CN116017611A - 空地异构网络中考虑终端应用体验的网络选择方法 - Google Patents

Abstract

本发明请求保护一种空地异构网络中考虑终端应用体验的网络选择方法。在空地异构网络中，针对将无人机运用于智能交通系统，由于网络动态性增强引起切换性能下降，无法满足终端应用体验的问题，提出一种自适应网络选择算法。首先，考虑当前网络场景的特点，组建了一个融合自组织网络的空地协同网络架构。其次，切换触发后，根据终端不同的数据传输请求以及当前的终端状态选择接入网络，利用G1法和PROMETHEE方法构建多属性决策选网模型，得到最佳选网策略。最后，仿真结果表明，该算法能够有效降低无人机终端接入网络的掉话率和失败率，提高了系统的吞吐量，改善了切换性能，从而提升了终端的应用体验。

Description

空地异构网络中考虑终端应用体验的网络选择方法

技术领域

本发明属于移动通信领域，具体是空地异构网络中的网络选择方法。

背景技术

随着新兴的无线网络技术迅速发展，不断趋向多元化，无线通信网络呈现重叠交叉覆盖，正朝向异构网络的密集化发展。同时，为全面支持物联网发展，满足其连接多样性、通信多样化的需求，学术界和通信业已启动了对下一代移动通信技术的研究，在传统无线网络中引入了非地面网络，极大提升了无线通信网络的立体覆盖、海量接入以及对通信服务大容量、低时延保障等方面的能力，空地一体化是未来网络架构的重要演进趋势，从而形成多种接入技术共存、协同互补、支持终端无缝连接的空地异构网络。

基于其多功能、低成本、易部署等优势，无人机作为小型飞行器在实现空地一体化中起到了重要作用。一方面，无人机可用作移动基站或中继，以增强无线网络的覆盖范围、容量；另一方面，无人机可作为空中的移动终端用户，满足实时视频流、监控、物流交付、虚拟现实等多种应用。伴随社会经济发展，交通拥堵、交通事故频发，由于无人机在秩序管理、流量监测、交通疏导、事故处理等方面具有巨大应用优势，在智能交通系统中的使用正在迅速增长，呈现出与蜂窝移动通信技术紧密结合的发展趋势。然而，在空地异构网络环境下，将无人机运用在智能交通系统中会带来新的技术挑战和设计考虑，尤其在切换管理方面，为实现无人机在空地异构无线网络中无缝漫游，保障其在网络系统间切换的可靠性和稳定性，进而高效传输交通信息数据，如何设计符合空地异构网络环境中终端的网络选择机制，为无人机终端提供满意度更高的网络成为该研究领域关注的重点和难点问题。

在当前空地异构网络场景中，对无人机切换管理问题的研究已经取得了一些成果。文献[E.Lee,C.Choi,and P.Kim,"Intelligent handover scheme for drone usingfuzzy inference systems",IEEE Access,vol.5,pp.13712–13719,2017.]利用RSS、无人机高度、速度等参数，构建了一个模糊推理系统，用于网联无人机的切换决策。文献[Y.Long,T.Yang,H.Feng and B.Hu,"Latency-Aware Base Station Selection Schemefor Cellular-Connected UAVs,"2018IEEE 88th Vehicular Technology Conference(VTC-Fall),2018,pp.1-6.]针对网联无人机提出了一种基站选择方案，通过联合考虑吞吐量需求和接入延迟，在满足吞吐量要求的同时选择一个延迟较低的合适基站。文献[Chen,Yun,et al."A deep reinforcement learning approach to efficient drone mobilitysupport."arXiv preprint arXiv:2005.05229(2020).]考虑无人机的飞行路径和基站分布，提出了一种基于DQN的动态切换决策，通过适当调整回报函数来达到切换次数和接收信号强度之间的平衡。文献[M.M.U.Chowdhury,W.Saad and I.

