0 引言

    5G網絡面對的是一個更復雜的需求，新業(yè)務以及新場景的引入，典型應用的業(yè)務要求更高，密集住宅區(qū)、辦公室、場館、校園、地鐵、高鐵等場景^[1]需要專業(yè)組網方案，大規(guī)模天線技術以及高頻等5G的關鍵技術^[2]和特征帶來組網的復雜度、多制式共存、更快的建網部署節(jié)奏，對網絡規(guī)劃也提出了新的挑戰(zhàn)，需要更精準的網絡規(guī)劃評估手段以及更加高效智能的網絡規(guī)劃方案。本文充分挖掘基于現網大數據分析，結合人工智能，從場景識別、策略生成、分析預測等方面實現無線網絡規(guī)劃場景化智能化^[3]。

    在網絡規(guī)劃過程中，需要充分考慮建網目標和投資成本之間的平衡，站址規(guī)劃至關重要。對于5G網絡場景，首先建立現網基站特征庫，根據5G不同建網階段、不同場景及業(yè)務需求，基于價值分析，通過結構分析、冗余分析以及覆蓋聚類分析，結合多種設備形態(tài)，包括64通道、32通道、8通道、4通道、2通道以及微站、Pico等產品，給出站址規(guī)劃方案，同時能夠給出建網方案的效果評估，從而形成端到端的智能網絡規(guī)劃方案。

1 5G覆蓋評估

1.1 基于測量報告精準預測5G室內外覆蓋

    價值區(qū)域優(yōu)先部署，基于現網測量報告(Measurement Report，MR)數據，考慮柵格級4/5G制式參數差異，可以快速進行利舊網絡下較為準確5G網絡覆蓋能力評估。表1以LTE 2.6G和5G 2.6G頻段為例，說明利舊站址情況下的5G覆蓋電平與4G覆蓋電平之間的參數差異^[4-5]。

    其中4/5G柵格級天線方向圖增益差異評估：天線增益需要考慮柵格所在位置與水平方位角偏離角度a以及與垂直下傾偏離角度b，綜合得到柵格天線增益，如圖1所示，相比只考慮最大天線增益的方式更為準確。

其中，H_Gain、V_Gain分別表示水平、垂直增益。

1.2 弱覆蓋聚類

    MR數據通過室內外區(qū)分算法，區(qū)分出室內弱覆蓋還是室外弱覆蓋。對于柵格級弱覆蓋，一般弱覆蓋柵格按照50 m×50 m柵格精度輸出，需要進一步定位到區(qū)域級別或者建筑物級別，便于輸出針對性場景化規(guī)劃方案。

    室外弱覆蓋聚類方法如下：根據5G弱覆蓋門限，篩選出小于一定參考信號接收功率(Reference Signal Receiving Power，RSRP)門限的弱覆蓋柵格，通過基于密度的聚類算法(Density-Based Spatial Clustering of Applications with Noise，DBSCAN)^[6]搜尋出連片弱覆蓋，將分布連續(xù)的弱覆蓋區(qū)域進行聚合處理，形成弱覆蓋區(qū)域標記，如圖2所示，其中黑色代表正常覆蓋，灰色代表弱覆蓋。

    室內弱覆蓋聚類方法如下：室內弱覆蓋需要區(qū)分到建筑物級別；根據弱覆蓋柵格占比、弱覆蓋話務占比(MR采樣點數)、建筑物日均話務等3個指標篩選出室內弱覆蓋區(qū)域和弱覆蓋建筑，根據立體定位技術可以定位到樓宇的樓層級別，能夠更精確地給出解決方案。

2 智能站址規(guī)劃

    現網站址由于長期網絡發(fā)展需求，已經存在宏站、微站、室分等多種設備形態(tài)，分別覆蓋或者容量需求，在5G網絡發(fā)展初期，可以先從覆蓋角度考慮形成連續(xù)覆蓋，再針對5G特殊需求考慮容量需求角度的站址規(guī)劃。在這個過程中，需要在充分自動方案的基礎上考慮一定人工審核保證方案的準確性、有效性和可落地性。

2.1 基站特征庫構建

    基站特征庫構建包括現網站址的基礎工程參數、話務量、用戶數、VIP站點、場景特征等構建基站特征庫。

2.2 網絡結構分析

    合理的無線網絡結構是良好的網絡覆蓋及性能的保障。

    網絡結構分析：根據站高、站間距等篩選過近、過高、過低以及方位角、下傾角等網絡結構不合理的站址。

    宏站天線掛高篩選： 提供有效覆蓋，避免越區(qū)干擾；微站天線掛高篩選：剔除過低無效微站。需審核確定是否可通過改造調整天線掛高。過近站需審核確定是否場景特殊要求(如高樓覆蓋遮擋)。

2.3 冗余站址分析

    現網站址存在部分由于容量吸收等原因存在的冗余站點，需要在5G規(guī)劃中予以剔除；需要保證刪除某小區(qū)后，在其主服小區(qū)覆蓋范圍內，來自鄰區(qū)的室內外MR依然可以達到覆蓋門限要求。

2.4 新建站方案

    對于需要通過新建站解決的情況：首先根據聚類分析得到的弱覆蓋區(qū)域，考慮室外屬性、場景特性、建筑物形態(tài)因子、建筑物面積、話務量、弱覆蓋面積、與現網站址距離等因素，通過決策樹算法，匹配場景和設備，給出最優(yōu)站址部署方案^[7]，如圖3所示。

2.5 最終站址方案輸出

    綜合考慮網絡結構、冗余站址、新建站解決弱覆蓋方案，得到建筑物級別，匹配場景的站址方案和設備方案，更智能、更精準地提供站址部署方案。

3 覆蓋預測

    新增站址確定后需要進行站址覆蓋評估，以便評估是否達到網絡設計目標。

    根據現網工程參數，引入機器學習的有效手段，打破了傳統(tǒng)全網統(tǒng)一固定經驗型傳播模型造成的模型單一化、預測理想化等問題，讓覆蓋預測更加貼合實際現網。

    基于MR數據、規(guī)劃站點工參信息、鄰區(qū)信息、5 m高精度地圖數據(含建筑物高度)對小區(qū)覆蓋柵格的RSRP值進行預測。

    對于一個弱覆蓋區(qū)域，向四周延擴一定距離，形成一個連續(xù)區(qū)域。對該區(qū)域內符合條件的小區(qū)進行基于地理環(huán)境和鄰區(qū)信息的RSRP預測算法建模。根據模型，計算區(qū)域的平均覆蓋半徑。根據覆蓋半徑生成新站位置。根據新站位置和RSRP預測算法，預評估新加站的覆蓋情況。

    數據準備：主要考慮MR數據、新站工參、鄰區(qū)信息、高精度電子地圖等。

    新加站：考慮覆蓋半徑、新站位置、RSRP預測等因素。

    RSRP預測算法建模如圖4所示，考慮主小區(qū)站高等信息、鄰區(qū)信息、主小區(qū)與手機距離、最高建筑物、遮擋建筑物數量、手機與最近遮擋物距離等因素。建模公式如下：

其中，y_B、y_C表示鄰區(qū)特征，env(A)、env(B)、env(C)反映主小區(qū)和鄰區(qū)遮擋特性，grid為柵格信息。

4 候選站價值排序

    基于價值投資的理念，對于最終生成的候選站點，可以從覆蓋評分、流量評分、用戶評分、競對評分、利舊特性評分、成本評分等多維度加權平均，給出候選站的建站優(yōu)先級排序，更能體現建網過程中對投資成本等綜合因素的考慮。

4.1 覆蓋評分

    室分站直接取對應建筑物優(yōu)先級的打分。

    宏站和微站按照站點經緯度和覆蓋半徑獲取覆蓋范圍內所有弱覆蓋柵格的問題區(qū)域優(yōu)先級打分和問題點(建筑物)打分，如果同一個柵格既有問題區(qū)域優(yōu)先級打分也有問題點(建筑物)優(yōu)先級打分，則優(yōu)先選擇問題點(建筑物)優(yōu)先級。最后對所有弱覆蓋柵格打分求均值。

4.2 容量評分

    容量評分標準為：站點覆蓋范圍內的容量問題柵格/總柵格數×100。

    對于室分站，選取對應建筑物內的柵格；對于宏站和微站，選取站點覆蓋范圍內的柵格。

    取最近X個站點的流量均值，假設為M，按照M分級打分。

4.3 用戶數評分

    取最近X個站點用戶數均值，假設為N，按照N分級打分。

4.4 競對評分

    若本運營商覆蓋差，則評分按如下公式：

    對于室分站，選取對應建筑物的覆蓋優(yōu)良占比；對于宏站和微站，選取站點覆蓋范圍內的所有柵格的覆蓋優(yōu)良比。

4.5 站址利舊評分

    若為利舊站點，打分最高，其次新建站點。

4.6 成本評分

    成本評分即通過不同站型的成本給出評分。

5 結論

    5G智能無線規(guī)劃方案，以eMBB業(yè)務需求和場景需求為入口，從需求分析、價值分析、智能選址、覆蓋預測等階段系統(tǒng)性的結合機器學習方案，融合了專家經驗，從而使得無線網絡規(guī)劃方案更加系統(tǒng)化、精準化、智能化，為無線網絡建設和投資提供了有效支撐。

    隨著5G網絡不斷發(fā)展，垂直行業(yè)需求不斷增加，網絡切片、大規(guī)模天線權值等新技術更廣泛應用，網絡規(guī)劃的復雜度也將進一步增加，需要更加專業(yè)的建模分析以及端到端系統(tǒng)化的5G網絡規(guī)劃方案和能力。AI技術的逐步融合和引入，將會進一步提升無線網絡規(guī)劃方案的智能化能力。

參考文獻

[1] IMT-2020 5G愿景與需求白皮書[EB/OL].(2018-12-28).[2019-09-02].http：//www.imt-2020.cn/zh/documents/download/1.

[2] IMT-2020 5G無線技術架構白皮書[EB/OL].(2018-12-28).[2019-09-02].http：//www.imt-2020.cn/zh/documents/download/5.

[3] IMT-2020 5G網絡技術架構白皮書[EB/OL].(2018-12-28).[2019-09-02].http：//www.imt-2020.cn/zh/documents/download/6.

[4] Study on channel model for frequencies from 0.5 to 100 GHz：3GPP TR 38.901[S/OL].(2018-08-15).[2019-09-02].https：//www.3gpp.org/ftp/.

[5] NR Physical channels and modulation.3GPP TR 38.211[S/OL].(2018-12-22).[2019-09-02].https：//www.3gpp.org/ftp/.

[6] 周志華.機器學習[M].北京：清華大學出版社，2016.

[7] Study on scenarios and requirements for next generation access technologies：3GPP TR 38.913[S/OL].(2018-08-15).[2019-09-02].https：//www.3gpp.org/ftp/.

作者信息:

鄒廣玲，張守霞，朱永軍，謝衛(wèi)浩

(中興通訊股份有限公司，上海201203)