基于數字孿生技術的5G智能規劃系統應用

鄭涵瑜

(陜西彬長礦業集團有限公司，陜西 咸陽 712046)

0 引言

全球范圍內5G商用進程正在加速推進，5G技術的新標準、新需求給5G無線網絡規劃帶來諸多挑戰和機遇，基于人工經驗的規劃方法在5G網絡環境下已經無法滿足現在的需求，急需引入基于數字孿生(數字化雙胞胎)技術的5G無線網絡智能規劃方法，用以提升5G規劃效率，確保資源精準投入，為建設5G網絡成功規劃奠定基礎。筆者基于現有的數據平臺，完成5G覆蓋仿真模型、神經網絡的偏差調整、粒子群算法的站址尋優、場景化的規劃方案輸出，實現高效支撐5G無線網規劃的工作目標。

1 5G網絡規劃面臨的挑戰

2020年5G網絡商用有序推進，扎實推進5G網絡規劃、建設和管理工作，為公司提升網絡質量優勢、鞏固行業領先地位、創建一流示范企業貢獻更大力量。因此高效智能的5G網絡規劃水平，是確保5G網絡競爭優勢的關鍵因素。但目前5G網絡規劃面臨著4個重大挑戰[1]。

稀缺性：2G/3G/4G在商用前，業界已經開發出成熟的規劃工具，輔助軟件發展領先于網絡，但是5G商用至今，僅少許廠家有成熟軟件，并多以云服務形式使用，數據使用權在廠家側。

復雜性：新興移動互聯網業務發展，對網絡提出更高的要求。針對不同的業務需求，需要不同的規劃方案。

協同性：4G/5G的規劃協同，如何更好地利用現網4G站址，擇優選擇5G站址，如何實現宏微協同覆蓋。

多樣性：基站設備從原來單一的FDD4TR、TDD8TR演進到現在8TR、16TR、32TR、64TR等多種設備共存，每種設備又有不同的使用場景和配置原則。

2 5G無線網絡智能規劃

為進一步精準、敏捷、高效、高質地支撐全省5G無線網絡規劃建設，通過基于數字孿生技術的5G智能規劃系統研究與應用，解決了目前5G網絡規劃中所面臨的5G規劃仿真軟件欠缺、設備型號多樣復雜、輸出方案費時費力等問題。

2.1 建立基于數字孿生技術的5G覆蓋仿真模型

利用當前4G網絡中的MR測量數據基于5G傳播模型，研究4G/5G覆蓋電平補償差異，通過研究RS功率配置補償、天線差異補償、空口差異補償、穿透損耗補償等，測算得到5G的覆蓋電平，彌補了目前5G仿真軟件欠缺。

5G電平覆蓋折算預測依據現有4G的MR數據測量方法，避免了在覆蓋預測上的過多假設，直接基于傳播模型來考慮差異，折算后得到5G的覆蓋。根據HATA模型公式，結合4G的傳播模型，對比路損公式，在多種因素不變的情況下，折算出5G的柵格場強。利用4G MR折算較真實反應5G的覆蓋情況，避免了仿真軟件傳播預測的理想化弊端。

5G的柵格場強=功率差異+4G柵格場強+天線差異+空口差異+穿透損耗差

如天線波瓣，假設5G站點和4G站點情況一致，3.5 GHz信號低于4G的1.8 GHz信號，但5G信號在單站點的水平和垂直方向覆蓋更集中，如圖1所示。

圖1 天線波瓣對比

2.2 研究基于神經網絡的偏差調整

由于無線環境復雜，測算出的5G電平會與實際電平存在一定的偏差，考慮到同一場景無線傳播特性的相似性，利用這一特點，使用4G網絡D頻段(D1/D2)的場景化實際采樣數據，進行偏差計算，再利用計算出偏差結果對5G測算電平進行補償，提升測算精度，如圖2所示。

圖2 神經網絡偏差調整流程

首先提取同柵格內的4G D1頻率的RSRP數據，通過4G D1頻率RSRP采樣數據測算4G D2頻率RSRP。再通過對MR測量的D2頻率RSRP與根據D1頻率RSRP測算的D2頻率RSRP進行偏差計算，利用計算偏差對測算5G RSRP進行補償得到修正后的最終5G RSRP。

BP(Back Propagation)神經網絡[2]，是按照誤差逆向傳播算法訓練而成的多層前饋神經網絡，它的基本思想是梯度下降算法，利用梯度搜索技術，使網絡的實際輸出值和期望輸出值的誤差均方差最小[3-4]。BP算法原理為利用輸出后的誤差估計輸出層的直接前導層的誤差，再用這個誤差估計更前一層的誤差，就能獲得所有其他層的誤差估計，如圖3所示。

圖3 BP算法原理

輸出層為D1、D2，誤差函數為

模型訓練完成后測算的5G RSRP輸入神經網絡模型進行偏差補償。計算最終5G RSRP。

2.3 采用基于粒子群算法的站址尋優

針對仿真結果，以5G MR問題柵格為基準，采用k-means++算法對問題柵格進行聚類，形成問題聚類區域；通過關聯其指標特征柵格形成聚類區域整體指標特征。

針對聚類問題區域，采用粒子群優化算法(PSO)，經過機器學習的方式，協同搜索，迭代尋優得到最佳選站方案。在現有4G站址上選擇最佳站址，確保站址選擇的共站率[5]。

2.3.1k-means++算法

采用k-means++算法[6]，對問題柵格進行聚類，形成問題聚類區域，以MR問題柵格為基準，關聯其指標特征柵格，計算聚類區域內MR問題柵格的所有指標特征，形成聚類區域整體指標特征。如圖4和圖5所示。

圖4 k-means++算法

圖5 MR柵格聚類

2.3.2 粒子群算法(PSO)

粒子群算法是一種模擬自然中的鳥群不可預測的行為而產生的人工智能算法。在粒子群優化算法中，把需要優化問題的所有可能性解看作一個解空間，在這個解空間里有N個可能的解，每一個解稱作一個粒子。每一個粒子都是被優化函數的一個解[7]，這些解有全局最優解、局部最優解和每個粒子的最優解。整個優化問題的求解過程就是每個粒子在追尋最優粒子的過程中不斷更新自身的速度和位置的過程[8]。

2.3.3 粒子群算法站址尋優

BOER等[9]在論述有關交叉熵對聚類影響時，提出了一種獨特的方法。他們將樣本的聚類當作是一種樣本的組合形式，這種組合的結果要盡可能地使一組內的樣本特征一致，不同組之間的差異盡可能大。當樣本基數達到一定數量時，組合的數量十分龐大，要想枚舉出每一種可能，幾乎是做不到的?；谶@種組合的思想，提出粒子群聚類算法(Particle Swarm Optimization Clustering，PSOC)，首先將樣本隨機地分到某一類，即分配類號，再利用粒子群算法的全局搜索能力，對樣本所屬類別進行更新，得到最優解，最優解代表了最好的分類[10]。

2.4 基于場景化的規劃方案輸出

根據宏站天線類型和基站功率的選擇，針對不同的場景輸出不同的規劃方案。

2.4.1 各個場景的5G設備

高校、密集城區場景：首選64T 320W/240W覆蓋，64T64R多通道可以保證容量需求；AAU5639w支持大帶寬，支持C-band部署；功率高，可保證下行覆蓋；密集城區，首選64T64R 240W產品，可保證上下行平衡。

普通城區場景：首選64T 240W覆蓋，AAU5639w采用Massive MIMO技術，支持64T64R，顯著提升了站點的三維覆蓋能力；相較于密集城區，普通城區用戶密度略低，因此從綜合角度考慮，采用240 W的高功率設備更適用于普通城區的場景。

普通道路、郊區場景：首選32T設備覆蓋，32T32R多通道可以保證容量需求；AAU5336w支持大帶寬，功率高，采用華為自主研發的中射頻芯片以及獨創的天線陣子技術，支持更大的信號覆蓋范圍；普通道路、郊區場景，綜合考慮首選32T32R 320W產品。

天面緊張場景：首選A+P設備的方案，原因為天面空間受限，5G低掛高問題，鐵塔風荷載受限。

新建高價值場景：首選4G/5G雙模PRRU覆蓋的形式，原因為雙模PRRU可以同時開通4G及5G，對于未做4G的覆蓋場景而言，可以節省4G投資，對于已有4G的高負荷諸如大型購物中心等場景，雙模PRRU可以根據現網4G狀況，開通4G異頻，從而提高整個區域的4G容量，同時解決5G覆蓋需求[11]。

隧道場景：采用8T8R RRU+貼壁天線的形式，RRU5818，原因為隧道內空間狹小，形成封閉環境，室外信號損耗嚴重，5G頻率高，功耗大，傳輸損耗大，難以用傳統泄露電纜覆蓋；工程上協調工作困難，設備安裝位置受限，安全性要求高等。

大型辦公樓場景：選用設備類型：采用外接天線有源室分系統覆蓋，原因為外接型有源室分采用RHUB+外接型PRRU的組網方式，外接型PRRU通過饋線外接天線，可有效提高單個PRRU的覆蓋面積，從而減少整體覆蓋的設備數量，節省投資。

2.4.2 5G行業應用

總體思路是從問題柵格位置視角出發，尋求合理的建站點位，以得到區域內的加站權重，依據權重由高到低的原則逐一推薦站點位置，最后參考3D地圖數據，結合視距阻擋等因素給出最終位置建議。綜合考慮5G深度覆蓋立體組網策略，根據不同場景多種業務類型和性能預測結果，自動匹配方案庫中的規劃方案[12]。見表1。

表1 行業應用場景速率時延對應

3 5G智能規劃系統的實踐應用

通過4/5G理論分析，并使用DT數據與MR預測數據進行比較驗證，5G MR仿真結果的增益偏差在0～2dB的占比為87.6%，偏差在可接受的范圍內。目前該系統已經完成開發上線，通過對全省室內外的5G建模仿真，自動輸出5G的規劃方案及相關參數配置，并通過地圖渲染直觀呈現。同時支持分場景(醫院、學校等場景識別分類結果)、室內外、方案階段(選址方案、選站+推站方案)的統計及3D性能指標(RSRP、上下行SINR、上下行速率)的呈現。已完成輸出5G室內外方案1 600余個，已納入立項批復950余個，有效支撐5G網絡智能化規劃方案的輸出，如圖6所示。

圖6 4/5G理論/DT/MR仿真覆蓋增益差值對比

對比5G單波束和4G LTE的覆蓋評估，理論計算增益相差2.77 dB，DT增益相差3.48 dB，路測略好于理論，相差0.71 dB；對比5G 8波束和4G LTE的覆蓋評估，理論增益相差10.29 dB，DT增益相差11.92 dB，室外MR增益差12.56 dB，室內MR增益差12.07 dB，室外仿真增益差10.78 dB，室內仿真增益差10.28 dB。系統已投入使用，預估年節省投入433.5萬元，包含：①1套5G規劃仿真軟件180萬(參考單機版ATOLL報價)；②節省人力,提高規劃工作效率，可為全省節約規化人員5名，按2019年全省平均人工成本16.7萬元/年·人估算，每年可節約人力成本83.5萬元；③節省勘查費用,通過提供初步規劃方案，提升現場勘查效率，按年輸出規劃4 000站來算，單站勘查成本節約10%(單站勘查費4 250元)，預計每年節約費用170萬元。

4 結論

面對5G新技術帶來的各種挑戰，5G無線網絡智能規劃已經成為共識，通過引入基于數字孿生技術的5G智能規劃系統，實現精準選址、智能選型，打造面向未來5G精品網絡能力的規劃方法，旨在高效支撐面向未來的市場競爭和5G發展帶來的挑戰。