基于神经网络的高铁通信切换优化方法研究

刘禹佳，张福琦，周易欣，林海波，倪虹霞

(1.长春工程学院电气与信息工程学院，长春 130012； 2.吉林大学通信工程学院，长春 130012；3.长春建筑学院电气信息学院，长春 130607)

0 引言

近年来，随着高速铁路技术的不断发展与成熟，为了满足用户对高速率LTE网络业务的需求，高速移动车地通信技术得到蓬勃发展[1-2]。铁路专用数字通信系统(GSM-R)覆盖下的高铁网络质量较差，存在带宽小、传输速率低、无线覆盖差和高速行驶下频繁越区切换等缺点，严重影响了专网用户的网络业务感知，使高铁沿线组网优化成为提高列控系统稳定性和可靠性的主要议题[3-4]。

近年来提出的铁路专用宽带移动通信系统(LTE-R)，能够提供高质量网络服务，优化了基站切换算法，已被应用到高铁专网的规划和建设当中[5-6]。与传统的GSM-R系统相比，LTE-R系统支持高铁场景，同时具备扁平化的网络结构，并能获得更短的通信时延。LTE-R以OFDM为基础，能有效增加频谱利用率，并降低网络部署和维护的成本。然而，由于LTE系统中的越区切换算法大多基于A3事件，现行的切换方案不但无法有针对性地提升用户感知，还受硬件设备限制[7]，这就对高速铁路场景下网络切换的成功率和切换时延提出了更高的要求。

综合前述分析，本文提出一种基于改进的人工蜂群算法(Improved Artificial Bee Colony Algorithm，IABC)和径向基函数(Radial Basis Function，RBF)神经网络的LTE-R高铁专网切换优化方法。通过改进的RBF神经网络算法可以动态预测切换触发时延和切换迟滞门限，能够有效解决列车运行时的越区覆盖问题，提升专网用户的网络业务感知。

1 基于LTE-R的切换工作原理

LTE-R的切换过程有5类，分别为eNodeB内部切换、通过S1的eNodeB之间切换、通过X2的eNodeB之间切换、MME之间切换以及LTE-R与其他系统之间的切换。其切换过程主要由移动用户端UE(User Equipment)、基站eNodeB以及接入网AGW(Access Gateway)协作完成。图1为高铁场景越区切换的示意图，其中X为切换过渡区，若在此期间目标基站和当前基站的RSPR差值达到切换门限，则A3事件触发。而在距离为Y的切换区，列车会完成小区之间的切换。这种一维的LTE-R接入网络结构的优点在于可以提高数据传输速度，强化无限资源控制，其简化的结构同时也降低了系统搭建及维护成本。

当A3事件触发时，相关参数应满足的条件：

Mt-Hys>Ms，

(1)

式中：Mt为目标小区信号强度；Hys为切换迟滞门限参数；Ms为服务小区的信号强度。且触发时延TTT与切换迟滞参数Hys满足图2所示关系。

图1 LTE-R越区切换示意图

图2 A3事件触发切换示意图

2 高铁LTE-R专网组网优化设计

由于高速铁路运行时，移动网络中切换触发时延TTT与切换迟滞参数Hys通常为预设定值，有时会导致连接失败，产生乒乓效应等现象，严重影响高铁网络质量，本文通过设计IABC-RBF神经网络结构，动态调控并优化TTT和Hys参数，有效提升专网用户的网络业务感知。

2.1 RBF神经网络优化及建立

径向基函数神经网络是一种具备单隐层的3层前向网络，其3层结构分别为：输入层、隐含层和输出层。RBF神经网络的数学模型表达式如式(2)：

(2)

式中：wi为输入层权重；x为网络输入的n维向量；g(·)为RBF函数；ci为RBF神经网络函数中心参数；σi为基函数宽度；b为输出层阈值；nc为隐含层神经元个数；‖·‖为求范数运算，用于获得x与ci之间的距离。

本文选择高斯径向基函数作为隐含层神经元激活函数，则该层神经元的输出为

(3)

改进及建立RBF神经网络的核心任务在于解决隐含层中心参数、宽度参数以及连接权重的问题。由于在A3事件下，高铁列车运行中切换触发时延(TTT)和切换迟滞门限(Hys)两个参数通常预设为定值，导致列车在低速运行及传输损耗变化较大时出现乒乓效应，在高速运行时出现无线链路连接失败及传输损耗振荡变化等问题。针对前述问题进行高铁专网组网优化，主要内容为利用IABC-RBF神经网络动态优化TTT和Hys两个关键参数，建立3层RBF神经网络模型，如图3所示。

图3 改进的RBF神经网络结构

1)输入层：起始的信号源节点，输入层神经元数即为输入层节点数，本算法中输入的神经元参数为列车速度v和传输损耗L，输入节点为2个。

2)隐含层：隐含层神经元的激活函数为高斯函数，用于对输入层内容进行非线性变换；其节点数需要根据具体情况确定，过多的节点会增加网络结构的复杂度，过少的节点又会降低网络的学习能力。

3)输出层：输出层用于响应输入信号，其激活函数为线性函数，能够对隐含层神经元的输出信息执行线性加权，并作为系统最终的输出结果。

2.2 改进的人工蜂群算法

本文引入改进的人工蜂群算法，进一步优化RBF神经网络的模型参数。人工蜂群算法是一种基于蜜蜂行为的仿生学优化算法。通过单个工蜂的局部寻优行为，选择组群中的全局最优值。该算法中有3种类型的蜜蜂算法单元，即引领蜂、跟随蜂和侦查蜂。蜂群中引领蜂的数量代表解的数量，蜂蜜源的位置代表对该问题的最优解，蜂蜜源花粉的质量代表解的适应度，且每个蜂蜜源一次只能由1只引领蜂采蜜。带领蜂找到蜂蜜源后，他们将以摇摆舞的形式与其他蜜蜂分享蜜源的收益率，摇摆舞的持续时间还反映了蜂蜜来源的收益情况。最后，跟随蜂根据获利能力选择收集哪种蜂蜜。在收集蜂蜜的过程中，使用引领蜂来维持解决方案的优越性，使用跟随蜂来提高算法的收敛速度，使用侦查蜂来进行监督，以避免算法陷入局部最优状态。

