王計斌 陳大龍 霍永章
南京華蘇科技有限公司
無線網(wǎng)絡覆蓋是決定網(wǎng)絡服務的范圍,承擔著用戶與網(wǎng)絡之間的無線業(yè)務交換的重任,無線網(wǎng)絡覆蓋的優(yōu)劣直接影響到用戶的服務質(zhì)量,關(guān)系到移動用戶的滿意度和運營商經(jīng)濟效益。無線網(wǎng)絡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)絡覆蓋的科學優(yōu)化,如何精準預測天線方向角在調(diào)整后場強分布情況是目前研究的重要問題之一。
在場強分布預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),應用一般局限于室內(nèi),在室外場景中未得到廣泛的應用。而人工神經(jīng)網(wǎng)絡(ANN)恰能彌補這個不足,其在場強分布預測中應用的優(yōu)點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值,且能夠靈活地適應不同的場景。
目前有文獻介紹了某室外微扇區(qū)的場強預測方法,它將扇區(qū)的地形信息參數(shù)輸入至神經(jīng)網(wǎng)絡進行訓練,并運用實測數(shù)據(jù)對模型的精度進行驗證。有關(guān)文獻提出一種室外混合預測模型,它將經(jīng)驗模型與 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)文獻介紹了一種室內(nèi)預測方法,比較了多種類型ANN用于場強預測的效果。有關(guān)文獻也采用ANN方法,運用機器學習對不同地形進行分類,能夠自動提取必要的場景信息進行訓練。有關(guān)文獻介紹了一種混合差分預測模型,其具體做法是利用粗略的場景模型和少量的精確預測值來訓練多層感知機神經(jīng)網(wǎng)絡,使得以較小的運算復雜度代價得到精確的場強預測效果。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數(shù)據(jù)予以驗證。
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)絡對天線調(diào)整后扇區(qū)場強分布的預測方法,利用天線調(diào)整前的大量用戶數(shù)據(jù),通過ANN預測天線方位角調(diào)整后天線有效場強分布區(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),與實測數(shù)據(jù)比較的結(jié)果表明,預測誤差在合理精度范圍內(nèi)。
方法所使用的數(shù)據(jù)來源為某市某運營商現(xiàn)網(wǎng)實際數(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)是用戶終端設備(User Equipment,UE)在特定時間上報的實時信息數(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)域為一個城市或行政區(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)絡算法模型,通過用戶實際數(shù)據(jù)進行訓練和算法調(diào)優(yōu),并進行天線模擬調(diào)整后場強分布預測與天線實際調(diào)整后場強分布對比,評估算法模型預測的精準度。算法模型的精準度提高需要大量的實際數(shù)據(jù)進行訓練和迭代升級,因此算法模型需要在客戶現(xiàn)網(wǎng)訓練和迭代一定周期后方可正式投入應用,屆時將大大提高傳統(tǒng)傳播模型的場強分布預測精度,同時為網(wǎng)絡覆蓋優(yōu)化節(jié)省大量的時間成本和經(jīng)濟成本,并提高網(wǎng)絡覆蓋優(yōu)化效率。
提供一種基于BP神經(jīng)網(wǎng)絡對天線調(diào)整后扇區(qū)場強分布的預測方法,通過ANN預測天線有效場強分布區(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測天線方位角調(diào)整后的有效場強分布范圍內(nèi)的用戶接收功率,無需依賴環(huán)境數(shù)據(jù);且預測的誤差很小?;贐P神經(jīng)網(wǎng)絡的天線場強分布預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)絡的天線場強分布預測方法流程圖
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,用于訓練神經(jīng)網(wǎng)絡算法;第二類柵格為RSRP數(shù)據(jù)不充足的柵格;
步驟4:算法模型訓練,采用三層神經(jīng)網(wǎng)絡進行訓練,輸出RSRP數(shù)據(jù)不充足的柵格功率;
步驟5:場強分布預測,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,即實現(xiàn)對天線調(diào)整后扇區(qū)場強分布的預測。
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。
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,經(jīng)度和緯度為空或為0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)度和緯度為空或為0的數(shù)據(jù)進行剔除,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)設為常數(shù)0,對上報的用戶數(shù)據(jù)的經(jīng)緯度進行二維墨卡托投影,且將正北方向?qū)鴺藊軸方向,天線方位角即自天線至測試點的向量與x正軸的逆時針夾角;再將用戶點坐標減去天線坐標,得到以天線為原點的用戶點的相對坐標,作為新坐標。
(3)將天線場強分布區(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)的不同的用戶設備UE所上報的RSRP值,取其均值μ和標準差σ分別設為該位置的用戶設備UE的RSRP值作隨機變量的均值和標準差,其中:
m為一個柵格內(nèi)上報RSRP值的用戶設備的總數(shù):
并對柵格內(nèi)的用戶上報的數(shù)據(jù)求均值μ與標準差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,均設為常數(shù)0;因此對上報的用戶數(shù)據(jù)的經(jīng)緯度進行二維墨卡托投影,并且將正北方向?qū)鴺藊正軸方向,方位角即自天線至測試點的向量與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。
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備UE的坐標采用該柵格中心的坐標代替,柵格內(nèi)用戶設備UE的RSRP值視為隨機變量,基于柵格內(nèi)所有用戶設備UE上報的RSRP數(shù)據(jù)計算該隨機變量的均值和標準差;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,用來訓練神經(jīng)網(wǎng)絡;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)絡預測其對應的柵格功率。
