基于移動用戶位置預測的垂直切換算法

摘要：針對異構無線網絡環境中現有垂直切換算法存在難以實現移動用戶接入網絡的無縫切換，無法向用戶提供穩定通信服務的問題，提出一種基于移動用戶位置預測的垂直切換算法。首先利用用戶移動軌跡的相似性，使用用戶軌跡數據離線訓練LSTM模型以學習各用戶普遍具有的移動規律；然后在線加載LSTM模型進行用戶位置預測，從而使用模糊邏輯分析計算下一時刻用戶對應候選網絡的回報值，并選取回報值最高的網絡進行切換。實驗結果表明，該算法與已有垂直切換算法相比，在不同的用戶移動速度和用戶規模條件下的切換次數、切換失敗次數和切換時延均有明顯下降，內存消耗較低，能夠實現無縫切換。

關鍵詞：垂直切換；LSTM；模糊邏輯；異構網絡

中圖分類號：TP393文獻標志碼：A

文章編號：1001-3695（2022）08-033-2438-05

doi：10.19734/j.issn.1001-3695.2022.01.0007

Vertical handoff algorithm based on mobile user location prediction

Meng Lei1， Tang Xin2， Xu Yanyan1

（1.State Key Laboratory of Information Engineering in Surveying， Mapping amp; Remote Sensing， Wuhan University， Wuhan 430079，China; 2.Kunming Institute of Physics， Kunming 650223， China）

Abstract：Most existing vertical handoff algorithms cannot realize seamless handoff and provide stable communication services for mobile users in heterogeneous wireless networks. In order to solve the above problems， this paper proposed a vertical handoff algorithm based on mobile user location prediction. Firstly， using the similar regular characteristics of the mobile trajectories of each user， the algorithm trained the long short term memory（LSTM） model offline and used it to predict the location of each mobile user at the next moment online， and estimated the multi-attribute parameters of the future networks. After that， the algorithm used fuzzy logic to analyze the return set of all optional networks under the condition of multi-attribute parameters， and selected the network with the highest return in order to complete the handoff decision. The experimental results show that the proposed algorithm has better handover performance than the existing handover algorithms in terms of the number of handoff， the number of handoff failures， switching time and memory resource consumption under different mobile speeds and the scale of users. In conclusion， it can realize seamless handoff in heterogeneous wireless networks.

Key words：vertical switching; LSTM; fuzzy logic; heterogeneous network

0引言

用戶在蜂窩移動通信網絡和局域網（wireless local area network，WLAN）等異構無線網絡的覆蓋區域間移動時會較頻繁地切換網絡，導致通信的穩定性難以得到保障［1］。垂直切換是指當前接入網絡和目標接入網絡異構時發生的切換，高效的垂直切換算法是實現移動用戶在異構無線網絡間無縫切換的必要前提，也是向用戶提供穩定通信服務［2］的重要保障。

基于干擾信噪比（signal to interference plus noise ratio，SINR）［3～5］的垂直切換算法選取SINR值最高的網絡進行切換，但可能導致用戶在SINR值相近的多個網絡間頻繁切換，影響網絡服務質量。基于多屬性決策理論的垂直切換算法將垂直切換過程抽象為多屬性決策過程，基于各網絡的屬性值參數，利用模糊邏輯方法進行綜合評判以輔助切換決策，從而避免頻繁切換［6，7］，但在用戶移動過程中難以提供準確位置預測結果，無法提前為用戶預留切換資源，可能導致用戶由于資源不足而切換失敗，增加了不必要的切換次數，因此對切換性能的提升有限。基于馬爾可夫模型進行位置預測以輔助垂直切換［8］的方法可以提供用戶位置預測信息以輔助切換，但在異構無線網絡環境下其狀態空間規模隨著網絡數目的增加而急劇增大，導致計算復雜度急劇增加，從而增大預測延遲、降低切換性能。基于個性化位置預測的垂直切換算法［9］針對每個用戶建立長短期記憶 （long short term memory，LSTM）模型，學習用戶移動規律并進行個性化位置預測以輔助切換，可以避免計算復雜度隨網絡數目增加而急劇增大［10］，但消耗的內存等計算成本隨著用戶數量增加而線性增加，在多用戶場景中不具備應用可行性。綜上，現有垂直切換算法在異構無線網絡環境中存在難以實現移動用戶接入網絡的無縫切換，無法向用戶提供穩定通信服務的問題。

