基于機(jī)器學(xué)習(xí)的5G 低流量覆蓋區(qū)域無線網(wǎng)絡(luò)精準(zhǔn)規(guī)劃選址研究

丁 瑜，鄧敏茜，盧潔珍

（1.南寧職業(yè)技術(shù)學(xué)院，廣西 南寧 530008；2.廣西建設(shè)職業(yè)技術(shù)學(xué)院，廣西 南寧 530007）

0 引 言

5G 移動(dòng)通信網(wǎng)絡(luò)的大范圍建設(shè)及商用，對低流量覆蓋區(qū)域無線網(wǎng)絡(luò)精準(zhǔn)規(guī)劃選址提出了更高的要求。為了更好地適應(yīng)5G建設(shè)需求，向6G的發(fā)展平穩(wěn)過渡，有必要對5G 移動(dòng)通信網(wǎng)絡(luò)規(guī)劃方法進(jìn)行探討，科學(xué)合理地應(yīng)用通信最新技術(shù)。同時(shí)，這將為6G 移動(dòng)通信網(wǎng)絡(luò)規(guī)劃打下堅(jiān)實(shí)基礎(chǔ)。

1 5G 低流量覆蓋區(qū)域特點(diǎn)

5G 系統(tǒng)自身頻率的特點(diǎn)，決定了5G 系統(tǒng)電磁波覆蓋范圍小、穿透力差、傳輸損耗大。而低流量覆蓋區(qū)域往往分布在人口不集中的城市邊緣、鄉(xiāng)鎮(zhèn)及農(nóng)村等區(qū)域。5G 無線網(wǎng)絡(luò)站址規(guī)劃需要同時(shí)兼顧覆蓋、容量、質(zhì)量的需求，能否精準(zhǔn)規(guī)劃選址發(fā)揮著關(guān)鍵作用。

1.1 5G 低流量覆蓋區(qū)域類型及特點(diǎn)

5G 低流量覆蓋區(qū)域主要包括城邊郊區(qū)、鄉(xiāng)鎮(zhèn)、農(nóng)村區(qū)域以及道路。城邊郊區(qū)的特點(diǎn)是以居民樓和小型商超為主，整體建筑布局比較松散，高層建筑比較少，單位面積上的客戶密度不大，但是覆蓋、容量、質(zhì)量等方面較難平衡。鄉(xiāng)鎮(zhèn)的特點(diǎn)與被切割后的城邊郊區(qū)類似。農(nóng)村區(qū)域主要由行政村和自然村組成，多為低矮建筑，并且呈現(xiàn)分散型分布，范圍較廣，很難形成數(shù)據(jù)熱點(diǎn)，覆蓋問題成為該類場景重點(diǎn)考慮的因素。受到地形因素的干擾，規(guī)劃、建設(shè)移動(dòng)通信網(wǎng)絡(luò)后，往往由于山體遮擋等留下網(wǎng)絡(luò)黑點(diǎn)[1]。道路專指鐵路（含高速鐵路）、高速公路、國道、省道，其余道路由其他覆蓋場景所涵蓋[2]。

1.2 5G 低流量覆蓋區(qū)域規(guī)劃難度大

目前，5G 低流量覆蓋區(qū)域擬建站址規(guī)劃普遍停留在憑借一線規(guī)劃人員的主觀經(jīng)驗(yàn)，在電子地圖上完成初步選點(diǎn)，再進(jìn)行現(xiàn)場勘察確認(rèn)。這種站址規(guī)劃方法不僅無法保證選址位置最優(yōu)，而且要消耗大量的人力、物力資源，規(guī)劃周期較長。

2 方案設(shè)計(jì)

基于上述，文章提出多層感知器神經(jīng)網(wǎng)絡(luò)和遺傳算法組合的機(jī)器學(xué)習(xí)方法，來完成5G 低流量覆蓋區(qū)域無線網(wǎng)絡(luò)精準(zhǔn)規(guī)劃選址。多層感知器神經(jīng)網(wǎng)絡(luò)算法具有很好的容錯(cuò)功能，但是整體優(yōu)化能力不足，收斂速度相對遺傳算法慢[3]。遺傳算法具有整體系統(tǒng)優(yōu)化的功能，但是在局部優(yōu)化方面比較滯后[4]。采用2 種控制算法相組合的方案來進(jìn)行選址研究，既可以發(fā)揮多層感知器神經(jīng)網(wǎng)絡(luò)局部尋優(yōu)的優(yōu)點(diǎn)來確定單站址規(guī)劃數(shù)據(jù)，又可以利用遺傳算法整體優(yōu)化的功能去除冗余站址數(shù)據(jù)。5G 低流量覆蓋區(qū)域單站覆蓋范圍需要最大化，在保障有效覆蓋范圍的同時(shí)節(jié)約資源。用多層感知器神經(jīng)網(wǎng)絡(luò)完成初步站址規(guī)劃，以保證單站規(guī)劃數(shù)據(jù)的局部最優(yōu)有效性，然后在此基礎(chǔ)上加上一定冗余度防止多層感知器神經(jīng)網(wǎng)絡(luò)過度擬合，再采用遺傳算法對5G 低流量覆蓋區(qū)域進(jìn)行二次規(guī)劃，在確保整體最優(yōu)的同時(shí)剔除不必要的冗余站址，從而解決5G 低流量覆蓋區(qū)域精準(zhǔn)覆蓋的問題。

