5G城市轨道交通场景分类及信道建模

　　摘要：城市轨道交通是现代化交通基础设施的重要组成部分，5G作为新一代移动通信技术，可提供高速率、低时延的无线数据传输，有助于提升城市轨道交通的运行效率和服务质量。由于城市轨道交通场景的复杂性，需要针对性的通信场景分类、信道特性分析和精准的信道模型为城市轨道交通5G通信系统的设计提供理论支撑。基于此，提出了5G城市轨道交通电波传播场景的分类，以支撑典型场景下的信道测试与建模工作，同时阐述了城市轨道交通场景信道测量和建模的现状，并分析了当前面临的主要挑战。结合5G通信智能化特点，讨论了人工智能在信道特征提取和信道建模方面的应用前景与可行思路，并深入分析了基于可重构智能面和无人飞行器辅助的5G城市轨道交通信道建模研究现状和发展前景。最后，阐述了毫米波频段下5G城市轨道交通信道建模的研究。

　　关键词：智能轨道交通;5G;城市轨道交通;场景分类;信道建模;电波传播

　　1引言

　　随着现代社会城市化进程的推进，城市轨道交通系统的需求持续增长。、印发的《交通强国建设纲要》中明确指出了要建设城市群一体化交通网，推进干线铁路、城际铁路、市域(郊)铁路、城市轨道交通的融合发展。5G为城市轨道交通系统中高效可靠的数据传输、基于通信的列车控制以及高质量乘客服务提供了重要基础，城市轨道交通有望借助5G通信技术全面实现智能化和信息化的跨越式发展。2020年《中国移动城市轨道交通5G应用技术白皮书》发布，标志着5G城市轨道交通技术发展进入新篇章。在5G城市轨道交通通信系统研究和关键技术装备研发中，城市轨道交通无线通信场景的精准分类、信道测量与高精度信道建模是重要的基础。准确合理的场景分类为无线信道的测量与建模、仿真，以及各类关键通信技术性能的评估与比对验证提供重要支撑，信道模型则是通信系统设计、仿真以及优化的基础。本文详细探讨5G城市轨道交通场景分类、信道测量与建模等问题，为未来5G城市轨道交通通信技术的高质量发展提供支撑。

　　25G城市轨道交通传播场景

　　无线通信的场景定义是无线通信技术发展的基础，准确合理的场景定义是开展通信信道测量、仿真、系统设计与验证、通信性能评估的先决条件。5G城市轨道交通通信场景有别于传统蜂窝通信和铁路移动通信场景，差异主要来源于两方面：首先，城市轨道交通的线路和车站大部分位于地下，这与常规铁路线路多位于地面、高架桥等空旷环境存在显著差异，复杂的传播环境也导致城市轨道交通中非直射(non-line-of-sight，NLOS)通信较直射(line-of-sight，LOS)通信占比增多;其次大规模多输入多输出(massivemultiple-inputmultiple-output，mMIMO)、毫米波、无人机、智能反射等5G新技术的引入带来了天线阵型、频段、覆盖范围等方面变化，这些因素显著影响5G城市轨道交通通信场景的分类。

　　3信道测量与建模现状

　　建立可靠的无线通信系统是保证城市轨道交通安全运营的关键。无线通信系统的设计离不开对相关环境中电波传播机制和信道特征的准确表征和建模，准确的信道模型是5G城市轨道交通无线通信系统设计的基础[1]。

　　目前信道建模方法主要分为两大类：确定性建模和统计性建模。确定性信道建模以电磁波传播理论作为基础，借助精细的场景建模和电磁计算，获得无线电波在空间中每条传播路径的具体参数[3]。确定性建模在已经完成参数校准的前提下较少依赖于信道测试数据，但该类方法复杂度较高，因此难以适用于大规模的链路级和系统级仿真。统计性信道建模主要借助在典型传播场景中开展信道测量，采集信道数据并开展统计分析，提取出反映传播特征的各类信道参数的统计特性，建立信道模型。统计性建模一般不依赖于对具体场景中散射体空间分布的精细刻画，主要从统计角度提取一般性普适特征，因此统计性建模能够较为准确地刻画某一类典型传播环境的信道特征，且具有较低的复杂度和较好的可扩展性[4]。

