CN114727370A - 一种小区节能控制方法、装置、设备及可读存储介质 - Google Patents

一种小区节能控制方法、装置、设备及可读存储介质 Download PDF

Info

Publication number
CN114727370A
CN114727370A CN202110001457.4A CN202110001457A CN114727370A CN 114727370 A CN114727370 A CN 114727370A CN 202110001457 A CN202110001457 A CN 202110001457A CN 114727370 A CN114727370 A CN 114727370A
Authority
CN
China
Prior art keywords
time period
energy
predicted
cell
service data
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
CN202110001457.4A
Other languages
English (en)
Inventor
邱亚星
边森
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 Mobile Communications Group Co Ltd
China Mobile Communications Ltd Research Institute
Original Assignee
China Mobile Communications Group Co Ltd
China Mobile Communications Ltd Research Institute
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 Mobile Communications Group Co Ltd, China Mobile Communications Ltd Research Institute filed Critical China Mobile Communications Group Co Ltd
Priority to CN202110001457.4A priority Critical patent/CN114727370A/zh
Publication of CN114727370A publication Critical patent/CN114727370A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • H04W52/0209—Power saving arrangements in terminal devices
    • H04W52/0251—Power saving arrangements in terminal devices using monitoring of local events, e.g. events related to user activity
    • H04W52/0258—Power saving arrangements in terminal devices using monitoring of local events, e.g. events related to user activity controlling an operation mode according to history or models of usage information, e.g. activity schedule or time of day
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • 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
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/08—Learning methods
    • 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
    • H04W52/0209—Power saving arrangements in terminal devices
    • H04W52/0225—Power saving arrangements in terminal devices using monitoring of external events, e.g. the presence of a signal
    • H04W52/0235—Power saving arrangements in terminal devices using monitoring of external events, e.g. the presence of a signal where the received signal is a power saving command
    • 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)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种小区节能控制方法、装置、设备及可读存储介质，涉及通信技术领域，以能够更精确配置节能时段挖掘节能潜力，并降低对网络的影响。该方法包括：获取历史数据；利用历史数据得到小区业务数据在待预测时段内的业务数据变化情况；确定待预测时段的稳定时段和敏感时段；根据稳定时段和敏感时段，得到待预测时段的第一节能策略；对稳定时段进行预测，得到稳定时段的第二节能策略，以及，对敏感时段进行预测，得到敏感时段的第三节能策略；基于第一节能策略，第二节能策略和第三节能策略分别对稳定时段和敏感时段进行节能控制。本发明实施例可以更精确配置节能时段挖掘节能潜力，并降低对网络的影响。

