基于LSTM動態(tài)波束賦形的高速列車越區(qū)切換算法

李翠然，張澤鵬，謝健驪

(蘭州交通大學 電子與信息工程學院，甘肅 蘭州 730070)

鐵路運輸具有運載能力大、運行速度快、運輸效率高等特點。鐵路通信系統(tǒng)是鐵路運輸?shù)摹皠用}”,但高速鐵路(以下簡稱“高鐵”)列車運行環(huán)境復雜[1],主要場景有平原、山地、丘陵、城郊,經過的特殊地貌有高架橋、路塹、隧道等。由于場景的復雜性以及列車的高時速,多徑衰落、多普勒頻移、高車廂穿透損耗和復雜場景中移動中繼節(jié)點(Mobile Relay Node,MRN)接收信號質量差導致的越區(qū)切換中斷概率高等技術問題一直難以解決[2-4]。如何設計合理的越區(qū)切換算法,有效提升高鐵用戶服務質量和服務體驗是亟待解決的關鍵問題。

為了解決高鐵運行場景中“越區(qū)切換中斷概率高”的問題,相關學者展開了大量研究。米根鎖等[5]提出基于速度的提前切換算法,在切換前執(zhí)行信令交互并設置預承載點,改善過早或過晚切換帶來的通信中斷、掉話等問題,但未考慮所提算法與基站硬件設備性能的結合問題,仿真環(huán)境較為理想化。為了減少切換中斷時間,李東航[6]針對多車交會場景提出基于長短期記憶網(wǎng)絡(Long Short Term Memory,LSTM)的列車控制與信息服務網(wǎng)絡流量預測模型,結合列車的速度位置信息預測列車與eNB間的無線通信數(shù)據(jù)傳輸速率,并提前為基站覆蓋區(qū)內的列車做好功率分配,從而提高切換帶內的信號強度,幫助列車順利執(zhí)行越區(qū)切換。此算法在實現(xiàn)難度和匹配基站硬件設施方面存在優(yōu)勢,且在不改變基站總功率的前提下能夠獲得明顯的信號增益,因此其已廣泛應用于越區(qū)切換算法中。波束追蹤能夠根據(jù)終端移動性,以較高的靈活性來調整波束方向以跟蹤特定的傳播路徑,從而實現(xiàn)較低的中斷概率和最優(yōu)的速率容量性能[7]。朱豪等[8]針對列車在基站重疊區(qū)切換觸發(fā)概率和切換成功率均較低的問題,基于遺傳算法提出一種自適應聯(lián)合判決切換策略,該文主要針對開闊地場景。傳統(tǒng)的LTE-R切換方案由于忽略了列車經過eNB重疊區(qū)的時間導致列車錯過最佳切換點。文獻[9]提出基于貝葉斯算法的回歸預測模型,通過預測列車經過重疊區(qū)邊緣的過境時間,提前觸發(fā)切換,提升了切換效率和切換性能,但缺乏對算法復雜度的分析。高鐵無線信道中的電波傳播有其特殊性,運行場景不同則接收信號功率和陰影衰落也存在差異。上述文獻建模過程均未考慮路塹等特殊地形下信號遮蔽、信號非視距傳輸?shù)痊F(xiàn)象[10]。此外,忽略了不同高鐵地形以及周圍植被、障礙物的反射、散射信號的衰落差異性對越區(qū)切換性能的影響。

針對上述問題,本文以典型高鐵地形(路塹、高架橋)作為研究場景,對路塹地形環(huán)境下存在的信號遮擋現(xiàn)象展開分析,利用LSTM對時間參數(shù)序列的預測能力和動態(tài)波束賦形追蹤策略,提出基于LSTM預測的動態(tài)波束賦形越區(qū)切換算法。所提算法通過來波到達角(Direction of Arrival,DoA)輔助車載全球導航衛(wèi)星系統(tǒng)(Global Navigation Satellite System,GNSS)確定列車位置,由基于LSTM神經網(wǎng)絡預測及增加了預留角的動態(tài)波束對MRN進行對準追蹤,從而提高eNB覆蓋區(qū)邊緣MRN的接收信號功率。并提出中斷概率閾值參數(shù)k和eNB總功率Pa聯(lián)合約束的波束增益分配算法,達到合理分配eNB功率、降低切換中斷概率、提高切換觸發(fā)概率和切換成功率的優(yōu)化目標。

