5G无线网络智能规划技术的探索与实践

来源:用户上传      作者:

　　【摘  要】研究并应用了多制式多网络的站址协同分析、5G站址智能寻优、弱覆盖栅格聚类识别、高精度3D规划仿真呈现等技术手段，将工具与生产流程有机结合，实现流程自动化，减少不必要的人工参与，提升整体规划效率，实现对5G网络资源的快速精准投放。最后，提供后续研究方向，为5G无线网智能化平台的进一步研究提供参考。
　　【关键词】智能规划;射线跟踪;聚类
　　This paper investigates and applies technical methods such as multi-standard multi-network site collaborative analysis， 5G site intelligent optimization， weak coverage grid cluster recognition， and high-precision 3D planning simulation presentation. The organic combination of tools and production processes realizes process automation， reduces unnecessary manual participation， improves overall planning efficiency， and achieves rapid and accurate deployment of 5G network resources. Finally， the follow-up research directions are provided for further research on 5G wireless network intelligent platforms.
　　intelligent planning; ray tracing; clustering
　　0   引言
　　5G是实现网络强国的国家战略，是引领科技创新、实现产业升级、发展新经济的基础性平台，如何高效精准地规划建设一张5G网络是运营商所关注的一项重要课题。5G主要分为3个典型应用场景，分别是增强型的移动宽带（eMBB）、海量连接的机器通信（mMTC）以及高可靠低时延（uRLLC）的物联网应用，涵盖用户体验速率、峰值速率、时间延迟及连接密度等多维技术指标需求，以及大规模天线阵列、波束赋形、信道编码等核心关键技术[1-6]。
　　目前在5G网络规划方面，运营商主要以满足eMBB业务需求为主，并逐步开展对uRLLC、mMTC业务及规划部署研究。在做5G覆盖规划时，站址优选、工程参数确定、网络结构、连续覆盖能力，以及规划工具和流程的使用的高效率、高可靠性是无线网规划专业人员极为关注内容。如果能对站址、方位角、下倾角以及多阵列天线模式等重要工程参数的自动化进行沙盘演练，将为网规网优工程师提供极大帮助。
　　1    5G无线网规划面临的挑战
　　为了满足未来应用场景，5G网络在空口技术、频率和网络架构方面进行全新的标准化制定。5G技术应用范围的扩展使得对应的5G规划体系面临巨大挑战，系统设计和优化更为复杂。目前主要研究主要集中在5G无线网智能化体系及单机版的软件实现方面[7]，少有将研究人员对智能规划工具與规划工作流程自动化的有机融合展开研究。本文将积极探索5G无线网智能规划技术，综合应用多制式多网络的站址协同分析、高精度3D规划仿真、5G站址自动寻优、覆盖栅格聚类识别等技术手段，将工具与生产流程有机结合，实现流程自动化，减少不必要的人工参与，提升整体规划效率，以此来快速精准的投放5G网络资源。
　　1.1  异构分层网络结构越发复杂
　　无线网络结构包含主要内容有频率、拓扑结构（站高、站间距、方向角、下倾角）、站点类型（宏站、微小站、室分站、拉远站等）、组网架构（分布式、集中式）及功率等。以某运营商为例，GSM、TDD、FDD、NB-IoT、5G五张网络是多种频率并存，形成了“宏站、微小站、皮站、飞站、室分站”相结合的异构网络，无线网络结构极其复杂。在5G网络规划时，需要注重不同网络制式间的协同发展，首先需要解决多层网络站址资源数据之间关联性问题，充分利用共建共享的存量现网站址进行规划，既能够降低工程难度，又能够大幅度降低建设运维成本。同时，根据5G无线网规划目标要求，迭代优化站址结构，不断改善网络质量和用户感知。
