CN103945486A - 基于移动节点轨迹的多目标优化数据传递方法 - Google Patents
基于移动节点轨迹的多目标优化数据传递方法 Download PDFInfo
- Publication number
- CN103945486A CN103945486A CN201410129583.8A CN201410129583A CN103945486A CN 103945486 A CN103945486 A CN 103945486A CN 201410129583 A CN201410129583 A CN 201410129583A CN 103945486 A CN103945486 A CN 103945486A
- Authority
- CN
- China
- Prior art keywords
- crossing
- node
- packet
- data
- mobile node
- 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
- 238000000034 method Methods 0.000 title claims abstract description 93
- 230000005540 biological transmission Effects 0.000 title claims abstract description 53
- 238000005457 optimization Methods 0.000 title claims abstract description 19
- 230000008569 process Effects 0.000 claims abstract description 29
- 238000004891 communication Methods 0.000 claims abstract description 13
- 230000008859 change Effects 0.000 claims description 4
- 230000009191 jumping Effects 0.000 claims description 4
- 238000012552 review Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 4
- 238000012546 transfer Methods 0.000 description 7
- 230000006855 networking Effects 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000011084 recovery Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000003139 buffering effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000007429 general method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011017 operating method Methods 0.000 description 1
- 230000008521 reorganization Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Landscapes
- Mobile Radio Communication Systems (AREA)
Abstract
本发明涉及一种基于移动节点轨迹的多目标优化数据传递方法,该方法利用移动节点的移动统计信息和大量真实移动节点的轨迹信息来获取辅助数据传递相应的数据,把数据包的传递问题映射成多目标的马尔可夫决策过程,通过求解马尔可夫决策过程对多个路由指标的目标函数进行优化,最后按照求解得到的最优转发策略传递数据包,实现了一种高效的移动节点到移动节点(也适用于移动节点到基站和基站到移动节点的数据传递)的无线自组织网络数据传递方法。本方法不仅应用方式和领域更加广泛,而且通过对多个数据传递指标进行优化,提高了交付率,提高了数据传输效率,减少了数据传输错误率和消耗的网络资源,实现了更好的通信效果。
Description
技术领域
本发明涉及一种多目标优化数据传递方法,具体涉及一种基于移动节点轨迹的多目标优化数据传递方法,属于无线移动自组织网络领域。
背景技术
近年来,移动节点的数据传递方法在卫星通讯、车联网、交通事故预警、辅助驾驶、乘客之间信息共享等方面得到广泛应用。无线移动自组织网是由装配传感器设备的移动通讯设备、移动实体作为网络节点而组成的网络,可能还包括一些非移动的基础设施(比如路边单元,即RSU)。
由于无线移动自组织网络与传统的无线网络的区别,很多传统的无线网络中的数据传递方法无法直接应用于无线移动自组织网络。实现高效的数据传递是无线移动自组织网络中一个十分关键的问题。由于无线移动自组织网络中节点的高动态性的特点,数据传递具有一定的挑战性,主要表现在:1)无线移动自组织网中数据传递的指标主要有交付率、交付时延、网络开销等等,怎样去平衡和优化多个目标十分关键。2)移动实体的高动态性导致最优的数据传递路径可能不断变化,怎样利用已有信息和设备做出更好地路由选择也是一个关键问题。3)当转发路径预测错误时,进行什么样的错误恢复机制也至关重要。虽然无线移动自组织网中的数据传递仍然有一些挑战,但是该网的特点决定着网络中的节点的运动是有一定的规律的,比如车辆总是沿着道路行走等等。近年来,使用移动节点的轨迹信息辅助移动节点之间的数据传递是一个研究的热点方向。
