CN116209030A - 一种移动平台抗弱网通信网关接入方法及系统 - Google Patents

Abstract

本发明涉及通信技术领域，涉及一种移动平台抗弱网通信网关接入方法及系统尤其是一种移动平台抗弱网通信网关接入方法，方法包括：根据移动平台的实时信息和目标深度学习预测模型，得到预测运动路径，实时信息包括位置信息和时间步长信息；根据所述预测运动路径，获取对应的若干通信网络；根据每一所述通信网络的路径损耗，获取若干备选通信网络；计算备选通信网络的每一接入节点的节点参数；根据移动平台当前连接的网络节点的节点参数和所述备选通信网络的节点参数，判断是否接入所述备选通信网络的接入节点；节点参数包括接收信号强度和接收信号质量。本发明能够根据预测的路径提前进行接入网络节点的规划，保证了数据传输的质量。

Description

一种移动平台抗弱网通信网关接入方法及系统

技术领域

本发明涉及通信技术领域，尤其是一种移动平台抗弱网通信网关接入方法及系统。

背景技术

移动平台是指装有特定设备的车辆、机器人和无人机等，是万物互联世界中的重要组成部分，具有重要的应用价值。移动平台通过与基础设施和其他移动平台的通信，可以实现平台之间的交互和信息共享。然而，由于移动平台设备与基础设施之间的信号干扰、网络拥塞等问题，移动平台设备的通信质量常常受到影响，特别是在弱网络环境下。在移动平台的通信过程中，如数据传输、车联网服务等，都需要高效稳定的网络支持。然而，弱网络环境下，通信信号不稳定、数据传输速度慢、数据丢失等问题容易发生，给移动平台设备的通信稳定性和可靠性带来极大的影响。

为了解决移动平台在弱网络环境下的通信问题，研究人员和工程师们不断努力探索新的抗弱网通信方法和技术。在传统的抗弱网通信方法上，结合移动车辆平台的特点和需求，提出了一些针对性的改进和优化，如增强FEC纠错码的效率、使用ARQ重传技术、数据压缩等技术，但这些方法一定程度上提高数据传输的效率和稳定性，但仍存在一些局限性。例如，数据压缩可能会导致数据质量下降，流量控制可能会降低传输速度，而FEC纠错和ARQ重传可能会增加数据传输的延迟。

