活函数为ReLu函数，输出的维度为15，第三层为损失函数层，其接收来自隐藏层的数据，该层使用的损失函数Loss表示为：

Loss＝|y'-y_pred|

其中y’表示系统整体特征值对应的标签值，y_pred表示负载状况判断模型的预测值。

优选地，步骤(4)中使用PF算法得到调度指标值是按照如下公式计算：

其中metric_i表示第i个用户业务的具体调度指标值，r_i(t)表示第i个用户业务在第n个物理资源块上的瞬时吞吐量，且n∈(1，m)，r_i ^M表示第i个用户在当前传输时间间隔之前的平均吞吐量。

优选地，步骤(5)中使用RSA-DTQ算法得到调度指标值是按照如下公式计算：

metric_i＝dc_i,n·C_i

其中C_i表示第i个用户的公平性因子，dc_i,n表示在第n个物理资源块分配给第i个用户后将产生的实际数据变化量，且有

dc_i,n＝GetBits(effvalue(n),n)-GetBits(effvalue(n-1),(n-1))

其中A_i表示截止当前用户业务实际获得的传输数据量，A_min表示截止当前所有用户业务中所获得的最小传输数据量，A_max表示截止当前所有用户业务中所获得的最大传输数据量，参数β是一个大于1的常量。

按照本发明的另一方面，提供了一种基于负载需求的自适应调度切换系统，包括：

第一模块，用于根据下行链路的带宽值得到在单个传输时间间隔内可调用的物理资源块数量m，并获得待传输的用户业务数量N、以及在下行链路上待传输的每个用户业务的特征；

第二模块，用于根据第一模块中得到的待传输的用户业务数量N、以及在下行链路上待传输的每个用户业务的特征获取系统整体特征值；

第三模块，用于将第二模块得到的系统整体特征值输入到训练好的负载状况判断模型中，以得到负载判断值Flag，并判断该负载判断值是0还是1，如果是0，则进入第四模块，如果是1，则进入第五模块；

第四模块，用于使用PF算法得到各个用户业务的调度指标值，然后进入第六模块；

第五模块，用于使用RSA-DTQ得到各个用户业务的调度指标值；

第六模块，用于根据得到的调度指标值将可调用的m个物理资源块依次分配给具有最大调度指标值的用户业务。

总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果：

(1)由于本发明采用了步骤(3)的负载状况判断模型获得了负载判断值，从而能够对于下行链路的负载状况进行有效的判断，并根据判断的结果分别选择步骤(4)和步骤(5)的算法进行物理资源块的调度，从而能够解决现有LTE下行链路调度算法由于没有深入考虑系统负载变化状况，而导致调度性能和开销不平衡的技术问题。

(2)本发明能够基于步骤(3)得到的负载判断值进行合理和高效的物理资源块调度，实现下行链路低负载状况下通过使用低复杂度的调度算法在满足系统业务需求的情况下降低开销；在重负载状况下通过使用相对较高复杂度的调度算法来提高系统性能，尽可能满足业务需求。

附图说明

图1是本发明基于负载需求的自适应调度切换方法的流程图。

图2是本发明中使用的负载状况判断模型的结构示意图。

图3示出本发明的神经网络模型随着训练次数增加的损失变化。

图4示出本发明与现有两种调度方法在前30s系统带宽利用率方面的仿真结果比较。

图5示出本发明与现有两种调度算法在40s之后系统带宽利用率方面的仿真结果比较。

图6示出本发明与现有两种调度算法在30～60s之间系统带宽利用率方面的仿真结果比较。

图7示出本发明与现有两种调度算法在系统丢包率方面的仿真结果比较。

图8示出本发明与现有两种调度算法在复杂度方面的仿真结果比较。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。

如图1所示，本发明基于负载需求的自适应调度切换方法包括以下步骤：

(1)根据下行链路的带宽值得到在单个传输时间间隔(1毫秒)内可调用的物理资源块数量m，并获得待传输的用户业务数量N(其取值等于下行链路的用户数量与下行链路中每个用户待传输的用户业务数量的乘积)、以及在下行链路上待传输的每个用户业务的特征；

