基于人工智能的5G无线网络智能规划和优化研究

查先毅

（中通服咨询设计研究院有限公司，江苏 南京 210019）

0 引 言

人工智能属于一种新型通用技术，5G网络中人工智能技术的融合应用有利于提升场景感知能力，能够快速响应感知到的场景，可以为网络执行策略制定提供技术支持，并有效预测通信场景的特征。随着人工智能技术与软件定义网络（Software Defined Network，SDN）、网络功能虚拟化（Network Functions Virtualization，NFV）等技术的融合发展，为构建新型智能信息基础设施，需要将无线网络优化与智能配置作为5G网络智能化的核心，通过重新设定5G无线网络规划与优化方法，以此确保高效无线的有效接入，并满足用户的个性化需求。

1 5G无线网络智能规划的前期分析

1.1 新型传播模型分析

相较于4G网络，5G网络的应用频段更高，无线波传播特性也与其有所不同。以往所应用的COST231-Hata模型等主要用于长期演进（Long Term Evolution，LTE）方面的经验传播，设计频段为2 GHz以下。由于5G无线网络的频段为0.5～100 GHz，该模型无法应用，因此要应用3GPP TR 38.901模型等可承载5G频段的新型传播模型或是对传统超级位置模型（Super Position Model，SPM）的参数进行调整，从而使其可以在5G新频段传播预测中得到应用[1]。3GPP TR 38.901模型共有3种，适用于不同的场景且不同场景下应用的典型高度也不一致，如表1所示。

表1 3GPP TR 38.901传播模型适用场景与典型高度区分

1.2 不同频段穿透损耗覆盖差异分析

从链路预算方面分析，5G无线通信网络应用的空口技术有所改变，从而产生了一些可变因素，可能会干扰最终的计算结果，例如5G的上行链路、成形天线技术均会出现相应的变化[2]。对5G无线网络智能划分时，需要对频段不同、传播及穿透时所产生损耗的差异展开分析，如穿透木门、玻璃门等单纯介质时，测试点的透射损耗并无明显差异。而穿透楼层、电梯等实际组网场景时，由于存在绕射或衍射等多种穿透路径，测试点存在较大的覆盖差异。

1.3 不同应用场景的波束形态配置分析

5G无线通信网络应用了阵列天线，此类天线波束成形时会对空口链路的计算产生干扰，而且会影响到其覆盖方式[3]。以一百多个甚至几百个天线组成的大规模阵列天线，基于波束成形技术在公共控制信道或业务信道方面可应用方向不一的窄波束，且穿波束比宽波束所产生的增益要高出许多。

1.4 室外与室内覆盖分析

5G无线通信网络规划仿真时，需以具备高精度且附带建筑物信息的数字地图为支持，同时需应用射线跟踪传播模型。此外，应根据覆盖位置是室外还是室内进行覆盖分析。室外覆盖时，需结合地貌地物类型差异展开针对性分析，以低速率区域图为依据对新站址的方案进行优化[4]；室内区域覆盖分析时，需先进行高度切片，然后结合室内高度的不同展开仿真分析，以便充分展现建筑物室内高度不同时的上下行速率，在了解建筑物室内实际覆盖情况的基础上为后续网络建设提供指导。

2 基于人工智能的5G无线网络智能规划的实施过程

5G无线网络智能规划是指结合覆盖情况、容量大小、频谱效率高低以及业务热点区域等多方面数据进行分析，智能化评估建筑物、基站、小区以及栅格的价值，进而结合场景或业务差异实现更为精准的5G智能规划[5]。5G智能规划需要构建一个持续迭代更新的闭环流程，以此固化规划流程，并以应用需求为依据实现5G无线网络的自动优化。

2.1 智能识别

2.1.1 贬损人群用户画像

以B域及O域的调查样本为依据，结合MR、KPI、NPS以及XDR/信令等其他调查样本，提取不同维度特征，在此基础上建立NPS贬损人群用户画像[6]。应用聚类算法、降维算法以及协同过滤算法，在深度神经网络建立的基础上完成NPS贬损预测。用户画像算法及流程详见图1所示。

图1 用户画像算法及流程

2.1.2 智能化业务识别

以4G无线通信网络数据挖掘的场景标识为基础，结合业务类型对业务区域及栅格级别数据进行收集统计。针对现网展开数据挖掘，对各个场景进行智能化识别，整合各场景的标识与业务后完成业务区域及栅格级别数据的建立。

2.2 智能分析

2.2.1 基于AI的流量压抑评估

人数持续增多的同时感知能力会下降，同时人数的增长会加大流量压抑度。受压抑流量的大小是流量潜在激发价值的决定因素，需要以目前流量为依据对小区流量的真正价值展开评估分析。现有流量与受压抑流量之和便是小区应用流量。受压抑流量的产生存在两个影响因素，一是无线质量，二是资源问题。

