CN113705707A - 基站小区节电状态的确定方法、装置及电子设备 - Google Patents

基站小区节电状态的确定方法、装置及电子设备 Download PDF

Info

Publication number
CN113705707A
CN113705707A CN202111024634.7A CN202111024634A CN113705707A CN 113705707 A CN113705707 A CN 113705707A CN 202111024634 A CN202111024634 A CN 202111024634A CN 113705707 A CN113705707 A CN 113705707A
Authority
CN
China
Prior art keywords
base station
time period
station cell
cell
identification information
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202111024634.7A
Other languages
English (en)
Other versions
CN113705707B (zh
Inventor
黄赛
严希音
李纪华
肖瑞
蔡凯
张玮
耿仁杰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China United Network Communications Group Co Ltd
Original Assignee
China United Network Communications Group Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by China United Network Communications Group Co Ltd filed Critical China United Network Communications Group Co Ltd
Priority to CN202111024634.7A priority Critical patent/CN113705707B/zh
Publication of CN113705707A publication Critical patent/CN113705707A/zh
Application granted granted Critical
Publication of CN113705707B publication Critical patent/CN113705707B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
    • Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Marketing (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Quality & Reliability (AREA)
  • Artificial Intelligence (AREA)
  • Educational Administration (AREA)
  • Evolutionary Computation (AREA)
  • Game Theory and Decision Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本申请提供的基站小区节电状态的确定方法、装置及电子设备，该方法包括：获取基站小区的标识信息以及当前时段的前一时段内各节电小区的标识信息；若各节电小区的标识信息包括基站小区的标识信息，则依据基站小区在前一时段的性能参数和预定的性能参数阈值是否满足预定条件，确定基站小区在当前时段的状态；若前一时段内各节电小区的标识信息不包括基站小区的标识信息，则依据分类模型以及基站小区在前一时段的性能参数，确定基站小区在当前时段的状态。通过结合性能参数阈值以及分类模型的确定方法，当确定出基站小区为节电状态时，则可以通过关闭该基站小区实现节电，避免基站设备一直处于满功率发射状态，降低基站设备的耗电量。

