CN118075832A - 基于无人机的网络接入方法、装置、电子设备及存储介质 - Google Patents

Abstract

本发明属于计算机技术领域，具体涉及一种基于无人机的网络接入方法、装置、电子设备及存储介质。该方法包括：获取无人机对应于当前时间的预设网络数据，以及与无人机的当前状态相对应的网络阈值信息；在根据预设网络数据与网络阈值信息之间的比较结果，确定无人机满足网络切换条件的情况下，获取通过指标预测模型预测得到的无人机的预设网络指标数值；获取与无人机相对应的候选基站的基站指标数据，计算无人机对应于每个候选基站的预接入得分；根据每个候选基站的预接入得分，从至少两个候选基站中选择目标基站，并控制无人机接入目标基站所属的网络。该方式提升了无人机接入的成功率，避免无人机因接入网络不佳的基站而影响任务执行的问题。

Description

基于无人机的网络接入方法、装置、电子设备及存储介质

技术领域

本发明属于计算机技术领域，具体涉及一种基于无人机的网络接入方法、装置、电子设备及存储介质。

背景技术

无人机也叫无人驾驶飞机，英文缩写为“UAV”，是利用无线电遥控设备和自备的程序控制装置操纵的不载人飞机，或者也可以由车载计算机完全地或间歇地自主地操作。与有人驾驶的飞机相比，无人机往往更适合在危险或恶劣的环境中执行任务。无人机按应用领域，可分为军用无人机与民用无人机。军用方面，无人机可分为侦察机和靶机。民用方面，无人机可应用于各个行业，例如，在航拍、农业、植保、微型自拍、快递运输、灾难救援、观察野生动物、监控传染病、测绘、新闻报道、电力巡检、救灾、影视拍摄、制造浪漫等。

无人机在空中飞行时，可通过接入各种通信网络的方式进行网络通信。在相关技术中，无人机接入某一通信网络后，难以根据实际需要灵活切换至其他通信网络。

发明内容

本发明提出了一种基于无人机的网络接入方法、装置、电子设备及存储介质，用以解决现阶段无人机接入某一通信网络后，难以根据实际需要灵活切换至其他通信网络的问题。

第一方面，本公开提供了一种基于无人机的网络接入方法，包括：

获取无人机对应于当前时间的预设网络数据，以及与无人机的当前状态相对应的网络阈值信息；

在根据所述预设网络数据与所述网络阈值信息之间的比较结果，确定所述无人机满足网络切换条件的情况下，获取通过指标预测模型预测得到的所述无人机的预设网络指标数值；其中，所述指标预测模型用于根据所述无人机在历史时段内的网络数据信息，预测所述无人机在未来时段内的预设网络指标数值；

获取与所述无人机相对应的至少两个候选基站的基站指标数据，根据所述无人机的预设网络指标数值以及每个候选基站的基站指标数据，计算所述无人机对应于每个候选基站的预接入得分；

根据每个候选基站的预接入得分，从所述至少两个候选基站中选择目标基站，并控制所述无人机接入所述目标基站所属的网络。

在一种可选的实现方式中，所述无人机的当前状态根据所述无人机的位置状态、任务状态以及场景状态之间的状态组合情况确定；其中，所述位置状态用于表征无人机的当前位置，所述任务状态用于表征无人机所执行的任务的类型，所述场景状态用于表征无人机的飞行场景和/或飞行环境；

并且，所述与无人机的当前状态相对应的网络阈值信息通过以下方式确定：

查询预设的阈值映射表，从所述阈值映射表中获取与无人机的当前状态相对应的网络阈值信息；其中，阈值映射表用于存储与无人机的每种状态组合情况相对应的网络阈值。

在一种可选的实现方式中，所述无人机在历史时段内的网络数据信息包括以下中的至少一项：无人机所执行的任务的类型、无人机的位置信息、无人机的高度信息、无人机的网络相关信息；

其中，所述网络相关信息包括：网络流量、网络速率、与无人机当前接入的基站相对应的基站数据；其中，所述基站数据包括以下中的至少一项：基站位置、基站网络覆盖高度、基站传输速率、基站接入用户数、基站资源；

并且，预测得到的所述无人机在未来时段内的预设网络指标数值包括以下中的至少一项：无人机在未来时段内的网络速率、和/或传输时延；其中，所述网络速率包括：最大网络速率和/或平均网络速率。

在一种可选的实现方式中，所述指标预测模型通过以下方式训练得到：

获取无人机在第i个历史时段内的网络数据信息，以及无人机在第i+1个历史时段内的预设网络指标数值；其中，i为自然数；

根据所述第i个历史时段内的网络数据信息生成样本特征数据，根据所述第i+1个历史时段内的预设网络指标数值对所述样本特征数据进行标注；

通过标注处理后的样本特征数据训练所述指标预测模型。

在一种可选的实现方式中，所述无人机的预设网络指标数值包括：对应于多个无人机评价指标的多个无人机指标数值，所述候选基站的基站指标数据包括：对应于多个基站评价指标的多个基站指标数值；

则所述根据所述无人机的预设网络指标数值以及每个候选基站的基站指标数据，计算所述无人机对应于每个候选基站的预接入得分包括：

针对每个候选基站，确定与所述候选基站相对应的多个指标数据对；其中，所述多个指标数据对根据所述多个无人机指标数值与所述多个基站指标数值之间的对应关系确定，且每个指标数据对包含无人机指标数值以及与所述无人机指标数值相对应的基站指标数值；

针对每个指标数据对，计算与所述指标数据对相对应的指标匹配度分值，得到与每个指标数据对相对应的指标匹配度分值；

根据与多个指标数据对相对应的多个指标匹配度分值，计算所述无人机对应于该候选基站的预接入得分。

在一种可选的实现方式中，所述无人机指标数值包括：无人机高度指标数值；所述基站指标数值包括：基站覆盖高度指标数值；所述指标数据对包括：由所述无人机高度指标数值以及所述基站覆盖高度指标数值构成的指标数据对；

