基于机器学习的邻区规划研究.docxVIP

20

20 2022/07/DTPT

基于机器学习的邻区规划研究

1邻区规划概述

网络通过切换过程实现接入用户的移动性管理。当用户在业务进行过程中到达小区边界，需要切换到相邻小区以保证业务性能。合理地配置邻区关系，可以降低切换失败的概率。

NR的每个频点上都可以有多个小区，将所有的小区都配置为邻区是不现实的，一方面基站产品对邻区个数存在限制，另一方面，邻区关系做的过多，则导致测量报告的精确性降低，容易造成频繁切换、乒乓

——————————

收稿日期：2022-05-18

切换等问题。但是邻区关系做的太少，会造成大量掉话，在实际的邻区规划中要根据具体情况实施合理的邻区规划。

对于邻区规划，现网的主要方案是自动邻区关系

（AutomaticNeighborRelations，ANR）。ANR方案基于用户的测量上报、切换请求等来管理邻区关系。用户通过测量报告上报邻区物理小区标识后，如果服务小区所在基站发现用户上报的小区不在邻区关系表中，则会通过无线资源控制重配置消息指示用户读取该小区的全球小区标识（GlobalCellIdentity，GCI）。基站获取到用户上报的GCI之后，即得知该小区的基本信息，会将该小区加入到邻区关系表。一般读取GCI的

时间较长，因此基站需要调度合适的间隙使用户读取邻区的广播信道，以获取GCI。在建网之初，需要添加大量的邻区关系，那么用户需要读取多个小区的CGI，会带来切换延迟。

若在建网之初，对邻区做一次预规划，即静态地规划一些邻区，当网络运行后，再由ANR算法进行动态地微调，则网络性能会更好。本文提出使用机器学习算法来对区域内的多个候选小区进行邻区预规划，

W西

西经150°

N北极

n0地心

A（lonA，latA）L

B（lonB，latB）

R地球半径

E东

东经30°赤道

0°经线

并使用了监督的机器学习和无监督的机器学习方法，将邻区规划转换为分类问题进行预测。方法整体流程如下（见图1）。

西经120°

西经90°

西经30°

西经60°

S南极

经度纬度

扇区方位角

经纬度转换为距离

筛选6圈邻区计算小区夹角

数据预处理模块

NBSVMGMM

LRKNN

KM

邻区非邻区

预测模块

图2小区经纬度与小区距离

添加由内而外的6圈邻区。因此，可以将数据进行筛选，只选择有用的候选邻区进行训练。本文选取的场

原始工参

数据预处理模块 机器学习

训练模块

图1基于机器学习的邻区规划流程

景是居民区，站间距约400m，因此需要筛选出小区间

距离小于2500m的小区关系对。筛选后，有用数据

为4702个。筛选后的数据，每个规划小区包含6圈候

选邻区，数量多达6×3×（1+2+3+4+5+6）=378

a）数据预处理，即构造样本集的特征属性。b）选择机器学习算法进行数据训练。c）输出预测结果。

2数据预处理

假设当前规划的是小区B，需要通过机器学习预测小区A是否为小区B的邻区。由于原始数据包含的站址、扇区方位角等信息不利于数据分析，先对数据进行如下的预处理：

a）将2个小区的经度、纬度转化为2个小区之间的地面距离。假设地球是一个完美的球体，那么它的半径就是地球的平均半径，记为R=6371004m。设小区A的经纬度为（lonA，latA），小区B的经纬度为（lonB，latB），如图2所示。考虑到中国处于东北半球，根据三

角推导，可以得到圆心角：n=cos-1sin（latA）×sin（latB）+

cos［latA×coslatB×cos（lonA-lonB）］，则小区A、B之间的

地面距离，即弧长L=R×π×n/180。

b）候选邻区筛选。使用的工参数据包含132个

4G基站，每个基站配置3个小区，如果任意2个小区之

间的关系称为一个小区关系对，则这样的小区关系对

多达132×3-1+132×3-2+…+2+1=78210个。

在典型的蜂窝模型中，以规划小区为圆心，通常只会

个。而实际的邻区数量为64个，因此除了距离之外，

邻区关系还要考虑如下的角度因素。

c）将2个小区的扇区方位角、经度、纬度转化为2个小区之间的夹角，夹角angle定义为CellA和CellB的连线与2个小区天线法线方向的夹角的最小值，如图3所示。

正向北

angleAA

angle1

angle2 B

图3