传统运维管理模式存在成本高、管理粗、效率低等问题。上站巡检仍然依靠人海战术，成本支出大，效率低下；基站资源资产管控粗放，信息准确性差，无法对基站资源资产的实时变化实施全流程管理；基站出入站与现场管理不到位，非法上站、私接私挂、基站被盗问题频发；日常故障处理仍然依靠较多上站解决，故障辅助定位措施有限；传统基站单模态缓存技术无法满足当前多模态应用需求。针对以上问题，项目组构建基站智慧化运维物联终端子系统。自研边缘智能网关对基站内视频进行 AI 分析处理，实现对人员非法闯入、机房门、馈线窗 、机柜、空调、蓄电池的视频自动巡检，定时上报边缘智能网关分析的巡检结果。包括，馈线窗漏光、机房门是否关闭、裂缝、积水等。所开展的工作面向基站内设备设施监控、安全监控、突发时间处理以及数据缓存优化，该场景中包括4类多维数据采集、8类属性分析以及近 100 个高度异构设备的互联互通。依托定制智能 AI 分析算法加强视频结构化信息的智能提取和有效信息挖掘工作，提高视频资源的智能报警和智能检索效率。实现在铁塔基站无人值守、资产监测、出入站管理等方面应用。同时，依托项目组搭建的边缘协同平台智能算法以及基于加权联邦强化学习的多模态协作缓存优化方法，通过分析算法在边缘智能网关的远程部署实现基站内前端设备的复用和数据缓存的优化。经验证：在基站视频分析方面，改良的频繁概率最近邻查询算法可将算法执行花费的时间减少 63%，与采购具有视频分析能力摄像头相比项目组示范自研的边缘智能网关+摄像头的方案整体价格减低 23%，与高速视频流上传云平台相比边缘侧视频分析仅上传图像语义带宽降低90%、带宽租费降低76%、云存储容量降低92%，算法与终端全解耦，算法效率提升36%；在数据缓存方面，采用Noah-Wukong数据集进行实验结果表明，所提出的缓存优化方法与现有的DDQN算法等方法相比，在降低平均系统延时方面表现出显著优势，大大提升了用户体验。

成果1：Federated Deep Reinforcement Learning for Multimodal Content Caching in Edge-Cloud Networks

成果2：Uncertain data processing algorithm for base station energy consumption: optimized branch energy consumption algorithm for multi-functional dc power meter devices

成果3：2023第九届互联网+大学生创新创业大赛产业赛道银奖

成果4：bte365100官网在线投2022年度专业学位研究生优秀实践成果一等奖