CN114339962B - 基站节能方法、装置及系统 - Google Patents

Abstract

本发明实施例提供一种基站节能方法、装置及系统，所述方法包括：通过将待进行节能的基站在预设时间段内的关键特征数据输入无线资源利用率预测模型中，输出基站在预设时间段内的预测无线资源利用率，若判断预测无线资源利用率小于预设阈值，则在预设时间段内对基站进行关断，以使基站节能。本发明实施例由于预测无线资源率是根据无线资源利用率预测模型得到，从而能够实时快速获取预测无线资源利用率，避免人工分析存在效率低下和时效性差的问题，而且可以针对基站在预设时间段内的具体情况准确获取预测无线资源利用率。

Description

基站节能方法、装置及系统

技术领域

本发明涉及计算机技术领域，尤其涉及一种基站节能方法、装置及系统。

背景技术

近年来，随着基站的大规模部署，站点数量的不断增多，网络能耗不断攀升。目前基站电费约占运营商网络运营费用的16％，因此针对基站的节能减排是运营商的普遍目标。经统计发现，网络话务量存在明显的潮汐效应，忙时话务是闲时的4倍多，但是大部分基站设备却始终处于24小时持续运行状态，能耗并没有随话务量动态调整，形成浪费。基站机房能耗中传统宏基站(基带处理单元(Bui lding Base band Unite，BBU)和射频拉远模块(Remote Radio Unit，RRU))主设备能耗占到了50％，其中RRU能耗占主设备能耗的80％，而功率放大器(Power Amplifier，PA)能耗又占RRU能耗的79％。

现有的基站节能方法为操作人员依据无线网络运行情况人工的对符号、通道或者逻辑载频的关断。例如，操作人员通过定时对小区进行关断(例如晚23:00～6:00)，根据定时的指标统计分析来实现对特定基站实现节能目的。然而，若依赖人工操作按照一个个基站的实际话务模型去精确设定关断策略，存在效率低下和时效性差的问题。若按照统一的关断时间批量下发执行，存在盲目性，不能准确判断关断小区对整体业务质量影响。

发明内容

针对现有技术存在的问题，本发明实施例提供一种基站节能方法、装置及系统。

具体地，本发明实施例提供了如下技术方案：

第一方面，本发明实施例提供一种基站节能方法，包括：

获取待进行节能的基站在预设时间段内的关键特征数据，所述关键特征指对无线资源利用率的影响权重超过预设权重的特征；

将所述关键特征数据输入无线资源利用率预测模型中，输出所述基站在预设时间段内的预测无线资源利用率；

判断所述预测无线资源利用率是否小于预设阈值，若是，则在所述预设时间段内对所述基站进行关断，以使所述基站节能；

其中，所述无线资源利用率预测模型是基于第一历史基站无线资源利用率数据及对应的关键特征数据训练得到的。

进一步地，所述获取待进行节能的基站在预设时间段内的关键特征数据，具体包括：

基于特征选择算法，确定所述关键特征，并根据所述关键特征获取待进行节能的基站在预设时间段内对应的关键特征数据。

进一步地，所述特征选择算法包括平均精确率减少算法；

相应地，基于特征选择算法，确定所述关键特征，具体包括：

获取第二历史基站无线资源利用率数据及对应的相关特征数据，所述相关特征指对无线资源利用率存在影响的特征；

基于平均精确率减少算法，计算各相关特征对所述第二历史基站无线资源利用率数据的影响权重；

根据所述各相关特征对所述第二历史基站无线资源利用率数据的影响权重，选取影响权重超过预设权重对应的相关特征作为关键特征。

进一步地，所述无线资源利用率预测模型基于循环神经网络训练得到，具体包括：

获取所述第一历史基站无线资源利用率数据及对应的关键特征数据，所述第一历史基站无线资源利用率数据携带有时序信息且所述第一历史基站无线资源利用率数据中的各无线资源利用率的周期相同；