　　1.2  智能化高精度规划工具缺乏，专家经验占主导地位
　　传统5G网络的覆盖规划方步骤主要是：首先，要收集目标城市的市场、业务需求数据，结合高流量区域、高价值用户区域等数据，确定规划目标区域范围;其次，根据规划区域的业务类型和上下行业务速率要求，使用5G NR 3GPP协议36.873定义的3D传播模型：城区宏站、城区微小站、农村宏站模型，分场景测试数据，进行传播模型校正。最后，用校正后的传播模型的计算最大路径损耗和单站覆盖半径。譬如，2.6 GHz室外连续覆盖站间距建议值（表1）。另外一种传统5G网络的覆盖规划是使用主流规划仿真软件。
　　在传统的5G覆盖规划中，往往专家经验占了主导地位，不仅要理解标准协议，还得要掌握并运用较多的工程参数、不同网络制式下的站址数据和链路预算方法，抑或掌握规划仿真软件的使用。按照这种方式，完成某个城市的规划工作，往往需要数量众多的工程技术人员，并耗费大量时间。而使用主流规划仿真软件可以做覆盖预测和覆盖优化，在软件中设置目标约束条件，通过迭代计算的方式去完成工程参数调优和性能提升，这对工程技术人员能力要求极高，一般很难在短时间内完成大量站址的优选和弱覆盖区域的自动推荐站址工作。 　　1.3  规划工具与工作流程往往脱节，自动化运维
　　能力有待提升
　　传统规划模式下，规划技术能力或规划工具往往掌握在少数专家团队手中，生产效率不高，自动化程度不足。以广东某个地市为例，按照传统模式，1个高级技术人员1天仅能完成约150个规划站点的变更方案审核，如果要完成1个千量级的站点规划仿真分析评估工作至少需要2天时间。
　　针对上述痛点，本文将重点介绍若干项在5G智能规划技术方面的探索与研究。
　　2   5G无线网智能规划技术的研究
　　本文主要研究多制式多网络站址协同规划技术、智能选址及推址技术、以及“智能规划模块+开源可视化+规划工作流程”融合技术，以此来提升整体规划效率和精准性。
　　2.1  多制式多网络站址协同规划技术
　　在站址协同规划方面，本文主要提出两种技术方案：一种是数据库主键直接关联法;另外一种是关联Meanshift+DBSCAN混合聚类算法。
　　（1）数据库主键直接关联法
　　在多制式多网络协同规划时，不同网络之间除了网络制式、频段等信息不一致，其他的工程参数基本一致，如经纬度、挂高、下倾角、方向角等。在数据处理时，可以将其中一张网络的某个字段（如物理站址名称）设置为数据库主键，其他网络只需保留逻辑站点名称、网络制式、频段等独有网络数据，通用网络数据只需要通过主键去关联。优点是当一张网络的通用网络数据发生变更后，不需要一个一个地变更其他网络数据，减少冗余数据存储，极大提升工作效率。
　　（2）Meanshift+DBSCAN混合聚类算法
　　Meanshift（均值漂移聚类）算法主要是根据数据概率密度不断移动其均值质心直到满足一定条件来确定质心，但无法根据密度进行聚类;而DBSCAN（密度聚类）算法缺乏稳定性，从不同位置起始对聚类结果影响较大。因此针对网络站址数据繁杂情况，本文研究基于Meanshift+DBSCAN混合聚类算法，解决部分数据较难通过数据库主键关联处理的问题。以逻辑站为最小资源粒度，设定物理发射点为空间粒度，自动聚类为“M网N频物理发射点”站址信息表，具体如下：
　　1）以站点经纬度进行地理位置聚合，将经纬度按左上向右下进行排序;
　　2）计算圈号，采用Meanshift算法确定第一个质心。圈大小建议设置半径为100 m（可按需灵活配置），得到集合X;
　　3）计算簇号，在每个圈中，采用DBSCAN算法，找出密度可达的簇。簇大小建议设置半径为50 m（可按需灵活配置），得到集合Y;
　　4）计算位置号，在每个簇中通过MeanShift算法，将所有物理点找出来。在站点集合中剔除生成簇的站点，再通过获取密度最高的质心。位置建议设置半径为20 m（可按需灵活配置），得到集合Z;
　　5）以1）～4）步骤，直至找出所有的站点，自动聚类“M网N频物理发射点”站址信息表。
　　2.2  智能站址选址及推址技术
　　在5G规划的选址和推址方面，本文提出两种技术方案（图2）。方案1主要用4G网络的性能数据去推演5G覆盖情况，方案2则是用5G仿真软件直接模拟5G覆盖情况。两种技术方案在获取5G栅格覆盖后，通过粒子群优化算法（PSO， Particle Swarm Optimization）优选站址，并对弱覆盖区域进行聚类处理和站址推荐。方案1主要适用于5G建设初期，因5G无线性能数据不规范，也没有成熟的规划仿真工具，利旧4G网络的性能数据快速模拟5G覆盖能力，能有效指导5G网络前期规划，是一种低成本快速解决方案。而方案2则更适用于5G建网中后期，直接通过5G网络的性能数据，和搭乘高精度射线跟踪模型的规划仿真工具，能更加精准地进行5G网络规划。整体流程如图2所示。
　　首先，根据5G待规划区域，选择相应的现网4G站点作为候选站址。其次，将4G现网数据（MDT、MR）和4G仿真数据（作为一种补充数据源）进行路损折算得到5G栅格覆盖预测结果。其中，5G的栅格场强=4G栅格场强+功率差异+天线差异+空口差异+穿损差异。或者使用搭乘射线跟踪模型的5G规划仿真软件或5G性能数据输出5G栅格覆盖结果。再次，设定智能选站规则和迭代目标，利用PSO算法对预测结果进行5G自动选站，以期满足覆盖要求和交叠要求的栅格数最大化。针对已选站点进行预测分析，锁定5G问题栅格的面、线、点。最后，根据面、线、点问题进行按照网络结构要求和规划目标需要自动推荐站点，与自动优选站点一并生成最优站点组网规划方案。涉及核心技术如下。
　　（1）基于射线跟踪模型的覆盖预测技术
　　相比于标准宏蜂窝模型等统计型传播模型，射线模型能结合建筑物三维矢量地图，充分考虑建筑物直射、反射及绕射三种路径损耗计算，对基于站点与周边建筑物的位置关系进行射线建模，从而得到较为准确的计算。本文通过步进式调整接收机高度位置，模拟三维立体分层覆盖效果，为5G室内外规划提供高精度数据源。
　　（2）基于PSO算法的智能选址技术
　　与一般采用遗传算法的智能选址技术不同，本文通过PSO算法和站址畫像来进行5G基站选址，使用已有站址作为初始化粒子群，设置最大迭代次数、认知因子、维度、基站画像、约束条件（5G覆盖质量要求等）及站址更新最大速度等初始化参数，计算每个粒子的适应值、历史最优位置及全局最优位置（站址画像为覆盖山林、海域、河流等区域的将剔除计算），并采用目标权重因子和选取次数相结合的方式确定全局最优位置，防止陷入局部最优。经过迭代计算，当满足全局最优解约束条件或者最大迭代次数时终止计算获得最优站址选择方案。
　　（3）基于DBSCAN算法的智能推址技术
　　本文利用DBSCAN算法对5G栅格覆盖数据进行弱覆盖栅格聚类，自动挖掘出弱覆盖区域，并自动生成需求站点推送给规划自动化系统进行评估。在使用Python调用sklearn包里面的DBSCAN算法进行处理时，设定的扫描半径为0.000 8（约为100 m），最小包含点为5个点，进行弱覆盖栅格聚类。根据聚类后的弱覆盖区域面积和网络结构要求（譬如宏站站间距不小于200 m，微站站间距小于50 m），自动推荐宏站、微小站的站址。对于推荐站址纳入候选站址库，通过自动化仿真和智能选址后最终确定是否纳入5G网络需求库。 　　通过上述技术的综合运用，实现了5G站址需求方案编制的初步智能化，技术人员不需要在GIS地图上逐个站点、逐个区域的分析评估，更多时间可以用在算法改进和策略分析上。
　　2.3  智能规划模块、开源可视化与规划工作流程融合技术
　　传统的网络规划仿真工具多数是单机版，由于需要工程参数调优、传播模型调教、关键参数配置等专业性较强的工作，且还涉及安装授权和技术支持等种种工程因素，因此应用范围及实用频次均较为受限，无法支撑全天候全自动逐站评估的精细化预测需求。此外，仿真结果一般只能由规划仿真软件、Mapinfo或Googlearth等专业工具打开，不利于结果共享和推广。
