陳秀敏，黃毅華，劉兵，何宇鋒

（1.中國電信股份有限公司研究院，廣東 廣州 510630；2.珠海世紀(jì)鼎利科技股份有限公司，廣東 珠海 519085）

0 引言

隨著5G的全面商用，由于其采用的頻率更高、單站的覆蓋范圍小，以及為滿足5G高可靠、廣覆蓋、低時延等特點，5G的站點數(shù)目相比4G急劇增加，雖然5G單位比特耗能比小于4G基站，但是絕對能耗則不容小覷。如何在不影響網(wǎng)絡(luò)業(yè)務(wù)和用戶感知的前提下，有效降低整體網(wǎng)絡(luò)能耗，提高能量效率，是現(xiàn)5G的一個熱門討論課題。

通信網(wǎng)絡(luò)節(jié)能方案可以劃分為基站節(jié)能方案和網(wǎng)絡(luò)級節(jié)能方案。基站節(jié)能方案主要考慮從設(shè)備硬件、軟件特性等方面優(yōu)化設(shè)備能耗，而網(wǎng)絡(luò)級節(jié)能方案考慮多制式網(wǎng)絡(luò)之間協(xié)作實現(xiàn)全網(wǎng)能耗最優(yōu)的效果?；驹O(shè)備節(jié)能方案主要有兩種方式，即硬件節(jié)能方案和軟件節(jié)能方案，硬件節(jié)能降低基站設(shè)備的基礎(chǔ)功耗，軟件節(jié)能從業(yè)務(wù)運營角度出發(fā)對硬件資源進行合理調(diào)配，讓基站設(shè)備更高效運行。常見的節(jié)能策略主要有符號關(guān)斷、通道關(guān)斷、載波關(guān)斷、深度休眠等基礎(chǔ)型節(jié)能，以及通過小區(qū)/微站關(guān)斷及下行功率優(yōu)化、智能節(jié)能等方式強化節(jié)能的增強型節(jié)能。

從運維的角度來看，節(jié)能并不僅僅以降低能量消耗為單一的目標(biāo)，節(jié)能的目的是實現(xiàn)網(wǎng)絡(luò)運行所產(chǎn)生的能量消耗與網(wǎng)絡(luò)提供的服務(wù)的性能之間的一種折中狀態(tài)，或者說，是在不影響網(wǎng)絡(luò)提供服務(wù)關(guān)鍵性能指標(biāo)的前提下降低能量消耗。

在實際應(yīng)用環(huán)境中，面對基站屬性的差異、網(wǎng)絡(luò)數(shù)據(jù)（業(yè)務(wù)類型、服務(wù)質(zhì)量情況、網(wǎng)元負(fù)載情況等）的變化，不同預(yù)測模型/算法與實際情況的匹配程度是不同的。本文側(cè)重的是從業(yè)務(wù)流量預(yù)測的角度去輔助節(jié)能策略的選擇，針對業(yè)務(wù)流量存在的季節(jié)性提出在LSTM網(wǎng)絡(luò)預(yù)測流量時間序列的基礎(chǔ)上，引入指數(shù)平滑模型處理時間序列的季節(jié)性，使改良后的模型既可以最大限度地擬合流量時間序列數(shù)據(jù)，又可以在長期預(yù)測中保持預(yù)測性能的穩(wěn)定和可靠，達到提升預(yù)測精度從而精準(zhǔn)節(jié)能以保障網(wǎng)絡(luò)服務(wù)關(guān)鍵性能指標(biāo)的目的。

1 流量與能效

1.1 能源效率評價

基站主設(shè)備能耗主要由機柜能耗和載頻能耗組成，載頻能耗主要由功放、基帶處理、電源、模擬電路等構(gòu)成，占主設(shè)備能耗的90%，是基站主設(shè)備能耗的主要組成部分，其中又以功放的能耗占比最高，因此要想降低基站主設(shè)備能耗，可以從射頻功率和能耗入手。

一般來說，網(wǎng)元的EE（Energy Efficiency）KPI表示為數(shù)據(jù)量除以所考慮網(wǎng)元的能量消耗。在無線接入網(wǎng)絡(luò)的情況下，也可以使用EE KPI變量，用覆蓋面積除以所考慮網(wǎng)元的能量消耗來表示[1]，如式(1)所示：

