CN107889061A - 车联网中车辆移动性的评估方法及在视频传输领域应用 - Google Patents
车联网中车辆移动性的评估方法及在视频传输领域应用 Download PDFInfo
- Publication number
- CN107889061A CN107889061A CN201711092804.9A CN201711092804A CN107889061A CN 107889061 A CN107889061 A CN 107889061A CN 201711092804 A CN201711092804 A CN 201711092804A CN 107889061 A CN107889061 A CN 107889061A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- road
- destination
- driving mode
- media server
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W64/00—Locating users or terminals or network equipment for network management purposes, e.g. mobility management
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L65/00—Network arrangements, protocols or services for supporting real-time applications in data packet communication
- H04L65/1066—Session management
- H04L65/1069—Session establishment or de-establishment
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L65/00—Network arrangements, protocols or services for supporting real-time applications in data packet communication
- H04L65/80—Responding to QoS
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Multimedia (AREA)
- Business, Economics & Management (AREA)
- General Business, Economics & Management (AREA)
- Traffic Control Systems (AREA)
- Navigation (AREA)
Abstract
车联网中车辆移动性的评估方法,车联网包括媒体服务器和若干个与媒体服务器通信连接的车辆,评估方法为:A1、每个车辆根据道路网络确定自身的移动轨迹,并将移动轨迹上传至媒体服务器;A2、媒体服务器根据所有车辆上传的移动轨迹提取道路网络中任意出发地与任意目的地之间的行驶模式;A3、媒体服务器根据当前车辆的出发地对当前车辆的行驶模式进行判定,并将判定结果共享给所有车辆。本发明提供一种车辆移动性的评估方法,能够精确确定车辆的位置和行车轨迹,并根据车辆的行车轨迹确定车辆行驶模式,同时提供该评估方法在视频传输领域的一种应用方式,能够有效提高车联网中车辆之间的视频传输速率和稳定性。
Description
技术领域
本发明涉及车辆自组织网络技术领域,具体的说是车联网中车辆移动性的评估方法及在视频传输领域应用。
背景技术
无线通信技术的快速发展极大地提升了网络的通信能力,以满足在无线移动网络中视频服务应用对带宽的需求,移动用户可以通过智能终端设备接入互联网以获得视频内容,如智能手机和笔记本电脑。视频服务可以为用户提供丰富的可视内容,并且能够吸引超大规模的视频用户。因此,视频用户规模的快速增加导致了视频***中可用带宽资源变得相对有限,从而严重影响了视频***的可扩展性和用户的体验质量。如图1所示,在车联网中,基于移动对等网络MP2P的视频***依赖视频资源的高效管理和灵活的带宽资源分配,以支持低网络带宽消耗的视频资源实时传输,图中RSU为路侧单元,与车辆进行V2I通信,此外车辆与车辆之间还可以进行V2V通信。然而,大部分基于MP2P的视频***中主要沿用了传统的结构化和非结构化的覆盖网络架构,并且忽略了用户间的视频共享行为,使得视频***只能够被动响应移动用户频繁变化的视频请求,从而极大地增加了覆盖网络中视频资源的管理成本,并对视频资源传输性能带来极大地负面影响。
虚拟社区技术通过定义移动用户间的逻辑关系并将具有相似视频播放性行为的移动用户组建成为虚拟社区。例如,“C.Xu,S.Jia,M.Wang,L.Zhong,H.Zhang and G.-M.Muntean.”于“IEEETransactions onVehicularTechnology,vol.64,2015,pp.1201-1217.”上发表的“Performance-Aware Mobile Community-based VoD Streaming overVehicular Ad Hoc Networks,”一文公开了PMVC技术,PMCV分析用户的播放行为和移动行为,抽取用户播放行为模式和移动行为模式,将播放行为相似和移动行为相似的用户组织到一个社区中,以提高用户间视频共享的效率。“C.Xu,S.Jia,L.Zhong and G.-M.Muntean.”于“IEEE CommunicationsMagazine,vol.53,2015,pp.150-156.”上发表的“SociallyAwareMobilePeer-to-PeerCommunicationsforCommunityMultimediaStreaming Services,”一文公开了SMMC技术,SMMC考察了用户的视频需求、社交关系和移动行为来定义用户间的逻辑关系,并以此逻辑关系的紧密程度构建用户社区。在同一社区中用户对视频内容具有共同兴趣,可以促进在社区内进行视频搜索的成功概率,并降低视频请求消息在覆盖网络中转发的次数,降低视频搜索延时。
