CN116546601A - 节能方法、装置、计算机设备和存储介质 - Google Patents
节能方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN116546601A CN116546601A CN202310561692.6A CN202310561692A CN116546601A CN 116546601 A CN116546601 A CN 116546601A CN 202310561692 A CN202310561692 A CN 202310561692A CN 116546601 A CN116546601 A CN 116546601A
- Authority
- CN
- China
- Prior art keywords
- saving
- energy
- base station
- station cell
- target
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 68
- 238000012545 processing Methods 0.000 claims abstract description 41
- 238000004590 computer program Methods 0.000 claims abstract description 26
- 230000008859 change Effects 0.000 claims description 46
- 238000012549 training Methods 0.000 claims description 19
- 238000013507 mapping Methods 0.000 claims description 8
- 238000004891 communication Methods 0.000 abstract description 30
- 230000008569 process Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000010295 mobile communication Methods 0.000 description 5
- 230000002354 daily effect Effects 0.000 description 4
- 238000010606 normalization Methods 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 230000015556 catabolic process Effects 0.000 description 3
- 238000006731 degradation reaction Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000008447 perception Effects 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000004134 energy conservation Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 208000018910 keratinopathic ichthyosis Diseases 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
-
- 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
本申请涉及一种节能方法、装置、计算机设备、存储介质和计算机程序产品。所述方法包括:当达到预设的节能基站小区预测条件时,获取目标节能场景对应的各基站小区、所述目标节能场景对应的主体特征信息、以及各所述基站小区对应的用户接入信息;将各所述基站小区、所述目标节能场景对应的主体特征信息、各所述基站小区对应的用户接入信息输入至预先训练的节能基站小区预测模型,得到节能基站小区预测结果;所述节能基站小区预测结果包括目标基站小区;根据所述目标基站小区和预设的节能策略确定规则,确定目标节能策略;根据所述目标节能策略,对所述目标基站小区进行节能处理。采用本方法能够提升通信质量。
Description
技术领域
本申请涉及人工智能技术领域,特别是涉及一种节能方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术
基站(Base Station),也称为基站站点或基站设备,是无线通信网络中的关键设备之一。基站用于与移动设备(如手机、无线网卡等)进行通信和数据传输,实现无线通信覆盖。基站是第四代移动通信技术(the 4th generation mobile communicationtechnology,4G)和第五代移动通信技术(the 5th generation mobile communicationtechnology,5G)的移动通信网络中的耗电大户。
目前常规的节能方法是利用网络负载的潮汐效应,对所有基站进行节能。然而基站节能可能对网络覆盖产生一定的影响,造成网络感知劣化。因此,目前常规的节能方法的通信质量差。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提升通信质量的节能方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面,本申请提供了一种节能方法。所述方法包括:
当达到预设的节能基站小区预测条件时,获取目标节能场景对应的各基站小区、所述目标节能场景对应的主体特征信息、以及各所述基站小区对应的用户接入信息;
将各所述基站小区、所述目标节能场景对应的主体特征信息、各所述基站小区对应的用户接入信息输入至预先训练的节能基站小区预测模型,得到节能基站小区预测结果;所述节能基站小区预测结果包括目标基站小区;
根据所述目标基站小区和预设的节能策略确定规则,确定目标节能策略;
根据所述目标节能策略,对所述目标基站小区进行节能处理。
在其中一个实施例中,所述获取目标节能场景对应的各基站小区、所述目标节能场景对应的主体特征信息、以及各所述基站小区对应的用户接入信息包括:
获取目标节能场景对应的各基站小区、各所述基站小区对应的用户接入信息、以及所述目标节能场景对应的初始特征信息;
