CN112203228A - 一种基于车辆数预测的双层蜂窝车联网频谱分配方法 - Google Patents

Abstract

本发明请求保护一种基于车辆数预测的双层蜂窝车联网频谱分配方法，其包括以下步骤：搭建网络环境；对现有的车辆轨迹数据集进行预处理；考虑到实际场景中多个区域的车辆数间的时间相关性和空间相关性，搭建基于卷积结构和LSTM的车辆数预测网络模型，表示为Conv_LSTM网络；进行资源需求分析，资源需求函数设为幂函数，且幂指数在0到1之间变化，基于Conv_LSTM网络预测未来时刻各SBS区域内的车辆数，然后对应计算得到未来时刻各小基站SBS的资源需求量；将MBS为各小基站SBS分配资源块的问题建模为多重点染色问题，并提出动态资源分配算法求解，基于MBS持有的RB资源块总数的约束，依次为各独立集分配RB资源块，以均衡各SBS的资源满意度并提高网络的资源利用率。

Description

一种基于车辆数预测的双层蜂窝车联网频谱分配方法

技术领域

本发明属于蜂窝车联网通信技术领域，具体涉及一种基于车辆数预测的双层蜂窝车联网频谱分配方法。

背景技术

日益革新的科技为人们生活带来了巨大变化，车辆已经成为大众化的交通工具。随着车辆与道路环境的交互越来越强，并朝着完全自主的方向发展，产生了车辆互联的概念，智能交通系统(Intelligence Transportation System，ITS) 应运而生。车联网是ITS和智能城市发展的重要组成部分，其目的是实现车辆到一切(Vehicle to Everything，V2X)的通信需求，主要包括：数据传输、话音通信、视频下载、多媒体服务等。

随着ITS的提出与研究，以及长期演进(Long Term Evolution，LTE)、第五代移动通信技术(5th Generation Mobile Networks，5G)和可见光通信等技术的研究与应用，车联网不断取得新进展。尽管车联网在改变日常生活的车辆体验方面占有优势，但是由于车辆对服务质量(Quality of Service，QoS)的严格约束和多样化要求以及车辆环境固有的动态特性，传统的无线通信系统面临着前所未有的挑战。第三代合作伙伴项目(ThirdGeneration Partnership Project， 3GPP)立项启动的基于蜂窝网络的车用无线技术标准，已于2016年9月发布了 14号标准，其中包括对V2X通信的支持，该标准通常被称为蜂窝V2X(Cellular Vehicle to Everything，C-V2X)。

此外，车辆拥有高性能的计算和存储设备以及各种先进的车载传感器，如激光雷达、雷达和照相机。通过各种设备，车辆正在生成、收集、存储、处理和传输大量数据，丰富的数据将为可靠高效的车辆网络设计提供新的维度。然而传统通信策略并不能有效处理和利用这些丰富的信息数据。机器学习提供了一套通用工具来开发和挖掘车辆网络中多个数据源产生的大量数据，因此基于机器学习技术来处理异构数据不仅具有良好的鲁棒性，而且有助于车联网系统做出明智的决策以缓解通信挑战。例如通过预测交通流量来缓解交通阻塞并减少燃料消耗，通过智能管理各种通信资源以最大限度地提高终端用户的服务质量等。此外，车联网还可以提供增值服务以满足用户的多样化需求，如基于位置服务、实时交通流预测和辅助驾驶。

尽管蜂窝技术相较于专用短程通信技术(Dedicated Short RangeCommunications，DSRC)技术具有明显优势，但是蜂窝车联网中面临着网络拓扑不断变化、频谱资源不足、基站能源消耗大、车辆用户需求多样化等多种挑战。而机器学习在车联网中的应用研究已取得一定研究进展，证明应用机器学习技术支持车联网是可行的。因此本发明将机器学习技术应用于车联网的资源分配问题中，提出一种有效的资源分配方案，以提高车辆通信网络的资源利用率和满足车辆用户的多样化通信需求。

发明内容

本发明旨在解决以上现有技术的问题。提出了一种提升网络的频谱资源利用率和均衡各基站的负载能力的基于车辆数预测的双层蜂窝车联网频谱分配方法。本发明的技术方案如下：

一种基于车辆数预测的双层蜂窝车联网频谱分配方法，其包括以下步骤：

步骤1、搭建网络环境；基于传统蜂窝网中的两层架构构建城市场景下的双层车载网络,车载网络的网络层为控制层和数据层构成的两层架构，其中MBS 宏基站提供控制模块来负责控制层工作，为小基站SBS提供网络资源的集中控制；小基站负责数据层工作，提供V2X数据传输功能；

步骤2、对现有车辆轨迹数据集中的纬度、经度、时间戳等基本内容进行预处理，得到车辆数数据集；

步骤3、考虑到实际场景中多个区域的车辆数间的时间相关性和空间相关性，搭建基于卷积结构和LSTM的车辆数预测网络模型，表示为Conv_LSTM网络；

步骤4、进行资源需求分析，资源需求函数设为幂函数，且幂指数在0到1 之间变化，基于Conv_LSTM网络预测未来时刻各SBS区域内的车辆数，然后对应计算得到未来时刻各小基站SBS的资源需求量；

步骤5、将MBS为各小基站SBS分配资源块的问题建模为多重点染色问题，并提出动态资源分配算法求解，基于MBS持有的RB资源块总数的约束，依次为各独立集分配RB资源块，以均衡各SBS的资源满意度并提高网络的资源利用率。

