基于SVM智能預測的車地多網融合無線通信系統方案的研究與設計

白 軒，廖志斌，付 嵩

（中國鐵道科學研究院集團有限公司 通信信號研究所， 北京 100081）

當前城市軌道交通系統中車地無線通信通常采用LTE-M或者WLAN技術制式[1]，但無論采用何種制式，由于無線空口環境的特殊性，無線干擾潛在風險較大[2]。如表1所示，1.8 GHz LTE-M網絡存在著運營商的鄰頻干擾風險，2.4 GHz/5.8 GHz WLAN網絡由于采用公共頻段存在著同頻干擾風險。無線干擾有可能導致車地通信的中斷，從而影響運營效率。

表1 運營商工作頻點統計表

國內外對于提高車地無線通信質量的方式都有較深的研究，文獻[3]提出調整天線的極化方向、方向角，采用波導管，增加糾錯編碼的方式提升抗干擾性能從而提高車地無線通信質量；文獻[4]針對WLAN技術制式提出通過簡化IEEE802.11功能（NRS）的方式提升車地通信的性能；文獻[5]針對LTE-M制式提出基于短序列灰色預測模型的雙設備越區切換算法消除同頻干擾、多徑效應以及陰影衰落對接收信號強度值的影響提高車地無線質量。然而少有文獻采用多網融合提升車地無線通信質量，本文提出了一種車地多網融合無線通信系統方案，采用多種車地無線網絡融合使用的方式實現車地通信，進一步提高車地無線通信的穩定性以及故障應對能力。

1 方案設計

1.1 多網融合無線通信系統網絡架構

車地多網融合無線通信系統方案融合使用LTE-M網絡和WLAN網絡實現車地通信。多網融合無線通信方案的組網主要包括地面通信設備、車載無線通信單元以及LTE-M、WLAN無線通信網絡。系統網絡架構如圖1所示。

圖1 系統網絡架構

地面通信設備中地面監測服務器同時接入LTE-M網絡和WLAN網絡，同車載無線通信單元共同實現網絡質量的監測。車載無線通信單元包括LTE/WLAN通信單元和處理單元，實現網絡的接入與選擇，完成車地無線通信。

1.2 多網融合無線通信系統工作機制

LTE-M網絡和WLAN網絡為寬帶網絡，均能夠滿足城市軌道交通車地無線通信的需要，因此車地多網融合無線通信工作機制原則為LTE-M和WLAN網絡擇優使用。車載無線通信單元周期性檢測LTE-M網絡和WLAN網絡的鏈路質量，選擇質量更優的網絡完成數據傳輸。

該方案的核心問題為網絡選擇問題，本文將利用分類預測的思想解決此問題。將車地無線網絡中多個參數作為特征點，使用支持向量機（SVM，Support Vector Machine）作為分類預測模型，提出基于SVM的網絡選擇算法，實現最優網絡選擇。

2 基于SVM智能預測的網絡選擇算法研究

車載無線通信單元根據與地面監測服務器之間監測信息計算出LTE-M和WLAN兩種網絡的傳輸時延、丟包率，同時獲取網絡的接收信號強度、信噪比等指標，用這些指標作為車地無線網絡選擇的參數[6]。本文將最優網絡選擇抽象成一個二分類的問題，利用上述參數作為特征進行分類判斷。

2.1 SVM原理

用數學的語言可以把分類問題描述如下。

給定訓練集：

其中，xi∈ R ； yi={1, –1} ；i=1, …, l； xi是特征向量[7]，其分量是從物體中提取的特征或屬性；yi是相應的類別標記（1和-1分別表示正類和負類）。據此尋找Rn空間上的一個實值函數g(x)，以便使用決策函數：

推斷任一輸入x對應的輸出y。

如圖2所示，SVM模型[8]重點是尋找最優的分類超平面，使得圖中兩條虛線之間的間隔最大且錯誤率最小[9]。對于非線性情況，則通過引入合適的變換以及核函數來解決。通過上述核函數的引入，最終得到的決策函數形式如下：

其中，αi*、b*為參數，K為核函數。

SVM具有錯誤率低，計算開銷小，速度快的優勢，而且SVM本質上就是二分類器，因此本文將采用SVM作為LTE-M和WLAN間網絡選擇的算法基礎。

圖2 線性可分支持向量機

2.2 基于SVM智能預測的網絡選擇算法

基于SVM智能預測的網絡選擇綜合考慮LTE-M和WLAN網絡的無線信號質量以及數據鏈路質量，以無線網絡通信質量作為研究目標，將LTE-M和WLAN網絡的多種信號質量參數以及鏈路質量參數與無線鏈路數據傳輸質量建立聯系。通過模型計算，運用多特征的分類預測方法，實現車地無線通信最優網絡的選擇。其主要流程如下：

（1）訓練集創建。從實際運行的線路中獲取無線信號質量參數數據以及無線鏈路質量參數數據。無線信號質量參數包括接收信號強度、信噪比，無線鏈路質量參數包括丟包率、傳輸時延、傳輸速率。根據在廣州地鐵7號線以及重慶地鐵10號線兩條線路的長期測試統計，其中，廣州7號線車地無線通信采用WLAN網絡，重慶10號線采用LTE-M網絡，對照信號系統運行對數據傳輸的基本要求生成各自網絡屬性集合，根據起點融合的方式合并兩個網絡的屬性集合，再通過人工審核對集合中每個點進行最優網絡劃分，生成訓練集。

