一种铁路环境下机器类通信业务预测模型分类方法与流程

本发明属于铁路环境下机器类通信技术领域，具体涉及一种铁路环境下机器类通信业务预测模型分类方法。

背景技术：

我国铁路正迅速发展，截至2015年底，我国铁路营运里程已达12.1万公里，其中高速铁路1.9万公里，新建线路和高速铁路都覆盖车地无线通信系统GSM-R(GSM for Railway)；GSM-R系统实现了无缝覆盖的话音通信以及电路域列控信息的传输,目前GSM-R技术正在向着下一代铁路长期演进计划(Long Term Evolution for Railway,LTE-R)的方向发展。铁路环境下的机器类通信，可以在铁路专用移动通信系统(GSM-R/LTE-R)控制下允许邻近的终端(车载设备、室外地面设备和室内设备)在一定距离范围内使用蜂窝频谱资源通过直连链路进行数据传输的新型技术。

与空中接口技术一样，业务模型是无线通信系统设计的基础，需要在一定范围内满足一定数量无线终端运行一定类型的无线通信业务。

为评估铁路环境下机器类通信终端(Machine-type Communication,MTC)的入网性能，有必要建立铁路环境下机器类通信专属的业务模型，为蜂窝网络的优化设计提供解决思路，现有3GPP业务模型机器存在类终端数量低和网络影响业务模式的问题。

技术实现要素：

本发明的目的是提供一种铁路环境下机器类通信业务预测模型分类方法，克服了铁路特殊环境下机器类通信的运行复杂度和模型准确性上矛盾的问题。

为了实现上述目的，本发明采用的技术方案为：

一种铁路环境下机器类通信业务预测模型分类方法,所述方法包括以下步骤：

S1，预测状态初始化，并等待选择所述铁路环境下机器类通信业务预测场景；

S2，确定铁路环境下机器类通信场景，同时根据选择的环境计算转移矩阵，开始更新设备状态；

S3，产生满足泊松分布的随机到达设备，并在当前状态下产生随机数据包；

S4，如果随机到达的设备在产生随机数据包后进入下一状态，则在设备加一的基础上循环执行S1至S3步骤；

S5，如果随机到达的设备在产生随机数据包后没有进入下一状态，而是在进行下一时刻的计算，则在执行时间加一的基础上循环执行S1至S4步骤；

S6，在随机设备不再更新设备状态和数据包产生时间时，结束预测。

优选地，所述S1在初始化时设置两态间转移，并假定与中心不协同的设备不触发发送态；与中心协同的设备，在触发发送态后恢复到常规态。

本发明提供的一种铁路环境下机器类通信业务预测模型分类方法，具有以下有益效果：规避3GPP模型的局限，采用源模型方法，在协同数据源(双向链接)与多设备高复杂度间折衷；方法采用设备和时间双重迭代，迭代效率高，且符合铁路环境下机器类通信业务设备的空间-时间特性；设备的多态性分类，与铁路现场实际设备的工作状态更加吻合；正是基于以上特征，本发明提出的算法可以很好的应用于机器类通信，铁路物联网等工程技术领域。