Description

基站小区节电状态的确定方法、装置及电子设备
技术领域
本申请涉及通信领域，尤其涉及一种基站小区节电状态的确定方法、装置及电子设备。
背景技术
目前，随着通信技术的发展，尤其是5G(5th Generation Mobile CommunicationTechnology，第五代通信技术)的适用范围和应用领域不断扩大，5G基站的布局密度的增大，基站的耗电量也不断增大。
现有技术中，为了减少基站的耗电量，通常可以控制基站设备所处机房的温度，使得基站设备可以工作在适宜的温度下，进而减少基站设备的耗电量
虽然上述方法可以使得基站设备取得一定的节能效果，但是基站设备却一直处于满功率发射的状态，仍然会导致基站设备的耗电量较大。
发明内容
本申请提供一种基站小区节电状态的确定方法、装置及电子设备，用以解决相关基站节电技术中，基站设备耗电量仍然过大的问题。
第一方面，本申请提供一种基站小区节电状态的确定方法，包括：
获取基站小区的标识信息以及当前时段的前一时段内各节电小区的标识信息；
若所述各节电小区的标识信息包括所述基站小区的标识信息，则依据所述基站小区在当前时段的前一时段的性能参数和预定的性能参数阈值是否满足预定条件，确定所述基站小区在当前时段的状态；
若所述前一时段内各节电小区的标识信息不包括所述基站小区的标识信息，则依据分类模型以及所述基站小区在当前时段的前一时段的性能参数，确定所述基站小区在当前时段的状态，其中，所述分类模型是依据所述前一时段内不同基站小区的标识信息、所述不同基站小区在第一时段的性能参数训练得到的，所述第一时段为所述前一时段之前的时段；其中，所述状态包括节电状态或非节电状态。
在一种可能的实现方式中，所述性能参数包括：上行流量数据以及下行流量数据；所述性能参数阈值包括流量阈值；所述依据所述基站小区在当前时段的前一时段的性能参数和预定的性能参数阈值是否满足预定条件，确定所述基站小区在当前时段的状态，包括：
依据所述基站小区在当前时段的前一时段的上行流量数据以及所述基站小区在当前时段的前一时段的下行流量数据，计算所述基站小区在当前时段的前一时段的流量和；
若所述基站小区在当前时段的前一时段的流量和小于等于所述流量阈值，则确定所述基站小区在当前时段的状态为节电状态；
若所述基站小区在当前时段的前一时段的流量和大于所述流量阈值，则确定所述基站小区在当前时段的状态为非节电状态。
在一种可能的实现方式中，所述若所述基站小区在当前时段的前一时段的流量和小于等于所述流量阈值，则确定所述基站小区在当前时段的状态为节电状态，包括：
若所述基站小区在当前时段的前一时段的流量和小于等于所述流量阈值，且所述基站小区的标识信息不属于第一预设标识信息集合，则确定所述基站小区在当前时段的状态为节电状态，所述第一预设标识信息集合为不可关闭的基站小区的标识信息集合。
在一种可能的实现方式中，所述依据分类模型以及所述基站小区在当前时段的前一时段的性能参数，确定所述基站小区在当前时段的状态之前，还包括：
为不同基站小区中属于所述前一时段内各节电小区的基站小区的标识信息添加第一标记，并为不属于所述前一时段内各节电小区的其它基站小区的标识信息添加第二标记；
将所述不同基站小区的标识信息作为训练集输出，将所述不同基站小区在第一时段的性能参数作为训练集输入，训练得到所述分类模型；
所述依据分类模型以及所述基站小区在当前时段的前一时段的性能参数，确定所述基站小区在当前时段的状态，包括：
将所述基站小区当前时段的前一时段的性能参数作为所述分类模型的输入，获得所述分类模型的输出结果；
若所述分类模型的输出结果为第一标记，则确定所述基站小区在当前时段的状态为节电状态；
若所述分类模型的输出结果为第二标记，则确定所述基站小区在当前时段的状态为非节电状态。
在一种可能的实现方式中，所述若所述分类模型的输出结果为第一标记，则确定所述基站小区在当前时段的状态为节电状态，包括：
若所述分类模型的输出结果为第一标记，且所述基站小区的标识信息不属于第一预设标识信息集合，则确定所述基站小区在当前时段的状态为节电状态，所述第一预设标识信息集合为不可关闭的基站小区的标识信息集合。
在一种可能的实现方式中，所述标识信息包括：时间信息、基站标识以及小区标识；所述获取基站小区的标识信息以及当前时段的前一时段内各节电小区的标识信息之后，还包括：
对所述前一时段内各节电小区的标识信息进行数据去重，得到数据去重后前一时段内各节电小区的标识信息。
在一种可能的实现方式中，所述分类模型为XGBoost分类模型。
第二方面，本申请提供一种基站小区节电状态的确定装置，包括：
获取单元，用于获取基站小区的标识信息以及当前时段的前一时段内各节电小区的标识信息；
第一确定单元，用于若所述各节电小区的标识信息包括所述基站小区的标识信息，则依据所述基站小区在当前时段的前一时段的性能参数和预定的性能参数阈值是否满足预定条件，确定所述基站小区在当前时段的状态；
第二确定单元，用于若所述前一时段内各节电小区的标识信息不包括所述基站小区的标识信息，则依据分类模型以及所述基站小区在当前时段的前一时段的性能参数，确定所述基站小区在当前时段的状态，其中，所述分类模型是依据所述前一时段内不同基站小区的标识信息、所述不同基站小区在第一时段的性能参数训练得到的，所述第一时段为所述前一时段之前的时段；其中，所述状态包括节电状态或非节电状态。
在一种可能的实现方式中，所述性能参数包括：上行流量数据以及下行流量数据；所述性能参数阈值包括流量阈值；
所述第一确定单元包括：
计算模块，用于依据所述基站小区在当前时段的前一时段的上行流量数据以及所述基站小区在当前时段的前一时段的下行流量数据，计算所述基站小区在当前时段的前一时段的流量和；
第一确定模块，用于若所述基站小区在当前时段的前一时段的流量和小于等于所述流量阈值，则确定所述基站小区在当前时段的状态为节电状态；
第二确定模块，用于若所述基站小区在当前时段的前一时段的流量和大于所述流量阈值，则确定所述基站小区在当前时段的状态为非节电状态。
在一种可能的实现方式中，所述第一确定模块具体用于：
若所述基站小区在当前时段的前一时段的流量和小于等于所述流量阈值，且所述基站小区的标识信息不属于第一预设标识信息集合，则确定所述基站小区在当前时段的状态为节电状态，所述第一预设标识信息集合为不可关闭的基站小区的标识信息集合。
在一种可能的实现方式中，所述装置还包括：
标识单元，用于在所述第一确定单元依据分类模型以及所述基站小区在当前时段的前一时段的性能参数，确定所述基站小区在当前时段的状态之前，为不同基站小区中属于所述前一时段内各节电小区的基站小区的标识信息添加第一标记，并为不属于所述前一时段内各节电小区的其它基站小区的标识信息添加第二标记；
训练单元，用于将所述不同基站小区的标识信息作为训练集输出，将所述不同基站小区在第一时段的性能参数作为训练集输入，训练得到所述分类模型；
所述第二确定单元，包括：
获取模块，用于将所述基站小区当前时段的前一时段的性能参数作为所述分类模型的输入，获得所述分类模型的输出结果；
第三确定模块，用于若所述分类模型的输出结果为第一标记，则确定所述基站小区在当前时段的状态为节电状态；
第四确定模块，用于若所述分类模型的输出结果为第二标记，则确定所述基站小区在当前时段的状态为非节电状态。
在一种可能的实现方式中，所述第三确定模块具体用于：
若所述分类模型的输出结果为第一标记，且所述基站小区的标识信息不属于第一预设标识信息集合，则确定所述基站小区在当前时段的状态为节电状态，所述第一预设标识信息集合为不可关闭的基站小区的标识信息集合。
在一种可能的实现方式中，所述标识信息包括：时间信息、基站标识以及小区标识；所述标识信息包括：时间信息、基站标识以及小区标识；所述装置还包括：
处理单元，用于在所述获取单元获取基站小区的标识信息以及当前时段的前一时段内各节电小区的标识信息之后，对所述前一时段内各节电小区的标识信息进行数据去重，得到数据去重后前一时段内各节电小区的标识信息。
在一种可能的实现方式中，所述分类模型为XGBoost分类模型。
第三方面，本申请提供一种电子设备，包括：存储器，处理器。
存储器，用于存储所述处理器可执行指令的存储器；
其中，所述处理器，用于根据所述可执行指令执行如第一方面任一项所述的方法。
