CN106162699A - 一种基站工作模式管理方法及网络设备 - Google Patents

Abstract

本发明公开了一种基站工作模式管理方法及网络设备，其中，所述方法包括：获取到基站发来的第一负载信息；其中，所述第一负载信息为所述基站根据预设的状态预测窗口周期性发送的参数；获取到所述基站对应的第二负载信息、以及历史负载统计信息；基于所述第一负载信息、第二负载信息以及所述历史负载统计信息，确定所述基站的业务变化相关参数；根据所述基站的业务变化相关参数，获取到针对基站的调整参数；将针对基站的调整参数发送至所述基站，以使得所述基站根据所述调整参数进行调整所述状态预测窗口的周期，并使得所述基站根据所述状态预测窗口提供的周期调整工作模式。

Description

一种基站工作模式管理方法及网络设备

技术领域

本发明涉及通信领域的网络管理技术，尤其涉及一种基站工作模式管理方法及网络设备。

背景技术

随着移动通信技术的高速发展，逐渐开始提高基站的部署密度以满足移动网络中的覆盖，提供高业务的接入。由于业务在时间和空间上的分布具有动态特性，部分基站将处于低负载或空负载状态，该现象会导致网络资源利用率的急剧下降，若能够有选择性使部分基站休眠，则能够有效地降低网络能耗。现有的技术中主要根据小区中的当前业务接入量使基站进入休眠状态或激活状态。但是，现有技术中基于小区业务量变化的基站休眠状态/激活状态的控制方案，无法避免滞后的问题或者频繁进行工作模式切换的情况。

发明内容

有鉴于此，本发明的目的在于提供一种基站工作模式管理方法及网络设备，能至少解决现有技术中存在的上述问题。

为达到上述目的，本发明的技术方案是这样实现的：

本发明实施例提供了一种基站工作模式管理方法，所述方法包括：

获取到基站发来的第一负载信息；其中，所述第一负载信息为所述基站根据预设的状态预测窗口周期性发送的参数；

获取到所述基站对应的第二负载信息、以及历史负载统计信息；

基于所述第一负载信息、第二负载信息以及所述历史负载统计信息，确定所述基站的业务变化相关参数；

根据所述基站的业务变化相关参数，获取到针对基站的调整参数；

将针对基站的调整参数发送至所述基站，以使得所述基站根据所述调整参数进行调整所述状态预测窗口的周期，并使得所述基站根据所述状态预测窗口提供的周期调整工作模式。

上述方案中，所述第一负载信息包括：第一业务量信息以及用户状态信息；其中，所述用户状态信息包括有移动性信息以及业务信息。

上述方案中，所述获取到所述基站对应的第二负载信息，包括：

利用所述第一负载信息预测得到所述基站对应的第二负载信息；

或者，

获取到所述基站发来的第二负载信息。

上述方案中，所述根据所述基站的业务变化相关参数，确定所述基站的调整参数，包括：

若所述基站的业务变化相关参数满足第一预设条件，则确定状态预测窗口的长度增加预设步长得到调整后的状态预测窗口，将所述调整后的状态预测窗口作为调整参数；

若所述基站的业务变化相关参数满足第二预设条件，则确定状态预测窗口的减少预设步长得到调整后的状态预测窗口，将所述调整后的状态预测窗口作为调整参数；

若所述基站的业务变化相关参数满足第三预设条件，则确定状态预测窗口保持不变，将保持所述状态预测窗口作为调整参数。

上述方案中，所述方法还包括：

基于所述第一负载信息、第二负载信息以及所述历史负载统计信息，确定所述基站的工作模式切换指令；

向所述基站发送所述工作模式切换指令，以使得所述基站根据所述工作模式切换指令进行工作模式切换。

上述方案中，所述确定所述基站的工作模式切换指令，包括：

当业务变化相关参数低于第二门限值时，若所述基站处于激活状态，则确定所述基站从激活状态切换至休眠状态，将从激活状态切换至休眠状态作为工作模式切换指令；若所述基站处于休眠状态，则确定所述基站从休眠状态切换至激活状态，将从休眠状态切换至激活状态作为工作模式切换指令。

本发明实施例还提供了一种网络设备，所述网络设备包括：

接收单元，用于获取到基站发来的第一负载信息；其中，所述第一负载信息为所述基站根据预设的状态预测窗口周期性向所述网络管理设备发送的参数；

处理单元，用于获取到所述基站对应的第二负载信息、以及历史负载统计信息，基于所述第一负载信息、第二负载信息以及所述历史负载统计信息，确定所述基站的业务变化相关参数；根据所述基站的业务变化相关参数，获取到针对基站的调整参数；

发送单元，用于将针对基站的调整参数发送至所述基站，以使得所述基站根据所述调整参数进行调整所述状态预测窗口的周期，并使得所述基站根据所述状态预测窗口提供的周期调整工作模式。

上述方案中，所述第一负载信息包括：第一业务量信息以及用户状态信息；其中，所述用户状态信息包括有移动性信息以及业务信息。

上述方案中，所述处理单元，具体用于利用所述第一负载信息预测得到所述基站对应的第二负载信息；

或者，

获取到所述基站发来的第二负载信息。

上述方案中，所述处理单元，具体用于若所述基站的业务变化相关参数满足第一预设条件，则确定状态预测窗口的长度增加预设步长得到调整后的状态预测窗口，将所述调整后的状态预测窗口作为调整参数；若所述基站的业务变化相关参数满足第二预设条件，则确定状态预测窗口的减少预设步长得到调整后的状态预测窗口，将所述调整后的状态预测窗口作为调整参数；若所述基站的业务变化相关参数满足第三预设条件，则确定状态预测窗口保持不变，将保持所述状态预测窗口作为调整参数。

上述方案中，所述处理单元，还用于基于所述第一负载信息计算得到所述基站的第二负载信息，其中，所述第二负载信息为预测得到的所述基站在下一个所述状态预测窗口的负载信息；基于所述第一负载信息以及所述第二负载信息，确定所述基站的工作模式切换指令；

相应的，所述发送单元，具体用于向所述基站发送所述工作模式切换指令，以使得所述基站根据所述工作模式切换指令进行工作模式切换。

上述方案中，所述处理单元，具体用于当业务变化相关参数低于第二门限值时，若所述基站处于激活状态，则确定所述基站从激活状态切换至休眠状态，将从激活状态切换至休眠状态作为工作模式切换指令；若所述基站处于休眠状态，则确定所述基站从休眠状态切换至激活状态，将从休眠状态切换至激活状态作为工作模式切换指令。

本发明所提供的基站工作模式管理方法及网络设备，能够基于基站的负载信息确定基站的业务变化相关参数，进而根据业务变化相关参数确定针对于基站的状态预测窗口的调整参数。如此，就能够结合基站的具体情况调整状态预测窗口，进而通过调整状态预测窗口的周期，使得基站调整工作状态的频率能够更加合理。

