基于AI算法的Massive MIMO波束權(quán)值優(yōu)化研究與應(yīng)用

周 燦，史文祥，李 犇，趙春芹，郭云霄（.中訊郵電咨詢設(shè)計(jì)院有限公司，北京 00048；.上海大唐移動(dòng)通信設(shè)備有限公司，上海 0033）

1 概述

相比4G，5G 系統(tǒng)引入了Massive MIMO 技術(shù)，與4G 多天線技術(shù)存在較大的差異。5G 系統(tǒng)Massive MIMO 技術(shù)基于超大規(guī)模天線的多波束賦形，可提升網(wǎng)絡(luò)覆蓋、小區(qū)總吞吐率及頻譜效率，減少干擾，以滿足5G 網(wǎng)絡(luò)大容量、覆蓋要求高的需求。同時(shí)，5G 的切換將從小區(qū)級切換轉(zhuǎn)變?yōu)椴ㄊ袚Q，Massive MIMO 波束的規(guī)劃優(yōu)化不僅直接影響整個(gè)5G 網(wǎng)絡(luò)的覆蓋、容量，對5G新移動(dòng)性管理也有著至關(guān)重要的作用。

2 Massive MIMO波束權(quán)值優(yōu)化難點(diǎn)

Massive MIMO 技術(shù)在5G 中的配置將更加復(fù)雜，面臨應(yīng)用場景多樣，權(quán)值選擇空間更多的難題，相對4G 網(wǎng)絡(luò)的插花部署，5G 網(wǎng)絡(luò)中大規(guī)模天線連續(xù)組網(wǎng)和聯(lián)合優(yōu)化，將對尋找區(qū)域最優(yōu)及全局最優(yōu)的波束參數(shù)配置提出更高挑戰(zhàn)。而5G Massive MIMO 波束由于掃描，不僅是動(dòng)態(tài)波束，而且除原有的下傾角、水平/垂直波寬外還新增了方向角的屬性，組合數(shù)量將達(dá)到上萬種可能，這已超出了現(xiàn)有專家經(jīng)驗(yàn)可優(yōu)化的范疇，因此需要通過人工智能技術(shù)自動(dòng)識別小區(qū)及波束覆蓋的場景，通過機(jī)器學(xué)習(xí)算法建模，為各小區(qū)匹配最佳的波束，實(shí)現(xiàn)Massive MIMO 波束自配置算法，解決5G Massive MIMO 波束組合數(shù)量大、人工規(guī)劃優(yōu)化困難的問題。

3 基于GBDT機(jī)器學(xué)習(xí)的Massive MIMO波束權(quán)值優(yōu)化

針對Massive MIMO 波束優(yōu)化困難的問題，本文提出的算法充分考慮場景、建筑分布、地物分布、用戶分布等與波束權(quán)值的關(guān)系，并通過機(jī)器學(xué)習(xí)將各種因素與Massive MIMO 波束權(quán)值調(diào)整進(jìn)行關(guān)聯(lián)映射，從而為每個(gè)小區(qū)分配一個(gè)最佳的Massive MIMO 波束配置，以滿足5G 網(wǎng)絡(luò)規(guī)劃優(yōu)化的需求。本文所提出的算法引入了人工智能進(jìn)行智能化的波束自適應(yīng)調(diào)整。Massive MIMO 波束配置整體規(guī)劃方法可以分為建模過程和輸出過程2 個(gè)部分，建模過程主要通過仿真對樣本小區(qū)各種波束配置的性能進(jìn)行評價(jià)，構(gòu)建Massive MIMO 波束自配置訓(xùn)練樣本庫，并通過機(jī)器學(xué)習(xí)算法進(jìn)行建模。輸出過程主要對規(guī)劃小區(qū)進(jìn)行場景特征提取，根據(jù)已經(jīng)訓(xùn)練出的模型為每個(gè)待規(guī)劃小區(qū)匹配一個(gè)最佳的Massive MIMO波束配置（見圖1）。

圖1 波束權(quán)值優(yōu)化整體設(shè)計(jì)思路

3.1 小區(qū)覆蓋范圍確定

本文的算法通過提取每個(gè)小區(qū)的場景特征來匹配最佳的波束權(quán)值，所以首先需要確定小區(qū)的覆蓋范圍，然后從每個(gè)小區(qū)的覆蓋范圍內(nèi)提取對應(yīng)的場景特征。小區(qū)覆蓋范圍確定根據(jù)是否有仿真地圖、MR（Measurement report）數(shù)據(jù)，一般有以下幾種方法。

a）基于地理位置的覆蓋范圍確定?；诨镜奈恢?、角度、站間距等使用幾何方法確定每個(gè)小區(qū)的覆蓋范圍，以基站的位置為圓心，畫半徑為n的扇形（n取決于站間距），其中天線的方向角穿過扇形的正中間，其扇形覆蓋的范圍即5G 小區(qū)覆蓋范圍，如圖2 所示。

