[发明专利]使用深度学习优化蜂窝网络

说明书

本技术提供了一种使用深度学习优化无线网络(包括无线网络的覆盖和容量)的新方法。所提的方法涉及生成小区组，该小区组包括被识别为表现不佳的小区和一个或多个相邻小区，基于上述表现不佳的小区与一个或多个相邻小区之间的一个或多个关系参数对上述一个或多个相邻小区进行排序，以及基于上述一个或多个相邻小区的排序生成该小区组的多维多渠道状态张量。用于蜂窝网络优化的该方法使用更快、更准确、花费更少、以及鲁棒性更高的过程改善了蜂窝网络的覆盖和容量。

相关申请的交叉引用

本申请要求于2017年7月6日提交的发明名称为“深度学习系统和方法以及使用深度学习的无线网络优化”、申请号为No.15/642,563(客户案号85368144US01)的美国专利申请的优先权，其全部内容以引入的方式并入本文。

技术领域

本公开涉及使用深度学习优化蜂窝网络和其他类型的无线网络，尤其涉及将关于相邻小区组的多渠道数据布置成多维状态张量，以将该多维状态张量用作深度神经网络的输入。

背景技术

蜂窝网络或移动网络是可以划分为一个或多个地理区域的无线通信网络，这些地理区域称为小区，小区可以通过一个或多个固定位置的收发器(称为基站)通信互连。通过小区和基站的布置，蜂窝网络可以提供大的地理区域上的无线通信覆盖，并使无线通信装置能够在网络中的任何地方(可能通过长距离)相互通信。随着行业朝着包括大量高度集中的小区、能够提供几乎无处不在的覆盖的密集部署的网络转移，现代蜂窝网络正变得更大且更复杂。随着蜂窝网络的大小和复杂度不断增长，优化其覆盖和容量变得越来越具有挑战性。例如，小区数量的增加导致相邻小区间的交互和潜在干扰的数量呈指数增长。由于干扰的存在，改变一个小区的设置以提高其覆盖和容量可能会潜在地降低该小区的邻区的覆盖和容量以及整个网络的覆盖和容量。

已用于解决这些挑战的一种常规方法是构造蜂窝网络的虚拟模型，从而可以在虚拟环境中调节和优化网络参数。然而，该方法具有若干缺点。首先，优化过程可能较慢，建立模型和优化模拟的网络参数通常需要几天或几周。第二，该过程可能花费较高，因其需要路测(drive testing)并需要知道用户设备的地理位置。第三，由于工程参数(如基站天线的机械倾角)的不准确表示，从模拟环境中产生的解决方案可能是不准确的。

优化蜂窝网络的覆盖和容量的第二种常规方法是通过进行小步长调节并收集关于这些调节对现实网络的影响的现实反馈来迭代地优化网络参数，直到找到最优解决方案。这种迭代方法可能同样较慢，通常需要三到五次或更多次迭代并需要数天来优化网络。另外，必须对现实网络进行许多调节，可能会导致网络的一些部分由于这些调节而失去覆盖。此外，即使找到了对于一个蜂窝网络的最优解决方案，该解决方案也无法应用于不同的蜂窝网络。相反，对于新的蜂窝网络的优化将需要从头开始迭代过程。

发明内容

根据本公开的一方面，提供了一种用于优化具有多个小区的蜂窝网络的计算机实现的方法，该方法包括：选择小区组，该小区组包括被识别为表现不佳的小区和一个或多个相邻小区，基于上述表现不佳的小区和上述一个或多个相邻小区之间的一个或多个关系参数，对上述一个或多个相邻小区进行排序，基于上述一个或多个相邻小区的上述排序生成上述小区组的状态张量，该状态张量反映上述蜂窝网络中的上述小区组内的运行通信条件，处理上述状态张量以产生一个或多个推荐，用以调节上述蜂窝网络的上述一个或多个参数；以及基于上述一个或多个推荐调节上述蜂窝网络的上述一个或多个参数。

可选地，在任何前述方面中，处理上述状态张量以产生一个或多个推荐，用以调节上述蜂窝网络的一个或多个参数包括：将上述状态张量作为输入提交至深度神经网络，以及使用上述深度神经网络产生一个或多个推荐，用以调节上述蜂窝网络的一个或多个参数。

可选地，在任何前述方面中，当一个或多个小区性能测量超过一个或多个阈值时，上述小区被识别为表现不佳。

可选地，在任何前述方面中，上述一个或多个小区性能测量包括基于信号功率和信号质量之间的关系计算的目标函数值。