5G无线网智能规划研究.pdf

电气与信息工程河南科技Henan Science and Technology总第807期第13期2023年7月收稿日期：2023-01-28作者简介：刘红阳（1975），男，硕士，工程师，研究方向：电子信息技术。5G无线网智能规划研究刘红阳（中国联通洛阳分公司，河南洛阳471000）摘要：【目的目的】实现5G网络规划流程自动化，减少大量非必要的人工参与，全面提升网络规划效率，实现网络资源的精准投放。【方法方法】使用基站覆盖场景及场点建筑物的智能识别、弱覆盖区域与聚类算法的站址规划判定法，通过场景化AAU选型、广播波束权值规划等技术对基站和工参进行智能规划。【结果结果】建筑物场景智能识别及边界自动获取较人工识别效率大大提升，5G覆盖预测模型的准确率在95%以上，覆盖水平及初始工参准确率提高10%以上。【结论结论】研究结果将有力支撑5G网络的快速部署，建设的精准度大幅提高使5G网络整体覆盖水平进一步提高，同时使单位流量能耗占比进一步下降，大大提高社会生产效率。关键词：智能规划；场景化AAU选型；广播波束权值规划；覆盖预测模型中图分类号：TN929.5文献标志码：A文章编号：1003-5168（2023）13-0011-06DOI：10.19968/ki.hnkj.1003-5168.2023.13.002Research on Intelligent Planning of 5G Wireless NetworkLIU Hongyang(Luoyang Branch of China United Network Communications Co.Ltd.,Luoyang 471000,China)Abstract:Purposes This paper is to realize the automation of 5G network planning process,reduce alarge number of unnecessary manual participation,comprehensively improve the efficiency of networkplanning,and realize the accurate delivery of network resources.Methods The intelligent identificationof base station coverage scenes and field buildings,the site planning judgment method of weak coveragearea and clustering algorithm are used,and the intelligent planning of base stations and industrial parameters is carried out through scenario-based AAU selection and broadcast beam weight planning.Findings The efficiency of intelligent recognition of building scenes and automatic boundary acquisition hasbeen greatly improved compared with that of manual recognition.The accuracy of 5G coverage predictionmodel has reached more than 95%,and the coverage level and the accuracy of initial work parametershave been improved by more than 10%.Conclusions The findings powerfully support the rapid deployment of 5G networks,greatly improve the accuracy of