城際鐵路列控系統(tǒng)車-地通信延遲時間估計的深度學(xué)習(xí)算法研究

夏 明，蔣仁鋼

（卡斯柯信號有限公司 北京分公司，北京 100055）

城際鐵路列控系統(tǒng)[1-2]通過建立車地之間連續(xù)、雙向的通信，使列車命令和狀態(tài)信息在車輛和地面之間可靠交互，將地面設(shè)備和受控列車緊密的結(jié)合，可靠而精確地檢測列車位置，控制列車按運行計劃運行。城際鐵路列控系統(tǒng)的地面設(shè)備和車載設(shè)備，通過GSM-R無線數(shù)據(jù)通信網(wǎng)絡(luò)連接，構(gòu)成了系統(tǒng)的核心。

因為采用GSM-R無線通信網(wǎng)絡(luò)進(jìn)行信息傳輸，地面設(shè)備與車載設(shè)備之間的通信延時是無法克服的。車地通信延時的存在造成系統(tǒng)中車載設(shè)備和地面設(shè)備對信息使用的不同步。例如，當(dāng)軌旁設(shè)備收到車載設(shè)備的位置報文時，列車實際位置可能已發(fā)生改變，這對列車的運行控制而言存在一定的安全風(fēng)險[3-4]。因此，城際鐵路列控系統(tǒng)需考慮通信延時對列車運行控制的影響。由于延時時間的無法準(zhǔn)確計算，目前的研究主要基于統(tǒng)計學(xué)方法，如文獻(xiàn)[5]提出了一種延時時間的檢測方法，利用一段歷史時間內(nèi)（10個周期）的延時時間的平均值作為估算值。該方法的估算值精確度不高，難以獲得良好的效果。

鑒于深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)自身具有高度自學(xué)習(xí)性，不依賴高質(zhì)量特征的特點，相比于統(tǒng)計學(xué)等數(shù)學(xué)模型更具有適用性，被廣泛的應(yīng)用在圖像識別、語音識別、預(yù)測分析等領(lǐng)域[6-9]。本文運用具有長短期記憶（LSTM ，Long Short Term Memory）單元的深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)構(gòu)建了無線延時時間預(yù)測模型，解決無線通信延遲時間估計問題，選取了實際數(shù)據(jù)、歷史平均時間數(shù)據(jù)進(jìn)行比較分析，仿真結(jié)果表明LSTM神經(jīng)網(wǎng)絡(luò)模型優(yōu)于平均值算法，訓(xùn)練結(jié)果與實際值接近，預(yù)測精度高。預(yù)測結(jié)果為車地通信消息有效性的精確判斷、列車精確定位提供依據(jù)。

1 車地通信延時分析

車地通信延時時間Tdt包括車地通信網(wǎng)絡(luò)的固有傳輸時間Tnetwork和信息傳輸延誤時間Tdelay，即Tdt=Tnetwork+Tdelay。其中，Tnetwork可依據(jù)網(wǎng)絡(luò)傳輸設(shè)備的反應(yīng)時間和通信周期等進(jìn)行估算。但是，列車消息在由車載系統(tǒng)采用GSM-R無線方式傳送至地面系統(tǒng)時受無線信號質(zhì)量的影響和無線通信延時的制約，設(shè)備具有一定的反應(yīng)時間，所以Tdelay無法控制且不能直接檢測。因此，一般采用常量時間判定的方式來確定車地通信時間是否有效。即在系統(tǒng)中設(shè)置一個車地通信報文時效性的時間參數(shù)，通過該參數(shù)判定車地通信報文的最大使用許可時間。例如：CCS系統(tǒng)在接收列車消息后，獲取消息時間戳發(fā)送給列車的消息時間戳列車接收列車消息后，判斷Tccs是否在之間（a為延時常量），否則將丟棄該消息。如果Tdt估算不準(zhǔn)確，將影響消息有效性判斷的準(zhǔn)確性。城際鐵路地面設(shè)備與車載設(shè)備信息通信示意圖，如圖1所示。