第四方面，本申请一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现如第一方面任一项所述的方法。
第五方面，本申请提供一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现如第一方面任一项所述的方法。
本申请提供的基站小区节电状态的确定方法、装置及电子设备，该方法包括：获取基站小区的标识信息以及当前时段的前一时段内各节电小区的标识信息；若各节电小区的标识信息包括基站小区的标识信息，则依据基站小区在前一时段的性能参数和预定的性能参数阈值是否满足预定条件，确定基站小区在当前时段的状态；若前一时段内各节电小区的标识信息不包括基站小区的标识信息，则依据分类模型以及基站小区在前一时段的性能参数，确定基站小区在当前时段的状态。通过结合性能参数阈值以及分类模型的确定方法，当确定出基站小区为节电状态时，则可以对该基站小区执行节电策略，避免基站设备一直处于满功率发射状态，降低基站设备的耗电量。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。
图1为本申请提供的一种基站的应用场景示意图；
图2为本申请实施例提供的一种基站小区节电状态的确定方法的流程示意图；
图3为本申请实施例提供的一种依据性能参数确定基站小区状态的流程示意图；
图4为本申请实施例提供的一种分类模型的训练过程示意图；
图5为本申请实施例提供的一种基于分类模型预测小区状态的流程示意图；
图6为本申请实施例提供的又一种基站小区节电状态的确定方法的流程示意图；
图7为本申请实施例提供的一种基站小区节电状态的确定装置的结构示意图；
图8为本申请实施例提供的又一种基站小区节电状态的确定装置的结构示意图；
图9为本申请实施例提供的一种电子设备的结构示意图。
通过上述附图，已示出本申请明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本申请构思的范围，而是通过参考特定实施例为本领域技术人员说明本申请的概念。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
目前，随着通信技术的发展，5G通信技术凭借其有高速率、低时延等的特点广泛的应用到生活中的各个领域。例如，图1为本申请提供的一种基站的应用场景示意图。图中一个基站可以覆盖多个基站小区，每个基站小区可以覆盖多个用户设备，在这些基站小区中的用户设备之间可以通过基站实现无线通信。相比于传统的4G通信网络，5G通信技术中，通信的载波频率越来越高，从而导致基站的覆盖范围较小，因此需要更大的基站布局密度，进而导致基站耗电量也不断增多。
相关技术中，为了减少基站设备耗电量，可以通过调节基站设备所处机房的环境温度，使机房的环境温度始终处于基站设备适宜的环境温度下，提高基站设备的能效，进而降低基站设备的功耗。
虽然上述方法可以在一定程度上降低基站设备的耗电量，但是，在上述方法中，基站设备却一直处于满功率发射的状态，并未充分考虑基站通信网络话务量的波动性，导致基站设备的功耗仍然较大。
本申请提供的基站小区节电状态的确定方法、装置及电子设备，用以解决上述技术问题。
下面以具体地实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本申请的实施例进行描述。
图2为本申请实施例提供的一种基站小区节电状态的确定方法的流程示意图。如图2所示，该方法包括以下步骤：
S101、获取基站小区的标识信息以及当前时段的前一时段内各节电小区的标识信息。
示例性地，为了降低基站设备的能耗，可以对基站小区执行预设的节电策略，例如，在通信网络流量较低的时段或者某一固定时段(例如，夜间)关闭该基站小区。本申请则提供了一种确定基站小区在当前时段是否需要切换为节电状态的方法。具体的，该步骤中的时段可以以7天为一个时段。在确定当前时段内基站小区的状态时，首先可以获取当前时段的前一时段中各节电小区的标识信息(其中，节电小区指处于节电状态的基站小区)。通过对比待判断基站小区的标识信息是否属于前一时段各节电小区的标识信息，进一步选择不同的方式，确定基站小区在当前时段的状态，其中，基站小区状态包括：节电状态和非节电状态。
在确定是否包含于前一时段的节电小区中时，可采用如下方法，例如，在基站小区的标识信息中，包括有该基站小区的编号，基站小区与编号一一对应，进而可以通过比较编号来确定是否为同一小区。或者，基站小区的标识信息中包括有基站标签以及每一基站标签下对应的各小区的标签，则对比时可以先对比基站标签，当基站标签相同时，再对比基站标签下的小区标签。
S102、若各节电小区的标识信息包括基站小区的标识信息，则依据基站小区在当前时段的前一时段的性能参数和预定的性能参数阈值是否满足预定条件，确定基站小区在当前时段的状态。
示例性地，当前一时段中各节电小区的标识信息包括待判断的基站小区的标识信息时，此时，可以获取该基站小区在前一时段中的性能参数，并确定该性能参数和预定的性能参数是否符合预定条件，进而确定基站小区的状态。
一个示例中，性能参数可以为基站小区在前一时段中的功率和。将功率和于预定的性能参数进行比较，若小于，则确定基站小区继续保持节电状态，否则将该基站小区的状态切换至非节电状态。
S103、若前一时段内各节电小区的标识信息不包括基站小区的标识信息，则依据分类模型以及基站小区在当前时段的前一时段的性能参数，确定基站小区在当前时段的状态，其中，分类模型是依据前一时段内不同基站小区的标识信息、不同基站小区在第一时段的性能参数训练得到的，第一时段为前一时段之前的时段；其中，状态包括节电状态或非节电状态。
示例性地，当前一时段中各节电小区的标识信息不包括待判断的基站小区的标识信息时，则此时可以通过训练好的分类模型以及该基站小区在当前时段的前一时段的性能参数，确定出该基站小区当前时段为节电状态还是非节电状态。
其中，该分类模型是不同基站小区在前一时段内各自的标识信息以及不同基站小区在前一时段之前的时段的性能参数训练得到的。此处的不同基站小区，可以为当前待判断的基站小区所处的某一区域中多个基站对应的全部小区。此外，不同基站小区在前一时段内各自的标识信息中可以包括有表征各基站小区状态的标识，或者可以为每一时段设置节电小区列表以及非节电小区列表，通过标识信息去匹配两个列表确定基站小区在某一时段的状态。
例如，若时段长度为一周(7天)时，在确定当前周的基站小区状态时，可以依据当前周的前一周中基站小区的性能参数以及训练好的分类模型对基站小区当前周的状态进行预测。而其中的分类模型，依据两周前(即前一时段之前的时段)多个不同的基站小区的性能参数以及前一周中已确定出的多个不同的基站小区的标识信息中的状态训练得到的。
本实施方式中，首先确定基站小区在当前时段的前一时段是否为节电状态，若该基站小区在前一时段为节电状态，则依据基站小区在前一时段的性能参数是否满足预设条件来确定在当前时段是否改变基站小区的状态。而若该基站小区在前一时段并非节电状态，则此时选用训练好的模型预测该基站小区当前的状态。本实施方式中，通过基站小区节电状态的设置，避免了基站载频始终处于满功率发射的问题，并且在确定基站小区状态时，结合了性能参数与分类模型两种方式，若基站小区之前为节电状态，则可以依据性能参数进一步判断当前的状态，以降低对设备计算能力的需求。若基站小区之前为非节电状态，则可以依据模型训练的方式，学习出模型性能参数与基站小区状态之间的对应关系，之后依据训练好的模型进行预测，得出基站小区当前的状态。并且通过模型训练的方式得出的预测结果更符合二者之间对应关系的规律，使得确定出的基站小区状态更准确。
在一种可能的实现方式中，基站小区的性能参数包括：上行流量数据以及下行流量数据；性能参数阈值包括流量阈值；若该基站小区的标识信息存在于前一时段内各节电小区的标识信息中，则此时依据基站小区在前一时段的上行流量数据、下行流量数据以及预定流量阈值确定基站小区在当前时段内的状态。具体的，图3为本申请实施例提供的一种依据性能参数确定基站小区状态的流程示意图，包括以下步骤(即图2中的步骤S102可以包括以下步骤)：
S1021、依据基站小区在当前时段的前一时段的上行流量数据以及基站小区在当前时段的前一时段的下行流量数据，计算基站小区在当前时段的前一时段的流量和；