针对每一个目标节能场景,基于预设的主体特征指标,对所述基站小区对应的初始特征信息进行分析,计算所述主体特征指标对应的指标特征信息,得到所述目标节能场景对应的指标特征信息;
基于所述目标节能场景对应的初始特征信息和所述目标节能场景对应的指标特征信息,构建所述目标节能场景对应的主体特征信息。
在其中一个实施例中,所述基于所述目标节能场景对应的初始特征信息和所述目标节能场景对应的指标特征信息,构建所述目标节能场景对应的主体特征信息包括:
基于所述主体特征指标,在所述目标节能场景对应的初始特征信息中,确定所述目标节能场景对应的备选特征信息;
将所述目标节能场景对应的备选特征信息和所述目标节能场景对应的指标特征信息,构建所述目标节能场景对应的主体特征信息。
在其中一个实施例中,所述根据所述目标基站小区和预设的节能策略确定规则,确定目标节能策略包括:
针对每一个目标基站小区,在预设的基站小区和节能方式的映射关系中,查询所述目标基站小区对应的目标节能方式,并获取所述目标基站小区对应的节能时段;
基于所述目标基站小区对应的目标节能方式和所述目标基站小区对应的节能时段,生成所述目标基站小区对应的节能子策略;
将各所述目标基站小区的节能子策略,构成目标节能策略。
在其中一个实施例中,所述方法还包括:
获取在第一历史时段内所述目标基站小区的历史流量信息;
基于所述历史流量信息和预设的流量阈值,在各时段中确定所述目标基站小区对应的节能时段。
在其中一个实施例中,所述方法还包括:
当达到预设的目标节能场景确定条件时,获取在第二历史时段内各场景的历史网络性能变化趋势信息;
针对每一个场景,根据所述场景的历史网络性能变化趋势信息,计算所述场景的目标网络性能变化趋势信息;
根据各所述场景的目标网络性能变化趋势信息和预设的波动阈值,在各所述场景中确定目标节能场景。
在其中一个实施例中,所述方法还包括:
当达到预设的模型更新条件时,获取从当前时刻至目标历史时刻的时间段内样本目标节能场景对应的各样本基站小区、所述样本目标节能场景对应的主体特征样本信息、各所述样本基站小区对应的用户接入样本信息、以及所述样本目标节能场景的节能基站小区样本结果;
基于所述样本目标节能场景对应的各所述样本基站小区、各所述样本基站小区对应的所述用户接入样本信息、所述样本目标节能场景对应的所述主体特征样本信息、以及所述节能基站小区样本结果,确定更新数据集;
基于所述更新数据集,训练所述节能基站小区预测模型,得到新的节能基站小区预测模型。
第二方面,本申请还提供了一种节能装置。所述装置包括:
第一获取模块,用于当达到预设的节能基站小区预测条件时,获取目标节能场景对应的各基站小区、所述目标节能场景对应的主体特征信息、以及各所述基站小区对应的用户接入信息;
预测模块,用于将各所述基站小区、所述目标节能场景对应的主体特征信息、各所述基站小区对应的用户接入信息输入至预先训练的节能基站小区预测模型,得到节能基站小区预测结果;所述节能基站小区预测结果包括目标基站小区;
第一确定模块,用于根据所述目标基站小区和预设的节能策略确定规则,确定目标节能策略;
处理模块,用于根据所述目标节能策略,对所述目标基站小区进行节能处理。
在其中一个实施例中,所述第一获取模块,具体用于:
获取目标节能场景对应的各基站小区、各所述基站小区对应的用户接入信息、以及所述目标节能场景对应的初始特征信息;
针对每一个目标节能场景,基于预设的主体特征指标,对所述基站小区对应的初始特征信息进行分析,计算所述主体特征指标对应的指标特征信息,得到所述目标节能场景对应的指标特征信息;
基于所述目标节能场景对应的初始特征信息和所述目标节能场景对应的指标特征信息,构建所述目标节能场景对应的主体特征信息。
在其中一个实施例中,所述第一获取模块,具体用于:
基于所述主体特征指标,在所述目标节能场景对应的初始特征信息中,确定所述目标节能场景对应的备选特征信息;
将所述目标节能场景对应的备选特征信息和所述目标节能场景对应的指标特征信息,构建所述目标节能场景对应的主体特征信息。
在其中一个实施例中,所述第一确定模块,具体用于:
针对每一个目标基站小区,在预设的基站小区和节能方式的映射关系中,查询所述目标基站小区对应的目标节能方式,并获取所述目标基站小区对应的节能时段;
基于所述目标基站小区对应的目标节能方式和所述目标基站小区对应的节能时段,生成所述目标基站小区对应的节能子策略;
将各所述目标基站小区的节能子策略,构成目标节能策略。
在其中一个实施例中,所述装置还包括:
第二获取模块,用于获取在第一历史时段内所述目标基站小区的历史流量信息;
第二确定模块,用于基于所述历史流量信息和预设的流量阈值,在各时段中确定所述目标基站小区对应的节能时段。
在其中一个实施例中,所述装置还包括:
第三获取模块,用于当达到预设的目标节能场景确定条件时,获取在第二历史时段内各场景的历史网络性能变化趋势信息;
计算模块,用于针对每一个场景,根据所述场景的历史网络性能变化趋势信息,计算所述场景的目标网络性能变化趋势信息;
第三确定模块,用于根据各所述场景的目标网络性能变化趋势信息和预设的波动阈值,在各所述场景中确定目标节能场景。
在其中一个实施例中,所述装置还包括:
第四获取模块,用于当达到预设的模型更新条件时,获取从当前时刻至目标历史时刻的时间段内样本目标节能场景对应的各样本基站小区、所述样本目标节能场景对应的主体特征样本信息、各所述样本基站小区对应的用户接入样本信息、以及所述样本目标节能场景的节能基站小区样本结果;
第四确定模块,用于基于所述样本目标节能场景对应的各所述样本基站小区、各所述样本基站小区对应的所述用户接入样本信息、所述样本目标节能场景对应的所述主体特征样本信息、以及所述节能基站小区样本结果,确定更新数据集;
训练模块,用于基于所述更新数据集,训练所述节能基站小区预测模型,得到新的节能基站小区预测模型。
第三方面,本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述第一方面所述的步骤。
第四方面,本申请还提供了一种计算机可读存储介质。所述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第一方面所述的步骤。
第五方面,本申请还提供了一种计算机程序产品。所述计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述第一方面所述的步骤。
