CN114071527B - 基站的节能方法、装置和基站 - Google Patents
基站的节能方法、装置和基站 Download PDFInfo
- Publication number
- CN114071527B CN114071527B CN202010777508.8A CN202010777508A CN114071527B CN 114071527 B CN114071527 B CN 114071527B CN 202010777508 A CN202010777508 A CN 202010777508A CN 114071527 B CN114071527 B CN 114071527B
- Authority
- CN
- China
- Prior art keywords
- base station
- energy saving
- determining
- model
- machine learning
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 239000013598 vector Substances 0.000 claims abstract description 54
- 238000010801 machine learning Methods 0.000 claims description 64
- 230000008901 benefit Effects 0.000 claims description 56
- 230000006870 function Effects 0.000 claims description 33
- 230000008859 change Effects 0.000 claims description 26
- 238000012360 testing method Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 9
- 238000004134 energy conservation Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 4
- 238000004891 communication Methods 0.000 abstract description 5
- 230000009471 action Effects 0.000 description 13
- 238000013473 artificial intelligence Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 230000007774 longterm Effects 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 238000005265 energy consumption Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 208000001613 Gambling Diseases 0.000 description 1
- 101150071746 Pbsn gene Proteins 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- CLOMYZFHNHFSIQ-UHFFFAOYSA-N clonixin Chemical compound CC1=C(Cl)C=CC=C1NC1=NC=CC=C1C(O)=O CLOMYZFHNHFSIQ-UHFFFAOYSA-N 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/06—Testing, supervising or monitoring using simulated traffic
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q50/40—Business processes related to the transportation industry
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W52/00—Power management, e.g. TPC [Transmission Power Control], power saving or power classes
- H04W52/02—Power saving arrangements
- H04W52/0203—Power saving arrangements in the radio access network or backbone network of wireless communication networks
- H04W52/0206—Power saving arrangements in the radio access network or backbone network of wireless communication networks in access points, e.g. base stations
