【学术论文】基于大数据的5G基站退服成本估算

　　导读：“2019年是5G元年。”2019年2月18日，上海移动和华为在虹桥火车站正式启动建设5G网络，计划在2019年内完成5G网络深度覆盖。时隔不久，在2月25日开幕的2019世界移动通信大会上，5G成为整场会展的关键词，全球各大手机厂商争相发布旗下首款5G手机，以5G为主题的论坛和研讨会就超过了20场。目前，我国在5G研发和部署方面处于全球前列，在3月举办的全国两会上，5G更是被带入两会新闻中心。

特约主编：朱雪田，北京邮电大学工学博士，教授级高级工程师，中关村国家自主创新示范区高端领军人才，北京邮电大学通信与信息专业工程硕士导师，现就职于中国电信智能网络与终端研究院。长期从事4G/5G移动通信和互联网技术创新与研发工作，作为项目组长先后负责多个4G/5G领域的移动通信国家重大项目，发表学术论文超过50篇，发明专利100余篇，个人专著3本。摘要：随着5G技术的快速发展，5G基站的数量和密度将远超4G，基站的建设和维护也成为不可忽视的问题。因此，全面分析了5G基站退服情况，并提出一种基于大数据的5G基站退服成本估算方案。凭借基站历史退服数据，采用LSTM神经网络建立基站退服预测模型，然后构建了5G基站退服成本估算模型，对预测的5G基站退服进行成本估算。最后通过实验分析，说明了方案的有效性，并提出建议。中文引用格式：魏鹏涛，曾宇，王海宁，等. 基于大数据的5G基站退服成本估算[J].电子技术应用，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

　　中国是较早研发5G技术的国家之一，在技术发展、网络部署和商用规划等方面都取得了巨大的成果。随着5G商用的不断推出，基站的修建与维护是关系到5G技术能否商用的重要工作。5G基站在工作过程中受到天气、传输等各种因素的影响会导致基站脱机，严重的甚至会导致基站掉站或退服。作为最严重的系统故障，基站退服会中断所有服务，用户无法使用手机等通信设备，对于2G、3G等以语音业务为主的用户而言影响普遍较小，但是对5G用户而言，基站退服还会导致移动支付、智慧城市、人工智能等技术业务无法使用，给运营商造成损失。因此，对5G基站退服进行全面分析以及退服后的成本估算就变得非常重要，为基站退服提供精准成本核算，对于相关从业人员而言，具有重要的借鉴意义。

　　1 基站退服分析

　　
5G网络即第五代移动通信网络，随着2018年3GPP全会批准了第五代移动通信技术标准（5G NR）独立组网功能，5G正以超乎想象的速度加速到来。2015年6月ITU定义的5G未来移动应用包括以下三大领域：增强型移动宽带(eMBB)、大规模机器类通信(mMTC)、高可靠低时延通信(uRLLC)。 5G时代是全移动和全连接的智慧时代，人与人、人与物、物与物都需要进行连接和通信。移动网络的目标是连接世界，产生的数据通过连接在云端构建，不断创造价值。5G应用场景如云AR/VR、车联网、智能制造、全球物流跟踪系统、智能农业、智慧城市、智慧能源、无线医疗等，都将在5G时代蓬勃发展。其中有部分已经实现并商业化，如无人机、VR。已有部分国家明确提出对低空无人机提供覆盖和监管以及高空飞机航线覆盖的需求。 5G网络在频谱、空口和网络架构上制订了跨代的全新标准，以满足未来的应用场景。而这些新标准、新技术，给5G无线网络规划领域带来了很多挑战。其中由于5G相比传统的3G/4G而言，网络将更加精确、复杂和立体，也使得基站部署密度越来越大。除了在初期优先使用并改造已有的室内/外3G/4G站址作为5G站点候选站址，还有由于5G信号工作在较高的射频，需要针对不同的情况单独增加室内小型基站，提供5G信号。 随着应用场景越来越普及，站点分布逐渐密集，整个社会都会越来越依赖5G带来的便利。而当遇到某个基站退出服务，不仅将影响辐射区域内通信，对用户造成严重影响，也会影响运营商形象，造成损失。 基站退服一直是影响网络服务的严重故障，造成基站退服的原因有很多，主要包括传输故障、载频故障、天馈故障和外部因素(如市电/蓄电池停电、高温水浸)等 [1]。且5G技术与4G技术有不同之处，如5G采用了波束管理增强天线增益，接入技术采用了稀疏码分多址、图样分割多址及多用户共享接入。因此在4G退服经验基础上还要考虑5G技术特点。 退服会引发大量服务器掉线、通话掉话等，在万物互联的时代可能会产生更大的连锁反应，造成不可估量的损失。

　　2 基站退服成本估算方案

　　
本研究提出的基于大数据的5G基站退服成本估算方案主要包括基于LSTM基站退服预测和基站退服成本估算两部分内容，整体方案流程图如图1所示。

　　2.1 基于LSTM的5G基站退服预测

　　本方案第一部分是凭借海量的5G基站退服历史数据，选取用以处理时间序列数据的LSTM神经网络作为预测算法，构建5G基站退服预测模型。

　　2.1.1 LSTM神经网络

　　LSTM(Long Short Term Memory)是一种循环神经网络(Recurent Neural Network，RNN)结构，最早由HOCHREITER S和SCHMIDHUBE J于1997年提出 [2]。作为循环神经网络结构的一种，LSTM具有非常强大的计算和表达能力，理论上讲，在包含足够多的神经元的情况下，一台计算机所能完成的计算均可借由一个LSTM网络来实现，而网络中的权值即可以看成是完成这个计算所需要的程序 [3]。 相较于传统循环神经网络而言，LSTM网络的优势在于它可以更好地处理间隔不定、界限不明的重要事件序列，从中学习到有用的信息，用以进行分类、分析，或对未来时间序列做出预测 [4]。LSTM对间隔长度相对不敏感，这使得它在很多应用场景中相比其他种类的循环神经网络、马尔科夫模型或其他序列学习类的模型具有更佳的表现。LSTM在诸多领域都取得了成功，其中最为人知的包括自然语言文本压缩、连续手写识别以及自动语音识别等。2016年为止，包括谷歌、苹果、微软和百度在内的世界级科技公司所推出的新产品中都经常能见到LSTM作为其重要组件而出现。 LSTM最早提出是为了解决传统循环神经网络中存在的“消失的梯度”问题 [5]。由于传统神经网络结构中跨越时序的权重值是简单共享的，因此当其值小于1时则会出现沿该方向传递的信息会迅速消失的情况。LSTM对这一问题的解决方法是将传统循环神经网络中的循环神经元用记忆单元(Memory Cell)代替。图2是一个带有遗忘门的记忆单元的结构。

　　LSTM模型有两个隐藏状态h (t)、C (t)，模型参数几乎是RNN的4倍，因为现在多了W f、U f、b f、W a、U a、b a、W i、U i、b i、W o、U o、b o这些参数，参数具体含义可参考文献[6]中相关介绍。前向传播过程在每个序列索引位置的过程为：

　　2.1.2 5G基站退服预测

　　综合基站退服预测问题和LSTM神经网络算法，建立输入输出均为时间序列数据的5G基站退服预测模型。给定输入时间序列数据为T(i)={x i，x i+1，…，x i+t}，输入时间步长为t。每个时间步长包含一个数值x i，表示单位时间内基站退服总量。目标输出数据为输入时刻后的一小段时间序列数据，输出时间步长为p，远小于t。

　　2.2 5G基站退服成本估算

　　在现实生活中，基站退服时会造成此基站的业务转移，从而使周围基站的负荷增加，而基站负荷的增加会相应地提高基站的功耗，增加运行成本，本文以此角度对5G基站退服成本进行估算。 同时，考虑到基站之间的距离对业务转移的影响，一般而言，在退服基站的辐射范围之内距离越远的基站所能转移的业务量越少，因此，根据与退服基站间的距离划分了不同的区域范围，不同区域中基站所转移的退服基站业务量的比率不同。基站退服业务转移过程如图3所示。

　　图3中心位置为退服基站，此基站退服后，区域1内基站以r1比率承载退服基站负荷，同理，区域2内基站以r2比率承载退服基站负荷，使周边基站负荷有不同程度增加。 基站的负荷与功耗存在一定的相关性。5G基站主设备主要由BBU和AAU组成，功耗也主要是由BBU和AAU产生。AAU其实就是4G时代的RRU加上天线。BBU的主要作用是负责基带数字信号处理。AAU的主要作用是将基带数字信号转换成模拟信号，然后调制成高频射频信号，再通过功放单元放大功率，通过天线发射出去。数据显示，BBU的功率比较稳定，不受业务负荷的太大影响。而AAU随着负荷的增加，功耗也大幅增加，本研究中以BBU和AAU功耗总和衡量基站的功耗，基站退服发生过程中使周边基站功耗增加的费用即为基站退服的成本。假设基站负荷和功率呈线性关系，并且不同负荷范围内功耗变化的比率不同。 综上，构建出成本估算模型：

　　其中，C为计算出的总成本，T表示功耗的时间段，P是电费标准，N表示基站退服总量，m表示按距离划分的区域数量，n i表示每个区域内周边基站总量，Q代表退服基站负荷，q ij代表区域内第j个基站原始负荷，r i是区域内负荷分配比率。式(9)是代表负荷与功耗关系的分段函数，x表示负荷，f(x)最终得出基站在x的负荷下所需要的功耗。

　　3 实验分析

　　3.1 基于LSTM的5G基站退服预测

　　3.1.1 数据来源

　　为了说明方法的有效性和实用性，本文选取中国电信某省一年时间内实际基站退服数据，数据以每日为单位时长。

　　3.1.2 数据预处理

　　因为基站退服具有实时性的特点，可能造成基站退服数值在短时间内的大跨度变化，为了提高模型泛化能力,故采用离差标准化公式：

　　其中，ymax和ymin分别为基站退服数值的最大值和最小值。通过式(10)对样本数据进行归一化处理后，将每一列数据的取值范围规范到[0，1]。对数据进行预处理，可避免数据拟合度差造成预测不精确。

　　3.1.3 实验环境

　　计算机配置环境：处理器采用Intel Core TM i5-6300HQ CPU@2.30 GHz 2.30，8 GB内存，1 TB硬盘。 网络模型参数设置：设置LSTM神经网络模型批次训练数量为60，学习率0.001，训练数据与测试数据比例为7：3，迭代次数为1 000次。

　　3.1.4 实验结果及分析

　　利用LSTM对基站退服进行预测。研究中选取8月后数值进行预测，LSTM模型的预测结果如图4所示。

　　由图4可直观看出，LSTM神经网络预测数据与实际数据比较吻合，预测误差很小，预测结果具有良好的预测精度，能够较好地挖掘出数据发展趋势。为进一步验证此预测模型的预测精度的优越性，本研究采用平均绝对误差e MAE和平均相对误差e MAPE两项指标衡量预测模型拟合的好坏程度，其计算公式分别为：

　　模型预测精度的结果如表1所示。

　　根据表1可知，基于LSTM的基站退服预测模型整体预测误差小、预测精度较高，能够较为准确地反映基站退服的发展态势，使管理者能即时追踪基站退服的相关情况。

　　3.2 5G基站退服成本估算分析

　　利用2.2节构建的基站退服成本模型，对此地区进行基站退服成本估算。前述部分已经预测出8月份后基站退服的数量预计共15 367个，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结果与基站退服影响范围、区域划分范围、基站原始负荷、负荷分配的比率、区域内周边基站的个数有关，在不考虑基站超负荷运行的情况下，设置不同的参数值以估算基站退服成本情况。 设置基站退服影响范围为3 000 m，以1 000 m为间隔划分区域，假设基站原始负荷都相同，为50%，周边基站负荷分配以6:4的比例由距离从近到远依次递减，电费以商业用电标准1.2元/(kW·h)计，不同区域内周边基站个数所造成的成本结果如表2所示。

　　设置不同区域内周边基站个数为2个，退服影响范围的不同造成的成本结果如表3所示。

　　设置基站退服影响范围为3 000 m，划分区域范围的不同造成的成本结果如表4所示。

　　同样，设置划分区域范围为1 000 m，基站原始负荷的不同造成的成本结果如表5所示。

　　根据以上不同情况下估算出的结果，在不考虑其他损失的前提条件下，得出在本地区8月份后由于基站退服造成的成本损失大约为106 576 264.14元，可看出基站退服会对运营商造成的损失是十分巨大的。针对基站退服，运营商方可积极采取相应措施，尽量减少基站退服事故的发生，降低成本： (1)加强基站日常供电设备的检测。基站蓄电池要经常进行性能测试，能够即时掌握电池的健康状况，及时更换有问题的电池，合理配置电源机柜整流模块。 (2)加强基站线路方面的质量检查。很多基站由于线路老化接头多，衰耗大而退服，故要对线路加强盯守，可采用溯源方式加强施工方的质量管控，出现问题及时抢修。 (3)科学及时地对故障进行处理。建立完备的基站数据监控平台，能详细了解基站的实际情况，使工作人员能准确合理地调度人员去处理基站故障。加强故障工单的调度与处理，提升告警处理效率；另一方面，可以对故障工单信息进行挖掘，为日后基站的维护提供更具针对性的建议。

　　4 结论

　　
本文提出了一种基于大数据的5G基站退服成本估算方案，首先利用基站退服历史时间序列数据和LSTM神经网络算法训练5G基站退服预测模型，通过实际数据验证，模型能较准确的预测出基站退服的发展规律；之后从基站退服后所造成周边基站的功耗变化角度，构建了5G基站退服成本估算模型，并用实际数据进行估算，此方法可为基站维护人员提供参考，化被动为主动，减少成本。本研究方法后续还需进一步完善，可以加入更多的成本估算因素，如设备自身的损耗、由于用户产生的业务损失等。文中模型所涉及的基站的负荷变化可进行更详尽的计算，考虑到基站负荷超载等一些情况，做到更精确的核算。

　　参考文献

　　[1] 王洋，满毅，陈志鹏.基于集中监控数据资源的4G基站退服故障预警模型[J].电信科学，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，聂文俊.基于深度双向LSTM的股票推荐系统[J/OL].计算机科学：1-9[2019-08-29].http：//kns.cnki.net/kcms/detail/50.1075.tp.20190822.1619.010.html.

　　作者信息:

　　魏鹏涛，曾 宇，王海宁，李 皛，姚沛君，李梦池，徐艺谋