基于隨機(jī)森林算法的智能NB-IoT覆蓋評(píng)估

曾 偉，劉 哲，鐘檢榮（中國(guó)聯(lián)通北京市分公司，北京 100038）

0 引言

窄帶物聯(lián)網(wǎng)（Narrow Band Internet of Things,NBIoT）作為5 G 低功耗大連接場(chǎng)景的前期技術(shù)已得到了廣泛關(guān)注，NB-IoT 目前已成為各大運(yùn)營(yíng)商物聯(lián)網(wǎng)采用的主流技術(shù)。與傳統(tǒng)通信技術(shù)相比，窄帶物聯(lián)網(wǎng)技術(shù)具有低成本、低功耗的特點(diǎn)，應(yīng)用范圍更加廣泛。在技術(shù)路徑的選擇上，窄帶物聯(lián)網(wǎng)技術(shù)對(duì)傳統(tǒng)通信技術(shù)做了極大的簡(jiǎn)化，為了節(jié)省終端功耗，不支持終端的MR測(cè)量上報(bào)。通過(guò)傳統(tǒng)手段來(lái)獲取NB-IoT網(wǎng)絡(luò)的信號(hào)狀況，不僅周期長(zhǎng)、成本高、效率低，而且部分業(yè)務(wù)場(chǎng)景點(diǎn)難以覆蓋，因此無(wú)有效的手段獲取網(wǎng)絡(luò)覆蓋狀況成為了窄帶物聯(lián)網(wǎng)技術(shù)發(fā)展中亟待解決的難題。在人工智能日益成熟、應(yīng)用愈發(fā)廣泛的今天，在NBIoT網(wǎng)絡(luò)覆蓋評(píng)估引入隨機(jī)森林算法，有望解決這一難題，為窄帶物聯(lián)網(wǎng)的進(jìn)一步推廣應(yīng)用掃清障礙。

1 NB-IoT覆蓋線(xiàn)性評(píng)估

在目前的技術(shù)手段與實(shí)踐中除了路測(cè)評(píng)估之外，利用NB-IoT 網(wǎng)絡(luò)與UMTS900M 網(wǎng)絡(luò)同站址同天饋的特點(diǎn)，常采用覆蓋線(xiàn)性評(píng)估的方法。共天饋小區(qū)信號(hào)空間傳播路徑大致相同，路徑損耗差基本定于不同頻段空間損耗差。基于UMTS900M 網(wǎng)絡(luò)柵格化MR 數(shù)據(jù)構(gòu)建路損矩陣，并利用發(fā)射功率和路徑損耗差別，實(shí)現(xiàn)對(duì)NB-IoT網(wǎng)絡(luò)柵格的覆蓋預(yù)測(cè)評(píng)估，如圖1所示。

圖1 NB-IoT覆蓋線(xiàn)性評(píng)估原理

1.1 理論推導(dǎo)

由于NB-IoT網(wǎng)絡(luò)與UMTS網(wǎng)絡(luò)采用1∶1同站址組網(wǎng)，共用天饋系統(tǒng)，2 張網(wǎng)絡(luò)在射頻特性上，如天線(xiàn)掛高、方位角、天線(xiàn)角等保持一致。所以，NB-IoT 網(wǎng)絡(luò)與UMTS 網(wǎng)絡(luò)的天饋損耗（Feeder loss）和天線(xiàn)增益（An?tenna Gain）相同，接收信號(hào)強(qiáng)度差別只與發(fā)射功率（Tx Power）和路徑損耗（PathLoss）有關(guān)。發(fā)射功率差異如表1所示。

表1 發(fā)射功率差異

路徑損耗可以由自由空間傳播損耗公式計(jì)算得到。自由空間傳播損耗公式：

由式（1）可知，在傳播距離相同的情況下，路徑損耗只與工作頻率相關(guān)，中國(guó)聯(lián)通NB-IoT網(wǎng)絡(luò)使用的頻段為900 MHz與U900網(wǎng)絡(luò)同頻段，所以2張網(wǎng)絡(luò)的路徑損耗一致。

綜上所述，如用U900 網(wǎng)絡(luò)作為NB-IoT 網(wǎng)絡(luò)覆蓋線(xiàn)性評(píng)估的參照物，那么在同站址共天饋場(chǎng)景下可計(jì)算N900網(wǎng)絡(luò)覆蓋強(qiáng)度:

N900 接收信號(hào)強(qiáng)度-U900 接收信號(hào)強(qiáng)度=32.2-33=-0.8 dB；即N900 RSRP=U900 RSCP+0.8 dB

1.2 實(shí)測(cè)矯正

1.1 節(jié)通過(guò)理論說(shuō)明了通過(guò)U900 的覆蓋強(qiáng)度來(lái)估算NB-IoT 網(wǎng)絡(luò)覆蓋強(qiáng)度的可行性，U900 的覆蓋電平與N900的覆蓋電平存在規(guī)律差異。在實(shí)際應(yīng)用中，由于網(wǎng)管平臺(tái)采集及解析U900 MR 數(shù)據(jù)產(chǎn)生的偏滯，U900 與N900 的覆蓋差值還需要經(jīng)過(guò)實(shí)測(cè)矯正。選取了一片區(qū)域進(jìn)行驗(yàn)證，對(duì)45 個(gè)測(cè)試點(diǎn)的U900 與N900進(jìn)行CQT測(cè)試，對(duì)比測(cè)試結(jié)果，如圖2所示。

