第45卷
总第493期
郑佳欢，向勇
(中国电信股份有限公司研究院，广东广州510630)
【摘要】为了最大化的可节能空间，解决全网绿的智能发现问题，通过改进Affinity Propagation聚类算法对日负荷曲线进行自适应聚类，并进一步挖掘分析周效应下的日潮汐现象和汐节能时段，智能化识别的个性化节能场 景，从而周期性地采取差异化节能策略。实验分析验证了该算法的高效性和准确性，预计节能空间可达20%以上，可应
用于5G能耗的智能化管理，提高5G网络能效。
【关键词】Affinity Propagation聚类；轮廓系数；周效应；潮汐现象；个性化节能场景；5G；智慧节能
doi:10.3969/j.issn.l006-1010.2021.03.019中图分类号：TN92
文献标志码：A文章编号：1006-1010(2021)03-0091-06
引用格式：郑佳欢，向勇.基于个性化场景的5G节能方法[J1•移动通信,2021,45(3):91-96.
8= OSID：
Research on Energy-saving Methods of5G Base Station Based on Personalized Scenarios
ZHENG Jiahuan,XIANG Yong
(Research Institute of C hina Telecom Co.,Ltd.,Guangzhou510630,China)
[Abstract]In order to maximize the energy-saving space of the base station(BS),this paper solves the problem of smart discovery of green BSs in the entire network.Specifically an improved Affinity Propagation clustering algorithm is used to adaptively cluster the
daily load curve of5G BSs,and to fiirther explore and analyze the daily tidal phenomena and the duration in the night tides
under the weekly effect.Then the personalized energy-saving scenarios of BSs are intelligently identified to periodically adopt
differentiated energy-saving strategies.Experimental analysis demonstrates the efficiency and accuracy of the algorithm,and
the estimated energy-saving pace can reach more than20%.It can be applied to the intelligent management of5G BS energy
consumption to improve the energy efficiency of5G networks.
[Keywords]Affinity Propagation clustering;silhouette score;weekly effect;tidal phenomenon;personalized energy-saving scenarios;
陶瓷滤波器5G base station;intelligent energy-saving
o引言
国内5G网络所使用的频谱资源，决定了单个5G覆盖距离较短，覆盖相同区域，比4G网络需要更多的。5G耗电量预计将是4G的3~5倍[1]，给运营商的运营成本带来极大挑战。因此针对的节能降耗研究势在必行。
针对节能场景问题，国内外学者展开了深入的研究工作，且取得不错的成果。节能场景这种分类问题，按照建模方法可以分为两类：第一类是基于简单的线性模型或专家经验，依靠人工经验判断与操作；第二类是基于机器学习算法，如梯度提升回归树、神经网络等。实验证明，机器学习算法比传统方案具有更好的节能效果。
收稿日期：2020-05-27
时间序列聚类算法是一种挖掘时间序列间相似性的有效方法，可以从数据中发现一些潜在的模式。近些年有很多学者将聚类算法应用到用户行为、业务分析等方面，取得不错的成效。Jeffrey Erman[21等人采用K-Means 和DBSCAN算法有效识别相似通信特征的流量组；Jiang ZHU[3]等人对微博用户时序数据的聚类分析发现了不同体的情感特征等。李文璟等人141提出基于对称K L距离的用户互联网行为时序聚类方法；王潇迪等人切提出了基于负荷曲线形态聚类的k-shape算法在电力负荷的应用。 以上方法对初始值敏感，容易陷入局部最优，且目前涉及侧数据的聚类分析文献较少，对节能场景定义也相对保守和固化。为此，本文在提出一种基于轮廓系数迭代修正的AP聚类算法，无需预设参数，对业
翳貂丨
91
第45卷
总第493期ii研究与探讨ii
务的日负荷曲线进行自适应聚类；并考虑到“潮汐效应”导致网络资源利用率低的问题，结合周效应和汐节能时段对场景进行个性化定义，大大提高可节能空间。
1数据描述和模型构建
1.1数据描述
(1)研究对象
由于本文需要利用大量历史数据研究分析可节能的场景，考虑到在规模较小或者业务不发达的城
市，人们对网络的需求量少，负荷变化规律不显著。因此，选取规模大、网络业务活跃的某个城市某运营商作为研究对象，从而验证模型的可行性及泛化性。
(2)变量描述
由于运营商数据量庞大，对历史数据的保存时间有限。为此，选取某城市某运营商2019年连续10周的时间序列数据，涵盖六万多个每日24小时的小时级业务负荷数据记录，除了业务负荷数据之外，还收集了影响业务负荷的相关因素的数据，如：
1)设备数据。包括生产厂商、室分、频点、方向角等。
2)业务数据。包括激活用户、PDCP(Packet Data Convergence Protocol)上下行平均流量等。
3)网络数据。包括上下行PRB(Physical Resource Block)利用率、各类信道占用率等。
(3)预处理
由于信号干扰、设备故障等问题，采集的数据往往存在缺失或噪音，需要对原始数据进行预处理，得到标准、连续的数据，以便挖掘和分析。
1)缺失值填补
针对时间序列数据常见的缺失，利用周期信息进行缺失值填补(简称周期性填补法［6］)o
2)异常值处理
为保证聚类算法的有效性和指标解释的合理性，将指标数值超出正常取值范围，直接取上、下界数值。
3)特殊过滤
超低负荷(所有时点的负荷极差值小于0.1)属于全天候可节能，可采取深度休眠等策略，不在本文研究的范畴。
1.2模型构建
(1)Affinity Propagation聚类［6］算法
不同于传统聚类算法，Affinity Propagation算法不
an I疗軫亚■诸
az I2021年5月第3期 需要指定聚类簇数或其他描述聚类个数的参数，而且样本中的所有数据点都可当
作潜在的聚类中心，通过信息在节点之间传播直至产生一组高质量的聚类簇。
首先，基于节点间距离的定义，构建节点间的相似度矩阵做为输入，所有节点均作为等机会的候选聚类中心点。聚类过程中，候选聚类中心通过吸引信息矩阵(见式(1))和归属信息矩阵(见式(2))竞争，为避免震荡，引入阻尼系数久更新迭代，淘汰部分候选中心，最终筛选出Z个高质量的聚类中心(聚类数为Z)，即自动得出最优聚类中心，而避免事先人为指定，非聚类中心点也根据证据信息综合判断归类至合适的中心点完成聚类。
R(i,k)=S(i,k)_max(24(i,k)+S(i,k))(1)
k'^k
A(i,k)=min(0,R(k,k))-工max(0,•/?(：,F))⑵式中，ROK)表示i节点支持A：节点为聚类中心点的支持度，其值越大，则&点成为聚类中心的可能就越大；A(i,k)表示丘节点适合成为i节点的聚类中心的适应度大小，其值越大，则Z节点与&节点为同一类的可能越大；S(i,k)和S(i,k)分别为相似度i行&列和i行列元素。
r,+,(i,&)—(1-刃“+i(i,k)+M(i,k)⑶%+i(i,&)—(1-2)%+i(7,k)+Aa,(i,k)⑷式中，26(0,1］o
1)相似度矩阵
两两特征向量间的相似程度用欧式空间距离矩阵E』来表示：
E d=dis(F,G)=-；(5)
dis(九,&)-dis(九,g”)
2)偏向参数
偏向参数(Preference)丘是衡量点能否成为聚类中心的评判标准，该值越大，这个点成为聚类中心的可能性就越大。利用聚类评价指标选择合理的偏向参数值，能有效减少迭代次数，提高聚类精度。
3)轮廓系数
轮廓系数m是评价聚类效果好坏的一种方式，在相同数据的基础上用来评价不同算法、或者算法不同参数下对聚类结果所产生的影响。
根据样本i的簇内不相似程度«，和簇间不相似程度b…定义样本i的轮廓系数：
/.、b(i)一a(i)
M')=max{a(Z),b(i)}⑹
第45卷
总第493期
郑佳欢，向勇：基于个性化场景的5G节能方法
77T>a(z)<b(i)
s(i)=<O,a(i)=b(i)
(7)
(2)优化
利用轮廓系数对偏向参数进行修正，采用改进AP聚类算法对负荷曲线进行自适应聚类，从而优化和改善聚类效果。优化Affinity Propagation聚类算法流程图如图]所示：
图1优化AP聚类算法流程图
2实证分析
基于上述方法，本文以某城市某运营商15857个2019年连续10周的历史业务负荷作为试验数据，进行分析和验证。
2.1业务负荷的周效应识别
本文采用Python软件进行建模和分析，具体过程如下。
第一步，对历史负荷数据进行缺失值填补、异常值剔除等一系列的预处理；
第二步，基于一个的日负荷曲线，采用AP聚类算法得出聚类结果，并计算结果的轮廓系数；
第三步，通过网络搜索法遍历中值的多个分位数，调整AP聚类的偏向参数(Preference)，重复第二步；
第四步，选取轮廓系数最大的结果作为该最优的聚类结果，并识别所属的周效应类型，三种类型定义如下。
(1)周效应明显：如果聚类结果的轮廓系数大于0.65，则说明该日负荷曲线的聚类效果较佳，可认为该的周效应明显。
洗瓶(2)周趋势一致：如果聚类结果的轮廓系数小于0.65且平均相似度大于0.9，则说明的日负荷波动是极度相似的，即该属于全周的趋势一致。
(3)无明显效应：除了上述两类以外，皆认为没有明显的变化规律。
2.2日潮汐效应与汐节能时段识别
第一步，计算的潮汐效应系数，判断是否存在日潮汐现象。
假设/(x)为A一周七天24小时的业务负荷曲线函数，则潮汐系数定义为：
r=max|/(x)|-min|/(x)|,r e[0,l](8)当潮汐系数T>0.5，则判定该存在明显的日潮汐现象，否则，日潮汐现象不明显。
第二步，对存在日潮汐现象的，计算日的潮时段和汐节能时段，结合周效应和汐节能时段，进一步定义的节能场景。
根据潮汐系数，将/«<；丄丁对应的连续时间点区间
4
列为汐节能时段，从而对的日负荷曲线按时间段进行划分，筛选出多个具有节能价值的汐节能时段，进一步有针对性地采取节能策略，如按时段的载波关断等。2.3个性化节能场景的智能识别
结合的周效应类型及其0潮汐现象，准确识别日间多个有规律的可节能时段，作为的个性化节能场景：对于周效应明显的，根据日分类的类别数，可分为两或三种模式(其他不考虑)；再根据日天数，将两种模式分为1+6周效应、2+5周效应和3+4周效应，其中1+6周效应代表该一周七天的业务负荷曲线可分为两类，第一类为1天，第二类为6天的多种组合(如第一类为周日，第二类为周一到周六)；对于三种模式，则可分为1+1+5、1+2+4等多种周效应。
在周效应下，进一步对不同类别的日潮汐现象做细分，两种模式分别对应第一类和第二类的汐节能时段，三种模式分别对应第一、二和三类的汐节能时段，从而更加精确、细化地描述该类的个性化节能场景。对于周趋势一致的，即一周七天都有相似的业务走势，只需要根据第一类日潮汐效应的汐节能时段，就可对其个性化节能场景进行定义。
针对上述对个性化节能场景的定义，智能识别出3个场景做示例，实现差异化节能策略。
(1)周效应明显的
图2为广州某商务大厦(ID：856338)在
翳貂丨
93
第45卷总第493期
H 研究与探讨i!
20190603-20190812共十周的业务负荷变化情况。从图2 （a ）可看出，该类型每周重复着相似的波动规律， 即一周的前期负荷都比较高，到周末负荷处于低谷。
图2 （b ）为日负荷曲线聚类效果图，可直观看岀聚
类效果较好，该的业务模式可分成两类，即周一至
周五负荷曲线大致相同，而周末日负荷走势大体一致，
可认为属于周效应明显。考虑到商务办公类在
工作日的业务负荷要明显高于周末，汐节能时段在凌晨
0・7点；而周末员工放假，出现全天候可节能的场景，符
合实际情况，具有明显的周效应现象。因此，该的
个性化节能场景为“5+2周效应（工作日效应）：工作日
的0-7点，周末全天候”。
（2）周趋势一致的
图3为新塘民营工业园（ID ： 485435 ）在
20190603-20190812共十周的业务负荷变化情况，该类 型日业务负荷曲线走势大体一致，在凌晨处于业务 低峰期，经日潮汐分析输出汐节能时段，即0-7点，识别
该的个性化节能场景属于“周趋势一致：每日0-7点”。
耐酸碱保护膜（3 ）无规律
图4为花山支局（ID ： 856338 ）在20190603-
20190812共十周的业务负荷变化情况，可看出该类型
日业务负荷是随机波动的，经聚类得轮廓系数仅为
0.236 171，没有明显的规律，不适合执行节能策略，以 免影响用户体验。
2.4节能效益评估与分析
根据优化AP 聚类和潮汐分析，可快速、有效地自动 识别的个性化节能场景，周期性选择节能方式，智
能化启闭节能策略，如表1所示。
从结果可得，广州某商务大厦（ID ： 856338 ） 的个性化节能场景为5+2的工作日效应，第一类（周一
至周五）汐节能时段在0~8点、19〜23点，第二类（周末）
汐节能时段在0~23点，一周可节能时长高达108个小时,
可采取一周两策，在两种模式下的节能时段分别启闭合
适的节能方式，预估站点能耗最大可节省64%。新塘民
营工业园（ID ： 485435 ）个性化节能场景属于周趋
势一致下，单日的汐节能时段在1~7点，可实施一周一
策略，每周可节能时长42个小时，预估站点能耗最大可 节省25%O 而花山支局（ID ： 485710），考虑到该
类容易出现突发情况和随机波动，为保证用户体验，
不宜实施节能策略。
结果表明，个性化节能场景的智能、高效识别对能
耗管理有显著的指导意义，基于某城市全量数据可
广州茱商务大厦
20190603-20190812的小时级业务负荷曲线图
down_prb
3l w H S =l
8H d l s
353025201510
05
J
2019-06-06
2019-06-20
2019-07-04
2019-07-182019-08-012019-08-15
date
（a ） 20190603-20190812的小时级业务负荷曲线图
手指灯
广州某商务大廈第一周0Z3T6W 日员荷曲线图
广州某商务大厦第二周0610-0616的日负荷曲线图
40
saba-018
减温减压装置技术要求
35392520151005
LLI l
v u LLI s n l g s d l l n
广州某商务大B20190603-20190812的日负荷曲线聚类结果图
LLI l v y LlJ s n —
hour
012^456789 1011 121314151617 IB 19：
hour
fcn
le ld hJ Fi-i srt *
广州蔓商务大IE 第三周0617-0623的日负荷曲线图012345678 9 1Q 111213 U151********)212223
hour
广州某商务大廈第四周0624-0630的日负荷曲线图
（b ）日负荷曲线聚类效果图
图2广州某商务大厦20190603-20190812的业务负荷曲线图
94 |
蠡誌
第45卷总第493期
郑佳欢，向勇：基于个性化场景的5G 节能方法
新塘民营工业园 20190603-20190812的小时级业务负荷曲线图
8 6 4 2
a a a a 3J.¥y3srrgiJd 善
2019-06-062019-06-202019-07-04date
2019-07-182019-08-012019-08-15
新塘民营工业园20190603-20190812的日负荷曲线聚类结果图
LU Jlwl
LU
srrHBd 菩
新塢民营工业园第一周0603-0609 S 负荷曲线图UJ
l w B s r r 8B d l *D
0 1 2 3 45 6 7 8 9 101112131415161718192Q212223
hcxir
山
lwEsrrHBd 善
瞬民营工业园第二周0610-0616的日负荷曲线图
012^456789 1Q111213141516171S 193)212223
hour
新塘民营工业园第四周0624-0630的日负荷曲线图
0 12 3 45678 9 1Q 11121314151617181920212223
新媚民营工业园第三周0617-0623的日负荷曲线图hour LU
l w E s r r B H d l w o
012^456739 1011121314151*17181920212223
hour
fcn
私；
E
tu Ri skt SLTI
8 7 6 5 4 3 2
Q Q Q Q Q Q Q 31v a 3s n l m
o:
d l M a
图3新塘民营工业园20190603-20190812的业务负荷曲线图
花山支局
20190603-20190812的小时级业务负荷曲线图
down_prb
2019-06-Q62019-06-202019-07-04date
2019-07-18
2019-08-013019-08-15
花山支局20190603-20190812的日负荷曲线聚类结果图
Lu l v y
错
r r m B d 害
0 1 2 3 4 5 6 7 8 9
10 11 12 13 14 15 16 17 18 19 20 21 S 23
hour 花山支局第一周0603-0609日负荷曲线图 花山支局第二周06KHJ616的日负荷曲线图
hour hour
花山支局第三周0617-0623的日负荷曲线图
花山支局第四周0624-0630的日负荷曲錢图
01234567S9 1Q111213141516171S1920212223
hour
图4 花山支局20190603-20190812的业务负荷曲线图
霓辭釦
95
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议