一种简约化GSM-R网络优化方法及系统的研究与实现

马平娃

随着铁路建设的迅猛发展，GSM-R系统大规模应用于高速铁路、普速铁路及部分地方铁路专用线，GSM-R系统的正常运行直接关系着行车安全和运营效率；同时，铁路通信系统逐渐趋于数字化和智能化［1］，既有的运维管理工作也面临巨大的压力和新的挑战。铁路沿线的电磁环境日趋复杂，铁路GSM-R系统场强分布异常、信号干扰等事件时有发生，对铁路运输效率和运营安全造成严重影响。按照铁路维护规则，需定期对铁路无线信号进行检测，例如通过定期路测，优化GSM-R无线网络信号［2］，以保证铁路无线通信质量［3］，确保铁路运输安全。

以青藏线西格段为例，该区段采用GSM-R无线通信系统，铁路线路较长，经过山地、隧道、桥梁、涵洞等复杂地形，无线信号采集和优化难度大、成本高，数据采集时间长，这些客观问题长期影响着铁路列车的安全运行。

近几年，对GSM-R无线网络优化方法和系统的研究主要有：加装固定式装备［4］、优化基站或直放站部署方式［5］、健全各接口监测数据［6］、通过典型场景测试等进行网络优化［7］。上述研究在设备灵活性和通用性上优势不太明显，对测试数据的分析依赖专家经验，导致人工成本偏高；同时，上述研究均未对历史数据进行深度挖掘，无法发挥历史测试数据的价值。因此，本文提出一种简约化GSM-R无线网络优化方法，通过数据挖掘和机器学习技术，研发一种易携带、简易化、智能化、低成本的测试装备，以满足GSM-R网络优化的实际需求。

1 GSM-R网络优化现状

GSM-R系统主要承载的业务包括语音调度通信等电路域业务、调度命令传送等分组域业务、智能网等铁路特殊业务，以及各类补充业务等。目前普速铁路无线网络优化工作通常采用被动响应机制，GSM-R网络优化方式主要存在以下问题。

1）网络优化响应滞后。当前无线信号监测机制难以做到提前发现网络异常点位，需要在出现无线信号覆盖异常，特别是对行车产生实际影响后，才被动暴露出问题。网络优化响应严重滞后，无法满足当前大运量的铁路通信运用需求。

2）人才储备不足。无线网络信号路测（Drive Test，DT）和通话质量测试（Call Quality Test，CQT）人员，不仅需要掌握一定的无线通信理论知识，也需要丰富的实践经验［8］。当前存在技术人才储备不足，且不适宜铁路轮班作业的情况。

3）缺少专业化装备。铁路无线信号监测和采集方式具有一定的特殊性，现行的列车添乘方式缺少可伸缩的移动式测试天线，导致因车厢箱体的屏蔽问题而无法准确测量室外无线信号值［9］。虽然针对无线公共网络的信号检测装备较多，但缺少适用于铁路专网的信号检测装备。

4）数据采集过程复杂。测试过程中需要由具有丰富经验的技术人员进行各项参数设置，并借助专用测试工具打开测试数据文件，通过人工回放、分析得出测试结果［10］，操作过程复杂，不易掌握。

5）数据治理程度低。GSM-R网络路测、干扰监测［11］、接口监测、空口监测等数据格式多样且相互独立，数据之间缺少关联和融合；没有实现统一的数据管理和存储，无法适应大数据环境下的分析和统计；同时，历史数据及典型案例、整改经验均无法继承和复用，数据价值没有得到充分挖掘，无法支撑上层的业务决策。

针对上述普速铁路GSM-R网络优化中存在的问题和不足，本文提出一种简约的GSM-R网络优化方法，设计并研发一种智能GSM-R信号采集优化系统。通过便携式的感知终端，完成网络信号数据采集，并上传至后端服务平台；通过智能分析系统对数据进行融合处理和智能分析，初步判断并识别出铁路沿线无线信号薄弱区域；最后根据无线信号衰减模型和铁路站点模型，拟合计算无线网络覆盖场强，匹配历史上相似的场景和排障措施，自动给出优化建议。该系统可以有效提高当前GSM-R网络设备的维护能力与管理水平，不仅可用作非列控区段的无线网络优化方法，同样也适用于高速铁路列控区段的日常预防性测试，可有效保障铁路通信安全。

