超密集異構(gòu)無(wú)線網(wǎng)絡(luò)中基于移動(dòng)軌跡預(yù)測(cè)的網(wǎng)絡(luò)切換算法

楊 喆 鄧立寶 狄原竹 李春磊

(哈爾濱工業(yè)大學(xué) 威海 264209)

1 引 言

隨著5G超密集蜂窩異構(gòu)無(wú)線網(wǎng)絡(luò)技術(shù)的全面商用和各類(lèi)型移動(dòng)終端的廣泛普及，基于網(wǎng)絡(luò)的多元化服務(wù)使用戶(hù)數(shù)據(jù)業(yè)務(wù)流量急劇增加，移動(dòng)終端用戶(hù)對(duì)網(wǎng)絡(luò)服務(wù)的連續(xù)性要求也隨之指數(shù)級(jí)增長(zhǎng)[1,2]。由于移動(dòng)終端用戶(hù)的移動(dòng)特性，他們經(jīng)常處于不斷變化的環(huán)境，因此需要利用網(wǎng)絡(luò)切換技術(shù)來(lái)維持用戶(hù)體驗(yàn)的連續(xù)性，從而減少數(shù)據(jù)卡幀等負(fù)面事件的發(fā)生。

高速移動(dòng)的終端在不同小區(qū)之間快速移動(dòng)時(shí)，會(huì)出現(xiàn)基站之間頻繁切換的問(wèn)題。傳統(tǒng)意義上的高速移動(dòng)一般特指高鐵或無(wú)人機(jī)等高速移動(dòng)終端[3,4]，但是在超密集異構(gòu)網(wǎng)絡(luò)架構(gòu)下切換策略會(huì)對(duì)終端用戶(hù)的移速更加敏感，即使低速移動(dòng)也易引起頻繁切換的問(wèn)題。這是由于在5G技術(shù)的超密集異構(gòu)網(wǎng)絡(luò)架構(gòu)下，密集微基站帶來(lái)更大帶寬和更高傳輸速率的同時(shí)，還存在功率較低、頻率高、覆蓋范圍較小的問(wèn)題，用戶(hù)位置的改變會(huì)引起信號(hào)強(qiáng)度的快速變化，可能導(dǎo)致用戶(hù)切換失敗或者乒乓切換，從而降低網(wǎng)絡(luò)性能和用戶(hù)體驗(yàn)[5]。因此設(shè)計(jì)高效的切換策略是減少各類(lèi)型移動(dòng)終端的網(wǎng)絡(luò)切換次數(shù)并且降低乒乓效應(yīng)的重要途徑和重點(diǎn)研究方向[6]。

根據(jù)網(wǎng)絡(luò)切換前后是否屬于同種技術(shù)方式，切換策略可以劃分為垂直和水平切換兩種[7]。在超密集異構(gòu)無(wú)線網(wǎng)絡(luò)環(huán)境下，水平和垂直切換需要協(xié)同合作，以為用戶(hù)帶來(lái)更好的通信體驗(yàn)。目前的研究絕大多數(shù)都只考慮水平切換或垂直切換中的一種。馬彬等人[7]通過(guò)引入模糊邏輯，基于網(wǎng)絡(luò)端和用戶(hù)端參數(shù)，提出了一種分級(jí)垂直切換算法。章廣梅等人[8]基于網(wǎng)絡(luò)資源虛擬化技術(shù)，設(shè)計(jì)了一種針對(duì)異構(gòu)網(wǎng)絡(luò)的無(wú)線資源管理方法，利用層次分析法與熵權(quán)法解決網(wǎng)絡(luò)資源調(diào)配和垂直切換問(wèn)題。張富春等人[4]面向高鐵通訊越區(qū)切換問(wèn)題，設(shè)計(jì)了一種根據(jù)環(huán)境變換的自適應(yīng)同態(tài)鏈路--決策樹(shù)水平切換算法。張佳健等人[9]提出一種基于位置功率聯(lián)合判決的越區(qū)切換算法，旨在實(shí)現(xiàn)高效的越區(qū)切換過(guò)程。

