趙偉，李貝，孟寧，王廷偉，林俊釩，陳樂(lè)，胡煜華，楊漢源

（1.中國(guó)聯(lián)合網(wǎng)絡(luò)通信有限公司浙江省分公司，浙江 杭州 310051；2.中國(guó)聯(lián)合網(wǎng)絡(luò)通信有限公司研究院，北京 100048；3.中國(guó)聯(lián)合網(wǎng)絡(luò)通信集團(tuán)有限公司，北京 100033）

0 引言

在4G網(wǎng)絡(luò)逐步向5G基站牽引的背景下，不斷增長(zhǎng)的網(wǎng)絡(luò)業(yè)務(wù)需求及流量需求使得基站能耗節(jié)節(jié)攀升。為響應(yīng)國(guó)家集約化綠色網(wǎng)絡(luò)的建設(shè)要求，如何提升基站節(jié)能效率成為運(yùn)營(yíng)商當(dāng)前亟須解決的問(wèn)題。依據(jù)設(shè)備規(guī)格與負(fù)載水平的不同，5G基站每小時(shí)的耗電約2.5度，3G或4G基站則在1～2度，其主要能耗集中在基站的有源天線單元上?，F(xiàn)行基站節(jié)能方案也大多針對(duì)該設(shè)備進(jìn)行節(jié)能，對(duì)夜間低能耗站點(diǎn)采取一刀切直接下電的方式進(jìn)行。在實(shí)際生產(chǎn)中，該方案存在以下不足。

? 人工成本高。當(dāng)前需要人工進(jìn)行節(jié)能時(shí)間配置與調(diào)整，操作時(shí)對(duì)運(yùn)維工程師的一線經(jīng)驗(yàn)和專(zhuān)業(yè)水平要求較高。

? 節(jié)電策略單一?，F(xiàn)有的節(jié)電方案通常為千站一策，即運(yùn)營(yíng)商對(duì)批量基站設(shè)置統(tǒng)一的節(jié)能時(shí)間段，無(wú)法在不同覆蓋場(chǎng)景和不同業(yè)務(wù)需求下進(jìn)行差異化節(jié)電。

? 無(wú)法適應(yīng)動(dòng)態(tài)網(wǎng)絡(luò)環(huán)境。一旦基站下電后便無(wú)法獲取站點(diǎn)附近的用戶情況，無(wú)法應(yīng)對(duì)突發(fā)性業(yè)務(wù)和流量波動(dòng)，基站恢復(fù)存在滯后性，易出現(xiàn)聚集性投訴風(fēng)險(xiǎn)。

? 難以平衡用戶體驗(yàn)與節(jié)能需求。在實(shí)際節(jié)電時(shí)，考慮用戶感知，節(jié)電時(shí)間的參數(shù)設(shè)置通常相對(duì)保守，難以挖掘得到基站的最大節(jié)能空間。

1 智能節(jié)電建模

為實(shí)現(xiàn)節(jié)能策略的動(dòng)態(tài)化，需要對(duì)基站的業(yè)務(wù)流量進(jìn)行預(yù)測(cè)，以便在低能耗時(shí)段進(jìn)行節(jié)能。當(dāng)前常見(jiàn)做法是將基站的歷史流量數(shù)據(jù)轉(zhuǎn)換為不同的算法進(jìn)行求解，包括傳統(tǒng)時(shí)序算法、機(jī)器學(xué)習(xí)和深度學(xué)習(xí)算法3種，各有利弊。

（1）傳統(tǒng)時(shí)序算法

將業(yè)務(wù)流量預(yù)測(cè)轉(zhuǎn)換為時(shí)序預(yù)測(cè)模型進(jìn)行建模是最為常見(jiàn)的算法。典型的時(shí)間序列預(yù)測(cè)方法包括整合移動(dòng)平均自回歸模型（autoregressive integrated moving average model，ARIMA）、Holt-Winters等。此類(lèi)算法對(duì)周期波動(dòng)明顯的單一時(shí)間序列進(jìn)行預(yù)測(cè)時(shí)預(yù)測(cè)效果較好，但難以適應(yīng)周期波動(dòng)不明顯的時(shí)序或區(qū)域突發(fā)流量。

