上行干扰问题一直是网络中较难解决的问题，多种类型的干扰严重影响了网络质量和用户服务质量。由于各种干扰问题的叠加，干扰识别的难度也显著增加，大量的高干扰小区排查给运营商的日常运维工作带来了巨大压力，如何进行高效准确的干扰识别、降低运维压力、节约人工成本，都成为目前智能无线网络优化的焦点问题。
近日，清华大学-中国移动联合研究院确定性网络课题组，开展了智能干扰识别方案的研究，联合发表了论文《Interference Identification Based on China Mobile Current Network Data》，中国移动研究院张广晋作为团队代表，受邀出席帝国理工学院与清华大学主办的第96届IEEE/VTC技术会议，并发表了主题演讲。
针对传统基站上行干扰特征复杂、建模难度大、识别精度低等问题，项目组利用深度神经网络算法，通过提取低层干扰数据特征构造更加抽象的高层特征以表征干扰类别，使模型学习到现网干扰数据与干扰类型之间的映射关系。在模型优化方面，输入输出层引入降维和Dropout提高模型训练效率和防止过拟合，隐藏层采用ReLU激活函数克服梯度爆炸/消失等问题。
现网干扰数据的模型训练面临的另一个重要挑战是缺乏足够有效的训练数据和类型标签，项目组通过对原始数据中的干扰特征和类别进行重新定义和分类，将常见干扰类型归纳总结为十种可用干扰标签。该算法在现网数据上进行了充分验证，可实现高效准确的干扰识别，相较于传统方法准确率提升20%，大幅降低了网络运维压力，节约了人工成本。
未来，项目组将同业界持续对无线网络智能化开展探索研究，助力AI能力在移动通信网络落地应用。