附图说明

图1为本发明实施例基站工作模式管理方法流程示意图；

图2为本发明实施例基站工作模式管理方法实施示意图一；

图3为本发明实施例基站工作模式管理方法实施示意图二；

图4为本发明实施例生成工作模式切换指令的方法流程示意图；

图5为本发明实施例实施流程示意图一；

图6为本发明实施例实施流程示意图二；

图7为本发明实施例实施流程示意图三；

图8为本发明实施例网络设备组成结构示意图；

图9为本发明实施例效果分析图一；

图10为本发明实施例效果分析图二。

具体实施方式

下面结合附图及具体实施例对本发明再作进一步详细的说明。

实施例一、

本发明实施例提供了一种基站工作模式管理方法，如图1所示，所述方法包括：

步骤101：获取到基站发来的第一负载信息；其中，所述第一负载信息为所述基站根据预设的状态预测窗口周期性发送的参数；

步骤102：获取到所述基站对应的第二负载信息、以及历史负载统计信息；

步骤103：基于所述第一负载信息、第二负载信息以及所述历史负载统计信息，确定所述基站的业务变化相关参数；

步骤104：根据所述基站的业务变化相关参数，获取到针对基站的调整参数；

步骤105：将针对基站的调整参数发送至所述基站，以使得所述基站根据所述调整参数进行调整所述状态预测窗口的周期，并使得所述基站根据所述状态预测窗口提供的周期调整工作模式。

这里，本实施例的执行主体可以为自组织网络(SON)功能实体。

所述第一负载信息包括：第一业务量信息以及用户状态信息；其中，所述用户状态信息包括有移动性信息以及业务信息。其中，所述用户状态信息可以包括位置信息、移动性信息、业务信息。所述移动性信息可以为所述用户终端的移动方向。

利用所述用户终端信息计算得到在当前的状态预测窗口的第一业务量信息M表示该区域内的总基站数；

假设运营商根据以往的业务信息，获得了该区域内的不同基站所服务的范围、不同时刻分布信息，将该信息整合成为一个3维矩阵Γ∈R^M×S×D数据库形式；其中M表示该区域内的总基站数；S表示在24小时内的每个基站业务量的抽样样本数(等时间间隔处的统计值)；D表示存储该信息的天数(D足够大)；其中矩阵Γ中的元素l_j,s,d表示基站j在第d天中的第s时刻的业务统计量，比如，s可以为当前这个状态预测窗口对应的时刻。

获取到所述基站对应的第二负载信息，可以包括有以下两种方式：

方式一、利用所述第一负载信息预测得到所述基站对应的第二负载信息；

方式二、获取到所述基站发来的第二负载信息。

优选地，所述根据所述基站的业务变化相关参数，确定所述基站的调整参数，可以包括：

若所述基站的业务变化相关参数满足第一预设条件，则确定状态预测窗口的长度增加预设步长得到调整后的状态预测窗口，将所述调整后的状态预测窗口作为调整参数；其中，所述第一预设条件表征所述业务变化相关参数高于第一门限值且小于等于1；

若所述基站的业务变化相关参数满足第二预设条件，则确定状态预测窗口的减少预设步长得到调整后的状态预测窗口，将所述调整后的状态预测窗口作为调整参数；其中，所述第二预设条件表征所述业务变换相关参数小于第二门限值且大于等于-1；

若所述基站的业务变化相关参数满足第三预设条件，则确定状态预测窗口保持不变，将保持所述状态预测窗口作为调整参数；其中，所述第三预设条件表征所述业务变化相关参数大于等于第二门限值且小于等于第一门限值。

即，该区域内的基站将收集到的第一负载信息l_j,t反馈至网络中的SON功能实体，SON功能实体根据所获得的第一负载信息l_j,t预测每个小区内未来时刻的第二负载信息中的第二业务量l_j,(t+T)，并结合该信息与数据库中的历史负载统计信息计算当前时刻的业务变化相关参数ρ。所述预测得到第二预测信息的方法可以为现有技术。

业务变化相关参数ρ的定义：假设当前系统中的状态预测窗口长度为T，l_t和l_t+T分别表示两个时刻的业务量,同时在空间上进行抽样,即得到不同基站中的第一负载信息l_j,t和第二负载信息

为考察t和t+T时刻该网络中的业务变化相关参数，可以采用以下公式：

其中，-1≤ρ_(t,t-T)≤1，l_j,t与l_j,(t+T)分别表示基站j在t时刻和t+T时刻的负载量，其中l_j,(t+T)可以通过用户终端的移动性信息预测获得；为该区域的总基站集合。其中与分别表示基站j的业务量在t和t+T时刻的统计平均值，分别表示为 ${\stackrel{\‾}{\mathrm{\γ}}}_{j1}=1/D{\mathrm{\Σ}}_{d=1}^D{l}_{j,t,d},{\stackrel{\‾}{\mathrm{\γ}}}_{j2}=1/D{\mathrm{\Σ}}_{d=1}^D{l}_{j,(t+T),d},j=1,...,M,$ 以矩阵Γ中的第3维度进行统计平均，即将经验信息以天数为颗粒度在同一时刻进行平均。同时，系统根据数据库中的经验信息，生成两个阈值，分别为第一门限值ε_high和第二门限值ε_low，该阈值可以应用于后期的相关预测指数比较过程中。其中，业务变化相关参数越大说明两个负载信息越相近，反之就说明两个负载信息相差越大，那么就需要对状态预测窗口进行相应的调整。

比如，若ρ_(t,t+T)较大(ε_high≤ρ_(t,t+T)≤1)，说明t时刻网络的业务分布与预测时刻t+T之间的相关性较大(这两个时刻之间，网络中的业务分布变化趋势较小)，则可以将当前时刻网络中的基站工作状态(即，基站处于激活状态或休眠状态)应用于预测时刻t+T，同时延长下一次预测窗口长度T←T+ΔT(ΔT为系统预设的一个较小的时间长度)。SON功能实体将该信息广播至该区域内的基站，基站根据该指令更新预测窗口长度，同时保持基站当前的工作状态。

若ρ_(t,t+T)较小(-1≤ρ_(t,t+T)≤ε_low)，说明t时刻网络的业务分布与预测时刻t+T之间的相关性较小(这两个时刻之间，网络中的业务分布变化趋势较大)，说明当前网络中基站的工作状态不适应于未来时刻t+T，则需要更新该网络中所有基站的工作状态(使基站进行休眠/激活操作)，同时缩短下一次预测窗口长度T←T-ΔT。SON功能实体将该信息广播至该区域内的基站，基站根据该指令更新预测窗口长度，同时根据接收到的激活、休眠、保持指令使本小区内的基站进行相应的状态转移操作，同时将转换至休眠状态的小区中的用户终端切换至相邻最近的基站。

若ε_low≤ρ_(t,t+T)≤ε_high，说明当前时刻的业务分布于预测时刻t+T的业务分布具有一定的相关性，则说明，只要使部分基站的工作状态发生变化，即可适应t+T时刻的业务分布；该过程可以简化为，选择|l_j,t-l_j,(t+T)|值较大的基站进行状态转移，其他基站保持当前工作状态不变。同时保持下一次预测窗口长度T不变。SON功能实体将该信息广播至该区域内的基站，基站根据该指令保持预测窗口长度不变，同时根据接收到的激活、休眠、保持指令使本小区内的基站进行相应的状态转移操作，同时将转换至休眠状态的小区中的用户终端切换至相邻最近的基站。

下面分析状态预测窗口的周期长度T对于基站的工作状态切换的性能的影响：

在相隔很长一段时间T_long后执行基站休眠/激活策略；在T_long期间，由于用户终端具有移动性，若某激活状态小区中的关联用户终端早已离开该小区，该基站仍旧保持激活状态，将导致能量的浪费；若某休眠小区中有用户终端到达，因无法满足该时刻用户终端的业务请求，将导致阻塞率的提高，无法满足用户终端的无缝切换；

在相隔很短一段之间T_short后执行基站休眠/激活策略；虽然在T_short之后能够获得精确的用户终端信息(前后两个时刻相隔很短，用户终端移动性对业务分布的变化不大)，但需要网络对用户终端信息进行频繁的获取，导致系统开销急剧增加；同时若某小区中的用户终端频繁出入该小区，则会导致基站的频繁休眠/激活现象，引发ping-pang效应，需要消耗大量的状态转移能耗，对基站中设备的寿命也会带来较大的损害。

