CN114269007A - 基站节能策略确定方法、装置以及方法存储介质 - Google Patents

基站节能策略确定方法、装置以及方法存储介质 Download PDF

Info

Publication number
CN114269007A
CN114269007A CN202010967404.3A CN202010967404A CN114269007A CN 114269007 A CN114269007 A CN 114269007A CN 202010967404 A CN202010967404 A CN 202010967404A CN 114269007 A CN114269007 A CN 114269007A
Authority
CN
China
Prior art keywords
model
energy
saving
machine learning
base station
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.)
Pending
Application number
CN202010967404.3A
Other languages
English (en)
Inventor
吕田田
吴艳芹
陆中远
张乐
章军
刘丽
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 Telecom Corp Ltd
Original Assignee
China Telecom Corp 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 Telecom Corp Ltd filed Critical China Telecom Corp Ltd
Priority to CN202010967404.3A priority Critical patent/CN114269007A/zh
Priority to PCT/CN2021/090593 priority patent/WO2022057268A1/zh
Publication of CN114269007A publication Critical patent/CN114269007A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W88/00—Devices specially adapted for wireless communication networks, e.g. terminals, base stations or access point devices
    • H04W88/08—Access point devices
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
    • H04W16/22—Traffic simulation tools or models
    • 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)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本公开提供了一种基站节能策略确定方法、装置以及存储介质，其中的方法包括：利用训练样本集对多种机器学习模型进行训练，使用训练好的机器学习模型对验证样本集进行预测处理，生成新训练样本；基于新训练样本和对应的评分结果对节能策略推荐模型进行训练，使用训练好的节能策略推荐模型为目标基站确定各个机器学习模型的推荐度信息，基于推荐度信息获取融合模型并确定节能策略。本公开的方法、装置以及存储介质，综合了多种机器学习模型之间的关联关系，对不同类型的基站进行最优节能策略推荐，支持基站参数的自动调整，减少了人工参与，在不影响用户体验的情况下，有效降低基站设备能耗，减少电信运营管理的运营成本支出。

