共计 3058 个字符，预计需要花费 8 分钟才能阅读完成。
本文为大家带来的演讲主题是：5G 通达，AI 赋能 ，次要分为三个局部：
- 网络布局 \
- 流传模型 \
- AI 的利用成果
网络布局
与图像、语音这种，和日常生活非亲非故的 AI 利用不同，在挪动通信网络中的利用 AI，其专业性较强。因而，首先简略介绍一下什么是网络布局？简略来说，网络布局就是以适合的建网老本，确定站址建设的计划，满足将来布局期内，移动用户应用的需要。从应用挪动通信服务的用户来说，第一档次要求进行根本的语音通话，与信息的传输。第二档次就是可能满足定制化的需要，比如说 VR/AR 游戏等等。从建设网络的运营商来说，第一档次就是建网投资可能为运营商带来收益。更高层次，就是让投资被动去瞄准潜在的收益区域。所以咱们要进行网络布局，就是要答复上面三个问题: 首先，哪些区域须要建站？其次，哪些区域值得建站？最初，指标区域怎么进行建站？
哪些区域须要建站？
满足的是用户可能应用挪动网络的需要。随着挪动通信技术的降级，从 90 年代的 2G 时代，到当初的 5G 时代，对这一问题的解决方案或者说解决工具，都在一直降级演进。从最开始，网络布局设计师须要纸版地图，用设计师的智慧和教训布局网络。到 3G、4G 时代用接入数字地图进行布局仿真，可能模仿网络建站计划，预测将来达到网络计划落地后能达到的性能成果，进步网络布局工作的效率。到 5G 时代，能够联合大数据分析以及 AI 能力，达到进一步提质增效的目标。
WAVE SUMMIT+2021 深度学习开发者峰会
【科技翻新，女性力量】论坛
哪些区域值得建站？
这将是从满足用户应用第二个档次的需要，以及满足网络投资精准需要登程。
以前如果用户投诉比拟多的区域，或者说话务量、业务量比拟大的区域，就是咱们的价值区域。在明天，咱们同样能够依据大数据分析，失去价值地图。利用 AI 预测能力，预测将来一段时间内，投资价值的画像，从而进一步提高投资的精准度。
指标区域怎么进行建站？
在确定好指标区域之后，网络布局还要实现的工作，是在这个区域怎么进行建站？如何布局站址，他们的笼罩成果最好？如何分配资源，满足用户业务应用的需要？
也就是说，要用正当的建站计划，正当的建站老本，满足用户的业务需要。在 90 年代，咱们会依据简略的链路估算，计算一个站点笼罩的范畴。依据爱尔兰 B 表估算满足用户话音，或者小数据业务下的站点资源配置。从 3G 时代开始，利用网络布局仿真工具，预测网络计划对于将来网络计划承载混合数据业务能达到的笼罩能力以及容量能力。在当今，咱们也能够利用 AI 能力，依据用户业务需要的变动，来智能进行网络资源的调整和匹配。答复完这三个问题，咱们对网络布局有了大略的理解，也理解了网络布局当中有很多环节都能够利用到 AI 的能力。大家是否留神到，屏幕中黑白的图案？这里用不同的色彩，展现了无线信号的强度。深色的、蓝色的区域代表信号强，红色区域代表信号弱。如何在工具平台当中，表白无线信号的流传？或者说模仿基站发射的无线信号，达到用户地位点时能接管到的信号强度有多少？
流传模型
这是咱们重点要谈的问题，什么是流传模型？流传模型是为了在数字世界当中，形容咱们物理世界中的无线电波在空间中的流传个性。这种流传个性，通常与工作频段和收发点之间间隔，具备很强的相关性。教训模型是通过大量的实际测试，总结出的经验型公式。比方奥村模型，就是 20 世纪 60 年代，奥村等学者在东京远郊采纳很宽频率的范畴，测试了多种基站天线的高度、多种接管天线的高度，以及在各种不规则的地形和环境地物条件下，测量信号的强度，而后造成一系列的曲线图表。这些曲线图表，可能显示不同频率上的，接管场强和间隔的关系。这时候，基站天线的高度，能够作为曲线的参量。也能够体现出不同的环境下，包含在开阔地或市区，接管强度对间隔的依赖关系；或者市区中接管场强和频率的依赖关系；甚至是市区和市区的差异。最初给出市区环境下的修改因子，或者信号强度随着基站天线高度、接管天线高度的变动之间的互相关系。