"MobilityManagement for Cellular-Connected UAVs:A Learning-Based Approach,"2020IEEEInternational Conference on Communications Workshops(ICC Workshops),2020,pp.1-6.]利用Q学习方法来动态调整基站天线的下倾角，使得无人机终端的接收信号强度和地面用户的吞吐量达成平衡，从而在不对地面用户造成重大性能损失的情况下降低无人机终端的切换次数。文献[B.Galkin,E.Fonseca,R.Amer,L.Dasilva and I.Dusparic,"REQIBA:Regression and Deep Q-Learning for Intelligent UAV Cellular User toBase Station Association,"in IEEE Transactions on Vehicular Technology.]假设无人机终端在市区上空飞行，利用接收信号强度、基站位置和周围建筑拓扑等信息，基于回归和深度Q学习方法进行网络选择决策，最终提高了系统吞吐量并保持了可控的终端切换次数。

以上大多数研究工作采用机器学习的解决方案，用于训练无人机终端的特定学习模式，具有较好的切换管理性能，但由于算法迭代次数较多，存在无法实时决策的问题，在实际网络场景中较难应用。同时，上述文献也并未考虑在实际应用场景下，由于无人机较高的移动性导致网络动态性增强，存在的切换性能及终端应用体验下降的问题。

发明内容

本发明旨在解决以上现有技术的问题。提出了一种空地异构网络中考虑终端应用体验的网络选择方法。本发明的技术方案如下：

一种空地异构网络中考虑终端应用体验的网络选择方法，其包括以下步骤：

101、根据自组织网络的触发条件，如果满足则构建自组织网络，指定路边固定摄像头桩作为簇头，与周围的无人机以簇结构的形式组成自组织网络，让自组织网络也成为终端的备选网络。

102、在终端触发切换后，根据当前的终端状态和终端的数据传输需求，自适应地为终端选择满意度最高的网络进行接入。其中判决参数包括数据传输速率、丢包率、时延、抖动。利用G1法和PROMETHEE方法构建多属性决策选网模型，最后根据净占优流大小的排序得到各候选网络的优劣排序，终端选择最优网络作为目标网络进行接入。

进一步的，当满足触发条件时，此时启动簇头上的无线信号收发器，簇头之间发送用于交互的hello消息，并建立自身的信息库。无人机终端选择距离最近的路边固定摄像头桩作为簇头加入到簇中，从而形成簇结构形式的自组织网络。

进一步的，无人机终端在执行任务过程中会进入或飞离簇的覆盖区域，分别对应进入簇和离开簇这两种状态。当路边固定摄像头桩的邻居无人机数量较少时，需要对簇进行销毁处理，从而节省带宽资源。上述情形会导致自组织网络结构的变化，从而造成路由开销，为维持正常的簇内通信，以及在簇形成以后维持簇的稳定，需要有相应的簇维护机制，因此定义簇可用带宽、簇生存周期用于自组织网络的维护，并通过报文消息机制进行簇的生成和维护。定义以下参数用于自组织网络的维护。

(1)簇可用带宽μ_h，用于无人机进入簇或离开簇时进行带宽的动态分配，簇h的可用带宽可以表示为：

其中，T_h表示簇h能分配的总的带宽，N_i表示簇h中已接入的簇节点数量，t_i表示第i个簇节点所需的带宽。

(2)簇生存周期δ_t，用于决定簇的生存与否，当簇生成后的维持时间达到δ_t及其整数倍时，判断当前簇头的邻居无人机数量N_cm是否小于最小簇成员无人机数量MIN_CM。若N_cm小于MIN_CM，则此时对簇进行销毁处理，关闭簇头上的无线信号收发器，否则维持当前簇。

进一步的，无人机作为蜂窝网络的新型空中用户，具有特殊的空地信道环境、运动方式以及立体的通信架构。空地信道特性与地面通信信道特性明显不同，其视距传输的可能性较大，且随高度增加，视距概率更高，链路可靠性也较高。在城市道路区域中，无人机终端接收到的信号波形一部分来自基站与无人机终端之间的视距通信，还有一部分信号来自建筑物的反射。参照3GPP TR36.777中有关UMa-AV无人机信道建模的相关标准对无人机空地信道进行建模。

视距概率表达式取决于无人机的高度。当无人机高度较小时，由于地面散射体的阻碍，所有情况下的视距概率都较小，随着空中无人机高度的增加，视距概率也随之增加。UMa-AV场景下，无人机高度超过100m或无人机高度在22.5m至100m之间，对于这两种情况，视距概率表达式如下：

其中d_t是无人机到地面基站的水平距离。变量p₁和d₁的值取决于无人机高度和所考虑的UMa-AV场景。

空中无人机用户的路径损耗模型相较于地面用户，将无人机的飞行高度纳入了考虑。在UMa-AV场景下：

视距链路中的路径损耗模型为：

PL_LOS＝28.0+22log₁₀(d_s)+20log₁₀(f_c)

