5G大规模天线阵列波束权值自优化系统
2021-11-17袁亚男王朝阳钱国宝贺小蓉郭大干
袁亚男 王朝阳 钱国宝 贺小蓉 郭大干
1.中国移动通信集团江苏有限公司盐城分公司;
2.扬州大学
0 引言
随着通信技术的不断进步,人们对网络体验的要求越来越高,做好无线资源的充分合理应用变得更加重要,在未来,通信系统设计需要能够更加合理地利用带宽资源,从而大幅提升频谱效率。目前,5G大规模采用MM(Massive Multiple-Input Multiple-Output,大规模多入多出)技术天线部署方式。怎样更加合理地应用波束赋形技术解决边缘场景覆盖能力弱及深度覆盖能力不足的问题,是当前5G网络建设亟待解决的问题。
本文基于MDT数据,研究出一种MM小区的波束与场景的适配方法,实现场景级的个性化配置。该方法通过建立天线到用户的三维模型,提取天线到用户的向量关系特征数据,利用统计学分析得出初始最优解,然后配置到现网,并进行循环往复的闭环评估,逐渐收敛波束到现网最优解,最终增强网络覆盖能力,提高下载速率,提升用户使用体验。
目前,5G MM天线部署开通时的配置均为默认场景,无法充分发挥5G多波束天线的优势。5G NR(New Radio,新空口技术)早期部署采用NSA(Non-Standalone,非独立组网)模式,当前5G网络侧尚无成熟的MR(Measure Report,测量报告)、MDT信令软采集系统部署,所以没有5G的MDT数据可以采集,网络优化MM站点时,周边覆盖场景主要依靠人员现场勘测,优化费用高且效率低。因缺少对MM性能的自动检测机制,不能发现及测算因波束方案部署不合理造成的性能、流量损失。因此对MM权值配置的自优化研究将有助于发挥天线最优性能,最大化提升网络资源利用率。
1 技术方案
1.1 大规模天线阵列波束赋形技术原理
MDT是3GPP(3rd Generation Partnership Project,第三代合作伙伴项目)提出来的进行部分替代DT(Drive Test,即驱车测试,一般业内称路测)、CQI(Call Quality Test,呼叫质量测试,一般业内称定点测试)测试方法,并降低OPEX(Operating Expense,运营成本)成本的自动优化方案。主要通过GPS定位信息,结合MR原始上报的用户RSRP(Reference Signal Receiving Power,参考信号接收功率)、RSRQ(Reference Signal Receiving Quality,参考信号接收质量)等网络性能信息,利用大数据分析处理方法,可以更精确地掌握网络覆盖模型及用户感知体验。
根据最新的检索数据显示,已有相关针对Massive MIMO天线波束优化方法的研究理论。但其大多是采用用户的话务模型来调优,对网络实际覆盖能力的考虑有较大欠缺。本研究基于3D MDT的5G波束智能管理,从用户的实际位置考虑,进行三维空间位置研究,形成一套智能优化方法。首先,采集并处理4G用户3D MDT基础数据,精准定位现网用户覆盖需求,使用大数据建模算法输出天线波束(水平方位、垂直方位、水平波瓣角、垂直波瓣角等)覆盖方向及范围,基于AI循环调优算法,确定最佳波束场景;其次,根据4G、5G小区的天馈共用信息进行一对一映射,以获得5G最佳波束场景,最终,形成5G波束智能管理方案,本项目方案系统架构图如图1所示。
图1 基于MR/MDT大数据的MM权值AI优化系统架构图
1.2 关键步骤的具体实现
1.2.1 用户MDT大数据采集与清洗
数据采集:网管平台完成MDT基础数据订阅与采集,无需现场进行DT、CQT测试。
数据整合:因MDT采集的数据量庞大,每小时可产生“4×站点数”的文件,人工使用Excel不可能完成一个地市1.2万余个站点的数据分析。对此,借助Python语言的快速开发特点,自研Python小工具。经过数据获取识别、数据清洗、数据汇聚、数据处理等步骤,将海量数据自动分析并提取到一张数据建模汇聚表中。
数据清洗:通过Python数据处理pandas模块完成数据清洗与数据建模计算。
在数据提取阶段,可同步完成数据的预处理,即生成“.csv”文件。使用Python中的pandas模块,将数据引入到DataFrame数据中,并进行数据的清洗与处理。
数据清洗,思路采用基于采样点密度和有效性的处理方法,将低密度的边缘点剔除。这里采用DBSCAN(Density-Based Spatial Clustering of Applications with Noise)基于密度的聚类算法实现。
DBSCAN算法描述,如图2所示。
图2 DBSCAN邻接关系图
输入:包含n个对象的数据库,半径e,最少数目MinPts。
输出:所有生成的簇,达到密度要求。
(1)Repeat;
(2)从数据库中抽出一个未处理的点;
(3)如果,抽出的点是核心点。那么,找出所有从该点密度可达的对象,形成一个簇;
(4)否则,抽出的点是边缘点(非核心对象),跳出本次循环,寻找下一个点;
(5)直到所有的点都被处理。
数据清洗的实现流程,如图3所示。结果将保留绿色密集区域采样点,周边的离散点将会被过滤掉。
图3 MDT采样点分布和GE三维呈现
1.2.2 用户3D建模及模型的回归分析
完成数据清洗后,将小区(无线覆盖区域,即天线电磁波覆盖区域)的天面数据和用户3D数据做数据集成处理。实现CELL-UE(小区-用户终端)级海量数据的3D向量建模与计算,并输出以向量为媒介的属性数据信息。
图4中,右图的蓝色菱形为天线位置,散点为UE位置。L、R为水平方向包络面的左右外切边界,其夹角构成水平波瓣宽度;U、D为垂直方向包络面的上下外切边界,其夹角构成垂直波瓣宽度。
图4 CELL-UE向量呈现(左)、天线与UE的3D关系(右)
向量特征提取:首先将小区数据、MDT数据相关联,得到小区经纬度、小区挂高、UE经纬度、UE高度,建立每个MDT样本点的三维空间向量模型,并提取方位角、倾角属性。
回归分析:将每个小区的N个MDT采样点数据的方位角、倾角数据,分别输入sklearn.cluster科学计算包进行回归分析,并输出最大值及上下边界。经过统计分析,当正态分布第一参数,取为俯仰角,上下边界可根据置信度做样本包络为垂直波瓣宽度范围。
通过建模与回归分析后,将可以拟合出小区的天面电磁覆盖包络参数组(水平波瓣宽度、垂直波瓣宽度、俯仰角、水平方位角)。
1.2.3 波束场景自学习
考虑到设备商对波束场景的设置限制,这里参照华为5G设备设置方法。华为设备共计支持17种波束场景设置,分别为DEFAULT、Scenario_0到16,且其场景设置值为离散值,而输出的小区天面电磁覆盖包络参数组数据均为连续值,导致无法将拟合的数据直接应用到现实中。
对此,采用机器学习的思路,对拟合的连续值数据做离散化处理,以适配最优可实现波束场景设置。这里,通过sklearn.tree包的CART算法完成波束的自动学习与波束匹配。如图5所示。
图5 波束场景自学习
2 应用成果
(1)单点验证速率提升10.41%
选择**-**-***-NR进行验证,如表1所示。
表1 站点三扇区波宽和匹配场景
现场核实验证,**_**_***FD_0小区方向为4~5层商铺,**_**_***FD_1小区方向为低层商铺,**_**_***FD_2小区方向为18层左右小高层,与MDT拟合结果完全一致。
分别在三个扇区内进行打点测试,对比默认波束赋形和场景化波束赋形的差异。场景化波束较默认波束的平均电平提升2.3dB,平均SINR(Signal to Interference plus Noise Ratio,信号与干扰加噪声比)提升1.66dB,平均下载速率提升61.46Mbps,提升幅度10.41%。
图6 三扇区测试指标(NR平均RSRP)
图7 三扇区测试指标(NR平均SINR)
(2)微区域应用速率提升14.45%
选择连片的10个站点进行场景化波束智能设置。对微区域进行拉网测试,对比默认波束和场景化波束的差异。可以发现场景化波束相比默认波束,平均RSRP提升5.79dB,但是SINR提升9.43dB、达到21.51dBm,平均下载速率提升87.03Mbps,提升幅度达到14.45%。
图8 三扇区测试指标(NR平均下载速率)
统计微区域性能指标,最大用户数、业务量提升明显,上行干扰降低1.62dB,下行用户平均吞吐率提升76.95Mbps,提升幅度24.08%。微区域日均流量增长超50%,整体来看5G性能、覆盖和业务吸收均改善明显。
3 结束语
根据对当前NSA Option 3X组网模式下用户接入、业务数据传输等流程的理解,在前期的MDT大数据分析基础上,延伸开展三维立体用户模型建模,从而立体呈现终端分布,开展Beam级优化工作。利用“大数据众筹理念”,使用MDT数据代替网络测试数据,从时间效率、资源效率、物质成本三个方面达到降本增效的目的,拓展网络优化工作“自动化”进程。通过MM波束赋形技术有效地解决城区不同场景下的覆盖效果,方案可通过MM波束AI自优化循环评估调优,实现方案效果的最优化。而且利用MDT数据进行计算与分析,优化人员只需将站点场景及周边小区信息进行信息采集,输出推荐方案,并落地实施,能够有效提升人员优化的精准性,节省人力物力。