CN113950134A - 基站的休眠预测方法、装置、设备和计算机可读存储介质 - Google Patents

基站的休眠预测方法、装置、设备和计算机可读存储介质 Download PDF

Info

Publication number
CN113950134A
CN113950134A CN202111224197.3A CN202111224197A CN113950134A CN 113950134 A CN113950134 A CN 113950134A CN 202111224197 A CN202111224197 A CN 202111224197A CN 113950134 A CN113950134 A CN 113950134A
Authority
CN
China
Prior art keywords
base station
power consumption
chromosome
total power
determining
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
Application number
CN202111224197.3A
Other languages
English (en)
Other versions
CN113950134B (zh
Inventor
霍明德
及莹
翁国栋
周国语
刘韧
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China United Network Communications Group Co Ltd
Original Assignee
China United Network Communications Group Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China United Network Communications Group Co Ltd filed Critical China United Network Communications Group Co Ltd
Priority to CN202111224197.3A priority Critical patent/CN113950134B/zh
Publication of CN113950134A publication Critical patent/CN113950134A/zh
Application granted granted Critical
Publication of CN113950134B publication Critical patent/CN113950134B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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

本发明提供一种基站的休眠预测方法、装置、设备和计算机可读存储介质，包括：获取待测基站的每个历史总功耗进行染色体编码得到每个历史总功耗对应的第一染色体；对各个第一染色体进行遗传迭代操作得到待测基站在预测时间段内最小总功耗；根据最小总功耗确定待测基站在预测时间段内的负载功耗以及基站能耗；在负载功耗满足第一预设条件且基站能耗满足第二预设条件时，确定待测基站可在预测时间段内进行休眠。本发明中，负载功耗表征5G基站为用户终端所消耗的能耗，基站能耗表征5G基站自身所消耗的能耗，结合5G基站自身能耗以及接入5G基站终端所消耗的能耗来确定5G基站是否可以进行休眠，使得本发明提供的节能技术具备通用性。

