一種簡約化GSM-R網絡優化方法及系統的研究與實現

馬平娃

隨著鐵路建設的迅猛發展，GSM-R系統大規模應用于高速鐵路、普速鐵路及部分地方鐵路專用線，GSM-R系統的正常運行直接關系著行車安全和運營效率；同時，鐵路通信系統逐漸趨于數字化和智能化［1］，既有的運維管理工作也面臨巨大的壓力和新的挑戰。鐵路沿線的電磁環境日趨復雜，鐵路GSM-R系統場強分布異常、信號干擾等事件時有發生，對鐵路運輸效率和運營安全造成嚴重影響。按照鐵路維護規則，需定期對鐵路無線信號進行檢測，例如通過定期路測，優化GSM-R無線網絡信號［2］，以保證鐵路無線通信質量［3］，確保鐵路運輸安全。

以青藏線西格段為例，該區段采用GSM-R無線通信系統，鐵路線路較長，經過山地、隧道、橋梁、涵洞等復雜地形，無線信號采集和優化難度大、成本高，數據采集時間長，這些客觀問題長期影響著鐵路列車的安全運行。

近幾年，對GSM-R無線網絡優化方法和系統的研究主要有：加裝固定式裝備［4］、優化基站或直放站部署方式［5］、健全各接口監測數據［6］、通過典型場景測試等進行網絡優化［7］。上述研究在設備靈活性和通用性上優勢不太明顯，對測試數據的分析依賴專家經驗，導致人工成本偏高；同時，上述研究均未對歷史數據進行深度挖掘，無法發揮歷史測試數據的價值。因此，本文提出一種簡約化GSM-R無線網絡優化方法，通過數據挖掘和機器學習技術，研發一種易攜帶、簡易化、智能化、低成本的測試裝備，以滿足GSM-R網絡優化的實際需求。

1 GSM-R網絡優化現狀

GSM-R系統主要承載的業務包括語音調度通信等電路域業務、調度命令傳送等分組域業務、智能網等鐵路特殊業務，以及各類補充業務等。目前普速鐵路無線網絡優化工作通常采用被動響應機制，GSM-R網絡優化方式主要存在以下問題。

1）網絡優化響應滯后。當前無線信號監測機制難以做到提前發現網絡異常點位，需要在出現無線信號覆蓋異常，特別是對行車產生實際影響后，才被動暴露出問題。網絡優化響應嚴重滯后，無法滿足當前大運量的鐵路通信運用需求。

2）人才儲備不足。無線網絡信號路測（Drive Test，DT）和通話質量測試（Call Quality Test，CQT）人員，不僅需要掌握一定的無線通信理論知識，也需要豐富的實踐經驗［8］。當前存在技術人才儲備不足，且不適宜鐵路輪班作業的情況。

3）缺少專業化裝備。鐵路無線信號監測和采集方式具有一定的特殊性，現行的列車添乘方式缺少可伸縮的移動式測試天線，導致因車廂箱體的屏蔽問題而無法準確測量室外無線信號值［9］。雖然針對無線公共網絡的信號檢測裝備較多，但缺少適用于鐵路專網的信號檢測裝備。

4）數據采集過程復雜。測試過程中需要由具有豐富經驗的技術人員進行各項參數設置，并借助專用測試工具打開測試數據文件，通過人工回放、分析得出測試結果［10］，操作過程復雜，不易掌握。

5）數據治理程度低。GSM-R網絡路測、干擾監測［11］、接口監測、空口監測等數據格式多樣且相互獨立，數據之間缺少關聯和融合；沒有實現統一的數據管理和存儲，無法適應大數據環境下的分析和統計；同時，歷史數據及典型案例、整改經驗均無法繼承和復用，數據價值沒有得到充分挖掘，無法支撐上層的業務決策。

針對上述普速鐵路GSM-R網絡優化中存在的問題和不足，本文提出一種簡約的GSM-R網絡優化方法，設計并研發一種智能GSM-R信號采集優化系統。通過便攜式的感知終端，完成網絡信號數據采集，并上傳至后端服務平臺；通過智能分析系統對數據進行融合處理和智能分析，初步判斷并識別出鐵路沿線無線信號薄弱區域；最后根據無線信號衰減模型和鐵路站點模型，擬合計算無線網絡覆蓋場強，匹配歷史上相似的場景和排障措施，自動給出優化建議。該系統可以有效提高當前GSM-R網絡設備的維護能力與管理水平，不僅可用作非列控區段的無線網絡優化方法，同樣也適用于高速鐵路列控區段的日常預防性測試，可有效保障鐵路通信安全。

2 智能GSM-R信號采集優化系統架構及功能

2.1 系統組成

智能GSM-R信號采集優化系統由前端便攜式感知終端和后端服務平臺兩部分組成，見圖1，其中前端設備進行數據采集［12］，后端設備進行數據處理，二者通過互聯網、公共移動網絡、Wi-Fi、GSM-R專網等多種網絡形式進行通信交互。

圖1 智能化GSM-R信號采集優化系統組成

便攜式感知終端主要由信號采集終端、天饋系統及其他配套設備組成，可實時采集鐵路沿線無線網絡信號，并將全部監測數據上傳至后端服務平臺。信號采集終端采用三防平板電腦作為承載介質，實現視圖瀏覽和觸控操作；天饋系統實現天線延伸接續的功能，特別適用于車內無線信號測試；其他配套設備包括移動電源、終端固定支架、數據流量卡等部件。

后端服務平臺簡稱“SLA管理平臺”，實現數據存儲、無線網絡信號的數據分析、報表智能統計、數據綜合展示、智能排障建議、系統運維等功能［13］。服務平臺支持不同監測方式或來源數據的導入，通過定義固定格式的表頭信息，識別外來數據；結合鐵路沿途基站分布情況，建立結構化的信號覆蓋模型，基于大數據挖據和機器學習技術，實現對各類數據的自動關聯和智能分析，以便對無線網絡信號覆蓋薄弱區域進行識別和判定。同時，根據沿線基站的歷史配置信息［14］，擬合計算優化后的無線網絡服務質量，給出合理的優化建議。

2.2 技術架構

智能GSM-R信號采集優化系統的技術架構包含感知終端和SLA管理平臺，從下至上依次劃分為4個層次，見圖2。

圖2 系統技術架構

1） 智能感知層：實現前端網絡信號感知功能，負責網絡信號的采集，包括地理空間數據采集、性能管理和智能排障建議。

2） 服務支撐層：實現信息聚合、數據挖掘、智能分析、接口服務等功能，并根據業務需要，提供面向用戶的業務應用，包括基站數字化管理、網優項目化管理、地理空間數據采集、AI智能分析等服務。

3） 資源管理層：為SLA管理平臺提供統一納管及多樣化的彈性資源，包括多樣算力的混合調度、資源的按需伸縮、故障隔離，提供統一接口支撐上層各類服務，彈性伸縮架構便于實現業務服務與系統部署的抽象分離，避免重復“煙囪式”建設的問題，降低軟、硬件投資和運維成本。

4） 數據模型層：定義各類監測對象的結構化模型，包括基站、項目、地理位置、信號衰減、歷史數據、各類網絡制式等數據對象，實現結構化模型的存儲、查詢、檢索等功能，為應用提供統一接口，業務無需關心數據對象存儲細節，即可對存儲的數據內容進行篩選利用。

2.3 系統功能

2.3.1 自動化測試

智能GSM-R信號采集優化系統實時監測GSM-R上/下行頻段的頻譜和GSM-R無線信道質量，并解析GSM-R服務小區及周邊小區的基站識別碼（BSIC）、移動設備國家碼（MCC）、移動設備網絡碼（MNC）、位置區識別碼（LAC）、小區識別碼（CI）等參數［15］；集成DT測試及CQT測試用例集，將多種測試場景固化為測試腳本，供用戶選擇后進行自動化測試。測試過程中形成的數據文件，能一鍵上傳至后端SLA管理平臺。

2.3.2 自動化報表分析

根據測試上傳的數據文件，以場強或信號質量為基準，生成報表及圖表，標識無線信號薄弱的區域，同步生成評估報告。

2.3.3 網優數字化管理

項目管理人員在SLA管理平臺創建網優項目，制定待測試的鐵路線路，以工單的形式直接指派到工區級測試人員手中，測試人員使用感知終端完成自動化測試，并將測試數據傳送到SLA管理平臺，先生成數字化分析結果，再將結果反饋至感知終端，督促測試人員及時進行優化調整。

2.3.4 智能生成排障建議

根據存儲的歷史基站配置數據和無線信號測試數據，按天氣、時間、地點、故障類型、排障措施等屬性進行數據疊加，抽象出駐留、切換、掉話等3大子類100多種場景，形成場景信息庫，用于智能檢索歷史類似場景和排障措施。