进一步的，所述步骤2对现有的车辆轨迹数据集进行预处理，具体包括以下步骤：

步骤2-1、以车辆文件为处理单位，将时间戳转换为日期时间；

步骤2-2、根据时间进行排序，去除重复数据，并进行数据过滤去掉异常数据；

步骤2-3、采用历史平均法处理数据缺失问题，即当前缺失时刻的值等于上一时刻的值与下一时刻的值的平均值；

步骤2-4、以5分钟为采样周期对数据进行采样，得到每辆车在各采样时刻的全球定位系统GPS坐标数据；

步骤2-5、将GPS数据中的经度和纬度坐标对应转换为所处的区域位置坐标，即将每个采样时刻对应的GPS坐标转化为它所在的区域网格坐标；

步骤2-6、依次处理每辆车的轨迹数据并整理为一个csv文件，即所有车辆在这段时间内经过的轨迹网格坐标；

步骤2-7、统计每个采样时刻各SBS区域内的车辆数目得到车辆数数据集。

进一步的，所述步骤2-5将GPS数据中的经度和纬度坐标对应转换为所处的区域位置坐标，即将每个采样时刻对应的GPS坐标转化为它所在的区域网格坐标，具体包括：

将数据中的经度和纬度坐标对应转换为所处的区域位置坐标，即将每个采样时刻对应的GPS坐标(lon,lat)转化为它所在的区域网格坐标(x,y)，首先找到区域边界，即所有GPS坐标中的经纬度的最大值maxlon、maxlat和最小值minlon、 minlat，然后划分网格，假设划分为m×n个网格，即包含m行和n列，其中每一个网格就代表一个区域，对应着小基站的覆盖范围，最后将(lon,lat)转换为(x, y)，计算公式如下：

进一步的，所述步骤3考虑到实际场景中多个区域的车辆数间的时间相关性和空间相关性，搭建基于卷积结构和LSTM的车辆数预测网络模型，表示为 Conv_LSTM网络，具体过程为：

步骤3-1、获取Conv_LSTM网络的输入，即车辆数数据矩阵X，矩阵可以表示为时间序列向量即X＝{x_t,t＝1,2,…,T}，其中行向量x_t表示同一时刻所有区域的车辆数数据，T表示所有采样时刻；

步骤3-2、将车辆数时序数据输入Conv层进行卷积操作以提取车辆数数据的空间特征；

步骤3-3、将第一层输出的车辆数数据空间特征输入至第二层卷积以进一步提取各区域车辆数数据间的空间特征；

步骤3-4、添加Res层以缓解网络退化问题，将上层特征向量输入残差层进行计算；

步骤3-5、将车辆数数据特征向量再输入至一层卷积层以提取较远区域间车辆数数据的空间相关性；

步骤3-6、将连续采样时刻的车辆数数据空间特征向量输入至LSTM层中，提取车辆数数据的时间特征信息；

步骤3-7、将输出的车辆数数据时空特征向量输入至全连接层进行维度调整以匹配Conv_LSTM网络的输出维度；

步骤3-8、将车辆数数据集X依照一定比例划分为训练集、验证集和测试集，然后进行Conv_LSTM网络模型的训练和测试。

进一步的，所述步骤5、将MBS为各小基站SBS分配资源块的问题建模为多重点染色问题，具体包括：

将MBS为各SBS分配RB的问题建模为多重点染色问题，其中SBS对应为图G的顶点(Vertex，V)，相邻的SBS存在干扰对应图G的边连接(Edge， E)，RB对应颜色，SBS的RB需求数对应每个点v要求染的颜色种数x(v)，将场景图对应抽象为加权无向图，其中圆圈内为顶点编号，右上角为顶点要求染的颜色种数x(v)，相邻的SBS之间存在干扰因此有边连接，非相邻SBS无边连接；结合场景中的SBS的分布特点求解多重点染色问题，已知SBS分布图和邻接图即图G_SBS＝(V,E)，每个SBS需要的RB数即x(v)，MBS拥有的RB数即最多可染的颜色数R，最终得到MBS为每个SBS分配的RB，即G_SBS的一个多重点染色。

进一步的，所述步骤5将MBS为各小基站SBS分配资源块的问题建模为多重点染色问题，并提出动态资源分配算法求解，基于MBS持有的RB资源块总数的约束，依次为各独立集分配RB资源块，以均衡各SBS的资源满意度并提高网络的资源利用率，具体包括：

步骤5-1、基于局部搜索算法求解图G的最大独立集。独立集的定义为任意两个顶点均没有边连接的顶点集合，所有独立集中包含元素个数最多的为最大独立集。局部搜索算法中基于贪婪算法并利用邻域函数进行搜索，搜索时采用递归方法寻找图的最大独立集；

步骤5-2、依次得到图G的多个最大独立集V₁,...,V_K且V₁∪...∪V_K＝V；

步骤5-3、执行动态资源分配：基于MBS持有的RB总数的约束，依次为各独立集分配RB，以均衡各SBS的资源满意度并提高网络的资源利用率。

进一步的，所述步骤5-1、基于局部搜索算法求解图G的最大独立集，基于贪婪算法并利用邻域函数进行搜索，搜索中采用递归方法寻找图的最大独立集，具体包括：

步骤5-1-1、选择图中顶点度最大的顶点v*；

步骤5-1-2、利用邻域函数对图进行分解，将图分解为G₁＝G-{v*}，G₂＝G-{v*}-{N(v*)}，其中N(v*)表示v*的邻集；

步骤5-1-3、重复搜索，分别在图G₁，G₂中重复执行步骤5-1-1和5-1-2，直到所有子图中所有顶点度为0；

步骤5-1-4、输出结果，在两个分支中得出的独立集进行基数即集合中元素个数的比较，基数最大的为图的最大独立集。

进一步的，所述步骤5-3、执行动态资源分配：基于MBS持有的RB总数R 的约束，依次为各独立集分配RB，以均衡各SBS的资源满意度并提高网络的资源利用率，具体包括：