Description

基站的休眠预测方法、装置、设备和计算机可读存储介质
技术领域
本发明涉及基站休眠技术领域，尤其涉及一种基站的休眠预测方法、装置、设备和计算机可读存储介质。
背景技术
5G网络的部署与普及给人们生活与工作带来的各种好处，比如更高的速率、更宽的带宽、更低的延时，以及更高的连接密度，而忽略了如此高性能需要付出的代价。
例如，5G大带宽、高速率、低时延的通信优势而衍生的大量创新业务需要进行更多的数据处理，从而引发5G基站的电耗增长，5G基站的单站满载功率近3700W；另外5G基站采用比4G基站更多的天线，预示着5G基站需要更多的电力消耗，5G单站功耗是4G基站的2.5-3.5倍。又例如，空闲的5G基站承载的流量非常低，甚至没有流量，但也消耗大量功率：5GAAU(Active Antenna Unit，AAU有源天线单元)/RRU(Remote Radio Unit，射频拉远单元)空载平均功耗达633W，BBU(Building Base band Unit，室内基带处理单元)空载平均功耗近300W。因此，5G基站的节能减排是必须解决的问题。
目前，基站节能方法就是通过简单粗暴的判断流量的平均值来设置门限值，5G基站的流量小于门限值自动关闭5G基站的小区，5G基站的流量大于门限值就开启小区，这种方式过于简单粗暴，用户无法及时享受5G网络服务。因而这些节能技术只能够在人烟稀少区域的5G基站或者客户感知要求低的区域使用。也即现有的基站节能方法不具备通用性。
发明内容
本发明提供一种基站的休眠预测方法、装置、设备和计算机可读存储介质，用以解决现有的基站节能方法不具备通用性的问题。
一方面，本发明提供一种基站的休眠预测方法，包括：
获取待测基站的各个历史总功耗；
对每个所述历史总功耗进行染色体编码得到每个所述历史总功耗对应的第一染色体；
对各个所述第一染色体进行遗传迭代操作，得到所述待测基站在预测时间段内最小总功耗；
根据所述最小总功耗确定所述待测基站在所述预测时间段内的负载功耗以及基站能耗；
在所述负载功耗满足第一预设条件且所述基站能耗满足第二预设条件时，确定所述待测基站可在所述预测时间段内进行休眠。
可选地，所述对各个所述第一染色体进行遗传迭代操作，得到所述待测基站在预测时间段内最小总功耗的步骤包括：
确定每个所述第一染色体对应的第一适应度函数值；
根据各个所述第一适应度函数值确定各个所述第一染色体的选中概率，并将大于预设阈值的所述选中概率对应的第一染气体确定为目标染色体；
根据各个所述第一适应度函数值确定所述目标染色体的自适应交叉概率以及第一自适应变异概率；
根据各个所述自适应交叉概率对各个所述目标染色体进行交叉，且根据各个所述第一自适应变异概率对各个所述目标染色体进行变异，得到各个第二染色体；
确定各个所述第二染色体对应的第二适应度函数值；
在各个所述第二适应度函数值不满足迭代条件时，根据各个所述第二适应度函数值确定各个所述第二染色体第二自适应变异概率；
在各个所述第二自适应变异概率中确定最小自适应变异概率，并根据所述最小自适应变异概率确定所述待测基站在预设时间段内最小总功耗。
可选地，所述确定各个所述第二染色体对应的第二适应度函数值的步骤之后，还包括：
在各个所述第二适应度函数值满足迭代条件时，将各个所述第二染色体更新为第一染色体；
返回执行所述根据各个所述第一适应度函数值确定各个所述第一染色体的选中概率的步骤。
可选地，所述对各个所述第一染色体进行遗传迭代操作，得到所述待测基站在预测时间段内最小总功耗的步骤包括：
将各个所述第一染色体输入至预测模型，其中，所述预测模型用于对各个所述第一染色体进行遗传迭代操作；
将所述预测模型输出的数值作为所述待测基站在预测时间段内最小总功耗。
可选地，所述确定所述待测基站可在所述预测时间段内进行休眠的步骤之后，还包括：
在当前时间点处于所述预测时间段时，查询所述待测基站对应的各个5G小区的动态参数；
在各个所述动态参数均为正常参数，控制所述待测基站进行休眠。
可选地，所述控制所述待测基站进行休眠的步骤之后，还包括：
在检测到5G终端注册入网时，确定所述5G终端所处的目标5G小区，其中，所述待测基站处于休眠状态时，各个所述5G小区停止提供网络服务；
对所述目标5G小区的网络服务进行激活，以使所述5G终端注册入网成功。
可选地，所述对所述目标5G小区的网络服务进行激活的步骤之后，还包括：
在所述网络服务未激活成功时，获取所述网络服务的激活次数，其中，在所述网络服务未激活成功时，重复向所述目标5G小区发送激活指令；
在所述激活次数达到预设次数，向预设终端发送所述目标5G小区的维护请求。
另一方面，本发明还提供一种基站的休眠预测装置，包括：
获取模块，用于获取待测基站历史的各个历史总功耗；
编码模块，用于对每个所述历史总功耗进行染色体编码得到每个所述历史总功耗对应的第一染色体；
操作模块，用于对各个所述第一染色体进行遗传迭代操作，得到所述待测基站在预测时间段内最小总功耗；
确定模块，用于根据所述最小总功耗确定所述待测基站在所述预测时间段内的负载功耗以及基站能耗；
所述确定模块，还用于在所述负载功耗满足第一预设条件且所述基站能耗满足第二预设条件时，确定所述待测基站可在所述预测时间段内进行休眠。
