袁亞男 王朝陽 錢國寶 賀小蓉 郭大干

1.中國移動通信集團江蘇有限公司鹽城分公司；

2.揚州大學(xué)

0 引言

隨著通信技術(shù)的不斷進(jìn)步，人們對網(wǎng)絡(luò)體驗的要求越來越高，做好無線資源的充分合理應(yīng)用變得更加重要，在未來，通信系統(tǒng)設(shè)計需要能夠更加合理地利用帶寬資源，從而大幅提升頻譜效率。目前，5G大規(guī)模采用MM（Massive Multiple-Input Multiple-Output，大規(guī)模多入多出）技術(shù)天線部署方式。怎樣更加合理地應(yīng)用波束賦形技術(shù)解決邊緣場景覆蓋能力弱及深度覆蓋能力不足的問題，是當(dāng)前5G網(wǎng)絡(luò)建設(shè)亟待解決的問題。

本文基于MDT數(shù)據(jù)，研究出一種MM小區(qū)的波束與場景的適配方法，實現(xiàn)場景級的個性化配置。該方法通過建立天線到用戶的三維模型，提取天線到用戶的向量關(guān)系特征數(shù)據(jù)，利用統(tǒng)計學(xué)分析得出初始最優(yōu)解，然后配置到現(xiàn)網(wǎng)，并進(jìn)行循環(huán)往復(fù)的閉環(huán)評估，逐漸收斂波束到現(xiàn)網(wǎng)最優(yōu)解，最終增強網(wǎng)絡(luò)覆蓋能力，提高下載速率，提升用戶使用體驗。

目前，5G MM天線部署開通時的配置均為默認(rèn)場景，無法充分發(fā)揮5G多波束天線的優(yōu)勢。5G NR（New Radio，新空口技術(shù)）早期部署采用NSA（Non-Standalone，非獨立組網(wǎng)）模式，當(dāng)前5G網(wǎng)絡(luò)側(cè)尚無成熟的MR（Measure Report，測量報告）、MDT信令軟采集系統(tǒng)部署，所以沒有5G的MDT數(shù)據(jù)可以采集，網(wǎng)絡(luò)優(yōu)化MM站點時，周邊覆蓋場景主要依靠人員現(xiàn)場勘測，優(yōu)化費用高且效率低。因缺少對MM性能的自動檢測機制，不能發(fā)現(xiàn)及測算因波束方案部署不合理造成的性能、流量損失。因此對MM權(quán)值配置的自優(yōu)化研究將有助于發(fā)揮天線最優(yōu)性能，最大化提升網(wǎng)絡(luò)資源利用率。

1 技術(shù)方案

1.1 大規(guī)模天線陣列波束賦形技術(shù)原理

MDT是3GPP（3rd Generation Partnership Project，第三代合作伙伴項目）提出來的進(jìn)行部分替代DT（Drive Test，即驅(qū)車測試，一般業(yè)內(nèi)稱路測）、CQI（Call Quality Test，呼叫質(zhì)量測試，一般業(yè)內(nèi)稱定點測試）測試方法，并降低OPEX（Operating Expense，運營成本）成本的自動優(yōu)化方案。主要通過GPS定位信息，結(jié)合MR原始上報的用戶RSRP（Reference Signal Receiving Power，參考信號接收功率）、RSRQ（Reference Signal Receiving Quality，參考信號接收質(zhì)量）等網(wǎng)絡(luò)性能信息，利用大數(shù)據(jù)分析處理方法，可以更精確地掌握網(wǎng)絡(luò)覆蓋模型及用戶感知體驗。

根據(jù)最新的檢索數(shù)據(jù)顯示，已有相關(guān)針對Massive MIMO天線波束優(yōu)化方法的研究理論。但其大多是采用用戶的話務(wù)模型來調(diào)優(yōu)，對網(wǎng)絡(luò)實際覆蓋能力的考慮有較大欠缺。本研究基于3D MDT的5G波束智能管理，從用戶的實際位置考慮，進(jìn)行三維空間位置研究，形成一套智能優(yōu)化方法。首先，采集并處理4G用戶3D MDT基礎(chǔ)數(shù)據(jù)，精準(zhǔn)定位現(xiàn)網(wǎng)用戶覆蓋需求，使用大數(shù)據(jù)建模算法輸出天線波束（水平方位、垂直方位、水平波瓣角、垂直波瓣角等）覆蓋方向及范圍，基于AI循環(huán)調(diào)優(yōu)算法，確定最佳波束場景；其次，根據(jù)4G、5G小區(qū)的天饋共用信息進(jìn)行一對一映射，以獲得5G最佳波束場景，最終，形成5G波束智能管理方案，本項目方案系統(tǒng)架構(gòu)圖如圖1所示。

