无线通信网络中的节能的制作方法

各种示例实施例涉及无线通信网络中的节能并且，尤其涉及用于确定阈值以决定小区是否应该进入或者退出节能模式的装置和方法。

背景技术：

1、备置无线通信网络需要使用能源。支持包括例如多个传送和接收点(trp)的无线电接入网络(ran)占无线通信网络能源消耗(ec)的很大一部分。备置开放式无线接入网络无线电单元(o-ru)占ran能源消耗的最大比例。

2、基于化石燃料能源资源的稀缺性的全球关注和减少co2排放的迫切需要使能源消耗成为网络运营商的战略话题。此外，在ran中促进能源节约可能为运营商提供途径，以降低提供和维护无线通信网络引起的持续成本。

3、期望提供方法，该方法可向网络运营商提供实现能源节约和减少其能量足迹的机制。

技术实现思路

1、本公开的各种示例实施例寻求的保护范围由独立权利要求规定。本说明书中描述的不属于独立权利要求范围的示例实施例和特征，如果有，应被解释为有助于理解本发明的各种实施例的示例。

2、根据本公开的各种但不一定是全部的示例实施例，提供了一种装置包括：至少一个处理器；以及存储指令的至少一个存储器，该指令在由至少一个处理器执行时，使装置至少：基于针对在无线通信网络区域中支持网络覆盖的小区组的历史负载数据，预测小区组中的未来负载；以及至少基于被预测的未来负载，确定至少一个阈值负载值，以用于查明小区组中的小区是否应该进入或者退出节能模式，其中确定所述至少一个阈值负载值包括：确定针对小区组中的小区是否应该进入节能模式的阈值负载值，以及确定针对小区组中的小区是否应该退出节能模式的另外的阈值负载值。

3、根据一些实施例，进入节能模式包括：去激活或者断电小区或者小区组的小区的载波。根据一些实施例，进入节能模式包括：去激活或者断电至少一个小区或者小区组的小区的载波。根据一些实施例，退出节能模式包括：激活或者开启小区或者小区组的小区的载波。根据一些实施例，退出节能模式包括：激活或者开启至少一个小区或者小区组的小区的载波。

4、根据一些实施例，小区组包括小区的“节能组”。根据一些实施例，小区组包括称为节能组或者能量组的逻辑实体。无线电小区可以被分配到相同的节能组，根据一些实施例提供的它们：覆盖相同的地理区域并且属于相同的基站，例如，相同的enb。根据一些实施例，网络的每个小区只能被分配到一个节能组。根据一些实施例，节能组可以包含一个或多个小区。根据一些实施例，手动或者通过对可用网络小区应用适当算法自动地将小区分配到节能组。

5、根据一些实施例，历史负载数据包括以下至少一项：无线电链路状况、业务、小区吞吐量、下行链路物理资源块利用率、或者小区组内的活动用户设备的数目。

6、根据一些实施例，未来负载包括以下至少一项：预测的下行链路物理资源块利用率、预测的小区吞吐量或者小区组内活动用户设备的预测数目。

7、根据一些实施例，确定至少一个阈值负载值包括：确定小区组中的小区是否应该进入节能模式的阈值负载值以及确定小区组中的小区是否应该退出节能模式的阈值负载值。换言之，存在用于激活和去激活节能模式的单独阈值。在一些实施例中，用于激活能源节约的阈值负载不同于用于去激活能源节约的阈值负载。

8、根据一些实施例，预测小区组中的未来负载包括：预测在至少两个时间窗口期间可能发生在小区组中的负载；以及确定至少一个阈值负载值包括：基于在每个时间窗口期间可能发生在小区组中的预测负载，确定该时间窗口的至少一个阈值负载值。

9、根据一些实施例，预测小区组中的未来负载包括：预测在未来时间段期间可能发生在小区组中的负载；以及确定至少一个阈值负载值包括：基于在每个未来时间段期间可能发生在小区组中的预测负载，确定该未来时间段的至少一个阈值负载值。

10、根据一些实施例，时间窗口或者未来时间段可包括：包括一天或者多天的时间段、一天的时间段、一天的一部分的时间段、一个小时或者几个小时、一个小时的一部分、若干分钟的时间段。根据一些实施例，时间窗口可包括，例如十五分钟的间隔。根据一些实施例，确定至少一个阈值可包括：确定至少一个阈值以应用于一系列连续时间窗口或者未来时间段中的每一个。

11、根据一些实施例，确定至少一个阈值负载值至少部分地基于在由小区组支持的无线通信网络的区域内的、被评估的网络性能。

12、根据一些实施例，评估网络性能至少部分地基于在小区组支持的无线通信网络的区域内的用户设备经历的下行链路特性。

13、根据一些实施例，下行链路特性包括：用户设备在通过小区组支持的无线通信网络的区域内经历的下行链路吞吐量。

14、根据一些实施例，确定至少一个阈值负载值包括：选择阈值负载值，该阈值负载值提供能源节约，同时维持在由小区组支持的无线通信网络的区域内的网络性能。

15、根据一些实施例，确定所述至少一个阈值负载值包括：选择、计算或者估计至少一个阈值负载值，该至少一个阈值负载值在小区组中实施时，基于小区组的预测负载提供能源节约。根据一些实施例，确定所述至少一个阈值负载值包括：选择提供最大能源节约的所述至少一个阈值负载值。根据一些实施例，确定所述至少一个阈值负载值包括：选择提供最大能源节约的阈值负载值。

16、根据一些实施例，确定至少一个阈值负载值包括：确定至少一个阈值，在至少一个阈值处，小区组中的小区可以进入节能模式而不降级由小区组支持的无线通信网络的区域内的用户设备经历的网络性能。

17、根据一些实施例，该装置还被配置为：基于确定网络的至少一个可监测关键性能指标是否被所确定的至少一个阈值负载值的实现不利影响，调整所确定的至少一个阈值负载值。

18、根据一些实施例，该装置被配置为：通过以下调整所确定的至少一个阈值负载值：确定所述至少一个可监测的关键性能指标是否正在降级，以及如果是，调整至少一个阈值负载值。根据一些实施例，该装置被配置为：通过以下调整所确定的至少一个阈值负载值：确定所述至少一个可监测的关键性能指标是否正在降级以及，如果是，维持所确定的至少一个阈值负载值。

19、根据一些实施例，网络的至少一个可监测关键性能指标包括以下至少一项的可监测指标：可访问性、可保留性或者下行链路小区吞吐量。

20、例如，网络的可访问性可以包括与请求的到网络的ue连接的数目相比，成功完成到网络的u连接有多少的测量。在一些实施例中，可访问性可以通过以下指示，例如：

21、可访问性＝rrc连接设置完成/rrc连接请求)x100

22、例如，网络的可保留性可以包括与预期的无线电承载释放数目相比，异常丢弃的无线电承载的数目的测量。在一些实施例中，可保留性可以通过以下指示，例如：-

23、可保留性＝(异常rb释放/总rb释放)x100

24、根据一些实施例，装置包括：负载预报机器学习模块，被配置为基于针对在无线电通信网络的区域内支持网络覆盖的小区组的历史负载数据，执行对小区组中的未来负载的预测。

25、根据一些实施例，负载预报机器学习模块包括负载预报机器学习模型。

26、根据一些实施例，预报机器学习模型被配置为使用与在无线电通信网络的区域中支持网络覆盖的小区组相关联的历史负载数据，预测在无线电通信网络区域中支持网络覆盖的小区组上的未来负载。

27、根据一些实施例，历史负载数据用于预测未来的n分钟，其中n是由负载预报机器学习模块应用的阈值预测模型的推断频率。

28、根据一些实施例，负载预报机器学习模型包括单变量嵌套mlp[多层感知]。

29、根据一些实施例，负载预报机器学习模型被配置为预测：小区组中的活动用户设备的数目。

30、根据一些实施例，负载预报机器学习模型被配置为预测：小区组中的下行链路物理资源块利用率级别。

31、根据一些实施例，装置包括：阈值估计机器学习模块，被配置为至少基于所预测的未来负载来确定所述至少一个阈值负载值，以用于查明小区组中的小区是否应该进入或者退出节能模式。

32、根据一些实施例，阈值估计机器学习模块被配置为确定用于被选择小区组的至少一个阈值负载值。

33、根据一些实施例，阈值估计机器学习模块被配置为基于一个或多个输入因子来确定一个或多个阈值负载值，在该阈值负载值处可以在小区组内激活或者去激活节能步骤。

34、根据一些实施例，阈值估计机器学习模块基于以下来确定一个或多个阈值负载值：来自负载预报机器学习模块的负载预测输出。

35、根据一些实施例，阈值估计机器学习模块基于以下来确定一个或多个阈值负载值：指示小区组内的用户体验的一个或多个参数。

36、根据一些实施例，指示用户体验的一个或多个参数包括当前无线电状况或者客户体验的指标。

37、根据一些实施例，阈值估计机器学习模块应用定制奖励函数，该函数被配置为增加小区组内的能源节约，同时维持小区组内的用户体验。

38、根据一些实施例，阈值估计机器学习模块被配置为基于用户设备下行链路吞吐量的指示来评估小区组内的用户体验。

39、根据一些实施例，阈值估计机器学习模块包括双深度q网络强化学习模型。

40、根据一些实施例，双深度q网络强化学习模型被配置为确定一个或多个阈值负载值。

41、根据一些实施例，阈值估计机器学习模块被配置为实现强化学习过程。

42、根据一些实施例，强化学习过程包括：基于在无线电通信网络的区域内支持网络覆盖的小区组中的未来负载，依赖于能源节约的预测选择至少一个阈值，该未来负载基于小区组的历史负载数据。

43、根据一些实施例，强化学习过程包括：将定制奖励函数应用于基础值，定制奖励函数操作以增加跨小区组实现的能源节约，同时维持在由小区组支持的无线通信网络的网络覆盖区域内操作的用户体验。

44、根据一些实施例：定制奖励函数包括：与在由小区组支持的无线通信网络内的网络覆盖区域内操作的用户体验的计算的特性相关联的得分。

45、根据一些实施例：定制奖励函数包括与在由小区组支持的无线通信网络内的网络覆盖区域内的计算的关键性能特性相关联的得分。

46、根据一些实施例，该装置包括：关键性能指标反馈机器学习模块，被配置为基于可监测关键性能指标的监测的指示，确定网络的至少一个可监测关键性能指标是否受到所确定的至少一个阈值负载值的实现的不利影响。

47、根据一些实施例，关键性能指标反馈机器学习模块被配置为基于与小区组内的一个或多个预测的可监测的指示相比的小区组内的一个或多个经历的可监测的指示的比较，向阈值估计机器学习模块提供反馈。

48、根据一些实施例，关键性能指标反馈机器学习模块被配置为基于小区组的操作的一个或多个可测量的特性与小区组的操作的一个或多个可测量的特性的预测的比较来评估小区组的性能。

49、根据一些实施例，关键性能指标反馈机器学习模块被配置为应用统计模型来使用假设检测比较小区组的当前性能与小区组的性能的一个或多个过去历史模式。

50、根据一些实施例，假设检测可以包括以下一项或多项：mann whitney检测；t-检测和/或kruskal wallis检测。

51、根据一些实施例，装置包括网络控制节点。

52、根据一些实施例，装置还被配置为向网络控制节点提供所确定的至少一个阈值以用于节能模式的实现。

53、根据一些实施例，装置还被配置为将所确定的至少一个阈值提供给近实时无线电接入网络智能控制器，以用于在小区或者小区组的小区中节能模式的实现。

54、根据本公开的各种但不一定是全部的示例实施例，提供了一种计算机实现得方法，包括：基于针对在无线通信网络区域中支持网络覆盖的小区组的历史负载数据，预测小区组中的未来负载；以及至少基于被预测的未来负载，确定至少一个阈值负载值，以用于查明小区组中的小区是否应该进入或者退出节能模式。

55、根据一些实施例，进入节能模式包括：去激活或者断电小区或者小区组的小区的载波。根据一些实施例，进入节能模式包括：去激活或者断电至少一个小区或者小区组的小区的载波。根据一些实施例，退出节能模式包括：激活或者开启小区或者小区组的小区的载波。根据一些实施例，退出节能模式包括：激活或者开启至少一个小区或者小区组的小区的载波。

56、根据一些实施例，小区组包括小区的“节能组”。根据一些实施例，小区组包括称为节能组或者能量组的逻辑实体。无线电小区可以被分配到相同的节能组，根据一些实施例提供的它们：覆盖相同的地理区域并且属于相同的基站，例如，相同的enb。根据一些实施例，网络的每个小区只能被分配到一个节能组。根据一些实施例，节能组可以包含一个或多个小区。根据一些实施例，手动或者通过对可用网络小区应用适当算法自动地将小区分配到节能组。

57、根据一些实施例，历史负载数据包括以下至少一项：无线电链路状况、业务、小区吞吐量、下行链路物理资源块利用率、或者小区组内的活动用户设备的数目。

58、根据一些实施例，未来负载包括以下至少一项：预测的下行链路物理资源块利用率、预测的小区吞吐量或者小区组内活动用户设备的预测数目。

59、根据一些实施例，确定至少一个阈值负载值包括：确定小区组中的小区是否应该进入节能模式的阈值负载值以及估计小区组中的小区是否应该退出节能模式的阈值负载值。换言之，存在用于激活和去激活节能模式的单独阈值。在一些实施例中，用于激活能源节约的阈值负载不同于用于去激活能源节约的阈值负载。

60、根据一些实施例，预测小区组中的未来负载包括：预测在至少两个时间窗口期间可能发生在小区组中的负载；以及确定至少一个阈值负载值包括：基于在每个时间窗口期间可能发生在小区组中的预测负载，确定该时间窗口的至少一个阈值负载值。

61、根据一些实施例，预测小区组中的未来负载包括：预测在未来时间段期间可能发生在小区组中的负载；以及确定至少一个阈值负载值包括：基于在每个未来时间段期间可能发生在小区组中的预测负载，确定该未来时间段的至少一个阈值负载值。

62、根据一些实施例，时间窗口或者未来时间段可包括：包括一天或者多天的时间段、一天的时间段、一天的一部分的时间段、一个小时或者几个小时、一个小时的一部分、若干分钟的时间段。根据一些实施例，时间窗口可包括，例如十五分钟的间隔。根据一些实施例，确定至少一个阈值可包括：确定至少一个阈值以应用于一系列连续时间窗口或者未来时间段中的每一个。

63、根据一些实施例，确定至少一个阈值负载值至少部分地基于在由小区组支持的无线通信网络的区域内的、被评估的网络性能。

64、根据一些实施例，评估网络性能至少部分地基于在小区组支持的无线通信网络的区域内的用户设备经历的下行链路特性。

65、根据一些实施例，下行链路特性包括：用户设备在通过小区组支持的无线通信网络的区域内经历的下行链路吞吐量。

66、根据一些实施例，确定至少一个阈值负载值包括：选择、计算或者估计至少一个阈值负载值，该至少一个阈值负载值在小区组中实施时，基于小区组的预测负载提供能源节约。根据一些实施例，确定所述至少一个阈值负载值包括：选择提供最大能源节约的所述至少一个阈值负载值。根据一些实施例，确定所述至少一个阈值负载值包括：选择提供最大能源节约的阈值负载值。

67、根据一些实施例，确定至少一个阈值负载值包括：确定至少一个阈值，在至少一个阈值处，小区组中的小区可以进入节能模式而不降级由小区组支持的无线通信网络的区域内的用户设备经历的网络性能。

68、根据一些实施例，该方法包括：基于确定网络的至少一个可监测关键性能指标是否被所确定的至少一个阈值负载值的实现不利影响，调整所确定的至少一个阈值负载值。

69、根据一些实施例，该方法包括：通过以下调整所确定的至少一个阈值负载值：确定所述至少一个可监测的关键性能指标是否正在降级，以及如果是，调整至少一个阈值负载值，以及如果不是，维持所确定的至少一个阈值负载值。根据一些实施例，该方法包括：通过以下调整所确定的至少一个阈值负载值：确定所述至少一个可监测的关键性能指标是否正在降级以及，如果是，维持所确定的至少一个阈值负载值。

70、根据一些实施例，网络的至少一个可监测关键性能指标包括以下至少一项的可监测指标：可访问性、可保留性或者下行链路小区吞吐量。

71、例如，网络的可访问性可以包括与请求的到网络的ue连接的数目相比，成功完成到网络的u连接有多少的测量。在一些实施例中，可访问性可以通过以下指示，例如：

72、可访问性＝rrc连接设置完成/rrc连接请求)x100

73、例如，网络的可保留性可以包括与预期的无线电承载释放数目相比，异常丢弃的无线电承载的数目的测量。在一些实施例中，可保留性可以通过以下指示，例如：-

74、可保留性＝(异常rb释放/总rb释放)x100

75、根据一些实施例，该方法包括：提供负载预报机器学习模块，被配置为基于针对在无线电通信网络的区域内支持网络覆盖的小区组的历史负载数据，执行对小区组中的未来负载的预测。

76、根据一些实施例，负载预报机器学习模块包括负载预报机器学习模型。

77、根据一些实施例，预报机器学习模型被配置为使用与在无线电通信网络的区域中支持网络覆盖的小区组相关联的历史负载数据，预测在无线电通信网络区域中支持网络覆盖的小区组上的未来负载。

78、根据一些实施例，历史负载数据用于预测未来的n分钟，其中n是由负载预报机器学习模块应用的阈值预测模型的推断频率。

79、根据一些实施例，负载预报机器学习模型包括单变量嵌套mlp[多层感知]。

80、根据一些实施例，负载预报机器学习模型被配置为预测：小区组中的活动用户设备的数目。

81、根据一些实施例，负载预报机器学习模型被配置为预测：小区组中的下行链路物理资源块利用率级别。

82、根据一些实施例，该方法包括：提供阈值估计机器学习模块，被配置为至少基于所预测的未来负载来确定所述至少一个阈值负载值，以用于查明小区组中的小区是否应该进入或者退出节能模式。

83、根据一些实施例，阈值估计机器学习模块被配置为确定用于被选择小区组的至少一个阈值负载值。

84、根据一些实施例，阈值估计机器学习模块被配置为基于一个或多个输入因子来确定一个或多个阈值负载值，在该阈值负载值处可以在小区组内激活或者去激活节能步骤。

85、根据一些实施例，阈值估计机器学习模块基于以下来确定一个或多个阈值负载值：来自负载预报机器学习模块的负载预测输出。

86、根据一些实施例，阈值估计机器学习模块基于以下来确定一个或多个阈值负载值：指示小区组内的用户体验的一个或多个参数。

87、根据一些实施例，指示用户体验的一个或多个参数包括当前无线电状况或者客户体验的指标。

88、根据一些实施例，阈值估计机器学习模块应用定制奖励函数，该函数被配置为增加小区组内的能源节约，同时维持小区组内的用户体验。

89、根据一些实施例，阈值估计机器学习模块被配置为基于用户设备下行链路吞吐量的指示来评估小区组内的用户体验。

90、根据一些实施例，阈值估计机器学习模块包括双深度q网络强化学习模型。

91、根据一些实施例，双深度q网络强化学习模型被配置为确定一个或多个阈值负载值。

92、根据一些实施例，阈值估计机器学习模块被配置为实现强化学习过程。

93、根据一些实施例，强化学习过程包括：基于在无线电通信网络的区域内支持网络覆盖的小区组中的未来负载，依赖于能源节约的预测选择至少一个阈值，该未来负载基于小区组的历史负载数据。

94、根据一些实施例，强化学习过程包括：将定制奖励函数应用于基础值，定制奖励函数操作以增加跨小区组实现的能源节约，同时维持在由小区组支持的无线通信网络的网络覆盖区域内操作的用户体验。

95、根据一些实施例：定制奖励函数包括：与在由小区组支持的无线通信网络内的网络覆盖区域内操作的用户体验的计算的特性相关联的得分。

96、根据一些实施例：定制奖励函数包括与在由小区组支持的无线通信网络内的网络覆盖区域内的计算的关键性能特性相关联的得分。

97、根据一些实施例，该方法包括：提供关键性能指标反馈机器学习模块，被配置为基于可监测关键性能指标的监测的指示，确定网络的至少一个可监测关键性能指标是否受到所确定的至少一个阈值负载值的实现的不利影响。

98、根据一些实施例，关键性能指标反馈机器学习模块被配置为基于与小区组内的一个或多个预测的可监测的指示相比的小区组内的一个或多个被测量的可监测的指示的比较，向阈值估计机器学习模块提供反馈。

99、根据一些实施例，关键性能指标反馈机器学习模块被配置为基于小区组的操作的一个或多个被测量的可测量的特性与小区组的操作的一个或多个可测量的特性的预测的比较来评估小区组的性能。

100、根据一些实施例，关键性能指标反馈机器学习模块被配置为应用统计模型来使用假设检测比较小区组的当前性能与小区组的性能的一个或多个过去历史模式。

101、根据一些实施例，假设检测可以包括以下一项或多项：mann whitney检测；t-检测和/或kruskal wallis检测。

102、根据一些实施例，该方法由网络控制节点执行。

103、根据一些实施例，该方法包括向网络控制节点提供所确定的至少一个阈值以用于节能模式的实现。

104、根据一些实施例，该方法包括将所确定的至少一个阈值提供给近实时无线电接入网络智能控制器，以用于在小区或者小区组的小区中节能模式的实现。

105、根据本公开的各种但不一定是全部的示例实施例，提供了一种计算机程序产品，该计算机程序产品在计算机上执行时，执行以下步骤：基于在无线通信网络的区域中支持网络覆盖的小区组的历史负载数据，预测小区组中的未来负载；以及至少基于预测的未来负载，确定至少一个阈值负载值，用于查明小区组中的小区是否应该进入或者退出节能模式。

106、根据各种但不一定是全部的示例实施例，提供了一种非瞬态计算机可读介质，该非瞬态计算机可读介质包括存储在其上的程序指令，用于至少执行以下：基于在无线通信网络的区域中支持网络覆盖的小区组的历史负载数据，预测小区组中的未来负载；以及至少基于预测的未来负载，确定至少一个阈值负载值，用于查明小区组中的小区是否应该进入或者退出节能模式。

107、根据本公开的各种但不一定是全部的示例实施例，提供了一种装置，包括：预测部件，被配置为基于在无线通信网络的区域中支持网络覆盖的小区组的历史负载数据，预测小区组中的未来负载；以及确定部件，被配置为至少基于预测的未来负载来确定至少一个阈值负载值，用于查明小区组中的小区是否应该进入或者退出节能模式。

108、根据本公开的各种但不一定是全部的示例实施例，提供了一种装置，包括：预测电路装置，被配置为基于在无线通信网络的区域中的支持网络覆盖的小区组的历史负载数据，预测小区组中的未来负载；以及确定电路装置，被配置为至少基于被预测的未来负载来确定至少一个阈值负载值，以用于查明小区组中的小区是否应该进入或者退出节能模式。

109、随附的独立权利要求和从属权利要求中阐述了进一步的特殊和优选方面。从属权利要求的特征可以酌情与独立权利要求的特征相结合，并且可以与除了权利要求中明确阐述的那些特征以外组合。

110、在装置特征被描述为可操作以提供功能的情况下，应当理解，这包括提供该功能或者适于或者配置为提供该功能的装置特征。