（2）機(jī)器學(xué)習(xí)回歸算法

通過(guò)構(gòu)造時(shí)間特征可將流量預(yù)測(cè)問(wèn)題轉(zhuǎn)化回歸問(wèn)題，繼而使用如支持向量機(jī)（support vector machine，SVM）和梯度提升算法（如 XGBoost）等機(jī)器學(xué)習(xí)算法進(jìn)行預(yù)測(cè)。該類(lèi)算法對(duì)時(shí)間序列中的非線性因素適應(yīng)較好，但對(duì)訓(xùn)練樣本的要求較高且實(shí)際預(yù)測(cè)精度偏低。

（3）深度學(xué)習(xí)算法

循環(huán)神經(jīng)網(wǎng)絡(luò)（recurrent neural network，RNN）或長(zhǎng)短期記憶（long short term memory，LSTM）網(wǎng)絡(luò)等深度學(xué)習(xí)模型能夠快速適應(yīng)不穩(wěn)定的時(shí)間序列。但受限于模型本身特性，其建模效率較低。此外，基于序列的神經(jīng)網(wǎng)絡(luò)更關(guān)注與上一刻的業(yè)務(wù)流量情況，易累積預(yù)測(cè)誤差導(dǎo)致最終結(jié)果偏差過(guò)大。

從時(shí)域特征上看，受地理位置、無(wú)線環(huán)境、周?chē)肆骷盎顒?dòng)等多重因素影響，現(xiàn)網(wǎng)基站的流量波動(dòng)整體呈周期性變化，但偶有突發(fā)性擾動(dòng)。從空域特征上看，基站的覆蓋場(chǎng)景各不相同，存在單站覆蓋區(qū)域、多制式共站、多制式同覆蓋等多種情況，不同情況的流量分擔(dān)方式也不同。因此，對(duì)比上述算法后，文中提出一種先用動(dòng)態(tài)時(shí)間規(guī)整（dynamic time warping，DTW）算法進(jìn)行聚類(lèi)，再用不同參數(shù)的季節(jié)性整合移動(dòng)平均自回歸模型（seasonal autoregressive integrated moving average，SARIMA）對(duì)各類(lèi)基站分別建模來(lái)進(jìn)行節(jié)電時(shí)間窗預(yù)測(cè)的算法。

DTW 聚類(lèi)算法通過(guò)動(dòng)態(tài)規(guī)劃思想提取兩個(gè)不同時(shí)間序列的相似性，進(jìn)而對(duì)時(shí)間序列進(jìn)行聚類(lèi)。假設(shè)有兩個(gè)長(zhǎng)度分別為m和n的時(shí)間序列，如式（1）：

則兩個(gè)序列可構(gòu)建一個(gè)m×n的矩陣，通過(guò)動(dòng)態(tài)規(guī)劃可找出該矩陣的最小累積路徑γ(i,j)，如式（2）：

其中，d(Xi,Yj)代表矩陣內(nèi)任意兩點(diǎn)的距離。兩個(gè)時(shí)間序列的相似度即可用γ(i,j)表示，則對(duì)于n個(gè)時(shí)間序列來(lái)說(shuō)，需找到使得總相似度最小的聚類(lèi)結(jié)果，以便將具有相似時(shí)序波動(dòng)的小區(qū)聚類(lèi)在一起。

SARIMA模型是基于ARIMA模型之上，將時(shí)間序列看作依賴時(shí)間t的隨機(jī)變量，通過(guò)數(shù)據(jù)模型解析歷史序列的自相關(guān)性、平穩(wěn)性以及季節(jié)性來(lái)預(yù)測(cè)未來(lái)的數(shù)據(jù)。假設(shè)將某特定長(zhǎng)度為T(mén)的d階非平穩(wěn)時(shí)間序列描述為Y1,Y2,Y3,… ,YT。對(duì)Yt∈R，ARIMA模型可表示為：