因此，必然存在某个折中时间T_tradeoff，其中T_short<T_tradeoff<T_long，在该时刻执行基站休眠/激活策略，能够在保证用户终端的QoS要求下降低系统能耗、减小系统开销同时避免基站状态的频繁转移。

可以理解的是，本实施例中步骤101-步骤104中未指出基站的数量，其数量可以是多个也可以是一个，针对一个基站的操作流程与针对多个基站中分别进行操作的流程相同。

下面给出本实施例的两种具体流程：

流程一、如图2所示，包括：

步骤201：获取到基站发来的第一信息，所述第一信息中包括有第一负载信息，其中，所述第一负载信息为所述基站根据预设的状态预测窗口周期性发送的参数；

步骤202：基于所述第一信息中的第一负载信息预测得到第二负载信息、并获取到所述基站的历史负载统计信息；

步骤203：基于所述第一负载信息、第二负载信息以及所述历史负载统计信息，确定所述基站的业务变化相关参数；

步骤204：根据所述基站的业务变化相关参数，获取到针对基站的调整参数；

步骤205：将针对基站的调整参数发送至所述基站，以使得所述基站根据所述调整参数进行调整所述状态预测窗口的周期，并使得所述基站根据所述状态预测窗口提供的周期调整工作模式。

流程二、如图3所示，包括：

步骤301：获取到基站发来的第一负载信息以及第二负载信息；

步骤302：根据所述第一负载信息以及所述第二负载信息，获取到所述基站的历史负载统计信息；

步骤303：基于所述第一负载信息、第二负载信息以及所述历史负载统计信息，确定所述基站的业务变化相关参数；

步骤304：根据所述基站的业务变化相关参数，获取到针对基站的调整参数；

步骤305：将针对基站的调整参数发送至所述基站，以使得所述基站根据所述调整参数进行调整所述状态预测窗口的周期，并使得所述基站根据所述状态预测窗口提供的周期调整工作模式。

本实施例中所述历史负载统计信息为与本次状态预测窗口相同时刻，但是为前指定日期的相同时刻获取到的第一信息中的负载信息；比如，可以为前一天的相同时刻对应的状态预测窗口中得到的第一信息中的第一负载信息。

可见，通过采用上述方案，能够基于基站的负载信息确定基站的业务变化相关参数，进而根据业务变化相关参数确定针对于基站的状态预测窗口的调整参数。如此，就能够结合基站的具体情况调整状态预测窗口，进而通过调整状态预测窗口的周期，使得基站调整工作状态的频率能够更加合理。

实施例二、

本发明实施例提供了一种基站工作模式管理方法，如图1所示，所述方法包括：

步骤101：获取到基站发来的第一负载信息；其中，所述第一负载信息为所述基站根据预设的状态预测窗口周期性发送的参数；

步骤102：获取到所述基站对应的第二负载信息、以及历史负载统计信息；

步骤103：基于所述第一负载信息、第二负载信息以及所述历史负载统计信息，确定所述基站的业务变化相关参数；

步骤104：根据所述基站的业务变化相关参数，获取到针对基站的调整参数；

步骤105：将针对基站的调整参数发送至所述基站，以使得所述基站根据所述调整参数进行调整所述状态预测窗口的周期，并使得所述基站根据所述状态预测窗口提供的周期调整工作模式。

这里，本实施例的执行主体可以为自组织网络(SON)功能实体。

所述第一负载信息包括：第一业务量信息以及用户状态信息；其中，所述用户状态信息包括有移动性信息以及业务信息。其中，所述用户状态信息可以包括位置信息、移动性信息、业务信息。所述移动性信息可以为所述用户终端的移动方向。

利用所述用户终端信息计算得到在当前的状态预测窗口的第一业务量信息M表示该区域内的总基站数；其中，所述用户状态信息可以包括位置信息、移动性信息、业务信息；

假设运营商根据以往的业务信息，获得了该区域内的不同基站所服务的范围、不同时刻分布信息，将该信息整合成为一个3维矩阵Γ∈R^M×S×D数据库形式；其中M表示该区域内的总基站数；S表示在24小时内的每个基站业务量的抽样样本数(等时间间隔处的统计值)；D表示存储该信息的天数(D足够大)；其中矩阵Γ中的元素l_j,s,d表示基站j在第d天中的第s时刻的业务统计量，比如，s可以为当前这个状态预测窗口对应的时刻。

获取到所述基站对应的第二负载信息，可以包括有以下两种方式：

方式一、利用所述第一负载信息预测得到所述基站对应的第二负载信息；

方式二、获取到所述基站发来的第二负载信息。

优选地，所述根据所述基站的业务变化相关参数，确定所述基站的调整参数，可以包括：

若所述基站的业务变化相关参数满足第一预设条件，则确定状态预测窗口的长度增加预设步长得到调整后的状态预测窗口，将所述调整后的状态预测窗口作为调整参数；其中，所述第一预设条件表征所述业务变化相关参数高于第一门限值且小于等于1；

若所述基站的业务变化相关参数满足第二预设条件，则确定状态预测窗口的减少预设步长得到调整后的状态预测窗口，将所述调整后的状态预测窗口作为调整参数；其中，所述第二预设条件表征所述业务变换相关参数小于第二门限值且大于等于-1；

若所述基站的业务变化相关参数满足第三预设条件，则确定状态预测窗口保持不变，将保持所述状态预测窗口作为调整参数；其中，所述第三预设条件表征所述业务变化相关参数大于等于第二门限值且小于等于第一门限值。

即，该区域内的基站将收集到的第一负载信息l_j,t反馈至网络中的SON功能实体，SON功能实体根据所获得的第一负载信息l_j,t预测每个小区内未来时刻的第二负载信息即预测得到未来时刻的第二业务量信息l_j,(t+T)，并结合该信息与数据库中的经验信息计算当前时刻的业务变化相关参数ρ。其中，所述第二负载信息中包括有第二业务量信息。所述预测得到第二预测信息的方法可以为现有技术。

业务变化相关参数ρ的定义：假设当前系统中的状态预测窗口长度为T，l_t和l_t+T分别表示两个时刻的业务量,同时在空间上进行抽样,即得到不同基站中的负载信息l_j,t和

为考察t和t+T时刻该网络中的业务变化相关参数，可以采用以下公式：

其中，-1≤ρ_(t,t-T)≤1，l_j,t与l_j,(t+T)分别表示基站j在t时刻和t+T时刻的负载量，其中l_j,(t+T)可以通过用户终端的移动性信息预测获得；为该区域的总基站集合。其中与分别表示基站j的业务量在t和t+T时刻的统计平均值，分别表示为 ${\stackrel{\&OverBar;}{\mathrm{\&gamma;}}}_{j1}=1/D{\mathrm{\&Sigma;}}_{d=1}^D{l}_{j,t,d},{\stackrel{\&OverBar;}{\mathrm{\&gamma;}}}_{j2}=1/D{\mathrm{\&Sigma;}}_{d=1}^D{l}_{j,(t+T),d},j=1,...,M,$ 以矩阵Γ中的第3维度进行统计平均，即将经验信息以天数为颗粒度在同一时刻进行平均。同时，系统根据数据库中的经验信息，生成两个阈值，分别为第一门限值ε_high和第二门限值ε_low，该阈值可以应用于后期的相关预测指数比较过程中。其中，业务变化相关参数越大说明两个负载信息越相近，反之就说明两个负载信息相差越大，那么就需要对状态预测窗口进行相应的调整。

