面向节能的神经网络流量预测探讨

【摘  要】5G的节电策略在不同应用场景下可以有多种选择，但准确的业务流量预测始终是其中的关键。为拟合业务流量同时存在季节周期性和短期内可能出现剧烈波动的特性，提出了一种改良的流量预测模型，融合了深度学习LSTM网络模型和指数平滑模型的优势，使整个流量预测在长期预测方面更加稳定可靠。经试验数据检验，改良后的模型对三个试验区域流量的预测相比LSTM的预测结果更精准和细腻。

【关键词】节能；流量预测；LSTM；指数平滑；时间序列

0   引言

随着5G的全面商用，由于其采用的频率更高、单站的覆盖范围小，以及为满足5G高可靠、广覆盖、低时延等特点，5G的站点数目相比4G急剧增加，虽然5G单位比特耗能比小于4G基站，但是绝对能耗则不容小觑。如何在不影响网络业务和用户感知的前提下，有效降低整体网络能耗，提高能量效率，是现5G的一个热门讨论课题。

通信网络节能方案可以划分为基站节能方案和网络级节能方案。基站节能方案主要考虑从设备硬件、软件特性等方面优化设备能耗，而网络级节能方案考虑多制式网络之间协作实现全网能耗最优的效果。基站设备节能方案主要有两种方式，即硬件节能方案和软件节能方案，硬件节能降低基站设备的基础功耗，软件节能从业务运营角度出发对硬件资源进行合理调配，让基站设备更高效运行。常见的节能策略主要有符号关断、通道关断、载波关断、深度休眠等基础型节能，以及通过小区/微站关断及下行功率优化、智能节能等方式强化节能的增强型节能。

从运维的角度来看，节能并不仅仅以降低能量消耗为单一的目标，节能的目的是实现网络运行所产生的能量消耗与网络提供的服务的性能之间的一种折中状态，或者说ÿ