附图说明

下面结合附图和具体实施例对本发明的技术方案进行详细的说明，以使本发明的特性和优点更为明显。

图1为本发明一种铁路环境下机器类通信业务预测模型分类方法的流程图；

图2(a)为本发明一种铁路环境下机器类通信业务预测模型分类方法在铁路站场环境下机器类通信设备启动态业务示意图；

图2(b)为本发明一种铁路环境下机器类通信业务预测模型分类方法在铁路站场环境下机器类通信设备常规态业务示意图；

图2(c)为本发明一种铁路环境下机器类通信业务预测模型分类方法在铁路站场环境下机器类通信设备发送态业务示意图；

图2(d)为本发明一种铁路环境下机器类通信业务预测模型分类方法在铁路站场环境下机器类通信设备静止态业务示意图；

图3(a)为本发明一种铁路环境下机器类通信业务预测模型分类方法在铁路区间环境下机器类通信设备启动态业务示意图；

图3(b)为本发明一种铁路环境下机器类通信业务预测模型分类方法在铁路区间环境下机器类通信设备常规态业务示意图；

图3(c)为本发明一种铁路环境下机器类通信业务预测模型分类方法在铁路区间环境下机器类通信设备发送态业务示意图；

图3(d)为本发明一种铁路环境下机器类通信业务预测模型分类方法在铁路区间环境下机器类通信设备静止态业务示意图；

具体实施方式

下面详细说明本发明的实施例。以下所述实施例是示例性的，旨在解释本发明，而不应理解为对本发明的限制。

针对铁路环境下为评估海量机器类通信终端的入网性能，而现有3GPP业务模型机器类终端数量低和网络影响业务模式的问题，本发明公开了一种铁路环境下基于马尔科夫调制泊松过程的机器类通信业务预测方法。该方法基于Poisson分布和马尔科夫更新过程设计了一种铁路环境下的马尔科夫调制泊松过程，旨在使其能与铁路车站环境和区间环境测量的数据业务物理量匹配。本发明考虑不同设备和数据持续时间，采用以后台过程Θ作为主体(中心)，单向处理所有MTC设备实体信息，将设备n和时间t进行两次迭代，进行通信业务预测，从而克服了铁路特殊环境下机器类通信的运行复杂度和模型准确性上矛盾的问题。

基于上述原理，本发明提供一种铁路环境下基于马尔科夫调制泊松过程的机器类通信业务预测方法，该方法在运行时，首先要选定铁路环境下机器类通信业务预测场景，然后产生随机到达的设备并产生随机数据包，再通过循环迭代实现业务模型预测，本发明的具体运行按如下步骤进行(参见图1)：

(1)预测状态初始化，并等待选择铁路环境下机器类通信业务预测场景；

(2)确定铁路环境下机器类通信场景，并根据选择的环境计算转移矩阵，并开始更新设备状态；

(3)产生满足泊松分布的随机到达设备，并在当前状态下产生随机数据包；

(4)如果随机到达的设备在产生随机数据包后进入下一状态，则在设备加一的基础上循环执行(1)至(3)步骤；

(5)如果随机到达的设备在产生随机数据包后没有进入下一状态，而是在进行下一时刻的计算，则在执行时间加一的基础上循环执行(1)至(4)步骤。

(6)在随机设备不再更新设备状态和数据包产生时间时，结束预测。

实施例1：

预测状态初始化，设定t＝0,n＝0。确定车站室外模型，铁路车站室外设备主要包括信号机、转辙设备、应答器和轨道电路室外设备等类型的设备，也都属于基本不具有移动性的设备。根据站场布局，上下行咽喉区可由两个基站分别覆盖，假设基站覆盖防伪内的设备均匀分布，共存在K类铁路机器类通信终端，第i类终端个数为N_i个，传输周期为T_i，数据量为D_i，当预设的系统中断概率和资源分配策略与车站室内模型相同时。假定一次进路中所涉及的信号机状态信息、应答器数据传输、转辙机定/反位等信息持续时间为t，且室外终端向基站请求无线资源并进行直接通信时，基站将收到突发数据大小为：

收到的第i类铁路机器类通信终端突发数据量为：D_TiO＝min(N_i,M)×D_i，持续时间t内，基站收到的第i类铁路机器类通信终端的总数据量为：如果将K类铁路机器类通信终端数据总量相加，可得基站在观测时间t内接收的数据总量为：当第i类室外设备终端为获取无线通信资源和完成数据传输所需的平均控制开销为S_TOi，则信令总开销可表示为：

设后台过程Θ产生随机采样全局参数θ[t]，δ_n代表每个设备与中心的亲密程度；P_C代表与中心(后台过程)协同通信的设备转移矩阵；P_U代表与中心(后台过程)非协同通信的设备转移矩阵；θ_n[t]＝δ_n·θ[t]代表设备行为与中心的协调程度，越接近0，越不协同。则设备n在时刻t的状态转移矩阵为：P_n[t]＝θ_n[t]·P_C+(1-θ_n[t])·P_U，其中，将铁路机器类通信设备模型的状态增加为4态：启动态、常规态、发送态和静止态。其中，启动态指每个铁路设备都企图发送消息；常规态指设备产生稀疏的不相关的数据业务；发送态指迫使产生冲突的设备改变状态，而其他设备保持在常规态；静止态指产生业务冲突的设备停止数据传送。

在模拟站场环境下，设置区域为1000m*1000m，运行设备1000个，时间60s，依据本发明提供的方法产生满足泊松分布的随机到达设备，并在当前状态下产生随机数据包，并将设备n和时间t的两次迭代，可得铁路车站室外环境下机器类通信设备的启动态通信业务预测示意图如图2(a)所示，铁路车站室外环境下机器类通信设备的常规态通信业务预测示意图如图2(b)，铁路车站室外环境下机器类通信设备的发送态通信业务预测示意图如图2(c)所示，铁路车站室外环境下机器类通信设备的静止态通信业务预测示意图如图2(d)所示。

实施例2：

预测状态初始化，设定t＝0,n＝0。确定铁路区间场景模型，在铁路环境下高速移动的列车具有固定的运动轨迹，如图1所示。当MTC终端(即车载设备作为MTC终端)与这类运动物体捆绑时，也将遵循同样的运动轨迹，并且具有移动速度快、动作范围大的特点。当基站沿铁路线路呈线装覆盖时，覆盖有效半径为R_S，当小规模数据传输周期为T_S，数据量为D_S。当第i列车以速度v_i沿钢轨直线穿越基站有效通信范围，则该终端不考虑切换的情况下有效驻留时间为：T_Si＝2R_Scosθ_i/v_i，第i个MTC终端所传递的数据量可表示为：设在持续时间t内共有N(t)列车穿越该基站覆盖的小区，根据铁路运输安全需要，基站会保证通过列车的有效接入，即N(t)<M_I。当列车到达时间服从泊松分布，则在持续时间t内，N(t)＝λt，则有：其中，λ为列车平均到达率，min(t,T_Si)表示在持续时间t内列车已经离开当前小区，相应的信令开销为：设后台过程Θ产生随机采样全局参数θ[t]，δ_n代表每个设备与中心的亲密程度；P_C代表与中心(后台过程)协同通信的设备转移矩阵；P_U代表与中心(后台过程)非协同通信的设备转移矩阵；θ_n[t]＝δ_n·θ[t]代表设备行为与中心的协调程度，越接近0，越不协同。则设备n在时刻t的状态转移矩阵为：P_n[t]＝θ_n[t]·P_C+(1-θ_n[t])·P_U，其中，将铁路机器类通信设备模型的状态增加为4态：启动态、常规态、发送态和静止态。其中，启动态指每个铁路设备都企图发送消息；常规态指设备产生稀疏的不相关的数据业务；发送态指迫使产生冲突的设备改变状态，而其他设备保持在常规态；静止态指产生业务冲突的设备停止数据传送。

在模拟铁路区间复线场景下，设置区域为1000m*10m，运行设备10个，时间60s，依据本发明提供的方法产生满足泊松分布的随机到达设备，并在当前状态下产生随机数据包，并将设备n和时间t的两次迭代，可得铁路区间复线场景环境下机器类通信设备的启动态通信业务预测示意图如图3(a)所示，铁路区间复线场景环境下机器类通信设备的常规态通信业务预测示意图如图3(b)，铁路区间复线场景环境下机器类通信设备的发送态通信业务预测示意图如图3(c)所示，铁路区间复线场景环境下机器类通信设备的静止态通信业务预测示意图如图3(d)所示。

本发明提供的一种铁路环境下机器类通信业务预测模型分类方法，具有以下有益效果：规避3GPP模型的局限，采用源模型方法，在协同数据源(双向链接)与多设备高复杂度间折衷；方法采用设备和时间双重迭代，迭代效率高，且符合铁路环境下机器类通信业务设备的空间-时间特性；设备的多态性分类，与铁路现场实际设备的工作状态更加吻合；正是基于以上特征，本发明提出的算法可以很好的应用于机器类通信，铁路物联网等工程技术领域。

最后应当说明的是：本发明并不仅限于上述实施方式，任何针对本发明的具体实施方式进行的未脱离本发明精神和范围的修改或者等同替换均在本发明申请待批的权利要求保护范围之内。