因此,同一社区内的节点具有相似的移动行为是提升视频资源交付性能和骨干网络流量负载缓解的重要因素,如图2所示,具有相同移动行为的车辆A和车辆B之间可以进行通信,共享视频资源。但是因为车内乘客拥有较快的移动速度和较高的移动随机性,对车载用户间移动相似性评估带来了极为严重的负面影响。众多学者已经提出了一些车载用户间移动行为相似性评估方法。例如,PMCV利用用户连接的接入点(access point,AP)来描述车载用户移动轨迹,采用马尔科夫过程描述用户移动过程,并预测未来用户的移动行为。用户的历史移动行为和预测的未来移动行为被用来评估用户间的移动相似程度。“O.T.Cruces,M.Fiore,and J.M.B.Ordinas”于“IEEE Transactions on Mobile Computing,vol.11,2012,pp.663-678.”发表的“Cooperative download in vehicular environments,”一文中设计了一个车辆遭遇的概率模型,通过构建车辆间的连通图计算车辆遭遇的概率,遭遇的车载用户可以实现高效的资源共享。“J.Yoon,B.Noble,M.Liu and M.Kim,”于“InProceedings ofACM International Conference on Mobile Systems,Applications andServices,2006,pp.177-190.”上发表的“Building realistic mobility models fromcoarse-grained traces,”一文中设计了一个车载网络下车辆移动性模型,利用用户接入的WiFi和AP来描述和定义用户的移动轨迹,通过过滤用户的移动轨迹,以图的方式来描述用户的移动过程,从而构建基于概率的车辆移动模型。“M.Kim,D.Kotz and S.Kim,”于“InProceedings of IEEE INFOCOM,2006,pp.1-13.”上发表的“Extracting a mobilitymodel from real user traces,”的一文中公开了利用用户接入的AP来描述用户的移动轨迹,通过抽取用户的移动行为特征建立用户的移动模型。然而,以上方法忽略了引起用户移动行为异常的影响因素,这些因素往往会导致用户移动行为评估结果的精确度。
此外,基于AP的车辆移动轨迹的表示方法难以精确描述用户的移动轨迹,从而降低了用户移动行为的评估精确度。现有技术中利用RSU确定车辆位置,但是因为RSU的覆盖范围很大,车辆的位置很难被RSU精确地测量到,这种不精确的车辆地理位置的描述难以反映出车辆驾驶者在行使路径选择过程中的真实意图。如图3所示,车辆A位于两条道路的交点部分,选择后续的行使路径的概率是均等的。但是车辆A的驾驶员会根据自身的行驶目的地来制定行使路径规划,根据制定的行驶路径规划来决定后续选择的行驶路径,也就是说,驾驶员选择的行驶路径会受到行驶目的地和道路通行情况的制约。因此,精确的描述车辆的地理位置能够真实反映出用户做出后续行驶路径选择的真实意图,从而有利于准确抽取用户移动行为特性和发现用户移动模式。较低的用户移动行为评估精确度不仅会引起社区结构不断变化、增加社区结构维护成本,而且降低了移动用户间视频资源的交付性能。
发明内容
为了解决现有技术中的不足,本发明提供一种车辆移动性的评估方法,能够精确确定车辆的位置和行车轨迹,并根据车辆的行车轨迹确定车辆行驶模式,同时提供该评估方法在视频传输领域的一种应用方式,能够有效提高车联网中车辆之间的视频传输速率和稳定性。
为了实现上述目的,本发明采用的具体方案为:
车联网中车辆移动性的评估方法,车联网包括媒体服务器和若干个与媒体服务器通信连接的车辆,评估方法为:
A1、每个车辆根据道路网络确定自身的移动轨迹,并将移动轨迹上传至媒体服务器;
A2、媒体服务器根据所有车辆上传的移动轨迹提取道路网络中任意出发地与任意目的地之间的行驶模式;
A3、媒体服务器根据当前车辆的出发地对当前车辆的行驶模式进行判定,并将判定结果共享给所有车辆。
A1的具体过程包括:
A1.1、对道路网络进行网格化处理;
A1.2、以网格的节点对道路进行标识;
A1.3、车辆利用道路标识对车辆的移动轨迹进行标识。
A1.1的具体方法为:以道路作为网格的脉络,以道路的首端和末端作为线条的端点,以不同道路之间的交叉口作为线条的交叉点;
A1.2的具体方法为:以道路的端点对道路进行标识,以每条道路与其他道路的交叉点将该道路分为若干条道路线段;
A1.3的具体方法为:车辆确认自身位置,根据自身位置判定自身与道路分段之间的隶属关系,将自身的移动轨迹转化为道路分段的连线。
A1.3中车辆位置的确认方法为:任意车辆在移动过程中周围有至少两个一跳邻居节点时,车辆选择其中两个与其地理距离最近的一跳邻居节点组成三角形,则车辆的位置为该三角形的图心位置;当车辆在移动过程中周围只有一个一跳邻居节点时,车辆与该一跳邻居节点构成一条线段,则该车辆的位置为线段的中心位置;当车辆在移动过程中周围没有一跳邻居节点时,车辆利用GPS确定自身位置。
A1.3中,车辆根据自身位置判定自身与道路分段之间的隶属关系的具体方法为:车辆根据自身位置确定自身与道路中线之间的距离,距离在一定阈值范围内则判定自身隶属于该道路分段。
A2的具体过程包括:
A2.1、媒体服务器从所有车辆的行驶轨迹中确定任意出发地和任意目的地之间的所有行车路线;
A2.2、媒体服务器在任意出发地和任意目的地之间的所有行车路线中,选择其中一条行车路线作为该出发地和该目的地之间的行驶模式。
A2.2的具体方法为:媒体服务器从任意出发地和任意目的地之间的所有行车路线首选选择出一条或者多条距离最短行车路线,然后计算所有距离最短行车路线的通行能力,选择其中通行能力最强的一条距离最短行车路线作为该出发地和该目的地之间车辆的行驶模式。
A3的具体过程包括:
A3.1、媒体服务器已知当前车辆的出发地后确认当前车辆的目的地;
A3.21、如果当前车辆的目的地确认成功,则直接确定该车辆的行驶模式;
