摘要：城市軌道交通是現代化交通基礎設施的重要組成部分，5G作為新一代移動通信技術，可提供高速率、低時延的無線數據傳輸，有助于提升城市軌道交通的運行效率和服務質量。由于城市軌道交通場景的復雜性，需要針對性的通信場景分類、信道特性分析和精準的信道模型為城市軌道交通5G通信系統的設計提供理論支撐。基于此，提出了5G城市軌道交通電波傳播場景的分類，以支撐典型場景下的信道測試與建模工作，同時闡述了城市軌道交通場景信道測量和建模的現狀，并分析了當前面臨的主要挑戰。結合5G通信智能化特點，討論了人工智能在信道特征提取和信道建模方面的應用前景與可行思路，并深入分析了基于可重構智能面和無人飛行器輔助的5G城市軌道交通信道建模研究現狀和發展前景。最后，闡述了毫米波頻段下5G城市軌道交通信道建模的研究。

　　關鍵詞：智能軌道交通;5G;城市軌道交通;場景分類;信道建模;電波傳播

　　1引言

　　隨著現代社會城市化進程的推進，城市軌道交通系統的需求持續增長。、印發的《交通強國建設綱要》中明確指出了要建設城市群一體化交通網，推進干線鐵路、城際鐵路、市域(郊)鐵路、城市軌道交通的融合發展。5G為城市軌道交通系統中高效可靠的數據傳輸、基于通信的列車控制以及高質量乘客服務提供了重要基礎，城市軌道交通有望借助5G通信技術全面實現智能化和信息化的跨越式發展。2020年《中國移動城市軌道交通5G應用技術白皮書》發布，標志著5G城市軌道交通技術發展進入新篇章。在5G城市軌道交通通信系統研究和關鍵技術裝備研發中，城市軌道交通無線通信場景的精準分類、信道測量與高精度信道建模是重要的基礎。準確合理的場景分類為無線信道的測量與建模、仿真，以及各類關鍵通信技術性能的評估與比對驗證提供重要支撐，信道模型則是通信系統設計、仿真以及優化的基礎。本文詳細探討5G城市軌道交通場景分類、信道測量與建模等問題，為未來5G城市軌道交通通信技術的高質量發展提供支撐。

　　25G城市軌道交通傳播場景

　　無線通信的場景定義是無線通信技術發展的基礎，準確合理的場景定義是開展通信信道測量、仿真、系統設計與驗證、通信性能評估的先決條件。5G城市軌道交通通信場景有別于傳統蜂窩通信和鐵路移動通信場景，差異主要來源于兩方面：首先，城市軌道交通的線路和車站大部分位于地下，這與常規鐵路線路多位于地面、高架橋等空曠環境存在顯著差異，復雜的傳播環境也導致城市軌道交通中非直射(non-line-of-sight，NLOS)通信較直射(line-of-sight，LOS)通信占比增多;其次大規模多輸入多輸出(massivemultiple-inputmultiple-output，mMIMO)、毫米波、無人機、智能反射等5G新技術的引入帶來了天線陣型、頻段、覆蓋范圍等方面變化，這些因素顯著影響5G城市軌道交通通信場景的分類。

　　3信道測量與建?，F狀

　　建立可靠的無線通信系統是保證城市軌道交通安全運營的關鍵。無線通信系統的設計離不開對相關環境中電波傳播機制和信道特征的準確表征和建模，準確的信道模型是5G城市軌道交通無線通信系統設計的基礎[1]。

　　目前信道建模方法主要分為兩大類：確定性建模和統計性建模。確定性信道建模以電磁波傳播理論作為基礎，借助精細的場景建模和電磁計算，獲得無線電波在空間中每條傳播路徑的具體參數[3]。確定性建模在已經完成參數校準的前提下較少依賴于信道測試數據，但該類方法復雜度較高，因此難以適用于大規模的鏈路級和系統級仿真。統計性信道建模主要借助在典型傳播場景中開展信道測量，采集信道數據并開展統計分析，提取出反映傳播特征的各類信道參數的統計特性，建立信道模型。統計性建模一般不依賴于對具體場景中散射體空間分布的精細刻畫，主要從統計角度提取一般性普適特征，因此統計性建模能夠較為準確地刻畫某一類典型傳播環境的信道特征，且具有較低的復雜度和較好的可擴展性[4]。