本文提出一種基于移動用戶位置預測的垂直切換算法，結合用戶移動軌跡的相似性［11～13］，將用戶個性化位置預測轉換為面向所有用戶的位置預測，以此來降低用戶位置預測的計算成本；其次，對移動用戶的歷史移動軌跡進行網格化預處理，以降低LSTM位置預測難度并提高預測準確度；之后，使用訓練好的LSTM模型在線預測用戶的下一時刻位置，利用模糊邏輯方法分析該位置對應的各網絡屬性參數，選取未來最為優質的網絡進行切換，從而為用戶提供穩定的網絡服務。

1模型框架

本文所提出的基于移動用戶位置預測的垂直切換算法借鑒了SDN（software defined network）架構的集中控制器［14］設計，將LSTM模型和模糊邏輯控制器部署于集中控制器中，解決了LSTM模型對運算能力的要求，同時使得模糊邏輯控制器能夠充分地利用全局網絡屬性參數信息輔助切換判決。在離線訓練中收集仿真網絡中的用戶移動軌跡信息，對軌跡信息進行網格化預處理后作為數據集來訓練LSTM模型。

以圖1所示的異構網絡場景為例，描述本文算法處理網絡切換問題的線上模型框架。其中4G網絡實現廣域覆蓋，WLAN網絡則提供小范圍內較高數據傳輸速率的網絡服務，用戶在異構網絡中移動，不斷切換至新的網絡。集中控制器加載已利用所采集的用戶歷史移動數據集離線訓練出的LSTM模型，線上實時切換步驟如下：a）采集信息，集中控制器周期性采集用戶的位置、移動速度，以便進行位置預測；b）位置預測，集中控制器將實時采集到的用戶信息與用戶的歷史軌跡信息相結合，網格化預處理后輸入到離線訓練完成的LSTM模型中，預測下一時刻用戶所處的位置；c）估算網絡的參數，利用預測的位置信息結果，估算出下一時刻候選網絡的接收信號強度、多普勒頻移等網絡多屬性參數；d）網絡多屬性參數處理，利用模糊邏輯對估算出的網絡多屬性參數進行處理，得到每個候選網絡的未來回報；e）網絡未來回報分析，集中控制器從候選網絡中選擇出未來回報最高的網絡進行切換決策；f）更新決策，移動用戶執行集中控制器所更新的切換決策。

2算法設計

2.1移動模型

為了使仿真網絡中用戶移動軌跡更真實地反映人類移動規律，用戶移動軌跡的生成采用對人類移動規律進行歸納總結的SLAW移動模型［15］。集中控制器的采樣周期為T，ki（t）為按照SLAW模型移動的用戶i在t時刻的位置，其中用戶i的移動過程如下：

a）初始化。隨機從可移動范圍內選擇路徑點生成候選路徑點集合Ki，并從Ki中隨機選取兩個路徑點作為用戶i的起點和第一個到達目標點，并將用戶i的起點設置為當前路徑點。

b）訪問目標點。用戶i按照設定的移動速度vi訪問目標點。

c）確定停留時間。用戶i到達目標點后，在該點的停留時間服從截斷冪律分布。

d）選擇合適的下一目標點。由于用戶移動時會偏好最短路徑，所以根據距離權重計算用戶從當前路徑點移動到其他候選路徑點的概率。對于用戶i當前的停留點ki，crnt，候選路徑點作為目標點的概率可通過式（1）計算。

