铁路专用无线通信场强覆盖与外部干扰检测技术综述
铁路专用无线通信场强覆盖与外部干扰检测技术综述
摘要
铁路专用无线通信系统是保障铁路运输安全高效运行的关键基础设施。本文系统综述了铁路无线通信场强覆盖检测与外部干扰检测技术的国内外研究进展，涵盖从GSM-R到5G-R的技术演进、驱动测试与射线追踪仿真、机器学习预测方法、外部干扰检测与定位技术以及5G-R网络切片与FRMCS标准化等前沿方向。
关键词：铁路通信；场强覆盖；干扰检测；GSM-R；5G-R；FRMCS
1 引言
铁路专用无线通信系统经历了从模拟无线列调到GSM-R数字移动通信系统，再到LTE-R和5G-R的演进历程。截至2025年底，全球已有超过30个国家和地区的铁路网络部署了GSM-R系统，总里程超过20万公里。中国铁路GSM-R网络覆盖里程超过10万公里，是全球规模最大的铁路专用移动通信网络。场强覆盖的完整性和可靠性直接关系到列车控制信号传输的连续性和行车安全——ETCS（欧洲列车控制系统）Level 2/3和CTCS-3/4（中国列车控制系统）均依赖GSM-R/5G-R作为车地连续数据传输的无线承载通道。外部干扰的及时检测与精确定位是保障铁路无线电频率使用秩序的关键环节，尤其在中国铁路沿线的复杂电磁环境中，联合铁路公网覆盖系统、牵引供电系统和公众移动通信系统之间的频率共存与干扰协调问题日益突出。
2 铁路无线通信技术演进
2.1 GSM-R系统：技术原理与全球部署
GSM-R（Global System for Mobile Communications – Railway）是基于GSM Phase 2+平台、专为铁路通信设计的数字移动通信系统，工作频段为上行876–880 MHz/下行921–925 MHz（中国铁路专用频段）。GSM-R在铁路沿线的场强覆盖质量直接决定了ETCS/CTCS列车控制信号的传输可靠性，因此场强覆盖检测是铁路无线通信运维的核心环节。GSM-R系统支持的功能业务包括：列车控制信令传输（ETCS）、调度通信（Group Call, VGCS/VBS）、应急通信（Railway Emergency Call, REC）和功能寻址（Functional Addressing）等。全球GSM-R部署形成了以欧洲（ETCS基线3/4）和中国（CTCS-3/4）为核心的两大体系，印度铁路也于2022年启动了覆盖6.8万公里的GSM-R网络升级计划。
GSM-R场强覆盖的关键指标是接收电平（Rx Level）不低于-92 dBm（95%站点概率）和接收质量（Rx Quality）的误码率（BER）低于0.1%。在高速列车（300 km/h以上）运行条件下，多普勒频移效应导致接收端的频率偏移可达±1.2 kHz（GSM-R 900 MHz频段），需要接收机锁相环（PLL）具备快速的频率跟踪能力。隧道、深路堑和高架桥区的覆盖盲区通常采用泄漏电缆（Leaky Coaxial Cable, LCX）或直放站（Repeater）进行补强，其中LCX在中国铁路隧道中的累计部署长度已超过3,000公里。
2.2 LTE-R与5G-R：从宽带承载到FRMCS
LTE-R基于3GPP Release 8/9/12标准框架，支持最高100 Mbps峰值下行速率和50 Mbps上行速率，能够承载列车视频监控、车载数据卸载和旅客信息服务等高带宽业务[5]。LTE-R采用OFDMA（正交频分多址）和MIMO（多输入多输出）技术，在20 MHz带宽下可实现每小区400用户的接入容量。
5G-R作为下一代铁路移动通信系统（FRMCS）的候选方案，正在全球范围内开展试验和标准化工作。3GPP Release 17/18定义的NR（New Radio）标准引入了超可靠低时延通信（URLLC）和网络切片（Network Slicing）两大关键使能技术。URLLC可提供99.999%的可靠性和低于1 ms（单向）的空口时延，为虚拟耦合和ATO（列车自动驾驶）等高安全等级场景提供了无线承载基础。网络切片技术允许在同一物理5G-R网络上划分出多个逻辑专网——例如列车控制切片（最高优先级，URLLC配置）、调度通信切片（高可靠性，GBR配置）和旅客信息服务切片（尽力而为，non-GBR配置）——各切片之间的资源隔离通过RAN切片（Cell Reservation/PRB Partitioning）和CN切片（AMF/SMF/UPF独立实例化）两级机制实现。
