CN111416676B - 基于射线跟踪的高铁铁路交叉并线区段场强预测方法 - Google Patents
基于射线跟踪的高铁铁路交叉并线区段场强预测方法 Download PDFInfo
- Publication number
- CN111416676B CN111416676B CN202010208705.8A CN202010208705A CN111416676B CN 111416676 B CN111416676 B CN 111416676B CN 202010208705 A CN202010208705 A CN 202010208705A CN 111416676 B CN111416676 B CN 111416676B
- Authority
- CN
- China
- Prior art keywords
- scene
- information
- speed railway
- merging section
- railway crossing
- 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
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/373—Predicting channel quality or other radio frequency [RF] parameters
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/309—Measuring or estimating channel quality parameters
- H04B17/318—Received signal strength
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/391—Modelling the propagation channel
- H04B17/3912—Simulation models, e.g. distribution of spectral power density or received signal strength indicator [RSSI] for a given geographic region
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/391—Modelling the propagation channel
- H04B17/3913—Predictive models, e.g. based on neural network models
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
- H04W16/18—Network planning tools
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
- H04W16/22—Traffic simulation tools or models
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明实施例涉及一种基于射线跟踪的高铁铁路交叉并线区段场强预测方法及装置,方法包括:测量目标高铁铁路交叉并线区段场景中每个位置测量点的三维坐标信息、每个位置测量点的接收场强实际值、每个基站的三维坐标信息以及天线角度信息,通过射线跟踪仿真针对场景中每个位置测量点进行场强预测,结合每个位置测量点的接收场强实际值,对射线跟踪仿真器进行校正,然后调整场景中基站的三维坐标信息和天线角度信息,实现接收场强预测。本发明实施例中,实现接收场强预测。将射线跟踪技术融入到高速铁路交叉并线区段GSM‑R网络规划中,可以实现在不同基站参数配置下对高速铁路交叉并线区段信道的精确仿真,获得高铁铁路交叉并线区段的精准场强预测。
Description
技术领域
本发明实施例涉及无线技术领域,具体涉及一种基于射线跟踪的高铁铁路交叉并线区段场强预测方法及装置。
背景技术