construction,further improve the overall coveragelevel of 5G networks,further reduce the proportion of energy consumption per unit flow,and greatly improve social production efficiency.Keywords:intelligent planning;scenario-based AAU selection;broadcast beam weight planning;overlayprediction model0引言近年来，我国5G网络建设如火如荼。5G网络在网络架构、空中接口、频谱等方面实现革命性变化，可满足 mMTC、eMBB、uRLLC 等典型应用场景的业务需求。新频谱、新空口、新业务、新场景给12第13期5G无线网络规划带来更多挑战，包括高频段导致传统传播模型的不适用，Massive MIMO的场景化精准建模，新业务对待机、时延、可靠性等方面需求各不相同，新应用场景相关的传播特性、组网方案无经验可循等。因此，引入基于大数据智能网络分析的5G无线网规划方法来提升5G规划效率与准确性是有必要的。1覆盖场点建筑物及场景的获取准确识别和确定基站覆盖区域建筑物的场景属性及其边界范围是实施精准规划的基础，通过爬虫技术来爬取在线地图，得到建筑物场点场景、边界等信息库，并生成场点建筑物边界图层，实现对覆盖区域场景和范围的准确识别。将场点场景、边界等信息库与市场、集团大客户、行业应用的厂矿企事业单位、重要政府部门信息相结合，从而实现精准定位覆盖目标与用户群。1.1地理信息边界采集边框信息可通过商用地图的 Point of Interest（POI）、Area of Interest（AOI）接口信息爬取。其原理如下。根据 Application Programming Interface（API）说明来构建获取POI信息的http链接请求；网站以 JavaScript Object Notation（JSON）数据集形式返回数据，包括场景名称、POI ID和场景边界等信息；对数据进行清理、经纬度纠偏后，即可获得校正后的场景边界信息；对有大量场点建筑物且场点建筑物名称未知的场景，如居民区等，要根据场景类型来批量爬取；利用地图API来构建“省+城市+场景”类别的请求，获得该场景下全部场点建筑物的POI ID；在数据清洗后，按照第步的方法，利用POI ID来遍历爬取包括经纬度在内的全部场点建筑物边界信息；最终爬取出的坐标是GCJ-02 坐标系，若要对数据进行应用，要转换为WGS84坐标系；对同一场景，应多次进行爬取，从而保证完整性。对多次未能爬取的场景，要手动进行绘制。在手动绘制图层时，要注意边界点应顺序编辑（顺时针），且首尾边界要相同，实现边界闭合。此外，要注意坐标变换，反馈的边界必须是基于地心坐标系的经纬度；数据可视化。将生成的poi.csv和aoi.csv导入到Arcmap软件中，对数据进行可视化处理。1.2场点建筑物所属场景信息分类以某地图为例，该地图有全国统一场景标准、名称、ID、范围（23个大类、264个中类、869个小类场景），已知场点建筑物名称的场景按名称爬取，未知场点名称的场景则按场景类别全部爬取。已知建筑物场景名称的建筑物有高铁站、机场、5A级旅游景区、三甲医院等，未知场景名称的建筑物有大型商业购物区、一类商务办公区、2 000户以上小区、政府办公大厅等。场点建筑物边界如图1所示。其中，图1中的多边形为场点建筑物边界的地理化呈现。图1场点建筑物边界示意将获取到的场点建筑物信息库与市场、集团大客户、行业应用的厂矿企事业单位、重要的政府部门信息相结合，作为基站精准规划的基础数据。整理后场点建筑物信息见表1。