CN109842912A - 一种基于集成学习的多属性切换决策方法 - Google Patents

Abstract

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。

Description

一种基于集成学习的多属性切换决策方法

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；

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。

进一步地，所述步骤1中，MEC服务器计算相对于基站n的链路指标m_q ⁿ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。

进一步地，所述步骤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_q ⁿ，m_q ⁿ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_q ⁿ，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_q ⁿ的分类器为g_q ⁿ；对于任一链路链接e_nv中的链路指标若满足m_q ⁿ(e)≥θ_q ⁿ则分类器g_q ⁿ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_q ⁿ≠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。

进一步地，所述步骤3中选择的多属性包括：通过步骤2获得的车辆终端与候选基站的链路持续时间预测值T_n(e_nv)、基站负载L_n、接收信号强度R_n、以及终端的移动趋势属性D_v。

进一步地，所述步骤3中基于TOPSIS的多属性切换决策方法包括：

步骤3.1，建立决策矩阵Μ，并将决策矩阵进行归一化处理，即对各个属性进行无量纲处理，得到标准化决策矩阵A：

其中，N为候选基站的个数。经过归一化处理后得到标准的判决矩阵为：

其中，a_nq是基站网络n属性q的归一化值，N为候选基站的个数；

步骤3.2，确定正理想解与负理想解

步骤3.3，计算各个属性与当前环境中的该属性的正理想解和负理想解之间的欧氏距离；

步骤3.4，计算候选基站与理想解的相对接近程度c_n，并对其进行排序，其中排名第一的基站即为最终的切换目标N_top。

有益效果：本发明采用以上技术方案与现有技术相比，具有以下技术效果：

1、本发明利用预测技术得到车辆终端与基站之间的链路持续时间，从而在链路中断之前提前为切换做好准备；

2、在切换决策时，本发明综合考虑了车辆终端的移动趋势、基站接收信号强度、基站负载以及链路持续时间预测值来权衡车辆终端的切换情况，车辆终端使用多属性切换决策方法决策出下一时刻的切换结果，以便其提前向目标基站发出切换和注册请求；

3、本发明减少了不必要的切换次数，降低了切换时延，保证了车联网中低时延和高可靠的切换需求。

附图说明

图1是本发明的基于集成学习的多属性切换决策方法的流程图；

图2是本发明场景示意图；

图3是本发明的车辆终端与基站相对运动趋势图；

图4是本发明的基于集成学习AdaBoost算法的链路持续时间预测流程图；

图5是本发明的基于TOPSIS的多属性切换决策流程图。

具体实施方式

本发明为基于集成学习的多属性切换决策方法。本发明首先提出车辆终端与基站之间链路持续时间的预测方法。在车辆终端切换至当前基站之后，基站所连的MEC服务器立即预测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。得到链路持续时间之后，移动终端运用基于多属性的切换决策方法决策出切换结果。车辆终端便根据切换决策结果提前向目标基站发出切换请求，从而在链路链接中断之后立即执行切换操作，这样可以降低时延，提高切换效率。本发明方法的主要步骤如图1所示，下面结合附图对本发明方案设计作进一步的具体分析和描述。

如附图2所示，本发明所涉及的场景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。使用图2所示的基于移动边缘云计算的车联网体系架构，可以满足车联网中低时延、高可靠的应用需求。假设车辆终端v(v∈V＝{1,...,V}，V是所有车辆终端的总数目)切换至基站n(n∈N＝{1,...,N}，N是所有基站的总数目)之后，基站n与车辆终端v建立链路连接，而且当车辆终端v离开基站之后，车辆终端即断开与基站之间的链路连接。每一个基站保留着一个入口可以定时接收车辆终端的接入请求以及数据的传递。令e_nv表示车辆v和基站n之间的链路连接；T(e_nv)表示链路连接e_nv的持续时间。假设每个车辆终端只有一个当前基站，且共有N个候选基站。假设车辆终端v接入基站n并且与当前基站建立链路连接e_nv，经过一个稳定的时间周期后，MEC服务器计算车辆终端v与当前基站之间的链路指标，然后执行预测算法预测出基站n与车辆终端v之间的链路持续时间，从而为后续的切换决策提前做好准备。其中，MEC服务器计算相对于基站n的链路指标m_q ⁿ包括接收信号强度R_n、链路寿命(LinkLife Time)LLT_n、基站的网络负载L_n和移动终端v的运动趋势D_v，即M＝{m_q ⁿ|q＝1,...,4}＝{R_n,LLT_n,L_n,D_v}，计算方法如下：

A.接收信号强度

信号强度(Received Signal Strength，RSS)反映了当前信道的信道质量，其表达式为：

R_n＝K₁-K₂lg(d)+μ(x) 式(1)

其中，K₁为发射功率，K₂为路径损耗，d为车辆终端与基站的距离，μ(x)是服从参数(0,σ₁)的高斯分布。

B.链路寿命LLT_n

链路寿命是指车辆终端在基站的传输范围内可能行驶的最大时间段。换言之，当车辆移动终端切换至某基站时开始，车辆移动终端离开基站时结束。

其中，表示车辆终端的平均行驶速度，是车辆移动终端在极坐标系中行驶的速度方向，R表示基站的覆盖范围半径，d是车辆终端与基站的距离。

C.基站网络的负载

将基站的负载定义为已占用的网络带宽与基站网络提供的总带宽之比，则可表示为

其中，B_tot,n表示基站n的网络总带宽，U_n表示所有连接到当前基站n的车辆终端集合，B_vn表示集合中车辆终端v所申请的业务带宽，x_vn∈{0,1}为车辆终端v的接入指示量，若车辆终端接入到基站n的网络中，则x_vn＝1，反之，x_vn＝0。

D.车辆终端的移动趋势

在车联网环境下进行水平切换时，由于车辆终端的高速移动，终端的运动趋势以及终端和基站之间的距离都会影响到车辆终端接入网络后维持连接的时间以及切换次数。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，进而得出对切换选择的影响。一般可认为较短时间内车辆终端的运动轨迹是接近直线的，车辆终端与基站的相对运动趋势如图3所示，当车辆移动终端处于位置1时，与基站A的距离d₁小于与基站B的距离d₂。当车辆移动终端运动到位置2后，随着运动的继续，d₁逐渐大于d₂，按照传统的切换方法则需要进行网络切换。由式(1)可计算出车辆终端v与目标基站的距离变化值：

其中，R₁是车辆终端与基站A之间的接收信号强度，R₂是车辆终端与基站B之间的接收信号强度。

如附图4所示，基于AdaBoost算法的链路持续时间预测方法详细描述如下：

假设将时间进行分段，[0,Δt),[Δt,2Δt),...,[(f-1)Δt,fΔt),[fΔt,∞)。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。链路集合中含有各自链路的链路指标数据集，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。首先初始化样本集合的权值w_i，在第一次迭代过程中每一个样本都被赋予相同的权值，即w₁(n)＝1/N，在后续的每轮迭代过程中，样本权重的值会根据每轮产生的弱分类器权值的改变而改变。

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，y_env(p_nΔt)＝-1。

对于某个链路指标m_q ⁿ，m_q ⁿ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_q ⁿ，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_q ⁿ的分类器为g_q ⁿ。对于任一链路链接e_nv中的链路指标若满足m_q ⁿ(e)≥θ_q ⁿ则分类器g_q ⁿ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_q ⁿ≠y_e(p_nΔt)} 式(5)

记最小的分类误差为如果小于0.5，则对应于指标m_q ⁿ在时段p_nΔt上的弱分类器为由最小分类误差可以计算获得该弱分类器在第i轮训练中所占的权重α_i,q。

其中，为最小分类误差。然后，根据α_i,q可以更新下一次迭代时属性的权值分布，即

当时，停止迭代过程。

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。

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，即：

T(e_nv)就是预测的链路持续时间。

如附图5所示，基于TOPSIS的多属性切换决策方法详细描述如下：

1)建立决策矩阵Μ，并将决策矩阵进行归一化处理，即对各个属性进行无量纲处理，得到标准化决策矩阵A

其中，N为候选基站的个数。对于归一化处理，不同的属性处理方式不同。对于受益属性链路持续时间T_n(e_nv)和接收信号强度R_n，值越大越好，则归一化为：

其中，a_nq表示第n个基站网络的第q个归一化属性值，m_nq表示第n个基站网络的第q个属性值，q＝1,...,4。

对于代价属性基站负载L_n，值越小越好，则归一化为：

经过归一化处理后得到标准的判决矩阵为：

其中，a_nq是经过式-12和式-13处理后得到的基站网络n属性q的归一化值，N为候选基站的个数。

2)确定正理想解与负理想解：

3)计算各个属性与当前环境中的该属性的正理想解和负理想解之间的欧氏距离，与正理想解之间的距离为：

与负理想解之间的距离为：

4)计算候选基站与理想解的相对接近程度c_n，并对其进行排序，其中具有与理想解最大的相对接近程度的基站即为最终的切换目标N_top：

N_top即为最终得到的切换目标。

以上所述仅为本发明的一种较佳实施例而已，本发明的保护范围并不以上述实施方式为限，但凡本领域普通技术人员根据本发明所揭示内容所作的等效修饰或变化，皆应纳入权利要求书中记载的保护范围内。

Claims (5)

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_q ⁿ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_q ⁿ，m_q ⁿ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_q ⁿ，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_q ⁿ的分类器为g_q ⁿ；对于任一链路链接e_nv中的链路指标若满足m_q ⁿ(e)≥θ_q ⁿ则分类器g_q ⁿ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_q ⁿ≠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。

4.根据权利要求3所述的基于集成学习的多属性切换决策方法，其特征在于，所述步骤3中选择的多属性包括：通过步骤2获得的车辆终端与候选基站的链路持续时间预测值T_n(e_nv)、基站负载L_n、接收信号强度R_n、以及终端的移动趋势属性D_v。

5.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，步骤3中基于TOPSIS的多属性切换决策方法包括：

步骤3.1，建立决策矩阵Μ，并将决策矩阵进行归一化处理，即对各个属性进行无量纲处理，得到标准化决策矩阵A：

其中，N为候选基站的个数。经过归一化处理后得到标准的判决矩阵为：

其中，a_nq是基站网络n属性q的归一化值，N为候选基站的个数；

步骤3.2，确定正理想解与负理想解

步骤3.3，计算各个属性与当前环境中的该属性的正理想解和负理想解之间的欧氏距离；

步骤3.4，计算候选基站与理想解的相对接近程度c_n，并对其进行排序，其中排名第一的基站即为最终的切换目标N_top。