比如，若ρ_(t,t+T)较大(ε_high≤ρ_(t,t+T)≤1)，说明t时刻网络的业务分布与预测时刻t+T之间的相关性较大(这两个时刻之间，网络中的业务分布变化趋势较小)，则可以将当前时刻网络中的基站工作状态(即，基站处于激活状态或休眠状态)应用于预测时刻t+T，同时延长下一次预测窗口长度T←T+ΔT(ΔT为系统预设的一个较小的时间长度)。SON功能实体将该信息广播至该区域内的基站，基站根据该指令更新预测窗口长度，同时保持基站当前的工作状态。

若ρ_(t,t+T)较小(-1≤ρ_(t,t+T)≤ε_low)，说明t时刻网络的业务分布与预测时刻t+T之间的相关性较小(这两个时刻之间，网络中的业务分布变化趋势较大)，说明当前网络中基站的工作状态不适应于未来时刻t+T，则需要更新该网络中所有基站的工作状态(使基站进行休眠/激活操作)，同时缩短下一次预测窗口长度T←T-ΔT。SON功能实体将该信息广播至该区域内的基站，基站根据该指令更新预测窗口长度，同时根据接收到的激活、休眠、保持指令使本小区内的基站进行相应的状态转移操作，同时将转换至休眠状态的小区中的用户终端切换至相邻最近的基站。

若ε_low≤ρ_(t,t+T)≤ε_high，说明当前时刻的业务分布于预测时刻t+T的业务分布具有一定的相关性，则说明，只要使部分基站的工作状态发生变化，即可适应t+T时刻的业务分布；该过程可以简化为，选择|l_j,t-l_j,(t+T)|值较大的基站进行状态转移，其他基站保持当前工作状态不变。同时保持下一次预测窗口长度T不变。SON功能实体将该信息广播至该区域内的基站，基站根据该指令保持预测窗口长度不变，同时根据接收到的激活、休眠、保持指令使本小区内的基站进行相应的状态转移操作，同时将转换至休眠状态的小区中的用户终端切换至相邻最近的基站。

优选地，所述方法还可以包括基于所述第一负载信息确定是否切换工作状态，如图4所示，具体包括：

步骤401：基于所述第一负载信息、第二负载信息以及所述历史负载统计信息，确定所述基站的工作模式切换指令；

步骤402：向所述基站发送所述工作模式切换指令，以使得所述基站根据所述工作模式切换指令进行工作模式切换。

所述确定所述基站的工作模式切换指令，包括：当业务变化相关参数低于第二门限值时，若所述基站处于激活状态，则确定所述基站从激活状态切换至休眠状态，将从激活状态切换至休眠状态作为工作模式切换指令；若所述基站处于休眠状态，则确定所述基站从休眠状态切换至激活状态，将从休眠状态切换至激活状态作为工作模式切换指令。

另外，如果业务变化相关指数高于第一门限值时，则确定基站保持当前工作状态，即可以设置保持工作状态作为工作模式切换指令发送给对应的基站；

如果业务变化相关指数不小于第二门限值且不高于第一门限值时，可以根据实际情况进行设置，比如，可以保持基站的工作状态不变。

比如，若ρ_(t,t+T)较大(ε_high≤ρ_(t,t+T)≤1)，说明t时刻网络的业务分布与预测时刻t+T之间的相关性较大(这两个时刻之间，网络中的业务分布变化趋势较小)，则可以将当前时刻网络中的基站工作状态(即，基站处于激活状态或休眠状态)应用于预测时刻t+T，同时延长下一次预测窗口长度T←T+ΔT(ΔT为系统预设的一个较小的时间长度)。SON功能实体将该信息广播至该区域内的基站，基站根据该指令更新预测窗口长度，同时保持基站当前的工作状态。

若ρ_(t,t+T)较小(-1≤ρ_(t,t+T)≤ε_low)，说明t时刻网络的业务分布与预测时刻t+T之间的相关性较小(这两个时刻之间，网络中的业务分布变化趋势较大)，说明当前网络中基站的工作状态不适应于未来时刻t+T，则需要更新该网络中所有基站的工作状态(使基站进行休眠/激活操作)，同时缩短下一次预测窗口长度T←T-ΔT。SON功能实体将该信息广播至该区域内的基站，基站根据该指令更新预测窗口长度，同时根据接收到的激活、休眠、保持指令使本小区内的基站进行相应的状态转移操作，同时将转换至休眠状态的小区中的用户终端切换至相邻最近的基站。

若ε_low≤ρ_(t,t+T)≤ε_high，说明当前时刻的业务分布于预测时刻t+T的业务分布具有一定的相关性，则说明，只要使部分基站的工作状态发生变化，即可适应t+T时刻的业务分布；该过程可以简化为，选择|l_j,t-l_j,(t+T)|值较大的基站进行状态转移，其他基站保持当前工作状态不变。同时保持下一次预测窗口长度T不变。SON功能实体将该信息广播至该区域内的基站，基站根据该指令保持预测窗口长度不变，同时根据接收到的激活、休眠、保持指令使本小区内的基站进行相应的状态转移操作，同时将转换至休眠状态的小区中的用户终端切换至相邻最近的基站。

下面分析状态预测窗口的周期长度T对于基站的工作状态切换的性能的影响：

在相隔很长一段时间T_long后执行基站休眠/激活策略；在T_long期间，由于用户终端具有移动性，若某激活状态小区中的关联用户终端早已离开该小区，该基站仍旧保持激活状态，将导致能量的浪费；若某休眠小区中有用户终端到达，因无法满足该时刻用户终端的业务请求，将导致阻塞率的提高，无法满足用户终端的无缝切换；

在相隔很短一段之间T_short后执行基站休眠/激活策略；虽然在T_short之后能够获得精确的用户终端信息(前后两个时刻相隔很短，用户终端移动性对业务分布的变化不大)，但需要网络对用户终端信息进行频繁的获取，导致系统开销急剧增加；同时若某小区中的用户终端频繁出入该小区，则会导致基站的频繁休眠/激活现象，引发ping-pang效应，需要消耗大量的状态转移能耗，对基站中设备的寿命也会带来较大的损害。

因此，必然存在某个折中时间T_tradeoff，其中T_short<T_tradeoff<T_long，在该时刻执行基站休眠/激活策略，能够在保证用户终端的QoS要求下降低系统能耗、减小系统开销同时避免基站状态的频繁转移。

可以理解的是，本实施例中步骤101-步骤104中未指出基站的数量，其数量可以是多个也可以是一个，针对一个基站的操作流程与针对多个基站中分别进行操作的流程相同。

本发明实施例提供了的一种实施流程可以如图5所示，包括：

步骤501：初始化状态预测窗口的长度T以及预设步长ΔT；

步骤502：基站收集小区内的用户终端信息，得到当前时刻基站侧的负载信息作为第一负载信息，上报所述第一负载信息至网络中的SON功能实体；

步骤503：SON功能实体根据得到的第一负载信息，预测每个小区中在未来时刻t+T的负载信息并根据数据库中的经验信息与得到当前时刻的业务变化相关参数ρ_(t,t+T)；

步骤504-步骤505：判断业务变化相关参数是否大于第一门限值且小于等于1，或者是否小于第二门限值且大于等于-1，当业务变化相关指数大于第一门限值且小于等于1时，执行步骤506；当业务变化相关指数小于等于第二门限值且大于等于-1时，执行步骤507；否则，执行步骤508；