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Software Systems (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Medical Informatics (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- General Engineering & Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Entrepreneurship & Innovation (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本公开涉及一种基站的节能方法、装置和基站，涉及通信技术领域。该方法包括：根据采集的基站信息，利用多种预测模型，分别确定多种基站属性的预测结果，每种预测模型均包括多个具体模型；根据多种基站属性的预测结果，确定多个模型组合所对应的特征向量，每个模型组合包括从不同种类的预测模型中选取的多个具体模型；根据各特征向量，确定用于确定基站的节能策略的最优模型组合。
Description
技术领域
本公开涉及通信技术领域，特别涉及一种基站的节能方法、装置、基站和非易失性计算机可读存储介质。
背景技术
随着通信技术的发展，通信业务量也在不断增大。因此，如何对基站进行节能控制就显得尤为重要。
在相关技术中，依赖人工设置的统一默认值，来决定是否打开基站节能控制功能。
发明内容
本公开的发明人发现上述相关技术中存在如下问题：无法根据基站的实际情况进行合理节能，造成基站节能控制不准确，导致能耗成本高、用户体验差。
鉴于此，本公开提出了一种基站的节能技术方案，能够准确控制基站节能，降低能耗成本，提高用户体验。
根据本公开的一些实施例，提供了一种基站的节能方法，包括：根据采集的基站信息，利用多种预测模型，分别确定多种基站属性的预测结果，每种预测模型均包括多个具体模型；根据所述多种基站属性的预测结果，确定多个模型组合所对应的特征向量，每个模型组合包括从不同种类的预测模型中选取的多个具体模型；根据各特征向量，确定用于确定所述基站的节能策略的最优模型组合。
在一些实施例中，所述根据采集的基站上下文信息，利用多种预测模型，分别确定多种基站属性的预测结果包括：根据采集的基站上下文信息，利用多个第一机器学习模型和多个第二机器学习模型，分别确定多个场景预测结果和多个流量预测结果。
在一些实施例中，所述根据所述多种基站属性的预测结果，确定多个模型组合的特征向量包括：根据所述多个场景识别结果、所述多个流量预测结果及其相应的基站上下文信息，确定多个模型组合所对应的特征向量，每个所述模型组合包括任一个所述第一机器学习模型和任一个所述第二机器学习模型。
在一些实施例中，所述根据各特征向量，确定用于确定所述基站的节能策略的最优模型组合包括：根据各特征向量，利用第三机器学习模型，确定所述各模型组合的节能收益；根据各节能收益，确定所述最优模型组合。
在一些实施例中，所述根据各特征向量，利用第三机器学习模型，确定所述各模型组合的节能收益包括：根据所述各特征向量，利用所述第三机器学习模型，确定相应的所述基站的用户体验变化情况和业务流量变化情况；根据所述用户体验变化情况和业务流量变化情况，确定所述各模型组合的节能收益。
在一些实施例中，所述根据各节能收益，确定所述最优模型组合包括：根据理想情况下节能收益的期望与所述各节能收益之和的期望的差异，构建目标函数；在使得所述目标函数最小的条件下，以所述各模型组合为变量，求解所述目标函数，以确定所述最优模型组合。
在一些实施例中，所述场景预测结果包括资源利用率数据，所述流量预测结果包括连接用户数数据。
在一些实施例中，所述第三机器学习模型根据如下的步骤训练：构建所述各特征向量与所述节能收益之间的线性参数关系；根据各模型组合在每次试验中生成的实际收益，生成样本数据；根据所述线性参数关系和所述样本数据，确定损失函数；根据所述损失函数，训练所述第三机器学习模型。
在一些实施例中，所述基站信息包括：用户体验数据、基站节能时段数据中的至少一项。
根据本公开的另一些实施例，提供一种基站的节能装置，包括：预测单元，用于根据采集的基站信息，利用多种预测模型，分别确定多种基站属性的预测结果，每种预测模型均包括多个具体模型；特征确定单元，用于根据所述多种基站属性的预测结果，确定多个模型组合所对应的特征向量，每个模型组合包括从不同种类的预测模型中选取的多个具体模型；策略确定单元，用于根据各特征向量，确定用于确定所述基站的节能策略的最优模型组合。
在一些实施例中，所述预测单元根据采集的基站上下文信息，利用多个第一机器学习模型和多个第二机器学习模型，分别确定多个场景预测结果和多个流量预测结果。
在一些实施例中，所述特征确定单元根据所述多个场景识别结果、所述多个流量预测结果及其相应的基站上下文信息，确定多个模型组合所对应的特征向量，每个所述模型组合包括任一个所述第一机器学习模型和任一个所述第二机器学习模型。
在一些实施例中，所述策略确定单元根据各特征向量，利用第三机器学习模型，确定所述各模型组合的节能收益，根据各节能收益，确定所述最优模型组合。