非视距链路中的路径损耗模型为：

进一步的，将无人机自组织网络引入城市道路区域的网络场景中，形成地面网络、自组织网络异构而成的空地自组织异构无线网络。为保证无人机终端连续、稳定的网络服务，选取数据传输速率、丢包率、时延、抖动四个参数作为终端服务质量的衡量指标，下面为这些参数的定义。

根据香农公式，终端接入网络的数据传输速率和带宽、信噪比等参数相关，终端k接入网络l所获得的数据传输速率可表示为：

C＝Q_k,lT×log₂(1+SNR_k,l)

其中，Q_k,l表示终端k接入网络l获得的资源块数量，T表示每一个资源块的带宽，SNR_k,l表示信噪比。

丢包率表示丢失数据的数目占所有发送数据包的比值，反映传输数据的完整度。可表示为：

其中，e表示所有的发送数据包，r表示接收到的数据包。

时延是数据从发送端到接收端耗费的时间，可表示为：

其中d_k,l表示终端k到网络l的距离，v₀表示数据传输速率。

抖动指时延的变化，该参数会影响数据传输的连续性，可表示为：

其中，

分别代表第t₀(t₁)个包的发送和接收时间戳。

进一步的，利用G1法确定两种业务类型不同的序关系，从而得到不同业务类型下各自的参数权重。具体计算步骤如下。

(1)确定各判决参数间的序关系

假设各判决参数构成的参数集为{y₁,y₂,...,y_n}，在参数集{y₁,y₂,...,y_n}中，若参数y_j相对于y_i重要性程度更大，则记为y_j＞y_i。对这n个参数进行排序，从而确定参数集{y₁,y₂,...,y_n}的序关系。

(2)确定重要性标度

相邻两参数y_j与y_j-1的重要程度之比，即重要性标度。

(3)计算权重

确立了序关系的参数集中各参数的权重为：

w_k-1＝r_kw_k,k＝2,3,...n

进一步的，假设候选网络集包含m个候选网络，切换判决属性有n个，使用PROMETHEE方法的具体步骤如下。

(1)确定每个属性下候选网络A_i对A_j的偏好

将网络A_i在各个参数下的属性值与其他网络进行比较，若网络A_j为比较对象，d_λ(A_i,A_j)表示A_i与A_j在参数λ下的差距。分别用g(A_i)与g(A_j)表示A_i和A_j在参数λ下的属性值，一般利用属性值的差值表示参数下的差距，有：

d_λ(A_i,A_j)＝g(A_i)-g(A_j)

以d_λ(A_i,A_j)为主要变量，构建偏好函数G_λ(A_i,A_j)用以表示网络间差距情况的偏好。以F表示偏好函数，则偏好函数的表达式如下：

G_λ(A_i,A_j)＝F[d_λ(A_i,A_j)],λ＝1,2,,n

(2)计算整体偏好指数

令π(A_i,A_j)表示A_i相对于A_j的全局优先指数，w_λ表示参数λ的权重，利用加权平均法对各个参数下A_i相对于A_j的优先函数进行集结，具体方法如下:

(3)计算每个候选网络的正、负占优流

(4)计算每个候选网络的净占优流

最后根据净占优流大小的排序得到各候选网络的优劣排序，终端选择最优网络作为目标网络进行接入。

本发明的优点及有益效果如下：

1.本发明针对由地面蜂窝网络和引入无人机形成的自组织网络异构而成的空地异构网络。由步骤101利用邻居无人机数量触发自组织网络的构建，形成簇结构形式的自组织网络，然后定义簇可用带宽和簇生存周期进行相应的维护。自组织网络能够为部分请求协作业务的终端提供服务，从而减少了掉话终端的数量，使得掉话率不会上升得过快。

2.考虑无人机终端的实际业务偏好，以提升应用体验为目标，引入模糊多属性决策算法中的PROMETHEE方法，由于该方法无需对评价指标进行无量纲和规范化处理，避免了因为数据预处理导致的信息缺失和结果偏离，使得评价结果更加客观和科学，网络接入的准确性得到了提高。

附图说明

图1为空地异构网络模型示意图；

图2为考虑终端应用体验的网络选择算法流程图；

图3为无人机空地建模示意图；

图4为不同方法的掉话率对比；

图5为不同方法的接入失败率对比；

图6为不同方法的网络吞吐量对比；

图7为不同方法的算法时间开销对比；

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。

本发明的技术方案如下：

该方法综合考虑了在引入无人机终端的空地异构网络中，针对网络动态性增强引起切换性能下降，无法满足终端应用体验的情况下，组建了一个融合自组织网络的空地协同网络架构，根据终端不同的数据传输请求以及当前的终端状态选择接入网络，能够有效降低无人机终端接入网络的掉话率和失败率，提高了系统的吞吐量，改善了切换性能，从而提升了终端的应用体验。

