论文题目：铁路通信网智能故障定位与性能优化方法及应用研究
摘要：铁路通信网是一个复杂的专用网络系统,承载了保证铁路行车安全的多种数据传输和通信服务。例如,列车无线调度、重载无线重联、可控列尾、无线车次号校验等安全攸关的通信业务。铁路通信网络具有特殊的特性和严苛的要求,例如,基站沿铁路沿线呈带状分布、承载了铁路专用多种业务、用户终端高速移动以及严苛的电磁环境、低时延、高服务质量Qo S等要求。这些特有属性和苛刻要求给其运营维护带来了极大的挑战。此外,铁路客运高速化和货运重载化,对通信网络系统的安全性、稳定性和可靠性也提出了更高的要求。铁路总公司电务工作会议提出铁路通信网络系统“网络智能运行,资源智能管理,系统智能维护,业务智能应用”的发展目标。网络管理和运营维护已向智能化方向发展。如何更快速、更精准的定位网络故障,更智能、更科学地优化网络性能既是铁路通信网络管理领域中的重大理论问题,也是铁路现场网络管理与运营维护过程中亟需解决的实际应用问题。本文围绕铁路通信网保安全、提性能等现场亟需解决的重大需求问题,探索新的智能运维方式和方法,解决因果关系网络模型构建、故障定位、性能优化等相关技术问题,旨在降低网络运维成本、提高通信服务质量,使网络持续维持在一个高性能水平上运行。因此,本文在研究和分析了国内外专家和学者大量研究成果的基础之上,主要围绕以下几个方面开展研究和工作。（1）针对可观测变量因果关系误发现率高的问题,提出了一种纯可观测数据的因果关系结构学习和发现方法。该方法引入可视为故障的噪声变量,建立多变量相关的线性非高斯无环模型,从变量集中唯一识别变量间因果关系,有效地表示了变量之间因果关系结构。该线性非高斯因果模型符合通信网络告警数据产生机制。考虑到因果关系线性模型函数表达特性,提出了一个对数似然最大化下界目标函数,通过迭代不断极大化下界目标函数,在因果关系空间内,快速获得因果关系的最优或者近似最优解。最后发现变量之间的因果关系,构建变量因果关系结构网。仿真实验与案例验证结果显示,提出方法表现出了较好的性能水平和因果关系识别能力。（2）针对通信网络固有的不确定性以及多源故障定位复杂性问题,提出了一种自组织的故障定位整体框架。该框架利用信念网络中的消息传播与融合来执行故障推理过程,允许故障推理过程中的知识存储、知识推理和消息传递,并以事件驱动的方式驱动故障定位过程,以提高故障定位自动化程度。为避免传统贝叶斯网络推理过程中计算复杂度问题,利用Noisy OR-gate模型执行计算与推理。Noisy OR-gate模型的析取作用规则符合故障与告警之间因果关系推理模式。此外,为方便算法的开发和数据计算,提出了一种类似路由表的网络参数存储结构。故障案例实验结果显示,该模型在故障定位速度、可用性和可靠性方面满足铁路通信网络故障定位要求。（3）针对移动通信多基站覆盖联合优化非凸问题,提出了一种基于强化学习的多基站协作覆盖优化方法。该方法以道路测试采集到的基站天线性能指标值来衡量通信服务质量,然后通过调整基站天线倾斜角和水平方向角的方式解决通信覆盖优化问题。为避免单基站天线角度调整导致优化动作频繁切换或震荡现象,提出了一种相邻基站间信息交互机制。相邻基站天线通过X2接口传递信息,传递来的信息参与本基站天线覆盖优化。多基站天线倾斜角和方向角在相互协作和博弈的调整过程中获得最优或者近似最优角度调整。现场实验结果显示,所提方法不仅获得了最优调整角度,还在收敛性方面显著优于单基站调整方式。
关键词：铁路通信网络;故障定位;网络优化;强化学习;信念网络
学科专业：计算机科学与技术
致谢
摘要
ABSTRACT
1 绪论
1.1 选题背景与意义
1.1.1 铁路通信网络特有复杂性和要求
1.1.2 铁路运输快速发展对铁路通信网有较高的要求
1.1.3 铁路通信网络故障定位复杂性
1.1.4 通信网络固有的故障定位复杂性
1.1.5 故障与告警固有的因果关系
1.1.6 问题提出与目标要求
1.2 国内外研究综述
1.2.1 因果关系结构发现相关技术和方法
1.2.2 通信网络故障定位相关技术和方法
1.2.3 LTE-R网络覆盖优化相关技术和方法
1.3 研究内容与组织框架
1.4 论文资助
2 告警系统与因果关系
2.1 网络告警系统概述
2.1.1 相关概念
2.1.2 告警门限属
2.1.3 告警处置流程
2.2 因果推理概述
2.2.1 因果关系概念
2.2.2 因果关系与相关关系
2.2.3 因果关系研究价值
2.3 本章小结
3 网络告警因果关系结构学习和发现方法
3.1 因果关系学习问题描述
3.2 因果关系发现模型
3.2.1 数据生成模型
3.2.2 因果识别模型
3.2.3 识别模型参数评估算法
3.3 实验结果和分析
3.3.1 实验设置
3.3.2 模型有效性实验验证与分析
3.3.3 模型性能对比实验验证与分析
3.4 案例分析
3.5 本章总结
4 基于信念网络推理的故障定位方法
4.1 问题描述
4.2 信念网络信息传播机制
4.2.1 信念网络概述
4.2.2 信念网络中的信息传播机制
4.2.3 Noisy OR-gate模型
4.3 信念网络故障定位模型
4.3.1 信息在信念网络中传播和融合
4.3.2 信念网络中的数据存储机制
4.3.3 信念网络参数评估
4.4 模型存储空间及计算复杂度分析
4.5 问题学习
4.6 案例分析
4.6.1 背景介绍
4.6.2 实验案例场景
4.6.3 Nosiy OR-gate模型有效性验证
4.6.4 性能测试实验设置
4.6.5 案例结果分析
4.7 本章小结
5 基于强化学习的移动通信覆盖优化方法
5.1 问题描述与提出
5.2 移动通信系统建模
5.3 基站天线辐射模式
5.4 基于强化学习的通信覆盖联合优化模型
5.4.1 强化学习核心思想和基本概念
5.4.2 Q-learning学习算法一般形式
5.4.3 通信覆盖联合优化模型
5.4.4 模型一般性讨论
5.5 案例分析
5.5.1 背景介绍
5.5.2 CCMA算法的有效性
5.5.3 CCMA算法收敛性验证
5.5.4 CCMA算法最优参数选择
5.6 本章小结
6 总结与展望
6.1 本文工作总结
6.2 未来展望
参考文献