发明内容

一方面，为解决上述现有技术问题，本发明提供一种移动平台抗弱网通信网关接入方法，包括：

根据移动平台的实时信息和目标深度学习预测模型，得到预测运动路径，其中，所述实时信息包括位置信息和时间步长信息；

根据所述预测运动路径，获取对应的若干通信网络；

根据每一所述通信网络的路径损耗，获取若干备选通信网络；

计算所述备选通信网络的每一接入节点的节点参数；

根据所述移动平台当前连接的网络节点的节点参数和所述备选通信网络的节点参数，判断是否接入所述备选通信网络的接入节点；

其中，所述节点参数包括接收信号强度和接收信号质量。

作为本申请的一可选实施例，所述根据移动平台的实时位置信息和目标深度学习预测模型，得到预测运动路径的步骤，包括：

每隔预设时间，获取所述移动平台的实时信息；

将所述实时信息输入所述目标深度学习预测模型，得到预测路径标识；

根据所述预测路径标识，获取对应的预测运动路径。

作为本申请的一可选实施例，在所述根据移动平台的实时位置信息和目标深度学习预测模型，得到预测运动路径的步骤之前，所述方法还包括：

根据所述运动平台的历史数据，得到第一样本数据，其中，所述第一样本数据包括经纬信息、时间步长信息、路径标识和路径详细信息；

根据所述第一样本数据，对初始深度学习预测模型进行训练，得到目标深度学习预测模型；

其中，所述初始深度学习预测模型基于深度残差神经网络构建。

作为本申请的一可选实施例，所述根据所述样本数据，对初始深度学习预测模型进行训练，得到目标深度学习预测模型的步骤包括：

根据预设经纬度区间，对所述第一样本数据的路径详细信息进行扩展，得到第二样本数据；

根据预设比例，对所述第二样本数据进行划分，得到训练集和测试集；

根据所述训练集和测试集对所述初始深度学习预测模型进行训练，得到目标深度学习预测模型。

作为本申请的一可选实施例，所述根据每一所述通信网络的路径损耗，获取若干备选通信网络包括：

对每一所述通信网络进行链路预算计算，得到每一所述通信网络的路径损耗；

根据所述路径损耗的大小，对所述通信网络进行快速排序；

将路径损耗最小的通信网络作为备选通信网络。

作为本申请的一可选实施例，所述路径损耗通过如下公式进行计算：

式中，L是路径损耗，d是信号传播距离，f是信号频率，K是系统损耗因子。

作为本申请的一可选实施例，所述计算所述备选通信网络的每一接入节点的节点参数的步骤，包括：

对所述备选通信网络的每一接入节点进行接入测试，以获取所述备选通信网络的每一接入节点的接收信号强度和接收信号质量；

根据所述接收信号强度和接收信号质量，获取至少N个备选节点，其中，N为正整数。

作为本申请的一可选实施例，所述根据所述移动平台当前连接的网络节点的节点参数和所述备选通信网络的节点参数，判断是否接入所述备选通信网络的接入节点的步骤，包括：

对所述移动平台接入的网络节点进行监控，得到第一节点参数；

当所述第一节点参数小于预设节点参数值时，接入所述备选节点中路径损耗最小的备选节点。

作为本申请的一可选实施例，若干所述通信网络属于相同或不同的运营商。

另一方面，为解决上述技术问题，本申请还提供了一种移动平台抗弱网通信网关接入系统，包括：

预测模块，用于根据移动平台的实时信息和目标深度学习预测模型，得到预测运动路径，其中，所述实时信息包括位置信息和时间步长信息；

网络获取模块，用于根据所述预测运动路径，获取对应的若干通信网络；

网络筛选模块，用于根据每一所述通信网络的路径损耗，获取若干备选通信网络；

节点参数计算模块，用于计算所述备选通信网络的每一接入节点的节点参数；

节点接入判断模块，用于根据所述移动平台当前连接的网络节点的节点参数和所述备选通信网络的节点参数，判断是否接入所述备选通信网络的接入节点；

其中，所述节点参数包括接收信号强度和接收信号质量。

综上所述，本发明的有益效果如下：

首先，通过根据移动平台的实时信息和目标深度学习预测模型，得到预测运动路径，由于所述实时信息包括位置信息和时间步长信息，实现了移动平台移动路径的实时预测，深度学习模型具有很强的自适应能力，可以对非线性、复杂的数据进行建模，从而提高预测的准确率；随后，根据所述预测运动路径，获取对应的若干通信网络，即获得了预测运动路径上的可连接的通信网络，从而能够提前对接入通信网络进行提前规划；根据每一所述通信网络的路径损耗，获取若干备选通信网络，通过通信网络的路径损耗，在所有通信网络中进行筛选，以保证备选通信网络的通信质量；随后，通过计算所述备选通信网络的每一接入节点的节点参数，所述节点参数包括接收信号强度和接收信号质量，能够对接入节点进行筛选，保证连接和数据传输的稳定性；根据所述移动平台当前连接的网络节点的节点参数和所述备选通信网络的节点参数，判断是否接入所述备选通信网络的接入节点。

附图说明

图1为本发明所提供的一种移动平台抗弱网通信网关接入方法的流程示意图。

图2为本发明所提供的深度残差网络的结构示意图。

图3为本发明所提供的一种移动平台抗弱网通信网关接入系统的结构示意图。

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、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例1：