步骤5-3-1、初始化m₀＝0，R_rest＝R，其中m₀表示每轮分配的RB数目，R_rest表示每轮分配后剩余的RB数目；

步骤5-3-2、取m＝min_v∈Vx(v)-m₀；

步骤5-3-3、若R_rest>m*2，依次为V1、V2中的SBSs分配m个RB；若R_rest<m，为集合元素多的集合分配R_rest个RB；否则，为集合元素多的集合分配m个RB，为另一个集合分配R_rest-m个RB；

步骤5-3-4、将已获得其需求RB的SBS移除集合，更新R_rest和m；

步骤5-3-5、循环步骤5-3-2至步骤5-3-4直至集合为空或R_rest<0。

本发明的优点及有益效果如下：

本发明为一种基于车辆数预测的双层蜂窝车联网频谱分配方法，且应用于双层架构的蜂窝车载网络中。相较于传统蜂窝网，双层蜂窝架构中SBS的出现有效弥补了传统基站的缺点，双层蜂窝结构有效提升了网络容量并保证了网络覆盖。而SBS层的资源分配优化需要得到重视。传统的资源分配方法大多优化下行链路的资源分配策略以提升单个基站的网络效用，并基于图论、博弈论进行实时分配，需要消耗大量的计算和通信资源。随着机器学习的发展，利用机器学习技术解决资源分配问题更加高效。本发明首先考虑了区域内车辆数目的可预测性，提出了基于卷积结构和LSTM的Conv_LSTM网络模型进行车辆数预测。传统的预测方法大多使用单一或简单组合的网络结构，网络容易过拟合且较难有效深入的挖掘数据集特征，因此预测准确度较低。本发明提出的 Conv_LSTM网络模型利用卷积结构和LSTM结构充分提取了车辆数数据集的时空特征，并在卷积层间添加了残差层以防止过拟合，因此提高了车辆数预测的准确度。其次，引入车辆用户数目与基站的资源需求间的关系，基于预测的车辆数目得到各SBS的资源需求量，由MBS面向SBS的需求进行资源预分配。基于需求分配可以更好的满足各SBS的资源需求，防止出现有的SBS获得的 RB多于其需要的RB造成资源浪费的情况以及。因此本发明可以均衡各SBS的资源满意度和提高网络的资源利用率，同时MBS通过预分配可以减少信令开销和缓解网络拥塞问题。

附图说明

图1是本发明提供优选实施例的系统模型图；

图2为本发明提出的Conv_LSTM网络模型图；

图3为本发明Conv_LSTM网络模型中残差层结构图；

图4为本发明Conv_LSTM网络模型中残差单元结构图；

图5为本发明Conv_LSTM网络模型中LSTM层结构图；

图6为本发明使用Conv_LSTM网络进行车辆数预测的流程图；

图7为本发明系统模型抽象为的加权无向图；

图8为本发明中预测模型的预测结果对比图；

图9为本发明资源分配方案的RB分配结果对比图；

图10为本发明资源分配方案各SBS资源满意度对比图；

图11为本发明资源分配方案SBS平均资源满意度与RB总数关系曲线图；

图12为本发明资源分配方案在不同SBS个数时满足所有SBS需求时所需 RB总数对比图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、详细地描述。所描述的实施例仅仅是本发明的一部分实施例。

本发明解决上述技术问题的技术方案是：

本发明基于双层蜂窝车载网络的系统模型，其中由MBS负责各SBS的资源分配工作，SBS负责车辆与基站间的通信工作。本发明主要解决基站间的资源分配问题，以提高网络的资源利用率和均衡各SBS的资源满意度。实现基站间的资源预分配过程其实质是引入深度学习技术进行车辆数预测，得到对应资源需求之后由MBS面向SBS资源需求进行资源分配的过程，所以整个预分配过程可以缓解网络拥塞和高网络的频谱资源利用率。

基于车辆数预测的蜂窝车联网资源分配方法，包括以下步骤：

步骤1、搭建网络环境；

构建城市场景下的双层车载网络如图1所示，其中MBS提供控制模块来负责控制层工作，仅为SBS提供网络资源的集中控制，而SBS负责数据层工作，提供V2I数据传输功能。具体为，MBS覆盖范围下有多个固定排列的SBS，每个SBS通过信道获取自己覆盖范围内的车辆信息，通过回程链路发送到MBS 的控制模块，MBS收集和处理SBS回传的信息，根据收集的信息产生各SBS 的资源预分配方案。当MBS控制模块所需处理的数据工作过大时，可将数据处理相关任务卸载至云服务器，由云服务器来完成。云服务器具有强大的数据存储能力和计算能力，可完成复杂的数据处理和运算工作。例如本发明所需完成的数据集处理任务和车辆数预测任务均需要很大的计算和存储资源，因此MBS 可将其卸载至云服务器来完成。位于数据层的SBS负责为覆盖范围内的车辆提供V2I通信服务，使用蜂窝网的正交频分多址接入技术(Orthogonal Frequency Division Multiple Access，OFDMA)技术和半双工通信。上述体系结构可以有效地保证信号覆盖，减少处理延迟，提高网络容量。