Description

基站节能策略确定方法、装置以及方法存储介质
技术领域
本公开涉及人工智能技术领域，尤其涉及一种基站节能策略确定方法、装置以及方法存储介质。
背景技术
5G单基站的能耗大幅增加，同时网络复杂性和运营管理难度使运营成本支出迅速升高。现有的基站节能技术主要依赖简单的模型或人工设定好的门限来决定开关与否,节能效果有限。不同的基站部署场景(例如室内商场、室外风景区等)具有不同的特征，在现有的基站节能技术中，基于这些特征目前有多种基于AI的节能模型，如节能场景识别模型和业务流量预测模型。但是，现有的基站节能技术没有考虑AI模型的融合，并且，在节能策略制定过程中各个节能策略与节能效果之间相互独立，没有进行关联性分析，不能实现用户体验与节能效果的最佳平衡。
发明内容
有鉴于此，本公开要解决的一个技术问题是提供一种基站节能策略确定方法、装置以及方法存储介质。
根据本公开的第一方面，提供一种基站节能策略确定方法，包括：获取与多个基站相对应的历史数据，基于所述历史数据生成训练样本集和验证样本集；利用所述训练样本集对预设的多种机器学习模型进行训练；其中，对于每种机器学习模型都设置有多个机器学习模型；使用训练好的各个机器学习模型对所述验证样本集进行预测处理，基于预测结果生成新训练样本；获取与所述新训练样本相对应的评分结果，基于所述新训练样本和对应的评分结果对预设的节能策略推荐模型进行训练；使用训练好的节能策略推荐模型为目标基站确定各个机器学习模型的推荐度信息；基于所述推荐度信息获取融合模型，根据所述融合模型为目标基站确定节能策略；其中，所述融合模型包括每种机器学习模型中的至少一个机器学习模型。
可选地，所述使用训练好的节能策略推荐模型为目标基站确定各个机器学习模型的推荐度信息包括：获取与目标基站相对应的预测数据，基于此数据生成预测样本；使用训练好的各个机器学习模型分别对所述预测样本进行预测处理，基于预测结果生成新预测样本；使用训练好的所述节能策略推荐模型并基于所述新预测样本分别确定各个机器学习模型的推荐度信息。
可选地，所述基于所述推荐度信息获取融合模型包括：将每种机器学习模型中推荐度最高的至少一个机器学习模型作为融合成员模型；基于所述融合成员模型建立所述融合模型。
可选地，所述多种机器学习模型包括：节能场景识别模型和业务流量预测模型；所述节能场景识别模型对应的算法包括但不限于：聚类算法；所述业务流量预测模型对应的算法包括但不限于：LSTM算法、LightGBM算法；所述方法还包括：基于所述节能场景识别模型和所述业务流量预测模型建立AI节能模型知识库。
可选地，所述融合模型包括：节能场景识别模型和业务流量预测模型；所述根据所述融合模型为目标基站确定节能策略包括：获取所述融合模型中的节能场景识别模型和业务流量预测模型的预测结果；基于所述预测结果为目标基站确定节能策略。
可选地，获取所述目标基站对于所述节能策略反馈的节能效果评估指标信息；根据所述节能效果评估指标信息对所述节能策略推荐模型和所述机器学习模型进行优化处理。
可选地，所述获取与多个基站相对应的历史数据包括：对获取的所述历史数据进行预处理；其中，所述历史数据包括：基站负载性能KPI数据、业务质量数据、基站工参数据、MR数据中的一种或多种。
可选地，所述节能策略推荐模型对应的算法包括：GBDT算法和FM算法的组合算法。
根据本公开的第二方面，提供一种基站节能策略确定装置，包括：第一样本处理模块，用于获取与多个基站相对应的历史数据，基于所述历史数据生成训练样本集和验证样本集；第一模型训练模型，用于利用所述训练样本集对预设的多种机器学习模型进行训练；其中，对于每种机器学习模型都设置有多个机器学习模型；第二样本处理模块，用于使用训练好的各个机器学习模型对所述验证样本集进行预测处理，基于预测结果生成新训练样本；第二模型训练模块，用于获取与所述新训练样本相对应的评分结果，基于所述新训练样本和对应的评分结果对预设的节能策略推荐模型进行训练；推荐度确定模块，用于使用训练好的节能策略推荐模型为目标基站确定各个机器学习模型的推荐度信息；融合模型获取模块，用于基于所述推荐度信息获取融合模型，其中，所述融合模型包括每种机器学习模型中的至少一个机器学习模型；节能策略生成模块，用于根据所述融合模型为目标基站确定节能策略。
可选地，所述推荐度确定模块，具体用于获取与目标基站相对应的预测数据，基于此数据生成预测样本；使用训练好的各个机器学习模型分别对所述预测样本进行预测处理，基于预测结果生成新预测样本；使用训练好的所述节能策略推荐模型并基于所述新预测样本分别确定各个机器学习模型的推荐度信息。
可选地，所述融合模型获取模块，用于将每种机器学习模型中推荐度最高的至少一个机器学习模型作为融合成员模型；基于所述融合成员模型建立所述融合模型。
可选地，所述多种机器学习模型包括：节能场景识别模型和业务流量预测模型；所述节能场景识别模型对应的算法包括但不限于：聚类算法；所述业务流量预测模型对应的算法包括但不限于：LSTM算法、LightGBM算法；所述装置还包括：模型知识库建立模块，用于基于所述节能场景识别模型和所述业务流量预测模型建立AI节能模型知识库。
可选地，所述融合模型包括：节能场景识别模型和业务流量预测模型；所述节能策略生成模块，用于获取所述融合模型中的节能场景识别模型和业务流量预测模型的预测结果；基于所述预测结果为目标基站确定节能策略。
