CN116249186A - 无线网设备的数据处理方法、装置、存储介质及电子设备 - Google Patents

Abstract

本发明公开了一种无线网设备的数据处理方法、装置、存储介质及电子设备。其中，该方法包括：获取目标设备的设备数据,其中,目标设备为无线网络中的基站设备，设备数据至少包括：设备类型、设备负荷、时间段；将设备数据输入目标耗电模型，输出目标设备的第一能耗值，其中，第一能耗值包括：目标设备在时间段内处于非节能状态的耗电量；获取目标设备在时间段的第二能耗值，其中，第二能耗值包括：目标设备在时间段内处于节能状态的耗电量；将第一能耗值和第二能耗值输入节能评估模型，输出目标设备在时间段内的节能数据。本发明解决了相关技术中依据专家经验评估无线网络的基站设备的节约电量和节能效率，评估效率低且准确性差的技术问题。

Description

无线网设备的数据处理方法、装置、存储介质及电子设备

技术领域

本发明涉及移动通信技术领域，具体而言，涉及一种无线网设备的数据处理方法、装置、存储介质及电子设备。

背景技术

5G移动网络经过近些年的建设，整体覆盖已日臻完善，5G单站能耗相比4G大幅度增加，基站节能减排已成为移动通信运营的一个重要环节。目前对于基站节能效果的评估普遍较模糊，多使用电表挂站测试、电费结算变化、专家经验等手段，但不同厂家、不同配置、不同场景下基站能耗差异较大，导致这些评估方式既不全面也不准确。

相关技术中，评估基站能耗主要是依靠专家经验法评估，例如：依据专家经验，通过对不同配置基站负荷进行长时间跟踪，确定不同基站在非节能状态下的耗电量E0，然后测量设备在节能状态下耗电量E1,节约电量ΔE＝E0-E1，比如，5G AAU在非节能状态下平均耗电0.5KWH/小时，节能状态下耗电0.4KWH/小时，节约能耗0.1KWH/小时，但是，这种节约电量算法比较粗放，误差较大：并且设备在非节能状态下平均能耗不能反应设备节能时的E0值，设备开启节能，也并不一定会进入节能。因此，相关技术中的无线网设备节约电量和节能效率依靠专家经验评估，存在效率低、准确性差等问题。

针对上述的问题，目前尚未提出有效的解决方案。

发明内容

本发明实施例提供了一种无线网设备的数据处理方法、装置、存储介质及电子设备，以至少解决相关技术中依据专家经验评估无线网络的基站设备的节约电量和节能效率，评估效率低且准确性差的技术问题。

根据本发明实施例的一个方面，提供了一种无线网设备的数据处理方法，包括：获取目标设备的设备数据,其中,所述目标设备为无线网络中的基站设备，所述设备数据至少包括：设备类型、设备负荷、时间段；将所述设备数据输入目标耗电模型，输出所述目标设备的第一能耗值，其中，所述第一能耗值包括：所述目标设备在所述时间段内处于非节能状态的耗电量；获取所述目标设备在所述时间段的第二能耗值，其中，所述第二能耗值包括：所述目标设备在所述时间段内处于节能状态的耗电量；将所述第一能耗值和所述第二能耗值输入节能评估模型，输出所述目标设备在所述时间段内的节能数据。

进一步地，所述节能数据至少包括:节约电量、节电效率，将所述第一能耗值和所述第二能耗值输入节能评估模型，输出所述目标设备在所述时间段内的节能数据，包括：通过所述节能评估模型计算所述第一能耗值减去所述第二能耗值的差值，得到所述节约电量；计算所述节约电量与所述第一能耗值之间的比值，得到所述节电效率。

进一步地，所述目标耗电模型通过以下方式得到：获取所述目标设备的多条历史数据，其中，每条所述历史数据中至少包括：多类指标数据，其中，所述多类指标数据至少包括：与所述目标设备的耗电量相关的数据；对每条所述历史数据中进行数据清洗，得到多条第一数据；对所述多条第一数据进行指标数据筛选，得到多条第二数据；基于所述多条第二数据，构建所述目标耗电模型。

进一步地，对所述多条第一数据进行指标数据筛选，得到多条第二数据，包括：计算所述目标设备的能耗值和每类所述指标数据的皮尔逊相关系数，得到第一相关系数集合；计算多类所述指标数据中任意两类所述指标数据的皮尔逊相关系数，得到第二相关系数集合；基于所述第一相关系数集合和所述第二相关系数集合，确定指标数据集合；基于所述指标数据集合对所述多条第一数据进行筛选，得到所述多条第二数据。

进一步地，基于所述第一相关系数集合和所述第二相关系数集合，确定指标数据集合，包括：将所述第一相关系数集合中的每个第一皮尔逊相关系数与第一预设阈值进行比较，得到所述第一皮尔逊相关系数大于所述第一预设阈值的多条第一类指标数据；将所述第二相关系数集合中的每个第二皮尔逊相关系数与第二预设阈值进行比较，得到所述第二皮尔逊相关系数小于所述第二预设阈值的多条第二类指标数据；基于所述多条第一类指标数据和所述多条第二类指标数据，确定所述指标数据集合，其中，所述指标数据集合中的每类指标数据的第一相关系数大于所述第一预设阈值，且，所述指标数据集合中的每类指标数据的第二相关系数小于所述第二预设阈值。

