CN111564037B - 一种面向轨道交通的数据计算方法 - Google Patents

Abstract

本发明公开了一种面向轨道交通的数据计算方法，包括：车载边缘服务器向基站边缘服务器发送数据请求；车载边缘服务器采用切换优化算法进行与基站边缘服务器的切换连接；其中，切换优化算法具体包括：利用神经网络建模算法构建切换参数预测模型、动态调整模型以及切换失败检测模型，车载边缘服务器根据切换参数预测模型、动态调整模型以及切换失败检测模型进行与基站边缘服务器的切换连接。本发明采用切换优化算法，保证列车与基站的快速、稳定切换，提高列车与基站之间的通信质量。

Description

一种面向轨道交通的数据计算方法

技术领域

本发明涉及边缘计算技术领域，尤其是涉及一种面向轨道交通的数据计算方法。

背景技术

轨道交通数据无线传输系统，可以将终端数据信息通过位于轨道交通周边的通信基站(3G、4G、5G、WiFi等)构成的无线传输网络，传送至地面指控系统。地面指控系统根据采集、传输得到的数据进行分析、加工、处理，用于完成工作安排、调度、故障排查、业务变更等操作。

目前轨道交通数据计算存在的主要问题是：随着轨道交通的飞速发展，特别是以高铁为代表的列车运行速度的提升，无线传输系统的通信质量受到严峻挑战，时速两三百公里的车速带来了多径现象、多普勒效应、车体损耗、基站频繁切换等问题，导致通信质量下降。

发明内容

本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明提出一种面向轨道交通的数据计算方法，能够保证列车与基站的快速、稳定切换。

本发明的一个实施例提供了一种面向轨道交通的数据计算方法，应用于轨道交通系统，所述轨道交通系统包括车载边缘服务器和基站边缘服务器，所述车载边缘服务器和所述基站边缘服务器连接，所述方法包括以下步骤：

所述车载边缘服务器向所述基站边缘服务器发送数据请求；

所述车载边缘服务器采用切换优化算法进行与所述基站边缘服务器的切换连接；

其中，所述切换优化算法具体包括：

利用神经网络建模算法构建切换参数预测模型、动态调整模型以及切换失败检测模型，所述切换参数预测模型用于计算切换参数与切换成功率之间的关系，所述动态调整模型用于调整切换参数，所述切换失败检测模型用于检测切换失败；

所述车载边缘服务器根据所述切换参数预测模型、所述动态调整模型以及所述切换失败检测模型进行与所述基站边缘服务器的切换连接。

本发明实施例的面向轨道交通的数据计算方法，至少具有如下有益效果：

通过采用切换优化算法，具体为利用神经网络建模算法构建切换参数预测模型、动态调整模型以及切换失败检测模型，列车根据切换参数预测模型、动态调整模型以及切换失败检测模型进行与基站的切换连接，保证列车与基站的快速、稳定切换，提高通信质量。

根据本发明的另一些实施例的面向轨道交通的数据计算方法，所述步骤车载边缘服务器向基站边缘服务器发送数据请求之前，还包括步骤：

所述车载边缘服务器对所述数据请求进行查询，若已存在对应的内容，则将对应的内容返回；若不存在对应的内容，则向所述基站边缘服务器发送数据请求。

根据本发明的另一些实施例的面向轨道交通的数据计算方法，所述车载边缘服务器对所述数据请求进行压缩后发送至所述基站边缘服务器。

根据本发明的另一些实施例的面向轨道交通的数据计算方法，还包括步骤：

所述基站边缘服务器向核心网发送所述数据请求，并将核心网返回的内容压缩后发送至所述车载边缘服务器。

根据本发明的另一些实施例的面向轨道交通的数据计算方法，所述步骤车载边缘服务器向基站边缘服务器发送数据请求，包括：

所述车载边缘服务器将相同的所述数据请求合并后发送至所述基站边缘服务器。

根据本发明的另一些实施例的面向轨道交通的数据计算方法，还包括步骤：

所述基站边缘服务器接收到所述数据请求后，利用频率偏移校正算法对所述数据请求进行校正。

根据本发明的另一些实施例的面向轨道交通的数据计算方法，还包括步骤：

所述车载边缘服务器选择最优的传输通路与所述基站边缘服务器建立连接，其具体包括：

基于强化学习算法，计算所有传输通路的状态指标并依次设定各个传输通路的拥塞窗口参数，以确定最优的传输通路。

根据本发明的另一些实施例的面向轨道交通的数据计算方法，所述状态指标包括：带宽、丢包率、往返时间延迟、基站切换时间。

根据本发明的另一些实施例的面向轨道交通的数据计算方法，所述车载边缘服务器包括多个远端射频模块。

附图说明

图1是本发明实施例中面向轨道交通的数据计算方法的流程示意图。

具体实施方式

以下将结合实施例对本发明的构思及产生的技术效果进行清楚、完整地描述，以充分地理解本发明的目的、特征和效果。显然，所描述的实施例只是本发明的一部分实施例，而不是全部实施例，基于本发明的实施例，本领域的技术人员在不付出创造性劳动的前提下所获得的其他实施例，均属于本发明保护的范围。

