基于MDT的3D-MIMO天線權值優化方法研究與應用
Labs 導讀
本文提出了一種基于MDT大數據優化3D-MIMO天線權值的方法，使得話務熱點集中于3D-MIMO天線法線方向，有效改善熱點區域用戶感知，使3D-MIMO小區盡量吸收更多話務，實現了3D-MIMO投資收益最大化，并為后續面向5G的3D-MIMO大規模建設及優化提供有效依據。
3D-MIMO(又稱Massive MIMO)是多天線技術演進的一種高端形態，是5G技術4G化的一項關鍵技術。它利用大規模多天線陣列所提供的垂直維與水平維的空間自由度，提升多用戶空分復用能力、波束成型能力以及抑制干擾的能力，實現了三維波束賦形和多流多用戶資源復用，大幅提升系統容量和立體覆蓋，并解決當前“高負荷、高樓、高干擾”等場景問題。在3D-MIMO建網初期由于無法獲取小區內的用戶分布, 3D-MIMO廣播波束天線權值一般采用默認設置，無法根據不同覆蓋場景(如廣覆蓋、高層覆蓋、高話務等) 匹配不同的廣播波束權值，不能達到廣播波束的最優覆蓋，無法獲得3D-MIMO的預期增益。
本文介紹了一種基于MDT數據實現3D-MIMO廣播波束天線權值優化的方法。MDT(Minimization of Drive-Tests，最小化路測)是移動網絡中用戶上報的一種無線測量數據，包含用戶地理位置和服務小區及鄰區的信號強度、干擾、流量、用戶速率等信息。通過解析用戶在3D-MIMO小區及周邊小區中的MDT數據，獲取小區中實際的吞吐量、覆蓋及干擾分布情況，按照最優搜索算法給出3D-MIMO廣播波束最優權值建議，提升3D-MIMO優化效率，同時基于不同場景優化廣播波束權值，提升廣播信道覆蓋質量及小區吞吐量。
1、基于MDT的3D-MIMO天線權值優化方法研究
本文提出的3D-MIMO天線權值優化方法利用普通商用終端測量并上報的MDT數據所包含的經緯度、海拔高度以及無線測量信息，實現天線文件中每一種天線權值組合的得分計算，并對不同的天線權值組合進行遍歷尋優得到最終權值優化建議。
1.1 天線權值優化核心算法
3D-MIMO具備13組典型廣播波束權值以及31種電下傾角可調(-15°~+15°)，共283種天線權值組合，不同場景需要匹配不同的天線權值組合。
MDT包含用戶的GPS位置信息及M1-M7無線測量信息，本方法所需的測量項包括M1、M3、M4、M5測量項，各測量項的定義如下：
- M1：RSRP，RSRQ，由UE測量并上報;
- M2：Power Headroom (PHR) ，由UE測量并上報;
- M3：接收干擾功率測量(RIP)，由eNodeB測量;
- M4：下行/上行數據吞吐量，由eNodeB測量;
- M5：下行/上行調度IP吞吐率，由eNodeB測量;
- M6：下行/上行數據包時延測量，由eNodeB測量;
- M7：下行/上行數據丟包率測量，由eNodeB測量;
天線權值優化核心算法是3D-MIMO小區廣播權值調整后丟失用戶以及潛在可吸收用戶估算、不同天線權值組合的增益分值預測，具體實現步驟如下：
- 步驟1：將待優化區域劃分為若干三維立體柵格(5m×5m×5m)，把終端上報的MDT數據根據自帶的經緯度及海拔高度信息匹配到相應的三維立體柵格內，以確定3D-MIMO小區及鄰區用戶的覆蓋電平、干擾、流量及用戶感知業務分布。
- 步驟2：根據MDT數據中覆蓋、干擾、流量及用戶感知信息計算每個三維立體柵格內的天線權值得分Wi，計算公式如下：
Wi=
其中Cov、Cap、Thp、Intf分別表示MDT中覆蓋電平、流量、用戶速率及干擾信息，每個信息分為5個等級，每個等級有相應分值;k、i、j、m為權重因子系數，分別表示覆蓋電平、流量、用戶速率及干擾的權重，實際應用中可根據不同網絡3D-MIMO建設側重點進行調整。
計算3D-MIMO小區覆蓋的所有柵格的天線權值得分Wi求和后取均值，從而獲得3D-MIMO小區在該天線權值下的得分。
步驟3：根據天線權值文件中不同的水平波瓣角、垂直波瓣角及電子下傾角組合下覆蓋能力確定其覆蓋的目標區域范圍，估算3D-MIMO小區權值調整后吸收的潛在用戶及丟失用戶情況，如下圖1所示。
步驟4：計算不同天線權值組合下的天線權值得分W，針對不同的天線權值組合進行遍歷尋優，獲得所有天線波束權值下3D-MIMO小區的增益得分，根據得分排序以識別最優權值建議，下表列舉了排名前10種天線權值組合預期增益得分。
表1 天線權值增益
1.2 天線權值優化流程
根據上述天線權值優化算法，以用戶的MDT數據作為輸入，采用如下優化評估流程給出實現最優天線權值。
- 以3D-MIMO服務小區及鄰區用戶MDT數據作為輸入，利用經緯度信息確定MDT地理分布，輸出3D-MIMO小區的覆蓋、干擾、流量及用戶感知等業務分布。
- 根據天線權值文件中不同天線權值組合的覆蓋能力，遍歷每組天線權值組合計算權值和下傾角發生變化后，不同天線權值的覆蓋變化的程度，從而算出3D-MIMO小區帶來的“潛在用戶”和“丟失用戶”。
- 根據不同天線權值組合配置下的“潛在用戶”和“丟失用戶”結果，估算3D-MIMO小區覆蓋范圍內MDT業務測量加權平均得分，并選取預期增益最大的一種組合作為優化推薦值。
- 基于MDT數據計算最優權值建議實施優化，使波束方向對準價值用戶分布，吸收潛在用戶提升3D-MIMO小區容量。