参照图1，为解决上述现有技术问题，本发明提供一种移动平台抗弱网通信网关接入方法，包括：

S1、根据移动平台的实时信息和目标深度学习预测模型，得到预测运动路径，其中，所述实时信息包括位置信息和时间步长信息；

具体的，所述移动平台是指装有特定设备的车辆、机器人和无人机等，装有特定设备的车辆可以是救护车，救护车在进行在线会诊时，需要传输大量的数据，包括病人的生命体征数据、医疗记录、影响数据等，因此要求网络需要具备高带宽，能够满足大规模数据的传输，并且在线会诊需要实时进行医疗咨询和交流，因此网络需要具有低延迟以及稳定性，避免数据传输终端导致医疗诊断的失败，故在本实施例中，移动平台接入的移动网络为超密集网络，超密集网络是一种新型的无线通信网络，相对于传统的无线网络，超密集网络可以通过大量的小型基站和用户设备来提高网络的容量，从而满足日益增长的数据通信需求，可以通过大量的小型基站来提高网络的覆盖率，从而实现全面覆盖和无缝漫游，由于小型基站数量多，且距离用户设备较近，因此信道质量更好，能够提供更高的数据传输速率和可靠性；

但移动平台在数据传输过程中处于移动状态，故需要不停的在超密集网络中的各个节点进行切换或者在各个不同的超密集网络之间进行切换；

故在本步骤中，首先根据移动平台的实时信息和目标深度学习预测模型，得到预测运动路径，其中，所述实时信息包括位置信息和时间步长信息，所述目标深度学习预测模型能够根据输入的实时信息，得到预测运动路径，所述位置信息包括经纬度信息，由于本步骤中对运动路径进行实时预测，所述实时信息还包括时间步长信息；

S2、根据所述预测运动路径，获取对应的若干通信网络；

在获取预测运动路径后，即可获取对应的若干通信网络，对应的通信网络即覆盖所述预测运动路径的超密集网络，对应的通信网络可通过得到的预测运动路径在5G节点信息库中获取。

在一实施例中，所述若干通信网络可属于同一运营商也可属于不同运营商。

S3、根据每一所述通信网络的路径损耗，获取若干备选通信网络；

在获取覆盖所述预测运动路径的若干通信网络后，则根据每一所述通信网络的路径损耗，对通信网络进行筛选，得到备选通信网络，备选通信网络的路径损耗小于其余的通信网络，以保证移动接入的通信网络的质量，网络路径损耗小意味着信号在传输过程中的衰减较小，可以减少信号丢失和干扰，从而提高网络的可靠性和稳定性，网络路径损耗小可以减少信号在传输过程中的延迟，从而提高数据传输的速度和效率，降低数据传输的时延。

S4、计算所述备选通信网络的每一接入节点的节点参数，其中，所述节点参数包括接收信号强度和接收信号质量；

具体的，每一备选通信网络均包括多个接入节点，为了在过个节点中筛选出接收信号强度和接收信号质量好的接入节点，本步骤中，对备选通信网络的每一接入节点进行接入测试，以计算每一所述备选通信网络每一接入节点接收信号强度和接收信号质量。

S5、根据所述移动平台当前连接的网络节点的节点参数和所述备选通信网络的节点参数，判断是否接入所述备选通信网络的接入节点；

具体的，在本实施例中，首先获取移动平台当前连接的网络节点的节点参数，记为当前节点参数，并将当前节点参数和所述备选通信网络的每一接入节点的节点参数进行对比，当备选通信网络的某一接入节点的节点参数大于所述当前节点参数时，即可接入对应的接入节点。

在一实施例中，为了实现运动路径的实时预测以及入网节点的实时规划，在所述步骤S5之后，还包括：

S6、在预设时间步长后，返回所述根据移动平台的实时信息和目标深度学习预测模型，得到预测运动路径的步骤；

具体的，目标深度学习预测模型是根据位置信息和时间步长信息进行预测，时间步长是指在数值计算中，将时间轴上的连续时间分为若干个离散的时间节点，每个时间节点之间的时间间隔就是时间步长。在时间步长内，数值计算模型对物理过程进行数值计算，得到下一个时间节点的解，并不断迭代计算，以求得时间轴上各个时间节点的解；

即目标深度学习预测模型每一次预测仅针对时间轴上的一个时间步长，当完成一次预测经过预设时间后，即达到下一个时间步长时，进行第二次预测，以此类推，以实现运动路径和入网节点的实时预测和规划；

时间步长的大小对计算结果的精度和计算效率都有很大的影响，一般来说，时间步长越小，计算结果越精确，但计算量也会增大，计算效率会降低。因此需要根据具体问题和计算资源的情况，选择适当的时间步长来进行数值计算，在本实施例中，所述预设时间和时间步长根据移动平台的移动速度以及运动路径的平均长度由用户自行确定，在此不作具体限制。

