基于MDT的3D-MIMO天线权值优化方法研究与应用-mimo多天线系统与天线设计

Labs 导读

本文提出了一种基于MDT大数据优化3D-MIMO天线权值的方法，使得话务热点集中于3D-MIMO天线法线方向，有效改善热点区域用户感知，使3D-MIMO小区尽量吸收更多话务，实现了3D-MIMO投资收益最大化，并为后续面向5G的3D-MIMO大规模建设及优化提供有效依据。

[[377716]]

3D-MIMO(又称Massive MIMO)是多天线技术演进的一种高端形态，是5G技术4G化的一项关键技术。它利用大规模多天线阵列所提供的垂直维与水平维的空间自由度，提升多用户空分复用能力、波束成型能力以及抑制干扰的能力，实现了三维波束赋形和多流多用户资源复用，大幅提升系统容量和立体覆盖，并解决当前“高负荷、高楼、高干扰”等场景问题。在3D-MIMO建网初期由于无法获取小区内的用户分布, 3D-MIMO广播波束天线权值一般采用默认设置，无法根据不同覆盖场景(如广覆盖、高层覆盖、高话务等) 匹配不同的广播波束权值，不能达到广播波束的最优覆盖，无法获得3D-MIMO的预期增益。

本文介绍了一种基于MDT数据实现3D-MIMO广播波束天线权值优化的方法。MDT(Minimization of Drive-Tests，最小化路测)是移动网络中用户上报的一种无线测量数据，包含用户地理位置和服务小区及邻区的信号强度、干扰、流量、用户速率等信息。通过解析用户在3D-MIMO小区及周边小区中的MDT数据，获取小区中实际的吞吐量、覆盖及干扰分布情况，按照最优搜索算法给出3D-MIMO广播波束最优权值建议，提升3D-MIMO优化效率，同时基于不同场景优化广播波束权值，提升广播信道覆盖质量及小区吞吐量。

1、基于MDT的3D-MIMO天线权值优化方法研究

本文提出的3D-MIMO天线权值优化方法利用普通商用终端测量并上报的MDT数据所包含的经纬度、海拔高度以及无线测量信息，实现天线文件中每一种天线权值组合的得分计算，并对不同的天线权值组合进行遍历寻优得到最终权值优化建议。

1.1 天线权值优化核心算法

3D-MIMO具备13组典型广播波束权值以及31种电下倾角可调(-15°~+15°)，共283种天线权值组合，不同场景需要匹配不同的天线权值组合。

MDT包含用户的GPS位置信息及M1-M7无线测量信息，本方法所需的测量项包括M1、M3、M4、M5测量项，各测量项的定义如下：

M1：RSRP，RSRQ，由UE测量并上报;
M2：Power Headroom (PHR) ，由UE测量并上报;
M3：接收干扰功率测量(RIP)，由eNodeB测量;
M4：下行/上行数据吞吐量，由eNodeB测量;
M5：下行/上行调度IP吞吐率，由eNodeB测量;
M6：下行/上行数据包时延测量，由eNodeB测量;
M7：下行/上行数据丢包率测量，由eNodeB测量;

天线权值优化核心算法是3D-MIMO小区广播权值调整后丢失用户以及潜在可吸收用户估算、不同天线权值组合的增益分值预测，具体实现步骤如下：

步骤1：将待优化区域划分为若干三维立体栅格(5m×5m×5m)，把终端上报的MDT数据根据自带的经纬度及海拔高度信息匹配到相应的三维立体栅格内，以确定3D-MIMO小区及邻区用户的覆盖电平、干扰、流量及用户感知业务分布。
步骤2：根据MDT数据中覆盖、干扰、流量及用户感知信息计算每个三维立体栅格内的天线权值得分Wi，计算公式如下：

Wi=

其中Cov、Cap、Thp、Intf分别表示MDT中覆盖电平、流量、用户速率及干扰信息，每个信息分为5个等级，每个等级有相应分值;k、i、j、m为权重因子系数，分别表示覆盖电平、流量、用户速率及干扰的权重，实际应用中可根据不同网络3D-MIMO建设侧重点进行调整。

计算3D-MIMO小区覆盖的所有栅格的天线权值得分Wi求和后取均值，从而获得3D-MIMO小区在该天线权值下的得分。

步骤3：根据天线权值文件中不同的水平波瓣角、垂直波瓣角及电子下倾角组合下覆盖能力确定其覆盖的目标区域范围，估算3D-MIMO小区权值调整后吸收的潜在用户及丢失用户情况，如下图1所示。

图1：不同3D-MIMO天线权值组合的覆盖估算示例

步骤4：计算不同天线权值组合下的天线权值得分W，针对不同的天线权值组合进行遍历寻优，获得所有天线波束权值下3D-MIMO小区的增益得分，根据得分排序以识别最优权值建议，下表列举了排名前10种天线权值组合预期增益得分。