本发明提出的网络选择方法包括以下步骤：

步骤一、如果满足自组织网络的触发条件，即邻居无人机数量达到临界值，则构建自组织网络，指定路边固定摄像头桩作为簇头，与周围的无人机以簇结构的形式组成自组织网络。由于无人机终端在执行任务过程中会进入或飞离簇的覆盖区域，此时对应进入簇和离开簇这两种状态。当路边固定摄像头桩的邻居无人机数量小于临界值时，需要对簇进行销毁处理，从而节省带宽资源。

步骤二、在终端触发切换后，首先判断当前的终端状态是否为簇成员状态，若为簇成员状态，并且终端请求协作传输任务，则仍然接入自组织网络，否则进行自适应网络的选择，利用G1法对参数之间的重要程度进行比较判断，得出不同业务类型下各参数的权重系数，最后使用PROMETHEE方法对各个候选网络进行综合评估，从而为终端进行目标网络的选择。

为评估本文提出的网络选择算法性能，利用Matlab平台进行实验仿真。网络仿真场景如图1所示，模拟了城市核心道路区域的空地异构网络环境。该仿真场景中，假设部署有2个5G宏基站，10个5G微基站以及若干自组织网络,5G宏基站的半径均为1000m，5G微基站的半径均为300m，自组织网络的半径均为100m。

在仿真过程中，假设无人机终端的到达服从泊松分布。为了进一步突出本发明的优越性，将本发明所提方法(Proposed Vertical Handover Algorithm,Proposed VHO)与基于贪婪思想的方法(Greedy Vertical Handover Algorithm,GreedyVHO)和文献[Chen,Yun,et al."Efficient drone mobility support using reinforcement learning."2020IEEE wireless communications and networking conference(WCNC).IEEE,2020.]中基于Q学习的方法(Q-learning based Vertical Handover Algorithm,QlearningVHO)在掉话率、接入失败率、网络吞吐量和算法时间开销这四个方面的性能。

图4为三种算法的掉话率的变化曲线，从图中可以看出，当网络中接入的无人机终端数量较少时，每个终端可以分配到足够的网络资源，因此掉话率较低，但因为网络资源有限，当接入的终端数量逐渐增加时，分配到部分终端的网络资源将无法满足其最低需求，因此终端掉话率逐渐上升，但对比于其他两种算法，本文所提算法的掉话率上升的比较缓慢，这是因为自组织网络能够为部分请求协作业务的无人机终端提供服务，从而减少了掉话终端的数量，使得掉话率不会上升得过快。

图5为三种算法的接入失败率的变化曲线。从图中可以看出，当仿真次数较少时，三种算法的切换失败率是相近的。当仿真次数逐渐增加时，三种算法的切换失败率均随着仿真次数的增加而增加，而所提算法的切换失败率始终低于其它两种算法，这是因为提出的算法能根据终端不同的业务请求进行网络选择，网络接入的准确性得到了提高，从而能够让终端准确的接入到较好的网络中。

图6为三种算法的网络吞吐量的变化曲线。从图中可以看出，随着终端到达率的增加，网络吞吐量一直呈上升趋势，但当终端数量相同时，提出的算法的吞吐量始终高于其他两种算法。一方面，所提算法在终端进行网络接入时进行了业务划分，满足了终端不同业务下的个性化需求，从而得到了较好的服务，另一方面，所提算法引入了自组织网络，提高了网络接入能力，减少了无人机终端接入地面蜂窝网络的数量，网络资源利用率得到了提升，也有效地提高了网络吞吐量。

图7为三种算法的时间开销变化曲线，从图中可以看出，随着终端到达率的增加，三种算法的时间开销都逐渐增加。刚开始时，几种算法的时间复杂度相差不大，但随着无人机终端数量逐渐增加，本文算法的时间复杂度比其他两种算法偏大。之所以出现这种现象，是因为本文算法存在自组织网络的构建过程，组建自组织网络的过程产生了一定的时间开销，并且随着无人机终端数量的增加，越来越多的终端会考虑接入到自组织网络，因此本文算法的时间开销始终高于其他两种算法。