所述无人机指标数值包括：无人机网络速率指标数值；所述基站指标数值包括：基站网络速率指标数值；所述指标数据对包括：由所述无人机网络速率指标数值以及所述基站网络速率指标数值构成的指标数据对；

所述无人机指标数值包括：无人机时延指标数值；所述基站指标数值包括：基站时延指标数值；所述指标数据对包括：由所述无人机时延指标数值以及所述基站时延指标数值构成的指标数据对。

在一种可选的实现方式中，所述计算与所述指标数据对相对应的指标匹配度分值包括：计算所述指标数据对中的基站指标数值与所述无人机指标数值之间的比较结果，根据所述比较结果得到所述指标数据对的指标匹配度分值；

所述根据与多个指标数据对相对应的多个指标匹配度分值，计算所述无人机对应于该候选基站的预接入得分包括：获取与多个指标数据对相对应的多个指标调整权重，根据所述多个指标调整权重，对所述多个指标匹配度分值进行处理，得到所述无人机对应于该候选基站的预接入得分。

第二方面，本公开提供了一种基于无人机的网络接入装置，包括：

获取模块，用于获取用户关联数据中包含的用户基本信息数据、用户操作对象数据、以及用户操作设备数据之间的关联关系，生成多个维度的用户特征数据；

输入模块，用于将所述多个维度的用户特征数据分别输入第一预测模型以及第二预测模型；以及用于将筛选出的若干个目标特征数据再次输入所述第一预测模型以及所述第二预测模型；

输出模块，用于获取所述第一预测模型以及第二预测模型输出的每个维度的用户特征数据的特征效果筛查值；其中，所述特征效果筛查值用于表征对应的用户特征数据对预测结果的贡献度；

筛选模块，用于根据每个维度的用户特征数据的特征效果筛查值，从所述多个维度的用户特征数据中筛选出若干个目标特征数据；

预测模块，用于根据所述第一预测模型以及所述第二预测模型的输出结果，预测与所述用户关联数据相对应的用户行为。

第三方面，本公开提供了一种电子设备，包括：

至少一个处理器；以及与所述至少一个处理器通信连接的存储器；

其中，所述存储器存储有可被所述至少一个处理器执行的一个或多个计算机程序，一个或多个所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行如上述的基于无人机的网络接入方法。

第四方面，本公开提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序在被处理器执行时实现如上述的基于无人机的网络接入方法。

根据本发明提出的一种基于无人机的网络接入方法、装置、电子设备及存储介质，能够根据无人机的当前状态准确判断无人机是否满足网络切换条件，并在需要切换网络时，通过指标预测模型预测无人机的预设网络指标数值，进而根据无人机的预设网络指标数值以及每个候选基站的基站指标数据，计算无人机对应于每个候选基站的预接入得分，从而选择预接入得分较高的候选基站作为目标基站，以控制无人机接入目标基站所属的网络。由此可见，在该方式中，一方面，能够根据无人机的当前状态准确判断无人机是否满足网络切换条件；另一方面，能够在无人机实际接入某一基站之前，基于指标预测模型预测得到的无人机的预设网络指标数值，以及对应基站的基站指标数据，计算无人机接入该基站的预接入得分，由于预接入得分在根据预测的无人机的预设网络指标数值得到的，因而能够准确预判无人机接入各个基站后的网络状态(预接入得分越高则网络状态越好)，从而提升无人机接入的成功率，避免无人机因接入网络不佳的基站而影响任务执行的问题。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

附图说明

通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：

图1示出了本发明一个实施例提供的一种基于无人机的网络接入方法的流程图。

图2示出了本发明一个具体示例提供的一种基于无人机的网络接入方法的流程图。

图3示出了本发明又一实施例提供的一种基于无人机的网络接入装置的示意图。

图4示出了本发明再一实施例提供的一种电子设备的结构示意图。

具体实施方式

为使本领域的技术人员更好地理解本公开的技术方案，以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

在不冲突的情况下，本公开各实施例及实施例中的各特征可相互组合。

如本文所使用的，术语“和/或”包括一个或多个相关列举条目的任何和所有组合。

本文所使用的术语仅用于描述特定实施例，且不意欲限制本公开。如本文所使用的，单数形式“一个”和“该”也意欲包括复数形式，除非上下文另外清楚指出。还将理解的是，当本说明书中使用术语“包括”和/或“由……制成”时，指定存在所述特征、整体、步骤、操作、元件和/或组件，但不排除存在或添加一个或多个其它特征、整体、步骤、操作、元件、组件和/或其群组。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。

除非另外限定，否则本文所用的所有术语(包括技术和科学术语)的含义与本领域普通技术人员通常理解的含义相同。还将理解，诸如那些在常用字典中限定的那些术语应当被解释为具有与其在相关技术以及本公开的背景下的含义一致的含义，且将不解释为具有理想化或过度形式上的含义，除非本文明确如此限定。

图1示出了本发明一个实施例提供的一种基于无人机的网络接入方法的流程图，参照图1，该方法包括：

步骤S110：获取无人机对应于当前时间的预设网络数据，以及与无人机的当前状态相对应的网络阈值信息。

其中，无人机对应于当前时间的预设网络数据用于表征无人机在当前时间的网络状态，以便于评估无人机的当前网络质量。其中，预设网络数据可以包含多种具体内容，只要能够用于评估网络质量即可。

无人机的当前状态用于表征无人机的飞行状态、任务执行状态、网络状态等各种状态。在本申请中，预先针对无人机的多种状态设置了多个不同的网络阈值信息。相应的，在本步骤中，直接根据无人机的当前状态获取对应的网络阈值信息，以便于实现后续的判断操作。

