基于人工智能的TDD灵活时隙研究

王 伟 张 涛

中国联通研究院 北京 100176

引言

传统的移动通信主要针对消费者而设计，以文件下载以及视频、网页、即时通信等下行业务需求为主，上行需求非常少。随着行业的发展，以视频回传、网络直播、智能制造为代表的上行业务蓬勃发展，对网络提出更多新的需求。虽然5G面向eMBB、mMTC和URLLC这 3 大场景而设计，考虑和迎合了垂直行业的需求，但是在实际应用过程中，其上行能力仍显不足。以视频回传为例，不同清晰度对于上行速率的需求如表1所示。

表1 不同清晰度的视频码率需求和上行带宽需求

而对于目前3.5GHz频段的帧结构单载波实测数据峰值速率只能达到350Mb/s。如果网络能够同时支持多路的1080P和2K、4K高清视频数据信息传输，则会大大提高行业客户决策指挥的速度和质量。这在智能制造、远程医疗、安防监控、交通管理等众多领域都有大量的应用空间[1]。

1 NR帧结构和时隙

NR的无线帧结构和子帧的长度都是固定的，1个无线帧的长度固定为10ms，1个子帧的长度固定为1ms。在正常的CP下，每个帧以及子帧的时隙数，每个时隙的符号数如表2所示[2]。

表2 在正常的CP帧的时隙数和符号数表

NR在时隙设计上有两个特点，一个是多样性，一个是灵活性。多样性是指它的自包含特性，即接收机解码一个基本数据单元时，无须借助其他基本数据单元，自身就能能够完成解码，目的是用于缩短时延；而多样性是指NR的下行分配和上行分配可针对不同的终端进行动态调整，实现符号级变化。

NR每个时隙中的OFDM符号可以分为下行符号(D)、灵活符号(F)和上行符号(U)。下行符号仅用于下行传输，上行符号仅用于上行传输，灵活符号可用于上行传输、下行传输、GP或预留[3]。

如图1所示，NR的时隙类型可分为4大类。

图1 时隙类型

Type1：全下行时隙(DL-only Slot)，仅用于下行传输。

Type2：全上行时隙(UL-only Slot)，仅用于上行传输。

Type3：全灵活时隙(Flexible-only Slot)可用于上行传输、下行传输、GP或预留。

Type4：混合时隙(Mixed Slot)，Type4-1和Type4-2具有灵活的数据发送开始和结束位置，适用于灵活TDD时隙场景。Type4-3适用于下行自包含子帧/时隙。Type4-4适用于上行自包含子帧/时隙。Type4-5是7个符号的Mini-slot。

NR有3中不同的信令机制通知终端，时隙内的符号是用于上行传输还是下行传输。时隙配置方式图如图2所示[4]。

图2 时隙配置方式图

第一类：Cell-specific RRC信令半静态配置，通过SIB1信息传递相关配置。相关配置参数包括：TDD-UL-DL-Configuration-Common(上下行时隙配置)；Reference Subcarrier Spacing(子载波间隔)；Pattern(Pattern1为单周期，双周期增加Pattern2)；DLUL-Transmission-Periodicity(时隙切换周期)等。

第二类：UE-specific RRC信令半静态配置，通过高层信令UL-DL-Configuration-Dedicated传递相关配置。

第三类：UE-group SFI(Slot Format Information)信令动态配置，通过DCI format2_0传递相关配置。

第四类：UE-specific DCI信令动态配置，通过DCI Format0_1传递相关配置。

2 不同时隙配比产生的干扰

如图3所示，灵活时隙最终落地部署在网络时，面临的最大挑战是不同时隙配比带来的干扰问题。上下行时隙重叠会带来基站上行和终端下行的同频和邻频干扰。其中基站对基站的干扰比较严重，尤其是同频干扰会更加的严重。由于终端的移动性，终端与终端之间的干扰概率相对较低[5]。

图3 不同时隙配比产生的干扰场景图

按照I/N=4.7dB干扰准则，根据理论计算给出了如下场景，基站能够共存的隔离要求如表3所示。

表3 I/N=4.7dB干扰准则下不同时隙配置的基站间隔离度要求

按照I/N=-6dB干扰准则，根据理论计算给出了如下场景，基站能够共存的隔离要求如表4所示。

表4 I/N=-6dB干扰准则下不同时隙配置的基站间隔离度要求

从计算结果来看，室外宏站和室内小站是有可能实现共存的，实际网络中要视具体的情况来判断干扰对系统容量和业务体验的影响。因此灵活时隙实现的关键问题是干扰问题的解决。传统的干扰解决措施包括空间隔离、射频优化(天线方位角和下倾角的调整、发射功率的下调)等，都会压缩灵活时隙的应用场景。将人工智能引入到灵活时隙功能中，则可大大地扩展灵活时隙的应用空间。

3 基于人工智能的灵活时隙

为了解决灵活时隙落地应用面临的最大问题—异时隙干扰，本文引入了人工智能的手段，通过人工智能解决业务预测、干扰检测等问题，做到干扰可控、干扰可避，从而使灵活时隙可以在更多部署场景下落地应用。

首先，根据前期的业务数据，通过人工智能精准预测未来数据的变化趋势，从而针对性地调整帧结构。例如，在预测到接下来的时刻，上行业务将快速增长，这时就需要网络考虑匹配更多的上行时隙。在帧结构调整之前还需要对干扰进行检测和判断，判断干扰后的性能是否比帧结构调整之前有所提升，如有提升则执行帧结构调整，同时配合干扰规避技术以提升抵抗干扰的能力以及稳定性。如没有提升则保持帧结构不变。在网络运行过程中还将同时监测和预测业务变化情况和干扰变化情况，根据新的业务情况和干扰情况来调整网络的时隙配比，从而匹配用户体验。基于人工智能的灵活帧结构方案流程如图4所示。

图4 基于人工智能的灵活帧结构方案流程

3.1 基于人工智能的业务预测技术

目前常用的预测算法分为两大类，一类为基于序列特征的预测方法，包括Arima、Prophet等时间序列算法。这类算法基于时间序列本身的特点，将序列分解为周期性、趋势性、随机扰动几部分进行建模和预测。另一类为回归预测算法，包括神经网络、SVM等回归算法，基于历史数据建立回归模型来达到预测未来数据的目的。回归预测算法又分为如下几类经典模型。

1)差分自回归移动平均模型：该模型是一种可加性回归模型，预测算法是基于自适应参数设置的ARIMA模型，该模型的特点是能够对时间序列数据进行较准确的预测，但需要人工确定多个参数，且单个模型计算耗时较长，不利于批量模型的训练。

2)Prophet模型：该模型也是一种可加性回归模型，算法基于Python和R语言的时间序列预测算法。该模型的特点是建模效率高，可快速完成建模适用与批量模型创建；模型准确性高，适用性好，可配置参数多，能够更好适配实际问题的场景。

3)LSTM模型：该模型是最先进的顺序数据算法之一，该算法包含内部存储器。长短时记忆网络(Long Short Term Memory Network，LSTM)，是一种改进之后的循环神经网络，可以解决RNN无法处理长距离依赖的问题。该模型的特点是LSTM对于长期的时序数据有较好的预测准确性，但其建模的硬件性能与时间消耗较大，特别是需要通过人工的方式设定算法参数，不利于批量训练模型。

本文根据一定时间范围和粒度构建成原始数据，在此基础上进行可量化计算、统一评估准则等处理后，再进行数据挖掘建模，采用LSTM模型对网络KPI进行预测。KPI指标可以为上/下行PRB利用率、CCE利用率、无线利用率、数据流量、RRC连接率等。一般时间粒度为1小时或15分钟，可以预测未来某一天(或几天)内，以相同时间粒度为单位的网络KPI指标。图5是利用LSTM算法预测出以小时为时间粒度的上行PRB利用率。图中橙色线段为历史数据和预测数据，蓝色线段为实测数据。通过比对预测结果平均绝对误差(MAE)为3.87%，均方根误差(RMSE)为0.56%。

图5 基于人工智能的业务预测结果

3.2 基于人工智能的干扰检测技术

传统的干扰检测需要技术人员通过扫频仪收集信号的时频信息，利用技术经验来判断干扰类型和来源。这样的检测往往时效性不够，而且准确度依赖于技术人员经验的丰富程度。而实现时隙的灵活配置则需要对干扰类型和程度进行实时准确的判断。因此本文将人工智能引入到干扰检测中，提供准确高效的干扰检测。

基于人工智能的干扰检测技术分为三大步骤。

第一步为数据采集，不同于以往，该功能需要由基站自身来实现。基站需要采集到时间颗粒度为一个OFDM符号级，频率颗粒度为RB级的干扰信息，即基站接收到的处于有用信号以后的干扰信号强度信息。

第二步为样本生成，将基站采集到干扰信号强度数据解析成宽度为1个时隙，长度为一个载波带宽的数据块样本，类似于图片信息。

第三步为AI识别模型训练，专家对干扰样本数据进行分类后，进行AI训练，构建干扰特征识别模型。

训练算法采用的是MobileNet的CNN技术，MobileNet的基本单元是深度级可分离卷积(Depthwise Separable Convolution)，其实是一种可分解卷积操作(Factorized Convolutions)。其可以分解为两个更小的操作：深度卷积(Depthwise Convolution)和逐点卷积(Pointwise Convolution)。图6是人工智能干扰检测技术实现示意图。

图6 基于人工智能的干扰检测方法

对于单个干扰类型的干扰识别的准确率基本上可以达到98%以上，但是对于多个干扰类型同时存在时的干扰识别还是存在着一些挑战。目前考虑的解决方案是将图片分割来进行多标签建模。混合干扰类型示意图如图7所示。

图7 混合干扰类型示意图

业务预测+底噪监测可以获得未来时刻的时频底噪数据预测结果：

那么，单个RB的上行信噪比可表示为

单个RB的上行频谱效率可表示为

那么小区上行容量则可表示为

单用户速率体验可表示为

利用人工智能将数据中RSRP，received power PRB utilization进行聚类，分成M类

可以按照用户的位置和周围的无线环境进行类别匹配来评估这个用户此时的吞吐量，同时评估整个小区的吞吐量。

3.3 干扰规避技术

时隙不同导致的干扰具有一定的规律性，可以针对这些规律设计出一系列的干扰规避技术，如图8所示。

图8 3.5G不同时隙配比的干扰时序图

图8中时隙2会产生室外宏站对室内小站的干扰，时隙3和7也会产生室外宏站对室内小站的干扰，但由于S时隙中里面包括部分保护间隔和上行符号，因此干扰程度有所不同。这样的干扰会呈周期状态反复出现。每个时隙的干扰程度也会与当时下行RB的利用率有密切关系。因此，针对以上干扰规律设计了一些列的干扰规避技术，包括智能自适应调制、联合调度、波束协同等。

3.3.1 智能自适应调制

智能自适应调制根据时隙受干扰的情况不同，可以配置多套AMC，每套AMC资源是独立的；共享相关参数配置和映射表。调度器对每个终端区分AMC类型进行不同信道质量资源分配。以图8为例，时隙2匹配AMC-1；时隙3和7匹配AMC-2；时隙8和9匹配AMC-3。除此之外，相同的时隙在施扰站不同的下行负荷的情况下对受扰站的干扰也会有差别，智能自适用调制可以通过智能预测施扰站的业务负荷的变化情况，进行预MCS，避免MCS调制不当，造成误码率过大或频谱效率过低的问题[6]。

3.3.2 联合调度

施扰小区和受扰小区之间存在着相互关系，施扰小区负荷重就会对受扰小区产生比较大的干扰，那么为了更有效地传输数据，将施扰小区和受扰小区进行联合调度，从时隙和频率维度统筹考虑两个小区，达到预定好的相关目标或策略。

例如，以系统吞吐量最大为策略时采用如下公式。

同时要保证施扰小区下行吞吐量不低于某个门限值，实施优先满足受扰小区的上行吞吐量原则。

3.3.3 波束协同干扰规避

波束协同干扰规避是通过室外宏站的波束调整减少打向室内的波束功率，从而减少室外小区对室内小区的干扰。在图8中，存在干扰的时隙为时隙2、3和7。在干扰时隙上宏站尽量选取非朝向室内的波束调度资源，尽量不在朝向室内的波束上调度资源。该技术实现简单，可以一定概率上降低了施扰的业务波束对受扰站的干扰。但也会影响室外边缘用户的覆盖，可以考虑在室外站负荷不高时使用。

4 总结

随着行业应用的发展，以视频回传、网络直播、智能制造为代表的上行业务对网络上行速率和容量的需求越来越强烈和普遍。TDD的灵活时隙配比能力能够匹配上述需求，但是由于在网络部署时，不同时隙配置带来的基站间干扰给此能力的落地应用带来了非常大的障碍。本文提出了一种基于人工智能的TDD灵活时隙方案，通过人工智能的手段来解决异时隙干扰问题。该方案包括了基于人工智能的业务预测和干扰检测，同时配合干扰规避技术以提升网络抵抗干扰能力以及稳定性。通过以上技术实现对干扰的准确检测、评估和规避，结合对业务的准确预测实现基站灵活配置时隙来匹配业务需求，以最优解获得该时隙配置下最大系统性能和用户体验[7-8]。