1 系統(tǒng)模型與運行場景

1.1 中繼通信模型

高鐵線路中繼通信系統(tǒng)模型見圖1。圖中,eNB發(fā)射天線向部署于高鐵列車車頂?shù)腗RN發(fā)送信號,MRN再將信號傳送給列車上的用戶,該方法能夠避免信號穿過車體產生的穿透損耗。假設eNB天線采用全向天線模式,eNB覆蓋半徑為r,相鄰eNB間距為Dab,則重疊區(qū)寬度為2r-Dab。圖1中,點P、Q、R分別表示eNB重疊區(qū)的起點、中點和終點。當列車以速度v從源小區(qū)eNBa向目的小區(qū)eNBb行駛時會發(fā)生越區(qū)切換,切換觸發(fā)準則為[11]:若某一時刻列車接收到eNBb的信號功率大于eNBa,且兩者差值大于或等于觸發(fā)門限Γ時觸發(fā)切換,否則列車仍保持與eNBa的通信。當eNB配備智能天線時,基于定向波束賦形技術能夠動態(tài)跟蹤MRN位置,使MRN始終處于波束主瓣內,以解決由于較低觸發(fā)門限引起的乒乓切換以及列車高速運行引起的多普勒頻移和車廂穿透損耗等問題。

圖1 高鐵線路中繼通信模型

1.2 運行場景

高鐵運行場景被分為平原、高架橋、路塹等12種,不同地形的信道參數(shù)差異很大。視距路徑(Line of Sight,LoS)的概率計算式為[12]

(1)

式中:dx為eNB與MRN的通信距離;dbp為斷點距離;α為衰減參數(shù)。

圖2為兩種典型場景下的LoS概率曲線。

圖2 兩種場景下的LoS概率

由圖2可見,高架橋場景下LoS概率均值比深路塹場景下LoS概率均值大。其原因是高架橋場景下,MRN位于離地面10～30 m的高架橋上,橋面較高且軌面高度恒定,eNB與MRN之間的LoS傳播受障礙物的影響較小;而路塹場景下尤其是深路塹時可能存在遮擋現(xiàn)象,導致無線路徑被障礙物阻擋[13]。

路塹地形作為典型的遮擋場景,若使eNB發(fā)射的信號波束能夠無遮擋地到達MRN處,eNB天線高度需滿足一定的約束條件。圖3給出了路塹場景中的遮擋情形示意圖,假設路塹結構近似為平行,不存在拐彎、曲折情況。

圖3 路塹場景的遮擋情形示意

圖3(a)中,eNB天線波束賦形的發(fā)射點記為p,MRN接收點記為q。H1、H2、h和d分別為eNB天線高度、路塹邊坡高度、MRN距離地面的高度和eNB底端與鐵軌之間的距離。路塹底部寬度為Wdown,MRN與y軸的垂直距離為DS,路塹邊坡傾角γ較小,計算時可忽略。建立三維直角坐標系,點p、點q的坐標分別表示為(x1,y1,z1)=(0,-d+Wdown/2,H1+H2),(x2,y2,z2)=(-DS,Wdown/2,h)。圖3(b)中,l1,l2,…lj分別為各個方向基站發(fā)射波束的主瓣中心線,假設li為eNB天線波束恰好掠過路塹邊坡、無遮擋到達MRN的主瓣中心線,則直射線pq對應的三維空間參數(shù)方程可表示為

(2)

為保證eNB發(fā)射波束能夠無遮擋到達MRN處,則直射線上的點應滿足

(3)

結合空間直線參數(shù)方程,得到eNB天線高度的約束條件

(4)

