基于无线传感器网络的地铁通信传输延迟优化方法*

陈丽琴，顾静军

(1.浙江商业职业技术学院应用工程学院，浙江 杭州310053；2.浙江大学 计算机科学与技术学院，浙江 杭州310000)

地铁的无线通信与传输系统是地铁运营过程中尤为重要的一个环节，通信系统作为地铁交通的枢纽，能够快速为地铁提供可靠精准的信息，以此来满足地铁运营过程中对信息传递的需求，保证了地铁的运营效率和行车安全。 但由于地铁通常建于地面以下，由于信号、电路、传感器等不同外界因素的影响，导致地铁的通信传输延迟，影响列车的检测、控制和记录，因此对通信传输的延迟优化极为重要。

地铁通信传输主要依托于无线传感器网络传输，而随着网络需求的扩大，网络传输中的数据量也大大增加，这给网络传输带来高额的工作量，同时容易造成传输数据的排队现象，甚至造成传输拥堵，从而导致信息在传输过程中出现不同程度的延迟。 同时地铁处于地面下，空间相对封闭狭窄，距离、信号强度、传感器灵敏度、数据包丢失、网络拥堵等因素都有可能造成其通信延迟，进而影响地铁的行车指挥时效以及对列车运行实况的掌握，对地铁是否能够安全、可靠、高效地运行起着至关重要的作用。 为此，相关学者对通信传输延迟优化方法作了研究。王俊雅等[1]利用分布式次梯度算法，通过对网络扩维，将通信延迟的无约束凸优化网络问题转换为无延迟网络问题并优化解决之；董广民[2]利用FIR 数字滤波器法对异常信号进行滤波，并通过动态树构建异常信号的延迟模型，对延迟信号标记消除；Han[3]等人为了减少通信数据传输延迟，提出了一种基于预测的减少通信数据传输延迟方法，使用KRR 结合集群成员节点来获得相应的预测模型。通过遍历较少的簇头节点来获取所有簇数据，解决通信数据传输延迟的问题。 以上三种方法在消除通信传输延迟时均有一定的效果，但未考虑到信号传输过程中数据包过大也会使通信时间延迟的问题，均有一定的局限性。

针对上述问题，在本文中提出了基于无线传感器网络的地铁通信传输延迟优化方法，无线传感器网络是由目标监控区域中布置的大量微型传感器节点连接组成，通过各节点传感器对网络覆盖区域内可感知目标体做出判断、信息采集以及信息传输，是数据采集和信息处理的关键，但因为传感器体积过小，传输节点能量受限、链路不稳、或是较易受周围环境的影响，在地铁通信传输过程中同样会产生不同程度的信息延迟，而对于地铁的高速运行而言，往往要求无线传感器网络能够具有较快的反应速度和较低的信息传输时延，因此本文方法对时延做出预测分析，划分延迟信息并加以判断，通过矩阵分解得出地铁通信传输任务最优映射策略，分化传输信息的质量，优先调度传输高质量信息，压缩所需传输数据以避免数据信息的丢失，减少节点间能量消耗数值，从而对地铁通信传输做出优化并减少延迟。

1 地铁通信传输延迟预测

通信延迟会影响操作台及行车指挥对地铁运行情况的实时判断[4]，因此需要对通信状态作出一个基本的预测，得出通信延迟情况的基本信息和向量，为优化通信延迟提供可靠的信息。

基于时间序列分析传输信息，以受控自回归积分滑动平均模型来对传输信息的通信状态做出传输时间滞后性、传输结构变化以及参数变化的广义预测和分析，通过目标函数测算通信传输待优化信息，并将目标函数与预测出的输出值经过约束处理，使传输信号遇到的延迟问题转换为二次性规划问题最终得到预测向量[5]。

用受控自回归积分滑动平均模型y(t)对预测表达如下:

式中:e(t)为无线传感器网络中输出的通信信号，u(t-1)为输入的通信信号，A(z-1)、B(z-1)、C(z-1)分别代表不同阶级次序na、nb、nc的多项式。

在实际无线传感器网络中，需要约束所控制的通信信号输出:

式中:ΔU表示无线传感器网络控制增量信号，ΔUmax和ΔUmin分别表示无线传感器网络中增量信号可控范围内的上下限；Umax和Umin则表示网络中控制信号的上下限。

通过式(3)将有约束的无线传感器网络控制信号问题转换为二次性规划问题。

式中:f为预测变化量，G为二次规划耗时。 通过式(3)可以得出无线传感器网络的通信控制增量信号ΔU，根据ΔU可以得出无线传感器网络第Nu个步骤的通信控制预测向量U，其表达式为:

式中:I表示的是Nu×1 的矩阵；R表示N×Nu维矩阵的倒三角单位矩阵。 此时对无线传感器网络通信传输已作出基本的传输延迟预测。

2 地铁通信传输延迟优化方法

2.1 划分延迟信息并调度

在无线传感器网络通信延迟预测控制的基础上，对预测出的延迟信息进行判断和划分[6]，通过函数运算合理分配延迟的通信任务[7]，同时对网络通信任务加以控制，为避免影响地铁正常运行和保证其安全性能，对高质量的通信任务做优先调度处理。

将m个通信任务合理地分配到n个通信通道中，将m×n矩阵命名为MCT，用来表示每个传输任务在各个通信信道中完成传输的时间最小值。 依据不同质量(实时通信的要求)的通信任务划分MCT矩阵，并分为两个矩阵TH 和TL，将高质量通信任务和低质量通信任务分别划分到TH 和TL 矩阵中，各有m1和m2行，且m1＋m2=m。

在对无线传感器网络中存在的通信延迟进行消除时，延迟信息过多，会造成处理拥堵，同时影响处理时效，从而出现不重要信息优先于重要信息传输的现象，影响地铁安全运行及指挥调令产生时延，为避免此问题，需要对高质量的通信任务采取优先调度原则，先对含有高质量信息的TH 矩阵处理，并将其划分为若干个子矩阵:

通信任务在不同通信信道中的传输预测执行时间用ETC 来表示，为n′×n的矩阵，考虑通信的平衡负载，分配无线传感器网络中的通信任务:

式中:DT(i，j)表示通信任务在网络中的存储时长，TA(j)表示信道j可使用最早时间，DA(i)表示通信任务i传输运行时所需要的数据在无线传感器网络中能够取得的最早时间，FE(i)表示通信任务i传输运行时在网络中存储传输数据所需要的时间，TR(i，j)表示任务i从信道j中传输需花费的时间，ET(i，j)表示通信任务执行所需时间。

对TH 这一矩阵中第kp子矩阵以前的所有子矩阵做分解，分别分解成待执行子矩阵和数据子矩阵:

式中:TH＿DATAkj用来表示通信任务数据存储所需的时间矩阵；TH＿EXCUTEkj代表的是执行时间矩阵。 TH＿EXCUTEkj矩阵中各行、列参数之间均存在对应比例，将该矩阵中任意一行里的最小元素值设置为1，表示其对应的执行通信任务所用最快速度，将HWkj定义为向量用以表示和反应网络性能，TWkj用来表示能够反应通信任务范围的向量，通过上述两个向量换算得出以下新矩阵:

利用函数算法对矩阵TH＿Bkj作出控制，得出基于无线传感器网络的地铁通信传输任务最优映射策略，该映射策略能够清晰分化传输任务的质量，作出高质量信息的基础判断和优先调度传输，在保证地铁安全运行方面做出先一步的通信延迟处理。

2.2 控制传输节点能耗

数据传输和分析通常对节点能量有一定程度的消耗，从而导致数据传输在节点跳转上的丢失和延迟，因此对节点能量消耗值加以控制，优化节点能耗，以确保压缩传输过程中信息的完整性，选取最优的节点参数控制传输能耗。 具体如下:

在无线传感器网络中传输数据时，假设传输节点mc与其余传输节点在通信时，在一定时间内的任意时间段都有可能发送探测信息，将这个时间设定为T，那么传输节点mc的取值范围就在[0，T]时间段内均匀分布，可以利用函数换算出传输节点mc的空间概率分布:

式中:a代表对空间概率分布的约束值。 当条件满足a＜0 时，说明前后两个传输节点间通信时间间隔大于通信时间，这时将网络中任意两个节点间发生通信链接的概率设置为1-P(Tx≤0)，则当传输节点捕捉到传输数据包时，这里用下式表示其概率分布情况:

式中:Tx用来表示节点x传输信息所需时间间隔的周期，t表示通信传输周期的约束临界值。 利用无线传感器网络节点感知到的数据包，对空间概率分布求解，此时网络通信链路能够持续通信的时间Tf的表达式如下:

得出通信链路在各个节点持续通信时间，并利用其概率分布函数运算建立无线传感器网络环境下的数据传输模型:

式中:Rc为网络传输最大吞吐量，L为传输信道长度，Pr为同时处理的任务个数，通过函数计算可以获得各节点对网络数据包单位传输时所需要耗费的能量值，即。 由于网络数据包的通信时间与单位传输时所需要耗费的能量值并无关系，代入该参数并构建出传输节点的能量消耗控制参数，如下:

式中:λ表示一定时间限度内传输节点被选中的平均次数，β表示网络传输节点的传输速度。

通过程序结构建立传输节点能量消耗的控制参数，从而优化和减少传输节点的能量消耗[8]，在传输路径上减少通信延迟的可能性，避免传输节点能耗过大导致数据包信息丢失的现象[9-10]，确保在无线传感器网络的基础上，地铁通信传输信息的完整性和及时性，并为数据包的压缩传输做出基础的辅助操作。

