基于BP神經(jīng)網(wǎng)絡(luò)的天線場強(qiáng)分布預(yù)測方法

王計斌 陳大龍 霍永章

南京華蘇科技有限公司

0 引言

無線網(wǎng)絡(luò)覆蓋是決定網(wǎng)絡(luò)服務(wù)的范圍，承擔(dān)著用戶與網(wǎng)絡(luò)之間的無線業(yè)務(wù)交換的重任，無線網(wǎng)絡(luò)覆蓋的優(yōu)劣直接影響到用戶的服務(wù)質(zhì)量，關(guān)系到移動用戶的滿意度和運(yùn)營商經(jīng)濟(jì)效益。無線網(wǎng)絡(luò)中的用戶分布不斷發(fā)生變化，原扇區(qū)天線方向角是決定覆蓋的關(guān)鍵因素之一，為了滿足無線網(wǎng)絡(luò)覆蓋的科學(xué)優(yōu)化，如何精準(zhǔn)預(yù)測天線方向角在調(diào)整后場強(qiáng)分布情況是目前研究的重要問題之一。

在場強(qiáng)分布預(yù)測的研究常用的射線跟蹤模型，需要大量精確的環(huán)境數(shù)據(jù)，應(yīng)用一般局限于室內(nèi)，在室外場景中未得到廣泛的應(yīng)用。而人工神經(jīng)網(wǎng)絡(luò)(ANN)恰能彌補(bǔ)這個不足，其在場強(qiáng)分布預(yù)測中應(yīng)用的優(yōu)點(diǎn)是可以在建筑物的形狀、參數(shù)和結(jié)構(gòu)特征未知的情況下，利用容易獲取的一些相關(guān)參數(shù)得到比較精確的場強(qiáng)值，且能夠靈活地適應(yīng)不同的場景。

目前有文獻(xiàn)介紹了某室外微扇區(qū)的場強(qiáng)預(yù)測方法，它將扇區(qū)的地形信息參數(shù)輸入至神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，并運(yùn)用實(shí)測數(shù)據(jù)對模型的精度進(jìn)行驗(yàn)證。有關(guān)文獻(xiàn)提出一種室外混合預(yù)測模型，它將經(jīng)驗(yàn)?zāi)Ｐ团c ANN 模型相結(jié)合，分別考慮收發(fā)端視距 (Line of Sight, LOS )和非視距(Non Line of Sight,NLOS) 情形，此種模型一般用于不同的地形類型，包含城市、郊區(qū)等。有關(guān)文獻(xiàn)介紹了一種室內(nèi)預(yù)測方法，比較了多種類型ANN用于場強(qiáng)預(yù)測的效果。有關(guān)文獻(xiàn)也采用ANN方法，運(yùn)用機(jī)器學(xué)習(xí)對不同地形進(jìn)行分類，能夠自動提取必要的場景信息進(jìn)行訓(xùn)練。有關(guān)文獻(xiàn)介紹了一種混合差分預(yù)測模型，其具體做法是利用粗略的場景模型和少量的精確預(yù)測值來訓(xùn)練多層感知機(jī)神經(jīng)網(wǎng)絡(luò)，使得以較小的運(yùn)算復(fù)雜度代價得到精確的場強(qiáng)預(yù)測效果。上述各種算法固然能取得較高的精度，然而，是以精確的環(huán)境信息的支持為條件的，且某些算法沒有真實(shí)數(shù)據(jù)予以驗(yàn)證。

因此，針對上述不足，有必要研究一種基于BP(back propagation)神經(jīng)網(wǎng)絡(luò)對天線調(diào)整后扇區(qū)場強(qiáng)分布的預(yù)測方法，利用天線調(diào)整前的大量用戶數(shù)據(jù)，通過ANN預(yù)測天線方位角調(diào)整后天線有效場強(qiáng)分布區(qū)域內(nèi)任意地理位置的接收功率，無需依賴環(huán)境數(shù)據(jù)，與實(shí)測數(shù)據(jù)比較的結(jié)果表明，預(yù)測誤差在合理精度范圍內(nèi)。