进一步地，基于所述多条第二数据，构建所述目标耗电模型，包括：构建选择矩阵，其中，所述选择矩阵用于对所述多条第二数据进行样本分类；将所述多条第二数据中的目标指标数据作为建模特征，基于所述选择矩阵和机器学习算法LGBM算法建立初始耗电模型；采用梯度下降算法对所述初始耗电模型进行模型调整，得到所述目标耗电模型。

进一步地，对每条所述历史数据中进行数据清洗，得到多条第一数据，包括：识别所述历史数据中存在缺失值或异常值的第一历史数据；判断所述第一历史数据中的缺失值或异常值是否为预设指标数据，得到判断结果；若所述判断结果表示存在缺失值或异常值为所述预设指标数据的第二历史数据，则在多条所述历史数据中删除所述第二历史数据；若所述判断结果表示存在缺失值或异常值不是所述预设指标数据的第三历史数据，则对所述第三历史数据进行填充，得到第四历史数据；基于所述第四历史数据和不存在缺失值或异常值的历史数据，确定所述多条第一数据。

根据本发明实施例的另一方面，还提供了一种无线网设备的数据处理装置，包括：第一获取单元，用于获取目标设备的设备数据,其中,所述目标设备为无线网络中的基站设备，所述设备数据至少包括：设备类型、设备负荷、时间段；第一处理单元，用于将所述设备数据输入目标耗电模型，输出所述目标设备的第一能耗值，其中，所述第一能耗值包括：所述目标设备在所述时间段内处于非节能状态的耗电量；第二获取单元，用于获取所述目标设备在所述时间段的第二能耗值，其中，所述第二能耗值包括：所述目标设备在所述时间段内处于节能状态的耗电量；第二处理单元，用于将所述第一能耗值和所述第二能耗值输入节能评估模型，输出所述目标设备在所述时间段内的节能数据。

进一步地，所述节能数据至少包括:节约电量、节电效率，第二处理单元包括：第一计算子单元，用于通过所述节能评估模型计算所述第一能耗值减去所述第二能耗值的差值，得到所述节约电量；第二计算子单元，用于计算所述节约电量与所述第一能耗值之间的比值，得到所述节电效率。

进一步地，所述目标耗电模型通过以下方式得到：第三获取单元，用于获取所述目标设备的多条历史数据，其中，每条所述历史数据中至少包括：多类指标数据，其中，所述多类指标数据至少包括：与所述目标设备的耗电量相关的数据；数据清洗单元，用于对每条所述历史数据中进行数据清洗，得到多条第一数据；筛选单元，用于对所述多条第一数据进行指标数据筛选，得到多条第二数据；构建单元，用于基于所述多条第二数据，构建所述目标耗电模型。

进一步地，筛选单元包括：第三计算子单元，用于计算所述目标设备的能耗值和每类所述指标数据的皮尔逊相关系数，得到第一相关系数集合；第四计算子单元，用于计算多类所述指标数据中任意两类所述指标数据的皮尔逊相关系数，得到第二相关系数集合；第一确定子单元，用于基于所述第一相关系数集合和所述第二相关系数集合，确定指标数据集合；筛选子单元，用于基于所述指标数据集合对所述多条第一数据进行筛选，得到所述多条第二数据。

进一步地，第一确定子单元包括：第一比较模块，用于将所述第一相关系数集合中的每个第一皮尔逊相关系数与第一预设阈值进行比较，得到所述第一皮尔逊相关系数大于所述第一预设阈值的多条第一类指标数据；第二比较模块，用于将所述第二相关系数集合中的每个第二皮尔逊相关系数与第二预设阈值进行比较，得到所述第二皮尔逊相关系数小于所述第二预设阈值的多条第二类指标数据；确定模块，用于基于所述多条第一类指标数据和所述多条第二类指标数据，确定所述指标数据集合，其中，所述指标数据集合中的每类指标数据的第一相关系数大于所述第一预设阈值，且，所述指标数据集合中的每类指标数据的第二相关系数小于所述第二预设阈值。

进一步地，构建单元包括：构建模块，用于构建选择矩阵，其中，所述选择矩阵用于对所述多条第二数据进行样本分类；建立模块，用于将所述多条第二数据中的目标指标数据作为建模特征，基于所述选择矩阵和机器学习算法LGBM算法建立初始耗电模型；调整模块，用于采用梯度下降算法对所述初始耗电模型进行模型调整，得到所述目标耗电模型。

进一步地，数据清洗单元包括：识别子单元，用于识别所述历史数据中存在缺失值或异常值的第一历史数据；判断子单元，用于判断所述第一历史数据中的缺失值或异常值是否为预设指标数据，得到判断结果；删除子单元，用于若所述判断结果表示存在缺失值或异常值为所述预设指标数据的第二历史数据，则在多条所述历史数据中删除所述第二历史数据；填充子单元，用于若所述判断结果表示存在缺失值或异常值不是所述预设指标数据的第三历史数据，则对所述第三历史数据进行填充，得到第四历史数据；第二确定子单元，用于基于所述第四历史数据和不存在缺失值或异常值的历史数据，确定所述多条第一数据。

