CN109640295A - 城市场景中有基础设施车联网面向连通预测的候选节点集构造方法 - Google Patents

Abstract

在有基础设施的车联网中，因为有基础设施RSU的辅助，整个网络可以处于连通状态，即RSU范围内车辆可通过车车通信或RSU节点转发实现连通。然而，由于车辆在行驶过程中可能有加减速、转弯、骤停、驶离路网等各种行为，即自由度很高，导致RSU节点在对所在区域进行管理控制时不仅需要实时更新，还需要在拓扑结构发生变化时及时指导区域内的车辆节点进行连通，从而会导致RSU通信拥塞和数据丢失问题。因此，分析和解决城市道路场景中车联网网络节点的连通预测是解决车联网网络通达性问题的有效方法。本发明针对以上问题给出城市场景中有基础设施车联网面向连通预测的候选节点集构造方法，涉及连通候选节点集构造模型和连通候选节点集构造算法。

Description

城市场景中有基础设施车联网面向连通预测的候选节点集构 造方法

技术领域

本发明涉及车联网领域，具体涉及城市场景中有基础设施车联网面向连通预测的候选节点集构造方法。

背景技术

在有基础设施的车联网中，因为有基础设施RSU的辅助，整个网络可以处于连通状态，即RSU范围内车辆可通过车车通信或RSU节点转发实现连通，跨RSU车辆可以通过RSU作为路由网关进行连通，因为RSU位置固定所以跨RSU车辆间通信可按照传统的路由方式进行。而由于车辆在行驶过程中可能有加减速、转弯、骤停、驶离路网等各种行为，即自由度很高，导致RSU节点在对所在区域进行管理控制时不仅要实时更新，还需要在拓扑结构发生变化时及时指导区域内的车辆节点进行连通，从而保证连通的实时性及稳定性，即通达性，而且负载均衡可以避免通信拥塞和数据丢失。

综上所述，目前还没有对城市场景中有基础设施车联网网络部分节点呈现弱连接时，实施连通预测的候选节点集进行研究。因此，保持城市场景中有基础设施的车联网网络的整体连接性，减轻RSU的负载均衡，从而有效保证车联网数据的有效传输。

发明内容

发明目的：

本发明研究方法是针对城市场景中有基础设施的车联网网络整体连通性，减轻RSU的负载均衡问题，构造面向连通预测的候选节点集，当车联网网络部分节点呈现弱连接时，仍然可以保持车联网网络的整体连接性。

目前没有对此问题进行相关研究。

为此，本发明具体给出以下技术方案实现：

城市场景中有基础设施车联网面向连通预测的候选节点集构造方法，其特征在于，具体方法包括如下步骤：

步骤1.连通候选节点集构造模型

步骤2.连通候选节点集构造算法

所述连通候选节点集构造模型，包括步骤：

在有基础设施的车联网中因为存在RSU节点来辅助连通，所以当暂时性不连通情况出现时，RSU节点会作为桥接节点发挥类似于网络中交换机的作用，从而使得已经断开的子网重新连通。但原本可以由车辆自组织网络进行传递的数据都要途径RSU节点转发，会使得RSU节点负载陡增，同时由于车辆的高移速特性，其与相对而言静止的RSU节点间数据传输效率不高。因此当t时刻在检测到弱连接后，需要采取有效的方法得到被选节点，使得在未来的t+δ时刻连接断开后能够优先从被选节点中得到有效连通边，进而避免RSU节点履行交换机的职责。

车联网中t时刻不连通的两个节点v_i，v_j在较短Δt时间内出现连通的可能性定义为节点引力VertexAttraction，记为VA(v_i，v_j)，数学表达式为(1)：

其中Relu函数为深度学习中常用的激活函数，Relu(x)＝max(0，x)，函数图像如图2Relu函数图象所示，系数是为了符合节点的中心性特点。VecDis(x_i，x_j)是基于城市场景中车联网时空数据分析的车辆节点之间连通强度的预测度量模型(程久军等发明人于2018年7月25日申请的《基于城市场景中车联网时空数据分析的车辆节点之间连通强度的预测度量模型》(申请人：同济大学，专利申请号：201810824233.1)中训练好的向量距离计算函数，x_i，x_j为节点v_i，v_j对应的属性向量。

