新基建背景下高速公路周边5G网络容量需求*

吴麟麟，寿光明，景 鹏，丁 璠

(1江苏大学 汽车与交通工程学院，江苏 镇江 212013；2东南大学 交通学院,江苏 南京 211189)

0 引言

交通系统智能化、网联化水平的发展，使得系统中各要素间的信息交互正在受到更广泛的关注，通信网络与交通网络的同步设计成为新的发展趋势[1].面向这一趋势，我国在《国家综合立体交通网规划纲要》中，明确指出推进交通基础设施网与运输服务网、信息网、能源网融合发展，构建新一代智能网联交通系统[2-4].《交通运输部关于推动交通运输领域新型基础设施建设的指导意见》[5]中也明确要求推进与第五代移动通信技术(5G)等的协同应用.

现代交通系统中，通信网连接人、车、路、云各个节点[3].网络的承载能力(容量)、延时、稳定性和可靠性直接影响到网内各节点间信息交互，进而影响整个系统正常运行.为了服务未来智能网联汽车发展，国家提出了基于蜂窝网络系统开发的自主驾驶和智能交通系统辅助技术C-V2X(Cellular Vehicle -to everything)[6-7].该技术发展之初采用IEEE802.11P协议，但由于其不可预测的延时和有限的传输能力，被逐渐发展起来的长期演进网络(Long Term Evolution, LTE)[8-9]所代替.然而，面对未来智能网联汽车低至毫秒级的控制时延要求和海量数据吞吐需求，LTE依然显得捉襟见肘.而作为新一代通信技术，5G正是目前实现V2X的一种有效途径[10-12].

5G网络研究者主要通过提升硬件性能来提升网络承载能力[13]和优化网络资源配置，进而提升网络资源的使用效率[14-15].在对网络进行规划时，通过开发应用于5G网络的容量估计模型和工具[16]来预估网络容量需求，从而实现宏观和微观层的网络规划[17].然而这些研究聚焦于增强型移动带宽(Enhance Mobile Broadband, eMBB)需求，考虑最大限度提升网络承载能力和平衡容量、覆盖、质量和成本间的关系[18].对于超高可靠低时延通信(Ultra Reliable &Low Latency Communication, uRLLC)场景甚少涉及.为了能够进一步评估5G对V2X的适应性，许多研究对5G网络的下行信道性能[19]、不同频率波段的信道本征值和容量[20]、以及不同场景[10]和拥堵交通状态[21]下的网络性能进行分析和评价；另一些研究则在此基础上更进一步，提出非正交多址(Non-orthogonal Multiple Access, NOMA)技术[9,22]、多普勒传播控制技术[23]、动态小区区间干扰协调和多点协调技术[24]等相关技术，以期提高网络连接可靠性和连接效率.然而这些研究立足点也仅是从提升网络性能和容量出发.目前尚未发现相关研究将焦点置于网络容量与网络需求的动态匹配，并对其进行建模.

以高速公路为例，其流量潮汐现象明显，若不对网络资源进行合理的动态调节，会因提供大量冗余的网络服务导致能源和资源的浪费.

本文研究如下问题：(1) 首次从智能网联背景下高速公路通信需求出发，对路网网络通信容量需求进行理论建模和估计；(2)所建立模型能够根据动态交通流数据实时测算网络通信需求，为5G基站动态资源配置和能耗调节提供参考依据.(3) 引入动态衰减因子，对模型进行补偿，以进一步说明网内服务需求对网络覆盖能力的动态影响.

1 模型参数定义

在对智能网联场景建模时，将在线车辆类型划分为客车与货车，针对信息传输延时需求将数据分为：实时数据和非实时数据，并进一步根据通信数据类型将数据分为上行(非)实时数据和下行(非)实时数据.上行实时数据是指在线车辆/交通感知设施实时采集、压缩、重构并上传的数据；下行实时数据是指基础设施实时向在线车辆推送的路况信息.此类信息对时间敏感度较高，需要保证其数据传输的超低时延和超高可靠性.非实时数据包括除实时数据的其他数据，如在线高精地图更新、动态路径规划等.然后是义基站覆盖距离参数。

首先将在线车辆数据集划分为

V={coach(c),truck(t)}，

式中：V表示车辆；coach(c)表示客车；t表示货车.

同时将通信数据按上/下行数据、(非)实时以及车辆/移动用户建立数据集：

对于单辆在线车辆，其单位时间内的数据总量可以用以下公式表示为

L={Lul,Ldl}，

2 智能网联下的高速公路场景描述

高速公路典型互通枢纽是指高速公路间主线车流实现交换的流量互通区域.本研究以如图所示典型高速互通模型作为场景研究对象并进行分析.

在此场景中将交通流分为横向和纵向，因此，在记录获取的流量检测数据时，需要同时考虑横向和纵向交通流数据进行计算，数据存储时按流向和车道分为

Hlanes:j,j=1,2,...,NH；Vlanes:j,j=1,2,...,NV，

式中：Hlanes表示水平方向车道；Vlanes表示垂直方向车道；NH表示水平方向车道数；NV表示垂直方向车道数.同时定义匝道数据集

Ramps:r,r=0,1,...,M，

式中：r为匝道编号；M为匝道车道数.

对于互通枢纽，虽然各条主线存在流量迁移，但枢纽总体流量保持平衡.因此，对于此类场景，将各条主线匝道口上游检测数据作为模型输入数据，即可完成枢纽动态总体流量预估.而对于堵塞状态，则如前文所述，将匝道作为主路车道的延伸计入车道统计中进行计算.

