本发明专利技术涉及一种基于极限学习的车辆轨迹预测和MEC应用迁移方法，属于无线通信网络领域。该方法包括：S1：通过MEC应用收集、存储并处理联网车辆的定位信息，构建车辆在本地的行驶轨迹数据库；S2：以本地MEC服务器为中心重构车辆在本地的行驶轨迹，结合边缘网络收集邻近的MEC服务器数据和日期，形成样本集；S3：通过ELM预测算法预测车辆的移动方向，确定联网车辆将接入MEC服务器，迁移车联网应用到该服务器之内。本发明专利技术能够应用于移动边缘网络场景下基于MEC服务器部署的车联网应用的预先迁移。
【技术实现步骤摘要】
一种基于极限学习的车辆轨迹预测和MEC应用迁移方法
本专利技术属于5G无线通信网络中的移动边缘计算
，涉及一种基于极限学习机的车辆轨迹预测和MEC应用迁移方法。
技术介绍
随着5G通信技术的飞速发展和物联网(InternetofThings,IoV)的提出，移动边缘计算(MobileEdgeComputing,MEC)应运而生。MEC是ICT产业融合及移动网络发展的自然产物，旨在提供一个具有IT服务环境和云计算能力的边缘网络。MEC具有低时延、本地感知、网络环境检测等诸多优势，为用户、企业级应用打开了全新的市场。车联网(InternetofVehicles,IoV)以“智能交通”为目标，为解决交通安全问题提供了新思路，是当下极具价值的MEC应用之一。将MEC应用于车联网，可以把车联网云“下沉”至分布式部署的网络边缘节点，满足V2I(VehiclestoInfrastructure)的超低时延要求。利用MEC服务器承载车联网应用，可在毫秒级别时间完成本地交通数据的获取和分析，并快速将结论广播至范围内联网车辆，受到了行业和学术界的广泛关注。联网车辆具有高速移动性，边缘网络为车辆用户提供的服务(由顶层应用虚拟机承载)需要在不同的服务节点之间进行切换(即虚拟机迁移)，以缩短用户到服务节点的距离，降低车辆到MEC服务器的传输时延。因此，为避免因虚拟机切换而产生的长时间宕机对用户体验的影响，如何设计有效的算法预先计算出车辆前往的区域，并在车辆用户移动到下一MEC服务节点之前做好切换工作，是当下的研究热点之一。近年来，在用户移动轨迹预测的研究中，基于地理位置的行为分析取得了比较好的研究成果。移动模式模型的研究主要利用了来自蜂窝网络或无线局域网(WLAN)的GPS数据或关联数据。由于原始GPS数据包含许多异常值，因此大多数先前的研究首先筛选出噪声和不合理的测量结果，并利用过滤后的GPS数据构建预测模型。Alvarez-Garcia等人从GPS数据中识别出用户花费大量时间的地方，通过聚类算法构建特征节点；并利用隐马尔科夫模型以评估相关位置之间的移动模式，预测未来的位置。Krumm等人从原始GPS数据获得端到端路线，并使用贝叶斯模型和行程相似性聚类算法预测下一个位置。专利“一种基于车联网的车辆轨迹预测方法”(申请公布号：CN105760958A)将观测街道划分成段并编号，采用基于概率统计的马尔可夫链来预测车辆的行驶轨迹。其不足之处在于，街道分段方式不具备普适性，当街道场景的构成更加复杂时，算法的准确度将会急剧下降。专利“一种基于高斯混合模型的车辆轨迹预测方法、系统”(申请公布号：CN107298100A)将高斯混合模型用于预测车辆的行驶速度，并结合条件分布来求解车辆的未来轨迹。该专利的不足之处在于，基于高斯混合模型的算法复杂度较高，且仅预测了车辆在未来几秒时间内的行驶模式，在预测车辆行驶方向时效果不佳。极限学习机(ExtremeLearningMachines,ELM)预测算法是一种单隐层前馈神经网络，ELM神经网络的网络结构相比于传统的神经网络更加简洁，随机参数的给定使得ELM神经网络的求解仅需矩阵的运算，其运算速度更加高效，同时ELM预测算法可以有效地避免预测结果陷入局部最优。因此，可结合ELM预测算法来解决预先计算出车辆前往的区域，并在车辆用户移动到下一MEC服务节点之前做好切换工作的问题。
技术实现思路
有鉴于此，本专利技术的目的在于提供一种基于极限学习机的车辆轨迹预测和MEC应用迁移方法，能够应用于移动边缘网络场景下基于MEC服务器部署的车联网应用的预先迁移。为达到上述目的，本专利技术提供如下技术方案：一种基于极限学习的车辆轨迹预测和MEC应用迁移方法，基于极限学习机的移动方向快速预测。设定在移动边缘网络场景下，MEC服务器基于宏基站部署，即MEC服务器主要为当前宏基站覆盖范围内的用户提供服务。车载传感器收集联网车辆的各类信息，边缘网络下MEC服务器互相通信，通过长期的数据收集，共同构建联网车辆的历史行驶轨迹，并在MEC服务器上以数据库的形式存储；MEC服务器对数据库数据进行重构，以生成样本集；利用ELM预测算法对样本集进行训练，预测联网汽车现在的移动趋势，并迁移应用和数据。本专利技术不局限于以上设定，MEC服务器可基于多个宏基站部署。当通过本专利技术中算法求得联网车辆驶出方向后，根据该方向上的宏基站是否仍属于本地MEC服务器覆盖范围，确定是否迁移应用和用户数据。该方法具体包括以下步骤：S1：通过移动边缘计算(MobileEdgeComputing,MEC)应用收集、存储并处理联网车辆的定位信息，构建车辆在本地的行驶轨迹数据库；S2：以本地MEC服务器为中心重构车辆在本地的行驶轨迹，结合边缘网络收集邻近的MEC服务器数据和日期等信息，形成样本集；S3：通过极限学习机(ExtremeLearningMachines,ELM)预测算法预测车辆的移动方向，确定联网车辆将接入MEC服务器，迁移车联网应用到该服务器之内。