基于时空数据融合的通信网络优化系统及方法与流程

摘要: 本发明是基于时空数据融合的通信网络优化系统及方法,涉及实时数据流处理。背景技术:1、随着智能网联汽车和自动驾驶技术的快速发展,车辆对高可靠、低时延的通信网络需求...
基于时空数据融合的通信网络优化系统及方法与流程

本发明是基于时空数据融合的通信网络优化系统及方法,涉及实时数据流处理。

背景技术:

1、随着智能网联汽车和自动驾驶技术的快速发展,车辆对高可靠、低时延的通信网络需求日益增加。在5g及未来6g车联网(v2x)场景中,车辆的高速移动性导致其频繁跨越不同基站的覆盖范围,从而引发大量的网络切换操作。

2、现有的通信网络切换机制大多基于终端测量报告的阈值触发(如a3事件),传统机制缺乏对车辆未来行驶轨迹和信道状态的前瞻性预测,导致切换决策具有滞后性,容易在信号盲区发生连接中断;其次,在复杂城市峡谷或高速公路场景中,动态障碍物(如大型车辆)会造成信号的瞬时遮挡,传统机制极易将其误判为信号衰减从而触发不必要的切换,导致严重的“乒乓切换”效应,增加网络信令开销并降低通信质量;最后,现有的车路协同系统往往将大量原始数据上传至云端处理,不仅带来巨大的传输时延,难以满足毫秒级的切换决策需求,还存在数据隐私泄露的风险。

技术实现思路

1、针对现有技术存在的不足,本发明目的是提供基于时空数据融合的通信网络优化系统及方法。

2、为了实现上述目的,本发明是通过如下的技术方案来实现:

3、基于时空数据融合的通信网络优化系统,采用车端、路侧边缘端与云端三层协同架构,所述系统包括:

4、车端,用于执行数据采集与自适应状态修正,通过融合车载多源异构传感器数据,构建并输出目标车辆的修正状态向量;

5、路侧边缘端,用于基于所述修正状态向量及路侧感知数据,采用图神经网络模型并结合动态时间窗口机制,进行车-路协同轨迹预测,输出未来预测时间窗口内的多条备选行驶轨迹及其对应的概率分布;融合静态地图与动态遮挡特征,基于所述备选行驶轨迹进行动态信道状态预测,计算各轨迹点的信道质量指标并筛选优选基站,标记潜在盲区;采用深度强化学习算法,基于包含时序信道变化趋势的时序状态空间和连续/离散混合动作空间,执行切换决策推理,生成目标基站选择指令及切换触发参数微调指令;

6、云端,用于接收各边缘计算节点上传的模型参数,执行全局聚合与长周期模型迭代,并将更新后的全局模型下发至边缘计算节点与车端。

7、作为优选的,所述车端执行数据采集与自适应状态修正,具体包括:

8、通过车载定位模块获取目标车辆的实时三维位置信息,通过惯性测量单元以预设高频采样率采集实时加速度和角速度,通过车载诊断接口读取实时车速和方向盘转角;

9、应用非线性滤波算法融合上述异构数据,构建包含位置、速度、加速度及航向角的状态向量;

10、在滤波过程中,观测噪声协方差矩阵根据定位信号质量进行动态自适应调整,其调整模型表示为:rk=rbaseexp(αqk);

11、其中,rk为k时刻的观测噪声协方差矩阵,rbase为基础协方差矩阵,qk为定位信号质量指标,α为预设的调节系数;当qk降低时,rk呈指数级增大,可以在滤波更新中自动降低定位数据的权重。

12、作为优选的,所述路侧边缘端进行车-路协同轨迹预测并结合动态时间窗口机制,具体包括:

13、构建动态图结构,其中节点包括主车、邻车及交通设施,边的权重基于节点间的空间距离倒数与基于注意力机制计算的交互概率综合确定;

14、动态预测窗口生成:系统实时获取目标车辆的运动速度v,动态计算轨迹预测时间窗口tpred,其计算模型表示为:tpred=min(tmax,max(tmin,tbase+γv));

15、其中,tmax和tmin分别为预设的最大和最小预测时长阈值,tbase为基础预测时长,γ为速度映射系数;

16、所述图神经网络模型基于所述动态图结构和所述轨迹预测时间窗口,输出多条备选行驶轨迹及其对应的概率分布。

17、作为优选的,所述路侧边缘端进行动态信道状态预测,具体包括:

18、基于预测行驶轨迹,查找每个轨迹点的候选基站集合;

19、采用射线追踪模型计算信道状态,引入动态遮挡因子η(t),当路侧感知设备检测到预设类型的障碍物进入主车与基站的视距连线时,施加预设幅度的信号衰减补偿,路径损耗计算模型表示为:pl(t)=plfree(t)+plenv+η(t)δlblock;

20、其中,pl(t)为总路径损耗,plfree(t)为自由空间损耗,plenv为静态环境损耗,δlblock为预设的遮挡衰减补偿量;