将所述第一历史基站无线资源利用率数据及对应的关键特征数据输入循环神经网络，对所述循环神经网络进行训练，直至达到预设收敛条件后结束训练。

进一步地，若判断所述预测无线资源利用率不小于预设阈值，则在所述预设时间段内对所述基站取消关断。

进一步地，还包括：

实时监控获取所述基站的实测无线资源利用率；

若判断所述预测无线资源利用率小于预设阈值，且所述实测无线资源利用率不小于预设阈值，则在所述预设时间段内对所述基站取消关断。

第二方面，本发明实施例提供一种基站节能装置，包括：

获取单元，用于获取待进行节能的基站在预设时间段内的关键特征数据，所述关键特征指对无线资源利用率的影响权重超过预设权重的特征；

预测单元，用于将所述关键特征数据输入无线资源利用率预测模型中，输出所述基站在预设时间段内的预测无线资源利用率；

关断单元，用于判断所述预测无线资源利用率是否小于预设阈值，若是，则在所述预设时间段内对所述基站进行关断，以使所述基站节能；

其中，所述无线资源利用率预测模型是基于第一历史基站无线资源利用率及对应的关键特征数据训练得到的。

第三方面，本发明实施例提供一种基站节能系统，包括如第一方面所述基站节能装置、操作维护中心OMC和无线基站。

第四方面，本发明实施例提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如第一方面所述基站节能方法的步骤。

第五方面，本发明实施例提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面所述基站节能方法的步骤。

本发明实施例提供的基站节能方法、装置及系统，通过将待进行节能的基站在预设时间段内的关键特征数据输入无线资源利用率预测模型中，输出基站在预设时间段内的预测无线资源利用率，若判断预测无线资源利用率小于预设阈值，则在预设时间段内对基站进行关断，以使基站节能。由于预测无线资源率是根据无线资源利用率预测模型得到，从而能够实时快速获取预测无线资源利用率，避免人工分析存在效率低下和时效性差的问题，而且可以针对基站在预设时间段内的具体情况准确获取预测无线资源利用率，避免传统方法中按照统一的关断时间对基站进行关断而导致影响整体业务质量的问题。此外，无线资源利用率预测模型是基于第一历史无线资源利用率数据及对应的关键特征数据训练得到的循环神经网络，考虑了时序的影响因素，以及基于特征选择模型确定影响无线资源利用率的关键特征，排除对无线资源利用率影响较小的特征，从而能够进一步准确获取预测无线资源利用率。

附图说明

为了更清楚地说明本发明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，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明第一个实施例提供的基站节能方法的流程示意图；

图2是本发明一实施例提供的循环神经网络结构示意图；

图3是本发明一实施例提供的基于循环神经网络的预测无线资源利用率示意图；

图4是本发明第二个实施例提供的基站节能装置的结构示意图；

图5是本发明第三个实施例提供的基站节能系统示意图；

图6是本发明第四个实施例提供的电子设备的结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

图1是本发明第一个实施例提供的基站节能方法的流程示意图，如图1所示，本发明第一个实施例提供的基站节能方法，包括如下步骤：

步骤110、获取待进行节能的基站在预设时间段内的关键特征数据，所述关键特征指对无线资源利用率的影响权重超过预设权重的特征。

在本步骤中，需要说明的是，网络话务量存在明显的潮汐效应，忙时话务是闲时的4倍多，但是大部分基站设备却始终处于24小时持续运行状态，能耗并没有随话务量动态调整，形成浪费，因此需要对基站进行节能。传统方法中的基站节能方法为操作人员依据无线网络运行情况人工的对符号、通道或者逻辑载频的关断。例如，操作人员通过定时对小区进行关断(例如晚23：00～6：00)，根据定时的指标统计分析来实现对特定基站实现节能目的。然而，若依赖人工操作按照一个个基站的实际话务模型去精确设定关断策略，存在效率低下和时效性差的问题。若按照统一的关断时间批量下发执行，存在盲目性，不能准确判断关断小区对整体业务质量影响。因此，本实施例通过将待进行节能的基站在预设时间段内的关键特征数据输入无线资源利用率预测模型中，输出基站在预设时间段内的预测无线资源利用率，根据预测无线资源利用率输出基站的关断策略，从而能够实时快速获取预测无线资源利用率，避免人工分析存在效率低下和时效性差的问题。本实施例通过采用机器学习的深度神经网络算法，构建更加准确的预测模型，解决传统方法中无法对每个小区的无线资源利用率准确预测并输出关断策略，同时保证网络关键指标(Key PerformanceIndication，KPI)不下降的问题。具体通过建立基站无线资源利用率预测模型，实现对无线资源利用率的趋势预测，其中长期演进网络(Long Term Evolution，LTE)中的无线资源用物理资源块(Physical Radio Block，PRB)衡量，根据预测结果刷新载波关断门限，建立基站节能策略，从而建立基于人工智能的数据统计、分析、智能关断的整套流程。

