本文为大家带来的演讲主题是：5G通达，AI赋能，主要分为三个部分：
- 网络规划
- 传播模型
- AI的应用效果
网络规划
与图像、语音这种，和日常生活息息相关的AI应用不同，在移动通信网络中的应用AI，其专业性较强。因此，首先简单介绍一下什么是网络规划？
简单来说，网络规划就是以合适的建网成本，确定站址建立的方案，满足未来规划期内，移动用户使用的需求。
从使用移动通讯服务的用户来说，第一层次要求进行基本的语音通话，与信息的传输。第二层次就是能够满足定制化的需求，比如说VR/AR游戏等等。
从建设网络的运营商来说，第一层次就是建网投资能够为运营商带来收益。更高层次，就是让投资主动去瞄准潜在的收益区域。
所以我们要进行网络规划，就是要回答下面三个问题:
首先，哪些区域需要建站？
其次，哪些区域值得建站？
最后，目标区域怎么进行建站？
哪些区域需要建站？
满足的是用户能够使用移动网络的需求。
随着移动通信技术的升级，从90年代的2G时代，到现在的5G时代，对这一问题的解决方案或者说解决工具，都在不断升级演进。
从最开始，网络规划设计师需要纸版地图，用设计师的智慧和经验规划网络。到3G、4G时代用接入数字地图进行规划仿真，能够模拟网络建站方案，预测未来达到网络方案落地后能达到的性能效果，提高网络规划工作的效率。到5G时代，可以结合大数据分析以及AI能力，达到进一步提质增效的目的。
WAVE SUMMIT 2021深度学习开发者峰会
哪些区域值得建站？
这将是从满足用户使用第二个层次的需求，以及满足网络投资精准需求出发。
以前如果用户投诉比较多的区域，或者说话务量、业务量比较大的区域，就是我们的价值区域。在今天，我们同样可以根据大数据分析，得到价值地图。利用AI预测能力，预测未来一段时间内，投资价值的画像，从而进一步提高投资的精准度。
目标区域怎么进行建站？
在确定好目标区域之后，网络规划还要完成的任务，是在这个区域怎么进行建站？如何布局站址，他们的覆盖效果最好？如何分配资源，满足用户业务使用的需求？
也就是说，要用合理的建站方案，合理的建站成本，满足用户的业务需求。
在90年代，我们会根据简单的链路预算，计算一个站点覆盖的范围。根据爱尔兰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，利用网络规划仿真工具，预测网络方案对于未来网络方案承载混合数据业务能达到的覆盖能力以及容量能力。在当今，我们也可以应用AI能力，根据用户业务需求的变化，来智能进行网络资源的调整和匹配。
回答完这三个问题，我们对网络规划有了大概的了解，也了解了网络规划当中有很多环节都可以应用到AI的能力。
大家是否注意到，屏幕中彩色的图案？这里用不同的颜色，展示了无线信号的强度。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，表达无线信号的传播？或者说模拟基站发射的无线信号，到达用户位置点时能接收到的信号强度有多少？
传播模型
这是我们重点要谈的问题，什么是传播模型？传播模型是为了在数字世界当中，描述我们物理世界中的无线电波在空间中的传播特性。这种传播特性，通常与工作频段和收发点之间距离，具有很强的相关性。
经验模型是经过大量的实践测试，总结出的经验型公式。比如奥村模型，就是20世纪60年代，奥村等学者在东京近郊采用很宽频率的范围，测试了多种基站天线的高度、多种接收天线的高度，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，然后形成一系列的曲线图表。
这些曲线图表，能够显示不同频率上的，接收场强和距离的关系。这时候，基站天线的高度，可以作为曲线的参量。也可以体现出不同的环境下，包括在开阔地或市区，接收强度对距离的依赖关系；或者市区中接收场强和频率的依赖关系；甚至是市区和郊区的差别。最后给出郊区环境下的修正因子，或者信号强度随着基站天线高度、接收天线高度的变化之间的相互关系。
在实际应用中，可以在已知参量的调整下查表应用。Hata模型就是在奥村进行大量测试数据的基础上，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正，就像PPT展示的经验公式一样。
可以看到，从发射到接收之间，信号经过一个传播路径，会带来路径的损耗。它的损耗，跟发射到接收之间经历的路径频段、收发点之间的距离、基站的挂高、终端的高度，以及经历的地物环境息息相关。
因此经验模型在获得测量的时候，实际上是反映了，当时测量环境下的地理环境。在实际应用中，我们需要根据目标区域的地域环境特点，进行相应的修正。
3G时代之后，网络规划仿真工作更加精细，更常用的是SPM模型。SPM模型将路径损耗与频率、距离、地物特性等相关的内容，抽象为相关的参数。在实际使用的时候，可以根据实际测试的数据，进行相应的校正。
进一步随着网络规划精细化的需求，可以采用确定性的射线跟踪的模型，模拟无线信号在实际传播中电磁波的传播特性。比如，无线电波的直射、反射、散射等等。通常三维射线模型，会优于前面传统的经验模型，因为它可以模拟出地域环境信息产生的多径的特性。
在以上所有的传播模型中，都需要应用到实际的现场数据，进行模型校正。而衡量模型准确性重要指标，就是在实际测试值和模型预测值之间的误差。
今天主要分享的，是应用AI实现空间无线电波传播特性的建模。它的优势就是能够应用现网的大数据，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的应用效果
接下来分享AI传播模型，在应用的时候效果如何？
AI技术，已经成功应用于诸多领域。它成功的主要原因之一，就是神经网络具有广泛的通用性，几乎可以模拟任何的函数形式。只要用正确的数据进行合理训练，就可以获得远优于传统方法的效果。比如DNN、CNN、RNN这些网络，已经成功应用于各行各业，大家都不陌生。
在无线传播领域，利用AI技术也同样可以建立地理环境的特征、信息和传播模型之间的关系。因此我们的工作，就是基于无线电波传播的基本原理，来设计整个网络架构。
同时也要归纳出，能够应用的输入特征量。比如，在这里列出的C1到C7，就是我们应用的7个特征：包括收发之间的距离；收发两者之间位置相对的高度；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；以及收发两者之间距离上，各地物类型的距离长度；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。进一步还可以把天线增益，作为一个新的特征输入，来扩展模型的泛化性。
前面提到了，衡量模型优越的指标，要看实测和预测之间误差的均值和标准差。在一般的经验模型下，达到8个DB就是非常好的模型。在三维射线跟踪模型下，如果达到6个DB，也是非常好的模型。而应用AI的模型在不同的频段，比如700M、2.6G、4.9GHZ，以及不同的环境，比如城区、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，从这张图里面能清晰地看到，AI传播模型预测的信号强度，对实际环境具有很高的匹配性。比如图中河流，对于信号增强的波导效应、楼宇对信号的遮挡性、街道对信号的传导效应，都可以很清晰地反映出来。
最后总结一下，AI模型它不具有唯一性。因此，这也是可以应用无线网的数据，不断进行迭代更新的优势所在。
未来，AI传播模型，可以进一步结合地理环境信息分析覆盖弱场得主因素，从而给出不同的解决方案，也可以呈现出整个城市弱覆盖因素的分布图，从而辅助优化方案的决策。比如远距离遮挡是主要因素时，可以优化临近站点的方向角。但当近距离遮挡物时，可以增加补盲站点。
