[发明专利]一种基于机器学习的5G小区切换方法

说明书

本发明公开了一种基于机器学习的5G小区切换方法，包括以下步骤：S1.抓取多个基站的信号参数，信号参数与是否在线数据组成训练样本数据集；S2.基于机器学习算法，对训练样本数据集进行训练，获取分类训练模型；S3.AGV小车在每一次发生小区切换时，采集即将切换的5G小区信号参数，采用分类训练模型对AGV小车上的5G终端即将切换到的5G小区的在线情况进行预判；S4.若处于在线区间，则进行5G小区切换，若处于掉线区间，则重复步骤S3；S5.进行基站小区切换时，判断当前的数据传输类型。本发明通过预判5G终端切换结果、传输数据类型和数据运动速度，提前进行小区切换且判断切换小区的最佳时机，减少卡顿。

技术领域

本发明涉及通信技术领域，具体涉及一种基于机器学习的5G小区切换方法。

背景技术

在设备内部署轨道AGV，AGV上安装机械手，机械手末端安装工业相机，监控相机对设备内表面进行缺陷检测。检测时工业相机会对设备内表面进行拍照并将照片通过 5G传输至机房内的服务器进行图像处理。由于AGV处于移动状态，不适合采用有线连接的方式，而且设备内部也不易布线。另外工业相机拍照图片数据量大，若使用wifi 会有带宽不够和容易干扰的问题。所以采用5G技术是比较合适的。现场5G采用SA组网，设备间延时平均15ms，网络带宽120Mbps，可以满足项目需求。AGV运动过程中进行设备内表面缺陷检测，5G终端会随AGV一起运动。在运动过程中，会与某基站产生超过30米的距离，由于处在设备内部，信号强度有下降，因此5G终端会切换到信号更好的基站。

现有技术中，由于设备体积较长，室内5G基站天线覆盖范围小，在AGV运动过程中会有切换5G小区的情况发生，由于周边5G基站多，约5个以上的5G宏基站，5G 终端在切换小区的过程中，很容易发生切换至陌生小区导致5G终端掉线。如图一所示，基站有专网基站和非专网基站，在进行切换小区的过程中，有可能切换到非专网基站，造成网络断线。

发明内容

为解决上述问题，本发明提出了一种基于机器学习的5G小区切换方法，通过预判5G终端切换结果、传输数据类型和数据运动速度，提前进行小区切换且判断切换小区的最佳时机，减少卡顿。

本发明采用的技术方案是：

一种基于机器学习的5G小区切换方法，包括以下步骤：

S1.抓取多个基站的信号参数，信号参数与是否在线数据组成训练样本数据集；

S2.基于机器学习算法，对训练样本数据集进行训练，获取分类训练模型；

S3.AGV小车在每一次发生小区切换时，采集即将切换的5G小区信号参数，采用分类训练模型对AGV小车上的5G终端即将切换到的5G小区的在线情况进行预判；

S4.若处于在线区间，则进行5G小区切换，若处于掉线区间，则重复步骤S3；

S5.进行基站小区切换时，判断当前的数据传输类型；

S6.若当前数据传输类型为视频数据，则采用Softmax Regression模型判断视频数据的运行速度，根据运动速度预判5G小区的切换时机；若当前数据传输类型为非视频数据，则直接进行小区切换；

S7.若运行速度满足慢速或静止状态，则进行小区切换，若运行速度满足快速或中速时，重新判断是否需要切换小区。

优先地，步骤S1中，信号参数包括5G信号接收功率、信号强度、信号质量和信号噪声值。

优先地，步骤S2中，机器学习算法采用逻辑回归分类算法对训练样本数据集进行训练，分类函数为：

线性边界函数为：

构造预测函数为：

其中：e为自然对数之底，θ_i为第i个信号参数的回归系数，i为整数，y为5G终端切换预判结果。