随着GPS导航设备的应用,车辆的历史轨迹信息和道路交通统计可以方便地获得。目前,已经有学者提出一些车联网中数据传递的方法来提高车联网数据传递的效率。但是目前的一些方法都不能充分利用交通统计信息和车辆的轨迹信息,而且现有的方法都没能兼顾数据传递的多个指标。大部分方法只对交付时延进行优化忽略了网络开销,而有一些方法只看重网络开销。
发明内容
本发明的目的在于,要充分利用移动节点的轨迹信息和统计方法对数据传递的多个目标进行优化,从而实现更真实、高效的移动节点到移动节点的无线自组织网络中的数据传递。
本发明为了解决上述技术问题,提出了一种基于移动节点轨迹的多目标优化数据传递方法。本方法技术方案的思想是利用移动节点的移动统计信息和大量真实移动节点的轨迹信息来获取辅助数据传递相应的数据,把数据包的传递问题映射成多目标的马尔可夫决策过程,通过求解马尔可夫决策过程对多个路由指标的目标函数进行优化,实现了一种高效的移动节点到移动节点(也适用于移动节点到基站和基站到移动节点的数据传递)的无线自组织网络数据传递方法。
本发明的具体实现步骤如下:
一种基于移动节点轨迹的多目标优化的数据传递方法,该方法包括以下步骤:
步骤一、将数据传递问题映射为多目标的马尔可夫决策过程,该过程包括以下步骤:
a)将移动节点的可行走路网映射成一个有向图。如G=(I,E),其中i∈I表示路口i,eij∈E表示由路口i到其邻居路口j的路段;
b)根据自组织网络的特点选择移动节点行驶在路网中的路段上应遵循的模型,从而计算数据包在路段eij上传递所花的时延dij以及网络开销fij;
c)计算数据包在路口i处采取路由决策πi时被向其邻居路口j转发的概率Pij(πi):
其中:表示数据包在路口i处的路由决策,其中表示路口i相连的mi条路段。表示决策πi中比路段eij优先级更高的路段集合。pij为到达路口i的移动节点向路口j移动的概率。p'ij为到达路口i的移动节点遇到向路段eij移动的节点的概率;
d)计算数据包由路口i转发到目的移动节点的期望传递时延Di(π)和期望网络开销Fi(π);
其中决策为全网的全局决策,Dj(π)表示数据包由路口j转发到目的移动节点的期望传递时延,Fj(π)表示数据包由路口j转发到目的移动节点的期望网络开销,j为交叉路口i的一个相邻交叉路口,Ii为i的相邻交叉路口集合;
e)建立多目标优化路由指标Mi(π):
在决策π的情况下,交叉路口i处的多目标优化路由指标表示为:
Mi(π)=(1-α)×Di(π)+α×Fi(π)
其中0<α<1是用来平衡交付时延和网络开销的参数;
步骤二、求解马尔可夫决策过程,即最小化Mi(π),得到最优转发策略π*;
步骤三、根据步骤二得到的最优转发策略π*,数据包从源节点传递到目的节点,该过程包括以下步骤:
a)按照最优转发策略π*转发数据包到预测的目地交付位置;
b)数据包到达目地交付位置时会检查自己的通信范围内是否有目地交付节点即目的节点,如果有,就把数据包转发给它,交付成功。否则如果目的节点不在携带数据包的移动节点通信范围内,则检查时间戳,若此时时间早于目地节点到达目地交付位置的时间,说明目地节点还未到,就沿着目的节点轨迹的反方向进行传递;若此时时间晚于目地节点到达目地交付位置的时间,说明目地节点已经走过,就沿着目的节点轨迹的方向进行传递。直至成功交付或者时间到达最迟交付时间出现丢包。
有益效果:
本算法可以应用于移动节点到路边基站、路边基站到移动节点和移动节点到移动节点到移动节点的数据传递,应用方式和领域更加广泛。另外,本算法对多个数据传递指标进行优化,提高了交付率,提高了数据传输效率,减少了数据传输错误率和消耗的网络资源,从而实现了更好的通信效果。
附图说明
图1是本发明基于移动节点轨迹的多目标优化数据传递方法流程图。
图2是本发明实施例一的道路地图与其对应的路网图。
图3是本发明实施例一的数据包在道路段上的传递模型。
图4是本发明实施例一的某一交叉路口i处的马尔可夫决策过程模型。
图5是本发明基于移动节点轨迹的多目标优化数据传递方法的值迭代方法求解马尔可夫决策过程的流程图。
图6是本发明对实施例一的数据转发效果进行评估时使用的上海道路网的地图。
图7是本发明实施例一车辆到车辆的数据传递中α的值变化对交付率、网络开销以及数据传输的效率的影响。
图8是本发明改编成车辆到AP的数据传递与现有的车辆到AP的数据传递方法OVDF在交付率、网络开销以及数据传输的效率指标的比较。
具体实施方式
实施例一:
下面结合附图1对本发明方法在一个真实的车辆自组织网络即车联网环境中的实施方式做详细说明。
一种基于移动节点轨迹的多目标优化数据传递方法,本发明方法的具体实现步骤如下:
步骤一、将数据传递问题映射为马尔可夫决策过程,该过程包括以下步骤:
步骤1,建立真实的路网模型:
如图2所示,把道路网建模成一个有向图,即G=(I,E),其中i∈I表示交叉路口i,eij∈E表示由交叉路口i到其邻居交叉路口j的道路段。
步骤2,根据自组织网络的特点选择移动节点行驶在路网中的路段上应遵循的模型,从而计算数据包在道路段eij上传递所花的时延dij以及网络开销fij:
本例是以车联网为例说明本发明的实施过程,因而此处只根据该网的特点论述时延dij以及网络开销fij的计算模型;类似的,对于其它类型的无线移动自组织网络可以依据其特点提出相应的时延dij以及网络开销fij计算模型。
考虑到车联网中的数据传递是由源车辆节点到目的车辆节点的数据传递。由步骤1中所建立的路网模型可知,一个数据包是沿着一系列交叉路口和道路段传递的。那么数据包的传递需要考虑两种情况:
一是数据包在道路段上的传递。比如某一车辆携带数据包p在交叉路口i处要把数据包传到相邻的交叉路口j处,即在道路段eij上传递。我们假设数据包在道路段上传递的时候携带数据包的车辆总是传给在自己通信范围内距交叉路口j最近的那个车辆。如图3所示,数据包的传递符合如下模型:即数据包在道路段上是通过携带和转发的方式实现的,携带距离和转发距离的和即为道路段的长度。