在本发明的描述中，如果涉及到方位描述，例如“上”、“下”、“前”、“后”、“左”、“右”等指示的方位或位置关系为基于附图所示的方位或位置关系，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。如果某一特征被称为“设置”、“固定”、“连接”、“安装”在另一个特征，它可以直接设置、固定、连接在另一个特征上，也可以间接地设置、固定、连接、安装在另一个特征上。

在本发明实施例的描述中，如果涉及到“若干”，其含义是一个以上，如果涉及到“多个”，其含义是两个以上，如果涉及到“大于”、“小于”、“超过”，均应理解为不包括本数，如果涉及到“以上”、“以下”、“以内”，均应理解为包括本数。如果涉及到“第一”、“第二”，应当理解为用于区分技术特征，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。

本发明实施例中的一种面向轨道交通的数据计算方法，应用于轨道交通系统，轨道交通系统包括车载边缘服务器和基站边缘服务器，车载边缘服务器和基站边缘服务器无线连接，车载边缘服务器可以是设置在移动的列车上的服务器，基站边缘服务器可以是设置在基站的服务器。

本发明的基本构思为：利用边缘计算技术，基于5G架构将基站与互联网相融合，利用无线接入网，就近将云计算的计算能力下沉到基站，分别在高铁车厢和沿途基站部署边缘服务器。高铁车厢内的网络请求通过车载边缘服务器与基站边缘服务器进行通信，基站边缘服务器与互联网进行通信，完成网络服务的访问。

如图1所示，上述方法包括以下步骤：

车载边缘服务器向基站边缘服务器发送数据请求；

车载边缘服务器采用切换优化算法进行与基站边缘服务器的切换连接。

其中，切换优化算法具体包括：

利用神经网络建模算法构建切换参数预测模型、动态调整模型以及切换失败检测模型，切换参数预测模型用于计算切换参数与切换成功率之间的关系，动态调整模型用于调整切换参数，切换失败检测模型用于检测切换失败；

车载边缘服务器根据切换参数预测模型、动态调整模型以及切换失败检测模型进行与基站边缘服务器的切换连接。

切换是指：用户终端(UE)与基站(eNodeB)通信过程中，由于UE与原eNodeB的位置远离，导致原eNodeB1无法满足UE对通信质量的要求，需要快速、可靠接入具有高信号强度的新eNodeB2的过程。切换可以满足UE在物理位置发生改变时连接不中断的通信目标。

列车在行驶过程中会与轨道周边的基站进行通信，由于列车速度较快，与某一个基站通信过程中，列车已经运动到下一个基站覆盖的范围，因此涉及切换到下一个基站进行继续通信。列车速度越快，这种切换越频繁，这是带来通信不稳定的根源。与基站建立稳定连接是需要通信握手过程的，切换越频繁意味着大部分时间都消耗在了与新基站进行握手的过程中。基于上述原理，本实施例提供了切换优化算法，利用神经网络建模算法构建切换参数预测模型、动态调整模型以及切换失败检测模型。

可以理解的是，高速列车通信切换的成功与否，与切换参数的设置有着密切关系，切换参数的恰当程度直接导致切换效率的高低，例如过高的延迟门限、触发时间，将会导致UE已经远离原基站的覆盖范围，信号已经无法满足正常通信情况时，仍然未切换，称为切换过晚。而过低的延迟门限和触发时间设置，会导致原基站通信质量不足以满足通信需求而产生通信链路阻塞，称为切换过早。切换过早和过晚都会影响通信链路的合理有效利用。通过神经网络建模算法构建切换参数预测模型，具体为构建切换参数与切换成功率之间的关系，提升参数预测模型的预测准确率，从而确定最佳切换参数。常用的切换参数包括：列车速度、延迟门限、触发时间、带宽、丢包率、往返延迟时间等。

切换失败检测模型用于检测切换失败，一旦发生切换失败，及时提出告警，提醒车载边缘服务器进行通路切换。检测的参数主要是当前网络状态参数，包括带宽、丢包率、往返延迟时间等。一旦发生切换失败，将会提示重新分配传输通路，减小阻塞通路的时间窗口参数，增加畅通通路的时间窗口参数。并启动动态调整模型进行参数调整。

