馬傳項(xiàng)

中郵建技術(shù)有限公司

0 引言

根據(jù)GSA（Global Mobile Suppliers Association，全球移動(dòng)供應(yīng)商協(xié)會(huì)）統(tǒng)計(jì)，截至2021年4月中旬，全球已部署5G商用網(wǎng)絡(luò)達(dá)到162張。截至2021年3月底，我國建成5G基站81.9萬個(gè)，占全球70%以上，已建成全球規(guī)模最大的5G獨(dú)立組網(wǎng)網(wǎng)絡(luò)。2020年第四季度，全球5G訂閱用戶達(dá)到4.01億，占全球移動(dòng)市場4.19%。根據(jù)2021年一季度國內(nèi)三大運(yùn)營商公布的數(shù)據(jù)，中國5G用戶數(shù)已經(jīng)超過3.9億戶，或已占到全球市場80%左右。

目前大型城市主城區(qū)5G網(wǎng)絡(luò)已經(jīng)可以連續(xù)覆蓋，為提升覆蓋性能，現(xiàn)網(wǎng)逐步推廣SSB（Synchronization Signal Block，同步信號(hào)塊）8波束配置。但8波束天線權(quán)值配置共涉及32個(gè)參數(shù)，參數(shù)組合很多，天線權(quán)值參數(shù)優(yōu)化復(fù)雜度非常高，且對優(yōu)化工程師的無線環(huán)境鑒別能力要求提高，因此天線權(quán)值調(diào)整是當(dāng)前外場進(jìn)行覆蓋結(jié)構(gòu)優(yōu)化中的難點(diǎn)。

1 Massive MIMO介紹

根據(jù)香農(nóng)公式（公式1），提升信噪比可以提升信道容量。但是隨著信噪比繼續(xù)增大，信道容量增長速度變緩，提升空間變得有限。

B是信道帶寬（赫茲），S是信道內(nèi)所傳信號(hào)的平均功率（瓦），N是信道內(nèi)部的高斯噪聲功率（瓦），C是信息傳送速率（bps）。

MIMO（Multiple Input Multiple Output，多輸入多輸出）技術(shù)通過多天線突破了香農(nóng)極限，可以成倍提升系統(tǒng)容量，天線數(shù)越多增益越大。相對于LTE系統(tǒng)，NR系統(tǒng)面臨更大容量需求及高頻引入后的覆蓋短板。Massive MIMO基于大規(guī)模天線，通過空分復(fù)用、波束賦形等多天線技術(shù)可以很好地解決容量和覆蓋問題。Massive MIMO可以獲得陣列、分集、波束賦形和空分復(fù)用四個(gè)方面增益，提升系統(tǒng)覆蓋、系統(tǒng)容量和峰值速率。

（1）上行接收分集：gNodeB側(cè)通過多個(gè)天線接收來自多個(gè)信道的信號(hào)，對各天線上的信號(hào)進(jìn)行加權(quán)合并運(yùn)算，從而提高接收信號(hào)的信噪比和穩(wěn)定性。信號(hào)是相關(guān)的，白噪聲是不相關(guān)的，所以合并能夠提高信道的信噪比，并且增益隨天線數(shù)量增加而增大，天線數(shù)量每增加一倍，覆蓋率提升3db。

（2）下行波束賦形：gNodeB側(cè)發(fā)射信號(hào)經(jīng)過加權(quán)后，形成帶有方向性的窄波束。波束越窄，覆蓋越遠(yuǎn)，可以彌補(bǔ)高頻傳播帶來的額外路損。天線數(shù)越多，通過調(diào)整權(quán)值可以更靈活地控制波束方向，64T64R可以達(dá)到垂直方向4層波束覆蓋。天線數(shù)越多，波束越窄，可以有效減少波束間的干擾。

（3）空分復(fù)用：基于大規(guī)模天線進(jìn)行波束賦形，降低數(shù)據(jù)流間的干擾，讓同一個(gè)時(shí)頻資源在不同空間內(nèi)得到重復(fù)利用，有效提升系統(tǒng)容量。天線數(shù)越多，容量增益越大。

綜合以上闡述，5G天線具有以下新特性：（1）天線數(shù)量增加，波束更窄，增益更大；（2）提高波束賦型準(zhǔn)確性；（3）顯著降低干擾，提升信噪比；（4）更多流MU-MIMO，提升頻譜效率。

AAU主流配置是128/192陣子，每個(gè)陣子可認(rèn)為是一副天線。每個(gè)SSB波束可配置的參數(shù)維度包括：方向角、電子下傾角、水平半功率角與垂直半功率角，8個(gè)波束就是32個(gè)參數(shù)，每個(gè)參數(shù)可配置多個(gè)值，整體組合非常龐大。如僅用其中一些典型場景配置參數(shù)無法最大化適配無線環(huán)境，通過人工方式來設(shè)置也不現(xiàn)實(shí)，必須結(jié)合人工智能進(jìn)行配置優(yōu)化。

