5G無線網絡智能規劃技術的探索與實踐

陸南昌 劉吉寧 黃海暉

【摘? 要】研究并應用了多制式多網絡的站址協同分析、5G站址智能尋優、弱覆蓋柵格聚類識別、高精度3D規劃仿真呈現等技術手段，將工具與生產流程有機結合，實現流程自動化，減少不必要的人工參與，提升整體規劃效率，實現對5G網絡資源的快速精準投放。最后，提供后續研究方向，為5G無線網智能化平臺的進一步研究提供參考。

【關鍵詞】智能規劃;射線跟蹤;聚類

This paper investigates and applies technical methods such as multi-standard multi-network site collaborative analysis， 5G site intelligent optimization， weak coverage grid cluster recognition， and high-precision 3D planning simulation presentation. The organic combination of tools and production processes realizes process automation， reduces unnecessary manual participation， improves overall planning efficiency， and achieves rapid and accurate deployment of 5G network resources. Finally， the follow-up research directions are provided for further research on 5G wireless network intelligent platforms.

intelligent planning; ray tracing; clustering

0? ?引言

5G是實現網絡強國的國家戰略，是引領科技創新、實現產業升級、發展新經濟的基礎性平臺，如何高效精準地規劃建設一張5G網絡是運營商所關注的一項重要課題。5G主要分為3個典型應用場景，分別是增強型的移動寬帶（eMBB）、海量連接的機器通信（mMTC）以及高可靠低時延（uRLLC）的物聯網應用，涵蓋用戶體驗速率、峰值速率、時間延遲及連接密度等多維技術指標需求，以及大規模天線陣列、波束賦形、信道編碼等核心關鍵技術[1-6]。

目前在5G網絡規劃方面，運營商主要以滿足eMBB業務需求為主，并逐步開展對uRLLC、mMTC業務及規劃部署研究。在做5G覆蓋規劃時，站址優選、工程參數確定、網絡結構、連續覆蓋能力，以及規劃工具和流程的使用的高效率、高可靠性是無線網規劃專業人員極為關注內容。如果能對站址、方位角、下傾角以及多陣列天線模式等重要工程參數的自動化進行沙盤演練，將為網規網優工程師提供極大幫助。

1? ? 5G無線網規劃面臨的挑戰

為了滿足未來應用場景，5G網絡在空口技術、頻率和網絡架構方面進行全新的標準化制定。5G技術應用范圍的擴展使得對應的5G規劃體系面臨巨大挑戰，系統設計和優化更為復雜。目前主要研究主要集中在5G無線網智能化體系及單機版的軟件實現方面[7]，少有將研究人員對智能規劃工具與規劃工作流程自動化的有機融合展開研究。本文將積極探索5G無線網智能規劃技術，綜合應用多制式多網絡的站址協同分析、高精度3D規劃仿真、5G站址自動尋優、覆蓋柵格聚類識別等技術手段，將工具與生產流程有機結合，實現流程自動化，減少不必要的人工參與，提升整體規劃效率，以此來快速精準的投放5G網絡資源。

1.1? 異構分層網絡結構越發復雜

無線網絡結構包含主要內容有頻率、拓撲結構（站高、站間距、方向角、下傾角）、站點類型（宏站、微小站、室分站、拉遠站等）、組網架構（分布式、集中式）及功率等。以某運營商為例，GSM、TDD、FDD、NB-IoT、5G五張網絡是多種頻率并存，形成了“宏站、微小站、皮站、飛站、室分站”相結合的異構網絡，無線網絡結構極其復雜。在5G網絡規劃時，需要注重不同網絡制式間的協同發展，首先需要解決多層網絡站址資源數據之間關聯性問題，充分利用共建共享的存量現網站址進行規劃，既能夠降低工程難度，又能夠大幅度降低建設運維成本。同時，根據5G無線網規劃目標要求，迭代優化站址結構，不斷改善網絡質量和用戶感知。

1.2? 智能化高精度規劃工具缺乏，專家經驗占主導地位

傳統5G網絡的覆蓋規劃方步驟主要是：首先，要收集目標城市的市場、業務需求數據，結合高流量區域、高價值用戶區域等數據，確定規劃目標區域范圍;其次，根據規劃區域的業務類型和上下行業務速率要求，使用5G NR 3GPP協議36.873定義的3D傳播模型：城區宏站、城區微小站、農村宏站模型，分場景測試數據，進行傳播模型校正。最后，用校正后的傳播模型的計算最大路徑損耗和單站覆蓋半徑。譬如，2.6 GHz室外連續覆蓋站間距建議值（表1）。另外一種傳統5G網絡的覆蓋規劃是使用主流規劃仿真軟件。

在傳統的5G覆蓋規劃中，往往專家經驗占了主導地位，不僅要理解標準協議，還得要掌握并運用較多的工程參數、不同網絡制式下的站址數據和鏈路預算方法，抑或掌握規劃仿真軟件的使用。按照這種方式，完成某個城市的規劃工作，往往需要數量眾多的工程技術人員，并耗費大量時間。而使用主流規劃仿真軟件可以做覆蓋預測和覆蓋優化，在軟件中設置目標約束條件，通過迭代計算的方式去完成工程參數調優和性能提升，這對工程技術人員能力要求極高，一般很難在短時間內完成大量站址的優選和弱覆蓋區域的自動推薦站址工作。

1.3? 規劃工具與工作流程往往脫節，自動化運維

能力有待提升

傳統規劃模式下，規劃技術能力或規劃工具往往掌握在少數專家團隊手中，生產效率不高，自動化程度不足。以廣東某個地市為例，按照傳統模式，1個高級技術人員1天僅能完成約150個規劃站點的變更方案審核，如果要完成1個千量級的站點規劃仿真分析評估工作至少需要2天時間。

針對上述痛點，本文將重點介紹若干項在5G智能規劃技術方面的探索與研究。

2? ?5G無線網智能規劃技術的研究

本文主要研究多制式多網絡站址協同規劃技術、智能選址及推址技術、以及“智能規劃模塊+開源可視化+規劃工作流程”融合技術，以此來提升整體規劃效率和精準性。

2.1? 多制式多網絡站址協同規劃技術

在站址協同規劃方面，本文主要提出兩種技術方案：一種是數據庫主鍵直接關聯法;另外一種是關聯Meanshift+DBSCAN混合聚類算法。

（1）數據庫主鍵直接關聯法

在多制式多網絡協同規劃時，不同網絡之間除了網絡制式、頻段等信息不一致，其他的工程參數基本一致，如經緯度、掛高、下傾角、方向角等。在數據處理時，可以將其中一張網絡的某個字段（如物理站址名稱）設置為數據庫主鍵，其他網絡只需保留邏輯站點名稱、網絡制式、頻段等獨有網絡數據，通用網絡數據只需要通過主鍵去關聯。優點是當一張網絡的通用網絡數據發生變更后，不需要一個一個地變更其他網絡數據，減少冗余數據存儲，極大提升工作效率。

（2）Meanshift+DBSCAN混合聚類算法

Meanshift（均值漂移聚類）算法主要是根據數據概率密度不斷移動其均值質心直到滿足一定條件來確定質心，但無法根據密度進行聚類;而DBSCAN（密度聚類）算法缺乏穩定性，從不同位置起始對聚類結果影響較大。因此針對網絡站址數據繁雜情況，本文研究基于Meanshift+DBSCAN混合聚類算法，解決部分數據較難通過數據庫主鍵關聯處理的問題。以邏輯站為最小資源粒度，設定物理發射點為空間粒度，自動聚類為“M網N頻物理發射點”站址信息表，具體如下：

1）以站點經緯度進行地理位置聚合，將經緯度按左上向右下進行排序;

2）計算圈號，采用Meanshift算法確定第一個質心。圈大小建議設置半徑為100 m（可按需靈活配置），得到集合X;

3）計算簇號，在每個圈中，采用DBSCAN算法，找出密度可達的簇。簇大小建議設置半徑為50 m（可按需靈活配置），得到集合Y;

4）計算位置號，在每個簇中通過MeanShift算法，將所有物理點找出來。在站點集合中剔除生成簇的站點，再通過獲取密度最高的質心。位置建議設置半徑為20 m（可按需靈活配置），得到集合Z;

