孙天宇 周婷

摘要：使用来自于江苏移动的实时网络侧数据来分析大气波导干扰（ADI）的特征，同时结合网络侧数据与气象数据，使用两种机器学习方法对ADI强度进行预测，并相互比较。仿真结果表明：使用机器学习可以获得不错的ADI预测效果，当训练样本达到40 000条时，准确率与召回率分别可以达到72%与75%以上。

关键词： 时分复用长期演进（TD-LTE）；大气波導；机器学习；干扰预测

Abstract： In this paper， the big data of network-side from the current operated network of China Mobile is used to analyze the characteristics of atmospheric duct interference （ADI）. Combining network side data with meteorological data， two machine learning methods are used to predict the ADI intensity， and are compared with each other. The simulation results show that machine learning can achieve good ADI prediction effect. When the training sample reaches 40 000， the accuracy and recall rate can reach 72% and 75% respectively.

Key words： time division-long term evolution （TD-LTE）； atmospheric ducts； machine learning； interference prediction

大气波导是一种发生在低层大气中的物理现象，在大气波导中电磁波反射系数随高度呈现负梯度，使得电磁信号被约束在大气波导层内传播，并比在非波导层中经历更少的衰减。1963年，BEAN和DUTTON [1]首先设定了大气电磁反射率的公式并证明了大气波导的存在。

文献[2]中作者指出波导层可能导致一系列的影响，比如：传输的损失、探空雷达的高度误差等。在雷达系统中，波导层的存在会减少探测范围[3]。表面波导会导致气象雷达自动降雨率计算的错误[4]。在文献[5]中，ORAIZI和HOSSEINZADEH研究了大气波导对于正交频分复用（OFDM）数字广播系统的影响，他们论证了大气波导会增加电磁波的强度从而产生干扰并且降低频率复用距离。

一些迹象表明：大气波导会在现行的大规模时分双工（TDD）网络中造成干扰，譬如时分同步码分多址（TD-SCDMA）、时分复用长期演进（TD-LTE）甚至5G的TDD网络。这是因为对于TDD系统而言，上行和下行传输使用的是相同的频率。来自其他基站的下行信号可能对本地的上行信号产生同频干扰（CCI），也就是所谓的上下行干扰。……