P（k′i，ki，crnt）=1d（k′i，ki，crnt）β∑k′i1d（k′i，ki，crnt）β k′i∈Ki（1）

其中：Ki為所有候選路徑點的集合；d（k′i，ki，crnt）為當前停留點ki，crnt與候選路徑點k′i之間的歐氏距離；β為距離權重，β越大，用戶越傾向于選取距離近的候選路徑點，當β=0時，則用戶隨機從Ki中選擇下一目標點。選擇P（k′i，ki，crnt）最高的候選路徑點作為用戶i的下一目標點。

e）循環執行步驟b）～d），直至到達設定的用戶i移動總時間。

2.2位置預測

集中控制器以周期T采集用戶位置信息，但因原始位置信息排列相對緊密，難以挖掘出用戶的移動規律，不利于預測分析，所以反而會降低垂直切換算法的性能。因此采用目前研究移動軌跡常用的位置信息網格化表示方法［16］對原始軌跡數據進行網格化預處理，將精確的位置點轉換為更加抽象的網格信息，以便挖掘出移動用戶軌跡信息的規律。如圖2所示，分別使用實線和虛線表示兩名用戶的原始軌跡L1與L2，可見兩者原始軌跡之間沒有任何關聯，但進行網格化預處理后可以發現兩條軌跡均為g4→g1→g2→g3，其中gi代表編號為i的網格，據此可將精確的位置信息轉換為網格編號。

因為網格化軌跡能夠幫助分析用戶的移動規律，而且網絡屬性在較小的網格范圍內不會有明顯變化，所以對移動用戶的軌跡進行適當的網格劃分并不會影響網絡的綜合評價。設定網絡覆蓋范圍為X×Y的矩形，網格的寬度設定為wd，網格劃分后得到編號集合G={g1，g2，…}，將用戶i在t時刻的位置ki（t）映射為網格編號gi（t）。

LSTM將歷史位置信息保存在記憶單元中，再使用調節門控制保留這些信息。gi（t）為t時刻輸入的用戶i網格位置，設FL，i（t）為遺忘門輸出，IL，i（t）為輸入門輸出，CL，i（t）為記憶單元的狀態值，CL，i（t）表示t時刻的候選記憶單元的狀態值，OL，i（t）為輸出門輸出，則可通過式（2）計算得到LSTM預測的下一時刻用戶i的網格位置hL，i（t）。

FL，i（t）=σ（Wf［hL，i（t－1），gi（t）］+bf）

IL，i（t）=σ（Wi［hL，i（t-1），gi（t）］+bi）

CL，i（t）=ftCL，i（t-1）+IL，i（t）CL，i（t）

CL，i（t）=tanh（Wc［hL，i（t-1），gi（t）］+bc）

OL，i（t）=σ（Wo［hL，i（t-1），gi（t）］+bo）

hL，i（t）=OL，i（t）tanh（CL，i（t）） （2）

其中：Wf是遺忘門的權重矩陣；hL，i（t－1）為t－1時刻的輸出；bf為遺忘門的偏移量；σ∈（0，1）是激活函數；bi為輸入門的偏移量；Wc為記憶單元權重矩陣；bc為記憶單元偏移量；Wo為輸出門的權重矩陣；bo為輸出門的偏移量。

2.3網絡模型

設異構無線網絡環境中包含M個可選網絡，每個網絡具有N個多屬性參數，本文算法使用包括接收信號強度（received signal strength，RSS）Rss，i、多普勒頻移fd，i、干擾信噪比Snr，i、信道容量Cmax，i、網絡時延td，i和時延抖動tsh，i在內的多屬性參數來刻畫網絡。集中控制器以周期T來采集各移動用戶的位置信息ki（t）和移動速度vi（t），利用LSTM根據t時刻的ki（t）預測得到用戶i在t+1時刻的位置hL，i（t），以此估算出t+1時刻用戶i到無線網絡的接收信號強度Rss，i（t+1）、多普勒頻移fd，i（t+1）、干擾信噪比Snr，i（t+1）和信道容量Cmax，i（t+1），以便后續進行模糊邏輯切換判決。此外，由于下一時刻的時延和時延抖動無法利用位置估算，所以兩者使用固定參數。