步骤506：前后两个时刻的网络业务分布变化较小；从时刻t到时刻t+T，由于用户终端移动性所引起的业务空间分布变化小，即可以保持当前时刻的基站工作模式，同时增大下一次的预测窗口长度T←T+ΔT；

步骤507：前后两个时刻的网络业务分布变化较大；即从时刻t到时刻t+T，由于用户终端移动性(移动速度和方向)所引起的业务空间分布变化大，即需要更新当前时刻的基站工作模式，以适应业务的动态变化，同时减小下一次的预测窗口长度T←T-ΔT；

步骤508：前后两个时刻的网络业务分布变化适中；更新网络中部分基站的工作模式，即可适应网络的业务动态变化，选择|l_j,t-l_j,(t+T)|较大(前后两个时刻的业务量变化大)的基站进行状态转移，同时保持下一次的预测窗口长度T不变；

步骤509：SON功能实体将该信息广播至网络中的所有基站，同时基站根据接收到的信令做出相应的操作。

基站的激活状态与休眠状态的切换，可以如图6所示，包括：

步骤601：基站将收集到的用户终端移动性、当前业务量信息在不同基站之间交换，同时将该信息上报至SON功能实体；

步骤602：SON功能实体根据收集到的信息(每个小区中的业务量)决策基站的状态，将该决策信息(哪些小区可以容纳源小区的业务，源小区业务切换至哪个相邻小区最优)广播至当前基站集合；同时发送休眠信令至源基站；

步骤603：源基站根据接收到的信息，将最优切换基站标记为目标基站，并做好将用户终端切换至该目标基站的准备(相关资源释放等)；

步骤604：源基站执行休眠操作

基站切换至激活状态的方法，如图7所示，包括：

步骤701：基站集合将收集到的用户终端移动性、当前业务量信息作为第一负载信息上报至SON功能实体；

步骤702：SON功能实体根据收集到的信息(每个小区中的业务量)决策基站的状态；将该决策信息(哪些小区可切换业务至目标小区，且最优)广播至当前基站集合；同时发送激活信令至目标基站；

步骤703：目标基站执行激活操作；

步骤704：可切换业务基站根据接收到的信息，做好将用户终端切换至该目标基站的准备(相关资源释放等)。

可见，通过采用上述方案，能够基于基站的负载信息确定基站的业务变化相关参数，进而根据业务变化相关参数确定针对于基站的状态预测窗口的调整参数。如此，就能够结合基站的具体情况调整状态预测窗口，进而通过调整状态预测窗口的周期，使得基站调整工作状态的频率能够更加合理。

实施例三、

本发明实施例提供了一种网络设备，如图8所示，所述网络设备包括：

接收单元81，用于获取到基站发来的第一负载信息；其中，所述第一负载信息为所述基站根据预设的状态预测窗口周期性向所述网络管理设备发送的参数；

处理单元82，用于获取到所述基站对应的第二负载信息、以及历史负载统计信息，基于所述第一负载信息、第二负载信息以及所述历史负载统计信息，确定所述基站的业务变化相关参数；根据所述基站的业务变化相关参数，获取到针对基站的调整参数；

发送单元83，用于将针对基站的调整参数发送至所述基站，以使得所述基站根据所述调整参数进行调整所述状态预测窗口的周期，并使得所述基站根据所述状态预测窗口提供的周期调整工作模式。

这里，本实施例的网络设备可以为自组织网络(SON)功能实体。

所述第一负载信息包括：第一业务量信息以及用户状态信息；其中，所述用户状态信息包括有移动性信息以及业务信息。其中，所述用户状态信息可以包括位置信息、移动性信息、业务信息。所述移动性信息可以为所述用户终端的移动方向。

利用所述用户终端信息计算得到在当前的状态预测窗口的业务量信息l_j,t，M表示该区域内的总基站数；其中，所述用户终端信息可以包括位置信息、移动性信息、业务信息；

假设运营商根据以往的业务信息，获得了该区域内的不同基站所服务的范围、不同时刻分布信息，将该信息整合成为一个3维矩阵Γ∈R^M×S×D数据库形式；其中M表示该区域内的总基站数；S表示在24小时内的每个基站业务负载量的抽样样本数(等时间间隔处的统计值)；D表示存储该信息的天数(D足够大)；其中矩阵Γ中的元素l_j,s,d表示基站j在第d天中的第s时刻的业务统计量，比如，s可以为当前这个状态预测窗口对应的时刻。

所述处理单元，具体用于利用所述第一负载信息预测得到所述基站对应的第二负载信息；

或者，

获取到所述基站发来的第二负载信息.

本实施例中所述处理单元，具体用于基于所述第一负载信息计算得到所述基站的第二负载信息，其中，所述第二负载信息为预测得到的所述基站在下一个所述状态预测窗口的负载信息；基于所述第一负载信息以及所述第二负载信息，确定所述基站的业务变化相关参数。

所述处理单元，具体用于若所述基站的业务变化相关参数满足第一预设条件，则确定状态预测窗口的长度增加预设步长得到调整后的状态预测窗口，将所述调整后的状态预测窗口作为调整参数；若所述基站的业务变化相关参数满足第二预设条件，则确定状态预测窗口的减少预设步长得到调整后的状态预测窗口，将所述调整后的状态预测窗口作为调整参数；若所述基站的业务变化相关参数满足第三预设条件，则确定状态预测窗口保持不变，将保持所述状态预测窗口作为调整参数。

其中，所述第一预设条件表征所述业务变化相关参数高于第一门限值且小于等于1；所述第二预设条件表征所述业务变换相关参数小于第二门限值且大于等于-1；所述第三预设条件表征所述业务变化相关参数大于等于第二门限值且小于等于第一门限值。

即，该区域内的基站将收集到的第一负载信息l_j,t反馈至网络中的SON功能实体，SON功能实体根据所获得的第一负载信息l_j,t预测每个小区内未来时刻的业务量l_j,(t+T)，并结合该信息与数据库中的经验信息计算当前时刻的业务变化相关参数ρ。

业务变化相关参数ρ的定义：假设当前系统中的状态预测窗口长度为T，l_t和l_t+T分别表示两个时刻的业务量,同时在空间上进行抽样,即得到不同基站中的负载信息l_j,t和

为考察t和t-T时刻该网络中的业务变化相关参数，可以采用以下公式：

其中，-1≤ρ_(t,t+T)≤1，l_j,t与l_j,(t+T)分别表示基站j在t时刻和t-T时刻的负载量，其中l_j,(t-T)可以通过用户终端的移动性信息预测获得；为该区域的总基站集合。其中与分别表示基站j的业务量在t和t-T时刻的统计平均值，分别表示为 ${\stackrel{\&OverBar;}{\mathrm{\&gamma;}}}_{j1}=1/D{\mathrm{\&Sigma;}}_{d=1}^D{l}_{j,t,d},{\stackrel{\&OverBar;}{\mathrm{\&gamma;}}}_{j2}=1/D{\mathrm{\&Sigma;}}_{d=1}^D{l}_{j,(t+T),d},j=1,...,M,$ 以矩阵Γ中的第3维度进行统计平均，即将经验信息以天数为颗粒度在同一时刻进行平均。同时，系统根据数据库中的经验信息，生成两个阈值，分别为第一门限值ε_high和第二门限值ε_low，该阈值可以应用于后期的相关预测指数比较过程中。其中，业务变化相关参数越大说明两个负载信息越相近，反之就说明两个负载信息相差越大，那么就需要对状态预测窗口进行相应的调整。

