CN103906077A - 基于近邻传播算法的路侧单元放置方法 - Google Patents

Abstract

本发明涉及一种基于近邻传播算法的路侧单元放置方法，包括以下步骤：首先根据交通场景建立路网模型；接下来建立数学模型：参考车流密度、车速、距离等因素定义影响因子，将路侧单元放置问题转化为聚类问题并定义相应的目标函数；然后获取车辆轨迹信息，根据车辆轨迹信息求出影响因子；最后利用近邻传播算法优化目标函数，得到最优放置路侧单元的交叉路口集合。本发明方法充分利用交通状况信息通过近邻传播算法来寻找最优的路侧单元放置位置，在这些位置放置路侧单元会使得网络数据包的投递率显著提升，评估结果也表明该方法的有效性。除此之外，本发明提出的方法时间复杂度很小，可以很快收敛。

Description

基于近邻传播算法的路侧单元放置方法

技术领域

本发明涉及一种路侧单元放置方法，特别涉及一种基于近邻传播算法的路侧单元放置方法，属于车联网技术领域。

背景技术

随着无线通讯的飞速发展车载自组网络(VANET)作为新兴的移动自组网络逐渐受到各界的重视。VANET具有高度动态特性与分割特性，这种特性限制了网络中数据发布的速度与准确性，这成为VANET所面临的重要问题。高度分割的特性在VANET的其他研究领域例如维持数据新鲜度以及监控实时交通中也引发了一系列问题。因此，网络连通度的提高也将有助于降低这些问题的难度。

考虑到VANET高度分割的基本特性，最新研究引入一种特殊的称为路侧单元（RSU）的基础设施。路侧单元是一种静态设备，可以独立地部署于道路两侧，或者与信号灯一起安装，用于大面积传感与通信。通过这些路侧单元，例如802.11无线接入点，车辆可以访问存储于路侧单元内的数据或者上传其自身数据。研究表明，引入这种路侧单元可以缓解网络分割问题，因此很大程度上改善了VANET的信息发布与数据聚合。然而路侧单元放置的位置不同对促进网络性能的提升是不相同的。如果在车流量比较小的地方放置路侧单元，它的作用就会被弱化。在车流量比较大的地方放置路侧单元会使得较多的车辆可以通过路侧单元而间接接触。除了车流量信息，其他一些因素同样会影响路侧单元的放置。我们提出的方法考虑了路况的各种信息，从而有效的得到放置路侧单元的最优或次优位置集合。

发明内容

本发明的目的是利用交通状况信息通过近邻传播算法来寻找最优的路侧单元放置位置，在这些地方放置路侧单元会使得网络数据包的投递率显著提升。

本发明的具体实现步骤如下：

一种基于近邻传播算法的路侧单元放置方法，该方法包括以下步骤：

步骤一、建立路网模型：

G=(I,R)；

其中i∈I表示交叉路口i,r_ij∈R表示交叉路口i和邻居交叉路口j之间的道路；

步骤二、建立放置算法的数学模型：

首先定义影响因子s_ij，用来量化交叉路口j对交叉路口i影响：

$s_{\mathrm{ij}}=\frac{N_j}{(D_{\mathrm{ij}}+1)V_j};$ 当i≠j时；

s_ii=a；当i=j时；

其中D_ij表示交叉路口i和交叉路口j之间的距离，N_j表示在一段时间内经过交叉路口j的车辆的数目，V_j表示在模拟时间内经过交叉路口j的车辆的平均速度，a为大于0的任意实数；

较优地，

其中n为潜在的放置路侧单元的交叉路口的数目；

然后把路侧单元放置问题转化为聚类问题，定义目标函数为：

M={k=argmax_k{a(i,k)+r(i,k)}|i,k∈P}；

其中P为可以放置路侧单元的候选交叉路口集合，M代表最优的放置路侧单元的路口的集合，i表示交叉路口，k表示交叉路口i对应的影响中心交叉路口，a(i,k)表示节点i选择节点k作为类代表点的合适程度，r(i,k)表示节点k作为节点i的类代表点的代表程度；

