低速用户迁出缓解高铁容量问题方案探讨

摘 要：当前高速铁路迅猛发展，高铁通信需求日益强烈。然而高铁LTE网络优化中存在诸多的挑战，如频谱偏移大、业务需求量集中导致容量受限等，这对LTE高铁无线方案设计以及网络优化也提出了更严格的要求。本文重点讨论如何应用低速用户迁出功能缓解高铁专网容量压力，包括如何判定入侵高铁专网的用户（即低速用户）、入侵用户迁出等技术方案，并对现网应用效果进行了分析。

关键词：高铁；低速用户；LTE；用户迁出；多普勒频移

Abstract：With the rapid development of highspeed railway （HSR）， the demand for highspeed telecommunication is growing. However， there are many challenges in the optimization of highspeed LTE network， such as large Doppler frequency shift， overload of service request， which require the better design and optimization of highspeed LTE network. This paper focuses on how to alleviate the overload of HSR network by determining and emigrating the intrusion of HSR network users （i.e.， lowspeed users）， and analyzes the performance of living network.

Key words：highspeed railway；lowspeed users；LTE；emigrating users；Doppler frequency shift

1 背景

高速铁路在我国以及全球范围内迅速发展，高铁运营里程已达到3万公里以上并呈快速增长的趋势。伴随着高端人群大规模、長时间乘坐高铁频繁流动，高铁车地间的通信需求日益强烈。LTE系统凭借带宽大、时延短、支持运动速度快等特性，为高铁宽带无线通信提供了迄今为止最佳的技术手段。同时，高铁又带来了覆盖受限、线状覆盖、频率偏移大、业务需求量集中导致容量受限等问题，这对LTE高铁无线方案设计以及网络优化也提出了更严格的要求。

1.1 容量对网络感知的影响

HN是中国高铁大动脉的枢纽省份，高铁通车里程位居全国前列，日常高铁客流量达到12万人次，节日发送旅客量超过23万人次（2017年上半年数据）。高频次、高密度的人群使得高铁LTE小区平均RRC连接用户数达到380，其中超400的比例高达53.23%，全线面临严重容量压力，直接影响了客户满意度。以HN某高铁线路为例，随着用户数的上升，综合覆盖率下滑6%，下载速率下降3Mbps，随时随地5M占比从94.19%下降到77.99%，用户感知下滑严重。

1.2 高铁潮汐效应明显

高铁场景下，铁路沿线一般情况下话务量需求接近某一常数，列车经过时话务量剧增，导致忙时话务量和闲时话务量差距明显，呈现明显的波动趋势。由于高铁场景用户的瞬发性，用户驻留专网小区存在“潮汐现象”。通过分析高铁专网某小区小时级话统数据（如图1），可以看出0点6点期间，依然有用户驻留至专网小区，而此类“底噪”用户皆为公网用户。

通过对高铁话务模型分析，高铁容量由两部分组成：一部分是公网用户驻留专网小区，消耗专网资源；另外一部分是纯专网用户。欲解决专网容量压力，须从以上两个维度入手。由于HN地形复杂，且站间距不能满足D频段部署要求，载波扩容实施难度大，因此可以通过低速用户迁出方案将入侵的公网用户迁出专网，在最大程度上缓解专网话务压力，基本的思路为通过多普勒频移反求速度做低速用户判决，然后通过切换手段将用户“赶出”高铁专网。

2 技术原理

2.1 低速用户迁出基本思路

高铁线路穿过城市和郊区时，部分公网用户会进入公网。为了让专网资源不被公网用户占用，需要将进入高铁专网的公网用户迁出到公网中去，从而保证高铁专网容量。低速用户迁出示意图如图2。

需要注意的是，由于部分低速用户所在位置公网覆盖较弱或者无覆盖，可能无法保证所有的低速用户都会被迁出。

2.2 多普勒频移反向推演车速的原理

列车高速运动会导致接收端接收信号频率发生变化，频率变化的大小和快慢与列车的速度相关，车速受客观条件的限制是时变的，所以Doppler频率扩展也是时变的。

多普勒频移计算公式为：

Δf=fd=fc×v×cosθ

其中：

Δf为多普勒频移，上行多普勒频移计算时f对应上行发射频率，下行多普勒频移计算时f对应下行发射频率，对于LTE TDD系统来说，上下行频率是一样的；

θ为终端移动方向和信号传播方向的角度；

v是终端运动速度，m/s；

c为电磁波传播速度，3*10^8m/s；

f为载波频率。

图3为高铁场景通信时多普勒频移示意图，假设频偏后接收到的频率为f0，当移动台靠近基站时为f0=f+fd，当移动台远离基站时为f0=ffd：

图3 多普勒频移示意图

假设上下行频率都为f0，从图3可以可知，UE远离基站时候会产生一个fd的频偏，即UE的工作频率为f0fd，因此上行发射频率为f0fd。在上行接收端，由于UE远离基站带来fd的频偏，可知此时基站接收到的频率为（f0fd）fd=f02fd，上下行多普勒频移情况见表1。