EEMN,DV要求采集5G網(wǎng)絡(luò)功能（NF）的數(shù)據(jù)量（DV）和能耗（EC），在NG-RAN，DV測量的是每個小區(qū)的數(shù)據(jù)量。

為了評估是否達到節(jié)能的效果，需要一個能用來確定節(jié)能前后所獲得收益的指標(biāo)。此處引入能源的絕對度量和相對度量，前者ECR（Energy Consumption Rating）通常定義為基站發(fā)射機的峰值功率除以最大數(shù)據(jù)吞吐量的比率。為了使該度量更具實用性，ECR測量的應(yīng)該在網(wǎng)絡(luò)上成功傳輸每信息位所消耗的能量。相對度量能量消耗增益ECG（Energy Consumption Gain），指的是對使用節(jié)能技術(shù)的基站（被測系統(tǒng)）能源性能與未采用該方法的基準(zhǔn)系統(tǒng)進行比較，簡單說就是比值Eb/Et，其中Eb是參考系統(tǒng)消耗的能量，Et是被測系統(tǒng)的能量。ECG值越大，被測系統(tǒng)的工作效率越高。與ECR指標(biāo)一樣，為了提供公平的比較，需要注意以公平的方式進行能量計算，例如在比較兩個基站設(shè)計時，應(yīng)確保在相同的流量負(fù)載條件下并且兩個系統(tǒng)服務(wù)的用戶數(shù)相同。

1.2 流量與能源的關(guān)系

對無線網(wǎng)絡(luò)中的數(shù)據(jù)流量分析表明，各小區(qū)之間的流量負(fù)載通常都是非常不均衡的。參考文獻[2]對200個小區(qū)的分析中，可以發(fā)現(xiàn)即使在高峰時間，90%的數(shù)據(jù)流量僅由網(wǎng)絡(luò)中40%的站點承載。因此，在不同的業(yè)務(wù)負(fù)荷條件下使能源消耗最小化的技術(shù)是一個重要的研究方向，在這里我們將分別描述針對低和高業(yè)務(wù)負(fù)荷兩種情況下的能耗。

在低流量負(fù)載的情況下，基站有能力用比用戶當(dāng)時所需帶寬更多的可用帶寬來向用戶傳輸數(shù)據(jù)。根據(jù)香農(nóng)定律C=Blog2(1+SINR)，信道容量隨可用帶寬呈線性增長，隨信噪比呈對數(shù)增長。噪聲功率一定的情況下，信號發(fā)射功率越高信噪比越高。因此可以用頻譜來換取能源效率，并在保持服務(wù)質(zhì)量的同時實現(xiàn)能源節(jié)約。例如在復(fù)雜但頻譜效率高的窄帶寬的16-QAM調(diào)制方式，和相對簡單的寬帶寬的QPSK調(diào)制方式之間做選擇，選擇帶寬寬的后者就會比選擇帶寬窄的前者更節(jié)省能源。這種情況，就是利用了空閑帶寬資源來減少能源消耗。

圖1顯示了這種方法的ECG增益預(yù)測結(jié)果，其為給定數(shù)據(jù)速率下所需信噪比（SINR）的函數(shù)。一般來說，隨著頻譜效率的提高，所需信噪比也隨之提高。α值指允許的帶寬擴展系數(shù)，例如，α=2的帶寬擴展將允許16-QAM調(diào)制（4 bit/s/Hz最大數(shù)據(jù)速率）被QPSK（2 bit/s/Hz最大數(shù)據(jù)速率）取代，這將需要較低的SINR。結(jié)果表明，隨著信噪比的增加，使用帶寬擴展技術(shù)對ECG的潛在改進也在增加。

圖1 低流量負(fù)載的ECG增益預(yù)測結(jié)果

當(dāng)業(yè)務(wù)量較大時，基站可能同時向多個用戶傳輸數(shù)據(jù)。在這種情況下，通?？梢岳枚嘤脩舳鄻有詠碓黾油ㄟ^資源調(diào)度和分配策略實現(xiàn)的總體多用戶容量，根據(jù)用戶在時間、頻率或/和空間域中的瞬時信道條件來分配資源。如MIMO采用了適當(dāng)?shù)逆溌愤m應(yīng)和資源調(diào)度方法，來確保在分配的資源內(nèi)采用最節(jié)能的傳輸方式以滿足所需的QoS級別。性能的提高可以轉(zhuǎn)化為發(fā)射機的能量進一步減少。以文獻[3]為例，圖2給出了不同MIMO預(yù)編碼方案與以單用戶MIMO分集方案空頻分組編碼（SFBC）為基準(zhǔn)情況下的ECG性能對比。圖中可見利用更高分集度的多用戶MIMO方案在每個信息位所需的發(fā)射機能量方面可以實現(xiàn)較低的成本。當(dāng)移動用戶數(shù)量足夠大時，性能評估結(jié)果表明，多用戶可以實現(xiàn)5倍的能量增益。

