張苗苗，趙皓，周巖，張陽，余立，梁燕萍，馮春杰

基于長短時(shí)預(yù)測(cè)的基站節(jié)能策略

張苗苗1，趙皓1，周巖1，張陽2，余立1，梁燕萍1，馮春杰2

（1. 中國移動(dòng)通信有限公司研究院，北京 100053；2. 中國移動(dòng)通信集團(tuán)有限公司，北京 100033）

隨著移動(dòng)通信技術(shù)的發(fā)展和5G商用建設(shè)的加快，5G功耗將繼續(xù)大幅度提升運(yùn)營成本。如何在保障業(yè)務(wù)體驗(yàn)及設(shè)備安全的基礎(chǔ)上實(shí)現(xiàn)節(jié)能最大化，始終是產(chǎn)業(yè)界研究的焦點(diǎn)之一。針對(duì)網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜、站型豐富等挑戰(zhàn)，提出了以“感知、預(yù)測(cè)、分析、決策”AI技術(shù)為核心的節(jié)能策略生成、閉環(huán)安全保障技術(shù)?；陔x線數(shù)據(jù)，驗(yàn)證了預(yù)測(cè)技術(shù)效果，達(dá)到了基站節(jié)能誤關(guān)率低于2%、召回率不低于84%的效果。進(jìn)一步的實(shí)踐應(yīng)用效果證明，在保障網(wǎng)絡(luò)質(zhì)量穩(wěn)定的前提下，能夠有效挖掘更多節(jié)能空間和節(jié)能時(shí)長，顯著提升節(jié)能量，達(dá)到降本增效的目的。

基站節(jié)能；業(yè)務(wù)量預(yù)測(cè)；智能化

0 引言

“碳達(dá)峰”“碳中和”已成為我國堅(jiān)定的發(fā)展方向，隨著中國移動(dòng)5G基站的不斷建設(shè)，能耗也逐步增大。預(yù)計(jì)到2030年，我國5G基站數(shù)量將達(dá)到1 500萬個(gè)[1]，并且單個(gè)5G基站能耗是4G基站能耗的3～4倍[2]。基站站點(diǎn)能耗費(fèi)用占網(wǎng)絡(luò)運(yùn)營成本的16％以上，但70％的基站僅承載了20％的網(wǎng)絡(luò)流量，這導(dǎo)致基站在空閑狀態(tài)也不停消耗大量的電力。為響應(yīng)國家節(jié)能減排號(hào)召、建設(shè)中國“綠能網(wǎng)絡(luò)”，節(jié)能減排必然是通信行業(yè)不可忽視的首要需求，所以4G/5G節(jié)能技術(shù)研究成為當(dāng)前學(xué)術(shù)界和運(yùn)營商研究的重點(diǎn)方向。目前節(jié)能方式分為傳統(tǒng)方式和人工智能方式。5G初期基站節(jié)能方式大多是基于統(tǒng)計(jì)的傳統(tǒng)節(jié)能方式[3]，通過分析基站歷史運(yùn)營數(shù)據(jù)，人工判斷節(jié)能時(shí)間段與節(jié)能關(guān)斷方式。隨著人工智能（artificial intelligence，AI）技術(shù)發(fā)展，業(yè)界逐步進(jìn)行智能基站節(jié)能方案研究[4]，從而實(shí)現(xiàn)基站節(jié)能自動(dòng)化，取得了更好的效果。

然而，因?yàn)?G/5G協(xié)同多層網(wǎng)絡(luò)結(jié)構(gòu)更為復(fù)雜，目前的AI節(jié)能算法更多地使用單一模型進(jìn)行業(yè)務(wù)量時(shí)序預(yù)測(cè)[5-7]，這使得AI模型落地困難，很難保證在節(jié)能的同時(shí)保證網(wǎng)絡(luò)質(zhì)量。本文提出了一套端到端精準(zhǔn)動(dòng)態(tài)節(jié)能方案，能夠保證網(wǎng)絡(luò)用戶質(zhì)量感知的同時(shí)，挖掘更多節(jié)能時(shí)長。通過引入最小化路測(cè)（minimization of drive-test，MDT）數(shù)據(jù)[8]從空間精確挖掘共覆蓋小區(qū)，確定節(jié)能目標(biāo)小區(qū)；提出長短時(shí)聯(lián)合動(dòng)態(tài)預(yù)測(cè)小區(qū)業(yè)務(wù)量指標(biāo)，挖掘小區(qū)節(jié)能時(shí)間段；引入網(wǎng)絡(luò)感知功能實(shí)時(shí)監(jiān)控網(wǎng)絡(luò)指令，保證用戶體驗(yàn)，避免誤關(guān)斷基站對(duì)用戶造成影響。

