CN102915404A - 一种适用于车辆自组网的基于模糊聚类算法的信息融合方法 - Google Patents

Abstract

本发明提供一种适用于车辆自组网的基于模糊聚类算法的信息融合方法，涉及计算机网络技术领域，选取速度值、刹车频率、加速度值作为消息属性，利用模糊聚类算法对本地消息对象进行分类，形成不同的消息集合；然后，将具有相同属性的消息对象融合为一个消息；该发明的优点在于提高了融合效率，显著减少传输流量的同时，保证了道路状况信息的准确性。

Description

一种适用于车辆自组网的基于模糊聚类算法的信息融合方法

技术领域

本发明涉及计算机网络技术领域，尤其涉及一种适用于车辆自组网的基于模糊聚类算法的信息融合方法。

背景技术

车辆自组织网络能够支持智能交通系统（ITS）中的多种应用，比如确保道路安全；提高行车效率；提供更好的车辆服务，等等。然而随着城市道路中车辆数目的激增，道路拥堵等道路突发状况问题也越发显著。因此，越来越多的研究人员参与到道路状态检测方法的研究探索当中。

通常，道路拥塞检测依赖于车辆间通信（IVC），车辆交换彼此的状态信息并收集交通数据。通过分析这些数据，交通控制中心或者车辆本身能够发现道路拥堵事件的发生，并传播拥堵信息给其他兴趣车辆。从而指引驾驶员回避拥堵区域。如今大部分汽车制造商都会在汽车上安装各种传感器设备，以此确保安全性和便利性。然而这将会导致车辆自组织网络中存在大量的原子消息，尤其是当网络密度增加时，车辆间频繁的交换信息将显著增加网络中原子消息的数量。但网络中带宽有限，大量的原子消息存在可能导致信道竞争等问题，进而对信道质量以及网络性能造成影响。此外，原子消息通常是原始而简陋的，因此有时不能充分反映兴趣事件总体情况。针对这些问题的产生，设计合理的数据融合机制也是车辆自组织网络研究中的一项重要内容。

由于车辆自组网的高速移动和大规模等特性，使得传统的应用于无线传感网的信息融合技术不再适用。目前流行的信息融合方法分为基于阈值的消息融合（TMA）和基于路段的消息融合（RSMA）两大类。在TMA方法中，两个消息条目中的参数的差值将与设定的阈值进行比较，如果满足阈值条件，则这两个消息将被融合为一条。在RSMA方法中，融合标准是路段号，具有相同路段号的消息将会被融合成一条。例如早期的TMA方法经典范例，Trafficiew系统。该系统定义了两个融合判据，距离阈值和最低融合成本阈值，以此来构建消息对，然而这种方式受预设的阈值影响严重。针对这一问题，SOTIS系统被提出来，该系统采用RSMA的方法融合大量的消息条目。路段分片长度将根据道路类型来设定，如果路段长度分割的太小，消息的详细程度将更高，然而消息融合效率将会很低。但是，如果路段长度分割的更长，信息的准确性将会降低。故而SOTIS系统很难在消息准确度和融合效率之间做出平衡。

由于事物之间的界限往往是模糊的，用模糊聚类分析确定具有模糊属性的样本的亲疏关系并客观的划分类型是十分合适的。因此，模糊聚类分析在模式识别、数据挖掘以及模糊控制等领域的应用前景越来越广阔，逐渐成为研究的热点。StreetSmart系统虽然同样是采用基于聚类的消息融合方案来减少信息冗余，但是它的聚类算法是P2P模式的，需要完全连接的网络条件。因此它并不适用于具有动态变化、暂时连接性质的车辆自组网。另外，为了避免巨大的结构维护开销，一种基于模糊逻辑的无结构的方法被提出。该方法首先运用模糊集理论模糊两个聚合条目的所有影响因素，然后用模糊逻辑运算推导他们的相似程度，并最终做出一个判决。对于这个方案，无结构的模式使其在动态环境下节省了结构维护的开销。但是它实现融合系统的框架是基于消息驱动的，每收到一个新消息，它就要对这个新消息和已有的老消息进行对比，开始融合操作。由于车辆网络的大规模性，在高密度情况下，消息的到达变化率是很高的，这将必然导致大量的计算开销产生，并大幅降低消息的融合效率。