在一些实施例中，所述策略确定单元根据所述各特征向量，利用所述第三机器学习模型，确定相应的所述基站的用户体验变化情况和业务流量变化情况，根据所述用户体验变化情况和业务流量变化情况，确定所述各模型组合的节能收益。
在一些实施例中，所述策略确定单元根据理想情况下节能收益的期望与所述各节能收益之和的期望的差异，构建目标函数，在使得所述目标函数最小的条件下，以所述各模型组合为变量，求解所述目标函数，以确定所述最优模型组合。
在一些实施例中，所述场景预测结果包括资源利用率数据，所述流量预测结果包括连接用户数数据。
在一些实施例中，所述第三机器学习模型根据如下的步骤训练：构建所述各特征向量与所述节能收益之间的线性参数关系；根据各模型组合在每次试验中生成的实际收益，生成样本数据；根据所述线性参数关系和所述样本数据，确定损失函数；根据所述损失函数，训练所述第三机器学习模型。
在一些实施例中，所述基站信息包括：用户体验数据、基站节能时段数据中的至少一项。
根据本公开的又一些实施例，提供一种基站的节能装置，包括：存储器；和耦接至所述存储器的处理器，所述处理器被配置为基于存储在所述存储器装置中的指令，执行上述任一个实施例中的基站的节能方法。
根据本公开的再一些实施例，提供一种基站，包括：节能装置，用于执行上述任一个实施例中的基站的节能方法。
根据本公开的再一些实施例，提供一种非易失性计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述任一个实施例中的基站的节能方法。
在上述实施例中，根据基站上下文信息表征的实际情况，结合多种机器学习模型的预测结果，确定最优的模型组合作为成节能策略的客观依据。这样，能够准确控制基站节能，降低能耗成本，提高用户体验。
附图说明
构成说明书的一部分的附图描述了本公开的实施例，并且连同说明书一起用于解释本公开的原理。
参照附图，根据下面的详细描述，可以更加清楚地理解本公开，
其中：
图1示出本公开的基站的节能方法的一些实施例的流程图；
图2示出图1中步骤130的一些实施例的流程图；
图3示出本公开的基站的节能方法的另一些实施例的流程图；
图4示出本公开的基站的节能装置的一些实施例的框图；
图5示出本公开的基站的节能装置的另一些实施例的框图；
图6示出本公开的基站的节能装置的又一些实施例的框图；
图7示出本公开的基站的一些实施例的框图。
具体实施方式
现在将参照附图来详细描述本公开的各种示例性实施例。应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本公开的范围。
同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。
以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本公开及其应用或使用的任何限制。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为授权说明书的一部分。
在这里示出和讨论的所有示例中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它示例可以具有不同的值。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。
针对上述技术问题，本公开在充分考虑各种客观指标(如用户的体验数据)的基础上，结合多种机器学习模型的预测结果(如基站场景预测、业务流量预测等)，利用机器学习算法进行节能策略的最优估计，使基站在保证长期节能效果的同时保证用户的长期体验。例如，可以通过如下的实施例实现本公开的技术方案。
图1示出本公开的基站的节能方法的一些实施例的流程图。
如图1所示，该方法包括：步骤110，确定多个预测结果；步骤120，确定多个特征向量；和步骤130，确定最优模型组合。
在步骤110中，根据采集的基站信息，利用多种预测模型，分别确定多种基站属性的预测结果。每种预测模型均包括多个具体模型。例如，预测模型可以为机器学习模型，或者基于各种预测算法的数学模型。
在一些实施例中，可以先进行各种数据预处理。例如，数据预处理可以包括数据清洗、特征构造、数据集构造等。数据集可以包括人工智能节能模型层数据集、节能策略推荐层数据集等。节能策略推荐层数据集可以包括基站信息，如基站上下文信息。
例如，基站上下文信息包括：用户体验数据、基站节能时段数据中的至少一项。用户体验数据可以包括用户终端的上下文掉线率、RRC(Radio Resource Control，无线资源控制)掉线率、用户的体验速率、平均观测服务的MoS(Mean Opinion Score，平均主观意见分)中的至少一项。
这样，能够挖掘用户体验数据对节能策略的影响，从而能够在节能的同时保证用户的体验。
在一些实施例中，在训练集上基于不同机器学习算法训练多种机器学习模型。例如，可以训练节能场景识别模型、业务流量数据模型分别作为第一机器学习模型和第二机器学习模型。可以将训练好的机器学习模型整合到统一组织中形成人工智能节能模型知识库，用于节能场景的预测、业务流量的预测。
在一些实施例中，根据采集的基站上下文信息，利用多个第一机器学习模型和多个第二机器学习模型，分别确定多个场景预测结果和多个流量预测结果。例如，场景预测结果包括资源利用率数据，流量预测结果包括连接用户数数据。
