5G天线Massive MIMO智能优化的研究与应用

乔 勇 鲁晓峰 卞国东 杜长浩 郝 隽 任永强

1.中国移动通信集团江苏有限公司连云港分公司；2.中国移动通信集团江苏有限公司

0 引言

Massive MIMO技术是第5代移动通信的核心技术，由于采用大量射频天线，所有物理信道和物理信号都支持波束赋形，通过赋形多个高增益、窄波束进行空间覆盖，可以有效增加覆盖距离，扩展3D覆盖范围，降低用户间干扰，增加业务并发流数，实现无线移动通信系统容量以及频谱效率的提升。同时，复杂的多维度波束赋形权值配置，使得人工手动配置Massive MIMO天线波束权值难度大、波束配置精准度差。运维人员需要详细了解每个基站具体的覆盖场景，并准确计算Massive MIMO的天线参数，而天线权值配置达上万种，运维效率低、工作量大、人工成本高。

目前现网多应用基于覆盖场景的波束配置模板化方式，波束覆盖与用户分布匹配度差，Massive MIMO网络波束指向精度低，Massive MIMO无法发挥最大的5G网络性能。本文通过基于3D数字地图、5G基站工程参数和MDT/MR等大数据，构建高精度三维数字化栅格，并利用栅格化移动用户分布和业务分布权重，精准定位5G用户的覆盖需求，通过AI启发式寻优算法对5G天线波束权值配置迭代寻优，获得天线5G波束最佳权值配置（包括子波束数量、方位角、下倾角、水平波宽、垂直波宽等），实现5G天线Massive MIMO子波束精准覆盖数字化栅格，从而提升5G网络质量，提升运维人员Massive MIMO网络优化效率，最终实现5G覆盖区域内网络质量与工作效率的双提升。

1 构建三维地理信息的数字化栅格

对基站工参、3D地图、MR/MDT数据、子波束信息、初始参数配置等数据进行采集、筛选、储存、分析和处理，基于3D地图构建三维数字化栅格，并构建5G用户分布和业务权重模型，具体分为以下四个步骤：

（1）数据、配置采集：优化区域内3D数字地图、基站工参、天线方向图、初始参数配置、水平/垂直间距，SSB、CSI-RS静态波束配置，将用户上报的MR/MDT数据进行采集。

（2）数据筛选与储存：定义栅格长宽高（如25米*25米*5米），基于3D数字地图将空间区域划分成多个立体栅格。将采集到的MR/MDT数据，其经纬度和高度信息匹配到立体栅格空间中，聚类得出3D栅格内的用户数和业务量。根据用户数、业务量字段筛选有用户的栅格，其中为0即为无用户栅格。

（3）数据分析与处理：根据基站工程参数信息中的经纬度和天线挂高，利用地理位置间的欧氏距离配对栅格与基站，最小值即为离栅格最近的基站。对每个基站建立矩阵，其中M为该基站下的小区数，N为使用该基站的栅格数，矩阵中的数据为栅格与小区方向角的夹角，最小值即为栅格所属小区，得到栅格所属的基站、小区信息。

（4）基于用户分布和业务分布权重的三维数字化栅格：基于栅格内的用户数和业务量，对用户分布和流量分布做非线性计算，得到每个栅格的权重w，构建数字化栅格模型。在5G覆盖仿真中，加权基于用户分布和流量分布的栅格权重，5G天线Massive MIMO的波束覆盖指向性更精确。

掌握公司设备技术状况及配置情况，负责设备按拆施工，根据生产实际情况制定维修计划，对设备实施维修，确保生产能力和产品质量要求，做好设备事故分析，做好处理和上报工作，负责建立设备技术资料档案，完善各种设备资料，定期对设备开展大检查，排查不安全因素和隐患，并提出整改意见，参与设备更新、改型等工作。

2 5G天线Massive MINO子波束权值参数研究

2.1 5G天线Massive MIMO子波束权值设计

5G天线Massive MIMO波束不同于4G，其中SSB、CSIRS等广播波束，通过多个子波束时分扫描方式，根据覆盖需求定义水平/垂直覆盖范围、波束半功率角、下倾角、水平/垂直维的波束数量等，子波束权值配置参数，在水平、垂直维度上形成多个连续的波束集，实现小区内用户能得到有效覆盖。

根据Massive MIMO天线辐射特性和波束权值的灵活性，水平子波束宽度范围1°至90°，垂直波束宽度范围1°至65°，生成多组不同波束宽度的波束集。如图1所示，在第1组（蓝色）波束集中，每个子波束水平波宽15°，垂直波宽6°，形成32个子波束搜索空间。每个波束可以具备不同的扫描角和下倾角，扫描范围及下倾角范围等同于业务波束覆盖范围，定义的N种子波束权值配置就形成N个子波束搜索空间。

图1 不同波宽的子波束空间排列情况

2.2 5G天线 Massive MIMO子波束实际测试效果

根据Massive MIMO天线型号、天线子波束方向图，仿真设计子波束的水平波宽、垂直波宽、下倾角和方位角。通过实验室暗室测试对比，子波束的水平指向、垂直指向、水平波宽、垂直波宽吻合度好，符合预期。子波束旁瓣的抑制和增益略有差异，可以在智能优化目标函数中增加网络干扰项的评估，抑制子波束间的干扰。如表1，图2所示。

表1 子波束的仿真设计与测试值

图2 不同权值的子波束测试对比情况

3 5G天线Massive MIMO子波束智能寻优

3.1 Massive MIMO智能优化的目标函数

基于用户分布和流量分布权重的数字栅格匹配小区的子波束权值配置（包含子波束个数、子波束水平波宽、子波束垂直波宽、下倾角、方位角等），通过目标函数得到最优波束配置。

优化区域的目标函数表示为：FG=W1*（ΣWij* RSRPij/ΣWij）+ W2*（ΣWij*Sinrij/ΣWij）+W3*（1-ΣWij*OCFij/ΣWij），其中Wij为基于用户分布和流量分布的栅格权重，RSRPij，Sinrij和OCFij为栅格的RSRP，SINR和重叠覆盖度（该栅格子波束的RSRP大于-110dBm且相邻波束RSRP差值小于6dB的覆盖样本比例），W1、W2、W3为基于覆盖、干扰、重叠覆盖的目标函数权重系数，W1+W2+W3=100%。

3.2 子波束权值寻优AI算法

5G Massive MIMO小区中每个子波束（作为每个粒子）在自定义的N个子波束寻优空间中，通过AI启发式寻优算法（如粒子群算法）找到最优5GMassive MIMO波束权值配置Xbest（空间子波束个数、方位角、下倾角、子波束水平波宽、子波束垂直波宽）。

AI启发式寻优算法以粒子算法为例，具体算法如下：在子波束寻优前，根据子波束的默认权值参数5G Massive MIMO小区中波束配置X，其中每个子波束的当前配置都表示问题的一个解，并依据目标函数FG，计算寻优空间中新的波束配置。

在每次迭代时，每个波束将跟踪两个“极值”来更新自己，一个是子波束本身寻优到的最优波束配置，另一个是整个波束粒子群迭代时全局搜索到的最优波束配置Gbest。此外每个子波束都有各自的波束配置（方位角、下倾角、子波束水平波宽、子波束垂直波宽）的变化幅度V，当两个最优解都找到后，每个子波束根据如下迭代式更新：

其中，ω为惯性系数，c1为子波束学习因子，Pbesti为第i子波束本身寻优到的最优波束配置（方位角、下倾角、子波束水平波宽、子波束垂直波宽），c2为整个波束粒子群学习因子，Gbest为整个波束粒子群全局搜索到的最优配置，r1，r2为（0，1）的随机概率值，k为迭代系数。

（2）波束权值配置X向量迭代公式（子波束的权值配置迭代）

其中，Xi，Vi为子波束配置的变化幅度，变化权值配置。

具体算法步骤如下：

Step 1：子波束权值（方位角、下倾角、子波束水平波宽、子波束垂直波宽）按照专家经验进行初始化；

Step 2：根据各个子波束的目标函数，找到各个子波束当前的最优波束权值极值Pbest和整个波束粒子群的当前全局最优配置Gbest；

Step 3：各个子波束的速度和位置迭代更新；

Step 4：所有子波束达到最优权值；

Step 5：没有达到所有子波束的最优权值配置，跳转至Step 3。

粒子群寻优算法在不同迭代次数下，粒子在寻优空间中找到最优解的过程。

最终，每个子波束根据目标函数经过几万次的迭代寻优，得到优化区域内的各5G小区的子波束最优权值配置，如表2所示。

小区id SSB索引电下倾角电方位角水平波宽垂直波宽水平中心垂直中心CSI索引CSI方位角CSI下倾角CSI水平波宽CSI垂直波宽10498179_1 6 8 -17 13 7 10498179_1 7 -3 45 17 7 10498179_2 0 2 19 13 7-12 2.5 9 -12 -3 50 6 10498179_2 1 8 19 13 7 10 -12 3 50 6 10498179_2 2 2 -17 13 7 11 -12 9 50 6 10498179_2 3 8 -43 18 7 12 -12 15 50 6 10498179_2 4 -3 -31 15 7 10498179_2 5 2 -5 13 7 10498179_2 6 -3 -43 18 7 10498179_2 7 -3 7 13 7 10498179_3 0 -3 45 17 7 1 5.5 9 1 -3 50 6 10498179_3 1 -3 -5 13 7 10 1 3 50 6 10498179_3 2 14 -5 13 7 11 1 9 50 6 10498179_3 3 8 -43 18 7 12 1 15 50 6 10498179_3 4 -3 33 15 7 10498179_3 5 14 -17 15 7 10498179_3 6 2 -43 18 7 10498179_3 7 14 33 15 7 10498117_1 0 2 -5 13 7 7 5.5 9 7 -3 50 6 10498117_1 1 2 19 13 7 10 7 3 50 6 10498117_1 2 2 -31 15 7 11 7 9 50 6 10498117_1 3 -3 45 17 7 12 7 15 50 6 10498117_1 4 2 7 13 7 10498117_1 5 -3 33 15 7 10498117_1 6 14 33 15 7 10498117_1 7 8 -5 13 7 10498117_2 0 14 33 15 7-5 5.5 9 -5 -3 50 6 10498117_2 1 2 -17 13 7 10 -5 3 50 6 10498117_2 2 8 7 13 7 11 -5 9 50 6 10498117_2 3 8 33 15 7 12 -5 15 50 6 10498117_2 4 14 7 13 7

