博洛尼亚大学&TIM | 基于MDT数据和深度强化学习的蜂窝网络容量和覆盖范围增强

【标题】Cellular Network Capacity and Coverage Enhancement with MDT Data and Deep Reinforcement Learning

【作者团队】Marco Skocaj, Lorenzo Mario Amorosa, Giorgio Ghinamo, Giuliano Muratore, Davide Micheli, Flavio Zabini, Roberto Verdone

【发表日期】2022.2.22

【论文链接】https://arxiv.org/pdf/2202.10968.pdf

【推荐理由】近年来，通信网络中数据和计算资源的可用性显著增加。这促成了网络自动化中数据驱动算法的兴起，而非模型驱动算法。本文研究了最小化驾驶测试（MDT）驱动的深度强化学习（DRL）算法，该算法通过调整TIM蜂窝网络中一组小区上的天线倾斜来优化覆盖范围和容量。其联合使用MDT数据、电磁模拟和网络关键性能指标（KPI）来定义训练深度Q网络（DQN）代理的模拟网络环境。对经典的DQN配方进行了一些调整，以提高智能体的样本效率、稳定性和性能。特别是，自定义探索策略旨在在训练时引入软约束。结果表明，该算法在长期奖励和样本效率方面优于DQN和最佳优先搜索等基线方法。研究结果表明，MDT 驱动的方法构成了移动无线电网络自主覆盖和容量优化的宝贵工具。

内容中包含的图片若涉及版权问题，请及时与我们联系删除