CN113711655B - 用于预测终端到蜂窝网络的链接条件的修改的方法 - Google Patents

Abstract

本发明涉及一种用于为连接到当前蜂窝接入点并且正在道路网络上行进的车辆预测与该车辆到所述蜂窝网络的链接条件的修改相关联的至少一个特性的方法，该方法的特征在于该方法包括：根据从至少一个训练车辆收集的众包数据训练与该当前接入点相关联的第一预测模型的步骤，这些数据至少包括用于定位连接到当前蜂窝接入点的训练车辆的以下各项：该训练车辆的第一位置、速度和方向，以及当检测到与该当前接入点断开连接时收集的该训练车辆的第二位置；通过将该预测模型应用于第二车辆的位置、速度和方向来预测当该第二车辆在所述道路网络上行进时将与该当前接入点断开连接的第三位置的步骤。

Description

用于预测终端到蜂窝网络的链接条件的修改的方法

技术领域

本发明涉及连网车辆的领域。本发明尤其涉及一种用于预测车辆与蜂窝网络的链接条件的修改的装置和方法。

背景技术

到通信网络的连接的可用性是运输领域中日益严重的问题。特别地，连网车辆要求连接可用于发送或接收数据，如例如道路地图、交通信息或当地天气预报。

然而，尽管电信运营商做出了努力，但是一个地区的网络覆盖并不统一：一些区域被比如4G或3G等高速蜂窝接入技术覆盖，而其他地区被比如GSM、GPRS或EDGE等低速技术覆盖。此外，一些被称为“白点”的区域没有被蜂窝网络覆盖。因此，一个地区的覆盖在可用速度方面往往缺乏统一性。因此，当连网车辆在道路网络上行驶时，它会面临不同的服务质量。

为了给在道路网络上行进的连网车辆的乘员提供满意的体验，可能有利的是，当网络条件不是最佳时延迟对某些在线服务的访问，或者相反地，当条件最佳时预先下载某些数据。从这个角度来看，对于连网车辆来说，知道在旅程期间连接条件何时可能改变是有利的。

为此，众所周知的做法是使用从地区内可用的蜂窝接入点上的分布数据中产生的网络覆盖地图。这些地图是根据无线电信号传播模型、中继天线的选址和它们实施的接入技术以及地形数据来构造的。通过将道路地图与这样的覆盖地图进行匹配，可以推断车辆在旅程中可能遇到的连接质量。

然而，这些地图仍然不精确，特别是关于切换(蜂窝间转移)点的位置。切换是允许移动终端(比如连网车辆)改变其与蜂窝网络的链接点的过程。例如，当连网车辆离开当前小区的覆盖区域时，或者当小区中的移动终端数量太大达到使小区饱和的程度时，需要进行切换。切换可以发生在使用相同技术的两个小区之间，或者发生在使用不同技术的小区之间。切换可以由终端发起或者由网络发起。

由于切换是动态过程，因此覆盖地图并不总是使得能够可靠地确定下一次切换将在何时何地发生，也不能确定车辆将连接到的接入点。例如，对于沿着主干道在特定方向上移动的车辆，从接入点A到接入点B的切换不一定发生在与沿着同一主干道在相反方向上移动的另一车辆从接入点B到接入点A的切换相同的地方。

然而，知道连网车辆将与当前小区断开连接的精确位置以及该断开连接之后的连接特性，可以允许连网车辆优化对在线资源的访问。

因此，需要一种使得能够精确地预测连接到蜂窝网络的车辆的链接条件的未来修改的解决方案。

发明内容

鉴于以上内容，本发明的一个目的是，对于连接到当前接入点并且正在道路网络上行进的车辆，确定到蜂窝网络的链接条件的下一次修改的至少一个特性。

本发明的另一个目的是，对于连接到当前接入点并且正在道路网络上行进的车辆，确定该车辆将与该当前接入点断开连接的地理位置。

本发明的另一个目的是，在车辆与当前接入点断开连接之后确定该车辆的连接特性。

在这点上，提出了一种用于为正在道路网络上行进并且连接到蜂窝网络的当前接入点的车辆预测与所述蜂窝网络的链接条件的下一次修改相关联的至少一个特性的方法，该方法包括以下步骤：

-根据从至少一个训练车辆收集的众包数据训练与该当前接入点相关联的第一预测模型，这些数据至少包括用于定位连接到当前蜂窝接入点的训练车辆的以下各项：

o该训练车辆的第一位置、速度和方向，以及

o当检测到与该当前接入点断开连接时收集的该训练车辆的第二位置，

-通过将该预测模型应用于以下各项来预测当第二车辆在所述道路网络上行进时将与该当前接入点断开连接的第三位置：

o该第二车辆的位置、速度和方向。

因此，该方法提出收集来自车辆的众包数据，以便以监督的方式训练预测模型。这些数据至少包括当车辆连接到当前接入点时该车辆的第一位置、方向和速度，并且这些数据被补充有当检测到车辆与当前接入点断开连接时发生断开连接的第二位置。例如，断开连接是由于切换到下一个接入点或车辆进入白点。

