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

一种车载网络区分用户移动行为相似性的方法 Download PDF

Info

Publication number
CN103957509A
CN103957509A CN201410191046.6A CN201410191046A CN103957509A CN 103957509 A CN103957509 A CN 103957509A CN 201410191046 A CN201410191046 A CN 201410191046A CN 103957509 A CN103957509 A CN 103957509A
Authority
CN
China
Prior art keywords
node
vehicle
similarity
mobile
base station
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.)
Pending
Application number
CN201410191046.6A
Other languages
English (en)
Inventor
许长桥
关建峰
张宏科
贾世杰
王目
范振雄
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing University of Posts and Telecommunications
Original Assignee
Beijing University of Posts and Telecommunications
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing University of Posts and Telecommunications filed Critical Beijing University of Posts and Telecommunications
Priority to CN201410191046.6A priority Critical patent/CN103957509A/zh
Publication of CN103957509A publication Critical patent/CN103957509A/zh
Pending legal-status Critical Current

Links

Landscapes

  • Mobile Radio Communication Systems (AREA)

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Ai、Ai信号覆盖范围内Vi的停留时间STi和此记录关联的时间戳RTi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Ai和当前时刻连接的车辆ID号Vi、Vi在Ai信号覆盖范围内的停留时间STi和此记录关联的时间戳RTi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Ai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Ai和当前时刻连接的车辆ID号Vi、Vi在Ai信号覆盖范围内的停留时间STi和此记录关联的时间戳RTi;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Ai、Ai信号覆盖范围内Vi的停留时间STi和此记录关联的时间戳RTi。 
步骤2,定义车载节点状态Sa,表述某个车载节点Vi正处在基站APa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APa的范围时,此车的车载节点状态仍然是Sa,并未改变;且假设节点Vi由于移动等原因,离开基站APa的范围,进入到基站APa的范围内,此车载移动节点状态已发生改变,那么Vi从APa移动到APb时,车载节点状态已由Sa变为Sb。 
车载节点状态转变的过程可用马尔可夫过程描述, 
{Xn,n>0},Xn∈S. 
其中,Xn表示第n次的车载节点状态,S={s1,s2,...,sv}表示车载节点状态的集合。 
转换状态Xn和集合状态S可用于描述车辆移动轨迹。APIU和MNIU中所有的RTi按照时间先后顺序排列,生成该车辆的历史运动轨迹mti。 
步骤4,使用Tn(T0=0)表示第n次状态转移的时间,同时定义车载节点状态Sa的持续时间为也就是说,就是节点Vi在APa信号覆盖范围内的停留时间。 
步骤5,使用Tab定义在Tn时刻从Sa到Sb的状态转移过程中的发生概率: 
Tab=Pr{Xn+1=b,Tn+1-Tn≤t|Xn=a} 
=Pr{Xn+1=b|Xn=a}×        (1) 
Pr{Tn+1-Tn≤t|Xn+1=b,Xn=a} 
=pabHab
其中,pab表示状态Sa到Sb的概率,Hab=Pr{Tn+1-Tn≤t|Xn+1=b,Xn=a}表示了在Sa→Sb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Sa的持续时间,也就是车载节点Vi进入APa信号覆盖范围内的时间。由于基站范围是一定的,与Vi的移动速度成反比。越大,Vi的移动速度越低;反之,越小,Vi的移动速度越高。 
步骤6,定义“Vi在APa的范围内停留的时间是”事件发生概率为: 
D a ( t i ) = Σ c = 1 v T ac - - - ( 2 )
显然,Da(ti)描述了Vi进入APa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APa的信号覆盖范围之内。简便起见,考虑APa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Vi,另一个为Vj。基站通过调用APIU和MNIU中保存的Vj的相关信息,通过前述方法求得Da(tj)。 
步骤8,显然,节点间移动速度相似度由Vi和Vj移动速度的差异决定。Vi和Vj的速度差异越小,移动速度相似度便越高;反之,Vi和Vj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Vi和Vj处在随机、动态的运动状态中,Da(ti)和Da(tj)的值必然也是动态随机的。因此,引入公式(3)描述Da(ti)和Da(tj)的期望值。 
E ( D a ( t i ) ) = Σ i = 1 n D a ( t i ) H ab = Σ i = 1 n Σ c = 1 v T ac H ab E ( D a ( t j ) ) = Σ j = 1 n D a ( t j ) H ab = Σ j = 1 n Σ c = 1 v T ac H ab - - - ( 3 )
E(Da(ti))和E(Da(tj))的差别越小,Vi和Vj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APa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RSij: 
RS ij = arc cot ( | E ( D a ( t i ) ) - E ( D a ( t j ) ) | ) × 2 π - - - ( 4 )
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 = p 11 p 12 · · · p 1 v p 21 p 22 · · · p 2 v · · · · · · · · · · · · p v 1 p v 2 · · · p vv
其中pab表示了车载移动节点状态从Sa变为Sb的转移概率(也就是车载节点移动,从基站APa的信号覆盖范围进入下一个基站APa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mti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Vi和Vj之间的移动轨迹相似度sim(Vi,Vj)如下: 
sim ( V i , V j ) = Σ c = 1 v p ac i · p ac j Σ c = 1 v ( p ac i ) 2 · Σ c = 1 v ( p ac j ) 2 - - - ( 5 )
步骤11,将移动速度相似度RSij和的移动轨迹相似度sim(Vi,Vj)进行加权处 理,可以获得Vi和Vj之间移动相似度。 
定义Vi和Vj之间移动相似度MSij如下: 
MS ij = sim ( V i , V j ) × Σ c = 1 | mt i ∩ mt j | RS c ( V i , V j ) - - - ( 6 )
其中|mti∩mtj|表示Vi和Vj运动轨迹mti和mtj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THm。同样地,阀值THm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MSij和车载移动节点间移动相似度的阀值THm对比,如果MSij大于阀值THm,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Ai、Ai信号覆盖范围内Vi的停留时间STi和此记录关联的时间戳RTi
车载网络中的基站信息储存单元APIU至少包括:基站ID号Ai和当前时刻连接的车辆ID号Vi、Vi在Ai信号覆盖范围内的停留时间STi和此记录关联的时间戳RTi
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Ai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。
CN201410191046.6A 2014-05-07 2014-05-07 一种车载网络区分用户移动行为相似性的方法 Pending CN103957509A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201410191046.6A CN103957509A (zh) 2014-05-07 2014-05-07 一种车载网络区分用户移动行为相似性的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201410191046.6A CN103957509A (zh) 2014-05-07 2014-05-07 一种车载网络区分用户移动行为相似性的方法

Publications (1)

Publication Number Publication Date
CN103957509A true CN103957509A (zh) 2014-07-30

Family

ID=51334712

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201410191046.6A Pending CN103957509A (zh) 2014-05-07 2014-05-07 一种车载网络区分用户移动行为相似性的方法

Country Status (1)

Country Link
CN (1) CN103957509A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105005615A (zh) * 2015-07-17 2015-10-28 广东小天才科技有限公司 一种基于移动轨迹进行终端推荐的方法、装置和系统
CN106921940A (zh) * 2015-12-28 2017-07-04 宁波普天通信技术有限公司 同轨迹用户查找方法及装置和同行用户查找方法及装置
CN107295600A (zh) * 2017-07-07 2017-10-24 北京邮电大学 一种车载网络中的数据传输方法
CN107509229A (zh) * 2017-08-03 2017-12-22 华南理工大学 一种基于车辆节点中心性计算的车联网机会路由方法
CN110168312A (zh) * 2017-05-16 2019-08-23 大陆汽车有限责任公司 基于目标预测动态物体的方法和装置

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101945400A (zh) * 2009-07-10 2011-01-12 中国移动通信集团公司 一种用户动态行为分析方法及分析装置
CN103593430A (zh) * 2013-11-11 2014-02-19 胡宝清 一种基于移动对象时空信息轨迹分段聚类的方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101945400A (zh) * 2009-07-10 2011-01-12 中国移动通信集团公司 一种用户动态行为分析方法及分析装置
CN103593430A (zh) * 2013-11-11 2014-02-19 胡宝清 一种基于移动对象时空信息轨迹分段聚类的方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
ZHOUYU FU等: "Similarity Based Vehicle Trajectory Clustering And Anomaly Detection", 《IEEE INTERNATIONAL CONFERENCE ON IMAGE PROCESSING 2005 ICIP 2005》 *
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)》 *
张培尼等: "基于多特征信息融合的目标轨迹聚类方法", 《河南理工大学学报(自然科学版)》 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105005615A (zh) * 2015-07-17 2015-10-28 广东小天才科技有限公司 一种基于移动轨迹进行终端推荐的方法、装置和系统
CN105005615B (zh) * 2015-07-17 2017-03-08 广东小天才科技有限公司 一种基于移动轨迹进行终端推荐的方法、装置和系统
CN106921940A (zh) * 2015-12-28 2017-07-04 宁波普天通信技术有限公司 同轨迹用户查找方法及装置和同行用户查找方法及装置
CN110168312A (zh) * 2017-05-16 2019-08-23 大陆汽车有限责任公司 基于目标预测动态物体的方法和装置
CN110168312B (zh) * 2017-05-16 2023-09-12 大陆智行德国有限公司 基于目标预测动态物体的方法和装置
CN107295600A (zh) * 2017-07-07 2017-10-24 北京邮电大学 一种车载网络中的数据传输方法
CN107295600B (zh) * 2017-07-07 2019-08-30 北京邮电大学 一种车载网络中的数据传输方法
CN107509229A (zh) * 2017-08-03 2017-12-22 华南理工大学 一种基于车辆节点中心性计算的车联网机会路由方法
CN107509229B (zh) * 2017-08-03 2019-10-18 华南理工大学 一种基于车辆节点中心性计算的车联网机会路由方法

Similar Documents

Publication Publication Date Title
Fu et al. A survey of driving safety with sensing, vehicular communications, and artificial intelligence-based collision avoidance
US20200374342A1 (en) Scalable and secure vehicle to everything communications
Liu et al. Fraud detection from taxis' driving behaviors
CN103957509A (zh) 一种车载网络区分用户移动行为相似性的方法
DE112019000057T5 (de) VERFAHREN UND SYSTEM ZUR FAHRZEUG-FUßGÄNGER-KOLLISIONSVERMEIDUNG
KR20140016463A (ko) 주변 차량의 상태 변화 감지를 통한 차량 주행 관리 방법 및 시스템
CN110472999B (zh) 基于地铁和共享单车数据的客流模式分析方法及装置
CN109768869A (zh) 一种业务预测方法、系统和计算机存储介质
Holleczek et al. Detecting weak public transport connections from cellphone and public transport data
Peixoto et al. FogJam: a fog service for detecting traffic congestion in a continuous data stream VANET
CN106504524B (zh) 一种基于移动信令动态划分高速公路路段的方法
CN104966397A (zh) 一种生成路况信息的方法及系统
Alhilal et al. Street smart in 5G: Vehicular applications, communication, and computing
CN110377687A (zh) 用户出行方式判别方法、装置和服务器
CN104021680A (zh) 基于移动终端的交通流预测方法及预测系统
Chen et al. Location prediction for large scale urban vehicular mobility
Mason et al. An adaptive broadcasting strategy for efficient dynamic mapping in vehicular networks
Li et al. Estimating crowd flow and crowd density from cellular data for mass rapid transit
US20160192155A1 (en) Facilitating estimation of mobile device presence inside a defined region
JP6551999B2 (ja) ユーザの移動対象物を推定する装置、プログラム及び方法
CN116579498A (zh) 用于预测地铁客流量的方法及装置、存储介质
Marzouk et al. An empirical study of Unfairness and Oscillation in ETSI DCC
Yoon et al. Cooperative perception in connected vehicle traffic under field-of-view and participation variations
WO2020002744A1 (en) Apparatus, method and computer program to optimize parking space waiting times
Tang et al. Cooperative connected smart road infrastructure and autonomous vehicles for safe driving

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20140730

RJ01 Rejection of invention patent application after publication