Tổng quan nghiên cứu

Hệ thống thông tin di động thế hệ thứ 5 (5G) đã và đang trở thành xu hướng phát triển chủ đạo trong lĩnh vực viễn thông toàn cầu. Theo báo cáo của Hiệp hội các nhà cung cấp di động toàn cầu (GSA), tính đến cuối năm 2022, đã có khoảng 870 triệu thuê bao 5G trên toàn thế giới, dự kiến đạt 1 tỷ thuê bao vào cuối năm 2023 và tăng lên 5 tỷ vào năm 2028. 5G không chỉ nâng cao tốc độ truyền dữ liệu gấp nhiều lần so với 4G mà còn giảm độ trễ, tăng mật độ kết nối và cải thiện hiệu quả phổ tần. Tại Việt Nam, các nhà mạng lớn như Viettel, VNPT và MobiFone đã triển khai thử nghiệm và thương mại hóa dịch vụ 5G tại nhiều tỉnh thành, trong đó băng tần 2.6 GHz (band n41) được cấp phép sử dụng rộng rãi.

Một trong những thách thức quan trọng trong triển khai mạng 5G là dự đoán chính xác mô hình suy hao truyền sóng trong các điều kiện thực tế. Mô hình suy hao ảnh hưởng trực tiếp đến việc thiết kế quy hoạch trạm phát sóng, ước lượng vùng phủ sóng và dung lượng mạng không dây. Việc xác định mô hình suy hao phù hợp giúp các nhà mạng tối ưu hóa chi phí triển khai, vận hành và nâng cao chất lượng dịch vụ. Luận văn tập trung nghiên cứu ước lượng tham số tín hiệu trong truy cập thông tin vô tuyến 5G, đặc biệt tại khu vực thử nghiệm Khánh Hòa, sử dụng dữ liệu đo kiểm thực tế và áp dụng các thuật toán học máy như hồi quy tuyến tính và K-Nearest Neighbor (KNN) để xây dựng mô hình suy hao truyền sóng chính xác.

Phạm vi nghiên cứu bao gồm phân tích các mô hình suy hao truyền sóng hiện hành, thu thập và xử lý dữ liệu đo kiểm tại khu vực Nha Trang – Khánh Hòa trong giai đoạn 2022-2023. Mục tiêu chính là đề xuất mô hình suy hao truyền sóng phù hợp với điều kiện thực tế tại Việt Nam, góp phần nâng cao hiệu quả triển khai mạng 5G. Kết quả nghiên cứu có ý nghĩa thiết thực đối với các nhà mạng viễn thông trong việc tối ưu hóa vùng phủ sóng và nâng cao chất lượng dịch vụ 5G.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn dựa trên các mô hình suy hao truyền sóng đã được công nhận và áp dụng rộng rãi trong ngành viễn thông, bao gồm:

  • Mô hình suy hao trong không gian tự do (Free Space Path Loss - FSPL): Mô hình cơ bản dựa trên công thức Friis, biểu diễn sự suy giảm công suất tín hiệu theo khoảng cách truyền sóng trong môi trường lý tưởng không có vật cản.

  • Mô hình suy hao log-distance: Mở rộng mô hình FSPL bằng cách thêm hệ số số mũ suy hao (path loss exponent) để phản ánh ảnh hưởng của môi trường thực tế như đô thị, nhà cao tầng, cây cối.

  • Mô hình 3GPP TR 38.900: Chuẩn mô hình suy hao truyền sóng cho mạng 5G, đặc biệt trong dải tần millimeter wave, phân tích chi tiết các kịch bản truyền sóng trong điều kiện Line-of-Sight (LOS) và Non-Line-of-Sight (NLOS).

  • Mô hình Stanford University Interim (SUI): Phân loại địa hình thành ba loại (A, B, C) với các tham số suy hao khác nhau, phù hợp cho các vùng đô thị, ngoại ô và nông thôn.

  • Mô hình NYU Wireless: Kết hợp mô hình tham chiếu khoảng cách không gian (Close-in, CI) và mô hình Floating-intercept (FI) để cải thiện độ chính xác dự đoán suy hao trong các điều kiện LOS và NLOS.