3 网络容量需求建模

由上文可知，单个基站覆盖距离为Lul，在此，引入衰减系数σ，原因如下：(1) 单个基站信道、带宽资源有限，当范围内联网用户增多时，会出现竞争；(2)由于无线电存在链路损耗，信号存在中心强，边缘弱的问题，当出现竞争时，信号覆盖的边缘处丢包率增加，传输速率下降，覆盖能力下降.

因此，在t时刻，单个基站覆盖范围内单车道保有车辆数Vj为

假设客车占比φj货车占比1-φj,则客车数量为φjVj，货车数量为(1-φj)Vj.根据网联化水平，假设在线车辆中，网联客车占比为ψ，网联货车占比为ζ.可以得出在t时刻，单位时间实时数据上下行信道容量需求Bul,RT和Bdl,RT为：

单位时间内，非实时数据上下行信道容量需求Bul,nRT和Bdl,nRT为：

4 模型数值假设与分析

4.1 参数假设

由前述可知，动态容量计算模型关于网络覆盖范围内车辆数的获取由流量和流速检测器获取，在实际交通流检测中也是这么做的，比如线圈、微波雷达等.受限于当前5G网络覆盖、智能网联等的发展水平，在此，仅考虑基于理论的假设验证，并根据理论方法对覆盖范围内的车辆数进行计算.

本文采用De Romph在1994年发表的交通流基本图公式作为计算流量-密度-速度三者之间关系的基本公式，公式为

其中u0为最大限速.当k=kc时：

u0(1-αk)=γ(1/k-1/kj)β.

因此：

γ=u0(1-αkc)/(1/kc-1/kj)β.

采用文献[25]中3车道高速公路作为本次模型检验样例，设定如下：u0=110 km·h-1,kc=23 veh·km-1，kj=100 veh·km-1，α=5.710-3，β=0.84.由此计算得到：γ=1 658,qc=2 198 veh·h-1.该结果与[25]中γ=1 672,qc=2 215 veh·h-1存在一定偏差，经过反复验证，将α修正为5.381 0-3得：γ=1 672,qc=2 217 veh·h-1,

获得流量-密度-流速基本关系图如图1所示：

而后，设定其他初始化参数，如下表1:

表1 初始化假设参数值Tab.1 Assume initialization of parameter values

4.2 结果讨论

本样例交通流基本图以3车道高速为建模背景，因此，以下对3车道流量需求进行分析.首先对衰减系数修正为：

σ=2(-(k(φ×ψ+(1-φ)×ζ)×3/200))，

不同网联比例在该衰减系数和密度的关系如图2所示：

对于实时数据，上行实时数据趋势如下图3所示：

在三车道以及该衰减系数假定条件下，随着联网率的不断增加，实时数据流量随车辆密度的增速放缓，尤其当联网率达到100%时，在密度达到90%以上时，数据流量基本达到峰值，这说明在该条件下，实时数据传输能力已接近极限.上行非实时数据的无衰减系数和动态衰减系数如图4所示.

对于非实时数据，与实时数据相同的一点在于当联网率达到100%时，非实时数据在密度达到90%以上后，基本达到峰值.这个结果并不能说明网络的极限传输能力，它反映的是在此动态衰减条件下，网络覆盖范围内的联网车辆基本达到饱和时，范围内所有联网车辆、移动用户对非实时数据的上下行需求.

5 结语

本次研究从新基建交通网、通信网协同建设为背景的智能网联场景下的通信网络容量需求研究为出发点，首先从理论出发对高速场景下的5G网络需求建模可行性进行了分析，通过对高速场景梳理，说明了建模可行性和建模依据.而后，通过分类各型数据对网络需求的差异和网络覆盖范围内数据流量需求，建立评估模型，实现对区域范围内动态网络情况下5G网络通信需求的评估.该模型输出结果能够为5G基站网络承载能力需求评估和实时动态调节站点网络资源配置提供参考依据，从而有助于合理规划基站布设，节约网络能耗，实现绿色发展.因此，本文的主要结论如下：

(1) 物联网时代多样化网络数据使得网络规划更为复杂，尤其对于超低时延高可靠场景.基于高速公路地理位置和网络用户性质特点，首次提出了智能网联环境下高速路网5G网络容量需求建模.

(2) 动态容量模型能够根据车流量检测设备输入数据，准实时动态评估当前路段通信流量需求，为网络动态资源配置提供参考；鉴于智能网联和5G网络尚未大规模应用，各型设备、通信协议、数据交互模型等均未完善，无实测可用数据，因此本次研究以典型交通流基本图为替代数据对模型进行数值运算和验证.

(3) 在模型中引入衰减系数σ.面对智能网联uRLLC和eMBB混合场景，网络服务的原则发生根本性改变，网联车辆实时数据交互需求要求其在网络边缘依旧能够享受超低时延高可靠服务.在实际环境中，随着在线用户的不断增长，单个基站范围内上行数据竞争加剧，导致原测算边缘的数据丢包率增加，服务能力和基站覆盖能力下降.本研究通过无衰减、常数衰减和基于网内用户数的变衰减对衰减引起的数据流变化进行了对比，从而说明了衰减的影响.然而，由于电磁波的特殊性质，其边缘测量存在较大不确定性.为获得准确的网内用户和网络衰减之间的关系，需要进一步对不同网联密度情况下网络边缘覆盖能力进行测试，进而拟合出具有较高置信度的衰减方程，以提高模型的置信度.