比如，若ρ_(t,t+T)较大(ε_high≤ρ_(t,t+T)≤1)，说明t时刻网络的业务分布与预测时刻t-T之间的相关性较大(这两个时刻之间，网络中的业务分布变化趋势较小)，则可以将当前时刻网络中的基站工作状态(即，基站处于激活状态或休眠状态)应用于预测时刻t+T，同时延长下一次预测窗口长度T←T+ΔT(ΔT为系统预设的一个较小的时间长度)。SON功能实体将该信息广播至该区域内的基站，基站根据该指令更新预测窗口长度，同时保持基站当前的工作状态。

若ρ_(t,t-T)较小(-1≤ρ_(t,t+T)≤ε_low)，说明t时刻网络的业务分布与预测时刻t-T之间的相关性较小(这两个时刻之间，网络中的业务分布变化趋势较大)，说明当前网络中基站的工作状态不适应于未来时刻t-T，则需要更新该网络中所有基站的工作状态(使基站进行休眠/激活操作)，同时缩短下一次预测窗口长度T←T-ΔT。SON功能实体将该信息广播至该区域内的基站，基站根据该指令更新预测窗口长度，同时根据接收到的激活、休眠、保持指令使本小区内的基站进行相应的状态转移操作，同时将转换至休眠状态的小区中的用户终端切换至相邻最近的基站。

若ε_low≤ρ_(t,t+T)≤ε_high，说明当前时刻的业务分布于预测时刻t-T的业务分布具有一定的相关性，则说明，只要使部分基站的工作状态发生变化，即可适应t+T时刻的业务分布；该过程可以简化为，选择|l_j,t-l_j,(t+T)|值较大的基站进行状态转移，其他基站保持当前工作状态不变。同时保持下一次预测窗口长度T不变。SON功能实体将该信息广播至该区域内的基站，基站根据该指令保持预测窗口长度不变，同时根据接收到的激活、休眠、保持指令使本小区内的基站进行相应的状态转移操作，同时将转换至休眠状态的小区中的用户终端切换至相邻最近的基站。

下面分析状态预测窗口的周期长度T对于基站的工作状态切换的性能的影响：

在相隔很长一段时间T_long后执行基站休眠/激活策略；在T_long期间，由于用户终端具有移动性，若某激活状态小区中的关联用户终端早已离开该小区，该基站仍旧保持激活状态，将导致能量的浪费；若某休眠小区中有用户终端到达，因无法满足该时刻用户终端的业务请求，将导致阻塞率的提高，无法满足用户终端的无缝切换；

在相隔很短一段之间T_short后执行基站休眠/激活策略；虽然在T_short之后能够获得精确的用户终端信息(前后两个时刻相隔很短，用户终端移动性对业务分布的变化不大)，但需要网络对用户终端信息进行频繁的获取，导致系统开销急剧增加；同时若某小区中的用户终端频繁出入该小区，则会导致基站的频繁休眠/激活现象，引发ping-pang效应，需要消耗大量的状态转移能耗，对基站中设备的寿命也会带来较大的损害。

因此，必然存在某个折中时间T_tradeoff，其中T_short<T_tradeoff<T_long，在该时刻执行基站休眠/激活策略，能够在保证用户终端的QoS要求下降低系统能耗、减小系统开销同时避免基站状态的频繁转移。

可见，通过采用上述方案，能够基于基站的负载信息确定基站的业务变化相关参数，进而根据业务变化相关参数确定针对于基站的状态预测窗口的调整参数。如此，就能够结合基站的具体情况调整状态预测窗口，进而通过调整状态预测窗口的周期，使得基站调整工作状态的频率能够更加合理。

实施例四、

本发明实施例提供了一种网络设备，如图8所示，所述网络设备包括：

接收单元81，用于获取到基站发来的第一负载信息；其中，所述第一负载信息为所述基站根据预设的状态预测窗口周期性向所述网络管理设备发送的参数；

处理单元82，用于获取到所述基站对应的第二负载信息、以及历史负载统计信息，基于所述第一负载信息、第二负载信息以及所述历史负载统计信息，确定所述基站的业务变化相关参数；根据所述基站的业务变化相关参数，获取到针对基站的调整参数；

发送单元83，用于将针对基站的调整参数发送至所述基站，以使得所述基站根据所述调整参数进行调整所述状态预测窗口的周期，并使得所述基站根据所述状态预测窗口提供的周期调整工作模式。

这里，本实施例的网络设备可以为自组织网络(SON)功能实体。

所述第一负载信息包括：第一业务量信息以及用户状态信息；其中，所述用户状态信息包括有移动性信息以及业务信息。其中，所述用户状态信息可以包括位置信息、移动性信息、业务信息。所述移动性信息可以为所述用户终端的移动方向。

利用所述用户终端信息计算得到在当前的状态预测窗口的第一业务量信息M表示该区域内的总基站数；其中，所述用户终端信息可以包括位置信息、移动性信息、业务信息；

假设运营商根据以往的业务信息，获得了该区域内的不同基站所服务的范围、不同时刻分布信息，将该信息整合成为一个3维矩阵Γ∈R^M×S×D数据库形式；其中M表示该区域内的总基站数；S表示在24小时内的每个基站业务负载量的抽样样本数(等时间间隔处的统计值)；D表示存储该信息的天数(D足够大)；其中矩阵Γ中的元素l_j,s,d表示基站j在第d天中的第s时刻的业务统计量，比如，s可以为当前这个状态预测窗口对应的时刻。

本实施例中所述处理单元，具体用于基于所述第一负载信息计算得到所述基站的第二负载信息，其中，所述第二负载信息为预测得到的所述基站在下一个所述状态预测窗口的负载信息；基于所述第一负载信息以及所述第二负载信息，确定所述基站的业务变化相关参数。

所述处理单元，具体用于若所述基站的业务变化相关参数满足第一预设条件，则确定状态预测窗口的长度增加预设步长得到调整后的状态预测窗口，将所述调整后的状态预测窗口作为调整参数；若所述基站的业务变化相关参数满足第二预设条件，则确定状态预测窗口的减少预设步长得到调整后的状态预测窗口，将所述调整后的状态预测窗口作为调整参数；若所述基站的业务变化相关参数满足第三预设条件，则确定状态预测窗口保持不变，将保持所述状态预测窗口作为调整参数。

其中，所述第一预设条件表征所述业务变化相关参数高于第一门限值且小于等于1；所述第二预设条件表征所述业务变换相关参数小于第二门限值且大于等于-1；所述第三预设条件表征所述业务变化相关参数大于等于第二门限值且小于等于第一门限值。

即，该区域内的基站将收集到的第一负载信息l_j,t反馈至网络中的SON功能实体，SON功能实体根据所获得的第一负载信息l_j,t预测每个小区内未来时刻的业务量l_j,(t-T)，并结合该信息与数据库中的经验信息计算当前时刻的业务变化相关参数ρ。

业务变化相关参数ρ的定义：假设当前系统中的状态预测窗口长度为T，l_t和l_t+T分别表示两个时刻的业务量,同时在空间上进行抽样,即得到不同基站中的负载信息l_j,t和