2 智能節(jié)電系統(tǒng)

智能節(jié)電系統(tǒng)模塊如圖1所示，本項(xiàng)目搭建在 Windows服務(wù)器上，采用Python作為主要編程語(yǔ)言，基于DTW和SARIMA算法完成模型構(gòu)建，通過(guò)北向接口進(jìn)行節(jié)能操作的指令下發(fā)，后臺(tái)使用 MySQL承接操作日志，通過(guò)五大功能模塊實(shí)現(xiàn)基站智能節(jié)電閉環(huán)系統(tǒng)。

圖1 智能節(jié)電系統(tǒng)模塊

2.1 數(shù)據(jù)處理模塊

為進(jìn)行智能節(jié)電預(yù)測(cè)，系統(tǒng)需獲取以下不同時(shí)間粒度的數(shù)據(jù)作為基站監(jiān)控?cái)?shù)據(jù)源以及節(jié)電操作時(shí)進(jìn)行干預(yù)決策的參考指標(biāo)。智能節(jié)電系統(tǒng)數(shù)據(jù)源清單見(jiàn)表1。

表1 智能節(jié)電系統(tǒng)數(shù)據(jù)源清單

其中，采集待預(yù)測(cè)時(shí)間 7天內(nèi)的全量3G/4G/5G基站性能數(shù)據(jù)后，可供智能預(yù)測(cè)模塊進(jìn)行節(jié)電時(shí)間窗口預(yù)測(cè)。采集小區(qū)工參和MDT數(shù)據(jù)并處理后，可生成某站點(diǎn)關(guān)閉后對(duì)應(yīng)的切換基站（cell to cell）清單，供實(shí)時(shí)監(jiān)控模塊判決是否需要進(jìn)行恢復(fù)操作以及進(jìn)行何種恢復(fù)操作。

2.2 智能預(yù)測(cè)模塊

智能預(yù)測(cè)模塊是智能節(jié)電系統(tǒng)的“核心”模塊，其具體工作步驟如下。

步驟1數(shù)據(jù)聚類(lèi)。若各基站單個(gè)小區(qū)的業(yè)務(wù)量可表示為時(shí)間序列Y，將對(duì)全網(wǎng)基站下小區(qū)的業(yè)務(wù)量Y1,Y2,Y3,… ,YN進(jìn)行DTW算法聚類(lèi)。聚類(lèi)個(gè)數(shù)n可自行設(shè)置。經(jīng)實(shí)驗(yàn)，本文中將聚類(lèi)個(gè)數(shù)最終設(shè)置為3，則全量小區(qū)可分為C1、C2、C3共3類(lèi)。

步驟2超參選擇。分別從C1、C2、C3聚類(lèi)結(jié)果中選出 100個(gè)小區(qū)，并針對(duì)這 100個(gè)小區(qū)使用SARIMA(p,d,q)(P,D,Q)模型進(jìn)行20輪模型預(yù)訓(xùn)練，獲取使得總評(píng)價(jià)指標(biāo)信息準(zhǔn)則（Akaike information criterion，AIC）最優(yōu)的超參組合，并輸出到最優(yōu)超參字典中，即{C1|p1,d1,q1,P1,D1,Q1}，{C2|p2,d2,q2,P2,D2,Q2} ，{C3|p3,d3,q3,P3,D3,Q3} 。

步驟 3模型訓(xùn)練。遍歷全網(wǎng)所有小區(qū)，進(jìn)行口碑場(chǎng)景級(jí)分析，根據(jù)其聚類(lèi)結(jié)果，從最優(yōu)超參字典中找到對(duì)應(yīng)的超參組合，將這個(gè)超參組合放入SARIMA(p,d,q)(P,D,Q)中進(jìn)行模型訓(xùn)練，訓(xùn)練完成后的業(yè)務(wù)流量趨勢(shì)預(yù)測(cè)結(jié)果如圖2所示。