21、计算每个轨迹点的参考信号接收功率、信干噪比和包含多普勒频移补偿量的时延;筛选优选基站,并标记信干噪比低于预设盲区阈值的连续轨迹点区域为潜在盲区。

22、作为优选的,所述路侧边缘端采用深度强化学习算法执行切换决策推理,具体包括:

23、构建时序状态空间,所述状态空间包含当前瞬时的车辆运动状态、信道质量指标及基站负载率,并引入时序记忆网络提取过去预设时间段内信道质量指标的时序衰减斜率与变化趋势;

24、构建连续或离散混合动作空间,包含离散的目标基站选择指令以及对切换触发参数的连续微调指令;

25、构建由多个子奖励加权构成的动态奖励函数,通过最大化累积奖励输出最优切换决策。

26、作为优选的,所述系统还包括基于预测置信度的提前降级与极端场景补偿机制:

27、提前降级机制:实时计算轨迹预测模型与信道预测模型的输出置信度,当输出置信度低于预设安全阈值时,立即触发事前降级,平滑回退至基于标准通信协议事件的触发切换模式;

28、非理想通信环境补偿机制:当监测到车-路通信链路丢包率高于预设丢包阈值或边缘计算节点与云端断连时,边缘计算节点启用本地缓存的上一周期全局模型进行独立决策;当车端连续丢失预设数量的路侧协同数据包时,自动切换至基于本地轻量模型的自主决策模式。

29、作为优选的,所述系统还包括多车协同调度与资源分配模块,以及分层联邦学习框架:

30、多车协同调度:边缘计算节点收集局部预设覆盖区域内多个并发切换请求,构建以系统总切换成本最小及总吞吐量最大为多目标的优化问题,采用启发式搜索算法或二分图匹配算法求解最优基站分配策略,所述分配策略受限于各基站的最大接入容量阈值及预设的切换时延上限阈值;

31、分层联邦学习框架:车端与边缘计算节点使用本地数据训练模型并计算模型梯度,对梯度添加满足预设隐私预算的拉普拉斯噪声;边缘计算节点对局部区域内梯度进行初步加权聚合后进行稀疏化压缩,仅保留幅值大于预设比例阈值的参数,上传至云端进行全局聚合。

32、根据本发明的另一个方面,提供了基于时空数据融合的通信网络优化方法,应用于所述的系统,其特征在于,所述方法包括以下步骤:

33、车端执行数据采集与自适应状态修正,通过融合车载多源异构传感器数据,构建并输出目标车辆的修正状态向量;

34、路侧边缘端基于所述修正状态向量及路侧感知数据,采用图神经网络模型并结合动态时间窗口机制,进行车-路协同轨迹预测,输出未来预测时间窗口内的多条备选行驶轨迹及其对应的概率分布;

35、路侧边缘端融合静态地图与动态遮挡特征,基于所述备选行驶轨迹进行动态信道状态预测,计算各轨迹点的信道质量指标并筛选优选基站,标记潜在盲区;

36、路侧边缘端采用深度强化学习算法,基于包含时序信道变化趋势的时序状态空间和连续或离散混合动作空间,执行切换决策推理,生成目标基站选择指令及切换触发参数微调指令;

37、云端接收各边缘计算节点上传的模型参数,执行全局聚合与长周期模型迭代,并将更新后的全局模型下发至边缘计算节点与车端。

38、作为优选的,所述构建由多个子奖励加权构成的动态奖励函数,具体包括:

39、所述动态奖励函数包含切换收益奖励、通信质量奖励、切换成本惩罚及乒乓切换惩罚;

40、其中,所述乒乓切换惩罚通过在预设时间窗口内统计同一目标车辆的连续切换次数,当所述连续切换次数大于预设阈值时,施加呈指数级增长的负向奖励值;

41、所述通信质量奖励基于预测时间窗口内的积分吞吐量与信干噪比方差计算;

42、采用自适应权重调整策略,根据当前车辆运动速度和信道质量指标的方差,动态调整各子奖励的权重系数,当车辆运动速度大于预设高速阈值时,增大所述切换收益奖励和所述乒乓切换惩罚的权重系数。

43、本发明的有益效果:

44、通过路侧边缘端进行车-路协同轨迹预测与动态信道状态预测,系统能够提前预知车辆未来的行驶路径及信道质量变化,将传统的“被动响应式”切换转变为“主动预测式”切换,有效避免了信号盲区导致的连接中断。

45、在深度强化学习决策中引入时序状态空间和包含乒乓切换惩罚的动态奖励函数,结合动态遮挡因子的信道预测,能够准确区分瞬时遮挡与真实信号衰减,大幅降低不必要的频繁切换。

46、采用车-路-云三层协同架构,将高算力的轨迹预测与强化学习决策下沉至路侧边缘端,满足毫秒级实时性要求;同时结合分层联邦学习与差分隐私机制,在不共享原始数据的前提下实现全局模型的持续进化,保障了数据隐私与通信效率。

47、设计了基于预测置信度的提前降级机制与非理想通信环境补偿机制,确保在模型失效或通信链路受损的极端场景下,系统能够平滑回退至标准协议模式或启用本地自主决策,满足车规级功能安全要求。