時空循環(huán)神經(jīng)網(wǎng)絡(luò)在5G用戶分布預測及波束權(quán)值調(diào)整中的應(yīng)用研究

中國移動通信集團安徽有限公司 陳丹艷 耿 波 高 峰

當前，5G進入規(guī)模部署階段，5G相對于4G最大的特點是引入了大規(guī)模天線陣列，引入更多維度可調(diào)的參數(shù)（水平波瓣寬度、垂直波瓣寬度、方位角、下傾角、波束掃描個數(shù)）。波束賦形是5G網(wǎng)絡(luò)空口關(guān)鍵技術(shù)之一，通過獲取賦形增益可以有效提升5G用戶的感知體驗。但當前5G波束權(quán)值參數(shù)組合種類繁多，精準配置難度大，目前廠家（包括中興、華為、愛立信）僅有限開放廣播權(quán)值參數(shù)和包絡(luò)圖，權(quán)值參數(shù)調(diào)整以人工調(diào)整為主，缺乏自動化手段，效率偏低。Massive MIMO天線的權(quán)值優(yōu)化涉及到的參數(shù)組合優(yōu)化的候選空間解達到數(shù)萬種，遠超出人腦可以計算空間，通過工程師經(jīng)驗和塔工上站調(diào)整天饋的傳統(tǒng)方式已不再適用，需要一套適用于5G Massive MIMO天線的智能化的天饋優(yōu)化方法論及產(chǎn)品。

用戶數(shù)量和用戶的業(yè)務(wù)需求是影響基站緩存部署、資源分配和能耗管理的重要因素，通過準確預測基站覆蓋范圍內(nèi)的用戶數(shù)量，對提高5G網(wǎng)絡(luò)性能具有重要意義。尤其是針對某些基站所覆蓋的特定的功能區(qū)域，如高校、辦公區(qū)、住宅區(qū)等，由于不同區(qū)域用戶分布呈現(xiàn)出規(guī)律性，如果能夠準確預測用戶未來分布，并根據(jù)用戶分布動態(tài)調(diào)整波束權(quán)值，不僅有利于用戶感知，更有利于區(qū)域內(nèi)網(wǎng)絡(luò)資源的分配。

本文嘗試依托5G大規(guī)模天線陣列信號波束賦型技術(shù)，構(gòu)建用戶分布與波束權(quán)值匹配的靜態(tài)標準庫，找到不同用戶分布情況下波束參數(shù)最優(yōu)設(shè)置，進一步基于時空循環(huán)神經(jīng)網(wǎng)絡(luò)對用戶分布變化進行預測，根據(jù)預測結(jié)果增益實施波束差異調(diào)整。以期在5G大規(guī)模商用優(yōu)化時，快速推廣應(yīng)用至各類典型場景。

1 靜態(tài)標準庫構(gòu)建

1.1 用戶定位技術(shù)研究

目前5G網(wǎng)絡(luò)MDT（MinimizationofDrive-Test，最小化路測）規(guī)范尚未確定，用戶水平位置無法確定。傳統(tǒng)方案是基于三角定位原理，通過信號強度構(gòu)建指紋庫，但這種方案精確度較低。本文利用NSA用戶在4G、5G的相同標識和時間戳信息，使用4G的MDT生成5G水平面指紋庫；通過5G MR數(shù)據(jù)里的垂直到達角，確定用戶高度，建立5G垂直面指紋庫，和水平面指紋庫合并實現(xiàn)5G立體定位。5G用戶水平方向定位如圖1所示。

圖1 5G用戶水平方向定位

1.2 構(gòu)建用戶分布與波束設(shè)置匹配的靜態(tài)標準庫

構(gòu)建靜態(tài)標準庫是5G權(quán)值調(diào)整的基礎(chǔ)和前提，在完成標準庫構(gòu)建后，找到不同用戶分布下的波束參數(shù)最優(yōu)設(shè)置，從而根據(jù)對用戶分布的預測結(jié)果實施動態(tài)調(diào)整。

本文通過天線增益等信息構(gòu)建立體柵格數(shù)據(jù)庫，將用戶信息與波束覆蓋柵格進行匹配，構(gòu)建兩者關(guān)系函數(shù)y=f(s，a)。其中，y是優(yōu)化目標，包含用戶感知、覆蓋、質(zhì)量等多個維度；s是用戶位置信息，將用戶水平和垂直分布轉(zhuǎn)換成分布圖，代入尋優(yōu)模型；a是待尋優(yōu)波束參數(shù)，通過多小區(qū)聯(lián)合迭代尋優(yōu)算法，找到波束最優(yōu)參數(shù)配置，包括下傾角、方位角、波束寬度等。圖2是函數(shù)y的示意圖。