综上所述，本实施例移动平台抗弱网通信网关接入方法的有益效果如下：

首先，通过根据移动平台的实时信息和目标深度学习预测模型，得到预测运动路径，由于所述实时信息包括位置信息和时间步长信息，实现了移动平台移动路径的实时预测，深度学习模型具有很强的自适应能力，可以对非线性、复杂的数据进行建模，从而提高预测的准确率；随后，根据所述预测运动路径，获取对应的若干通信网络，即获得了预测运动路径上的可连接的通信网络，从而能够提前对接入通信网络进行提前规划；根据每一所述通信网络的路径损耗，获取若干备选通信网络，通过通信网络的路径损耗，在所有通信网络中进行筛选，以保证备选通信网络的通信质量；随后，通过计算所述备选通信网络的每一接入节点的节点参数，所述节点参数包括接收信号强度和接收信号质量，能够对接入节点进行筛选，保证连接和数据传输的稳定性；根据所述移动平台当前连接的网络节点的节点参数和所述备选通信网络的节点参数，判断是否接入所述备选通信网络的接入节点。

实施例2：

作为本申请的一可选实施例，所述根据移动平台的实时位置信息和目标深度学习预测模型，得到预测运动路径的步骤，包括：

S11、获取所述移动平台的实时信息；

S12、将所述实时信息输入所述目标深度学习预测模型，得到预测路径标识；

S13、根据所述预测路径标识，获取对应的预测运动路径。

具体的，本申请中，由于移动平台处理能力和存储能力有限，而每一预测运动路径包括路径上的经纬信息，数据量大，通过目标深度学习预测模型直接进行获取会导致预测效率降低，故在本实施例中，目标深度学习预测模型的输入为移动平台的实时信息，包括时间步长信息和位置信息，输出的是与每一预测运动路径对应的预测路径标识，在获取预测路径标识后，即可通过预测路径标识在存储于远程高性能服务器的路线库中进行检索，以获得对应的预测运动路径，从而提升预测的效率，以提升接入节点的规划效率，所述路径库可根据所述移动平台的历史数据建立。

实施例3：

作为本申请的一可选实施例，在所述根据移动平台的实时位置信息和目标深度学习预测模型，得到预测运动路径的步骤之前，所述方法还包括：

S01、根据所述运动平台的历史数据，得到第一样本数据，其中，所述第一样本数据包括经纬信息、时间步长信息、路径标识和路径详细信息；

S02、根据所述第一样本数据，对初始深度学习预测模型进行训练，得到目标深度学习预测模型；

其中，所述初始深度学习预测模型基于深度残差神经网络构建。

具体的，机器人、救护车等运动平台的运动路径通常比较固定，通过获取运动平台的历史数据，以得到第一样本数据，其中，所述历史数据包括运动平台的历史运动路径、时间步长信息以及路径详细信息，通过对历史数据进行提取并进行处理，即可获得第一样本数据，随后即可对初始深度学习预测模型进行训练，所述初始深度学习预测模型基于深度残差神经网络构建，在深度神经网络中，当网络层数增加时，梯度会逐渐消失，导致训练难度增加。残差网络通过引入跨层连接，将每一层的输入直接加到输出中，从而避免了梯度消失问题。

具体的，在本实施例中的初始深度学习预测模型基于一种具有基于后向和前向残差连接的完全连接层堆栈深度神经网络，上述神经网络的结构使用了标准的残差结构，如图2所示，其中，θf为向前传播，θb为向后传播，g_b和g_f为Stack间相互共享的变量，最后Stack层相互聚合的方式进行结果输出能有效提取隐藏层中的序列特征，即，将当前层的输出与输入相加作为下一层的输入，目的在于减少低维特征损失。在block中存在一个向前和向后传播量，向前为左侧全连接层输出，向后为右侧全连接层输出；

