基于粒子群算法的天馈自动规划(ACP)的研究

1. ACP（Automatic Cell Planning）概述

传统的射频优化受限于优化人员经验（不同经验的优化人员可能给出截然不同的优化方案），技术手段不足（可以利用的数据仅有KPI及路测等数据）等诸多因素，存在着资源投入大，优化效率低，优化效果难以保证，深度覆盖无法评估及优化等问题。如何对传统优化中资源投入最大的无线网络优化这部分工作进行流程化，标准化，自动化，是目前亟待研究的课题。

ACP自动优化方案以改善传统RF优化方法，将传统无线网络优化工作自动化、流程化和标准化为出发点，组织力量对RF调整方案自动化输出课题进行专项研究，提出"天馈自动优化方案"，彻底摆脱传统RF优化"人海战术""经验为王"等诸多局限。

方案目前针对道路、居民区、农村三种日常优化过程中投入力量最集中的三大场景进行重点分析，根据三种场景不同的覆盖特点、数据源获取的难易程度和对优化精度的要求，分别采用扫频&ATU测试数据、OTT&MR数据、传播模型&话务地图等不同的数据源进行个性化优化方案的输出，最终实现道路连续覆盖、居民区深度覆盖、农村精准覆盖的优化需求；通过优化经验固化、不同优化方案组合迭代仿真、自动化寻优的方式，一次性输出最佳的调整方案，节省成本，提升效率。

2. ACP总体流程

方案通过对不同场景的数据收集，将数据进行栅格化处理，根据目标函数的设置，寻找问题栅格，并聚合成为问题区域，识别出问题小区后，进入天馈自动优化算法模块，通过成熟的粒子群搜索算法，迅速找出网络最佳的天馈调整方案，详细步骤如下：

3. ACP关键技术

高效的天馈自动寻优算法

通过建立栅格级的路损矩阵和全网适应度函数，即建立网络参数到网络质量的映射，再采用粒子群搜索算法对网络参数高效寻优，最终找到最优的调整方案。

?构建路损矩阵

根据栅格内的小区信息、位置信息、电平信息、干扰信息等构建栅格级路损矩阵，进行小区参数调整之后栅格内的电平和干扰值预测。

?设定目标函数

根据每个栅格的RSRP、SINR、重叠覆盖度三项指标进行评估，按照栅格话务权重及三项指标的权重，对全网整体质量打分。

?确定搜索算法

 将一组小区列表和优化参数看作一个粒子，通过粒子群搜索寻优算法，高效率迭代寻优，快速找出整网最优的调整方案。

4. ACP试点区域优化

4.1 区域概述

ACP区域大小20平方公里，该区域内主要为居民区与工业厂房较多。该区域内站点数量29个，98个小区。D频段站点6个，F频段站点23个。详细区域与基站分布如下所示：

扇区与道路图层

▼

  

地理图层

▼

4.2 优化方案输出

1)数据准备

?扫频数据：对试点区域所有5级及以上道路进行扫频测试，测试结果用于进行天馈自动优化方案输出；

?工参表：对试点区域内所有站点进行重新勘测，获取网络的基础信息和最新配置信息，如站高、方位角、经纬度等；

?电子地图：获取试点区域三维立体的地物分布信息和海拔信息，为输出优化方案提供地理标准；

?天线文件：通过对试点区域内所有站点的重新勘测，分类整理所有小区的天线型号，用于小区信号范围的评估。

2)天馈优化自动处理

?栅格化扫频数据：以扫频数据为主要分析数据，用于问题区域识别和优化区域识别；

?优化目标设置：用于判断栅格是否作为待优化问题栅格的依据；

?迭代寻优：优化迭代预测，给出问题最优解决方案。

3)优化方案输出

?方位角调整：方位角调整：方位角优化建议输出；

?机械倾角调整：机械下倾优化建议输出；

?PCI调整：PCI优化建议输出。

输出ACP优化方案方位角调整涉及23个小区，调整数量占总小区比例的22.22%；下倾角调整涉及14个小区，调整数量占总小区比例的14.44%；PCI优化修改19个小区，调整数量占总小区比例的21.11%; 

ACP RF调整方案实施后，一般涉及到方位角的调整，调整后，LTE小区之间的PCI模3干扰情况会发生变化，需要进行扫频测试，并基于该扫频数据进行PCI优化，减小或者消除模3干扰。

4.3 效果呈现

按照ACP仿真结果优化完成后，ACP区域语音测试与数据业务测试指标提升明显，具体具体指标如下表所示:

优化前后效果图如下所示(以下载速率为例)：

优化前下载速率

▼

优化后下载速率

▼