CN115243349A - 基站节能方法、装置、电子设备及存储介质 - Google Patents

基站节能方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN115243349A
CN115243349A CN202210701472.4A CN202210701472A CN115243349A CN 115243349 A CN115243349 A CN 115243349A CN 202210701472 A CN202210701472 A CN 202210701472A CN 115243349 A CN115243349 A CN 115243349A
Authority
CN
China
Prior art keywords
base station
energy
saving
data
prediction result
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
CN202210701472.4A
Other languages
English (en)
Inventor
周静
杨新章
梁柏青
李慧云
王雨蔷
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 CN202210701472.4A priority Critical patent/CN115243349A/zh
Publication of CN115243349A publication Critical patent/CN115243349A/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
    • H04W52/0203—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
    • 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
    • H04W52/04—TPC
    • H04W52/18—TPC being performed according to specific parameters
    • H04W52/22—TPC being performed according to specific parameters taking into account previous information or commands
    • H04W52/223—TPC being performed according to specific parameters taking into account previous information or commands predicting future states of the transmission
    • 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
    • H04W52/04—TPC
    • H04W52/18—TPC being performed according to specific parameters
    • H04W52/22—TPC being performed according to specific parameters taking into account previous information or commands
    • H04W52/226—TPC being performed according to specific parameters taking into account previous information or commands using past references to control power, e.g. look-up-table
    • 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)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本公开提供了一种基站节能方法、装置、电子设备及存储介质，涉及通信技术领域。该方法包括获取目标基站当前时刻及当前时刻前指定时间段内的第一流量数据；根据预设时间长度，将第一流量数据划分为多个数据集，每个数据集包括多个流量值数据；获取每个数据集中最大的流量值数据，并将每个数据集中最大的流量值数据按照时序排列，作为第二流量数据；将第二流量数据输入预先训练的流量预测模型，获得第一预测结果；将第一预测结果输入预先训练的基站节能模型，获得第二预测结果；根据第二预测结果，匹配目标基站的节能策略。本公开能够在无需人工干预的情况下，智能的为基站选择节能策略，在不影响基站正常使用的前提下实现节能效果的最大化。

Description

基站节能方法、装置、电子设备及存储介质
技术领域
本公开涉及通信技术领域，尤其涉及一种基站节能方法、装置、电子设备及存储介质。
背景技术
随着通信技术的发展，基站被大规模部署，因此，基站的能耗成为一个亟待解决的重要问题。一般基站存在两种节能模式：集中式节能、分布式节能。集中式节能是在网络管理级别执行节能方案，分布式节能是在网元处执行节能方案。分布式节能更符合实际运维情况，因为每个基站对应的情景不完全一致。同时，分布式节能将一部分决策能力下放到基站，可以减轻网管后台服务器的压力，降低决策时延。
