魏 伟，刘晓娟，张雁鹏，李 瑶

(1.兰州交通大学电子与信息工程学院，兰州 730070；2.兰州交通大学自动化与电气工程学院，兰州 730070)

引言

随着通信、计算机、自动控制等“3C”技术的发展与进步，城市轨道交通中通信、信号等技术也得到了提高和完善。目前，国内一些新建的城市轨道交通线路也采用了可靠性较高的TD-LTE(Time Division Long Term Evolution，分时长期演进)技术承载城市轨道交通车地通信业务。北京地铁燕房线是首次采用TD-LTE技术进行列控系统综合承载传输，更是第一条采用了国内自主化FAO系统UTO(Unattended train operation，无人值守下的列车自动运行)模式的线路[1]。TD-LTE技术具有传输速率高、移动性好、系统时延低以及多级QoS(Quality of Service，服务质量)完善等优势[2]，为列车更加安全可靠地运行提供了保障的前提，代表着未来轨道交通技术的发展方向。

基于TD-LTE的城市轨道交通环境下，列车往往会因为受到多径效应、同频干扰等因素的影响引起接收到的RSRP值的波动较大的问题[3]，进而导致乒乓切换频繁发生。由于TD-LTE技术切换时采用的是硬切换，所以乒乓切换次数较多会降低切换成功率，影响列车通信性能。

国内外一些学者也对越区切换问题做了大量研究。文献[4]提出了一种基于锚的多连接架构，给定用户与多个AP连接，选择最佳接入点作为切换锚点，提供控制平面，从而降低切换概率；文献[5]提出了一种利用列车定位技术进行切换的机制，不通过场强触发切换，而是通过列车到达某一特定位置后触发切换条件，减少了切换时延；文献[6]综合考虑了RSRP(Reference Signal Receiving Power，参考信号接收功率)和RSRQ(Reference Signal Received Quality，参考信号接收质量)两种测量值，利用灰色预测GM(1，N)模型预测下一时刻两个相邻基站场强值，保证了切换过程的QoS(Quality of Service，服务质量)；文献[7]利用Stackelberg博弈模型，提出一种协作分集技术的列车切换算法，与传统切换算法相比，提高了网络资源分配效率，同时也减少了切换时延。

针对越区切换频繁的问题，本文提出了一种IGM-BP神经网络算法，并采用MATLAB作为仿真工具，对该算法和传统算法以及灰色预测算法进行仿真比较，验证本文提出的算法的可行性和有效性。相比现有的算法和研究，本文提出的算法能进一步减少乒乓切换的频率，提高了切换成功率。

1 基于TD-LTE的越区切换概述

TD-LTE技术作为未来城市轨道交通发展的趋势，使列车在高速移动下具有较高传输稳定性，同时，采用基于IP的扁平化网络结构，降低了系统时延[8]。因而，采用TD-LTE技术是实现城市轨道交通车地双向通信更加安全可靠的不可或缺的一环[9]。

1.1 TD-LTE车地通信系统

TD-LTE技术不仅能满足城市轨道交通综合业务承载需求[10]，而且可以保障城市轨道交通列车在切换过程中安全可靠运行。TD-LTE车地通信系统结构如图1所示。

图1 TD-LTE车地通信系统结构

TD-LTE车地通信系统结构主要由核心网子系统、无线子系统eNB及终端设备等各子系统组成。其中核心网子系统采用A网、B网冗余双网设计，两张网络完全独立，互不影响；无线子系统eNB包括BBU(Based Band Unit，基带处理单元)和RRU(Remote Radio Unit，射频拉远单元)设备，其中，单个BBU下可以连接多个RRU，实现无线通信系统信号的全线链状覆盖，同时TAU(Terminal Access Unit，车载数据终端)也可以与轨旁RRU实现数据传输。

1.2 切换流程

列车越区切换过程主要分为切换测量、切换判决和切换执行[11]，其切换流程及主要功能如表1所示。

表1 切换流程及主要功能

在切换判决阶段，3GPP LTE协议标准中规定了A1，A2，A3，A4，A5，B1，B2等7种测量报告触发事件[13]，其中，系统内越区切换测量事件主要包括A1～A5事件，另外两种事件主要用于系统外的切换测量触发事件。A3事件常作为城市轨道交通中切换触发测量报告事件，其判决公式如下