在本实施例中，无线资源利用率即无线信道利用率，即实际话务量和话务容量的比值，是考察网络资源利用情况的一个重要指标。无线资源利用率越高，说明无线资源利用越充分。对无线资源利用率存在影响的特征包括多个，如日期、时间、用户数等，但某些特征对于无线资源利用率的影响权重较小可以忽略，为了能够避免影响权重较小的特征对预测无线资源利用率的干扰，本实施例选取对无线资源利用率的影响权重超过预设权重的特征作为关键特征，基于关键特征预测无线资源利用率，从而能够进一步提高预测无线资源利用率的准确度。

因此，本实施例通过获取待进行节能的基站在预设时间段内的关键特征数据，基于关键特征数据预测基站的无线资源利用率。例如，若关键特征为用户数和流量，则获取基站A在预设时间段23：00-6：00对应的用户数和流量，根据用户数和流量预测基站A在23：00-6：00的无线资源利用率。

需要说明的是，预设时间段可以根据实际需求具体设置，本实施例对此不作具体限定。

步骤120、将所述关键特征数据输入无线资源利用率预测模型中，输出所述基站在预设时间段内的预测无线资源利用率。其中，所述无线资源利用率预测模型是基于第一历史基站无线资源利用率数据及对应的关键特征数据训练得到的。

在本步骤中，根据步骤110获取基站的关键特征数据后，将其输入无线资源利用率预测模型中，从而可以获取基站在预设时间段内的预测无线资源利用率。由于预测无线资源率是根据无线资源利用率预测模型得到，从而能够实时快速获取预测无线资源利用率，避免人工分析存在效率低下和时效性差的问题，而且可以针对基站在预设时间段内的具体情况准确获取预测无线资源利用率，避免传统方法中按照统一的关断时间对基站进行关断而导致影响整体业务质量的问题。此外，无线资源利用率预测模型是第一历史基站无线资源利用率数据及对应的关键特征数据训练得到的，考虑了影响基站无线资源利用率的关键特征，排除对无线资源利用率影响较小的特征，从而能够进一步准确获取预测无线资源利用率。

步骤130、判断所述预测无线资源利用率是否小于预设阈值，若是，则在所述预设时间段内对所述基站进行关断，以使所述基站节能。

在本步骤中，根据步骤120中获取的预测无线资源利用率，可以判定不同基站可实施节能时间，当基站预测无线资源利用率小于预设阈值时，判断预设时间段为可实施节能时间，则在预设时间段内对基站进行关断，以使基站节能。需要说明的是，预设阈值可以为基站相关设备的门限值，也可以根据实际需求设置，本实施例对此不作具体限定。

本发明实施例提供的基站节能方法，通过将待进行节能的基站在预设时间段内的关键特征数据输入无线资源利用率预测模型中，输出基站在预设时间段内的预测无线资源利用率，若判断预测无线资源利用率小于预设阈值，则在预设时间段内对基站进行关断，以使基站节能。由于预测无线资源率是根据无线资源利用率预测模型得到，从而能够实时快速获取预测无线资源利用率，避免人工分析存在效率低下和时效性差的问题，而且可以针对基站在预设时间段内的具体情况准确获取预测无线资源利用率，避免传统方法中按照统一的关断时间对基站进行关断而导致影响整体业务质量的问题。此外，无线资源利用率预测模型是第一历史基站无线资源利用率数据及对应的关键特征数据训练得到的，考虑了影响基站无线资源利用率的关键特征，排除对无线资源利用率影响较小的特征，从而能够进一步准确获取预测无线资源利用率。

基于上述实施例的内容，在本实施例中，所述获取待进行节能的基站在预设时间段内的关键特征数据，具体包括：

基于特征选择算法，确定所述关键特征，并根据所述关键特征获取待进行节能的基站在预设时间段内对应的关键特征数据。

在本实施例中，为了能够从影响无线资源利用率的特征中准确选择出影响权重较大的关键特征，采用特征选择算法进行筛选，确定对无线资源利用率影响权重较大的关键特征，从而能够准确预测无线资源利用率。其中，特征选择是指从已有的M个特征中选择N个特征使得系统的特定指标最优化，是从原始特征中选择出一些最有效特征以降低数据集维度的过程。特征选择算法包括去掉取值变化小的特征、单变量特征选择、线性模型和正则化、随机森林等算法，本实施例基于特征选择算法确定关键特征，并根据确定的关键特征获取基站在预设时间段内对应的关键特征数据，从而作为无线资源利用率预测模型的输入，准确获取预测无线资源利用率。