2.4模糊邏輯切換判決

異構網絡中不同網絡的參數變化范圍是不同的，因此無法直接使用數值的大小來比較網絡的好壞情況。本文使用模糊邏輯控制模型對計算得到的異構網絡多屬性參數進行分析，形成統一尺度的評估輸出，客觀評價候選網絡的回報。

設m為用戶i對應候選網絡集合中的任一網絡，使用模糊邏輯分析對t+1時刻網絡m的多屬性參數的綜合評判過程如下：

a）歸一化。使用式（3）對網絡m的任意屬性n的收益進行歸一化處理。

benefitm，n，i（t+1）=rn×qm，n，i（t+1）－min（Qm，n，i）max（Qm，n，i）－min（Qm，n，i）（3）

其中：Qm，n，i為用戶i的候選網絡m的第n個屬性值集合；qm，n，i（t+1）是估算出的t+1時刻網絡m的第n個屬性值；rn∈［-1，1］是網絡收益調節因子，為負時表示網絡收益為負，即參數數值越大網絡狀態越差，如網絡時延、時延抖動等，為正時表示網絡收益為正，即參數值越大網絡狀態越好，如接收信號強度、干擾信噪比等。

b）構建模糊決策映射。為兼顧計算開銷和決策效果［17］，采用三角隸屬度函數將網絡參數劃分為{弱，中，強}三個模糊集，km，n表示網絡m的第n個屬性值隸屬的模糊集。

c）計算網絡參數收益權值。因為不同網絡參數對網絡狀態變化的影響程度不同，使用層次分析法構建決策因子矩陣。設定網絡狀態變化情況受用戶移動的影響程度fd，igt;Snr，igt;Rss，igt;Cmax，i，據此采用1～9標度法［18］得到如式（4）所示的網絡決策因子矩陣U，對U進行一致性檢驗并調整各因子，直到其滿足一致性要求，從而避免人為主觀設定的影響。

U=u1，1…u1，NuN，1…uN，NN×N（4）

其中：∑Nj=1uz，j=1（z=1，2，…，N}，N為網絡參數種類數目。根據模糊決策映射和決策因子矩陣，按照式（5）計算網絡收益調節權重。

wm，n=uz，nkm，nm=1，…，M;n=1，…，N;z=1，…，N（5）

d）計算網絡回報。根據計算出的網絡收益調節權重，按照式（6）計算用戶i在t時刻預測的t+1時刻網絡m的多屬性總回報Tbenefit，i（m，t+1）。

Tbenefit，i（m，t+1）=∑Nn=1wm，nbenefitm，n，i（t+1）（6）

最終，集中控制器得到用戶對應的所有候選網絡的t+1時刻回報，并從中選擇回報最高的網絡m′執行切換。

2.5切換流程

為有效學習并使用用戶的移動規律，采集用戶歷史移動數據集A后線下訓練LSTM模型。線上集中控制器加載訓練完成的LSTM模型后，利用用戶i的實時軌跡變化預測下一時刻的位置，以便分析可選網絡總回報，具體的切換流程如算法1所示。

算法1移動用戶位置預測的切換判決

輸入：用戶歷史移動數據集A，M個候選網絡，N個多屬性參數，移動速度vi。

輸出：切換至網絡m′。

a）初始化：網格寬度wd，采樣周期T；

b）將數據集A網格化處理后，訓練LSTM模型；

c）集中控制器在線加載LSTM模型；

d）while t

e）采集用戶i的實時軌跡ki（t），網格化處理得到gi（t）；

f）將gi（t）輸入至LSTM模型預測得到用戶i在t+1時刻的位置hL，i（t）；

g）利用hL，i（t）估算各候選網絡參數Rss，i（t+1）、fd，i（t+1）、Snr，i（t+1）、Cmax，i（t+1），得到各候選網絡回報Tbenefit，i（t+1）；

