【技術(shù)實(shí)現(xiàn)步驟摘要】
本專利技術(shù)涉及5g基站節(jié)能，具體涉及一種基于深度學(xué)習(xí)預(yù)測的5g基站節(jié)能方法。
技術(shù)介紹
1、隨著5g（第五代移動(dòng)通信技術(shù)）網(wǎng)絡(luò)的廣泛部署，基站的能耗問題日益凸顯。5g基站設(shè)備如基帶處理單元（bbu）、遠(yuǎn)端射頻單元（rru）和天線單元（aau）在運(yùn)營過程中消耗大量電力，特別是在流量低谷時(shí)，設(shè)備仍然保持運(yùn)行狀態(tài)，導(dǎo)致了不必要的能源浪費(fèi)。因此，在確保網(wǎng)絡(luò)服務(wù)質(zhì)量的前提下，如何通過有效手段降低基站的能耗，成為5g
的重要挑戰(zhàn)。
2、傳統(tǒng)的基站節(jié)能方法多依賴于簡單的關(guān)斷策略，通常在夜間或特定時(shí)段關(guān)閉某些小區(qū)的服務(wù)以減少能耗。這種粗放式的節(jié)能方式盡管能夠在一定程度上降低功耗，但隨著用戶需求場景的復(fù)雜化，其局限性日益顯現(xiàn)。例如，鬧市區(qū)即使在夜間可能仍有較高的話務(wù)需求，而在交通樞紐，如火車站和機(jī)場，夜間同樣有大量交通工具運(yùn)行，導(dǎo)致話務(wù)量不容忽視。因此，傳統(tǒng)的“一刀切”關(guān)斷模式已經(jīng)無法適應(yīng)這些多樣化、動(dòng)態(tài)化的場景需求，容易造成服務(wù)質(zhì)量下降和用戶體驗(yàn)不佳。
3、為了提高節(jié)能的精細(xì)化管理，分析各站點(diǎn)的歷史話務(wù)數(shù)據(jù)并根據(jù)實(shí)時(shí)需求制定個(gè)性化的節(jié)能策略顯得尤為必要。然而，這種方式需要大量的人力投入，隨著站點(diǎn)數(shù)量和數(shù)據(jù)量的增加，人工分析的成本和效率難以滿足需求。運(yùn)維人員在處理大量站點(diǎn)數(shù)據(jù)時(shí)面臨巨大壓力，且投入產(chǎn)出比低，無法實(shí)現(xiàn)規(guī)模化的高效運(yùn)維管理。
4、在此背景下，5g運(yùn)營商迫切需要引入人工智能（ai）技術(shù)，實(shí)現(xiàn)節(jié)能管理的智能化。ai技術(shù)能夠?qū)γ總€(gè)基站的歷史數(shù)據(jù)和實(shí)時(shí)話務(wù)量進(jìn)行分析，自動(dòng)生成動(dòng)態(tài)的節(jié)能策略，做到“一站
5、然而，現(xiàn)有的5g基站節(jié)能技術(shù)仍然存在明顯不足：對流量波動(dòng)的響應(yīng)不夠及時(shí)，依賴固定規(guī)則，激活機(jī)制滯后，且未能充分利用歷史和實(shí)時(shí)數(shù)據(jù)進(jìn)行優(yōu)化調(diào)度。這導(dǎo)致了節(jié)能效果有限，無法滿足不斷變化的網(wǎng)絡(luò)需求。因此，亟需一種更為智能、靈活且高效的節(jié)能方法，以應(yīng)對5g基站在多變業(yè)務(wù)場景下的能耗管理問題，實(shí)現(xiàn)更精準(zhǔn)的節(jié)能控制。
技術(shù)實(shí)現(xiàn)思路
1、本專利技術(shù)旨在提供一種基于深度學(xué)習(xí)預(yù)測的5g基站節(jié)能方法，以解決現(xiàn)有技術(shù)中提到的對流量波動(dòng)的響應(yīng)不夠及時(shí)，依賴人工運(yùn)維和固定規(guī)則，激活機(jī)制滯后，未能充分利用歷史和實(shí)時(shí)數(shù)據(jù)進(jìn)行優(yōu)化調(diào)度等問題。
2、本專利技術(shù)采用如下技術(shù)方案：一種基于深度學(xué)習(xí)預(yù)測的5g基站節(jié)能方法，包括如下步驟：
3、步驟s1：智能網(wǎng)絡(luò)管理中心采集5g基站中5g傳輸相關(guān)的特征數(shù)據(jù)，對采集的特征數(shù)據(jù)進(jìn)行數(shù)據(jù)清洗，得到預(yù)處理數(shù)據(jù)。