圖1 城際鐵路地面設(shè)備與車載設(shè)備信息通信示意圖

2 延時時間預(yù)測遞歸神經(jīng)網(wǎng)絡(luò)模型構(gòu)建

2.1 遞歸神經(jīng)網(wǎng)絡(luò)模型

簡單的遞歸神經(jīng)網(wǎng)絡(luò)（RNN ，Simple-RNN）和一般的深度神經(jīng)網(wǎng)絡(luò)（DNN）區(qū)別是在隱藏層中增加節(jié)點間的互連，通過這種連接，隱藏層能夠保存并利用歷史信息來輔助處理當(dāng)前數(shù)據(jù)。RNN展開后相當(dāng)于一個多層的DNN神經(jīng)網(wǎng)絡(luò)，當(dāng)層數(shù)過多時會導(dǎo)致參數(shù)訓(xùn)練的梯度消失問題，導(dǎo)致長時信號損失。為了彌補這一缺陷，設(shè)計出LSTM替代隱藏層中的RNN網(wǎng)絡(luò)，使模型能夠建模信號的長時依賴關(guān)系。LSTM遞歸神經(jīng)網(wǎng)絡(luò)將隱含層作了改進(jìn)，其神經(jīng)元結(jié)構(gòu)，如圖2所示，灰色線代表有權(quán)重的網(wǎng)絡(luò)連接關(guān)系，灰色虛線代表遞歸連接關(guān)系。

圖2 LSTM內(nèi)部神經(jīng)元結(jié)構(gòu)

LSTM遞歸神經(jīng)網(wǎng)絡(luò)中遞歸連接為線性連接，該連接依靠信號來控制，該門被稱為遺忘門（forget gate）。因為它不需要經(jīng)過類似sigmoid函數(shù)的非線性變換，所以在訓(xùn)練中，LSTM的梯度信號在不同時刻的傳遞過程中不會衰減。除了遺忘門之外，還有輸入門（input gate）和輸出門（output gate），對應(yīng)信號it和ot。在LSTM遞歸神經(jīng)網(wǎng)絡(luò)模型中，xt和yt分別為t時刻網(wǎng)絡(luò)的輸入和輸出。令ct和mt分別為t時刻的神經(jīng)元激活函數(shù)輸出和隱含層輸出，則從xt到y(tǒng)t的計算式為：

其中：Wcx、Wix、Wfx、Wox是連接輸入信號xi的權(quán)重矩陣；

Wcm、Wim、Wfm、Wom是連接神經(jīng)元隱含層輸出信號m_t的權(quán)重矩陣；

Wic、 Wfc、 Woc是連接神經(jīng)元激活函數(shù)輸出矢量ct和門函數(shù)的對角矩陣；

bi、bf、bc、bo是偏置向量；

Wym和 by是LSTM輸出的權(quán)重矩陣和偏置矢量；ct是胞元的激活函數(shù)輸出矢量；

g和h是胞元輸入到輸出的激活函數(shù)；

g和h通常是tanh函數(shù)；

σ為sigmoid函數(shù)；

φ是輸出層的softmax函數(shù)；

代價函數(shù)這里使用交叉熵。

在實際的建模過程中使用兩層的LSTM遞歸神經(jīng)網(wǎng)絡(luò)，對于深層的LSTM遞歸神經(jīng)網(wǎng)絡(luò)，它在時間域和空間域上都具有深層結(jié)構(gòu)。

2.2 延時時間預(yù)測模型

本文使用兩層的LSTM神經(jīng)網(wǎng)絡(luò)，文獻(xiàn)[5]認(rèn)為延時時間與數(shù)據(jù)包的大小有關(guān)，所以提取無線通信延時問題的輸入特征為數(shù)據(jù)包大小（字節(jié)數(shù)）和對應(yīng)的延時時間。

LSTM神經(jīng)網(wǎng)絡(luò)以損失函數(shù)評價實驗結(jié)果，通常選為均方誤差（MSE ，Mean Squared Error）。這是回歸分析中普遍采用的評價標(biāo)準(zhǔn)。均方誤差的式為：

3 實驗結(jié)果

3.1 實驗數(shù)據(jù)與結(jié)果比較

實驗數(shù)據(jù)為每隔單位時間從CCS系統(tǒng)上采集的數(shù)據(jù)包大小與傳輸延時時間數(shù)據(jù)。實驗采用Python語言，LSTM模型由Tensorflow深度學(xué)習(xí)框架提供[10]。應(yīng)用規(guī)范化（BN ，Batch Normalization）方法提高收斂速度，采用指數(shù)衰減法自動調(diào)整學(xué)習(xí)效率，避免訓(xùn)練時間過長，防止參數(shù)在最優(yōu)點附近震蕩。經(jīng)過多次實驗，當(dāng)隱藏層節(jié)點數(shù)為10，batch size取為40，timesteps（timesteps代表LSTM能夠利用的時間序列長度，LSTM可以訓(xùn)練時間序列上的數(shù)據(jù)，利用數(shù)據(jù)在時間上的相關(guān)性使得訓(xùn)練結(jié)果更加精確。）取為10時取得較好的訓(xùn)練效果，如圖3所示，經(jīng)過1 000組數(shù)據(jù)訓(xùn)練后，損失函數(shù)降低為：0.044，預(yù)測精度達(dá)到95%以上。在80個測試集上的MSE平均值沒有超過0.06，證明該預(yù)測方法在實踐上具有有效性。與之相比，平均值法曲線波動較大，準(zhǔn)確度不高。