随着无线技术的迅速发展,在我国高速铁路和客运专线中,现有的用于铁路通信及应用的国际无线通信标准(Global System for Mobile Communications–Railway,以下简称:GSM-R)网络改造也全面铺开,基于GSM-R无线网络的特点,越来越多的铁路枢纽及多条线路交叉、并线等特殊区域会共用GSM-R基站、直放站设施,因此,在这些特殊区域,中国铁路GSM-R系统的建设正面临着网络容量需求大,业务需求种类丰富,而频率资源有限的问题。
在高速铁路交叉并线区段GSM-R网络规划中,如何设置基站、如何更好地利用现有基站降低对已开通线路的运营维护以及如何在保证并线区段无线覆盖的前提下有效地运用有限的频率资源并避免网内干扰是GSM-R网络规划的重点,另外,由于各线路的建设工期和模式不同,后规划线路的覆盖方案要兼顾考虑到既有线路的规划情况,因而难度加大,所以为高速铁路交叉并线区段GSM-R网络规划提供服务尤为重要。
发明内容
本发明的至少一个实施例提供了一种基于射线跟踪的高铁铁路交叉并线区段场强预测方法及装置,可以调整基站布点及天线角度信息,确定精准的接收场强预测。
第一方面,本发明实施例提出一种基于射线跟踪的高铁铁路交叉并线区段场强预测方法,该方法包括:
获取目标高铁铁路交叉并线区段场景的铁路信息和环境信息;
基于铁路信息和环境信息,确定目标高铁铁路交叉并线区段场景的三维电子地图;
测量目标高铁铁路交叉并线区段场景中每个位置测量点的三维坐标信息、每个位置测量点的接收场强实际值、每个基站的三维坐标信息以及天线角度信息;
基于目标高铁铁路交叉并线区段场景的三维电子地图,通过射线跟踪仿真针对目标高铁铁路交叉并线区段场景中每个位置测量点进行场强预测,确定接收场强预测值;
基于相同目标高铁铁路交叉并线区段场景下每个位置测量点的接收场强实际值,结合每个位置测量点的接收场强预测值,对射线跟踪仿真器进行校正;
基于测量的目标高铁铁路交叉并线区段场景中每个位置测量点的三维坐标信息、每个基站的三维坐标信息以及天线角度信息,通过校正后的射线跟踪仿真器,调整目标高铁铁路交叉并线区段场景中的每个基站的三维坐标信息和天线角度信息,实现接收场强预测。
在一些实施例中,铁路信息包括目标高铁几何信息,环境信息包括结构体的三维几何信息和地形信息。
在一些实施例中,目标高铁铁路交叉并线区段场景的三维电子地图包括:结构体的三维几何信息、地形信息、场景中物体的栅格地图及类别标识。
在一些实施例中,测量目标高铁铁路交叉并线区段场景中每个位置测量点的三维坐标信息、每个位置测量点的接收场强实际值、每个基站的三维坐标信息以及天线角度信息,包括:
通过全球定位系统测量目标高铁铁路交叉并线区段场景中每个基站的三维坐标信息。
在一些实施例中,测量目标高铁铁路交叉并线区段场景中每个位置测量点的三维坐标信息、每个位置测量点的接收场强实际值、每个基站的三维坐标信息以及天线角度信息,包括:
获取目标高铁铁路交叉并线区段场景中结构体表面材料的电磁参数信息,构建目标高铁铁路交叉并线区段场景的三维场景模型;
基于目标高铁铁路交叉并线区段场景的三维场景模型,识别三维场景模型中的结构体表面材质信息;
基于三维场景模型中的结构体表面材质信息和目标高铁铁路交叉并线区段场景中结构体表面材料的电磁参数信息,确定目标高铁铁路交叉并线区段场景中的结构体的电磁参数信息;
基于每个基站的三维坐标信息和目标高铁铁路交叉并线区段场景中的结构体的电磁参数信息,确定天线角度信息。
在一些实施例中,基于测量的目标高铁铁路交叉并线区段场景中每个位置测量点的三维坐标信息、每个基站的三维坐标信息以及天线角度信息,通过校正后的射线跟踪仿真器,调整目标高铁铁路交叉并线区段场景中的每个基站的三维坐标信息和天线角度信息,实现接收场强预测,包括:
调整目标高铁铁路交叉并线区段场景中的每个基站的三维坐标信息和天线角度信息后,对目标高铁铁路交叉并线区段场景进行仿真计算,获得每个位置测量点的多径信息;
基于目标高铁铁路交叉并线区段场景中每个位置测量点的三维坐标信息、每个位置测量点的多径信息以及调整后的目标高铁铁路交叉并线区段场景中的每个基站的三维坐标信息和天线角度信息,通过校正后的射线跟踪仿真器,实现接收场强预测。
在一些实施例中,多径信息包括复数电场、传播路径、传播时延以及与路径关联的结构体。
第二方面,本发明实施例还提出一种基于射线跟踪的高铁铁路交叉并线区段场强预测装置,包括:获取模块、地图模块、测量模块、场强预测模块、校正模块、调整模块;
获取模块,用于获取高铁铁路交叉并线区段场景的铁路信息和环境信息;