为考察t和t-T时刻该网络中的业务变化相关参数，可以采用以下公式：

其中，-1≤ρ_(t,t+T)≤1，l_j,t与l_j,(t+T)分别表示基站j在t时刻和t+T时刻的负载量，其中l_j,(t+T)可以通过用户终端的移动性信息预测获得；为该区域的总基站集合。其中与分别表示基站j的业务量在t和t+T时刻的统计平均值，分别表示为 ${\stackrel{\&OverBar;}{\mathrm{\&gamma;}}}_{j1}=1/D{\mathrm{\&Sigma;}}_{d=1}^D{l}_{j,t,d},{\stackrel{\&OverBar;}{\mathrm{\&gamma;}}}_{j2}=1/D{\mathrm{\&Sigma;}}_{d=1}^D{l}_{j,(t+T),d},j=1,...,M,$ 以矩阵Γ中的第3维度进行统计平均，即将经验信息以天数为颗粒度在同一时刻进行平均。同时，系统根据数据库中的经验信息，生成两个阈值，分别为第一门限值ε_high和第二门限值ε_low，该阈值可以应用于后期的相关预测指数比较过程中。其中，业务变化相关参数越大说明两个负载信息越相近，反之就说明两个负载信息相差越大，那么就需要对状态预测窗口进行相应的调整。

比如，若ρ_(t,t+T)较大(ε_high≤ρ_(t,t+T)≤1)，说明t时刻网络的业务分布与预测时刻t+T之间的相关性较大(这两个时刻之间，网络中的业务分布变化趋势较小)，则可以将当前时刻网络中的基站工作状态(即，基站处于激活状态或休眠状态)应用于预测时刻t+T，同时延长下一次预测窗口长度T←T+ΔT(ΔT为系统预设的一个较小的时间长度)。SON功能实体将该信息广播至该区域内的基站，基站根据该指令更新预测窗口长度，同时保持基站当前的工作状态。

若ρ_(t,t+T)较小(-1≤ρ_(t,t+T)≤ε_low)，说明t时刻网络的业务分布与预测时刻t+T之间的相关性较小(这两个时刻之间，网络中的业务分布变化趋势较大)，说明当前网络中基站的工作状态不适应于未来时刻t+T，则需要更新该网络中所有基站的工作状态(使基站进行休眠/激活操作)，同时缩短下一次预测窗口长度T←T-ΔT。SON功能实体将该信息广播至该区域内的基站，基站根据该指令更新预测窗口长度，同时根据接收到的激活、休眠、保持指令使本小区内的基站进行相应的状态转移操作，同时将转换至休眠状态的小区中的用户终端切换至相邻最近的基站。

若ε_low≤ρ_(t,t+T)≤ε_high，说明当前时刻的业务分布于预测时刻t-T的业务分布具有一定的相关性，则说明，只要使部分基站的工作状态发生变化，即可适应t+T时刻的业务分布；该过程可以简化为，选择|l_j,t-l_j,(t+T)|值较大的基站进行状态转移，其他基站保持当前工作状态不变。同时保持下一次预测窗口长度T不变。SON功能实体将该信息广播至该区域内的基站，基站根据该指令保持预测窗口长度不变，同时根据接收到的激活、休眠、保持指令使本小区内的基站进行相应的状态转移操作，同时将转换至休眠状态的小区中的用户终端切换至相邻最近的基站。

下面分析状态预测窗口的周期长度T对于基站的工作状态切换的性能的影响：

在相隔很长一段时间T_long后执行基站休眠/激活策略；在T_long期间，由于用户终端具有移动性，若某激活状态小区中的关联用户终端早已离开该小区，该基站仍旧保持激活状态，将导致能量的浪费；若某休眠小区中有用户终端到达，因无法满足该时刻用户终端的业务请求，将导致阻塞率的提高，无法满足用户终端的无缝切换；

在相隔很短一段之间T_short后执行基站休眠/激活策略；虽然在T_short之后能够获得精确的用户终端信息(前后两个时刻相隔很短，用户终端移动性对业务分布的变化不大)，但需要网络对用户终端信息进行频繁的获取，导致系统开销急剧增加；同时若某小区中的用户终端频繁出入该小区，则会导致基站的频繁休眠/激活现象，引发ping-pang效应，需要消耗大量的状态转移能耗，对基站中设备的寿命也会带来较大的损害。

因此，必然存在某个折中时间T_tradeoff，其中T_short<T_tradeoff<T_long，在该时刻执行基站休眠/激活策略，能够在保证用户终端的QoS要求下降低系统能耗、减小系统开销同时避免基站状态的频繁转移。

所述处理单元，具体用于基于所述第一负载信息计算得到所述基站的第二负载信息，其中，所述第二负载信息为预测得到的所述基站在下一个所述状态预测窗口的负载信息；基于所述第一负载信息以及所述第二负载信息，确定所述基站的工作模式切换指令；

所述发送单元，具体用于向所述基站发送所述工作模式切换指令，以使得所述基站根据所述工作模式切换指令进行工作模式切换。

所述处理单元，具体用于当业务变化相关参数低于第二门限值时，若所述基站处于激活状态，则确定所述基站从激活状态切换至休眠状态，将从激活状态切换至休眠状态作为工作模式切换指令；若所述基站处于休眠状态，则确定所述基站从休眠状态切换至激活状态，将从休眠状态切换至激活状态作为工作模式切换指令。

另外，如果业务变化相关指数高于第一门限值时，则确定基站保持当前工作状态，即可以设置保持工作状态作为工作模式切换指令发送给对应的基站；

如果业务变化相关指数不小于第二门限值且不高于第一门限值时，可以根据实际情况进行设置，比如，可以保持基站的工作状态不变。

比如，若ρ_(t,t+T)较大(ε_high≤ρ_(t,t+T)≤1)，说明t时刻网络的业务分布与预测时刻t+T之间的相关性较大(这两个时刻之间，网络中的业务分布变化趋势较小)，则可以将当前时刻网络中的基站工作状态(即，基站处于激活状态或休眠状态)应用于预测时刻t+T，同时延长下一次预测窗口长度T←T+ΔT(ΔT为系统预设的一个较小的时间长度)。SON功能实体将该信息广播至该区域内的基站，基站根据该指令更新预测窗口长度，同时保持基站当前的工作状态。

若ρ_(t,t+T)较小(-1≤ρ_(t,t+T)≤ε_low)，说明t时刻网络的业务分布与预测时刻t+T之间的相关性较小(这两个时刻之间，网络中的业务分布变化趋势较大)，说明当前网络中基站的工作状态不适应于未来时刻t+T，则需要更新该网络中所有基站的工作状态(使基站进行休眠/激活操作)，同时缩短下一次预测窗口长度T←T-ΔT。SON功能实体将该信息广播至该区域内的基站，基站根据该指令更新预测窗口长度，同时根据接收到的激活、休眠、保持指令使本小区内的基站进行相应的状态转移操作，同时将转换至休眠状态的小区中的用户终端切换至相邻最近的基站。

若ε_low≤ρ_(t,t+T)≤ε_high，说明当前时刻的业务分布于预测时刻t+T的业务分布具有一定的相关性，则说明，只要使部分基站的工作状态发生变化，即可适应t+T时刻的业务分布；该过程可以简化为，选择|l_j,t-l_j,(t+T)|值较大的基站进行状态转移，其他基站保持当前工作状态不变。同时保持下一次预测窗口长度T不变。SON功能实体将该信息广播至该区域内的基站，基站根据该指令保持预测窗口长度不变，同时根据接收到的激活、休眠、保持指令使本小区内的基站进行相应的状态转移操作，同时将转换至休眠状态的小区中的用户终端切换至相邻最近的基站。

下面分析状态预测窗口的周期长度T对于基站的工作状态切换的性能的影响：

在相隔很长一段时间T_long后执行基站休眠/激活策略；在T_long期间，由于用户终端具有移动性，若某激活状态小区中的关联用户终端早已离开该小区，该基站仍旧保持激活状态，将导致能量的浪费；若某休眠小区中有用户终端到达，因无法满足该时刻用户终端的业务请求，将导致阻塞率的提高，无法满足用户终端的无缝切换；