（2）參數歸一化。不同參數的物理意義不同，參考的尺度不同，因此需要歸一化處理。由于不同網絡的基本要求不同，同一種特征參數也需要進行歸一化處理，如LTE-M和WLAN網絡的無線覆蓋方案存在區別，因此兩者的接收信號強度最低值與最高值存在區別。本文中的歸一算法采用如下公式：

其中， vi是歸一化之后的參數值，v為參數原始值，vmax為參數最大值，vmin為參數最小值。

（3）構建SVM分類器。根據訓練集數據，選取SVM參數以及核函數，并最終得出決策函數[10]。選取部分樣本作為測試集，測試當前SVM分類器的準確率，召回率以及F1值。通過不斷調整參數，進而調整決策函數，最終根據分類器的準確率、召回率以及F1值確定最優參數，并構建最優分類器[11]。

基于SVM智能預測的網絡選擇算法流程如圖3所示。

圖3 基于SVM最優網絡選擇方案流程圖

通過上述流程構建分類模型完成之后，列車實時采集無線信號質量參數以及無線鏈路質量參數，進行歸一化處理之后，輸入SVM分類模型，最終根據分類的結果選擇對應的無線網絡傳輸數據。然后周期性判斷最優網絡與當前使用的無線網絡是否相同，如果不相同則啟動切換流程，如果相同則進行下一個周期的判斷。

3 仿真及測試分析

3.1 基于SVM智能預測的網絡選擇算法仿真

為驗證方案有效性，本文使用在真實線路中采集的無線信號質量數據和無線鏈路質量數據作為訓練集，如表2所示。

其中，R表示信號強度，單位是dBm；SNR表示信噪比；D表示傳輸時延，單位是ms；L表示丟包率，單位是%；RT表示傳輸速率，單位是Mbps。C表示訓練集的分類標識，+1標識分類為LTE-M，-1標識分類為WLAN，其歸一化表示如表3所示。

本文采用召回率、準確率以及F1值對SVM分類進行評價，使用Matlab進行所選SVM算法的仿真，分別用訓練樣本集以及另外采集的測試數據集進行

表2 SVM訓練集原始數據表

表3 SVM訓練集歸一化數據表

測試，測試結果如圖4所示。

圖4 SVM分類測試結果圖

測試結果顯示， 訓練樣本集和測試數據集都具有較高的分類準確率和分類召回率，訓練樣本集和測試數據集的分類效果差距較小，說明SVM分類模型在車地多網融合無線通信網絡選擇中具有很高的可靠性和穩定性，適用于城市軌道交通中無線網絡選擇。

3.2 多網融合車地通信的仿真與分析

本文實現了基于SVM智能預測的車地多網融合無線通信系統，重點完成系統中車載無線通信單元設備，該設備包括LTE/WLAN通信單元和處理單元，同時設置監測終端監測以記錄數據傳輸情況。在實驗室搭建了仿真環境，其中，地面監測服務器分別接入LTE-M和WLAN網絡。將LTE-M信號和WLAN信號分別通過饋線送到信道仿真單元輸入接口，輸出接口通過饋線連接至車載無線通信單元。通過對信道仿真單元的控制實現LTE-M和WLAN信號的強度變化，同時使用干擾源制造噪聲和干擾完成故障注入。仿真環境具體如圖5所示。

圖5 多網融合車地通信仿真環境示意圖

為驗證方案可行性以及算法有效性，本文在仿真環境中通過故障注入的方式，利用干擾源產生無線干擾，降低無線網絡性能，模擬無線網絡故障環境，根據現場實際測試數據確定場景及相關參數如下：場景1模擬從WLAN網絡切換到LTE-M網絡的情況，WLAN網絡使用2.4 GHz頻段的1信道，中心頻點為2.412 GHz，故障注入前信號強度為-68 dBm，信噪比為28.7，干擾信號強度為-70 dBm；場景2模擬從LTE-M網絡切換到WLAN網絡的情況，LTE-M網絡采用1.8 GHz頻段，帶寬為5 MHz，故障注入前信號強度為-78 dBm，信噪比為27.5，干擾信號強度為-70 dBm。其數據傳輸仿真結果如圖6和7所示。

圖7 場景2數據傳輸仿真結果圖

圖6和圖7分別展示了兩種場景下的數據傳輸仿真結果，圖中縱軸標識數據的傳輸時延，橫軸為時間，時延突然為零的點表示該包數據丟失。圖中曲線分別表示LTE-M和WLAN數據鏈路中的傳輸時延。通過仿真結果可以看出，一旦當前使用的無線網絡出現故障時，車地多網融合無線通信系統能夠迅速切換到另一個性能優越的無線網絡。仿真結果表明，本文提出的基于SVM智能預測的車地多網融合無線通信系統方案，能夠在當前無線網絡出現故障時使用另一網絡來保持車地無線數據的傳輸，該方案具備可行性和有效性。

4 結束語

為提高城市軌道交通系統中車地無線通信質量，本文提出了一種車地多網融合無線通信系統方案，融合使用LTE-M和WLAN無線網絡完成車地無線通信。為解決多網融合中網絡選擇問題，提出了基于SVM智能預測的網絡選擇算法，并通過搭建模擬仿真環境驗證了整體方案的有效性和可行性。下一步還需研究提高網絡選擇算法的效率，并提升整體方案的實用性。