然而，目前不论是集中式节能、还是分布式节能，均需要依赖人为的开关设置，存在节能效果有限、自动程度低、不够智能的缺陷。
需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本公开提供一种基站节能方法、装置、电子设备及存储介质，至少在一定程度上克服由于相关技术中基站无法智能选择节能方案的问题。
本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。
根据本公开的一个方面，提供一种基站节能方法，包括：
获取目标基站当前时刻及当前时刻前指定时间段内的第一流量数据；
根据预设时间长度，将所述第一流量数据划分为多个数据集，每个数据集包括多个流量值数据；
获取每个数据集中最大的流量值数据，并将每个数据集中最大的流量值数据按照时序排列，作为第二流量数据；
将所述第二流量数据输入预先训练的流量预测模型，获得第一预测结果，所述第一预测结果用于确定待预测时刻的流量使用量，所述待预测时刻为当前时刻经过所述预设时间长度后的时刻；
将所述第一预测结果输入预先训练的基站节能模型，获得第二预测结果，所述第二预测结果用于匹配节能策略；
根据所述第二预测结果，匹配所述目标基站的节能策略。
在本公开的一个实施例中，当所述第一预测结果为所述目标基站待预测时刻的流量预测值时，所述第二预测结果为节能策略标识，其中，所述流量预测值由所述流量预测模型预测获得，所述节能策略标识与节能策略之间具有预设映射关系。
在本公开的一个实施例中，所述根据所述第二预测结果，匹配所述目标基站的节能策略，具体包括：
根据所述节能策略标识，匹配与所述节能策略标识对应的节能策略。
在本公开的一个实施例中，当所述第一预测结果为所述目标基站待预测时刻的基站使用率时，所述第二预测结果为基站节能率，其中，所述基站使用率基于流量预测值计算获得，所述流量预测值由所述流量预测模型预测获得，所述基站节能率与节能策略之间具有预设映射关系。
在本公开的一个实施例中，所述根据所述第二预测结果，匹配所述目标基站的节能策略，具体包括：
根据所述基站节能率，匹配与所述基站节能率对应的节能策略。
在本公开的一个实施例中，所述节能策略包括以下至少一种：
符号关断策略、通道关断策略、载波关断策略和基站休眠策略。
在本公开的一个实施例中，所述流量预测模型基于长短期记忆LSTM模型训练，所述基站节能模型基于深度神经网络DNN模型训练。
根据本公开的另一个方面，提供一种基站节能装置，包括：
第一获取模块，用于获取目标基站当前时刻及当前时刻前指定时间段内的第一流量数据；
划分模块，用于对根据预设时间长度，将所述第一流量数据划分为多个数据集，每个数据集包括多个流量值数据；
第二获取模块，用于获取每个数据集中最大的流量值数据，并将每个数据集中最大的流量值数据按照时序排列，作为第二流量数据；
第一预测模块，用于将所述第二流量数据输入预先训练的流量预测模型，获得第一预测结果，所述第一预测结果用于确定待预测时刻的流量使用量，所述待预测时刻为当前时刻经过所述预设时间长度后的时刻；
第二预测模块，用于将所述第一预测结果输入预先训练的基站节能模型，获得第二预测结果，所述第二预测结果用于匹配节能策略；和
策略匹配模块，用于根据所述第二预测结果，匹配所述目标基站的节能策略。
根据本公开的再一个方面，提供一种电子设备，包括：处理器；以及存储器，用于存储所述处理器的可执行指令；其中，所述处理器配置为经由执行所述可执行指令来执行上述的基站节能方法。
根据本公开的又一个方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述的基站节能方法。
本公开的实施例所提供的基站节能方法、装置、电子设备及存储介质，首先采集基站一定时间段内的历史流量数据，并根据流量数据的特点按照一定周期将其构造输入数据，随后将输入数据代入预先训练的构建流量预测模型预测流量使用量，并基于预测的流量使用量，根据预先训练的基站节能模型来实现对基站节能策略的匹配。由此，本公开可在无需人工干预的情况下，智能的为基站选择节能策略，在不影响基站正常使用的前提下实现节能效果的最大化。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。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的前提下，还可以根据这些附图获得其他的附图。
图1示出本公开实施例中一种基站节能系统结构的示意图；
图2示出本公开实施例中一种基站节能方法流程图；
图3示出本公开实施例中一种流量预测模型训练方法示意图；
图4示出本公开实施例中一种基站节能模型训练方法示意图；
图5示出本公开实施例中一种基站节能装置示意图；
图6示出本公开实施例中一种基站节能系统示意图；
图7示出本公开实施例中一种基站节能系统的运行过程示意图；和
图8示出本公开实施例中一种电子设备的结构框图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。
此外，附图仅为本公开的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