另一方面，本发明还提供一种基站的休眠预测装置，包括：存储器以及处理器；
所述存储器存储计算机执行指令；
所述处理器执行所述存储器存储的计算机执行指令，使得所述处理器执行如上所述的基站的休眠预测方法。
另一方面，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现如上所述的基站的休眠预测方法。
本发明提供的基站的休眠预测方法、装置、设备和计算机可读存储介质，获取待测基站历史的各个历史总功耗，对各个历史总功耗进行染色体编码得到历史总功耗对应的第一染色体，并对各个第一染色体进行遗传迭代操作，得到待测基站在预测时间段内最小总功耗，再根据最小总功耗确定待测基站在预测时间段内负载功耗以及基站能耗，若负载功耗满足第一预设条件且基站能耗满足第二预设条件，即可确定待测基站可在预测时间段进行休眠。本发明中，负载功耗表征5G基站为用户终端所消耗的能耗，基站能耗则表征5G基站自身所消耗的能耗，本发明结合5G基站的自身能耗以及接入5G基站的终端所消耗的能耗来确定5G基站是否可以进行休眠，也即5G基站的节能减排考虑到用户享受5G网络服务的因素，使得本发明提供的节能技术也能够在用户数量较多区域的5G基站以及客户感知要求高的区域使用，本发明提供的节能技术具备通用性。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。
图1为本发明实现基站的休眠预测方法的***构架图；
图2为本发明基站的休眠预测方法第一实施例的流程示意图；
图3为本发明基站的休眠预测方法第二实施例中步骤S30的细化流程示意图；
图4为本发明基站的休眠预测方法第三实施例的流程示意图；
图5为本发明基站的休眠预测装置的模块示意图；
图6为本发明基站的休眠预测设备的硬件结构示意图。
通过上述附图，已示出本公开明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本公开构思的范围，而是通过参考特定实施例为本领域技术人员说明本公开的概念。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
本发明提供一种基站的休眠预测方法，可以通过图1所示的***构架图实现。如图1所示，基站100通信连接基站的休眠预测装置200。以用户和基站做为一对坐标(x，y)求解坐标对带入要求解的函数F(x,y)中。根据适者生存，定义使得函数值F(x,y)越大的(x,y)对越适合环境，从而这些适应环境的(x,y)对更有可能被保留下来，而那些不适应该环境的(x,y)则有很大几率被淘汰，保留下来的点经过繁殖产生新的点，如此进化下去最后留下的大部分点都是适应环境的点，即在最高点附近。如(x＝2.2，y＝0.8)、(x-1.6,y＝2.4)、(x＝2.1，y＝0.8),(x＝-1.5，y＝2.3)...(x＝2.2，y＝0.8),(x＝-1.5，y＝2.3)等就是求最大值问题的一个可能解，也就是遗传算法里的个体，通过此遗传算法获得该问题的一个个解，并且该解在计算机中被编码为一个向量表示(x,y)，这样的一组一组的可能解的集合就是求解的群体，对就基站而言，群体就是决定是否休眠的基站集。基于此原理，休眠预测装置200可以通过基站100的历史总功耗编码为染色体，从而对各个染色体进行遗传迭代操作，即可预测基站100在预测时间段是否可进行休眠。
下面以具体地实施例对本发明的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本发明的实施例进行描述。
参照图2，图2为本发明基站的休眠预测方法的第一实施例，基站的休眠预测方法包括以下步骤：
步骤S10，获取待测基站的各个历史总功耗。
在本实施例中，执行主体是基站的休眠预测装置，为了便于描述，以下采用装置指代基站的休眠预测装置。基站会记录自身在各个时间段的总功耗，该总功耗定义为历史总功耗，基站将各个历史总功耗发送至装置。装置对各个总功耗进行筛选，从而得到基站在预测时间段内的各个历史总功耗，例如，基站获取最近21天在0:00am-6:00am的各个历史总功耗。
步骤S20，对每个历史总功耗进行染色体编码得到每个历史总功耗对应的第一染色体。
在得到各个历史总功耗后，装置对各个历史总功耗进行染色变编码得到每个历史总功耗对应的染色体。在本实施例中，将历史总功耗对应的染色体定义为第一染色体。具体的，装置采用无符号的二进制对历史总功耗进行编码，例如，将某个历史总功耗编码为011101。
步骤S30，对各个第一染色体进行遗传迭代操作，得到待测基站在预测时间段内最小总功耗。
在得到各个第一染色体后，对各个染色体进行遗传迭代操作，从而得到待测基站在一车时间段的最小总功耗。
具体的，用轮盘赌策略确定每个第一染色体的适应度函数，从各个第一染色体选择适应度高(适应度函数大于预设阈值，染色体的适应度高)的第一染色体，适应度低第一染色体被淘汰，再按照交叉概率和交叉方法对选择的第一染色体进行交叉得到交叉染色体，同时也按照一定的变异概率和变异方法对选择的第一染色体进行变异得到变异染色体，变异染色体和交叉染色体为新一代的染色体，从而重新进行交叉以及变异，直至各各个染色体的适应度函数均不符合迭代条件，则停止遗传迭代。迭代条件例如为各个染色体的适应度函数均大于设定值。