式中:X為列車行駛距離,取值無約束;ε為任意實數(shù)。

2 基于LSTM的動態(tài)波束賦形策略

2.1 改進的動態(tài)波束賦形

傳統(tǒng)的基于波束賦形的越區(qū)切換技術在eNB重疊區(qū)內的波束增益為固定值[14],未能較好地考慮列車在重疊區(qū)內移動時其接收功率隨距離變化對波束賦形增益的影響。為此,提出基于位置輔助的動態(tài)波束賦形機制,通過估計MRN的DoA,使eNB發(fā)射信號功率集中在波束主瓣方向,旁瓣信號強度近似為零,以達到抑制干擾、提高越區(qū)切換性能的目的。圖4為動態(tài)波束賦形的DoA模型。圖4中,假設列車在eNB重疊區(qū)的行駛軌跡為直線,令列車頂部的MRN位于x位置處(由車載GNSS提供位置信息),則波束下傾角αx,波束主瓣寬度θx分別表示為

(5)

(6)

式中:H為eNB頂端距離地面的高度;dmin為eNB頂端和鐵軌之間的距離,表示為

(7)

列車進入重疊區(qū)后,eNBb開啟波束賦形模式,使波束主瓣方向指向MRN并隨其變化,見圖5。當MRN位于x位置時,Dab-r≤x≤r,eNBa波束主瓣寬度θa和eNBb波束主瓣寬度θb分別為

圖5 改進的波束賦形覆蓋方式

(8)

(9)

式中:θmax和θmin分別為波束主瓣寬度角θa(θb)的最大、最小值,其示意見圖4。

2.2 動態(tài)波束賦形增益

根據(jù)信干噪比(Signal to Interference Plus Noise Ratio,SINR)和參考信號接收功率(Reference Signal Receiving Power,RSRP)等切換參數(shù)具有較強的時空相關性[6],提出一種基于LSTM的波束增益需求預測模型。首先根據(jù)eNB采集的切換參數(shù)值,預測eNB與列車間未來時刻的RSRP值序列;其次在滿足中斷概率閾值參數(shù)k和eNB總功率Pa約束條件下,按需為列車補償滿足通信需求的波束增益。同時,結合2.1節(jié)的波束主瓣寬度角度估算,優(yōu)化越區(qū)切換算法。

2.2.1 LSTM神經網(wǎng)絡基本原理

LSTM整個存儲單元由三個激活門(遺忘門、輸入門和輸出門)控制。三個門和對應單元信息的更新公式為[15]:

遺忘門:在單元信息更新中控制上一時間步記憶單元的哪些信息被留存。在時間步t中遺忘參數(shù)ft的計算式為

ft=σ(Wf[ht-1xt]+bf)

(10)

輸入門:在記憶單元完成對信息的遺忘處理后,由輸入門決定新的候選向量值有多少參與到記憶單元信息的更新中。其輸出參數(shù)it表示信息保留的程度

it=σ(Wi[ht-1xt]+bi)

(11)

(12)

(13)

輸出門:處理當前記憶單元的狀態(tài)值并輸出。

ot=σ(Wo[ht-1xt]+bo)

(14)

ht=ottanh(ct)

(15)

式中:W為權重矩陣;b為偏置項,表示矩陣元素乘積;ht-1為上一時刻編碼器的隱藏狀態(tài);xt為待預測序列樣本值,tanh為雙曲正切激活函數(shù);σ為sigmoid激活函數(shù),定義式為

(16)

(17)

最終預測值由輸出層計算式為

yt=σ(Wyht+by)

(18)

2.2.2 基于LSTM的波束增益預測問題建模

當列車行使在eNB重疊區(qū)之外時,MRN周期性地對列車RSRP進行采樣并上報,eNB得到初始RSRP序列L1:{x1,x2,x3,…,xN};為了提高預測的準確性,利用滑動窗口對L1進行平滑處理,使數(shù)據(jù)更加平穩(wěn)。再對L1進行歸一化,將其轉換為具有固定時間步長的序列集L2:{X1,X2,X3,…,XM},其中X1對應步長為t的RSRP序列{x1,x2,x3,…,xt}的變化情況?；贚STM神經網(wǎng)絡,根據(jù)前t個時間步長的測量值實現(xiàn)對t+1時刻的RSRP值的預測,最后得到未來一段時間域內RSRP序列的預測值,由此即可計算出t+1時刻列車所需的波束賦形增益Gt+1?；贚STM預測和k-Pa聯(lián)合約束的波束增益預測分配算法為:

輸入:dx,L1,k,Pt,Pa輸出:Xt+1,Gt+1初始化:dx←1 800;Xt+1←0;Gt+1←0;LSTM設置:dataTrain←90%,dataTest←10%numFeatures = 1,numResponses = 1,numHiddenUnits = 20×3;InitialLearnRate = 0.005,GradientThreshold = 1,LearnRateDropFactor = 0.2; MaxEpochs = 300;mu = mean(dataTrain),sig = std(dataTrain),dataTrainStandardized = (dataTrain - mu) / sig;net = trainNetwork(XTrain,YTrain,layers,options);1:YPred = sig×YPred + mu;2:Xt+1 ←YPred;Gt+1=f2(Xt+1,k)3:while (1 800 =30 then10:Г=Г-ΔГ11:n=0;12:end if13:end if14:dx=dx+115:end while

2.3 波束賦形預留角

高速列車越區(qū)切換算法中,當利用車載GNSS提供的MRN位置信息進行波束對準時,系統(tǒng)噪聲和傳輸延遲可能會引起不容忽視的MRN定位誤差,從而導致高鐵用戶掉線和通信中斷,通過增加波束預留角可以有效降低切換中斷概率[16]。圖6所示為定位誤差引起的波束賦形角度誤差。

圖6 定位誤差引起的波束賦形角度誤差示意

圖6中,令Δx為MRN定位誤差;Δμx為波束賦形角度誤差。Δx與Δμx之間的函數(shù)關系式為

(19)

(20)

(21)

3 越區(qū)切換算法性能

3.1 不同場景的路徑傳輸損耗模型

路徑損耗模型能夠預測接收信號強度,為評估列車接收信號質量和越區(qū)切換提供理論依據(jù)。無線信道的路徑傳輸損耗預測模型可表示為

(22)

式中:PL(d0)為截距;n為路徑損耗指數(shù);Xσ為陰影衰落,且服從均值為0的高斯隨機分布。路塹、高架橋場景下的路徑傳輸損耗分別為[17]

(23)

(24)

式中:Xσcut、Xσvia分別為路塹、高架橋場景的陰影衰落,服從均值為0的高斯隨機分布。

3.2 性能分析

假設eNB發(fā)射信號功率為P,當列車經過重疊區(qū)時,eNBa和eNBb分別產生不同的波束賦形增益,列車接收到來自eNBa和eNBb的信號功率分別表示為

(25)

(26)

式中:PLa、PLb分別為eNBa、eNBb與列車之間的傳輸路徑損耗;G1、G2分別為2.2節(jié)預測得到的源基站、目的基站實際分配的波束增益。由此得到切換中斷概率為

Pout(dx)=Pr[Prb(dx)<λ]=

(27)

式中:λ為保證正常通信的最小接收信號功率閾值。

切換觸發(fā)概率Ptri可表示為

Ptri(dx)=Pr[Prb(dx)-Pra(dx)≥Γ]=

(28)

為保證列車在重疊區(qū)內成功切換至eNBb,就要使列車與eNBa、eNBb均保持可靠的通信連接,并順利觸發(fā)切換。因此,切換成功率可描述為:切換前與eNBa通信未中斷、切換中順利觸發(fā)并成功切換和切換成功后與eNBb未中斷同時成立。切換成功率Psuc可表示為

Psuc=[1-Pout(dx)a]·Ptri(dx)·[1-Pout(dx)b]

(29)

式中:Pout(dx)a為MRN與源基站a的通信中斷概率;Pout(dx)b為MRN與目的基站b的通信中斷概率。

4 仿真結果

本文利用MATLAB仿真平臺驗證越區(qū)切換算法性能,仿真參數(shù)如表1所示[14]。

表1 仿真參數(shù)

