基于人工智能的TDD靈活時隙研究

王 偉 張 濤

中國聯通研究院 北京 100176

引言

傳統的移動通信主要針對消費者而設計，以文件下載以及視頻、網頁、即時通信等下行業務需求為主，上行需求非常少。隨著行業的發展，以視頻回傳、網絡直播、智能制造為代表的上行業務蓬勃發展，對網絡提出更多新的需求。雖然5G面向eMBB、mMTC和URLLC這 3 大場景而設計，考慮和迎合了垂直行業的需求，但是在實際應用過程中，其上行能力仍顯不足。以視頻回傳為例，不同清晰度對于上行速率的需求如表1所示。

表1 不同清晰度的視頻碼率需求和上行帶寬需求

而對于目前3.5GHz頻段的幀結構單載波實測數據峰值速率只能達到350Mb/s。如果網絡能夠同時支持多路的1080P和2K、4K高清視頻數據信息傳輸，則會大大提高行業客戶決策指揮的速度和質量。這在智能制造、遠程醫療、安防監控、交通管理等眾多領域都有大量的應用空間[1]。

1 NR幀結構和時隙

NR的無線幀結構和子幀的長度都是固定的，1個無線幀的長度固定為10ms，1個子幀的長度固定為1ms。在正常的CP下，每個幀以及子幀的時隙數，每個時隙的符號數如表2所示[2]。

表2 在正常的CP幀的時隙數和符號數表

NR在時隙設計上有兩個特點，一個是多樣性，一個是靈活性。多樣性是指它的自包含特性，即接收機解碼一個基本數據單元時，無須借助其他基本數據單元，自身就能能夠完成解碼，目的是用于縮短時延；而多樣性是指NR的下行分配和上行分配可針對不同的終端進行動態調整，實現符號級變化。

NR每個時隙中的OFDM符號可以分為下行符號(D)、靈活符號(F)和上行符號(U)。下行符號僅用于下行傳輸，上行符號僅用于上行傳輸，靈活符號可用于上行傳輸、下行傳輸、GP或預留[3]。

如圖1所示，NR的時隙類型可分為4大類。

圖1 時隙類型

Type1：全下行時隙(DL-only Slot)，僅用于下行傳輸。

Type2：全上行時隙(UL-only Slot)，僅用于上行傳輸。

Type3：全靈活時隙(Flexible-only Slot)可用于上行傳輸、下行傳輸、GP或預留。

Type4：混合時隙(Mixed Slot)，Type4-1和Type4-2具有靈活的數據發送開始和結束位置，適用于靈活TDD時隙場景。Type4-3適用于下行自包含子幀/時隙。Type4-4適用于上行自包含子幀/時隙。Type4-5是7個符號的Mini-slot。

NR有3中不同的信令機制通知終端，時隙內的符號是用于上行傳輸還是下行傳輸。時隙配置方式圖如圖2所示[4]。

圖2 時隙配置方式圖

第一類：Cell-specific RRC信令半靜態配置，通過SIB1信息傳遞相關配置。相關配置參數包括：TDD-UL-DL-Configuration-Common(上下行時隙配置)；Reference Subcarrier Spacing(子載波間隔)；Pattern(Pattern1為單周期，雙周期增加Pattern2)；DLUL-Transmission-Periodicity(時隙切換周期)等。

第二類：UE-specific RRC信令半靜態配置，通過高層信令UL-DL-Configuration-Dedicated傳遞相關配置。

第三類：UE-group SFI(Slot Format Information)信令動態配置，通過DCI format2_0傳遞相關配置。

第四類：UE-specific DCI信令動態配置，通過DCI Format0_1傳遞相關配置。

2 不同時隙配比產生的干擾

如圖3所示，靈活時隙最終落地部署在網絡時，面臨的最大挑戰是不同時隙配比帶來的干擾問題。上下行時隙重疊會帶來基站上行和終端下行的同頻和鄰頻干擾。其中基站對基站的干擾比較嚴重，尤其是同頻干擾會更加的嚴重。由于終端的移動性，終端與終端之間的干擾概率相對較低[5]。

圖3 不同時隙配比產生的干擾場景圖

按照I/N=4.7dB干擾準則，根據理論計算給出了如下場景，基站能夠共存的隔離要求如表3所示。

表3 I/N=4.7dB干擾準則下不同時隙配置的基站間隔離度要求

按照I/N=-6dB干擾準則，根據理論計算給出了如下場景，基站能夠共存的隔離要求如表4所示。

表4 I/N=-6dB干擾準則下不同時隙配置的基站間隔離度要求

從計算結果來看，室外宏站和室內小站是有可能實現共存的，實際網絡中要視具體的情況來判斷干擾對系統容量和業務體驗的影響。因此靈活時隙實現的關鍵問題是干擾問題的解決。傳統的干擾解決措施包括空間隔離、射頻優化(天線方位角和下傾角的調整、發射功率的下調)等，都會壓縮靈活時隙的應用場景。將人工智能引入到靈活時隙功能中，則可大大地擴展靈活時隙的應用空間。