根据本发明实施例的另一方面，还提供了一种电子设备，包括：处理器；以及存储器，用于存储处理器的可执行指令；其中，处理器配置为经由执行可执行指令来执行上述任意一项的无线网设备的数据处理方法。

根据本发明实施例的另一方面，还提供了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程序，其中，在计算机程序运行时控制计算机可读存储介质所在设备执行上述任意一项的无线网设备的数据处理方法。

在本发明中，获取目标设备的设备数据,其中,目标设备为无线网络中的基站设备，设备数据至少包括：设备类型、设备负荷、时间段；将设备数据输入目标耗电模型，输出目标设备的第一能耗值，其中，第一能耗值包括：目标设备在时间段内处于非节能状态的耗电量；获取目标设备在时间段的第二能耗值，其中，第二能耗值包括：目标设备在时间段内处于节能状态的耗电量；将第一能耗值和第二能耗值输入节能评估模型，输出目标设备在时间段内的节能数据。进而解决了相关技术中依据专家经验评估无线网络的基站设备的节约电量和节能效率，评估效率低且准确性差的技术问题。在本公开中，通过目标耗电模型输出无线网络中的基站设备在非节能状态下的能耗值，并通过节能评估模型依据非节能状态下的能耗值和节能状态下的能耗值，输出基站设备的节能数据，避免了通过专家经验评估基站设备的能耗值，效率低且准确性差的情况，从而实现了计算基站设备的节能数据的效率以及精准度的技术效果。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1是根据本发明实施例的一种可选的无线网设备的数据处理方法的流程图；

图2是根据本发明实施例的一种可选的指标数据相关性的示意图；

图3是根据本发明实施例的一种可选的数据处理的流程图；

图4是根据本发明实施例的一种可选的目标耗电模型构建的流程图；

图5是根据本发明实施例的一种可选的模型构建的流程图；

图6是根据本发明实施例的一种可选的无线网设备的数据处理装置的示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，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，所描述的实施例仅仅是本发明一部分的实施例，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做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

实施例一

根据本发明实施例，提供了一种可选的无线网设备的数据处理方法的方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

图1是根据本发明实施例的一种可选的无线网设备的数据处理方法的流程图，如图1所示，该方法包括如下步骤：

步骤S101，获取目标设备的设备数据,其中,目标设备为无线网络中的基站设备，设备数据至少包括：设备类型、设备负荷、时间段。

上述的目标设备可以是无线网络中的基站设备，上述的基站设备可以为接收和发射信号的设备，上述的目标设备的设备数据至少包括无线网络的基站设备的设备类型(如：设备型号)、时间段以及在该时间段的设备负荷，上述的时间段可以是待计算的目标设备的节能数据(如：节约电量、节能效率)的一段时间，如：目标设备处于节能状态下的一段时间。

步骤S102，将设备数据输入目标耗电模型，输出目标设备的第一能耗值，其中，第一能耗值包括：目标设备在时间段内处于非节能状态的耗电量。

通过将上述的设备数据输入已训练的目标耗电模型，可以输出目标设备在上述的时间段内处于非节能状态的耗电量，也即是上述的第一能耗值，避免了通过专家经验对不同配置基站负荷进行长时间跟踪，确定不同基站在非节能状态下的耗电量的情况。

上述的目标耗电模型可以是通过机器学习算法LGBM算法以及梯度下降算法进行模型训练得到的目标耗电模型。

可以在目标耗电模型关联的基站设备(对应上述的目标设备)进入节能时段，基于该节能时段、负荷及耗电量E1，建立的不同设备类型的配置下的负荷转换模型(对应于上述的目标耗电模型)，通过负荷转换模型输出设备的典型能耗(即非节能状态下的能耗值)，表1示意了基站设备能耗与负荷的关系。

表1

步骤S103，获取目标设备在时间段的第二能耗值，其中，第二能耗值包括：目标设备在时间段内处于节能状态的耗电量。

上述的第二能耗值可以是目标设备在该时间段内处于节能状态的耗电量，处于节能状态的耗电量可以直接对设备进行测量或直接读取，根据测量或读取的设备处于节能状态的耗电量，确定目标设备在该时间段内处于节能状态的耗电量，也可以根据历史记录中目标设备处于节能状态的耗电量，确定目标设备在该时间段内处于节能状态的耗电量。

步骤S104，将第一能耗值和第二能耗值输入节能评估模型，输出目标设备在时间段内的节能数据。

上述的节能数据可以包括在该时间段内的节约电量以及节电效率，通过将第一能耗值和第二能耗值输入节能评估模型，可以输出目标设备在该时间段内的节能数据。

通过上述步骤，在本实施例中，通过目标耗电模型输出无线网络中的基站设备在非节能状态下的能耗值，并通过节能评估模型依据非节能状态下的能耗值和节能状态下的能耗值，输出基站设备的节能数据，避免了通过专家经验评估基站设备的能耗值，效率低且准确性差的情况，从而实现了计算基站设备的节能数据的效率以及精准度的技术效果。进而解决了相关技术中依据专家经验评估无线网络的基站设备的节约电量和节能效率，评估效率低且准确性差的技术问题。

