基于4G大数据的5G覆盖规划方法

1 引言

传统的无线网络规划方法，是在典型环境中通过人工路测的方法进行数据采集，然后校正传播模型，之后再根据校正后的传播模型进行覆盖仿真。使用传播模型较正的方法，由于需要人工路测，所以路测资源消耗相对较大；并且模型校正过程中会对数据进行清洗或平滑的处理，有可能出现仿真结果在小尺度范围与实际相差较大的问题。

中国移动运营TD-LTE多年，在4G上积累了大量的高价值数据和宝贵经验。而目前处于5G网络建设初期，在5G上特别是5G无线网络规划上积累的数据和经验较少。如果可以将4G网络运营过程积累的高价值大数据应用于5G无线网络规划中，无疑将解决5G无线规划实测数据不足的问题。

本文通过整合4G网络D频段的MDT数据、4G网络的相关工参、4G天线方向图、5G的发射功率、5G天线方向图等大数据资源，实现了5G无线网络规划、模拟，提出一种4/5G共站同频情况下的全新覆盖规划方法，此方法实现了4G实际数据和5G规划数据点对点的转换，避免了传统规划方法在小尺度范围精度不高的缺陷。试验证明，本文提出的新算法在平均误差和误差标准差均优于传统的传播模型校正方法。

2 基于4G数据的5G覆盖预测理论介绍

对于无线信号传播，通用的接收场强计算公式如下：

其中，参数说明如表1所示。

表1 参数说明

中国移动在5G建设初期计划使用2.6 GHz频段（2 515～2 675 MHz共160 M带宽）作为室外宏站覆盖，并且使用4G、5G共站建设的方案，5G使用的这个频段与TD-LTE的D频段（2 575～2 615 MHz）是包含与被包含的关系，而且平均中心频率相等，可以认为是同频，使得把4G大数据用于5G覆盖规划成为可能。

当4/5G同频共站设置时，对于相同的接收点，信号传播的路径相同，频率相同，则路径上的损耗也相同。则4G和5G的接收场强差异为TxPower、TxGain及RxGain的差异之和，用等式表示如下：

上面等式中，右边的数据都可以在大数据资源中获得的，其中Prx_4g可以从4G网络D频段的MDT数据获得，TxPower_4g可以从4G工参数据获得，TxGain_4g可以通过4G天线方向图数据获取，TxPower_5g是规划设计的发射功率值，TxGain_5G可以通过5G天线方向图数据获取，4/5G终端接收增益的差异可以从已有的实验室数据获取。

3 数据集介绍

3.1 MDT数据

MDT（Minimization Drive Test，即最小化路测）数据包含终端所在的经纬度，UE上报的服务小区标识，UE上报的RSRP等。它同时拥有无线信号场强信息和用户精确位置信息，在4G大数据中具有举足轻重的作用，是大数据中最有价值的数据之一。MDT数据的优点主要有3点：

① 全部都是实测数据，可以准确、直接地反映网络实际情况；

② 具有精确的经纬度信息，可以满足扇区级、栅格级甚至是位置点的分析；

③ 数据量大，覆盖面广，能够提供整个区域范围内全面、详尽的覆盖信息。

本文使用的是4G网络D频段的MDT数据。

3.2 4G工参数据

工参即工程参数，是指从工程建设开始记录并维护下来的一批无线基站相关的基础数据或参数。工参数据至少应包含小区名称信息、小区位置信息、小区参考信号发射功率信息、小区天线型号信息、小区天线的水平方向角信息、小区天线的下倾角信息等。

3.3 4/5G天线方向图数据

4/5G天线方向图数据指天线测量时获得天线辐射方向图，通常只测量其水平面及垂直面数据，本文通过内插法实现从水平面及垂直面数据到三维空间任意水平角及下倾角的辐射增益转换。

3.4 5G的规划工参

包括5G的规划发射功率，5G规划天线型号等。

3.5 4/5G的终端增益差异

包括4G终端增益数据和5G终端增益数据

4 数据组织流程

随着4G网络发展和壮大，以上相关大数据资源特别是MDT的数据量可能达到TB级甚至是PB级，这样的数据如同一个蕴藏量巨大的金矿，人工分析已无法处理这样量级的数据。本文利用云计算技术，通过5G无线网络规划的算法研究，研发了基于4G大数据的5G覆盖精准规划工具，对大数据进行体系化、流程化的组织和处理，实现5G覆盖的精准规划。

