基站资源处理方法、装置、通信设备和存储介质与流程

1.本技术涉及移动通信技术领域，特别是涉及一种基站资源处理方法、装置、通信设备和存储介质。


背景技术：

2.随着移动通信技术的飞速发展，出现了双连接模式。处于双连接模式下的终端，需要同时接入主基站和辅基站。然而，一般只有在大数据业务场景下才需辅基站协助进行用户面数据传输，在很多场景下终端的数据吞吐量都比较小，同时接入主基站和辅基站会浪费不必要的能量。基站节能是运营商在无线网络智慧运营领域的重要课题。尤其在5g时代，基站能耗成本数倍增加。因此有必要提出一种能够降低能耗的方法。


技术实现要素：

3.基于此，有必要针对上述技术问题，提供一种降低能耗的基站资源处理方法、装置、系统、通信设备、计算机可读存储介质和计算机程序产品。
4.第一方面，本技术提供了一种基站资源处理方法。所述方法包括：
5.获取主基站的数据吞吐量序列；所述数据吞吐量序列，是所述主基站在各个历史时刻下的数据吞吐量按照时间排序得到的集合；
6.基于所述数据吞吐量序列，预测主基站在未来的第一目标时刻下的数据吞吐量；
7.在预测到第一目标时刻下的数据吞吐量大于或等于高峰吞吐量阈值的情况下，确定辅基站接入时刻；其中，所述辅基站接入时刻早于所述第一目标时刻；
8.在到达所述辅基站接入时刻后通过主基站向辅基站发送添加请求，以添加所述辅基站，使得至少部分终端接入所述辅基站。
9.在其中一些实施例中，所述第一目标时刻下的数据吞吐量是通过训练完成的吞吐量预测模型预测得到的；所述训练完成的吞吐量预测模型的训练步骤包括：
10.获取样本数据吞吐量序列；所述样本数据吞吐量序列中包括多个连续的样本时刻下的数据吞吐量；所述样本数据吞吐量序列具有对应的在后的目标样本时刻下的目标样本数据吞吐量；
11.从样本数据吞吐量序列中选取多个样本数据吞吐量子序列；
12.提取每个所述样本数据吞吐量子序列中的上下文特征信息得到子特征向量，并基于多个所述样本数据吞吐量子序列的子特征向量确定所述样本数据吞吐量序列的特征向量；
13.基于所述特征向量进行数据吞吐量预测，得到在所述目标样本时刻下的数据吞吐量预测结果；
14.根据所述数据吞吐量预测结果与所述目标样本数据吞吐量之间的差异，调整所述待训练的吞吐量预测模型的模型参数，以迭代训练吞吐量预测模型。
15.在其中一些实施例中，所述待训练的吞吐量预测模型中包括待训练的编码器；所
述编码器包括输入映射层、时间戳掩码层、扩展卷积层；
16.所述提取每个所述样本数据吞吐量子序列中的上下文特征信息得到子特征向量，包括：
17.针对每个所述样本数据吞吐量子序列，通过所述输入映射层将所述样本数据吞吐量子序列投影到中间表示空间，得到隐含向量；
18.通过所述时间戳掩码层对所述隐含向量中的时间戳信息进行掩码处理，得到掩码后的向量；
19.通过扩展卷积层基于掩码后的向量进行空间和时间上的特征提取，得到所述样本数据吞吐量子序列的子特征向量。
20.在其中一些实施例中，所述从样本数据吞吐量序列中选取多个样本数据吞吐量子序列，包括：
21.采用多个时间步长从所述样本数据吞吐量序列中提取多个样本数据吞吐量子序列；
22.所述基于多个所述样本数据吞吐量子序列的子特征向量确定所述样本数据吞吐量序列的特征向量，包括：
23.将多个所述样本数据吞吐量子序列的子特征向量进行拼接，得到所述样本数据吞吐量序列的特征向量。
24.在其中一些实施例中，在添加所述辅基站之后，所述方法还包括：
25.在添加所述辅基站之后，继续预测未来的数据吞吐量；
26.在预测到未来的数据吞吐量从未来的第二目标时刻起持续预设的空闲时长一直低于所述高峰吞吐量阈值，则指示已接入所述辅基站的终端在达到所述第二目标时刻时删除所述辅基站，以断开与所述辅基站的连接。
27.在其中一些实施例中，所述在预测到第一目标时刻下的数据吞吐量大于或等于高峰吞吐量阈值的情况下，确定辅基站接入时刻，包括：
28.在预测到第一目标时刻下的数据吞吐量大于或等于高峰吞吐量阈值的情况下，获取提前预备时长，根据所述第一目标时刻和所述提前预备时长之间的差值，确定辅基站接入时刻；
29.其中，所述提前预备时长是根据历史平均高峰持续时长确定的。
30.在其中一些实施例中，所述数据吞吐量包括数据传输速率、物理资源块利用率、以及连接成功数量中的至少一种数据；其中，所述数据传输速率是接入所述主基站的终端的数据传输速率；所述物理资源块利用率用于表征所述主基站所使用的物理资源块的占用情况；所述连接成功数用于表征终端成功连接到所述主基站的数量。
31.第二方面，本技术还提供了一种基站资源处理装置，该装置包括：
32.获取模块，用于获取主基站的数据吞吐量序列；所述数据吞吐量序列，是所述主基站在各个历史时刻下的数据吞吐量按照时间排序得到的集合；
33.预测模块，用于基于所述数据吞吐量序列，预测主基站在未来的第一目标时刻下的数据吞吐量；
34.添加模块，用于在预测到第一目标时刻下的数据吞吐量大于或等于高峰吞吐量阈值的情况下，确定辅基站接入时刻；其中，所述辅基站接入时刻早于所述第一目标时刻；在