h）從候選網絡集合中選出回報最高的網絡m′并切換；

i）t←t+T；

j）end while

k）end

一次在線切換過程包括步驟f）～h），其中模型位置預測過程步驟f）的計算復雜度不隨可選網絡數目M或用戶數量的增加而增加；而步驟g）和h）的計算復雜度均為O（M），所以在線切換的整體計算復雜度為O（M），滿足網絡切換的實時性應用需求。

3實驗結果與分析

3.1仿真實驗環境

3.1.1仿真環境和參數設置

實驗用處理平臺使用英特爾酷睿i7-10710U CPU，操作系統采用Ubuntu 16.04，內存為32 GB。實驗中集中控制器加載訓練后的LSTM模型，異步處理各移動用戶的位置信息以完成決策切換。為方便評估算法模型，仿真時簡化網絡環境，異構無線網絡由目前使用最為廣泛的4G網絡和WLAN網絡組成。區域大小設置為500×500 m2，移動用戶的數量和移動速度不斷變化，其余保持不變。初始化時，隨機生成每個移動用戶的位置，并將每個移動用戶連接到RSS最高的網絡中。實驗中設置的網絡參數如表1所示。

采用切換用時、內存變化、切換次數和切換失敗次數四個評價指標評判各切換算法的性能。其中切換用時越低，越能滿足用戶在異構無線網絡中的無縫切換需求；集中控制器中的運算內存隨著用戶數量的增加，如果基本穩定則說明算法滿足多用戶場景下的實際應用需求；用戶執行的切換次數越少，切換延遲就越小，用戶切換網絡時的服務質量就更能得到保障；當用戶請求切換網絡時，切換失敗次數越少，說明接入網絡容量越充足或用戶所在位置的網絡信號強度較高，網絡的服務質量越穩定。

3.1.2訓練過程

采用SLAW模型作為用戶移動模型，設置移動用戶數量和移動速度不斷變化，基于此生成移動數據集，其中訓練數據集A包含10 000條數據，測試集包含2 000條數據。

LSTM結構中式（2）所用權重參數采用Xavier［19］方法完成初始化，偏移量簡化為0，最終構建了一個具有三個隱藏層的LSTM網絡，第一層和第二層的激活函數采用tanh，第三層的激活函數采用ReLU（rectified linear unit）。訓練前對軌跡數據進行網格化預處理，訓練集的迭代次數設置為100，步長設置為64，優化器采用RMSProp（root mean square prop），利用梯度下降法進行誤差訓練，得到誤差穩定狀態下的模型。學習率是影響訓練速度的重要參數，學習率過高會導致學習過程震蕩，過低會導致收斂緩慢，本文設置學習率為0.05。在wd取3 m時，訓練過程中誤差由1.08降至0.007，訓練結束時模型在測試集上的精度為94.1%。

3.1.3網格化參數選取

本文算法首先對用戶軌跡進行網格化處理，網格寬度越窄，切換算法對位置的變化越敏感，從而軌跡預測的準確度也越高；但網絡屬性變化也會越來越不明顯，從而使切換性能提升受限，同時網格化管理消耗的計算資源也越多。因為減小網格寬度將會增加網格化管理難度和計算成本，且3 m內各網絡的屬性值幾乎沒有變化，所以實驗中wd最少為3 m，最終設置網格寬度wd為9、6、3 m三組。圖3為用戶速度變化區間為1～5 m/s時，不同網格寬度設置條件下，隨著用戶數量的增加，切換失敗次數的變化趨勢。從實驗結果可知，網格寬度越小，切換失敗次數越小，這是因為網格寬度越小模型預測的準確度越高，從而獲得的下一時刻網絡屬性參數更準確，使得模糊邏輯切換判決更高效，進而提升切換性能。所以，綜合考慮計算成本與軌跡預測的準確性，最終選定wd=3 m。