圖1 基于MR/MDT大數(shù)據(jù)的MM權(quán)值A(chǔ)I優(yōu)化系統(tǒng)架構(gòu)圖

1.2 關(guān)鍵步驟的具體實現(xiàn)

1.2.1 用戶MDT大數(shù)據(jù)采集與清洗

數(shù)據(jù)采集：網(wǎng)管平臺完成MDT基礎(chǔ)數(shù)據(jù)訂閱與采集，無需現(xiàn)場進(jìn)行DT、CQT測試。

數(shù)據(jù)整合：因MDT采集的數(shù)據(jù)量龐大，每小時可產(chǎn)生“4×站點數(shù)”的文件，人工使用Excel不可能完成一個地市1.2萬余個站點的數(shù)據(jù)分析。對此，借助Python語言的快速開發(fā)特點，自研Python小工具。經(jīng)過數(shù)據(jù)獲取識別、數(shù)據(jù)清洗、數(shù)據(jù)匯聚、數(shù)據(jù)處理等步驟，將海量數(shù)據(jù)自動分析并提取到一張數(shù)據(jù)建模匯聚表中。

數(shù)據(jù)清洗：通過Python數(shù)據(jù)處理pandas模塊完成數(shù)據(jù)清洗與數(shù)據(jù)建模計算。

在數(shù)據(jù)提取階段，可同步完成數(shù)據(jù)的預(yù)處理，即生成“.csv”文件。使用Python中的pandas模塊，將數(shù)據(jù)引入到DataFrame數(shù)據(jù)中，并進(jìn)行數(shù)據(jù)的清洗與處理。

數(shù)據(jù)清洗，思路采用基于采樣點密度和有效性的處理方法，將低密度的邊緣點剔除。這里采用DBSCAN（Density-Based Spatial Clustering of Applications with Noise）基于密度的聚類算法實現(xiàn)。

DBSCAN算法描述，如圖2所示。

圖2 DBSCAN鄰接關(guān)系圖

輸入：包含n個對象的數(shù)據(jù)庫，半徑e，最少數(shù)目MinPts。

輸出：所有生成的簇，達(dá)到密度要求。

（1）Repeat；

（2）從數(shù)據(jù)庫中抽出一個未處理的點；

（3）如果，抽出的點是核心點。那么，找出所有從該點密度可達(dá)的對象，形成一個簇；

（4）否則，抽出的點是邊緣點（非核心對象），跳出本次循環(huán)，尋找下一個點；

（5）直到所有的點都被處理。

數(shù)據(jù)清洗的實現(xiàn)流程，如圖3所示。結(jié)果將保留綠色密集區(qū)域采樣點，周邊的離散點將會被過濾掉。

圖3 MDT采樣點分布和GE三維呈現(xiàn)

1.2.2 用戶3D建模及模型的回歸分析

完成數(shù)據(jù)清洗后，將小區(qū)（無線覆蓋區(qū)域，即天線電磁波覆蓋區(qū)域）的天面數(shù)據(jù)和用戶3D數(shù)據(jù)做數(shù)據(jù)集成處理。實現(xiàn)CELL-UE（小區(qū)-用戶終端）級海量數(shù)據(jù)的3D向量建模與計算，并輸出以向量為媒介的屬性數(shù)據(jù)信息。

圖4中，右圖的藍(lán)色菱形為天線位置，散點為UE位置。L、R為水平方向包絡(luò)面的左右外切邊界，其夾角構(gòu)成水平波瓣寬度；U、D為垂直方向包絡(luò)面的上下外切邊界，其夾角構(gòu)成垂直波瓣寬度。

圖4 CELL-UE向量呈現(xiàn)（左）、天線與UE的3D關(guān)系（右）

向量特征提?。菏紫葘⑿^(qū)數(shù)據(jù)、MDT數(shù)據(jù)相關(guān)聯(lián)，得到小區(qū)經(jīng)緯度、小區(qū)掛高、UE經(jīng)緯度、UE高度，建立每個MDT樣本點的三維空間向量模型，并提取方位角、傾角屬性。

回歸分析：將每個小區(qū)的N個MDT采樣點數(shù)據(jù)的方位角、傾角數(shù)據(jù)，分別輸入sklearn.cluster科學(xué)計算包進(jìn)行回歸分析，并輸出最大值及上下邊界。經(jīng)過統(tǒng)計分析，當(dāng)正態(tài)分布第一參數(shù)，取為俯仰角，上下邊界可根據(jù)置信度做樣本包絡(luò)為垂直波瓣寬度范圍。

通過建模與回歸分析后，將可以擬合出小區(qū)的天面電磁覆蓋包絡(luò)參數(shù)組（水平波瓣寬度、垂直波瓣寬度、俯仰角、水平方位角）。

1.2.3 波束場景自學(xué)習(xí)

考慮到設(shè)備商對波束場景的設(shè)置限制，這里參照華為5G設(shè)備設(shè)置方法。華為設(shè)備共計支持17種波束場景設(shè)置，分別為DEFAULT、Scenario_0到16，且其場景設(shè)置值為離散值，而輸出的小區(qū)天面電磁覆蓋包絡(luò)參數(shù)組數(shù)據(jù)均為連續(xù)值，導(dǎo)致無法將擬合的數(shù)據(jù)直接應(yīng)用到現(xiàn)實中。

對此，采用機器學(xué)習(xí)的思路，對擬合的連續(xù)值數(shù)據(jù)做離散化處理，以適配最優(yōu)可實現(xiàn)波束場景設(shè)置。這里，通過sklearn.tree包的CART算法完成波束的自動學(xué)習(xí)與波束匹配。如圖5所示。

圖5 波束場景自學(xué)習(xí)

2 應(yīng)用成果

（1）單點驗證速率提升10.41%

選擇**-**-***-NR進(jìn)行驗證，如表1所示。

表1 站點三扇區(qū)波寬和匹配場景

現(xiàn)場核實驗證，**_**_***FD_0小區(qū)方向為4～5層商鋪，**_**_***FD_1小區(qū)方向為低層商鋪，**_**_***FD_2小區(qū)方向為18層左右小高層，與MDT擬合結(jié)果完全一致。

分別在三個扇區(qū)內(nèi)進(jìn)行打點測試，對比默認(rèn)波束賦形和場景化波束賦形的差異。場景化波束較默認(rèn)波束的平均電平提升2.3dB，平均SINR（Signal to Interference plus Noise Ratio，信號與干擾加噪聲比）提升1.66dB，平均下載速率提升61.46Mbps，提升幅度10.41%。

圖6 三扇區(qū)測試指標(biāo)（NR平均RSRP）

圖7 三扇區(qū)測試指標(biāo)（NR平均SINR）

（2）微區(qū)域應(yīng)用速率提升14.45%

選擇連片的10個站點進(jìn)行場景化波束智能設(shè)置。對微區(qū)域進(jìn)行拉網(wǎng)測試，對比默認(rèn)波束和場景化波束的差異?？梢园l(fā)現(xiàn)場景化波束相比默認(rèn)波束，平均RSRP提升5.79dB，但是SINR提升9.43dB、達(dá)到21.51dBm，平均下載速率提升87.03Mbps，提升幅度達(dá)到14.45%。

圖8 三扇區(qū)測試指標(biāo)（NR平均下載速率）

統(tǒng)計微區(qū)域性能指標(biāo)，最大用戶數(shù)、業(yè)務(wù)量提升明顯，上行干擾降低1.62dB，下行用戶平均吞吐率提升76.95Mbps，提升幅度24.08%。微區(qū)域日均流量增長超50%，整體來看5G性能、覆蓋和業(yè)務(wù)吸收均改善明顯。

3 結(jié)束語

根據(jù)對當(dāng)前NSA Option 3X組網(wǎng)模式下用戶接入、業(yè)務(wù)數(shù)據(jù)傳輸?shù)攘鞒痰睦斫?，在前期的MDT大數(shù)據(jù)分析基礎(chǔ)上，延伸開展三維立體用戶模型建模，從而立體呈現(xiàn)終端分布，開展Beam級優(yōu)化工作。利用“大數(shù)據(jù)眾籌理念”，使用MDT數(shù)據(jù)代替網(wǎng)絡(luò)測試數(shù)據(jù)，從時間效率、資源效率、物質(zhì)成本三個方面達(dá)到降本增效的目的，拓展網(wǎng)絡(luò)優(yōu)化工作“自動化”進(jìn)程。通過MM波束賦形技術(shù)有效地解決城區(qū)不同場景下的覆蓋效果，方案可通過MM波束AI自優(yōu)化循環(huán)評估調(diào)優(yōu)，實現(xiàn)方案效果的最優(yōu)化。而且利用MDT數(shù)據(jù)進(jìn)行計算與分析，優(yōu)化人員只需將站點場景及周邊小區(qū)信息進(jìn)行信息采集，輸出推薦方案，并落地實施，能夠有效提升人員優(yōu)化的精準(zhǔn)性，節(jié)省人力物力。