A3.22、如果当前车辆的目的地确认失败,则根据当前车辆已有的移动轨迹对车辆未来的移动轨迹进行预测,并根据预测结果不断修正该车辆的行驶模式。
A3.22中,媒体服务器对车辆行驶模式的预测方法为:当车辆从出发地出发时,对所有可能的目的地进行预测,并选取其中被选择概率最高的一个目的地作为该车辆的目的地,然后根据出发地和目的地对该车辆的行驶模式进行判定,当该车辆在行驶过程中偏移该行驶模式时,重新预测其目的地并对其行驶模式进行修正。
的车联网中车辆移动性的评估方法在视频传输领域的应用,包括如下步骤:
S1、任意车辆接收其他车辆的行驶模式,并计算自身行驶模式与其他车辆的行驶模式之间的相似度;
S2、相似度大于阈值的车辆之间共享储存在本地的视频资源。
有益效果:
1、本发明设计了三种车辆位置的确定方法,利用车辆间或车辆与路旁单元间的相对位置来描述车辆位置,与现有技术中单一地利用RSU确定车辆位置的方式或者单一地利用GPS确定车辆位置的方法相比,精确度更高,更有利于精确地描述车辆的地理位置;
2、本发明将城市道路划分为线段集合,利用评估后的车辆位置计算车辆与当前行驶的城市道路的隶属度,根据车辆与当前行驶的城市道路的隶属度将车辆的运行轨迹以线段集合的形式描述,从而实现车辆移动轨迹的精确表示;
3、本发明通过分析车辆的历史行驶轨迹,分析道路上车辆的数量及其停留时间,计算在道路上车辆的到达率和离开率,进而评估道路的通行能力,与最短路线相结合,在任意出发地和任意目的地之间确定车辆的行驶模式,更加符合车辆的实际行驶情况,与车辆的实际行驶行为匹配度更高;
4、本发明还提供了一种该评估方法在视频共享传输领域中的应用,设计了车辆行驶模式的识别方法,根据车辆当前行驶的轨迹计算与车辆行驶模式的匹配程度,从而识别车辆的行驶模式,并根据车辆的行驶模式计算车辆间的行驶行为相似度,最终根据车辆之间行驶模式的相似度建立视频的共享连接,能够保证连接的稳定性和传输速率。
附图说明
图1是车联网中视频服务的部署图;
图2是具有相似移动行为车辆间的资源共享方式示意图;
图3是现有技术中利用RSU表示车辆位置的方法示意图;
图4是道路标识方法及基于道路线段的移动轨迹表示方法示意图;
图5是第一种车辆位置确定方法示意图;
图6是第二种车辆位置确定方法示意图;
图7是第三种车辆位置确定方法示意图;
图8是车辆与道路线段的隶属关系判定方法示意图。
具体实施方式
下面根据附图具体说明本发明的实施方式。
车联网中车辆移动性的评估方法,车联网包括媒体服务器和若干个与媒体服务器通信连接的车辆。
评估方法如下。
A1、每个车辆根据道路网络确定自身的移动轨迹,并将移动轨迹上传至媒体服务器。
A1.1、对道路网络进行网格化处理,具体方法是以道路作为网格的脉络,以道路的首端和末端作为线条的端点,以不同道路之间的交叉口作为线条的交叉点。对道路网络的网格化处理既可以由车辆自主进行也可以由媒体服务器进行。当由车辆自主进行的时候,车辆可以根据导航设备,对本区域的地图进行处理,在所有车辆的处理方式都是相同的情况下,即可顺利完成对道路网络的网格化处理。当由媒体服务器进行的时候,媒体服务器对本区域的地图进行处理,然后将处理后的网格广播给所有接入媒体服务器的车辆。
A1.2、以网格的节点对道路进行标识,具体方法为以道路的端点对道路进行标识,以每条道路与其他道路的交叉点将该道路分为若干条道路线段。如图4所示,横向的道路分别命名为道路A、道路B和道路C,纵向的道路命名为道路D、道路E和道路F,道路A的首端和末端分别命名为“SA0”和“SA1”,其余道路依此类推,道路A和道路D的交叉点命名为SAD,其余交叉点依此类推,则道路A可以分为“SA0→SAD”、“SAD→SAE”、“SAE→SAF”和“SAF→SA1”四个道路线段。基于以上道路的命名方法,所有的道路都可以被划分为一个或若干个道路线段,每个道路线段都有唯一的标识。当一个车辆出现在一条道路的某个道路线段上时,根据这个车辆的行驶方向,车辆的位置就可以被道路线段表示。例如,由于车辆A从南向北行驶,并且位于由SA0和SAD构成的线段,车辆A行驶轨迹的开始位置就可以被表示成为LA0-AD。相似地,由于车辆B从南向北移动,因此,车辆B的起始位置可以被线段LCD-BD。
A1.3、车辆利用道路标识对车辆的移动轨迹进行标识,具体方法为车辆确认自身位置,根据自身位置判定自身与道路分段之间的隶属关系,将自身的移动轨迹转化为道路分段的连线。
A1.3中车辆位置的确认方法包括三种。
方法一,任意车辆在移动过程中周围有至少两个一跳邻居节点时,一跳邻居节点可以是车辆或者RSU,车辆选择其中两个与其地理距离最近的一跳邻居节点组成三角形,则车辆的位置为该三角形的图心位置。如图5所示,车辆A在其通信范围内拥有三个一跳邻居节点。车辆A与其三个一跳邻居节点交换自身的地理位置坐标,地理位置坐标通过GPS获得,并且计算彼此之间的地理距离。由于车辆A与相连的RSU和车辆B拥有最近的地理距离,因此,车辆A利用相连的RSU和车辆B的地理位置坐标值,根据以下公式计算自身的相对位置。
其中,(xA,yA)、(xB,yB)和(xR,yR)分别表示车辆A、车辆B和RSU的坐标值,dAB、dAR和dBR分别表示表示车辆A、车辆B和RSU之间的欧式距离,为计算后的车辆A的相对位置。不仅能够避免采用单一的GPS坐标来表示车辆A的地理位置时存在的误差,而且也能够避免利用RSU来表示车辆A的地理位置时存在的误差,从而精确表示车辆A的地理位置。
方法二,当车辆在移动过程中周围只有一个一跳邻居节点时,车辆与该一跳邻居节点构成一条线段,则该车辆的位置为线段的中心位置。修正方法可以采用线段图心计算方法,如图6所示,车辆A仅拥有一个一跳邻居节点,即车辆B,车辆A与车辆B交换彼此的地理位置坐标,并且根据公式(2)计算彼此坐标构成的线段的图心坐标值。
其中,(xA,yA)和(xB,yB)分别表示车辆A和B的坐标值。为由车辆A和B坐标构成线段的图心坐标,表示计算后的车辆A的相对位置。能够避免采用单一的GPS坐标来表示车辆A的地理位置时存在的误差,从而精确表示车辆A的地理位置。