步骤三、获取车辆轨迹信息；

步骤四、根据车辆轨迹信息求出影响因子s_ij，利用近邻传播算法求解上述目标函数，得到最优放置路侧单元的交叉路口集合M。

有益效果：

本发明考虑了各种不同的交通特征，例如车辆的速度、密度、位置以及交叉路口之间的距离。利用这些不同的交通特征信息，本发明提出的方法更能体现真实的交通场景下路侧单元放置的有效性。除此之外，本发明提出的方法时间复杂度很小，可以很快收敛。

附图说明

图1为本发明技术方案的流程图。

图2为近邻传播算法的流程图。

图3为加入了路侧单元的城市交通场景图。

图4为从真实的交通场景中抽象出的路网模型图（灰色交叉路口代表放置了路侧单元）。

图5（a）和（b）分别表示t1和t2两个不同时刻的交通状况图（t1<t2）。

图6比较了本发明提出的方法所得到的结果和最优结果在投递率上的差异。

图7比较了本发明提出的方法所得到的结果和最优结果在时延上的差异。

图8比较了本发明提出的方法所得到的结果和最优结果在数据包传递跳数上的差异。

图9比较了本发明提出的方法所得到的结果和最优结果在数据包传递效率上的差异。

图10显示了输入参数和得到的需要放置的路侧单元个数（聚类数目）之间的关系。

具体实施方式

下面结合图1进一步说明本发明的解决方案流程：

步骤一、建立如图4所示的真实的路网模型：

对类似图3的城市交通场景建模为类似图4的路网模型，并将路网模型表示为有向图G=(I,R)，其中i∈I表示交叉路口i，r_ij∈R表示交叉路口i和邻居交叉路口j的路段，i和j是任意两个有边相连的交叉路口。

步骤二、建立数学模型；

交叉路口相互之间并不是孤立的存在，我们需要用车流密度、车速、距离等因素来量化它们之间的影响。车辆拥挤的交叉路口会对周围的邻居交叉路口有较大的影响，因为会有更多的车辆从拥挤的交叉路口分散到周围邻居交叉路口。本发明定义影响因子s_ij来量化交叉路口j对交叉路口i影响，s_ij的定义公式如下所示：

$s_{\mathrm{ij}}=\frac{N_j}{(D_{\mathrm{ij}}+1)V_j};$ 当i≠j时；

$s_{\mathrm{ii}}=\frac{\left\{{\mathrm{\&Sigma;}}_{j=1}^n{\mathrm{\&Sigma;}}_{i=1}^n{s}_{\mathrm{ij}}\right|i\&NotEqual;j\}}{n^2-n};$ 当i=j时；

其中D_ij表示交叉路口i和邻居交叉路口j之间的距离，N_j表示在一段时间内经过交叉路口j的车辆的数目，V_j表示在一段时间内经过交叉路口j的车辆的平均速度。n为潜在的放置路侧单元的交叉路口的数目，这里n可以为所选地图区域的全部交叉路口，也可以从全部的交叉路口中剔除那些很少有车辆经过的交叉路口，使n成为全部交叉路口的一个子集，本发明选择第二种方式来计算n。

众所周知，拥有车辆数目越多的交叉路口对其他交叉路口的影响就越大，因为它拥有的车流迟早会进入其他交叉路口，随着距离的增大，其影响力会逐渐降低。因此交叉路口j对交叉路口i影响因子s_ij正比于N_j而反比于D_ij。同时V_j从另一个角度反映了交叉路口j的拥挤程度，车速越快表明车辆稀疏，相反车辆越慢表明车辆密集，因此s_ij和V_j成反比。实际上s_ii可以根据需要设定任意的值，研究表明，当s_ii设为s_ij(i≠j)的平均值是一个较优的选择。

假定M为所有的交叉路口对应的其影响中心的集合，其中集合中的每个交叉路口都对应一个或多个交叉路口。这里M集合是P集合的一个子集，只有M集合中的元素才是影响中心，只有影响中心才对应一个或多个交叉路口。本发明的目标就是找出这样的一个集合，即：