4、步驟s2：根據(jù)當(dāng)前5g基站小區(qū)的覆蓋范圍，為小區(qū)數(shù)據(jù)分配數(shù)據(jù)標(biāo)簽，得到帶有標(biāo)簽的小區(qū)預(yù)處理數(shù)據(jù)；結(jié)合小區(qū)的歷史數(shù)據(jù)，設(shè)定深度休眠閾值以及激活閾值，并基于數(shù)據(jù)標(biāo)簽劃分小區(qū)的工作時(shí)段、可節(jié)能時(shí)段及休眠時(shí)段。
5、步驟s3：將帶有數(shù)據(jù)標(biāo)簽的小區(qū)預(yù)處理數(shù)據(jù)按時(shí)間順序劃分為訓(xùn)練集、驗(yàn)證集和測試集；將帶有數(shù)據(jù)標(biāo)簽的小區(qū)預(yù)處理數(shù)據(jù)作為輸入，構(gòu)建由特征提取層和特征融合層組成的神經(jīng)網(wǎng)絡(luò)，并基于該神經(jīng)網(wǎng)絡(luò)訓(xùn)練5g基站prb利用率預(yù)測模型；經(jīng)過多次迭代，最終選擇在測試集上表現(xiàn)最佳的模型作為最優(yōu)模型，并部署至智能網(wǎng)絡(luò)管理中心。
6、步驟s4：將預(yù)處理后的小區(qū)基站數(shù)據(jù)輸入訓(xùn)練好的5g基站prb利用率預(yù)測模型，生成該小區(qū)在可節(jié)能時(shí)段的prb利用率預(yù)測結(jié)果。
7、步驟s5：在可節(jié)能時(shí)段內(nèi)，若prb利用率預(yù)測結(jié)果高于深度休眠閾值，則保持小區(qū)正常運(yùn)行；若低于該閾值，則對小區(qū)實(shí)施深度休眠，并配置相應(yīng)的激活機(jī)制以便及時(shí)響應(yīng)需求。
8、進(jìn)一步地，所述步驟s1包含以下步驟：
9、步驟s11：智能網(wǎng)絡(luò)管理中心采集5g基站中的bbu、aau、rru與傳輸相關(guān)的小區(qū)特征數(shù)據(jù)，特征數(shù)據(jù)包括：當(dāng)前小區(qū)的上行rlc層用戶面prb利用率、下行rlc層用戶面prb利用率、下行prb平均占用率、上行prb平均占用率、平均rrc連接用戶數(shù)，以及rru型號和基站型號。
10、步驟s12：采集的特征數(shù)據(jù)按小時(shí)時(shí)間間隔進(jìn)行重采樣整理，并對其進(jìn)行數(shù)據(jù)清洗；所有空缺數(shù)據(jù)均以零值填充，每天的數(shù)據(jù)嚴(yán)格以小時(shí)為單位進(jìn)行劃分，總共24小時(shí)，若某個(gè)節(jié)點(diǎn)的數(shù)據(jù)缺失，則使用該小區(qū)的均值進(jìn)行填補(bǔ)，確保數(shù)據(jù)完整性，得到預(yù)處理數(shù)據(jù)。
11、進(jìn)一步地，所述步驟s2中包含以下步驟：
12、步驟s21：根據(jù)預(yù)處理數(shù)據(jù)中的小區(qū)位置及覆蓋范圍為各個(gè)小區(qū)數(shù)據(jù)分配數(shù)據(jù)標(biāo)簽，標(biāo)簽包括地鐵站、工業(yè)園區(qū)、農(nóng)村、高鐵站、大型場館、學(xué)校、商場、寫字樓。
13、步驟s22：結(jié)合小區(qū)的歷史數(shù)據(jù)，為每個(gè)小區(qū)設(shè)定深度休眠閾值以及激活閾值，并基于數(shù)據(jù)標(biāo)簽劃分各個(gè)小區(qū)的工作時(shí)段、可節(jié)能時(shí)段及休眠時(shí)段。
14、進(jìn)一步地，所述步驟s3中的數(shù)據(jù)集劃分包含以下步驟：按時(shí)間順序?qū)в袛?shù)據(jù)標(biāo)簽的小區(qū)預(yù)處理數(shù)據(jù)以7:2:1的比例劃分為訓(xùn)練集、驗(yàn)證集和測試集。
15、進(jìn)一步地，所述步驟s3中特征提取層包含以下步驟：
16、步驟s311：將訓(xùn)練集與驗(yàn)證集數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)的輸入，表示為，表示輸入，表示實(shí)數(shù)集，表示單個(gè)基站樣本按小時(shí)劃分的總時(shí)間節(jié)點(diǎn)數(shù)，表示單個(gè)時(shí)間節(jié)點(diǎn)的特征向量長度，表示特征向量通道數(shù)。
17、步驟s312：特征提取層包含一層轉(zhuǎn)置層、三層池化層，形成四層的特征金字塔結(jié)構(gòu)；轉(zhuǎn)置層用于對輸入進(jìn)行轉(zhuǎn)置得到，作為第一層的輸出；三層池化層每一層的窗口大小為3，步長為2，填充為1，使用特征金字塔方法獲得每層輸出為，其中，各層輸出通過如下方式計(jì)算：