S1022、若基站小区在当前时段的前一时段的流量和小于等于流量阈值，则确定基站小区在当前时段的状态为节电状态；
S1023、若基站小区在当前时段的前一时段的流量和大于流量阈值，则确定基站小区在当前时段的状态为非节电状态。
示例性地，可以选取基站小区的上行流量数据以及下行流量数据作为基站小区的性能参数。具体的，在依据基站小区的上下行流量数据进行判断时，首先可以计算该基站小区在前一时段中上行流量与下行流量的流量和。将该流量和与预定的流量阈值进行比较，若小于等于该流量阈值，则表明该基站小区在前一时段中消耗的流量较小，即可以保持该基站小区的节电状态。若大于，则表明该基站小区仍有较大的用户使用需求，为提升用户使用体验，则确定当前时段下该基站小区处于非节电状态。
实际应用过程中，由于若该基站小区在前一时段内是处于节电状态的，因此在前一时段中会将该基站小区关停，但是会在前一时段中选取某一较小时段中开启该基站，并依据该时段中的流量和确定是否改变小区状态。例如，以周一至周日为一个时段，若前一周为节电状态，则可以在前一周的周五时，选取一个或多个小时，作为观察期，观察该时段内的流量和是否在预定阈值范围内，以此来确定前一周周五后的时间内小区状态是否改变。之后，每到周五，都可重复上述过程对之前属于节电状态的小区进行判断。
本实现方式中，将基站小区的上下行流量数据作为基站小区的性能参数，从基站小区的流量数据反应出用户对于基站的使用需求，进而使用流量数据作为性能参数去判断该基站小区的状态，使得确定出的基站小区状态更符合用户需求。
在一种可能的实现方式中，由于在基站小区设置时，存在一些不可关停的基站小区，例如，各级运营商本身所处的基站小区一般情况下是不会关闭的。此处，将这些小区的标识集合在一起组成第一预设标识信息集合，即第一预设标识信息集合为不可关闭的基站小区的标识信息集合。
因此，在通过流量阈值对基站小区状态进行判断时，即在步骤S1022具体执行时，还需要判断该基站小区标识是否属于第一预设标识信息集合，即若基站小区在当前时段的前一时段的流量和小于等于流量阈值，且基站小区的标识信息不属于第一预设标识信息集合，则确定基站小区在当前时段的状态为节电状态，进而避免一些基站小区被误关停的情况发生。
在一种可能的实现方式中，在多个不同时段中的分类模型也是不断更新的，而非一直固定不变的。因此，在依据分类模型预测基站小区的状态之前，还需要进行分类模型的训练。图4为本申请实施例提供的一种分类模型的训练过程示意图。
S201、为不同基站小区中属于前一时段内各节电小区的基站小区的标识信息添加第一标记，并为不属于前一时段内各节电小区的其它基站小区的标识信息添加第二标记。
S202、将不同基站小区的标识信息作为训练集输出，将不同基站小区在第一时段的性能参数作为训练集输入，训练得到分类模型。
示例性地，在进行模型训练时，首先区分不同基站小区在前一时段内为节电状态还是非节电状态，并为其添加第一标记(即节电状态标记)或者第二标记(即非节电状态标记)。之后，将不同基站小区的标识信息作为分类模型的输出，并将这些基站小区所对应的第一时段(即前一时段之前的时段)所对应的数据作为模型输入，训练模型。
在一些示例中，不同的基站小区在前一时段中的不同时间区间中也包括有不同的状态。例如，对于小区A，在前一时段周一的20点至21点，可以为非节电状态，且记为标识“0”，在前一时段周一的22点至23点中，也可以为节电状态，且记为标识“1”。对应的，对于小区A，将前一时段周一的20点至21点的标识“0”作为输出，将前一时段之前的时段中周一的20点至21点流量和作为对应的输入，依据上述规律，获取不同基站小区中的多组输入输出数据，进行模型训练。
在模型训练好之后，可以依据训练好的模型预测当前时段中待判断小区的状态。图5为本申请实施例提供的一种基于分类模型预测小区状态的流程示意图，具体包括以下步骤：
S301、将基站小区当前时段的前一时段的性能参数作为分类模型的输入，获得分类模型的输出结果；
S302、若分类模型的输出结果为第一标记，则确定基站小区在当前时段的状态为节电状态；
S303、若分类模型的输出结果为第二标记，则确定基站小区在当前时段的状态为非节电状态。
示例性地，在模型训练好之后，将基站小区前一时段中的流量数据作为分类模型的输入数据，得到预测的输出结果，若输出结果为第一标记，则确定基站小区在当前时段的状态为节电状态，若输出结果为第二标记，则确定基站小区在当前时段的状态为非节电状态。
例如，在训练好模型之后，对于小区A，在前一时段周一的20点至21点的流量和作为分类模型的输入后，可以通过模型的输出结果确定小区A在当前时段中周一的20点至21点的节电状态，若输出结果为标识“0”，则为非节点状态，若输出结果为标识“1”则为节电状态。
本实现方式中，提供的一种基于分类模型预测基站小区状态的方法，相比于直接使用流量阈值判断，会更加准确。
在一种可能的实现方式中，由于在基站小区设置时，存在一些不可关停的基站小区，例如，各级运营商本身所处的基站小区一般情况下是不会关闭的。此处，将这些小区的标识集合在一起组成第一预设标识信息集合，即第一预设标识信息集合为不可关闭的基站小区的标识信息集合。
则，为避免关停一些不可关停的小区，即在具体执行步骤S302时，可采用如下方式若分类模型的输出结果为第一标记，且基站小区的标识信息不属于第一预设标识信息集合，则确定基站小区在当前时段的状态为节电状态。
在一种可能的实现方式中，标识信息包括：时间信息、基站标识以及小区标识。基于上述标识信息，图6为本申请实施例提供的又一种基站小区节电状态的确定方法的流程示意图。在图2所示的流程图的基础上，本实现方式具体包括以下步骤：
S401、获取基站小区的标识信息以及当前时段的前一时段内各节电小区的标识信息。
示例性地，步骤S401的原理与图2中步骤S101类似，此处不再赘述。
S402、对前一时段内各节电小区的标识信息进行数据去重，得到数据去重后前一时段内各节电小区的标识信息。
示例性地，在获取到前一时段内各节电小区的标识信息后，需要对数据进行去重处理，以避免数据中包括重复数据或者缺失数据。具体地，标识信息中包括有时间信息、基站标识以及小区标识，通过检查对于同一基站小区是否包括重复的数据，例如，对于同一基站小区同一时间信息获取了两次该数据，或者，获取到的数据中标识信息中的某一数据缺失，则后续可以删除该标识信息下的数据，即不采用该数据进行判断，以免后续判断错误。
S403、若各节电小区的标识信息包括基站小区的标识信息，则依据基站小区在当前时段的前一时段的性能参数和预定的性能参数阈值是否满足预定条件，确定基站小区在当前时段的状态。
S404、若前一时段内各节电小区的标识信息不包括基站小区的标识信息，则依据分类模型以及基站小区在当前时段的前一时段的性能参数，确定基站小区在当前时段的状态，其中，分类模型是依据前一时段内不同基站小区的标识信息、不同基站小区在第一时段的性能参数训练得到的，第一时段为前一时段之前的时段；其中，状态包括节电状态或非节电状态。
示例性地，步骤S403-S404的原理与图2中步骤S102-S103类似，此处不再赘述。
本实现方式中，在获取到前一时段内各节电小区的标识信息后，会对标识信息进行去重处理，以免标识信息中包括重复的数据或者缺失的数据，进而影响基站小区状态判断的准确度。
在一种可能的实现方式中，分类模型可以使用XGBoost分类模型。
实际应用过程中，在XGBoost模型训练前，首先准备训练数据。训练数据可以由不同基站小区两周前各时间区间的流量和(即训练过程中模型的输入x)以及不同基站小区两周前各时间区间对应的小区状态(即训练过程中模型的输出y)，使用“1”和“0”对小区状态进行标记，“1”代表节电小区，“0”代表非节电小区。
在XGBoost模型训练过程中，首先确定生成K棵分类树，那么对于第i个输入样本的预测函数可以表示为：
Figure BDA0003242918810000121
其中，fn表示第n棵分类树，fn(xi)表示第n棵对第i个样本的判别计算值，F表示分类树集合，K为分类树的总数。
训练过程中，为了防止模型拟合，需要在目标函数中加入正则化表达式，通过正则化表达式来控制模型的复杂程度，得到的目标函数Obj可以用如下表达式表示：
