Моделирование энергопотребления сетей 5G на основе реальных данных: энергетический отпечаток — это всё, что вам нужно

Modelling the 5G Energy Consumption Using Real-world Data: Energy Fingerprint is All You Need
Ting-Wei Chen, Yantao Wang, Hanzhi Chen, Zijian Zhao, Xinhao Li, Nicola Piovesan, Guangxu Zhu, Qingjiang Shi
2025-12-08

энергопотребление 5Gмеханизм вниманияоценка энергопотребления базовых станцийэнергетический отпечатокмаскированное обучение
Внедрение технологии 5G произвело революцию в сфере связи, обеспечив беспрецедентные пропускную способность и связанность, а также сверхбыструю и надежную передачу данных. Однако этот прогресс привел к существенному увеличению энергопотребления, что стало критически важной проблемой для устойчивого развития сетей. Точное моделирование энергопотребления необходимо для разработки энергоэффективных стратегий, позволяющих операторам оптимизировать использование ресурсов при сохранении производительности сети. Для решения этой задачи мы предлагаем новую модель глубокого обучения для оценки энергопотребления базовых станций 5G, разработанную на основе набора реальных данных. В отличие от существующих методов, наш подход интегрирует идентификатор базовой станции (Base Station Identifier, BSID) в качестве входного признака с помощью слоя встраивания, что позволяет учитывать уникальные энергетические характеристики различных базовых станций. Кроме того, мы вводим метод обучения с маскированием и механизм внимания для повышения обобщающей способности и точности. Результаты экспериментов демонстрируют существенное улучшение: средняя абсолютная процентная ошибка (Mean Absolute Percentage Error, MAPE) снижена с 12.75% до 4.98%, что обеспечивает прирост эффективности более чем на 60% по сравнению с существующими моделями. Исходный код модели доступен по адресу: https://github.com/RS2002/ARL.
1
Предложена новая модель глубокого обучения для оценки энергопотребления базовых станций 5G на основе реального набора данных.
2
Встраивание идентификатора базовой станции позволяет учитывать специфические энергетические закономерности разных базовых станций.
3
Маскированное обучение и механизм внимания повышают обобщающую способность и точность оценивания модели.
4
Исходный код модели доступен в указанном репозитории GitHub.
5
Предложенный подход снижает MAPE с 12,75% до 4,98%, обеспечивая улучшение более чем на 60% по сравнению с существующими моделями.

энергопотребление базовых станций 5G

оценка энергопотребления и его характерные закономерности для различных базовых станций

Publication Details
Publication Date
2025-12-08
Journal
Publisher
ISSN
Access Type
Author Information
Authors
Ting-Wei Chen
Yantao Wang
Hanzhi Chen
Zijian Zhao
Xinhao Li
Nicola Piovesan
Guangxu Zhu
Qingjiang Shi
Explore further
Open the scid.ai AI chat with a ready-made request: it will find papers on a similar topic and help build a literature review.
Find similar papers in the chat →
Make a presentation
100%