步骤2、对现有的车辆轨迹数据集进行预处理；

对于现有的车辆轨迹数据集，假设为D，一般包括纬度、经度、时间戳等基本内容，如表1所示。数据处理时仅选用纬度、经度和时间戳三列数据进行处理，处理后的数据为经过每5分钟采样的各区域中的车辆数数据。假设数据集包含的车辆数目为K，采集车辆轨迹的时间范围为2008-05-17至2008-06-10，数据处理的具体过程如下：

步骤2-1、以车辆文件为处理单位，将时间戳转换为日期时间，如1213084687 转换为2008-06-10 15:58:07；

步骤2-2、根据时间进行排序，去除每分钟内的重复数据以方便采样，考虑长时停车时GPS数据散列在一定范围内而不是停留在一个固定点上，或者相邻时刻的GPS数据距离过大不符合实际情况，因此进行数据过滤，去掉异常数据；

步骤2-3、采用历史平均法处理数据缺失问题，即当前缺失时刻的值等于上一时刻的值与下一时刻的值的平均值；

步骤2-4、以5分钟为采样周期对处理后的数据进行采样，得到每辆车在各采样时刻的GPS坐标数据；

步骤2-5、将数据中的经度和纬度坐标对应转换为所处的区域位置坐标，即将每个采样时刻对应的GPS坐标(lon,lat)转化为它所在的区域网格坐标(x,y)。首先找到区域边界，即所有GPS坐标中的经纬度的最大值maxlon、maxlat和最小值minlon、minlat。然后划分网格，假设划分为m×n个网格，即包含m行和n 列，其中每一个网格就代表一个区域，对应着小基站的覆盖范围。最后将(lon,lat) 转换为(x,y)，计算公式如下：

步骤2-6、依次处理每辆车的轨迹数据并整理为一个csv文件，即所有车辆在这段时间内经过的所有轨迹网格坐标，如表2所示；

步骤2-7、统计每个采样时刻各区域内的车辆数目得到车辆数数据集。车辆数数据集的数据格式如表3所示。

步骤3、搭建基于卷积结构和LSTM的车辆数预测网络模型，即Conv_LSTM 网络；

本发明所采用的车辆数数据主要包含时间特征和空间特征，其中空间特征是指某个区域车辆数易受到相邻区域车辆数的影响，时间特征是指某个区域车辆数易同时受到最近和较远时间间隔的影响。基于卷积的代表网络CNN在空间特征挖掘上效果突出，能够挖掘出车辆数数据中较近和较远区域的空间相关性。一般CNN由多层叠加而成，由连续的卷积、非线性变换、汇集、全连接层以及输入输出组成。一个卷积层可以很好地描述空间区域中的近依赖关系，而多个卷积层可以进一步挖掘空间区域中的远依赖关系。由于远处区域的车辆数数据可能对当前区域产生影响，为了获取较远处区域与当前区域的空间相关性，卷积层需要更深。而在神经网络结构中，网络深度是至关重要的。一旦网络层次变深，网络训练将更加困难，训练错误越来越多。因此引入残差学习来简化网络训练以使得网络能够更加深入。对于一个多层的神经网络往往存在最优化的网络层次，即深度网络中的很多网络层为冗余的。因此通过学习残差让该层网络恒等映射上一层的输入，保证经过该恒等层的输入和输出完全相同，使得拥有冗余层的网络效果与没有冗余层的网络效果相同，从而解决网络的退化问题。

循环神经网络不同于传统的神经网络，在隐藏层节点之间增加了互连，可对先前的数据信息进行记忆并应用到当前输出的计算中。LSTM作为循环神经网络的一种变体，将隐藏层处理为一个记忆单元来解决时间序列预测问题中的长短时依赖。因此LSTM非常适合用于处理与时间序列高度相关的问题，能够有效挖掘各区域车辆数数据时间序列中的长时和短时依赖关系。

考虑到实际场景中多个区域的车辆数间的时间相关性和空间相关性，本发明构建了基于卷积结构和LSTM的车辆数预测网络模型，模型结构如图2所示。模型融合了提取各区域车辆数空间特征的卷积和提取各区域车辆数时间特征的 LSTM，并加入残差层以防止网络退化。具体如下：

步骤3-1、获取Conv_LSTM网络的输入，即车辆数数据矩阵X。矩阵可以表示为时间序列向量即X＝{x_t,t＝1,2,…,T}，其中行向量x_t表示同一时刻所有区域的车辆数数据。矩阵X中相邻两行数据的时间间隔为5分钟，因此预测时的时间步长可以为5分钟或5分钟的倍数，输出即为未来时刻各区域中的车辆数；

步骤3-2、车辆数时序数据输入Conv层进行卷积操作以提取车辆数数据的空间特征，通过滑动二维卷积核滤波器获得局部感知域的车辆数信息，提取邻近区域车辆数之间的空间特征。然后在特征映射卷积的基础上加入偏差，在激活函数的作用下得到该层的输出，即邻近区域车辆数之间的空间特征信息。公式如下：

其中，x_t表示时刻t的车辆数数据向量，W⁽¹⁾表示第一层中卷积核滤波器矩阵的权值，b⁽¹⁾是第一层的偏置，f是激活函数，

是x_t经第一层卷积操作后的输出特征。常用的激活函数有sigmoid、tanh和ReLU。

步骤3-3、将第一层输出的车辆数数据空间特征输入至第二层卷积以进一步提取各区域车辆数数据间的空间特征，如下所示：

其中，W⁽²⁾表示第二层中卷积核滤波器矩阵的权值，b⁽²⁾是第二层的偏置，

是 x_t经第二层卷积操作后的输出特征。

步骤3-4、添加Res层以缓解网络退化问题，Res层由4个残差单元依次连接构成，如图3所示，其中残差单元结构图如图4所示。残差单元的计算表达式如式(4)所示：

H(x)＝F_W,b(x)+x (4)

