随着我国轨道交通网络的不断建设,人们在乘坐轨道交通过程中接入移动互联网的需求也日益增长。现在的WLAN因费用便宜和易于部署两个特点成为了目前应用广泛的无线通信系统之一。切换算法是有关无线系统的研究的关键领域之一。高效的切换算法在准确率和及时性方面都会取得较好的效果,可以提高链路质量、网路容量,降低掉话率。为了服务更多的用户,接入点越来越密集,对更好的切换算法的需求就越来越高。传统的切换算法通过比较信号强度指标进行切换决策,并不通过使用历史记录信息同时提高准确率和及时性,而是通过决策过程中对不必要的切换请求和掉话率或延时之间进行折中。本文研究给出了两种历史记录信息的使用方式。第一种是将系统的丢包率理解为切换位置的函数,通过监督学习算法学习其中的函数关系。第二种是将列车在两个接入点之间运行的过程理解为一个有限状态转移的马尔可夫过程,通过强化学习算法,学习最优策略,即每个状态下应采取的动作。本文研究了如何通过这两种方式使用历史记录信息来提高切换算法的性能。基于机器学习的切换算法主要涉及选择最佳切换位置的机制。这个机制通过训练样本来学习在何地进行切换会得到何种结果,之后选择最佳切换位置进行切换。本文对基于机器学习的切换算法和其它切换算法在典型切换场景下进行了多次仿真。结果显示基于机器学习的切换算法有明显的性能优势,可以使切换更加准确。