可选的，节能数据至少包括:节约电量、节电效率，将第一能耗值和第二能耗值输入节能评估模型，输出目标设备在时间段内的节能数据，包括：通过节能评估模型计算第一能耗值减去第二能耗值的差值，得到节约电量；计算节约电量与第一能耗值之间的比值，得到节电效率。

在本实施例中，若目标设备处于非节能状态的第一能耗值为E0，处于节能状态的耗电量为E1(对应于上述的第二能耗值)，则上述的节约电量可以为△E＝E0-E1，上述的节点效率可以为η＝△E/E0，表2示意性的给出了一种负荷与节能状态下的能耗关系的数据表。

表2

表3示意性的给出了一种设备能耗(即设备节能状态下能耗)和设备典型能耗(即非节能状态下的能耗)与计算节能评估数据(即节约电量与节能消息)的数据表。

表3

可选的，目标耗电模型通过以下方式得到：获取目标设备的多条历史数据，其中，每条历史数据中至少包括：多类指标数据，其中，多类指标数据至少包括：与目标设备的耗电量相关的数据；对每条历史数据中进行数据清洗，得到多条第一数据；对多条第一数据进行指标数据筛选，得到多条第二数据；基于多条第二数据，构建目标耗电模型。

上述的多条历史数据可以是无线网络的基站PM数据，可以包括与基站设备耗电相关的负荷以及指标数据，例如：PRB利用率、传输速率缺失，设备耗电，设备型号、带宽、天线配置等，可以无线基站PM数据获取目标设备的多条历史数据，在获取多条历史数据后可以对历史数据进行数据清洗，数据清洗可以包括但不限于对每条历史数据的异常值以及缺失值的处理，例如：缺失值处理可以包括但不限于：对于PRB利用率、传输速率缺失，设备耗电直接去除该行数据；对于设备型号、带宽、天线配置缺失，用同小区其他样本相应值填充；异常值处理可以包括但不限于：对明显过高或者过低数值或无法识别的PRB利用率、传输速率，设备耗电等可以直接去除该行数据；对于设备型号、带宽、天线配置异常，用同小区其他样本相应值填充；其他数据异常直接置空。

对每条历史数据中进行数据清洗，得到多条第一数据后，还可以对多条第一数据进行指标数据筛选，得到多条第二数据，可以对每条第一数据中的多类指标数据进行筛选，可以通过计算设备能耗(RRUPOWER)与各个影响因素(即多类指标数据)相关性。例如：图2是根据本发明实施例的一种可选的指标数据相关性的示意图，如图2所示，资源利用率(PRB_RATE)、传输速率(RLC_BYTE)与设备能耗(RRUPOWER)相关性较高，相关系数达0.86、0.79，但资源利用率与传输速率相关性达0.9，故可以不必把传输速率作为建模特征，对多条第一数据进行指标数据筛选，得到多条第二数据。然后将多条第二数据作为模型训练的训练样本，构建目标耗电模型，实现了提高构建目标耗电模型的精准度的技术效果。

例如：图3是根据本发明实施例的一种可选的数据处理的流程图，如图3所示，可以对原始数据(对应于上述的多条历史数据)进行缺失值处理、异常值处理，得到样本数据(对应于上述的多条第一数据)。对多条历史数据进行数据预处理、特征筛选以及指标数据筛选可以包括：

(1)指标数据获取：通过无线基站PM数据，获取与基站设备耗电的相关负荷、指标数据，也即是获取目标设备的多条历史数据。

(2)数据预处理(对应于上述的数据清洗)，例如：缺失值处理：对于每条历史数据中的PRB(物理资源模块)利用率、传输速率缺失，设备耗电可以直接去除该行数据；对于设备型号、带宽、天线配置缺失，可以使用目标设备的同小区其他样本的相应值填充。异常值处理：明显过高或者过低数值或无法识别的PRB利用率、传输速率，设备耗电则可以直接去除该行数据；对于设备型号、带宽、天线配置异常，用可以同小区其他样本相应值填充；其他数据异常可以直接置空。

(3)特征筛选(对应上述的指标数据筛选)可以利用皮尔逊相关系数，计算基站传输速率与基站负荷、指标的相关性，通过计算得到的皮尔逊相关系数与预设阈值进行比较，得到待筛选出的指标数据集合，通过待筛选处理的指标数据集合对多条第一数据进行指标数据筛选，得到多条第二数据。

可选的，对多条第一数据进行指标数据筛选，得到多条第二数据，包括：计算目标设备的能耗值和每类指标数据的皮尔逊相关系数，得到第一相关系数集合；计算多类指标数据中任意两类指标数据的皮尔逊相关系数，得到第二相关系数集合；基于第一相关系数集合和第二相关系数集合，确定指标数据集合；基于指标数据集合对多条第一数据进行筛选，得到多条第二数据。

在本实施例中，可以利用皮尔逊相关系数，计算基站传输速率与基站负荷、指标的相关性，计算设备能耗(RRUPOWER)与各个影响因素(即多类指标数据)相关性的相关系数，通过相关系数与预设阈值进行比较，确定筛选出多条第一数据中的哪些指标数据。皮尔逊相关系数公式：

其中，Xi表示一类指标数据，Yi表示一类指标数据，皮尔逊相关系数取值范围[-1,1]，变量相关性越高，越趋向于1。可以通过皮尔逊相关系数与预设阈值进行比较，选取与基站相关性较高的负荷、指标，用于后续建模(即建立目标耗电模型)。

例如：资源利用率(PRB_RATE)、传输速率(RLC_BYTE)与设备能耗(RRUPOWER)相关性较高，相关系数可以达到0.86、0.79，但资源利用率与传输速率相关性达0.9，故可以不必把传输速率作为建模特征，对多条第一数据进行指标数据筛选，得到多条第二数据。然后将多条第二数据作为模型训练的训练样本，构建目标耗电模型。

可选的，基于第一相关系数集合和第二相关系数集合，确定指标数据集合，包括：将第一相关系数集合中的每个第一皮尔逊相关系数与第一预设阈值进行比较，得到第一皮尔逊相关系数大于第一预设阈值的多条第一类指标数据；将第二相关系数集合中的每个第二皮尔逊相关系数与第二预设阈值进行比较，得到第二皮尔逊相关系数小于第二预设阈值的多条第二类指标数据；基于多条第一类指标数据和多条第二类指标数据，确定指标数据集合，其中，指标数据集合中的每类指标数据的第一相关系数大于第一预设阈值，且，指标数据集合中的每类指标数据的第二相关系数小于第二预设阈值。

在本实施例中，可以通过皮尔逊相关系数，计算设备能耗(RRUPOWER)与各个影响因素(多类指标数据)相关性得到相关系数，通过相关系数与预设阈值进行比较，确定需要的筛选出的指标数据的指标数据集合，例如：资源利用率(PRB_RATE)、传输速率(RLC_BYTE)与设备能耗(RRUPOWER)相关性较高，相关系数达0.86、0.79，但资源利用率与传输速率相关性达0.9，故可以不必把传输速率作为建模特征，实现了提高目标耗电模型的数据输出的准确度的技术效果。

可选的，基于多条第二数据，构建目标耗电模型，包括：构建选择矩阵，其中，选择矩阵用于对多条第二数据进行样本分类；将多条第二数据中的目标指标数据作为建模特征，基于选择矩阵和机器学习算法LGBM算法建立初始耗电模型；采用梯度下降算法对初始耗电模型进行模型调整，得到目标耗电模型。

在本实施例中可以基于设备配置因子(对应于上述的多条第二数据)构建选择矩阵，使用PRB利用率作为建模特征，基于梯度下降算法，迭代学习LGBM算法特征参数+超参数，得到最优LGBM模型组(损失函数最小)。

(1)基于设备配置因子LGBM算法：

本实施例基于业务需要引入选择矩阵Ε，用于样本分类；假设基于设备配置因子的选择矩阵E把m样本分为i类，各矩阵表达式如下：样本分类算法公式：Y＝TR(XM E)，其中，TR代表取矩阵对角线值；公式中矩阵Y由样本速率(y1、y2......ym)构成，公式Y即：

特征矩阵M代表LGBM模型组，特征参数+超参数构成，表示矩阵M公式为：

M＝(M1_LGBMM2_LGBM...Mi_LGBM)

矩阵X由回归特征值(PRB利用率)构成，X1、Xk、Km表示RPB利用率，矩阵X公式为：

选择矩阵E，表示基于配置因子的样本分类，E矩阵中(如e11、e1m、ei1、eim)数值为1或者0，每列有且仅有一个值为1其他均为0，1，代表该样本所属分类，矩阵E公式：

在本实施例中，可以基于通过选择矩阵分类的待稽核样本，反向迭代完成LGBM分类建模。

(2)模型迭代调优(即采用梯度下降算法对初始耗电模型进行模型调整)，图4是根据本发明实施例的一种可选的目标耗电模型构建的流程图。如图4所示，可以，如图4所示目标耗电模型构建，可以依据配置因子(可以包括：设备型号)，基于选择矩阵，通过LGBM算法建模，并通过梯度下降算法，进行模型迭代调优，输出最终基站耗电与负荷模型(如图4中的最终模型，对应于上述的目标耗电模型)，实现了提高目标耗电模型的构建的精准度的技术效果。

可选的，对每条历史数据中进行数据清洗，得到多条第一数据，包括：识别历史数据中存在缺失值或异常值的第一历史数据；判断第一历史数据中的缺失值或异常值是否为预设指标数据，得到判断结果；若判断结果表示存在缺失值或异常值为预设指标数据的第二历史数据，则在多条历史数据中删除第二历史数据；若判断结果表示存在缺失值或异常值不是预设指标数据的第三历史数据，则对第三历史数据进行填充，得到第四历史数据；基于第四历史数据和不存在缺失值或异常值的历史数据，确定多条第一数据。

上述的第一历史数据可以为每条历史数据中的多类指标数据中存在缺失值或异常值的历史数据，上述的第二历史数据为该条历史数据中该存在的缺失值或异常值的指标数据为预设指标数据，上述的第三历史数据可以该条历史数据中存在缺失值或异常值的指标数据，但是缺失或异常的指标数据不是预设指标数据。

上述的第四历史数据可以为对第三历史数据中的异常值或缺失值进行数据填充后的数据。上述的多条第一数据可以由不存在缺失值或异常值的历史数据和第四历史数据组成。

例如：可以对多条历史数据进行数据预处理(对应于上述的数据清洗)，可以包括对异常值或缺失值的处理，其中，缺失值处理：对于每条历史数据中属于预设指标数据，如：PRB(物理资源模块)利用率、传输速率缺失，设备耗电等可以直接去除该行数据；对于每条历史数据中不属于预设指标数据的可以进行填充，例如：设备型号、带宽、天线配置缺失，可以使用目标设备的同小区其他样本的相应值填充；异常值处理：上述的异常值可以包括明显过高或者明显过低的指标数据，对于每条历史数据中异常值为预设指标数据的数据，可以直接删除，例如：明显过高或者过低数值或无法识别的PRB利用率、传输速率，设备耗电则可以直接去除该行数据；对于每条历史数据中异常值不是预设指标数据的数据，可以进行填充，例如：设备型号、带宽、天线配置异常等，可以用于目标设备的同小区其他样本相应值填充；其他数据(其他不属于预设指标数据的)异常还可以直接置空，实现了提高目标耗电模型的构建的精准度的技术效果。

图5是根据本发明实施例的一种可选的模型建立的流程图，如图5所示，可以通过以下步骤建立目标耗电模型以及节能评估模型：

步骤1，全量基站电量数据(对应于上述的多条历史数据)收集及预处理，对异常值、缺失值等进行清洗处理，归一化处理。

步骤2，基站能耗建模相关特征筛选，通过皮尔逊相关系数，筛选建模特征。

步骤3，基于设备配置因子，建立耗电模型(对应于上述的目标耗电模型)，具体包括：(1)构建样本选择矩阵；(2)基于LGBM算法生成基站能耗与负荷的耗电模型；(3)基于梯度下降算法进行模型调优。

步骤4，建立设备节约电量和节能效率评估模型(对应于上述的节能评估模型)，具体包括：(1)统计设备进行节能时段；(2)获取节能时段耗电量E1，并计算节约电量△E；(3)计算节约电量Σ△E，和节能效率ηE＝Σ△E/ΣE0(E0为基于模型计算出的非节能状态下的能耗)。

下面结合表格数据对本实施例进行说明：

(1)表4示意性的给出了一种预处理后目标耗电模型的训练样本。

表4

(2)依据配置因子通过LGBM算法建模，输出最终基站耗电与负荷模型(对应于上述的目标耗电模型)，通过目标耗电模型可以输出基站设备在非节能状态下的能耗值，表5示意性的给出了一种设备类型与设备的非节能状态下的能耗值的数据表。

表5

(3)基站目标耗电模型关联基站设备进入节能的时段、负荷及耗电E1，通过节能评估模型精准评估设备节约电量和节能效率，表6示意性的给出了一种评估设备节约电量和节能效率的数据表。

表6

通过本实施例，实现基于设备配置因子，通过LGBM算法建立的基站耗电与负荷模型(对应于上述的目标耗电模型)的搭建，通过构建样本选择矩阵，进行样本分类建模，输出基站设备耗电与负荷关系，并搭建设备配置的节能评估模型，通过基站耗电模型关联设备进入节能时段、负荷及耗电E1，建立不同设备配置下节能评估模型，评估基站设备的节能数据，实现了提高计算无线通信网络中的基站设备的节能数据的效率以及准确率的技术效果。

实施例二

本申请实施例二提供了一种可选的无线网设备的数据处理装置，该数据处理装置中的各个实施单元对应于实施例一中的各个实施步骤。

图6是根据本发明实施例的一种可选的无线网设备的数据处理装置的示意图，如图6所示，该数据处理装置包括：第一获取单元61、第一处理单元62、第二获取单元63、第二处理单元64。

具体的，第一获取单元61，用于获取目标设备的设备数据,其中,目标设备为无线网络中的基站设备，设备数据至少包括：设备类型、设备负荷、时间段；

第一处理单元62，用于将设备数据输入目标耗电模型，输出目标设备的第一能耗值，其中，第一能耗值包括：目标设备在时间段内处于非节能状态的耗电量；

第二获取单元63，用于获取目标设备在时间段的第二能耗值，其中，第二能耗值包括：目标设备在时间段内处于节能状态的耗电量；

第二处理单元64，用于将第一能耗值和第二能耗值输入节能评估模型，输出目标设备在时间段内的节能数据。

在本申请实施例二提供的无线网设备的数据处理装置中，可以通过第一获取单元61，用于获取目标设备的设备数据,其中,目标设备为无线网络中的基站设备，设备数据至少包括：设备类型、设备负荷、时间段，通过第一处理单元62将设备数据输入目标耗电模型，输出目标设备的第一能耗值，其中，第一能耗值包括：目标设备在时间段内处于非节能状态的耗电量，通过第二获取单元63获取目标设备在时间段的第二能耗值，其中，第二能耗值包括：目标设备在时间段内处于节能状态的耗电量，之后通过第二处理单元64将第一能耗值和第二能耗值输入节能评估模型，输出目标设备在时间段内的节能数据。进而解决了相关技术中依据专家经验评估无线网络的基站设备的节约电量和节能效率，评估效率低且准确性差的技术问题。在本实施例中，通过目标耗电模型输出无线网络中的基站设备在非节能状态下的能耗值，并通过节能评估模型依据非节能状态下的能耗值和节能状态下的能耗值，输出基站设备的节能数据，避免了通过专家经验评估基站设备的能耗值，效率低且准确性差的情况，从而实现了计算基站设备的节能数据的效率以及精准度的技术效果。