圖2 高流量負(fù)載下不同編碼方案的ECG對比

2 流量預(yù)測模型架構(gòu)

流量和其他的時間序列一樣，存在明顯的季節(jié)性周期特性。比如在一周內(nèi)呈現(xiàn)中間高、兩端低的周期變化，這說明流量業(yè)務(wù)的使用在工作日中達到高峰，在周初和周末趨向低谷，同時在年度中也存在相應(yīng)的季節(jié)周期性變化。又比如在經(jīng)濟發(fā)達的城市，高峰往往出現(xiàn)在8、9月份，因為此時的社會活動非?；钴S，而低谷則出現(xiàn)在春節(jié)期間，此時大量的人員返鄉(xiāng)過年，大城市人口密度明顯下降，從而移動業(yè)務(wù)的使用也進入了一年中的低谷。而在經(jīng)濟相對欠發(fā)達地區(qū)，由于返鄉(xiāng)過節(jié)人員的持續(xù)密集流入，相應(yīng)的移動業(yè)務(wù)的使用達到高峰，反而使春節(jié)期間的網(wǎng)絡(luò)流量逐步進入一年中的峰值。除了周期特性外，移動網(wǎng)絡(luò)流量時間序列也受到不斷出現(xiàn)的異常波動影響，比如人群聚集、網(wǎng)絡(luò)異常等突發(fā)性因素，這對站點級的流量時間序列預(yù)測產(chǎn)生影響。對此我們提出使用引入了指數(shù)平滑模型的LSTM網(wǎng)絡(luò)的模型架構(gòu)HW-LSTM來預(yù)測流量。

2.1 LSTM網(wǎng)絡(luò)模型

RNN（Recurrent Neural Network，循環(huán)神經(jīng)網(wǎng)絡(luò)）是一系列能夠處理序列數(shù)據(jù)的神經(jīng)網(wǎng)絡(luò)的總稱?；镜腞NN模型只處理前一個單元的輸出，距離遠(yuǎn)的單元的輸出，因中間經(jīng)過多次處理，其影響會逐漸消失。所有遞歸神經(jīng)網(wǎng)絡(luò)都具有神經(jīng)網(wǎng)絡(luò)重復(fù)模塊鏈的形式。在標(biāo)準(zhǔn)RNN中，該重復(fù)模塊具有非常簡單的結(jié)構(gòu)，例如單個tanh層。長短期記憶模型LSTM（Long Short Term Memory）是一種特殊的RNN，能夠?qū)W習(xí)長期的規(guī)律，也具有這種類似鏈的結(jié)構(gòu)，但重復(fù)模塊具有不同的結(jié)構(gòu)，有四個而不是一個神經(jīng)網(wǎng)絡(luò)層。圖3所示為RNN的鏈?zhǔn)浇Y(jié)構(gòu)，每個時間片使用的是相同參數(shù)，圖4所示的LSTM引入了門（gate）機制用于控制特征的流通和阻斷。門是一種選擇性讓信息通過的節(jié)點，它們由Sigmoid神經(jīng)網(wǎng)絡(luò)層和逐點乘法運算組成。Sigmoid層輸出0～1之間的值，每個值表示對應(yīng)的部分信息是否應(yīng)該通過。0值表示不允許信息通過，1值表示讓所有信息通過。LSTM的巧妙之處在于增加了三個這樣的門（輸入門、遺忘門和輸出門），使自循環(huán)的權(quán)重是可變可控的，用于保護和控制信息流向量狀態(tài)。

圖3 RNN單元結(jié)構(gòu)

圖4 LSTM單元結(jié)構(gòu)

