中國移動通信集團(tuán)安徽有限公司 陳丹艷 耿 波 高 峰

當(dāng)前，5G進(jìn)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(dāng)前5G波束權(quán)值參數(shù)組合種類繁多，精準(zhǔn)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(dá)到數(shù)萬種，遠(yuǎn)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(zhǔn)確預(yù)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(zhǔn)確預(yù)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(biāo)準(zhǔn)庫，找到不同用戶分布情況下波束參數(shù)最優(yōu)設(shè)置，進(jìn)一步基于時空循環(huán)神經(jīng)網(wǎng)絡(luò)對用戶分布變化進(jìn)行預(yù)測，根據(jù)預(yù)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(biāo)準(zhǔn)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(qiáng)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(biāo)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(dá)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(biāo)準(zhǔn)庫

構(gòu)建靜態(tài)標(biāo)準(zhǔn)庫是5G權(quán)值調(diào)整的基礎(chǔ)和前提，在完成標(biāo)準(zhǔn)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(yù)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(jìn)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(biāo)，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(yù)測模型構(gòu)建

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

近年來，用戶分布預(yù)測受到了研究人員的廣泛關(guān)注，隨著深度學(xué)習(xí)技術(shù)的不斷發(fā)展和完善，并考慮到用戶分布預(yù)測的時空建模的復(fù)雜性，利用深度學(xué)習(xí)的模型進(jìn)行用戶分布預(yù)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(xí)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(kuò)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(yù)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(zhǔn)預(yù)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(dāng)前趨勢，確保預(yù)測準(zhǔn)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(yù)測模型的效果和性能。首先對AOA數(shù)據(jù)進(jìn)行預(yù)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(fù)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(jìn)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(jìn)行平滑，用于神經(jīng)網(wǎng)絡(luò)的訓(xùn)練。在輸出層采用Relu激活函數(shù)，確保輸出值為非負(fù)數(shù)。在后續(xù)的模型評估中，再將預(yù)測值重新調(diào)整回正常值，與真實值進(jìn)行對比，從而得到準(zhǔn)確的預(yù)測誤差。

（2）特征構(gòu)建與模型構(gòu)建

AOA小時級的預(yù)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(yù)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(yù)測輸出同樣為二維。時空循環(huán)神經(jīng)網(wǎng)絡(luò)預(yù)測模型如圖3所示。

圖3 時空循環(huán)神經(jīng)網(wǎng)絡(luò)預(yù)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(jìn)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(yù)測分布矩陣。具體訓(xùn)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(xùn)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(yù)測目標(biāo)為用戶分布隨時間的變化。本文使用前7天數(shù)據(jù)預(yù)測第8天×24h用戶分布。將第8天真實數(shù)據(jù)、預(yù)測數(shù)據(jù)與基線×數(shù)據(jù)進(jìn)行對比，如圖4所示，從左到右依次為真實值、預(yù)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(yù)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(biāo)，其定義為兩個概率分布的不對稱性度量。當(dāng)兩個概率分布相同時，它們的相對熵為零，當(dāng)兩個概率分布的差別增大時，相對熵會增大。相比于基線，預(yù)測結(jié)果相對熵（kld）更低，即準(zhǔn)確率更高。時空循環(huán)神經(jīng)網(wǎng)絡(luò)的預(yù)測誤差如表1所示。

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

3 基于用戶分布預(yù)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(zhǔn)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(jìn)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(rèn)支持波束賦形，可以形成更窄的波束，精準(zhǔn)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(rèn)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(yù)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(yù)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(yù)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(yù)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(yù)測的深度時空網(wǎng)絡(luò)模型，首先建立靜態(tài)標(biāo)準(zhǔn)庫，將用戶位置分布與小區(qū)波束信息進(jìn)行聯(lián)合畫像，再利用機(jī)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?xì)v史數(shù)據(jù)和當(dāng)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(zhǔn)預(yù)測。最后基于用戶分布預(yù)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(yù)測精度都比已有流量預(yù)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(yù)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(jìn)行基站活躍/休眠的集群策略研究也將具有重要意義。