2.2.2 5G以现有网络为基础实施覆盖预测

在现有4G无线通信网络的MR场强基础上展开覆盖预测，可防止出现较多假设。在传播模型基础上开展差异分析，然后通过补偿实现5G无线网络的全面覆盖。计算5G无线通信网络栅格场强时，需要在4G栅格场强基础上加入功率、天线、空口以及穿透损耗等差异。

2.2.3 多维价值评估与排列

多维价值的计算需要以覆盖、业务、负荷维度为基础，结合终端、投诉以及战略等其他维度共同构建一个价值分析模型，以该模型为基础对价值较高的栅格或区域进行锁定。在对覆盖范围、流量大小以及用户数量预测分析时，可以快速得出价值顺序的排列结果。

2.3 智能规划

2.3.1 问题栅格锁定

以不同维度的问题栅格作为判定依据，通过点、线、面的方式锁定各个问题栅格。一是利用聚类方式对面问题的核心区域进行锁定，在基本覆盖层较为适用；二是运用线状聚合方式锁定线问题，在专线或路段方面较为适用[7]；三是通过线状聚合方式锁定点问题，在深度覆盖区域或室内较为常用。

2.3.2 策略魔方制定

对决策树进行梳理，将问题对象与基站一一对应，依据制定好的下钻流程逐一解决各个场景的核心栅格问题。以业务逻辑为依据，自动化完成建站类型的配置，并对建站种类做出推荐，同时将相应的信息附上以作参考。

2.3.3 智能找站与站点配置方案确定

获取区域中加站权重数据，由于高权重的栅格加站更契合加站设计要求，因此需要遵循从高至低的原则进行权重分析，对各个找站点位置进行推荐，并明确具体的找站点范围[8]。以策略魔方中所推荐的站型为依据，在适宜的范围内智能找站。以3D数据作为参照，将视距阻挡因素纳入考量，明确具体的推荐位置，并分别设定不同的推荐级别，结合附近的2D或3D信息将无阻挡且穿透量较小的位置设定为建站位置。

3 以人工智能为基础的5G无线网络智能优化

3.1 波束管理优化

3.1.1 优化内容

通过在5G无线网络优化中引入大规模多输入多输出天线技术，并结合应用波束成形技术，可以扩大网络覆盖并减少其他干扰因素，促进频谱效率的提升。利用射频指纹库、数据地图实现波束成形，基于人工智能（Artificial Intelligence，AI）算法对形成规则进行训练，强化波束跟踪效果，实现波束联合管理，在室内外判断、基站定位方面应用效果较为显著[9]。4G无线通信网络只是业务信道具有波束成形能力，而5G无线通信网络的全部信道均可实现波束成形，并且公共信道与业务信道分别采用的是静态波束与动态波束。

3.1.2 优化方法

由于当前人工算法较为成熟、算力相对充足，因此可以利用人工智能实现调优。调优过程分为训练、推进、执行与迭代，可在较短时间内调节优化大规模MIMO天线Pattern值。在大规模MIMO波束调整原理的基础上，可完成各种场景的波束调节，并基于AI算法总结用户分布规律，调节广播波束分布，得到最佳的网络覆盖并选用最佳的容量配置，以此降低干扰[10]。

3.2 参数配置优化

在数据处理单元支持下，采集性能与配置管理、测量报告、呼叫跟踪等多个维度的原始数据，存储后实施预处理。在人工智能平台基础上对经过预处理的高质量数据展开训练，然后构建优化模型，对最优参数配置进行预测，输出天线下倾、切换参数或功率参数等调整建议。以输出的调整建议为依据，自动下发执行参数，采用人工方式手动调节天线下倾角、方位角或天线悬挂高度等参数值。

4 结 论

与4G无线通信技术相比，5G无线通信网络具有更加多元化的业务应用需求，并且涉及更加复杂的应用环境与应用场景，以自配置技术、自优化技术、自愈技术为支持优化自组织网络的需求更高。为此，需要将人工智能应用于5G无线网络智能规划与优化的过程中，在此之前，应展开新型传播模型分析、不同频段传播损耗与穿透损耗的覆盖差异分析、不同应用场景配置不同波束形态分析、室外与室内覆盖分析，以这些分析结果为基础确定5G无线网络的智能规划流程，基于人工智能技术，通过智能识别、智能分析之后实现智能优化，最后还要以人工智能为支持完成波束管理与参数配置的优化，进而提升5G无线通信网络的质量，优化用户体验感知效果。