3 基于人工智能的靈活時隙

為了解決靈活時隙落地應用面臨的最大問題—異時隙干擾，本文引入了人工智能的手段，通過人工智能解決業務預測、干擾檢測等問題，做到干擾可控、干擾可避，從而使靈活時隙可以在更多部署場景下落地應用。

首先，根據前期的業務數據，通過人工智能精準預測未來數據的變化趨勢，從而針對性地調整幀結構。例如，在預測到接下來的時刻，上行業務將快速增長，這時就需要網絡考慮匹配更多的上行時隙。在幀結構調整之前還需要對干擾進行檢測和判斷，判斷干擾后的性能是否比幀結構調整之前有所提升，如有提升則執行幀結構調整，同時配合干擾規避技術以提升抵抗干擾的能力以及穩定性。如沒有提升則保持幀結構不變。在網絡運行過程中還將同時監測和預測業務變化情況和干擾變化情況，根據新的業務情況和干擾情況來調整網絡的時隙配比，從而匹配用戶體驗。基于人工智能的靈活幀結構方案流程如圖4所示。

圖4 基于人工智能的靈活幀結構方案流程

3.1 基于人工智能的業務預測技術

目前常用的預測算法分為兩大類，一類為基于序列特征的預測方法，包括Arima、Prophet等時間序列算法。這類算法基于時間序列本身的特點，將序列分解為周期性、趨勢性、隨機擾動幾部分進行建模和預測。另一類為回歸預測算法，包括神經網絡、SVM等回歸算法，基于歷史數據建立回歸模型來達到預測未來數據的目的。回歸預測算法又分為如下幾類經典模型。

1)差分自回歸移動平均模型：該模型是一種可加性回歸模型，預測算法是基于自適應參數設置的ARIMA模型，該模型的特點是能夠對時間序列數據進行較準確的預測，但需要人工確定多個參數，且單個模型計算耗時較長，不利于批量模型的訓練。

2)Prophet模型：該模型也是一種可加性回歸模型，算法基于Python和R語言的時間序列預測算法。該模型的特點是建模效率高，可快速完成建模適用與批量模型創建；模型準確性高，適用性好，可配置參數多，能夠更好適配實際問題的場景。

3)LSTM模型：該模型是最先進的順序數據算法之一，該算法包含內部存儲器。長短時記憶網絡(Long Short Term Memory Network，LSTM)，是一種改進之后的循環神經網絡，可以解決RNN無法處理長距離依賴的問題。該模型的特點是LSTM對于長期的時序數據有較好的預測準確性，但其建模的硬件性能與時間消耗較大，特別是需要通過人工的方式設定算法參數，不利于批量訓練模型。

本文根據一定時間范圍和粒度構建成原始數據，在此基礎上進行可量化計算、統一評估準則等處理后，再進行數據挖掘建模，采用LSTM模型對網絡KPI進行預測。KPI指標可以為上/下行PRB利用率、CCE利用率、無線利用率、數據流量、RRC連接率等。一般時間粒度為1小時或15分鐘，可以預測未來某一天(或幾天)內，以相同時間粒度為單位的網絡KPI指標。圖5是利用LSTM算法預測出以小時為時間粒度的上行PRB利用率。圖中橙色線段為歷史數據和預測數據，藍色線段為實測數據。通過比對預測結果平均絕對誤差(MAE)為3.87%，均方根誤差(RMSE)為0.56%。

圖5 基于人工智能的業務預測結果

3.2 基于人工智能的干擾檢測技術

傳統的干擾檢測需要技術人員通過掃頻儀收集信號的時頻信息，利用技術經驗來判斷干擾類型和來源。這樣的檢測往往時效性不夠，而且準確度依賴于技術人員經驗的豐富程度。而實現時隙的靈活配置則需要對干擾類型和程度進行實時準確的判斷。因此本文將人工智能引入到干擾檢測中，提供準確高效的干擾檢測。

基于人工智能的干擾檢測技術分為三大步驟。

第一步為數據采集，不同于以往，該功能需要由基站自身來實現。基站需要采集到時間顆粒度為一個OFDM符號級，頻率顆粒度為RB級的干擾信息，即基站接收到的處于有用信號以后的干擾信號強度信息。

第二步為樣本生成，將基站采集到干擾信號強度數據解析成寬度為1個時隙，長度為一個載波帶寬的數據塊樣本，類似于圖片信息。

第三步為AI識別模型訓練，專家對干擾樣本數據進行分類后，進行AI訓練，構建干擾特征識別模型。

訓練算法采用的是MobileNet的CNN技術，MobileNet的基本單元是深度級可分離卷積(Depthwise Separable Convolution)，其實是一種可分解卷積操作(Factorized Convolutions)。其可以分解為兩個更小的操作：深度卷積(Depthwise Convolution)和逐點卷積(Pointwise Convolution)。圖6是人工智能干擾檢測技術實現示意圖。

圖6 基于人工智能的干擾檢測方法

對于單個干擾類型的干擾識別的準確率基本上可以達到98%以上，但是對于多個干擾類型同時存在時的干擾識別還是存在著一些挑戰。目前考慮的解決方案是將圖片分割來進行多標簽建模。混合干擾類型示意圖如圖7所示。

圖7 混合干擾類型示意圖

業務預測+底噪監測可以獲得未來時刻的時頻底噪數據預測結果：

那么，單個RB的上行信噪比可表示為

單個RB的上行頻譜效率可表示為

那么小區上行容量則可表示為

單用戶速率體驗可表示為

利用人工智能將數據中RSRP，received power PRB utilization進行聚類，分成M類

可以按照用戶的位置和周圍的無線環境進行類別匹配來評估這個用戶此時的吞吐量，同時評估整個小區的吞吐量。

3.3 干擾規避技術

時隙不同導致的干擾具有一定的規律性，可以針對這些規律設計出一系列的干擾規避技術，如圖8所示。

圖8 3.5G不同時隙配比的干擾時序圖

圖8中時隙2會產生室外宏站對室內小站的干擾，時隙3和7也會產生室外宏站對室內小站的干擾，但由于S時隙中里面包括部分保護間隔和上行符號，因此干擾程度有所不同。這樣的干擾會呈周期狀態反復出現。每個時隙的干擾程度也會與當時下行RB的利用率有密切關系。因此，針對以上干擾規律設計了一些列的干擾規避技術，包括智能自適應調制、聯合調度、波束協同等。

3.3.1 智能自適應調制

智能自適應調制根據時隙受干擾的情況不同，可以配置多套AMC，每套AMC資源是獨立的；共享相關參數配置和映射表。調度器對每個終端區分AMC類型進行不同信道質量資源分配。以圖8為例，時隙2匹配AMC-1；時隙3和7匹配AMC-2；時隙8和9匹配AMC-3。除此之外，相同的時隙在施擾站不同的下行負荷的情況下對受擾站的干擾也會有差別，智能自適用調制可以通過智能預測施擾站的業務負荷的變化情況，進行預MCS，避免MCS調制不當，造成誤碼率過大或頻譜效率過低的問題[6]。

3.3.2 聯合調度

施擾小區和受擾小區之間存在著相互關系，施擾小區負荷重就會對受擾小區產生比較大的干擾，那么為了更有效地傳輸數據，將施擾小區和受擾小區進行聯合調度，從時隙和頻率維度統籌考慮兩個小區，達到預定好的相關目標或策略。

例如，以系統吞吐量最大為策略時采用如下公式。

同時要保證施擾小區下行吞吐量不低于某個門限值，實施優先滿足受擾小區的上行吞吐量原則。

3.3.3 波束協同干擾規避

波束協同干擾規避是通過室外宏站的波束調整減少打向室內的波束功率，從而減少室外小區對室內小區的干擾。在圖8中，存在干擾的時隙為時隙2、3和7。在干擾時隙上宏站盡量選取非朝向室內的波束調度資源，盡量不在朝向室內的波束上調度資源。該技術實現簡單，可以一定概率上降低了施擾的業務波束對受擾站的干擾。但也會影響室外邊緣用戶的覆蓋，可以考慮在室外站負荷不高時使用。

4 總結

隨著行業應用的發展，以視頻回傳、網絡直播、智能制造為代表的上行業務對網絡上行速率和容量的需求越來越強烈和普遍。TDD的靈活時隙配比能力能夠匹配上述需求，但是由于在網絡部署時，不同時隙配置帶來的基站間干擾給此能力的落地應用帶來了非常大的障礙。本文提出了一種基于人工智能的TDD靈活時隙方案，通過人工智能的手段來解決異時隙干擾問題。該方案包括了基于人工智能的業務預測和干擾檢測，同時配合干擾規避技術以提升網絡抵抗干擾能力以及穩定性。通過以上技術實現對干擾的準確檢測、評估和規避，結合對業務的準確預測實現基站靈活配置時隙來匹配業務需求，以最優解獲得該時隙配置下最大系統性能和用戶體驗[7-8]。