湯澤琦，梁松柏，張 凱，胡東旭（中國聯通河南分公司，河南鄭州 450008）

1 概述

日益增長的無線數據業(yè)務需求促使移動通信技術不斷更迭［1］。文獻［2］以人工智能（AI）、邊緣計算與物聯網為基礎，在人類社會、信息空間、物理世界的基礎上，針對虛擬世界提出了6G 中“靈”的概念，突出智能化理念。為更好實現移動互聯網運營，運營商以實現無線網絡自主化、自動化、減少人工運營成本為目標，主導提出了自組織網絡（SON）的概念。

目前基于5G 網絡部署AAU 需求，進行3G、4G 天線收編，通過整合實現3G、4G 天線一體化，整合后的天線基本具備了遠程調整天線下傾角的能力；借助AISG v2.0 協議，通過后臺電調實現天饋遠程優(yōu)化，打通了移網天饋自優(yōu)化的最關鍵一環(huán)。移網優(yōu)化覆蓋、質量、容量三大體系指標相互耦合與博弈。在復雜的無線環(huán)境中，增強覆蓋，提升質量，優(yōu)化容量一直是移網優(yōu)化的核心與難點；同時原有網絡如何適應5G網絡天線權值的自動化，快速、有效實現5G/4G/3G 協同優(yōu)化是當下需考慮的重點。為提升覆蓋、降低干擾，本文引入MR，落地柵格化策略、質差區(qū)域評估策略與天饋電子下傾尋優(yōu)調整模型，通過Python 實現MR 數據統(tǒng)計分析、優(yōu)化方案的輸出、優(yōu)化腳本制作、優(yōu)化方案網管操作的執(zhí)行自動化，優(yōu)化效果評估自動化，并分權分域推送信息，從而構建了一種天饋自動評估、自動優(yōu)化和自動反饋的閉環(huán)天饋自動優(yōu)化管理系統(tǒng)，實現4G/5G天線快速、自動化、智能化、協同優(yōu)化的目的。

2 天饋自優(yōu)化流程及其原理

2.1 AI優(yōu)化流程

優(yōu)化過程包含MR 柵格化算法、柵格統(tǒng)計評估算法、小區(qū)評估算法，柵格化覆蓋模型修正算法。具體流程如圖1所示。其中AI單元1作為專家系統(tǒng)通過自動化分析數據形成網管的執(zhí)行腳本；AI 單元2 作為網管與跟蹤管理的執(zhí)行單元，模擬人工操作網絡與工單系統(tǒng)形成問題執(zhí)行跟蹤與閉環(huán)管理，同時采用模擬人工執(zhí)行有效隔離專網與公網，提高網管安全性，確保標準化操作動作。

圖1 優(yōu)化主流程

2.2 優(yōu)化核心算法確定

引入核心算法——下傾角動態(tài)迭代尋優(yōu)算法、天線最佳方向角定位算法和圖像識別算法。其核心思想是通過小區(qū)評估弱覆蓋柵格占比、質差柵格占比與導頻污染柵格占比，根據柵格修正優(yōu)化動作策略，確定小區(qū)天饋上抬與下壓的動作，并根據當前工參約束單次優(yōu)化各小區(qū)電子下傾，并遍歷所有下傾角的組合和方式，找出綜合得分最小的方案為優(yōu)化方案。通過圖像識別精靈技術，模擬人的操作動作，實施網管遠程天饋調整，打破廠家設置的技術壁壘。

2.3 MR柵格化算法

2.3.1 行政區(qū)域柵格化

如圖2 所示，行政區(qū)面積對于地球表面可視為球面上的點，球半徑為6 378.137 km。

圖2 地球模型示意圖

則坐標AB間的最短球面距離L為：

其中，R=6 378.137 km，A，B點經緯度分別為(WA,JA)、(WB,JB)。

柵格G×G 的中心點經緯度(Wg,Jg)，計算柵格上下界的插值WgΔ與JgΔ。

2.3.2 柵格編碼算法

如式（4）所示，柵格編碼算法可表示為：

以柵格構建元組(mapid,id)為鍵進行柵格化，其中id 為工參中的CellID。統(tǒng)計在(mapid,id)的采樣點數、平均RSRP、平均RSRQ。

2.3.3 MR柵格化

鑒于MR數據為G/T級粒度大數據，為防止計算內存不足，使用分片的辦法處理數據。MR數據以10 000行為一子表與工參表關聯，在分表的過程中計算采樣點與基站的距離，通過自定義的柵格化算法，將經緯度修正為柵格經緯度，并對應標明柵格的編號，把柵格編號設定為柵格數據的唯一標識。在覆蓋映射關系上除了柵格標識，還需引入CellID 進行識別，以明確站址與柵格的映射關系。柵格編號可以作為柵格數據統(tǒng)計的識別，其保證了MR 數據的完整性，將柵格遍歷二維鍵降為一維，可加快數據統(tǒng)計、排序、聚合等的速度。

鑒于地理柵格必然具有經緯度，編碼與柵格經緯度采用可逆計算的方式，既滿足廣域覆蓋計算的需要又滿足柵格推演的需求。運行時，統(tǒng)計MR 中出現的小區(qū)，與工參小區(qū)做差集，獲取未采集到MR 的小區(qū)，整理并保存到問題小區(qū)中，以便核查小區(qū)故障。將基站與數據相距超過預定小區(qū)覆蓋門限的采樣點刪除，并統(tǒng)計到問題柵格小區(qū)中，形成臟數據集。新數據集中若出現主覆蓋小區(qū)缺失，則可核查小區(qū)是否是搬遷后未更新工參，以便復查搬遷工單內容（見表1）。

表1 柵格數據實例

2.4 柵格統(tǒng)計與小區(qū)評估

以柵格標識為鍵通過聚合運算，統(tǒng)計柵格平均RSRP、RSRQ、主服務小區(qū)數量，分別為3 個指標設定門限，將低于指標要求的設定為弱覆蓋柵格（柵格平均LteScRSRP<40）、質差柵格（柵格平均LteScRSRQ<12）和導頻污染柵格（PilotPollution>3）三大類。

小區(qū)評估以小區(qū)標識為鍵進行聚合運算，分別統(tǒng)計弱覆蓋占比、質差占比與導頻污染占比，同樣設定響應門限，將指標不達標的小區(qū)分別定義為高弱覆蓋占比小區(qū)、高質差面積小區(qū)和導頻污染占比高的小區(qū)。

柵格數據以mapid 為鍵統(tǒng)計采樣點數、平均RSRP、平均RSRQ、主覆蓋小區(qū)個數。

質差區(qū)域中心點（W，J）：

質差區(qū)域范圍計算：

式中：

Ni——柵格內i小區(qū)的采樣點數

Wi——柵格內i小區(qū)的緯度

Ji——柵格內i小區(qū)的經度

ri——采樣點柵格到主服務小區(qū)i的距離

覆蓋預估，如圖3所示，令S為基站位置，G為質差區(qū)域中心，R為質差區(qū)域半徑為天線方向角，BG垂直于AS，SG長度為d，∠ASC=30°，∠ASG=α?？紤]到水平波瓣寬度為65°，本文保守采用60°，天線優(yōu)化最大輻射水平寬度為120°，以優(yōu)化主波瓣為目的，預估天線覆蓋距離D。

圖3 站址與弱覆蓋區(qū)域示意圖

若 |α |≤60：

若 |α |>60：

2.5 傾角自優(yōu)化方案制定

為保證網絡運維的穩(wěn)定性，尋優(yōu)過程引入滾動優(yōu)化模型。滾動優(yōu)化模型采用半靜態(tài)調度的方式，雖然得不到理想的全局最優(yōu)解，但其可以反復求解，防止優(yōu)化實體因工參不準和實體產生變化造成的最優(yōu)解與計算所得全局最優(yōu)解的誤差不可控問題。此方法可反復矯正數據預測與處理過程中因地形、水面反射，信號放大器、無線回傳、外部干擾、預測不足等因素引起覆蓋求解問題。

2.5.1 天饋傾角優(yōu)化模型

基于傳統(tǒng)覆蓋模型：

引入滾動優(yōu)化修正策略：

式中：

m——機械下傾

e——電子下傾

θ——垂直波瓣寬度

H——天線掛高

εj——第j次優(yōu)化的修正因子

——電子下傾波動的上下界，由調整邊界與單次動作邊界整合而成

滾動優(yōu)化記本次優(yōu)化為動作t，優(yōu)化前工參為狀態(tài)為階段t-1，階段t-x為最近x次歷史工參。

引入柵格數據修正策略如表2所示。

表2 柵格修正策略

此外，滾動優(yōu)化模型以事件為觸發(fā)，比如發(fā)現基站工參錯誤，修改后，可再次遍歷優(yōu)化；MR 采集不完整時，待數據補充完整后，再遍歷優(yōu)化。

2.5.2 覆蓋擬合及模型遍歷

每次求解前，讀取現有工參，存入機械電子下傾，設定電子下傾動作約束、實際電子下傾的約束和小區(qū)問題類型進行操作動作約束。采用最小二乘法求解基站的平均傳播覆蓋擬合模型，對比最遠覆蓋點與理論最遠覆蓋點的距離，選擇距離小的點為擬合切換點，求解出擬合切換門限（擬合曲線中的實際主覆蓋距離。這個距離是由切換門限與遲滯決定的，但實際數據可能因為延時、等待某計數器造成MR 切換的平均值與切換參數設置不符。故稱其為“擬合切換門限”）。求解時，通過求解動作后的理論最遠覆蓋距離與擬合切換門限形成最遠覆蓋點，并與原擬合曲線中RSRP 最大的點構建覆蓋曲線，將柵格采樣點到基站距離小于最遠覆蓋距離的柵格，按新擬合曲線進行修正，上個采樣點到基站距離小于RSRP 最大點距離的采樣點保持原有覆蓋。通過統(tǒng)計最遠覆蓋區(qū)域內的采樣點弱覆蓋占比與質差占比的綜合指標，選取綜合指標最小的電子下傾方案（見圖4）。