Description

一种小区节能控制方法、装置、设备及可读存储介质
技术领域
本发明涉及通信技术领域，尤其涉及一种小区节能控制方法、装置、设备及可读存储介质。
背景技术
当前对于无线网络来讲，普遍认可的节能技术有：小区休眠、载波休眠、通道休眠以及符号休眠。其原理是在网络负荷比较轻时，关闭部分无线资源，利用剩余资源提供服务，以达到节能的目的。
现有技术中有两种节能策略：一是，基于固定时间段的策略来控制节能，通过设置节能的起止时间，在该时间段内启动节能。二是，基于小区业务量预测的节能方法，通过设置节能阈值，控制小区的工作状态。
但是，第一种方法需要人工针对不同的网络场景收集网络数据并分析小区状态和业务，然后进行休眠时间段的设定，人力成本较高。第二种方法依据小区的实时业务进行判断，将会造成频繁启动节电(或唤醒)操作，容易对网络带来较大的影响，造成用户感知变差。
发明内容
本发明实施例提供一种小区节能策略确定方法、装置、设备及可读存储介质，以能够更精确配置节能时段挖掘节能潜力，并降低对网络的影响。
第一方面，本发明实施例提供了一种小区节能控制方法，包括：
获取历史数据；
利用所述历史数据对待预测时段的小区业务数据进行预测，得到小区业务数据在所述待预测时段内的业务数据变化情况；
根据所述小区业务数据在所述待预测时段内的业务数据变化情况，确定所述待预测时段的稳定时段和敏感时段；
根据所述稳定时段和敏感时段，得到所述待预测时段的第一节能策略；
对所述稳定时段进行预测，得到所述稳定时段的第二节能策略，以及，对所述敏感时段进行预测，得到所述敏感时段的第三节能策略；
基于所述第一节能策略，所述第二节能策略和所述第三节能策略分别对所述稳定时段和所述敏感时段进行节能控制。
其中，所述利用所述历史数据对待预测时段的小区业务数据进行预测，得到小区业务数据在所述待预测时段内的业务数据变化情况，包括：
当所述待预测时段为工作日时，利用所述历史数据和第一预测模型中的第一子模型对所述待预测时段的小区业务数据进行预测，得到小区业务数据在所述待预测时段内的业务数据变化情况，其中，所述历史数据为所述待预测时段之前的M个工作日的数据；
当所述待预测时段为周末时，利用所述历史数据和所述第一预测模型中的第二子模型对所述待预测时段的小区业务数据进行预测，得到小区业务数据在所述待预测时段内的业务数据变化情况，其中，所述历史数据为所述待预测时段之前的N个周末的数据；
其中，所述第一子模型用于预测工作日的小区业务数据变化情况，所述第二子模型用于预测周末的小区业务数据变化情况，M，N均为大于0的整数。
其中，所述根据所述小区业务数据在所述待预测时段内的业务数据变化情况，确定所述待预测时段的稳定时段和敏感时段，包括：
根据所述业务数据变化情况，将所述待预测时段的各个采样点的业务数据和预设阈值进行比较，其中，所述待预测时段包括按照第一预设间隔设置的多个采样点；
如果目标采样点的业务数据等于所述预设阈值，则将所述目标采样点的前一采样点和后一采样点之间的时段作为所述敏感时段，所述目标采样点为多个采样点中的任一采样点；
将所述待预测时段中除所述敏感时段之外的其他时段，作为所述稳定时段。
其中，所述根据所述稳定时段和敏感时段，得到所述待预测时段的第一节能策略，包括：
在所述稳定时段，确定所述第一节能策略包括将所述小区休眠或唤醒；
在所述敏感时段，确定所述第一节能策略包括将所述小区唤醒。
其中，所述对所述稳定时段进行预测，得到所述稳定时段的第二节能策略，包括：
利用所述稳定时段对应的第二预测模型中的第一子模型，预测当前时刻之后的第一时间段内的业务变化情况，其中，所述第一时间段包括按照第二预设间隔设置的多个采样点；
从第一个采样点开始，将所述多个采样点中相邻的两个采样点形成为小组，得到多个小组；
如果第一目标小组内的每个采样点对应的业务量均大于或等于预设阈值，则所述第二节能策略包括在所述第一目标小组内的每个采样点对应的时刻将所述小区唤醒；
如果第一目标小组内的每个采样点对应的业务量均小于所述预设阈值，则所述第二节能策略包括在所述第一目标小组内的每个采样点对应的时刻将所述小区休眠；
如果所述多个小组中，每个小组中的第一个采样点的业务量大于或等于所述预设阈值、第二个采样点的业务量小于所述预设阈值，或者，每个小组中的第一个采样点的业务量小于所述预设阈值、第二个采样点的业务量大于或等于所述预设阈值，则所述第二节能策略包括将所述小区唤醒。
其中，所述对所述敏感时段进行预测，得到所述敏感时段的第三节能策略，包括：
利用所述敏感时段对应的第二预测模型中的第二子模型，预测当前时刻之后的第二时间段内的业务变化情况，其中，所述第二时间段包括按照第三预设间隔设置的多个采样点，所述第二时间段的长度小于所述第一时间段的长度，所述第三预设间隔小于所述第二预设间隔；
将所述第二时间段内的采样点划分成多个小组；
如果第二目标小组中，业务量大于所述预设阈值的采样点的个数与所述第二目标小组包括的采样点个数的比值大于1/2，则所述第三节能策略包括在所述第二目标小组内的每个采样点对应的时刻将所述小区唤醒，否则所述第三节能策略包括在所述第二目标小组内的每个采样点对应的时刻将所述小区休眠。
其中，所述基于所述第一节能策略，所述第二节能策略和所述第三节能策略分别对所述稳定时段和所述敏感时段进行节能控制，包括：
在所述稳定时段，基于所述第一节能策略和所述第二节能策略，根据对所述稳定时段的预测结果，动态调整小区的唤醒与休眠；
在所述敏感时段，基于所述第一节能策略和所述第三节能策略，根据对所述节能时段的预测结果，动态调整小区的唤醒与休眠。
其中，所述方法还包括：
训练所述第一预测模型的第一子模型和所述第二子模型；
其中，训练所述第一子模型包括：
获取待预测时段之前的m个工作日的历史小区业务数据，其中，每个工作日包括n个时刻对应的n个数据；
将m个工作日中，第t个时刻对应的数据的平均值，作为预测值；
其中，训练所述第二子模型包括：
获取待预测时段之前的p个周末的历史小区业务数据，其中，每个周末包括q个时刻对应的q个数据；
将p个周末中，第i个时刻对应的数据的平均值，作为预测值；
其中，m，n，p，q，i，t均为大于0的整数。
其中，所述方法还包括：
训练所述第二预测模型的第一子模型和所述第二子模型；
利用待预测时段之前的目标日历史小区业务数据和长短期记忆网络分别训练所述第一子模型和所述第二子模型；
其中，将所述目标日按照所述第二预设间隔设置多个采样点，所述第二预设间隔为15分钟，在训练所述第一子模型时，训练步长为90；
将所述目标日按照所述第三预设间隔设置多个采样点，所述第一预设间隔为1分钟，在训练所述第二子模型时，训练步长为360。
第二方面，本发明实施例还提供一种小区节能控制装置，包括：
第一获取模块，用于获取历史数据；
第二获取模块，用于利用所述历史数据对待预测时段的小区业务数据进行预测，得到小区业务数据在所述待预测时段内的业务数据变化情况；
第一确定模块，用于根据所述小区业务数据在所述待预测时段内的业务数据变化情况，确定所述待预测时段的稳定时段和敏感时段；
第二确定模块，用于根据所述稳定时段和敏感时段，得到所述待预测时段的第一节能策略；
第三确定模块，用于对所述稳定时段进行预测，得到所述稳定时段的第二节能策略，以及，对所述敏感时段进行预测，得到所述敏感时段的第三节能策略；
第一处理模块，用于基于所述第一节能策略，所述第二节能策略和所述第三节能策略分别对所述稳定时段和所述敏感时段进行节能控制。
其中，所述第二获取模块用于：
当所述待预测时段为工作日时，利用所述历史数据和第一预测模型中的第一子模型对所述待预测时段的小区业务数据进行预测，得到小区业务数据在所述待预测时段内的业务数据变化情况，其中，所述历史数据为所述待预测时段之前的M个工作日的数据；
当所述待预测时段为周末时，利用所述历史数据和所述第一预测模型中的第二子模型对所述待预测时段的小区业务数据进行预测，得到小区业务数据在所述待预测时段内的业务数据变化情况，其中，所述历史数据为所述待预测时段之前的N个周末的数据；
其中，所述第一子模型用于预测工作日的小区业务数据变化情况，所述第二子模型用于预测周末的小区业务数据变化情况，M，N均为大于0的整数。
其中，所述第一确定模块包括：
第一比较子模块，用于根据所述业务数据变化情况，将所述待预测时段的各个采样点的业务数据和预设阈值进行比较，其中，所述待预测时段包括按照第一预设间隔设置的多个采样点；
第一确定子模块，用于如果目标采样点的业务数据等于所述预设阈值，则将所述目标采样点的前一采样点和后一采样点之间的时段作为所述敏感时段，所述目标采样点为多个采样点中的任一采样点；
第二确定子模块，用于将所述待预测时段中除所述敏感时段之外的其他时段，作为所述稳定时段。
其中，所述第二确定模块用于，在所述稳定时段，确定所述第一节能策略包括将所述小区休眠或唤醒；在所述敏感时段，确定所述第一节能策略包括将所述小区唤醒。
其中，所述第三确定模块包括：
第一预测子模块，用于利用所述稳定时段对应的第二预测模型中的第一子模型，预测当前时刻之后的第一时间段内的业务变化情况，其中，所述第一时间段包括按照第二预设间隔设置的多个采样点；
第一处理子模块，用于从第一个采样点开始，将所述多个采样点中相邻的两个采样点形成为小组，得到多个小组；
第一确定子模块，用于如果第一目标小组内的每个采样点对应的业务量均大于或等于预设阈值，则所述第二节能策略包括在所述第一目标小组内的每个采样点对应的时刻将所述小区唤醒；