同理，UE接近基站时候会产生一个fd的频偏，基站接收到頻率为f0+2fd。

假设用户移动方向和基站信号传播方向的夹角为0或180度，此时为最大频偏，不同频段和不同速度时候的最大频偏计算结果见表2：

基站侧通过解析UE频偏值（上行方向），根据多普勒公式可以反解出当前频偏值下对应的车速，但是会存在一定的误判，误判的主要是来源于角度对于判决的影响，因此低速迁出在功能设计上不能以某一时刻作为判决门限，而是对某一时间段综合评判达到一定次数，从而更加准确地识别车速。

2.3 低速用户迁出方案流程

通过对频偏的解析，可以完成对用户移动速度的反解，从而获得用户的移动速度，当用户的移动速度低于一定门限时，则eNodeB认为该用户为低速用户。在eNodeB侧可以周期性选择一定量的无QCI1承载（VoLTE语音）的低速用户，通过定向切换的方式切换到公网中去。当eNodeB执行低速用户迁出时，只选择低速异频频点（即宏网异频频点）作为测量频点，如果没有配置低速异频频点，则停止异频切换。总体的方案流程见图4：

3 方案部署

对于部署低速用户迁出场景需要做一定的要求，确保功能开启后，迁出正常，对于符合条件小区进行遴选，建议选择场景情况如下：

（1）城区或郊区场景，周边存在大量公网用户进入专网小区；

（2）高铁车速大于120Km/h以上区域可以全部开启，车站与低速运行区间禁止开启；

（3）高铁专网与周边公网属于异频组网场景；

（4）高铁周边站点条件要求：

A.低速用户迁出功能要求公网覆盖，考虑部分终端的感知，建议公网覆盖要高于105dbm（若仅考虑迁出效果，可以适当降低门限值）；

B.按照105dbm的链路预算，并考虑房屋的穿损9db，周边公网与专网的垂直距离不宜过大，建议在1.2公里范围内；

C.公网覆盖空洞区域无效果，例如桥梁、隧道、大河，或是公网覆盖明显无覆盖的区域。

4 应用效果

4.1 功能生效情况

HN选取符合条件的小区共计94个，部署低速用户迁出方案，日均低速用户异频切换出执行成功次数达到68910次，具体数据见表3。

以HN省某地市高铁LTE专网小区为例，开启该小区低速用户迁出功能后可以看出该小区各个时段均有迁出（见图5），可见该功能已经生效。

4.2 功能实施效果

对比功能开启前后，高铁专网全天平均RRC连接用户数下降5.4%，忙时平均下降8.5%，下降最多的小区可达325%；全天RRC连接用户数迁出比例5%20%之间的小区占比43.95%，可以看出部署低速用户迁出方案后，可以有效减少公网用户占用高铁专网资源。

5 总结

高铁穿过人口密度较高的城区或区县，会存在严重的公网用户入侵高铁专网小区的情况，从而推高高铁专网小区负荷，影响高铁用户感知。本文详细介绍了如何通过多普勒频移的计算，反向推演出用户移动速度，从而判定用户是否为低速用户的方法，并论证了低速用户迁出方案的可行性，能将入侵公网的用户快速迁出专网小区，使其驻留在公网小区上，从而实现了对专网容量压力的缓解，提升了客户感知。

参考文献：

[1]李言兵，石志同，王治国，刘立洋，李宗璋.高铁4G专网多层组网下用户分层驻留方案研究[J].电信技术，2017：79.

[2]蔡泽民，谭 丽.基于车载信息的多普勒频移估计方法研究[J].计算机工程与应用，2017，53（11）：146150.

[3]3GPP TS 36.331，Evolved Universal Terrestrial Radio Access（EUTRA）；Radio Resource Control （RRC） protocol specification[S].

[4]苏华鸿.移动通信多普勒频移与高铁覆盖技术[J].邮电设计技术，2009（12）：14.

[5]刘素雅.多普勒效应与超声测速[J].科技经济导刊，2017（01）：138139.

[6]华为技术有限公司内部文档“LTE高铁网络覆盖组网解决方案”.

[7]中国移动通信集团内部资料“高铁优化指导意见”.

作者简介：吴细刚（1983），男，湖南岳阳人，中国移动技术专家，2007年毕业于北京邮电大学，主要研究方向为无线网络优化、物联网、大数据挖掘。