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)絡進行訓練,輸入層是柵格中心點的坐標(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均值的預測值,輸入層與隱藏層的常數(shù)項神經(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)對輸入特征進行復雜化,以得到更加復雜的特征,從而擬合出從輸入到預測輸出的更加復雜的擬合函數(shù)以提高預測結(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)重矩陣的值要進行隨機初始化,并隨著神經(jīng)網(wǎng)絡的訓練不斷地優(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)整前其有效場強分布區(qū)內(nèi)所有柵格RSRP均值的預測值。
步驟5中的具體內(nèi)容是通過場強分布預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測天線方位角調(diào)整后的有效場強分布內(nèi)的用戶RSRP值,即獲得天線調(diào)整后扇區(qū)場強分布的預測。
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為天線到用戶點的自由空間距離,α為路徑損耗指數(shù),Pr為接收點的接收功率。
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)整后上報的用戶實測數(shù)據(jù)的均值進行比較,得到的誤差作為該算法預測的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)絡輸出預測值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的標準差基本無影響,基于上述考慮,直接用調(diào)整前的標準差作為調(diào)整后的標準差的預測值。
對于以上的BP神經(jīng)網(wǎng)絡算法模型,通過激活函數(shù)訓練得到最終的權(quán)重矩陣值,從而得到天線調(diào)整前其有效場強分布區(qū)內(nèi)所有柵格RSRP均值的預測值。通過訓練出的最優(yōu)模型,可對預調(diào)整扇區(qū)新場強分布區(qū)域進行柵格化RSRP預測。最終將預算數(shù)據(jù)與實際調(diào)整后用戶MDT數(shù)據(jù)進行對比,判斷算法的精準度。
實驗收集了某市某運營商7天150個扇區(qū)的MDT數(shù)據(jù)360萬用戶點,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,評估算法模型的精準度和穩(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)進行整理,將MDT數(shù)據(jù)海拔高度小于0的點,經(jīng)度和緯度為空或為0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)度和緯度為空或為0的數(shù)據(jù)進行剔除,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)作為訓練集數(shù)據(jù),使用Anaconda軟件對模型進行訓練,并輸出預調(diào)整預測數(shù)據(jù)。將實際調(diào)整后用戶MDT數(shù)據(jù)作為驗證集數(shù)據(jù),對預測數(shù)據(jù)與驗證集數(shù)據(jù)進行比較,得到RSRP的均值誤差,即算法精度衡量。
以下實驗結(jié)果中選取某市某運營商兩個場景扇區(qū)的實際數(shù)據(jù)進行論證,一個是某運營商扇區(qū)1,其用戶點比較少,分布比較分散,場景簡單;另一個是某運營商扇區(qū)2,其用戶點較多,分布主要集中在街道、居民區(qū),場景復雜。這里未考慮海拔,僅考慮水平面坐標,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,此時可認為路徑損耗指數(shù)α的變化量可以忽略。
實驗過程中發(fā)現(xiàn),BP神經(jīng)網(wǎng)絡算法模型RSRP預測的大部分區(qū)域均值誤差較小,并得到如下一些過程結(jié)果示例。
圖2是某市某運營商某區(qū)域150個扇區(qū),進行預測數(shù)據(jù)與驗證數(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84%,均值誤差小于等于10dB的扇區(qū)占比達93.33%,均值誤差小于等于15dB的扇區(qū)占比達99.33%。本算法的預測平均誤差在5~8dB,99%置信區(qū)間的寬度約為15dB。說明BP神經(jīng)網(wǎng)絡算法模型有較好的精準度。
圖2 預測數(shù)據(jù)與驗證數(shù)據(jù)對比分析圖
實驗例中扇區(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,需要預測若將方位角調(diào)整為150度其覆蓋區(qū)域的場強分布,天線方位角為150度時有4803個用戶點可供比較計算預測誤差。
對扇區(qū)1天線調(diào)整后的場強分布進行預測,誤差絕對值均值達到5.00dB,96%以上的分布區(qū)域的預測誤差小于15dB。算法預測的UE的RSRP與信號覆蓋區(qū)域內(nèi)UE上報的RSRP的差值作為預測誤差,大部分區(qū)域的預測誤差較小。
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預測值的統(tǒng)計直方圖
實驗例中扇區(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,需要預測若將方位角調(diào)整為150度其覆蓋區(qū)域的場強分布,天線方位角為150度時有17849個用戶點可供比較計算預測誤差。
通過算法模型對該扇區(qū)2天線調(diào)整后的場強分布進行預測,誤差絕對值均值達到7.40dB,90%以上的分布區(qū)域的預測誤差小于15dB,大部分區(qū)域的預測誤差較小。
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預測值分布圖
通過扇區(qū)1和扇區(qū)2的實例結(jié)果表明,實例的預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。
一種基于BP神經(jīng)網(wǎng)絡對天線調(diào)整后扇區(qū)場強分布的預測方法,基于BP神經(jīng)網(wǎng)絡算法通過MDT用戶測量數(shù)據(jù)建模,預測天線調(diào)整后扇區(qū)場強分布,規(guī)避了單獨使用傳播模型的一些缺點,提高了預測的精準度和穩(wěn)定性。經(jīng)實際調(diào)整測試證明模型的精準度如下:預測平均誤差在5~8dB,99%置信區(qū)間的寬度約為15dB,并與各實測場景表現(xiàn)一致。通過柵格級用戶數(shù)據(jù)RSRP熱力分布,進行調(diào)整前和調(diào)整后RSRP分布變化對比,對網(wǎng)絡覆蓋優(yōu)化工作具有指導意義。
對于BP神經(jīng)網(wǎng)絡的算法設計還存在一定的不足,需持續(xù)增加數(shù)據(jù)樣本對算法進行持續(xù)學習訓練,并且對每一個扇區(qū)的模型權(quán)值進行存儲,從而進一步提升算法精度。