其中，x和H(x)是残差单元的输入和输出，F是残差函数，F(x)为残差值。

车辆数空间特征向量

经过残差层的计算过程得到如式(5)至式(8)所示：

其中，

是第i个残差单元的输出，

分别是对应第i个残差单元的参数值和偏差值，

是残差层输出的车辆数数据特征向量。

步骤3-5、将车辆数数据特征向量再输入至一层卷积层以提取较远区域间车辆数数据的空间相关性，如下所示：

其中，W⁽⁴⁾表示第四层中卷积核滤波器矩阵的权值，b⁽⁴⁾是第四层卷积层的偏置，

是经第四层卷积操作后输出的车辆数数据空间特征向量。

步骤3-6、输入的车辆数数据矩阵X经过上述的卷积层和残差层处理之后，便得到多个连续采样时刻的车辆数数据空间特征向量，接下来将其输入至LSTM 层中，提取车辆数数据的时间特征信息。

LSTM具体结构如图5所示。LSTM层的输入为多个时刻下所有区域的车辆数空间特征向量，表示为

LSTM层包括多个LSTM块，每个LSTM块的输入对应于一个时刻的车辆数空间特征向量。以时刻t的车辆数空间特征向量为例说明LSTM块的执行过程。

步骤3-6-1、LSTM块执行遗忘门，以决定保留的上一时刻车辆数空间特征信息的部分G_f，如公式(10)所示。

步骤3-6-2、LSTM块执行输入门，以决定保留的当前时刻车辆数空间特征信息的部分G_i，如式(11)所示。

步骤3-6-3、LSTM块采用激活函数，利用当前时刻的车辆数空间特征信息 x_t和上一时刻的输出h_t-1生成一个中间状态向量S_t，如式(12)所示。

步骤3-6-4、更新当前时刻的单元值C_t。将遗忘门的值G_f和上一时刻的单元值相乘来丢弃确定丢弃的车辆数数据特征信息，将输入门的值G_i与中间状态向量S_t相乘得到新的候选值，将上述两部分组合在一起得到新的单元值C_t，如式 (13)所示。

步骤3-6-5、执行输出门得到LSTM块的输出H_t。利用激活函数来确定单元值输出的部分，之后使用tanh处理单元值并与G_o相乘得到确定输出的车辆数数据特征信息，如式(14)和式(15)所示。公式(10)至式(15)如下所示：

C_t＝G_f*C_t-1+G_i*S_t (13)

其中，σ是激活函数，G_f、G_i、G_o对应为遗忘门、输入门和输出门的值，

是对应的权重，

是对应的偏置，S_t是t时刻的中间状态，

是中间状态对应的权重和偏置。每个LSTM块都包含Dropout结构，Dropout在网络训练过程中，按照一定的概率将一部分神经网络单元暂时从网络中丢弃来有效的避免过拟合。

因此多个时刻下所有区域的车辆数空间特征向量经过LSTM层的输出为

步骤3-7、将上层输出的车辆数数据时空特征向量输入至一个全连接层调整维度以匹配输出维度。车辆数数据集经过整个Conv_LSTM网络的特征提取后，最终输出为未来时刻各个区域的车辆数，如下所示：

其中，W⁽⁶⁾表示第七层全连接层的权值，b⁽⁶⁾是第七层全连接层的偏置，y是最终输出的各区域未来时刻的车辆数数据。

步骤3-8、将车辆数数据集X依照一定比例划分为训练集、验证集和测试集，然后进行Conv_LSTM网络模型的训练和测试。网络模型训练过程如图6所示，其中使用反向传播算法进行迭代训练，损失函数采用均方误差(Mean Squared Error，MSE)，当网络的损失至小于给定的最小误差时，认为网络收敛，输出预测的车辆数数据。

步骤4、对SBS进行资源需求分析，一般认为资源需求量随着车辆数的增加而线性增加。但是随着车辆数的增加，车辆间的通信变得更加容易，所以资源需求量随着用户数的增加而增加，但是增长速度会变缓。因此将资源需求函数设为幂函数，且幂指数在0到1之间变化，建立资源需求函数表达式如式(17) 所示。基于Conv_LSTM网络预测未来时刻各SBS区域内的车辆数，可以对应计算得到未来时刻各SBS的资源需求量。

y＝b×x^a(0＜a＜1) (17)

其中，y表示资源需求量，x表示区域内的用户数，a为幂指数，b为参数。

步骤5、MBS面向SBS的资源需求为其分配频谱资源块RB，目的是提高频谱资源利用率，节约频谱资源，同时均衡各SBS的资源满意度，其中定义资源满意度为其获得的资源与自身需要资源之比。将此问题建模为多重点染色问题，并提出动态资源分配算法求解。

考虑到当各SBS均复用MBS所有频段时，可以提高频谱资源利用率但是将引入很大的干扰。因此为了解决频谱复用和干扰间的矛盾，借鉴当前路侧单元间频谱的复用规则。设定相邻的SBS不能使用同一频段，非相邻的SBS可以使用同一频段，上述结构既可以提高资源利用率也可以有效减少干扰。因此将SBS 间的资源分配问题描述为：MBS为各个SBS按需动态分配频谱资源以尽可能的满足基站的资源需求，动态资源分配以周期T循环执行，并基于RB资源有限和相邻SBS不可复用同一RB的约束。