地图模块,用于基于铁路信息和环境信息,确定目标高铁铁路交叉并线区段场景的三维电子地图;
测量模块,用于测量目标高铁铁路交叉并线区段场景中每个位置测量点的三维坐标信息、每个位置测量点的接收场强实际值、每个基站的三维坐标信息以及天线角度信息;
场强预测模块,用于基于目标高铁铁路交叉并线区段场景的三维电子地图,通过射线跟踪仿真针对目标高铁铁路交叉并线区段场景中每个位置测量点进行场强预测,确定接收场强预测值;
校正模块,用于基于相同目标高铁铁路交叉并线区段场景下每个位置测量点的接收场强实际值,结合每个位置测量点的接收场强预测值,对射线跟踪仿真器进行校正;
调整模块,用于基于测量的目标高铁铁路交叉并线区段场景中每个位置测量点的三维坐标信息、每个基站的三维坐标信息以及天线角度信息,通过校正后的射线跟踪仿真器,调整目标高铁铁路交叉并线区段场景中的每个基站的三维坐标信息和天线角度信息,实现接收场强预测。
在一些实施例中,装置还包括:
获取模块,还用于获取目标高铁铁路交叉并线区段场景中结构体表面材料的电磁参数信息;
构建模块,用于构建目标高铁铁路交叉并线区段场景的三维场景模型;
识别模块,用于基于目标高铁铁路交叉并线区段场景的三维场景模型,识别三维场景模型中的结构体表面材质信息;
电磁模块,用于基于三维场景模型中的结构体表面材质信息和目标高铁铁路交叉并线区段场景中结构体表面材料的电磁参数信息,确定目标高铁铁路交叉并线区段场景中的结构体的电磁参数信息;
测量模块,还用于基于每个基站的三维坐标信息和目标高铁铁路交叉并线区段场景中的结构体的电磁参数信息,确定天线角度信息。
本发明实施例中提供的一种基于射线跟踪的高铁铁路交叉并线区段场强预测方法及装置,确定目标高铁铁路交叉并线区段场景的三维电子地图以及测量目标高铁铁路交叉并线区段场景中每个位置测量点的三维坐标信息、每个位置测量点的接收场强实际值、每个基站的三维坐标信息以及天线角度信息,然后通过射线跟踪仿真针对目标高铁铁路交叉并线区段场景中每个位置测量点进行场强预测,确定接收场强预测值,进而结合接收场强实际值,对射线跟踪仿真器进行校正,最后调整目标高铁铁路交叉并线区段场景中的每个基站的三维坐标信息和天线角度信息,实现接收场强预测。将射线跟踪技术融入到高速铁路交叉并线区段GSM-R网络规划中,可以实现在不同基站参数配置下对高速铁路交叉并线区段信道的精确仿真,并获得高铁铁路交叉并线区段的精准场强预测。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种基于射线跟踪的高铁铁路交叉并线区段场强预测方法的流程图;
图2为本发明实施例提供的一种天线角度确认方法的流程图
图3为本发明实施例提供的一种基于射线跟踪的高铁铁路交叉并线区段场强预测装置的结构示意图;
图4为本发明实施例提供的一种天线角度确认装置的结构示意图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。基于所描述的本发明的实施例,本领域普通技术人员所获得的所有其他实施例,都属于本发明保护的范围。
需要说明的是,在本文中,诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
图1为本发明实施例提供的一种基于射线跟踪的高铁铁路交叉并线区段场强预测方法的流程图,如图1所示,该方法包括以下步骤:
步骤101:获取目标高铁铁路交叉并线区段场景的铁路信息和环境信息。
具体的,本步骤中,获取的目标高铁铁路交叉并线区段场景的铁路信息包括目标高铁几何信息,获取的目标高铁铁路交叉并线区段场景的环境信息包括结构体的三维几何信息和地形信息。
在一些实施例中,在高铁铁路交叉并线区段场景,可通过人工现场测量的手段,对高铁铁路交叉并线区段场景中的自然环境信息进行采集,以及对场景中的结构体的三维几何信息进行采集,例如场景中的高楼、高架桥等;也可通过从精准的地理信息系统中提取目标高铁铁路交叉并线区段场景的环境信息。
在一些实施例中,在高铁铁路交叉并线区段场景,可通过人工现场测量的手段,对高铁铁路交叉并线区段场景中的铁路信息进行采集,例如,采集高铁铁路交叉并线区段场景中铁轨、枕木等的几何信息;也可通过高铁建筑信息模型提取目标高铁铁路交叉并线区段场景的铁路信息。
步骤102:基于所述铁路信息和所述环境信息,确定目标高铁铁路交叉并线区段场景的三维电子地图。
在一些实施例中,目标高铁铁路交叉并线区段场景的三维电子地图包括:结构体的三维几何信息、地形信息、场景中物体的栅格地图及类别标识。