到达所述辅基站接入时刻后通过主基站向辅基站发送添加请求，以添加所述辅基站，使得至少部分终端接入所述辅基站。
35.第三方面，本技术还提供了一种通信设备。所述通信设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现本技术各实施例中所述的步骤。
36.第四方面，本技术还提供了一种计算机可读存储介质。所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现本技术各实施例中所述的步骤。
37.第五方面，本技术还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现本技术各实施例中所述的步骤。
38.上述基站资源处理方法、装置、通信设备、存储介质和计算机程序产品，会基于主基站的数据吞吐量序列，预测主基站在未来的第一目标时刻下的数据吞吐量，在预测到第一目标时刻下的数据吞吐量大于或等于高峰吞吐量阈值的情况下，确定辅基站接入时刻；其中，所述辅基站接入时刻早于所述第一目标时刻，从而在到达所述辅基站接入时刻后，通过主基站提前向辅基站发送添加请求以添加所述辅基站，使得至少部分终端接入辅基站。这样一来，通过预测主基站未来的数据吞吐量，不需要一开始就添加辅基站，而是根据预测结果动态地确定需要接入辅基站的时间，从而实现按需接入辅基站，相较于传统双连接模式下终端必须同时接入主基站和辅基站而言，大大降低了基站能耗，实现了基站节能。
附图说明
39.图1为一个实施例中适用于本技术的基站资源处理方法的应用场景图；
40.图2为一个实施例中基站资源处理方法的流程示意图；
41.图3为一个实施例中基站资源处理方法的原理简示图；
42.图4为一个实施例中基站资源处理装置的结构框图；
43.图5为另一个实施例中基站资源处理装置的结构框图；
44.图6为一个实施例中通信设备的内部结构图。
具体实施方式
45.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
46.图1为一个实施例中的适用于本技术基站资源处理方法的应用场景图。参见图1，主基站102分别与辅基站104以及终端106建立通信连接。
47.主基站102可以获取主基站102的数据吞吐量序列；所述数据吞吐量序列，是所述主基站102在各个历史时刻下的数据吞吐量按照时间排序得到的集合。主基站102可以基于所述数据吞吐量序列，预测主基站102在未来的第一目标时刻下的数据吞吐量；在预测到第一目标时刻下的数据吞吐量大于或等于高峰吞吐量阈值的情况下，确定辅基站接入时刻；其中，所述辅基站接入时刻早于所述第一目标时刻。在到达所述辅基站接入时刻后，主基站102向辅基站104发送添加请求，以添加所述辅基站104，使得至少部分终端106接入所述辅
基站104。
48.需要说明书的是，上述所描述的主基站102进行的吞吐量预测相关处理以及确定辅基站接入时刻的处理，可以由其他网元来替代完成。对此并不限定。
49.在一个实施例中，如图2所示，提供了一种基站资源处理方法，以该方法应用于通信设备为例进行说明，该通信设备可以是主基站，也可以是其他网元设备，该方法还可以通过主基站和其他网元设备之间的交互来实现。具体包括以下步骤：
50.步骤202，获取主基站的数据吞吐量序列。
51.其中，数据吞吐量序列，是主基站在各个历史时刻下的数据吞吐量按照时间排序得到的集合。可以理解，历史时刻是相较于当前时刻而言的，即在当前时刻之前的已经发生的时刻即为历史时刻。通信设备可以基于已经发生的历史时刻下的数据吞吐量形成的数据吞吐量序列来预测主基站未来可能会有的数据吞吐量，实现提前预测。
52.可以理解，数据吞吐量序列具有时间相关性和序列依赖性。
53.在一些实施例中，主基站即为menb(master enodeb)。
54.可以理解，数据吞吐量即为表征数据吞吐量的数据。在一些实施例中，数据吞吐量包括数据传输速率、物理资源块利用率、以及连接成功数量中的至少一种数据。即，数据吞吐量可以通过数据传输速率、物理资源块利用率、以及连接成功数量中的至少一种数据来表征。
55.其中，数据传输速率是接入主基站的终端的总的数据传输速率。数据传输速率，通常以每秒传输的比特数(bps)或兆比特数(mbps)为单位进行衡量。可以理解，数据传输速率能够反映用户(即使用终端的对象)在主基站所在区域的数据传输体验，因而能一定程度上表征主基站的数据吞吐量。
56.物理资源块利用率用于表征主基站所使用的物理资源块的占用情况。物理资源块，即prb(physical resource block)，用于无线信道的传输。可以理解，较高的物理资源块利用率说明更有效地利用了物理资源，可反映数据传输高峰及高吞吐量。因此，物理资源块利用率一定程度上可以表征主基站的数据吞吐量。
57.连接成功数量用于表征终端成功连接到主基站的数量。可以理解，每个终端都需要一定的带宽来传输数据，随着连接主基站的数量的增加，需要分配更多的带宽，那么数据吞吐量也会相应增加。所以，连接成功数一定程度上可以表征主基站的数据吞吐量的多少。
58.步骤204，基于数据吞吐量序列，预测主基站在未来的第一目标时刻下的数据吞吐量。
59.其中，第一目标时刻是未来的需要预测数据吞吐量的时刻。
60.在一些实施例中，第一目标时刻可以是当前时刻加上预设时长得到的，比如，当前时刻是13:26，预设时长是10分钟，那么，第一目标时刻则可以是13:36，即，在13:26时预测10分钟后的数据吞吐量。第一目标时刻也可以是具体某个指定的时刻，比如，在13:26时预测13:35时的数据吞吐量。
61.在一些实施例中，可以对数据吞吐量序列进行特征提取，基于提取的特征向量来预测主基站在未来的第一目标时刻下的数据吞吐量。可以理解，提取的特征向量具体时间上的特征，能够表征随着时间的变化数据吞吐量的变化情况，因此，可以基于提取的特征向量来预测主基站在未来的第一目标时刻下的数据吞吐量。
62.步骤206，在预测到第一目标时刻下的数据吞吐量大于或等于高峰吞吐量阈值的情况下，确定辅基站接入时刻；其中，辅基站接入时刻早于第一目标时刻。
63.其中，高峰吞吐量阈值，是指数据吞吐量达到高峰的峰值。可以理解，大于或等于高峰吞吐量阈值，则说明主基站的数据吞吐量过高，需要借助辅基站来分担压力。辅基站接入时刻，是未来的、用于触发接入辅基站的时刻，即，在到达辅基站接入时刻的情况下，就会触发接入辅基站。辅基站即为senb。
64.因此，可以将预测的第一目标时刻下的数据吞吐量与高峰吞吐量阈值进行比对，若预测的第一目标时刻下的数据吞吐量大于或等于高峰吞吐量阈值，说明在未来达到第一目标时刻时，主基站的数据吞吐量会过高，那么，则可以确定辅基站接入时刻。可以理解，辅基站接入时刻比第一目标时刻要早，从而在主基站的数据吞吐量尚未达到高峰峰值时提前接入辅基站。
65.在一些实施例中，可以搜集主基站的多个历史数据吞吐量，然后，将多个历史数据吞吐量进行排序，从中选取位于预设占比节点的历史数据吞吐量作为高峰吞吐量阈值。比如，搜集到的历史数据吞吐量的数据点个数是1000万，将它们按吞吐量数值从小到大排列，将第800万个设为高峰吞吐量阈值m，使得小于或等于m的数据的比例占总数的80％。
66.在一些实施例中，在预测到第一目标时刻下的数据吞吐量大于或等于高峰吞吐量阈值的情况下，确定辅基站接入时刻，包括：在预测到第一目标时刻下的数据吞吐量大于或等于高峰吞吐量阈值的情况下，获取提前预备时长，根据第一目标时刻和提前预备时长之间的差值，确定辅基站接入时刻；其中，提前预备时长是根据历史平均高峰持续时长确定的。
67.其中，提前预备时长，是预备的提前触发添加辅基站的时长。可以理解，在真正达到第一目标时刻时，主基站的数据吞吐量已经达到高峰峰值了，这种情况下才添加辅基站会过晚，所以，会在第一目标时刻的基础上往前提前一点，以提前添加辅基站，那么，提前预备时长就是相较于第一目标时刻所需要提前的时长。
68.具体地，可以根据历史平均高峰持续时长确定提前预备时长。在预测到第一目标时刻下的数据吞吐量大于或等于高峰吞吐量阈值的情况下，通信设备可以根据第一目标时刻和提前预备时长之间的差值，确定辅基站接入时刻。
69.在一些实施例中，可以直接将使用第一目标时刻减去提前预备时长，得到辅基站接入时刻。比如，第一目标时刻为t1，提前预备时长是t1，那么，辅基站接入时刻即为t1-t1。
70.在另一些实施例中，可以先使用第一目标时刻减去提前预备时长得到参照时刻，再在该参照时刻的基础上进行调整得到辅基站接入时刻。对此不做限定，只要能够使得辅基站接入时刻早于第一目标时刻即可。
71.在一些实施例中，通信设备可以统计历次高峰持续时长，根据历次高峰持续时长进行平均计算，得到历史平均高峰持续时长。在一些实施例中，可以根据历史平均高峰持续时长与第一时间比例的比值，确定提前预备时长。比如，提前预备时长t1＝历史平均高峰持续时长/20，其中，20即为第一时间比例。
72.步骤208，在到达辅基站接入时刻后通过主基站向辅基站发送添加请求，以添加辅基站，使得至少部分终端接入辅基站。
73.具体地，在到达辅基站接入时刻后，主基站可以向辅基站发送添加请求，以添加辅
基站，从而使得至少部分终端接入辅基站，以帮助主基站分担压力，减少主基站的数据吞吐量。
74.在一些实施例中，在辅基站为多个的情况下，可以基于参考信号接收功率(rsrp，reference signal receiving power)从多个辅基站中选取想要添加的辅基站。具体地，可以从多个辅基站中选取参考信号接收功率最大的一个辅基站来向其发起添加请求。辅基站接收添加请求后进行验证，包括频率和功率等至少一种参数的合法性和可行性。根据参数验证的结果，辅基站向主基站发送响应消息，确认是否接受添加请求。如果验证通过，辅基站将返回成功响应；如果验证失败，辅基站将返回错误响应并解释原因。根据辅基站的响应结果，主基站进行相应的处理。比如，如果辅基站返回成功响应，主基站将确认添加流程完成，开始与新增的辅基站进行通信，如果辅基站返回错误响应，主基站将根据错误信息进行调整或重新发起请求。
75.上述基站资源处理方法，会基于主基站的数据吞吐量序列，预测主基站在未来的第一目标时刻下的数据吞吐量，在预测到第一目标时刻下的数据吞吐量大于或等于高峰吞吐量阈值的情况下，确定辅基站接入时刻；其中，所述辅基站接入时刻早于所述第一目标时刻，从而在到达所述辅基站接入时刻后，通过主基站提前向辅基站发送添加请求以添加所述辅基站，使得至少部分终端接入辅基站。这样一来，通过预测主基站未来的数据吞吐量，不需要一开始就添加辅基站，而是根据预测结果动态地确定需要接入辅基站的时间，从而实现按需接入辅基站，相较于传统双连接模式下终端必须同时接入主基站和辅基站而言，大大降低了基站能耗，实现了基站节能。
76.在一些实施例中，第一目标时刻下的数据吞吐量是通过训练完成的吞吐量预测模型预测得到的。即，可以将数据吞吐量序列输入至训练完成的吞吐量预测模型，以通过该吞吐量预测模型主基站在未来的第一目标时刻下的数据吞吐量。
77.在一些实施例中，吞吐量预测模型中包括编码器；编码器包括输入映射层、时间戳掩码层、扩展卷积层。可以将数据吞吐量序列输入至吞吐量预测模型，以从数据吞吐量序列中提取子序列，并将每个子序列逐层分别输入至输入映射层、时间戳掩码层、扩展卷积层，得到每个子序列的特征向量，进而将每个子序列的特征向量进行拼接，得到数据吞吐量序列的特征向量。
78.各个子序列的长度可以一致，也可以不一致。可以理解，通过不同时间步长从数据吞吐量序列中提取子序列的情况下，各个子序列的长度会存在不一致的情况，那么，各个子序列的特征向量的粒度也就不同，因而将每个子序列的特征向量进行拼接得到数据吞吐量序列的特征向量，会使得数据吞吐量序列的特征向量具备不同粒度的上下文特征信息，即数据吞吐量序列的特征向量所包括的信息量更加全面、准确，有助于后续更为准确地预测主基站未来的数据吞吐量。
79.在一些实施例中，训练完成的吞吐量预测模型的训练步骤包括：获取样本数据吞吐量序列；样本数据吞吐量序列中包括多个连续的样本时刻下的数据吞吐量；样本数据吞吐量序列具有对应的在后的目标样本时刻下的目标样本数据吞吐量；从样本数据吞吐量序列中选取多个样本数据吞吐量子序列；提取每个样本数据吞吐量子序列中的上下文特征信息得到子特征向量，并基于多个样本数据吞吐量子序列的子特征向量确定样本数据吞吐量序列的特征向量；基于特征向量进行数据吞吐量预测，得到在目标样本时刻下的数据吞吐
量预测结果；根据数据吞吐量预测结果与目标样本数据吞吐量之间的差异，调整待训练的吞吐量预测模型的模型参数，以迭代训练吞吐量预测模型。
80.需要说明的是，训练数据包括多个样本数据吞吐量序列，每个样本数据吞吐量序列具有对应的在后的目标样本时刻下的目标样本数据吞吐量。样本数据吞吐量序列中包括多个连续的样本时刻下已经产生的数据吞吐量，即，每个样本数据吞吐量序列具有对应的一段样本时刻。在后的目标样本时刻，是指在该样本数据吞吐量序列对应的样本时刻之后的、且需要预测数据吞吐量的样本时刻。为了便于理解，现举例说明。假设，样本数据吞吐量序列包括从样本时刻t1至样本时刻t5这段时间的样本数据吞吐量，所以，样本数据吞吐量序列对应的样本时刻即为样本时刻t1至样本时刻t5，其在后的目标样本时刻，即为样本时刻t5之后的、且需要预测数据吞吐量的样本时刻t8。
81.可以理解，样本数据吞吐量序列中的样本数据吞吐量和在后的目标样本时刻下的目标样本数据吞吐量都属于已经产生的、已知的数据吞吐量，所以其可以作为训练数据，用已知的一系列的数据吞吐量来训练吞吐量预测模型。目标样本数据吞吐量一定程度上相当于真值，即，在目标样本时刻已经实际产生的数据吞吐量。在模型训练过程中，正是要使用待训练的吞吐量预测模型基于样本数据吞吐量序列预测在目标样本时刻可能产生的数据吞吐量，得到数据吞吐量预测结果，根据该数据吞吐量预测结果与该真值之间的差异，来调整模型参数。
82.具体地，可以从样本数据吞吐量序列中选取多个样本数据吞吐量子序列，针对每个样本数据吞吐量子序列进行上下文特征信息提取处理，得到每个样本数据吞吐量子序列对应的子特征向量，然后，可以对多个样本数据吞吐量子序列的子特征向量进行整合，得到该样本数据吞吐量序列的特征向量。进一步地，可以基于特征向量进行数据吞吐量预测，得到在目标样本时刻下的数据吞吐量预测结果。可以确定数据吞吐量预测结果与样本数据吞吐量序列在该目标样本时刻下真实的目标样本数据吞吐量之间的差异，根据该差异调整待训练的吞吐量预测模型的模型参数。可以理解，在调整一轮模型参数后，会返回执行上述的模型训练步骤，以迭代地调整模型参数，从而迭代训练得到吞吐量预测模型。
83.在一些实施例中，多个样本数据吞吐量子序列是通过时间步长来从样本数据吞吐量序列中选取得到的。时间步长可以是固定的时间步长，也可以是不同的时间步长，因此，多个样本数据吞吐量子序列可以是固定长度或者固定尺度的，也可以是不同长度或者不同尺度的，对此不做限定。
84.在一些实施例中，可以根据通过预设的损失函数，确定数据吞吐量预测结果与样本数据吞吐量序列在该目标样本时刻下真实的目标样本数据吞吐量之间的差异。预设的损失函数可以是均方误差损失函数。在一些实施例中，可以使用梯度下降等优化算法来更新模型参数。
85.上述实施例中，能够便捷地训练出吞吐量预测模型，从而为后续动态部署辅基站提供基础，实现了基站节能的效果。
86.在一些实施例中，待训练的吞吐量预测模型中包括待训练的编码器；编码器包括输入映射层、时间戳掩码层、扩展卷积层。本实施例中，提取每个样本数据吞吐量子序列中的上下文特征信息得到子特征向量，包括：针对每个样本数据吞吐量子序列，通过输入映射层将样本数据吞吐量子序列投影到中间表示空间，得到隐含向量；通过时间戳掩码层对隐
含向量中的时间戳信息进行掩码处理，得到掩码后的向量；通过扩展卷积层基于掩码后的向量进行空间和时间上的特征提取，得到样本数据吞吐量子序列的子特征向量。
87.上述实施例中，通过输入映射层、时间戳掩码层、扩展卷积层逐层进行特征提取，能够更为准确地提取特征。
88.在一些实施例中，从样本数据吞吐量序列中选取多个样本数据吞吐量子序列，包括：采用多个时间步长从样本数据吞吐量序列中提取多个样本数据吞吐量子序列。本实施例中，基于多个样本数据吞吐量子序列的子特征向量确定样本数据吞吐量序列的特征向量，包括：将多个样本数据吞吐量子序列的子特征向量进行拼接，得到样本数据吞吐量序列的特征向量。
89.可以理解，采用多个时间步长提取的多个样本数据吞吐量子序列之间必然会存在长度差异，那么，针对多个样本数据吞吐量子序列分别进行特征提取所提取到的子特征向量就属于不同粒度，即从粗粒度的子特征向量到细粒度的子特征向量，从而涵盖了不同的上下文特征信息，即，能够将样本数据吞吐量序列进行不同粒度的特征表示。因此，将多个样本数据吞吐量子序列的子特征向量进行拼接，得到样本数据吞吐量序列的特征向量，会使得样本数据吞吐量序列的特征向量具有不同粒度的上下文特征信息，也就能够更为准确地表达出样本数据吞吐量序列在时间和空间上的特征。所以，基于该样本数据吞吐量序列的特征向量能够更为准确、有效地进行模型训练。
90.为了便于理解，现结合图3进行示意说明。图3为一个实施例中基站资源处理方法的原理简示图。从图3可知，可以从样本数据吞吐量序列中选取多个样本数据吞吐量子序列(即样本数据吞吐量子序列1和样本数据吞吐量子序列2)，针对每个样本数据吞吐量子序列，将该样本数据吞吐量子序列依次输入至编码器中的输入映射层、时间戳掩码层、扩展卷积层。具体地，先通过输入映射层将样本数据吞吐量子序列投影到中间表示空间，得到隐含向量。再将隐含向量输入至时间戳掩码层，由时间戳掩码层对隐含向量中的时间戳信息进行掩码处理，得到掩码后的向量。接着，再将掩码后的向量输入至扩展卷积层，通过扩展卷积层基于掩码后的向量进行空间和时间上的特征提取，得到样本数据吞吐量子序列的子特征向量。最后，可以将多个样本数据吞吐量子序列的子特征向量进行整合，得到样本数据吞吐量序列的特征向量。
91.进一步地，可以基于样本数据吞吐量序列的特征向量进行数据吞吐量预测，得到在所述目标样本时刻下的数据吞吐量预测结果；根据所述数据吞吐量预测结果与所述目标样本数据吞吐量之间的差异，调整所述待训练的吞吐量预测模型的模型参数，以迭代训练吞吐量预测模型。
92.可以理解，后续则可以使用该训练完毕的吞吐量预测模型，基于主基站的数据吞吐量序列，预测主基站在未来的第一目标时刻下的数据吞吐量；在预测到第一目标时刻下的数据吞吐量大于或等于高峰吞吐量阈值的情况下，确定辅基站接入时刻；在到达所述辅基站接入时刻后通过主基站向辅基站发送添加请求，以添加所述辅基站，使得至少部分终端接入所述辅基站。从而，实现辅基站的动态部署(即动态接入辅基站)，从而降低基站的能耗，实现基站节能的目的。
93.在一些实施例中，在添加辅基站之后，该方法还包括：在添加辅基站之后，继续预测未来的数据吞吐量；在预测到未来的数据吞吐量从未来的第二目标时刻起持续预设的空
闲时长一直低于高峰吞吐量阈值，则指示已接入辅基站的终端在达到第二目标时刻时删除辅基站，以断开与辅基站的连接。
94.其中，第二目标时刻是在添加辅基站之后，预测的主基站未来可能会持续处于空闲状态的起始时刻。需要说明的是，空闲状态并不是指主基站没有接入任何终端，而是指主基站的负荷量还没达到峰值，主基站还有余力继续接入终端。
95.具体地，在添加辅基站来分担主基站的压力之后，随着时间的推移，后续还会不断地重新获取主基站新的数据吞吐量序列，基于主基站新的数据吞吐量序列继续预测主基站未来的数据吞吐量。在预测到未来的数据吞吐量从未来的第二目标时刻起持续预设的空闲时长一直低于高峰吞吐量阈值，则指示已接入辅基站的终端在达到第二目标时刻时删除辅基站，以断开与辅基站的连接。
96.为了便于理解，现举例说明。假设，预设的空闲时长为20分钟，从13:56添加辅基站之后，继续预测主基站在未来的数据吞吐量，假设预测到未来在15:00主基站的数据吞吐量会低于高峰吞吐量阈值，而且，从15:00起主基站的数据吞吐量会持续20分钟一直低于高峰吞吐量阈值，那么，则将15:00确定为第二目标时刻。在当前时刻达到15:00时，接入该辅基站的终端则可以暂时删除辅基站，以断开与辅基站的连接，由主基站自身来接入终端，提供通信支持。
97.在一些实施例中，预设的空闲时长也可以根据历史平均高峰持续时长确定。具体地，可以根据历史平均高峰持续时长与第二时间比例的比值，确定预设的空闲时长。比如，预设的空闲时长t2＝历史平均高峰持续时长/5，其中，5即为第二时间比例。
98.需要说明的是，第一时间比例和第二时间比例可以根据具体的网络环境和用户群体习惯灵活设置，设置的第一时间比例和第二时间比例需要使得提前预备时长和空闲时长满足以下条件：1、提前预备时长t1小于空闲时长t2，这样用于保证新接入的辅基站不会立马被删去。2、使得提前预备时长t1和空闲时长t2不超过预设时长范围，即不能太长。因为时间过长会削弱节能效果。如历史平均高峰持续时长t＝200分钟、第二时间比例为5时，空闲时长t2＝t/5＝40分钟，这样会导致辅基站删除策略较难触发，使得辅基站在空闲时间长时间接入运行，造成资源浪费，因此可动态调整第二时间比例，比如动态调整为10，使得空闲时长t2＝t/10＝20分钟。
99.需要说明的是，主基站的数据吞吐量序列是从历史数据集中获取的，通信设备可以按照预设周期将最近一个周期新增的主基站的数据吞吐量新增进历史数据集，以进行数据更新，从而也会根据最新的历史数据集和设置好的运算逻辑对高峰吞吐量阈值m、历史平均高峰持续时长t、提前预备时长t1、以及空闲时长t2进行更新调整。
100.在一些实施例中，以历史平均高峰持续时长t＝60分钟，提前预备时长t1＝3分钟、空闲时长t2＝12分钟为例进行说明，假设，预测到主基站的数据吞吐量在t1＝10:00时刻超过高峰吞吐量阈值m，那么，主基站则会选择一个最好的辅基站邻区，在9:57时刻(即10:00减去3分钟)发起辅基站添加流程，以使终端接入辅基站。否则，终端保持当前主基站连接不变。之后，当预测到主基站的数据吞吐量在t2＝13:00时刻到13:12时刻(即13:00加上12分钟)持续低于高峰吞吐量阈值m，那么，已经接入辅基站的终端将在13:00时刻暂时删除辅基站，以节省终端和辅基站能耗。
101.上述实施例中，通过预测主基站未来的数据吞吐量，还能动态地删除辅基站，即解
除辅基站的使用，进一步地节省了能耗。
102.应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
103.基于同样的发明构思，本技术实施例还提供了一种用于实现上述所涉及的基站资源处理方法的基站资源处理装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个基站资源处理装置实施例中的具体限定可以参见上文中对于基站资源处理方法的限定，在此不再赘述。
104.在一个实施例中，如图4所示，提供了一种基站资源处理装置，包括：获取模块402、预测模块404和添加模块406，其中：
105.获取模块402，用于获取主基站的数据吞吐量序列；数据吞吐量序列，是主基站在各个历史时刻下的数据吞吐量按照时间排序得到的集合。
106.预测模块404，用于基于数据吞吐量序列，预测主基站在未来的第一目标时刻下的数据吞吐量。
107.添加模块406，用于在预测到第一目标时刻下的数据吞吐量大于或等于高峰吞吐量阈值的情况下，确定辅基站接入时刻；其中，辅基站接入时刻早于第一目标时刻；在到达辅基站接入时刻后通过主基站向辅基站发送添加请求，以添加辅基站，使得至少部分终端接入辅基站。
108.在一些实施例中，第一目标时刻下的数据吞吐量是通过训练完成的吞吐量预测模型预测得到的。该装置还包括：
109.训练模块401，用于获取样本数据吞吐量序列；样本数据吞吐量序列中包括多个连续的样本时刻下的数据吞吐量；样本数据吞吐量序列具有对应的在后的目标样本时刻下的目标样本数据吞吐量；从样本数据吞吐量序列中选取多个样本数据吞吐量子序列；提取每个样本数据吞吐量子序列中的上下文特征信息得到子特征向量，并基于多个样本数据吞吐量子序列的子特征向量确定样本数据吞吐量序列的特征向量；基于特征向量进行数据吞吐量预测，得到在目标样本时刻下的数据吞吐量预测结果；根据数据吞吐量预测结果与目标样本数据吞吐量之间的差异，调整待训练的吞吐量预测模型的模型参数，以迭代训练吞吐量预测模型。
110.在一些实施例中，待训练的吞吐量预测模型中包括待训练的编码器；编码器包括输入映射层、时间戳掩码层、扩展卷积层；训练模块401还用于针对每个样本数据吞吐量子序列，通过输入映射层将样本数据吞吐量子序列投影到中间表示空间，得到隐含向量；通过时间戳掩码层对隐含向量中的时间戳信息进行掩码处理，得到掩码后的向量；通过扩展卷积层基于掩码后的向量进行空间和时间上的特征提取，得到样本数据吞吐量子序列的子特征向量。
111.在一些实施例中，训练模块401还用于采用多个时间步长从样本数据吞吐量序列
中提取多个样本数据吞吐量子序列；将多个样本数据吞吐量子序列的子特征向量进行拼接，得到样本数据吞吐量序列的特征向量。
112.在一些实施例中，在添加辅基站之后，预测模块404还用于在添加辅基站之后，继续预测未来的数据吞吐量；
113.如图5所示，该装置还包括训练模块401以及删除模块408，其中：
114.删除模块408，用于在预测到未来的数据吞吐量从未来的第二目标时刻起持续预设的空闲时长一直低于高峰吞吐量阈值，则指示已接入辅基站的终端在达到第二目标时刻时删除辅基站，以断开与辅基站的连接。
115.在一些实施例中，添加模块406还用于在预测到第一目标时刻下的数据吞吐量大于或等于高峰吞吐量阈值的情况下，获取提前预备时长，根据第一目标时刻和提前预备时长之间的差值，确定辅基站接入时刻；其中，提前预备时长是根据历史平均高峰持续时长确定的。
116.在一些实施例中，数据吞吐量包括数据传输速率、物理资源块利用率、以及连接成功数量中的至少一种数据；其中，数据传输速率是接入主基站的终端的数据传输速率；物理资源块利用率用于表征主基站所使用的物理资源块的占用情况；连接成功数用于表征终端成功连接到主基站的数量。
117.上述基站资源处理装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于通信设备中的处理器中，也可以以软件形式存储于通信设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
118.在一个实施例中，提供了一种通信设备，该通信设备可以是主基站或其他网元设备中的任意一种，其内部结构图可以如图6所示。该通信设备包括处理器、存储器、输入/输出接口(input/output，简称i/o)和通信接口。其中，处理器、存储器和输入/输出接口通过系统总线连接，通信接口通过输入/输出接口连接到系统总线。其中，该通信设备的处理器用于提供计算和控制能力。该通信设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该通信设备的输入/输出接口用于处理器与外部设备之间交换信息。该通信设备的通信接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基站资源处理方法。
119.本领域技术人员可以理解，图6中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的通信设备的限定，具体的通信设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
120.在一个实施例中，提供了一种通信设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述实施例中的各个步骤。
121.在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述实施例中的各个步骤。
122.在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述实施例中的各个步骤。
123.需要说明的是，本技术所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户
授权或者经过各方充分授权的信息和数据，且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
124.本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(read-only memory，rom)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(reram)、磁变存储器(magnetoresistive random access memory，mram)、铁电存储器(ferroelectric random access memory，fram)、相变存储器(phase change memory，pcm)、石墨烯存储器等。易失性存储器可包括随机存取存储器(random access memory，ram)或外部高速缓冲存储器等。作为说明而非局限，ram可以是多种形式，比如静态随机存取存储器(static random access memory，sram)或动态随机存取存储器(dynamic random access memory，dram)等。本技术所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本技术所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
125.以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
126.以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本技术专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术的保护范围应以所附权利要求为准。

技术特征：
1.一种基站资源处理方法，其特征在于，所述方法包括：获取主基站的数据吞吐量序列；所述数据吞吐量序列，是所述主基站在各个历史时刻下的数据吞吐量按照时间排序得到的集合；基于所述数据吞吐量序列，预测主基站在未来的第一目标时刻下的数据吞吐量；在预测到第一目标时刻下的数据吞吐量大于或等于高峰吞吐量阈值的情况下，确定辅基站接入时刻；其中，所述辅基站接入时刻早于所述第一目标时刻；在到达所述辅基站接入时刻后通过主基站向辅基站发送添加请求，以添加所述辅基站，使得至少部分终端接入所述辅基站。2.根据权利要求1所述的方法，其特征在于，所述第一目标时刻下的数据吞吐量是通过训练完成的吞吐量预测模型预测得到的；所述训练完成的吞吐量预测模型的训练步骤包括：获取样本数据吞吐量序列；所述样本数据吞吐量序列中包括多个连续的样本时刻下的数据吞吐量；所述样本数据吞吐量序列具有对应的在后的目标样本时刻下的目标样本数据吞吐量；从样本数据吞吐量序列中选取多个样本数据吞吐量子序列；提取每个所述样本数据吞吐量子序列中的上下文特征信息得到子特征向量，并基于多个所述样本数据吞吐量子序列的子特征向量确定所述样本数据吞吐量序列的特征向量；基于所述特征向量进行数据吞吐量预测，得到在所述目标样本时刻下的数据吞吐量预测结果；根据所述数据吞吐量预测结果与所述目标样本数据吞吐量之间的差异，调整所述待训练的吞吐量预测模型的模型参数，以迭代训练吞吐量预测模型。3.根据权利要求2所述的方法，其特征在于，所述待训练的吞吐量预测模型中包括待训练的编码器；所述编码器包括输入映射层、时间戳掩码层、扩展卷积层；所述提取每个所述样本数据吞吐量子序列中的上下文特征信息得到子特征向量，包括：针对每个所述样本数据吞吐量子序列，通过所述输入映射层将所述样本数据吞吐量子序列投影到中间表示空间，得到隐含向量；通过所述时间戳掩码层对所述隐含向量中的时间戳信息进行掩码处理，得到掩码后的向量；通过扩展卷积层基于掩码后的向量进行空间和时间上的特征提取，得到所述样本数据吞吐量子序列的子特征向量。4.根据权利要求2所述的方法，其特征在于，所述从样本数据吞吐量序列中选取多个样本数据吞吐量子序列，包括：采用多个时间步长从所述样本数据吞吐量序列中提取多个样本数据吞吐量子序列；所述基于多个所述样本数据吞吐量子序列的子特征向量确定所述样本数据吞吐量序列的特征向量，包括：将多个所述样本数据吞吐量子序列的子特征向量进行拼接，得到所述样本数据吞吐量序列的特征向量。5.根据权利要求1所述的方法，其特征在于，在添加所述辅基站之后，所述方法还包括：
在添加所述辅基站之后，继续预测未来的数据吞吐量；在预测到未来的数据吞吐量从未来的第二目标时刻起持续预设的空闲时长一直低于所述高峰吞吐量阈值，则指示已接入所述辅基站的终端在达到所述第二目标时刻时删除所述辅基站，以断开与所述辅基站的连接。6.根据权利要求1所述的方法，其特征在于，所述在预测到第一目标时刻下的数据吞吐量大于或等于高峰吞吐量阈值的情况下，确定辅基站接入时刻，包括：在预测到第一目标时刻下的数据吞吐量大于或等于高峰吞吐量阈值的情况下，获取提前预备时长，根据所述第一目标时刻和所述提前预备时长之间的差值，确定辅基站接入时刻；其中，所述提前预备时长是根据历史平均高峰持续时长确定的。7.根据权利要求1至6中任一项所述的方法，其特征在于，所述数据吞吐量包括数据传输速率、物理资源块利用率、以及连接成功数量中的至少一种数据；其中，所述数据传输速率是接入所述主基站的终端的数据传输速率；所述物理资源块利用率用于表征所述主基站所使用的物理资源块的占用情况；所述连接成功数用于表征终端成功连接到所述主基站的数量。8.一种基站资源处理装置，其特征在于，所述装置包括：获取模块，用于获取主基站的数据吞吐量序列；所述数据吞吐量序列，是所述主基站在各个历史时刻下的数据吞吐量按照时间排序得到的集合；预测模块，用于基于所述数据吞吐量序列，预测主基站在未来的第一目标时刻下的数据吞吐量；添加模块，用于在预测到第一目标时刻下的数据吞吐量大于或等于高峰吞吐量阈值的情况下，确定辅基站接入时刻；其中，所述辅基站接入时刻早于所述第一目标时刻；在到达所述辅基站接入时刻后通过主基站向辅基站发送添加请求，以添加所述辅基站，使得至少部分终端接入所述辅基站。9.一种通信设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。

技术总结
本申请涉及一种基站资源处理方法、装置、通信设备和存储介质。该方法包括：获取主基站的数据吞吐量序列；所述数据吞吐量序列，是所述主基站在各个历史时刻下的数据吞吐量按照时间排序得到的集合；基于所述数据吞吐量序列，预测主基站在未来的第一目标时刻下的数据吞吐量；在预测到第一目标时刻下的数据吞吐量大于或等于高峰吞吐量阈值的情况下，确定辅基站接入时刻；其中，所述辅基站接入时刻早于所述第一目标时刻；在到达所述辅基站接入时刻后通过主基站向辅基站发送添加请求，以添加所述辅基站，使得至少部分终端接入所述辅基站。采用本方法能够降低能耗。用本方法能够降低能耗。用本方法能够降低能耗。


技术研发人员：姚彬洪
受保护的技术使用者：中国电信股份有限公司
技术研发日：2023.07.14
技术公布日：2023/9/13