由于切换是动态过程，因此切换发生的位置取决于车辆的移动特性。

切换过程需要车辆与蜂窝网络之间交换消息。由于这些交换必然需要一定的时间，因此车辆的移动速度对执行切换的位置有影响。因此，车辆的速度与该车辆将与当前接入点断开连接的可能位置之间存在相关性。

在当前接入点的覆盖下行进的连网车辆将与该接入点断开连接的位置进一步取决于该车辆行进的方向。具体地，应理解，在与第一车辆相反的方向上行进的第二车辆将在与第一车辆不同的位置处离开当前接入点。因此，车辆的方向与可能的断开连接位置之间存在相关性。

车辆不同于行人，具有沿着特定行进通道行进的特殊性。因此，车辆的位置和方向决定该车辆的未来位置，因为该车辆的移动受到道路布局的限制。因此，车辆的当前位置与可能的断开连接位置之间存在相关性。

这就是为什么通过使用连接到特定接入点的训练车辆的位置、速度和方向(与这些车辆离开接入点的位置相关联)来训练与该特定接入点相关联的预测模型，所获得的是能够基于其他车辆的位置、速度和方向来精确地预测这些其他车辆将发生断开连接的位置的模型。具体地，训练车辆的这些移动特性允许该模型与在同一接入点的覆盖下移动的另一车辆的移动特性建立相关性，并且由此推断该另一车辆与当前接入点的下一次断开连接的位置。

通过知道车辆将与当前接入点断开连接的位置，并且通过将该信息与道路网络的地图数据相结合，车辆可以有利地知道其将保持连接到同一接入点的距离，并且根据该车辆的移动速度推断与该接入点相关联的服务质量将保持可用的时间。

根据一个特定实施例，该方法使得第一预测模型是回归多层感知器神经网络。

MLP(多层感知器)人工神经网络是快速且易于训练的。附加地，回归MLP在这里是有利的，因为它使得能够预测特别适合于描述位置的全部值。

根据一个特定实施例，该方法使得其进一步包括以下步骤：

-根据从至少一个训练车辆收集的众包数据训练第二预测模型，这些数据至少包括用于定位连接到当前蜂窝接入点的训练车辆的以下各项：

o该训练车辆的位置、速度和方向，以及

o在检测到该训练车辆与该当前接入点断开连接之后获得的第二蜂窝接入点的标识符，

-通过将该第二预测模型应用于以下各项来预测下一个蜂窝接入点的标识符：

o该第二车辆的位置、速度和方向。

该方法实施以监督的方式训练的第二预测模型，以根据车辆的位置、速度和方向预测该车辆离开当前接入点时将连接到的下一个接入点的标识符。接入点的标识符还可以对应于与无覆盖区域(比如白点)相关联的特定标识符。

取决于道路网络的配置，车辆可能在蜂窝网络的多个小区的边缘行进，或者偶尔经过穿过一个接入点的覆盖区域，然后再穿过另一个接入点的覆盖范围。如上所述，切换过程需要一定的时间。因此，执行切换的接入点可以取决于车辆的移动速度，例如，车辆在完成切换程序之前可能已经穿过覆盖区域。因此，车辆的速度与该车辆在切换后将连接到的接入点之间存在相关性。

根据定义，蜂窝网络由一组形成棋盘的无线电小区组成。因此，下一个小区的或白点的标识符取决于车辆离开小区所采取的方向。因此，车辆行进通过特定小区所采取的方向与将发生切换的相邻小区之间存在强相关性。

最后，如上所述，车辆的位置和方向决定该车辆的未来位置，因为该车辆的移动受到道路布局的限制。因此，车辆的位置与未来接入点的可能标识符之间存在相关性。

这就是为什么通过使用连接到特定接入点的训练车辆的位置、速度和方向(这与例如训练车辆在离开当前接入点之后连接到的接入点的标识符或白点标识符相关联)来训练与该特定接入点相关联的第二预测模型，所获得的是能够基于车辆的位置、速度和方向来精确地预测下一个接入点的或白点的标识符的模型。具体地，训练车辆的这些移动特性允许该模型与在同一接入点覆盖下移动的另一车辆的移动特性建立相关性，并且由此推断下一个接入点的或白点的标识符。

根据一个特定实施例，方法使得第一预测模型是分类多层感知器神经网络。

MLP(多层感知器)人工神经网络是快速且易于训练的。附加地，分类MLP的输出将可靠性指数与潜在的未来接入点相关联。这种布置允许在车辆易于连接到多个下一个接入点时识别最可能的下一个接入点。

