CN115714988A - 网络控制方法、装置、车辆、电子设备及可读存储介质 - Google Patents

Abstract

本发明提供了一种网络控制方法，应用于车辆，所述方法包括：基于预设的流量预测模型，根据当前时间信息预测所述车辆当前的流量需求值；基于预设的信道状态预测模型，根据所述当前时间信息、所述车辆的实时位置信息和所述车辆的预设范围内的多个通信网络的信道状态检测值，生成所述多个通信网络的信道状态预测值；根据所述流量需求值和所述信道状态预测值，从所述多个通信网络中选择一个或多个通信网络，作为所述车辆的目标通信网络；控制所述车辆中的通信终端接入所述目标通信网络。这样，可以使得目标通信网络的信道状态与车辆的流量需求更加适配，一定程度上，可以提高车辆中的通信终端的网络稳定性和网络速率。

Description

网络控制方法、装置、车辆、电子设备及可读存储介质

技术领域

本发明涉及网络技术领域，特别涉及一种网络控制方法、装置、车辆、电子设备及可读存储介质。

背景技术

随着通信技术的不断发展和迭代更新，以及网络应用及配套硬件的技术成熟，网络应用生态逐渐丰富和完善，如虚拟现实、元宇宙等应用场景不断增多，相应的用户对于网络速率和网络稳定性的要求也随之提高。

现有技术中，汽车的车联网通信终端通常采用单一运营商的配置，但是随着自动驾驶、空中下载和虚拟现实等新兴应用在汽车领域的发展，现有的单一运营商的车联网通信终端易发生网速不稳定、网络连接中断的问题，影响实时数据传输速率，降低用户的体验。因此，现有的车联网通信终端存在网络连接不稳定、网速低的技术问题。

发明内容

有鉴于此，本发明旨在提出一种网络控制方法、装置、车辆、电子设备及可读存储介质，以解决现有的车联网通信终端网络连接不稳定、网速低的技术问题。

为达到上述目的，本发明的技术方案是这样实现的：

一种网络控制方法，其特征在于，应用于车辆，所述方法包括：

基于预设的流量预测模型，根据当前时间信息预测所述车辆当前的流量需求值；

基于预设的信道状态预测模型，根据所述当前时间信息、所述车辆的实时位置信息和所述车辆的预设范围内的多个通信网络的信道状态检测值，生成所述多个通信网络的信道状态预测值；

根据所述流量需求值和所述信道状态预测值，从所述多个通信网络中选择一个或多个通信网络，作为所述车辆的目标通信网络；

控制所述车辆中的通信终端接入所述目标通信网络。

可选的，所述多个通信网络的信道状态预测值包括所述通信终端当前接入的第一通信网络的第一预测值以及未接入的第二通信网络的第二预测值；所述根据所述流量需求值和所述信道状态预测值，从所述多个通信网络中选择一个或多个通信网络，作为所述车辆的目标通信网络，包括：

在所述流量需求值不大于所述第一预测值的情况下，选择所述第一通信网络作为所述目标通信网络；

在所述流量需求值大于所述第一预测值的情况下，根据所述第二通信网络的所述第二预测值，从所述第二通信网络中选择一个通信网络或者从所述多个通信网络中选择至少两个通信网络，作为所述目标通信网络。

可选的，所述根据所述第二通信网络的所述第二预测值，从所述第二通信网络中选择一个通信网络或者从所述多个通信网络中选择至少两个通信网络，包括：

若所述第二通信网络中存在目标第二通信网络，则从所述目标第二通信网络中选择一个第二通信网络，作为所述目标通信网络；所述目标第二通信网络是第二预测值大于所述流量需求值的第二通信网络；

若所述第二通信网络中不存在所述目标第二通信网络，则根据所述第一预测值和各所述第二通信网络的第二预测值，选择M个第二通信网络作为所述目标通信网络；所述M个通信网络的信道状态预测值之和不小于所述流量需求值，所述M为不小于2的整数。

可选的，所述通信终端包括多个天线；所述控制所述车辆中的通信终端接入所述目标通信网络，包括：

根据所述目标通信网络的信道状态预测值，对所述多个天线进行波束追踪和波束赋形，并控制所述通信终端通过所述多个天线指向所述目标通信网络对应的通信基站，以接入所述目标通信网络。

可选的，所述流量预测模型通过下述方式获得：

获取所述车辆在预设时间段内的历史流量时序数据；

对所述历史流量时序数据进行特征处理，以获得流量预测训练集；其中，所述流量预测训练集包括第一时间信息，以及与所述第一时间信息关联的流量信息；

基于所述第一时间信息和所述流量信息进行模型训练，以获得所述流量预测模型。

可选的，所述信道状态预测模型通过下述方式获得：

获取所述多个通信网络在预设区域内的历史信道状态数据，以及所述预设区域内各通信网络的基站位置信息；其中，所述历史信道状态数据与所述基站位置信息相关联；

从所述历史信道状态信息中获取第二时间信息，以及与所述第二时间信息关联的信道状态信息；

基于所述第二时间信息、所述信道状态信息和所述基站位置信息进行模型训练，以获得所述信道状态预测模型。

本发明实施例中，通过基于预设的流量预测模型，根据当前时间信息预测所述车辆当前的流量需求值；基于预设的信道状态预测模型，根据所述当前时间信息、所述车辆的实时位置信息和所述车辆的预设范围内的多个通信网络的信道状态检测值，生成所述多个通信网络的信道状态预测值。这样，可以通过流量预测模型和信道状态预测模型，可以方便、准确地得到车辆当前的流量需求值和车辆周边各通信网络的信道状态预测值。根据所述流量需求值和所述信道状态预测值，从所述多个通信网络中选择一个或多个通信网络，作为所述车辆的目标通信网络；控制所述车辆中的通信终端接入所述目标通信网络。通过流量需求值和信道状态预测值之间的关系，可以方便地从多个通信网络中动态选择可以满足车辆的流量需求的通信网络，作为目标通信网络。并通过控制车辆中的通信终端接入目标通信网络，使得车辆与目标通信网络建立通信连接，这样，一定程度上可以使得车辆中的通信终端所连接的通信网络的信道状态与车辆的流量需求更加适配，进而一定程度上可以提高车辆中的通信终端的网络稳定性和网络速率。

本发明的另一目的在于提出一种网络控制装置，以解决现有的车联网通信终端网络连接不稳定、网速低的技术问题。

为达到上述目的，本发明的技术方案是这样实现的：

一种网络控制装置，应用于车辆，所述装置包括：

预测模块，用于基于预设的流量预测模型，根据当前时间信息预测所述车辆当前的流量需求值；

生成模块，用于基于预设的信道状态预测模型，根据所述当前时间信息、所述车辆的实时位置信息和所述车辆的预设范围内的多个通信网络的信道状态检测值，生成所述多个通信网络的信道状态预测值；

