5G無線網智能規劃研究

摘 要：【目的】實現5G網絡規劃流程自動化，減少大量非必要的人工參與，全面提升網絡規劃效率，實現網絡資源的精準投放。【方法】使用基站覆蓋場景及場點建筑物的智能識別、弱覆蓋區域與聚類算法的站址規劃判定法，通過場景化AAU選型、廣播波束權值規劃等技術對基站和工參進行智能規劃。【結果】建筑物場景智能識別及邊界自動獲取較人工識別效率大大提升，5G覆蓋預測模型的準確率在95%以上，覆蓋水平及初始工參準確率提高10%以上。【結論】研究結果將有力支撐5G網絡的快速部署，建設的精準度大幅提高使5G網絡整體覆蓋水平進一步提高，同時使單位流量能耗占比進一步下降，大大提高社會生產效率。

關鍵詞：智能規劃；場景化AAU選型；廣播波束權值規劃；覆蓋預測模型

中圖分類號：TN929.5" " "文獻標志碼：A" " 文章編號：1003-5168（2023）13-0011-06

DOI：10.19968/j.cnki.hnkj.1003-5168.2023.13.002

Research on Intelligent Planning of 5G Wireless Network

LIU Hongyang

（Luoyang Branch of China United Network Communications Co. Ltd.， Luoyang 471000， China）

Abstract： [Purposes] This paper is to realize the automation of 5G network planning process， reduce a large number of unnecessary manual participation， comprehensively improve the efficiency of network planning， and realize the accurate delivery of network resources.[Methods] The intelligent identification of base station coverage scenes and field buildings， the site planning judgment method of weak coverage area and clustering algorithm are used， and the intelligent planning of base stations and industrial parameters is carried out through scenario-based AAU selection and broadcast beam weight planning. [Findings] The efficiency of intelligent recognition of building scenes and automatic boundary acquisition has been greatly improved compared with that of manual recognition. The accuracy of 5G coverage prediction model has reached more than 95%， and the coverage level and the accuracy of initial work parameters have been improved by more than 10%.[Conclusions] The findings powerfully support the rapid deployment of 5G networks， greatly improve the accuracy of construction， further improve the overall coverage level of 5G networks， further reduce the proportion of energy consumption per unit flow， and greatly improve social production efficiency.

Keywords：intelligent planning; scenario-based AAU selection; broadcast beam weight planning; overlay prediction model

0 引言

近年來，我國5G網絡建設如火如荼。5G網絡在網絡架構、空中接口、頻譜等方面實現革命性變化，可滿足mMTC、eMBB、uRLLC等典型應用場景的業務需求。新頻譜、新空口、新業務、新場景給5G無線網絡規劃帶來更多挑戰，包括高頻段導致傳統傳播模型的不適用，Massive MIMO的場景化精準建模，新業務對待機、時延、可靠性等方面需求各不相同，新應用場景相關的傳播特性、組網方案無經驗可循等。因此，引入基于大數據智能網絡分析的5G無線網規劃方法來提升5G規劃效率與準確性是有必要的。

1 覆蓋場點建筑物及場景的獲取

準確識別和確定基站覆蓋區域建筑物的場景屬性及其邊界范圍是實施精準規劃的基礎，通過爬蟲技術來爬取在線地圖，得到建筑物場點場景、邊界等信息庫，并生成場點建筑物邊界圖層，實現對覆蓋區域場景和范圍的準確識別。將場點場景、邊界等信息庫與市場、集團大客戶、行業應用的廠礦企事業單位、重要政府部門信息相結合，從而實現精準定位覆蓋目標與用戶群。

