基于機器學習的5G 低流量覆蓋區(qū)域無線網絡精準規(guī)劃選址研究

丁 瑜，鄧敏茜，盧潔珍

（1.南寧職業(yè)技術學院，廣西 南寧 530008；2.廣西建設職業(yè)技術學院，廣西 南寧 530007）

0 引 言

5G 移動通信網絡的大范圍建設及商用，對低流量覆蓋區(qū)域無線網絡精準規(guī)劃選址提出了更高的要求。為了更好地適應5G建設需求，向6G的發(fā)展平穩(wěn)過渡，有必要對5G 移動通信網絡規(guī)劃方法進行探討，科學合理地應用通信最新技術。同時，這將為6G 移動通信網絡規(guī)劃打下堅實基礎。

1 5G 低流量覆蓋區(qū)域特點

5G 系統(tǒng)自身頻率的特點，決定了5G 系統(tǒng)電磁波覆蓋范圍小、穿透力差、傳輸損耗大。而低流量覆蓋區(qū)域往往分布在人口不集中的城市邊緣、鄉(xiāng)鎮(zhèn)及農村等區(qū)域。5G 無線網絡站址規(guī)劃需要同時兼顧覆蓋、容量、質量的需求，能否精準規(guī)劃選址發(fā)揮著關鍵作用。

1.1 5G 低流量覆蓋區(qū)域類型及特點

5G 低流量覆蓋區(qū)域主要包括城邊郊區(qū)、鄉(xiāng)鎮(zhèn)、農村區(qū)域以及道路。城邊郊區(qū)的特點是以居民樓和小型商超為主，整體建筑布局比較松散，高層建筑比較少，單位面積上的客戶密度不大，但是覆蓋、容量、質量等方面較難平衡。鄉(xiāng)鎮(zhèn)的特點與被切割后的城邊郊區(qū)類似。農村區(qū)域主要由行政村和自然村組成，多為低矮建筑，并且呈現分散型分布，范圍較廣，很難形成數據熱點，覆蓋問題成為該類場景重點考慮的因素。受到地形因素的干擾，規(guī)劃、建設移動通信網絡后，往往由于山體遮擋等留下網絡黑點[1]。道路專指鐵路（含高速鐵路）、高速公路、國道、省道，其余道路由其他覆蓋場景所涵蓋[2]。

1.2 5G 低流量覆蓋區(qū)域規(guī)劃難度大

目前，5G 低流量覆蓋區(qū)域擬建站址規(guī)劃普遍停留在憑借一線規(guī)劃人員的主觀經驗，在電子地圖上完成初步選點，再進行現場勘察確認。這種站址規(guī)劃方法不僅無法保證選址位置最優(yōu)，而且要消耗大量的人力、物力資源，規(guī)劃周期較長。

2 方案設計

基于上述，文章提出多層感知器神經網絡和遺傳算法組合的機器學習方法，來完成5G 低流量覆蓋區(qū)域無線網絡精準規(guī)劃選址。多層感知器神經網絡算法具有很好的容錯功能，但是整體優(yōu)化能力不足，收斂速度相對遺傳算法慢[3]。遺傳算法具有整體系統(tǒng)優(yōu)化的功能，但是在局部優(yōu)化方面比較滯后[4]。采用2 種控制算法相組合的方案來進行選址研究，既可以發(fā)揮多層感知器神經網絡局部尋優(yōu)的優(yōu)點來確定單站址規(guī)劃數據，又可以利用遺傳算法整體優(yōu)化的功能去除冗余站址數據。5G 低流量覆蓋區(qū)域單站覆蓋范圍需要最大化，在保障有效覆蓋范圍的同時節(jié)約資源。用多層感知器神經網絡完成初步站址規(guī)劃，以保證單站規(guī)劃數據的局部最優(yōu)有效性，然后在此基礎上加上一定冗余度防止多層感知器神經網絡過度擬合，再采用遺傳算法對5G 低流量覆蓋區(qū)域進行二次規(guī)劃，在確保整體最優(yōu)的同時剔除不必要的冗余站址，從而解決5G 低流量覆蓋區(qū)域精準覆蓋的問題。

2.1 根據5G 低流量覆蓋區(qū)域場景類型確定傳播損耗模型

相較于4G 而言，5G 傳播損耗模型3GPP TR 38.901考慮了人體遮擋損耗、樹木損耗、雨雪衰耗等因素對整體傳播路徑損耗的影響，使其在模型預測評估上更加準確[5]。該傳播損耗模型的簡化工程經驗公式為

式中：PL為路徑損耗，dB；PB為基站發(fā)射功率，dBm；ZB為基站天線增益，dBi；UE為天線增益，dB；N1為子載波數；PK為基站饋線損耗，dB；PC為穿透損耗，dB；PZ為植被損耗，dB；PR為人體損耗，dB；PY為預留干擾余量，dB；PYX為雨/冰雪余量，dB；PS為慢衰落余量，dB；PRZ為熱噪聲功率，dBm；KE為噪聲系數，dB；SINR為解調門限，dB。

該傳播損耗模型經驗公式要根據具體的場景，結合各自的應用頻段特點來靈活運用，將5G 低流量覆蓋區(qū)域場景與該模型相匹配，可以有效評估單站覆蓋半徑。

2.2 采用多層感知器神經網絡進行規(guī)劃選址

2.2.1 確定多層感知器神經網絡模型

本方案采用多層感知器前饋神經網絡，由輸入層、隱層（隱藏層）以及輸出層組成，本層網絡各神經網元互不相連，各相鄰層的神經網元可以互連，如圖1所示[6]。

圖1 多層感知器前饋神經網絡的結構

圖1中，xi表示輸入層第i個網絡神經元的輸入值，yi表示隱層第j個神經元的輸出值，ok表示輸出層第k個神經元的輸出值，vij表示輸入層第i個神經元到隱層第j個神經元的對應權重值，wjk表示隱層第j個神經元到輸出層第k個神經元的對應權重值。

2.2.2 確定訓練多層感知器神經網絡的輸入層和隱藏層數據

多層感知器神經網絡在使用之前必須對其進行訓練，訓練數據的有效性對于輸出結果有重要影響。優(yōu)先采用5G 類似場景數據進行訓練，可以縮短訓練時間。輸入層基站數據包括基站工參數據、日常運行數據等。如果沒有5G 類似場景數據用來參考，根據多層感知器神經網絡訓練擬合經驗，在加權的基礎上，采用2G、3G、4G 現網數據作為輸入層數據來對多層感知器神經網絡進行訓練。隱藏層的節(jié)點個數的確定可以依據經驗數據來確定，然后結合仿真軟件對其調整。

2.2.3 完成多層感知器神經網絡訓練

多層感知器神經網絡訓練本質就是輸出層數據的誤差糾偏過程。當多層感知器神經網絡模型的輸出層數據與期望值不符時，將通過反向傳播算法來計算隱藏節(jié)點的誤差，逐步傳輸給輸入層，來完成整個多層感知器神經網絡模型各權重值的調整，直到輸出層數據與期望值誤差在可接受范圍內。

2.3 采用遺傳算法對5G 低流量覆蓋區(qū)域規(guī)劃進行優(yōu)化

遺傳算法的本質是自適應優(yōu)化算法的迭代，借助計算機對類生物系統(tǒng)進行模擬研究，將大自然界遺傳和優(yōu)勝劣汰的運行機制應用于復雜系統(tǒng)的優(yōu)化。遺傳優(yōu)化算法可以有效通過多次的運算結果統(tǒng)計或只通過一個度量函數梯度，就可以完成對自然界中生物遺傳和優(yōu)勝劣汰進化過程的模擬，進而搜索到最優(yōu)解序列。本方案采用遺傳算法進行已有規(guī)劃數據的優(yōu)化，其二次規(guī)劃方法如圖2 所示。

圖2 遺傳算法的二次規(guī)劃方法

為了避免多層感知器神經網絡可能帶來的實際偏差，使遺傳算法規(guī)劃更加有效，設計中將多層感知器神經網絡所完成的規(guī)劃數據進行冗余處理。在規(guī)劃站址60 m 圓周邊界的東、西、南、北4 個方向上，對稱增加4 個基站，天線方向角等其他工參數據不變。以新增加的基站數據作為冗余數據，用來規(guī)避過擬合等原因可能帶來的局部最優(yōu)數據的丟失。將冗余數據和多層感知器神經網絡的初始輸出數據作為初步規(guī)劃數據輸入給遺傳算法系統(tǒng)。傳播損耗模型依然采用式（1）計算。通過有效覆蓋范圍目標、通信質量目標等限制條件來設計控制函數。在5G 低流量覆蓋區(qū)域，用最少的基站解決最大的覆蓋范圍問題，是本研究規(guī)劃工作的重點。該區(qū)域基站投放的精準度決定了規(guī)劃基站的數量。采用遺傳算法進行二次規(guī)劃時，可以通過不斷調整重要參數（個體染色體的長度）進行試驗而得到最優(yōu)基站的數量，只要確定了滿足控制函數要求的最短染色體長度，就可以推算出最優(yōu)規(guī)劃的最少基站數量。在控制函數和判別條件的約束下，遺傳算法系統(tǒng)最終輸出的基站站址規(guī)劃數據作為組合機器學習系統(tǒng)的站址規(guī)劃輸出結果。

3 規(guī)劃案例分析

采用MATLAB/simulink 搭建基于機器學習的5G低流量覆蓋區(qū)域無線網絡規(guī)劃平臺，如圖3 所示。

圖3 MATLAB/simulink 規(guī)劃平臺結構

采用A 省某運營商低流量區(qū)域1 000 個5G 基站、3 000 個4G 基站和5 000 個2G 基站的現網數據，作為多層感知器神經網絡輸入層的源數據。源數據同時具備離散變量和隨機變量的特點，由2 部分組成：一部分是基站工參數據，主要包括站址經緯度、天線方向角、天線覆蓋方向、天線掛高等；另一部分是現網運行數據，主要包括5G 客戶數量、5G 區(qū)域日均流量、信號與干擾加噪聲比（Signal to Interference plus Noise Ratio，SINR）、4G 網絡駐留時長、2G 高倒流時長、測量報告（Measurement Report，MR）弱覆蓋比例以及邊界接收信號碼功率（Received Signal Code Power，RSRP）等。激活函數采用對數型S 激活函數,隱藏層數量為9。將多層感知器神經網絡的基站規(guī)劃數據信息設置冗余量后，作為遺傳算法的基礎數據。以5G 網絡的覆蓋范圍、覆蓋深度、單站流量等目標構建遺傳算法的控制目標函數以及遺傳算法二次規(guī)劃模塊。遺傳算法二次規(guī)劃后的輸出結果作為擬規(guī)劃站址數據。

采用B 省某運營商低流量區(qū)域現網數據作為校驗對比樣本，與通過組合機器學習的5G 低流量覆蓋區(qū)域無線網絡精準規(guī)劃輸出的站址信息相比。選取以20 m 為半徑的圓周范圍作為站址隔離誤差圓周，在不考慮建設條件等其他因素的條件下，本方案在低流量覆蓋區(qū)域能夠以較少的基站數量滿足現網的覆蓋、容量、質量等相關要求，有效站址契合度達到95%，并且明顯節(jié)約3 個站點的建設成本。仿真模擬規(guī)劃校驗對比結果如圖4 所示。模擬規(guī)劃站址與現網站址的差異見圓圈標注。這3 個基站附近都有5G 基站對其覆蓋范圍進行合理覆蓋，并且周圍建筑低矮、松散，非流量熱點區(qū)域。結果表明，采用基于機器學習的5G 低流量覆蓋區(qū)域無線網絡精準規(guī)劃選址方法可以有效規(guī)避這3 個不合理站址。

圖4 本文選址方法與現網選址校驗對比結果

4 結 論

采用多層感知器神經網絡和遺傳算法組合的機器學習方案，結合5G 現網運行數據，對低流量覆蓋區(qū)域無線網絡精準規(guī)劃選址，對比傳統(tǒng)規(guī)劃方法，本文所用算法更加先進，數據分析、篩選更加全面，自主完成學習改進、優(yōu)化。借助MATLAB/Simulink 建模、處理數據的準確性更高，輸出結果更客觀，有效縮短規(guī)劃選址工作的時間周期。在保障現網運行指標的前提下，節(jié)約了站址資源，能夠有效指導5G 低流量區(qū)域的工程實踐，為無線網絡精準規(guī)劃提供一種新思路。

未來重點是研究人工神經網絡和遺傳算法相融合的無線網絡精準規(guī)劃方法。在一次規(guī)劃數據的處理過程中，融合2 種算法的優(yōu)點。以時分復用模式為參考基礎，采用自適應控制的反步法切割時間間隙[7]，人工神經網絡和遺傳算法輪流進入工作模式，進一步提高算法工作效率。