朱 偉 李明鑫 張 晶 趙志揚(yáng) 仇 勇 葉 萍

中國(guó)移動(dòng)通信集團(tuán)江蘇有限公司

0 引言

網(wǎng)絡(luò)覆蓋，尤其是深度覆蓋能力，已經(jīng)成為影響用戶滿意度的重要因素。傳統(tǒng)優(yōu)化手段在對(duì)弱覆蓋進(jìn)行分析提升時(shí)，存在問(wèn)題定位精度低、解決方案依賴人員能力、調(diào)整工作量大等問(wèn)題。

江蘇移動(dòng)構(gòu)建多維特征數(shù)據(jù)庫(kù)，將基站小區(qū)聚類(lèi)，基于傳播模型生成路損矩陣。聚焦問(wèn)題區(qū)域，通過(guò)機(jī)器學(xué)習(xí)自動(dòng)查找射頻優(yōu)化最優(yōu)方案，提升整體覆蓋能力，是本文的主要研究目標(biāo)。

1 技術(shù)解決方案

1.1 構(gòu)建多維度特征

基于現(xiàn)網(wǎng)工參、地物地圖、MR數(shù)據(jù)將不同的特征構(gòu)建為不同的矩陣，完成基站小區(qū)特征提取。如圖1所示。

圖1 基于現(xiàn)網(wǎng)數(shù)據(jù)構(gòu)建小區(qū)/柵格多維度特征

1.2 小區(qū)聚類(lèi)和路損生成

依據(jù)多維小區(qū)特征，通過(guò)DBSCAN聚類(lèi)算法對(duì)小區(qū)進(jìn)行聚類(lèi)，將特征強(qiáng)相關(guān)的小區(qū)歸為一類(lèi)。應(yīng)用射線追蹤模型，充分考慮建筑物特征、分布對(duì)信號(hào)傳播的影響，生成小區(qū)和柵格級(jí)路損矩陣。為提高準(zhǔn)確性，借助DT/MR數(shù)據(jù)對(duì)路損矩陣進(jìn)行修正。

DBSCAN聚類(lèi)算法是一種基于密度的算法，能夠?qū)⒖臻g中具有足夠相似特征的區(qū)域劃分為簇，并有效識(shí)別噪聲數(shù)據(jù)，最終的簇可以是任意形狀。聚類(lèi)過(guò)程如下：

輸入：數(shù)據(jù)對(duì)象集合D，半徑Eps，密度閾值MinPts。

輸出：聚類(lèi)結(jié)果。

（1）初始化。隨機(jī)選擇數(shù)據(jù)對(duì)象集合中的一個(gè)樣本p，檢查其相鄰域，若包含的對(duì)象數(shù)不小于密度閾值，建立新集合簇C，將其中所有點(diǎn)加入候選對(duì)象集合；若包含的對(duì)象數(shù)小于密度閾值，就重新選擇新的樣本；（2）對(duì)候選數(shù)據(jù)對(duì)象集中，尚未被處理的對(duì)象q，檢查其相鄰域，如果q未歸入任何一個(gè)集合，則將q加入C；（3）重復(fù)步驟（2），檢查數(shù)據(jù)對(duì)象集中未處理的對(duì)象，直到當(dāng)前候選數(shù)據(jù)的對(duì)象集為空；（4）重復(fù)步驟（1）-（3），使得所有的對(duì)象，都?xì)w于某個(gè)集合簇，或者標(biāo)記為噪聲；（5）輸出聚類(lèi)結(jié)果。

數(shù)據(jù)對(duì)象集合D為已進(jìn)行特征提取的基站小區(qū)集合，半徑Eps為建筑物密度、大小、地物類(lèi)型、站點(diǎn)高度以及站間距的加權(quán)距離，密度閾值為半徑內(nèi)的樣本數(shù)。

圖2射線追蹤模型按照三維電子地圖進(jìn)行建模分析，從發(fā)射機(jī)開(kāi)始，找出接收機(jī)所有的傳播路徑。通過(guò)計(jì)算每條射線到達(dá)接收點(diǎn)實(shí)際經(jīng)過(guò)的所有損耗，再在接收機(jī)端將所有電平疊加，得到實(shí)際的接收電平。

