一种基于5G的通信基站能耗优化方法与设备

摘要

本发明提供一种基于5G的通信基站能耗优化方法与设备，属于5G通信基站技术领域，具体包括：当5G通信基站的位置不属于特定位置且近一月的每日的通信流量的平均值不大于第一流量阈值时，基于流量平均值、近一月的平均通信延时率、近一月的日均接入终端数量构建输入集，基于机器学习算法的预测模型确定5G通信基站的可靠性要求评分，并当可靠性要求评分不大于第一可靠性阈值时，基于当前时间、日期类型、前日的流量数据、前日的接入终端数量，构建预测模型确定5G通信基站在未来第一时间阈值内的预测流量数据和预测接入终端数量，并基于预测流量数据、预测接入终端数量进行5G通信基站的能耗控制，从而进一步减少了能量的消耗以及保证了运行的可靠性。

权利要求

1.一种基于5G的通信基站能耗优化方法，其特征在于，具体包括：

S11基于5G通信基站的位置，判断所述5G通信基站的位置是否属于特定位置，若是，则不对所述5G通信基站进行能耗控制，若否，则进入步骤S12；

S12将所述5G通信基站的最近一个月的每日的通信流量的平均值作为流量平均值，并判断所述流量平均值是否大于第一流量阈值，若是，则不对所述5G通信基站进行能耗控制，若否，则进入步骤S13；

S13基于所述流量平均值、所述5G通信基站的最近一个月的平均通信延时率、所述5G通信基站的最近一个月的日均接入终端数量构建输入集，并基于所述输入集，采用基于机器学习算法的预测模型，确定所述5G通信基站的可靠性要求评分，并判断所述5G通信基站的可靠性要求评分是否大于第一可靠性阈值，若是，则不对所述5G通信基站进行能耗控制，若否，则进入步骤S14；

S14基于当前时间、日期类型、所述5G通信基站的前日的流量数据、所述5G通信基站的前日的接入终端数量，构建预测模型确定所述5G通信基站在未来第一时间阈值内的预测流量数据和预测接入终端数量，并基于所述预测流量数据、预测接入终端数量，进行所述5G通信基站的能耗控制。

2.如权利要求1所述的通信基站能耗优化方法，其特征在于，所述特定位置包括政府机关、医院，以所述5G通信基站的位置为中心，当以所述中心的第一面积阈值的范围内存在政府机关或者医院时，确定所述5G通信基站的位置属于特定位置，其中第一面积阈值根据所述5G通信基站的分布量、5G通信基站的通信流量阈值进行确定。

3.如权利要求1所述的通信基站能耗优化方法，其特征在于，第一流量阈值根据5G通信基站的分布量、5G通信基站的历史中的日均能耗数据进行确定。

4.如权利要求1所述的通信基站能耗优化方法，其特征在于，所述日期类型包括工作日、节假日、周末。

5.如权利要求4所述的通信基站能耗优化方法，其特征在于，当进行所述5G通信基站的可靠性要求评分的评估之前，还需要结合当前的日期类型和当前时间对所述5G通信基站进行筛选，具体步骤为：S21基于当前的日期类型，以所述当前时间为基础，得到最近一个月内的在未来第一时间阈值内的最大历史流量数据和最大历史接入终端数量；

S22判断是否所述最大历史流量数据小于第二流量阈值且最大历史接入终端数量小于第二终端阈值，若是，则进入步骤S23，若否，则不对所述5G通信基站进行能耗控制；

S23对所述5G通信基站的可靠性要求评分进行评估。

6.如权利要求1所述的通信基站能耗优化方法，其特征在于，确定所述5G通信基站的可靠性要求评分的具体步骤为：S31获取所述5G通信基站的流量平均值、最近一个月的平均通信延时率，5G通信基站的最近一个月的日均接入终端数量，采用基于ELM算法的特征值评估模型，确定所述5G通信基站的数据特征值；

S32基于所述5G通信基站的流量平均值与每日的通信流量的最大值构建流量变动量、基于所述5G通信基站的最近一个月的日均接入终端数量与接入终端数量的最大值构建终端变动量；

S33基于所述流量变动量、终端变动量、数据特征值，采用基于GWO‑BILSTM算法的预测模型，确定所述5G通信基站的基础可靠性评分要求；

S34基于所述5G通信基站的最近一个月的每日的通信流量的最大值与所述5G通信基站的平均值的比值得到每日的通信流量的变动比，并基于所述变动比对所述基础可靠性评分要求进行修正，得到可靠性评分要求。

7.如权利要求1所述的通信基站能耗优化方法，其特征在于，所述5G通信基站的可靠性评分要求的取值范围在0到1之间，其中可靠性评分要求越高，则所述5G通信基站的可靠性要求越高。

8.如权利要求6所述的通信基站能耗优化方法，其特征在于，所述可靠性评分要求的计算公式为： 其中J1为基础可靠性评分要求，G为变动比，min（）为取最小值函数。

9.如权利要求4所述的通信基站能耗优化方法，其特征在于，进行所述5G通信基站的能耗控制的具体步骤为：S41基于所述当前时间、日期类型、前日的流量数据，采用基于BILSTM算法的评估模型，得到所述5G通信基站在未来第一时间阈值内的预测流量数据；

S42判断所述预测流量数据是否大于第三流量阈值，若是，则不对所述5G通信基站进行能耗控制，若否，则进入步骤S43；

S43基于所述当前时间、日期类型、前日的接入终端数量，采用基于BILSTM算法的终端数量评估模型，得到所述5G通信基站在未来第一时间阈值内的预测接入终端数量，并判断所述预测接入终端数量是否大于第一数量阈值，若是，则不对所述5G通信基站进行能耗控制，若否，则进入步骤S44；

S44基于所述5G通信基站的位置，并当所述位置的第二面积阈值范围内的其他的5G通信基站能够满足预测接入终端数量和预测流量数据的要求时，控制所述5G通信基站进行休眠操作。

10.如权利要求9所述的通信基站能耗优化方法，其特征在于，所述第三流量阈值、第一时间阈值根据5G通信基站的数量、通信基站的可靠性要求进行确定。

11.一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行权利要求1‑10任一项所述的一种基于5G的通信基站能耗优化方法。

12.一种电子设备，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行权利要求1‑10任一项所述的一种基于

5G的通信基站能耗优化方法。

说明书

一种基于5G的通信基站能耗优化方法与设备

技术领域

[0001] 本发明属于5G通信基站技术领域，尤其涉及一种基于5G的通信基站能耗优化方法与设备。

背景技术

[0002] 为了实现对5G通信基站的能耗优化，在授权发明专利授权公告号CN111246552B《一种基于移动网络流量预测的基站休眠方法》中通过利用时间卷积网络抽取移动网络流量的时间特征，利用三维卷积网络流量抽取移动网络流量的空间特征，然后利用抽取的特征进行准确地预测基站的流量，再利用预测的流量通过规划的方法选取合适的基站进行休眠，能够有效地降低基站的工作能耗，同时又能够保证用户的服务质量，但是却存在以下技术问题：

[0003] 1、忽视了通信基站的最基本的可靠性要求，如果通信基站每日的通信流量都大于一定的流量阈值，为了保证用户的可靠性要求，若将上述通信基站关闭，则会明显导致5G通信的通信延时明显增加，通信可靠性也明显降低。

[0004] 2、忽视了通信基站的类型的不同对于可靠性的要求，对于应用到医院、政府机关等位置的通信基站，由于通信基站的耗能而关闭，从而可能导致由于通信不畅或者可靠性较低，导致患者的病情无法及时处理或者政府机关的相关规定无法及时下达。

