CN110418354A - 一种基于机器学习的免传播模型无线网络规划方法 - Google Patents

Abstract

本发明基于大量的实际网络数据集训练免传播模型的接收信号强度(RSS)预测器，并通过多目标启发式方法优化基站(BS)部署的覆盖性能。具体而言，将诸如地理环境和基站的操作参数等信号传播的更实用的特征馈送到机器学习(ML)模型中以预测接收信号强度；此外，基于预测模型设计一种多目标贪婪算法，初始化可行解符合地理约束并且使其固定与优化区域经纬度相关，并固定搜索方向的优化步长，步长根据参数上下限设定，优化目标是以最少基站满足覆盖率达标。数值仿真结果表明，多层感知机在接收信号强度预测方面优于其他机器学习算法，基站部署仿真也验证了本发明的收敛性和可用性，在覆盖率方面比实际部署更好，且需要部署的基站数更少。

Description

一种基于机器学习的免传播模型无线网络规划方法

技术领域

本发明涉及无线通信技术领域，特别涉及机器学习、密集无线网络规划

背景技术

近些年来，超密集组网(Ultra-Dense Network,UDN)被认为是满足2020年以及未来移动数据流量需求的主要技术手段。超密集组网基于蜂窝网络的小覆盖大容量，通过增加基站部署密度，有力地补充了传统3G及4G网络覆盖盲区，并且能够在保持高的数据速率的状态下提供无缝连接，实现容量和频率复用效率的巨大提升。我国移动通信网经过多年的建设和优化，已成为地球上规模最大的、功能完善的移动通信网络，目前的移动通信网络正在为人们提供方便快捷、无处不在的实时移动通信服务，使用手机已经成为人们生活中的一个重要组成部分，而移动通信基础网络是提供移动通信服务的基础，移动通信基站更是用户接入移动通信网络的门户。数以万计的基站覆盖数亿移动用户，基站建设在移动通信网中工程量最大、投资额最大、维护量最大。

然而，基站(Base Station,BS)的部署不是随机的，不合理的布局可能导致覆盖性能差和额外的资本支出和运营支出。因此，如何通过最佳地部署BS来扩展无线覆盖范围，同时最小化规划BS的数量成为BS部署领域中难以解决的问题。

一般来说，BS部署的过程可分为3个步骤：1)根据用户的需要确定新BS的模糊数和地址；2)通过传播模型改变现场测量和覆盖率评估之间的优化，进一步确定BS的确切位置；3)开始部署。由此可见，BS部署的程序成本极大。此外，本发明研究针对实际网络场景的低成本、大覆盖的无线基站部署技术。

目前基站的建设需要消耗大量人力物力在复杂的传播模型拟合上，这是因为传播环境的多样性使得一些传统的经验传播模型不再适用。因此，如果能对基站部署覆盖有准确的评估，那么就可以节省大量的成本。机器学习是一种能从大量历史数据中学习有效经验的技术，可以用于从现网大量用户反馈中提取有效传播特征，进而直接评估基站部署性能，而不需要建立复杂繁琐的传播模型。

基于该覆盖评估模型，基站部署可以建模为一个受实际场景约束的优化问题。本发明使用的在线优化算法，其基本思想是给定一组基站位置与工作参数的可行解，在线统计基站到地图各区域用于预测电平的数据，评估覆盖率，然后在该组可行解的邻域继续统计并评估相应的覆盖率，选择最优的方向继续向前搜索，即基于贪婪的思想，直到算法收敛。

发明内容

考虑到实际应用中的基站部署要求，本发明实现一种基于机器学习和贪婪方法的低成本的基站部署算法，该算法采用两步优化策略，首先通过大量用户反馈的电平数据、基站部署数据和地图数据，训练准确的电平预测模型，然后基于贪婪算法逐步对基站部署的可行解进行优化，在迭代过程中利用电平该电平预测模型对区域的覆盖率进行准确评估，调整优化方向。