在对模型进行训练时，block之间会存在向前和向后传播，例如，在block1和block2之间有一个向后传播，在训练时，对block1求blcok1的输入与向后传播量的差值，同样是误差，以这个误差为局部优化量对模型进行优化。这样的作用可以使得全局最优等于局部最优，由于局部是上文和下文的差值，意味着模型能有效利用上文信息，从而提升预测的准确性。

实施例4

作为本申请的一可选实施例，所述根据所述样本数据，对初始深度学习预测模型进行训练，得到目标深度学习预测模型的步骤包括：

S021、根据预设经纬度区间，对所述第一样本数据的路径详细信息进行扩展，得到第二样本数据；

S022、根据预设比例，对所述第二样本数据进行划分，得到训练集和测试集；

S023、根据所述训练集和测试集对所述初始深度学习预测模型进行训练，得到目标深度学习预测模型。

具体的，由于在实际场景中，移动平台对于经纬度的定位本身就存在偏差，若直接使用第一样本数据进行模型训练，可能会导致预测结果不准确，故在训练前，首先根据预设经纬度区间，对所述第一样本数据的路径详细信息进行扩展，得到第二样本数据，在本实施例中，所述预设经纬度区间为（-0.0001，0.0001），相当于10米的范围，所述预设经纬度区间可根据实际情况由用户自行修改；根据上述预设经纬度生成99个随机数对路径详细信息中的经纬度进行扩充和叠加，从而得到第二样本数据，保证了预测的准确性；

随后，根据预设比例，对第二样本数据进行划分，得到训练集和测试集，使用训练集的数据来训练模型，训练所用损失函数为交叉熵损失函数，然后用测试集上的误差作为最终模型在应对现实场景中的泛化误差。有了测试集，想要验证模型的最终效果，只需将训练好的模型在测试集上计算误差，即可认为此误差即为泛化误差的近似，只需让训练好的模型在测试集上的误差最小即可，所述预设比例根据第二样本数据的量级设置，在本实施例中，所述训练集和测试集的比例为3:1。

实施例4：

作为本申请的一可选实施例，所述根据每一所述通信网络的路径损耗，获取若干备选通信网络包括：

S31、对每一所述通信网络进行链路预算计算，得到每一所述通信网络的路径损耗；

S32、根据所述路径损耗的大小，对所述通信网络进行快速排序；

S33、将路径损耗最小的通信网络作为备选通信网络；

具体的，在多数情况下，覆盖所述预测运动路径的通信网络存在多个，故在本实施例中，首先对每一所述通信网络进行链路预算计算，以得到每一通信网络的路径损耗，网络路径损耗小意味着信号在传输过程中的衰减较小，可以减少信号丢失和干扰，从而提高网络的可靠性和稳定性，网络路径损耗小可以减少信号在传输过程中的延迟，从而提高数据传输的速度和效率，降低数据传输的时延，故在获取每一通信网络的路径损耗后，根据路径损耗的大小，对通信网络进行快速排序，将路径损耗最小的通信网络作为备选通信网络。

作为本申请的一可选实施例，所述路径损耗通过如下公式进行计算：

式中，L是路径损耗，d是信号传播距离，f是信号频率，K是系统损耗因子，在自由空间中，K的值通常为92.45，计算的结果为一个2*N的矩阵

，/>

为超密集网络的标号，/>

为与之对应在当前位置的损耗。

实施例5：

作为本申请的一可选实施例，所述计算所述备选通信网络的每一接入节点的节点参数的步骤，包括：

S41、对所述备选通信网络的每一接入节点进行接入测试，以获取所述备选通信网络的每一接入节点的接收信号强度和接收信号质量；

S42、根据所述接收信号强度和接收信号质量，获取至少N个备选节点，其中，N为正整数。

具体的，备选通信网络包括多个接入节点，每一节点的接收信号强度和接收信号质量均不相同，为了筛选出信号传输效果较好的节点，首先对所述备选通信网络的每一接入节点进行接入测试，以计算所述备选通信网络的每一接入节点的接收信号强度和接收信号质量，其中，其中接收信号强度表示从节点接收到的信号的平均功率，接收信号强度越强，说明接收到的信号越好。接收信号质量表示从节点接收到的信号的信噪比，接收信号质量越高，说明接收到的信号质量越好，根据所述接收信号强度和接收信号质量，可获取至少N个备选节点，其中，N为正整数，备选节点的接收信号强度和接收信号质量高于其他接入节点的接收信号强度和接收信号质量。

