基站数据分析方法、装置和计算机可读存储介质

技术领域

本公开涉及大数据技术领域，特别是一种基站数据分析方法、装置和计算机可读存储介质。

背景技术

由于高频、大带宽、大规模天线等新特性，5G基站能耗是4G基站能耗至少3-4倍以上，5G基站节能降耗需求十分紧迫。实际上4G基站普遍存在过覆盖以及负荷偏低的问题，也有迫切的基站节能需求，目前也正在实施4G基站节能措施。

现有基站节能方案主要利用基站负荷的潮汐效应，在汐时段实施节能策略，但是目前对潮汐没有较完整的定义，对节能时段还处于粗放管理阶段，譬如是在凌晨1点-6点对所有基站实施节能策略。

发明内容

本公开的一个目的在于提高基站潮汐负荷确定的准确度，提高节能效果。

根据本公开的一些实施例的一个方面，提出一种基站数据分析方法，包括：根据目标潮汐周期获取基站负荷数据；基于改进的DBSCAN(基于密度的具有噪声的应用空间聚类，Density-Based Spatial Clustering of Application with Noise)算法获取以基站负荷数据中每个数据点为核心的簇的列表，其中，改进的DBSCAN算法为在DBSCAN算法的基础上，仅依次向前和向后扫描，且簇内新增点与核心点的差值在预定范围内；根据簇的列表中每个簇的基站负荷数据，以及预定簇负荷阈值、预定潮汐系数阈值和预定最小连续时段阈值，确定目标潮汐周期下的节能时段。

在一些实施例中，根据目标潮汐周期获取基站负荷数据包括：根据目标潮汐周期确定采集周期；根据采集周期内的负荷数据通过预定策略，确定目标潮汐周期对应的基站负荷数据，其中，每个采集周期对应一个数据点。

在一些实施例中，根据簇的列表中每个簇的基站负荷数据，以及预定簇负荷阈值、预定潮汐系数阈值和预定最小连续时段阈值，确定目标潮汐周期下的节能时段包括：确定簇的列表中数据点数量最多的簇为候选目标簇；确定候选目标簇的簇负荷和潮汐系数；从簇的列表中剔除候选目标簇中包含的数据点，继续执行确定候选目标簇的操作，直至簇的列表中每个簇中的数据点数量小于预定最小连续时段阈值对应的数据点数量；确定候选目标簇中，簇负荷小于等于预定簇负荷阈值，且潮汐系数小于等于预定潮汐系数阈值的簇对应的时段，为目标潮汐周期下的节能时段。

在一些实施例中，基于改进的DBSCAN算法获取以基站负荷数据中每个数据点为核心的簇的列表包括，针对每个数据点为起始点和核心点依次执行：判断当前数据点与向前或向后的相邻数据点的值的差值是否在预定差值范围内；在确定当前数据点与相邻数据点的值的差值在预定差值范围内的情况下，判断相邻数据点与核心点的差值是否在预定差值范围内；在相邻数据点与核心点的差值在预定范围内的情况下，将相邻数据点纳入以当前核心点为核心点的簇，且将相邻数据点作为当前数据点，继续执行判断当前数据点与相邻数据点的值的差值是否在预定差值范围内的操作；否则，相邻数据点不归属于以当前核心点为核心点的簇，以当前核心点为核心点的簇确定完成。

在一些实施例中，基站数据分析方法还包括：依次指定目标潮汐周期，以便根据目标潮汐周期确定对应的基站负荷数据，确定对应目标潮汐周期的节能时段。

在一些实施例中，目标潮汐周期包括年周期、季度周期、月周期或日周期中的一种或多种。

在一些实施例中，基站数据分析方法还包括：配置基站在节能时段处于节能供给模式。

通过这样的方法，能够基于改进的DBSCAN实现基站负荷时段分类，在各类周期时段分类场景下分析潮汐，输出相应的节能时段，提高基站潮汐负荷确定的准确度，优化基站节能的差异化和精细化管理。

根据本公开的一些实施例的一个方面，提出一种基站数据分析装置，包括：数据获取单元，被配置为根据目标潮汐周期获取基站负荷数据；聚类单元，被配置为基于改进的DBSCAN算法获取以基站负荷数据中每个数据点为核心的簇的列表，其中，改进的DBSCAN算法为在DBSCAN算法的基础上，仅依次向前和向后扫描，且簇内新增点与核心点的差值在预定范围内；节能时段确定单元，被配置为根据簇的列表中每个簇的基站负荷数据，以及预定簇负荷阈值、预定潮汐系数阈值和预定最小连续时段阈值，确定目标潮汐周期下的节能时段。

在一些实施例中，基站数据分析装置还包括：目标修改单元，被配置为依次指定目标潮汐周期，以便节能时段确定单元确定对应目标潮汐周期的节能时段。

根据本公开的一些实施例的一个方面，提出一种基站数据分析装置，包括：存储器；以及耦接至存储器的处理器，处理器被配置为基于存储在存储器的指令执行上文中任意一种基站数据分析方法。

这样的基站数据分析装置能够基于改进的DBSCAN实现基站负荷时段分类，在各类周期时段分类场景下分析潮汐，输出相应的节能时段，提高基站潮汐负荷确定的准确度，优化基站节能的差异化和精细化管理。

根据本公开的一些实施例的一个方面，提出一种计算机可读存储介质，其上存储有计算机程序指令，该指令被处理器执行时实现上文中任意一种基站数据分析方法的步骤。

通过执行这样的计算机可读存储介质上的指令，能够基于改进的DBSCAN实现基站负荷时段分类，在各类周期时段分类场景下分析潮汐，输出相应的节能时段，提高基站潮汐负荷确定的准确度，优化基站节能的差异化和精细化管理。

附图说明

此处所说明的附图用来提供对本公开的进一步理解，构成本公开的一部分，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。在附图中：

图1为本公开的基站数据分析方法的一些实施例的流程图。

图2为本公开的基站数据分析方法中确定节能时段的一些实施例的流程图。

图3为本公开的基站数据分析方法中的确定簇的列表的一些实施例的流程图。

图4为本公开的基站数据分析方法的一些实施例的示意图。

图5为本公开的基站数据分析方法的另一些实施例的示意图。

图6为本公开的基站数据分析装置的一些实施例的示意图。

图7为本公开的基站数据分析装置的另一些实施例的示意图。

图8为本公开的基站数据分析装置的又一些实施例的示意图。

具体实施方式

下面通过附图和实施例，对本公开的技术方案做进一步的详细描述。

本公开的基站数据分析方法的一些实施例的流程图如图1所示。

在步骤101中，根据目标潮汐周期获取基站负荷数据。在一些实施例中，目标潮汐周期可以包括年周期、季度周期、月周期和日周期，针对每种目标潮汐周期，基站负荷数据中每个数据点对应的数据采集周期不同。例如，对于目标潮汐周期为日周期的情况，可以取一个小时或半小时内的采样数据基于预定策略进行计算，如对下行PRB取均值、中位数、最大值等，得到基站负荷数据。

在步骤102中，基于改进的DBSCAN算法获取以基站负荷数据中每个数据点为核心的簇的列表。DBSCAN是一种基于密度的聚类算法，通过设定扫描半径(eps)和最小包含点数(minPts)，进行邻域扫描产生核心点形成簇并不断递归处理对簇进行扩展。

改进的DBSCAN算法为在DBSCAN算法的基础上，仅依次向前和向后扫描，且簇内新增点与核心点的差值在预定范围内的。譬如日潮汐，从0到23点按顺序排列数据，首先预设0点为核心点，向前23点，或者向后1点检查是否在扫描半径内，如果是将该点纳入本簇并继续向前22点，或者向后2点扫描，如果与0点的负荷差也在扫描半径内，则纳入本簇继续循环，直到没有点可以纳入本簇，然后继续以1点为核心点进行簇扩展，直至24个时间点都完成簇扩展。

在步骤103中，根据簇的列表中每个簇的基站负荷数据，以及预定簇负荷阈值、预定潮汐系数阈值和预定最小连续时段阈值，确定目标潮汐周期下的节能时段。在一些实施例中，配置基站在节能时段处于节能供给模式，从而降低能耗。

通过这样的方法，能够基于改进的DBSCAN实现基站负荷时段分类，在各类周期时段分类场景下分析负荷潮汐，输出相应的节能时段，提高基站潮汐负荷确定的准确度，优化基站节能的差异化和精细化管理。

在一些实施例中，如图1所示，还可以包括步骤104。

在步骤104中，在未能得到全部目标潮汐周期的节能时段的情况下，修改目标潮汐周期，进而执行步骤101。在一些实施例中，从大周期到小周期依次对历史数据进行时段分类，对于存在大周期潮汐的基站数据，则针对大周期的潮、汐分别做小周期的潮汐分析，直到分析日潮汐，结合簇负荷和潮汐系数就可以输出不同分类下的节能时段。

通过这样的方法，能够在获取大周期时段分类的基础上进一步获取更小层次的潮汐。

在一些实施例中，基站数据分析方法可以以单个基站，或一定范围内的基站为单位进行数据分析，进而进行分区域、分基站的节能时段确定和模式调节，从而克服传统的节能策略采用一刀切的方式设定基站的节能时段，而未考虑基站与基站之间的差异(如商场/办公楼，宿舍/教学楼)的问题，也未考虑同一基站在不同时段(年潮汐，周潮汐)差异(如学校开学放假，工厂开工放假)的问题，实现了差异化管理，提高了基站节能管理的精细度。

本公开的基站数据分析方法中确定节能时段的一些实施例的流程图如图2所示。

在步骤201中，在簇列表中，确定数据点数量最多的簇为候选目标簇。

在步骤202中，确定候选目标簇的簇负荷和潮汐系数。在一些实施例中，簇负荷可以为簇内各负荷均值，中位数，最大值等；潮汐系数可以采用如下公式计算：

潮汐系数＝簇负荷-本周期最小负荷/本周期负荷极差。

在步骤203中，从簇的列表中剔除候选目标簇中包含的数据点。

在步骤204中，判断是否簇列表中剩余的簇，其数据点的数量小于预定最小连续时段阈值对应的数据点数量，例如剩余的簇全部为单点簇。

若剩余的簇的数据点的数量均小于预定最小连续时段阈值对应的数据点数量，则执行步骤205；否则，确定候选目标簇还未筛选完，执行步骤201，确定下一个候选目标簇。

在步骤205中，完成候选目标簇的筛选，进一步的将候选目标簇的簇负荷与预定簇负荷阈值比较，将候选目标簇的潮汐系数与预定潮汐系数阈值比较，确定簇负荷小于等于预定簇负荷阈值、且潮汐系数小于等于预定潮汐系数阈值的候选目标簇对应的时段，为目标潮汐周期下的节能时段。

通过这样的方法，能够在簇列表的基础上通过循环筛选，得到符合节能时段要求的时段，且得到的时段不交叠，能够先得到时间最长、负荷稳定的时段，从而提高了节能时段获取的准确性。

本公开的基站数据分析方法中的确定簇的列表的一些实施例的流程图如图3所示。首先，确定一个核心点，以该核心点作为初始的当前数据点，执行：

在步骤301中，判断当前数据点与相邻数据点(向前或向后的时间点对应的数据点)的值的差值是否在预定差值范围内。若在预定差值范围内，则执行步骤302；若不在预定差值范围内，则执行步骤303。在一些实施例中，相邻数据点指的是位于当前数据点的远离核心点一侧的数据点。

在步骤302中，判断相邻数据点与核心点的差值是否在预定差值范围内。若在预定差值范围内，则执行步骤304；若不在预定差值范围内，则执行步骤303。

在步骤303中，确定该相邻数据点不归属于以当前核心点为核心点的簇，以当前核心点为核心点的簇确定完成。

在步骤304中，将相邻数据点纳入以当前核心点为核心点的簇。

在步骤305中，将相邻数据点作为当前数据点，继续执行步骤301。

通过这样的方法，能够基于DBSCAN算法进行改进，限定邻域扫描只可以次第往前或往后，实现了在时间序列数据处理过程中DBSCAN算法的适用；另外新增点与核心点的负荷差也必须在参数限定范围内，保证了时段的连续性和簇内负荷的稳定性。

在一些实施例中，如图4所示，然后按时间顺序排列数据并预设时间点为核心点，进行簇扩展。对输出的以每个时间点为核心点的簇列表，优选包含点数最多的簇作为候选目标簇，计算簇负荷和潮汐系数，然后剔除已在候选目标簇中的点，检查剩余的簇是否只有一个点，如果不是，则继续上述选择过程，直到剩余的簇只包含自身一个点，得到每个候选目标簇的如下信息：

表1日潮汐计算中的情况下的簇的各类信息计算

如图4所示，以0点为核心点的簇向前直到22点，22点与21点按照相关技术中的DBSCAN算法，是紧密连接的，可以纳入本簇，但是本公开中需要与核心的0点进行负荷差比较，则21点对应的数据被剔除在本簇之外。本例中，包含最长时段的簇，潮汐系数0.004，簇负荷为0.038。结合簇负荷、潮汐系数和最小连续时段数就可以输出节能时段。譬如，设置簇负荷为0.1为节能门限，最小连续时段为3，则示例中22-7点，以及20-21点这两簇满足簇负荷的门限，且这两簇连续，总时长大于3，因此21-7整段均为节能时段。而13点这个时段，虽然簇负荷足够低，但因其连续时段只有1，不能够作为节能时段输出。

在一些实施过程中，从大周期到小周期依次对历史数据进行时段分类，对于存在大周期潮汐的基站数据，则针对大周期的潮，汐分别做小周期的潮汐分析，直到分析日潮汐，结合簇负荷和潮汐系数就可以输出不同分类下的节能时段。如图5所示。两条线分别是两个基站按日统计的日平均负荷情况，其中被方框框选的那条具有明显的年周潮汐效应，在识别到年潮，年汐，周潮，周汐的情况下分别进行日潮汐分析，得到对应的节能时段，得到的输入可以如下表所示。

表2层次化潮汐分析示意表

本公开的基站数据分析装置的一些实施例的示意图如图6所示。

数据获取单元601能够根据目标潮汐周期获取基站负荷数据。在一些实施例中，目标潮汐周期可以包括年周期、季度周期、月周期和日周期，针对每种目标潮汐周期，基站负荷数据中每个数据点对应的数据采集周期不同。例如，对于目标潮汐周期为日周期的情况，可以取一个小时或半小时内的采样数据基于预定策略进行计算，如对下行PRB取均值、中位数、最大值等，得到基站负荷数据。

聚类单元602能够基于改进的DBSCAN算法获取以基站负荷数据中每个数据点为核心的簇的列表，其中，改进的DBSCAN算法为在DBSCAN算法的基础上，仅依次向前和向后扫描，且簇内新增点与核心点的差值在预定范围内的。譬如日潮汐，从0到23点按顺序排列数据，首先预设0点为核心点，向前23点，或者向后1点检查是否在扫描半径内，如果是将该点纳入本簇并继续向前22点，或者向后2点扫描，如果与0点的负荷差也在扫描半径内则纳入本簇继续循环，直到没有点可以纳入本簇，然后继续以1点为核心点进行簇扩展，直至24个时间点都完成簇扩展。

节能时段确定单元603能够根据簇的列表中每个簇的基站负荷数据，以及预定簇负荷阈值、预定潮汐系数阈值和预定最小连续时段阈值，确定目标潮汐周期下的节能时段。在一些实施例中，配置基站在节能时段处于节能供给模式，从而降低能耗。

这样的装置能够基于改进的DBSCAN实现基站负荷时段分类，在各类周期时段分类场景下分析潮汐，输出相应的节能时段，提高基站潮汐负荷确定的准确度，优化基站节能的差异化和精细化管理。

在一些实施例中，如图6所示，基站数据分析装置还可以包括目标修改单元604，能够在节能时段确定单元603未能得到全部目标潮汐周期的节能时段的情况下，修改目标潮汐周期，进而激活数据获取单元601获取下一周期下的节能时段。在一些实施例中，从大周期到小周期依次对历史数据进行时段分类，对于存在大周期潮汐的基站数据，则针对大周期的潮、汐分别做小周期的潮汐分析，直到分析日潮汐，结合簇负荷和潮汐系数就可以输出不同分类下的节能时段。

这样的装置能够在获取大周期时段分类的基础上进一步获取更小层次的潮汐，便于进一步的精细化管理。

本公开基站数据分析装置的一个实施例的结构示意图如图7所示。基站数据分析装置包括存储器701和处理器702。其中：存储器701可以是磁盘、闪存或其它任何非易失性存储介质。存储器用于存储上文中基站数据分析方法的对应实施例中的指令。处理器702耦接至存储器701，可以作为一个或多个集成电路来实施，例如微处理器或微控制器。该处理器702用于执行存储器中存储的指令，能够提高基站潮汐负荷确定的准确度，优化基站节能的差异化和精细化管理。

在一个实施例中，还可以如图8所示，基站数据分析装置800包括存储器801和处理器802。处理器802通过BUS总线803耦合至存储器801。该基站数据分析装置800还可以通过存储接口804连接至外部存储装置805以便调用外部数据，还可以通过网络接口806连接至网络或者另外一台计算机系统(未标出)。此处不再进行详细介绍。

在该实施例中，通过存储器存储数据指令，再通过处理器处理上述指令，能够提高基站潮汐负荷确定的准确度，优化基站节能的差异化和精细化管理。

在另一个实施例中，一种计算机可读存储介质，其上存储有计算机程序指令，该指令被处理器执行时实现基站数据分析方法对应实施例中的方法的步骤。本领域内的技术人员应明白，本公开的实施例可提供为方法、装置、或计算机程序产品。因此，本公开可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本公开可采用在一个或多个其中包含有计算机可用程序代码的计算机可用非瞬时性存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本公开是参照根据本公开实施例的方法、设备(系统)和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

至此，已经详细描述了本公开。为了避免遮蔽本公开的构思，没有描述本领域所公知的一些细节。本领域技术人员根据上面的描述，完全可以明白如何实施这里公开的技术方案。

可能以许多方式来实现本公开的方法以及装置。例如，可通过软件、硬件、固件或者软件、硬件、固件的任何组合来实现本公开的方法以及装置。用于所述方法的步骤的上述顺序仅是为了进行说明，本公开的方法的步骤不限于以上具体描述的顺序，除非以其它方式特别说明。此外，在一些实施例中，还可将本公开实施为记录在记录介质中的程序，这些程序包括用于实现根据本公开的方法的机器可读指令。因而，本公开还覆盖存储用于执行根据本公开的方法的程序的记录介质。

最后应当说明的是：以上实施例仅用以说明本公开的技术方案而非对其限制；尽管参照较佳实施例对本公开进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本公开的具体实施方式进行修改或者对部分技术特征进行等同替换；而不脱离本公开技术方案的精神，其均应涵盖在本公开请求保护的技术方案范围当中。