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.空地异构网络中考虑终端应用体验的网络选择方法，其特征在于，包括以下步骤：

101、首先根据自组织网络的触发条件，如果满足则构建自组织网络，指定路边固定摄像头桩作为簇头，与周围的无人机以簇结构的形式组成自组织网络，让自组织网络也成为终端的备选网络。

102、其次在终端触发切换后，根据当前的终端状态和终端的数据传输需求，自适应地为终端选择满意度最高的网络进行接入。其中判决参数包括数据传输速率、丢包率、时延、抖动。利用G1法和PROMETHEE方法构建多属性决策选网模型，最后根据净占优流大小的排序得到各候选网络的优劣排序，终端选择最优网络作为目标网络进行接入。

2.根据权利要求1所述的空地异构网络中考虑终端应用体验的网络选择方法，其特征在于，假设路边固定摄像头桩的邻居无人机数量为N_cm，每个簇中容纳的最小簇成员数量和最大簇成员无人机数量分别为MIN_CM和MAX_CM。当满足触发条件时，此时启动簇头上的无线信号收发器，簇头之间发送用于交互的hello消息，并建立自身的信息库。无人机终端选择距离最近的路边固定摄像头桩作为簇头加入到簇中，从而形成簇结构形式的自组织网络。

3.根据权利要求1所述的空地异构网络中考虑终端应用体验的网络选择方法，其特征在于，所述考虑无人机终端在执行任务过程中会进入或飞离簇的覆盖区域，分别对应进入簇和离开簇这两种状态。当路边固定摄像头桩的邻居无人机数量较少时，需要对簇进行销毁处理，从而节省带宽资源。上述情形会导致自组织网络结构的变化，从而造成路由开销，为维持正常的簇内通信，以及在簇形成以后维持簇的稳定，需要有相应的簇维护机制，因此定义簇可用带宽、簇生存周期用于自组织网络的维护，并通过报文消息机制进行簇的生成和维护。定义以下参数用于自组织网络的维护。

(1)簇可用带宽μ_h，用于无人机进入簇或离开簇时进行带宽的动态分配，簇h的可用带宽可以表示为：

其中，T_h表示簇h能分配的总的带宽，N_i表示簇h中已接入的簇节点数量，t_i表示第i个簇节点所需的带宽。

(2)簇生存周期δ_t，用于决定簇的生存与否，当簇生成后的维持时间达到δ_t及其整数倍时，判断当前簇头的邻居无人机数量N_cm是否小于最小簇成员无人机数量MIN_CM。若N_cm小于MIN_CM，则此时对簇进行销毁处理，关闭簇头上的无线信号收发器，否则维持当前簇。

4.根据权利要求3所述的空地异构网络中考虑终端应用体验的网络选择方法，其特征在于，区别于地面用户终端，无人机作为蜂窝网络的新型空中用户，具有特殊的空地信道环境、运动方式以及立体的通信架构。空地信道特性与地面通信信道特性明显不同，其视距传输的可能性较大，且随高度增加，视距概率更高，链路可靠性也较高。在城市道路区域中，无人机终端接收到的信号波形一部分来自基站与无人机终端之间的视距通信，还有一部分信号来自建筑物的反射。参照3GPP TR 36.777中有关UMa-AV无人机信道建模的相关标准对无人机空地信道进行建模。

视距概率表达式取决于无人机的高度。当无人机高度较小时，由于地面散射体的阻碍，所有情况下的视距概率都较小，随着空中无人机高度的增加，视距概率也随之增加。UMa-AV场景下，无人机高度超过100m或无人机高度在22.5m至100m之间，对于这两种情况，视距概率表达式如下：

其中d_t是无人机到地面基站的水平距离。变量p₁和d₁的值取决于无人机高度和所考虑的UMa-AV场景。

空中无人机用户的路径损耗模型相较于地面用户，将无人机的飞行高度纳入了考虑。在UMa-AV场景下：

视距链路中的路径损耗模型为：

PL_LOS＝28.0+22log₁₀(d_s)+20log₁₀(f_c)

非视距链路中的路径损耗模型为：

5.根据权利要求4所述的空地异构网络中考虑终端应用体验的网络选择方法，其特征在于，将无人机自组织网络引入城市道路区域的网络场景中，形成地面网络、自组织网络异构而成的空地自组织异构无线网络。为保证无人机终端连续、稳定的网络服务，选取数据传输速率、丢包率、时延、抖动四个参数作为终端服务质量的衡量指标，下面给出这些参数的定义。