上述节能方法、装置、计算机设备、存储介质和计算机程序产品,当达到预设的节能基站小区预测条件时,获取目标节能场景对应的各基站小区、所述目标节能场景对应的主体特征信息、以及各所述基站小区对应的用户接入信息;将各所述基站小区、所述目标节能场景对应的主体特征信息、各所述基站小区对应的用户接入信息输入至预先训练的节能基站小区预测模型,得到节能基站小区预测结果;所述节能基站小区预测结果包括目标基站小区;根据所述目标基站小区和预设的节能策略确定规则,确定目标节能策略;根据所述目标节能策略,对所述目标基站小区进行节能处理。这样,当达到预设的节能基站小区预测条件时,基于目标节能场景对应的基站小区、目标节能场景对应的主体特征信息、基站小区对应的用户接入信息和节能基站小区预测模型,定期预测对用户的网络通信影响小、用户依赖程度低的目标基站小区,仅对目标节能场景对应的目标基站小区进行节能处理,造成的网络感知劣化影响小,对通信质量的影响程度小,通信质量好。
附图说明
图1为一个实施例中节能方法的流程示意图;
图2为一个实施例中获取目标节能场景对应的各基站小区、目标节能场景对应的主体特征信息、以及各基站小区对应的用户接入信息步骤的流程示意图;
图3为一个实施例中构建目标节能场景对应的主体特征信息步骤的流程示意图;
图4为一个实施例中确定目标节能策略步骤的流程示意图;
图5为一个实施例中确定节能时段的流程示意图;
图6为一个实施例中确定目标节能场景的流程示意图;
图7为另一个实施例中节能方法的流程示意图;
图8为一个实施例中节能装置的结构框图;
图9为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
在一个实施例中,如图1所示,提供了一种节能方法,本实施例以该方法应用于终端进行举例说明,可以理解的是,该方法也可以应用于服务器,还可以应用于包括终端和服务器的系统,并通过终端和服务器的交互实现。其中,终端可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备,物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
本实施例中,该方法包括以下步骤:
步骤101,当达到预设的节能基站小区预测条件时,获取目标节能场景对应的各基站小区、目标节能场景对应的主体特征信息、以及各基站小区对应的用户接入信息。
在本申请实施例中,当达到预设的节能基站小区预测条件时,终端确定目标节能场景对应的各基站小区。然后,终端获取目标节能场景对应的各基站小区、目标节能场景对应的主体特征信息、以及各基站小区对应的用户接入信息。其中,节能基站小区预测条件用于衡量是否开始进行节能基站小区预测。节能基站小区预测条件可以为时间条件。例如,节能基站小区预测条件可以为时间达到每天的某个时间点,即每天进行一次节能基站小区预测。目标节能场景为进行节能的场景,可以为办公场景、住宅、大型商场等。扇区是一个基站下单个天线覆盖的地理区域,可以认为一个天线对应一个扇区。使用单个全向天线的基站只有一个扇区;使用定向天线的基站一般有三个扇区。通过增加扇区可以提高基站容量。基站小区是扇区下的逻辑概念,可以基于载频、扰码的不同在一个扇区下定义多个基站小区,即一个扇区下可以对应多个基站小区。一个目标节能场景对应多个基站小区。主体特征信息用于表示目标节能场景的场景特征和人群特征。主体特征信息包括目标节能场景的场景特征信息和目标节能场景内用户的群体特征信息。主体特征信息可以包括:办公场景的企业规模、办公场景的企业类型、住宅中小区房屋平均单价、住宅中小区的小区类型、住宅中小区房屋住租占比和住宅中小区住户WIFI套餐使用占比。用户接入信息为用户的网络接入信息。企业类型可以包括职能部门。小区类型可以包括城中村住宅小区。用户接入信息可以包括:上下行流量、上下行物理资源块(Physical Resource Block,PRB)利用率、上下行无线资源控制协议(Radio Resource Control,RRC)连接数、以及基站小区的工参信息。基站小区的工参信息可以包括:室内外标签、小区经纬度、小区名称和小区方向角。
步骤102,将各基站小区、目标节能场景对应的主体特征信息、各基站小区对应的用户接入信息输入至预先训练的节能基站小区预测模型,得到节能基站小区预测结果。
其中,节能基站小区预测结果包括目标基站小区。
在本申请实施例中,终端将各基站小区、目标节能场景对应的主体特征信息、各基站小区对应的用户接入信息输入至预先训练的节能基站小区预测模型,得到节能基站小区预测结果。其中,节能基站小区预测模型可以为机器学习模型,也可以为深度学习模型。例如,节能基站小区预测模型可以为全连接神经网络。节能基站小区预测结果为进行节能处理的基站小区的预测结果。节能基站小区预测结果可以包括各基站小区和各基站小区对应的节能基站小区等级,也可以仅包括目标基站小区。节能基站小区等级用于表示各基站小区的进行节能处理的优先级。
步骤103,根据目标基站小区和预设的节能策略确定规则,确定目标节能策略。
在本申请实施例中,终端根据目标基站小区和预设的节能策略确定规则,确定目标节能策略。其中,目标节能策略为对基站小区进行节能处理的策略。目标节能策略可以包括节能处理对象,还可以包括节能处理时间和节能处理方式。
在一个示例中,终端将目标基站小区作为节能处理对象,得到目标节能策略。
步骤104,根据目标节能策略,对目标基站小区进行节能处理。
在本申请实施例中,终端按照目标节能策略,对目标基站小区进行节能处理。
在一个示例中,针对每一个目标基站小区,终端按照目标节能策略,在该目标基站小区对应的节能处理时间,采用该目标基站小区对应的节能处理方式,对该目标基站小区进行节能处理。
上述节能方法中,当达到预设的节能基站小区预测条件时,获取目标节能场景对应的各基站小区、目标节能场景对应的主体特征信息、以及各基站小区对应的用户接入信息;将各基站小区、目标节能场景对应的主体特征信息、各基站小区对应的用户接入信息输入至预先训练的节能基站小区预测模型,得到节能基站小区预测结果;节能基站小区预测结果包括目标基站小区;根据目标基站小区和预设的节能策略确定规则,确定目标节能策略;根据目标节能策略,对目标基站小区进行节能处理。这样,当达到预设的节能基站小区预测条件时,基于目标节能场景对应的基站小区、目标节能场景对应的主体特征信息、基站小区对应的用户接入信息和节能基站小区预测模型,定期动态预测对用户的网络通信影响小、用户依赖程度低的目标基站小区,仅对目标节能场景对应的目标基站小区进行节能处理,造成的网络感知劣化影响小,对通信质量的影响程度小,通信质量好。并且,本方法动态预测目标基站小区,保证对目标基站小区进行节能处理的节能效果实时最优,进一步提高通信质量。而且,本方法对目标节能场景对应的目标基站小区进行节能处理,对重点节能场景做进一步细分,筛选最优性价比节能基站小区,能够提高节能处理操作的准确性,进一步提高通信质量。并且,本方法预先训练的节能基站小区预测模型对目标节能场景的目标基站小区进行预测,该模型为本方法构建的重点场景的场景特征和用户群体特征人工智能(Artificial Intelligence,AI)模型,为首次将神经网络应用于基站节能策略确定,能够实现仅对目标节能场景对应的目标基站小区进行节能处理,能够最大化规避节能可能带来的用户体验下降和用户投诉的风险。
在一个实施例中,如图2所示,获取目标节能场景对应的各基站小区、目标节能场景对应的主体特征信息、以及各基站小区对应的用户接入信息的具体过程包括以下步骤:
步骤201,获取目标节能场景对应的各基站小区、各基站小区对应的用户接入信息、以及目标节能场景对应的初始特征信息。
在本申请实施例中,终端获取目标节能场景对应的各基站小区、各基站小区对应的用户接入信息、以及目标节能场景对应的初始特征信息。其中,初始特征信息为目标节能场景可直接采集得到的特征信息。例如。初始特征信息可以为住宅中小区房屋总数、住宅中小区房屋自住数量和住宅中小区房屋租住数量。
步骤202,针对每一个目标节能场景,基于预设的主体特征指标,对基站小区对应的初始特征信息进行分析,计算主体特征指标对应的指标特征信息,得到该目标节能场景对应的指标特征信息。
在本申请实施例中,针对每一个目标节能场景,终端基于预设的主体特征指标,对基站小区对应的初始特征信息进行分析,计算主体特征指标对应的指标特征信息,得到该目标节能场景对应的指标特征信息。其中,主体特征指标为用于表示目标节能场景内用户的群体特征的指标。指标特征信息为用于表示目标节能场景的主体特征指标的信息。例如,主体特征指标为住宅中小区房屋自住占比,指标特征信息为目标节能场景A的住宅中小区房屋自住占比为63%。
步骤203,基于目标节能场景对应的初始特征信息和目标节能场景对应的指标特征信息,构建目标节能场景对应的主体特征信息。
在本申请实施例中,终端基于目标节能场景对应的初始特征信息和目标节能场景对应的指标特征信息,构建目标节能场景对应的主体特征信息。
在一个示例中,终端将目标节能场景对应的初始特征信息和目标节能场景对应的指标特征信息,构成目标节能场景对应的主体特征信息。
上述节能方法中,获取目标节能场景对应的各基站小区、各基站小区对应的用户接入信息、以及目标节能场景对应的初始特征信息;针对每一个目标节能场景,基于预设的主体特征指标,对基站小区对应的初始特征信息进行分析,计算主体特征指标对应的指标特征信息,得到该目标节能场景对应的指标特征信息;基于目标节能场景对应的初始特征信息和目标节能场景对应的指标特征信息,构建目标节能场景对应的主体特征信息。这样,直接获取目标节能场景对应的各基站小区和各基站小区对应的用户接入信息,先获取目标节能场景对应的初始特征信息,再根据初始特征信息,计算主体特征指标对应的指标特征信息,再基于初始特征信息和指标特征信息,构建目标节能场景对应的主体特征信息,使得目标节能场景对应的主体特征信息不仅包括可以直接获取的基础的主体特征,还包括根据基础的主体特征和预设的主体特征指标,分析计算得到的衍生的指标特征,目标节能场景对应的主体特征信息更加丰富全面,能够更加准确的反映场景特征和用户群体特征,能够提高目标基站小区的预测准确性,进一步减少对通信质量的影响程度,进一步提高通信质量。
在一个实施例中,如图3所示,基于目标节能场景对应的初始特征信息和目标节能场景对应的指标特征信息,构建目标节能场景对应的主体特征信息的具体过程包括以下步骤:
步骤301,基于主体特征指标,在目标节能场景对应的初始特征信息中,确定目标节能场景对应的备选特征信息。
在本申请实施例中,终端基于主体特征指标,在目标节能场景对应的初始特征信息中,确定满足预设的特征信息筛选条件的目标节能场景对应的备选特征信息。
在一个示例中,终端基于主体特征指标,在目标节能场景对应的初始特征信息中,确定用于计算主体特征指标的已使用的初始特征信息。然后,终端将目标节能场景对应的初始特征信息中已使用的初始特征信息去除,得到未使用的初始特征信息。然后,终端将目标节能场景对应的初始特征信息中未使用的初始特征信息,作为目标节能场景对应的备选特征信息。
步骤302,将目标节能场景对应的备选特征信息和目标节能场景对应的指标特征信息,构建目标节能场景对应的主体特征信息。
在本申请实施例中,终端将目标节能场景对应的备选特征信息和目标节能场景对应的指标特征信息,构建目标节能场景对应的主体特征信息。
在一个示例中,终端将目标节能场景对应的备选特征信息和目标节能场景对应的指标特征信息,构成目标节能场景对应的主体特征信息。
上述节能方法中,基于主体特征指标,在目标节能场景对应的初始特征信息中,确定目标节能场景对应的备选特征信息;将目标节能场景对应的备选特征信息和目标节能场景对应的指标特征信息,构建目标节能场景对应的主体特征信息。这样,基于主体特征指标,在初始特征信息中筛选出备选特征信息,并将备选特征信息和指标特征信息,构建目标节能场景对应的主体特征信息,主体特征信息不包括冗余的过程信息,使得目标节能场景对应的主体特征信息更加准确,能够更加准确的反映场景特征和用户群体特征,进一步提高目标基站小区的预测准确性,进一步减少对通信质量的影响程度,进一步提高通信质量。
在一个实施例中,如图4所示,根据目标基站小区和预设的节能策略确定规则,确定目标节能策略包括:
步骤401,针对每一个目标基站小区,在预设的基站小区和节能方式的映射关系中,查询该目标基站小区对应的目标节能方式,并获取该目标基站小区对应的节能时段。
在本申请实施例中,针对每一个目标基站小区,终端在预设的基站小区和节能方式的映射关系中,查询该目标基站小区对应的目标节能方式。然后,终端获取该目标基站小区对应的节能时段。其中,节能方式为对基站小区进行节能处理的方式或手段,也称节能处理方式。节能方式可以包括深度节能方式和浅度节能方式。节能时段为对基站小区进行节能处理的时间,也称节能处理时间。节能时段可以为一个或多个时段。不同的基站小区可以对应相同的节能方式和相同的节能时段,也可以对应不同的节能方式和不同的节能时段。
步骤402,基于该目标基站小区对应的目标节能方式和该目标基站小区对应的节能时段,生成该目标基站小区对应的节能子策略。
在本申请实施例中,终端基于该目标基站小区对应的目标节能方式和该目标基站小区对应的节能时段,生成该目标基站小区对应的节能子策略。
在一个示例中,终端将目标基站小区、该目标基站小区对应的目标节能方式和该目标基站小区对应的节能时段,构成该目标基站小区对应的节能子策略。
步骤403,将各目标基站小区的节能子策略,构成目标节能策略。
在本申请实施例中,终端将各目标基站小区的节能子策略,构成目标节能策略。
