董玉圻

（國家鐵路局裝備技術中心，北京 100702）

1 概述

經(jīng)過幾代人不懈地努力，國內鐵路建設已經(jīng)發(fā)展得較為成熟[1]，中國已成為世界上鐵路運輸行業(yè)較為發(fā)達的國家。通信網(wǎng)絡是現(xiàn)代化鐵路運輸?shù)年P鍵，可以說是列車的“心臟”。鐵路列車在運行過程中通過通信網(wǎng)絡及時將信息傳遞給中央控制室，中央控制室再根據(jù)這些信息對列車進行牽引、制動[2]。通信網(wǎng)絡在進行信息傳輸時，受到各種因素的影響，不可避免地會出現(xiàn)延遲的情況。網(wǎng)絡延遲對于鐵路通信質量有很嚴重的影響，一旦延遲過大，將嚴重損害鐵路運輸?shù)陌踩院涂煽啃訹3]。面對這種情況，有必要進行鐵路通信網(wǎng)絡傳輸延遲控制。

耿文鳳[4]提出了一種基于功率控制協(xié)議的延遲控制方法，該方法通過自適應調整數(shù)據(jù)包傳輸功率來降低傳輸延遲，提高傳輸效率。張友鵬[5]等人為解決鐵路時間同步網(wǎng)中上/下行鏈路延遲不一致的情況，利用改進實時計算數(shù)據(jù)包排隊延遲算法來實現(xiàn)對傳輸延遲的補償設計。該方法以鐵路時間同步網(wǎng)時鐘模型為基礎，然后通過計算線性時鐘頻差的方式改進數(shù)據(jù)包排隊延遲算法，在求解出排隊延遲最小數(shù)據(jù)包后，估算排隊延遲并將其導入到時鐘模型中，得到新的時鐘偏差估計方式，以此為依據(jù)制定補償方案，可以實現(xiàn)對延遲量的控制。

前人研究雖然在一定程度上取得了延遲控制目的，但是延遲控制一般缺乏全面的參考，使時延與實際情況總是存在較大差距。面對這種情況，研究一種基于神經(jīng)網(wǎng)絡的鐵路通信網(wǎng)絡傳輸延遲控制方法（簡稱控制方法）。通過該研究以期提高鐵路通信網(wǎng)絡傳輸信息效率。

2 鐵路通信網(wǎng)絡傳輸延遲控制模型設計

通信網(wǎng)絡在鐵路運營方面起到重要的作用，關系到鐵路的啟停、調度等。一旦通信網(wǎng)絡出現(xiàn)嚴重延遲，信息傳遞就會受到影響，耽誤了指令的執(zhí)行，影響鐵路運營的安全性和穩(wěn)定性[6]。面對這種情況，研究一種鐵路通信網(wǎng)絡傳輸延遲控制方法。該方法分為3 部分，即通信網(wǎng)絡傳輸延遲數(shù)據(jù)采集、通信網(wǎng)絡傳輸延遲預測以及通信網(wǎng)絡傳輸延遲控制。下面針對這3 個方面進行具體分析。

2.1 通信網(wǎng)絡傳輸延遲數(shù)據(jù)采集

鐵路通信網(wǎng)絡傳輸延遲一般由4 部分組成，由此構建出通信網(wǎng)絡傳輸時延模型[7]。模型表達式如公式（1）所示。

公式（1）中，T代表通信網(wǎng)絡傳輸總時延；t1、t2、t3、t4分別代表發(fā)送、傳播、處理、排隊等4 個部分的延遲。

在通信網(wǎng)絡傳輸時延預測中，需要以延遲數(shù)據(jù)為基礎，因此利用TCN 網(wǎng)絡分析儀抓取的通信網(wǎng)絡延遲數(shù)據(jù)，具體過程如圖1 所示。

圖1 通信網(wǎng)絡延遲數(shù)據(jù)采集流程Fig.1 Flowchart of delay data acquisition in a communication network

在完成通信延遲數(shù)據(jù)采集之后，為保證數(shù)據(jù)樣本的完整性和全面性，需要對延遲數(shù)據(jù)進行缺失填補和規(guī)范化處理[8]。

1）缺失數(shù)據(jù)填補

通信延遲數(shù)據(jù)在采集過程中受到采集設備以及采集環(huán)境的影響，會存在個別缺失的情況，為此需要進行缺失數(shù)據(jù)填補[9]。具體過程如下。