1 數(shù)據(jù)集

方法所使用的數(shù)據(jù)來源為某市某運(yùn)營商現(xiàn)網(wǎng)實(shí)際數(shù)據(jù)，數(shù)據(jù)主要有兩種：用戶最小化路測（Minimization Drive Test，MDT）數(shù)據(jù)、扇區(qū)工參信息數(shù)據(jù)。

MDT數(shù)據(jù)是用戶終端設(shè)備（User Equipment，UE）在特定時間上報的實(shí)時信息數(shù)據(jù)。最終提供方法所使用的信息有：扇區(qū)唯一標(biāo)識（E-UTRAN Cell Identifier，ECI）、用戶經(jīng)度、用戶緯度、海拔高度、時間提前量（Timing Advance，TA）、參考信號接收功率（Reference Signal ReceivedPower，RSRP）。

扇區(qū)工參信息數(shù)據(jù)是一定區(qū)域內(nèi)扇區(qū)的基本信息數(shù)據(jù)，通常一定區(qū)域?yàn)橐粋€城市或行政區(qū)/縣。每條數(shù)據(jù)表示一個ECI相關(guān)數(shù)據(jù)信息，最終提供方法所使用的信息有：扇區(qū)唯一標(biāo)識（ECI）、扇區(qū)經(jīng)度、扇區(qū)緯度、扇區(qū)方向角、扇區(qū)覆蓋類型。扇區(qū)覆蓋類型通常分為：宏站和室分，宏站指的是宏蜂窩扇區(qū)的基站，主要是覆蓋室外，覆蓋面積較大。室分指的是室內(nèi)分布系統(tǒng)，主要用于改善建筑物內(nèi)覆蓋。

利用BP神經(jīng)網(wǎng)絡(luò)算法模型，通過用戶實(shí)際數(shù)據(jù)進(jìn)行訓(xùn)練和算法調(diào)優(yōu)，并進(jìn)行天線模擬調(diào)整后場強(qiáng)分布預(yù)測與天線實(shí)際調(diào)整后場強(qiáng)分布對比，評估算法模型預(yù)測的精準(zhǔn)度。算法模型的精準(zhǔn)度提高需要大量的實(shí)際數(shù)據(jù)進(jìn)行訓(xùn)練和迭代升級，因此算法模型需要在客戶現(xiàn)網(wǎng)訓(xùn)練和迭代一定周期后方可正式投入應(yīng)用，屆時將大大提高傳統(tǒng)傳播模型的場強(qiáng)分布預(yù)測精度，同時為網(wǎng)絡(luò)覆蓋優(yōu)化節(jié)省大量的時間成本和經(jīng)濟(jì)成本，并提高網(wǎng)絡(luò)覆蓋優(yōu)化效率。

2 方法論

提供一種基于BP神經(jīng)網(wǎng)絡(luò)對天線調(diào)整后扇區(qū)場強(qiáng)分布的預(yù)測方法，通過ANN預(yù)測天線有效場強(qiáng)分布區(qū)域內(nèi)任意地理位置的接收功率，并基于電波傳播模型和天線方向圖增益變化預(yù)測天線方位角調(diào)整后的有效場強(qiáng)分布范圍內(nèi)的用戶接收功率，無需依賴環(huán)境數(shù)據(jù)；且預(yù)測的誤差很小?；贐P神經(jīng)網(wǎng)絡(luò)的天線場強(qiáng)分布預(yù)測方法流程圖及具體步驟如圖1所示。