步骤S120：在根据预设网络数据与网络阈值信息之间的比较结果，确定无人机满足网络切换条件的情况下，获取通过指标预测模型预测得到的无人机的预设网络指标数值。

其中，指标预测模型用于根据无人机在历史时段内的网络数据信息，预测无人机在未来时段内的预设网络指标数值。

其中，将预设网络数据的具体数值与网络阈值信息进行比较。其中，网络数据可能包括多个维度的数据内容，网络阈值信息也分别包括对应于多个维度的阈值。相应的，针对任一维度的网络数据，将该网络数据的具体数值与其对应维度的阈值进行比较，若该网络数据的具体数值大于(或小于)与其对应的维度的阈值，则认为无人机当前的网络情况较差，满足网络切换条件，需要执行网络切换。例如，网络数据可能包括以下维度：延迟时间、卡顿率、信号强度、网络速率等。

其中，在确定无人机满足网络切换条件的情况下，需要获取无人机的预设网络指标数值，以便于根据获取到的数值进行得分计算。其中，无人机的预设网络指标数值通过指标预测模型预测得到，用于表征无人机在未来时段内可能的网络指标情况。其中，指标预测模型用于根据无人机在历史时段内的网络数据信息，预测无人机在未来时段内的预设网络指标数值。

步骤S130：获取与无人机相对应的至少两个候选基站的基站指标数据，根据无人机的预设网络指标数值以及每个候选基站的基站指标数据，计算无人机对应于每个候选基站的预接入得分。

其中，与无人机相对应的至少两个候选基站可以是与无人机距离较近的基站。分别获取每个候选基站的基站指标数据，其中，基站指标数据用于表征基站的网络资源情况，例如，可以包括基站的空闲资源数量、基站覆盖高度、基站最大速率等。

无人机的预设网络指标数值与候选基站的基站指标数据之间的匹配度，能够表征基站与无人机之间的适配程度。若无人机的预设网络指标数值与候选基站的基站指标数据之间的匹配度越大，则表明基站与无人机之间越适配，对应的候选基站的预接入得分也越高。由此可见，每个候选基站的预接入得分用于表征无人机与基站之间的适配程度，因此，能够根据预接入得分选择较佳的基站接入。

步骤S140：根据每个候选基站的预接入得分，从至少两个候选基站中选择目标基站，并控制无人机接入目标基站所属的网络。

例如，可以选择预接入得分最高的候选基站作为目标基站。

由此可见，在该方式中，一方面，能够根据无人机的当前状态准确判断无人机是否满足网络切换条件；另一方面，能够在无人机实际接入某一基站之前，基于指标预测模型预测得到的无人机的预设网络指标数值，以及对应基站的基站指标数据，计算无人机接入该基站的预接入得分，由于预接入得分在根据预测的无人机的预设网络指标数值得到的，因而能够准确预判无人机接入各个基站后的网络状态(预接入得分越高则网络状态越好)，从而提升无人机接入的成功率，避免无人机因接入网络不佳的基站而影响任务执行的问题。

本领域技术人员还可以针对上述实施例进行各种改动和变形：

在一种可选的实现方式中，无人机的当前状态根据无人机的位置状态、任务状态以及场景状态之间的状态组合情况确定；其中，位置状态用于表征无人机的当前位置，任务状态用于表征无人机所执行的任务的类型，场景状态用于表征无人机的飞行场景和/或飞行环境。通过位置状态、任务状态以及场景状态这三种状态之间的状态组合情况，能够更加全面而准确的反映无人机的当前状态，进而确保对应的网络阈值信息更加准确。相应的，与无人机的当前状态相对应的网络阈值信息可以通过以下方式确定：查询预设的阈值映射表，从阈值映射表中获取与无人机的当前状态相对应的网络阈值信息；其中，阈值映射表用于存储与无人机的每种状态组合情况相对应的网络阈值。由此可见，通过多种状态之间的状态组合，能够更好的反映无人机的准确状态，以选出更加匹配的网络阈值。

在一种可选的实现方式中，无人机在历史时段内的网络数据信息包括以下中的至少一项：无人机所执行的任务的类型、无人机的位置信息、无人机的高度信息、无人机的网络相关信息。其中，网络相关信息包括：网络流量、网络速率、与无人机当前接入的基站相对应的基站数据；其中，基站数据包括以下中的至少一项：基站位置、基站网络覆盖高度、基站传输速率、基站接入用户数、基站资源。并且，预测得到的无人机在未来时段内的预设网络指标数值可以包括以下中的至少一项：无人机在未来时段内的网络速率、和/或传输时延；其中，网络速率可以包括：最大网络速率和/或平均网络速率。

在一种可选的实现方式中，指标预测模型可以通过以下方式训练得到：首先，获取无人机在第i个历史时段内的网络数据信息，以及无人机在第i+1个历史时段内的预设网络指标数值；其中，i为自然数。然后，根据第i个历史时段内的网络数据信息生成样本特征数据，根据第i+1个历史时段内的预设网络指标数值对样本特征数据进行标注。最后，通过标注处理后的样本特征数据训练指标预测模型。由于指标预测模型需要根据上一个历史时段内的网络数据信息，预测得到下一个历史时段内的预设网络指标数值，因此，在本实施例中，根据上一个历史时段内的网络数据信息构建样本，并根据下一个历史时段内的预设网络指标数值构建样本标注信息，从而使指标预测模型能够学习到样本以及样本标注信息之间的关联关系，进而能够基于当前的网络数据信息，预测之后的预设网络指标数值。

在一种可选的实现方式中，无人机的预设网络指标数值包括：对应于多个无人机评价指标的多个无人机指标数值，候选基站的基站指标数据包括：对应于多个基站评价指标的多个基站指标数值。其中，无人机指标数值用于表征无人机的性能和运行状态，基站指标数值用于表征基站的性能和工作状态。

相应的，可以通过以下方式计算无人机对应于每个候选基站的预接入得分：

首先，针对每个候选基站，确定与候选基站相对应的多个指标数据对。其中，多个指标数据对根据多个无人机指标数值与多个基站指标数值之间的对应关系确定，且每个指标数据对包含无人机指标数值以及与无人机指标数值相对应的基站指标数值。由于无人机指标数值与基站指标数值之间具有一定的对应关系及关联关系，因此，可以预先设置多个指标数据对。