圖2 基于地理位置的小區(qū)覆蓋范圍確定

b）基于MR數(shù)據(jù)的小區(qū)覆蓋范圍確定。根據(jù)現(xiàn)網(wǎng)采集到的MR進(jìn)行定位，使用定位后的柵格化MR數(shù)據(jù)獲得每個(gè)小區(qū)的覆蓋范圍。

c）基于仿真的小區(qū)覆蓋范圍確定。使用仿真軟件通過射線追蹤模型結(jié)合5G波束特性進(jìn)行5G覆蓋仿真，通過仿真確定每個(gè)小區(qū)的覆蓋范圍。

3.2 特征工程

3.2.1 標(biāo)簽構(gòu)建

以某市的10 000 個(gè)小區(qū)作為樣本數(shù)據(jù)來構(gòu)建標(biāo)簽，將仿真獲得的小區(qū)最優(yōu)波束權(quán)值作為樣本標(biāo)簽，形成波束權(quán)值優(yōu)化樣本集。標(biāo)簽的構(gòu)建的步驟如下。

a）獲取波束權(quán)值數(shù)據(jù)及對應(yīng)天線圖文件，本文算法中使用到的部分波束配置（標(biāo)簽）如表1所示。

表1 波束權(quán)值配置表

b）在仿真軟件中導(dǎo)入仿真地圖、工參、天線數(shù)據(jù)。

c）對每個(gè)小區(qū)使用多種波束權(quán)值配置進(jìn)行仿真，得到仿真結(jié)果。

d）對比各權(quán)值之間的性能優(yōu)劣獲取每個(gè)小區(qū)的最優(yōu)權(quán)值作為樣本標(biāo)簽；不同權(quán)值的性能優(yōu)劣需要考慮在提升本小區(qū)覆蓋的同時(shí)盡量降低對周邊小區(qū)的干擾，因此本文采用綜合覆蓋柵格數(shù)來評價(jià)波束權(quán)值性能的優(yōu)劣，綜合覆蓋柵格數(shù)定義如下：

綜合覆蓋柵格數(shù)=本小區(qū)滿足覆蓋柵格數(shù)－干擾系數(shù)×該小區(qū)對周邊小區(qū)干擾柵格數(shù)

3.2.2 特征提取

對于一個(gè)小區(qū)來說，其覆蓋面積、覆蓋范圍內(nèi)的建筑信息、地物信息及自身的一些工參信息會對波束權(quán)值選擇產(chǎn)生較大的影響，本文提取的特征信息主要如下。

a）根據(jù)小區(qū)工參信息表關(guān)聯(lián)其建筑物信息，并計(jì)算出建筑的特征值：建筑物與基站的距離、建筑物相對于基站的方位角。

b）小區(qū)工參特征：基站高度、方向角、總下傾角。

c）小區(qū)內(nèi)建筑物信息有：樓的高度、面積、建筑物與基站的距離、建筑物相對于基站的方位角，將小區(qū)內(nèi)建筑物信息分段統(tǒng)計(jì)，如樓的高度，分別統(tǒng)計(jì)間隔20 m樓高的數(shù)量，將其作為小區(qū)特征信息。

d）計(jì)算出小區(qū)內(nèi)樓的高度和面積的方差，高度和面積的均值。

e）統(tǒng)計(jì)出各小區(qū)室內(nèi)柵格數(shù)、室外柵格數(shù)、室內(nèi)柵格占比，估算出小區(qū)總面積。

最終小區(qū)的特征包括方向角、下傾角（電子下傾角+機(jī)械下傾角）、基站高度、小區(qū)天線高度的分段統(tǒng)計(jì)信息、樓的高度的分段統(tǒng)計(jì)信息、面積的分段統(tǒng)計(jì)信息、建筑物與基站的距離的分段統(tǒng)計(jì)信息、建筑物相對于基站的方位角的分段統(tǒng)計(jì)信息，小區(qū)內(nèi)樓的高度方差、小區(qū)內(nèi)樓的高度均值、小區(qū)內(nèi)樓的面積方差、小區(qū)內(nèi)樓的面積均值、室內(nèi)柵格數(shù)、室外柵格數(shù)，室內(nèi)柵格占比和小區(qū)總面積。

3.2.3 樣本劃分

采用交叉驗(yàn)證法驗(yàn)證模型的準(zhǔn)確性，將數(shù)據(jù)分為5 個(gè)大小相似的子集，即A=A1?A2?A3?A4?A5，用其中的4 個(gè)子集作為訓(xùn)練數(shù)據(jù)，剩下1 個(gè)作為驗(yàn)證集。交叉驗(yàn)證模型準(zhǔn)確率，最終取5 次交叉驗(yàn)證的結(jié)果均值。

3.3 GBDT模型訓(xùn)練

本文采用了以下方式實(shí)現(xiàn)模型訓(xùn)練，流程如圖3所示。首先對處理過的特征利用隨機(jī)森林（Random Forest，RF）的特征進(jìn)行選擇，選出評分比較高的TOP15 的特征子集，將特征子集用GBDT（Gradient Boosting Decision Tree）分類模型進(jìn)行分類。

圖3 模型實(shí)現(xiàn)流程

RF 是一種基于Bagging 的集成分類器，由多棵完全生長的決策樹組成。RF 中每棵決策樹的訓(xùn)練集由自助重采樣產(chǎn)生，即從數(shù)量為N的原始訓(xùn)練集中有放回地重復(fù)隨機(jī)抽取N個(gè)樣本。而其余沒被抽到的樣本構(gòu)成袋外數(shù)據(jù)，用于計(jì)算特征的重要性。之所以可以用這個(gè)表達(dá)式作為相應(yīng)特征的重要性的度量值是因?yàn)椋喝艚o某個(gè)特征隨機(jī)加入噪聲之后，袋外的準(zhǔn)確率大幅度降低，則說明這個(gè)特征對于樣本的分類結(jié)果影響很大，也就是說它的重要程度比較高。選擇TOP15特征做最終GBDT 模型特征，特征為基站高度、方向角、總下傾角、小區(qū)室內(nèi)柵格占比、小區(qū)的室外柵格、小區(qū)平面室內(nèi)柵格、小區(qū)室內(nèi)立體柵格、小區(qū)面積、小區(qū)內(nèi)樓的數(shù)量、小區(qū)內(nèi)樓的高度在（0，20 m］室內(nèi)柵格數(shù)量、小區(qū)內(nèi)樓的高度在（20，40 m］室內(nèi)柵格數(shù)量、小區(qū)內(nèi)樓的高度在（40，60 m］室內(nèi)柵格數(shù)量、小區(qū)內(nèi)樓的高度在（60，80 m］室內(nèi)柵格數(shù)量、小區(qū)內(nèi)樓的高度在（80，100 m］室內(nèi)柵格數(shù)量、小區(qū)內(nèi)樓的高度大于100m室內(nèi)柵格數(shù)量。

GBDT 經(jīng)過多輪迭代，每輪迭代產(chǎn)生一個(gè)弱分類器，每個(gè)分類器在上一輪分類器的殘差基礎(chǔ)上進(jìn)行訓(xùn)練。分類器一般會選擇為CART TREE（也就是分類回歸樹）。由于上述高偏差和簡單的要求，每個(gè)分類回歸樹的深度不會很深。最終的總分類器是將每輪訓(xùn)練得到的弱分類器加權(quán)求和得到的（也就是加法模型）。模型最終可以描述為：

模型一共訓(xùn)練M輪，每輪產(chǎn)生一個(gè)弱分類器T(xi,θm)。弱分類器的損失函數(shù)為：

模型準(zhǔn)確率公式為：Accuracy=測試樣本分類正確的數(shù)量/測試樣本的總數(shù)量，對5 次計(jì)算出的準(zhǔn)確率值求平均；模型驗(yàn)證結(jié)果如表2所示。

表2 模型驗(yàn)證結(jié)果

4 現(xiàn)網(wǎng)應(yīng)用

某市前期5G站點(diǎn)開通較少且未形成連續(xù)覆蓋，道路覆蓋整體較差，同4G 覆蓋相比還存在很大差距，通過RF 優(yōu)化手段改善不明顯，遂采用本文的波束權(quán)值優(yōu)化算法進(jìn)行覆蓋優(yōu)化。本次波束權(quán)值優(yōu)化采用了覆蓋仿真和道路測試2 種對比方式，同步確定算法性能。

4.1 Massive MIMO波束優(yōu)化仿真結(jié)果對比

本次優(yōu)化前后的仿真統(tǒng)計(jì)結(jié)果如表3 所示，覆蓋對比如圖4 所示，仿真結(jié)果表明使用本算法優(yōu)化波束權(quán)值后，覆蓋效果有了較大提升。

表3 波束權(quán)值優(yōu)化前后仿真對比

圖4 波束權(quán)值優(yōu)化前后仿真覆蓋圖對比

4.2 Massive MIMO波束優(yōu)化實(shí)測結(jié)果

波束權(quán)值優(yōu)化前后路測對比如表4所示。

表4 波束權(quán)值優(yōu)化前后路測對比

從道路測試結(jié)果可以看出：相比優(yōu)化前，優(yōu)化后的道路上5G 小區(qū)的RSRP、SINR、覆蓋率都有大幅提升。

5 總結(jié)

5G Massive MIMO 波束權(quán)值靈活多變，并且需要聯(lián)合考慮波束的方向角下傾角，組合數(shù)量巨大，傳統(tǒng)方法已經(jīng)無法完成5G波束權(quán)值的優(yōu)化。因此，本文提出了一種基于AI 算法的Massive MIMO 波束權(quán)值優(yōu)化算法，該算法通過機(jī)器學(xué)習(xí)建立了小區(qū)特征參數(shù)與波束權(quán)值之間的映射關(guān)系。仿真和測試結(jié)果表明本算法可以很好地提升5G網(wǎng)絡(luò)覆蓋質(zhì)量，具有較高的應(yīng)用價(jià)值。