城际铁路列控系统车-地通信延迟时间估计的深度学习算法研究

2018-01-26蒋仁钢

铁路计算机应用 2018年1期

夏明，蒋仁钢

（卡斯柯信号有限公司北京分公司，北京 100055）

城际铁路列控系统[1-2]通过建立车地之间连续、双向的通信，使列车命令和状态信息在车辆和地面之间可靠交互，将地面设备和受控列车紧密的结合，可靠而精确地检测列车位置，控制列车按运行计划运行。城际铁路列控系统的地面设备和车载设备，通过GSM-R无线数据通信网络连接，构成了系统的核心。

因为采用GSM-R无线通信网络进行信息传输，地面设备与车载设备之间的通信延时是无法克服的。车地通信延时的存在造成系统中车载设备和地面设备对信息使用的不同步。例如，当轨旁设备收到车载设备的位置报文时，列车实际位置可能已发生改变，这对列车的运行控制而言存在一定的安全风险[3-4]。因此，城际铁路列控系统需考虑通信延时对列车运行控制的影响。由于延时时间的无法准确计算，目前的研究主要基于统计学方法，如文献[5]提出了一种延时时间的检测方法，利用一段历史时间内（10个周期）的延时时间的平均值作为估算值。该方法的估算值精确度不高，难以获得良好的效果。

鉴于深度学习神经网络自身具有高度自学习性，不依赖高质量特征的特点，相比于统计学等数学模型更具有适用性，被广泛的应用在图像识别、语音识别、预测分析等领域[6-9]。本文运用具有长短期记忆（LSTM ，Long Short Term Memory）单元的深度学习神经网络构建了无线延时时间预测模型，解决无线通信延迟时间估计问题，选取了实际数据、历史平均时间数据进行比较分析，仿真结果表明LSTM神经网络模型优于平均值算法，训练结果与实际值接近，预测精度高。预测结果为车地通信消息有效性的精确判断、列车精确定位提供依据。

1 车地通信延时分析

车地通信延时时间Tdt包括车地通信网络的固有传输时间Tnetwork和信息传输延误时间Tdelay，即Tdt=Tnetwork+Tdelay。其中，Tnetwork可依据网络传输设备的反应时间和通信周期等进行估算。但是，列车消息在由车载系统采用GSM-R无线方式传送至地面系统时受无线信号质量的影响和无线通信延时的制约，设备具有一定的反应时间，所以Tdelay无法控制且不能直接检测。因此，一般采用常量时间判定的方式来确定车地通信时间是否有效。即在系统中设置一个车地通信报文时效性的时间参数，通过该参数判定车地通信报文的最大使用许可时间。例如：CCS系统在接收列车消息后，获取消息时间戳发送给列车的消息时间戳列车接收列车消息后，判断Tccs是否在之间（a为延时常量），否则将丢弃该消息。如果Tdt估算不准确，将影响消息有效性判断的准确性。城际铁路地面设备与车载设备信息通信示意图，如图1所示。

图1 城际铁路地面设备与车载设备信息通信示意图

2 延时时间预测递归神经网络模型构建

2.1 递归神经网络模型

简单的递归神经网络（RNN ，Simple-RNN）和一般的深度神经网络（DNN）区别是在隐藏层中增加节点间的互连，通过这种连接，隐藏层能够保存并利用历史信息来辅助处理当前数据。RNN展开后相当于一个多层的DNN神经网络，当层数过多时会导致参数训练的梯度消失问题，导致长时信号损失。为了弥补这一缺陷，设计出LSTM替代隐藏层中的RNN网络，使模型能够建模信号的长时依赖关系。LSTM递归神经网络将隐含层作了改进，其神经元结构，如图2所示，灰色线代表有权重的网络连接关系，灰色虚线代表递归连接关系。