根據無線網絡信號衰減情況，建立一套數字化信號分布模型和數據樣本集，將信號場強、網絡質量等關鍵指標進行擬合計算［16］，給出合理的排障建議。

2.4 系統特點

與傳統的無線網絡優化系統相比，該智能GSM-R信號采集優化系統具有以下特點。

1）采用便攜式感知終端。不需要攜帶大量儀器儀表，改變了原先測量無線信號的工作方式。根據不同等級鐵路線路GSM-R網絡優化的維護規則，提前在便攜式感知終端中預制針對不同場景的測試腳本，維護人員僅需選擇相應場景，即可開始GSM-R網絡信號自動采集，有效降低網絡優化的工作難度，提高了信號采集的工作效率。同時支持外接獨立天線，能夠有效解決車內測試引起的信號衰減問題。

2）實現國產化替代。SLA管理平臺及軟硬件設備通過技術創新實現替代，基礎業務軟件實現100%國產化，使用國產操作系統，應用業務軟件完全自研，具備支撐GSM-R網絡技術持續演進的能力，能夠打破國外技術壁壘。

3）提供智能排障建議。SLA管理平臺的數據分析服務部署在后端，采用私有云服務的模式，避免了系統因分散建設、容量受限、難以互通而形成的數據孤島，可以將各類監測數據進行融合導入和統一存儲，充分發揮歷史數據價值。

4）提升分析時效。無線網絡信號采集、問題識別、優化改進預案等都可由系統自動執行，解決了原有的人工數據分析而引起的費時、費力、效率低下和準確度不高的問題。

5）線下管理轉向線上數字化派單。將傳統的線下管理演進至線上流程化派單，實現向數字化網絡優化的轉型。根據不同階段網絡優化的能力模型，劃分成路測、分析、實施等多個小組，將規范要求、測試流程、分析方法、典型案例、專家經驗等功能模塊固化到SLA管理平臺，以數字工單的形式下發至各感知終端，進行自動化測試和智能分析。將網絡優化過程的所有環節通過數字化方式傳遞，實現簡約化的GSM-R網絡優化。

3 關鍵技術

3.1 實時標定列車位置

在無線信號采集過程中，需要精準的列車或感知終端的位置信息，這對故障點位的確認非常關鍵。列車會經過山區、隧道等地理環境復雜的位置，感知終端在使用地理信息系統（Geographic Information System，GIS）高精度地圖、全球導航衛星系統（Global Navigation Satellite System，GNSS）信號和慣性測量單元（Inertial Measure?ment Unit，IMU）信號進行噪聲建模和卡爾曼濾波后，將多維信號加權融合，生成列車實際位置信息。在GNSS信號穩定，且標定的位置在高精度地圖軌道坐標（x，y）20 m范圍內時，優先使用GNSS信號；在GNSS信號不穩定，或標定位置不在高精度地圖軌道坐標20 m范圍內時，使用IMU慣性信號；在GNSS信號不穩定，且IMU標定位置不在高精度軌道坐標20 m范圍內時，利用列車勻速行駛的特征，使用GIS高精度地圖模擬推算方法標定位置。

高精度地圖模擬推算方法：記錄上一時刻T1列車位置L1，每間隔時間t采集IMU列車速度v，采集次數為n，擬合推算列車速度Vr為

T2時刻的列車位置Lr為

多維感知融合實時位置標定見圖3。圖3中，301為信號輸入，包括IMU信號和GNSS信號；302為卡爾曼濾波模塊，包括IMU的噪聲建模及卡爾曼濾波，GNSS的噪聲建模及濾波；303為多維數據融合（包括高精度地圖信息），加權計算并生成實際列車位置信息。

圖3 多維感知融合實時位置標定

3.2 多維數據聚合智能診斷

首先，根據存儲的歷史基站配置數據和無線信號測試數據，建立基礎場景信息庫；其次，根據鐵路沿線基站無線網絡信號衰減情況，建立數字化信號分布模型和數據樣本集，支持輸入天氣、時間、地點、基站功率等因子，擬合計算周邊任意位置的場強值；最后，對首次遇到的信號異常問題進行智能預警，結合信號衰減模型，模擬計算優化后的效果示例，經人工確定排障措施后，及時更新到信息庫中；對遇到的相同或相似問題進行智能提示，自動匹配歷史類似場景和排障措施，結合信號衰減模型，模擬計算優化后的效果示例，在措施有效的情況下，給出智能排障建議。隨著基礎場景信息庫的完善，智能診斷的準確性將逐步提升。智能診斷流程如下。

Step 1數據接收模塊將前端采集的數據，以經緯度坐標為基準，關聯相關基站、路測軌跡、場強值，繪制測試場強曲線。

Step 2構建信號強度模型，設置低門限告警閾值，當網絡信號低于閾值時進行告警；同時根據本測量點附近的事件信息及數據，搜索場景信息庫，匹配相似的故障場景。

Step 3若無相似故障場景，則僅進行智能預警，此時由人工干預確定排障措施，并將排障措施更新到場景信息庫；若匹配到相似場景，則根據相似場景的排障措施，模擬調制基站天線或其他配置，計算本測量點的網絡信號強度，提出合理的數據調制方案。

