CN104640137A - 一种基于无线泛在网接入选择的QoE优化方法 - Google Patents

Abstract

本发明公开了一种基于无线泛在网接入选择的QoE优化方法，该方法根据终端当前所处的无线泛在网环境下可接入的网络进行评价，对可接入的无线网络分别计算得到一个评价值MOS_i，其中i＝1,2,…,n，n表示当前可接入的无线网络数，运用灰色预测算法模型GM(1,1)对下一时刻的网络进行预测，得到预测值MOS_next，于当前时刻的网络评价值MOS_i进行比较，如果预测值MOS_next比当前时刻其他未接入的无线网络的评价值低，说明当前所接入的网络依旧是最好的网络，否则说明当前所接入的网络在下一时刻可能不是最好的网络，需要进行切换，即切换网络接入到当前时刻其他无线网络中评价值最高的网络。

Description

一种基于无线泛在网接入选择的QoE优化方法

技术领域

本发明属于无线通信技术领域，特别涉及无线泛在网络中用户对业务体验质量的优化。

背景技术

随着人类社会和经济的不断发展，信息的交换和传输已经成为人们生活中与衣食住行一样必不可少的部分。为了实现此目的，无线通信技术在近20年内呈现出异常繁荣的景象，也带来了多种类型无线通信网络的发展和共存，这些无线通信网络被统一称为无线异构网络(wireless heterogeneous network)。目前，已经有不少于25种的无线异构网络方法在投入使用，为人们提供无线通信业务，其中包括GSM、GPRS、EDGE、UMTS、CDMA2000、HSDPA、IEEE802.11a/b/g/n、WiMAX、DECT、蓝牙、RFID、UWB、T-DMB、DVB-T、DVB-H以及其它技术等。此外，还有层出不穷的无线通信系统即将或在不远的未来进入商用，如802.20、802.16M、wirelssHD、LTE、4G和无线传感器网络。

同时，在日新月异的移动互联网时代，不断提高用户体验才是关键。用户体验质量(Qualityof Experience，简称：QoE)是一种以用户认可程度为标准的服务的评价方法。异构网络融合实现了各种无线通信网络之间互联互通、数据无缝连接以及对用户的透明化，继而满足用户日益增长的无线需求，为用户带来前所未有的业务体验，近年来引起了广泛关注，然而，移动网络的接入方式很多，如何选择一个网络接入以保障得到最好的用户体验质量，成为了异构网络融合后急需解决的问题。因为只有不断提高用户体验质量才能保证用户不会流失，才能在激烈的市场竞争中获胜。为此，选择最好的网络接入继而得到的最好的用户体验质量显得十分重要。而本发明能够很好地解决上面的问题。

发明内容

本发明目的在于提出了一种基于无线泛在网接入选择的QoE优化方法，该方法根据无线泛在网中存在多种无线接入网，通过回归分析法，得到一个基于QoE的网络性能评价值，并运用改进的灰色预测法，预测下一时刻的网络性能情况，进行相应的比较，选择出下个时刻最优质的网络以得到最好的用户体验质量，若预测的最佳网络不是当前接入的网络，则进行网络切换以保证终端基本上所有时刻一直接入最好的网络以获得最好的用户体验。同时，该方法又非常简单而易于实现，具有很好的应用前景。

本发明解决其技术问题所采取的技术方案是：本发明提供了一种基于无线泛在网接入选择的QoE优化方法，该方法根据终端当前所处的无线泛在网环境下可接入的网络进行评价，对可接入的无线网络分别计算得到一个评价值MOS_i，其中i＝1,2,…,n，n表示当前可接入的无线网络数，运用灰色预测算法模型GM(1,1)对下一时刻的网络进行预测，得到预测值MOS_next，于当前时刻的网络评价值MOS_i进行比较，如果预测值MOS_next比当前时刻其他未接入的无线网络的评价值低，说明当前所接入的网络依旧是最好的网络，否则说明当前所接入的网络在下一时刻可能不是最好的网络，需要进行切换，即切换网络接入到当前时刻其他无线网络中评价值最高的网络。