本发明实施例提供的基站节能方法，基于特征选择算法，确定关键特征，并根据关键特征获取待进行节能的基站在预设时间段内对应的关键特征数据，从而能够准确确定关键特征，作为无线资源利用率预测模型的输入，进而准确获取预测无线资源利用率。

基于上述实施例的内容，在本实施例中，所述特征选择算法包括平均精确率减少算法；

相应地，基于特征选择算法，确定所述关键特征，具体包括：

获取第二历史基站无线资源利用率数据及对应的相关特征数据，所述相关特征指对无线资源利用率存在影响的特征；

基于平均精确率减少算法，计算各相关特征对所述第二历史基站无线资源利用率数据的影响权重；

根据所述各相关特征对所述第二历史基站无线资源利用率数据的影响权重，选取影响权重超过预设权重对应的相关特征作为关键特征。

在本实施例中，特征选择算法包括平均精确率减少算法。平均精确率减少算法是随机森林提供的一种特征选择算法，随机森林具有准确率高、鲁棒性好、易于使用等优点，并且随机森林的平均精确率减少算法通过直接度量每个特征对模型精确率的影响，即打乱每个特征的特征值顺序，并且度量顺序变动对模型的精确率的影响。对于不重要的特征来说，打乱顺序对模型的精确率影响不会太大，但是对于重要的特征来说，打乱顺序就会降低模型的精确率。由此可见，本实施例通过采用平均精确率减少算法能够进一步准确且直观获取关键特征。

基于所有的预测都是从历史规律学习出来的，无线资源利用率预测涉及到空间和时间的概念，也就是某个时间段、某个小区的资源利用率变化规律是什么，空间和时间包括很多特征。特征选择算法的主要功能是基于无线资源利用率和无线资源利用率相关特征的历史数据，采用特征选择算法选择影响无线资源利用率的关键特征。其中，获取相关特征可以通过采集话务统计数据获取也就是采集通信系统所产生的站内短消息数据(PrivateMessage，简称PM数据)，PM数据为流量趋势分析除了考虑近期历史流量数据，还需考虑影响流量的关键特征，除此之外，突发因素对流量增幅的影响也十分重要；其中突发因素中目前较为重要的是运营商对4G业务进行的活动推广。本实施例通过收集数据，而后分析计算数据5G规划站点覆盖区域，再进行关联匹配相关邻区，根据测量报告(Measure Report，MR)重叠覆盖计算邻区干扰贡献度，输出4G移频站点清单和隔离带设置方案。

因此，本实施例通过获取第二历史基站无线资源利用率数据及对应的相关特征数据，基于平均精确率减少算法，计算各相关特征对第二历史基站无线资源利用率数据的影响权重，从而可以根据各相关特征对第二历史基站无线资源利用率数据的影响权重，选取影响权重超过预设权重对应的相关特征作为关键特征。相关特征指对无线资源利用率存在影响的特征，即包括关键特征，突发因素等特征。表1为无线资源利用率相关特征列表，如表1所示，无线资源利用率相关特征包括日期、时间、邻区关系等。根据特征选择算法，可以从表1中选择出对问题有更好解释的特征即关键特征，从而提高预测无线资源利用率的准确性，进一步提高无线资源利用率预测模型的性能。例如无线资源利用率为F，通过特征选择算法可以明确影响无线资源利用率的m个关键特征E1、E2、…、Em。需要说明的是，相关特征可以根据实际需求具体确定，本实施例对此不作具体限定。

表1

序号	特征向量
		1	日期
2	时间
		3	邻区关系
4	用户数
		5	流量
6	天气
		7	节假日信息
8	事件(比赛、晚会等)
		9	车流量
10	历史无线资源利用率
		11	……

可以理解的是，本实施例可以基于流量和相关特征数据采用随机森林平均精确率减少算法选择关键特征，然后基于关键特征和流量特征的历史数据，采用无线资源利用率预测模型，对无线资源利用率进行预测，接着基于历史推广活动信息，推广力度特征、推广区域的相关影响特征与推广活动后由于活动带来的流量增幅采用回归算法建立业务活动突发因素模型，基于不同业务活动的相关特征综合评估活动推广对流量增幅影响，最后结合无线资源利用率预测模型和突发因素模型的结果，预测无线资源利用率。

