[發明專利]一種基于隱馬爾科夫的車聯網切換決策方法

有效

• 申請號: 202111169755.0
• 申請日: 2021-10-08
• 公開（公告）號: CN113950113B
• 公開（公告）日: 2022-10-25
• 發明（設計）人: 畢遠國;郝晨陽;黃子烜;張東玉;王博洋;郭朋超;張娟;肖嘉池
• 申請（專利權）人: 東北大學
• 主分類號: H04W36/00
• 分類號: H04W36/00;G06K9/62;G06N3/04;G06N3/08;H04W4/40;H04W36/26;H04W36/32;H04W60/00
• 代理公司: 大連理工大學專利中心 21200
• 代理人: 溫福雪

1.一種基于隱馬爾科夫的車聯網切換決策方法，其特征在于，首先，使用長短期記憶網絡LSTM預測模型完成對車輛當前連接的接收信號強度的預測，判斷是否需要觸發切換以及觸發切換的具體時間；其次，引入隱馬爾科夫模型HMM，結合車輛的觀測屬性，判決出車輛需要進行切換的目標網絡；最后，在系統設計的過程中考慮了該方法與LTE-V協議棧的兼容性，把整個系統分為信息交互模塊、信息維護模塊、切換觸發模塊、網絡選擇模塊和數據轉發模塊五個模塊；

所述切換觸發模塊具體為：幫助車輛節點提前判斷出當前連接的AP在接下來一段時間內的可接收信號強度RSSI，從而判斷出車輛節點觸發切換的具體時間；

接收信號強度隨距離的增加呈對數遞減，因此RSSI表示為：

其中，dbm₀表示在AP附近1米時的RSSI，d為車輛節點與AP之間的距離，n為路徑損耗因子常數，d₀為定值，代表車輛節點與AP之間的距離的單位度量參數值；

當車輛節點連接到網絡時，窗口時間L內維護車輛當前連接AP的RSSI列表{rssi_t,rssi_t+1,···,rssi_t+L}，根據該RSSI列表估計在接下來一段時間內的RSSI，提前預測是否需要發生切換，以發現并注冊新的轉交地址；采用LSTM網絡預測模型得到接下來的RSSI，LSTM使用有效的基于梯度的學習方法，解決遞歸過程中的指數衰減誤差及消失問題；

LSTM網絡預測模型分為輸入層、隱藏層和輸出層三層，輸入層為車輛節點當前連接AP的RSSI列表，該列表傳播到隱藏層后，隱藏層更新其隱藏層狀態，并根據輸入的值計算出結果，即RSSI預測列表；使用以下公式更新模型中的隱藏層的狀態：

其中，f是設置為S型函數的非線性隱藏層函數，w是貝葉斯向量，定義了權重矩陣；LSTM網絡預測模型中的隱藏層還包含存儲單元和門單元，它們會更改常規遞歸神經網絡模型中的f函數以存儲信息，存儲單元定義了一些現行的相互作用以決定在存儲器中保留哪類信息并輸出隱藏狀態；

基于LSTM的切換觸發方法分為三步：數據預處理、學習和預測；在本方法中，車輛節點維護當前連接AP更新數據包中的RSSI并按時間順序保存在列表中，使用該RSSI作為輸入向量，以離線的方式訓練LSTM網絡預測模型，并使用保存的模型參數來預測新的RSSI序列；除此之外，在收集用于訓練的RSSI值時，設置一個輸入向量的窗口大小，該大小為預測所需要的RSSI序列向量中RSSI的個數；根據不同窗口大小的測試，選取窗口大小的值；

