（2020年度“華蘇杯”獲獎論文三等獎）基于終端采樣數據AOA的方位角預測方法研究

陳大龍 朱格苗 霍永章 王計斌

南京華蘇科技有限公司

0 引言

通信服務與生活質量和生產效率密切相關，為了保障網絡質量，大量基站被投入建設和使用，這在提高民眾服務體驗的同時，也帶來了很大的優化壓力。無線網絡優化主要通過天線參數調整實現。常見的天線參數主要有方位角、下傾角、站高等，其中以方位角最為重要。但由于受許多外界因素的影響，天線范圍經常發生改變。長期以來，天線方位角的獲取工作主要通過人工進行，過程耗時耗力，還會存在一定的安全隱患，設備局限和疲勞作業也很難保證方位角的精確性和時效性。實現方位角的自動化預測，成為時代需要。

1 研究背景與意義

天線方位角是非常重要的天線參數，直接決定天線信號的作用區域，影響到用戶的使用體驗，因而廣受重視。為了改進方位角測量技術，行業和學術領域相關人士做了各種嘗試，但始終未能實現大范圍的方位角自動預測。針對這個問題，本文提出一種基于終端采樣數據信號到達角度（Angle of Arrival，AOA）的方位角預測方法。AOA是3GPP（3rd Generation Partnership Project，第三代合作伙伴計劃）規范4G、5G網絡測量報告（Measurement Report，MR）中的測量值，是反映終端相對服務小區的信號到達角或參考方位角。利用AOA-方位角數學模型實現天線方位角的實時準確檢測，利用真實可靠的數學聯系，克服不同的場景影響，實現大范圍的自動預測。

2 數據收集

本文數據來源主要是福建省移動公司的MR（Measurement Report）大數據采集平臺，主要數據有實時終端上報的MDT數據、實時資管工參、實際方位角人工勘測數據，如表1所示。首先，在福建省寧德市隨機選擇256個樣本小區，涉及多種覆蓋場景且保證設備功能無異常。然后，基于樣本小區，依次獲取最小化路測（Minimization of Drive Tests，MDT）數據、資管工參和人工勘測方位角。其中，MDT和工參數據主要用于方位角預測，人工勘測方位角主要用于精度驗證。

表1 數據選擇詳細情況表

3 方法論

3.1 Tadv-distance關系數據清洗

由于反射和折射等情況的影響，AOA質量不夠理想。為提高AOA數據質量，本文主要利用用戶-基站直線距離（ditance）與Tadv之間的關系，采用Tadv-distance關系篩選，對部分反射和折射用戶進行識別和去除。

3.1.1 Tadv

時間提前量（Timing advance，Tadv）是基站到用戶之間信號傳播時間的離散化指標，可以反映二者之間的距離特征。Tadv以Ts為時間計量單位，每16個Ts作為一個取值單位，對應一定的距離區間，如表2所示。1Ts對應的時間如下：

表2 Tadv數值情況表

轉化為距離：

式中，Ts為Tadv的時間單位；dist為Ts對應的距離；c為光速。

3.1.2 用戶-基站距離

用戶-基站距離指用戶和基站之間的直線距離，可根據基站經緯度和用戶經緯度，利用球面距離公式計算得到，過程如下：

式中，D為用戶和基站之間的直線距離；α1，β1分別為基站經緯度；α2，β2分別為用戶經緯度；R為地球半徑。

3.1.3 Tadv-distance關系清洗

理想情況下，用戶-基站距離與Tadv對應的距離區間相匹配。但是當反射或折射等異常發生時，Tadv會明顯增大，造成二者關系異常。借助Tadv和用戶-基站距離之間的關系進行數據清洗，主要過程如下：

（1）Tadv區間獲取。從MDT數據中獲取Tadv，利用公式Tadv定義，主要過程如下：

式中，d為距離變量，用以區間表示；TA為終端上報的Tadv值；dist為Tadv的時間單位所對應的距離，通過公式（1）和（2）計算得到。

（1）用戶-基站距離計算。從MDT數據中獲取用戶經緯度，從資管工參中獲得基站經緯度，利用公式（3）計算用戶-基站距離D。

（2）MDT數據清洗。根據用戶-基站距離和Tadv區間的匹配情況進行篩選，關系不匹配的用戶數據為異常數據，進行剔除。

3.2 基于AOA的方位角預測方法

3.2.1 AOA

eNB信號到達角（Angle-of-Arrival，AOA）是對用戶和基站相對角度的反映，以法線方向為參考方向，以0.5度為單位角度，逆時針方向旋轉一周，數值逐漸遞增，如圖1所示。

圖1 AOA原理圖

表3 AOA取值情況

3.2.2 方位角-AOA關系分析

天線方位角和AOA數值之前存在一定的數學關系，AOA是用戶相對天線方位角的角度特征，二者關系的分析過程如下：

（1）將MDT數據中的AOA指標轉化為順時針方向遞增的角度指標，主要過程如下：

式中，angleAOA為轉化后的AOA順時針角度；AOA為MDT數據 中的AOA指 標；n為整數，將angleAOA轉化到0～360°范圍內。

（2）計算用戶相對基站的方位角。點站方位角以正北方向為參考方向，順時針遞增，數值范圍為0～360°，可利用用戶和基站的經緯度計算得到：

式中，angle為用戶相對基站的方位角；lon和lat分別為用戶經度和緯度；loncell和latcell分別為基站經度和緯度。

（3）確定AOA和天線方位角的關系。AOA以法線方向為參考方向，以0.5度為計量單位，逆時針旋轉遞增，數值范圍為0～719離散。天線方位角則以正北方向為參考，順時針方向旋轉遞增的角度指標，取值范圍為0～360°連續，二者的數學關系如下：

式中，angleAOA為轉化后的AOA角度；angle為用戶相對基站的方位角；angleazi為天線的法線方位角；n為整數，將angleAOA轉化到0～360°范圍內。

3.2.3 利用AOA實現方位角預測

AOA和方位角之間的數學關系為方位角的高質量預測提供了切實的理論支撐。

方位角預測主要過程如下：

（1）MDT數據清洗。獲取MDT數據中的AOA、Tadv、用戶經緯度和資管工參中的基站經緯度等信息，計算用戶到基站的距離，進行ta-distance數據清洗。

（2）AOA指標調整。AOA數值特征與方位角差異較大，為便于后續計算，將其調整為順時針遞增的角度數據。

（3）構建AOA-方位角數學模型。根據用戶和基站的經緯度，計算點站方位角，構建AOA-方位角數學模型。

（4）方位角預測。利用AOA-方位角數學模型，逐用戶預測方位角，并將最終預測結果進行平均運算，得到最終的預測方位角。

3.3 方位角預測結果高精度篩選

3.3.1 真實AOA和工參AOA的關系分析

根據公式（7）可知，真實AOA角度和工參計算AOA角度的計算過程如下：

圖2 工參AOA角度與真實AOA角度關系圖

3.3.2 理論AOA偏差與真實AOA偏差關系分析

即：

3.3.3 基于AOA偏差的高精度預測小區篩選

為盡量克服數據偏差的影響，以小區為單位，利用AOA理論偏差實現高精度預測小區篩選。

主要過程如下：

（1）理論AOA角度偏差計算。利用工參數據、MDT數據中相關指標，通過公式（5）、（6）、（8）和（11）計算得到理論AOA角度偏差

（2）計算篩選指標。根據理論AOA偏差和真實AOA偏差的關系，求取高精度篩選指標：

（3）設置篩選閾值，進行高精度篩選。根據篩選指標var的數值分布情況，設置一系列閾值T，進行閾值篩選，獲得高精度預測小區結果：

3.4 方位角預測結果精度驗證

3.4.1 點站距離清洗后AOA質量評價

為對Tadv-distance關系篩選后的AOA質量進行評估，本文利用基站經緯度、用戶經度計算用戶和勘測方位角計算理論AOA，并與MDT數據AOA數據進行比較，分別計算偏差10°、20°和30°內數量占比，作為10°準確率、20°準確率和30°準確率。

3.4.2 方位角預測結果精度驗證

本文利用方位角預測值和勘測值進行比較，分別統計二者偏差在10°、20°、30°之內的小區數量占比，作為10°準確率、20°準確率和30°準確率，實現精度驗證。

式中，Rate10、Rate20、Rate30分別為10°準確率、20°準確率和30°準確率；num10、num20、num30分別偏差在10°、20°、30°之內的小區數量；numall為預測的總樣本小區數數量。

4 試驗及結果

4.1 AOA質量篩選結果

根據Tadv和點站直線距離的關系，對MDT數據進行Tadv-distance關系清洗，去除部分反射、散射和遮擋用戶，獲得AOA數據質量的前后變化情況，如表4所示。由結果可知，Tadv-distance關系清洗會造成用戶數量大量減少，但整體AOA質量得到明顯提升。

表4 Tadv-distance篩選前后AOA質量

4.2 方位角預測結果

本文利用基于終端采樣數據AOA的方位角預測方法，對樣本小區進行方位角預測，獲得預測結果，如表5所示。根據預測結果可知，基于AOA方位角預測的方法具有較好的預測效果，偏差10°之內的預測小區達到167個，精度為65.23%；偏差20°之內的預測小區達到219個，精度為85.55%；偏差30°之內的預測小區達到238個，精度為92.97%。

表5 基于終端采樣數據AOA的方位角預測結果

4.3 高精度篩選結果

基于工參（工程參數）AOA和真實AOA，計算出的工參方位角和真實方位角之間，存在相對偏差角α的關系，利用AOA偏差的篩選指標var進行高精度預測小區篩選。根據var的統計結果（如表6所示），選擇一系列不同的閾值進行篩選，輸出篩選結果（如表7所示）。根據篩選結果可知，var對于高精度預測小區篩選效果顯著，閾值T取0.3時，可篩選出87.11%的樣本小區，10°準確率達到70%以上，20°準確率達到90%以上；閾值T取0.4時，可篩選出94.92%的樣本小區，30°準確率達到95%以上。通過對不同閾值篩選時的預測準確率趨勢分析可知，閾值選擇越小，篩選條件越嚴格，預測精度越高，閾值選擇和預測精度具有明顯的相關性。

表6 高精度預測小區篩選指標數值統計

表7 高精度預測小區篩選結果

5 結束語

本文提出一種基于終端采樣數據AOA的方位角預測方法，通過建立終端上報AOA、用戶經緯度和基站經緯度之間的數學關系模型，實現天線方位角檢測。通過樣本小區測試，經過Tadv-distance關系篩選，AOA質量明顯提高；利用數學模型作為理論支撐，可實現方位角的準確預測，10°、20°和30°內預測精度分別為65.23%、85.55%和92.97%；預測結果高精度篩選效果較好，精度較高，篩選數量也很可觀。