Mn+Ofn+Ocn-Hys>Mp+Ofp+Ocp+Off

(1)

式中，在不考虑任何偏置的情况下，Mn和Mp分别代表接收到的目标小区及服务小区的RSRP值；Ofn和Ofp分别为目标小区、服务小区的特定频率偏置；Ocn和Ocp分别为目标小区、服务小区的特定偏置；Hys为A3事件的迟滞参数；Off为A3事件的偏置参数。由于同频组网方式是LTE系统使用较多的组网方式，所以Ofn和Ofp相同，不参加计算，且相邻小区配置均相同，则Ocn与Ocp也不参加计算。因此，式(1)可化简为式(2)

Mn-Hys>Mp

(2)

A3事件切换触发示意如图2所示，当目标小区RSRP值Mn与服务小区RSRP值Mp的差值大于切换迟滞门限Hys且满足触发时延TTT后才会触发切换。

图2 A3事件切换触发示意

2 基于IGM-BP的越区切换算法

根据城市轨道交通的特点，在灰色预测算法和BP神经网络算法的基础上进行组合预测，故将本文算法记为IGM-BP算法。

2.1 灰色预测算法及模型建立

灰色系统理论1982年由邓聚龙首先提出创立，它是一种不确定性系统，主要针对的是样本数量少且信息一部分已知，一部分未知的系统。GM(1，1)模型则是其中一种最基础也是应用最广泛的模型，它是一种离散时间响应函数近似呈指数规律的模型[14]，使用4个数据便可以开始建立模型进行预测。GM(1，1)模型的核心思想是先将原始数据进行处理，找到一定的规律后开始建立模型，拟合数据值，得到预测值。其建模步骤如下。

(1)设X(0)=(x(0)(1)，x(0)(2)，…，x(0)(n))

为一组非负原始数据序列，将序列X(0)进行一阶累加生成运算，得累加生成序列为

X(1)=(x(1)(1)，x(1)(2)，…，x(1)(n))

(3)

(2)根据第一步得到的累加序列X(1)建立GM(1，1)模型，得对应的白化微分方程为

(4)

式中，a为发展系数；b为灰色发展作用量。对应的灰微分方程形式为

x(0)(k)+αz(1)(k)=b，k=2，3，…，n

(5)

(3)求参数a，b。通过最小二乘法计算参数列Φ=[a，b]T，展开式为

Φ=(BTB)-1BTY

(6)

其中，

k=2，3，…，n

(7)

(8)

将k=2，3，…，n代入上式，便可得到初始数据的拟合值；当k>n时，便可得到灰色模型对未来的预测值，同时对预测值取均值。

2.2 BP神经网络及结构设计

20世纪80年代中期，Rumelhart和McClelland等提出了BP神经网络(Back Propagation Neural Network)结构，它是按照误差逆向传播算法训练的多层前馈神经网络[15]，现被广泛应用于各个领域。

BP神经网络结构分为3层，即输入层、隐层和输出层，任意一层都可以有若干个节点，每一层间的节点都相互联系。由于本文目的是对RSRP的波动情况进行改善，所以BP神经网络结构设计如下。

(1)输入层：因为本文针对RSRP值进行优化，所以输入层的维度为1。输入值为经灰色预测算法后得到的预测值，记为X=[x1，x2，…，xn]，其中，n为该层神经元节点数，本实验取节点数为5。

(2)隐层：首先考虑单隐层的BP神经网络，即只有一个隐层。一般来说，当维度为1时，如果网络性能在节点数较多的情况下还是不能得到改善，才会增加隐层的维度。本文选择1个隐层即可满足网络性能，且实时性较好，符合城市轨道交通实时的要求。对于传递函数来说，本文采用(0，1)S型函数中f(x)=1/(1+e-x)作为传递函数。