Figure BDA0003242918810000122
其中，yi表示第i个真实值，
Figure BDA0003242918810000123
表示第i个样本的预测值，
Figure BDA0003242918810000124
表示第i个样本真实值与预测值之间的误差函数，可用二者的平方损失值计算得到。Ω(fk)表示第k棵分类树的正则项，
Figure BDA0003242918810000125
代表K棵分类树正则项之和，具体的每一分类树的正则项可用下列表达式表示：
Figure BDA0003242918810000126
其中，T表示该分类树上的叶子数目；ω表示叶子节点的向量得分；λ为正则化系数，γ为节点切分阈值。
具体地，基于上述预测函数、损失函数以及正则项表达式，由于在模型训练过程中，每一次训练都是基于上一次训练的结果迭代产生的，因此，在第t次训练的过程中，所构件的目标函数为：
Figure BDA0003242918810000127
将目标函数二阶泰勒展开，得到最终目标函数为：
Figure BDA0003242918810000128
其中，gi和hi分别为
Figure BDA0003242918810000129
的一阶导数和二阶导数。移除上述公式中的常数项，并将正则项表达式代入目标函数后得到简化后的目标函数为：
Figure BDA00032429188100001210
其中，
Figure BDA0003242918810000131
Ij为第j个叶子节点。
在一些实施例中，在模型训练过程中，每次迭代时，都可以依据贪心算法确定当前迭代次数中分类树如何进行分枝，即利用贪心算法确定本次迭代过程中的分类树函数f。具体的，可以依据分枝前后的结构分数增益，选取结构分数增益最高的分割点进行分枝，当多次分枝后的结构分数增益连续多次小于阈值或者分枝后分类树的深度达到指定值时，得到此次迭代过程中的分类树函数f。其中，分枝前后的结构分数增益可以用以下公式表示：
Figure BDA0003242918810000132
其中，
Figure BDA0003242918810000133
即左子树中各节点的一阶导数的和。
Figure BDA0003242918810000134
即右子树中各节点的一阶导数的和。
Figure BDA0003242918810000135
即左子树中各节点的二阶导数的和。
Figure BDA0003242918810000136
即右子树中各节点的二阶导数的和。IL和IR分别表示树分类后左子树和右子树的各节点。
图7为本申请实施例提供的一种基站小区节电状态的确定装置的结构示意图，如图7所示，该装置包括：
获取单元41，用于获取基站小区的标识信息以及当前时段的前一时段内各节电小区的标识信息。
第一确定单元42，用于若各节电小区的标识信息包括基站小区的标识信息，则依据基站小区在当前时段的前一时段的性能参数和预定的性能参数阈值是否满足预定条件，确定基站小区在当前时段的状态。
第二确定单元43，用于若前一时段内各节电小区的标识信息不包括基站小区的标识信息，则依据分类模型以及基站小区在当前时段的前一时段的性能参数，确定基站小区在当前时段的状态，其中，分类模型是依据前一时段内不同基站小区的标识信息、不同基站小区在第一时段的性能参数训练得到的，第一时段为前一时段之前的时段；其中，状态包括节电状态或非节电状态。
本实施例提供的装置，用于实现上述方法提供的技术方案，其实现原理和技术效果类似，不再赘述。
在一种可能的实现方式中，性能参数包括：上行流量数据以及下行流量数据；性能参数阈值包括流量阈值。图8为本申请实施例提供的又一种基站小区节电状态的确定装置的结构示意图，如图8所示，在图7的基础上，第一确定单元42包括：
计算模块421，用于依据基站小区在当前时段的前一时段的上行流量数据以及基站小区在当前时段的前一时段的下行流量数据，计算基站小区在当前时段的前一时段的流量和。
第一确定模块422，用于若基站小区在当前时段的前一时段的流量和小于等于流量阈值，则确定基站小区在当前时段的状态为节电状态。
第二确定模块423，用于若基站小区在当前时段的前一时段的流量和大于流量阈值，则确定基站小区在当前时段的状态为非节电状态。
在一种可能的实现方式中，第一确定模422块具体用于：
若基站小区在当前时段的前一时段的流量和小于等于流量阈值，且基站小区的标识信息不属于第一预设标识信息集合，则确定基站小区在当前时段的状态为节电状态，第一预设标识信息集合为不可关闭的基站小区的标识信息集合。
在一种可能的实现方式中，装置还包括：
标识单元44，用于在第一确定单元42依据分类模型以及基站小区在当前时段的前一时段的性能参数，确定基站小区在当前时段的状态之前，为不同基站小区中属于前一时段内各节电小区的基站小区的标识信息添加第一标记，并为不属于前一时段内各节电小区的其它基站小区的标识信息添加第二标记。
训练单元45，用于将不同基站小区的标识信息作为训练集输出，将不同基站小区在第一时段的性能参数作为训练集输入，训练得到分类模型。
第二确定单元43，包括：
获取模块431，用于将基站小区当前时段的前一时段的性能参数作为分类模型的输入，获得分类模型的输出结果。
第三确定模块432，用于若分类模型的输出结果为第一标记，则确定基站小区在当前时段的状态为节电状态。
第四确定模块433，用于若分类模型的输出结果为第二标记，则确定基站小区在当前时段的状态为非节电状态。
在一种可能的实现方式中，第三确定模块432具体用于：
若分类模型的输出结果为第一标记，且基站小区的标识信息不属于第一预设标识信息集合，则确定基站小区在当前时段的状态为节电状态，第一预设标识信息集合为不可关闭的基站小区的标识信息集合。
在一种可能的实现方式中，标识信息包括：时间信息、基站标识以及小区标识；标识信息包括：时间信息、基站标识以及小区标识；装置还包括：
处理单元46，用于在获取单元41获取基站小区的标识信息以及当前时段的前一时段内各节电小区的标识信息之后，对前一时段内各节电小区的标识信息进行数据去重，得到数据去重后前一时段内各节电小区的标识信息。
在一种可能的实现方式中，分类模型为XGBoost分类模型。
本实施例提供的装置，用于实现上述方法提供的技术方案，其实现原理和技术效果类似，不再赘述。
图9为本申请实施例提供的一种电子设备的结构示意图，如图9所示，该电子设备包括：
处理器(processor)291，电子设备还包括了存储器(memory)292；还可以包括通信接口(Communication Interface)293和总线294。其中，处理器291、存储器292、通信接口293、可以通过总线294完成相互间的通信。通信接口293可以用于信息传输。处理器291可以调用存储器294中的逻辑指令，以执行上述实施例的方法。
此外，上述的存储器292中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。
存储器292作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序，如本申请实施例中的方法对应的程序指令/模块。处理器291通过运行存储在存储器292中的软件程序、指令以及模块，从而执行功能应用以及数据处理，即实现上述方法实施例中的方法。
存储器292可包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据终端设备的使用所创建的数据等。此外，存储器292可以包括高速随机存取存储器，还可以包括非易失性存储器。
本申请实施例提供了一种计算机可读存储介质，计算机可读存储介质中存储有计算机执行指令，计算机执行指令被处理器执行时用于实现上述任一实施例中的方法。
本申请实施例提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述实施例用于实现上述任一实施例中的方法。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本申请的真正范围和精神由下面的权利要求书指出。
应当理解的是，本申请并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求书来限制。

