CN111277975B - 一种gsm-r越区切换方法及装置 - Google Patents

一种gsm-r越区切换方法及装置 Download PDF

Info

Publication number
CN111277975B
CN111277975B CN202010043315.XA CN202010043315A CN111277975B CN 111277975 B CN111277975 B CN 111277975B CN 202010043315 A CN202010043315 A CN 202010043315A CN 111277975 B CN111277975 B CN 111277975B
Authority
CN
China
Prior art keywords
switching
layer
train
cell
handover
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202010043315.XA
Other languages
English (en)
Other versions
CN111277975A (zh
Inventor
贾利民
高一凡
夏志成
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Jinhong Xi Dian Information Technology Co ltd
Original Assignee
Beijing Jinhong Xi Dian Information Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Jinhong Xi Dian Information Technology Co ltd filed Critical Beijing Jinhong Xi Dian Information Technology Co ltd
Priority to CN202010043315.XA priority Critical patent/CN111277975B/zh
Publication of CN111277975A publication Critical patent/CN111277975A/zh
Application granted granted Critical
Publication of CN111277975B publication Critical patent/CN111277975B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
    • H04W4/42—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P] for mass transport vehicles, e.g. buses, trains or aircraft
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W36/00—Hand-off or reselection arrangements
    • H04W36/0005—Control or signalling for completing the hand-off
    • H04W36/0083—Determination of parameters used for hand-off, e.g. generation or modification of neighbour cell lists
    • H04W36/0085—Hand-off measurements
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W36/00—Hand-off or reselection arrangements
    • H04W36/24—Reselection being triggered by specific parameters
    • H04W36/30—Reselection being triggered by specific parameters by measured or perceived connection quality data
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W36/00—Hand-off or reselection arrangements
    • H04W36/24—Reselection being triggered by specific parameters
    • H04W36/32—Reselection being triggered by specific parameters by location or mobility data, e.g. speed data
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明公开了一种GSM‑R越区切换方法和装置，该方法根据信号强度、列车速度、列车位置、基站位置，确定越区切换位置，在确定越区切换位置时，还参考信号的载波与干扰比和信号的比特差错率。本发明优化了切换位置，降低了切换中断率，提高了切换可靠性。