根据一个特定实施例，车辆的位置是相对于当前接入点的位置。

因此，用于训练第一预测模型和/或第二预测模型的车辆位置以及第一模型和/或第二模型应用于的车辆位置不是绝对地理位置，而是与车辆连接到的接入点相关的定位数据。例如，这些位置是以相对于接入点的角度和距离的形式给出的极坐标。

这种布置允许模型比用经度/纬度坐标更容易地建立车辆位置之间的相关性。具体地，这种布置使得能够限制反映车辆位置的值的范围，从而促进由模型执行的空间相关性。结果是更短持续时间的更高效的训练阶段。

根据一个特定实施例，第一模型和/或第二模型进一步是从收集众包数据的第一日期开始训练的，通过将日期应用于第一模型和/或第二模型来进行对应的预测。

通过将收集训练数据以训练第二预测模型的日期和/或时间考虑在内，允许该模型建立与所提交特性的周期性有关的相关性。主干道上的交通强度随着一周中的日子和一天中的时间而变化。繁忙的交通可能导致车辆在正常时间会连接到的第一接入点饱和，并且迫使该车辆在离开当前接入点时连接到第二接入点。因此，日期和/或时间是用于确定车辆在离开当前小区时将连接到的接入点、以及因此确定切换位置的相关特性。

根据另一方面，本发明涉及一种用于为连接到当前蜂窝接入点并且正在道路网络上行进的车辆预测与所述蜂窝网络的链接条件的下一次修改相关联的至少一个特性的装置，该装置包括存储器和处理器，该处理器由包含在该存储器中的指令配置，所述指令被配置成实施：

-模块，该模块用于根据从至少一个训练车辆收集的众包数据训练与该当前接入点相关联的第一预测模型，这些数据至少包括用于定位连接到当前蜂窝接入点的训练车辆的以下各项：

o该训练车辆的第一位置、速度和方向，以及

o当检测到与该当前接入点断开连接时收集的该训练车辆的第二位置，

-模块，该模块用于通过将该预测模型应用于以下各项来预测当第二车辆在所述道路网络上行进时将与该当前接入点断开连接的第三位置：

o该第二车辆的位置、速度和方向。

根据一个特定实施例，该装置使得包含在该存储器中的指令进一步被配置成实施：

-模块，该模块用于根据从至少一个训练车辆收集的众包数据训练第二预测模型，这些数据至少包括用于定位连接到当前蜂窝接入点的训练车辆的以下各项：

o该训练车辆的位置、速度和方向，以及

o在检测到该训练车辆与该当前接入点断开连接之后获得的第二蜂窝接入点的标识符，

-模块，该模块用于通过将该第二预测模型应用于以下各项来预测下一个蜂窝接入点的标识符：

o该第二车辆的位置、速度和方向。

本发明还涉及一种用于由连接到当前蜂窝接入点并且正在道路网络上行进的车辆获得与所述蜂窝网络的链接条件的下一次修改相关联的至少一个特性的装置，该装置包括通信接口、存储器和处理器，该处理器由包含在该存储器中的指令配置，并且这些指令被配置成当由该处理器执行时实施以下步骤：

-由该通信模块将该车辆的位置、速度和方向发送到包括与该当前接入点相关联的第一预测模型的服务器，该第一预测模型是根据从至少一个训练车辆收集的数据来训练的，所收集的数据包括连接到该当前接入点的训练车辆的位置、速度和方向以及当检测到与该当前接入点断开连接时收集的该训练车辆的第二位置，以及

-由该通信模块接收该车辆将与该当前接入点断开连接的地理位置，该车辆将与该当前接入点断开连接的地理位置由预测服务器通过将该第一预测模型应用于发送到该服务器的位置、速度和方向来预测。

因此，正在道路网络上行进并且连接到当前接入点的车辆可以将其地理位置、速度和方向发送到实施以上描述的预测方法的预测服务器，以便进而获得下一次切换将发生的位置、或者车辆将与当前小区断开连接并进入白点的位置。以这种方式，车辆可以确定其将保持连接到当前接入点多长时间。例如，车辆可以使用该信息来丰富数字道路地图，并且通知乘员未来的连接条件，或者预先下载。

根据一个特定实施例，该获取装置为使得该服务器进一步包括与当前接入点相关联的第二预测模型，该第二预测模型是根据从至少一个训练车辆收集的数据来训练的，所收集的数据包括连接到当前接入点的训练车辆的位置、速度和方向以及在检测到该训练车辆与当前接入点的断开连接之后获得的第二蜂窝接入点的标识符，该第二预测模型进一步被配置成通过将该第二预测模型应用于发送到该服务器的车辆的位置、速度和方向来预测下一个蜂窝接入点的标识符。

因此，车辆可以将其速度、方向和位置发送到服务器，并且进而接收该车辆将连接到的下一个接入点的标识符。根据该标识符，车辆可以例如获得与该接入点相关联的服务质量数据，并且决定预先或延迟接入在线服务或下载，以便向车辆乘客提供最佳体验。