发明内容

本发明的目的针对背景技术中所描述的目前车辆自组织网络中现有信息融合方法存在的问题，提供一种适用于车辆自组网的基于模糊聚类算法的信息融合方法。

一种适用于车辆自组网的基于模糊聚类算法的信息融合方法，选取速度值、刹车频率、加速度值作为消息属性，利用模糊聚类算法对本地消息对象进行分类，形成不同的消息集合；然后，将具有相同属性的消息对象融合为一个消息。

该发明的关键在于将模糊聚类算法引入到车辆自组网的信息融合算法中，使得在降低网络传输流量的同时，保证道路状况信息的准确性。

一种适用于车辆自组网的基于模糊聚类算法的信息融合方法，含有以下步骤：

步骤S101：将本地消息和接收到的消息作为输入数据存储到原子消息缓存器中；

步骤S102：判断时间定时器T是否到期，若没有则返回步骤S101；

步骤S103：若定时器T到期，则从原子信息缓存器中取出已有的读数，利用模糊聚类方法将它们分入不同的消息类；

步骤S104：利用融合函数AF将同一类的消息融合；

步骤S105：融合后的消息将被存储在融合消息缓存器中等待传播。

本发明的优点在于，与传统的聚类方法相比，提出的模糊信息聚类更适应于检测拥堵等道路状态信息，因为选用了速度、刹车频率和加速度这三个消息属性，这样做可以更好地反映道路拥塞等级。此外，这些消息属性随着道路交通条件来变化，而交通流量的的改变是一个缓慢的过程。这就使得模糊消息聚类相对稳定，可以更好地适应车辆网络的动态变化性，并且避免了大量的结构维护开销。从信息的准确性角度来说，所提出的基于模糊聚类算法的信息融合方案还可以被用来区分邻近的双向车道。总之，在提高融合效率，大量减少传输流量的同时，本发明保证了道路状况检测的准确性。

附图说明

图1为本发明实施例应用场景示意图；

图2为本发明消息融合的流程图；

图3为本发明模糊聚类的流程图。

具体实施方式

下面结合附图，对优选实施例作详细说明。应该强调的是，下述说明仅仅是示例性的，而不是为了限制本发明的范围及其应用。

实施例1：

一种适用于车辆自组网的基于模糊聚类算法的信息融合方法，含有以下步骤：

步骤S101：将本地消息和接收到的消息作为输入数据存储到原子消息缓存器中；

步骤S102：判断时间定时器T是否到期，若没有则返回步骤S101；

步骤S103：若定时器T到期，则从原子信息缓存器中取出已有的读数，利用模糊聚类方法将它们分入不同的消息类；

步骤S104：利用融合函数AF将同一类的消息融合；

步骤S105：融合后的消息将被存储在融合消息缓存器中等待传播。

所述步骤S102中为了提高消息融合效率，所提出的基于模糊聚类算法的信息融合系统架构是基于周期性定时控制器的。利用定时控制器来驱动消息融合机制工作。定义两个连续的融合操作之间的时间间隔为T。根据实际的网络需求，T值的选取可以是固定的或是动态可调的。

所述步骤S103中模糊聚类方法步骤如下：

假设节点v收集到的所有n个消息的集合表示为X^(v)={x₁ ^(v),x₂ ^(v),…,x_n ^(v)}，并且每个消息有m个属性。

步骤S201：首先对每个消息的属性进行量化，并创建一个数据样本矩阵D_n×m。假设z_ik ^(v)是节点v的第i个消息对象中的第k个属性值，则节点v的第i个消息对象可以表示为一个m维向量x_i ^(v)=(z_i1 ^(v),z_i2 ^(v),…,z_im ^(v))。则节点v的D_n×m矩阵表示为：