18、；
19、；
20、；
21、；
22、其中，表示平均池化操作，每層輸出的特征向量長度為：
23、；
24、其中，表示填充，值為1；表示窗口大小，值為3；表示步長，值為2。
25、進(jìn)一步地，所述步驟s3中的特征融合層包含如下步驟：
26、步驟s321：特征融合層包含八個(gè)線性層和三個(gè)拼接層，通過特征金字塔方法得到四層特征金字塔輸出，將每層輸出組合形成了多尺度的時(shí)態(tài)特征，使用四個(gè)線性層將上述四層特征金字塔的時(shí)態(tài)特征映射到中間特征，表示為；
27、；
28、；
29、；
30、；
31、其中表示線性層的線性操作；
32、再通過將第層特征與層特征在時(shí)間維度上通過拼接層進(jìn)行特征拼接，并通過線性層生成第輸出特征，表示為；
33、當(dāng)時(shí)，；
34、；
35、當(dāng)時(shí)，；
36、當(dāng)時(shí)，；
37、其中表示融合后的特征，表示拼接層的特征拼接操作，表示第一層的輸出。
38、步驟s322：將第一層的輸出通過一個(gè)線性層得到整個(gè)模塊的輸出，并轉(zhuǎn)置回輸入時(shí)的格式，最終得到預(yù)測結(jié)果：
39、；
40本文檔來自技高網(wǎng)...
【技術(shù)保護(hù)點(diǎn)】
1.一種基于深度學(xué)習(xí)預(yù)測的5G基站節(jié)能方法，其特征在于，該方法包括以下步驟：
2.根據(jù)權(quán)利要求1所述的基于深度學(xué)習(xí)預(yù)測的5G基站節(jié)能方法，其特征在于，所述步驟S1包含以下步驟：
3.根據(jù)權(quán)利要求1所述的基于深度學(xué)習(xí)預(yù)測的5G基站節(jié)能方法，其特征在于，所述步驟S2中包含以下步驟：
4.根據(jù)權(quán)利要求1所述的基于深度學(xué)習(xí)預(yù)測的5G基站節(jié)能方法，其特征在于，所述步驟S3中的數(shù)據(jù)集劃分包含以下步驟：按時(shí)間順序?qū)в袛?shù)據(jù)標(biāo)簽的小區(qū)預(yù)處理數(shù)據(jù)以7:2:1的比例劃分為訓(xùn)練集、驗(yàn)證集和測試集。
5.根據(jù)權(quán)利要求1所述的基于深度學(xué)習(xí)預(yù)測的5G基站節(jié)能方法，其特征在于，所述步驟S3中特征提取層包含以下步驟：
6.根據(jù)權(quán)利要求1所述的基于深度學(xué)習(xí)預(yù)測的5G基站節(jié)能方法，其特征在于，所述步驟S3中的特征融合層包含如下步驟：
7.根據(jù)權(quán)利要求1所述的基于深度學(xué)習(xí)預(yù)測的5G基站節(jié)能方法，其特征在于，所述步驟S3中的訓(xùn)練并測試模型包含如下步驟：
8.根據(jù)權(quán)利要求1所述的基于深度學(xué)習(xí)預(yù)測的5G基站節(jié)能方法，其特征在于，所述步驟S5
...【技術(shù)特征摘要】
1.一種基于深度學(xué)習(xí)預(yù)測的5g基站節(jié)能方法，其特征在于，該方法包括以下步驟：
2.根據(jù)權(quán)利要求1所述的基于深度學(xué)習(xí)預(yù)測的5g基站節(jié)能方法，其特征在于，所述步驟s1包含以下步驟：
3.根據(jù)權(quán)利要求1所述的基于深度學(xué)習(xí)預(yù)測的5g基站節(jié)能方法，其特征在于，所述步驟s2中包含以下步驟：
4.根據(jù)權(quán)利要求1所述的基于深度學(xué)習(xí)預(yù)測的5g基站節(jié)能方法，其特征在于，所述步驟s3中的數(shù)據(jù)集劃分包含以下步驟：按時(shí)間順序?qū)в袛?shù)據(jù)標(biāo)簽的小區(qū)預(yù)處理數(shù)據(jù)以7:2:1的比例劃分為訓(xùn)練集、驗(yàn)證集和測...
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：王希超，何逸霏，汪文勇，
申請(專利權(quán))人：電子科技大學(xué)，
類型：發(fā)明
國別省市：
還沒有人留言評論。發(fā)表了對其他瀏覽者有用的留言會(huì)獲得科技券。