选择模块，用于根据所述流量需求值和所述信道状态预测值，从所述多个通信网络中选择一个或多个通信网络，作为所述车辆的目标通信网络；

控制模块，用于控制所述车辆中的通信终端接入所述目标通信网络。

可选的，所述多个通信网络的信道状态预测值包括所述通信终端当前接入的第一通信网络的第一预测值以及未接入的第二通信网络的第二预测值，所述选择模块具体用于：

在所述流量需求值不大于所述第一预测值的情况下，选择所述第一通信网络作为所述目标通信网络；

在所述流量需求值大于所述第一预测值的情况下，根据所述第二通信网络的所述第二预测值，从所述第二通信网络中选择一个或多个所述第二通信网络，作为所述目标通信网络。

可选的，所述选择模块具体还用于：

若所述第二通信网络中存在目标第二通信网络，则从所述目标第二通信网络中选择一个第二通信网络，作为所述目标通信网络；所述目标第二通信网络是第二预测值大于所述流量需求值的第二通信网络；

若所述第二通信网络中不存在所述目标第二通信网络，则根据各所述第二通信网络的第二预测值，选择M个第二通信网络作为所述目标通信网络；所述M个第二通信网络的第二预测值之和不小于所述流量需求值。

可选的，所述通信终端包括多个天线，所述控制模块具体用于：

根据所述目标通信网络的所述信道状态检测值，对所述多个天线进行波束追踪和波束赋形，并控制所述通信终端通过所述多个天线指向所述目标通信网络对应的通信基站，以接入所述目标通信网络。

可选的，所述流量预测模型通过下述方式获得：

获取所述车辆在预设时间段内的历史流量时序数据；

对所述历史流量时序数据进行特征处理，以获得流量预测训练集；其中，所述流量预测训练集包括第一时间信息，以及与所述第一时间信息关联的流量信息；

基于所述第一时间信息和所述流量信息进行模型训练，以获得所述流量预测模型。

可选的，所述信道状态预测模型通过下述方式获得：

获取所述多个通信网络在预设区域内的历史信道状态数据，以及所述预设区域内各通信网络的基站位置信息；其中，所述历史信道状态数据与所述基站位置信息相关联；

从所述历史信道状态信息中获取第二时间信息，以及与所述第二时间信息关联的信道状态信息；

基于所述第二时间信息、所述信道状态信息和所述基站位置信息进行模型训练，以获得所述信道状态预测模型。

所述网络控制装置与上述网络控制方法相对于现有技术所具有的优势相同，在此不再赘述。

本发明的另一目的在于提出一种车辆，以解决现有的车联网通信终端网络连接不稳定、网速低的技术问题。

为达到上述目的，本发明的技术方案是这样实现的：

所述车辆安装有如上述任一所述的网络控制装置，用于执行如上述任一所述的网络控制方法。

所述车辆与上述网络控制方法相对于现有技术所具有的优势相同，在此不再赘述。

本发明的另一目的在于提出一种电子设备，以解决现有的车联网通信终端网络连接不稳定、网速低的技术问题。

为达到上述目的，本发明的技术方案是这样实现的：

一种电子设备，所述电子设备包括：处理器、存储器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一所述的网络控制方法。

所述电子设备与上述网络控制方法相对于现有技术所具有的优势相同，在此不再赘述。

本发明的另一目的在于提出一种可读存储介质，以解决现有的车联网通信终端网络连接不稳定、网速低的技术问题。

为达到上述目的，本发明的技术方案是这样实现的：

一种可读存储介质，当所述可读存储介质中的指令由电子设备的处理器执行时，使得所述电子设备能够执行如上述任一所述的网络控制方法。

所述可读存储介质与上述网络控制方法相对于现有技术所具有的优势相同，在此不再赘述。

本发明的另一目的在于提出一种车辆，以解决现有的车联网通信终端网络连接不稳定、网速低的技术问题。

所述车辆安装有如上述任一所述的网络控制装置，用于执行如上述任一所述的网络控制方法。

所述车辆与上述网络控制方法相对于现有技术所具有的优势相同，在此不再赘述。

附图说明

构成本发明的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1为本发明实施例所述的一种网络控制方法的步骤流程图；

图2为本发明实施例所述的大规模MIMO的连接示意图；

图3为本发明实施例所述的历史流量时序数据特征处理的过程示意图；

图4为现有技术中的大规模MIMO系统的CSI预测流程示意图；

图5为本发明实施例所述的一种网络控制装置的框图。

具体实施方式

需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。

下面将参考附图并结合实施例来详细说明本发明。

本发明实施例提供了一种网络控制方法，应用于车辆，如图1所示，本发明实施例提供的方法可以包括以下步骤：

步骤101、基于预设的流量预测模型，根据当前时间信息预测所述车辆当前的流量需求值。

本发明实施例中，流量预测模型可以是通过收集车辆用户的流量使用数据，并基于机器学习模型根据大量的流量数据进行模型训练获得的流量预测模型，用于预测用户的流量使用场景从而输出车辆当前的流量需求值的预测模型。当前时间信息可以是当前的星期、时分秒等，可以通过获取当前网络时间确定当前时间信息。例如，当前时间信息可以是星期一上午9:00，此处仅是举例说明，本发明实施例对此不做限制。流量需求值可以表示车辆当前对网络带宽和上、下行速率使用需求的预测值，流量需求值与用户的应用场景有关，例如空中下载、自动驾驶、车载娱乐、车顶显示、后排娱乐等应用场景。例如，流量需求值可以是车辆在自动驾驶状态下所需的网络带宽和上、下行速率。

本发明实施例中，可以通过获取当前的网络时间确定当前时间信息，将当前时间信息作为预设的流量预测模型的输入，得到流量预测模型的输出值后，将输出值作为流量需求值，从而预测了车辆当前的流量需求值。

步骤102、基于预设的信道状态预测模型，根据所述当前时间信息、所述车辆的实时位置信息和所述车辆的预设范围内的多个通信网络的信道状态检测值，生成所述多个通信网络的信道状态预测值。

本发明实施例中，信道状态预测模型可以是通过收集当地各运营商基站的信道状态数据，并基于机器学习模型根据大量的信道状态数据进行模型训练获得的信道状态预测模型，用于预测车辆周边各运营商基站的信道状态。其中，信道指的是运营商的频段，信道状态包括上行链路和下行链路的速率。车辆的实时位置信息可以是车辆当前的经纬度坐标，可以通过车辆的定位装置获取，此处仅是举例说明，本发明实施例不作限制。预设范围可以是预先设定以车辆为中心一定距离的圆形或方形区域，也可以是车辆所处的行政规划中的街道、社区等，本发明实施例不作限制。多个通信网络指的是多个网络运营商的通信网络。信道状态检测值可以是车辆最新检测到的多个通信网络的最新信道状态值，具体的，最新信道状态值指的是各通信网络下行链路的网络带宽和网络速率，可以通过专门测量信道状态的开源工具包获得。信道状态预测值可以表示各通信网络预计可以提供的网络带宽和上、下行链路的速率。

