5G大規模天線陣列波束權值自優化系統

袁亞男 王朝陽 錢國寶 賀小蓉 郭大干

1.中國移動通信集團江蘇有限公司鹽城分公司；

2.揚州大學

0 引言

隨著通信技術的不斷進步，人們對網絡體驗的要求越來越高，做好無線資源的充分合理應用變得更加重要，在未來，通信系統設計需要能夠更加合理地利用帶寬資源，從而大幅提升頻譜效率。目前，5G大規模采用MM（Massive Multiple-Input Multiple-Output，大規模多入多出）技術天線部署方式。怎樣更加合理地應用波束賦形技術解決邊緣場景覆蓋能力弱及深度覆蓋能力不足的問題，是當前5G網絡建設亟待解決的問題。

本文基于MDT數據，研究出一種MM小區的波束與場景的適配方法，實現場景級的個性化配置。該方法通過建立天線到用戶的三維模型，提取天線到用戶的向量關系特征數據，利用統計學分析得出初始最優解，然后配置到現網，并進行循環往復的閉環評估，逐漸收斂波束到現網最優解，最終增強網絡覆蓋能力，提高下載速率，提升用戶使用體驗。

目前，5G MM天線部署開通時的配置均為默認場景，無法充分發揮5G多波束天線的優勢。5G NR（New Radio，新空口技術）早期部署采用NSA（Non-Standalone，非獨立組網）模式，當前5G網絡側尚無成熟的MR（Measure Report，測量報告）、MDT信令軟采集系統部署，所以沒有5G的MDT數據可以采集，網絡優化MM站點時，周邊覆蓋場景主要依靠人員現場勘測，優化費用高且效率低。因缺少對MM性能的自動檢測機制，不能發現及測算因波束方案部署不合理造成的性能、流量損失。因此對MM權值配置的自優化研究將有助于發揮天線最優性能，最大化提升網絡資源利用率。

1 技術方案

1.1 大規模天線陣列波束賦形技術原理

MDT是3GPP（3rd Generation Partnership Project，第三代合作伙伴項目）提出來的進行部分替代DT（Drive Test，即驅車測試，一般業內稱路測）、CQI（Call Quality Test，呼叫質量測試，一般業內稱定點測試）測試方法，并降低OPEX（Operating Expense，運營成本）成本的自動優化方案。主要通過GPS定位信息，結合MR原始上報的用戶RSRP（Reference Signal Receiving Power，參考信號接收功率）、RSRQ（Reference Signal Receiving Quality，參考信號接收質量）等網絡性能信息，利用大數據分析處理方法，可以更精確地掌握網絡覆蓋模型及用戶感知體驗。

根據最新的檢索數據顯示，已有相關針對Massive MIMO天線波束優化方法的研究理論。但其大多是采用用戶的話務模型來調優，對網絡實際覆蓋能力的考慮有較大欠缺。本研究基于3D MDT的5G波束智能管理，從用戶的實際位置考慮，進行三維空間位置研究，形成一套智能優化方法。首先，采集并處理4G用戶3D MDT基礎數據，精準定位現網用戶覆蓋需求，使用大數據建模算法輸出天線波束（水平方位、垂直方位、水平波瓣角、垂直波瓣角等）覆蓋方向及范圍，基于AI循環調優算法，確定最佳波束場景；其次，根據4G、5G小區的天饋共用信息進行一對一映射，以獲得5G最佳波束場景，最終，形成5G波束智能管理方案，本項目方案系統架構圖如圖1所示。

圖1 基于MR/MDT大數據的MM權值AI優化系統架構圖

1.2 關鍵步驟的具體實現

1.2.1 用戶MDT大數據采集與清洗

數據采集：網管平臺完成MDT基礎數據訂閱與采集，無需現場進行DT、CQT測試。

數據整合：因MDT采集的數據量龐大，每小時可產生“4×站點數”的文件，人工使用Excel不可能完成一個地市1.2萬余個站點的數據分析。對此，借助Python語言的快速開發特點，自研Python小工具。經過數據獲取識別、數據清洗、數據匯聚、數據處理等步驟，將海量數據自動分析并提取到一張數據建模匯聚表中。

數據清洗：通過Python數據處理pandas模塊完成數據清洗與數據建模計算。

在數據提取階段，可同步完成數據的預處理，即生成“.csv”文件。使用Python中的pandas模塊，將數據引入到DataFrame數據中，并進行數據的清洗與處理。

數據清洗，思路采用基于采樣點密度和有效性的處理方法，將低密度的邊緣點剔除。這里采用DBSCAN（Density-Based Spatial Clustering of Applications with Noise）基于密度的聚類算法實現。

DBSCAN算法描述，如圖2所示。

圖2 DBSCAN鄰接關系圖

輸入：包含n個對象的數據庫，半徑e，最少數目MinPts。

輸出：所有生成的簇，達到密度要求。

（1）Repeat；

（2）從數據庫中抽出一個未處理的點；

（3）如果，抽出的點是核心點。那么，找出所有從該點密度可達的對象，形成一個簇；

（4）否則，抽出的點是邊緣點（非核心對象），跳出本次循環，尋找下一個點；

（5）直到所有的點都被處理。

數據清洗的實現流程，如圖3所示。結果將保留綠色密集區域采樣點，周邊的離散點將會被過濾掉。

圖3 MDT采樣點分布和GE三維呈現

1.2.2 用戶3D建模及模型的回歸分析

完成數據清洗后，將小區（無線覆蓋區域，即天線電磁波覆蓋區域）的天面數據和用戶3D數據做數據集成處理。實現CELL-UE（小區-用戶終端）級海量數據的3D向量建模與計算，并輸出以向量為媒介的屬性數據信息。

圖4中，右圖的藍色菱形為天線位置，散點為UE位置。L、R為水平方向包絡面的左右外切邊界，其夾角構成水平波瓣寬度；U、D為垂直方向包絡面的上下外切邊界，其夾角構成垂直波瓣寬度。

圖4 CELL-UE向量呈現（左）、天線與UE的3D關系（右）

向量特征提?。菏紫葘⑿^數據、MDT數據相關聯，得到小區經緯度、小區掛高、UE經緯度、UE高度，建立每個MDT樣本點的三維空間向量模型，并提取方位角、傾角屬性。

回歸分析：將每個小區的N個MDT采樣點數據的方位角、傾角數據，分別輸入sklearn.cluster科學計算包進行回歸分析，并輸出最大值及上下邊界。經過統計分析，當正態分布第一參數，取為俯仰角，上下邊界可根據置信度做樣本包絡為垂直波瓣寬度范圍。

通過建模與回歸分析后，將可以擬合出小區的天面電磁覆蓋包絡參數組（水平波瓣寬度、垂直波瓣寬度、俯仰角、水平方位角）。

1.2.3 波束場景自學習

考慮到設備商對波束場景的設置限制，這里參照華為5G設備設置方法。華為設備共計支持17種波束場景設置，分別為DEFAULT、Scenario_0到16，且其場景設置值為離散值，而輸出的小區天面電磁覆蓋包絡參數組數據均為連續值，導致無法將擬合的數據直接應用到現實中。

對此，采用機器學習的思路，對擬合的連續值數據做離散化處理，以適配最優可實現波束場景設置。這里，通過sklearn.tree包的CART算法完成波束的自動學習與波束匹配。如圖5所示。

圖5 波束場景自學習

2 應用成果

（1）單點驗證速率提升10.41%

選擇**-**-***-NR進行驗證，如表1所示。

表1 站點三扇區波寬和匹配場景

現場核實驗證，**_**_***FD_0小區方向為4～5層商鋪，**_**_***FD_1小區方向為低層商鋪，**_**_***FD_2小區方向為18層左右小高層，與MDT擬合結果完全一致。

分別在三個扇區內進行打點測試，對比默認波束賦形和場景化波束賦形的差異。場景化波束較默認波束的平均電平提升2.3dB，平均SINR（Signal to Interference plus Noise Ratio，信號與干擾加噪聲比）提升1.66dB，平均下載速率提升61.46Mbps，提升幅度10.41%。

圖6 三扇區測試指標（NR平均RSRP）

圖7 三扇區測試指標（NR平均SINR）

（2）微區域應用速率提升14.45%

選擇連片的10個站點進行場景化波束智能設置。對微區域進行拉網測試，對比默認波束和場景化波束的差異?？梢园l現場景化波束相比默認波束，平均RSRP提升5.79dB，但是SINR提升9.43dB、達到21.51dBm，平均下載速率提升87.03Mbps，提升幅度達到14.45%。

圖8 三扇區測試指標（NR平均下載速率）

統計微區域性能指標，最大用戶數、業務量提升明顯，上行干擾降低1.62dB，下行用戶平均吞吐率提升76.95Mbps，提升幅度24.08%。微區域日均流量增長超50%，整體來看5G性能、覆蓋和業務吸收均改善明顯。

3 結束語

根據對當前NSA Option 3X組網模式下用戶接入、業務數據傳輸等流程的理解，在前期的MDT大數據分析基礎上，延伸開展三維立體用戶模型建模，從而立體呈現終端分布，開展Beam級優化工作。利用“大數據眾籌理念”，使用MDT數據代替網絡測試數據，從時間效率、資源效率、物質成本三個方面達到降本增效的目的，拓展網絡優化工作“自動化”進程。通過MM波束賦形技術有效地解決城區不同場景下的覆蓋效果，方案可通過MM波束AI自優化循環評估調優，實現方案效果的最優化。而且利用MDT數據進行計算與分析，優化人員只需將站點場景及周邊小區信息進行信息采集，輸出推薦方案，并落地實施，能夠有效提升人員優化的精準性，節省人力物力。