步骤103:测量目标高铁铁路交叉并线区段场景中每个位置测量点的三维坐标信息、每个位置测量点的接收场强实际值、每个基站的三维坐标信息以及天线角度信息。
具体的,本步骤中,通过全球定位系统测量目标高铁铁路交叉并线区段场景中每个基站的三维坐标信息。
在一些实施例中,可通过人工测量的技术手段,测量目标高铁铁路交叉并线区段场景中每个基站的三维坐标信息;也可通过全球定位系统测量目标高铁铁路交叉并线区段场景中每个基站的三维坐标信息,其中,所测量的基站包括GSM-R基站、5G-R基站等;基站的三维坐标信息包括基站的高度信息以及位置信息。
具体的,在本步骤中,测量目标高铁铁路交叉并线区段场景中天线角度信息,如图2所示,包括如下步骤:
步骤201:获取目标高铁铁路交叉并线区段场景中结构体表面材料的电磁参数信息,构建目标高铁铁路交叉并线区段场景的三维场景模型。
步骤202:基于所述目标高铁铁路交叉并线区段场景的三维场景模型,识别所述三维场景模型中的结构体表面材质信息。
步骤203:基于所述三维场景模型中的结构体表面材质信息和所述目标高铁铁路交叉并线区段场景中结构体表面材料的电磁参数信息,确定目标高铁铁路交叉并线区段场景中的结构体的电磁参数信息。
步骤204:基于所述每个基站的三维坐标信息和所述目标高铁铁路交叉并线区段场景中的结构体的电磁参数信息,确定天线角度信息。
在一些实施例中,优先获取目标高铁铁路交叉并线区段场景中结构体表面材料的电磁参数信息,通过激光点云和视觉数据构建目标高铁铁路交叉并线区段场景的三维场景模型,利用目标高铁铁路交叉并线区段场景的三维场景模型,通过深度学习和视觉识别三维场景模型中的结构体表面材质信息,紧接着根据所获取的三维场景模型中的结构体表面材质信息和以及获取的目标高铁铁路交叉并线区段场景中结构体表面材料的电磁参数信息,确定目标高铁铁路交叉并线区段场景中的结构体的电磁参数信息,最后根据测量的每个基站的三维坐标信息和目标高铁铁路交叉并线区段场景中的结构体的电磁参数信息,确定天线角度信息。
步骤104:基于所述目标高铁铁路交叉并线区段场景的三维电子地图,通过射线跟踪仿真针对所述目标高铁铁路交叉并线区段场景中每个位置测量点进行场强预测,确定接收场强预测值。
以高铁铁路交叉并线区段场景为例,在获取该场景的电子地图后,一般情况下该电子地图包含结构体的三维几何信息、地形信息、场景中物体的栅格地图及类别标识,场景中物体的栅格地图及类别标识,例如:1.大厦、2.居民楼,最后通过射线跟踪仿真器计算目标高铁铁路交叉并线区段场景中每个位置测量点的接收场强预测值。
步骤105:基于相同目标高铁铁路交叉并线区段场景下每个位置测量点的接收场强实际值,结合每个位置测量点的接收场强预测值,对射线跟踪仿真器进行校正。
具体的,在本步骤中,在目标高铁铁路交叉并线区段场景下相同的位置测量点处,获取接收场强预测值以及接收场强实际值,通过机器学习的方法,对接收场强预测值进行校正,进而实现对射线跟踪仿真器进行校正。
步骤106:基于测量的目标高铁铁路交叉并线区段场景中每个位置测量点的三维坐标信息、每个基站的三维坐标信息以及天线角度信息,通过校正后的射线跟踪仿真器,调整目标高铁铁路交叉并线区段场景中的每个基站的三维坐标信息和天线角度信息,实现接收场强预测。
具体的,在本步骤中,利用已经校正后的射线跟踪仿真器,对目标高铁铁路交叉并线区段场景中存在偏差的基站位置信息和天线角度进行调整,然后根据目标高铁铁路交叉并线区段场景的三维电子地图,通过已经校正后的射线跟踪仿真器,对目标高铁铁路交叉并线区段场景中每个位置测量点进行场强预测,获取精准的接收场强预测值。
在一些实施例中,调整目标高铁铁路交叉并线区段场景中的每个基站的三维坐标信息和天线角度信息后,利用射线跟踪仿真器对目标高铁铁路交叉并线区段场景进行仿真计算,获取每个位置测量点的多径信息,所述多径信息包括复数电场、传播路径、传播时延以及与路径关联的结构体,然后根据目标高铁铁路交叉并线区段场景中每个位置测量点的三维坐标信息、每个位置测量点的多径信息以及调整后的目标高铁铁路交叉并线区段场景中的每个基站的三维坐标信息和天线角度信息,通过校正后的射线跟踪仿真器,获取精准的接收场强预测值,其中,获取每个位置测量点的多径信息,能提高获取的接收场强预测值的精准度。
图3为本发明实施例提出一基于射线跟踪的高铁铁路交叉并线区段场强预测装置的结构示意图,如图3所示,该装置包括:获取模块301、地图模块302、测量模块303、场强预测模块304、校正模块305、调整模块306;
获取模块301,用于获取高铁铁路交叉并线区段场景的铁路信息和环境信息;
地图模块302,用于基于所述铁路信息和所述环境信息,确定目标高铁铁路交叉并线区段场景的三维电子地图;
测量模块303,用于测量目标高铁铁路交叉并线区段场景中每个位置测量点的三维坐标信息、每个位置测量点的接收场强实际值、每个基站的三维坐标信息以及天线角度信息;
场强预测模块304,用于基于所述目标高铁铁路交叉并线区段场景的三维电子地图,通过射线跟踪仿真针对所述目标高铁铁路交叉并线区段场景中每个位置测量点进行场强预测,确定接收场强预测值;
校正模块305,用于基于相同目标高铁铁路交叉并线区段场景下每个位置测量点的接收场强实际值,结合每个位置测量点的接收场强预测值,对射线跟踪仿真器进行校正;
调整模块306,用于基于测量的目标高铁铁路交叉并线区段场景中每个位置测量点的三维坐标信息、每个基站的三维坐标信息以及天线角度信息,通过校正后的射线跟踪仿真器,调整目标高铁铁路交叉并线区段场景中的每个基站的三维坐标信息和天线角度信息,实现接收场强预测。
该装置还包括:构建模块401、识别模块402、电磁模块403。
获取模块301,还用于获取目标高铁铁路交叉并线区段场景中结构体表面材料的电磁参数信息;
构建模块401,用于构建目标高铁铁路交叉并线区段场景的三维场景模型;
识别模块402,用于基于所述目标高铁铁路交叉并线区段场景的三维场景模型,识别所述三维场景模型中的结构体表面材质信息;
电磁模块403,用于基于所述三维场景模型中的结构体表面材质信息和所述目标高铁铁路交叉并线区段场景中结构体表面材料的电磁参数信息,确定目标高铁铁路交叉并线区段场景中的结构体的电磁参数信息;
测量模块303,还用于基于所述每个基站的三维坐标信息和所述目标高铁铁路交叉并线区段场景中的结构体的电磁参数信息,确定天线角度信息
本发明实施例中,通过获取高铁场景中基站的位置信息和高度信息,根据射线跟踪仿真技术,确定电波传播角度信息,找到损耗最小的传输路径,将天线方向对准该路径,实现无线网络的稳定连接。
本发明实施例中,将射线跟踪技术融入到高速铁路交叉并线区段GSM-R网络规划中,可以实现在不同基站参数配置下对高速铁路交叉并线区段信道的精确仿真,并能调整出现偏差的基站布点以及天线角度信息,提高获得高铁铁路交叉并线区段场强预测值得精准度。
本发明实施例提供的装置能够执行上述方法实施例的流程和步骤,且还具有与上述方法实施例对应的功能模块,能够执行相应的操作,并具有相应的技术效果,为避免重复,在此不再赘述。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
本领域的技术人员能够理解,尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征,但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。
虽然结合附图描述了本发明的实施方式,但是本领域技术人员可以在不脱离本发明的精神和范围的情况下做出各种修改和变型,这样的修改和变型均落入由所附权利要求所限定的范围之内。
Claims (7)
1.一种基于射线跟踪的高铁铁路交叉并线区段场强预测方法,其特征在于,包括:
获取目标高铁铁路交叉并线区段场景的铁路信息和环境信息;
基于所述铁路信息和所述环境信息,确定目标高铁铁路交叉并线区段场景的三维电子地图;
测量目标高铁铁路交叉并线区段场景中每个位置测量点的三维坐标信息、每个位置测量点的接收场强实际值、每个基站的三维坐标信息以及天线角度信息;
基于所述目标高铁铁路交叉并线区段场景的三维电子地图,通过射线跟踪仿真针对所述目标高铁铁路交叉并线区段场景中每个位置测量点进行场强预测,确定接收场强预测值;
基于相同目标高铁铁路交叉并线区段场景下每个位置测量点的接收场强实际值,结合每个位置测量点的接收场强预测值,对射线跟踪仿真器进行校正;
基于测量的目标高铁铁路交叉并线区段场景中每个位置测量点的三维坐标信息、每个基站的三维坐标信息以及天线角度信息,通过校正后的射线跟踪仿真器,调整目标高铁铁路交叉并线区段场景中的每个基站的三维坐标信息和天线角度信息,实现接收场强预测;
