基于機(jī)器學(xué)習(xí)的5G共建共享站址選取方法

沈 浩，鐘 勇（.中訊郵電咨詢?cè)O(shè)計(jì)院有限公司，北京 00048；.山東省郵電工程有限公司，山東濟(jì)南5000）

1 概述

隨著移動(dòng)數(shù)據(jù)的需求爆炸式增長(zhǎng)，現(xiàn)有移動(dòng)通信系統(tǒng)難以滿足未來(lái)的業(yè)務(wù)需求，5G 網(wǎng)絡(luò)應(yīng)運(yùn)而生。5G 網(wǎng)絡(luò)建設(shè)的投資將遠(yuǎn)遠(yuǎn)超過(guò)4G。根據(jù)預(yù)測(cè)，如果中國(guó)按照3 家運(yùn)營(yíng)商各自建網(wǎng)的方式，5G 總投資預(yù)計(jì)將達(dá)到1.15萬(wàn)億元人民幣，遠(yuǎn)高于4G。面對(duì)如此巨大的投資壓力，運(yùn)營(yíng)商采用5G 共建共享的方式，就可以有效分?jǐn)偩W(wǎng)絡(luò)建設(shè)和維護(hù)成本，快速實(shí)現(xiàn)5G 網(wǎng)絡(luò)覆蓋，及早具備5G 業(yè)務(wù)服務(wù)能力。5G 共建共享工作中，對(duì)現(xiàn)網(wǎng)站點(diǎn)的優(yōu)先級(jí)規(guī)劃是重要的基礎(chǔ)工作，需要網(wǎng)絡(luò)建設(shè)經(jīng)驗(yàn)豐富的人員通過(guò)分析網(wǎng)絡(luò)布局與業(yè)務(wù)分布進(jìn)行規(guī)劃，分析過(guò)程復(fù)雜費(fèi)時(shí)。為了更加方便快捷地進(jìn)行合理的站址規(guī)劃，結(jié)合機(jī)器學(xué)習(xí)中計(jì)算機(jī)模擬或?qū)崿F(xiàn)人類的學(xué)習(xí)行為，利用BP 神經(jīng)網(wǎng)絡(luò)進(jìn)行建模，通過(guò)輸入現(xiàn)網(wǎng)站點(diǎn)的各類基礎(chǔ)信息與初期網(wǎng)絡(luò)建設(shè)人員給出的劃分結(jié)果，訓(xùn)練站點(diǎn)分類模型，后續(xù)只需要將其他站點(diǎn)的基礎(chǔ)信息輸入站點(diǎn)分類模型，就能自動(dòng)得出合理的站址規(guī)劃，節(jié)省人工分析成本，加快5G共建共享建設(shè)進(jìn)度。

2 站點(diǎn)基礎(chǔ)數(shù)據(jù)類型選取

要使用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行建模，需要先選取輸入神經(jīng)網(wǎng)絡(luò)的參數(shù)類型。為了訓(xùn)練5G 站點(diǎn)建設(shè)的分類模型，需要提供能夠影響5G站點(diǎn)建設(shè)的基礎(chǔ)參數(shù)。參考以往3G/4G 網(wǎng)絡(luò)建設(shè)經(jīng)驗(yàn)與5G 網(wǎng)絡(luò)技術(shù)特點(diǎn)，認(rèn)為運(yùn)營(yíng)商現(xiàn)有基站的布局結(jié)構(gòu)參數(shù)與業(yè)務(wù)能力是影響網(wǎng)絡(luò)建設(shè)的關(guān)鍵因素。基站與周圍站點(diǎn)的站間距是體現(xiàn)網(wǎng)絡(luò)布局結(jié)構(gòu)的關(guān)鍵參數(shù)；基站的站高能夠影響基站的覆蓋范圍，是影響站點(diǎn)建設(shè)的重要因素；基站日均業(yè)務(wù)量是衡量基站覆蓋范圍內(nèi)業(yè)務(wù)能力的常用指標(biāo)；本次建模將采用布局結(jié)構(gòu)參數(shù)中的站高、站間距、日均業(yè)務(wù)量等關(guān)鍵參數(shù)作為BP神經(jīng)網(wǎng)絡(luò)的輸入?yún)?shù)。

本次BP 神經(jīng)網(wǎng)絡(luò)建模的輸入數(shù)據(jù)以中國(guó)某中部城市運(yùn)營(yíng)商市區(qū)1 027 個(gè)基站的基礎(chǔ)數(shù)據(jù)，包括站高、周圍最近基站的站間距、2019 年12 月的日均4G 業(yè)務(wù)量為樣本，該樣本中80%的條目作為訓(xùn)練輸入數(shù)據(jù)，另外20%的條目作為驗(yàn)證站點(diǎn)分類模型準(zhǔn)確性的校驗(yàn)集。

3 BP神經(jīng)網(wǎng)絡(luò)

BP 神經(jīng)網(wǎng)絡(luò)是一種通過(guò)輸出誤差逆向傳播訓(xùn)練的多層神經(jīng)網(wǎng)絡(luò)，是機(jī)器學(xué)習(xí)中目前應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)模型之一。BP 神經(jīng)網(wǎng)絡(luò)能夠反向?qū)W習(xí)輸入數(shù)據(jù)與輸出數(shù)據(jù)之間映射關(guān)系的數(shù)學(xué)方程。它的學(xué)習(xí)是通過(guò)使用最速下降法，把輸出的誤差反向傳播來(lái)不斷調(diào)整整個(gè)神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值，使網(wǎng)絡(luò)的誤差平方之和達(dá)到理想值。BP 神經(jīng)網(wǎng)絡(luò)模型拓?fù)浣Y(jié)構(gòu)包括輸入層、隱藏層和輸出層，如圖1所示。

圖1 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

隱藏層的節(jié)點(diǎn)個(gè)數(shù)經(jīng)驗(yàn)公式為：

式中：

L——隱藏層的節(jié)點(diǎn)個(gè)數(shù)

m——輸入節(jié)點(diǎn)數(shù)

n——輸出節(jié)點(diǎn)數(shù)

當(dāng)模型的實(shí)際輸出與期望輸出不符時(shí)，由于隱藏層節(jié)點(diǎn)的誤差無(wú)法直接計(jì)算，需要反向傳播算法利用輸出層節(jié)點(diǎn)的預(yù)測(cè)誤差計(jì)算上一層隱藏節(jié)點(diǎn)的誤差，即從后往前逐層把誤差反向傳播到輸入層，從而實(shí)現(xiàn)對(duì)整個(gè)神經(jīng)網(wǎng)絡(luò)節(jié)點(diǎn)權(quán)重的調(diào)整，輸出層的誤差按梯度下降法反向修正各層權(quán)重。BP 神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過(guò)程就是不斷地正向傳播輸入信息與反向傳播誤差，反向傳播算法不斷地調(diào)整各層權(quán)重，直到神經(jīng)網(wǎng)絡(luò)輸出層的誤差減少到期望值，或者達(dá)到預(yù)先設(shè)定的學(xué)習(xí)次數(shù)為止。

在BP 神經(jīng)網(wǎng)絡(luò)中，設(shè)模型權(quán)重矩陣W=(W1,W2,…,Wj,…,Wl)，其中列向量Wj=(Wj1,Wj2,…,Wjm)表示輸出層神經(jīng)元j與隱藏層神經(jīng)元k的連接權(quán)重。

對(duì)于神經(jīng)網(wǎng)絡(luò)的輸出層有：

對(duì)于神經(jīng)網(wǎng)絡(luò)的隱藏層有：

當(dāng)神經(jīng)網(wǎng)絡(luò)的輸出與期望的輸出差距較大時(shí)，這個(gè)差距即為輸出誤差，其定義如下：

根據(jù)式（4）可以看出，神經(jīng)網(wǎng)絡(luò)輸出的誤差E是關(guān)于各層權(quán)值的函數(shù)，所以可以通過(guò)改變神經(jīng)網(wǎng)絡(luò)各層的權(quán)值來(lái)改變誤差E的大小。為了使誤差E不斷減少，要求權(quán)值的調(diào)整量與誤差的負(fù)梯度成正比，即：

式（5）中，比例系數(shù)η為常數(shù)，它就是神經(jīng)網(wǎng)絡(luò)訓(xùn)練中的學(xué)習(xí)速率。

所以可以把權(quán)值的具體計(jì)算公式擴(kuò)展為：

最終根據(jù)以上公式，可以通過(guò)python 編程實(shí)現(xiàn)BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練代碼，輸入現(xiàn)網(wǎng)站點(diǎn)的各類基礎(chǔ)信息與初期網(wǎng)絡(luò)建設(shè)人員給出的劃分結(jié)果，訓(xùn)練站點(diǎn)分類模型。

4 神經(jīng)網(wǎng)絡(luò)訓(xùn)練結(jié)果

根據(jù)BP 神經(jīng)網(wǎng)絡(luò)權(quán)值計(jì)算公式通過(guò)python 編程實(shí)現(xiàn)后，把參數(shù)樣本中80%的條目作為訓(xùn)練輸入數(shù)據(jù)，隱藏層按照經(jīng)驗(yàn)值公式取4，訓(xùn)練站點(diǎn)分類模型。為了評(píng)估訓(xùn)練出的站點(diǎn)分類模型的泛用性，把樣本中剩下的20%條目作為校驗(yàn)集，驗(yàn)證站點(diǎn)分類模型在訓(xùn)練樣本之外的準(zhǔn)確性。隱藏層為4的情況下訓(xùn)練的站點(diǎn)分類模型校驗(yàn)準(zhǔn)確率為55.6%，分類效果不理想。

在增加隱藏層數(shù)量后，分類模型校驗(yàn)準(zhǔn)確率逐步提升。在設(shè)置隱藏層數(shù)量為10之后，站點(diǎn)分類模型校驗(yàn)準(zhǔn)確率最高，隱藏層數(shù)量繼續(xù)增加后校驗(yàn)準(zhǔn)確率下降，出現(xiàn)過(guò)度擬合的趨勢(shì)。隱藏層數(shù)量為10的校驗(yàn)準(zhǔn)確率達(dá)到94.6%，分類效果較為理想，能夠準(zhǔn)確分辨站點(diǎn)的建設(shè)優(yōu)先級(jí)情況。

在驗(yàn)證模型分類對(duì)于檢驗(yàn)集的校驗(yàn)準(zhǔn)確率達(dá)到90%以上后，我們還將此方法用來(lái)對(duì)中國(guó)某中部城市運(yùn)營(yíng)商基站進(jìn)行5G建設(shè)優(yōu)先級(jí)劃分，模型篩選出來(lái)的高建設(shè)優(yōu)先級(jí)的基站與該城市2019 年5G 建設(shè)站點(diǎn)重疊率在80%以上，整個(gè)分類運(yùn)算時(shí)間在1 h 之內(nèi)，效率遠(yuǎn)高于人工排序，這表明在逐步調(diào)整優(yōu)化算法與參數(shù)后，此方法將具備很高的實(shí)用潛力。

5 總結(jié)

隨著5G共建共享的需求越來(lái)迫切，基于多家運(yùn)營(yíng)商現(xiàn)有基站的建設(shè)優(yōu)先級(jí)規(guī)劃也越來(lái)越重要。本文把機(jī)器學(xué)習(xí)中使用的BP 神經(jīng)網(wǎng)絡(luò)利用到建設(shè)優(yōu)先級(jí)規(guī)劃中來(lái)，通過(guò)計(jì)算機(jī)模擬經(jīng)驗(yàn)豐富的網(wǎng)絡(luò)規(guī)劃人員進(jìn)行建設(shè)優(yōu)先級(jí)規(guī)劃工作，訓(xùn)練模型的排序結(jié)果與人工排序結(jié)果的重疊度能夠達(dá)到90%以上，訓(xùn)練模型在某城市基站5G 建設(shè)優(yōu)先級(jí)排序的結(jié)果也與該城市前期建設(shè)站點(diǎn)重疊度超過(guò)80%，準(zhǔn)確性較高。可以預(yù)見(jiàn)，采用機(jī)器學(xué)習(xí)模擬網(wǎng)絡(luò)規(guī)劃人員進(jìn)行建設(shè)優(yōu)先級(jí)規(guī)劃工作，能夠釋放繁瑣的人工排序工作，極大地提升5G 共建共享站址選取的效率，加快運(yùn)營(yíng)商提供5G業(yè)務(wù)服務(wù)的能力，具備廣闊的應(yīng)用前景。