CN108616816A - 一种基于极限学习的车辆轨迹预测和mec应用迁移方法 - Google Patents

Abstract

本发明涉及一种基于极限学习的车辆轨迹预测和MEC应用迁移方法，属于无线通信网络领域。该方法包括：S1：通过MEC应用收集、存储并处理联网车辆的定位信息，构建车辆在本地的行驶轨迹数据库；S2：以本地MEC服务器为中心重构车辆在本地的行驶轨迹，结合边缘网络收集邻近的MEC服务器数据和日期，形成样本集；S3：通过ELM预测算法预测车辆的移动方向，确定联网车辆将接入MEC服务器，迁移车联网应用到该服务器之内。本发明能够应用于移动边缘网络场景下基于MEC服务器部署的车联网应用的预先迁移。

Description

一种基于极限学习的车辆轨迹预测和MEC应用迁移方法

技术领域

本发明属于5G无线通信网络中的移动边缘计算技术领域，涉及一种基于极限学习机的车辆轨迹预测和MEC应用迁移方法。

背景技术

随着5G通信技术的飞速发展和物联网(Internet of Things,IoV)的提出，移动边缘计算(Mobile Edge Computing,MEC)应运而生。MEC是ICT产业融合及移动网络发展的自然产物，旨在提供一个具有IT服务环境和云计算能力的边缘网络。MEC具有低时延、本地感知、网络环境检测等诸多优势，为用户、企业级应用打开了全新的市场。

车联网(Internet of Vehicles,IoV)以“智能交通”为目标，为解决交通安全问题提供了新思路，是当下极具价值的MEC应用之一。将MEC应用于车联网，可以把车联网云“下沉”至分布式部署的网络边缘节点，满足V2I(Vehicles to Infrastructure)的超低时延要求。利用MEC服务器承载车联网应用，可在毫秒级别时间完成本地交通数据的获取和分析，并快速将结论广播至范围内联网车辆，受到了行业和学术界的广泛关注。

联网车辆具有高速移动性，边缘网络为车辆用户提供的服务(由顶层应用虚拟机承载)需要在不同的服务节点之间进行切换(即虚拟机迁移)，以缩短用户到服务节点的距离，降低车辆到MEC服务器的传输时延。因此，为避免因虚拟机切换而产生的长时间宕机对用户体验的影响，如何设计有效的算法预先计算出车辆前往的区域，并在车辆用户移动到下一MEC服务节点之前做好切换工作，是当下的研究热点之一。

近年来，在用户移动轨迹预测的研究中，基于地理位置的行为分析取得了比较好的研究成果。移动模式模型的研究主要利用了来自蜂窝网络或无线局域网(WLAN)的GPS数据或关联数据。由于原始GPS数据包含许多异常值，因此大多数先前的研究首先筛选出噪声和不合理的测量结果，并利用过滤后的GPS数据构建预测模型。Alvarez-Garcia等人从GPS数据中识别出用户花费大量时间的地方，通过聚类算法构建特征节点；并利用隐马尔科夫模型以评估相关位置之间的移动模式，预测未来的位置。Krumm等人从原始GPS数据获得端到端路线，并使用贝叶斯模型和行程相似性聚类算法预测下一个位置。

专利“一种基于车联网的车辆轨迹预测方法”(申请公布号：CN105760958A)将观测街道划分成段并编号，采用基于概率统计的马尔可夫链来预测车辆的行驶轨迹。其不足之处在于，街道分段方式不具备普适性，当街道场景的构成更加复杂时，算法的准确度将会急剧下降。专利“一种基于高斯混合模型的车辆轨迹预测方法、系统”(申请公布号：CN107298100A)将高斯混合模型用于预测车辆的行驶速度，并结合条件分布来求解车辆的未来轨迹。该专利的不足之处在于，基于高斯混合模型的算法复杂度较高，且仅预测了车辆在未来几秒时间内的行驶模式，在预测车辆行驶方向时效果不佳。

极限学习机(Extreme Learning Machines,ELM)预测算法是一种单隐层前馈神经网络，ELM神经网络的网络结构相比于传统的神经网络更加简洁，随机参数的给定使得ELM神经网络的求解仅需矩阵的运算，其运算速度更加高效，同时ELM预测算法可以有效地避免预测结果陷入局部最优。因此，可结合ELM预测算法来解决预先计算出车辆前往的区域，并在车辆用户移动到下一MEC服务节点之前做好切换工作的问题。

发明内容

有鉴于此，本发明的目的在于提供一种基于极限学习机的车辆轨迹预测和MEC应用迁移方法，能够应用于移动边缘网络场景下基于MEC服务器部署的车联网应用的预先迁移。

为达到上述目的，本发明提供如下技术方案：

一种基于极限学习的车辆轨迹预测和MEC应用迁移方法，基于极限学习机的移动方向快速预测。设定在移动边缘网络场景下，MEC服务器基于宏基站部署，即MEC服务器主要为当前宏基站覆盖范围内的用户提供服务。车载传感器收集联网车辆的各类信息，边缘网络下MEC服务器互相通信，通过长期的数据收集，共同构建联网车辆的历史行驶轨迹，并在MEC服务器上以数据库的形式存储；MEC服务器对数据库数据进行重构，以生成样本集；利用ELM预测算法对样本集进行训练，预测联网汽车现在的移动趋势，并迁移应用和数据。

本发明不局限于以上设定，MEC服务器可基于多个宏基站部署。当通过本发明中算法求得联网车辆驶出方向后，根据该方向上的宏基站是否仍属于本地MEC服务器覆盖范围，确定是否迁移应用和用户数据。

该方法具体包括以下步骤：

S1：通过移动边缘计算(Mobile Edge Computing,MEC)应用收集、存储并处理联网车辆的定位信息，构建车辆在本地的行驶轨迹数据库；

S2：以本地MEC服务器为中心重构车辆在本地的行驶轨迹，结合边缘网络收集邻近的MEC服务器数据和日期等信息，形成样本集；

S3：通过极限学习机(Extreme Learning Machines,ELM)预测算法预测车辆的移动方向，确定联网车辆将接入MEC服务器，迁移车联网应用到该服务器之内。

进一步，所述步骤S1具体包括以下步骤：

S11：车载传感器周期性采集联网车辆的ID、GPS定位、即时速度、行驶方向和交通拥挤程度等数据；

S12：联网车辆驶入本地覆盖域后，通过车载通信设备和本地MEC服务器相连，将收集到的数据传输到服务器之内；

S13：MEC服务器将收集到的历史数据进行处理，去除重复或错误的GPS定位信息；结合从邻近的MEC服务器回传的接入确认信息，形成车辆的历史轨迹，存储到本地行驶轨迹数据库中。

进一步，所述步骤S2具体包括以下步骤：

S21：以本地MEC服务器覆盖域中的基站站点位置O为中心，基站有效覆盖半径为R′；取半径为R的区域D作为预测范围，将区域D划分为M个子区域d_i，即D＝{d_i|i＝1,...,M}，其中R＜R′；

S22：MEC服务器将车辆的历史轨迹数据投影到划分图里，并以区域划分后的子区域标记来记录车辆的行驶轨迹Trace＝{e₁,e₂,...,e_n|e_i∈D}；服务器回传的车辆离开方向用s_out_place(∈P)表示，其中，P＝{p_j|j＝1,...,r}表示邻近的MEC服务器集合，r表示邻近的MEC服务器总个数；

所述的行驶轨迹Trace须遵循乒乓效应和超时等待效应，即当历史移动轨迹中可能存在循环路径，如...d_id_jd_id_j...拆分为...d_id_j和d_id_j...；用户在某一位置停留很长时间的历史移动轨迹，视为二者之间没有强相关性，需将其视为两段移动轨迹；等待时间阈值为T，通常T∈[1,2](h)。

S23：设定输入向量为x＝(d₁,...,d_M,t_weekend)，初始化d_1,...,M＝0；t_weekend表示行驶轨迹的日期信息用布尔变量，0表示周末，1表示工作日；将车辆行驶轨迹Trace的后三个元素视为有效预测变量，并标记其对应的子区域变量d_i＝1,2,3；设定输出向量为t＝(p₁,...,p_r)，若联网车辆离开当前区域后移动到p_j，则标记p_j＝1；数据归一化，形成训练集S＝{(x_k,t_k)|k＝1,...,N}，其中N表示训练样本集的数据总量。