Description

一种GSM-R越区切换方法及装置
技术领域
本发明涉及一种网络切换方法及装置，特别涉及一种GSM-R越区切换方法及装置，属于列车通讯技术领域。
背景技术
我国地域辽阔，人员众多，铁路运输作为国家的重要基础设施、大众化的交通工具，在中国综合交通运输体系中处于骨干地位。
在GSM-R系统中，在列车沿线会有多个小区提供信号，以覆盖整个列车运行轨道，小区之间覆盖范围会有交叉，目前，列车通过检测接收到的小区信号强度决定确定是否切换。
在两个小区的边界位置，由于阴影等影响，信号强度本就较差，随着现在列车运行速度的逐渐增加，越区切换的允许时间越来越短，多普勒效益也愈加严重，导致现有的切换方法出现较高的中断率。
此外，随着通讯技术的发展，5G技术相对成熟后会逐渐引入到GSM-R系统中，但是5G的小区信号范围会更小，小区数量会更多，列车面临更加频繁的越区切换，现有的切换技术下的中断率会严重影响列车正常的通讯。
因此，亟需研究一种更加有效合理的GSM-R越区切换方法及装置。
发明内容
为了克服上述问题，本发明人进行了锐意研究，开发了一种GSM-R越区切换方法，该方法根据信号强度、列车速度、列车位置、基站位置，确定越区切换位置。
进一步地，所述方法在确定越区切换位置时，还参考信号的载波与干扰比和信号的比特差错率。
更进一步地，该方法通过构建神经网络，确定越区切换位置，包括：
S1、建立神经网络；
S2、收集切换样本，训练神经网络,得到切换模型；
S3、利用切换模型确定切换位置。
5、根据权利要求4所述GSM-R越区切换方法，其特征在于，步骤S1包括以下子步骤：
S11、确定神经网络模型中不同层节点；
S12、建立神经网络模型。
在步骤S11中，
输入层的输入S包括信号强度RSSx与RSSx+1、小区基站收发信机位置BTSPx与BTSPx+1、列车速度MSV和列车位置MSP，x表示越区前的小区，x+1表示越区后的小区，
所述RSSx、BTSPx、RSSx+1、BTSPx+1、MSV和MSP为在列车接收到的小区信号中具有两个信号强度大于-63dBm～-67dBm时的瞬时数据。
输出层的输出为列车与不同小区距离的比值。
在步骤S12中，
不同输入层节点对不同隐含层的输出值为：
kij＝ωijSi
其中，i表示不同的输入层节点，j表示不同的隐含层节点，ωij表示输出层到隐含层的权重，Si表示输入层节点的输入，则隐含层的输出Lj为：
Figure GDA0003711016050000031
其中，aij是输入层到隐含层的偏置，
隐含层到输出层的传递采用线性函数，输出层的输出O优选为：
Figure GDA0003711016050000032
其中，εj是隐含层到输出层的权重，bj是隐含层到输出层的偏置。
根据本发明，步骤S2包括：
S21、收集列车的越区切换前状态数组、切换时列车位置和切换效果；
S22、获取列车在越区切换时，其到不同小区距离的比值；
S23、获得切换样本。
另一方面，本发明还提供一种GSM-R越区切换装置，包括信号检测模块、小区位置模块、测速模块、GPS模块、模型模块和切换模块。
本发明提供的GSM-R越区切换方法及装置能够取得以下有益效果：
1.综合考虑信号强度、列车速度、列车位置、基站位置判断越区切换位置，优化了切换位置的选择；
2.引入神经网络模型实现越区切换，降低了切换中断率；
3.切换可靠性高。
附图说明
图1示出根据本发明提供的一种优选实施方式的GSM-R越区切换方法流程图；
图2示出根据本发明提供的一种优选实施方式神经网络结构示意图。
具体实施方式
下面通过附图和优选实施方式对本发明进一步详细说明。通过这些说明，本发明的特点和优点将变得更为清楚明确。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
目前的GSM-R越区切换方法中，单纯的考虑了信号强度RSS，根据RSS是否达到阈值判断是否切换，判断条件单一，未考虑列车速度、基站位置、列车位置等因素，更未考虑载波与干扰比CIR、比特差错率BER，也未考虑切换前后信号是否平稳。本发明提出一种基于神经网络的越区切换方法，通过机器学习，获得模糊控制条件，进而综合各种影响条件，得到最优切换位置，从而进行越区切换。
一方面，本发明提供了一种GSM-R越区切换方法，如图1所示，该方法包括：
S1、建立神经网络；
S2、收集切换样本，训练神经网络,得到切换模型；
S3、利用切换模型确定切换位置。
在步骤S1中，所述建立神经网络，优选地，为建立BP神经网络。
所述BP神经网络，是一种按误差逆传播算法训练的多层前馈网络，BP网络能学习和存贮大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。BP神经网络模型拓扑结构包括输入层、隐含层和输出层。
