CN113141616A - O+b域数据+业务场景自适应识别的节能基站选择及节能模式选取的方法、装置和*** - Google Patents
O+b域数据+业务场景自适应识别的节能基站选择及节能模式选取的方法、装置和*** Download PDFInfo
- Publication number
- CN113141616A CN113141616A CN202110424578.XA CN202110424578A CN113141616A CN 113141616 A CN113141616 A CN 113141616A CN 202110424578 A CN202110424578 A CN 202110424578A CN 113141616 A CN113141616 A CN 113141616A
- Authority
- CN
- China
- Prior art keywords
- energy
- saving
- base station
- service
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W52/00—Power management, e.g. TPC [Transmission Power Control], power saving or power classes
- H04W52/02—Power saving arrangements
- H04W52/0203—Power saving arrangements in the radio access network or backbone network of wireless communication networks
- H04W52/0206—Power saving arrangements in the radio access network or backbone network of wireless communication networks in access points, e.g. base stations
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
- H04W16/18—Network planning tools
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
- H04W16/22—Traffic simulation tools or models
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明属于无线通信技术领域,具体涉及O+B域数据+业务场景自适应识别的节能基站选择及节能模式选取的方法、装置和***。其公开了O+B域数据+业务场景自适应识别的节能基站选择及节能模式选取***,其特征在于:包括数据采集模块、业务趋势预测模块、业务场景识别模块、智能节能输出模块、节能方案调度执行模块、执行过程监控模块、性能监控模块、节能比例调节模块;所述数据采集模块用于采集工参数据、测绘地图或网络地图、O域性能数据,MR数据、话单业务数据、B域用户套餐数据;所述业务趋势预测模块根据基站利用率、用户数历史信息,使用AI算法模型、智能预测业务趋势。
Description
技术领域
本发明属于无线通信技术领域,具体涉及O+B域数据+业务场景自适应识别的节能基站选择及节能模式选取的方法、装置和***。
背景技术
2020年5G基设累计建设开通超过70万个,各大运营商无线通信网络形成2/3/4/5G多***共存局面。网络设备的堆叠引起耗电的逐年升高,5G因超密集组网及其特有的大规模阵列有源天线的使用,据测算5G单基站耗电量是传统4G基站的2.5倍,更加提升了电费消耗在运营商支出中的比重,知名专家预计,预测到2025年,通信行业将消耗全球20%的电力,节能降耗、提升网络能效是移动通信行业可持续发展的必经之路。网络运行中,不同基站的业务负荷有所不同,相同基站一天中不同时段负荷也有所不同,呈现波峰波谷变化,如果能够在不影响网络运行质量情况下,***并关闭基站业务闲时部分资源或全部资源,整个移动通信***全年节约的电能将相当可观。
目前,基站通过较为固定的某个或某几个时段多种节能方式实现节约能耗。现有的基站节能方案,大部分通过对历史n*24小时段时间内按小时业务负荷数据进行线性统计构建小区静态潮汐特征库,如:统计一段时间内某个小时X天满足高负荷或者Y天满足低负荷,则将不同小区时段标注成高低业务特征库,然后根据状态值连续性提取出节能时段的固定开始点和结束点。当达到节电起始时刻,则基站开启所有节电功能模式,并未对最优节能模式做出选择;当达到节电终止时刻,则终止节电模式,将节电开启的节能模式功能全部关闭。