人工分群算法的优势在于通过较少的控制参数就可以使迭代进行全局遍历和局部搜索，较其他方法具有更快的收敛速度和更高的稳定性。

对于改进的人工蜂群算法，其模型建立主要分为3个阶段，分别为蜜源初始化、蜜源更新和高斯变异。

2.2.1 蜜源初始化

根据RBF神经网络对改进的人工蜂群算法进行参数初始化，其中蜜源的个数代表解的个数NS，蜜源的随机产生方式如式(4)：

xid=Unifrnd(Md，Nd，[1，D])，

(4)

式中：xid为第i个蜜源的第d个维度；Unifrnd(·)函数用于表示产生在第d个维度上，上限Md和下限Nd=中均匀分布的随机数组1×D。均匀分布的初始蜜源位置能够有效规避局部最优，同时加快算法的收敛速度。

2.2.2 蜜源更新

在初始阶段，引领蜂通过如式(5)的方式寻找新蜜源：

vid=xid+φ(xid-xjd)，

(5)

式中：vi为新蜜源；xi与xj表示两个不同的蜜源；φ(·)为[-1，1]之间的随机数。通过贪婪算法，若新蜜源vi的适应度优于老蜜源xi，则使用新蜜源vi代替老蜜源xi，否则，保留老蜜源xi。

在寻找到蜜源之后，引领蜂通过摇摆舞发送蜜源信息，跟随蜂通过轮盘赌的方式计算概率并进行跟随：

(6)

式中：Pi为蜜源被开采的概率；f(xi)为第i个蜜源的适应度：

(7)

式中JMSEi为第i个解的均方误差。同时，若同一蜜源经过持续开采而未被更新，则会判断循环次数是否达到阈值，若达到阈值，蜜源被弃用，引领蜂转换为侦查蜂，通过式(5)继续寻找新的蜜源。

2.2.3 高斯变异

高斯变异是在变异操作期间，将高斯分布的随机向量应用于原始状态，从而增加系统的多样性和稳定性，并避免其陷入局部最优状态。通过高斯突变扰动蜂蜜源的位置为

xid=xid·[1+kN(0，1)]，

(8)

式中N(0，1)为均值为0、方差为1的高斯分布。在训练过程中，如果新的蜂蜜源更具适应性，则可以用来替代旧的蜜源。

2.3 建立模型

选择最优的蜜源输出，作为RBF神经网络的模型参数，并初始化RBF神经网络，建立蜜源位置与RBF神经网络训练精度、宽度参数σi和最大神经元数目Nc之间的映射，训练过程如图4所示。

在训练的过程中，人工蜂群的种群大小设置为P= 25，最大循环次数设置为Cmax=50，阈值limit与种群大小和解的维度直接相关，设置为limit=P×Cmax×0.7。

图4 改进的人工蜂群算法示意图

3 建立仿真模型与分析实验结果

3.1 数据来源

考虑到列车运行时环境因素的影响，实验中采用长吉高铁沿线参数进行仿真，且长吉沿线的多山地环境使列车在运行时存在大尺度的传输损耗，从而使训练达到更好的效果。具体仿真参数配置见表1。

表1 仿真参数配置

3.2 系统仿真结果

在相同的测试环境下，本文对比了A3事件算法、RBF神经网络切换算法和IABC-RBF神经网络切换算法的效果，并考查了这些算法对于切换成功率、无线掉线率和乒乓切换等过程的稳定性。

图5为本文算法与传统方法的切换成功率的比较结果示意图。目前，我国无线通信系统的服务质量(QoalityofService，QoS)要求越区切换成功率需达到99.5%以上。但是随着运行速度v的增加，A3事件算法的切换成功率大大降低。列车运行速度超过120km/h后，交接成功率已无法达到99.5%。而本文基于IABC-RBF的切换方法可以根据运行速度v触发时延和迟滞门限，有效提高目标小区的可预测能力，从而保证较高的稳定性和切换成功率，满足高铁专网用户的感知需求。

图5 切换成功率对比

同时将本文算法的无线丢包率与传统的切换方法进行比较，实验结果如图6所示。由图6可见，当行驶速度v<120km/h时，3种算法均保持了良好的稳定性，无线掉线率<0.5%。随着运行速度的提高，基于A3事件算法的无线丢包率严重劣化。与A3事件算法和RBF算法相比，本文算法具有更高的稳定性和可靠性。

最后，图7给出了相同测试条件下3种算法乒乓率的实验结果，可以看出，在不同运行速度条件下，基于IABC-RBF神经网络的切换算法的乒乓率显著低于另外两种算法。

图6 无线掉线率对比

图7 乒乓率对比

4 结语

切换算法是影响高铁网络业务连续性和稳定性的关键因素，在LTE-R专网的优化中起着至关重要的作用。本文基于改进的人工蜂群算法和径向基函数神经网络，提出了一种用于LTE-R高速专用网的切换优化方法。基于高铁列车的运行速度和传输损耗，设计了IABC-RBF神经网络模型，动态优化切换触发时延和切换迟滞门限，在获得最优解的同时，具备更快的收敛速度。实验结果表明，本文算法在高速行驶的情况下具备较高的可靠性和稳定性，能够满足高速铁路场景下的切换需求，为神经网络在网络优化中的应用提供了一定的参考。