圖1 基于BP神經(jīng)網(wǎng)絡(luò)的天線場強(qiáng)分布預(yù)測方法流程圖

步驟1：數(shù)據(jù)收集，收集扇區(qū)工參信息數(shù)據(jù)和用戶最小化路測MDT數(shù)據(jù)；

步驟2：數(shù)據(jù)整理，對MDT數(shù)據(jù)和扇區(qū)工參信息數(shù)據(jù)進(jìn)行整理，剔除異常值，篩選有效數(shù)據(jù)，并對MDT數(shù)據(jù)和扇區(qū)工參信息數(shù)據(jù)進(jìn)行ECI關(guān)聯(lián)匹配；

步驟3：數(shù)據(jù)柵格化，將扇區(qū)分成方形柵格，并將劃分的所述方形柵格分為兩類，第一類柵格為RSRP數(shù)據(jù)充足的柵格，用于訓(xùn)練神經(jīng)網(wǎng)絡(luò)算法；第二類柵格為RSRP數(shù)據(jù)不充足的柵格；

步驟4：算法模型訓(xùn)練，采用三層神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，輸出RSRP數(shù)據(jù)不充足的柵格功率；

步驟5：場強(qiáng)分布預(yù)測，根據(jù)天線方位角調(diào)整之后，每個柵格平均接收功率的公式獲得天線方位角轉(zhuǎn)動之后每個柵格的平均接收功率，即實(shí)現(xiàn)對天線調(diào)整后扇區(qū)場強(qiáng)分布的預(yù)測。

2.1 數(shù)據(jù)收集

步驟1中，收集最新扇區(qū)工參信息數(shù)據(jù)和近一段時間MDT數(shù)據(jù)。用戶MDT數(shù)據(jù)包括用戶的經(jīng)度、緯度、時間提前量TA、海拔高度和參考信號接收功率RSRP。工參數(shù)據(jù)包括扇區(qū)ECI、扇區(qū)經(jīng)度、扇區(qū)緯度、扇區(qū)方向角、扇區(qū)覆蓋類型。

2.2 數(shù)據(jù)整理

步驟2中的數(shù)據(jù)整理，刪除異常值的具體方法如下所示：

（1）將MDT數(shù)據(jù)海拔高度小于0的點(diǎn)，經(jīng)度和緯度為空或?yàn)?的數(shù)據(jù)，RSRP值不在3GPP所要求的值域區(qū)間數(shù)據(jù)，無ECI數(shù)據(jù)視為異常數(shù)據(jù)，予以剔除；再對扇區(qū)工參信息數(shù)據(jù)中經(jīng)度和緯度為空或?yàn)?的數(shù)據(jù)進(jìn)行剔除，并且篩選出扇區(qū)覆蓋類型為宏站的基站扇區(qū)。

（2）將海拔數(shù)據(jù)設(shè)為常數(shù)0，對上報的用戶數(shù)據(jù)的經(jīng)緯度進(jìn)行二維墨卡托投影，且將正北方向?qū)?yīng)坐標(biāo)x軸方向，天線方位角即自天線至測試點(diǎn)的向量與x正軸的逆時針夾角；再將用戶點(diǎn)坐標(biāo)減去天線坐標(biāo)，得到以天線為原點(diǎn)的用戶點(diǎn)的相對坐標(biāo)，作為新坐標(biāo)。

（3）將天線場強(qiáng)分布區(qū)域劃分為多個柵格，所述柵格的大小與全球定位系統(tǒng)（GPS）的精度處于同一數(shù)量級；對于每個所述柵格內(nèi)的不同的用戶設(shè)備UE所上報的RSRP值，取其均值μ和標(biāo)準(zhǔn)差σ分別設(shè)為該位置的用戶設(shè)備UE的RSRP值作隨機(jī)變量的均值和標(biāo)準(zhǔn)差，其中：