车联网中两节点集合S_a，S_b间节点引力最大的一对点定义为连接候选节点CandidatePoint，记为CP(S_a，S_b)，其模型为：

根据CandidatePoint的计算公式，在弱连接断开时，我们需要优先检测的节点集S＝CP(BV_a，Γ(BV_b))∪CP(BV_b，Γ(BV_a))∪CP(Γ(BV_a)，Γ(BV_b))，而集合中的元素为<v_i，v_j>的顶点对形式，两点之间的节点引力大小排序与连通候选集中优先级次序一致。

所述连通候选节点集构造算法，包括步骤：

有基础设施的车联网中，设置t时刻的所有RSU信息及其节点集合V(t)，边集合E(t)，连通强度集合W(t)，对应弱连接点集BV(t)，弱连接边集BE(t)，得到连通候选节点集构造算法，具体算法过程如算法1所示。

有益效果

本发明目的在于公开一种考虑城市场景实际交通中路网情况和结构都非常复杂的情况下，提供一种有基础设施车联网网络节点呈现弱连接时，为了保持车联网网络整体连通性，构造面向连通预测的候选节点集。

城市场景中车辆在行驶过程中可能有加减速、转弯、骤停、驶离路网等自由度很高的各种行为，导致整体网络的连通能力以及RSU节点通信拥塞和数据丢失的情况下，提供一种可以为有基础设施车联网网络整体始终保持连通的连通预测候选节点集构造方法。

附图说明

图1路口网络拓扑图

图2Relu函数图象

图3构建连通候选节点集算法

图4为本发明方法流程图

具体实施方式

程久军等发明人于2018年7月25日申请的《基于城市场景中车联网时空数据分析的车辆节点之间连通强度的预测度量模型》(申请人：同济大学，专利申请号：201810824233.1)公开的内容可以视为本发明说明书的组成部分。

本发明的具体实施过程如图4所示，包括如下2个方面：

①连通候选节点集构造模型

②连通候选节点集构造算法

①

连通候选节点集构造模型

在有基础设施的车联网中因为存在RSU节点来辅助连通，所以当暂时性不连通情况出现时，RSU节点会作为桥接节点发挥类似于网络中交换机的作用，从而使得已经断开的子网重新连通。但原本可以由车辆自组织网络进行传递的数据都要途径RSU节点转发，会使得RSU节点负载陡增，同时由于车辆的高移速特性，其与相对而言静止的RSU节点间数据传输效率不高。因此当t时刻在检测到弱连接后，需要采取有效的方法得到被选节点，使得在未来的t+δ时刻连接断开后能够优先从被选节点中得到有效连通边，进而避免RSU节点履行交换机的职责。

如图1路况网络拓扑图所示，检测到e₁，e₂，e₃为弱连接，原因是节点v₁要转向驶离该网络，所以会导致上方v₂节点及相连网络与下方网络断开，造成网络的暂时性不连通。我们需要对两侧的邻居节点即v₂与v₃，v₄的连通可能性进行计算和预测从而决定是否列入备选节点，亦或是断开时直接将RSU节点作为临时桥接点来进行辅助连通。

设弱连接检测时的分组个数k＝2，即图G可能被分割为a，b两个子图，弱连接两边的顶点构成边界节点集BV_a与BV_b。而图中的邻节点集合记为Γ(ξ)，当ξ为节点时，那么Γ(ξ)表示ξ所有邻节点的集合，当ξ为集合时，Γ(ξ)表示为所有与ξ中节点相邻节点的集合，其中所以我们的目标是要对(BV_a，Γ(BV_b))，(BV_b，Γ(BV_a))，(Γ(BV_a)，Γ(BV_b))三组节点进行相关计算，从而判定是否有符合要求的备选节点出现。

车联网中t时刻不连通的两个节点v_i，v_j在较短Δt时间内出现连通的可能性定义为节点引力VertexAttraction，记为VA(v_i，v_j)，数学表达式为(1)：