步驟1：通過歷史數(shù)據(jù)計算歷史通信延遲數(shù)據(jù)之間的相關因子R。

步驟2：列出缺失序列。

步驟3：利用時間序列法得到擬合值，記為S1。

步驟4：找到與缺失序列相關性最高維度的時序數(shù)列。

步驟5：利用相關維度數(shù)據(jù)預測得到擬合值，記為S2。

步驟6：通過相關因子計算相關權重，計算如公式（2）所示。

公式（2）中，w1、w2代表S1、S2對應的權重。

步驟7：通過權重計算最終擬合值，記為S3，如公式（3）所示。

基于上述采集并整理好的通信網(wǎng)絡傳輸延遲數(shù)據(jù)組成研究樣本。

2.2 基于神經(jīng)網(wǎng)絡的通信網(wǎng)絡傳輸延遲預測

隨著時間的推移，傳輸延遲會逐漸累積，導致延遲越來越嚴重[10]。為實現(xiàn)對下一刻延遲的控制，事先明確當前時刻通信網(wǎng)絡傳輸延遲十分重要。為此，利用神經(jīng)網(wǎng)絡預測通信網(wǎng)絡傳輸延遲。預測過程以采集到的通信網(wǎng)絡傳輸延遲數(shù)據(jù)樣本為輸入，得出預測值[11]。預測過程分為兩部分，分別為前期的神經(jīng)網(wǎng)絡模型訓練和后期的預測測試。通過訓練可以建立成熟的預測模型，具體過程如下。

步驟1：初始化，確定神經(jīng)網(wǎng)絡結構參數(shù)、最大允許誤差以及學習速率。

步驟2：為基于神經(jīng)網(wǎng)絡的預測模型隨機賦予權值和閾值。

步驟3：將通信網(wǎng)絡傳輸延遲數(shù)據(jù)訓練樣本P＝{p1,p2…pm}和期望輸出Q＝{q1,q2,…,qn}輸入到神經(jīng)網(wǎng)絡當中。

步驟4：計算隱含層輸出。計算如公式（5）所示。

公式（5）中，ηj(l)代表第l層隱含層第j個神經(jīng)元的輸出；wij代表輸入層和隱含層之間的連接權值；gj(l)代表第l層隱含層第j個神經(jīng)元輸入的通信網(wǎng)絡傳輸延遲數(shù)據(jù)樣本；bij代表隱含層與輸入層連接閾值；nl代表第l層隱含層神經(jīng)元數(shù)量；l代表層編號；f代表激勵函數(shù)[12]。

步驟5：計算輸出層輸出，如公式（6）所示。

公式（6）中，μk(l)代表第l層輸出層第k個神經(jīng)元的輸出；wjk代表隱含層和輸出層之間的連接權值；bjk代表隱含層與輸入層連接閾值；ml代表第l層輸出層神經(jīng)元數(shù)量。

步 驟6：計 算μ＝{μ1,μ2…μn}和Q＝{q1,q2…qn}之間的誤差，如公式（7）所示。

公式（7）中，c代表誤差；μi代表第i個輸出層神經(jīng)元的實際輸出。

步驟7：判斷誤差c是否小于設定的最大允許誤差，若是，終止訓練程序，完成基于神經(jīng)網(wǎng)絡的通信網(wǎng)絡傳輸延遲預測模型的訓練；否則，更新權值和閾值[13]。

步驟8：通過訓練完成的預測模型實現(xiàn)傳輸延遲預測。

基于上述流程完成基于神經(jīng)網(wǎng)絡的通信網(wǎng)絡傳輸延遲預測。

2.3 通信網(wǎng)絡傳輸延遲控制

基于上述研究基礎，結合PID 控制器實現(xiàn)通信網(wǎng)絡傳輸延遲控制[14]?？刂颇Ｐ腿鐖D2 所示。該控制模型應用過程如下。

圖2 通信網(wǎng)絡傳輸延遲控制Fig.2 Transmission delay control in the communication network

步驟1：輸入基于神經(jīng)網(wǎng)絡預測的通信網(wǎng)絡傳輸延遲數(shù)值。

步驟2：計算當前時刻與預測時刻之間的延遲差值，計算如公式（8）所示。

公式（8）中，ΔH代表延遲差值；H(t)代表t時刻的通信網(wǎng)絡傳輸延遲數(shù)值；H(t＋1)代表t＋1 時刻的通信網(wǎng)絡傳輸延遲數(shù)值，也就是預測出的下一刻的傳輸延遲數(shù)值。