在装置完成各个第一染色体的迭代遗传操作后，得到最新的各个目标染色体，装置对各个目标染色体进行解码得到待测基站在未来的预测时间段的各个预测总功耗。装置在各个预测总功耗中选取最小的预测总功耗，从而得到预测基站在预测时间段的最小总功耗。需要说明的是，装置获取的是各个历史总功耗所属的时间段即为预测时间段，例如，装置获取的是0:00am-1:00am，则预测时间段为0:00am-1:00am。
步骤S40，根据最小总功耗确定待测基站在预测时间段内的负载功耗以及基站能耗。
就基站而言，计算出基站群体最小的能耗和负载值是决定基站是否休眠，用户的收益函数Uu是用户的吞吐量函数，为了达到更快的传输速率；而基站的收益函数UBS就是目标函数，为了使整个***更加节能.具体公式为：
Uu＝Rb(x)＝wlb(1+SINRb(x))；
Figure BDA0003311892090000071
其中，UBS即为最小总功耗，βbφb为负载功耗，
Figure BDA0003311892090000072
是基站能耗，αb是常数。
吞吐量与负载功耗之间存在一定的关系，在确定Uu以及UBS的情况下，即可求出βbφb以及
Figure BDA0003311892090000073
也即装置可以得到负载功耗以及基站能耗。
步骤S50，在负载功耗满足第一预设条件且基站能耗满足第二预设条件时，确定待测基站可在预测时间段内进行休眠。
对于用户而言，最优策略满足
Figure BDA0003311892090000074
对于基站而言，最优策略满足
Figure BDA0003311892090000075
因此，装置基于b*得到第一预设条件，且基于b*以及k*得到第二预设条件。装置在得到待测基站的负载功耗以及基站能耗后，判断负载功耗是否满足第一预设条件，且判断基站能耗是否满足第二预设条件。若是负载功耗满足第一预设条件，且基站能耗满足第二预设条件，即可确定待测基站在预测时间段可进行休眠。
此外，第一预设条件还可以是负载功耗小于预设功耗且基站能耗小于预设能耗，也即置在得到待测基站的负载功耗以及基站能耗后，判断负载功耗是否小于预设功耗，且判断基站能耗是否小于预设能耗。若是负载功耗小于预设功耗，且基站能耗小于预设能耗，即可确定待测基站在预测时间段可进行休眠。
在本实施例提供的技术方案中，获取待测基站历史的各个历史总功耗，对各个历史总功耗进行染色体编码得到历史总功耗对应的第一染色体，并对各个第一染色体进行遗传迭代操作，得到待测基站在预测时间段内最小总功耗，再根据最小总功耗确定待测基站在预测时间段内负载功耗以及基站能耗，若负载功耗满足第一预设条件且基站能耗满足第二预设条件，即可确定待测基站可在预测时间段进行休眠。本发明中，负载功耗表征5G基站为用户终端所消耗的能耗，基站能耗则表征5G基站自身所消耗的能耗，本发明结合5G基站的自身能耗以及接入5G基站的终端所消耗的能耗来确定5G基站是否可以进行休眠，也即5G基站的节能减排考虑到用户享受5G网络服务的因素，使得本发明提供的节能技术也能够在用户数量较多区域的5G基站以及客户感知要求高的区域使用，本发明提供的节能技术具备通用性。
参照图3，图3为本发明基站的休眠预测方法第二实施例，基于第一实施例，步骤S30包括：
步骤S31，确定每个第一染色体对应的第一适应度函数值。
步骤S32，根据各个第一适应度函数值确定各个第一染色体的选中概率，并将大于预设阈值的选中概率对应的第一染气体确定为目标染色体。
步骤S33，根据各个第一适应度函数值确定目标染色体的自适应交叉概率以及第一自适应变异概率。
步骤S34，根据各个自适应交叉概率对各个目标染色体进行交叉，且根据各个第一自适应变异概率对各个目标染色体进行变异，得到各个第二染色体。
步骤S35，确定各个第二染色体对应的第二适应度函数值。
步骤S36，在各个第二适应度函数值不满足迭代条件时，根据各个第二适应度函数值确定各个第二染色体第二自适应变异概率。
步骤S37，在各个第二自适应变异概率中确定最小自适应变异概率，并根据最小自适应变异概率确定待测基站在预设时间段内最小总功耗。
在本实施例中，目标函数值U(x)最小值为所求值，U(x)为最小总功耗，也就是基站的能耗
Figure BDA0003311892090000091
和负载βbφb最小值。因此其目标函数变换为染色体的适应度函数Fit(f(x)为：
Figure BDA0003311892090000092
式中Fit(f(x))为适应度函数，Cmax表示截止当前进化度所产生的U(x)的最小值，Cmax随着进化度的变化而变化。装置确定每个第一染色体的第一适应度函数Fit(f(x))。
例如，第一染色体f(x1)＝13(011010)、f(x2)＝3(111110)，则Fit(f(x1))＝132＝169，Fit(f(x2))＝32＝9，其中，f(x1)＝13(011010)中的13表示历史总功耗所对应的参数的数量，也即N种参数使得待测基站产生的总功耗为历史总功耗。