在相隔很短一段之间T_short后执行基站休眠/激活策略；虽然在T_short之后能够获得精确的用户终端信息(前后两个时刻相隔很短，用户终端移动性对业务分布的变化不大)，但需要网络对用户终端信息进行频繁的获取，导致系统开销急剧增加；同时若某小区中的用户终端频繁出入该小区，则会导致基站的频繁休眠/激活现象，引发ping-pang效应，需要消耗大量的状态转移能耗，对基站中设备的寿命也会带来较大的损害。

因此，必然存在某个折中时间T_tradeoff，其中T_short<T_tradeoff<T_long，在该时刻执行基站休眠/激活策略，能够在保证用户终端的QoS要求下降低系统能耗、减小系统开销同时避免基站状态的频繁转移。

假定由10个基站构成的网络，并已知每个基站在每个事件抽样点处的归一化负载量，该数据作为先验信息，在此处，相关预测指数的两个阈值ε_high和ε_low分别为0.8和0.2；同时假设业务量抽样时间间隔为15分钟，ΔT为5分钟。为说明本专利中的相关预测指数的物理意义，下面分时间段说明ρ_(t,t-T)的变化。网络中业务量较低时，如图7中的02:00至04:00之间，前两项分别为基站在t时刻和t+T时刻的归一化负载量，为系统中的先验信息与同时后两项分别对应t时刻检测负载量与t-T时刻的预测负载量；根据相关预测指数，可以得到在t时刻ρ_(t,t-T)＝0.877，说明前后两时刻的网络业务分布几乎相同，即使有部分基站的业务量变化较大，则在t时刻可执行模块106中的操作。网络中业务量较高时，如图10所示，13:00至16:00之间可以得到在该时刻ρ_(t,t-T)＝-0.3878，说明前后两时刻的业务量分布变化较大。如上分析可见，在不同时刻，业务相关性不断发生变化，基于这个变化，应用本专利所述方案，结果显示，本方案确实能够减少状态转移次数，同时节约网络能耗。

可见，通过采用上述方案，能够基于基站的负载信息确定基站的业务变化相关参数，进而根据业务变化相关参数确定针对于基站的状态预测窗口的调整参数。如此，就能够结合基站的具体情况调整状态预测窗口，进而通过调整状态预测窗口的周期，使得基站调整工作状态的频率能够更加合理。

本发明实施例所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。这样，本发明实施例不限制于任何特定的硬件和软件结合。

以上所述，仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。

Claims (12)

1.一种基站工作模式管理方法，其特征在于，所述方法包括：

获取到基站发来的第一负载信息；其中，所述第一负载信息为所述基站根据预设的状态预测窗口周期性发送的参数；

获取到所述基站对应的第二负载信息、以及历史负载统计信息；

基于所述第一负载信息、第二负载信息以及所述历史负载统计信息，确定所述基站的业务变化相关参数；

根据所述基站的业务变化相关参数，获取到针对基站的调整参数；

将针对基站的调整参数发送至所述基站，以使得所述基站根据所述调整参数进行调整所述状态预测窗口的周期，并使得所述基站根据所述状态预测窗口提供的周期调整工作模式。

2.根据权利要求1所述的方法，其特征在于，所述第一负载信息包括：第一业务量信息以及用户状态信息；其中，所述用户状态信息包括有移动性信息以及业务信息。

3.根据权利要求1所述的方法，其特征在于，所述获取到所述基站对应的第二负载信息，包括：

利用所述第一负载信息预测得到所述基站对应的第二负载信息；

或者，

获取到所述基站发来的第二负载信息。

4.根据权利要求1-3任一项所述的方法，其特征在于，所述根据所述基站的业务变化相关参数，确定所述基站的调整参数，包括：

若所述基站的业务变化相关参数满足第一预设条件，则确定状态预测窗口的长度增加预设步长得到调整后的状态预测窗口，将所述调整后的状态预测窗口作为调整参数；

若所述基站的业务变化相关参数满足第二预设条件，则确定状态预测窗口的减少预设步长得到调整后的状态预测窗口，将所述调整后的状态预测窗口作为调整参数；

若所述基站的业务变化相关参数满足第三预设条件，则确定状态预测窗口保持不变，将保持所述状态预测窗口作为调整参数。

5.根据权利要求1所述的方法，其特征在于，所述方法还包括：

基于所述第一负载信息、第二负载信息以及所述历史负载统计信息，确定所述基站的工作模式切换指令；

向所述基站发送所述工作模式切换指令，以使得所述基站根据所述工作模式切换指令进行工作模式切换。

6.根据权利要求5所述的方法，其特征在于，所述确定所述基站的工作模式切换指令，包括：

当业务变化相关参数低于第二门限值时，若所述基站处于激活状态，则确定所述基站从激活状态切换至休眠状态，将从激活状态切换至休眠状态作为工作模式切换指令；若所述基站处于休眠状态，则确定所述基站从休眠状态切换至激活状态，将从休眠状态切换至激活状态作为工作模式切换指令。

7.一种网络设备，其特征在于，所述网络设备包括：

接收单元，用于获取到基站发来的第一负载信息；其中，所述第一负载信息为所述基站根据预设的状态预测窗口周期性向所述网络管理设备发送的参数；

处理单元，用于获取到所述基站对应的第二负载信息、以及历史负载统计信息，基于所述第一负载信息、第二负载信息以及所述历史负载统计信息，确定所述基站的业务变化相关参数；根据所述基站的业务变化相关参数，获取到针对基站的调整参数；

发送单元，用于将针对基站的调整参数发送至所述基站，以使得所述基站根据所述调整参数进行调整所述状态预测窗口的周期，并使得所述基站根据所述状态预测窗口提供的周期调整工作模式。

8.根据权利要求7所述的网络设备，其特征在于，所述第一负载信息包括：第一业务量信息以及用户状态信息；其中，所述用户状态信息包括有移动性信息以及业务信息。

9.根据权利要求7所述的网络设备，其特征在于，所述处理单元，具体用于利用所述第一负载信息预测得到所述基站对应的第二负载信息；

或者，

获取到所述基站发来的第二负载信息。

10.根据权利要求7-9任一项所述的网络设备，其特征在于，所述处理单元，具体用于若所述基站的业务变化相关参数满足第一预设条件，则确定状态预测窗口的长度增加预设步长得到调整后的状态预测窗口，将所述调整后的状态预测窗口作为调整参数；若所述基站的业务变化相关参数满足第二预设条件，则确定状态预测窗口的减少预设步长得到调整后的状态预测窗口，将所述调整后的状态预测窗口作为调整参数；若所述基站的业务变化相关参数满足第三预设条件，则确定状态预测窗口保持不变，将保持所述状态预测窗口作为调整参数。

11.根据权利要求7所述的网络设备，其特征在于，

所述处理单元，还用于基于所述第一负载信息计算得到所述基站的第二负载信息，其中，所述第二负载信息为预测得到的所述基站在下一个所述状态预测窗口的负载信息；基于所述第一负载信息以及所述第二负载信息，确定所述基站的工作模式切换指令；

相应的，所述发送单元，具体用于向所述基站发送所述工作模式切换指令，以使得所述基站根据所述工作模式切换指令进行工作模式切换。

12.根据权利要求11所述的网络设备，其特征在于，所述处理单元，具体用于当业务变化相关参数低于第二门限值时，若所述基站处于激活状态，则确定所述基站从激活状态切换至休眠状态，将从激活状态切换至休眠状态作为工作模式切换指令；若所述基站处于休眠状态，则确定所述基站从休眠状态切换至激活状态，将从休眠状态切换至激活状态作为工作模式切换指令。