時空循環神經網絡在5G用戶分布預測及波束權值調整中的應用研究

中國移動通信集團安徽有限公司 陳丹艷 耿 波 高 峰

當前，5G進入規模部署階段，5G相對于4G最大的特點是引入了大規模天線陣列，引入更多維度可調的參數（水平波瓣寬度、垂直波瓣寬度、方位角、下傾角、波束掃描個數）。波束賦形是5G網絡空口關鍵技術之一，通過獲取賦形增益可以有效提升5G用戶的感知體驗。但當前5G波束權值參數組合種類繁多，精準配置難度大，目前廠家（包括中興、華為、愛立信）僅有限開放廣播權值參數和包絡圖，權值參數調整以人工調整為主，缺乏自動化手段，效率偏低。Massive MIMO天線的權值優化涉及到的參數組合優化的候選空間解達到數萬種，遠超出人腦可以計算空間，通過工程師經驗和塔工上站調整天饋的傳統方式已不再適用，需要一套適用于5G Massive MIMO天線的智能化的天饋優化方法論及產品。

用戶數量和用戶的業務需求是影響基站緩存部署、資源分配和能耗管理的重要因素，通過準確預測基站覆蓋范圍內的用戶數量，對提高5G網絡性能具有重要意義。尤其是針對某些基站所覆蓋的特定的功能區域，如高校、辦公區、住宅區等，由于不同區域用戶分布呈現出規律性，如果能夠準確預測用戶未來分布，并根據用戶分布動態調整波束權值，不僅有利于用戶感知，更有利于區域內網絡資源的分配。

本文嘗試依托5G大規模天線陣列信號波束賦型技術，構建用戶分布與波束權值匹配的靜態標準庫，找到不同用戶分布情況下波束參數最優設置，進一步基于時空循環神經網絡對用戶分布變化進行預測，根據預測結果增益實施波束差異調整。以期在5G大規模商用優化時，快速推廣應用至各類典型場景。

1 靜態標準庫構建

1.1 用戶定位技術研究

目前5G網絡MDT（MinimizationofDrive-Test，最小化路測）規范尚未確定，用戶水平位置無法確定。傳統方案是基于三角定位原理，通過信號強度構建指紋庫，但這種方案精確度較低。本文利用NSA用戶在4G、5G的相同標識和時間戳信息，使用4G的MDT生成5G水平面指紋庫；通過5G MR數據里的垂直到達角，確定用戶高度，建立5G垂直面指紋庫，和水平面指紋庫合并實現5G立體定位。5G用戶水平方向定位如圖1所示。

圖1 5G用戶水平方向定位

1.2 構建用戶分布與波束設置匹配的靜態標準庫

構建靜態標準庫是5G權值調整的基礎和前提，在完成標準庫構建后，找到不同用戶分布下的波束參數最優設置，從而根據對用戶分布的預測結果實施動態調整。

本文通過天線增益等信息構建立體柵格數據庫，將用戶信息與波束覆蓋柵格進行匹配，構建兩者關系函數y=f(s，a)。其中，y是優化目標，包含用戶感知、覆蓋、質量等多個維度；s是用戶位置信息，將用戶水平和垂直分布轉換成分布圖，代入尋優模型；a是待尋優波束參數，通過多小區聯合迭代尋優算法，找到波束最優參數配置，包括下傾角、方位角、波束寬度等。圖2是函數y的示意圖。

圖2 用戶信息與波束覆蓋柵格關系函數 y

2 用戶分布預測模型構建

2.1 時空循環神經網絡預測模型介紹

近年來，用戶分布預測受到了研究人員的廣泛關注，隨著深度學習技術的不斷發展和完善，并考慮到用戶分布預測的時空建模的復雜性，利用深度學習的模型進行用戶分布預測受到了更多研究人員的青睞。LSTM（Long Short Term Memory，長短時記憶網絡結構）能夠學習長距離的時間依賴關系，輸入和輸出均為一維向量，狀態與狀態之間采用全連接形式，無法捕捉空間特征。ConvLSTM是將LSTM擴展到三維，輸入和輸出均為三維張量，輸入與狀態、狀態與狀態之間采用卷積操作捕捉空間特征。本文基于 Conv-LSTM（convolutional long short-term memory）模塊提取用戶分布的時空特征，從而實現了良好的用戶分布預測性能。

2.2 基于時空循環神經網絡實現用戶分布精準預測

本文融合卷積神經網絡（CNN）和時序神經網絡（LSTM），建立時空循環神經網絡算法，同時兼顧歷史數據及當前趨勢，確保預測準確性。

（1）數據處理

本文應用安徽移動提供的MR.hAOA和MR.vAOA數據來驗證時空循環神經網絡預測模型的效果和性能。首先對AOA數據進行預處理，剔除無效數據、異常和漂移數據，并處理了基站間反復切換的乒乓效應。采點數統計柵格稀疏，原始柵格數219×22，因此使用大粒度對采點數進行匯總，處理為1×1度數據。此外，考慮到采點數數量級差異大，空間分布存在極大離群值，因此采用取log(x+1)方法對極大值進行平滑，用于神經網絡的訓練。在輸出層采用Relu激活函數，確保輸出值為非負數。在后續的模型評估中，再將預測值重新調整回正常值，與真實值進行對比，從而得到準確的預測誤差。

（2）特征構建與模型構建

AOA小時級的預測采用前7天同小時歷史數據和前1天24h歷史數據聯合建模。通過時空序列預測模型ConvLSTM，利用卷積捕捉時間序列中的空間特征，得到未來24h AOA虛擬柵格用戶分布。二維時間序列輸入，預測輸出同樣為二維。時空循環神經網絡預測模型如圖3所示。

圖3 時空循環神經網絡預測模型

模型基于TensorFlow實現。在神經網絡參數的設置方面，將前7天同小時歷史數據輸入兩層ConvLSTM，前1天24h歷史數據輸入兩層ConvLSTM，ConvLSTM模塊的參數均設置為3×3大小的16個卷積核。最終兩部分的輸出均為通道數為16的三維張量，經過卷積核大小為3×3、數量為1的二維CNN進行特征融合，最終輸出與原始輸入的二維分布大小一致的預測分布矩陣。具體訓練過程中，選取的batch大小為64，選擇數據集80%的小區作為訓練集，剩余的20%的小區作為測試集。實驗中應用早停法來選擇最優的模型參數。

（3）評估方法及性能分析

預測目標為用戶分布隨時間的變化。本文使用前7天數據預測第8天×24h用戶分布。將第8天真實數據、預測數據與基線×數據進行對比，如圖4所示，從左到右依次為真實值、預測值、基線。基線為前7天同小時該柵格采點數平均值。

圖4 時空循環神經網絡預測效果

本文選用相對熵（亦稱為KL散度）作為模型的評價指標，其定義為兩個概率分布的不對稱性度量。當兩個概率分布相同時，它們的相對熵為零，當兩個概率分布的差別增大時，相對熵會增大。相比于基線，預測結果相對熵（kld）更低，即準確率更高。時空循環神經網絡的預測誤差如表1所示。

表1 時空循環神經網絡的預測誤差

3 基于用戶分布預測實施波束自動調整

3.1 Massive MIMO波束賦型技術簡介

Massive MIMO天線的波束賦形（BF——Beamforming）功能在為小區用戶發射數據時，可以通過調整天線的波寬以及上、下、左、右的方向來實現三維的精準波束賦形，使輻射出去的能量集中于用戶所在的方向，而不是均勻地分布在整個小區的范圍，這樣用戶能夠感受到更高的能量，可以獲得更高的SINR，相應地數據傳輸速率也能獲得提高。BF對發送信號進行加權，形成指向UE的窄帶波束。NR Sub6G多天線下行各信道默認支持波束賦形，可以形成更窄的波束，精準地指向用戶，提升覆蓋性能。

Massive MIMO目前主要是廣播波束SSB和業務信道CSI-RS，業界一直認為分別對SSB的優化和CSI-RS的優化是保障物理網絡性能的重要手段。協議規定，SSB波束包含7個或者8個（協議不超過8 個）子波束。按照時分方式輪發，每個波束占用4個符號，決定小區接入和切換性能。波束覆蓋基于場景化參數配置，是小區級靜態波束。表征一個波速的四元組為方向角、傾角、水平波束寬度、垂直波束寬度。

3.2 基于用戶分布預測的SSB波束權值尋優算法

本文中最大SSB個數設置為8，根據前節得到的用戶分布預測結果，利用動態規劃算法，生成最優的SSB 8波束配置，如圖5黑色矩形所示，底圖代表某小區SSB波束總體覆蓋范圍，水平方向為±55°，垂直方向為-5°到15°，每個色塊為5×1度柵格中預測的采樣點數占整個色塊的采樣點比例。考慮SSB波束覆蓋連續性，本文設計SSB波束權值尋優算法時，一方面限制高層（垂直2至-6°）采用0到2個波束，通過尋優確保每個波束覆蓋15%的采樣點；另一方面限制底層（垂直10至2°）采用6到8個波束，通過尋優，確保覆蓋最多的采樣點，同時保障底層覆蓋聯系性。

圖5 某小區某時段SSB子波束方案

3.3 應用效果

基于用戶分布預測的的SSB波束權值尋優算法在現網部署后，5G網絡覆蓋率提升0.55pp，分流比提升0.37pp，下載速率提升2%，同時天線權值動態調整相較傳統人工調整工作效率得到明顯提升，如表2所示。

表2 權值算法應用成效

總結：本文結合5G網絡實際，提出了一種5G網絡覆蓋范圍內的區域用戶分布預測的深度時空網絡模型，首先建立靜態標準庫，將用戶位置分布與小區波束信息進行聯合畫像，再利用機器視覺算法，快速尋找各圖像間特征關聯，通過多小區聯合尋優，只需較少次數迭代計算，即可快速獲取天線波束參數最優配置。其次引入時空循環神經網絡，同時考慮用戶分布歷史數據和當前態勢變化，刻畫周、天、小時級的變化特征，實現用戶分布精準預測。最后基于用戶分布預測設計SSB波束權值尋優算法，驗證了本文提出的模型對工作日和周末的流量預測精度都比已有流量預測模型有顯著提升。在下一步工作中，可以將基站的用戶分布預測應用于5G網絡資源配置與流量分析的應用中。同時，隨著5G網絡基站大規模部署的開展，基于本文研究工作進行基站活躍/休眠的集群策略研究也將具有重要意義。