基于T-GCN的４G／５G基站節能減排智能決策系統

摘 要：隨著４Ｇ ／ ５Ｇ 移動互聯網的快速發展，為了滿足不斷增長的流量需求并提升蜂窩網絡的覆蓋率，基站的流量負荷呈爆炸式增長。在全球能源短缺的背景下，要實現碳達峰、碳中和的目標，在不降低用戶通信質量的前提下，如何對基站進行精準開關控制，使其能耗減小到最低是一個重要問題。為此，在柵格模型和基站能耗計算模型的基礎上，提出了一種基于時間圖卷積網絡（ＴｅｍｐｏｒａｌＧｒａｐｈ Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｔｗｏｒｋ，ＴＧＣＮ）預測和自設計啟發式算法關斷決策的基站智能決策系統，實現了基站的智能開啟和關閉。同時保證符合實際約束，從而得以提高網絡資源管理的效率并優化網絡能耗性能。通過仿真實驗，流量預測效果良好，在一定范圍內得到了理想的基站開關決策結果。

關鍵詞：節能；時間圖卷積網絡流量預測；啟發式關斷決策算法；基站智能開關

中圖分類號：ＴＮ９２９． ５ 文獻標志碼：Ａ 開放科學（資源服務）標識碼（ＯＳＩＤ）：

文章編號：１００３－３１１４（２０２４）０４－０６３１－０９

０ 引言

隨著全球氣候變化、溫室氣體排放增加、能源短缺等問題的加重，人們對當前能源消耗問題的認識得到了進一步加深。我國作為世界能源消耗大國，堅決走綠色高質量發展之路，提出在“十四五”實現碳達峰、碳中和的目標。通信行業在全球變暖問題中的主要影響是能源消耗和溫室氣體排放。盡管與傳統的冶金類行業相比，通信行業的能源消耗和排放量相對較低，但在信息與通信技術行業，溫室氣體排放占全球總排放量的２％ ，其中通信行業的排放量占到了２５％ ［１］。當下５Ｇ 移動互聯網的高速發展，移動流量呈現爆炸式增長，基站的能源消耗問題變得尤為重要，處于開啟狀態的基站約占通信網絡能耗的６０％ ～ ８０％ ，從而加重溫室氣體（主要是ＣＯ２）的排放［２］。因此，通信行業帶來的能源消耗和碳排放不容小視。

隨著５Ｇ 網絡各種非話音業務（高清視頻、文件下載等）的大量涌現，使得每小區業務量在時間內的起伏急劇加大，使５Ｇ 基站具有明顯的潮汐現象。在流量高峰期，大量基站出現負荷超過容量的問題，使得即使信號條件很好，網絡速度也非常慢，給用戶帶來極差的體驗；在某些時段，用戶數量大幅降低，基站處于低流量時段，如果仍然按照高容量時段的載頻數量來運行基站配置，會導致許多基站在相當長的時間內處于低負載運行狀態，極大地浪費資源和能量。

因此，基站節能減排的必要性變得尤為突出。通過精確的流量預測及基站開關決策，不僅可以保障網絡性能和用戶體驗，還可以有效調節基站的運行狀態，避免資源浪費和能源過度消耗。

本文創新性地利用時間圖卷積網絡（Ｔｅｍｐｏｒａｌ-Ｇｒａｐｈ Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｔｗｏｒｋ，Ｔ-ＧＣＮ）的強大功能，根據歷史數據對未來做出準確的預測，并結合通信領域專業知識，采用一種自擬的啟發式算法進行關斷決策，提出了一種環境友好型的基站智能開關模型，將流量預測結果真正落地。在保證用戶流暢上網的感知體驗度前提下，盡可能減少能源消耗，對我國通信領域能源利用的綠色轉型升級有重大意義，助力實現碳達峰碳中和的目標。

１ 相關工作

目前，研究人員提出的基站設備節能方案主要分為硬件節能和軟件節能兩種方式。硬件節能主要是通過優化硬件設計、選用低功耗器件和優化供電等方式，來降低基站設備的基礎功耗。軟件節能則是從業務運營角度出發，對硬件資源進行合理調配，讓基站設備更高效運行，達到節能的目的。節能關鍵技術主要包含符號關斷、通道關斷、下行功控、基站深度休眠、載波關斷等［３］，以及智能電表應用管理、直供電改造處理等配套的管理措施［４］。