圖7為當h=3 m,Wdown=6 m,H2取值為2.5～5 m,eNB底端和鐵軌之間的距離d取值為10～50 m時,滿足發(fā)射波束不被遮擋的最低eNB天線高度?？煽闯?當H2≤h時,eNB天線高度取值無約束;當H2>h時,eNB距離MRN越遠,路塹邊坡越高,滿足波束無遮擋時的eNB天線高度值就越大。這說明,圖3(c)所示的淺路塹地形通常不會發(fā)生波束被路塹邊坡遮擋的現(xiàn)象,深路塹地形可能存在波束被路塹邊坡遮擋的情況。波束是否被遮擋與eNB天線高度H1、路塹邊坡高度H2、MRN高度h以及eNB底端與鐵軌之間的距離d相關。

圖7 不同距離下波束無遮擋時的最低eNB天線高度

基于2.2節(jié)分析,本文將樣本數(shù)據(jù)的90%輸入神經網(wǎng)絡進行訓練,剩余10%作為測試集。基于LSTM網(wǎng)絡訓練得到路塹地形下的RSRP預測值與理論值仿真結果見圖8。其中,圖8(a)中前90%為樣本數(shù)據(jù),剩余10%為預測結果;圖8(b)為樣本數(shù)據(jù)與預測數(shù)據(jù)的結果對比(注:橫坐標180個數(shù)據(jù)點的對應編號為1620～1800);圖8(c)為預測值與樣本數(shù)據(jù)之間的誤差變化。由圖可知,基于LSTM的RSRP預測值與理論值基本擬合,波動幅度相對平穩(wěn),很好地預測了未來時刻接收信號質量的變化趨勢,能夠滿足實際RSRP預測需求。

圖9為基于LSTM預測和k-Pa聯(lián)合約束的波束增益分配結果。圖中,點P、Q、R分別表示eNB重疊區(qū)的起點、中點和終點。在eNB重疊區(qū)內C點(2 114 m)之前,RSRP值較大,eNB無需補償波束增益就能觸發(fā)越區(qū)切換;C點之后,列車離eNB越來越遠,RSRP值減小,eNB需要補償一定的波束增益才能順利觸發(fā)切換;D點(2 915 m)之后,RSRP值降至最低,列車所需的波束增益大于eNB所能補償?shù)牟ㄊ鲆?eNB只有降低切換觸發(fā)門限才能保證切換順利進行。

圖9 基于LSTM預測和k-Pa聯(lián)合約束的波束增益分配

圖10 波束賦形預留角

路塹、高架橋地形下的切換中斷概率、切換觸發(fā)概率和切換成功率性能對比曲線分別見圖11～圖13。其中,路塹場景、高架橋場景分別用Cuttings、Viaduct表示,傳統(tǒng)A3切換算法[14]用A3表示,均勻波束賦形算法[14,18]用JY表示,文中提出的動態(tài)波束賦形-無預留角算法用DB-NA表示,動態(tài)波束賦形-預留角算法用DB-A表示。

由圖11可以看出,兩種地形下,動態(tài)波束賦形-預留角算法的切換中斷概率最低,均勻波束賦形算法切換中斷概率雖優(yōu)于傳統(tǒng)A3切換算法,但明顯低于本文所提算法。這是因為波束預留角策略考慮了MRN定位誤差引起的波束賦形角度誤差,通過增加波束預留角可以有效降低切換中斷概率。其次,在高架橋場景中四種算法的系統(tǒng)性能都優(yōu)于路塹場景的對應算法,這是因為高架橋場景的LoS概率均值大于路塹場景的LoS概率均值,路徑損耗較小。

由式(28)可知,切換觸發(fā)概率與波束預留角無關,圖12對比了兩種場景下動態(tài)波束賦形-無預留角算法、傳統(tǒng)A3算法和均勻波束賦形算法的切換觸發(fā)概率變化趨勢。圖中,隨著列車從P點移動至R點的過程,三種算法的切換觸發(fā)概率隨之增加,動態(tài)波束賦形算法的切換觸發(fā)概率變化趨勢與均勻波束賦形算法相似,但都大于A3切換算法和均勻波束賦形算法。這是因為當列車進入eNB重疊區(qū)時,eNB由全向天線模式轉為動態(tài)波束賦形模式,列車同時接收到eNBa和eNBb事先預測并分配的波束賦形增益,當列車經過Q點之后,eNBa增益減小加速了越區(qū)切換的觸發(fā),使兩種波束賦形算法的切換觸發(fā)概率急劇增大。