具体而言，对于下行链路的带宽值分别为1.4、3、5、10、15、20MHz而言，其对应的物理资源块数量是6、15、25、50、75、100个。

在本步骤中，用户业务可以是例如视频业务(Video)、VoIP业务等。

具体而言，待传输的用户业务的特征用[HoL_i；dq_i；Sinr_i；Maxdelay_i]来表示，其中HoL_i表示所有N个用户业务中第i个用户业务的排头阻塞延时(Head-of-line blocking，简称HOL)，且有i∈(1，N)，dq_i表示第i个用户业务的待传输数据量，Sinr_i表示第i个用户业务在第一个待分配资源块上的信道质量(即有效信号与干扰噪声的比值)，Maxdelay_i则表示第i个用户业务的数据包所能接受的最大延时值。

(2)根据步骤(1)中得到的待传输的用户业务数量N、以及在下行链路上待传输的每个用户业务的特征获取系统整体特征值；

本步骤包括以下子步骤(其中以下5个步骤中每个步骤所得到的结果，共5个系统整体特征值，是用于后续的负载状况判断模型使用)：

(2-1)根据所有用户业务在第一个待分配资源块上的信道质量获得所有用户的平均信道质量Sinr_avg，具体计算公式如下：

(2-2)根据各个用户业务的排头阻塞延时和各个用户业务数据包所能接受的最大延时值来获得所有用户业务的最大剩余传输时间(即所有用户业务中距离丢包情况出现时的最长时间)T_max和最小剩余传输时间T_min(即所有用户业务中距离丢包情况出现时的最短时间)，具体计算公式如下：

(2-3)根据各个用户业务的排头阻塞延时和各个用户业务数据包所能接受的最大延时值获得所有用户业务的数据包平均传输时间T_avg，具体计算公式如下：

(2-4)根据待传输的用户业务数量N、以及各个用户业务的待传输数据量获得所有用户业务的待传数据总量Dq_total，具体计算公式如下：

(2-5)根据所有用户业务的数据包平均传输时间T_avg、以及所有用户的平均信道质量Sinr_avg、以及可调用的物理资源块数量m获得所有用户业务的数据占比Data_per，具体计算公式如下：

其中

其中effvalue表示平均信道质量条件下所有物理资源块的综合有效信号与干扰噪声的比值，GetBits()是传输数据量获取函数，其可以在3GPP协议标准中通过输入effvalue和m值的方式获得。

(3)将步骤(2)得到的系统整体特征值(包括所有用户的平均信道质量Sinr_avg、所有用户业务的最大剩余传输时间T_max和最小剩余传输时间T_min、所有用户业务的数据包平均传输时间T_avg、所有用户业务的待传数据总量Dq_total、以及所有用户业务的数据占比Data_per)输入到训练好的负载状况判断模型中，以得到负载判断值Flag，并判断该负载判断值是0还是1，如果是0，则进入步骤(4)，如果是1，则进入步骤(5)；

具体而言，如果Flag值等于1，则表示下行链路处于重负载状况，如果Flag值等于0，则表示下行链路处于轻负载状况。

本发明中训练好的负载状况判断模型是通过以下过程生成的：首先基于上述同样的方法获取系统整体特征值，并定义Flag的计算方式如下(其中t为当前时刻)：

然后每次利用负载状况判断模型对单个数据集(每个数据集包括系统整体特征值及其对应的标签值)进行训练，并不断重复本过程，直到训练次数到达20000次，从而得到训练好的负载状况判断模型。

本发明的负载状况判断模型主要包括一个输入层，一个隐藏层和一个损失函数层。

第一层是输入层，输入多维度的特征矩阵(其中维度的大小等于系统整体特征值的个数)。

第二层是隐藏层，其接受来自输入层的数据，该层的神经元个数为15个，且激活函数为ReLu函数，输出的维度为15。

第三层为损失函数层，其接收来自隐藏层的数据，该层使用的损失函数Loss表示为：

Loss＝|y'-y_pred|

其中y’表示系统整体特征值对应的标签值，y_pred表示负载状况判断模型的预测值。

(4)使用比例公平(Proportional fair，简称PF)算法得到各个用户业务的调度指标值，然后进入步骤(6)；

具体而言，本步骤中PF算法的具体调度指标值如下：

其中metric_i表示第i个用户业务的具体调度指标值，r_i(t)表示第i个用户业务在第n个物理资源块上的瞬时吞吐量，且n∈(1，m)，r_i ^M表示第i个用户在当前传输时间间隔之前的平均吞吐量。