1.1 地理信息邊界采集

邊框信息可通過商用地圖的Point of Interest（POI）、Area of Interest（AOI）接口信息爬取。其原理如下。①根據Application Programming Interface（API）說明來構建獲取POI信息的http鏈接請求；②網站以JavaScript Object Notation（JSON）數據集形式返回數據，包括場景名稱、POI ID和場景邊界等信息；③對數據進行清理、經緯度糾偏后，即可獲得校正后的場景邊界信息；④對有大量場點建筑物且場點建筑物名稱未知的場景，如居民區等，要根據場景類型來批量爬取；⑤利用地圖API來構建“省+城市+場景”類別的請求，獲得該場景下全部場點建筑物的POI ID；⑥在數據清洗后，按照第①步的方法，利用POI ID來遍歷爬取包括經緯度在內的全部場點建筑物邊界信息；⑦最終爬取出的坐標是GCJ-02坐標系，若要對數據進行應用，要轉換為WGS84坐標系；⑧對同一場景，應多次進行爬取，從而保證完整性。對多次未能爬取的場景，要手動進行繪制。在手動繪制圖層時，要注意邊界點應順序編輯（順時針），且首尾邊界要相同，實現邊界閉合。此外，要注意坐標變換，反饋的邊界必須是基于地心坐標系的經緯度；⑨數據可視化。將生成的poi.csv和aoi.csv導入到Arcmap軟件中，對數據進行可視化處理。

1.2 場點建筑物所屬場景信息分類

以某地圖為例，該地圖有全國統一場景標準、名稱、ID、范圍（23個大類、264個中類、869個小類場景），已知場點建筑物名稱的場景按名稱爬取，未知場點名稱的場景則按場景類別全部爬取。

已知建筑物場景名稱的建筑物有高鐵站、機場、5A級旅游景區、三甲醫院等，未知場景名稱的建筑物有大型商業購物區、一類商務辦公區、2 000戶以上小區、政府辦公大廳等。場點建筑物邊界如圖1所示。其中，圖1中的多邊形為場點建筑物邊界的地理化呈現。

將獲取到的場點建筑物信息庫與市場、集團大客戶、行業應用的廠礦企事業單位、重要的政府部門信息相結合，作為基站精準規劃的基礎數據。整理后場點建筑物信息見表1。

2 建筑物高度快速估算

對5G基站進行精準規劃和仿真要采用5 m精度帶建筑物數字三維高精度地圖。由于現階段要得到每個本地網的三維高精度地圖代價較高，對無高精度三維地圖的地區，要尋找一種替代方案來對建筑物高度進行初步快速計算。

使用SketchUp 三維建模軟件來構建建筑的三維模型，根據衛星在線地圖中獲得建筑物二維圖像的拍攝時間來模擬此時太陽在天空中的位置，但創建的建筑物三維模型會產生陰影，調整該三維模型中的太陽方位角，使其與二維圖像的太陽方位角一致。通過不斷優化調整該三維模型的高度，使三維模型生成的陰影與二維圖像陰影完全重合，最終得到的建筑物三維模型的高度與建筑實際高度基本一致［1］。建筑物二維衛星影像及拍攝日期均可從衛星地圖中獲取。建筑物高度的快速估算流程如圖2所示。

以某高層建筑為例，在衛星地圖中找到該建筑物所在區域，然后點擊SketchUp工具菜單中的“文件—添加位置”命令，將衛星地圖中顯示的二維圖像加載到SketchUp軟件中。可利用衛星地圖的“歷史圖像”功能來查閱不同時間拍攝地球表面某一點的歷史衛星影像，通過點擊菜單欄中“歷史圖像”命令，獲取當前衛星影像的拍攝時間。由于拍攝時太陽高度角和建筑物所在地理位置不同，建筑物陰影也會發生相應變化。SketchUp軟件提供模擬光照效果、陰影等功能，可利用衛星影像拍攝時間和建筑物所在地理經緯度的不同，對目標建筑物進行光照、陰影等分析，如圖3所示。經緯度等位置信息可直接從地圖影像上獲得，拍攝時間通過不斷調整軟件設置來獲得。對這兩項進行設置，可在軟件中準確模擬出任意時刻太陽的光照效果，同時可分析太陽方位角、陰影范圍等。

利用本研究提出的方法獲取建筑物高度10次，取其均值，并參考現場測量結果檢查其精度，部分結果見表2。試驗結果表明，使用衛星地圖的二維圖像計算建筑物高度是可行的，計算結果也較為理想。

3 5G覆蓋水平預測

最大路徑損耗和參考信號等效全向輻射功率的計算見式（1）、式（2）。

MAPL=RS EIRP-Receiver Sensitivity -Interference Margin -Penetration Loss -Shadow Fading Margin -Body Loss +Handover Gain" " " " " " " " " " " " " " "（1）

RS EIRP =RxPower + Antenne Gain -Cable Loss" " " " " " " " " " " " " " " " " " " " " " " " " " " " " " " " " " " " "（2）

式中：MAPL（Maximum Allowable Path Loss）為最大路徑損耗；RS EIRP（Reference Signal Equivalent Isotropic Radiated Power）為參考信號等效全向輻射功率；Receiver Sensitivity為接收機靈敏度；Interference Margin為干擾余量；Penetration Loss為穿損；Shadow Fading Margin為陰影衰落余量；Body Loss為人體損耗；Handover Gain為切換增益；RxPower為基站/手機的發射功率；Antenne Gain為基站天線/手機的天線增益；Cable Loss為饋線損耗。如果計算上行，4G和NSA手機的發射功率為23 dBm、SA手機發射功率為26 dBm、基站功率為10lg （W×1 000 ） dBm。

5G NR可借助修正的UMA（UrbanMacr- ocell）-NLOS傳播模型進行相應折算。計算步驟如下。①最大路徑損耗MAPL已知，根據鏈路預算采樣傳播模型公式，計算得出小區覆蓋半徑R（Radius），站間距=1.5R。②根據正六邊形蜂窩覆蓋模型，得到3扇區單站覆蓋面積為1.95R2。③某區域內所需基站數量=區域面積/1.95R2（向上取整）。

NR覆蓋半徑可通過公式（3）計算得到，進一步可計算出5G NR站間距。類似的，LTE可使用COST-231Hata等相應傳播模型來計算站間距。以頻段1.8 GHz 設備類型2T4R的 LTE和頻段3.5 GHz 設備類型64TR的5G NR為例，當上行鏈路邊緣速率分別為256 kb/s、2 Mb/s時，兩者對應的MAPL分別為122 dB 、112 dB，相對站間距d為42%。最后將NR站間距轉化為NR覆蓋能力［2］。

4 弱覆蓋柵格聚類及加站位置計算

目前，站址規劃主要有人工站址規劃或采用簡單的密度聚類算法將弱覆蓋區域進行聚類，根據聚類結果進行站址規劃。人工規劃法雖然準確度較高，但要消耗大量的人力、物力，且要考慮多方面的地理化因素，耗時長，過程煩瑣。因此，人工規劃法只能適用于小范圍的站址規劃，無法適用于大范圍乃至全網的站址規劃。簡單的密度聚類算法有可能聚類出一塊非常大的弱覆蓋區域，這時單個站肯定無法覆蓋，且簡單的密度聚類算法只能輸出站址的經緯度，無法輸出小區的基礎工參，如方向角、下傾角、站高等［3］。

本研究提出一種基于連續聚類的5G站址規劃法。首先，根據5G覆蓋仿真結果，基于一定條件來過濾弱覆蓋柵格，并通過密度聚類算法找出初步的弱覆蓋區域。其次，對范圍很大的弱覆蓋區域，通過K-Means聚類算法進行二次聚類，將弱覆蓋區域分為多個單站可覆蓋區域。最后，通過一次K-Means聚類找出三個小區所對應的弱覆蓋區域中心，并計算出小區的初始工參，輸出站址規劃列表。

4.1 連續覆蓋和廣域面覆蓋場景

廣域面上連續覆蓋是無線覆蓋的基本要求，必須要考慮用戶移動性和業務服務連續性。對一般城區和城區外圍的城中村來說，低矮建筑較多，由于日常流量負荷和業務調度頻率均不高，因此不用進行垂直波束數字掃描，常規波束電下傾角調整就可滿足網絡覆蓋要求。此時，建議選擇16TR設備形態，既可滿足基本面覆蓋，還可考慮一定的容量覆蓋。

對一般城鎮、村莊等區域，由于用戶較少、數據流量需求不高，只要滿足基本面覆蓋即可。因此，建議直接選擇設備類型為2.1G 4TR的RRU和多端口天線，其設備重量、體積與4G相當，不用對塔桅進行大規模改造。