然后，针对每个指标数据对，计算与指标数据对相对应的指标匹配度分值，得到与每个指标数据对相对应的指标匹配度分值。其中，指标匹配度分值用于表征该指标数据对中的无人机指标数值与基站指标数值之间的匹配程度，若该指标数据对中的无人机指标数值与基站指标数值之间的匹配程度越高，则对应的指标匹配度分值也越大；反之，若该指标数据对中的无人机指标数值与基站指标数值之间的匹配程度越低，则对应的指标匹配度分值也越小。

最后，根据与多个指标数据对相对应的多个指标匹配度分值，计算无人机对应于该候选基站的预接入得分。例如，可以针对同一个候选基站对应的多个指标匹配度分值执行预设运算，从而得到无人机对应于该候选基站的预接入得分。

由此可见，该方式通过预先构造多个指标数据对，能够从多个不同维度更好的衡量无人机与某一基站之间的匹配程度，进而使预接入得分更加合理。

在一种可选的实现方式中，无人机指标数值包括：无人机高度指标数值；基站指标数值包括：基站覆盖高度指标数值；指标数据对包括：由无人机高度指标数值以及基站覆盖高度指标数值构成的指标数据对。

在一种可选的实现方式中，无人机指标数值包括：无人机网络速率指标数值；基站指标数值包括：基站网络速率指标数值；指标数据对包括：由无人机网络速率指标数值以及基站网络速率指标数值构成的指标数据对。

在一种可选的实现方式中，无人机指标数值包括：无人机时延指标数值；基站指标数值包括：基站时延指标数值；指标数据对包括：由所述无人机时延指标数值以及基站时延指标数值构成的指标数据对。

在一种可选的实现方式中，通过以下方式计算与指标数据对相对应的指标匹配度分值：计算指标数据对中的基站指标数值与无人机指标数值之间的比较结果，根据比较结果得到指标数据对的指标匹配度分值。相应的，在根据与多个指标数据对相对应的多个指标匹配度分值，计算无人机对应于该候选基站的预接入得分时，可以通过以下方式实现：获取与多个指标数据对相对应的多个指标调整权重，根据多个指标调整权重，对多个指标匹配度分值进行处理，得到无人机对应于该候选基站的预接入得分。

下面以一个具体示例为例，详细介绍本实施例中的基于无人机的网络接入方法。

在无人机移动网络接入领域，通常可以借助如下几种技术实现无人机的网络接入：

(1)卫星通信网络：卫星通信网络是一种通过卫星进行数据传输的技术。卫星通信网络可以覆盖广泛的地理区域，包括偏远地区和海洋等地方，为无人机提供全球范围内的通信能力。在无人机移动网络接入方面，卫星通信网络具有覆盖范围广、适用于遥远地区的优势。然而，由于卫星通信的传输延迟较高，可能不适用于对实时性要求较高的应用场景，例如无人机的紧急救援。

(2)移动通信网络：移动通信网络是目前最常用的无人机移动网络接入方式之一。无人机可以通过移动通信网络，如4G和5G网络，实现与地面站点之间的通信。这种方式适用于需要较高实时性和较大带宽的无人机应用，如高清图像传输、实时视频监控等。移动通信网络的基站分布较为密集，可以在城市和人口密集区域提供稳定的网络接入。然而，移动通信网络在一些偏远地区的覆盖可能不够完善。

(3)无线Mesh网络：无线Mesh网络是一种分布式网络拓扑，其中各个节点可以直接与周围的节点相连，形成一个多跳的网络结构。在无人机移动网络接入中，无人机可以作为节点之一，通过与其他无人机或地面节点进行通信，构建一个灵活的、自组织的网络。无线Mesh网络具有一定的自适应性，可以在灾难救援、紧急通信等场景下为无人机提供临时的网络接入。然而，由于网络结构的动态性，需要解决节点连接稳定性和传输延迟等问题。

上述的几种网络接入技术都存在各自的缺陷，具体如下：

(1)卫星通信网络：

高延迟：卫星通信网络的传输延迟较高，由于信号需要在地球与卫星之间进行往返，可能导致实时性较差，不适用于某些需要即时反馈的应用，如紧急救援和实时监控。成本昂贵：卫星的设计、制造和发射成本较高，而且维护和运营也需要大量资金。这可能导致卫星通信服务的成本较高，不适用于一些低预算的无人机应用。天气影响：不良的天气条件如暴风雨、云层等可能影响卫星信号的传输稳定性，从而导致通信中断或不稳定。

(2)移动通信网络：

覆盖局限性：移动通信网络在一些偏远地区的覆盖可能不够完善，导致无人机无法获得稳定的网络接入。特别是在野外、山区或海洋等地方，网络覆盖可能会受限。网络拥堵：在人口密集区域或高峰时段，移动通信网络可能会出现拥堵现象，导致网络速率下降，无人机的数据传输受到影响。信号干扰：移动通信网络可能受到其他设备的信号干扰，特别是在拥挤的无线环境中，信号质量和稳定性可能会受到影响。

(3)无线Mesh网络：

节点稳定性：无线Mesh网络的节点连接是动态的，节点之间的连接可能不够稳定，特别是在移动性较强的无人机应用中，可能会导致连接中断和信号不稳定。网络复杂性：无线Mesh网络需要大量节点之间的协作和路由管理，网络拓扑较为复杂，维护和管理困难，可能需要更多的网络规划和配置工作。传输延迟：由于数据需要经过多跳传输，无线Mesh网络的传输延迟相对较高，不适用于对实时性要求较高的应用场景。