　　本文主要研究“智能规划模块、开源可视化与规划工作流程”的融合技术，重点研究API自动化调用技术和开源可视化呈现技术，可在5G基站全生命工作流程中的需求分析、单站规划方案评估、整体规划方案评估、规划变更方案评估等7个重点环节通过API自动调用方式，实现立体仿真结果自动评估和仿真报告自动输出。
　　（1）API自动化调用技术
　　1）搭建底层服务器集群提供仿真运算能力和存储能力，供上层应用调用。
　　2）规划方案库定时从底层数据仓库自动接收入库一批需求、规划和现网方案和站址数据，并接收仿真数据库完成的仿真指标和报告等内容，仿真数据库存放仿真结果数据、图层、页面报表等内容。
　　3）仿真引擎及智能规划模块是基于API调用接口开发，多线程轮询仿真数据库的仿真方案总入口表，按照仿真优先级顺序排序，每一个方案的每个状态对应启动一个线程（线程数量可配置，一般配置为8个线程数）。
　　4）每个线程传入的工程参数至少包含地市、方案编号、状态、方案仿真类型、方案的中心经纬度，仿真范围半径（正方形或圆形），若是多边形范围，则传入多边形（多个经纬度点组成，经纬点之间用分号隔开）等参数。
　　5）当线程启动时，加载对应的仿真工程模板，清空上一次的工程表数据，以保证数据不被缓存覆盖。根据入口表传入仿真中心点经纬坐标和半径或多边形范围经纬点，确定本次仿真范围。仿真引擎及智能规划模块再从仿真数据库读取本次运算所需的工程表数据，保存在内存中并启动运算。运行完后，导出不同格式的结果文件，再解码适配到Web服务器的适用格式。Web服务器则配置图层部署、结果表呈现等。
　　6）在5G智能规划平台实现页面的交互操作，通过平台授权用户根据各自权限找到进入各子功能的入口。对仿真引擎及智能规划和Web服务器输入的任何指令也是通过该统一入口进行管理。
　　（2）开源可视化三维呈现技术
　　传统的三维可视化建模技术主要由国内外的专业GIS公司提供，譬如美国ESRI的ArcGIS、中国超图的Supermap，这些GIS平台虽功能强大但框架复杂且较为封闭，地图集成化需要专业IT工程师有长期运维才能实现。
　　本文的三维立体仿真WEB采用B/S架构，搭乘基于cesium开源可视化虚拟地球作为GIS引擎，并WebAPI流式传输海量的三维模型数据，针对大场景、大数据量的三维数据结构，研究并应用基于等级的细节层次（HLOD，Hierarchical Levels of Detail）的树状数据组织结构，分块加载、离核渲染，实现三维立体仿真结果快速呈现。在使用开源Cesium可视化引擎时，它能合理完成瓦片加载次序调度，通过增加跳跃式层次的方式，在不影响性能的前提下，节约了近50%的加载时间和内存。
　　三维立体仿真数据快速呈现帮助技术人员能够在GIS界面可视化开展精覆盖情况的精准定位分析，在电脑段和手机端的灵活呈现方式也有效支撑5G垂直行业相关领域的业务推广和市场营销。
　　3   智能规划技术的应用
　　基于上述智能规划技术的研究与引入，本文团队实现对于5G全生命流程任何工作环节7×24小时全天候不间断的5G智能规划分析评估能力，并进一步研究两种应用方向，其一是面向于深度覆盖的三维立体仿真应用，其二是面向于5G eMBB垂直行业规划应用。
　　3.1  面向5G室内深度覆盖规划应用
　　目前运营商的5G室内外是均同频组网，因此做好室内外5G站点覆盖协同，快速准确捕捉5G室内覆盖需求是亟待解决的问题。本文通过用程序步进式调整接收机高度的方式，打破API调用接口限制。用后台程序自动对接仿真内核，仿真完自动扫描预先设定的仿真结果文件夹，程序按方案预定需求自动解析仿真结果文件，解析后自动生成立体栅格相关的KPI指标。最后根据仿真结果自动生产立体栅格对应的3D Tiles三维图层切片和该方案对应的区域范围楼宇轮廓、基站、小区三维切片，提供给前端WEB界面进行三维的GIS呈现。
　　上述三维立体覆盖结果呈现能实现通过室外站点规划的覆盖效果（室外信号进入室内的穿透损耗可按6～10 dB/m设置，穿透一堵墙按10～15 dB设置），快速评估是室内建设需求，能极大地减少无效或低效室分投资，也能降低室内外同频干扰。图5是对某区域进行三维立体仿真，可以发现部分建筑物内部较高楼层存在弱信号情况，需后续室分规划时重点考虑。
　　3.2  面向5G eMBB垂直行業规划应用