M={k=argmax_k{a(i,k)+r(i,k)}|i,k∈P}；

其中P为可以放置路侧单元的候选交叉路口集合，集合大小为n，M代表最优的放置路侧单元的交叉路口集合。

步骤三、获取车辆轨迹信息。

本发明可以利用真实的车辆轨迹信息，也可以利用模拟器产生的车辆轨迹信息，为了试验的方便，在此实施例中，我们使用交通仿真工具产生车辆轨迹信息。

由于对车载自组网进行仿真的一个重要方面就是，需要能够尽可能逼真地反应现实生活中车辆交通场景的移动模型，因此我们采用VanetMobiSim来产生试验用数据。VanetMobiSim是在CanuMobiSim基础上采用java语言开发的，是目前最真实和包含综合配置的车辆移动模型，它能够参数城市区域和高速场景真实车辆移动轨迹。在VanetMobiSim中，根据车辆节点移动模型对交通场景的细节描述程度的不同，将移动特征分为宏观移动性和微观移动性两类。宏观移动性包括所有影响车辆交通的宏观方面：道路拓扑，车辆受限于路面的运动，每条道路的特性定义（如限速，道路的条数），超车以及安全驾驶规则，交通标志的描述，穿过十字路口的规则等。微观移动性指的是驾驶员之间或者驾驶员与路边基础设施之间交互的个人行为，不同的交通场景的驾驶速度以及超长标准，遇到十字路口以及交通标志时的行为，与驾驶员的情绪等相对的驾驶态度等。

步骤四、计算影响因子s_ij，求解目标函数M；

在现实环境中，由于路侧单元的价格等因素，本发明不得不考虑在路侧单元数量有限的情况下，该如何布置。也就是目标函数求解集合的大小要和我们预算内路侧单元的个数相同，这就要求目标函数得到的结果具有伸缩性。再根据步骤二中定义的交叉路口之间的影响因子s_ij，我们选择利用近邻传播(AP)算法来求解。

近邻传播算法是一种基于近邻信息传播的聚类算法，其目的是找到最优的类代表点节点，使得所有数据点到最近的类代表点的相似度之和最大。近邻传播算法引入了两个重要的信息度量参数r(i,k)和a(i,k)：r(i,k)是由节点i发送给节点k,它代表节点k积累的证据，用来表示节点k作为节点i的类代表点的代表程度；a(i,k)是由节点k发送给节点i，它代表节点i积累的证据，用来表示节点i选择节点k作为类代表点的合适程度。对于任何数据点i，计算所有点的代表程度r(i,k)和适选程度a(i,k)之和，本发明初始化r(i,k)和a(i,k)值为0，则节点i的类代表点k，即i的影响中心：

argmax_k(a(i,k)+r(i,k))；

近邻传播算法的核心步骤为两个信息量的交替更新过程，更新公式如下：

r(i,k)=s(i,k)-max_{k′s.t.k′≠k&&k′∈p}{a(i,k′)+s(i,k′)}；

a(i,k)=min{0,r(k,k)+Σ_{i′s.t.i′≠(i,k)&&i′∈p}max{0,r(i′,k)}}；

这里的s(i,k)即为影响因子s_ik。

在上面迭代公式中，下标p代表点的集合，具体到不同的实际应用中，p有不同的含义，在本发明中p代表潜在的交叉路口集合。从上面迭代公式可以看出，每一轮迭代过程更新的是两个矩阵R[r(i,k)]和A[a(i,k)].首先在第一次迭代过程中，由于a(i,k)设置为0，r(i,k)设置为s(i,k)-max_{k′s.t.k′≠k&&k′∈p}{s(i,k′)}。由此得到第一轮迭代过程中的矩阵R[r(i,k)]。根据a(i,k)和a(k,k)的更新公式，得到第一轮迭代过程中的矩阵A[a(i,k)]。然后开始第二轮的迭代过程，根据a(i,k)的更新公式，在第一轮迭代过程后，A[a(i,k)]中会有一些负值，这些负值会使得s(i,k′)的有效值减小，因为s(i,k′)加上了负值a(i,k′)。根据r(i,k)更新公式，我们会得到第二轮的矩阵R[r(i,k)]，然后根据a(i,k)和a(k,k)的更新公式计算第二轮的矩阵A[a(i,k)]。第二轮之后，最终可能会有一些在第一次迭代过程中得到的影响中心被剔除。依次进行迭代，经过有限次迭代之后，最终的影响中心集合不再变化。