Claims (16)

1.一种基站小区节电状态的确定方法，其特征在于，包括：
获取基站小区的标识信息以及当前时段的前一时段内各节电小区的标识信息；
若所述各节电小区的标识信息包括所述基站小区的标识信息，则依据所述基站小区在当前时段的前一时段的性能参数和预定的性能参数阈值是否满足预定条件，确定所述基站小区在当前时段的状态；
若所述前一时段内各节电小区的标识信息不包括所述基站小区的标识信息，则依据分类模型以及所述基站小区在当前时段的前一时段的性能参数，确定所述基站小区在当前时段的状态，其中，所述分类模型是依据所述前一时段内不同基站小区的标识信息、所述不同基站小区在第一时段的性能参数训练得到的，所述第一时段为所述前一时段之前的时段；其中，所述状态包括节电状态或非节电状态。
2.根据权利要求1所述的方法，其特征在于，所述性能参数包括：上行流量数据以及下行流量数据；所述性能参数阈值包括流量阈值；所述依据所述基站小区在当前时段的前一时段的性能参数和预定的性能参数阈值是否满足预定条件，确定所述基站小区在当前时段的状态，包括：
依据所述基站小区在当前时段的前一时段的上行流量数据以及所述基站小区在当前时段的前一时段的下行流量数据，计算所述基站小区在当前时段的前一时段的流量和；
若所述基站小区在当前时段的前一时段的流量和小于等于所述流量阈值，则确定所述基站小区在当前时段的状态为节电状态；
若所述基站小区在当前时段的前一时段的流量和大于所述流量阈值，则确定所述基站小区在当前时段的状态为非节电状态。
3.根据权利要求2所述的方法，其特征在于，所述若所述基站小区在当前时段的前一时段的流量和小于等于所述流量阈值，则确定所述基站小区在当前时段的状态为节电状态，包括：
若所述基站小区在当前时段的前一时段的流量和小于等于所述流量阈值，且所述基站小区的标识信息不属于第一预设标识信息集合，则确定所述基站小区在当前时段的状态为节电状态，所述第一预设标识信息集合为不可关闭的基站小区的标识信息集合。
4.根据权利要求1所述的方法，其特征在于，所述依据分类模型以及所述基站小区在当前时段的前一时段的性能参数，确定所述基站小区在当前时段的状态之前，还包括：
为不同基站小区中属于所述前一时段内各节电小区的基站小区的标识信息添加第一标记，并为不属于所述前一时段内各节电小区的其它基站小区的标识信息添加第二标记；
将所述不同基站小区的标识信息作为训练集输出，将所述不同基站小区在第一时段的性能参数作为训练集输入，训练得到所述分类模型；
所述依据分类模型以及所述基站小区在当前时段的前一时段的性能参数，确定所述基站小区在当前时段的状态，包括：
将所述基站小区当前时段的前一时段的性能参数作为所述分类模型的输入，获得所述分类模型的输出结果；
若所述分类模型的输出结果为第一标记，则确定所述基站小区在当前时段的状态为节电状态；
若所述分类模型的输出结果为第二标记，则确定所述基站小区在当前时段的状态为非节电状态。
5.根据权利要求4所述的方法，其特征在于，所述若所述分类模型的输出结果为第一标记，则确定所述基站小区在当前时段的状态为节电状态，包括：
若所述分类模型的输出结果为第一标记，且所述基站小区的标识信息不属于第一预设标识信息集合，则确定所述基站小区在当前时段的状态为节电状态，所述第一预设标识信息集合为不可关闭的基站小区的标识信息集合。
6.根据权利要求1所述的方法，其特征在于，所述标识信息包括：时间信息、基站标识以及小区标识；所述获取基站小区的标识信息以及当前时段的前一时段内各节电小区的标识信息之后，还包括：
对所述前一时段内各节电小区的标识信息进行数据去重，得到数据去重后前一时段内各节电小区的标识信息。
7.根据权利要求1所述的方法，其特征在于，所述分类模型为XGBoost分类模型。
8.一种基站小区节电状态的确定装置，其特征在于，包括：
获取单元，用于获取基站小区的标识信息以及当前时段的前一时段内各节电小区的标识信息；
第一确定单元，用于若所述各节电小区的标识信息包括所述基站小区的标识信息，则依据所述基站小区在当前时段的前一时段的性能参数和预定的性能参数阈值是否满足预定条件，确定所述基站小区在当前时段的状态；
第二确定单元，用于若所述前一时段内各节电小区的标识信息不包括所述基站小区的标识信息，则依据分类模型以及所述基站小区在当前时段的前一时段的性能参数，确定所述基站小区在当前时段的状态，其中，所述分类模型是依据所述前一时段内不同基站小区的标识信息、所述不同基站小区在第一时段的性能参数训练得到的，所述第一时段为所述前一时段之前的时段；其中，所述状态包括节电状态或非节电状态。
9.根据权利要求8所述的装置，其特征在于，所述性能参数包括：上行流量数据以及下行流量数据；所述性能参数阈值包括流量阈值；
所述第一确定单元包括：
计算模块，用于依据所述基站小区在当前时段的前一时段的上行流量数据以及所述基站小区在当前时段的前一时段的下行流量数据，计算所述基站小区在当前时段的前一时段的流量和；
第一确定模块，用于若所述基站小区在当前时段的前一时段的流量和小于等于所述流量阈值，则确定所述基站小区在当前时段的状态为节电状态；
第二确定模块，用于若所述基站小区在当前时段的前一时段的流量和大于所述流量阈值，则确定所述基站小区在当前时段的状态为非节电状态。
10.根据权利要求9所述的装置，其特征在于，所述第一确定模块具体用于：
若所述基站小区在当前时段的前一时段的流量和小于等于所述流量阈值，且所述基站小区的标识信息不属于第一预设标识信息集合，则确定所述基站小区在当前时段的状态为节电状态，所述第一预设标识信息集合为不可关闭的基站小区的标识信息集合。
11.根据权利要求8所述的装置，其特征在于，所述装置还包括：
标识单元，用于在所述第一确定单元依据分类模型以及所述基站小区在当前时段的前一时段的性能参数，确定所述基站小区在当前时段的状态之前，为不同基站小区中属于所述前一时段内各节电小区的基站小区的标识信息添加第一标记，并为不属于所述前一时段内各节电小区的其它基站小区的标识信息添加第二标记；
训练单元，用于将所述不同基站小区的标识信息作为训练集输出，将所述不同基站小区在第一时段的性能参数作为训练集输入，训练得到所述分类模型；
所述第二确定单元，包括：
获取模块，用于将所述基站小区当前时段的前一时段的性能参数作为所述分类模型的输入，获得所述分类模型的输出结果；
第三确定模块，用于若所述分类模型的输出结果为第一标记，则确定所述基站小区在当前时段的状态为节电状态；
第四确定模块，用于若所述分类模型的输出结果为第二标记，则确定所述基站小区在当前时段的状态为非节电状态。
12.根据权利要求11所述的装置，其特征在于，所述第三确定模块具体用于：
若所述分类模型的输出结果为第一标记，且所述基站小区的标识信息不属于第一预设标识信息集合，则确定所述基站小区在当前时段的状态为节电状态，所述第一预设标识信息集合为不可关闭的基站小区的标识信息集合。
13.根据权利要求8所述的装置，其特征在于，所述标识信息包括：时间信息、基站标识以及小区标识；所述装置还包括：
处理单元，用于在所述获取单元获取基站小区的标识信息以及当前时段的前一时段内各节电小区的标识信息之后，对所述前一时段内各节电小区的标识信息进行数据去重，得到数据去重后前一时段内各节电小区的标识信息。
14.根据权利要求8所述的装置，其特征在于，所述分类模型为XGBoost分类模型。
15.一种电子设备，其特征在于，包括：存储器，处理器；
存储器；用于存储所述处理器可执行指令的存储器；
其中，所述处理器，用于根据所述可执行指令执行如权利要求1-7任一项所述的方法。
16.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现如权利要求1-7任一项所述的方法。
CN202111024634.7A 2021-09-02 2021-09-02 基站小区节电状态的确定方法、装置及电子设备 Active CN113705707B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111024634.7A CN113705707B (zh) 2021-09-02 2021-09-02 基站小区节电状态的确定方法、装置及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111024634.7A CN113705707B (zh) 2021-09-02 2021-09-02 基站小区节电状态的确定方法、装置及电子设备

