时空循环神经网络在5G用户分布预测及波束权值调整中的应用研究

中国移动通信集团安徽有限公司 陈丹艳 耿 波 高 峰

当前，5G进入规模部署阶段，5G相对于4G最大的特点是引入了大规模天线阵列，引入更多维度可调的参数（水平波瓣宽度、垂直波瓣宽度、方位角、下倾角、波束扫描个数）。波束赋形是5G网络空口关键技术之一，通过获取赋形增益可以有效提升5G用户的感知体验。但当前5G波束权值参数组合种类繁多，精准配置难度大，目前厂家（包括中兴、华为、爱立信）仅有限开放广播权值参数和包络图，权值参数调整以人工调整为主，缺乏自动化手段，效率偏低。Massive MIMO天线的权值优化涉及到的参数组合优化的候选空间解达到数万种，远超出人脑可以计算空间，通过工程师经验和塔工上站调整天馈的传统方式已不再适用，需要一套适用于5G Massive MIMO天线的智能化的天馈优化方法论及产品。

用户数量和用户的业务需求是影响基站缓存部署、资源分配和能耗管理的重要因素，通过准确预测基站覆盖范围内的用户数量，对提高5G网络性能具有重要意义。尤其是针对某些基站所覆盖的特定的功能区域，如高校、办公区、住宅区等，由于不同区域用户分布呈现出规律性，如果能够准确预测用户未来分布，并根据用户分布动态调整波束权值，不仅有利于用户感知，更有利于区域内网络资源的分配。

本文尝试依托5G大规模天线阵列信号波束赋型技术，构建用户分布与波束权值匹配的静态标准库，找到不同用户分布情况下波束参数最优设置，进一步基于时空循环神经网络对用户分布变化进行预测，根据预测结果增益实施波束差异调整。以期在5G大规模商用优化时，快速推广应用至各类典型场景。

1 静态标准库构建

1.1 用户定位技术研究

目前5G网络MDT（MinimizationofDrive-Test，最小化路测）规范尚未确定，用户水平位置无法确定。传统方案是基于三角定位原理，通过信号强度构建指纹库，但这种方案精确度较低。本文利用NSA用户在4G、5G的相同标识和时间戳信息，使用4G的MDT生成5G水平面指纹库；通过5G MR数据里的垂直到达角，确定用户高度，建立5G垂直面指纹库，和水平面指纹库合并实现5G立体定位。5G用户水平方向定位如图1所示。

图1 5G用户水平方向定位

1.2 构建用户分布与波束设置匹配的静态标准库

构建静态标准库是5G权值调整的基础和前提，在完成标准库构建后，找到不同用户分布下的波束参数最优设置，从而根据对用户分布的预测结果实施动态调整。

本文通过天线增益等信息构建立体栅格数据库，将用户信息与波束覆盖栅格进行匹配，构建两者关系函数y=f(s，a)。其中，y是优化目标，包含用户感知、覆盖、质量等多个维度；s是用户位置信息，将用户水平和垂直分布转换成分布图，代入寻优模型；a是待寻优波束参数，通过多小区联合迭代寻优算法，找到波束最优参数配置，包括下倾角、方位角、波束宽度等。图2是函数y的示意图。

图2 用户信息与波束覆盖栅格关系函数 y

2 用户分布预测模型构建

2.1 时空循环神经网络预测模型介绍

近年来，用户分布预测受到了研究人员的广泛关注，随着深度学习技术的不断发展和完善，并考虑到用户分布预测的时空建模的复杂性，利用深度学习的模型进行用户分布预测受到了更多研究人员的青睐。LSTM（Long Short Term Memory，长短时记忆网络结构）能够学习长距离的时间依赖关系，输入和输出均为一维向量，状态与状态之间采用全连接形式，无法捕捉空间特征。ConvLSTM是将LSTM扩展到三维，输入和输出均为三维张量，输入与状态、状态与状态之间采用卷积操作捕捉空间特征。本文基于 Conv-LSTM（convolutional long short-term memory）模块提取用户分布的时空特征，从而实现了良好的用户分布预测性能。

2.2 基于时空循环神经网络实现用户分布精准预测

本文融合卷积神经网络（CNN）和时序神经网络（LSTM），建立时空循环神经网络算法，同时兼顾历史数据及当前趋势，确保预测准确性。

（1）数据处理

本文应用安徽移动提供的MR.hAOA和MR.vAOA数据来验证时空循环神经网络预测模型的效果和性能。首先对AOA数据进行预处理，剔除无效数据、异常和漂移数据，并处理了基站间反复切换的乒乓效应。采点数统计栅格稀疏，原始栅格数219×22，因此使用大粒度对采点数进行汇总，处理为1×1度数据。此外，考虑到采点数数量级差异大，空间分布存在极大离群值，因此采用取log(x+1)方法对极大值进行平滑，用于神经网络的训练。在输出层采用Relu激活函数，确保输出值为非负数。在后续的模型评估中，再将预测值重新调整回正常值，与真实值进行对比，从而得到准确的预测误差。

（2）特征构建与模型构建

AOA小时级的预测采用前7天同小时历史数据和前1天24h历史数据联合建模。通过时空序列预测模型ConvLSTM，利用卷积捕捉时间序列中的空间特征，得到未来24h AOA虚拟栅格用户分布。二维时间序列输入，预测输出同样为二维。时空循环神经网络预测模型如图3所示。

图3 时空循环神经网络预测模型

模型基于TensorFlow实现。在神经网络参数的设置方面，将前7天同小时历史数据输入两层ConvLSTM，前1天24h历史数据输入两层ConvLSTM，ConvLSTM模块的参数均设置为3×3大小的16个卷积核。最终两部分的输出均为通道数为16的三维张量，经过卷积核大小为3×3、数量为1的二维CNN进行特征融合，最终输出与原始输入的二维分布大小一致的预测分布矩阵。具体训练过程中，选取的batch大小为64，选择数据集80%的小区作为训练集，剩余的20%的小区作为测试集。实验中应用早停法来选择最优的模型参数。

（3）评估方法及性能分析

预测目标为用户分布随时间的变化。本文使用前7天数据预测第8天×24h用户分布。将第8天真实数据、预测数据与基线×数据进行对比，如图4所示，从左到右依次为真实值、预测值、基线。基线为前7天同小时该栅格采点数平均值。

图4 时空循环神经网络预测效果

本文选用相对熵（亦称为KL散度）作为模型的评价指标，其定义为两个概率分布的不对称性度量。当两个概率分布相同时，它们的相对熵为零，当两个概率分布的差别增大时，相对熵会增大。相比于基线，预测结果相对熵（kld）更低，即准确率更高。时空循环神经网络的预测误差如表1所示。

表1 时空循环神经网络的预测误差

3 基于用户分布预测实施波束自动调整

3.1 Massive MIMO波束赋型技术简介

Massive MIMO天线的波束赋形（BF——Beamforming）功能在为小区用户发射数据时，可以通过调整天线的波宽以及上、下、左、右的方向来实现三维的精准波束赋形，使辐射出去的能量集中于用户所在的方向，而不是均匀地分布在整个小区的范围，这样用户能够感受到更高的能量，可以获得更高的SINR，相应地数据传输速率也能获得提高。BF对发送信号进行加权，形成指向UE的窄带波束。NR Sub6G多天线下行各信道默认支持波束赋形，可以形成更窄的波束，精准地指向用户，提升覆盖性能。

Massive MIMO目前主要是广播波束SSB和业务信道CSI-RS，业界一直认为分别对SSB的优化和CSI-RS的优化是保障物理网络性能的重要手段。协议规定，SSB波束包含7个或者8个（协议不超过8 个）子波束。按照时分方式轮发，每个波束占用4个符号，决定小区接入和切换性能。波束覆盖基于场景化参数配置，是小区级静态波束。表征一个波速的四元组为方向角、倾角、水平波束宽度、垂直波束宽度。

3.2 基于用户分布预测的SSB波束权值寻优算法

本文中最大SSB个数设置为8，根据前节得到的用户分布预测结果，利用动态规划算法，生成最优的SSB 8波束配置，如图5黑色矩形所示，底图代表某小区SSB波束总体覆盖范围，水平方向为±55°，垂直方向为-5°到15°，每个色块为5×1度栅格中预测的采样点数占整个色块的采样点比例。考虑SSB波束覆盖连续性，本文设计SSB波束权值寻优算法时，一方面限制高层（垂直2至-6°）采用0到2个波束，通过寻优确保每个波束覆盖15%的采样点；另一方面限制底层（垂直10至2°）采用6到8个波束，通过寻优，确保覆盖最多的采样点，同时保障底层覆盖联系性。

图5 某小区某时段SSB子波束方案

3.3 应用效果

基于用户分布预测的的SSB波束权值寻优算法在现网部署后，5G网络覆盖率提升0.55pp，分流比提升0.37pp，下载速率提升2%，同时天线权值动态调整相较传统人工调整工作效率得到明显提升，如表2所示。

表2 权值算法应用成效

总结：本文结合5G网络实际，提出了一种5G网络覆盖范围内的区域用户分布预测的深度时空网络模型，首先建立静态标准库，将用户位置分布与小区波束信息进行联合画像，再利用机器视觉算法，快速寻找各图像间特征关联，通过多小区联合寻优，只需较少次数迭代计算，即可快速获取天线波束参数最优配置。其次引入时空循环神经网络，同时考虑用户分布历史数据和当前态势变化，刻画周、天、小时级的变化特征，实现用户分布精准预测。最后基于用户分布预测设计SSB波束权值寻优算法，验证了本文提出的模型对工作日和周末的流量预测精度都比已有流量预测模型有显著提升。在下一步工作中，可以将基站的用户分布预测应用于5G网络资源配置与流量分析的应用中。同时，随着5G网络基站大规模部署的开展，基于本文研究工作进行基站活跃/休眠的集群策略研究也将具有重要意义。