3.2仿真實驗結果

3.2.1切換用時和內存占用對比實驗

為檢驗本文算法在異構無線網絡環境中是否能實現多移動用戶接入網絡無縫切換，實驗對比了本文算法與VHO-SINR［3］、UDWS［7］、MPVH［8］以及個性化位置預測算法［9］在不同移動用戶數量下的切換用時，實驗結果如圖4所示。可以看出，各算法的切換用時均未隨著用戶數量的增加而顯著增加，但本文算法切換用時較VHO-SINR、UDWS、MPVH以及個性化位置預測算法，分別平均減少了48.36%、33.53%、47.12%和45.92%。這是由于本文算法采用集中控制策略，對各用戶的位置預測和切換判決均為異步操作，且只需要加載單個LSTM模型，所以切換用時更低，而且切換用時不會隨著用戶數量的增加而增長。VHO-SINR和UDWS算法無法對移動用戶未來的位置進行預測，因此難以選擇下一時刻可接入的最佳網絡，使得切換用時較高；MPVH算法進行位置預測的計算復雜度較高，使得預測延遲和切換用時較高；個性化預測算法需要識別每一個用戶并分別加載LSTM模型，從而增加了切換用時。

為檢驗本文算法計算成本是否滿足實際應用需求，實驗對比了各算法在不同移動用戶數量下的內存占用，實驗結果如圖5所示。個性化預測算法、MPVH、UDWS算法所占內存隨用戶數量的增加而呈增加趨勢，VHO-SINR算法與本文算法所占內存均未隨用戶數量增加而顯著增加，且本文算法所占內存維持在一個較低的水平。具體地，本文算法內存占用較個性化預測算法、VHO-SINR、UDWS和MPVH算法分別平均減少了23.40%、35.64%、49.59%和61.89%。這是因為本文算法針對所有用戶只需加載一個LSTM預測模型，而個性化預測算法針對每一個用戶都需要加載對應的LSTM模型，MPVH總的狀態空間規模隨著用戶數量增加而不斷增加，UDWS需要記錄的網絡歷史屬性信息也隨用戶數量增加而不斷增加，所以上述算法難以滿足多移動用戶環境中網絡切換的實際應用需求。

綜上，本文所提出的垂直切換算法，在用戶規模增加時仍能夠保持較低的切換用時和計算成本，可以滿足網絡切換的實際應用需求。

3.2.2不同用戶移動速度下切換性能對比

為分析本文算法應對不同用戶移動速度的能力，實驗對比了各算法在不同用戶移動速度下的切換次數和切換失敗次數，實驗結果如圖6、7所示。可以看出，在用戶數量為200個、異構網絡密度為75個/km2時，本文算法與VHO-SINR、UDWS以及MPVH算法相比，切換次數分別平均下降了43.09%、19.15%和30.78%，切換失敗次數分別平均下降了42.22%、80.84%和26.11%，切換性能相較于對比算法更優。這是因為VHO-SINR和UDWS算法在用戶移動時，無法對用戶未來的行為做出預判斷，所以不斷根據移動用戶的當前位置進行切換，導致切換次數不斷增多。MVPH算法雖然會使用馬爾可夫模型對用戶的位置進行預測，但只考慮上一時刻的位置，導致預測的精度不及LSTM，所以切換失敗次數高于本文算法。而本文算法采用LSTM模型學習用戶移動規律，能夠實現對用戶下一時刻位置的準確預測，可以應對不同移動速度的用戶，因此切換次數和切換失敗次數都更少，切換性能更優。

