基于人工智能的5G 無線基站選址虛擬仿真研究

洪峰

（廣東郵電職業技術學院，廣東 廣州 510630）

0 引言

對于中國大部分一二線城市而言，5G 無線基站選址的現狀存在著不少的難題。一般來說，為了實現更好的網絡覆蓋和服務，運營商需要在城市中建立更多的5G 基站以彌補4G 網絡的不足并提供更快的連接速度。然而在城市中選擇5G 基站的位置可能會受到許多限制因素的影響：①城市規劃，許多城市有嚴格的規劃和建筑要求，這些要求會影響基站的布置和外觀，如高度、外觀等。②地方法規，不同地區有不同的法規和標準，限制了通信設施的布置和操作，如與居民區的距離、安全規范等。③技術要求，為了最大限度地提高網絡性能，5G 基站應該根據具體的技術需求進行位置選擇，如覆蓋面積、信號傳輸等。④環境影響評估，由于基站會產生輻射和其他環境影響，運營商可能需要進行環境影響評估。

從網絡特性來講，5G 無線基站的覆蓋范圍遠小于4G 及之前的無線基站，所以建設一個完善的5G 網絡，其所需要的基站的密度就遠遠超過了4G 網絡。如何有效地選擇站址、減少無線干擾、提高無線質量就成為一個比較重要的工作。

1 國內外研究現狀、水平和發展趨勢

5G 無線基站的城市選址涉及多個方面，包括網絡覆蓋范圍、信號質量、建筑物高度和密度、用地政策等因素。目前5G 無線基站城市選址研究的方向主要是從網絡規劃出發，在城市范圍內進行高精度的網絡規劃，包括確定基站的位置和數量等。

國外對于5G 選址研究傾向于運用數學規劃手段，建立數學模型并對選址方案進行求解，以獲得最優的選址方案。部分學者運用整數規劃法，以能夠保證每一個測量點都處于信號覆蓋范圍為目標，計算了建設成本最低的選址方案；還有學者采用動態規劃，探索了一定區域內無線網絡總容量和通信基站建設規模間的關系。

國內對5G 基站建設選址基于豐富的實踐經驗也提出了很多創新的研究和方法。中國移動設計院向中秋等[1]（2022 年）提出基于多維數據的5G 室分選址評估技術，綜合利用4G/5G 室分流量數據、互聯網PoI 數據、三維電子地圖數據和立體仿真預測數據，充分考慮5G 室外宏站覆蓋室內水平、樓宇流量和樓宇價值三大維度，對5G 室分規劃方案的制定和資源精準投放；郭彥文等[2]（2023 年）從建設成本、覆蓋率和網絡容量3 個因素，提出了人工蜂群算法在5G 基站選址中的應用，進行資源的合理配置，能夠較為有效地進行5G 基站選址；王冠倫[3]（2022 年）提出開發一種基于數據分析的基站選址助手系統，通過對鐵塔公司現有數據進行挖掘，并從互聯網爬取數據，為選址人員提供推薦通信基站選址方案。李想[4]選擇了三類具備代表性的場景，對基站選址展開了深入研究，并針對不同場景的特征優化了算法，改進了這些場景需要用到的模型，并對得到的結果進行對比分析。趙海濤等[5]對移動通信基站的選址原則和選址思路做了介紹，并證實網絡性能會極大地受到基站選址方案的影響。汪亮等[6]主要借助地圖劃分理論對基站選址工作進行分析，并借助仿真手段提高了選址工作的科學性。

