基于深度学习的移动性预测的车联网动态频谱优化方法

本发明涉及车联网动态频谱优化，特别涉及一种基于深度学习的移动性预测的车联网动态频谱优化方法。

背景技术：

1、物联网车辆是指通过无线通信技术将车辆、道路设施和其他交通参与者连接起来的智能交通系统。iov技术可以提高交通安全性、减少交通拥堵、提高能源利用效率等。5g是下一代移动通信技术，具有更高的带宽、更低的延迟和更好的可靠性，可以支持更多的设备连接和更多的应用场景。由此提出一种基于深度学习的动态频谱优化方法，以提高iov系统的频谱利用效率和网络性能。

2、传统的固定频谱分配方法无法满足用户移动性带来的频谱需求变化，导致频谱资源利用率不高，影响用户的通信质量。因此，需要一种能够预测用户移动位置并动态优化频谱分配的方法，以提高频谱资源的利用效率。

技术实现思路

1、为了对频谱进行动态优化，本发明提出一种基于深度学习的移动性预测的车联网动态频谱优化方法。

2、本发明的第一方面，提供了一种基于深度学习的移动性预测的车联网动态频谱优化方法，具体如下：

3、s1、对gps轨迹数据进行数据预处理，建立基于重力的优先探索返回模型；计算回转半径、k-回转半径、可能性排名及概率函数，得出节点位置概率的第一概率值、第二概率值及其对应的位置坐标；

4、s2、选择lstm深度学习模型架构，将第一概率值、第二概率值及其对应的位置坐标作为lstm深度学习模型的输入，利用预处理好的数据集对lstm深度学习模型进行训练；

5、s3、构建基于图论的频谱优化，对车联网在动态频谱接入环境下，通过识别移动用户的位置，实现频谱重用和优化。

6、本发明的第二方面，提供了车联网动态频谱优化装置，包括：存储器；以及与所述存储器连接的处理器，所述处理器被配置成用于执行上述方法。

7、本发明的第三方面，提供了一种计算机存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被机器执行时实现上述方法。

8、本发明有益效果：本发明解决了传统移动性预测准确率低与传统频谱调度效率低的问题，使用基于lstm预测移动节点的未来位置，与基于图论的频谱优化方法，识别移动用户的位置，很好地提高了预测准确率和预测效率。

技术特征：

1.基于深度学习的移动性预测的车联网动态频谱优化方法，其特征在于该方法包括以下步骤：

2.根据权利要求1所述的方法，其特征在于：步骤s1中的回转半径rg计算如下：

3.根据权利要求2所述的方法，其特征在于：步骤s1中的k-回转半径计算如下：

4.根据权利要求1所述的方法，其特征在于：步骤s3中引入频谱矩阵，表达为：

5.根据权利要求4所述的方法，其特征在于：ln，m由下式确定：

6.根据权利要求4所述的方法，其特征在于：采用三种效用函数来优化车联网中的频谱，包括最大网络容量法、最大最小奖励方法以及最大比例公平法。

7.车联网动态频谱优化装置，其特征在于，包括：存储器；以及与所述存储器连接的处理器，所述处理器被配置成用于执行权利要求1至6中任一项所述的方法。

8.一种计算机存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被机器执行时实现如权利要求1至6中任一项所述的方法。

技术总结
本发明公开了一种基于深度学习的移动性预测的车联网动态频谱优化方法。本发明首先对GPS轨迹数据进行数据预处理，建立基于重力的优先探索返回模型；计算回转半径、k‑回转半径、可能性排名及概率函数，得出节点位置概率的第一概率值、第二概率值及其对应的位置坐标；然后选择LSTM深度学习模型架构，将第一概率值、第二概率值及其对应的位置坐标作为LSTM深度学习模型的输入；最后构建基于图论的频谱优化，对车联网在动态频谱接入环境下，通过识别移动用户的位置，实现频谱重用和优化。本发明使用基于LSTM预测移动节点的未来位置，与基于图论的频谱优化方法，识别移动用户的位置，很好地提高了预测准确率和预测效率。

技术研发人员：魏贵义,李亚化
受保护的技术使用者：浙江工商大学
技术研发日：
技术公布日：2024/2/19