在步骤120中，根据多种基站属性的预测结果，确定多个模型组合所对应的特征向量。每个模型组合包括从不同种类的预测模型中选取的多个具体模型。
在一些实施例中，根据多个场景识别结果、多个流量预测结果及其相应的基站上下文信息，确定多个模型组合所对应的特征向量。每个模型组合包括任一个第一机器学习模型和任一个第二机器学习模型。
在一些实施例中，可以形成N种模型组合，进而获取各模型组合在验证集上的预测结果集合E＝{e1,…,en,…,eN}。en为一个2维的向量，它表示第n个种模型组合的预测结果，包括:平均下行PRB(Physical Resource Block，物理资源块)利用率、平均RRC连接用户数。
可以将各en与相应的基站上下文信息(用于确定en的基站上下文信息)组合成特征向量。例如，可以将en、相应的用户体验数据w、基站节能时段数据l组成特征向量x＝{en,w,l}。
在步骤130中，根据各特征向量，确定用于确定基站的节能策略的最优模型组合。
在一些实施例中，可以根据最优模型组合计算门限阈值，以进行节能策略(如各种节能技术)的选取。
在一些实施例中，根据节能策略的效果，可以反馈节能效果评估指标(例如，用户体验数据、基站业务流量数据等)到节能策略推荐模型中，进行收益的计算，从而用于节能策略选取的更新。
在一些实施例中，可以利用RL(Reinforcement Learning，强化学习)的方式确定最优模型组合。即，将各特征向量x＝{en,w,l}作为RL模型的输入，以确定最优模型组合。例如，可以通过图2中的实施例实现步骤130。
图2示出图1中步骤130的一些实施例的流程图。
如图2所示，步骤130包括：步骤1310，确定节能收益；和步骤1320，确定最优模型组合。
在步骤1310中，根据各特征向量，利用第三机器学习模型，确定各模型组合的节能收益。
在一些实施例中，根据各特征向量，利用第三机器学习模型，确定相应的基站的用户体验变化情况和业务流量变化情况。根据用户体验变化情况和业务流量变化情况，确定各模型组合的节能收益(例如，可以与用户体验变化情况和业务流量变化情况负相关)。
在一些实施例中，可以通过从N个模型组合中选取候选模型组合，进行RL学习中的T次离散试验，以确定各次试验中模型组合的收益。
例如，在第t次试验中，以选取一种模型组合，并根据模型组合确定的节能策略在基站上进行试验为一个Action(行为)，记为at。at对应该模型组合的特征向量xt。根据此次试验结果，可以确定该模型组合的收益rt。
在一些实施例中，在第t次试验中，根据用户体验变化ut和业务流量变化vt，可以确定收益为：
T次离散试验的总收益为：
在一些实施例中，可以将三元组{xt,at,rt}作为RL模型的输入，更新下次试验中Action的选择策略。
在步骤1320中，根据各节能收益，确定最优模型组合。
在一些实施例中，根据理想情况下节能收益的期望与各节能收益之和的期望的差异，构建目标函数。在使得目标函数最小的条件下，以各模型组合为变量，求解目标函数，以确定最优模型组合。
在一些实施例中，可以将人工智能节能模型知识库中的最优模型组合的确定问题，建模为MAB(Multi-armed bandit problem，多臂赌博机问题)问题。将人工智能节能模型知识库中的各模型组合，建模为MAB问题中的Action。例如，可以将最优模型组合的确定，建模为总收益期望值最大化的问题。
在一些实施例中，理想情况下节能收益的期望为：
rt′为第t次试验中，理论上收益最大的Action的收益。在这种情况下，总收益期望值的最大化问题可以等价为：理想情况下节能收益的期望与各节能收益之和的期望的差异ΔR最小化问题。ΔR可以为：
在T次实验中，通过使差值ΔR最小，从而得到最优模型组合，使得在节能的同时保证用户体验最好。
在一些实施例中，可以构造一个Action的收益的期望值与该Action对应的特征向量xt的线性关系：
E[rt|xt]＝xt Tθa
θa为线性参数。将上述线性关系带入ΔR的表达式中，以求取最优模型组合的xt。
在一些实施例中，上面的ΔR最小化问题可以通过LinUCB方法求解，最优模型组合对应的Action为：
AT为T次试验的Action集合，Xa为Action的多个样本的特征向量矩阵，I为单位矩阵，δ为根据实际情况设置的超参数。
在一些实施例中，可以通过图3中的实施例训练第三机器学习模型(如包含逻辑回归模型)，以确定线性参数θa。
图3示出本公开的基站的节能方法的另一些实施例的流程图。
如图3所示，第三机器学习模型可以通过如下步骤进行训练：步骤310，构建线性参数关系；步骤320，生成样本数据；步骤330，确定损失函数；和步骤340，训练第三机器学习模型。
在步骤310中，构建各特征向量与所述节能收益之间的线性参数关系。
在步骤320中，根据各模型组合在每次试验中生成的实际收益，生成样本数据。
在一些实施例中，在第t次试验中，收集各Action收益的估计值作为多个样本，相应的多个特征向量组成的特征向量矩阵记为Xa，反馈记为Ca。Ca是在第t-1次试验中基于实际选择的Action生成的反馈，即生成的实际收益(如没有选择Action，反馈定义为0)。
在步骤330中，根据线性参数关系和样本数据，确定损失函数。