在一个优选的实施方式中，步骤S1包括以下子步骤：
S11、确定神经网络模型中不同层节点。
在本发明中所述神经网络模型的输入层的输入S为影响越区切换位置的参数，如图2所示，包括列车越区切换前后接收到的小区的信号强度RSSx与RSSx+1、小区基站收发信机位置BTSPx与BTSPx+1、列车速度MSV和列车位置MSP。
进一步地，所述RSSx、BTSPx、RSSx+1、BTSPx+1、MSV和MSP为在列车接收到的小区信号中具有两个信号强度大于-63dBm～-67dBm时的瞬时数据，优选大于-65dBm。
发明人发现，当信号强度小于-67dBm时，信号强度与列车到小区之间距离较远，信号强度波动较大，干扰因素多，其作为越区切换的判断条件时判断结果偏差较大，当信号强度大于-63dBm时，列车可能已接近最优切换位置，导致不能及时切换。
在一个优选地实施方式中，所述输入S还包括小区信号的载波与干扰比CIRx与CIRx+1和小区信号的比特差错率BERx与BERx+1。
更优选地，当列车接收到除其已连接小区外其它小区信号，且其它小区信号强度大于-65dBm时，记录MSP和MSV的值，并记录在0.5秒时间内的RSSx、CIRx、BERx、RSSx+1、CIRx+1、BERx+1均值作为输入。
其中，x表示越区前的小区，x+1表示越区后的小区，则输入层的节点个数n＝10。
根据本发明，所述小区基站收发信机位置BTSPx与BTSPx+1、列车的位置MSP采用二维坐标表示，优选采用经纬度坐标表示，所述经纬度坐标精确到小数点后5位即可。
在本发明中，采用1个隐含层的BP神经网络，发明人经过多次试验，确定隐含层的节点个数m为10～16个，优选为12个，使得模型的系统误差较小。
根据本发明，所述神经网络模型的输出层为输出最优切换区域，当列车在此最优切换区域进行越区切换，切换效果最好，如何确定输出层的表现形式是本发明的难点所在。
输出层的输出形式既要考虑到列车实际运行轨迹，又要考虑列车运行速度以及制作样本时的采样难度。若单纯的以地理坐标范围表示最优切换范围，则由于未考虑列车实际运行轨迹，导致列车无法到达输出地点，无法完成切换；若以列车同时检测到多个小区信号到进行切换的时间差来表现最优切换区域，则列车速度、列车轨道等都造成干扰，导致模型准确度下降。
在本发明中，采用列车与不同小区距离的比值的形式表达输出层。列车与不同小区距离的比值既规避了列车轨道的干扰，又考虑了信号强度与距离的关系，同时，在样本制作时，其能够准确被采样。
进一步地，所述列车与不同小区距离的比值为列车到切换后小区基站收发信机距离与列车到切换前小区基站收发信机距离的比值。
S12、建立神经网络模型。
在本发明中，神经网络的输入层到隐含层的传递采用Log-Sigmoid函数，
不同输入层节点对不同隐含层的输出值为：
kij＝ωijSi
其中，i表示不同的输入层节点，j表示不同的隐含层节点，ωij表示输出层到隐含层的权重，Si表示输入层节点的输入，则隐含层的输出Lj为：
Figure GDA0003711016050000071
其中，aij是输入层到隐含层的偏置，
隐含层到输出层的传递采用线性函数，输出层的输出O优选为：
Figure GDA0003711016050000072
其中，εj是隐含层到输出层的权重，bj是隐含层到输出层的偏置。
在步骤S2中，所述收集切换样本，是指根据实际运行效果收集步骤S1中涉及的输入层和输出层的参数，
具体地，包括：
S21、收集列车的越区切换前状态数组、切换时列车位置和切换效果。
所述越区切换前状态数组包括越区前后两个小区信号的RSSx、CIRx、BERx、RSSx+1、CIRx+1、BERx+1，以及这两个小区基站收发信机位置BTSPx、BTSPx+1，列车位置MSP和列车速度MSV，
其中x表示切换前的小区，x+1表示切换后的小区。
具体地，当列车接收到除其已连接小区外其它小区信号，且其它小区信号强度大于-65dBm时，记录MSP和MSV的值，和记录在0.5秒时间内的RSSx、CIRx、BERx、RSSx+1、CIRx+1、BERx+1均值。
所述切换效果可以用切换前后列车接收的信号的载干比与信号电平表示，当切换前和切换后接收到的信号的载干比都大于12db，且切换前和切换后接收到的信号的电平都大于-61dBm，表示切换效果好，其余情况记为切换效果差。
S22、获取列车在越区切换时，其到不同小区距离的比值。
收集铁路沿线各小区基站收发信机的位置BTSPx，根据BTSPx与切换时列车位置MSP，即可计算出列车切换时距离不同小区距离的比值α，将α增加至越区切换数组中。
具体地，所述BTSPx可以表示为BTSPx(BLx，BBx)，切换时列车位置可以表示为MSPq(MLx，MBx)，则
Figure GDA0003711016050000081