所述测量目标高铁铁路交叉并线区段场景中每个位置测量点的三维坐标信息、每个位置测量点的接收场强实际值、每个基站的三维坐标信息以及天线角度信息,包括:
获取目标高铁铁路交叉并线区段场景中结构体表面材料的电磁参数信息,构建目标高铁铁路交叉并线区段场景的三维场景模型;
基于所述目标高铁铁路交叉并线区段场景的三维场景模型,识别所述三维场景模型中的结构体表面材质信息;
基于所述三维场景模型中的结构体表面材质信息和所述目标高铁铁路交叉并线区段场景中结构体表面材料的电磁参数信息,确定目标高铁铁路交叉并线区段场景中的结构体的电磁参数信息;
基于所述每个基站的三维坐标信息和所述目标高铁铁路交叉并线区段场景中的结构体的电磁参数信息,确定天线角度信息。
2.根据权利要求1所述的基于射线跟踪的高铁铁路交叉并线区段场强预测方法,其特征在于,所述铁路信息包括目标高铁几何信息,所述环境信息包括结构体的三维几何信息和地形信息。
3.根据权利要求1所述的基于射线跟踪的高铁铁路交叉并线区段场强预测方法,其特征在于,所述目标高铁铁路交叉并线区段场景的三维电子地图包括:结构体的三维几何信息、地形信息、场景中物体的栅格地图及类别标识。
4.根据权利要求1所述的基于射线跟踪的高铁铁路交叉并线区段场强预测方法,其特征在于,所述测量目标高铁铁路交叉并线区段场景中每个位置测量点的三维坐标信息、每个位置测量点的接收场强实际值、每个基站的三维坐标信息以及天线角度信息,包括:
通过全球定位系统测量所述目标高铁铁路交叉并线区段场景中每个基站的三维坐标信息。
5.根据权利要求1所述的基于射线跟踪的高铁铁路交叉并线区段场强预测方法,其特征在于,所述基于测量的目标高铁铁路交叉并线区段场景中每个位置测量点的三维坐标信息、每个基站的三维坐标信息以及天线角度信息,通过校正后的射线跟踪仿真器,调整目标高铁铁路交叉并线区段场景中的每个基站的三维坐标信息和天线角度信息,实现接收场强预测,包括:
调整目标高铁铁路交叉并线区段场景中的每个基站的三维坐标信息和天线角度信息后,对目标高铁铁路交叉并线区段场景进行仿真计算,获得每个位置测量点的多径信息;
基于所述目标高铁铁路交叉并线区段场景中每个位置测量点的三维坐标信息、每个位置测量点的多径信息以及调整后的目标高铁铁路交叉并线区段场景中的每个基站的三维坐标信息和天线角度信息,通过校正后的射线跟踪仿真器,实现接收场强预测。
6.根据权利要求5所述的基于射线跟踪的高铁铁路交叉并线区段场强预测方法,其特征在于,所述多径信息包括复数电场、传播路径、传播时延以及与路径关联的结构体。
7.一种基于射线跟踪的高铁铁路交叉并线区段场强预测装置,其特征在于,包括:
获取模块,用于获取高铁铁路交叉并线区段场景的铁路信息和环境信息;
地图模块,用于基于所述铁路信息和所述环境信息,确定目标高铁铁路交叉并线区段场景的三维电子地图;
测量模块,用于测量目标高铁铁路交叉并线区段场景中每个位置测量点的三维坐标信息、每个位置测量点的接收场强实际值、每个基站的三维坐标信息以及天线角度信息;
场强预测模块,用于基于所述目标高铁铁路交叉并线区段场景的三维电子地图,通过射线跟踪仿真针对所述目标高铁铁路交叉并线区段场景中每个位置测量点进行场强预测,确定接收场强预测值;
校正模块,用于基于相同目标高铁铁路交叉并线区段场景下每个位置测量点的接收场强实际值,结合每个位置测量点的接收场强预测值,对射线跟踪仿真器进行校正;
调整模块,用于基于测量的目标高铁铁路交叉并线区段场景中每个位置测量点的三维坐标信息、每个基站的三维坐标信息以及天线角度信息,通过校正后的射线跟踪仿真器,调整目标高铁铁路交叉并线区段场景中的每个基站的三维坐标信息和天线角度信息,实现接收场强预测;
所述装置还包括:
获取模块,还用于获取目标高铁铁路交叉并线区段场景中结构体表面材料的电磁参数信息;
构建模块,用于构建目标高铁铁路交叉并线区段场景的三维场景模型;
识别模块,用于基于所述目标高铁铁路交叉并线区段场景的三维场景模型,识别所述三维场景模型中的结构体表面材质信息;
电磁模块,用于基于所述三维场景模型中的结构体表面材质信息和所述目标高铁铁路交叉并线区段场景中结构体表面材料的电磁参数信息,确定目标高铁铁路交叉并线区段场景中的结构体的电磁参数信息;