圖2 SARIMA模型業(yè)務(wù)預(yù)測(cè)結(jié)果示例

步驟4模型輸出。通過(guò)計(jì)算序列的統(tǒng)計(jì)置信區(qū)間3-sigma區(qū)間(μ? 3σ,μ+ 3σ)得到該站業(yè)務(wù)量正常區(qū)間的上限值和下限值。其中，μ為序列的均值，為序列的標(biāo)準(zhǔn)差。結(jié)合一線的實(shí)際經(jīng)驗(yàn)，可認(rèn)為當(dāng)前時(shí)刻業(yè)務(wù)量落在(0,μ?3σ)時(shí)為低能耗時(shí)刻。確定每日關(guān)站門(mén)限后，將低能耗時(shí)間段對(duì)應(yīng)小區(qū)粒度，并結(jié)合小區(qū)覆蓋特性，在保障感知的前提下，采取以下不同的節(jié)電策略。

（1）00:00—06:00時(shí)段

采用小區(qū)符號(hào)關(guān)斷；若小區(qū)完全無(wú)流量/話務(wù)量產(chǎn)生，則直接采用激活/去激活策略。

（2）非00:00—06:00時(shí)段

? 若存在多制式同覆蓋場(chǎng)景，則用3G小區(qū)作為覆蓋打底網(wǎng)絡(luò)保障用戶感知，對(duì) 4G/5G高制式小區(qū)進(jìn)行節(jié)電；

? 當(dāng)基站載波帶寬≥20 MHz，采取射頻通道關(guān)斷策略；

? 若頻段為L(zhǎng)TE 1 800 MHz或LTE 900 MHz，采用載波關(guān)斷策略；

? 無(wú)法使用射頻通道關(guān)斷和載波關(guān)斷，則采用符號(hào)關(guān)斷策略。

步驟 5生成每日任務(wù)。在完成建模和節(jié)電策略判定后，數(shù)據(jù)結(jié)構(gòu)需要進(jìn)行重組，生成每日每個(gè)節(jié)電時(shí)間點(diǎn)需要開(kāi)關(guān)的基站清單，并將一天的時(shí)間切分成若干個(gè)需要監(jiān)控的時(shí)間段和該時(shí)間段內(nèi)需要監(jiān)控的基站小區(qū)清單，供后續(xù)基站開(kāi)關(guān)模塊和實(shí)時(shí)監(jiān)控模塊執(zhí)行使用。

步驟 6反饋調(diào)整。在每一輪基站開(kāi)關(guān)模塊實(shí)施調(diào)度過(guò)程中，可能會(huì)監(jiān)控到誤節(jié)能現(xiàn)象，即在模型預(yù)測(cè)需關(guān)站的時(shí)間段內(nèi)，基站存在流量壓抑現(xiàn)象。因此，在重復(fù)步驟1～步驟5進(jìn)行新一輪模型預(yù)測(cè)之前，系統(tǒng)會(huì)讀取日志輸出模塊生成的調(diào)度日志，利用上一輪產(chǎn)生偏差來(lái)反饋調(diào)節(jié)模型，以助于縮小下一周期預(yù)測(cè)業(yè)務(wù)量的誤差。

需要注意的是，在實(shí)際運(yùn)行中，從數(shù)據(jù)處理模塊采集數(shù)據(jù)到完成本模塊前序的步驟1～步驟4均需要占用一定的計(jì)算時(shí)間。在該計(jì)算真空期內(nèi)，基站開(kāi)關(guān)模塊無(wú)法獲得任何指令數(shù)據(jù)，導(dǎo)致每日有一段時(shí)間無(wú)法對(duì)基站進(jìn)行操作。針對(duì)該情況，本系統(tǒng)在不增加算力資源的情況下，分上下各半天進(jìn)行模型訓(xùn)練。舉例來(lái)說(shuō)，在T日上半天（當(dāng)日 12:00前）獲取[T? 5 ,T]的下半天實(shí)時(shí)數(shù)據(jù)（12:00-24:00）進(jìn)行訓(xùn)練預(yù)測(cè)得出 T日下半天（12:00-24:00）的指令時(shí)間點(diǎn)。在T日下半天（當(dāng)日 12:00前）獲取[T? 5 ,T]的上半天實(shí)時(shí)數(shù)據(jù)（00:00-12:00）進(jìn)行訓(xùn)練預(yù)測(cè)得出T+1日上半天（00:00-12:00）的指令時(shí)間點(diǎn)。這樣就保證了在運(yùn)行過(guò)程中沒(méi)有真空期，基站開(kāi)關(guān)模塊能實(shí)時(shí)對(duì)基站進(jìn)行操作。