2.3 压缩数据包

传输的数据量过大会导致数据传输延迟较大，完整性难以保障，从而造成通信信息在传输时产生丢失现象，为避免此现象，并减少传输过程中节点跳转所产生的能耗，使各个传输节点能够高效作业，需要压缩待传输信息，加快其传输速度并减少延迟。配置无线传感器网络并生成多个区群结构，结合传输节点能量消耗控制参数来优化网络数据的压缩率，从而减少节点的数据传输工作量和节点传输能耗[11]。

在不同区群实现对传输数据的压缩优化[12]，假设有n′个标签为s=1，2，…，n′的传输节点构成的区群，xst用来表示网络传输节点s在时间间隙t′内所采集的数据，同时各个节点对所采集数据压缩，并将其传送至区群首位节点，yst用来表示经过压缩后的数据，节点压缩过程如下:

式中:φ代表传输数据的压缩矩阵，p表示矩阵列数，Ys代表经过压缩的数据包，m′代表数据包经过压缩处理后的维度。 通过约束条件对优化系数求解如下:

式中:υs表示无线传感器检测的原始数据值与优化压缩处理后的偏差，υi和υj表示对i、j两个传输节点所传输数据包优化的系数，λ表示压缩区域内压缩包的优化结果，这时对优化系数ω′约束求解:

最后利用优化系数ω′使压缩后的网络数据包在不同区群首位实现基础的数据优化并得到最终的数据传输:

3 仿真实验

为验证本文方法的有效性，分别利用文献[2]方法、文献[3]方法以及本文算法测试对比通信数据发送、接收时间，再将三种方法在通信数据传输时对节点能耗与数据包丢包程度一一对比。

三种方法发送传输时间对比如图1 所示。 可以看出分布式次梯度算法网络传输并不稳定，且发送耗时较长，而FIR 数字滤波器法发送时间虽然低于分布式次梯度算法，但仍然不能克服数据包增大对发送时长的影响，传输时间随着数据包的增大波动也随之变大；反观本文算法，能够更好地克服数据包增大对信息发送带来的影响，且整体波动较小。

图1 数据发送传输时间测试曲线

三种方法接收信息时间对比如图2 所示，从图中可以看出文献[2]方法、文献[3]方法的接收时间都较长，和发送耗时一样，随着传输数据包的增大，所需接收时间也会波动式增长，且曲线并不稳定；本文算法在数据接收传输时间上波形变化较小，整体趋于稳定，接收数据传输延迟最短。

图2 数据接收传输时间测试曲线

本文算法在发送和接收数据延迟要优于其他两种方法，是因为通过对传输节点能耗的控制，使数据收发过程更加稳定，波动变化更少，且受数据包大小变化的影响较小，提升数据整体传输效率，帮助用户实现实时收发信息工作。 但地铁通信传输不仅仅需要时延较小，更需要传输过程中保证数据的准确无误及完整，这就需要对本文方法做进一步的仿真实验。

图3 为三种不同方法在传输时，根据数据量的变化传输节点剩余能量曲线图，从图中可以看出，分布式次梯度算法在传输开始阶段，节点剩余能量下降较快，FIR 数字滤波器法随着数据量的增加其节点剩余能量匀速下降；而本文方法通过传输数据的压缩处理，在传输开始的一段时间内能够很好地节约节点能量，随着数据量的增加，节点剩余能量会逐渐减少，但下降稳定，很好地减少了传输节点的能耗。

图3 数据传输节点能耗

由于城市地铁错综复杂、线路较多，会出现同一时间、同一地点地铁相互交汇的情况，这时地铁通信量较大，信息传输较为复杂，为验证在通信数据较多、传输情况复杂时本文方法的可靠性，对比了无线传感器网络传输数据的丢失情况，如图4 所示。

图4 数据丢失程度

通过图4 可以看出，三种方法在数据量较小的情况下数据传输丢失情况都不明显，而当数据量较大，分布式次梯度算法和FIR 数字滤波器法均有一定程度的丢包情况，而本文方法通过对所传输数据的压缩处理和节点能耗的控制，丢包情况很少，几乎不存在丢包情况，在高质量基础上实现了有效的延迟优化。

5 结论

由实验对比测试可知，本文方法通过对数据在空间上进行压缩和对节点能耗进行控制，降低了网络拥堵的概率，使无线传感器网络的吞吐量在时间和空间上均得到提高，降低了无线传感器网络环境下地铁通信传输延迟，且通过数据压缩，使传输过程中数据丢失情况减少，提高了网络资源利用率和数据传输精准度，使地铁通信延迟得到优化和消除。