[0005] 3、未考虑基于通信基站的通信流量、平均通信延时、接入的终端数量进行通信基站的可靠性要求系数的构建，对于通信流量大、平均通信延时较高、接入的终端数量较多的通信基站，其可靠性要求明显较高，因此若为了控制能耗而关闭，则明显会导致通信基站的可靠性明显降低。

[0006] 针对上述技术问题，本发明提供了一种基于5G的通信基站能耗优化方法与设备。

发明内容

[0007] 为实现本发明目的，本发明采用如下技术方案：

[0008] 根据本发明的一个方面，提供了一种基于5G的通信基站能耗优化方法，其特征在于，具体包括：

[0009] S11基于5G通信基站的位置，判断所述5G通信基站的位置是否属于特定位置，若是，则不对所述5G通信基站进行能耗控制，若否，则进入步骤S12；

[0010] S12将所述5G通信基站的最近一个月的每日的通信流量的平均值作为流量平均值，并判断所述流量平均值是否大于第一流量阈值，若是，则不对所述5G通信基站进行能耗控制，若否，则进入步骤S13；

[0011] S13基于所述流量平均值、所述 5G通信基站的最近一个月的平均通信延时率、所述5G通信基站的最近一个月的日均接入终端数量构建输入集，并基于所述输入集，采用基于机器学习算法的预测模型，确定所述5G通信基站的可靠性要求评分，并判断所述5G通信基站的可靠性要求评分是否大于第一可靠性阈值，若是，则不对所述5G通信基站进行能耗控制，若否，则进入步骤S14；

[0012] S14基于当前时间、日期类型、所述5G通信基站的前日的流量数据、所述5G通信基站的前日的接入终端数量，构建预测模型确定所述5G通信基站在未来第一时间阈值内的预测流量数据和预测接入终端数量，并基于所述预测流量数据、预测接入终端数量，进行所述5G通信基站的能耗控制。

[0013] 通过首先基于位置、再基于通信流量，最后基于可靠性评分，从而进一步提升了筛选的效率，从判断条件的难易性逐渐加深，从而避免了一开始就采用通信流量胡总和可靠性评分导致的筛选效率较低的技术问题，进一步提升了通信基站运行的稳定性和可靠性。

[0014] 通过基于所述流量平均值、所述5G通信基站的最近一个月的平均通信延时率、所述5G通信基站的最近一个月的日均接入终端数量，实现对5G通信基站的可靠性要求评分的确定，从而结合了多方面的因素实现了对可靠性要求评分的确定，保证了评估结果的准确性和全面性。

[0015] 通过基于当前时间、日期类型、前日的流量数据、前日的接入终端数量，构建预测模型确定所述5G通信基站在未来第一时间阈值内的预测流量数据和预测接入终端数量，从而实现了从预测流量数据和预测接入终端数量两方面实现对需要进行能耗控制的5G通信基站的筛选，从而避免了单纯采用网络流量数据或者接入终端数量导致的筛选结果不够全面的问题的出现，从而在保证实现较好的能耗控制的基础上，保证了通信的稳定性和可靠性。

[0016] 另一方面，本申请实施例中提供一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行上述的一种基于5G的通信基站能耗优化方法。

[0017] 另一方面，本申请实施例中提供一种电子设备，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行上述的一种基于5G的通信基站能耗优化方法。

[0018] 其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书以及附图中所特别指出的结构来实现和获得。

[0019] 为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

附图说明

[0020] 通过参照附图详细描述其示例实施方式，本发明的上述和其它特征及优点将变得更加明显；

[0021] 图1是根据实施例1的一种基于5G的通信基站能耗优化方法的流程图；

[0022] 图2是实施例1中的结合当前的日期类型和当前时间对5G通信基站进行筛选的流程图；

[0023] 图3是实施例1中的确定5G通信基站的可靠性要求评分的具体步骤的流程图；

[0024] 图4是实施例1中的进行5G通信基站的能耗控制的具体步骤的流程图；

[0025] 图5是实施例2中的一种计算机可读存储介质的框架图；

具体实施方式

[0026] 现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的实施方式；相反，提供这些实施方式使得本发明将全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。图中相同的附图标记表示相同或类似的结构，因而将省略它们的详细描述。

[0027] 用语“一个”、“一”、“该”、“所述”用以表示存在一个或多个要素/组成部分/等；用语“包括”和“具有”用以表示开放式的包括在内的意思并且是指除了列出的要素/组成部分/等之外还可存在另外的要素/组成部分/等。

[0028] 技术问题思考：

[0029] 原有的采用预测的流量通过规划的方法选取合适的基站进行休眠，能够有效地降低基站的工作能耗，，但是却忽视了通信基站的最基本的可靠性要求，对于通信基站在每日的通信流量都大于一定的流量阈值，若将上述通信基站关闭，则会明显导致5G通信的通信延时明显增加，视了通信基站的类型的不同对于可靠性的要求，对于应用到医院、政府机关等位置的通信基站，由于通信基站的耗能而关闭，从而可能导致由于通信不畅或者可靠性较低，导致患者的病情无法及时处理或者政府机关的相关规定无法及时下达；未考虑基于通信基站的通信流量、平均通信延时、用户的投诉率进行通信基站的可靠性要求系数的构建，对于通信流量大、平均通信延时较高、通信基站的类型值较为重要的通信基站，其可靠性要求明显较高，因此若为了控制能耗而关闭，则明显会导致通信基站的可靠性明显降低。实施例1

[0030] 为解决上述问题，根据本发明的一个方面，如图1所示，提供了一种基于5G的通信基站能耗优化方法，其特征在于，具体包括：

[0031] S11基于5G通信基站的位置，判断所述5G通信基站的位置是否属于特定位置，若是，则不对所述5G通信基站进行能耗控制，若否，则进入步骤S12；

[0032] 具体的，所述特定位置指政府机关、医院。

[0033] 具体的，以所述5G通信基站的位置为中心，当以所述中心的第一面积阈值的范围内存在政府机关或者医院时，确定所述5G通信基站的位置属于特定位置，其中第一面积阈值根据所述5G通信基站的分布量、5G通信基站的通信流量阈值进行确定。

[0034] 具体的，若以5G通信基站的位置为中心，第一面积阈值为20平方公里，20平方公里范围内存在存在政府机关或者医院时，确定所述5G通信基站的位置属于特定位置。

[0035] 通过结合5G通信基站的位置实现对5G通信基站的筛选，从而保证了应用到医院、政府机关等位置的通信基站能够稳定可靠运行，防止由于通信问题产生的其他的患者沟通不畅等问题的出现。

[0036] S12将所述5G通信基站的最近一个月的每日的通信流量的平均值作为流量平均值，并判断所述流量平均值是否大于第一流量阈值，若是，则不对所述5G通信基站进行能耗控制，若否，则进入步骤S13；

[0037] 具体的，第一流量阈值根据5G通信基站的分布量、5G通信基站的历史中的日均能耗数据进行确定，其中5G通信基站的分布量越多、5G通信基站的历史中的日均能耗数据越小，则第一流量阈值越大。

[0038] 具体的，若每日的通信流量为5Gbps、6Gbps、3Gbps，则每日的通信流量的平均值为5Gbps。

[0039] S13基于所述流量平均值、所述 5G通信基站的最近一个月的平均通信延时率、所述5G通信基站的最近一个月的日均接入终端数量构建输入集，并基于所述输入集，采用基于机器学习算法的预测模型，确定所述5G通信基站的可靠性要求评分，并判断所述5G通信基站的可靠性要求评分是否大于第一可靠性阈值，若是，则不对所述5G通信基站进行能耗控制，若否，则进入步骤S14；

[0040] 具体的举个例子，当进行所述5G通信基站的可靠性要求评分的评估之前，还需要结合当前的日期类型和当前时间对所述5G通信基站进行筛选，如图2所示，其具体步骤为：