表2 不同隐层神经元个数性能比较

(3)输出层：该层维度也为1，即经过算法得到的该时刻的RSRP预测值。

2.3 IGM-BP算法

在城市轨道交通中，进行服务小区和目标小区的场强测量周期为50 ms，列车周期上报的时间是240 ms[17]，因此在这一过程中，对服务小区和目标小区的RSRP值最多进行4次测量。为了使灰色GM(1，1)模型更适合城市轨道交通的特点，本文先取4个RSPR数据建立灰色预测模型进行预测。

由于灰色预测的精确度与初始值相关，对于离原点数据较远的点，随着时间推移将会出现新的随机因素，使得预测值发生较大偏差[18]，本文将对初始数据进行优化。在建立GM(1，1)的过程中，将IGM-BP算法得到的预测值x(0)(n+1)增加到X(0)序列中，并将X(0)中的x(0)(1)信息删除，利用新序列X(0)'=(x(0)(2)，x(0)(3)，…x(0)(n+1))建立GM(1，1)模型，重复上述步骤直到预测结束。

本文将选取灰色预测得到的均值作为其BP神经网络中的期望值，一方面是因为均值计算方便，可以很大程度上减小算法复杂度，另一方面是因为均值与预测得到的所有数据都有密切关系，可以改善数值变动较大造成预测结果的规律性减弱的负面影响，其算法流程如图3所示。

图3 算法流程

处理步骤如下。

(1)由于源数据Mn和Mp的值均为负数，则需要将所有源数据取绝对值。

(2)取t时刻接收到的服务小区的RSRP值的前4次值，并与上一时刻得到的预测值构成GM(1，1)模型短序列，记为X1={X1(t-4Δt)，X1(t-3Δt)，X1(t-2Δt)，X1(t-Δt)}，同理，记目标小区RSRP值构成的短序列为

X2={X2(t-4Δt)，X2(t-3Δt)，X2(t-2Δt)，X2(t-Δt)}；

(3)根据短序列X1建立GM(1，1)模型，进行运算后得出一组新的预测序列Y1={Y1，1，Y1，2，Y1，3，Y1，4，Y1，5}；同理，根据短序列X2建立GM(1，1)模型，进行运算后得出一组新的预测序列Y2={Y2，1，Y2，2，Y2，3，Y2，4，Y2，5}。

(9)

灰色预测算法一定程度上弱化了数据随机性，可以很容易找出原始数据所呈现的规律性，具有建模样本少、短期预测精度高等优点[18]。但是灰色预测模型也具有一定的固有的局限性，它十分依赖原始数据，如果原始数据的波动性较大，会出现较大误差，则预测精度会大打折扣。

BP神经网络有着良好的自适应性，学习能力较强，容错性较高，可以进行并行计算，提高运算速度，使运算系统简单，灵活[19]，在遇见波动性较大的数据时也可以进行较为精确的预测。但是需要较多的样本数据进行学习，如果数据数量太少，得到的预测值也会出现较大的误差。

当二者进行组合时，则可以互相发挥优势，取长补短。由于RSRP波动性较大，该组合算法利用BP神经网络修正灰色预测得到的数据误差，可以改善灰色预测算法对数据波动较敏感的问题，比单一使用灰色预测算法的计算精度高；同时，该算法在数据量较少的情况下，其精度也比单一使用BP神经网络算法得到的精度要高。

3 实验仿真

将采用MATLAB软件作为算法仿真平台，通过传统切换算法、灰色预测算法与本文提出的算法进行仿真对比，并从RSRP值的波动情况、乒乓切换率及切换成功率等方面来验证3种算法对切换性能的影响。

3.1 实验参数设置

以北京燕房线为例，燕房线全长14.431 km，全线为高架段[20]，同时使用频率为1.8 GHz的无线信道，因此采用选择1.5～2 GHz频率范围的COST231-HATA模型模拟城区无线环境[21]，在仿真中，仅考虑无线信道模型中的阴影衰落与路径损耗，则服务小区和目标小区RSRP的计算公式分别为

RSRPi(d)=Pt-PLi(d)-Si(d)

(10)

RSRPj(d)=Pt-PLj(d)-Sj(d)

(11)

式中，Pt为基站发射功率；Si(d)和Sj(d)为两个小区的阴影衰落；PLi(d)、PLj(d)分别为服务小区和目标小区的COST231-HATA模型路径损耗功率，具体公式如下