2、基于MDT的3D-MIMO天線權值優化方法應用
2.1 優化系統構成及實現
在上述3D-MIMO天線權值優化算法及流程基礎上，利用計算機軟件開發了3D-MIMO天線權值優化系統，實現了不同天線權值的自動評估和計算。如下圖所示，該系統由輸入模塊、計算模塊和輸出模塊組成。
輸入模塊以3D-MIMO小區級周邊鄰區的基站配置文件、MDT數據及3D-MIMO天線文件作為輸入，完成數據的解析、匯總和入庫。
計算模塊根據MDT數據所包含的RSRP、干擾、吞吐量及吞吐率等業務分布，結果不同天線權值組合的覆蓋能力估算丟失用戶及潛在用戶，然后預測其覆蓋區域內的天線權值增益評分。
輸出模塊根據不同天線權值組合預測得分排序選優，輸出最優天線權值優化建議。
2.2 優化方法應用效果
利用上述天線權值優化系統，計算3D-MIMO小區不同天線權值能帶來的增益得分，根據最高得分的建議權值進行實施與效果驗證，權值優化效果顯著。下面以3D-MIMO小區XX大廈-43為例，說明3D-MIMO天線權值優化效果。圖中X軸是3D-MIMO小區所覆蓋的三維立體柵格中水平方向的MDT增益得分，Y軸是垂直方向的MDT增益得分，坐標軸上的數字代表該維度的得分累加值。
圖4：優化前后MDT增益得分分布圖
天線優化前水平方向上各柵格的得分從左到右是：21.9、30.0、11.9、8.7、6.8…，可以明顯看出3D-MIMO小區中得分較高的MDT基本上在覆蓋區域靠左的柵格;垂直方向上各柵格的得分從上到下是：14.7、33.6、27.9、10.4，得分較高的MDT主要在覆蓋區域中間的柵格。
天線優化后水平方向上各柵格的得分從左到右是：8.5、14.5、29.8、34.3、35.9…，垂直方向上各柵格的得分從上到下是：12.8、56.2、52.9、28.7，3D-MIMO小區中得分較高的MDT在水平和垂直方向均分布在覆蓋區域中間的柵格。
通過3D-MIMO天線權值優化，話務熱點集中于天線法線方向，提升熱點區域覆蓋能力，有效改善熱點區域用戶感知，提升3D-MIMO小區整體吞吐量。
表2 3D-MIMO天線權值優化效果示例
3、結論
3D-MIMO 和MDT均是當前移動網絡熱門研究方向，本文提出的基于MDT大數據實現3D-MIMO天線權值優化方法，將海量用戶MDT測量數據和UE位置信息有機結合，綜合考慮了用戶的覆蓋、容量、干擾及用戶體現等因素，按照最優搜索算法給出3D-MIMO廣播波束最優權值建議。最優權值經過應用驗證，3D-MIMO小區容量和用戶感知顯著提升，有效改善熱點區域用戶感知，同時基于不同場景優化廣播波束權值，提升廣播信道覆蓋質量及小區吞吐量，實現了3D-MIMO投資收益最大化。利用普通商用終端上報的MDT數據實現3D-MIMO天線權值自動優化，解決3D-MIMO天線權值優化手段不足的技術難題，并大大縮減日常路測和數據分析的必要性，提升3D-MIMO小區優化效率，節省了網絡優化成本。Massive MIMO是未來5G網絡的關鍵技術之一，通過本文的3D-MIMO天線權值研究及實踐，為后續5G網絡Massive MIMO天線權值優化提供有效的思路和依據。
參考文獻
[1] 3GPP TS37.320, Evolved Universal Terrestrial Radio Access E-UTRA Radio Measurement Collection for Minimization of Drive Tests(MDT) [S]. 2012.
[2] 賀琳,劉申建,郭省力等.最小化路測技術發展現狀及應用分析[J].郵電設計技術,2012,(12).
[3] 喬自知,苗守野,孫碧濤.QoE領域新進展及其在最小化路測(MDT)方面的新應用[J].移動通信，2010(19):24-28.
[4] 陳旭. LTE 3D-MIMO技術及應用分析[D].福建:福建省郵電規劃設計院有限公司,2017.
[5] 彭菲.2D到3D-MIMO用戶配對資源管理[D].北京:北京郵電大學,2014.
[6] 劉文廣,封志宏. TD-LTE系統中智能天線技術的優化[J].信息通信，2014 (12):182-183.
[7] Tadilo Endeshaw Bogale, and Luc Vandendorpe. “Robust Sum MSE Optimization for Downlink Multiuser MIMO Systems with Arbitray Power Constraint: Generalized Duality Approach,” IEEE Transactions on Signal Processing, vol. 60, no. 4, April. 2012.
[8] Giuseppe Caire, Nihar Jindal, Mari Kobayashi, and Niranjay Ravindran. “Multiuser MIMO Achievable Rates with Downlink Training and Channel State Feedback,” IEEE Transactions on Information Theory, vol. 56, no. 6, June 2010.
【本文為51CTO專欄作者“移動Labs”原創稿件，轉載請聯系原作者】