实施例6

作为本申请的一可选实施例，所述根据所述移动平台当前连接的网络节点的节点参数和所述备选通信网络的节点参数，判断是否接入所述备选通信网络的接入节点的步骤，包括：

S51、对所述移动平台接入的网络节点进行监控，得到第一节点参数；

S52、当所述第一节点参数小于预设节点参数值时，接入所述备选节点中路径损耗最小的备选节点。

具体的，本实施例在实施例1的基础上进一步进行改进，实施例1的方案在当备选通信网络的某一接入节点的节点参数大于所述当前节点参数时，即可接入对应的接入节点，但是实际应用中，移动平台当前连接的接入节点的节点参数虽然低于备选节点的节点参数，但并不影响移动平台的通信，此时若进行接入节点的切换反而会影响移动平台的正常通信，故在本实施例中，首先对移动平台接入的网络节点进行监控，得到第一节点参数，在所述第一节点参数小于预设节点参数值时，接入所述备选节点中路径损耗最小的备选节点，而当第一节点参数大于等于预设节点参数值时，则不进行切换，避免了接入节点的无效切换，进而避免了数据传输的延迟、数据质量下降等缺陷。

在一实施例中，在所述步骤S52之后，所述方法还包括：

S53、当路径损耗最小的备选节点接入失败时，在N-1个备选节点中获取路径损耗最小的备选节点进行接入。

在本步骤中，当备选节点时，则顺延至下一个备选节点进行连接，避免无法连接的情况出现，保证连接的稳定性。

实施例7：

另一方面，为解决上述技术问题，本申请还提供了一种移动平台抗弱网通信网关接入系统，如图3所示，包括：

预测模块，用于根据移动平台的实时信息和目标深度学习预测模型，得到预测运动路径，其中，所述实时信息包括位置信息和时间步长信息；

网络获取模块，用于根据所述预测运动路径，获取对应的若干通信网络；

网络筛选模块，用于根据每一所述通信网络的路径损耗，获取若干备选通信网络；

节点参数计算模块，用于计算所述备选通信网络的每一接入节点的节点参数；

节点接入判断模块，用于根据所述移动平台当前连接的网络节点的节点参数和所述备选通信网络的节点参数，判断是否接入所述备选通信网络的接入节点；

其中，所述节点参数包括接收信号强度和接收信号质量。

需要说明的是，本实施例中移动平台抗弱网通信网关接入系统中各模块是与前述实施例中移动平台抗弱网通信网关接入方法中的各步骤一一对应，因此，本实施例的具体实施方式可参照前述移动平台抗弱网通信网关接入方法的实施方式，这里不再赘述。

在本发明的实施例的描述中，需要理解的是，术语“上”、“下”、“前”、“后”、“左”、“右”、“坚直”、“水平”、“中心”、“顶”、“底”、“顶部”、“底部”、“内”、“外”、“内侧”、“外侧”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了使于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。其中，“里侧”是指内部或围起来的区域或空间。“外围”是指某特定部件或特定区域的周围的区域。

在本发明的实施例的描述中，术语“第一”、“第二”、“第三”、“第四”仅用以描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”、“第三”、“第四”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。

在本发明的实施例的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“组装”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

在本发明的实施例的描述中，具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

在本发明的实施例的描述中，需要理解的是，“-”和“~”表示的是两个数值之同的范围，并且该范围包括端点。例如：“A-B”表示大于或等于A，且小于或等于B的范围。A~B''表示大于或等于A，且小于或等于B的范围。

在本发明的实施例的描述中，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (10)

