高铁专线智能优化关键技术分析

随着我国高速铁路的飞速发展，越来越多的人选择乘坐舒适的高铁出行。高铁场景已成为重要的移动通信口碑场景，提升高铁场景下的移动通信质量，对提高用户满意度，增强运营商核心竞争力具有重要意义。

在高速行驶的列车上，移动通信会遇到很多问题：高速列车采用密闭式厢体设计，增大了车体穿透损耗；严重的多普勒频偏效应导致无线性能恶化；频繁网络切换导致掉话率居高不下；单个问题波及面广，容易引发大量投诉等。传统的优化手段如DT（Drive Test）、CQT、网管指标分析等，在高铁场景下也有很大的局限性：
-成本高，传统路测需要安排专人携带测试设备乘坐高铁，采集的数据有限，难以发现偶发性问题或隐性故障，远不能反映真实的网络情况；
-效率低，高铁场景下的维护操作协调成本大，耗时长，优化前后的对比测试验证困难；
-问题定位难，传统的基于网元的分析粗放，不能对业务质量进行分析，无法排除异常驻留用户等，很难找到问题根因。

为了提升高铁场景下的移动用户体验，基于场景的自组织网络，以及基于大数据和智能化的网优技术应运而生。

基于场景的自组织网络关键技术

中兴通讯针对移动通信的高铁场景进行了全方位的技术攻关，主要引入了超级小区自适应和智能频率补偿技术。

高铁沿线为长度长、容量低的带状覆盖场景，用超级小区自适应进行组网，可以增强覆盖、减少切换、降低成本，缓解小区间干扰。超级小区内CP间，消除了原邻区同频干扰增强覆盖，平均SINR显著提升，原小区切换区域吞吐量明显提升。

在移动通信系统中特别是高速场景下，多普勒效应明显。多普勒频偏将使接收机和发射机之间产生频率偏差，而且会影响上行接入成功率、切换成功率，并对系统容量和覆盖产生影响。针对这个问题，基站使用上行导频信号进行频偏值估计，然后通过符号间和符号内频偏补偿的两个过程来实现。其中符号间频偏补偿主要利用频偏在时域上产生一个线性相位变化的特点进行相位纠正；而对于符号内频偏补偿，基站主要通过频域滤波的方法，该方法能够跟踪高铁多普勒频偏的变化，解决大频偏带来的物理层解调性能的急剧恶化的问题。

此外，我们还针对高铁场景下的PRACH配置、高速UE的移动性策略和调度、高铁场景支持VoLTE技术进行了增强。

基于大数据和人工智能的网优关键技术

在大数据技术的支撑下，网络优化工作逐渐演变成为无线网络海量数据的提取、收集以及清洗，辅以各种数据挖掘及数据分析手段，从而自动定位问题。引入人工智能算法，能够显著提升问题定位的效率和准确度，主要包括对高铁用户的识别、对移动用户的定位、高铁用户脱网以及公网用户入侵分析等。

对高铁用户的识别，是高铁场景网络优化的基础。首先需要获取高铁专网小区工程参数，主要是指RRU位置、天线高度及方位角等信息，同时获取用户位置数据，以信令和测量报告作为主要数据源，综合考虑用户的移动速度、起始距离、时间段内占用小区的数量以及占用每个小区的时间，基于Apriori关联分析算法，形成以移动速率为主体判别条件的用户身份识别算法，准确识别高铁专网用户。

而移动用户的定位，则主要依据用户手机上报的测量报告中的GNSS（全球导航卫星系统）信息。如果手机上报的测量报告中不包含有效的GNSS信息，则首先会触发基于指纹库的定位，系统将根据历史数据中的GNSS信息以及对应无线网络环境信息，为高铁区域构建独立的指纹库用于定位。这样即使在只有无线网络环境信息的情况下，也可使用WKNN算法（K-最近邻分类)匹配指纹来定位；当无法匹配到任何指纹时，则根据服务小区RRU方位角和TA（Time Advance，时间提前量）联合定位。

高铁用户脱网，指高铁用户从高铁专网脱入占用公网进行业务；公网用户入侵，指高铁专网附近的公网低速用户被吸附到高铁专网。上述两种情况，对移动用户的使用体验影响很大。从现网海量用户中进行用户识别，识别出高铁用户和非高铁用户，高铁用户判断是否脱网，识别出高铁脱网用户和非脱网用户，非高铁用户判断是否入侵，识别出公网入侵用户和公网非入侵用户。基于高铁用户脱网和公网用户入侵的聚类分析，即可给出高铁用户脱网与公网用户入侵的高风险区。

截止到2019年底，中兴通讯与中国联通合作参与了38条高铁线路的移动通信网络建设，并在国内多个高铁大省部署了基于大数据和人工智能的网优平台，将高铁作为目标网建设的重要场景，精耕细作，提升了中国联通的品牌价值。