　　4基于人工智能的动态信道特征提取与建模

　　与传统轨道交通常见的城郊或桥梁场景不同，5G城市轨道交通通信场景更加复杂多变，应用与业务更加多样化，数据中隐含的各类电波传播特征更加丰富。在人工智能与大数据技术飞速发展的今天，5G城市轨道交通信道建模的研究也面临新的挑战和机遇，主要表现在以下3个方向。

　　(1)信道特征提取传统的轨道交通信道特征提取主要关注信道冲激响应在功率时延谱上的包络特征，侧重于多径的时延与功率参数的估计，而在5G系统中需更多地关注多径角度域参数的估计。城市轨道交通5G智能通信的发展一方面对传统信道参数(如时延、角度、功率及多普勒等)的提取精度提出了更高的要求，另一方面还需要借助人工智能技术实现对动态信道高阶特征参数的提取[14]，如功率时延谱削度、复杂环境下多径簇[15]等特征，为后续数据处理及智能化算法设计提供支撑。多径成簇现象由信道物理环境和电波传播机理相互作用而成，多径簇在信道多维特征层面具有较为明显的规律，因此使用人工智能技术实现更为准确且高效的多径簇提取也是重要研究方向之一[16]。虽然深度学习在处理高维数据特征提取上已经取得了一些成果，但是目前尚未有基于深度学习的时变信道多径簇提取算法，无法满足城市轨道交通通信信道研究的需求。由于城市轨道交通场景复杂，且发射端常处于高速移动状态，信道动态变化快，非平稳性强，由此引起多径生灭过程的快速变化，为信道特征的提取带来更多挑战。但是由于轨道交通设施移动路线固定，信道中部分主导性反散射体的出现往往呈现一定规律，如城市轨道附近的建筑楼宇以及特殊的地势地形等。在对此类信道特征进行提取时，其时域上的可追踪性可以有效提高信道特征提取的效率与准确性[17]。

　　(2)信道场景识别城市轨道交通移动性较强，电波传播环境复杂多变，不同通信场景常具有不同的通信业务特点与需求。为了满足上层通信资源调度的合理分配需求，需要针对不同通信场景的精准信道模型，并能及时识别列车当前所处的信道环境。

　　5融合RIS的5G城市轨道交通信道建模

　　当前，可重构智能面(reconfigurableintelligentsurface，RIS)技术得到了广泛关注[23]，成为B5G、6G通信中提升通信系统性能的有效手段之一，可以应用于城市轨道交通通信场景，有效地提升覆盖的可靠性以及无线传输的速率。RIS由大量低成本的无源反射元件组成，通过放大反射信号[24]和实时调控信号的振幅/相位[25]，实现对反射波束的控制以及对无线传播环境的重新配置，进而提高无线通信覆盖范围、吞吐量和能效。

　　(1)无线信道特性相比于一般的室外场景，城市轨道交通环境更为复杂，且列车具有较快的行驶速度，再加上车厢的密封性好、穿透损耗大，无线通信很容易中断。在该类情况下，将RIS部署于基站和列车之间的建筑物表面，借助RIS技术对信号进行精准控制和波束增强，可以显著提升基站与列车之间数据传输的可靠性和效率，相关场景如图5所示，RIS可以改善非视距场景下用户的通信。

　　在融合RIS的城市轨道交通场景中，基站?列车间的信道主要包含视距路径、RIS反射路径和复杂多径。由于城市轨道交通场景复杂，接收到的无线电波会经历严重的多径衰落，从而导致相位噪声、多普勒频移或载波频偏。传统通信系统通常借助部署中继或功率放大器来解决此类问题，但该方法会造成网络功耗，并引入干扰信号[26]。与之不同的是，RIS技术可实现对多径传播的调控，将基站信号经由RIS反射到达列车端，从而建立虚拟视距，可以提升基站与列车之间通信的有效性和可靠性[27]，并减少信号干扰[28]。该虚拟视距主要由两部分组成：基站?RIS链路、RIS?列车链路。当基站与RIS安置的高度较高时，其周边的反散射体往往较少，此时基站?RIS链路的信道往往呈现稀疏性。但由于列车周边反散射环境复杂，RIS?列车链路信道往往为非稀疏，加之RIS对反射波束的物理调控，此时基站?RIS?列车的通信信道多径分布特征往往更加难以描述。

