CN103957509A - 一种车载网络区分用户移动行为相似性的方法 - Google Patents

Abstract

本发明公开了一种车载网络区分用户移动行为相似性的方法，属于网络通信领域。所述方法包括：车载网络中的车载节点移动信息存储单元MNIU通过统计车辆移动信息，生成移动速度相似度；基站信息存储单元APIU统计历史移动轨迹并预测未来的移动轨迹，生成动态的节点移动轨迹相似度。将不同节点移动轨迹相似度和移动速度相似度通过加权处理生成二者移动相似度，区分节点间移动行为相似性。本发明可用于区分车载网络中用户移动性行为相似性，本发明可用于车载网络中社区用户的移动相似性区分，降低移动节点之间长距离通信的概率，提高移动用户之间信息分享效率。

Description

一种车载网络区分用户移动行为相似性的方法

技术领域

本发明涉及网络通信领域，特别涉及一种车载网络区分用户移动行为相似性的方法。 

背景技术

随着车载网络的迅速发展，产生了包括许多移动流媒体应用在内的大量新颖的应用程序。而且，多种新通信协议的出现和移动多媒体技术的发展，使得在各种复杂道路场景中通过车载网络向司机和乘客提供所需的高带宽服务体验成为可能。在需求差异化发展的今天，不同的用户需要的服务各不相同。为了提供更好的用户体验，需要向具有不同属性的用户分别提供其所需的高带宽服务。其中，一种十分直观的用户属性是用户的移动属性。因此，业内大量的研究者致力于研究区分用户移动行为相似性的方法。考虑到车载网络中的移动节点往往处在高速运动之中，节点之间的地理距离迅速变化，节点之间的数据传输效率受到了影响，导致了车载网络工作时维护代价高但效率很低。有鉴于此，为了更加精确的划分用户移动属性，采用对具有相同移动性行为的用户进行划分的方法。 

通过将具有相同或者相似特性的用户进行划分，可以充分区分用户移动属性，以提高车载网络数据传输性能，降低无线传输中不必要的能量消耗，有鉴于此，不同无线网络策略对移动性相似度的定义互不相同，所采用的用户移动性划分方法也各不相同。例如，SPOON是一种在移动ad-hoc网络中使用的P2P内容文件分享解决方案，它将具有相同文件兴趣和经常交互信息的用户认为划 分为相同移动性；还有C5，它把那些在同一时间段内地理位置相近的移动节点和那些服务请求相同的移动节点划归为相同移动性。 

用户移动性区分实质上是对用户节点移动行为相似性进行划分的一种方式，其一般有以下几种方式：图划分、分割划分和层次划分。然而，这三种划分方式分别有其内在的缺点，使得用户移动行为相似性区分的精度不高，并且结构上十分脆弱。例如，图划分方式基于已有的移动性知识来判断节点移动属性，划分灵活性和精确程度不高，难以应对动态变化的无线网络环境。分割划分则预定义移动行为相似性的相关信息，这种方式的优点在于无需预设定任何移动行为相似性知识或相似度评估机制，缺点是划分结果准确度比较低，不能适应更高精确度要求的场合。分层划分方式的精确度主要取决于节点相似性评估方法的优劣，所以难以精确描述不同节点之间移动属性的异同程度，使得在层划分中很可能将并不相似的节点误评估为具有相同相似性的节点，出现大量的错误区分信息。 

针对以上问题，本发明提供了一种车载网络区分用户移动行为相似性的方法。 

发明内容

本发明提供了一种车载网络区分用户移动行为相似性的方法。 

所述技术方案如下： 

车载网络中的车载节点维护特定的列表存储单元，负责保存此车载节点运动中连接的基站和基站范围内的停留时间等相关信息。该单元称为车载节点移动信息存储单元MNIU，所存储的信息包括车辆ID号、当前时刻连接的基站ID号A_i、A_i信号覆盖范围内V_i的停留时间ST_i和此记录关联的时间戳RT_i等； 

与此对应，基站中维护特定的列表存储单元，负责保存此基站信号覆盖范围内所有车辆的移动信息。该单元称为车载网络中的基站信息储存单元APIU，所存储的信息包括基站ID号A_i和当前时刻连接的车辆ID号V_i、V_i在A_i信号覆盖范围内的停留时间ST_i和此记录关联的时间戳RT_i等。 