上述节能方法中,针对每一个目标基站小区,在预设的基站小区和节能方式的映射关系中,查询该目标基站小区对应的目标节能方式,并获取该目标基站小区对应的节能时段;基于该目标基站小区对应的目标节能方式和该目标基站小区对应的节能时段,生成该目标基站小区对应的节能子策略;将各目标基站小区的节能子策略,构成目标节能策略。这样,基于预设的映射关系,查询各目标基站小区对应的目标节能方式,并结合获取的各目标基站小区对应的节能时段,构成目标节能策略,使得目标节能策略不仅包括节能处理对象,还包括不同的节能处理对象对应的不同的节能处理方式和不同的节能处理时间,更加符合目标基站小区的自身情况各不相同的实际情况,节能处理操作也更加准确,能够进一步减少对通信质量的影响程度,进一步提高通信质量。
在一个实施例中,如图5所示,节能方法还包括以下步骤:
步骤501,获取在第一历史时段内目标基站小区的历史流量信息。
在本申请实施例中,终端获取在第一历史时段内目标基站小区的历史流量信息。其中,第一历史时段与节能基站小区预测条件相关。当节能基站小区预测条件为达到每一天的某一个时间点,即每天进行节能基站小区预测时,第一历史时段可以为预测时间的前一天,也可以为上个月中与预测时间相同的一天(例如,上个月10日)、上个星期中与预测时间相同的一天(例如,上周三)。历史流量信息包括时间和时间对应的流量。
步骤502,基于历史流量信息和预设的流量阈值,在各时段中确定目标基站小区对应的节能时段。
在本申请实施例中,终端基于历史流量信息和预设的流量阈值,在各时段中确定目标基站小区对应的节能时段。其中,流量阈值可以为固定的值,也可以为变化的值。不同的基站小区可以对应不同的流量阈值。
在一个示例中,终端基于历史流量信息,将流量小于或等于预设的流量阈值的时段,作为目标基站小区对应的节能时段。
上述节能方法中,获取在第一历史时段内目标基站小区的历史流量信息;基于历史流量信息和预设的流量阈值,在各时段中确定目标基站小区对应的节能时段。这样,基于在第一历史时段内目标基站小区的历史流量信息和预设的流量阈值,在各时段中确定目标基站小区对应的节能时段,不同预测时间对应的第一历史时段不同,对应的节能时段也随之变化,更加符合实际情况,节能时段确定的实时性更好,也更加准确,进一步提高节能处理操作的准确性,进一步减少对通信质量的影响程度,进一步提高通信质量。
在一个实施例中,如图6所示,节能方法还包括以下步骤:
步骤601,当达到预设的目标节能场景确定条件时,获取在第二历史时段内各场景的历史网络性能变化趋势信息。
在本申请实施例中,当达到预设的目标节能场景确定条件时,终端获取在第二历史时段内各场景的历史网络性能变化趋势信息。其中,目标节能场景确定条件用于衡量是否开始确定目标节能场景。目标节能场景确定条件可以为时间条件。例如,目标节能场景确定条件可以为时间达到每周的某个时间点,即每周进行一次目标节能场景确定。第二历史时段与目标节能场景确定条件相关。当目标节能场景确定条件为达到每周的某一个时间点,即每周进行一次目标节能场景确定时,第二历史时段可以为预测时间的前一周。历史网络性能变化趋势信息用于表示历史网络性能的变化趋势。历史网络性能变化趋势信息可以为历史网络关键业绩指标(Key Performance Indication,KPI)波动趋势信息。
步骤602,针对每一个场景,根据该场景的历史网络性能变化趋势信息,计算该场景的目标网络性能变化趋势信息。
在本申请实施例中,针对每一个场景,终端根据该场景的历史网络性能变化趋势信息,计算该场景的目标网络性能变化趋势信息。
在一个示例中,每一天进行一次目标基站小区预测。历史网络性能变化趋势信息包括各天对应的历史网络性能变化趋势子信息。针对每一个场景,终端根据该场景各天的历史网络性能变化趋势子信息,计算该场景的历史日平均网络性能变化趋势信息。然后,终端将该场景的历史日平均网络性能变化趋势信息,作为该场景的目标网络性能变化趋势信息。
在一个示例中,每一天进行一次目标基站小区预测。历史网络性能变化趋势信息包括各天对应的历史网络性能变化趋势子信息。针对每一个场景,终端根据该场景目标天的历史网络性能变化趋势子信息,计算该场景的历史日平均网络性能变化趋势信息。然后,终端将该场景的历史日平均网络性能变化趋势信息,作为该场景的目标网络性能变化趋势信息。其中,目标天为部分天。例如,目标天可以为一周中的周二和周四。
步骤603,根据各场景的目标网络性能变化趋势信息和预设的波动阈值,在各场景中确定目标节能场景。
在本申请实施例中,终端根据各场景的目标网络性能变化趋势信息,计算各场景的波动值。然后,终端根据各场景的波动值和预设的波动阈值,在各场景中确定目标节能场景。其中,波动阈值可以为固定的值,也可以为变化的值。不同的基站小区可以对应不同的波动阈值。
在一个示例中,针对每一个场景,终端该场景的目标网络性能变化趋势信息,确定该场景的波峰和波谷。然后,终端根据波峰对应的网络性能值和波谷对应的网络性能值,计算该场景的波动值。然后,终端波动值大于预设的波动阈值的场景,作为目标节能场景。
上述节能方法中,当达到预设的目标节能场景确定条件时,获取在第二历史时段内各场景的历史网络性能变化趋势信息;针对每一个场景,根据该场景的历史网络性能变化趋势信息,计算该场景的目标网络性能变化趋势信息;根据各场景的目标网络性能变化趋势信息和预设的波动阈值,在各场景中确定目标节能场景。这样,基于历史网络性能变化趋势信息,计算目标网络性能变化趋势信息,再根据目标网络性能变化趋势信息,将网络性能波动大的场景作为目标节能场景,定期更新目标节能场景,更加符合场景情况随时间变化的实际情况,目标节能场景确定的实时性更好,也更加准确,进一步提高目标基站小区预测的准确性,进一步减少对通信质量的影响程度,进一步提高通信质量。
在一个实施例中,如图7所示,节能方法还包括以下步骤:
步骤701,当达到预设的模型更新条件时,获取从当前时刻至目标历史时刻的时间段内样本目标节能场景对应的各样本基站小区、样本目标节能场景对应的主体特征样本信息、各样本基站小区对应的用户接入样本信息、以及样本目标节能场景的节能基站小区样本结果。
在本申请实施例中,当达到预设的模型更新条件时,终端获取从当前时刻至目标历史时刻的时间段内样本目标节能场景对应的各样本基站小区、样本目标节能场景对应的主体特征样本信息、各样本基站小区对应的用户接入样本信息、以及样本目标节能场景的节能基站小区样本结果。其中,模型更新条件用于衡量是否更新节能基站小区预测模型。模型更新条件可以为时间条件。例如,模型更新条件可以为时间达到每月的某个时间点,即每月进行一次节能基站小区预测模型更新。目标历史时刻与模型更新条件相关。当模型更新条件为时间达到每月的某个时间点时,目标历史时刻可以为上个月的这个时间点。样本目标节能场景和目标节能场景类似。样本基站小区和基站小区类似。主体特征样本信息和主体特征信息类似。用户接入样本信息和用户接入信息类似。节能基站小区样本结果和节能基站小区预测结果类似。