$D_{n\×m}^{\left(v\right)}=\left[\begin{array}{cccccc}{z}_{11}^{\left(v\right)}& z_{12}^{\left(v\right)}& ...& z_{1k}^{\left(v\right)}& ...& z_{1m}^{\left(v\right)}\\ z_{21}^{\left(v\right)}& z_{22}^{\left(v\right)}& ...& z_{2k}^{\left(v\right)}& ...& z_{2m}^{\left(v\right)}\\ .& .& .& .& .& .\\ .& .& .& .& .& .\\ .& .& .& .& .& .\\ z_{i1}^{\left(v\right)}& z_{i2}^{\left(v\right)}& ...& z_{\mathrm{ik}}^{\left(v\right)}& ...& z_{\mathrm{im}}^{\left(v\right)}\\ .& .& .& .& .& .\\ .& .& .& .& .& .\\ .& .& .& .& .& .\\ z_{n1}^{\left(v\right)}& z_{n2}^{\left(v\right)}& ...& z_{\mathrm{nk}}^{\left(v\right)}& ...& z_{\mathrm{nm}}^{\left(v\right)}\end{array}\right]\text{;}$

步骤S202：基于选定的数学方法建立模糊相似关系矩阵R_n×m。在本发明中，采用经典的算术平均数最小的方法来描述消息对象x_i ^(v)和消息对象x_j ^(v)之间的模糊相似度r_ij ^(v)，计算公式如下：

$r_{\mathrm{ij}}^{\left(v\right)}=\frac{2\·\underset{l=1}{\overset{m}{\mathrm{\Σ}}}(z_{\mathrm{il}}^{\left(v\right)}^z_{\mathrm{jl}}^{\left(v\right)})}{\underset{l=1}{\overset{m}{\mathrm{\Σ}}}(z_{\mathrm{il}}^{\left(v\right)}+z_{\mathrm{jl}}^{\left(v\right)})};$

步骤S203：选取适当的λ值来获得划分矩阵C_n×m，如果r_ij ^(v)≥λ，则划分矩阵C_n×m第i行第j列的元素c_ij ^(v)将被设置为“1”，也意味着消息对象x_i ^(v)和x_j ^(v)是相似的。否则，c_ij ^(v)将设置为“0”。对于划分矩阵来说，只有相似的消息对象可以集成到同一个消息类中，这里的消息类指的就是同一个消息集群。此外，分类的结果与λ的取值大小有关，λ取值越大，分的类数越多，λ∈[0,1]。这种方法要预先知道分类数，如分类数不合理，就重新计算。可以根据实际应用需求，选取适当的λ值；

步骤S204：因为划分矩阵是直接基于相似矩阵建立的，所以可能存在相交的消息类。为此，基于划分矩阵建立邻接矩阵，对相交的消息类进行合并；

步骤S205：通过图的深度优先遍历算法，将所有的连接和类似的消息对象放入同一个消息类。

所述步骤S205中深度优先遍历算法使用步骤具体如下：假设深度优先遍历函数是dfs(o_i)，其中“o_i”代表第i个访问的消息对象（i＝1，2，...，n）；邻接矩阵A_n×m是图的链式存储结构，其中a_ij ^(v)表示矩阵A_n×m第i行第j列的元素。在初始状态，所有的消息对象都还没有被访问过，它们的值被设定为“0”。首先访问第一个还没有被访问的消息对象o₁，在这里，第一个搜查的消息对象o₁可以随机选择。然后将访问的消息对象o₁设置为“1”，表示这一消息对象已被访问。然后，搜索相邻的消息对象o_w，这是与消息对象o₁相连但还没有被访问的。如果o_w存在，则重复对消息对象o_w进行深度优先遍历，即调用dfs(o_w)函数。如果所有的消息对象都已被访问，则停止上述过程。