方法三,如图7所示,当车辆在移动过程中周围没有一跳邻居节点时,车辆利用GPS确定自身位置。基于GPS坐标的车辆地理位置表示方法的精确程度低于其他两种基于三角形和线段图心表示方法,特别是对于高速移动的车辆来说,基于GPS坐标确定位置会带来更大的误差。基于三角形图心的车辆地理位置表示方法相比基于GPS坐标和线段图心的表示方法拥有最高的精确程度。因此,为了提升车辆地理位置的描述精确程度,在车辆行驶过程中,基于三角形图心的车辆地理位置表示方法应当优先使用。
A1.3中,车辆根据自身位置判定自身与道路分段之间的隶属关系的具体方法为:车辆根据自身位置确定自身与道路中线之间的距离,距离在一定阈值范围内则判定自身隶属于该道路分段。在精确表示车辆地理位置后,还需要评估车辆与行驶道路线段的隶属关系,进而使用道路线段表示车辆的行驶轨迹。为了降低在车辆与行驶道路线段隶属关系评估过程中存在的误差,需要在车辆行驶过程中连续获取车辆地理位置坐标值,作为采样数据,从而提升车辆与行驶道路线段隶属关系的评估结果精度。车辆地理位置采样数据可以用三元组形式表示,即L=(x,y,t),其中x和y分别表示车辆地理位置坐标值;t表示车辆地理位置采样的时间。如图8所示,从t1到t7,车辆A拥有7个采样数据,用来描述车辆A的行驶轨迹。然而,车辆A的地理位置并不总是位于道路范围内(例如,t3和t5时刻车辆A的采样数据)。因此,首先确定数据采样的规则,如果从车辆位置采样数据到道路中线的垂直距离小于(其中,l为道路的宽度),采样数据可以被视为有效数据;否则,如果从车辆位置采样数据到道路中线的垂直距离大于采样数据可以被视为无效数据。
道路两侧分别拥有两个长度为l的邻域。实际上是从道路中线到邻域边界的距离。邻域的定义被用来提升评估车辆地理位置与道路间隶属程度的容错能力,从而降低出现车辆地理位置误差大而产生的误判概率。车辆A的地理位置采样数据构成了一个集合Sloc=(l1,l2,…,lk),且Sloc中元素根据时间戳满足线性增加关系。可采用一个基于样本映射的移动方向度量方法去评估车辆行驶方向和道路之间的一致性程度,从而评估车辆地理位置与道路间隶属程度。首先,车辆在t1和t2时刻的地理位置l1和l2构成了一个线段,并且这个线段到道路中线的映射长度被定义为PL12=|y2-y1|,其中y1和y2分别为车辆A在t1和t2时刻地理位置的纵坐标值。相似地,由l1与Sloc中其他k-1元素构成的线段到道路中线的映射长度也可以被获得,并构成一个集合SPL=(PL12,PL13,…,PL1k)。根据规则,如果SPL中元素均为有效采样数据且满足线性增长趋势,车辆A就可以被视为沿着当前道路在行驶,并且车辆A的行驶轨迹即可被当前道路的线段所表示。当车辆A行驶至其他道路的线段时,也可以通过以上方法来评价车辆地理位置与道路的隶属关系,从而将车辆在当前道路线段上的行驶轨迹被当前道路线段表示。因此,车辆所有的行驶轨迹即可被视为道路线段的集合。如图4所示,车辆A的行驶轨迹可以被定义为trA=(LD0→AD,LAD→AE,LAE→BE,LBE→BF,LEF→CF,LCF→F1)。
A2、媒体服务器根据所有车辆上传的移动轨迹提取道路网络中任意出发地与任意目的地之间的行驶模式。
A2.1、媒体服务器从所有车辆的行驶轨迹中确定任意出发地和任意目的地之间的所有行车路线。
A2.2、媒体服务器在任意出发地和任意目的地之间的所有行车路线中,选择其中一条行车路线作为该出发地和该目的地之间车辆的行驶模式。具体方法为媒体服务器从任意出发地和任意目的地之间的所有行车路线首选选择出一条或者多条距离最短行车路线,然后计算所有距离最短行车路线的通行能力,选择其中通行能力最强的一条距离最短行车路线作为该出发地和该目的地之间的行驶模式通常情况下,驾驶员会选择最短行车路线作为优化行车路线,而出发地和目的地之间会有多条优化行车路线,驾驶员会从中选取一条优化行车路线作为最终的行驶路线,例如在图4中,SCD和SA1分别作为纵向行驶的车辆B的起点和终点,从SCD到SA1存在很多个优化行车路线,其中,从SCD到SA1的最短路径长度为5个道路线段,可选的优化行车路线包括
tr1=(LCD→BD,LBD→AD,LAD→AE,LAE→AF,LAF→A1);
tr2=(LCD→BD,LBD→BE,LBE→AE,LAE→AF,LAF→A1);
tr3=(LCD→BD,LBD→BE,LBE→BF,LBF→AF,LAF→A1)。
这三条从SCD到SA1的最短路径拥有同样的效果,并构成了一个车辆行驶路径集合MP(SCD,SA1)=(tr1,tr2,tr3)。虽然tr1,tr2和tr3拥有相同的行驶距离(均包含5个线段),但tr1,tr2和tr3的道路通行能力是不同的。由于道路是由道路线段构成的,道路线段的通行能力不仅决定了整个车辆行驶路径的通行能力,而且也影响了车辆对于行驶路径的选择结果。
在车辆行驶路径中所含的线段存在着车辆行驶顺序。例如,当车辆B从SBD行驶至SBE时,车辆B几乎不可能再通过线段LBD→AD和LAD→AE。车辆B只能从LBE→BF和LBE→AE中选择下一条行驶路径。车辆B选择LBD→BE可以被视为从LBE→BF和LBE→AE中选择下一条行驶路径的充分必要条件。在另一方面,在车辆候选的行驶路径中存在着共同的线段。例如,tr1和tr2拥有共同线段为LCD→BD,LAE→AF和LAF→A1;tr2和tr3拥有共同线段LCD→BD,LBD→BE和LAF→A1。LBD→AD和LAD→AE可被合并为线段LBD→AD→AE(简称为L1)。LBD→BE和LBE→AE被合并为线段LBD→BE→AE(简称L2)。这是因为L1和L2没有任何交集且拥有相同的起点和终点。此外,在车辆到达终点SAE时,车辆仅通过唯一的线段LAE→AF。L1和L2可以被视为对应tr1和tr2的合并结果。显然,L1和L2决定了tr1和tr2两条行驶路径的通行能力。
可通过分析在tr1和tr2两条行驶路径上的车辆行驶轨迹评估L1和L2的通行能力。设MTS=(tra,trb,…,trm)为所有车辆的行驶轨迹集合,其中,MTS中所有元素均由道路线段集合表示。首先,和分别为从集合MTS中抽取的子集,其中,和中分别包含对应于以tr1和tr2为行驶模式的车辆的行驶轨迹。继续从和中抽取在同一时间间隔Tbc内车辆行驶轨迹集合和其中,tb和tc分别表示起始时间和结束时间。
当一个车辆vi在时间间隔Tbc内以tr1为行驶模式通过线段L1时,则可视为vi在Tbc内占据了L1的通行资源,vi的道路通行资源占据的时间间隔被定义为:
其中,和分别为vi到达和离开LBD→AD→AE的时间。由于道路的通行资源有限,在道路上行驶车辆数量的增加必然会影响在同一道路上行驶车辆使用道路通行资源,也就是说,当道路上行驶车辆数量不断增加会降低车辆通行的速度并延长车辆在道路上行驶的时间。如果道路拥有很强的通行能力,车辆会快速离开当前道路,并快速释放占用的道路通行资源,因此,车辆在道路上的停留时间也会保持较低的水平。如果车辆离开道路的速率被用来表示车辆的通行能力,那么当车辆在道路上的离开速率大于车辆到达速率时,所有车辆在道路上的停留时间并不会受到在道路上行驶车辆数量增加的影响。反之,若道路拥有较低的通行能力,即车辆在道路上的离开速率小于车辆的到达速率时,当道路上车辆数量增加时,道路上车辆的停留时间就会相应增加。和中所有车辆的平均停留时间可根据公式(4)计算获得。
其中,g和h分别表示集合和中所含车辆的数量。将时间间隔Tbc划分多个时间片段,即Tbc=(t1,t2,…,tk)。在大多数情况下,由于Tbc无法被均匀等分,因此,tk的长度通常小于其他k-1个时间片段。也就是说,每个时间片段t1,t2,…,tk-1的长度等于tk的长度小于在每一个划分的时间片段内道路L1和L2上车辆的数量及平均停留时间就可以从集合和中抽取,并且构成两个子集合和例如,中任一元素在时间片段t1内可被定义为 和中所有的元素均可以被映射到一个直角坐标平面上,其中,车辆的停留时间和数量分别为直角坐标平面的横坐标和纵坐标。和中所有的元素均可被拟合成为两条回归直线:和根据公式(5),利用最小二乘法可进一步获得两条回归直线的斜率和截距。
其中,和分别表示车辆停留时间和数量的均值;n是抽取数据的数量。通过利用和中车辆的数量和停留时间,计算两条回归直线的斜率和截距,并获得两条回归直线方程:和设和分别表示和中所含车辆数量的范围。 和分别表示和中所含车辆数量范围的上界与下界值。
如果两条回归直线和在NR1或NR2的范围内没有交点,则可以利用在NR1或NR2的范围内的值计算对应于或的停留时间。例如,回归直线对应的车辆数量范围区间为NR1,由于和在NR1或NR2的范围内没有交点,则可按照目前的斜率将延长至NR2的范围(即预测在NR2的范围内的取值)。此时,由于和在同一车辆范围区间NR2的范围内均拥有对应的取值,因此,可以通过两条回归直线在NR2的范围内取值的大小(回归直线的高度)来评价道路的通行能力。若在NR2的范围内的取值高于则表明在相同车辆数量的情况下车辆在L1的停留时间大于L2,即L1的通行能力小于L2;反之,若在NR2的范围内的取值低于则表明在相同车辆数量的情况下车辆在L1的停留时间大于L2,即L1的通行能力大于L2。
如果NR1和NR2的范围内存在交集且和在NR1和NR2的交集内存在交点,则L1和L2的通行能力差异无法采用上述方法评估。因此,需要继续从和中抽取在划分的每个时间片段内进入和离开L1和L2的车辆数量。 和分别表示在时间片段ti进入和离开L1和L2的车辆数量。首先,在每个时间片段内和在线段L1上行驶的车辆数量被映射到直角坐标平面内,其中,和在线段L1上行驶的车辆数量分别表示直角坐标平面的横坐标和纵坐标。对应于的回归直线的斜率可以根据公式(5)计算获得。表示进入L1的车辆数量的变化速率。相似地,对应于的回归直线的斜率表示离开L1的车辆数量的变化速率。表示在L1上车辆数量的变化速率。基于上述计算L1上车辆数量变化速率的方法,也可以获得在L2上车辆数量的变化速率 表示L1的通行能力大于L2。否则,如果表示L1的通行能力小于L2。
如果L1的通行能力大于L2,则tr1可以被视为从SCD到SA1之间所有行驶轨迹的候选行驶模式。tr1需要进一步与tr3进行通行能力比较。LBD→AD→AE→AF和LBD→BE→BF→AF可以被视为关于tr1与tr3的合并。tr1与tr3的通行能力可以利用上述方法进行比较。若tr1的通行能力大于tr3,则tr1被视为从SCD到SA1之间所有行驶轨迹的行驶模式;否则,若tr1的通行能力小于tr3,则tr3被视为从SCD到SA1之间所有行驶轨迹的行驶模式。基于上述方法,城市环境中所有从车辆行驶的起点到终点之间的行驶路径均可以获得对应的行驶模式,并构成一个集合例如,为车辆在时间间隔Ta内从SA0到SB1的行驶模式。
A3、媒体服务器根据当前车辆的出发地对当前车辆的行驶模式进行判定,并将判定结果共享给所有车辆。
A3.1、媒体服务器已知当前车辆的出发地后确认当前车辆的目的地。
A3.21、如果当前车辆的目的地确认成功,则直接确定该车辆的行驶模式。
A3.22、如果当前车辆的目的地确认失败,如导航信息受到隐私保护,无法直接获取目的地,则根据当前车辆已有的移动轨迹对车辆未来的移动轨迹进行预测,并根据预测结果不断修正该车辆的行驶模式。
A3.22中,媒体服务器对车辆行驶模式的预测方法为当车辆从出发地出发时,对所有可能的目的地进行预测,并选取其中被选择概率最高的一个目的地作为该车辆的目的地,然后根据出发地和目的地对该车辆的行驶模式进行判定,当该车辆在行驶过程中偏移该行驶模式时,重新预测其目的地并对其行驶模式进行修正。例如在图4中,车辆A在t1已经从SD0移动到SAE。根据车辆A的行驶时间t1和现有的行驶轨迹车辆A的行驶模式仅限于集合MPS中的一个子集SMPSA。然而,仅仅利用车辆A的行驶时间t1和现有的行驶轨迹是难以确定车辆A的行驶模式的。例如,当车辆A移动到SAE时,车辆A可以拥有多个行驶目的地(例如,SE0,SF0,SA1)。因此,需要利用以下公式计算车辆A以起点SD0到达任一目的地的概率。
其中,N(SD0,SF1)为在时间周期t1内车辆以SD0为起点且以SF1为终点的在集合MTS中车辆数量。m为所有以SD0为起点的车辆数量。N(SD0,Si)为在集合MTS中以SD0为起点任一目的地为终点的车辆数量。为在集合MTS中以SD0为起点的车辆数量。为车辆A以SD0为起点且到达终点SF1的概率。如果的值在所有以SD0为起点的目的地中最大,则可认为车辆A的目的地为SF1,则车辆A的行驶模式为
车联网中车辆移动性的评估方法及在视频传输领域应用,包括如下步骤:
S1、任意车辆接收其他车辆的行驶模式,并计算自身行驶模式与其他车辆的行驶模式之间的相似度。车辆A和B的运动行为相似度可以由以下公式计算获得。