FRMCS的标准化工作由国际铁路联盟（UIC）主导，3GPP作为技术规范的制定机构。FRMCS将替代GSM-R成为全球下一代铁路移动通信的统一标准，其核心需求文件（FRMCS User Requirements Specification, URS）已在UIC第940工作组中完成五个版本的迭代。FRMCS与5G-R的关键差异在于：FRMCS需要在5G NR基础上增加铁路专用的功能特性——包括群组通信的进一步增强、功能寻址的端到端保障、以及跨运营商/跨国界切换的铁路特定优化。
3 场强覆盖检测技术
3.1 传统驱动测试：方法与局限
驱动测试（Drive Test）是铁路无线网络优化的基础手段，通过在检测列车或运营列车上安装专用测试设备（如Rohde & Schwarz TSMA6、Anritsu MS2720T频谱分析仪），沿线路连续采集无线信号强度（RSRP/RSRQ）、信噪比（SINR）、误块率（BLER）和切换成功率等质量指标。驱动测试的优势在于能获取线路沿线的真实无线环境数据，但其根本局限在于：测试成本高（每公里测试成本约500–800元）、测试周期长（对10万公里级网络全覆盖需要数月时间）、且无法在未部署基站的规划线路段获取覆盖预测数据。
3.2 射线追踪仿真：确定性传播建模
射线追踪（Ray Tracing）作为一种确定性传播建模方法，基于电磁波传播的几何光学（Geometric Optics, GO）和一致性绕射理论（Uniform Theory of Diffraction, UTD），通过追踪发射源到接收点之间的直射、反射、衍射和散射路径来预测场强分布。在铁路场景中，射线追踪模型需要考虑轨道沿线复杂的三维地理环境——包括隧道截面形状与衬砌材料介电常数、车站建筑的玻璃/金属立面反射特性、以及电气化铁路接触网支柱的散射效应。Liu和Wang在2022年的综述中系统比较了弹跳射线（SBR）和射线发射（Ray Launching）两类方法在高速铁路场景中的预测精度与计算效率[8]。研究表明，SBR方法在开阔线路段预测误差约3–5 dB，在隧道段误差约5–8 dB，计算量随射线密度呈O(N²)增长。
3.3 机器学习预测方法
近年来，机器学习方法被引入铁路无线传播建模领域。深度神经网络可以从大量实测数据中学习传播损耗与地理环境特征之间的非线性映射关系。Zhang等人的综述[11]系统回顾了CNN、RNN和图神经网络（GNN）在无线传播预测中的应用，指出GNN方法通过将地理空间结构建模为图结构，在复杂城市环境中比传统经验模型（如3GPP TR 38.901的UMa/NLoS模型）的均方根误差（RMSE）降低约30%–50%。Li等人提出的基于模型无关元学习（MAML）的少样本传播损耗预测方法[12]，利用在新线路或新建基站场景下仅需5–10个实测样本即可将预测误差从初始的8–10 dB降至4–5 dB。
4 外部干扰检测与定位
铁路专用无线电频率的干扰来源主要包括：同频干扰（邻省/邻线GSM-R小区频率复用不当）、邻频干扰（公众移动通信LTE Band 8上行频段与GSM-R下行频段的邻频泄漏）、牵引电磁骚扰（受电弓离线电弧在10–300 MHz频段产生的宽带脉冲噪声）和公众移动通信的越界覆盖（铁路沿线宏基站信号泄漏进入铁路红线范围）。Li和Zhang在2023年提出的ResNet干扰分类方法[13]，采用残差网络从频谱瀑布图的时频二维特征图中自动识别干扰类型，在GSM-R/LTE-R频段的实测数据集上实现了同频干扰、邻频干扰和脉冲干扰三类分类的95.3%准确率。
4.1 基于列车载检测的方法
利用运营列车搭载的无线电监测设备（频谱分析仪+全向/定向天线），在正常运营过程中同步采集沿线的无线电频谱数据，通过分析信号特征的变化来识别和定位外部干扰源。这一方法的优势在于利用列车的高密度运行实现沿线频谱的准实时监测，但挑战在于干扰源的定位精度受限于列车运行速度（300 km/h时每秒移动83 m，对单次测量的空间分辨率有限）和定向天线安装条件的限制。基于多普勒频移差（TDOA）的联合定位方法利用列车经过干扰源时接收信号的多普勒频率变化曲线估计干扰源横向偏移距离，在京津城际铁路试验中实现了±50 m的定位精度。
4.2 固定监测网络与边缘AI
在关键区段（省界交汇处、枢纽站、隧道群）部署固定监测节点，形成沿线分布式无线电监测网络，实现对重点频段的连续监控。每个监测节点集成了宽带频谱感知模块（9 kHz–6 GHz）、边缘AI推理单元和4G/5G回传链路。边缘AI单元运行轻量级CNN模型（如MobileNetV3-SSD），在本地完成干扰信号的实时检测和初步分类，仅将检测到的干扰事件元数据（时间、频率、强度、分类结果）回传至中心分析平台，将回传数据量从原始IQ采样的GB/s级压缩至kb/s级。
Zhang等人的对比研究[14]系统比较了驱动测试、射线追踪仿真和机器学习方法在铁路无线覆盖预测中的表现。该研究基于京沪高铁约300公里的实测数据，以接收信号强度（RSS）的预测误差为评价指标。结果表明，在城区和站场区段，机器学习方法的RMSE为3.8 dB，优于射线追踪的5.2 dB和驱动测试插值的6.1 dB（驱动测试插值因采样点间距过大导致空间欠采样误差）。在郊区和隧道区段，由于训练数据不足，机器学习的RMSE上升至6.5 dB，而物理模型的射线追踪方法反而表现出更好的泛化能力（RMSE 5.8 dB）。这一结论表明，物理模型与数据驱动方法的融合（而非替代）是铁路场强覆盖预测的最优策略。
5 5G-R网络切片与FRMCS标准化
5G-R在铁路中的应用场景可以分为三大切片类型：
列车控制切片（URLLC切片）：承载ETCS/CTCS车地连续数据（Level 2/3移动授权更新），端到端时延要求<10 ms，可靠性要求99.999%。该切片采用面向确认模式（AM）的RLC配置、PDCP重复（Packet Duplication）和独立UPF部署，在3GPP Release 17标准框架下实现了5 ms以内的用户面时延。
调度通信切片（VoNR切片）：承载列调、货调和应急群组通信，需要保证GBR（保障比特率）资源和组呼建立时间<300 ms。FRMCS在5G NR基础上增强了群组通信功能——MC-PTT（关键任务一键通）和MC-Data的铁路特定扩展。
旅客信息切片（eMBB切片）：提供车载Wi-Fi接入和旅客信息服务，使用尽力而为的non-GBR资源，可在网络拥塞时被优先抢占。该切片面向列车车载公众移动通信中继系统的宽带接入需求。
FRMCS的标准化路线图明确分为三步：Phase 1（2025–2027）完成核心需求定义和与5G NR R18/R19的对接；Phase 2（2027–2029）完成铁路特定增强功能的标准化（群组通信、功能寻址、跨域切换优化）；Phase 3（2030–2032）完成FRMCS全面商用规范，包括与既有GSM-R的共存迁移方案和向后兼容性要求。
6 毫米波与太赫兹通信在铁路中的前沿探索
随着6G研究的推进，毫米波（mmWave, 24–100 GHz）和太赫兹（THz, 0.1–10 THz）频段在铁路无线通信中的应用正从概念探索走向初步实验。Hrovat等人[7]的综述指出，毫米波在铁路场景中的传播特性呈现与低频段截然不同的特征：路径损耗指数在视距（LoS）条件下约为2.0–2.5，在非视距（NLoS）条件下急剧上升至5.0–7.0；大气吸收峰值出现在60 GHz（氧分子吸收，约16 dB/km）和120 GHz（水蒸气吸收，约2 dB/km）；雨衰在100 GHz频段可达20–30 dB/km（大雨条件）。尽管毫米波覆盖距离短（典型小区半径200–500 m），但其超大带宽（可达400 MHz–1 GHz单载波带宽）可为铁路旅客信息系统提供数Gbps级别的峰值下行速率。中国铁道科学研究院已在北京—张家口高铁沿线开展了28 GHz频段的毫米波传播试验，初步验证了在高速移动条件（350 km/h）下的波束跟踪可行性。
7 结论与展望
铁路无线通信场强覆盖与干扰检测技术正从单一手段向多源融合、从人工分析向智能诊断的方向演进。未来五年，以下四个方向将成为技术突破的重点：（1）FRMCS/5G-R商用部署与GSM-R迁移策略的系统工程方法；（2）基于数字孪生的铁路无线网络智能规划与自优化；（3）AI驱动的干扰检测、分类与定位的端到端自动化；（4）毫米波/太赫兹频段在高速铁路中的传播特性与系统设计。
参考文献
[1] 3GPP TR 38.913. Study on scenarios and requirements for next generation access technologies (Release 16) [S]. 3GPP, 2020. URL: https://www.3gpp.org/ftp/Specs/archive/38_series/38.913/
[2] 3GPP TS 45.001. GSM/EDGE Physical layer on the radio path (Release 8) [S]. 3GPP, 2019. URL: https://www.3gpp.org/DynaReport/45001.htm
[3] Sauter M. From GSM-R to LTE-R and 5G-R: Evolution of railway mobile communication [J]. IEEE Communications Magazine, 2021, 59(7): 52-58
[4] 3GPP TS 36.300. Evolved Universal Terrestrial Radio Access (E-UTRA) (Release 15) [S]. 3GPP, 2022. URL: https://www.3gpp.org/DynaReport/36300.htm
[5] Zhao Y, Li X. QoS-guaranteed resource allocation for LTE-R based train control services [J]. IEEE Transactions on Vehicular Technology, 2020, 69(8): 8804-8815
[6] 3GPP TS 38.300. NR and NG-RAN overall description (Release 17) [S]. 3GPP, 2023. URL: https://www.3gpp.org/DynaReport/38300.htm
[7] Hrovat A, et al. Millimeter-wave propagation in railway environments: A survey [J]. IEEE Access, 2022, 10: 12540-12560.
[8] Liu Z, Wang J. Ray-tracing based propagation modeling for high-speed railway communications: A survey [J]. IEEE Communications Surveys and Tutorials, 2022, 24(2): 1180-1210.
[9] Yun Z, Iskander M F. Ray tracing for radio propagation modeling: Principles and applications [J]. IEEE Antennas and Propagation Magazine, 2015, 57(3): 61-80.
[10] Zhang Y, et al. Propagation characteristics of GSM-R signals in railway tunnels [J]. IEEE Transactions on Antennas and Propagation, 2020, 68(10): 7012-7023.
[11] Zhang Y, Wen J, Yang Y. Machine learning-based radio propagation modeling: A survey [J]. IEEE Communications Surveys and Tutorials, 2023, 25(1): 580-612.
[12] Li M, et al. Few-shot propagation loss prediction for new railway lines via MAML [J]. IEEE Wireless Communications Letters, 2023, 12(6): 1028-1032.
[13] Li X, Zhang Z. ResNet-based interference classification for LTE-R networks [J]. IEEE Transactions on Intelligent Transportation Systems, 2023, 24(11): 12580-12590.
[14] Zhang W H, et al. Comparative analysis of drive test, ray tracing and ML for railway radio coverage prediction [J]. IEEE Transactions on Vehicular Technology, 2024, 73(4): 4788-4802.
[15] UIC. FRMCS User Requirements Specification – Release 5 [R]. International Union of Railways, 2025. URL: https://uic.org/projects/article/frmcs
[16] 3GPP TR 22.889. Study on FRMCS (Release 19) [S]. 3GPP, 2024. URL: https://www.3gpp.org/ftp/Specs/archive/22_series/22.889/
本文基于公开学术文献、技术标准与行业报告综述而成。 发表日期：2026年5月29日
