Data-driven radio planning and cellular network optimization

Abstract

Integrating AI into wireless network design and management is essential for creating self-sustaining 6G networks. A key challenge is the development of automated network procedures with minimal human intervention, leveraging real-time monitoring data for immediate feedback. These advancements promote data-driven decision-making but pose risks related to data availability, safety, and the black-box nature of learning algorithms. This cumulative thesis proposes and evaluates novel procedures and algorithms for data-driven radio planning and cellular network optimization, addressing practical challenges in applying learning-based methods on real-world deployments. It emphasizes the utility of monitoring data and the integration of model-based and model-free methods, ensuring the scalability and safety of adaptive network procedures across diverse environments. The first part of the thesis explores the application of deep learning to radio propagation modeling in live cellular networks. The first paper presents a novel network planner, trained on drive-test measurements and a 3D city model, to predict signal strength in urban environments. The second paper extends the analysis to crowdsourced data, addressing the variability due to the uncontrolled collection process through Bayesian learning for uncertainty-aware prediction. Both approaches demonstrate improved accuracy over traditional methods and exhibit physically sound propagation mechanisms. Then, the second part focuses on data-driven online network optimization, addressing scalability and safe exploration challenges. The first paper introduces a throughput model that integrates monitoring data for scalable optimization via gradient descent. The second paper extends the framework by a Monte Carlo tree search agent, which tightly integrates domain knowledge from a digital twin, guiding it towards safe and accelerated exploration. This hybrid approach outperforms both purely model-free and model-based methods, showing robust performance also under severe model mismatch. Finally, the third part investigates the use of crowdsourced measurements to infer the network topology. Such a publicly available "network twin" can then support applications like performance map generation or fingerprinting-based localization. Here, the first paper introduces a Bayesian model for base station triangulation using Timing Advance measurements, while the second one extends this to infer sector antenna orientations. Overall, the thesis thus demonstrates the potential of learning-based methods across various use-cases, backed by measurement-based evaluations in real-world networks.

Die Integration von KI in den Entwurf und die Verwaltung drahtloser Netze ist für die Entwicklung selbstorganisierender 6G-Netze von entscheidender Bedeutung. Eine zentrale Herausforderung besteht in der Entwicklung automatisierter Netzprozesse, die mit minimalem menschlichem Eingriff auskommen und Echtzeit-Monitoring-Daten für unmittelbares Feedback nutzen. Diese Fortschritte fördern eine datengestützte Entscheidungsfindung, bringen jedoch auch Risiken hinsichtlich der Datenverfügbarkeit, Sicherheit und der intransparenten Natur von Lernalgorithmen mit sich. In dieser kumulativen Dissertation werden neuartige Verfahren und Algorithmen für die datengesteuerte Funknetzplanung und die Optimierung von Mobilfunknetzen entwickelt und evaluiert. Dabei liegt der Fokus auf dem Nutzen von Monitoring-Daten sowie auf der Integration von modellbasierten und modellfreien Ansätzen, um die Skalierbarkeit und Sicherheit adaptiver Netzprozesse in unterschiedlichen Einsatzumgebungen sicherzustellen.Der erste Teil der Arbeit untersucht die Anwendung von Deep Learning auf die Modellierung der Funkausbreitung in Live-Mobilfunknetzen. Der erste Beitrag stellt einen innovativen Netzplaner vor, der mithilfe von Fahrversuchsdaten und einem 3D-Stadtmodell trainiert wurde, um die Signalstärke in urbanen Gebieten vorherzusagen. Der zweite Beitrag erweitert die Analyse auf Crowdsourced-Daten und berücksichtigt die durch den unkontrollierten Erfassungsprozess bedingte Variabilität mittels Bayes'schem Lernen für eine vorhersagegenaue Unsicherheitsbewertung. Beide Ansätze zeigen eine verbesserte Genauigkeit im Vergleich zu traditionellen Methoden und weisen physikalisch fundierte Ausbreitungsmechanismen auf. Der zweite Teil konzentriert sich auf die datengesteuerte, online durchgeführte Netzoptimierung und adressiert dabei Herausforderungen hinsichtlich der Skalierbarkeit und der sicheren Exploration. Im ersten Beitrag wird ein Durchsatzmodell vorgestellt, das Monitoring-Daten integriert und eine skalierbare Optimierung mittels Gradientenabstieg ermöglicht. Der zweite Beitrag erweitert dieses Framework durch einen Monte-Carlo-Baum-Such-Agenten, der Domänenwissen aus einem digitalen Zwilling integriert, um eine sichere und beschleunigte Exploration zu gewährleisten. Dieser hybride Ansatz übertrifft sowohl rein modellfreie als auch modellbasierte Methoden und zeigt auch bei erheblichen Modellabweichungen eine robuste Leistung. Der dritte Teil untersucht die Nutzung von Crowdsourced-Messdaten zur Ableitung der Netzwerktopologie. Ein solch öffentlich verfügbarer "Network Twin“ kann Anwendungen wie die Erstellung von Leistungsprognosen oder die standortbasierte Fingerprint-Lokalisierung unterstützen. Der erste Beitrag stellt ein Bayes-Modell zur Triangulation von Basisstationen anhand von Timing-Advance-Messungen vor, während der zweite Beitrag dies erweitert, um die Orientierung von Sektorantennen zu bestimmen.Insgesamt demonstriert die Dissertation das Potenzial lernbasierter Methoden für verschiedene Anwendungsfälle, gestützt durch messungsbasierte Evaluierungen in realen Mobilfunknetzen.