基于決策樹的TD—LTE基站規劃方法研究

郭超+潘紅艷

【摘 ? ?要】分析了以TD-LTE基站的最近站間距、平均站間距、站高、第1層鄰區數作為分類的特征數據，以每個基站實際測試的下載速率為優化目標，構建了決策樹算法，將基站類型分為5類。通過實際測試數據驗證表明，該方法的精度較高，從而為TD-LTE建網初期新站規劃提供了參考。

【關鍵詞】TD-LTE ? ?決策樹 ? ?平均站間距 ? ?緊密鄰區數

中圖分類號：TN929.53 ? ?文獻標識碼：A ? ?文章編號：1006-1010（2014）-22-0022-04

Research on TD-LTE Base Station Planning Based on Decision Tree

GUO Chao1， PAN Hong-yan2

[Abstract]?The feature data of TD-LTE BS based on the nearest base station （BS） distance， the average BS distance， the BS height and the number of the adjacent cell of the first layer are analyzed in this paper. To optimize the actual download rate of BS， a decision-tree algorithm is built to classify BSs into five types. The actual test data validate that the proposed algorithm has high precision to provide a reference to new BS construction in the early stage of TD-LTE network.

[Key words]TD-LTE ? ?decision tree ? ?average base station distance ? ?number of adjacent cells

1 ? 引言

TD-LTE是我國企業主導并被全球廣泛認可的4G技術，它采用時分雙工方式，是TD-SCDMA的后續演進技術，在20M帶寬內可實現下行峰值速率100Mbps、上行峰值速率50Mbps，目前中國移動、中國電信和中國聯通都已獲得了TD-LTE商用牌照并正式商用。由于TD-LTE同頻組網[1]，對于干擾的控制要求較高，因此需要對基站的覆蓋做合理的規劃和控制。根據香農定理，干擾由信噪比決定，在TD-LTE網絡表征是SINR值。在網絡建設初期，網絡的干擾和基站的布局關系很大，基站的站間距控制、高度控制等因素都影響著網絡的干擾水平[2]，所以必須因地制宜建站，考慮新選站址也是網絡建設中最大的難點之一。

本文提供了一種基于決策樹的算法，針對建網初期基站選址的合理性問題，將TD-LTE基站的主要因素：平均站間距、最近站間距、站高、緊密鄰區數量這4個維度結合，參考實際路測下載速率的數據，運用決策樹的方法，對基站的站間距、高度合理性進行了詳細的分析和歸類，以便更準確地評估基站建設的選址問題，達到在規劃階段控制好干擾的目的，打好網絡的結構基礎。

2 ? 決策樹算法

決策樹算法是一種簡單卻使用廣泛的分類技術，它是一種構建分類模型的非參數方法，由節點和有向邊組成層次結構。它不需要任何先驗假設，也不需要假定類和其他屬性服從一定的概率分布。在決策樹中，每個葉節點都賦予一個類標號。決策樹構造采用的是自頂而下的遞歸劃分方法，沿著樹向下，記錄會越來越少。目前較為成熟的算法是Quinlan提出的著名的ID3算法[3]和C4.5算法[4]，使用熵（Entropy）和Gini指標。

決策樹算法具有分類精度高、支持語義數據、簡單高效、噪聲抑制性能好等特點[5]，因此在數據挖掘、圖像處理、市場營銷等方面應用非常廣泛。

3 ? 算法流程

決策樹方法的過程通常分為2部分：決策樹學習和決策樹分類。決策樹學習是通過對訓練樣本進行歸納學習（Inductive Learning），生成以決策樹形式表示的分類規則的機器學習（Machine Learning）過程[6]，算法的輸入是由屬性和屬性值表示的訓練樣本集，輸出是一棵樹形的分類結果。原則上講，給定的屬性集可以構造的決策樹的數目達到指數級，盡管如此，人們還是開發了一些有效的算法能夠在合理的時間內構造出相對準確的次最優決策樹，這些算法一般都采用貪心算法，流程如圖1所示。

4 ? 實驗與分析

本算法的輸入屬性包括最近站間距、平均站間距、基站高度、第一層鄰區數量以及實際測試下載數據。其中，最近站間距描述的是距離樣本站點最近的一個基站的距離;平均站間距描述的是與樣本基站相鄰的第一層鄰區的平均距離;基站高度描述的是樣本基站的天線垂直距離水平面的高度;第一層鄰區數量描述的是與樣本基站切換關系最多的基站的數量;路測下載數據是LTE測試終端MiFi對所有基站的測試PDCP層的傳輸速率，單位為Mbps。