第二确定子模块，用于如果第一目标小组内的每个采样点对应的业务量均小于所述预设阈值，则所述第二节能策略包括在所述第一目标小组内的每个采样点对应的时刻将所述小区休眠；
第三确定子模块，用于如果所述多个小组中，每个小组中的第一个采样点的业务量大于或等于所述预设阈值、第二个采样点的业务量小于所述预设阈值，或者，每个小组中的第一个采样点的业务量小于所述预设阈值、第二个采样点的业务量大于或等于所述预设阈值，则所述第二节能策略包括将所述小区唤醒。
其中，所述第三确定模块包括：
第二预测子模块，用于利用所述敏感时段对应的第二预测模型中的第二子模型，预测当前时刻之后的第二时间段内的业务变化情况，其中，所述第二时间段包括按照第三预设间隔设置的多个采样点，所述第二时间段的长度小于所述第一时间段的长度，所述第三预设间隔小于所述第二预设间隔；
第二处理子模块，用于将所述第二时间段内的采样点划分成多个小组；
第四确定子模块，用于如果第二目标小组中，业务量大于所述预设阈值的采样点的个数与所述第二目标小组包括的采样点个数的比值大于1/2，则所述第三节能策略包括在所述第二目标小组内的每个采样点对应的时刻将所述小区唤醒，否则所述第三节能策略包括在所述第二目标小组内的每个采样点对应的时刻将所述小区休眠。
其中，所述第一处理模块包括：
第一处理子模块，用于在所述稳定时段，基于所述第一节能策略和所述第二节能策略，根据对所述稳定时段的预测结果，动态调整小区的唤醒与休眠；
第二处理子模块，用于在所述敏感时段，基于所述第一节能策略和所述第三节能策略，根据对所述节能时段的预测结果，动态调整小区的唤醒与休眠。
其中，所述装置还包括：第一训练模块，用于训练所述第一预测模型的第一子模型和所述第二子模型；
其中，在训练所述第一子模型时，所述第一训练模块，用于：
获取待预测时段之前的m个工作日的历史小区业务数据，其中，每个工作日包括n个时刻对应的n个数据；
将m个工作日中，第t个时刻对应的数据的平均值，作为预测值；
其中，在训练所述第二子模型时，所述第一训练模块，用于：
获取待预测时段之前的p个周末的历史小区业务数据，其中，每个周末包括q个时刻对应的q个数据；
将p个周末中，第i个时刻对应的数据的平均值，作为预测值；
其中，m，n，p，q，i，t均为大于0的整数。
其中，所述装置还包括：第二训练模块，用于训练所述第二预测模型的第一子模型和所述第二子模型；
利用待预测时段之前的目标日历史小区业务数据和长短期记忆网络分别训练所述第一子模型和所述第二子模型；
其中，将所述目标日按照所述第二预设间隔设置多个采样点，所述第二预设间隔为15分钟，在训练所述第一子模型时，训练步长为90；
将所述目标日按照所述第三预设间隔设置多个采样点，所述第一预设间隔为1分钟，在训练所述第二子模型时，训练步长为360。
第三方面，本发明实施例还提供了一种小区节能控制装置，包括：处理器和收发器；
所述处理器，用于：
获取历史数据；
利用所述历史数据对待预测时段的小区业务数据进行预测，得到小区业务数据在所述待预测时段内的业务数据变化情况；
根据所述小区业务数据在所述待预测时段内的业务数据变化情况，确定所述待预测时段的稳定时段和敏感时段；
根据所述稳定时段和敏感时段，得到所述待预测时段的第一节能策略；
对所述稳定时段进行预测，得到所述稳定时段的第二节能策略，以及，对所述敏感时段进行预测，得到所述敏感时段的第三节能策略；
基于所述第一节能策略，所述第二节能策略和所述第三节能策略分别对所述稳定时段和所述敏感时段进行节能控制。
其中，所述处理器用于：
当所述待预测时段为工作日时，利用所述历史数据和第一预测模型中的第一子模型对所述待预测时段的小区业务数据进行预测，得到小区业务数据在所述待预测时段内的业务数据变化情况，其中，所述历史数据为所述待预测时段之前的M个工作日的数据；
当所述待预测时段为周末时，利用所述历史数据和所述第一预测模型中的第二子模型对所述待预测时段的小区业务数据进行预测，得到小区业务数据在所述待预测时段内的业务数据变化情况，其中，所述历史数据为所述待预测时段之前的N个周末的数据；
其中，所述第一子模型用于预测工作日的小区业务数据变化情况，所述第二子模型用于预测周末的小区业务数据变化情况，M，N均为大于0的整数。
其中，所述处理器用于：
根据所述业务数据变化情况，将所述待预测时段的各个采样点的业务数据和预设阈值进行比较，其中，所述待预测时段包括按照第一预设间隔设置的多个采样点；
如果目标采样点的业务数据等于所述预设阈值，则将所述目标采样点的前一采样点和后一采样点之间的时段作为所述敏感时段，所述目标采样点为多个采样点中的任一采样点；
将所述待预测时段中除所述敏感时段之外的其他时段，作为所述稳定时段。
其中，所述处理器用于：
在所述稳定时段，确定所述第一节能策略包括将所述小区休眠或唤醒；
在所述敏感时段，确定所述第一节能策略包括将所述小区唤醒。
其中，所述处理器用于：
利用所述稳定时段对应的第二预测模型中的第一子模型，预测当前时刻之后的第一时间段内的业务变化情况，其中，所述第一时间段包括按照第二预设间隔设置的多个采样点；
从第一个采样点开始，将所述多个采样点中相邻的两个采样点形成为小组，得到多个小组；
如果第一目标小组内的每个采样点对应的业务量均大于或等于预设阈值，则所述第二节能策略包括在所述第一目标小组内的每个采样点对应的时刻将所述小区唤醒；
如果第一目标小组内的每个采样点对应的业务量均小于所述预设阈值，则所述第二节能策略包括在所述第一目标小组内的每个采样点对应的时刻将所述小区休眠；
如果所述多个小组中，每个小组中的第一个采样点的业务量大于或等于所述预设阈值、第二个采样点的业务量小于所述预设阈值，或者，每个小组中的第一个采样点的业务量小于所述预设阈值、第二个采样点的业务量大于或等于所述预设阈值，则所述第二节能策略包括将所述小区唤醒。
其中，所述处理器用于：
利用所述敏感时段对应的第二预测模型中的第二子模型，预测当前时刻之后的第二时间段内的业务变化情况，其中，所述第二时间段包括按照第三预设间隔设置的多个采样点，所述第二时间段的长度小于所述第一时间段的长度，所述第三预设间隔小于所述第二预设间隔；
将所述第二时间段内的采样点划分成多个小组；
如果第二目标小组中，业务量大于所述预设阈值的采样点的个数与所述第二目标小组包括的采样点个数的比值大于1/2，则所述第三节能策略包括在所述第二目标小组内的每个采样点对应的时刻将所述小区唤醒，否则所述第三节能策略包括在所述第二目标小组内的每个采样点对应的时刻将所述小区休眠。
其中，所述处理器用于：
在所述稳定时段，基于所述第一节能策略和所述第二节能策略，根据对所述稳定时段的预测结果，动态调整小区的唤醒与休眠；
在所述敏感时段，基于所述第一节能策略和所述第三节能策略，根据对所述节能时段的预测结果，动态调整小区的唤醒与休眠。
其中，所述处理器用于：
训练所述第一预测模型的第一子模型和所述第二子模型；
其中，训练所述第一子模型时，所述处理器用于：
获取待预测时段之前的m个工作日的历史小区业务数据，其中，每个工作日包括n个时刻对应的n个数据；
将m个工作日中，第t个时刻对应的数据的平均值，作为预测值；
其中，训练所述第二子模型时，所述处理器用于：
获取待预测时段之前的p个周末的历史小区业务数据，其中，每个周末包括q个时刻对应的q个数据；
将p个周末中，第i个时刻对应的数据的平均值，作为预测值；
其中，m，n，p，q，i，t均为大于0的整数。
其中，所述处理器用于：
训练所述第二预测模型的第一子模型和所述第二子模型；
利用待预测时段之前的目标日历史小区业务数据和长短期记忆网络分别训练所述第一子模型和所述第二子模型；
其中，将所述目标日按照所述第二预设间隔设置多个采样点，所述第二预设间隔为15分钟，在训练所述第一子模型时，训练步长为90；
将所述目标日按照所述第三预设间隔设置多个采样点，所述第一预设间隔为1分钟，在训练所述第二子模型时，训练步长为360。
第四方面，本发明实施例还提供一种通信设备，包括：收发机、存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如上所述的小区节能控制方法中的步骤。
第五方面，本发明实施例还提供一种可读存储介质，所述可读存储介质上存储程序，所述程序被处理器执行时实现如上所述的小区节能控制方法中的步骤。
在本发明实施例中，根据历史数据预测待预测时段内的业务数据变化情况，从而根据该业务变化情况确定所述待预测时段的稳定时段和敏感时段，进而确定待预测时段的第一节能策略；之后，再分别对稳定时段和敏感时段进行预测，得到对应的第二节能策略和第三节能策略。因此，利用本发明实施例的方案，不仅能获得待测日的长时间的业务变化规律，还可针对短时间内的业务变化进行预测，从而利用本发明实施例的方案不仅可获得长时间的节能策略，还可针对短时间段设置不同的节能策略，并且无需人工参与。因此，利用本发明实施例的方案，可以依据小区业务变化更精确配置节能时段，挖掘节能潜力，并降低对网络的影响。
附图说明
图1是本发明实施例提供的小区节能控制方法流程图；
图2是本发明实施例的小区业务历史数据的示意；
图3是本发明实施例的待预测时段的业务变化情况和阈值关系的示意图；
图4是LSTM网络模型的处理流程示意图；
图5是LSTM的结构图；
图6是本发明实施例提供的小区节能控制装置的结构图之一；
图7是本发明实施例提供的小区节能控制装置的结构图之二。
具体实施方式
本发明实施例中术语“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
本申请实施例中术语“多个”是指两个或两个以上，其它量词与之类似。
