1.一种基于车辆轨迹预测的异构车联网切换方法，其特征在于，包括以下步骤：

步骤1、搭建城市场景下的车载异构网络，主要有三个部分组成：基站、中心控制器和云服务，供车辆终端接入网络的基站包含两类，LTE网络基站和WAVE路边基站，云服务进行车辆终端的轨迹预测，将轨迹预测的结果传输给中心控制器，中心控制器做切换决策并将决策信息发布；

步骤2、考虑到现实场景中车辆的运动受它周围的车辆影响很大，搭建基于LSTM和卷积社交池的车辆轨迹预测模型，预测车辆和它的周围车辆作为模型的输入，模型输出预测车辆的未来轨迹；

步骤3、基于步骤2的车辆轨迹预测模型预测出车辆终端的未来轨迹，然后计算出车辆终端在各个候选网络内的驻留时间；

步骤4、利用模糊层次分析法对驻留时间在内的多个属性进行权重设置，根据不同的业务设置满足对应要求的权值；

步骤5、利用基于KL散度的逼近理想解排序法KL-TOPSIS进行最佳网络判决，然后将车辆终端切换到最优网络。

2.根据权利要求1所述的一种基于车辆轨迹预测的异构车联网切换方法，其特征在于，所述步骤2搭建一种基于LSTM和卷积社交池的车辆轨迹预测模型，具体包括以下步骤：步骤2-1、获取车辆轨迹预测模型的输入，即预测车辆的历史轨迹信息及环境信息，其中预测车辆左前、正前、右前、左后、正后、右后的周围车辆的历史轨迹信息作为环境信息；

步骤2-2、构建LSTM编码器模块，将预测车辆和它周围车辆的历史轨迹数据输入到LSTM编码器模块进行编码，以提取车辆轨迹数据的时间特征信息，输出每辆车的LSTM编码；

步骤2-3、构建卷积社交池模块；得到社交上下文编码和预测车辆的动态性编码；

步骤2-4、构建机动识别模块，将轨迹编码输入到机动识别模块，以识别出预测车辆的机动类别；

步骤2-5、构建LSTM解码器模块，将轨迹编码输入到LSTM解码器，LSTM解码器从编码中提取重要的信息，结合机动类信息输出预测车辆的基于不同机动类别的轨迹概率分布；

步骤2-6、利用处理好的车辆轨迹数据集进行基于LSTM和卷积社交池的车辆轨迹预测模型的训练和测试。

3.根据权利要求2所述的一种基于车辆轨迹预测的异构车联网切换方法，其特征在于，所述步骤2-3构建卷积社交池模块，得到社交上下文编码和预测车辆的动态性编码，具体包括：步骤2-3-1、首先定义一个基于车道的网格来建立一个社交张量；首先在目标车辆周围定义了一个大小为13×3的空间网格，其中每一列对应一条车道，行与行之间的距离大约等于一辆车的长度；然后根据场景中车辆的空间位置，把周围车辆的LSTM编码填充到相应网格中，形成社交张量，从而能够提取车辆轨迹数据之间的空间社交关系；

步骤2-3-2、将社交张量先后通过3×3的卷积层、3×1的卷积层和2×1的池化层，输出社交上下文编码；利用卷积层的不变性在社交张量的空间网格中学习有用的局部特征，利用最大池化层能够加强局部平移不变性的特点，进一步学习局部特征；

步骤2-3-3、将预测车辆的LSTM编码通过全连接层来提取特征，获得预测车辆的动态性编码；卷积池化层模块输出由社交上下文编码和车辆动态性编码共同构成的轨迹编码。

4.根据权利要求3所述的一种基于车辆轨迹预测的异构车联网切换方法，其特征在于，所述步骤2-4、构建机动识别模块，具体包括：考虑三种横向机动类别和两种纵向机动类别，横向机动类别包括向左转弯、向右转弯和直线行驶；纵向机动类别包括正常驾驶和制动；当车辆在预测区间内的平均速度小于其预测时刻速度的0.5倍时，将其定义为进行制动；那么将三种横向机动类别和两种纵向机动类别组合起来，共有六种机动类别；机动识别模块有两个softmax层，分别输出3种横向和2种纵向的机动概率；利用横向softmax函数计算出横向机动类别分别为向左转弯，直线行驶和向右转弯的概率，利用纵向softmax函数计算出纵向机动类别分别为正常驾驶和制动的概率；假定横向和纵向机动类条件独立，则通过取相应的横向和纵向机动概率的乘积得到每种机动类别的概率。

5.根据权利要求4所述的一种基于车辆轨迹预测的异构车联网切换方法，其特征在于，所述步骤3、基于步骤2的车辆轨迹预测模型预测出车辆终端的未来轨迹，它由一系列时间连续的轨迹点组成，是一个时间序列，然后可以计算出车辆终端在各个候选网络内的驻留时间。

6.根据权利要求5所述的一种基于车辆轨迹预测的异构车联网切换方法，其特征在于，所述步骤4利用模糊层次分析法对驻留时间在内的多个属性进行权重设置，根据不同的业务设置满足对应要求的权值，具体包括：步骤4-1、构建网络切换问题的层次结构，决策问题的目标被放在最顶层，准则层处于中间层，候选网络在最低层，准则层分为业务层和属性层两层，业务层包含三类典型的业务：会话类业务、流类业务、交互类业务；属性层包含驻留时间、接收信号强度、可用带宽和时延四个指标作为切换判决因子；

步骤4-2、对属性进行两两比较，构造业务g的模糊比较矩阵；

步骤4-3、计算属性ci的综合模糊值Si：

步骤4-4、计算属性cj综合模糊值Sj比属性ci的综合模糊值Si大的概率V(Sj≥Si)：步骤4-5、首先计算属性cj初始权重 然后正则化初始权重 获得业务g的网络属性cj的正则化权重 最后，得到业务g的网络属性权重向量为

7.根据权利要求6所述的一种基于车辆轨迹预测的异构车联网切换方法，其特征在于，所述步骤5基于KL-TOPSIS进行最佳网络判决，具体过程如下：步骤5-1、根据效用理论，设计判决属性驻留时间、接收信号强度、带宽和时延的效用函数分别为u(t)、u(s)、u(b)和u(d)；

步骤5-2、基于各属性的效用函数建立标准化决策矩阵U＝|uij|m×n，其中决策矩阵U中的每一个元素uij表示候选网络i的决策属性j的效用函数值。

步骤5-3、基于权重向量和标准化决策矩阵U，计算得到权重标准化决策矩阵V；

步骤5-4、计算每种属性的正理想解V+和负理想解V-；

步骤5-5、基于KL散度计算每个候选网络与正理想解V+和负理想解V-的相对熵距离D+和-D；

步骤5-6、计算每个候选网络的综合评估值T，如果车辆终端处于最初没有连接网络的状态，则选择切换到评估值最高的最优网络，如果车辆终端的服务网络j的网络评估值为Tj，最优网络k的评估值为Tk，且满足Tk＞Tj，则车辆终端切换到最优网络k，否则车辆终端保持当前连接。