二是数据包在交叉路口处的决策。考虑某一车辆携带数据包到达交叉路口i,那么要决策的问题是数据包应该向哪一个方向即i的哪一个相邻交叉路口传递。这里,我们采用一种对与交叉路口i相连接的每一条道路段排列优先级的方法。数据包在交叉路口i处的路由决策表示为其中表示交叉路口i相连的mi条道路段。很显然在交叉路口i处可能的决策的个数为mi的阶乘,我们设交叉路口i处所有的决策可能性的集合为U(i),可知|U(i)|=mi!,我们所做的工作就是从中选出最好的一个决策进行数据传递。πi中的道路段的顺序代表其优先级,即当携带数据包的车辆到达交叉路口i,并且决策πi已经被选为本处最优决策,那么数据包会被首先选择向道路段转发,如果携带车辆没有遇到向行驶的车辆并且其自己也不向这个方向行驶,就检查πi中的更低优先级的道路段依此类推,直至数据包被转发或者由原车辆继续携带。我们要做的主要工作也就是数据包的选路,即对一特定数据包由原车辆到目的车辆的转发,选出适应这个数据转发的网络中每个交叉路口处最优的路由决策。
这里,我们所考虑的网络开销即数据包被转发的次数,因为数据包被转发的时候是把数据由一个车辆节点复制到另一个车辆节点,同时原车辆节点缓冲区中删除这个数据包。由于数据包在交叉路口处的传递时延很小,网络开销即最多转发一次,可以忽略不计。接下来我们介绍道路段上的时延计算模型和网络开销计算模型。
道路段上的时延计算。前文中已经介绍过数据包在道路段上的传递方式。我们假设车辆之间的距离符合指数分布,数据包在道路段eij上传递所花时延dij可以计算为:
其中R为无线通信距离,lij为道路段eij的长度,ρij为道路段eij上的车辆密度,vij为道路段eij的长度上车辆行驶的平均速度,c为一跳数据传递所花的时间。本公式的前半部分表示转发部分的时延,后半部分为携带数据包的时延,两者的和即为数据包在道路段eij上传递所花的时延。
道路段上网络开销计算。根据上面所述,我们假设车辆之间的距离符合指数分布,那么数据包p在道路段eij上转发的次数fij即道路段上的网络开销可以表示为:
为了实现更为高效的数据转发,应该通过对多个路由指标进行优化来选择数据转发过程中的最优决策。本发明方法中我们考虑对交付时延和网络开销同时优化。
步骤3:计算转发概率
要想把路由问题映射为马尔可夫决策过程,首先要知道的一个量就是数据包在交叉路口i时采取决策πi的情况下,数据包朝交叉路口j方向转发的概率Pij(πi)。要表示Pij(πi),首先定义三个概率事件:A表示某一车辆在交叉路口i处没有遇到驶向比道路段eij优先级更高的道路段的车辆;B表示某一车辆在交叉路口i处遇到驶向道路段eij上的车辆,并且车辆自己不驶向比道路段eij优先级更高的道路段;C表示某一车辆驶向道路段eij上的概率。
Pij(πi)可由这三个事件表示为:
其中(πi)表示决策πi中比道路段eij优先级更高的道路段集合。pij为到达交叉路口i的车辆驶向交叉路口j的概率。p'ij为到达交叉路口i的车辆遇到驶向道路段eij的车辆的概率。这两个概率值可以通过道路交通统计的方法获得。本实施例中,将pij等同于到达交叉路口i的车辆中驶向交叉路口j的车辆占所有到达交叉路口i的车辆的比例。p'ij等同于某一车辆遇到的所有车辆中驶向交叉路口j的车辆占其所遇到的所有车辆的比例。
步骤4:计算期望传递时延Di(π)和期望网络开销Fi(π);
数据包的传递时延和网络开销目标函数可以通过pij来表示。如图4,我们展示了交叉路口i处的MDP模型,我们将通过这个模型来解释传递时延和网络开销目标函数的表示。Di(π)和Fi(π)分别表示数据包在采用决策的情况下从路口i传递到目的车辆节点的期望传递时延和期望网络开销。假设路口i有四个邻居交叉路口,携带数据包的车辆到达路口i处,准备采用决策πi来进行数据包的传递。那么根据图4,Di(π)可以表示为:
Di(π)=Pij1(πi)×(dij1+Dj1(π))+Pij2(πx)×(dij2+Dj2(π))+Pij3(πi)
×(dij3+Dj3(π))+Pij4(πi)×(dij4+dj4(π))
一种通用的表示方法为:
其中j为交叉路口i的一个相邻交叉路口,Ii为i的邻居交叉路口集合。
相似地,网络开销Fi(π)可以表示为:
步骤5:计算多目标优化路由指标:
首先证明同时优化传递时延和网络开销两个目标的必要性,然后介绍基于多目标的数据传递。
如果传递时延减小的同时网络开销也减小,只优化其中一个,另一个指标也会优化到最小,这时就没有必要同时优化两个路由指标。接下来我们要证明道路段上的数据包传递时延减小的时候网络开销会相应增大。
由前面可知数据包在道路段eij上传递所花时延dij可以计算为:
其中c为一跳无线传递时延,有文献介绍802.11协议一跳无线传递时延约为20ms,R为无线传递距离,一般为50-300米,道路交通统计得出车辆的平均速度为4m/s-24m/s。可以算出c的值远小于的值,也就是说是一个负值。通过上述公式可以看出当道路段上的时延减少时,相应的网络开销会增大。
车联网中数据传递的目的就是想要实现更好的通信,要提高路由指标也就是要优化时延和网络开销,同时还要保证交付率。我们的工作就是要找出对于一个数据包的传递,其最优的路由决策之前我们已经证明同时最小化时延和网络开销是不可能的。我们选择用一种平衡两个目标的方法来进行优化。我们设定了一个多目标的路由指标M。在决策π的情况下,交叉路口i处的Mi(π)表示为:
其中0<α<1是用来平衡交付时延和网络开销的参数。数据传递的目标是优化交付时延和网络开销。那么我们的目标是最小化多目标路由指标Mi(π)。
步骤二、求解马尔可夫决策过程,即最小化Mi(π),得到最优转发策略π*。
有很多方法可以解马尔科夫决策过程,有值迭代、策略迭代等方法。本实施例中我们利用值迭代的方法求解马尔可夫决策过程,即最小化Mi(π),得到最优转发策略π*。
如图5所示,我们通过优化指标M来找出对应数据包传递的最优决策。优化的问题通过值迭代的方法来解。下面我们用值迭代的方法来选出最优的路由策略。我们给出初始的向量值D0,F0(网络中全部交叉路口的初始值,所以是一个向量),那么新的值可以通过依次运算以下四个公式迭代更新。