无线网络的评价值MOS_i是根据无线网络参数丢包率、时延和网速的数值与用户对网络的主观评分拟合并计算得到，所以接入评价值最高的无线网络，即可认为能给用户带来最好的用户体验质量。

改进的灰色预测算法模型GM(1,1)通过保存当前时刻的网络评价值和前n个时刻的实际接入的网络评价值，对下一时刻进行预测，同时根据新陈代谢的原理，保持用于预测用的原始数据MOS_n,n＝1,2,…,N一直是最近时刻的值，这样才能更加具有实时性，能更准确的预测下一时刻的网络评价值，其中N为用于预测的数据个数。

通过回归拟合方法得到网络的评价值，并根据灰色预测算法预测下一时刻的网络状况，通过选择最优质网络并接入，以保证用户的体验质量最好。

方法流程：

步骤1：测量无线泛在网络中各种接入网的网络参数值，包括丢包率、延时和网速，同时让测试人员直接对网络进行评价，更好地反映网络对QoE的影响，将网络评价值作为因变量，丢包率、时延和带宽作为应变量，根据实验数据运用回归分析法拟合得到一个拟合度极高的方程来计算网络的评价值MOS。

步骤2：根据网络评价值的回归方程，计算出当前网络中可接入网的网络评价值MOS_i其中i＝1,2,…,n，然后根据前N-1个时刻的实际网络评价值和当前接入网络的评价值，预测下一时刻的网络评价值MOS_next。

步骤3：根据预测的网络评价值，与当前时刻其他接入网的评价值进行比较，然后预测下一个时刻最好的接入网是哪个，若需要切换则切换至最好的接入网。通过预测的方法，保证下一时刻很大概率能够接入到最好的网络。

步骤4：更新用于预测下一时刻网络评价值的学习数据，根据新陈代谢法将最新的数据加入到学习数据中，并去除最旧的数据，保持学习数据的实时性，更准确的预测下一时刻的网络评价值。

有益效果：

1、本发明应用回归分析法，并根据用户的评价，得出网络参数和网络性能评价值的回归方程，拟合得到的方程将更加实际地反映用户的主观评价。

2、本发明应用改进的灰色预测模型，即二次拟合的灰色预测GM(1,1)模型，并通过修正原始序列，保证模型计算正确进行。

3、本发明应用灰色预测模型的少数据预测特点，选取最新时刻的5个数据，用于进行预测运算，同时，选取的时间间隔极短，能够充分反映当前网络的性能和趋势，能更准确的对下一时刻的网络性能进行预测。

4、本发明提出的指标系统和评价方法简单、易于实现，具有很好的应用前景。

附图说明

图1为本发明的无线泛在网场景示意图。

图2为本发明的方法流程图。

具体实施方式

下面结合说明书附图对本发明创造作进一步的详细说明。

如图1所示，移动终端所处的无线网络环境中，有多个可接入的网络，有WLAN、3G和EDGE等。为了更好的获得用户体验质量，需要从多个接入网中选择最好的网络接入。运用回归分析法得到拟合度极高的回归方程来评价无线网络的性能，再根据改进的灰色预测算法，预测下一时刻最好的接入网络并接入。

回归分析(regression analysis)是确定两种或两种以上变量间相互依赖的定量关系的一种统计分析方法，运用十分广泛，通常用于数据分析。确定应变量为网络的评价值MOS，自变量为网络性能的三个参数：丢包率、网速和时延。其中网络评价值采用广泛使用的国家电信联盟(ITU)建议的“平均评估分值”(Mean Opinion Score,MOS)，该方法将网络性能分为5个层次，如表1所示，此量化方法细致地描述了网络性能。运用多元非线性回归分析法，得到拟合度极高的回归方程：

$\mathrm{MOS}=\frac{a+b*\mathrm{Spd}}{1+c*{\ln }^{\mathrm{Del}}+d*{\mathrm{Pkl}}^e}$

其中MOS为网络的评价值；Spd为网速，单位为KB/s；Del为网络延时；单位为ms；Pkl为网络丢包率，单位为％。其中网络评价值MOS的取值范围为0到5，反映无线网络的性能。

表1：表示平均评估分值(简称：MOS)

MOS	网络性能
		5	优
4	良
		3	中
2	次
		1	劣

本发明对得到的回归方程采用拟合优度校验(判定系数R²的校验)，R²的校验反映回归方程的拟合程度，R²越接近1，回归方程的拟合度越好，公式如下：

$R^2=1-\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{({\hat{y}}_i-y_i)}^2}{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{({\stackrel{\‾}{y}}_i-y_i)}^2}$

其中，表示实验数据中MOS的平均值。只有通过校验的回归方程才能更准确地反映网络性能。

预测就是借助于对过去的探讨去推测、了解未来。灰色预测通过原始数据的处理和灰色模型的建立，发现、掌握系统发展规律，对系统的未来状态做出科学的定量预测。

灰色系统理论以“部分信息已知、部分信息未知”的“小样本”、“贫信息”不确定型系统的研究对象，在数学发展史上，最早研究的是确定型的微分方程，即在拉普拉斯决定论框架内的数学。他认为一旦有了描写事物的微分方程及初值，就能确知事物任何时候的运动。灰色系统理论则认为不确定量是灰数，用灰色数学来处理不确定量，同样能使不确定量予以量化。灰色系统理论能处理贫信息系统，灰色预测模型只要求较短的观测资料即可灰色时间序列预测。用等时距观测到的反映预测对象特征的一系列数量(如产量、销量、人口数量、存款数量、利率等)构造灰色预测模型，预测未来某一时刻的特征量，或者达到某特征量的时间，通常使用的灰色预测模型为GM(1,1)模型。

设原始数列X⁽⁰⁾＝{x⁽⁰⁾(1),x⁽⁰⁾(2),...,x⁽⁰⁾(n)}经过一次累积的生成序列为X⁽¹⁾＝{x⁽¹⁾(1),x⁽¹⁾(2),...,x⁽¹⁾(n)}，上标“0”表示原始序列，上标“1”表示一次累加生成序列。其中累减生成是是累加生成的逆运算，记原始序列为X⁽¹⁾＝{x⁽¹⁾(1),x⁽¹⁾(2),...,x⁽¹⁾(n)}，对X⁽¹⁾做一次累减生成，则得生成序列X⁽⁰⁾＝{x⁽⁰⁾(1),x⁽⁰⁾(2),...,x⁽⁰⁾(n)}，其中，x⁽⁰⁾(k)＝x⁽¹⁾(k)-x⁽¹⁾(k-1)，规定x⁽¹⁾(0)＝0。

令X⁽⁰⁾为GM(1,1)建模的初始序列，X⁽⁰⁾＝(x⁽⁰⁾(1),x⁽⁰⁾(2),...,x⁽⁰⁾(n))，其中n为序列的个数，即用于进行预测的数据个数。X⁽¹⁾为X⁽⁰⁾的一次累积序列：

X⁽¹⁾＝(x⁽¹⁾(1),x⁽¹⁾(2),...,x⁽¹⁾(n))，

$x^{\left(1\right)}\left(k\right)=\underset{i=1}{\overset{k}{\mathrm{\Σ}}}{x}^{\left(0\right)}\left(i\right),k=\mathrm{1,2},...,n$

令Z⁽¹⁾为X⁽¹⁾的紧邻均值(MEAN)生成序列

Z⁽¹⁾＝(z⁽¹⁾(2),z⁽¹⁾(3),...,z⁽¹⁾(n))

z⁽¹⁾(k)＝0.5x⁽¹⁾(k)+0.5x⁽¹⁾(k-1)

则GM(1,1)的定义模型，即GM(1,1)的灰微分方程模型为x⁽⁰⁾(k)+az⁽¹⁾(k)＝b，其中a称为发展系数，b为灰色作用量。设为待估参数向量，即运用最小二乘估计参数法求解待估参数向量，得其中

$B=\left[\begin{array}{cc}-z^{\left(1\right)}\left(2\right)& 1\\ -z^{\left(1\right)}\left(3\right)& 1\\ ...& ...\\ {-z}^{\left(1\right)}\left(n\right)& 1\end{array}\right],Y_n=\left[\begin{array}{c}{x}^{\left(0\right)}\left(2\right)\\ x^{\left(0\right)}\left(3\right)\\ ...\\ x^{\left(0\right)}\left(n\right)\end{array}\right]$

则为灰色微分方程x⁽⁰⁾(k)+az⁽¹⁾(k)＝b的白化方程，也称叫影子方程。

如上所述，则有

1)白化方程的解也称时间响应函数为

${\hat{x}}^{\left(1\right)}\left(t\right)=(x^{\left(1\right)}\left(0\right)-\frac{b}{a})e^{-\mathrm{at}}+\frac{b}{a}$

2)GM(1,1)灰色微分方程x⁽⁰⁾(k)+az⁽¹⁾(k)＝b的时间响应序列为

${\hat{x}}^{\left(1\right)}\left(t\right)=(x^{\left(1\right)}\left(0\right)-\frac{b}{a})e^{-\mathrm{at}}+\frac{b}{a}$

3)取x⁽¹⁾(0)＝x⁽⁰⁾(1)，则

${\hat{x}}^{\left(1\right)}\left(t\right)=(x^{\left(1\right)}\left(0\right)-\frac{b}{a})e^{-\mathrm{at}}+\frac{b}{a}$

4)还原成原始序列

${\hat{x}}^{\left(0\right)}(k+1)={\hat{x}}^{\left(1\right)}(k+1)-{\hat{x}}^{\left(1\right)}\left(k\right)$

其中即为预测方程，即可预测序列k+1处的值。传统的GM(1,1)模型会有较大的计算误差，可以通过二次拟合对预测模型的参数进行调整，提高计算精度。

二次拟合灰色预测模型的建模过程：

1)令为M，为N，则 ${\hat{x}}^{\left(1\right)}\left(t\right)=(x^{\left(1\right)}\left(0\right)-\frac{b}{a})e^{-\mathrm{at}}+\frac{b}{a}$ 即可修改为

$\begin{array}{c}{\hat{x}}^{\left(1\right)}(k+1)=M*e^{-\mathrm{ak}}+N\\ {\hat{x}}^{\left(1\right)}\left(1\right)=M*e^0+N\\ {\hat{x}}^{\left(1\right)}\left(2\right)=M*e^{-a}+N\\ .\\ .\\ .\\ {\hat{x}}^{\left(1\right)}\left(n\right)=M*e^{-a*(n-1)}+N\end{array},$ 由此可得

2)对上式进行修改，写成矩阵形式，可得

$X^{\left(1\right)}=G\left(\begin{array}{c}M\\ N\end{array}\right),$ 其中

X⁽¹⁾＝(x⁽¹⁾(1),x⁽¹⁾(2),...,x⁽¹⁾(n))^T

$G=\left(\begin{array}{cc}{e}^0& 1\\ e^{-a}& 1\\ .& .\\ .& .\\ .& .\\ e^{-a*(n-1)}& 1\end{array}\right)$

由最小二乘参数估计法计算可得

$\left(\begin{array}{c}M\\ N\end{array}\right)={(G^T*G)}^{-1}*G^T*X^{\left(1\right)}$

3)得到更精确的参数后，即可获得更准确的预测方程，公式如下：

${\hat{x}}^{\left(0\right)}(k+1)={\hat{x}}^{\left(1\right)}(k+1)--{\hat{x}}^{\left(1\right)}\left(k\right)=M*(e^{-a*k}-e^{-a*(k-1)})$

灰色预测GM(1,1)模型的原始序列X⁽⁰⁾中的数据不一定要全部用来建模，对原始数据的取舍不同，可得模型参数不同，即a和b不同；模型的数据应保证建模序列等时距、相连，不得有跳跃出现；一般用于建模的数据序列应当由最新的数据及其相邻数据构成，当再出现新数据时，可采用两种方法处理：一是将新信息加入原始序列中，重估参数；二是去掉原始序列中最老的一个数据，再加上最新的数据，所形成的序列和原序列维数相等，再重估参数。灰色预测可以进行少数据预测，实时更新最新数据，提高了预测精度。

GM(1,1)预测模型同样也需要校验，以保证预测的准确性，灰色预测模型校验主要是残差检验、关联度检验和后验差检验。

1.残差校验

通过残差校验能够获得相对误差和绝对误差，用于校验模型曲线与实际值之间的拟合度，以此判断误差变化情况是否平稳。

绝对误差： ${\mathrm{\ϵ}}^{\left(0\right)}\left(k\right)=x^{\left(0\right)}\left(k\right)-\widehat{x^{\left(0\right)}\left(k\right)},k=\mathrm{1,2},...,n$

相对误差： $\mathrm{\Δ}\left(k\right)=\frac{\left|{\mathrm{\ϵ}}^{\left(0\right)}\left(k\right)\right|}{x^{\left(0\right)}\left(k\right)}\×100\%,k=\mathrm{1,2},...,n$

Δ(k)越小说明预测效果越好。

2.关联度校验

设原始数据与预测值之间绝对误差的最小值为min|ε(k)|，最大值为max|ε(k)|，则关联系数为：

$\mathrm{\η}\left(k\right)=\frac{\min \left|\mathrm{\ϵ}\left(k\right)\right|+\mathrm{\ρ}\max \left|\mathrm{\ϵ}\left(k\right)\right|}{\left|\mathrm{\ϵ}\left(k\right)\right|+\mathrm{\ρ}\max \left|\mathrm{\ϵ}\left(k\right)\right|},k=\mathrm{1,2},...,n$

其中ρ为分辨系数，取值范围为0到1，一般去0.5，则关联度为当R大于0.6时，说明所建立的预测模型可以达到满意的预测效果。

3.后验差校验

原始数列的均值为 $\stackrel{\‾}{x}=\frac{1}{n}\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{x}^{\left(0\right)}\left(k\right),$ 方差为 $S_1^2=\frac{1}{n}\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{(x^{\left(0\right)}\left(k\right)-\stackrel{\‾}{x})}^2$

残差序列的均值为 $\stackrel{\‾}{{\mathrm{\ϵ}}^{\left(0\right)}}=\frac{1}{n}\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\ϵ}}^{\left(0\right)}\left(k\right),$ 方差为 $S_2^2=\frac{1}{n}\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{({\mathrm{\ϵ}}^{\left(0\right)}\left(k\right)-\stackrel{\‾}{{\mathrm{\ϵ}}^{\left(0\right)}})}^2$

比值称为后验差比值，为小误差概率，后验差比值C和小误差概率P反映了预测模型的预测精度等级，等级参照表如下：

表2：表示后验差检验判别参照表

P	C	模型精度
			>0.95	<0.35	优
>0.80	<0.5	合格
			>0.70	<0.65	勉强合格
<0.70	>0.65	不合格

本发明通过回归分析法得到网络性能评价方程可以算出网络的评价值，然后根据一定量的数据运用上述灰色预测算法进行预测，预测下一时刻的网络性能。在本方案中，选取包括当前时刻在内的前5个最新的网络评价数据，之所以只选取5个数据，因为灰色预测适用于少数据预测，最新的数据越少更能反映当前的网络状况，也能更好地预测下一时刻的网络性能，如果用于预测的数据很多，那么网络预测的效果将不佳，因为网络状态会多变，很有可能无线网络从WLAN切换到3G，或者切换到别的网络，但是如果数据量越大，反而无法预测下一时刻的网络性能，相反，只用5个数据，即使网络之间切换，但是因为只是用最新的5个数据用于预测，所以更好地反映当前的网络情况，也能预测当前网络的趋势，不会被先前的数据所影响。因此本方案中去掉原始序列中最老的一个数据，再加上最新的数据，所形成的序列和原序列维数相等，再重估参数。

现如今，移动终端的性能和配置越来越好，为了更好的放映当前的网络性能并预测下一时刻的网络，等间距时间间隔可以选取很小的单位，由于时间间隔变短，因此计算的次数很增大很多，但是移动终端的运算能力足以满足要求，但是在计算之前需要的5个数据进行修正。

假如5个数据完全相等，运用灰色预测模型进行计算的过程中，用最小二乘参数估计法得到的待估参数向量中a为零这样会导致无法计算，也即 ${\hat{x}}^{\left(1\right)}\left(t\right)=(x^{\left(1\right)}\left(0\right)-\frac{b}{a})e^{-\mathrm{at}}+\frac{b}{a}$ 无法计算。

无线网络中，因为时间间隔很短，有可能导致前后连续5个时刻的网络性能几乎一样，或者多数数据一样，这样就很有可能导致待估参数向量中的a＝0，导致无法计算。因此需要对原序列在累积前进行修正，修正的方法就是给原序列每个数加上一个微小的不等的数。保证五个数不同。

假设用于预测的原始序列为A⁽⁰⁾＝{A⁽⁰⁾(1),A⁽⁰⁾(2),...,A⁽⁰⁾(5)}，A⁽⁰⁾表示网络性能评价值向量，反映了连续五个时间间隔的网络性能评价值，用于预测下一时刻的网络性能。然后对原始序列进行修正，如下述公式：

$\begin{array}{c}{B}^{\left(0\right)=\{B^{\left(0\right)}\left(1\right),B^{\left(0\right)}\left(2\right),...,B^{\left(0\right)}\left(5\right)\}}\\ B^{\left(0\right)}\left(1\right)=A^{\left(0\right)}\left(1\right)+\mathrm{\α}\left(1\right)\\ B^{\left(0\right)}\left(2\right)=A^{\left(0\right)}\left(2\right)+\mathrm{\α}\left(2\right)\\ .\\ .\\ .\\ B^{\left(0\right)}\left(5\right)=A^{\left(0\right)}\left(5\right)+\mathrm{\α}\left(5\right)\end{array}$

其中向量为修正系数，其值非常小，但是5个数都不相同，即保证了对原来原始系列的影响很微小，也保证预测算法的顺利进行。然后运用二次拟合灰色预测模型GM(1,1)计算得到预测值A⁽⁰⁾(6)，通过预测方程A⁽⁰⁾(k+1)＝M*(e^-a*k-e^-a*(k-1))可计算得到。

最后当时间到达下一时刻的时候，根据新陈代谢法，将5个原始数列的数据进行更新，去掉最旧的数据，加入最新数据。

本发明运用回归分析法得出网络参数对网络评价值的拟合方程，用于计算每一时间间隔中，当前所能接入无线网络的所有网络的性能评价值。然后运用灰色预测算法模型GM(1,1)预测下一时刻的网络性能，通过比较选择下一时刻更有可能是最好的接入网络，并接入到该网络，然后不断循环该方法，保证在每个时间间隔，移动终端都能基本上全部处于最好的网络中，以此保证用户能够得到最好的体验质量。

如图2所示，本发明提供了一种基于无线泛在网接入选择的QoE优化方法，该方法包括如下步骤：

步骤1：根据回归方程计算当前可接入网络的所有网络的网络性能评价值，更新原始序列的数据，将最新的数据加入到原始序列中，并去除最旧的数据。

步骤2：对原始数列进行修正，保证数据不会相同，以保证预测算法顺利进行。

步骤3：运用改进的灰色预测算法对下一时刻的网络性能进行预测，得到的预测评价值和当前未接入的其他可接入的网络进行比较。

步骤4：根据比较结果，选择最优的网络，进行接入，若当前网络在下一时刻仍然是最好的则不切换网络，否则切换网络。

以上对本发明实施里所提供的一种基于无线泛在网接入选择的QoE优化方法进行了详细介绍，对于本领域的一般技术人员，依据本发明实施例及其应用范围上均会有改变之处，综上所述，本发明实施例内容不应理解为对本发明的限制。

Claims (5)

1.一种基于无线泛在网接入选择的QoE优化方法，其特征在于，所述方法包括如下步骤：

步骤1：在无线泛在网络环境下，接入不同的无线网络，并测量多组数据，包括网络性能参数的丢包率、延时和网速，然后让多名测试人员对网络做主观评价得到一个评价值，分析实验数据，并运用回归分析法，获得回归方程用于计算网络性能评价值，回归方程如下：

$\mathrm{MOS}=\frac{a+b*\mathrm{Spd}}{1+c*{\ln }^{\mathrm{Del}}+d*{\mathrm{Pkl}}^e}$

步骤2：根据回归方程，计算当前时刻无线网络中所有可接入网络的网络评价值，同时，对最新时刻的5个数据进行修正，然后运用所提出的改进的二次拟合灰色预测模型GM(1,1)预测下一时刻的网络性能；

已修正的原始序列：B⁽⁰⁾＝{B⁽⁰⁾(1),B⁽⁰⁾(2),...,B⁽⁰⁾(5)}

进行一次累积后的累积序列：B⁽¹⁾＝{B⁽¹⁾(1),B⁽¹⁾(2),...,B⁽¹⁾(5)}

根据灰微分方程，计算待估参数向量：

计算得到时间响应序列为： $A^{\left(1\right)}(k+1)=[A^{\left(0\right)}\left(0\right)-\frac{b}{a}]*e^{-\mathrm{ak}}+\frac{b}{a},k=\mathrm{1,2},...,5$

进行参数拟合得到拟合后的预测方程：

A⁽⁰⁾(k+1)＝A⁽¹⁾(k+1)-A⁽¹⁾(k)＝M*(e^-a*k-e^-a*(k-1))

步骤3：根据下一时刻的预测值和当前网络性能评价值进行比较，若下一个预测值不是最大，说明当前所接入的网络趋势有恶化趋势，需要进行切换，则认为当前时刻下其他可接入的最好网络为下一时刻最优网络，因此进行切换，接入到最好的网络中，否则，依然保持当前网络不切换；

步骤4：进行一次预测后，需要根据新陈代谢法，更新原始序列的值，去除最旧的数据，加入最新的数据，循环上述步骤1-3。

2.一种基于无线泛在网接入选择的QoE优化方法，其特征在于，所述方法是根据无线泛在网中存在多种无线接入网，通过回归分析法，得到一个基于QoE的网络性能评价值，并运用灰色预测法，预测下一时刻的网络性能情况，进行相应的比较，选择出下个时刻最优质的网络以得到最好的用户体验质量，若预测的最佳网络不是当前接入的网络，则进行网络切换。

3.根据权利要求1所述的一种基于无线泛在网接入选择的QoE优化方法，其特征在于：所述方法能够分析无线网络的参数丢包率、延时和网速对用户体验质量的影响，并且通过非线性回归分析法得到回归拟合方程为：用于计算网络参数对网络性能评价值的影响。

4.根据权利要求1所述的一种基于无线泛在网接入选择的QoE优化方法，其特征在于：所述方法对基本的灰色预测模型GM(1,1)进行改进，对待估参数向量进行二次拟合求值，并对用于预测的数据进行修正以适用于本发明，用改进的灰色预测模型对网络性能评价值进行预测，根据预测的网络趋势，选择性能最好的网络并接入以提高用户的体验到达优化的效果。

5.根据权利要求1所述的一种基于无线泛在网接入选择的QoE优化方法，其特征在于：所述方法应用于无线泛在网络。