进一步，所述步骤S1具体包括以下步骤：S11：车载传感器周期性采集联网车辆的ID、GPS定位、即时速度、行驶方向和交通拥挤程度等数据；S12：联网车辆驶入本地覆盖域后，通过车载通信设备和本地MEC服务器相连，将收集到的数据传输到服务器之内；S13：MEC服务器将收集到的历史数据进行处理，去除重复或错误的GPS定位信息；结合从邻近的MEC服务器回传的接入确认信息，形成车辆的历史轨迹，存储到本地行驶轨迹数据库中。进一步，所述步骤S2具体包括以下步骤：S21：以本地MEC服务器覆盖域中的基站站点位置O为中心，基站有效覆盖半径为R′；取半径为R的区域D作为预测范围，将区域D划分为M个子区域di，即D＝{di|i＝1,...,M}，其中R＜R′；S22：MEC服务器将车辆的历史轨迹数据投影到划分图里，并以区域划分后的子区域标记来记录车辆的行驶轨迹Trace＝{e1,e2,...,en|ei∈D}；服务器回传的车辆离开方向用s_out_place(∈P)表示，其中，P＝{pj|j＝1,...,r}表示邻近的MEC服务器集合，r表示邻近的MEC服务器总个数；所述的行驶轨迹Trace须遵循乒乓效应和超时等待效应，即当历史移动轨迹中可能存在循环路径，如...didjdidj...拆分为...didj和didj...；用户在某一位置停留很长时间的历史移动轨迹，视为二者之间没有强相关性，需将其视为两段移动轨迹；等待时间阈值为T，通常T∈[1,2](h)。S23：设定输入向量为x＝(d1,...,dM,t_weekend)，初始化d1,...,M＝0；t_weekend表示行驶轨迹的日期信息用布尔变量，0表示周末，1表示工作日；将车辆行驶轨迹Trace的后三个元素视为有效预测变量，并标记其对应的子区域变量di＝1,2,3；设定输出向量为t＝(p1,...,pr)，若联网车辆离开当前区域后移动到pj，则标记pj＝1；数据归一化，形成训练集S＝{(xk,tk)|k＝1,...,N}，其中N表示训练样本集的数据总量。进一步，所述步骤S3具体包括以下步骤：S31：利用训练集S的数据训练极限学习机预测模型，求得ELM神经网络模型的权重参数；输本文档来自技高网...
【技术保护点】
1.一种基于极限学习的车辆轨迹预测和MEC应用迁移方法，其特征在于，该方法具体包括以下步骤：S1：通过移动边缘计算(Mobile Edge Computing,MEC)应用收集、存储并处理联网车辆的定位信息，构建车辆在本地的行驶轨迹数据库；S2：以本地MEC服务器为中心重构车辆在本地的行驶轨迹，结合边缘网络收集邻近的MEC服务器数据和日期，形成样本集；S3：通过极限学习机(Extreme Learning Machines,ELM)预测算法预测车辆的移动方向，确定联网车辆将接入MEC服务器，迁移车联网应用到该服务器之内。
【技术特征摘要】
1.一种基于极限学习的车辆轨迹预测和MEC应用迁移方法，其特征在于，该方法具体包括以下步骤：S1：通过移动边缘计算(MobileEdgeComputing,MEC)应用收集、存储并处理联网车辆的定位信息，构建车辆在本地的行驶轨迹数据库；S2：以本地MEC服务器为中心重构车辆在本地的行驶轨迹，结合边缘网络收集邻近的MEC服务器数据和日期，形成样本集；S3：通过极限学习机(ExtremeLearningMachines,ELM)预测算法预测车辆的移动方向，确定联网车辆将接入MEC服务器，迁移车联网应用到该服务器之内。2.根据权利要求1所述的一种基于极限学习的车辆轨迹预测和MEC应用迁移方法，其特征在于，所述步骤S1具体包括以下步骤：S11：车载传感器周期性采集联网车辆的ID、GPS定位、即时速度、行驶方向和交通拥挤程度；S12：联网车辆驶入本地覆盖域后，通过车载通信设备和本地MEC服务器相连，将收集到的数据传输到服务器之内；S13：MEC服务器将收集到的历史数据进行处理，去除重复或错误的GPS定位信息；结合从邻近的MEC服务器回传的接入确认信息，形成车辆的历史轨迹，存储到本地行驶轨迹数据库中。3.根据权利要求1所述的一种基于极限学习的车辆轨迹预测和MEC应用迁移方法，其特征在于，所述步骤S2具体包括以下步骤：S21：以本地MEC服务器覆盖域中的基站站点位置O为中心，基站有效覆盖半径为R′；取半径为R的区域D作为预测范围，将区域D划分为M个子区域di，即D＝{di|i＝1,...,M}，其中R＜R′；S22：MEC服务器将车辆的历史轨迹数据投影到划分图里，并以区域划分后的子区域标记来记录车辆的行驶轨迹Trace＝{e1,e2,...,en|ei∈D}；服务器回传的车辆离开方向用s_out_place(∈P)表示，其中，P＝{pj|j＝1,...,r}表示邻近的MEC服务器集合，r表示邻近的MEC服务器总个数；S23：设定输入向量为x＝(d1,...,dM,t_weekend)，初始化d1,...,M＝0；t_w...
【专利技术属性】
技术研发人员：余翔，管茂林，廖明霞，滕龙，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：重庆,50
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。