然后k的值加1,迭代直至两次相连的迭代值和的差足够小,小于θ(θ为大于0的很小的一个数),或者迭代次数达到预先定义的次数τ就停止,即:迭代停止时所得的策略就是所求的最优策略
步骤三、根据步骤二得到的最优转发策略π*,数据包从源节点传递到目的节点,该过程包括以下步骤:
步骤1:转发数据包到预测目地交付位置;
将一个数据包p从源节点转发直至交付,源节点首先要知道目的节点的轨迹信息,目的节点的轨迹信息可以根据车辆的历史轨迹信息通过线上或者线下的预测得出,目前已经有一些算法如马尔科夫模型、频繁轨迹模式统计等可以做这样的工作。在本文中,为了方便,我们不再进行目的节点的轨迹预测,而是直接假定目的节点的轨迹已知。我们定义目的节点的轨迹为Td={<i1,t1>,<i2,t2>,...,<in,tn>},其中<i1,t1>表示车辆到达交叉路口i1的期望时间是t1。源节点会依次以轨迹Td中的交叉路口ik为目的交付位置,运行步骤二,即多目标的马尔科夫决策过程。然后得出最优策略和期望的交付时延。将得出的期望交付时延与tk进行比较,若大于tk,则使用Td中的下一个交叉路口ik+1作为目地节点运行多目标马尔科夫决策过程。直至期望交付时延小于与采用的目的节点对应的时间tk。得出最优的路由策略π*和预测的目的交付交叉路口位置。然后源节点才真正开始转发数据包,采用预测出的最优的路由策略,同时一起转发出去的还有策略π*,目的车辆的轨迹Td。直至数据包被转发到预测出的目的交付交叉路口位置。
步骤2:这时,若目的车辆节点正好到达这个位置,就把数据包转发给它,完成交付,如果目的车辆不在,就运行下一阶段,交付失败的错误恢复过程。(期间若数据包最迟交付时间TTL已达到,就丢包)
交付失败的错误恢复过程。在现实的情况下,车辆的行驶情况会随时改变,数据包的传递受道路上车辆的影响,所以当数据包到达预先预测的目的交付交叉路口时,目的车辆节点可能不在目的交叉路口位置,无法直接交付。有两种情况:
一种情况是目地车辆比数据包提前到达目的交叉路口id。这种情况当数据包到达目的交叉路口时,携带它的车辆会检查目的车辆是否在其通信范围内。当发现不在其通信范围内时便检查时间戳,并且发现目的车辆已经驶过,这时数据包会被沿着目的车辆的轨迹继续转发,直至交付成功或者到达TTL被丢包。
另一种情况是数据包比目地车辆提前到达目的交叉路口id。这种情况下,数据包到达目的交叉路口以后会向着目的车辆轨迹的反方向继续转发直至交付或者被丢包。
对上述本发明方法在一个真实的车联网环境中的实施方式作出下述评估:
我们使用了上海SUVnet中的真实数据集和路网对我们的方法进行评估。我们要讨论不同的α的值对路由效果的影响。我们还定义了一个新的量η用来表示数据传递的效率,定义为(假设要传递的数据包集合为):
其中Delivery ratio代表数据传递的交付率,Fp表示数据包p转发所花费的网络开销,Dp表示数据包p转发所花费的时延。
我们选取的数据集是4000多辆出租车组成的上海SUVnet。数据集是用GPS定位系统收集的,平均每30秒记录一次。我们选取了其中一部分,如图6所示大约12.6km×12.9km的区域进行本专利所述方法的评估。我们选取了该区域中的3000辆车进行试验,区域中最大的车辆密度为93.9辆车每千米。无线传递距离设定为200m。我们暂且不考虑建筑物和其他因素对无限传递的影响。两个阈值量θ和次数τ分别设定为0.001和1000。D0,F0初始值分别为: 其中为负值,代表目的交付路口(这两个值可以根据需要设定为合理的负数,D0,F0也可以有其他设定初值的方法)。我们还假设每个数据包的大小都是相同的。
评估结果。我们将不同的α值和网络中不同的车辆数目作为变量进行实验。如图7所示,(a)、(b)和(c)分别展示了车辆到车辆的数据传递中α的值变化对交付率、网络开销以及数据传输的效率的影响。可以看出,在我们的环境中α取0.9时数据传递效果有最好的表现。
实施例二:
此外,我们把本发明所述方法改编成一个车辆到路边基站(AP)的方法即TMODF for v21与现有的方法--车辆到AP的数据传递方法OVDF进行对比。
由于路边基站安置在路口处,是静止的。其作为目的交付节点,相对于改编之前,其不同之处在于,不必再有预测目的交付路口这个过程以及转发过程之预测错误恢复过程。其他过程均与原技术方案各步骤一致。如果我们设定AP数目为3个,那么在马尔科夫决策过程迭代之时,D0,F0初始值的设定是直接设定AP所在的三个路口的初值为一负值即可开始迭代求解最优决策。
对上述本发明方法在实施例二的实施方式作出评估如下:
我们设定AP的数目为3个(可以设定为别的数目),根据实施例一,α取0.9数据传输有最好的表现,本例中设定α为0.9,其他环境和参数设定同实施例一。评估结果显示在图8中,两种方法在交付率、网络开销和数据传递的效率三个方面作出比较。图8(a)中可以看出本专利所述方法交付率要高于方法OVDF。这时由于本方法优化时延的同时还优化了网络开销,优化时延会让每一个数据包尽量以最快的传递路径尽量让更多数据包在到达最迟交付时间之前交付,从而提高交付率,优化网络开销减少了数据包传递的跳数,也减少了数据传递中的错误,从而提高了交付率。图8(b)中,本专利所述方法的网络开销要低于方法OVDF,这时由于本专利所述方法是多目标优化,不仅优化了时延,还优化了网络开销。图8(c)中可以看出,本专利所述方法的数据传输的效率要高于方法OVDF,因为本专利所述方法有较好的交付率和较低的网络开销。
另外,本专利所述方法中α的值是可以根据环境随时更改的,α是用来权衡网络开销和交付时延的一个值,所以,在其他实际的无线移动自组织网络数据传递中可以事先根据需要确定好α的值,然后应用于真实的数据传递环境中。
为了说明本发明的内容及实施方法,本说明书给出了两个具体实施例。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 (3)
1.一种基于移动节点轨迹的多目标优化的数据传递方法,其特征在于,该方法包括以下步骤:
步骤一、将数据传递问题映射为多目标的马尔可夫决策过程,该过程包括以下步骤:
a)将移动节点的可行走路网映射成一个有向图。如G=(I,E),其中i∈I表示路口i,eij∈E表示由路口i到其邻居路口j的路段;
b)根据自组织网络的特点选择移动节点行驶在路网中的路段上应遵循的模型,从而计算数据包在路段eij上传递所花的时延dij以及网络开销fij;
c)计算数据包在路口i处采取路由决策πi时被向其邻居路口j转发的概率Pij(πi):
其中:表示数据包在路口i处的路由决策,其中表示路口i相连的mi条路段。表示决策πi中比路段eij优先级更高的路段集合。pij为到达路口i的移动节点向路口j移动的概率。p′ij为到达路口i的移动节点遇到向路段eij移动的节点的概率;
d)计算数据包由路口i转发到目的移动节点的期望传递时延Di(π)和期望网络开销Fi(π);
其中决策为全网的全局决策,Dj(π)表示数据包由路口j转发到目的移动节点的期望传递时延,Fj(π)表示数据 包由路口j转发到目的移动节点的期望网络开销,j为交叉路口i的一个相邻交叉路口,Ii为i的相邻交叉路口集合;
e)建立多目标优化路由指标Mi(π):
在决策π的情况下,交叉路口i处的多目标优化路由指标表示为:
Mi(π)=(1-α)×Di(π)+α×Fi(π)
其中0<α<1是用来平衡交付时延和网络开销的参数;
步骤二、求解马尔可夫决策过程,即最小化Mi(π),得到最优转发策略π*;
步骤三、根据步骤二得到的最优转发策略π*,数据包从源节点传递到目的节点,该过程包括以下步骤:
a)按照最优转发策略π*转发数据包到预测的目地交付位置;
b)数据包到达目地交付位置时会检查自己的通信范围内是否有目地交付节点即目的节点,如果有,就把数据包转发给它,交付成功。否则如果目的节点不在携带数据包的移动节点通信范围内,则检查时间戳,若此时时间早于目地节点到达目地交付位置的时间,说明目地节点还未到,就沿着目的节点轨迹的反方向进行传递;若此时时间晚于目地节点到达目地交付位置的时间,说明目地节点已经走过,就沿着目的节点轨迹的方向进行传递。直至成功交付或者时间到达最迟交付时间出现丢包。
2.根据权利要求1所述的方法,其特征在于,时延dii以及网络开销fij的计算模型如下:
其中R为无线通信距离,lij为道路段eij的长度,ρij为道路段eij上的车辆密度,vij为道路段eij的长度上车辆行驶的平均速度,c为一跳数据传递所花的时间。
3.根据权利要求2所述的方法,其特征在于,α的值是0.9,但是α的值可以根据环境的变化而变化,在其他实际的无线自组织网络数据传递中可以事先根据需要确定好α的值,然后应用于相应的数据传递环境中。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410129583.8A CN103945486B (zh) | 2014-04-02 | 2014-04-02 | 基于移动节点轨迹的多目标优化数据传递方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410129583.8A CN103945486B (zh) | 2014-04-02 | 2014-04-02 | 基于移动节点轨迹的多目标优化数据传递方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103945486A true CN103945486A (zh) | 2014-07-23 |
CN103945486B CN103945486B (zh) | 2017-11-24 |
Family
ID=51192912
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410129583.8A Expired - Fee Related CN103945486B (zh) | 2014-04-02 | 2014-04-02 | 基于移动节点轨迹的多目标优化数据传递方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103945486B (zh) |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104965214A (zh) * | 2015-05-25 | 2015-10-07 | 北京科技大学 | 一种外罚法与最速下降法结合的车联网定位方法及系统 |
CN105682129A (zh) * | 2016-02-29 | 2016-06-15 | 福州华鹰重工机械有限公司 | 车际通信传输延迟模型建立方法及装置 |
CN105682172A (zh) * | 2016-03-04 | 2016-06-15 | 福州华鹰重工机械有限公司 | 基于位置优先探测的车际通信方法及系统 |
CN105792261A (zh) * | 2014-12-17 | 2016-07-20 | 中兴通讯股份有限公司 | 丢包位置的辅助定位方法及装置 |
CN105848247A (zh) * | 2016-05-17 | 2016-08-10 | 中山大学 | 一种车载Ad Hoc网络的自适应路由协议方法 |
CN106250515A (zh) * | 2016-08-04 | 2016-12-21 | 复旦大学 | 基于历史数据的缺失路径恢复方法 |
CN108146442A (zh) * | 2016-12-02 | 2018-06-12 | 丰田自动车株式会社 | 预测数据生成设备和车辆控制设备 |
CN109511123A (zh) * | 2018-12-27 | 2019-03-22 | 沈阳航空航天大学 | 一种基于时间信息的软件定义车辆网络自适应路由方法 |
CN110431037A (zh) * | 2017-02-10 | 2019-11-08 | 日产北美公司 | 包括运用部分可观察马尔可夫决策过程模型示例的自主车辆操作管理 |
