基于LightGBM算法的5G無線網覆蓋預測方法研究

摘要：基于射線仿真評估是5G無線網規劃選址常用方法，但該方法的評估依據是射線傳播仿真結果，缺少實際數據來做建模驗證，與實際覆蓋情況有較大偏差。該文研究人工智能技術在5G無線網規劃選址方面的創新應用，提出了一種基于LightGBM算法的覆蓋預測方法，可以更準確地預測小區柵格的覆蓋場強，顯著提高5G無線網規劃選址的精準度。

關鍵詞：人工智能；LightGBM算法；5G無線網規劃；覆蓋預測

doi：10.3969/J.ISSN.1672-7274.2024.09.013

中圖分類號：TM 715；TN929.53；TP 18 文獻標志碼：A 文章編碼：1672-7274（2024）09-00-03

Research on 5G Wireless Network Coverage Prediction Method Based on LightGBM Algorithm

CHEN Jian

（China Mobile Guangxi Co.， Ltd.， Nanning 530028， China）

Abstract： Based on ray simulation evaluation， it is a commonly used method for 5G wireless network planning and site selection. However， the evaluation of this method is based on the results of ray propagation simulation， which lacks actual data for modeling and verification， and has a significant deviation from the actual coverage situation. This article studies the innovative application of artificial intelligence technology in the planning and location selection of 5G wireless networks， and proposes a coverage prediction method based on the LightGBM algorithm， which can more accurately predict the coverage field strength of small grid cells and significantly improve the accuracy of 5G wireless network planning and location selection.

Keywords： artificial intelligence; lightGBM algorithm; 5G wireless network planning; coverage prediction

0 引言

基于射線仿真評估是當前業內常用的無線基站規劃選址方法，該方法是先確定選址范圍和選址位置，根據規則生成掛高、方向角和下傾角這三個工參信息，后通過生成的選址方案包括站址經緯度、小區工參，對站址覆蓋場強進行仿真[1]，根據仿真的結果評估建站后的覆蓋情況，判斷選址方案是否可行，評估依據是射線傳播仿真結果，僅根據經驗模型來做覆蓋仿真，沒有通過實際數據來做建模驗證，與實際覆蓋情況有較大偏差。因此，有必要研究通過人工智能手段，提升覆蓋預測準確度以支撐無線站址精準規劃工作的新方法。

1 技術原理

通過采集現網MDT/OTT等高精度定位的實際覆蓋數據、實際的小區工參以及柵格小區數據，結合樓宇圖層數據以及高程數據衍生出包括高度衍生特征、距離衍生特征、角度衍生特征以及遮擋衍生特征等建模特征。其中，MDT代表移動數據采集，OTT代表超時時延測試，它們都是高精度定位技術中用于收集數據的方法。MDT是一種通過網絡收集移動設備位置和性能數據的技術，可以提供更準確的位置信息和網絡性能數據。OTT測試則是一種測試方法，用于測量移動設備與網絡之間的響應時間和延遲，以確定網絡性能和服務質量。將衍生特征作為訓練特征，柵格的平均覆蓋場強作為標簽，構建小區覆蓋場強預測模型。對規劃站點小區進行覆蓋預測，根據預測的覆蓋強度，智能評估規劃站點的方位角、掛高等最優組合，實現智能規劃方案推薦[2]。智能覆蓋預測步驟如圖1所示。

1.1 采集覆蓋預測模型訓練數據

采集現網MDT/OTT等高精度定位的實際覆蓋數據、實際的小區工參以及柵格小區數據作為小區覆蓋預測模型的訓練數據。同時后續特征衍生需要采集樓宇圖層數據以及高程數據。根據小區理想覆蓋半徑（指在無線通信網絡中，每個小區的輻射范圍內的信號質量和性能能夠滿足設計要求的半徑距離。在移動通信系統中，小區是基站提供服務的最小單位，小區理想覆蓋半徑是基站信號覆蓋范圍內的一個重要參數）將小區劃分為4種覆蓋場景，分別是：理想覆蓋半徑小于等于400 m；理想覆蓋半徑大于400 m小于等于800 m；理想覆蓋半徑大于800 m小于等于1 500 m；理想覆蓋半徑大于1 500 m。對每種覆蓋場景采集一定量小區的工參及柵格小區數據作為訓練數據。

1.2 訓練數據預處理

完成現網大量小區工參以及柵格小區數據（20 m×20 m）和現網MDT/OTT等高精度定位的實際覆蓋數據采集后，需要對數據進行清洗以及特征衍生操作。

（1）數據清洗：對于指標異常數據（指標值在正常取值范圍之外的數據記錄），以及指標缺失數據（如小區柵格場強均值等缺失），進行異常值清洗剔除及缺失值填充。數據采集異常以及數據同步異常可能是導致數據異常和缺失的原因。

（2）特征衍生：根據現網MDT/OTT等高精度定位的實際覆蓋數據、小區工參、高程數據以及樓宇圖層數據對覆蓋柵格數據做特征衍生，衍生特征主要包括高度衍生特征、距離衍生特征、角度衍生特征以及遮擋衍生特征。

1.3 LightGBM覆蓋預測模型構建

將衍生的特征以及小區工參特征作為訓練特征，柵格小區的平均覆蓋場強作為標簽進行訓練。采用LightGBM（Light Gradient Boosting Machine）算法來構建小區覆蓋預測模型。LightGBM是一個實現GBDT算法的框架，支持高效率的并行訓練，并且具有更快的訓練速度、更低的內存消耗、更好的準確率、支持分布式、可以快速處理海量數據等優點。

LightGBM采用多棵樹串行的結構，每棵樹都會輸出一個預測值，將多棵樹結果累加得到最后的輸出值。訓練過程中新的一棵樹的訓練是為了擬合上一棵樹的殘差（residual）。即不完全信任每一個棵殘差樹，而是認為每棵樹只學到了真理的一小部分，通過多學幾棵樹彌補不足，最后達到擬合訓練樣本的效果。模型構建主要有以下步驟：

（1）數據劃分。將每個場景小區的采集數據以6∶2∶2的比例隨機劃分為訓練集、驗證集以及測試集，驗證集為模型效果驗證的數據集，調優等工作需在驗證集上進行。測試集為測試模型最終效果的數據集。

（2）模型參數配置。對模型參數進行初始化配置，LightGBM模型分為分類模型和回歸模型，采用此模型目的為預測場強覆蓋值，所以屬于回歸模型，主要的參數包括objective、boosting_type、樹的最大深度max_depth等。

（3）模型訓練。由于不同場景覆蓋特征可能存在差異，因此可分場景構建小區覆蓋預測模型。分別構建以下4個場景的模型：理想覆蓋半徑小于等于400 m；理想覆蓋半徑大于400 m小于等于800 m；理想覆蓋半徑大于800 m小于等于1 500 m；理想覆蓋半徑大于1 500 m。

分別將各場景訓練集的小區柵格數據匯成一張寬表，以工參特征以及衍生的特征為訓練特征、柵格平均覆蓋場強為訓練標簽來訓練覆蓋場強預測模型。LightGBM采用多棵樹串行的結構，每棵樹都會輸出一個預測值，最好將多棵樹結果累加得到輸出值。

（4）模型優化。模型優化主要通過數據清洗、超參數優化、特征優化等方法實現。本項目主要優化方法為對異常數據進行清洗，清洗掉一些采樣點過少柵格。當柵格采樣點過少時，可能由于采樣點定位存在偏差，導致歸屬柵格出現偏差，則這些柵格覆蓋場強不可信。保留柵格采樣點數大于20的柵格，通過這種清洗方式，模型預測效果有了一些提升。

對超參數優化通過隨機搜索尋優法進行。通過對每個超參數設置一定的搜索范圍，在驗證集上驗證每種隨機搜索到的超參數組合訓練的模型效果，最后選擇模型效果最優的超參數組合。

（5）模型存儲。模型優化后需要保存最優的4個場景模型，將模型保存為pkl模型文件。后續根據小區理想覆蓋半徑選擇對應的場景，再加載此場景下的覆蓋預測模型，對小區的覆蓋情況進行預測，可以得到此小區每個覆蓋柵格的平均場強。

1.4 基于小區位置及工參進行覆蓋預測

根據現網MDT/OTT等高精度定位的實際覆蓋數據、小區工參、高程數據以及樓宇圖層數據對覆蓋柵格數據做特征衍生，生成高度衍生特征、距離衍生特征、角度衍生特征以及遮擋衍生特征，根據理想覆蓋半徑，確定此小區屬于以下哪種覆蓋場景。根據覆蓋場景加載對應的覆蓋場強預測模型，預測此小區柵格的平均場強[3]。根據規劃的小區經緯度以及理想覆蓋半徑來生成小區柵格數據，如表1所示。

根據小區工參、高程數據以及樓宇圖層數據對覆蓋柵格數據做特征衍生，生成高度衍生特征、距離衍生特征、角度衍生特征以及遮擋衍生特征，根據理想覆蓋半徑，確定此小區屬于哪種覆蓋場景。根據覆蓋場景加載對應的覆蓋場強預測模型，預測此小區柵格的平均場強 ，如表2所示。

2 應用成效

對比現有基于射線仿真的選址方法，基于LightGBM算法的覆蓋預測更準確，準確率較射線仿真整體提升約20%以上。對比結果如表3所示。

通過采集現網MDT/OTT等高精度定位的實際覆蓋數據、小區工參以及柵格小區數據，結合樓宇圖層數據以及高程數據衍生出包括高度衍生特征、距離衍生特征、角度衍生特征以及遮擋衍生特征等特征，通過實際覆蓋場強數據建模，可更加準確地學習到特征與覆蓋強度之間的關系，因此預測結果比仿真結果會更加準確。

3 結束語

將人工智能技術高效、智能特性應用到5G無線網基站規劃選址工作中，本文提出了一種基于LightGBM算法的智能覆蓋預測方法，通過實際覆蓋場強大數據進行建模，相比當前業內常用的射線仿真技術，可以更準確預測小區柵格的覆蓋場強，有效提高5G無線網規劃選址的精準度，具有較好的推廣應用價值。

參考文獻

[1] 魯偉．機器學習公式推導與代碼實現[M]．北京：人民郵電出版社，2022．

[2] 劉海紅．基于LTE系統的無線信號傳播特性及室外覆蓋預測的研究[D]．北京：北京郵電大學，2013．

[3] 程前．5G無線接入網多場景覆蓋模型預測分析[J]．信息通信，2019（12）：204-207．