分离架构基站的节能控制方法、装置、设备及存储介质与流程

1.本公开涉及无线通信
技术领域：
：，尤其涉及一种分离架构基站的节能控制方法、装置、设备及存储介质。
背景技术：
：：2.5g网络的基站bbu(buildingbasebandunit，室内基带处理单元)被拆分为cu(centralizedunit，集中管理实体)和du(distributeunit，分离管理实体)两部分，其中，cu融合了一部分从核心网下沉的功能，负责处理对实时性要求不高的pdcp(packetdataconvergenceprotocol，分组数据汇聚协议)层和rrc(radioresourcecontrol，无线资源控制)层；原先bbu中物理底层下沉到aau(activeantennaunit，有源天线处理单元)中处理，而对实时性要求较高的物理高层、mac(mediaaccesscontrol，媒体访问控制)层、rlc(radiolinkcontrol，无线链路控制)层将在du中处理。3.采用cu和du分离架构的基站，有利于实现基带资源的共享，实现无线接入的切片和云化，并满足5g复杂组网情况下的站点协同问题。但目前，相关技术中尚未存在基于分离架构基站的ai(artificialintelligence，人工智能)/ml(machinelearning，机器学习)节能实现方案。4.需要说明的是，在上述
背景技术：
：部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。技术实现要素：5.本公开提供一种分离架构基站的节能控制方法、装置、设备及存储介质，至少在一定程度上克服相关技术中尚未存在基于分离架构基站的ai/ml节能实现方案的技术问题。6.本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。7.根据本公开的一个方面，提供了一种分离架构基站的节能控制方法，包括：集中管理实体向各个分离管理实体下发节能决策信息，其中，所述集中管理实体部署有模型训练模块和模型推理模块，所述模型训练模块用于训练人工智能模型或机器学习模型，所述模型推理模块用于基于训练好的人工智能模型或机器学习模型生成节能决策信息；各个分离管理实体执行集中管理实体下发的节能决策信息。8.在一些实施例中，所述节能决策信息包括：终端切换信息和用于承载流量的小区信息。9.在一些实施例中，所述方法还包括：在集中管理实体中部署模型训练模块和模型推理模块。10.在一些实施例中，在各个分离管理实体执行集中管理实体下发的节能决策信息之后，所述方法还包括：所述集中管理实体向各个分离管理实体发送性能反馈请求；所述集中管理实体接收各个分离管理实体返回的性能反馈信息；所述集中管理实体根据各个分离管理实体返回的性能反馈信息，对训练的人工智能模型或机器学习模型进行更新。11.根据本公开的另一个方面，还提供了一种分离架构基站的节能控制方法，包括：集中管理实体向各个分离管理实体下发训练好的人工智能模型或机器学习模型，其中，所述集中管理实体部署有模型训练模块，所述模型训练模块用于训练人工智能模型或机器学习模型；各个分离管理实体基于下发的人工智能模型或机器学习模型生成节能决策信息，其中，所述分离管理实体部署有模型推理模块，所述模型推理模块用于基于训练好的人工智能模型或机器学习模型生成节能决策信息；各个分离管理实体执行生成的节能决策信息。12.在一些实施例中，所述节能决策信息包括：终端切换信息和用于承载流量的小区信息。13.在一些实施例中，所述方法还包括：在集中管理实体中部署模型训练模块，并在分离管理实体中部署模型推理模块。14.在一些实施例中，在各个分离管理实体执行生成的节能决策信息之后，所述方法还包括：所述集中管理实体向各个分离管理实体发送性能反馈请求；所述集中管理实体接收各个分离管理实体返回的性能反馈信息；所述集中管理实体根据各个分离管理实体返回的性能反馈信息，对训练的人工智能模型或机器学习模型进行更新。15.在一些实施例中，本公开实施例中的集中管理实体与各个分离管理实体之间通过数据面接口传输物理层面颗粒度信息和/或ai相关数据。16.根据本公开的另一个方面，还提供了一种分离架构基站的节能控制装置，包括：节能决策信息下发模块，用于集中管理实体向各个分离管理实体下发节能决策信息，其中，所述集中管理实体部署有模型训练模块和模型推理模块，所述模型训练模块用于训练人工智能模型或机器学习模型，所述模型推理模块用于基于训练好的人工智能模型或机器学习模型生成节能决策信息；第一节能决策信息执行模块，用于各个分离管理实体执行集中管理实体下发的节能决策信息。17.根据本公开的另一个方面，还提供了一种分离架构基站的节能控制装置，包括：模型信息下发模块，用于集中管理实体向各个分离管理实体下发训练好的人工智能模型或机器学习模型，其中，所述集中管理实体部署有模型训练模块，所述模型训练模块用于训练人工智能模型或机器学习模型；节能决策信息生成模块，用于各个分离管理实体基于下发的人工智能模型或机器学习模型生成节能决策信息，其中，所述分离管理实体部署有模型推理模块，所述模型推理模块用于基于训练好的人工智能模型或机器学习模型生成节能决策信息；第二节能决策信息执行模块，用于各个分离管理实体执行生成的节能决策信息。18.根据本公开的另一个方面，还提供了一种电子设备，包括：处理器；以及存储器，用于存储所述处理器的可执行指令；其中，所述处理器配置为经通过执行所述可执行指令来执行上述任意一项所述分离架构基站的节能控制方法。19.根据本公开的另一个方面，还提供了一种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上述任意一项所述的分离架构基站的节能控制方法。20.本公开的实施例所提供的分离架构基站的节能控制方法、装置、设备及存储介质，在分离架构基站的集中管理实体中部署模型训练模块和模型推理模块，通过模型训练模块训练得到人工智能模型或机器学习模型，通过模型推理模块基于训练好的人工智能模型或机器学习模型生成节能决策信息，发送给各个分离管理实体；或者在分离架构基站的集中管理实体中部署模型训练模块，在分离架构基站的分离管理实体中部署模型推理模块，当集中管理实体通过模型训练模块训练得到人工智能模型或机器学习模型后，将训练好的人工智能模型或机器学习模型推送给各个分离管理实体，使得各个分离管理实体通过自身部署的模型推理模块，基于训练好的人工智能模型或机器学习模型生成节能决策信息。21.本公开实施例，在集中管理实体进行人工智能模型或机器学习模型的模型训练，在对某一分离管理实体进行节能控制时，可加入其他分离管理实体的信息，无论模型推理是在集中管理实体进行，还是在分离管理实体中进行，都能够大大提升模型推理的准确性。22.应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。附图说明23.此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。24.图1示出相关技术中一种分离架构基站示意图；25.图2示出本公开实施例中一种应用系统架构示意图；26.图3示出本公开实施例中一种分离架构基站的节能控制方法流程图；27.图4示出本公开实施例中一种分离架构基站节能信令流程图；28.图5示出本公开实施例中又一种分离架构基站的节能控制方法流程图；29.图6示出本公开实施例中又一种分离架构基站节能信令流程图；30.图7示出本公开实施例中一种分离架构基站的节能控制装置示意图；31.图8示出本公开实施例中一种分离架构基站的节能控制装置示意图；32.图9示出本公开实施例中一种电子设备的结构框图；33.图10示出本公开实施例中一种计算机可读存储介质示意图。具体实施方式34.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范例；相反，提供这些实施方式使得本公开将更加全面和完整，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。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。35.此外，附图仅为本公开的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。36.为便于理解，在介绍本公开实施例之前，首先对本公开实施例中涉及到的几个名词进行解释如下：37.bbu：buildingbasebandunit，室内基带处理单元；38.cu：centralizedunit，集中管理实体；39.du：distributeunit，分离管理实体；40.pdcp：packetdataconvergenceprotocol，分组数据汇聚协议；41.aau：activeantennaunit，有源天线处理单元；42.mac：mediaaccesscontrol，媒体访问控制；43.rlc：radiolinkcontrol，无线链路控制；44.cp：controlplane，控制平面；45.up：userplane，用户平面；46.ai：artificialintelligence，人工智能；47.ml：machinelearning，机器学习；48.f1接口：ng-ran内部的gnb的cu和du之间互联的接口，或者e-utran内的en-gnb之间的cu和du部分的互联接口。本公开实施例中，f1-c控制平面上cu和du之间互联的接口；f1-u用户平面上cu和du之间互联的接口。49.下面结合附图，对本公开实施例的具体实施方式进行详细说明。50.图1示出相关技术中一种分离架构基站示意图，如图1所示，f1接口用于在无线网络基站的cu和du之间实现信令交互和数据传输，f1接口支持控制面和用户面、无线网络层和传输网络的分离，支持ue关联信息和非ue关联信息的交互。为了满足新服务和功能，一个gnb-cu和一组gnb-du对其他逻辑实体可见，gnb-cu可以在cp(controlplane，控制平面)和up(userplane，用户平面)中分离。f1接口还有利于不同厂家提供的集中控制实体和分离控制实体间的互连。51.基于ai/ml的解决方案被广泛应用于无线网络的智能管理，除网络节能用例之外，还可以应用于网络负载平衡、移动性优化等方面。各用例之间也并不是独立的，在基于ai的网络管理中，通常将某一用例的模型输出作为另一模型的输入进行训练和决策制定，例如，ue轨迹预测结果以及业务/负载预测结果，可作为网络节能、网络负载平衡、移动性优化任务模型的输入，可见，网络各实体之间的协作变得必不可少。对于分离架构基站，多个du之间的数据传输及模型共享和升级，是目前急需解决的问题。52.在3gpp关于ai/ml课题的讨论中，对于模型训练和模型推理模块的部署位置仍处于讨论过程，相关模块的不同部署方案将会对接口以及标准产生不同的影响。除此之外，3gpp最新会议将模型更新问题标注为进一步研究的话题，即关于模型更新的应用以及作用尚未存在有效的解决方案。53.为解决上述问题，本公开实施例中提供了如下两种分离架构基站的ai/ml节能实现方案：54.第一种方案：将模型训练和模型推理模块部署在集中管理实体，集中管理实体根据分离管理实体的上报信息进行模型训练，并向各个分离管理实体下发相关节能决策信息；55.第二种方案：将模型训练部署在集中管理实体，将模型推理模块部署在分离管理实体，通过各分离管理实体根据集中管理实体推荐的模型，选择适合自己的模型进行模型推理过程，以得到更合理的决策信息。56.上述第一种方案中，将模型训练和模型推理模块部署于集中管理实体，分离管理实体执行集中管理实体的决策信息，更适用于集中式管理场景，整体方案的运算步骤比较简单。上述第二种方案中，将模型训练和模型推理模块分别部署于集中管理实体和分离管理实体，更适用于灵活的分布式管理场景，通过赋予分离管理实体进行决策的权力，降低集中管理实体的运算工作量，提升网络整体效率。57.进一步地，本公开实施例中，根据实体数据反馈设计了模型更新步骤，模型更新不仅利于基站ai节能的实时模型训练，将更新模型缓存至离线模型库，当网络再次启动ai/ml功能时，提升了对基站进行准确节能控制的效率。58.更进一步地，本公开实施例中，通过分离控制实体之间的协作，可提升模型训练的准确度，最大化网络节能效益。59.图2示出了可以应用于本公开实施例的分离架构基站的节能控制方法方法或装置的示例性系统架构示意图。60.如图2所示，该应用系统架构包括终端设备201、网络202及网络侧设备103；其中，网络侧设备203可以是采用cu和du分离架构的基站。图2中所示的网络侧设备203可以用于：集中管理实体向各个分离管理实体下发节能决策信息，其中，集中管理实体部署有模型训练模块和模型推理模块，模型训练模块用于训练人工智能模型或机器学习模型，模型推理模块用于基于训练好的人工智能模型或机器学习模型生成节能决策信息；各个分离管理实体执行集中管理实体下发的节能决策信息。61.网络202用以在终端设备201和网络侧设备203之间提供通信链路的介质，可以是有线网络，也可以是无线网络。62.可选地，上述的无线网络或有线网络使用标准通信技术和/或协议。网络通常为因特网、但也可以是任何网络，包括但不限于局域网(localareanetwork，lan)、城域网(metropolitanareanetwork，man)、广域网(wideareanetwork，wan)、移动、有线或者无线网络、专用网络或者虚拟专用网络的任何组合)。在一些实施例中，使用包括超文本标记语言(hypertextmark-uplanguage，html)、可扩展标记语言(extensiblemarkuplanguage，xml)等的技术和/或格式来代表通过网络交换的数据。此外还可以使用诸如安全套接字层(securesocketlayer，ssl)、传输层安全(transportlayersecurity，tls)、虚拟专用网络(virtualprivatenetwork，vpn)、网际协议安全(internetprotocolsecurity，ipsec)等常规加密技术来加密所有或者一些链路。在另一些实施例中，还可以使用定制和/或专用数据通信技术取代或者补充上述数据通信技术。63.可选地，本公开实施例中的终端设备也可以称作ue(userequipment，用户终端设备)，在具体实现时，终端设备可以是手机、平板电脑(tabletpersonalcomputer)、膝上型电脑(laptopcomputer)、个人数字助理(personaldigitalassistant，pda)、移动上网装置(mobileinternetdevice，mid)、可穿戴式设备(wearabledevice)或车载设备等终端设备侧设备，需要说明的是，在本发明实施例中并不限定终端设备的具体类型。64.网络侧设备可以是基站、中继或接入点等。基站可以是5g及以后版本的基站(例如：5gnrnb)，或者其他通信系统中的基站(例如：enb基站)，需要说明的是，在本公开实施例中并不限定网络侧设备的具体类型。65.本领域技术人员可以知晓，图2中的终端设备、网络侧设备的数量仅仅是示意性的，根据实际需要，可以具有任意数目的终端设备、网络侧设备。本公开实施例对此不作限定。66.在上述系统架构下，本公开实施例中提供了一种分离架构基站的节能控制方法，该方法可以通过任意具备计算处理能力的电子设备执行。67.图3示出本公开实施例中一种分离架构基站的节能控制方法流程图，如图3所示，本公开实施例中提供的分离架构基站的节能控制方法包括如下步骤：68.s302，集中管理实体向各个分离管理实体下发节能决策信息，其中，集中管理实体部署有模型训练模块和模型推理模块，模型训练模块用于训练人工智能模型或机器学习模型，模型推理模块用于基于训练好的人工智能模型或机器学习模型生成节能决策信息。69.需要说明的是，本公开实施例中的分离架构基站是指采用集中管理实体cu和分离管理实体du分离架构的基站，可以是但不限于5gnr基站，cu和du是两个逻辑上分离的网元，可以合一部署，也可以分开部署。通常以处理内容的实时性对cu与du的功能进行切分。每个du可连接一个或多个cu。70.本公开实施例中提供的分离架构基站的节能控制方法，需要预先在集中管理实体中部署模型训练模块和模型推理模块，以便集中管理实体通过部署模型训练模块对人工智能模型或机器学习模型进行训练，并通过模型推理模块基于训练好的人工智能模型或机器学习模型生成节能决策信息。71.在一些实施例中，本公开实施例中由集中管理实体生成的节能决策信息可包括：终端切换信息和用于承载流量的小区信息。根据终端切换信息和用于承载流量的小区信息实现节能控制。可选地，小区信息可以是小区名称、小区id等能够标识小区的信息。72.s304，各个分离管理实体执行集中管理实体下发的节能决策信息。73.当与集中管理实体的各个分离管理实体接收到集中管理实体下发的节能决策信息后，执行相应的节能决策信息，即可实现相应的网络节能。74.在一些实施例中，在各个分离管理实体执行集中管理实体下发的节能决策信息之后，本公开实施例中提供的分离架构基站的节能控制方法还可通过如下步骤对模型进行更新：集中管理实体向各个分离管理实体发送性能反馈请求；集中管理实体接收各个分离管理实体返回的性能反馈信息；集中管理实体根据各个分离管理实体返回的性能反馈信息，更新人工智能模型或机器学习模型。该实施例中，根据各个分离管理实体执行节能决策信息后返回的性能反馈信息，对人工智能模型或机器学习模型进行更新，能够不断优化模型，生成更加准确的节能决策信息。75.本公开实施例中上述s302～s304提供的方案，将模型训练模块和模型推理模块都部署于集中控制管理实体(也称集中控制节点)，由分离管理实体(也称分离控制节点)节点执行集中管理实体下发的节能决策信息，比较适用于集中式管理场景，整体方案的运算步骤比较简洁。76.在一些实施例中，本公开实施例中的集中管理实体与各个分离管理实体之间通过数据面接口传输物理层面颗粒度信息和/或ai相关数据。77.可选地，上述物理层面颗粒度信息可包括但不限于：①每ssb波束rsrp(referencesignalreceivingpower，参考信号接收功率)、rsrq(referencesingnalreceivedquality，参考信号接收质量)、集中管理实体或分离管理实体发起的终端上下文释放请求数；②服务小区和相邻小区的rsrp、rsrq；③小区pdcp(packetdataconvergenceprotocol，分组数据汇聚协议)数据量；④终端详细位置信息(包括但不限于经度、纬度、高度等信息)、小区能耗信息等。78.现有的分离架构基站中，集中管理实体(cu)和分离管理实体(du)通过f1-c接口传输控制面的数据，通过f1-u接口传输用户面的数据；在具体实施时，可通过对集中管理实体(cu)和分离管理实体(du)之间的f1接口进行增强，增加数据面的传输，实现分离管理实体(du)向集中管理实体(cu)上报物理层颗粒度信息以及二者之间的ai相关数据的传输。79.图4示出本公开实施例中一种分离架构基站节能信令流程图，图4所示的方案中，将模型训练和模型推理模块均部署于集中管理实体。在对第一分离管理实体进行节能决策时，通过增加对第二分离管理实体小区容量等信息进行考量，再进行更准确的模型推理。如图4所示，具体包括：80.s402，操作维护管理实体oam向基站集中管理实体cu发起ai/ml激活信令，向基站集中管理实体发送第一指示信息，用于调用基站节能相关用例模型列表。其中第一指示信息包括但不限于如下：81.①用例模型名称；82.②可用算法列表：一个或者多个预定义算法；83.③特征输入变量列表：一个或者特征输入变量；84.④评估变量列表；85.⑤历史训练数据：包括输入特征数据和预定义评估数据；86.⑥激活/去激活用例模型指示：布尔或者枚举类型，为“是”时表示al/ml模型激活，为“否”时表示模型去激活。87.s404，基站集中管理实体cu通过ai开始消息向分离管理实体du发起ai/ml功能的同步，释放信息包括但不限于：88.①基站集中管理实体名称；89.②基站分离管理实体名称；90.③用于输入数据的发送地址信息：用于建立训练和输入数据通道地址信息，包括基站分离管理实体侧分配的ip地址和端口信息；91.④基于用例的模型列表(model#1，model#2，……)；92.⑤相关用例支持算法列表(algorithm#1，algorithm#2，……)，列举arima，prophet，lstm，randomforest,ensemblelearning算法等93.⑥分离管理实体匹配的算法模型列表；94.⑦数据采集周期95.⑧模型特征输入数据类别：96.a.性能测量：基站电流、电压、能耗、温度、湿度；小区pdcp数据量，pdu会话数，prb利用率，rrc连接数；ue吞吐量，ue的历史切换信息和网络拥塞状态，数据包时延，流量负载中高价值流量的百分比；97.b.mdt数据：ue测量相关的rsrp,rsrq,sinr以及ue位置信息；98.c.qoe数据：收集的测量值是dash和mtsi测量值；99.d.告警信息；100.⑨输出分析数据类别：101.a.辅助节能标识；102.b.功耗不合理区域地理位置信息以及不合理原因；103.c.预测终端有切换可能的小区优先级列表；104.d.负载变化趋势，比如参考的prb利用率或rrc连接数值；105.e.当前小区节能状态；106.f.节能操作推荐，比如推荐执行节能操作的小区id和周期，推荐承接流量的小区id和周期，节能操作(比如符号关断、通道管道、降低发射功率，深度休眠)，关断比例数值(比如时隙关断比例、通道关断比例)；107.g.用于输入数据的发送地址信息：用于建立训练和输入数据通道地址信息，包括基站集中管理实体侧分配的ip地址和端口信息。108.s406，基站集中管理实体cu通过基站分离管理实体du向终端ue发送测量配置信息，指示终端发送相关测量信息，信息包括但不限于每个ue上报的服务小区和相邻小区的rsrp和rsrq，sinr测量值，带有匿名id(例如，c-rnti)和位置信息。109.s408，终端ue通过测量上报消息向基站集中管理实体cu传送要求测量信息，包括但不限于：110.①基站分离控制节点id；111.②小区id；112.③基站分离管理实体侧分配的ip地址和端口信息；113.④分离管理实体支持当前用例模型算法列表；114.⑤性能测量：基站电流、电压、能耗、温度、湿度；115.⑥小区网络资源状态：小区pdcp数据量，pdu会话数，prb利用率，rrc连接数；116.⑦ue的历史位置信息、切换信息和网络拥塞状态，数据包时延，流量负载中高价值流量的百分比；117.⑧ue轨迹预测信息。118.s410，基站集中管理实体cu进行模型训练。119.s412，基站集中管理实体cu向分离管理实体du发送模型部署消息来指示模型的应用，消息包含但不限于：120.①消息标识；121.②模型名称；122.③当前用例适用模型算法优先级列表。123.s414，分离管理实体du向集中控制管理实体cu发送相关训练输入数据，消息包含但不限于：124.①基站分离控制节点id；125.②小区id；126.④基站分离管理实体侧分配的ip地址和端口信息；127.⑤分离管理实体支持当前用例模型算法列表；128.⑥性能测量：基站电流、电压、能耗、温度、湿度；129.⑦小区网络资源状态：小区pdcp数据量，pdu会话数，prb利用率，rrc连接数。130.s416，基站集中管理实体cu进行模型推理过程，基于经过训练的ai/ml模型，根据终端上报的数据以及分离管理实体提供的数据进行节能决策的制定。131.s418，基站集中管理实体向分离管理实体通过f1接口进行决策相关配置信息的下发。用于指示相应的节能操作，其中分析报告信息包含但不限于：132.①基站集中管理实体名称；133.②基站集中管理实体端口地址；134.③基站集中管理实体用例相关模型算法指示；135.④辅助节能标识：布尔或者枚举类型，用于指示开启或者关闭相关的节能操作；136.⑤推荐执行节能操作的小区配置，包括：137.a.小区id；138.b.执行周期；139.c.节能操作功能(符号关断比例、通道管道比例、降低发射功比例，深度休眠)；140.⑥推荐承载切换用户流量的小区配置，包括：141.a.小区id；142.b.执行周期；143.c.暂停节能指示(停止符号关断、停止通道关断、发射功率提升)。144.s420，分离管理实体du执行集中管理实体cu的决策信息。145.s422，集中管理实体cu向分离管理实体du发送性能反馈请求，以请求分离管理实体du返回其执行节能决策信息后的性能反馈信息。146.s424，分离管理实体du向集中管理实体cu进行性能反馈，其中包括但不限于小区节能效果反馈、网络性能反馈等。147.s426，基站集中管理实体cu根据反馈消息进行ai/ml模型的更新和模型参数的优化。148.基于同一发明构思，本公开实施例中还提供了一种分离架构基站的节能控制方法，该方法可以通过任意具备计算处理能力的电子设备执行。149.图5示出本公开实施例中一种分离架构基站的节能控制方法流程图，如图5所示，本公开实施例中提供的分离架构基站的节能控制方法包括如下步骤：150.s502，集中管理实体向各个分离管理实体下发训练好的人工智能模型或机器学习模型，其中，集中管理实体部署有模型训练模块，模型训练模块用于训练人工智能模型或机器学习模型。151.本公开实施例中提供的分离架构基站的节能控制方法，需要预先在集中管理实体中部署模型训练模块，并在分离管理实体中部署模型推理模块，以便集中管理实体通过部署模型训练模块对人工智能模型或机器学习模型进行训练，分离管理实体通过模型推理模块基于训练好的人工智能模型或机器学习模型生成节能决策信息。152.s504，各个分离管理实体基于下发的人工智能模型或机器学习模型生成节能决策信息，其中，分离管理实体部署有模型推理模块，模型推理模块用于基于训练好的人工智能模型或机器学习模型生成节能决策信息。153.需要说明的是，集中管理实体可向各个分离管理实体下发多个人工智能模型或机器学习模型，以便各分离管理节点根据集中管理实体下发的模型，选择适合自己的模型执行模型推理过程，生成更加合理的节能决策信息。154.在一些实施例中，本公开实施例中由分离管理实体生成的节能决策信息可包括：终端切换信息和用于承载流量的小区信息。根据终端切换信息和用于承载流量的小区信息实现节能控制。可选地，小区信息可以是小区名称、小区id等能够标识小区的信息。155.s506，各个分离管理实体执行生成的节能决策信息。156.本公开实施例中上述s502～s506提供的方案，将模型训练模块部署于集中控制管理实体(也称集中控制节点)，将模型推理模块部署于分离管理实体(也称分离控制节点)，赋予分离管理节点进行决策的权力，降低集中管理实体的运算工作量，提升网络整体效率，更适用于灵活的分布式管理场景。157.在一些实施例中，在各个分离管理实体执行生成的节能决策信息之后，本公开实施例中提供的分离架构基站的节能控制方法还可通过如下步骤对模型进行更新：集中管理实体向各个分离管理实体发送性能反馈请求；集中管理实体接收各个分离管理实体返回的性能反馈信息；集中管理实体根据各个分离管理实体返回的性能反馈信息，更新人工智能模型或机器学习模型。158.图6示出本公开实施例中又一种分离架构基站节能信令流程图，图6所示的方案中，将模型训练和模型推理模块分别部署于集中管理实体和分离管理节点。同样，在对第一分离管理实体进行节能决策时，通过增加对第二分离管理实体小区容量等信息进行考量，再进行更准确的模型推理。如图6所示，具体包括：159.s602，操作维护管理实体oam向基站集中管理实体cu发起ai/ml激活消息，向基站集中管理实体cu发送第一指示信息，用于调用基站节能相关用例模型列表。其中第一指示信息包括但不限于如下：160.①用例模型名称；161.②可用算法列表：一个或者多个预定义算法；162.③特征输入变量列表：一个或者特征输入变量；163.④评估变量列表；164.⑤历史训练数据：包括输入特征数据和预定义评估数据；165.⑥激活/去激活用例模型指示：布尔或者枚举类型，为“是”时表示al/ml模型激活，为“否”时表示模型去激活。166.s604，基站集中管理实体cu通过ai开始消息向第一分离管理实体du1发起ai/ml功能的同步，释放信息包括但不限于：167.①基站集中管理实体名称；168.②基站分离管理实体名称；169.③用于输入数据的发送地址信息：用于建立训练和输入数据通道地址信息，包括基站分离管理实体侧分配的ip地址和端口信息；170.④基于用例的模型列表(model#1，model#2，……)；171.⑤相关用例支持算法列表(algorithm#1，algorithm#2，……)，列举arima，prophet，lstm，randomforest,ensemblelearning算法等172.⑥分离管理实体匹配的算法模型列表；173.⑦数据采集周期174.⑧模型特征输入数据类别：175.a.性能测量：基站电流、电压、能耗、温度、湿度；小区pdcp数据量，pdu会话数，prb利用率，rrc连接数；ue吞吐量，ue的历史切换信息和网络拥塞状态，数据包时延，流量负载中高价值流量的百分比；176.b.mdt数据：ue测量相关的rsrp,rsrq,sinr以及ue位置信息；177.c.qoe数据：收集的测量值是dash和mtsi测量值；178.d.告警信息；179.⑨输出分析数据类别：180.a.辅助节能标识；181.b.功耗不合理区域地理位置信息以及不合理原因；182.c.预测终端有切换可能的小区优先级列表；183.d.负载变化趋势，比如参考的prb利用率或rrc连接数值；184.e.当前小区节能状态；185.f.节能操作推荐，比如推荐执行节能操作的小区id和周期，推荐承接流量的小区id和周期，节能操作(比如符号关断、通道管道、降低发射功率，深度休眠)，关断比例数值(比如时隙关断比例、通道关断比例)；186.g.用于输入数据的发送地址信息：用于建立训练和输入数据通道地址信息，包括基站集中管理实体侧分配的ip地址和端口信息；187.s606，基站集中管理实体cu通过ai开始消息向第二分离管理实体du2发起ai功能的同步，同s604。188.s608，基站集中管理实体cu通过基站分离管理实体向终端发送测量配置信息，指示终端发送相关测量信息，信息包括但不限于每个ue上报的服务小区和相邻小区的rsrp和rsrq，sinr测量值，带有匿名id(例如，c-rnti)和位置信息。189.s610，终端ue通过测量上报消息向基站集中管理实体cu传送要求测量信息，包括但不限于：190.①基站分离控制节点id；191.②小区id；192.③基站分离管理实体侧分配的ip地址和端口信息；193.④分离管理实体支持当前用例模型算法列表；194.⑤性能测量：基站电流、电压、能耗、温度、湿度；195.⑥小区网络资源状态：小区pdcp数据量，pdu会话数，prb利用率，rrc连接数；196.⑦ue的历史位置信息、切换信息和网络拥塞状态，数据包时延，流量负载中高价值流量的百分比；197.⑧ue轨迹预测信息。198.s612，基站集中管理实体cu进行模型训练。199.s614，基站集中管理实体cu向第一分离管理实体du1发送模型部署消息来指示模型的应用，消息包含但不限于：200.①消息标识；201.②模型名称；202.③当前用例适用模型算法优先级列表。203.s616，第二分离管理实体du2向集中控制管理实体cu发送相关训练输入数据，消息包含但不限于：204.①基站分离控制节点id；205.②小区id；206.④基站分离管理实体侧分配的ip地址和端口信息；207.⑤分离管理实体支持当前用例模型算法列表；208.⑥性能测量：基站电流、电压、能耗、温度、湿度；209.⑦小区网络资源状态：小区pdcp数据量，pdu会话数，prb利用率，rrc连接数。210.s618，基站集中管理实体cu向第一分离管理实体du1推荐模型。211.s620，第一分离管理实体du1进行模型推理过程，基于集中管理实体最新的推荐模型，根据终端上报的数据以及第一分离管理实体和第二分离管理实体提供的数据进行节能决策的制定，相关节能操作包括但不限于：212.①基站集中管理实体用例相关模型算法指示；213.②辅助节能标识：布尔或者枚举类型，用于指示开启或者关闭相关的节能操作；214.③推荐执行节能操作的小区配置，包括：215.a.小区id；216.b.执行周期；217.c.节能操作功能(符号关断比例、通道管道比例、降低发射功比例，深度休眠)；218.④推荐承载切换用户流量的小区配置，包括：219.a.小区id；220.b.执行周期；221.c.暂停节能指示(停止符号关断、停止通道关断、发射功率提升)。222.s622，第一分离管理实体du1执行具体决策信息。223.s624，集中管理实体cu向第一分离管理实体du1发送性能反馈请求，以请求第一分离管理实体du1返回执行其性能反馈信息。224.s626，集中管理实体cu向第二分离管理实体du2发送性能反馈请求，以请求第二分离管理实体du2返回执行其性能反馈信息。225.s628，第一分离管理实体du1向集中管理实体cu进行性能反馈，其中包括但不限于小区节能效果反馈、网络性能反馈等。226.s630，第二分离管理实体du2向集中管理实体cu进行性能反馈，其中包括但不限于小区节能效果反馈、网络性能反馈等。227.s632，基站集中管理实体cu根据反馈消息进行模型的更新和模型参数的优化。228.s634，集中管理实体向cu第一分离管理实体du1发送模型更新请求，以请求确认是否发送更新后的模型。229.s636，集中管理实体向cu第二分离管理实体du2发送模型更新请求，以请求确认是否发送更新后的模型。230.s638，第一分离管理实体du1同意更新模型并向集中管理实体发送模型更新确认消息ack。231.s640，第一分离管理实体du1根据自身情况，拒绝模型更新，则反馈模型更新拒绝消息，并会返回拒绝原因；如果第一分离管理实体du1因消息接收不成功，那么反馈消息接收失败原因以及等待重新发起的时间。232.s642，第二分离管理实体du2同意更新模型并向集中管理实体发送ack。233.s644，第二分离管理实体du2根据自身情况，拒绝做模型的更新，则反馈拒绝原因；如果第二分离管理实体du2因消息接收不成功，那么反馈消息接收失败原因以及等待重新发起的时间。234.由上可知，本公开实施例中提供的分离架构基站的节能控制方案，在集中管理实体进行人工智能模型或机器学习模型的模型训练，在对第一分离管理实体进行节能控制时，可加入第二分离管理实体的信息，无论模型推理是在集中管理实体进行，还是在分离管理实体中进行，都能够大大提升模型推理的准确性。235.在具体实施时，当分离管理实体的数量较少时，可采用将模型训练和模型推理功能都部署于集中控制节点的方案，简化计算过程；当在分离控制节点较多的场景中，应将模型训练和模型推理分别部署在集中控制节点和分离管理实体，以减轻集中控制节点的工作量，提升整体网络效率。236.进一步地，各个分离管理实体可根据性能反馈确定是否对自身采用的模型进行更新，能够保证各个分离控制节点采取最合适自己的模型进行决策的制定，更有利于节能效果。237.基于同一发明构思，本公开实施例中还提供了一种分离架构基站的节能控制装置，如下面的实施例所述。通过于该装置实施例解决问题的原理与上述方法实施例相似，因此该装置实施例的实施可以参见上述方法实施例的实施，重复之处不再赘述。238.图7示出本公开实施例中一种分离架构基站的节能控制装置示意图，如图7所示，该装置包括：节能决策信息下发模块71和第一节能决策信息执行模块72。239.其中，节能决策信息下发模块71，用于集中管理实体向各个分离管理实体下发节能决策信息，其中，集中管理实体部署有模型训练模块和模型推理模块，模型训练模块用于训练人工智能模型或机器学习模型，模型推理模块用于基于训练好的人工智能模型或机器学习模型生成节能决策信息；第一节能决策信息执行模块72，用于各个分离管理实体执行集中管理实体下发的节能决策信息。240.此处需要说明的是，上述节能决策信息下发模块71和第一节能决策信息执行模块72对应于方法实施例中的s302～s304，上述模块与对应的步骤所实现的示例和应用场景相同，但不限于上述方法实施例所公开的内容。需要说明的是，上述模块作为装置的一部分可以在诸如一组计算机可执行指令的计算机系统中执行。241.在一些实施例中，如图7所示，本公开实施例中提供的上述分离架构基站的节能控制装置还可包括：第一模型部署模块73，用于在集中管理实体中部署模型训练模块和模型推理模块。242.在一些实施例中，如图7所示，本公开实施例中提供的上述分离架构基站的节能控制装置还可包括：第一性能反馈模块74，用于集中管理实体接收各个分离管理实体执行节能决策信息后返回的性能反馈信息；第一模型更新模块75，用于集中管理实体根据各个分离管理实体返回的性能反馈信息，更新人工智能模型或机器学习模型。243.基于同一发明构思，本公开实施例中还提供了一种分离架构基站的节能控制装置，如下面的实施例所述。通过于该装置实施例解决问题的原理与上述方法实施例相似，因此该装置实施例的实施可以参见上述方法实施例的实施，重复之处不再赘述。244.图8示出本公开实施例中一种分离架构基站的节能控制装置示意图，如图8所示，该装置包括：模型信息下发模块81、节能决策信息生成模块82和第二节能决策信息执行模块83。245.其中，模型信息下发模块81，用于集中管理实体向各个分离管理实体下发训练好的人工智能模型或机器学习模型，其中，集中管理实体部署有模型训练模块，模型训练模块用于训练人工智能模型或机器学习模型；节能决策信息生成模块82，用于各个分离管理实体基于下发的人工智能模型或机器学习模型生成节能决策信息，其中，分离管理实体部署有模型推理模块，模型推理模块用于基于训练好的人工智能模型或机器学习模型生成节能决策信息；第二节能决策信息执行模块83，用于各个分离管理实体执行生成的节能决策信息。246.此处需要说明的是，上述模型信息下发模块81、节能决策信息生成模块82和第二节能决策信息执行模块83对应于方法实施例中的s502～s506，上述模块与对应的步骤所实现的示例和应用场景相同，但不限于上述方法实施例所公开的内容。需要说明的是，上述模块作为装置的一部分可以在诸如一组计算机可执行指令的计算机系统中执行。247.在一些实施例中，如图8所示，本公开实施例中提供的上述分离架构基站的节能控制装置还可包括：第二模型部署模块84，用于在集中管理实体中部署模型训练模块，并在分离管理实体中部署模型推理模块。248.在一些实施例中，如图8所示，本公开实施例中提供的上述分离架构基站的节能控制装置还可包括：第二性能反馈模块85，用于集中管理实体接收各个分离管理实体执行节能决策信息后返回的性能反馈信息；第二模型更新模块86，用于集中管理实体根据各个分离管理实体返回的性能反馈信息，更新人工智能模型或机器学习模型。249.所属
技术领域：
：的技术人员能够理解，本公开的各个方面可以实现为系统、方法或程序产品。因此，本公开的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。250.下面参照图9来描述根据本公开的这种实施方式的电子设备900。图9显示的电子设备900仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。251.如图9所示，电子设备900以通用计算设备的形式表现。电子设备900的组件可以包括但不限于：上述至少一个处理单元910、上述至少一个存储单元920、连接不同系统组件(包括存储单元920和处理单元910)的总线930。252.其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元910执行，使得所述处理单元910执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。253.在一些实施例中，上述处理单元910可以执行上述方法实施例的如下步骤：集中管理实体向各个分离管理实体下发节能决策信息，其中，集中管理实体部署有模型训练模块和模型推理模块，模型训练模块用于训练人工智能模型或机器学习模型，模型推理模块用于基于训练好的人工智能模型或机器学习模型生成节能决策信息；各个分离管理实体执行集中管理实体下发的节能决策信息。254.在另一些实施例中，上述处理单元910可以执行上述方法实施例的如下步骤：集中管理实体向各个分离管理实体下发训练好的人工智能模型或机器学习模型，其中，集中管理实体部署有模型训练模块，模型训练模块用于训练人工智能模型或机器学习模型；各个分离管理实体基于下发的人工智能模型或机器学习模型生成节能决策信息，其中，分离管理实体部署有模型推理模块，模型推理模块用于基于训练好的人工智能模型或机器学习模型生成节能决策信息；各个分离管理实体执行生成的节能决策信息。255.存储单元920可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(ram)9201和/或高速缓存存储单元9202，还可以进一步包括只读存储单元(rom)9203。256.存储单元920还可以包括具有一组(至少一个)程序模块9205的程序/实用工具9204，这样的程序模块9205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。257.总线930可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。258.电子设备900也可以与一个或多个外部设备940(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备900交互的设备通信，和/或与使得该电子设备900能与一个或多个其它计算设备进行通信的任何设备(例如路通过器、调制解调器等等)通信。这种通信可以通过输入/输出(i/o)接口950进行。并且，电子设备900还可以通过网络适配器960与一个或者多个网络(例如局域网(lan)，广域网(wan)和/或公共网络，例如因特网)通信。如图所示，网络适配器960通过总线930与电子设备900的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备900使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、raid系统、磁带驱动器以及数据备份存储系统等。259.通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是cd-rom，u盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施方式的方法。260.在本公开的示例性实施例中，还提供了一种计算机可读存储介质，该计算机可读存储介质可以是可读信号介质或者可读存储介质。图10示出本公开实施例中一种计算机可读存储介质示意图，如图10所示，该计算机可读存储介质1000上存储有能够实现本公开上述方法的程序产品。在一些可能的实施方式中，本公开的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。261.本公开中的计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。262.在本公开中，计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于通过指令执行系统、装置或者器件使用或者与其结合使用的程序。263.可选地，计算机可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、rf等等，或者上述的任意合适的组合。264.在具体实施时，可以以一种或多种程序设计语言的任意组合来编写用于执行本公开操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如java、c++等，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(lan)或广域网(wan)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。265.应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为通过多个模块或者单元来具体化。266.此外，尽管在附图中以特定顺序描述了本公开中方法的各个步骤，但是，这并非要求或者暗示必须按照该特定顺序来执行这些步骤，或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的，可以省略某些步骤，将多个步骤合并为一个步骤执行，以及/或者将一个步骤分解为多个步骤执行等。267.通过以上实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是cd-rom，u盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者网络设备等)执行根据本公开实施方式的方法。268.本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本公开旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本
技术领域：
：中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神通过所附的权利要求指出。当前第1页12当前第1页12
技术特征：
1.一种分离架构基站的节能控制方法，其特征在于，包括：集中管理实体向各个分离管理实体下发节能决策信息，其中，所述集中管理实体部署有模型训练模块和模型推理模块，所述模型训练模块用于训练人工智能模型或机器学习模型，所述模型推理模块用于基于训练好的人工智能模型或机器学习模型生成节能决策信息，终端切换信息，和用于承载流量的小区名称信息；各个分离管理实体执行集中管理实体下发的节能决策信息。2.根据权利要求1所述的分离架构基站的节能控制方法，其特征在于，所述节能决策信息包括：终端切换信息和用于承载流量的小区信息。3.根据权利要求1所述的分离架构基站的节能控制方法，其特征在于，所述方法还包括：在所述集中管理实体中部署模型训练模块和模型推理模块。4.根据权利要求1所述的分离架构基站的节能控制方法，其特征在于，在各个分离管理实体执行集中管理实体下发的节能决策信息之后，所述方法还包括：所述集中管理实体向各个分离管理实体发送性能反馈请求；所述集中管理实体接收各个分离管理实体返回的性能反馈信息；所述集中管理实体根据各个分离管理实体返回的性能反馈信息，对训练的人工智能模型或机器学习模型进行更新。5.根据权利要求1～4中任意一项所述的分离架构基站的节能控制方法，其特征在于，所述集中管理实体与各个分离管理实体之间通过数据面接口传输物理层颗粒度信息和/或ai相关数据。6.一种分离架构基站的节能控制方法，其特征在于，包括：集中管理实体向各个分离管理实体下发训练好的人工智能模型或机器学习模型，其中，所述集中管理实体部署有模型训练模块，所述模型训练模块用于训练人工智能模型或机器学习模型；各个分离管理实体基于下发的人工智能模型或机器学习模型生成节能决策信息，其中，所述分离管理实体部署有模型推理模块，所述模型推理模块用于基于训练好的人工智能模型或机器学习模型生成节能决策信息；各个分离管理实体执行生成的节能决策信息。7.根据权利要求6所述的分离架构基站的节能控制方法，其特征在于，所述节能决策信息包括：终端切换信息和用于承载流量的小区信息。8.根据权利要求6所述的分离架构基站的节能控制方法，其特征在于，所述方法还包括：在集中管理实体中部署模型训练模块，并在分离管理实体中部署模型推理模块。9.根据权利要求6所述的分离架构基站的节能控制方法，其特征在于，在各个分离管理实体执行生成的节能决策信息之后，所述方法还包括：所述集中管理实体向各个分离管理实体发送性能反馈请求；所述集中管理实体接收各个分离管理实体返回的性能反馈信息；所述集中管理实体根据各个分离管理实体返回的性能反馈信息，对训练的人工智能模型或机器学习模型进行更新。
10.根据权利要求6～9中任意一项所述的分离架构基站的节能控制方法，其特征在于，所述集中管理实体与各个分离管理实体之间通过数据面接口传输物理层面颗粒度信息和/或ai相关数据。11.一种分离架构基站的节能控制装置，其特征在于，包括：节能决策信息下发模块，用于集中管理实体向各个分离管理实体下发节能决策信息，其中，所述集中管理实体部署有模型训练模块和模型推理模块，所述模型训练模块用于训练人工智能模型或机器学习模型，所述模型推理模块用于基于训练好的人工智能模型或机器学习模型生成节能决策信息；第一节能决策信息执行模块，用于各个分离管理实体执行集中管理实体下发的节能决策信息。12.一种分离架构基站的节能控制装置，其特征在于，包括：模型信息下发模块，用于集中管理实体向各个分离管理实体下发训练好的人工智能模型或机器学习模型，其中，所述集中管理实体部署有模型训练模块，所述模型训练模块用于训练人工智能模型或机器学习模型；节能决策信息生成模块，用于各个分离管理实体基于下发的人工智能模型或机器学习模型生成节能决策信息，其中，所述分离管理实体部署有模型推理模块，所述模型推理模块用于基于训练好的人工智能模型或机器学习模型生成节能决策信息；第二节能决策信息执行模块，用于各个分离管理实体执行生成的节能决策信息。13.一种电子设备，其特征在于，包括：处理器；以及存储器，用于存储所述处理器的可执行指令；其中，所述处理器配置为经通过执行所述可执行指令来执行权利要求1～10中任意一项所述分离架构基站的节能控制方法。14.一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1～10中任意一项所述的分离架构基站的节能控制方法。

技术总结
本公开提供了一种分离架构基站的节能控制方法、装置、设备及存储介质，涉及无线通信技术领域。该方法包括：集中管理实体向各个分离管理实体下发节能决策信息，其中，集中管理实体部署有模型训练模块和模型推理模块，模型训练模块用于训练人工智能模型或机器学习模型，模型推理模块用于基于训练好的人工智能模型或机器学习模型生成节能决策信息和切换决策信息；各个分离管理实体执行集中管理实体下发的节能决策信息(包含终端切换信息和用于承载流量的小区信息)。本公开在集中管理实体进行人工智能模型或机器学习模型的模型训练，在对某一分离管理实体进行节能控制时，可加入其他分离管理实体的信息，能够大大提升模型推理的准确性。准确性。准确性。


技术研发人员：张化 许森 熊尚坤 刘昕 韩飞
受保护的技术使用者：中国电信股份有限公司
技术研发日：2022.01.25
技术公布日：2023/8/4