PL(d)=46.3+33.9lgfc-13.82lghte+

(44.9-6.55lghte)lgd-α(hre)+Ccell

(12)

其中，fc为载波频率；hte为基站天线发射高度；d为收发天线之间的水平距离；hre为移动台天线高度，本文具体实验参数如表3所示。

表3 实验仿真参数

根据城市轨道交通的特点，小区呈链状分布，因此将列车越区切换过程模拟如图4所示。

图4 链状小区列车切换过程模型

AB段表示两个基站间的距离为1.4 km；BD段表示两个基站之间的切换重叠带，C点为切换带中点，切换带规划公式如下

x=Hys/L+2(t1+t2)·v

(13)

式中，x为单边切换距离；Hys为迟滞切换参数；L为漏缆每米损耗；t1为测量时长；t2为切换时延；v为列车速度。一般来说，测量时长和切换时延在500 ms之内，由于北京燕房线列车最高运行速度为80 km/h，则单边切换距离为94 m，那么重叠切换带长度为188 m，取切换区域为0.6～0.8 km。

3.2 实验结果分析

如图5所示，图中纵坐标代表的是使用传统切换算法得到的目标小区和服务小区的RSRP值，横坐标代表的是列车行驶过程中与初始服务小区基站间的距离。图6和图7分别代表的是灰色预测算法和采用本文所提出IGM-BP算法得到的目标小区和服务小区的RSRP值随距离变化的情况。灰色预测算法相较于传统A3算法，在一定程度上改善了RSRP值的波动情况，而对比于灰色预测算法，IGM-BP算法在改善RSRP值的波动情况方面又得到了优化，从图中可以看出，本文所提出的算法在改善RSRP值的波动情况方面效果最好，波动幅度最小，说明本文算法有效减小了同频干扰及多普勒效应等因素的影响。

图5 传统切换算法下RSRP值随距离变化情况

图6 灰色预测算法下RSRP值随距离变化情况

图7 IGM-BP算法下RSRP值随距离变化情况

图8分别给出了传统切换算法(黑色点线)、灰色预测算法(蓝色直线)和IGM-BP算法(黄色虚线)下目标小区与服务小区RSRP差值随距离的变化情况，其中黑色虚线表示切换迟滞Hys。从图8可以看出，在覆盖重叠区域中RSRP差值在Hys处变化剧烈，尤其在切换带中点0.7 km处附近变化幅度最大，容易产生乒乓切换，3种算法比较下得出传统切换算法下目标小区与服务小区RSRP差值波动变化最大，灰色预测算法次之，IGM-BP算法下变化幅度最小，稳定性最高。在区域切换带内取20 m为一步长，其3种算法下的RSRP差值如表4所示。

图8 3种算法下目标小区与服务小区RSRP差值比较

表4 切换区域带内三种算法RSRP差值比较

图9为3种算法下的乒乓切换率比较，本文所提出算法的乒乓切换率最高只有3%，低于传统算法和灰色预测算法的成功率21%和14%，从中可以得出，IGM-BP算法可有效减小乒乓切换的频繁发生，提高了列车在FAO系统运行环境下的稳定性。

图9 乒乓切换率比较

切换成功率是列车越区切换时重要的评估标准之一，由于本文改善了RSRP值的波动情况，越区切换成功率也得到了提高。3种算法下切换成功率比较如图10所示，本文所提出的算法在0.76 km处的成功率达到99.6%，高于在此处的传统算法和灰色预测算法成功率83.4%和92.7%。

图10 三种算法切换成功率比较

4 结语

本文讨论了基于TD-LTE的城市轨道交通越区切换问题，提出一种IGM-BP算法来改善列车行驶过程中接收到的服务小区和目标小区的RSRP值的波动情况。通过结合TD-LTE标准中的A3事件，对该算法进行实验仿真，并且与既有算法和灰色预测两种算法对比，仿真结果表明，该算法可以有效改善因为同频干扰和多径效应对RSRP值的干扰情况，减小了RSRP值的波动幅度，与其余两种算法相比，IGM-BP算法降低了乒乓切换率，提高了切换成功率，具有明显的优越性。