[发明专利]一种基于集成学习的多属性切换决策方法

权利要求书

1.一种基于集成学习的多属性切换决策方法，其特征在于，具体包括以下步骤：

步骤1，车辆终端v当前基站n建立链路连接e_nv，通过MEC服务器计算链路指标

步骤2，MEC服务器运用基于AdaBoost算法的预测方法预测出车辆终端与当前基站以及所有候选基站之间的链路持续时间T(e_nv)，进而基站向车辆终端返回链路持续时间预测值；

步骤3，车辆终端根据步骤2得到的链路持续时间预测值以及当前的链路指标，运用TOPSIS的多属性切换决策方法决策出切换目标N_top；

步骤4，车辆终端提前向目标基站发出切换请求，到达链路持续时间预测值后，车辆终端立即执行切换操作。

2.根据权利要求1所述的基于集成学习的多属性切换决策方法，其特征在于：在步骤1中，MEC服务器计算相对于基站n的链路指标m_qⁿ包括接收信号强度R_n、链路寿命LLT_n、基站的网络负载L_n和车辆终端v的运动趋势D_v；其中n∈N＝{1,...,N}，N是所有基站的总数目，v∈V＝{1,...,V}，V是所有车辆终端的总数目，本发明采用计算距离变化的方式对车辆终端与基站之间的相对运动趋势关系进行判断，车辆终端v与目标基站的距离变化值为：

其中，RSS₁是车辆终端与基站A之间的接收信号强度，RSS₂是车辆终端与基站B之间的接收信号强度，当D_v＜0时，判断为车辆终端正在接近目标基站；反之则判断为车辆终端正在远离目标基站。

3.根据权利要求2所述的基于集成学习的多属性切换决策方法，其特征在于，步骤2中基于AdaBoost算法的链路持续时间预测方法具体包括：

步骤2.1，构造弱分类器：在基站的信息处理单元，令E_*ⁿ＝{e_1v,e_2v,…,e_Nv}表示已经上传至MEC服务器的链路集合，其中e_nv表示车辆v和基站n之间的链路连接；该数据集可用来当作训练集来构造时间阈值p_nΔt，其中1≤p_n≤f的分类器对于某条链路e_nv，如果其持续时间不小于p_nΔt，即T(e_nv)≥p_nΔt，则否则，对于某个链路指标m_qⁿ，m_qⁿ为{R_n,LLT_n,L_n,D_v}中的任意一个指标，令其相应的阈值为θ_qⁿ，这样每一个链路指标都会对应一个参数化的分类器，设对应θ_qⁿ的分类器为g_qⁿ；对于任一链路链接e_nv中的链路指标若满足m_qⁿ(e)≥θ_qⁿ则分类器g_qⁿ返回1，否则返回-1；该分类器在时间段p_nΔt上的分类误差为ε_n,q：

ε_n,q(p_nΔt)＝Pr{g_qⁿ≠y_e(p_nΔt)}

记最小的分类误差为当时，停止迭代过程；

步骤2.2，强分类器的构造：根据上述弱分类器所得到的参数值，对于链路持续时间阈值p_nΔt，由AdaBoost算法产生的强分类器结果为：

其中，I为当分类误差为0时所需要的迭代次数，为每轮迭代时产生的具有最小分类误差的弱分类器，G_n为最终的强分类器；

步骤2.3，链路持续时间预测值的获得：根据强分类器所得到的分类结果，MEC服务器可以预测链路持续时间，若G_n返回结果为-1，则最终的链路持续时间为T(e_nv)＝(p_n-1/2)Δt；否则若G_n返回结果为1，则最终的链路持续时间T(e_nv)＝p_nΔt，T(e_nv)就是预测的链路持续时间。