旅游城市5G容量預(yù)測及組網(wǎng)方法研究

文 凱 陳 浩 錢權(quán)智 莫 勇

(重慶郵電大學(xué)通信與信息工程學(xué)院 重慶 400065) (重慶郵電大學(xué)通信新技術(shù)應(yīng)用研究中心 重慶 400065) (重慶信科設(shè)計(jì)有限公司 重慶 401121)

0 引 言

2019年以來，5G網(wǎng)絡(luò)建設(shè)在全國各地如火如荼的展開，相比與4G網(wǎng)絡(luò)，5G網(wǎng)絡(luò)的頻段更多、站點(diǎn)更密、組網(wǎng)更加復(fù)雜，如何科學(xué)謀劃5G布局、加強(qiáng)5G站址統(tǒng)籌將是5G規(guī)劃的重點(diǎn)與難點(diǎn)。

旅游城市一般為以景區(qū)景點(diǎn)為核心、以旅游產(chǎn)業(yè)為主體、旅游業(yè)產(chǎn)值超過城市GDP的7%的一類城市，與一般城市相比，旅游城市人流量隨季節(jié)變化明顯，有著顯著的淡旺季特征。在傳統(tǒng)規(guī)劃中，容量預(yù)測一般采用趨勢外推法與人口普及率法、類比法相結(jié)合的方法，綜合預(yù)測規(guī)劃期內(nèi)5G業(yè)務(wù)用戶數(shù)量，但趨勢外推法通常預(yù)測對象的發(fā)展規(guī)律是呈漸進(jìn)式的變化，而不是跳躍式的變化，無法反映出旅游城市隨著淡旺季而產(chǎn)生的人流量變化情況。為了更好地體現(xiàn)旅游城市人口的季節(jié)及發(fā)展趨勢，本文將SARIMA模型引入到5G規(guī)劃中，代替趨勢外推法預(yù)測用戶數(shù)量，其對周期性的時間序列預(yù)測效果很好，是對ARIMA模型在季節(jié)性數(shù)據(jù)方面的局限性改進(jìn)而得到的，可以在單變量數(shù)據(jù)中顯式地模擬季節(jié)性元素，展示數(shù)據(jù)的季節(jié)性特點(diǎn)，以對未來作出準(zhǔn)確預(yù)測[1]，為5G組網(wǎng)方案的制定提供數(shù)據(jù)支持。

截至2019年底，全國共有旅游城市337座，占全國所有地級市的51.1%，因此，針對旅游城市的人口特點(diǎn)進(jìn)行針對性的5G規(guī)劃方法研究是很有必要的。

1 容量預(yù)測方法研究

1.1 傳統(tǒng)容量預(yù)測方法

趨勢推斷法是網(wǎng)絡(luò)規(guī)劃中常用的預(yù)測用戶數(shù)量的方法，屬于時間序列預(yù)測方法的一種[2]。當(dāng)預(yù)測對象的變化顯示出一定的上升或下降趨勢且沒有明顯的波動時，可以找到一條合適的函數(shù)曲線來反映該變化，通常使用線性函數(shù)、二次函數(shù)、指數(shù)函數(shù)等函數(shù)進(jìn)行擬合，并選擇擬合度最高的函數(shù)構(gòu)建趨勢模型，定量估計(jì)事物的未來發(fā)展趨勢。

1.2 SARIMA模型容量預(yù)測研究

ARIMA模型是時間序列預(yù)測中最受歡迎的模型之一。該模型源自自回歸模型(AR)與移動平均模型(MA)的組合，差分(I)可以將非平穩(wěn)數(shù)據(jù)序列差分后使數(shù)據(jù)更加穩(wěn)定。

SARIMA模型即季節(jié)性ARIMA，考慮季節(jié)性因素而改進(jìn)了ARIMA模型，它明確支持具有季節(jié)性成分的單變量時間序列數(shù)據(jù)[3]。相比于ARIMA，它添加了四個新的參數(shù)，指定序列的季節(jié)性分量自回歸(AR)，差分(I)和移動平均值(MA)，以及一個季節(jié)性周期的附加參數(shù)，也就是說以ARIMA基礎(chǔ)加上周期性和季節(jié)性，適用于時間序列中帶有明顯周期性和季節(jié)性特征的數(shù)據(jù)[4]。其模型一般表示為：

SARIMA(p，d，q)x(P，D，Q)S

(1)

式中：p為自回歸項(xiàng)數(shù)；d為非季節(jié)差分?jǐn)?shù)；q為移動平均項(xiàng)數(shù)；P為季節(jié)性自回歸項(xiàng)數(shù)；D為季節(jié)差分?jǐn)?shù)；Q為季節(jié)性移動平均項(xiàng)數(shù)；S為周期數(shù)，例如將S取為12，代表1年中的12個月。其中p、d、q為三個非季節(jié)性參數(shù)，P、D、Q、S為四個季節(jié)性部分參數(shù)。

SARIMA模型用數(shù)學(xué)公式表示：

(2)

φ(B)為p階非季節(jié)性自回歸運(yùn)算符，其定義為:

φ(B)=1-Φ1B-Φ2B-…-ΦPBp

(3)

θ(B)為q階非季節(jié)性移動平均運(yùn)算符，其定義為:

θ(B)=1-Φ1B-Φ2B-…-ΦqBq

(4)

Φ(BS)是S為周期的時間序列的P階季節(jié)性自回歸運(yùn)算符，其定義為：

Φ(BS)=1-Φ1BS-Φ2B2S-…-ΦPBPS

(5)

Θ(BS)是S為周期的時間序列的Q階季節(jié)性移動平均運(yùn)算符，其定義為：

Θ(BS)=1-Θ1BS-Θ2B2S-…-ΘQBQS

(6)

1.3 SARIMA模型建模過程

為了正確地識別模型以進(jìn)行預(yù)測和解釋，SARIMA建模過程包括六個步驟：數(shù)據(jù)預(yù)處理、平穩(wěn)性檢驗(yàn)、模型定階、模型診斷、模型預(yù)測、模型驗(yàn)證。如圖1所示。

圖1 SARIMA模型建模過程

(1) 數(shù)據(jù)預(yù)處理。對于收集好的數(shù)據(jù)，首先進(jìn)行缺失值處理，可以采用平均法提取前后數(shù)據(jù)的平均值填充缺失值，調(diào)整數(shù)據(jù)格式，如日期格式等，并對異常值進(jìn)行處理，使數(shù)據(jù)更加合理。

同時將處理好的數(shù)據(jù)按7 ∶3分成兩份，時間靠前的部分稱為訓(xùn)練集，靠后的部分稱為測試集，如圖2所示。拿訓(xùn)練集代入模型進(jìn)行預(yù)測，然后將預(yù)測結(jié)果和測試集進(jìn)行對比，以驗(yàn)證模型的準(zhǔn)確性。

圖2 訓(xùn)練集與測試集劃分圖

(2) 平穩(wěn)性檢驗(yàn)。為了測試時間序列的平穩(wěn)性，即確定d和D的大小，最直觀的識別方法是自相關(guān)圖。如果自相關(guān)系數(shù)迅速接近零，即自相關(guān)系數(shù)被截?cái)啵瑒t時間序列是穩(wěn)定的。也可以通過ADF檢測的方法。我們需要檢查序列是否已通過ADF(增強(qiáng)的Dickey-Fuller)測試，通常p值小于0.05[5]，ADF值小于顯著性水平為1%的臨界值，則可以判斷序列穩(wěn)定。

(3) 模型定階。數(shù)據(jù)平穩(wěn)后，需要對模型定階，即確定p、q的階數(shù)。通過AIC方法來確定最優(yōu)參數(shù)，確定最合適的SARIMA模型。AIC函數(shù)如下:

AIC=-2log(L)+2(p+q+k+1)

(7)

式中：L為數(shù)據(jù)的極大似然度，k為獨(dú)立參數(shù)個數(shù)。最終模型得到的AIC值越小，則階數(shù)越合適[6]。

(4) 模型診斷。對建立的SARIMA模型進(jìn)行適應(yīng)性檢驗(yàn),即對模型殘差序列進(jìn)行獨(dú)立性檢驗(yàn)。通過對殘差序列的Q-Q圖和自相關(guān)圖判斷分析，確定SARIMA模型的可用性，保證預(yù)測結(jié)果的準(zhǔn)確。

(5) 模型預(yù)測。使用確定好的SARIMA模型，以訓(xùn)練集數(shù)據(jù)作為已知時間序列進(jìn)行實(shí)際預(yù)測。

(6) 模型驗(yàn)證。對比驗(yàn)證集與預(yù)測結(jié)果，計(jì)算預(yù)測的相對誤差絕對值大小，判斷模型的準(zhǔn)確性。

(8)

2 容量預(yù)測實(shí)際案例分析

以麗江古鎮(zhèn)2010年-2019年人流量數(shù)據(jù)為例，進(jìn)行仿真。

首先，繪制麗江古鎮(zhèn)2010年-2019年人流量數(shù)據(jù)，如圖3所示。

圖3 麗江古鎮(zhèn)人流量圖

麗江是典型的旅游城市，可以看到其季節(jié)性特征非常顯著，將人流量數(shù)據(jù)進(jìn)行拆分，如圖4所示。

圖4 麗江古鎮(zhèn)人流量分解圖

圖4中Trend數(shù)據(jù)具有明顯的趨勢性，Seasonal數(shù)據(jù)具有明顯的周期性，Residual可以認(rèn)為是去除了趨勢和季節(jié)性數(shù)據(jù)剩余的部分，即殘差。Residual數(shù)據(jù)保持穩(wěn)定是必要的。

季節(jié)性(Seasonal)數(shù)據(jù)指在特定的時間段內(nèi)變動，比如說節(jié)假日或者活動等導(dǎo)致數(shù)據(jù)的周期性變化，可以看到，麗江古鎮(zhèn)很好地符合了旅游城市人流量隨淡旺季變化的特點(diǎn)。

麗江古鎮(zhèn)人流量數(shù)據(jù)的趨勢性和季節(jié)性都非常明顯，但是殘差波動較大。為了使數(shù)據(jù)更加平穩(wěn)，首先對數(shù)據(jù)進(jìn)行差分處理，差分處理主要是為了減小數(shù)據(jù)的振動幅度，使其線性規(guī)律更加明顯，同時保留其他信息。從表1可以看到，差分前p值明顯大于0.05，對殘差進(jìn)行ADF平穩(wěn)性檢驗(yàn)(表1)，其ADF檢驗(yàn)值大于顯著水平10%下的臨界值，可見序列并不平穩(wěn)，在差分后，再次檢查序列是否已通過ADF測試(表2)，可以看到此時p值已經(jīng)遠(yuǎn)遠(yuǎn)小于0.05，且ADF值遠(yuǎn)小于顯著性水平為1%的臨界值，因此序列可以判定為穩(wěn)定。

表1 差分前ADF結(jié)果

表2 差分后ADF結(jié)果

為了確定模型的階數(shù)，可以使用“網(wǎng)格搜索”來迭代地探索不同的組合。對于每個組合，將其代入SARIMA模型,通過AIC方法來評估最優(yōu)模型，以此確定模型階數(shù)。

表3是麗江古鎮(zhèn)人流量的SARIMA模型的AIC值。

表3 麗江古鎮(zhèn)人流量SARIMA模型匹配表

可以看出，SARIMA(0, 1, 1)×(0, 1, 1)12為AIC最小的模型，擬合度最優(yōu)。

圖5模型診斷表明，模型殘差正常分布如下：左邊的Q-Q圖顯示，殘差(圓點(diǎn))的有序分布遵循采用N(0,1)的標(biāo)準(zhǔn)正態(tài)分布采樣的線性趨勢，這是殘留物正常分布的指示[7]。隨著時間的推移殘差不會顯示任何明顯的季節(jié)性，通過右邊的相關(guān)圖可以證實(shí)，這表明時間序列殘差與自身的滯后值具有低相關(guān)性[8]。這些觀察結(jié)果得出結(jié)論：我們的模型選擇令人滿意，可以很好地對時間序列數(shù)據(jù)進(jìn)行預(yù)測。

圖5 模型診斷圖

驗(yàn)證模型的可用性后，對麗江古鎮(zhèn)人流量進(jìn)行預(yù)測，使用訓(xùn)練集數(shù)據(jù)(2010年-2017年)預(yù)測到2022年，如圖6所示。

圖6 麗江古鎮(zhèn)人流量預(yù)測圖

使用同樣的方法，對重慶和昆明的游客人流量進(jìn)行預(yù)測，選取時間范圍為2015年-2019年，其中2015年-2018年作為訓(xùn)練集數(shù)據(jù)，2019年作為測試集數(shù)據(jù)，數(shù)據(jù)來源于重慶市文化和旅游局與昆明市文化和旅游局官網(wǎng)數(shù)據(jù)。結(jié)果如圖7-圖8所示。

圖7 重慶游客人流量預(yù)測圖

圖8 昆明游客人流量預(yù)測圖

以2019年為例，分別計(jì)算麗江古鎮(zhèn)、重慶、昆明游客人流量預(yù)測值與測試集實(shí)際值的相對預(yù)測誤差絕對值，如表4所示。

表4 測試集實(shí)際值與預(yù)測值的相對誤差絕對值表

由表4可計(jì)算得出，麗江古鎮(zhèn)的相對誤差絕對值僅為2.9%，而重慶與昆明的相對誤差絕對值分別為6.3%、5.9%，均在10%誤差范圍以內(nèi)，因此可以證明模型的預(yù)測結(jié)果非常準(zhǔn)確，同時具有很好的適應(yīng)性。

3 旅游城市5G景區(qū)與居民區(qū)融合組網(wǎng)

3.1 景區(qū)與居民區(qū)人流量分析

正常情況下，數(shù)據(jù)流量會在一天的某一時刻達(dá)到峰值。而其他時間，如午夜時通信設(shè)備的利用率相對較低，而對于旅游城市來說，因?yàn)橛械局郑诘镜臅r候，基站利用率則很低。為了保證用戶體驗(yàn)，運(yùn)營商又必須按照峰值速率來部署設(shè)備，也因此，網(wǎng)絡(luò)設(shè)備利用率低下成為一個急需解決的問題。

圖9 景區(qū)與居民區(qū)人流量對比圖

觀察景區(qū)與其周邊居民區(qū)的人流量數(shù)據(jù)，可以發(fā)現(xiàn)兩者達(dá)到峰值的時間并不相同，如果將兩者融合組網(wǎng)，共用一部分網(wǎng)絡(luò)資源的話，可以在一定程度上節(jié)省網(wǎng)絡(luò)資源，做到從規(guī)劃上減少能源損耗。

3.2 景區(qū)與居民區(qū)融合組網(wǎng)方案

實(shí)際上，3GPP在5G標(biāo)準(zhǔn)中已經(jīng)提出了解決方案，即C-RAN架構(gòu)，C-RAN架構(gòu)通過將設(shè)備集中化放置，并利用虛擬化技術(shù)，實(shí)現(xiàn)資源共享和動態(tài)調(diào)度，以達(dá)到低成本、高帶寬和高靈活度運(yùn)營的效果[9-10]。其實(shí)質(zhì)就是將核心網(wǎng)虛擬化，通過資源的集中化實(shí)現(xiàn)節(jié)省能源和網(wǎng)絡(luò)資源的效果。在規(guī)劃中設(shè)計(jì)良好的C-RAN架構(gòu)，可以實(shí)現(xiàn)降低運(yùn)營成本的同時保持良好的性能水平。

5G規(guī)劃中，要根據(jù)實(shí)際的場景需求來確定部署方案，即根據(jù)所屬區(qū)域環(huán)境條件來建設(shè)5G網(wǎng)絡(luò)[11]。對于景區(qū)來說，對時延與移動性要求并不高，因此景區(qū)可以采用CU-DU分離形式，CU集中在匯聚機(jī)房，形成云化池，中傳距離滿足小于40 km即可。前傳在情況允許的情況下，對于高容量業(yè)務(wù)，在密集部署的情況下，DU也可以集中放置，實(shí)現(xiàn)聚合的調(diào)配資源，優(yōu)化網(wǎng)絡(luò)資源的利用率，節(jié)省能源，同時也能緩解景區(qū)機(jī)房位置短缺的問題[12]。

如圖10所示，在面向景區(qū)組網(wǎng)時，可以將景區(qū)基站和居民區(qū)的基站融合組網(wǎng)，統(tǒng)一由一個DU云集中管理[13]，這樣的話，在計(jì)算該區(qū)域容量峰值時不需要將兩者峰值的最大值相加計(jì)算，因此DU設(shè)備在一定程度上可以得到節(jié)省。

圖10 景區(qū)與居民區(qū)融合組網(wǎng)圖

這樣的組網(wǎng)方式，對一些突發(fā)事件也有一定的承受能力。假設(shè)發(fā)生一種極端情況，如惡劣天氣等，這時所有的居民大概率都在家中，但與此同時，景區(qū)的游客也會迅速減少，這樣，雖然居民區(qū)達(dá)到網(wǎng)絡(luò)使用的峰值，但是因?yàn)榫皡^(qū)人流量的減少，總體網(wǎng)絡(luò)占用并未達(dá)到峰值，因此DU/CU設(shè)備仍可以滿足網(wǎng)絡(luò)需求。

3.3 景區(qū)與居民區(qū)融合組網(wǎng)方案驗(yàn)證

景區(qū)與居民區(qū)組網(wǎng)融合組網(wǎng)節(jié)省能源的計(jì)算公式如下：

節(jié)省能源

(9)

通過計(jì)算，本文發(fā)現(xiàn)這個融合組網(wǎng)方案相對于之前分別組網(wǎng)的方式，節(jié)約了5.76%的能源損耗，具有較強(qiáng)的應(yīng)用價(jià)值。

4 結(jié) 語

在5G時代，能源消耗已經(jīng)成了一個大問題[14]，未來5G基站電費(fèi)花費(fèi)將是4G的數(shù)倍，這將成為運(yùn)營商的沉重負(fù)擔(dān)，本文引入一種在5G規(guī)劃中新的容量預(yù)測方法，并通過旅游城市景區(qū)與居民區(qū)人流量峰值時間不同的特點(diǎn)，提出一種景區(qū)與居民區(qū)融合組網(wǎng)的方法，以統(tǒng)籌規(guī)劃5G站點(diǎn)與網(wǎng)絡(luò)資源，滿足運(yùn)營商的節(jié)能需求。