测量模块,还用于基于所述每个基站的三维坐标信息和所述目标高铁铁路交叉并线区段场景中的结构体的电磁参数信息,确定天线角度信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010208705.8A CN111416676B (zh) | 2020-03-23 | 2020-03-23 | 基于射线跟踪的高铁铁路交叉并线区段场强预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010208705.8A CN111416676B (zh) | 2020-03-23 | 2020-03-23 | 基于射线跟踪的高铁铁路交叉并线区段场强预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111416676A CN111416676A (zh) | 2020-07-14 |
CN111416676B true CN111416676B (zh) | 2021-01-29 |
Family
ID=71494491
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010208705.8A Active CN111416676B (zh) | 2020-03-23 | 2020-03-23 | 基于射线跟踪的高铁铁路交叉并线区段场强预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111416676B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114448474B (zh) * | 2020-11-05 | 2022-11-22 | 中国移动通信集团设计院有限公司 | 多天线信道矩阵预测方法、装置和电子设备 |
CN113938895B (zh) * | 2021-09-16 | 2023-09-05 | 中铁第四勘察设计院集团有限公司 | 铁路无线信号的预测方法、装置、电子设备及存储介质 |
CN113890832B (zh) * | 2021-10-26 | 2023-08-15 | 中国联合网络通信集团有限公司 | 一种基站仿真方法、装置及存储介质 |
CN114422061B (zh) * | 2022-03-31 | 2022-07-19 | 中铁第四勘察设计院集团有限公司 | 一种针对铁路环境下无线信号传播自适应预测方法 |
CN115065955B (zh) * | 2022-08-18 | 2022-12-13 | 中国铁建电气化局集团有限公司 | 高铁5g无线通信网络覆盖规划方法、装置、设备和介质 |
CN115550942A (zh) * | 2022-09-26 | 2022-12-30 | 中铁第四勘察设计院集团有限公司 | 一种快速铁路无线覆盖预测方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013119695A1 (en) * | 2012-02-06 | 2013-08-15 | Maxlinear, Inc. | Method and system for an internet protocol lnb supporting sensors |
CN103702338A (zh) * | 2013-12-24 | 2014-04-02 | 山东润谱通信工程有限公司 | 一种快速建立室内无线信号指纹数据库的方法 |
-
2020
- 2020-03-23 CN CN202010208705.8A patent/CN111416676B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013119695A1 (en) * | 2012-02-06 | 2013-08-15 | Maxlinear, Inc. | Method and system for an internet protocol lnb supporting sensors |
CN103702338A (zh) * | 2013-12-24 | 2014-04-02 | 山东润谱通信工程有限公司 | 一种快速建立室内无线信号指纹数据库的方法 |
Non-Patent Citations (2)
Title |
---|
Channel Modeling for Future High-Speed Railway;TAO ZHOU等;《IEEE ACCESS》;20190501;第52818-52826页 * |