2 智能GSM-R信号采集优化系统架构及功能

2.1 系统组成

智能GSM-R信号采集优化系统由前端便携式感知终端和后端服务平台两部分组成，见图1，其中前端设备进行数据采集［12］，后端设备进行数据处理，二者通过互联网、公共移动网络、Wi-Fi、GSM-R专网等多种网络形式进行通信交互。

图1 智能化GSM-R信号采集优化系统组成

便携式感知终端主要由信号采集终端、天馈系统及其他配套设备组成，可实时采集铁路沿线无线网络信号，并将全部监测数据上传至后端服务平台。信号采集终端采用三防平板电脑作为承载介质，实现视图浏览和触控操作；天馈系统实现天线延伸接续的功能，特别适用于车内无线信号测试；其他配套设备包括移动电源、终端固定支架、数据流量卡等部件。

后端服务平台简称“SLA管理平台”，实现数据存储、无线网络信号的数据分析、报表智能统计、数据综合展示、智能排障建议、系统运维等功能［13］。服务平台支持不同监测方式或来源数据的导入，通过定义固定格式的表头信息，识别外来数据；结合铁路沿途基站分布情况，建立结构化的信号覆盖模型，基于大数据挖据和机器学习技术，实现对各类数据的自动关联和智能分析，以便对无线网络信号覆盖薄弱区域进行识别和判定。同时，根据沿线基站的历史配置信息［14］，拟合计算优化后的无线网络服务质量，给出合理的优化建议。

2.2 技术架构

智能GSM-R信号采集优化系统的技术架构包含感知终端和SLA管理平台，从下至上依次划分为4个层次，见图2。

图2 系统技术架构

1） 智能感知层：实现前端网络信号感知功能，负责网络信号的采集，包括地理空间数据采集、性能管理和智能排障建议。

2） 服务支撑层：实现信息聚合、数据挖掘、智能分析、接口服务等功能，并根据业务需要，提供面向用户的业务应用，包括基站数字化管理、网优项目化管理、地理空间数据采集、AI智能分析等服务。

3） 资源管理层：为SLA管理平台提供统一纳管及多样化的弹性资源，包括多样算力的混合调度、资源的按需伸缩、故障隔离，提供统一接口支撑上层各类服务，弹性伸缩架构便于实现业务服务与系统部署的抽象分离，避免重复“烟囱式”建设的问题，降低软、硬件投资和运维成本。

4） 数据模型层：定义各类监测对象的结构化模型，包括基站、项目、地理位置、信号衰减、历史数据、各类网络制式等数据对象，实现结构化模型的存储、查询、检索等功能，为应用提供统一接口，业务无需关心数据对象存储细节，即可对存储的数据内容进行筛选利用。

2.3 系统功能

2.3.1 自动化测试

智能GSM-R信号采集优化系统实时监测GSM-R上/下行频段的频谱和GSM-R无线信道质量，并解析GSM-R服务小区及周边小区的基站识别码（BSIC）、移动设备国家码（MCC）、移动设备网络码（MNC）、位置区识别码（LAC）、小区识别码（CI）等参数［15］；集成DT测试及CQT测试用例集，将多种测试场景固化为测试脚本，供用户选择后进行自动化测试。测试过程中形成的数据文件，能一键上传至后端SLA管理平台。

2.3.2 自动化报表分析

根据测试上传的数据文件，以场强或信号质量为基准，生成报表及图表，标识无线信号薄弱的区域，同步生成评估报告。

2.3.3 网优数字化管理

项目管理人员在SLA管理平台创建网优项目，制定待测试的铁路线路，以工单的形式直接指派到工区级测试人员手中，测试人员使用感知终端完成自动化测试，并将测试数据传送到SLA管理平台，先生成数字化分析结果，再将结果反馈至感知终端，督促测试人员及时进行优化调整。

2.3.4 智能生成排障建议

根据存储的历史基站配置数据和无线信号测试数据，按天气、时间、地点、故障类型、排障措施等属性进行数据叠加，抽象出驻留、切换、掉话等3大子类100多种场景，形成场景信息库，用于智能检索历史类似场景和排障措施。

根据无线网络信号衰减情况，建立一套数字化信号分布模型和数据样本集，将信号场强、网络质量等关键指标进行拟合计算［16］，给出合理的排障建议。

2.4 系统特点

与传统的无线网络优化系统相比，该智能GSM-R信号采集优化系统具有以下特点。

1）采用便携式感知终端。不需要携带大量仪器仪表，改变了原先测量无线信号的工作方式。根据不同等级铁路线路GSM-R网络优化的维护规则，提前在便携式感知终端中预制针对不同场景的测试脚本，维护人员仅需选择相应场景，即可开始GSM-R网络信号自动采集，有效降低网络优化的工作难度，提高了信号采集的工作效率。同时支持外接独立天线，能够有效解决车内测试引起的信号衰减问题。

2）实现国产化替代。SLA管理平台及软硬件设备通过技术创新实现替代，基础业务软件实现100%国产化，使用国产操作系统，应用业务软件完全自研，具备支撑GSM-R网络技术持续演进的能力，能够打破国外技术壁垒。

3）提供智能排障建议。SLA管理平台的数据分析服务部署在后端，采用私有云服务的模式，避免了系统因分散建设、容量受限、难以互通而形成的数据孤岛，可以将各类监测数据进行融合导入和统一存储，充分发挥历史数据价值。

4）提升分析时效。无线网络信号采集、问题识别、优化改进预案等都可由系统自动执行，解决了原有的人工数据分析而引起的费时、费力、效率低下和准确度不高的问题。

5）线下管理转向线上数字化派单。将传统的线下管理演进至线上流程化派单，实现向数字化网络优化的转型。根据不同阶段网络优化的能力模型，划分成路测、分析、实施等多个小组，将规范要求、测试流程、分析方法、典型案例、专家经验等功能模块固化到SLA管理平台，以数字工单的形式下发至各感知终端，进行自动化测试和智能分析。将网络优化过程的所有环节通过数字化方式传递，实现简约化的GSM-R网络优化。

3 关键技术

3.1 实时标定列车位置

在无线信号采集过程中，需要精准的列车或感知终端的位置信息，这对故障点位的确认非常关键。列车会经过山区、隧道等地理环境复杂的位置，感知终端在使用地理信息系统（Geographic Information System，GIS）高精度地图、全球导航卫星系统（Global Navigation Satellite System，GNSS）信号和惯性测量单元（Inertial Measure⁃ment Unit，IMU）信号进行噪声建模和卡尔曼滤波后，将多维信号加权融合，生成列车实际位置信息。在GNSS信号稳定，且标定的位置在高精度地图轨道坐标（x，y）20 m范围内时，优先使用GNSS信号；在GNSS信号不稳定，或标定位置不在高精度地图轨道坐标20 m范围内时，使用IMU惯性信号；在GNSS信号不稳定，且IMU标定位置不在高精度轨道坐标20 m范围内时，利用列车匀速行驶的特征，使用GIS高精度地图模拟推算方法标定位置。

高精度地图模拟推算方法：记录上一时刻T1列车位置L1，每间隔时间t采集IMU列车速度v，采集次数为n，拟合推算列车速度Vr为

T2时刻的列车位置Lr为

多维感知融合实时位置标定见图3。图3中，301为信号输入，包括IMU信号和GNSS信号；302为卡尔曼滤波模块，包括IMU的噪声建模及卡尔曼滤波，GNSS的噪声建模及滤波；303为多维数据融合（包括高精度地图信息），加权计算并生成实际列车位置信息。

图3 多维感知融合实时位置标定

3.2 多维数据聚合智能诊断

首先，根据存储的历史基站配置数据和无线信号测试数据，建立基础场景信息库；其次，根据铁路沿线基站无线网络信号衰减情况，建立数字化信号分布模型和数据样本集，支持输入天气、时间、地点、基站功率等因子，拟合计算周边任意位置的场强值；最后，对首次遇到的信号异常问题进行智能预警，结合信号衰减模型，模拟计算优化后的效果示例，经人工确定排障措施后，及时更新到信息库中；对遇到的相同或相似问题进行智能提示，自动匹配历史类似场景和排障措施，结合信号衰减模型，模拟计算优化后的效果示例，在措施有效的情况下，给出智能排障建议。随着基础场景信息库的完善，智能诊断的准确性将逐步提升。智能诊断流程如下。

Step 1数据接收模块将前端采集的数据，以经纬度坐标为基准，关联相关基站、路测轨迹、场强值，绘制测试场强曲线。

Step 2构建信号强度模型，设置低门限告警阈值，当网络信号低于阈值时进行告警；同时根据本测量点附近的事件信息及数据，搜索场景信息库，匹配相似的故障场景。

Step 3若无相似故障场景，则仅进行智能预警，此时由人工干预确定排障措施，并将排障措施更新到场景信息库；若匹配到相似场景，则根据相似场景的排障措施，模拟调制基站天线或其他配置，计算本测量点的网络信号强度，提出合理的数据调制方案。

