车-地通信场景的一种混合建模方法研究

胡晓辉，王振强，陈 永

HU Xiaohui,WANG Zhenqiang,CHEN Yong

兰州交通大学 电子与信息工程学院，兰州730070

School of Electronic&Information Engineering,Lanzhou Jiaotong University,Lanzhou 730070,China

1 引言

中国列车运行控制系统（Chinese Train Control System，CTCS）的建模与分析是铁路智能运输系统研究的核心问题之一[1]。随着列车运行等级的不断提升和列车运行速度的不断提高，建立高可信的无线通信网络和列车分布式实时监控系统的必要性和迫切性也越来越突出。MAS（Multi-Agent System）[2]技术作为人工智能非常重要的一个研究领域，已成为研究列车运行调度的重要手段之一。国内已有众多学者对其进行研究，研究结果充分说明MAS 技术在列控系统应用中的可行性[3-4]。但其均是采用Agent 理论来进行抽象描述，并没有给出具体的建模研究方式。

图1 列车等级转换场景

本文运用Agent 理论和层次着色Petri 网混合建模方式，对车-地通信场景进行研究。抽象出车-地通信场景的MAS 模型，分析了场景内车-地主体的推理过程，并使用CPN Tools 工具采用层次化结构方法建立了HCPN（Hierarchical Colored Petri Net）[5]模型，使车-地通信细节和车-地主体内部推理流程等可视化，以便于发现其他抽象研究过程中所不能发现的问题。最后通过模型状态空间报告对场景模型的性能进行了分析，并通过对场景模型进行多次模拟仿真分析了车-地通信场景中在不同故障率和重发间隔情况下，非周期消息对控车实时性能的影响。

2 车-地通信场景

CTCS-3级铁路列控系统是基于无线通信网络GSM-R（GSM for Railway）的列车运行控制系统，采用准移动闭塞方式，无线闭塞中心RBC（Radio Blocking Center）是CTCS-3 级列控系统的关键设备，RBC 通过GSM-R 网络与列控车载设备进行连续双向的信息交互，有效提高了列车的运营效率。图1 为CTCS-3 列控系统列车等级转换场景[6]示意图，地面设备通过GSM-R 网络与列车进行信息交互并引导列车完成从CTCS-2 级到CTCS-3 级控车系统的转换。

3 车-地通信场景的MAS 抽象模型

3.1 MAS 抽象模型

基于车-地通信场景的MAS系统主要由三部分组成：列车Agent、道旁设备Agent 和其通信环境GSM-R 网络。道旁设备Agent通过GSM-R 网络接收到列车Agent发出的信号，对信号数据进行分析、决策和推理，生成列车运行图，然后将移动授权MA（Movement Authority）发送给列车Agent，实现列车群的统一控制和管理。列车Agent 收到道旁设备Agent 发送的移动授权MA 信息后控制其以合理的速度运行。这样可以保障列车间的安全距离间隔，提高铁路线路的运输能力。

图2 车-地通信场景的MAS 模型

3.2 车-地主体Agent设计

Agent的信念-愿望-意图（Beliefs-Desires-Intentions，BDI）[7-9]范例是近年来计算机学术界广泛研究的一种智能Agent 结构。在BDI 结构基础上，定义一种扩展性的、具有处理复杂事件能力的Agent，使其满足解决当前问题的需求。

定义：Agent：：={Aid，B，D，I，K，Sensor，Effector，see，exe，Update，Filter，Event，Act}。

Aid 是车-地主体Agent 的唯一标识，每辆列车或每个RBC 都有其唯一标识。Sensor 表示感知器，Effector表示效应器，see 表示感知消息的过程，exe 表示对环境发生作用的过程，Update、Filter、Event 和Act 分别表示车-地主体Agent 的信念目标更新函数、意图过滤函数、子事件生成函数和行为动作函数。

B（信念）：列车当前运行速度、运行等级、所处路段以及正在与其通信的RBC 信息等，都可视为列车Agent的信念。

D（目标）：如列车Agent 希望与RBC Agent 进行通信会晤，或列车Agent 希望从RBC Agent 得到列车行车许可MA 等，都属于列车的目标状态。

I（意图）：如果一辆列车希望从CTCS-2 提升为CTCS-3，它首先根据自身的信念状态判断当前环境是否满足等级转换的条件，如果条件满足，列车会产生等级转换的意图，通过一系列的推理来产生一组动作序列，并通过逐步执行所产生的动作序列来实现此意图。