　　4基于人工智能的動態信道特征提取與建模

　　與傳統軌道交通常見的城郊或橋梁場景不同，5G城市軌道交通通信場景更加復雜多變，應用與業務更加多樣化，數據中隱含的各類電波傳播特征更加豐富。在人工智能與大數據技術飛速發展的今天，5G城市軌道交通信道建模的研究也面臨新的挑戰和機遇，主要表現在以下3個方向。

　　(1)信道特征提取傳統的軌道交通信道特征提取主要關注信道沖激響應在功率時延譜上的包絡特征，側重于多徑的時延與功率參數的估計，而在5G系統中需更多地關注多徑角度域參數的估計。城市軌道交通5G智能通信的發展一方面對傳統信道參數(如時延、角度、功率及多普勒等)的提取精度提出了更高的要求，另一方面還需要借助人工智能技術實現對動態信道高階特征參數的提取[14]，如功率時延譜削度、復雜環境下多徑簇[15]等特征，為后續數據處理及智能化算法設計提供支撐。多徑成簇現象由信道物理環境和電波傳播機理相互作用而成，多徑簇在信道多維特征層面具有較為明顯的規律，因此使用人工智能技術實現更為準確且高效的多徑簇提取也是重要研究方向之一[16]。雖然深度學習在處理高維數據特征提取上已經取得了一些成果，但是目前尚未有基于深度學習的時變信道多徑簇提取算法，無法滿足城市軌道交通通信信道研究的需求。由于城市軌道交通場景復雜，且發射端常處于高速移動狀態，信道動態變化快，非平穩性強，由此引起多徑生滅過程的快速變化，為信道特征的提取帶來更多挑戰。但是由于軌道交通設施移動路線固定，信道中部分主導性反散射體的出現往往呈現一定規律，如城市軌道附近的建筑樓宇以及特殊的地勢地形等。在對此類信道特征進行提取時，其時域上的可追蹤性可以有效提高信道特征提取的效率與準確性[17]。

　　(2)信道場景識別城市軌道交通移動性較強，電波傳播環境復雜多變，不同通信場景常具有不同的通信業務特點與需求。為了滿足上層通信資源調度的合理分配需求，需要針對不同通信場景的精準信道模型，并能及時識別列車當前所處的信道環境。

　　5融合RIS的5G城市軌道交通信道建模

　　當前，可重構智能面(reconfigurableintelligentsurface，RIS)技術得到了廣泛關注[23]，成為B5G、6G通信中提升通信系統性能的有效手段之一，可以應用于城市軌道交通通信場景，有效地提升覆蓋的可靠性以及無線傳輸的速率。RIS由大量低成本的無源反射元件組成，通過放大反射信號[24]和實時調控信號的振幅/相位[25]，實現對反射波束的控制以及對無線傳播環境的重新配置，進而提高無線通信覆蓋范圍、吞吐量和能效。

　　(1)無線信道特性相比于一般的室外場景，城市軌道交通環境更為復雜，且列車具有較快的行駛速度，再加上車廂的密封性好、穿透損耗大，無線通信很容易中斷。在該類情況下，將RIS部署于基站和列車之間的建筑物表面，借助RIS技術對信號進行精準控制和波束增強，可以顯著提升基站與列車之間數據傳輸的可靠性和效率，相關場景如圖5所示，RIS可以改善非視距場景下用戶的通信。

　　在融合RIS的城市軌道交通場景中，基站?列車間的信道主要包含視距路徑、RIS反射路徑和復雜多徑。由于城市軌道交通場景復雜，接收到的無線電波會經歷嚴重的多徑衰落，從而導致相位噪聲、多普勒頻移或載波頻偏。傳統通信系統通常借助部署中繼或功率放大器來解決此類問題，但該方法會造成網絡功耗，并引入干擾信號[26]。與之不同的是，RIS技術可實現對多徑傳播的調控，將基站信號經由RIS反射到達列車端，從而建立虛擬視距，可以提升基站與列車之間通信的有效性和可靠性[27]，并減少信號干擾[28]。該虛擬視距主要由兩部分組成：基站?RIS鏈路、RIS?列車鏈路。當基站與RIS安置的高度較高時，其周邊的反散射體往往較少，此時基站?RIS鏈路的信道往往呈現稀疏性。但由于列車周邊反散射環境復雜，RIS?列車鏈路信道往往為非稀疏，加之RIS對反射波束的物理調控，此時基站?RIS?列車的通信信道多徑分布特征往往更加難以描述。

　　(2)信道建模研究盡管RIS展示出良好的應用前景，RIS輔助的通信系統設計仍存在許多尚未解決的關鍵問題。為了準確設計與評估RIS輔助的城市軌道交通通信系統，建立準確的信道模型是亟待解決的重要問題。目前，RIS技術的研究中使用的信道模型大多來自3GPP的標準化信道模型，但上述模型并未涵蓋城市軌道交通場景，且大部分模型尚未在RIS場景下得到信道測量的準確驗證，當前國際范圍內依然缺少基于實測數據的RIS無線信道的深入研究。文獻[29]和文獻[30]均在信道狀態信息已知的理想假設下，進行RIS電磁單元的反射相位設計。文獻[31]對RIS輔助的移動通信自由空間路徑損耗進行了建模和測量驗證，可用于鏈路預算分析，但亟須開發真實環境下綜合考慮各類衰落因素的RIS信道模型。文獻[32]考慮了存在隨機散射體情況下的5G毫米波RIS靜態信道模型，但模型缺乏實測數據的充分驗證?？紤]搭配RIS通信場景對傳播過程的簡化和抽象，可以使用幾何隨機模型(geometry-basedstochasticmodel，GBSM)模擬城市軌道交通RIS傳播環境，如圖6所示，環境中的近端、遠端反散射體可建模為不同的規則幾何體。圖中分別將基站和列車周邊的反散射環境建模為球體模型，其近端散射體(如植被、過往車輛和行人等)分布在球體表面，而收發兩側的遠端反散射環境可建模為橢圓圓柱體結構，遠處建筑物和RIS分別分布在橢圓圓柱體的底部和側表面。由此所建立的GBSM可支撐在城市軌道交通環境中基于幾何理論[33]開展基于RIS的基站?列車信道建模與仿真研究，為融合RIS的5G城市軌道交通通信系統設計與性能分析提供支撐。

　　參考文獻：

　　[1]AIB,CHENGX,KüRNERT,etal.Challengestowardwirelesscommunicationsforhigh-speedrailway[J].IEEETransactionsonIntelligentTransportationSystems,2014,15(5):2143-2158.

　　[2]AIB,HERS,ZHONGZD,etal.Radiowavepropagationscenepartitioningforhigh-speedrails[J].InternationalJournalofAntennasandPropagation,2012:1-7.

　　[3]WANGCX,BIANJ,SUNJ,etal.Asurveyof5Gchannelmeasurementsandmodels[J].IEEECommunicationsSurveys&Tutorials,2018,20(4):3142-3168.

　　[4]WANGCX,GHAZALA,AIB,etal.Channelmeasurementsandmodelsforhigh-speedtraincommunicationsystems:asurvey[J].IEEECommunicationsSurveys&Tutorials,2016,18(2):974-987.

　　[5]ZHANGJH,TANGP,YUL,etal.Channelmeasurementsandmodelsfor6G:currentstatusandfutureoutlook[J].FrontiersofInformationTechnology&ElectronicEngineering,2020,21(1):39-61.

　　[6]ZHANGB,ZHONGZD,HERS,etal.Measurement-basedMarkovmodelingformulti-linkchannelsinrailwaycommunicationsystems[J].IEEETransactionsonIntelligentTransportationSystems,2019,20(3):985-999.

　　何睿斯1，艾渤1，鐘章隊1，楊汨1，黃晨1，馬張楓1，孫桂琪1，米航1，周承毅1，陳瑞鳳2