本发明实施例中，可以通过车辆的定位装置获取车辆的实时位置信息，并根据车辆的实时位置信息确定预设范围内多个通信网络的通信基站，进一步地，获取多个通信网络的通信基站的基站位置信息，可以通过测量信道状态信息的开源工具包获取车辆的预设范围内的多个通信网络的信道状态检测值。针对任一通信网络，可以将该通信网络的当前时间信息、基站位置信息和信道状态检测值作为预设的信道状态预测模型的输入，得到信道状态预测模型的输出值后，将模型的输出值作为该通信网络的信道状态预测值。

步骤103、根据所述流量需求值和所述信道状态预测值，从所述多个通信网络中选择一个或多个通信网络，作为所述车辆的目标通信网络。

本发明实施例中，可以根据车辆当前的流量需求值和多个通信网络各自的信道状态预测值之间的关系，从多个通信网络中选择一个或多个通信网络，使得被选的一个或多个通信网络的信道状态预测值与车辆当前的流量需求值相匹配，并将匹配的信道状态预测值对应的通信网络作为车辆的目标通信网络。例如，可以根据流量需求值和信道状态预测值之间的数值大小关系，从多个通信网络中选择一个或多个通信网络作为车辆的目标通信网络。其中，目标通信网络可以是预测出信道状态可以满足车辆当前的流量使用需求的通信网络。

步骤104、控制所述车辆中的通信终端接入所述目标通信网络。

本发明实施例中，车辆控制器可以控制车辆的通信终端，通过车辆的汽车天线与目标通信网络的基站天线建立连接，使得车辆中的通信终端接入目标通信网络。其中，车辆中的通信终端可以是用于车辆联网进行数据发送和接收的装置，例如车联网通讯终端(Telematics BOX，T-BOX)，此处仅是举例说明，本发明实施例对此不做限制。

本发明实施例中，通过基于预设的流量预测模型，根据当前时间信息预测所述车辆当前的流量需求值；基于预设的信道状态预测模型，根据所述当前时间信息、所述车辆的实时位置信息和所述车辆的预设范围内的多个通信网络的信道状态检测值，生成所述多个通信网络的信道状态预测值。这样，可以通过流量预测模型和信道状态预测模型，可以方便、准确地得到车辆当前的流量需求值和车辆周边各通信网络的信道状态预测值。根据所述流量需求值和所述信道状态预测值，从所述多个通信网络中选择一个或多个通信网络，作为所述车辆的目标通信网络；控制所述车辆中的通信终端接入所述目标通信网络。通过流量需求值和信道状态预测值之间的关系，可以方便地从多个通信网络中动态选择车辆的最佳通信网络，作为目标通信网络。并通过控制车辆中的通信终端接入目标通信网络，使得车辆与目标通信网络建立通信连接，这样，可以使得车辆中的通信终端所连接的通信网络的信道状态与车辆的流量需求更加适配，一定程度上，可以提高车辆中的通信终端的网络稳定性和网络速率。

可选的，所述多个通信网络的信道状态预测值包括所述通信终端当前接入的第一通信网络的第一预测值以及未接入的第二通信网络的第二预测值；步骤103可以包括以下步骤：

步骤1031、在所述流量需求值不大于所述第一预测值的情况下，选择所述第一通信网络作为所述目标通信网络。

本发明实施例中，多个通信网络可以包括车辆当前接入的通信网络，也可以包括车辆全部未接入的通信网络。将车辆当前接入的通信网络作为第一通信网络，将任一车辆未接入的通信网络作为第二通信网络。基于预设的信道状态预测模型，根据当前时间信息、实时位置信息和各通信网络的信道状态检测值，可以分别获得各通信网络的信道状态预测值。第一预测值可以表示车辆当前接入的通信网络也即第一通信网络的信道状态预测值，第二预测值可以表示任一车辆未接入的通信网络也即第二通信网络的信道状态预测值。其中，信道状态预测值可以表示各通信网络预计可以提供的下行链路的网络带宽和网络速率。流量需求值可以表示车辆的通信终端当前对下行链路的网络带宽和网络速率使用需求的预测值。

本发明实施例中，可以将车辆的通信终端当前接入的第一通信网络的第一预测值，与车辆当前的流量需求值进行比较，并根据比较的结果选择目标通信网络。其中，在流量需求值不大于第一预测值的情况下，表示第一通信网络的信道状态可以满足车辆的通信终端的流量使用需求，则可以直接将第一通信网络作为目标通信网络，继续保持连接第一通信网络即可实现车辆的通信终端的通信需求。

步骤1032、在所述流量需求值大于所述第一预测值的情况下，根据所述第二通信网络的所述第二预测值，从所述第二通信网络中选择一个通信网络或者从所述多个通信网络中选择至少两个通信网络，作为所述目标通信网络。

本发明实施例中，可以将车辆的通信终端当前接入的第一通信网络的第一预测值，与车辆的通信终端未接入的第二通信网络的第二预测值进行比较，并根据比较的结果选择目标通信网络。在流量需求值大于第一预测值的情况下，表示第一通信网络的信道状态不能满足车辆的通信终端预计需求的流量，则需要重新确定车辆的通信终端接入的通信网络。

本发明实施例中，可以根据与车辆的通信终端未接入的各第二通信网络的第二预测值，从未接入的第二通信网络中选择一个通信网络作为目标通信网络，被选择的第二通信网络的信道状态可以满足车辆的通信终端的流量使用需求。车辆的通信终端可以从当前接入的第一通信网络切换到所选择的第二通信网络，从而实现通信终端的通信需求。或者，根据多个通信网络各自的信道状态预测值，也即第一通信网络的第一预测值和各第二通信网络的第二预测值，从多个通信网络中选择至少两个通信网络作为目标通信网络，被选择的至少两个通信网络可以通过信道融合一起满足车辆的通信终端预计需求的流量，从而实现通信终端的通信需求。需要说明的是，多个通信网络包括车辆的通信终端当前接入的第一通信网络和未接入的第二通信网络，选择出的至少两个通信网络中可以包括车辆的通信终端当前接入的第一通信网络，也可以不包括车辆的通信终端当前接入的第一通信网络，而均是车辆的通信终端之前未接入的第二通信网络。