隨著人工智能技術的蓬勃發展，目前涌現出了越來越多的基于人工智能技術的節能方案。

李露等［５］運用強化學習、聯邦學習等算法從網絡層面設計了多制式協同的４Ｇ／５Ｇ 基站節能策略。卜寅等［６］建立了一套４Ｇ／５Ｇ 無線小區的業務量評價及測量報告覆蓋評估體系，識別出低價值小區并對其采取關斷獲或深度休眠等措施。

此外，結合深度學習、數據挖掘、混合模型的流量預測技術已成為目前的研究趨勢［７］。夏慧維［８］設計研究了基于決策樹集成和寬度森林的網絡流量分析與預測算法；何勇等［９］基于向量自回歸（ＶｅｃｔｏｒＡｕｔｏＲｅｇｒｅｓｓｉｏｎ，ＶＡＲ）模型對大規模基站流量數據進行整體分析，將多響應變量預測問題轉化為單響應變量預測模型，運用Ｌａｓｓｏ 變量選擇方法篩選目標基站的重要關聯基站。但基于人工智能技術的研究主要集中于基站的流量預測方面，對預測到的結果進行成體系決策的研究較少。倪飛祥［１０］結合小波Ｅｌｍａｎ 神經網絡（Ｅｌｍａｎ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ，ＥＮＮ）算法，選擇合適的移動窗口大小，實現了流量預測。蔣品［１１］提出了距離度量－ 長短期記憶（Ｔｒｅｎｄ-ＢａｓｅｄＤｉｓｔａｎｃｅ-Ｌｏｎｇ Ｓｈｏｒｔ Ｔｅｒｍ Ｍｅｍｏｒｙ，ＴＢＤ-ＬＳＴＭ）網絡單基站流量預測模型和基站流量時間序列的Ｋ 趨勢長短期記憶（Ｋ-Ｔｒｅｎｄ-Ｌｏｎｇ Ｓｈｏｒｔ Ｔｅｒｍ Ｍｅｍｏｒｙ，Ｋ-Ｔｒｅｎｄ-ＬＳＴＭ）網絡全局基站流量預測模型，比傳統長短期記憶算法的預測精度更高。以上這些措施都可以以一定的準確度預測流量，為進一步實現基站的功率分配奠定基礎。在基站功率分配策略方面，郝少偉等［１ ２ ］提出了基于改進粒子群優化（ＩｍｐｒｏｖｅｄＰａｒｔｉｃｌｅ Ｓｗａｒｍ Ｏｐｔｉｍｉｚａｔｉｏｎ，ＩＰＳＯ）算法的多載波非正交多址接入（Ｎｏｎ-Ｏｒｔｈｏｇｏｎａｌ Ｍｕｌｔｉｐｌｅ Ａｃｃｅｓｓ，ＮＯＭＡ）系統的功率分配策略，能量效率有所提升，但隨著用戶數增加，算法復雜度顯著提升。

綜上所述，傳統基站節能方法主要依賴于人工統計分析或者定性描述分析，在低峰期減少無線資源的使用，但不能有效實時地反映通信網絡在不同時間段、不同區域、不同業務類型下對能源資源利用效率和環境影響程度之間復雜關系。而新興的一些基于人工智能算法的研究大多僅停留在流量預測階段，并未真正實現基站節能方案的落地。因此，在保證用戶通信質量的前提下，如何對４Ｇ／５Ｇ 基站更加精準、更加高效地進行開關控制，并加強方案的可實現性，最大限度降低能耗，是一個值得深入研究地問題。

２ 基于預測的基站節能關斷系統

２． １ 系統建模

考慮由密集部署網絡提供服務的正方形區域Ｒ∈Ｒ２，包括Ｉ 個基站節點和大量用戶節點。為簡化后續計算，畫分柵格（Ｇｒｉｄ）來描述流量分布。每個柵格包含多個速率需求不同的用戶節點。將服務區域離散化為Ｊ 個柵格，如圖１ 所示。用Ｉ＝｛１，２，…，Ｋ｝和Ｊ ＝ ｛１，２，…，Ｑ｝來分別表示基站和Ｇｒｉｄ 的集合。