表1场点建筑物信息省份XX省XX省XX省XX省XX省城市XX市XX市XX市XX市XX市区县XX区XX区XX区XX区XX区一级场景类型学校校园住宅住宅医院商业购物区二级场景类型其他大中专院校大型住宅小区-高层大型住宅小区-高层三甲及以上医院大型商业购物区场点建筑物名称XX卫生学校XX小区XX广场XX中心医院XX百货场点建筑物编号125_03_03_01_02_008125_03_03_02_01_001125_03_03_02_01_018125_03_03_05_04_003125_03_03_07_01_001场点建筑物边界112.837 274,34.647 862112.837 274,34.647 862112.837 274,34.647 862112.837 274,34.647 862112.837 274,34.647 862洛阳市卫生计生监督局（政和路）洛阳市人民政府信访局洛阳市财政局洛阳市政府万众金融广场地矿大厦（开元大道）洛阳日报报业集团长兴华苑联通公司小区通信大厦开元湖健康主题公园洛阳市行政服务中心湖滨苑湖滨苑泉舜沁泉苑泉舜购物泉舜润泉苑泉舜186中弘湖滨苑民警局刘红阳.5G无线网智能规划研究第13期132建筑物高度快速估算对5G基站进行精准规划和仿真要采用5 m精度带建筑物数字三维高精度地图。由于现阶段要得到每个本地网的三维高精度地图代价较高，对无高精度三维地图的地区，要寻找一种替代方案来对建筑物高度进行初步快速计算。使用SketchUp 三维建模软件来构建建筑的三维模型，根据卫星在线地图中获得建筑物二维图像的拍摄时间来模拟此时太阳在天空中的位置，但创建的建筑物三维模型会产生阴影，调整该三维模型中的太阳方位角，使其与二维图像的太阳方位角一致。通过不断优化调整该三维模型的高度，使三维模型生成的阴影与二维图像阴影完全重合，最终得到的建筑物三维模型的高度与建筑实际高度基本一致1。建筑物二维卫星影像及拍摄日期均可从卫星地图中获取。建筑物高度的快速估算流程如图2所示。以某高层建筑为例，在卫星地图中找到该建筑物所在区域，然后点击SketchUp工具菜单中的“文件添加位置”命令，将卫星地图中显示的二维图像加载到SketchUp软件中。可利用卫星地图的“历史图像”功能来查阅不同时间拍摄地球表面某一点的历史卫星影像，通过点击菜单栏中“历史图像”命令，获取当前卫星影像的拍摄时间。由于拍摄时太阳高度角和建筑物所在地理位置不同，建筑物阴影也会发生相应变化。SketchUp软件提供模拟光照效果、阴影等功能，可利用卫星影像拍摄时间和建筑物所在地理经纬度的不同，对目标建筑物进行光照、阴影等分析，如图3所示。经纬度等位置信息可直接从地图影像上获得，拍摄时间通过不断调整软件设置来获得。对这两项进行设置，可在软件中准确模拟出任意时刻太阳的光照效果，同时可分析太阳方位角、阴影范围等。图3建筑物高度快速估算分析利用本研究提出的方法获取建筑物高度 10次，取其均值，并参考现场测量结果检查其精度，部分结果见表2。试验结果表明，使用卫星地图的二维图像计算建筑物高度是可行的，计算结果也较为理想。表2建筑物高度计算值与实测值（部分）单位：m测量序号123456计算值34.865.570.388.9125.476.6实测值34.465.069.988.7125.276.235G覆盖水平预测最大路径损耗和参考信号等效全向辐射功率的计算见式（1）、式（2）。MAPL=RS EIRP-Receiver Sensitivity-Interfer图2建筑物高度快速估算流程SketchUp加载二维影像建立三维模型阴影日照分析获取高度信息误差处理模型阴影与高度调整时间调整影响日期获取刘红阳.5G无线网智能规划研究14第13期ence Margin-Penetration Loss-Shadow Fading Margin-Body Loss+Handover Gain（1）RS EIRP=RxPower+Antenne Gain-CableLoss（2）式中：MAPL（Maximum Allowable Path Loss）为最大路径损耗；RS EIRP（Reference Signal Equivalent Isotropic Radiated Power）为参考信号等效全向辐射功率；Receiver Sensitivity 为接收机灵敏度；Interference Margin 为干扰余量；Penetration Loss 为穿 损；Shadow Fading Margin 为 阴 影 衰 落 余 量；Body Loss为人体损耗；Handover Gain为切换增益；RxPower为基站/手机的发射功率；Antenne Gain为基站天线/手机的天线增益；Cable Loss 为馈线损耗。