以上节能方法,具有节电实时性好的特点。但是有3个较为明显的缺点:第一、基站覆盖场景识别不明显,严重依赖运营商的基站工参数据中的覆盖场景,不能通过B域用户签约数据和核心网话单业务数据精准区分其业务场景;第二、缺乏预测性,具体表现为构建小区特征库,仅根据历史n天中同一时段大于一定天数时就归集一类小区,对小区未来业务波动预测不足;第三、基站特征库确定后,节能模式未能实现分级管理,即全天24小时时段内,未能精准使用节能模式,无法实现节电量的最大化。
因每个基站的覆盖场景差异,业务量受到的周边环境影响不同,无法较为准确预判每个时段的情况,从而配置较为固定的节能时间段,当周边环境发生变化或者特殊日期场景、重大节假日场景,业务模型产生变化,就会出现节电时段与实际的业务量不匹配,导致节电效果变差,甚至会出现严重影响用户的网络质量。
发明内容
针对上述背景技术所提出的问题,本发明的目的是:旨在提供O+B域数据+业务场景自适应识别的节能基站选择及节能模式选取的方法、装置和***。
为实现上述技术目的,本发明采用的技术方案如下:
O+B域数据+业务场景自适应识别的节能基站选择及节能模式选取***,其特征在于:包括数据采集模块、业务趋势预测模块、业务场景识别模块、智能节能输出模块、节能方案调度执行模块、执行过程监控模块、性能监控模块、节能比例调节模块;
所述数据采集模块用于采集工参数据、测绘地图或网络地图、O域性能数据,MR数据、话单业务数据、B域用户套餐数据;
所述业务趋势预测模块根据基站利用率、用户数历史信息,使用AI算法模型、智能预测业务趋势。
一种O+B域数据+业务场景自适应识别的节能基站选择及节能模式选取***的方法,包括以下步骤:
S1:通过数据采集模块采集工参数据、测绘地图或网络地图,O域性能数据,MR数据,话单业务数据,B域用户套餐数据;
S2:业务趋势预测模块根据基站利用率、用户数历史信息,使用AI算法模型、智能预测业务趋势;
S3:业务场景识别模块通过基站工参及地图图层关联联合,得到典型覆盖特征基站库,通过MR覆盖关联度识别剩余基站覆盖场景,用户套餐及业务数据而成修改完成识别;
S4:智能节能输出模块综合策略的网络影响及节点效果,构建6级节能策略、学校得到分级阀值,并通过覆盖场景、用户价值得到旋转实施策略;
S5:节能方案调度执行模块对节能任务调度及自动下发执行;
S6:通过执行过程监控模块和性能监控模块执行监控,并建立场景分级节能策略模型,通过节能比例调节模块人工干预节能任务,并将策略模型经验回填调优小区属性及策略;
作为本发明发一种优选方案,所述S3的具体操作步骤为,
S301:通过爬取地图图层(网络地图或者测绘图层)中覆盖典型地标的区域经纬度集,构建算法判断出基站工参信息中在位于典型覆盖区域内的第一批站点,打上其覆盖场景标签,构建出典型覆盖场景特征基站库;
S302:将S301中已标注地标区域内基站的覆盖标签,进一步对地标区域周边基站的覆盖场景进行判断,完成基站覆盖归集;
S303:在S302中已关联出剩余基站与典型覆盖场景基站的MR相关度,按照MR相关度大小排序,得出剩余基站的覆盖场景;引入核心网话单中基站或小区的业务类型,如基站下高比例为视频业务;B域用户套餐数据,如:基站下存在高等级VIP用户。评估基站或小区的用户价值性,对基站的覆盖和业务场景二次修正,识别出基站的业务场景,管理可纳入节能预测的基站。
作为本发明发一种优选方案,所述S302中对地标区域周边基站的覆盖场景进行判断采用周边基站MR相关度与第一批典型覆盖特征库中基站的同覆盖性进行判断;其判断方法为:
相邻基站A和B,若A为典型覆盖特征库中基站、B为其周边基站,在MR的邻区覆盖信息采集中,获取A在作为B邻区时或者B在作为A邻区时的MR中的RSRP大于Y值的采样点数量,也可计算出A在作为B邻区时或者B在作为A邻区时该类采样点占所有邻区总MR采样点的比例,得出某个基站与多个典型业务覆盖场景基站一系列的MR相关度;计算公式如下:
其中邻区数量n,邻区电平门限Y可以根据实际进行配置调整。
作为本发明发一种优选方案,所述S5的具体操作为:
S501a:配置一套节能分级管理策略参数初始值,并设定不同业务场景和节能模式的区间范围,初始值及区间最大最小值均可配置;
S502a:按照固定步长,对节能策略中的阈值,先由初始值从小到大学习,评估每一组节能策略的节能效果和网络性能效果变化,对节能效果及网络性能设置一定权重比例;
S503a:学习过程中,当连续3个步长阈值,节能效果和网络性能评估出现下降,则终止向上阈值学习,进入S504a;
S504a:继续按照固定步长,对节能策略中的阈值,再次由初始值从小到到进行学习,评估每一组节能策略的节能效果和网络性能效果变化,当连续3个步长阈值,节能效果和网络性能评估出现下降,则终止学习过程;
S505a:综合比较不同基站业务场景与节能模式下的节能效果及性能指标影响情况,选择最佳效果下的节能管理策略。
作为本发明发一种优选方案,所述S6的具体操作为:
S601a:基站和小区全天24小时的业务预测结果后,由基站网络类型param1判断使用哪类网络的节能策略,然后根据前面判断的基站业务场景,选择使用那类场景的节能策略,再通过节能开关param2参数,选择可判断使用的节能模式;
S602a:对满足生效时段param4中的基站小时粒度业务数据,根据节能模式权值由大到小,判断PRB利用率、RRC用户数、补偿PRB利用率是否满足Thr1、Thr2和Thr3阈值,3个阈值均满足某种节能模式,则暂将该小区该时段纳入符合条件的节能模式;某种节能模式下,其中某个阈值不满足,则循环判断下一节能模式,直至全部模式判断完成,判断为该时段不节能;
S603a:对基站或小区全天24小时完成S602a的判断流程后,再对基站某种节能模式的连续时间段进行判断是否满足生效时长param3,若大于等于param3,生成基站的节能模式和节能时间段;若小于param3,则再次重复S602a,进行权值相对较小节能模式判断;
S604a:对判断完成后,满足节能条件的时间段生成节能方案,不满足条件的时段的不节能。
一种装置,包含有O+B域数据+业务场景自适应识别的节能基站选择及节能模式选取***。
本发明的有益效果:
本发明根据输入的O域基站工参、历史性能数据、MR数据,核心网用户话单业务数据, B域用户开户数据,结合网络地图(测绘地图)。从智能识别业务场景,预测未来业务趋势;结合场景分级节能策略智能选取节能基站和智能选取节能模式,再到后续的节能任务自动调度执行,执行过程中的监控、后续的性能监控及能耗评估所有环节。实现基站节能的智能化及自动化。
本发明专利的基于机器学***均误差约0.02%~0.03%,节能任务初始准确率超过 93%。
附图说明
本发明可以通过附图给出的非限定性实施例进一步说明;
图1为本发明O+B域数据+业务场景自适应识别的节能基站选择及节能模式选取***实施例的结构示意图;
图2为本发明实施方案的全流程示意图;
图3为本发明实施方案中智能业务场景识别示意图;
图4为本发明实施方案中分级节能策略学习示意图;
图5为本发明智能节能策略方案判断流程示意图;
具体实施方式
为了使本领域的技术人员可以更好地理解本发明,下面结合附图和实施例对本发明技术方案进一步说明。
如图1所示,本发明的O+B域数据+业务场景自适应识别的节能基站选择及节能模式选取***,其特征在于:包括数据采集模块、业务趋势预测模块、业务场景识别模块、智能节能输出模块、节能方案调度执行模块、执行过程监控模块、性能监控模块、节能比例调节模块;
所述数据采集模块用于采集工参数据、测绘地图或网络地图、O域性能数据,MR数据、话单业务数据、B域用户套餐数据;
所述业务趋势预测模块根据基站利用率、用户数历史信息,使用AI算法模型、智能预测业务趋势。
如图2所示,一种O+B域数据+业务场景自适应识别的节能基站选择及节能模式选取***的方法,包括以下步骤:
S1:通过数据采集模块采集工参数据、测绘地图或网络地图,O域性能数据,MR数据,话单业务数据,B域用户套餐数据;
S2:业务趋势预测模块根据基站利用率、用户数历史信息,使用AI算法模型、智能预测业务趋势;
S3:业务场景识别模块通过基站工参及地图图层关联联合,得到典型覆盖特征基站库,通过MR覆盖关联度识别剩余基站覆盖场景,用户套餐及业务数据而成修改完成识别;
S4:智能节能输出模块综合策略的网络影响及节点效果,构建6级节能策略、学校得到分级阀值,并通过覆盖场景、用户价值得到旋转实施策略;
S5:节能方案调度执行模块对节能任务调度及自动下发执行;
S6:通过执行过程监控模块和性能监控模块执行监控,并建立场景分级节能策略模型,通过节能比例调节模块人工干预节能任务,并将策略模型经验回填调优小区属性及策略;
如图3所示,所述S3的具体操作步骤为,
S301:通过爬取地图图层(网络地图或者测绘图层)中覆盖典型地标的区域经纬度集,构建算法判断出基站工参信息中在位于典型覆盖区域内的第一批站点,打上其覆盖场景标签,构建出典型覆盖场景特征基站库;
S302:将S301中已标注地标区域内基站的覆盖标签,进一步对地标区域周边基站的覆盖场景进行判断,完成基站覆盖归集;
S303:在S302中已关联出剩余基站与典型覆盖场景基站的MR相关度,按照MR相关度大小排序,得出剩余基站的覆盖场景;引入核心网话单中基站或小区的业务类型,如基站下高比例为视频业务;B域用户套餐数据,如:基站下存在高等级VIP用户。评估基站或小区的用户价值性,对基站的覆盖和业务场景二次修正,识别出基站的业务场景,管理可纳入节能预测的基站。
所述S302中对地标区域周边基站的覆盖场景进行判断采用周边基站MR相关度与第一批典型覆盖特征库中基站的同覆盖性进行判断;其判断方法为:
相邻基站A和B,若A为典型覆盖特征库中基站、B为其周边基站,在MR的邻区覆盖信息采集中,获取A在作为B邻区时或者B在作为A邻区时的MR中的RSRP大于Y值的采样点数量,也可计算出A在作为B邻区时或者B在作为A邻区时该类采样点占所有邻区总MR采样点的比例,得出某个基站与多个典型业务覆盖场景基站一系列的MR相关度;计算公式如下:
其中邻区数量n,邻区电平门限Y可以根据实际进行配置调整。
如图4所示,所述S5的具体操作为:
S501a:配置一套节能分级管理策略参数初始值,并设定不同业务场景和节能模式的区间范围,初始值及区间最大最小值均可配置;
S502a:按照固定步长,对节能策略中的阈值,先由初始值从小到大学习,评估每一组节能策略的节能效果和网络性能效果变化,对节能效果及网络性能设置一定权重比例;
S503a:学习过程中,当连续3个步长阈值,节能效果和网络性能评估出现下降,则终止向上阈值学习,进入S504a;
S504a:继续按照固定步长,对节能策略中的阈值,再次由初始值从小到到进行学习,评估每一组节能策略的节能效果和网络性能效果变化,当连续3个步长阈值,节能效果和网络性能评估出现下降,则终止学习过程;
S505a:综合比较不同基站业务场景与节能模式下的节能效果及性能指标影响情况,选择最佳效果下的节能管理策略。
如图5所示,所述S6的具体操作为:
S601a:基站和小区全天24小时的业务预测结果后,由基站网络类型param1判断使用哪类网络的节能策略,然后根据前面判断的基站业务场景,选择使用那类场景的节能策略,再通过节能开关param2参数,选择可判断使用的节能模式;
S602a:对满足生效时段param4中的基站小时粒度业务数据,根据节能模式权值由大到小,判断PRB利用率、RRC用户数、补偿PRB利用率是否满足Thr1、Thr2和Thr3阈值,3个阈值均满足某种节能模式,则暂将该小区该时段纳入符合条件的节能模式;某种节能模式下,其中某个阈值不满足,则循环判断下一节能模式,直至全部模式判断完成,判断为该时段不节能;
S603a:对基站或小区全天24小时完成S602a的判断流程后,再对基站某种节能模式的连续时间段进行判断是否满足生效时长param3,若大于等于param3,生成基站的节能模式和节能时间段;若小于param3,则再次重复S602a,进行权值相对较小节能模式判断;
S604a:对判断完成后,满足节能条件的时间段生成节能方案,不满足条件的时段的不节能。
一种装置,包含有O+B域数据+业务场景自适应识别的节能基站选择及节能模式选取***。
本发明根据输入的O域基站工参、历史性能数据、MR数据,核心网用户话单业务数据, B域用户开户数据,结合网络地图(测绘地图)。从智能识别业务场景,预测未来业务趋势;结合场景分级节能策略智能选取节能基站和智能选取节能模式,再到后续的节能任务自动调度执行,执行过程中的监控、后续的性能监控及能耗评估所有环节。实现基站节能的智能化及自动化。
本发明专利的基于机器学***均误差约0.02%~0.03%,节能任务初始准确率超过 93%。
上述实施例仅示例性说明本发明的原理及其功效,而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下,对上述实施例进行修饰或改变。因此,凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变,仍应由本发明的权利要求所涵盖。
Claims (7)
1.O+B域数据+业务场景自适应识别的节能基站选择及节能模式选取***,其特征在于:包括数据采集模块、业务趋势预测模块、业务场景识别模块、智能节能输出模块、节能方案调度执行模块、执行过程监控模块、性能监控模块、节能比例调节模块;
所述数据采集模块用于采集工参数据、测绘地图或网络地图、O域性能数据,MR数据、话单业务数据、B域用户套餐数据;
所述业务趋势预测模块根据基站利用率、用户数历史信息,使用AI算法模型、智能预测业务趋势。
2.一种根据权利要求1所述的O+B域数据+业务场景自适应识别的节能基站选择及节能模式选取***的方法,其特征在于:包括以下步骤:
S1:通过数据采集模块采集工参数据、测绘地图或网络地图,O域性能数据,MR数据,话单业务数据,B域用户套餐数据;
S2:业务趋势预测模块根据基站利用率、用户数历史信息,使用AI算法模型、智能预测业务趋势;
S3:业务场景识别模块通过基站工参及地图图层关联联合,得到典型覆盖特征基站库,通过MR覆盖关联度识别剩余基站覆盖场景,用户套餐及业务数据而成修改完成识别;
S4:智能节能输出模块综合策略的网络影响及节点效果,构建6级节能策略、学校得到分级阀值,并通过覆盖场景、用户价值得到旋转实施策略;
S5:节能方案调度执行模块对节能任务调度及自动下发执行;
S6:通过执行过程监控模块和性能监控模块执行监控,并建立场景分级节能策略模型,通过节能比例调节模块人工干预节能任务,并将策略模型经验回填调优小区属性及策略;
3.根据权利要求2所述的方法,其特征在于:所述S3的具体操作步骤为,
S301:通过爬取地图图层(网络地图或者测绘图层)中覆盖典型地标的区域经纬度集,构建算法判断出基站工参信息中在位于典型覆盖区域内的第一批站点,打上其覆盖场景标签,构建出典型覆盖场景特征基站库;
S302:将S301中已标注地标区域内基站的覆盖标签,进一步对地标区域周边基站的覆盖场景进行判断,完成基站覆盖归集;
S303:在S302中已关联出剩余基站与典型覆盖场景基站的MR相关度,按照MR相关度大小排序,得出剩余基站的覆盖场景;引入核心网话单中基站或小区的业务类型,如基站下高比例为视频业务;B域用户套餐数据,如:基站下存在高等级VIP用户。评估基站或小区的用户价值性,对基站的覆盖和业务场景二次修正,识别出基站的业务场景,管理可纳入节能预测的基站。
5.根据权利要求2所述方法,其特征在于:所述S5的具体操作为:
S501a:配置一套节能分级管理策略参数初始值,并设定不同业务场景和节能模式的区间范围,初始值及区间最大最小值均可配置;
S502a:按照固定步长,对节能策略中的阈值,先由初始值从小到大学习,评估每一组节能策略的节能效果和网络性能效果变化,对节能效果及网络性能设置一定权重比例;
S503a:学习过程中,当连续3个步长阈值,节能效果和网络性能评估出现下降,则终止向上阈值学习,进入S504a;
S504a:继续按照固定步长,对节能策略中的阈值,再次由初始值从小到到进行学习,评估每一组节能策略的节能效果和网络性能效果变化,当连续3个步长阈值,节能效果和网络性能评估出现下降,则终止学习过程;
S505a:综合比较不同基站业务场景与节能模式下的节能效果及性能指标影响情况,选择最佳效果下的节能管理策略。
6.根据权利要求2所述方法,其特征在于:所述S6的具体操作为:
S601a:基站和小区全天24小时的业务预测结果后,由基站网络类型param1判断使用哪类网络的节能策略,然后根据前面判断的基站业务场景,选择使用那类场景的节能策略,再通过节能开关param2参数,选择可判断使用的节能模式;
S602a:对满足生效时段param4中的基站小时粒度业务数据,根据节能模式权值由大到小,判断PRB利用率、RRC用户数、补偿PRB利用率是否满足Thr1、Thr2和Thr3阈值,3个阈值均满足某种节能模式,则暂将该小区该时段纳入符合条件的节能模式;某种节能模式下,其中某个阈值不满足,则循环判断下一节能模式,直至全部模式判断完成,判断为该时段不节能;
S603a:对基站或小区全天24小时完成S602a的判断流程后,再对基站某种节能模式的连续时间段进行判断是否满足生效时长param3,若大于等于param3,生成基站的节能模式和节能时间段;若小于param3,则再次重复S602a,进行权值相对较小节能模式判断;
S604a:对判断完成后,满足节能条件的时间段生成节能方案,不满足条件的时段的不节能。
7.一种装置,其特征在于:包含有如权利要求1所述的O+B域数据+业务场景自适应识别的节能基站选择及节能模式选取***。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110424578.XA CN113141616B (zh) | 2021-04-20 | 2021-04-20 | O+b域数据+业务场景自适应识别的节能基站选择及节能模式选取的方法、装置和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110424578.XA CN113141616B (zh) | 2021-04-20 | 2021-04-20 | O+b域数据+业务场景自适应识别的节能基站选择及节能模式选取的方法、装置和*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113141616A true CN113141616A (zh) | 2021-07-20 |
CN113141616B CN113141616B (zh) | 2022-07-29 |
Family
ID=76813202
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110424578.XA Active CN113141616B (zh) | 2021-04-20 | 2021-04-20 | O+b域数据+业务场景自适应识别的节能基站选择及节能模式选取的方法、装置和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113141616B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115175288A (zh) * | 2022-07-20 | 2022-10-11 | 中国联合网络通信集团有限公司 | 节能策略的匹配方法、装置、设备及存储介质 |