圖4 優(yōu)化擬合曲線

引入導頻污染約束條件，以弱覆蓋占比與質差占比綜合值最低為評估目標，通過最小二乘法擬合小區(qū)的覆蓋曲線，選取市區(qū)基站200 m，縣市基站300 m 內的好點為不動點，尋找覆蓋邊緣，推導下傾角與覆蓋函數關系，保留好點內的覆蓋特性；以某次尋優(yōu)預測覆蓋曲線與現有擬合覆蓋曲線，同比現網MR 覆蓋情況進行調整。弱覆蓋占比占綜合得分權值取其擬合度，剩余權值賦給質差占比。遍歷所有方案選取綜合目標值最低的方案為最終優(yōu)化方案。

當覆蓋距離小于L時預測MR 與原始MR 保持一致，而大于L則優(yōu)化前后傳播模型，通過最小二乘法進行擬合：

式中：

Pmax——MR中某小區(qū)最高電平值

L——Pmax對應的采樣柵格到基站的距離

Nsc——柵格主服務小區(qū)的個數

D——柵格電平P距離基站的距離

xi——采樣柵格i距離基站的距離

yi——采樣柵格i的電平

以所有小區(qū)加權平均弱覆蓋占比與質差占比的綜合指標最小值為目標。約束條件，傾角動作范圍約束見式（10）。通過最小二乘法線性擬合MR 數據，確定系數。

通過遍歷e的組合，保留式（11）中目標函數最小的e作為優(yōu)化方案。

2.6 天饋方向角實現算法

利用并處理一定周期的、海量的、精準定位的AGPS MR 采樣點數據，并計算這類MR 采樣點與基站（天線）的距離和方向角；利用高斯分布統(tǒng)計擬合方法，確定單扇區(qū)覆蓋方向的MR 采樣點最多的區(qū)域為用戶密集區(qū)域和業(yè)務密集區(qū)域，即該區(qū)域方向為基站天線覆蓋的最優(yōu)方向角，實際應用時需要考慮周邊基站的覆蓋方向是否重疊過大，同站3 個扇區(qū)之間的夾角不能小于60°。

2.7 圖像識別執(zhí)行

前面構建了基于最佳網絡感知的天線下傾角和方向角的核心算法，而真正要實現天饋調整的自動化，可通過2種方式實現：一是打通廠家網管API，控制天線RCU 實現自動調整；另一種方式就是開發(fā)圖像識別機器人，通過圖像識別擬人操作方式，機器人點擊鼠標進行天饋方向角和下傾角的設置優(yōu)化，傳導RCU控制天線自動調整。因此，為減少技術依賴性，采用后一種方式來實現。

網管系統(tǒng)對某些重要操作僅提供手動操作界面，而且操作步驟完全一樣，可以采用制作腳本的方式進行自動化操作。多個基礎功能腳本組合在一起，以完成更加復雜的任務。

為了解決這個問題，通過圖形用戶界面（GUI）自動化技術直接使用程序控制鍵盤和鼠標來代替人工手動操作網管系統(tǒng)，并注意防范操作風險。

該模塊主要基于python 的pyautogui、pyperclip、subprocess、time等模塊實現。

pyperclip 模塊包含2 個函數，可以向計算機的剪貼板發(fā)送文本和從剪貼板中接收文本，從而解決了使用鍵盤輸入多語言（中文和英文等）和混合字符帶來的難題。

pyautogui 模塊包含一些函數，可以判斷屏幕分辨率和當前鼠標位置，以及模擬鼠標移動、按鍵和滾動鼠標滾輪。用函數pyautogui.click（clicks=1，button=”left”）來表示點擊1次左鍵。

pyautogui 模塊在使用時，需要注意：不同的電腦屏幕分辨率設置存在差異或同一電腦的分辨率設置發(fā)生變化，網管程序升級、改版或在計算機中的安裝位置發(fā)生變化，區(qū)分開始階段和最后階段的一次性操作（如登錄、啟動網元管理、退出等）與后續(xù)的重復操作、圖像識別屏幕截圖時出現多處圖像內容幾乎完全相同的情況、鼠標控制與計算機執(zhí)行任務的時間協同等方面，這些問題處理不當都可能導致操作無法準確定位而出現錯誤。還要考慮操作錯誤時的異常處理，以及網管數據備份恢復。

