CN108306699B - 一种基于增益预估的天馈优化方法 - Google Patents

Abstract

本发明公开了一种基于增益预估的天馈优化方法，包括：获取网络数据源，并进行异常值、邻区CI生成及邻区工参的匹配和拼接等处理；根据优化需求自动生成网络中的覆盖类指标问题小区列表；利用邻区信息计算邻区干扰度；依据进化算法对天馈优化进行建模，获取天馈的方位角、下倾角调整值；建立天线的增益实际模型估计终端用户的增益；根据工参误差程度决定调站或更新工参后重新输出调站方案；积累网络数据进行效果评估。将RSRP计算模型应用于天馈优化的进化算法研究，提出的方法能够实现天馈角度调整引起的增益预估、RSRP估计计算，有效解决了复杂环境下路损传播计算模型复杂性高、精度低的问题，为天馈智能调整优化提供增益模型和应用方法。

Description

一种基于增益预估的天馈优化方法

技术领域

本发明涉及移动通信技术，特别是涉及一种基于增益预估的天馈优化方法。

背景技术

传统天馈调整以工程师的人工经验为主导，无法定量分析确定最优调整方案，存在着重复调整效率低，区域影响考虑不足，分析数据源单一，优化效果难以保证等问题。如何对传统优化中资源投入最大的无线天馈优化这部分工作进行流程化，标准化，自动化，做到定性分析、定量调整，是目前亟待研究和解决的问题。

目前比较典型的天馈优化方法主要有基于实验模拟的仿真方法、神经网络方法、群智能优化方法等，这些方法往往只能在给定较为理想数据下训练出模型，而不能很好地适应现实中的各种复杂环境，而且常常不考虑现实中的天线合路、分区、关联性等通信特性，使得输出调整方案难以直接使用。随着智能通信网络的快速发展，通信网络会不断地获取各类通信新数据，这不仅要求能自动分析网络覆盖问题，还要求能快速、准确地输出智能优化方案。这就亟需本领域技术人员解决相应的技术问题。

发明内容

本发明要解决的技术问题是，提供一种自动分析识别网络中的覆盖类指标问题，自动输出天馈调整优化方案，以指导天馈方位角、下倾角的调整优化工作的基于增益预估的天馈优化方法。

为解决上述技术问题，本发明采用的技术方案是：该基于增益预估的天馈优化方法，包括：

S1，获取网络数据源，包括OTT指纹库数据、MR数据、路测数据和工参数据的数据表格；对各数据进行异常值、OTT数据的邻区CI生成及邻区工参的匹配和拼接处理；

S2，根据优化需求自动生成网络中的覆盖类指标问题小区列表；

S3，利用邻区信息计算邻区干扰度，考虑同基站联调、调整小区的关联影响因素，计算出联调小区及其角度调整范围，并计算出评估小区；

S4，依据进化算法对天馈优化进行建模，获取天馈的方位角、下倾角调整值；建立天线的增益实际模型来估计终端用户的增益；建立RSRP计算模型来估计角度调整后的终端用户RSRP；建立网络覆盖指标的目标函数，通过进化算法不断改善网络中的覆盖类指标问题，获取全局最优的天线调整方位角、下倾角；

S5，依据输出的天馈方位角、下倾角全局最优调整值，上站堪站，如果现有角度工参误差较小，则按最终调整角度调站；如果现有角度工参误差较大，则以堪站工参更新联调小区工参，回到并执行所述步骤S4；

S6，收集调站后的OTT指纹库数据、MR数据、路测数据，并进行相应的效果评估。

利用现有的网络数据包括OTT指纹库数据、MR数据、路测数据和工参数据，自动分析识别网络中的覆盖类指标问题如弱覆盖、重叠覆盖，并基于天馈增益实际模型、RSRP计算模型和进化算法，自动输出天馈调整优化方案，以指导天馈方位角、下倾角的调整优化工作，能够达成如下目标：(1)评估识别试点区域内覆盖类问题小区，包括弱覆盖和重叠覆盖；(2)基于进化算法迭代收敛输出出问题点优化方案，包括对天馈方位角、下倾角的调整；(3)收集天馈调整后网络数据并评估调优效果，重点关注MR统计弱覆盖和重叠覆盖指标。