圖2 用戶信息與波束覆蓋柵格關(guān)系函數(shù) y

2 用戶分布預測模型構(gòu)建

2.1 時空循環(huán)神經(jīng)網(wǎng)絡(luò)預測模型介紹

近年來，用戶分布預測受到了研究人員的廣泛關(guān)注，隨著深度學習技術(shù)的不斷發(fā)展和完善，并考慮到用戶分布預測的時空建模的復雜性，利用深度學習的模型進行用戶分布預測受到了更多研究人員的青睞。LSTM（Long Short Term Memory，長短時記憶網(wǎng)絡(luò)結(jié)構(gòu)）能夠?qū)W習長距離的時間依賴關(guān)系，輸入和輸出均為一維向量，狀態(tài)與狀態(tài)之間采用全連接形式，無法捕捉空間特征。ConvLSTM是將LSTM擴展到三維，輸入和輸出均為三維張量，輸入與狀態(tài)、狀態(tài)與狀態(tài)之間采用卷積操作捕捉空間特征。本文基于 Conv-LSTM（convolutional long short-term memory）模塊提取用戶分布的時空特征，從而實現(xiàn)了良好的用戶分布預測性能。

2.2 基于時空循環(huán)神經(jīng)網(wǎng)絡(luò)實現(xiàn)用戶分布精準預測

本文融合卷積神經(jīng)網(wǎng)絡(luò)（CNN）和時序神經(jīng)網(wǎng)絡(luò)（LSTM），建立時空循環(huán)神經(jīng)網(wǎng)絡(luò)算法，同時兼顧歷史數(shù)據(jù)及當前趨勢，確保預測準確性。

（1）數(shù)據(jù)處理

本文應(yīng)用安徽移動提供的MR.hAOA和MR.vAOA數(shù)據(jù)來驗證時空循環(huán)神經(jīng)網(wǎng)絡(luò)預測模型的效果和性能。首先對AOA數(shù)據(jù)進行預處理，剔除無效數(shù)據(jù)、異常和漂移數(shù)據(jù)，并處理了基站間反復切換的乒乓效應(yīng)。采點數(shù)統(tǒng)計柵格稀疏，原始柵格數(shù)219×22，因此使用大粒度對采點數(shù)進行匯總，處理為1×1度數(shù)據(jù)。此外，考慮到采點數(shù)數(shù)量級差異大，空間分布存在極大離群值，因此采用取log(x+1)方法對極大值進行平滑，用于神經(jīng)網(wǎng)絡(luò)的訓練。在輸出層采用Relu激活函數(shù)，確保輸出值為非負數(shù)。在后續(xù)的模型評估中，再將預測值重新調(diào)整回正常值，與真實值進行對比，從而得到準確的預測誤差。

（2）特征構(gòu)建與模型構(gòu)建

AOA小時級的預測采用前7天同小時歷史數(shù)據(jù)和前1天24h歷史數(shù)據(jù)聯(lián)合建模。通過時空序列預測模型ConvLSTM，利用卷積捕捉時間序列中的空間特征，得到未來24h AOA虛擬柵格用戶分布。二維時間序列輸入，預測輸出同樣為二維。時空循環(huán)神經(jīng)網(wǎng)絡(luò)預測模型如圖3所示。

圖3 時空循環(huán)神經(jīng)網(wǎng)絡(luò)預測模型

模型基于TensorFlow實現(xiàn)。在神經(jīng)網(wǎng)絡(luò)參數(shù)的設(shè)置方面，將前7天同小時歷史數(shù)據(jù)輸入兩層ConvLSTM，前1天24h歷史數(shù)據(jù)輸入兩層ConvLSTM，ConvLSTM模塊的參數(shù)均設(shè)置為3×3大小的16個卷積核。最終兩部分的輸出均為通道數(shù)為16的三維張量，經(jīng)過卷積核大小為3×3、數(shù)量為1的二維CNN進行特征融合，最終輸出與原始輸入的二維分布大小一致的預測分布矩陣。具體訓練過程中，選取的batch大小為64，選擇數(shù)據(jù)集80%的小區(qū)作為訓練集，剩余的20%的小區(qū)作為測試集。實驗中應(yīng)用早停法來選擇最優(yōu)的模型參數(shù)。

（3）評估方法及性能分析

預測目標為用戶分布隨時間的變化。本文使用前7天數(shù)據(jù)預測第8天×24h用戶分布。將第8天真實數(shù)據(jù)、預測數(shù)據(jù)與基線×數(shù)據(jù)進行對比，如圖4所示，從左到右依次為真實值、預測值、基線?；€為前7天同小時該柵格采點數(shù)平均值。

圖4 時空循環(huán)神經(jīng)網(wǎng)絡(luò)預測效果

本文選用相對熵（亦稱為KL散度）作為模型的評價指標，其定義為兩個概率分布的不對稱性度量。當兩個概率分布相同時，它們的相對熵為零，當兩個概率分布的差別增大時，相對熵會增大。相比于基線，預測結(jié)果相對熵（kld）更低，即準確率更高。時空循環(huán)神經(jīng)網(wǎng)絡(luò)的預測誤差如表1所示。

