高速铁路无线接入点部署的优化方法及系统

本技术涉及铁路无线通信，尤其是涉及一种高速铁路无线接入点部署的优化方法及系统。

背景技术：

1、高速铁路通信系统对无线网络覆盖的连续性、通信实时性及切换稳定性提出了极高要求。无线接入点作为关键基础设施，其部署策略直接影响通信质量。

2、现有的高速铁路无线接入点部署方法主要采用固定参数配置或集中式优化，通过对铁路沿线进行静态网络覆盖分析实现无线接入点的初始部署。然而，高速铁路运行环境具有高速移动、场景复杂及动态变化等特点，传统静态部署方法难以长期适应。当列车运行速度、用户接入密度、天气或电磁环境发生变化时，现有方法容易出现无线覆盖盲区增大、通信时延升高，并且不同铁路区域节点之间数据难以共享，形成数据孤岛，导致模型无法有效适应动态环境变化。

技术实现思路

1、有鉴于此，本技术的目的在于提供一种高速铁路无线接入点部署的优化方法及系统，以解决现有技术中存在的因环境动态变化和数据孤岛导致无线接入点部署方案适应能力不足、易出现覆盖盲区及通信时延高的技术问题。

2、第一方面，本技术实施例提供了一种高速铁路无线接入点部署的优化方法，包括：

3、采集所述铁路区域节点所在地的高速铁路的无线通信状态数据；

4、基于所述无线通信状态数据进行无线接入点部署优化模型的训练，并将训练得到的无线接入点部署优化模型的参数同步至联邦服务器，以实现聚合处理输出高速铁路的全局无线接入点部署优化模型；

5、接收所述联邦服务器下发的全局无线接入点部署优化模型，并基于持续学习机制对所述全局无线接入点部署优化模型进行在线增量更新，其中所述在线增量更新为在所述全局无线接入点部署优化模型引入历史场景特征记忆约束；

6、采集所述铁路区域节点的实时无线通信状态数据，并输入至更新后的全局无线接入点部署优化模型进行优化，得到所述铁路区域节点所在地的无线接入点部署优化结果，所述部署优化结果包括以下至少一种无线接入点部署参数：无线接入点的部署位置、部署间距、发射功率和无线切换阈值。

7、可选的，所述基于所述无线通信状态数据进行无线接入点部署优化模型的训练，包括：

8、基于所述无线通信状态数据构建高速铁路的无线通信状态特征集合，其中所述无线通信状态特征集合包括以下特征中的至少一种：接收信号强度、信干噪比、列车运行速度、用户接入数量和无线接入点负载状态；

9、将所述无线通信状态特征集合输入深度神经网络进行训练，得到无线接入点部署优化模型。

10、可选的，所述将所述无线通信状态特征集合输入深度神经网络进行训练，得到无线接入点部署优化模型，包括：

11、将所述无线通信状态特征集合中的每个无线接入点的特征集分别输入至深度神经网络进行训练，得到多个优化模型；

12、基于各无线接入点对应特征的特征值进行关联计算，并基于计算的结果进行动态评估；

13、基于评估的结果从多个所述优化模型中选择一个作为所述铁路区域节点所在地对应的无线接入点部署优化模型。

14、可选的，所述基于各无线接入点对应特征的特征值进行关联计算的计算公式为：

15、，其中，表示用户终端当前接入的目标无线接入点，表示第个无线接入点对应的信干噪比，表示第个无线接入点当前负载状态，表示无线接入点切换代价，表示对应指标权重系数。