图2 LSTM内部神经元结构

LSTM递归神经网络中递归连接为线性连接，该连接依靠信号来控制，该门被称为遗忘门（forget gate）。因为它不需要经过类似sigmoid函数的非线性变换，所以在训练中，LSTM的梯度信号在不同时刻的传递过程中不会衰减。除了遗忘门之外，还有输入门（input gate）和输出门（output gate），对应信号it和ot。在LSTM递归神经网络模型中，xt和yt分别为t时刻网络的输入和输出。令ct和mt分别为t时刻的神经元激活函数输出和隐含层输出，则从xt到yt的计算式为：

其中：Wcx、Wix、Wfx、Wox是连接输入信号xi的权重矩阵；

Wcm、Wim、Wfm、Wom是连接神经元隐含层输出信号m_t的权重矩阵；

Wic、 Wfc、 Woc是连接神经元激活函数输出矢量ct和门函数的对角矩阵；

bi、bf、bc、bo是偏置向量；

Wym和 by是LSTM输出的权重矩阵和偏置矢量；ct是胞元的激活函数输出矢量；

g和h是胞元输入到输出的激活函数；

g和h通常是tanh函数；

σ为sigmoid函数；

φ是输出层的softmax函数；

代价函数这里使用交叉熵。

在实际的建模过程中使用两层的LSTM递归神经网络，对于深层的LSTM递归神经网络，它在时间域和空间域上都具有深层结构。

2.2 延时时间预测模型

本文使用两层的LSTM神经网络，文献[5]认为延时时间与数据包的大小有关，所以提取无线通信延时问题的输入特征为数据包大小（字节数）和对应的延时时间。

LSTM神经网络以损失函数评价实验结果，通常选为均方误差（MSE ，Mean Squared Error）。这是回归分析中普遍采用的评价标准。均方误差的式为：

3 实验结果

3.1 实验数据与结果比较

实验数据为每隔单位时间从CCS系统上采集的数据包大小与传输延时时间数据。实验采用Python语言，LSTM模型由Tensorflow深度学习框架提供[10]。应用规范化（BN ，Batch Normalization）方法提高收敛速度，采用指数衰减法自动调整学习效率，避免训练时间过长，防止参数在最优点附近震荡。经过多次实验，当隐藏层节点数为10，batch size取为40，timesteps（timesteps代表LSTM能够利用的时间序列长度，LSTM可以训练时间序列上的数据，利用数据在时间上的相关性使得训练结果更加精确。）取为10时取得较好的训练效果，如图3所示，经过1 000组数据训练后，损失函数降低为：0.044，预测精度达到95%以上。在80个测试集上的MSE平均值没有超过0.06，证明该预测方法在实践上具有有效性。与之相比，平均值法曲线波动较大，准确度不高。

图3 预测数据与采用历史平均延时时间的计算结果的比较

3.2 不同timesteps下的结果比较

因为列控系统的工作状态前后之间具有关联性，因此该数据在时间上具有天然的连续性。具体采用timesteps的大小应由生产过程中的客观因素决定，当天气、地形、线路、设备等条件发生改变时，数据前后之间的关联性便会随之变化。

实验结果如图4所示，当timestep=1，收敛最快，收敛速度与timesteps大小成反比。原因是当timesteps增加时，同样的输出结果对应的输入数据增多，计算量增加。同时可以看到，当timesteps=10时，模型精度反而略高于timesteps=64，说明timesteps不是越大越好，过大的timesteps不仅会增加收敛时间、提高模型训练难度，有可能降低模型精度。因为当数据在时间序列上的长度过长时，前后之间的关联性可能就逐渐减低甚至失去关联性。因此建议将timesteps设置为可以被学习的参数，当模型的训练精度不再下降甚至反而上升时，便可以进行参数学习更改，取得更优的训练效果。

4 结束语

城际铁路列控系统车-地无线通信延时，会影响无线消息有效性判断。本文引入递归神经网络对无线通信延迟时间进行预测，解决了传统统计分析方法难以从历史延时时间数据中提取特征的问题，证明了该预测方法在实践上具有有效性，并解决传统方法难以解决的问题。本文采用BN等深度学习方法，结合LSTM的模型特点对模型的训练方法进行优化，大大缩短了模型的训练时间。下一步工作的目标之一是在本文模型上进一步提高收敛速度与精度，提高模型的适用性。