进一步，所述步骤S3具体包括以下步骤：

S31：利用训练集S的数据训练极限学习机预测模型，求得ELM神经网络模型的权重参数；输入当前车辆在本地的行驶轨迹，形成新的样本x_N+1，输入到训练好的ELM模型，求得t_N+1；t_N+1中最大值对应的标记p_result即为预测结果，表征联网车辆最有可能前往的位置；

S32：建立从本地p₀到目标位置p_result的通信链路，将本地为该联网车辆提供的服务、数据和用户信息等预迁移到目标MEC服务器当中；当联网车辆驶入目标位置时，切换与联网车辆相连的MEC应用。

进一步，所述ELM预测算法的触发条件是联网车辆有离开当前覆盖范围的趋势，该趋势包含如下特征：

a)联网车辆行驶到本地预测范围之外，即车辆定位位置到基站站点位置O的距离dis≥R，其中R为预测范围区域D的半径；

b)联网车辆朝远离本地服务范围的方向行驶，即车辆的行驶方向与中心位置夹角θ≥90°；

c)联网车辆当前处于正常行驶状态，屏蔽车辆掉头、停靠等异常状态，即车辆的行驶速度v≥V，其中V表示车辆正常行驶时的平均速度。在城市街道环境中，通常考虑V＝30km/h。

本发明的有益效果在于：

1)本发明引入MEC技术在本地为联网车辆提供互联网服务，提高了收集和处理车辆信息的效率，同时使样本集约束在本地范围，从而使预测算法的执行更加高效。

2)本发明采用ELM预测算法训练联网车辆的行驶轨迹，能够快速地求得预测结果，以保证充足的时间传输应用数据，很好地适应了车辆快速移动的场景。

3)本发明通过轨迹预测确定了车辆即将接入的站点，从而有针对性地迁移应用，减少了不必要的迁移和应用部署工作，避免了对网络资源和MEC服务器计算资源的浪费。

附图说明

为了使本发明的目的、技术方案和有益效果更加清楚，本发明提供如下附图进行说明：

图1为MEC服务器部署和车辆行驶轨迹示意图；

图2为联网车辆行驶轨迹收集流程图；

图3为样本集生成和ELM算法执行流程图；

图4为覆盖区域栅格化划分示意图；

图5为随机试验的仿真结果图。

具体实施方式

下面将结合附图，对本发明的优选实施例进行详细的描述。

本发明设定在移动边缘网络场景下，MEC服务器基于宏基站部署，即MEC服务器主要为当前宏基站覆盖范围内的用户提供服务。车载传感器收集联网车辆的各类信息，边缘网络下MEC服务器互相通信，参见图1。

本发明不局限于以上设定，MEC服务器可基于多个宏基站部署。当通过本发明中算法求得联网车辆驶出方向后，根据该方向上的宏基站是否仍属于本地MEC服务器覆盖范围，确定是否迁移应用和用户数据。

本发明所述的一种基于极限学习机的车辆轨迹预测和MEC应用迁移方法，包括以下步骤：

(一)MEC服务器收集并存储车辆历史轨迹数据到应用数据库

收集和存储过程是长期过程，以存储大量轨迹数据为目的，包含以下步骤，参见图2：

1)车载传感器周期性采集联网车辆的ID、GPS定位、即时速度、行驶方向、交通拥挤程度等数据。

2)联网车辆驶入本地覆盖域后，通过车载通信设备和本地MEC服务器相连，将收集到的数据传输到服务器之内。

3)MEC服务器将收集到的历史数据进行处理，去除重复或错误的GPS定位信息；结合从邻近的MEC服务器回传的接入确认信息，形成车辆的历史轨迹，存储到本地行驶轨迹数据库中。

(二)MEC服务器制定车辆轨迹样本集和执行ELM算法

数据的重构和ELM算法在联网车辆即将离开本地覆盖范围时执行，其具体要求是：

a)联网车辆行驶到本地预测范围之外，即车辆定位位置到基站站点位置O的距离dis≥R。

b)联网车辆朝远离本地服务范围的方向行驶，即车辆的行驶方向与中心位置夹角θ≥90°。

c)联网车辆当前处于正常行驶状态，屏蔽车辆掉头、停靠等异常状态，即车辆的行驶速度v≥V；在城市街道环境中，通常考虑V＝30km/h。

样本集制定和算法执行具体包括如下步骤，参见图3：

1)以本地MEC服务器覆盖域中的基站站点位置O为中心，基站有效覆盖半径为R′；取半径为R(R＜R′)的区域D作为预测范围，将区域D划分为M个子区域D＝{d_i|i＝1,...,M}。此例取M＝10，参见图4。

2)MEC服务器将车辆的历史轨迹数据投影到划分图里，并以区域划分后的子区域标记来记录车辆的行驶轨迹Trace＝{e₁,e₂,...,e_n|e_i∈D}。

Trace须遵循乒乓效应和超时等待效应，即当历史移动轨迹中可能存在循环路径，如...d_id_jd_id_j...拆分为...d_id_j和d_id_j...；用户在某一位置停留很长时间的历史移动轨迹，视为二者之间没有强相关性，需将其视为两段移动轨迹。等待时间阈值为T，通常T∈[1,2](h)。

服务器回传的车辆离开方向用s_out_place(∈P)表示，其中，P＝{p_j|j＝1,...,r}表示当前MEC服务器周边服务器集合。

3)设定输入向量为x＝(d₁,...,d_M,t_weekend)，初始化d_1,...,M＝0；t_weekend表示行驶轨迹的日期信息用布尔变量，0表示周末，1表示工作日。将车辆行驶轨迹Trace的后三个元素视为有效预测变量，并标记其对应的子区域变量d_i＝1,2,3。设定输出向量为t＝(p₁,...,p_r)，若联网车辆离开当前区域后移动到p_j，则标记p_j＝1。形成训练集S＝{(x_k,t_k)|k＝1,...,N}，其中N表示训练样本集的数据总量。

4)给定ELM神经元的激活函数g(x)，给定ELM隐层神经元个数随机生成输入权重w_k和阈值b_k,k＝1,...,N；结合训练集S的输入，求得ELM神经网络的隐层输出矩阵

5)利用奇异值分解求解H的广义逆矩阵结合训练集S的输出，求得ELM神经网络模型的隐层到输出层权重向量

输入当前车辆的行驶轨迹，形成新的样本x_N+1，求得

其中，t_N+1中最大值对应的标记p_result即为预测结果，表征联网车辆最有可能前往的位置。

6)建立从本地p₀到目标位置p_result的通信链路，将本地为该联网车辆提供的服务及数据、用户信息等预迁移到目标MEC服务器当中；当联网车辆驶入目标位置时，切换与联网车辆相连的MEC应用。

下面结合仿真实验对本发明的效果作进一步的描述：

本实验中选取了两个MEC部署位置，分别采集了10辆联网汽车在一个月内的GPS定位信息，构成共1000条车辆在相应MEC服务器覆盖范围的行驶轨迹，将其随机打乱，并形成样本集。通过留出法将样本集拆分为训练集(随机采样700条样本数据)和测试集(余下的300条样本数据)，训练集用以训练ELM神经网络模型，并用测试集评估该预测算法的准确度和运算时间。通过10次重复实验，仿真结果如图5所示，该预测方法的平均准确率达到93.6％，其平均运算时间仅35ms。

最后说明的是，以上优选实施例仅用以说明本发明的技术方案而非限制，尽管通过上述优选实施例已经对本发明进行了详细的描述，但本领域技术人员应当理解，可以在形式上和细节上对其作出各种各样的改变，而不偏离本发明权利要求书所限定的范围。

Claims (6)

1.一种基于极限学习的车辆轨迹预测和MEC应用迁移方法，其特征在于，该方法具体包括以下步骤：

S1：通过移动边缘计算(Mobile Edge Computing,MEC)应用收集、存储并处理联网车辆的定位信息，构建车辆在本地的行驶轨迹数据库；

S2：以本地MEC服务器为中心重构车辆在本地的行驶轨迹，结合边缘网络收集邻近的MEC服务器数据和日期，形成样本集；

S3：通过极限学习机(Extreme Learning Machines,ELM)预测算法预测车辆的移动方向，确定联网车辆将接入MEC服务器，迁移车联网应用到该服务器之内。

2.根据权利要求1所述的一种基于极限学习的车辆轨迹预测和MEC应用迁移方法，其特征在于，所述步骤S1具体包括以下步骤：

S11：车载传感器周期性采集联网车辆的ID、GPS定位、即时速度、行驶方向和交通拥挤程度；

S12：联网车辆驶入本地覆盖域后，通过车载通信设备和本地MEC服务器相连，将收集到的数据传输到服务器之内；

S13：MEC服务器将收集到的历史数据进行处理，去除重复或错误的GPS定位信息；结合从邻近的MEC服务器回传的接入确认信息，形成车辆的历史轨迹，存储到本地行驶轨迹数据库中。

3.根据权利要求1所述的一种基于极限学习的车辆轨迹预测和MEC应用迁移方法，其特征在于，所述步骤S2具体包括以下步骤：

S21：以本地MEC服务器覆盖域中的基站站点位置O为中心，基站有效覆盖半径为R′；取半径为R的区域D作为预测范围，将区域D划分为M个子区域d_i，即D＝{d_i|i＝1,...,M}，其中R＜R′；

S22：MEC服务器将车辆的历史轨迹数据投影到划分图里，并以区域划分后的子区域标记来记录车辆的行驶轨迹Trace＝{e₁,e₂,...,e_n|e_i∈D}；服务器回传的车辆离开方向用s_out_place(∈P)表示，其中，P＝{p_j|j＝1,...,r}表示邻近的MEC服务器集合，r表示邻近的MEC服务器总个数；

S23：设定输入向量为x＝(d₁,...,d_M,t_weekend)，初始化d_1,...,M＝0；t_weekend表示行驶轨迹的日期信息用布尔变量，0表示周末，1表示工作日；将车辆行驶轨迹Trace的后三个元素视为有效预测变量，并标记其对应的子区域变量d_i＝1,2,3；设定输出向量为t＝(p₁,...,p_r)，若联网车辆离开当前区域后移动到p_j，则标记p_j＝1；数据归一化，形成训练集S＝{(x_k,t_k)|k＝1,...,N}，其中N表示训练样本集的数据总量。

4.根据权利要求3所述的一种基于极限学习的车辆轨迹预测和MEC应用迁移方法，其特征在于，所述的行驶轨迹Trace须遵循乒乓效应和超时等待效应，即当历史移动轨迹中可能存在循环路径；用户在某一位置停留很长时间的历史移动轨迹，视为二者之间没有强相关性，需将其视为两段移动轨迹；等待时间阈值为T，通常T∈[1,2](h)。

5.根据权利要求3所述的一种基于极限学习的车辆轨迹预测和MEC应用迁移方法，其特征在于，所述步骤S3具体包括以下步骤：

S31：利用训练集S的数据训练极限学习机预测模型，求得ELM神经网络模型的权重参数输入当前车辆在本地的行驶轨迹，形成新的样本x_N+1，输入到训练好的ELM模型，求得t_N+1；t_N+1中最大值对应的标记p_result即为预测结果，表征联网车辆最有可能前往的位置；

S32：建立从本地p₀到目标位置p_result的通信链路，将本地为该联网车辆提供的服务、数据和用户信息预迁移到目标MEC服务器当中；当联网车辆驶入目标位置时，切换与联网车辆相连的MEC应用。

6.根据权利要求1所述的一种基于极限学习的车辆轨迹预测和MEC应用迁移方法，其特征在于，所述ELM预测算法的触发条件是联网车辆有离开当前覆盖范围的趋势，该趋势包含如下特征：

a)联网车辆行驶到本地预测范围之外，即车辆定位位置到基站站点位置O的距离dis≥R，其中R为预测范围区域D的半径；

b)联网车辆朝远离本地服务范围的方向行驶，即车辆的行驶方向与中心位置夹角θ≥90°；

c)联网车辆当前处于正常行驶状态，屏蔽车辆掉头、停靠等异常状态，即车辆的行驶速度v≥V，其中V表示车辆正常行驶时的平均速度。