由此可见，上述技术在实际应用中都存在一定的局限性，因此需要根据无人机的具体需求和应用环境来选择合适的技术和方法。本示例提供的基于匹配率的无人机移动网络接入方法，旨在综合考虑多种因素，提高网络接入的效率和稳定性，弥补现有技术的一些不足之处。本示例的方法在无人机应用领域具有广泛的实用价值，能够为无人机提供高效、稳定的移动网络接入服务。本示例的方式具备如下优点：(1)通过深度分析多个关键因素，综合考虑无人机的网络需求和基站提供的网络资源，从而提高了在每个基站下的预接入得分计算的准确性和灵活性。(2)可以根据实际需求调节权重系数，使得该方法能够适用于不同类型、不同场景下的无人机应用，具有较强的适用性。(3)在无人机网络切换之前进行预接入得分的计算，可降低网络切换次数，提高网络接入的稳定性和可靠性。

本示例提出了一种无人机网络接入预测新方法，图2示出了该基于无人机的网络接入方法的流程示意图，如图2所示，该方法包括以下步骤：

步骤S201：根据无人机在历史时段内的网络数据信息，以及无人机在历史时段内的预设网络指标数值，训练指标预测模型。

其中，该指标预测模型用于预测无人机的预设网络指标数值。具体的，获取无人机和基站的历史数据，根据一定时期内区域内的所有无人机，获取到每个无人机的历史网络指标数据。其中，无人机的历史网络指标数据(即无人机在历史时段内的网络数据信息)包括：无人机所执行的具体飞行任务类型、无人机设备的位置信息、高度信息、网络质量、使用流量等。另外，根据一定时期内区域内的所有无人机，获取到无人机接入基站的基站数据。其中，基站数据包括：基站位置、基站网络覆盖高度、基站最大传输速率、基站最大接入用户数、基站当前使用资源、基站剩余资源等。

相应的，根据无人机的历史网络指标数据，建立多个无人机网络指标预测模型，预测无人机下一时刻的网络指标数据。其中，所述多个指标预测模型可以包括：无人机需求最大速率预测模型和无人机需求平均速率预测模型。具体的，结合无人机在飞行过程中的实际情况，历史网络指标中部分数据可进一步提取出：最大网络速率、平均网络速率。

根据上述无人机的历史网络指标数据，以最大网络速率为例，先对历史网络数据按照时间先后顺序进行排序，以无人机历史数据中每条记录的任务类型、最大网络速率作为训练样本，以训练样本之后一条记录的最大网络速率作为训练样本标签，建立基于时间序列的预测模型A，该基于时间序列的预测模型可以采用目前机器学习领域普遍适用的有监督算法实现。

同样的，以平均网络速率为例，先对历史网络数据按照时间先后顺序进行排序，以无人机历史数据中每条记录的任务类型、平均网络速率作为训练样本，以训练样本之后一条记录的平均网络速率作为训练样本标签，建立基于时间序列的预测模型B，该基于时间序列的预测模型可以采用目前机器学习领域普遍适用的有监督算法实现。

示例性的，基于时间序列的预测模型可以选择LSTM(Long Short-Term Memory)模型，按照时序特征将无人机的任务类型、网络速率输入到模型的单元中去，通过每个单元对时序数据特征的提取和记忆信息的融合，最终得到每个无人机在下一个时间周期内的网络速率数据。

步骤S202：获取无人机对应于当前时间的预设网络数据，以及与无人机的当前状态相对应的网络阈值信息。

步骤S203：根据预设网络数据与网络阈值信息之间的比较结果，判断无人机是否满足网络切换条件。

根据无人机的当前数据，确定网络阈值，以在无人机满足网络切换条件的情况下，发送网络连接请求，从而实现网络切换。

其中，无人机根据自身的位置信息、任务类型、所处场景、时延信息，根据不同场景下在网络数据低于网络阈值的时候，发送网络连接请求。

网络阈值表示随着无人机的移动，当网络指标超过某一个值时，网络状态会发生变化，如果无人机继续接入该网络，会出现卡顿、信号弱、网络速率不佳等问题。具体的网络阈值可以参考：RSRP(Reference S i gna l Rece i v i ng Power，参考信号接收功率)、SI NR(S i gna l to I nterference p l us No i se Rat i o，信号与干扰加噪声比)、CIO(Ce l l I nd i v i dua l Offset：邻区的特定小区偏置)中的某一个值或者多个值综合决定，具体需结合无人机进行设置，例如当RSRP<-110dbm，表示网络状态为极差，则可以对应的将网络阈值设置为：RSRP～-110dbm。

其中，任务类型为无人机所执行的具体飞行任务类型，包括但不限于：视频拍摄、直播、监控巡逻、应急通信等。受限于不同的场景下，无人机对于网络的需求不同，将根据任务类型确定对应的网络阈值。

其中，场景为无人机飞行中的具体场景，包括但不限于：山区、园区、村庄、城市、湖泊等。受限于不同的场景下，无人机对于网络的需求不同，将根据场景确定对应的网络阈值。

具体的，对应的网络阈值调整对应表1所示(以任务类型下RSRP为例)：

表1

任务类型	网络阈值(以1为标准)	举例RSRP
			视频拍摄(不回传)	1.1	-110dbm
直播	0.9～0.95	-90dbm～-95dbm
			监控巡逻	0.95～1	-95dbm～-100dbm
应急通信	1～1.1	-100dbm～-110dbm
			……	……	……

表2以具体场景下RSRP为例：

表2

具体场景	网络阈值(以1为标准)	举例RSRP
			山区、湖泊	1～1.1	-100dbm～-110dbm
园区	0.95～1	-95dbm～-100dbm
			村庄	1	-100dbm
城市	0.9～0.95	-90dbm～-95dbm
			……	……	……

步骤S204：在确定无人机满足网络切换条件的情况下，获取通过指标预测模型预测得到的无人机的预设网络指标数值。

具体的，可以根据无人机的最新一条记录的任务类型、最大网络速率、平均网络速率，通过上文提到的预测模型A和预测模型B分别对无人机未来的最大网络速率和平均网络速率进行预测。

