一种基于LTE-MR劣化场景模式识别的自动优化方法

徐桦

（中国移动通信集团湖北有限公司，武汉 430023）

一种基于LTE-MR劣化场景模式识别的自动优化方法

徐桦

（中国移动通信集团湖北有限公司，武汉 430023）

要进行LTE网络的精细优化必须依赖于对覆盖和干扰的地理分布精确掌握。本文基于MR数据建立精确定位干扰矩阵，形成从覆盖、干扰、用户、空间、时间等多维度定位网络问题的MR分析方法。基于模式识别理论和MR数据的精确定位分析，智能识别出覆盖和干扰的场景，针对这些问题场景通过迭代算法自动生成相应的优化策略。

MR定位；自动优化；模式识别；LTE-MR

在日常TD-LTE维护优化中，经常会遇到用户投诉感知差，但是受限于道路测试不够精细及楼宇内测试无法遍历，导致无法精准定位网络问题发生的具体位置，不便于精确优化方案的实施。为了减少和预防用户投诉以及提升用户感知，需要一种能精细、全面掌握现网覆盖、干扰等性能指标的手段，并能有的放矢的进行精细优化。

1　基于MR的网络问题总体解决方案

1.1MR数据含义

MR测量是TD-LTE系统的一项重要功能。MR测量方式采用周期测量时，可在测量任务定制时对上报周期进行配置。对一个测量，报告触发方式可以是事件触发或周期性触发。如果是周期性触发，需要配置上报周期；如果是事件触发，则利用网络已开启的事件测量，不需另外开启测量。

1.2基于MR的解决质量问题方案

为了精准评估网络质量，高效提升用户感知，利用LTE的MR数据，通过解析出MR数据，支撑点状网络问题评估分析，完善点、线、面网络一体化评估分析方法。

MR数据的精确定位网络短板问题成因，基于MR精确定位算法，运用大数据分析建立定位干扰矩阵，形成从覆盖维度、干扰维度、用户维度、空间维度、时间维度等多维度综合分析网络短板问题成因、定位网络问题的多维度MR分析方法。

基于模式识别理论和MR数据的精确定位分析，对MR数据信号序列的强度、变化幅度、快慢结合位置变化情况，进行智能分析和辨识，得出覆盖类、干扰类、用户类异常的场景，针对这些劣化问题场景通过稳定平衡迭代算法自动生成相应的优化策略。劣化问题场景划分类型如图1所示。

图1　LTE-MR劣化场景类型

2　MR精确定位的场景识别

2.1基于MR定位方案

基于TA+AoA的定位方案的主要思想就是以基站站址为圆心、TA估算半径、AoA估算方向，进而定位到终端所处的位置。具体的实施步骤如下：基站测量对应终端的上行传输来确定每个终端的TA调整值t，从而确定终端到基站的距离R=ct/2；基站接收端通过天线阵列测出接收信号的入射角度，从而确定终端相对于参考方向（通常为正北方向）与基站的位置关系。

使用基于TA+AoA的定位方案所需的数据scTA（源小区TA值）、scAoA（源小区到达角值）。

已知样本点k的源小区RSRP记为scRSRPk，多个非共站邻区的RSRP记为，多个eNB的位置记为为源基站坐标，目标UE坐标记为（xUE，yUE）。到达角AoA记为θk，时间提前量记为TAk。利用基于TA+AoA的定位方案求出UE的坐标：

以现网MR等数据为基础，根据用户运动行为进行MR聚合。根据小区方向角、下倾角、共站主邻小区接收电平偏差、AoA综合获取用户所处站点方位。

2.2基于MR的多维矩阵

基于MR精确定位后数据建立的矩阵模型，将用户点栅格化。

覆盖类矩阵是若弱覆盖聚类栅格集合K的弱覆盖小区为i1， i2……，利用小区经纬度及栅格中心经纬度计算小区in到栅格集合K的距离Lin，k，能够基于弱覆盖栅格的基站小区拓扑关系、相邻栅格的电平衰落变化。

