基于AI的无线网络规划与优化解决方案

陈 爽

(河北石云网络科技有限公司,河北 石家庄 050000)

0 引言

5G网络已经逐渐应用在千行百业,5.5G的应用正在拉开序幕,6G的探索准备也早已悄然兴起。然而,无线网络的规划与优化的手段却仍然停留在传统的人拉肩扛的状态,委实未能做到与时俱进。目前,大量的优化工作主要依靠人工的分析与判断。此时,专家的经验格外关键。人工的分析与判断,效率低下,在一定程度上阻碍了无线网络的发展与应用。大数据与人工智能技术正随着计算机技术的发展,成为当前炙手可热的尖端技术。人工智能技术是一种自主学习和智能化控制的新型技术,可以模拟人类的行为对大数据进行快速高效的分析,并做出决策,给无线网络规划与优化手段的演进带来了新的方案。那么如何对这三者进行高效耦合,促进无线网络规划与优化实践方案的演进是这个方案的重点,进而促进6G网络的发展与应用。

1 智能化整体方案

无线网络的基础KPI主要包括3个方面:(1)无线网络覆盖;(2)无线网络质量;(3)无线网络容量。这是无线通信的基础,是永恒的主题。体现在用户感知方面通俗地讲就是:接的通,听得清,上的去,用得好。

然而,好的网络KPI指标并不一定意味着好的用户感知,这主要是由于无线网络只是整个通信过程的一部分,两者并不能完全等同。因此,需要从无线KPI指标与用户感知两个方面分析识别。

移动通信本身是一个大数据系统,产生的数据主要包括无线话统数据、无线通话记录、测试报告、配置数据、各种运行日志等。理论上通过对这些数据的分析可以掌握整体网络的运行情况以及存在的网络问题并采取相应的优化手段。目前,主要通过人工或半人工的方式对这些数据进行分析,故效率较低。这一弊端将会随着6G网络时代的到来,成为阻碍无线网络发展的障碍。

在人工智能较为成熟的当下,可以通过人工智能的方式针对不同的无线环境及需求建立不同的规划优化场景模型。用模型针对网络KPI指标和用户感知指标进行分类识别,进而制定出各自专属的规划优化方案,更加高效地处理网络问题,满足行业应用的需求。其中,无线网络规划优化方案主要分为:传统优化方案与传统专家经验的继承、AI智能专家经验和AI智能优化模型等几种方案。再把生成的优化方案自动执行到无线网络中,促进整体系统自动发现问题并生成自动优化方案,从而解决问题。整体方案结构如图1所示。

图1 智能化系统整体方案

2 无线智能规划优化方案

方案整体可分别按照需要进行定期执行,日常调整,将网络问题减小到最少。

2.1 基于无线信号质量干扰矩阵的覆盖规划优化方案

通过对无线信号质量测量报告的分析,生成无线网络覆盖矩阵立体图,进而发现网络覆盖不足的区域。再结合周边业务类型与用户分布,发掘高价值区域,适度建网,价值建网,协同建网。通过人工智能模型按照各扇区优先协同优化,再结合容量预测,实现适度扩容或建设新站点的原则,进行网络发展。该方案可依据用户业务模型的变化逐步进行相应的网络调整,主动关怀用户感知,并做出反应[1]。覆盖分析示意如图2所示。

图2 覆盖分析

2.2 基于业务预测的网络容量规划方案

参照以往历史小区的业务数据及业务类型,依据KMeans+LSTM算法来分类预测基站小区各类业务(视频、微信等)及整体业务的发展情况。再根据预测结果对网络容量实现扇区级的容量发展规划。该方案可避免统一扩容标准,评价指标一刀切导致的流量释放效果不佳的情况。改标准化扩容方式为业务需求化扩容方式,在用户感知产生负面影响前,进行网络规划并落实到现网的目的[2]。业务预测效果如图3所示。

注:A区域为真实数据,B区域为第一次预测结果,C区域为第二次预测结果,D区域为第三次预测结果,准确度逐渐更加逼近真实值。

2.3 基于无线信号质量干扰矩阵的PCI规划优化方案

结合无线信号质量干扰矩阵的覆盖规划优化方案与功率、波束的情况,得出区域内的无线传播特性。在无线传播模型的基础上,按照PCI规划原则进行PCI的规划与优化调整,将更准确地规划出高质量的PCI,减少PCI的冲突与混淆,以及模3干扰等问题,进而提升信号质量。这一规划方案打破了仅依据站间距与天线方位角进行PCI规划的方法,将干扰矩阵的规划方法直接下沉到网络[3]。另外,可定期对网络内的PCI使用情况进行核查调整。PCI规划示意如图4所示。

图4 PCI规划优化

2.4 基于登记次数预测的LAC/TAC规划优化方案

依据LAC/TAC规划原则,结合无线用户数量、切换次数等数据,模拟登记次数,对现有LAC/TAC边界进行定期寻优、核查,及时纠正发现LAC/TAC不合理情况并自动执行优化方案。

2.5 邻区规划优化方案

结合无线信号质量干扰矩阵的覆盖规划优化方案与功率、波束的情况,依托FP-Growth算法,对站点邻区进行关联性分析。除解决传统常规邻区优化问题外,进而可以较好地解决高、远邻区,单向邻区的自动优化问题。定期核查,自动调整,及时满足用户模型变化导致的优化滞后问题,主动提升用户感知。

2.6 无线网络智能优化方案

优化标准制定:首先依据网络需求制定优化标准,筛选出问题站点/小区和现网标杆站点,例如:低接通小区、高掉线小区、负荷不均衡小区、高负荷小区、视频网速慢小区等。同时,过滤掉特殊站点,包括VIP站点、道路保障站点等[4]。

无线智能优化方案的优化依据如下:

(1)生成现网标杆站点库:现行网络已经进行了长时间的优化积累,大部分站点各项KPI指标和感知指标均为优秀,是一个天然的“网络专家库”,可以通过人为打标的方式加入专家库内,也可以通过决策树等算法迅速将这些优秀站点识别为经验专家库数据,以指导后续的网络优化工作,此举是对前期优化成果的一个良好继承。

(2)根据优化参数分类迭代自动寻优:接入类、切换类、掉话类、干扰类;大话务保障场景,高速小区场景;业务类型特殊,用户感知明显场景等类型,制定针对性优化方案,自动迭代寻优。

(3)专家人工优化经验库的积累。根据专家操作日志生成专家优化经验库。

(4)根据上述优化效果情况,通过关联算法和神经网络算法丰富智能优化经验库,为下次优化奠定更加坚实的基础。

(5)通过KMeans算法建立全网无线同场景模型。注意:这里的无线同场景模型与传统的无线场景定义有所区别。传统的无线场景通常是指居民区、高校、高铁等,这里的无线场景是指无线参数环境,与应用场景关系不大。当问题站点/小区产生时,再通过对问题站点/小区与现网标杆站点的业务类型、业务量、用户分布、用户数量、接收电平、TA分布、天线口发射功率等数据,按照不同权重进行匹配度打分,得分越高匹配度越高,最终选定本次优化参照的站点/小区,生成无线网络优化方案。智能方案逻辑关系如图5所示。建立算法优先级体系如图6所示。

图5 无线网络规划优化智能方案模型逻辑关系

图6 算法优先级体系

其中,专家优化经验库方案为最高优先级,现网标杆站点为次高优先级,智能优化经验库为次次高优先级,分类参数迭代寻优为最低优先级;所有优化方案最终入库到智能优化经验库,为后续的自动智能优化提供丰富的指标。“经验”越多,优化能力越强。

2.7 贬损用户规划优化方案

结合无线及核心网数据,生成用户感知数据,再通过KMeans聚类算法,提取不同维度特征,最后生成贬损用户群画像。在此基础上,按照导致无线网络问题的根本原因,进行分析优化。主要分为无线网络类优化,如弱覆盖、容量受限等;感知类优化,如WEB速率提升、游戏类业务优先等[5]。

同时,结合用户满意度调查情况对用户感知进行分析,便于发现影响用户感知满意度的网络原因,以达到改善用户满意度的目的。

3 结语

通过通信大数据与人工智能算法的结合,可以实现无线网络从规划到优化端到端的网络自主运行,可以把日常网络优化中的优秀经验,进行良好的继承并应用于后期的网络运行工作中。减少了对于人工,尤其是对于专家经验的依赖。同时,通过大数据与人工智能相结合的无线网络规划优化方案,让人们从另一个视角,对传统无线网络运行有了一个新的认识:它立足于传统无线网络规划优化方案,但比传统规划优化方案更高效、更稳定、更具有智慧性,必将在未来的无线网络建设中绽放出更强大的力量。