4.2 深度覆蓋場景

該場景主要是用宏基站對室內進行覆蓋。一方面，對波束寬度有特定要求，另一方面，對天線增益要求相對較高。因此，建議選擇小于16TR的波束設備類型來解決密集城區的深度覆蓋問題。

4.3 容量覆蓋場景

為滿足用戶對高數據速率及大流量的需求，解決容量問題，尤其是在大型商業購物區、網紅景點、密集人流的廣場、國際機場、高鐵站、地鐵站臺等區域，建議選擇64TR/32TR的設備形態及龍伯球天線、混合波束、多波束天線。5G的Massive MIMO技術可提高整個小區的吞吐量和容量［4］。

5 基站小區主要覆蓋場景及5G AAU選型

在不同覆蓋場景中應選取不同配置的AAU，綜合考慮網絡容量和覆蓋需求，5G AAU及天線的設備形態不僅有64TR/32TR，同時還有16TR、8TR、4TR，方可滿足5G NR多樣化的覆蓋場景需求［5］。

6 Massive MIMO廣播波束權值規劃

Massive MIMO結合波束賦形技術可針對不同場景選擇不同的廣播波束權值組合，從而實現場景化應用，并設置相應的電子工參，可優化覆蓋范圍，提升邊緣速率與接入用戶數量，從而改善用戶感知，但不同天線參數權值組合超過萬種。因此，在5G規劃和優化中，快速選擇正確的覆蓋方案可大大節省時間，并減少錯誤。目前，Massive MIMO廣播波束有17種基于場景化的配置［6］，分為小區間干擾場景（可使用水平掃描范圍相對較窄的波束來避免強干擾源）、廣場場景（在近點使用較寬的波束以確保接入，在遠點使用較窄的波束以提高覆蓋率）、高層場景（在垂直面中使用相對較寬的波束以提高垂直覆蓋范圍）3大場景，可通過現場測試總結出不同場景下波束設置的最佳方案，并給出規劃建議，供大多數場景參考，見表3、表4。

7 用戶集中度計算

計算每個覆蓋場景中扇區MR柵格化標準差的平均值，當扇區標準差大于所覆蓋場景中標準差的平均值時，用戶被認為是集中分布的，否則用戶被認為是分散分布的。

8 結語

通過積極探索5G無線網智能規劃技術，將技術工具與生產流程有機結合，實現無線網絡規劃流程自動化。智能規劃技術的應用能使建筑物場景智能識別及邊界自動獲取較人工識別效率提升10倍以上，5G覆蓋預測模型準確率達95%以上，覆蓋水平提高15%以上，規劃效率總體提升數倍，能有力支撐5G網絡的快速部署，建設精準度的大幅提高使5G網絡整體覆蓋水平進一步提高，同時單位流量能耗占比進一步下降，大大提高社會生產效率。5G無線網智能規劃還有很多研究方向，要進一步研究及探索，從而有效支撐未來的市場競爭和挑戰。

參考文獻：

［1］安潔玉，程朋根，丁斌芬.基于Google Earth二維影像獲取建筑物高度的方法［J］.地理與地理信息科學，2010（6）：31-33，37.

［2］陳宇，沈建軍.基于大數據的5G規劃方法研究［J］.電子技術應用，2020（8）：33-38.

［3］陸南昌，劉吉寧，黃海暉.5G無線網絡智能規劃技術的探索與實踐［J］.移動通信，2020（5）：65-71.

［4］卜斌龍，林學進，孫全有.5G宏網天線覆蓋解決方案及現網融合技術［J］.移動通信，2019（4）：21-24，42.

［5］程日濤，堯文彬，汪況倫，等.5G網絡智能規劃建設研究［J］.電信科學，2019（S1）：7-12.

［6］王琳，周毅剛，鄭黎明，等.Massive MIMO 3D空間相關信道超松弛檢測算法［J］.哈爾濱工業大學學報，2018（5）：12-17.

［7］劉昱鵬，孟繁麗，堯文彬.3D-MIMO基站需求場景的識別及規劃方法研究［J］.電信工程技術與標準化，2018（11）：77-81.