干扰类矩阵是基于全带宽本区接收功率计算，MR数据仅仅上报了RS的RE接收功率RSRP，本区数据信号的接收功率以数据资源占用率，以及相对于RS的功率偏置进行计算，实现了RSRQ到SINR的转换。

2.3基于MR的劣化场景识别

对于天线工艺问题场景，计算标准衰落场强i=发射功率i+天线增益i-Li，Ri=f （Li），若对存在i∈R，RSRPAOA_I-标准衰落场强i＞ ΔRSRP，则认为在天线口接收功率就存在问题，该场景属于天线工艺问题场景。

如南湖中心街-ZLH经MR精细分析：从空间和覆盖维度看RSRP整体分布近远点皆弱，近点也低于-115 dBm以下，干扰及用户维度分布趋势正常，为近点全局弱覆盖场景，初步判断为天线安装工艺问题或天线处全遮挡。

通过现场排查南湖中心街-ZLH位于丁字桥南路沃尔玛超市4楼，站型为楼顶拉线集束。由于美化外罩阻挡，同时天面上下固定架无收缩杆，下倾角无法调整；3面天线同时固定在一个环形支架上，方位角无法调整至最佳位置，导致弱覆盖、重叠覆盖，导致SINR差和下载速率低。

对于天线遮挡问题场景，计算接收场强i=发射功率i+天线增益i-Li，Ri=f （Li）。若i＜K时，RSRPAOA_I-标准衰落场强i＜ ΔRSRP，若i＞K时，RSRPAOA_I-标准衰落场强i＞ΔRSRP，则认为在距离天线K以后覆盖就存在问题，该场景属于天线遮挡问题场景。

如对湖北工业大学实验实训中心-ZLH经MR精确分析：覆盖、用户、空间维度看1小区RSRP衰落到-115 dBm以下，SINR低于10 dB的衰落半径为300 m，2小区的则为100 m，且用户分布上2小区在100 m附近出现明显断层。初步判断2小区存在局部遮挡场景，初步判断为建筑物遮挡。

现场排查湖北工业大学实验实训中心-ZLH，其3面天线均位于大楼的西北角侧平台上，受楼面及东南建筑遮挡影响，2小区东侧信号受严重阻挡，该路段无主覆盖小区，弱覆盖导致严重重叠覆盖。建议将湖北工业大学实验实训中心-ZLH-2搬迁至楼顶另一侧平台。

3　基于MR劣化场景的自动优化

3.1自动优化方案

按照一定的调整步长迭代运算后，功率调整、下倾角调整、方位角调整的自动优化，以及新建站补点、规划扩容的自动规划。

设定栅格级的目标函数为：

总体收敛目标值是求F重叠最小值的最优解：

按照稳定平衡理论，V’（x，t）在t＞t0时不恒为零，那么该系统在原点处的平衡态是一致渐近稳定的。

总体迭代算法过程如下。

步骤1：装载相关的参数，计算初始局部目标函数。

步骤2：启动首次目标函数寻优，将一个本地网中所有需要参与寻优小区I的集合列表。

步骤3：基于已经辨识出的结构问题场景（导致重叠覆盖严重的越区小区），利用参数“功率调整步长”对相关集合列表的所有小区I的发射功率减少相应的数值。

步骤4：对接收到集合列表的所有小区I发射信号的路测点的接收信号功率进行调整，并在输入表中记录对应的测量数值。

步骤5：对小区I关联区域P中，重新计算相关的寻优函数F_重叠和M_弱覆盖。寻优判决条件1：先进行F_重叠判决，看看是否减小。寻优判决条件2：在进行M_弱覆盖，判断是否突破“弱覆盖门限”，或者超过“弱覆盖迟滞数值”。如果以上两个目标函数都获得改善，则将调整的功率作为小区I的最优发射功率。