动态调整模型用于调整切换参数，这里的动态是指动态调整模型本身的模型结构和参数不是预先设定好，而是会随着时间推移具有自动调整的能力。模型结构和参数的调整是动态进行的，是根据输入和输出的不同而动态变化的。动态调整模型的输入是当前的切换参数，包括：列车速度、延迟门限、触发时间、带宽、丢包率、往返延迟时间等，输出是当前切换是否成功。动态调整模型与切换失败检测模型配合使用，用于优化切换参数的实际取值。具体配合过程如下：1、切换失败检测模型如果检测到切换失败，启动动态调整模型，将此时的切换参数作为输入，将切换失败作为期望输出，进行切换预测，如果预测结果与期望输出一致，将不对动态模型进行动态调整，保持目前动态模型的模型结构和参数，并对切换参数进行逐维度随机调整，直到动态调整模型的实际输出为切换成功。如果预测结果与期望输出不一致，将对动态模型的模型结构和参数进行调整，也即模型训练，确定新的模型结构和参数；2、切换失败检测模型如果检测到切换成功，启动动态调整模型，将此时的切换参数作为输入，将切换成功作为期望输出，将对动态模型的模型结构和参数进行调整，也即模型训练，确定新的模型结构和参数。这两个过程的主要区别是：根据切换检测模型的输出进行切换参数调整或动态调整模型的模型结构和参数进行调整。

动态调整模型的主要功能是：1、对切换参数当前的取值是否合适进行验证，验证是否能够切换成功，如果切换不成功，将对切换参数进行调整；2、自身迭代优化动态调整模型的模型结构和参数，使之能够更好的验证模型参数。

结合上述，切换参数预测模型能够对切换参数进行调整，动态调整模型也能够对切换参数进行调整，起到了双保险作用。同时，动态调整模型能够对自身进行模型迭代，以便得到更好的更准确的模型。

列车上的车载边缘服务器根据上述的切换参数预测模型、动态调整模型以及切换失败检测模型，进行与基站边缘服务器的切换连接，从而保证列车与基站的快速、稳定、正常切换，提高列车与基站之间的通信质量。

进一步地，车载边缘服务器向基站边缘服务器发送数据请求之前，还包括步骤：

车载边缘服务器对数据请求进行查询，若已存在对应的内容，则将对应的内容返回；若不存在对应的内容，则向基站边缘服务器发送数据请求。

具体地，车载边缘服务器有静态内容缓存，当列车或乘客发送数据请求时，首先会在车载边缘服务器进行内容查找。如果已缓存对应的内容，则进行本地化处理，直接通过车载边缘服务器进行内容返回。如果没有缓存对应的内容，则由车载边缘服务器向基站边缘服务器进行内容请求。

进一步地，为了节省通路资源和传输时间，车载边缘服务器可对数据请求进行压缩后发送至基站边缘服务器。

进一步地，基站边缘服务器接收数据请求后，向核心网发送数据请求，并将核心网返回的内容压缩后发送至车载边缘服务器。对应地，车载边缘服务器收到返回的内容后进行解压缩。核心网可以是后台服务器。

进一步地，车载边缘服务器向基站边缘服务器发送数据请求时，将相同的数据请求合并后发送至基站边缘服务器，降低无线带宽的占用率。当基站边缘服务器收到多个重复请求时，也只响应一次。

进一步地，基站边缘服务器接收到数据请求后，还利用频率偏移校正算法对数据请求进行校正，提升基带解调性能。通常，基带的频偏补偿算法能够实现正负1800赫兹的频偏补偿，有效改善无线链路的稳定性和可靠性。常用算法为AFC(Automatic FrequencyCorrection，自动频率校正)。

进一步地，车载边缘服务器在发送数据请求时，选择最优的传输通路与基站边缘服务器建立连接，其具体包括：

基于强化学习算法，计算所有传输通路的状态指标并依次设定各个传输通路的拥塞窗口参数，以确定下一时刻最优的传输通路。

本实施例中，状态指标包括：带宽、丢包率、往返时间延迟、基站切换时间。具体地，强化学习算法运行在车载边缘服务器中，用于计算各个传输通路当中最适合当前传输的通路，通常根据Q-value值来选择。强化学习算法将所有传输通路的带宽、丢包率、往返时间延迟(RTT)、基站切换时间等状态指标都包含进来参与运算，1、根据当前获取到的各个传输通路的状态指标，比如各个传输通路的带宽、丢包率、往返时间延迟(RTT)、基站切换时间，将这些状态指标经过强化学习，计算每个传输通路的Q-value值；2、根据Q-value值设置各个传输通路发送数据请求时的拥塞时间窗口长度；3、根据拥塞时间窗口长度排序，按照从小到大的顺序选择传输通路依次进行数据发送，然后收集各个传输通路的新的状态指标(带宽、丢包率、往返时间延迟(RTT)、基站切换时间)的更新值；4、再计算每个传输通路新的Q-value值，从而确定新一轮的最优的传输通路。