4.1 ?決策樹建立

移動通信中的基站站間距描述的是網絡中基站的密集程度，通常站間距計算采用的是平均計算方法，即根據一定區域的基站數量和覆蓋面積計算出平均每個基站的覆蓋面積，然后根據標準的三扇區覆蓋模型計算出平均站間距。傳統的距離計算是按照標準的覆蓋面積進行折算，這種算法對于統計的估算較為適用，但是對于精細的規劃缺乏依據和準確性。同時，站間距還必須考慮周邊站點的結構和分布，因此在此結果上需要進一步的修正才能合理地對站間距進行評估。endprint

本文方法和傳統的距離計算法的區別是：本文直接計算基站的最近基站距離，然后根據周邊基站的方位角度和距離關系來判斷該基站的第一鄰區歸屬，并計算出第一鄰區平均距離，再根據最近基站距離、平均距離、站高以及第一層緊密鄰區數作為決策樹的主要因素構建決策樹。

站間距的計算流程如圖2所示。

距離算子包括平均站間距和最近站間距，另外計算第一層緊密鄰區數量，緊密鄰區數是第一層鄰區數量，數據來自于OMC網管的切換統計數據，根據切換占比超過總切換數15%的基站作為第一層鄰區基站，屬性數據模板如表1所示。

4.2 ?決策樹剪枝

在進行決策樹分類時，為防止決策樹和訓練樣本集過分擬合，特別是存在噪聲數據或不規范屬性時更為突出，需要對決策樹進行剪枝[5]。剪枝算法通常利用統計方法決定是否將一個分支變為一個結點，通常采用預先剪枝方法（pre-pruning）和后剪枝方法（post-pruning）進行決策樹剪枝。預先剪枝方法的優點是在樹生長的同時就進行了剪枝，因此效率高，但是它可能產生“視覺界限”，即斷絕了其后繼節點進行分支操作的任何可能性;后剪枝方法是當決策樹的生長過程完成后再進行剪枝，該方法比預先剪枝方法計算時間長，但是可以獲得一個分類更準確的決策樹。一個好的折中方法是預先剪枝也可以與后剪枝相結合，從而構成混合剪枝方法。

4.3 ?結果與分析

本文采用的決策樹生成實驗工具是Matlab7.0，訓練樣本集為浙江TD-LTE某試商用城市先期開通的401個TD-LTE室外站點，檢驗數據集為后期開通的98個新TD-LTE站點。

本實驗TD-LTE系統的主要參數設置為：系統帶寬20M，采用F頻段，上下行配比為1：3，特殊子幀配比為9：3：2，MIMO方式為2*2。運用Matlab7.0自帶的決策樹算法，輸出結果如圖3所示，原始數據分為10個類，其中△表示根節點，○表示葉子節點，左向箭頭判斷為“是”，右向箭頭判斷為“否”。

為了更好地表征分類結果，本文采用了事后修剪方法，將之前決策樹建立的10個類按照結果速率的大小進行了類的合并，最終形成了5個類，分別對應低速率、較低速率、中等速率、較高速率和高速率，具體如表2所示。

運用前面的決策樹分類依據，對新建設的98個TD-LTE站點進行了PDCP層下載速率預評估，在站點全部開通后又采用MiFi測試終端進行了拉網速率測試，然后將預測數據和實測數據進行分類精度檢驗，結果如表3所示：

表3 ? ?分類檢驗精度

類別 1 2 3 4 5

測試集數量 8 17 26 16 21

正確分類數 7 16 17 22 18

分類的精度/% 87.5 94.1 73.9 75.9 85.7

總精度/% 81.6

從測試結果來看，總體精度達到了81.6%，對低速率第1類和第2類的識別準確性還是比較高，而對第3類和第4類的識別有些偏差，即存在規劃問題的站點測試速率較差，但滿足高速率條件的規劃站點不一定達到高速率要求，這說明還存在其他的因素影響實際測試速率。

5 ? 總結

本文以TD-LTE基站的最近站間距、平均站間距、站高、第一層緊密鄰區數作為分類的特征數據，以每個基站實際測試PDCP層下載速率為優化目標，構建了決策樹算法，將基站類型分為5類。從分類的結果可以看出：