傳統(tǒng)面向高速移動(dòng)終端的切換算法，其主要研究對(duì)象是高鐵，主流研究為基于高鐵首尾雙天線結(jié)構(gòu)的各類(lèi)改進(jìn)切換算法。翟晨輝等人[6]針對(duì)高速鐵路通訊連通性差的問(wèn)題，設(shè)計(jì)了一種基于雙天線的基站切換優(yōu)化算法，以提升高速鐵路通信的連通性。杜濤等人[10]針對(duì)高速鐵路無(wú)線通信越區(qū)切換問(wèn)題，提出了一種基于實(shí)時(shí)動(dòng)態(tài)遲滯的鐵路長(zhǎng)期演進(jìn)技術(shù)(Long Term Evolution for Railway, LTE-R)切換算法。這類(lèi)算法都是針對(duì)特定場(chǎng)景特殊用戶(hù)設(shè)計(jì)的專(zhuān)用算法，與此對(duì)比具有較大適用范圍的切換算法則是基于用戶(hù)移動(dòng)性預(yù)測(cè)的各類(lèi)方法[5]。鄧紅[11]提出了一種以駐留時(shí)間預(yù)測(cè)為基礎(chǔ)的車(chē)輛異構(gòu)網(wǎng)絡(luò)垂直切換算法。楊明極等人[12]提出了一種新型異構(gòu)車(chē)聯(lián)網(wǎng)垂直切換算法，該算法針對(duì)由LTE和WiMAX組成的異構(gòu)車(chē)聯(lián)網(wǎng)環(huán)境，通過(guò)利用運(yùn)動(dòng)趨勢(shì)預(yù)測(cè)實(shí)現(xiàn)垂直切換。當(dāng)前研究中，主要采用基于隱馬爾可夫鏈模型、差分整合移動(dòng)平均自回歸模型、全連接神經(jīng)網(wǎng)絡(luò)和決策樹(shù)等方法進(jìn)行用戶(hù)移動(dòng)性預(yù)測(cè)。這些模型是傳統(tǒng)的數(shù)學(xué)或者機(jī)器學(xué)習(xí)方法，但是隨著深度學(xué)習(xí)技術(shù)的快速發(fā)展，深度學(xué)習(xí)在多個(gè)領(lǐng)域表現(xiàn)出了極高的預(yù)測(cè)精度，使得傳統(tǒng)的數(shù)學(xué)或機(jī)器學(xué)習(xí)方法不再是唯一的解決方案。除算法較為傳統(tǒng)外，以上文獻(xiàn)設(shè)計(jì)的不同網(wǎng)絡(luò)切換算法，并未考慮目前5G背景下的超密集無(wú)線網(wǎng)絡(luò)，且未考慮不同的用戶(hù)類(lèi)型。綜上，首先，本文針對(duì)移動(dòng)性預(yù)測(cè)的時(shí)間序列特性，提出一種基于模糊聚類(lèi)和長(zhǎng)短期記憶網(wǎng)絡(luò)(Long Short-Term Memory, LSTM)的預(yù)測(cè)模型，并在此基礎(chǔ)上，面向超密集無(wú)線網(wǎng)絡(luò)環(huán)境，設(shè)計(jì)了一種基于終端移動(dòng)軌跡預(yù)測(cè)的網(wǎng)絡(luò)切換算法，適用于各類(lèi)型用戶(hù)在高密度無(wú)線網(wǎng)絡(luò)中的垂直切換和水平切換問(wèn)題，以滿(mǎn)足各類(lèi)型用戶(hù)的要求。

本文的主要貢獻(xiàn)為：(1)提出了一種引入隨機(jī)失活技術(shù)的長(zhǎng)短期記憶網(wǎng)絡(luò)，該算法在滿(mǎn)足實(shí)時(shí)性要求的同時(shí)，比常用算法具有更高的預(yù)測(cè)精度。(2)針對(duì)各類(lèi)型用戶(hù)在高密度無(wú)線網(wǎng)絡(luò)中的垂直切換和水平切換問(wèn)題，提出了一種模糊聚類(lèi)和LSTM的混合預(yù)測(cè)架構(gòu)，用于各類(lèi)型用戶(hù)的移動(dòng)預(yù)測(cè)問(wèn)題；(3)基于用戶(hù)當(dāng)前和預(yù)測(cè)位置，獲取候選網(wǎng)絡(luò)集合，通過(guò)候選集交運(yùn)算和指標(biāo)閾值判斷網(wǎng)絡(luò)切換時(shí)機(jī)；(4)本文引入了帝企鵝算法以選擇最佳目標(biāo)網(wǎng)絡(luò)；(5)本文提出的基于移動(dòng)軌跡預(yù)測(cè)的網(wǎng)絡(luò)切換方法，有效整合了多個(gè)環(huán)節(jié)的不同算法，在仿真試驗(yàn)中綜合表現(xiàn)和用戶(hù)體驗(yàn)優(yōu)于對(duì)比算法。

2 相關(guān)算法介紹

2.1 核模糊C-均值聚類(lèi)算法(Kernal Fuzzy CMeans, KFCM)

KFCM是模糊C-均值聚類(lèi)的改進(jìn)算法，具有廣泛的應(yīng)用[13]。聚類(lèi)算法是將一個(gè)元素集X={xi|i=1,2,...,n}中的n個(gè)元素劃分為C類(lèi)，每個(gè)元素xi是一個(gè) 1×d的向量，每個(gè)類(lèi)別元素具有一個(gè)中心vi，構(gòu)成集合V={vi|i=1,2,...,C}，每個(gè)中心vi是一個(gè)和xi等規(guī)格的向量。相比于確定性的聚類(lèi)算法，F(xiàn)CM算法不直接計(jì)算每個(gè)元素所屬的確切類(lèi)別，而是基于隸屬度矩陣U={uik|i=1,2,...,n,k=1,2,...,C}來(lái)描述每個(gè)元素屬于各個(gè)類(lèi)別的可能性。之后將聚類(lèi)問(wèn)題轉(zhuǎn)化為一個(gè)基于隸屬度函數(shù)的最優(yōu)化問(wèn)題，其決策變量為V和U，優(yōu)化目標(biāo)為樣本到所屬中心的模糊距離和最小。

其中，m為模糊隸屬度加權(quán)系數(shù)。研究表明，將樣本映射到高維空間，可能實(shí)現(xiàn)更好的分離或者結(jié)構(gòu)化，即在高維空間使用線性劃分，在原樣本空間表現(xiàn)為非線性劃分。故使用核函數(shù)，可以在求解復(fù)雜度不變的前提下，通過(guò)高維空間的線性劃分實(shí)現(xiàn)原空間的非線性劃分，進(jìn)而實(shí)現(xiàn)更好的聚類(lèi)效果[14]。通過(guò)核函數(shù)?(xi)將xi映射到高維空間，此時(shí)