根据香农公式，终端接入网络的数据传输速率和带宽、信噪比等参数相关，终端k接入网络l所获得的数据传输速率可表示为：

C＝Q_k,lT×log₂(1+SNR_k,l)

其中，Q_k,l表示终端k接入网络l获得的资源块数量，T表示每一个资源块的带宽，SNR_k,l表示信噪比。

丢包率表示丢失数据的数目占所有发送数据包的比值，反映传输数据的完整度。可表示为：

其中，e表示所有的发送数据包，r表示接收到的数据包。

时延是数据从发送端到接收端耗费的时间，可表示为：

其中d_k,l表示终端k到网络l的距离，v₀表示数据传输速率。

抖动指时延的变化，该参数会影响数据传输的连续性，可表示为：

其中，

分别代表第t₀(t₁)个包的发送和接收时间戳。

6.根据权利要求5所述的空地异构网络中考虑终端应用体验的网络选择方法，其特征在于，为综合评估无人机终端当前的候选网络从而得到目标网络，本文引入模糊多属性决策算法中的PROMETHEE方法，根据每一个候选网络在各属性的满足程度上的差异来刻画各网络之间的差异。由于该方法无需对评价指标进行无量纲和规范化处理，避免了因为数据预处理导致的信息缺失和结果偏离,使得评价结果更加客观和科学，其主要思想是通过属性权重和偏好函数来判定各个方案之间的优序关系。与其他评价方法相比，PROMETHEE方法在评价过程中的突出优势在于其计算比较简便，从降低现有算法时间复杂度的角度出发，比较适用于当前动态性较高的空地异构网络。

由于PROMETHEE方法在评价过程中采用不同的权重来体现各属性的重要程度，因此引入G1法求取各属性的权重。G1法又称序关系分析法，在确定各指标序关系的基础上，将相邻指标的重要程度进行对比，对层次分析法进行了改进，规避了所有指标间需要两两比较并构造判断矩阵并进行一致性检验的问题，具有计算过程简便，计算量小的优势。该方法首先需要对各评价指标进行定性排序,然后根据排序结果对相邻指标之间的重要程度进行比较判断，最后得出各指标的权重系数。

7.根据权利要求6所述的空地异构网络中考虑终端应用体验的网络选择方法，其特征在于，利用G1法确定两种业务类型不同的序关系，从而得到不同业务类型下各自的参数权重。具体计算步骤如下。

(1)确定各判决参数间的序关系

假设各判决参数构成的参数集为{y₁,y₂,...,y_n}，在参数集{y₁,y₂,…,y_n}中，若参数y_j相对于y_i重要性程度更大，则记为y_j＞y_i。对这n个参数进行排序，从而确定参数集{y₁,y₂,...,y_n}的序关系。

(2)确定重要性标度

相邻两参数y_j与y_j-1的重要程度之比，即重要性标度。

(3)计算权重

确立了序关系的参数集中各参数的权重为：

w_k-1＝r_kw_k,k＝2,3,...n

8.根据权利要求7所述的空地异构网络中考虑终端应用体验的网络选择方法，其特征在于，假设候选网络集包含m个候选网络，切换判决属性有n个，使用PROMETHEE方法的具体步骤如下。

(1)确定每个属性下候选网络A_i对A_j的偏好

将网络A_i在各个参数下的属性值与其他网络进行比较，若网络A_j为比较对象，d_λ(A_i,A_j)表示A_i与A_j在参数λ下的差距。分别用g(A_i)与g(A_j)表示A_i和A_j在参数λ下的属性值，一般利用属性值的差值表示参数下的差距，有：

d_λ(A_i,A_j)＝g(A_i)-g(A_j)

以d_λ(A_i,A_j)为主要变量，构建偏好函数G_λ(A_i,A_j)用以表示网络间差距情况的偏好。以F表示偏好函数，则偏好函数的表达式如下：

G_λ(A_i,A_j)＝F[d_λ(A_i,A_j)],λ＝1,2,...,n

(2)计算整体偏好指数

令π(A_i,A_j)表示A_i相对于A_j的全局优先指数，w_λ表示参数λ的权重，利用加权平均法对各个参数下A_i相对于A_j的优先函数进行集结，具体方法如下:

(3)计算每个候选网络的正、负占优流

(4)计算每个候选网络的净占优流

最后根据净占优流大小的排序得到各候选网络的优劣排序，终端选择最优网络作为目标网络进行接入。

Images