首先考虑到信号传播过程中的主要影响因素。在所有因素中，最主要的因素是由于电磁传播的特性，基站与用户之间的距离。随着距离源的距离增加，功率强度将减小(称为反平方定律)。另外，地理也是信号传播中的一个重要因素，特别是在城市中。由于山脉，巨大的建筑物和其他地面特征阻碍了信号传播，这阻碍了视线传播并导致反射和扩散。此外，本发明考虑的另一个重要部分是基站的工参，例如发射功率，高度，方位角，机械和电子下倾角。因此，需要从网络中收集的数据包括用户的电平反馈数据，基站的工作参数——地理位置，方位角，下倾角，高度，发射功率，以及地图中传播路径上的地理统计数据。

本发明研究的基站部署系统是在一个区域上部署N个基站使得区域整体覆盖率优于现网部署，并且基站的数量要少于现网部署的数量，使得基站部署成本降低。该问题可以建模成符合实际网络约束的优化问题：

其中a为预部署的基站数量，从实际网络统计得到；为该区域每个栅格的覆盖值，假如有基站在此栅格的电平预测值满足预定门限(比如-90dB),那么该值为1，否则为0；γ为惩罚系数，用于惩罚过大的基站数量。

表示需要优化的参数，G_x和G_y表示该区域的经纬度坐标，表示三个方位角的参数，λ_MD表示基站天线的机械下倾角，λ_ED表示基站的电子下倾角，h表示基站的海拔高度，P表示基站的发射功率。

首先建立准确的电平预测模型以对覆盖率进行评估，收集训练数据后对原始数据(用户反馈电平、基站工参、地图数据)进行预处理，包括数据清洗、特征归一化、降维、数据集划分。具体而言：

数据预处理：数据挖掘技术高度依赖于完整的数据集，该数据集期望处理从现实世界中采样的一系列完整数据。但是，错误的采样过程和数据采集过程中的限制将导致缺失值。有许多方法可用于预处理这些样本，例如期望最大化，多重插补。由于本发明中数据量足够，为简单起见，本发明直接丢弃缺失值。

规范化：原始数据的值范围变化很大，这可能使一些机器学习算法不能正常工作，并且梯度下降收敛得慢得多。因此，数据标准化(也称为特征缩放)用于标准化数据特征的范围。在这项工作中，采用归一化以重新缩放要素以缩放[-1,1]中的范围，使其服从均值为0，方差为1的高斯分布。

降维：将三大类特征(距离特征、地图提取特征、信号传播)分开处理，每一类都利用主成分分析法进行奇异值分解，提取矩阵主成分方差，即主要的特征值。采用主成分分析法来降低维数，提高训练效率和性能。主要思想是将多变量数据集分解为一组连续正交分量，以解释最大量的方差。这在实际实现中是必不可少的，尤其是当输入数据具有大量功能时。本发明的数据集中的特征维度为25。降维后为三组主要的特征值，

数据集划分：预处理数据被随机分成训练集和测试集，样本比例大约为7：3。测试集用于选择最佳模型，因此模型将不再进一步调整。

S210，利用网格搜索的方法，训练得到预测效果最好的电平预测模型(本发明中为多层感知机模型)

覆盖率评估函数：通过在线统计各基站到区域各个栅格的距离特征，地图提取特征——传播路径上地理类型、建筑面积和形状，以及信号传播特征——基站发射功率、天线方位角、下倾角、基站高度，通过3中的电平回归模型预测得到各栅格的预测电平强度；若有多个基站部署在网络中，则选取每个栅格内信号电平强度最大的值作为该栅格的覆盖值；最后每个栅格与预定义的覆盖达标阈值作比较，高于阈值则该栅格达标，达标数加1，若低于阈值则达标数加0，最后达标数/总栅格数作为该区域的覆盖达标率。

基于电平预测模型得到的覆盖评估，通过多目标贪婪算法优化网络整体覆盖率，优化参数包括基站数量、每个基站的经纬度坐标、基站的高度、电子和机械下倾角、三个方位角；参数更新机制为取每个参数最大最小值差值的1％作为步长，每次迭代中令各参数±1％进行组合组成参数邻域集合，通过覆盖评估模型得到最优参数，替换当前最优参数，进入下一次迭代直至算法收敛。

根据规划区域的经纬度坐标和待部署基站的数量进而固定初始可行解和搜索方向以满足实际应用中的快速收敛和输出一致性要求，保持每次程序运行随机数种子都固定，产生与待部署基站数量一致的0到1间的不重复的随机数，令规划区域最小最大经纬度坐标为x_min，x_max,y_min,y_max，随机数为r_i，则待规划第i个初始化可行解的计算方式为

x_i＝x_min+(x_max-x_min)*r_i,y_i＝y_min+(y_max-y_min)*r_i。

初始化可行解及算法迭代过程中的可行解需符合实际地理限制因素；统计现有基站在20类地理类型中常用的建站地理类型，刨除水域、灌木林等无法建站的地理类型，若初始解或迭代中输出解不在常用建站地理类型中则根据5或6中的方法重新生成解，直至生成满足建站约束的可行解。

本发明考虑设计多目标的贪婪算法优化基站的部署，使得区域的覆盖率满足要求并且建立基站的代价最小。

贪婪算法的原理是每次都试图找到离目标尽可能近的最好选择，然后解决选择做出后所带来的子问题，这个选择依赖于目前的选择，而不是将来的选择或子问题的解决，其实是局部最优的选择，希望这个选择可以导向全局最优的解，如果算法结束时，局部最优解恰好等于全局最优解，该方法最优，否则，得到次优解。在进行最优搜索时，贪婪算法更倾向于顺着一条选择的路径搜索下去，直到实现优化目标，当该选择路径无法到达优化目标时会退回；也可能会顺着一条无限路径搜索下去，而不会退回尝试其它路径，因此，该算法不能保证每次都得到最优解，也不是完备的。如果有一个好的启发函数，该算法的复杂度有明显降低，下降的幅度取决于具体的问题和启发函数的质量。

每次迭代过程中，在可行解周围评估邻域覆盖率，寻找最优的方向继续搜索，若不满足覆盖率，增加基站数量，直到覆盖率达标且算法收敛，该算法描述如下所示：

总结以上，本发明提出了一种集成机器学习技术和在线评估算法的网络规划工具，用于电平预测并进一步优化基站的部署。目标是满足覆盖要求，同时最小化部署的基站的数量。为了实现这一目标，任务可以分为两个步骤。首先，提取包括用户测量和现实世界中基站的配置参数的大量相关信息。然后将收集的数据输入数据处理模块以进行进一步培训。我们使用一些机器学习算法训练回归模型，并通过网格搜索方法执行超参数优化。其次，通过利用训练模型和在线优化算法来确定多个基站的最佳参数。此外，还研究了贪心算法的实际考虑。数值结果表明，不同算法和多层感知器的性能优于其他算法。然后，训练的模型用于覆盖评估，并进一步指出如何部署基站以尽可能多地覆盖大多数用户。

与本发明相关的现有技术

现有技术一的技术方案

接收电平信号强度预测通常来源于理论建模，包括大尺度衰落和小尺度衰落，大尺度衰落用d^-α或者现有标准的路径损耗模型比如PL_i,j＝146.1+37.6log₁₀d_i,j(dB)表示，其中d_i,j(以km为单位)是用户i和基站j间的距离，α为大尺度衰落指数，一般取值为2-4；小尺度衰落一般用阴影衰落或者瑞利衰落，服从零均值的高斯独立同分布。

当前基于机器学习的接收电平信号强度预测模型收集的数据包括用户和基站的距离、基站的发射功率、信号传播角度和历史的信号电平数据等，然后输入一些传统的机器学习模型比如支持向量机、k近邻和深度学习模型比如深度神经网络进行训练对接收信号强度进行拟合。

现有技术一的缺点

该方案挖掘信号传播过程中的特征不够充分，没有考虑信号传播过程中一些反射、遮挡、穿透等导致的信号衰减，导致预测结果只适应于理论场景建模，在实际应用中预测结果不够理想，因此应用价值有限；此外，基于深度学习的模型训练复杂度较大，在应用中的预测复杂度也较高，而实际网络中的特征可建模为结构化数据，传统的机器学习模型预测效果足够好，并且训练和部署的成本低。

本发明所要解决的技术问题

本发明充分考虑网络中无线信号传播过程的影响因素，包括基站和用户间的距离，基站的方位角，机械(电子)下倾角，高度，发射功率，以及信号主要传播路径上的地理类型、建筑高度和形状面积等。

然后收集网络中这些影响因素，作为模型训练的主要特征。为降低模型训练的复杂度，提高训练效率和降低部署成本，本发明采用主成分分析法分别对三类特征进行降维，一维为距离特征，一维为地理特征，一维为基站参数特征。将三个特征维度的训练数据输入多层感知机进行离线训练，用网格搜索法查找模型的最优参数，提升了信号电平预测的准确度。

现有技术二的技术方案

站点部署方案一般基于理论建模，一般可建模为如下形式

subject to C1:

C2:N_B＝{1,2,...},

C3:0≤P_t≤P_t,max,

C4:

其中N_B表示离散的基站数量，P_t表示待优化的基站发射功率，d表示各个基站的部署位置；P_t,max为发射功率上界，d_i,max为基站的地理上界。

理论模型中基站服从的约束包括功率的限制、基站的数量约束、覆盖率的约束等，然后设计相应的理论算法解决这些站点部署优化问题。

现有技术二的缺点

这些基于理论建模的方案和算法，考虑的场景比较理想，实际网络中基站的部署还会受到地理的约束，比如基站一般建立在20m以上的楼层，湖泊、森林等地理类型无法建立基站；此外，这些技术的目标只有地理位置和数量等，无法输出更多的基站工参比如基站高度、方位角放置、下倾角范围等，实际应用价值有限。

本发明所要解决的技术问题

首先本发明对现有基站的工参和约束做了统计，包括基站建立的常用类型，建立在楼层上的高度范围，基站高度范围，方位角的常用设置，下倾角的范围等，这些约束在优化变量的初始化以及迭代求解过程中都会考虑。

设计的多目标贪婪算法的优化变量覆盖面齐全，包括现网部署中考虑建站的主要参数，比如站点数目，地理位置，方位角，下倾角，高度和发射功率等。

同时为了保证程序运行结果的一致性和更快收敛，多目标贪婪算法的初始可行解和搜索方向根据规划区域和参数类型固定，这保证了程序每次运行都会产生同样的输出；另外，优化算法摒弃了具有高度随机性和不断寻优的遗传算法，使得算法可以更快收敛到满足需求的可行解。

有益效果

针对实际网络中基站部署的覆盖性能，本发明研究了实际部署限制条件下基于机器学习和遗传算法的基站部署方案。

基于大数据分析的电平预测模型不需要建立传播模型，节省了大量的人物成本，并且可以应对各种复杂的网络环境。

在快速收敛和输出一致的考虑下，提出了一个设计良好的贪婪算法来解决多个BS和多个操作参数的优化问题，该优化问题受到实际部署场景下BS的地理环境，天线角度，BS高度等的限制。

仿真结果表明，多层感知机在接收信号强度预测方面优于其他机器学习算法，平均绝对误差(Mean Absolute Error,MAE)达到3.78dB；数值结果验证了本发明的收敛性和可用性，在覆盖率方面比实际部署增加了18.5％。

附图说明

图1是数据集的截图；由几个室外BS以及它们在真实世界区域中的相应RSS组成；三角形代表BS，彩色圆点代表RSS属于不同的BS；点越暗，代表的接收信号强度越高；

图2是本发明的算法实施流程图；

图3是增强层和速率与最小速率要求R₀关系曲线。

具体实施方式

本发明实施案例结合附图做详细说明。

考虑到实际应用中的地理约束、基站的运行参数约束要求，本发明实现一种基于机器学习和贪婪方法的低成本基站部署方案。首先，提取包括用户测量和现实世界中基站的配置参数的大量相关信息。然后将收集的数据输入数据处理模块以进行进一步培训。我们使用一些机器学习算法训练回归模型，并通过网格搜索方法执行超参数优化。其次，通过利用训练模型和在线优化算法来确定多个基站的最佳参数。

附图1是实例应用的需要提取的数据类型截图。需要收集的数据包括用户的电平反馈数据，基站的工作参数——地理位置，方位角，下倾角，高度，发射功率，以及3D地图的统计数据。

本发明研究的基站部署系统是在10平方千米的区域上部署N个基站使得区域整体覆盖率优于现网部署，并且基站的数量要少于现网部署的数量，使得基站部署成本降低。该问题可以建模成符合实际网络约束的优化问题：

其中a为预部署的基站数量，从实际网络统计得到；为该区域每个栅格的覆盖值，假如有基站在此栅格的电平预测值满足预定门限(比如-90dB)，那么该值为1，否则为0；γ为惩罚系数，用于惩罚过大的基站数量。

表示需要优化的参数，G_x和G_y表示该区域的经纬度坐标，表示三个方位角的参数，λ_MD表示基站天线的机械下倾角，λ_ED表示基站的电子下倾角，h表示基站的海拔高度，P表示基站的发射功率。

图2是本发明的算法实施流程图。子载波分配算法的具体步骤如下。S200，对原始数据(用户反馈电平、基站工参、地图数据)进行预处理，包括数据清洗、特征归一化、降维、数据集划分。具体而言：

数据预处理：数据挖掘技术高度依赖于完整的数据集，该数据集期望处理从现实世界中采样的一系列完整数据。但是，错误的采样过程和数据采集过程中的限制将导致缺失值。有许多方法可用于预处理这些样本，例如期望最大化，多重插补。为简单起见，本发明直接采用丢弃缺失值。

规范化：原始数据的值范围变化很大，这可能使一些机器学习算法不能正常工作，并且梯度下降收敛得慢得多。因此，数据标准化(也称为特征缩放)用于标准化数据特征的范围。在这项工作中，采用min-max归一化以重新缩放要素以缩放[0，1]中的范围。

降维：采用主成分分析法来降低维数，提高训练效率和性能。主要思想是将多变量数据集分解为一组连续正交分量，以解释最大量的方差。这在实际实现中是必不可少的，尤其是当输入数据具有大量功能时。本发明的数据集中的特征维度为25。降维后为三组主要的特征值，

数据集划分：预处理数据被随机分成训练集和测试集，样本比例大约为7：3。测试集用于选择最佳模型，因此模型将不再进一步调整。

S210，利用网格搜索的方法，训练得到预测效果最好的电平预测模型(本发明中为多层感知机模型)

S220，在线评估阶段，初始化符合地理、基站参数约束的可行解，并基于上一步骤的预测模型评估区域覆盖率。

S230，在可行解周围评估邻域覆盖率，寻找最优的方向继续搜索，若不满足覆盖率，增加基站数量，重复步骤S220，直到覆盖率达标且算法收敛，该算法描述如下所示：

表1给出了不同监督学习回归算法的预测性能和主要优化参数(即k-最近邻，具有线性和RBF核的支持向量机，决策树，随机森林和多层感知器)。在参数中，k是邻居的数量；C表示惩罚参数，是核心系数；并分别表示多层感知器中的正则项和学习速率。我们可以看到，多层感知器在平均绝对误差性能上优于其他算法，但其训练时间排名第三，平均值为60.371秒。由于建模简单，决策树需要较少的训练时间。支持向量机在训练中花费了大量时间，但其表现并不令人满意。因此，利用多层感知器来训练回归模型，并且训练的模型进一步用作评估在线优化中的覆盖性能的工具。

表1不同监督学习回归算法的预测性能和主要优化参数

图3比较了根据遗传算法和贪婪算法的平均覆盖率的迭代过程。通过第一阶段训练的覆盖率评估工具，进而比较各个算法实际BS部署的性能。在这个仿真中验证了这两种算法的收敛性。正如预期的那样，遗传算法在覆盖率方面优于贪婪算法，因为它在随机优化期间搜索全局优化。贪婪算法比遗传算法更快收敛，这源于这样一个事实：一旦发现局部最优，搜索就会停止。此外，在这些算法的多次运行中，贪婪算法获得了一致的结果，而GA可能具有不同的输出，因为我们固定了贪婪算法的初始解和搜索方向。在迭代之后，两种算法都比实际部署获得更好的覆盖性能，其显示贪婪算法增加了7.68％，而遗传算法的覆盖性能增加了18.5％。

Claims (7)

1.一种基于机器学习的免传播模型无线网络规划方法，其特征在于，基于机器学习训练得到接收电平强度预测模型，不借助现有传播模型，考虑从地图、基站工参提取实际网络中影响信号传播的地理和信号特征；将高维特征按照距离、地理、信号特征进行分类，各类利用主成分分析法进行特征值分解分别降维为三个维度(一维的距离特征、一维的地理特征和一维的信号特征)馈入机器学习模型进行回归任务训练，输出接收信号电平强度预测模型；基于电平预测模型对区域覆盖率进行统计评估打分，利用初始解和查找方向的固定机制，设计多目标贪婪算法对基站部署的位置和工参进行在线优化，满足输出结果一致性和快速收敛的要求；输出可行解需满足实际地理限制因素。

2.根据权利要求1所述的方法，其特征在于，考虑实际影响信号传播的特征，包括距离特征，地图提取特征——传播路径上地理类型、建筑面积和形状，以及信号传播特征——基站发射功率、天线方位角、下倾角、基站高度等，对每条信号链路进行结构化整合为表格数据，标签为用户接收信号电平强度；特征数据经过标准化处理，使其服从均值为0，方差为1的高斯分布。

3.根据权利要求1或2所述的方法，其特征在于，将三大类特征(距离特征、地图提取特征、信号传播)分开处理，每一类都利用主成分分析法进行奇异值分解，提取矩阵主成分方差，即主要的特征值，作为最终馈入训练模型的一个维度；三维数据和对应接收信号电平的结构化数据输入机器学习中的多层感知机模型，通过梯度下降法更新模型的权重，不断降低真实接收信号电平强度和预测接收信号电平强度的平均绝对误差，收敛后得到电平预测的回归模型。

4.根据权利1或3所述的方法，其特征在于，覆盖率评估函数通过在线统计各基站到区域各个栅格的距离特征，地图提取特征——传播路径上地理类型、建筑面积和形状，以及信号传播特征——基站发射功率、天线方位角、下倾角、基站高度，通过3中的电平回归模型预测得到各栅格的预测电平强度；若有多个基站部署在网络中，则选取每个栅格内信号电平强度最大的值作为该栅格的覆盖值；最后每个栅格与预定义的覆盖达标阈值作比较，高于阈值则该栅格达标，达标数加1，若低于阈值则达标数加0，最后达标数/总栅格数作为该区域的覆盖达标率。

5.根据权利1或4所述的方法，其特征在于，基于4中电平预测模型得到的覆盖评估，通过多目标贪婪算法优化网络整体覆盖率，优化参数包括基站数量、每个基站的经纬度坐标、基站的高度、电子和机械下倾角、三个方位角；参数更新机制为取每个参数最大最小值差值的1％作为步长，每次迭代中令各参数±1％进行组合组成参数邻域集合，通过覆盖评估模型得到最优参数，替换当前最优参数，进入下一次迭代直至算法收敛。

6.根据权利1或5所述的方法，其特征在于，根据规划区域的经纬度坐标和待部署基站的数量进而固定初始可行解和搜索方向以满足实际应用中的快速收敛和输出一致性要求，保持每次程序运行随机数种子都固定，产生与待部署基站数量一致的0到1间的不重复的随机数，令规划区域最小最大经纬度坐标为x_min,x_max,y_min,y_max，随机数为r_i，则待规划第i个初始化可行解的计算方式为x_i＝x_min+(x_max-x_min)*r_i,y_i＝y_min+(y_max-y_min)*r_i。

7.根据权利1或5或6所述的方法，其特征在于，初始化可行解及算法迭代过程中的可行解需符合实际地理限制因素；统计现有基站在20类地理类型中常用的建站地理类型，刨除水域、灌木林等无法建站的地理类型，若初始解或迭代中输出解不在常用建站地理类型中则根据5或6中的方法重新生成解，直至生成满足建站约束的可行解。