基于深度学习的5G覆盖动态优化的研究与应用.docxVIP

42

42 2022/01/DTPT

基于深度学习的

5G覆盖动态优化的研究与应用

1概述

重庆号称“8D”魔幻城市，网络场景复杂多样，用户感知需求愈加多元化和精细化，其中室内用户感知最为突出，经现网数据分析，5GTOP室内弱覆盖场景占比远超道路，居民区弱覆盖问题尤为严重，单纯基于路测数据进行覆盖优化不足以满足室内用户诉求，需针对不同场景开展5G深度覆盖优化。

同时，随着5GMassiveMIMO组网，小区覆盖范围从水平面覆盖增加到现有水平面、垂直面三维覆盖，

——————————

收稿日期：2021-11-16

邻区关系配置、网络参数调整、干扰优化等更为复杂，仅靠传统人工调整很难完成优化工作。

本文研究探索了基于MR切片的5G覆盖动态诊断方法、基于DOA数据的5G波束智能寻优方法、波束寻优和MR切片评估结合的效果自动评估方法，构建了从覆盖动态评估→覆盖智能优化→效果自动评估的覆盖动态优化体系，如图1所示。

25G覆盖动态诊断

传统覆盖评估以DT/CQT测试、系统KPI分析为主开展，一方面需耗费大量人力、物力，评估周期长；另一方面测试区域有限，缺乏对无线覆盖分布特征的整

覆盖动态评估

波束智能寻优

效果自动评估

实时采集

覆盖诊断 目标小区配置

权值自动调整

波束效果评估

权值更新或退回

MR成像

切片分析

MRDOA测量

最优权值估算

切片效果评估

核心技术①MR切片动态诊断

②DOA模型训练和估算

③波束级虚拟栅格建模

④超大解空间迭代寻优

图15G覆盖动态优化流程

体体现。本文通过研究MR数据的切片分析方法，结合深度学习算法实现对网络覆盖问题的动态诊断。2.1问题小区切片分析

采集汇聚场景小区的5G网络MR，进行归一化处理，再按TADV、RSRP和采样点数生成三维立体图，然

后进行切片分析，如图2所示。MR.TadvRsrp指标由RSRP维度（12个区间）和TADV维度（11个区间）共计132个区间的采样点数构成，切片后生成23张二维切片图像，能够更直观地观测到TADV和RSRP不同区间的分布变化情况。

MR.TadvRsrp MR三维立体图

覆盖三维立体图

区间1区间2

采样点数规整 二

采样点数

RSRP

区间3

采样点数TADV

采样点数

个区间

RSRP TADV

RSRP维度切片图像

维度切片图像

区间4

… 区间11

11×12

区间1

区间2

区间3

区间4…区间12

2.2网络覆盖动态诊断

图2MR覆盖立体成像和切片过程

时该方法具备实时性强、准确性高的特点，不但能验

由网络专家对每张切片图像进行诊断，利用重庆联通编写的MRLabeler小工具对样本小区的MR三维立体图进行覆盖性能标记，包括覆盖水平、过覆盖情况和弱覆盖范围等，如图3所示。

将各组二维切片图像和已标注的网络覆盖性能标签作为样本数据集输入，利用Python、Sklearn库和开源深度学习框TensorFlow，构建智能诊断模型，并通过交叉验证方法对模型参数进行寻优，最后输出最优诊断模型。

2.3优化效果自动验证

网络覆盖动态诊断定期或按需进行，自动输出全网、区域或指定小区的诊断情况，为5G波束寻优提供目标小区和方向，也可作为优化效果验证的依据。同

证区域或场景波束寻优效果，也可以应用于单点投诉或者问题小区优化后的实时评估。

如表1所示，南岸左岸阳光的MR切片诊断结果为近点弱覆盖，6个5G覆盖小区评估有4个存在弱覆盖，经过波束寻优权值动态优化后，MR切片自动评估覆盖改善明显，如表2所示。切片诊断成像优化后近点无弱覆盖，如图4所示。

35G波束动态寻优

传统4G覆盖优化是基于二维栅格级路损矩阵的RF优化，即利用终端上报的MDT数据（含经纬度、RSRP测量等）构建20×20m的二维栅格矩阵，然后进行RF参数（倾角、方位角）的调优效果验证。但5G

44

44 2022/01/DTPT

MRSLabeler

□

导入

图片 共计3000张，已标记800张

覆盖水平

○优 ○良覆盖远近

?中 ○差

□存在过覆盖

其他标签

?□存在近远点弱覆盖

□存在中点弱覆盖

□存在远点弱覆盖

□覆盖热点较分散

□存在越区覆盖

上一