AI和ML如何帮助减少5G站点数量

行业贸易协会5G Americas早些时候宣布,到2023年,移动连接将达到100亿个。预计到2023年,全球5G连接将达到13亿个。

小型小区选址的精确规划过程以及网络设计中的机器学习(ML)和人工智能(AI)部署可以降低部署成本,同时优化覆盖范围。

随着小型小区的部署,对移动数据的需求正在推动网络致密化。尽管成本比宏塔低,但小蜂窝的紧凑,低功耗特性意味着它们还可以服务于较小的区域。反过来,这意味着他们需要更靠近需求热点,以有效地覆盖客户的移动数据需求。

电信工程师必须集中精力测量网络质量,信号强度和质量,流量模式以及其他地形因素,以最大程度地提高网络运营商的资本投资回报率。

小型蜂窝设计和选址工作中的AI和ML模型可以以最有效的资本投资提供最佳的覆盖范围和吞吐量

诺基亚5G首席架构师Peter Love说:“通过使用包括机器学习在内的大数据分析来对特定的用例进行数字化建模,将为网络演进计划提供更好的投资回报(RoI),从而带来更好的业务成果。”

人工智能和机器学习技术可以实现显着的资金投入和运营效率,其中设计软件可以学习并适应以吸收许多输入,每个输入都提供了大量的细粒度数据来为决策提供依据。

众所周知,HetNets和致密化将成为5G网络部署的新常态。需要专门针对密集城市环境的自动设计流程,以减少规划时间和成本。” Keima首席运营官Iris Barcia说。

为了获得最大的投资回报,应将小型单元放置在尽可能靠近需求高峰的位置。最佳做法是在20-40m以内。

网络运营商希望估算使用位置和质量报告位置的设备采用更智能的算法,例如演示的机器学习方法。对于小型小区规划,预期中值定位误差小于20m。

机器学习模型应该是任何小单元设计工作的一部分。不同的输入和假设将成为生成的结果模型的因素。

非常大的数据集的聚合对于为算法提供足够的测试数据以告知结果非常重要。这些数据集为算法提供了有关因素的信息,例如功率和回程可用性,信号干扰比,频谱效率,视线,业务量估计,重叠的小区覆盖范围,与站点所有者的协议以及其他考虑因素。

郑重声明:本文版权归原作者所有,转载文章仅为传播更多信息之目的,如作者信息标记有误,请第一时间联系我们修改或删除,多谢。