下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，并不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
参见图1，图1是本发明实施例提供的小区节能控制方法的流程图，如图1所示，包括以下步骤：
步骤101、获取历史数据。
其中，所述历史数据指的是待预测时段之前的小区的业务数据。所述历史数据主要包括反映小区历史业务量变化的数据，如：随时间变化的上行资源占用率、下行资源占用率、上行业务量(KB)、下行业务量(KB)、用户数等。如图2所示，为获得的小区业务历史数据的示例。其中，所述待预测时段例如可以是一天，一周，一个月等等。
步骤102、利用所述历史数据对待预测时段的小区业务数据进行预测，得到小区业务数据在所述待预测时段内的业务数据变化情况。
所述业务数据变化情况，可以指的是某种类型的业务数据的变化情况。在此步骤中，以待预测时段为某个待预测日为例，根据待预测日是工作日还是周末(周六或周日)，可采用不同的模型进行预测。
具体的，当所述待预测时段为工作日时，利用所述历史数据和第一预测模型中的第一子模型对所述待预测时段的小区业务数据进行预测，得到小区业务数据在所述待预测时段内的业务数据变化情况，其中，所述历史数据为所述待预测时段之前的M个工作日的数据；当所述待预测时段为周末时，利用所述历史数据和所述第一预测模型中的第二子模型对所述待预测时段的小区业务数据进行预测，得到小区业务数据在所述待预测时段内的业务数据变化情况，其中，所述历史数据为所述待预测时段之前的N个周末的数据；其中，所述第一子模型用于预测工作日的小区业务数据变化情况，所述第二子模型用于预测周末的小区业务数据变化情况，M，N均为大于0的整数。
可选的，M＝5，N＝3。
步骤103、根据所述小区业务数据在所述待预测时段内的业务数据变化情况，确定所述待预测时段的稳定时段和敏感时段。
在本发明实施例中，根据所述业务数据变化情况，将所述待预测时段的各个采样点的业务数据和预设阈值进行比较，其中，所述待预测时段包括按照第一预设间隔设置的多个采样点。例如，将待预测时段(以待预测时段为一天，24小时为例)划分为包括24个采样点，相邻两个采样点之间间隔1小时。也即，每个整点作为一个采样点。其中，该预设阈值可根据需要设置。
如果目标采样点的业务数据等于所述预设阈值，则将所述目标采样点的前一采样点和后一采样点之间的时段作为所述敏感时段，所述目标采样点为多个采样点中的任一采样点。那么，可将所述待预测时段中除所述敏感时段之外的其他时段，作为所述稳定时段。
例如，假设12点的业务数据等于所述阈值，那么，可将11：00～13：00这个时间段作为敏感时段。
如图3所示，假设为待预测时段的业务变化情况和阈值关系的示意图。根据图3所示，通过将各采样点的业务数据与阈值的比较，可确定小区的稳定时段和敏感时段。以下行资源占有率为例，阈值Q＝20。在图3中，11：00，12：00，17：00，18：00等时刻的下行资源占有率等于20，因此，可将这些时刻作为临界时刻，以此确定敏感时段为：[10:00-12:00]，[16:00-18:00]，[17:00-19:00]，[11:00-13:00]，[20:00-22:00]，[11:00-13:00]等。那么，除敏感时段之外，都可作为业务稳定时间，如[0:00-1:00]等。
步骤104、根据所述稳定时段和敏感时段，得到所述待预测时段的第一节能策略。
具体的，在此步骤中，在所述稳定时段，确定所述第一节能策略包括将所述小区休眠或唤醒，在所述敏感时段，确定所述第一节能策略包括将所述小区唤醒。通过这种方式，对待预测时段确定了一个长时间的节能策略。
步骤105、对所述稳定时段进行预测，得到所述稳定时段的第二节能策略，以及，对所述敏感时段进行预测，得到所述敏感时段的第三节能策略。
在本发明实施例中，对稳定时段和敏感时段，分别采用不同的预测模型进行预测，以确定节能策略。其中，在对业务稳定时间进行预测时，可进行较大时间粒度的预测，而在对敏感时段进行预测时，可进行较短时间粒度的预测。
一、对所述稳定时段进行预测，得到所述稳定时段的第二节能策略，包括：
(1)利用所述稳定时段对应的第二预测模型中的第一子模型，预测当前时刻之后的第一时间段内的业务变化情况，其中，所述第一时间段包括按照第二预设间隔设置的多个采样点。
所述第一时间段例如可以是2小时，所述第二预设间隔可以任意设置，例如为15分钟。在预测时所用到的历史数据可以是当前时刻之前的历史数据。
具体的，在本发明实施例中，对于稳定时段中的当前时刻，可预测其之后的未来2小时内的业务变化情况。那么，该2个小时可按照15分钟的间隔划分为包括8个采样点。通过该步骤，可获得该8个采样点的预测的业务量。
(2)从第一个采样点开始，将所述多个采样点中相邻的两个采样点形成为小组，得到多个小组。
对于(1)中获得的8个采样点，从第一个采样点开始，相邻的两个采样点进行组合，那么，在此可形成有4个小组。
(3)如果第一目标小组内的每个采样点对应的业务量均大于或等于预设阈值，则所述第二节能策略包括在所述第一目标小组内的每个采样点对应的时刻将所述小区唤醒。
如果第一目标小组内的每个采样点对应的业务量均小于所述预设阈值，则所述第二节能策略包括在所述第一目标小组内的每个采样点对应的时刻将所述小区休眠。
如果所述多个小组中，每个小组中的第一个采样点的业务量大于或等于所述预设阈值、第二个采样点的业务量小于所述预设阈值，或者，每个小组中的第一个采样点的业务量小于所述预设阈值、第二个采样点的业务量大于或等于所述预设阈值，则所述第二节能策略包括将所述小区唤醒。
对于(2)中获得的4个小组，将每个小组内的采样点的预测的业务量和预设阈值进行比较。如果业务量大于或等于预设阈值，则该采样点对应标记为1，否则标记为0。那么，经过比较可形成00110011，00000000，11111111，01010101等多种排列。
如果某个小组内的每个采样点对应的业务量均大于或等于预设阈值，也即该小组对应标记为11，那么，所述第二节能策略包括在所述第一目标小组内的每个采样点对应的时刻将所述小区唤醒。
如果某个小组内的每个采样点对应的业务量均小于预设阈值，也即该小组对应标记为00，所述第二节能策略包括在所述第一目标小组内的每个采样点对应的时刻将所述小区休眠。
如果所述多个小组中，每个小组中的第一个采样点的业务量大于或等于所述预设阈值、第二个采样点的业务量小于所述预设阈值，或者，每个小组中的第一个采样点的业务量小于所述预设阈值、第二个采样点的业务量大于或等于所述预设阈值，则所述第二节能策略包括将所述小区唤醒。
也即，如果各小组的标记形成如01010101或者10101010这种交替的排列，那么，所述第二节能策略包括将所述小区唤醒。
二、对所述敏感时段进行预测，得到所述敏感时段的第三节能策略，包括：
(1)利用所述敏感时段对应的第二预测模型中的第二子模型，预测当前时刻之后的第二时间段内的业务变化情况。
其中，所述第二时间段包括按照第三预设间隔设置的多个采样点，所述第二时间段的长度小于所述第一时间段的长度，所述第三预设间隔小于所述第二预设间隔。在预测时所用到的历史数据可以是当前时刻之前的历史数据。
例如，所述第二时间段例如可以是当前时刻之后的30分钟，所述第三预设间隔可根据需要进行设置，例如设置为1分钟。那么，该第二时间段可设置为包括30个采样点。
(2)将所述第二时间段内的采样点划分成多个小组。
在本发明实施例中可按照多种方式划分成小组，例如，将采样点中的每相邻的2个采样点作为一个小组等。结合(1)中的示例，在此可将多个采样点划分为2个小组，即从第一个采样点开始，每15个采样点形成一个小组。
(3)如果第二目标小组中，业务量大于所述预设阈值的采样点的个数与所述第二目标小组包括的采样点个数的比值大于1/2，则所述第三节能策略包括在所述第二目标小组内的每个采样点对应的时刻将所述小区唤醒，否则所述第三节能策略包括在所述第二目标小组内的每个采样点对应的时刻将所述小区休眠。
例如，如果15个采样点内，有8个以上的采样点对应的业务量均大于预设阈值，那么，第三节能策略包括在每个采样点对应的时刻将所述小区唤醒，否则所述第三节能策略包括在每个采样点对应的时刻将所述小区休眠。
可选的，如果某个小组内连续15个点对应的业务量均大于预设阈值，则在每个采样点对应的时刻将所述小区唤醒，以保证网络质量；如果某个小组内连续15个点对应的业务量均小于预设阈值，则继续休眠小区，以挖掘节能潜力。
通过这种方式，可对敏感时段内的关键时刻点进行更加细粒度的预测，从而可结合短时预测结果实现抗突发、抗波动，以及时调整小区的休眠或唤醒，保证用户感知。
步骤106、基于所述第一节能策略，所述第二节能策略和所述第三节能策略分别对所述稳定时段和所述敏感时段进行节能控制。
具体的，在所述稳定时段，基于所述第一节能策略和所述第二节能策略，根据对所述稳定时段的预测结果，动态调整小区的唤醒与休眠；在所述敏感时段，基于所述第一节能策略和所述第三节能策略，根据对所述节能时段的预测结果，动态调整小区的唤醒与休眠，增大时窗，保护用户感知。
通过以上描述可以看出，利用本发明实施例的方案，不仅能获得待测日的长时间的业务变化规律，还可针对短时间内的业务变化进行预测，从而利用本发明实施例的方案不仅可获得长时间的节能策略，还可针对短时间段设置不同的节能策略，并且无需人工参与。因此，利用本发明实施例的方案，可以依据小区业务变化更精确配置节能时段，挖掘节能潜力，并降低对网络的影响，以及节能控制的成本。
在上述实施例的基础上，本发明实施例还可训练所述第一预测模型的第一子模型和所述第二子模型，以及，训练所述第二预测模型的第一子模型和所述第二子模型。
一、训练第一预测模型
具体的，训练所述第一子模型包括：
获取待预测时段之前的m个工作日的历史小区业务数据，其中，每个工作日包括n个时刻对应的n个数据；
将m个工作日中，第t个时刻对应的数据的平均值，作为预测值；
其中，训练所述第二子模型包括：
获取待预测时段之前的p个周末的历史小区业务数据，其中，每个周末包括q个时刻对应的q个数据；
将p个周末中，第i个时刻对应的数据的平均值，作为预测值；
其中，m，n，p，q，i，t均为大于0的整数。
在实际应用中，根据实际的基站业务量数据对基站业务量在时间和空间两个维度上的分布特征做了详细的统计学分析，不同的小区业务模型差异较大，如居民区和工业区在一天内会呈现不同的业务变化模型。然而，同一小区在时间维度上业务模型较相似，如同一小区在周一、周二等一周的很多天内具有相似的流量变化模型。进一步的，对小区一周内不同天的业务变化进行相关性分析，工作日呈现较强相关性，周六、日呈现较强相关性。因此，在本发明实施例中，针对工作日和周末分别建模，生成第一预测模型的第一子模型和第二子模型，以分别对工作日和周末的业务情况进行预测。
具体的，在针对工作日进行建模时，对于同一指标，取当前预测日前m个工作日的数据，每个工作日有n个数据(由时间粒度决定)，那么当前小区一天的业务变化采样点数据可如下矩阵所示：
Figure BDA0002881533510000171
其中，tp,q表示表示第p天的第q个数据，1≤p≤m，1≤q≤n。
则预测日的业务量为：
Figure BDA0002881533510000172
即前m个工作日的数据在相同时间点上的平均值，即为作为预测日在该时间上的业务量。以预测下行资源占用率为例，数据采集时间粒度为15min，则一天共有96个数据，n＝96。根据现网实际的数据，以实际值与预测值的MSE(Mean Square Error，均方误差)作为优化目标，最终m＝5时，此模型取得最佳预测效果。
二、训练第二预测模型
在训练过程中，利用待预测时段之前的目标日历史小区业务数据和长短期记忆网络(Long Short-Term Memory，LSTM)分别训练所述第一子模型和所述第二子模型；
其中，将所述目标日按照所述第二预设间隔设置多个采样点，所述第二预设间隔为15分钟，在训练所述第一子模型时，训练步长为90；
将所述目标日按照所述第三预设间隔设置多个采样点，所述第一预设间隔为1分钟，在训练所述第二子模型时，训练步长为360。
LSTM有自身独特的记忆模式和遗忘模式，使网络可以充分挖掘时间序列数据的时序特征，学习输入数据间的时间依赖关系。如图4所示，为LSTM网络模型的处理流程，包括：收集历史数据，将收集的历史数据进行预处理，通过长短期记忆网络对数据进行特征提取，拟合无线网络流量数据，进而预测下一时刻的无线网络流量数据。
如图5所示，显示了用于短时预测网络流量的LSTM的结构图。将原始数据集进行预处理后得到p个训练集样本，每个样本有T个流量数据，为
Figure BDA0002881533510000181
对应的标签为{y(1),y(2),...,y(i),...,y(p)}，其中，x(i)表示第i个样本，
Figure BDA0002881533510000182
表示第i个样本的第t个数据，y(i)表示第i个样本对应的标签，即第i个样本预测的下一个时刻的流量值。
将第i个样本x(i)作为长短期记忆网络的输入来预测的下一时刻的无线网络流量值y(i)。对一个样本进行一次网络训练需要T个时间步长，每个时间步对应一个LSTM单元(LSTM cell)。长短期记忆网络采用自循环方法，每个时刻只能将一个数据输入网络。
在此步骤中，主要是利用历史数据和LSTM模型训练第一子模型(每15min预测未来2h的模型)，采用前96个数据(即一天的15min粒度的数据)，即T＝96预测未来2h(8个点)的业务量。另一方面，为了挖掘更细粒度的时序特征，利用历史数据和LSTM模型训练第二子模型(每1min预测未来0.5h(30个点)的模型)。在训练过程中，采用前360个(T＝360)数据(即6个小时的数据)，预测未来0.5h的业务量。利用LSTM模型可进行更加准确的短时预测。
在本发明实施例中，有效的结合了长时与短时的预测方法来解决现有的小区节能方案配置不合理，精确度低等问题。利用长时预测预知小区业务长期变化规律，可稳态确定休眠与唤醒窗口，避免频繁启动节电(或唤醒)操作，为网络保障提供预判时间，更具保障性。同时，在长时预测的基础上结合短时预测结果可抗突发、抗波动，及时调整休眠或唤醒，保证用户感知。整个策略先预知小区长时间段内的业务模型，稳态确定休眠与唤醒窗口，再结合短时预测结果进行自适应的调整细节调整，保证用户感知的同时减少了计算量。
本发明实施例还提供了一种小区节能控制装置。参见图6，图6是本发明实施例提供的小区节能控制装置的结构图。由于小区节能控制装置解决问题的原理与本发明实施例中小区节能控制方法相似，因此该小区节能控制装置的实施可以参见方法的实施，重复之处不再赘述。
如图6所示，小区节能控制装置600包括：
第一获取模块601，用于获取历史数据；
第二获取模块602，用于利用所述历史数据对待预测时段的小区业务数据进行预测，得到小区业务数据在所述待预测时段内的业务数据变化情况；
第一确定模块603，用于根据所述小区业务数据在所述待预测时段内的业务数据变化情况，确定所述待预测时段的稳定时段和敏感时段；
第二确定模块604，用于根据所述稳定时段和敏感时段，得到所述待预测时段的第一节能策略；
第三确定模块605，用于对所述稳定时段进行预测，得到所述稳定时段的第二节能策略，以及，对所述敏感时段进行预测，得到所述敏感时段的第三节能策略；
第一处理模块606，用于基于所述第一节能策略，所述第二节能策略和所述第三节能策略分别对所述稳定时段和所述敏感时段进行节能控制。
其中，所述第二获取模块用于：
当所述待预测时段为工作日时，利用所述历史数据和第一预测模型中的第一子模型对所述待预测时段的小区业务数据进行预测，得到小区业务数据在所述待预测时段内的业务数据变化情况，其中，所述历史数据为所述待预测时段之前的M个工作日的数据；
当所述待预测时段为周末时，利用所述历史数据和所述第一预测模型中的第二子模型对所述待预测时段的小区业务数据进行预测，得到小区业务数据在所述待预测时段内的业务数据变化情况，其中，所述历史数据为所述待预测时段之前的N个周末的数据；
其中，所述第一子模型用于预测工作日的小区业务数据变化情况，所述第二子模型用于预测周末的小区业务数据变化情况，M，N均为大于0的整数。
其中，所述第一确定模块包括：
第一比较子模块，用于根据所述业务数据变化情况，将所述待预测时段的各个采样点的业务数据和预设阈值进行比较，其中，所述待预测时段包括按照第一预设间隔设置的多个采样点；
第一确定子模块，用于如果目标采样点的业务数据等于所述预设阈值，则将所述目标采样点的前一采样点和后一采样点之间的时段作为所述敏感时段，所述目标采样点为多个采样点中的任一采样点；
第二确定子模块，用于将所述待预测时段中除所述敏感时段之外的其他时段，作为所述稳定时段。
其中，所述第二确定模块用于，在所述稳定时段，确定所述第一节能策略包括将所述小区休眠或唤醒；在所述敏感时段，确定所述第一节能策略包括将所述小区唤醒。
其中，所述第三确定模块包括：
第一预测子模块，用于利用所述稳定时段对应的第二预测模型中的第一子模型，预测当前时刻之后的第一时间段内的业务变化情况，其中，所述第一时间段包括按照第二预设间隔设置的多个采样点；
第一处理子模块，用于从第一个采样点开始，将所述多个采样点中相邻的两个采样点形成为小组，得到多个小组；
第一确定子模块，用于如果第一目标小组内的每个采样点对应的业务量均大于或等于预设阈值，则所述第二节能策略包括在所述第一目标小组内的每个采样点对应的时刻将所述小区唤醒；
第二确定子模块，用于如果第一目标小组内的每个采样点对应的业务量均小于所述预设阈值，则所述第二节能策略包括在所述第一目标小组内的每个采样点对应的时刻将所述小区休眠；
第三确定子模块，用于如果所述多个小组中，每个小组中的第一个采样点的业务量大于或等于所述预设阈值、第二个采样点的业务量小于所述预设阈值，或者，每个小组中的第一个采样点的业务量小于所述预设阈值、第二个采样点的业务量大于或等于所述预设阈值，则所述第二节能策略包括将所述小区唤醒。
其中，所述第三确定模块包括：
第二预测子模块，用于利用所述敏感时段对应的第二预测模型中的第二子模型，预测当前时刻之后的第二时间段内的业务变化情况，其中，所述第二时间段包括按照第三预设间隔设置的多个采样点，所述第二时间段的长度小于所述第一时间段的长度，所述第三预设间隔小于所述第二预设间隔；
第二处理子模块，用于将所述第二时间段内的采样点划分成多个小组；
第四确定子模块，用于如果第二目标小组中，业务量大于所述预设阈值的采样点的个数与所述第二目标小组包括的采样点个数的比值大于1/2，则所述第三节能策略包括在所述第二目标小组内的每个采样点对应的时刻将所述小区唤醒，否则所述第三节能策略包括在所述第二目标小组内的每个采样点对应的时刻将所述小区休眠。
其中，所述第一处理模块包括：
第一处理子模块，用于在所述稳定时段，基于所述第一节能策略和所述第二节能策略，根据对所述稳定时段的预测结果，动态调整小区的唤醒与休眠；