2.1 根據(jù)5G 低流量覆蓋區(qū)域場景類型確定傳播損耗模型

相較于4G 而言，5G 傳播損耗模型3GPP TR 38.901考慮了人體遮擋損耗、樹木損耗、雨雪衰耗等因素對整體傳播路徑損耗的影響，使其在模型預(yù)測評估上更加準(zhǔn)確[5]。該傳播損耗模型的簡化工程經(jīng)驗(yàn)公式為

式中：PL為路徑損耗，dB；PB為基站發(fā)射功率，dBm；ZB為基站天線增益，dBi；UE為天線增益，dB；N1為子載波數(shù)；PK為基站饋線損耗，dB；PC為穿透損耗，dB；PZ為植被損耗，dB；PR為人體損耗，dB；PY為預(yù)留干擾余量，dB；PYX為雨/冰雪余量，dB；PS為慢衰落余量，dB；PRZ為熱噪聲功率，dBm；KE為噪聲系數(shù)，dB；SINR為解調(diào)門限，dB。

該傳播損耗模型經(jīng)驗(yàn)公式要根據(jù)具體的場景，結(jié)合各自的應(yīng)用頻段特點(diǎn)來靈活運(yùn)用，將5G 低流量覆蓋區(qū)域場景與該模型相匹配，可以有效評估單站覆蓋半徑。

2.2 采用多層感知器神經(jīng)網(wǎng)絡(luò)進(jìn)行規(guī)劃選址

2.2.1 確定多層感知器神經(jīng)網(wǎng)絡(luò)模型

本方案采用多層感知器前饋神經(jīng)網(wǎng)絡(luò)，由輸入層、隱層（隱藏層）以及輸出層組成，本層網(wǎng)絡(luò)各神經(jīng)網(wǎng)元互不相連，各相鄰層的神經(jīng)網(wǎng)元可以互連，如圖1所示[6]。

圖1 多層感知器前饋神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)

圖1中，xi表示輸入層第i個(gè)網(wǎng)絡(luò)神經(jīng)元的輸入值，yi表示隱層第j個(gè)神經(jīng)元的輸出值，ok表示輸出層第k個(gè)神經(jīng)元的輸出值，vij表示輸入層第i個(gè)神經(jīng)元到隱層第j個(gè)神經(jīng)元的對應(yīng)權(quán)重值，wjk表示隱層第j個(gè)神經(jīng)元到輸出層第k個(gè)神經(jīng)元的對應(yīng)權(quán)重值。

2.2.2 確定訓(xùn)練多層感知器神經(jīng)網(wǎng)絡(luò)的輸入層和隱藏層數(shù)據(jù)

多層感知器神經(jīng)網(wǎng)絡(luò)在使用之前必須對其進(jìn)行訓(xùn)練，訓(xùn)練數(shù)據(jù)的有效性對于輸出結(jié)果有重要影響。優(yōu)先采用5G 類似場景數(shù)據(jù)進(jìn)行訓(xùn)練，可以縮短訓(xùn)練時(shí)間。輸入層基站數(shù)據(jù)包括基站工參數(shù)據(jù)、日常運(yùn)行數(shù)據(jù)等。如果沒有5G 類似場景數(shù)據(jù)用來參考，根據(jù)多層感知器神經(jīng)網(wǎng)絡(luò)訓(xùn)練擬合經(jīng)驗(yàn)，在加權(quán)的基礎(chǔ)上，采用2G、3G、4G 現(xiàn)網(wǎng)數(shù)據(jù)作為輸入層數(shù)據(jù)來對多層感知器神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。隱藏層的節(jié)點(diǎn)個(gè)數(shù)的確定可以依據(jù)經(jīng)驗(yàn)數(shù)據(jù)來確定，然后結(jié)合仿真軟件對其調(diào)整。