研究人員發(fā)現(xiàn)基于深度學(xué)習(xí)的LSTM可以很好地擬合非線性的時間序列數(shù)據(jù)，并且能有效改善RNN所存在的梯度消失和梯度爆炸問題。梯度消失和梯度爆炸是由于RNN的權(quán)值矩陣循環(huán)相乘所引起的。關(guān)于梯度消失，是指梯度被近距離梯度主導(dǎo)，導(dǎo)致模型難以學(xué)到遠(yuǎn)距離的依賴關(guān)系，傳統(tǒng)RNN采用連乘積的形式來計算狀態(tài)，多個小于1的項連乘造成了梯度消失，LSTM之所以可以解決梯度問題，是因為它避免了無休止的連乘，而是邊加邊乘。雖然LSTM仍然有可能發(fā)生梯度爆炸，但由于LSTM的其他路徑非常崎嶇，和普通RNN相比多經(jīng)過了很多次激活函數(shù)（導(dǎo)數(shù)都小于1），因此LSTM發(fā)生梯度爆炸的頻率要低得多。通常處理梯度爆炸的方法為梯度截斷，就是將超過閾值θ的梯度降為θ。

2.2 指數(shù)平滑模型

在時間序列中，我們需要基于該時間序列當(dāng)前已有的數(shù)據(jù)來預(yù)測其在之后的走勢，三次指數(shù)平滑Holt-Winter算法可以很好地進行時間序列的預(yù)測。時間序列數(shù)據(jù)一般具有趨勢性和季節(jié)性的特點。趨勢描述的是時間序列的整體走勢，比如總體上升或者總體下降；季節(jié)性描述的是數(shù)據(jù)的周期性波動，比如以年或者周為周期。指數(shù)平滑法有幾種不同形式，此處使用的是三次指數(shù)平滑Holt-Winter模型，因其引入了趨勢和季節(jié)成分，于是可以對同時含有趨勢和季節(jié)性的時間序列進行預(yù)測。式(2)為累乘三次指數(shù)平滑的預(yù)測公式，式中L是一個季節(jié)的周期數(shù)，St為水平成分，It為季節(jié)成分，bt為趨勢成分。

本文中我們分析了某大型城市的三個重要會展場所的流量時間序列的季節(jié)性成份，發(fā)現(xiàn)5分鐘粒度的時間序列存在明顯的天周期成份，圖5為從其中一個區(qū)域5分鐘粒度時間序列中分解出的天周期成份和趨勢成份。

圖5 趨勢成份與天周期成份

從圖中可以看到該區(qū)域從10月9日至16日總體流量變化趨勢呈現(xiàn)上升狀態(tài)，而其天周期表現(xiàn)為零點至3點30分前后流量直線下降，3點半后逐級上升，在晚上9點前后達到高峰后，轉(zhuǎn)為下降趨勢，模型分解出的趨勢、周期成份很好地反映了真實情況下的流量變化規(guī)律。

2.3 HW-LSTM模型

作為非線性模型，LSTM可作為復(fù)雜的非線性單元用于構(gòu)造更大型深度神經(jīng)網(wǎng)絡(luò)。不管是RNN還是LSTM及其衍生主要是隨著時間推移進行順序處理，但一旦遇到不完全按時間一環(huán)扣一環(huán)形成的時間序列數(shù)據(jù)就可能會導(dǎo)致預(yù)測偏離。

如前文所述，業(yè)務(wù)流量隨時間有波動性和突發(fā)性，從而產(chǎn)生離群值，對時間序列的平穩(wěn)性會產(chǎn)生影響，使預(yù)測準(zhǔn)確度降低，特別是進行較長期的預(yù)測，比如用5分鐘粒度的數(shù)據(jù)進行一天或多天的長期預(yù)測，或者用天級數(shù)據(jù)進行一周或一月的預(yù)測。無論是LSTM還是指數(shù)平滑模型都是基于對前期的預(yù)測然后再對后期進行迭代預(yù)測，當(dāng)前期預(yù)測出現(xiàn)離群值，則會對后期的預(yù)測產(chǎn)生較大的影響，甚至?xí)冠厔莅l(fā)生較大的偏離，為了避免這一問題，本文提出一種將LSTM模型與指數(shù)平滑模型進行組合的方法（下文稱為HW-LSTM），使用LSTM預(yù)測時，如果出現(xiàn)大于閥值的離群值，則采用指數(shù)平滑的預(yù)測值代替，由于指數(shù)平滑模型引入了水平項、趨勢項和季節(jié)周期項，會使其預(yù)測結(jié)果較為符合帶有周期性和突發(fā)性的時間序列的長期規(guī)律，將其結(jié)果饋入LSTM模型，可以使對業(yè)務(wù)流量的預(yù)測結(jié)果更加準(zhǔn)確。HW-LSTM處理流程如圖6所示：