步骤S205：获取与无人机相对应的至少两个候选基站的基站指标数据，根据无人机的预设网络指标数值以及每个候选基站的基站指标数据，计算无人机对应于每个候选基站的预接入得分。

具体的，根据无人机下一时刻的网络指标数据和基站当前时刻的网络资源，计算无人机的预接入得分。

根据无人机下一时刻的网络指标数据和基站当前时刻的网络资源，以无人机周边一定范围(假设800米内)的基站为目标，计算在每个基站下的预接入得分。预接入得分是评估每个基站与无人机之间适配程度的指标，其值越大表示基站与无人机的网络需求越适配。

预接入得分的计算涉及多个关键因素，包括基站当前空闲资源、基站当前覆盖高度、无人机当前高度、基站当前最大速率、无人机下一时刻需求最大速率、无人机下一时刻需求平均速率等。为了更好地综合考虑这些因素，本示例引入权重系数k1、k2和k3，分别用于调节不同因素在匹配率计算中的重要性。

其中，可以通过如下公式计算无人机相对于一个基站的预接入得分，也叫匹配率：

其中，C_空闲1表示基站空闲可接入用户数，M表示可接入用户数的单位标准(在无人机场景下，此处默认为1用户)，H_基表示基站最大覆盖高度，H_无表示无人机当前高度；C_空闲2表示基站空闲可使用速率(单位是Mbps)，N表示基站速率的单位标准(在无人机场景下，此处默认为10Mbps)，G_基表示基站当前最大速率，G_无表示无人机下一时刻需求最大速率；A_基表示基站平均速率，A_无表示无人机下一时刻需求平均速率。此外，K1+K2+K3＝1。其中，H_基和H_无构成一组指标数据对，G_基和G_无构成一组指标数据对，A_基和A_无构成一组指标数据对。

需要说明的是，考虑到基站空闲资源对预接入得分的影响。基站空闲资源越多，表示基站提供网络服务的能力越强，能够为无人机提供更大的网络带宽。因此，在预接入得分计算中，将基站空闲资源与无人机的网络需求进行比较，空闲资源越大，对预接入得分的贡献越大。

其次，考虑基站覆盖高度对预接入得分的影响。基站覆盖高度决定了基站信号在空中的传播范围，对于无人机的高空飞行而言，基站覆盖高度应该能够覆盖到无人机所在的高度范围，以保证信号的稳定传输。

最后，考虑基站的最大速率、平均速率对预接入得分的影响。基站的最大速率表示基站能够提供的最大网络传输速率，而无人机的需求最大速率表示无人机在某些特定场景下所需的最大网络传输速率。基站的平均速率表示基站能够提供的网络平均传输速率，无人机的平均速率表示无人机在飞行过程中的稳定网络传输速率。

综合以上三个因素，并根据权重系数k1、k2和k3的设定，可以得到无人机在每个基站下的预接入得分。预接入得分越高的基站，表示其更适合满足无人机的网络需求，从而成为优先选择的基站进行网络接入。

需要说明的是，除了上文提到的各类参数之外，在预接入得分的计算过程中，还可以考虑基站和无人机的时延数据，根据基站和无人机的时延数据之间的匹配度，确定最终的预接入得分。

步骤S206：根据每个候选基站的预接入得分，从至少两个候选基站中选择目标基站，并控制无人机接入目标基站所属的网络。

具体的，在计算得到无人机在每个基站下的预接入得分后，可以选择预接入得分最高的基站作为无人机的网络接入基站。其中，预接入得分最高的基站意味着其在网络覆盖范围、资源供给和网络速率等方面都能够更好地满足无人机的需求。

另外，在选择预接入得分最高的基站时，还可以考虑基站之间的距离。如果有多个基站的预接入得分相近，可以选择距离无人机当前位置最近的基站作为接入基站。这样做可以减少网络传输延迟，提高网络接入的效率和稳定性。

由此可见，本示例提出了一种无人机网络接入预测的新方法。具体包括以下内容：获取无人机和基站的历史数据；根据无人机的历史网络指标数据，建立多个无人机网络指标预测模型，预测无人机下一时刻的网络指标数据；根据无人机的当前数据，确定网络阈值，发送网络连接请求；根据无人机下一时刻的网络指标数据和所述基站当前时刻的网络资源，计算无人机接入预得分；无人机选择匹配率最高的基站接入。

图3示出了本发明又一个实施例提供的一种基于无人机的网络接入装置的示意图。参照图3，包括：

获取模块31，适于获取无人机对应于当前时间的预设网络数据，以及与无人机的当前状态相对应的网络阈值信息；

预测模块32，适于在根据所述预设网络数据与所述网络阈值信息之间的比较结果，确定所述无人机满足网络切换条件的情况下，获取通过指标预测模型预测得到的所述无人机的预设网络指标数值；其中，所述指标预测模型用于根据所述无人机在历史时段内的网络数据信息，预测所述无人机在未来时段内的预设网络指标数值；

计算模块33，适于获取与所述无人机相对应的至少两个候选基站的基站指标数据，根据所述无人机的预设网络指标数值以及每个候选基站的基站指标数据，计算所述无人机对应于每个候选基站的预接入得分；

接入模块34，适于根据每个候选基站的预接入得分，从所述至少两个候选基站中选择目标基站，并控制所述无人机接入所述目标基站所属的网络。

在一种可选的实现方式中，所述无人机的当前状态根据所述无人机的位置状态、任务状态以及场景状态之间的状态组合情况确定；其中，所述位置状态用于表征无人机的当前位置，所述任务状态用于表征无人机所执行的任务的类型，所述场景状态用于表征无人机的飞行场景和/或飞行环境；