车载网络中的车载节点移动信息存储单元MNIU通过统计车辆移动信息，生成移动速度相似度；基站信息存储单元APIU统计历史移动轨迹并预测未来的移动轨迹，，生成动态的节点移动轨迹相似度。将不同节点移动轨迹相似度和移动速度相似度通过加权处理生成二者移动相似度，区分节点间移动行为相似性。 

移动速度相似度计算方法包括： 

计算节点间停留时间相似值； 

根据节点间停留时间相似度定义，计算节点间移动速度相似度。 

移动轨迹相似度计算方法包括： 

提取MNIU中连接基站A_i的历史记录和对应时间的时间戳信息，生成车载节点的历史运动轨迹记录； 

将车载节点的未来移动轨迹用马尔可夫过程描述，利用生成的转移概率矩阵预测车载节点可能连接的下一个基站，生成车载节点未来移动轨迹预测； 

通过车载节点的历史运动轨迹记录和未来移动轨迹预测计算移动轨迹相似度。 

节点间移动相似性的判断方法包括： 

节点间移动相似度由移动轨迹相似度和移动速度相似度加权处理生成； 

所得节点间移动相似度与最小阀值比较，如果大于这个阀值，判断节点移动相似性相同。 

阀值的设置，包括但不仅限于预设、动态感知和统计分析等方法。 

本发明具有如下技术效果： 

车载网络中的车载节点移动信息存储单元MNIU通过统计车辆移动信息，生成移动速度相似度；基站信息存储单元APIU统计历史移动轨迹并预测未来的移动轨迹，，生成动态的节点移动轨迹相似度。将不同节点移动轨迹相似度和移动速度相似度通过加权处理生成二者移动相似度，区分节点间移动行为相似性。本发明所述方案对用户移动行为相似性的区分更加精确，维护代价小，划分稳定性高。 

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。 

图1是本发明设计的一个应用场景示意图； 

图2是本发明设计的整体框架； 

图3(a)、图3(b)是本发明设计的信息存储基础单元组成结构 

图4是本发明设计的车载节点状态改变示意图 

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。 

参见图1，显示了某车载网络中的一个应用场景示意图，根据移动属性的不同，车载移动节点被分别划分。 

具体步骤如下： 

步骤1，参见图3，基站负责维护基站信息储存单元APIU(Access Point Information Unit)。此单元包括四部分，分别是基站ID号A_i和当前时刻连接的车辆ID号V_i、V_i在A_i信号覆盖范围内的停留时间ST_i和此记录关联的时间戳RT_i；车载节点负责维护移动信息储存单元MNIU(Mobile Node Information Unit)。此单元包括四部分，分别是车辆ID号、当前时刻连接的基站ID号A_i、A_i信号覆盖范围内V_i的停留时间ST_i和此记录关联的时间戳RT_i。 

步骤2，定义车载节点状态S_a，表述某个车载节点V_i正处在基站AP_a信号覆盖范围之内并与之连接。 

参见图4，当车辆没有离开现有基站AP_a的范围时，此车的车载节点状态仍然是S_a，并未改变；且假设节点V_i由于移动等原因，离开基站AP_a的范围，进入到基站AP_a的范围内，此车载移动节点状态已发生改变，那么V_i从AP_a移动到AP_b时，车载节点状态已由S_a变为S_b。 

车载节点状态转变的过程可用马尔可夫过程描述， 

{X_n,n＞0},X_n∈S. 

其中，X_n表示第n次的车载节点状态，S＝{s₁,s₂,...,s_v}表示车载节点状态的集合。 

转换状态X_n和集合状态S可用于描述车辆移动轨迹。APIU和MNIU中所有的RT_i按照时间先后顺序排列，生成该车辆的历史运动轨迹mt_i。 

步骤4，使用T_n(T₀＝0)表示第n次状态转移的时间，同时定义车载节点状态S_a的持续时间为也就是说，就是节点V_i在AP_a信号覆盖范围内的停留时间。 

步骤5，使用Tab定义在T_n时刻从S_a到S_b的状态转移过程中的发生概率： 

T_ab＝Pr{X_n+1＝b,T_n+1-T_n≤t|X_n＝a} 

＝Pr{X_n+1＝b|X_n＝a}×        (1) 

