[发明专利]一种基于集成学习的多属性切换决策方法

说明书

本发明提供一种基于集成学习的多属性切换决策方法，实现在车联网中对高速移动的车辆终端进行切换决策。方法的具体步骤包括：车辆终端切换至当前基站后，与当前基站建立链路连接，经过一个稳定的时间周期后，MEC服务器计算链路指标的值；然后MEC服务器利用获得的链路指标集合运行基于集成学习的链路持续时间预测方法，预测出车辆终端与当前基站以及与所有候选基站之间的链路持续时间；在得到预测的持续时间之后，MEC服务器将链路持续时间连同车辆终端当前时刻的移动状态一起传递给车辆终端，终端运用多属性切换决策方法进行切换决策；最后车辆终端提前向目标基站发出切换请求，到达预测的链路持续时间之后，车辆终端执行切换操作。

技术领域

本发明属于车联网中车辆终端的小区间切换问题，尤其涉及一种基于集成学习的多属性切换决策方法。

背景技术

近些年来，随着无线通信技术的发展，车联网(Internet of Vehicles,IoVs)的部署与应用成为可能。在车联网环境下，由于车辆终端的高速移动，加快了网络拓扑的变化，因此车辆终端需要及时更新接入点的信息。传统的切换方式会带来很多问题：由于传统切换频繁的信令交互，在切换过程中产生过大的时延，这对语音、视频等对时延和抖动较为敏感的业务影响很大；当用户需要切换到新的接入点继续通信时，新的接入点在后验的情况下，可能会由于网络繁忙而拒绝新用户的接入。如果能够提前预测到车辆终端某一网络属性的变化，从而更早地对是否进行切换做出决策，切换过程中面临的上述问题就可以得到解决。

移动边缘计算(Mobile Edge Computing,MEC)利用无线接入网络在移动网络的边缘和移动用户附近提供信息技术服务环境和云计算能力，使得业务本地化、近距离部署成为可能，能够更好地支持高带宽和低延时业务。在车联网中引入MEC技术可减少网络操作和服务交付的时延，因此在基于MEC的车联网中如果可以实现快速切换，减小切换时延，并保证切换期间网络连接不中断，将更好地支持车联网的各项应用。

本发明所涉及的切换场景是一种将云计算和相关服务延伸到网络边缘的计算模型，减少了数据的往返时间。场景中包括高速行驶的车辆终端，基站，MEC服务器，以及核心网。车辆终端通过无线链路连接至不同的基站，基站与MEC服务器之间通过光纤有线连接。每个MEC服务器接收其所连基站的数据，解决其下所连基站中的网络连接和切换请求。

基于MEC的车联网中切换问题是近年来车联网中的研究热点。本发明研究了引入MEC的车联网系统中的车辆终端基于集成学习的多属性切换决策方法，以实现低延迟和高可靠的小区间切换。

在现有的切换方案中，车辆终端只有在发现自己移动到不同基站的覆盖范围时，才会向目标基站发起注册和切换请求。然而由于车辆终端的高速移动，在目标基站还没有响应车辆终端的切换请求时，车辆终端可能已经驶离当前基站的覆盖范围，导致网络连接中断，数据丢失。因此，如何预测车辆终端某一网络属性的变化并提前为通信切换做好准备，减少不必要的越区切换次数以提高车联网下通信质量是本发明解决的主要问题。

发明内容

发明目的：本发明的目的是解决车联网下车辆终端在小区间的多属性切换问题，提出一种基于集成学习的多属性切换决策方法，车辆终端利用MEC服务器预测的链路持续时间及时地对下一时刻的切换情况做出决策，以实现车联网中低时延和高可靠的小区间切换。

技术方案：本发明所述的基于集成学习的多属性切换决策方法为解决上述问题采用以下技术方案：

一种基于集成学习的多属性切换决策方法，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；