一种自我补全修正的基站能耗模型预测方法技术

本发明专利技术公开了一种自我补全修正的基站能耗模型预测方法，首先对每个缴费记录的样本数达到预设数的基站使用日均温度和日均耗电量进行线性回归建模，去掉离预测值偏差过大的样本，对剩下的缴费记录的有效样本数不足的基站进行样本补全，使用基于半径的球树算法来对处理好的特征向量集进行球树建模，利用可变半径距离的最近邻算法进行聚类分析。将该基站和其最邻近基站的缴费记录一同作为样本进行线性回归生成温度能耗模型，最后使用修正后的模型进行预测；本发明专利技术为当前基站的电费实行自动化预测，克服人工稽核的缺陷，同时提高了审核效率和科学准确性，也节省了人工成本。也节省了人工成本。也节省了人工成本。

【技术实现步骤摘要】
一种自我补全修正的基站能耗模型预测方法


[0001]本专利技术涉及通信行业的能耗费用管控的
，涉及一种计算机的数据挖掘领域，针对通信基站耗电量预测的技术解决方案，由一系列数据处理方法和模型算法构成，尤其涉及一种自我补全修正的基站能耗模型预测方法。

技术介绍

[0002]目前对于基站耗电量预测技术的关于通信运营商基站耗电量预测的现状：
[0003]通信运营商的财务人员做成本预算指标时，需要对预算年度的每个月的所辖区域所有基站的电费预算指标，由于财务人员往往没有对基站耗电影响因素及其原理有科学试验性的认识，难以构建合理的耗电预测模型，经常是根据以往的均值预估，存在没有考虑不同月份的特殊情况，导致成本管控合理的目标难以科学有效执行。
[0004]目前对基站电费预测的做法缺点：
[0005](1)使用过去近三个月的均值预测：由于影响基站耗电量的因素众多且复杂，其中最主要耗电设备是通信主设备和空调，而影响着空调的耗电量的主要因素是温度，会随着温度而变化；通信主设备耗电量相对每个月比较恒定；若在年底只用近三个月的电费均值做来年的一年的各月的电费预算依据，在四季温度差异大的地区，各月因空调耗电的不同。而该做法是以冬天的低温来预测的，没有加入空调的耗电，会导致预测结果过低的偏差。
[0006](2)使用去年同期电费加变动系数预测：该类做法在影响基站的耗电设备和两年的气温等变动不大的情况可行，但若变化差异较大，或去年的电费本身就存在问题的情况下，就难以纠正预测了；
[0007](3)人工对电费预测计算存在人脑天生的主观性和计算难的误差；
[0008](4)一般成本预算的财务在预算是难以遵守专家通过科学论证的耗电量模型和公司管理的预算流程规范；

技术实现思路

[0009]本专利技术为解决上述问题，提供一种自我补全修正的基站能耗模型预测方法，解决的问题是，通过大量数据挖掘技术和基站耗电量的科学计算算法，来为当前基站的电费算出合理范围作为当前预测的具体依据，采取计算机自动化对电费实行自动化预测，克服人工稽核的缺陷，同时提高了审核效率和科学准确性，也节省了人工成本。
[0010]为达到上述目的，本专利技术采用如下技术方案：
[0011]自我补全修正的基站能耗模型预测方法包括如下步骤：
[0012]1)收集基站耗电量和基站属性数据，数据包括电表读数、电费缴费单、机房租赁合同和基站设备中的一项或多项；
[0013]2)选择基站历史缴费和基站资属性数据，先进行预处理，然后计算日均温度和日均耗电量；
[0014]3)对历史缴费样本数足够达到设定数的基站生成日均耗电量的线性回归预测模
型，线性回归预测模型Y＝kX+b按照基站日均温度X和日均耗电量Y建立；并对预测模型进行自我修正，去掉离预测值偏差过大的样本；
[0015]对修正后样本数不足设定数的基站采用frNN算法进行聚类分析，包括如下步骤：(1)针对这些基站提取与耗电量相关的基站属性和修正后的历史缴费的日均电费作为聚类的特征向量；(2)对特征向量补缺修正和标准化预处理；(3)对所有特征向量的点计算平均距离，作为设定半径的依据；(4)使用frNN最近邻算法中的球树算法对所有基站的特征向量构建球树编码模型；(5)使用球树编码模型对修正后的样本不足的基站找半径距离内的最近邻基站进行聚类分析；对样本数不足设定数的基站，使用通过聚类分析结果提供的最近邻的基站的缴费记录补充样本后，最后建立线性回归预测模型；
[0016]4)对线性回归预测模型中的小于0的k系数修正为k为0,b取平均值；
[0017]5)使用修正的线性回归预测模型预测基站耗电量。
[0018]上述自我补全修正的基站能耗模型预测方法中，收集基站耗电量和基站属性数据包括使用基于Mask-FCNN的目标检测图像识别算法对电表读数的识别，通过电费缴费单固定模板的扫描数据提取数据，通过相关系统接口导入数据。
[0019]上述自我补全修正的基站能耗模型预测方法中，预处理包括去除异常数据和补缺、修正缺失数据；去除异常数据包括用基站及其同类的日均电费比较并去除离群点，同时根据基站耗电设备的功率之和及日耗电上限来去除异常高的电费；缺失数据的补缺修正包括根据各相关性和延续惯性来补缺，通过置信区间和相关数据的计算关系式来核对修正。
[0020]上述自我补全修正的基站能耗模型预测方法中，对预测模型自我修正方法为：计算模型的耗电量预测值与真实的Y值的残差的均值和标准差，去除|真实值-预测值|>残差均值+残差标准差的离群样本。
[0021]上述自我补全修正的基站能耗模型预测方法中，重复步骤2)、步骤3)一次以上用以自我修复基站能耗模型的样本有效性。
[0022]上述自我补全修正的基站能耗模型预测方法中，还包括用于对日均温度做加权处理的空调耗电量-温度系数T
′
，T
′
＝1+(T-14)
1.1
，其中T为实际的室外温度。
[0023]采用本专利技术的产生的有益效果为：
[0024]一、本专利技术通过大量数据挖掘技术和基站耗电量的科学计算算法，来为当前基站的电费算出合理范围作为当前预测的具体依据，采取计算机自动化对电费实行自动化预测，克服人工稽核的缺陷，同时提高了审核效率和科学准确性，也节省了人工成本。
[0025]二、对相关因素做了变换处理，如对于温度，不仅根据天气度日均气温做了加权处理，还根据其对空调耗电的实际影响原理——空调一般被设置在室温达到一定温度时才会自动开启且温度回落后会自动关闭，且不同温度下对空调耗电的指数也不同。故本专利技术中对温度做了如下处理：
[0026]T
′
＝1+(T-14)
1.1
[0027]使得因素是数值变化跟Y值的变化更符合计算的相关性。
[0028]三、由于实际中存在数据质量不高的问题，采用模型自我修正的方式，对残差过大的对应样本进行去除，可以有效去除离群点的异常数据，提高模型的拟合度；
[0029]四、对于基站的特征选择，不仅考虑基站自身的属性，还加上了以往缴费的日均电费均值，有利于规避数据质量不足的问题。
[0030]五、基于半径的最近邻算法对基站聚类，将同类基站的缴费记录纳入一起做样本进行线性拟合，有效解决了对于单基站建模样本不足的问题。
[0031]六、对模型不仅采取了对离群样本去除的修正，也对模型的系数采取了规范性修正，如对于线性回归出的k系数小于0的不合理情况，采用均值法处理修正。
附图说明
[0032]图1为本专利技术实施步骤示意图。
具体实施方式
[0033]为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图对本专利技术进行进一步的详细说明。应当理解，此处所描述的具体实施例仅用于解释本专利技术，并不用于限定本专利技术。
[0034]参考图1，本专利技术为了帮助通信运营商们对基站的运营费用进行科学有效管控，基站成本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种自我补全修正的基站能耗模型预测方法，其特征在于，包括如下步骤：1)收集基站耗电量和基站属性数据，数据包括电表读数、电费缴费单、机房租赁合同和基站设备中的一项或多项；2)选择基站历史缴费和基站资属性数据，先进行预处理，然后计算日均温度和日均耗电量；3)对历史缴费样本数足够达到设定数的基站生成日均耗电量的线性回归预测模型，线性回归预测模型Y＝kX+b按照基站日均温度X和日均耗电量Y建立；并对预测模型进行自我修正，去掉离预测值偏差过大的样本；对修正后样本数不足设定数的基站采用frNN算法进行聚类分析，包括如下步骤：(1)针对这些基站提取与耗电量相关的基站属性和修正后的历史缴费的日均电费作为聚类的特征向量；(2)对特征向量补缺修正和标准化预处理；(3)对所有特征向量的点计算平均距离，作为设定半径的依据；(4)使用frNN最近邻算法中的球树算法对所有基站的特征向量构建球树编码模型；(5)使用球树编码模型对修正后的样本不足的基站找半径距离内的最近邻基站进行聚类分析；对样本数不足设定数的基站，使用通过聚类分析结果提供的最近邻的基站的缴费记录补充样本后，最后建立线性回归预测模型；4)对线性回归预测模型中的小于0的k系数修正为k为0,b取平均值；5)使用修正的线性回归预测模型预测基站耗电量。2.根据权利要求1所述的自我补全修正的基站能耗模型预测方法，...

【专利技术属性】
技术研发人员：胡锐，冯亮，潘军，袁曙晖，袁金平，
申请(专利权)人：陕西讯格信息科技有限公司，
类型：发明
国别省市：