论文部分内容阅读
随着国民经济的快速发展,以及铁路相关技术的不断进步,为了满足人们日益增长的生产和生活需要,“货运重载化”成为我国货运铁路技术的重要发展方向。为解决两万吨级重载列车的通信业务需求,朔黄铁路公司世界上首次将LTE-R(Long Term Evaluation-Railways)技术应用于重载铁路。LTE-R无线通信网络承载着重载列车的核心通信业务,因此LTE-R网络的可靠性和稳定性,直接影响着朔黄铁路的运行安全。而针对LTE-R网络的智能故障诊断与预测方法,能够有效地发现LTE-R网络中存在的问题,或根据网络的运行状态对可能发生的问题进行预警,已成为保障LTE-R网络系统可靠和稳定运行的一个重要技术手段。为此,本文以朔黄铁路LTE-R网络为研究对象,综述了智能故障诊断与预测的基本理论、相关方法以及评价指标等内容。然后,又以不平衡数据分类以及时间序列预测为理论基础,大数据、深度学习、智能优化算法等作为技术手段,针对朔黄铁路LTE-R网络故障诊断与预测中所遇到的相关问题,提出了相应的智能故障诊断与预测方法。本文的研究为LTE-R网络的智能运维提供了必要的理论基础和技术手段,具有一定的理论和应用价值。论文的主要的研究成果和结论如下:(1)针对海量、高维度LTE-R网络运维数据存储、读取及处理效率低下的问题,本文提出了一种基于大数据以及地理信息系统(GIS)技术的LTE-R切换及覆盖问题检测方法。为了实现对海量、高维度LTE-R网络运维数据的结构化存储,本文采用HDFS、Hive以及Presto对这些数据进行存储和读取,并利用Spark来改进切换及覆盖问题检测过程中比较耗时的步骤。此外,所有检查出的问题均被展示到GIS系统上,这使得运维人员能够直观、快速地获取问题发生区域的信息。实验表明,该方法能够准确、高效地从海量LTE-R运维数据中识别出常见的LTE-R网络切换及覆盖问题,并能够对这些问题进行直观地展示,具有较高的应用价值。(2)在LTE-R通信性能劣化小区检测问题中,性能劣化小区的数目远远小于正常小区的数目,这可以看作是一个不平衡二分类问题。为了解决该问题,本文首先利用K-means算法,对各小区关键性能指标数据进行转化,从而构建出一个LTE-R通信性能劣化小区检测数据集。然后,为了能够在数据潜在特征层面解决不平衡二分类问题,本文构建了一个双编码器降噪自编码神经网络,并引入生成式对抗网络(GAN)方法来对该神经网络结构进行逐层训练。此外,为了进一步提高分类性能,本文又将Fisher准则和AUC进行结合,构建出多个优化目标,并利用第三代非支配排序遗传算法(NSGA-Ⅲ)对网络参数进行优化。最后,使用逼近理想解排序法(TOPSIS)从多个非支配解中选择出最优的一个,作为网络的最终参数,从而提高了多数类和少数类潜在特征之间的可分性。在公开的不平衡二分类数据集,以及LTE-R通信性能劣化小区检测数据集上的实验表明,相比对比方法,本文方法具有更好的分类性能。(3)为了进一步提升通信性能劣化小区检测的准确率,本文提出了一种基于类别不平衡序列特征提取的LTE-R通信性能劣化小区检测方法。针对如何更加有效地捕获关键性能指标序列局部特征的问题,本文构建了一个基于卷积神经网络(CNN)的神经网络结构,并通过自定义卷积核以及距离计算层,使得该网络能够以滑动窗口的方式,计算每个shaplets与原始序列各个片段的最小距离,从而实现了以shaplets transformation的方式提取序列数据的局部特征。然后,针对序列类别不平衡的问题,构建了基于Fisher准则的优化目标,并使用差分进化算法来对整个网络进行训练。实验表明,本文提出的方法能够十分准确地检测出发生了通信性能劣化的LTE-R小区,具有较高的应用价值。(4)针对LTE-R小区通信性能预测问题,本文利用LTE-R网络承载的核心业务的演进的无线接入承载(E-RAB)异常释放比率作为小区通信性能的评价指标,并提出了一个名为PA-LSTM的时间序列预测方法来对LTE-R小区的通信性能进行预测。PA-LSTM方法首先利用自适应噪声的完备经验模态分解(CEEMDAN)对原始数据进行预处理,从而消除原始数据中的高频分量,使数据变得平滑且变化趋势更为明显。然后引入长短时记忆神经网络(LSTM)和注意力机制构建预测模型。此外,又引入了粒子群优化(PSO)算法来调整注意力权重,从而得到更加精确的预测结果。在多个LTE-R小区通信性能数据集上的实验表明,本文提出的PA-LSTM方法能够准确地对LTE-R小区的通信性能进行预测,为LTE-R网络的运维工作提供建议。(5)考虑到LTE-R网络能够同时承载多个业务,且当前小区与相邻小区的通信信号会相互影响,为了更加精确地对LTE-R小区通信性能进行预测,本文提出了一个面向LTE-R小区通信性能预测的多维时间序列预测方法。该方法选择当前小区以及相邻小区多个通信业务的E-RAB异常释放比率的历史序列作为原始数据,并利用离散二进制粒子群优化(BPSO)算法来从这多个时间序列中选择出具有最大相关最小冗余度的一组时间序列的集合。然后,为了充分地提取所选序列中所包含的深度特征,本文又基于设计了一个基于LSTM和CNN的深度神经网络结构,并引入注意力机制来对提取出的深度特征进行加权处理。实验结果表明,与对比方法相比,论文提出的方法能够更加准确地预测LTE-R小区的通信性能。