Step 4后端Web服務模塊根據場景的關聯程度，從高到低顯示不同場景的調制方案，在網絡信號滿足要求的情況下，生成優化建議并推送給用戶，供其選擇；同時提供網絡優化報表和詳細信息，以圖形化界面呈現網絡優化后的效果圖。

3.3 線上派單與測試跟蹤

根據路測的需求，指定測試時間、測試人員、測試線路、測試類型，并下發到指定測試人員；待現場測試人員完成路測任務并上傳數據后，系統能夠根據任務屬性，自動分類并顯示測試后的電平曲線。

對發現的異常數據進行跟蹤處理，通過后端服務平臺一鍵反饋至感知終端，提醒現場測試人員進行重點區段的復測或調整配置網絡。

SLA系統界面示意見圖4，通過不同顏色的曲線標識場強值的強弱，并自動繪制出測試路徑。

圖4 SLA系統界面示意

4 現場驗證

根據搭建的智能化GSM-R信號采集優化系統，結合真實網絡數據進行系統功能驗證［17］。其中，前端感知終端基于安卓系統，裝載一套數據采集軟件，根據路測場景預制測試腳本，進行現場路測、數據采集和上傳；后端采用私有云服務的模式，部署一套虛擬服務器，并裝載服務端GSM-R網絡優化系統軟件，搭建SLA管理平臺，進行后端數據接收和數據分析。

通過以下2個網絡優化案例，對這種簡約化的網絡優化方法進行分析和說明。

案例一：某日在進行路測時，發現區間切換異常，疑似乒乓切換現象。分析過程如下。

Step 1將測試文件上傳至SLA管理平臺，平臺針對測試數據進行智能分析，并對測試軌跡進行染色，按照點位數量疏密情況，依次篩選出3張不同場強下的測試圖；按照信號強弱，識別并分離出信號強度為一般、較弱的軌跡圖。其中，將信號強度在［-85，-95］區間的，標記成強度一般的淡綠色軌跡；信號強度在［-95，-105］區間的，標記成強度較弱的黃色軌跡。測試軌跡染色示意見圖5。

圖5 測試軌跡染色示意

Step 2通過對測試數據的分析，用戶設備（UE）應穩定駐留在1000頻點，隨著時間的推移，當前1000頻點的場強應不斷減弱，鄰區1002頻點場強應逐漸增強。1000駐留頻點及場強見圖6。

圖6 1000駐留頻點及場強

Step 3通過地圖及實際查看，發現周邊建有高架橋及聲屏障，可能對信號傳播產生了影響，導致1000頻點場強明顯減弱，且存在多處與1002頻點場強相近的位置，導致切換異常。1000及1002頻點切換異常數據見圖7。

圖7 1000及1002頻點切換異常

Step 4系統分析存在場強異常的區間，1000頻點與1002頻點不斷切換，符合乒乓切換特征，并給出告警提示。

Step 5系統查詢到類似乒乓切換場景，綜合切換頻次、距離、外部地理條件等因素，給出故障智能分析結論為切換異常，疑似乒乓切換，建議增加基站發射功率。切換異常場景智能分析示意見圖8。

圖8 切換異常場景智能分析

案例二：某日路測，發現存在外部網絡信號干擾現象。分析過程如下。

Step 1UE經過X1基站、X2基站覆蓋區間時，場強值偏低，均低于-90 dBm，并出現掉話情況。

Step 2監測到的下行信號質量持續降低至6～7級，同時UE多次注冊到外網。

Step 3初步懷疑公網信號太強，底噪抬升而淹沒GSM-R信號。

Step 4故障智能分析為疑似GSM-R場強弱，可能存在外部網絡信號干擾［18］。建議增加基站發射功率。

GSM-R網絡弱場強小區智能分析見圖9。

圖9 弱場強小區智能分析

5 結束語

針對GSM-R系統網絡優化測試方面存在的問題，提出一種簡約化的網絡優化方法，采用基于AI智能和大數據分析的智能GSM-R信號采集優化系統，通過對鐵路沿線通信基站和信號衰減建模，匯聚不同時間、不同屬性的歷史測試數據，開展數據挖掘和智能分析，結合歷史排障措施，給出最優排障建議，自動生成網絡優化報告，指導一線工作人員高效開展無線網絡信號優化，使網絡優化工作變得更加簡單，從而有效保障鐵路無線通信穩定、暢通。