如果计算上行，4G 和 NSA 手机的发射功率为 23 dBm、SA手机发射功率为 26 dBm、基站功率为10lg(W1 000)dBm。基于路测的 MAPL根据上下行信道路损的互异性，采用路测法，通过测试软件来获取上行边缘速率对应的 RSRP，利用公式（1）和（2）即可计算MAPL，从而较为准确地进行链路预算。基于上述思路，可分别测试5G NR和LTE相应的边缘速率，并在不同网络配置下完成MAPL计算，同时还可使用各自的传播模型来计算站间距，见式（3）。PL3D-UMa-NLOS=161.04-7.1 lgW+7.5 lgh-24.37-3.7 hhBS2lghBS+()43.42-3.1 lghBS()lgd3D-3+20 lg fc-3.2()lg17.6252-4.97-0.6()hUT-1.5（3）式中：h为建筑物平均高度；W为街道宽度；hBS为基站高度；d3D为用户设备到基站的实际距离；hUT为终端高度；fc为中心频点。5G NR 可 借 助 修 正 的 UMA（UrbanMacr-ocell）-NLOS传播模型进行相应折算。计算步骤如下。最大路径损耗MAPL已知，根据链路预算采样传播模型公式，计算得出小区覆盖半径 R（Radius），站间距=1.5R。根据正六边形蜂窝覆盖模型，得到3扇区单站覆盖面积为1.95R。某区域内所需基站数量=区域面积/1.95R（向上取整）。NR覆盖半径可通过公式（3）计算得到，进一步可计算出 5G NR 站间距。类似的，LTE 可使用COST-231Hata等相应传播模型来计算站间距。以频段1.8 GHz 设备类型2T4R的 LTE和频段3.5 GHz 设备类型64TR的5G NR为例，当上行链路边缘速率分别为256 kb/s、2 Mb/s时，两者对应的MAPL分别为 122 dB、112 dB，相对站间距 d为 42%。最后将NR站间距转化为NR覆盖能力2。4弱覆盖栅格聚类及加站位置计算目前，站址规划主要有人工站址规划或采用简单的密度聚类算法将弱覆盖区域进行聚类，根据聚类结果进行站址规划。人工规划法虽然准确度较高，但要消耗大量的人力、物力，且要考虑多方面的地理化因素，耗时长，过程烦琐。因此，人工规划法只能适用于小范围的站址规划，无法适用于大范围乃至全网的站址规划。简单的密度聚类算法有可能聚类出一块非常大的弱覆盖区域，这时单个站肯定无法覆盖，且简单的密度聚类算法只能输出站址的经纬度，无法输出小区的基础工参，如方向角、下倾角、站高等3。本研究提出一种基于连续聚类的5G站址规划法。首先，根据5G覆盖仿真结果，基于一定条件来过滤弱覆盖栅格，并通过密度聚类算法找出初步的弱覆盖区域。其次，对范围很大的弱覆盖区域，通过K-Means聚类算法进行二次聚类，将弱覆盖区域分为多个单站可覆盖区域。最后，通过一次 K-Means聚类找出三个小区所对应的弱覆盖区域中心，并计算出小区的初始工参，输出站址规划列表。4.1连续覆盖和广域面覆盖场景广域面上连续覆盖是无线覆盖的基本要求，必须要考虑用户移动性和业务服务连续性。对一般城区和城区外围的城中村来说，低矮建筑较多，由于日常流量负荷和业务调度频率均不高，因此不用进行垂直波束数字扫描，常规波束电下倾角调整就可满足网络覆盖要求。此时，建议选择16TR设备形态，既可满足基本面覆盖，还可考虑一定的容量覆盖。对一般城镇、村庄等区域，由于用户较少、数据流量需求不高，只要满足基本面覆盖即可。因此，建议直接选择设备类型为2.1G 4TR的RRU和多端口天线，其设备重量、体积与4G相当，不用对塔桅进行大规模改造。4.2深度覆盖场景该场景主要是用宏基站对室内进行覆盖。一方面，对波束宽度有特定要求，另一方面，对天线 增 益 要 求 相 对 较 高。因 此，建 议 选 择 小 于刘红阳.5G无线网智能规划研究第13期1516TR 的波束设备类型来解决密集城区的深度覆盖问题。4.3容量覆盖场景为满足用户对高数据速率及大流量的需求，解决容量问题，尤其是在大型商业购物区、网红景点、密集人流的广场、国际机场、高铁站、地铁站台等区域，建议选择 64TR/32TR 的设备形态及龙伯球天线、混合波束、多波束天线。5G的Massive MIMO技术可提高整个小区的吞吐量和容量4。5基站小区主要覆盖场景及5G AAU选型在不同覆盖场景中应选取不同配置的AAU，综合考虑网络容量和覆盖需求，5G AAU及天线的设备形态不仅有 64TR/32TR，同时还有 16TR、8TR、4TR，方可满足5G NR多样化的覆盖场景需求5。6Massive MIMO广播波束权值规划Massive MIMO结合波束赋形技术可针对不同场景选择不同的广播波束权值组合，从而实现场景化应用，并设置相应的电子工参，可优化覆盖范围，提升边缘速率与接入用户数量，从而改善用户感知，但不同天线参数权值组合超过万种。因此，在5G规划和优化中，快速选择正确的覆盖方案可大大节省时间，并减少错误。目前，Massive MIMO广播波束有17种基于场景化的配置6，分为小区间干扰场景（可使用水平扫描范围相对较窄的波束来避免强干扰源）、广场场景（在近点使用较宽的波束以确保接入，在远点使用较窄的波束以提高覆盖率）、高层场景（在垂直面中使用相对较宽的波束以提高垂直覆盖范围）3大场景，可通过现场测试总结出不同场景下波束设置的最佳方案，并给出规划建议，供大多数场景参考，见表3、表4。7用户集中度计算统计输出小区级的每栅格化 MR 弱覆盖采样点（RSRP-110 dBm）数量，按扇区级合并小区级MR栅格数据，计算每个栅格的MR弱覆盖采样点占扇区总弱覆盖采样点数的比例。通过扇区有效栅格的 MR 弱覆盖采样点占比比例的标准差（S）来表征覆盖盲点离散度7，见式（4）。S=()x1 x2+()x2 x2+()xn x2n（4）式中：xn为每栅格MR弱覆盖采样点数量；x为平均条数。计算每个覆盖场景中扇区 MR 栅格化标准差的平均值，当扇区标准差大于所覆盖场景中标准差的平均值时，用户被认为是集中分布的，否则用户被认为是分散分布的。8结语通过积极探索5G无线网智能规划技术，将技术表3高楼场景波束设置最佳方案应用场景高楼场景层高12层17层17层以上扇区正对是否是否是否首选模式S4(水平波宽45，垂直波宽6)S3(水平波宽65，垂直波宽6)S9(水平波宽45，垂直波宽12)S8(水平波宽65，垂直波宽12)S14(水平波宽45，垂直波宽25)S13(水平波宽65，垂直波宽25)表4广场场景和干扰场景波束设置最佳方案应用场景广场场景干扰场景是否覆盖底层楼宇是否是否首选模式S6(水平波宽110，垂直波宽12)S1(水平波宽110，垂直波宽6)S7(水平波宽90，垂直波宽12)S2(水平波宽90，垂直波宽6)刘红阳.5G无线网智能规划研究16第13期工具与生产流程有机结合，实现无线网络规划流程自动化。智能规划技术的应用能使建筑物场景智能识别及边界自动获取较人工识别效率提升10倍以上，5G覆盖预测模型准确率达95%以上，覆盖水平提高15%以上，规划效率总体提升数倍，能有力支撑5G网络的快速部署，建设精准度的大幅提高使5G网络整体覆盖水平进一步提高，同时单位流量能耗占比进一步下降，大大提高社会生产效率。5G无线网智能规划还有很多研究方向，要进一步研究及探索，从而有效支撑未来的市场竞争和挑战。参考文献：1 安洁玉，程朋根，丁斌芬.基于Google Earth二维影像获取建筑物高度的方法 J.地理与地理信息科学，2010（6）：31-33，37.2 陈宇，沈建军.基于大数据的5G规划方法研究 J.电子技术应用，2020（8）：33-38.3 陆南昌，刘吉宁，黄海晖.5G无线网络智能规划技术的探索与实践 J.移动通信，2020（5）：65-71.4 卜斌龙，林学进，孙全有.5G宏网天线覆盖解决方案及现网融合技术 J.移动通信，2019（4）：21-24，42.5 程日涛，尧文彬，汪况伦，等.5G网络智能规划建设研究 J.电信科学，2019（S1）：7-12.6 王琳，周毅刚，郑黎明，等.Massive MIMO 3D空间相关信道超松弛检测算法 J.哈尔滨工业大学学报，2018（5）：12-17.7 刘昱鹏，孟繁丽，尧文彬.3D-MIMO基站需求场景的识别及规划方法研究 J.电信工程技术与标准化，2018（11）：77-81.刘红阳.5G无线网智能规划研究