本技術(shù)涉及通信，特別涉及一種基于流量預(yù)測的基站休眠方法。

背景技術(shù)：

1、通信基站作為現(xiàn)代通信的核心基礎(chǔ)設(shè)施，通過對信號的接收、解調(diào)、處理和轉(zhuǎn)發(fā)，為基站覆蓋范圍內(nèi)的終端用戶提供語音、短信及數(shù)據(jù)傳輸?shù)榷喾N服務(wù)。近年來，以5g為代表的新一代通信網(wǎng)絡(luò)正在迅速融入并推動經(jīng)濟社會各個領(lǐng)域的發(fā)展。然而，隨著智能移動終端的廣泛普及，以及虛擬現(xiàn)實、車聯(lián)網(wǎng)等新興應(yīng)用的快速崛起，當(dāng)前5g基站能耗已達(dá)無線通信網(wǎng)絡(luò)總能耗的70％，對通信基站的電力消耗和運營成本提出更高標(biāo)準(zhǔn)和更高要求。此外，通信流量在時間和空間上的分布不均，造成的網(wǎng)絡(luò)資源浪費進一步加劇了能耗問題。例如，城市地區(qū)在高峰時段常常面臨網(wǎng)絡(luò)資源緊張，而農(nóng)村地區(qū)在非高峰時段則出現(xiàn)資源嚴(yán)重過剩的情況。通過預(yù)測未來的通信流量，對通信基站實施動態(tài)休眠控制，是提升網(wǎng)絡(luò)資源利用效率、降低通信基站能耗、促進綠色通信的最簡單、直觀和有效的手段。

2、當(dāng)前，我國已建成全球規(guī)模最大、技術(shù)最先進的5g通信網(wǎng)絡(luò)，使得通信網(wǎng)絡(luò)的數(shù)據(jù)容量和連接密度顯著提升，為大規(guī)模數(shù)據(jù)采集與分析奠定了堅實基礎(chǔ)。與此同時，智能手機、智能手表、電腦等設(shè)備的持有量持續(xù)增長，每個終端設(shè)備在使用過程中將源源不斷產(chǎn)生大量數(shù)據(jù)。這些數(shù)據(jù)蘊含著用戶日常活動中網(wǎng)絡(luò)流量豐富的時空變化模式，能夠提供覆蓋面全、動態(tài)性強、可靠性高的數(shù)據(jù)基礎(chǔ)。

3、基站休眠策略旨在滿足用戶網(wǎng)絡(luò)流量需求的基礎(chǔ)上，盡可能休眠多的基站，以減少基站能耗。然而，網(wǎng)絡(luò)流量受到節(jié)日、天氣、交通等諸多業(yè)務(wù)環(huán)境因素的影響，其變化規(guī)律復(fù)雜多樣，往往隨時空位置而變化。如何理解網(wǎng)絡(luò)流量的空間異質(zhì)動態(tài)變化，對網(wǎng)絡(luò)流量進行實時、精準(zhǔn)預(yù)測，是基站休眠策略實施的重要前提?，F(xiàn)有基于流量預(yù)測的基站休眠方法主要分為基于統(tǒng)計理論的方法和基于深度學(xué)習(xí)的方法?；诮y(tǒng)計理論的方法應(yīng)用線性參數(shù)化數(shù)學(xué)模型對歷史網(wǎng)絡(luò)流量數(shù)據(jù)的時間依賴性進行擬合，具有計算簡單、模型參數(shù)可解釋的特點。然而，實際網(wǎng)絡(luò)流量表現(xiàn)復(fù)雜的非線性特征和空間依賴性，這使得基于統(tǒng)計理論的方法固有的樣本獨立性假設(shè)難以成立，無法對網(wǎng)絡(luò)流量時空變化規(guī)律進行全面精準(zhǔn)擬合。基于深度學(xué)習(xí)的方法應(yīng)用深度神經(jīng)網(wǎng)絡(luò)模型對大規(guī)模歷史網(wǎng)絡(luò)流量數(shù)據(jù)中蘊含的復(fù)雜時空依賴性進行擬合，具有特征挖掘深、擬合能力強的優(yōu)勢。這些方法多關(guān)注于網(wǎng)絡(luò)流量的整體時空依賴性，較少關(guān)注局部空間異質(zhì)性。即便一些模型考慮了局部空間異質(zhì)性，其較高的建模成本也成為其實際應(yīng)用的主要限制。此外，這些方法忽視了空間異質(zhì)性的動態(tài)性，難以揭示不同時刻業(yè)務(wù)環(huán)境下的網(wǎng)絡(luò)流量時空動態(tài)規(guī)律，進而影響用戶網(wǎng)絡(luò)流量需求的預(yù)測效率和精度，導(dǎo)致存在對基站進行休眠控制的準(zhǔn)確性低的問題。

技術(shù)實現(xiàn)思路

1、本技術(shù)提供了一種基于流量預(yù)測的基站休眠方法，可以解決對基站進行休眠控制的準(zhǔn)確性低的問題。

2、第一方面，本技術(shù)實施例提供了一種基于流量預(yù)測的基站休眠方法，該基站休眠方法包括：

3、獲取目標(biāo)區(qū)域的每個空間單元的歷史網(wǎng)絡(luò)流量數(shù)據(jù)和空間環(huán)境數(shù)據(jù)；歷史網(wǎng)絡(luò)流量數(shù)據(jù)包括空間單元在多個歷史時刻的網(wǎng)絡(luò)流量；

4、對每個歷史網(wǎng)絡(luò)流量數(shù)據(jù)進行特征提取，得到每個空間單元的流量特征向量，并基于所有流量特征向量計算每兩個空間單元之間的時序相似度；

5、基于所有時序相似度構(gòu)建時空依賴圖；時空依賴圖中的多個節(jié)點與多個空間單元一一對應(yīng)，兩個節(jié)點之間的邊為對應(yīng)的兩個空間單元之間的相似關(guān)系；

6、根據(jù)所有空間單元的空間環(huán)境數(shù)據(jù)獲取目標(biāo)區(qū)域的靜態(tài)環(huán)境特征和每個歷史時刻對應(yīng)的動態(tài)環(huán)境特征，并基于靜態(tài)環(huán)境特征和所有動態(tài)環(huán)境特征計算流量預(yù)測模型的模型參數(shù)；

7、基于時空依賴圖和模型參數(shù)，利用流量預(yù)測模型對目標(biāo)區(qū)域進行流量預(yù)測，得到所有空間單元的預(yù)測網(wǎng)絡(luò)流量；

8、根據(jù)預(yù)測網(wǎng)絡(luò)流量構(gòu)建用于描述目標(biāo)區(qū)域的所有基站狀態(tài)的優(yōu)化目標(biāo)函數(shù)，并對優(yōu)化目標(biāo)函數(shù)進行最小化求解，得到目標(biāo)區(qū)域的基站休眠控制方案；基站休眠控制方案用于描述所有基站的運行狀態(tài)。

9、可選的，對每個歷史網(wǎng)絡(luò)流量數(shù)據(jù)進行特征提取，得到每個空間單元的流量特征向量，包括：

10、分別針對每個歷史網(wǎng)絡(luò)流量數(shù)據(jù)，對歷史網(wǎng)絡(luò)流量數(shù)據(jù)進行傅里葉變換，得到頻譜序列，并選取頻譜序列中的前多個歷史時刻對應(yīng)的元素為關(guān)鍵元素，基于所有關(guān)鍵元素構(gòu)造流量特征向量。

11、可選的，對歷史網(wǎng)絡(luò)流量數(shù)據(jù)進行傅里葉變換，得到頻譜序列，包括：

12、通過公式：

13、

14、對第i個歷史網(wǎng)絡(luò)流量數(shù)據(jù)進行傅里葉變換，得到第i個頻譜序列si(u)；

15、其中，xi(t)表示第i個歷史網(wǎng)絡(luò)流量數(shù)據(jù)中第t個歷史時刻的網(wǎng)絡(luò)流量，l-1表示最后一個歷史時刻的編號，j表示虛數(shù)單位；

16、基于所有關(guān)鍵元素構(gòu)造流量特征向量，包括：

17、通過公式：

18、

19、計算第i個流量特征向量fi；

20、其中，si(u0)表示第i個頻譜序列的第0個關(guān)鍵元素，表示第i個頻譜序列的第kf個關(guān)鍵元素，表示si(u0)的實部，表示si(u0)的虛部，表示的實部，表示的虛部；

21、基于所有流量特征向量計算每兩個空間單元之間的時序相似度，包括：

22、通過公式：

23、

24、

25、計算第i個空間單元與第g個空間單元之間的時序相似度d(fi,fg)；

26、其中，sg(u0)表示第g個頻譜序列的第0個關(guān)鍵元素，表示第g個頻譜序列的第kf個關(guān)鍵元素，表示sg(u0)的實部，表示的虛部，i,g∈(1,2,...,n)，i≠g，n表示空間單元的數(shù)量。

27、可選的，基于所有時序相似度構(gòu)建時空依賴圖，包括：

28、分別針對每個空間單元，將空間單元對應(yīng)的所有時序相似度由大到小進行排序，將排序結(jié)果中前多個時序相似度均作為目標(biāo)時序相似度，并認(rèn)為空間單元與每個目標(biāo)時序相似度對應(yīng)的空間單元之間具有相似關(guān)系；

29、將多個空間單元作為多個節(jié)點，若兩個節(jié)點對應(yīng)的兩個空間單元之間具有相似關(guān)系，則在兩個節(jié)點之間生成一條邊，構(gòu)建時空依賴圖。

30、可選的，空間環(huán)境數(shù)據(jù)包括空間單元的靜態(tài)環(huán)境數(shù)據(jù)和多個歷史時刻的動態(tài)環(huán)境數(shù)據(jù)；

31、根據(jù)所有空間單元的空間環(huán)境數(shù)據(jù)獲取目標(biāo)區(qū)域的靜態(tài)環(huán)境特征和每個歷史時刻對應(yīng)的動態(tài)環(huán)境特征，包括：

32、對所有空間單元的靜態(tài)環(huán)境數(shù)據(jù)進行特征提取，得到目標(biāo)區(qū)域的靜態(tài)環(huán)境特征；

33、對每個歷史時刻所有空間單元的動態(tài)環(huán)境數(shù)據(jù)進行特征提取，得到目標(biāo)區(qū)域在每個歷史時刻對應(yīng)的動態(tài)環(huán)境特征。

34、可選的，基于靜態(tài)環(huán)境特征和所有動態(tài)環(huán)境特征計算流量預(yù)測模型的模型參數(shù)，包括：

35、根據(jù)靜態(tài)環(huán)境特征和所有動態(tài)環(huán)境特征獲取目標(biāo)區(qū)域在每個歷史時刻的地理元知識；

36、分別針對每個歷史時刻，基于歷史時刻對應(yīng)的地理元知識生成歷史時刻流量預(yù)測模型的模型參數(shù)。

37、可選的，根據(jù)靜態(tài)環(huán)境特征和動態(tài)環(huán)境特征獲取目標(biāo)區(qū)域在每個歷史時刻的地理元知識，包括：

38、通過公式：

39、

40、計算第t個歷史時刻的地理元知識mkt；

41、其中，表示卷積濾波器，sf表示靜態(tài)環(huán)境特征，dft表示第t個歷史時刻的動態(tài)環(huán)境特征，||表示特征連接運算符，reshape()表示重組函數(shù)；

42、基于地理元知識生成歷史時刻流量預(yù)測模型的模型參數(shù)，包括：

43、通過公式：

44、mt＝reshape-1(mkt)mshared

45、計算第t個歷史時刻的模型參數(shù)mt；

46、其中，mshared表示共享參數(shù)矩陣，wr,i,wz,i,wh,i,br,i,bz,i,bh,i均為流量預(yù)測模型中的參數(shù)。

47、可選的，基于時空依賴圖和模型參數(shù)，利用流量預(yù)測模型對目標(biāo)區(qū)域進行流量預(yù)測，得到所有空間單元的預(yù)測網(wǎng)絡(luò)流量，包括：

48、基于所有歷史網(wǎng)絡(luò)流量數(shù)據(jù)和所有動態(tài)環(huán)境數(shù)據(jù)，獲取目標(biāo)區(qū)域在每個歷史時刻的潛在時間依賴性特征；

49、利用時空依賴圖和每個歷史時刻的潛在時間依賴性特征計算每個歷史時刻的時空依賴性特征；

50、分別針對每個歷史時刻，利用歷史時刻的模型參數(shù)和所有時空依賴性特征，提取歷史時刻的動態(tài)異質(zhì)時空依賴性特征；

51、基于最后一個歷史時刻的動態(tài)異質(zhì)時空依賴性特征進行流量預(yù)測，得到所有空間單元的預(yù)測網(wǎng)絡(luò)流量。

52、可選的，基于所有歷史網(wǎng)絡(luò)流量數(shù)據(jù)和所有動態(tài)環(huán)境數(shù)據(jù)，獲取目標(biāo)區(qū)域在每個歷史時刻的潛在時間依賴性特征，包括：

53、通過公式：

54、

55、計算第t個歷史時刻的潛在時間依賴性特征

56、其中，表示在第t個歷史時刻第i個空間單元的潛在時間依賴性特征，n表示空間單元的數(shù)量，xt表示第t個歷史時刻所有空間單元的網(wǎng)絡(luò)流量，det表示第t個歷史時刻所有空間單元的動態(tài)環(huán)境數(shù)據(jù)，gru()表示門控循環(huán)單元，表示第t-1個歷史時刻的潛在時間依賴性特征，當(dāng)t＝0時，為預(yù)設(shè)的初始值；

57、利用時空依賴圖和每個歷史時刻的潛在時間依賴性特征計算每個歷史時刻的時空依賴性特征，包括：

58、通過公式：

59、

60、計算第t個歷史時刻的時空依賴性特征

61、其中，表示在第t個歷史時刻第i個空間單元與第j個空間單元之間的相似度權(quán)重向量，表示在第t個歷史時刻第j個空間單元的潛在時間依賴性特征，wg和bg表示參數(shù)，表示在第t個歷史時刻第i個空間單元與第j個空間單元之間的注意力得分向量，n(i)表示在時空依賴圖中與第i個空間單元對應(yīng)的節(jié)點相鄰的所有節(jié)點對應(yīng)的空間單元的編號，表示在第t個歷史時刻第i個空間單元的時空依賴性特征，leakyrelu表示激活函數(shù)，x表示激活函數(shù)的輸入數(shù)據(jù)，α表示超參數(shù)；

62、利用歷史時刻的模型參數(shù)和所有時空依賴性特征，提取歷史時刻的動態(tài)異質(zhì)時空依賴性特征，包括：

63、通過公式：

64、

65、計算第t個歷史時刻的動態(tài)異質(zhì)時空依賴性特征

66、其中，表示在第t個歷史時刻第i個空間單元對應(yīng)的重置門輸出，表示在第t個歷史時刻第i個空間單元的動態(tài)異質(zhì)時空依賴性特征，表示在第t-1個歷史時刻第i個空間單元的動態(tài)異質(zhì)時空依賴性特征，表示在第t個歷史時刻第i個空間單元對應(yīng)的更新門輸出，表示在第t個歷史時刻第i個空間單元的候選隱狀態(tài)；

67、基于最后一個歷史時刻的動態(tài)異質(zhì)時空依賴性特征進行流量預(yù)測，得到所有空間單元的預(yù)測網(wǎng)絡(luò)流量，包括：

68、通過公式：

69、

70、計算所有空間單元的預(yù)測網(wǎng)絡(luò)流量

71、其中，表示所有空間單元的預(yù)測動態(tài)環(huán)境數(shù)據(jù)，mkt表示地理元知識，表示最后一個歷史時刻的動態(tài)異質(zhì)時空依賴性特征，wp和bp均表示參數(shù)。

72、可選的，優(yōu)化目標(biāo)函數(shù)為：

73、

74、其中，e表示覆蓋能耗矩陣，em,i表示第m個基站服務(wù)于第i個空間單元時的能耗，m表示目標(biāo)區(qū)域基站的數(shù)量，n表示空間單元的數(shù)量，st′表示未來時刻的基站狀態(tài)矩陣，表示第m個基站的狀態(tài)，當(dāng)時，表示第m個基站在未來時刻為工作狀態(tài)，當(dāng)時，表示第m個基站在未來時刻為休眠狀態(tài)，e0表示基站固定能耗矩陣，表示第m個基站的固定能耗，es表示基站狀態(tài)切換能耗矩陣，表示第m個基站切換狀態(tài)的能耗，st′-1表示未來時刻的上一時刻的基站狀態(tài)矩陣，f表示覆蓋流量矩陣，fm,i表示第m個基站服務(wù)于第i個空間單元時能夠提供的流量負(fù)載。

75、第二方面，本技術(shù)實施例提供了一種基于流量預(yù)測的基站休眠裝置，包括：

76、第一獲取模塊，獲取目標(biāo)區(qū)域的每個空間單元的歷史網(wǎng)絡(luò)流量數(shù)據(jù)和空間環(huán)境數(shù)據(jù)；歷史網(wǎng)絡(luò)流量數(shù)據(jù)包括空間單元在多個歷史時刻的網(wǎng)絡(luò)流量；

77、特征提取模塊，對每個歷史網(wǎng)絡(luò)流量數(shù)據(jù)進行特征提取，得到每個空間單元的流量特征向量，并基于所有流量特征向量計算每兩個空間單元之間的時序相似度；

78、構(gòu)建模塊，基于所有時序相似度構(gòu)建時空依賴圖；時空依賴圖中的多個節(jié)點與多個空間單元一一對應(yīng)，兩個節(jié)點之間的邊為對應(yīng)的兩個空間單元之間的相似關(guān)系；

79、第二獲取模塊，根據(jù)所有空間單元的空間環(huán)境數(shù)據(jù)獲取目標(biāo)區(qū)域的靜態(tài)環(huán)境特征和每個歷史時刻對應(yīng)的動態(tài)環(huán)境特征，并基于靜態(tài)環(huán)境特征和所有動態(tài)環(huán)境特征計算流量預(yù)測模型的模型參數(shù)；

80、流量預(yù)測模塊，基于時空依賴圖和模型參數(shù)，利用流量預(yù)測模型對目標(biāo)區(qū)域進行流量預(yù)測，得到所有空間單元的預(yù)測網(wǎng)絡(luò)流量；

81、最小化求解模塊，根據(jù)預(yù)測網(wǎng)絡(luò)流量構(gòu)建用于描述目標(biāo)區(qū)域的所有基站狀態(tài)的優(yōu)化目標(biāo)函數(shù)，并對優(yōu)化目標(biāo)函數(shù)進行最小化求解，得到目標(biāo)區(qū)域的基站休眠控制方案；基站休眠控制方案用于描述所有基站的運行狀態(tài)。

82、第三方面，本技術(shù)實施例提供了一種終端設(shè)備，包括存儲器、處理器以及存儲在存儲器中并可在處理器上運行的計算機程序，該處理器執(zhí)行上述計算機程序時實現(xiàn)上述的基于流量預(yù)測的基站休眠方法。

83、第四方面，本技術(shù)實施例提供了一種計算機可讀存儲介質(zhì)，該計算機可讀存儲介質(zhì)存儲有計算機程序，該計算機程序被處理器執(zhí)行時實現(xiàn)上述的基于流量預(yù)測的基站休眠方法。

84、本技術(shù)的上述方案有如下的有益效果：

85、在本技術(shù)的實施例中，通過獲取目標(biāo)區(qū)域的每個空間單元的歷史網(wǎng)絡(luò)流量數(shù)據(jù)和空間環(huán)境數(shù)據(jù)，然后對每個歷史網(wǎng)絡(luò)流量數(shù)據(jù)進行特征提取，得到每個空間單元的流量特征向量，并基于所有流量特征向量計算每兩個空間單元之間的時序相似度，再基于所有時序相似度構(gòu)建時空依賴圖，然后根據(jù)所有空間單元的空間環(huán)境數(shù)據(jù)獲取目標(biāo)區(qū)域的靜態(tài)環(huán)境特征和每個歷史時刻對應(yīng)的動態(tài)環(huán)境特征，并基于靜態(tài)環(huán)境特征和所有動態(tài)環(huán)境特征計算流量預(yù)測模型的模型參數(shù)，再基于時空依賴圖和模型參數(shù)，利用流量預(yù)測模型對目標(biāo)區(qū)域進行流量預(yù)測，得到所有空間單元的預(yù)測網(wǎng)絡(luò)流量，最后根據(jù)預(yù)測網(wǎng)絡(luò)流量構(gòu)建用于描述目標(biāo)區(qū)域的所有基站狀態(tài)的優(yōu)化目標(biāo)函數(shù)，并對優(yōu)化目標(biāo)函數(shù)進行最小化求解，得到目標(biāo)區(qū)域的基站休眠控制方案。其中，基于空間環(huán)境數(shù)據(jù)和歷史網(wǎng)絡(luò)流量數(shù)據(jù)進行流量預(yù)測，分析了空間和時序兩個維度上網(wǎng)絡(luò)流量的特征，表征空間和時間對于網(wǎng)絡(luò)流量的影響，有效提高了流量預(yù)測的準(zhǔn)確性，基于準(zhǔn)確性高的預(yù)測網(wǎng)絡(luò)流量構(gòu)建基站的優(yōu)化目標(biāo)函數(shù)，使得優(yōu)化目標(biāo)函數(shù)能夠合理地、精確地描述未來時刻基站的狀態(tài)，基于合理且精確的優(yōu)化目標(biāo)函數(shù)對基站進行休眠控制，有效提高了對基站進行休眠控制的準(zhǔn)確性。

86、本技術(shù)的其它有益效果將在隨后的具體實施方式部分予以詳細(xì)說明。