1.一种密集网络自优化切换方法，其特征在于，包括以下步骤：A1、获取MS当前的移动速度；

A2、查询所述MS的PSI途经-停留信息表，获取当前所述MS到各邻区的途经率；

A3、获取各邻区在当前时刻的接纳力；

A4、获取各邻区在当前时刻的空闲度；

A5、根据所述MS的移动速度和途经率，基于模糊逻辑理论获取所述MS对各邻区的趋向度；

A6、根据所述各邻区的接纳力和空闲度，基于模糊逻辑理论获取所述邻区对所述MS的亲和度；

A7、根据所述MS对各邻区的趋向度和所述各邻区对所述MS的亲和度，基于Q学习理论自适应地调节切换参数。

2.根据权利要求1所述的密集网络自优化切换方法，其特征在于，步骤A1中获取MS当前的移动速度v的步骤包括：B1、查询测量报告记录表，获取最近两次测量报告的测量时间差Δt；

B2、查询邻区信息表，获取任意三个邻区Picocella、Picocellb、Picocellc的位置信息和发射功率，a,b,c∈{1,2,……,N}；

B3、查询测量报告记录表，获取倒数第二次测量报告；

B4、根据邻区Picocella、Picocellb、Picocellc的倒数第二次RSRP测量报告值、位置信息及发射功率，确定三个邻区的RSRP等值环，将所述三个RSRP等值环的交点确定为倒数第二次测量报告的测量点m，其坐标为(mx,my)；

B5、查询测量报告存储单元，获取最近一次测量报告；

B6、根据邻区Picocella、Picocellb、Picocellc的最近一次RSRP测量报告值、位置信息及发射功率，确定三个邻区的RSRP等值环。将所述三个RSRP等值环的交点确定为最近一次测量报告测量点n，其坐标为(nx,ny)；

B7、根据Δt、m(mx,my)和n(nx,ny)计算所述MS当前的移动速度v。

3.根据权利要求1所述的密集网络自优化切换方法，其特征在于，步骤A2中的查询所述MS的途经-停留信息表PSI表，获取当前所述MS到各邻区的途经率，具体包括：C1、查询MS的途经-停留信息PSI表，PSI表中统计了所述MS在第k段时间内途经各Picocell的次数和停留各Picocell的次数，在每段时间内，所述MS每检测到一次途经事件或停留事件，就更新一次PSI表；

C2、根据统计的所述MS途经各Picocell的次数和停留各Picocell的次数，计算得到带遗忘因子的加权值；

C3、根据带遗忘因子的加权值，计算得到所述MS在各Picocell的预测途经率。

4.根据权利要求1所述的密集网络自优化切换方法，其特征在于，步骤A3获取各邻区在当前时刻的接纳力，具体包括：D1、获取各邻区在当前时刻的总PRB数；

D2、获取各邻区在当前时刻的总用户数；

D3、获取各邻区在当前时刻的所有用户的最小PRB需求数；

D4、根据所述各邻区的总PRB数、时刻t的总用户数及所有用户的最小PRB需求数，计算得到各邻区的在时刻t的接纳力。

5.根据权利要求1所述的密集网络自优化切换方法，其特征在于，步骤A4中获取各邻区在当前时刻的空闲度，包括：E1、获取各邻区在当前时刻的总PRB数；

E2、获取各邻区在当前时刻的总用户数；

E3、获取各邻区在当前时刻的所有用户的最小PRB需求数；

E4、获取各邻区在当前时刻的所有用户的额外业务所占PRB数；

E5、根据所述各邻区的总PRB数、时刻t的总用户数、所有用户的最小PRB需求数及所有用户的额外业务所占PRB数，计算得到各邻区在当前时刻的空闲度。

6.根据权利要求1所述的密集网络自优化切换方法，其特征在于，步骤A5中根据所述MS的移动速度和途经率，基于模糊逻辑理论获取所述MS对邻区的趋向度，包括：F1、所述MS的源基站对所述MS的移动速度进行模糊化；

F2、所述MS的源基站对所述MS在各邻区的途经率进行模糊化；

F3、根据所述MS的源基站建立的移动速度和途经率的隶属度函数及模糊规则表，计算得到所述MS对各模糊规则的附属强度；

F4、将模糊推理模块的输出去模糊化得到所述MS对各邻区的趋向度。

7.根据权利要求1所述的密集网络自优化切换方法，其特征在于，步骤A6中根据所述邻区的接纳力和空闲度，基于模糊逻辑理论获取所述邻区对所述MS的亲和度，包括：G1、所述MS的源基站对各邻区的接纳力进行模糊化；

G2、所述MS的源基站对各邻区的空闲度进行模糊化；

G3、根据所述MS的源基站建立的接纳力和空闲度的隶属度函数及模糊规则表，计算得到所述MS对各模糊规则的附属强度；

G4、将模糊推理模块的输出去模糊化得到各邻区对新用户的亲和度。

8.根据权利要求1所述的密集网络自优化切换方法，其特征在于，步骤A7中根据所述MS对各邻区的趋向度和所述各邻区对所述MS的亲和度，基于Q学习理论自适应地调节切换参数，包括：所述Q学习过程的状态空间由所述MS对各邻区的趋向度和所述各邻区对所述MS的亲和度组成；所述Q学习过程的动作为配置切换参数，包括切换迟滞值Hys和切换触发时延TTT；所述Q学习过程的瞬时奖励为参数掉话率、切换失败率、乒乓切换率、切换目标小区的资源利用率。