由于采用了上述技术方案，本发明的有益效果是：采用的自动分析识别网络中的覆盖类指标问题、计算问题小区列表、邻区CI及邻区干扰度计算、同基站加入联调小区，可以获得具有交互影响意义的联调小区列表；建立天线角度增益模型来更新天线角度调整前后的增益变化；利用同一终端数据在天线角度调整前后的传播路损不变的特征，推导出RSRP计算模型，再采用RSRP计算模型来更新RSRP数值；使用进化算法来进行天馈优化问题建模，快速、准确地获取达到最佳覆盖性能指标的方位角、下倾角调整值。

其中在所述步骤S2中，根据优化需求自动生成网络中的覆盖类指标问题小区列表，具体是指，根据优化需求找出问题点，依据MR数据自动生成网络中的覆盖类指标问题小区列表；再利用带有位置信息的OTT指纹库数据和路测数据进行优化，确定问题小区列表。

在所述步骤S2中，弱覆盖根据定义为：LTE服务小区RSRP<-110dB的采样点比例大于10％的小区；重叠覆盖依据同频高重叠覆盖小区来判定，其分子是根据小区上报的样本点，统计样本点中测量到的邻区的电平和主小区电平相减大于-6dB、且满足以上条件的邻区数目大于等于3的样本点的比例(此处要求采样点的主小区RSRP大于-110dBm)，其分母为总采样点数，分子除以分母>5％为同频重叠覆盖小区。

在所述步骤S3中，具体的，针对每个问题小区，筛选出其作为主区的优化数据集，依据邻区信息计算邻区干扰度，再将同基站小区加入联调小区，计算出联调小区及其角度调整范围，再在各个联调小区位置以500米为半径、以圆形向外扩展得到评估小区。

优选的，所述步骤S3包括：

依据邻区信息计算邻区干扰度由如下公式计算：

其中，TC为优化数据集的所有邻区CI构成的数据集，N_NearCell为某邻区CI的所有数据总条数，RSRP_MainCell，RSRP_NearCell分别为主区和邻区的RSRP数值，

为示性函数；

在优化过程中加入天馈特有的属性，包括天馈的共天线分区、合路和调整角度动态范围，从而确定最终各个联调小区的角度调整范围。

优选的，所述步骤S4包括：天线的基础指标主要体现在天线的主邻区RSRP电平值上，而RSRP电平是由天线的发射功率发出，减去经过路径传播的电平损耗后，再加上终端用户所在位置的增益值后而得出的；终端用户的RSRP按下列公式产生：

RSRP_U(φ,θ)＝P_A-PL+AG(Δφ,Δθ,φ_3db,θ_3db,A_m)+ε

其中，RSRP_U是终端用户的RSRP数值，P_A是天线的发射功率，PL是天线到该终端用户的路损，AG是天线到该终端用户产生的增益，ε是环境中的随机扰动项，φ,θ分别为天线当前的方位角、下倾角，φ_3db,θ_3db,A_m分别为天线的水平、垂直3db点和天线增益，Δφ,Δθ分别为终端用户与天线的水平、垂直夹角；

当对天线的方位角、下倾角作调整后，同一终端用户的RSRP计算公式变为：

RSRP_U(φ′,θ′)＝P_A-PL+AG(Δφ′,Δθ′,φ_3db,θ_3db,A_m)+ε

结合上述两个公式，同一终端用户的RSRP调整前后关系式为：

RSRP_U(φ′,θ′)＝RSRP_U(φ,θ)+AG(Δφ′,Δθ′,φ_3db,θ_3db,A_m)-AG(Δφ,Δθ,φ_3db,θ_3db,A_m)。

优选的，所述步骤S4还包括：

构建的天线角度增益模型改进3GPP TR 36.814天线的增益模拟模型、得到天线的增益实际模型，由水平方向增益和垂直方向增益两部分组成：

AG(Δφ,Δθ,φ_3db,θ_3db,A_m)(φ,θ)＝A_m-min{-[A_H(φ)+A_V(θ)],A_m}

其中，

表示水平方位夹角产生的增益值，A_V(θ)表示垂直方向夹角产生的增益，A_m表示天线的固有增益；水平方位夹角产生的增益值由如下模型构建：

其中，φ_3dB为3dB方位角，垂直方位夹角产生的增益值由如下模型构建：

其中，θ_3dB为3dB下倾角。

上述模型中的水平方位夹角和垂直方向夹角计算如下：终端用户的水平方位夹角由采样点到小区的方位角减去小区自身方位角计算而来，其主要由终端用户所在位置决定，所以终端用户的水平方位夹角误差直接由终端用户的经纬度准确度决定；终端用户的垂直下倾夹角由采样点与小区的垂直夹角减去小区自身下倾角计算而来，即采样点与小区的垂直夹角计算公式如下：

其中，h_m为天线高度，h_u为终端用户高度，d_m,u为终端用户与天线的水平距离。可以看出，其主要由终端用户所在位置、高度及天线高度决定，而终端用户设备高度难以获取、目前用1.5米的平均值估算、这一部分随机波动性主要由设备的随机摆放性决定，所以终端用户的垂直下倾夹角误差主要由终端用户的经纬度、高度、天线高度等方面的准确度决定。

优选的，所述步骤S4还包括：

S4-1：确定进化算法的种群数量、变异算子、交叉算子、最大进化代数和终止条件参数，以及所采用的具体策略；

S4-2：确定评估的目标函数，包括弱覆盖和重叠覆盖指标的加权函数，优化指标由带位置的数据计算而来、加权权重由用户关心的MR数据生成；结合型加权目标函数为下列公式：

其中，CI_union是联调小区集合，ω_MR是由MR数据产生的指标权重，index_OTT是依据OTT数据产生的综合评估函数：

index_OTT＝α×(W×1_{W＞10％}+W²×1_{W≤10％}+2×O×1_{O＞5％}+2×O²×1_{O≤5％})+UW+UO

其中，α为如下采样点权重函数：

1为示性函数，W为弱覆盖率，O为重叠覆盖率，UW为关联小区的弱覆盖率，UO为关联小区的重叠覆盖率；

S4-3：调整角度种群的向量初始化，依据天馈已有状态进行动态设定种群的参数范围、可天馈项目的工参数据确定，设置已有进化代数t＝1；

S4-4：根据RSRP计算模型计算初始种群调整角度下的RSRP估计值，依据S4-2的目标函数对初始种群进行评价，即计算每个初始调整角度的目标函数值；

S4-5：判断是否达到终止条件或迭代次数达到最大；若是，则进化算法停止，并将全局最佳调整角度作为最优输出结果；若否，继续执行下一步；

S4-6：进行变异和交叉操作，变异操作同时保存两个种群矩阵以便于下一步的交叉操作，并对边界条件进行处理，交叉操作采用贪婪算法进行，得到临时种群；

S4-7：根据RSRP计算模型计算临时种群调整角度下的RSRP估计值，对临时种群进行评价，即计算每个临时调整角度的目标函数值；

S4-8：进行选择操作，得到新种群；

S4-9：进化代数t＝t+1，转步骤S4-4。

结合型加权目标函数，其意义在于：MR数据统计出问题点严重程度权重，以此作为外部权重、控制权重因子可选地优化劣化程度严重的小区；OTT数据带有位置信息，刻画大致劣化区域，以此作为内部优化子函数、着重改善劣化区域覆盖指标；而本发明能够提供弱覆盖、重叠覆盖等指标权重参数供人工设置，灵活度高，因此该天馈自优化方法能够有效结合MR、OTT两种数据的互补特点，复杂性较低、精度较高。

在本发明的步骤S5中，如果现有角度工参误差较小，指的是如方位角10度、下倾角1度误差之内。

优选的，所述步骤S5还包括：每次输出的天馈方位角、下倾角为全局最优调整值，依据输出调站方案上站堪站，根据工参误差程度决定调站、或更新工参后重新输出调站方案。

本发明将基于增益预估的RSRP计算模型应用于天馈优化的进化算法研究，提出的方法能够实现天馈角度调整引起的增益预估、RSRP估计计算，有效解决了复杂环境下路损传播计算模型复杂性高、精度低的问题，为天馈智能调整优化提供增益模型和应用方法；本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

下面结合附图和本发明的实施方式进一步详细说明：

图1是本发明基于增益预估的天馈优化方法总体流程图；

图2是采用本发明基于增益预估的天馈优化方法得到的示例图；

图3是采用本发明基于增益预估的天馈优化方法得到的示例图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。

在本发明的描述中，需要理解的是，术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

本发明的基于增益预估的天馈优化方法，包括：

S1，获取网络数据源，包括OTT指纹库数据、MR数据、路测数据和工参数据的数据表格；对各数据进行异常值、OTT数据的邻区CI生成及邻区工参的匹配和拼接处理；

S2，根据优化需求自动生成网络中的覆盖类指标问题小区列表；

S3，利用邻区信息计算邻区干扰度，考虑同基站联调、调整小区的关联影响因素，计算出联调小区及其角度调整范围，并计算出评估小区；

S4，依据进化算法对天馈优化进行建模，获取天馈的方位角、下倾角调整值；建立天线的增益实际模型来估计终端用户的增益；建立RSRP计算模型来估计角度调整后的终端用户RSRP；建立网络覆盖指标的目标函数，通过进化算法不断改善网络中的覆盖类指标问题，获取全局最优的天线调整方位角、下倾角；

S5，依据输出的天馈方位角、下倾角全局最优调整值，上站堪站，如果现有角度工参误差较小，则按最终调整角度调站；如果现有角度工参误差较大，则以堪站工参更新联调小区工参，回到并执行所述步骤S4；

S6，收集调站后的OTT指纹库数据、MR数据、路测数据，并进行相应的效果评估。

所述步骤S3包括：

依据邻区信息计算邻区干扰度由如下公式计算：

其中，TC为优化数据集的所有邻区CI构成的数据集，N_NearCell为某邻区CI的所有数据总条数，RSRP_MainCell，RSRP_NearCell分别为主区和邻区的RSRP数值，

为示性函数；

在优化过程中加入天馈特有的属性，包括天馈的共天线分区、合路和调整角度动态范围，从而确定最终各个联调小区的角度调整范围。

所述步骤S4包括：天线的基础指标主要体现在天线的主邻区RSRP电平值上，而RSRP电平是由天线的发射功率发出，减去经过路径传播的电平损耗后，再加上终端用户所在位置的增益值后而得出的；终端用户的RSRP按下列公式产生：

RSRP_U(φ,θ)＝P_A-PL+AG(Δφ,Δθ,φ_3db,θ_3db,A_m)+ε

其中，RSRP_U是终端用户的RSRP数值，P_A是天线的发射功率，PL是天线到该终端用户的路损，AG是天线到该终端用户产生的增益，ε是环境中的随机扰动项，φ,θ分别为天线当前的方位角、下倾角，φ_3db,θ_3db,A_m分别为天线的水平、垂直3db点和天线增益，Δφ,Δθ分别为终端用户与天线的水平、垂直夹角；

当对天线的方位角、下倾角作调整后，同一终端用户的RSRP计算公式变为：

RSRP_U(φ′,θ′)＝P_A-PL+AG(Δφ′,Δθ′,φ_3db,θ_3db,A_m)+ε

结合上述两个公式，同一终端用户的RSRP调整前后关系式为：

RSRP_U(φ′,θ′)＝RSRP_U(φ,θ)+AG(Δφ′,Δθ′,φ_3db,θ_3db,A_m)-AG(Δφ,Δθ,φ_3db,θ_3db,A_m)。

所述步骤S4还包括：

构建的天线角度增益模型改进3GPP TR 36.814天线的增益模拟模型、得到天线的增益实际模型，由水平方向增益和垂直方向增益两部分组成：

AG(Δφ,Δθ,φ_3db,θ_3db,A_m)(φ,θ)＝A_m-min{-[A_H(φ)+A_V(θ)],A_m}

其中，

表示水平方位夹角产生的增益值，A_V(θ)表示垂直方向夹角产生的增益，A_m表示天线的固有增益；水平方位夹角产生的增益值由如下模型构建：

其中，φ_3dB为3dB方位角，垂直方位夹角产生的增益值由如下模型构建：

其中，θ_3dB为3dB下倾角。

所述步骤S4还包括：

S4-1：确定进化算法的种群数量、变异算子、交叉算子、最大进化代数和终止条件参数，以及所采用的具体策略；

S4-2：确定评估的目标函数，包括弱覆盖和重叠覆盖指标的加权函数，优化指标由带位置的数据计算而来、加权权重由用户关心的MR数据生成；结合型加权目标函数为下列公式：

其中，CI_union是联调小区集合，ω_MR是由MR数据产生的指标权重，index_OTT是依据OTT数据产生的综合评估函数：

index_OTT＝α×(W×1_{W＞10％}+W²×1_{W≤10％}+2×O×1_{O＞5％}+2×O²×1_{O≤5％})+UW+UO

其中，α为如下采样点权重函数：

1为示性函数，W为弱覆盖率，O为重叠覆盖率，UW为关联小区的弱覆盖率，UO为关联小区的重叠覆盖率；

S4-3：调整角度种群的向量初始化，依据天馈已有状态进行动态设定种群的参数范围、可天馈项目的工参数据确定，设置已有进化代数t＝1；

S4-4：根据RSRP计算模型计算初始种群调整角度下的RSRP估计值，依据S4-2的目标函数对初始种群进行评价，即计算每个初始调整角度的目标函数值；

S4-5：判断是否达到终止条件或迭代次数达到最大；若是，则进化算法停止，并将全局最佳调整角度作为最优输出结果；若否，继续执行下一步；

S4-6：进行变异和交叉操作，变异操作同时保存两个种群矩阵以便于下一步的交叉操作，并对边界条件进行处理，交叉操作采用贪婪算法进行，得到临时种群；

S4-7：根据RSRP计算模型计算临时种群调整角度下的RSRP估计值，对临时种群进行评价，即计算每个临时调整角度的目标函数值；

S4-8：进行选择操作，得到新种群；

S4-9：进化代数t＝t+1，转步骤S4-4。

所述步骤S5还包括：每次输出的天馈方位角、下倾角为全局最优调整值，依据输出调站方案上站堪站，根据工参误差程度决定调站、或更新工参后重新输出调站方案。

具体的，在本发明实施例中，如图1所示，该基于增益预估的天馈优化方法可以从获取的网络数据源中自动分析识别网络中的覆盖类指标问题，从而计算问题小区列表，通过分析邻区CI、计算邻区干扰度以及加入同基站小区，得到联调小区列表、评估小区列表，使用进化算法对天馈优化问题进行建模，通过建立RSRP计算模型和天线的增益实际模型，对天馈角度调整后的RSRP进行估计，每当新调整角度种群到达后，该方法可以不断更新RSRP的估计，更新网络覆盖指标的目标函数，不断改善网络中的覆盖类指标问题，通过进化算法的不断迭代获取全局最优的天线调整方位角、下倾角，从而实施更加准确、更加有效的天馈优化，该天馈优化方法包括以下步骤：

步骤1：获取网络数据源，包括OTT指纹库数据、MR数据、路测数据和工参数据等数据表格；使用数据预处理技术，对各数据进行异常值、邻区CI及邻区工参的匹配和拼接等处理。

步骤2：根据优化需求找出问题点，依据相应数据(MR数据)自动生成网络中的覆盖类指标问题小区列表；再利用带有位置信息的数据(如OTT指纹库数据、路测数据等)进行优化，确定问题小区列表。

其中的覆盖类指标问题主要包括弱覆盖和重叠覆盖两类，弱覆盖根据业内MR弱覆盖小区的定义为：LTE服务小区RSRP<-110dB的采样点比例大于10％的小区，重叠覆盖依据同频高重叠覆盖小区来判定，其分子是根据小区上报的样本点，统计样本点中测量到的邻区的电平和主小区电平相减大于-6dB、且满足以上条件的邻区数目大于等于3的样本点的比例(注：此处要求采样点的主小区RSRP大于-110dBm)，其分母为总采样点数，分子除以分母>5％为同频重叠覆盖小区；

步骤3：针对每个问题小区，筛选出其作为主区的优化数据集，依据邻区信息计算邻区干扰度，再将同基站小区加入联调小区，计算出联调小区及其角度调整范围，再在各个联调小区位置以500米为半径、以圆形向外扩展得到评估小区。

依据邻区信息计算邻区干扰度由如下公式计算：

其中，TC为优化数据集的所有邻区CI构成的数据集，N_NearCell为某邻区CI的所有数据总条数，N_MainCell，RSRP_NearCell分别为主区和邻区的RSRP数值，

为示性函数。

在优化过程中加入天馈特有的属性，如天馈的共天线分区、合路、调整角度动态范围等方面，从而确定最终各个联调小区的角度调整范围。

步骤4：依据进化算法获取天馈的方位角、下倾角调整值，建立天线的增益实际模型，建立RSRP计算模型来估计角度调整后的RSRP；并依据进化算法重新执行步骤4。

天线的基础指标主要体现在天线的主邻区RSRP电平值上，而RSRP电平是由天线的发射功率发出，减去经过路径传播的电平损耗后，再加上终端用户所在位置的增益值后而得出的。终端用户的RSRP按下列公式产生：

RSRP_U(φ,θ)＝P_A-PL+AG(Δφ,Δθ,φ_3db,θ_3db,A_m)+ε

其中，RSRP_U是终端用户的RSRP数值，P_A是天线的发射功率，PL是天线到该终端用户的路损，AG是天线到该终端用户产生的增益，ε是环境中的随机扰动项，φ,θ分别为天线当前的方位角、下倾角，φ_3db,θ_3db,A_m分别为天线的水平、垂直3db点和天线增益，Δφ,Δθ分别为终端用户与天线的水平、垂直夹角。

当对天线的方位角、下倾角作调整后，同一终端用户的RSRP计算公式变为：

RSRP_U(φ′,θ′)＝P_A-PL+AG(Δφ′,Δθ′,φ_3db,θ_3db,A_m)+ε

结合上述两个公式，同一终端用户的RSRP调整前后关系式为：

RSRP_U(φ′,θ′)＝RSRP_U(φ,θ)+AG(Δφ′,Δθ′,φ_3db,θ_3db,A_m)-AG(Δφ,Δθ,φ_3db,θ_3db,A_m)

构建的天线角度增益模型改进3GPP TR 36.814天线的增益模拟模型、得到天线的增益实际模型，由水平方向增益和垂直方向增益两部分组成：

AG(Δφ,Δθ,φ_3db,θ_3db,A_m)(φ,θ)＝A_m-min{-[A_H(φ)+A_V(θ)],A_m}

其中，

表示水平方位夹角产生的增益值，A_V(θ)表示垂直方向夹角产生的增益，A_m表示天线的固有增益。水平方位夹角产生的增益值由如下模型构建：

其中，φ_3dB为3dB方位角。垂直方位夹角产生的增益值由如下模型构建：

其中，θ_3dB为3dB下倾角。

上述模型中的水平方位夹角和垂直方向夹角计算如下：

终端用户的水平方位夹角由采样点到小区的方位角减去小区自身方位角计算而来，其主要由终端用户所在位置决定，所以终端用户的水平方位夹角误差直接由终端用户的经纬度准确度决定；终端用户的垂直下倾夹角由采样点与小区的垂直夹角减去小区自身下倾角计算而来，即采样点与小区的垂直夹角计算公式如下：

其中，h_m为天线高度，h_u为终端用户高度，d_m,u为终端用户与天线的水平距离。可以看出，其主要由终端用户所在位置、高度及天线高度决定，而终端用户设备高度难以获取、目前用1.5米的平均值估算、这一部分随机波动性主要由设备的随机摆放性决定，所以终端用户的垂直下倾夹角误差主要由终端用户的经纬度、高度、天线高度等方面的准确度决定。

子步骤4-1：确定进化算法的种群数量、变异算子、交叉算子、最大进化代数、终止条件等参数，以及所采用的具体策略；

子步骤4-2：确定评估的目标函数，包括弱覆盖、重叠覆盖等指标的加权函数，其特征在于优化指标由带位置的数据计算而来、加权权重由用户关心的数据(MR数据)生成；该发明种定义的结合型加权目标函数为下列公式：

其中，CI_union是联调小区集合，ω_MR是由MR数据产生的指标权重，index_OTT是依据OTT数据产生的综合评估函数：

index_OTT＝α×(W×1_{W＞10％}+W²×1_{W≤10％}+2×O×1_{O＞5％}+2×O²×1_{O≤5％})+UW+UO

其中，α为如下采样点权重函数

1为示性函数，W为弱覆盖率，O为重叠覆盖率，UW为关联小区的弱覆盖率，UO为关联小区的重叠覆盖率；

子步骤4-3：调整角度种群的向量初始化，依据天馈已有状态进行动态设定种群的参数范围、可天馈项目的工参等数据确定，设置已有进化代数t＝1；

子步骤4-4：根据RSRP计算模型计算初始种群调整角度下的RSRP估计值，依据S4-2的目标函数对初始种群进行评价，即计算每个初始调整角度的目标函数值；

子步骤4-5：判断是否达到终止条件或迭代次数达到最大。若是，则进化算法停止，并将全局最佳调整角度作为最优输出结果；若否，继续执行下一步；

子步骤4-6：进行变异和交叉操作，本项目的变异操作同时保存两个种群矩阵以便于下一步的交叉操作，并对边界条件进行处理，交叉操作采用贪婪算法进行，得到临时种群；

子步骤4-7：根据RSRP计算模型计算临时种群调整角度下的RSRP估计值，对临时种群进行评价，即计算每个临时调整角度的目标函数值；

子步骤4-8：进行选择操作，得到新种群；

子步骤4-9：进化代数t＝t+1，转步骤S4-4。

步骤5：依据输出的天馈方位角、下倾角全局最优调整值，上站堪站，如果现有角度工参误差较小(如方位角10度、下倾角1度误差之内)，则按最终调整角度调站；如果现有角度工参误差较大，则以堪站工参更新联调小区工参，回到并执行步骤4。

步骤6：收集调站后的OTT指纹库数据、MR数据、路测数据，并进行相应的效果评估。

本发明将天线的增益模拟模型应用于调整角度后RSRP推理的研究，提出的方法能够实现角度调整引起的RSRP数值更新，有效解决了路损传播计算模型复杂性高、精度低的问题，为天馈智能调整优化提供增益模型和应用方法。依据该发明开发的天馈智能优化系统分为3个大部分：网络概况、智能优化、路测评估，图2、图3为采用本发明方法得到的具体示例图。

以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限制本发明；凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.一种基于增益预估的天馈优化方法，其特征在于，包括：

S1，获取网络数据源，包括OTT指纹库数据、MR数据、路测数据和工参数据的数据表格；对各数据进行异常值、OTT数据的邻区CI生成及邻区工参的匹配和拼接处理；

S2，根据优化需求自动生成网络中的覆盖类指标问题小区列表；

S3，利用邻区信息计算邻区干扰度，考虑同基站联调、调整小区的关联影响因素，计算出联调小区及其角度调整范围，并计算出评估小区；

S4，依据进化算法对天馈优化进行建模，获取天馈的方位角、下倾角调整值；建立天线的增益实际模型来估计终端用户的增益；建立RSRP计算模型来估计角度调整后的终端用户RSRP；建立网络覆盖指标的目标函数，通过进化算法不断改善网络中的覆盖类指标问题，获取全局最优的天线调整方位角、下倾角；

S5，依据输出的天馈方位角、下倾角全局最优调整值，上站堪站，如果现有角度工参误差较小，则按最终调整角度调站；如果现有角度工参误差较大，则以堪站工参更新联调小区工参，回到并执行所述步骤S4；

S6，收集调站后的OTT指纹库数据、MR数据、路测数据，并进行相应的效果评估；

所述步骤S4还包括：

S4-1：确定进化算法的种群数量、变异算子、交叉算子、最大进化代数和终止条件参数，以及所采用的具体策略；

S4-2：确定评估的目标函数，包括弱覆盖和重叠覆盖指标的加权函数，优化指标由带位置的数据计算而来、加权权重由用户关心的MR数据生成；结合型加权目标函数为下列公式：

其中，CI_union是联调小区集合，ω_MR是由MR数据产生的指标权重，index_OTT是依据OTT数据产生的综合评估函数：

index_OTT＝α×(W×1_{W＞10％}+W²×1_{W≤10％}+2×O×1_{O＞5％}+2×O²×1_{O≤5％})+UW+UO；

其中，α为如下采样点权重函数：

1为示性函数，W为弱覆盖率，O为重叠覆盖率，UW为关联小区的弱覆盖率，UO为关联小区的重叠覆盖率；

S4-3：调整角度种群的向量初始化，依据天馈已有状态进行动态设定种群的参数范围、可天馈项目的工参数据确定，设置已有进化代数t＝1；

S4-4：根据RSRP计算模型计算初始种群调整角度下的RSRP估计值，依据S4-2的目标函数对初始种群进行评价，即计算每个初始调整角度的目标函数值；

S4-5：判断是否达到终止条件或迭代次数达到最大；若是，则进化算法停止，并将全局最佳调整角度作为最优输出结果；若否，继续执行下一步；

S4-6：进行变异和交叉操作，变异操作同时保存两个种群矩阵以便于下一步的交叉操作，并对边界条件进行处理，交叉操作采用贪婪算法进行，得到临时种群；

S4-7：根据RSRP计算模型计算临时种群调整角度下的RSRP估计值，对临时种群进行评价，即计算每个临时调整角度的目标函数值；

S4-8：进行选择操作，得到新种群；

S4-9：进化代数t＝t+1，转步骤S4-4。

2.根据权利要求1所述的基于增益预估的天馈优化方法，其特征在于，所述步骤S3包括：依据邻区信息计算邻区干扰度由如下公式计算：

其中，TC为优化数据集的所有邻区CI构成的数据集，N_NearCell为某邻区CI的所有数据总条数，RSRP_MainCell，RSRP_NearCell分别为主区和邻区的RSRP数值，

为示性函数；

在优化过程中加入天馈特有的属性，包括天馈的共天线分区、合路和调整角度动态范围，从而确定最终各个联调小区的角度调整范围。

3.根据权利要求1所述的基于增益预估的天馈优化方法，其特征在于，所述步骤S4包括：天线的基础指标主要体现在天线的主邻区RSRP电平值上，而RSRP电平是由天线的发射功率发出，减去经过路径传播的电平损耗后，再加上终端用户所在位置的增益值后而得出的；终端用户的RSRP按下列公式产生：

RSRP_U(φ,θ)＝P_A-PL+AG(Δφ,Δθ,φ_3db,θ_3db,A_m)+ε

其中，RSRP_U是终端用户的RSRP数值，P_A是天线的发射功率，PL是天线到该终端用户的路损，AG是天线到该终端用户产生的增益，ε是环境中的随机扰动项，φ,θ分别为天线当前的方位角、下倾角，φ_3db,θ_3db,A_m分别为天线的水平、垂直3db点和天线增益，Δφ,Δθ分别为终端用户与天线的水平、垂直夹角；

当对天线的方位角、下倾角作调整后，同一终端用户的RSRP计算公式变为：

RSRP_U(φ′,θ′)＝P_A-PL+AG(Δφ′,Δθ′,φ_3db,θ_3db,A_m)+ε

结合上述两个公式，同一终端用户的RSRP调整前后关系式为：

RSRP_U(φ′,θ′)＝RSRP_U(φ,θ)+AG(Δφ′,Δθ′,φ_3db,θ_3db,A_m)-AG(Δφ,Δθ,φ_3db,θ_3db,A_m)。

4.根据权利要求1所述的基于增益预估的天馈优化方法，其特征在于，所述步骤S4还包括：

构建的天线角度增益模型改进了3GPP TR 36.814天线的增益模拟模型，得到天线的增益实际模型，由水平方向增益和垂直方向增益两部分组成：

AG(Δφ,Δθ,φ_3db,θ_3db,A_m)(φ,θ)＝A_m-min{-[A_H(φ)+A_V(θ)],A_m}

其中，

表示水平方位夹角产生的增益值，A_V(θ)表示垂直方向夹角产生的增益，A_m表示天线的固有增益；水平方位夹角产生的增益值由如下模型构建：

其中，φ_3dB为3dB方位角，垂直方位夹角产生的增益值由如下模型构建：

其中，θ_3dB为3dB下倾角。

5.根据权利要求1所述的基于增益预估的天馈优化方法，其特征在于，所述步骤S5还包括：每次输出的天馈方位角、下倾角为全局最优调整值，依据输出调站方案上站堪站，根据工参误差程度决定调站、或更新工参后重新输出调站方案。

Images