基于4G大数据的5G覆盖精准规划工具首先对本文第3节提到的数据源的采集和存储，然后对4G工参与5G规划工参进行关联计算，得到4/5G发射功率差异；再通过工参数据查询相应的4G天线型号数据和5G天线型号数据，得到4/5G的天线增益差异；4/5G的终端增益差异从已公布的实验数据中统计获得。将MDT数据中的4G的实测场强与上述获得的各种差异合并计算，得到5G的预测场强，然后再组织批量的5G预测场强，进行栅格化统计、GIS地图呈现及其他规划应用。

处理流程图如图1所示。

图1 数据处理流程图

5 应用举例

本文选取了某市移动网络某区域的LTE网络D频段的MDT数据，通过上述算法进行关联、计算，生成具有精确位置信息的5G预测数据，把这些数据与不同的数字地图数据进行关联，可以实现不同的应用功能，下面进行简单介绍。

应用之一：与楼宇图层进行关联呈现，实现楼宇网络覆盖的评估与分析，如图2所示。

应用之二：与道路图层进行关联呈现，实现道路网络覆盖的评估与分析，如图3所示。

应用之三：将全网数据进行栅格化计算，实现全网深度覆盖的评估与分析，如图4所示。

应用之四：筛选个别小区呈现，实现单个小区深度覆盖的评估与分析，如图5所示。

应用之五：筛选弱覆盖的栅格呈现，实现弱覆盖区域的直观呈现，如图6所示。

图2 楼宇网络覆盖评估与分析

图3 道路网络覆盖评估与分析

图4 全网深度覆盖评估与分析

图5 单个小区深度覆盖评估与分析

图6 弱覆盖评估与分析

从图6可以看到，根据模拟程序的计算，在牛湖的某个站点覆盖下，5G模拟覆盖存在一片连续弱覆盖区域，如图7所示。

图7 弱覆盖区域验证与测试

经实地测试，该地无线环境复杂，街道较窄，形成一个深巷地形，LTE的信号强度也不是特别好，NSA模式下的5G信号相对更差，进行数据业务时经常断流，基本是不可用的情况。这显示出基于4G大数据的5G规划方法的结果与实际情况较为吻合，证实该方法是可行且精确的。

另外通过较大范围路测，将路测数据、传统的传播模型校正方法生成的模拟数据及基于4G大数据的5G规划方法生成的模拟数据进行对比，笔者发现传统的传播模型校正方法预测场强相对较乐观，而基于4G大数据的5G规划方法相对更精确，更符合实际测试的情况。对比数据如表2所示。

本文分析认为，传统的模型校正方法实施过程中，需要把整片区域的覆盖情况通过数学处理方法形成一条传播模型公式，亦即使用一条传播公式来描述整个区域的覆盖情况，处理过程中必定会丢失了一些较为小尺度的细节情况，所以用于预测时部分区域与实测情况相差较大；本文使用的基于4G大数据的5G规划方法，对4G D频段的MDT实测数据进行点对点的转换，由于MDT数据的场强及位置信息都是精确的，所以转换后的规划数据也相对更精确。

表2 传统方法、本文预测方法与实测数据的偏差对比

2020年7月刚刚冻结的3GPP R16版本中，5G NR增加了MDT特性，未来将可以提供5G全网实际的覆盖情况，也可以为本文的规划预测方法提供闭环验证，笔者真切地期望这一天的到来。

6 结论

5G网络在空口技术和网络架构上采用了全新的标准，以满足未来的各样应用场景。特别是Massive MIMO技术的引入，改变了移动网络基于扇区级宽波束的传统方法，对无线网络规划方法的冲击很大。可预见的是，在5G无线网络规划过程中，遇到的更多的都会是新问题，没有先例可循，解决难度较大。本文通过详细介绍和论述，论证了将4G的MDT大数据应用在5G覆盖规划中的可行性，并把数据组织处理方法和流程进行梳理归纳，形成流程图。本文的主要意义有以下两点：一是对每一点都是使用MDT实测数据进行覆盖转换预测，避免了纯理论预测的不确定性；二是实现栅格级甚至是具体位置点的预测，避免了传统扇区级宽波束规划方法在小尺度区域精度低的问题。希望本文所提出新的方法和系统，能起到提升5G规划精度的作用，作为相关项目参考，为中国移动5G网络发展贡献一份力量。