16、可选的，所述信干噪比的计算表达式为：

17、，其中，表示目标无线接入点发射功率，表示目标无线接入点对应的信道增益，表示邻近无线接入点或外部电磁环境产生的干扰信号功率，表示系统噪声功率。

18、可选的，所述基于持续学习机制对所述全局无线接入点部署优化模型进行在线增量更新，包括：

19、在检测到铁路区域节点的运行环境相对于上一检测时刻发生变化时，获取所述铁路区域节点所在地的新无线通信状态数据；

20、利用持续学习机制，基于所述新无线通信状态数据匹配相似的历史无线通信状态数据，并对所述全局无线接入点部署优化模型进行增量训练。

21、可选的，所述利用持续学习机制，基于所述新无线通信状态数据匹配相似的历史无线通信状态数据，并对所述全局无线接入点部署优化模型进行增量训练，包括：

22、基于所述新无线通信状态数据从历史数据库中匹配相似的历史无线通信状态数据，并基于所述历史无线通信状态数据构建历史记忆约束损失函数；

23、基于所述历史记忆约束损失函数和所述新无线通信状态数据对所述全局无线接入点部署优化模型进行约束性增量训练；

24、所述历史记忆约束损失函数的表达式为：，其中，表示模型总损失函数，表示当前高速铁路通信场景下的任务损失函数，表示模型参数重要性系数，表示当前模型参数，表示历史场景对应的关键模型参数，表示当前时刻的历史场景特征记忆集合，表示上一时刻的历史场景特征记忆集合，表示历史参数约束权重系数，表示历史场景记忆保持权重系数；

25、所述历史场景特征记忆集合的更新表达式为：，其中，表示历史记忆保持系数，表示当前高速铁路无线通信场景特征。

26、可选的，在所述将训练得到的无线接入点部署优化模型的参数同步至联邦服务器之后，还包括：

27、接收多个铁路区域节点上传的无线接入点部署优化模型的参数；

28、对各铁路区域节点上传的模型参数进行加权聚合，得到全局无线接入点部署优化模型；

29、将所述全局无线接入点部署优化模型下发至各铁路区域节点。

30、可选的，所述对各铁路区域节点上传的模型参数进行加权聚合，得到全局无线接入点部署优化模型，包括：

31、基于各铁路区域节点的通信质量、数据规模、训练贡献度动态调整各节点对应的聚合权重系数；

32、采用联邦平均算法，基于所述聚合权重系数对各铁路区域节点上传的模型参数进行加权聚合，得到全局无线接入点部署优化模型。

33、第二方面，本技术实施例还提供一种高速铁路无线接入点部署系统，包括：

34、铁路区域节点，用于采集所述铁路区域节点所在地的高速铁路的无线通信状态数据；基于所述无线通信状态数据进行无线接入点部署优化模型的训练，并将训练得到的无线接入点部署优化模型的参数同步至联邦服务器，以实现聚合处理输出高速铁路的全局无线接入点部署优化模型；接收所述联邦服务器下发的全局无线接入点部署优化模型，并基于持续学习机制对所述全局无线接入点部署优化模型进行在线增量更新，其中所述在线增量更新为在所述全局无线接入点部署优化模型引入历史场景特征记忆约束；采集所述铁路区域节点的实时无线通信状态数据，并输入至更新后的全局无线接入点部署优化模型进行优化，得到所述铁路区域节点所在地的无线接入点部署优化结果，所述部署优化结果包括以下至少一种无线接入点部署参数：无线接入点的部署位置、部署间距、发射功率和无线切换阈值

35、联邦服务器，用于接收多个铁路区域节点上传的无线接入点部署优化模型的参数；对各铁路区域节点上传的模型参数进行加权聚合，得到全局无线接入点部署优化模型；将所述全局无线接入点部署优化模型下发至各铁路区域节点。

36、本技术实施例带来了以下有益效果：

37、本技术提供的一种高速铁路无线接入点部署的优化方法及系统，通过结合联邦学习与持续学习机制来协同优化无线接入点部署。首先，各铁路区域节点在本地基于无线通信状态数据训练模型，仅将模型参数上传至联邦服务器进行聚合，这一过程避免了原始数据共享，直接缓解了因数据孤岛导致的模型泛化能力不足问题，有助于提升全局部署方案的鲁棒性。其次，通过引入历史场景特征记忆约束的持续学习机制对聚合后的全局模型进行在线增量更新，使得模型在面对列车运行速度、用户接入密度等动态环境变化时，能够持续学习新知识同时保留对历史场景的记忆，从而直接克服了传统静态部署方法难以长期适应复杂动态环境变化的缺陷，有效减少了无线覆盖盲区和通信时延。此外，通过构建包含接收信号强度、信干噪比、用户接入数量等特征的无线通信状态特征集合，并利用深度神经网络进行训练，能够更精确地建模复杂无线环境，从而输出更优化的无线接入点部署位置、部署间距、发射功率和切换阈值等参数，最终实现高速铁路无线网络覆盖连续性、切换稳定性及资源利用率的综合提升。

38、本技术的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本技术而了解。本技术的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。

39、为使本技术的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。