0 引言

    中國是較早研發5G技術的國家之一，在技術發展、網絡部署和商用規劃等方面都取得了巨大的成果。隨著5G商用的不斷推出，基站的修建與維護是關系到5G技術能否商用的重要工作。5G基站在工作過程中受到天氣、傳輸等各種因素的影響會導致基站脫機，嚴重的甚至會導致基站掉站或退服。作為最嚴重的系統故障，基站退服會中斷所有服務，用戶無法使用手機等通信設備，對于2G、3G等以語音業務為主的用戶而言影響普遍較小，但是對5G用戶而言，基站退服還會導致移動支付、智慧城市、人工智能等技術業務無法使用，給運營商造成損失。因此，對5G基站退服進行全面分析以及退服后的成本估算就變得非常重要，為基站退服提供精準成本核算，對于相關從業人員而言，具有重要的借鑒意義。

1 基站退服分析

    5G網絡即第五代移動通信網絡，隨著2018年3GPP全會批準了第五代移動通信技術標準（5G NR）獨立組網功能，5G正以超乎想象的速度加速到來。2015年6月ITU定義的5G未來移動應用包括以下三大領域：增強型移動寬帶(eMBB)、大規模機器類通信(mMTC)、高可靠低時延通信(uRLLC)。

    5G時代是全移動和全連接的智慧時代，人與人、人與物、物與物都需要進行連接和通信。移動網絡的目標是連接世界，產生的數據通過連接在云端構建，不斷創造價值。5G應用場景如云AR/VR、車聯網、智能制造、全球物流跟蹤系統、智能農業、智慧城市、智慧能源、無線醫療等，都將在5G時代蓬勃發展。其中有部分已經實現并商業化，如無人機、VR。已有部分國家明確提出對低空無人機提供覆蓋和監管以及高空飛機航線覆蓋的需求。

    5G網絡在頻譜、空口和網絡架構上制訂了跨代的全新標準，以滿足未來的應用場景。而這些新標準、新技術，給5G無線網絡規劃領域帶來了很多挑戰。其中由于5G相比傳統的3G/4G而言，網絡將更加精確、復雜和立體，也使得基站部署密度越來越大。除了在初期優先使用并改造已有的室內/外3G/4G站址作為5G站點候選站址，還有由于5G信號工作在較高的射頻，需要針對不同的情況單獨增加室內小型基站，提供5G信號。

    隨著應用場景越來越普及，站點分布逐漸密集，整個社會都會越來越依賴5G帶來的便利。而當遇到某個基站退出服務，不僅將影響輻射區域內通信，對用戶造成嚴重影響，也會影響運營商形象，造成損失。

    基站退服一直是影響網絡服務的嚴重故障，造成基站退服的原因有很多，主要包括傳輸故障、載頻故障、天饋故障和外部因素(如市電/蓄電池停電、高溫水浸)等^[1]。且5G技術與4G技術有不同之處，如5G采用了波束管理增強天線增益，接入技術采用了稀疏碼分多址、圖樣分割多址及多用戶共享接入。因此在4G退服經驗基礎上還要考慮5G技術特點。

    退服會引發大量服務器掉線、通話掉話等，在萬物互聯的時代可能會產生更大的連鎖反應，造成不可估量的損失。

2 基站退服成本估算方案

    本研究提出的基于大數據的5G基站退服成本估算方案主要包括基于LSTM基站退服預測和基站退服成本估算兩部分內容，整體方案流程圖如圖1所示。

2.1 基于LSTM的5G基站退服預測

    本方案第一部分是憑借海量的5G基站退服歷史數據，選取用以處理時間序列數據的LSTM神經網絡作為預測算法，構建5G基站退服預測模型。

2.1.1 LSTM神經網絡

    LSTM(Long Short Term Memory)是一種循環神經網絡(Recurent Neural Network，RNN)結構，最早由HOCHREITER S和SCHMIDHUBE J于1997年提出^[2]。作為循環神經網絡結構的一種，LSTM具有非常強大的計算和表達能力，理論上講，在包含足夠多的神經元的情況下，一臺計算機所能完成的計算均可借由一個LSTM網絡來實現，而網絡中的權值即可以看成是完成這個計算所需要的程序^[3]。

    相較于傳統循環神經網絡而言，LSTM網絡的優勢在于它可以更好地處理間隔不定、界限不明的重要事件序列，從中學習到有用的信息，用以進行分類、分析，或對未來時間序列做出預測^[4]。LSTM對間隔長度相對不敏感，這使得它在很多應用場景中相比其他種類的循環神經網絡、馬爾科夫模型或其他序列學習類的模型具有更佳的表現。LSTM在諸多領域都取得了成功，其中最為人知的包括自然語言文本壓縮、連續手寫識別以及自動語音識別等。2016年為止，包括谷歌、蘋果、微軟和百度在內的世界級科技公司所推出的新產品中都經常能見到LSTM作為其重要組件而出現。

    LSTM最早提出是為了解決傳統循環神經網絡中存在的“消失的梯度”問題^[5]。由于傳統神經網絡結構中跨越時序的權重值是簡單共享的，因此當其值小于1時則會出現沿該方向傳遞的信息會迅速消失的情況。LSTM對這一問題的解決方法是將傳統循環神經網絡中的循環神經元用記憶單元(Memory Cell)代替。圖2是一個帶有遺忘門的記憶單元的結構。

    LSTM模型有兩個隱藏狀態h^(t)、C^(t)，模型參數幾乎是RNN的4倍，因為現在多了W_f、U_f、b_f、W_a、U_a、b_a、W_i、U_i、b_i、W_o、U_o、b_o這些參數，參數具體含義可參考文獻[6]中相關介紹。前向傳播過程在每個序列索引位置的過程為：

2.1.2 5G基站退服預測

    綜合基站退服預測問題和LSTM神經網絡算法，建立輸入輸出均為時間序列數據的5G基站退服預測模型。給定輸入時間序列數據為T(i)={x_i，x_i+1，…，x_i+t}，輸入時間步長為t。每個時間步長包含一個數值x_i，表示單位時間內基站退服總量。目標輸出數據為輸入時刻后的一小段時間序列數據，輸出時間步長為p，遠小于t。

2.2 5G基站退服成本估算

    在現實生活中，基站退服時會造成此基站的業務轉移，從而使周圍基站的負荷增加，而基站負荷的增加會相應地提高基站的功耗，增加運行成本，本文以此角度對5G基站退服成本進行估算。

    同時，考慮到基站之間的距離對業務轉移的影響，一般而言，在退服基站的輻射范圍之內距離越遠的基站所能轉移的業務量越少，因此，根據與退服基站間的距離劃分了不同的區域范圍，不同區域中基站所轉移的退服基站業務量的比率不同?；就朔I務轉移過程如圖3所示。

    圖3中心位置為退服基站，此基站退服后，區域1內基站以r1比率承載退服基站負荷，同理，區域2內基站以r2比率承載退服基站負荷，使周邊基站負荷有不同程度增加。

    基站的負荷與功耗存在一定的相關性。5G基站主設備主要由BBU和AAU組成，功耗也主要是由BBU和AAU產生。AAU其實就是4G時代的RRU加上天線。BBU的主要作用是負責基帶數字信號處理。AAU的主要作用是將基帶數字信號轉換成模擬信號，然后調制成高頻射頻信號，再通過功放單元放大功率，通過天線發射出去。數據顯示，BBU的功率比較穩定，不受業務負荷的太大影響。而AAU隨著負荷的增加，功耗也大幅增加，本研究中以BBU和AAU功耗總和衡量基站的功耗，基站退服發生過程中使周邊基站功耗增加的費用即為基站退服的成本。假設基站負荷和功率呈線性關系，并且不同負荷范圍內功耗變化的比率不同。

    綜上，構建出成本估算模型：

其中，C為計算出的總成本，T表示功耗的時間段，P是電費標準，N表示基站退服總量，m表示按距離劃分的區域數量，n_i表示每個區域內周邊基站總量，Q代表退服基站負荷，q_ij代表區域內第j個基站原始負荷，r_i是區域內負荷分配比率。式(9)是代表負荷與功耗關系的分段函數，x表示負荷，f(x)最終得出基站在x的負荷下所需要的功耗。

3 實驗分析

3.1 基于LSTM的5G基站退服預測

3.1.1 數據來源

    為了說明方法的有效性和實用性，本文選取中國電信某省一年時間內實際基站退服數據，數據以每日為單位時長。

3.1.2 數據預處理

    因為基站退服具有實時性的特點，可能造成基站退服數值在短時間內的大跨度變化，為了提高模型泛化能力,故采用離差標準化公式：

其中，y_max和y_min分別為基站退服數值的最大值和最小值。通過式(10)對樣本數據進行歸一化處理后，將每一列數據的取值范圍規范到[0，1]。對數據進行預處理，可避免數據擬合度差造成預測不精確。