小区id SSB索引电下倾角电方位角水平波宽垂直波宽水平中心垂直中心CSI索引CSI方位角CSI下倾角CSI水平波宽CSI垂直波宽10498117_2 5 2 19 13 7 10498117_2 6 -3 7 13 7 10498117_2 7 -3 -43 18 7

4 智能优化效果评估

4.1 室内CQT测试效果评估

优化区域内某高层居民楼室内无5G室分系统，由附近5G宏站进行覆盖。优化前楼宇内部由5G水平波束覆盖室内信号较弱，权值智能优化后对SSB波束进行分层覆盖，其中低层占用SSB-Index0波束，中层占用SSB-Index4波束，高层占用SSB-Index5波束。如图3所示。

图3 权值智能优化后对SSB波束进行分层覆盖

5G天线子波束智能优化后，SSB波束权值变化情况见表3。

5G天线子波束智能优化后，CQT测试RSRP提升明显。

5G天线子波束智能优化后，该楼宇高层第25层（25F）、中层第10层（10F）5G网络质量提升特别明显，详见表4。高层CQT测试平均RSRP值由-105.27dBm提升至-84.02dBm，提升20.19%；平均SINR值由1.27dB提升至23.20dB，提升17.26倍；下行速率由483.20Mbps提升至625.9Mbps，提升29.54%；上行速率由32.75Mbps提升至33.50Mbps，提升2.29%。中层CQT测试平均RSRP值由-102.38dBm提升至-85.62dBm，提升16.37%；平均SINR值由0.93dB提升至22.46dB，提升23.15倍；下行速率由59.53Mbps提升至627.11Mbps，提升9.53倍；上行速率由0.50Mbps提升至26.64Mbps，提升52.28倍。

表4 智能优化前后，高层楼宇高、中、低层的5G网络CQT指标对比

4.2 网格DT测试效果评估

对比5G波束权值配置默认值，5G天线子波束智能优化后，5G网格道路DT测试指标提升明显。5G网络核心城区综 合 覆盖 率（RSRP≥-93dBm&SINR≥-3dB）由98.11%提 升至99.90%，提升1.82%；平均SSB RSRP值由-70.12dBm提升至-64.50dBm，提升8.01%；SINR由16.46dB提升17.41dB，提升5.77%；DT测试应用层下行速率由788.35Mbps提升至894.59Mbps，提升13.48%；应用层上行速率由103.01Mbps提升至155.24Mbps，提升50.70%；下行、上行低速占比分别改善75%、75.76%，下行、上行高速占比分别提升47.57%、2.6倍，详见表5。

表5 智能优化前后，网格道路5G网络DT指标对比

4.3 智能优化效率评估

观察现场射频调整次数比例，优化区域内现场人工爬塔次数从129次降低至101次，权值优化次数从3次增加至24次，现场爬塔调整比例从97.73%下降到80.80%，降幅16.93%，现场爬塔调整比例下降明显。规模应用Massive MIMO权值智能优化后，降低运维人力成本，提升优化效率。

5 结束语

本次研究，针对人工手动配置Massive MIMO天线波束权值难度大、波束配置精准度差、运维成本高的问题，将基于大数据的三维数字化栅格、Massive MIMO天线波束权值参数自定义设计和AI智能波束权值寻优算法进行结合和验证，对5G天线Massive MIMO网络智能优化方案进行规模性应用。首先，对基站工参、3D地图、MR/MDT数据、子波束信息、初始参数配置等数据进行采集、筛选、储存、分析和处理，构建基于5G用户分布和业务权重的高精度数字化栅格，实现波束覆盖与用户分布高度匹配，提升Massive MIMO网络波束覆盖指向精准度。第二，根据Massive MIMO天线型号、天线子波束方向图，仿真设计子波束的水平波宽、垂直波宽、下倾角和方位角。通过实际测试对比，子波束的水平指向、垂直指向、水平波宽、垂直波宽吻合度好，符合预期。第三，通过粒子群算法AI启发式寻优算法，实现个体和群体的子波束权值配置同时迭代和寻优，迭代效率高、权值寻优速度快。第四，在优化区域内，通过规模应用智能优化后的波束权值配置，相比默认权值配置，实现楼宇智能分层覆盖，中高楼层室内RSRP和SINR指标提升明显；网格道路实现了精准覆盖，对覆盖敏感的上行速率改善明显，下行高速率的比例提升明显。最后，规模应用Massive MIMO权值智能优化后，现场人工调整天线比例降幅明显，有效地降低运维人力成本，提升优化效率。