原文传递
基于WLAN的城市轨道交通越区切换算法优化研究
| 论文题名： | 基于WLAN的城市轨道交通越区切换算法优化研究 |
| 关键词： | 城市轨道交通;CBTC系统;越区切换 |
| 摘要： | 随着国家的快速发展，城市轨道交通作为居民的重要出行方式发生日新月异的变化。列车越区切换是基于通信的列车运行控制(CommunicationBasedTrainControl,CBTC)系统的核心技术，保证列车与地面持续信息传输。无线局域网(WirelessLocalAreaNetworks,WLAN)的更新使其具备160MHz的频宽、4条空间流数和优化的调制方式使其依然在城市轨道交通所使用。但在传统的越区切换方式下会出现信息传输的中断，因此需要对越区切换方式进行优化，从而保证列车较为安全、稳定的运行。 现如今的越区切换方式出现判决不准确、发生乒乓效应可能性较高、切换时间较长等诸多问题，传统越区切换难以满足城市轨道交通发展需求。因此，国内外大多数学者针对越区切换中触发参数或切换决策进行优化，但在切换延时、吞吐量等方面优化不够明显。针对以上问题分析城市轨道交通越区切换存在的缺陷，提出了基于深度强化学习(DeepQ-Network,DQN)越区切换算法。针对DQN算法越区切换进行模型架构，对模型中状态空间特征、动作数据、奖励函数等进行分析及参数规划。采用OPNET对列车运行与无线访问接入点(WirelessAccessPoint,AP)进行仿真，将DQN算法与仿真模型结合，添加信道干扰使仿真更贴合实际情况。DQN算法将列车状态空间特征进行提取，通过服务AP与目标AP的信号强度执行切换，最终在深度神经网络训练下得到不同速度的最佳切换位置。将最优切换位置代入MATLAB进行分析，结果表明使用该算法吞吐量性能提升大约为36%，数据包传输延时约降低55%，乒乓切换效应约降低53%，但算法的复杂度使得计算时间成本提高同时算法自身的稳定性不足，仍需要进一步优化处理。 针对DQN算法的缺陷，提出了基于优先经验回放机制的深度确定性策略梯度(PrioritizedExperienceReplay-DeepDeterministicPolicyGradient,PER-DDPG)算法。将DQN算法扩展到多维连续环境，通过Q网络与经验缓存区结合进行状态值函数的更新。由于内部存在四个网络结构，使训练过程更平稳。传统经验回放机制为均匀采样使得部分重要经验被忽略，本文采用优先经验回放机制使重要信息被多次采集，提高训练效率从而使得算法计算时间成本缩短45.8%，改进后的算法可以更快训练得到列车最优切换位置，提高了越区切换的稳定性和计算时间成本，使得基于WLAN的城市轨道交通越区切换优化更加安全可靠。 |
| 作者： | 王冶力 |
| 专业： | 交通信息工程及控制 |
| 导师： | 王成龙 |
| 授予学位： | 硕士 |
| 授予学位单位： | 兰州交通大学 |
| 学位年度： | 2022 |
检索历史
应用推荐