求解算法除了需要确定MBS为各SBS所分配的RB数量，还需要确定MBS 为各SBS具体分配的是哪些RB。关于上述分配问题的求解，首先将其转化为多重点染色问题。其中多重点染色问题的定义为：给定一个无向图G＝(V,E)和图中每个顶点v(v∈V)要求染的颜色种数x(v)，G的一个多重点染色是从G中顶点到正整数幂集的映射Ψ：V→2^N，每个顶点v对应一个由x(v)个不同正整数组成的集合，即每个点v染了x(v)种不同的颜色，相邻顶点被赋予的颜色集合不相交。

基于上面所述，将MBS为各SBS分配RB的问题建模为多重点染色问题，其中SBS对应为图G的顶点(Vertex，V)，相邻的SBS存在干扰对应图G的边连接(Edge，E)，RB对应颜色，SBS的RB需求数对应每个点v要求染的颜色种数x(v)。将图1所示的场景图对应抽象为加权无向图，如图7所示，其中圆圈内为顶点编号，右上角为顶点要求染的颜色种数x(v)，相邻的SBS之间存在干扰因此有边连接，非相邻SBS无边连接。结合场景中的SBS的分布特点求解多重点染色问题，已知SBS分布图和邻接图即图G_SBS＝(V,E)，每个SBS需要的 RB数即x(v)，MBS拥有的RB数即最多可染的颜色数R，最终得到MBS为每个SBS分配的RB，即G_SBS的一个多重点染色。以图7中的图为例说明求解过程，具体如下：

步骤5-1、基于局部搜索算法求解图G_SBS的最大独立集。基于贪婪算法并利用邻域函数进行搜索，搜索中采用递归方法寻找图的最大独立集，具体如下：

步骤5-1-1、选择图中顶点度最大的顶点v*；

步骤5-1-2、利用邻域函数对图进行分解，将图分解为G₁＝G-{v*}，G₂＝ G-{v*}-{N(v*)}，其中N(v*)表示v*的邻集；

步骤5-1-3、重复搜索。分别在图G₁，G₂中重复执行步骤5-1-1和5-1-2，直到所有子图中所有顶点度为0；

步骤5-1-4、输出结果，在两个分支中得出的独立集进行基数即集合中元素个数的比较，基数最大的为图的最大独立集。

步骤5-2、依次得到图G的多个最大独立集V₁,...,V_K且V₁∪...∪V_K＝V，图7 对应的G_SBS对应得到的两个最大独立集为V₁＝{1,3,5,7,9}和V₂＝{2,4,6,8}；

步骤5-3、执行动态资源分配：基于MBS持有的RB总数的约束R，依次为各独立集分配RB，以均衡各SBS的资源满意度并提高网络的资源利用率，具体过程如下：

步骤5-3-1、初始化m₀＝0，R_rest＝R；

步骤5-3-2、取m＝min_v∈Vx(v)-m₀

步骤5-3-3、若R_rest>m*2，依次为V1、V2中的SBSs分配m个RB；若R_rest<m，为集合元素多的集合分配R_rest个RB；否则，为集合元素多的集合分配m个RB，为另一个集合分配R_rest-m个RB；

步骤5-3-4、将已获得其需求RB的SBS移除集合，更新R_rest和m；

步骤5-3-5、循环步骤5-3-2至步骤5-3-4直至集合为空或R_rest<0。

本发明中，为了验证Conv_LSTM网络模型预测的性能，将其与多层稀疏自编码器(Stacked Auto Encoder，SAE)和LSTM模型进行比较。

图8展示Conv_LSTM模型、LSTM模型和SAE模型三种网络模型对某一区域车辆数的预测结果图，可以明显看出Conv_LSTM模型的预测结果比LSTM 模型和SAE模型更接近实际值，即Conv_LSTM模型能够通过有效提取车辆数数据的时间和空间特征，更准确地预测区域内的车辆数。

表4对比三种网络在测试时的MSE指标值，表中展示了部分epoch值下的网络误差。可以看出，在epoch较小时，Conv_LSTM模型不是最优的，因为此时的模型未得到充分的训练，因此测试误差较大。随着epoch的增加，相较于 LSTM模型和SAE模型，Conv_LSTM模型的误差值是最小的，说明Conv_LSTM 网络通过提取车辆数的空间特征和时间特征得到了更加准确的预测，并且在一定程度上防止了过拟合。

传统的基站间资源分配策略是在网络建好后固定分配资源，典型的分配方法为平均分配资源。因此构建对比方案为平均分配方案，其中MBS为各SBS 平均分配RB资源，相邻的小基站不可复用同一RB，因此平均分配方案与本章所提的按需分配方案所受干扰相似。本发明所提的按需分配方案充分考虑了每个小基站的实际需求，面向实际需求进行资源预分配，提高了网络的资源利用率并均衡了各个基站的资源满意度。

图9为本发明资源分配方案的RB分配结果对比图，将其与平均分配方案的 RB分配结果进行对比，可以看出，按需分配策略的RB分配结果更贴近基站所需的资源需求量，与平均分配相比能够根据基站需求调整分配数量，使得分配的资源可以得到更加充分地利用，缓解了有些基站获得的资源过剩而有些基站获得的资源不足的情况，从而提高了网络的资源利用率。

图10从小基站层面比较按需分配方案与平均分配方案下各小基站的资源满意度。从图中可以看出，传统的平均分配方案未考虑基站需求，无论SBS中有多少用户，MBS均为SBS分配固定的资源量，因此各小基站的资源满意度参差不齐，例如某些基站的资源满意度大于1，说明基站的资源分配量大于了基站的资源需求量，产生了严重的资源浪费。而按需分配方案考虑了基站需求进行分配，对需求多的基站多分配资源，对需求少的基站少分配资源，不存在基站的资源满意度大于1的情况，因此按需分配可以更好的满足各小基站的通信需求，使得各个小基站的资源满意度更加均衡。

