中兴通讯现有FNR覆盖自动优化方案

概述

5G TNR 在32TR/64TR等多天线场景下，由于具备了较高数量的波束，系统在多小区环境中能够通过波束信息准确识别用户位置，并能够借助灵活权值控制将波束指向用户，实现准确的覆盖优化。中兴通讯智能化自动化的AAPC方案已进行了广泛应用，大幅提升优化效率，取得了良好的效果。而FNR制式下的700MHz、900MHz、2.1GHz等频段以及大存量的LTE站点的2T/4T天线场景中，天线波束数量过低，指向性不明确，无法通过波束识别用户位置，相应地也无数字权值可调，灵活性也较低。因此覆盖优化仍只能使用传统方法，对人员消耗仍旧较大，如何实现高效优化是个难题。

中兴通讯通过创新引入高精度定位数据、电子地图，并结合覆盖建模及寻优算法，在FNR/LTE场景也具备了类似AAPC的基于用户分布的覆盖优化能力。除此之外中兴通讯在实践中依次形成了基于专家经验、基于定向迭代等多种FNR/LTE覆盖自动优化方案，有效提升了FNR/LTE覆盖优化的效率，降低了优化成本。

现有FNR优化方案

中兴通讯基于实践和工具平台，已形成了三类覆盖自动优化方案。

基于专家经验的覆盖自动优化方案

无线通信网络建设优化持续进行了数十年，基础工程人员针对各种具体覆盖问题积累了丰富的优化经验。因此最直接的自动化改进是将这些优化经验中最具有实用价值的部分，提炼成体系化的方法、原则，通过代码逻辑体现在自动化的工具中，实现自动化的问题判断和优化建议输出，规避了传统优化方案严重依赖优化工程师水平的问题。

中兴通讯提炼专家优化经验并分别在WNG平台及NGI平台进行了迁移实现，在覆盖问题的发现、分析及效果评估方面基本实现了自动化。

基于专家经验自优化基本流程如下图所示。

专家经验系统基本工作流程

对路测数据和MR数据，中兴通讯均有高效优化方案。

基于路测数据的专家经验方案支持自动全局、问题点分析并输出报告、给出解决建议。优化人力消耗节约30%~50%，综合提效50%以上。

基于MR数据的专家经验方案支持自动全局、问题点分析及解决建议输出，进一步减轻测试消耗。优化人力消耗节约50%~70%，综合提效70%以上。

专家经验来自于对各种典型问题的总结，在优化初期效果明显;而在已精细优化网络中效果下降。从当前外场实际应用结果看，专家经验方案能解决的问题比例在60%左右。

基于定向选代的覆盖自动优化方案

如上节所描述，基于专家经验的方案能够短平快地解决一些明确的问题，但规则需要持续根据具体问题进行迭代，且有时难以解释。为此中兴通讯引入基于CSON平台的CCO算法，该方案通过自动化的MR数据收集分析、结合电调数据的清洗，从后台直接进行覆盖问题判定并确定调整方向，对优化小区自动输出调整措施并自动执行，通过反复小步长迭代，动态监控问题系数变化来确定调整效果，直到到达设定条件(指标达标、优化手段用尽、指标恶化回退)。

相比专家经验方案，该方案只在问题识别和调整方向上利用了少量先验知识，通过小步长的自动调整，逐步逼近最优解。另外该方案的数据源使用普通MR，对精确定位数据没有依赖，降低了应用要求。

基于定向迭代的覆盖自动优化方案流程与步骤

从外场应用效果看，该方案对问题的解决随着时间推进可以看到明显的改善。在大规模应用且多任务并行的情况下，相比人工优化效率提升非常明显。该方案全流程闭环，运行稳定，基本无需人员干预。规模应用条件下优化人力消耗节约80%，综合提效90%以上。

基于建模+预测的覆盖自动优化方案

为在FNR/LTE的2T/4T天线场景下实现准确识别用户位置，并根据用户分布特点进行覆盖调整，使得增益最大化，同时增强对优化结果的可预测性，中兴通讯创新引入基于覆盖建模+预测的覆盖自动优化方案，对路测数据和MR数据都有良好的支持。

引入高精度定位MR数据，由此得到用户的地理分布，结合站点信息得到用户相对天线的方向(DOA信息)。

对天线覆盖特性进行3D建模得到天线在每个方向上的增益，结合路损模型完成覆盖数学建模，由此将天线方向增益与用户DOA信息配合，从而可以预测在不同参数配置(电子下倾、机械下倾、方位角、发射功率)情况下用户位置的覆盖情况，并根据代价函数判断出不同参数组合下覆盖问题的改善程度。

引入AI智能寻优算法大幅提升寻优效率，在所有的参数组合中找到较优的参数配置，给出改善问题的参数配置建议。

基于覆盖建模和预测的自动优化方案主要工作流程

基于覆盖建模+预测的覆盖自动优化方案是目前多个方案中相对比较完备的方案，覆盖建模方面有多种技术可以选择，参数寻优方面也容易引入智能化的方法，根据优化目标选择不同的代价函数，算法的扩展空间较大。

在高精度定位信息和射线追踪模型的辅助下，该方案在复杂城市环境也可以取得良好的效果。基于预测，该方案在实际应用中给出的建议更为精准而且迭代次数较少，任务建立后也无需人员介入，人员消耗减少90%，综合提效90%以上。

方案应用分析

基于上述介绍，可以看到三种方案的特点：

专家经验方案在网络优化初期效果较明显，但后期规则维护有难度;

定向迭代方案优化效果较稳定，但优化周期略长;

基于预测和寻优的算法适用问题范围较大，扩展性好，但对输入数据要求略高。

在实际应用中，可以结合不同方案的特点灵活进行部署和应用，以取得最大的效益。一般建议在网络建设初期的工程优化阶段或在道路专项优化时，可以优先采用专家经验的方案来快速解决典型问题。在网络相对稳定后，建议采用定向迭代方案，对网络负面影响小，增益明确。基于覆盖建模+预测的方案，在输入数据具备的情况下可以应用到优化工作的各个阶段，尤其在相对复杂的网络环境中应用时效果更好。

三种方案详细对比如下。

主要方案优缺点详细对比和应用建议

FNR优化方案演进

随着网络结构日趋复杂，运营商对多频段多制式的综合优化需求越来越迫切,前面章节中所描述的方案在应用中已经出现一些瓶颈，因此自动优化方案也需要作相应的演进以满足复杂场景下的优化需求。中兴通讯也将积极转向基于AI 的自动化优化方案以应对未来的挑战。

对覆盖自动优化，在建模环节和求解环节可以引入基于AI的演进方案。

首先是在建模环节从手动数学建模转向基于数据的AI建模。

其次，新引入的基于AI学习的优化方法，需要大量问题的实例作为输入对AI模型进行训练以进行求解，但外场很难获得大量的覆盖调整闭环数据。因此该方法引出下一个改进点，即通过数字孪生技术构建网络，在此环境中进行虚拟建模训练，获得足够的样本数据以支撑AI建模。

数字孪生网络模拟方法，综合传统建模(仿真)基于物理规律和基于数据网络模拟特点，解决传统方法仿而不真和纯数据仿真的以偏概全问题，更加逼近真实网络。中兴通讯作为业界无线解决方案提供的资深专业公司，在孪生平台也早已有完整的规划，系统架构如下图所示。

网络孪生系统架构

在覆盖优化方面，重点涉及架构中的信道孪生部分，中兴通讯目前已经有阶段性的成果，正在将孪生研究成果逐步引入覆盖自动优化算法，从而把覆盖自动优化提升到提高到一个新的层次。

网络孪生关键组件-信道孪生

结束语

中兴通讯在FNR覆盖自动优化应用上已经积累了丰富的实践，包括基于专家经验方案、基于迭代尝试的方案，尤其是创新引入基于覆盖建模和智能寻优算法的方案，具备了类似多天线场景下AAPC的紧跟用户的优化能力，明显提升覆盖优化效率，降低外场对优化工程师的要求，降低优化成本。

但针对日益复杂的多频段多制式综合组网下的优化问题，方案还需要不断演进，中兴通讯也积极引入新技术，借助于数字孪生平台的建设及更优的智能化算法，迭代演进面向未来的覆盖自动优化方案以应对新的挑战。