基于個性化場景的5G基站節(jié)能方法

（中國電信股份有限公司研究院，廣東 廣州 510630）

0 引言

國內(nèi)5G網(wǎng)絡(luò)所使用的頻譜資源，決定了單個5G基站覆蓋距離較短，覆蓋相同區(qū)域，比4G網(wǎng)絡(luò)需要更多的基站。5G基站耗電量預(yù)計將是4G的3～5倍[1]，給運營商的運營成本帶來極大挑戰(zhàn)。因此針對基站的節(jié)能降耗研究勢在必行。

針對基站節(jié)能場景問題，國內(nèi)外學(xué)者展開了深入的研究工作，且取得不錯的成果。基站節(jié)能場景這種分類問題，按照建模方法可以分為兩類：第一類是基于簡單的線性模型或?qū)＜医?jīng)驗，依靠人工經(jīng)驗判斷與操作；第二類是基于機器學(xué)習(xí)算法，如梯度提升回歸樹、神經(jīng)網(wǎng)絡(luò)等。實驗證明，機器學(xué)習(xí)算法比傳統(tǒng)方案具有更好的節(jié)能效果。

時間序列聚類算法是一種挖掘時間序列間相似性的有效方法，可以從數(shù)據(jù)中發(fā)現(xiàn)一些潛在的模式。近些年有很多學(xué)者將聚類算法應(yīng)用到用戶行為、業(yè)務(wù)分析等方面，取得不錯的成效。Jeffrey Erman[2]等人采用K-Means和DBSCAN算法有效識別相似通信特征的流量組；Jiang ZHU[3]等人對微博用戶時序數(shù)據(jù)的聚類分析發(fā)現(xiàn)了不同群體的情感特征等。李文璟等人[4]提出基于對稱KL距離的用戶互聯(lián)網(wǎng)行為時序聚類方法；王瀟迪等人[5]提出了基于負荷曲線形態(tài)聚類的k-shape算法在電力負荷的應(yīng)用。

以上方法對初始值敏感，容易陷入局部最優(yōu)，且目前涉及基站側(cè)數(shù)據(jù)的聚類分析文獻較少，對節(jié)能場景定義也相對保守和固化。為此，本文在提出一種基于輪廓系數(shù)迭代修正的AP聚類算法，無需預(yù)設(shè)參數(shù)，對基站業(yè)務(wù)的日負荷曲線進行自適應(yīng)聚類；并考慮到“潮汐效應(yīng)”導(dǎo)致網(wǎng)絡(luò)資源利用率低的問題，結(jié)合周效應(yīng)和汐節(jié)能時段對場景進行個性化定義，大大提高可節(jié)能空間。

1 數(shù)據(jù)描述和模型構(gòu)建

1.1 數(shù)據(jù)描述

（1）研究對象

由于本文需要利用大量歷史數(shù)據(jù)研究分析基站可節(jié)能的場景，考慮到在規(guī)模較小或者業(yè)務(wù)不發(fā)達的城市，人們對網(wǎng)絡(luò)的需求量少，基站負荷變化規(guī)律不顯著。因此，選取規(guī)模大、網(wǎng)絡(luò)業(yè)務(wù)活躍的某個城市某運營商基站作為研究對象，從而驗證模型的可行性及泛化性。

（2）變量描述

由于運營商數(shù)據(jù)量龐大，對歷史數(shù)據(jù)的保存時間有限。為此，選取某城市某運營商2019年連續(xù)10周的時間序列數(shù)據(jù)，涵蓋六萬多個基站每日24小時的小時級業(yè)務(wù)負荷數(shù)據(jù)記錄，除了業(yè)務(wù)負荷數(shù)據(jù)之外，還收集了影響業(yè)務(wù)負荷的相關(guān)因素的數(shù)據(jù)，如：

1）設(shè)備數(shù)據(jù)。包括生產(chǎn)廠商、室分、頻點、方向角等。

2）業(yè)務(wù)數(shù)據(jù)。包括激活用戶、PDCP（Packet Data Convergence Protocol）上下行平均流量等。

3）網(wǎng)絡(luò)數(shù)據(jù)。包括上下行PRB（Physical Resource Block）利用率、各類信道占用率等。

（3）預(yù)處理

由于信號干擾、設(shè)備故障等問題，基站采集的數(shù)據(jù)往往存在缺失或噪音，需要對原始數(shù)據(jù)進行預(yù)處理，得到標準、連續(xù)的數(shù)據(jù)，以便挖掘和分析。

1）缺失值填補

針對時間序列數(shù)據(jù)常見的缺失，利用周期信息進行缺失值填補（簡稱周期性填補法[6]）。

2）異常值處理

為保證聚類算法的有效性和指標解釋的合理性，將指標數(shù)值超出正常取值范圍，直接取上、下界數(shù)值。

3）特殊過濾

超低負荷基站（所有時點的負荷極差值小于0.1）屬于全天候可節(jié)能，可采取深度休眠等策略，不在本文研究的范疇。

1.2 模型構(gòu)建

（1）Affinity Propagation聚類[6]算法

不同于傳統(tǒng)聚類算法，Affinity Propagation算法不需要指定聚類簇數(shù)或其他描述聚類個數(shù)的參數(shù)，而且樣本中的所有數(shù)據(jù)點都可當(dāng)作潛在的聚類中心，通過信息在節(jié)點之間傳播直至產(chǎn)生一組高質(zhì)量的聚類簇。

首先，基于節(jié)點間距離的定義，構(gòu)建節(jié)點間的相似度矩陣做為輸入，所有節(jié)點均作為等機會的候選聚類中心點。聚類過程中，候選聚類中心通過吸引信息矩陣（見式(1)）和歸屬信息矩陣（見式(2)）競爭，為避免震蕩，引入阻尼系數(shù)λ更新迭代，淘汰部分候選中心，最終篩選出L個高質(zhì)量的聚類中心（聚類數(shù)為L），即自動得出最優(yōu)聚類中心，而避免事先人為指定，非聚類中心點也根據(jù)證據(jù)信息綜合判斷歸類至合適的中心點完成聚類。

式中，R(i,k)表示i節(jié)點支持k節(jié)點為聚類中心點的支持度，其值越大，則k點成為聚類中心的可能就越大；A(i,k)表示k節(jié)點適合成為i節(jié)點的聚類中心的適應(yīng)度大小，其值越大，則i節(jié)點與k節(jié)點為同一類的可能越大；S(i,k)和S(i,k')分別為相似度i行k列和i行k'列元素。

式中，λ∈(0,1]。

1）相似度矩陣

兩兩特征向量間的相似程度用歐式空間距離矩陣Ed來表示：

2）偏向參數(shù)

偏向參數(shù)（Preference）k是衡量點能否成為聚類中心的評判標準，該值越大，這個點成為聚類中心的可能性就越大。利用聚類評價指標選擇合理的偏向參數(shù)值，能有效減少迭代次數(shù)，提高聚類精度。

3）輪廓系數(shù)

輪廓系數(shù)[7]是評價聚類效果好壞的一種方式，在相同數(shù)據(jù)的基礎(chǔ)上用來評價不同算法、或者算法不同參數(shù)下對聚類結(jié)果所產(chǎn)生的影響。

根據(jù)樣本i的簇內(nèi)不相似程度ai和簇間不相似程度bi，定義樣本i的輪廓系數(shù)：

（2）優(yōu)化

利用輪廓系數(shù)對偏向參數(shù)進行修正，采用改進AP聚類算法對負荷曲線進行自適應(yīng)聚類，從而優(yōu)化和改善聚類效果。優(yōu)化Affinity Propagation聚類算法流程圖如圖1所示：

圖1 優(yōu)化AP聚類算法流程圖

2 實證分析

基于上述方法，本文以某城市某運營商15 857個基站2019年連續(xù)10周的歷史業(yè)務(wù)負荷作為試驗數(shù)據(jù)，進行分析和驗證。

2.1 基站業(yè)務(wù)負荷的周效應(yīng)識別

本文采用Python軟件進行建模和分析，具體過程如下。

第一步，對歷史負荷數(shù)據(jù)進行缺失值填補、異常值剔除等一系列的預(yù)處理；

第二步，基于一個基站的日負荷曲線，采用AP聚類算法得出聚類結(jié)果，并計算結(jié)果的輪廓系數(shù)；

第三步，通過網(wǎng)絡(luò)搜索法遍歷中值的多個分位數(shù)，調(diào)整AP聚類的偏向參數(shù)（Preference），重復(fù)第二步；

第四步，選取輪廓系數(shù)最大的結(jié)果作為該基站最優(yōu)的聚類結(jié)果，并識別所屬的周效應(yīng)類型，三種類型定義如下。

（1）周效應(yīng)明顯：如果聚類結(jié)果的輪廓系數(shù)大于0.65，則說明該基站日負荷曲線的聚類效果較佳，可認為該基站的周效應(yīng)明顯。

（2）周趨勢一致：如果聚類結(jié)果的輪廓系數(shù)小于0.65且平均相似度大于0.9，則說明基站的日負荷波動是極度相似的，即該基站屬于全周的趨勢一致。

（3）無明顯效應(yīng)：除了上述兩類基站以外，皆認為沒有明顯的變化規(guī)律。

2.2 日潮汐效應(yīng)與汐節(jié)能時段識別

第一步，計算基站的潮汐效應(yīng)系數(shù)，判斷是否存在日潮汐現(xiàn)象。

假設(shè)f(x)為A基站一周七天24小時的業(yè)務(wù)負荷曲線函數(shù)，則潮汐系數(shù)定義為：

當(dāng)潮汐系數(shù)T＞0.5，則判定該基站存在明顯的日潮汐現(xiàn)象，否則，日潮汐現(xiàn)象不明顯。

第二步，對存在日潮汐現(xiàn)象的基站，計算日的潮時段和汐節(jié)能時段，結(jié)合周效應(yīng)和汐節(jié)能時段，進一步定義基站的節(jié)能場景。

2.3 個性化節(jié)能場景的智能識別

結(jié)合基站的周效應(yīng)類型及其日潮汐現(xiàn)象，準確識別日間多個有規(guī)律的可節(jié)能時段，作為基站的個性化節(jié)能場景：

對于周效應(yīng)明顯的基站，根據(jù)日分類的類別數(shù)，可分為兩或三種模式（其他不考慮）；再根據(jù)日天數(shù)，將兩種模式基站分為1+6周效應(yīng)、2+5周效應(yīng)和3+4周效應(yīng)，其中1+6周效應(yīng)代表該基站一周七天的業(yè)務(wù)負荷曲線可分為兩類，第一類為1天，第二類為6天的多種組合（如第一類為周日，第二類為周一到周六）；對于三種模式基站，則可分為1+1+5、1+2+4等多種周效應(yīng)。

在周效應(yīng)下，進一步對不同類別的日潮汐現(xiàn)象做細分，兩種模式基站分別對應(yīng)第一類和第二類的汐節(jié)能時段，三種模式基站分別對應(yīng)第一、二和三類的汐節(jié)能時段，從而更加精確、細化地描述該類基站的個性化節(jié)能場景。對于周趨勢一致的基站，即一周七天都有相似的業(yè)務(wù)走勢，只需要根據(jù)第一類日潮汐效應(yīng)的汐節(jié)能時段，就可對其個性化節(jié)能場景進行定義。

針對上述對個性化節(jié)能場景的定義，智能識別出3個場景做示例，實現(xiàn)差異化節(jié)能策略。

（1）周效應(yīng)明顯的基站

圖2為廣州某商務(wù)大廈基站（ID：856338）在20190603-20190812共十周的業(yè)務(wù)負荷變化情況。從圖2（a）可看出，該類型基站每周重復(fù)著相似的波動規(guī)律，即一周的前期負荷都比較高，到周末負荷處于低谷。

圖2 廣州某商務(wù)大廈基站20190603-20190812的業(yè)務(wù)負荷曲線圖

圖2（b）為日負荷曲線聚類效果圖，可直觀看出聚類效果較好，該基站的業(yè)務(wù)模式可分成兩類，即周一至周五負荷曲線大致相同，而周末日負荷走勢大體一致，可認為屬于周效應(yīng)明顯基站。考慮到商務(wù)辦公類基站在工作日的業(yè)務(wù)負荷要明顯高于周末，汐節(jié)能時段在凌晨0-7點；而周末員工放假，出現(xiàn)全天候可節(jié)能的場景，符合實際情況，具有明顯的周效應(yīng)現(xiàn)象。因此，該基站的個性化節(jié)能場景為“5+2周效應(yīng)（工作日效應(yīng)）：工作日的0-7點，周末全天候”。

（2）周趨勢一致的基站

圖3為新塘民營工業(yè)園基站（ID：485435）在20190603-20190812共十周的業(yè)務(wù)負荷變化情況，該類型基站日業(yè)務(wù)負荷曲線走勢大體一致，在凌晨處于業(yè)務(wù)低峰期，經(jīng)日潮汐分析輸出汐節(jié)能時段，即0-7點，識別該基站的個性化節(jié)能場景屬于“周趨勢一致：每日0-7點”。

圖3 新塘民營工業(yè)園基站20190603-20190812的業(yè)務(wù)負荷曲線圖

（3）無規(guī)律基站

圖4為花山支局基站（ID：856338）在20190603-20190812共十周的業(yè)務(wù)負荷變化情況，可看出該類型基站日業(yè)務(wù)負荷是隨機波動的，經(jīng)聚類得輪廓系數(shù)僅為0.236 171，沒有明顯的規(guī)律，不適合執(zhí)行節(jié)能策略，以免影響用戶體驗。

圖4 花山支局基站20190603-20190812的業(yè)務(wù)負荷曲線圖

2.4 節(jié)能效益評估與分析

根據(jù)優(yōu)化AP聚類和潮汐分析，可快速、有效地自動識別基站的個性化節(jié)能場景，周期性選擇節(jié)能方式，智能化啟閉節(jié)能策略，如表1所示。

表1 基站的個性化節(jié)能場景

從結(jié)果可得，廣州某商務(wù)大廈基站（ID：856338）的個性化節(jié)能場景為5+2的工作日效應(yīng)，第一類（周一至周五）汐節(jié)能時段在0～8點、19～23點，第二類（周末）汐節(jié)能時段在0～23點，一周可節(jié)能時長高達108個小時，可采取一周兩策，在兩種模式下的節(jié)能時段分別啟閉合適的節(jié)能方式，預(yù)估站點能耗最大可節(jié)省64%。新塘民營工業(yè)園基站（ID：485435）個性化節(jié)能場景屬于周趨勢一致下，單日的汐節(jié)能時段在1～7點，可實施一周一策略，每周可節(jié)能時長42個小時，預(yù)估站點能耗最大可節(jié)省25%。而花山支局基站（ID：485710），考慮到該類基站容易出現(xiàn)突發(fā)情況和隨機波動，為保證用戶體驗，不宜實施節(jié)能策略。

結(jié)果表明，個性化節(jié)能場景的智能、高效識別對能耗管理有顯著的指導(dǎo)意義，基于某城市全量基站數(shù)據(jù)可測算出，在保證不影響網(wǎng)絡(luò)性能指標KPI前提下，平均可節(jié)省功耗超過20%，具有良好的節(jié)能應(yīng)用效果。

3 結(jié)束語

本文提出基于基站的日負荷特性指標，通過改進AP聚類算法，并結(jié)合日潮汐效應(yīng)和節(jié)能時段，智能、高效地識別出基站的個性化節(jié)能場景。算例證明聚類效果的可靠性和識別節(jié)能場算法的有效性，有助于運營商在滿足業(yè)務(wù)QoS[8]需求的基礎(chǔ)上，提高基站的能源效率，達到5G基站節(jié)能的目的，可進一步應(yīng)用到現(xiàn)網(wǎng)，實現(xiàn)5G基站能耗的智能化管理，優(yōu)化網(wǎng)絡(luò)資源，提升運營商市場競爭力和可持續(xù)發(fā)展能力。