Step 4后端Web服务模块根据场景的关联程度，从高到低显示不同场景的调制方案，在网络信号满足要求的情况下，生成优化建议并推送给用户，供其选择；同时提供网络优化报表和详细信息，以图形化界面呈现网络优化后的效果图。

3.3 线上派单与测试跟踪

根据路测的需求，指定测试时间、测试人员、测试线路、测试类型，并下发到指定测试人员；待现场测试人员完成路测任务并上传数据后，系统能够根据任务属性，自动分类并显示测试后的电平曲线。

对发现的异常数据进行跟踪处理，通过后端服务平台一键反馈至感知终端，提醒现场测试人员进行重点区段的复测或调整配置网络。

SLA系统界面示意见图4，通过不同颜色的曲线标识场强值的强弱，并自动绘制出测试路径。

图4 SLA系统界面示意

4 现场验证

根据搭建的智能化GSM-R信号采集优化系统，结合真实网络数据进行系统功能验证［17］。其中，前端感知终端基于安卓系统，装载一套数据采集软件，根据路测场景预制测试脚本，进行现场路测、数据采集和上传；后端采用私有云服务的模式，部署一套虚拟服务器，并装载服务端GSM-R网络优化系统软件，搭建SLA管理平台，进行后端数据接收和数据分析。

通过以下2个网络优化案例，对这种简约化的网络优化方法进行分析和说明。

案例一：某日在进行路测时，发现区间切换异常，疑似乒乓切换现象。分析过程如下。

Step 1将测试文件上传至SLA管理平台，平台针对测试数据进行智能分析，并对测试轨迹进行染色，按照点位数量疏密情况，依次筛选出3张不同场强下的测试图；按照信号强弱，识别并分离出信号强度为一般、较弱的轨迹图。其中，将信号强度在［-85，-95］区间的，标记成强度一般的淡绿色轨迹；信号强度在［-95，-105］区间的，标记成强度较弱的黄色轨迹。测试轨迹染色示意见图5。

图5 测试轨迹染色示意

Step 2通过对测试数据的分析，用户设备（UE）应稳定驻留在1000频点，随着时间的推移，当前1000频点的场强应不断减弱，邻区1002频点场强应逐渐增强。1000驻留频点及场强见图6。

图6 1000驻留频点及场强

Step 3通过地图及实际查看，发现周边建有高架桥及声屏障，可能对信号传播产生了影响，导致1000频点场强明显减弱，且存在多处与1002频点场强相近的位置，导致切换异常。1000及1002频点切换异常数据见图7。

图7 1000及1002频点切换异常

Step 4系统分析存在场强异常的区间，1000频点与1002频点不断切换，符合乒乓切换特征，并给出告警提示。

Step 5系统查询到类似乒乓切换场景，综合切换频次、距离、外部地理条件等因素，给出故障智能分析结论为切换异常，疑似乒乓切换，建议增加基站发射功率。切换异常场景智能分析示意见图8。

图8 切换异常场景智能分析

案例二：某日路测，发现存在外部网络信号干扰现象。分析过程如下。

Step 1UE经过X1基站、X2基站覆盖区间时，场强值偏低，均低于-90 dBm，并出现掉话情况。

Step 2监测到的下行信号质量持续降低至6～7级，同时UE多次注册到外网。

Step 3初步怀疑公网信号太强，底噪抬升而淹没GSM-R信号。

Step 4故障智能分析为疑似GSM-R场强弱，可能存在外部网络信号干扰［18］。建议增加基站发射功率。

GSM-R网络弱场强小区智能分析见图9。

图9 弱场强小区智能分析

5 结束语

针对GSM-R系统网络优化测试方面存在的问题，提出一种简约化的网络优化方法，采用基于AI智能和大数据分析的智能GSM-R信号采集优化系统，通过对铁路沿线通信基站和信号衰减建模，汇聚不同时间、不同属性的历史测试数据，开展数据挖掘和智能分析，结合历史排障措施，给出最优排障建议，自动生成网络优化报告，指导一线工作人员高效开展无线网络信号优化，使网络优化工作变得更加简单，从而有效保障铁路无线通信稳定、畅通。