根据又一方面，本发明的目的在于一种包括如上所述的获得装置的车辆。

根据又一方面，本发明涉及一种包括计算机程序指令的信息介质，这些计算机程序指令被配置成当这些指令由处理器执行时实施如上所述的预测方法和/或获得方法的步骤。

例如，该信息介质可以是非暂态信息介质，比如硬盘、闪存或光盘。

该信息介质可以是能够存储指令的任何实体或装置。例如，该介质可以包括比如ROM、RAM、PROM、EPROM、CD ROM等存储器件，或者是例如硬盘等磁记录器件。

该信息介质还可以是可以通过无线电或其他手段经由电缆或光缆传送的可传输介质，比如电信号或光信号。

替代性地，该信息介质可以是程序被结合到其中的集成电路，该集成电路适合于执行或用于执行所讨论的方法。

以上提及的各个实施例或特征可以独立地或彼此组合地添加到预测方法的步骤中。这些服务器、装置和车辆提供的优点至少类似于由它们所涉及的方法所赋予的那些优点。

附图说明

通过阅读下面的详细描述并且通过分析附图，本发明的其他特征、细节和优点将变得显而易见，在附图中：

[图1]图1展示了根据一个特定实施例的预测方法的实施场景，

[图2]图2展示了根据一个特定实施例的预测方法的主要步骤，

[图3a]图3a示出了来自合适数据库的表格，该表格中存在由连接到当前接入点的车辆发送的训练数据，

[图3b]图3b示出了来自合适数据库的表格，该表格中存在在已经检测到切换之后由车辆发送的训练数据，

[图4]图4展示了根据一个特定实施例的适合于实施预测方法的装置的架构，

[图5]图5示出了根据本发明的一个特定实施例的用于获得蜂窝网络的链接条件的下一次修改的特性的方法的主要步骤，

[图6]图6展示了根据一个特定实施例的适合于实施用于获得蜂窝间转移特性的方法的装置的架构。

具体实施方式

图1示出了在道路101上沿方向h行进的车辆100。车辆100包括允许其连接到蜂窝接入网络(例如2G、3G、4G、LTE(长期演进)网络，或Wi-Fi或WiMAX接入网络)的电信接口。经由这样的接入网络，车辆100可以接入电信网络109，并且与比如服务器110的其他设备交换数据。

蜂窝接入网络包括多个接入点102、105和107，这些接入点例如对应于BTS(基站收发台)、node-B或eNode-B类型的中继天线。图1还示出了接入点102、105和107的相应的覆盖区域103、106和108。这些覆盖区域103、106和108对应于例如蜂窝网络的小区。注意，相邻小区的覆盖区域在小区边缘重叠。常规地，覆盖区域的这种重叠允许在移动终端(比如车辆100)从一个小区移动到另一个小区时实施蜂窝间转移程序(或切换)。切换过程允许终端在不中断正在进行的通信的情况下更换无线电小区。特别地，当移动终端与接入点之间的传输信号减弱时，移动终端搜索另一小区中可用的另一基站，这能够确保通信的继续而不中断。

在本说明书的上下文中，术语“接入点”将用于指代无线电小区。因此，“接入点102”类型的措辞也指代覆盖区域103。

因此，当车辆100沿着道路101在方向h上移动时，其将相继穿过蜂窝网络的小区103、106和108。当沿方向h离开接入点107的覆盖区域时，车辆将进入白点。

本发明的目的是精确地确定车辆将与其连接到的当前接入点102断开连接的位置。例如，参考图1，将要描述的方法旨在确定其后车辆100将离开接入点102并连接到下一个接入点的切换的位置104，并且确定该下一个接入点的标识符。对于在接入点107的覆盖范围内沿方向h行进的车辆，该方法使得能够确定车辆将与接入点107断开连接的地理位置以及无覆盖区域的特性标识符。

在这点上，提出了一种用于预测与所述蜂窝网络的链接条件的下一次修改相关联的至少一个特性的方法。该方法例如由包括存储器和处理器的装置来实施，该处理器由存储在该存储器中的指令配置。这些指令被配置成实施将描述的方法步骤200至206。根据一个特定实施例，预测装置被包括在图1所示的服务器110中。

在第一步骤200中，从至少一个训练车辆收集众包数据。

在本发明的意义内，训练车辆是适合于在道路网络上行进的车辆，比如汽车、卡车、轻便摩托车、自行车等。训练车辆还可以是陆地公共交通工具，比如有轨电车、公共汽车、火车等。

训练车辆的特殊性在于，其适合于记录地理位置、速度和方向，并且适合于获得其连接到的接入点的标识符，并且适合于将这样的信息发送到服务器，例如发送到服务器110。为此，该车辆包括例如GNSS类型的卫星定位装置(其能够提供该车辆的位置(以经度和纬度的形式)、速度和方向)，以及允许该车辆连接到通信网络并且与其他设备交换消息的无线通信接口。