并且，所述与无人机的当前状态相对应的网络阈值信息通过以下方式确定：

查询预设的阈值映射表，从所述阈值映射表中获取与无人机的当前状态相对应的网络阈值信息；其中，阈值映射表用于存储与无人机的每种状态组合情况相对应的网络阈值。

在一种可选的实现方式中，所述无人机在历史时段内的网络数据信息包括以下中的至少一项：无人机所执行的任务的类型、无人机的位置信息、无人机的高度信息、无人机的网络相关信息；

其中，所述网络相关信息包括：网络流量、网络速率、与无人机当前接入的基站相对应的基站数据；其中，所述基站数据包括以下中的至少一项：基站位置、基站网络覆盖高度、基站传输速率、基站接入用户数、基站资源；

并且，预测得到的所述无人机在未来时段内的预设网络指标数值包括以下中的至少一项：无人机在未来时段内的网络速率、和/或传输时延；其中，所述网络速率包括：最大网络速率和/或平均网络速率。

在一种可选的实现方式中，所述指标预测模型通过以下方式训练得到：

获取无人机在第i个历史时段内的网络数据信息，以及无人机在第i+1个历史时段内的预设网络指标数值；其中，i为自然数；

根据所述第i个历史时段内的网络数据信息生成样本特征数据，根据所述第i+1个历史时段内的预设网络指标数值对所述样本特征数据进行标注；

通过标注处理后的样本特征数据训练所述指标预测模型。

在一种可选的实现方式中，所述无人机的预设网络指标数值包括：对应于多个无人机评价指标的多个无人机指标数值，所述候选基站的基站指标数据包括：对应于多个基站评价指标的多个基站指标数值；

则所述计算模块具体用于：

针对每个候选基站，确定与所述候选基站相对应的多个指标数据对；其中，所述多个指标数据对根据所述多个无人机指标数值与所述多个基站指标数值之间的对应关系确定，且每个指标数据对包含无人机指标数值以及与所述无人机指标数值相对应的基站指标数值；

针对每个指标数据对，计算与所述指标数据对相对应的指标匹配度分值，得到与每个指标数据对相对应的指标匹配度分值；

根据与多个指标数据对相对应的多个指标匹配度分值，计算所述无人机对应于该候选基站的预接入得分。

在一种可选的实现方式中，所述无人机指标数值包括：无人机高度指标数值；所述基站指标数值包括：基站覆盖高度指标数值；所述指标数据对包括：由所述无人机高度指标数值以及所述基站覆盖高度指标数值构成的指标数据对；

所述无人机指标数值包括：无人机网络速率指标数值；所述基站指标数值包括：基站网络速率指标数值；所述指标数据对包括：由所述无人机网络速率指标数值以及所述基站网络速率指标数值构成的指标数据对；

所述无人机指标数值包括：无人机时延指标数值；所述基站指标数值包括：基站时延指标数值；所述指标数据对包括：由所述无人机时延指标数值以及所述基站时延指标数值构成的指标数据对。

在一种可选的实现方式中，所述计算模块具体用于：计算所述指标数据对中的基站指标数值与所述无人机指标数值之间的比较结果，根据所述比较结果得到所述指标数据对的指标匹配度分值；获取与多个指标数据对相对应的多个指标调整权重，根据所述多个指标调整权重，对所述多个指标匹配度分值进行处理，得到所述无人机对应于该候选基站的预接入得分。

图4示出了本发明又一实施例提供的一种电子设备的结构示意图，本发明具体实施例并不对电子设备的具体实现做限定。参照图4，该电子设备包括：

至少一个处理器401；与至少一个处理器通信连接的存储器402；通信接口403；以及通信总线404。

其中：

处理器401、存储器402、以及通信接口403通过通信总线404完成相互间的通信。

通信接口403，用于与其它设备比如客户端或其它服务器等的网元通信。

存储器402存储有可被至少一个处理器401执行的一个或多个计算机程序405，一个或多个计算机程序405被上述至少一个处理器401执行，以使至少一个处理器401能够执行如上述的通信对讲方法实施例中对应的各项操作。

本申请实施例又一提供了一种非易失性计算机存储介质，所述计算机存储介质存储有至少一可执行指令，该计算机可执行指令可执行上述任意方法实施例中的虚拟场景中的对象加载方法。可执行指令具体可以用于使得处理器执行上述方法实施例中对应的各个操作。

本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统、装置中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。在硬件实施方式中，在以上描述中提及的功能模块/单元之间的划分不一定对应于物理组件的划分；例如，一个物理组件可以具有多个功能，或者一个功能或步骤可以由若干物理组件合作执行。某些物理组件或所有物理组件可以被实施为由处理器，如中央处理器、数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读存储介质上，计算机可读存储介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。

如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息(诸如计算机可读程序指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM)、静态随机存取存储器(SRAM)、闪存或其他存储器技术、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读程序指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。

这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。

用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(I SA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Sma l l ta l k、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。

这里所描述的计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一个可选实施例中，所述计算机程序产品具体体现为计算机存储介质，在另一个可选实施例中，计算机程序产品具体体现为软件产品，例如软件开发包(Software Deve l opment Ki t，SDK)等等。

这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。

这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。

也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。

附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

本文已经公开了示例实施例，并且虽然采用了具体术语，但它们仅用于并仅应当被解释为一般说明性含义，并且不用于限制的目的。在一些实例中，对本领域技术人员显而易见的是，除非另外明确指出，否则可单独使用与特定实施例相结合描述的特征、特性和/或元素，或可与其他实施例相结合描述的特征、特性和/或元件组合使用。因此，本领域技术人员将理解，在不脱离由所附的权利要求阐明的本公开的范围的情况下，可进行各种形式和细节上的改变。

Claims (10)

1.一种基于无人机的网络接入方法，其特征在于，包括：

获取无人机对应于当前时间的预设网络数据，以及与无人机的当前状态相对应的网络阈值信息；

在根据所述预设网络数据与所述网络阈值信息之间的比较结果，确定所述无人机满足网络切换条件的情况下，获取通过指标预测模型预测得到的所述无人机的预设网络指标数值；其中，所述指标预测模型用于根据所述无人机在历史时段内的网络数据信息，预测所述无人机在未来时段内的预设网络指标数值；