2.2 長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)

長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)是循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network, RNN)的改進(jìn)版本。原始的RNN在解決時(shí)間序列問(wèn)題時(shí)，存在‘長(zhǎng)期依賴(lài)’的問(wèn)題，即算法無(wú)法連接較遠(yuǎn)時(shí)間片的特征進(jìn)行預(yù)測(cè)。同時(shí)RNN存在梯度爆炸和梯度消失的問(wèn)題[15]。為解決上述問(wèn)題，LSTM增加了額外的一種單元狀態(tài)c，并引入門(mén)機(jī)制對(duì)該狀態(tài)進(jìn)行控制，進(jìn)而實(shí)現(xiàn)信息的遺忘和保留，提高了其在處理預(yù)測(cè)延遲較長(zhǎng)問(wèn)題上的表現(xiàn)。

門(mén)機(jī)制包含遺忘門(mén)(Forgotten Gate)、輸入門(mén)(Input Gate)和輸出門(mén)(Output Gate)，共同協(xié)作實(shí)現(xiàn)對(duì)單元狀態(tài)c的有效控制，如圖1所示。其中，遺忘門(mén)控制前一時(shí)刻ct-1的流入，輸入門(mén)控制當(dāng)前時(shí)

圖1 LSTM單元模型

2.3 帝企鵝算法

帝企鵝算法(Aptenodytes Forsteri Optimizer,AFO)是2021年提出的一個(gè)新型元啟發(fā)算法，該算法受帝企鵝抱團(tuán)取暖行為啟發(fā)而設(shè)計(jì)[16]。該算法總結(jié)了企鵝尋找溫暖位置時(shí)的重要因素，即溫度感知，記憶搜索，向群體中心靠攏，參考其他企鵝位置，以及移動(dòng)慣性，設(shè)計(jì)了多種搜索策略，實(shí)現(xiàn)了探索和開(kāi)發(fā)的平衡。

算法共具有3種策略，其中第1種策略是基于梯度估計(jì)的局部搜索策略，在求解實(shí)例問(wèn)題時(shí)，常替換為針對(duì)目標(biāo)問(wèn)題設(shè)計(jì)的局部領(lǐng)域搜索方式。

第2種策略參考了企鵝會(huì)觀察群體中其他企鵝抱團(tuán)取暖的情況并且向溫暖位置聚集的行為，其更新公式

第3種搜索策略同時(shí)考慮了企鵝自身最優(yōu)位置，種群中心位置以及最小化能量損耗3個(gè)因素，其更新公式為

3 用戶(hù)移動(dòng)模型和網(wǎng)絡(luò)結(jié)構(gòu)

3.1 用戶(hù)移動(dòng)模型

通過(guò)對(duì)不同用戶(hù)歷史周期性移動(dòng)數(shù)據(jù)的分析，可以總結(jié)歸納出不同用戶(hù)的移動(dòng)特性，進(jìn)而建立不同類(lèi)型的用戶(hù)移動(dòng)模型。文獻(xiàn)[17]一共列出了5種移動(dòng)模型，分別是隨機(jī)游走模型、隨機(jī)路點(diǎn)模型、隨機(jī)方向模型、高速公路模型以及曼哈頓移動(dòng)模型。這些模型反映了移動(dòng)終端用戶(hù)在較長(zhǎng)時(shí)間的周期性運(yùn)動(dòng)，且因?yàn)楦采w區(qū)域廣時(shí)間跨度大，用戶(hù)移動(dòng)模型往往是多種移動(dòng)模式的混合。本文的用戶(hù)分類(lèi)服務(wù)于網(wǎng)絡(luò)切換策略，不需要研究較長(zhǎng)時(shí)間的用戶(hù)移動(dòng)規(guī)律，而在短時(shí)間內(nèi)，可以認(rèn)為用戶(hù)將保持某一種的單一移動(dòng)方式。如隨機(jī)路點(diǎn)模型中，用戶(hù)沿道路前往某一節(jié)點(diǎn)，之后在節(jié)點(diǎn)附近隨機(jī)移動(dòng)或保持靜止。上述行動(dòng)是用戶(hù)在較長(zhǎng)周期內(nèi)的一組行動(dòng)，且行動(dòng)有先后順序和明確的切換界限，故可認(rèn)為用戶(hù)在不同時(shí)間段內(nèi)，其移動(dòng)特性保持不變。綜上，本文根據(jù)用戶(hù)短時(shí)間的移動(dòng)特性，將其移動(dòng)模式劃分為3類(lèi)，道路移動(dòng)模式、區(qū)域內(nèi)布朗運(yùn)動(dòng)以及近乎靜止模型。

3.2 網(wǎng)絡(luò)結(jié)構(gòu)

本文研究5G技術(shù)下的密集異構(gòu)無(wú)線網(wǎng)絡(luò)，主要由異構(gòu)蜂窩網(wǎng)絡(luò)和無(wú)線局域網(wǎng)絡(luò)構(gòu)成[18]。其中蜂窩網(wǎng)絡(luò)可進(jìn)一步劃分為宏蜂窩和微蜂窩網(wǎng)絡(luò)。宏蜂窩網(wǎng)絡(luò)實(shí)現(xiàn)區(qū)域廣域覆蓋，覆蓋面積1～25 km，微蜂窩提供小范圍高通訊質(zhì)量網(wǎng)絡(luò)，覆蓋范圍0.03～0.3 km，無(wú)線局域網(wǎng)絡(luò)是有線局域網(wǎng)的延伸，常部署于商場(chǎng)等人流密集區(qū)域，其覆蓋范圍小于宏蜂窩(0.03～1 km)且費(fèi)率較低[19]。終端切換網(wǎng)絡(luò)前后其網(wǎng)絡(luò)類(lèi)型不變時(shí)，稱(chēng)為水平切換，否則為垂直切換。

綜上，本文的仿真場(chǎng)景將設(shè)置一定數(shù)量的無(wú)線局域網(wǎng)絡(luò)接入點(diǎn)(AP)以及宏蜂窩和微蜂窩的基站(BS)，用U={ui|1≤i ≤UN}表示用戶(hù)終端的集合，其中UN表示用戶(hù)終端的數(shù)量，用uatij表示用戶(hù)i在t時(shí)刻是否接入網(wǎng)絡(luò)j。

4 網(wǎng)絡(luò)切換模型和算法設(shè)計(jì)

本文研究的對(duì)象是單終端多網(wǎng)絡(luò)場(chǎng)景下的網(wǎng)絡(luò)切換，網(wǎng)絡(luò)切換流程一般被劃分為3個(gè)階段：網(wǎng)絡(luò)發(fā)現(xiàn)、切換判決以及切換執(zhí)行[19]。

4.1 用戶(hù)聚類(lèi)

通過(guò)GPS等定位系統(tǒng)，可以獲得用戶(hù)終端的時(shí)空位置信息。本文使用基于時(shí)間的移動(dòng)軌跡數(shù)據(jù)采樣，即軌跡數(shù)據(jù)采集過(guò)程中設(shè)備以等長(zhǎng)的時(shí)間采樣間隔對(duì)用戶(hù)進(jìn)行信息采樣得到的一系列有序點(diǎn)，這些順序點(diǎn)以時(shí)間為主線連接在一起即形成了基于時(shí)間采樣的移動(dòng)軌跡數(shù)據(jù)[20]。其軌跡數(shù)據(jù)公式化可以表示為T(mén)m={(xi,yi,ti)|i=1,2,...,N+}，其中ti表示采樣時(shí)間點(diǎn)，采樣間隔 dt=ti-ti-1。

目前已有的用戶(hù)聚類(lèi)，通常根據(jù)用戶(hù)所在區(qū)域或者移動(dòng)軌跡來(lái)劃分用戶(hù)，這類(lèi)方法存在一定局限性，即用戶(hù)劃分的結(jié)果近乎固定，而現(xiàn)實(shí)中用戶(hù)經(jīng)常隨機(jī)性地脫離常用活動(dòng)范圍，此時(shí)基于上述方法的用戶(hù)聚類(lèi)直接失效。本文使用基于時(shí)間的移動(dòng)軌跡數(shù)據(jù)，通過(guò)提取用戶(hù)前一段時(shí)間Tp內(nèi)位移和速度的變化，以實(shí)現(xiàn)用戶(hù)的動(dòng)態(tài)劃分，降低后續(xù)移動(dòng)性預(yù)測(cè)和網(wǎng)絡(luò)切換決策的難度。考慮到用戶(hù)可能出現(xiàn)的3種狀態(tài)以及3種狀態(tài)間切換的模糊狀態(tài)，本文使用核模糊聚類(lèi)來(lái)劃分用戶(hù)類(lèi)型。用戶(hù)聚類(lèi)使用的用戶(hù)特征為用戶(hù)在短時(shí)間窗內(nèi)的實(shí)際位移 dp、路程ds以及等間隔采樣多個(gè)瞬時(shí)速度vi。

4.2 用戶(hù)移動(dòng)性預(yù)測(cè)

目前主流的移動(dòng)性預(yù)測(cè)算法可劃分為3大類(lèi)，分別是馬爾卡夫鏈模型、數(shù)據(jù)挖掘以及時(shí)間序列預(yù)測(cè)。這3類(lèi)算法是基于歷史途徑位置的總結(jié)，一旦用戶(hù)前往非常規(guī)移動(dòng)區(qū)域，其預(yù)測(cè)能力失效，同時(shí)由于是針對(duì)歷史周期數(shù)據(jù)的總結(jié)，涉及區(qū)域龐大，時(shí)間跨度長(zhǎng)，無(wú)法進(jìn)行短時(shí)間短距離的位置預(yù)測(cè)。網(wǎng)絡(luò)切換策略需要近乎實(shí)時(shí)預(yù)測(cè)或短時(shí)預(yù)測(cè)，上述方法適用性較低。本文使用LSTM進(jìn)行短期用戶(hù)移動(dòng)預(yù)測(cè)，捕獲個(gè)體移動(dòng)數(shù)據(jù)中可能存在的時(shí)空依賴(lài)，同時(shí)兼顧數(shù)據(jù)的短時(shí)間隨機(jī)性和長(zhǎng)期周期性[21]。