圖2 射線傳播模型圖示

1.3 迭代尋優(yōu)

1.3.1 目標(biāo)函數(shù)確定

確定之前需要明確優(yōu)化區(qū)域及優(yōu)化小區(qū)，主要通過(guò)以下步驟確定：

（1）根據(jù)MR數(shù)據(jù)的定位柵格結(jié)果，確定覆蓋問(wèn)題區(qū)域；

（2）根據(jù)問(wèn)題區(qū)域，確定關(guān)聯(lián)小區(qū)；

（3）對(duì)關(guān)聯(lián)小區(qū)設(shè)置調(diào)整比例，并結(jié)合話務(wù)地圖確定小區(qū)的調(diào)整優(yōu)先級(jí)別。

優(yōu)化范圍明確后，結(jié)合優(yōu)化需求，設(shè)定目標(biāo)函數(shù)。確定目標(biāo)函數(shù)時(shí)充分考慮指標(biāo)類(lèi)型和權(quán)重，通過(guò)權(quán)重確定不同指標(biāo)的優(yōu)化側(cè)重點(diǎn)。

目標(biāo)函數(shù)=A%×MR覆蓋比例（%）+B%×重疊覆蓋比例（%）

其中，A%+B%=1。

MR覆蓋比例及重疊覆蓋比例算法為大于覆蓋門(mén)限的柵格所占權(quán)重除以全量柵格的權(quán)重。

本文充分考慮覆蓋能力提升后對(duì)重疊覆蓋造成的影響，將MR弱覆蓋比例提升[0.2%，+∞]且重疊覆蓋比例浮動(dòng)介于[+∞，2%]作為尋優(yōu)過(guò)程中的約束條件。

1.3.2 算法建模

利用“粒子群”算法確定目標(biāo)函數(shù)最優(yōu)解，輸出相應(yīng)小區(qū)調(diào)整方案，從而得到網(wǎng)絡(luò)性能的最優(yōu)解。

粒子群優(yōu)化算法的核心是利用群體中的個(gè)體對(duì)信息的共享，使得整個(gè)群體的運(yùn)動(dòng)在問(wèn)題求解空間中獲得從無(wú)序到有序的演化過(guò)程，從而獲得問(wèn)題的最優(yōu)解。這與我們通過(guò)調(diào)整基站的下傾角從而獲得覆蓋最優(yōu)解的思路相同，因此選用了該算法。

算法思想如下（見(jiàn)圖3）：

圖3 粒子群算法實(shí)現(xiàn)流程圖

（1）種群初始化：隨機(jī)初始化，計(jì)算個(gè)體的適應(yīng)值，確定初始個(gè)體的局部最優(yōu)位置和目標(biāo)函數(shù)的全局最優(yōu)位置，設(shè)置結(jié)束條件；

（2）速度更新：更新每個(gè)個(gè)體的速度；

（3）位置更新：更新每個(gè)個(gè)體的位置；

（4）局部最優(yōu)位置更新：計(jì)算更新過(guò)個(gè)體的適應(yīng)值，并與每個(gè)個(gè)體的局部最優(yōu)位置進(jìn)行比較，如果個(gè)體適應(yīng)值大于局部最優(yōu)位置，則更新局部最優(yōu)位置；

（5）全局最優(yōu)位置更新：比較局部最優(yōu)位置和全局最優(yōu)位置，如果局部最優(yōu)位置大于全局最優(yōu)位置，則更新全局最優(yōu)位置；

（6）對(duì)結(jié)束條件進(jìn)行判斷，如滿足則輸出全局最優(yōu)位置；否則繼續(xù)進(jìn)行迭代，跳轉(zhuǎn)至（2）。

輸出目標(biāo)函數(shù)最優(yōu)解，將結(jié)果作為覆蓋問(wèn)題區(qū)域、緩沖區(qū)域，閉環(huán)前后各KPI指標(biāo)的評(píng)估值。

表1 粒子群算法輸出小區(qū)調(diào)整方案

1.4 算法比較及驗(yàn)證

為了驗(yàn)證粒子群算法準(zhǔn)確性和有效性，本文選泰州市海陵南部區(qū)域進(jìn)行試點(diǎn)，運(yùn)用算法輸出問(wèn)題區(qū)域，針對(duì)方案進(jìn)行覆蓋優(yōu)化，并對(duì)實(shí)驗(yàn)結(jié)果做了對(duì)比和驗(yàn)證。對(duì)比發(fā)現(xiàn)兩者覆蓋率提升效果差異很小，但是計(jì)算速率有較大差異，由此可見(jiàn)粒子群算法具有更高的效率。

表2 蟻群算法和粒子群算法的對(duì)比

2 仿真驗(yàn)證與可行性評(píng)估

選取海陵城郊15個(gè)連片基站共57個(gè)小區(qū)進(jìn)行仿真和測(cè)試驗(yàn)證。通過(guò)仿真，24個(gè)小區(qū)需進(jìn)行電子俯仰角調(diào)整，4個(gè)小區(qū)需進(jìn)行機(jī)械俯仰角調(diào)整。

根據(jù)優(yōu)化算法給出的RF最優(yōu)方案，后臺(tái)通過(guò)命令完成24個(gè)小區(qū)的電子傾角修改，前臺(tái)安排施工隊(duì)完成4個(gè)機(jī)械傾角的修改。

對(duì)調(diào)整前后15個(gè)基站57個(gè)小區(qū)的覆蓋情況進(jìn)行對(duì)比分析，改善明顯。

現(xiàn)場(chǎng)使用CDS軟件對(duì)區(qū)域內(nèi)主要道路覆蓋情況進(jìn)行測(cè)試評(píng)估，調(diào)整前后道路LTE綜合覆蓋率從96.32%提升到98.79%，提升幅度2.47%。

從數(shù)字絕對(duì)值統(tǒng)計(jì)看，15個(gè)基站覆蓋區(qū)域應(yīng)用智能優(yōu)化方案后，區(qū)域MR覆蓋率提升2.20%。

圖4 優(yōu)化前后區(qū)域MR覆蓋率對(duì)比

根據(jù)15個(gè)基站的應(yīng)用結(jié)果來(lái)看，仿真結(jié)果與測(cè)試結(jié)果覆蓋改善柵格、提升幅度、趨勢(shì)均基本一致。所以該算法可以有效分析弱覆蓋問(wèn)題，并輸出合理的權(quán)值優(yōu)化建議。

3 現(xiàn)網(wǎng)實(shí)踐

3.1 實(shí)踐區(qū)域選取

選取海陵區(qū)進(jìn)行試點(diǎn)，區(qū)域內(nèi)涉及站點(diǎn)623個(gè)。

3.2 聚類(lèi)分析

通過(guò)聚類(lèi)分析，將實(shí)踐區(qū)域匯聚為三類(lèi)，分別是：（1）建筑面積大、高度低，站點(diǎn)密集度高（421個(gè)）；（2）單個(gè)建筑面積小、高度中，站點(diǎn)密集度中（125個(gè)）；（3）環(huán)境開(kāi)闊建筑物少，站點(diǎn)密集度低（77個(gè)）。

3.3 迭代尋優(yōu)與效果評(píng)估

通過(guò)迭代尋優(yōu)算法對(duì)應(yīng)用區(qū)域的基站進(jìn)行分析，輸出需調(diào)整電子下傾角小區(qū)150個(gè)、機(jī)械下傾角小區(qū)43個(gè)，一周內(nèi)完成全部小區(qū)調(diào)整。

調(diào)整前后MR對(duì)比：應(yīng)用優(yōu)化后MR覆蓋率從92.76%提升至94.31%，RSRQ小于-12 MR比例從11.52%壓降至9.74%。

表3 優(yōu)化前后MR覆蓋率和干擾比例對(duì)比

DT拉網(wǎng)數(shù)據(jù)進(jìn)行驗(yàn)證：DT拉網(wǎng)閉環(huán)前后對(duì)比平均RSRP從-74dBm提升至-72.2dBm，平均SINR從13.73dB提升至16.99dB。

表4 優(yōu)化前后平均RSRP和SINR對(duì)比

調(diào)整前后KPI保持穩(wěn)定，業(yè)務(wù)量及用戶數(shù)提升明顯。

表5 優(yōu)化前后性能指標(biāo)和業(yè)務(wù)吸收情況

4 推廣價(jià)值

4.1 覆蓋分析精準(zhǔn)，全面細(xì)致定位問(wèn)題

基于現(xiàn)網(wǎng)基礎(chǔ)數(shù)據(jù)，通過(guò)網(wǎng)絡(luò)評(píng)估定位問(wèn)題小區(qū)/柵格。相較于路測(cè)、掃頻分析而言，可以更為全面地評(píng)估網(wǎng)絡(luò)覆蓋情況；相較于傳統(tǒng)MR分析而言，可以更細(xì)粒度地呈現(xiàn)網(wǎng)絡(luò)覆蓋情況。使得網(wǎng)絡(luò)優(yōu)化人員可以全面、細(xì)致地定位覆蓋問(wèn)題區(qū)域，開(kāi)展后續(xù)工作。

4.2 實(shí)現(xiàn)迭代尋優(yōu)，大量減少RF工作量

依據(jù)基站小區(qū)工程參數(shù)、話務(wù)、MR、道路測(cè)試等數(shù)據(jù)聚類(lèi)小區(qū)，在傳播模型基礎(chǔ)上通過(guò)算法實(shí)現(xiàn)仿真結(jié)果與測(cè)試結(jié)果覆蓋改善柵格、提升幅度、趨勢(shì)均基本一致，從而構(gòu)建機(jī)器學(xué)習(xí)算法。迭代尋優(yōu)自動(dòng)找到天線電子下傾角、機(jī)械下傾角最優(yōu)值，以改善網(wǎng)絡(luò)覆蓋問(wèn)題，實(shí)現(xiàn)智能優(yōu)化。

與傳統(tǒng)優(yōu)化方式相比，智能迭代尋優(yōu)減少了對(duì)人工優(yōu)化的依賴，從全局角度考慮，動(dòng)態(tài)進(jìn)行RF參數(shù)調(diào)整，及時(shí)洞察網(wǎng)絡(luò)質(zhì)量，有針對(duì)性地及時(shí)調(diào)整和輸出網(wǎng)絡(luò)覆蓋質(zhì)量情況，大大節(jié)省了資源的投入。

5 結(jié)束語(yǔ)

本文依據(jù)網(wǎng)絡(luò)基礎(chǔ)數(shù)據(jù)、電子地圖、話務(wù)地圖、DT和MR數(shù)據(jù)等源數(shù)據(jù)構(gòu)建小區(qū)/柵格多維特征庫(kù)。從而將基站小區(qū)聚類(lèi)，運(yùn)用無(wú)線傳播模型生成路損矩陣。針對(duì)問(wèn)題區(qū)域，通過(guò)機(jī)器學(xué)習(xí)自動(dòng)查找RF優(yōu)化最優(yōu)方案。

主要?jiǎng)?chuàng)新點(diǎn)：（1）高精傳模：依據(jù)多維特征對(duì)小區(qū)聚類(lèi)，運(yùn)用射線追蹤模型獲得無(wú)線傳播路損，通過(guò)MR/DT數(shù)據(jù)進(jìn)行矯正后的傳模精度更高。（2）智能尋優(yōu)：根據(jù)不同指標(biāo)需求設(shè)置目標(biāo)函數(shù)，通過(guò)權(quán)重明確優(yōu)化指標(biāo)的側(cè)重點(diǎn)；實(shí)現(xiàn)機(jī)器學(xué)習(xí)，自動(dòng)輸出RF調(diào)整方案，以較少的調(diào)整量達(dá)到預(yù)期效果。（3）高效優(yōu)化：避免大量道路測(cè)試和手動(dòng)分析，減少對(duì)網(wǎng)絡(luò)優(yōu)化人員的依賴，降低成本。

先進(jìn)性：與傳統(tǒng)優(yōu)化方式相比，智能尋優(yōu)降低了對(duì)人工優(yōu)化的依賴，并且可以根據(jù)分析RF參數(shù)調(diào)整，能夠敏銳地發(fā)現(xiàn)網(wǎng)絡(luò)層的覆蓋、質(zhì)量等變化情況，針對(duì)性及時(shí)調(diào)整和輸出合理方案，提升網(wǎng)絡(luò)質(zhì)量。