Publications (2)

Publication Number Publication Date
CN113705707A true CN113705707A (zh) 2021-11-26
CN113705707B CN113705707B (zh) 2023-06-30

Family

ID=78657287

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111024634.7A Active CN113705707B (zh) 2021-09-02 2021-09-02 基站小区节电状态的确定方法、装置及电子设备

Country Status (1)

Country Link
CN (1) CN113705707B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115314910A (zh) * 2022-08-10 2022-11-08 中国联合网络通信集团有限公司 基站节能时段预测方法、装置、电子设备及可读存储介质

Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2010102581A1 (zh) * 2009-03-12 2010-09-16 华为技术有限公司 基站节能和激活的方法、装置和网络系统
US20100275047A1 (en) * 2009-04-24 2010-10-28 Kabushiki Kaisha Toshiba Information processing apparatus and power-saving effect display method
WO2012019547A1 (zh) * 2010-08-11 2012-02-16 电信科学技术研究院 一种节能小区的控制处理方法及基站
US20130157677A1 (en) * 2010-09-02 2013-06-20 Zte Corporation Energy-saving control method and system for wireless network
CN103416088A (zh) * 2011-04-28 2013-11-27 富士通株式会社 在基站处进行模式切换的方法和装置
WO2014036710A1 (en) * 2012-09-06 2014-03-13 Broadcom Corporation Method and apparatus of energy saving in radio access networks
CN104080155A (zh) * 2013-03-28 2014-10-01 电信科学技术研究院 小区节能和节能补偿方法及设备
US20160205637A1 (en) * 2013-08-13 2016-07-14 Samsung Electronics Co., Ltd Energy saving method and apparatus therefor in communication system
CN112118617A (zh) * 2020-09-02 2020-12-22 中国联合网络通信集团有限公司 基站节能方法、装置及存储介质
CN112312531A (zh) * 2020-11-18 2021-02-02 中国联合网络通信集团有限公司 基站节能方法和装置
CN112367697A (zh) * 2020-12-01 2021-02-12 中国联合网络通信集团有限公司 一种基站节能方法及装置
CN112533270A (zh) * 2020-12-16 2021-03-19 中国联合网络通信集团有限公司 基站节能的处理方法、装置、电子设备及存储介质
CN112804739A (zh) * 2021-02-24 2021-05-14 中国联合网络通信集团有限公司 一种基站节能方法、装置、设备及系统、存储介质
CN112836911A (zh) * 2019-11-25 2021-05-25 中兴通讯股份有限公司 小区节能参数的确定方法、装置、电子设备及存储介质
CN112911691A (zh) * 2021-02-24 2021-06-04 中国联合网络通信集团有限公司 一种小区节能方法、设备及存储介质

