基于AI的無線網絡規劃與優化解決方案

陳 爽

(河北石云網絡科技有限公司,河北 石家莊 050000)

0 引言

5G網絡已經逐漸應用在千行百業,5.5G的應用正在拉開序幕,6G的探索準備也早已悄然興起。然而,無線網絡的規劃與優化的手段卻仍然停留在傳統的人拉肩扛的狀態,委實未能做到與時俱進。目前,大量的優化工作主要依靠人工的分析與判斷。此時,專家的經驗格外關鍵。人工的分析與判斷,效率低下,在一定程度上阻礙了無線網絡的發展與應用。大數據與人工智能技術正隨著計算機技術的發展,成為當前炙手可熱的尖端技術。人工智能技術是一種自主學習和智能化控制的新型技術,可以模擬人類的行為對大數據進行快速高效的分析,并做出決策,給無線網絡規劃與優化手段的演進帶來了新的方案。那么如何對這三者進行高效耦合,促進無線網絡規劃與優化實踐方案的演進是這個方案的重點,進而促進6G網絡的發展與應用。

1 智能化整體方案

無線網絡的基礎KPI主要包括3個方面:(1)無線網絡覆蓋;(2)無線網絡質量;(3)無線網絡容量。這是無線通信的基礎,是永恒的主題。體現在用戶感知方面通俗地講就是:接的通,聽得清,上的去,用得好。

然而,好的網絡KPI指標并不一定意味著好的用戶感知,這主要是由于無線網絡只是整個通信過程的一部分,兩者并不能完全等同。因此,需要從無線KPI指標與用戶感知兩個方面分析識別。

移動通信本身是一個大數據系統,產生的數據主要包括無線話統數據、無線通話記錄、測試報告、配置數據、各種運行日志等。理論上通過對這些數據的分析可以掌握整體網絡的運行情況以及存在的網絡問題并采取相應的優化手段。目前,主要通過人工或半人工的方式對這些數據進行分析,故效率較低。這一弊端將會隨著6G網絡時代的到來,成為阻礙無線網絡發展的障礙。

在人工智能較為成熟的當下,可以通過人工智能的方式針對不同的無線環境及需求建立不同的規劃優化場景模型。用模型針對網絡KPI指標和用戶感知指標進行分類識別,進而制定出各自專屬的規劃優化方案,更加高效地處理網絡問題,滿足行業應用的需求。其中,無線網絡規劃優化方案主要分為:傳統優化方案與傳統專家經驗的繼承、AI智能專家經驗和AI智能優化模型等幾種方案。再把生成的優化方案自動執行到無線網絡中,促進整體系統自動發現問題并生成自動優化方案,從而解決問題。整體方案結構如圖1所示。

圖1 智能化系統整體方案

2 無線智能規劃優化方案

方案整體可分別按照需要進行定期執行,日常調整,將網絡問題減小到最少。

2.1 基于無線信號質量干擾矩陣的覆蓋規劃優化方案

通過對無線信號質量測量報告的分析,生成無線網絡覆蓋矩陣立體圖,進而發現網絡覆蓋不足的區域。再結合周邊業務類型與用戶分布,發掘高價值區域,適度建網,價值建網,協同建網。通過人工智能模型按照各扇區優先協同優化,再結合容量預測,實現適度擴容或建設新站點的原則,進行網絡發展。該方案可依據用戶業務模型的變化逐步進行相應的網絡調整,主動關懷用戶感知,并做出反應[1]。覆蓋分析示意如圖2所示。

圖2 覆蓋分析

2.2 基于業務預測的網絡容量規劃方案

參照以往歷史小區的業務數據及業務類型,依據KMeans+LSTM算法來分類預測基站小區各類業務(視頻、微信等)及整體業務的發展情況。再根據預測結果對網絡容量實現扇區級的容量發展規劃。該方案可避免統一擴容標準,評價指標一刀切導致的流量釋放效果不佳的情況。改標準化擴容方式為業務需求化擴容方式,在用戶感知產生負面影響前,進行網絡規劃并落實到現網的目的[2]。業務預測效果如圖3所示。

注:A區域為真實數據,B區域為第一次預測結果,C區域為第二次預測結果,D區域為第三次預測結果,準確度逐漸更加逼近真實值。

2.3 基于無線信號質量干擾矩陣的PCI規劃優化方案

結合無線信號質量干擾矩陣的覆蓋規劃優化方案與功率、波束的情況,得出區域內的無線傳播特性。在無線傳播模型的基礎上,按照PCI規劃原則進行PCI的規劃與優化調整,將更準確地規劃出高質量的PCI,減少PCI的沖突與混淆,以及模3干擾等問題,進而提升信號質量。這一規劃方案打破了僅依據站間距與天線方位角進行PCI規劃的方法,將干擾矩陣的規劃方法直接下沉到網絡[3]。另外,可定期對網絡內的PCI使用情況進行核查調整。PCI規劃示意如圖4所示。