步骤702,基于样本目标节能场景对应的各样本基站小区、各样本基站小区对应的用户接入样本信息、样本目标节能场景对应的主体特征样本信息、以及节能基站小区样本结果,确定更新数据集。
在本申请实施例中,终端基于样本目标节能场景对应的各样本基站小区、各样本基站小区对应的用户接入样本信息、样本目标节能场景对应的主体特征样本信息、以及节能基站小区样本结果,确定更新数据集。
在一个示例中,终端将样本目标节能场景对应的各样本基站小区、各样本基站小区对应的用户接入样本信息、样本目标节能场景对应的主体特征样本信息、以及节能基站小区样本结果,构成更新数据集。
在一个示例中,针对每一个样本目标节能场景,终端将该样本目标节能场景对应的各样本基站小区、该各样本基站小区对应的用户接入样本信息、该样本目标节能场景对应的主体特征样本信息、以及该样本目标节能场景对应的节能基站小区样本结果,构成该样本目标节能场景对应的备选样本。然后,终端在各备选样本中,确定满足预设的样本筛选条件的目标样本。然后,终端将各目标样本,构成更新数据集。
步骤703,基于更新数据集,训练节能基站小区预测模型,得到新的节能基站小区预测模型。
在本申请实施例中,终端基于更新数据集,训练节能基站小区预测模型,得到新的节能基站小区预测模型。其中,在模型训练的过程中,终端可以采用平均平方误差计算训练误差。终端可以采用正向传播方法进行模型训练。
上述节能方法中,当达到预设的模型更新条件时,获取从当前时刻至目标历史时刻的时间段内样本目标节能场景对应的各样本基站小区、样本目标节能场景对应的主体特征样本信息、各样本基站小区对应的用户接入样本信息、以及样本目标节能场景的节能基站小区样本结果;基于样本目标节能场景对应的各样本基站小区、各样本基站小区对应的用户接入样本信息、样本目标节能场景对应的主体特征样本信息、以及节能基站小区样本结果,确定更新数据集;基于更新数据集,训练节能基站小区预测模型,得到新的节能基站小区预测模型。这样,基于新增历史数据,定期更新样本和更新数据集,定期训练节能基站小区预测模型,实现节能基站小区预测模型的持续更新,充分利用神经网络的自学习和自适应的能力,线上持续完成模型更新和自学习,保证了节能基站小区预测模型的实时准确性,进一步提高目标基站小区预测的准确性,进一步减少对通信质量的影响程度,进一步提高通信质量。
在一个实施例中,节能基站小区预测模型的训练过程包括:获取第三历史时段内样本目标节能场景对应的各样本基站小区、样本目标节能场景对应的主体特征样本信息、各样本基站小区对应的用户接入样本信息、以及样本目标节能场景的节能基站小区样本结果;基于样本目标节能场景对应的各样本基站小区、各样本基站小区对应的用户接入样本信息、样本目标节能场景对应的主体特征样本信息、以及节能基站小区样本结果,确定目标数据集;基于目标数据集,训练目标神经网络,得到节能基站小区预测模型。可以理解的是,节能基站小区预测模型训练的具体过程与节能基站小区预测模型更新的具体过程类似。
在一个实施例中,终端定时采集不同的目标节能场景(办公、住宅、商场等)对应的基站小区的用户接入信息。然后,终端将这些用户接入信息融合成样本集合L1={(ci,ti,si,pi,vi,wi,…,oi)}。其中,ci,ti,si,pi,vi,wi,oi均为不同的用户接入信息。然后,终端将采集的目标节能场景对应的基站小区的用户接入信息进行数据整理、合并成可供模型训练的特征数据,同时,终端剔除异常值和填充缺失值。然后,终端对源数据做进一步的衍生处理,增加样本中新的衍生特征。其中,衍生特征包括但不限于自住占比高住宅小区、城中村住宅小区和WIFI套餐使用占比高小区。然后,终端将新的衍生特征放入样本集合,得到新的样本集合L2={(ci,ti,si,pi,vi,wi,li,…,oi)}。其中,li为新增的衍生特征。新的样本集合L2包含的信息为样本特征信息。终端选择全连接神经网络为节能基站小区预测模型,并在节能基站小区预测模型中添加特征占比。节能基站小区预测模型在处理样本特征信息时,对样本特征信息进行特征向量归一化处理,将样式特征信息转为矩阵式归一化数据向量表。其中,特征向量归一化处理包括:独热编码(One-Hot Encoding)、数据标准化和归一化。这样,将用户数据预处理为群体特征,转为一系列矩阵式归一化数据向量表,能够实现对群体特征的无损动态表达。然后,终端基于样本集合L2训练节能基站小区预测模型。训练时,终端采用平均平方误差计算训练误差,采用正向传播方法得到多场景目标基站小区的训练结果和模型优化,包括向量优化、样本精筛、调网络、调参。然后,终端周期性输入各目标节能场景的特征信息到训练好的节能基站小区预测模型中,更新节能基站小区预测模型。这样,在线优化节能基站小区预测模型,动态优化基站节能策略。
应该理解的是,虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的节能方法的节能装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个节能装置实施例中的具体限定可以参见上文中对于节能方法的限定,在此不再赘述。
在一个实施例中,如图8所示,提供了一种节能装置800,包括:第一获取模块810、预测模块820、第一确定模块830和处理模块840,其中:
第一获取模块810,用于当达到预设的节能基站小区预测条件时,获取目标节能场景对应的各基站小区、所述目标节能场景对应的主体特征信息、以及各所述基站小区对应的用户接入信息;
预测模块820,用于将各所述基站小区、所述目标节能场景对应的主体特征信息、各所述基站小区对应的用户接入信息输入至预先训练的节能基站小区预测模型,得到节能基站小区预测结果;所述节能基站小区预测结果包括目标基站小区;
第一确定模块830,用于根据所述目标基站小区和预设的节能策略确定规则,确定目标节能策略;
处理模块840,用于根据所述目标节能策略,对所述目标基站小区进行节能处理。
可选的,所述第一获取模块810,具体用于:
获取目标节能场景对应的各基站小区、各所述基站小区对应的用户接入信息、以及所述目标节能场景对应的初始特征信息;
针对每一个目标节能场景,基于预设的主体特征指标,对所述基站小区对应的初始特征信息进行分析,计算所述主体特征指标对应的指标特征信息,得到所述目标节能场景对应的指标特征信息;
基于所述目标节能场景对应的初始特征信息和所述目标节能场景对应的指标特征信息,构建所述目标节能场景对应的主体特征信息。