CN110795519A (zh) * | 2019-10-28 | 2020-02-14 | 天聚地合(苏州)数据股份有限公司 | 基于Markov模型和概率统计的位置预测方法及可读存储介质 |
CN113242519A (zh) * | 2021-05-11 | 2021-08-10 | 鄂尔多斯应用技术学院 | 一种基于多信息融合的移动无线传感器节点定位方法及系统 |
US11577746B2 (en) | 2020-01-31 | 2023-02-14 | Nissan North America, Inc. | Explainability of autonomous vehicle decision making |
US11613269B2 (en) | 2019-12-23 | 2023-03-28 | Nissan North America, Inc. | Learning safety and human-centered constraints in autonomous vehicles |
US11635758B2 (en) | 2019-11-26 | 2023-04-25 | Nissan North America, Inc. | Risk aware executor with action set recommendations |
US11702070B2 (en) | 2017-10-31 | 2023-07-18 | Nissan North America, Inc. | Autonomous vehicle operation with explicit occlusion reasoning |
US11714971B2 (en) | 2020-01-31 | 2023-08-01 | Nissan North America, Inc. | Explainability of autonomous vehicle decision making |
US11782438B2 (en) | 2020-03-17 | 2023-10-10 | Nissan North America, Inc. | Apparatus and method for post-processing a decision-making model of an autonomous vehicle using multivariate data |
US11874120B2 (en) | 2017-12-22 | 2024-01-16 | Nissan North America, Inc. | Shared autonomous vehicle operational management |
US11899454B2 (en) | 2019-11-26 | 2024-02-13 | Nissan North America, Inc. | Objective-based reasoning in autonomous vehicle decision-making |
US12001211B2 (en) | 2023-02-09 | 2024-06-04 | Nissan North America, Inc. | Risk-aware executor with action set recommendations |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103281742A (zh) * | 2013-05-17 | 2013-09-04 | 南京邮电大学 | 基于自主获取道路信息车载自组织网络路由方法 |
CN103338441A (zh) * | 2013-05-28 | 2013-10-02 | 中国科学院信息工程研究所 | 基于车辆轨迹的数据传输方法及系统 |
CN103475715A (zh) * | 2013-09-10 | 2013-12-25 | 镇江青思网络科技有限公司 | 基于延迟估计的vanet数据传输协议 |
-
2014
- 2014-04-02 CN CN201410129583.8A patent/CN103945486B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103281742A (zh) * | 2013-05-17 | 2013-09-04 | 南京邮电大学 | 基于自主获取道路信息车载自组织网络路由方法 |
CN103338441A (zh) * | 2013-05-28 | 2013-10-02 | 中国科学院信息工程研究所 | 基于车辆轨迹的数据传输方法及系统 |
CN103475715A (zh) * | 2013-09-10 | 2013-12-25 | 镇江青思网络科技有限公司 | 基于延迟估计的vanet数据传输协议 |
Non-Patent Citations (4)
Title |
---|
ANTONIOS SKORDYLIS ET AL.: "Delay-bounded Routing in Vehicular Ad-hoc Networks", 《MOBIHOC ’08 PROCEEDINGS OF THE 9TH ACM INTERNATIONAL SYMPOSIUM ON MOBILE AD HOC NETWORKING AND COMPUTING》 * |
JING ZHAO: "VADD:Vehicle-Assisted Data Delivery in Vehicular Ad Hoc Networks", 《IEEE TRANSACTIONS ON VEHICULAR TECHNOLOGY》 * |