圖4 PCI規劃優化

2.4 基于登記次數預測的LAC/TAC規劃優化方案

依據LAC/TAC規劃原則,結合無線用戶數量、切換次數等數據,模擬登記次數,對現有LAC/TAC邊界進行定期尋優、核查,及時糾正發現LAC/TAC不合理情況并自動執行優化方案。

2.5 鄰區規劃優化方案

結合無線信號質量干擾矩陣的覆蓋規劃優化方案與功率、波束的情況,依托FP-Growth算法,對站點鄰區進行關聯性分析。除解決傳統常規鄰區優化問題外,進而可以較好地解決高、遠鄰區,單向鄰區的自動優化問題。定期核查,自動調整,及時滿足用戶模型變化導致的優化滯后問題,主動提升用戶感知。

2.6 無線網絡智能優化方案

優化標準制定:首先依據網絡需求制定優化標準,篩選出問題站點/小區和現網標桿站點,例如:低接通小區、高掉線小區、負荷不均衡小區、高負荷小區、視頻網速慢小區等。同時,過濾掉特殊站點,包括VIP站點、道路保障站點等[4]。

無線智能優化方案的優化依據如下:

(1)生成現網標桿站點庫:現行網絡已經進行了長時間的優化積累,大部分站點各項KPI指標和感知指標均為優秀,是一個天然的“網絡專家庫”,可以通過人為打標的方式加入專家庫內,也可以通過決策樹等算法迅速將這些優秀站點識別為經驗專家庫數據,以指導后續的網絡優化工作,此舉是對前期優化成果的一個良好繼承。

(2)根據優化參數分類迭代自動尋優:接入類、切換類、掉話類、干擾類;大話務保障場景,高速小區場景;業務類型特殊,用戶感知明顯場景等類型,制定針對性優化方案,自動迭代尋優。

(3)專家人工優化經驗庫的積累。根據專家操作日志生成專家優化經驗庫。

(4)根據上述優化效果情況,通過關聯算法和神經網絡算法豐富智能優化經驗庫,為下次優化奠定更加堅實的基礎。

(5)通過KMeans算法建立全網無線同場景模型。注意:這里的無線同場景模型與傳統的無線場景定義有所區別。傳統的無線場景通常是指居民區、高校、高鐵等,這里的無線場景是指無線參數環境,與應用場景關系不大。當問題站點/小區產生時,再通過對問題站點/小區與現網標桿站點的業務類型、業務量、用戶分布、用戶數量、接收電平、TA分布、天線口發射功率等數據,按照不同權重進行匹配度打分,得分越高匹配度越高,最終選定本次優化參照的站點/小區,生成無線網絡優化方案。智能方案邏輯關系如圖5所示。建立算法優先級體系如圖6所示。

圖5 無線網絡規劃優化智能方案模型邏輯關系

圖6 算法優先級體系

其中,專家優化經驗庫方案為最高優先級,現網標桿站點為次高優先級,智能優化經驗庫為次次高優先級,分類參數迭代尋優為最低優先級;所有優化方案最終入庫到智能優化經驗庫,為后續的自動智能優化提供豐富的指標。“經驗”越多,優化能力越強。

2.7 貶損用戶規劃優化方案

結合無線及核心網數據,生成用戶感知數據,再通過KMeans聚類算法,提取不同維度特征,最后生成貶損用戶群畫像。在此基礎上,按照導致無線網絡問題的根本原因,進行分析優化。主要分為無線網絡類優化,如弱覆蓋、容量受限等;感知類優化,如WEB速率提升、游戲類業務優先等[5]。

同時,結合用戶滿意度調查情況對用戶感知進行分析,便于發現影響用戶感知滿意度的網絡原因,以達到改善用戶滿意度的目的。

3 結語

通過通信大數據與人工智能算法的結合,可以實現無線網絡從規劃到優化端到端的網絡自主運行,可以把日常網絡優化中的優秀經驗,進行良好的繼承并應用于后期的網絡運行工作中。減少了對于人工,尤其是對于專家經驗的依賴。同時,通過大數據與人工智能相結合的無線網絡規劃優化方案,讓人們從另一個視角,對傳統無線網絡運行有了一個新的認識:它立足于傳統無線網絡規劃優化方案,但比傳統規劃優化方案更高效、更穩定、更具有智慧性,必將在未來的無線網絡建設中綻放出更強大的力量。