Ngoài ra, luận văn sử dụng các thuật ngữ chuyên ngành như fading (fading đa đường, shadow fading), path loss exponent (số mũ suy hao), và các thuật toán học máy trong xử lý dữ liệu.

Phương pháp nghiên cứu

Nguồn dữ liệu chính được sử dụng là tập dữ liệu đo kiểm thực tế thu thập tại khu vực thử nghiệm phát sóng 5G band n41 (2.6 GHz) tại thành phố Nha Trang, tỉnh Khánh Hòa. Dữ liệu đo kiểm được thu thập bằng công cụ Tems Pocket, ghi nhận các thông số tín hiệu như công suất phát, khoảng cách, và các chỉ số chất lượng tín hiệu tại nhiều vị trí khác nhau trong khu vực thử nghiệm.

Phương pháp phân tích dữ liệu bao gồm:

  • Hồi quy tuyến tính (Linear Regression): Áp dụng phương pháp tối thiểu hóa trung bình bình phương lỗi (MMSE) để ước lượng tham số mô hình suy hao dựa trên mối quan hệ tuyến tính giữa suy hao tín hiệu và khoảng cách truyền sóng.

  • Thuật toán K-Nearest Neighbor (KNN): Sử dụng để dự đoán giá trị suy hao tại các điểm mới dựa trên giá trị trung bình trọng số của k điểm dữ liệu gần nhất trong tập huấn luyện, với trọng số nghịch đảo khoảng cách.

Quá trình nghiên cứu được thực hiện trong khoảng thời gian từ đầu năm 2022 đến tháng 4 năm 2023, bao gồm thu thập dữ liệu, xử lý và phân tích trên phần mềm Matlab. Cỡ mẫu dữ liệu đo kiểm gồm hàng nghìn điểm đo tại các vị trí khác nhau trong khu vực thử nghiệm, đảm bảo tính đại diện và độ tin cậy của kết quả.

Việc lựa chọn hai thuật toán học máy trên nhằm tận dụng ưu điểm của hồi quy tuyến tính trong mô hình đơn giản và KNN trong xử lý dữ liệu phi tuyến, giúp tối ưu hóa mô hình suy hao truyền sóng phù hợp với điều kiện thực tế tại Việt Nam.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

  1. Mô hình suy hao truyền sóng phù hợp với điều kiện thực tế tại Khánh Hòa:
    Kết quả ước lượng bằng hồi quy tuyến tính cho thấy số mũ suy hao trung bình (path loss exponent) khoảng 3.2 trong điều kiện LOS và 4.5 trong điều kiện NLOS tại tần số 2.6 GHz, phù hợp với các giá trị tham khảo trong môi trường đô thị có hiệu ứng shadow. Độ lệch chuẩn của sai số dự đoán đạt khoảng 3.1 dB, cho thấy mô hình có độ chính xác cao.

  2. Hiệu quả của thuật toán K-Nearest Neighbor trong dự đoán suy hao:
    Thuật toán KNN với k=5 cho kết quả dự đoán suy hao có sai số trung bình thấp hơn hồi quy tuyến tính khoảng 10%, đặc biệt trong các khu vực có điều kiện địa hình phức tạp và nhiều vật cản. Độ lệch chuẩn sai số dự đoán của KNN đạt khoảng 2.8 dB, thể hiện khả năng xử lý tốt các biến động cục bộ của tín hiệu.

  3. So sánh mô hình CI và FI trong dự đoán suy hao:
    Mô hình CI (Close-in) được áp dụng cho điều kiện LOS cho kết quả ổn định với sai số nhỏ, trong khi mô hình FI (Floating-intercept) phù hợp hơn với điều kiện NLOS, giúp giảm sai số ngoại suy ngoài phạm vi đo kiểm. Việc kết hợp hai mô hình này theo đề xuất của nhóm NYU Wireless giúp cải thiện độ chính xác tổng thể của mô hình suy hao.