[0041] S21基于当前的日期类型，以所述当前时间为基础，得到最近一个月内的在未来第一时间阈值内的最大历史流量数据和最大历史接入终端数量；

[0042] 具体的，若日期类型为工作日，当时间为12:00，第一时间阈值为2小时，则最近一个月内的在未来第一时间阈值内的最大历史流量数据和最大历史接入终端数量即为在工作日，在12:00‑14:00之间的最近一个月内的的最大历史流量数据和最大历史接入终端数量。

[0043] S22判断是否所述最大历史流量数据小于第二流量阈值且最大历史接入终端数量小于第二终端阈值，若是，则进入步骤S23，若否，则不对所述5G通信基站进行能耗控制；

[0044] S23对所述5G通信基站的可靠性要求评分进行评估。

[0045] 通过进一步结合未来第一时间阈值内的最大历史流量数据和最大历史接入终端数量，从而防止由于5G通信基站由于休眠导致的无法满足通信需求的问题的出现，保证了极端情况下通信的可靠性。

[0046] 在另外一种可能的实施例中，还可以根据最近一个月内的在未来第一时间阈值内的最大历史流量数据和最大历史接入终端数量出现的次数，确定出现的概率，并根据出现的概率的大小来确定是否需要进一步进行上述基于最大历史流量数据和最大历史接入终端数量的判断。

[0047] 具体的举个例子，若最近一个月内的在未来第一时间阈值内的最大历史流量数据和最大历史接入终端数量出现的次数为1次，因此其出现的概率为1/30，通过概率阈值的设置，例如可以设置为1/6,则不再进行上述基于最大历史流量数据和最大历史接入终端数量的判断。

[0048] 具体的，所述日期类型包括工作日、节假日、周末。

[0049] 具体的举个例子，如图3所示，确定所述5G通信基站的可靠性要求评分的具体步骤为：

[0050] S31获取所述5G通信基站的流量平均值、最近一个月的平均通信延时率，5G通信基站的最近一个月的日均接入终端数量，采用基于ELM算法的特征值评估模型，确定所述5G通信基站的数据特征值；

[0051] 具体的，所述ELM算法的模型的输入层的3个神经元对应的输入矩阵为X=[x1,x2,x3]；输出层的1个神经元对应的输出矩阵为Y；隐含层有L个神经元，激励函数g(x)的M模型为： 式中，βjk为隐含层神经元第j个神经元与输出层第k个神经元的连接权值；ωij为输入层第i个神经元与隐含层第j个神经元的连接权值；g(x)为隐含层神经元的激励函数；bi为第i个隐含层神经元的阈值；y为网络的实际输出值。

[0052] 具体的，网络特征值的取值范围在0到1之间，其中5G通信基站的流量平均值、最近一个月的平均通信延时率，5G通信基站的最近一个月的日均接入终端数量越大，则网络特征值越大。

[0053] S32基于所述5G通信基站的每日的通信流量的最大值与流量平均值的差构建流量变动量、基于所述5G通信基站的接入终端数量的最大值与最近一个月的日均接入终端数量的差构建终端变动量；

[0054] 具体的举个例子，若流量平均值为7Gbps，每日的通信流量的最大值为10Gbps，则流量变动量为3Gbps。

[0055] S33基于所述流量变动量、终端变动量、数据特征值，采用基于GWO‑BILSTM算法的预测模型，确定所述5G通信基站的基础可靠性评分要求；

[0056] 具体的举个例子，BiLSTM 的超参数主要包括初始学习率、隐层神经单元个数、迭代次数、训练批次等，在模型训练过程中，通过优化隐层神经单元个数、初始学习率等超参数，可以提高 BiLSTM对复杂数据特征的学习能力，使其隐层输出分布更接近于实际的输入特征，从而提高基础可靠性评分要求输出的准确率，其中对基础可靠性评分要求精度影响较大的超参数为初始学习率以及隐层神经单元个数，因此利用鲸鱼算法对初始学习率、隐层神经单元个数进行寻优。

[0057] 具体的举个例子，初始学习率以及隐层神经单元个数的寻优范围如表1所示：

[0058] 表1 初始学习率以及隐层神经单元个数的寻优范围

[0059] 具体的举个例子，基于GWO‑BILSTM算法的预测模型，确定所述5G通信基站的基础可靠性评分要求的具体步骤为：

[0060] Step1：获取历史数据中的变流量变动量、终端变动量、数据特征值并进行归一化预处理，将其作为WOA‑BiLSTM算法的预测模型的输入；

[0061] Step2：按照 8：2 的比例将Step1得到的数据集划分训练集与测试集；

[0062] Step3：设置种群规模N，搜索空间维度D，最大迭代次数T以及BILSTM的相关超参数的寻优范围，对鲸鱼种群初始化，使种群均匀分布；

[0063] Step4：以故障诊断准确率为适应度，计算出当前超参数下的每一只鲸鱼的最优适应度值，并记录其位置；

[0064] Step5：利用鲸鱼算法不断更新鲸鱼个体位置，对BILSTM 超参数进行寻优；

[0065] Step6：计算鲸鱼新位置的适应度值，如果新值优于当前值，则更新鲸群个体最优适应度，如果当前值优于新值，则保持当前个体适应度不变，继续训练；

[0066] Step7：判断是否达到终止条件，若满足条件，则将最优超参数赋予BILSTM，若不满足返回Step5继续迭代；

[0067] Step8：最后利用由WOA寻优所得的GWO‑BILSTM算法的预测模型，采用测试集对模型进行实验验证，对实验结果进行评判。

[0068] Step9：将所述流量变动量、终端变动量、数据特征值，采用基于GWO‑BILSTM算法的预测模型，确定所述5G通信基站的基础可靠性评分要求。

[0069] 具体的，标准WOA中，收敛因子a以线性规律从2衰减到0，线性收敛因子使算法在整个迭代过程中全局搜索与局部开发能力失去平衡；为增强全局搜索与局部开发能力，在前一半迭代过程中，希望收敛因子的值能够保持较高的状态，增强算法的全局搜索能力，以较大的步长尽可能多地探寻求解空间，在后一半迭代过程中，收敛因子最好能够以较小步长进行局部搜索，这样可以提高求解精度，显然标准WOA中的线性收敛因子无法满足上述要求；为此，本发明提出一种非线性反正切收敛因子，数学模型如下所示:其中，Max为最大迭代次数，t为当前迭代次数。

[0070] S34基于所述5G通信基站的最近一个月的每日的通信流量的最大值与所述5G通信基站的平均值的比值得到通信流量的变动比，并基于所述变动比对所述基础可靠性评分要求进行修正，得到可靠性评分要求。

[0071] 具体的举个例子，所述5G通信基站的可靠性评分要求的取值范围在0到1之间，其中可靠性评分要求越高，则所述5G通信基站的可靠性要求越高。

[0072] 具 体 的 举 个 例 子 ，所 述 可 靠 性 评 分 要 求 的 计 算 公 式 为 ：其中J1为基础可靠性评分要求，G为变动比，min（）为取最
小值函数。

[0073] 通过分别基于5G通信基站的位置、5G通信基站的通信流量、5G通信基站的可靠性要求评分实现对5G通信基站的筛选，从而实现了对5G通信基站的可靠性要求较高的通信基站的筛选，避免了采用能耗控制导致的网络延时较大的问题的出现，进一步提升了5G通信基站的运行稳定性，保证了较好的通信体验。

[0074] 通过首先基于位置、再基于通信流量，最后基于可靠性评分，从而进一步提升了筛选的效率，从判断条件的难易性逐渐加深，从而避免了一开始就采用通信流量胡总和可靠性评分导致的筛选效率较低的技术问题，进一步提升了通信基站运行的稳定性和可靠性。