表1 天线权值增益

1.2 天线权值优化流程

根据上述天线权值优化算法，以用户的MDT数据作为输入，采用如下优化评估流程给出实现最优天线权值。

以3D-MIMO服务小区及邻区用户MDT数据作为输入，利用经纬度信息确定MDT地理分布，输出3D-MIMO小区的覆盖、干扰、流量及用户感知等业务分布。
根据天线权值文件中不同天线权值组合的覆盖能力，遍历每组天线权值组合计算权值和下倾角发生变化后，不同天线权值的覆盖变化的程度，从而算出3D-MIMO小区带来的“潜在用户”和“丢失用户”。
根据不同天线权值组合配置下的“潜在用户”和“丢失用户”结果，估算3D-MIMO小区覆盖范围内MDT业务测量加权平均得分，并选取预期增益最大的一种组合作为优化推荐值。
基于MDT数据计算最优权值建议实施优化，使波束方向对准价值用户分布，吸收潜在用户提升3D-MIMO小区容量。

图2：3D-MIMO天线权值优化评估流程

2、基于MDT的3D-MIMO天线权值优化方法应用

2.1 优化系统构成及实现

在上述3D-MIMO天线权值优化算法及流程基础上，利用计算机软件开发了3D-MIMO天线权值优化系统，实现了不同天线权值的自动评估和计算。如下图所示，该系统由输入模块、计算模块和输出模块组成。

图3：3D-MIMO天线权值优化系统结构图

输入模块以3D-MIMO小区级周边邻区的基站配置文件、MDT数据及3D-MIMO天线文件作为输入，完成数据的解析、汇总和入库。

计算模块根据MDT数据所包含的RSRP、干扰、吞吐量及吞吐率等业务分布，结果不同天线权值组合的覆盖能力估算丢失用户及潜在用户，然后预测其覆盖区域内的天线权值增益评分。

输出模块根据不同天线权值组合预测得分排序选优，输出最优天线权值优化建议。

2.2 优化方法应用效果

利用上述天线权值优化系统，计算3D-MIMO小区不同天线权值能带来的增益得分，根据最高得分的建议权值进行实施与效果验证，权值优化效果显著。下面以3D-MIMO小区XX大厦-43为例，说明3D-MIMO天线权值优化效果。图中X轴是3D-MIMO小区所覆盖的三维立体栅格中水平方向的MDT增益得分，Y轴是垂直方向的MDT增益得分，坐标轴上的数字代表该维度的得分累加值。

图4：优化前后MDT增益得分分布图

天线优化前水平方向上各栅格的得分从左到右是：21.9、30.0、11.9、8.7、6.8…，可以明显看出3D-MIMO小区中得分较高的MDT基本上在覆盖区域靠左的栅格;垂直方向上各栅格的得分从上到下是：14.7、33.6、27.9、10.4，得分较高的MDT主要在覆盖区域中间的栅格。

天线优化后水平方向上各栅格的得分从左到右是：8.5、14.5、29.8、34.3、35.9…，垂直方向上各栅格的得分从上到下是：12.8、56.2、52.9、28.7，3D-MIMO小区中得分较高的MDT在水平和垂直方向均分布在覆盖区域中间的栅格。

通过3D-MIMO天线权值优化，话务热点集中于天线法线方向，提升热点区域覆盖能力，有效改善热点区域用户感知，提升3D-MIMO小区整体吞吐量。

表2 3D-MIMO天线权值优化效果示例

3、结论

3D-MIMO 和MDT均是当前移动网络热门研究方向，本文提出的基于MDT大数据实现3D-MIMO天线权值优化方法，将海量用户MDT测量数据和UE位置信息有机结合，综合考虑了用户的覆盖、容量、干扰及用户体现等因素，按照最优搜索算法给出3D-MIMO广播波束最优权值建议。最优权值经过应用验证，3D-MIMO小区容量和用户感知显著提升，有效改善热点区域用户感知，同时基于不同场景优化广播波束权值，提升广播信道覆盖质量及小区吞吐量，实现了3D-MIMO投资收益最大化。利用普通商用终端上报的MDT数据实现3D-MIMO天线权值自动优化，解决3D-MIMO天线权值优化手段不足的技术难题，并大大缩减日常路测和数据分析的必要性，提升3D-MIMO小区优化效率，节省了网络优化成本。Massive MIMO是未来5G网络的关键技术之一，通过本文的3D-MIMO天线权值研究及实践，为后续5G网络Massive MIMO天线权值优化提供有效的思路和依据。

参考文献

[1] 3GPP TS37.320, Evolved Universal Terrestrial Radio Access E-UTRA Radio Measurement Collection for Minimization of Drive Tests(MDT) [S]. 2012.

[2] 贺琳,刘申建,郭省力等.最小化路测技术发展现状及应用分析[J].邮电设计技术,2012,(12).

[3] 乔自知,苗守野,孙碧涛.QoE领域新进展及其在最小化路测(MDT)方面的新应用[J].移动通信，2010(19):24-28.

[4] 陈旭. LTE 3D-MIMO技术及应用分析[D].福建:福建省邮电规划设计院有限公司,2017.

[5] 彭菲.2D到3D-MIMO用户配对资源管理[D].北京:北京邮电大学,2014.

[6] 刘文广,封志宏. TD-LTE系统中智能天线技术的优化[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.

【本文为51CTO专栏作者“移动Labs”原创稿件，转载请联系原作者】

戳这里，看该作者更多好文