可选的,所述第一获取模块810,具体用于:
基于所述主体特征指标,在所述目标节能场景对应的初始特征信息中,确定所述目标节能场景对应的备选特征信息;
将所述目标节能场景对应的备选特征信息和所述目标节能场景对应的指标特征信息,构建所述目标节能场景对应的主体特征信息。
可选的,所述第一确定模块830,具体用于:
针对每一个目标基站小区,在预设的基站小区和节能方式的映射关系中,查询所述目标基站小区对应的目标节能方式,并获取所述目标基站小区对应的节能时段;
基于所述目标基站小区对应的目标节能方式和所述目标基站小区对应的节能时段,生成所述目标基站小区对应的节能子策略;
将各所述目标基站小区的节能子策略,构成目标节能策略。
可选的,所述装置800还包括:
第二获取模块,用于获取在第一历史时段内所述目标基站小区的历史流量信息;
第二确定模块,用于基于所述历史流量信息和预设的流量阈值,在各时段中确定所述目标基站小区对应的节能时段。
可选的,所述装置800还包括:
第三获取模块,用于当达到预设的目标节能场景确定条件时,获取在第二历史时段内各场景的历史网络性能变化趋势信息;
计算模块,用于针对每一个场景,根据所述场景的历史网络性能变化趋势信息,计算所述场景的目标网络性能变化趋势信息;
第三确定模块,用于根据各所述场景的目标网络性能变化趋势信息和预设的波动阈值,在各所述场景中确定目标节能场景。
可选的,所述装置800还包括:
第四获取模块,用于当达到预设的模型更新条件时,获取从当前时刻至目标历史时刻的时间段内样本目标节能场景对应的各样本基站小区、所述样本目标节能场景对应的主体特征样本信息、各所述样本基站小区对应的用户接入样本信息、以及所述样本目标节能场景的节能基站小区样本结果;
第四确定模块,用于基于所述样本目标节能场景对应的各所述样本基站小区、各所述样本基站小区对应的所述用户接入样本信息、所述样本目标节能场景对应的所述主体特征样本信息、以及所述节能基站小区样本结果,确定更新数据集;
训练模块,用于基于所述更新数据集,训练所述节能基站小区预测模型,得到新的节能基站小区预测模型。
上述节能装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图9所示。该计算机设备包括处理器、存储器、输入/输出接口、通信接口、显示单元和输入装置。其中,处理器、存储器和输入/输出接口通过系统总线连接,通信接口、显示单元和输入装置通过输入/输出接口连接到系统总线。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种节能方法。该计算机设备的显示单元用于形成视觉可见的画面,可以是显示屏、投影装置或虚拟现实成像装置。显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图9中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述各方法实施例中的步骤。
在一个实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据,且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (11)
1.一种节能方法,其特征在于,所述方法包括:
当达到预设的节能基站小区预测条件时,获取目标节能场景对应的各基站小区、所述目标节能场景对应的主体特征信息、以及各所述基站小区对应的用户接入信息;
将各所述基站小区、所述目标节能场景对应的主体特征信息、各所述基站小区对应的用户接入信息输入至预先训练的节能基站小区预测模型,得到节能基站小区预测结果;所述节能基站小区预测结果包括目标基站小区;
根据所述目标基站小区和预设的节能策略确定规则,确定目标节能策略;
根据所述目标节能策略,对所述目标基站小区进行节能处理。
2.根据权利要求1所述的方法,其特征在于,所述获取目标节能场景对应的各基站小区、所述目标节能场景对应的主体特征信息、以及各所述基站小区对应的用户接入信息包括:
获取目标节能场景对应的各基站小区、各所述基站小区对应的用户接入信息、以及所述目标节能场景对应的初始特征信息;
针对每一个目标节能场景,基于预设的主体特征指标,对所述基站小区对应的初始特征信息进行分析,计算所述主体特征指标对应的指标特征信息,得到所述目标节能场景对应的指标特征信息;
基于所述目标节能场景对应的初始特征信息和所述目标节能场景对应的指标特征信息,构建所述目标节能场景对应的主体特征信息。
3.根据权利要求2所述的方法,其特征在于,所述基于所述目标节能场景对应的初始特征信息和所述目标节能场景对应的指标特征信息,构建所述目标节能场景对应的主体特征信息包括:
基于所述主体特征指标,在所述目标节能场景对应的初始特征信息中,确定所述目标节能场景对应的备选特征信息;
将所述目标节能场景对应的备选特征信息和所述目标节能场景对应的指标特征信息,构建所述目标节能场景对应的主体特征信息。
4.根据权利要求1所述的方法,其特征在于,所述根据所述目标基站小区和预设的节能策略确定规则,确定目标节能策略包括:
针对每一个目标基站小区,在预设的基站小区和节能方式的映射关系中,查询所述目标基站小区对应的目标节能方式,并获取所述目标基站小区对应的节能时段;
基于所述目标基站小区对应的目标节能方式和所述目标基站小区对应的节能时段,生成所述目标基站小区对应的节能子策略;
将各所述目标基站小区的节能子策略,构成目标节能策略。
5.根据权利要求4所述的方法,其特征在于,所述方法还包括:
获取在第一历史时段内所述目标基站小区的历史流量信息;
基于所述历史流量信息和预设的流量阈值,在各时段中确定所述目标基站小区对应的节能时段。
6.根据权利要求1所述的方法,其特征在于,所述方法还包括:
当达到预设的目标节能场景确定条件时,获取在第二历史时段内各场景的历史网络性能变化趋势信息;
针对每一个场景,根据所述场景的历史网络性能变化趋势信息,计算所述场景的目标网络性能变化趋势信息;
根据各所述场景的目标网络性能变化趋势信息和预设的波动阈值,在各所述场景中确定目标节能场景。
7.根据权利要求1所述的方法,其特征在于,所述方法还包括:
当达到预设的模型更新条件时,获取从当前时刻至目标历史时刻的时间段内样本目标节能场景对应的各样本基站小区、所述样本目标节能场景对应的主体特征样本信息、各所述样本基站小区对应的用户接入样本信息、以及所述样本目标节能场景的节能基站小区样本结果;
基于所述样本目标节能场景对应的各所述样本基站小区、各所述样本基站小区对应的所述用户接入样本信息、所述样本目标节能场景对应的所述主体特征样本信息、以及所述节能基站小区样本结果,确定更新数据集;