例如，考虑图1所示的车辆100是训练车辆。所示的车辆100当前连接到接入点102，并且记录该车辆的位置p、速度和方向h。

优选地，训练车辆的位置是相对于其连接到的接入点的位置，也就是说，参考图1，是相对于接入点102的位置。该位置例如以极坐标的形式给出，这些极坐标包括相对于接入点的距离d和相对于参考取向的角度a。车辆相对于接入点的位置可以根据车辆的绝对位置和接入点的绝对位置来确定，接入点的位置是根据信令中发送的接入点的标识符和根据数据库获得的，该数据库包括针对每个接入点标识符的基站位置。

根据一个特定实施例，当训练车辆检测到其与当前接入点断开连接时，该训练车辆将检测到断开连接的位置添加到记录中。因此，由训练车辆收集的数据至少包括：当车辆连接到当前接入点时记录的该车辆的位置、速度和方向，以及在已经检测到切换之后或已经检测到断开连接之后车辆的位置。根据一个特定实施例，收集的数据进一步包括在已经检测到切换之后车辆连接到的接入点的标识符。接入点标识符使得能够唯一地标识地区中的接入点。例如，当接入点是GSM小区时，该标识符是“小区ID”，在UMTS小区的情况下是“LCID”，或者在LTE(长期演进)小区的情况下是E-CID。

根据一个特定实施例，特定标识符被分配给无覆盖区域(称为白点)。因此，当车辆检测到与当前接入点的连接丢失而没有与下一个接入点建立新的连接时，也就是说，当车辆已经离开当前小区并进入白点时，收集的数据进一步包括表示白点的标识符。从第二预测模型的角度来看，标识符是对应于接入点还是对应于白点都不会不以任何方式影响预测。因此，通过将“虚拟”小区标识符指配给白点，该方法使得不仅能够预测车辆在断开连接之后将连接到的下一个接入点的标识符，还能够预测车辆将进入白点的事实。

当训练车辆已经收集了数据，并且当网络连接可用时，车辆将数据发送到服务器110。

根据一个特定实施例，训练车辆周期性地向服务器110发送该训练车辆的位置、速度、方向以及该训练车辆连接到的当前接入点的标识符。服务器110将该信息存储在数据库111中。

图3a示出了来自数据库111的表格。该表格包括字段RID、D1、A1、H、S、ID1，这些字段分别使得能够存储记录的标识符、采用相对于接入点的距离D1和角度A1的形式的车辆相对于当前接入点的位置、车辆的方向H和速度S、以及该车辆连接到的接入点的标识符ID1。

图3a中的表格包括由车辆100收集的2个记录r1和r2。第一记录r1是在车辆连接到接入点102并且相对于该接入点相距距离d并成角度a时进行的。车辆以速度s沿方向h行进。

第二记录是在车辆仍然连接到接入点102，但是相对于接入点A相距距离d'并成角度a'时收集的。车辆以速度v'沿方向h'行进。

注意，这两个记录没有填写字段ID2、D2和A2。

图3b示出了已经添加第三记录的表格300。该第三记录是在训练车辆100相对于接入点102相距距离d"并成角度a"时，当该训练车辆以速度s"沿方向h"行进时，并且当该训练车辆连接到接入点105时收集的。当服务器110检测到当前接入点已经改变时，也就是说，新记录的字段ID1的值不同于先前记录的字段ID1的值时，值D1、A1和ID1分别被复制到第一记录和第二记录的字段D2、A2和ID2中。

以这种方式，服务器可以获得包括当前接入点ID1、训练车辆的位置(D1，A1)、速度S和方向H的记录，这些记录与下一个接入点或白点的标识符ID2和同下一次断开连接的位置相对应的位置(D2，A2)相关联。

在步骤201中，服务器使用收集的数据来训练与接入点102相关联的第一预测模型。第一预测模型例如是回归多层感知器类型的神经网络。训练数据至少包括：

-训练车辆的位置(D1，A1)，

-方向(H)，

-速度(S)，

-以及已经检测到与当前小区断开连接的位置(D2，A2)。

根据一个特定实施例，在步骤202中，服务器进一步使用收集的数据来训练与接入点102相关联的第二预测模型。该第二预测模型例如是分类多层感知器类型的神经网络。第二模型的训练数据至少包括：

-训练车辆的位置(D1，A1)，

-方向(H)，

-速度(S)，

-下一个接入点的或白点的标识符(ID2)。

根据一个特定实施例，该方法包括确定训练的结束的步骤203。例如，可以通过将作为输入提交给模型的训练数据数量与阈值进行比较来确定训练的结束。因此，在向模型提供足够的数据之前，训练继续进行。

