蘇成雙，尹勁松，曾 進，唐天彪（中國聯(lián)通重慶分公司，重慶 401120）

1 概述

重慶號稱“8D”魔幻城市，網(wǎng)絡(luò)場景復(fù)雜多樣，用戶感知需求愈加多元化和精細化，其中室內(nèi)用戶感知最為突出，經(jīng)現(xiàn)網(wǎng)數(shù)據(jù)分析，5G TOP 室內(nèi)弱覆蓋場景占比遠超道路，居民區(qū)弱覆蓋問題尤為嚴(yán)重，單純基于路測數(shù)據(jù)進行覆蓋優(yōu)化不足以滿足室內(nèi)用戶訴求，需針對不同場景開展5G深度覆蓋優(yōu)化。

同時，隨著5G Massive MIMO 組網(wǎng)，小區(qū)覆蓋范圍從水平面覆蓋增加到現(xiàn)有水平面、垂直面三維覆蓋，鄰區(qū)關(guān)系配置、網(wǎng)絡(luò)參數(shù)調(diào)整、干擾優(yōu)化等更為復(fù)雜，僅靠傳統(tǒng)人工調(diào)整很難完成優(yōu)化工作。

本文研究探索了基于MR 切片的5G 覆蓋動態(tài)診斷方法、基于DOA 數(shù)據(jù)的5G 波束智能尋優(yōu)方法、波束尋優(yōu)和MR 切片評估結(jié)合的效果自動評估方法，構(gòu)建了從覆蓋動態(tài)評估→覆蓋智能優(yōu)化→效果自動評估的覆蓋動態(tài)優(yōu)化體系，如圖1所示。

圖1 5G覆蓋動態(tài)優(yōu)化流程

2 5G覆蓋動態(tài)診斷

傳統(tǒng)覆蓋評估以DT/CQT測試、系統(tǒng)KPI分析為主開展，一方面需耗費大量人力、物力，評估周期長；另一方面測試區(qū)域有限，缺乏對無線覆蓋分布特征的整體體現(xiàn)。本文通過研究MR 數(shù)據(jù)的切片分析方法，結(jié)合深度學(xué)習(xí)算法實現(xiàn)對網(wǎng)絡(luò)覆蓋問題的動態(tài)診斷。

2.1 問題小區(qū)切片分析

采集匯聚場景小區(qū)的5G 網(wǎng)絡(luò)MR，進行歸一化處理，再按TADV、RSRP 和采樣點數(shù)生成三維立體圖，然后進行切片分析，如圖2 所示。MR.TadvRsrp 指標(biāo)由RSRP 維度（12 個區(qū)間）和TADV 維度（11 個區(qū)間）共計132 個區(qū)間的采樣點數(shù)構(gòu)成，切片后生成23 張二維切片圖像，能夠更直觀地觀測到TADV和RSRP不同區(qū)間的分布變化情況。

圖2 MR覆蓋立體成像和切片過程

2.2 網(wǎng)絡(luò)覆蓋動態(tài)診斷

由網(wǎng)絡(luò)專家對每張切片圖像進行診斷，利用重慶聯(lián)通編寫的MR Labeler 小工具對樣本小區(qū)的MR 三維立體圖進行覆蓋性能標(biāo)記，包括覆蓋水平、過覆蓋情況和弱覆蓋范圍等，如圖3所示。

圖3 小區(qū)覆蓋性能標(biāo)記

將各組二維切片圖像和已標(biāo)注的網(wǎng)絡(luò)覆蓋性能標(biāo)簽作為樣本數(shù)據(jù)集輸入，利用Python、Sklearn 庫和開源深度學(xué)習(xí)框TensorFlow，構(gòu)建智能診斷模型，并通過交叉驗證方法對模型參數(shù)進行尋優(yōu)，最后輸出最優(yōu)診斷模型。

2.3 優(yōu)化效果自動驗證

網(wǎng)絡(luò)覆蓋動態(tài)診斷定期或按需進行，自動輸出全網(wǎng)、區(qū)域或指定小區(qū)的診斷情況，為5G 波束尋優(yōu)提供目標(biāo)小區(qū)和方向，也可作為優(yōu)化效果驗證的依據(jù)。同時該方法具備實時性強、準(zhǔn)確性高的特點，不但能驗證區(qū)域或場景波束尋優(yōu)效果，也可以應(yīng)用于單點投訴或者問題小區(qū)優(yōu)化后的實時評估。

如表1所示，南岸左岸陽光的MR切片診斷結(jié)果為近點弱覆蓋，6個5G覆蓋小區(qū)評估有4個存在弱覆蓋，經(jīng)過波束尋優(yōu)權(quán)值動態(tài)優(yōu)化后，MR 切片自動評估覆蓋改善明顯，如表2 所示。切片診斷成像優(yōu)化后近點無弱覆蓋，如圖4所示。