  4. Ảnh hưởng của chiều cao anten và công suất phát:
    Dữ liệu đo kiểm cho thấy chiều cao anten phát 20 m và công suất phát 46 dBm là các tham số tối ưu trong việc đảm bảo vùng phủ sóng rộng và chất lượng tín hiệu ổn định tại khu vực thử nghiệm. Việc điều chỉnh các tham số này có thể ảnh hưởng đến hệ số suy hao và vùng phủ sóng, cần được cân nhắc trong quy hoạch mạng.

Thảo luận kết quả

Kết quả nghiên cứu khẳng định tính khả thi và hiệu quả của việc áp dụng các thuật toán học máy đơn giản như hồi quy tuyến tính và KNN trong ước lượng mô hình suy hao truyền sóng 5G tại Việt Nam. So với các mô hình truyền thống, việc sử dụng dữ liệu đo kiểm thực tế kết hợp với kỹ thuật học máy giúp giảm sai số dự đoán và phản ánh chính xác hơn các biến động tín hiệu trong môi trường thực tế.

So sánh với các nghiên cứu quốc tế, số mũ suy hao và độ lệch chuẩn sai số dự đoán tại Khánh Hòa tương đương hoặc tốt hơn các kết quả thu được tại các thành phố lớn như New York hay các khu vực thử nghiệm 5G tại châu Âu. Điều này cho thấy mô hình và phương pháp nghiên cứu phù hợp với điều kiện địa lý và hạ tầng viễn thông tại Việt Nam.

Dữ liệu có thể được trình bày qua các biểu đồ đường cong suy hao theo khoảng cách, bảng so sánh sai số dự đoán giữa các thuật toán và điều kiện LOS/NLOS, giúp trực quan hóa hiệu quả mô hình. Các kết quả này cung cấp cơ sở khoa học cho việc thiết kế và tối ưu hóa mạng 5G, góp phần nâng cao chất lượng dịch vụ và giảm chi phí triển khai.

Đề xuất và khuyến nghị

  1. Áp dụng mô hình suy hao kết hợp CI và FI trong quy hoạch mạng 5G:
    Các nhà mạng nên sử dụng mô hình kết hợp để dự đoán chính xác vùng phủ sóng trong cả điều kiện LOS và NLOS, giúp tối ưu hóa vị trí và công suất trạm phát. Thời gian áp dụng: ngay trong giai đoạn triển khai mở rộng mạng 5G.

  2. Sử dụng thuật toán KNN trong xử lý dữ liệu đo kiểm thực tế:
    Đề xuất áp dụng KNN với k=5 để phân tích dữ liệu đo kiểm tại các khu vực có địa hình phức tạp nhằm nâng cao độ chính xác mô hình suy hao. Chủ thể thực hiện: phòng nghiên cứu và phát triển kỹ thuật của các nhà mạng.

  3. Tăng cường thu thập dữ liệu đo kiểm đa dạng và liên tục:
    Khuyến nghị triển khai các đợt đo kiểm định kỳ tại nhiều khu vực khác nhau để cập nhật và hiệu chỉnh mô hình suy hao phù hợp với biến đổi môi trường và hạ tầng. Thời gian: hàng năm.

  4. Đào tạo và nâng cao năng lực chuyên môn cho đội ngũ kỹ thuật:
    Tổ chức các khóa đào tạo về kỹ thuật học máy và phân tích dữ liệu viễn thông cho cán bộ kỹ thuật nhằm nâng cao hiệu quả ứng dụng các thuật toán trong thực tế. Chủ thể: các nhà mạng và cơ sở đào tạo.

  5. Phát triển phần mềm hỗ trợ mô hình hóa và dự đoán vùng phủ:
    Đề xuất xây dựng hoặc mua sắm các công cụ phần mềm tích hợp mô hình suy hao và thuật toán học máy để hỗ trợ quy hoạch mạng 5G nhanh chóng và chính xác hơn. Thời gian: trong vòng 1-2 năm tới.

Đối tượng nên tham khảo luận văn

  1. Các nhà mạng viễn thông:
    Có thể sử dụng kết quả nghiên cứu để tối ưu hóa quy hoạch trạm phát sóng, giảm chi phí triển khai và nâng cao chất lượng dịch vụ 5G tại các khu vực thử nghiệm và mở rộng.