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2010102581A1 (zh) * 2009-03-12 2010-09-16 华为技术有限公司 基站节能和激活的方法、装置和网络系统
US20100275047A1 (en) * 2009-04-24 2010-10-28 Kabushiki Kaisha Toshiba Information processing apparatus and power-saving effect display method
WO2012019547A1 (zh) * 2010-08-11 2012-02-16 电信科学技术研究院 一种节能小区的控制处理方法及基站
US20130157677A1 (en) * 2010-09-02 2013-06-20 Zte Corporation Energy-saving control method and system for wireless network
CN103416088A (zh) * 2011-04-28 2013-11-27 富士通株式会社 在基站处进行模式切换的方法和装置
WO2014036710A1 (en) * 2012-09-06 2014-03-13 Broadcom Corporation Method and apparatus of energy saving in radio access networks
CN104080155A (zh) * 2013-03-28 2014-10-01 电信科学技术研究院 小区节能和节能补偿方法及设备
US20160205637A1 (en) * 2013-08-13 2016-07-14 Samsung Electronics Co., Ltd Energy saving method and apparatus therefor in communication system
CN112836911A (zh) * 2019-11-25 2021-05-25 中兴通讯股份有限公司 小区节能参数的确定方法、装置、电子设备及存储介质
CN112118617A (zh) * 2020-09-02 2020-12-22 中国联合网络通信集团有限公司 基站节能方法、装置及存储介质
CN112312531A (zh) * 2020-11-18 2021-02-02 中国联合网络通信集团有限公司 基站节能方法和装置
CN112367697A (zh) * 2020-12-01 2021-02-12 中国联合网络通信集团有限公司 一种基站节能方法及装置
CN112533270A (zh) * 2020-12-16 2021-03-19 中国联合网络通信集团有限公司 基站节能的处理方法、装置、电子设备及存储介质
CN112804739A (zh) * 2021-02-24 2021-05-14 中国联合网络通信集团有限公司 一种基站节能方法、装置、设备及系统、存储介质
CN112911691A (zh) * 2021-02-24 2021-06-04 中国联合网络通信集团有限公司 一种小区节能方法、设备及存储介质

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
JIHWAN KIM等: "Traffic-Aware Energy-Saving Base Station Sleeping and Clustering in Cooperative Networks", 《IEEE TRANSACTIONS ON WIRELESS COMMUNICATIONS》, vol. 17, no. 2, pages 1173 - 1186 *
廖晖: "移动通信基站小区智能整合节能技术与应用", 《邮电设计技术》, pages 18 - 21 *
李飞等: "基于LightGBM算法的基站小区智慧节能研究", 《现代计算机》, pages 3 - 8 *
熊建胜等: "机器学习在基站小区节能中的应用", 《人工智能》, pages 108 - 111 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115314910A (zh) * 2022-08-10 2022-11-08 中国联合网络通信集团有限公司 基站节能时段预测方法、装置、电子设备及可读存储介质
CN115314910B (zh) * 2022-08-10 2023-06-20 中国联合网络通信集团有限公司 基站节能时段预测方法、装置、电子设备及可读存储介质

Also Published As

Publication number Publication date
CN113705707B (zh) 2023-06-30

Similar Documents

Publication Publication Date Title
Yuan et al. A new methodology for optimal location and sizing of battery energy storage system in distribution networks for loss reduction
Yang et al. Deep reinforcement learning based wireless network optimization: A comparative study
Kashyap et al. Deep learning based offloading scheme for IoT networks towards green computing
Arroyo-Valles et al. A censoring strategy for decentralized estimation in energy-constrained adaptive diffusion networks
Tsoumanis et al. Energy-efficient sink placement in wireless sensor networks
Fu et al. Traffic prediction-enabled energy-efficient dynamic computing resource allocation in cran based on deep learning
Lei et al. Learning-based resource allocation: Efficient content delivery enabled by convolutional neural network
CN113705707B (zh) 基站小区节电状态的确定方法、装置及电子设备
Bae et al. A reinforcement learning formulation of the lyapunov optimization: Application to edge computing systems with queue stability
Hu et al. Multi-agent DRL-based resource allocation in downlink multi-cell OFDMA system
Wakaiki et al. A control-theoretic approach for cell zooming of energy harvesting small cell networks
Yan et al. Deep reinforcement learning based offloading for mobile edge computing with general task graph
CN115720341A (zh) 一种用于5g通道关断的方法、介质及装置
Qin et al. Energy‐aware resource allocation for OFDMA wireless networks with hybrid energy supplies
CN111641974B (zh) 一种基于5g小型蜂窝混合再生能源网络的方法和存储设备
Zhan et al. Extended binary particle swarm optimization approach for disjoint set covers problem in wireless sensor networks
Abubakar et al. Load-aware cell switching in ultra-dense networks: An artificial neural network approach
Xie et al. Power allocation of energy harvesting cognitive radio based on deep reinforcement learning
US20220361100A1 (en) Methods for selection of energy source based on energy rate correlated with radio traffic power usage and related apparatus
CN112234599A (zh) 一种多元复杂城市电网超前动态自适应分区方法及其系统
Wang et al. Deep transfer reinforcement learning for resource allocation in hybrid multiple access systems
Teng et al. The research of an approach to design local area network topology based on genetic algorithm
Lv et al. Multi-base station energy cooperation based on Nash Q-Learning algorithm
Zhang et al. Knowledge-Embedded Deep Reinforcement Learning for Autonomous Network Decision-Making Algorithm
Li et al. Deep Q Network for Wiretap Channel Model with Energy Harvesting

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant