在世界範圍內，正在進行類似的研究以降低全球基站的功耗（4年），估計為5-2016億千瓦時。在日本，國內三大移動公司與基站相關的總耗電量約為 3 億千瓦時（根據各公司最新可持續發展報告估算）。另一方面，正在開發業務的51G基站覆蓋範圍較5G窄，需要增加基站數量。此外，雖然為了脫碳正在重新通電，但由於供電量不穩定，因此需要根據通信量關閉電源以減少電力消耗。但是，無法獲知不活躍基站的通信記錄，存在通信量預測精度降低的問題。

　Shinkuma教授從運行中的基站的記錄中估計出最重要的記錄並將其納入學習中，並結合通用機器學習和簡單的特徵選擇來實現高預測精度。每個停止的基站可以減少約 6% 的功耗，根據通信量進行控制對於減少 CO2 排放很重要。也可以用可再生能源來為基站供電，其供電取決於氣候。

　未來，我們將區分文本、視頻、網頁等各種通信應用數據，提取各自的特徵，創建機器學習模型，提高預測精度。例如，在線會議較長，通信時間因應用程序而異，因此也可以進行考慮其特性的控制。

參考：【芝浦工業大學】芝浦工業大學 通過人工智能進行的高精度交通預測，可以用可再生能源替代基站的電力。