圖4 優(yōu)化前后MR切片診斷成像對比圖

表1 南岸左岸陽光MR切片診斷表

表2 南岸左岸陽光波束尋優(yōu)前后切片評估對比表

3 5G波束動態(tài)尋優(yōu)

傳統(tǒng)4G 覆蓋優(yōu)化是基于二維柵格級路損矩陣的RF 優(yōu)化，即利用終端上報的MDT 數(shù)據(jù)（含經(jīng)緯度、RSRP 測量等）構(gòu)建20×20 m 的二維柵格矩陣，然后進行RF 參數(shù)（傾角、方位角）的調(diào)優(yōu)效果驗證。但5G MDT 特性在2020 年7 月份3GPP R16 版本完成標(biāo)準(zhǔn)凍結(jié)后，終端側(cè)暫無清晰路標(biāo)，同時MDT 終端海拔上報比例極低，因此只能做二維平面柵格化定位，無法支持樓宇立體覆蓋優(yōu)化。

3.1 基于DOA的用戶分布研究

5G Massive MIMO 設(shè)備將空間信道劃分為若干個波束方向（如64T 場景支持32 波束），每個波束在空間中的位置相對AAU 是固定的（含水平和垂直角度），如果能根據(jù)波束方向測量出用戶的三維空間分布，進而構(gòu)建基于波束級測量的立體虛擬柵格，就可以通過深度學(xué)習(xí)算法估算最優(yōu)的波束權(quán)值。

DOA 波達方向估計（Direction of Arrival），又稱為角譜估計（Angle spectral estimation）、波達角估計（Angle of Arrival）。一個信源有很多可能的傳播路徑和到達角，如果幾個終端同時工作，每個信源可在接收機處形成潛在的多徑分量，利用5G Massive MIMO 多天線收發(fā)特性，使用空時處理技術(shù)可以測量出每個終端用戶相對天線的角度，進而確定同時處在空間某一區(qū)域內(nèi)多個UE信號的空間位置，具體如圖5所示。

圖5 DOA波達方向估計示意圖

DOA 估算采用了MUSIC 多重信號分類算法（Multiple Signal Classification），其基本思想是將任意陣列輸出數(shù)據(jù)的協(xié)方差矩陣進行特征分解，從而得到與信號分量相對應(yīng)的信號子空間和與信號分量相正交的噪聲子空間，然后利用這2 個子空間的正交性進行譜峰搜索來估計信號的入射方向。

根據(jù)DOA 估算結(jié)果，構(gòu)建區(qū)域內(nèi)終端用戶的三維立體分布，再通過上行SRS測量計算出UE所在最強波束ID，將波束ID 測量與MR 測量結(jié)果拼接，就可以表征出用戶在三維空間中的分布和每個方向上的覆蓋水平，如表3所示。

表3 64T64R天線波束ID分布估算

同時DOA 估算可得出每個SRS 波束對應(yīng)的SSB增益，從而實現(xiàn)在波束迭代調(diào)整時，對各虛擬柵格SSB覆蓋變化的預(yù)測。

3.2 波束級虛擬柵格建模

構(gòu)建虛擬柵格可以大幅降低迭代尋優(yōu)的運算量級，同時緩解終端測量不穩(wěn)定（RSRP 波動、鄰區(qū)上報不完整等）對方案造成的影響。

根據(jù)DOA 估算結(jié)果，可以得出UE 在三維方向上的分布，但要構(gòu)建三維位置分布，還需要引入鄰區(qū)波束ID 的測量。首先，采用隨機森林算法進行模型訓(xùn)練和鄰區(qū)波束ID 估算，得到UE 在鄰區(qū)上的波束ID。然后，基于主服加鄰區(qū)的波束ID 測量構(gòu)建UE 在三維立體空間中的相對位置（虛擬柵格），具體如圖6所示。

圖6 波束級三維立體虛擬柵格建模示意圖

從表4和表5對比可以看出，表4為二維平面柵格化處理后的數(shù)據(jù)，UE 測量信息和覆蓋特征大量丟失。表5 為波束級立體虛擬柵格化處理后的數(shù)據(jù)，UE 測量信息和覆蓋特征得以完整保存，柵格劃分精細程度指數(shù)級提升，覆蓋預(yù)測精度能夠大幅改善。

表4 二維平面柵格化處理數(shù)據(jù)

表5 波束級三維立體虛擬柵格處理數(shù)據(jù)

3.3 迭代尋優(yōu)算法實現(xiàn)

根據(jù)MR 切片診斷得到的弱覆蓋、重疊覆蓋等不同覆蓋問題類型，確定小區(qū)要調(diào)整的參數(shù)和方向，在波束尋優(yōu)算法中引入切片迭代尋優(yōu)算法，結(jié)合用戶設(shè)定的調(diào)整優(yōu)先級，搜索Pattern、機傾、方位角、功率等6維參數(shù)的最佳取值。

