基于深度学习的场景化5G传播模型研究_李军.pdf

2023年第6期技 术 交 流基于深度学习的场景化 5G 传播模型研究李军（中国移动通信集团河南有限公司，河南省郑州市 450000）摘要准确的传播模型是 5G 移动通信网小区合理规划的基础。文章将深度学习方法与无线传播模型相结合，利用深度学习算法获取影响路径损耗的场景化因素特征，建立基于深度学习的无线传播模型。外场实际道路测试和用户测量报告评估验证表明，基于深度学习的场景化 5G 传播模型的覆盖预测准确，更加匹配真实的网络场景，保证 5G 无线网络规划建设的质量。关键词5G；传播模型；深度学习；校正0引言传播模型是利用移动通信无线电波传播特性来预测路径损耗的模型，用来定量描述发射天线和接收天线之间传播路径上的环境因素导致的接收信号强度变化情况。电波传播中影响功率损耗的场景因素包括传播路径距离、地形地貌、建筑物、树木、天气状况等场景因素。在给定频率、距离、收发信机天线高度和环境特性等参数时，传播模型可以预测电波传播路径损耗，模型校准结果的准确性直接影响移动通信中蜂窝小区的规划设计。不同地区的地形地貌千差万别，传播环境多种多样，相应区域的传播模型也存在较大的差异性。如果仅根据经验而无视不同地形、地貌、建筑物、植被等传播模型关联参数的影响，必然会导致建成的网络存在覆盖、质量、结构等问题。随着 5G 网络的飞速发展，运营商越来越重视传播模型的准确性，它直接影响到网络规划的准确性、网络质量和建网成本，关乎到运营商是否以经济合理的网络投资满足了用户真实业务需求。在 5G网络规划建设初期，传播模型校准对于网络覆盖规划准确性和资源精准投入至关重要。1传统的传播模型传统的传播模型根据理论分析、测量数据统计分析，建立各种类型的传播预测模型。传统传播模型的误差来源主要包括电子地图与实际传播环境存在的误差，建筑地物损耗参数与实际存在的误差，针对散射、反射、绕射等物理规则的拟合误差。模型在实际应用中经常出现精度较低的情况，还需要采集大量的实测数据通过最小二乘法针对模型进行拟合修正。网络规划通常采用 Okumura-Hata 传统经验模型，主要通过人工设置频率、距离、地形地貌等因子，基于大量实测数据拟合各因子的权重系数，最后得出一组计算路径损耗的数学公式。另外，针对当地的实际无线场景，需要进行 CW（连续波）测试，修正上述计算无线信号传播路径损耗的数学公式。Okumura-Hata 是建立在大量测试数据和经验公式基础上的实测统计方法，并利用计算机进行辅助预测。其优点在于公式简单易懂、运算速度快、推广应用范围广。其缺点在于公式依赖测量数据、未校正前精度不高、校正容易过拟合、泛化能力差等方面。另外，人工设置因子受限于人的经验判断，只能选取显著影响的因子，不能将所有影响因子考虑齐全。因此，建立一个合适的传统无线传播模型通常是耗时耗力的，而且模型精度也无法保证，无法正确指导移动网络的精准规划。在 5G 站点规划过程中，针对覆盖仿真的传播模型精度提出了更高的要求。传统传播模型是使用62023年第6期技 术 交 流一系列经典的经验解析公式模拟无线信号在自然空间的传播。但无线信号的传播极为复杂，传统传播模型精度难以提高。以簇级来划分场景的区分粒度粗，模型中的变量有限，无法对复杂的无线传播环境良好拟合。2基于深度学习的传播模型深度学习是目前业界前沿的基于神经网络的机器学习技术，适用于与图像相关特征信息的抽取，核心算法是 CNN（卷积神经网络）。作为一种深度前馈人工神经网络，CNN 专门设计用来处理时间序列数据或是图像等网格数据特征。本文拟使用 CNN 算法获取影响场景化传播模型特征的能力，将深度学习方法与无线传播模型校正相结合，建立了基于深度学习的场景化 5G 无线传播模型。2.1CNN 技术原理卷积神经网络的工作原理通过处理标记图像的训练集，机器能够学习识别元素，即图像中对象的特征。CNN 是颇受欢迎的深度学习算法类型之一。卷积是一种线性运算，需要将一组权重与输入相乘，以生成称为滤波器的二维权重数组。如果调整滤波器以检测输入中的特定特征类型，则在整个输入图像中重复使用该滤波器可以发现图像中任意位置的特征。卷积将滤波器应用于输入内容的简单过程，带来以数值形式表示的激活。通过对图像反复应用同一滤波器，生成特征图的激活图，表示检测到特征的位置和强度。CNN 基本原理如图 1 所示，CNN 通常由三层组成：输入层、隐藏层、输出层，其中隐藏层包含池化层、全连接层和标准化层等。卷积层用于捕捉图像的边缘、颜色、梯度方向和基本几何形状等基本特征。添加层后，此模型会填充高级特征，逐渐确定一个大型棕色图块。例如首先通过特征判定是车辆，然后是汽车，最后判断出是某种具体品牌的汽车。池化层通过逐渐缩小表示的空间的大小，提高计算效率。池化层会单独对每个特征图进行运算。池化层中常用的方法是最大池化，即捕捉数组的最大值，从而减少计算所需的值的数量。全连接层将一层中的各个神经元与另一层中的所有神经元相连。标准化层会对数据进行正则化处理，以改善神经网络的性能和稳定性。2.2建立基于深度学习的无线传播模型在建立无线传播模型的过程中，首先收集移动用户上报的真实信号测量和位置信息，结合高精度电子地图，其次通过深度学习来提取影响路损的场景化特征，最后建立预测模型。神经网络的超强拟合能力能有效提升无线覆盖的预测精度。基于深度学习的传播模型关键技术包括智能特征选取和模型构建、训练。基于深度学习的传播模型中场景特征理论上可达栅格级，区分粒度精细，而且模型中变量超过千万，拟合能力更强。基于深度学习的传播模型建立步骤如下。1）数据源输入学习信息相关数据包括基站工程参数、地图、天线文件以及仿真、实测数据等训练数据，如 OTT（用户互联网业务）数据、MR（测量报告）数据、道路测试数据等。2）模型训练利用深度学习模型训练流程，完成训练路径损耗与输入数据之间的关系模型。深度学习模型训练流程如图 2 所示。3）模型应用通过调用训练好的传播模型，输入地图和工参图 1CNN 基本原理72023年第6期技 术 交 流图 2深度学习模型训练流程图 3传播模型应用流程数据，最后预测网络覆盖情况。传播模型应用流程如图 3 所示。基于深度学习传播模型具备如下优势：a）特征自学习：大部分特征可自学习，而非只采用手工设计。b）拟合能力强：参数量极大，拟合能力强。c）延展性更强：加入建筑材质等信息，对模型升级的工作量和难度小。d）使用更便利：在训练完模型后，使用时不需要大量的调整参数。3效果验证通过外场试点中单站覆盖预测验证，基于深度学习的场景化 5G 传播模型的覆盖预测准确，覆盖趋势合理。预测结果对地形地貌较为敏感，建筑物密集区域信号较差，开阔区域信号较好，覆盖电平分布符合工程经验。与实际道路 DT（驱车测试）结果比对，传播模型预测覆盖电平与道路测试覆盖相近，平均偏差在 3 dB 以内，仿真预测出的弱覆盖区域可以准确识别。另外，比较基于用户 MR 评估的实际覆盖与基于深度学习传播模型的预测效果，两者偏差局限在 24 dB 范围内，基于深度学习的场景化5G 传播模型预测更匹配真实的网络覆盖。值得注意的是，建立基于深度学习的场景化 5G传播模型需要大量的训练数据样本，涉及大量参数脱敏训练，需要高性能的硬件算力资源支撑。以 1个中等规模城市为例，在实际传播模型校准过程中针对模型训练的数据处理需要配备 30 多台 GPU（图形处理器），但模型预测仅需要少量硬件资源。4结束语准确的无线传播模型是 5G 无线网络规划的前提。本文将深度学习方法与无线传播模型相结合，建立基于深度学习的场景化 5G 传播模型。现网实际验证效果表明，与传统的无线传播模型相比，基于深度学习的场景化 5G 传播模型建立过程更加简单智能，覆盖预测更匹配真实网络，为 5G网络规划建设和资源精准投放提供了有力的支撑和保障。参考文献1王映民，孙韶辉.5G 移动通信系统设计与标准详解 M.北京：人民邮电出版社，2020.2杨峰义，谢伟良，张建敏，等.5G 无线接入网架构及关键技术 M.北京：人民邮电出版社，2018.3蒋远，汤利民.TD-LTE 原理与网络规划设计 M.北京：人民邮电出版社，2012.4王敏，陆晓东，沈少艾.5G 组网与部署探讨 J.移动通信，2019，43（1）：7-14.5胡尚贤.深度学习方法在智能无线传播模型中的应用D.石家庄：河北经贸大学，2020.6高士顺，赵海涛，张晓瀛，等.一种自适应于不同场景的智能无线传播模型 J.计算机科学，2021，48（7）：324-332.7雒腾，张德鑫，桂贝贝，等.基于深度学习的无线传播应用分析 J.科学技术创新，2020（7）：60-61.李军（1971），男，正高级工程师，主要研究方向为 5G 无线网络规划和组网建设。收稿日期：2022-02-028