步驟3：將ΔH輸入到PID 控制當中，通過3個子控制器計算通信網(wǎng)絡控制量，計算如公式（9）所示。

由此得出總控制量計算的公式，如公式（10）所示。

公式（9）、（10）中，y(t)代表t時刻的延遲控制量；Kp代表比例系數(shù)；G1(t)、G2(t)、G3(t)代表t時刻Kp、Ki、Kd等3 個子控制器的輸出；Ti代表積分時間常數(shù)；Td代表微分時間常數(shù)。

步驟4：基于控制量，輸入到延遲補償器當中，實現(xiàn)鐵路通信網(wǎng)絡傳輸延遲控制[15]。延遲補償器模型如公式（11）所示。

公式（11）中，F(xiàn)(t)代表延遲補償器模型；ψ代表延遲補償系數(shù)；k代表通信信號衰減因子；Δt代表鐵路通信網(wǎng)絡傳輸間隔；L代表數(shù)據(jù)包傳輸隊列長度[16]。

經(jīng)過上述過程，完成基于神經(jīng)網(wǎng)絡的鐵路通信網(wǎng)絡傳輸延遲控制研究。

3 控制方法應用測試

為測試控制方法在鐵路通信網(wǎng)絡傳輸延遲控制中的應用效果，以基于功率控制協(xié)議的控制方法、基于延遲補償?shù)目刂品椒閷Ρ软?，進行實例測試。

3.1 通信網(wǎng)絡傳輸延遲數(shù)據(jù)樣本

基于TCN 網(wǎng)絡分析儀采集鐵路通信網(wǎng)絡傳輸延遲數(shù)據(jù)，并組成數(shù)據(jù)訓練和測試樣本。其中部分樣本如表1 所示。

表1 部分通信網(wǎng)絡傳輸延遲數(shù)據(jù)樣本Tab.1 Samples of transmission delay data in the communication network

3.2 基于神經(jīng)網(wǎng)絡的傳輸延遲模型訓練

神經(jīng)網(wǎng)絡預測模型的初始參數(shù)如下：神經(jīng)網(wǎng)絡結構參數(shù)為4/36/1；最大允許誤差為0.001；學習速率為0.25；各層連接為0.14、0.32；各層連接閾值為0.036、0.44；最大迭代次數(shù)為100。在上述初始參數(shù)設置下，結合表1 訓練樣本，進行基于神經(jīng)網(wǎng)絡的傳輸延遲預測模型訓練。結果如圖3 所示。

圖3 基于神經(jīng)網(wǎng)絡的傳輸延遲預測模型訓練Fig.3 Training of the model of predicting transmission delays based on a neural network

從圖3 中可以看出，在迭代步數(shù)為86 時，基于神經(jīng)網(wǎng)絡的傳輸延遲預測模型的誤差小于0.001，完成訓練，可以用于實際延遲控制中。

3.3 延遲控制結果

基于2.3 節(jié)的研究，計算通信網(wǎng)絡傳輸延遲控制量和延遲補償量，結果如圖4 所示。

圖4 通信網(wǎng)絡傳輸延遲控制量和延遲補償量Fig.4 Delay control quantity and delay compensation quantity for transmission in the communication network

3.4 延遲控制結果

在相同測試條件下，利用基于功率控制協(xié)議的控制方法、基于延遲補償?shù)目刂品椒ㄟM行傳輸控制，然后對比控制結果，即延遲時間以及通信鏈路速率，以此判斷控制方法性能。結果如圖5、6 所示。

圖5 延遲時間Fig.5 Delay time

圖6 通信鏈路速率Fig.6 Communication link rate

從圖5、6 中可以看出，與基于功率控制協(xié)議的控制方法、基于延遲補償?shù)目刂品椒ㄏ啾?，控制方法應用后，延遲時間更短，通信鏈路速率更高，由此證明了控制方法的有效性。

4 結束語

提出一種基于神經(jīng)網(wǎng)絡的鐵路通信網(wǎng)絡傳輸延遲控制方法，控制方法通過神經(jīng)網(wǎng)絡進行延遲預測，通過預測結果得出延遲控制量和延遲補償量，實現(xiàn)傳輸延遲控制。最后，通過實例證明應用控制方法，傳輸延遲時間有所縮短，通信鏈路速率提高，證明了控制方法的有效性。然而，本研究仍有需要改進的地方，即控制方法并沒有將延遲丟包問題考慮在內，還需要進一步擴展和深入。