概述

5G TNR 在32TR/64TR等多天線場景下，由于具備了較高數量的波束，系統在多小區環境中能夠通過波束信息準確識別用戶位置，并能夠借助靈活權值控制將波束指向用戶，實現準確的覆蓋優化。中興通訊智能化自動化的AAPC方案已進行了廣泛應用，大幅提升優化效率，取得了良好的效果。而FNR制式下的700MHz、900MHz、2.1GHz等頻段以及大存量的LTE站點的2T/4T天線場景中，天線波束數量過低，指向性不明確，無法通過波束識別用戶位置，相應地也無數字權值可調，靈活性也較低。因此覆蓋優化仍只能使用傳統方法，對人員消耗仍舊較大，如何實現高效優化是個難題。

中興通訊通過創新引入高精度定位數據、電子地圖，并結合覆蓋建模及尋優算法，在FNR/LTE場景也具備了類似AAPC的基于用戶分布的覆蓋優化能力。除此之外中興通訊在實踐中依次形成了基于專家經驗、基于定向迭代等多種FNR/LTE覆蓋自動優化方案，有效提升了FNR/LTE覆蓋優化的效率，降低了優化成本。

現有FNR優化方案

中興通訊基于實踐和工具平臺，已形成了三類覆蓋自動優化方案。

基于專家經驗的覆蓋自動優化方案

無線通信網絡建設優化持續進行了數十年，基礎工程人員針對各種具體覆蓋問題積累了豐富的優化經驗。因此最直接的自動化改進是將這些優化經驗中最具有實用價值的部分，提煉成體系化的方法、原則，通過代碼邏輯體現在自動化的工具中，實現自動化的問題判斷和優化建議輸出，規避了傳統優化方案嚴重依賴優化工程師水平的問題。

中興通訊提煉專家優化經驗并分別在WNG平臺及NGI平臺進行了遷移實現，在覆蓋問題的發現、分析及效果評估方面基本實現了自動化。

基于專家經驗自優化基本流程如下圖所示。

專家經驗系統基本工作流程

對路測數據和MR數據，中興通訊均有高效優化方案。

基于路測數據的專家經驗方案支持自動全局、問題點分析并輸出報告、給出解決建議。優化人力消耗節約30%~50%，綜合提效50%以上。

基于MR數據的專家經驗方案支持自動全局、問題點分析及解決建議輸出，進一步減輕測試消耗。優化人力消耗節約50%~70%，綜合提效70%以上。

專家經驗來自于對各種典型問題的總結，在優化初期效果明顯;而在已精細優化網絡中效果下降。從當前外場實際應用結果看，專家經驗方案能解決的問題比例在60%左右。

基于定向選代的覆蓋自動優化方案

如上節所描述，基于專家經驗的方案能夠短平快地解決一些明確的問題，但規則需要持續根據具體問題進行迭代，且有時難以解釋。為此中興通訊引入基于CSON平臺的CCO算法，該方案通過自動化的MR數據收集分析、結合電調數據的清洗，從后臺直接進行覆蓋問題判定并確定調整方向，對優化小區自動輸出調整措施并自動執行，通過反復小步長迭代，動態監控問題系數變化來確定調整效果，直到到達設定條件(指標達標、優化手段用盡、指標惡化回退)。

相比專家經驗方案，該方案只在問題識別和調整方向上利用了少量先驗知識，通過小步長的自動調整，逐步逼近最優解。另外該方案的數據源使用普通MR，對精確定位數據沒有依賴，降低了應用要求。

基于定向迭代的覆蓋自動優化方案流程與步驟

從外場應用效果看，該方案對問題的解決隨著時間推進可以看到明顯的改善。在大規模應用且多任務并行的情況下，相比人工優化效率提升非常明顯。該方案全流程閉環，運行穩定，基本無需人員干預。規模應用條件下優化人力消耗節約80%，綜合提效90%以上。

基于建模+預測的覆蓋自動優化方案

為在FNR/LTE的2T/4T天線場景下實現準確識別用戶位置，并根據用戶分布特點進行覆蓋調整，使得增益最大化，同時增強對優化結果的可預測性，中興通訊創新引入基于覆蓋建模+預測的覆蓋自動優化方案，對路測數據和MR數據都有良好的支持。

引入高精度定位MR數據，由此得到用戶的地理分布，結合站點信息得到用戶相對天線的方向(DOA信息)。

對天線覆蓋特性進行3D建模得到天線在每個方向上的增益，結合路損模型完成覆蓋數學建模，由此將天線方向增益與用戶DOA信息配合，從而可以預測在不同參數配置(電子下傾、機械下傾、方位角、發射功率)情況下用戶位置的覆蓋情況，并根據代價函數判斷出不同參數組合下覆蓋問題的改善程度。

引入AI智能尋優算法大幅提升尋優效率，在所有的參數組合中找到較優的參數配置，給出改善問題的參數配置建議。

基于覆蓋建模和預測的自動優化方案主要工作流程

基于覆蓋建模+預測的覆蓋自動優化方案是目前多個方案中相對比較完備的方案，覆蓋建模方面有多種技術可以選擇，參數尋優方面也容易引入智能化的方法，根據優化目標選擇不同的代價函數，算法的擴展空間較大。

在高精度定位信息和射線追蹤模型的輔助下，該方案在復雜城市環境也可以取得良好的效果。基于預測，該方案在實際應用中給出的建議更為精準而且迭代次數較少，任務建立后也無需人員介入，人員消耗減少90%，綜合提效90%以上。

方案應用分析

基于上述介紹，可以看到三種方案的特點：

專家經驗方案在網絡優化初期效果較明顯，但后期規則維護有難度;

定向迭代方案優化效果較穩定，但優化周期略長;

基于預測和尋優的算法適用問題范圍較大，擴展性好，但對輸入數據要求略高。

在實際應用中，可以結合不同方案的特點靈活進行部署和應用，以取得最大的效益。一般建議在網絡建設初期的工程優化階段或在道路專項優化時，可以優先采用專家經驗的方案來快速解決典型問題。在網絡相對穩定后，建議采用定向迭代方案，對網絡負面影響小，增益明確。基于覆蓋建模+預測的方案，在輸入數據具備的情況下可以應用到優化工作的各個階段，尤其在相對復雜的網絡環境中應用時效果更好。

三種方案詳細對比如下。

主要方案優缺點詳細對比和應用建議

FNR優化方案演進

隨著網絡結構日趨復雜，運營商對多頻段多制式的綜合優化需求越來越迫切,前面章節中所描述的方案在應用中已經出現一些瓶頸，因此自動優化方案也需要作相應的演進以滿足復雜場景下的優化需求。中興通訊也將積極轉向基于AI 的自動化優化方案以應對未來的挑戰。

對覆蓋自動優化，在建模環節和求解環節可以引入基于AI的演進方案。

首先是在建模環節從手動數學建模轉向基于數據的AI建模。

其次，新引入的基于AI學習的優化方法，需要大量問題的實例作為輸入對AI模型進行訓練以進行求解，但外場很難獲得大量的覆蓋調整閉環數據。因此該方法引出下一個改進點，即通過數字孿生技術構建網絡，在此環境中進行虛擬建模訓練，獲得足夠的樣本數據以支撐AI建模。

數字孿生網絡模擬方法，綜合傳統建模(仿真)基于物理規律和基于數據網絡模擬特點，解決傳統方法仿而不真和純數據仿真的以偏概全問題，更加逼近真實網絡。中興通訊作為業界無線解決方案提供的資深專業公司，在孿生平臺也早已有完整的規劃，系統架構如下圖所示。

網絡孿生系統架構

在覆蓋優化方面，重點涉及架構中的信道孿生部分，中興通訊目前已經有階段性的成果，正在將孿生研究成果逐步引入覆蓋自動優化算法，從而把覆蓋自動優化提升到提高到一個新的層次。

網絡孿生關鍵組件-信道孿生

結束語

中興通訊在FNR覆蓋自動優化應用上已經積累了豐富的實踐，包括基于專家經驗方案、基于迭代嘗試的方案，尤其是創新引入基于覆蓋建模和智能尋優算法的方案，具備了類似多天線場景下AAPC的緊跟用戶的優化能力，明顯提升覆蓋優化效率，降低外場對優化工程師的要求，降低優化成本。

但針對日益復雜的多頻段多制式綜合組網下的優化問題，方案還需要不斷演進，中興通訊也積極引入新技術，借助于數字孿生平臺的建設及更優的智能化算法，迭代演進面向未來的覆蓋自動優化方案以應對新的挑戰。