m為一個柵格內(nèi)上報RSRP值的用戶設(shè)備的總數(shù)：

并對柵格內(nèi)的用戶上報的數(shù)據(jù)求均值μ與標(biāo)準(zhǔn)差σ，取位于[μ-3σ, μ+3σ]范圍內(nèi)的數(shù)據(jù)，超出該范圍的數(shù)據(jù)則作為異常點(diǎn)并刪除。其中由于UE上傳的海拔信息往往精度較低，或者沒有上傳此類數(shù)據(jù)，故不考慮海拔，均設(shè)為常數(shù)0；因此對上報的用戶數(shù)據(jù)的經(jīng)緯度進(jìn)行二維墨卡托投影，并且將正北方向?qū)?yīng)坐標(biāo)x正軸方向，方位角即自天線至測試點(diǎn)的向量與x正軸的逆時針夾角，例如方位角120度表示UE位置在xoy平面上投影位于從x正軸方向逆時針旋轉(zhuǎn)120度的方向上。

2.3 數(shù)據(jù)柵格化

步驟3的具體內(nèi)容為將扇區(qū)分成n m×n m的方形柵格，位于某一柵格的用戶設(shè)備UE的坐標(biāo)采用該柵格中心的坐標(biāo)代替，柵格內(nèi)用戶設(shè)備UE的RSRP值視為隨機(jī)變量，基于柵格內(nèi)所有用戶設(shè)備UE上報的RSRP數(shù)據(jù)計算該隨機(jī)變量的均值和標(biāo)準(zhǔn)差；根據(jù)RSRP數(shù)據(jù)量的不同，將所有柵格分成兩類，第一類柵格為RSRP數(shù)據(jù)充足的柵格，用來訓(xùn)練神經(jīng)網(wǎng)絡(luò)；第二類柵格為RSRP數(shù)據(jù)不充足甚至未上報的柵格，通過BP神經(jīng)網(wǎng)絡(luò)預(yù)測其對應(yīng)的柵格功率。

2.4 算法模型訓(xùn)練

步驟4中的具體內(nèi)容是對RSRP數(shù)據(jù)充足的柵格采用三層神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，輸入層是柵格中心點(diǎn)的坐標(biāo)(xm, ym)，其中m表示柵格索引號；中間隱含層所包含的神經(jīng)元個數(shù)與訓(xùn)練所采用的樣本集規(guī)模呈正相關(guān)關(guān)系，輸出層是第二類柵格的RSRP均值的預(yù)測值，輸入層與隱藏層的常數(shù)項(xiàng)神經(jīng)元是屬于偏置單元。

其中隱藏層每個神經(jīng)元采用的激活函數(shù)為：

其中θ_hidden是由輸入層到該隱藏層神經(jīng)元的權(quán)重向量，所有隱藏層的神經(jīng)元的權(quán)重向量構(gòu)成由輸入層到隱藏層的權(quán)重矩陣；此激活函數(shù)對輸入特征進(jìn)行復(fù)雜化，以得到更加復(fù)雜的特征，從而擬合出從輸入到預(yù)測輸出的更加復(fù)雜的擬合函數(shù)以提高預(yù)測結(jié)果的精確性。

輸出層采用的激活函數(shù)為線性函數(shù)：

其中x為隱藏層的輸出組成的向量，θoutput是由隱藏層到輸出層神經(jīng)元的權(quán)重向量，所有輸出層的神經(jīng)元的權(quán)重向量構(gòu)成由隱藏層到輸出層的權(quán)重矩陣；該神經(jīng)網(wǎng)絡(luò)的層與層之間都有著不同的權(quán)重矩陣，權(quán)重矩陣的值要進(jìn)行隨機(jī)初始化，并隨著神經(jīng)網(wǎng)絡(luò)的訓(xùn)練不斷地優(yōu)化代價函數(shù)而得到最終的最優(yōu)權(quán)重矩陣值，最后得到天線調(diào)整前其有效場強(qiáng)分布區(qū)內(nèi)所有柵格RSRP均值的預(yù)測值。

2.5 場強(qiáng)分布預(yù)測

步驟5中的具體內(nèi)容是通過場強(qiáng)分布預(yù)測模型中的無線電波傳播模型，采用無線電波傳播公式獲得天線方位角調(diào)整之后的每個柵格平均RSRP公式，基于無線電波傳播公式和天線方向圖增益變化預(yù)測天線方位角調(diào)整后的有效場強(qiáng)分布內(nèi)的用戶RSRP值，即獲得天線調(diào)整后扇區(qū)場強(qiáng)分布的預(yù)測。

其中無線電波傳播公式為：

該公式中Pt為天線發(fā)射功率，G(θ,φ)為天線方向圖函數(shù)，GT為天線增益，λ為電波波長，d為天線到用戶點(diǎn)的自由空間距離，α為路徑損耗指數(shù)，Pr為接收點(diǎn)的接收功率。

天線方位角調(diào)整后的每個柵格平均RSRP公式為：

其中(θ,φ)和(θ^',φ^')分別表示天線姿態(tài)調(diào)整前后的(方位角，下傾角)，并與天線姿態(tài)調(diào)整后上報的用戶實(shí)測數(shù)據(jù)的均值進(jìn)行比較，得到的誤差作為該算法預(yù)測的RSRP均值的誤差。其中P_r=P_t?G(θ,φ)?G_T (λ/4πd )^α是在神經(jīng)網(wǎng)絡(luò)輸出預(yù)測值Pt之后，用于計算天線到用戶（UE）的路徑損耗指數(shù)α；并利用計算出來的α計算天線方位角調(diào)整后的原用戶（UE）的RSRP值；同時只要天線姿態(tài)調(diào)整幅度不是很大，則對RSRP的標(biāo)準(zhǔn)差基本無影響，基于上述考慮，直接用調(diào)整前的標(biāo)準(zhǔn)差作為調(diào)整后的標(biāo)準(zhǔn)差的預(yù)測值。

2.6 結(jié)果檢驗(yàn)

對于以上的BP神經(jīng)網(wǎng)絡(luò)算法模型，通過激活函數(shù)訓(xùn)練得到最終的權(quán)重矩陣值，從而得到天線調(diào)整前其有效場強(qiáng)分布區(qū)內(nèi)所有柵格RSRP均值的預(yù)測值。通過訓(xùn)練出的最優(yōu)模型，可對預(yù)調(diào)整扇區(qū)新場強(qiáng)分布區(qū)域進(jìn)行柵格化RSRP預(yù)測。最終將預(yù)算數(shù)據(jù)與實(shí)際調(diào)整后用戶MDT數(shù)據(jù)進(jìn)行對比，判斷算法的精準(zhǔn)度。

3 實(shí)驗(yàn)及結(jié)果

3.1 實(shí)驗(yàn)

實(shí)驗(yàn)收集了某市某運(yùn)營商7天150個扇區(qū)的MDT數(shù)據(jù)360萬用戶點(diǎn)，并收集這150個扇區(qū)調(diào)整后相同周期7天MDT數(shù)據(jù)379萬用戶點(diǎn)，評估算法模型的精準(zhǔn)度和穩(wěn)定性。

為保證數(shù)據(jù)的完整性及有效性，需要對數(shù)據(jù)進(jìn)行整理，將MDT數(shù)據(jù)海拔高度小于0的點(diǎn)，經(jīng)度和緯度為空或?yàn)?的數(shù)據(jù)，RSRP值不在3GPP所要求的值域區(qū)間數(shù)據(jù)，無ECI數(shù)據(jù)視為異常數(shù)據(jù)，予以剔除；再對扇區(qū)工參信息數(shù)據(jù)中經(jīng)度和緯度為空或?yàn)?的數(shù)據(jù)進(jìn)行剔除，剔除后有效扇區(qū)工參信息149個扇區(qū)；并且篩選出扇區(qū)覆蓋類型為宏站的基站扇區(qū)，篩選后宏站扇區(qū)143個。將調(diào)整前數(shù)據(jù)作為訓(xùn)練集數(shù)據(jù)，使用Anaconda軟件對模型進(jìn)行訓(xùn)練，并輸出預(yù)調(diào)整預(yù)測數(shù)據(jù)。將實(shí)際調(diào)整后用戶MDT數(shù)據(jù)作為驗(yàn)證集數(shù)據(jù)，對預(yù)測數(shù)據(jù)與驗(yàn)證集數(shù)據(jù)進(jìn)行比較，得到RSRP的均值誤差，即算法精度衡量。

以下實(shí)驗(yàn)結(jié)果中選取某市某運(yùn)營商兩個場景扇區(qū)的實(shí)際數(shù)據(jù)進(jìn)行論證，一個是某運(yùn)營商扇區(qū)1，其用戶點(diǎn)比較少，分布比較分散，場景簡單；另一個是某運(yùn)營商扇區(qū)2，其用戶點(diǎn)較多，分布主要集中在街道、居民區(qū)，場景復(fù)雜。這里未考慮海拔，僅考慮水平面坐標(biāo)，并且僅針對天線方位角調(diào)整幅度不是很大的情況，基于多徑衰落的原理，此時可認(rèn)為路徑損耗指數(shù)α的變化量可以忽略。

3.2 實(shí)驗(yàn)結(jié)果

實(shí)驗(yàn)過程中發(fā)現(xiàn)，BP神經(jīng)網(wǎng)絡(luò)算法模型RSRP預(yù)測的大部分區(qū)域均值誤差較小，并得到如下一些過程結(jié)果示例。

圖2是某市某運(yùn)營商某區(qū)域150個扇區(qū)，進(jìn)行預(yù)測數(shù)據(jù)與驗(yàn)證數(shù)據(jù)對比分析，分別統(tǒng)計RSRP均值誤差小于等于5dB、10dB、15dB的扇區(qū)個數(shù)占比。從圖中可以看出均值誤差小于等于5dB的扇區(qū)占比達(dá)84%，均值誤差小于等于10dB的扇區(qū)占比達(dá)93.33%，均值誤差小于等于15dB的扇區(qū)占比達(dá)99.33%。本算法的預(yù)測平均誤差在5~8dB，99%置信區(qū)間的寬度約為15dB。說明BP神經(jīng)網(wǎng)絡(luò)算法模型有較好的精準(zhǔn)度。

圖2 預(yù)測數(shù)據(jù)與驗(yàn)證數(shù)據(jù)對比分析圖

實(shí)驗(yàn)例中扇區(qū)1的最大發(fā)射功率為52dBm，中心載頻的信道號為38496，天線增益為14dBi，天線初始方位角為130度時共有8756個用戶點(diǎn)，需要預(yù)測若將方位角調(diào)整為150度其覆蓋區(qū)域的場強(qiáng)分布，天線方位角為150度時有4803個用戶點(diǎn)可供比較計算預(yù)測誤差。

對扇區(qū)1天線調(diào)整后的場強(qiáng)分布進(jìn)行預(yù)測，誤差絕對值均值達(dá)到5.00dB，96%以上的分布區(qū)域的預(yù)測誤差小于15dB。算法預(yù)測的UE的RSRP與信號覆蓋區(qū)域內(nèi)UE上報的RSRP的差值作為預(yù)測誤差，大部分區(qū)域的預(yù)測誤差較小。

天線方位角調(diào)整至150度域內(nèi)UE上報的RSRP值和算法得到的域內(nèi)UE的RSRP預(yù)測值的統(tǒng)計直方圖分別如圖3和圖4所示，圖中顯示，二者統(tǒng)計規(guī)律也是基本一致的。

圖3 扇區(qū)1天線方位角調(diào)整至150度，域內(nèi)UE上報的真實(shí)RSRP值的統(tǒng)計直方圖

圖4 扇區(qū)1天線方位角調(diào)整至150度，算法得到的域內(nèi)RSRP預(yù)測值的統(tǒng)計直方圖

實(shí)驗(yàn)例中扇區(qū)2的最大發(fā)射功率為53dBm(折合成線性功率約200W)，中心載頻的信道號為37900，天線增益為14dBi，天線的初始方位角為130度時有34459個用戶點(diǎn)，需要預(yù)測若將方位角調(diào)整為150度其覆蓋區(qū)域的場強(qiáng)分布，天線方位角為150度時有17849個用戶點(diǎn)可供比較計算預(yù)測誤差。

通過算法模型對該扇區(qū)2天線調(diào)整后的場強(qiáng)分布進(jìn)行預(yù)測，誤差絕對值均值達(dá)到7.40dB，90%以上的分布區(qū)域的預(yù)測誤差小于15dB，大部分區(qū)域的預(yù)測誤差較小。

天線方位角調(diào)整至150度域內(nèi)，UE上報的RSRP值和算法得到的域內(nèi)UE的RSRP預(yù)測值的統(tǒng)計直方圖，分別如圖5和圖6所示，圖中顯示，二者統(tǒng)計規(guī)律也是基本一致的。另外，圖7為扇區(qū)2將天線方位角調(diào)整至150度，域內(nèi)UE上報的RSRP值分布圖。圖8為扇區(qū)2將天線方位角調(diào)整至150度，算法得到的域內(nèi)RSRP預(yù)測值分布圖。通過對比，兩圖直觀地反映，兩者的數(shù)值及其分布趨勢是基本一致。

圖5 扇區(qū)2天線方位角調(diào)整至150度，域內(nèi)UE上報的真實(shí)RSRP值的統(tǒng)計直方圖

圖6 扇區(qū)2天線方位角調(diào)整至150度，算法得到的域內(nèi)RSRP預(yù)測值的統(tǒng)計直方圖

圖7 扇區(qū)2將天線方位解調(diào)整至150度，域內(nèi)UE上報的RSRP值分布圖

圖8 扇區(qū)2將天線方位解調(diào)整至150度，算法得到的域內(nèi)RSRP預(yù)測值分布圖

通過扇區(qū)1和扇區(qū)2的實(shí)例結(jié)果表明，實(shí)例的預(yù)測平均誤差在本算法誤差區(qū)間5~8dB，99%置信區(qū)間的寬度約為15dB。

4 結(jié)束語

一種基于BP神經(jīng)網(wǎng)絡(luò)對天線調(diào)整后扇區(qū)場強(qiáng)分布的預(yù)測方法，基于BP神經(jīng)網(wǎng)絡(luò)算法通過MDT用戶測量數(shù)據(jù)建模，預(yù)測天線調(diào)整后扇區(qū)場強(qiáng)分布，規(guī)避了單獨(dú)使用傳播模型的一些缺點(diǎn)，提高了預(yù)測的精準(zhǔn)度和穩(wěn)定性。經(jīng)實(shí)際調(diào)整測試證明模型的精準(zhǔn)度如下：預(yù)測平均誤差在5~8dB，99%置信區(qū)間的寬度約為15dB，并與各實(shí)測場景表現(xiàn)一致。通過柵格級用戶數(shù)據(jù)RSRP熱力分布，進(jìn)行調(diào)整前和調(diào)整后RSRP分布變化對比，對網(wǎng)絡(luò)覆蓋優(yōu)化工作具有指導(dǎo)意義。

對于BP神經(jīng)網(wǎng)絡(luò)的算法設(shè)計還存在一定的不足，需持續(xù)增加數(shù)據(jù)樣本對算法進(jìn)行持續(xù)學(xué)習(xí)訓(xùn)練，并且對每一個扇區(qū)的模型權(quán)值進(jìn)行存儲，從而進(jìn)一步提升算法精度。