圖2 N900 RSRP與U900 RSCP的實(shí)測(cè)差值示意圖

從圖2 可以看出，U900 覆蓋電平值與N900 覆蓋電平值整體差值保持平穩(wěn)，確實(shí)存在規(guī)律性差異，差異值平均為4 dB，即U900 RSCP 比N900 RSRP 高約4個(gè)dB，因此N900 RSRP≈U900 RSCP+4 dB。

2 隨機(jī)森林模型的建立

隨機(jī)森林是一種統(tǒng)計(jì)學(xué)習(xí)理論，是利用bootsrap重抽樣方法從原始樣本中抽取多個(gè)樣本，對(duì)每個(gè)bootsrap樣本進(jìn)行決策樹(shù)建模，然后組合多棵決策樹(shù)的結(jié)果，通過(guò)投票得出最終結(jié)果。隨機(jī)森林模型具有很高的預(yù)測(cè)準(zhǔn)確率，對(duì)異常值和噪聲具有很好的容忍度，且不容易出現(xiàn)過(guò)擬合。

2.1 數(shù)據(jù)的來(lái)源與選取

本文以目標(biāo)點(diǎn)位處的U900 制式的RSCP 值、U900制式的EcIo 值、L1800 制式的RSRP 值、L1800 制式的SINR 值、U2100 制式 的RSCP 值、U2100 制式 的EcIo值、經(jīng)度、緯度及采樣點(diǎn)與主服務(wù)基站距離這9個(gè)指標(biāo)作為輸入特征；目標(biāo)點(diǎn)位的NB-IoT覆蓋電平值作為輸出特征。

在原始樣本集中，輸入特征數(shù)據(jù)可以直接從網(wǎng)管后臺(tái)提取相關(guān)指標(biāo)，輸出特征通過(guò)實(shí)地測(cè)試的方法獲得。同樣的，在評(píng)估待測(cè)點(diǎn)位的NB-IoT 覆蓋電平值時(shí)，只需要從后臺(tái)網(wǎng)管提取待測(cè)點(diǎn)位的9 個(gè)輸入特征值即可。

2.2 隨機(jī)森林算法模型

隨機(jī)森林算法是一種集成學(xué)習(xí)算法，綜合多個(gè)決策樹(shù)的預(yù)測(cè)結(jié)果得到最終結(jié)果。隨機(jī)森林中隨機(jī)是核心，通過(guò)隨機(jī)的選擇樣本、特征，降低了決策樹(shù)之間的相關(guān)性。隨機(jī)森林中的隨機(jī)主要有2 層意思，一是隨機(jī)在原始訓(xùn)練數(shù)據(jù)中有放回地選取等量的數(shù)據(jù)作為訓(xùn)練樣本，二是在建立決策樹(shù)時(shí)，隨機(jī)地從特征中選取一部分特征建立決策樹(shù)。這2種隨機(jī)使得各個(gè)決策樹(shù)之間的相關(guān)性較小，可進(jìn)一步提高模型的準(zhǔn)確性。隨機(jī)森林算法分為如下3個(gè)步驟。

步驟1，生成原始數(shù)據(jù)樣本集，模型輸入量的個(gè)數(shù)為9 個(gè)，輸出量的個(gè)數(shù)為1 個(gè)。選取N個(gè)NB-IoT 網(wǎng)絡(luò)終端點(diǎn)位來(lái)生成原始數(shù)據(jù)樣本集，一條原始數(shù)據(jù)樣本包含9 個(gè)輸入特征值和1 個(gè)輸出值。原始數(shù)據(jù)樣本集包含N條原始數(shù)據(jù)樣本。

步驟2，用步驟1生成的原始數(shù)據(jù)樣本集通過(guò)有放回抽樣M次生成訓(xùn)練樣本集，建立窄帶物聯(lián)網(wǎng)覆蓋評(píng)估模型，評(píng)估模型以隨機(jī)森林算法為核心，由M 棵決策樹(shù)組成。每棵決策樹(shù)都由一個(gè)訓(xùn)練樣本集生成，決策樹(shù)生成時(shí)從根節(jié)點(diǎn)開(kāi)始，采用最小二乘偏差（LSD）方法遞歸確定每個(gè)節(jié)點(diǎn)的分裂變量和分裂點(diǎn)，直到滿(mǎn)足停止條件，如圖3所示。