圖6 HW-LSTM結(jié)構(gòu)

如圖6所示，當(dāng)LSTM在t時刻預(yù)測值不在設(shè)定的值域范圍(a,b)內(nèi)時，則選擇指數(shù)平滑模型同期t時刻的預(yù)測值替換LSTM的預(yù)測值充當(dāng)?shù)较乱徊降哪Ｐ洼斎隮t-1，從而起到影響下一步?tY的預(yù)測結(jié)果的作用，通過不斷的循環(huán)迭代，使指數(shù)平滑模型起到了對LSTM網(wǎng)絡(luò)的修正作用，使LSTM網(wǎng)絡(luò)在進行長期預(yù)測時更加穩(wěn)定可靠。

如上節(jié)所述，HW-LSTM模型需要在LSTM模型迭代預(yù)測時根據(jù)預(yù)測值是否在值域范圍(a,b)內(nèi)，對是否饋入指數(shù)平滑預(yù)測值進行決策，本文中我們依據(jù)時間序列在當(dāng)前預(yù)測時間的95%置信區(qū)間的上下限值來確定值域范圍(a,b)的取值，95%置信區(qū)間的計算由最大后驗概率MAP方法計算得到，在計算過程中設(shè)定MAP方法的初始先驗服從P(θ)～N(μ,σ2)正態(tài)分布。式子如下：

3 模型評估試驗

為驗證模型的有效性，此處選取國內(nèi)某大型城市三個重點區(qū)域7天的時間序列流量數(shù)據(jù)，時間粒度為5分鐘，單區(qū)域數(shù)據(jù)量為2 114條，我們截取前1 826條數(shù)據(jù)為訓(xùn)練數(shù)據(jù)，后288條數(shù)據(jù)為測試數(shù)據(jù)，預(yù)測時間長度為24小時內(nèi)的5分鐘粒度流量，這三個區(qū)域經(jīng)常承擔(dān)該城市大型會展活動，屬于人群密集、流動頻繁的區(qū)域，在短時間內(nèi)可能出現(xiàn)人流的巨增，給基站帶來很大壓力，無論從基站節(jié)能保障的角度，還是從安保的角度，都需要對小時間粒度的流量進行準(zhǔn)確預(yù)測。以往基于5分鐘的準(zhǔn)確預(yù)測具有一定的難度，而在使用本文提出的HWLSTM模型預(yù)測方法后可以取得更好的預(yù)測結(jié)果。表1是基于HW-LSTM的預(yù)測精度與基于單獨LSTM模型的預(yù)測精度對比。通過比較，可以看到我們提出的HW-LSTM得到了比單獨使用LSTM更加準(zhǔn)確的預(yù)測結(jié)果。

表1 HW-LSTM預(yù)測精度與LSTM預(yù)測結(jié)果對比

圖7是三個區(qū)域的流量預(yù)測時序圖，左邊為HWLSTM預(yù)測結(jié)果，右邊是LSTM預(yù)測結(jié)果。圖中紅線為真實值，藍(lán)線為預(yù)測值，灰色陰影為95%置信度下時間序列上下波動區(qū)間，通過對比圖7，可以直觀觀察到本文提出的HW-LSTM對該三個區(qū)域流量的預(yù)測相比LSTM得到的預(yù)測結(jié)果更精準(zhǔn)更細(xì)膩。

圖7 HW-LSTM預(yù)測時序圖和LSTM預(yù)測時序圖

4 結(jié)束語

本文所提出的HW-LSTM模型是一種將指數(shù)平滑模型與LSTM模型進行組合改良的序列數(shù)據(jù)預(yù)測模型，利用兩個模型自身各自的特點，使HW-LSTM模型既有LSTM模型良好的擬合性，又具備了對異常波動點的抑制，可以較好地預(yù)測小時間粒度的流量時間序列。試驗數(shù)據(jù)也很好地印證了HWLSTM模型的優(yōu)勢。美中不足的是，HW-LSTM模型并不是一個獨立的深度學(xué)習(xí)網(wǎng)絡(luò)，需要兩個模型進行協(xié)調(diào)工作，在效率上不如單獨的LSTM模型，下一步的研究將考慮如何把兩種模型從算法層面上更好地結(jié)合，以提高模型的預(yù)測效率。