本公开提供的方案，首先获取目标基站当前时刻及当前时刻前指定时间段内的第一流量数据；随后根据预设时间长度，将第一流量数据划分为多个数据集，每个数据集包括多个流量值数据；在得到多个数据集之后，获取每个数据集中最大的流量值数据，并将每个数据集中最大的流量值数据按照时序排列，作为第二流量数据；接下来，将第二流量数据输入预先训练的流量预测模型，获得第一预测结果，第一预测结果用于确定待预测时刻的流量使用量，待预测时刻为当前时刻经过预设时间长度后的时刻；将第一预测结果输入预先训练的基站节能模型，获得第二预测结果，第二预测结果用于匹配节能策略；最后，根据第二预测结果，匹配目标基站的节能策略。
下面结合附图及实施例对本示例实施方式进行详细说明。
首先，本公开实施例中提供了一种基站节能方法，该方法可以由任意具备计算处理能力的电子设备执行。
图1示出本公开实施例中一种基站节能方法流程图，如图1所示，本公开实施例中提供的基站节能方法包括如下步骤：
S102，获取目标基站当前时刻及当前时刻前指定时间段内的第一流量数据。
需要说明的是，本公开中的目标基站为待匹配节能策略的基站，可以为在不同部署场景下的4G、5G基站等。
需要说明的是，本发明实施例对所述基站的应用场景不加以限制，所述基站可以为任意通信系统中的基站设备。所述通信系统包括但不限于GSM(Global System ofMobile，全球移动通讯)系统、CDMA(Code Division Multiple Access，码分多址)系统、WCDMA(Wideband Code Division Multiple Access，宽带码分多址)系统、GPRS(GeneralPacket Radio Service，通用分组无线业务)、LTE(Long TermEvolution，长期演进)系统、LTE FDD(Frequency Division Duplex，频分双工)系统、LTE TDD(Time Division Duplex，时分双工)系统、UMTS(Universal Mobi leTel ecommunication System，通用移动通信系统)、WiMAX(Worldwide Interoperabi lityfor MicrowaveAccess，全球互联微波接入)通信系统、5G(5th-Generation，第五代移动通信技术)或NR(New Radio，新无线)通信系统
需要说明的是，第一流量数据可以是按照时序排列的目标基站的历史流量数据。
在一些实施例中，目标基站的第一流量数据可通过网管服务器后台获取。
具体地，网管服务器后台会不定时收集基站的各项性能文件并上报，包括但不限于PDCP(Packet Data Convergence Protocol，分组数据汇聚协议)层、RLC(Radio LinkControl，无线链路层控制协议)层、MAC(Media Access Control，介质访问控制)层的实时流量数据。
在一些实施例中，由于PDCP层接近业务层，比RLC层、MAC层更能准确反映出当前基站的实时流量情况。因此，可以选择基站的PDCP层流量数据作为第一流量数据。
需要说明的是，如图2所示，基站某日的PDCP层下行流量在白天达到峰值，在凌晨时刻趋于平缓并接近于0，表现出了明显的潮汐效应。且每一天的峰值流量和低谷流量较为接近。因此，当前时刻前的指定时间段可以根据流量的潮汐效应，以日为单位进行取值，并根据实际应用场景和模型预测效果进行调整，例如，在一些应用场景中，可以选择当前时刻前7日的流量数据。
S104，根据预设时间长度，将第一流量数据划分为多个数据集，每个数据集包括多个流量值数据。
需要说明的是，关于预设时间长度，由于第一流量数据存在于通过网管服务器后台获取的性能文件中，因此预设时间长度不能小于网管服务器后台的采样间隔。
进一步地，由于性能文件中并不一定全部携带第一流量数据。例如，11点20分时，采集到的PDCP流量值为空(即“NIL”)，无数据；11点22分时，采集到的PDCP流量值为21023，不为空，有数据。若预设时间长度较小，例如5min，即使大于后台采样间隔，但仍会有极小的概率出现采集到的所有性能文件数值均为“NIL”的情况。因此，为了保证有数据可读，可以使一个预设时间长度内存在若干份有数值记录的性能文件，并据此来设置预设时间长度。
S106，获取每个数据集中最大的流量值数据，并将每个数据集中最大的流量值数据按照时序排列，作为第二流量数据。
需要说明的是，第二流量数据由划分后的各个数据集中的最大流量值数据，按照时序排列后组成。例如，将获取到的某日11点0分～12点0分中第一流量数据，以15min作为预设时间长度，划分为4个数据集，即划分后得到的4个数据集中分别包括11点0分～11点15分、11点15分～11点30分、11点30分～11点45分、11点45分～12点0分的流量值数据，此时获取每个数据集中最大的流量值数据，并将每个数据集中最大的流量值数据按照时序进行排列，即可获得第二流量数据。
S108，将第二流量数据输入预先训练的流量预测模型，获得第一预测结果，第一预测结果用于确定待预测时刻的流量使用量，待预测时刻为当前时刻经过预设时间长度后的时刻。
需要说明的是，流量预测模型可通过LSTM(Long Short-Term Memory，长短期记忆)模型训练获得。LSTM模型是一种用于处理并预测时序数据的神经网络模型，可以通过一个内置的遗忘门、信息增强门，有选择地保留或丢弃一部分信息，以处理一系列包含时间信息的数据并预测结果。与普通的神经网络相比，LSTM模型在处理时序数据上具有较大的优势。
具体地，如图3所示，流量预测模型的训练过程如下：
