苏成双，尹劲松，曾 进，唐天彪（中国联通重庆分公司，重庆 401120）

1 概述

重庆号称“8D”魔幻城市，网络场景复杂多样，用户感知需求愈加多元化和精细化，其中室内用户感知最为突出，经现网数据分析，5G TOP 室内弱覆盖场景占比远超道路，居民区弱覆盖问题尤为严重，单纯基于路测数据进行覆盖优化不足以满足室内用户诉求，需针对不同场景开展5G深度覆盖优化。

同时，随着5G Massive MIMO 组网，小区覆盖范围从水平面覆盖增加到现有水平面、垂直面三维覆盖，邻区关系配置、网络参数调整、干扰优化等更为复杂，仅靠传统人工调整很难完成优化工作。

本文研究探索了基于MR 切片的5G 覆盖动态诊断方法、基于DOA 数据的5G 波束智能寻优方法、波束寻优和MR 切片评估结合的效果自动评估方法，构建了从覆盖动态评估→覆盖智能优化→效果自动评估的覆盖动态优化体系，如图1所示。

图1 5G覆盖动态优化流程

2 5G覆盖动态诊断

传统覆盖评估以DT/CQT测试、系统KPI分析为主开展，一方面需耗费大量人力、物力，评估周期长；另一方面测试区域有限，缺乏对无线覆盖分布特征的整体体现。本文通过研究MR 数据的切片分析方法，结合深度学习算法实现对网络覆盖问题的动态诊断。

2.1 问题小区切片分析

采集汇聚场景小区的5G 网络MR，进行归一化处理，再按TADV、RSRP 和采样点数生成三维立体图，然后进行切片分析，如图2 所示。MR.TadvRsrp 指标由RSRP 维度（12 个区间）和TADV 维度（11 个区间）共计132 个区间的采样点数构成，切片后生成23 张二维切片图像，能够更直观地观测到TADV和RSRP不同区间的分布变化情况。

图2 MR覆盖立体成像和切片过程

2.2 网络覆盖动态诊断

由网络专家对每张切片图像进行诊断，利用重庆联通编写的MR Labeler 小工具对样本小区的MR 三维立体图进行覆盖性能标记，包括覆盖水平、过覆盖情况和弱覆盖范围等，如图3所示。

图3 小区覆盖性能标记

将各组二维切片图像和已标注的网络覆盖性能标签作为样本数据集输入，利用Python、Sklearn 库和开源深度学习框TensorFlow，构建智能诊断模型，并通过交叉验证方法对模型参数进行寻优，最后输出最优诊断模型。

2.3 优化效果自动验证

网络覆盖动态诊断定期或按需进行，自动输出全网、区域或指定小区的诊断情况，为5G 波束寻优提供目标小区和方向，也可作为优化效果验证的依据。同时该方法具备实时性强、准确性高的特点，不但能验证区域或场景波束寻优效果，也可以应用于单点投诉或者问题小区优化后的实时评估。

如表1所示，南岸左岸阳光的MR切片诊断结果为近点弱覆盖，6个5G覆盖小区评估有4个存在弱覆盖，经过波束寻优权值动态优化后，MR 切片自动评估覆盖改善明显，如表2 所示。切片诊断成像优化后近点无弱覆盖，如图4所示。

图4 优化前后MR切片诊断成像对比图

表1 南岸左岸阳光MR切片诊断表

表2 南岸左岸阳光波束寻优前后切片评估对比表

3 5G波束动态寻优

传统4G 覆盖优化是基于二维栅格级路损矩阵的RF 优化，即利用终端上报的MDT 数据（含经纬度、RSRP 测量等）构建20×20 m 的二维栅格矩阵，然后进行RF 参数（倾角、方位角）的调优效果验证。但5G MDT 特性在2020 年7 月份3GPP R16 版本完成标准冻结后，终端侧暂无清晰路标，同时MDT 终端海拔上报比例极低，因此只能做二维平面栅格化定位，无法支持楼宇立体覆盖优化。

3.1 基于DOA的用户分布研究

5G Massive MIMO 设备将空间信道划分为若干个波束方向（如64T 场景支持32 波束），每个波束在空间中的位置相对AAU 是固定的（含水平和垂直角度），如果能根据波束方向测量出用户的三维空间分布，进而构建基于波束级测量的立体虚拟栅格，就可以通过深度学习算法估算最优的波束权值。

DOA 波达方向估计（Direction of Arrival），又称为角谱估计（Angle spectral estimation）、波达角估计（Angle of Arrival）。一个信源有很多可能的传播路径和到达角，如果几个终端同时工作，每个信源可在接收机处形成潜在的多径分量，利用5G Massive MIMO 多天线收发特性，使用空时处理技术可以测量出每个终端用户相对天线的角度，进而确定同时处在空间某一区域内多个UE信号的空间位置，具体如图5所示。

图5 DOA波达方向估计示意图

DOA 估算采用了MUSIC 多重信号分类算法（Multiple Signal Classification），其基本思想是将任意阵列输出数据的协方差矩阵进行特征分解，从而得到与信号分量相对应的信号子空间和与信号分量相正交的噪声子空间，然后利用这2 个子空间的正交性进行谱峰搜索来估计信号的入射方向。

根据DOA 估算结果，构建区域内终端用户的三维立体分布，再通过上行SRS测量计算出UE所在最强波束ID，将波束ID 测量与MR 测量结果拼接，就可以表征出用户在三维空间中的分布和每个方向上的覆盖水平，如表3所示。

表3 64T64R天线波束ID分布估算

同时DOA 估算可得出每个SRS 波束对应的SSB增益，从而实现在波束迭代调整时，对各虚拟栅格SSB覆盖变化的预测。

3.2 波束级虚拟栅格建模

构建虚拟栅格可以大幅降低迭代寻优的运算量级，同时缓解终端测量不稳定（RSRP 波动、邻区上报不完整等）对方案造成的影响。

根据DOA 估算结果，可以得出UE 在三维方向上的分布，但要构建三维位置分布，还需要引入邻区波束ID 的测量。首先，采用随机森林算法进行模型训练和邻区波束ID 估算，得到UE 在邻区上的波束ID。然后，基于主服加邻区的波束ID 测量构建UE 在三维立体空间中的相对位置（虚拟栅格），具体如图6所示。

图6 波束级三维立体虚拟栅格建模示意图

从表4和表5对比可以看出，表4为二维平面栅格化处理后的数据，UE 测量信息和覆盖特征大量丢失。表5 为波束级立体虚拟栅格化处理后的数据，UE 测量信息和覆盖特征得以完整保存，栅格划分精细程度指数级提升，覆盖预测精度能够大幅改善。

表4 二维平面栅格化处理数据

表5 波束级三维立体虚拟栅格处理数据

3.3 迭代寻优算法实现

根据MR 切片诊断得到的弱覆盖、重叠覆盖等不同覆盖问题类型，确定小区要调整的参数和方向，在波束寻优算法中引入切片迭代寻优算法，结合用户设定的调整优先级，搜索Pattern、机倾、方位角、功率等6维参数的最佳取值。

通过网络质量评价函数（Fitness），基于优化目标和权重计算进行网络质量评分，计算调整前后分值变化，预测优化增益，正增益保留并继续寻优，负增益回退，在近乎无限的解空间中实现最优解的高效计算，以达到网络质量评分更高，如图7所示。

图7 高维迭代寻优算法流程示意图

以某高层场景垂直覆盖迭代优化为例，MR 切片诊断结果为弱覆盖（覆盖达标率50%），经过2 轮迭代优化，弱覆盖楼层覆盖得到改善，如图8 所示。设置SSB RSRP 门限为-100 dBm，权重为0.75，SSB Overlapping 门限为-105 dBm/3/6，权重为0.25，迭代寻优后覆盖达标率100%，网络质量评价100 分，适配最优波束场景编号为S13_H65V25，如表6所示。

图8 某高层场景垂直覆盖迭代优化前后对比图

表6 某高层场景垂直覆盖迭代优化前后数据

同时，对比波束寻优前后DOA 偏移情况，优化后波束方向与用户分布基本一致，水平和垂直的DOA 值均向0收敛，波束更加贴近用户，具体如图9所示。

图9 波束寻优前后DOA对比图

4 应用效果

本文研究成果已在重庆主城区域开展了试点和推广，在网络质量改善、效能提升、口碑打造等方面已取得了一定成效。

4.1 网络质量改善

通过MR 切片分析，共诊断主城5G 覆盖问题小区785 个，评估梳理问题场景49 个，包含32 个居民区和17 个立交桥。如图10 所示，通过实施5G 波束智能寻优，49个场景MR 覆盖率提升3.19PP，日均总流量增长731 GB。

图10 波束寻优前后DOA对比图

以渝北仁睦-257 小区为例，MR 切片分析诊断在覆盖方向的厂房密集区域存在弱覆盖，如图11 所示，该小区0—6 号共计7 个波束，对其方位、下倾、水平、垂直进行波束联动调整，优化后，覆盖区域内覆盖改善明显，用户覆盖范围扩大，小区日均流量从37 GB 提升至80 GB，日均用户数从32提升至62。

图11 波束寻优前后参数对比

4.2 效能效率提升

通过波束寻优方法减少传统人工调站频次，因网络质量问题导致的人工上站调整比例降低21%，利用5G覆盖动态诊断系统代替人工覆盖评估，精简现场测试勘查三方人员，节省费用约140 万元/年；提升5G 吸纳比，波束寻优站点5G 吸纳比优于全网平均水平3.7PP。

4.3 用户口碑打造

在投诉支撑方面，通过对5G投诉点的周边波束现场实时调优，实现投诉处理效果动态验证，5G 投诉处理效率提升3 倍，投诉解决率提升3.9%，用户网络口碑得到进一步提升，成功地树立了良好的企业形象，增强了市场竞争力。

5 结束语

本文通过研究5G覆盖动态诊断和5G波束智能寻优方法，提升了5G 覆盖评估效率和准确性，同时解决了5G用户三维立体定位难的问题，在研究方法上创新使用MR 切片迭代寻优算法和Fitness网络质量评价函数，实现了问题小区最优权值的快速迭代，构建了5G站点覆盖动态优化支撑方法，为后续的5G参数动态优化、5G容量动态优化等指明了可行的方向。