其中,|trA∩trB|表示trA和trB中交集元素的数量;D(Li)表示道路线段Li的长度。s为在trA∩trB中被车辆A和B行驶过的线段数量的最大值。|trA∩trB|-s表示车辆A和B对应的行驶模式中所含去除已行驶过的共同线段的剩余数量。a和b分别为车辆A和B已经行驶过的剩余线段数量。SAB为trA和trB的共同线段长度与trA或trB的线段长度最大值之间的比值。如果SAB大于等于规定的阈值V,则表明车辆A和B拥有相似的运动行为;否则,若SAB小于规定的阈值V,则表明车辆A和B的运动行为不相似。
S2、相似度大于阈值的车辆之间共享储存在本地的视频资源。如果车辆A与任一车辆C之间的运动行为相似度至SAC大于车辆A与其他k-1个车辆的运动行为相似度计算结果且SAC>V,则车辆A和C拥有相似的运动行为;否则,如果SAC<V,车辆A和C的运动行为不相似。当车辆A和C拥有相似的运动行为时,车辆A和C可以彼此分享存储在本地的视频资源。如果车辆A在后续的运动过程中发现车辆C已经离开了自己的一跳通信范围,则车辆A可以在行驶过程中重新搜索新的具有相似运动行为的车辆,并实施视频资源共享。在行驶模式相似度高的两个车辆之间进行视频共享传输,能够保证传输的稳定性和速率。
还需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.车联网中车辆移动性的评估方法,车联网包括媒体服务器和若干个与媒体服务器通信连接的车辆,其特征在于:评估方法为:
A1、每个车辆根据道路网络确定自身的移动轨迹,并将移动轨迹上传至媒体服务器;
A2、媒体服务器根据所有车辆上传的移动轨迹提取道路网络中任意出发地与任意目的地之间的行驶模式;
A3、媒体服务器根据当前车辆的出发地对当前车辆的行驶模式进行判定,并将判定结果共享给所有车辆。
2.如权利要求1的车联网中车辆移动性的评估方法,其特征在于:A1的具体过程包括:
A1.1、对道路网络进行网格化处理;
A1.2、以网格的节点对道路进行标识;
A1.3、车辆利用道路标识对车辆的移动轨迹进行标识。
3.如权利要求2的车联网中车辆移动性的评估方法,其特征在于:
A1.1的具体方法为:以道路作为网格的脉络,以道路的首端和末端作为线条的端点,以不同道路之间的交叉口作为线条的交叉点;
A1.2的具体方法为:以道路的端点对道路进行标识,以每条道路与其他道路的交叉点将该道路分为若干条道路线段;
A1.3的具体方法为:车辆确认自身位置,根据自身位置判定自身与道路分段之间的隶属关系,将自身的移动轨迹转化为道路分段的连线。
4.如权利要求3的车联网中车辆移动性的评估方法,其特征在于:A1.3中车辆位置的确认方法为:任意车辆在移动过程中周围有至少两个一跳邻居节点时,车辆选择其中两个与其地理距离最近的一跳邻居节点组成三角形,则车辆的位置为该三角形的图心位置;当车辆在移动过程中周围只有一个一跳邻居节点时,车辆与该一跳邻居节点构成一条线段,则该车辆的位置为线段的中心位置;当车辆在移动过程中周围没有一跳邻居节点时,车辆利用GPS确定自身位置。
5.如权利要求3的车联网中车辆移动性的评估方法,其特征在于:A1.3中,车辆根据自身位置判定自身与道路分段之间的隶属关系的具体方法为:车辆根据自身位置确定自身与道路中线之间的距离,距离在一定阈值范围内则判定自身隶属于该道路分段。
6.如权利要求1的车联网中车辆移动性的评估方法,其特征在于:A2的具体过程包括:
A2.1、媒体服务器从所有车辆的行驶轨迹中确定任意出发地和任意目的地之间的所有行车路线;
A2.2、媒体服务器在任意出发地和任意目的地之间的所有行车路线中,选择其中一条行车路线作为该出发地和该目的地之间的行驶模式。
7.如权利要求6的车联网中车辆移动性的评估方法,其特征在于:A2.2的具体方法为:媒体服务器从任意出发地和任意目的地之间的所有行车路线首选选择出一条或者多条距离最短行车路线,然后计算所有距离最短行车路线的通行能力,选择其中通行能力最强的一条距离最短行车路线作为该出发地和该目的地之间的车辆的行驶模式。
8.如权利要求1的车联网中车辆移动性的评估方法,其特征在于:A3的具体过程包括:
A3.1、媒体服务器已知当前车辆的出发地后确认当前车辆的目的地;
A3.21、如果当前车辆的目的地确认成功,则直接确定该车辆的行驶模式;
A3.22、如果当前车辆的目的地确认失败,则根据当前车辆已有的移动轨迹对车辆未来的移动轨迹进行预测,并根据预测结果不断修正该车辆的行驶模式。
9.如权利要求8的车联网中车辆移动性的评估方法,其特征在于:A3.22中,媒体服务器对车辆行驶模式的预测方法为:当车辆从出发地出发时,对所有可能的目的地进行预测,并选取其中被选择概率最高的一个目的地作为该车辆的目的地,然后根据出发地和目的地对该车辆的行驶模式进行判定,当该车辆在行驶过程中偏移该行驶模式时,重新预测其目的地并对其行驶模式进行修正。
10.如权利要求1的车联网中车辆移动性的评估方法在视频传输领域的应用,其特征在于:包括如下步骤:
S1、任意车辆接收其他车辆的行驶模式,并计算自身行驶模式与其他车辆的行驶模式之间的相似度;
S2、相似度大于阈值的车辆之间共享储存在本地的视频资源。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711092804.9A CN107889061B (zh) | 2017-11-08 | 2017-11-08 | 车联网中车辆移动性的评估方法及在视频传输领域应用 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711092804.9A CN107889061B (zh) | 2017-11-08 | 2017-11-08 | 车联网中车辆移动性的评估方法及在视频传输领域应用 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107889061A true CN107889061A (zh) | 2018-04-06 |
CN107889061B CN107889061B (zh) | 2020-06-02 |
Family
