基于聚类算法的覆盖寻优研究

朱 伟 李明鑫 张 晶 赵志扬 仇 勇 叶 萍

中国移动通信集团江苏有限公司

0 引言

网络覆盖，尤其是深度覆盖能力，已经成为影响用户满意度的重要因素。传统优化手段在对弱覆盖进行分析提升时，存在问题定位精度低、解决方案依赖人员能力、调整工作量大等问题。

江苏移动构建多维特征数据库，将基站小区聚类，基于传播模型生成路损矩阵。聚焦问题区域，通过机器学习自动查找射频优化最优方案，提升整体覆盖能力，是本文的主要研究目标。

1 技术解决方案

1.1 构建多维度特征

基于现网工参、地物地图、MR数据将不同的特征构建为不同的矩阵，完成基站小区特征提取。如图1所示。

图1 基于现网数据构建小区/栅格多维度特征

1.2 小区聚类和路损生成

依据多维小区特征，通过DBSCAN聚类算法对小区进行聚类，将特征强相关的小区归为一类。应用射线追踪模型，充分考虑建筑物特征、分布对信号传播的影响，生成小区和栅格级路损矩阵。为提高准确性，借助DT/MR数据对路损矩阵进行修正。

DBSCAN聚类算法是一种基于密度的算法，能够将空间中具有足够相似特征的区域划分为簇，并有效识别噪声数据，最终的簇可以是任意形状。聚类过程如下：

输入：数据对象集合D，半径Eps，密度阈值MinPts。

输出：聚类结果。

（1）初始化。随机选择数据对象集合中的一个样本p，检查其相邻域，若包含的对象数不小于密度阈值，建立新集合簇C，将其中所有点加入候选对象集合；若包含的对象数小于密度阈值，就重新选择新的样本；（2）对候选数据对象集中，尚未被处理的对象q，检查其相邻域，如果q未归入任何一个集合，则将q加入C；（3）重复步骤（2），检查数据对象集中未处理的对象，直到当前候选数据的对象集为空；（4）重复步骤（1）-（3），使得所有的对象，都归于某个集合簇，或者标记为噪声；（5）输出聚类结果。

数据对象集合D为已进行特征提取的基站小区集合，半径Eps为建筑物密度、大小、地物类型、站点高度以及站间距的加权距离，密度阈值为半径内的样本数。

图2射线追踪模型按照三维电子地图进行建模分析，从发射机开始，找出接收机所有的传播路径。通过计算每条射线到达接收点实际经过的所有损耗，再在接收机端将所有电平叠加，得到实际的接收电平。

图2 射线传播模型图示

1.3 迭代寻优

1.3.1 目标函数确定

确定之前需要明确优化区域及优化小区，主要通过以下步骤确定：

（1）根据MR数据的定位栅格结果，确定覆盖问题区域；

（2）根据问题区域，确定关联小区；

（3）对关联小区设置调整比例，并结合话务地图确定小区的调整优先级别。

优化范围明确后，结合优化需求，设定目标函数。确定目标函数时充分考虑指标类型和权重，通过权重确定不同指标的优化侧重点。

目标函数=A%×MR覆盖比例（%）+B%×重叠覆盖比例（%）

其中，A%+B%=1。

MR覆盖比例及重叠覆盖比例算法为大于覆盖门限的栅格所占权重除以全量栅格的权重。

本文充分考虑覆盖能力提升后对重叠覆盖造成的影响，将MR弱覆盖比例提升[0.2%，+∞]且重叠覆盖比例浮动介于[+∞，2%]作为寻优过程中的约束条件。

1.3.2 算法建模

利用“粒子群”算法确定目标函数最优解，输出相应小区调整方案，从而得到网络性能的最优解。

粒子群优化算法的核心是利用群体中的个体对信息的共享，使得整个群体的运动在问题求解空间中获得从无序到有序的演化过程，从而获得问题的最优解。这与我们通过调整基站的下倾角从而获得覆盖最优解的思路相同，因此选用了该算法。

算法思想如下（见图3）：

图3 粒子群算法实现流程图

（1）种群初始化：随机初始化，计算个体的适应值，确定初始个体的局部最优位置和目标函数的全局最优位置，设置结束条件；

（2）速度更新：更新每个个体的速度；

（3）位置更新：更新每个个体的位置；

（4）局部最优位置更新：计算更新过个体的适应值，并与每个个体的局部最优位置进行比较，如果个体适应值大于局部最优位置，则更新局部最优位置；

（5）全局最优位置更新：比较局部最优位置和全局最优位置，如果局部最优位置大于全局最优位置，则更新全局最优位置；

（6）对结束条件进行判断，如满足则输出全局最优位置；否则继续进行迭代，跳转至（2）。

输出目标函数最优解，将结果作为覆盖问题区域、缓冲区域，闭环前后各KPI指标的评估值。

表1 粒子群算法输出小区调整方案

1.4 算法比较及验证

为了验证粒子群算法准确性和有效性，本文选泰州市海陵南部区域进行试点，运用算法输出问题区域，针对方案进行覆盖优化，并对实验结果做了对比和验证。对比发现两者覆盖率提升效果差异很小，但是计算速率有较大差异，由此可见粒子群算法具有更高的效率。

表2 蚁群算法和粒子群算法的对比

2 仿真验证与可行性评估

选取海陵城郊15个连片基站共57个小区进行仿真和测试验证。通过仿真，24个小区需进行电子俯仰角调整，4个小区需进行机械俯仰角调整。

根据优化算法给出的RF最优方案，后台通过命令完成24个小区的电子倾角修改，前台安排施工队完成4个机械倾角的修改。

对调整前后15个基站57个小区的覆盖情况进行对比分析，改善明显。

现场使用CDS软件对区域内主要道路覆盖情况进行测试评估，调整前后道路LTE综合覆盖率从96.32%提升到98.79%，提升幅度2.47%。

从数字绝对值统计看，15个基站覆盖区域应用智能优化方案后，区域MR覆盖率提升2.20%。

图4 优化前后区域MR覆盖率对比

根据15个基站的应用结果来看，仿真结果与测试结果覆盖改善栅格、提升幅度、趋势均基本一致。所以该算法可以有效分析弱覆盖问题，并输出合理的权值优化建议。

3 现网实践

3.1 实践区域选取

选取海陵区进行试点，区域内涉及站点623个。

3.2 聚类分析

通过聚类分析，将实践区域汇聚为三类，分别是：（1）建筑面积大、高度低，站点密集度高（421个）；（2）单个建筑面积小、高度中，站点密集度中（125个）；（3）环境开阔建筑物少，站点密集度低（77个）。

3.3 迭代寻优与效果评估

通过迭代寻优算法对应用区域的基站进行分析，输出需调整电子下倾角小区150个、机械下倾角小区43个，一周内完成全部小区调整。

调整前后MR对比：应用优化后MR覆盖率从92.76%提升至94.31%，RSRQ小于-12 MR比例从11.52%压降至9.74%。

表3 优化前后MR覆盖率和干扰比例对比

DT拉网数据进行验证：DT拉网闭环前后对比平均RSRP从-74dBm提升至-72.2dBm，平均SINR从13.73dB提升至16.99dB。

表4 优化前后平均RSRP和SINR对比

调整前后KPI保持稳定，业务量及用户数提升明显。

表5 优化前后性能指标和业务吸收情况

4 推广价值

4.1 覆盖分析精准，全面细致定位问题

基于现网基础数据，通过网络评估定位问题小区/栅格。相较于路测、扫频分析而言，可以更为全面地评估网络覆盖情况；相较于传统MR分析而言，可以更细粒度地呈现网络覆盖情况。使得网络优化人员可以全面、细致地定位覆盖问题区域，开展后续工作。

4.2 实现迭代寻优，大量减少RF工作量

依据基站小区工程参数、话务、MR、道路测试等数据聚类小区，在传播模型基础上通过算法实现仿真结果与测试结果覆盖改善栅格、提升幅度、趋势均基本一致，从而构建机器学习算法。迭代寻优自动找到天线电子下倾角、机械下倾角最优值，以改善网络覆盖问题，实现智能优化。

与传统优化方式相比，智能迭代寻优减少了对人工优化的依赖，从全局角度考虑，动态进行RF参数调整，及时洞察网络质量，有针对性地及时调整和输出网络覆盖质量情况，大大节省了资源的投入。

5 结束语

本文依据网络基础数据、电子地图、话务地图、DT和MR数据等源数据构建小区/栅格多维特征库。从而将基站小区聚类，运用无线传播模型生成路损矩阵。针对问题区域，通过机器学习自动查找RF优化最优方案。

主要创新点：（1）高精传模：依据多维特征对小区聚类，运用射线追踪模型获得无线传播路损，通过MR/DT数据进行矫正后的传模精度更高。（2）智能寻优：根据不同指标需求设置目标函数，通过权重明确优化指标的侧重点；实现机器学习，自动输出RF调整方案，以较少的调整量达到预期效果。（3）高效优化：避免大量道路测试和手动分析，减少对网络优化人员的依赖，降低成本。

先进性：与传统优化方式相比，智能寻优降低了对人工优化的依赖，并且可以根据分析RF参数调整，能够敏锐地发现网络层的覆盖、质量等变化情况，针对性及时调整和输出合理方案，提升网络质量。