　　传统无线网规划重心主要在网络覆盖方面，面对5G的网络三大业务特点，本文研究了面向5G eMBB垂直行业的规划应用。通过蒙特卡洛仿真获得某个区域的上下行速率等性能数据，并将其在地图上进行呈现（图6左），设置不同eMBB垂直行业的上下行业务需求门限在评估区域内对于各类业务的满足情况（图6右）。这样能高效率地定位业务不满足区域，通过射频调整、工参优化等手段去完善覆盖，不断提升各行各业的用户感知。
　　4   结束语
　　为了解决5G规划运维效率、精准性等问题，本文积极探索智能规划技术，研究并应用了多制式多网络的站址协同分析、5G站址智能寻优、弱覆盖栅格聚类识别、高精度3D规划仿真呈现等技术手段，将工具与生产流程有机结合，实现流程自动化，减少不必要的人工参与，提升整体规划效率，实现对5G网络资源的快速精准投放。5G无线网络智能规划技术研究方向还有很多，例如更高效、更精准、更智能的传播模型、基于深度学习的射线跟踪模型自动校准技术、基于AI的天线波束智能寻优技术、场景智能识别及逆向三维矢量建筑物自动建模技术、面向uRLLC和mMTC的垂直行业规划技术等。 　　参考文献：
　　[1]    X H You， Z W Pan， X Q Gao， et al. The 5G mobile communication： the development trends and its emerging key techniques （in Chinese）[J]. Sci Sin Inform， 2014（44）： 551–563.
　　[2]     L L M， W D M， N X K， et al. mmWave communications for 5G： implementation challenges and advances[J]. Sci China Inf Sci， 2018（61）： 021301.
　　[3]     W C X， W S B， B L， et al. Recent advances and future challenges for massive MIMO channel measurements and models[J]. Sci China Inf Sci， 2016（59）： 021301.
　　[4]     Z J H， T P， T L， et al. 6–100 GHz research progress and challenges from a channel perspective for fifth generation （5G） and future wireless communication[J]. Sci China Inf Sci， 2017（60）： 080301.
　　[5]    D H， B A， K G， et al. The Design and Applications of High-Performance Ray-Tracing Simulation Platform for 5G and Beyond Wireless Communications A Tutorial[C]//IEEE Communications Surveys & Tutorials. IEEE， 2018.
　　[6]     3GPP. 3GPP TS 38.214 V0.0.1： Physical layer procedures for data （Release 15）[S]. 2017.
　　[7]     孟繁丽，薛伟，汪况伦，等. 5G无线网络智能化规划体系及实现[J]. 移动通信， 2019，43（6）： 52-59.
　　[8]     W C Y L， D J Y L. 综合无线传播模型[M]. 刘青格，译. 北京： 電子工业出版社， 2015.
　　[9]    尤肖虎，张川，谈晓思，等. 基于AI的5G技术—研究方向与范例[J]. 中国科学： 信息科学， 2018，48（12）： 1589-1602.
转载注明来源:https://www.xzbu.com/8/view-15235699.htm