3.2.3不同移動用戶數量下切換性能對比

為分析本文算法在不同移動用戶數量下的性能，實驗對比了各算法在不同移動用戶數量下的切換次數和切換失敗次數，實驗結果如圖8、9所示。可以看出，異構無線網絡密度為75個/km2、用戶移動速度區間在1～5 m/s變化時，隨著用戶數量的增多，各方案的切換次數和切換失敗次數均增加，本文算法與VHO-SINR、UDWS和MPVH算法相比，切換次數分別平均下降了49.73%、35.51%和33.84%，切換失敗次數分別平均下降了33.35%、82.38%和12.3%，切換性能相較于對比算法更優。這是因為VHO-SINR算法優先選擇當前SINR最高的網絡，使得用戶數量增長時會造成部分接入網絡過載，從而導致切換失敗次數增加。UDWS難以對移動用戶未來的位置進行預測，因此難以選擇下一時刻可接入的最佳網絡，導致切換失敗次數增加。MPVH做出位置預測后只考慮單一的RSS作為判決因素，可能會集中接入熱門網絡，因此用戶數量增加時會導致部分熱門網絡過載，使得切換性能降低。而本文算法利用LSTM進行精確位置預測的同時，集中控制器采用模糊邏輯方法對網絡多屬性參數進行綜合分析，不會因為只考慮單一網絡屬性而判斷不準確，并且從全局網絡中選擇綜合回報最高的網絡，避免集中接入部分熱門網絡造成過載，從而降低切換次數和切換失敗次數。

4結束語

針對異構無線網絡環境中現有垂直切換算法存在難以實現移動用戶接入網絡的無縫切換，無法向用戶提供穩定通信服務的問題，提出了一種基于移動用戶位置預測的垂直切換算法。首先將用戶個性化位置預測轉換為面向所有用戶的位置預測，以此來降低用戶位置預測的計算成本；其次，對移動用戶的歷史移動軌跡進行網格化預處理，以降低LSTM位置預測難度并提高預測準確度；之后，使用訓練好的LSTM模型在線預測用戶的下一時刻位置，利用模糊邏輯方法分析該位置對應的各網絡屬性參數，選取未來最為優質的網絡進行切換，從而為用戶提供穩定的網絡服務。實驗結果表明，所提算法在不同移動用戶移動速度和數量條件下的切換次數、切換失敗次數和切換時延均有明顯下降，內存消耗較低，能夠實現無縫切換。

參考文獻：

［1］Liu Jiajia， Shi Yongpeng， Fadlullah Z M， et al. Space-air-ground integrated network： a survey ［J］. IEEE Communications Surveys Tutorials， 2018， 20（4）： 2714-2741.

［2］李思思， 程良倫， 王濤， 等. 移動互聯異構網絡下多終端協同的垂直切換決策算法 ［J］. 計算機應用研究， 2018， 35（8）： 2474-2476， 2497. （Li Sisi， Cheng Lianglun， Wang Tao， et al. Vertical handoff decision algorithm for multi-terminal cooperative in mobile interconnected heterogeneous networks ［J］. Application Research of Computers， 2018， 35（8）： 2474-2476， 2497.）

［3］Ayyappan K， Narasimman K， Dananjayan P. SINR based vertical handoff scheme for QoS in heterogeneous wireless networks ［C］// Proc of International Conference on Future Computer and Communication. Washington DC： IEEE Computer Society， 2009： 117-121.

［4］Yu Hewei， Ma Yanan， Yu Jingxi. Network selection algorithm for multiservice multimode terminals in heterogeneous wireless networks［J］. IEEE Access， 2019， 7： 46240-46260.

［5］Goyal P， Lobiyal D K， Katti C P. Dynamic user preference based group vertical handoffs in heterogeneous wireless networks： a non-cooperative game approach ［J］. Wireless Networks， 2020， 26（2）： 775-789.

［6］王繼博， 楊蕾， 齊東元. 基于差分預測和模糊邏輯的垂直切換機制研究［J］. 計算機應用研究， 2020， 37（S2）： 284-286. （Wang Jibo， Yang Lei， Qi Dongyuan， et al. Research on vertical handover mechanism based on differential prediction and fuzzy logic ［J］. Application Research of Computers， 2020， 37（S2）： 284-286.）

［7］Zhao Hu， Eyhab A. A user-centered handoff procedure in 5G cellular networks ［C］// Proc of Web Conference. New York： ACM Press， 2020： 107-108.

