文獻標識碼: A
DOI:10.16157/j.issn.0258-7998.190923
中文引用格式: 魏鵬濤,,曾宇,王海寧,,等. 基于大數(shù)據(jù)的5G基站退服成本估算[J].電子技術(shù)應(yīng)用,,2019,45(10):14-18.
英文引用格式: Wei Pengtao,,Zeng Yu,,Wang Haining,et al. The cost estimation of 5G base station decommission based on big data[J]. Application of Electronic Technique,,2019,,45(10):14-18.
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Wf、Uf,、bf,、Wa、Ua,、ba,、Wi,、Ui、bi,、Wo,、Uo、bo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)={xi,,xi+1,…,,xi+t},,輸入時間步長為t。每個時間步長包含一個數(shù)值xi,,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,,ni表示每個區(qū)域內(nèi)周邊基站總量,,Q代表退服基站負荷,qij代表區(qū)域內(nèi)第j個基站原始負荷,,ri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,,ymax和ymin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 CoreTM 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eMAE和平均相對誤差eMAPE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)