2.2.3 完成多層感知器神經(jīng)網(wǎng)絡(luò)訓(xùn)練

多層感知器神經(jīng)網(wǎng)絡(luò)訓(xùn)練本質(zhì)就是輸出層數(shù)據(jù)的誤差糾偏過程。當(dāng)多層感知器神經(jīng)網(wǎng)絡(luò)模型的輸出層數(shù)據(jù)與期望值不符時(shí)，將通過反向傳播算法來計(jì)算隱藏節(jié)點(diǎn)的誤差，逐步傳輸給輸入層，來完成整個(gè)多層感知器神經(jīng)網(wǎng)絡(luò)模型各權(quán)重值的調(diào)整，直到輸出層數(shù)據(jù)與期望值誤差在可接受范圍內(nèi)。

2.3 采用遺傳算法對5G 低流量覆蓋區(qū)域規(guī)劃進(jìn)行優(yōu)化

遺傳算法的本質(zhì)是自適應(yīng)優(yōu)化算法的迭代，借助計(jì)算機(jī)對類生物系統(tǒng)進(jìn)行模擬研究，將大自然界遺傳和優(yōu)勝劣汰的運(yùn)行機(jī)制應(yīng)用于復(fù)雜系統(tǒng)的優(yōu)化。遺傳優(yōu)化算法可以有效通過多次的運(yùn)算結(jié)果統(tǒng)計(jì)或只通過一個(gè)度量函數(shù)梯度，就可以完成對自然界中生物遺傳和優(yōu)勝劣汰進(jìn)化過程的模擬，進(jìn)而搜索到最優(yōu)解序列。本方案采用遺傳算法進(jìn)行已有規(guī)劃數(shù)據(jù)的優(yōu)化，其二次規(guī)劃方法如圖2 所示。

圖2 遺傳算法的二次規(guī)劃方法

為了避免多層感知器神經(jīng)網(wǎng)絡(luò)可能帶來的實(shí)際偏差，使遺傳算法規(guī)劃更加有效，設(shè)計(jì)中將多層感知器神經(jīng)網(wǎng)絡(luò)所完成的規(guī)劃數(shù)據(jù)進(jìn)行冗余處理。在規(guī)劃站址60 m 圓周邊界的東、西、南、北4 個(gè)方向上，對稱增加4 個(gè)基站，天線方向角等其他工參數(shù)據(jù)不變。以新增加的基站數(shù)據(jù)作為冗余數(shù)據(jù)，用來規(guī)避過擬合等原因可能帶來的局部最優(yōu)數(shù)據(jù)的丟失。將冗余數(shù)據(jù)和多層感知器神經(jīng)網(wǎng)絡(luò)的初始輸出數(shù)據(jù)作為初步規(guī)劃數(shù)據(jù)輸入給遺傳算法系統(tǒng)。傳播損耗模型依然采用式（1）計(jì)算。通過有效覆蓋范圍目標(biāo)、通信質(zhì)量目標(biāo)等限制條件來設(shè)計(jì)控制函數(shù)。在5G 低流量覆蓋區(qū)域，用最少的基站解決最大的覆蓋范圍問題，是本研究規(guī)劃工作的重點(diǎn)。該區(qū)域基站投放的精準(zhǔn)度決定了規(guī)劃基站的數(shù)量。采用遺傳算法進(jìn)行二次規(guī)劃時(shí)，可以通過不斷調(diào)整重要參數(shù)（個(gè)體染色體的長度）進(jìn)行試驗(yàn)而得到最優(yōu)基站的數(shù)量，只要確定了滿足控制函數(shù)要求的最短染色體長度，就可以推算出最優(yōu)規(guī)劃的最少基站數(shù)量。在控制函數(shù)和判別條件的約束下，遺傳算法系統(tǒng)最終輸出的基站站址規(guī)劃數(shù)據(jù)作為組合機(jī)器學(xué)習(xí)系統(tǒng)的站址規(guī)劃輸出結(jié)果。

3 規(guī)劃案例分析

采用MATLAB/simulink 搭建基于機(jī)器學(xué)習(xí)的5G低流量覆蓋區(qū)域無線網(wǎng)絡(luò)規(guī)劃平臺(tái)，如圖3 所示。

圖3 MATLAB/simulink 規(guī)劃平臺(tái)結(jié)構(gòu)

采用A 省某運(yùn)營商低流量區(qū)域1 000 個(gè)5G 基站、3 000 個(gè)4G 基站和5 000 個(gè)2G 基站的現(xiàn)網(wǎng)數(shù)據(jù)，作為多層感知器神經(jīng)網(wǎng)絡(luò)輸入層的源數(shù)據(jù)。源數(shù)據(jù)同時(shí)具備離散變量和隨機(jī)變量的特點(diǎn)，由2 部分組成：一部分是基站工參數(shù)據(jù)，主要包括站址經(jīng)緯度、天線方向角、天線覆蓋方向、天線掛高等；另一部分是現(xiàn)網(wǎng)運(yùn)行數(shù)據(jù)，主要包括5G 客戶數(shù)量、5G 區(qū)域日均流量、信號(hào)與干擾加噪聲比（Signal to Interference plus Noise Ratio，SINR）、4G 網(wǎng)絡(luò)駐留時(shí)長、2G 高倒流時(shí)長、測量報(bào)告（Measurement Report，MR）弱覆蓋比例以及邊界接收信號(hào)碼功率（Received Signal Code Power，RSRP）等。激活函數(shù)采用對數(shù)型S 激活函數(shù),隱藏層數(shù)量為9。將多層感知器神經(jīng)網(wǎng)絡(luò)的基站規(guī)劃數(shù)據(jù)信息設(shè)置冗余量后，作為遺傳算法的基礎(chǔ)數(shù)據(jù)。以5G 網(wǎng)絡(luò)的覆蓋范圍、覆蓋深度、單站流量等目標(biāo)構(gòu)建遺傳算法的控制目標(biāo)函數(shù)以及遺傳算法二次規(guī)劃模塊。遺傳算法二次規(guī)劃后的輸出結(jié)果作為擬規(guī)劃站址數(shù)據(jù)。

采用B 省某運(yùn)營商低流量區(qū)域現(xiàn)網(wǎng)數(shù)據(jù)作為校驗(yàn)對比樣本，與通過組合機(jī)器學(xué)習(xí)的5G 低流量覆蓋區(qū)域無線網(wǎng)絡(luò)精準(zhǔn)規(guī)劃輸出的站址信息相比。選取以20 m 為半徑的圓周范圍作為站址隔離誤差圓周，在不考慮建設(shè)條件等其他因素的條件下，本方案在低流量覆蓋區(qū)域能夠以較少的基站數(shù)量滿足現(xiàn)網(wǎng)的覆蓋、容量、質(zhì)量等相關(guān)要求，有效站址契合度達(dá)到95%，并且明顯節(jié)約3 個(gè)站點(diǎn)的建設(shè)成本。仿真模擬規(guī)劃校驗(yàn)對比結(jié)果如圖4 所示。模擬規(guī)劃站址與現(xiàn)網(wǎng)站址的差異見圓圈標(biāo)注。這3 個(gè)基站附近都有5G 基站對其覆蓋范圍進(jìn)行合理覆蓋，并且周圍建筑低矮、松散，非流量熱點(diǎn)區(qū)域。結(jié)果表明，采用基于機(jī)器學(xué)習(xí)的5G 低流量覆蓋區(qū)域無線網(wǎng)絡(luò)精準(zhǔn)規(guī)劃選址方法可以有效規(guī)避這3 個(gè)不合理站址。

圖4 本文選址方法與現(xiàn)網(wǎng)選址校驗(yàn)對比結(jié)果

4 結(jié) 論

采用多層感知器神經(jīng)網(wǎng)絡(luò)和遺傳算法組合的機(jī)器學(xué)習(xí)方案，結(jié)合5G 現(xiàn)網(wǎng)運(yùn)行數(shù)據(jù)，對低流量覆蓋區(qū)域無線網(wǎng)絡(luò)精準(zhǔn)規(guī)劃選址，對比傳統(tǒng)規(guī)劃方法，本文所用算法更加先進(jìn)，數(shù)據(jù)分析、篩選更加全面，自主完成學(xué)習(xí)改進(jìn)、優(yōu)化。借助MATLAB/Simulink 建模、處理數(shù)據(jù)的準(zhǔn)確性更高，輸出結(jié)果更客觀，有效縮短規(guī)劃選址工作的時(shí)間周期。在保障現(xiàn)網(wǎng)運(yùn)行指標(biāo)的前提下，節(jié)約了站址資源，能夠有效指導(dǎo)5G 低流量區(qū)域的工程實(shí)踐，為無線網(wǎng)絡(luò)精準(zhǔn)規(guī)劃提供一種新思路。

未來重點(diǎn)是研究人工神經(jīng)網(wǎng)絡(luò)和遺傳算法相融合的無線網(wǎng)絡(luò)精準(zhǔn)規(guī)劃方法。在一次規(guī)劃數(shù)據(jù)的處理過程中，融合2 種算法的優(yōu)點(diǎn)。以時(shí)分復(fù)用模式為參考基礎(chǔ)，采用自適應(yīng)控制的反步法切割時(shí)間間隙[7]，人工神經(jīng)網(wǎng)絡(luò)和遺傳算法輪流進(jìn)入工作模式，進(jìn)一步提高算法工作效率。