基于聚類算法的覆蓋尋優研究

朱 偉 李明鑫 張 晶 趙志揚 仇 勇 葉 萍

中國移動通信集團江蘇有限公司

0 引言

網絡覆蓋，尤其是深度覆蓋能力，已經成為影響用戶滿意度的重要因素。傳統優化手段在對弱覆蓋進行分析提升時，存在問題定位精度低、解決方案依賴人員能力、調整工作量大等問題。

江蘇移動構建多維特征數據庫，將基站小區聚類，基于傳播模型生成路損矩陣。聚焦問題區域，通過機器學習自動查找射頻優化最優方案，提升整體覆蓋能力，是本文的主要研究目標。

1 技術解決方案

1.1 構建多維度特征

基于現網工參、地物地圖、MR數據將不同的特征構建為不同的矩陣，完成基站小區特征提取。如圖1所示。

圖1 基于現網數據構建小區/柵格多維度特征

1.2 小區聚類和路損生成

依據多維小區特征，通過DBSCAN聚類算法對小區進行聚類，將特征強相關的小區歸為一類。應用射線追蹤模型，充分考慮建筑物特征、分布對信號傳播的影響，生成小區和柵格級路損矩陣。為提高準確性，借助DT/MR數據對路損矩陣進行修正。

DBSCAN聚類算法是一種基于密度的算法，能夠將空間中具有足夠相似特征的區域劃分為簇，并有效識別噪聲數據，最終的簇可以是任意形狀。聚類過程如下：

輸入：數據對象集合D，半徑Eps，密度閾值MinPts。

輸出：聚類結果。

（1）初始化。隨機選擇數據對象集合中的一個樣本p，檢查其相鄰域，若包含的對象數不小于密度閾值，建立新集合簇C，將其中所有點加入候選對象集合；若包含的對象數小于密度閾值，就重新選擇新的樣本；（2）對候選數據對象集中，尚未被處理的對象q，檢查其相鄰域，如果q未歸入任何一個集合，則將q加入C；（3）重復步驟（2），檢查數據對象集中未處理的對象，直到當前候選數據的對象集為空；（4）重復步驟（1）-（3），使得所有的對象，都歸于某個集合簇，或者標記為噪聲；（5）輸出聚類結果。

數據對象集合D為已進行特征提取的基站小區集合，半徑Eps為建筑物密度、大小、地物類型、站點高度以及站間距的加權距離，密度閾值為半徑內的樣本數。

圖2射線追蹤模型按照三維電子地圖進行建模分析，從發射機開始，找出接收機所有的傳播路徑。通過計算每條射線到達接收點實際經過的所有損耗，再在接收機端將所有電平疊加，得到實際的接收電平。

圖2 射線傳播模型圖示

1.3 迭代尋優

1.3.1 目標函數確定

確定之前需要明確優化區域及優化小區，主要通過以下步驟確定：

（1）根據MR數據的定位柵格結果，確定覆蓋問題區域；

（2）根據問題區域，確定關聯小區；

（3）對關聯小區設置調整比例，并結合話務地圖確定小區的調整優先級別。

優化范圍明確后，結合優化需求，設定目標函數。確定目標函數時充分考慮指標類型和權重，通過權重確定不同指標的優化側重點。

目標函數=A%×MR覆蓋比例（%）+B%×重疊覆蓋比例（%）

其中，A%+B%=1。

MR覆蓋比例及重疊覆蓋比例算法為大于覆蓋門限的柵格所占權重除以全量柵格的權重。

本文充分考慮覆蓋能力提升后對重疊覆蓋造成的影響，將MR弱覆蓋比例提升[0.2%，+∞]且重疊覆蓋比例浮動介于[+∞，2%]作為尋優過程中的約束條件。

1.3.2 算法建模

利用“粒子群”算法確定目標函數最優解，輸出相應小區調整方案，從而得到網絡性能的最優解。

粒子群優化算法的核心是利用群體中的個體對信息的共享，使得整個群體的運動在問題求解空間中獲得從無序到有序的演化過程，從而獲得問題的最優解。這與我們通過調整基站的下傾角從而獲得覆蓋最優解的思路相同，因此選用了該算法。

算法思想如下（見圖3）：

圖3 粒子群算法實現流程圖

（1）種群初始化：隨機初始化，計算個體的適應值，確定初始個體的局部最優位置和目標函數的全局最優位置，設置結束條件；

（2）速度更新：更新每個個體的速度；

（3）位置更新：更新每個個體的位置；

（4）局部最優位置更新：計算更新過個體的適應值，并與每個個體的局部最優位置進行比較，如果個體適應值大于局部最優位置，則更新局部最優位置；

（5）全局最優位置更新：比較局部最優位置和全局最優位置，如果局部最優位置大于全局最優位置，則更新全局最優位置；

（6）對結束條件進行判斷，如滿足則輸出全局最優位置；否則繼續進行迭代，跳轉至（2）。

輸出目標函數最優解，將結果作為覆蓋問題區域、緩沖區域，閉環前后各KPI指標的評估值。

表1 粒子群算法輸出小區調整方案

1.4 算法比較及驗證

為了驗證粒子群算法準確性和有效性，本文選泰州市海陵南部區域進行試點，運用算法輸出問題區域，針對方案進行覆蓋優化，并對實驗結果做了對比和驗證。對比發現兩者覆蓋率提升效果差異很小，但是計算速率有較大差異，由此可見粒子群算法具有更高的效率。

表2 蟻群算法和粒子群算法的對比

2 仿真驗證與可行性評估

選取海陵城郊15個連片基站共57個小區進行仿真和測試驗證。通過仿真，24個小區需進行電子俯仰角調整，4個小區需進行機械俯仰角調整。

根據優化算法給出的RF最優方案，后臺通過命令完成24個小區的電子傾角修改，前臺安排施工隊完成4個機械傾角的修改。

對調整前后15個基站57個小區的覆蓋情況進行對比分析，改善明顯。

現場使用CDS軟件對區域內主要道路覆蓋情況進行測試評估，調整前后道路LTE綜合覆蓋率從96.32%提升到98.79%，提升幅度2.47%。

從數字絕對值統計看，15個基站覆蓋區域應用智能優化方案后，區域MR覆蓋率提升2.20%。

圖4 優化前后區域MR覆蓋率對比

根據15個基站的應用結果來看，仿真結果與測試結果覆蓋改善柵格、提升幅度、趨勢均基本一致。所以該算法可以有效分析弱覆蓋問題，并輸出合理的權值優化建議。

3 現網實踐

3.1 實踐區域選取

選取海陵區進行試點，區域內涉及站點623個。

3.2 聚類分析

通過聚類分析，將實踐區域匯聚為三類，分別是：（1）建筑面積大、高度低，站點密集度高（421個）；（2）單個建筑面積小、高度中，站點密集度中（125個）；（3）環境開闊建筑物少，站點密集度低（77個）。

3.3 迭代尋優與效果評估

通過迭代尋優算法對應用區域的基站進行分析，輸出需調整電子下傾角小區150個、機械下傾角小區43個，一周內完成全部小區調整。

調整前后MR對比：應用優化后MR覆蓋率從92.76%提升至94.31%，RSRQ小于-12 MR比例從11.52%壓降至9.74%。

表3 優化前后MR覆蓋率和干擾比例對比

DT拉網數據進行驗證：DT拉網閉環前后對比平均RSRP從-74dBm提升至-72.2dBm，平均SINR從13.73dB提升至16.99dB。

表4 優化前后平均RSRP和SINR對比

調整前后KPI保持穩定，業務量及用戶數提升明顯。

表5 優化前后性能指標和業務吸收情況

4 推廣價值

4.1 覆蓋分析精準，全面細致定位問題

基于現網基礎數據，通過網絡評估定位問題小區/柵格。相較于路測、掃頻分析而言，可以更為全面地評估網絡覆蓋情況；相較于傳統MR分析而言，可以更細粒度地呈現網絡覆蓋情況。使得網絡優化人員可以全面、細致地定位覆蓋問題區域，開展后續工作。

4.2 實現迭代尋優，大量減少RF工作量

依據基站小區工程參數、話務、MR、道路測試等數據聚類小區，在傳播模型基礎上通過算法實現仿真結果與測試結果覆蓋改善柵格、提升幅度、趨勢均基本一致，從而構建機器學習算法。迭代尋優自動找到天線電子下傾角、機械下傾角最優值，以改善網絡覆蓋問題，實現智能優化。

與傳統優化方式相比，智能迭代尋優減少了對人工優化的依賴，從全局角度考慮，動態進行RF參數調整，及時洞察網絡質量，有針對性地及時調整和輸出網絡覆蓋質量情況，大大節省了資源的投入。

5 結束語

本文依據網絡基礎數據、電子地圖、話務地圖、DT和MR數據等源數據構建小區/柵格多維特征庫。從而將基站小區聚類，運用無線傳播模型生成路損矩陣。針對問題區域，通過機器學習自動查找RF優化最優方案。

主要創新點：（1）高精傳模：依據多維特征對小區聚類，運用射線追蹤模型獲得無線傳播路損，通過MR/DT數據進行矯正后的傳模精度更高。（2）智能尋優：根據不同指標需求設置目標函數，通過權重明確優化指標的側重點；實現機器學習，自動輸出RF調整方案，以較少的調整量達到預期效果。（3）高效優化：避免大量道路測試和手動分析，減少對網絡優化人員的依賴，降低成本。

先進性：與傳統優化方式相比，智能尋優降低了對人工優化的依賴，并且可以根據分析RF參數調整，能夠敏銳地發現網絡層的覆蓋、質量等變化情況，針對性及時調整和輸出合理方案，提升網絡質量。