Det finns flera anledningar att trimma in kapaciteten för ett mobilnät: att erbjuda tillräcklig kapacitet genom att förutsäga ett ökat behov, att erbjuda goda prestanda och att inte använda fler celler för kommunikation än nödvändigt. Det senare har blivit allt viktigare i takt med att elförsörjningen tornat upp som den största kostnaden för att driva mobilnät. En lyckad strategi för att undvika överkapacitet kan ge besparingar på åtskilliga miljoner kronor per år, utan att kapacitet och prestanda äventyras.
Sänker kostnaden för elförsörjningen
Kostnaden för elförsörjning kan enkelt uttryckt sänkas genom att stänga av celler som inte behövs vid vissa tidpunkter. För att veta när det är lämpligt att göra krävs, som sagt, prognostisering med god precision. För att lyckas med det krävs tillgång till data om tidigare användning, vilka används för att bygga analysmodeller. Analysmodellernas resultat jämförs sedan med faktiskt utfall, så att analysmodellerna kan trimmas för att ge bättre resultat.
– Vi hade dagliga användningsdata för 700 dagar och data om användning per timme för 180 dagar. Dagliga data använde vi för modellering och timbaserade data för extrapolering, efter att alla data omvandlats till tidsserier, förklarar Hans de Wit, senior dataanalytiker (data scientist) på Telenor Technology i Norge, samt medlem i Team 4-kasting.
Att välj rätt nivå
Ett mobilnät kan beskrivas som en hierarki i flera nivåer. I botten av hierarkin finns enskilda celler för olika kommunikationslösningar, till exempel 3G och 4G, och olika frekvenser. Högst upp finns hela mobilnätet och däremellan kluster, installationer för olika kommunikationslösningar, basstationer och master.
Team 4-kasting hade data för den lägsta nivån, celler. Man kan kanske tro att en analys på lägsta nivå ska ge bästa tänkbara modell. Eller?
– Av de fyra veckor vi ägnade åt att bygga vårt tävlingsbidrag ägnade vi de två första åt att diskutera om och förbereda data, utan att börja bygga modeller. Vi insåg att en analys på cellnivå inte är användbar, berättar Hans de Wit.
Den rätta nivån att analysera visade sig vara en som kallas sektor. Varje basstation är uppdelad i tre sektorer. Enkelt förklarat ansvarar varje sektor för kommunikation åt ett håll. Genom att analysera data på sektornivå gick det att få en bra bild av användningen av ett mobilnät inom ett avgränsat geografiskt område. För att lyckas krävdes en hel del konvertering och aggregering av tillgängliga data. Det arbetet inbegrep alltså att omvandla data till tidsserier.
Flera celler används i ett samtal
Att just sektorer är intressanta beror inte minst på en lösning som kallas ”carrier aggregation”. Den innebär att flera olika celler i en sektor kan användas för ett enda samtal. Att bara titta på användning för enskilda celler ger alltså inte en helhetsbild av hur kommunikationen i mobilnätet fungerar.
Det här kan låta komplicerat, men om man tänker efter kan samma resonemang används i en mängd olika sammanhang. Data om försäljning för en butikskedja kan till exempel beskrivas som en hierarki med land högst upp och olika varugrupper i enskilda butiker längst ned. Däremellan finns nivåer som region, stad, butik och så vidare. I en alternativ hierarki kanske varugrupper finns på nivån direkt under land. Även för en butikskedja är det viktigt att avgöra vilka nivåer som är relevanta att undersöka.
Skalas på SAS Institutes plattform
När teamet väl kommit fram till vilka data som bör analyseras gick arbetet snabbt. Tack vare god integration mellan de olika verktyg från SAS Institute som användes under tävlingen gick själva modellbyggandet snabbt. Resultatet blev analysmodeller som visat sig ha god precision för Gjǿrvik, den stad i Norge som analyserades under SAS Institutes tävling.
– Modellerna kan enkelt skalas på SAS Institutes plattform för att användas för hela Norge. Det visade sig att vi nästan alltid fick bättre resultat med traditionella analysmetoder, än med lösningar som djupinlärning och neurala nätverk, säger Sten Ruben Strandheim, dataansvarig på Telenor Technology i Norge och medlem i Team 4-kasting.
Möjligheten att testa olika analysmetoder visade sig vara värdefull under de två avslutande veckorna under arbetet med tävlingsbidraget. Ett exempel är att SAS Model Studio automatiskt testar flera olika algoritmer, och kombinationer av algoritmer, för att hitta den bästa. Det går i princip att låta verktyget bygga hundratusentals olika modeller och välja ut de som ger bäst resultat.
Det finns ett stort intresse inom Telenor för de modeller som Team 4-kasting byggt, både i Norge och i andra länder. Det gäller både för att få till bättre kapacitetsplanering och för att sänka elkostnader.
– Med våra analysmodeller vet man bättre var kapaciteten behöver byggas ut och var den bör minskas, avslutar Sten Ruben Strandheim.