其中BLx表示BTSPx的经度坐标，BBx表示BTSPx的纬度坐标；MLx表示MSPq的经度坐标，MBx表示MSPq的纬度坐标，x表示越区切换前的小区，x+1表示越区切换后的小区。
S23、获得切换样本。
在本发明中，只保留切换效果好的越区切换前状态数组，切换效果差的越区切换前状态数组抛弃。
优选地，保留切换前后接收到的信号的载干比和电平偏差最小的200～1000组越区切换前状态数组作为切换样本。
S24、训练神经网络，获得切换模型。
将所述切换样本代入步骤S1建立的神经网络中，对神经网络进行训练，
具体地，将切换样本中的MSP、MSV、BTSPx、RSSx、CIRx、BERx、BTSPx+1、RSSx+1、CIRx+1、BERx+1作为输入层的输入Si，α作为输出层的期望输出。
在训练过程中，对输出层到隐含层的权重ωij、输入层到隐含层的偏置aij、隐含层到输出层的权重εj，隐含层到输出层的偏置bj不断更新，
进一步地，所述不断地更新，通过如下算式进行：
Figure GDA0003711016050000091
其中，ω′ij为更新后的输出层到隐含层的权重，ε′j为更新后的隐含层到输出层的权重，a′ij为更新后的输入层到隐含层的偏置，b′j为更新后的隐含层到输出层的偏置，δ为学习速率，e＝α-O。
经过不断训练更新，即可得到切换模型。
在步骤S3中，利用切换模型确定切换位置，包括以下子步骤：
S31、确定越区切换对象。
当列车接收到除其已连接小区外其它小区信号，且其它小区信号强度大于-65dBm时，记录MSP和MSV的值，和记录在0.5秒时间内的RSSx、CIRx、BERx、RSSx+1、CIRx+1、BERx+1均值，并记录此时列车的位置MSP和速度MSV，其中x为越区前的小区信号，x+1为越区后的小区信号，
所述列车的位置MSP由GPS模块获取，列车的速度MSV由测速模块获取，信号强度、载波与干扰比、比特差错率由信号检测模块获取。
S32、获得小区的位置。
在信号检测的过程中，可获得信号中包含的小区编号信息，根据信号中包含的小区编号信息获得小区基站收发信机位置BTSPx。
优选地，在列车上存储有小区编码与小区基站收发信机位置对应表，通过查表，即可得到小区基站收发信机具体位置。
S33、利用切换模型进行输出
将步骤S31中获得的RSSx、CIRx、BERx、RSSx+1、CIRx+1、BERx+1、MSP、MSV以及步骤S32中获得的BTSPx、BTSPx+1代入到切换模型模型中，输出α。
S34、列车在运行过程中根据列车实时位置及BTSPx、BTSPx+1计算列车距离不同小区距离的比值，当计算比值与α相同时，进行越区切换。
与现有的切换方法切换的结果比对，在本发明方法得出的切换位置处进行切换，列车接收的信号的载波与干扰比会有明显下降，信号强度波动变小。另一方面，本发明还提供了一种GSM-R越区切换装置，包括信号检测模块、小区位置模块、测速模块、GPS模块、模型模块和切换模块。
所述信号检测模块，能够检测列车接收到的小区信号强度、信号载波与干扰比、以及信号的比特差错率。
进一步地，所述信号检测模块能够识别小区信号中包含的小区编号信息，并将小区编号信息传递给小区位置模块。
所述小区位置模块中存储有小区编码与小区基站收发信机位置对应表，其能够接收信号检测模块传递的小区编号，并根据小区编号查表，向模型模块输出小区基站收发信机位置。
所述测速模块，用于测量列车的运行速度。
所述GPS模块，用于测量列车的位置。
在一个优选的实施方式中，所述测速模块和GPS模块需要的数据可以从车载安全计算机中获取。
所述模型模块，存储有按照步骤S2中方法得到切换模型，其与信号检测模块、小区位置模块、测速模块、GPS模块和控制切换模块相连，
进一步地，所述模型模块，能够控制信号检测模块按照步骤S31的方法获取RSSx、CIRx、BERx、RSSx+1、CIRx+1、BERx+1，还能够接收小区位置模块、测速模块、GPS模块的信息，按照步骤S33、S34的方法确定是否切换，并控制切换模块进行越区切换。
所述切换模块能够控制信号收发装置执行切换动作。
在本发明的描述中，需要说明的是，术语“上”、“下”、“内”、“外”、“前”、“后”等指示的方位或位置关系为基于本发明工作状态下的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”、“第四”仅用于描述目的，而不能理解为指示或暗示相对重要性。
以上结合优选实施方式和范例性实例对本发明进行了详细说明。不过需要声明的是，这些具体实施方式仅是对本发明的阐述性解释，并不对本发明的保护范围构成任何限制。在不超出本发明精神和保护范围的情况下，可以对本发明技术内容及其实施方式进行各种改进、等价替换或修饰，这些均落入本发明的保护范围内。本发明的保护范围以所附权利要求为准。