通過網(wǎng)絡(luò)質(zhì)量評價函數(shù)（Fitness），基于優(yōu)化目標(biāo)和權(quán)重計算進行網(wǎng)絡(luò)質(zhì)量評分，計算調(diào)整前后分值變化，預(yù)測優(yōu)化增益，正增益保留并繼續(xù)尋優(yōu)，負(fù)增益回退，在近乎無限的解空間中實現(xiàn)最優(yōu)解的高效計算，以達到網(wǎng)絡(luò)質(zhì)量評分更高，如圖7所示。

圖7 高維迭代尋優(yōu)算法流程示意圖

以某高層場景垂直覆蓋迭代優(yōu)化為例，MR 切片診斷結(jié)果為弱覆蓋（覆蓋達標(biāo)率50%），經(jīng)過2 輪迭代優(yōu)化，弱覆蓋樓層覆蓋得到改善，如圖8 所示。設(shè)置SSB RSRP 門限為-100 dBm，權(quán)重為0.75，SSB Overlapping 門限為-105 dBm/3/6，權(quán)重為0.25，迭代尋優(yōu)后覆蓋達標(biāo)率100%，網(wǎng)絡(luò)質(zhì)量評價100 分，適配最優(yōu)波束場景編號為S13_H65V25，如表6所示。

圖8 某高層場景垂直覆蓋迭代優(yōu)化前后對比圖

表6 某高層場景垂直覆蓋迭代優(yōu)化前后數(shù)據(jù)

同時，對比波束尋優(yōu)前后DOA 偏移情況，優(yōu)化后波束方向與用戶分布基本一致，水平和垂直的DOA 值均向0收斂，波束更加貼近用戶，具體如圖9所示。

圖9 波束尋優(yōu)前后DOA對比圖

4 應(yīng)用效果

本文研究成果已在重慶主城區(qū)域開展了試點和推廣，在網(wǎng)絡(luò)質(zhì)量改善、效能提升、口碑打造等方面已取得了一定成效。

4.1 網(wǎng)絡(luò)質(zhì)量改善

通過MR 切片分析，共診斷主城5G 覆蓋問題小區(qū)785 個，評估梳理問題場景49 個，包含32 個居民區(qū)和17 個立交橋。如圖10 所示，通過實施5G 波束智能尋優(yōu)，49個場景MR 覆蓋率提升3.19PP，日均總流量增長731 GB。

圖10 波束尋優(yōu)前后DOA對比圖

以渝北仁睦-257 小區(qū)為例，MR 切片分析診斷在覆蓋方向的廠房密集區(qū)域存在弱覆蓋，如圖11 所示，該小區(qū)0—6 號共計7 個波束，對其方位、下傾、水平、垂直進行波束聯(lián)動調(diào)整，優(yōu)化后，覆蓋區(qū)域內(nèi)覆蓋改善明顯，用戶覆蓋范圍擴大，小區(qū)日均流量從37 GB 提升至80 GB，日均用戶數(shù)從32提升至62。

圖11 波束尋優(yōu)前后參數(shù)對比

4.2 效能效率提升

通過波束尋優(yōu)方法減少傳統(tǒng)人工調(diào)站頻次，因網(wǎng)絡(luò)質(zhì)量問題導(dǎo)致的人工上站調(diào)整比例降低21%，利用5G覆蓋動態(tài)診斷系統(tǒng)代替人工覆蓋評估，精簡現(xiàn)場測試勘查三方人員，節(jié)省費用約140 萬元/年；提升5G 吸納比，波束尋優(yōu)站點5G 吸納比優(yōu)于全網(wǎng)平均水平3.7PP。

4.3 用戶口碑打造

在投訴支撐方面，通過對5G投訴點的周邊波束現(xiàn)場實時調(diào)優(yōu)，實現(xiàn)投訴處理效果動態(tài)驗證，5G 投訴處理效率提升3 倍，投訴解決率提升3.9%，用戶網(wǎng)絡(luò)口碑得到進一步提升，成功地樹立了良好的企業(yè)形象，增強了市場競爭力。

5 結(jié)束語

本文通過研究5G覆蓋動態(tài)診斷和5G波束智能尋優(yōu)方法，提升了5G 覆蓋評估效率和準(zhǔn)確性，同時解決了5G用戶三維立體定位難的問題，在研究方法上創(chuàng)新使用MR 切片迭代尋優(yōu)算法和Fitness網(wǎng)絡(luò)質(zhì)量評價函數(shù)，實現(xiàn)了問題小區(qū)最優(yōu)權(quán)值的快速迭代，構(gòu)建了5G站點覆蓋動態(tài)優(yōu)化支撐方法，為后續(xù)的5G參數(shù)動態(tài)優(yōu)化、5G容量動態(tài)優(yōu)化等指明了可行的方向。