CN115314909A (zh) * | 2022-10-09 | 2022-11-08 | 南通翁海电气有限公司 | 一种基于大数据的居民社区移动网络基站规划方法及*** |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101431790A (zh) * | 2007-11-09 | 2009-05-13 | 联想(北京)有限公司 | 一种中继网络中终端睡眠的控制方法和控制装置 |
CN104812035A (zh) * | 2015-05-12 | 2015-07-29 | 东南大学 | 一种自适应控制基站节能的方法 |
CN105357692A (zh) * | 2015-09-28 | 2016-02-24 | 北京拓明科技有限公司 | 一种多网协同的网络优化与节能方法和*** |
CN108200584A (zh) * | 2016-12-08 | 2018-06-22 | ***通信集团四川有限公司 | 一种待建wlan站点的筛选方法及装置 |
CN109886533A (zh) * | 2019-01-07 | 2019-06-14 | 中国联合网络通信集团有限公司 | 一种基站建设的分析方法及装置 |
CN109982366A (zh) * | 2017-12-28 | 2019-07-05 | ***通信集团河北有限公司 | 基于大数据的目标价值区域分析方法、装置、设备及介质 |
CN111355628A (zh) * | 2020-02-12 | 2020-06-30 | 深圳市博瑞得科技有限公司 | 一种模型训练方法、业务识别方法、装置和电子装置 |
WO2020215783A1 (zh) * | 2019-04-25 | 2020-10-29 | 华为技术有限公司 | 定位方法、装置及存储介质 |
CN112118617A (zh) * | 2020-09-02 | 2020-12-22 | 中国联合网络通信集团有限公司 | 基站节能方法、装置及存储介质 |
CN112367700A (zh) * | 2020-12-14 | 2021-02-12 | 中国联合网络通信集团有限公司 | 基站的节能控制方法、装置、电子设备及存储介质 |
CN112566226A (zh) * | 2020-12-16 | 2021-03-26 | 北京电信规划设计院有限公司 | 5g基站智能化节能方法 |
-
2021
- 2021-04-20 CN CN202110424578.XA patent/CN113141616B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101431790A (zh) * | 2007-11-09 | 2009-05-13 | 联想(北京)有限公司 | 一种中继网络中终端睡眠的控制方法和控制装置 |
CN104812035A (zh) * | 2015-05-12 | 2015-07-29 | 东南大学 | 一种自适应控制基站节能的方法 |
CN105357692A (zh) * | 2015-09-28 | 2016-02-24 | 北京拓明科技有限公司 | 一种多网协同的网络优化与节能方法和*** |
CN108200584A (zh) * | 2016-12-08 | 2018-06-22 | ***通信集团四川有限公司 | 一种待建wlan站点的筛选方法及装置 |
CN109982366A (zh) * | 2017-12-28 | 2019-07-05 | ***通信集团河北有限公司 | 基于大数据的目标价值区域分析方法、装置、设备及介质 |
CN109886533A (zh) * | 2019-01-07 | 2019-06-14 | 中国联合网络通信集团有限公司 | 一种基站建设的分析方法及装置 |
WO2020215783A1 (zh) * | 2019-04-25 | 2020-10-29 | 华为技术有限公司 | 定位方法、装置及存储介质 |
CN111355628A (zh) * | 2020-02-12 | 2020-06-30 | 深圳市博瑞得科技有限公司 | 一种模型训练方法、业务识别方法、装置和电子装置 |
CN112118617A (zh) * | 2020-09-02 | 2020-12-22 | 中国联合网络通信集团有限公司 | 基站节能方法、装置及存储介质 |
CN112367700A (zh) * | 2020-12-14 | 2021-02-12 | 中国联合网络通信集团有限公司 | 基站的节能控制方法、装置、电子设备及存储介质 |
CN112566226A (zh) * | 2020-12-16 | 2021-03-26 | 北京电信规划设计院有限公司 | 5g基站智能化节能方法 |
Non-Patent Citations (3)
Title |
---|
张乐: "5G+AI,智慧运营***关键能力研发与应用", 《中国无线电》 * |
易芝玲: "人工智能在5G无线网络中的标准与应用进展", 《信息通信技术与政策》 * |
赵茂伸 等: "5G与AI技术的合作发展方式及应用研究", 《电子测试》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115175288A (zh) * | 2022-07-20 | 2022-10-11 | 中国联合网络通信集团有限公司 | 节能策略的匹配方法、装置、设备及存储介质 |
CN115314909A (zh) * | 2022-10-09 | 2022-11-08 | 南通翁海电气有限公司 | 一种基于大数据的居民社区移动网络基站规划方法及*** |
CN115314909B (zh) * | 2022-10-09 | 2022-12-16 | 南通翁海电气有限公司 | 一种基于大数据的居民社区移动网络基站规划方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN113141616B (zh) | 2022-07-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113055903B (zh) | 用于基站的节能关断的方法、设备和介质 | |
WO2021209024A1 (zh) | 节能方法、基站、控制单元及存储介质 | |
Vallero et al. | Greener RAN operation through machine learning | |
CN101711032B (zh) | 对未知环境模型特性的认知无线电动态智能频谱接入方法 | |
CN113141616B (zh) | O+b域数据+业务场景自适应识别的节能基站选择及节能模式选取的方法、装置和*** | |
CN105636056A (zh) | 一种频谱资源自优化的节能方法、装置和*** | |
Zhu et al. | Joint traffic prediction and base station sleeping for energy saving in cellular networks | |
CN105472660A (zh) | 一种负载均衡方法、网络设备及*** | |
CN104822162B (zh) | 一种混合能源网络中的绿色基站分流方法及装置 | |
CN103929752B (zh) | 基站间动态协同覆盖方法 | |
CN113573340A (zh) | 基站小区的控制方法、装置、介质及电子设备 | |
Gao et al. | Machine learning based energy saving scheme in wireless access networks | |
WO2018184667A1 (en) | Apparatus and method for performing network optimization | |
CN114339971A (zh) | 基站节能控制方法、装置、存储介质及电子设备 | |
CN103139825A (zh) | 在lte***中进行边缘用户划分的方法、装置及其基站 | |
Gao et al. | Accurate load prediction algorithms assisted with machine learning for network traffic | |
Rumeng et al. | Intelligent energy saving solution of 5G base station based on artificial intelligence technologies | |
CN117412365A (zh) | 一种小区节能方法、***、设备及介质 | |
CN109660995B (zh) | 基于机器学习算法的WiFi***中AP智能节能控制方法及设备 | |
WO2023124469A1 (zh) | 设备节能方法、***、电子设备及存储介质 | |
WO2022257670A1 (zh) | 基站节能方法、基站节能***、基站及存储介质 | |
CN104754617A (zh) | 一种无线网络的优化方法及装置 | |
Wang et al. | A Base Station Sleeping Strategy in Heterogeneous Cellular Networks Based on User Traffic Prediction | |
Huang et al. | Mobile traffic offloading with forecasting using deep reinforcement learning | |
CN116341801A (zh) | 小区的节能控制方法及装置、电子设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |