CN109803274A - 一种天线方位角优化方法和系统 - Google Patents

Abstract

本发明提供一种天线方位角优化方法和系统，所述包括：S1、对用户测量报告MR中用户采样点级数据进行分析，提取出基站覆盖服务小区内的关键采样点和绝对弱覆盖采样点；S2、以关键采样点和绝对弱覆盖采样点的覆盖度作为适应度函数，通过遗传算法得到基站的天线方位角优化结果。通过考虑关键采样点一方面保障待优化基站对其覆盖区域的不可替代性，另一方面达到精确覆盖的目的降低重叠覆盖进而降低网内干扰，通过考虑绝对弱覆盖采样点达到降低弱覆盖比例的目标；将优化两类采样点的覆盖度转换为最优化方法的目标函数，通过遗传算法通过迭代快速使目标函数收敛，得到基站的天线方位角优化结果。

Description

一种天线方位角优化方法和系统

技术领域

本发明涉及通信技术领域，更具体地，涉及一种天线方位角优化方法和系统。

背景技术

无线网络规划与优化是决定网络性能，保证通信质量的重要手段。在规划与优化过程中，不仅要考虑无线信号网络覆盖的具体地理环境、还要考虑话务分布、突发情况等因素，对各种网络规划、优化参数进行配置，以使系统性能最优。

在无线网络规划过程中，小区天线方位角是重要的网络规划、优化参数，其直接影响本小区无线信号的覆盖，也涉及对其他小区信号的干扰，是影响通信质量的关键因素之一。

天线方位角优化方法主要分为三类：一是根据现场建筑物、道路、其他地理环境等分布，预测用户分布位置，大致确定天线朝向，但这种方法主观性强，建筑物的分布情况与用户业务分布情况不一定相符，同时无法明确真正的弱覆盖区域；二是根据现场测试，包括道路测试、楼宇遍历测试等确定弱覆盖区域，进而确定天线调整范围，该方法在一定程度上掌握了弱覆盖区域分布，但测试范围具有局限性，无法代表全量客户真正业务发生位置，同时无法获取业务位置分布信息，无法掌握需增强覆盖的重点区域；三是收集LTE MR测量信息，获取用户业务采样点位置信息，将天线方向对准业务密集或弱覆盖区域，该方法较上述两种方案有所改进，但未能进一步明确需要基站覆盖最关键采样点，基站覆盖效率不高，同时为网络带来了较高的重叠覆盖，提升了干扰水平。

发明内容

本发明提供一种克服上述问题或者至少部分地解决上述问题的一种天线方位角优化方法和系统，解决了现有技术中天线方位角优化过程方法主观性强、无法明确需要基站覆盖最关键采样点、基站覆盖效率不高的问题。

根据本发明的一个方面，提供一种天线方位角优化方法，包括：

S1、对用户测量报告MR中用户采样点级数据进行分析，提取出基站覆盖服务小区内的关键采样点和绝对弱覆盖采样点；

其中，所述关键采样点为测量报告中仅所述服务小区信号强度大于弱覆盖门限，且邻小区信号强度均小于弱覆盖门限的采样点；所述绝对弱覆盖采样点为测量报告中所述服务小区信号强度小于弱覆盖门限，且邻小区信号强度均小于弱覆盖门限的采样点；所述邻小区为与所述服务小区相邻的、其他基站覆盖区域内的服务小区；

S2、以所述关键采样点的覆盖度和所述绝对弱覆盖采样点的覆盖度作为适应度函数，通过遗传算法得到基站的天线方位角优化结果。

作为优选的，在步骤S1中，所述MR中包括一个服务小区和若干个邻小区的信息，所述信息包括信号强度、频点、PCI、方向角和距离。

作为优选的，所述步骤S1具体包括：

设定弱覆盖门限，信号强度低于所述弱覆盖门限的采样点为弱覆盖采样点；

若采样点相对于服务小区不为弱覆盖采样点，且相对于邻小区为弱覆盖采样点，则该采样点为关键采样点；

若采样点相对于服务小区和邻小区都为弱覆盖采样点，则该采样点为绝对弱覆盖采样点。

作为优选的，所述步骤S1中，提取出需要基站进行覆盖的关键采样点和绝对弱覆盖采样点前还包括：

将MR中已定义邻小区关系和未定义邻小区关系的邻小区载波号、已定义邻小区关系和未定义邻小区关系的物理小区识别码组合后，与服务小区配置频点、PCI对比，将属于服务小区本基站的邻小区排除。

作为优选的，所述步骤S2中，以关键采样点和绝对弱覆盖采样点的覆盖度作为适应度函数具体包括：

根据基站各服务小区内绝对弱覆盖采样点数量、关键采样点数量，以及服务小区在各方位角时处于主瓣范围内的绝对弱覆盖采样点数量、关键采样点数量得到适应度函数。

作为优选的，所述适应度函数为：

式中，x＝(x₁,x₂,...,x_i,...,x_n)表示基站各服务小区方位角向量，x_i表示服务小区i方位角，n表示基站内服务小区数量，abs_low_i表示服务小区i绝对弱覆盖采样点数量，key_point_i表示服务小区关键采样点数量，表示服务小区i方位角为x_i时处于主瓣范围内绝对弱覆盖采样点数量，表示服务小区i方位角为x_i时处于主瓣范围内关键采样点数量。

作为优选的，所述步骤S2中，以关键采样点和绝对弱覆盖采样点的覆盖度作为适应度函数还包括：

若各服务小区方向角组合时有主瓣重合情况，则各服务小区对应的和只计数一次。

作为优选的，所述步骤S2中，通过遗传算法得到基站的天线方位角优化结果具体包括：

采用轮盘赌选择法作为遗传算法的选择算子、点交叉作为交叉算子、交换变异作为变异算子，进行遗传算法迭代，选择种群中适应度函数最大值对应的方位角元祖为天线方位角的优化结果。

一种天线方位角优化系统，包括优化目标获取模块和遗传算法模块；

所述优化目标获取模块用于对用户测量报告MR中用户采样点级数据进行分析，提取出基站覆盖服务小区内的关键采样点和绝对弱覆盖采样点；

其中，关键采样点只能接收服务小区提供的服务，不能接收邻小区提供的服务；绝对弱覆盖采样点不能接收服务小区提供的服务，且不能接收邻小区提供的服务；

所述遗传算法模块用于以关键采样点和绝对弱覆盖采样点的覆盖度作为适应度函数，通过遗传算法得到基站的天线方位角优化结果。

作为优选的，所述适应度函数为：

式中，x＝(x₁,x₂,...,x_i,...,x_n)表示基站各服务小区方位角向量，x_i表示服务小区i方位角，n表示基站内服务小区数量，abs_low_i表示服务小区i绝对弱覆盖采样点数量，key_point_i表示服务小区关键采样点数量，表示服务小区i方位角为x_i时处于主瓣范围内绝对弱覆盖采样点数量，表示服务小区i方位角为x_i时处于主瓣范围内关键采样点数量。

本发明提出一种天线方位角优化方法和系统，将分析目标由小区级向下深入至原始测量报告采样点粒度，通过采样点粒度数据对比服务小区、相邻小区电平及AOA信息，提出关键采样点与绝对弱覆盖采样点概念；进一步提升的覆盖提升的针对性：通过考虑关键采样点一方面保障待优化基站对其覆盖区域的不可替代性，另一方面达到精确覆盖的目的降低重叠覆盖进而降低网内干扰，通过考虑绝对弱覆盖采样点达到降低弱覆盖比例的目标；将优化两类采样点的覆盖度转换为最优化方法的目标函数，通过遗传算法通过迭代快速使目标函数收敛，得到基站的天线方位角优化结果。

附图说明

图1为根据本发明实施例的天线方位角优化方法流程图；

图2为根据本发明实施例的待优化基站关键采样点及绝对弱覆盖采样点分时段位置分布图；

图3为根据本发明实施例的汇总全天数据方位分布图；

图4为根据本发明实施例遗传算法迭代过程的示意图。

具体实施方式

下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。

如图1所所示，图中示出了一种天线方位角优化方法，包括：

S1、对用户测量报告MR中用户采样点级数据进行分析，提取出基站覆盖服务小区内的关键采样点和绝对弱覆盖采样点；

其中，所述关键采样点为测量报告中仅所述服务小区信号强度大于弱覆盖门限，且邻小区信号强度均小于弱覆盖门限的采样点；所述绝对弱覆盖采样点为测量报告中所述服务小区信号强度小于弱覆盖门限，且邻小区信号强度均小于弱覆盖门限的采样点；所述邻小区为与所述服务小区相邻的、其他基站覆盖区域内的服务小区；

S2、以所述关键采样点的覆盖度和所述绝对弱覆盖采样点的覆盖度作为适应度函数，通过遗传算法得到基站的天线方位角优化结果。

在本实施例中，采用LTE MR(Measurement Report，测量报告)作为分析原始数据，MR为周期性的测量报告样本数据，在步骤S1中，所述MR中包括一个服务小区和若干个邻小区的信息，所述信息包括信号强度、频点、PCI、方向角和距离。

具体的，在本实施例中所述信息如下表所示：

每份测量报告中包含了终端测量到的一个服务小区及若干个邻小区的信息，如果邻小区数量为0则表示目前服务小区为唯一测量到的小区。

在本实施例中，为了提高基站覆盖的有效性，在本实施例中定义了两种目标点，关键采样点和绝对弱覆盖采样点。

具体的，在步骤S1中，首先需要设定弱覆盖门限，为了保证TD-LTE网络良好的服务水平，设RSRP_thr为弱覆盖门限，信号强度低于此弱覆盖门限的测量采样点为弱覆盖采样点；在本实施例中，所述弱覆盖采样点选用目前业内普遍认可的门限-110dBm，也可随实际需求进行改变。

在步骤S1中，具体的，关键采样点为：服务小区参考信号接收功率LteScRSRP≥RSRP_thr，且所有相邻小区参考信号接收功率LteNcRSRP＜RSRP_thr。关键采样点表明此采样满足覆盖需求，同时服务小区是不可替代的，除服务小区无法为此采样点提供服务外周边基站将无法弥补。与之相应的是非关键采样点，即服务小区电平高于弱覆盖门限，同时相邻小区的电平也高于弱覆盖门限，如果服务小区无法为此采样点提供服务，相邻小区完全可以弥补。关键采样点需要首先提供覆盖保障；具体可用下式表示：

LteScRSRP≥RSRP_thr∩LteNcRSRP＜RSRP_thr，i∈(1…m)＞0；

LteScRSRP≥RSRP_thr，m＝0；

其中，m表示每个测量报告中测量到邻区数量，此邻小区不包含属于待优化站点自身的小区，通过测量报告中LteNcEarfcn、LteNcPci组合与本站小区配置频点、PCI对比，可以将属于服务小区本站的邻区进行排除。

绝对弱覆盖采样点：服务小区参考信号接收功率LteScRSRP＜RSRP_thr，且所有相邻小区参考信号接收功率LteNcRSRP＜RSRP_thr。绝对弱覆盖采样点表明通过服务基站无法为此采样点提供满足覆盖门限的服务，同时相邻小区也无法满足要求，即通过切换参数调整等方式无法解决。绝对弱覆盖采样点也需要在天线方位优化中进行改进。与之相对的是相对弱覆盖点，服务小区电平弱于覆盖门限但相邻小区电平强于弱覆盖门限，则认为可以通过参数调整等优化手段进行解决；具体可通过如下式表示：

LteScRSRP＜RSRP_thr∩LteNcRSRP＜RSRP_thr，i∈(1…m)＞0；

LteScRSRP＜RSRP_thr，m＝0；

其中，m表示每个测量报告中测量到邻区数量，此邻区不包含属于待优化站点自身的小区，通过测量报告中LteNcEarfcn、LteNcPci组合与本站小区配置频点、PCI对比，可以将属于服务小区本站的邻区进行排除。

根据关键采样点、绝对弱覆盖采样点的定义对需优化基站产生的所有采样点进行过滤标记。

本实施例的方法中将基站对关键采样点和绝对弱覆盖采样点的有效覆盖作为优化目标，关键采样点一方面代表了服务基站的不可替代性，同时集中能量对关键采样点覆盖可优化网络结构，减少不必要的重叠覆盖，从而整体降低网络干扰。绝对弱覆盖采样点是需要通过天线方位调整进行覆盖率提升的采样点。

根据天线方向图可知，处于天线水平半功率角范围内天线增益最高。由于在关键采样点和绝对弱覆盖采样点提取的过程中同时采集了采样点所对应的LteScAOA信息，则定义对上述两类采样点落入基站天线主瓣范围内的比例为优化目标。落入主瓣范围内比例越高则覆盖效果越理想。

在步骤S1中定义了优化的目标函数，本步骤S2则选取适当的最优化问题解决方法确定方向角设置方案。一般情况下一个基站包含多个扇区，目前现网基站3个扇区居多(少数情况下存在4扇区及更多)。每个扇区的天线方向角的调整范围均为[0,360)度，设基站扇区数目为n，以整数度为调整单位,则基站天线所有的天线方位角调整方案为360ⁿ个。假设基站包含3个扇区，则调整方案为46656000种可能，数量随扇区数增加而呈指数增加。遗传算法具有良好的全局搜索能力，可以快速地将解空间中的全体解搜索出而不会陷入局部最优解的快速下降陷阱；并且利用它的内在并行性，可以方便地进行分布式计算，加快求解速度。

具体的，在本实施例所述步骤S2中，以关键采样点和绝对弱覆盖采样点的覆盖度作为适应度函数具体包括：

根据基站各服务小区内绝对弱覆盖采样点数量、关键采样点数量，以及服务小区在各方位角时处于主瓣范围内的绝对弱覆盖采样点数量、关键采样点数量得到适应度函数：

式中，x＝(x₁,x₂,...,x_i,...,x_n)表示基站各服务小区方位角向量，x_i表示服务小区i方位角，n表示基站内服务小区数量，abs_low_i表示服务小区i绝对弱覆盖采样点数量，key_point_i表示服务小区关键采样点数量，表示服务小区i方位角为x_i时处于主瓣范围内绝对弱覆盖采样点数量，表示服务小区i方位角为x_i时处于主瓣范围内关键采样点数量。

通过适应度函数确定整体优化目标为：max(f(x))。

在本实施例所述步骤S2中，以关键采样点和绝对弱覆盖采样点的覆盖度作为适应度函数还包括：

若各服务小区方向角组合时有主瓣重合情况，则各服务小区对应的和只计数一次，不应当重复计数。

确定整体优化目标后，需要遗传算法的确定选择、交叉、变异算子，具体包括：

根据本优化问题进行反复实验对比，考虑优化效果对于遗传算法各算子设置如下：

选择算子采用轮盘赌选择法(roulette wheel selection)，各个个体的选择概率和其适应度值成比例。设群体大小为n，其中个体i的适应度为f_i，则i被选择的概率为

交叉算子采用点交叉(one-point crossover)。在个体串中随机设定一个交叉点，实行交叉时，该点前或后的两个个体的部分结构进行互换，并生成两个新个体。交叉概率设置为0.7。

变异算子采用交换变异(swap mutator)。变异率设置为0.01。

确定选择、交叉、变异算子后，设置种群大小为20,迭代次数为20,进行遗传算法迭代，选择最后种群中适应度函数最大值对应的方位角元组为天线方位角设置结果。

以包含3个小区、各小区原始方位角为[330,170,230]的基站作为优化对象，通过本实施例的方法进行天线方位角优化，通过站点全天24小时(2017-06-05T00至2017-06-05T23)关键采样点及绝对弱覆盖采样点分时段位置分布图观察，不同时间段随用户业务模型的变化采样点也分布也存在差异。本示例采用了24小时全量MR测量作为原始分析数据，如果考虑某基站一周内不同日期业务模型也存在较大变化(例如商业区)则应当提取周7*24小时全量数据，如图2所示。

汇总全天数据方位分布图如图3所示，图3中左图为关键采样点，右图为绝对弱覆盖采样点。

提取24小时全量关键采样点和绝对弱覆盖采样点后，利用前述适用度函数进行遗传迭代，得到三个扇区方位最优结果为[10,157,251]，评估函数得分为0.85。具体迭代进化过程如图4所示，将原始方位角带人适应度函数得分为仅为0.52，遗传迭代优化结果为0.85，可以对比出调整后此站点对关键采样点及绝对弱覆盖采样点的覆盖度有明显提升。从关键采样点与绝对弱覆盖采样点的方位分布图直观观察天线原始设置值[330，170，230]明显不合理，尤其是1扇区方向为330度，其朝向方向目标覆盖点极少。

本实施例中还提供了一种天线方位角优化系统，包括优化目标获取模块和遗传算法模块；

所述优化目标获取模块用于对用户测量报告MR中用户采样点级数据进行分析，提取出基站覆盖服务小区内的关键采样点和绝对弱覆盖采样点；

其中，关键采样点是指测量报告中所述服务小区信号强度小于弱覆盖门限，且邻小区信号强度均小于弱覆盖门限的采样点；绝对弱覆盖采样点是指测量报告中所述服务小区信号强度小于弱覆盖门限，且邻小区信号强度均小于弱覆盖门限的采样点；所述邻小区为与所述服务小区相邻的、其他基站覆盖区域内的服务小区；

所述遗传算法模块用于以关键采样点和绝对弱覆盖采样点的覆盖度作为适应度函数，通过遗传算法得到基站的天线方位角优化结果。

作为优选的，所述适应度函数为：

式中，x＝(x₁,x₂,...,x_i,...,x_n)表示基站各服务小区方位角向量，x_i表示服务小区i方位角，n表示基站内服务小区数量，abs_low_i表示服务小区i绝对弱覆盖采样点数量，key_point_i表示服务小区关键采样点数量，表示服务小区i方位角为x_i时处于主瓣范围内绝对弱覆盖采样点数量，表示服务小区i方位角为x_i时处于主瓣范围内关键采样点数量。

本发明提出一种天线方位角优化方法和系统，将分析目标由小区级向下深入至原始测量报告采样点粒度，通过采样点粒度数据对比服务小区、相邻小区电平及AOA信息，提出关键采样点与绝对弱覆盖采样点概念；进一步提升的覆盖提升的针对性：通过考虑关键采样点一方面保障待优化基站对其覆盖区域的不可替代性，另一方面达到精确覆盖的目的降低重叠覆盖进而降低网内干扰，通过考虑绝对弱覆盖采样点达到降低弱覆盖比例的目标；将优化两类采样点的覆盖度转换为最优化方法的目标函数，通过遗传算法通过迭代快速使目标函数收敛，得到基站的天线方位角优化结果。

最后，本发明的方法仅为较佳的实施方案，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种天线方位角优化方法，其特征在于，包括：

S1、对用户测量报告MR中用户采样点级数据进行分析，提取出基站覆盖服务小区内的关键采样点和绝对弱覆盖采样点；

其中，所述关键采样点为测量报告中仅所述服务小区信号强度大于弱覆盖门限，且邻小区信号强度均小于弱覆盖门限的采样点；所述绝对弱覆盖采样点为测量报告中所述服务小区信号强度小于弱覆盖门限，且邻小区信号强度均小于弱覆盖门限的采样点；所述邻小区为与所述服务小区相邻的、其他基站覆盖区域内的服务小区；

S2、以所述关键采样点的覆盖度和所述绝对弱覆盖采样点的覆盖度作为适应度函数，通过遗传算法得到基站的天线方位角优化结果。

2.根据权利要去1所述的天线方位角优化方法，其特征在于，在步骤S1中，所述MR中包括一个所述服务小区和若干个所述邻小区的信息，所述信息包括信号强度、频点、PCI、方向角和距离。

3.根据权利要求1所述的天线方位角优化方法，其特征在于，所述步骤S1具体包括：

设定弱覆盖门限，信号强度低于所述弱覆盖门限的采样点为弱覆盖采样点；

若采样点相对于服务小区不为弱覆盖采样点，且相对于邻小区为弱覆盖采样点，则该采样点为关键采样点；

若采样点相对于服务小区和邻小区都为弱覆盖采样点，则该采样点为绝对弱覆盖采样点。

4.根据权利要求3所述的天线方位角优化方法，其特征在于，所述步骤S1中，提取出需要基站进行覆盖的关键采样点和绝对弱覆盖采样点前还包括：

将MR中已定义邻小区关系和未定义邻小区关系的邻小区载波号、已定义邻小区关系和未定义邻小区关系的物理小区识别码组合后，与服务小区配置频点、PCI对比，将属于服务小区本基站的邻小区排除。

5.根据权利要求1所述的天线方位角优化方法，其特征在于，所述步骤S2中，以关键采样点和绝对弱覆盖采样点的覆盖度作为适应度函数具体包括：

根据基站各服务小区内绝对弱覆盖采样点数量、关键采样点数量，以及服务小区在各方位角时处于主瓣范围内的绝对弱覆盖采样点数量、关键采样点数量得到适应度函数。

6.根据权利要求5所述的天线方位角优化方法，其特征在于，所述适应度函数为：

式中，x＝(x₁,x₂,...,x_i,...,x_n)表示基站各服务小区方位角向量，x_i表示服务小区i方位角，n表示基站内服务小区数量，abs_low_i表示服务小区i绝对弱覆盖采样点数量，key_point_i表示服务小区关键采样点数量，表示服务小区i方位角为x_i时处于主瓣范围内绝对弱覆盖采样点数量，表示服务小区i方位角为x_i时处于主瓣范围内关键采样点数量。

7.根据权利要求6所述的天线方位角优化方法，其特征在于，所述步骤S2中，以关键采样点和绝对弱覆盖采样点的覆盖度作为适应度函数还包括：

若各服务小区方向角组合时有主瓣重合情况，则各服务小区对应的和只计数一次。

8.根据权利要求6所述的天线方位角优化方法，其特征在于，所述步骤S2中，通过遗传算法得到基站的天线方位角优化结果具体包括：

采用轮盘赌选择法作为遗传算法的选择算子、点交叉作为交叉算子、交换变异作为变异算子，进行遗传算法迭代，选择种群中适应度函数最大值对应的方位角元祖为天线方位角的优化结果。

9.一种天线方位角优化系统，其特征在于，包括优化目标获取模块和遗传算法模块；

所述优化目标获取模块用于对用户测量报告MR中用户采样点级数据进行分析，提取出基站覆盖服务小区内的关键采样点和绝对弱覆盖采样点；

其中，关键采样点只能接收服务小区提供的服务，不能接收邻小区提供的服务；绝对弱覆盖采样点不能接收服务小区提供的服务，且不能接收邻小区提供的服务；

所述遗传算法模块用于以关键采样点和绝对弱覆盖采样点的覆盖度作为适应度函数，通过遗传算法得到基站的天线方位角优化结果。

10.根据权利要求9所述的天线方位角优化系统，其特征在于，所述适应度函数为：

式中，x＝(x₁,x₂,...,x_i,...,x_n)表示基站各服务小区方位角向量，x_i表示服务小区i方位角，n表示基站内服务小区数量，abs_low_i表示服务小区i绝对弱覆盖采样点数量，key_point_i表示服务小区关键采样点数量，表示服务小区i方位角为x_i时处于主瓣范围内绝对弱覆盖采样点数量，表示服务小区i方位角为x_i时处于主瓣范围内关键采样点数量。