基于所述更新数据集,训练所述节能基站小区预测模型,得到新的节能基站小区预测模型。
8.一种节能装置,其特征在于,所述装置包括:
第一获取模块,用于当达到预设的节能基站小区预测条件时,获取目标节能场景对应的各基站小区、所述目标节能场景对应的主体特征信息、以及各所述基站小区对应的用户接入信息;
预测模块,用于将各所述基站小区、所述目标节能场景对应的主体特征信息、各所述基站小区对应的用户接入信息输入至预先训练的节能基站小区预测模型,得到节能基站小区预测结果;所述节能基站小区预测结果包括目标基站小区;
第一确定模块,用于根据所述目标基站小区和预设的节能策略确定规则,确定目标节能策略;
处理模块,用于根据所述目标节能策略,对所述目标基站小区进行节能处理。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
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至7中任一项所述的方法的步骤。
11.一种计算机程序产品,包括计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310561692.6A CN116546601A (zh) | 2023-05-18 | 2023-05-18 | 节能方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310561692.6A CN116546601A (zh) | 2023-05-18 | 2023-05-18 | 节能方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116546601A true CN116546601A (zh) | 2023-08-04 |
Family
ID=87443298
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310561692.6A Pending CN116546601A (zh) | 2023-05-18 | 2023-05-18 | 节能方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116546601A (zh) |
-
2023
- 2023-05-18 CN CN202310561692.6A patent/CN116546601A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lu et al. | Optimization of lightweight task offloading strategy for mobile edge computing based on deep reinforcement learning | |
Han et al. | Radio environment map construction by kriging algorithm based on mobile crowd sensing | |
EP3644581B1 (en) | Edge-cloud collaboration system for analyzing internet of things data and operating method thereof | |
Andrae | Comparison of several simplistic high-level approaches for estimating the global energy and electricity use of ICT networks and data centers | |
CN104602183A (zh) | 群组定位方法和系统 | |
CN113419868B (zh) | 基于众包的温度预测方法、装置、设备和存储介质 | |
Fu et al. | Traffic prediction-enabled energy-efficient dynamic computing resource allocation in cran based on deep learning | |
CN112668877A (zh) | 结合联邦学习和强化学习的事物资源信息分配方法及系统 | |
CN116167581A (zh) | 电池需求量预估方法、装置、调度方法和计算机设备 | |
Cao et al. | Optimal auction design with quantized bids for target tracking via crowdsensing | |
CN111050387A (zh) | 基于能效估计的基站休眠方法、装置、电子设备及介质 | |
CN116781788B (zh) | 服务决策方法以及服务决策装置 | |
CN109993562B (zh) | 一种满意度仿真方法、装置及终端设备 | |
CN113269379B (zh) | 资源对象属性的确定方法、装置、存储介质和计算机设备 | |
CN116151600B (zh) | 共享车辆的维护方法、装置、计算机设备和存储介质 | |
CN116546601A (zh) | 节能方法、装置、计算机设备和存储介质 | |
CN114501518B (zh) | 流量预测方法、装置、设备、介质和程序产品 | |
CN115935060A (zh) | 网点布局位置筛选方法、装置和计算机设备 | |
Zhang et al. | Map2Schedule: An End-to-End Link Scheduling Method for Urban V2V Communications | |
CN114867033B (zh) | 一种小区位置的确定方法和装置 | |
CN117134366B (zh) | 负荷控制方法、装置、设备和存储介质 | |
CN116539967B (zh) | 一种电磁频谱地图的构造方法、系统、装置和介质 | |
CN114339796B (zh) | 小区休眠数据处理方法、装置、电子设备及存储介质 | |
CN116794533B (zh) | 一种电芯容量分档方法和相关产品 | |
CN111817799B (zh) | 一种抗干扰方法及设备 |
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 |