1.一种移动平台抗弱网通信网关接入方法，其特征在于，包括：

根据移动平台的实时信息和目标深度学习预测模型，得到预测运动路径，其中，所述实时信息包括位置信息和时间步长信息；

根据所述预测运动路径，获取对应的若干通信网络；

根据每一所述通信网络的路径损耗，获取若干备选通信网络；

计算所述备选通信网络的每一接入节点的节点参数；

根据所述移动平台当前连接的网络节点的节点参数和所述备选通信网络的节点参数，判断是否接入所述备选通信网络的接入节点；

其中，所述节点参数包括接收信号强度和接收信号质量。

2.根据权利要求1所述的一种移动平台抗弱网通信网关接入方法，其特征在于，根据移动平台的实时位置信息和目标深度学习预测模型，得到预测运动路径的步骤，包括：

获取所述移动平台的实时信息；

将所述实时信息输入所述目标深度学习预测模型，得到预测路径标识；

根据所述预测路径标识，获取对应的预测运动路径。

3.根据权利要求1所述的一种移动平台抗弱网通信网关接入方法，其特征在于，在根据移动平台的实时位置信息和目标深度学习预测模型，得到预测运动路径的步骤之前，所述方法还包括：

根据所述运动平台的历史数据，得到第一样本数据，其中，所述第一样本数据包括经纬信息、时间步长信息、路径标识和路径详细信息；

根据所述第一样本数据，对初始深度学习预测模型进行训练，得到目标深度学习预测模型；

其中，所述初始深度学习预测模型基于深度残差神经网络构建。

4.根据权利要求3所述的一种移动平台抗弱网通信网关接入方法，其特征在于，根据样本数据，对初始深度学习预测模型进行训练，得到目标深度学习预测模型的步骤包括：

根据预设经纬度区间，对所述第一样本数据的路径详细信息进行扩展，得到第二样本数据；

根据预设比例，对所述第二样本数据进行划分，得到训练集和测试集；

根据所述训练集和测试集对所述初始深度学习预测模型进行训练，得到目标深度学习预测模型。

5.根据权利要求1所述的一种移动平台抗弱网通信网关接入方法，其特征在于，所述根据每一所述通信网络的路径损耗，获取若干备选通信网络包括：

对每一所述通信网络进行链路预算计算，得到每一所述通信网络的路径损耗；

根据所述路径损耗的大小，对所述通信网络进行快速排序；

将路径损耗最小的通信网络作为备选通信网络。

6.根据权利要求5所述的一种移动平台抗弱网通信网关接入方法，其特征在于，所述路径损耗通过如下公式进行计算：

式中，L是路径损耗（单位：dB），d是信号传播距离，f是信号频率，K是系统损耗因子。/>

7.根据权利要求1所述的一种移动平台抗弱网通信网关接入方法，其特征在于，所述计算所述备选通信网络的每一接入节点的节点参数的步骤，包括：

对所述备选通信网络的每一接入节点进行接入测试，以获取所述备选通信网络的每一接入节点的接收信号强度和接收信号质量；

根据所述接收信号强度和接收信号质量，获取至少N个备选节点，其中，N为正整数。

8.根据权利要求6所述的一种移动平台抗弱网通信网关接入方法，其特征在于，所述根据所述移动平台当前连接的网络节点的节点参数和所述备选通信网络的节点参数，判断是否接入所述备选通信网络的接入节点的步骤，包括：

对所述移动平台接入的网络节点进行监控，得到第一节点参数；

当所述第一节点参数小于预设节点参数值时，接入所述备选节点中路径损耗最小的备选节点。

9.根据权利要求1所述的一种移动平台抗弱网通信网关接入方法，其特征在于，若干所述通信网络属于相同或不同的运营商。

10.一种移动平台抗弱网通信网关接入系统，其特征在于，包括：

预测模块，用于根据移动平台的实时信息和目标深度学习预测模型，得到预测运动路径，其中，所述实时信息包括位置信息和时间步长信息；

网络获取模块，用于根据所述预测运动路径，获取对应的若干通信网络；

网络筛选模块，用于根据每一所述通信网络的路径损耗，获取若干备选通信网络；

节点参数计算模块，用于计算所述备选通信网络的每一接入节点的节点参数；

节点接入判断模块，用于根据所述移动平台当前连接的网络节点的节点参数和所述备选通信网络的节点参数，判断是否接入所述备选通信网络的接入节点；

其中，所述节点参数包括接收信号强度和接收信号质量。

Images