2.3 基站開(kāi)關(guān)模塊

接收每日開(kāi)關(guān)任務(wù)，根據(jù)每日的開(kāi)站時(shí)間點(diǎn)、關(guān)站時(shí)間點(diǎn)以及開(kāi)站清單和關(guān)站清單，在對(duì)應(yīng)時(shí)間點(diǎn)通過(guò)北向接口下達(dá)指令打開(kāi)或關(guān)閉對(duì)應(yīng)的基站。在每次下達(dá)指令、操作基站或出現(xiàn)異常時(shí)都需進(jìn)行日志輸出。

2.4 實(shí)時(shí)監(jiān)控模塊

實(shí)時(shí)監(jiān)控示意圖如圖3所示，一旦開(kāi)啟節(jié)能后，將無(wú)法獲取被節(jié)電基站的業(yè)務(wù)量。為了在發(fā)生業(yè)務(wù)量突增時(shí)及時(shí)停止節(jié)電，減少對(duì)用戶感知的影響，需在開(kāi)啟節(jié)能后同時(shí)觀測(cè)承接該節(jié)電基站業(yè)務(wù)量的周邊小區(qū)的業(yè)務(wù)量波動(dòng)情況?；谛^(qū)工參和MDT數(shù)據(jù)，可從數(shù)據(jù)處理模塊獲取某站點(diǎn)關(guān)閉后對(duì)應(yīng)的切換基站（cell to cell）清單。

圖3 實(shí)時(shí)監(jiān)控示意圖

根據(jù)需要監(jiān)控的時(shí)間段和每個(gè)時(shí)間段內(nèi)的監(jiān)控基站清單，實(shí)時(shí)觀測(cè)這部分承接基站的3G/4G/5G的業(yè)務(wù)流量數(shù)據(jù)及投訴數(shù)據(jù)。結(jié)合實(shí)際情況，若當(dāng)前節(jié)電時(shí)刻為T(mén)，則觀測(cè)當(dāng)前節(jié)電時(shí)刻[T? 2 ,T]的業(yè)務(wù)量，即對(duì)3G站點(diǎn)觀測(cè)其前 兩個(gè)30 min業(yè)務(wù)量數(shù)據(jù)，對(duì)4G/5G站點(diǎn)觀測(cè)其前兩個(gè)15 min的業(yè)務(wù)量數(shù)據(jù)。當(dāng)因基站壓力過(guò)大、流量激增等原因發(fā)生異常時(shí)，利用是否發(fā)生異常流量增長(zhǎng)或突發(fā)區(qū)域性投訴來(lái)進(jìn)行異常判定，必要時(shí)通過(guò)北向接口開(kāi)啟監(jiān)控基站，及時(shí)恢復(fù)基站覆蓋供用戶正常使用。若持續(xù)出現(xiàn)問(wèn)題或發(fā)生指令操作異常，則發(fā)送短信告警給運(yùn)維人員來(lái)進(jìn)行人工干預(yù)。實(shí)時(shí)監(jiān)控流程如圖4所示。

圖4 實(shí)時(shí)監(jiān)控流程

2.5 日志輸出模塊

每次下達(dá)指令、操作基站或出現(xiàn)異常時(shí)都需要進(jìn)行日志輸出，輸出內(nèi)容包括操作日期、時(shí)間、操作指令、操作類(lèi)型、操作基站 ID、操作基站名稱(chēng)、操作小區(qū) ID、操作小區(qū)名稱(chēng)、指令是否下發(fā)成功、操作結(jié)果等。所有操作日志統(tǒng)一存儲(chǔ)至MySQL數(shù)據(jù)庫(kù)，便于智能預(yù)測(cè)模塊進(jìn)行反饋調(diào)整。此外，當(dāng)系統(tǒng)發(fā)生異常故障時(shí)，可通過(guò)存儲(chǔ)的日志快速定位問(wèn)題。

3 指標(biāo)評(píng)價(jià)

為評(píng)估本文算法在實(shí)際生產(chǎn)環(huán)境的預(yù)測(cè)能力，假設(shè)某節(jié)電基站為X1，在對(duì)其進(jìn)行節(jié)電操作后，承接其業(yè)務(wù)量的基站為X2,X3,… ,Xn。通過(guò)對(duì)比承接站點(diǎn)在承接前后的業(yè)務(wù)量增長(zhǎng)是否超過(guò)給定門(mén)限的5%來(lái)判定節(jié)電是否準(zhǔn)確。小區(qū)的節(jié)電準(zhǔn)確率可表示為

4 模型效果驗(yàn)證

本文系統(tǒng)在某省會(huì)主城區(qū)進(jìn)行14天的試點(diǎn)。使用本文所提出的算法，共試點(diǎn)85個(gè)小區(qū)，其中在試點(diǎn)期內(nèi)進(jìn)行節(jié)電操作的小區(qū)為60個(gè)，節(jié)電操作率為71%。

試點(diǎn)期間，采取符號(hào)關(guān)斷604.18 h，采取通道關(guān)斷660.77 h，采取載波關(guān)斷331.73 h，總計(jì)節(jié)電時(shí)長(zhǎng)1 596.68 h。節(jié)電判定正確時(shí)長(zhǎng)為1 504 h，節(jié)電準(zhǔn)確率為 94.2%。試點(diǎn)區(qū)域單站平均年節(jié)電效率可達(dá) 9.24%站/日。試點(diǎn)期間所選區(qū)域未出現(xiàn)網(wǎng)絡(luò)感知明顯波動(dòng)，未發(fā)生相關(guān)感知投訴，節(jié)電指令關(guān)閉與開(kāi)啟未出現(xiàn)異常。智能節(jié)電系統(tǒng)試點(diǎn)前后節(jié)電時(shí)長(zhǎng)對(duì)比見(jiàn)表2，本文所提算法在該區(qū)域的節(jié)電量為試點(diǎn)前凌晨下電方案的1.5倍。

表2 智能節(jié)電系統(tǒng)試點(diǎn)前后節(jié)電時(shí)長(zhǎng)對(duì)比

5 結(jié)束語(yǔ)

本文描述了一種基于通過(guò)動(dòng)態(tài)時(shí)間規(guī)整算法和SARIMA分覆蓋場(chǎng)景構(gòu)建預(yù)測(cè)節(jié)電的方法，相較于傳統(tǒng)在低能耗時(shí)段一刀切下電的方法，本文所提的智能節(jié)電系統(tǒng)一方面可以準(zhǔn)確地預(yù)測(cè)節(jié)電時(shí)間窗，節(jié)電量是傳統(tǒng)方法的1.5倍，區(qū)域節(jié)電效率平均可達(dá)9.24%站/日，最大程度地挖掘了基站節(jié)電潛能；另一方面，通過(guò)構(gòu)建從數(shù)據(jù)拉取、制定策略、指令下發(fā)、監(jiān)控反饋的全流程自助閉環(huán)系統(tǒng)，監(jiān)控同期客服投訴情況作為輔助評(píng)估，有效降低了節(jié)電對(duì)用戶感知的影響。本文所述方法已在某沿?！潦〕晒υ圏c(diǎn)，實(shí)時(shí)性及準(zhǔn)確性均較高，可有效降低人工成本，具有良好的推廣性與復(fù)制性。