圖3 隨機(jī)森林模型生成圖

步驟3，獲取待測(cè)點(diǎn)位的9 個(gè)模型輸入數(shù)據(jù)，通過(guò)窄帶物聯(lián)網(wǎng)覆蓋評(píng)估模型計(jì)算出待測(cè)點(diǎn)位的信噪比值。將9 個(gè)模型輸入數(shù)據(jù)輸入模型，每棵決策樹(shù)都可以得出1 個(gè)信噪比值，記為f1(x),f2(x)…fm(x)，M棵決策樹(shù)所得結(jié)果的平均值即為模型的輸出結(jié)果。即：

在步驟2 中，訓(xùn)練樣本集的生成方法是：從N條原始樣本數(shù)據(jù)集中，有放回隨機(jī)抽樣n（n≤N）條原始數(shù)據(jù)樣本，再?gòu)拿織l原始數(shù)據(jù)樣本中隨機(jī)選取k（k≤9）個(gè)輸入特征值與1 個(gè)輸出值，生成1 個(gè)訓(xùn)練樣本集。1 個(gè)訓(xùn)練樣本集為一個(gè)n×(k+1)的數(shù)組。

生成決策樹(shù)時(shí)的最小二乘偏差（LSD）方法是求解：

其中，ti是分裂特征，是分裂點(diǎn)，R1，R2是按照分裂點(diǎn)劃分的2個(gè)區(qū)域：

c1，c2是R1，R2兩區(qū)域內(nèi)的平均值：

xi,yi是模型的輸入和輸出，i ∈{1,2,…n}，j ∈{1,2,…k}。

遍歷特征ti，掃描分裂點(diǎn)，選擇使最小二乘偏差達(dá)到最小值的分裂特征和分裂點(diǎn)(ti,)，作為決策樹(shù)的分裂依據(jù)。

為了控制過(guò)擬合現(xiàn)象的發(fā)生，可以把決策樹(shù)生成停止條件指定為：某一分裂點(diǎn)左右任意一分支的數(shù)據(jù)集樣本數(shù)小于5%×n。

3 結(jié)果對(duì)比分析

本文構(gòu)建了2 種NB-IoT 覆蓋評(píng)估模型，選取同一片區(qū)域?qū)€(xiàn)性評(píng)估模型和隨機(jī)森林模型的效果進(jìn)行驗(yàn)證，通過(guò)評(píng)估值與實(shí)測(cè)值的對(duì)比，來(lái)驗(yàn)證模型的準(zhǔn)確性，比較模型的性能。如圖4和圖5所示。

圖4 線(xiàn)性評(píng)估模型NB-IoT覆蓋評(píng)估值與實(shí)測(cè)值對(duì)比圖

圖5 隨機(jī)森林模型NB-IoT覆蓋評(píng)估值和實(shí)測(cè)值對(duì)比

結(jié)果表明，由線(xiàn)性評(píng)估模型推算出的評(píng)估值與實(shí)測(cè)值大部分偏差在20 dB 以?xún)?nèi)，標(biāo)準(zhǔn)偏差σ=10.5，評(píng)估結(jié)果較為一般。而由隨機(jī)森林模型推算得出的評(píng)估值與實(shí)測(cè)值有顯著的相關(guān)性，標(biāo)準(zhǔn)偏差σ=5.7，在覆蓋電平值較差的區(qū)域采樣點(diǎn)偏差大，這與NB-IoT弱覆蓋區(qū)域采樣點(diǎn)較少有關(guān)，如能增加采樣點(diǎn)補(bǔ)充進(jìn)訓(xùn)練樣本集，則評(píng)估精度還可以進(jìn)一步提升。

綜上所述，由隨機(jī)森林模型得到的評(píng)估值較為理想，彌補(bǔ)了NB-IoT 網(wǎng)絡(luò)覆蓋評(píng)估不準(zhǔn)確的漏洞，具有市場(chǎng)推廣意義。

4 結(jié)束語(yǔ)

本文深入研究NB-IoT覆蓋的評(píng)估方法，結(jié)合人工智能領(lǐng)域的隨機(jī)森林算法，探索出一種開(kāi)展NB-IoT覆蓋評(píng)估的有效方法。對(duì)比線(xiàn)性差值評(píng)估方法，有效提高了覆蓋評(píng)估精度，大大提高了覆蓋預(yù)測(cè)評(píng)估效率。

對(duì)NB-IoT物聯(lián)網(wǎng)覆蓋的精準(zhǔn)評(píng)估，可以有效地指導(dǎo)NB-IoT網(wǎng)絡(luò)規(guī)劃建設(shè)和優(yōu)化運(yùn)維，精準(zhǔn)助力業(yè)務(wù)部門(mén)對(duì)潛在用戶(hù)的售前牽引，為運(yùn)營(yíng)商物聯(lián)網(wǎng)業(yè)務(wù)的部署應(yīng)用提供了有力支撐。NB-IoT 點(diǎn)位的評(píng)估優(yōu)化，支撐了包括北京聯(lián)通亦莊智能井蓋項(xiàng)目、豐臺(tái)水位監(jiān)控項(xiàng)目以及新冠疫情期間隔離報(bào)警設(shè)備項(xiàng)目在內(nèi)的一批重點(diǎn)項(xiàng)目，均取得了顯著的效果。