图11为本发明资源分配方案SBS平均资源满意度与RB总数关系曲线图。通过调整MBS所持有的RB总数，比较不同R值下按需分配方案与平均分配方案中小基站的平均资源满意度的变化。其中为了方案比较的公平性，对平均分配方案中小基站的平均资源满意度的计算进行了调整，即当基站的资源满意度大于1时，令其资源满意度为1。可以看出，R到达某值后，资源满意度不再增加，说明此时的RB数量可以满足所有基站的需求，对比按需分配和平均分配方案满足所有基站需求所需的RB数，可以看出按需分配方案所需的RB数更少，对应需求的带宽更少，因此按需分配也可以节约带宽资源。或若MBS仍有剩余的RB，则可用于其他通信业务，提高资源利用率。同时，图中曲线为MBS预留可以满足所有SBS资源需求的RB数提供了参考。

图12为本发明资源分配方案在不同SBS个数时满足所有SBS需求时所需 RB总数对比图。为了更好的体现当满足所有SBS资源需求时按需分配方案比平均分配方案所需的RB数少，比较了MBS覆盖的SBS个数不同时的情况。如图所示，横坐标为SBS个数，纵坐标为满足所有SBS资源需求时所需的RB数。可以明显看出，按需分配方案比平均分配方案所需的RB数少。

通过上述的仿真比较可以得出本发明提出的基于车辆数预测的基站间资源分配方法是有效的。本发明通过提出的Conv-LSTM网络模型进行准确的车辆数预测，然后MBS通过预测的车辆数来预先为各SBS分配RB资源，既可以缓解网络拥塞问题，又可以均衡各SBS的资源满意度和负载能力，提高网络的资源利用率。

附表说明

表1为本发明使用的车辆轨迹数据集内容；

表2为本发明处理得到的车辆轨迹网格坐标示例；

表3为本发明处理得到的车辆数数据集的数据格式；

表4为预测模型的误差值对比表。

表1

表2

表3

上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD) 或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。

以上这些实施例应理解为仅用于说明本发明而不用于限制本发明的保护范围。在阅读了本发明的记载的内容之后，技术人员可以对本发明作各种改动或修改，这些等效变化和修饰同样落入本发明权利要求所限定的范围。

Claims (8)

1.一种基于车辆数预测的双层蜂窝车联网频谱分配方法，其特征在于，包括以下步骤：

步骤1、搭建网络环境；基于传统蜂窝网中的两层架构构建城市场景下的双层车载网络,车载网络的网络层为控制层和数据层构成的两层架构，其中MBS宏基站提供控制模块来负责控制层工作，为小基站SBS提供网络资源的集中控制；小基站负责数据层工作，提供V2X数据传输功能；

步骤2、对现有车辆轨迹数据集中的纬度、经度、时间戳在内的基本内容进行预处理，得到车辆数数据集；

步骤3、考虑到实际场景中多个区域的车辆数间的时间相关性和空间相关性，搭建基于卷积结构和LSTM的车辆数预测网络模型，表示为Conv_LSTM网络；

步骤4、进行资源需求分析，资源需求函数设为幂函数，且幂指数在0到1之间变化，基于Conv_LSTM网络预测未来时刻各SBS区域内的车辆数，然后对应计算得到未来时刻各小基站SBS的资源需求量；

步骤5、将MBS为各小基站SBS分配资源块的问题建模为多重点染色问题，并提出动态资源分配算法求解，基于MBS持有的RB资源块总数的约束，依次为各独立集分配RB资源块，以均衡各SBS的资源满意度并提高网络的资源利用率。

2.根据权利要求1所述的一种基于车辆数预测的双层蜂窝车联网频谱分配方法，其特征在于，所述步骤2对现有的车辆轨迹数据集进行预处理，具体包括以下步骤：

步骤2-1、以车辆文件为处理单位，将时间戳转换为日期时间；

步骤2-2、根据时间进行排序，去除重复数据，并进行数据过滤去掉异常数据；

步骤2-3、采用历史平均法处理数据缺失问题，即当前缺失时刻的值等于上一时刻的值与下一时刻的值的平均值；

步骤2-4、以5分钟为采样周期对数据进行采样，得到每辆车在各采样时刻的全球定位系统GPS坐标数据；

步骤2-5、将GPS数据中的经度和纬度坐标对应转换为所处的区域位置坐标，即将每个采样时刻对应的GPS坐标转化为它所在的区域网格坐标；

步骤2-6、依次处理每辆车的轨迹数据并整理为一个csv文件，即所有车辆在这段时间内经过的轨迹网格坐标；

步骤2-7、统计每个采样时刻各SBS区域内的车辆数目得到车辆数数据集。

3.根据权利要求2所述的一种基于车辆数预测的双层蜂窝车联网频谱分配方法，其特征在于，所述步骤2-5将GPS数据中的经度和纬度坐标对应转换为所处的区域位置坐标，即将每个采样时刻对应的GPS坐标转化为它所在的区域网格坐标，具体包括：

将数据中的经度和纬度坐标对应转换为所处的区域位置坐标，即将每个采样时刻对应的GPS坐标(lon,lat)转化为它所在的区域网格坐标(x,y)，首先找到区域边界，即所有GPS坐标中的经纬度的最大值maxlon、maxlat和最小值minlon、minlat，然后划分网格，假设划分为m×n个网格，即包含m行和n列，其中每一个网格就代表一个区域，对应着小基站的覆盖范围，最后将(lon,lat)转换为(x,y)，计算公式如下：