其中Relu函数为深度学习中常用的激活函数，Relu(x)＝max(0，x)，函数图像如图2Relu函数图象所示，，系数是为了符合节点的中心性特点。VecDis(x_i，x_j)是基于城市场景中车联网时空数据分析的车辆节点之间连通强度的预测度量模型(程久军等发明人于2018年7月25日申请的《基于城市场景中车联网时空数据分析的车辆节点之间连通强度的预测度量模型》(申请人：同济大学，专利申请号：201810824233.1)中训练好的向量距离计算函数，x_i，x_j为节点v_i，v_j对应的属性向量。

根据基于城市场景中车联网时空数据分析的车辆节点之间连通强度的预测度量模型(程久军等发明人于2018年7月25日申请的《基于城市场景中车联网时空数据分析的车辆节点之间连通强度的预测度量模型》(申请人：同济大学，专利申请号：201810824233.1)，决定节点间连通与否的连通系数ConnexFactor(v_i，v_j，t)＝[Distance(v_i，v_j)≤Range]取决于节点之间的距离，因此根据节点t时刻的状态来估算t+Δt时刻的位置非常重要。因为Δt时间较短，可以采用基本的位移计算公式来处理，记Δt后两节点距离为Distance(v′_i，v′_j)，在Δt中间发生的短暂连通因为时间太短没有实际意义所以不予考虑。

车联网中两节点集合S_a，S_b间节点引力最大的一对点定义为连接候选节点CandidatePoint，记为CP(S_a，S_b)，其模型为：

根据CandidatePoint的计算公式，在弱连接断开时，我们需要优先检测的节点集S＝CP(BV_a，Γ(BV_b))∪CP(BV_b，Γ(BV_a))∪CP(Γ(BV_a)，Γ(BV_b))，而集合中的元素为<v_i，v_j>的顶点对形式，两点之间的节点引力大小排序与连通候选集中优先级次序一致。

②

连通候选节点集构造算法

有基础设施的车联网中，设置t时刻的所有RSU信息及其节点集合V(t)，边集合E(t)，连通强度集合W(t)，对应弱连接点集BV(t)，弱连接边集BE(t)，得到连通候选节点集构造算法，具体算法过程如算法1所示，算法流程图具体如图3所示。

基于城市场景中车联网时空数据分析的车辆节点之间连通强度的预测度量模型(程久军等发明人于2018年7月25日申请的《基于城市场景中车联网时空数据分析的车辆节点之间连通强度的预测度量模型》(申请人：同济大学，专利申请号：201810824233.1)，该专利申请给出的技术方案为：针对车联网时空数据异构以及拓扑频繁变化导致的连通性问题，构建基于张量因子聚合的神经网络模型，用来预测车辆节点之间的连通强度。)，提出了一种城市场景中有基础设施车联网面向连通预测的候选节点集构造方法。

以连通强度作为边的权值，构造连通预测的连通候选节点集，从而可以有效选择新的桥接节点，从而有效减轻RSU的负载均衡，从根本上有助于城市场景中有基础设施的车联网网络整体保持连通。

Claims (1)

1.城市场景中有基础设施车联网面向连通预测的候选节点集构造方法，其特征在于，具体方法包括如下步骤：

步骤1.构建连通候选节点集构造模型；

步骤2.连通候选节点集构造算法；

所述连通候选节点集构造模型，包括步骤：

车联网中t时刻不连通的两个节点v_i,v_j在较短Δt时间内出现连通的可能性定义为节点引力VertexAttraction，记为VA(v_i,v_j)，数学表达式为(1)：

其中Relu函数为深度学习中常用的激活函数，Relu(x)＝max(0,x)，系数是为了符合节点的中心性特点。VecDis(x_i,x_j)是已有的基于城市场景中车联网时空数据分析的车辆节点之间连通强度的预测度量模型中训练好的向量距离计算函数，x_i,x_j为节点v_i,v_j对应的属性向量；

车联网中两节点集合S_a,S_b间节点引力最大的一对点定义为连接候选节点CandidatePoint，记为CP(S_a,S_b)，其模型为：

所述连通候选节点集构造算法，包括步骤：

有基础设施的车联网中，设置t时刻的所有RSU信息及其节点集合V(t)，边集合E(t)，连通强度集合W(t)，对应弱连接点集BV(t)，弱连接边集BE(t)，得到连通候选节点集构造算法，具体算法过程如算法1所示：