基于長短時預測的基站節(jié)能策略

張苗苗，趙皓，周巖，張陽，余立，梁燕萍，馮春杰

基于長短時預測的基站節(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. 中國移動通信有限公司研究院，北京 100053；2. 中國移動通信集團有限公司，北京 100033）

隨著移動通信技術的發(fā)展和5G商用建設的加快，5G功耗將繼續(xù)大幅度提升運營成本。如何在保障業(yè)務體驗及設備安全的基礎上實現(xiàn)節(jié)能最大化，始終是產(chǎn)業(yè)界研究的焦點之一。針對網(wǎng)絡結構復雜、站型豐富等挑戰(zhàn)，提出了以“感知、預測、分析、決策”AI技術為核心的節(jié)能策略生成、閉環(huán)安全保障技術?；陔x線數(shù)據(jù)，驗證了預測技術效果，達到了基站節(jié)能誤關率低于2%、召回率不低于84%的效果。進一步的實踐應用效果證明，在保障網(wǎng)絡質量穩(wěn)定的前提下，能夠有效挖掘更多節(jié)能空間和節(jié)能時長，顯著提升節(jié)能量，達到降本增效的目的。

基站節(jié)能；業(yè)務量預測；智能化

0 引言

“碳達峰”“碳中和”已成為我國堅定的發(fā)展方向，隨著中國移動5G基站的不斷建設，能耗也逐步增大。預計到2030年，我國5G基站數(shù)量將達到1 500萬個[1]，并且單個5G基站能耗是4G基站能耗的3～4倍[2]?；菊军c能耗費用占網(wǎng)絡運營成本的16％以上，但70％的基站僅承載了20％的網(wǎng)絡流量，這導致基站在空閑狀態(tài)也不停消耗大量的電力。為響應國家節(jié)能減排號召、建設中國“綠能網(wǎng)絡”，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)能技術研究成為當前學術界和運營商研究的重點方向。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)計的傳統(tǒng)節(jié)能方式[3]，通過分析基站歷史運營數(shù)據(jù)，人工判斷節(jié)能時間段與節(jié)能關斷方式。隨著人工智能（artificial intelligence，AI）技術發(fā)展，業(yè)界逐步進行智能基站節(jié)能方案研究[4]，從而實現(xiàn)基站節(jié)能自動化，取得了更好的效果。

然而，因為4G/5G協(xié)同多層網(wǎng)絡結構更為復雜，目前的AI節(jié)能算法更多地使用單一模型進行業(yè)務量時序預測[5-7]，這使得AI模型落地困難，很難保證在節(jié)能的同時保證網(wǎng)絡質量。本文提出了一套端到端精準動態(tài)節(jié)能方案，能夠保證網(wǎng)絡用戶質量感知的同時，挖掘更多節(jié)能時長。通過引入最小化路測（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)能目標小區(qū)；提出長短時聯(lián)合動態(tài)預測小區(qū)業(yè)務量指標，挖掘小區(qū)節(jié)能時間段；引入網(wǎng)絡感知功能實時監(jiān)控網(wǎng)絡指令，保證用戶體驗，避免誤關斷基站對用戶造成影響。

1 基于AI的節(jié)能方案

針對移動網(wǎng)絡結構復雜、站點型號豐富、節(jié)能技術多樣等挑戰(zhàn)，本方案基于不同基站關斷節(jié)能技術，通過大數(shù)據(jù)挖掘以及AI算法實現(xiàn)節(jié)能小區(qū)挖掘、業(yè)務量長短時聯(lián)合預測，并通過實時監(jiān)控網(wǎng)絡質量，形成以“感知、預測、分析、決策”為核心的動態(tài)智能節(jié)能策略生成、平臺級閉環(huán)的安全保障方案，在保障網(wǎng)絡質量的情況下，實現(xiàn)節(jié)能增益最大化。本節(jié)介紹了端到端智能節(jié)能方案的設計思路。

1.1 現(xiàn)有基站節(jié)能技術

目前，5G節(jié)能技術主要包括硬件級節(jié)能、站點級節(jié)能及網(wǎng)絡級節(jié)能[9]。其中，硬件級節(jié)能主要從源頭控制硬件功耗，通過采用優(yōu)化硬件設計，設計Doherty優(yōu)化架構[10]，降低設備功率放大器的整個能耗。設備商也開始關注使用更節(jié)能的器件材料、引進更先進的散熱技術及完善生產(chǎn)工藝等手段，包括基于石墨烯的散熱涂層方案[11]和室內基帶處理單元（building base band unit，BBU）豎插部署方案。以此達到有效降低基站設備的基礎能耗以及進一步提升基站設備能源利用率的目的[12]。

站點級節(jié)能主要通過對射頻模塊的控制，在保證網(wǎng)絡質量和用戶感知的同時，達到精細化節(jié)能的目的，站點級節(jié)能主要有符號關斷[13]、通道關斷、載波關斷、深度休眠[14-15]等方式。

網(wǎng)絡級節(jié)能通過去激活指令關閉邏輯小區(qū)的射頻發(fā)射功能或者開啟禁止終端接入功能，與其對應的激活指令可以使閉塞狀態(tài)的小區(qū)恢復至服務狀態(tài)?，F(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技術發(fā)展，AI智能節(jié)能方案也廣泛應用，基于時序網(wǎng)絡負載和用戶連接數(shù)，通過自回歸綜合移動平均模型（autoregressive integrated moving average model，ARIMA）[17]、長短期記憶（long short-term memory，LSTM）[18]或Facebook的Prophet用于時間序列預測[19]等方案，配合門限閾值計算得到可以關斷的節(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、長時業(yè)務量預測、短時業(yè)務量預測、實時節(jié)能策略生成、網(wǎng)絡監(jiān)控與感知模塊、指令下發(fā)和節(jié)能量評估等模塊組成，旨在解決節(jié)能過程中如下5個核心問題。

? 如何識別節(jié)能小區(qū)？

? 如何挖掘節(jié)能小區(qū)的節(jié)能時間段？

? 如何確定基站節(jié)能方式？

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

? 如何評估節(jié)能效果？

目前，基站設備涉及多個設備商，各平臺之間功能冗余，且相互通信的I/O成本反而會拉低效率，違背了基站節(jié)能的初衷。所以，應將各平臺的優(yōu)勢模塊提取出來，融合成一個完整的節(jié)能方案。本方案希望將各個功能模塊解耦，實現(xiàn)系統(tǒng)的靈活可擴展。節(jié)能方案流程如圖1所示。

本方案通過采集運營商的網(wǎng)絡運營數(shù)據(jù)，計算出4G/5G多層網(wǎng)絡環(huán)境下的節(jié)能補償小區(qū)對，并對節(jié)能補償小區(qū)進行長短時聯(lián)合業(yè)務量預測分析，實時生成節(jié)能策略進行指令下發(fā)。在節(jié)能的同時監(jiān)控網(wǎng)絡指標，及時喚醒網(wǎng)絡質量劣化的節(jié)能小區(qū)[21]，保障網(wǎng)絡質量安全。

2 長短時業(yè)務量聯(lián)合預測

通過預測基站長短時業(yè)務量指標變化趨勢，將預測值和提前設定的基站關斷門限做對比，指導運營商對小區(qū)精確開、關斷[22]，從而實現(xiàn)基站空間和時間維度的節(jié)能擴展，達到保障網(wǎng)絡質量的同時，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)務量時序數(shù)據(jù)，如上行業(yè)務量、下行業(yè)務量、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，通過AI算法對節(jié)能、補償小區(qū)未來一天及未來一個時刻的業(yè)務量進行長短時預測。其中，使用小區(qū)未來一天的長時預測結果可挖掘滿足一定節(jié)能時長的潛在節(jié)能小區(qū)，再用短時精準預測，保障挖潛的節(jié)能小區(qū)是真實有效的，可兼顧未來一天各小區(qū)業(yè)務情況及實時預測下一時刻業(yè)務情況，既能提前支持節(jié)能策略生成，又能保障策略實時下發(fā)安全性，達到不頻繁開、關斷小區(qū)，降低小區(qū)誤關率的目的。

2.1 數(shù)據(jù)預處理

該方法的業(yè)務量預測模型主要基于歷史一個月的小區(qū)業(yè)務量時序數(shù)據(jù)進行長短時預測。在模型建立過程中，要求時序數(shù)據(jù)無缺失值且有一定的周期性，因此，數(shù)據(jù)處理主要檢測數(shù)據(jù)質量，并對缺失值及異常值采用兩種數(shù)據(jù)來源進行插值：（1）前后均值，（2）歷史同時刻均值。然后判斷數(shù)據(jù)的周期性，可使用Serial Correlation算法[23]計算每個小區(qū)的自相關系數(shù)，若系數(shù)高于閾值，則認為該小區(qū)指標有一定周期性，否則，該小區(qū)指標無周期性。

2.2 長時業(yè)務量預測

為有效利用時間維度特征、盡量挖掘節(jié)能基站且兼顧預測效率，本方案通過改進時域卷積網(wǎng)絡（temporal convolutional network，TCN）[7]，訓練一定范圍內的通用模型，進而預測目標日期、目標基站未來一天的業(yè)務量。長時業(yè)務量預測框架如圖2所示。

圖2 長時業(yè)務量預測框架

本文從數(shù)據(jù)處理、模型訓練、在線預測3個方面闡述長時預測的整體流程以及算法細節(jié)。

（1）數(shù)據(jù)處理

用深度學習解決時序的預測問題，通常需要將時序數(shù)據(jù)轉換為有監(jiān)督學習的數(shù)據(jù)，即成對的輸入、輸出數(shù)據(jù)，該方法以預設的滑動窗口進行滑窗，得到一系列特征維度為標簽維度為一天的樣本集。

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

（2）模型訓練

本方案使用時域卷積網(wǎng)絡提取業(yè)務量的時間維度特征，但為了挖掘更多可節(jié)能時間和可節(jié)能基站，本方案修改損失函數(shù)，使其更關注可關斷基站閾值附近樣本集，適當減少距離業(yè)務量指標和關斷閾值較遠的樣本集，旨在提升關斷閾值附近的精確度，挖掘更多的基站和時間段。另外，引入最大值特征，將預測結果適當提高，盡可能降低基站誤關的可能性。改進的損失函數(shù)具體如式（2）所示。

圖3 TCN深度學習網(wǎng)絡架構

（3）在線預測

按照上述過程，預處理待預測基站業(yè)務量數(shù)據(jù)，整理成特定格式，使用提前訓練的模型對待預測基站未來一天的業(yè)務量進行預測，通過對比節(jié)能開、關斷門限，挖掘滿足一定節(jié)能時長如1 h的可關斷基站及可關斷時間段。

2.3 短時業(yè)務量預測

為了糾偏長時業(yè)務量預測挖掘出的基站節(jié)能時間和空間，本方案使用業(yè)務量短時精準預測的方式，實現(xiàn)對基站關斷的雙重保障，使得關斷決策的下發(fā)更加高效且準確。本文從數(shù)據(jù)預處理、模型訓練、在線預測3個方面闡述短時業(yè)務量預測的整體流程和算法細節(jié)。

（1）數(shù)據(jù)預處理

短時業(yè)務量預測方案的數(shù)據(jù)預處理，主要包含兩部分：數(shù)據(jù)轉換和特征抽取。由于基站業(yè)務量中的上、下行流量變化浮動較大，若直接預測，則存在精度不準的問題，本方案將預測上、下行流量轉換為預測單位用戶的流量，然后，將預測結果和用戶數(shù)相乘，得到下一時刻的上、下行流量。本方案可適當平滑流量的峰值，流量與單位用戶流量時序圖對比如圖4所示。

圖4 流量與單位用戶流量時序圖對比

由于時序數(shù)據(jù)維度較大，不適合將所有時序數(shù)據(jù)放入集成算法中學習，因此本方案提出使用樹模型（如XGBoost算法[24]）進行特征分析。下行PRB利用率特征重要性分析結果如圖5所示，短時特征（前若干時刻值、前若干天同時刻值及強相關指標）對下一時刻的預測有重要參考價值，因此，提取本指標歷史短時特征、天特征、與該指標強相關性的短時特征，構造樣本后，訓練模型，進而預測該指標下一時刻的指標值。

圖5 下行PRB利用率特征重要性分析結果

（2）模型訓練

圖6 集成模型結構

本方案的特征構造方式使用歷史業(yè)務量數(shù)據(jù)的短時特征與長時統(tǒng)計特征，并選用“提升樹模型+其他簡單預測模型”的Stacking思想[25]，對下一時刻的指標值進行擬合，集成模型結構如圖6所示。最終實現(xiàn)對長時預測結果的糾偏，在長短時預測的雙重保障下，提升基站開、關斷的安全性。

（3）在線預測

與長時業(yè)務量的在線預測方式一致，對待預測基站數(shù)據(jù)預處理，并使用提前訓練好的模型預測未來時刻的業(yè)務量。最后，通過對比開、關斷門限，對長時預判的決策再一次判斷，進而提升基站節(jié)能的安全性。

2.4 效果評估

本方案使用的基于長短時業(yè)務量預測的節(jié)能方案，使用長時業(yè)務量預測，對未來一天節(jié)能基站及可節(jié)能時段進行挖潛；然后，使用短時精準預測功能，對挖潛的節(jié)能信息進行糾偏，以此達到不頻繁操作基站且雙重保障保證網(wǎng)絡安全性的目的，因此，本文使用聯(lián)合預測結果與其他算法預測結果做效果對比。

為方便對比算法之間的效果，本方案以平均用戶數(shù)10、上下行PRB資源利用率20%為門限（指標可選，門限可配置），對基站的開或關進行判斷。若以上指標每一個時刻點均小于門限，則預判基站為關斷狀態(tài)；若其中一個指標大于門限，則預判基站為活動狀態(tài)。本方案以常用節(jié)能方案最大值統(tǒng)計、時間序列算法Prophet[26]，與本方案長短時結合方案，通過均方根誤差（root mean square error，RMSE）、基站關斷召回率及基站誤關率3個指標對比算法效果。其中，指標RMSE衡量預測值與真實值的差距，關斷召回率衡量基站漏關的比例，誤關率衡量基站錯關的比例。定義分別如式（3）、式（4）、式（5）所示。

以某省1 000個基站，長時預測未來96個時刻點、短時預測未來一個時刻點業(yè)務量為例（15 min粒度，一天共96個時刻點），算法在節(jié)能場景中的對比結果見表1。

表1 算法在節(jié)能場景中的對比結果

通過表1的對比結果可知，雖然傳統(tǒng)統(tǒng)計方式RMSE較大，但由于預測結果較真實值偏大，因此，基站誤關率最低，能挖掘出的可節(jié)能基站及可節(jié)能時段較少，存在較多漏關的情況，即基站關斷召回率較低，該方式也是基站節(jié)能最保守的方式。擬合方法Prophet的指標RMSE和基站召回率最好，但該方法只基于歷史業(yè)務量的變化擬合未來時刻業(yè)務量的變化，而基站業(yè)務量的變化浮動較大，導致若擬合結果精確度不高，則基站誤關率也較大。另外，該方法無法構建區(qū)域范圍內統(tǒng)一的模型，預測時間最久，在未來5G全面普及之后，預計到2030年，我國5G基站數(shù)量達1 500萬個[1]，這對模型的實際應用提出較大挑戰(zhàn)；本文通過改進損失函數(shù)、引入最大值特征的方式，適當提升預測值，在降低誤關率的同時，盡量不降低基站召回率，最后，再結合短時預測結果，進一步降低基站誤關率，因此，該方案的基站節(jié)能系統(tǒng)誤關率降至1.91%、召回率為84.3%，且通過構建統(tǒng)一模型的方式，5 min內可完成某省5萬多小區(qū)單指標未來一天的預測，結合傳統(tǒng)預測方式，為實際應用到網(wǎng)絡中提供可能。

以某小區(qū)、下行PRB利用率為例，對比最大值統(tǒng)計、Prophet及本方案的長時預測結果。算法對比如圖7所示，細實線表示11月11日00:00－11月16日23:45的真實值，長劃線表示最大值統(tǒng)計的預測結果，點線表示Prophet的預測結果，粗實線線表示本文的長時預測結果。由圖7可知，最大值統(tǒng)計算法的預測值基本在真實值之上，導致預測結果誤差最大，但誤關率、召回率較低；Prophet算法提升了預測精度和基站召回率，但該算法的預測值在真實值上下波動，誤關率也伴隨著提升；本文改進的TCN算法通過修改損失函數(shù)、引入最大值特征，達到提升關斷閾值附近的預測精度，盡可能挖掘節(jié)能基站及可節(jié)能時段，最后，通過短時預測結果進行過濾，達到了提升基站召回率、降低基站誤關率的效果。

基于長短時聯(lián)合預測的基站節(jié)能預測如圖8所示，實線表示指標真實值，點線表示本文改進TCN的預測結果，長劃線表示短時預測結果，圖中的叉號表示糾偏的時刻點。從圖8可知，短時預測可有效糾偏改進版TCN預測結果，過濾錯誤關斷策略，有效降低基站誤關率。

圖7 算法對比

圖8 基于長短時聯(lián)合預測的基站節(jié)能預測

3 應用效果

本文提出的基于AI技術的節(jié)能方案已在河南、浙江、湖南、江西等多省份的中國移動網(wǎng)絡平臺部署應用。通過引入AI深度學習算法大幅提升預測準確率，誤關率降低至2%、召回率提升至84%。通過短時預測分析實時監(jiān)控網(wǎng)絡質量，根據(jù)網(wǎng)絡指標劣化情況下發(fā)喚醒指令，對網(wǎng)絡質量波動大的小區(qū)進行標注分類，有效降低節(jié)能策略對于網(wǎng)絡質量的影響，實現(xiàn)用戶感知零下降、投訴零增加、網(wǎng)絡質量零惡化。

為驗證節(jié)能效果，選取中國移動網(wǎng)絡某省兩個地市進行評估，為拉通不同設備的計算標準且方便計算對比，節(jié)能量統(tǒng)一按照不同節(jié)能方式取現(xiàn)網(wǎng)驗證的平均值，不同節(jié)能方式現(xiàn)網(wǎng)驗證的平均節(jié)能量見表2。

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

測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)定運行。統(tǒng)計其中兩地市2021年10—12月節(jié)能情況（兩地市網(wǎng)絡規(guī)模4G/5G小區(qū)達13.03萬個），每天約2.9萬小區(qū)（無重復）能夠節(jié)能，節(jié)能小區(qū)數(shù)和節(jié)能時長見表3。

表3 節(jié)能小區(qū)數(shù)和節(jié)能時長

根據(jù)表3，測試90天兩地市節(jié)能量總計107.10萬kW·h，日均節(jié)能量約1.19萬kW·h，應用效果顯著。

4 結束語

本文基于網(wǎng)絡大數(shù)據(jù)精準識別網(wǎng)絡共覆蓋關系，通過長短時業(yè)務量聯(lián)合預測，結合基站現(xiàn)有軟關技術手段，根據(jù)網(wǎng)絡實際覆蓋關系及業(yè)務量預測情況，動態(tài)地為每個小區(qū)推薦節(jié)能策略。本文提出的基站節(jié)能策略已在實際生產(chǎn)環(huán)境中規(guī)模應用，相比于傳統(tǒng)的定時開啟/關閉節(jié)能的方案，能夠更加科學、合理地降低基站能耗，達到降本增效、低碳環(huán)保的目的。在此基礎上，節(jié)能系統(tǒng)將融入動態(tài)門限調整、智能場景識別、網(wǎng)絡性能指標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)能技術進一步助力運營商的能效管理工作。

[1] 劉思怡. 綠色無線移動通信技術的創(chuàng)新思考[J]. 科學技術創(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)絡中的標準與應用進展[J]. 信息通信技術與政策, 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. 最小化路測方法及裝置, 通信設備和存儲介質: 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. 移動通信基站的綜合節(jié)能[J]. 電信工程技術與標準化, 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. 智能符號關斷技術在LTE系統(tǒng)的應用研究[J].電信技術, 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)能技術應用研究[J]. 廣東通信技術, 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基站技術節(jié)能策略分析與研究[J]. 通信電源技術, 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)能技術研究[J]. 電子技術應用, 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)務預測中的應用[J]. 環(huán)球市場, 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[J]. 電信科學, 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，中國移動通信有限公司研究院工程師，主要研究方向為無線網(wǎng)絡智能化技術及算法。

趙皓（1991? ），男，中國移動通信有限公司研究院工程師，主要研究方向為無線網(wǎng)絡智能化技術。

周巖（1991? ），男，中國移動通信有限公司研究院工程師，主要研究方向為無線網(wǎng)絡智能化技術。

張陽（1975? ），男，中國移動通信集團有限公司網(wǎng)絡事業(yè)部經(jīng)理，主要研究方向為無線網(wǎng)絡優(yōu)化及相關技術。

余立（1981? ），男，中國移動通信有限公司研究院高級工程師，主要研究方向為前沿移動通信技術、網(wǎng)絡智能化、大數(shù)據(jù)和IT技術。

梁燕萍（1986? ），女，中國移動通信有限公司研究院工程師，主要研究方向為網(wǎng)絡智能化技術。

馮春杰（1986? ），男，現(xiàn)就職于中國移動通信集團有限公司，主要研究方向為無線網(wǎng)絡優(yōu)化及節(jié)能技術。