S302，构造流量预测模型训练集。如前所述，由于基站上报的性能文件时间间隔不完全一致，且存在部分数据缺失，在构造之前需要将上报的性能文件按照一定的预设时间长度进行处理。处理流程如下：从性能文件中读取流量数据，根据预设时间长度(例如15min)将流量数据划分为多个数据集，并获取每个数据集内的流量数据的最大值。由此，每日流量数据可拆分为24×4个数据集，将每个数据集中的流量数据的最大值按照时序进行排列，最终可获得一个24×4/日的流量数组作为训练集。
例如，假设以15min作为预设时间长度划分数据集，将基站在11：00-11：15上报了12个性能文件作为一个数据集，在该数据集中，其中3个性能文件缺少PDCP流量数据，其余9个性能文件记录的PDCP流量最高值为17582，则取17582为该数据集中流量数据的最大值。以此类推，可以对任意时间段内的流量数据进行处理，获得完整的流量预测模型训练集。
S304，基于构建的流量预测模型训练集，训练LSTM模型，以获得训练完成的流量预测模型。
具体地，可以以完整训练集中某时刻之前指定时间段内的流量数据作为模型输入，该时刻的流量数据作为模型输出，对LSTM模型进行训练，训练完成后即可得到流量预测模型。
需要说明的是，在流量预测模型的训练过程中，步骤1中选取的预设时间长度与S106中的预设时间长度相同(例如均为15min)，步骤2中的指定时间段与S102中的指定时间段相同(例如均为7日)。
需要说明的是，待预测时刻与预设时间长度相关，具体地，待预测时刻为当前时刻经过预设时间长度后的时刻，例如，预设时间长度为15min时，待预测时刻为当前时刻经过15min后的时刻。
需要说明的是，根据目标基站的节能要求不同，第一预测结果可以呈现为不同形式。
在一些实施例中，第一预测结果可以是目标基站待预测时刻的流量预测值，其中，流量预测值可由流量预测模型直接输出获得。
在另一些实施例中，第一预测结果可以使目标基站待预测时刻的基站使用率，基站使用率可通过流量预测值计算获得，具体地，基站使用率＝(流量预测值/基站满载流量值)×100％。
S110，将第一预测结果输入预先训练的基站节能模型，获得第二预测结果，第二预测结果用于匹配节能策略。
需要说明的是，基站节能模型可通过DNN模型训练获得，本领域技术人员可以理解，其他神经网络模型(例如CNN)同样可用于训练基站节能模型，并起到相同的技术效果，本公开对此不做限定。但由于本公开实施例的使用场景相对简单，参数相对较少，因此利用DNN模型可在保证准确度的前提下将训练效率最大化。
具体地，如图4所示，基站节能模型的训练过程如下：
S402，构造基站节能模型训练集。根据3GPP相关协议，基站可以有两种状态：非节能状态和节能状态。其中，节能状态是指在非高峰流量的情况下，小区或网元的某些功能关闭或者限制资源使用，以降低能耗。非节能状态是指基站的正常工作状态。基于这两种状态，可以推导出若干种不同的节能方案。例如：(1)当前时刻流量低于休眠阈值时，基站将用户迁移到其他小区，进入休眠状态。例如，休眠阈值可以取七日最高流量值×0.05。(2)当前时刻流量低于节能阈值时，基站进入节能状态，根据自身情况选择载波关断、通道关断、或者符号关断。例如，节能阈值可以取七日最高流量值×0.45。(3)当前时刻流量高于节能阈值、低于高能耗预警阈值时，基站维持原有状态不变。例如，高能耗预警阈值可以取七日最高流量值×0.95。(4)当前时刻流量高于高能耗预警阈值时，模型判定下一时刻可能出现新的流量峰值，由基站向综合网管后台发送一条信息示警。随后，由综合网管判定基站是否过载、是否需要将部分用户迁移到临近小区。
需要说明的是，由于每个基站面临的具体场景不一致(如商场、车站、高层建筑物等)，具体的阈值设定方式应当根据实际应用场景进行测试。在实际应用中，七日最高流量值×0.45对应的最佳方案不一定是载波关断/通道关断/符号关断，有可能是基站休眠(假设目标基站是一个用于补热的小容量基站，且附近存在一个大容量的宏站)。宏站或家庭基站的情况依此类推。因此，基站需要通过实验验证，获取当前流量值与节能策略的对应关系。
需要说明的是，本公开实施例需要根据实际应用场景收集训练数据，因此，不同的应用场景(例如办公楼、车站，是两个完全不同的场景)会训练出不同的基站节能模型。例如，办公楼的流量值应该在办公时间出现波峰，非办公时间出现低谷；办公楼是一个若干层的写字楼，基站信号可能会收到上下若干个楼层的基站信号影响。车站的流量值会在节假日出现波峰；此外，由于车站较为空旷，受到其余基站信号的干扰程度，和办公楼完全不同。因此，即使是同一个流量值，在不同地方使用的节能策略也并不相同，对此可以训练多个不同的基站节能模型来满足不同应用场景下的需求。
在一些实施例中，通过对目标基站的节能策略进行实验验证，可以获得多组(当前流量，节能策略)的数据，从而构造出完整的训练集。
需要说明的是，在本公开实施例中，为便于基站节能模型的训练，不同节能策略可以用不同的节能策略标识来示出(例如-1、0、1、2)，即在节能策略和节能策略标识之间建立映射关系。
在另一些实施例中，由于基站节能率同样与节能策略紧密相关，因此通过训练基站节能模型对基站节能率进行拟合，可以对节能策略进行更加精确的选择。
需要说明的是，基站节能率为基站在当前负载下可以节约的容量比率，基站节能率的理论计算公式为：基站节能率＝1-(当前流量值/基站满载流量值)*100％-预留空闲率，但实际上，由于基站的应用场景不同，实际的基站节能率与理论存在一定差距，因此实际的基站节能率可通过实验验证获得。
进一步地，在本公开实施例中，通过对目标基站的基站节能率进行实验验证，还可以获得多组(基站使用率，基站节能率)的数据，从而构造出完整的基站节能模型训练集。
S404，基于构造的基站节能模型训练集，训练DNN模型，以获得训练完成的基站节能模型。
需要说明的是，当S108中的第一预测结果为目标基站待预测时刻的流量预测值时，S110中的第二预测结果为节能策略标识，其中，节能策略标识与节能策略具有映射关系。
需要说明的是，当S108中的第一预测结果为目标基站待预测时刻的基站使用率时，S110中的第二预测结果为基站节能率，其中，基站节能率与节能策略具有映射关系。
S112，根据第二预测结果，匹配目标基站的节能策略。
需要说明的是，节能策略包括但不限于符号关断策略、通道关断策略、载波关断策略和基站休眠策略。
需要说明的是，目标基站的节能策略基于S110中的第二预测结果匹配，由于节能策略标识和基站节能率与节能策略均具有映射关系，因此通过节能策略标识或基站节能率均可以实现对节能策略的匹配。
值得注意的是，当使用基站节能率进行节能策略的匹配时，由于基站节能率与节能策略具有映射关系通常无法完全匹配，例如，根据基站节能率与节能策略的映射关系，当基站节能率为10％时，选择节能策略A；当基站节能率为15％时，选择节能策略B。而若目标基站的基站节能率为13％时，则不具有对应的节能策略，此时为保证基站具有充足容量可供使用，可匹配与目标基站的基站节能率最接近，且小于目标基站的基站节能率的基站节能率所对应的节能策略，即节能策略A，同时，为实现节能策略的精确优化，可由人工预设节能策略A进行进一步调整，以使节能率达到13％。
本公开通过将流量预测模型与基站节能模型结合在一起，可以直接获取基站下一时刻的最佳节能方案，同时在节能方案中保留了接受网管统筹调度的能力，操作更便捷，更符合现实应用场景，以及基站自身的决策流程。
为便于理解，下面将提供一个具体应用例，通过以下步骤1～7来对本公开实施例提供的基站节能方法从训练到使用的过程进行介绍。
步骤1，读取基站上报的性能文件，解析性能文件，按照15min的预设时间长度将其划分为多个数据集，并基于每个数据集中的最高流量值，构造一系列的时序数据。
步骤2，通过实验证明基站不同流量负载下对应的最优节能策略(例如符号关断/载波关断/通道关断/休眠/过载上报)，构造一批流量值和节能策略一一对应的训练数据。
步骤3，使用步骤1中构造的时序数据，训练LSTM网络。训练完成后，获得流量预测模型。
步骤4，使用步骤2中的训练数据，训练DNN。训练完成后，获得基站节能模型。
步骤5，获取基站当前时刻及前7日的流量数据，输入流量预测模型，可得到基站下一时刻的流量预测值。
步骤6，将基站下一时刻的流量预测值输入节能模型，可得到基站在下一时刻的节能策略标识，根据节能策略标识可匹配相应的节能策略。
步骤7，在下一时刻(15min后)时，执行基站在下一时刻的节能策略。
基于同一发明构思，本公开实施例中还提供了一种基站节能装置，如下面的实施例所述。由于该装置实施例解决问题的原理与上述方法实施例相似，因此该装置实施例的实施可以参见上述方法实施例的实施，重复之处不再赘述。
图5示出本公开实施例中一种基站节能装置示意图，如图5所示，该装置500包括：
第一获取模块501，用于获取目标基站当前时刻及当前时刻前指定时间段内的第一流量数据；
划分模块502，用于对根据预设时间长度，将第一流量数据划分为多个数据集，每个数据集包括多个流量值数据；
第二获取模块503，用于获取每个数据集中最大的流量值数据，并将每个数据集中最大的流量值数据按照时序排列，作为第二流量数据；
第一预测模块504，用于将第二流量数据输入预先训练的流量预测模型，获得第一预测结果，第一预测结果用于确定待预测时刻的流量使用量，待预测时刻为当前时刻经过预设时间长度后的时刻；
第二预测模块505，用于将第一预测结果输入预先训练的基站节能模型，获得第二预测结果，第二预测结果用于匹配节能策略；和
策略匹配模块506，用于根据第二预测结果，匹配目标基站的节能策略。
在一些实施例中，当第一预测结果为目标基站待预测时刻的流量预测值时，第二预测结果为节能策略标识，其中，流量预测值由流量预测模型预测获得，节能策略标识与节能策略之间具有预设映射关系。
在一些实施例中，策略匹配模块506具体用于：
根据节能策略标识，匹配与节能策略标识对应的节能策略。
在一些实施例中，当第一预测结果为目标基站待预测时刻的基站使用率时，第二预测结果为基站节能率，其中，基站使用率基于流量预测值计算获得，流量预测值由流量预测模型预测获得，基站节能率与节能策略之间具有预设映射关系。
在一些实施例中，策略匹配模块506具体用于：
根据基站节能率，匹配与基站节能率对应的节能策略。
在一些实施例中，节能策略包括以下至少一种：
符号关断策略、通道关断策略、载波关断策略和基站休眠策略。
在一些实施例中，流量预测模型基于长短期记忆LSTM模型训练，基站节能模型基于深度神经网络DNN模型训练。
需要说明的是，上述实施例提供的基站节能装置在用于基站节能时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的基站节能装置与基站节能方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。
所属技术领域的技术人员能够理解，本公开的各个方面可以实现为系统、方法或程序产品。因此，本公开的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。
基于同一发明构思，本公开实施例中还提供了一种基站节能系统，如下面的实施例所述。由于该系统实施例解决问题的原理与上述方法实施例相似，因此该系统实施例的实施可以参见上述方法实施例的实施，重复之处不再赘述。
图6示出本公开实施例中一种基站节能系统示意图，如图6所示，该系统600包括：
数据处理模块601，该模块的第一部分是解析网管后台读取的性能文件，基于预设时间长度(例如15min)，解析流量数据并将其处理为若干个数据集。处理方式为：将每一天的流量数据划分为24×4个数据集，通过选取每个数据集中的最大流量值可以得到一系列的时序数据。该模块的第二部分的数据处理，需要通过实验，构造通过基站流量值及节能策略标识(例如-1、0、1、2)的对应关系，以及基站使用率与基站节能率的对应关系，其中，节能策略标识和基站节能率均与目标基站的节能策略具有预设的映射关系。当然，根据实际应用，本领域技术人员可以仅构造其中一种对应关系，作为训练集数据，本公开实施例对此不做限定。
模型训练模块602，该模块包括两个部分。第一部分获取数据处理模块601中构造的第一阶段训练数据，使用LSTM网络进行训练。训练完成后将获得一个具备目标基站流量特征的流量预测模型。第二部分获取数据处理模块601中构造的第二阶段训练数据，使用DNN网络进行训练，训练完成后将获得一个基站节能模型。
模型验证模块603，该模块首先获取模型训练模块602中的流量预测模型及基站节能模型。在使用模型验证模块603对流量预测模型及基站节能模型进行验证或使用时，可将经过处理后的当前时刻及之前7日的流量数组输入到流量预测模型，获取下一时刻的流量预测值；再将下一时刻的流量预测值输入到基站节能模型，获取下一时刻对应的节能策略，并执行该节能策略。
所属技术领域的技术人员能够理解，本公开的各个方面可以实现为系统、方法或程序产品。因此，本公开的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。
图7示出了本公开实施例中一种基站节能系统的运行过程示意图。
具体地，如图7所示，数据处理模块负责解析并处理基站上报的性能文件，按照前一实施例的方式构造LSTM模型的训练数据以及DNN模型的训练数据。将两套训练数据分别输入模型训练模块，进行训练。
模型训练模块使用上述数据，用LSTM模型训练出一个流量预测模型，用DNN模型训练出一个基站节能模型。训练完成后，保存模型文件，进入模型验证模块。
模型验证模块首先获取基站在当前时刻及之前的流量值，使用流量预测模型预测出下一时刻的流量，再根据下一时刻的预测流量，使用节能模型预测出下一时刻的节能方案。
下面参照图8来描述根据本公开的这种实施方式的电子设备800。图8显示的电子设备800仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图8所示，电子设备800以通用计算设备的形式表现。电子设备800的组件可以包括但不限于：上述至少一个处理单元810、上述至少一个存储单元820、连接不同系统组件(包括存储单元820和处理单元810)的总线830。
其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元810执行，使得所述处理单元810执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。例如，所述处理单元810可以执行上述方法实施例的如下步骤：获取目标基站当前时刻及当前时刻前指定时间段内的第一流量数据；根据预设时间长度，将第一流量数据划分为多个数据集，每个数据集包括多个流量值数据；获取每个数据集中最大的流量值数据，并将每个数据集中最大的流量值数据按照时序排列，作为第二流量数据；将第二流量数据输入预先训练的流量预测模型，获得第一预测结果，第一预测结果用于确定待预测时刻的流量使用量，待预测时刻为当前时刻经过预设时间长度后的时刻；将第一预测结果输入预先训练的基站节能模型，获得第二预测结果，第二预测结果用于匹配节能策略；根据第二预测结果，匹配目标基站的节能策略。
在一些实施例中，当第一预测结果为目标基站待预测时刻的流量预测值时，第二预测结果为节能策略标识，其中，流量预测值由流量预测模型预测获得，节能策略标识与节能策略之间具有预设映射关系。
在一些实施例中，具体包括：
根据节能策略标识，匹配与节能策略标识对应的节能策略。
在一些实施例中，当第一预测结果为目标基站待预测时刻的基站使用率时，第二预测结果为基站节能率，其中，基站使用率基于流量预测值计算获得，流量预测值由流量预测模型预测获得，基站节能率与节能策略之间具有预设映射关系。
在一些实施例中，具体包括：
根据基站节能率，匹配与基站节能率对应的节能策略。
在一些实施例中，节能策略包括以下至少一种：
符号关断策略、通道关断策略、载波关断策略和基站休眠策略。
在一些实施例中，流量预测模型基于长短期记忆LSTM模型训练，基站节能模型基于深度神经网络DNN模型训练。
存储单元820可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)8201和/或高速缓存存储单元8202，还可以进一步包括只读存储单元(ROM)8203。