可选的，在本申请实施例二提供的无线网设备的数据处理装置中，节能数据至少包括:节约电量、节电效率，第二处理单元64包括：第一计算子单元，用于通过节能评估模型计算第一能耗值减去第二能耗值的差值，得到节约电量；第二计算子单元，用于计算节约电量与第一能耗值之间的比值，得到节电效率。

可选的，在本申请实施例二提供的无线网设备的数据处理装置中，目标耗电模型通过以下方式得到：第三获取单元，用于获取目标设备的多条历史数据，其中，每条历史数据中至少包括：多类指标数据，其中，多类指标数据至少包括：与目标设备的耗电量相关的数据；数据清洗单元，用于对每条历史数据中进行数据清洗，得到多条第一数据；筛选单元，用于对多条第一数据进行指标数据筛选，得到多条第二数据；构建单元，用于基于多条第二数据，构建目标耗电模型。

可选的，在本申请实施例二提供的无线网设备的数据处理装置中，筛选单元包括：第三计算子单元，用于计算目标设备的能耗值和每类指标数据的皮尔逊相关系数，得到第一相关系数集合；第四计算子单元，用于计算多类指标数据中任意两类指标数据的皮尔逊相关系数，得到第二相关系数集合；第一确定子单元，用于基于第一相关系数集合和第二相关系数集合，确定指标数据集合；筛选子单元，用于基于指标数据集合对多条第一数据进行筛选，得到多条第二数据。

可选的，在本申请实施例二提供的无线网设备的数据处理装置中，第一确定子单元包括：第一比较模块，用于将第一相关系数集合中的每个第一皮尔逊相关系数与第一预设阈值进行比较，得到第一皮尔逊相关系数大于第一预设阈值的多条第一类指标数据；第二比较模块，用于将第二相关系数集合中的每个第二皮尔逊相关系数与第二预设阈值进行比较，得到第二皮尔逊相关系数小于第二预设阈值的多条第二类指标数据；确定模块，用于基于多条第一类指标数据和多条第二类指标数据，确定指标数据集合，其中，指标数据集合中的每类指标数据的第一相关系数大于第一预设阈值，且，指标数据集合中的每类指标数据的第二相关系数小于第二预设阈值。

可选的，在本申请实施例二提供的无线网设备的数据处理装置中，构建单元包括：构建模块，用于构建选择矩阵，其中，选择矩阵用于对多条第二数据进行样本分类；建立模块，用于将多条第二数据中的目标指标数据作为建模特征，基于选择矩阵和机器学习算法LGBM算法建立初始耗电模型；调整模块，用于采用梯度下降算法对初始耗电模型进行模型调整，得到目标耗电模型。

可选的，在本申请实施例二提供的无线网设备的数据处理装置中，数据清洗单元包括：识别子单元，用于识别历史数据中存在缺失值或异常值的第一历史数据；判断子单元，用于判断第一历史数据中的缺失值或异常值是否为预设指标数据，得到判断结果；删除子单元，用于若判断结果表示存在缺失值或异常值为预设指标数据的第二历史数据，则在多条历史数据中删除第二历史数据；填充子单元，用于若判断结果表示存在缺失值或异常值不是预设指标数据的第三历史数据，则对第三历史数据进行填充，得到第四历史数据；第二确定子单元，用于基于第四历史数据和不存在缺失值或异常值的历史数据，确定多条第一数据。

上述的无线网设备的数据处理装置还可以包括处理器和存储器，上述的第一获取单元61、第一处理单元62、第二获取单元63以及第二处理单元64等均作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序单元来实现相应的功能。

上述处理器中包含内核，由内核去存储器中调取相应的程序单元。内核可以设置一个或以上，通过调整内核参数来通过目标耗电模型输出无线网络中的基站设备在非节能状态下的能耗值，并通过节能评估模型依据非节能状态下的能耗值和节能状态下的能耗值，输出基站设备的节能数据，避免了通过专家经验评估基站设备的能耗值，效率低且准确性差的情况，从而实现了计算基站设备的节能数据的效率以及精准度的技术效果。

上述存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)，存储器包括至少一个存储芯片。

根据本发明实施例的另一方面，还提供了一种电子设备，包括：处理器；以及存储器，用于存储处理器的可执行指令；其中，处理器配置为经由执行可执行指令来执行上述任意一项的无线网设备的数据处理方法。

根据本发明实施例的另一方面，还提供了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程序，其中，在计算机程序运行时控制计算机可读存储介质所在设备执行上述任意一项的无线网设备的数据处理方法。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。

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单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明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(可为个人计算机、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、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种无线网设备的数据处理方法，其特征在于，包括：

获取目标设备的设备数据,其中,所述目标设备为无线网络中的基站设备，所述设备数据至少包括：设备类型、设备负荷、时间段；

将所述设备数据输入目标耗电模型，输出所述目标设备的第一能耗值，其中，所述第一能耗值包括：所述目标设备在所述时间段内处于非节能状态的耗电量；

获取所述目标设备在所述时间段的第二能耗值，其中，所述第二能耗值包括：所述目标设备在所述时间段内处于节能状态的耗电量；

将所述第一能耗值和所述第二能耗值输入节能评估模型，输出所述目标设备在所述时间段内的节能数据。

2.根据权利要求1所述的数据处理方法，其特征在于，所述节能数据至少包括:节约电量、节电效率，将所述第一能耗值和所述第二能耗值输入节能评估模型，输出所述目标设备在所述时间段内的节能数据，包括：

通过所述节能评估模型计算所述第一能耗值减去所述第二能耗值的差值，得到所述节约电量；

计算所述节约电量与所述第一能耗值之间的比值，得到所述节电效率。

3.根据权利要求1所述的数据处理方法，其特征在于，所述目标耗电模型通过以下方式得到：

获取所述目标设备的多条历史数据，其中，每条所述历史数据中至少包括：多类指标数据，其中，所述多类指标数据至少包括：与所述目标设备的耗电量相关的数据；

对每条所述历史数据中进行数据清洗，得到多条第一数据；

对所述多条第一数据进行指标数据筛选，得到多条第二数据；

基于所述多条第二数据，构建所述目标耗电模型。

4.根据权利要求3所述的数据处理方法，其特征在于，对所述多条第一数据进行指标数据筛选，得到多条第二数据，包括：

计算所述目标设备的能耗值和每类所述指标数据的皮尔逊相关系数，得到第一相关系数集合；

计算多类所述指标数据中任意两类所述指标数据的皮尔逊相关系数，得到第二相关系数集合；

基于所述第一相关系数集合和所述第二相关系数集合，确定指标数据集合；

基于所述指标数据集合对所述多条第一数据进行筛选，得到所述多条第二数据。

5.根据权利要求4所述的数据处理方法，其特征在于，基于所述第一相关系数集合和所述第二相关系数集合，确定指标数据集合，包括：

将所述第一相关系数集合中的每个第一皮尔逊相关系数与第一预设阈值进行比较，得到所述第一皮尔逊相关系数大于所述第一预设阈值的多条第一类指标数据；

将所述第二相关系数集合中的每个第二皮尔逊相关系数与第二预设阈值进行比较，得到所述第二皮尔逊相关系数小于所述第二预设阈值的多条第二类指标数据；

基于所述多条第一类指标数据和所述多条第二类指标数据，确定所述指标数据集合，其中，所述指标数据集合中的每类指标数据的第一相关系数大于所述第一预设阈值，且，所述指标数据集合中的每类指标数据的第二相关系数小于所述第二预设阈值。

6.根据权利要求3所述的数据处理方法，其特征在于，基于所述多条第二数据，构建所述目标耗电模型，包括：

构建选择矩阵，其中，所述选择矩阵用于对所述多条第二数据进行样本分类；

将所述多条第二数据中的目标指标数据作为建模特征，基于所述选择矩阵和机器学习算法LGBM算法建立初始耗电模型；

采用梯度下降算法对所述初始耗电模型进行模型调整，得到所述目标耗电模型。

7.根据权利要求3所述的数据处理方法，其特征在于，对每条所述历史数据中进行数据清洗，得到多条第一数据，包括：

识别所述历史数据中存在缺失值或异常值的第一历史数据；

判断所述第一历史数据中的缺失值或异常值是否为预设指标数据，得到判断结果；

若所述判断结果表示存在缺失值或异常值为所述预设指标数据的第二历史数据，则在多条所述历史数据中删除所述第二历史数据；

若所述判断结果表示存在缺失值或异常值不是所述预设指标数据的第三历史数据，则对所述第三历史数据进行填充，得到第四历史数据；

基于所述第四历史数据和不存在缺失值或异常值的历史数据，确定所述多条第一数据。

8.一种无线网设备的数据处理装置，其特征在于，包括：

第一获取单元，用于获取目标设备的设备数据,其中,所述目标设备为无线网络中的基站设备，所述设备数据至少包括：设备类型、设备负荷、时间段；

第一处理单元，用于将所述设备数据输入目标耗电模型，输出所述目标设备的第一能耗值，其中，所述第一能耗值包括：所述目标设备在所述时间段内处于非节能状态的耗电量；

第二获取单元，用于获取所述目标设备在所述时间段的第二能耗值，其中，所述第二能耗值包括：所述目标设备在所述时间段内处于节能状态的耗电量；

第二处理单元，用于将所述第一能耗值和所述第二能耗值输入节能评估模型，输出所述目标设备在所述时间段内的节能数据。

9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行权利要求1至7中任意一项所述的无线网设备的数据处理方法。

10.一种电子设备，其特征在于，包括一个或多个处理器和存储器，所述存储器用于存储一个或多个程序，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现权利要求1至7中任意一项所述的无线网设备的数据处理方法。

Images