OKYOUNG CHOI: "《Delay-Optimal Data Forwarding in Vehicular Sensor Networks》", 《PROCEEDINGS OF THE 2013 11TH INTERNATIONAL SYMPOSIUM ON MODELING AND OPTIMIZATION IN MOBILE,AD HOC AND WIRELESS NETWORKS(WIOPT) 》 * |
吴宇晨: "车辆自组织网络中基于轨迹的路由算法研究", 《中国优秀硕士学位论文全文数据库(电子期刊)》 * |
Cited By (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105792261A (zh) * | 2014-12-17 | 2016-07-20 | 中兴通讯股份有限公司 | 丢包位置的辅助定位方法及装置 |
CN104965214A (zh) * | 2015-05-25 | 2015-10-07 | 北京科技大学 | 一种外罚法与最速下降法结合的车联网定位方法及系统 |
CN105682129A (zh) * | 2016-02-29 | 2016-06-15 | 福州华鹰重工机械有限公司 | 车际通信传输延迟模型建立方法及装置 |
CN105682172A (zh) * | 2016-03-04 | 2016-06-15 | 福州华鹰重工机械有限公司 | 基于位置优先探测的车际通信方法及系统 |
CN105848247B (zh) * | 2016-05-17 | 2020-02-07 | 中山大学 | 一种车载Ad Hoc网络的自适应路由协议方法 |
CN105848247A (zh) * | 2016-05-17 | 2016-08-10 | 中山大学 | 一种车载Ad Hoc网络的自适应路由协议方法 |
CN106250515A (zh) * | 2016-08-04 | 2016-12-21 | 复旦大学 | 基于历史数据的缺失路径恢复方法 |
CN106250515B (zh) * | 2016-08-04 | 2020-05-12 | 复旦大学 | 基于历史数据的缺失路径恢复方法 |
CN108146442B (zh) * | 2016-12-02 | 2020-08-07 | 丰田自动车株式会社 | 预测数据生成设备和车辆控制设备 |
CN108146442A (zh) * | 2016-12-02 | 2018-06-12 | 丰田自动车株式会社 | 预测数据生成设备和车辆控制设备 |
US11500380B2 (en) | 2017-02-10 | 2022-11-15 | Nissan North America, Inc. | Autonomous vehicle operational management including operating a partially observable Markov decision process model instance |
CN110431037A (zh) * | 2017-02-10 | 2019-11-08 | 日产北美公司 | 包括运用部分可观察马尔可夫决策过程模型示例的自主车辆操作管理 |
US11702070B2 (en) | 2017-10-31 | 2023-07-18 | Nissan North America, Inc. | Autonomous vehicle operation with explicit occlusion reasoning |
US11874120B2 (en) | 2017-12-22 | 2024-01-16 | Nissan North America, Inc. | Shared autonomous vehicle operational management |
CN109511123A (zh) * | 2018-12-27 | 2019-03-22 | 沈阳航空航天大学 | 一种基于时间信息的软件定义车辆网络自适应路由方法 |
CN109511123B (zh) * | 2018-12-27 | 2022-01-14 | 沈阳航空航天大学 | 一种基于时间信息的软件定义车辆网络自适应路由方法 |
CN110795519A (zh) * | 2019-10-28 | 2020-02-14 | 天聚地合(苏州)数据股份有限公司 | 基于Markov模型和概率统计的位置预测方法及可读存储介质 |
US11899454B2 (en) | 2019-11-26 | 2024-02-13 | Nissan North America, Inc. | Objective-based reasoning in autonomous vehicle decision-making |
US11635758B2 (en) | 2019-11-26 | 2023-04-25 | Nissan North America, Inc. | Risk aware executor with action set recommendations |
US11613269B2 (en) | 2019-12-23 | 2023-03-28 | Nissan North America, Inc. | Learning safety and human-centered constraints in autonomous vehicles |
US11577746B2 (en) | 2020-01-31 | 2023-02-14 | Nissan North America, Inc. | Explainability of autonomous vehicle decision making |
US11714971B2 (en) | 2020-01-31 | 2023-08-01 | Nissan North America, Inc. | Explainability of autonomous vehicle decision making |