可选地，节能策略反馈模块，用于获取所述目标基站对于所述节能策略反馈的节能效果评估指标信息；根据所述节能效果评估指标信息对所述节能策略推荐模型和所述机器学习模型进行优化处理。
可选地，所述第一样本处理模块，用于对获取的所述历史数据进行预处理；其中，所述历史数据包括：基站负载性能KPI数据、业务质量数据、基站工参数据、MR数据中的一种或多种。
可选地，所述节能策略推荐模型对应的算法包括：GBDT算法和FM算法的组合算法。
根据本公开的第三方面，提供一种基站节能策略确定装置，包括：存储器；以及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，执行如上所述的方法。
根据本公开的第四方面，提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述指令被处理器执行如上所述的方法。
本公开的基站节能策略确定方法、装置以及方法存储介质，利用训练样本集对多种机器学习模型进行训练，使用训练好的机器学习模型对验证样本集进行预测处理，生成新训练样本；基于新训练样本和对应的评分结果对节能策略推荐模型进行训练，使用训练好的节能策略推荐模型为目标基站确定各个机器学习模型的推荐度信息，基于推荐度信息获取融合模型并确定节能策略；综合了多种机器学习模型之间的关联关系，对不同类型的基站进行最优节能策略推荐，支持基站参数的自动调整，减少了人工参与，在不影响用户体验的情况下，有效降低基站设备能耗，减少电信运营管理的运营成本支出。
附图说明
为了更清楚地说明本公开实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为根据本公开的基站节能策略确定方法的一个实施例的流程示意图；
图2为根据本公开的基站节能策略确定方法的一个实施例中的确定机器学习模型的推荐度信息的流程示意图；
图3为根据本公开的基站节能策略确定方法的一个实施例的应用技术架构示意图；
图4为GBDT+FM算法的原理图；
图5为根据本公开的基站节能策略确定方法的一个实施例的节能策略推荐的原理示意图；
图6为根据本公开的基站节能策略确定方法的一个实施例的节能策略推荐的实施示意图；
图7为根据本公开的基站节能策略确定装置的一个实施例的模块示意图；
图8为根据本公开的基站节能策略确定装置的另一个实施例的模块示意图；
图9为根据本公开的基站节能策略确定装置的又一个实施例的模块示意图。
具体实施方式
下面参照附图对本公开进行更全面的描述，其中说明本公开的示例性实施例。下面将结合本公开实施例中的附图，对本公开实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。基于本公开中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。下面结合各个图和实施例对本公开的技术方案进行多方面的描述。
图1为根据本公开的基站节能策略确定方法的一个实施例的流程示意图，如图1所示：
步骤101，获取与多个基站相对应的历史数据，基于历史数据生成训练样本集和验证样本集。
在一个实施例中，基站可以为在不同部署场景下的4G、5G基站等。历史数据包括：基站负载性能KPI(Key Performance Indication，关键性能指标)数据、业务质量数据、基站工参数据、MR数据中的一种或多种。业务质量数据包括：带宽、丢包率等。基站工参数据包括基站的地点、高度、规格、频率等参数。MR(Measurement Report，测量报告)是指用户终端在通话状态下向网络发送的测量报告，MR数据包括用户的下行RSRP值(ReferenceSignalReceived Power，参考信号接收功率)和上行SINR值(Signal to interferenceplusnoise ratio，信干噪比)等。
可以从网管系统等处获取历史数据,对历史数据进行预处理，预处理包括现有的数据清洗、特征构造和数据集构造等处理。可以使用现有的多种方法生成训练样本集和验证样本集。例如，获取与多个基站相对应的历史数据，将历史数据整理为具有预设格式的数据，并对数据进行相应的标注处理，基于数据和标注生成样本集，将样本集划分为训练样本集和验证样本集。
步骤102，利用训练样本集对预设的多种机器学习模型进行训练；其中，对于每种机器学习模型都设置有多个机器学习模型。
在一个实施例中，多种机器学习模型包括节能场景识别模型和业务流量预测模型等，对于节能场景识别模型有多个机器学习模型，对于业务流量预测模型有多个机器学习模型。可以使用现有的多种模型训练方法，使用训练样本集对全部节能场景识别模型和全部业务流量预测模型进行训练。
步骤103，使用训练好的各个机器学习模型对验证样本集进行预测处理，基于预测结果生成新训练样本。
在一个实施例中，使用训练好的全部节能场景识别模型和全部业务流量预测模型对验证样本集进行预测处理，获得预测结果，预测结果包括下行PRB平均利用率和平均RRC连接用户数等；基于预测结果以及验证样本集中的样本生成新训练样本。
步骤104，获取与新训练样本相对应的评分结果，基于新训练样本和对应的评分结果对预设的节能策略推荐模型进行训练。节能策略推荐模型可以有多种，例如，节能策略推荐模型对应的算法包括GBDT算法和FM算法的组合算法等。