车-地主体Agent内部推理过程：

（1）列车Agent 通过感知器Sensor 和感知函数see从外部环境GSM-R 获得道旁设备Agent 发送过来的信息，如MA。

（2）知识库对获取到的MA 信息进行识别和分析。

（3）通过Update 函数对当前信念集中列车MA 信息进行更新，并调整当前目标，如提速或降速等。

（4）通过规则推理分析当前运行状态是否满足提速或降速条件。

（5）通过过滤函数Filter 将满足实现条件的目标转化为意图。

（6）若当前处理事件包含子目标需要经列车做进一步处理，转（7）；否则，转（8）。

（7）通过Event函数把当前子目标转化为新事件，并根据知识库所存储知识更新信念集和当前目标，转（4）。

（8）通过Act 函数将当前提速或降速意图传递给效应器Effector，并进行变速操作。

（9）效应器Effector通过执行函数exe将当前速度信息发送到外部环境GSM-R 中。

4 HCPN 建模仿真

为了保证模型的实际应用，需要对车-地通信场景的MAS 模型进行足够详细的设计。场景中车-地主体Agent 内部推理关系非常复杂，为了清楚地表示车-地主体内部推理规则，同时能够降低整个车-地通信场景模型建立的复杂性，需要采取一些相关技术。

降低系统模型复杂性的一个重要方法是，对系统采用自上而下的分层模型化技术[10-11]。高层模型表示整个系统的复杂功能，这些复杂功能与变迁相关联，每个低层模型详细表示其上层模型的一个具体的复杂功能，这种自上而下的分层模型化能持续下去直到足够简单的功能级。这种建模方式易于理解，能降低复杂工程系统的认识复杂度，并由于对下层的修改不影响上层的模型，有较好的可重用性和可修改性。车-地通信场景MAS 层次结构设计如图3 所示。

层次着色Petri 网（HCPN）是一种具有层次性结构的高级Petri网，高层次的网可以从广义上定义正在建模的系统的全貌，然后利用高层网中的置换变迁，将其关联到更为详细的页面（子页）中去，从而可以逐步地、越来越细化地建立整个系统的模型。

图3 车-地通信场景层次性MAS 结构

图4 车-地通信顶层模型

图4 为车-地通信场景层次性MAS 中顶层通信模型，Train Agent 和RBC Agent 通过无线通信网络GSM-R 进行交互通信，在此，Train、RBC 和GSM-R 网络均采用具有扩展子页功能的置换变迁表示。在无线通信过程中，GSM-R 网络经常会产生突发降质、越区切换和链路中断三种故障，导致通信失败[12]，此时置换变迁GSM-R 会将托肯值传送至Up 或Down 库所。

图5 车-地主体Agent内部设计

图6 TBel子页

图5 为车-地通信场景层次性MAS 中车-地主体Agent 中层BDI 交互模型结构，车-地主体Agent 通过感知库所TB 从通信网络GSM-R 中获取到信息，经由信息识别变迁GetMsg 挑选出对自己有用的信息，放入事件库所Event形成待处理事件，Agent每次从事件库所中挑选出一个事件送入知识库TKnowlege 进行进一步处理，在知识库TKnowlege中首先把事件送入案例库TStrategy1中进行比对，挑选出适合此事件的处理方案，生成新的目标和信念状态，通过库所UpdateB 和UpdateG 对当前的信念集TBel和目标集TGoal进行更新，并生成新的愿望和信念状态。Agent 在规则库TRule1 中判断当前信念状态是否满足当前愿望的执行，如果满足则产生实现当前愿望的计划Plan 并在意图集TIntention 中生成相应的意图。如果当前意图是向外部环境执行动作的话，通过Effector 执行相应的动作；如果是子事件的话，则把它放到事件库所Event中等待进一步处理。

车-地通信场景层次性MAS 结构中，车-地主体Agent 的BDI 底层详细设计模型子页TBel、TKnowlege、TGoal和TIntention 如图6、图7、图8 和图9 所示。

5 模型状态空间仿真分析

图7 TKnowlege 子页

Petri网以研究模型系统的组织结构和动态行为为目标，着眼于系统中可能发生的各种状态变化以及变化之间的关系，易于表示系统变化发生的条件及变化发生后的系统状态，状态之间的变化称为状态空间[13]。车-地通信场景HCPN 模型状态空间分析报告[14]如图10 所示，从图中可以得到车-地通信场景模型的回归性（Home）、活性（Liveness）以及公平性（Fairness）。

图8 TGoal子页

图9 TIntention 子页

图10 车-地通信场景的HCPN 模型状态空间报告

通过分析报告可知：车-地通信场景模型中不存在回归性标志状态，即无论之前发生了什么情况，通信场景状态总能够从某些前驱状态到达；车-地通信场景模型不会出现任何无使能变迁存在的状态，即此场景模型是永远具有活性的；车-地通信场景模型不存在无限事件序列，也不存在能够达成无限次触发的变迁，也就是说，任何车-地主体在做出一个动作之前，场景中其他动作的发生次数都是有限的，也即这个场景是公平的。由此可知基于MAS 的车-地通信场景模型是一个无死锁、事件触发设计合理的机制。

列车等级转换场景中列车与RBC 连接时车载设备从开始呼叫到与RBC 建立连接的时间应<8.5 s（95%），=10 s（100%）；时间>10 s 应被认为建立连接失败[15]。列车所发送的请求与RBC 建立连接的消息为非周期性消息，数据的传输时间0 ＜ttransfer＜0.5 s，数据在传输过程中受到的干扰时间0 ＜tdisturb＜1 s[16]。在车-地无线通信过程中，GSM-R 经常会产生突发降质、越区切换和链路中断三种故障，导致通信中断，数据包丢失。在此，对不同丢包率情况下，非周期消息发送间隔与连接成功率之间的关系进行研究。

车-地通信场景HCPN 模型的验证采用CPN Tool工具3.4.0 版本在Window7 操作系统中进行仿真分析。为消除单次实验出现的误差，对所建立的车-地通信场景模型进行10 次独立的仿真实验，每次发送10 000 组数据包，观察在8.5 s 和10 s 两种时间限定条件下，四种不同丢包率（1%，3%，5%和10%）和不同重发时间间隔对数据包传输成功数量的影响，实验仿真结果如图11和图12 所示。

图11 8.5 s内不同条件下数据包传输成功数量对比图

图12 10 s内不同条件下数据包传输成功数量对比图

通过仿真实验发现，在规定时间内，丢包率越小，能够成功建立连接的数据包数量越大，且在四种丢包率情况下，数据包能够最大数量地建立连接均发生在3～3.5 s之间。因此，为了保证无线传输实时性能，把重发时间间隔设置在3～3.5 s之间较为合理。

6 结论

在铁路信号的高速发展趋势和我国铁路提速的背景下，实现对列车运营场景的性能分析和研究具有十分重要的意义。本文以CTCS-3 级列控系统车-地通信场景为研究对象，采用Agent 和HCPN 混合建模方法进行研究分析，克服了单纯抽象Agent 理论研究与实践分离的问题。根据Agent理论将车-地通信场景抽象为MAS，并使用具有层次建模结构的HCPN 对MAS 整体行为、车-地主体Agent 推理流程和车-地通信过程建立了可视化模型。根据模型状态空间报告对车-地通信场景模型进行了分析，分析结果表明模型是一个无死锁、事件触发设计合理的机制，最后对车-地通信场景中的非周期消息传输性能进行了仿真分析，得到不同故障率和不同重发时间间隔对车-地通信实时性能的影响。仿真结果表明，基于Agent 和HCPN 的混合建模研究方法是铁路智能运输系统建模仿真中具有高可行性的一种研究方法，研究结果对提高列车运行效率和保障列车运行安全有一定的影响。

[1] 张有兵，唐涛.基于有色Petri网的CTCS-3 级列控系统RBC切换的建模与形式化分析[J].铁道学报，2012，34（7）：49-55.

[2] Pereverzeva I，Troubitsyna E，Laibinis L.Formal development of critical multi-agent systems：A refineme approach[C]//2012 Ninth European Dependable Computing Conference，2012：156-161.

[3] 李先进，杨肇夏，杜鹏.基于MAS 的列车运行调整方法[J].中国铁道科学，2006，27（1）：115-119.

[4] 郑延斌，郭凌云，刘晶晶.多智能体系统分散式通信决策研究[J].计算机应用，2012，32（10）：2875-2878.

[5] 刘波，罗军舟，宋爱波.基于颜色Petri 网的多agent 动态调度建模与分析[J].系统仿真学报，2007，19（1）：193-198.

[6] 吕书丽，郝长军.CTCS-3 级列控系统等级转换运营场景分析与研究[J].铁道通信信号，2010，46（6）：1-4.

[7] da Silva M R，Borges A P，Dordal O B，et al.An architecture of BDI agent for autonomous locomotives controller[C]//Proceedings of the 2012 IEEE 16th International Conference on Computer Supported Cooperative Work in Design，2012：22-29.

[8] Meng Jianliang，LI Taihua.The research of dynamic BDI model[C]//2009 Second International Conference on Information and Computing Science，2009：220-223.

[9] 方欢.保性的Petri 网运算在主体BDI 内部结构建模中的应用[J].计算机工程与设计，2009，30（19）：4398-4446.

[10] 裘杭萍，管留，潘晓东，等.基于分层Agent的战术行动仿真决策机制研究[J].计算机应用研究，2011，28（7）：2455-2461.

[11] 张楚贤，李世其.复杂工程的建模仿真方法[J].系统工程，2005，23（5）：98-102.

[12] 石竹，李开成.基于赋时着色Petri 网的RBC 控车实时性能分析[J].现代电子技术，2012，35（3）：170-173.

[13] 袁崇义.Petri 网原理与应用[M].北京：电子工业出版社，2005.

[14] 史建伟，蔡远文，苏明.基于CPN 的在轨服务概念建模[J].系统仿真学报，2011，23（1）：262-265.

[15] 张曙光.CTCS-3 级列控系统总体技术方案[M].北京：中国铁道出版社，2008.

[16] 牛儒，曹源，唐涛.ETCS-2 级列控系统RBC 交接协议的形式化分析[J].铁道学报，2009，31（4）：52-58.