利用机器学习优化蜂窝网络覆盖与容量
信号处理
2021-02-10 v2 系统与控制
系统与控制
摘要
无线蜂窝网络具有许多通常在部署时调谐、并随网络变化而重新调谐的参数。许多运行参数影响参考信号接收功率（RSRP）、参考信号接收质量（RSRQ）、信号与干扰加噪声比（SINR），并最终影响吞吐量。在本文中，我们通过联合优化各扇区的发射功率与下倾角（俯仰倾角）设置，开发并比较两种最大化覆盖与最小化干扰的方法。为离线评估不同参数配置，我们构建了一个捕捉地理相关性的逼真仿真模型。利用该模型，我们评估两种优化方法：深度确定性策略梯度（DDPG，一种强化学习（RL）算法）与多目标贝叶斯优化（BO）。我们的仿真表明，两种方法均显著优于随机搜索，并收敛到可比较的帕累托前沿，但 BO 比 DDPG 少两个数量级的评估次数即收敛。我们的结果表明，数据驱动技术可有效自优化蜂窝网络中的覆盖与容量。
引用
@article{arxiv.2010.13710,
title = {Optimizing Coverage and Capacity in Cellular Networks using Machine Learning},
author = {Ryan M. Dreifuerst and Samuel Daulton and Yuchen Qian and Paul Varkey and Maximilian Balandat and Sanjay Kasturia and Anoop Tomar and Ali Yazdan and Vish Ponnampalam and Robert W. Heath},
journal= {arXiv preprint arXiv:2010.13710},
year = {2021}
}
备注
Accepted at IEEE ICASSP 2021 special session on Machine Learning in Networks