5）以1）～4）步驟，直至找出所有的站點，自動聚類“M網N頻物理發射點”站址信息表。

2.2? 智能站址選址及推址技術

在5G規劃的選址和推址方面，本文提出兩種技術方案（圖2）。方案1主要用4G網絡的性能數據去推演5G覆蓋情況，方案2則是用5G仿真軟件直接模擬5G覆蓋情況。兩種技術方案在獲取5G柵格覆蓋后，通過粒子群優化算法（PSO， Particle Swarm Optimization）優選站址，并對弱覆蓋區域進行聚類處理和站址推薦。方案1主要適用于5G建設初期，因5G無線性能數據不規范，也沒有成熟的規劃仿真工具，利舊4G網絡的性能數據快速模擬5G覆蓋能力，能有效指導5G網絡前期規劃，是一種低成本快速解決方案。而方案2則更適用于5G建網中后期，直接通過5G網絡的性能數據，和搭乘高精度射線跟蹤模型的規劃仿真工具，能更加精準地進行5G網絡規劃。整體流程如圖2所示。

首先，根據5G待規劃區域，選擇相應的現網4G站點作為候選站址。其次，將4G現網數據（MDT、MR）和4G仿真數據（作為一種補充數據源）進行路損折算得到5G柵格覆蓋預測結果。其中，5G的柵格場強=4G柵格場強+功率差異+天線差異+空口差異+穿損差異。或者使用搭乘射線跟蹤模型的5G規劃仿真軟件或5G性能數據輸出5G柵格覆蓋結果。再次，設定智能選站規則和迭代目標，利用PSO算法對預測結果進行5G自動選站，以期滿足覆蓋要求和交疊要求的柵格數最大化。針對已選站點進行預測分析，鎖定5G問題柵格的面、線、點。最后，根據面、線、點問題進行按照網絡結構要求和規劃目標需要自動推薦站點，與自動優選站點一并生成最優站點組網規劃方案。涉及核心技術如下。

（1）基于射線跟蹤模型的覆蓋預測技術

相比于標準宏蜂窩模型等統計型傳播模型，射線模型能結合建筑物三維矢量地圖，充分考慮建筑物直射、反射及繞射三種路徑損耗計算，對基于站點與周邊建筑物的位置關系進行射線建模，從而得到較為準確的計算。本文通過步進式調整接收機高度位置，模擬三維立體分層覆蓋效果，為5G室內外規劃提供高精度數據源。

（2）基于PSO算法的智能選址技術

與一般采用遺傳算法的智能選址技術不同，本文通過PSO算法和站址畫像來進行5G基站選址，使用已有站址作為初始化粒子群，設置最大迭代次數、認知因子、維度、基站畫像、約束條件（5G覆蓋質量要求等）及站址更新最大速度等初始化參數，計算每個粒子的適應值、歷史最優位置及全局最優位置（站址畫像為覆蓋山林、海域、河流等區域的將剔除計算），并采用目標權重因子和選取次數相結合的方式確定全局最優位置，防止陷入局部最優。經過迭代計算，當滿足全局最優解約束條件或者最大迭代次數時終止計算獲得最優站址選擇方案。

（3）基于DBSCAN算法的智能推址技術

本文利用DBSCAN算法對5G柵格覆蓋數據進行弱覆蓋柵格聚類，自動挖掘出弱覆蓋區域，并自動生成需求站點推送給規劃自動化系統進行評估。在使用Python調用sklearn包里面的DBSCAN算法進行處理時，設定的掃描半徑為0.000 8（約為100 m），最小包含點為5個點，進行弱覆蓋柵格聚類。根據聚類后的弱覆蓋區域面積和網絡結構要求（譬如宏站站間距不小于200 m，微站站間距小于50 m），自動推薦宏站、微小站的站址。對于推薦站址納入候選站址庫，通過自動化仿真和智能選址后最終確定是否納入5G網絡需求庫。

通過上述技術的綜合運用，實現了5G站址需求方案編制的初步智能化，技術人員不需要在GIS地圖上逐個站點、逐個區域的分析評估，更多時間可以用在算法改進和策略分析上。

2.3? 智能規劃模塊、開源可視化與規劃工作流程融合技術

傳統的網絡規劃仿真工具多數是單機版，由于需要工程參數調優、傳播模型調教、關鍵參數配置等專業性較強的工作，且還涉及安裝授權和技術支持等種種工程因素，因此應用范圍及實用頻次均較為受限，無法支撐全天候全自動逐站評估的精細化預測需求。此外，仿真結果一般只能由規劃仿真軟件、Mapinfo或Googlearth等專業工具打開，不利于結果共享和推廣。

本文主要研究“智能規劃模塊、開源可視化與規劃工作流程”的融合技術，重點研究API自動化調用技術和開源可視化呈現技術，可在5G基站全生命工作流程中的需求分析、單站規劃方案評估、整體規劃方案評估、規劃變更方案評估等7個重點環節通過API自動調用方式，實現立體仿真結果自動評估和仿真報告自動輸出。

（1）API自動化調用技術

1）搭建底層服務器集群提供仿真運算能力和存儲能力，供上層應用調用。

2）規劃方案庫定時從底層數據倉庫自動接收入庫一批需求、規劃和現網方案和站址數據，并接收仿真數據庫完成的仿真指標和報告等內容，仿真數據庫存放仿真結果數據、圖層、頁面報表等內容。

3）仿真引擎及智能規劃模塊是基于API調用接口開發，多線程輪詢仿真數據庫的仿真方案總入口表，按照仿真優先級順序排序，每一個方案的每個狀態對應啟動一個線程（線程數量可配置，一般配置為8個線程數）。

4）每個線程傳入的工程參數至少包含地市、方案編號、狀態、方案仿真類型、方案的中心經緯度，仿真范圍半徑（正方形或圓形），若是多邊形范圍，則傳入多邊形（多個經緯度點組成，經緯點之間用分號隔開）等參數。

5）當線程啟動時，加載對應的仿真工程模板，清空上一次的工程表數據，以保證數據不被緩存覆蓋。根據入口表傳入仿真中心點經緯坐標和半徑或多邊形范圍經緯點，確定本次仿真范圍。仿真引擎及智能規劃模塊再從仿真數據庫讀取本次運算所需的工程表數據，保存在內存中并啟動運算。運行完后，導出不同格式的結果文件，再解碼適配到Web服務器的適用格式。Web服務器則配置圖層部署、結果表呈現等。

6）在5G智能規劃平臺實現頁面的交互操作，通過平臺授權用戶根據各自權限找到進入各子功能的入口。對仿真引擎及智能規劃和Web服務器輸入的任何指令也是通過該統一入口進行管理。

（2）開源可視化三維呈現技術

傳統的三維可視化建模技術主要由國內外的專業GIS公司提供，譬如美國ESRI的ArcGIS、中國超圖的Supermap，這些GIS平臺雖功能強大但框架復雜且較為封閉，地圖集成化需要專業IT工程師有長期運維才能實現。

本文的三維立體仿真WEB采用B/S架構，搭乘基于cesium開源可視化虛擬地球作為GIS引擎，并WebAPI流式傳輸海量的三維模型數據，針對大場景、大數據量的三維數據結構，研究并應用基于等級的細節層次（HLOD，Hierarchical Levels of Detail）的樹狀數據組織結構，分塊加載、離核渲染，實現三維立體仿真結果快速呈現。在使用開源Cesium可視化引擎時，它能合理完成瓦片加載次序調度，通過增加跳躍式層次的方式，在不影響性能的前提下，節約了近50%的加載時間和內存。

三維立體仿真數據快速呈現幫助技術人員能夠在GIS界面可視化開展精覆蓋情況的精準定位分析，在電腦段和手機端的靈活呈現方式也有效支撐5G垂直行業相關領域的業務推廣和市場營銷。

3? ?智能規劃技術的應用

基于上述智能規劃技術的研究與引入，本文團隊實現對于5G全生命流程任何工作環節7×24小時全天候不間斷的5G智能規劃分析評估能力，并進一步研究兩種應用方向，其一是面向于深度覆蓋的三維立體仿真應用，其二是面向于5G eMBB垂直行業規劃應用。

3.1? 面向5G室內深度覆蓋規劃應用

目前運營商的5G室內外是均同頻組網，因此做好室內外5G站點覆蓋協同，快速準確捕捉5G室內覆蓋需求是亟待解決的問題。本文通過用程序步進式調整接收機高度的方式，打破API調用接口限制。用后臺程序自動對接仿真內核，仿真完自動掃描預先設定的仿真結果文件夾，程序按方案預定需求自動解析仿真結果文件，解析后自動生成立體柵格相關的KPI指標。最后根據仿真結果自動生產立體柵格對應的3D Tiles三維圖層切片和該方案對應的區域范圍樓宇輪廓、基站、小區三維切片，提供給前端WEB界面進行三維的GIS呈現。

上述三維立體覆蓋結果呈現能實現通過室外站點規劃的覆蓋效果（室外信號進入室內的穿透損耗可按6～10 dB/m設置，穿透一堵墻按10～15 dB設置），快速評估是室內建設需求，能極大地減少無效或低效室分投資，也能降低室內外同頻干擾。圖5是對某區域進行三維立體仿真，可以發現部分建筑物內部較高樓層存在弱信號情況，需后續室分規劃時重點考慮。

3.2? 面向5G eMBB垂直行業規劃應用

傳統無線網規劃重心主要在網絡覆蓋方面，面對5G的網絡三大業務特點，本文研究了面向5G eMBB垂直行業的規劃應用。通過蒙特卡洛仿真獲得某個區域的上下行速率等性能數據，并將其在地圖上進行呈現（圖6左），設置不同eMBB垂直行業的上下行業務需求門限在評估區域內對于各類業務的滿足情況（圖6右）。這樣能高效率地定位業務不滿足區域，通過射頻調整、工參優化等手段去完善覆蓋，不斷提升各行各業的用戶感知。

4? ?結束語

為了解決5G規劃運維效率、精準性等問題，本文積極探索智能規劃技術，研究并應用了多制式多網絡的站址協同分析、5G站址智能尋優、弱覆蓋柵格聚類識別、高精度3D規劃仿真呈現等技術手段，將工具與生產流程有機結合，實現流程自動化，減少不必要的人工參與，提升整體規劃效率，實現對5G網絡資源的快速精準投放。5G無線網絡智能規劃技術研究方向還有很多，例如更高效、更精準、更智能的傳播模型、基于深度學習的射線跟蹤模型自動校準技術、基于AI的天線波束智能尋優技術、場景智能識別及逆向三維矢量建筑物自動建模技術、面向uRLLC和mMTC的垂直行業規劃技術等。

參考文獻：

[1]? ? X H You， Z W Pan， X Q Gao， et al. The 5G mobile communication： the development trends and its emerging key techniques （in Chinese）[J]. Sci Sin Inform， 2014（44）： 551–563.

[2]? ? ?L L M， W D M， N X K， et al. mmWave communications for 5G： implementation challenges and advances[J]. Sci China Inf Sci， 2018（61）： 021301.

[3]? ? ?W C X， W S B， B L， et al. Recent advances and future challenges for massive MIMO channel measurements and models[J]. Sci China Inf Sci， 2016（59）： 021301.

[4]? ? ?Z J H， T P， T L， et al. 6–100 GHz research progress and challenges from a channel perspective for fifth generation （5G） and future wireless communication[J]. Sci China Inf Sci， 2017（60）： 080301.

[5]? ? D H， B A， K G， et al. The Design and Applications of High-Performance Ray-Tracing Simulation Platform for 5G and Beyond Wireless Communications A Tutorial[C]//IEEE Communications Surveys & Tutorials. IEEE， 2018.

[6]? ? ?3GPP. 3GPP TS 38.214 V0.0.1： Physical layer procedures for data （Release 15）[S]. 2017.

[7]? ? ?孟繁麗，薛偉，汪況倫，等. 5G無線網絡智能化規劃體系及實現[J]. 移動通信， 2019，43（6）： 52-59.

[8]? ? ?W C Y L， D J Y L. 綜合無線傳播模型[M]. 劉青格，譯. 北京： 電子工業出版社， 2015.

[9]? ? 尤肖虎，張川，談曉思，等. 基于AI的5G技術—研究方向與范例[J]. 中國科學： 信息科學， 2018，48（12）： 1589-1602.