3.1.3 實驗環境

    計算機配置環境：處理器采用Intel Core^TM i5-6300HQ CPU@2.30 GHz 2.30，8 GB內存，1 TB硬盤。

    網絡模型參數設置：設置LSTM神經網絡模型批次訓練數量為60，學習率0.001，訓練數據與測試數據比例為7：3，迭代次數為1 000次。

3.1.4 實驗結果及分析

    利用LSTM對基站退服進行預測。研究中選取8月后數值進行預測，LSTM模型的預測結果如圖4所示。

    由圖4可直觀看出，LSTM神經網絡預測數據與實際數據比較吻合，預測誤差很小，預測結果具有良好的預測精度，能夠較好地挖掘出數據發展趨勢。為進一步驗證此預測模型的預測精度的優越性，本研究采用平均絕對誤差e_MAE和平均相對誤差e_MAPE兩項指標衡量預測模型擬合的好壞程度，其計算公式分別為：

    模型預測精度的結果如表1所示。

    根據表1可知，基于LSTM的基站退服預測模型整體預測誤差小、預測精度較高，能夠較為準確地反映基站退服的發展態勢，使管理者能即時追蹤基站退服的相關情況。

3.2 5G基站退服成本估算分析

    利用2.2節構建的基站退服成本模型，對此地區進行基站退服成本估算。前述部分已經預測出8月份后基站退服的數量預計共15 367個，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結果與基站退服影響范圍、區域劃分范圍、基站原始負荷、負荷分配的比率、區域內周邊基站的個數有關，在不考慮基站超負荷運行的情況下，設置不同的參數值以估算基站退服成本情況。

    設置基站退服影響范圍為3 000 m，以1 000 m為間隔劃分區域，假設基站原始負荷都相同，為50%，周邊基站負荷分配以6:4的比例由距離從近到遠依次遞減，電費以商業用電標準1.2元/(kW·h)計，不同區域內周邊基站個數所造成的成本結果如表2所示。

    設置不同區域內周邊基站個數為2個，退服影響范圍的不同造成的成本結果如表3所示。

    設置基站退服影響范圍為3 000 m，劃分區域范圍的不同造成的成本結果如表4所示。

    同樣，設置劃分區域范圍為1 000 m，基站原始負荷的不同造成的成本結果如表5所示。

    根據以上不同情況下估算出的結果，在不考慮其他損失的前提條件下，得出在本地區8月份后由于基站退服造成的成本損失大約為106 576 264.14元，可看出基站退服會對運營商造成的損失是十分巨大的。針對基站退服，運營商方可積極采取相應措施，盡量減少基站退服事故的發生，降低成本：

    (1)加強基站日常供電設備的檢測?；拘铍姵匾洺＿M行性能測試，能夠即時掌握電池的健康狀況，及時更換有問題的電池，合理配置電源機柜整流模塊。

    (2)加強基站線路方面的質量檢查。很多基站由于線路老化接頭多，衰耗大而退服，故要對線路加強盯守，可采用溯源方式加強施工方的質量管控，出現問題及時搶修。

    (3)科學及時地對故障進行處理。建立完備的基站數據監控平臺，能詳細了解基站的實際情況，使工作人員能準確合理地調度人員去處理基站故障。加強故障工單的調度與處理，提升告警處理效率；另一方面，可以對故障工單信息進行挖掘，為日后基站的維護提供更具針對性的建議。

4 結論

    本文提出了一種基于大數據的5G基站退服成本估算方案，首先利用基站退服歷史時間序列數據和LSTM神經網絡算法訓練5G基站退服預測模型，通過實際數據驗證，模型能較準確的預測出基站退服的發展規律；之后從基站退服后所造成周邊基站的功耗變化角度，構建了5G基站退服成本估算模型，并用實際數據進行估算，此方法可為基站維護人員提供參考，化被動為主動，減少成本。本研究方法后續還需進一步完善，可以加入更多的成本估算因素，如設備自身的損耗、由于用戶產生的業務損失等。文中模型所涉及的基站的負荷變化可進行更詳盡的計算，考慮到基站負荷超載等一些情況，做到更精確的核算。

參考文獻

[1] 王洋，滿毅，陳志鵬.基于集中監控數據資源的4G基站退服故障預警模型[J].電信科學，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，聶文俊.基于深度雙向LSTM的股票推薦系統[J/OL].計算機科學：1-9[2019-08-29].http：//kns.cnki.net/kcms/detail/50.1075.tp.20190822.1619.010.html.

作者信息:

魏鵬濤，曾  宇，王海寧，李  皛，姚沛君，李夢池，徐藝謀

(中國電信股份有限公司戰略與創新研究院 新興信息技術研究所 網絡AI研究中心，北京102209)