存储单元820还可以包括具有一组(至少一个)程序模块8205的程序/实用工具8204，这样的程序模块8205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线830可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备800也可以与一个或多个外部设备840(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备800交互的设备通信，和/或与使得该电子设备800能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口850进行。并且，电子设备800还可以通过网络适配器860与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器860通过总线830与电子设备800的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备800使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施方式的方法。
在本公开的示例性实施例中，还提供了一种计算机可读存储介质，该计算机可读存储介质可以是可读信号介质或者可读存储介质。其上存储有能够实现本公开上述方法的程序产品。在一些可能的实施方式中，本公开的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。
本公开中的计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
在本公开中，计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可选地，计算机可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。
在具体实施时，可以以一种或多种程序设计语言的任意组合来编写用于执行本公开操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
此外，尽管在附图中以特定顺序描述了本公开中方法的各个步骤，但是，这并非要求或者暗示必须按照该特定顺序来执行这些步骤，或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的，可以省略某些步骤，将多个步骤合并为一个步骤执行，以及/或者将一个步骤分解为多个步骤执行等。
通过以上实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者网络设备等)执行根据本公开实施方式的方法。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本公开旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由所附的权利要求指出。

Claims (10)

1.一种基站节能方法，其特征在于，包括：
获取目标基站当前时刻及当前时刻前指定时间段内的第一流量数据；
根据预设时间长度，将所述第一流量数据划分为多个数据集，每个数据集包括多个流量值数据；
获取每个数据集中最大的流量值数据，并将每个数据集中最大的流量值数据按照时序排列，作为第二流量数据；
将所述第二流量数据输入预先训练的流量预测模型，获得第一预测结果，所述第一预测结果用于确定待预测时刻的流量使用量，所述待预测时刻为当前时刻经过所述预设时间长度后的时刻；
将所述第一预测结果输入预先训练的基站节能模型，获得第二预测结果，所述第二预测结果用于匹配节能策略；
根据所述第二预测结果，匹配所述目标基站的节能策略。
2.根据权利要求1所述的基站节能方法，其特征在于，当所述第一预测结果为所述目标基站待预测时刻的流量预测值时，所述第二预测结果为节能策略标识，其中，所述流量预测值由所述流量预测模型预测获得，所述节能策略标识与节能策略之间具有预设映射关系。
3.根据权利要求2所述的基站节能方法，其特征在于，所述根据所述第二预测结果，匹配所述目标基站的节能策略，具体包括：
根据所述节能策略标识，匹配与所述节能策略标识对应的节能策略。
4.根据权利要求1所述的基站节能方法，其特征在于，当所述第一预测结果为所述目标基站待预测时刻的基站使用率时，所述第二预测结果为基站节能率，其中，所述基站使用率基于流量预测值计算获得，所述流量预测值由所述流量预测模型预测获得，所述基站节能率与节能策略之间具有预设映射关系。
5.根据权利要求4所述的基站节能方法，其特征在于，所述根据所述第二预测结果，匹配所述目标基站的节能策略，具体包括：
根据所述基站节能率，匹配与所述基站节能率对应的节能策略。
6.根据权利要求1所述的基站节能方法，其特征在于，所述节能策略包括以下至少一种：
符号关断策略、通道关断策略、载波关断策略和基站休眠策略。
7.根据权利要求1所述的基站节能方法，其特征在于，所述流量预测模型基于长短期记忆LSTM模型训练，所述基站节能模型基于深度神经网络DNN模型训练。
8.一种基站节能装置，其特征在于，包括：
第一获取模块，用于获取目标基站当前时刻及当前时刻前指定时间段内的第一流量数据；
划分模块，用于对根据预设时间长度，将所述第一流量数据划分为多个数据集，每个数据集包括多个流量值数据；
第二获取模块，用于获取每个数据集中最大的流量值数据，并将每个数据集中最大的流量值数据按照时序排列，作为第二流量数据；
第一预测模块，用于将所述第二流量数据输入预先训练的流量预测模型，获得第一预测结果，所述第一预测结果用于确定待预测时刻的流量使用量，所述待预测时刻为当前时刻经过所述预设时间长度后的时刻；