　　(2)信道建模研究尽管RIS展示出良好的应用前景，RIS辅助的通信系统设计仍存在许多尚未解决的关键问题。为了准确设计与评估RIS辅助的城市轨道交通通信系统，建立准确的信道模型是亟待解决的重要问题。目前，RIS技术的研究中使用的信道模型大多来自3GPP的标准化信道模型，但上述模型并未涵盖城市轨道交通场景，且大部分模型尚未在RIS场景下得到信道测量的准确验证，当前国际范围内依然缺少基于实测数据的RIS无线信道的深入研究。文献[29]和文献[30]均在信道状态信息已知的理想假设下，进行RIS电磁单元的反射相位设计。文献[31]对RIS辅助的移动通信自由空间路径损耗进行了建模和测量验证，可用于链路预算分析，但亟须开发真实环境下综合考虑各类衰落因素的RIS信道模型。文献[32]考虑了存在随机散射体情况下的5G毫米波RIS静态信道模型，但模型缺乏实测数据的充分验证。考虑搭配RIS通信场景对传播过程的简化和抽象，可以使用几何随机模型(geometry-basedstochasticmodel，GBSM)模拟城市轨道交通RIS传播环境，如图6所示，环境中的近端、远端反散射体可建模为不同的规则几何体。图中分别将基站和列车周边的反散射环境建模为球体模型，其近端散射体(如植被、过往车辆和行人等)分布在球体表面，而收发两侧的远端反散射环境可建模为椭圆圆柱体结构，远处建筑物和RIS分别分布在椭圆圆柱体的底部和侧表面。由此所建立的GBSM可支撑在城市轨道交通环境中基于几何理论[33]开展基于RIS的基站?列车信道建模与仿真研究，为融合RIS的5G城市轨道交通通信系统设计与性能分析提供支撑。

　　参考文献：

　　[1]AIB,CHENGX,KüRNERT,etal.Challengestowardwirelesscommunicationsforhigh-speedrailway[J].IEEETransactionsonIntelligentTransportationSystems,2014,15(5):2143-2158.

　　[2]AIB,HERS,ZHONGZD,etal.Radiowavepropagationscenepartitioningforhigh-speedrails[J].InternationalJournalofAntennasandPropagation,2012:1-7.

　　[3]WANGCX,BIANJ,SUNJ,etal.Asurveyof5Gchannelmeasurementsandmodels[J].IEEECommunicationsSurveys&Tutorials,2018,20(4):3142-3168.

　　[4]WANGCX,GHAZALA,AIB,etal.Channelmeasurementsandmodelsforhigh-speedtraincommunicationsystems:asurvey[J].IEEECommunicationsSurveys&Tutorials,2016,18(2):974-987.

　　[5]ZHANGJH,TANGP,YUL,etal.Channelmeasurementsandmodelsfor6G:currentstatusandfutureoutlook[J].FrontiersofInformationTechnology&ElectronicEngineering,2020,21(1):39-61.

　　[6]ZHANGB,ZHONGZD,HERS,etal.Measurement-basedMarkovmodelingformulti-linkchannelsinrailwaycommunicationsystems[J].IEEETransactionsonIntelligentTransportationSystems,2019,20(3):985-999.

　　何睿斯1，艾渤1，钟章队1，杨汨1，黄晨1，马张枫1，孙桂琪1，米航1，周承毅1，陈瑞凤2

《5G城市轨道交通场景分类及信道建模》

上一篇：“光电信息科学与工程”专业建设的探索与思考

下一篇：没有了