文 凱 陳 浩 錢權(quán)智 莫 勇

(重慶郵電大學通信與信息工程學院 重慶 400065) (重慶郵電大學通信新技術(shù)應(yīng)用研究中心 重慶 400065) (重慶信科設(shè)計有限公司 重慶 401121)

0 引 言

2019年以來，5G網(wǎng)絡(luò)建設(shè)在全國各地如火如荼的展開，相比與4G網(wǎng)絡(luò)，5G網(wǎng)絡(luò)的頻段更多、站點更密、組網(wǎng)更加復雜，如何科學謀劃5G布局、加強5G站址統(tǒng)籌將是5G規(guī)劃的重點與難點。

旅游城市一般為以景區(qū)景點為核心、以旅游產(chǎn)業(yè)為主體、旅游業(yè)產(chǎn)值超過城市GDP的7%的一類城市，與一般城市相比，旅游城市人流量隨季節(jié)變化明顯，有著顯著的淡旺季特征。在傳統(tǒng)規(guī)劃中，容量預測一般采用趨勢外推法與人口普及率法、類比法相結(jié)合的方法，綜合預測規(guī)劃期內(nèi)5G業(yè)務(wù)用戶數(shù)量，但趨勢外推法通常預測對象的發(fā)展規(guī)律是呈漸進式的變化，而不是跳躍式的變化，無法反映出旅游城市隨著淡旺季而產(chǎn)生的人流量變化情況。為了更好地體現(xiàn)旅游城市人口的季節(jié)及發(fā)展趨勢，本文將SARIMA模型引入到5G規(guī)劃中，代替趨勢外推法預測用戶數(shù)量，其對周期性的時間序列預測效果很好，是對ARIMA模型在季節(jié)性數(shù)據(jù)方面的局限性改進而得到的，可以在單變量數(shù)據(jù)中顯式地模擬季節(jié)性元素，展示數(shù)據(jù)的季節(jié)性特點，以對未來作出準確預測[1]，為5G組網(wǎng)方案的制定提供數(shù)據(jù)支持。

截至2019年底，全國共有旅游城市337座，占全國所有地級市的51.1%，因此，針對旅游城市的人口特點進行針對性的5G規(guī)劃方法研究是很有必要的。

1 容量預測方法研究

1.1 傳統(tǒng)容量預測方法

趨勢推斷法是網(wǎng)絡(luò)規(guī)劃中常用的預測用戶數(shù)量的方法，屬于時間序列預測方法的一種[2]。當預測對象的變化顯示出一定的上升或下降趨勢且沒有明顯的波動時，可以找到一條合適的函數(shù)曲線來反映該變化，通常使用線性函數(shù)、二次函數(shù)、指數(shù)函數(shù)等函數(shù)進行擬合，并選擇擬合度最高的函數(shù)構(gòu)建趨勢模型，定量估計事物的未來發(fā)展趨勢。

1.2 SARIMA模型容量預測研究

ARIMA模型是時間序列預測中最受歡迎的模型之一。該模型源自自回歸模型(AR)與移動平均模型(MA)的組合，差分(I)可以將非平穩(wěn)數(shù)據(jù)序列差分后使數(shù)據(jù)更加穩(wěn)定。

SARIMA模型即季節(jié)性ARIMA，考慮季節(jié)性因素而改進了ARIMA模型，它明確支持具有季節(jié)性成分的單變量時間序列數(shù)據(jù)[3]。相比于ARIMA，它添加了四個新的參數(shù)，指定序列的季節(jié)性分量自回歸(AR)，差分(I)和移動平均值(MA)，以及一個季節(jié)性周期的附加參數(shù)，也就是說以ARIMA基礎(chǔ)加上周期性和季節(jié)性，適用于時間序列中帶有明顯周期性和季節(jié)性特征的數(shù)據(jù)[4]。其模型一般表示為：

SARIMA(p，d，q)x(P，D，Q)S

(1)

式中：p為自回歸項數(shù)；d為非季節(jié)差分數(shù)；q為移動平均項數(shù)；P為季節(jié)性自回歸項數(shù)；D為季節(jié)差分數(shù)；Q為季節(jié)性移動平均項數(shù)；S為周期數(shù)，例如將S取為12，代表1年中的12個月。其中p、d、q為三個非季節(jié)性參數(shù)，P、D、Q、S為四個季節(jié)性部分參數(shù)。

SARIMA模型用數(shù)學公式表示：

(2)

φ(B)為p階非季節(jié)性自回歸運算符，其定義為:

φ(B)=1-Φ1B-Φ2B-…-ΦPBp

(3)

θ(B)為q階非季節(jié)性移動平均運算符，其定義為:

θ(B)=1-Φ1B-Φ2B-…-ΦqBq

(4)

Φ(BS)是S為周期的時間序列的P階季節(jié)性自回歸運算符，其定義為：

Φ(BS)=1-Φ1BS-Φ2B2S-…-ΦPBPS

(5)

Θ(BS)是S為周期的時間序列的Q階季節(jié)性移動平均運算符，其定義為：

Θ(BS)=1-Θ1BS-Θ2B2S-…-ΘQBQS

(6)

1.3 SARIMA模型建模過程

為了正確地識別模型以進行預測和解釋，SARIMA建模過程包括六個步驟：數(shù)據(jù)預處理、平穩(wěn)性檢驗、模型定階、模型診斷、模型預測、模型驗證。如圖1所示。

圖1 SARIMA模型建模過程

(1) 數(shù)據(jù)預處理。對于收集好的數(shù)據(jù)，首先進行缺失值處理，可以采用平均法提取前后數(shù)據(jù)的平均值填充缺失值，調(diào)整數(shù)據(jù)格式，如日期格式等，并對異常值進行處理，使數(shù)據(jù)更加合理。

同時將處理好的數(shù)據(jù)按7 ∶3分成兩份，時間靠前的部分稱為訓練集，靠后的部分稱為測試集，如圖2所示。拿訓練集代入模型進行預測，然后將預測結(jié)果和測試集進行對比，以驗證模型的準確性。

圖2 訓練集與測試集劃分圖

(2) 平穩(wěn)性檢驗。為了測試時間序列的平穩(wěn)性，即確定d和D的大小，最直觀的識別方法是自相關(guān)圖。如果自相關(guān)系數(shù)迅速接近零，即自相關(guān)系數(shù)被截斷，則時間序列是穩(wěn)定的。也可以通過ADF檢測的方法。我們需要檢查序列是否已通過ADF(增強的Dickey-Fuller)測試，通常p值小于0.05[5]，ADF值小于顯著性水平為1%的臨界值，則可以判斷序列穩(wěn)定。

(3) 模型定階。數(shù)據(jù)平穩(wěn)后，需要對模型定階，即確定p、q的階數(shù)。通過AIC方法來確定最優(yōu)參數(shù)，確定最合適的SARIMA模型。AIC函數(shù)如下:

AIC=-2log(L)+2(p+q+k+1)

(7)

式中：L為數(shù)據(jù)的極大似然度，k為獨立參數(shù)個數(shù)。最終模型得到的AIC值越小，則階數(shù)越合適[6]。

(4) 模型診斷。對建立的SARIMA模型進行適應(yīng)性檢驗,即對模型殘差序列進行獨立性檢驗。通過對殘差序列的Q-Q圖和自相關(guān)圖判斷分析，確定SARIMA模型的可用性，保證預測結(jié)果的準確。

(5) 模型預測。使用確定好的SARIMA模型，以訓練集數(shù)據(jù)作為已知時間序列進行實際預測。

(6) 模型驗證。對比驗證集與預測結(jié)果，計算預測的相對誤差絕對值大小，判斷模型的準確性。

(8)

2 容量預測實際案例分析

以麗江古鎮(zhèn)2010年-2019年人流量數(shù)據(jù)為例，進行仿真。

首先，繪制麗江古鎮(zhèn)2010年-2019年人流量數(shù)據(jù)，如圖3所示。

圖3 麗江古鎮(zhèn)人流量圖

麗江是典型的旅游城市，可以看到其季節(jié)性特征非常顯著，將人流量數(shù)據(jù)進行拆分，如圖4所示。

圖4 麗江古鎮(zhèn)人流量分解圖

圖4中Trend數(shù)據(jù)具有明顯的趨勢性，Seasonal數(shù)據(jù)具有明顯的周期性，Residual可以認為是去除了趨勢和季節(jié)性數(shù)據(jù)剩余的部分，即殘差。Residual數(shù)據(jù)保持穩(wěn)定是必要的。

季節(jié)性(Seasonal)數(shù)據(jù)指在特定的時間段內(nèi)變動，比如說節(jié)假日或者活動等導致數(shù)據(jù)的周期性變化，可以看到，麗江古鎮(zhèn)很好地符合了旅游城市人流量隨淡旺季變化的特點。

麗江古鎮(zhèn)人流量數(shù)據(jù)的趨勢性和季節(jié)性都非常明顯，但是殘差波動較大。為了使數(shù)據(jù)更加平穩(wěn)，首先對數(shù)據(jù)進行差分處理，差分處理主要是為了減小數(shù)據(jù)的振動幅度，使其線性規(guī)律更加明顯，同時保留其他信息。從表1可以看到，差分前p值明顯大于0.05，對殘差進行ADF平穩(wěn)性檢驗(表1)，其ADF檢驗值大于顯著水平10%下的臨界值，可見序列并不平穩(wěn)，在差分后，再次檢查序列是否已通過ADF測試(表2)，可以看到此時p值已經(jīng)遠遠小于0.05，且ADF值遠小于顯著性水平為1%的臨界值，因此序列可以判定為穩(wěn)定。

表1 差分前ADF結(jié)果

表2 差分后ADF結(jié)果

為了確定模型的階數(shù)，可以使用“網(wǎng)格搜索”來迭代地探索不同的組合。對于每個組合，將其代入SARIMA模型,通過AIC方法來評估最優(yōu)模型，以此確定模型階數(shù)。

表3是麗江古鎮(zhèn)人流量的SARIMA模型的AIC值。

表3 麗江古鎮(zhèn)人流量SARIMA模型匹配表

可以看出，SARIMA(0, 1, 1)×(0, 1, 1)12為AIC最小的模型，擬合度最優(yōu)。

圖5模型診斷表明，模型殘差正常分布如下：左邊的Q-Q圖顯示，殘差(圓點)的有序分布遵循采用N(0,1)的標準正態(tài)分布采樣的線性趨勢，這是殘留物正常分布的指示[7]。隨著時間的推移殘差不會顯示任何明顯的季節(jié)性，通過右邊的相關(guān)圖可以證實，這表明時間序列殘差與自身的滯后值具有低相關(guān)性[8]。這些觀察結(jié)果得出結(jié)論：我們的模型選擇令人滿意，可以很好地對時間序列數(shù)據(jù)進行預測。

圖5 模型診斷圖

驗證模型的可用性后，對麗江古鎮(zhèn)人流量進行預測，使用訓練集數(shù)據(jù)(2010年-2017年)預測到2022年，如圖6所示。

圖6 麗江古鎮(zhèn)人流量預測圖

使用同樣的方法，對重慶和昆明的游客人流量進行預測，選取時間范圍為2015年-2019年，其中2015年-2018年作為訓練集數(shù)據(jù)，2019年作為測試集數(shù)據(jù)，數(shù)據(jù)來源于重慶市文化和旅游局與昆明市文化和旅游局官網(wǎng)數(shù)據(jù)。結(jié)果如圖7-圖8所示。

圖7 重慶游客人流量預測圖

圖8 昆明游客人流量預測圖

以2019年為例，分別計算麗江古鎮(zhèn)、重慶、昆明游客人流量預測值與測試集實際值的相對預測誤差絕對值，如表4所示。

表4 測試集實際值與預測值的相對誤差絕對值表

由表4可計算得出，麗江古鎮(zhèn)的相對誤差絕對值僅為2.9%，而重慶與昆明的相對誤差絕對值分別為6.3%、5.9%，均在10%誤差范圍以內(nèi)，因此可以證明模型的預測結(jié)果非常準確，同時具有很好的適應(yīng)性。

3 旅游城市5G景區(qū)與居民區(qū)融合組網(wǎng)

3.1 景區(qū)與居民區(qū)人流量分析

正常情況下，數(shù)據(jù)流量會在一天的某一時刻達到峰值。而其他時間，如午夜時通信設(shè)備的利用率相對較低，而對于旅游城市來說，因為有淡旺季之分，在淡季的時候，基站利用率則很低。為了保證用戶體驗，運營商又必須按照峰值速率來部署設(shè)備，也因此，網(wǎng)絡(luò)設(shè)備利用率低下成為一個急需解決的問題。

圖9 景區(qū)與居民區(qū)人流量對比圖

觀察景區(qū)與其周邊居民區(qū)的人流量數(shù)據(jù)，可以發(fā)現(xiàn)兩者達到峰值的時間并不相同，如果將兩者融合組網(wǎng)，共用一部分網(wǎng)絡(luò)資源的話，可以在一定程度上節(jié)省網(wǎng)絡(luò)資源，做到從規(guī)劃上減少能源損耗。

3.2 景區(qū)與居民區(qū)融合組網(wǎng)方案

實際上，3GPP在5G標準中已經(jīng)提出了解決方案，即C-RAN架構(gòu)，C-RAN架構(gòu)通過將設(shè)備集中化放置，并利用虛擬化技術(shù)，實現(xiàn)資源共享和動態(tài)調(diào)度，以達到低成本、高帶寬和高靈活度運營的效果[9-10]。其實質(zhì)就是將核心網(wǎng)虛擬化，通過資源的集中化實現(xiàn)節(jié)省能源和網(wǎng)絡(luò)資源的效果。在規(guī)劃中設(shè)計良好的C-RAN架構(gòu)，可以實現(xiàn)降低運營成本的同時保持良好的性能水平。

5G規(guī)劃中，要根據(jù)實際的場景需求來確定部署方案，即根據(jù)所屬區(qū)域環(huán)境條件來建設(shè)5G網(wǎng)絡(luò)[11]。對于景區(qū)來說，對時延與移動性要求并不高，因此景區(qū)可以采用CU-DU分離形式，CU集中在匯聚機房，形成云化池，中傳距離滿足小于40 km即可。前傳在情況允許的情況下，對于高容量業(yè)務(wù)，在密集部署的情況下，DU也可以集中放置，實現(xiàn)聚合的調(diào)配資源，優(yōu)化網(wǎng)絡(luò)資源的利用率，節(jié)省能源，同時也能緩解景區(qū)機房位置短缺的問題[12]。

如圖10所示，在面向景區(qū)組網(wǎng)時，可以將景區(qū)基站和居民區(qū)的基站融合組網(wǎng)，統(tǒng)一由一個DU云集中管理[13]，這樣的話，在計算該區(qū)域容量峰值時不需要將兩者峰值的最大值相加計算，因此DU設(shè)備在一定程度上可以得到節(jié)省。

圖10 景區(qū)與居民區(qū)融合組網(wǎng)圖

這樣的組網(wǎng)方式，對一些突發(fā)事件也有一定的承受能力。假設(shè)發(fā)生一種極端情況，如惡劣天氣等，這時所有的居民大概率都在家中，但與此同時，景區(qū)的游客也會迅速減少，這樣，雖然居民區(qū)達到網(wǎng)絡(luò)使用的峰值，但是因為景區(qū)人流量的減少，總體網(wǎng)絡(luò)占用并未達到峰值，因此DU/CU設(shè)備仍可以滿足網(wǎng)絡(luò)需求。

3.3 景區(qū)與居民區(qū)融合組網(wǎng)方案驗證

景區(qū)與居民區(qū)組網(wǎng)融合組網(wǎng)節(jié)省能源的計算公式如下：

節(jié)省能源

(9)

通過計算，本文發(fā)現(xiàn)這個融合組網(wǎng)方案相對于之前分別組網(wǎng)的方式，節(jié)約了5.76%的能源損耗，具有較強的應(yīng)用價值。

4 結(jié) 語

在5G時代，能源消耗已經(jīng)成了一個大問題[14]，未來5G基站電費花費將是4G的數(shù)倍，這將成為運營商的沉重負擔，本文引入一種在5G規(guī)劃中新的容量預測方法，并通過旅游城市景區(qū)與居民區(qū)人流量峰值時間不同的特點，提出一種景區(qū)與居民區(qū)融合組網(wǎng)的方法，以統(tǒng)籌規(guī)劃5G站點與網(wǎng)絡(luò)資源，滿足運營商的節(jié)能需求。