US11782438B2 (en) | 2020-03-17 | 2023-10-10 | Nissan North America, Inc. | Apparatus and method for post-processing a decision-making model of an autonomous vehicle using multivariate data |
CN113242519A (zh) * | 2021-05-11 | 2021-08-10 | 鄂尔多斯应用技术学院 | 一种基于多信息融合的移动无线传感器节点定位方法及系统 |
US12001211B2 (en) | 2023-02-09 | 2024-06-04 | Nissan North America, Inc. | Risk-aware executor with action set recommendations |
Also Published As
Publication number | Publication date |
---|---|
CN103945486B (zh) | 2017-11-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103945486A (zh) | 基于移动节点轨迹的多目标优化数据传递方法 | |
CN106207290B (zh) | 一种基于多源数据的电动汽车充电辅助决策优化方法 | |
CN110361024A (zh) | 利用车辆组标识的动态车道级车辆导航 | |
Majumdar et al. | An efficient routing algorithm based on ant colony optimisation for VANETs | |
Wang et al. | A real-time vehicle-specific eco-routing model for on-board navigation applications capturing transient vehicle behavior | |
CN103839411B (zh) | 一种基于动态交通信息的事故影响范围分析方法 | |
Abdel-Halim et al. | Prediction-based protocols for vehicular Ad Hoc Networks: Survey and taxonomy | |
CN112700639A (zh) | 一种基于联邦学习与数字孪生的智能交通路径规划方法 | |
CN104640168A (zh) | 基于q学习的车载自组织网络路由方法 | |
CN104064029B (zh) | 一种VANETs中V2V链路延迟的动态预测方法 | |
CN105245563A (zh) | 一种基于车辆节点连通稳定度的动态分簇方法 | |
CN105245608A (zh) | 基于自编码网络的车联网网络节点筛选及其通达性路由构建方法 | |
CN105592138A (zh) | 一种路口ad hoc节点辅助的城市车载路由协议方法 | |
CN103298059A (zh) | 车辆自组网中基于位置预测的连通度感知路由方法 | |
CN103281742A (zh) | 基于自主获取道路信息车载自组织网络路由方法 | |
CN104080056A (zh) | 基于连通度概率感知的车载自组织网络的消息分发方法 | |
US20220414450A1 (en) | Distributed Multi-Task Machine Learning for Traffic Prediction | |
CN103634871A (zh) | 一种平衡稳定性和有效性的车载网地理路由协议 | |
CN113516277A (zh) | 一种基于路网动态定价的网联智能交通路径规划方法 | |
CN103095593B (zh) | 车辆自组网络的路由系统及方法 | |
Sun et al. | A novel cloudlet-dwell-time estimation method for assisting vehicular edge computing applications | |
Nahar et al. | Csbr: A cosine similarity based selective broadcast routing protocol for vehicular ad-hoc networks | |
CN106792528A (zh) | 数据传输方法及装置 | |
CN105844370A (zh) | 基于粒子群算法的城市道路车辆连通度优化方法 | |
CN113891422B (zh) | 一种自组织车联网的数据感知路由方法、系统、存储介质及设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
CB03 | Change of inventor or designer information |
Inventor after: Li Xin Inventor after: Zhu Pengfei Inventor after: Fu Mao CAI Inventor before: Li Xin Inventor before: Fu Mao CAI |
|
CB03 | Change of inventor or designer information | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20171124 |
|
CF01 | Termination of patent right due to non-payment of annual fee |