尹志寧，陳慶濤（大唐移動(dòng)通信設(shè)備有限公司，北京 100083）

1 鄰區(qū)規(guī)劃概述

網(wǎng)絡(luò)通過(guò)切換過(guò)程實(shí)現(xiàn)接入用戶的移動(dòng)性管理。當(dāng)用戶在業(yè)務(wù)進(jìn)行過(guò)程中到達(dá)小區(qū)邊界，需要切換到相鄰小區(qū)以保證業(yè)務(wù)性能。合理地配置鄰區(qū)關(guān)系，可以降低切換失敗的概率。

NR 的每個(gè)頻點(diǎn)上都可以有多個(gè)小區(qū)，將所有的小區(qū)都配置為鄰區(qū)是不現(xiàn)實(shí)的，一方面基站產(chǎn)品對(duì)鄰區(qū)個(gè)數(shù)存在限制，另一方面，鄰區(qū)關(guān)系做的過(guò)多，則導(dǎo)致測(cè)量報(bào)告的精確性降低，容易造成頻繁切換、乒乓切換等問(wèn)題。但是鄰區(qū)關(guān)系做的太少，會(huì)造成大量掉話，在實(shí)際的鄰區(qū)規(guī)劃中要根據(jù)具體情況實(shí)施合理的鄰區(qū)規(guī)劃。

對(duì)于鄰區(qū)規(guī)劃，現(xiàn)網(wǎng)的主要方案是自動(dòng)鄰區(qū)關(guān)系（Automatic Neighbor Relations，ANR）。ANR 方案基于用戶的測(cè)量上報(bào)、切換請(qǐng)求等來(lái)管理鄰區(qū)關(guān)系。用戶通過(guò)測(cè)量報(bào)告上報(bào)鄰區(qū)物理小區(qū)標(biāo)識(shí)后，如果服務(wù)小區(qū)所在基站發(fā)現(xiàn)用戶上報(bào)的小區(qū)不在鄰區(qū)關(guān)系表中，則會(huì)通過(guò)無(wú)線資源控制重配置消息指示用戶讀取該小區(qū)的全球小區(qū)標(biāo)識(shí)（Global Cell Identity，GCI）。基站獲取到用戶上報(bào)的GCI 之后，即得知該小區(qū)的基本信息，會(huì)將該小區(qū)加入到鄰區(qū)關(guān)系表。一般讀取GCI 的時(shí)間較長(zhǎng)，因此基站需要調(diào)度合適的間隙使用戶讀取鄰區(qū)的廣播信道，以獲取GCI。在建網(wǎng)之初，需要添加大量的鄰區(qū)關(guān)系，那么用戶需要讀取多個(gè)小區(qū)的CGI，會(huì)帶來(lái)切換延遲。

若在建網(wǎng)之初，對(duì)鄰區(qū)做一次預(yù)規(guī)劃，即靜態(tài)地規(guī)劃一些鄰區(qū)，當(dāng)網(wǎng)絡(luò)運(yùn)行后，再由ANR 算法進(jìn)行動(dòng)態(tài)地微調(diào)，則網(wǎng)絡(luò)性能會(huì)更好。本文提出使用機(jī)器學(xué)習(xí)算法來(lái)對(duì)區(qū)域內(nèi)的多個(gè)候選小區(qū)進(jìn)行鄰區(qū)預(yù)規(guī)劃，并使用了監(jiān)督的機(jī)器學(xué)習(xí)和無(wú)監(jiān)督的機(jī)器學(xué)習(xí)方法，將鄰區(qū)規(guī)劃轉(zhuǎn)換為分類問(wèn)題進(jìn)行預(yù)測(cè)。方法整體流程如下（見(jiàn)圖1）。

圖1 基于機(jī)器學(xué)習(xí)的鄰區(qū)規(guī)劃流程

a）數(shù)據(jù)預(yù)處理，即構(gòu)造樣本集的特征屬性。

b）選擇機(jī)器學(xué)習(xí)算法進(jìn)行數(shù)據(jù)訓(xùn)練。

c）輸出預(yù)測(cè)結(jié)果。

2 數(shù)據(jù)預(yù)處理

假設(shè)當(dāng)前規(guī)劃的是小區(qū)B，需要通過(guò)機(jī)器學(xué)習(xí)預(yù)測(cè)小區(qū)A是否為小區(qū)B的鄰區(qū)。由于原始數(shù)據(jù)包含的站址、扇區(qū)方位角等信息不利于數(shù)據(jù)分析，先對(duì)數(shù)據(jù)進(jìn)行如下的預(yù)處理：