在步骤204中，当训练阶段已经结束时，服务器110接收用以确定与当前小区断开连接的位置的请求。例如，这是由在接入点102的覆盖范围内行进的乘用车辆发送的消息。车辆从卫星跟踪装置获得车辆的位置、速度和方向，并且通过蜂窝通信接口获得该车辆连接到的当前接入点的标识符。车辆将该信息发送到服务器110，以便获得该车辆将与接入点102断开连接的位置。如已经看到的，该信息可能对车辆在计划例如访问相当大的内容时有用。

根据一个特定实施例，该请求还可以包括用以确定车辆将连接到的下一个接入点的标识符的请求。

在步骤205中，服务器将接收到的数据应用于第一预测模型。服务器确定与车辆连接到的接入点相关联的第一预测模型，并且将该模型应用于由车辆发送的数据。根据一个特定实施例，当车辆的位置以经度和纬度的形式被发送时，并且当已经使用相对于接入点的位置训练了第一预测模型时，服务器首先向数据库发出请求以便获得该车辆连接到的接入点的位置，并且将该车辆的位置转换成相对于该接入点的极坐标。

将在步骤201中训练的第一预测模型应用于这些数据，允许服务器预测下一次切换的位置。特别地，借助于训练，第一预测模型能够建立车辆的位置、速度和方向与下一次断开连接的位置之间的相关性。预测模型使用这些相关性基于新车辆的位置、速度和方向来预测该车辆将与当前小区断开连接的位置。

根据一个特定实施例，在步骤206中，服务器将接收到的数据应用于第二预测模型。服务器确定与车辆连接到的接入点相关联的第二预测模型，并且将该模型应用于由车辆发送的数据。根据一个特定实施例，当车辆的位置以经度和纬度的形式被发送时，并且当已经使用相对于接入点的位置训练了第一预测模型时，服务器首先向数据库发出请求以便获得该车辆连接到的接入点的位置，并且将该车辆的位置转换成相对于该接入点的极坐标。

将在步骤202中训练的第二预测模型应用于这些数据，允许服务器预测车辆在断开连接之后将连接到的下一个接入点的标识符。更准确地说，由于第二模型是分类模型，因此它允许服务器获得车辆在断开连接之后可能连接到的一个或多个点作为输出，这些潜在的接入点中的每一个均通过预测模型与某个概率相关联。因此，参考图1，该模型可以例如预测下一个接入点有0.8的概率为接入点105或者有0.2的概率为接入点108。借助于训练，第二预测模型能够建立车辆的位置、速度和方向与下一个接入点的标识符之间的相关性。预测模型使用这些相关性针对新车辆的位置、速度和方向来预测下一个接入点的标识符。

最后，在步骤207中，服务器110将预测结果发送给发出请求的车辆。车辆可以使用预测的标识符来确定其将进入白点并且预先进行数据下载，或者确定其将很快连接到高速接入点并且推迟访问相当大的数据。

图4示出了根据一个特定实施例的装置400的架构，该装置适合于实施用于预测与所述蜂窝网络的链接条件的下一次修改相关联的特性的方法。

装置400包括例如存储器MEM等存储空间401、以及配备有例如处理器PROC的处理单元403。处理单元可以由例如计算机程序PGR等程序402控制，实施参考图1和图2描述的预测方法，并且特别是以下步骤：

-根据从至少一个训练车辆收集的众包数据训练与当前接入点相关联的第一预测模型，这些众包数据至少包括用于定位连接到当前蜂窝接入点的训练车辆的以下各项：该训练车辆的第一位置、速度和方向，以及当检测到与该当前接入点断开连接时收集的该训练车辆的第二位置，

-通过将该预测模型应用于第二车辆的位置、速度和方向来预测当该第二车辆在所述道路网络上行进时将与该当前接入点断开连接的第三位置。

根据一个特定实施例，计算机程序PGR进一步被配置成实施以下步骤：

-根据从至少一个训练车辆收集的众包数据训练第二预测模型，这些数据至少包括用于定位连接到当前蜂窝接入点的训练车辆的以下各项：该训练车辆的位置、速度和方向，以及在检测到该训练车辆与当前接入点断开连接之后获得的第二蜂窝接入点的标识符，

-通过将第二预测模型应用于车辆的位置、速度和方向来预测针对连接到当前接入点的车辆的连接的下一个蜂窝接入点的标识符。

在初始化时，计算机程序402的指令例如被加载到RAM(随机存取存储器)中，然后再被处理单元403的处理器执行。处理单元403的处理器根据计算机程序402的指令实施预测方法的步骤。

为此，装置400除了存储器401之外还包括通信器件405(COM)，该通信器件允许该装置连接到通信网络并且经由电信网络与其他装置交换数据，并且特别是从连接到特定接入点的至少一个训练车辆接收众包数据，这些众包数据至少包括用于定位连接到当前蜂窝接入点的训练车辆的以下各项：该训练车辆的第一位置、速度和方向，以及当检测到与该当前接入点的连接丢失时收集的该训练车辆的第二位置。通信模块被配置成获得车辆连接到的接入点的标识符，例如小区标识符，或者当没有连接可用时，获得与白点相关联的特殊标识符。