圖3 預(yù)測數(shù)據(jù)與采用歷史平均延時時間的計算結(jié)果的比較

3.2 不同timesteps下的結(jié)果比較

因為列控系統(tǒng)的工作狀態(tài)前后之間具有關(guān)聯(lián)性，因此該數(shù)據(jù)在時間上具有天然的連續(xù)性。具體采用timesteps的大小應(yīng)由生產(chǎn)過程中的客觀因素決定，當(dāng)天氣、地形、線路、設(shè)備等條件發(fā)生改變時，數(shù)據(jù)前后之間的關(guān)聯(lián)性便會隨之變化。

實驗結(jié)果如圖4所示，當(dāng)timestep=1，收斂最快，收斂速度與timesteps大小成反比。原因是當(dāng)timesteps增加時，同樣的輸出結(jié)果對應(yīng)的輸入數(shù)據(jù)增多，計算量增加。同時可以看到，當(dāng)timesteps=10時，模型精度反而略高于timesteps=64，說明timesteps不是越大越好，過大的timesteps不僅會增加收斂時間、提高模型訓(xùn)練難度，有可能降低模型精度。因為當(dāng)數(shù)據(jù)在時間序列上的長度過長時，前后之間的關(guān)聯(lián)性可能就逐漸減低甚至失去關(guān)聯(lián)性。因此建議將timesteps設(shè)置為可以被學(xué)習(xí)的參數(shù)，當(dāng)模型的訓(xùn)練精度不再下降甚至反而上升時，便可以進(jìn)行參數(shù)學(xué)習(xí)更改，取得更優(yōu)的訓(xùn)練效果。

4 結(jié)束語

城際鐵路列控系統(tǒng)車-地?zé)o線通信延時，會影響無線消息有效性判斷。本文引入遞歸神經(jīng)網(wǎng)絡(luò)對無線通信延遲時間進(jìn)行預(yù)測，解決了傳統(tǒng)統(tǒng)計分析方法難以從歷史延時時間數(shù)據(jù)中提取特征的問題，證明了該預(yù)測方法在實踐上具有有效性，并解決傳統(tǒng)方法難以解決的問題。本文采用BN等深度學(xué)習(xí)方法，結(jié)合LSTM的模型特點對模型的訓(xùn)練方法進(jìn)行優(yōu)化，大大縮短了模型的訓(xùn)練時間。下一步工作的目標(biāo)之一是在本文模型上進(jìn)一步提高收斂速度與精度，提高模型的適用性。

圖 4 不同timesteps對比圖

[1]邸洪濤，王長林.關(guān)于客運專線列車運行控制系統(tǒng)的探討[J].鐵路計算機應(yīng)用，2007，16（5）：21-22.

[2]楊曉娟，賈利民.列車控制系統(tǒng)架構(gòu)與技術(shù)現(xiàn)狀及發(fā)展方向[J].鐵路計算機應(yīng)用，2012，21（3）：49-52.

[3]李曉剛.車地通信延時對CBTC系統(tǒng)列車運行控制的影響分析[J].鐵路通信信號工程技術(shù)，2011，12（8）：44-46.

[4]劉宏杰，劉 波，夏夕盛.CBTC列車安全定位中通信延時的研究[J].市政技術(shù)，2010，（S2）：474-479.

[5]劉立明，韓 濤，蔣仁鋼.一種城際鐵路GSM-R無線消息延遲的檢測方法技術(shù)：CN105873123A[P].中國專利，2016-03-21.

[6]黃光許，田 筀，康 健，等.低資源條件下基于i-vector特征的LSTM遞歸神經(jīng)網(wǎng)絡(luò)語音識別系統(tǒng)[J].計算機應(yīng)用研究，2017，34（2）：392-396.

[7]王 晶.基于深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)的車牌字符識別技術(shù)的研究[J].工業(yè)控制計算機，2017（3）：51-52.

[8]張洪剛，李 煥.基于長短時記憶模型的中文分詞方法[J].華南理工大學(xué)學(xué)報：自然科學(xué)版，2017（3）：61-67.

[9]殷瑞剛，魏 帥，李 晗，等.深度學(xué)習(xí)中的無監(jiān)督學(xué)習(xí)方法綜述[J].計算機系統(tǒng)應(yīng)用，2016（8）：1-7.

[10]鄭澤宇，顧思宇.TensorFlow實戰(zhàn)Google深度學(xué)習(xí)框架[M].北京：電子工業(yè)出版社，2017.