步骤6：所有小区I进入下一轮寻优判断。迭代判决，假如集合列表中还存在一个小区需要进行功率寻优，则进行下一轮迭代。 如果没有小区需要进行功率寻优，则迭代终止。

步骤7：迭代终止以后，则输出最后的寻优结果和过程表。

步骤8：通过掌握的小区天馈信息，对于不支持调整下倾角的美化天线，基于迭代最优功率，输出精细调整小区发射功率的优化建议；对于支持调整下倾角的天线，基于迭代最优功率，输出精细调整下倾角的优化建议。

3.2自动优化效果

通过迭代后收敛，得到导致重叠覆盖的越区小区的最优配置功率、最优天馈优化方案。如武汉现有小区胜利路和天津街交口-HLH-2，将胜利路与天津街交口-HLH-2的初始功率15.2 dBm按照0.5 dB下降的步长进行不断的迭代分析，胜利路与天津街交口-HLH-2路测点的RSRP值也按照0.5 dB的下降步长演算，迭代寻找同时满足非弱覆盖且重叠覆盖影响最小的最优解，当迭代了5次后，找到了该功率设置的最优解12.2 dBm。

通过掌握的小区天馈信息，对于不支持调整下倾角的美化天线，基于迭代最优功率，输出精细调整小区发射功率的优化建议；对于支持调整下倾角的天线，基于迭代最优功率，输出精细调整下倾角的优化建议。通过对武汉汉口区域几个连续簇的拉网及最优功率配置进行迭代寻优解的策略。

对城区区域进行自动优化方案分析并实施优化，覆盖率提升7.63%，重叠覆盖改善1.92%。

4　结论及后续计划

基于LTE-MR劣化场景模式识别的自动优化方法已在省内开展了多项应用。在全省范围应用了本成果的方位角、下倾角自动调整方案，由于精准探测了4G用户群所在方位，全省驻留比由2015年6月的92.0%提升到2016年6月的97.3%；在中兴机型地市应用了本成果的功率自动优化方案，整体覆盖率提升7.63%，重叠覆盖问题改善1.92%。

后续计划将本研究应用与全省集中优化工单的分析工作，GIS上直观呈现，实现对网络质量问题的准实时把控并派发问题工单。以MR多维度分析为手段，形成以MR劣化场景识别及优化的高效的闭环解决手段，支撑集中优化工作的高效开展，为建设精品LTE网络打下牢固基础。

［1］卢卓君， 彭陈发， 岑曙炜. TD-LTE网络优化探讨［J］. 电信技术， 2012（7）.

［2］李昶， 华志超，刘猛. 基于MR大数据的LTE网络结构评估方法［J］. 电信工程技术与标准化，2015（11）.

［3］付航. 基于全量测量报告的TD-LTE网络覆盖分析［J］. 电信工程技术与标准化， 2015（8）.

［4］何国华. 基于MR数据的上下行不平衡优化分析［J］. 电信技术， 2013（3）.

［5］邓巍， 谢浩. 高速公路WCDMA网络的快速优化——利用MR数据［J］. 移动通信， 2012，（13）.

An automatic optimization method based on LTE-MR deterioration scene pattern recognition

XU Hua
（China Mobile Group Hubei Co.， Ltd.， Wuhan 430023， China）

Fine optimization to be LTE network must rely on the geographical distribution coverage and interference precise grasp. In this paper， the establishment of precise positioning interference matrix based on MR data， formed from the cover positioning， interference， users， space， time and other multi-dimensional analysis of network problems MR. Based on precise positioning of pattern recognition theory and MR data analysis， identification of the scene coverage and interference scenes automatically generate the appropriate optimization strategies to address these issues through an iterative algorithm.

MR positioning； automatic optimization method； pattern recognition； LTE-MR

TN929.5

A

1008-5599（2016）10-0018-04

2016-09-08

* 中国移动集团级一类科技创新成果，原成果名称为《一种基于LTE-MR劣化场景模式识别的自动优化方法》。