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因素的影響會導(dǎo)致基站脫機,，嚴重的甚至?xí)?dǎo)致基站掉站或退服。作為最嚴重的系統(tǒng)故障,，基站退服會中斷所有服務(wù),，用戶無法使用手機等通信設(shè)備，對于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5G用戶而言,，基站退服還會導(dǎo)致移動支付、智慧城市,、人工智能等技術(shù)業(yè)務(wù)無法使用，給運營商造成損失,。因此,，對5G基站退服進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成本核算,，對于相關(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)即第五代移動通信網(wǎng)絡(luò),，隨著2018年3GPP全會批準了第五代移動通信技術(shù)標準（5G NR）獨立組網(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未來移動應(yīng)用包括以下三大領(lǐng)域：增強型移動寬帶(eMBB),、大規(guī)模機器類通信(mMTC),、高可靠低時延通信(uRLLC)。

    5G時代是全移動和全連接的智慧時代,，人與人,、人與物、物與物都需要進行連接和通信,。移動網(wǎng)絡(luò)的目標是連接世界,，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時代蓬勃發(fā)展,。其中有部分已經(jīng)實現(xiàn)并商業(yè)化,，如無人機、VR,。已有部分國家明確提出對低空無人機提供覆蓋和監(jiān)管以及高空飛機航線覆蓋的需求,。

    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準,，以滿足未來的應(yīng)用場景,。而這些新標準,、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站點候選站址，還有由于5G信號工作在較高的射頻,，需要針對不同的情況單獨增加室內(nèi)小型基站,，提供5G信號。

    隨著應(yīng)用場景越來越普及,，站點分布逐漸密集,，整個社會都會越來越依賴5G帶來的便利。而當遇到某個基站退出服務(wù),，不僅將影響輻射區(qū)域內(nèi)通信,，對用戶造成嚴重影響，也會影響運營商形象,，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)驗基礎(chǔ)上還要考慮5G技術(shù)特點,。

    退服會引發(fā)大量服務(wù)器掉線,、通話掉話等，在萬物互聯(lián)的時代可能會產(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具有非常強大的計算和表達能力,，理論上講，在包含足夠多的神經(jīng)元的情況下,，一臺計算機所能完成的計算均可借由一個LSTM網(wǎng)絡(luò)來實現(xiàn),，而網(wǎng)絡(luò)中的權(quán)值即可以看成是完成這個計算所需要的程序^[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,，用以進行分類、分析,，或?qū)ξ磥頃r間序列做出預(yù)測^[4],。LSTM對間隔長度相對不敏感，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)手寫識別以及自動語音識別等,。2016年為止，包括谷歌,、蘋果,、微軟和百度在內(nèi)的世界級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)中跨越時序的權(quán)重值是簡單共享的,，因此當其值小于1時則會出現(xiàn)沿該方向傳遞的信息會迅速消失的情況。LSTM對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是一個帶有遺忘門的記憶單元的結(jié)構(gòu),。

    LSTM模型有兩個隱藏狀態(tài)h^(t)、C^(t),，模型參數(shù)幾乎是RNN的4倍,，因為現(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[6]中相關(guān)介紹,。前向傳播過程在每個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間序列數(shù)據(jù)的5G基站退服預(yù)測模型,。給定輸入時間序列數(shù)據(jù)為T(i)={x_i,，x_i+1，…,，x_i+t},，輸入時間步長為t。每個時間步長包含一個數(shù)值x_i,，表示單位時間內(nèi)基站退服總量,。目標輸出數(shù)據(jù)為輸入時刻后的一小段時間序列數(shù)據(jù)，輸出時間步長為p,，遠小于t,。

2.2 5G基站退服成本估算

    在現(xiàn)實生活中，基站退服時會造成此基站的業(yè)務(wù)轉(zhuǎn)移,，從而使周圍基站的負荷增加,，而基站負荷的增加會相應(yīng)地提高基站的功耗，增加運行成本,，本文以此角度對5G基站退服成本進行估算,。

    同時，考慮到基站之間的距離對業(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荷，同理,，區(qū)域2內(nèi)基站以r2比率承載退服基站負荷,，使周邊基站負荷有不同程度增加,。

    基站的負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其實就是4G時代的RRU加上天線。BBU的主要作用是負責(zé)基帶數(shù)字信號處理,。AAU的主要作用是將基帶數(shù)字信號轉(zhuǎn)換成模擬信號,，然后調(diào)制成高頻射頻信號，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)負荷的太大影響,。而AAU隨著負荷的增加，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用即為基站退服的成本,。假設(shè)基站負荷和功率呈線性關(guān)系,，并且不同負荷范圍內(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為計算出的總成本，T表示功耗的時間段,，P是電費標準,，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表示每個區(qū)域內(nèi)周邊基站總量,，Q代表退服基站負荷，q_ij代表區(qū)域內(nèi)第j個基站原始負荷,，r_i是區(qū)域內(nèi)負荷分配比率,。式(9)是代表負荷與功耗關(guān)系的分段函數(shù)，x表示負荷,，f(x)最終得出基站在x的負荷下所需要的功耗,。

3 實驗分析

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用性，本文選取中國電信某省一年時間內(nèi)實際基站退服數(shù)據(jù),，數(shù)據(jù)以每日為單位時長,。

3.1.2 數(shù)據(jù)預(yù)處理

    因為基站退服具有實時性的特點，可能造成基站退服數(shù)值在短時間內(nèi)的大跨度變化,，為了提高模型泛化能力,故采用離差標準化公式：

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)對樣本數(shù)據(jù)進行歸一化處理后，將每一列數(shù)據(jù)的取值范圍規(guī)范到[0,，1],。對數(shù)據(jù)進行預(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 實驗環(huán)境

    計算機配置環(huán)境：處理器采用Intel Core^TM i5-6300HQ [email protected] 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 實驗結(jié)果及分析

    利用LSTM對基站退服進行預(yù)測。研究中選取8月后數(shù)值進行預(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,。為進一步驗證此預(yù)測模型的預(yù)測精度的優(yōu)越性,，本研究采用平均絕對誤差e_MAE和平均相對誤差e_MAPE兩項指標衡量預(yù)測模型擬合的好壞程度，其計算公式分別為：

    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,，能夠較為準確地反映基站退服的發(fā)展態(tài)勢,，使管理者能即時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,，對此地區(qū)進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)計共15 367個，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,、基站原始負荷,、負荷分配的比率、區(qū)域內(nèi)周邊基站的個數(shù)有關(guān)，在不考慮基站超負荷運行的情況下,，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)基站原始負荷都相同,，為50%，周邊基站負荷分配以6:4的比例由距離從近到遠依次遞減,，電費以商業(yè)用電標準1.2元/(kW·h)計,，不同區(qū)域內(nèi)周邊基站個數(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)周邊基站個數(shù)為2個,，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,，可看出基站退服會對運營商造成的損失是十分巨大的,。針對基站退服，運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)加強基站日常供電設(shè)備的檢測,?；拘铍姵匾?jīng)常進行性能測試，能夠即時掌握電池的健康狀況,，及時更換有問題的電池,，合理配置電源機柜整流模塊。

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

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

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,，通過實際數(shù)據(jù)驗證,，模型能較準確的預(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,，并用實際數(shù)據(jù)進行估算，此方法可為基站維護人員提供參考,，化被動為主動,，減少成本。本研究方法后續(xù)還需進一步完善,，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荷變化可進行更詳盡的計算,，考慮到基站負荷超載等一些情況，做到更精確的核算,。

參考文獻

[1] 王洋,，滿毅，陳志鵬.基于集中監(jiān)控數(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].計算機科學(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)