⚡ electrical engineering

Enhanced Throughput and Seamless Handover Solutions for Urban 5G-Vehicle C-Band Integrated Satellite-Terrestrial Networks

本文针对城市环境下 5G 天地一体化网络中车辆用户的下行传输挑战，提出了一种基于连续凸近似（SCA）和实用预测算法的联合优化方案，通过平衡功率分配与基站/卫星关联，在利用伦敦真实三维地图验证的同时，有效提升了系统吞吐量并减少了切换次数。

原作者： Hung Nguyen-Kha, Vu Nguyen Ha, Eva Lagunas, Symeon Chatzinotas, Joel Grotz

发布于 2026-03-16

📖 1 分钟阅读☕ 轻松阅读

原作者： Hung Nguyen-Kha, Vu Nguyen Ha, Eva Lagunas, Symeon Chatzinotas, Joel Grotz

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

这篇论文就像是在解决一个**“城市交通大拥堵”**的问题，只不过这里的“车”是你的手机或车载网络，“路”是无线信号，而“交警”则是我们设计的智能算法。

想象一下，你正开着一辆车穿梭在伦敦这样高楼林立的大城市里，想要保持高速上网（比如看高清视频、打游戏）。这时候，你面临两个巨大的挑战：

高楼大厦像一堵堵墙，挡住了信号（这就是“遮挡”）。
卫星在天上飞，基站在地面站，它们都在用同一条“高速公路”（C 频段）传输数据，容易互相“抢道”产生干扰。

这篇论文就是为了解决：如何在保证网速飞快（吞吐量）的同时，让你的手机在切换信号源时像丝滑一样，不要频繁卡顿或断连（无缝切换）。

下面我用几个生动的比喻来拆解这篇论文的核心内容：

1. 场景设定：天上的“快递无人机”与地上的“快递柜”

地面基站（BS）：就像分布在城市各处的快递柜。它们离你近，速度快，但容易被高楼挡住，而且每个柜子能装的包裹数量有限。
低轨卫星（LSat）：就像在头顶飞行的快递无人机。它们飞得高，覆盖范围广，不容易被楼挡住，但飞得远，信号传输有延迟，而且它们也在移动。
C 频段：这是它们共用的**“空中高速公路”**。以前，地面和天上各走各的道，现在为了效率，大家决定共用这条路。但这就像早高峰的立交桥，如果管理不好，地面车和空中车就会互相干扰，导致堵车。

2. 核心难题：既要跑得快，又要少变道

在这个复杂的城市里，你的车（用户）在移动，天上的无人机也在飞。

如果只追求速度：算法可能会让你频繁地在“地面快递柜”和“天上无人机”之间切换。比如刚才连了 A 基站，下一秒觉得 B 卫星信号好就切过去，再下一秒又切回 C 基站。这就像开车时频繁变道，虽然可能偶尔快一点，但变道本身（切换信号）非常消耗精力，还容易出事故（掉线）。
如果只追求稳定：你可能一直连着一个信号弱的基站，网速慢得像蜗牛。

论文的目标：设计一个超级聪明的“交通指挥官”（算法），它要同时做两件事：

最大化总网速（让所有车都跑得快）。
最小化切换次数（让车尽量少变道，保持平稳）。

3. 解决方案：两个“智能导航”算法

为了解决这个难题，作者提出了两套方案：

方案一：FTW 算法（“上帝视角”的全局规划师）

原理：这个算法假设它拥有**“水晶球”**，能提前知道未来很长一段时间内，每一辆车、每一个基站、每一颗卫星的位置和信号好坏。
做法：它一次性算出整个时间段的完美路线，告诉你什么时候连谁、发多少功率。
优点：理论上是最优解，效率最高。
缺点：太理想化了。现实中没人能预知未来那么久，而且计算量巨大，就像让一个交警在 1 秒钟内算出未来 1 小时全城所有车的路线，电脑会累死的。

方案二：PTW 算法（“看一步走一步”的实战导航）

原理：这是为现实世界设计的。它把时间切成很多小段（比如每 45 秒一段）。
做法：
1. 它先根据你过去的行驶路线（比如谷歌导航的数据），预测你接下来 45 秒大概会在哪。
2. 利用这个预测，结合 3D 地图（知道哪栋楼会挡信号），算出接下来 45 秒的最佳方案。
3. 执行完这 45 秒后，再更新你的位置，预测下一个 45 秒。
比喻：就像你开车用导航，它不会算出你明天早上 8 点的路线，而是根据你现在的速度和方向，预测你接下来几分钟的路况，然后给你指引。
优点：计算快，不需要“水晶球”，非常实用，而且效果只比“上帝视角”差一点点。

4. 实验验证：在真实的伦敦“跑分”

作者没有只在电脑上瞎编，而是用了真实的伦敦 3D 地图和真实的谷歌导航行车路线来做模拟。

模拟环境：他们把伦敦的街道、高楼、甚至玻璃和混凝土对信号的阻挡都算进去了。
结果：
- 网速提升：他们的算法比传统的“贪婪算法”（看到谁信号好就连谁，不管会不会频繁切换）快得多。
- 切换更少：在保持高速的同时，手机切换信号的次数大大减少，就像开车变道次数少了，坐得更稳。
- 预测很准：即使是用“预测”的方法，误差也很小，完全能应付现实情况。

5. 总结：这篇论文带来了什么？

简单来说，这篇论文告诉我们：
在未来 5G 城市里，天上（卫星）和地上（基站）必须联手。通过一种**“既看长远又顾眼前”**的智能算法，我们可以：

利用卫星解决高楼遮挡问题，让信号无死角。
利用智能调度，避免手机在基站和卫星之间像无头苍蝇一样乱跳。
最终实现：你在城市里开车，无论经过多少高楼，网络都又快又稳，看视频不卡顿，打游戏不延迟。

这就好比给未来的城市交通装上了一个**“智能防拥堵 + 自动变道辅助”**系统，让每个人都能享受丝滑的 5G 体验。

这是一份关于论文《Enhanced Throughput and Seamless Handover Solutions for Urban 5G-Vehicle C-Band Integrated Satellite-Terrestrial Networks》（面向城市 5G 车载 C 波段综合天地网络的增强吞吐量与无缝切换解决方案）的详细技术总结。

1. 研究背景与问题定义 (Problem Definition)

背景：
随着 5G 网络的发展，城市环境中对高容量和无缝连接的需求日益增长。传统的密集基站（BS）部署成本高且难以覆盖所有区域。低地球轨道（LEO）卫星通信（SatCom）因其广覆盖和低成本成为补充方案。目前，地面网络（TN）与非地面网络（NTN，如卫星）正在共享 C 波段（3.4-4.2 GHz）频谱，以构建综合天地网络（ISTN）。

核心挑战：
在城市环境中，车辆用户设备（UE）的移动性、建筑物的遮挡、LEO 卫星的动态移动以及共享频谱带来的系统间干扰，使得资源分配变得极其复杂。具体挑战包括：

动态环境： 城市建筑导致信号遮挡、反射和衍射，信道状态随时间快速变化。
多目标冲突： 需要在最大化系统总吞吐量（Sum-Rate, SR）和最小化连接状态切换次数（Connection Changes, CC，即减少频繁切换以保障无缝体验）之间取得平衡。
优化难度： 这是一个混合整数非凸优化问题（MINLP），涉及用户关联（UA）和功率分配（PA）的联合优化，直接求解极其困难。

2. 方法论 (Methodology)

本文提出了一套完整的建模与求解框架：

A. 系统模型

场景： 城市环境，LEO 卫星与地面基站协同服务移动车辆。
信道模型： 基于 3GPP TR 38.863 标准，结合**射线追踪（Ray-Tracing, RT）**技术。利用真实的 3D 地图（伦敦）和 Google 导航路线数据，精确模拟建筑物对信号的阻挡、反射和衍射效应，计算路径损耗和多径效应。
干扰模型： 考虑地面与卫星系统间的互干扰（ISI），假设系统内部干扰已通过协调消除。

B. 问题 formulated
构建了一个多目标优化问题（P0）：

目标函数： 最大化加权总吞吐量，同时最小化连接切换次数（CC）。
约束条件： 用户关联约束（每个 UE 最多连一个 BS 或卫星）、资源容量限制、服务质量（QoS）平均速率约束、以及发射功率预算约束。

C. 求解算法
由于问题是非凸且混合整数的，作者提出了两种基于**连续凸近似（Successive Convex Approximation, SCA）**的迭代算法：

全时间窗口算法 (FTW Algorithm)：
- 假设已知整个时间窗口内的信道状态信息（CSI）。
- 通过松弛二进制变量（利用 $l_0$ 范数近似）、凸化速率函数和切换成本函数，将原问题转化为一系列凸优化子问题迭代求解。
- 缺点： 实际中难以获取未来所有时刻的精确 CSI。
基于预测的时间窗口算法 (PTW Algorithm)：
- 核心创新： 将时间窗口划分为多个子窗口（Sub-TW）。
- 预测机制： 利用上一子窗口的车辆速度和轨迹信息（基于 Google 导航数据），预测下一子窗口的车辆位置，进而通过射线追踪机制预测信道增益。
- 流程： 在每个子窗口结束时，预测下一窗口的信道，并求解该窗口的优化问题。
- 优势： 降低了信令开销和计算频率，更贴近实际部署。

3. 主要贡献 (Key Contributions)

** realistic 建模：** 首次在城市 ISTN 场景下，结合真实的 3D 城市地图（OpenStreetMap）和实际车辆轨迹（Google Navigator），利用射线追踪技术精确评估 C 波段共享频谱下的链路预算，考虑了复杂的遮挡和多径效应。
多目标优化框架： 提出了联合优化用户关联和功率分配的数学模型，在最大化吞吐量和最小化切换次数之间进行权衡，解决了传统单一目标优化无法兼顾的问题。
高效算法设计： 设计了基于 SCA 的迭代算法，并创新性地提出了基于信道预测的 PTW 算法，解决了长时域优化中 CSI 不可知的问题，显著降低了计算复杂度。
性能验证： 通过大量仿真，证明了所提算法在吞吐量（SR）和切换次数（CC）上均优于贪婪算法（Greedy）和基准算法（FWUA）。

4. 仿真结果 (Numerical Results)

仿真基于伦敦某区域的真实 3D 地图和车辆轨迹数据：

覆盖能力： 引入 1-2 颗 LEO 卫星可显著提升覆盖范围（CINR ≥ 3dB 的覆盖率超过 90%），相比仅增加地面基站更具成本效益。
算法性能对比：
- 吞吐量与切换权衡： 在权重因子 $\rho=0.7$ 时，FTW 和 PTW 算法在总吞吐量和切换次数上均优于基准算法。PTW 算法的性能与全知信息的 FTW 算法非常接近（差距很小），但计算效率极高。
- 收敛性： 算法通常在 20-25 次迭代内收敛。
- 计算效率： PTW 算法的运行时间仅为 FTW 算法的 1% - 3.5%（例如，FTW 需 600 多分钟，PTW 仅需约 10 分钟），证明了其在实际系统中的可行性。
参数影响：
- 功率预算： 增加基站或卫星功率可提升吞吐量，但过高的功率会加剧系统间干扰。所提算法能动态调整功率分配以平衡干扰。
- 预测窗口大小： 预测窗口越大，信道预测误差（MAPE）越大，导致吞吐量略有下降，但切换次数减少。存在一个最佳窗口大小（如 90 个时隙）来平衡性能。
- QoS 约束： 提高最低速率要求会导致可行域缩小，从而降低总吞吐量并增加切换次数，但所提算法仍能保持最优性能。

5. 意义与结论 (Significance & Conclusion)

实际指导意义： 该研究为 5G/6G 时代城市环境中天地一体化网络的部署提供了重要的理论依据和工程指导。特别是利用真实地图和轨迹数据进行的仿真，填补了以往研究多基于统计模型或快照分析的空白。
技术突破： 证明了在共享频谱（C 波段）下，通过智能的资源分配和预测机制，可以有效解决动态环境下的干扰管理和无缝切换问题。
未来展望： 提出的基于射线追踪和 3D 地图的框架可扩展至其他场景。未来的工作可进一步研究更精确的信道预测算法以减少误差，以及考虑系统内部干扰（Intra-system interference）的优化。

总结： 本文通过结合真实的城市环境数据、先进的信道预测技术和高效的凸优化算法，成功解决了城市 5G 天地网络中吞吐量与无缝切换的联合优化难题，为未来的智能交通和广域覆盖网络提供了极具价值的解决方案。