由无线通信网络中的网络侧设备执行的方法和网络侧设备

技术领域

本公开涉及无线通信领域，并且更具体地涉及由无线通信网络中的网络侧设备执行的方法、以及相应的网络侧设备。

背景技术

无线通信网络系统被广泛部署以提供各种类型的通信内容，诸如语音、视频、分组数据、消息传送、广播等。典型的无线通信网络系统可以采用能够通过共享可用的系统资源(例如，带宽、发送功率等)来支持与多个通信设备进行通信的多址技术。这样的多址技术的示例包括码分多址(CDMA)、时分多址(TDMA)、频分多址(FDMA)、正交频分多址(OFDMA)、单载波频分多址(SC-FDMA)、时分同步码分多址(TD-SCDMA)以及长期演进(LTE)。LTE/LTE高级(LTE-Advanced)是对由第三代合作伙伴计划(3GPP)发布的通用移动电信系统(UMTS)移动标准的增强集。

无线通信网络系统可以包括多个网络侧设备，例如，多个基站。每个基站能够同时支持与多个通信设备的通信，这些通信设备可称为用户设备(user equipment，UE)。UE可以经由下行链路和上行链路与基站通信。下行链路指的是从基站到UE的通信链路，而上行链路指的是从UE到基站的通信链路。

由于基站需要与多个UE进行通信，所以在基站处需要消耗大量的电力。在目前碳中性的大环境下，节省在基站处的电力消耗成为急需要解决的问题。

参考文献：TW201528203A，《行动网路自动化讯务成长预测系统》。

发明内容

针对上述问题，根据本公开的一个方面，提供了一种无线通信网络中的网络侧设备，包括:处理单元，被配置为基于未来时段的业务量和预先确定的节电等级表，确定在所述未来时段用于所述网络侧设备的节电等级，其中，所述节电等级表包括与所述网络侧设备的无线传输能力和所述网络侧设备在无线传输时所使用的资源对应的多个节电等级；控制单元，配置来根据所确定的节电等级进行节电操作。

根据本公开的一个方面，提供了一种用于在网络侧设备处的无线通信的方法，包括:基于未来时段的业务量和预先确定的节电等级表，确定在所述未来时段用于所述网络侧设备的节电等级，其中，所述节电等级表包括与所述网络侧设备的无线传输能力和所述网络侧设备在无线传输时所使用的资源对应的多个节电等级；根据所确定的节电等级进行节电操作。

根据本公开的上述一个方面的网络侧设备以及方法，能够基于未来时段的业务量和预先确定的节电等级表而准确地确定在未来时段用于网络侧设备的节电等级，从而使网络侧设备能够基于确定出的节电等级而只提供能够处理上述业务量的部分资源而将其它资源进行关闭，以节省网络侧设备处的电力消耗。

附图说明

通过结合附图对本公开的实施例进行更详细的描述，本公开的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本公开的实施例的进一步理解，并且构成说明书的一部分，与本公开的实施例一起用于解释本公开，并不构成对本公开的限制。在附图中，相同的参考标号通常代表相同部件或步骤。

图1示出了根据本公开的实施例的用于在网络侧设备处的无线通信的方法的流程图。

图2A示出了根据本公开的一个实施例的预测业务量的示意图。

图2B示出了根据本公开的另一实施例的预测业务量的示意图。

图3示出了系数α、β和γ在一天中的取值变化的示意图。

图4A至图4E示出了根据本公开实施例的基于过去4天的业务量来获得第一系数的示图。

图5示出了根据本公开的实施例的用于在网络侧设备处的无线通信的方法的流程图。

图6A示出了根据本公开实施例的训练神经网络模型的其中一条训练数据。

图6B示出了根据本公开实施例的训练神经网络模型的示意图。

图7A至图7C示出了根据本公开实施例的训练神经网络时加入的节电等级信息的示意图。

图8A示出了根据本公开实施例的未改造前的损失函数的示意图。

图8B示出了根据本公开实施例的改造后的损失函数的示意图。

图9A至图9C示出了根据本公开实施例的得到融合权重的示意图。

图10A至图10B示出了根据本公开实施例的训练神经网络时数据归一化处理的示意图。

图11示出了根据本公开实施例的用于在网络侧设备处的无线通信的另一方法的流程图。

图12A至图12B示出了根据本公开的一个实施例的网络侧设备所使用的资源的示意图。

图13A至图13C示出了根据本公开实施例的网络侧设备所使用的资源的另一示意图。

图14示出了根据本公开实施例的数据吞吐量下降率和电力消耗的示意图。

图15示出了根据本公开实施例的在无线通信网络中的网络侧设备1500的框图。

图16示出了根据本公开实施例的在无线通信网络中的网络侧设备1600的框图。

图17示出了根据本公开实施例的在无线通信网络中的网络侧设备1700的框图。

图18是表示本公开一实施方式所涉及的网络侧设备的硬件结构的一例的图。

具体实施方式

为了使得本公开的目的、技术方案和优点更为明显，下面将参照附图详细描述根据本公开的示例实施例。在附图中，相同的参考标号自始至终表示相同的元件。应当理解:本公开描述的实施例仅仅是说明性的，而不应被解释为限制本公开的范围。

由于基站需要与大量的UE进行通信，所以在基站处需要消耗大量的电力。为了节省在基站处的电力消耗，提出了一些用于基站的节电方法。例如，提出了根据不同时间段进行节点控制的方法。例如，在凌晨0点至6点的固定的低业务量期间，关闭基站中的部分或全部小区，以达到节电的目的。然而，在该方法中，不能全时段进行节电，节电效果差，而且当业务量变化时(如凌晨0点至6点接入的UE陡增)基站依然错误地进入节电模式，导致基站的数据吞吐量下降，影响用户的网络体验。

又例如，提出了根据实时业务量进行节点控制的方法。例如，根据观测的实时业务量，如果观测到的实时业务量低于预先设置的业务量阈值，则关闭基站中的部分或全部小区，以达到节电的目的。然而，对于无线电智能控制器(Radio Intelligent Controller，RIC)部署的场景，控制器(如RIC)获得实时业务量有时延(如15至30分钟)，使得基站无法准确地选择节电模式。

此外，还可用历史业务量数据来预测未来时段的业务量，并基于预测的业务量来关闭基站中的部分或全部小区，以达到节电目的。然而，这种方式只考虑历史业务量进行的粗略预测误差较大，无法使基站准确地选择节电模式，导致节电效果差或数据吞吐量降低明显。

根据本公开的一个方面，希望提供一种用于在诸如基站的网络侧设备处的无线通信的方法，并且该方法可以高精确度地预测出在未来时段网络侧设备需要处理的业务量，以便网络侧设备基于预测结果进行更准确的节电操作。下面将结合附图对本公开的一个方面提供的用于在网络侧设备处的无线通信的方法以及对应的网络侧设备进行详细地描述。

图1示出了根据本公开的实施例的用于在网络侧设备处的无线通信的方法的流程图。图1所示的方法可以由网络侧设备来执行。作为示例，网络侧设备可以是基站。可替换地，网络侧设备可以是基站外部与基站交互的操作管理和维护(OperationAdministration and Maintenance，OAM)模块或服务管理和编排(Service Managementand Orchestration，SMO)模块。在网络侧设备是上述OAM或SMO模块的情况下，所述OAM或SMO模块需要将执行本公开提供的方法而预测的未来时段的业务量信息传输给例如基站，以由基站进行相应的操作。

如图1所示，在步骤S110，网络侧设备可以获得关于历史时段业务量的信息和关于邻近时段业务量的信息，其中所述邻近时段相比所述历史时段更接近未来时段。

作为示例，上述关于历史时段业务量的信息和关于邻近时段业务量的信息可以存储在网络侧设备的内部存储单元中，例如存储器，诸如随机存取存储器(RAM)、只读存储器(ROM)和电可擦除可编程ROM(EEPROM)。可替换地，上述关于历史时段业务量的信息和关于邻近时段业务量的信息可以存储在与网络侧设备交互的外部存储单元或云端中。

作为示例，时段可以是以小时为单元或以分钟为单位的时间。例如，时段可以是一个小时或两个小时。可替换地，时段可以是15分钟或30分钟。

在根据本公开的示例中，未来时段可以是要预测的将来的某个时段。例如，未来时段可以是紧挨当前时刻的下一个时段，如当前时刻为12:00，则未来时段可以是13:00到14:00。再例如，未来时段可以是与当前时刻间隔预定时段的时段，如当前时刻为12:00，则未来时段可以为间隔2个小时以后的时段15:00到16:00。

历史时段可以是在未来时段所在的当前天之前的天中的时段。例如，历史时段可以是在未来时段所在的天之前一天或几天中的时段。相应地，历史时段业务量可以是在未来时段所在的天之前的天中的时段内发生的业务量。例如，假设时段为1小时，历史时段业务量可以是在未来时段所在的天之前的天中，每个小时内发生的业务量。

邻近时段可以是当前天内在未来时段之前的时段。例如，邻近时段可以是当前天内在未来时段之前的一个时段或多个时段。再例如，例如，假设未来时段为当前天的16点到17点，则邻近时段可以是当前天的在15点到16点、可以是当前天的10点到11点等等。相应地，邻近时段业务量可以是当前天内在未来时段之前的时段内发生的业务量。例如，假设时段为1小时，邻近时段业务量可以是当前天内在未来时段之前的一个小时内发生的业务量。

在步骤S120，网络侧设备可以基于所述关于历史时段业务量的信息和所述关于邻近时段业务量的信息或者基于所存储的关于多个邻近时段业务量的信息，来预测未来时段的业务量。

作为示例，关于历史时段业务量的信息和关于邻近时段业务量的信息可以由网络侧设备实时地获取。可替换地，关于历史时段业务量的信息和关于邻近时段业务量的信息可以由网络侧设备在根据实际需要而预先设置的时刻处获取。

根据本公开的一个实施例，在步骤S120中，可基于关于历史时段中与所述未来时段对应的时段的业务量的信息、关于历史时段中与特定邻近时段对应的时段的业务量的信息、以及关于所述特定邻近时段业务量的信息来预测所述未来时段的业务量。

图2A和图2B是示出了根据本公开的实施例的预测业务量的示意图。在图2A和图2B所示的示例中，以1小时为一个时段为例进行描述。

图2A示出了根据本公开的一个实施例的预测业务量的示意图。在图2A所示的示例中，希望预测其中业务量的未来时段为当前天中12:00到13:00这一时段，并且在该时段的业务量记为x。如图2A所示，历史时段中与该未来时段对应的时段为在过去一天中12:00到13:00这一时段，并且在该时段的业务量记为a。特定邻近时段可以是当前天中已经存储了其中业务量的任意时段。例如，未来时段的前一时间段，即，11:00到12:00这一时段，并且在该时段的业务量记为e。此外，历史时段中与特定邻近时段对应的时段是过去一天中11:00到12:00这一时段，并且在该时段的业务量记为d。网络侧设备在步骤S120中，可以基于上述a、d和e来预测x。

在图2A所示的示例中，希望预测其中业务量的未来时段紧挨着用于对其进行预测的特定邻近时段。可替换地，在未来时段和当前时刻之间可存在一个或多个间隔时段(此时，也可称为观测时延)。图2B示出了根据本公开的另一实施例的预测业务量的示意图。如图2B所示，希望预测其中业务量的未来时段为当前天中12:00到13:00这一时段，并且在该时段的业务量记为x。历史时段中与该未来时段对应的时段为在过去一天中12:00到13:00这一时段，并且在该时段的业务量记为a。假设当前时刻是11点，如图2所示，当前时刻为11点。特定邻近时段可以是当前天中8:00到9:00这一时段，并且在该时段的业务量记为f。历史时段中与特定邻近时段对应的时段是过去一天中8:00到9:00这一时段，并且在该时段的业务量记为c。网络侧设备在步骤S120中，可以基于上述a、c和f来预测x。

根据本公开的另一实施例，所述历史时段和所述邻近时段中包括所述未来时段的关联时段、以及分别与所述未来时段和关联时段对应的参考时段，或者所述邻近时段中包括所述未来时段的关联时段、以及分别与所述未来时段和关联时段对应的参考时段。在此情况下，在步骤S120中还可根据指示所述未来时段的业务量和关联时段的业务量与参考时段的业务量之间相关性的第一系数来预测所述未来时段的业务量。

例如参照图2A，历史时段可以是过去一天中10:00到11:00、11:00到12:00或12:00到13:00时段。邻近时段可以是当天中10:00到11:00或11:00到12:00时段。

作为一个示例，在未来时段可以是当前天中12:00到13:00这一时段的情况下，历史时段和邻近时段中包括的未来时段的关联时段可以是过去一天中12:00到13:00这一时段。历史时段和邻近时段中包括的分别与未来时段和关联时段对应的参考时段可以分别是当前天中11:00到12:00这一时段和过去一天中11:00到12:00这一时段。第一系数α可指示当前天中12:00到13:00这一时段的业务量和过去一天中12:00到13:00这一时段的业务量与当前天中11:00到12:00这一时段的业务量和过去一天中11:00到12:00这一时段的业务量之间的相关性。

作为另一示例，在未来时段可以是当前天中12:00到13:00这一时段的情况下，历史时段和邻近时段中包括的未来时段的关联时段可以是当前天中11:00到12:00这一时段。历史时段和邻近时段中包括的分别与未来时段和关联时段对应的参考时段可以分别是过去一天中12:00到13:00这一时段和过去一天中11:00到12:00这一时段。第一系数可指示当前天中12:00到13:00这一时段的业务量和当前天中11:00到12:00这一时段的业务量与过去一天中12:00到13:00这一时段的业务量和过去一天中11:00到12:00这一时段的业务量之间的相关性。例如，在此情况下，第一系数β可以指示当前天中12:00到13:00这一时段的业务量和当前天中11:00到12:00这一时段的业务量之差与过去一天中12:00到13:00这一时段的业务量和过去一天中11:00到12:00这一时段的业务量之差的相关性。可替换地，第一系数γ可以指示当前天中12:00到13:00这一时段的业务量和当前天中11:00到12:00这一时段的业务量之比与过去一天中12:00到13:00这一时段的业务量和过去一天中11:00到12:00这一时段的业务量之比的相关性。