為降低預(yù)測(cè)難度，本文在3.1節(jié)使用核模糊聚類(lèi)對(duì)用戶(hù)移動(dòng)數(shù)據(jù)進(jìn)行聚類(lèi)，根據(jù)特征相似度獲取當(dāng)前用戶(hù)各個(gè)時(shí)刻移動(dòng)數(shù)據(jù)屬于不同移動(dòng)模式的隸屬度。將每個(gè)樣本屬于當(dāng)前移動(dòng)模式的隸屬度作為訓(xùn)練誤差的權(quán)重，分別訓(xùn)練不同移動(dòng)模式對(duì)應(yīng)的LSTM模型。最終聯(lián)合使用這些LSTM進(jìn)行短時(shí)移動(dòng)位置預(yù)測(cè)，系統(tǒng)的最終輸出同樣基于前一時(shí)刻用戶(hù)移動(dòng)模式，即下一時(shí)刻的預(yù)測(cè)位置等于不同類(lèi)型神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)結(jié)果的加權(quán)和，其權(quán)值為前一時(shí)刻用戶(hù)所屬移動(dòng)模式的隸屬度。

LSTM神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示，兩個(gè)LSTM隱藏層中嵌入1層隨機(jī)失活層，后連接1個(gè)全連接層，其中添加的隨機(jī)失活層是一種正則化方法，其目的是降低模型訓(xùn)練過(guò)程中的過(guò)擬合概率。

圖2 LSTM神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

4.3 最優(yōu)切換網(wǎng)絡(luò)

根據(jù)當(dāng)前位置和下一時(shí)刻預(yù)測(cè)位置，可以獲取兩個(gè)位置可連接的候選網(wǎng)絡(luò)集合E(t)和F(t)，通過(guò)計(jì)算兩個(gè)集合的交集G(t)=E(t)∩F(t)，作為網(wǎng)絡(luò)切換選擇的候選集合。通過(guò)當(dāng)前位置和預(yù)測(cè)位置候選網(wǎng)絡(luò)的交集操作，可以過(guò)濾掉非前進(jìn)方向的網(wǎng)絡(luò)，降低移動(dòng)導(dǎo)致頻繁切換的概率。在此基礎(chǔ)上，基于帶寬、接收信號(hào)強(qiáng)度(RSS)、時(shí)間延遲3個(gè)指標(biāo)來(lái)選取最優(yōu)切換網(wǎng)絡(luò)。最優(yōu)切換網(wǎng)絡(luò)的選擇本質(zhì)是一個(gè)最優(yōu)化問(wèn)題，其決策變量是當(dāng)前時(shí)刻t取交后的候選集G(t)={gi|i=1,2,...,GN}中最優(yōu)網(wǎng)絡(luò)的選擇，這里使用01變量表示X={xi|xi ∈{0,1},i=1,2,...,GN}。設(shè)終端在持續(xù)時(shí)間Tc內(nèi)對(duì)各候選網(wǎng)絡(luò)各項(xiàng)指標(biāo)進(jìn)行檢測(cè)，其中任意時(shí)刻的帶寬、接收信號(hào)強(qiáng)度(RSS)、時(shí)間延遲分別表示為ηi(t),θi(t),κi(t)。考慮到指標(biāo)采樣存在的噪聲，本文使用Tc內(nèi)各指標(biāo)的積分作為評(píng)價(jià)函數(shù)：同時(shí)由于3種指標(biāo)的量程不同，這里對(duì)3種指標(biāo)進(jìn)行歸一化操作，最終的目標(biāo)函數(shù)是3種指標(biāo)的加權(quán)和，其目標(biāo)函數(shù)和約束可以表示為

其中，式(15)是網(wǎng)絡(luò)選擇的目標(biāo)函數(shù)，式(16)表示最多僅選擇1個(gè)網(wǎng)絡(luò)，式(17)表示變量yi的定義，所選網(wǎng)絡(luò)各項(xiàng)指標(biāo)有1項(xiàng)不滿(mǎn)足最低閾值，則yi=0 ，否則yi=1。基于上述最優(yōu)化模型，使用帝企鵝算法求解，即可獲得當(dāng)前時(shí)刻的最優(yōu)切換網(wǎng)絡(luò)。

4.4 切換算法流程

由于本文使用了機(jī)器學(xué)習(xí)的算法，這里將分為離線訓(xùn)練和在線切換兩個(gè)部分介紹算法流程。

算法的離線訓(xùn)練部分步驟如下:

步驟1 使用聚類(lèi)算法對(duì)用戶(hù)不同時(shí)段的短期歷史位移數(shù)據(jù)對(duì)進(jìn)行聚類(lèi)，獲得當(dāng)前短期歷史位移所屬類(lèi)型的隸屬度矩陣U和聚類(lèi)中心V。

步驟2 將每個(gè)樣本點(diǎn)的屬于移動(dòng)類(lèi)型的隸屬度作為每個(gè)神經(jīng)網(wǎng)絡(luò)訓(xùn)練誤差的權(quán)重，分別訓(xùn)練N個(gè)神經(jīng)網(wǎng)絡(luò)。

完成離線預(yù)訓(xùn)練后，使用訓(xùn)練好的聚類(lèi)模型和神經(jīng)網(wǎng)絡(luò)進(jìn)行網(wǎng)絡(luò)切換，其流程圖見(jiàn)圖3，詳細(xì)步驟如下：

圖3 基于在線軌跡預(yù)測(cè)的網(wǎng)絡(luò)切換算法流程圖

步驟1 使用聚類(lèi)算法對(duì)短期歷史位移數(shù)據(jù)所屬的移動(dòng)模式進(jìn)行聚類(lèi)，獲得當(dāng)前用戶(hù)短期位移數(shù)據(jù)在各時(shí)刻所屬移動(dòng)類(lèi)型的隸屬度矩陣U。

