Optimalizace úspor energie pro základnové jednotky v mobilních sítích pomocí umělé inteligence a datově řízeného přístupu

Abstract

Tato disertační práce se zabývá vysokými energetickými náklady v sítích 5G a budoucích generací, se zameřením na základnové jednotky (BBU), které jsou klíčovými komponentami zajišťujícími zpracování signálu, avšak při nízkém provozu často zbytečně spotřebovávají energii. Na základě reálných dat z mobilních sítí z několika lokalit jsou navrženy přesné modely pro predikci provozu, které zachycují jak krátkodobé špičky, tak dlouhodobé vzorce. Výzkum představuje nový rámec s názvem PESBiU (Predictive Energy Saver for Baseband Units), který kombinuje pokročilé strojové učení (CNN-LSTM) pro predikci provozu s algoritmy zpětnovazebního učení (např. DQN a DDDQN) pro rozhodování, kdy přepínat BBU do úsporných režimů bez zhoršení kvality služeb. Výsledky ukazují úsporu energie až o 40% při zachování přijatelných hodnot propustnosti a latence. Srovnáním různých přístupů - statických pravidel, metod s prahovými hodnotami a různých variant RL - práce zdůrazňuje význam robustní predikce provozu a adaptivního řízení v reálném čase. Praktické záložní mechanismy a hybridní strategie dále zvyšují spolehlivost při rychle se měnících podmínkách. Závěr podtrhuje potenciál metod založených na umělé inteligenci a práci s daty pro optimalizaci spotřeby energie v mobilních sítích. Výsledky zároveň poskytují základ pro další škálování těchto technik ze strany operátorů a výzkumníků - směrem k udržitelnějším a výkonnějším sítím 5G+.This doctoral thesis addresses the high energy costs in 5G and beyond networks by focusing on Baseband Units (BBUs) - essential components that handle signal processing that often waste energy when traffic is low. Using real mobile network datasets from multiple sites, it develops accurate traffic-prediction models that capture both short-term spikes and long-term usage patterns. The research designs and tests a novel framework called PESBiU (Predictive Energy Saver for Baseband Units). It integrates advanced machine learning (CNN-LSTM) for traffic prediction with reinforcement learning algorithms (such as DQN and DDDQN) to determine when to switch BBUs to lower-power states without degrading service quality. The results show up to 40% reduction in BBU energy consumption, while keeping user throughput and latency within acceptable limits. By comparing multiple approaches-static rules, threshold methods, and different RL variants - the thesis underscores the importance of robust traffic forecasting and real-time adaptive control. Practical fallback and hybrid strategies further strengthen reliability under rapidly changing conditions. The findings emphasize the potential of AI-driven, data-focused methods for optimizing energy consumption in cellular networks. They also provide a stepping stone for operators and researchers to scale these techniques, addressing both environmental sustainability and the growing demands of 5G+ communications.