Page 12 - 网络电信2023年12月刊

运营商专栏

图3 MDT数据的高度分布特性 图4 MDT数据特性

假定在街道和开阔地的MDT高度可以表示如下。

其中，Hbaiba为海拔高度；d为MDT高度相对地图高度的固
定偏离。
修正后的MDT均值高度如下。 2.4.1基于射线跟踪模型
在射线跟踪模型应用下对比不同场景孪生精度。一种是采
用传统Planet数字地图方式；一种是采用三维模型构建方式，
其中，E(d)为修正后的MDT均值高度；n为MDT样本总量；i 如图6所示。
为某个样本。 在两种建模方式下，应用网络孪生仿真平台进行仿真预
2.3.2神经网络的设计 测，并与实际外场进行逐点对比，结果见表1。方案1场景孪生
在对MDT数据进行高度修正之后，还需要依据MDT数据分布 部分采用Planet 5 m精度数字地图；方案2采用1 m精度SKP三维
特点进一步筛选，在众多MDT数据中选取符合无线电波传播规律 模型文件。方案1中仿真值与实测值的差值在5 d B以内的点数
的数据作为训练数据源。数据筛选原则考虑如下。 占比为53%；方案2中仿真值与实测值的差值在5 d B以内的点数
(1）所选MDT数据主要分布在小区主瓣方向。 占比为84%。基于模型文件的场景数字孪生技术对网络覆盖预测
(2）所选数据点随着传播距离增大其损耗逐渐增大。 性能有明显提升作用。
(3）所选数据点在传播路径上正确反映了不同地物影响 在方案验证过程中，本文也应用MDT数据进行射线跟踪模
等，如图4所示。 型矫正，并应用该模型进行覆盖预测，其对比验证准确性仅为
本文选用全连接神经网络进行模型训练，网络结构如图5所 53%。
示。 2.4.2基于AI模型
2.4方案比较 应用某城市的MDT数据按照前述方法进行筛选清洗和神经网
按照前述数字孪生应用的思路，以实际场景为例，用以下 络训练得到AI模型，进行仿真预测。与实际测试相比结果见表
不同方案进行深度覆盖预测，与实际测试值进行逐点对比，分 2。
析其准确性。

图5 神经网络结构示意

14 网络电信 二零二三年十二月