轨道交通场景电波传播建模理论与方法研究;官科;《万方学位论文库》;20150629;第34-38、41-42页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111416676A (zh) | 2020-07-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111416676B (zh) | 基于射线跟踪的高铁铁路交叉并线区段场强预测方法 | |
Wang et al. | Finite-state Markov modeling for wireless channels in tunnel communication-based train control systems | |
CN101674523B (zh) | 利用移动通信网络获取道路信息的方法和系统 | |
CN108109423B (zh) | 基于WiFi室内定位的地下停车场智能导航方法及系统 | |
CN110933685B (zh) | 基于机器学习和射线跟踪的高铁网络覆盖预测方法及装置 | |
CN106507411A (zh) | 一种基于mr的lte工参自动核查方法 | |
Guan et al. | Empirical models for extra propagation loss of train stations on high-speed railway | |
CN106376007B (zh) | 一种基站覆盖性能定位方法及系统 | |
CN101247613B (zh) | 用于蜂窝网络的无线信号传播模型测试方法和系统 | |
CN101404801B (zh) | 获取干扰矩阵的方法 | |
CN102111770B (zh) | 一种邻区规划的方法及网络规划系统 | |
CN106872942A (zh) | 用于分布式多点定位监视系统的定位精度解算方法 | |
Lu et al. | Radio propagation measurements and modeling in railway viaduct area | |
CN114025372B (zh) | 基于mr数据的5g rsrp计算方法及系统 | |
CN108513306A (zh) | 基于测试大数据的网络覆盖预测方法 | |
Joo et al. | Measurement based V2V path loss analysis in urban NLOS scenarios | |
Soleimanifar et al. | A robust positioning architecture for construction resources localization using wireless sensor networks | |
CN114599040B (zh) | 基站位置确定方法、装置和电子设备 | |
Ding et al. | Study on the propagation scenario classification of the high-speed railway GSM-R system based on GIS | |
CN102571238B (zh) | Gsm-r网络接收信号强度动态测试算法 | |
Úbeda et al. | Evaluation of a time-delay based geolocation algorithm in real UMTS networks | |
CN105608890A (zh) | 一种基于手机信号数据的人员出行参数统计方法 | |
KR101161983B1 (ko) | 이동통신 단말기의 위치 정보를 산출하는 위치 관리 서버 및 그 산출 방법 | |
Tripkovic et al. | Measuring the Effects of AoA on Vehicle Penetration Loss in Cellular Networks | |
CN111432429B (zh) | 一种基于地图信息的无线信道模型匹配校正方法 |
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 |