4.根据权利要求3所述的一种基于车辆数预测的双层蜂窝车联网频谱分配方法，其特征在于，所述步骤3考虑到实际场景中多个区域的车辆数间的时间相关性和空间相关性，搭建基于卷积结构和LSTM的车辆数预测网络模型，表示为Conv_LSTM网络，具体过程为：

步骤3-1、获取Conv_LSTM网络的输入，即车辆数数据矩阵X，矩阵可以表示为时间序列向量即X＝{x_t,t＝1,2,…,T}，其中行向量x_t表示同一时刻所有区域的车辆数数据，T表示所有的采样时刻；

步骤3-2、将车辆数时序数据输入Conv层进行卷积操作以提取车辆数数据的空间特征；

步骤3-3、将第一层输出的车辆数数据空间特征输入至第二层卷积以进一步提取各区域车辆数数据间的空间特征；

步骤3-4、添加Res层以缓解网络退化问题，将上层特征向量输入残差层进行计算；

步骤3-5、将车辆数数据特征向量再输入至一层卷积层以提取较远区域间车辆数数据的空间相关性；

步骤3-6、将连续采样时刻的车辆数数据空间特征向量输入至LSTM层中，提取车辆数数据的时间特征信息；

步骤3-7、将输出的车辆数数据时空特征向量输入至全连接层进行维度调整以匹配Conv_LSTM网络的输出维度；

步骤3-8、将车辆数数据集X依照一定比例划分为训练集、验证集和测试集，然后进行Conv_LSTM网络模型的训练和测试。

5.根据权利要求4所述的一种基于车辆数预测的双层蜂窝车联网频谱分配方法，其特征在于，所述步骤5、将MBS为各小基站SBS分配资源块的问题建模为多重点染色问题，具体包括：

将MBS为各SBS分配RB的问题建模为多重点染色问题，其中SBS对应为图G的顶点(Vertex，V)，相邻的SBS存在干扰对应图G的边连接(Edge，E)，RB对应颜色，SBS的RB需求数对应每个点v要求染的颜色种数x(v)，将场景图对应抽象为加权无向图，其中圆圈内为顶点编号，右上角为顶点要求染的颜色种数x(v)，相邻的SBS之间存在干扰因此有边连接，非相邻SBS无边连接；结合场景中的SBS的分布特点求解多重点染色问题，已知SBS分布图和邻接图即图G_SBS＝(V,E)，每个SBS需要的RB数即x(v)，MBS拥有的RB数即最多可染的颜色数R，最终得到MBS为每个SBS分配的RB，即G_SBS的一个多重点染色。

6.根据权利要求5所述的一种基于车辆数预测的双层蜂窝车联网频谱分配方法，其特征在于，所述步骤5将MBS为各小基站SBS分配资源块的问题建模为多重点染色问题，并提出动态资源分配算法求解，基于MBS持有的RB资源块总数的约束，依次为各独立集分配RB资源块，以均衡各SBS的资源满意度并提高网络的资源利用率，具体包括：

步骤5-1、基于局部搜索算法求解图G的最大独立集。独立集的定义为任意两个顶点均没有边连接的顶点集合，所有独立集中包含元素个数最多的为最大独立集。局部搜索算法中基于贪婪算法并利用邻域函数进行搜索，搜索时采用递归方法寻找图的最大独立集；

步骤5-2、依次得到图G的多个最大独立集V₁,...,V_K且V₁∪...∪V_K＝V；

步骤5-3、执行动态资源分配：基于MBS持有的RB总数的约束，依次为各独立集分配RB，以均衡各SBS的资源满意度并提高网络的资源利用率。

7.根据权利要求6所述的一种基于车辆数预测的双层蜂窝车联网频谱分配方法，其特征在于，所述步骤5-1、基于局部搜索算法求解图G的最大独立集，基于贪婪算法并利用邻域函数进行搜索，搜索中采用递归方法寻找图的最大独立集，具体包括：

步骤5-1-1、选择图中顶点度最大的顶点v*；

步骤5-1-2、利用邻域函数对图进行分解，将图分解为G₁＝G-{v*}，G₂＝G-{v*}-{N(v*)}，其中N(v*)表示v*的邻集；

步骤5-1-3、重复搜索，分别在图G₁，G₂中重复执行步骤5-1-1和5-1-2，直到所有子图中所有顶点度为0；

步骤5-1-4、输出结果，在两个分支中得出的独立集进行基数即集合中元素个数的比较，基数最大的为图的最大独立集。

8.根据权利要求6所述的一种基于车辆数预测的双层蜂窝车联网频谱分配方法，其特征在于，所述步骤5-3、执行动态资源分配：基于MBS持有的RB总数R的约束，依次为各独立集分配RB，以均衡各SBS的资源满意度并提高网络的资源利用率，具体包括：

步骤5-3-1、初始化m₀＝0，R_rest＝R，其中m₀表示每轮分配的RB数目，R_rest表示每轮分配后剩余的RB数目；

步骤5-3-2、取m＝min_v∈Vx(v)-m₀；

步骤5-3-3、若R_rest>m*2，依次为V1、V2中的SBSs分配m个RB；若R_rest<m，为集合元素多的集合分配R_rest个RB；否则，为集合元素多的集合分配m个RB，为另一个集合分配R_rest-m个RB；

步骤5-3-4、将已获得其需求RB的SBS移除集合，更新R_rest和m；

步骤5-3-5、循环步骤5-3-2至步骤5-3-4直至集合为空或R_rest<0。

Images