圖12 高架橋、路塹場景下的切換觸發(fā)概率

在圖13中,隨著列車從P點移動至R點,四種算法的切換成功率隨之增加,動態(tài)波束賦形-預留角算法和動態(tài)波束賦形-無波束預留角算法的性能相近,均優(yōu)于A3切換算法和均勻波束賦形算法。

圖13 高架橋、路塹場景下的切換成功率

圖14對比了本文所提算法與傳統(tǒng)A3切換算法和均勻波束賦形算法的切換時延。在25次仿真實驗中,動態(tài)波束賦形算法的平均切換時延為110.96 ms,其時間開銷相比傳統(tǒng)A3切換算法和均勻波束賦形算法,分別增加了6.20%和5.11%。

圖14 不同切換算法的時延對比

綜上所述,路塹場景下的切換中斷概率高于高架橋場景,切換觸發(fā)概率和切換成功率低于高架橋場景,整體上運用基于LSTM的動態(tài)波束賦形算法后高架橋場景的切換性能更優(yōu)。我國現(xiàn)行鐵路無線通信系統(tǒng)對切換成功率的要求為大于等于99.5%[1],由圖13及具體數(shù)據(jù)可知,相比A3切換算法和均勻波束賦形算法,采用動態(tài)波束賦形-預留角切換算法能夠使列車在到達重疊區(qū)終點R之前就達到規(guī)定的切換成功率指標要求。具體地說,動態(tài)波束賦形預留角算法在路塹場景和高架橋場景下分別在距離R點之前的340、449 m處時即可達到指標要求,比均勻波束賦形算法對應的這一距離分別提前了300、440 m。

結合圖13和圖14的仿真分析可知,相比傳統(tǒng)A3切換算法和均勻波束賦形算法,所提算法分別增加了6.20%和5.11%的時間開銷,而路塹場景下的切換成功率分別提升了53.73%和16.01%,高架橋場景下的切換成功率分別提升了51.89%和22.92%。這說明,在略微犧牲切換時延的條件下,本文算法性能優(yōu)于A3切換算法和均勻波束賦形算法。另一方面,根據(jù)仿真設置參數(shù),計算可得列車經過重疊區(qū)的時間為12 s,所提算法的越區(qū)切換時延遠小于12 s,說明列車在重疊區(qū)內能夠順利完成越區(qū)切換,算法設計具有可行性。

5 結論

本文提出一種應用于高鐵通信場景的基于LSTM動態(tài)波束賦形的列車越區(qū)切換算法,通過增加動態(tài)波束增益解決eNB重疊區(qū)內列車越區(qū)切換成功率低導致的切換失敗問題?；谥欣^通信模型給出了路塹運行場景中波束無遮擋傳輸?shù)膃NB天線高度設置規(guī)律;提出的基于神經網(wǎng)絡的RSRP預測和k-Pa聯(lián)合約束的動態(tài)波束增益分配算法,能夠穩(wěn)定預測未來時刻列車所需的波束賦形增益,為eNB總功率的合理分配提供依據(jù);提出基于位置輔助的動態(tài)波束賦形機制,進一步提升了切換系統(tǒng)性能;為規(guī)避定位誤差引起的波束賦形角度誤差,采用增加預留角的策略實現(xiàn)動態(tài)波束賦形,同時結合不同場景下的路徑損耗預測模型,對越區(qū)切換算法性能進行了評估。仿真數(shù)據(jù)表明,所提算法能有效預測未來時段列車的RSRP;對比A3切換算法和均勻波束賦形算法,重疊區(qū)內采用動態(tài)波束賦形-預留角策略的切換中斷概率有了顯著降低,切換觸發(fā)概率和切換成功率有了明顯提高,達到了規(guī)定的切換成功率指標要求。

未來工作中,將對5G-R系統(tǒng)中使用毫米波天線陣列實現(xiàn)更加集中、定向和更強功率的電磁波波束賦形傳輸方式解決傳輸路徑上存在遮擋和強干擾的問題作進一步研究。