作为又一示例，在未来时段可以是当前天中12:00到13:00这一时段的情况下，邻近时段中包括的未来时段的关联时段可以是当前天中11:00到12:00这一时段。邻近时段中包括的分别与所述未来时段和关联时段对应的参考时段可以是当前天中11:00到12:00这一时段和当前天中10:00到11:00这一时段。第一系数δ可指示当前天中12:00到13:00这一时段的业务量和当前天中11:00到12:00这一时段的业务量与当前天中11:00到12:00这一时段的业务量和当前天中10:00到11:00这一时段的业务量之间的相关性。

α，β，γ和δ可对应的表达式可以如下表1所示。

表1:预测业务量的四种方法

需要注意，虽然在以上结合图2A和表1描述的第一系数的示例中是以当前天的过去一天为例进行的描述，但是可替换地，以与当前天间隔一天或多天的过去某天为例进行的描述也同样适用上述方法。

第一系数可以通过历史业务量数据统计获得。稍后，将结合图4A-图4E对此进行进一步说明。可替换地，第一系数可以根据实际需要而被预先设置为定值。第一系数的绝对值越大可以表示相关性越高，第一系数的绝对值越小可以表示相关性越低。例如，第一系数的值为+1或-1时表示相关性高，第一系数的值为0时表示相关性低。对于一天不同时段，第一系数的值可能不同。此外，针对某一特定时段，根据不同方法获得的第一系数(例如，上述α，β，γ和δ)的值可能不同。因此，根据本公开的另一实施例，在实际预测未来时段的业务量时，可以根据实际情况来在根据不同方法获得的候选系数中选择其中的一个作为第一系数来进行预测。例如，网络侧设备可以从多个候选系数中选择与所述未来时段相关性最大的候选系数作为所述第一系数。

图3是以系数α、β和γ为例，示出了系数α、β和γ在一天中的取值变化的示意图。如图3所示，在凌晨5点至6点之间，系数α的绝对值明显小于系数β或γ的绝对值，而在其它时段系数β或γ的绝对值明显大于系数α的绝对值。在上述情况下，在步骤S120中可选择相关性取值最大的系数作为第一系数。例如，α，β，γ和δ可以是对于第一系数的候选系数。在步骤S120中可针对要预测其业务量的未来时段，从候选系数α，β，γ和δ中选择取值最大的系数作为第一系数。

例如，在图3所示的示例中，在凌晨5点至6点之间，通过将上述表格1中的方法2或3所对应的候选系数确定为上述第一系数来预测未来时段的业务量，而在其它时段可以通过将上述表格1中的方法1所对应的候选系数确定为上述第一系数来预测未来时段的业务量。

可见，本公开提供的方法可以根据不同的候选系数来预测未来时段的业务量，使得本公开提供的方法灵活且多变。

此外，通过本公开提供的上述方法，可以选择指示相关性最大的候选系数来更加准确地预测未来时段的业务量变化(如未来时段的业务量增大或减小)以及未来时段的业务量多少。

由上述对本公开提供的方法的详细说明可知，本公开提供的方法由于上述第一系数的使用，使得本公开提供的方法可以准确地预测未来时段的业务量变化，但是偶尔会存在变化幅度预测不那么准确的情况。针对该情况，本公开又提供了对上述方法的进一步改进。

根据本公开的又一实施例，在步骤S120中还可以包括：基于指示所述关联时段的业务量的大小与所述关联时段的参考时段的业务量的大小之间的关系的第二系数，来预测所述未来时段的业务量。

作为示例，所述关联时段的业务量的大小与所述关联时段的参考时段的业务量的大小之间的关系可以是所述关联时段的业务量的幅度与所述关联时段的参考时段的业务量的幅度之间的比值，也可以是它们之间的业务量的均值之比或业务量的最大值之比。

例如，在如下表2所示的示例中，当前天的未来时段(如13:00到14:00)的业务量的均值记为x。关联时段是前一天与未来时段对应的时段，其业务量的均值记为a，大小为10。关联时段的参考时段是前一天与邻近时段对应的时段，其业务量的均值记为d，大小为3。第二系数记为L。在上述情况下，第二系数L可以为10/3，即第二系数L等于3，此时，上述表格1中的方法1的公示可以变型为x＝a+L*α*(e-d)。假定α为1，则此时预测的未来时段的业务量x为30。而未对方法1进行变型之前预测的x＝a+α*(e-d)，即x为16。事后，在未来时段的实际业务量为30。

可替换地，关联时段还可以是前二天与未来时段对应的时段，其业务量的均值大小为20，并且该关联时段的参考时段可以是前二天与邻近时段对应的时段，其业务量的均值大小为6。在上述情况下，第二系数L可以为20/6，即第二系数L等于3。此时，上述表格1中的方法1的公示可以变型为x＝a+L*α*(e-d)。假定α为1，则此时预测的未来时段的业务量x为30。而未对方法1进行变型之前预测的x＝a+α*(e-d)，即x为16。事后，在未来时段的实际业务量为30。

表2：第二系数的计算

可见，由于第二系数的引入，使得本公开提供的方法不仅可以准确地预测未来时段的业务量变化，而且可以能够更加精准地预测未来时段的业务量的变化幅度，从而使得预测的业务量更加的精准。

在精准预测了未来时段的业务量之后，网络侧设备就仅需要提供能够处理上述预测的业务量的部分资源而将其它资源进行关闭，以节省网络侧设备处的电力消耗。例如，当网络侧设备仅需要3个天线就可以处理未来时段的业务量时，网络侧设备便可以将剩余的天线关闭，使剩余的天线不工作，从而节省网络侧设备处的电力消耗。再例如，当网络侧设备仅需要2个分量载波就可以处理未来时段的业务量时，网络侧设备便可以不发送剩余的分量载波，从而节省网络侧设备处的电力消耗。

以上已结合图1至图3描述了本公开提供的可由无线通信网络中的网络侧设备执行的方法。本公开提供的方法由于第一系数的使用，使得根据本公开提供的方法能够更加准确地预测未来时段业务量的变化。本公开提供的方法又由于上述第二系数的使用，使得本公开提供的方法又能够更加准确地预测未来时段业务量的幅度变化。从而使本公开提供的方法可以高精确度地预测出在未来时段网络侧设备需要处理的业务量，进而使网络侧设备只需要提供能够处理上述业务量的部分资源而将其它资源进行关闭，以节省网络侧设备处的电力消耗。

上述在介绍本公开提供的方法中描述了，可以通过历史业务量数据统计来获得第一系数，下面将以一个示例的形式来对此进行说明。

图4A至图4E示出了根据本公开实施例的基于过去4天的业务量来获得第一系数的示图。

参照图4A，选取图4A中用灰色虚线框圈出的过去4天的业务量。假定图4A中过去4天的与邻近时段11:00到12:00的业务量和未来时段12:00到13:00对应的历史时段的业务量如图4B所示。在上述情况下，以将候选系数α作为上述第一系数为例进行以下说明。需要说明的是，计算其他三个候选系数的方法类似，再次不做赘述。

首先，以“2日X 2时段”的2*2的滑动窗口，截取出如图4C所示的3个2*2的数据。

然后，将相同时段内的数据进行邻近日的差运算，即11-8＝3,9-6＝3,8-7＝1,6-5＝1,7-8＝-1,5-5＝0，得到如图4D所示的数据。

接着，将图4D所示的数据进行相同时段的数据平均操作，即(3+1+(-1))/3＝1，(3+1+0)/3＝4/3，得到如图4E所示的数据。

最后，将上述数据代入以下公式(1)即可得到系数α的数值。

其中，

将上述数据代入上述公式(1)后，得到如下结果:

将上述计算的α值代入上述表格1中的方法1的公式中即可得到预测的未来时段的业务量。作为示例，假定图4A中，d的值为5，a的值为4，e的值为6，则通过上述方法1计算得到如下所示的业务量:

x＝a+α*(e-d)

＝4+0.98*(6-5)

＝4.98 (3)

本公开除了提供上述预测未来时段的业务量的方法之外，还提供了另一种预测未来时段的业务量的方法，下面将结合附图5至图10B对此进行描述。

图5示出了根据本公开的实施例的用于在网络侧设备处的无线通信的方法的流程图。图5所示的方法可以由网络侧设备来执行。作为示例，网络侧设备可以是基站。可替换地，网络侧设备可以是基站外部与基站交互的操作管理和维护(OperationAdministration and Maintenance，OAM)模块或服务管理和编排(Service Managementand Orchestration，SMO)模块。在网络侧设备是上述OAM或SMO模块的情况下，所述OAM或SMO模块需要将执行本公开提供的方法而预测的未来时段的业务量信息传输给例如基站，以由基站进行相应的操作。

如图5所示，在步骤S510，网络侧设备可以获取关于过去时段业务量的信息、时间标志信息以及扇区方向指示信息，其中，所述时间标志信息可以指示所述过去时段业务量是第一时期还是第二时期的业务量，所述扇区方向指示信息可以指示所述网络侧设备对应的小区的扇区方向。

作为示例，上述关于过去时段业务量的信息可以是上述结合图1所述的关于历史时段业务量的信息和关于邻近时段业务量的信息。关于过去时段业务量的信息可以存储在网络侧设备的内部存储单元中，例如存储器，诸如随机存取存储器(RAM)、只读存储器(ROM)和电可擦除可编程ROM(EEPROM)。可替换地，关于过去时段业务量的信息可以存储在与网络侧设备交互的外部存储单元或云端中。

作为示例，上述第一时期可以是工作日，例如周一到周五中的每一天或所有天。上述第二时期可以是休息日，例如周六到周日中的每一天或所有天。

作为示例，所述扇区方向可以指下文结合图12A所述的均匀扇区时与每个角度对应的扇区方向，或结合图13A所述的非均匀扇区时与每个角度对应的扇区方向。通过与不同角度对应的扇区方向而传输的业务量可能相同，也可能不同。因此，基于扇区方向来进行未来时段业务量信息的预测有助于使预测出的未来时段业务量信息更加的准确。

在步骤S520，网络侧设备可以基于所述关于过去时段业务量的信息、所述时间标志信息和所述扇区方向指示信息，利用神经网络模型，来预测未来时段的业务量信息。

根据本公开的一个实施例，所述神经网络(Neural Network，NN)模型是预先训练完成的神经网络模型。所述神经网络模型可以是现有的任何合适的神经网络模型，诸如，层卷积神经网络(Convolutional Neural Network，CNN)模型、循环神经网络(RecurrentNeural Network，RNN)模型等。

所述神经网络模型可以基于以下数据来进行训练：关于过去时段业务量的信息、时间标志信息和扇区方向指示信息。

作为示例，关于过去时段业务量的信息可以是过去100天中的每一天中的每一时刻内发生的业务量。时间标志信息可以指示过去100天中的每一天内发生的业务量是工作日的业务量还是休息日的业务量。扇区方向指示信息可以指示产生上述业务量时所述网络侧设备对应的小区的扇区方向，例如下文结合图12A所述的与60度对应的扇区方向。

如图6A所示，图6A示出了根据本公开实施例的训练神经网络模型的其中一条训练数据。假定该条训练数据是要预测第4天(day4)中第5小时内的业务量

继续参照图6A，此时，时间标志信息可以是0011共4比特的信息。“0011”中的第一比特的“0”可以表示day1内发生的业务量均是休息日的业务量。“0011”中的第二比特的“0”可以表示day2内发生的业务量均是休息日的业务量。“0011”中的第三比特的“1”可以表示day3内发生的业务量均是工作日的业务量。“0011”中的第四比特的“1”可以表示day4内发生的业务量均是工作日的业务量。

扇区方向指示信息可以是010000共6比特的信息。该6比特的信息从左到右可以分别指示与下文结合图12A所述的30度、90度、150度、210度、270度和330度对应的方向。当对应方向传输了业务量时，则可以将上述6比特信息中的对应比特设置为1。当对应方向未传输业务量时，则可以将上述6比特信息中的对应比特设置为0。此时，上述“010000”可以表示仅在与90度对应的扇区方向上传输了业务量。

继续参照图6A，将上述一条训练数据输入到神经网络后，神经网络会得到一个预测的业务量

可替换地，将上述一条训练数据输入到神经网络后，神经网络会得到一个预测的业务量

此外，如图6B所示，为了使训练的神经网络的预测效果更好，实际训练中，首先，选取许多天内(如下表3所示)的与上述一条训练数据类似的大量的数据输入到神经网络中进行训练。

表3：使用的数据

在表3中，训练数据用于对神经网络进行训练。神经网络会被训练很多轮，验证数据用于验证每轮训练出的神经网络，并且在训练过程中只保留在验证数据上正确率最高的神经网络。例如，假设目前神经网络被训练了50轮，在验证数据上正确率最高的为第25轮训练出的神经网络。那么再进行第51轮训练后，若第51轮训练出的神经网络在验证数据上的正确率低于第25轮训练出的神经网络的正确率，则不保留该第51轮训练出的神经网络而是继续进行下一轮的训练。若第51轮训练出的神经网络在验证数据上的正确率高于第25轮训练出的神经网络的正确率，则保留该第51轮训练出的神经网络，即删除第25轮训练出的神经网络而只保留第51轮训练出神经网络，然后再继续进行下一轮训练，直到训练出达到预定要求的神经网络。测试数据用于对最终训练出的神经网络进行测试。

基于每条训练数据预测出的业务量

最后，上述训练完成后，神经网络的各个权重被固定。也就是说，经过上述处理后，神经网络就被训练完成并且可以被使用以预测未来时段的业务量信息。

作为示例，预测的未来时段的业务量信息可以是未来时段的业务量、未来时段的时间标志和未来时段的扇区方向中的一个或多个。

以上详细描述了本公开提供的用于在网络侧设备处的无线通信的方法。由上述描述可知，本公开提供的方法由于使用了经过大量数据训练出的神经网络，使得本公开提供的方法可以准确预测未来时段的业务量信息。相比上述结合图1描述的方法，结合图5描述的方法更加的方便和快捷。

此外，根据上述结合图5描述的方法预测出的未来时段的业务量信息需要进一步判断才能确定在该未来时段处用于网络侧设备的节电等级，进而才能使网络侧设备进行相应的节电操作。例如，通过将结合图5描述的方法预测出的未来时段的业务量与下文结合图11描述的方法相结合才能确定在该未来时段处用于网络侧设备的节电等级。在某些情况下，上述确定出节电等级的方法是不适宜的，例如在节电等级的边界值附近的点可能不太准确。基于此，本公开提供了对结合图5描述的方法的进一步改进。

根据本公开的实施例，结合图5描述的方法还获取与所述过去时段业务量对应的用于所述网络侧设备的节电等级信息，以及基于所述关于过去时段业务量的信息、所述时间标志信息、所述扇区方向指示信息和所述节电等级信息，利用所述神经网络模型，来预测未来时段的业务量信息。

作为示例，节电等级信息可以是预先确定的节电(Energy Saving，ES)等级信息。例如，如下表4所示，其中n和N为正整数。

表4：节电等级信息

在根据本公开的一个实施例中，可以将上述节电等级信息也作为输入数据来训练神经网络。使得训练出的神经网络在实际使用时，其预测出的未来时段的业务量信息包括与未来时段对应的节电等级信息，从而使网络侧设备进行相应的节电操作。

作为示例，可以将在训练神经网络时所使用的数据中加入与每个业务量对应的节电等级信息。如图7A所示，假设业务量T

作为另一示例，在某些情况下，可能只想知道与未来时段对应的节电等级相比现在的节电等级是降低了还是增加了。在上述只想知晓节电等级的变化的场景下，如图7B所示，可以将节电等级的变化信息作为训练神经网络时所使用的数据来训练神经网络。具体地，假设业务量T

作为又一示例，在一些情况下，可能只想知道未来时段的业务量所对应的节电等级的边界值。在上述只想知晓节电等级的边界值的场景下，如图7C所示，可以将与每个业务量对应的节电等级的边界值作为训练神经网络时所使用的数据来训练神经网络。具体地，假设业务量T

在上述三个示例中，在训练神经网络模型时，神经网络模型便可以基于利用节电等级信息计算出的神经网络模型的模型预测损失(如上述的损失函数)来调整神经网络模型的参数而被预先训练出，从而使得训练的出的神经网络在实际使用时而预测出的未来时段的业务量信息包括与未来时段对应的节电等级信息，从而使网络侧设备进行相应的节电操作。

在上述三个示例中，均是通过增加训练神经网络时所使用的数据，基于利用节电等级信息计算出的神经网络模型的模型预测损失来调整神经网络模型的参数而被预先训练出。

可替换地，也可以不增加训练神经网络时所使用的数据，而是通过改造模型预测损失来使训练的出的神经网络在实际使用时预测出的未来时段的业务量信息包括与未来时段对应的节电等级信息，从而使网络侧设备进行相应的节电操作。

在根据本公开的另一个实施例中，所述模型预测损失是通过以下方式计算的：基于与所述节电等级信息对应的业务量范围信息以及所述神经网络模型预测的业务量信息来计算所述神经网络模型的模型预测损失。

作为示例，如图8A和图8B所示，以模型预测损失为MSE损失函数(MSELOSS)为例进行说明。图8A示出了根据本公开实施例的未改造前的损失函数的示意图。图8B示出了根据本公开实施例的改造后的损失函数的示意图。

参照图8A，改造前，在训练神经网络时，神经网络的MSELOSS将预测的业务量T′

参照图8B，改造后，在训练神经网络时，首先，确定与每个预测的业务量对应的真实业务量的对应节电等级，例如与真实的业务量T

然后，确定与该节电等级对应的业务量范围，例如，确定的ES2对应业务量范围为100～200(如上表4所示)。

接着，选取该范围内具有代表性的值作为与该节电等级对应的业务量值。例如，选取该范围内的中值mid

最后，神经网络的MSELOSS将预测的业务量T′

通过上述改造后，训练完成的神经网络模型在实际使用时便可以使预测出的未来时段的业务量信息中包括与未来时段对应的节电等级信息，从而使网络侧设备进行相应的节电操作。

由上述描述可知，在训练神经网络时使用大量的数据进行训练，上述训练神经网络的方式能够很好地挖掘出基于数据的规律，但是没能结合人的经验知识，从而使得训练出的神经网络有待进一步提高，以获得更佳的结果。针对上述情况，本公开提供了对结合图5描述的方法的进一步改进。

具体地，在训练神经网络时，可以基于上述结合图1描述的方法所使用的关于历史时段业务量的信息和关于邻近时段业务量的信息、以及第一系数(例如，上述α，β，γ和δ)中的至少一个、和上述结合图5描述的方式所使用的少量的过去时段业务量的信息、预测的时间标志信息和预测的扇区方向信息来一起训练神经网络，例如采用神经网络联合训练的方式。

假设在训练神经网络时，上述少量的过去时段业务量的信息、预测的时间标志信息和预测的扇区方向信息输入第一神经网络进行训练。使用该第一神经网络训练时的权重假设为α

上述结合图1描述的方法所使用的关于历史时段业务量的信息和关于邻近时段业务量的信息、以及第一系数(例如，上述α，β，γ和δ)中的至少一个被事先赋予一定的权重，例如β

将上述两个权重α

最后，通过调整包括上述第一神经网络和第二神经网络在内的整个神经网络的融合权重使得损失函数最小来完成神经网络的训练。

根据本公开实施例，可以根据不同的需要来得到融合权重。

图9A至图9C示出了根据本公开实施例的得到融合权重的示意图。

作为示例，如图9A所示，权重α

作为另一示例，如图9B所示，权重α

作为又一示例，如图9C所示，权重α

根据本公开的实施例，所述关于过去时段业务量的信息可以包括过去时段业务量数据的多个集合，结合图5描述的方法还可以通过将多个集合中的每个过去时段业务量数据除以所述多个集合中的最大值对每个过去时段业务量数据进行归一化，并基于归一化后的业务量数据，利用所述神经网络模型，来预测未来时段的业务量信息；或者通过将每个集合中的每个业务量数据除以所述每个集合中的最大值对每个业务量数据进行归一化，并基于归一化后的业务量数据，利用所述神经网络模型，来预测未来时段的业务量信息。

在上述结合图5描述的方法以及其改进的方法中，在训练神经网络时，神经网络会分批(batch)对上述数据进行归一化处理，并且每批数据是随机地由几条数据组成。例如，其中一批的数据可以是由n(n为整数)条如图6A所示的过去时段业务量。也就是说，每批训练的关于过去时段业务量的信息可以包括过去时段业务量数据的多个集合。

图10A至图10B示出了根据本公开实施例的训练神经网络时数据归一化处理的示意图。

参照图10A，假设输入神经网络进行训练的该批数据包括n个集合(即1至n，n为整数)。针对第i个集合，该集合的数据可以包括过去72个时段内的业务量，即x

由于每个业务量数据的值比较大(例如，达到上万的数值)，因此该批业务量数据的总和是很大的。将该批数据内每个时段内的业务量数据均除以该批数据内所有业务量数据的总和之后的数据会很小。那么，即使后续的训练过程所产生的误差很小，但是由于还会将sum乘回来，从而造成很小的误差所带来的预测业务量误差很大。

对此，本公开的一种改进方法是将该批数据内每个时段内的业务量数据均除以该批数据内所有业务量数据中的最大值(max)，以达到归一化处理的目的，如图10A所示。由于该批数据内每个时段内的业务量数据的值与最大值相差小，从而使得训练出的神经网络又好又快。

另外，由于每批关于过去时段业务量的信息可以包括过去时段业务量数据的多个集合。例如第一批数据由第1、3和5共三个集合数据组成。第二批数据由第1、2和4共三个集合数据组成。在根据上述一种改进方法进行归一化处理时，第一批数据中的第1个集合数据需要除以该批数据的最大值max1，第二批数据中的第1个集合数据需要除以该批数据的最大值max2。由于max1和max2往往是不同的，那么神经网络在训练时可能会由于同样的第1个集合数据在归一化处理时除以不同的值而造成训练的神经网络的预测准确度降低。

针对上述情况，本公开的另一种改进方法是将该批数据内每个集合数据内的每个时段内的业务量数据均除以该集合数据内所有业务量数据的最大值(max)，以达到归一化处理的目的，如图10B所示，从而使得训练出的神经网络又好又快又准确。

需要说明的是，上述描述的对结合图5描述的方法的不同改进可以同时进行，也可以有选择地进行，以使得改进后的方法至少包括上述各个改进方面的至少一个方面。

以上已结合图5至图10B描述了本公开提供的可由无线通信网络中的网络侧设备执行的方法。本公开提供的方法由于神经网络的使用，使得根据本公开提供的方法能够又快又准确地预测未来时段业务量信息。本公开提供的方法又由于在训练神经网络时引入了节电等级信息，使得本公开提供的方法可以准确地预测出与未来时段的业务量对应的节电等级信息，从而使得网络侧设备可以更加便捷地执行相应的节电操作。本公开提供的方法还由于融合权重的使用，使得本公开提供的方法可以进一步提高预测出的未来时段的业务量信息的准确度。本公开提供的方法还由于对归一化方式的改进，使得本公开提供的方法可以又好又快又准确地预测出未来时段的业务量信息。进而，使网络侧设备只需要提供能够处理上述业务量的部分资源而将其它资源进行关闭，以节省网络侧设备处的电力消耗。

结合上述附图描述的网络侧设备及对应的方法可以精准地预测在未来时段的业务量，从而使网络侧设备只需要提供能够处理上述业务量的部分资源而将其它资源进行关闭，以达到在全时段节省网络侧设备处的电力消耗。

此外，本公开提供的上述方法虽然可以精准地预测未来时段的业务量，但是有时只能使网络侧设备进行相对简单粗糙的节电控制操作。针对此种情况，根据本公开的另一方面，提供了一种可以确定在未来时段用于网络侧设备的节电等级的方法，从而使网络侧设备能够准确地选择节电等级，进而带来节电效果或数据吞吐量的进一步改善。下面将结合图11到图14对此进行详细描述。

图11示出了根据本公开实施例的用于在网络侧设备处的无线通信的另一方法的流程图。图11所示的方法可以由网络侧设备来执行。作为示例，网络侧设备可以是基站。可替换地，网络侧设备可以是基站外部与基站交互的上述OAM模块或SMO模块。在网络侧设备是上述OAM或SMO模块的情况下，所述OAM或SMO模块需要将执行本公开提供的方法而获得的关于节电等级的信息、预测的未来时段的业务量信息以及与节电等级对应的资源信息传输给例如基站，以由基站进行相应的节电操作。

参照图11，在步骤S1110，网络侧设备可以基于未来时段的业务量和预先确定的节电等级表，确定在所述未来时段用于所述网络侧设备的节电等级，其中，所述节电等级表可以包括与所述网络侧设备的无线传输能力和所述网络侧设备在无线传输时所使用的资源对应的多个节电等级。

作为示例，未来时段的业务量可以是基于上述结合图1至图4E描述的方法或上述结合图5描述的方法来获取。网络侧设备可以实时获取或在预先设定的时刻获取上述未来时段的业务量。

在根据本公开的示例中，网络侧设备在无线传输时所使用的资源可以是时域资源、频域资源、空域资源和功率域资源中至少一个或其组合。时域资源可以包括子帧(subframe)、时隙(slot)、微时隙(mini-slot)、码元(symbol)等资源。频域资源可以包括分量载波(Component Carrier，CC)、部分带宽(Bandwidth，BWP)、子带(subband)、参考信号组(reference signal group)、子载波组(subcarrier group)等资源。空域资源可以包括天线元件(Antenna element)、收发单元(TxRU)、虚拟天线端口(virtual antenna port)等资源。功率域资源可以包括对发送的数据(Data)、控制(control)、参考信号(referencesignal，RS)、同步信号块(Synchronization Signal Block，SSB)等中的一个或多个信道的最大发送功率、功率谱密度(power spectral/spectrum density，PSD)等中的至少一个进行调节所需要的资源。

作为示例，预先确定的节电等级表可以是根据网络侧设备的无线传输能力以及网络侧设备在无线传输时所使用的资源而预先确定的。例如，可以预先确定如下表5所示的节电(Energy Saving，ES)等级表。

表5：节电等级表

其中，将ES等级划分为5个等级，即ES1至ES4。可替换地，也可以根据实际需要将ES等级划分为任意多个等级。

在表5中，ES1至ES4的节电等级从高到低排序依次可以为：ES1，ES2，ES3，ES4。节电等级ES1可以指示在网络侧设备处的能耗最低。节电等级ES4可以指示在网络侧设备处的能耗最高。节电等级ES2和ES3指示在网络侧设备处的能耗介于ES1和ES4之间。可替换地，也可以设计其它的指示在网络侧设备处的能耗高低的方式。

表5中的资源可以指示网络侧设备在无线传输时所使用的资源。例如，时域资源、频域资源、空域资源和功率域资源中至少一个或其组合。

表5中的无线传输能力可以指示在使用对应资源时网络侧设备的无线传输能力。作为示例，网络侧设备的传输能力可以是过去一段时间内网络侧设备传输数据量的最大值、平均值、加权平均值等。例如，网络侧设备的传输能力可以是在过去一段时期内分量载波在单位时间内传输数据量的最大值或加权平均值。再例如，网络侧设备的传输能力可以是在过去一段时间内在预定分量载波下所有UE传输速度的均值与该预定分量载波的带宽的乘积。又例如，网络侧设备的传输能力可以是在预定调制与编码方案(Modulation andCoding scheme，MCS)或轶(Rank)数的情况下的分量载波的最大速率。还例如，网络侧设备的传输能力可以是实际传输数据量与资源使用率的比值。

在所述资源包括所述网络侧设备能够使用的多个分量载波的情况下，根据本公开的一个实施例，每个分量载波可以具有与所述分量载波对应的优先级，其中，在所述节电等级表中，能耗越高的节电等级所开启的低优先级的分量载波越多。