[0075] 通过基于所述流量平均值、所述5G通信基站的最近一个月的平均通信延时率、所述5G通信基站的最近一个月的日均接入终端数量，实现对5G通信基站的可靠性要求评分的确定，从而结合了多方面的因素实现了对可靠性要求评分的确定，保证了评估结果的准确性和全面性。

[0076] S14基于所述当前时间、日期类型、前日的流量数据、前日的接入终端数量，构建预测模型确定所述5G通信基站在未来第一时间阈值内的预测流量数据和预测接入终端数量，并基于所述预测流量数据、预测接入终端数量，进行所述5G通信基站的能耗控制。

[0077] 具体的，所述日期类型包括工作日、节假日、周末。

[0078] 具体的，如图4所示，进行所述5G通信基站的能耗控制的具体步骤为：

[0079] S41基于所述当前时间、日期类型、前日的流量数据，采用基于BILSTM算法的评估模型，得到所述5G通信基站在未来第一时间阈值内的预测流量数据；

[0080] S42判断所述预测流量数据是否大于第三流量阈值，若是，则不对所述5G通信基站进行能耗控制，若否，则进入步骤S43；

[0081] S43基于所述当前时间、日期类型、前日的接入终端数量，采用基于BILSTM算法的终端数量评估模型，得到所述5G通信基站在未来第一时间阈值内的预测接入终端数量，并判断所述预测接入终端数量是否大于第一数量阈值，若是，则不对所述5G通信基站进行能耗控制，若否，则进入步骤S44；

[0082] S44基于所述5G通信基站的位置，并当所述位置的第二面积阈值范围内的其他的5G通信基站能够满足预测接入终端数量和预测流量数据的要求时，控制所述5G通信基站进行休眠操作。

[0083] 具体的举个例子，所述第三流量阈值、第一时间阈值根据5G通信基站的数量、通信基站的可靠性要求进行确定。

[0084] 通过基于当前时间、日期类型、前日的流量数据、前日的接入终端数量，构建预测模型确定所述5G通信基站在未来第一时间阈值内的预测流量数据和预测接入终端数量，从而实现了从预测流量数据和预测接入终端数量两方面实现对需要进行能耗控制的5G通信基站的筛选，从而避免了单纯采用网络流量数据或者接入终端数量导致的筛选结果不够全面的问题的出现，从而在保证实现较好的能耗控制的基础上，保证了通信的稳定性和可靠性。实施例2

[0085] 如图5所示，本申请实施例中提供一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行上述的一种基于5G的通信基站能耗优化方法。

[0086] 具体的，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，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可 包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器（ROM）、可编程ROM （PROM）、电可编程ROM（EPROM）、电可擦除可编程ROM（EEPROM）或闪存。易失性存储器可包括 随机存取存储器（RAM）或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得， 诸如静态RAM（SRAM）、动态RAM（DRAM）、同步DRAM（SDRAM）、双数据率SDRAM（DDRSDRAM）、增强 型SDRAM（ESDRAM）、同步链路（Synchlink） DRAM（SLDRAM）、存储器总线（Rambus）直接RAM （RDRAM）、直接存储器总线动态RAM（DRDRAM）、以及存储器总线动态RAM（RDRAM）等。实施例3

[0087] 本申请实施例中提供一种电子设备，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行上述的一种基于5G的通信基站能耗优化方法。

[0088] 具体的，本实施例还提供了一种电子设备，该电子设备包括通过系统总线连接的处理器、存储器、网络接口和数据库；其中，该电子设备的处理器用于提供计算和控 制能力；该电子设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。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。该计算机设备 网络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上述的一种基于5G的通信基站能耗优化方法。

[0089] 在本申请所提供的几个实施例中，应该理解到，所揭露的系统和方法，也可以通过其它的方式实现。以上所描述的系统实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本发明的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

[0090] 另外，在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。

[0091] 功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read‑Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

[0092] 以上述依据本发明的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项发明技术思想的范围内，进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。