因此，可以使用函數pyautogui.size（）查看本機的屏幕分辨率。在函數pyautogui.locateOnScreen 里面，使用了一個參數confidence，當值為1 時，意味著每一個像素點都必須相同，但是這樣的設置太嚴苛，導致很多情況下都無法識別，所以設置為0.8，只要像素點值有80%是一樣的，就可以確認了。也可以設置參數grayscale=True，這樣就可以把彩色的截圖和局部截圖都轉換成灰色圖來進行識別，這樣可以降低像素點值的細微差異。

當程序執(zhí)行出現異常時，可以手動將鼠標移到屏幕左上角，pyautogui 模塊識別到這個動作，產生pyau?togui.FailSafeException 異常，程序自動中止，也可以在程序中捕捉到這種異常，執(zhí)行一些異常處理方案。

舉例：要修改某個小區(qū)的電子下傾角，代碼執(zhí)行過程簡述如下：①打開4G網管；②清除網管原有賬號；③輸入網管賬號；④輸入密碼；⑤點擊配置菜單；⑥點擊配置菜單的網元管理；⑦輸入CellID；⑧點擊動態(tài)命令搜索框；⑨查詢RET 傾角；⑩設置RET 傾角；○1動態(tài)命令選中方框；○12動態(tài)命令：執(zhí)行；○13動態(tài)命令：設置傾角；○14點擊系統(tǒng)菜單；○15點擊系統(tǒng)菜單退出；○16確認，退出系統(tǒng)。

3 天饋自優(yōu)化系統(tǒng)效果

對某市全區(qū)開展弱覆蓋、質差、MOD3 專項優(yōu)化，通過算例進行求解，得到覆蓋評估。尋優(yōu)結果擬合曲線收斂圖如圖5所示。

圖5 擬合曲線收斂圖

形成專項優(yōu)化地圖，便于DT 優(yōu)化人員觀察問題點分布，如圖6 所示。統(tǒng)計指標如表3 和表4 所示，由于該市前期天饋調整到位，經過多輪尋優(yōu)調整，CQI值提升0.13，平均覆蓋距離縮小200 m。

圖6 弱覆蓋、質差、MOD3分析評估圖

表3 優(yōu)化前后周對比

表4 優(yōu)化前后月對比

具體場景切片發(fā)現，通過MR 數據尋找RSRP 與RSRQ 邊緣，選取50×50 m 柵格進行算例分析。選取RSRP 在-100 dBm～-110 dBm，RSRQ 在-10 dB～-13.5 dB 為邊緣，將邊緣采樣點距離基站的上限設定為垂直半功率點遠點。以某社區(qū)為算例進行優(yōu)化，該社區(qū)移動F3采樣點原始MR數據分布如圖7（a）所示。

經計算，推薦該社區(qū)移動F3機械下傾4°，電子下傾1°。優(yōu)化調整后，該社區(qū)移動F3采樣點遍歷后采樣點如圖7（b）所示。整體覆蓋控制合理，但針對該社區(qū)移動F3 遍歷MR 出現了背向采樣點，此為背漏造成；實際測試驗證該小區(qū)在背向區(qū)域為非主覆蓋小區(qū)。

圖7 某社區(qū)移動F3小區(qū)實際覆蓋效果圖

綜上所示，從實驗結果看，優(yōu)化后弱覆蓋現象有所改善，TA 值略有改善，CQI 有所提升，用戶平均感知速率保持穩(wěn)定。本方法適用于長期移網優(yōu)化，有助于在提升網絡性能的同時，促進網絡覆蓋的穩(wěn)定性。

4 結束語

本文引入柵格化覆蓋模型修正算法、天線最佳方向角定位算法和圖像識別精靈算法，通過小區(qū)評估弱覆蓋柵格占比、質差柵格占比與導頻污染柵格占比，根據柵格修正優(yōu)化動作策略，確定小區(qū)天饋上抬與下壓的動作，根據當前工參約束單次優(yōu)化各小區(qū)電子下傾，并遍歷所有下傾角的組合和方式，找出綜合得分最小的天饋優(yōu)化方案，形成天饋調整腳本。進而驅動圖像識別精靈機器人，實施網管遠程天饋調整動作，打破廠家設置的技術壁壘。通過場景切片實地驗證，原有越區(qū)覆蓋得到有效控制、CQI得到提升，用戶平均感知速率保持穩(wěn)定。打造天饋優(yōu)化平臺，固化天饋核心算法，達到快速、有效、便捷的目的；該平臺適用于匹配5G 權值快速優(yōu)化的4G/5G 網絡覆蓋質量聯合優(yōu)化，有助于提升多網網絡性能，保障用戶感知體驗。