5G无线网络智能规划技术的探索与实践.docx

5G无线网络智能规划技术的探索与实践 陆南昌 刘吉宁 黄海晖【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; clustering0 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GI。