Pr{T_n+1-T_n≤t|X_n+1＝b,X_n＝a} 

＝p_abH_ab

其中，p_ab表示状态S_a到S_b的概率，H_ab＝Pr{T_n+1-T_n≤t|X_n+1＝b,X_n＝a}表示了在S_a→S_b触发前的概率。 

显而易见的是，在不考虑下一次转移状态的前提下，等于车载移动节点状态S_a的持续时间，也就是车载节点V_i进入AP_a信号覆盖范围内的时间。由于基站范围是一定的，与V_i的移动速度成反比。越大，V_i的移动速度越低；反之，越小，V_i的移动速度越高。 

步骤6，定义“V_i在AP_a的范围内停留的时间是”事件发生概率为： 

$D_a\left(t_i\right)=\underset{c=1}{\overset{v}{\mathrm{\Σ}}}{T}_{\mathrm{ac}}---\left(2\right)$

显然，D_a(t_i)描述了V_i进入AP_a覆盖范围内的频繁程度。 

步骤7，假设同一时刻，有其他车载移动节点也处在AP_a的信号覆盖范围之内。简便起见，考虑AP_a中信号覆盖范围内仅有两个车载移动节点的情况，两个车载节点一个是V_i，另一个为V_j。基站通过调用APIU和MNIU中保存的V_j的相关信息，通过前述方法求得D_a(t_j)。 

步骤8，显然，节点间移动速度相似度由V_i和V_j移动速度的差异决定。V_i和V_j的速度差异越小，移动速度相似度便越高；反之，V_i和V_j的速度差异越大，移动速度相似度便越低。考虑到车载移动节点V_i和V_j处在随机、动态的运动状态中，D_a(t_i)和D_a(t_j)的值必然也是动态随机的。因此，引入公式(3)描述D_a(t_i)和D_a(t_j)的期望值。 

$\begin{array}{c}E\left(D_a\left(t_i\right)\right)=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{D}_a\left(t_i\right)H_{\mathrm{ab}}=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\underset{c=1}{\overset{v}{\mathrm{\Σ}}}{T}_{\mathrm{ac}}{H}_{\mathrm{ab}}\\ E\left(D_a\left(t_j\right)\right)=\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{D}_a\left(t_j\right)H_{\mathrm{ab}}=\underset{j=1}{\overset{n}{\mathrm{\Σ}}}\underset{c=1}{\overset{v}{\mathrm{\Σ}}}{T}_{\mathrm{ac}}{H}_{\mathrm{ab}}\end{array}---\left(3\right)$

E(D_a(t_i))和E(D_a(t_j))的差别越小，V_i和V_j之间的停留时间相似度越高，二者的移动速度越相近，则两节点同时经过AP_a时的移动速度相似度越高。 

那么，可以通过公式(4)求得移动速度相似度RSi_j： 

${\mathrm{RS}}_{\mathrm{ij}}=\mathrm{arc}\cot \left(\right|E\left(D_a\left(t_i\right)\right)-E\left(D_a\left(t_j\right)\right)\left|\right)\×\frac{2}{\mathrm{\π}}---\left(4\right)$

步骤9，根据马尔可夫过程的相关理论，建立一个v×v的转移概率矩阵，并描述如下： 

$P=\left(\begin{array}{cccc}{p}_{11}& p_{12}& \·\·\·& p_{1v}\\ p_{21}& p_{22}& \·\·\·& p_{2v}\\ \·\·\·& \·\·\·& \·\·\·& \·\·\·\\ p_{v1}& p_{v2}& \·\·\·& p_{\mathrm{vv}}\end{array}\right)$

其中p_ab表示了车载移动节点状态从S_a变为S_b的转移概率(也就是车载节点移动，从基站AP_a的信号覆盖范围进入下一个基站AP_a的信号覆盖范围)，v表示状态设置S的长度。 

步骤10，如前所述，已获得历史移动轨迹记录mt_i和马尔科夫过程转移概率矩阵P作出的移动轨迹预测结果，定义V_i和V_j之间的移动轨迹相似度sim(V_i,V_j)如下： 

$\mathrm{sim}(V_i,V_j)=\frac{\underset{c=1}{\overset{v}{\mathrm{\Σ}}}{p}_{\mathrm{ac}}^i\·p_{\mathrm{ac}}^j}{\sqrt{\underset{c=1}{\overset{v}{\mathrm{\Σ}}}{\left(p_{\mathrm{ac}}^i\right)}^2}\·\sqrt{\underset{c=1}{\overset{v}{\mathrm{\Σ}}}{\left(p_{\mathrm{ac}}^j\right)}^2}}---\left(5\right)$

步骤11，将移动速度相似度RS_ij和的移动轨迹相似度sim(V_i,V_j)进行加权处 理，可以获得V_i和V_j之间移动相似度。 

定义V_i和V_j之间移动相似度MSi_j如下： 

${\mathrm{MS}}_{\mathrm{ij}}=\mathrm{sim}(V_i,V_j)\×\underset{c=1}{\overset{|{\mathrm{mt}}_i\∩{\mathrm{mt}}_j|}{\mathrm{\Σ}}}{\mathrm{RS}}_c(V_i,V_j)---\left(6\right)$

其中|mt_i∩mt_j|表示V_i和V_j运动轨迹mt_i和mt_j之间交叉点的数量。 

步骤12，根据车载网络的一般运行情况，基站能生成车载移动节点间移动相似度经验值，此经验值则被设置为移动相似度的阀值TH_m。同样地，阀值TH_m的获取和设置，包括但不仅限于预设、动态感知和统计分析等方法。 

步骤13，将MS_ij和车载移动节点间移动相似度的阀值TH_m对比，如果MS_ij大于阀值TH_m，判定二者的移动行为相似性一致；反之，判定二者的移动行为相似性不一致。 

通过上述步骤，对车载网络中某基站信号覆盖范围内仅有两个车载节点的最简单情况作了本发明设计之应用举例。显然，此方法亦适用于存在更多节点的复杂情况。此种车载网络用户移动行为相似性区分方法，不仅考虑了移动速度相似度，也研究了历史移动轨迹和未来移动状态，确保了测量方法的准确性。 

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。 

Claims (6)

1.一种车载网络区分用户移动行为相似性的方法，其特征在于，车载网络中的车载节点移动信息存储单元MNIU通过统计车辆移动信息，生成移动速度相似度；基站信息存储单元APIU统计历史移动轨迹并预测未来的移动轨迹，生成动态的节点移动轨迹相似度。将不同节点移动轨迹相似度和移动速度相似度通过加权处理生成二者移动相似度，区分节点间移动行为相似性。

2.如权利要求1所述方法，其特征在于：

车载节点移动信息存储单元MNIU至少包括：车辆ID号、当前时刻连接的基站ID号A_i、A_i信号覆盖范围内V_i的停留时间ST_i和此记录关联的时间戳RT_i；

车载网络中的基站信息储存单元APIU至少包括：基站ID号A_i和当前时刻连接的车辆ID号V_i、V_i在A_i信号覆盖范围内的停留时间ST_i和此记录关联的时间戳RT_i。

3.如权利要求1所述方法，其特征在于，所述的移动速度相似度计算方法包括：

计算节点间停留时间相似值；

根据节点间停留时间相似度定义，计算节点间移动速度相似度。

4.如权利要求1所述方法，其特征在于，所述的移动轨迹相似度计算方法包括：

提取MNIU中连接基站A_i的历史记录和对应时间的时间戳信息，生成车载节点的历史运动轨迹记录；

将车载节点的未来移动轨迹用马尔可夫过程描述，利用生成的转移概率矩阵预测车载节点可能连接的下一个基站，生成车载节点未来移动轨迹预测；

通过车载节点的历史运动轨迹记录和未来移动轨迹预测计算移动轨迹相似度。

5.如权利要求1～4所述方法，其特征在于，所述节点间移动相似性的判断方法包括：

节点间移动相似度由移动轨迹相似度和移动速度相似度加权处理生成；

所得节点间移动相似度与最小阀值比较，如果大于这个阀值，判断节点移动相似性相同。

6.如权利要求5所述方法，其特征在于，所述阀值的取舍，包括但不仅限于预设、动态感知和统计分析等方法。