所述步骤S104中融合函数AF是负责对原子信息进行处理，以此获得反映不同道路或车辆状况的融合消息，例如道路拥堵事件的发生、车辆异常信息等。其中原子消息是用来描述车辆状态信息的，当两车相遇，他们就可以通过交换原子消息知道彼此的行车状态。如果节点i的其中一个消息类中含有n个原子消息，x₁ ⁽ⁱ⁾,x₂ ⁽ⁱ⁾,…,x_n ⁽ⁱ⁾。融合后的消息用x_r ⁽ⁱ⁾表示，x_r ⁽ⁱ⁾=AF(x₁ ⁽ⁱ⁾,x₂ ⁽ⁱ⁾,…,x_n ⁽ⁱ⁾)。为了更好的反映道路状况信息，将旧的消息属性中车辆的地理坐标修改为一个近似的地理覆盖范围，用交通状态D_r ⁽ⁱ⁾近似表示，其中D_r ⁽ⁱ⁾包含来自同一消息类的所有地理坐标。融合后的消息x_r ⁽ⁱ⁾的新属性表示为x_r ⁽ⁱ⁾=(s_r ⁽ⁱ⁾,e_r ⁽ⁱ⁾,b_r ⁽ⁱ⁾,D_r ⁽ⁱ⁾,t_r ⁽ⁱ⁾)，其中s为速度值，e为加速度值，b为刹车频率，t为消息的创建时间。融合函数AF的选取依据则跟具体应用需求有关，这里针对道路拥塞检测进行简单举例，计算公式如下：

s_r ⁽ⁱ⁾=∑_k＝1 ^ls_k ⁽ⁱ⁾/1；

e_r ⁽ⁱ⁾=∑_k＝1 ^le_k ⁽ⁱ⁾/1；

b_r ⁽ⁱ⁾=∑_k＝1 ^lb_k ⁽ⁱ⁾/1；

D_r ⁽ⁱ⁾=∪_k＝1 ^l(σ_k ⁽ⁱ⁾,ρ_k ⁽ⁱ⁾)；

t_r ⁽ⁱ⁾＝max(t₁ ⁽ⁱ⁾,t₂ ⁽ⁱ⁾,…,t_l ⁽ⁱ⁾)。

其中l为同一消息类中原子消息的个数，k为其中第k个消息，k＝1,2,…,l。通过对新融合后的消息属性进行判断，将得到一个更为直观的道路服务水平。此外，它可以提供更加可靠和有价值的流量信息，特别是可以在很短的时间来检测拥塞事件。

实施例2:

本发明适用于网络节点组成相同，通常指节点通信能力相同，即有相同的最大通信半径；节点已被全网络范围分配统一的IP地址或MAC地址等身份标识；车辆间利用无线网络互相交换状态信息，包括速度值、刹车频率和加速度值。

图1为本发明实施例应用场景示意图。该示意图表示在某一时刻，城市道路中截取的一段东西向的双向车道。在向东行驶的车道上发生了道路拥堵现象，而向西行驶的车道上车辆行驶正常。假设车辆9接收到从邻居车辆1、2、3、4、8、10发来的六个原子消息，将其表示为{x₁ ⁽⁹⁾,x₂ ⁽⁹⁾,x₃ ⁽⁹⁾,x₄ ⁽⁹⁾,x₅ ⁽⁹⁾,x₆ ⁽⁹⁾}。在对所收集到的原子事件进行模糊聚类后，将会根据消息属性（速度值s、加速度值e和刹车频率b）得到两个消息类{x₁ ⁽⁹⁾,x₂ ⁽⁹⁾,x₃ ⁽⁹⁾,x₄ ⁽⁹⁾}、{x₅ ⁽⁹⁾,x₆ ⁽⁹⁾}，以此区分不同的道路状况。然后将各消息类中的原子消息进行消息融合，还可以利用融合后的消息进行判决，获得拥堵路段的准确信息。这样就能在减少通信量提高传输效率的同时，还保证了道路状况消息的准确性。

在本发明中，原子消息，指用来描述车辆状态信息的消息，当两车相遇，他们就可以通过交换原子消息知道彼此的行车状态；相邻车辆节点，指位于车辆节点通信半径之内，可相互交换原子消息的车辆；消息属性，在这里是指车辆的一些状态信息，如加速度值、速度值、刹车频率等。图1中车辆1至6为示例路段上向东车道上行驶的车辆，车辆7至10为邻近车道上向西行驶的车辆，车辆1至4出现拥堵状态，其他车辆为正常行驶状态。图1中虚线箭头代表车辆9收集到的原子消息传输方向。

图2为本发明消息融合机制的流程图。首先将本地消息和接收到的消息作为输入数据存储到原子消息缓存器中；然后判断时间定时器T是否到期，若没有则继续收集原子消息；若定时器T到期，则从原子信息缓存器中取出已有的读数，利用模糊聚类方法将它们分入不同的消息类；最后利用融合函数AF按照一定的融合规则将同一类的消息融合，融合后的消息将被存储在融合消息缓存器中等待传播。

图3为本发明模糊聚类的流程图。假设节点v收集到的所有n个消息的集合表示为X^(v)={x₁ ^(v),x₂ ^(v),…,x_n ^(v)}，并且每个消息有m个属性。首先对每个消息的属性进行量化，并创建一个数据样本矩阵D_n×m。假设z_ik ^(v)是节点v的第i个消息对象中的第k个属性值，则节点v的第i个消息对象可以表示为一个m维向量x_i ^(v)=(z_i1 ^(v),z_i2 ^(v),…,z_im ^(v)。则节点v的D_n×m矩阵表示为：

$D_{n\×m}^{\left(v\right)}=\left[\begin{array}{cccccc}{z}_{11}^{\left(v\right)}& z_{12}^{\left(v\right)}& ...& z_{1k}^{\left(v\right)}& ...& z_{1m}^{\left(v\right)}\\ z_{21}^{\left(v\right)}& z_{22}^{\left(v\right)}& ...& z_{2k}^{\left(v\right)}& ...& z_{2m}^{\left(v\right)}\\ .& .& .& .& .& .\\ .& .& .& .& .& .\\ .& .& .& .& .& .\\ z_{i1}^{\left(v\right)}& z_{i2}^{\left(v\right)}& ...& z_{\mathrm{ik}}^{\left(v\right)}& ...& z_{\mathrm{im}}^{\left(v\right)}\\ .& .& .& .& .& .\\ .& .& .& .& .& .\\ .& .& .& .& .& .\\ z_{n1}^{\left(v\right)}& z_{n2}^{\left(v\right)}& ...& z_{\mathrm{nk}}^{\left(v\right)}& ...& z_{\mathrm{nm}}^{\left(v\right)}\end{array}\right]\text{;}$

然后基于选定的数学方法建立模糊相似关系矩阵R_n×m。在本发明中，采用经典的算术平均数最小的方法来描述消息对象x_i ^(v)和消息对象x_j ^(v)之间的模糊相似度r_ij ^(v)，计算公式如下：

$r_{\mathrm{ij}}^{\left(v\right)}=\frac{2\·\underset{l=1}{\overset{m}{\mathrm{\Σ}}}(z_{\mathrm{il}}^{\left(v\right)}^z_{\mathrm{jl}}^{\left(v\right)})}{\underset{l=1}{\overset{m}{\mathrm{\Σ}}}(z_{\mathrm{il}}^{\left(v\right)}+z_{\mathrm{jl}}^{\left(v\right)})}.$

选取适当的λ值来获得划分矩阵C_n×m，如果r_ij ^(v)≥λ，则划分矩阵C_n×m第i行第j列的元素c_ij ^(v)将被设置为“1”，也意味着消息对象x_i ^(v)和x_j ^(v)是相似的。否则，c_ij ^(v)将设置为“0”。对于划分矩阵来说，只有相似的消息对象可以集成到同一个消息类中，这里的消息类指的就是同一个消息集群。此外，分类的结果与的λ取值大小有关，λ取值越大，分的类数越多，λ∈[0,1]。这种方法要预先知道分类数，如分类数不合理，就重新计算。可以根据实际应用需求，选取适当的λ值。因为划分矩阵是直接基于相似矩阵建立的，所以可能存在相交的消息类。为此，基于划分矩阵建立邻接矩阵，对相交的消息类进行合并。最后通过图的深度优先遍历算法，将所有的连接和类似的消息对象放入同一个消息类。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (7)

1.一种适用于车辆自组网的基于模糊聚类算法的信息融合方法，其特征在于选取速度值、刹车频率、加速度值作为消息属性，利用模糊聚类算法对本地消息对象进行分类，形成不同的消息集合；然后，将具有相同属性的消息对象融合为一个消息。

2.根据权利要求1所述的适用于车辆自组网的基于模糊聚类算法的信息融合方法，其特征在于含有以下步骤：

步骤1、将本地消息和接收到的消息作为输入数据存储到原子消息缓存器中；

步骤2、判断时间定时器T是否到期，若没有则返回步骤1；

步骤3、若定时器T到期，则从原子信息缓存器中取出已有的读数，利用模糊聚类方法将它们分入不同的消息类；

步骤4、利用融合函数AF将同一类的消息融合；

步骤5、融合后的消息将被存储在融合消息缓存器中等待传播。

3.根据权利要求2所述的适用于车辆自组网的基于模糊聚类算法的信息融合方法，其特征在于所述步骤2中为了提高消息融合效率，所提出的基于模糊聚类算法的信息融合系统架构是基于周期性定时控制器的;利用定时控制器来驱动消息融合机制工作;定义两个连续的融合操作之间的时间间隔为T;根据实际的网络需求，T值的选取可以是固定的或是动态可调的。

4.根据权利要求2所述的适用于车辆自组网的基于模糊聚类算法的信息融合方法，其特征在于所述步骤3中模糊聚类方法步骤如下：

设节点v收集到的所有n个消息的集合表示为X^(v)={x₁ ^(v),x₂ ^(v),…,x_n ^(v)}，并且每个消息有m个属性;

步骤S201：首先对每个消息的属性进行量化，并创建一个数据样本矩阵D_n×m；设Z_ik ^(v)是节点v的第i个消息对象中的第k个属性值，则节点v的第i个消息对象可以表示为一个m维向量x_i ^(v)=(z_i1 ^(v),z_i2 ^(v),…,z_im ^(v));则节点v的D_n×m矩阵表示为：

$D_{n\×m}^{\left(v\right)}=\left[\begin{array}{cccccc}{z}_{11}^{\left(v\right)}& z_{12}^{\left(v\right)}& ...& z_{1k}^{\left(v\right)}& ...& z_{1m}^{\left(v\right)}\\ z_{21}^{\left(v\right)}& z_{22}^{\left(v\right)}& ...& z_{2k}^{\left(v\right)}& ...& z_{2m}^{\left(v\right)}\\ .& .& .& .& .& .\\ .& .& .& .& .& .\\ .& .& .& .& .& .\\ z_{i1}^{\left(v\right)}& z_{i2}^{\left(v\right)}& ...& z_{\mathrm{ik}}^{\left(v\right)}& ...& z_{\mathrm{im}}^{\left(v\right)}\\ .& .& .& .& .& .\\ .& .& .& .& .& .\\ .& .& .& .& .& .\\ z_{n1}^{\left(v\right)}& z_{n2}^{\left(v\right)}& ...& z_{\mathrm{nk}}^{\left(v\right)}& ...& z_{\mathrm{nm}}^{\left(v\right)}\end{array}\right]\text{;}$

步骤S202：基于选定的数学方法建立模糊相似关系矩阵R_n×m；

采用经典的算术平均数最小的方法来描述消息对象x_i ^(v)和消息对象x_j ^(v)之间的模糊相似度r_ij ^(v)，计算公式如下：

$r_{\mathrm{ij}}^{\left(v\right)}=\frac{2\·\underset{l=1}{\overset{m}{\mathrm{\Σ}}}(z_{\mathrm{il}}^{\left(v\right)}^z_{\mathrm{jl}}^{\left(v\right)})}{\underset{l=1}{\overset{m}{\mathrm{\Σ}}}(z_{\mathrm{il}}^{\left(v\right)}+z_{\mathrm{jl}}^{\left(v\right)})};$

步骤S203：选取适当的λ值来获得划分矩阵C_n×m，如果r_ij ^(v)≥λ，则划分矩阵C_n×m第i行第j列的元素c_ij ^(v)将被设置为“1”，也意味着消息对象x_i ^(v)和x_j ^(v)是相似的；否则，c_ij ^(v)将设置为“0”；

λ的取值：λ∈[0,1]；选取适当的λ值；

步骤S204：基于划分矩阵建立邻接矩阵，对相交的消息类进行合并；

步骤S205：通过图的深度优先遍历算法，将所有的连接和类似的消息对象放入同一个消息类。

5.根据权利要求4所述的适用于车辆自组网的基于模糊聚类算法的信息融合方法，其特征在于，所述步骤S205中深度优先遍历算法使用步骤具体如下：

深度优先遍历函数是dfs(o_i)其中“o_i”代表第i个访问的消息对象（i＝1，2，…，n）；

邻接矩阵A_n×m是图的链式存储结构，其中a_ij ^(v)表示矩阵A_n×m第i行第j列的元素；

在初始状态，所有的消息对象都还没有被访问过，它们的值被设定为“0”；首先访问第一个还没有被访问的消息对象O₁，在这里，第一个搜查的消息对象o₁可以随机选择；

然后将访问的消息对象o₁设置为“1”，表示这一消息对象已被访问；然后，搜索相邻的消息对象o_w，这是与消息对象o₁相连但还没有被访问的；如果o_w存在，则重复对消息对象o_w进行深度优先遍历，即调用dfs(o_w)函数；如果所有的消息对象都已被访问，则停止上述过程。

6.根据权利要求2所述的适用于车辆自组网的基于模糊聚类算法的信息融合方法，其特征在于；

所述步骤S104中融合函数AF是负责对原子信息进行处理，以此获得反映不同道路或车辆状况的融合消息即道路拥堵事件的发生、车辆异常信息；其中原子消息是用来描述车辆状态信息的，当两车相遇，他们就可以通过交换原子消息知道彼此的行车状态；如果节点i的其中一个消息类中含有n个原子消息，x₁ ⁽ⁱ⁾,x₂ ⁽ⁱ⁾,…,x_n ⁽ⁱ⁾；融合后的消息用x_r(i)表示，x_r ⁽ⁱ⁾=AF(x₁ ⁽ⁱ⁾,x₂ ⁽ⁱ⁾,…,x_n ⁽ⁱ⁾；为了更好的反映道路状况信息，将旧的消息属性中车辆的地理坐标修改为一个近似的地理覆盖范围，用交通状态D_r ⁽ⁱ⁾近似表示，其中D_r ⁽ⁱ⁾包含来自同一消息类的所有地理坐标；融合后的消息x_r ⁽ⁱ⁾的新属性表示为x_r ⁽ⁱ⁾=(s_r ⁽ⁱ⁾,e_r ⁽ⁱ⁾,b_r ⁽ⁱ⁾,D_r ⁽ⁱ⁾,t_r ⁽ⁱ⁾，其中s为速度值，e为加速度值，b为刹车频率，t为消息的创建时间。

7.根据权利要求6所述的适用于车辆自组网的基于模糊聚类算法的信息融合方法，其特征在于；融合函数AF的选取依据则跟具体应用需求有关，计算公式如下：

s_r ⁽ⁱ⁾=∑_k＝1 ^ls_k ⁽ⁱ⁾/1；

e_r ⁽ⁱ⁾=∑_k＝1 ^le_k ⁽ⁱ⁾/1；

b_r ⁽ⁱ⁾=∑_k＝1 ^lb_k ⁽ⁱ⁾/1；

D_r ⁽ⁱ⁾=∪_k＝1 ^l(σ_k ⁽ⁱ⁾,ρ_k ⁽ⁱ⁾)；

t_r ⁽ⁱ⁾＝max(t₁ ⁽ⁱ⁾,t₂ ⁽ⁱ⁾,…,t₁ ⁽ⁱ⁾)；

其中l为同一消息类中原子消息的个数，k为其中第k个消息，k＝1,2,…,l；通过对新融合后的消息属性进行判断，将得到一个更为直观的道路服务水平。

Images