第二预测模块，用于将所述第一预测结果输入预先训练的基站节能模型，获得第二预测结果，所述第二预测结果用于匹配节能策略；和
策略匹配模块，用于根据所述第二预测结果，匹配所述目标基站的节能策略。
9.一种电子设备，其特征在于，包括：
处理器；以及
存储器，用于存储所述处理器的可执行指令；
其中，所述处理器配置为经由执行所述可执行指令来执行权利要求1～7中任意一项所述的基站节能。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1～7中任意一项所述的基站节能。
CN202210701472.4A 2022-06-20 2022-06-20 基站节能方法、装置、电子设备及存储介质 Pending CN115243349A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210701472.4A CN115243349A (zh) 2022-06-20 2022-06-20 基站节能方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210701472.4A CN115243349A (zh) 2022-06-20 2022-06-20 基站节能方法、装置、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN115243349A true CN115243349A (zh) 2022-10-25

Family

ID=83670108

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210701472.4A Pending CN115243349A (zh) 2022-06-20 2022-06-20 基站节能方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN115243349A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116074936A (zh) * 2023-03-06 2023-05-05 广东云山能源科技有限公司 基于决策树的通信基站节能方法及系统

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116074936A (zh) * 2023-03-06 2023-05-05 广东云山能源科技有限公司 基于决策树的通信基站节能方法及系统

Similar Documents

Publication Publication Date Title
CN112566226B (zh) 5g基站智能化节能方法
EP4138466A1 (en) Energy-saving method, base station, control unit, and storage medium
CN113055990B (zh) 基于大数据挖掘及ai调度的无线基站的节能降耗方法及系统
CN110139289B (zh) 一种调度方法及调度系统
CN112804739A (zh) 一种基站节能方法、装置、设备及系统、存储介质
RU2003113236A (ru) Способ и система для управления энергопотреблением сетевого интерфейсного модуля в беспроводном вычислительном устройстве
CN114071661A (zh) 一种基站节能控制方法和装置
CN105636056A (zh) 一种频谱资源自优化的节能方法、装置和系统
CN112954707B (zh) 基站的节能方法、装置、基站和计算机可读存储介质
CN114786268A (zh) 数据传输带宽调整方法、装置、电子设备及存储介质
CN103702401A (zh) 基于用户行为分析的移动网络节能方法
CN113573340A (zh) 基站小区的控制方法、装置、介质及电子设备
CN104661241A (zh) 一种小区休眠决策方法、实现方法及系统
CN114339971A (zh) 基站节能控制方法、装置、存储介质及电子设备
CN115243349A (zh) 基站节能方法、装置、电子设备及存储介质
WO2022257670A1 (zh) 基站节能方法、基站节能系统、基站及存储介质
WO2024021571A1 (zh) 节能方法、电子设备及存储介质
CN116209046B (zh) 一种实时节能的移动通信方法、装置、网络侧设备及介质
WO2023109496A1 (zh) 资源分配方法、装置、服务器和存储介质
CN109660995A (zh) 基于机器学习算法的WiFi系统中AP智能节能控制方法及设备
CN114683908B (zh) 换电站的换电能力评估方法、系统、电子设备和介质
CN105794279A (zh) 降低小小区设备的能量消耗
WO2024139968A1 (zh) 小区节能闭载的配置方法、设备、装置及存储介质
CN114302485B (zh) 一种用于室内时分系统智能管理小区休眠的方法
CN116074936B (zh) 基于决策树的通信基站节能方法及系统

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