人工智能视角下5G无线网规划和优化分析

张 欢

（广州杰赛科技股份有限公司，广东 广州 510310）

0 引 言

传统移动通信网络以人工方式进行规划和部署，浪费了人力资源，增加了运营成本。现今，5G网络的运营与管理应用大数据分析技术实现了可持续发展。大数据分析与行业基本技术存在明显区别，巨大的信息量对5G无线网络发挥了重要影响，增强了用户的网络体验[1]。

1 人工智能发展概述

人工智能在发展过程中，可以分为6个阶段。

1.1 萌芽阶段

形式逻辑符号化是人工智能在萌芽阶段的重要特点，为建立神经网络模型奠定了基础，也为今后的人工神经网络研究创造了条件。计算机技术的普及促进了后阶段人工智能的研发与应用。

1.2 产生阶段和首个兴旺阶段

该阶段主要是处理与解决问题，极少注意知识层面等无形资产，重要项目方向包括设备翻译和定理定义证明等。科学家通过梳理人类思维实现了研发工作，进一步完成了计算机处理操作，预计建立一个强大的逻辑推理系统。

1.3 首个波折阶段

此时，与人工智能有关的数学算法存在一定缺陷，增加了计算指数的难度。经深入研究可知，感知设备和逻辑证明设备等处理的任务比较普通和简单，不能处理超出范围的工作。

1.4 第二个兴旺阶段

专业知识与经验丰富的科学家设计出了具有综合性与全面性的有关系统，这一过程的人工智能技术进入了全新阶段。在不断优化理论知识结构的过程中，计算机设备的软硬件也实现了较快发展，多项人工智能的发展强调了商业特点，收获了丰厚的经济利益，无形中扩大了人工智能的市场发展空间。这说明此时的人工智能又一次进入兴旺阶段。

1.5 第二个萧条波折阶段

个人计算机性能的发展较快，看似增强智能的发展空间更大。而专家系统的机器需投入较高的维护成本，增加了升级难度，软件与算法所面临的挑战无法突破，人工智能技术在该阶段进入低迷时期。

1.6 平稳建设时期

互联网技术持续发展和计算机设备功能增强，人工智能产生很多分支，并表现出协同发展的趋势，简化了发展任务，推动了人工智能的繁荣发展。目前，人工智能得到全社会的注意，其包括了基础技术与通用技术，前者涉及云计算与大数据，后者牵涉了机器设备学习和人机交互等。在这个前提下，人工智能技术涉及了更多的产品和场景[2-4]。

2 5G无线网络智能规划

2.1 频率规划

大数据时代，移动通信覆盖了多元化的场景，形成多元化的频谱需求，而业务发展也在不断变化，业务量小的频率资源不能释放，业务量大的频率资源不足，对资源造成了浪费，无法高效利用。基于频率资源的缺乏，迫切需要提高频率的利用水平。AI利用无线网设备凭借成熟的共享技术，灵活调整了系统频率。基于人工智能的频率规划如图1所示。

图1 基于人工智能的频率规划

收集业务量和频率资源的数据，建立一个包括了频率与业务的周期性数据库。根据各种业务量和其对应的频率信息，实行训练，发现数据的内在联系。结合周期内某网络频率，预测该时间段内网络的功能，找出网络限制的时间段。在空闲时间段释放频率，自适应模块运行，调整频率。

2.2 站址规划

站址同质化增加了规划站址的经济收益，减少了投入成本，业务差异化提高了站址精细规划的要求[5-7]。以基站数据评估站址规划的网络能力、干扰因素以及工程建设标准等，通过智能算法得到最佳的站址列表，形成投资收益比。科学规划站址，以周期性指标判断站址级别，推动规划与运维操作。

2.3 Massive MIMO参数设置与精准部署

5G大规模天线技术扩大了网络覆盖面积，根据AI技术建立经验库，实行规则训练，优化了网络功能。基于人工智能的Massive MIMO参数设置如图2所示。

图2 基于人工智能的 Massive MIMO参数设置

5G的大规模天线技术，提高网络覆盖，减少干扰，增加系统功能。仿真各种配置的网络功能，通过宽波束实现全局覆盖与配置，以窄波束完成场景覆盖与密集组网。此外，提高地面覆盖和垂直覆盖的灵活性时，Massive MIMO参数配置也更复杂，此时根据AI辅助技术建立经验数据库，完成规则性训练，从而优化网络功能[8]。

Massive MIMO科学应用空分复用技术和多天线技术，由水平方向和垂直方向产生三维波束，有效增加了容量，扩大了立体覆盖的范围，部分技术已经应用在4G网，主要是为了有效解决高容量和高负荷问题，但Massive MIMO基站设备投资相当2～3倍的传统扩容方式，因此在具体部署中需重点解决精准投放Massive MIMO基站的问题。传统方法主要指工程师的工作经验和手工审查数据，无形消耗了大量的人工与时间，降低了部署的精确度，故采取机器学习的K-means聚类方法有效解决上述问题[9]。

步骤1对小区级数据以K-means完成聚类操作，有效分离了繁忙小区簇与普通小区簇，得到了影响Massive MIMO的特征数据，如CQI、下行用户平均速率、上行用户平均速率、下行PRB利用率、上行PRB利用率以及上行VoLTE占用PRB数。步骤2围绕中心点值聚类产生门限值，针对全网小区科学布置Maassive MIMO小区，得到相对繁忙的小区集合，之后根据场景类别筛选超出门限值的小区，该小区成为拟建对象，保证了建设质量。

根据以上算法，对某城市现网的23 953个小区实行了聚类，发现565个小区超过了门限值，作为拟部署Massive MIMO的基站。对小区的现网数据实行专家分析与研判，AI算法传输数据与专家判断结果高度匹配，为解决Massive MIMO精准部署提供了科学建议。

2.4 CU-DU-MEC规划

5G网络复杂，要求小区间深化合作，以提升CU-DU-MEC部署方案的灵活性。5G网络利用AI技术和数据库，经系统训练，制定了最理想的方案，进而达到了业务发展需要。之后延伸至端对端的网络预测能力，满足了5G各类业务的多样化要求。基于人工智能的CU-DU-MEC规划如图3所示。

图3 基于人工智能的CU-DU-MEC规划

首先利用CU-DU-MEC部署位置、网络能力以及现网退服率等建立数据库，其次根据CU-DU-MEC部署位置与网络能力开展系统化训练，再次结合4G网络拓扑结构与网络能力，评估方案部署的5G网络的运行速率，以4G网络拓扑结构与DU部署位置评估方案部署的5G网络运行时延，最后反复迭代，根据业务特征输出相应部署方案。

3 5G无线网络智能优化

人工智能扩大了5G网络的优化范围，在构建场景过程处理高纬度网络结构，解决网络的隐性问题，发现故障，以智能定位方式解决问题，相关范例如下。

3.1 基于机器学习的覆盖优化系统

5G时代需综合考虑网络的覆盖密度与个性化需求，无法简单的依靠人工经验，故通过机器学习的方式产生覆盖优化，具体包括以下步骤。首先优化覆盖过程科学应用了测量报告MRO，梳理与小区有关的覆盖关系，建立应对性较强的评估矩阵。根据系统预制规则科学判断，获得小区的软件数据和硬件参数等，形成后阶段的优化内容，即电平、功率、下倾角以及方向角等，为改善劣化小区提供合理化建议。其次了解小区的专有属性，通过业务逻辑方式对样本实现处理。在网络覆盖内以预处理方式提高精准性，获得精细的画像，达到动态管理的目标，进而协调各个指标。再次利用决策树算法与网络优化经验形成优良的学习环境，以参数优化和天馈优化构建规则树，根据聚类回归算法和指标信息，基于网络场景建立关系模型。最后在数据预处理中应高度注意数据特点，全面分析关键指标，科学处理与网络有关的因素，提高对网络数据信息的处理效率。

3.2 以深度神经网络为基础的参数智能优化

提高参数的管理与分析水平，培养智能意识，增强网络优化效果，以降低网络管理成本。在5G网络技术的发展过程中，无线参数已初具规模，庞大的数据无法凭借人工经验提高配置的精细化水平。

首先综合小区特点实行建模，初步形成具有量化属性的多元无限场景，即地形地貌和周围小区结构等。其次利用深度神经网络算法，联系样本个体距离和附近相似度产生若干个体，强化了算法时间与样本规模的关系，最终凭借经验比较，掌握无限接近的无线小区。最后以深度神经网络建立多维度模型，提高参数信息的精细化水平，同时注意结合图像预测要求，优化网络，突出地形地貌照片的针对性，以循环神经网络预测具有时间特点的数据[10]。

3.3 基于遗传算法的智能隐患预测与自动巡检

在应用遗传算法的过程中，突出了告警特点。遗传算法不只能发现网络问题，还减少了网络故障，全面推进事前预防。通过集中维护的方法实行预测和巡检，综合若干维度，提高运维效率。根据关联工单系统内容，采取自动输出的关联诊断方法，实现智能化操作。紧密结合自动巡检与挖掘数据的能力，及时找出问题。

4 结 论

目前，各种智能终端逐渐普及，带动了移动数据流量的增长。在这种发展环境下，应利用人工智能技术设智慧城市，从而综合规划了5G无线网络，保证了信息化建设质量。另外，对5G网络的优化整合经济建设与云计算，也为发展智慧城市奠定了基础。