通信器件405例如是网络接口，比如Wi-Fi、以太网、ATM、光纤等的接口，该接口适合于根据通信协议(比如TCP/IP)交换数据。

装置400包括第一预测模块406。预测模块406例如是由处理器403根据存储在存储器401中的计算机程序指令实施的回归人工神经网络。

装置400还包括第一训练模块407。模块407例如由存储在存储器401中的计算机程序指令实施，并且被配置成基于由通信模块405接收的训练数据来训练预测模块406，特别是基于训练车辆的位置、速度和方向以及当检测到与当前接入点断开连接时收集的该训练车辆的第二位置。特别地，这些指令被配置成获得由通信模块405接收的训练数据，并且以特性向量的形式将这些训练数据提交给预测模型406。

装置400还包括第一预测模块408，该第一预测模块适合于将预测模型406应用于由车辆发送并且由通信模块405接收的位置、速度和方向。预测模块408例如由计算机程序指令实施，这些计算机程序指令当由处理器403执行时被配置成获得由车辆发送到通信模块405的位置、速度和方向，并且以特性向量的形式将这些数据提交给预测模型406，以便进而获得与当前小区的下一次断开连接的位置。

根据一个特定实施例，装置400包括第二预测模块409。预测模块409例如是由处理器403根据存储在存储器401中的计算机程序指令实施的分类人工神经网络。

根据一个特定实施例，装置400还包括第二训练模块410。模块410例如由存储在存储器401中的计算机程序指令实施，并且被配置成基于由通信模块405接收的训练数据来训练预测模块409，特别是基于训练车辆的位置、速度和方向以及当检测到与当前接入点断开连接时收集的下一个接入点的标识符。特别地，这些指令被配置成获得由通信模块405接收的训练数据，并且以特性向量的形式将这些训练数据提交给预测模型409。

根据一个特定实施例，装置400还包括第一预测模块411，该第一预测模块适合于将预测模型409应用于由车辆发送并且由通信模块405接收的位置、速度和方向。预测模块411例如由计算机程序指令实施，这些计算机程序指令当由处理器403执行时被配置成获得由车辆发送到通信模块405的位置、速度和方向，并且以特性向量的形式将这些数据提交给预测模型406，以便进而获得对下一个接入点的标识符的预测。

通信模块405进一步被配置成将模块411和408做出的预测发送给连接到与预测模型409和406相关联的接入点的车辆。

根据一个特定实施例，该装置被集成到服务器中。

图5示出了根据本发明的一个特定实施例的用于获得蜂窝网络的链接条件的下一次修改的特性的方法的主要步骤。

根据一个特定实施例，该方法由车辆车载的装置实施，该装置包括通信接口、存储器和处理器，该处理器由存储在该存储器中的指令配置。这些指令被配置成当它们被处理器执行时实施现在将描述的获得方法的步骤500至503。

在第一步骤500中，该装置从卫星跟踪装置获得该装置所安装于的车辆的位置、速度和方向。该装置进一步通过蜂窝通信接口获得车辆连接到的当前接入点的标识符。位置数据对应于例如经度和纬度，但是也可以是相对于车辆连接到的接入点的位置的位置数据。例如，这些位置数据是包括相对于接入点的角度和距离的极坐标。

在步骤501中，该装置将获得的位置、速度和方向以及其连接到的接入点的标识符发送到实施如参考图2描述的预测方法的服务器。

在步骤502中，该装置接收与该装置将与当前小区断开连接的地理位置相对应的位置数据，该位置数据是由预测服务器通过将第一预测模型应用于发送到该服务器的位置、速度和方向来预测的。

根据一个特定实施例，在步骤503中，通过将第二预测模型应用于发送到服务器的位置、速度和方向，该装置进一步接收与当车辆已经经过道路网络上的预测位置时该车辆将进入的区域相关联的接入点标识符的预测。预测的接入点标识符可以是小区标识符或白点标识符。

图6示出了根据一个特定实施例的适合于实施获得方法的装置600的架构。

装置600包括例如存储器MEM等存储空间601、以及配备有例如处理器PROC的处理单元603。处理单元可以由程序602(例如计算机程序PGR)控制，实施参考图5描述的获得方法，并且特别是以下步骤：获得与该装置相关联的车辆的位置、速度和方向以及该车辆连接到的接入点的标识符；将该车辆的位置、速度和方向发送到如上所述的预测服务器，该预测服务器包括与当前接入点相关联的第一预测模型；以及通过将第一预测模型应用于发送的数据，接收由上述预测服务器预测的断开连接的地理位置。