装置通过适应度函数所计算得到群体需要通过选择或复制那些群体中适应度值高的个体作为父代的基因遗传到下一代，而适应度值低的个体则被淘汰。因此，装置需要在各个第一染色体中确定目标染色体。具体的，染色体的适应度函数(适应度函数值)与选中概率之间的映射关系为：
Figure BDA0003311892090000093
pi是个体(第一染色体)i被选中的概率，U(xi)是染色体的适应度函数，xi表示染色体。
装置将每个第一染色体的第一适应度函数值除以各个第一适应度函数值之和即可得到每个第一染色体的选中概率。装置将大于预设阈值的选中概率对应的第一染气体确定为目标染色体。
交叉概率是影响遗传算法性能的关键所在，对遗传算法的收敛性产生直接的影响。交叉概率越大，染色体产生交叉的速度越快，则其产生新的个体的速度也越快。因此在计算过程中交叉概率会随着适应度函数值的不同而自动调整，其表达式为：
Figure BDA0003311892090000094
pc为自适应交叉概率；fmax为群体中个体为最大的适应度函数值；favg为每代群体的平均适应度函数值；f为产生交叉的两个个体其中一个个体为较大的适应度函数值；K1、K2为区间为(0,1)的常数。、装置通过上述公式即可确定每个目标染色体的自适应交叉概率。装置基于交叉概率对各个目标染色体进行交叉。
此外，装置还需各个目标染色体还需要进行变异。具体的，变异算子操作是模仿自然基因在遗传过程中发生基因突变现象,其自适应变异概率为：
Figure BDA0003311892090000101
pm为自适应变异概率；K3、K4为区间(0,1)的常数。装置基于pm的公式即可确定每个目标染色体的第一自适应变异概率。装置根据各个第一自适应变异概对染色体进行变异，变异以及交叉得到的染色体定义为第二染色体。
装置再计算各个第二染色体的第二适应度函数值，若是各个第二适应度函数值不满足迭代条件时，装置再通过各个第二适应度函数值计算每个第二染色体的第二自适应变异概率，在各个第二自适应变异概率中确定最小的pm即可确定U(x)，从而确定能耗
Figure BDA0003311892090000102
和负载βbφb。迭代条件例如为至少存在一个自适应变异概率小于预设概率。
在各个第二适应度函数值满足迭代条件，装置将各个第二染色体更新为第一染色体进行遗传迭代，且返回执行根据各个第一适应度函数值确定各个第一染色体的选中概率的步骤，也即对各个更新的第一染色体进行迭代。
在本实施例提供的技术方案中，装置基于遗传迭代操作对各个第一染色体进行遗传迭代操作，从而准确的预测待测基站在预测时间段内的最小总功耗。
在一实施例中，步骤S30包括：
将各个第一染色体输入至预测模型，其中，预测模型用于对各个第一染色体进行遗传迭代操作；
将预测模型输出的数值作为待测基站在预测时间段内最小总功耗。
在本实施例中，装置中存储有预测模型。装置将各个染色体输入至预测模型，预测模型用于对各个第一染色体进行遗传迭代操作。预测模型输出的数值即可作为待测基站在预测时间段内的最小总功耗。
在采用预测模型进行预测时，需要训练得到预测模型。具体的，装置获取训练数据集，将训练数据集中的各个训练数据按3:1的比例分为模型训练集和测试集，再采用模型训练集中的训练数据以及上述实施例描述的遗传迭代对模型进行训练，训练完毕后，采用测试集中的训练数据对模型进行测试，若是测试结果达到预设准确率如95％以上时，训练的模型可用，也即该模型为预测模型。若是未达到预设准确率，则获取新的训练数据进行训练。需要说明的是，随着数据集的增加，后续不断通过遗传迭代优化训练模型，使得预测模型的预测准确率更接近99％。
参照图4，图4为本发明基站的休眠预测方法第三实施例，基于第一或第二实施例，步骤S50之后，还包括：
步骤S60，在当前时间达到预测时间段时，查询待测基站对应的各个5G小区的动态参数。
步骤S70，在各个动态参数均为正常参数，控制待测基站进行休眠。
在本实施例中，装置在预测到基站在预测时间段内可进行休眠，且当前时间点处于预测时间段时，需要先查询待测基站的各个5G小区的动态参数。具体的，装置查询先查询待测基站的NR DU小区(5G小区)状态，若NR DU小区的状态是无参数，再查询待测基站下的所有NR DU小区的动态参数，若是各个NR DU小区的动态参数均正常，也即动态参数均是正常参数时，即可控制待测基站进行休眠，也即将待测基站的各个5G小区关闭。此外，在当前时间点处于预测时间段时，装置先检测待测基站是否存在故障告警，若是不存在故障告警则控制待测基站进行休眠，若存在，则待测基站不能进行休眠，待测基站需要将故障告警所对应的故障解决后才能进入休眠。
由于用户使用无线网络是随机性的、移动型的，在空闲时间短关闭小区，在5G用户新移动进入本区域时需要及时检查打开深度休眠小区提供5G网络服务。在待测基站进行休眠时，待测基站不间断扫描基站名字、站号、用户类型(4G/5G)和数据更新时间，如监测到最后的数据更新时间与当前时间小于2分钟，即可确定5G终端进行了注册入网。由于待测基站处于休眠状态，各个5G小区停止提供网络服务，因此装置需要确定5G终端所处的目标5G小区，再对目标5G小区的网络服务进行激活，使得5G终端注册入网成功，而避免其他的5G小区开启网络服务。目标5G小区的激活方式可以是输入ACT NRDUCEL。
在对目标5G基站进行激活操作(输入ACT NRDUCEL或发送激活指令)后，网络服务可能并未激活，此时，装置需要重复向目标5G小区发送激活指令。在网络服务未激活，装置获取网络服务的激活次数，激活次数表征网络服务并未激活的次数。装置中存储有预设次数，若是激活次数达到预设次数，则向预设终端发送目标5G小区的维护请求，也即向维护人员发送维修工单。
在本实施例提供的技术方案中，在当前时间点处于预测时间段时，查询待测基站对应的各个5G小区的动态参数，若是动态参数是正常参数，即可控制待测基站进行休眠，避免基站进入休眠导致5G小区的故障未被发现以及维护。
本发明还提供一种基站的休眠预测装置，参照图5，基站的休眠预测装置500包括：
获取模块510，用于获取待测基站的各个历史总功耗；
编码模块520，用于对每个历史总功耗进行染色体编码得到每个历史总功耗对应的第一染色体；
操作模块530，用于对各个第一染色体进行遗传迭代操作，得到待测基站在预测时间段内最小总功耗；
确定模块540，用于根据最小总功耗确定待测基站在预测时间段内的负载功耗以及基站能耗；
确定模块540，用于在负载功耗满足第一预设条件且基站能耗满足第二预设条件时，确定待测基站可在预测时间段内进行休眠。
在一实施例中，基站的休眠预测装置500包括：
确定模块540，用于确定每个第一染色体对应的第一适应度函数值；
确定模块540，用于根据各个第一适应度函数值确定各个第一染色体的选中概率，并将大于预设阈值的选中概率对应的第一染气体确定为目标染色体；
确定模块540，用于根据各个第一适应度函数值确定目标染色体的自适应交叉概率以及第一自适应变异概率；
操作模块530，用于根据各个自适应交叉概率对各个目标染色体进行交叉，且根据各个第一自适应变异概率对各个目标染色体进行变异，得到各个第二染色体；
确定模块540，用于确定各个第二染色体对应的第二适应度函数值；
确定模块540，用于在各个第二适应度函数值不满足迭代条件时，根据各个第二适应度函数值确定各个第二染色体第二自适应变异概率；
确定模块540，用于在各个第二自适应变异概率中确定最小自适应变异概率，并根据最小自适应变异概率确定待测基站在预设时间段内最小总功耗。
在一实施例中，基站的休眠预测装置500包括：
更新模块，用于在各个第二适应度函数值满足迭代条件时，将各个第二染色体更新为第一染色体；
执行模块，用于返回执行根据各个第一适应度函数值确定各个第一染色体的选中概率的步骤。
在一实施例中，基站的休眠预测装置500包括：
输入模块，用于将各个第一染色体输入至预测模型，其中，预测模型用于对各个第一染色体进行遗传迭代操作；
确定模块540，用于将预测模型输出的数值作为待测基站在预测时间段内最小总功耗。
在一实施例中，基站的休眠预测装置500包括：
查询模块，用于在当前时间点处于预测时间段时，查询待测基站对应的各个5G小区的动态参数；
控制模块，用于在各个动态参数均为正常参数，控制待测基站进行休眠。
在一实施例中，基站的休眠预测装置500包括：
确定模块540，用于在检测到5G终端注册入网时，确定5G终端所处的目标5G小区，其中，待测基站处于休眠状态时，各个5G小区停止提供网络服务；
激活模块，用于对目标5G小区的网络服务进行激活，以使5G终端注册入网成功。
在一实施例中，基站的休眠预测装置500包括：
获取模块510，用于在网络服务未激活成功时，获取网络服务的激活次数，其中，在网络服务未激活成功时，重复向目标5G小区发送激活指令；
发送模块，用于在激活次数达到预设次数，向预设终端发送目标5G小区的维护请求。
图6是根据一示例性实施例示出的一种基站的休眠预测设备的硬件结构图。
基站的休眠预测设备600可以包括：处理601，例如CPU，存储器602以及收发器603。本领域技术人员可以理解，图6中示出的结构并不构成对基站的休眠预测设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。存储器602可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。
处理器601可以调用存储器602内存储的计算机程序，以完成上述的基站的休眠预测方法的全部或部分步骤。
收发器603用于接收外部设备发送的信息以及向外部设备发送信息。
一种非临时性计算机可读存储介质，当该存储介质中的指令由基站的休眠预测设备的处理器执行时，使得基站的休眠预测设备能够执行上述基站的休眠预测方法。
一种计算机程序产品，包括计算机程序，当该计算机程序由基站的休眠预测设备的处理器执行时，使得基站的休眠预测设备能够执行上述基站的休眠预测方法。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本发明旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求书指出。
应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求书来限制。

Claims (10)

1.一种基站的休眠预测方法，其特征在于，包括：
获取待测基站的各个历史总功耗；
对每个所述历史总功耗进行染色体编码得到每个所述历史总功耗对应的第一染色体；
对各个所述第一染色体进行遗传迭代操作，得到所述待测基站在预测时间段内最小总功耗；
根据所述最小总功耗确定所述待测基站在所述预测时间段内的负载功耗以及基站能耗；
在所述负载功耗满足第一预设条件且所述基站能耗满足第二预设条件时，确定所述待测基站可在所述预测时间段内进行休眠。
2.根据权利要求1所述的基站的休眠预测方法，其特征在于，所述对各个所述第一染色体进行遗传迭代操作，得到所述待测基站在预测时间段内最小总功耗的步骤包括：
确定每个所述第一染色体对应的第一适应度函数值；
根据各个所述第一适应度函数值确定各个所述第一染色体的选中概率，并将大于预设阈值的所述选中概率对应的第一染气体确定为目标染色体；
根据各个所述第一适应度函数值确定所述目标染色体的自适应交叉概率以及第一自适应变异概率；
根据各个所述自适应交叉概率对各个所述目标染色体进行交叉，且根据各个所述第一自适应变异概率对各个所述目标染色体进行变异，得到各个第二染色体；
确定各个所述第二染色体对应的第二适应度函数值；
在各个所述第二适应度函数值不满足迭代条件时，根据各个所述第二适应度函数值确定各个所述第二染色体第二自适应变异概率；
在各个所述第二自适应变异概率中确定最小自适应变异概率，并根据所述最小自适应变异概率确定所述待测基站在预设时间段内最小总功耗。
3.根据权利要求2所述的基站的休眠预测方法，其特征在于，所述确定各个所述第二染色体对应的第二适应度函数值的步骤之后，还包括：
在各个所述第二适应度函数值满足迭代条件时，将各个所述第二染色体更新为第一染色体；
返回执行所述根据各个所述第一适应度函数值确定各个所述第一染色体的选中概率的步骤。
4.根据权利要求1所述的基站的休眠预测方法，其特征在于，所述对各个所述第一染色体进行遗传迭代操作，得到所述待测基站在预测时间段内最小总功耗的步骤包括：
将各个所述第一染色体输入至预测模型，其中，所述预测模型用于对各个所述第一染色体进行遗传迭代操作；
将所述预测模型输出的数值作为所述待测基站在预测时间段内最小总功耗。
5.根据权利要求1所述的基站的休眠预测方法，其特征在于，所述确定所述待测基站可在所述预测时间段内进行休眠的步骤之后，还包括：
在当前时间点处于所述预测时间段时，查询所述待测基站对应的各个5G小区的动态参数；
在各个所述动态参数均为正常参数，控制所述待测基站进行休眠。
6.根据权利要求5所述的基站的休眠预测方法，其特征在于，所述控制所述待测基站进行休眠的步骤之后，还包括：
在检测到5G终端注册入网时，确定所述5G终端所处的目标5G小区，其中，所述待测基站处于休眠状态时，各个所述5G小区停止提供网络服务；
对所述目标5G小区的网络服务进行激活，以使所述5G终端注册入网成功。
7.根据权利要求6所述的基站的休眠预测方法，其特征在于，所述对所述目标5G小区的网络服务进行激活的步骤之后，还包括：
在所述网络服务未激活成功时，获取所述网络服务的激活次数，其中，在所述网络服务未激活成功时，重复向所述目标5G小区发送激活指令；
在所述激活次数达到预设次数，向预设终端发送所述目标5G小区的维护请求。
8.一种基站的休眠预测装置，其特征在于，包括：
获取模块，用于获取待测基站历史的各个历史总功耗；
编码模块，用于对每个所述历史总功耗进行染色体编码得到每个所述历史总功耗对应的第一染色体；
操作模块，用于对各个所述第一染色体进行遗传迭代操作，得到所述待测基站在预测时间段内最小总功耗；
确定模块，用于根据所述最小总功耗确定所述待测基站在所述预测时间段内的负载功耗以及基站能耗；
所述确定模块，还用于在所述负载功耗满足第一预设条件且所述基站能耗满足第二预设条件时，确定所述待测基站可在所述预测时间段内进行休眠。
9.一种基站的休眠预测装置，其特征在于，包括：存储器以及处理器；
所述存储器存储计算机执行指令；
所述处理器执行所述存储器存储的计算机执行指令，使得所述处理器执行如权利要求1至7任一项所述的基站的休眠预测方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现如权利要求1至7任一项所述的基站的休眠预测方法。
CN202111224197.3A 2021-10-20 2021-10-20 基站的休眠预测方法、装置、设备和计算机可读存储介质 Active CN113950134B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111224197.3A CN113950134B (zh) 2021-10-20 2021-10-20 基站的休眠预测方法、装置、设备和计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111224197.3A CN113950134B (zh) 2021-10-20 2021-10-20 基站的休眠预测方法、装置、设备和计算机可读存储介质

Publications (2)

Publication Number Publication Date
CN113950134A true CN113950134A (zh) 2022-01-18
CN113950134B CN113950134B (zh) 2023-07-25

Family

ID=79331926

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111224197.3A Active CN113950134B (zh) 2021-10-20 2021-10-20 基站的休眠预测方法、装置、设备和计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN113950134B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114828042A (zh) * 2022-04-07 2022-07-29 中国联合网络通信集团有限公司 基站***控制方法、装置、设备、基站***及存储介质
CN115426030A (zh) * 2022-09-06 2022-12-02 广州爱浦路网络技术有限公司 一种基于大数据的卫星节能方法和卫星节能装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102892188A (zh) * 2012-10-09 2013-01-23 中兴通讯股份有限公司 通信网络中基于遗传算法的上行功率控制方法及装置
US20160255581A1 (en) * 2015-02-27 2016-09-01 Huawei Technologies Canada Co., Ltd. System and Method for User Terminal-Aware Cell Switch-Off
CN106413057A (zh) * 2016-10-09 2017-02-15 北京邮电大学 一种基于sdwn架构的无线接入网能耗优化方法
CN107493584A (zh) * 2017-07-31 2017-12-19 清华大学 一种确定基站休眠方案的方法和装置
CN108848520A (zh) * 2018-05-28 2018-11-20 西安交通大学 一种基于流量预测与基站状态的基站休眠方法
CN112822747A (zh) * 2021-03-02 2021-05-18 吉林大学 一种无线传感网中基于遗传算法和蚁群算法的路由选择策略

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102892188A (zh) * 2012-10-09 2013-01-23 中兴通讯股份有限公司 通信网络中基于遗传算法的上行功率控制方法及装置
US20160255581A1 (en) * 2015-02-27 2016-09-01 Huawei Technologies Canada Co., Ltd. System and Method for User Terminal-Aware Cell Switch-Off
CN106413057A (zh) * 2016-10-09 2017-02-15 北京邮电大学 一种基于sdwn架构的无线接入网能耗优化方法
CN107493584A (zh) * 2017-07-31 2017-12-19 清华大学 一种确定基站休眠方案的方法和装置
CN108848520A (zh) * 2018-05-28 2018-11-20 西安交通大学 一种基于流量预测与基站状态的基站休眠方法
CN112822747A (zh) * 2021-03-02 2021-05-18 吉林大学 一种无线传感网中基于遗传算法和蚁群算法的路由选择策略

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
刘奕;: "5G网络技术对提升4G网络性能的研究", 数码世界, no. 04 *
谷静;刘亚茜;张新;王倩玉;: "异构网络中基于功率控制的能效优化算法", no. 10 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114828042A (zh) * 2022-04-07 2022-07-29 中国联合网络通信集团有限公司 基站***控制方法、装置、设备、基站***及存储介质
CN115426030A (zh) * 2022-09-06 2022-12-02 广州爱浦路网络技术有限公司 一种基于大数据的卫星节能方法和卫星节能装置
CN115426030B (zh) * 2022-09-06 2023-05-05 广州爱浦路网络技术有限公司 一种基于大数据的卫星节能方法和卫星节能装置

Also Published As

Publication number Publication date
CN113950134B (zh) 2023-07-25

Similar Documents

Publication Publication Date Title
Zhao et al. Deep reinforcement learning for user association and resource allocation in heterogeneous cellular networks
Zhang et al. Energy-efficient mode selection and resource allocation for D2D-enabled heterogeneous networks: A deep reinforcement learning approach
US10405219B2 (en) Network reconfiguration using genetic algorithm-based predictive models
CN111585816B (zh) 一种基于自适应遗传算法的任务卸载决策方法
CN113950134B (zh) 基站的休眠预测方法、装置、设备和计算机可读存储介质
CN111641681A (zh) 基于边缘计算和深度强化学习的物联网服务卸载决策方法
Gao et al. Reinforcement learning based cooperative coded caching under dynamic popularities in ultra-dense networks
CN109413710B (zh) 基于遗传算法优化的无线传感器网络的分簇方法及装置
Alsuhli et al. Mobility load management in cellular networks: A deep reinforcement learning approach
WO2021083230A1 (zh) 功率调节方法和接入网设备
Zhu et al. Computing offloading strategy using improved genetic algorithm in mobile edge computing system
Wang et al. Dense femtocell networks power self‐optimization: an exact potential game approach
Liu et al. Resource management of heterogeneous cellular networks with hybrid energy supplies: A multi-objective optimization approach
Shodamola et al. A machine learning based framework for KPI maximization in emerging networks using mobility parameters
Lee et al. Affinity propagation for energy-efficient BS operations in green cellular networks
CN106358300A (zh) 一种微蜂窝网络中的分布式资源分配方法
CN105407520B (zh) 一种集中式基站休眠决策方法及休眠***
Gao et al. Accurate load prediction algorithms assisted with machine learning for network traffic
CN106954268A (zh) 一种sdn架构下接入网资源分配方法
CN107995034B (zh) 一种密集蜂窝网络能量与业务协作方法
Wang et al. Evolutionary game based heterogeneous wireless network selection with multiple traffics in 5G
Li et al. Qos-aware mobile service optimization in multi-access mobile edge computing environments
Li et al. Joint AP coverage adjustment and user association optimization for load balancing in multi-rate WLANs
CN105792378B (zh) 基于无线异构网络的虚拟资源多目标映射方法
CN112584386A (zh) 5g c-ran资源预测和分配方法及***

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