表1 時空循環(huán)神經(jīng)網(wǎng)絡(luò)的預測誤差

3 基于用戶分布預測實施波束自動調(diào)整

3.1 Massive MIMO波束賦型技術(shù)簡介

Massive MIMO天線的波束賦形（BF——Beamforming）功能在為小區(qū)用戶發(fā)射數(shù)據(jù)時，可以通過調(diào)整天線的波寬以及上、下、左、右的方向來實現(xiàn)三維的精準波束賦形，使輻射出去的能量集中于用戶所在的方向，而不是均勻地分布在整個小區(qū)的范圍，這樣用戶能夠感受到更高的能量，可以獲得更高的SINR，相應(yīng)地數(shù)據(jù)傳輸速率也能獲得提高。BF對發(fā)送信號進行加權(quán)，形成指向UE的窄帶波束。NR Sub6G多天線下行各信道默認支持波束賦形，可以形成更窄的波束，精準地指向用戶，提升覆蓋性能。

Massive MIMO目前主要是廣播波束SSB和業(yè)務(wù)信道CSI-RS，業(yè)界一直認為分別對SSB的優(yōu)化和CSI-RS的優(yōu)化是保障物理網(wǎng)絡(luò)性能的重要手段。協(xié)議規(guī)定，SSB波束包含7個或者8個（協(xié)議不超過8 個）子波束。按照時分方式輪發(fā)，每個波束占用4個符號，決定小區(qū)接入和切換性能。波束覆蓋基于場景化參數(shù)配置，是小區(qū)級靜態(tài)波束。表征一個波速的四元組為方向角、傾角、水平波束寬度、垂直波束寬度。

3.2 基于用戶分布預測的SSB波束權(quán)值尋優(yōu)算法

本文中最大SSB個數(shù)設(shè)置為8，根據(jù)前節(jié)得到的用戶分布預測結(jié)果，利用動態(tài)規(guī)劃算法，生成最優(yōu)的SSB 8波束配置，如圖5黑色矩形所示，底圖代表某小區(qū)SSB波束總體覆蓋范圍，水平方向為±55°，垂直方向為-5°到15°，每個色塊為5×1度柵格中預測的采樣點數(shù)占整個色塊的采樣點比例?？紤]SSB波束覆蓋連續(xù)性，本文設(shè)計SSB波束權(quán)值尋優(yōu)算法時，一方面限制高層（垂直2至-6°）采用0到2個波束，通過尋優(yōu)確保每個波束覆蓋15%的采樣點；另一方面限制底層（垂直10至2°）采用6到8個波束，通過尋優(yōu)，確保覆蓋最多的采樣點，同時保障底層覆蓋聯(lián)系性。

圖5 某小區(qū)某時段SSB子波束方案

3.3 應(yīng)用效果

基于用戶分布預測的的SSB波束權(quán)值尋優(yōu)算法在現(xiàn)網(wǎng)部署后，5G網(wǎng)絡(luò)覆蓋率提升0.55pp，分流比提升0.37pp，下載速率提升2%，同時天線權(quán)值動態(tài)調(diào)整相較傳統(tǒng)人工調(diào)整工作效率得到明顯提升，如表2所示。

表2 權(quán)值算法應(yīng)用成效

總結(jié)：本文結(jié)合5G網(wǎng)絡(luò)實際，提出了一種5G網(wǎng)絡(luò)覆蓋范圍內(nèi)的區(qū)域用戶分布預測的深度時空網(wǎng)絡(luò)模型，首先建立靜態(tài)標準庫，將用戶位置分布與小區(qū)波束信息進行聯(lián)合畫像，再利用機器視覺算法，快速尋找各圖像間特征關(guān)聯(lián)，通過多小區(qū)聯(lián)合尋優(yōu)，只需較少次數(shù)迭代計算，即可快速獲取天線波束參數(shù)最優(yōu)配置。其次引入時空循環(huán)神經(jīng)網(wǎng)絡(luò)，同時考慮用戶分布歷史數(shù)據(jù)和當前態(tài)勢變化，刻畫周、天、小時級的變化特征，實現(xiàn)用戶分布精準預測。最后基于用戶分布預測設(shè)計SSB波束權(quán)值尋優(yōu)算法，驗證了本文提出的模型對工作日和周末的流量預測精度都比已有流量預測模型有顯著提升。在下一步工作中，可以將基站的用戶分布預測應(yīng)用于5G網(wǎng)絡(luò)資源配置與流量分析的應(yīng)用中。同時，隨著5G網(wǎng)絡(luò)基站大規(guī)模部署的開展，基于本文研究工作進行基站活躍/休眠的集群策略研究也將具有重要意義。