所述網絡選擇模塊為切換決策方法的核心內容，目的是選擇出當前車輛要切換至的最佳目標網絡；該模塊使用了隱馬爾可夫模型進行預測，來決定車輛要切換的目標網絡；

HMM模型有N個不同的狀態：S₁，S₂，…，S_N，分別代表了周圍不同的鄰居AP，在每個時刻t＝1,2，…，T都能夠發生狀態轉換，M表示每個狀態的觀測狀態數量，是車輛運動狀態的映射，x_t表示在t時刻的狀態；HMM模型包含三個部分：狀態轉移矩陣A、觀測概率矩陣B以及初始概率分布π；狀態轉移矩陣A為車輛在各個AP間進行切換概率的矩陣，定義如下：

其中，a_i,j代表了車輛從AP_i切換到AP_j的概率，具體表示為：

a_i,j＝P(x_t＝S_j|x_t-1＝S_i),i,j∈N (5)

觀測概率矩陣B為車輛在當前觀測狀態下連接某一AP概率的矩陣，定義如下：

其中，b_i,j代表了車輛在當前的運動情況下連接到AP_j的概率，具體表示為：

b_i,j＝P(y_t＝O_k|x_t＝S_j),j∈N,k∈M. (7)

上式中的O_k代表的是車輛當前觀測狀態，通過車輛的測量值及卡爾曼濾波器得到；初始概率分布π為在一開始車輛連接到各個AP的概率的集合：

π_i＝P(x₁＝S_i),1iN (8)

將以上三個元素定義到一個三元組λ中，

λ＝(A,B,π) (9)

要切換到的AP以及其附屬的MAP狀態是隱藏的，其中，MAP維護多個AP；而車輛的移動屬性通過測量得到，基于上述HMM元素，基于網絡的觀測值來訓練和預測概率值，主要通過兩步來完成：自適應學習和初始矩陣估算；自適應學習過程用于遞歸估計AP概率，僅依賴于先前的時間戳來更新觀測矩陣；AP概率分為兩部分來描述，在t＝1時和以及其他時間段時，根據初始概率π＝{α₀(i)}，得到t＝1時的AP概率：

α₁(i)＝π_ib_i(o₁)a_i(1) (10)

其它時間段時AP在時間t的概率為：

AP的初始概率分布如下：

其中δ(.)是Kronecker增量，由參數值確定，如果參數為0則其值為1，如果參數為其他值則其值為0；觀測狀態在切換完成之后使用w(i)代替似然估計，第i個數據包的權重由以下公式確定，

其中L為最后一個數據包的序號，確保權重值不為零；狀態轉移矩陣與觀測矩陣的重計算公式如下：

其中x_p為預測到的AP節點，x_a為實際連接的AP節點，o_c是預測時車輛的當前觀測狀態；

以車輛的運動方向、移動速度以及地理位置信息來描述觀測狀態，在車聯網的環境下，車輛根據其自身的車載設備獲取其地理位置信息，同時通過AP節點發送的數據包獲取AP的位置信息，所以車輛的移動方向θ由以下公式計算；

dir_x＝predict_x-curr_x (16)

dir_y＝predict_y-curr_y (17)

其中predict_x和predict_y是預測得到的車輛的下一個位置的坐標信息，curr_x和curr_y是車輛當前位置的坐標信息，根據反正切函數得到車輛運動方向與x軸方向的夾角；定義車輛運動方向角度后，將數據離散為等寬特征，把連續值轉換為離散的對應值，以45°為一個范圍，把車輛的運動方向定義為8個不同的方向：N、NE、E、SE、S、SW、W、NW；

車輛的速度s根據卡爾曼濾波器及車輛的當前速度來得到，將預測得到的速度轉換為觀測序列中的離散數據集，把車輛的速度根據其大小劃分為6個不同的等級，車輛的速度不超過100km/h；

車輛的位置信息為HMM模型中第三個觀測序列，為使用方便選擇車輛的二維位置作為使用，由經度和緯度來表示；通過車載GPS獲取車輛的位置信息，并通過卡爾曼濾波器進行估算，每輛車計算其自身位置與當前連接AP覆蓋范圍邊緣之間的距離，然后車輛的位置被映射到地圖上的網格編號，其中每個AP所覆蓋的網格總數由其最大通信距離定義。