(5)使用基于资源块传输数据变化量与公平性因子的资源调度算法(ResourceScheduling Algorithm Based on Data Transfer Quantity and Fairness，简称RSA-DTQ)得到各个用户业务的调度指标值，然后进入步骤(6)；

具体而言，本步骤中RSA-DTQ算法的具体调度指标值如下：

metric_i＝dc_i,n·C_i

其中C_i表示第i个用户的公平性因子，dc_i,n表示在第n个物理资源块分配给第i个用户后将产生的实际数据变化量。

实际数据变化量dc_i,n的具体计算公式如下：

dc_i,n＝GetBits(effvalue(n),n)-GetBits(effvalue(n-1),(n-1))

第i个用户的公平性因子公平性因子C_i的计算方式如下：

A_i表示截止当前用户业务实际获得的传输数据量，A_min表示截止当前所有用户业务中所获得的最小传输数据量，A_max表示截止当前所有用户业务中所获得的最大传输数据量，参数β是一个大于1的常量，β值越大，各用户业务的C_i值的相对差距则越小，该公平性因子对于下行链路公平性的影响则越小，反之则各用户业务的C_i值的相对差距则越大，该公平性因子对于下行链路公平性的影响则越大。

(6)根据得到的调度指标值将可调用的m个物理资源块依次分配给具有最大调度指标值的用户业务。

仿真结果

以下对本发明的方法进行实验仿真分析，实验基于开源网络仿真框架LTE-Sim，网络拓扑结构是采用单小区结构，即区域内只含有一个基站，用户在给定的小区范围内做随机移动。实验环境的具体配置如下表1所示。

表1

仿真实验的具体参数如下表2所示：

表2

考虑到Voip型业务是一种传输数据量偏低的实时性业务，因此本节考虑用Voip业务来模拟低负载状况；考虑到视频业务是一种传输数据量偏大的实时性业务，因此考虑使用视频业务来模拟重负载状况。

为评价方法的优劣，使用多个下行链路资源调度方法进行对比，如下表3所示，其中ASHA-LD(Adaptive Scheduling Handoff Algorithm Based on Load Demand)是本发明基于负载需求的自适应调度切换方法，PF(Proportional Fair)是现有的比例公平算法，RSA-DTQ(Resource Scheduling Algorithm Based on Data Transfer Quantity andFairness)是现有的基于资源块传输数据变化量与公平性因子的资源调度算法。

表3

1、模型损失与准确度

在本部分中，主要验证了神经网络分类器模型的损失值曲线和在训练集以及测试集上的准确率。为保证神经网络分类器模型具有通用性，共使用了6个随机测试的数据集进行实验，其中一个数据集用于训练模型，另外5个作为测试集进行模型的检验。图3显示了神经网络模型随着训练次数增加的损失变化。

从损失值图像上可以看出，随着训练次数的增加，神经网络分类器模型的损失值不断减小。虽然神经网络分类器模型很早便已经收敛，但为了将样本集数据充分使用，最终训练次数设定至20000次。由于数据集较多，所以每次都是取一定批次的数据进行训练，所以当神经网络分类器模型收敛到一定程度之后，其反馈的损失值会有一定程度的起伏，但是仍保持在0.05以下，证明神经网络分类器模型确实已经收敛。

下表4示出了本发明的神经网络分类器模型在训练集与测试集上的测试准确度与总体的损失值，从表格中记录的数值可以看出，神经网络分类器模型在训练集上的整体损失值只有0.01，符合图3上的整体描述，而且模型的准确率高达99％。同样为验证神经网络分类器模型是否具有通用性及是否存在过拟合现象，使用了额外的5个随机环境的数据集作为测试样本，数据表明，本发明的神经网络分类器模型在所有的测试集上都获得了超过95％的准确率，其平均损失值为0.03，平均准确率为97％，因此可以证明神经网络分类器模型不存在过拟合现象，完全可以用于实际检测。

表4

2、带宽利用率

带宽利用率反映了调度算法在进行资源分配过程种性能的发挥情况，带宽利用率越高，表明系统的吞吐量越高，传输的数据量也就越大，因此是调度算法中的一项重要检测指标。

不同用户数量下，各算法的带宽利用率仿真对比效果如下多图所示，由于仿真实验中对流量设置了分时间段的产生，所以下文中同样将采用分时段的数据对比来展示。

由仿真设定可得，系统在前30s内设定为只产生了Voip流量，因此实际可认定为低负载状况。从图4中的图像可以看出，NEW算法虽然稍稍领先，但是差距并没有太大。同样，如图5所示，系统在后40s内同样只产生了Voip流量，实验图像表明三者的带宽利用率基本上没有差别，因此两者的实验可以表明，在低负载环境下不同的调度算法实际产生的效果基本一致。

图6示出了本发明与现有两种算法在30～60s之间系统的带宽利用率方面的比较。系统在该时间段内，模拟了视频业务的流量。从实验结果可以看出，随着用户数量的增加，RAS-DTQ算法和ASHA-LD算法所获得的带块利用率逐渐提高，并且超过了PF算法较多的数值，这是因为设定在重负载的情况下，前两种算法采用了新的调度指标从而提高了效率，而PF算法由于自身的局限性无法获得更大的突破。

3、系统丢包率

对于实时性业务而言，丢包率是用户服务质量中的一项重要度量指标。系统丢包率的实验仿真对比结果如下图7所示。

从图7中可以看出，RSA-DTQ算法相对于PF算法而言，可以实现更高的吞吐量和更低的丢包情况。还可以看出，随着用户数量的增加，三种算法的丢包率整体都呈上升趋势。相较于其他两种算法，PF的丢包率相对要高很多。ASHA-LD算法与RSA-DTQ算法相比，丢包率的数值基本在伯仲之间，表明ASHA-LD算法与RSA-DTQ算法的性能将近，取得了近似的效果。

4、复杂度

RSA-DTQ算法的复杂度相比PF而言要高，假定RSA-DTQ算法的复杂度为1，PF算法的复杂度为0，图8示出的是本发明的方法和两种现有算法在算法复杂度方面的结果对比。

如图8所示，相比起RSA-DTQ算法和PF算法一成不变的复杂度而言，本发明的方法随着用户数量的增加，算法的复杂度虽然略有增加，但是仍是远低于RSA-DTQ算法的复杂度；同时可以从图8中看出，本发明的方法在较低复杂度的基础上实现了接近RSA-DTQ算法的性能。

本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种基于负载需求的自适应调度切换方法，其特征在于，包括以下步骤：

(1)根据下行链路的带宽值得到在单个传输时间间隔内可调用的物理资源块数量m，并获得待传输的用户业务数量N、以及在下行链路上待传输的每个用户业务的特征；

(2)根据步骤(1)中得到的待传输的用户业务数量N、以及在下行链路上待传输的每个用户业务的特征获取系统整体特征值；

(3)将步骤(2)得到的系统整体特征值输入到训练好的负载状况判断模型中，以得到负载判断值Flag，并判断该负载判断值是0还是1，如果是0，则进入步骤(4)，如果是1，则进入步骤(5)；

(4)使用PF算法得到各个用户业务的调度指标值，然后进入步骤(6)；

(5)使用RSA-DTQ得到各个用户业务的调度指标值，然后进入步骤(6)；

(6)根据得到的调度指标值将可调用的m个物理资源块依次分配给具有最大调度指标值的用户业务。

2.根据权利要求1所述的自适应调度切换方法，其特征在于，待传输的用户业务的特征用[HoL_i；dq_i；Sinr_i；Maxdelay_i]来表示，其中HoL_i表示所有N个用户业务中第i个用户业务的排头阻塞延时，且有i∈(1，N)，dq_i表示第i个用户业务的待传输数据量，Sinr_i表示第i个用户业务在第一个待分配资源块上的信道质量，Maxdelay_i表示第i个用户业务的数据包所能接受的最大延时值。

3.根据权利要求2所述的自适应调度切换方法，其特征在于，步骤(2)包括以下子步骤：

(2-1)根据所有用户业务在第一个待分配资源块上的信道质量获得所有用户的平均信道质量Sinr_avg，具体计算公式如下：

(2-2)根据各个用户业务的排头阻塞延时和各个用户业务数据包所能接受的最大延时值来获得所有用户业务的最大剩余传输时间T_max和最小剩余传输时间T_min，具体计算公式如下：

(2-3)根据各个用户业务的排头阻塞延时和各个用户业务数据包所能接受的最大延时值获得所有用户业务的数据包平均传输时间T_avg，具体计算公式如下：

(2-4)根据待传输的用户业务数量N、以及各个用户业务的待传输数据量获得所有用户业务的待传数据总量Dq_total，具体计算公式如下：

(2-5)根据所有用户业务的数据包平均传输时间T_avg、以及所有用户的平均信道质量Sinr_avg、以及可调用的物理资源块数量m获得所有用户业务的数据占比Data_per，具体计算公式如下：

其中

其中effvalue表示平均信道质量条件下所有物理资源块的综合有效信号与干扰噪声的比值，GetBits()表示传输数据量获取函数。

4.根据权利要求3所述的自适应调度切换方法，其特征在于，如果Flag值等于1，则表示下行链路处于重负载状况，如果Flag值等于0，则表示下行链路处于轻负载状况。

5.根据权利要求4所述的自适应调度切换方法，其特征在于，训练好的负载状况判断模型是通过以下过程生成的：

首先，获取系统整体特征值，并定义Flag的计算方式如下：

其中t为当前时刻，

然后，每次利用负载状况判断模型对单个数据集进行训练，并不断重复本过程，直到训练次数到达20000次，从而得到训练好的负载状况判断模型，其中每个数据集包括系统整体特征值及其对应的标签值。

6.根据权利要求5所述的自适应调度切换方法，其特征在于，

负载状况判断模型主要包括一个输入层，一个隐藏层和一个损失函数层。

第一层是输入层，输入多维度的特征矩阵，其中维度的大小等于系统整体特征值的个数；

第二层是隐藏层，其接受来自输入层的数据，该层的神经元个数为15个，且激活函数为ReLu函数，输出的维度为15；

第三层为损失函数层，其接收来自隐藏层的数据，该层使用的损失函数Loss表示为：

Loss＝|y'-y_pred|

其中y’表示系统整体特征值对应的标签值，y_pred表示负载状况判断模型的预测值。

7.根据权利要求6所述的自适应调度切换方法，其特征在于，步骤(4)中使用PF算法得到调度指标值是按照如下公式计算：

其中metric_i表示第i个用户业务的具体调度指标值，r_i(t)表示第i个用户业务在第n个物理资源块上的瞬时吞吐量，且n∈(1，m)，r_i ^M表示第i个用户在当前传输时间间隔之前的平均吞吐量。

8.根据权利要求6所述的自适应调度切换方法，其特征在于，步骤(5)中使用RSA-DTQ算法得到调度指标值是按照如下公式计算：

metric_i＝dc_i,n·C_i

其中C_i表示第i个用户的公平性因子，dc_i,n表示在第n个物理资源块分配给第i个用户后将产生的实际数据变化量，且有

dc_i,n＝GetBits(effvalue(n),n)-GetBits(effvalue(n-1),(n-1))

其中A_i表示截止当前用户业务实际获得的传输数据量，A_min表示截止当前所有用户业务中所获得的最小传输数据量，A_max表示截止当前所有用户业务中所获得的最大传输数据量，参数β是一个大于1的常量。

9.一种基于负载需求的自适应调度切换系统，其特征在于，包括：

第一模块，用于根据下行链路的带宽值得到在单个传输时间间隔内可调用的物理资源块数量m，并获得待传输的用户业务数量N、以及在下行链路上待传输的每个用户业务的特征；

第二模块，用于根据第一模块中得到的待传输的用户业务数量N、以及在下行链路上待传输的每个用户业务的特征获取系统整体特征值；

第三模块，用于将第二模块得到的系统整体特征值输入到训练好的负载状况判断模型中，以得到负载判断值Flag，并判断该负载判断值是0还是1，如果是0，则进入第四模块，如果是1，则进入第五模块；

第四模块，用于使用PF算法得到各个用户业务的调度指标值，然后进入第六模块；

第五模块，用于使用RSA-DTQ得到各个用户业务的调度指标值，然后进入第六模块；

第六模块，用于根据得到的调度指标值将可调用的m个物理资源块依次分配给具有最大调度指标值的用户业务。