本次參考日常優(yōu)化經(jīng)驗(yàn)，僅使用系統(tǒng)自帶17種典型組合進(jìn)行配置優(yōu)化。

2 蟻群算法

蟻群算法是Marco Dorigo于1992年提出的，其靈感來源于螞蟻在尋找食物過程中發(fā)現(xiàn)路徑的行為，如圖1所示。這種算法具有分布計(jì)算、信息正反饋和啟發(fā)式搜索的特征，本質(zhì)上是進(jìn)化算法中的一種啟發(fā)式全局優(yōu)化算法。通過模擬自然界螞蟻搜索食物路徑的行為，提出一種新型模擬進(jìn)化算法——蟻群算法，是群智能理論研究領(lǐng)域的一種主要算法。用該方法求解TSP問題、分配問題、job-shop調(diào)度問題，取得了較好的實(shí)驗(yàn)結(jié)果。蟻群算法在求解復(fù)雜優(yōu)化問題方面有一定優(yōu)勢，是一種有發(fā)展前景的算法。

圖1 螞蟻尋找食物路徑示意圖

蟻群算法被用于解決大多數(shù)優(yōu)化問題或者能夠轉(zhuǎn)化為優(yōu)化求解的問題，其應(yīng)用領(lǐng)域已經(jīng)擴(kuò)展到多目標(biāo)優(yōu)化、數(shù)據(jù)分類、數(shù)據(jù)聚類、模式識(shí)別、電信QoS管理、生物系統(tǒng)建模、流程規(guī)劃和系統(tǒng)辨識(shí)等方面。

蟻群算法具有以下優(yōu)點(diǎn)：（1）通用性較強(qiáng)，能夠解決很多可以轉(zhuǎn)換為連通圖結(jié)構(gòu)的路徑優(yōu)化問題；（2）同時(shí)具有正負(fù)反饋的特點(diǎn)，通過正反饋特點(diǎn)利用局部解構(gòu)造全局解，通過負(fù)反饋特點(diǎn)也就是信息素的揮發(fā)來避免算法陷入局部最優(yōu)；（3）有間接通訊和自組織的特點(diǎn)，螞蟻之間并沒有直接聯(lián)系，而是通過路徑上的信息素來進(jìn)行間接的信息傳遞，自組織性使得能夠利用群體的力量解決問題。

但是，基本蟻群算法也存在一些缺點(diǎn)：（1）從蟻群算法的復(fù)雜度來看，該算法與其他算法相比，所需要的搜索時(shí)間較長；（2）該算法在搜索進(jìn)行到一定程度以后，容易出現(xiàn)所有螞蟻所發(fā)現(xiàn)的解完全一致這種“停滯現(xiàn)象”，使得搜索空間受到限制。

城市遍歷是蟻群算法的典型應(yīng)用之一，如構(gòu)造50個(gè)城市，計(jì)算最短路徑，測試算法的可行性。50個(gè)城市的信息如下：

通過290次迭代計(jì)算后，距離之和的最優(yōu)解穩(wěn)定在4104，如圖2所示。

圖2 城市遍歷分析結(jié)果

經(jīng)過測試，該算法可行。在該算法基礎(chǔ)上改進(jìn)，使其與Massive MIMO結(jié)合，尋找天線權(quán)值最優(yōu)解配置方案。

3 算法實(shí)現(xiàn)

本研究通過“AI+規(guī)劃+優(yōu)化”的方式，為天線權(quán)值配置尋優(yōu)提供了切實(shí)有效的解決方案。通過建立專用測量，提取路測用戶測試數(shù)據(jù)作為數(shù)據(jù)源。數(shù)據(jù)清洗后數(shù)據(jù)格式如表1所示。

表1 數(shù)據(jù)清洗后格式

每個(gè)采樣點(diǎn)可以接收到多個(gè)小區(qū)信號(hào)，每個(gè)小區(qū)信號(hào)可以認(rèn)為是一條路徑，每個(gè)采樣最優(yōu)路徑的RSRP要遠(yuǎn)優(yōu)于其他路徑，即接收到的RSRP高于其他小區(qū)，并對所有的路徑尋優(yōu)，確保整體RSRP平均值最大。

將蟻群算法應(yīng)用于解決優(yōu)化問題的基本思路為：用螞蟻的行走路徑表示待優(yōu)化問題的可行解，整個(gè)螞蟻群體的所有路徑構(gòu)成待優(yōu)化問題的解空間。RSRP高的路徑即是短的路徑，也即最優(yōu)解。路徑較短的螞蟻釋放信息素量較多，隨著時(shí)間推進(jìn)，較短路徑上累積的信息素濃度逐漸增高，選擇該路徑的螞蟻個(gè)數(shù)也愈來愈多。最終，整個(gè)螞蟻會(huì)在正反饋的作用下集中到最佳路徑上，此時(shí)對應(yīng)的便是待優(yōu)化問題的最優(yōu)解。

如遍歷所有天線權(quán)值設(shè)置，測試數(shù)據(jù)量將會(huì)很龐大，時(shí)間周期長、成本高。本次我們根據(jù)日常優(yōu)化經(jīng)驗(yàn)，僅使用其中17種典型配置組合進(jìn)行優(yōu)化，也即只需測試17次即可。同時(shí)為確保數(shù)據(jù)準(zhǔn)確性，需確保測試路線一致、測試方向一致、測試終端一致、測試車輛一致。

前述17種天線權(quán)值配置組合如表2所示。

表2 17種天線權(quán)值組合適用場景

本研究使用蟻群算法來求小區(qū)間整體最優(yōu)解，通過分布式計(jì)算、啟發(fā)式搜索、信息正反饋等算法，能大幅降低搜索時(shí)間，比如一個(gè)小區(qū)可配置17種權(quán)值，20個(gè)小區(qū)的權(quán)值組合為2017，尋找20個(gè)小區(qū)的最優(yōu)權(quán)值配置，按照試錯(cuò)性搜索需要2年6個(gè)月，使用蟻群搜索算法，能夠?qū)r(shí)間縮短至40分鐘，見圖3。

圖3 遍歷搜索算法與AI搜索算法效率對比

算法處理流程如圖4所示。

圖4 數(shù)據(jù)分析處理流程

以服務(wù)小區(qū)為核心，建立三維坐標(biāo)系，如圖5所示，分別對每個(gè)小區(qū)的數(shù)據(jù)進(jìn)行處理。

圖5 三維坐標(biāo)系

本次選擇測試范圍共涉及51個(gè)小區(qū)，經(jīng)過蟻群算法優(yōu)化后的天線權(quán)值設(shè)置如表3所示。

表3 優(yōu)化后適配場景

適用范圍最廣的是“DEFAULT”，也即缺省場景，達(dá)到36個(gè)小區(qū)，占比為70.59%，占比最高。其他場景占比較零散，占比為29.41%。

整體增益情況如表4所示。

表4 天線權(quán)值優(yōu)化前后對比

各項(xiàng)指標(biāo)均有明顯改善，說明個(gè)性化設(shè)置權(quán)值參數(shù)與無線環(huán)境更匹配，可提升網(wǎng)絡(luò)質(zhì)量。

目前僅使用17種天線權(quán)值配置方案，試驗(yàn)區(qū)域內(nèi)涉及51個(gè)小區(qū)，只分析道路測試數(shù)據(jù)，數(shù)據(jù)清洗后有效數(shù)據(jù)12萬條，處理時(shí)間3小時(shí)42分鐘。

目前數(shù)據(jù)量相對比較小，處理時(shí)間還比較短。如采集MR全量數(shù)據(jù)，數(shù)據(jù)量是海量的，用現(xiàn)在的分析方法基本不可能實(shí)現(xiàn)，還需對算法進(jìn)行優(yōu)化，加入其他更好的算法輔助處理，提高分析效率。

4 結(jié)束語

本文基于現(xiàn)場用戶級(jí)信息進(jìn)行天線權(quán)值參數(shù)尋優(yōu)，實(shí)現(xiàn)天線覆蓋波形適配用戶位置縫補(bǔ)效果。從研究價(jià)值來看，有益于日常射頻優(yōu)化、網(wǎng)絡(luò)結(jié)構(gòu)問題處理、工程階段站點(diǎn)優(yōu)化等，可在工程優(yōu)化、道路優(yōu)化、測試保障中發(fā)揮重大作用。通過MR采集，可以降低測試成本；通過與AI結(jié)合，可以節(jié)約大量數(shù)據(jù)分析成本，降低網(wǎng)絡(luò)優(yōu)化運(yùn)維成本。

隨著蟻群算法在工程實(shí)踐中應(yīng)用的深入和系統(tǒng)復(fù)雜性增加，需要處理的數(shù)據(jù)量也會(huì)越來越大，使得單純一到兩種智能方法往往不能很好地解決問題。目前，蟻群算法研究大多集中在算法、模型更新，以及軟件開發(fā)上。未來將會(huì)結(jié)合多種算法，根據(jù)用戶行為動(dòng)態(tài)設(shè)置天線權(quán)值參數(shù)，使網(wǎng)絡(luò)覆蓋性能發(fā)展到極致，實(shí)現(xiàn)真正的智能優(yōu)化。