步驟2 使用多個(gè)LSTM神經(jīng)網(wǎng)絡(luò)聯(lián)合預(yù)測(cè)用戶(hù)在t+1時(shí)刻的可能位置，其最終輸出是多個(gè)神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)結(jié)果的加權(quán)和，權(quán)值為t時(shí)刻位移數(shù)據(jù)所屬的移動(dòng)模式U(t)。

步驟3 根據(jù)當(dāng)前位置和預(yù)測(cè)位置獲取可切換網(wǎng)絡(luò)集合，并取交集作為候選網(wǎng)絡(luò)。

步驟4 如果當(dāng)前連接網(wǎng)絡(luò)不在候選集合中，判斷當(dāng)前網(wǎng)絡(luò)有切換需求；否則判斷當(dāng)前網(wǎng)絡(luò)的3項(xiàng)指標(biāo)是否任一項(xiàng)不滿(mǎn)足最低閾值，若存在，判斷當(dāng)前網(wǎng)絡(luò)需求切換。

步驟5 對(duì)于候選網(wǎng)絡(luò)集合，基于3.3節(jié)的最優(yōu)化模型，使用帝企鵝算法進(jìn)行求解，獲得最優(yōu)切換網(wǎng)絡(luò)。

5 仿真實(shí)驗(yàn)及結(jié)果分析

5.1 實(shí)驗(yàn)環(huán)境及仿真算例

本文的實(shí)驗(yàn)環(huán)境是Win10 64位系統(tǒng)，11th Gen Intel(R)Core(TM) i7-11800H@2.30 GHz,32 GB內(nèi)存，以及MATLAB 2021b。本文仿真地圖為上海市普陀區(qū)城市道路網(wǎng)絡(luò)，并在該地圖上基于上海市2016年基站數(shù)據(jù)，部署宏蜂窩、微蜂窩以及無(wú)線局域網(wǎng)絡(luò)組成的超密集異構(gòu)網(wǎng)絡(luò)，其中微蜂窩和無(wú)線局域網(wǎng)絡(luò)依預(yù)設(shè)數(shù)量隨機(jī)生成，網(wǎng)絡(luò)滿(mǎn)足IEEE802.11ax標(biāo)準(zhǔn)的WLAN與3GPPP(R16)標(biāo)準(zhǔn)[22]。3類(lèi)網(wǎng)絡(luò)的參數(shù)見(jiàn)表1，上海普陀區(qū)初始地圖見(jiàn)圖4，基于普陀區(qū)道路網(wǎng)絡(luò)的超密集異構(gòu)無(wú)線場(chǎng)景示意圖見(jiàn)圖5。仿真中，干擾信號(hào)接受強(qiáng)度的噪聲服從均值為6 dBm，標(biāo)準(zhǔn)差為8 dB的正態(tài)分布。

表1 網(wǎng)絡(luò)仿真參數(shù)的設(shè)置

圖4 上海普陀區(qū)地圖

圖5 超密集異構(gòu)無(wú)線場(chǎng)景示意圖

5.2 終端移動(dòng)仿真和位置預(yù)測(cè)

用戶(hù)在地圖上隨機(jī)生成，存在3種移動(dòng)模式，道路移動(dòng)模式、區(qū)域內(nèi)布朗運(yùn)動(dòng)模式以及近乎靜止模式。這3種移動(dòng)模式按順序編號(hào)為模式1～3。當(dāng)用戶(hù)處于道路移動(dòng)模式時(shí)，從初始位置出發(fā)，沿道路前行，抵達(dá)終點(diǎn)后轉(zhuǎn)變移動(dòng)模式，加速度為2 m/s2。地圖上存在兩種道路，普通城市道路移速為40～60 km/h，北橫通道移速為80～100 km/h。當(dāng)用戶(hù)處于區(qū)域內(nèi)布朗運(yùn)動(dòng)時(shí)，移速為4～5 km/h，當(dāng)目標(biāo)位置發(fā)生改變時(shí)，以當(dāng)前位置為中心活動(dòng)半徑為500 m，加速度為1 m/s2；當(dāng)用戶(hù)與處于近乎靜止?fàn)顟B(tài)時(shí)，移速為4～5 km/h，以初始位置為中心活動(dòng)半徑為50 m，加速度為1 m/s2。典型用戶(hù)在不同模式下，移動(dòng)軌跡和速度時(shí)間變化曲線見(jiàn)圖6。