本发明实施例提供的基站节能方法，基于平均精确率减少算法，确定关键特征，并根据关键特征获取待进行节能的基站在预设时间段内对应的关键特征数据，从而能够进一步准确且稳定获取关键特征，作为无线资源利用率预测模型的输入，进而准确获取预测无线资源利用率。

基于上述实施例的内容，在本实施例中，所述无线资源利用率预测模型基于循环神经网络训练得到，具体包括：

获取所述第一历史基站无线资源利用率数据及对应的关键特征数据，所述第一历史基站无线资源利用率数据携带有时序信息且所述第一历史基站无线资源利用率数据中的各无线资源利用率的周期相同；

将所述第一历史基站无线资源利用率数据及对应的关键特征数据输入循环神经网络，对所述循环神经网络进行训练，直至达到预设收敛条件后结束训练。

在本实施例中，基于特征选择算法确定的关键特征和无线资源利用率的历史数据，采用循环神经网络(Recurrent Neural Network，简称RNN)，挖掘未来无线资源利用率与历史无线资源利用率和关键特征向量的关系，预测预设时间段内的无线资源利用率。本实施例通过将第一历史基站无线资源利用率数据及对应的关键特征数据输入循环神经网络，对循环神经网络进行训练，直至达到预设收敛条件后结束训练，如两次迭代之间的权值变化小于阈值时结束训练。其中，第一历史基站无线资源利用率数据携带有时序信息且第一历史基站无线资源利用率数据中的各无线资源利用率的周期相同。例如，第一历史基站无线资源利用率数据可以选择无线资源利用率近半年15分钟粒度数据F(t-12)、…F(t-1)和关键特征相同周期相同粒度数据E1(t-12)、…、E1(t-1)、…Em(t-12)、…、Em(t-1)进入循环神经网络训练并预测；其中，数据的周期和粒度可以根据数据具体情况和业务需求进行变更，本实施例对此不作具体限定。

由于传统神经网络模型采用直接将数据特征输入模型，通过邻层之间的单元进行前向传播，每一层的节点采用激活函数进行非线性变换，最终预测结果。而本实施例中采用的RNN是对传统神经网络模型的改进，图2是本发明一实施例提供的循环神经网络结构示意图，如图2所示，RNN加入了时序的特征，将隐层单元增加反馈，每个隐层的输入既包括当前样本特征又包含上一个时序所带来的信息。循环神经网络中，数据前向也后向地传输着。在预测次序的时候，循环神经网络的输出也被用作输入，RNN的计算结果便具备了记忆之前几次结果的特点。由此可见，本实施例采用的RNN，考虑了时序因素的影响，从而能够进一步准确获取预测无线资源利用率。图3是本发明一实施例提供的基于循环神经网络的预测无线资源利用率示意图，如图3所示，基于无线资源利用率特征的历史数据和关键特征历史数据，采用RNN算法建立模型预测流量周期为p粒度的无线资源利用率值。

本发明实施例提供的基站节能方法，基于循环神经网络训练得到无线资源利用率预测模型，考虑了时序因素的影响，从而能够进一步准确获取预测无线资源利用率。

基于上述实施例的内容，在本实施例中，若判断所述预测无线资源利用率不小于预设阈值，则在所述预设时间段内对所述基站取消关断。

在本实施例中，根据上述实施例中获取的预测无线资源利用率，可以判定不同基站可实施节能时间，当基站预测无线资源利用率不小于预设阈值时，判断预设时间段不可实施节能或者需要终止节能，则在预设时间段内对基站取消关断，以使基站终止节能。需要说明的是，预设阈值可以为基站相关设备的门限值，也可以根据实际需求设置，本实施例对此不作具体限定。

本发明实施例提供的基站节能方法，根据预测无线资源利用率判断基站的关断策略，从而能够根据基站在预设时间段内的具体情况实施节能，而且在实施节能的同时还能保证网络关键指标不下降。

基于上述实施例的内容，在本实施例中，实时监控获取基站的实测无线资源利用率；

若判断所述预测无线资源利用率小于预设阈值，且所述实测无线资源利用率不小于预设阈值，则在所述预设时间段内对所述基站取消关断。

在本实施例中，由于无线资源利用率预测模型是根据历史基站无线资源利用率相关数据训练得到，获取的预测无线资源利用率为预测值。当发生突发状况时，获取的预测无线资源利用率可能无法反映突发状况的真实情况。因此，本实施例通过基站设备实时监测获取基站的实测无线资源利用率，用来实时反映基站无线资源利用率的实际情况，避免突发状况导致根据预测无线资源利用率制定的基站节能方案存在误差的问题。具体地，若判断预测无线资源利用率小于预设阈值，且实测无线资源利用率不小于预设阈值，表明可能存在突发状况导致预测无线资源利用率存在误差，则以实测无线资源利用率数据为准，在预设时间段内对基站取消关断，从而进一步准确根据无线资源利用率确定基站节能的方案(是否执行关断)。

本发明实施例提供的基站节能方法，通过实时监控获取基站的实测无线资源利用率，若判断预测无线资源利用率小于预设阈值，且实测无线资源利用率不小于预设阈值，则在预设时间段内对基站取消关断，从而能够保证在突发状况时准确制定基站的节能方案。

图4是本发明第二个实施例提供的基站节能装置的结构示意图，如图4所示，本发明第二个实施例提供的基站节能装置，包括：

获取单元410，用于获取待进行节能的基站在预设时间段内的关键特征数据，所述关键特征指对无线资源利用率的影响权重超过预设权重的特征；

预测单元420，用于将所述关键特征数据输入无线资源利用率预测模型中，输出所述基站在预设时间段内的预测无线资源利用率；

关断单元430，用于判断所述预测无线资源利用率是否小于预设阈值，若是，则在所述预设时间段内对所述基站进行关断，以使所述基站节能；

其中，所述无线资源利用率预测模型是基于第一历史基站无线资源利用率及对应的关键特征数据训练得到的。

本实施例所述的基站节能装置可以用于执行上述第一个实施例所述的基站节能方法，其原理和技术效果类似，此处不再详述。

图5是本发明第三个实施例提供的基站节能系统示意图，如图5所示，本发明第三个实施例提供的基站节能系统，包括：上述实施例所述的基站节能装置、操作维护中心(Operation and Maintenance Center，OMC)和无线基站。

为实现节能策略智能输出、执行、终止和监控节能效果，建立基站节能自动控制调度平台，通过连接现有平台和厂家OMC实现基站节能策略自动配置和下发、终止；并实时监控策略实施后站点指标和PRB利用率情况，实施调整节能策略，具体包括：

①启动节能特性：用户在平台上统一配置网络节能策略。

②策略自助下发：通过智能软件进程连接厂家OMC，实现策略自助下发。

③数据自动分析：通过服务器自动采集PM数据，基于每个小区的历史负载，分析计算每个小区自适应的节能关断计划。

④实时监控：根据节能策略实施后的指标和PRB利用率情况实时调整基站节能策略，保证用户感知。

本实施例通过无线资源利用率和对应的关键特征历史数据(其中关键特征采用特征选择算法提取)，基于关键特征和无线资源利用率历史数据采用循环神经网络算法建立时序模型预测无线资源利用率。然后根据预测无线利用率针对不同小区设置不同的节能策略，最大化提升基站的节能时间；同时，结合预测数据方案和现网实时监控无线利用率及时终止节能策略；最后，采取系统下发节能策略方式，对每个基站实施单独策略指令。因此利用本方法进行基站节能控制，对于节能策略的制定与实施更加准确性、科学性与高效性，能够较大程度的降低人工成本，提升基站节能带来的能耗收益。

图6是本发明第四个实施例提供的电子设备的结构示意图，如图6所示，该电子设备可以包括：处理器(processor)610、通信接口(Communications Interface)620、存储器(memory)630和通信总线640，其中，处理器610，通信接口620，存储器630通过通信总线640完成相互间的通信。处理器610可以调用存储器630中的逻辑指令，以执行基站节能方法，该方法包括：获取待进行节能的基站在预设时间段内的关键特征数据，所述关键特征指对无线资源利用率的影响权重超过预设权重的特征；将所述关键特征数据输入无线资源利用率预测模型中，输出所述基站在预设时间段内的预测无线资源利用率；判断所述预测无线资源利用率是否小于预设阈值，若是，则在所述预设时间段内对所述基站进行关断，以使所述基站节能；其中，所述无线资源利用率预测模型是基于第一历史基站无线资源利用率数据及对应的关键特征数据训练得到的。

此外，上述的存储器630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。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案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步骤。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。