近邻传播算法在信息更新这一步骤引入了另外一个重要参数θ，称为阻尼因子，阻尼因子的作用就是避免近邻传播算法发送振荡，增大阻尼因子可以消除振荡。加入阻尼因子后，在每一次循环迭代中，r(i,k)和a(i,k)的更新结果都是由当前迭代过程中更新的值和上一步迭代的结果加权得到的，设当前迭代次数为t，加权公式如下：

r^t(i,k)=(1-θ)r^t(i,k)+θr^t-1(i,k)；

a^t(i,k)=(1-θ)a^t(i,k)+θa^t-1(i,k)；

a^t(k,k)=(1-θ)a^t(k,k)+θa^t-1(k,k)；

其中，θ∈[0,1)。在本发明中，为了避免振荡的发生，设置阻尼因子为0.5。通过上面的更新公式，就可以得到最优或次优的放置路侧单元的交叉路口的集合M。该计算流程如图2所示。

评估：

为了更能有效的评估本文所述的方法，需要采用一种适宜城市场景的路由协议。现有的协议中，基于地理位置的路由协议比较适合在城市场景中转发数据包。在本文所述的发明中，路由策略采用GPRS路由协议，但是GPRS存在一些缺点，例如进行中继节点选择时，没有考虑车辆的行驶方向信息。图5显示了两个不同时刻的交通状况图，在t₁时刻，车辆v₁需要向v₄传递数据包，根据GPRS路由协议，v₁会选择v₃作为中继转发车辆。在t₂时刻，携带数据包的v₃已经驶离v₄，这会导致数据包不可达。根据t₂时刻的场景图，如果t₁时刻v₁选择v₂作为转发节点，数据包就可成功到达。为了修正这些缺点，本文所述方法以GPRS路由协议作为基础，在其中加入了车辆的行驶方向信息以及源和目的节点的位置信息用来更加有效的选择中继节点。具体实现机制如下：首先得到源节点的所有邻居信息，传统的GPRS会根据每个邻居节点和目的节点的距离来选择离目的节点最近的邻居节点作为转发节点。本文所述方法需要在选择邻居节点之前除去一些不适合作为中继节点的邻居节点。本文所述方法需要使中继转发节点在一定的角度范围之内驶向目的节点，角度范围设置为90。只有满足上述条件的邻居节点才不会被剔除。然后从剩余的邻居节点中选择离目的节点最近的邻居节点。经过改进GPRS路由协议之后，在t₁时刻，v₃会在v₁从邻居节点选择中继转发节点之前被去除。在t₂时刻，v₂携带数据包和v₄相遇，数据被成功传递。

步骤6评估实验结果

利用本文所述方法得到一个放置路侧单元的子集，然后在这些位置放置路侧单元，通过仿真，得到整个城市场景的时延、投递率、平均跳数以及效率。效率为本文所述方法定义，定义公式如下：

$e=D^3\&times;\sqrt{\frac{{\mathrm{\&Sigma;}}_{i=1}^n{H}_i}{{\mathrm{\&Sigma;}}_{i=1}^n{T}_i}};$

其中H_i为车辆V_i成功传递数据时所用的跳数，T_i为车辆V_i成功传递数据时所花费的时间，

代表整个网络平均每跳所花费的时间。其中n为成功进行数据传递的车辆的数目。很明显平均每跳花费的时间越短，效率值就越高，所以e和

成反比。D是投递率，投递率越高，效率就越高，两者之间成正比。公式中D³这种形式是为了提高投递率在公式中占的比重。由于D和

在数量级上的差距，对

进行取根号处理。根据上面所提到的四个度量（时延、投递率、平均跳数和效率），就可以比较利用本文所述方法得到的结果集合M和最优结果在四个度量上的差异。

最优结果即最优子集通过下述方法得到：根据得到的路侧单元放置位置集合M的大小m和所有路侧单元集合P的大小n（m<n）。从n中取m个元素，所有的组合为

个，对其中的任何一个组合，放置路侧单元到对应的位置，通过仿真得到这个组合所对应的投递率、时延、跳数以及效率。由于网络中投递率是最重要的衡量网络好坏的参数，所以选择投递率最高的组合作为最优子集，其所对应的网络性能为最优性能。

图6体现了本文所述方法得到的子集和最优子集在投递率上的差别，从图中可以看到只有在车辆数为二十的时候本文所述的方法没有达到最优。另外，当放置了路侧单元的时候相比未放置路侧单元的时候投递率极大提高。

图7显示了本文所述方法得到的子集和最优子集在时延上的差别。图中显示本文所述方法得到的子集在二十辆车的时候时延要小于最优子集。随着车辆增加，数据链路存在的时间会增加。相应的，时延就会下降。

图8体现了本文所述方法得到的子集和最优子集在跳数上的差别。

图9体现了本文所述方法得到的子集和最优子集在效率上的差别。

由于本文所述方法中使投递率占的比重最大，导致本文所述方法得到的子集在车辆数为二十的时候的效率要低于最优子集。

图10显示了需要放置路侧单元的个数随着算法输入参数的不同而不同，这里参数称为参考度，是指点交叉路口i作为影响中心的可能性，交叉路口的参考度越大，那么它作为影响中心的可能性就越大。参考度的值即为输入影响因子矩阵中主对角线上的值即s(i,i)，该值可以根据需要进行设定。研究表明设置参考度为s(i,k)(i≠k)的平均值是一个好的选择。因此，可以根据所拥有的路侧单元的数量，通过调整参数，使本发明方法所得子集的大小和路侧单元的个数相同，满足了现实的需要。

为了说明本发明的内容及实施方法，本说明书给出了具体实施例。在实施例中引入细节的目的不是限制权利要求书的范围，而是帮助理解本发明所述方法。本领域的技术人员应理解：在不脱离本发明及其所附权利要求的精神和范围内，对最佳实施例步骤的各种修改、变化或替换都是可能的。因此，本发明不应局限于最佳实施例及附图所公开的内容。

Claims (5)

1.基于近邻传播算法的路侧单元放置方法，该方法包括以下步骤： 

步骤一、建立路网模型： 

G=(I,R)； 

其中i∈I表示交叉路口i,r_ij∈R表示交叉路口i和邻居交叉路口j之间的道路； 

步骤二、建立放置算法的数学模型： 

首先定义影响因子s_ij，用来量化交叉路口j对交叉路口i影响： 

当i≠j时； 

s_ii=a；当i=j时； 

其中D_ij表示交叉路口i和交叉路口j之间的距离，N_j表示在一段时间内经过交叉路口j的车辆的数目，V_j表示在模拟时间内经过交叉路口j的车辆的平均速度，a为大于0的任意实数； 

然后把路侧单元放置问题转化为聚类问题，定义目标函数为： 

M={k=argmax_k{a(i,k)+r(i,k)}|i,k∈P}； 

其中P为可以放置路侧单元的候选交叉路口集合，M代表最优的放置路侧单元的路口的集合，i表示交叉路口，k表示交叉路口i对应的影响中心交叉路口，a(i,k)表示节点i选择节点k作为类代表点的合适程度，r(i,k)表示节点k作为节点i的类代表点的代表程度； 

步骤三、获取车辆轨迹信息； 

步骤四、根据车辆轨迹信息求出影响因子s_ij，利用近邻传播算法求解上述目标函数，得到最优放置路侧单元的交叉路口集合M。 

2.根据权利要求1所述的方法，其特征在于，

其中n为潜在的放置路侧单元的交叉路口的数目，s_ij为影响因子。 

3.根据权利要求1或2所述的方法，其特征在于，a(i,k)和r(i,k)通过以下公式更新： 

r(i,k)=s(i,k)-max_{k′s.t.k′≠k&&k′∈p}{a(i,k′)+s(i,k′)}； 

a(i,k)=min{0,r(k,k)+Σ_{i′s.t.i′≠(i,k)&&i′∈p}max{0,r(i′,k)}}； 

其中s(i,k)即为影响因子s_ik，p为潜在的放置路侧单元的交叉路口的集合，i表示交叉路口，k表示交叉路口，a(i,k)和r(i,k)的初值均为0。 

4.根据权利要求3所述的方法，其特征在于，r(i,k)和a(i,k)的更新结果都是由当前迭代过程中更新的值和上一步迭代的结果加权得到的，设当前迭代次数为t，加权公式如下： 

r^t(i,k)=(1-θ)r^t(i,k)+θr^t-1(i,k)； 

a^t(i,k)=(1-θ)a^t(i,k)+θa^t-1(i,k)； 

a^t(k,k)=(1-θ)a^t(k,k)+θa^t-1(k,k)； 

其中，θ为阻尼因子，θ∈[0,1)。 

5.根据权利要求4所述的方法，其特征在于，θ=0.5。 

Images