2 選址規劃的影響因素

通過利用大數據分析和人工智能技術，預測未來的網絡使用情況并相應地優化網絡規劃。通常需要考慮以下因素。

（1）覆蓋范圍。選擇一個適當的場所可以確保無線信號傳輸的可靠性和穩定性。在確定覆蓋區域時應考慮建筑物、地形和植被等環境因素。

（2）人口密度。市中心和人口密集的地區是放置5G 基站的理想位置之一。這樣可以滿足更多人群的需求，提高網絡的效率。

（3）網絡容量需求。在選擇基站位置時還需要考慮到未來的網絡容量需求。如果預計有大量的數據流量，例如視頻或游戲，那么應該選擇一個網絡容量較大的區域。

（4）已有基礎設施。優先考慮已有的基礎設施，例如電力和互聯網連接，這可以降低安裝成本并縮短部署時間。

（5）政策法規。考慮當地政府的規定和合規要求，例如環保準則和建筑物高度限制等等。還有一些支持政策，例如，廣東省衛生健康委聯合廣東省工業和信息化廳發布了《廣東省工業和信息化廳廣東省衛生健康委關于免費開放公共資源支持5G 基站建設的通知》，規定各類衛生機構應在確保自身工作正常開展的同時向運營商開放所屬的建筑物和公共資源用于5G 基站建設，且不得收取額外費用，這些都是選址規劃里非常重要的考慮因素。

3 重點技術領域

本研究簡要來說就是基于高精度的城市地圖，在虛擬仿真軟件里構建城市數字孿生，并使用計算機圖形學的實時光線追蹤技術，來仿真5G 通信電波的傳播特性，從而為5G 基站在真實建設之前先在數字空間里面進行一個準確的評估。

在這里只選取城市一小部分區域進行數字孿生，以減少研究的不確定性以及設備及網絡資源成本等，本研究所涉及的重點技術領域如下。

（1）精確的城市數字孿生技術。主要重點是在支持物理準確的仿真軟件里實現三維數字地圖的數字空間，仿真軟件可選擇如Unreal Engine，Omniverse 等。主要實現的步驟如下：①獲取地圖的地理信息數據。包括地形、建筑物、道路等，這些數據可以從公開的地理信息系統（GIS）數據庫或地圖服務商處獲取。獲取到的數據需要進行處理和轉換，以便能夠在仿真軟件中使用。②建立物理模型。使用仿真軟件中的工具，根據處理后的數據建立物理模型。這可能包括地形建模、建筑物建模等。在建立模型時需要考慮到物理因素，如重力、摩擦力等，以確保仿真的準確性。③物理引擎集成。將建立的物理模型與仿真軟件的物理引擎進行集成，以實現物理準確的仿真。這需要確保物理引擎能夠正確地模擬地圖上的物理現象，如碰撞、反彈等。④編程實現和調試。使用仿真軟件提供的編程語言或腳本，實現數字空間的各種功能和行為。在實現過程中需要進行調試和優化，以確保仿真的準確性和效率。

（2）計算機圖形學的實時光線追蹤技術。計算機圖形學的實時光線追蹤技術是一種用于生成高度逼真圖像的技術。它通過模擬光線在場景中的傳播和反彈，計算出每個像素的顏色和亮度，從而生成具有高度真實感的圖像。近年來實時光線追蹤技術已經逐漸成為計算機圖形學領域的研究熱點，在游戲、電影等領域得到了廣泛應用。

本研究創新性地采用光線追蹤技術用于仿真光線在不同平面上的表現，例如反射、折射等來模擬5G 信號的發射和覆蓋情況，形成可視化的5G 信號覆蓋場景。實時光線追蹤技術可以用于模擬5G 信號的傳播和衰減。通過模擬光線的傳播路徑和交互作用，可以更加準確地預測5G 信號在復雜環境中的傳播情況和覆蓋范圍。實時光線追蹤技術可以模擬5G 信號在建筑物、地形等障礙物中的反射、折射和散射作用，以及信號在空氣中的衰減和干擾情況。這些模擬結果可以幫助優化5G 網絡規劃和布局，提高網絡質量和穩定性。實時光線追蹤技術需要大量的計算資源和高效的算法支持，以確保在實時情況下能夠處理大量的數據和信息。因此在實際應用中需要結合具體場景和需求進行優化和調整，以提高模擬的準確性和效率。