本文采用某運營商在其城市中心城區與郊區的實際基站地理位置數據（經緯度），中心城區占地面積４３０． ８ ｋｍ２，共計部署４Ｇ／５Ｇ 基站２ ８００ 個；郊區占地面積１ ０３６． ３３ ｋｍ２，共計部署４Ｇ 基站１７１ 個、５Ｇ基站１９８ 個。

蜂窩網絡具有非均勻特性。根據所獲取的基站位置數據分別做出該城市中心城區與郊區蜂窩基站的泰森多邊形，如圖２ 所示，兩個區域基站空間分布都具有明顯的非均勻性。

針對兩區域基站實際占地面積，以每ｍ２ 為單位進行分割。利用ｋ ＝ １ 的Ｋ － 近鄰（Ｋ-ＮｅａｒｅｓｔＮｅｉｇｈｂｏｒ，ＫＮＮ）算法，對每ｍ２ 小區進行基站的映射。每個基站會覆蓋多個小區，即可算出各個基站的覆蓋面積。

２． ２ 能耗模型

將整個柵格區域Ｊ 的蜂窩基站群定義為全集，根據區域上每個基站（ｉ∈Ｉ）的工作狀態可將蜂窩基站群進行劃分：處于激活（ａｃｔｉｖｅ）狀態的基站／ 處于休眠（ｉｄｌｅ）狀態的基站。

用０－１ 狀態變量λｉ 表示每個基站的工作狀態：

式中：Ｐｉａｃｔｉｖｅ 表示處于激活狀態基站的功耗，Ｐｉｄｌｅ 表示處于休眠狀態基站的功耗。

對于處于休眠狀態的基站，其功耗主要來自以下兩方面：① 硬件供電，即使蜂窩基站沒有激活，它仍需要保持一定程度的硬件供電以維持其基本功能（如時鐘、內存、輔助電路等）的運轉。② 控制信號接收，休眠狀態下的蜂窩基站仍然需要接收控制信號以便隨時能夠被激活，它需要保持對網絡的監聽，以便在需要時能夠及時響應請求。這兩個因素構成了休眠狀態下蜂窩基站的能耗。相對于激活狀態，休眠狀態下的能耗是比較低的，因此可有效地降低整個蜂窩網絡的功耗水平。

而對于處于激活狀態的基站，其功耗主要包括基礎功耗和通信功耗兩大部分：① 基礎功耗主要包括基站散熱、電源電路等組件消耗的功率；② 通信功耗主要包括信號基帶處理單元、功率放大器和無線射頻傳輸等組件消耗的功率。第ｉ 個處于激活狀態的基站功耗表達式為：

式中：Ｐｆｉｘ 表示處于激活狀態基站的基礎功耗，是不隨激活狀態而變化的固定功耗；Ｐｉ，ｊｔｒａｎｓ 表示第ｉ 個激活的基站分配給區域上第ｊ 個柵格的傳輸功耗；ηｉ 表示功率放大器效率因數。

式（３）中整個區域Ｊ 的總功耗可進一步轉化為［１３］：

式中：Ｃ１ 的Λ＝｛０，１｝，ｐｉ，ｊ、ｂｉ，ｊ 均為正實數。Ｃ２ 和Ｃ３分別為對于任意基站節點的最大傳輸功率約束和最大帶寬約束。Ｃ４ 為確保通信質量所必須滿足的約束條件，ＲＪ 為整個柵格區域上需要滿足的通信速率。

由于用戶的位置可能在不同柵格間變換，各柵格的流量需求分布也會改變。要解決式（７）所定義的問題，需知各柵格未來流量需求分布情況，運用Ｔ-ＧＣＮ 模型進行預測。根據式（６）可知，在ｔ 時刻整個區域Ｒ 的流量需求即為所有基站負載總和，時空流量分布預測問題可以轉化對基站的時間序列預測問題。在已知各基站的歷史負載值向量后，本文將使用Ｔ-ＧＣＮ 來解決時間序列的預測問題。