ID=61779355
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711092804.9A Active CN107889061B (zh) | 2017-11-08 | 2017-11-08 | 车联网中车辆移动性的评估方法及在视频传输领域应用 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107889061B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109492799A (zh) * | 2018-10-23 | 2019-03-19 | 重庆扬升信息技术有限公司 | 一种海量共享交换平台数据环境下路径优化方法 |
CN109600663A (zh) * | 2018-12-18 | 2019-04-09 | 洛阳师范学院 | 车联网中基于车辆移动行为相似性的视频资源共享方法 |
CN111260911A (zh) * | 2019-12-30 | 2020-06-09 | 同济大学 | 一种基于路侧设备的车队驾驶方法 |
CN112005184A (zh) * | 2018-04-24 | 2020-11-27 | 罗伯特·博世有限公司 | 用于将车辆的未来驾驶操纵与至少一个同伴车辆的同伴操纵进行协作协调的方法和设备 |
CN113905353A (zh) * | 2021-12-09 | 2022-01-07 | 交通运输部公路科学研究所 | 一种车载无线网络视频数据资源配置与调度方法及*** |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102509170A (zh) * | 2011-10-10 | 2012-06-20 | 浙江鸿程计算机***有限公司 | 一种基于历史轨迹数据挖掘的位置预测***及方法 |
CN102890869A (zh) * | 2012-09-25 | 2013-01-23 | 孙涛 | 车辆行车路线预测通知方法及移动智能终端 |
CN103294758A (zh) * | 2012-02-23 | 2013-09-11 | 福特全球技术公司 | 车辆驾驶匹配***和方法 |
CN103325245A (zh) * | 2013-06-25 | 2013-09-25 | 中国科学院信息工程研究所 | 一种黑名单车辆的时空行驶轨迹预测方法 |
CN103674042A (zh) * | 2012-09-18 | 2014-03-26 | 三星电子(中国)研发中心 | 基于用户建模的路径引导***和方法 |
US20150032366A1 (en) * | 2012-03-16 | 2015-01-29 | Matthew Lai Him Man | Systems and methods for delivering high relevant travel related content to mobile devices |
CN104796468A (zh) * | 2015-04-14 | 2015-07-22 | 蔡宏铭 | 实现同行人即时通讯及同行信息共享的方法和*** |
CN104954984A (zh) * | 2015-05-20 | 2015-09-30 | 蔡宏铭 | 一种实现同行人即时通讯的方法和*** |
CN105825297A (zh) * | 2016-03-11 | 2016-08-03 | 山东大学 | 一种基于马尔科夫模型的位置预测方法 |
CN107295600A (zh) * | 2017-07-07 | 2017-10-24 | 北京邮电大学 | 一种车载网络中的数据传输方法 |
-
2017
- 2017-11-08 CN CN201711092804.9A patent/CN107889061B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102509170A (zh) * | 2011-10-10 | 2012-06-20 | 浙江鸿程计算机***有限公司 | 一种基于历史轨迹数据挖掘的位置预测***及方法 |
CN103294758A (zh) * | 2012-02-23 | 2013-09-11 | 福特全球技术公司 | 车辆驾驶匹配***和方法 |
US20150032366A1 (en) * | 2012-03-16 | 2015-01-29 | Matthew Lai Him Man | Systems and methods for delivering high relevant travel related content to mobile devices |
CN103674042A (zh) * | 2012-09-18 | 2014-03-26 | 三星电子(中国)研发中心 | 基于用户建模的路径引导***和方法 |
CN102890869A (zh) * | 2012-09-25 | 2013-01-23 | 孙涛 | 车辆行车路线预测通知方法及移动智能终端 |
CN103325245A (zh) * | 2013-06-25 | 2013-09-25 | 中国科学院信息工程研究所 | 一种黑名单车辆的时空行驶轨迹预测方法 |
CN104796468A (zh) * | 2015-04-14 | 2015-07-22 | 蔡宏铭 | 实现同行人即时通讯及同行信息共享的方法和*** |
CN104954984A (zh) * | 2015-05-20 | 2015-09-30 | 蔡宏铭 | 一种实现同行人即时通讯的方法和*** |
CN105825297A (zh) * | 2016-03-11 | 2016-08-03 | 山东大学 | 一种基于马尔科夫模型的位置预测方法 |
CN107295600A (zh) * | 2017-07-07 | 2017-10-24 | 北京邮电大学 | 一种车载网络中的数据传输方法 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112005184A (zh) * | 2018-04-24 | 2020-11-27 | 罗伯特·博世有限公司 | 用于将车辆的未来驾驶操纵与至少一个同伴车辆的同伴操纵进行协作协调的方法和设备 |
CN109492799A (zh) * | 2018-10-23 | 2019-03-19 | 重庆扬升信息技术有限公司 | 一种海量共享交换平台数据环境下路径优化方法 |
CN109492799B (zh) * | 2018-10-23 | 2021-12-14 | 重庆扬升信息技术有限公司 | 一种海量共享交换平台数据环境下路径优化方法 |
CN109600663A (zh) * | 2018-12-18 | 2019-04-09 | 洛阳师范学院 | 车联网中基于车辆移动行为相似性的视频资源共享方法 |
CN111260911A (zh) * | 2019-12-30 | 2020-06-09 | 同济大学 | 一种基于路侧设备的车队驾驶方法 |
CN113905353A (zh) * | 2021-12-09 | 2022-01-07 | 交通运输部公路科学研究所 | 一种车载无线网络视频数据资源配置与调度方法及*** |
CN113905353B (zh) * | 2021-12-09 | 2022-02-25 | 交通运输部公路科学研究所 | 一种车载无线网络视频数据资源配置与调度方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN107889061B (zh) | 2020-06-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107889061A (zh) | 车联网中车辆移动性的评估方法及在视频传输领域应用 | |
Rahim et al. | Vehicular social networks: A survey | |
Jiang et al. | Resource allocation of video streaming over vehicular networks: A survey, some research issues and challenges | |
Maglaras et al. | Social clustering of vehicles based on semi-Markov processes | |
EP3054721B1 (en) | Traffic adjustment for variable network state | |
CN104640168B (zh) | 基于q学习的车载自组织网络路由方法 | |
CN110047277A (zh) | 基于信令数据的道路交通拥堵排名方法及*** | |
Chaqfeh et al. | Vehicular cloud data collection for intelligent transportation systems | |
CN108320501A (zh) | 基于用户手机信令的公交线路识别方法 | |
Chen et al. | Connected vehicular transportation: Data analytics and traffic-dependent networking | |
CN104658297B (zh) | 一种基于Sarsa学习的中心式动态路径诱导方法 | |
CN103947231A (zh) | 用于在移动终端设备与至少一个位置固定的数据网络之间传输数据的方法、移动终端设备以及具有移动终端设备的汽车 | |
CN103458482B (zh) | Vanet中解决rsu接入问题的演化博弈方法 | |
CN109000676A (zh) | 一种vanet环境下结合预测信息的路径规划方法 | |
CN110264758B (zh) | 基于微云的车辆信息处理与交互方法、处理与交互*** | |
Li et al. | A Markov jump process model for urban vehicular mobility: Modeling and applications | |
Li et al. | Adaptive fuzzy multiple attribute decision routing in VANETs | |
CN108650656A (zh) | 一种基于交叉路口的分布式城市车联网路由方法 | |
CN111931079A (zh) | 推荐网约车上车点的方法及*** | |
Yang et al. | Generating routes for autonomous driving in vehicle-to-infrastructure communications | |
Li et al. | Potential predictability of vehicular staying time for large-scale urban environment | |
Chen et al. | Crowd-based smart parking: A case study for mobile crowdsourcing | |
Karpagalakshmi et al. | An effective traffic management system using connected dominating set forwarding (CDSF) framework for reducing traffic congestion in high density VANETs | |
CN109754631A (zh) | 车辆位置追踪的方法、装置、计算机设备及存储介质 | |
Xie et al. | An energy-efficient high definition map data distribution mechanism for autonomous driving |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |