0 引言

    中國是較早研發(fā)5G技術(shù)的國家之一,，在技術(shù)發(fā)展、網(wǎng)絡(luò)部署和商用規(guī)劃等方面都取得了巨大的成果。隨著5G商用的不斷推出,，基站的修建與維護(hù)是關(guān)系到5G技術(shù)能否商用的重要工作,。5G基站在工作過程中受到天氣,、傳輸?shù)雀鞣N因素的影響會(huì)導(dǎo)致基站脫機(jī)，嚴(yán)重的甚至?xí)?dǎo)致基站掉站或退服,。作為最嚴(yán)重的系統(tǒng)故障,，基站退服會(huì)中斷所有服務(wù),，用戶無法使用手機(jī)等通信設(shè)備，對(duì)于2G,、3G等以語音業(yè)務(wù)為主的用戶而言影響普遍較小,，但是對(duì)5G用戶而言,，基站退服還會(huì)導(dǎo)致移動(dòng)支付、智慧城市,、人工智能等技術(shù)業(yè)務(wù)無法使用,，給運(yùn)營商造成損失,。因此，對(duì)5G基站退服進(jìn)行全面分析以及退服后的成本估算就變得非常重要，為基站退服提供精準(zhǔn)成本核算,，對(duì)于相關(guān)從業(yè)人員而言,，具有重要的借鑒意義。

1 基站退服分析

    5G網(wǎng)絡(luò)即第五代移動(dòng)通信網(wǎng)絡(luò),，隨著2018年3GPP全會(huì)批準(zhǔn)了第五代移動(dòng)通信技術(shù)標(biāo)準(zhǔn)（5G NR）獨(dú)立組網(wǎng)功能,，5G正以超乎想象的速度加速到來。2015年6月ITU定義的5G未來移動(dòng)應(yīng)用包括以下三大領(lǐng)域：增強(qiáng)型移動(dòng)寬帶(eMBB),、大規(guī)模機(jī)器類通信(mMTC),、高可靠低時(shí)延通信(uRLLC)。

    5G時(shí)代是全移動(dòng)和全連接的智慧時(shí)代,，人與人,、人與物、物與物都需要進(jìn)行連接和通信,。移動(dòng)網(wǎng)絡(luò)的目標(biāo)是連接世界,，產(chǎn)生的數(shù)據(jù)通過連接在云端構(gòu)建，不斷創(chuàng)造價(jià)值,。5G應(yīng)用場景如云AR/VR,、車聯(lián)網(wǎng)、智能制造,、全球物流跟蹤系統(tǒng),、智能農(nóng)業(yè)、智慧城市,、智慧能源,、無線醫(yī)療等，都將在5G時(shí)代蓬勃發(fā)展,。其中有部分已經(jīng)實(shí)現(xiàn)并商業(yè)化,，如無人機(jī)、VR,。已有部分國家明確提出對(duì)低空無人機(jī)提供覆蓋和監(jiān)管以及高空飛機(jī)航線覆蓋的需求,。

    5G網(wǎng)絡(luò)在頻譜、空口和網(wǎng)絡(luò)架構(gòu)上制訂了跨代的全新標(biāo)準(zhǔn),，以滿足未來的應(yīng)用場景,。而這些新標(biāo)準(zhǔn)、新技術(shù),，給5G無線網(wǎng)絡(luò)規(guī)劃領(lǐng)域帶來了很多挑戰(zhàn),。其中由于5G相比傳統(tǒng)的3G/4G而言，網(wǎng)絡(luò)將更加精確,、復(fù)雜和立體,，也使得基站部署密度越來越大,。除了在初期優(yōu)先使用并改造已有的室內(nèi)/外3G/4G站址作為5G站點(diǎn)候選站址，還有由于5G信號(hào)工作在較高的射頻,，需要針對(duì)不同的情況單獨(dú)增加室內(nèi)小型基站,，提供5G信號(hào)。

    隨著應(yīng)用場景越來越普及,，站點(diǎn)分布逐漸密集,，整個(gè)社會(huì)都會(huì)越來越依賴5G帶來的便利。而當(dāng)遇到某個(gè)基站退出服務(wù),，不僅將影響輻射區(qū)域內(nèi)通信,，對(duì)用戶造成嚴(yán)重影響，也會(huì)影響運(yùn)營商形象,，造成損失,。

    基站退服一直是影響網(wǎng)絡(luò)服務(wù)的嚴(yán)重故障，造成基站退服的原因有很多,，主要包括傳輸故障,、載頻故障、天饋故障和外部因素(如市電/蓄電池停電,、高溫水浸)等^[1],。且5G技術(shù)與4G技術(shù)有不同之處，如5G采用了波束管理增強(qiáng)天線增益,，接入技術(shù)采用了稀疏碼分多址,、圖樣分割多址及多用戶共享接入。因此在4G退服經(jīng)驗(yàn)基礎(chǔ)上還要考慮5G技術(shù)特點(diǎn),。

    退服會(huì)引發(fā)大量服務(wù)器掉線,、通話掉話等，在萬物互聯(lián)的時(shí)代可能會(huì)產(chǎn)生更大的連鎖反應(yīng),，造成不可估量的損失,。

2 基站退服成本估算方案

    本研究提出的基于大數(shù)據(jù)的5G基站退服成本估算方案主要包括基于LSTM基站退服預(yù)測和基站退服成本估算兩部分內(nèi)容,，整體方案流程圖如圖1所示,。

2.1 基于LSTM的5G基站退服預(yù)測

    本方案第一部分是憑借海量的5G基站退服歷史數(shù)據(jù)，選取用以處理時(shí)間序列數(shù)據(jù)的LSTM神經(jīng)網(wǎng)絡(luò)作為預(yù)測算法,，構(gòu)建5G基站退服預(yù)測模型,。

2.1.1 LSTM神經(jīng)網(wǎng)絡(luò)

    LSTM(Long Short Term Memory)是一種循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurent Neural Network，RNN)結(jié)構(gòu),，最早由HOCHREITER S和SCHMIDHUBE J于1997年提出^[2],。作為循環(huán)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的一種，LSTM具有非常強(qiáng)大的計(jì)算和表達(dá)能力,，理論上講,，在包含足夠多的神經(jīng)元的情況下，一臺(tái)計(jì)算機(jī)所能完成的計(jì)算均可借由一個(gè)LSTM網(wǎng)絡(luò)來實(shí)現(xiàn)，而網(wǎng)絡(luò)中的權(quán)值即可以看成是完成這個(gè)計(jì)算所需要的程序^[3],。

    相較于傳統(tǒng)循環(huán)神經(jīng)網(wǎng)絡(luò)而言,，LSTM網(wǎng)絡(luò)的優(yōu)勢在于它可以更好地處理間隔不定、界限不明的重要事件序列,，從中學(xué)習(xí)到有用的信息,，用以進(jìn)行分類、分析,，或?qū)ξ磥頃r(shí)間序列做出預(yù)測^[4],。LSTM對(duì)間隔長度相對(duì)不敏感，這使得它在很多應(yīng)用場景中相比其他種類的循環(huán)神經(jīng)網(wǎng)絡(luò),、馬爾科夫模型或其他序列學(xué)習(xí)類的模型具有更佳的表現(xiàn),。LSTM在諸多領(lǐng)域都取得了成功，其中最為人知的包括自然語言文本壓縮,、連續(xù)手寫識(shí)別以及自動(dòng)語音識(shí)別等,。2016年為止，包括谷歌,、蘋果,、微軟和百度在內(nèi)的世界級(jí)科技公司所推出的新產(chǎn)品中都經(jīng)常能見到LSTM作為其重要組件而出現(xiàn)。

    LSTM最早提出是為了解決傳統(tǒng)循環(huán)神經(jīng)網(wǎng)絡(luò)中存在的“消失的梯度”問題^[5],。由于傳統(tǒng)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中跨越時(shí)序的權(quán)重值是簡單共享的,，因此當(dāng)其值小于1時(shí)則會(huì)出現(xiàn)沿該方向傳遞的信息會(huì)迅速消失的情況。LSTM對(duì)這一問題的解決方法是將傳統(tǒng)循環(huán)神經(jīng)網(wǎng)絡(luò)中的循環(huán)神經(jīng)元用記憶單元(Memory Cell)代替,。圖2是一個(gè)帶有遺忘門的記憶單元的結(jié)構(gòu),。

    LSTM模型有兩個(gè)隱藏狀態(tài)h^(t)、C^(t),，模型參數(shù)幾乎是RNN的4倍,，因?yàn)楝F(xiàn)在多了W_f、U_f,、b_f,、W_a、U_a,、b_a,、W_i、U_i,、b_i,、W_o、U_o,、b_o這些參數(shù),，參數(shù)具體含義可參考文獻(xiàn)[6]中相關(guān)介紹,。前向傳播過程在每個(gè)序列索引位置的過程為：

2.1.2 5G基站退服預(yù)測

    綜合基站退服預(yù)測問題和LSTM神經(jīng)網(wǎng)絡(luò)算法，建立輸入輸出均為時(shí)間序列數(shù)據(jù)的5G基站退服預(yù)測模型,。給定輸入時(shí)間序列數(shù)據(jù)為T(i)={x_i,，x_i+1，…,，x_i+t},，輸入時(shí)間步長為t。每個(gè)時(shí)間步長包含一個(gè)數(shù)值x_i,，表示單位時(shí)間內(nèi)基站退服總量,。目標(biāo)輸出數(shù)據(jù)為輸入時(shí)刻后的一小段時(shí)間序列數(shù)據(jù)，輸出時(shí)間步長為p,，遠(yuǎn)小于t,。

2.2 5G基站退服成本估算

    在現(xiàn)實(shí)生活中，基站退服時(shí)會(huì)造成此基站的業(yè)務(wù)轉(zhuǎn)移,，從而使周圍基站的負(fù)荷增加,，而基站負(fù)荷的增加會(huì)相應(yīng)地提高基站的功耗，增加運(yùn)行成本,，本文以此角度對(duì)5G基站退服成本進(jìn)行估算,。

    同時(shí)，考慮到基站之間的距離對(duì)業(yè)務(wù)轉(zhuǎn)移的影響,，一般而言,，在退服基站的輻射范圍之內(nèi)距離越遠(yuǎn)的基站所能轉(zhuǎn)移的業(yè)務(wù)量越少，因此,，根據(jù)與退服基站間的距離劃分了不同的區(qū)域范圍,，不同區(qū)域中基站所轉(zhuǎn)移的退服基站業(yè)務(wù)量的比率不同?；就朔I(yè)務(wù)轉(zhuǎn)移過程如圖3所示,。

    圖3中心位置為退服基站，此基站退服后,，區(qū)域1內(nèi)基站以r1比率承載退服基站負(fù)荷,，同理，區(qū)域2內(nèi)基站以r2比率承載退服基站負(fù)荷,，使周邊基站負(fù)荷有不同程度增加,。

    基站的負(fù)荷與功耗存在一定的相關(guān)性,。5G基站主設(shè)備主要由BBU和AAU組成,，功耗也主要是由BBU和AAU產(chǎn)生。AAU其實(shí)就是4G時(shí)代的RRU加上天線,。BBU的主要作用是負(fù)責(zé)基帶數(shù)字信號(hào)處理,。AAU的主要作用是將基帶數(shù)字信號(hào)轉(zhuǎn)換成模擬信號(hào),，然后調(diào)制成高頻射頻信號(hào)，再通過功放單元放大功率,，通過天線發(fā)射出去,。數(shù)據(jù)顯示，BBU的功率比較穩(wěn)定,，不受業(yè)務(wù)負(fù)荷的太大影響,。而AAU隨著負(fù)荷的增加，功耗也大幅增加,，本研究中以BBU和AAU功耗總和衡量基站的功耗,，基站退服發(fā)生過程中使周邊基站功耗增加的費(fèi)用即為基站退服的成本。假設(shè)基站負(fù)荷和功率呈線性關(guān)系,，并且不同負(fù)荷范圍內(nèi)功耗變化的比率不同,。

    綜上，構(gòu)建出成本估算模型：

其中,，C為計(jì)算出的總成本,，T表示功耗的時(shí)間段，P是電費(fèi)標(biāo)準(zhǔn),，N表示基站退服總量,，m表示按距離劃分的區(qū)域數(shù)量，n_i表示每個(gè)區(qū)域內(nèi)周邊基站總量,，Q代表退服基站負(fù)荷,，q_ij代表區(qū)域內(nèi)第j個(gè)基站原始負(fù)荷，r_i是區(qū)域內(nèi)負(fù)荷分配比率,。式(9)是代表負(fù)荷與功耗關(guān)系的分段函數(shù),，x表示負(fù)荷，f(x)最終得出基站在x的負(fù)荷下所需要的功耗,。

3 實(shí)驗(yàn)分析

3.1 基于LSTM的5G基站退服預(yù)測

3.1.1 數(shù)據(jù)來源

    為了說明方法的有效性和實(shí)用性,，本文選取中國電信某省一年時(shí)間內(nèi)實(shí)際基站退服數(shù)據(jù)，數(shù)據(jù)以每日為單位時(shí)長,。

3.1.2 數(shù)據(jù)預(yù)處理

    因?yàn)榛就朔哂袑?shí)時(shí)性的特點(diǎn),，可能造成基站退服數(shù)值在短時(shí)間內(nèi)的大跨度變化，為了提高模型泛化能力,故采用離差標(biāo)準(zhǔn)化公式：

其中,，y_max和y_min分別為基站退服數(shù)值的最大值和最小值,。通過式(10)對(duì)樣本數(shù)據(jù)進(jìn)行歸一化處理后，將每一列數(shù)據(jù)的取值范圍規(guī)范到[0,，1],。對(duì)數(shù)據(jù)進(jìn)行預(yù)處理，可避免數(shù)據(jù)擬合度差造成預(yù)測不精確,。

3.1.3 實(shí)驗(yàn)環(huán)境

    計(jì)算機(jī)配置環(huán)境：處理器采用Intel Core^TM i5-6300HQ CPU@2.30 GHz 2.30,，8 GB內(nèi)存,，1 TB硬盤。

    網(wǎng)絡(luò)模型參數(shù)設(shè)置：設(shè)置LSTM神經(jīng)網(wǎng)絡(luò)模型批次訓(xùn)練數(shù)量為60,，學(xué)習(xí)率0.001,，訓(xùn)練數(shù)據(jù)與測試數(shù)據(jù)比例為7：3，迭代次數(shù)為1 000次,。

3.1.4 實(shí)驗(yàn)結(jié)果及分析

    利用LSTM對(duì)基站退服進(jìn)行預(yù)測,。研究中選取8月后數(shù)值進(jìn)行預(yù)測，LSTM模型的預(yù)測結(jié)果如圖4所示,。

    由圖4可直觀看出,，LSTM神經(jīng)網(wǎng)絡(luò)預(yù)測數(shù)據(jù)與實(shí)際數(shù)據(jù)比較吻合，預(yù)測誤差很小,，預(yù)測結(jié)果具有良好的預(yù)測精度,，能夠較好地挖掘出數(shù)據(jù)發(fā)展趨勢。為進(jìn)一步驗(yàn)證此預(yù)測模型的預(yù)測精度的優(yōu)越性,，本研究采用平均絕對(duì)誤差e_MAE和平均相對(duì)誤差e_MAPE兩項(xiàng)指標(biāo)衡量預(yù)測模型擬合的好壞程度,，其計(jì)算公式分別為：

    模型預(yù)測精度的結(jié)果如表1所示。

    根據(jù)表1可知,，基于LSTM的基站退服預(yù)測模型整體預(yù)測誤差小,、預(yù)測精度較高，能夠較為準(zhǔn)確地反映基站退服的發(fā)展態(tài)勢,，使管理者能即時(shí)追蹤基站退服的相關(guān)情況,。

3.2 5G基站退服成本估算分析

    利用2.2節(jié)構(gòu)建的基站退服成本模型，對(duì)此地區(qū)進(jìn)行基站退服成本估算,。前述部分已經(jīng)預(yù)測出8月份后基站退服的數(shù)量預(yù)計(jì)共15 367個(gè),，基于此，可估算出8月份后基站退服的成本,。

    模型中可看出基站退服成本估算結(jié)果與基站退服影響范圍,、區(qū)域劃分范圍、基站原始負(fù)荷,、負(fù)荷分配的比率,、區(qū)域內(nèi)周邊基站的個(gè)數(shù)有關(guān)，在不考慮基站超負(fù)荷運(yùn)行的情況下,，設(shè)置不同的參數(shù)值以估算基站退服成本情況,。

    設(shè)置基站退服影響范圍為3 000 m，以1 000 m為間隔劃分區(qū)域,，假設(shè)基站原始負(fù)荷都相同,，為50%，周邊基站負(fù)荷分配以6:4的比例由距離從近到遠(yuǎn)依次遞減，電費(fèi)以商業(yè)用電標(biāo)準(zhǔn)1.2元/(kW·h)計(jì),，不同區(qū)域內(nèi)周邊基站個(gè)數(shù)所造成的成本結(jié)果如表2所示。

    設(shè)置不同區(qū)域內(nèi)周邊基站個(gè)數(shù)為2個(gè),，退服影響范圍的不同造成的成本結(jié)果如表3所示,。

    設(shè)置基站退服影響范圍為3 000 m，劃分區(qū)域范圍的不同造成的成本結(jié)果如表4所示,。

    同樣,，設(shè)置劃分區(qū)域范圍為1 000 m，基站原始負(fù)荷的不同造成的成本結(jié)果如表5所示,。

    根據(jù)以上不同情況下估算出的結(jié)果,，在不考慮其他損失的前提條件下，得出在本地區(qū)8月份后由于基站退服造成的成本損失大約為106 576 264.14元,，可看出基站退服會(huì)對(duì)運(yùn)營商造成的損失是十分巨大的,。針對(duì)基站退服，運(yùn)營商方可積極采取相應(yīng)措施,，盡量減少基站退服事故的發(fā)生,，降低成本：

    (1)加強(qiáng)基站日常供電設(shè)備的檢測?；拘铍姵匾?jīng)常進(jìn)行性能測試,，能夠即時(shí)掌握電池的健康狀況，及時(shí)更換有問題的電池,，合理配置電源機(jī)柜整流模塊,。

    (2)加強(qiáng)基站線路方面的質(zhì)量檢查。很多基站由于線路老化接頭多,，衰耗大而退服,，故要對(duì)線路加強(qiáng)盯守，可采用溯源方式加強(qiáng)施工方的質(zhì)量管控,，出現(xiàn)問題及時(shí)搶修,。

    (3)科學(xué)及時(shí)地對(duì)故障進(jìn)行處理。建立完備的基站數(shù)據(jù)監(jiān)控平臺(tái),，能詳細(xì)了解基站的實(shí)際情況,，使工作人員能準(zhǔn)確合理地調(diào)度人員去處理基站故障。加強(qiáng)故障工單的調(diào)度與處理,，提升告警處理效率,；另一方面，可以對(duì)故障工單信息進(jìn)行挖掘,，為日后基站的維護(hù)提供更具針對(duì)性的建議,。

4 結(jié)論

    本文提出了一種基于大數(shù)據(jù)的5G基站退服成本估算方案，首先利用基站退服歷史時(shí)間序列數(shù)據(jù)和LSTM神經(jīng)網(wǎng)絡(luò)算法訓(xùn)練5G基站退服預(yù)測模型,，通過實(shí)際數(shù)據(jù)驗(yàn)證,，模型能較準(zhǔn)確的預(yù)測出基站退服的發(fā)展規(guī)律,；之后從基站退服后所造成周邊基站的功耗變化角度，構(gòu)建了5G基站退服成本估算模型,，并用實(shí)際數(shù)據(jù)進(jìn)行估算,，此方法可為基站維護(hù)人員提供參考，化被動(dòng)為主動(dòng),，減少成本,。本研究方法后續(xù)還需進(jìn)一步完善，可以加入更多的成本估算因素,，如設(shè)備自身的損耗,、由于用戶產(chǎn)生的業(yè)務(wù)損失等。文中模型所涉及的基站的負(fù)荷變化可進(jìn)行更詳盡的計(jì)算,，考慮到基站負(fù)荷超載等一些情況,，做到更精確的核算。

參考文獻(xiàn)

[1] 王洋,，滿毅,，陳志鵬.基于集中監(jiān)控?cái)?shù)據(jù)資源的4G基站退服故障預(yù)警模型[J].電信科學(xué)，2016,，32(7)：188-196.

[2] HOCHREITER S,，SCHMIDHUBER J.Long short-term memory[J].Neural Computation，1997,，9(8)：1735-1780.

[3] LIPTON Z C,，BERKOWITZ J，ELKAN C.A critical review of recurrent neural networks for sequence learning[J].arXiv preprint arXiv：1506.00019,，2015.

[4] PASCANU R,，MIKOLOV T，BENGIO Y.On the difficulty of training recurrent neural networks[C].International Conference on International Conference on Machine Learning.JMLR.org,，2013：III-1310.

[5] PEARLMUTTER B A.Gradient calculations for dynamic recurrent neural networks: a survey[J].IEEE Transactions on Neural Networks,，1995，6(5)：1212.

[6] 曾安,，聶文俊.基于深度雙向LSTM的股票推薦系統(tǒng)[J/OL].計(jì)算機(jī)科學(xué)：1-9[2019-08-29].http：//kns.cnki.net/kcms/detail/50.1075.tp.20190822.1619.010.html.

作者信息:

魏鵬濤,，曾  宇，王海寧,，李  皛,，姚沛君，李夢池,，徐藝謀

(中國電信股份有限公司戰(zhàn)略與創(chuàng)新研究院 新興信息技術(shù)研究所 網(wǎng)絡(luò)AI研究中心,，北京102209)