（1）在TD-LTE建網初期，平均站間距是影響速率的主要因素，必須保證站間距在一定的合理范圍之內，本試點區域的理想門限是415m。

（2）站高要合理。站間距較小時，站高需要控制較低;而站間距較大時，站高可以適當高一些。

（3）最近站間距不能太小。

（4）緊密鄰區數在平均站間距不大時也需要進行控制。

需要注意的是，不同城市的場景有所差異，本文所在城市環境得出的結果對相似環境的地區有參考意義，而對差別較大的區域則需要根據實地情況進行決策樹分析。

此外，從后續的歸類錯誤的站點問題原因分析可知，要保證網絡的高速率，除了基站的規劃建設要求達標之外，參數設置、PCI規劃、鄰區配置、終端性能都會帶來一定的影響，這也是后續繼續深入研究的方向。

參考文獻：

[1] Iana Siomina1， Di Yuan. Analysis of Cell Load Coupling for LTE Network Planning and Optimization[A]. IEEE International Conference on Communications 2012 （ICC 2012）[C]. 2012： 1357-1361.

[2] E Amaldi， A Capone， F Malucelli， et al. Mannino， Optimization Problems and Models for Planning Cellular Networks[M]. In M Resende and P Pardalos， editors， Handbook of Optimization in Telecommunications. Springer Science， 2006： 917-939.

[3] Quinlan J R. Induction of Decision Tree[J]. Machine Learing， 1986，1（1）： 81-106.

[4] Quinlan J R. Bagging， Boosting and C4.5[A]. Proceedings of the 13th International Conference on Artificial Intelligence[C]. Portland： AAI Press， 1996，9（2）： 300-306.

[5] 申文明，王文杰，羅海江，等. 基于決策樹分類技術的遙感影像分類方法研究[J]. 遙感技術與應用， 2007，22（3）： 333-338.

[6] 李德仁，王樹良，李德毅，等. 論空間數據挖掘和知識發現的理論與方法[J]. 武漢大學學報： 信息科學版， 2002，27（3）： 221-233.

[7] 楊學兵，張俊. 決策樹算法及其核心技術[J]. 計算機技術與發展， 2007，17（1）： 43-45.endprint

本文方法和傳統的距離計算法的區別是：本文直接計算基站的最近基站距離，然后根據周邊基站的方位角度和距離關系來判斷該基站的第一鄰區歸屬，并計算出第一鄰區平均距離，再根據最近基站距離、平均距離、站高以及第一層緊密鄰區數作為決策樹的主要因素構建決策樹。

站間距的計算流程如圖2所示。

距離算子包括平均站間距和最近站間距，另外計算第一層緊密鄰區數量，緊密鄰區數是第一層鄰區數量，數據來自于OMC網管的切換統計數據，根據切換占比超過總切換數15%的基站作為第一層鄰區基站，屬性數據模板如表1所示。

4.2 ?決策樹剪枝

在進行決策樹分類時，為防止決策樹和訓練樣本集過分擬合，特別是存在噪聲數據或不規范屬性時更為突出，需要對決策樹進行剪枝[5]。剪枝算法通常利用統計方法決定是否將一個分支變為一個結點，通常采用預先剪枝方法（pre-pruning）和后剪枝方法（post-pruning）進行決策樹剪枝。預先剪枝方法的優點是在樹生長的同時就進行了剪枝，因此效率高，但是它可能產生“視覺界限”，即斷絕了其后繼節點進行分支操作的任何可能性;后剪枝方法是當決策樹的生長過程完成后再進行剪枝，該方法比預先剪枝方法計算時間長，但是可以獲得一個分類更準確的決策樹。一個好的折中方法是預先剪枝也可以與后剪枝相結合，從而構成混合剪枝方法。

4.3 ?結果與分析

本文采用的決策樹生成實驗工具是Matlab7.0，訓練樣本集為浙江TD-LTE某試商用城市先期開通的401個TD-LTE室外站點，檢驗數據集為后期開通的98個新TD-LTE站點。

本實驗TD-LTE系統的主要參數設置為：系統帶寬20M，采用F頻段，上下行配比為1：3，特殊子幀配比為9：3：2，MIMO方式為2*2。運用Matlab7.0自帶的決策樹算法，輸出結果如圖3所示，原始數據分為10個類，其中△表示根節點，○表示葉子節點，左向箭頭判斷為“是”，右向箭頭判斷為“否”。

為了更好地表征分類結果，本文采用了事后修剪方法，將之前決策樹建立的10個類按照結果速率的大小進行了類的合并，最終形成了5個類，分別對應低速率、較低速率、中等速率、較高速率和高速率，具體如表2所示。

運用前面的決策樹分類依據，對新建設的98個TD-LTE站點進行了PDCP層下載速率預評估，在站點全部開通后又采用MiFi測試終端進行了拉網速率測試，然后將預測數據和實測數據進行分類精度檢驗，結果如表3所示：

表3 ? ?分類檢驗精度

類別 1 2 3 4 5

測試集數量 8 17 26 16 21

正確分類數 7 16 17 22 18

分類的精度/% 87.5 94.1 73.9 75.9 85.7

總精度/% 81.6

從測試結果來看，總體精度達到了81.6%，對低速率第1類和第2類的識別準確性還是比較高，而對第3類和第4類的識別有些偏差，即存在規劃問題的站點測試速率較差，但滿足高速率條件的規劃站點不一定達到高速率要求，這說明還存在其他的因素影響實際測試速率。

5 ? 總結

本文以TD-LTE基站的最近站間距、平均站間距、站高、第一層緊密鄰區數作為分類的特征數據，以每個基站實際測試PDCP層下載速率為優化目標，構建了決策樹算法，將基站類型分為5類。從分類的結果可以看出：

（1）在TD-LTE建網初期，平均站間距是影響速率的主要因素，必須保證站間距在一定的合理范圍之內，本試點區域的理想門限是415m。

（2）站高要合理。站間距較小時，站高需要控制較低;而站間距較大時，站高可以適當高一些。

（3）最近站間距不能太小。

（4）緊密鄰區數在平均站間距不大時也需要進行控制。

需要注意的是，不同城市的場景有所差異，本文所在城市環境得出的結果對相似環境的地區有參考意義，而對差別較大的區域則需要根據實地情況進行決策樹分析。

此外，從后續的歸類錯誤的站點問題原因分析可知，要保證網絡的高速率，除了基站的規劃建設要求達標之外，參數設置、PCI規劃、鄰區配置、終端性能都會帶來一定的影響，這也是后續繼續深入研究的方向。

參考文獻：

[1] Iana Siomina1， Di Yuan. Analysis of Cell Load Coupling for LTE Network Planning and Optimization[A]. IEEE International Conference on Communications 2012 （ICC 2012）[C]. 2012： 1357-1361.

[2] E Amaldi， A Capone， F Malucelli， et al. Mannino， Optimization Problems and Models for Planning Cellular Networks[M]. In M Resende and P Pardalos， editors， Handbook of Optimization in Telecommunications. Springer Science， 2006： 917-939.

[3] Quinlan J R. Induction of Decision Tree[J]. Machine Learing， 1986，1（1）： 81-106.

[4] Quinlan J R. Bagging， Boosting and C4.5[A]. Proceedings of the 13th International Conference on Artificial Intelligence[C]. Portland： AAI Press， 1996，9（2）： 300-306.

[5] 申文明，王文杰，羅海江，等. 基于決策樹分類技術的遙感影像分類方法研究[J]. 遙感技術與應用， 2007，22（3）： 333-338.

[6] 李德仁，王樹良，李德毅，等. 論空間數據挖掘和知識發現的理論與方法[J]. 武漢大學學報： 信息科學版， 2002，27（3）： 221-233.

[7] 楊學兵，張俊. 決策樹算法及其核心技術[J]. 計算機技術與發展， 2007，17（1）： 43-45.endprint

本文方法和傳統的距離計算法的區別是：本文直接計算基站的最近基站距離，然后根據周邊基站的方位角度和距離關系來判斷該基站的第一鄰區歸屬，并計算出第一鄰區平均距離，再根據最近基站距離、平均距離、站高以及第一層緊密鄰區數作為決策樹的主要因素構建決策樹。

站間距的計算流程如圖2所示。

距離算子包括平均站間距和最近站間距，另外計算第一層緊密鄰區數量，緊密鄰區數是第一層鄰區數量，數據來自于OMC網管的切換統計數據，根據切換占比超過總切換數15%的基站作為第一層鄰區基站，屬性數據模板如表1所示。

4.2 ?決策樹剪枝

在進行決策樹分類時，為防止決策樹和訓練樣本集過分擬合，特別是存在噪聲數據或不規范屬性時更為突出，需要對決策樹進行剪枝[5]。剪枝算法通常利用統計方法決定是否將一個分支變為一個結點，通常采用預先剪枝方法（pre-pruning）和后剪枝方法（post-pruning）進行決策樹剪枝。預先剪枝方法的優點是在樹生長的同時就進行了剪枝，因此效率高，但是它可能產生“視覺界限”，即斷絕了其后繼節點進行分支操作的任何可能性;后剪枝方法是當決策樹的生長過程完成后再進行剪枝，該方法比預先剪枝方法計算時間長，但是可以獲得一個分類更準確的決策樹。一個好的折中方法是預先剪枝也可以與后剪枝相結合，從而構成混合剪枝方法。

4.3 ?結果與分析

本文采用的決策樹生成實驗工具是Matlab7.0，訓練樣本集為浙江TD-LTE某試商用城市先期開通的401個TD-LTE室外站點，檢驗數據集為后期開通的98個新TD-LTE站點。

本實驗TD-LTE系統的主要參數設置為：系統帶寬20M，采用F頻段，上下行配比為1：3，特殊子幀配比為9：3：2，MIMO方式為2*2。運用Matlab7.0自帶的決策樹算法，輸出結果如圖3所示，原始數據分為10個類，其中△表示根節點，○表示葉子節點，左向箭頭判斷為“是”，右向箭頭判斷為“否”。

為了更好地表征分類結果，本文采用了事后修剪方法，將之前決策樹建立的10個類按照結果速率的大小進行了類的合并，最終形成了5個類，分別對應低速率、較低速率、中等速率、較高速率和高速率，具體如表2所示。

運用前面的決策樹分類依據，對新建設的98個TD-LTE站點進行了PDCP層下載速率預評估，在站點全部開通后又采用MiFi測試終端進行了拉網速率測試，然后將預測數據和實測數據進行分類精度檢驗，結果如表3所示：

表3 ? ?分類檢驗精度

類別 1 2 3 4 5

測試集數量 8 17 26 16 21

正確分類數 7 16 17 22 18

分類的精度/% 87.5 94.1 73.9 75.9 85.7

總精度/% 81.6

從測試結果來看，總體精度達到了81.6%，對低速率第1類和第2類的識別準確性還是比較高，而對第3類和第4類的識別有些偏差，即存在規劃問題的站點測試速率較差，但滿足高速率條件的規劃站點不一定達到高速率要求，這說明還存在其他的因素影響實際測試速率。

5 ? 總結

本文以TD-LTE基站的最近站間距、平均站間距、站高、第一層緊密鄰區數作為分類的特征數據，以每個基站實際測試PDCP層下載速率為優化目標，構建了決策樹算法，將基站類型分為5類。從分類的結果可以看出：

（1）在TD-LTE建網初期，平均站間距是影響速率的主要因素，必須保證站間距在一定的合理范圍之內，本試點區域的理想門限是415m。

（2）站高要合理。站間距較小時，站高需要控制較低;而站間距較大時，站高可以適當高一些。

（3）最近站間距不能太小。

（4）緊密鄰區數在平均站間距不大時也需要進行控制。

需要注意的是，不同城市的場景有所差異，本文所在城市環境得出的結果對相似環境的地區有參考意義，而對差別較大的區域則需要根據實地情況進行決策樹分析。

此外，從后續的歸類錯誤的站點問題原因分析可知，要保證網絡的高速率，除了基站的規劃建設要求達標之外，參數設置、PCI規劃、鄰區配置、終端性能都會帶來一定的影響，這也是后續繼續深入研究的方向。

參考文獻：

[1] Iana Siomina1， Di Yuan. Analysis of Cell Load Coupling for LTE Network Planning and Optimization[A]. IEEE International Conference on Communications 2012 （ICC 2012）[C]. 2012： 1357-1361.

[2] E Amaldi， A Capone， F Malucelli， et al. Mannino， Optimization Problems and Models for Planning Cellular Networks[M]. In M Resende and P Pardalos， editors， Handbook of Optimization in Telecommunications. Springer Science， 2006： 917-939.

[3] Quinlan J R. Induction of Decision Tree[J]. Machine Learing， 1986，1（1）： 81-106.

[4] Quinlan J R. Bagging， Boosting and C4.5[A]. Proceedings of the 13th International Conference on Artificial Intelligence[C]. Portland： AAI Press， 1996，9（2）： 300-306.

[5] 申文明，王文杰，羅海江，等. 基于決策樹分類技術的遙感影像分類方法研究[J]. 遙感技術與應用， 2007，22（3）： 333-338.

[6] 李德仁，王樹良，李德毅，等. 論空間數據挖掘和知識發現的理論與方法[J]. 武漢大學學報： 信息科學版， 2002，27（3）： 221-233.

[7] 楊學兵，張俊. 決策樹算法及其核心技術[J]. 計算機技術與發展， 2007，17（1）： 43-45.endprint