在一个实施例中，获取用户或以其他方式对节能场景识别模型和业务流量预测模型对于验证样本集中的样本生成的预测结果进行评分，评分可以采用多种评分标准。将此评分结果作为对于新训练样本的标注信息，可以使用现有的多种模型训练方法，使用新训练样本和评分(标注信息)对节能策略推荐模型进行训练。
步骤105，使用训练好的节能策略推荐模型为目标基站确定各个机器学习模型的推荐度信息。
步骤106，基于推荐度信息获取融合模型，根据融合模型为目标基站确定节能策略；其中，融合模型包括每种机器学习模型中的至少一个机器学习模型。
图2为根据本公开的基站节能策略确定方法的一个实施例中的确定机器学习模型的推荐度信息的流程示意图，如图2所示：
步骤201，获取与目标基站相对应的预测数据，基于此数据生成预测样本。
在一个实施例中，目标基站为在不同部署场景下的4G、5G基站等。预测数据与历史数据相同，包括基站负载性能KPI数据、业务质量数据、基站工参数据、MR数据中的一种或多种，基于此预设数据生成预测样本；预测样本的格式和内容与训练样本集和验证样本集中的样本的格式和内容相同。
步骤202，使用训练好的各个机器学习模型分别对预测样本进行预测处理，基于预测结果生成新预测样本。
在一个实施例中，使用训练好的全部节能场景识别模型和全部业务流量预测模型对预测样本进行预测处理，获得预测结果，预测结果包括下行PRB平均利用率和平均RRC连接用户数等，基于预测结果以及预测样本生成新预测样本。分别生成与各个节能场景识别模型以及各个业务流量预测模型相对应的新预测样本，新预测样本的数量与全部节能场景识别模型和全部业务流量预测模型的数量相同。
步骤202，使用训练好的节能策略推荐模型并基于新预测样本分别确定各个机器学习模型的推荐度信息。
在一个实施例中，将多个预测样本依次输入训练好的节能策略推荐模型，获取节能策略推荐模型输出的对于各个节能场景识别模型以及各个业务流量预测模型的推荐度，推荐度用于表征各个节能场景识别模型以及各个业务流量预测模型对于目标基站的评分。
基于推荐度信息获取融合模型可以使用多种方法。将每种机器学习模型中推荐度最高的至少一个机器学习模型作为融合成员模型，基于融合成员模型建立融合模型。例如，获得各个节能场景识别模型以及各个业务流量预测模型的推荐度，将多个节能场景识别模型中推荐度最高的一个机器学习模型作为融合成员模型，将多个节能场景识别模型中推荐度最高的一个机器学习模型作为融合成员模型，基于两个融合成员模型建立融合模型。
在一个实施例中，如图3所示，本公开的应用技术架构包括数据源层、AI(Artificial Intelligence，人工智能)节能模型层、节能策略推荐层和设备层。在数据源层中，数据采集的O域、B域及M域数据在数据湖中进行管理维护。在数据湖中完成基站信息管理，需要通过数据处理手段对采集的基站基础数据进行管理，包括数据的存储、更新、特征构造、标签及评价体系构造、数据集(如训练集、验证集、测试集)构造等。
在AI节能模型层中，为基于AI的节能策略控制模块提供多种AI模型；结合业务逻辑，从数据湖中提取相关参数结合到AI模型中，便于进行基于AI的节能策略控制模块的实现。在AI节能模型层中，包含多种适用于节能的机器学习算法，如聚类算法、神经网络算法以及LightGBM算法等。基于对基站数据特征结合场景因素分析应用不同算法训练出不同的AI节能场景识别模型，基于基站业务流量特征应用不同算法训练出不同的AI业务流量预测模型，通过整合到统一组织中形成AI节能模型知识库。
在节能策略推荐层中，运用GBDT算法和FM算法的组合算法训练节能策略推荐模型，获取融合模型，对获取融合模型中的各个机器学习模型的预测结果进一步进行组合加权，基于不同部署场景生成最终的推荐结果。在设备层中通过OMC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。
在一个实施例中，节能策略推荐模型是一个集成模型，分类器采用CART，集成方式为Gradient Boosting。因子分解机(FM)是一种基于矩阵分解的机器学习算法，容易实现特征的融合，可以处理上亿条数据，但FM学习能力十分有限，需要大量的特征工程来增加模型的学习能力，GBDT能够解决这个问题。
利用训练样本集对预设的多种机器学习模型进行训练，使用训练好的各个机器学习模型对验证样本集进行预测处理。多种机器学习模型在验证样本集上的预测结果包括下行PRB平均利用率和平均RRC连接用户数；基于验证样本和对应的预测结果，作为新的训练集，新训练样本记为：{(a(1),b(1)),(a(2),b(2)),…,(a(m),b(m))，其中a(i)为一个n维的数据特征向量，它表示的是验证样本集中第i个样本的特征向量，特征向量中的特征包括：基站负载性能KPI数据、业务质量数据、基站工参数据等。b(i)为基于训练好的机器学习模型对于第i个样本预测的输出结果。
获取与新训练样本相对应的评分结果，即用户对于新训练样本以及通过机器学习模型对于新训练样本进行预测获取的输出结果的评分，表征预测结果是否符合实际的情况。基于新训练样本和对应的评分结果对预设的节能策略推荐模型进行训练。
节能策略推荐模型可以为现有的GBDT+FM模型，由现有的GBDT(GradientBoosting Decision Tree)特征提取层和现有的FM(FactorizationMachine)特征处理层构成，GBDT特征提取层用于提取特征，FM(FactorizationMachine，因子分解机)特征处理层用于根据提取到的特征预测推荐度，推荐度用于表征用户对于训练好的机器学习模型模型预测的输出结果进行的评分。