根据一个特定实施例，计算机程序PGR还实施了以下步骤：接收车辆在蜂窝间转移之后将连接到的接入点的标识符或白点标识符，该标识符是由上述预测服务器通过将第二预测模型应用于发送的数据来预测的。

在初始化时，计算机程序602的指令例如被加载到RAM(随机存取存储器)中，然后再被处理单元603的处理器执行。处理单元603的处理器根据计算机程序602的指令实施预测方法的步骤。

为此，装置600除了存储器601之外还包括数据采集模块604，该数据采集模块适合于从比如GPS等卫星跟踪装置和/或传感器获得其中安装有该装置的车辆所采取的位置、速度和方向。根据一个特定实施例，采集模块604包括跟踪装置，该跟踪装置使得能够直接获得这些数据。

装置600还包括通信模块605(COM)。通信模块605例如是2G、3G、LTE等类型的网络接口，该网络接口由处理器603根据程序PGR的指令驱动，并且适合于通过通信网络与设备建立通信并交换消息。通信模块05尤其适合于根据比如TCP/IP等通信协议至少将车辆采取的位置、速度和方向发送到实施上述方法的预测服务器，并且适合于作为响应，接收由上述预测服务器通过将第一预测模型应用于发送的数据预测的断开连接的地理位置、和/或车辆在蜂窝间转移之后将连接到的接入点的标识符或白点标识符，该标识符是由上述预测服务器通过将第二预测模型应用于发送的数据来预测的。

根据一个特定实施例，该装置被集成到车辆中并且包括屏幕，该屏幕适合于结合道路网络的地图来显示在该车辆与当前接入点断开连接之前要行进的距离和/或一旦已经行进了所述距离后与蜂窝网络的连接的特性。

Claims (7)

1.一种用于为连接到当前蜂窝网络的接入点并且正在道路网络上行进的车辆预测与该车辆到所述蜂窝网络的链接条件的修改相关联的至少一个特性的方法，该方法的特征在于该方法包括以下步骤：

-根据从至少一个训练车辆收集的众包数据训练(200，201)与当前接入点相关联的第一预测模型，这些众包数据至少包括用于定位连接到当前蜂窝接入点的训练车辆的以下各项：

o该训练车辆的第一位置、速度和方向，以及

o当检测到与该当前接入点断开连接时收集的该训练车辆的第二位置，

-通过将该预测模型应用于以下各项来预测(204，205)当该车辆在所述道路网络上行进时将与该当前接入点断开连接的第三位置：

o该车辆的位置、速度和方向。

2.如权利要求1所述的方法，其中，该第一预测模型是回归多层感知器神经网络。

3.如权利要求1或2所述的方法，其中，该方法进一步包括以下步骤：-根据从至少一个训练车辆收集的众包数据训练(202)第二预测模型，这些数据至少包括用于定位连接到当前蜂窝接入点的训练车辆的以下各项：

o该训练车辆的位置、速度和方向，以及

o在检测到该训练车辆与该当前接入点断开连接之后获得的第二蜂窝接入点的标识符，

-通过将该第二预测模型应用于以下各项来预测(206)下一个蜂窝接入点的标识符：

o该车辆的位置、速度和方向。

4.如权利要求3所述的方法，其中，该第二预测模型是分类多层感知器神经网络。

5.如权利要求1或2所述的方法，其中，这些车辆位置是相对于该当前接入点的位置。

6.一种用于为连接到当前蜂窝网络并且正在道路网络上行进的车辆预测与所述蜂窝网络的链接条件的下一次修改相关联的至少一个特性的装置，该装置包括存储器(401)和处理器(403)，该处理器由存储在该存储器中的指令(402)配置，所述指令被配置成实施：-模块(407)，该模块用于根据从至少一个训练车辆收集的众包数据训练与当前接入点相关联的第一预测模型(406)，这些众包数据至少包括用于定位连接到当前蜂窝接入点的训练车辆的以下各项：

o该训练车辆的第一位置、速度和方向，以及

o当检测到与该当前接入点断开连接时收集的该训练车辆的第二位置，

-模块(408)，该模块用于通过将该预测模型应用于以下各项来预测当该车辆在所述道路网络上行进时将与该当前接入点断开连接的第三位置：

o该车辆的位置、速度和方向。

7.如权利要求6所述的装置，其中，存储在该存储器中的这些指令进一步被配置成实施：

-模块(410)，该模块用于根据从至少一个训练车辆收集的众包数据训练第二预测模型(409)，这些数据至少包括用于定位连接到当前蜂窝接入点的训练车辆的以下各项：

o该训练车辆的位置、速度和方向，以及

o在检测到该训练车辆与该当前接入点断开连接之后获得的第二蜂窝接入点的标识符，

-模块(411)，该模块用于通过将该第二预测模型应用于以下各项来预测下一个蜂窝接入点的标识符：

o该车辆的位置、速度和方向。