CN115038148A - 节能门限确定方法、装置、设备及存储介质 - Google Patents
节能门限确定方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN115038148A CN115038148A CN202110209109.6A CN202110209109A CN115038148A CN 115038148 A CN115038148 A CN 115038148A CN 202110209109 A CN202110209109 A CN 202110209109A CN 115038148 A CN115038148 A CN 115038148A
- Authority
- CN
- China
- Prior art keywords
- data
- cell
- energy
- scene
- state
- 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
- 238000000034 method Methods 0.000 title claims abstract description 43
- 230000015654 memory Effects 0.000 claims description 29
- 238000012549 training Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 12
- 238000005457 optimization Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 7
- 238000010845 search algorithm Methods 0.000 claims description 4
- 230000006403 short-term memory Effects 0.000 claims description 4
- 230000007787 long-term memory Effects 0.000 claims description 3
- 230000008859 change Effects 0.000 abstract description 9
- 230000000694 effects Effects 0.000 abstract description 7
- 230000006870 function Effects 0.000 description 7
- 238000005192 partition Methods 0.000 description 6
- 230000001360 synchronised effect Effects 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 238000011217 control strategy Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 230000009849 deactivation Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 238000003064 k means clustering Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000002542 deteriorative effect Effects 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/147—Network analysis or design for predicting network behaviour
-
- 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)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Design And Manufacture Of Integrated Circuits (AREA)
Abstract
本申请公开了一种节能门限确定方法、装置、设备及存储介质。该方法包括:获取目标小区当前设定时长的特征数据;基于当前设定时长的特征数据,预测下一设定时长的特征数据;基于预测的特征数据和预先构建的小区状态库,确定目标小区在下一设定时长对应的场景状态;基于场景状态和预先构建的节能门限库,确定目标小区在下一设定时长对应的目标节能门限;其中,小区状态库包括基于小区的工程参数和历史的用户分布确定的相应场景状态,场景状态能够指示小区对应空间维度分类的第一结果和在空间维度分类的基础上基于时间维度继续分类的第二结果。本申请实施例确定的目标节能门限能够适应目标小区基于时间维度上的用户分布的变化,节能效果更佳。
Description
技术领域
本申请涉及无线通信,尤其涉及一种节能门限确定方法、装置、设备及存储介质。
背景技术
就无线通信网络而言,相关的节能技术包括:小区关断、载波关断、通道关断以及符号关断。其原理是在网络负荷比较轻时,关闭部分无线资源,利用剩余资源提供服务,以达到节能的目的。
节能的方案主要包含两个基本过程:节能激活和节能去激活,其中,节能激活是指:通过关闭小区或限制使用部分物理资源达到节省能源的目的,相应的基站进入节能状态;节能去激活是指:开启被关闭的小区或恢复被限制的物理资源的使用,来满足增长的业务需求和QoS(Quality of Service,业务质量)需求,相应的基站从节能状态恢复至正常状态。
相关技术中,小区是否进入节能状态往往是根据预先设定的节能参数值(即节能门限)确定的。但是,预先设定的节能参数值是根据指定的场景来确定,需要人工针对不同的网络场景进行分析,然后进行节能参数值的设定,人力成本较高。此外,小区的具体场景会发生变化,易造成预先设定的节能参数值配置不合理,精确度低等问题,从而使基站节能效果降低,不能满足动态的环境变化和节能需求。
发明内容
有鉴于此,本申请实施例提供了一种节能门限确定方法、装置、设备及存储介质,旨在优化基站的节能效果。
本申请实施例的技术方案是这样实现的:
本申请实施例提供了一种节能门限确定方法,包括:
获取目标小区当前设定时长的特征数据,所述特征数据用于指示所述目标小区的用户分布;
基于所述当前设定时长的特征数据,预测下一设定时长的特征数据;
基于预测的所述特征数据和预先构建的小区状态库,确定所述目标小区在所述下一设定时长对应的场景状态;
基于所述场景状态和预先构建的节能门限库,确定所述目标小区在所述下一设定时长对应的目标节能门限;
其中,所述小区状态库包括基于小区的工程参数和历史的用户分布确定的相应场景状态,所述场景状态能够指示小区对应空间维度分类的第一结果和在所述空间维度分类的基础上基于时间维度继续分类的第二结果,所述节能门限库包括基于所述小区状态库中各场景状态下历史的工作参数确定的相应节能门限。
本申请实施例还提供了一种节能门限确定装置,包括:
获取模块,用于获取目标小区当前设定时长的特征数据,所述特征数据用于指示所述目标小区的用户分布;
预测模块,用于基于所述当前设定时长的特征数据,预测下一设定时长的特征数据;
第一确定模块,用于基于预测的所述特征数据和预先构建的小区状态库,确定所述目标小区在所述下一设定时长对应的场景状态;
第二确定模块,用于基于所述场景状态和预先构建的节能门限库,确定所述目标小区在所述下一设定时长对应的目标节能门限;
其中,所述小区状态库包括基于小区的工程参数和历史的用户分布确定的相应场景状态,所述场景状态能够指示小区对应空间维度分类的第一结果和在所述空间维度分类的基础上基于时间维度继续分类的第二结果,所述节能门限库包括基于所述小区状态库中各场景状态下历史的工作参数确定的相应节能门限。
本申请实施例又提供了一种节能门限确定设备,包括:处理器和用于存储能够在处理器上运行的计算机程序的存储器,其中,所述处理器,用于运行计算机程序时,执行本申请实施例所述方法的步骤。
本申请实施例还提供了一种存储介质,所述存储介质上存储有计算机程序,所述计算机程序被处理器执行时,实现本申请实施例所述方法的步骤。
本申请实施例提供的技术方案,基于目标小区当前设定时长的特征数据,预测下一设定时长的特征数据,并基于预测的特征数据和预先构建的小区状态库,确定目标小区在下一设定时长对应的场景状态,该场景状态能够指示小区对应空间维度分类的第一结果和在空间维度分类的基础上基于时间维度继续分类的第二结果,从而使得预测的目标小区的场景状态为在空间维度和时间维度上的分类结果;再基于场景状态和预先构建的节能门限库确定目标小区在下一设定时长对应的目标节能门限,使得确定的目标节能门限能够适应目标小区基于时间维度上的用户分布的变化,进而可以基于用户分布的变化更改节能控制策略,节能效果更佳。
附图说明
图1为本申请实施例节能门限确定方法的流程示意图;
图2为本申请应用示例门限确定方法的流程示意图;
图3为本申请实施例节能门限确定装置的结构示意图;
图4为本申请实施例节能门限确定设备的结构示意图。
具体实施方式
下面结合附图及实施例对本申请再作进一步详细的描述。
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中在本申请的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本申请。
相关技术中,小区的节能状态往往是根据预先设定的节能参数值确定的,预先设定的节能参数配置往往仅基于小区在空间维度上的场景分类(比如,医院、工厂、学校等场景)来设置,场景分类的粒度较粗,导致节能参数值的配置精度较低,且无法适应动态的环境变化,导致节能效果有限。
基于此,本申请各种实施例中,提供一种基于小区在时间和空间两个维度上的分类结果对小区的节能门限进行个性化配置的方法,使得确定的节能门限不仅适应小区在空间维度上的场景分类需求,还能够适应基于时间维度上的用户分布的变化,进而可以基于用户分布的变化更改节能控制策略,节能效果更佳。
本申请实施例提供了一种节能门限确定方法,该节能门限确定方法可以应用于基站,亦可以应用于与基站通信连接的网络设备(比如,节能运维平台)上,本申请对此不做具体限定。如图1所示,该节能门限确定方法包括:
步骤101,获取目标小区当前设定时长的特征数据,所述特征数据用于指示所述目标小区的用户分布。
步骤102,基于所述当前设定时长的特征数据,预测下一设定时长的特征数据。
步骤103,基于预测的所述特征数据和预先构建的小区状态库,确定所述目标小区在所述下一设定时长对应的场景状态。
步骤104,基于所述场景状态和预先构建的节能门限库,确定所述目标小区在所述下一设定时长对应的目标节能门限。
本申请实施例中,所述小区状态库包括基于小区的工程参数和历史的用户分布确定的相应场景状态,所述场景状态能够指示小区对应空间维度分类的第一结果和在所述空间维度分类的基础上基于时间维度继续分类的第二结果,所述节能门限库包括基于所述小区状态库中各场景状态下历史的工作参数确定的相应节能门限。
本申请实施例中,基于目标小区当前设定时长的特征数据,预测下一设定时长的特征数据,并基于预测的特征数据和预先构建的小区状态库,确定目标小区在下一设定时长对应的场景状态,该场景状态能够指示小区对应空间维度分类的第一结果和在空间维度分类的基础上基于时间维度继续分类的第二结果,从而使得预测的目标小区的场景状态为在空间维度和时间维度上的分类结果;再基于场景状态和预先构建的节能门限库确定目标小区在下一设定时长对应的目标节能门限,使得确定的目标节能门限能够适应目标小区基于时间维度上的用户分布的变化,进而可以基于用户分布的变化更改节能控制策略,节能效果更佳。
示例性地,特征数据可以为小区的MR(Measurement Report,测量报告)数据。设定时长可以根据节能门限的更新需求进行合理设置,比如,设定时长可以为一小时,还可以为大于或者小于一小时的时长,本申请对此不做具体限定。节能门限可以理解为用于进行节能控制的参数值。
示例性地,可以基于离线算法预先构建小区状态库和节能门限库,基于在线算法预测目标小区下一设定时长的特征数据,并确定目标小区的场景状态及对应的目标节能门限。
示例性地,节能门限确定方法还包括:
基于小区的工程参数和历史的用户分布,聚类生成所述小区状态库。
以节能门限确定方法应用于网络设备为例,网络设备可以采集小区的工程参数和历史的用户分布,聚类生成小区状态库。
示例性地,所述基于小区的工程参数和历史的用户分布,聚类生成所述小区状态库,包括:
基于小区的工程参数对各小区进行聚类划分,得到所述第一结果;
对所述第一结果划分的各类小区历史的不同设定时长的用户分布进行聚类划分,得到所述第二结果;
基于所述第一结果和所述第二结果确定所述场景状态。
这里,小区的工程参数可以包括用于指示小区自身覆盖、地理场景的指标数据,比如,包括:站高、下倾角、配置的邻区总数、平均站间距、弱覆盖、重叠覆盖。将各小区的工程参数进行聚类划分,可以得到表征小区在空间维度上场景分类的第一结果。这里,聚类划分可以采用K均值聚类算法(k-means clustering algorithm),从而基于小区的工程参数对小区进行第一类划分。示例性地,第一类划分的结果如表1所示:
表1
小区标识 | 场景状态标签 |
Cell-1 | Cluster#场景A |
Cell-2 | Cluster#场景B |
Cell-3 | Cluster#场景C |
… | … |
需要说明的是,小区的工程参数还可以包括:覆盖场景、建筑名称等指标,即在进行上述第一类划分的聚类时,还可以考虑各小区的覆盖场景、建筑名称等。
这里,在第一类划分的基础上,还可以基于第一类划分的各类小区继续进行聚类划分。示例性地,针对前述的场景A,基于历史的不同设定时长的用户分布,比如,基于小区历史的小时级的MR数据,进行聚类划分,得到用户分布的分类1、2、3、4……,综合得到同类优化的分组,比如,A1、A2、A3、A4……,B1、B2、B3、B4……等。
示例性地,基于第一结果和第二结果确定的场景状态如表2所示:
表2
小区标识 | 用户分布 | 场景状态标签 |
Cell-1 | MR1 | Cluster#场景A1 |
Cell-1 | MR2 | Cluster#场景A2 |
Cell-1 | MR3 | Cluster#场景A3 |
Cell-1 | MR4 | Cluster#场景A4 |
由表2可以得知,场景状态能够指示小区对应空间维度分类的第一结果和在所述空间维度分类的基础上基于时间维度继续分类的第二结果。
如此,通过对小区在空间维度上的场景、时间维度上的用户分布进行联合聚类分析,可以建立小区状态库。
进一步地,为了实现经验共享,可以针对小区状态库中的分类结果,对同一优化组(即同一场景状态)进行节能门限的优化,减少运算量,利于在线确定各场景状态对应的节能门限。基于此,节能门限确定方法还包括:
基于所述小区状态库中各场景状态下历史的性能管理(PerformanceManagement,PM)数据、网络关键性能指标(Key Performance Indicator,KPI)数据确定相应的节能门限,生成所述节能门限库。
示例性地,PM数据可以包括:RRC(Radio Resource Control,无线资源控制)最大连接数、上行业务量、下行业务量、上行PRB(Physical Resource Block,物理资源块)利用率、下行PRB利用率。网络KPI数据可以包括:RRC建立成功率、ERAB(Evolved Radio AccessBearer,演进的无线接入承载)建立成功率、无线接通率、无线掉线率、切换成功率。
示例性地,所述基于所述小区状态库中各场景状态下历史的PM数据、网络KPI数据确定相应的节能门限,包括:
基于所述小区状态库中各场景状态下历史的PM数据、网络KPI数据,确定出对应于所述网络KPI数据满足设定要求的所述PM数据的极限值,将所述PM数据的极限值作为相应的节能门限。
这里,网络KPI数据满足设定要求的PM数据的极限值是指:求解小区的网络KPI维持稳定且关断负载门限最高(节能最多)的参数值。
这里,可以针对前述聚类生成的小区状态库中的各场景状态,分别求解出保持网络KPI稳定且节能最多的PM数据,作为相应场景状态对应的节能门限,从而构建出节能门限库。如此,通过小区的场景及用户分布相关的信息的聚类分析,可以将小区进行聚类划分,可得到空间与时间粒度的划分,即某个小区在某种用户分布下的划分,并通过分析历史的PM数据和网络KPI数据,针对同类优化的分组确定对应的节能门限,形成节能门限库,为后面的时空粒度参数自适应优化提供条件与依据。
在一些实施例中,可以针对小区状态库中各场景状态下历史的PM数据、网络KPI数据,通过数值分析,求解出网络KPI开始恶化的最高关断负载门限,得到对应的节能门限。这里,网络KPI开始恶化可以是网络KPI数据的变化差值达到设定要求或者网络KPI数据低于设定的阈值,本申请对此不做限定。
在一些实施例中,所述基于所述小区状态库中各场景状态下历史的PM数据、网络KPI数据,确定出对应于所述网络KPI数据满足设定要求的所述PM数据的极限值,包括:
将所述小区状态库中各场景状态下历史的PM数据、网络KPI数据作为训练数据对初始模型进行训练,得到训练好的模型;
采用优化搜索算法,对所述训练好的模型求解出所述网络KPI数据满足设定要求对应的所述PM数据的极限值。
示例性地,采用机器学习算法挖掘PM数据与网络KPI数据之间的关系,从而求解出网络KPI开始恶化的最高关断负载门限。建立的初始模型如下:
Y=f(X)
其中,输入数据X为PM数据(RRC最大连接数、上行业务量、下行业务量、上行PRB利用率、下行PRB利用率),输出数据Y为函数f预测的网络KPI数据(RRC建立成功率、ERAB建立成功率、无线接通率、无线掉线率、切换成功率)。示例性地,将输入数据X中的数据逐行的读入转换为列矩阵,作为神经网络的输入,同理,转换输出数据Y矩阵为列矩阵,作为神经网络的输出。
这里,神经网络中使用RELU函数作为激活函数,回归问题的输出Y含有多个变量,设计代价函数为:
其中,yi是样本数据,yi'是神经网络计算的预测值,l为样本数量。即各个变量的均方误差(MSE,mean squared error)的平均值作为损失函数,通过训练模型,调整权重和偏置使得网络的代价函数达到最小。
针对训练好的模型,采用优化搜索算法,选择出网络KPI开始恶化的最高关断负载门限。例如,可以采用遗传算法在得出的训练模型中搜索出使网络KPI开始恶化的最高关断负载门限。如此,可以得到各场景状态对应的节能门限,示意如下表3所示。
表3
小区标识 | 用户分布 | 场景状态标签 | 最优门限参数 |
Cell-1 | MR1 | Cluster#场景A1 | 参数组合1:数值 |
Cell-1 | MR2 | Cluster#场景A2 | 参数组合2:数值 |
Cell-1 | MR3 | Cluster#场景A3 | 参数组合3:数值 |
Cell-1 | MR4 | Cluster#场景A4 | 参数组合4:数值 |
Cell-2 | MR1 | Cluster#场景B1 | 参数组合5:数值 |
Cell-2 | MR2 | Cluster#场景B2 | 参数组合6:数值 |
Cell-2 | MR3 | Cluster#场景B3 | 参数组合7:数值 |
Cell-2 | MR4 | Cluster#场景B4 | 参数组合8:数值 |
… | … | … | … |
可以理解的是,表3示意出了各优化组对应的最优门限参数(即节能门限),便于基于预测的小区的用户分布确定小区所属的优化组,进而确定小区对应的节能门限。其中,各优化组对应的最优门限参数可以离线构建,实现经验共享,能够减少在线运算量,从而使得在线部分可以直接利用离线运算得到的经验库,大大减少在线的运算量,利于实现与应用的部署。
在一些实施例中,基于所述当前设定时长的特征数据,预测下一设定时长的特征数据,包括:基于长短期记忆网络(Long Short-Term Memory,LSTM)对所述当前设定时长的特征数据进行预测,得到下一设定时长的特征数据。
这里,LSTM由于具有独特的记忆模式和遗忘模式,使网络可以充分挖掘时间序列数据的时序特征,学习输入数据间的时间依赖关系,从而可以基于历史的设定时长的MR数据,预测出下一设定时长的MR数据。
可以理解的是,实际应用中,可以基于小区标识确定小区在空间维度上的分类结果,即前述的第一结果(场景A、B、C等),基于预测的MR数据,确定小区的下一设定时长对应的场景状态。结合前述的表3,假定确定小区标识为Cell-1,预测的用户分布落入MR2,确定场景状态标签为A2,则选取参数组合2对应的节能门限作为目标节能门限。
下面结合应用示例对本申请再作进一步详细的描述。
如图2所示,本应用示例中,整体流程包括离线与在线两个部分:离线数据挖掘是指利用历史数据对小区场景、用户分布进行联合聚类分析,形成场景及用户分布状态库(相当于前述的小区状态库)。依据每种划分,挖掘历史节能门限参数与网络KPI、能耗的关系,求解出保持网络KPI稳定且关断负载门限最高(节能最多)的参数,形成场景及用户分布对应的参数库(相当于前述的节能门限库)。在线部分是指利用实时小区数据对小区下一个时间粒度的用户分布进行预测,依据预测结果对预测的用户分布进行分类,结合小区场景信息,查找到小区下一时刻对应的场景及用户分布,以及场景及用户分布对应的节能门限。
示例性地,离线部分通过采集历史的网络状态数据(工参、PM、网络KPI、MR、重叠覆盖场景等数据),对采集的数据进行归一化等预处理,在基于空间维度和时间维度上的联合聚类,构建场景及用户分布状态库,从空间粒度、时间粒度建立同类优化组,可以实现经验共享,能够减少运算量。基于场景及用户分布状态库,可以通过建模与训练,进行参数寻优,比如,采用遗传算法在得出的训练模型中搜索出使网络KPI开始恶化的最高关断负载门限,得到各场景状态对应的节能门限,从而得到个性化的节能参数配置建议,相比人工经验,基于AI(人工智能)的方法有利于提高节能门限参数优化的质量和效率,做到精细化参数优化。
可以理解的是,随着现网测试以及经验的积累,场景及用户分布状态库、场景及用户分布对应的参数库可以不断更新,比如,基于设置的周期进行更新或者基于指令进行更新,以满足新的用户分布对应的节能策略的控制需求,从而实现精细化的节能控制。
示例性地,在线部分可以基于LSTM预测下一时间粒度(比如小时级)的用户分布。比如,可以将原始数据集进行预处理后得到p个训练集样本,每个样本有T个MR数据,为对应的标签为{y(1),y(2),...,y(i),...,y(p)},其中,x(i)表示第i个样本,表示第i个样本的第t个数据,y(i)表示第i个样本对应的标签,即第i个样本预测的下一个时刻的MR值。
将第i个样本x(i)作为长短期记忆网络的输入来预测的下一时刻的无线网络MR值y(i)。对一个样本进行一次网络训练需要T个时间步长,每个时间步长对应一个LSTM单元(LSTM cell)。长短期记忆网络采用自循环方法,每个时刻只能将一个数据输入网络。示例性地,可以利用历史数据和LSTM模型训练每1h预测未来1h的模型,采用前3个小时的数据,预测未来1h的数值。接着,基于预测的下一小时的MR数据,结合小区标识,确定目标小区在场景及用户分布状态库中所属的场景类别,并基于场景类别对应的节能门限确定对应的目标节能门限,从而使得基站基于新确定的目标节能门限进行节能策略的调整。
为了实现本申请实施例的节能门限确定方法,本申请实施例还提供一种节能门限确定装置,该节能门限确定装置与上述节能门限确定方法对应,上述节能门限确定方法实施例中的各步骤也完全适用于本节能门限确定装置实施例。
如图3所示,该节能门限确定装置包括:获取模块301、预测模块302、第一确定模块303及第二确定模块304。其中,获取模块301用于获取目标小区当前设定时长的特征数据,所述特征数据用于指示所述目标小区的用户分布;预测模块302用于基于所述当前设定时长的特征数据,预测下一设定时长的特征数据;第一确定模块303用于基于预测的所述特征数据和预先构建的小区状态库,确定所述目标小区在所述下一设定时长对应的场景状态;第二确定模块304用于基于所述场景状态和预先构建的节能门限库,确定所述目标小区在所述下一设定时长对应的目标节能门限。所述小区状态库包括基于小区的工程参数和历史的用户分布确定的相应场景状态,所述场景状态能够指示小区对应空间维度分类的第一结果和在所述空间维度分类的基础上基于时间维度继续分类的第二结果,所述节能门限库包括基于所述小区状态库中各场景状态下历史的工作参数确定的相应节能门限。
在一些实施例中,节能门限确定装置还包括:聚类模块305,用于基于小区的工程参数和历史的用户分布,聚类生成所述小区状态库。
在一些实施例中,聚类模块305具体用于:基于小区的工程参数对各小区进行聚类划分,得到所述第一结果;对所述第一结果划分的各类小区历史的不同设定时长的用户分布进行聚类划分,得到所述第二结果;基于所述第一结果和所述第二结果确定所述场景状态。
在一些实施例中,节能门限确定装置还包括:节能参数优化模块306,基于所述小区状态库中各场景状态下历史的性能管理PM数据、网络关键性能指标KPI数据确定相应的节能门限,生成所述节能门限库。
在一些实施例中,节能参数优化模块306具体用于:基于所述小区状态库中各场景状态下历史的PM数据、网络KPI数据,确定出对应于所述网络KPI数据满足设定要求的所述PM数据的极限值,将所述PM数据的极限值作为相应的节能门限。
在一些实施例中,节能参数优化模块306具体用于:将所述小区状态库中各场景状态下历史的PM数据、网络KPI数据作为训练数据对初始模型进行训练,得到训练好的模型;采用优化搜索算法,对所述训练好的模型求解出所述网络KPI数据满足设定要求对应的所述PM数据的极限值。
在一些实施例中,预测模块302具体用于:基于长短期记忆网络对所述当前设定时长的特征数据进行预测,得到下一设定时长的特征数据。
实际应用时,获取模块301、预测模块302、第一确定模块303、第二确定模块304、聚类模块305及节能参数优化模块306,可以由节能门限确定装置中的处理器来实现。当然,处理器需要运行存储器中的计算机程序来实现它的功能。
需要说明的是:上述实施例提供的节能门限确定装置在进行节能门限确定时,仅以上述各程序模块的划分进行举例说明,实际应用中,可以根据需要而将上述处理分配由不同的程序模块完成,即将装置的内部结构划分成不同的程序模块,以完成以上描述的全部或者部分处理。另外,上述实施例提供的节能门限确定装置与节能门限确定方法实施例属于同一构思,其具体实现过程详见方法实施例,这里不再赘述。
基于上述程序模块的硬件实现,且为了实现本申请实施例的方法,本申请实施例还提供一种节能门限确定设备。该节能门限确定设备可以为基站,亦可以为与基站通信连接的网络设备。图4仅仅示出了该节能门限确定设备的示例性结构而非全部结构,根据需要可以实施图4示出的部分结构或全部结构。
如图4所示,本申请实施例提供的节能门限确定设备400包括:至少一个处理器401、存储器402、用户接口403和至少一个网络接口404。节能门限确定设备400中的各个组件通过总线***405耦合在一起。可以理解,总线***405用于实现这些组件之间的连接通信。总线***405除包括数据总线之外,还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见,在图4中将各种总线都标为总线***405。
其中,用户接口403可以包括显示器、键盘、鼠标、轨迹球、点击轮、按键、按钮、触感板或者触摸屏等。
本申请实施例中的存储器402用于存储各种类型的数据以支持节能门限确定设备的操作。这些数据的示例包括:用于在节能门限确定设备上操作的任何计算机程序。
本申请实施例揭示的节能门限确定方法可以应用于处理器401中,或者由处理器401实现。处理器401可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,节能门限确定方法的各步骤可以通过处理器401中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器401可以是通用处理器、数字信号处理器(DSP,Digital SignalProcessor),或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。处理器401可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者任何常规的处理器等。结合本申请实施例所公开的方法的步骤,可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于存储介质中,该存储介质位于存储器402,处理器401读取存储器402中的信息,结合其硬件完成本申请实施例提供的节能门限确定方法的步骤。
在示例性实施例中,节能门限确定设备可以被一个或多个应用专用集成电路(ASIC,Application Specific Integrated Circuit)、DSP、可编程逻辑器件(PLD,Programmable Logic Device)、复杂可编程逻辑器件(CPLD,Complex Programmable LogicDevice)、现场可编程逻辑门阵列(FPGA,Field Programmable Gate Array)、通用处理器、控制器、微控制器(MCU,Micro Controller Unit)、微处理器(Microprocessor)、或者其他电子元件实现,用于执行前述方法。
可以理解,存储器402可以是易失性存储器或非易失性存储器,也可包括易失性和非易失性存储器两者。其中,非易失性存储器可以是只读存储器(ROM,Read Only Memory)、可编程只读存储器(PROM,Programmable Read-Only Memory)、可擦除可编程只读存储器(EPROM,Erasable Programmable Read-Only Memory)、电可擦除可编程只读存储器(EEPROM,Electrically Erasable Programmable Read-Only Memory)、磁性随机存取存储器(FRAM,ferromagnetic random access memory)、快闪存储器(Flash Memory)、磁表面存储器、光盘、或只读光盘(CD-ROM,Compact Disc Read-Only Memory);磁表面存储器可以是磁盘存储器或磁带存储器。易失性存储器可以是随机存取存储器(RAM,Random AccessMemory),其用作外部高速缓存。通过示例性但不是限制性说明,许多形式的RAM可用,例如静态随机存取存储器(SRAM,Static Random Access Memory)、同步静态随机存取存储器(SSRAM,Synchronous Static Random Access Memory)、动态随机存取存储器(DRAM,Dynamic Random Access Memory)、同步动态随机存取存储器(SDRAM,SynchronousDynamic Random Access Memory)、双倍数据速率同步动态随机存取存储器(DDRSDRAM,Double Data Rate Synchronous Dynamic Random Access Memory)、增强型同步动态随机存取存储器(ESDRAM,Enhanced Synchronous Dynamic Random Access Memory)、同步连接动态随机存取存储器(SLDRAM,SyncLink Dynamic Random Access Memory)、直接内存总线随机存取存储器(DRRAM,Direct Rambus Random Access Memory)。本申请实施例描述的存储器旨在包括但不限于这些和任意其它适合类型的存储器。
在示例性实施例中,本申请实施例还提供了一种存储介质,即计算机存储介质,具体可以是计算机可读存储介质,例如包括存储计算机程序的存储器402,上述计算机程序可由节能门限确定设备的处理器401执行,以完成本申请实施例方法所述的步骤。计算机可读存储介质可以是ROM、PROM、EPROM、EEPROM、Flash Memory、磁表面存储器、光盘、或CD-ROM等存储器。
需要说明的是:“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。
另外,本申请实施例所记载的技术方案之间,在不冲突的情况下,可以任意组合。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种节能门限确定方法,其特征在于,包括:
获取目标小区当前设定时长的特征数据,所述特征数据用于指示所述目标小区的用户分布;
基于所述当前设定时长的特征数据,预测下一设定时长的特征数据;
基于预测的所述特征数据和预先构建的小区状态库,确定所述目标小区在所述下一设定时长对应的场景状态;
基于所述场景状态和预先构建的节能门限库,确定所述目标小区在所述下一设定时长对应的目标节能门限;
其中,所述小区状态库包括基于小区的工程参数和历史的用户分布确定的相应场景状态,所述场景状态能够指示小区对应空间维度分类的第一结果和在所述空间维度分类的基础上基于时间维度继续分类的第二结果,所述节能门限库包括基于所述小区状态库中各场景状态下历史的工作参数确定的相应节能门限。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
基于小区的工程参数和历史的用户分布,聚类生成所述小区状态库。
3.根据权利要求2所述的方法,其特征在于,所述基于小区的工程参数和历史的用户分布,聚类生成所述小区状态库,包括:
基于小区的工程参数对各小区进行聚类划分,得到所述第一结果;
对所述第一结果划分的各类小区历史的不同设定时长的用户分布进行聚类划分,得到所述第二结果;
基于所述第一结果和所述第二结果确定所述场景状态。
4.根据权利要求1所述的方法,其特征在于,所述方法还包括:
基于所述小区状态库中各场景状态下历史的性能管理PM数据、网络关键性能指标KPI数据确定相应的节能门限,生成所述节能门限库。
5.根据权利要求4所述的方法,其特征在于,所述基于所述小区状态库中各场景状态下历史的PM数据、网络KPI数据确定相应的节能门限,包括:
基于所述小区状态库中各场景状态下历史的PM数据、网络KPI数据,确定出对应于所述网络KPI数据满足设定要求的所述PM数据的极限值,将所述PM数据的极限值作为相应的节能门限。
6.根据权利要求5所述的方法,其特征在于,所述基于所述小区状态库中各场景状态下历史的PM数据、网络KPI数据,确定出对应于所述网络KPI数据满足设定要求的所述PM数据的极限值,包括:
将所述小区状态库中各场景状态下历史的PM数据、网络KPI数据作为训练数据对初始模型进行训练,得到训练好的模型;
采用优化搜索算法,对所述训练好的模型求解出所述网络KPI数据满足设定要求对应的所述PM数据的极限值。
7.根据权利要求1所述的方法,其特征在于,所述基于所述当前设定时长的特征数据,预测下一设定时长的特征数据,包括:
基于长短期记忆网络对所述当前设定时长的特征数据进行预测,得到下一设定时长的特征数据。
8.一种节能门限确定装置,其特征在于,包括:
获取模块,用于获取目标小区当前设定时长的特征数据,所述特征数据用于指示所述目标小区的用户分布;
预测模块,用于基于所述当前设定时长的特征数据,预测下一设定时长的特征数据;
第一确定模块,用于基于预测的所述特征数据和预先构建的小区状态库,确定所述目标小区在所述下一设定时长对应的场景状态;
第二确定模块,用于基于所述场景状态和预先构建的节能门限库,确定所述目标小区在所述下一设定时长对应的目标节能门限;
其中,所述小区状态库包括基于小区的工程参数和历史的用户分布确定的相应场景状态,所述场景状态能够指示小区对应空间维度分类的第一结果和在所述空间维度分类的基础上基于时间维度继续分类的第二结果,所述节能门限库包括基于所述小区状态库中各场景状态下历史的工作参数确定的相应节能门限。
9.一种节能门限确定设备,其特征在于,包括:处理器和用于存储能够在处理器上运行的计算机程序的存储器,其中,
所述处理器,用于运行计算机程序时,执行权利要求1至7任一项所述方法的步骤。
10.一种存储介质,所述存储介质上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时,实现权利要求1至7任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110209109.6A CN115038148B (zh) | 2021-02-24 | 2021-02-24 | 节能门限确定方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110209109.6A CN115038148B (zh) | 2021-02-24 | 2021-02-24 | 节能门限确定方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115038148A true CN115038148A (zh) | 2022-09-09 |
CN115038148B CN115038148B (zh) | 2024-07-16 |
Family
ID=83117719
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110209109.6A Active CN115038148B (zh) | 2021-02-24 | 2021-02-24 | 节能门限确定方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115038148B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109195170A (zh) * | 2018-08-31 | 2019-01-11 | 中国联合网络通信集团有限公司 | 小区扩容方法、装置及存储介质 |
CN109768869A (zh) * | 2017-11-06 | 2019-05-17 | ***通信有限公司研究院 | 一种业务预测方法、***和计算机存储介质 |
CN111010700A (zh) * | 2018-10-08 | 2020-04-14 | 上海华为技术有限公司 | 确定负载门限的方法和装置 |
CN111148118A (zh) * | 2019-12-18 | 2020-05-12 | 福建省南鸿通讯科技有限公司 | 基于时间序列的流量预测和载波关断方法和*** |
WO2020233198A1 (zh) * | 2019-05-22 | 2020-11-26 | 中兴通讯股份有限公司 | 一种智能节能的方法、基站及计算机可读存储介质 |
CN112243249A (zh) * | 2019-07-19 | 2021-01-19 | 大唐移动通信设备有限公司 | 5g nsa组网下lte新入网锚点小区参数配置方法和装置 |
-
2021
- 2021-02-24 CN CN202110209109.6A patent/CN115038148B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109768869A (zh) * | 2017-11-06 | 2019-05-17 | ***通信有限公司研究院 | 一种业务预测方法、***和计算机存储介质 |
CN109195170A (zh) * | 2018-08-31 | 2019-01-11 | 中国联合网络通信集团有限公司 | 小区扩容方法、装置及存储介质 |
CN111010700A (zh) * | 2018-10-08 | 2020-04-14 | 上海华为技术有限公司 | 确定负载门限的方法和装置 |
WO2020233198A1 (zh) * | 2019-05-22 | 2020-11-26 | 中兴通讯股份有限公司 | 一种智能节能的方法、基站及计算机可读存储介质 |
CN112243249A (zh) * | 2019-07-19 | 2021-01-19 | 大唐移动通信设备有限公司 | 5g nsa组网下lte新入网锚点小区参数配置方法和装置 |
CN111148118A (zh) * | 2019-12-18 | 2020-05-12 | 福建省南鸿通讯科技有限公司 | 基于时间序列的流量预测和载波关断方法和*** |
Also Published As
Publication number | Publication date |
---|---|
CN115038148B (zh) | 2024-07-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113543284A (zh) | 节能方法、基站、控制单元及存储介质 | |
Demirkol et al. | Location area planning in cellular networks using simulated annealing | |
CN110662245B (zh) | 基于深度学习的基站负荷预警方法及装置 | |
CN103218675A (zh) | 一种基于聚类和滑动窗口的短期负荷预测方法 | |
CN117036104B (zh) | 一种基于电力物联网的智慧用电方法和*** | |
CN113039506B (zh) | 基于因果学习的数据中心基础结构优化方法 | |
US9092307B2 (en) | Adaptive preventive maintenance for computing systems | |
Jiang et al. | Data-driven cell zooming for large-scale mobile networks | |
Sesto-Castilla et al. | Use of Machine Learning for energy efficiency in present and future mobile networks | |
CN110380881B (zh) | 一种网络扩容预测方法及装置 | |
Miozzo et al. | Coordinated load control of renewable powered small base stations through layered learning | |
CN112954707A (zh) | 基站的节能方法、装置、基站和计算机可读存储介质 | |
CN112836911A (zh) | 小区节能参数的确定方法、装置、电子设备及存储介质 | |
Dahmani et al. | Optimization of green RNP problem for LTE networks using possibility theory | |
Yao et al. | Data-driven resource allocation with traffic load prediction | |
Wang et al. | Cellular traffic prediction using deep convolutional neural network with attention mechanism | |
US10931107B2 (en) | System and method for management of an electricity distribution grid | |
CN115038148A (zh) | 节能门限确定方法、装置、设备及存储介质 | |
Liu et al. | Learning a multi-agent controller for shared energy storage system | |
CN112954732B (zh) | 网络负载均衡方法、装置、设备及存储介质 | |
CN115238775A (zh) | 模型构建方法 | |
CN117896671B (zh) | 一种蓝牙aoa基站智能管理方法及*** | |
Yang et al. | RETRACTED ARTICLE: Scenario Classification of Wireless Network Optimization Based on Big Data Technology | |
CN117376973B (zh) | 一种区域5g基站容量信息分析处理方法和*** | |
CN115801952B (zh) | 一种天线***的控制方法和*** |
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 |