２． ４ 基于Ｔ-ＧＣＮ 的流量預測模型

２． ４． １ 參數定義

構建一個圖Ｇ＝（Ｖ，Ｅ）來描述流量數據的空間上的相關性，Ｖ＝｛Ｖ１，Ｖ２，…，Ｖｉ｝表示各柵格，每個柵格看做一個節點。Ｅ 表示各柵格間流量的相關性。

節點間連接關系用領接矩陣Ａ 表示，元素值為０ 或１。Ａｘ，ｙ ＝１ 表示編號為ｘ 的柵格和編號為ｙ 的柵格的流量存在相關性，Ａｘ，ｙ ＝ ０ 則表示編號為ｘ 的柵格和編號為ｙ 的柵格的流量不存在相關性。

本文定義特征矩陣ＸＭ×Ｎ，Ｍ 表示柵格最大編號，Ｎ 表示歷史數據的時間的最大值，Ｘｍ，ｎ 表示編號為ｍ 的柵格在第ｎ 時刻的流量數據，Ｘｎ 表示在第ｎ 時刻所有柵格流量數據的總和。Ｘ 序列來表示時間上的相關性，Ｘ 序列可表示為：

Ｘ＝｛Ｘ１，Ｘ２，…，Ｘｎ｝。（８）

２． ４． ２ 模型框架

Ｔ-ＧＣＮ 模型包括圖卷積網絡（ＧｒａｐｈＣｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｔｗｏｒｋ，ＧＣＮ）和門控循環單元（ＧａｔｅｄＲｅｃｕｒｒｅｎｔ Ｕｎｉｔ，ＧＲＵ）兩部分。預測過程分為以下３ 個步驟：① 使用Ｘ 序列的歷史ｎ 個時間序列片的流量數據和鄰接矩陣Ａ 作為輸入，然后利用ＧＣＮ來獲取柵格網絡的拓撲結構，以此獲取空間特征。② 將獲得的具有空間特征的時間序列輸入到ＧＮＵ中，通過單元之間的信息傳遞，可以捕獲時間序列數據的動態變化，從而提取出時間特征。③ 通過全連接層對處理后的數據進行進一步處理，得到最終的預測結果。

Ｔ-ＧＣＮ 結構如圖３ 所示［１５］。

ＧＣＮ 用于提取數據中空間相關性信息，可以表示為：

ｆ（Ｘｎ，Ａ）＝ σ（Ａ ＾ ＲｅＬＵ（Ａ ＾ Ｘｎ Ｗ０）Ｗ１）， （９）

式中：Ａ ＾ 表示鄰接矩陣Ａ 經過預處理后得到的矩陣，σ（·）表示ｓｉｇｍｏｉｄ 激活函數，ＲｅＬＵ（·）表示線性整流函數，均是深度學習中常用的激活函數，Ｗ０ 和Ｗ１ 分別表示從輸入端到隱藏層和從隱藏層到輸出端的權重矩陣。

ＧＲＵ 網絡用于提取數據中時間相關性信息，過程如圖４ 所示。

Ｘ～ｎ表示經過ＧＣＮ 過程后的當前第ｎ 時刻的流量數據，ｈｎ－１ 代表在第ｎ－１ 時刻隱藏層單元的狀態，ｃｎ 表示當前時刻存儲的流量數據；ｒｎ 為遺忘門，控制著在第ｎ 時刻對過去狀態信息的遺忘程度；ｕｎ 為更新門，控制著過去時刻狀態信息進入到當前狀態的程度。

Ｔ-ＧＣＮ 整體計算過程可以表示為：

式中：ｆ（Ｘｎ，Ａ）即為Ｘ～ｎ，為ＧＣＮ 的輸出，Ｗｒ 和Ｗｕ為訓練模型的權重，ｂｒ、ｂｕ、ｂｒ 為訓練過程中的偏差。

由于基站開關動作的切換時間和通信消耗不可忽略，基站不能在任意時間進行開關切換。本文Ｔ取１ ｈ，確保每次要預測的是經過距離足夠時間間隔后的流量值。

２． ５ 關斷決策算法

基于過去流量數據，通過Ｔ-ＧＣＮ 模型對各柵格未來流量的進行了預測。此后將得到的數據進行處理，轉換為基站的預測流量數據。本文使用一種基于ＫＮＮ 的啟發式搜索算法來進行基站關斷的決策［１６］。

啟發式搜索算法的核心是在狀態空間中對每一個要搜索的位置進行評估，得到最好的位置，再從這個位置進行搜索直到目標。搜索過程省略了大量無效的路徑，故而啟發式算法搜索的效率高［１７］。依據這個思想，本文自擬了一種基于ＫＮＮ 的啟發式算法［１８－１９］，以下為算法步驟的詳細描述：

① 針對處理后的基站流量預測數據（空口上下行流量、用戶數、物理資源塊（ＰＲＢ）利用率等），計算各基站的價值度；

② 根據步驟①計算的價值度結果對各基站進行排序，并從價值度最低的基站開始進行關斷；

③ 基站關斷引起原本由該基站提供服務的用戶失去服務，對這些用戶進行以距離為依據的重新關聯，即利用ＫＮＮ 算法計算每個用戶到已關斷基站的相鄰基站的距離，并選擇距離最短的基站與用戶相關聯，此后更新每個基站最新的流量負載情況；

④ 根據基站最新的用戶連接情況以及用戶流量需求，判斷各基站是否過載以及基站到用戶的下行速率是否滿足用戶流量需求，若基站未發生過載且滿足用戶端流量需求，則關斷該基站；

⑤ 重復步驟① ～ ④，重新對基站進行價值度排序，并繼續關斷價值度最低的基站，直到最大的基站數被關斷。

基站關斷算法流程如算法１ 所示。

３ 實驗結果與分析

３． １ 預測效果分析

隨機選取一個由３×３ 小柵格構成大柵格的流量預測可視化效果，如圖５ 所示，展示了流量真實值與模型預測值的對比差異。

使用方均根誤差值（Ｒｏｏｔ Ｍｅａｎ Ｓｑｕａｒｅｄ Ｅｒｒｏｒ，ＲＭＳＥ）、平均絕對誤差（Ｍｅａｎ Ａｂｓｏｌｕｔｅ Ｅｒｒｏｒ，ＭＡＥ）和準確性（ＡＣＣｕｒａｃｙ，ＡＣＣ）來衡量預測結果的準確性［２ ０ ］。

式中：ｘｎ 表示第ｎ 時刻歷史流量數據，ｘ＾ ｎ 表示相應的預測值，ｎ∈［１，Ｎ］表示第ｎ 個時刻，Ｘ 表示所有ｘｎ 的集合，Ｘ ＾ 表示所有ｘ＾ ｎ 的集合。ＲＭＳＥ 和ＭＡＥ 值越小，代表預測效果越好；ＡＣＣ 值越大，代表預測結果越準確。

每輪訓練或者測試后，模型在訓練集和測試集上的ＲＭＳＥ，如圖６（ａ）和圖６（ｂ）所示，在初始階段，隨著模型逐漸學習到數據的特征，訓練集和測試集上的ＲＭＳＥ 都呈現出較高的水平，這表明模型在初始階段尚未能準確地捕捉數據的特征。隨著訓練的進行，ＲＭＳＥ 值逐漸下降，訓練集的ＲＭＳＥ 從第１ 輪訓練的２． ２４１ ０ 降到了第３ ０００ 輪的０． ３４１ ８，這表明模型逐漸提高了對數據的擬合程度。特別地，在訓練集上，ＲＭＳＥ 值持續下降，說明模型性能在訓練中不斷改善；然而，在測試集上，ＲＭＳＥ 值在一定階段后開始上升，這表明模型可能出現了過擬合現象，對新數據的泛化能力降低。

如圖６（ｃ）所示，在初始階段，由于模型尚未完全了解數據的特征，ＭＡＥ 值出現了較大的波動；隨著訓練的進行，ＭＡＥ 值逐漸穩定下來，這表明模型對異常值的影響逐漸減小。然而，在一定階段后，ＭＡＥ 值開始上升，這可能表明模型在訓練過程中過度擬合，或未能很好地處理數據中的異常值，從而導致了預測的不準確性。

如圖６（ｄ）所示，ＡＣＣ 隨著測試輪數的增加而變化。觀察到在約前１ ２００ 輪時，模型在驗證集上的ＡＣＣ 達到了接近０． ６ 的水平，而此后的表現卻突然劣化。以１ ２００ 為界限進行分析，此時的ＡＣＣ 為０． ５７０ ５，意味著在測試集上有５７． ０５％ 的樣本被正確預測，而４３． ９５％ 的樣本被錯誤預測。一般來說，ＡＣＣ 為０． ６ 的預測模型并不算很高，可能還有很大的改進空間。

３． ２ 決策結果分析與能耗對比

本文分別隨機選取代表市中心和郊區的兩個大柵格：柵格８５６ 與柵格９６９ 來進行實驗。大柵格中每個小柵格內有不同數量和速率需求的用戶節點。為了取得更好的可視化效果，截取大柵格中規格為３×３ 的小柵格來進行決策判斷。其中，代表市中心區域的柵格８５６ 截取區域包含３４ 個基站，代表郊區的柵格９６９ 截取區域包含６ 個基站。實驗運行結果如圖７ 所示。

運行結果顯示了所截取的兩個區域包含的基站在未來２４ ｈ 內的關斷狀態。觀察曲線可以看到，兩柵格都是在上午９ 時左右至晚２４ 時左右處于基站全開狀態，也就是說這一時間段用戶對流量的需求最大；而在０ 時至５ 時的凌晨時間段，基站開啟數量少，甚至一個基站就可以滿足該柵格內所有用戶的流量需求，說明此時間段柵格內大部分用戶處于休息的狀態，對流量的需求量小，在此時關斷基站可有效實現節能。

算法的合理性可由圖８ 所示的柵格流量數據和圖７ 表示的決策圖對比來分析。可以看到，市中心與郊區的流量數值不同，但兩柵格的流量曲線與本文提出的啟發式算法做出的基站關斷決策曲線趨勢是一致的。同時這兩條基站關斷決策曲線都符合人們的生活規律，因此可認為決策是合理的。

采用啟發式算法做關斷決策與采用基站全開的策略的能耗對比，如圖９ 所示。

圖９（ａ）展示了一天２４ ｈ 等分的３ 個時段，８５６ 號柵格在每個時段經過啟發式關斷后的能耗與不做關斷相比明顯減少。圖９（ｂ）展示了不同地域節能情況對比，可見中心城區、市區、郊區能耗依次遞減，而采用啟發式關斷后產生的節能效果，中心城區節能最多，市區遞減，郊區節能最少。表１ 展示了不同區域各時段節能量占全開能耗的百分比，在夜間（即第一時間段）各區域的節能最多，此時用戶流量需求最低，可認為系統在流量需求最小時段的節能效果最好。總體而言，啟發式關斷決策能夠為整個地區的基站大大降低能耗。

４ 結束語

本文構建了蜂窩網絡中基站的能耗模型，在此基礎上運用人工智能算法對通信流量進行了預測，并根據啟發式搜索的原理，自擬了一種啟發式算法，一定范圍內的基站根據流量需求進行動態開關，實現了節能減排的目標。使用人工智能算法對通信流量先預測再關斷決策的思路，對基站節能具有一定的啟發意義。后續的工作是對啟發式算法進行改進，能夠更大范圍地、節能效果更佳地進行基站開關的動態決策。

參考文獻

［１］ 劉潔． 基于智能節電技術實現５Ｇ 基站節能減排的研究［Ｊ］． 互聯網周刊，２０２２（１１）：５８－６１．

［２］ ＨＡＮ Ｃ Ｚ，ＨＡＲＲＯＬＤ Ｔ，ＡＲＭＯＵＲ Ｓ，ｅｔ ａｌ． Ｇｒｅｅｎ Ｒａｄｉｏ：Ｒａｄｉｏ Ｔｅｃｈｎｉｑｕｅｓ ｔｏ Ｅｎａｂｌｅ Ｅｎｅｒｇｙｅｆｆｉｃｉｅｎｔ Ｗｉｒｅｌｅｓｓ Ｎｅｔｗｏｒｋｓ ［Ｊ ］． ＩＥＥＥ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ Ｍａｇａｚｉｎｅ，２０１１，４９（６）：４６－５４．

［３］ 謝慧芝，郭昊． ５Ｇ 基站節能減排的應用［Ｊ］． 電子技術與軟件工程，２０２１（１５）：１２－１３．

［４］ 黃勝． 基于智能節電技術實現５Ｇ 基站節能減排的研究分析［Ｊ］． 移動信息，２０２３，４５（５）：１８９－１９１．

［５］ 李露，李福昌． ４Ｇ／５Ｇ 基站協同智能節能方案研究［Ｊ］． 信息通信技術，２０２１，１５（５）：５２－５７．

［６］ 卜寅，孫宏，周瑜，等． 基于ＡＩ＋大數據的４Ｇ／５Ｇ 無線基站智能協同節能系統的研究和應用［Ｊ］． 郵電設計技術，２０２３（１）：１－６．

［７］ 臧運娟． 無線通信網絡流量預測綜述［Ｊ］． 電子設計工程，２０１７，２５（４）：１５０－１５３．

［８］ 夏慧維． 基于決策樹集成和寬度森林的網絡流量分析與預測研究［Ｄ］． 南京：南京郵電大學，２０２０．

［９］ 何勇，李艷婷． 基于向量自回歸模型的移動通信基站流量預測［Ｊ］． 工業工程與管理，２０１７，２２（４）：７９－８４．

［１０］倪飛祥． 基于改進小波Ｅｌｍａｎ 神經網絡算法的蜂窩網流量預測［Ｊ］． 電子設計工程，２０１７，２５（３）：１７１－１７５．

［１１］蔣品． 基于機器學習的蜂窩網絡基站流量分析與預測研究［Ｄ］． 北京：北京郵電大學，２０１９．

［１２］郝少偉，李勇軍，趙尚弘，等． 基于改進粒子群算法的多載波ＮＯＭＡ 功率分配策略［Ｊ］． 電子學報，２０２０，４８（１０）：２００９－２０１６．

［１３］ＺＨＵ Ｙ Ｃ，ＷＡＮＧ Ｓ Ｗ． Ｔｒａｆｆｉｃ Ｐｒｅｄｉｃｔｉｏｎ ＥｎａｂｌｅｄＤｙｎａｍｉｃ Ａｃｃｅｓｓ Ｐｏｉｎｔｓ Ｓｗｉｔｃｈｉｎｇ ｆｏｒ Ｅｎｅｒｇｙ Ｓａｖｉｎｇ ｉｎＤｅｎｓｅ Ｎｅｔｗｏｒｋｓ［Ｊ］． Ｄｉｇｉｔａｌ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ ａｎｄ Ｎｅｔｗｏｒｋｓ，２０２２，９：１０２３－１０３１．

［１４］ＺＨＡＯ Ｗ Ｔ，ＷＡＮＧ Ｓ Ｗ． Ｔｒａｆｆｉｃ Ｄｅｎｓｉｔｙｂａｓｅｄ ＲＲＨ Ｓｅｌｅｃｔｉｏｎ ｆｏｒ Ｐｏｗｅｒ Ｓａｖｉｎｇ ｉｎ ＣＲＡＮ［Ｊ］． ＩＥＥＥ Ｊｏｕｒｎａｌ ｏｎＳｅｌｅｃｔｅｄ Ａｒｅａｓ ｉｎ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ，２０１６，３４ （１２ ）：３１５９－３１６１．

［１５］ＺＨＡＯ Ｌ，ＳＯＮＧ Ｙ Ｊ，ＺＨＡＮＧ Ｃ，ｅｔ ａｌ． ＴＧＣＮ：Ａ ＴｅｍｐｏｒａｌＧｒａｐｈ Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｔｗｏｒｋ ｆｏｒ Ｔｒａｆｆｉｃ Ｐｒｅｄｉｃｔｉｏｎ［Ｊ］．ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｉｎｔｅｌｌｉｇｅｎｔ Ｔｒａｎｓｐｏｒｔａｔｉｏｎ Ｓｙｓｔｅｍ，２０２０，２１（９）：３８４８－３８５８．

［１６］ＢＯＵＳＩＡ Ａ，ＡＮＴＯＮＯＰＯＵＬＯＳ Ａ，ＡＬＯＮＳＯ Ｌ，ｅｔ ａｌ．“Ｇｒｅｅｎ”Ｄｉｓｔａｎｃｅａｗａｒｅ Ｂａｓｅ Ｓｔａｔｉｏｎ Ｓｌｅｅｐｉｎｇ Ａｌｇｏｒｉｔｈｍｉｎ ＬＴＥａｄｖａｎｃｅｄ［Ｃ］∥２０１２ ＩＥＥＥ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅｏｎ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ（ＩＣＣ）． Ｏｔｔａｗａ：ＩＥＥＥ，２０１２：１３４７－１３５１．

［１７］ＨＵＡＮＧ Ｐ Ｈ，ＳＵＮ Ｓ Ｓ，ＬＩＡＯ Ｗ Ｊ． ＧｒｅｅｎＣｏＭＰ：Ｅｎｅｒｇｙａｗａｒｅ Ｃｏｏｐｅｒａｔｉｏｎ ｆｏｒ Ｇｒｅｅｎ Ｃｅｌｌｕｌａｒ Ｎｅｔｗｏｒｋｓ［Ｊ］． ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｍｏｂｉｌｅ Ｃｏｍｐｕｔｉｎｇ，２０１７，１６（１）：１４３－１５７．

［１８］ＫＩＭ Ｊ Ｈ，ＪＥＯＮ Ｗ Ｓ，ＪＥＯＮＧ Ｄ Ｇ． Ｂａｓｅｓｔａｔｉｏｎ ＳｌｅｅｐＭａｎａｇｅｍｅｎｔ ｉｎ Ｏｐｅｎａｃｃｅｓｓ Ｆｅｍｔｏｃｅｌｌ Ｎｅｔｗｏｒｋｓ ［Ｊ］．ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｖｅｈｉｃｕｌａｒ Ｔｅｃｈｎｏｌｏｇｙ，２０１６，６５（５）：３７８６－３７９１．

［１９］ＡＬＳＨＡＲＯＡ Ａ，ＫＡＭＡＬ Ａ Ｅ． Ｇｒｅｅｎ Ｄｏｗｎｌｉｎｋ ＲａｄｉｏＭａｎａｇｅｍｅｎｔ Ｂａｓｅｄ Ｃｏｇｎｉｔｉｖｅ Ｒａｄｉｏ ＬＴＥ ＨｅｔＮｅｔｓ［Ｃ］∥２０１５ ＩＥＥＥ Ｇｌｏｂａｌ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ Ｃｏｎｆｅｒｅｎｃｅ （ＧＬＯＢＥＣＯＭ）． Ｓａｎ Ｄｉｅｇｏ：ＩＥＥＥ，２０１５：１－６．

［２０］ ＳＵ Ｈ Ｊ，ＮＩＥ Ｊ Ｂ，ＬＩ Ｙ Ｙ，ｅｔ ａｌ． Ｐｒｅｄｉｃｔｉｏｎ Ｍｏｄｅｌ ｏｆＭｏｂｉｋｅ Ｄｅｍａｎｄ Ｂａｓｅｄ ｏｎ ＴＧＣＮ［Ｃ］∥２０２３ ３ｒｄ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ａｕｔｏｍａｔｉｏｎ Ｃｏｎｔｒｏｌ，Ａｌｇｏｒｉｔｈｍａｎｄ Ｉｎｔｅｌｌｉｇｅｎｔ Ｂｉｏｎｉｃｓ （ＡＣＡＩＢ ２０２３）． Ｘｉａｍｅｎ：ＳＰＩＥ，２０２３：１－７．

作者簡介：

付博涵 男，（２００３—）。主要研究方向：電子信息科學與技術。

劉思成 女，（２００２—）。主要研究方向：電子信息科學與技術。

廖光正 男，（２００２—）。主要研究方向：電子信息科學與技術。

劉其梵 男，（２００２—）。主要研究方向：電子信息科學與技術。

李子怡 女，（２０００—），碩士研究生。主要研究方向：無線通信。