圖6 3種模式下，坐標(biāo)時(shí)間變化曲線和速度時(shí)間變曲線

為驗(yàn)證設(shè)計(jì)算法的有效性和優(yōu)越性，本文使用不同算法對(duì)該典型用戶(hù)在不同模式下的移動(dòng)軌跡進(jìn)行預(yù)測(cè)，預(yù)測(cè)軌跡和預(yù)測(cè)軌跡誤差見(jiàn)圖7。實(shí)驗(yàn)的對(duì)比算法包含全連接神經(jīng)網(wǎng)絡(luò)(NN)、極限學(xué)習(xí)機(jī)(ELM)以及支持向量機(jī)(SVM)。從圖中可以看出，本文算法預(yù)測(cè)的準(zhǔn)確性最好，其預(yù)測(cè)軌跡和真實(shí)路徑貼合度最高，且誤差穩(wěn)定在較小范圍內(nèi)，不會(huì)像其他算法在方向轉(zhuǎn)變前后出現(xiàn)大幅預(yù)測(cè)失真的情況。為更精確衡量不同算法預(yù)測(cè)的誤差，本文基于R2和均方根誤差(RMSE)兩種指標(biāo)評(píng)價(jià)不同算法的預(yù)測(cè)誤差[23]，統(tǒng)計(jì)結(jié)果見(jiàn)表2。從表中可見(jiàn)，不同的預(yù)測(cè)模式下，本文算法RMSE最低，R2 最高，其預(yù)測(cè)精度最高。此外，本小節(jié)統(tǒng)計(jì)了不同預(yù)測(cè)算法在線預(yù)測(cè)所需要的時(shí)間，4種算法用時(shí)分別是[0.011 900,0.012 710, 0.011 815, 0.012 122] s，以驗(yàn)證算法近乎實(shí)時(shí)或短時(shí)預(yù)測(cè)的能力。

圖7 3種模式下，典型用戶(hù)不同算法軌跡預(yù)測(cè)和預(yù)測(cè)誤差

5.3 網(wǎng)絡(luò)切換性能對(duì)比

為了驗(yàn)證本文提出的網(wǎng)絡(luò)切換算法的有效性和優(yōu)越性，本文基于3種不同的網(wǎng)絡(luò)切換算法，仿真終端用戶(hù)在不同移動(dòng)模式下的移動(dòng)及網(wǎng)絡(luò)切換行為，并統(tǒng)計(jì)相關(guān)指標(biāo)。基于算法特性，另外兩種算法在本文中，分別被稱(chēng)為被動(dòng)切換算法[24]和主動(dòng)切換算法[25]。本文實(shí)驗(yàn)基于不同的移動(dòng)模式模擬1 000人次的移動(dòng)和網(wǎng)絡(luò)切換行為，統(tǒng)計(jì)終端用戶(hù)在移動(dòng)過(guò)程中平均網(wǎng)絡(luò)切換次數(shù)、信號(hào)接受強(qiáng)度(RSS)、平均時(shí)延、平均帶寬、平均傳輸速率以及平均切換失敗概率6項(xiàng)指標(biāo)以評(píng)價(jià)算法性能，其中切換失敗概率的時(shí)間閾值為1 s。

5.3.1 道路移動(dòng)模式網(wǎng)絡(luò)切換仿真

對(duì)于道路移動(dòng)模式，1 000人次仿真中對(duì)上述6項(xiàng)指標(biāo)統(tǒng)計(jì)結(jié)果見(jiàn)表3；為進(jìn)一步分析和展示用戶(hù)終端在仿真時(shí)的移動(dòng)特性和網(wǎng)絡(luò)切換情況，本文繪制了典型顧客在相同移動(dòng)軌跡下，使用不同切換算法時(shí)的網(wǎng)絡(luò)連接變化，見(jiàn)圖8。綜合圖表結(jié)果可知，被動(dòng)算法追求連接的穩(wěn)定性，優(yōu)先選擇宏蜂窩且會(huì)保持較長(zhǎng)時(shí)間，直至車(chē)輛駛離當(dāng)前連接的宏蜂窩覆蓋范圍。由于宏蜂窩的覆蓋范圍較大，其乒乓效應(yīng)發(fā)生的概率極低；此外宏蜂窩時(shí)延較低，帶寬低，故該算法的平均時(shí)延、帶寬以及傳輸速度都較低。主動(dòng)算法追求高RSS的連接，宏蜂窩在大多數(shù)情況下，其信號(hào)接受強(qiáng)度高于微蜂窩和無(wú)線局域網(wǎng)，故主動(dòng)算法同樣優(yōu)先連接宏蜂窩。但是主動(dòng)切換算法與被動(dòng)切換算法存在些許差異，即主動(dòng)切換算法會(huì)頻繁舍棄當(dāng)前連接的宏蜂窩，選擇RSS更強(qiáng)的宏蜂窩，更高的切換頻率是導(dǎo)致其切換失敗較高的原因。本文提出的算法則是在信號(hào)接受強(qiáng)度允許的范圍內(nèi)(大于-100 dB)綜合考慮了時(shí)延、帶寬因素，主動(dòng)優(yōu)先選擇微蜂窩和無(wú)線局域網(wǎng)，故本文算法的時(shí)延、帶寬以及傳輸速率均值最高；同時(shí)由于微蜂窩和無(wú)線局域網(wǎng)的覆蓋范圍更小，本文算法需要更頻繁地切換網(wǎng)絡(luò)，其切換次數(shù)最高，但其切換失敗概率低于主動(dòng)切換算法，故可認(rèn)為本文算法可以有效地降低乒乓效應(yīng)導(dǎo)致的切換失敗問(wèn)題。

表3 不同模式不同算法網(wǎng)絡(luò)切換仿真——各項(xiàng)指標(biāo)統(tǒng)計(jì)

圖8 道路移動(dòng)模式下，基于不同切換算法的典型用戶(hù)網(wǎng)絡(luò)切換仿真結(jié)果

5.3.2 局部布朗運(yùn)動(dòng)網(wǎng)絡(luò)切換仿真

對(duì)于局部布朗運(yùn)動(dòng)模式，所有仿真終端的持續(xù)時(shí)間均為1 200 s, 1 000人次仿真中對(duì)上述6項(xiàng)指標(biāo)統(tǒng)計(jì)結(jié)果見(jiàn)表3；為進(jìn)一步分析和展示用戶(hù)終端在仿真時(shí)的移動(dòng)特性和網(wǎng)絡(luò)切換情況，本文繪制了典型顧客在相同移動(dòng)軌跡下，使用不同切換算法時(shí)的網(wǎng)絡(luò)連接變化，見(jiàn)圖9。3種算法在不同的指標(biāo)上的表現(xiàn)和道路移動(dòng)模式下的表現(xiàn)相近，不再贅述。局部布朗運(yùn)動(dòng)，由于移速較慢，單個(gè)終端仿真時(shí)長(zhǎng)大于道路移動(dòng)模式下，故平均網(wǎng)絡(luò)切換次數(shù)和累計(jì)在網(wǎng)時(shí)間較高，同理由于移速較慢，乒乓效應(yīng)發(fā)生的概率降低，網(wǎng)絡(luò)切換失敗概率也顯著降低。

圖9 局部布朗運(yùn)動(dòng)下，基于不同切換算法的典型用戶(hù)網(wǎng)絡(luò)切換仿真結(jié)果

5.3.3 近乎靜止模式網(wǎng)絡(luò)切換仿真

對(duì)于近乎靜止模式，1 000人次仿真中對(duì)上述6項(xiàng)指標(biāo)統(tǒng)計(jì)結(jié)果見(jiàn)表3；為進(jìn)一步分析和展示用戶(hù)終端在仿真時(shí)的移動(dòng)特性和網(wǎng)絡(luò)切換情況，本文繪制了典型顧客在相同移動(dòng)軌跡下，使用不同切換算法時(shí)的網(wǎng)絡(luò)連接變化，見(jiàn)圖10。3種算法在不同的指標(biāo)上的表現(xiàn)和前兩種模式下的表現(xiàn)相近，不再贅述。近乎靜止模式下，由于移速較慢且移動(dòng)范圍極小，單個(gè)終端仿真時(shí)長(zhǎng)大于道路移動(dòng)模式下，故平均網(wǎng)絡(luò)切換次數(shù)和累計(jì)在網(wǎng)時(shí)間較高，同理由于移速較慢且移動(dòng)范圍極小，乒乓效應(yīng)不會(huì)發(fā)生。平均網(wǎng)絡(luò)切換次數(shù)和累計(jì)在網(wǎng)時(shí)長(zhǎng)數(shù)量級(jí)和局部布朗運(yùn)動(dòng)模式下統(tǒng)計(jì)結(jié)果類(lèi)似，所有仿真終端的持續(xù)時(shí)間均為1 200 s。

圖10 近乎靜止模式下，基于本文切換算法的典型用戶(hù)網(wǎng)絡(luò)切換仿真結(jié)果

5.3.4 所有模式匯總

本小節(jié)將上述3種模式下，基于不同算法網(wǎng)絡(luò)切換仿真的統(tǒng)計(jì)結(jié)果進(jìn)行了匯總，見(jiàn)表3和表4。通過(guò)對(duì)比可知，本文算法在前兩種模式下切換頻率最高，盡可能地利用了微蜂窩和無(wú)線局域網(wǎng)，而在近乎靜止模式下，避免了主動(dòng)切換算法在某些特殊情況下的頻繁切換。本文算法時(shí)延、帶寬以及傳輸速率的均值較高，在滿(mǎn)足基本接受強(qiáng)度需求的前提下(RSS均值大于-95 dBm)，具有較好的用戶(hù)體驗(yàn)。結(jié)合表4，使用不同算法的終端在不同網(wǎng)絡(luò)的累計(jì)在網(wǎng)時(shí)長(zhǎng)各有特色，結(jié)合各類(lèi)網(wǎng)絡(luò)的特性，從側(cè)面印證了本文統(tǒng)計(jì)結(jié)果的合理性。

表4 不同模式不同算法網(wǎng)絡(luò)切換仿真-累計(jì)在網(wǎng)時(shí)長(zhǎng)統(tǒng)計(jì)(s)

6 結(jié)束語(yǔ)

本文提出一種基于終端移動(dòng)軌跡預(yù)測(cè)的網(wǎng)絡(luò)切換算法，適用于各類(lèi)型用戶(hù)在高密度無(wú)線網(wǎng)絡(luò)中的垂直切換和水平切換問(wèn)題。仿真結(jié)果表明，相比于其他類(lèi)型的時(shí)間序列預(yù)測(cè)算法，本文提出的軌跡預(yù)測(cè)算法精度較高，同時(shí)相較對(duì)比算法，本文所提網(wǎng)絡(luò)切換算法的切換次數(shù)適中，有效避免了乒乓效應(yīng)，且提高了用戶(hù)連接的網(wǎng)絡(luò)質(zhì)量。此外，本文研究仍有一些不足。在后續(xù)的研究中可以進(jìn)一步增加地圖精度，添加小區(qū)道路，使仿真結(jié)果更貼近實(shí)際。本文研究的是針對(duì)單終端自主切換網(wǎng)絡(luò)的算法，目前單個(gè)用戶(hù)攜帶的終端設(shè)備數(shù)量較多，多終端協(xié)同網(wǎng)絡(luò)切換算法將成為未來(lái)研究熱點(diǎn)，下一步工作本文將考慮多終端協(xié)同切換算法。