图12A至图12B示出了根据本公开的一个实施例的网络侧设备所使用的资源的示意图。此外，所述资源可以包括网络侧设备能够使用的4个分量载波。如图12A所示，该4个分量载波分别为记为CC1、CC2、CC3和CC4。CC1的中心频率为800M，波束宽度(Beamwidth)为55M并且波束覆盖半径为902米(m)。CC2的中心频率为1.5G，波束宽度(Beamwidth)为50M并且波束覆盖半径为654m。CC3的中心频率为1.7G，波束宽度(Beamwidth)为45M并且波束覆盖半径为613m。CC4的中心频率为2.0G，波束宽度(Beamwidth)为45M并且波束覆盖半径为564m。中心频率越低的分量载波具有越低的优先级。即该4个分量载波的优先级从高到低依次为CC4、CC3、CC2和CC1。此外，还可以根据分量载波的覆盖范围、允许传输的业务量、传输业务量所消耗的电力等因素来确定分量载波的优先级。

此时，上述表5中的资源列的内容具体为上述分量载波CC1至CC4后，得到如下表6所示的内容。

表6：节电等级表

在上述节电等级表6中，能耗最高的节电等级ES4开启了所有四个分量载波。能耗最低的节电等级ES1只开启其中一个分量载波CC1。能耗介于ES4和ES1之间的ES2和ES3开启的分量载波数量介于ES4和ES1之间。可见，能耗越高的节电等级比能耗越低的节电等级所开启的低优先级的分量载波越多。

此外，无线通信网络中可以包括一个或多个扇区，并且所述一个或多个扇区也是可被网络侧设备利用的资源。所述多个扇区可以是均匀的，此时每个扇区的覆盖区域大小相同。可替换地，所述多个扇区也可以是不均匀的，此时每个扇区的覆盖区域大小不同。针对均匀扇区的情况，下面将继续结合图12A和图12B来说明上述表5和6中基站的无线传输能力的确定。针对不均匀扇区的情况，下文将结合图13A至图13C来说明上述表5和6中基站的无线传输能力的确定。

继续参照图12A，在图12A所示的示意图中，网络侧设备在每个分量载波处均具有均匀的扇区。即，如图12A所示，网络侧设备在每个分量载波处均具有6个均匀的扇区，其分别与30度(deg)、90度、150度、210度、270度和330度方向的波束对应。在此情况下，可以选择其中与任何一个角度对应的扇区内的传输数据量来表征所有其它角度的传输数据量，以确定上述表3或4中的基站的无线传输能力。

下面将以与30度对应的传输数据量为例进行描述。

假设，将在过去一天内分量载波在1个小时内传输数据量的最大值作为网络侧设备的无线传输能力。

首先，需要统计在预定时间(例如，过去一天)内每个分量载波在1个小时内的传输数据量的最大值。统计的结果如下表7示出。表7中示出了统计出的每个分量载波在30度时的传输数据量。此外，表7中还示出了统计出的每个分量载波在90度时的传输数据量。需要说明的是，也可以根据实际需要统计出所有分量载波的传输数据量。还需要说明的是，上述传输数据量也可以是根据实际情况确定的经验值。

表7：传输数据量

然后，根据分量载波的优先级来将进行以下的分配操作。具体地，将CC1分配为与指示能耗最低的节电等级ES1对应，并且将此时与CC1对应的数据传输量(即，5842)确定为网络侧设备的无线传输能力。将CC1和CC2均分配为与节电等级ES2对应，并且将与CC1对应的数据传输量(即，5842)和与CC2对应的数据传输量(即，6786)的加和(即，5842+6786＝12628)确定为网络侧设备的无线传输能力。将CC1至CC3均分配为与节电等级ES3对应，并且将与CC1对应的数据传输量(即，5842)、与CC2对应的数据传输量(即，6786)和与CC3对应的数据传输量(即，10739)的加和(即，5842+6786+10739＝23367)确定为网络侧设备的无线传输能力。将CC1至CC4均分配为与节电等级ES4对应，并且将与CC1对应的数据传输量(即，5842)、与CC2对应的数据传输量(即，6786)、与CC3对应的数据传输量(即，10739)和与CC4对应的数据传输量(即，9148)的加和(即，5842+6786+10739+9148＝32515)确定为网络侧设备的无线传输能力。上述确定的网络侧设备的无线传输能力记为上述表5和6对应的数据。

至此，通过上述操作即可预先确定出针对均匀扇区的节电等级表。此时的，节电等级的柱状示意图可以如12B所示。如图12A和图12B所示，在节电等级ES1只开启CC1。在节电等级ES2开启CC1至CC2。在节电等级ES3开启CC1至CC3。在节电等级ES4开启所有的分量载波，即CC1至CC4。可见，在节电等级ES4处网络侧设备的能耗最高。在节电等级ES1处网络侧设备的能耗最低。

以上是以均匀扇区为例描述了网络侧设备的无线传输能力的确定方法。但是，在某些情况下，基站的扇区分布可能是不均匀的。在此情况下，本发明还提供了另一种用于对具有不均匀扇区的网络侧设备来确定网络侧设备的无线传输能力的方法。下面将结合图13A至图13C来对此进行说明。

如图13A所示，该网络侧设备使用了5个分量载波，分别记为CC1、CC2、CC3、CC4和CC5。CC1的中心频率为700M，波束覆盖半径为966米(m)并且在与0度对应的一个扇区上进行传输。CC2的中心频率为800M，波束覆盖半径为902m并且在分别与0度、150度和270度的扇区上进行传输。CC3的中心频率为1.5G，波束覆盖半径为654m并且在分别与0度、30度、60度、150度和270度对应的扇区上进行传输。CC4的中心频率为1.7G，波束覆盖半径为613m并且在分别与0度、60度、150度和270度对应的扇区上进行传输。CC5的中心频率为2.0G，波束覆盖半径为564m并且在分别与0度、30、60度、150度和270度对应的扇区上进行传输。此外，如图7A所示，与CC1、CC3和CC4对应的扇区的中心点相比，与CC5和CC2对应的扇区的中心点往右偏移了39m。另外，如图7A所示，与CC5对应5个扇区、与CC4对应4个扇区、与CC3对应5个扇区、与CC2对应3个扇区、以及与CC1对应1个扇区。

针对图13A所示网络侧设备具有不均匀扇区的情况，可以通过合并与不均匀相邻扇区对应的传输数据量，来使不同分量载波在合并后的扇区方向的覆盖范围接近，以提升网络侧设备的节电性能。

作为示例，首先，需要统计在预定时间(例如，过去5小时)内每个分量载波在1个小时内的传输数据量的最大值。统计的结果如下表8所示，其中，●表示该频率CC在与该角度对应的方向上有扇区覆盖，从而可以统计出的有数据。而○表示该频率CC在与该角度对应的方向上没有扇区覆盖，但是可能被与其邻近角度对应的方向上的扇区覆盖。需要说明的是，上述传输数据量也可以是根据实际情况确定的经验值。

表8：每个CC的传输数据量

然后，将0度、30度和60的数据进行合并，得到如下表9所示的内容。

表9：每个CC的传输数据量

合并的波束方向的效果可以如图13B所示。

最后，基于上述合并后的数据来确定网络侧设备的无线传输能力。接下来，确定网络侧设备的无线传输能力的过程与上述结合图12A至图12B所描述的过程类似，再次不再赘述。此时的节电等级的柱状示意图可以如13C所示。

在根据本公开的又一实施例中，步骤S1110还可：对所述未来时段的业务量按照预测误差、目标节电量或目标数据吞吐量中的一个或多个进行调整，并基于调整后的未来时段的业务量和预先确定的节电等级表来确定在所述未来时段用于所述网络侧设备的节电等级。

在本公开的一个实施例中，未来时段的业务量可能与真实的业务量之间存在一定的误差。虽然该误差很小，但是为了更加准确地确定在未来时段用于所述网络侧设备的节电等级，可以对未来时段的业务量进行调整。例如，根据经验值或者统计值确定出未来时段的业务量与真实的业务量之间的相对误差为x％，则此时可以通过以下公式来对未来时段的业务量进行调整。

b＝a/(1-x％) (4)

其中，a为调整前的未来时段的业务量，b为调整后的未来时段的业务量。

在本公开的另一个实施例中，由于确定的在未来时段用于网络侧设备的节电等级越高，网络侧设备所使用的资源越少，从而使得数据吞吐量也越少，因此在对未来时段的业务量进行调整时可以根据目标节电量和目标数据吞吐量中的至少一个来确定缩放系数。例如，统计数据表明当缩放系数x＝1.1时，可使网络侧设备处的数据吞吐量下降控制在2％以内，从而在调整节电等级时对UE的业务影响在可控范围内。在此情况下，可以通过如下公式来对未来时段的业务量进行调整。

b＝a*x (5)

其中，a为调整前的未来时段的业务量，b为调整后的未来时段的业务量。

在本公开的又一实施例中，上述缩放系数还可以根据目标场景来获得。例如，目标场景可以包括城区微站(Umi，Urban Microcell)、城区宏站(Uma，Urban Macrocell)、农村(Rma，Rural Macrocell)、室内热点(InH,Indoor Hotspot)等场景。可以事先根据上述不同场景和经验来设计缩放系数的模式或缩放系数表，然后在实际商用基于需要达到的目标数据吞吐量和目标场景要求来选择具体的缩放系数。通过上述预测误差、目标节电量、目标数据吞吐量或目标场景中的一个或多个的考量，可以基于未来时段的业务量来尽可能选择发送全部业务量时网络侧设备所需要的最小节电等级。

如图14所示，随着缩放系数的增大，导致未来时段的业务量不断被放大，从而选择更低的节电等级。即随着缩放系数的增大，网络侧设备处会使用更多的资源来传输数据，从而使网络侧设备处的数据吞吐量下降率不断降低，而随时带来的就是网络侧设备处的视频单元(AAU)处的电力消耗不断增加。例如，当缩放系数为1.1时，网络侧设备处的数据吞吐量下降1.7％，网络侧设备处的视频单元(AAU)处的电力消耗增加到53.9％。

返回参照图11，在步骤S1120，网络侧设备可以根据所确定的节电等级进行节电操作。

作为示例，网络侧设备所进行的节电操作可以包括通过等待关闭法来关闭不需要继续使用的资源。例如，当确定在未来时段用于所述网络侧设备的节电等级为上表6中的ES3时，在未来时段网络侧设备会将之前开启的CC4进行关闭。在具体关闭CC4时，可以不将新的UE接入待关闭的CC4，并在通过CC4传输的数据全部传输完毕之后，将CC4关闭，例如在通过CC4传输的数据量较少时(此种情况存在一定的等待延迟)。

作为另一示例，网络侧设备所进行的节电操作可以包括通过卸载(offload)法来关闭不需要继续使用的资源。例如，当确定在未来时段用于所述网络侧设备的节电等级为上表6中的ES3时，在未来时段网络侧设备会将之前开启的CC4进行关闭。在具体关闭CC4时，可以不将新的UE接入待关闭的CC4，并将通过CC4传输的数据卸载(offload)到通过CC1至CC3中的任何一个或多个进行传输，最后将CC4关闭。上述情况适用于通过该CC传输的业务量较多的情况，并且通过此卸载法会带来一定的信令开销和信令交互延迟。

作为又一示例，网络侧设备所述进行的节电操作可以包括根据通过待关闭的CC传输的业务量以及UE的数量来灵活地运用上述等待关闭法和卸载(offload)法中的一个或两个。

作为再一示例，网络侧设备所进行的节电操作可以包括通过结合小区特性、连接的UE的业务量和类型、以及分量载波任务的优先级中的一个或多个来选择需要关闭的分量载波。

针对小区特性，可以优先关闭覆盖范围小的CC(例如频率高、波束宽度窄的CC，诸如上述结合图12A描述的CC4或结合图13A描述的CC5)、可以优先关闭通过其传输的数据量小的CC、可以优先关闭发送功率高的CC、或者可以优先关闭单位功率传输能力低的CC。可替换地，可以根据实际应用，优先关闭覆盖范围大、通过其传输的数据量大、发送功率低、或者单位功率传输能力高的CC。

针对连接的UE的业务量和类型，可以优先关闭通过其传输的通信量少的CC、可以优先关闭将该CC设为主小区(Primary Cell，Pscell)或辅小区(Secondary Cell，Scell)的UE数最小的CC(此种情况下，带来的信令开销小)、可以优先关闭将该CC设为Pscell的UE数量最小的抄送(此种情况下，带来的信令开销小)、或者可以优先关闭低结束UE数最小的CC。可替换地，可以根据实际应用，优先关闭通过其传输的通信量大、UE数量最大、或者低结束UE数最大的CC。

针对分量载波任务的优先级，可以优先关闭优先级低的CC，例如上述结合图12A或图13A描述的CC1。可替换地，可以优先关闭优先级高的CC。

以上已经结合图11至图14详细描述了本公开提供的另一方法。由于本公开提供的上述方法可以基于未来时段的业务量和预先确定的节电等级表来准确地确定在未来时段用于网络侧设备的节电等级，从而使网络侧设备可以准确地选择节电等级，并在根据所确定的节电等级进行操作时可以精确地仅保留传输所需业务量的最小资源，以达到最佳的节电效果。

以上结合图1-图14对本公开提供用于在网络侧设备处的无线通信的方法进行了描述，下面将结合图15-图17对本公开提供的无线通信网络中的网络侧设备进行描述。由于图15所示的网络侧设备1500与上文结合图1-图4E描述的用于在网络侧设备处的无线通信的方法对应、图16所示的网络侧设备1600上文结合图5-图10B描述的用于在网络侧设备处的无线通信的方法对应、以及图17所示的网络侧设备1700与上文结合图11-图14描述的用于在网络侧设备处的无线通信的方法对应，因此在这里为了简单起见，省略了对相同内容的详细描述。

图15示出了根据本公开实施例的在无线通信网络中的网络侧设备1500的框图。图16示出了根据本公开实施例的在无线通信网络中的网络侧设备1600的框图。图17示出了根据本公开实施例的在无线通信网络中的网络侧设备1700的框图。

参照图15，网络侧设备1500可以包括存储单元1510和处理单元1520。虽然在该示例中，示出了网络侧设备1500包括存储单元1510和处理单元1520。然而应理解，网络侧设备1500还可包括其他部件，然而，由于这些部件与本公开实施例的内容无关，因此在这里省略其图示和描述。

作为示例，网络侧设备1500可以是基站。可替换地，网络侧设备1500可以是OAM模块或SMO模块。在网络侧设备是上述OAM或SMO模块的情况下，所述OAM或SMO模块需要将执行本公开提供的方法而预测的未来时段的业务量信息传输给例如基站，以由基站进行相应的操作。

如图15所示，存储单元1510可以被配置为存储关于历史时段业务量的信息和关于邻近时段业务量的信息，其中所述邻近时段相比所述历史时段更接近未来时段。

作为示例，上述关于历史时段业务量的信息和关于邻近时段业务量的信息可以存储在网络侧设备的内部存储单元中，例如存储器，诸如随机存取存储器(RAM)、只读存储器(ROM)和电可擦除可编程ROM(EEPROM)。可替换地，上述关于历史时段业务量的信息和关于邻近时段业务量的信息可以存储在与网络侧设备交互的外部存储单元或云端中。

作为示例，时段可以是以小时为单元或以分钟为单位的时间。例如，时段可以是一个小时或两个小时。可替换地，时段可以是15分钟或30分钟。

在根据本公开的示例中，未来时段可以是要预测的将来的某个时段。例如，未来时段可以是紧挨当前时刻的下一个时段，如当前时刻为12:00，则未来时段可以是13:00到14:00。再例如，未来时段可以是与当前时刻间隔预定时段的时段，如当前时刻为12:00，则未来时段可以为间隔2个小时以后的时段15:00到16:00。

历史时段可以是在未来时段所在的当前天之前的天中的时段。例如，历史时段可以是在未来时段所在的天之前一天或几天中的时段。相应地，历史时段业务量可以是在未来时段所在的天之前的天中的时段内发生的业务量。例如，假设时段为1小时，历史时段业务量可以是在未来时段所在的天之前的天中，每个小时内发生的业务量。

邻近时段可以是当前天内在未来时段之前的时段。例如，邻近时段可以是当前天内在未来时段之前的一个时段或多个时段。再例如，例如，假设未来时段为当前天的16点到17点，则邻近时段可以是当前天的在15点到16点、可以是当前天的10点到11点等等。相应地，邻近时段业务量可以是当前天内在未来时段之前的时段内发生的业务量。例如，假设时段为1小时，邻近时段业务量可以是当前天内在未来时段之前的一个小时内发生的业务量。

处理单元1520可以被配置为基于所述关于历史时段业务量的信息和所述关于邻近时段业务量的信息或者基于所存储的关于多个邻近时段业务量的信息，来预测未来时段的业务量。

作为示例，关于历史时段业务量的信息和关于邻近时段业务量的信息可以由网络侧设备实时地获取。可替换地，关于历史时段业务量的信息和关于邻近时段业务量的信息可以由网络侧设备在根据实际需要而预先设置的时刻处获取。

根据本公开的一个实施例，处理单元1520可被配置为基于关于历史时段中与所述未来时段对应的时段的业务量的信息、关于历史时段中与特定邻近时段对应的时段的业务量的信息、以及关于所述特定邻近时段业务量的信息来预测所述未来时段的业务量。

根据本公开的另一实施例，所述历史时段和所述邻近时段中包括所述未来时段的关联时段、以及分别与所述未来时段和关联时段对应的参考时段，或者所述邻近时段中包括所述未来时段的关联时段、以及分别与所述未来时段和关联时段对应的参考时段。在此情况下，处理单元1520还可被配置为根据指示所述未来时段的业务量和关联时段的业务量与参考时段的业务量之间相关性的第一系数来预测所述未来时段的业务量。

例如参照上述图2A，历史时段可以是过去一天中10:00到11:00、11:00到12:00或12:00到13:00时段。邻近时段可以是当天中10:00到11:00或11:00到12:00时段。

作为一个示例，在未来时段可以是当前天中12:00到13:00这一时段的情况下，历史时段和邻近时段中包括的未来时段的关联时段可以是过去一天中12:00到13:00这一时段。历史时段和邻近时段中包括的分别与未来时段和关联时段对应的参考时段可以分别是当前天中11:00到12:00这一时段和过去一天中11:00到12:00这一时段。第一系数α可指示当前天中12:00到13:00这一时段的业务量和过去一天中12:00到13:00这一时段的业务量与当前天中11:00到12:00这一时段的业务量和过去一天中11:00到12:00这一时段的业务量之间的相关性。

作为另一示例，在未来时段可以是当前天中12:00到13:00这一时段的情况下，历史时段和邻近时段中包括的未来时段的关联时段可以是当前天中11:00到12:00这一时段。历史时段和邻近时段中包括的分别与未来时段和关联时段对应的参考时段可以分别是过去一天中12:00到13:00这一时段和过去一天中11:00到12:00这一时段。第一系数可指示当前天中12:00到13:00这一时段的业务量和当前天中11:00到12:00这一时段的业务量与过去一天中12:00到13:00这一时段的业务量和过去一天中11:00到12:00这一时段的业务量之间的相关性。例如，在此情况下，第一系数β可以指示当前天中12:00到13:00这一时段的业务量和当前天中11:00到12:00这一时段的业务量之差与过去一天中12:00到13:00这一时段的业务量和过去一天中11:00到12:00这一时段的业务量之差的相关性。可替换地，第一系数γ可以指示当前天中12:00到13:00这一时段的业务量和当前天中11:00到12:00这一时段的业务量之比与过去一天中12:00到13:00这一时段的业务量和过去一天中11:00到12:00这一时段的业务量之比的相关性。

作为又一示例，在未来时段可以是当前天中12:00到13:00这一时段的情况下，邻近时段中包括的未来时段的关联时段可以是当前天中11:00到12:00这一时段。邻近时段中包括的分别与所述未来时段和关联时段对应的参考时段可以是当前天中11:00到12:00这一时段和当前天中10:00到11:00这一时段。第一系数δ可指示当前天中12:00到13:00这一时段的业务量和当前天中11:00到12:00这一时段的业务量与当前天中11:00到12:00这一时段的业务量和当前天中10:00到11:00这一时段的业务量之间的相关性。

α，β，γ和δ可对应的表达式可以如上表1所示。

需要注意，虽然在以上结合图2A和表1描述的第一系数的示例中是以当前天的过去一天为例进行的描述，但是可替换地，以与当前天间隔一天或多天的过去某天为例进行的描述也同样适用上述方法。

第一系数可以通过历史业务量数据统计获得。例如上述结合图4A-图4E对此说明的。可替换地，第一系数可以根据实际需要而被预先设置为定值。第一系数的绝对值越大可以表示相关性越高，第一系数的绝对值越小可以表示相关性越低。例如，第一系数的值为+1或-1时表示相关性高，第一系数的值为0时表示相关性低。对于一天不同时段，第一系数的值可能不同。此外，针对某一特定时段，根据不同方法获得的第一系数(例如，上述α，β，γ和δ)的值可能不同。因此，根据本公开的另一实施例，在实际预测未来时段的业务量时，可以根据实际情况来在根据不同方法获得的候选系数中选择其中的一个作为第一系数来进行预测。例如，网络侧设备可以从多个候选系数中选择与所述未来时段相关性最大的候选系数作为所述第一系数。

上述图3是以系数α、β和γ为例，示出了系数α、β和γ在一天中的取值变化的示意图。如上述图3所示，在凌晨5点至6点之间，系数α的绝对值明显小于系数β或γ的绝对值，而在其它时段系数β或γ的绝对值明显大于系数α的绝对值。在上述情况下，处理单元1520可被配置为选择相关性取值最大的系数作为第一系数。例如，α，β，γ和δ可以是对于第一系数的候选系数。处理单元1520中可针对要预测其业务量的未来时段，从候选系数α，β，γ和δ中选择取值最大的系数作为第一系数。

可见，本公开提供的网络侧设备可以根据不同的候选系数来预测未来时段的业务量，使得本公开提供的网络侧设备灵活且多变。

此外，通过本公开提供的上述网络侧设备，可以选择指示相关性最大的候选系数来更加准确地预测未来时段的业务量变化(如未来时段的业务量增大或减小)以及未来时段的业务量多少。

由上述对本公开提供的网络侧设备的详细说明可知，本公开提供的网络侧设备由于上述第一系数的使用，使得本公开提供的网络侧设备可以准确地预测未来时段的业务量变化，但是偶尔会存在变化幅度预测不那么准确的情况。针对该情况，本公开又提供了对上述网络侧设备的进一步改进。

根据本公开的又一实施例，处理单元1520还可以被配置为基于指示所述关联时段的业务量的大小与所述关联时段的参考时段的业务量的大小之间的关系的第二系数，来预测所述未来时段的业务量。

作为示例，所述关联时段的业务量的大小与所述关联时段的参考时段的业务量的大小之间的关系可以是所述关联时段的业务量的幅度与所述关联时段的参考时段的业务量的幅度之间的比值，也可以是它们之间的业务量的均值之比或业务量的最大值之比。

例如，在如上表2所示的示例中，当前天的未来时段(如13:00到14:00)的业务量的均值记为x。关联时段是前一天与未来时段对应的时段，其业务量的均值记为a，大小为10。关联时段的参考时段是前一天与邻近时段对应的时段，其业务量的均值记为d，大小为3。第二系数记为L。在上述情况下，第二系数L可以为10/3，即第二系数L等于3，此时，上述表格1中的方法1的公示可以变型为x＝a+L*α*(e-d)。假定α为1，则此时预测的未来时段的业务量x为30。而未对方法1进行变型之前预测的x＝a+α*(e-d)，即x为16。事后，在未来时段的实际业务量为30。

可替换地，关联时段还可以是前二天与未来时段对应的时段，其业务量的均值大小为20，并且该关联时段的参考时段可以是前二天与邻近时段对应的时段，其业务量的均值大小为6。在上述情况下，第二系数L可以为20/6，即第二系数L等于3。此时，上述表格1中的方法1的公示可以变型为x＝a+L*α*(e-d)。假定α为1，则此时预测的未来时段的业务量x为30。而未对方法1进行变型之前预测的x＝a+α*(e-d)，即x为16。事后，在未来时段的实际业务量为30。

可见，由于第二系数的引入，使得本公开提供的网络侧设备不仅可以准确地预测未来时段的业务量变化，而且可以能够更加精准地预测未来时段的业务量的变化幅度，从而使得预测的业务量更加的精准。

在精准预测了未来时段的业务量之后，网络侧设备就仅需要提供能够处理上述预测的业务量的部分资源而将其它资源进行关闭，以节省网络侧设备处的电力消耗。例如，当网络侧设备仅需要3个天线就可以处理未来时段的业务量时，网络侧设备便可以将剩余的天线关闭，使剩余的天线不工作，从而节省网络侧设备处的电力消耗。再例如，当网络侧设备仅需要2个分量载波就可以处理未来时段的业务量时，网络侧设备便可以不发送剩余的分量载波，从而节省网络侧设备处的电力消耗。

以上已结合附图描述了本公开提供的无线通信网络中的网络侧设备。本公开提供的网络侧设备由于第一系数的使用，使得根据本公开提供的网络侧设备能够更加准确地预测未来时段业务量的变化。本公开提供的网络侧设备又由于上述第二系数的使用，使得本公开提供的网络侧设备又能够更加准确地预测未来时段业务量的幅度变化。从而使本公开提供的网络侧设备可以高精确度地预测出在未来时段网络侧设备需要处理的业务量，进而使网络侧设备只需要提供能够处理上述业务量的部分资源而将其它资源进行关闭，以节省网络侧设备处的电力消耗。

参照图16，网络侧设备1600可以包括获取单元1610和处理单元1620。虽然在该示例中，示出了网络侧设备1600包括获取单元1610和处理单元1620。然而应理解，网络侧设备1600还可包括其他部件，然而，由于这些部件与本公开实施例的内容无关，因此在这里省略其图示和描述。

作为示例，网络侧设备1600可以是基站。可替换地，网络侧设备1600可以是基站外部与基站交互的操作管理和维护(Operation Administration and Maintenance，OAM)模块或服务管理和编排(Service Management and Orchestration，SMO)模块。在网络侧设备是上述OAM或SMO模块的情况下，所述OAM或SMO模块需要将执行本公开提供的方法而预测的未来时段的业务量信息传输给例如基站，以由基站进行相应的操作。

如图16所示，获取单元1610可以被配置为获取关于过去时段业务量的信息、时间标志信息以及扇区方向指示信息，其中，所述时间标志信息可以指示所述过去时段业务量是第一时期还是第二时期的业务量，所述扇区方向指示信息可以指示所述网络侧设备对应的小区的扇区方向。

作为示例，上述关于过去时段业务量的信息可以是上述结合图1所述的关于历史时段业务量的信息和关于邻近时段业务量的信息。关于过去时段业务量的信息可以存储在网络侧设备的内部存储单元中，例如存储器，诸如随机存取存储器(RAM)、只读存储器(ROM)和电可擦除可编程ROM(EEPROM)。可替换地，关于过去时段业务量的信息可以存储在与网络侧设备交互的外部存储单元或云端中。

作为示例，上述第一时期可以是工作日，例如周一到周五中的每一天或所有天。上述第二时期可以是休息日，例如周六到周日中的每一天或所有天。

作为示例，所述扇区方向可以指上文结合图12A所述的均匀扇区时与每个角度对应的扇区方向，或结合图13A所述的非均匀扇区时与每个角度对应的扇区方向。通过与不同角度对应的扇区方向而传输的业务量可能相同，也可能不同。因此，基于扇区方向来进行未来时段业务量信息的预测有助于使预测出的未来时段业务量信息更加的准确。

处理单元1620可以被配置为基于所述关于过去时段业务量的信息、所述时间标志信息和所述扇区方向指示信息，利用神经网络模型，来预测未来时段的业务量信息。

根据本公开的一个实施例，所述神经网络(Neural Network，NN)模型是预先训练完成的神经网络模型。所述神经网络模型可以是现有的任何合适的神经网络模型，诸如，层卷积神经网络(Convolutional Neural Network，CNN)模型、循环神经网络(RecurrentNeural Network，RNN)模型等。

所述神经网络模型可以基于以下数据来进行训练：关于过去时段业务量的信息、时间标志信息和扇区方向指示信息。

作为示例，关于过去时段业务量的信息可以是过去100天中的每一天中的每一时刻内发生的业务量。时间标志信息可以指示过去100天中的每一天内发生的业务量是工作日的业务量还是休息日的业务量。扇区方向指示信息可以指示产生上述业务量时所述网络侧设备对应的小区的扇区方向，例如上文结合图12A所述的与60度对应的扇区方向。

如上图6A所示，假定该条训练数据是要预测第4天(day4)中第5小时内的业务量

继续参照上图6A，此时，时间标志信息可以是0011共4比特的信息。“0011”中的第一比特的“0”可以表示day1内发生的业务量均是休息日的业务量。“0011”中的第二比特的“0”可以表示day2内发生的业务量均是休息日的业务量。“0011”中的第三比特的“1”可以表示day3内发生的业务量均是工作日的业务量。“0011”中的第四比特的“1”可以表示day4内发生的业务量均是工作日的业务量。

扇区方向指示信息可以是010000共6比特的信息。该6比特的信息从左到右可以分别指示与上文结合图12A所述的30度、90度、150度、210度、270度和330度对应的方向。当对应方向传输了业务量时，则可以将上述6比特信息中的对应比特设置为1。当对应方向未传输业务量时，则可以将上述6比特信息中的对应比特设置为0。此时，上述“010000”可以表示仅在与90度对应的扇区方向上传输了业务量。

继续参照上图6A，将上述一条训练数据输入到神经网络后，神经网络会得到一个预测的业务量

可替换地，将上述一条训练数据输入到神经网络后，神经网络会得到一个预测的业务量

此外，如上图6B所示，为了使训练的神经网络的预测效果更好，实际训练中，首先，选取许多天内(如上表3所示)的与上述一条训练数据类似的大量的数据输入到神经网络中进行训练。

在上表3中，训练数据用于对神经网络进行训练。神经网络会被训练很多轮，验证数据用于验证每轮训练出的神经网络，并且在训练过程中只保留在验证数据上正确率最高的神经网络。例如，假设目前神经网络被训练了50轮，在验证数据上正确率最高的为第25轮训练出的神经网络。那么再进行第51轮训练后，若第51轮训练出的神经网络在验证数据上的正确率低于第25轮训练出的神经网络的正确率，则不保留该第51轮训练出的神经网络而是继续进行下一轮的训练。若第51轮训练出的神经网络在验证数据上的正确率高于第25轮训练出的神经网络的正确率，则保留该第51轮训练出的神经网络，即删除第25轮训练出的神经网络而只保留第51轮训练出神经网络，然后再继续进行下一轮训练，直到训练出达到预定要求的神经网络。测试数据用于对最终训练出的神经网络进行测试。

基于每条训练数据预测出的业务量

最后，上述训练完成后，神经网络的各个权重被固定。也就是说，经过上述处理后，神经网络就被训练完成并且可以被使用以预测未来时段的业务量信息。

作为示例，预测的未来时段的业务量信息可以是未来时段的业务量、未来时段的时间标志和未来时段的扇区方向中的一个或多个。

以上详细描述了本公开提供的网络侧设备。由上述描述可知，本公开提供的网络侧设备由于使用了经过大量数据训练出的神经网络，使得本公开提供的方法可以准确预测未来时段的业务量信息。相比上述结合图15描述的网络侧设备，结合图16描述的网络侧设备更加的方便和快捷。

此外，根据上述结合图15描述的网络侧设备预测出的未来时段的业务量信息需要进一步判断才能确定在该未来时段处用于网络侧设备的节电等级，进而才能使网络侧设备进行相应的节电操作。在某些情况下，上述确定出节电等级的方式是不适宜的，例如在节电等级的边界值附近的点可能不太准确。基于此，本公开提供了对结合图16描述的网络侧设备的进一步改进。

根据本公开的实施例，获取单元1610还可以被配置为获取与所述过去时段业务量对应的用于所述网络侧设备的节电等级信息，以及处理单元1620还可以被配置为基于所述关于过去时段业务量的信息、所述时间标志信息、所述扇区方向指示信息和所述节电等级信息，利用所述神经网络模型，来预测未来时段的业务量信息。

作为示例，节电等级信息可以是预先确定的节电(Energy Saving，ES)等级信息。例如，如上表4所示，其中n和N为正整数。

在根据本公开的一个实施例中，可以将上述节电等级信息也作为输入数据来训练神经网络。使得训练出的神经网络在实际使用时，其预测出的未来时段的业务量信息包括与未来时段对应的节电等级信息，从而使网络侧设备进行相应的节电操作。

作为示例，可以将在训练神经网络时所使用的数据中加入与每个业务量对应的节电等级信息。如上图7A所示，假设业务量T

作为另一示例，在某些情况下，可能只想知道与未来时段对应的节电等级相比现在的节电等级是降低了还是增加了。在上述只想知晓节电等级的变化的场景下，如上图7B所示，可以将节电等级的变化信息作为训练神经网络时所使用的数据来训练神经网络。具体地，假设业务量T

作为又一示例，在一些情况下，可能只想知道未来时段的业务量所对应的节电等级的边界值。在上述只想知晓节电等级的边界值的场景下，如上图7C所示，可以将与每个业务量对应的节电等级的边界值作为训练神经网络时所使用的数据来训练神经网络。具体地，假设业务量T

在上述三个示例中，在训练神经网络模型时，神经网络模型便可以基于利用节电等级信息计算出的神经网络模型的模型预测损失(如上述的损失函数)来调整神经网络模型的参数而被预先训练出，从而使得训练的出的神经网络在实际使用时而预测出的未来时段的业务量信息包括与未来时段对应的节电等级信息，从而使网络侧设备进行相应的节电操作。

在上述三个示例中，均是通过增加训练神经网络时所使用的数据，基于利用节电等级信息计算出的神经网络模型的模型预测损失来调整神经网络模型的参数而被预先训练出。

可替换地，也可以不增加训练神经网络时所使用的数据，而是通过改造模型预测损失来使训练的出的神经网络在实际使用时预测出的未来时段的业务量信息包括与未来时段对应的节电等级信息，从而使网络侧设备进行相应的节电操作。

在根据本公开的另一个实施例中，所述模型预测损失是通过以下方式计算的：基于与所述节电等级信息对应的业务量范围信息以及所述神经网络模型预测的业务量信息来计算所述神经网络模型的模型预测损失。

作为示例，如上图8A和图8B所示，以模型预测损失为MSE损失函数(MSELOSS)为例进行说明。

参照上图8A，改造前，在训练神经网络时，神经网络的MSELOSS将预测的业务量T′

参照上图8B，改造后，在训练神经网络时，首先，确定与每个预测的业务量对应的真实业务量的对应节电等级，例如与真实的业务量T

然后，确定与该节电等级对应的业务量范围，例如，确定的ES2对应业务量范围为100～200(如上表4所示)。

接着，选取该范围内具有代表性的值作为与该节电等级对应的业务量值。例如，选取该范围内的中值mid

最后，神经网络的MSELOSS将预测的业务量T′

通过上述改造后，训练完成的神经网络模型在实际使用时便可以使预测出的未来时段的业务量信息中包括与未来时段对应的节电等级信息，从而使网络侧设备进行相应的节电操作。

由上述描述可知，在训练神经网络时使用大量的数据进行训练，上述训练神经网络的方式能够很好地挖掘出基于数据的规律，但是没能结合人的经验知识，从而使得训练出的神经网络有待进一步提高，以获得更佳的结果。针对上述情况，本公开提供了对结合图5描述的方法的进一步改进。

具体地，在训练神经网络时，可以基于上述结合图1描述的方法所使用的关于历史时段业务量的信息和关于邻近时段业务量的信息、以及第一系数(例如，上述α，β，γ和δ)中的至少一个、和上述结合图5描述的方式所使用的少量的过去时段业务量的信息、预测的时间标志信息和预测的扇区方向信息来一起训练神经网络，例如采用神经网络联合训练的方式。

假设在训练神经网络时，上述少量的过去时段业务量的信息、预测的时间标志信息和预测的扇区方向信息输入第一神经网络进行训练。使用该第一神经网络训练时的权重假设为α

上述结合图1描述的方法所使用的关于历史时段业务量的信息和关于邻近时段业务量的信息、以及第一系数(例如，上述α，β，γ和δ)中的至少一个被事先赋予一定的权重，例如β

将上述两个权重α

最后，通过调整包括上述第一神经网络和第二神经网络在内的整个神经网络的融合权重使得损失函数最小来完成神经网络的训练。

根据本公开实施例，可以根据不同的需要来得到融合权重。

作为示例，如上图9A所示，权重α

作为另一示例，如上图9B所示，权重α

作为又一示例，如上图9C所示，权重α

根据本公开的实施例，所述关于过去时段业务量的信息可以包括过去时段业务量数据的多个集合，处理单元1620还可以被配置为通过将多个集合中的每个过去时段业务量数据除以所述多个集合中的最大值对每个过去时段业务量数据进行归一化，并基于归一化后的业务量数据，利用所述神经网络模型，来预测未来时段的业务量信息；或者处理单元1620还可以被配置为通过将每个集合中的每个业务量数据除以所述每个集合中的最大值对每个业务量数据进行归一化，并基于归一化后的业务量数据，利用所述神经网络模型，来预测未来时段的业务量信息。

在上面的描述中，在训练神经网络时，神经网络会分批(batch)对上述数据进行归一化处理，并且每批数据是随机地由几条数据组成。例如，其中一批的数据可以是由n(n为整数)条如上图6A所示的过去时段业务量。也就是说，每批训练的关于过去时段业务量的信息可以包括过去时段业务量数据的多个集合。

参照上图10A，假设输入神经网络进行训练的该批数据包括n个集合(即1至n，n为整数)。针对第i个集合，该集合的数据可以包括过去72个时段内的业务量，即x

由于每个业务量数据的值比较大(例如，达到上万的数值)，因此该批业务量数据的总和是很大的。将该批数据内每个时段内的业务量数据均除以该批数据内所有业务量数据的总和之后的数据会很小。那么，即使后续的训练过程所产生的误差很小，但是由于还会将sum乘回来，从而造成很小的误差所带来的预测业务量误差很大。

对此，本公开的一种改进方法是将该批数据内每个时段内的业务量数据均除以该批数据内所有业务量数据中的最大值(max)，以达到归一化处理的目的，如上图10A所示。由于该批数据内每个时段内的业务量数据的值与最大值相差小，从而使得训练出的神经网络又好又快。

另外，由于每批关于过去时段业务量的信息可以包括过去时段业务量数据的多个集合。例如第一批数据由第1、3和5共三个集合数据组成。第二批数据由第1、2和4共三个集合数据组成。在根据上述一种改进方法进行归一化处理时，第一批数据中的第1个集合数据需要除以该批数据的最大值max1，第二批数据中的第1个集合数据需要除以该批数据的最大值max2。由于max1和max2往往是不同的，那么神经网络在训练时可能会由于同样的第1个集合数据在归一化处理时除以不同的值而造成训练的神经网络的预测准确度降低。

针对上述情况，本公开的另一种改进方法是将该批数据内每个集合数据内的每个时段内的业务量数据均除以该集合数据内所有业务量数据的最大值(max)，以达到归一化处理的目的，如上图10B所示，从而使得训练出的神经网络又好又快又准确。

需要说明的是，上述描述的对结合附图描述的网络侧设备的不同改进可以同时进行，也可以有选择地进行，以使得改进后的网络侧设备至少包括上述各个改进方面的至少一个方面。

以上已结合附图描述了本公开提供的在无线通信网络中的网络侧设备。本公开提供的网络侧设备由于神经网络的使用，使得根据本公开提供的网络侧设备能够又快又准确地预测未来时段业务量信息。本公开提供的网络侧设备又由于在训练神经网络时引入了节电等级信息，使得本公开提供的网络侧设备可以准确地预测出与未来时段的业务量对应的节电等级信息，从而使得网络侧设备可以更加便捷地执行相应的节电操作。本公开提供的网络侧设备还由于融合权重的使用，使得本公开提供的网络侧设备可以进一步提高预测出的未来时段的业务量信息的准确度。本公开提供的网络侧设备还由于对归一化方式的改进，使得本公开提供的网络侧设备可以又好又快又准确地预测出未来时段的业务量信息。进而，使网络侧设备只需要提供能够处理上述业务量的部分资源而将其它资源进行关闭，以节省网络侧设备处的电力消耗。

结合上述附图描述的网络侧设备及对应的方法可以精准地预测在未来时段的业务量，从而使网络侧设备只需要提供能够处理上述业务量的部分资源而将其它资源进行关闭，以达到在全时段节省网络侧设备处的电力消耗。

参照图17，网络侧设备1700可以包括处理单元1710和控制单元1720。虽然在该示例中，示出了网络侧设备1700包括处理单元1710和控制单元1720。然而应理解，网络侧设备1700还可包括其他部件，然而，由于这些部件与本公开实施例的内容无关，因此在这里省略其图示和描述。

作为示例，网络侧设备1700可以是基站。可替换地，网络侧设备1700可以是基站外部与基站交互的上述OAM模块或SMO模块。在网络侧设备是上述OAM或SMO模块的情况下，所述OAM或SMO模块需要将执行本公开提供的方法而获得的关于节电等级的信息、预测的未来时段的业务量信息以及与节电等级对应的资源信息传输给例如基站，以由基站进行相应的节电操作。

处理单元1710可以被配置为基于未来时段的业务量和预先确定的节电等级表，确定在所述未来时段用于所述网络侧设备的节电等级，其中，所述节电等级表可以包括与所述网络侧设备的无线传输能力和所述网络侧设备在无线传输时所使用的资源对应的多个节电等级。

作为示例，网络侧设备可以实时获取或在预先设定的时刻获取上述未来时段的业务量。

在根据本公开的示例中，网络侧设备在无线传输时所使用的资源可以是时域资源、频域资源、空域资源和功率域资源中至少一个或其组合。时域资源可以包括子帧(subframe)、时隙(slot)、微时隙(mini-slot)、码元(symbol)等资源。频域资源可以包括分量载波(Component Carrier，CC)、部分带宽(Bandwidth，BWP)、子带(subband)、参考信号组(reference signal group)、子载波组(subcarrier group)等资源。空域资源可以包括天线元件(Antenna element)、收发单元(TxRU)、虚拟天线端口(virtual antenna port)等资源。功率域资源可以包括对发送的数据(Data)、控制(control)、参考信号(referencesignal，RS)、同步信号块(Synchronization Signal Block，SSB)等中的一个或多个信道的最大发送功率、功率谱密度(power spectral/spectrum density，PSD)等中的至少一个进行调节所需要的资源。

作为示例，预先确定的节电等级表可以是根据网络侧设备的无线传输能力以及网络侧设备在无线传输时所使用的资源而预先确定的。例如，可以预先确定如上表5所示的节电(Energy Saving，ES)等级表。

在上表5中，将ES等级划分为5个等级，即ES1至ES4。可替换地，也可以根据实际需要将ES等级划分为任意多个等级。

在上表5中，ES1至ES4的节电等级从高到低排序依次可以为：ES1，ES2，ES3，ES4。节电等级ES1可以指示在网络侧设备处的能耗最低。节电等级ES4可以指示在网络侧设备处的能耗最高。节电等级ES2和ES3指示在网络侧设备处的能耗介于ES1和ES4之间。可替换地，也可以设计其它的指示在网络侧设备处的能耗高低的方式。

上表5中的资源可以指示网络侧设备在无线传输时所使用的资源。例如，时域资源、频域资源、空域资源和功率域资源中至少一个或其组合。

上表5中的无线传输能力可以指示在使用对应资源时网络侧设备的无线传输能力。作为示例，网络侧设备的传输能力可以是过去一段时间内网络侧设备传输数据量的最大值、平均值、加权平均值等。例如，网络侧设备的传输能力可以是在过去一段时期内分量载波在单位时间内传输数据量的最大值或加权平均值。再例如，网络侧设备的传输能力可以是在过去一段时间内在预定分量载波下所有UE传输速度的均值与该预定分量载波的带宽的乘积。又例如，网络侧设备的传输能力可以是在预定调制与编码方案(Modulation andCoding scheme，MCS)或轶(Rank)数的情况下的分量载波的最大速率。还例如，网络侧设备的传输能力可以是实际传输数据量与资源使用率的比值。

在所述资源包括所述网络侧设备能够使用的多个分量载波的情况下，根据本公开的一个实施例，每个分量载波可以具有与所述分量载波对应的优先级，其中，在所述节电等级表中，能耗越高的节电等级所开启的低优先级的分量载波越多。

所述资源可以包括网络侧设备能够使用的4个分量载波。如上图12A所示，该4个分量载波分别为记为CC1、CC2、CC3和CC4。CC1的中心频率为800M，波束宽度(Beamwidth)为55M并且波束覆盖半径为902米(m)。CC2的中心频率为1.5G，波束宽度(Beamwidth)为50M并且波束覆盖半径为654m。CC3的中心频率为1.7G，波束宽度(Beamwidth)为45M并且波束覆盖半径为613m。CC4的中心频率为2.0G，波束宽度(Beamwidth)为45M并且波束覆盖半径为564m。中心频率越低的分量载波具有越低的优先级。即该4个分量载波的优先级从高到低依次为CC4、CC3、CC2和CC1。此外，还可以根据分量载波的覆盖范围、允许传输的业务量、传输业务量所消耗的电力等因素来确定分量载波的优先级。

此时，上述表5中的资源列的内容具体为上述分量载波CC1至CC4后，得到如上表6所示的内容。

在上述节电等级表6中，能耗最高的节电等级ES4开启了所有四个分量载波。能耗最低的节电等级ES1只开启其中一个分量载波CC1。能耗介于ES4和ES1之间的ES2和ES3开启的分量载波数量介于ES4和ES1之间。可见，能耗越高的节电等级比能耗越低的节电等级所开启的低优先级的分量载波越多。

此外，无线通信网络中可以包括一个或多个扇区，并且所述一个或多个扇区也是可被网络侧设备利用的资源。所述多个扇区可以是均匀的，此时每个扇区的覆盖区域大小相同。可替换地，所述多个扇区也可以是不均匀的，此时每个扇区的覆盖区域大小不同。针对均匀扇区的情况，上面已结合图12A和图12B说明了上述表5和6中基站的无线传输能力的确定。针对不均匀扇区的情况，上文已结合图13A至图13C说明了上述表5和6中基站的无线传输能力的确定。在此不做赘述。

在根据本公开的又一实施例中，处理单元1720可以被配置为对所述未来时段的业务量按照预测误差、目标节电量或目标数据吞吐量中的一个或多个进行调整，并基于调整后的未来时段的业务量和预先确定的节电等级表来确定在所述未来时段用于所述网络侧设备的节电等级。

在本公开的一个实施例中，未来时段的业务量可能与真实的业务量之间存在一定的误差。虽然该误差很小，但是为了更加准确地确定在未来时段用于所述网络侧设备的节电等级，可以对未来时段的业务量进行调整。例如，根据经验值或者统计值确定出未来时段的业务量与真实的业务量之间的相对误差为x％，则此时可以通过上述公式(4)来对未来时段的业务量进行调整。

在本公开的另一个实施例中，由于确定的在未来时段用于网络侧设备的节电等级越高，网络侧设备所使用的资源越少，从而使得数据吞吐量也越少，因此在对未来时段的业务量进行调整时可以根据目标节电量和目标数据吞吐量中的至少一个来确定缩放系数。例如，统计数据表明当缩放系数x＝1.1时，可使网络侧设备处的数据吞吐量下降控制在2％以内，从而在调整节电等级时对UE的业务影响在可控范围内。在此情况下，可以通过上述公式(5)来对未来时段的业务量进行调整。

在本公开的又一实施例中，上述缩放系数还可以根据目标场景来获得。例如，目标场景可以包括城区微站(Umi，Urban Microcell)、城区宏站(Uma，Urban Macrocell)、农村(Rma，Rural Macrocell)、室内热点(InH,Indoor Hotspot)等场景。可以事先根据上述不同场景和经验来设计缩放系数的模式或缩放系数表，然后在实际商用基于需要达到的目标数据吞吐量和目标场景要求来选择具体的缩放系数。通过上述预测误差、目标节电量、目标数据吞吐量或目标场景中的一个或多个的考量，可以基于未来时段的业务量来尽可能选择发送全部业务量时网络侧设备所需要的最小节电等级。

如上述图14所示，随着缩放系数的增大，导致未来时段的业务量不断被放大，从而选择更低的节电等级。即随着缩放系数的增大，网络侧设备处会使用更多的资源来传输数据，从而使网络侧设备处的数据吞吐量下降率不断降低，而随时带来的就是网络侧设备处的视频单元(AAU)处的电力消耗不断增加。例如，当缩放系数为1.1时，网络侧设备处的数据吞吐量下降1.7％，网络侧设备处的视频单元(AAU)处的电力消耗增加到53.9％。

返回参照图17，控制单元1720可以被配置为根据所确定的节电等级进行节电操作。

作为示例，网络侧设备所进行的节电操作可以包括通过等待关闭法来关闭不需要继续使用的资源。例如，当确定在未来时段用于所述网络侧设备的节电等级为上表6中的ES3时，在未来时段网络侧设备会将之前开启的CC4进行关闭。在具体关闭CC4时，可以不将新的UE接入待关闭的CC4，并在通过CC4传输的数据全部传输完毕之后，将CC4关闭，例如在通过CC4传输的数据量较少时(此种情况存在一定的等待延迟)。

作为另一示例，网络侧设备所进行的节电操作可以包括通过卸载(offload)法来关闭不需要继续使用的资源。例如，当确定在未来时段用于所述网络侧设备的节电等级为上表6中的ES3时，在未来时段网络侧设备会将之前开启的CC4进行关闭。在具体关闭CC4时，可以不将新的UE接入待关闭的CC4，并将通过CC4传输的数据卸载(offload)到通过CC1至CC3中的任何一个或多个进行传输，最后将CC4关闭。上述情况适用于通过该CC传输的业务量较多的情况，并且通过此卸载法会带来一定的信令开销和信令交互延迟。

作为又一示例，网络侧设备所述进行的节电操作可以包括根据通过待关闭的CC传输的业务量以及UE的数量来灵活地运用上述等待关闭法和卸载(offload)法中的一个或两个。

作为再一示例，网络侧设备所进行的节电操作可以包括通过结合小区特性、连接的UE的业务量和类型、以及分量载波任务的优先级中的一个或多个来选择需要关闭的分量载波。

针对小区特性，可以优先关闭覆盖范围小的CC(例如频率高、波束宽度窄的CC，诸如上述结合图12A描述的CC4或结合图13A描述的CC5)、可以优先关闭通过其传输的数据量小的CC、可以优先关闭发送功率高的CC、或者可以优先关闭单位功率传输能力低的CC。可替换地，可以根据实际应用，优先关闭覆盖范围大、通过其传输的数据量大、发送功率低、或者单位功率传输能力高的CC。

针对连接的UE的业务量和类型，可以优先关闭通过其传输的通信量少的CC、可以优先关闭将该CC设为主小区(Primary Cell，Pscell)或辅小区(Secondary Cell，Scell)的UE数最小的CC(此种情况下，带来的信令开销小)、可以优先关闭将该CC设为Pscell的UE数量最小的抄送(此种情况下，带来的信令开销小)、或者可以优先关闭低结束UE数最小的CC。可替换地，可以根据实际应用，优先关闭通过其传输的通信量大、UE数量最大、或者低结束UE数最大的CC。

针对分量载波任务的优先级，可以优先关闭优先级低的CC，例如上述结合图12A或图13A描述的CC1。可替换地，可以优先关闭优先级高的CC。

以上已经结合附图详细描述了本公开提供的网络侧设备。由于本公开提供的上述网络侧设备可以基于未来时段的业务量和预先确定的节电等级表来准确地确定在未来时段用于网络侧设备的节电等级，从而使网络侧设备可以准确地选择节电等级，并在根据所确定的节电等级进行操作时可以精确地仅保留传输所需业务量的最小资源，以达到最佳的节电效果。

<硬件结构>

另外，用于上述实施方式的说明的框图表示功能单位的块。这些功能块(结构单元)通过硬件以及软件的至少一方的任意的组合来实现。此外，各功能块的实现方法没有被特别限定。即，各功能块既可以使用物理上或者逻辑上结合而成的一个装置来实现，也可以将物理上或者逻辑上分离的两个以上的装置直接或者间接地(例如，使用有线、无线等)连接而使用这些多个装置来实现。功能块也可以在上述一个装置或者上述多个装置中组合软件来实现。

在功能上，虽然存在判断、决定、判定、计算、算出、处理、导出、调查、搜索、确认、接收、发送、输出、接入、解决、选择、选定、建立、比较、设想、期待、视为、广播(broadcasting)、通知(notifying)、通信(communicating)、转发(forwarding)、构成(configuring)、重构(重设定(reconfiguring))、分配(allocating、mapping(映射))、分派(assigning(分配))等，但并不限于此。例如，使发送发挥功能的功能块(结构单元)被称呼为发送单元(transmitting unit)或发送机(transmitter)。均如上所述，实现方法不特别限定。

例如，本公开的一实施方式中的基站、用户终端等也可以作为进行本公开的无线通信方法的处理的计算机而发挥功能。图18是表示本公开的一实施方式所涉及的网络侧设备的硬件结构的一例的图。上述的网络侧设备(如上述网络侧设备15、网络侧设备16或网络侧设备17)在物理上也可以作为包含处理器1801、存储器1802、储存器1803、通信装置1804、输入装置1805、输出装置1806、总线1807等的计算机装置而构成。

另外，在以下的说明中，“装置”这样的用语能够替换为电路、设备、单元等。网络侧设备的硬件结构既可以构成为将图示的各装置包含一个或者多个，也可以构成为不包含一部分装置。

关于网络侧设备中的各功能，通过将特定的软件(程序)读入到处理器1801、存储器1802等硬件上，从而由处理器1801进行运算并控制基于通信装置1804的通信、或控制存储器1802和储存器1803中的数据的读出以及写入的至少一方，由此而实现。

处理器1801例如使操作系统进行操作而控制计算机整体。处理器1801也可以通过包含与外围设备的接口、控制装置、运算装置、寄存器等的中央处理装置(中央处理单元(CPU：Central Processing Unit))来构成。例如，上述的网络侧设备的控制单元、处理单元等也可以通过处理器1801来实现。

此外，处理器1801将程序(程序代码)、软件模块、数据等从储存器1803和通信装置1804的至少一方读出至存储器1802，并按照它们执行各种处理。作为程序，使用使计算机执行上述的实施方式中说明的操作的至少一部分的程序。例如，网络侧设备的处理单元或控制单元也可以通过被储存至存储器1802且在处理器1801中进行操作的控制程序来实现，针对其他功能块也可以同样地实现。说明了上述的各种处理由一个处理器1801执行的意思，但也可以由2个以上的处理器1801同时或者依次执行。处理器1801也可以通过1个以上的芯片来实现。另外，程序也可以经由电通信线路从网络被发送。

存储器1802也可以是计算机可读取的记录介质，例如由ROM(只读存储器(ReadOnly Memory))、EPROM(可擦除可编程ROM(Erasable Programmable ROM))、EEPROM(电可擦除可编程ROM(Electrically Erasable Programmable ROM))、RAM(随机存取存储器(Random Access Memory))等的至少一个构成。存储器1802也可以被称为寄存器、高速缓存、主存储器(主存储装置)等。存储器1802能够保存为了实施本公开的一实施方式所涉及的无线通信方法而可执行的程序(程序代码)、软件模块等。

储存器1803也可以是计算机可读取的记录介质，例如由CD-ROM(压缩盘只读存储器(Compact Disc ROM))等光盘、硬盘驱动器、柔性盘、光磁盘(例如，压缩盘、数字多功能盘、蓝光(Blu-ray)(注册商标)盘)、智能卡、闪存(例如，卡(card)、棒(stick)、键驱动器(key drive))、软(Floppy)(注册商标)盘、磁条(stripe)等的至少一个构成。储存器1803也可以称为辅助存储装置。上述的记录介质例如也可以是包含存储器1802和储存器1803的至少一方的数据库、服务器、其他恰当的介质。

通信装置1804是用于经由有线网络以及无线网络的至少一方进行计算机间的通信的硬件(发送接收设备)，例如也称为网络设备、网络控制器、网卡、通信模块等。通信装置1804为了实现例如频分双工(FDD：Frequency Division Duplex)和时分双工(TDD：TimeDivision Duplex)的至少一方，也可以构成为包含高频开关、双工器、滤波器、频率合成器等。

输入装置1805是受理来自外部的输入的输入设备(例如，键盘、鼠标、麦克风、开关、按钮、传感器等)。输出装置1806是实施向外部的输出的输出设备(例如，显示器、扬声器、LED灯等)。另外，输入装置1805以及输出装置1806也可以是成为一体的结构(例如，触摸面板)。

此外，处理器1801、存储器1802等各装置通过用于对信息进行通信的总线1807来连接。总线1807既可以使用单一的总线来构成，也可以在每个装置间使用不同的总线来构成。

此外，网络侧设备也可以包括微处理器、数字信号处理器(DSP：Digital SignalProcessor)、ASIC(专用集成电路(Application Specific Integrated Circuit))、PLD(可编程逻辑器件(Programmable Logic Device))、FPGA(现场可编程门阵列(FieldProgrammable Gate Array))等硬件而构成，通过该硬件来实现各功能块的一部分或者全部。例如，处理器1801也可以使用这些硬件的至少一个来实现。

<变形例>

此外，在本公开中，信息的通知不限于本公开中说明的方式/实施方式，也可以使用其他方法来进行。例如，信息的通知也可以通过物理层信令(例如，DCI(下行链路控制信息(Downlink Control Information))、UCI(上行链路控制信息(Uplink ControlInformation)))、高层信令(例如，RRC(无线资源控制(Radio Resource Control))信令、MAC(媒体访问控制(Medium Access Control))信令、广播信息(MIB(主信息块(MasterInformation Block))、SIB(系统信息块(System Information Block))))、其他信号或者这些组合而被实施。此外，RRC信令也可以被称为RRC消息，例如也可以是RRC连接设定(RRCConnection Setup)消息、RRC连接重构(RRC连接重设定(RRC ConnectionReconfiguration))消息等。

在本公开中说明的各方式/实施方式也可以被应用于LTE(长期演进(Long TermEvolution))、LTE-A(LTE-Advanced)、SUPER 3G、IMT-Advanced、4G(第四代移动通信系统(4th generation mobile communication system))、5G(第五代移动通信系统(5thgeneration mobile communication system))、第六代移动通信系统(6th generationmobile communication system(6G))、第x代移动通信系统(xth generation mobilecommunication system(xG))(xG(x例如是整数、小数))、FRA(未来无线接入(Future RadioAccess))、NR(新无线(new Radio))、新无线接入(New radio access(NX))、未来一代无线接入(Future generation radio access(FX))、W-CDMA(注册商标)、GSM(注册商标)、CDMA2000、UMB(超移动宽带(Ultra Mobile Broadband))、IEEE 802.11(Wi-Fi(注册商标))、IEEE 802.16(WiMAX(注册商标))、IEEE 802.20、UWB(超宽带(Ultra-WideBand))、蓝牙(Bluetooth(注册商标))、利用其他恰当的系统的系统以及基于它们而扩展、修正、作成、规定的下一代系统的至少一个中。此外，多个系统也可以被组合(例如，LTE以及LTE-A的至少一方与5G的组合等)来应用。

在本公开中说明的各方式/实施方式的处理过程、时序、流程图等只要没有矛盾，也可以调换顺序。例如，针对在本公开中说明了的方法，使用例示的顺序提示了各种各样的步骤的元素，不限定于所提示的特定的顺序。

在本公开中设为由基站进行的特定操作，根据情况有时也由其上位节点(uppernode)进行。在由具有基站的一个或者多个网络节点(network nodes)构成的网络中，为了与终端的通信而进行的各种各样的操作显然能够通过基站以及基站以外的其他网络节点(例如，考虑MME或者S-GW等，但不限于此)的至少一个来进行。在上述中例示了基站以外的其他网络节点是一个的情况，但也可以是多个其他网络节点的组合(例如，MME以及S-GW)。

信息等(※参考“信息、信号”的项目)能够从高层(上位层)(或者低层(下位层))向低层(或者高层)输出。也可以经由多个网络节点被输入输出。

被输入输出的信息等既可以被保存至特定的部位(例如，存储器)，也可以使用管理表来管理。被输入输出的信息等能被进行覆写、更新或者追加。被输出的信息等也可以被删除。被输入的信息等也可以被发送给其他装置。

判定既可以通过由1比特表示的值(0或1)来进行，也可以通过真假值(布尔值(Boolean)：真(true)或者假(false))来进行，也可以通过数值的比较(例如，与特定的值的比较)来进行。

在本公开中说明的各方式/实施方式既可以单独使用，也可以组合使用，也可以伴随执行而切换使用。此外，特定的信息的通知(例如，“是X”的通知)不限于显式地进行，也可以通过隐式的方式(例如，不进行该特定的信息的通知)而进行。

以上，针对本公开详细地进行了说明，但对本领域技术人员来说，显然本公开并非限定于在本公开中说明了的实施方式。在不脱离由权利要求书的记载而确定的本发明的主旨和范围的情况下，本公开能够作为修正以及变更方式来实施。因此，本公开的记载以例示说明为目的，对本公开没有任何限制性的意思。

在本公开中，无论软件被称为软件、固件、中间件、微代码、硬件描述语言，还是被称为其他名称，都应广泛地解释为意味着指令、指令集、代码、代码段、程序代码、程序、子程序、软件模块、应用、软件应用、软件包、例程、子例程、对象、可执行文件、执行线程、过程、功能等。

此外，软件、指令、信息等也可以经由传输介质被发送接收。例如，在使用有线技术(同轴线缆、光缆、双绞线、数字订户线路(DSL：Digital Subscriber Line)等)以及无线技术(红外线、微波等)的至少一方从网站、服务器、或者其他远程源发送软件的情况下，这些有线技术和无线技术的至少一者被包含在传输介质的定义内。

在本公开中说明了的信息、信号等也可以使用各种各样的不同技术的其中一个来表示。例如，可遍及上述的整个说明而提及的数据、指令、命令、信息、信号、比特、码元、码片(chip)等也可以通过电压、电流、电磁波、磁场或磁性粒子、光场或光子、或者它们的任意组合来表示。

另外，针对本公开中说明了的术语以及本公开的理解所需的术语，也可以置换为具有相同或者类似的含义的术语。例如，信道以及码元的至少一方也可以是信号(信令)。此外，信号也可以是消息。此外，分量载波(CC：Component Carrier)也可以称为载波频率、小区、频率载波等。

在本公开中使用的“系统”以及“网络”这样的术语被互换地使用。

此外，在本公开中说明了的信息、参数等既可以使用绝对值来表示，也可以使用相对于特定的值的相对值来表示，也可以使用对应的其他信息来表示。例如，无线资源也可以通过索引被指示。

使用于上述的参数的名称在所有方面都并非限定性的名称。进而，使用这些参数的数学式等也有时与在本公开中明确地公开的不同。各种信道(例如，PUCCH、PDCCH等)以及信息元素能够通过任何适合的名称来识别，因此分配给这些各种信道以及信息元素的各种名称在所有方面都并非限定性的名称。

在本公开中，“基站(BS：Base Station)”、“无线基站”、“固定台(fixedstation)”、“NodeB”、“eNodeB(eNB)”、“gNodeB(gNB)”、“接入点(access point)”、“发送点(transmission point)”、“接收点(reception point)”、“发送接收点(transmission/reception point)”、“小区”、“扇区”、“小区组”、“载波”、“分量载波”等术语能够互换地使用。基站也有时利用宏小区、小型小区、毫微微小区、微微小区等术语来称呼。

基站能够容纳一个或者多个(例如，三个)小区。在基站容纳多个小区的情况下，基站的覆盖区域整体能够划分为多个更小的区域，各个更小的区域也能够通过基站子系统(例如，室内用的小型基站(远程无线头(RRH：Remote Radio Head))来提供通信服务。“小区”或者“扇区”这样的术语是指在该覆盖范围中进行通信服务的基站以及基站子系统的至少一方的覆盖区域的一部分或者整体。

在本公开中，“移动台(MS：Mobile Station)”、“用户终端(user terminal)”、“用户装置(用户设备(UE：User Equipment))”、“终端”等术语能够互换地使用。

移动台也有时被本领域技术人员称为订户站、移动单元、订户单元、无线单元、远程单元、移动设备、无线设备、无线通信设备、远程设备、移动订户站、接入终端、移动终端、无线终端、远程终端、手持通话器、用户代理、移动客户端、客户端或者几个其他恰当的术语。

基站以及移动台的至少一方也可以称为发送装置、接收装置、通信装置等。另外，基站以及移动台的至少一方也可以是被搭载于移动体的设备、移动体本体等。该移动体是能够移动的物体，移动速度是任意的。此外当然也包含移动体处于停止的情况。该移动体例如包含车辆、输送车辆、汽车、二轮摩托、自行车、联网汽车(connected car)、铲车、推土机、轮式装载机、翻斗汽车、叉车、列车、公共汽车、后拖车、人力车、船舶(船只及其他水运工具(ship and other watercraft))、飞机、火箭、人造卫星、无人机(drone)(注册商标)、多旋翼直升机(multicopter)、四旋翼(垂直起降)直升机(quadcopter)、气球、以及被搭载于它们上的物体，或者不限于此。此外，该移动体也可以是基于运行指令而自主行驶的移动体。既可以是交通工具(例如，车、飞机等)，也可以是以无人方式运动的移动体(例如，无人机、自动驾驶车等)，也可以是机器人(有人型或者无人型)。另外，基站以及移动台的至少一方还包含在通信操作时不一定移动的装置。例如，基站以及移动台的至少一方也可以是传感器等IoT(物联网(Internet of Things))设备。

此外，本公开中的基站也可以解读为用户终端。例如，也可以针对将基站和用户终端间的通信替换为多个用户终端间的通信(例如，也可以被称为D2D(设备对设备(Device-to-Device))、V2X(车联网(Vehicle-to-Everything))等)的结构，来应用本公开的各方式/实施方式。在该情况下，也可以设为用户终端具有上述的基站所具有的功能的结构。此外，“上行”以及“下行”等用语也可以被替换为与终端间通信对应的用语(例如，“侧(side)”)。例如，上行信道、下行信道等也可以被替换为侧信道。

同样，本公开中的用户终端也可以解读为基站。在该情况下，也可以设为基站具有上述的用户终端所具有的功能的结构。

在本公开中使用的“确定”这样的术语有时包含多种多样的操作。例如，“确定”可包含将进行了判定(judging)、计算(calculating)、算出(computing)、处理(processing)、导出(deriving)、调查(investigating)、搜索(looking up(查找)、search、inquiry(查询))(例如，表格、数据库或者别的数据结构中的搜索)、确认(ascertaining)视为进行了“确定”等。此外，“确定”可包含将进行了接收(receiving)(例如，接收信息)、发送(transmitting)(例如，发送信息)、输入(input)、输出(output)、访问(accessing)(例如，访问存储器中的数据)视为进行了“判断”、“决定”等。此外，“判断”、“决定”可包含将进行了解决(resolving)、选择(selecting)、选定(choosing)、建立(establishing)、比较(comparing)等视为进行了“判断”、“决定”。也就是说，“判断”、“决定”可包含将某些操作视为进行了“判断”、“决定”。此外，“判断(决定)”也可以被替换为“设想(assuming)”、“期待(expecting)”、“视为(considering)”等。

在本公开中“连接(connected)”、“结合(coupled)”这样的术语、或者它们的所有变形意味着两个或者其以上的元素间的直接或者间接的所有连接或者结合，能够包含在相互被“连接”或“结合”的两个元素间存在一个或一个以上的中间元素这一情况。元素间的结合或者连接也可以是物理上的，也可以是逻辑上的，或者也可以是它们的组合。例如，“连接”也可以被替换为“接入”。在本公开中使用的情况下，能够考虑，使用一个或者一个以上的电线、线缆及印刷电连接的至少一个，并作为一些非限定性且非包括性的示例，使用具有无线频域、微波域、光(可见光以及不可见光这二者)域的波长。

在本公开中使用的“基于”这样的记载只要没有另外明确说明，就不意味着“仅基于”。换言之，“基于”这样的记载意味着“仅基于”和“至少基于”这双方。

对使用了在本公开中使用的“第一”、“第二”等称呼的元素的任何参考都并非全面地限定这些元素的量或者顺序。这些称呼能作为对两个以上的元素间进行区分的便利的方法在本公开中使用。从而，对第一以及第二元素的参考不意味着仅能采用两个元素、或者第一元素必须以某些形式而优先于第二元素。

在本公开中，也可以将上述的各装置的结构中的“单元”置换为“电路”、“设备”等。

在本公开中，在使用了“包含(include)”、“包含有(including)”以及它们的变形的情况下，这些术语与术语“具备(comprising)”同样地，意味着包括性的。进而，本公开中使用的术语“或者(or)”意味着并非异或。

以上对本公开进行了详细说明，但对于本领域技术人员而言，显然，本公开并非限定于本说明书中说明的实施方式。本公开在不脱离由权利要求书的记载所确定的本公开的宗旨和范围的前提下，可以作为修改和变更方式来实施。因此，本说明书的记载是以示例说明为目的，对本公开而言并非具有任何限制性的意义。