a）將2 個(gè)小區(qū)的經(jīng)度、緯度轉(zhuǎn)化為2 個(gè)小區(qū)之間的地面距離。假設(shè)地球是一個(gè)完美的球體，那么它的半徑就是地球的平均半徑，記為R=6 371 004 m。設(shè)小區(qū)A的經(jīng)緯度為（lonA，latA），小區(qū)B的經(jīng)緯度為（lonB，latB），如圖2所示?？紤]到中國(guó)處于東北半球，根據(jù)三角推導(dǎo)，可以得到圓心角：n=cos－1sin（latA）×sin（latB）+cos［latA×coslatB×cos（lonA－lonB）］，則小區(qū)A、B之間的地面距離，即弧長(zhǎng)L=R×π×n/180。

圖2 小區(qū)經(jīng)緯度與小區(qū)距離

b）候選鄰區(qū)篩選。使用的工參數(shù)據(jù)包含132 個(gè)4G基站，每個(gè)基站配置3個(gè)小區(qū)，如果任意2個(gè)小區(qū)之間的關(guān)系稱為一個(gè)小區(qū)關(guān)系對(duì)，則這樣的小區(qū)關(guān)系對(duì)多達(dá)132 ×3－1+132 ×3－2+…+2+1=78 210 個(gè)。在典型的蜂窩模型中，以規(guī)劃小區(qū)為圓心，通常只會(huì)添加由內(nèi)而外的6 圈鄰區(qū)。因此，可以將數(shù)據(jù)進(jìn)行篩選，只選擇有用的候選鄰區(qū)進(jìn)行訓(xùn)練。本文選取的場(chǎng)景是居民區(qū)，站間距約400 m，因此需要篩選出小區(qū)間距離小于2 500 m 的小區(qū)關(guān)系對(duì)。篩選后，有用數(shù)據(jù)為4 702個(gè)。篩選后的數(shù)據(jù)，每個(gè)規(guī)劃小區(qū)包含6圈候選鄰區(qū)，數(shù)量多達(dá)6×3×（1+2+3+4+5+6）=378個(gè)。而實(shí)際的鄰區(qū)數(shù)量為64 個(gè)，因此除了距離之外，鄰區(qū)關(guān)系還要考慮如下的角度因素。

c）將2 個(gè)小區(qū)的扇區(qū)方位角、經(jīng)度、緯度轉(zhuǎn)化為2個(gè)小區(qū)之間的夾角，夾角angle定義為CellA和CellB的連線與2個(gè)小區(qū)天線法線方向的夾角的最小值，如圖3所示。

圖3 小區(qū)夾角示意圖

先來(lái)計(jì)算2 個(gè)小區(qū)連線的方位角。設(shè)dlon=lonBlonA，dlat=latB－latA，alpha’=|dlon/dlat|。根據(jù)dlon和dlat取值的不同，對(duì)alpha’做如下變換，得到小區(qū)連線的方位角alpha：

當(dāng)dlon＞0，dlat＞0時(shí)，alpha=alpha’；

當(dāng)dlon＞0，dlat＜0時(shí)，alpha=180－alpha’；

當(dāng)dlon＜0，dlat＞0時(shí)，alpha=360－alpha’；

當(dāng)dlon＜0，dlat＜0時(shí)，alpha=180+alpha’。

接下來(lái)求小區(qū)夾角angle，設(shè)小區(qū)A的扇區(qū)方位角為angleA，小區(qū)B的扇區(qū)方位角為angleB，則angle1=|alpha－ angleA|，angle2=|alpha－angleB|，angle=min（angle1，angle2）。

根據(jù)上述原則，數(shù)據(jù)預(yù)處理后包含小區(qū)間距離和夾角2個(gè)特征。

3 基于機(jī)器學(xué)習(xí)的鄰區(qū)預(yù)測(cè)方法

機(jī)器學(xué)習(xí)算法分為監(jiān)督學(xué)習(xí)和無(wú)監(jiān)督學(xué)習(xí)，二者的主要區(qū)別在于數(shù)據(jù)是否有“標(biāo)簽”。本文所述的“標(biāo)簽”即實(shí)際的鄰區(qū)關(guān)系表，體現(xiàn)了一個(gè)候選鄰區(qū)是否為規(guī)劃小區(qū)的鄰區(qū)，即將預(yù)測(cè)結(jié)果分為2類：“鄰區(qū)”和“非鄰區(qū)”。下面對(duì)各種算法分別做簡(jiǎn)要介紹。

