מערכת תכנון כיסוי רשת מבוססת בינה מלאכותית

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
"}

המאפיינים כוללים שטח, מבנים, מרחק וזווית לתחנת בסיס. לאחר האימון, המודל חוזה RSRP בכל נקודה — ומחליף עד 75% מנסיעות רכבי המדידה. זו דוגמה לאיך בינה מלאכותית לטלקום פותרת חיזוי RSRP עם מודלי התפשטות מבוססי ML, ומשיגה RMSE של 2.1 dB לעומת 6 dB בשיטות מסורתיות.

למה 5G mmWave דורש בינה מלאכותית

גלים מילימטריים (26/28 GHz) מציעים רווחי קיבולת עצומים, אך הכיסוי מוגבל ל-150–300 מ' בשל דעיכת צל וחסימה ממכשולים כמו עצים, אנשים ואפילו גשם. מודלים מסורתיים (למשל, 3GPP TR 38.901) נותנים רק הערכות גסות. מודל ה-ML שלנו חוזה הסתברות חסימה בדיוק של עד 1.5 dB, תוך שילוב MIMO adaptive beamforming. ניהול אלומה — בחירת האלומה הטובה ביותר מבין 64 אלומות עבור כל UE — מותאם באמצעות סיווג ML של פרופילים זוויתיים, ומפחית את זמן המעבר ב-40%.

מיקום תחנות בסיס אופטימלי מספק

תכנות שלמים (Integer Programming) בוחר מתמטית אתרים תחת אילוצי תקציב. מטרה: למקסם כיסוי משוקלל (לפי תנועה או מספר מנויים). מערכת התכנון מבוססת הבינה המלאכותית שלנו מבצעת אופטימיזציה של מיקום תחנות בסיס אוטומטית, ומשיגה תכנון מהיר פי 4-6 משיטות ידניות.

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

השוואה לגישה ידנית:

השוואת שיטות חיזוי RSRP:

שילוב הנדסת RF ולמידת מכונה מניב אופטימום גלובלי למיקום — בחירת האתרים באמצעות תכנות שלמים מבטיחה כיסוי חסכוני.

מתי נדרשת אופטימיזציה של תאים קטנים

ברשתות הטרוגניות (HetNet), תאים מאקרו מספקים כיסוי בסיסי ותאים קטנים (femto, pico) מספקים קיבולת בנקודות ביקוש גבוה. עם זאת, מיקום שגוי של תאים קטנים יוצר הפרעות. אשכולות ה-ML שלנו (DBSCAN) מקבצים בקשות מנויים, ולאחר מכן תכנות שלמים בוחר נקודות התקנה אופטימליות, ומפחית הפרעות בין-תאיות ב-3–5 dB ומגדיל את התפוקה ב-20%.

ניתוח פערי כיסוי

ניתוח פערי כיסוי מתחיל מתלונות מנויים + GPS → מפה של אזורים בעייתיים. רשת נוירונים מקשרת תלונות עם פרמטרי רשת כדי לאתר סיבות מדויקות, ומייצרת תעדוף אוטומטי: אילו שיפורים מניבים את הרווח הגדול ביותר ב-NPS. זה מאפשר החלפת בדיקות שטח ואופטימיזציה פרואקטיבית.

טעויות נפוצות: שימוש במודל פיזיקלי ללא כיול (שגיאות עד 10 dB), התעלמות משינויים עונתיים (הערכת יתר של 3–5 dB), הזנחת הפרעות מתאים שכנים, ואופטימיזציה רק של RSRP ללא SINR, מה שפוגע באיכות הקול.

התהליך שלנו

1. אנליטיקה: איסוף נתוני בדיקות שטח, שטח (SRTM), מבנים (OSM), תלונות. בניית מפת ביקוש.
2. תכנון: אימון מודל ML על נתונים היסטוריים, כיול ספים תוך התחשבות במרווח דעיכת צל.
3. יישום: הרצת תכנות שלמים לבחירת אתרים — אופטימיזציה של מיקום תחנות בסיס.
4. בדיקה: פיילוט על 1–2 אשכולות, אימות כיסוי בפועל מול חזוי.
5. פריסה: אינטגרציה ל-OSS, הקמת צינור CI/CD לאימון מחדש רבעוני של המודל.

לוחות זמנים משוערים

• MVP עם חיזוי ML ואופטימיזציה לטכנולוגיה אחת (LTE): 3–5 חודשים.
• מערכת מלאה עם תכנון 5G mmWave ו-HetNet: 6–9 חודשים.
• העלות מחושבת באופן פרטני, עם עלות פרויקט טיפוסית הנעה בין $50,000 ל-$150,000 לאזור. לאורך תקופה של 3 שנים, החיסכון עולה על $1 מיליון.

תוצרים (מה כלול)

התוצרים הבאים כלולים:

• מודל ML לחיזוי RSRP (LightGBM עם הנדסת מאפיינים)
• פותר תכנות שלמים (PuLP/CBC) לבחירת אתרים
• לוח מחוונים עם מפת כיסוי והמלצות
• תמיכה לשלושה חודשים לאחר הפריסה
• תיעוד: כרטיס מודל, מפרט API, הוראות עדכון
• הכשרה למהנדסי RF

ניסיון ואחריות

יש לנו ניסיון של 5+ שנים ב-AI/ML לטלקום, עם למעלה מ-20 פרויקטים שהושלמו של אופטימיזציית רשתות LTE/5G. המהנדסים שלנו מוסמכים ב-LTE ו-5G NR. אנו מבטיחים דיוק חיזוי של ±2 dB באימות. הנדסת RF ולמידת מכונה משולבות במערכת אחת, ומפחיתות את זמן התכנון פי חמישה (תכנון AI מהיר פי 4-6 מתכנון ידני). מערכת תכנון הרשת מבוססת הבינה המלאכותית שלנו עבור AI לטלקום משתמשת בבחירת אתרים באמצעות תכנות שלמים, מודלי התפשטות מבוססי ML, וניתוח פערי כיסוי כדי לשפר אופטימיזציה של מיקום תחנות בסיס, החלפת בדיקות שטח, ותכנון 5G mmWave כולל מיקום תאים קטנים. צרו קשר לפרויקט פיילוט או הזמינו ייעוץ על תכנון AI, ונדגים תוצאות על הנתונים שלכם.