一种数据驱动的基站功耗建模方法技术

本发明专利技术公开了一种数据驱动的基站功耗建模方法，包括以下步骤：S1.将任意类别的基站作为初始类基站，对初始类基站进行数据收集，并对收集到的数据进行预处理，构建原始样本集；S2.通过机器学习算法构建基站功耗模型，并通过原始样本集对基站功耗模型进行训练，得到初始类基站的功耗模型；S3.在初始类基站的功耗模型基础上进行迁移学习，得到不同类别的基站功耗模型。本发明专利技术通过采集基站数据，对基站功耗进行建模，再利用迁移学习方法完成不同类型基站功耗建模，具有良好的准确性和泛化性。具有良好的准确性和泛化性。具有良好的准确性和泛化性。

【技术实现步骤摘要】
一种数据驱动的基站功耗建模方法


[0001]本专利技术涉及基站功耗建模，特别是涉及一种数据驱动的基站功耗建模方法。

技术介绍

[0002]现有的基站功耗建模方法通常基于物理模型或经验规则，通过对基站各个组件的功耗进行分析，然后进行建模。这样的建模方法有很多缺陷：第一，在对基站各个组件进行细致的功耗分析和建模时，需要大量的专业知识和耗时的工作，过程繁琐复杂，建模效率低下。第二，现有的方法每次只能针对特定型号或特定配置的基站进行建模，参数的固定化使模型的泛化性较弱，难以适应不同基站、不同的网络场景和部署条件。第三，现有的方法只考虑了少数关键因素，忽略了如不同业务类型流量等因素对功耗的影响，这些缺陷导致最终构建的基站功耗模型的泛化性和准确性有所不足。

技术实现思路

[0003]本专利技术的目的在于克服现有技术的不足，提供一种数据驱动的基站功耗建模方法，通过采集基站数据，对基站功耗进行建模，再利用迁移学习方法完成不同类型基站功耗建模，具有良好的准确性和泛化性。
[0004]本专利技术的目的是通过以下技术方案来实现的：一种数据驱动的基站功耗建模方法，包括以下步骤：S1.将任意类别的基站作为初始类基站，对初始类基站进行数据收集，并对收集到的数据进行预处理，构建原始样本集；S2.通过机器学习算法构建基站功耗模型，并通过原始样本集对基站功耗模型进行训练，得到初始类基站的功耗模型；S3.在初始类基站的功耗模型基础上进行迁移学习，得到不同类别的基站功耗模型：首先将初始类基站的功耗模型的输出层去除，然后连接一层迁移学习模型，形成基于迁移学习的基站功耗模型；利用原始样本集对基于迁移学习的基站功耗模型进行预训练：训练时初始类基站的功耗模型部分保持不变，只对迁移学习模型进行更新，训练结束后，得到预训练模型；对于任一种与初始类基站类型不同的基站，采集该基站的数据进行预处理，得到该类基站的样本集，然后利用该类基站的样本集对预训练模型进行训练：训练时，预训练模型中，初始类基站的功耗模型部分保持不变，只对迁移学习模型进行更新，训练结束后得到当前类基站的功耗模型。
[0005]本专利技术的有益效果是：本专利技术不再需要进行详细的组件功耗分析，只需要采集基站功耗数据，然后直接进行建模，提高了建模效率；采用了大量的数据来训练模型，并且运用迁移学习的方法，提高了模型的泛化性，可以适应不同类型或配置的基站；能够自动学习
功耗与不同业务流量之间的非线性关系，提高模型的准确性和稳定性。
附图说明
[0006]图1为本专利技术的方法流程图。
具体实施方式
[0007]下面结合附图进一步详细描述本专利技术的技术方案，但本专利技术的保护范围不局限于以下所述。
[0008]如图1所示，一种数据驱动的基站功耗建模方法，包括以下步骤：包括以下步骤：S1.将任意类别的基站作为初始类基站，对初始类基站进行数据收集，并对收集到的数据进行预处理，构建原始样本集；S101.对于初始类基站下的任意一个基站，收集多个时刻内基站的地理位置信息、覆盖场景、功耗、天线挂高、覆盖半径和不同业务类型的上下行流量，并形成数据样本：其中，每一个时刻内，基站的地理位置信息、覆盖场景、功耗、天线挂高、覆盖半径和不同业务类型的上下行流量作为该时刻的样本特征，基站的功耗作为样本标签；设共采集了T个时刻的数据，则共得到了T个数据样本；需要说明的是，虽然采集了T个时刻的数据，但是当基站确定的时候，它的覆盖场景、地理位置、天线挂高、覆盖半径就确定了，不同时刻下，不同业务类型的上下行流量和功耗是不同的。
[0009]S102.对于初始类基站下的多个基站，重复执行步骤S101，得到每一个基站的数据样本；设共有M个基站，则共获得了M*T个数据样本；在本申请的实施例中，多个基站可以是初始类基站下的所有基站，也可以是由于基站数目较多时，从基站中选择出来的M个基站。
[0010]对于获得的每一个数据样本，判断其中包含的功耗信息是否有缺失，若功耗信息缺失，则对功耗信息进行填补；所述对功耗信息进行填补的过程包括：设第i个基站的第t个时刻的数据缺失，，则填补方式包括从第i个基站外的M
‑
1个基站中，选择个与第i个基站距离最近的基站，，将选择的个基站的第t个时刻的功耗数据取平均得到第一平均值；然后从第i个基站的其余T
‑
1个时刻的功耗数据中，选择与t时刻最接近的个时刻的功耗值取出，然后取平均得到第二平均值，；将第一平均值和第二平均值取平均后对缺失的功耗值进行填补；该填补方式从位置（空间）上和时序上两个维度进行填补，相比于传统的时序填补方式，有效提高了填补的准确性。
[0011]在本申请的实施例中，还可以从时序和特征两个方向进行填补，也能够提高填补的准确性，例如：从第i个基站外的M
‑
1个基站中，选择出第i个基站覆盖场景相同的多个基站，然后从中选择出与第i个基站的天线挂高和覆盖半径最接近的基站：
即将选出的多个基站中，对于每一个基站，将其天线挂高与第i个基站的天线挂高作差，然后求得绝对值，将其的覆盖半径与第i个基站的天线半径作差，然后求得绝对值，然后对两个绝对值求和；然后取求和结果最小的基站，将其第t个时刻的功耗值作为填补的基准值；然后从第i个基站的其余T
‑
1个时刻的功耗数据中，选择与t时刻最接近的个时刻的功耗值取出，然后取平均得到修正值，；将基准值和修正值取平均后对缺失的功耗值进行填补。
[0012]S103.重复执行N次步骤S102，得到N*M*T个数据样本，加入原始样本集中，完成的原始样本集构建。
[0013]S2.通过机器学习算法构建基站功耗模型，并通过原始样本集对基站功耗模型进行训练，得到初始类基站的功耗模型；所述机器学习算法包括XGBoost算法、深度神经网络算法或卷积神经网络算法。
[0014]这里以XGBoost回归算法为例，将基站的功耗作为标签，将地理位置、覆盖场景、天线挂高、覆盖范围、不同业务上下行流量等作为特征。假设收集到的数据集一共有n个样本，每个样本有m个特征，用集合D来表示：其中，为特征向量，为标签。
[0015]该算法以决策树作为基学习器，其转换函数为：其中q代表树的结构，T代表树的叶子数量。每一轮迭代中，都会生成一棵决策树，预测时，该模型将这些树进行加和，得到预测函数来表示：这里的，表示生成的决策树的空间。
[0016]模型的损失函数用表示，于是可以得到模型的目标函数：为提高模型鲁棒性，在目标函数中添加正则项，得到修正后的目标函数：模型的目标是最小化修正后的目标函数。因为该模型采用了加法模型的算法，在计算目标函数时，之前生成树的时间复杂度是已知的，所以可以进一步化简所要最小化的目标函数：
接下来再用二阶泰勒展开的方法再对进行近似：其中和分别是对求一阶偏导和二阶偏导。其中是一个常量，在求最值的时候可以忽略：在求最值的时候可以忽略：再将树的时间复杂度的表达式代入，可以得到下面的式子，其中代表第j个叶子中样本的集合：中样本的集合：所以对于确定结构的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种数据驱动的基站功耗建模方法，其特征在于：包括以下步骤：S1.将任意类别的基站作为初始类基站，对初始类基站进行数据收集，并对收集到的数据进行预处理，构建原始样本集；S2.通过机器学习算法构建基站功耗模型，并通过原始样本集对基站功耗模型进行训练，得到初始类基站的功耗模型；S3.在初始类基站的功耗模型基础上进行迁移学习，得到不同类别的基站功耗模型：首先将初始类基站的功耗模型的输出层去除，然后连接一层迁移学习模型，形成基于迁移学习的基站功耗模型；利用原始样本集对基于迁移学习的基站功耗模型进行预训练：训练时初始类基站的功耗模型部分保持不变，只对迁移学习模型进行更新，训练结束后，得到预训练模型；对于任一种与初始类基站类型不同的基站，采集该基站的数据进行预处理，得到该类基站的样本集，然后利用该类基站的样本集对预训练模型进行训练：训练时，预训练模型中，初始类基站的功耗模型部分保持不变，只对迁移学习模型进行更新，训练结束后得到当前类基站的功耗模型。2.根据权利要求1所述的一种数据驱动的基站功耗建模方法，其特征在于：所述步骤S1包括：S101.对于初始类基站下的任意一个基站，收集多个时刻内基站的地理位置信息、覆盖场景、功耗、天线挂高、覆盖半径和不同业务类型的上下行流量，并形成数据样本：其中，每一个时刻内，基站的地理位置信息、覆盖场景、功耗、天线挂高、覆盖半径和不同业务类型的上下行流量作为该时刻的样本特征，基站的功耗作为样本标签；设共采集了T个时刻的数据，则共得到了T个数据样本；S102.对于初始类基站下的多个基站，重复执行步骤S101，得到每一个基站的数据样本；设共有M...

【专利技术属性】
技术研发人员：黄川，崔曙光，钟雲，
申请(专利权)人：香港中文大学深圳，
类型：发明
国别省市：