另一方面，本发明实施例还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的基站节能方法，该方法包括：获取待进行节能的基站在预设时间段内的关键特征数据，所述关键特征指对无线资源利用率的影响权重超过预设权重的特征；将所述关键特征数据输入无线资源利用率预测模型中，输出所述基站在预设时间段内的预测无线资源利用率；判断所述预测无线资源利用率是否小于预设阈值，若是，则在所述预设时间段内对所述基站进行关断，以使所述基站节能；其中，所述无线资源利用率预测模型是基于第一历史基站无线资源利用率数据及对应的关键特征数据训练得到的。

又一方面，本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的基站节能方法，该方法包括：获取待进行节能的基站在预设时间段内的关键特征数据，所述关键特征指对无线资源利用率的影响权重超过预设权重的特征；将所述关键特征数据输入无线资源利用率预测模型中，输出所述基站在预设时间段内的预测无线资源利用率；判断所述预测无线资源利用率是否小于预设阈值，若是，则在所述预设时间段内对所述基站进行关断，以使所述基站节能；其中，所述无线资源利用率预测模型是基于第一历史基站无线资源利用率数据及对应的关键特征数据训练得到的。

以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述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，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，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)执行各个实施例或者实施例的某些部分所述的方法。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (9)

1.一种基站节能方法，其特征在于，包括：

基于特征选择算法，确定关键特征，并根据所述关键特征获取待进行节能的基站在预设时间段内的关键特征数据，所述关键特征指对无线资源利用率的影响权重超过预设权重的特征；

将所述关键特征数据输入无线资源利用率预测模型中，输出所述基站在预设时间段内的预测无线资源利用率；

判断所述预测无线资源利用率是否小于预设阈值，若是，则在所述预设时间段内对所述基站进行关断，以使所述基站节能；

其中，所述无线资源利用率预测模型是基于第一历史基站无线资源利用率数据及对应的关键特征数据训练得到的。

2.根据权利要求1所述的基站节能方法，其特征在于，所述特征选择算法包括平均精确率减少算法；

相应地，基于特征选择算法，确定所述关键特征，具体包括：

获取第二历史基站无线资源利用率数据及对应的相关特征数据，所述相关特征指对无线资源利用率存在影响的特征；

基于平均精确率减少算法，计算各相关特征对所述第二历史基站无线资源利用率数据的影响权重；

根据所述各相关特征对所述第二历史基站无线资源利用率数据的影响权重，选取影响权重超过预设权重对应的相关特征作为关键特征。

3.根据权利要求1所述的基站节能方法，其特征在于，所述无线资源利用率预测模型基于循环神经网络训练得到，具体包括：

获取所述第一历史基站无线资源利用率数据及对应的关键特征数据，所述第一历史基站无线资源利用率数据携带有时序信息且所述第一历史基站无线资源利用率数据中的各无线资源利用率的周期相同；

将所述第一历史基站无线资源利用率数据及对应的关键特征数据输入循环神经网络，对所述循环神经网络进行训练，直至达到预设收敛条件后结束训练。

4.根据权利要求1所述的基站节能方法，其特征在于，若判断所述预测无线资源利用率不小于预设阈值，则在所述预设时间段内对所述基站取消关断。

5.根据权利要求1所述的基站节能方法，其特征在于，还包括：

实时监控获取所述基站的实测无线资源利用率；

若判断所述预测无线资源利用率小于预设阈值，且所述实测无线资源利用率不小于预设阈值，则在所述预设时间段内对所述基站取消关断。

6.一种基站节能装置，其特征在于，包括：

获取单元，用于基于特征选择算法，确定关键特征，并根据所述关键特征获取待进行节能的基站在预设时间段内的关键特征数据，所述关键特征指对无线资源利用率的影响权重超过预设权重的特征；

预测单元，用于将所述关键特征数据输入无线资源利用率预测模型中，输出所述基站在预设时间段内的预测无线资源利用率；

关断单元，用于判断所述预测无线资源利用率是否小于预设阈值，若是，则在所述预设时间段内对所述基站进行关断，以使所述基站节能；

其中，所述无线资源利用率预测模型是基于第一历史基站无线资源利用率及对应的关键特征数据训练得到的。

7.一种基站节能系统，其特征在于，包括：如权利要求6所述的基站节能装置、操作维护中心OMC和无线基站。

8.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至5任一项所述基站节能方法的步骤。

9.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至5任一项所述基站节能方法的步骤。

Images