如图4所示，GBDT+FM模型通过GBDT特征提取层提取到的特征具有高维、稀疏、非线性等特点。GBDT+FM模型训练过程如下：由于CART树中只包含根节点，因此所有新训练样本都会被划分在这一个根结点之上。需要计算上根节点中包含的所有样本的方差，公式为：
Figure BDA0002682846220000101
其中，δ表示根节点的方差，m表示根节点中的样本数量，b(i)表示根节点中第i个样本标签。
下一步需要将只包含根节点的CART树分裂为包含左右子树的CART树，直到得到最终的划分,公式为：
Figure BDA0002682846220000102
其中，δ1、δ2分别为左右子树样本方差，m1、m2分别为左右子树样本数量。一直进行左右子树划分，直到左子树和右子树节点的标签值的和
Figure BDA0002682846220000103
达到最大，说明划分结果达到了最优。
GDBT模型可视为CART树的加法模型，公式为：
Figure BDA0002682846220000104
通过最小化损失函数求解最优模型：
Figure BDA0002682846220000105
其中，a表示新训练样本，h为CART的参数，t表示CART，w表示CART的权重。最后将最终的GDBT模型的叶子节点作为FM模型的输入,进行最终分类器的训练。
最终的GDBT+FM模型算法可以表示如下的1-5式，其中的F为GBDT模型特征输出，Ui为模型参数：
Figure BDA0002682846220000106
下一步，使用新训练集训练GBDT+FM模型，经过sigmoid函数变换：
Figure BDA0002682846220000111
通过1-6式得到节能策略的推荐度。如果选取推荐度最高的两种模型进行融合，实现节能策略最优推荐，并应用推荐的节能策略模型计算门限阈值进行节能技术的选取；其中，分别计算每类模型的推荐度，且每类模型推荐度之和为1。
针对节能策略推荐效果，反馈节能效果评估指标(包括用户体验数据、节能效率数据和基站负荷数据等)到节能策略推荐模型中，进行参数迭代优化，形成闭环反馈机制。
在一个实施例中，如图5所示，多种机器学习模型包括节能场景识别模型和业务流量预测模型；节能场景识别模型对应的算法包括现有的聚类算法；业务流量预测模型对应的算法包括现有的LSTM算法、LightGBM算法；基于节能场景识别模型和业务流量预测模型建立AI节能模型知识库。
融合模型包括节能场景识别模型和业务流量预测模型，获取融合模型中的节能场景识别模型和业务流量预测模型的预测结果，基于预测结果为目标基站确定节能策略。
获取目标基站对于节能策略反馈的节能效果评估指标信息，可以采用现有的方法根据节能效果评估指标信息对节能策略推荐模型和机器学习模型进行优化处理。节能效果评估指标信息包括用户体验数据、节能效率数据和基站负荷数据等。
本公开的基站节能策略确定方法，基于不同部署场景的基站运用GBDT+FM算法对不同节能策略模型进行关联分析，融合多种机器学习模型针对不同部署场景基站的业务流量预测结果，推荐最优的节能策略，最后应用到5G的无限通信单元系统中。
本公开的基站节能策略确定方法，考虑节能效果与节能策略推荐之间的闭环反馈，针对每个基站达到节能与用户体验的平衡，在不影响或者提高用户体验的基础上降低整体基站能耗，最终降低OPEX。本公开的基站节能策略确定方法，无需改进终端设备，只需运用机器学习方法在5G系统上制定智能节能策略推荐方法，通过OMC和供应商提供的开放接口对通信单元进行智能节能管理。
在一个实施例中，如图5所示，从OMC接口进行数据采集，通过解析数据包，获得与多个基站相对应的历史数据，包括基站负载性能KPI数据、业务质量数据、基础工参数据以及MR数据等信息。对采集的历史数据进行预处理，包括数据清洗等，例如数据的去脏去重、去除不需要的字段及相似度高的特征等。根据业务逻辑根据7：3的比例切分训练集以及验证集。
整合已有的机器学习模型(AI模型)形成AI模型知识库。机器学习模型包括采用基于多种聚类算法(Kmeans、SVM)的节能场景识别模型、基于LSTM、LightGBM等算法基站流量预测模型。
获取与目标基站相对应的预测数据，基于此数据生成预测样本；预测样本的格式和具体数据与训练集以及验证集的样本相同。使用训练好的各个节能场景识别模型和各个业务流量预测模型分别对预测样本进行预测处理，基于预测结果生成新预测样本。
例如，使用训练好的各个节能场景识别模型和各个业务流量预测模型分别获取其对于预测样本的PRB和RRC的预测结果，作为新预测样本，记为：{(a(1),b(1)),(a(2),b(2)),…,(a(m),b(m))。
在一个实施例中，应用公式(1-6)针对位于商场和学校场景的目标基站，计算两个节能场景识别模型和两个业务流量预测模型的推荐度，获取融合模型的结果如下表1所示。
Figure BDA0002682846220000121
Figure BDA0002682846220000131
表1-推荐度计算以及模型推荐结果表