3.1 監(jiān)督學(xué)習(xí)算法

監(jiān)督學(xué)習(xí)使用了樸素貝葉斯分類（Na?ve Bayes，NB）、邏輯回歸（Logistic Regression，LR）、支持向量機(jī)（Support Vector Machine，SVM）、K近鄰（K Nearest Neighbors，KNN）算法。

邏輯回歸以線性回歸為基礎(chǔ)，尋找一條線或者一個(gè)超平面，盡可能將所有樣本分為2 部分。實(shí)際處理就是把線性回歸的計(jì)算結(jié)果，經(jīng)過(guò)sigmoid 函數(shù)映射到新的地方去。設(shè)x為輸入樣本數(shù)據(jù)，線性回歸就是找到一條擬合曲線：h(θ)=，而邏輯回歸需要得到輸入樣本為正類的概率hθ(x)=，這樣就會(huì)直觀地感受到所處理的樣本點(diǎn)屬于正類的概率為多大。本文使用梯度上升法來(lái)計(jì)算邏輯回歸算法的權(quán)重，迭代次數(shù)為150次。

支持向量機(jī)在機(jī)器學(xué)習(xí)當(dāng)中被當(dāng)作一種二分類模型，它的基本模型是定義在特征空間上的最大間隔的線性分類器，其學(xué)習(xí)策略就是間隔最大化，可形式化為一個(gè)求解凸二次規(guī)劃的問(wèn)題。支持向量機(jī)提供了一個(gè)方法，可以在多個(gè)分類器中尋找能更準(zhǔn)確分離測(cè)試數(shù)據(jù)的分類器。支持向量機(jī)的工作原理是：首先尋找能準(zhǔn)確分離訓(xùn)練數(shù)據(jù)的決策邊界；然后在所有這些決策邊界中選擇與最近鄰點(diǎn)的距離最大化的決策邊界。支持向量機(jī)分為線性和非線性，對(duì)于非線性引入了核函數(shù)，將歐式空間通過(guò)一個(gè)非線性變換映射到一個(gè)希爾伯特空間，使得在輸入空間中的超曲面模型對(duì)應(yīng)于特征空間中的超平面模型，通過(guò)在特征空間中求解線性支持向量機(jī)就可以完成分類。本文使用了非線性的支持向量機(jī)，核參數(shù)為rbf，松弛變量C=0.6，迭代終止條件toler=0.001，最大迭代次數(shù)maxIter=50。

K 近鄰算法首先找出一個(gè)樣本的K個(gè)最近的鄰居，然后將這些鄰居屬性的均值作為該樣本的屬性，甚至可以對(duì)不同距離的鄰居進(jìn)行加權(quán)。尤其當(dāng)分類的樣本數(shù)差異較大時(shí)，采用加權(quán)的方式是很好的改進(jìn)方法。K 近鄰算法實(shí)際上是對(duì)特征空間的劃分，因此選擇的K值、距離度量、分類決策規(guī)則將影響算法的最終結(jié)果。本文使用K=15，距離度量采用歐氏距離，分類決策指定用距離權(quán)重的方式。K近鄰算法依靠周?chē)鶮個(gè)鄰近的樣本，適用于類域存在交叉或重疊的樣本集。但是該算法需要計(jì)算每個(gè)待分類樣本到全體已知樣本的距離，因此計(jì)算量較大。

3.2 無(wú)監(jiān)督學(xué)習(xí)算法

無(wú)監(jiān)督學(xué)習(xí)使用了聚類算法中的K 均值算法（KMeans，KM）、高斯混合分布算法（Gauss Mixture Model，GMM）。

K 均值算法是聚類的一種，將數(shù)據(jù)集中的樣本劃分為若干個(gè)不相交的類，然后基于類進(jìn)行訓(xùn)練，最后意圖使每個(gè)類內(nèi)的屬性是類似的，每個(gè)類間的屬性是背離的。具體過(guò)程如下。

a）將樣本集D劃分為2類。

b）選取（0，0）作為“鄰區(qū)”的初始均值向量，選?。? 000，360）作為“非鄰區(qū)”的初始均值向量。

“真可憐！”男孩同情地嘆了一聲，正想著掏錢(qián)去買(mǎi)一個(gè)糖人，卻又立即搖了搖腦袋，“我現(xiàn)在自身都難保了，萬(wàn)一出去又被那家伙給黏上了怎么辦？再說(shuō)這糖人一點(diǎn)都不好玩，也不好吃，而且還有一股焦煳的味道，擎天柱和巧克力才是我的菜！”

c）考察每個(gè)樣本與當(dāng)前均值向量的距離并得到其歸屬的類。

d）基于當(dāng)前類劃分，求得新的均值向量。

e）迭代直到類劃分的結(jié)果不再變化，得到最終的類劃分。K 均值算法適用于某些屬性之間具備相似性，而另外一些屬性與這些屬性之間不相似的情況，否則，可能需要迭代更多的次數(shù)或者結(jié)果一直不收斂。本文中“鄰區(qū)”與“非鄰區(qū)”的屬性并不存在明顯的不同，因此K均值算法用于鄰區(qū)規(guī)劃的效果不理想。

高斯混合分布也是聚類算法的一種，它要求各個(gè)屬性之間獨(dú)立分布。高斯混合分布采用概率模型來(lái)表達(dá)聚類原型，定義如下：p(x)=在本文中，高斯混合分布由2個(gè)混合成分組成，且每個(gè)混合成分對(duì)應(yīng)一個(gè)高斯分布，ai為混合系數(shù)且滿足=1，可根據(jù)最大似然估計(jì)求解模型參數(shù){（ai,μi,σi）|i=（1，2）}。高斯混合分布算法的步驟如下。

a）初始化模型參數(shù)。

b）計(jì)算樣本由各混合成分生成的后驗(yàn)概率。

c）更新模型參數(shù)。

d）重復(fù)步驟b）～c），直到最大似然函數(shù)不再增長(zhǎng)，得到最終的分類結(jié)果。高斯混合分布通過(guò)增加分類個(gè)數(shù)來(lái)逼近連續(xù)的概率密度分布，本文中K=2，分類數(shù)較小，效果不理想。

4 仿真結(jié)果

4.1 仿真參數(shù)

表1給出了相關(guān)仿真參數(shù)。

4.2 預(yù)測(cè)結(jié)果

圖4 和圖5 是樣本數(shù)為1 107 個(gè)時(shí)，各類算法的預(yù)測(cè)結(jié)果。每個(gè)點(diǎn)代表一個(gè)候選鄰區(qū)，橫軸和縱軸分別代表候選鄰區(qū)與規(guī)劃小區(qū)之間的距離（單位：m）和夾角（單位：°），藍(lán)色代表此候選小區(qū)被預(yù)測(cè)為鄰區(qū)，紅色代表預(yù)測(cè)為非鄰區(qū)。

圖5 無(wú)監(jiān)督學(xué)習(xí)算法的預(yù)測(cè)結(jié)果

為了更精確地了解各種算法的性能，預(yù)測(cè)結(jié)果通常用準(zhǔn)確率、召回率和精確率3 個(gè)指標(biāo)來(lái)評(píng)估。首先定義表2所示的混淆矩陣。

基于表2矩陣，定義：

表2 混淆矩陣

準(zhǔn)確率=（TP+TN）/（TP+TN+FN+FP），即準(zhǔn)確率是預(yù)測(cè)正確的小區(qū)數(shù)量/總的小區(qū)數(shù)量。

召回率=TP/（TP+FN），即召回率是標(biāo)記為鄰區(qū)的小區(qū)中正確的數(shù)量/標(biāo)記為鄰區(qū)的小區(qū)數(shù)量。

精確率=TP/（TP+FP），即精確率是預(yù)測(cè)為鄰區(qū)的小區(qū)中正確的數(shù)量/預(yù)測(cè)為鄰區(qū)的小區(qū)數(shù)量。

由于訓(xùn)練集和測(cè)試集都是從數(shù)據(jù)集中按比例隨機(jī)選取的，因此每次程序運(yùn)行的結(jié)果都略有差異?？梢詫⒊绦蜻\(yùn)行多次（本文運(yùn)行了10次），將上述指標(biāo)分別取平均值，得到如圖6所示的性能與樣本數(shù)的關(guān)系。

圖6 監(jiān)督學(xué)習(xí)算法性能與樣本數(shù)的關(guān)系

4.3 結(jié)果分析

從以上仿真結(jié)果來(lái)看：

a）分類之間沒(méi)有明顯的界限。這是因?yàn)閿?shù)據(jù)集的2 個(gè)特征屬性都是連續(xù)的屬性，且篩選出來(lái)的小區(qū)都是候選鄰區(qū)，只是因?yàn)猷弲^(qū)數(shù)量的限制，優(yōu)先級(jí)高的候選鄰區(qū)被劃分到了“鄰區(qū)”類，而優(yōu)先級(jí)較低的候選鄰區(qū)被劃分到了“非鄰區(qū)”類。如果允許添加更多的鄰區(qū)，則分類結(jié)果會(huì)不一樣。

b）基于監(jiān)督的機(jī)器學(xué)習(xí)算法更勝一籌，這是因?yàn)楸O(jiān)督學(xué)習(xí)算法能夠依據(jù)“標(biāo)簽”的指導(dǎo)更好地訓(xùn)練數(shù)據(jù)，進(jìn)而得到更為準(zhǔn)確的結(jié)果。

c）幾種監(jiān)督學(xué)習(xí)算法都可以滿足82%以上的準(zhǔn)確性，這也說(shuō)明了機(jī)器學(xué)習(xí)算法在鄰區(qū)規(guī)劃領(lǐng)域的可行性。

d）在訓(xùn)練的幾種監(jiān)督學(xué)習(xí)算法中，SVM、KNN、LR的性能更好，NB 的效果略差。這是因?yàn)镹B 算法計(jì)算每個(gè)候選鄰區(qū)在給定分類下的條件概率，哪種分類下的概率大，就將其劃分為哪類。本文中的特征屬性分別是小區(qū)間距離及小區(qū)間夾角，很明顯，距離的取值遠(yuǎn)大于夾角的取值，這會(huì)導(dǎo)致距離對(duì)最終結(jié)果的影響占主導(dǎo)地位。為了進(jìn)行優(yōu)化，需要同時(shí)考慮小區(qū)間夾角，可以對(duì)特征值進(jìn)行加權(quán)，比如對(duì)距離屬性賦予較小的加權(quán)系數(shù)，對(duì)角度屬性賦予較大的加權(quán)系數(shù)。

e）隨著樣本數(shù)增加，各類算法的準(zhǔn)確率和召回率也在升高，精確率略有浮動(dòng)。這種結(jié)果是合理的，因?yàn)樗惴〞?huì)在“過(guò)度擬合”與“欠擬合”之間自適應(yīng)調(diào)整參數(shù)，因此精確率和召回率有時(shí)是矛盾的。在鄰區(qū)規(guī)劃問(wèn)題上，為不影響切換，算法期望將被標(biāo)記為鄰區(qū)的小區(qū)都預(yù)測(cè)為鄰區(qū)。也就是說(shuō)，算法期望召回率越高越好，在此基礎(chǔ)上，期望準(zhǔn)確率和精確率也是越高越好。根據(jù)圖6 的統(tǒng)計(jì)分析，總體來(lái)說(shuō)，樣本數(shù)越多，性能越好。

5 結(jié)束語(yǔ)

本文以中國(guó)移動(dòng)某縣的4G工參數(shù)據(jù)為例，研究了鄰區(qū)規(guī)劃問(wèn)題，此技術(shù)可用于2G、3G、5G 及未來(lái)移動(dòng)通信網(wǎng)絡(luò)的鄰區(qū)規(guī)劃。鄰區(qū)規(guī)劃可以分2 步走：第1步，使用監(jiān)督學(xué)習(xí)算法進(jìn)行鄰區(qū)預(yù)規(guī)劃，第2 步使用ANR 算法進(jìn)行鄰區(qū)管理。本文著重研究了基于機(jī)器學(xué)習(xí)的鄰區(qū)預(yù)規(guī)劃，得出了監(jiān)督學(xué)習(xí)算法可用于鄰區(qū)規(guī)劃的結(jié)論。后續(xù)機(jī)器學(xué)習(xí)算法可以結(jié)合用戶的測(cè)量上報(bào)結(jié)果，對(duì)鄰區(qū)進(jìn)行調(diào)整，完全替代現(xiàn)有的ANR算法，實(shí)現(xiàn)基于機(jī)器學(xué)習(xí)的鄰區(qū)管理。