［8］Mahmoud A， Ghaith H， Wail M. Improving vertical handoffs using mobility prediction ［J］. International Journal of Advanced Computer Science and Applications， 2016， 7（3）： 413-419.

［9］王楚捷. 面向用戶移動性的預測方法與資源管理技術研究 ［D］. 杭州： 浙江大學， 2020. （Wang Chujie. Research on mobility prediction methods and resource management based on user mobility ［D］. Hangzhou： Zhejiang University， 2020.）

［10］Altché F， De La F A. An LSTM network for highway trajectory prediction ［C］// Proc of the 20th IEEE International Conference on Intelligent Transportation Systems. Piscataway， NJ： IEEE Press， 2017： 353-359.

［11］張瑾. 基于用戶移動性預測的異構無線網絡資源管理研究 ［D］. 北京： 北京郵電大學， 2015. （Zhang Jin. Management research based on user mobility prediction in heterogeneous wireless networks ［D］. Beijing： Beijing University of Posts amp; Telecommunications， 2015.）

［12］Wang Chujie， Ma Lin， Li Rongpeng， et al. Exploring trajectory prediction through machine learning methods ［J］. IEEE Access， 2019， 7： 101441-101452.

［13］Wang Chujie， Zhao Zhifeng， Sun Qi， et al. Deep learning-based intelligent dual connectivity for mobility management in dense network ［C］// Proc of the 88th IEEE Vehicular Technology Conference. Piscataway， NJ： IEEE Press， 2018：1-5.

［14］Yu Yinbo， Li Xing， Leng Xue， et al. Fault management in software-defined networking： a survey ［J］. IEEE Communications Sur-veys amp; Tutorials， 2019， 21（1）： 349-392.

［15］Lee K， Hong S， Kim S J， et al. SLAW： self-similar least-action human walk ［J］. IEEE/ACM Trans on Networking， 2012， 20（2）： 515-529.

［16］Greff K， Srivastava R K， Koutník J， et al. LSTM： a search space Odyssey ［J］. IEEE Trans on Neural Networks amp; Learning Systems， 2017， 28（10）： 2222-2232.

［17］陶洋， 劉小虎， 陶玲. 基于QoS的異構網絡垂直切換算法 ［J］. 計算機工程， 2016， 42（12）： 91-96. （Tao Yang， Liu Xiaohu， Tao Ling. Vertical handoff algorithm in heterogeneous network based on QoS ［J］. Computer Engineering， 2016， 42（12）： 91-96.）

［18］錢志鴻， 于新藝， 許建華， 等. 基于車輛用戶行為的異構網絡垂直切換算法 ［J］. 吉林大學學報： 工學版， 2019， 49（2）： 614-623. （Qian Zhihong， Yu Xinyi， Xu Jianhua， et al. Vertical handoff algorithm in heterogeneous networks based on vehicle terminal beha-vior ［J］.Journal of Jilin University： Engineering and Technology Edition， 2019， 49（2）： 614-623.）

［19］Glorot X， Bengio Y. Understanding the difficulty of training deep feedforward neural networks ［C］// Proc of the 13th International Conference on Artificial Intelligence and Statistics. 2010： 249-256.

收稿日期：2022-01-04；修回日期：2022-03-03基金項目：國家重點研發計劃資助項目（2017YFB0504202）

作者簡介：孟磊（1998-），男，河南周口人，碩士研究生，主要研究方向為異構通信網絡；唐鑫（1996-），女，云南楚雄人，碩士，主要研究方向為異構通信網絡；徐彥彥（1974-），女（通信作者），河南信陽人，教授，博導，博士，主要研究方向為新一代通信網絡和多媒體信息安全（xuyy@whu.edu.cn）.