基于人工智能的5G 无线基站选址虚拟仿真研究

洪峰

（广东邮电职业技术学院，广东 广州 510630）

0 引言

对于中国大部分一二线城市而言，5G 无线基站选址的现状存在着不少的难题。一般来说，为了实现更好的网络覆盖和服务，运营商需要在城市中建立更多的5G 基站以弥补4G 网络的不足并提供更快的连接速度。然而在城市中选择5G 基站的位置可能会受到许多限制因素的影响：①城市规划，许多城市有严格的规划和建筑要求，这些要求会影响基站的布置和外观，如高度、外观等。②地方法规，不同地区有不同的法规和标准，限制了通信设施的布置和操作，如与居民区的距离、安全规范等。③技术要求，为了最大限度地提高网络性能，5G 基站应该根据具体的技术需求进行位置选择，如覆盖面积、信号传输等。④环境影响评估，由于基站会产生辐射和其他环境影响，运营商可能需要进行环境影响评估。

从网络特性来讲，5G 无线基站的覆盖范围远小于4G 及之前的无线基站，所以建设一个完善的5G 网络，其所需要的基站的密度就远远超过了4G 网络。如何有效地选择站址、减少无线干扰、提高无线质量就成为一个比较重要的工作。

1 国内外研究现状、水平和发展趋势

5G 无线基站的城市选址涉及多个方面，包括网络覆盖范围、信号质量、建筑物高度和密度、用地政策等因素。目前5G 无线基站城市选址研究的方向主要是从网络规划出发，在城市范围内进行高精度的网络规划，包括确定基站的位置和数量等。

国外对于5G 选址研究倾向于运用数学规划手段，建立数学模型并对选址方案进行求解，以获得最优的选址方案。部分学者运用整数规划法，以能够保证每一个测量点都处于信号覆盖范围为目标，计算了建设成本最低的选址方案；还有学者采用动态规划，探索了一定区域内无线网络总容量和通信基站建设规模间的关系。

国内对5G 基站建设选址基于丰富的实践经验也提出了很多创新的研究和方法。中国移动设计院向中秋等[1]（2022 年）提出基于多维数据的5G 室分选址评估技术，综合利用4G/5G 室分流量数据、互联网PoI 数据、三维电子地图数据和立体仿真预测数据，充分考虑5G 室外宏站覆盖室内水平、楼宇流量和楼宇价值三大维度，对5G 室分规划方案的制定和资源精准投放；郭彦文等[2]（2023 年）从建设成本、覆盖率和网络容量3 个因素，提出了人工蜂群算法在5G 基站选址中的应用，进行资源的合理配置，能够较为有效地进行5G 基站选址；王冠伦[3]（2022 年）提出开发一种基于数据分析的基站选址助手系统，通过对铁塔公司现有数据进行挖掘，并从互联网爬取数据，为选址人员提供推荐通信基站选址方案。李想[4]选择了三类具备代表性的场景，对基站选址展开了深入研究，并针对不同场景的特征优化了算法，改进了这些场景需要用到的模型，并对得到的结果进行对比分析。赵海涛等[5]对移动通信基站的选址原则和选址思路做了介绍，并证实网络性能会极大地受到基站选址方案的影响。汪亮等[6]主要借助地图划分理论对基站选址工作进行分析，并借助仿真手段提高了选址工作的科学性。

2 选址规划的影响因素

通过利用大数据分析和人工智能技术，预测未来的网络使用情况并相应地优化网络规划。通常需要考虑以下因素。

（1）覆盖范围。选择一个适当的场所可以确保无线信号传输的可靠性和稳定性。在确定覆盖区域时应考虑建筑物、地形和植被等环境因素。

（2）人口密度。市中心和人口密集的地区是放置5G 基站的理想位置之一。这样可以满足更多人群的需求，提高网络的效率。

（3）网络容量需求。在选择基站位置时还需要考虑到未来的网络容量需求。如果预计有大量的数据流量，例如视频或游戏，那么应该选择一个网络容量较大的区域。

（4）已有基础设施。优先考虑已有的基础设施，例如电力和互联网连接，这可以降低安装成本并缩短部署时间。

（5）政策法规。考虑当地政府的规定和合规要求，例如环保准则和建筑物高度限制等等。还有一些支持政策，例如，广东省卫生健康委联合广东省工业和信息化厅发布了《广东省工业和信息化厅广东省卫生健康委关于免费开放公共资源支持5G 基站建设的通知》，规定各类卫生机构应在确保自身工作正常开展的同时向运营商开放所属的建筑物和公共资源用于5G 基站建设，且不得收取额外费用，这些都是选址规划里非常重要的考虑因素。

3 重点技术领域

本研究简要来说就是基于高精度的城市地图，在虚拟仿真软件里构建城市数字孪生，并使用计算机图形学的实时光线追踪技术，来仿真5G 通信电波的传播特性，从而为5G 基站在真实建设之前先在数字空间里面进行一个准确的评估。

在这里只选取城市一小部分区域进行数字孪生，以减少研究的不确定性以及设备及网络资源成本等，本研究所涉及的重点技术领域如下。

（1）精确的城市数字孪生技术。主要重点是在支持物理准确的仿真软件里实现三维数字地图的数字空间，仿真软件可选择如Unreal Engine，Omniverse 等。主要实现的步骤如下：①获取地图的地理信息数据。包括地形、建筑物、道路等，这些数据可以从公开的地理信息系统（GIS）数据库或地图服务商处获取。获取到的数据需要进行处理和转换，以便能够在仿真软件中使用。②建立物理模型。使用仿真软件中的工具，根据处理后的数据建立物理模型。这可能包括地形建模、建筑物建模等。在建立模型时需要考虑到物理因素，如重力、摩擦力等，以确保仿真的准确性。③物理引擎集成。将建立的物理模型与仿真软件的物理引擎进行集成，以实现物理准确的仿真。这需要确保物理引擎能够正确地模拟地图上的物理现象，如碰撞、反弹等。④编程实现和调试。使用仿真软件提供的编程语言或脚本，实现数字空间的各种功能和行为。在实现过程中需要进行调试和优化，以确保仿真的准确性和效率。

（2）计算机图形学的实时光线追踪技术。计算机图形学的实时光线追踪技术是一种用于生成高度逼真图像的技术。它通过模拟光线在场景中的传播和反弹，计算出每个像素的颜色和亮度，从而生成具有高度真实感的图像。近年来实时光线追踪技术已经逐渐成为计算机图形学领域的研究热点，在游戏、电影等领域得到了广泛应用。

本研究创新性地采用光线追踪技术用于仿真光线在不同平面上的表现，例如反射、折射等来模拟5G 信号的发射和覆盖情况，形成可视化的5G 信号覆盖场景。实时光线追踪技术可以用于模拟5G 信号的传播和衰减。通过模拟光线的传播路径和交互作用，可以更加准确地预测5G 信号在复杂环境中的传播情况和覆盖范围。实时光线追踪技术可以模拟5G 信号在建筑物、地形等障碍物中的反射、折射和散射作用，以及信号在空气中的衰减和干扰情况。这些模拟结果可以帮助优化5G 网络规划和布局，提高网络质量和稳定性。实时光线追踪技术需要大量的计算资源和高效的算法支持，以确保在实时情况下能够处理大量的数据和信息。因此在实际应用中需要结合具体场景和需求进行优化和调整，以提高模拟的准确性和效率。

（3）人工神经网络技术。具体来说，使用生成式对抗网络（GAN）进行无线基站址选择与性能评估。

GAN 是一种深度学习模型，由两个神经网络组成：生成器和判别器。这两个网络通过对抗训练的方式进行优化，从而生成具有高度真实感的图像、音频等数据。生成器的目标是生成能够欺骗判别器的数据，而判别器的目标是正确区分生成器生成的数据和真实数据。这两个网络在训练过程中相互竞争，逐渐提高各自的能力，最终生成器能够生成与真实数据非常接近的数据。GAN 在许多领域都得到了广泛应用，如图像生成、图像修复、超分辨率等。它能够生成具有高度真实感的数据，为人工智能领域的发展带来了巨大的潜力。

使用GAN 来进行5G 无线基站站址选择是一种创新的方法。GAN 可以通过对抗训练的方式，学习到生成与真实数据分布相似的数据。通过收集一些真实的5G无线基站站址数据，然后使用GAN 进行训练。生成器可以生成新的候选站址，判别器则需要判断这些候选站址是否符合真实站址的分布。通过不断的对抗训练，生成器可以生成更加符合真实站址分布的候选站址。最后根据生成的候选站址的评估结果选择最佳的站址。评估可以包括站址的覆盖范围、信号质量、干扰情况等因素。

4 技术路线

具体的技术路线实现如下。

（1）使用多种技术手段导入3D 地图，技术手段包括但不限于国家测绘局在三维地图、无人机航拍的城市地图等。再将三维地图导入虚拟仿真软件里，并保存成USD 文件格式，以便于后续的研究。

（2）导入现有的成功网络规划信息，包括无线基站的地址信息。

（3）训练人工神经网络，拟生成式对抗网络（GAN），用于二阶段的评估过程。这个训练的过程，将用到下文第4 点的技术，建立起一个无线质量的基准值，以用于第5 点的推理。

（4）使用基于RTX 的Omniverse 平台进行虚拟仿真，并基于GPU 提供的硬件实时光线追踪技术来实现无线电波的仿真；同时在不同的区域采集光线（用于无线质量测量）。通过此过程来实现无线发射与接收的仿真。

（5）采用神经网络，具体来说，使用GAN 进行无线站址选择与性能评估，GAN 网络结构如图1 所示。其主要的目标是在虚拟仿真软件里面选择一个合适的地点，也即经纬度以及高度信息，使用此位置仿真无线基站，并基于此位置发射光线，使用发射光线来仿真无线电波；同时在周围的主要人流区域进行光线的收集，用以仿真无线质量的测量与评估。

图1 GAN 网络结构

这里引入了GAN，其中生成器网络（Generator）负责随机生成站址，并将其仿真到网络中；判别器网络（Discriminator）使用第三点提到的实时光线追踪技术，对无线信号的传播过程进行评估。反复此过程直到站址的可用性达到评估的标准。

同时也考虑引入其他深度学习框架作为替代方案，例如深度强化学习，如使用PPO 算法来实现站址的训练与推理。总体技术路线如图2 所示。

图2 总体技术路线

5 结语

本研究的创新点在于采用了与无线电波传输相似的光线追踪技术，并在高精度的城市三维地图里进行无线电波传输的仿真与实验，技术难点在于如何用光线来仿真无线电波的传输、折射、反射等各种特性，以及各种建筑环境对这些无线电波的传播特性带来的影响，例如水泥、钢铁、玻璃等不同材料带来的不同表现。同时站址的选择算法也是一个重点，使用GAN 来进行5G 无线基站站址选择是一种创新的方法。GAN 可以通过对抗训练的方式学习到生成与真实数据分布相似的数据。