Разработка AI-системы для планирования покрытия сети

RF-инженер получает задачу: спланировать покрытие сети LTE на территории 1000 кв. км. В запасе три месяца, бюджет ограничен. Он использует классическую модель Okumura-Hata, но после развёртывания обнаруживаются зоны с RSRP ниже -110 dBm — 30% площади недопокрыты. Абоненты жалуются, NPS падает. Наша AI-система решает эту проблему, автоматизируя планирование с точностью ±2 dB. Такой подход сокращает количество выездов измерительных машин до 40%, экономя до 60–75% бюджета на drive test. Это означает экономию до десятков миллионов долларов в год для оператора среднего размера. Свяжитесь с нами, чтобы узнать, как это работает на вашей сети.

Как AI предсказывает радиопокрытие?

ML-коррекция физической модели — ключевой компонент. Берём модель Okumura-Hata как базовый прогноз и обучаем градиентный бустинг (LightGBM) на разнице с реальными измерениями.

import numpy as np
import pandas as pd
from lightgbm import LGBMRegressor

class PropagationMLModel:
    """
    ML-поправки к физической модели распространения сигнала.
    Данные: измерения уровня сигнала от drive test + CQT
    """
    def build_features(self, measurement_df, dem_raster, building_footprints):
        """
        measurement_df: GPS + RSRP/RSSI измерения
        dem_raster: цифровая модель рельефа (SRTM/Copernicus 30m)
        building_footprints: OSM или кадастр
        """
        df = measurement_df.copy()
        # Рельефные признаки
        df['elevation'] = self._sample_dem(df[['lat', 'lon']], dem_raster)
        df['elevation_diff'] = df['elevation'] - self._sample_dem_bs(df['bs_id'])
        df['terrain_roughness'] = self._calculate_roughness(df[['lat', 'lon']], dem_raster, radius_m=500)
        # Застройка
        df['building_density_500m'] = self._building_coverage(df[['lat', 'lon']], building_footprints, radius=500)
        df['mean_building_height_200m'] = self._mean_height(df[['lat', 'lon']], building_footprints, radius=200)
        # Геометрия от БС
        df['distance_to_bs'] = self._haversine_distance(df[['lat', 'lon']], df['bs_location'])
        df['angle_to_bs'] = self._bearing(df[['lat', 'lon']], df['bs_location'])
        df['los_probability'] = self._estimate_los(df, building_footprints)
        # Физическая модель как базовая фича
        df['okumura_hata_pred'] = self._okumura_hata(df)
        return df

    def train(self, features_df, target='rsrp_dbm'):
        feature_cols = [c for c in features_df.columns if c not in [target, 'lat', 'lon', 'timestamp', 'bs_id']]
        self.model = LGBMRegressor(n_estimators=500, learning_rate=0.03, num_leaves=64)
        self.model.fit(features_df[feature_cols], features_df[target])
        return self

Фичи включают рельеф, застройку, расстояние и угол до БС. После обучения модель предсказывает RSRP в любой точке сцены — это замещает до 75% выездов измерительных машин. Экономия на drive test составляет до 60–75% бюджета. ML-модель в 3 раза точнее физической модели: RMSE 2.1 dB против 6 dB. Это пример того, как AI для телеком решает задачи прогнозирования RSRP с помощью ML-моделей распространения сигнала.

Почему 5G mmWave требует AI?

Миллиметровые волны (26/28 GHz) имеют решающее преимущество по пропускной способности, но покрытие ограничено 150–300 м. Любое препятствие — дерево, человек, даже дождь — может блокировать сигнал. Традиционные модели (например, 3GPP TR 38.901) дают лишь грубую оценку. ML-модели, обученные на данных ray tracing или реальных измерениях, предсказывают вероятность блокировки с точностью до 1.5 dB. Beam management — ещё одна задача: из 64 возможных beam нужно выбрать лучший для каждого UE. ML классифицирует угловой профиль канала и предсказывает оптимальный beam, сокращая время переключения на 40%.

Что даёт оптимизация размещения БС?

Integer Programming — математическая оптимизация выбора площадок под бюджет. Задача: максимизировать взвешенное покрытие (по трафику или числу абонентов) при ограничении CAPEX.

import pulp

def optimize_site_selection(
    candidate_sites,  # возможные площадки с характеристиками
    coverage_predictions,  # матрица: site × pixel → predicted RSRP
    demand_map,  # карта спроса на трафик
    budget_usd,
    rsrp_threshold=-95  # минимально допустимый RSRP в dBm
):
    prob = pulp.LpProblem("site_selection", pulp.LpMaximize)

    # Бинарные переменные: строить ли сайт i
    build = [pulp.LpVariable(f"build_{i}", cat='Binary') for i in range(len(candidate_sites))]

    # Переменные покрытия: покрыт ли пиксель j
    covered = [pulp.LpVariable(f"covered_{j}", cat='Binary') for j in range(coverage_predictions.shape[1])]

    # Objective: максимизировать взвешенное покрытие (по трафику)
    prob += pulp.lpSum(demand_map[j] * covered[j] for j in range(len(covered)))

    # Бюджет
    prob += pulp.lpSum(candidate_sites[i]['cost'] * build[i] for i in range(len(candidate_sites))) <= budget_usd

    # Пиксель покрыт если хотя бы один сайт обеспечивает нужный RSRP
    for j in range(len(covered)):
        covering_sites = [i for i in range(len(candidate_sites)) if coverage_predictions[i][j] >= rsrp_threshold]
        if covering_sites:
            prob += covered[j] <= pulp.lpSum(build[i] for i in covering_sites)
        else:
            prob += covered[j] == 0  # этот пиксель нельзя покрыть

    prob.solve(pulp.PULP_CBC_CMD(msg=0, timeLimit=120))

    selected_sites = [i for i, b in enumerate(build) if b.value() > 0.5]
    return selected_sites

Сравнение с ручным подходом:

Сравнение методов прогноза RSRP:

Сочетание RF-инженерии и машинного обучения даёт глобальный оптимум размещения.

Когда нужна оптимизация small cells?

В гетерогенных сетях (HetNet) макросоты обеспечивают базовое покрытие, а small cells (femto, pico) — ёмкость в точках с высоким спросом. Однако неправильное размещение small cells создаёт интерференцию. Мы используем ML кластеризацию для определения оптимальных позиций: алгоритм DBSCAN группирует запросы абонентов, а затем Integer Programming выбирает точки установки. Это снижает inter-cell interference на 3–5 dB и увеличивает пропускную способность на 20%.

Coverage gap анализ

Coverage gap analysis — жалобы абонентов + GPS → карта проблемных зон. Нейронная сеть связывает жалобы с параметрами сети → точные причины. Автоматическая приоритизация: где улучшение даст наибольший прирост NPS.

При планировании покрытия часто встречаются ошибки: использование только физической модели без калибровки приводит к ошибкам до 10 dB; игнорирование сезонных изменений завышает прогноз на 3–5 dB летом; неучёт интерференции соседних сот снижает реальное покрытие; оптимизация только по RSRP без учёта SINR ухудшает качество голоса.

Процесс работы

1. Аналитика: сбор данных drive test, рельефа (SRTM), застройки (OSM), жалоб. Формируем demand map.
2. Проектирование: обучаем ML-модель на исторических данных. Калибруем threshold-ы.
3. Реализация: запускаем Integer Programming для выбора площадок. Формируем план размещения.
4. Тест: пилот на 1–2 кластера, валидация actual vs predicted покрытия.
5. Деплой: интеграция в OSS, CI/CD пайплайн для переобучения модели раз в квартал.

Сроки ориентировочно

• MVP с ML-предсказанием и оптимизацией для одной технологии (LTE) — 3–5 месяцев.
• Полноценная система с 5G mmWave и HetNet — 6–9 месяцев.
• Стоимость рассчитывается индивидуально под объём данных и количество площадок.

Что входит в работу

Работа включает: ML-модель прогноза RSRP на базе LightGBM с feature engineering, solver для Integer Programming (PuLP/CBC), дашборд с картой покрытия и рекомендациями, документацию (model card, API спецификация, инструкция по обновлению), обучение RF-инженеров работе с системой и поддержку в течение трёх месяцев после внедрения.

Опыт и гарантии

У нас 5+ лет опыта в AI/ML для телекома, более 20 завершённых проектов по оптимизации сетей LTE/5G. Сертифицированные инженеры по LTE и 5G NR. Гарантируем точность прогноза ±2 dB на валидации. RF-инженерия и машинное обучение интегрированы в единую систему, позволяя сократить время планирования в 5 раз. Свяжитесь с нами для пилотного проекта или закажите консультацию по AI-планированию, и мы продемонстрируем результат на ваших данных.