第二处理子模块，用于在所述敏感时段，基于所述第一节能策略和所述第三节能策略，根据对所述节能时段的预测结果，动态调整小区的唤醒与休眠。
其中，所述装置还包括：第一训练模块，用于训练所述第一预测模型的第一子模型和所述第二子模型；
其中，在训练所述第一子模型时，所述第一训练模块，用于：
获取待预测时段之前的m个工作日的历史小区业务数据，其中，每个工作日包括n个时刻对应的n个数据；
将m个工作日中，第t个时刻对应的数据的平均值，作为预测值；
其中，在训练所述第二子模型时，所述第一训练模块，用于：
获取待预测时段之前的p个周末的历史小区业务数据，其中，每个周末包括q个时刻对应的q个数据；
将p个周末中，第i个时刻对应的数据的平均值，作为预测值；
其中，m，n，p，q，i，t均为大于0的整数。
其中，所述装置还包括：第二训练模块，用于训练所述第二预测模型的第一子模型和所述第二子模型；
利用待预测时段之前的目标日历史小区业务数据和长短期记忆网络分别训练所述第一子模型和所述第二子模型；
其中，将所述目标日按照所述第二预设间隔设置多个采样点，所述第二预设间隔为15分钟，在训练所述第一子模型时，训练步长为90；
将所述目标日按照所述第三预设间隔设置多个采样点，所述第一预设间隔为1分钟，在训练所述第二子模型时，训练步长为360。
本发明实施例提供的装置，可以执行上述方法实施例，其实现原理和技术效果类似，本实施例此处不再赘述。
需要说明的是，本申请实施例中对单元的划分是示意性的，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以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，可以存储在一个处理器可读取存储介质中。基于这样的理解，本申请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全部或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)或处理器(processor)执行本申请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(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
本发明实施例还提供了一种小区节能控制装置。参见图7，图7是本发明实施例提供的小区节能控制装置的结构图。由于小区节能控制装置解决问题的原理与本发明实施例中小区节能控制方法相似，因此该小区节能控制装置的实施可以参见方法的实施，重复之处不再赘述。
如图7所示，小区节能控制装置700包括：处理器701和收发器702；
所述处理器701，用于：
获取历史数据；
利用所述历史数据对待预测时段的小区业务数据进行预测，得到小区业务数据在所述待预测时段内的业务数据变化情况；
根据所述小区业务数据在所述待预测时段内的业务数据变化情况，确定所述待预测时段的稳定时段和敏感时段；
根据所述稳定时段和敏感时段，得到所述待预测时段的第一节能策略；
对所述稳定时段进行预测，得到所述稳定时段的第二节能策略，以及，对所述敏感时段进行预测，得到所述敏感时段的第三节能策略。
其中，所述处理器701用于：
当所述待预测时段为工作日时，利用所述历史数据和第一预测模型中的第一子模型对所述待预测时段的小区业务数据进行预测，得到小区业务数据在所述待预测时段内的业务数据变化情况，其中，所述历史数据为所述待预测时段之前的M个工作日的数据；
当所述待预测时段为周末时，利用所述历史数据和所述第一预测模型中的第二子模型对所述待预测时段的小区业务数据进行预测，得到小区业务数据在所述待预测时段内的业务数据变化情况，其中，所述历史数据为所述待预测时段之前的N个周末的数据；
其中，所述第一子模型用于预测工作日的小区业务数据变化情况，所述第二子模型用于预测周末的小区业务数据变化情况，M，N均为大于0的整数。
其中，所述处理器701用于：
根据所述业务数据变化情况，将所述待预测时段的各个采样点的业务数据和预设阈值进行比较，其中，所述待预测时段包括按照第一预设间隔设置的多个采样点；
如果目标采样点的业务数据等于所述预设阈值，则将所述目标采样点的前一采样点和后一采样点之间的时段作为所述敏感时段，所述目标采样点为多个采样点中的任一采样点；
将所述待预测时段中除所述敏感时段之外的其他时段，作为所述稳定时段。
其中，所述处理器701用于：
在所述稳定时段，确定所述第一节能策略包括将所述小区休眠或唤醒；
在所述敏感时段，确定所述第一节能策略包括将所述小区唤醒。
其中，所述处理器用于：
利用所述稳定时段对应的第二预测模型中的第一子模型，预测当前时刻之后的第一时间段内的业务变化情况，其中，所述第一时间段包括按照第二预设间隔设置的多个采样点；
从第一个采样点开始，将所述多个采样点中相邻的两个采样点形成为小组，得到多个小组；
如果第一目标小组内的每个采样点对应的业务量均大于或等于预设阈值，则所述第二节能策略包括在所述第一目标小组内的每个采样点对应的时刻将所述小区唤醒；
如果第一目标小组内的每个采样点对应的业务量均小于所述预设阈值，则所述第二节能策略包括在所述第一目标小组内的每个采样点对应的时刻将所述小区休眠；
如果所述多个小组中，每个小组中的第一个采样点的业务量大于或等于所述预设阈值、第二个采样点的业务量小于所述预设阈值，或者，每个小组中的第一个采样点的业务量小于所述预设阈值、第二个采样点的业务量大于或等于所述预设阈值，则所述第二节能策略包括将所述小区唤醒。
其中，所述处理器701用于：
利用所述敏感时段对应的第二预测模型中的第二子模型，预测当前时刻之后的第二时间段内的业务变化情况，其中，所述第二时间段包括按照第三预设间隔设置的多个采样点，所述第二时间段的长度小于所述第一时间段的长度，所述第三预设间隔小于所述第二预设间隔；
将所述第二时间段内的采样点划分成多个小组；
如果第二目标小组中，业务量大于所述预设阈值的采样点的个数与所述第二目标小组包括的采样点个数的比值大于1/2，则所述第三节能策略包括在所述第二目标小组内的每个采样点对应的时刻将所述小区唤醒，否则所述第三节能策略包括在所述第二目标小组内的每个采样点对应的时刻将所述小区休眠。
其中，所述处理器用于：
在所述稳定时段，基于所述第一节能策略和所述第二节能策略，根据对所述稳定时段的预测结果，动态调整小区的唤醒与休眠；
在所述敏感时段，基于所述第一节能策略和所述第三节能策略，根据对所述节能时段的预测结果，动态调整小区的唤醒与休眠。
其中，所述处理器701用于：
训练所述第一预测模型的第一子模型和所述第二子模型；
其中，训练所述第一子模型时，所述处理器用于：
获取待预测时段之前的m个工作日的历史小区业务数据，其中，每个工作日包括n个时刻对应的n个数据；
将m个工作日中，第t个时刻对应的数据的平均值，作为预测值；
其中，训练所述第二子模型时，所述处理器用于：
获取待预测时段之前的p个周末的历史小区业务数据，其中，每个周末包括q个时刻对应的q个数据；
将p个周末中，第i个时刻对应的数据的平均值，作为预测值；
其中，m，n，p，q，i，t均为大于0的整数。
其中，所述处理器用于：
训练所述第二预测模型的第一子模型和所述第二子模型；
利用待预测时段之前的目标日历史小区业务数据和长短期记忆网络分别训练所述第一子模型和所述第二子模型；
其中，将所述目标日按照所述第二预设间隔设置多个采样点，所述第二预设间隔为15分钟，在训练所述第一子模型时，训练步长为90；
将所述目标日按照所述第三预设间隔设置多个采样点，所述第一预设间隔为1分钟，在训练所述第二子模型时，训练步长为360。
本发明实施例提供的装置，可以执行上述方法实施例，其实现原理和技术效果类似，本实施例此处不再赘述。
本发明实施例还提供一种通信设备，包括：收发机、存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如上所述的小区节能控制方法中的步骤。
本发明实施例还提供一种可读存储介质，可读存储介质上存储有程序，该程序被处理器执行时实现上述小区节能控制方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。其中，所述的可读存储介质，可以是处理器能够存取的任何可用介质或数据存储设备，包括但不限于磁性存储器(例如软盘、硬盘、磁带、磁光盘(MO)等)、光学存储器(例如CD、DVD、BD、HVD等)、以及半导体存储器(例如ROM、EPROM、EEPROM、非易失性存储器(NAND FLASH)、固态硬盘(SSD))等。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
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上述实施例方法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，但很多情况下前者是更佳的实施方式。根据这样的理解，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(如ROM/RAM、磁盘、光盘)中，包括若干指令用以使得一台终端(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，均属于本发明的保护之内。

Claims (13)

1.一种小区节能控制方法，其特征在于，包括：
获取历史数据；
利用所述历史数据对待预测时段的小区业务数据进行预测，得到小区业务数据在所述待预测时段内的业务数据变化情况；
根据所述小区业务数据在所述待预测时段内的业务数据变化情况，确定所述待预测时段的稳定时段和敏感时段；
根据所述稳定时段和敏感时段，得到所述待预测时段的第一节能策略；
对所述稳定时段进行预测，得到所述稳定时段的第二节能策略，以及，对所述敏感时段进行预测，得到所述敏感时段的第三节能策略；
基于所述第一节能策略，所述第二节能策略和所述第三节能策略分别对所述稳定时段和所述敏感时段进行节能控制。
2.根据权利要求1所述的方法，其特征在于，所述利用所述历史数据对待预测时段的小区业务数据进行预测，得到小区业务数据在所述待预测时段内的业务数据变化情况，包括：
当所述待预测时段为工作日时，利用所述历史数据和第一预测模型中的第一子模型对所述待预测时段的小区业务数据进行预测，得到小区业务数据在所述待预测时段内的业务数据变化情况，其中，所述历史数据为所述待预测时段之前的M个工作日的数据；
当所述待预测时段为周末时，利用所述历史数据和所述第一预测模型中的第二子模型对所述待预测时段的小区业务数据进行预测，得到小区业务数据在所述待预测时段内的业务数据变化情况，其中，所述历史数据为所述待预测时段之前的N个周末的数据；
其中，所述第一子模型用于预测工作日的小区业务数据变化情况，所述第二子模型用于预测周末的小区业务数据变化情况，M，N均为大于0的整数。
3.根据权利要求1所述的方法，其特征在于，所述根据所述小区业务数据在所述待预测时段内的业务数据变化情况，确定所述待预测时段的稳定时段和敏感时段，包括：
根据所述业务数据变化情况，将所述待预测时段的各个采样点的业务数据和预设阈值进行比较，其中，所述待预测时段包括按照第一预设间隔设置的多个采样点；
如果目标采样点的业务数据等于所述预设阈值，则将所述目标采样点的前一采样点和后一采样点之间的时段作为所述敏感时段，所述目标采样点为多个采样点中的任一采样点；
将所述待预测时段中除所述敏感时段之外的其他时段，作为所述稳定时段。
4.根据权利要求1所述的方法，其特征在于，所述根据所述稳定时段和敏感时段，得到所述待预测时段的第一节能策略，包括：
在所述稳定时段，确定所述第一节能策略包括将所述小区休眠或唤醒；
在所述敏感时段，确定所述第一节能策略包括将所述小区唤醒。
5.根据权利要求1所述的方法，其特征在于，所述对所述稳定时段进行预测，得到所述稳定时段的第二节能策略，包括：
利用所述稳定时段对应的第二预测模型中的第一子模型，预测当前时刻之后的第一时间段内的业务变化情况，其中，所述第一时间段包括按照第二预设间隔设置的多个采样点；
从第一个采样点开始，将所述多个采样点中相邻的两个采样点形成为小组，得到多个小组；
如果第一目标小组内的每个采样点对应的业务量均大于或等于预设阈值，则所述第二节能策略包括在所述第一目标小组内的每个采样点对应的时刻将所述小区唤醒；
如果第一目标小组内的每个采样点对应的业务量均小于所述预设阈值，则所述第二节能策略包括在所述第一目标小组内的每个采样点对应的时刻将所述小区休眠；
如果所述多个小组中，每个小组中的第一个采样点的业务量大于或等于所述预设阈值、第二个采样点的业务量小于所述预设阈值，或者，每个小组中的第一个采样点的业务量小于所述预设阈值、第二个采样点的业务量大于或等于所述预设阈值，则所述第二节能策略包括将所述小区唤醒。
6.根据权利要求5所述的方法，其特征在于，所述对所述敏感时段进行预测，得到所述敏感时段的第三节能策略，包括：
利用所述敏感时段对应的第二预测模型中的第二子模型，预测当前时刻之后的第二时间段内的业务变化情况，其中，所述第二时间段包括按照第三预设间隔设置的多个采样点，所述第二时间段的长度小于所述第一时间段的长度，所述第三预设间隔小于所述第二预设间隔；
将所述第二时间段内的采样点划分成多个小组；
如果第二目标小组中，业务量大于所述预设阈值的采样点的个数与所述第二目标小组包括的采样点个数的比值大于1/2，则所述第三节能策略包括在所述第二目标小组内的每个采样点对应的时刻将所述小区唤醒，否则所述第三节能策略包括在所述第二目标小组内的每个采样点对应的时刻将所述小区休眠。
7.根据权利要求1所述的方法，其特征在于，所述基于所述第一节能策略，所述第二节能策略和所述第三节能策略分别对所述稳定时段和所述敏感时段进行节能控制，包括：
在所述稳定时段，基于所述第一节能策略和所述第二节能策略，根据对所述稳定时段的预测结果，动态调整小区的唤醒与休眠；
在所述敏感时段，基于所述第一节能策略和所述第三节能策略，根据对所述节能时段的预测结果，动态调整小区的唤醒与休眠。
8.根据权利要求2所述的方法，其特征在于，所述方法还包括：
训练所述第一预测模型的第一子模型和所述第二子模型；
其中，训练所述第一子模型包括：
获取待预测时段之前的m个工作日的历史小区业务数据，其中，每个工作日包括n个时刻对应的n个数据；
将m个工作日中，第t个时刻对应的数据的平均值，作为预测值；
其中，训练所述第二子模型包括：
获取待预测时段之前的p个周末的历史小区业务数据，其中，每个周末包括q个时刻对应的q个数据；
将p个周末中，第i个时刻对应的数据的平均值，作为预测值；
其中，m，n，p，q，i，t均为大于0的整数。
9.根据权利要求6所述的方法，其特征在于，所述方法还包括：
训练所述第二预测模型的第一子模型和所述第二子模型；
利用待预测时段之前的目标日历史小区业务数据和长短期记忆网络分别训练所述第一子模型和所述第二子模型；
其中，将所述目标日按照所述第二预设间隔设置多个采样点，所述第二预设间隔为15分钟，在训练所述第一子模型时，训练步长为90；
将所述目标日按照所述第三预设间隔设置多个采样点，所述第一预设间隔为1分钟，在训练所述第二子模型时，训练步长为360。
10.一种小区节能控制装置，其特征在于，包括：
第一获取模块，用于获取历史数据；
第二获取模块，用于利用所述历史数据对待预测时段的小区业务数据进行预测，得到小区业务数据在所述待预测时段内的业务数据变化情况；
第一确定模块，用于根据所述小区业务数据在所述待预测时段内的业务数据变化情况，确定所述待预测时段的稳定时段和敏感时段；
第二确定模块，用于根据所述稳定时段和敏感时段，得到所述待预测时段的第一节能策略；
第三确定模块，用于对所述稳定时段进行预测，得到所述稳定时段的第二节能策略，以及，对所述敏感时段进行预测，得到所述敏感时段的第三节能策略；
第一处理模块，用于基于所述第一节能策略，所述第二节能策略和所述第三节能策略分别对所述稳定时段和所述敏感时段进行节能控制。
11.一种小区节能控制装置，其特征在于，包括：处理器和收发器；
所述处理器，用于：
获取历史数据；
利用所述历史数据对待预测时段的小区业务数据进行预测，得到小区业务数据在所述待预测时段内的业务数据变化情况；
根据所述小区业务数据在所述待预测时段内的业务数据变化情况，确定所述待预测时段的稳定时段和敏感时段；
根据所述稳定时段和敏感时段，得到所述待预测时段的第一节能策略；
对所述稳定时段进行预测，得到所述稳定时段的第二节能策略，以及，对所述敏感时段进行预测，得到所述敏感时段的第三节能策略；
基于所述第一节能策略，所述第二节能策略和所述第三节能策略分别对所述稳定时段和所述敏感时段进行节能控制。
12.一种通信设备，包括：收发机、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的程序；其特征在于，所述处理器，用于读取存储器中的程序实现如权利要求1至9中任一项所述的小区节能控制方法中的步骤。
13.一种可读存储介质，用于存储程序，其特征在于，所述程序被处理器执行时实现如权利要求1至9中任一项所述的小区节能控制方法中的步骤。
CN202110001457.4A 2021-01-04 2021-01-04 一种小区节能控制方法、装置、设备及可读存储介质 Pending CN114727370A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110001457.4A CN114727370A (zh) 2021-01-04 2021-01-04 一种小区节能控制方法、装置、设备及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110001457.4A CN114727370A (zh) 2021-01-04 2021-01-04 一种小区节能控制方法、装置、设备及可读存储介质

Publications (1)

Publication Number Publication Date
CN114727370A true CN114727370A (zh) 2022-07-08

Family

ID=82235003

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110001457.4A Pending CN114727370A (zh) 2021-01-04 2021-01-04 一种小区节能控制方法、装置、设备及可读存储介质

Country Status (1)

Country Link
CN (1) CN114727370A (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102316512A (zh) * 2010-07-01 2012-01-11 中兴通讯股份有限公司 基站的节能方法及装置
JP2013093801A (ja) * 2011-10-27 2013-05-16 Nippon Telegr & Teleph Corp <Ntt> 基地局装置およびスリープ制御方法
CN104661241A (zh) * 2015-01-05 2015-05-27 中国科学院计算技术研究所 一种小区休眠决策方法、实现方法及系统
CN105357692A (zh) * 2015-09-28 2016-02-24 北京拓明科技有限公司 一种多网协同的网络优化与节能方法和系统
CN106162699A (zh) * 2015-04-24 2016-11-23 中国移动通信集团公司 一种基站工作模式管理方法及网络设备
CN111918319A (zh) * 2019-05-08 2020-11-10 中国移动通信集团福建有限公司 一种忙时忙区预测方法及装置
CN111988836A (zh) * 2019-05-22 2020-11-24 中兴通讯股份有限公司 一种智能节能的方法、基站及计算机可读存储介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102316512A (zh) * 2010-07-01 2012-01-11 中兴通讯股份有限公司 基站的节能方法及装置
JP2013093801A (ja) * 2011-10-27 2013-05-16 Nippon Telegr & Teleph Corp <Ntt> 基地局装置およびスリープ制御方法
CN104661241A (zh) * 2015-01-05 2015-05-27 中国科学院计算技术研究所 一种小区休眠决策方法、实现方法及系统
CN106162699A (zh) * 2015-04-24 2016-11-23 中国移动通信集团公司 一种基站工作模式管理方法及网络设备
CN105357692A (zh) * 2015-09-28 2016-02-24 北京拓明科技有限公司 一种多网协同的网络优化与节能方法和系统
CN111918319A (zh) * 2019-05-08 2020-11-10 中国移动通信集团福建有限公司 一种忙时忙区预测方法及装置
CN111988836A (zh) * 2019-05-22 2020-11-24 中兴通讯股份有限公司 一种智能节能的方法、基站及计算机可读存储介质

Similar Documents

Publication Publication Date Title
CN105357692B (zh) 一种多网协同的网络优化与节能方法和系统
EP4138466A1 (en) Energy-saving method, base station, control unit, and storage medium
CN110111450B (zh) 一种对门锁的控制方法及门锁
Fu et al. Structure-aware stochastic control for transmission scheduling
CN105392154A (zh) 一种资源占用量的预测方法与预测系统
Jiang et al. Data-driven cell zooming for large-scale mobile networks
WO2016078268A1 (zh) 节能方法及装置
CN104661241B (zh) 一种小区休眠决策方法、实现方法及系统
CN104093197A (zh) 一种移动互联网中的设备节能方法及系统
CN114071661A (zh) 一种基站节能控制方法和装置
CN103702401A (zh) 基于用户行为分析的移动网络节能方法
Zhu et al. Joint traffic prediction and base station sleeping for energy saving in cellular networks
CN105611074B (zh) 一种根据闹钟时间优化推送信息时间的方法及系统
CN106569580A (zh) 智能终端的动态节能方法及系统
Yao et al. Data-driven resource allocation with traffic load prediction
CN113141616B (zh) O+b域数据+业务场景自适应识别的节能基站选择及节能模式选取的方法、装置和系统
CN114727370A (zh) 一种小区节能控制方法、装置、设备及可读存储介质
Zhu et al. Traffic prediction enabled dynamic access points switching for energy saving in dense networks
KR20230092852A (ko) 예측 전력 피크 가이드라인을 이용한 전력 관리 장치 및 방법
CN114139871B (zh) 日前发电备用容量配置方法、装置、存储介质及终端设备
CN111800807A (zh) 一种基站用户数量告警的方法及装置
CN102468890B (zh) 认知无线网络中的多用户协作信道选择方法
CN114449549A (zh) 一种小区休眠控制方法和电子设备
CN112346555A (zh) 智能门锁参数调整方法、装置、设备及可读存储介质
CN113766523A (zh) 服务小区的网络资源利用率预测方法、装置及电子设备

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