在理论利用中，能够在已知参量的调整下查表利用。Hata 模型就是在奥村进行大量测试数据的根底上，给出拟合的公式。而 COST 231 Hata 就是在城区环境下进一步进行修改，就像 PPT 展现的教训公式一样。能够看到，从发射到接管之间，信号通过一个流传门路，会带来门路的损耗。它的损耗，跟发射到接管之间经验的门路频段、收发点之间的间隔、基站的挂高、终端的高度，以及经验的地物环境非亲非故。因而教训模型在取得测量的时候，实际上是反映了，过后测量环境下的地理环境。在理论利用中，咱们须要依据指标区域的地区环境特点，进行相应的修改。3G 时代之后，网络布局仿真工作更加精密，更罕用的是 SPM 模型。SPM 模型将门路损耗与频率、间隔、地物个性等相干的内容，形象为相干的参数。在理论应用的时候，能够依据理论测试的数据，进行相应的校对。进一步随着网络布局精细化的需要，能够采纳确定性的射线跟踪的模型，模仿无线信号在理论流传中电磁波的流传个性。比方，无线电波的直射、反射、散射等等。通常三维射线模型，会优于后面传统的教训模型，因为它能够模拟出地区环境信息产生的多径的个性。在以上所有的流传模型中，都须要利用到理论的现场数据，进行模型校对。而掂量模型准确性重要指标，就是在理论测试值和模型预测值之间的误差。明天次要分享的，是利用 AI 实现空间无线电波流传个性的建模。它的劣势就是可能利用现网的大数据，实现逐区域模型的迭代更新，从而进一步提高预测准确性。
AI 的利用成果
接下来分享 AI 流传模型，在利用的时候成果如何？AI 技术，曾经胜利利用于诸多畛域。它胜利的次要起因之一，就是神经网络具备宽泛的通用性，简直能够模仿任何的函数模式。只有用正确的数据进行正当训练，就能够取得远优于传统办法的成果。比方 DNN、CNN、RNN 这些网络，曾经胜利利用于各行各业，大家都不生疏。
在无线流传畛域，利用 AI 技术也同样能够建设地理环境的特色、信息和流传模型之间的关系。因而咱们的工作，就是基于无线电波流传的基本原理，来设计整个网络架构。同时也要演绎出，可能利用的输出特色量。比方，在这里列出的 C1 到 C7，就是咱们利用的 7 个特色：包含收发之间的间隔；收发两者之间地位绝对的高度；以及接收点近距离地物类型；接收点近距离地物栅格的数目；以及收发两者之间间隔上，各地物类型的间隔长度；还有收发之间是不是有遮挡；以及在接收点近距离上，是不是有遮挡。进一步还能够把天线增益，作为一个新的特色输出，来扩大模型的泛化性。后面提到了，掂量模型优越的指标，要看实测和预测之间误差的均值和标准差。在个别的教训模型下，达到 8 个 DB 就是十分好的模型。在三维射线跟踪模型下，如果达到 6 个 DB，也是十分好的模型。而利用 AI 的模型在不同的频段，比方 700M、2.6G、4.9GHZ，以及不同的环境，比方城区、山区这样的场景都进行了验证，标准差达到 4 个 DB 左右。
更重要的是，从这张图外面能清晰地看到，AI 流传模型预测的信号强度，对理论环境具备很高的匹配性。比方图中河流，对于信号加强的波导效应、楼宇对信号的遮挡性、街道对信号的传导效应，都能够很清晰地反映进去。
最初总结一下，AI 模型它不具备唯一性。因而，这也是能够利用无线网的数据，一直进行迭代更新的劣势所在。
将来，AI 流传模型，能够进一步联合地理环境信息剖析笼罩弱场得主因素，从而给出不同的解决方案，也能够呈现出整个城市弱笼罩因素的分布图，从而辅助优化计划的决策。比方远距离遮挡是次要因素时，能够优化邻近站点的方向角。但当近距离遮挡物时，能够减少补盲站点。