  2. Các nhà nghiên cứu và sinh viên ngành kỹ thuật viễn thông:
    Tham khảo các mô hình suy hao truyền sóng và ứng dụng thuật toán học máy trong xử lý dữ liệu thực tế, phục vụ cho các nghiên cứu chuyên sâu và phát triển công nghệ mới.

  3. Cơ quan quản lý nhà nước về viễn thông:
    Sử dụng kết quả để xây dựng các tiêu chuẩn kỹ thuật, quy hoạch phổ tần và chính sách phát triển mạng 5G phù hợp với điều kiện thực tế tại Việt Nam.

  4. Các công ty phát triển phần mềm và thiết bị viễn thông:
    Áp dụng các thuật toán và mô hình nghiên cứu để phát triển các giải pháp phần mềm hỗ trợ thiết kế mạng, đo kiểm và tối ưu hóa vùng phủ sóng 5G.

Câu hỏi thường gặp

  1. Mô hình suy hao truyền sóng là gì và tại sao quan trọng trong mạng 5G?
    Mô hình suy hao truyền sóng mô tả sự giảm công suất tín hiệu khi sóng vô tuyến truyền từ trạm phát đến máy thu. Nó quan trọng vì giúp dự đoán vùng phủ sóng, thiết kế trạm phát và tối ưu hóa chất lượng dịch vụ trong mạng 5G.

  2. Tại sao sử dụng học máy trong ước lượng mô hình suy hao?
    Học máy cho phép xử lý dữ liệu đo kiểm thực tế lớn và phức tạp, từ đó xây dựng mô hình dự đoán chính xác hơn so với các mô hình truyền thống dựa trên giả định lý thuyết, đặc biệt trong môi trường đa dạng và biến động.

  3. Ưu điểm của thuật toán K-Nearest Neighbor trong bài toán này là gì?
    KNN đơn giản, không cần huấn luyện phức tạp, dễ áp dụng cho dữ liệu phi tuyến và có khả năng dự đoán chính xác trong các khu vực có điều kiện địa hình phức tạp nhờ sử dụng thông tin từ các điểm dữ liệu gần nhất.

  4. Làm thế nào để lựa chọn giá trị k trong thuật toán KNN?
    Giá trị k được chọn dựa trên đặc điểm dữ liệu, thường là số lẻ để tránh ràng buộc phân loại. Thực nghiệm tại khu vực thử nghiệm cho thấy k=5 là giá trị tối ưu cân bằng giữa độ chính xác và tránh nhiễu.

  5. Kết quả nghiên cứu có thể áp dụng ở những khu vực nào khác?
    Mô hình và phương pháp có thể được điều chỉnh và áp dụng cho các khu vực đô thị, ngoại ô và nông thôn khác tại Việt Nam, đặc biệt là những nơi có điều kiện địa hình và hạ tầng tương tự khu vực Khánh Hòa.

Kết luận

  • Luận văn đã xây dựng và đề xuất mô hình suy hao truyền sóng 5G band n41 tại khu vực Khánh Hòa dựa trên dữ liệu đo kiểm thực tế và các thuật toán học máy hồi quy tuyến tính và KNN.
  • Kết quả cho thấy mô hình kết hợp CI và FI cùng với thuật toán KNN đạt độ chính xác cao, phù hợp với điều kiện thực tế tại Việt Nam.
  • Nghiên cứu góp phần hỗ trợ các nhà mạng tối ưu hóa quy hoạch trạm phát sóng, nâng cao chất lượng vùng phủ và giảm chi phí triển khai mạng 5G.
  • Đề xuất áp dụng rộng rãi các thuật toán học máy trong xử lý dữ liệu viễn thông và tăng cường thu thập dữ liệu đo kiểm đa dạng.
  • Các bước tiếp theo bao gồm mở rộng phạm vi đo kiểm, phát triển phần mềm hỗ trợ và đào tạo nhân lực kỹ thuật để ứng dụng hiệu quả kết quả nghiên cứu.

Hành động khuyến nghị: Các nhà mạng và cơ quan quản lý nên phối hợp triển khai áp dụng mô hình và thuật toán nghiên cứu để nâng cao hiệu quả phát triển mạng 5G tại Việt Nam.