本发明实施例中，通过在所述流量需求值不大于所述第一预测值的情况下，选择所述第一通信网络作为所述目标通信网络；在所述流量需求值大于所述第一预测值的情况下，根据所述第二通信网络的所述第二预测值，从所述第二通信网络中选择一个通信网络，作为所述目标通信网络，或者，根据所述第一预测值和所述第二预测值从所述多个通信网络中选择至少两个通信网络，作为所述目标通信网络；其中，所述多个通信网络包括所述第一通信网络和所述第二通信网络。这样，可以通过将流量需求值与第一预测值进行比较，方便地确定车辆的通信终端当前接入的第一通信网络能否满足通信终端的流量需求，且根据比较结果可以快速地做出决策，方便地从多个通信网络中选择出能够满足通信终端的流量需求的一个或多个通信网络，作为目标通信网络。进一步地，目标通信网络可以向通信终端提供稳定有效的信道状态，因此，可以提高车辆中的通信终端的网络稳定性和网络速率。

可选的，步骤1032可以包括以下步骤：

步骤1032a、若所述第二通信网络中存在目标第二通信网络，则从所述目标第二通信网络中选择一个第二通信网络，作为所述目标通信网络；所述目标第二通信网络是第二预测值大于所述流量需求值的第二通信网络。

本发明实施例中，可以将车辆的通信终端未接入的第二通信网络的第二预测值与车辆当前的流量需求值进行比较，并根据比较的结果选择目标通信网络。其中，若各第二通信网络中存在第二预测值大于流量需求值的第二通信网络，则可以将该第二通信网络作为目标第二通信网络，目标第二通信网络可以是一个或多个，本发明实施例对此不作限制。若各第二通信网络中存在目标第二通信网络，则从目标第二通信网络中选择一个第二通信网络，作为目标通信网络。第二预测值大于流量需求值表示，被选择的第二通信网络的信道状态可以满足车辆的通信终端的流量使用需求。

步骤1032b、若所述第二通信网络中不存在所述目标第二通信网络，则根据所述第一预测值和各所述第二通信网络的第二预测值，选择M个通信网络作为所述目标通信网络；所述M个通信网络的信道状态预测值之和不小于所述流量需求值，所述M为不小于2的整数。

本发明实施例中，若各第二通信网络中没有第二预测值大于流量需求值的第二通信网络，也即第二通信网络中不存在目标第二通信网络，则表示单个通信网络的信道状态不能满足车辆的通信终端的流量使用需求。在第二通信网络中不存在目标第二通信网络情况下，可以根据各通信网络的信道状态预测值，从多个通信网络中选择M个通信网络作为目标通信网络，且M个通信网络的信道状态预测值之和不小于车辆当前的流量需求值，M为不小于2的整数。其中，M的具体数值可以根据流量需求和信道状态的实际情况确定。具体的，M可以根据流量需求值、第一预测值和第二预测值之间的数值大小关系确定，例如，当两个通信网络的信道状态预测值之和不小于流量需求值时，M等于2。当两个通信网络的信道状态预测值小于流量需求值时，可以根据与流量需求值匹配的第一预测值和第二预测值，或者多个第二预测值的数量确定M的值。

本发明实施例中，可以根据第一通信网络的第一预测值和各第二通信网络的第二预测值，选择M个通信网络作为目标通信网络。其中，可以将第一预测值与各第二通信网络的第二预测值中的一个或多个进行求和运算，若求和结果不小于车辆当前的流量需求值，则将第一通信网络和参与求和的第二预测值对应的第二通信网络一起作为目标通信网络。也可以将各第二通信网络的第二预测值中的M个进行求和运算，若求和结果不小于车辆当前的流量需求值，则将参与求和的各第二预测值对应的第二通信网络一起作为目标通信网络。被选择的M个通信网络可以通过信道融合一起满足车辆的通信终端预计需求的流量，从而实现通信终端的通信需求。

需要说明的是，在求和运算过程中，可以优先进行两个通信网络的信道状态预测值的求和运算，若两个通信网络的求和结果不小于车辆当前的流量需求值，则将两个通信网络作为目标通信网络，若两个通信网络的求和结果仍小于车辆当前的流量需求值，则可以进行三个通信网络的信道状态预测值的求和运算，以此类推，直至确定车辆的目标通信网络。

本发明实施例中，通过若所述第二通信网络中存在目标第二通信网络，则从所述目标第二通信网络中选择一个第二通信网络，作为所述目标通信网络；所述目标第二通信网络是第二预测值大于所述流量需求值的第二通信网络；若所述第二通信网络中不存在所述目标第二通信网络，则根据所述第一预测值和各所述第二通信网络的第二预测值，选择M个第二通信网络作为所述目标通信网络；所述M个通信网络的信道状态预测值之和不小于所述流量需求值。这样，通过将流量需求值与第一预测值、第二预测值进行比较，可以在车辆的通信终端当前接入的第一通信网络不能满足通信终端的流量需求的情况下，快速方便地从多个通信网络中选择出能够满足通信终端的流量需求的一个第二通信网络或者M个通信网络，作为目标通信网络。进一步地，目标通信网络可以向通信终端提供稳定有效的信道状态，因此，可以提高车辆中的通信终端的网络稳定性和网络速率。

可选的，所述通信终端包括多个天线；步骤104可以包括以下步骤：

步骤1041、根据所述目标通信网络的所述信道状态预测值，对所述多个天线进行波束追踪和波束赋形，并控制所述通信终端通过所述多个天线指向所述目标通信网络对应的通信基站，以接入所述目标通信网络。

本发明实施例中，通信终端可以包括多个天线，用于与通信基站的天线进行连接，以实现通信终端的网络通信。例如，车联网通讯终端T-BOX可以包括用于通信的主天线和副天线，以及作为定位系统接收天线使用的全球导航卫星系统(Global NavigationSatellite System,GNSS)天线等。可以通过现有的波束成形技术对通信终端的多个天线发出的能量进行聚焦，形成指向性波束，从而实现对多个天线进行波束赋形。并通过现有的波束追踪技术，对天线发出的指向性波束的实际方向进行追踪，以及对周边通信基站发出的扫描波束进行波束追踪，确定车辆的车载终端和周边各通信基站的天线波束的方向。通信基站是移动设备接入互联网的接口设备，也是无线电台站的一种形式，是指在一定的无线电覆盖区中，通过移动通信交换中心，与移动电话终端之间进行信息传递的无线电收发信电台。

本发明实施例中，目标通信网络的信道状态预测值可以包括上、下行链路的网络带宽和网络速率的预测值。可以通过控制通信终端，将通信终端的天线指向车辆周边目标通信网络的通信基站，并通过通信终端的多个天线向目标通信网络的通信基站发送指向性波束。其中，指向性波束所表征的上行链路的网络带宽和网络速率可以根据信道状态预测值确定，具体的，指向性波束对应的上行链路的网络带宽和网络速率不大于目标通信网络的上行链路的网络带宽和网络速率的预测值。并通过通信终端的多个天线追踪指向性波束的实际方向是否与目标通信网络的通信基站所在方向一致。通过波束追踪和波束赋形，使得通信终端与通信基站建立连接，以接入目标通信网络并实现通信终端的网络通信。

本发明实施例中，通过根据所述目标通信网络的所述信道状态预测值，对所述多个天线进行波束追踪和波束赋形，并控制所述通信终端通过所述多个天线指向所述目标通信网络对应的通信基站，以接入所述目标通信网络。这样，可以合理地通过对通信终端的多个天线进行波束追踪和波束赋形，并通过多个天线方便地与目标通信网络对应的通信基站建立连接，使得通信终端稳定有效地接入目标通信网络，一定程度上，可以提高网络通信速率和网络连接的稳定性。

需要说明的是，在无线通信领域，大规模多路输入多路输出(Multiple-InputMultiple-Output，MIMO)技术应用广泛，大规模MIMO技术具备空间复用增益、分集增益以及波束成形能力，通过在发射端和接收端配置多根天线实现多收多发，能够充分利用空间资源，在不增加频谱资源和发射功率的前提下，成倍提高信道容量并减少多用户干扰，展现出显著的性能优势。图2是本发明实施例的大规模MIMO的连接示意图，如图2所示，车联网通讯终端T-BOX通过配置的天线1和天线2与运营商1、2、3中的任一运营商基站进行连接，或同时连接三个运营商中的任两个或全部运营商基站，使得T-BOX可以接收下行链路数据或上传上行链路数据。

可选的，所述流量预测模型通过下述方式获得：

步骤201、获取所述车辆在预设时间段内的历史流量时序数据。

本发明实施例中，预设时间段可以是几个月或几年内每天的固定时间段，例如，可以是过去6个月每天的早上6点到10点、晚上4点到9点的时间段。历史流量时序数据可以是按照时间顺序排列的流量数据形成的有序数组。可以收集某车辆在预设时间段内的不同用户应用场景下，车辆的通信终端的历史流量数据，其中，历史流量数据可以包括流量使用时间和相应时间的流量使用值。将历史流量数据按照分钟切割为数据片段，并进行求均值运算，以获得每一分钟的流量平均值。按照先后顺序对每一分钟的流量平均值进行排列，形成按照时间顺序排列流量平均值的有序数组，将该有序数组作为历史流量时序数据，从而获得车辆在预设时间段内的历史流量时序数据。

步骤202、对所述历史流量时序数据进行特征处理，以获得流量预测训练集；其中，所述流量预测训练集包括第一时间信息，以及与所述第一时间信息关联的流量信息。

本发明实施例中，特征处理可以是从对历史流量时序数据提取特征信息，并根据特征信息获得流量预测训练集。流量预测训练集指的用来训练流量预测模型的训练数据集，流量预测训练集可以包括第一时间信息，以及与第一时间信息关联的流量信息。第一时间信息可以一天内的某一时间段，例如上午7点34分这一分钟时间段，此处仅是举例说明，本发明实施例对此不作限制。

本发明实施例中，可以通过对历史流量时序数据进行数据处理，并提取历史流量时序数据隐含的特征信息，从而完成特征处理。建立训练数据集，并将特征处理获得的特征信息加入训练数据集，从而获得流量预测训练集。具体地，可以对历史流量时序数据进行文本预处理，通过预设关键字匹配的方式，从历史流量时序数据中搜索与预设的时间关键字相匹配的时间信息，提取时间信息和与时间信息相关联的流量信息，从而获得第一时间信息，以及与第一时间信息关联的流量信息。将第一时间信息和与第一时间信息关联的流量信息加入建立的训练数据集，从而获得流量预测训练集和流量预测测试集。

图3是本发明实施例的历史流量时序数据特征处理的过程示意图，如图3所示，对历史流量时序数据进行特征处理以获得流量预测训练集的过程可以包括：对所述历史流量时序数据进行差分处理，以获得平稳的历史流量时序数据；对所述平稳的历史流量时序数据进行监督式转换，以获得监督学习数据集；对所述监督学习数据集进行切割，以获得训练集和测试集；对所述训练集进行标准化处理，以获得流量预测训练集。其中，差分处理指的是用下一个数值减去上一个数值，当间距相等时，用下一个数值减去上一个数值被称为一阶差分，再在一阶差分的基础上用后一个数值再减上一个数值一次被称为二阶差分。差分处理的作用是减轻数据之间的不规律波动，使数据的波动曲线更平稳。本发明实施例可以是对历史流量时序数据进行一阶差分处理，以获得平稳的历史流量时序数据。

在基于机器学习模型处理时间序列预测问题时需要将时间序列预测问题重新构建为监督学习问题，也即从一个输入序列对应一个输出序列。监督学习法是一个机器学习中的方法，可以由训练数据中学到或建立一个模式，并依此模式推测新的实例。将时间序列预测问题重新构建为监督学习问题可以通过监督式转换，例如可以使用Pandas shift()函数获得监督学习数据集。监督学习数据集由输入模式X和输出模式Y组成，可以使得机器学习模型从输入模式里学习如何预测输出模式。本发明实施例中，可以对平稳的历史流量时序数据使用pandas shift()函数进行1位的数据位移，获得输入模式X为平稳的历史流量时序数据的一阶差分结果，输出模式Y为一阶差分后的结果pandas shift(1)，从而获得输入模式X和输出模式Y组成的监督学习数据集。

对监督学习数据集进行切割，将输入模式X作为训练集，将输出模式Y作为测试集，从而获得训练集和测试集。可以对训练集和测试集进行标准化处理，例如通过数据归一化函数MinMaxScaler将数据归一化到一定的数值区间。具体的，第一步求训练集和测试集中每个列的元素到最小值的距离占该列最大值和最小值距离的比例，将数据放缩到[0,1]区间上，第二步将[0,1]区间上的数据映射到给定的[min,max]区间。例如，本发明实施例可以将数据处理至[-1,1]区间。可以将标准化处理后的训练集和测试集分别作为用于流量预测模型训练的流量预测训练集和流量预测测试集。

步骤203、基于所述第一时间信息和所述流量信息进行模型训练，以获得所述流量预测模型。

本发明实施例中，流量预测问题属于机器学习中的时间序列问题，可以基于基础的机器学习模型进行训练来获得流量预测模型，例如长短期记忆网络(Long Short-TermMemory，LSTM)是一种时间循环神经网络，是循环神经网络(Recurrent Neural Networks，RNN)模型的优化模型，可以解决RNN模型的梯度消失与不可记忆长时间依赖问题，是目前解决时间序列问题最常用的方式。

对机器学习模型进行训练时，可以将第一时间信息输入待训练的机器学习模型，获取机器学习模型预测的流量需求值，根据机器学习模型预测的流量需求值和第一时间信息相关联的流量信息的差异，计算待训练的机器学习模型的损失值。如果损失值不满足预设要求，则调整机器学习模型的模型参数，调整之后再次对机器学习模型进行训练，直至损失值满足预设要求，可以认为机器学习模型的模型参数已经调整到了最优状态，机器学习模型训练完成，获得流量预测模型。相应地，流量预测模型训练完成后可以接收待预测的时间信息，将该待预测的时间信息作为流量预测模型的输入，获取输出的流量需求值。

本发明实施例中，通过获取所述车辆在预设时间段内的历史流量时序数据；对所述历史流量时序数据进行特征处理，以获得流量预测训练集；其中，所述流量预测训练集包括第一时间信息，以及与所述第一时间信息关联的流量信息；基于所述第一时间信息和所述流量信息进行模型训练，以获得所述流量预测模型。这样，对预设时间段的历史流量时序数据进行特征处理，可以获得更有代表性、更准确的第一时间信息和与第一时间信息关联的流量信息，进一步地，根据第一时间信息和与第一时间信息关联的流量信息进行模型训练，可以获得更为精准的流量预测模型。

可选的，所述信道状态预测模型通过下述方式获得：

步骤301、获取所述多个通信网络在预设区域内的历史信道状态数据，以及所述预设区域内各通信网络的基站位置信息；其中，所述历史信道状态数据与所述基站位置信息相关联。

本发明实施例中，预设区域可以是车辆所处的行政规划区域，例如市、区县或乡镇等，也可以是以车辆为中几公里范围内的区域，例如车辆周围100公里区域范围，此处仅是举例说明，本发明实施例对此不做限制。其中，历史信道状态数据可以是按照时间顺序排列的信道状态数据形成的有序数组，包括时间信息，以及与时间信息相关联的网络带宽和上、下行链路的网络速率。历史信道状态数据可以是各通信网络的通信基站在过去一定时间段内的信道状态数据，其中，一定时间可以是几个月或者几年，本发明实施例对此不做限制。例如，6个月内车辆所处的县城在早6点到10点和晚上4点到9点时间段内，各通信网络通信基站的信道状态数据。

本发明实施例中，将各通信基站的历史数据按照分钟切割为数据片段，并进行求均值运算，以获得每一分钟的信道状态平均值。按照先后顺序对每一分钟的信道状态平均值进行排列，形成按照时间顺序排列信道状态平均值的有序数组，将该有序数组作为历史信道状态数据，从而获得多个通信网络在预设区域内的历史信道状态数据。基站位置信息可以是通信基站的经纬度数据，在一种可行的实施方式中，可以通过网络查询各通信网络的基站位置数据，从而得到基站位置信息。

步骤302、从所述历史信道状态信息中获取第二时间信息，以及与所述第二时间信息关联的信道状态信息。

本发明实施例中，可以从历史信道状态信息中提取特征信息，特征信息包括第二时间信息，以及与第二时间信息关联的信道状态信息。第二时间信息可以一天内的某一时间段，例如下午7点05分这一分钟时间段，此处仅是举例说明，本发明实施例对此不作限制。信道状态信息可以是在一天内的某一时间段各通信基站的信道状态数据，其中，信道状态数据与一天内的某一时间段所对应的时间信息相关联。本发明实施例中，可以对历史信道状态信息进行文本预处理，通过预设关键字匹配的方式，从历史信道状态数据中搜索与预设的时间关键字相匹配的时间信息，提取时间信息和与时间信息相关联的信道状态信息，从而获得第二时间信息，以及与第二时间信息关联的信道状态信息。

步骤303、基于所述第二时间信息、所述信道状态信息和所述基站位置信息进行模型训练，以获得所述信道状态预测模型。

本发明实施例中，可以通过对统计学模型进行训练来获得信道状态预测模型，例如统计学中的绝对中位差(Median Absolute Deviation，MAD)模型。在统计学中，绝对中位数是对单变量数值型数据的样本偏差的一种鲁棒性测量，对于单变量数据集，MAD定义为数据点到中位数的绝对偏差的中位数，也就是说，先计算出数据与它们的中位数之间的偏差，MAD就是这些偏差的绝对值的中位数。

本发明实施例中，可以从信道状态信息中提取最新的第二时间信息所对应的最新信道状态值。对统计学模型进行训练时，可以将第二时间信息、最新信道状态值和基站位置信息输入待训练的统计学模型，获取统计学模型预测的信道状态预测值，根据统计学模型预测的信道状态预测值和第二时间信息相关联的信道状态信息的差异，计算待训练的统计学模型的损失值。如果损失值不满足预设要求，则调整统计学模型的模型参数，调整之后再次对统计学模型进行训练，直至损失值满足预设要求，可以认为统计学模型的模型参数已经调整到了最优状态，统计学模型训练完成，获得信道状态预测模型。相应地，信道状态预测模型训练完成后可以接收待预测的时间信息、最新信道状态值和基站位置信息，将该待预测的时间信息、最新信道状态值和基站位置信息作为信道状态预测模型的输入，获取输出的信道状态预测值。

本发明实施例中，通过获取所述多个通信网络在预设区域内的历史信道状态数据，以及所述预设区域内各通信网络的基站位置信息；其中，所述历史信道状态数据与所述基站位置信息相关联；从所述历史信道状态信息中获取第二时间信息，以及与所述第二时间信息关联的信道状态信息；基于所述第二时间信息、所述信道状态信息和所述基站位置信息进行模型训练，以获得所述信道状态预测模型。这样，通过获取预设区域内的历史信道状态数据，可以获得更有代表性、更准确的第二时间信息和与第二时间信息关联的信道状态信息，进一步地，根据第二时间信息、与第二时间信息关联的信道状态信息以及各通信网络的基站位置信息进行模型训练，可以获得更为精准的信道状态预测模型。

需要说明的是，本发明实施例可以采用MAD估计值模型，MAD算法的原理如以下公式所示：

MAD＝m(|Xi-m(X)|)

σ＝k×MAD

其中，m(X)表示数据X的中位数，Xi-m(X)表示第i个数据Xi与数据X中位数的偏差，MAD表示偏差的绝对值的中位数。k为比例因子常量，可视为信道预测的波动系数，k值取决于数据的分布类型，信道预测具体值为离散型随机变量。若历史信道数据按正态分布，则：

其中，k也就是标准正态分布Z＝X/σ的分位函数的倒数，也称为逆累积分布函数。数值3/4是为了包含标准正态累积分布函数的50％，也即从1/4到3/4的范围值。上行链路和下行链路信道状态信息(channel state information，CSI)的预测值可以通过以下公式计算：

信道状态预测值＝历史时间段内CSI数值集合σ+当前时刻CSI检测值误差方程为以下公式：

其中，Y_t表示真实值，Y_pt表示预测值，r表示t时刻的准确率。

在通信系统中，获取完美的CSI对于通信系统至关重要。天线发送的CSI很可能由于信道的波动而衰落，因此信道CSI的预测变得极为重要。在获得CSI的预测值后，需要将CSI预测值发送到天线的发射机，使得MIMO系统可以根据CSI改善自身的性能，如自适应编码和调制、解码处理、信道均衡和天线波束成形等。CSI预测的核心算法是：通过当前CSI和过去CSI的信息，以及基于表示衰落信道的动态的机器学习模型来完成信道的预测。图4是现有技术中的大规模MIMO系统的CSI预测流程示意图，如图4所示，大规模MIMO系统的CSI预测流程包括：从数据源获取CSI等相关预测数据，将预测数据发送给信道编码器和MIMO编码器进行信道编码和MIMO编码，通过通道H将编码后的预测数据发送给组合器，由组合器进行信道估计和信道预测获得CSI的预测值，然后将CSI的预测值通过信道解码器进行解码，并将解码后的CSI的预测值发送给MIMO系统的数据接收器。MIMO系统可以根据数据接收器接收到的CSI预测值改善自适应编码和调制、解码处理、信道均衡和天线波束成形等性能。

需要说明的是，本发明实施例通过对流量需求值和信道状态预测值进行最优化匹配，为车辆的通信终端确定最优的通信网络连接策略，使得通信网络的信道状态与车辆的流量需求更加适配，从而提高车辆中的通信终端的网络稳定性和网络速率。流量需求值和信道状态预测值的最优化匹配方法可以包括以下内容：主要逻辑是比对供给侧和需求侧的预测值。供给侧是指通过CSI预测值判断当前运营商通信网络的下行链路信道可提供的最大下行数据带宽及下行速率X，以及同步基于CSI预测值判断其他备选运营商通信网络的最大下行数据带宽及下行速率X1，X2。而需求侧是指用户某一时刻对网络流量的需求值Y。进一步地，通过判断X与Y之间的关系来进行最优化匹配。当Y>X，但Y<X1或者Y<X2时，则启动运营商通信网络的信道切换。当切换运营商通信网络的信道时，可以控制车辆通信终端的多天线波束依据CSI预测值来指向特定运营商通信网络的基站天线，从而达到提高数据传输速率和稳定性的目的。当Y>X且Y>X1且Y>X2时，则启动多运营商通信网络的信道融合即MIMO机制，控制车辆通信终端的多天线波束依据CSI预测值来同时连接多个运营商通信网络的基站天线，从而达到提高数据传输速率和稳定性的目的。

可选的，在一种可行的实施方式中，本发明实施例的网络控制方法可以应用于以下场景：如需要实时更新高精地图的自动驾驶场景，空中下载技术(Over-the-AirTechnology，OTA)场景下本发明实施例的网络控制方法可大大提高OTA的稳定性、OTA速度和用户使用体验，以及需要大量的云端数据处理及数据同步的车载虚拟现实技术(VirtualReality，VR)、增强现实技术(Augmented Reality，AR)等应用场景。

需要说明的是，本方案中通信终端可以采取虚拟电子用户识别卡即eSIM卡方案。在采用3张用户识别卡(Subscriber Identity Module，SIM)模式的场景中，3张SIM卡模式主要是基于3张物理实体SIM卡，3张SIM卡配合三个天线，3张SIM卡可以全天候连接各个基站，但是通信终端某时刻只能连接某一个运营商的通信基站进行数据连接和通信，另外两个实体SIM卡处于待机或者低功耗状态。3张SIM卡模式的主要弊端是SIM卡的切换不完全属于热切换，在实体SIM卡切换时还需要进行SIM卡唤醒、搜索信号、登录、鉴权、通信等环节，因此，存在热切换速率低和待机功耗高等缺点。而本方案采取虚拟的电子用户识别卡即eSIM卡方案，eSIM卡是非物理卡，理论上可以达到无感的运营商信道的动态切换，具有切换速率高、稳定性强等特点。本方案中，在流量预测模型输出的流量预测值超过单一通信网络的信道状态预测值的情况下，可以控制通信终端通过eSIM卡同时接入多运营商基站，这样可以加强下行链路带宽，提高下行链路的数据传输速率，进而可以满足通信终端的流量需求。

图5为本发明实施例所述的一种网络控制装置的框图，如图5所示，该网络控制装置，应用于车辆，所述装置40包括：

预测模块401，用于基于预设的流量预测模型，根据当前时间信息预测所述车辆当前的流量需求值；

生成模块402，用于基于预设的信道状态预测模型，根据所述当前时间信息、所述车辆的实时位置信息和所述车辆的预设范围内的多个通信网络的信道状态检测值，生成所述多个通信网络的信道状态预测值；

选择模块403，用于根据所述流量需求值和所述信道状态预测值，从所述多个通信网络中选择一个或多个通信网络，作为所述车辆的目标通信网络；

控制模块404，用于控制所述车辆中的通信终端接入所述目标通信网络。

可选的，所述多个通信网络的信道状态预测值包括所述通信终端当前接入的第一通信网络的第一预测值以及未接入的第二通信网络的第二预测值，所述选择模块403具体用于：

在所述流量需求值不大于所述第一预测值的情况下，选择所述第一通信网络作为所述目标通信网络；

在所述流量需求值大于所述第一预测值的情况下，根据所述第二通信网络的所述第二预测值，从所述第二通信网络中选择一个或多个所述第二通信网络，作为所述目标通信网络。

可选的，所述选择模块403具体还用于：

若所述第二通信网络中存在目标第二通信网络，则从所述目标第二通信网络中选择一个第二通信网络，作为所述目标通信网络；所述目标第二通信网络是第二预测值大于所述流量需求值的第二通信网络；

若所述第二通信网络中不存在所述目标第二通信网络，则根据各所述第二通信网络的第二预测值，选择M个第二通信网络作为所述目标通信网络；所述M个第二通信网络的第二预测值之和不小于所述流量需求值。

可选的，所述通信终端包括多个天线，所述控制模块404具体用于：

根据所述目标通信网络的所述信道状态检测值，对所述多个天线进行波束追踪和波束赋形，并控制所述通信终端通过所述多个天线指向所述目标通信网络对应的通信基站，以接入所述目标通信网络。