Claims (1)

1.一种GSM-R越区切换方法，该方法根据信号强度、列车速度、列车位置和基站位置，确定越区切换位置；
在确定越区切换位置时，还参考信号的载波与干扰比和信号的比特差错率；
通过构建神经网络，确定越区切换位置；
该方法包括：
S1、建立神经网络；
S2、收集切换样本，训练神经网络,得到切换模型；
S3、利用切换模型确定切换位置；
步骤S1包括以下子步骤：
S11、确定神经网络模型中不同层节点；
S12、建立神经网络模型；
在步骤S11中，
输入层的输入S包括信号强度RSSx与RSSx+1、小区基站收发信机位置BTSPx与BTSPx+1、小区信号的载波与干扰比CIRx与CIRx+1、小区信号的比特差错率BERx与BERx+1、列车速度MSV和列车位置MSP，x表示越区前的小区，x+1表示越区后的小区，所述RSSx、BTSPx、CIRx、BERx、RSSx+1、BTSPx+1、CIRx+1、BERx+1、MSV和MSP为在列车接收到的小区信号中具有两个信号强度大于-63dBm～-67dBm时的瞬时数据；
在步骤S11中，
输出层的输出为列车与切换前后小区距离的比值α；
在步骤S12中，
不同输入层节点对不同隐含层的输出值为：
kij＝ωijSi
其中，i表示不同的输入层节点，j表示不同的隐含层节点，ωij表示输出层到隐含层的权重，Si表示输入层节点的输入，则隐含层的输出Lj为：
Figure FDA0003711016040000021
其中，aij是输入层到隐含层的偏置，
隐含层到输出层的传递采用线性函数，输出层的输出O为：
Figure FDA0003711016040000022
其中，εj是隐含层到输出层的权重，bj是隐含层到输出层的偏置；
其特征在于，步骤S2包括：
S21、收集列车的越区切换前状态数组、切换时列车位置和切换效果；
所述越区切换前状态数组包括越区前后两个小区信号的RSSx、CIRx、BERx、RSSx+1、CIRx+1、BERx+1，以及这两个小区基站收发信机位置BTSPx、BTSPx+1，列车位置MSP和列车速度MSV，
其中x表示切换前的小区，x+1表示切换后的小区；
S22、获取列车在越区切换时，其到不同小区距离的比值；
收集铁路沿线各小区基站收发信机的位置BTSPx，根据BTSPx与切换时列车位置MSP，计算出列车切换时距离不同小区距离的比值α，将α增加至越区切换数组中；
S23、获得切换样本；
只保留切换效果好的越区切换前状态数组，切换效果差的越区切换前状态数组抛弃；所述切换效果好是指切换前和切换后接收到的信号的载干比都大于12db，且切换前和切换后接收到的信号的电平都大于-61dBm，否则为切换效果差；
S24、训练神经网络，获得切换模型；
将所述切换样本代入步骤S1建立的神经网络中，对神经网络进行训练；
在训练过程中，对输出层到隐含层的权重ωij、输入层到隐含层的偏置aij、隐含层到输出层的权重εj，隐含层到输出层的偏置bj不断更新，
所述不断地更新，通过如下算式进行：
Figure FDA0003711016040000031
其中，ω′ij为更新后的输出层到隐含层的权重，ε′j为更新后的隐含层到输出层的权重，a′ij为更新后的输入层到隐含层的偏置，b′j为更新后的隐含层到输出层的偏置，δ为学习速率，e＝α-O。
CN202010043315.XA 2020-01-15 2020-01-15 一种gsm-r越区切换方法及装置 Active CN111277975B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010043315.XA CN111277975B (zh) 2020-01-15 2020-01-15 一种gsm-r越区切换方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010043315.XA CN111277975B (zh) 2020-01-15 2020-01-15 一种gsm-r越区切换方法及装置

Publications (2)

Publication Number Publication Date
CN111277975A CN111277975A (zh) 2020-06-12
CN111277975B true CN111277975B (zh) 2022-08-26

Family

ID=71001066

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010043315.XA Active CN111277975B (zh) 2020-01-15 2020-01-15 一种gsm-r越区切换方法及装置

Country Status (1)

Country Link
CN (1) CN111277975B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114513821A (zh) * 2020-11-16 2022-05-17 深圳市万普拉斯科技有限公司 一种小区切换方法、装置及终端设备
CN115190546A (zh) * 2021-04-01 2022-10-14 中铁二院工程集团有限责任公司 基于神经网络预测的lte-m系统越区切换方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101511111A (zh) * 2009-03-18 2009-08-19 东南大学 基于模糊神经网络的异构网络融合系统垂直切换方法
CN101778439A (zh) * 2010-02-01 2010-07-14 北京交通大学 一种面向ctcs-3业务的gsm-r快速越区切换方法
CN105188097A (zh) * 2015-08-31 2015-12-23 宇龙计算机通信科技(深圳)有限公司 一种基于高铁场景下的越区切换方法和基站
CN105873112A (zh) * 2016-06-15 2016-08-17 重庆邮电大学 一种异构网络中多模终端垂直切换方法
CN109104750A (zh) * 2018-08-28 2018-12-28 昆明理工大学 一种基于速度触发的lte-r越区切换方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101511111A (zh) * 2009-03-18 2009-08-19 东南大学 基于模糊神经网络的异构网络融合系统垂直切换方法
CN101778439A (zh) * 2010-02-01 2010-07-14 北京交通大学 一种面向ctcs-3业务的gsm-r快速越区切换方法
CN105188097A (zh) * 2015-08-31 2015-12-23 宇龙计算机通信科技(深圳)有限公司 一种基于高铁场景下的越区切换方法和基站
CN105873112A (zh) * 2016-06-15 2016-08-17 重庆邮电大学 一种异构网络中多模终端垂直切换方法
CN109104750A (zh) * 2018-08-28 2018-12-28 昆明理工大学 一种基于速度触发的lte-r越区切换方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
GSM-R系统越区切换方法研究;李鉴庭;《中国优秀硕士学位论文全文数据库（电子期刊）》;20110731;第3章-第4章 *

Also Published As

Publication number Publication date
CN111277975A (zh) 2020-06-12

Similar Documents

Publication Publication Date Title
CN100473218C (zh) 基于序列的定位技术
CN111246429B (zh) 一种基于冗余网络的gsm-r越区切换方法及装置
CN111277975B (zh) 一种gsm-r越区切换方法及装置
CN104427108B (zh) 移动终端及其室内外定位切换的方法
CN100534235C (zh) 验证移动站位置方位的方法和系统
CN106604228B (zh) 一种基于lte信令数据的指纹定位方法
CN112533149B (zh) 一种基于uwb移动节点的移动目标定位算法
US8150417B2 (en) Mobile device location systems and methods
JP7108626B2 (ja) 無線通信システムの端末を位置特定する方法およびシステム
WO2006017266A2 (en) System and method for localization over a wireless network
WO2004073343A1 (en) Location applications for wireless networks
CN111865446B (zh) 利用网络环境上下文信息实现的智能波束配准方法与装置
CN109640262B (zh) 一种基于混合指纹的定位方法及系统、设备、存储介质
Spirito et al. Preliminary experimental results of a GSM mobile phones positioning system based on timing advance
CN112543471B (zh) 一种面向复杂环境的机动5g混合接入链路中断预测方法
Etiabi et al. Spreading Factor assisted LoRa Localization with Deep Reinforcement Learning
US7197310B2 (en) Methods and systems for controlling handoffs in a wireless communication system
KR20170141366A (ko) 열차 위치 추적 방법
JPH0766764A (ja) 通信品質予測方法
CN114710747A (zh) 通导融合系统的室分节点布局方法及装置
CN111565430B (zh) 一种基于预测轨迹的海洋船舶无线网络路由方法
CN116209030B (zh) 一种移动平台抗弱网通信网关接入方法及系统
Reyero et al. A Pervasive Indoor-Outdoor Positioning System.
CN105898858A (zh) 一种不依赖于邻居节点的apit节点定位系统及方法
Deasy et al. Stepwise algorithms for improving the accuracy of both deterministic and probabilistic methods in WLAN-based indoor user localisation

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant