5G網絡優化中人工智能的應用研究

◇鶴壁職業技術學院電子信息工程學院 張玉嬌 肖文珂

1 人工智能技術

人工智能是一門新的科學技術，它致力于讓機器或計算機具有類似人的智能，能夠模仿人進行學習、行動、思考、感知和語言等智能行為。近年來，人工智能這一概念越來越頻繁的進入大眾視野，其應用也在逐漸滲透到人們的生活的方方面面。人工智能與各行各業的聯系也越來越緊密，在制造、教育、環保、交通、商業、健康醫療和網絡安全等重要領域都得到了廣泛而深入應用。人工智能已不光局限在如何模擬人類行為活動，而是更傾向于“泛智能”建設，即通過人工智能，實現問題發現、問題分析和問題解決.以更具備創意和高效的方式使得復雜問題得以處理[1]。在互聯網+時代，能夠有效推動各個領域與互聯網深度融合的關鍵因素非人工智能莫屬，同時它也是推進網絡強國戰略和制造強國戰略的重要驅動力量。

2 網絡優化

網絡優化貫穿于網絡建設與運行的整個生命周期，是網絡運行維護過程中的一項重要內容。隨著網絡覆蓋的不斷完善，用戶數和業務量必然呈現增長趨勢，而用戶數和業務量的增長又不可避免的會影響用戶的體驗和網絡的各項性能。而網絡優化則是持續優化網絡運行狀態、改善用戶體驗的重要途徑。網絡優化以實現網絡性能最優、現有網絡資源效率最佳為目標，其運用的方法主要有參數調整和RF（Radio Frequency，射頻）優化。它通過數據收集、數據預處理、數據建模、優化方案輸出、方案實施5個步驟的迭代執行解決網絡中存在的問題。收集數據來源包括業務性能指標、設備配置參數、路測數據、MR（測量報告）、用戶跟蹤數據等。根據優化內容的不同，網絡優化主要分為兩大類，即基礎性能憂化和專項性能優化兩大類。基礎性能優化即RF優化，是針對無線射頻信號的優化，主要解決覆蓋、干擾、切換等基礎性能問題。專項優化即網絡性能優化，通過對接通性能、移動性能、速率性能的優化保證用戶體驗良好。

3 5G網絡優化的智能化需求

進入數字經濟時代，5G網絡作為新型基礎設施的重要組成部分，為車聯網、遠程醫療、工業互聯網等應用領域鋪就了一條數據高速公路。與傳統網絡制式相比，5G網絡引入了許多新的技術，如Miassive MIMO（大規模天線技術）、上下行解耦、時隙調度等，在速率、時延、最大連接數等核心性能方面都有了量級的提升。

新技術的引入在帶來服務質量、服務能力提升的同時，也使得5G網絡變得日趨復雜，給5G網絡優化帶來了更嚴峻的考驗，多頻段的組網方式使得互操作更加復雜，異構的組網結構提升了宏微協同要求。據統計，5G網絡的無線參數規模已達1.8萬之多。同時，Miassive MIMO的引入，讓天饋調整、波束管理等變得更加繁雜，僅Miassive MIMO 調優就有數千種Pattern組合。在3G、4G時代，網絡優化主要依托路測、人工分析、經驗判斷等方法進行。但5G網絡形態復雜，數據信息繁冗龐雜，依靠傳統的優化模式顯然無法快速完成優化方案選取、形成精細化配置，滿足5G網絡快速多變的業務需求。而人工智能技術在諸如海量數據量分析、最優策略自動選取以及特征數據的快速挖掘等方面具有天然優勢。而這種超強的處理分析能力和推理決策能力，正是5G網絡優化所急需的。目前，我國的5G商用網絡已進入大規模建設時期，面對網絡的高性能需求和業務的多樣化需求，借助人工智能技術推動5G網絡優化向智能化方向發展，將是有效降低運營成本、進一步提升資源利用率的有效途徑。

4 基于人工智能的5G網絡優化方案

5G無線網絡優化方向是趨于精細化、場景化、業務化、自動化的。精細化需達到柵格化的覆蓋處理粒度，由2D向3D維度轉變，時間維度細化。場景化仍以無線綜合覆蓋方案優化為主，設備與場景結合，深化挖掘設備功能，滿足場景動態和突發需求，形成有預期變化的全時應對方案。業務化需做到不同業務的指標分離，對關鍵指標的定義和評判標準進行約定，且具有現實意義。自動化即引入大數據分析和AI、ML算法，實現數據采集及分析的自動化，模擬人工輸出化方案，做到優化方案的流程化實施和評估反饋，最終實現人工實施到自動化實施演進。

4.1 無線參數智能調優

無線網絡環境、網絡結構的細微變化都需要無線參數與之協調變化，小區的無線參數的設置需協同周邊環境、網絡整體、小區內部等諸多元素，才能保障網絡質量處于最優狀態。5G網絡結構較為復雜，并且采用大規模天線技術，無線參數的數量宏大，由此會產生大量的原始數據，在優化參數配置中應用機器學習算法與深度神經網絡，對網管數據、用戶數據進行自動采集，并對原始數據進行清洗及分類。經過場景建模后，使用歷史數據訓練優化模型參數。當出現網絡問題后，根據場景特性匹配模型，采集現網數據自動輸出無線參數規劃和調優建議，即實現無線參數的智能優化。基本思路如下所示。

（1）數據采集。采集歷史數據，包括網管數據，如KPI指標、核心側及無線側配置數據、MR信息等；基站環境信息，如地形地貌、覆蓋區域特征等；用戶信息，如受眾分布、終端信息、呼叫跟蹤信息等；規劃信息，如周邊小區結構、站型等。

（2）數據清洗。經過數據清洗、格式規整、數據分割，形成事物數據集用于關聯挖掘。

（3）訓練過程。通過AI算法對上述預處理后的數據進行模型訓練，建立性能、參數、小區特征相關聯的規則庫。

（3）推理過程。實時采集小區參數、性能等特征數據，通過現有規則發現網絡性能問題。將現網數據與問題推送至已訓練的優化模型，由模型預測產生問題的原因，同時提出優化建議，包括：天線調整（方位角、下傾角調整建議，天線掛高調整等），參數調整（導頻信道功率調整，切換參數調整、鄰區調整等）及新增規劃建議等。

（4）閉環優化。參考優化模型的調優建議，優化工程師對方案進行研判并實施。依據先參數調整后物理調整的順序依次執行。并根據實際調整效果對規則庫進行專家研判，進行進一步完善、修正與更新。

4.2 MIMO波束管理

Massive MIMO作為5G網絡標配的關鍵技術之一，已在5G網絡中得到廣泛應用，具有諸多增益，如提升網絡速率、增強網絡覆蓋、降低干擾、提升頻譜利用率等。在5G網絡中，Massive MIMO波束賦型的基本原理為：在射頻指紋庫的基礎上，聯合數據地圖，運用AI算法建立模型，訓練歷史數據輸出波束管理規則，由此實現對波束的自動管理、跟蹤，對場景進行室內外判決，對基站進行精確定位等功能。

5G網絡的Massive MIMO技術，因為天線陣子數的增多，其波束賦形能力明顯增強，可同時形成水平方向和垂直方向的三維波束覆蓋。5G下行所有信道均可波束賦形，其中公共信道采用靜態波束，業務信道采用動態波束。靜態波束采用波束輪詢掃描方式，波束配置優化涉及波束時域位置、波束方位角、波束傾角、水平波束寬度、垂直波束寬度、波束功率因子等；波束管理優化主要涉及寬波束和多波束輪詢配置以及波束級的權值配置優化[2]。

Massive MIMO技術的調優方案高達數千種，需要大量的數據計算與推理才能確定最優方案，而人工智能技術的引入，則可通過訓練、推理、執行和迭代優化三個步驟快速鎖定最優方案，完成調優配置。借助AI算法，我們可以對用戶的分布規律進行精細化場景分析，根據場景特征匹配Massive MIMO波束管理規則，對控制信道和廣播信道的波束分布進行聯合調整，達到覆蓋容量最優、干擾最小的理想效果。

舉一個藝術館場景的例子，藝術館為固定場館類的場景，其用戶分布特征為在一定時間段內，用戶數量及分布規律呈現規定狀態。基于此特征，我們可以首先對廣播權值進行自適應設置，以達到最優覆蓋效果。在此基礎上，實時收集現場數據，包括網管數據、用戶MR信息、話務統計數據等等，再運用相應的 AI 算法將此固定類場景進一步細分為體育比賽、演唱會、晚會等細分場景。隨后根據該細分場景的特征值，結合波束優化原則輸出最優權值，再次提升信道質量及信噪比，優化用戶感知，實現網絡性能的進一步優化。最后，為方便后期的網絡優化，對于相同場景能夠快速匹配獲取最優權值，把權值組合、KPI（關鍵性能指標）、用戶分布等信息作為原始數據建立關聯數據庫，對現有方案模型進行迭代優化。

5 結束語

隨著5G網絡的逐步完善，基于5G的特征，未來5G網絡的運營必將向智能化轉型。目前，5G網絡優化與人工智能技術僅處于初步結合與應用階段，在優化網絡性能方面實現了初級智能化。將來，隨著人工智能技術的逐漸成熟，必將向網絡高度自治模式的高級智能化發展。