如表1所示，应用节能策略推荐模型进行节能策略最优推荐，对于场景为商场的基站推荐节能场景识别模型2和业务流量预测模型1的融合模型，对于场景为景区的基站推荐节能场景识别模型1和业务流量预测模型1的融合模型。使用融合模型中的节能场景识别模型和业务流量预测模型的预测结果，设置确定节能策略，节能策略为基于多种门限值以及节能场景识别模型和业务流量预测模型的预测结果，确定对于目标基站的符号、通道等关断策略等，例如，符号关断、通道关断等。
使用节能策略推荐效果对基站进行节能策略推荐，并反馈用户体验数据、节约能耗数和基站负荷数据到节能策略推荐模型中，进行参数迭代优化，形成闭环反馈机制。
在一个实施例中，如图7所示，本公开提供了一种基站节能策略确定装置70，包括：第一样本处理模块71、第一模型训练模型72、第二样本处理模块73、第二模型训练模块74、推荐度确定模块75、融合模型获取模块76和节能策略生成模块77。
第一样本处理模块71获取与多个基站相对应的历史数据，基于历史数据生成训练样本集和验证样本集。第一模型训练模型72利用训练样本集对预设的多种机器学习模型进行训练；其中，对于每种机器学习模型都设置有多个机器学习模型。第二样本处理模块73使用训练好的各个机器学习模型对验证样本集进行预测处理，基于预测结果生成新训练样本。第二模型训练模块74获取与新训练样本相对应的评分结果，基于新训练样本和对应的评分结果对预设的节能策略推荐模型进行训练。
推荐度确定模块75使用训练好的节能策略推荐模型为目标基站确定各个机器学习模型的推荐度信息。融合模型获取模块76基于推荐度信息获取融合模型，其中，融合模型包括每种机器学习模型中的至少一个机器学习模型。节能策略生成模块77根据融合模型为目标基站确定节能策略。
在一个实施例中，推荐度确定模块75获取与目标基站相对应的预测数据，基于此数据生成预测样本。推荐度确定模块75使用训练好的各个机器学习模型分别对预测样本进行预测处理，基于预测结果生成新预测样本。推荐度确定模块75使用训练好的节能策略推荐模型并基于新预测样本分别确定各个机器学习模型的推荐度信息。
融合模型获取模块76将每种机器学习模型中推荐度最高的至少一个机器学习模型作为融合成员模型，基于融合成员模型建立融合模型。第一样本处理模块71对获取的历史数据进行预处理；其中，历史数据包括：基站负载性能KPI数据、业务质量数据、基站工参数据、MR数据中的一种或多种。节能策略推荐模型对应的算法包括GBDT算法和FM算法的组合算法等。
在一个实施例中，如图8所示，基站节能策略确定装置70还包括模型知识库建立模块78和节能策略反馈模块79。多种机器学习模型包括节能场景识别模型和业务流量预测模型等；节能场景识别模型对应的算法包括聚类算法等，业务流量预测模型对应的算法包括LSTM算法、LightGBM算法等。模型知识库建立模块78基于节能场景识别模型和业务流量预测模型建立AI节能模型知识库。
融合模型包括节能场景识别模型和业务流量预测模型。节能策略生成模块77获取融合模型中的节能场景识别模型和业务流量预测模型的预测结果，基于预测结果为目标基站确定节能策略。节能策略反馈模块79获取目标基站对于节能策略反馈的节能效果评估指标信息，根据节能效果评估指标信息对节能策略推荐模型和机器学习模型进行优化处理。
在一个实施例中，图9为根据本公开的基站节能策略确定装置的又一个实施例的模块示意图。如图9所示，该装置可包括存储器91、处理器92、通信接口93以及总线94。存储器91用于存储指令，处理器92耦合到存储器91，处理器92被配置为基于存储器91存储的指令执行实现上述的基站节能策略确定方法。
存储器91可以为高速RAM存储器、非易失性存储器(non-volatile memory)等，存储器91也可以是存储器阵列。存储器91还可能被分块，并且块可按一定的规则组合成虚拟卷。处理器92可以为中央处理器CPU，或专用集成电路ASIC(Application SpecificIntegrated Circuit)，或者是被配置成实施本公开的基站节能策略确定方法的一个或多个集成电路。
在一个实施例中，本公开提供一种计算机可读存储介质，计算机可读存储介质存储有计算机指令，指令被处理器执行时实现如上任一个实施例中的基站节能策略确定方法。
上述实施例中的基站节能策略确定方法、装置以及方法存储介质，利用训练样本集对多种机器学习模型进行训练，使用训练好的机器学习模型对验证样本集进行预测处理，生成新训练样本；基于新训练样本和对应的评分结果对节能策略推荐模型进行训练，使用训练好的节能策略推荐模型为目标基站确定各个机器学习模型的推荐度信息，基于推荐度信息获取融合模型并确定节能策略；综合了多种机器学习模型之间的关联关系，对不同类型的基站进行最优节能策略推荐，支持基站参数的自动调整，减少了人工参与，在不影响用户体验的情况下，有效降低基站设备能耗，减少电信运营管理的运营成本支出，取得更大的经济效益；并且，由网关设备等获取数据信息，节能策略的下发只需通过OMC接口或供应商提供的开放接口下发到设备，不需要直接对设备进行控制，使得方案推广无难度。
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。
本公开的描述是为了示例和描述起见而给出的，而并不是无遗漏的或者将本公开限于所公开的形式。很多修改和变化对于本领域的普通技术人员而言是显然的。选择和描述实施例是为了更好说明本公开的原理和实际应用，并且使本领域的普通技术人员能够理解本公开从而设计适于特定用途的带有各种修改的各种实施例。

Claims (18)

1.一种基站节能策略确定方法，包括：
获取与多个基站相对应的历史数据，基于所述历史数据生成训练样本集和验证样本集；
利用所述训练样本集对预设的多种机器学习模型进行训练；其中，对于每种机器学习模型都设置有多个机器学习模型；
使用训练好的各个机器学习模型对所述验证样本集进行预测处理，基于预测结果生成新训练样本；
获取与所述新训练样本相对应的评分结果，基于所述新训练样本和对应的评分结果对预设的节能策略推荐模型进行训练；
使用训练好的节能策略推荐模型为目标基站确定各个机器学习模型的推荐度信息；
基于所述推荐度信息获取融合模型，根据所述融合模型为目标基站确定节能策略；其中，所述融合模型包括每种机器学习模型中的至少一个机器学习模型。
2.如权利要求1所述的方法，所述使用训练好的节能策略推荐模型为目标基站确定各个机器学习模型的推荐度信息包括：
获取与目标基站相对应的预测数据，基于此数据生成预测样本；
使用训练好的各个机器学习模型分别对所述预测样本进行预测处理，基于预测结果生成新预测样本；
使用训练好的所述节能策略推荐模型并基于所述新预测样本分别确定各个机器学习模型的推荐度信息。
3.如权利要求1所述的方法，所述基于所述推荐度信息获取融合模型包括：
将每种机器学习模型中推荐度最高的至少一个机器学习模型作为融合成员模型；
基于所述融合成员模型建立所述融合模型。
4.如权利要求1所述的方法，其中，所述多种机器学习模型包括：节能场景识别模型和业务流量预测模型；所述节能场景识别模型对应的算法包括：聚类算法；所述业务流量预测模型对应的算法包括：LSTM算法、LightGBM算法；所述方法还包括：
基于所述节能场景识别模型和所述业务流量预测模型建立AI节能模型知识库。
5.如权利要求4所述的方法，其中，所述融合模型包括：节能场景识别模型和业务流量预测模型；所述根据所述融合模型为目标基站确定节能策略包括：
获取所述融合模型中的节能场景识别模型和业务流量预测模型的预测结果；
基于所述预测结果为目标基站确定节能策略。
6.如权利要求1所述的方法，还包括：
获取所述目标基站对于所述节能策略反馈的节能效果评估指标信息；
根据所述节能效果评估指标信息对所述节能策略推荐模型和所述机器学习模型进行优化处理。
7.如权利要求1所述的方法，还包括：
对获取的所述历史数据进行预处理；
其中，所述历史数据包括：基站负载性能KPI数据、业务质量数据、基站工参数据、MR数据中的一种或多种。
8.如权利要求1至7任一项所述的方法，其中，
所述节能策略推荐模型对应的算法包括：GBDT算法和FM算法的组合算法。
9.一种基站节能策略确定装置，包括：
第一样本处理模块，用于获取与多个基站相对应的历史数据，基于所述历史数据生成训练样本集和验证样本集；
第一模型训练模型，用于利用所述训练样本集对预设的多种机器学习模型进行训练；其中，对于每种机器学习模型都设置有多个机器学习模型；
第二样本处理模块，用于使用训练好的各个机器学习模型对所述验证样本集进行预测处理，基于预测结果生成新训练样本；
第二模型训练模块，用于获取与所述新训练样本相对应的评分结果，基于所述新训练样本和对应的评分结果对预设的节能策略推荐模型进行训练；
推荐度确定模块，用于使用训练好的节能策略推荐模型为目标基站确定各个机器学习模型的推荐度信息；
融合模型获取模块，用于基于所述推荐度信息获取融合模型，其中，所述融合模型包括每种机器学习模型中的至少一个机器学习模型
节能策略生成模块，用于根据所述融合模型为目标基站确定节能策略。
10.如权利要求9所述的装置，其中，
所述推荐度确定模块，具体用于获取与目标基站相对应的预测数据，基于此数据生成预测样本；使用训练好的各个机器学习模型分别对所述预测样本进行预测处理，基于预测结果生成新预测样本；使用训练好的所述节能策略推荐模型并基于所述新预测样本分别确定各个机器学习模型的推荐度信息。
11.如权利要求9所述的装置，其中，
所述融合模型获取模块，用于将每种机器学习模型中推荐度最高的至少一个机器学习模型作为融合成员模型；基于所述融合成员模型建立所述融合模型。
12.如权利要求9所述的装置，其中，所述多种机器学习模型包括：节能场景识别模型和业务流量预测模型；所述节能场景识别模型对应的算法包括：聚类算法；所述业务流量预测模型对应的算法包括：LSTM算法、LightGBM算法；所述装置还包括：
模型知识库建立模块，用于基于所述节能场景识别模型和所述业务流量预测模型建立AI节能模型知识库。
13.如权利要求12所述的装置，其中，所述融合模型包括：节能场景识别模型和业务流量预测模型；
所述节能策略生成模块，用于获取所述融合模型中的节能场景识别模型和业务流量预测模型的预测结果；基于所述预测结果为目标基站确定节能策略。
14.如权利要求9所述的装置，还包括：
节能策略反馈模块，用于获取所述目标基站对于所述节能策略反馈的节能效果评估指标信息；根据所述节能效果评估指标信息对所述节能策略推荐模型和所述机器学习模型进行优化处理。
15.如权利要求9所述的装置，其中，
所述第一样本处理模块，用于对获取的所述历史数据进行预处理；其中，所述历史数据包括：基站负载性能KPI数据、业务质量数据、基站工参数据、MR数据中的一种或多种。
16.如权利要求9至15任一项所述的装置，其中，
所述节能策略推荐模型对应的算法包括：GBDT算法和FM算法的组合算法。
17.一种基站节能策略确定装置，包括：
存储器；以及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，执行如权利要求1至8中任一项所述的方法。
18.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述指令被处理器执行如权利要求1至8中任一项所述的方法。
CN202010967404.3A 2020-09-15 2020-09-15 基站节能策略确定方法、装置以及方法存储介质 Pending CN114269007A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202010967404.3A CN114269007A (zh) 2020-09-15 2020-09-15 基站节能策略确定方法、装置以及方法存储介质
PCT/CN2021/090593 WO2022057268A1 (zh) 2020-09-15 2021-04-28 基站节能策略确定方法、装置以及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010967404.3A CN114269007A (zh) 2020-09-15 2020-09-15 基站节能策略确定方法、装置以及方法存储介质

Publications (1)

Publication Number Publication Date
CN114269007A true CN114269007A (zh) 2022-04-01

Family

ID=80777612

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010967404.3A Pending CN114269007A (zh) 2020-09-15 2020-09-15 基站节能策略确定方法、装置以及方法存储介质

Country Status (2)

Country Link
CN (1) CN114269007A (zh)
WO (1) WO2022057268A1 (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115066006A (zh) * 2022-05-28 2022-09-16 哈尔滨工业大学 一种基于强化学习的基站休眠方法、设备和介质
CN115134898A (zh) * 2022-06-22 2022-09-30 唐人通信技术服务股份有限公司 基于聚类分析的5g基站节能方法、装置、设备及介质
CN115150874A (zh) * 2022-07-25 2022-10-04 承德石油高等专科学校 一种通信基站的评估方法及装置
CN115175288A (zh) * 2022-07-20 2022-10-11 中国联合网络通信集团有限公司 节能策略的匹配方法、装置、设备及存储介质
CN116095753A (zh) * 2023-04-10 2023-05-09 北京东远润兴科技有限公司 协同计算方法、装置、设备及存储介质
CN116489752A (zh) * 2023-06-26 2023-07-25 亚信科技（中国）有限公司 基站节能方法、装置、设备以及存储介质

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114630405A (zh) * 2022-04-02 2022-06-14 中国电信股份有限公司乌鲁木齐分公司 一种通信系统能耗管理方法、电子设备及存储介质
CN115002217B (zh) * 2022-05-23 2024-02-06 中国电信股份有限公司 调度方法、装置、设备及介质
CN115455708B (zh) * 2022-09-19 2023-12-19 贵州航天云网科技有限公司 基于向量相识度的多模型局部建模方法
CN117791877B (zh) * 2024-02-23 2024-05-24 北京智芯微电子科技有限公司 配电物联网控制方法、装置、设备及介质

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060182262A1 (en) * 2005-02-15 2006-08-17 Goldman Stuart O Auxiliary power conservation for telecommunications site
CN105654102A (zh) * 2014-11-10 2016-06-08 富士通株式会社 数据处理装置及数据处理方法
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
CN110381523B (zh) * 2019-06-17 2023-04-07 盐城吉研智能科技有限公司 一种基于tvf-emd-lstm模型的蜂窝基站网络流量预测方法

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115066006A (zh) * 2022-05-28 2022-09-16 哈尔滨工业大学 一种基于强化学习的基站休眠方法、设备和介质
CN115134898A (zh) * 2022-06-22 2022-09-30 唐人通信技术服务股份有限公司 基于聚类分析的5g基站节能方法、装置、设备及介质
CN115134898B (zh) * 2022-06-22 2023-04-18 唐人通信技术服务股份有限公司 基于聚类分析的5g基站节能方法、装置、设备及介质
CN115175288A (zh) * 2022-07-20 2022-10-11 中国联合网络通信集团有限公司 节能策略的匹配方法、装置、设备及存储介质
CN115150874A (zh) * 2022-07-25 2022-10-04 承德石油高等专科学校 一种通信基站的评估方法及装置
CN116095753A (zh) * 2023-04-10 2023-05-09 北京东远润兴科技有限公司 协同计算方法、装置、设备及存储介质
CN116095753B (zh) * 2023-04-10 2023-06-30 北京东远润兴科技有限公司 协同计算方法、装置、设备及存储介质
CN116489752A (zh) * 2023-06-26 2023-07-25 亚信科技（中国）有限公司 基站节能方法、装置、设备以及存储介质
CN116489752B (zh) * 2023-06-26 2023-09-12 亚信科技（中国）有限公司 基站节能方法、装置、设备以及存储介质

Also Published As

Publication number Publication date
WO2022057268A1 (zh) 2022-03-24

Similar Documents

Publication Publication Date Title
CN114269007A (zh) 基站节能策略确定方法、装置以及方法存储介质
Sevgican et al. Intelligent network data analytics function in 5G cellular networks using machine learning
Chen et al. A GNN-based supervised learning framework for resource allocation in wireless IoT networks
CN110968426B (zh) 一种基于在线学习的边云协同k均值聚类的模型优化方法
CN108900333A (zh) 一种无线网络质量的评估方法及评估装置
CN109640340A (zh) 基站数据处理方法、装置、设备及计算机可读存储介质
CN110290077B (zh) 一种基于实时业务配置的工业sdn资源分配方法
CN113382477B (zh) 应用于无线网络用户间上行干扰建模的方法
Ko et al. Joint client selection and bandwidth allocation algorithm for federated learning
CN107809766B (zh) 一种用于网络优化的机器学习样本的生成方法及装置
CN113727420B (zh) 一种多模接入网络选择装置及方法
CN109743217B (zh) 一种基于svra算法的自适应资源调节方法
Lei et al. Learning-based resource allocation: Efficient content delivery enabled by convolutional neural network
Mi et al. Software-defined green 5G system for big data
CN110944349A (zh) 基于直觉模糊数和topsis的异构无线网络选择方法
CN111083724B (zh) 一种雾计算网络下基于ocwg-topsis的用户关联方法
CN113660687B (zh) 网络差小区处理方法、装置、设备及存储介质
Guerra-Gomez et al. Machine learning adaptive computational capacity prediction for dynamic resource management in C-RAN
Zhang et al. Toward intelligent resource allocation on task-oriented semantic communication
CN108307510A (zh) 一种异构小区网络中的功率分配方法
Bakri et al. Channel stability prediction to optimize signaling overhead in 5G networks using machine learning
CN116112934A (zh) 一种基于机器学习的端到端网络切片资源分配方法
Tajiri et al. Optimizing edge-cloud cooperation for machine learning accuracy considering transmission latency and bandwidth congestion
CN114205238A (zh) 网络资源优化、模型训练方法、装置、存储介质及设备
CN115843050A (zh) 网络切片配置方法及系统、计算机可存储介质

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