获取与所述无人机相对应的至少两个候选基站的基站指标数据，根据所述无人机的预设网络指标数值以及每个候选基站的基站指标数据，计算所述无人机对应于每个候选基站的预接入得分；

根据每个候选基站的预接入得分，从所述至少两个候选基站中选择目标基站，并控制所述无人机接入所述目标基站所属的网络。

2.根据权利要求1所述的方法，其特征在于，所述无人机的当前状态根据所述无人机的位置状态、任务状态以及场景状态之间的状态组合情况确定；其中，所述位置状态用于表征无人机的当前位置，所述任务状态用于表征无人机所执行的任务的类型，所述场景状态用于表征无人机的飞行场景和/或飞行环境；

并且，所述与无人机的当前状态相对应的网络阈值信息通过以下方式确定：

查询预设的阈值映射表，从所述阈值映射表中获取与无人机的当前状态相对应的网络阈值信息；其中，阈值映射表用于存储与无人机的每种状态组合情况相对应的网络阈值。

3.根据权利要求2所述的方法，其特征在于，所述无人机在历史时段内的网络数据信息包括以下中的至少一项：无人机所执行的任务的类型、无人机的位置信息、无人机的高度信息、无人机的网络相关信息；

其中，所述网络相关信息包括：网络流量、网络速率、与无人机当前接入的基站相对应的基站数据；其中，所述基站数据包括以下中的至少一项：基站位置、基站网络覆盖高度、基站传输速率、基站接入用户数、基站资源；

并且，预测得到的所述无人机在未来时段内的预设网络指标数值包括以下中的至少一项：无人机在未来时段内的网络速率、和/或传输时延；其中，所述网络速率包括：最大网络速率和/或平均网络速率。

4.根据权利要求3所述的方法，其特征在于，所述指标预测模型通过以下方式训练得到：

获取无人机在第i个历史时段内的网络数据信息，以及无人机在第i+1个历史时段内的预设网络指标数值；其中，i为自然数；

根据所述第i个历史时段内的网络数据信息生成样本特征数据，根据所述第i+1个历史时段内的预设网络指标数值对所述样本特征数据进行标注；

通过标注处理后的样本特征数据训练所述指标预测模型。

5.根据权利要求1-4任一所述的方法，其特征在于，所述无人机的预设网络指标数值包括：对应于多个无人机评价指标的多个无人机指标数值，所述候选基站的基站指标数据包括：对应于多个基站评价指标的多个基站指标数值；

则所述根据所述无人机的预设网络指标数值以及每个候选基站的基站指标数据，计算所述无人机对应于每个候选基站的预接入得分包括：

针对每个候选基站，确定与所述候选基站相对应的多个指标数据对；其中，所述多个指标数据对根据所述多个无人机指标数值与所述多个基站指标数值之间的对应关系确定，且每个指标数据对包含无人机指标数值以及与所述无人机指标数值相对应的基站指标数值；

针对每个指标数据对，计算与所述指标数据对相对应的指标匹配度分值，得到与每个指标数据对相对应的指标匹配度分值；

根据与多个指标数据对相对应的多个指标匹配度分值，计算所述无人机对应于该候选基站的预接入得分。

6.根据权利要求5所述的方法，其特征在于，所述无人机指标数值包括：无人机高度指标数值；所述基站指标数值包括：基站覆盖高度指标数值；所述指标数据对包括：由所述无人机高度指标数值以及所述基站覆盖高度指标数值构成的指标数据对；

所述无人机指标数值包括：无人机网络速率指标数值；所述基站指标数值包括：基站网络速率指标数值；所述指标数据对包括：由所述无人机网络速率指标数值以及所述基站网络速率指标数值构成的指标数据对；

所述无人机指标数值包括：无人机时延指标数值；所述基站指标数值包括：基站时延指标数值；所述指标数据对包括：由所述无人机时延指标数值以及所述基站时延指标数值构成的指标数据对。

7.根据权利要求6所述的方法，其特征在于，所述计算与所述指标数据对相对应的指标匹配度分值包括：计算所述指标数据对中的基站指标数值与所述无人机指标数值之间的比较结果，根据所述比较结果得到所述指标数据对的指标匹配度分值；

所述根据与多个指标数据对相对应的多个指标匹配度分值，计算所述无人机对应于该候选基站的预接入得分包括：获取与多个指标数据对相对应的多个指标调整权重，根据所述多个指标调整权重，对所述多个指标匹配度分值进行处理，得到所述无人机对应于该候选基站的预接入得分。

8.一种基于无人机的网络接入装置，其特征在于，包括：

获取模块，适于获取无人机对应于当前时间的预设网络数据，以及与无人机的当前状态相对应的网络阈值信息；

预测模块，适于在根据所述预设网络数据与所述网络阈值信息之间的比较结果，确定所述无人机满足网络切换条件的情况下，获取通过指标预测模型预测得到的所述无人机的预设网络指标数值；其中，所述指标预测模型用于根据所述无人机在历史时段内的网络数据信息，预测所述无人机在未来时段内的预设网络指标数值；

计算模块，适于获取与所述无人机相对应的至少两个候选基站的基站指标数据，根据所述无人机的预设网络指标数值以及每个候选基站的基站指标数据，计算所述无人机对应于每个候选基站的预接入得分；

接入模块，适于根据每个候选基站的预接入得分，从所述至少两个候选基站中选择目标基站，并控制所述无人机接入所述目标基站所属的网络。

9.一种电子设备，其特征在于，包括：

至少一个处理器；以及与所述至少一个处理器通信连接的存储器；

其中，所述存储器存储有可被所述至少一个处理器执行的一个或多个计算机程序，一个或多个所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1-7任一所述的方法。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序在被处理器执行时实现如权利要求1-7任一所述的方法。