1 基于AI的節(jié)能方案

針對(duì)移動(dòng)網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜、站點(diǎn)型號(hào)豐富、節(jié)能技術(shù)多樣等挑戰(zhàn)，本方案基于不同基站關(guān)斷節(jié)能技術(shù)，通過大數(shù)據(jù)挖掘以及AI算法實(shí)現(xiàn)節(jié)能小區(qū)挖掘、業(yè)務(wù)量長短時(shí)聯(lián)合預(yù)測(cè)，并通過實(shí)時(shí)監(jiān)控網(wǎng)絡(luò)質(zhì)量，形成以“感知、預(yù)測(cè)、分析、決策”為核心的動(dòng)態(tài)智能節(jié)能策略生成、平臺(tái)級(jí)閉環(huán)的安全保障方案，在保障網(wǎng)絡(luò)質(zhì)量的情況下，實(shí)現(xiàn)節(jié)能增益最大化。本節(jié)介紹了端到端智能節(jié)能方案的設(shè)計(jì)思路。

1.1 現(xiàn)有基站節(jié)能技術(shù)

目前，5G節(jié)能技術(shù)主要包括硬件級(jí)節(jié)能、站點(diǎn)級(jí)節(jié)能及網(wǎng)絡(luò)級(jí)節(jié)能[9]。其中，硬件級(jí)節(jié)能主要從源頭控制硬件功耗，通過采用優(yōu)化硬件設(shè)計(jì)，設(shè)計(jì)Doherty優(yōu)化架構(gòu)[10]，降低設(shè)備功率放大器的整個(gè)能耗。設(shè)備商也開始關(guān)注使用更節(jié)能的器件材料、引進(jìn)更先進(jìn)的散熱技術(shù)及完善生產(chǎn)工藝等手段，包括基于石墨烯的散熱涂層方案[11]和室內(nèi)基帶處理單元（building base band unit，BBU）豎插部署方案。以此達(dá)到有效降低基站設(shè)備的基礎(chǔ)能耗以及進(jìn)一步提升基站設(shè)備能源利用率的目的[12]。

站點(diǎn)級(jí)節(jié)能主要通過對(duì)射頻模塊的控制，在保證網(wǎng)絡(luò)質(zhì)量和用戶感知的同時(shí)，達(dá)到精細(xì)化節(jié)能的目的，站點(diǎn)級(jí)節(jié)能主要有符號(hào)關(guān)斷[13]、通道關(guān)斷、載波關(guān)斷、深度休眠[14-15]等方式。

網(wǎng)絡(luò)級(jí)節(jié)能通過去激活指令關(guān)閉邏輯小區(qū)的射頻發(fā)射功能或者開啟禁止終端接入功能，與其對(duì)應(yīng)的激活指令可以使閉塞狀態(tài)的小區(qū)恢復(fù)至服務(wù)狀態(tài)。現(xiàn)在專家提出的節(jié)能方案大多是通過人工分析歷史業(yè)務(wù)量數(shù)據(jù)，找到夜間低流量小區(qū)，統(tǒng)一節(jié)能策略下發(fā)[16]。隨著AI技術(shù)發(fā)展，AI智能節(jié)能方案也廣泛應(yīng)用，基于時(shí)序網(wǎng)絡(luò)負(fù)載和用戶連接數(shù)，通過自回歸綜合移動(dòng)平均模型（autoregressive integrated moving average model，ARIMA）[17]、長短期記憶（long short-term memory，LSTM）[18]或Facebook的Prophet用于時(shí)間序列預(yù)測(cè)[19]等方案，配合門限閾值計(jì)算得到可以關(guān)斷的節(jié)能小區(qū)列表，并執(zhí)行節(jié)能操作[20]。

1.2 基于AI技術(shù)的基站節(jié)能方案

本方案主要由數(shù)據(jù)采集、共覆蓋分析、長時(shí)業(yè)務(wù)量預(yù)測(cè)、短時(shí)業(yè)務(wù)量預(yù)測(cè)、實(shí)時(shí)節(jié)能策略生成、網(wǎng)絡(luò)監(jiān)控與感知模塊、指令下發(fā)和節(jié)能量評(píng)估等模塊組成，旨在解決節(jié)能過程中如下5個(gè)核心問題。

? 如何識(shí)別節(jié)能小區(qū)？

? 如何挖掘節(jié)能小區(qū)的節(jié)能時(shí)間段？

? 如何確定基站節(jié)能方式？

? 如何保障節(jié)能過程中網(wǎng)絡(luò)的安全性和穩(wěn)定性？

? 如何評(píng)估節(jié)能效果？

目前，基站設(shè)備涉及多個(gè)設(shè)備商，各平臺(tái)之間功能冗余，且相互通信的I/O成本反而會(huì)拉低效率，違背了基站節(jié)能的初衷。所以，應(yīng)將各平臺(tái)的優(yōu)勢(shì)模塊提取出來，融合成一個(gè)完整的節(jié)能方案。本方案希望將各個(gè)功能模塊解耦，實(shí)現(xiàn)系統(tǒng)的靈活可擴(kuò)展。節(jié)能方案流程如圖1所示。

本方案通過采集運(yùn)營商的網(wǎng)絡(luò)運(yùn)營數(shù)據(jù)，計(jì)算出4G/5G多層網(wǎng)絡(luò)環(huán)境下的節(jié)能補(bǔ)償小區(qū)對(duì)，并對(duì)節(jié)能補(bǔ)償小區(qū)進(jìn)行長短時(shí)聯(lián)合業(yè)務(wù)量預(yù)測(cè)分析，實(shí)時(shí)生成節(jié)能策略進(jìn)行指令下發(fā)。在節(jié)能的同時(shí)監(jiān)控網(wǎng)絡(luò)指標(biāo)，及時(shí)喚醒網(wǎng)絡(luò)質(zhì)量劣化的節(jié)能小區(qū)[21]，保障網(wǎng)絡(luò)質(zhì)量安全。

2 長短時(shí)業(yè)務(wù)量聯(lián)合預(yù)測(cè)

通過預(yù)測(cè)基站長短時(shí)業(yè)務(wù)量指標(biāo)變化趨勢(shì)，將預(yù)測(cè)值和提前設(shè)定的基站關(guān)斷門限做對(duì)比，指導(dǎo)運(yùn)營商對(duì)小區(qū)精確開、關(guān)斷[22]，從而實(shí)現(xiàn)基站空間和時(shí)間維度的節(jié)能擴(kuò)展，達(dá)到保障網(wǎng)絡(luò)質(zhì)量的同時(shí)，提升節(jié)能效果的目的。

圖1 節(jié)能方案流程

該方案主要基于基站歷史業(yè)務(wù)量時(shí)序數(shù)據(jù)，如上行業(yè)務(wù)量、下行業(yè)務(wù)量、上行物理資源塊（physical resource block，PRB）利用率、下行PRB利用率、平均用戶數(shù)等指標(biāo)，通過AI算法對(duì)節(jié)能、補(bǔ)償小區(qū)未來一天及未來一個(gè)時(shí)刻的業(yè)務(wù)量進(jìn)行長短時(shí)預(yù)測(cè)。其中，使用小區(qū)未來一天的長時(shí)預(yù)測(cè)結(jié)果可挖掘滿足一定節(jié)能時(shí)長的潛在節(jié)能小區(qū)，再用短時(shí)精準(zhǔn)預(yù)測(cè)，保障挖潛的節(jié)能小區(qū)是真實(shí)有效的，可兼顧未來一天各小區(qū)業(yè)務(wù)情況及實(shí)時(shí)預(yù)測(cè)下一時(shí)刻業(yè)務(wù)情況，既能提前支持節(jié)能策略生成，又能保障策略實(shí)時(shí)下發(fā)安全性，達(dá)到不頻繁開、關(guān)斷小區(qū)，降低小區(qū)誤關(guān)率的目的。

2.1 數(shù)據(jù)預(yù)處理

該方法的業(yè)務(wù)量預(yù)測(cè)模型主要基于歷史一個(gè)月的小區(qū)業(yè)務(wù)量時(shí)序數(shù)據(jù)進(jìn)行長短時(shí)預(yù)測(cè)。在模型建立過程中，要求時(shí)序數(shù)據(jù)無缺失值且有一定的周期性，因此，數(shù)據(jù)處理主要檢測(cè)數(shù)據(jù)質(zhì)量，并對(duì)缺失值及異常值采用兩種數(shù)據(jù)來源進(jìn)行插值：（1）前后均值，（2）歷史同時(shí)刻均值。然后判斷數(shù)據(jù)的周期性，可使用Serial Correlation算法[23]計(jì)算每個(gè)小區(qū)的自相關(guān)系數(shù)，若系數(shù)高于閾值，則認(rèn)為該小區(qū)指標(biāo)有一定周期性，否則，該小區(qū)指標(biāo)無周期性。

2.2 長時(shí)業(yè)務(wù)量預(yù)測(cè)

為有效利用時(shí)間維度特征、盡量挖掘節(jié)能基站且兼顧預(yù)測(cè)效率，本方案通過改進(jìn)時(shí)域卷積網(wǎng)絡(luò)（temporal convolutional network，TCN）[7]，訓(xùn)練一定范圍內(nèi)的通用模型，進(jìn)而預(yù)測(cè)目標(biāo)日期、目標(biāo)基站未來一天的業(yè)務(wù)量。長時(shí)業(yè)務(wù)量預(yù)測(cè)框架如圖2所示。

圖2 長時(shí)業(yè)務(wù)量預(yù)測(cè)框架

本文從數(shù)據(jù)處理、模型訓(xùn)練、在線預(yù)測(cè)3個(gè)方面闡述長時(shí)預(yù)測(cè)的整體流程以及算法細(xì)節(jié)。

（1）數(shù)據(jù)處理

用深度學(xué)習(xí)解決時(shí)序的預(yù)測(cè)問題，通常需要將時(shí)序數(shù)據(jù)轉(zhuǎn)換為有監(jiān)督學(xué)習(xí)的數(shù)據(jù)，即成對(duì)的輸入、輸出數(shù)據(jù)，該方法以預(yù)設(shè)的滑動(dòng)窗口進(jìn)行滑窗，得到一系列特征維度為標(biāo)簽維度為一天的樣本集。

為防止在模型訓(xùn)練時(shí)，數(shù)據(jù)大小的差異影響模型的收斂，需要對(duì)樣本集歸一化。本文假設(shè)小區(qū)業(yè)務(wù)量服從正態(tài)分布，因此，本方案采用中心化方式進(jìn)行歸一化，如式（1）所示。

（2）模型訓(xùn)練

本方案使用時(shí)域卷積網(wǎng)絡(luò)提取業(yè)務(wù)量的時(shí)間維度特征，但為了挖掘更多可節(jié)能時(shí)間和可節(jié)能基站，本方案修改損失函數(shù)，使其更關(guān)注可關(guān)斷基站閾值附近樣本集，適當(dāng)減少距離業(yè)務(wù)量指標(biāo)和關(guān)斷閾值較遠(yuǎn)的樣本集，旨在提升關(guān)斷閾值附近的精確度，挖掘更多的基站和時(shí)間段。另外，引入最大值特征，將預(yù)測(cè)結(jié)果適當(dāng)提高，盡可能降低基站誤關(guān)的可能性。改進(jìn)的損失函數(shù)具體如式（2）所示。

圖3 TCN深度學(xué)習(xí)網(wǎng)絡(luò)架構(gòu)

（3）在線預(yù)測(cè)

按照上述過程，預(yù)處理待預(yù)測(cè)基站業(yè)務(wù)量數(shù)據(jù)，整理成特定格式，使用提前訓(xùn)練的模型對(duì)待預(yù)測(cè)基站未來一天的業(yè)務(wù)量進(jìn)行預(yù)測(cè)，通過對(duì)比節(jié)能開、關(guān)斷門限，挖掘滿足一定節(jié)能時(shí)長如1 h的可關(guān)斷基站及可關(guān)斷時(shí)間段。

2.3 短時(shí)業(yè)務(wù)量預(yù)測(cè)

為了糾偏長時(shí)業(yè)務(wù)量預(yù)測(cè)挖掘出的基站節(jié)能時(shí)間和空間，本方案使用業(yè)務(wù)量短時(shí)精準(zhǔn)預(yù)測(cè)的方式，實(shí)現(xiàn)對(duì)基站關(guān)斷的雙重保障，使得關(guān)斷決策的下發(fā)更加高效且準(zhǔn)確。本文從數(shù)據(jù)預(yù)處理、模型訓(xùn)練、在線預(yù)測(cè)3個(gè)方面闡述短時(shí)業(yè)務(wù)量預(yù)測(cè)的整體流程和算法細(xì)節(jié)。

（1）數(shù)據(jù)預(yù)處理

短時(shí)業(yè)務(wù)量預(yù)測(cè)方案的數(shù)據(jù)預(yù)處理，主要包含兩部分：數(shù)據(jù)轉(zhuǎn)換和特征抽取。由于基站業(yè)務(wù)量中的上、下行流量變化浮動(dòng)較大，若直接預(yù)測(cè)，則存在精度不準(zhǔn)的問題，本方案將預(yù)測(cè)上、下行流量轉(zhuǎn)換為預(yù)測(cè)單位用戶的流量，然后，將預(yù)測(cè)結(jié)果和用戶數(shù)相乘，得到下一時(shí)刻的上、下行流量。本方案可適當(dāng)平滑流量的峰值，流量與單位用戶流量時(shí)序圖對(duì)比如圖4所示。

圖4 流量與單位用戶流量時(shí)序圖對(duì)比

由于時(shí)序數(shù)據(jù)維度較大，不適合將所有時(shí)序數(shù)據(jù)放入集成算法中學(xué)習(xí)，因此本方案提出使用樹模型（如XGBoost算法[24]）進(jìn)行特征分析。下行PRB利用率特征重要性分析結(jié)果如圖5所示，短時(shí)特征（前若干時(shí)刻值、前若干天同時(shí)刻值及強(qiáng)相關(guān)指標(biāo)）對(duì)下一時(shí)刻的預(yù)測(cè)有重要參考價(jià)值，因此，提取本指標(biāo)歷史短時(shí)特征、天特征、與該指標(biāo)強(qiáng)相關(guān)性的短時(shí)特征，構(gòu)造樣本后，訓(xùn)練模型，進(jìn)而預(yù)測(cè)該指標(biāo)下一時(shí)刻的指標(biāo)值。

圖5 下行PRB利用率特征重要性分析結(jié)果

（2）模型訓(xùn)練

圖6 集成模型結(jié)構(gòu)

本方案的特征構(gòu)造方式使用歷史業(yè)務(wù)量數(shù)據(jù)的短時(shí)特征與長時(shí)統(tǒng)計(jì)特征，并選用“提升樹模型+其他簡單預(yù)測(cè)模型”的Stacking思想[25]，對(duì)下一時(shí)刻的指標(biāo)值進(jìn)行擬合，集成模型結(jié)構(gòu)如圖6所示。最終實(shí)現(xiàn)對(duì)長時(shí)預(yù)測(cè)結(jié)果的糾偏，在長短時(shí)預(yù)測(cè)的雙重保障下，提升基站開、關(guān)斷的安全性。

（3）在線預(yù)測(cè)

與長時(shí)業(yè)務(wù)量的在線預(yù)測(cè)方式一致，對(duì)待預(yù)測(cè)基站數(shù)據(jù)預(yù)處理，并使用提前訓(xùn)練好的模型預(yù)測(cè)未來時(shí)刻的業(yè)務(wù)量。最后，通過對(duì)比開、關(guān)斷門限，對(duì)長時(shí)預(yù)判的決策再一次判斷，進(jìn)而提升基站節(jié)能的安全性。

2.4 效果評(píng)估

本方案使用的基于長短時(shí)業(yè)務(wù)量預(yù)測(cè)的節(jié)能方案，使用長時(shí)業(yè)務(wù)量預(yù)測(cè)，對(duì)未來一天節(jié)能基站及可節(jié)能時(shí)段進(jìn)行挖潛；然后，使用短時(shí)精準(zhǔn)預(yù)測(cè)功能，對(duì)挖潛的節(jié)能信息進(jìn)行糾偏，以此達(dá)到不頻繁操作基站且雙重保障保證網(wǎng)絡(luò)安全性的目的，因此，本文使用聯(lián)合預(yù)測(cè)結(jié)果與其他算法預(yù)測(cè)結(jié)果做效果對(duì)比。

為方便對(duì)比算法之間的效果，本方案以平均用戶數(shù)10、上下行PRB資源利用率20%為門限（指標(biāo)可選，門限可配置），對(duì)基站的開或關(guān)進(jìn)行判斷。若以上指標(biāo)每一個(gè)時(shí)刻點(diǎn)均小于門限，則預(yù)判基站為關(guān)斷狀態(tài)；若其中一個(gè)指標(biāo)大于門限，則預(yù)判基站為活動(dòng)狀態(tài)。本方案以常用節(jié)能方案最大值統(tǒng)計(jì)、時(shí)間序列算法Prophet[26]，與本方案長短時(shí)結(jié)合方案，通過均方根誤差（root mean square error，RMSE）、基站關(guān)斷召回率及基站誤關(guān)率3個(gè)指標(biāo)對(duì)比算法效果。其中，指標(biāo)RMSE衡量預(yù)測(cè)值與真實(shí)值的差距，關(guān)斷召回率衡量基站漏關(guān)的比例，誤關(guān)率衡量基站錯(cuò)關(guān)的比例。定義分別如式（3）、式（4）、式（5）所示。

以某省1 000個(gè)基站，長時(shí)預(yù)測(cè)未來96個(gè)時(shí)刻點(diǎn)、短時(shí)預(yù)測(cè)未來一個(gè)時(shí)刻點(diǎn)業(yè)務(wù)量為例（15 min粒度，一天共96個(gè)時(shí)刻點(diǎn)），算法在節(jié)能場(chǎng)景中的對(duì)比結(jié)果見表1。

表1 算法在節(jié)能場(chǎng)景中的對(duì)比結(jié)果

通過表1的對(duì)比結(jié)果可知，雖然傳統(tǒng)統(tǒng)計(jì)方式RMSE較大，但由于預(yù)測(cè)結(jié)果較真實(shí)值偏大，因此，基站誤關(guān)率最低，能挖掘出的可節(jié)能基站及可節(jié)能時(shí)段較少，存在較多漏關(guān)的情況，即基站關(guān)斷召回率較低，該方式也是基站節(jié)能最保守的方式。擬合方法Prophet的指標(biāo)RMSE和基站召回率最好，但該方法只基于歷史業(yè)務(wù)量的變化擬合未來時(shí)刻業(yè)務(wù)量的變化，而基站業(yè)務(wù)量的變化浮動(dòng)較大，導(dǎo)致若擬合結(jié)果精確度不高，則基站誤關(guān)率也較大。另外，該方法無法構(gòu)建區(qū)域范圍內(nèi)統(tǒng)一的模型，預(yù)測(cè)時(shí)間最久，在未來5G全面普及之后，預(yù)計(jì)到2030年，我國5G基站數(shù)量達(dá)1 500萬個(gè)[1]，這對(duì)模型的實(shí)際應(yīng)用提出較大挑戰(zhàn)；本文通過改進(jìn)損失函數(shù)、引入最大值特征的方式，適當(dāng)提升預(yù)測(cè)值，在降低誤關(guān)率的同時(shí)，盡量不降低基站召回率，最后，再結(jié)合短時(shí)預(yù)測(cè)結(jié)果，進(jìn)一步降低基站誤關(guān)率，因此，該方案的基站節(jié)能系統(tǒng)誤關(guān)率降至1.91%、召回率為84.3%，且通過構(gòu)建統(tǒng)一模型的方式，5 min內(nèi)可完成某省5萬多小區(qū)單指標(biāo)未來一天的預(yù)測(cè)，結(jié)合傳統(tǒng)預(yù)測(cè)方式，為實(shí)際應(yīng)用到網(wǎng)絡(luò)中提供可能。

以某小區(qū)、下行PRB利用率為例，對(duì)比最大值統(tǒng)計(jì)、Prophet及本方案的長時(shí)預(yù)測(cè)結(jié)果。算法對(duì)比如圖7所示，細(xì)實(shí)線表示11月11日00:00－11月16日23:45的真實(shí)值，長劃線表示最大值統(tǒng)計(jì)的預(yù)測(cè)結(jié)果，點(diǎn)線表示Prophet的預(yù)測(cè)結(jié)果，粗實(shí)線線表示本文的長時(shí)預(yù)測(cè)結(jié)果。由圖7可知，最大值統(tǒng)計(jì)算法的預(yù)測(cè)值基本在真實(shí)值之上，導(dǎo)致預(yù)測(cè)結(jié)果誤差最大，但誤關(guān)率、召回率較低；Prophet算法提升了預(yù)測(cè)精度和基站召回率，但該算法的預(yù)測(cè)值在真實(shí)值上下波動(dòng)，誤關(guān)率也伴隨著提升；本文改進(jìn)的TCN算法通過修改損失函數(shù)、引入最大值特征，達(dá)到提升關(guān)斷閾值附近的預(yù)測(cè)精度，盡可能挖掘節(jié)能基站及可節(jié)能時(shí)段，最后，通過短時(shí)預(yù)測(cè)結(jié)果進(jìn)行過濾，達(dá)到了提升基站召回率、降低基站誤關(guān)率的效果。

基于長短時(shí)聯(lián)合預(yù)測(cè)的基站節(jié)能預(yù)測(cè)如圖8所示，實(shí)線表示指標(biāo)真實(shí)值，點(diǎn)線表示本文改進(jìn)TCN的預(yù)測(cè)結(jié)果，長劃線表示短時(shí)預(yù)測(cè)結(jié)果，圖中的叉號(hào)表示糾偏的時(shí)刻點(diǎn)。從圖8可知，短時(shí)預(yù)測(cè)可有效糾偏改進(jìn)版TCN預(yù)測(cè)結(jié)果，過濾錯(cuò)誤關(guān)斷策略，有效降低基站誤關(guān)率。

圖7 算法對(duì)比

圖8 基于長短時(shí)聯(lián)合預(yù)測(cè)的基站節(jié)能預(yù)測(cè)

3 應(yīng)用效果

本文提出的基于AI技術(shù)的節(jié)能方案已在河南、浙江、湖南、江西等多省份的中國移動(dòng)網(wǎng)絡(luò)平臺(tái)部署應(yīng)用。通過引入AI深度學(xué)習(xí)算法大幅提升預(yù)測(cè)準(zhǔn)確率，誤關(guān)率降低至2%、召回率提升至84%。通過短時(shí)預(yù)測(cè)分析實(shí)時(shí)監(jiān)控網(wǎng)絡(luò)質(zhì)量，根據(jù)網(wǎng)絡(luò)指標(biāo)劣化情況下發(fā)喚醒指令，對(duì)網(wǎng)絡(luò)質(zhì)量波動(dòng)大的小區(qū)進(jìn)行標(biāo)注分類，有效降低節(jié)能策略對(duì)于網(wǎng)絡(luò)質(zhì)量的影響，實(shí)現(xiàn)用戶感知零下降、投訴零增加、網(wǎng)絡(luò)質(zhì)量零惡化。

為驗(yàn)證節(jié)能效果，選取中國移動(dòng)網(wǎng)絡(luò)某省兩個(gè)地市進(jìn)行評(píng)估，為拉通不同設(shè)備的計(jì)算標(biāo)準(zhǔn)且方便計(jì)算對(duì)比，節(jié)能量統(tǒng)一按照不同節(jié)能方式取現(xiàn)網(wǎng)驗(yàn)證的平均值，不同節(jié)能方式現(xiàn)網(wǎng)驗(yàn)證的平均節(jié)能量見表2。

表2 不同節(jié)能方式現(xiàn)網(wǎng)驗(yàn)證的平均節(jié)能量

測(cè)試省份引入使用大數(shù)據(jù)挖掘以及AI算法的智能節(jié)能系統(tǒng)，可在全省穩(wěn)定運(yùn)行。統(tǒng)計(jì)其中兩地市2021年10—12月節(jié)能情況（兩地市網(wǎng)絡(luò)規(guī)模4G/5G小區(qū)達(dá)13.03萬個(gè)），每天約2.9萬小區(qū)（無重復(fù)）能夠節(jié)能，節(jié)能小區(qū)數(shù)和節(jié)能時(shí)長見表3。

表3 節(jié)能小區(qū)數(shù)和節(jié)能時(shí)長

根據(jù)表3，測(cè)試90天兩地市節(jié)能量總計(jì)107.10萬kW·h，日均節(jié)能量約1.19萬kW·h，應(yīng)用效果顯著。

4 結(jié)束語

本文基于網(wǎng)絡(luò)大數(shù)據(jù)精準(zhǔn)識(shí)別網(wǎng)絡(luò)共覆蓋關(guān)系，通過長短時(shí)業(yè)務(wù)量聯(lián)合預(yù)測(cè)，結(jié)合基站現(xiàn)有軟關(guān)技術(shù)手段，根據(jù)網(wǎng)絡(luò)實(shí)際覆蓋關(guān)系及業(yè)務(wù)量預(yù)測(cè)情況，動(dòng)態(tài)地為每個(gè)小區(qū)推薦節(jié)能策略。本文提出的基站節(jié)能策略已在實(shí)際生產(chǎn)環(huán)境中規(guī)模應(yīng)用，相比于傳統(tǒng)的定時(shí)開啟/關(guān)閉節(jié)能的方案，能夠更加科學(xué)、合理地降低基站能耗，達(dá)到降本增效、低碳環(huán)保的目的。在此基礎(chǔ)上，節(jié)能系統(tǒng)將融入動(dòng)態(tài)門限調(diào)整、智能場(chǎng)景識(shí)別、網(wǎng)絡(luò)性能指標(biāo)智能分析等更多功能，充分發(fā)展“能源智慧大腦”能力，使端到端的AI節(jié)能技術(shù)進(jìn)一步助力運(yùn)營商的能效管理工作。

[1] 劉思怡. 綠色無線移動(dòng)通信技術(shù)的創(chuàng)新思考[J]. 科學(xué)技術(shù)創(chuàng)新, 2017(33): 95-96.

LIU S Y. Innovative thinking of green wireless mobile communication technology[J]. Scientific and Technological Innovation, 2017(33): 95-96.

[2] 岑祺. 5G基站市電建設(shè)及改造方案[J]. 信息通信, 2019, 32(12): 210-213.

CEN Q. 5G base station electricity construction and renovation plan[J]. Information and Communications, 2019, 32(12): 210-213.

[3] OH E, KRISHNAMACHARI B, LIU X, et al. Toward dynamic energy-efficient operation of cellular network infrastructure[J]. IEEE Communications Magazine, 2011, 49(6): 56-61.

[4] LOPEZ-PEREZ D, DOMENICO A D, PIOVESAN N, et al. A survey on 5G radio access network energy efficiency: massive MIMO, lean carrier design, sleep modes, and machine learning[J]. arXiv preprint arXiv: 2101.11246, 2021.

[5] 易芝玲, 孫奇, 吳杰, 等. 人工智能在5G無線網(wǎng)絡(luò)中的標(biāo)準(zhǔn)與應(yīng)用進(jìn)展[J]. 信息通信技術(shù)與政策, 2020(9): 23-30.

YI Z L, SUN Q, WU J, et al. AI in 5G networks—usage scenario and standardization progress[J]. Information and Communications Technology and Policy, 2020(9): 23-30.

[6] ZHANG X, YOU J L. A gated dilated causal convolution based encoder-decoder for network traffic forecasting[J]. IEEE Access, 2020, 8: 6087-6097.

[7] ZHANG C Y, PATRAS P. Long-term mobile traffic forecasting using deep spatio-temporal neural networks[C]//Proceedings of the Eighteenth ACM International Symposium on Mobile Ad Hoc Networking and Computing. New York: ACM, 2018: 231-240.

[8] 洪偉, 張明. 最小化路測(cè)方法及裝置, 通信設(shè)備和存儲(chǔ)介質(zhì): CN112352448A[P]. 2021.

HONG W, ZHANG M. Minimization of drive test method and device, communication equipment and storage medium: CN112352- 448A[P]. 2021.

[9] 劉濤. 移動(dòng)通信基站的綜合節(jié)能[J]. 電信工程技術(shù)與標(biāo)準(zhǔn)化, 2006, 19(6):32-34.

LIU T. Economize of mobile telecommunication base station[J]. Telecom Engineering Technics and Standardization, 2006, 19(6): 32-34.

[10] CRIPPS S C. RF power amplifiers for wireless communications[J]. IEEE Microwave Magazine, 2000, 1(1): 64.

[11] 林耀朋, 張旭, 吳軍. 一種石墨烯涂層散熱板: CN103465539A[P]. 2013.

LIN Y P, ZHANG X, WU J. Heat dissipation plate with graphene coating: CN103465539A[P]. 2013.

[12] 賽迪顧問. 5G產(chǎn)業(yè)發(fā)展白皮書（2020）[R]. 2020.

CCID Consulting. White paper on 5G industry development(2020) [R]. 2020.

[13] 奉媛. 智能符號(hào)關(guān)斷技術(shù)在LTE系統(tǒng)的應(yīng)用研究[J].電信技術(shù), 2017(02): 11-12, 15.

FENG Y. Application research of intelligent symbol turn-off technology in LTE system. Telecommunications Technology, 2017(2): 11-12, 15.

[14] 邢劍卿. NR基站智能節(jié)能技術(shù)應(yīng)用研究[J]. 廣東通信技術(shù), 2020, 40(5): 46-49.

XING J Q. Research on application of intelligent energy-saving technology for NR base station [J]. Guangdong Communication Technology, 2020, 40(5): 46-49.

[15] 周普成, 蔡文科. 5G基站技術(shù)節(jié)能策略分析與研究[J]. 通信電源技術(shù), 2021, 38(2): 181-184.

ZHOU P C, CAI W K. Analysis and research on technology energy saving strategy of 5G base station[J]. Telecom Power Technology, 2021, 38(2): 181-184.

[16] 張志榮, 許曉航, 朱雪田, 等. 基于AI的5G基站節(jié)能技術(shù)研究[J]. 電子技術(shù)應(yīng)用, 2019, 45(10): 1-4.

ZHANG Z R, XU X H, ZHU X T, et al. Research on energy saving technology of 5G base station based on AI[J]. Application of Electronic Technique, 2019, 45(10): 1-4.

[17] BOX G E P, JENKINS G M. Time sense analysis: forecasting and control[J]. Jouranl of Time, 2010, 31(3).

[18] HOCHREITER S, SCHMIDHUBER J. Long short-term memory[J]. Neural Computation, 1997, 9(8): 1735-1780.

[19] 聶鋒, 羅清. Prophet在電信業(yè)務(wù)預(yù)測(cè)中的應(yīng)用[J]. 環(huán)球市場(chǎng), 2018.

NIE F, LUO Q. Application of prophet in telecom business forecasting [J]. The Global Market, 2018.

[20] 徐丹, 曾宇, 孟維業(yè), 等. AI使能的5G節(jié)能技術(shù)[J]. 電信科學(xué), 2021, 37(5): 32-41.

XU D, ZENG Y, MENG W Y, et al. AI-enabled 5G energy-saving technology[J]. Telecommunications Science, 2021, 37(5): 32-41.

[21] SOLIMAN S S, SONG B. Fifth generation (5G) cellular and the network for tomorrow: cognitive and cooperative approach for energy savings[J]. Journal of Network and Computer Applications,2017, 85: 84-93.

[22] GAO Y, CHEN J J, LIU Z, et al. Machine learning based energy saving scheme in wireless access networks[C]// Proceedings of 2020 International Wireless Communications and Mobile Computing (IWCMC). Piscataway: IEEE Press, 2020: 1573-1578.

[23] ANDERSON T W. Serial correlation[M]. John Wiley & Sons, Inc., 2011.

[24] CHEN T Q, GUESTRIN C. XGBoost: a scalable tree boosting system[J]. CoRR, 2016.

[25] WOLPERT D H. Stacked generalization[J]. Neural Networks, 1992, 5(2): 241-259.

[26] LI R P, ZHAO Z F, ZHOU X, et al. Intelligent 5G: when cellular networks meet artificial intelligence[J]. IEEE Wireless Communications, 2017, 24(5): 175-183.

A long-time & short-time prediction based 5G base station energy-saving policy

ZHANG Miaomiao1, ZHAO Hao1, ZHOU Yan1, ZHANG Yang2, YU Li1, LIANG Yanping1, FENG Chunjie2

1. China Mobile Research Institute, Beijing 100053, China 2.China Mobile Communications Co.,Ltd.,Beijing 100033, China

With the development of the mobile communication technology and the acceleration of 5G commercial network deployment, energy consumption of 5G, which will continue to raise the operating expense significantly. How to maximize the energy efficiency while ensuring service experience and equipment safety has always been one of the research focus in the industry. With the challenges including complexity of network architecture and variety of base station types, an AI-based energy-saving technology including policy generation and closed-loop security assurance of “perception, prediction, analysis, and decision” was introduced. After calibration and validation based on the offline dataset, the false-switch-off rate is less than 2%, and the recall rate is not fewer than 84%. Further study shows that the technology has greater potential on energy-saving.

base station energy-saving, traffic prediction, intelligent

TN929

A

10.11959/j.issn.1000－0801.2022043

2022?01?30；

2022?03?10

張苗苗（1993? ），女，中國移動(dòng)通信有限公司研究院工程師，主要研究方向?yàn)闊o線網(wǎng)絡(luò)智能化技術(shù)及算法。

趙皓（1991? ），男，中國移動(dòng)通信有限公司研究院工程師，主要研究方向?yàn)闊o線網(wǎng)絡(luò)智能化技術(shù)。

周巖（1991? ），男，中國移動(dòng)通信有限公司研究院工程師，主要研究方向?yàn)闊o線網(wǎng)絡(luò)智能化技術(shù)。

張陽（1975? ），男，中國移動(dòng)通信集團(tuán)有限公司網(wǎng)絡(luò)事業(yè)部經(jīng)理，主要研究方向?yàn)闊o線網(wǎng)絡(luò)優(yōu)化及相關(guān)技術(shù)。

余立（1981? ），男，中國移動(dòng)通信有限公司研究院高級(jí)工程師，主要研究方向?yàn)榍把匾苿?dòng)通信技術(shù)、網(wǎng)絡(luò)智能化、大數(shù)據(jù)和IT技術(shù)。

梁燕萍（1986? ），女，中國移動(dòng)通信有限公司研究院工程師，主要研究方向?yàn)榫W(wǎng)絡(luò)智能化技術(shù)。

馮春杰（1986? ），男，現(xiàn)就職于中國移動(dòng)通信集團(tuán)有限公司，主要研究方向?yàn)闊o線網(wǎng)絡(luò)優(yōu)化及節(jié)能技術(shù)。