在一些实施例中，将训练数据(Xa,Ca)输入逻辑回归模型进行训练。例如，损失函数为：
Loss(θa)＝‖Ca-Xaθa‖2+λ‖θa‖2
λ为根据实际情况设置的参数。
在步骤340中，根据损失函数，训练第三机器学习模型。例如，可以求得θa的估计值为：
在一些实施例中，本公开的技术架构可以包括数据源层、人工智能节能模型层、节能策略推荐层、设备层。
例如，数据源层用于数据采集、数据预处理、数据集构造。数据集包括人工智能节能模型层数据集、节能策略推荐层数据集(包括基站上下文信息，包括基站历史用户体验数据、基站历史节能时段等)。
例如，人工智能节能模型层为基于人工智能的节能策略控制模块提供多种机器学习模型(包括节能场景识别模型、业务流量预测模型等)，整合到统一组织中形成人工智能节能模型知识库。
例如，节能策略推荐层基于机器学习模型的输出(包括下行PRB平均利用率、平均RRC连接用户数等)和基站上下文信息(包括基站历史用户体验数据、基站历史节能时段等)，运用RL方法实现5G基站节能策略选取。
可以将节能策略选择问题建模为MAB问题，将人工智能节能模型层的输出以及基站的上下文信息作为MAB模型的输入，从而将模型组合(包括基站场景预测模型，业务流量预测模型)映射为一个Action。
考虑用户体验与节能策略之间的闭环反馈，应用RL算法为每个基站推荐最优模型组合，使得基站能够自主识别所处场景以及业务流量，使基站在保证长期节能效果的同时保证用户长期体验最好。可以采用上述任一个实施例中的方法确定节能策略。
例如，设备层通过OMC(，Operation and Maintenance Center，操作维护中心)和供应商提供的开放接口对通信单元进行节能策略最优化推荐。
在上述实施例中，考虑了多种节能策略模型之间的关系，运用RL算法将节能策略推荐问题建模为MAB问题，实现节能模型的融合推荐。这样，可以减少人工参与，有效降低基站设备能耗以及运营成本。
而且，本公开考虑了用户体验的数据(如用户终端上下文掉线率、RRC掉线率、用户体验速率等)对节能策略推荐的影响，在保证节能效果的同时保证用户体验最好。
本公开考虑了节能策略的长期效果问题，采用RL算法为基站推荐最优的节能策略，可以使基站在保证长期节能效果的同时保证用户长期体验最好。
图4示出本公开的基站的节能装置的一些实施例的框图。
如图4所示，基站的节能装置4包括预测单元41、特征确定单元42、策略确定单元43。
预测单元41根据采集的基站信息，利用多种预测模型，分别确定多种基站属性的预测结果。每种预测模型均包括多个具体模型。
特征确定单元42根据多种基站属性的预测结果，确定多个模型组合所对应的特征向量。每个模型组合包括从不同种类的预测模型中选取的多个具体模型。
策略确定单元43根据各特征向量，确定用于确定所述基站的节能策略的最优模型组合。
在一些实施例中，预测单元41根据采集的基站上下文信息，利用多个第一机器学习模型和多个第二机器学习模型，分别确定多个场景预测结果和多个流量预测结果。
在一些实施例中，特征确定单元42根据多个场景识别结果、多个流量预测结果及其相应的基站上下文信息，确定多个模型组合所对应的特征向量。每个模型组合包括任一个第一机器学习模型和任一个第二机器学习模型。
在一些实施例中，策略确定单元43根据各特征向量，利用第三机器学习模型，确定各模型组合的节能收益，根据各节能收益，确定最优模型组合。
在一些实施例中，策略确定单元43根据各特征向量，利用第三机器学习模型，确定相应的所述基站的用户体验变化情况和业务流量变化情况。根据用户体验变化情况和业务流量变化情况，确定各模型组合的节能收益。
在一些实施例中，策略确定单元43根据理想情况下节能收益的期望与各节能收益之和的期望的差异，构建目标函数，在使得目标函数最小的条件下，以各模型组合为变量，求解目标函数，以确定最优模型组合。
在一些实施例中，场景预测结果包括资源利用率数据，流量预测结果包括连接用户数数据。
在一些实施例中，第三机器学习模型根据如下的步骤训练：构建各特征向量与所述节能收益之间的线性参数关系；根据各模型组合在每次试验中生成的实际收益，生成样本数据；根据线性参数关系和样本数据，确定损失函数；根据损失函数，训练第三机器学习模型。
在一些实施例中，基站信息可以为基站上下文信息包括：用户体验数据、基站节能时段数据中的至少一项。
图5示出本公开的基站的节能装置的另一些实施例的框图。
如图5所示，该实施例的基站的节能装置5包括：存储器51以及耦接至该存储器51的处理器52，处理器52被配置为基于存储在存储器51中的指令，执行本公开中任意一个实施例中的基站的节能方法。
其中，存储器51例如可以包括系统存储器、固定非易失性存储介质等。系统存储器例如存储有操作系统、应用程序、引导装载程序(Boot Loader)、数据库以及其他程序等。
图6示出本公开的基站的节能装置的又一些实施例的框图。
如图6所示，该实施例的基站的节能装置6包括：存储器610以及耦接至该存储器610的处理器620，处理器620被配置为基于存储在存储器610中的指令，执行前述任意一个实施例中的基站的节能方法。
存储器610例如可以包括系统存储器、固定非易失性存储介质等。系统存储器例如存储有操作系统、应用程序、引导装载程序(Boot Loader)以及其他程序等。
基站的节能装置6还可以包括输入输出接口630、网络接口640、存储接口650等。这些接口630、640、650以及存储器610和处理器620之间例如可以通过总线660连接。其中，输入输出接口630为显示器、鼠标、键盘、触摸屏、麦克、音箱等输入输出设备提供连接接口。网络接口640为各种联网设备提供连接接口。存储接口650为SD卡、U盘等外置存储设备提供连接接口。
图7示出本公开的基站的一些实施例的框图。
如图7所示，基站7包括：节能装置71，用于执行上述任一个实施例中的基站的节能方法。
本领域内的技术人员应当明白，本公开的实施例可提供为方法、系统、或计算机程序产品。因此，本公开可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本公开可采用在一个或多个其中包含有计算机可用程序代码的计算机可用非瞬时性存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
至此，已经详细描述了根据本公开的基站的节能方法、装置、基站和非易失性计算机可读存储介质。为了避免遮蔽本公开的构思，没有描述本领域所公知的一些细节。本领域技术人员根据上面的描述，完全可以明白如何实施这里公开的技术方案。
可能以许多方式来实现本公开的方法和系统。例如，可通过软件、硬件、固件或者软件、硬件、固件的任何组合来实现本公开的方法和系统。用于所述方法的步骤的上述顺序仅是为了进行说明，本公开的方法的步骤不限于以上具体描述的顺序，除非以其它方式特别说明。此外，在一些实施例中，还可将本公开实施为记录在记录介质中的程序，这些程序包括用于实现根据本公开的方法的机器可读指令。因而，本公开还覆盖存储用于执行根据本公开的方法的程序的记录介质。
虽然已经通过示例对本公开的一些特定实施例进行了详细说明，但是本领域的技术人员应该理解，以上示例仅是为了进行说明，而不是为了限制本公开的范围。本领域的技术人员应该理解，可在不脱离本公开的范围和精神的情况下，对以上实施例进行修改。本公开的范围由所附权利要求来限定。
Claims (19)
1.一种基站的节能方法，包括：
根据采集的基站信息，利用多种预测模型，分别确定多种基站属性的预测结果，每种预测模型均包括多个具体模型；
根据所述多种基站属性的预测结果，确定多个模型组合所对应的特征向量，每个模型组合包括从不同种类的预测模型中选取的多个具体模型；
根据各特征向量，确定用于确定所述基站的节能策略的最优模型组合；
其中，所述根据各特征向量，确定用于确定所述基站的节能策略的最优模型组合包括：
根据各特征向量，利用第三机器学习模型，确定所述各模型组合的节能收益；
根据各节能收益，确定所述最优模型组合。
2.根据权利要求1所述的节能方法，其中，所述根据采集的基站信息，利用多种预测模型，分别确定多种基站属性的预测结果包括：
根据采集的基站上下文信息，利用多个第一机器学习模型和多个第二机器学习模型，分别确定多个场景预测结果和多个流量预测结果。
3.根据权利要求2所述的节能方法，其中，所述根据所述多种基站属性的预测结果，确定多个模型组合所对应的特征向量包括：
根据所述多个场景预测结果、所述多个流量预测结果及其相应的基站上下文信息，确定多个模型组合所对应的特征向量，每个所述模型组合包括任一个所述第一机器学习模型和任一个所述第二机器学习模型。
4.根据权利要求1所述的节能方法，其中，所述根据各特征向量，利用第三机器学习模型，确定所述各模型组合的节能收益包括：
根据所述各特征向量，利用所述第三机器学习模型，确定相应的所述基站的用户体验变化情况和业务流量变化情况；
根据所述用户体验变化情况和业务流量变化情况，确定所述各模型组合的节能收益。
5.根据权利要求1所述的节能方法，其中，所述根据各节能收益，确定所述最优模型组合包括：
根据理想情况下节能收益的期望与所述各节能收益之和的期望的差异，构建目标函数；
在使得所述目标函数最小的条件下，以所述各模型组合为变量，求解所述目标函数，以确定所述最优模型组合。
6.根据权利要求2所述的节能方法，其中，
所述场景预测结果包括资源利用率数据，所述流量预测结果包括连接用户数数据。
7.根据权利要求1所述的节能方法，其中，所述第三机器学习模型根据如下的步骤训练：
构建所述各特征向量与所述节能收益之间的线性参数关系；
根据各模型组合在每次试验中生成的实际收益，生成样本数据；
根据所述线性参数关系和所述样本数据，确定损失函数；
根据所述损失函数，训练所述第三机器学习模型。
8.根据权利要求1-7任一项所述的节能方法，其中，
所述基站信息包括：用户体验数据、基站节能时段数据中的至少一项。
9.一种基站的节能装置，包括：
预测单元，用于根据采集的基站信息，利用多种预测模型，分别确定多种基站属性的预测结果，每种预测模型均包括多个具体模型；
特征确定单元，用于根据所述多种基站属性的预测结果，确定多个模型组合所对应的特征向量，每个模型组合包括从不同种类的预测模型中选取的多个具体模型；
策略确定单元，用于根据各特征向量，确定用于确定所述基站的节能策略的最优模型组合；
其中，
所述策略确定单元根据各特征向量，利用第三机器学习模型，确定所述各模型组合的节能收益，根据各节能收益，确定所述最优模型组合。
10.根据权利要求9所述的节能装置，其中，
所述预测单元根据采集的基站上下文信息，利用多个第一机器学习模型和多个第二机器学习模型，分别确定多个场景预测结果和多个流量预测结果。
11.根据权利要求10所述的节能装置，其中，
所述特征确定单元根据所述多个场景预测结果、所述多个流量预测结果及其相应的基站上下文信息，确定多个模型组合所对应的特征向量，每个所述模型组合包括任一个所述第一机器学习模型和任一个所述第二机器学习模型。
12.根据权利要求9所述的节能装置，其中，
所述策略确定单元根据所述各特征向量，利用所述第三机器学习模型，确定相应的所述基站的用户体验变化情况和业务流量变化情况，根据所述用户体验变化情况和业务流量变化情况，确定所述各模型组合的节能收益。
13.根据权利要求9所述的节能装置，其中，
所述策略确定单元根据理想情况下节能收益的期望与所述各节能收益之和的期望的差异，构建目标函数，在使得所述目标函数最小的条件下，以所述各模型组合为变量，求解所述目标函数，以确定所述最优模型组合。
14.根据权利要求10所述的节能装置，其中，
所述场景预测结果包括资源利用率数据，所述流量预测结果包括连接用户数数据。
15.根据权利要求9所述的节能装置，其中，所述第三机器学习模型根据如下的步骤训练：
构建所述各特征向量与所述节能收益之间的线性参数关系；
根据各模型组合在每次试验中生成的实际收益，生成样本数据；
根据所述线性参数关系和所述样本数据，确定损失函数；
根据所述损失函数，训练所述第三机器学习模型。
16.根据权利要求9-15任一项所述的节能装置，其中，
所述基站信息包括：用户体验数据、基站节能时段数据中的至少一项。
17.一种基站的节能装置，包括：
存储器；和
耦接至所述存储器的处理器，所述处理器被配置为基于存储在所述存储器中的指令，执行权利要求1-8任一项所述的基站的节能方法。
18.一种基站，包括：
节能装置，用于执行权利要求1-8任一项所述的基站的节能方法。
19.一种非易失性计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现权利要求1-8任一项所述的基站的节能方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010777508.8A CN114071527B (zh) | 2020-08-05 | 2020-08-05 | 基站的节能方法、装置和基站 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010777508.8A CN114071527B (zh) | 2020-08-05 | 2020-08-05 | 基站的节能方法、装置和基站 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114071527A CN114071527A (zh) | 2022-02-18 |
| CN114071527B true CN114071527B (zh) | 2024-02-06 |
Family
ID=80231978
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010777508.8A Active CN114071527B (zh) | 2020-08-05 | 2020-08-05 | 基站的节能方法、装置和基站 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114071527B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106897918A (zh) * | 2017-02-24 | 2017-06-27 | 上海易贷网金融信息服务有限公司 | 一种混合式机器学习信用评分模型构建方法 |
| CN107527124A (zh) * | 2017-10-13 | 2017-12-29 | 众安信息技术服务有限公司 | 生成行业基本面组合预测模型的方法和装置 |
| CN109509071A (zh) * | 2018-12-20 | 2019-03-22 | 广东电网有限责任公司 | 一种用户组合的选择方法及装置 |
| CN111178639A (zh) * | 2019-12-31 | 2020-05-19 | 北京明略软件系统有限公司 | 一种基于多模型融合实现预测的方法及装置 |
| CN111325630A (zh) * | 2020-02-19 | 2020-06-23 | 苏宁金融科技(南京)有限公司 | 一种数据处理方法及装置 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB201000089D0 (en) * | 2010-01-05 | 2010-02-17 | Mura Michael E | Numerical modelling apparatus |
| US20190114710A1 (en) * | 2017-10-16 | 2019-04-18 | Gerd Infanger | Semi-parametric approach to large-scale portfolio optimization with factor models of asset returns |
-
2020
- 2020-08-05 CN CN202010777508.8A patent/CN114071527B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106897918A (zh) * | 2017-02-24 | 2017-06-27 | 上海易贷网金融信息服务有限公司 | 一种混合式机器学习信用评分模型构建方法 |
| CN107527124A (zh) * | 2017-10-13 | 2017-12-29 | 众安信息技术服务有限公司 | 生成行业基本面组合预测模型的方法和装置 |
| CN109509071A (zh) * | 2018-12-20 | 2019-03-22 | 广东电网有限责任公司 | 一种用户组合的选择方法及装置 |
| CN111178639A (zh) * | 2019-12-31 | 2020-05-19 | 北京明略软件系统有限公司 | 一种基于多模型融合实现预测的方法及装置 |
| CN111325630A (zh) * | 2020-02-19 | 2020-06-23 | 苏宁金融科技(南京)有限公司 | 一种数据处理方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114071527A (zh) | 2022-02-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11334628B2 (en) | Dressing recommendation method and dressing recommendation apparatus | |
| US11537869B2 (en) | Difference metric for machine learning-based processing systems | |
| CN109408724A (zh) | 多媒体资源预估点击率的确定方法、装置及服务器 | |
| US20230259796A1 (en) | Bias scoring of machine learning project data | |
| CN107995428A (zh) | 图像处理方法、装置及存储介质和移动终端 | |
| Yang et al. | Deep reinforcement learning based wireless network optimization: A comparative study | |
| CN113645637B (zh) | 超密集网络任务卸载方法、装置、计算机设备和存储介质 | |
| CN111435482A (zh) | 一种外呼模型的构建方法、外呼方法、装置和存储介质 | |
| KR102367409B1 (ko) | 기 학습된 장애 예측 모델을 이용한 it 서비스의 장애 예측 방법, 서버 및 컴퓨터프로그램 | |
| CN107609583A (zh) | 分类模型的参数优化方法、装置、计算机设备及存储介质 | |
| CN116708443A (zh) | 多层次算力网络任务调度方法及装置 | |
| CN102077526B (zh) | 用于分布式信息管理的方法和装置 | |
| CN112669084B (zh) | 策略确定方法、设备及计算机可读存储介质 | |
| CN112817563A (zh) | 目标属性配置信息确定方法、计算机设备和存储介质 | |
| CN114021018A (zh) | 基于图卷积神经网络的推荐方法、系统及存储介质 | |
| CN114071527B (zh) | 基站的节能方法、装置和基站 | |
| CN112541556A (zh) | 模型构建优化方法、设备、介质及计算机程序产品 | |
| Chorppath et al. | Learning user preferences in mechanism design | |
| CN112734005B (zh) | 预测模型的确定方法、装置、电子设备及存储介质 | |
| Wang et al. | Inverse reinforcement learning with graph neural networks for IoT resource allocation | |
| CN110502715B (zh) | 点击概率的预测方法及装置 | |
| Sun et al. | Optimizing task-specific timeliness with edge-assisted scheduling for status update | |
| CN113158027A (zh) | 一种智能设备推荐方法、系统及智能终端 | |
| Masadeh et al. | Selector-actor-critic and tuner-actor-critic algorithms for reinforcement learning | |
| CN113676954B (zh) | 大规模用户任务卸载方法、装置、计算机设备和存储介质 |
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 |