可选的，所述流量预测模型通过下述方式获得：

获取所述车辆在预设时间段内的历史流量时序数据；

对所述历史流量时序数据进行特征处理，以获得流量预测训练集；其中，所述流量预测训练集包括第一时间信息，以及与所述第一时间信息关联的流量信息；

基于所述第一时间信息和所述流量信息进行模型训练，以获得所述流量预测模型。

可选的，所述信道状态预测模型通过下述方式获得：

获取所述多个通信网络在预设区域内的历史信道状态数据，以及所述预设区域内各通信网络的基站位置信息；其中，所述历史信道状态数据与所述基站位置信息相关联；

从所述历史信道状态信息中获取第二时间信息，以及与所述第二时间信息关联的信道状态信息；

基于所述第二时间信息、所述信道状态信息和所述基站位置信息进行模型训练，以获得所述信道状态预测模型。

所述网络控制装置与上述网络控制方法相对于现有技术所具有的优势相同，在此不再赘述。

本发明的另一目的在于提出一种车辆，以解决现有的车联网通信终端网络连接不稳定、网速低的技术问题。

为达到上述目的，本发明的技术方案是这样实现的：

所述车辆安装有如上述任一所述的网络控制装置，用于执行如上述任一所述的网络控制方法。

所述车辆与上述网络控制方法相对于现有技术所具有的优势相同，在此不再赘述。

本发明的另一目的在于提出一种电子设备，以解决现有的车联网通信终端网络连接不稳定、网速低的技术问题。

为达到上述目的，本发明的技术方案是这样实现的：

一种电子设备，所述电子设备包括：处理器、存储器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一所述的网络控制方法。

所述电子设备与上述网络控制方法相对于现有技术所具有的优势相同，在此不再赘述。

本发明的另一目的在于提出一种可读存储介质，以解决现有的车联网通信终端网络连接不稳定、网速低的技术问题。

为达到上述目的，本发明的技术方案是这样实现的：

一种可读存储介质，当所述可读存储介质中的指令由电子设备的处理器执行时，使得所述电子设备能够执行如上述任一所述的网络控制方法。

所述可读存储介质与上述网络控制方法相对于现有技术所具有的优势相同，在此不再赘述。

本发明的另一目的在于提出一种车辆，以解决现有的车联网通信终端网络连接不稳定、网速低的技术问题。

所述车辆安装有如上述任一所述的网络控制装置，用于执行如上述任一所述的网络控制方法。

所述车辆与上述网络控制方法相对于现有技术所具有的优势相同，在此不再赘述。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

需要说明的是，本申请实施例中获取各种数据相关过程，都是在遵照所在地国家相应的数据保护法规政策的前提下，并获得由相应装置所有者给予授权的情况下进行的。

Claims (10)

1.一种网络控制方法，其特征在于，应用于车辆，所述方法包括：

基于预设的流量预测模型，根据当前时间信息预测所述车辆当前的流量需求值；

基于预设的信道状态预测模型，根据所述当前时间信息、所述车辆的实时位置信息和所述车辆的预设范围内的多个通信网络的信道状态检测值，生成所述多个通信网络的信道状态预测值；

根据所述流量需求值和所述信道状态预测值，从所述多个通信网络中选择一个或多个通信网络，作为所述车辆的目标通信网络；

控制所述车辆中的通信终端接入所述目标通信网络。

2.根据权利要求1所述的方法，其特征在于，所述多个通信网络的信道状态预测值包括所述通信终端当前接入的第一通信网络的第一预测值以及未接入的第二通信网络的第二预测值；所述根据所述流量需求值和所述信道状态预测值，从所述多个通信网络中选择一个或多个通信网络，作为所述车辆的目标通信网络，包括：

在所述流量需求值不大于所述第一预测值的情况下，选择所述第一通信网络作为所述目标通信网络；

在所述流量需求值大于所述第一预测值的情况下，根据所述第二通信网络的所述第二预测值，从所述第二通信网络中选择一个通信网络或者从所述多个通信网络中选择至少两个通信网络，作为所述目标通信网络。

3.根据权利要求2所述的方法，其特征在于，所述根据所述第二通信网络的所述第二预测值，从所述第二通信网络中选择一个通信网络或者从所述多个通信网络中选择至少两个通信网络，包括：

若所述第二通信网络中存在目标第二通信网络，则从所述目标第二通信网络中选择一个第二通信网络，作为所述目标通信网络；所述目标第二通信网络是第二预测值大于所述流量需求值的第二通信网络；

若所述第二通信网络中不存在所述目标第二通信网络，则根据所述第一预测值和各所述第二通信网络的第二预测值，选择M个通信网络作为所述目标通信网络；所述M个通信网络的信道状态预测值之和不小于所述流量需求值，所述M为不小于2的整数。

4.根据权利要求1-3任一所述的方法，其特征在于，所述通信终端包括多个天线；所述控制所述车辆中的通信终端接入所述目标通信网络，包括：

根据所述目标通信网络的信道状态预测值，对所述多个天线进行波束追踪和波束赋形，并控制所述通信终端通过所述多个天线指向所述目标通信网络对应的通信基站，以接入所述目标通信网络。

5.根据权利要求1-3任一所述的方法，其特征在于，所述流量预测模型通过下述方式获得：

获取所述车辆在预设时间段内的历史流量时序数据；

对所述历史流量时序数据进行特征处理，以获得流量预测训练集；其中，所述流量预测训练集包括第一时间信息，以及与所述第一时间信息关联的流量信息；

基于所述第一时间信息和所述流量信息进行模型训练，以获得所述流量预测模型。

6.根据权利要求1-3任一所述的方法，其特征在于，所述信道状态预测模型通过下述方式获得：

获取所述多个通信网络在预设区域内的历史信道状态数据，以及所述预设区域内各通信网络的基站位置信息；其中，所述历史信道状态数据与所述基站位置信息相关联；

从所述历史信道状态信息中获取第二时间信息，以及与所述第二时间信息关联的信道状态信息；

基于所述第二时间信息、所述信道状态信息和所述基站位置信息进行模型训练，以获得所述信道状态预测模型。

7.一种网络控制装置，其特征在于，应用于车辆，所述装置包括：

预测模块，用于基于预设的流量预测模型，根据当前时间信息预测所述车辆当前的流量需求值；

生成模块，用于基于预设的信道状态预测模型，根据所述当前时间信息、所述车辆的实时位置信息和所述车辆的预设范围内的多个通信网络的信道状态检测值，生成所述多个通信网络的信道状态预测值；

选择模块，用于根据所述流量需求值和所述信道状态预测值，从所述多个通信网络中选择一个或多个通信网络，作为所述车辆的目标通信网络；

控制模块，用于控制所述车辆中的通信终端接入所述目标通信网络。

8.一种车辆，其特征在于，所述车辆安装有如权利要求7所述的网络控制装置，用于执行如权利要求1-6任一所述的网络控制方法。

9.一种电子设备，其特征在于，所述电子设备包括：处理器、存储器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序时实现如权利要求1-6中任一所述的网络控制方法。

10.一种可读存储介质，其特征在于，当所述可读存储介质中的指令由电子设备的处理器执行时，使得所述电子设备能够执行如权利要求1-6中任一所述的网络控制方法。

Images