编辑推荐：
异构蜂窝网络中动态基站休眠策略与新型TSE-AMG-ConvLSTM预测框架研究，提出融合Transformer增强注意力、进化自适应记忆门和卷积LSTM的混合模型，有效解决长期时空依赖建模、噪声敏感和动态记忆控制问题，实验验证节能15.63%且保持稳定SINR与负载均衡。
D. Vengaimarbhan | D. Rajinigirinath
信息技术系，V.S.B.工程学院，Karur，Anna大学，Chennai，印度
摘要
在异构蜂窝网络（HeCN）中，由于微基站（MiBS）和宏基站（MaBS）的密集部署，基于流量的能源管理成为一个挑战。这导致在低流量和不规则流量期间功耗增加，运行效率降低。然而，在HeCN中，能源消耗更高，这对于维持蜂窝用户的服务一致性至关重要。现有的基站睡眠策略依赖于静态阈值，无法同时解决长期流量依赖性建模、噪声敏感性和自适应内存控制问题。传统的学习模型无法准确捕捉长期的时空流量动态，并适应快速的流量波动，从而导致能源节省效果不佳和服务质量下降。为了解决这些限制，本文提出了一种由新型Transformer–Swarm进化自适应内存门卷积LSTM（TSE-AMG-ConvLSTM）流量预测框架驱动的动态基站睡眠策略（DBSSS）。TSEAMG-ConvLSTM模型结合了卷积长短期记忆（ConvLSTM）模型和Transformer增强注意力（TEA）机制，用于学习蜂窝数据的时空特征的长期依赖性。该模型还使用进化自适应内存门（EAMG）动态优化LSTM的遗忘门，并采用基于熵的流量编码（EBTE）来处理流量峰值和波动。遗传对梭鱼群优化（GPBSO）算法用于调整ConvLSTM模型的超参数。预测的流量直接与基于SINR的基站激活和用户重新分配机制相结合，以实现能源高效的网络运行。使用Milan城市、Madrid-LTE、上海和Trentino电信数据集对所提出的框架进行了评估。TSE-AMG-ConvLSTM模型在Milan、Madrid-LTE、Telecom Shanghai和Trentino数据集上的准确率分别为97.30%、99.21%、96.89%和98.81%，F1分数分别为98.39%、99.28%、97.64%和98.67%。DBSSS实现了高达15.63%的能源节省，并在不同用户密度下保持了稳定的SINR和负载分布。这些结果表明，TSE-AMG-ConvLSTM模型为HeCN中的基于流量的能源优化提供了一个强大且通用的解决方案，具有更高的预测可靠性、更高的能源效率和更好的服务连续性。
引言
在现代电信中，异构蜂窝网络（HeCN）提供了无缝的连接性，并提高了网络处理日益增长的移动网络和数据需求的能力（Ghosh等人，2012年）。根据国际电信能源报告，基站占全球网络能源使用量的近60-80%。随着向6G和智能城市的过渡，HeCN的能源高效运行已成为一个关键的研究重点。HeCN包含用于处理低至高流量需求的MaBS和MiBS。MaBS能够覆盖大面积和高流量数据负载，而MiBS网络则覆盖较小区域并在密集区域提供额外容量。尽管HeCN非常有效，但它存在能耗高的局限性，这会降低服务质量。能源高效的网络管理已成为可持续下一代无线系统的关键工业优先事项（Xu等人，2021年）。为了优化HeCN中的能源消耗，应用了动态基站睡眠（DBSSS）技术，在低流量期间关闭和开启基站以节省能源（Wu等人，2015年）。然而，由于蜂窝流量的高度动态性、非线性和时空相关性，DBSSS的部署具有挑战性。不准确的流量预测会导致基站过度关闭、延迟增加、服务中断以及睡眠状态和活跃状态之间的频繁振荡，从而降低用户体验（Kaur等人，2023年）。
传统的基站睡眠（BSS）技术包括基于阈值的睡眠、基于时间的调度和基于规则的算法（Salahdine等人，2021年）。基于阈值的睡眠技术在流量低于预定义值时关闭基站。基于时间的调度算法根据历史模式在特定时间关闭和开启基站。基于规则的算法也为基站的激活和关闭建立了启发式规则。然而，这些模型需要手动测试，缺乏灵活性，无法适应动态流量环境，并且需要大量的手动配置（López-Pérez等人，2022年）。机器学习（ML）和深度学习（DL）网络被引入以通过流量预测来改进BSS（Santos Escriche等人，2023年）。ML模型预测流量趋势和变化，以确定何时将BSS切换到睡眠模式（Jiang，2022年）。ML模型，如随机森林（RF）和梯度提升（GB），分析历史流量模式并调整BSS处于活跃或睡眠模式。
DL架构利用之前的流量数据预测未来需求，以制定睡眠策略并优化基站睡眠（Lee等人，2021年）。然而，这些模型计算成本高，无法捕捉复杂的时空依赖性，容易受到流量噪声和突然波动的影响，在循环架构中表现出静态内存行为，并在意外流量和BSS激活波动时降低服务质量（Aouedi等人，2025年）。许多现有模型难以捕捉基站之间的空间相关性和长期时间依赖性。蜂窝流量表现出突发性和不规则波动，这降低了传统学习模型的鲁棒性。标准的LSTM遗忘门无法动态适应变化的流量区域，导致内存保留效果不佳。这些挑战是由于缺乏统一框架，该框架能够同时提供抗噪声的流量表示、长期依赖性建模、自适应内存控制和系统化的超参数优化，以支持基于预测的DBSSS。在开发一个统一框架方面存在研究空白，该框架能够共同建模长期时空依赖性、自适应内存演化、基于熵的波动处理和异构网络中的动态能源管理。解决这一空白可以实现大规模异构网络中可靠的流量预测和强大的能源管理。
为了解决这些限制并改进DBSSS技术，开发了一种名为Transformer Swarm进化自适应内存门卷积LSTM（TSE-AMG-ConvLSTM）模型的新型混合模型，用于预测流量模式。TSE-AMG-ConvLSTM模型结合了多种先进技术，以提高流量预测和优化能源管理。该混合模型旨在准确预测流量变化，优化内存保留并改进能源高效基站管理的决策。TSE-AMG-ConvLSTM模型集成了EBTE、TEA机制、卷积LSTM（ConvLSTM）、EAMG和GPBSO。EBTE技术减少了流量波动并提高了预测的信号清晰度。TEA技术通过使用自注意力机制增强了对相关流量模式的关注，减少了长期依赖性问题。ConvLSTM收集时空依赖性以预测流量模式，TEA技术突出了流量趋势并增加了特征选择。EAMG技术动态调整遗忘门。ConvLSTM模型参数使用结合了遗传算法和PDSO算法的混合GPBSO技术进行了优化，以提高效率。TSE-AMG-ConvLSTM模型利用预测的流量模式进行基站的激活和关闭。TSE-AMG-ConvLSTM技术最小化了能源消耗，优化了BSS技术，并保持了最佳的网络性能。该框架在现实部署场景下实现了显著的定量改进和能源节省。该框架为网络的可持续运行提供了可扩展和实用的解决方案。研究的贡献包括：
- •
TSE-AMG-ConvLSTM模型收集了异构蜂窝网络中的时空流量依赖性、长期时间相关性和动态内存行为，以实现准确的蜂窝流量预测。
- •
引入了基于熵的流量编码机制，以抑制随机流量波动并在学习前提高信号清晰度，在高度动态的网络条件下提高鲁棒性和稳定性。
- •
TEA被嵌入到ConvLSTM框架中，以选择性地强调信息丰富的流量模式并缓解长期依赖性流量模式。LSTM的记忆保留使用EAMG进行自适应调节，根据流量波动性自动调整。
- •
结合了GPBSO、GA和深度内存机制的混合GPBSO用于调整ConvLSTM参数，提高收敛可靠性。
所提出的框架具有重要的实际意义，可以在超密集的5G/6G部署中实现能源节省，并通过减少不必要的基站（BS）激活来提高电信运营商的运营效率。该过程在波动的流量条件下保持稳定的SINR和负载平衡。所提出的框架支持与全球减排目标一致的可持续和绿色通信基础设施。
本文的其余部分安排如下：第2节讨论相关方法，第3节分析所提出的模型，第4节给出结果，第5节给出结论和未来工作。
相关文献
相关工作
Lin等人（Lin等人，2021年）提出了一种数据驱动的基站睡眠策略和多通道卷积网络长短期记忆（MGCN-LSTM）模型用于流量预测。MGCN模型提取了空间特征，LSTM模型收集了时间特征。该模型使用了Milan数据集，在短信（SMS）上的R2分数为0.978，在通话（call）上为0.985，在互联网上为0.972。该模型在动态环境中表现不佳，并且由于多个因素而增加了计算复杂性
方法论
TSE-AMG-ConvLSTM模型旨在准确预测蜂窝流量模式，并利用这些流量模式进行DBSSS技术。该方法论包括数据预处理、使用TSE-AMG-ConvLSTM模型进行流量模式预测，以及使用预测模式进行动态基站睡眠技术。图1表示TSE-AMG-ConvLSTM模型的框图。
数据预处理方法包括清洗、使用最小-最大缩放进行标准化以及序列处理
结果与讨论
TSE-AMG-ConvLSTM模型在MATLAB（R2023）环境中计算，并在配备1.8 GHz CPU频率、8 GB RAM和Windows 10操作系统的Intel Core i5处理器上进行了评估，实验配置已指定。模型性能基于以下指标进行了评估：准确性、召回率、精确度、F1分数、RMSE、R2值、FPR、FNR、MCC、MSE和MAE，数据集包括Milan城市流量、Madrid-LTE、Telecom Shanghai和Trentino。
TSE-AMG-ConvLSTM是
主要发现和局限性
该研究将卷积空间建模、基于变压器的时间注意力和自适应内存门控集成在一个统一架构中。所提出的框架在稳定和高度波动的流量条件下实现了显著更高的预测稳定性。这证实了下一代流量预测模型必须超越单一机制设计。该模型在高峰时段拥堵和不规则流量突发期间保持了稳定的准确性，表明
结论
所提出的TSE-AMG-ConvLSTM模型适用于异构蜂窝网络中的动态基站睡眠。TSE-AMG-ConvLSTM方法结合了基于熵的流量编码以抑制噪声、基于变压器的注意力进行长期依赖性建模、进化自适应内存门控进行动态信息保留，以及GPBSO进行系统化的超参数调整。TSE-AMG-ConvLSTM模型的准确率为97.30%，F1分数为98.39%，R2值为
CRediT作者贡献声明
D. Vengaimarbhan：概念化、数据整理、资源、软件、方法论、初稿撰写、审稿与编辑。D. Rajinigirinath：概念化、可视化、调查、监督、软件、验证、资源、正式分析、审稿与编辑。
利益冲突声明
作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文报告的工作。