（3）人工神經網絡技術。具體來說，使用生成式對抗網絡（GAN）進行無線基站址選擇與性能評估。

GAN 是一種深度學習模型，由兩個神經網絡組成：生成器和判別器。這兩個網絡通過對抗訓練的方式進行優化，從而生成具有高度真實感的圖像、音頻等數據。生成器的目標是生成能夠欺騙判別器的數據，而判別器的目標是正確區分生成器生成的數據和真實數據。這兩個網絡在訓練過程中相互競爭，逐漸提高各自的能力，最終生成器能夠生成與真實數據非常接近的數據。GAN 在許多領域都得到了廣泛應用，如圖像生成、圖像修復、超分辨率等。它能夠生成具有高度真實感的數據，為人工智能領域的發展帶來了巨大的潛力。

使用GAN 來進行5G 無線基站站址選擇是一種創新的方法。GAN 可以通過對抗訓練的方式，學習到生成與真實數據分布相似的數據。通過收集一些真實的5G無線基站站址數據，然后使用GAN 進行訓練。生成器可以生成新的候選站址，判別器則需要判斷這些候選站址是否符合真實站址的分布。通過不斷的對抗訓練，生成器可以生成更加符合真實站址分布的候選站址。最后根據生成的候選站址的評估結果選擇最佳的站址。評估可以包括站址的覆蓋范圍、信號質量、干擾情況等因素。

4 技術路線

具體的技術路線實現如下。

（1）使用多種技術手段導入3D 地圖，技術手段包括但不限于國家測繪局在三維地圖、無人機航拍的城市地圖等。再將三維地圖導入虛擬仿真軟件里，并保存成USD 文件格式，以便于后續的研究。

（2）導入現有的成功網絡規劃信息，包括無線基站的地址信息。

（3）訓練人工神經網絡，擬生成式對抗網絡（GAN），用于二階段的評估過程。這個訓練的過程，將用到下文第4 點的技術，建立起一個無線質量的基準值，以用于第5 點的推理。

（4）使用基于RTX 的Omniverse 平臺進行虛擬仿真，并基于GPU 提供的硬件實時光線追蹤技術來實現無線電波的仿真；同時在不同的區域采集光線（用于無線質量測量）。通過此過程來實現無線發射與接收的仿真。

（5）采用神經網絡，具體來說，使用GAN 進行無線站址選擇與性能評估，GAN 網絡結構如圖1 所示。其主要的目標是在虛擬仿真軟件里面選擇一個合適的地點，也即經緯度以及高度信息，使用此位置仿真無線基站，并基于此位置發射光線，使用發射光線來仿真無線電波；同時在周圍的主要人流區域進行光線的收集，用以仿真無線質量的測量與評估。

圖1 GAN 網絡結構

這里引入了GAN，其中生成器網絡（Generator）負責隨機生成站址，并將其仿真到網絡中；判別器網絡（Discriminator）使用第三點提到的實時光線追蹤技術，對無線信號的傳播過程進行評估。反復此過程直到站址的可用性達到評估的標準。

同時也考慮引入其他深度學習框架作為替代方案，例如深度強化學習，如使用PPO 算法來實現站址的訓練與推理。總體技術路線如圖2 所示。

圖2 總體技術路線

5 結語

本研究的創新點在于采用了與無線電波傳輸相似的光線追蹤技術，并在高精度的城市三維地圖里進行無線電波傳輸的仿真與實驗，技術難點在于如何用光線來仿真無線電波的傳輸、折射、反射等各種特性，以及各種建筑環境對這些無線電波的傳播特性帶來的影響，例如水泥、鋼鐵、玻璃等不同材料帶來的不同表現。同時站址的選擇算法也是一個重點，使用GAN 來進行5G 無線基站站址選擇是一種創新的方法。GAN 可以通過對抗訓練的方式學習到生成與真實數據分布相似的數據。