基于SVM智能预测的车地多网融合无线通信系统方案的研究与设计

白 轩，廖志斌，付 嵩

（中国铁道科学研究院集团有限公司 通信信号研究所， 北京 100081）

当前城市轨道交通系统中车地无线通信通常采用LTE-M或者WLAN技术制式[1]，但无论采用何种制式，由于无线空口环境的特殊性，无线干扰潜在风险较大[2]。如表1所示，1.8 GHz LTE-M网络存在着运营商的邻频干扰风险，2.4 GHz/5.8 GHz WLAN网络由于采用公共频段存在着同频干扰风险。无线干扰有可能导致车地通信的中断，从而影响运营效率。

表1 运营商工作频点统计表

国内外对于提高车地无线通信质量的方式都有较深的研究，文献[3]提出调整天线的极化方向、方向角，采用波导管，增加纠错编码的方式提升抗干扰性能从而提高车地无线通信质量；文献[4]针对WLAN技术制式提出通过简化IEEE802.11功能（NRS）的方式提升车地通信的性能；文献[5]针对LTE-M制式提出基于短序列灰色预测模型的双设备越区切换算法消除同频干扰、多径效应以及阴影衰落对接收信号强度值的影响提高车地无线质量。然而少有文献采用多网融合提升车地无线通信质量，本文提出了一种车地多网融合无线通信系统方案，采用多种车地无线网络融合使用的方式实现车地通信，进一步提高车地无线通信的稳定性以及故障应对能力。

1 方案设计

1.1 多网融合无线通信系统网络架构

车地多网融合无线通信系统方案融合使用LTE-M网络和WLAN网络实现车地通信。多网融合无线通信方案的组网主要包括地面通信设备、车载无线通信单元以及LTE-M、WLAN无线通信网络。系统网络架构如图1所示。

图1 系统网络架构

地面通信设备中地面监测服务器同时接入LTE-M网络和WLAN网络，同车载无线通信单元共同实现网络质量的监测。车载无线通信单元包括LTE/WLAN通信单元和处理单元，实现网络的接入与选择，完成车地无线通信。

1.2 多网融合无线通信系统工作机制

LTE-M网络和WLAN网络为宽带网络，均能够满足城市轨道交通车地无线通信的需要，因此车地多网融合无线通信工作机制原则为LTE-M和WLAN网络择优使用。车载无线通信单元周期性检测LTE-M网络和WLAN网络的链路质量，选择质量更优的网络完成数据传输。

该方案的核心问题为网络选择问题，本文将利用分类预测的思想解决此问题。将车地无线网络中多个参数作为特征点，使用支持向量机（SVM，Support Vector Machine）作为分类预测模型，提出基于SVM的网络选择算法，实现最优网络选择。

2 基于SVM智能预测的网络选择算法研究

车载无线通信单元根据与地面监测服务器之间监测信息计算出LTE-M和WLAN两种网络的传输时延、丢包率，同时获取网络的接收信号强度、信噪比等指标，用这些指标作为车地无线网络选择的参数[6]。本文将最优网络选择抽象成一个二分类的问题，利用上述参数作为特征进行分类判断。

2.1 SVM原理

用数学的语言可以把分类问题描述如下。

给定训练集：

其中，xi∈ R ； yi={1, –1} ；i=1, …, l； xi是特征向量[7]，其分量是从物体中提取的特征或属性；yi是相应的类别标记（1和-1分别表示正类和负类）。据此寻找Rn空间上的一个实值函数g(x)，以便使用决策函数：

推断任一输入x对应的输出y。

如图2所示，SVM模型[8]重点是寻找最优的分类超平面，使得图中两条虚线之间的间隔最大且错误率最小[9]。对于非线性情况，则通过引入合适的变换以及核函数来解决。通过上述核函数的引入，最终得到的决策函数形式如下：

其中，αi*、b*为参数，K为核函数。

SVM具有错误率低，计算开销小，速度快的优势，而且SVM本质上就是二分类器，因此本文将采用SVM作为LTE-M和WLAN间网络选择的算法基础。

图2 线性可分支持向量机

2.2 基于SVM智能预测的网络选择算法

基于SVM智能预测的网络选择综合考虑LTE-M和WLAN网络的无线信号质量以及数据链路质量，以无线网络通信质量作为研究目标，将LTE-M和WLAN网络的多种信号质量参数以及链路质量参数与无线链路数据传输质量建立联系。通过模型计算，运用多特征的分类预测方法，实现车地无线通信最优网络的选择。其主要流程如下：

（1）训练集创建。从实际运行的线路中获取无线信号质量参数数据以及无线链路质量参数数据。无线信号质量参数包括接收信号强度、信噪比，无线链路质量参数包括丢包率、传输时延、传输速率。根据在广州地铁7号线以及重庆地铁10号线两条线路的长期测试统计，其中，广州7号线车地无线通信采用WLAN网络，重庆10号线采用LTE-M网络，对照信号系统运行对数据传输的基本要求生成各自网络属性集合，根据起点融合的方式合并两个网络的属性集合，再通过人工审核对集合中每个点进行最优网络划分，生成训练集。

（2）参数归一化。不同参数的物理意义不同，参考的尺度不同，因此需要归一化处理。由于不同网络的基本要求不同，同一种特征参数也需要进行归一化处理，如LTE-M和WLAN网络的无线覆盖方案存在区别，因此两者的接收信号强度最低值与最高值存在区别。本文中的归一算法采用如下公式：

其中， vi是归一化之后的参数值，v为参数原始值，vmax为参数最大值，vmin为参数最小值。

（3）构建SVM分类器。根据训练集数据，选取SVM参数以及核函数，并最终得出决策函数[10]。选取部分样本作为测试集，测试当前SVM分类器的准确率，召回率以及F1值。通过不断调整参数，进而调整决策函数，最终根据分类器的准确率、召回率以及F1值确定最优参数，并构建最优分类器[11]。

基于SVM智能预测的网络选择算法流程如图3所示。

图3 基于SVM最优网络选择方案流程图

通过上述流程构建分类模型完成之后，列车实时采集无线信号质量参数以及无线链路质量参数，进行归一化处理之后，输入SVM分类模型，最终根据分类的结果选择对应的无线网络传输数据。然后周期性判断最优网络与当前使用的无线网络是否相同，如果不相同则启动切换流程，如果相同则进行下一个周期的判断。

3 仿真及测试分析

3.1 基于SVM智能预测的网络选择算法仿真

为验证方案有效性，本文使用在真实线路中采集的无线信号质量数据和无线链路质量数据作为训练集，如表2所示。

其中，R表示信号强度，单位是dBm；SNR表示信噪比；D表示传输时延，单位是ms；L表示丢包率，单位是%；RT表示传输速率，单位是Mbps。C表示训练集的分类标识，+1标识分类为LTE-M，-1标识分类为WLAN，其归一化表示如表3所示。

本文采用召回率、准确率以及F1值对SVM分类进行评价，使用Matlab进行所选SVM算法的仿真，分别用训练样本集以及另外采集的测试数据集进行

表2 SVM训练集原始数据表

表3 SVM训练集归一化数据表

测试，测试结果如图4所示。

图4 SVM分类测试结果图

测试结果显示， 训练样本集和测试数据集都具有较高的分类准确率和分类召回率，训练样本集和测试数据集的分类效果差距较小，说明SVM分类模型在车地多网融合无线通信网络选择中具有很高的可靠性和稳定性，适用于城市轨道交通中无线网络选择。

3.2 多网融合车地通信的仿真与分析

本文实现了基于SVM智能预测的车地多网融合无线通信系统，重点完成系统中车载无线通信单元设备，该设备包括LTE/WLAN通信单元和处理单元，同时设置监测终端监测以记录数据传输情况。在实验室搭建了仿真环境，其中，地面监测服务器分别接入LTE-M和WLAN网络。将LTE-M信号和WLAN信号分别通过馈线送到信道仿真单元输入接口，输出接口通过馈线连接至车载无线通信单元。通过对信道仿真单元的控制实现LTE-M和WLAN信号的强度变化，同时使用干扰源制造噪声和干扰完成故障注入。仿真环境具体如图5所示。

图5 多网融合车地通信仿真环境示意图

为验证方案可行性以及算法有效性，本文在仿真环境中通过故障注入的方式，利用干扰源产生无线干扰，降低无线网络性能，模拟无线网络故障环境，根据现场实际测试数据确定场景及相关参数如下：场景1模拟从WLAN网络切换到LTE-M网络的情况，WLAN网络使用2.4 GHz频段的1信道，中心频点为2.412 GHz，故障注入前信号强度为-68 dBm，信噪比为28.7，干扰信号强度为-70 dBm；场景2模拟从LTE-M网络切换到WLAN网络的情况，LTE-M网络采用1.8 GHz频段，带宽为5 MHz，故障注入前信号强度为-78 dBm，信噪比为27.5，干扰信号强度为-70 dBm。其数据传输仿真结果如图6和7所示。

图7 场景2数据传输仿真结果图

图6和图7分别展示了两种场景下的数据传输仿真结果，图中纵轴标识数据的传输时延，横轴为时间，时延突然为零的点表示该包数据丢失。图中曲线分别表示LTE-M和WLAN数据链路中的传输时延。通过仿真结果可以看出，一旦当前使用的无线网络出现故障时，车地多网融合无线通信系统能够迅速切换到另一个性能优越的无线网络。仿真结果表明，本文提出的基于SVM智能预测的车地多网融合无线通信系统方案，能够在当前无线网络出现故障时使用另一网络来保持车地无线数据的传输，该方案具备可行性和有效性。

4 结束语

为提高城市轨道交通系统中车地无线通信质量，本文提出了一种车地多网融合无线通信系统方案，融合使用LTE-M和WLAN无线网络完成车地无线通信。为解决多网融合中网络选择问题，提出了基于SVM智能预测的网络选择算法，并通过搭建模拟仿真环境验证了整体方案的有效性和可行性。下一步还需研究提高网络选择算法的效率，并提升整体方案的实用性。