举例说明：传输通路A和传输通路B是通过多路传输控制协议建立的子数据流通道，当传输通路A出现切换失败时，传输通路B依然保持通信正常。此时，传统TCP控制协议将会丢弃传输通路A的数据包，并发起重新建立连接请求。基于强化学习算法，不仅将会发起重新建立连接请求，同时将会冻结传输通路A的数据包，改由传输通路B进行数据包的传输。这种做法的优点是不仅节省了切换时间，同时保障了数据传输的无缝连接，使得上层应用层不受底层数据传输重启的影响。

进一步地，车载边缘服务器包括多个RRU(远端射频模块)。将多个RRU设置为同一逻辑小区(逻辑小区是指一个完整的发射和接收台)，并发射相同信号，提高逻辑小区的覆盖距离，增加基站听到的可能性。

上面结合附图对本发明实施例作了详细说明，但是本发明不限于上述实施例，在所述技术领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下做出各种变化。此外，在不冲突的情况下，本发明的实施例及实施例中的特征可以相互组合。

Claims (9)

1.一种面向轨道交通的数据计算方法，其特征在于，应用于轨道交通系统，所述轨道交通系统包括车载边缘服务器和基站边缘服务器，所述车载边缘服务器和所述基站边缘服务器连接，所述方法包括以下步骤：

所述车载边缘服务器向所述基站边缘服务器发送数据请求；

所述车载边缘服务器采用切换优化算法进行与所述基站边缘服务器的切换连接；

其中，所述切换优化算法具体包括：

利用神经网络建模算法构建切换参数预测模型、动态调整模型以及切换失败检测模型，所述切换参数预测模型用于计算切换参数与切换成功率之间的关系，所述动态调整模型用于调整切换参数，所述切换失败检测模型用于检测切换失败；

所述车载边缘服务器根据所述切换参数预测模型、所述动态调整模型以及所述切换失败检测模型进行与所述基站边缘服务器的切换连接；

所述动态调整模型和所述切换失败检测模型相互配合，用于调整切换参数，配合过程包括以下步骤：

若所述切换失败检测模型的检测结果为切换失败，则将当前切换参数输入至所述动态调整模型得到预测结果，并将切换失败作为所述动态调整模型的期望输出，若预测结果与期望输出一致，则保持所述动态调整模型的模型结构和模型参数不变，并对切换参数进行逐维度随机调整，直至所述动态调整模型的预测结果为切换成功，若预测结果与期望输出不一致，则通过模型训练对所述动态调整模型的模型结构和模型参数进行调整；

若所述切换失败检测模型的检测结果为切换成功，则将当前切换参数输入至所述动态调整模型，将切换成功作为所述动态调整模型的期望输出，通过模型训练对所述动态调整模型的模型结构和模型参数进行调整。

2.根据权利要求1所述的一种面向轨道交通的数据计算方法，其特征在于，所述步骤车载边缘服务器向基站边缘服务器发送数据请求之前，还包括步骤：

所述车载边缘服务器对所述数据请求进行查询，若已存在对应的内容，则将对应的内容返回；若不存在对应的内容，则向所述基站边缘服务器发送数据请求。

3.根据权利要求2所述的一种面向轨道交通的数据计算方法，其特征在于，所述车载边缘服务器对所述数据请求进行压缩后发送至所述基站边缘服务器。

4.根据权利要求3所述的一种面向轨道交通的数据计算方法，其特征在于，还包括步骤：

所述基站边缘服务器向核心网发送所述数据请求，并将核心网返回的内容压缩后发送至所述车载边缘服务器。

5.根据权利要求4所述的一种面向轨道交通的数据计算方法，其特征在于，所述步骤车载边缘服务器向基站边缘服务器发送数据请求，包括：

所述车载边缘服务器将相同的所述数据请求合并后发送至所述基站边缘服务器。

6.根据权利要求5所述的一种面向轨道交通的数据计算方法，其特征在于，还包括步骤：

所述基站边缘服务器接收到所述数据请求后，利用频率偏移校正算法对所述数据请求进行校正。

7.根据权利要求6所述的一种面向轨道交通的数据计算方法，其特征在于，还包括步骤：

所述车载边缘服务器选择最优的传输通路与所述基站边缘服务器建立连接，其具体包括：

基于强化学习算法，计算所有传输通路的状态指标并依次设定各个传输通路的拥塞窗口参数，以确定最优的传输通路。

8.根据权利要求7所述的一种面向轨道交通的数据计算方法，其特征在于，所述状态指标包括：带宽、丢包率、往返时间延迟、基站切换时间。

9.根据权利要求1至8任一项所述的一种面向轨道交通的数据计算方法，其特征在于，所述车载边缘服务器包括多个远端射频模块。

Images