CN104598727A - 面向城市道路环境考虑交叉路口的VANETs中V2V的链路时延动态预测方法 - Google Patents

Abstract

面向城市道路环境考虑交叉路口的VANETs中V2V的链路时延动态预测方法，属于车载无线网络技术领域。本发明解决了现有的链路时延预测方法没有考虑真实的城市场景，不能准确预测链路时延的问题。本发明的技术方案为：步骤一、计算链路断开时两车的相对距离；步骤二、估计两车的相对速度分布；步骤三、基于步骤一与步骤二预测两车的链路时延，具体如下：步骤三一、计算两车链路时延所需的相关因素，包括两车的相对速度v，两车之间的初始距离d，两车的行驶方向；步骤三二、在步骤三一的基础上，计算两车的链路时延，并考虑两车遇到交通灯的情况。本发明主要适用于基于链路时延的VANETs的应用。

Description

面向城市道路环境考虑交叉路口的VANETs中V2V的链路时延动态预测方法

技术领域

本发明涉及一种链路时延预测方法，特别涉及一种面向城市道路环境考虑交叉路口的VANETs中V2V的链路时延动态预测方法，属于车载无线网络技术领域。

背景技术

车载无线网络(Vehicular Ad Hoc Networks，VANETs)是无线移动自组网(Mobile Ad Hoc Networks，MANETs)的一个特例，它实现了车间通信(Intervehicular Communications，IVC)和道路汽车间的通信(road-vehiclecommunications，RVC)，参见文献[1]，与MANETs不一样的是应用场景受到城市和高速公路的限制，因为车辆在道路上高速行驶，所以VANETs网络的拓扑结构变化快并且间歇性连通，参见文献[2]，所以它也被看作容迟网络(delay tolerance network，DTN)，参见文献[3]。

VANETs提供了安全信息分发，参见文献[4，5]，商业应用服务，参见文献[6]，娱乐，参见文献[7]，动态的交通管理信息，参见文献[8-10]和动态的路由计划，参见文献[11]等。这些应用为司机和乘客提供了安全和舒适的交通环境，参见文献[12]。因为这些应用和服务要求两车间的无线通信链路来维持一个完整的通信阶段，因此，研究链路时延的属性是至关重要的，因为它直接影响许多性能标准，比如，端到端的延迟，包的丢失和吞吐量，它也能够被使用来优化网络拓扑结构来改善网络资源利用率，最大化网络性能和减少广播风暴，参见文献[13]。该如何预测已经连接的任意两车间的链路时延，为了预测，每一个车辆什么信息需要实时获得，是本领域的研究热点。关于网络性能的链路时延问题在DTN和MANET中被广泛的研究，参见文献[14-15]。在文献[16]的仿真结果证明了链路时延对于VANET单播路由是最重要的QoS特性之一。而且，两车间的链路时延也影响到一个路由协议构建多跳路径的稳定性，换句话说，它决定了一个源节点到目的节点的每一次连接的吞吐量。所以有几个通过考虑链路时延，针对可靠的路由进行的研究，参见文献[17-18]。

为了在VANETs中的链路时延建模，几个关于链路时延概率密度(PDF)的研究已经被提出，参见文献[27-30]，文献[41，42]针对一维高速公路场景为链路时延建模，文献[2，43，44]为城市场景提出链路时延模型，文献[3]为高速公路和城市场景提出模型，不过，文献[3，43]没有考虑交叉口转弯。VANETs中链路时延问题是很复杂的并且受许多因素的影响包括车间距离、车速、交叉口的转向频率、交通灯的影响、由于路边建筑物所导致的信号衰退等因素。

链路时延被被认为是两节点之间的链路可用的时间间隔，具体的定义，链路时延是两个节点停留在彼此的传输范围内的时间间隔，参见文献[14]。在MANET中，链路时延由一系列的随机因素决定，比如无线信道和两节点之间的距离等，这取决于随时间变化的环境和节点的移动性。Wu等人在文献[19]中研究了在多跳移动网络中节点移动性对链路时延的影响并且提出了一个分析框架来估计链路时延，这个模型被使用于分析点对点的和多跳的链路时延，基于现存的移动性模型RWP(Random Waypoint Models)，参见文献[20]、RW(RandomWalk)，参见文献[21]、RPGM(Reference Point Group Mobility、RVGM(Reference Velocity Group MobilityModel)，参见文献[22-23]，模型的准确性被证实。但是这些移动性模型不能被用在VAENTs中，因为汽车节点环境受道路限制并且车速很高。

虽然节点移动性的一些因素(比如节点的速度，两节点之间的距离和节点的移动方向等)对链路时延有极大的影响，链路时延或者路径时延在MANET中服从什么分布，文献[24-26]表明链路时延能够被有效地用指数分布近似。链路时延的指数分布不能用在VANET中，在文献[27-28]，研究人员提出了指数分布是链路时延很好的近似，不过，文献[29]提出在自由流不拥堵的情况下，链路时延的概率密度函数能够用带有合适的参数的对数正态分布近似。Yan等人指出VAENT中的链路时延也能用对数正态分布近似，条件是遵循下列假设：车间行进的距离的概率密度函数为对数正态分布并且车速是确定的。不过，这种分析不适用于自由流的状态。

考虑链路时延对于MANET是很重要的，一些文献注重研究预测链路时延，链路时延通过两节点间的相对速度和相对距离决定，假设节点移动遵循RWP模型，参见文献[20]，不过，已经被证明的是RWP模型不能提供一个稳定状态，也就是节点的平均速度随着时间持续下降，参见文献[31]。不过，在无线自组网中，不同的移动性模型对链路稳定性有不同的影响，参见文献[32]。Hua等人在不同的移动性模型下研究了几种路径选择算法，参见文献[33]，不过，它们不能准确预测链路时延。一些链路时延预测算法在以前的工作中被研究，参见文献[34-36]。

Hass等人在文献[34]中提出移动投影的轨迹的算法估计剩余链路寿命(Residual Link Lifetime，RLL).在文献[35]中Korsness等人使用链路的寿命(比如链路已经连接了多久)作为参数来估计链路的剩余的时间RLL。Hua等人在文献[36]提出了一个新的RLL-预测算法来预测链路的寿命，他们使用的是卡尔曼滤波法(UnscentedKalman Filter，UKF)。虽然文献[35]提出链路的剩余的寿命和两节点之间的相对速度相关，在移动自组网里解决链路寿命预测的方法不能用在VANET中，因为VANET中的汽车移动性不遵循MANET中移动性模型。

文献[27-30]中的研究分析了链路时延的概率密度函数，Shelly等人在，参见文献[27]中研究了VANET的链路时延，他们假设自由的状态和车速的正态分布以及传输范围。Nekovee研究了VAENT中链路时延的概率，参见文献[37]，假设车间的相对距离是恒定的并且忽略了汽车的移动性模型。然后他假设汽车的速度服从正态分布扩展了这个研究，参见文献[38]。假设均等的空间节点和正态的车速分布，Sun等人在文献[39]中为链路寿命的概率密度函数提出了一个分析模型，不过，第一个假设是不合理的，因为车间的间隔是随机的。在文献[40]中，一个VANET中为单跳连接性时延的简单框架被提出。但是该如何预测城市场景和高速公路场景下的多跳链路时延。Boban等人在文献[16]中研究了高速公路场景和城市场景的单播通信的连接性时延。在文献[41-42]中，研究提出了一维高速公路场景中的链路时延和连接性时延。文献[13]提出链路时延属性被汽车移动性和信道随机性的影响。由于城市道路的网络拓扑结构和交通灯影响，这些链路时延的分析模型不能被扩展为城市场景所需要的。Artimy等人分析了在二维城市场景中的网络连接性并且在街道中间放置了交叉口，参见文献[43]。Viriyasitavat等人基于为移动性设计的元胞自动机模型(Cellular Automata Model)提出了一个复杂的城市VANET的网络连接性的分析框架，参见文献[2]，转向频率和交通灯两种因素被考虑并且它们认为两个连续的汽车遇上交通灯的组合事实是独立，这也许和实际情况不相符。Hu等人在文献[44]中通过考虑车间距离、车速、在交叉口的转向频率和交通灯因素提出了一个具体的基于过程的马尔科夫链模型。在文献[3]中，wang等人提出了LDP(Link Duration Prediction)模型，获得了城市场景和高速公路场景的任意两节点间的实时链路时延的预测，相对速度、交通灯和两车之间相对距离被考虑，不过，这个研究只注重直行的公路，所以他们没有考虑汽车在交叉口转向。

发明内容

本发明的目的是提出面向城市道路环境考虑交叉路口的VANETs中V2V的链路时延动态预测方法，以解决针对现有的链路时延预测方法没有考虑真实的城市场景，不能准确预测链路时延的问题。

本发明为解决上述技术问题所采用的技术方案是：本发明所述的面向城市道路环境考虑交叉路口的VANETs中V2V的链路时延动态预测方法，是按照以下步骤实现的：步骤一、计算链路断开时两车的相对距离；步骤二、估计两车的相对速度分布；步骤三、基于步骤一与步骤二预测两车的链路时延，具体如下：步骤三一、计算两车链路时延所需的相关因素，包括两车的相对速度v，两车之间的初始距离d，两车的行驶方向；步骤三二、在步骤三一的基础上，计算两车的链路时延，并考虑两车遇到交通灯的情况。

本发明的有益效果如下：

一，本发明扩展了LDP(Link Duration Prediction)模型，使其适用于高动态的和分布式的VANETs，目的是每一辆汽车能够实时地预测城市场景的链路时延；二，基于本发明的ELDP模型，能够自动地采集车速样本和精确地估计车速的分布；三，本发明的ELDP模型没有假设两个连续的汽车遇上的交通灯事实独立的，这在以前的研究中是个普遍的假设；四，本发明证明了ELDP的有效性并且用仿真验证给出了性能评价，仿真结果表明ELDP模型能够准确地预测VANETs中城市道路环境场景的两车的链路时延。

附图说明

图1为汽车行驶通过城市交叉口的情况图，其中(a)为汽车直行情况，(b)为汽车右转和直行情况，(c)为汽车右转和左转情况，(d)为汽车左转情况；

图2为分析转向对链路时延的影响图，其中(a)为两车都直行情况，(b)为两车右转和左传情况，(c)为右转和直行情况，(d)为两车都左转情况，(e)为两车都右转情况，图中v₁，v₂，v₃，d₁，d₂，r分别代表汽车1、汽车2、汽车3，两车之间初始距离，两车之间链路断开时的距离，无线传输半径；

图3为分析两车的相对速度图，其中，(a)为一个汽车移动的方向，(b)为求解两车相对速度；

图4为图3中(b)的向量的方向；

图5为平移坐标系的过程图；

图6为点D的不同位置图，其中(a)为点D在E的前面的情况，(b)为点D在E后面的情况；

图7为点D在点E的前面或后面，其中(a)为点D在点E前面，(b)为D在E的后面；

图8为点D在点E的前面或后面，其中(a)为点D在点E前，(b)为点D在点E后面；

图9为点D在点E的前面或后面，其中(a)为点D在点E前面，(b)为点D在点E后面；

图10为汽车在交通灯前面等待的时间；

图11(a)为交通灯对汽车行驶的影响中两车绿灯过交叉口，图11(b)为交通灯对汽车行驶的影响中第一个车绿灯和第二个车红灯过交叉口，图11(c)为交通灯对汽车行驶的影响中第一个车红灯和第二个车绿灯过交叉口，图11(d)为交通灯对汽车行驶的影响中两车都遇上红灯过交叉口；

图12为链路时延计算程序流程图；

图13(a)为交叉口无转向的两车链路时延预测分析中相对速度的标准差，图13(b)为交叉口无转向的两车链路时延预测分析中平均的相对速度，图13(c)为交叉口无转向的两车链路时延预测分析中对向行驶的两节点的链路时延，图13(d)为交叉口无转向的两车链路时延预测分析中对向的预测误差的分布函数，图13(e)为交叉口无转向的两车链路时延预测分析中遇上红灯的同向和对向节点的平均预测误差，图13(f)为交叉口无转向的两车链路时延预测分析中都遇上绿灯的平均预测误差；

图14(a)为一个车在交叉口处左转和一个车直行的预测误差分析中相对速度的标准差，图14(b)为一个车在交叉口处左转和一个车直行的预测误差分析中相对速度的平均速度，图14(c)为一个车在交叉口处左转和一个车直行的预测误差分析中一对节点的链路时延，图14(d)为一个车在交叉口处左转和一个车直行的预测误差分析中预测误差的分布函数，图14(e)为一个车在交叉口处左转和一个车直行的预测误差分析中10对随机节点的平均预测误差；

图15(a)为分析预测误差中两个随机节点的链路时延，图15(b)为分析预测误差中相对速度的标准差，图15(c)为分析预测误差中平均的相对速度，图15(d)为分析预测误差中预测误差的分布函数，图15(e)为分析预测误差中10对随机节点的平均预测误差；

图16(a)为预测误差的分析中以直角方向行驶的两节点的链路时延预测，图16(b)为预测误差的分析中相对速度的标准，图16(c)为预测误差的分析中相对速度的平均速度，图16(d)为预测误差的分析中预测误差的分布函数，图16(e)为预测误差的分析中10对节点的平均预测误差；

图17(a)为分析交叉口右转和直行的预测误差中一对随机选择的节点的链路时延，图17(b)为分析交叉口右转和直行的预测误差中相对速度的标准差，图17(c)为分析交叉口右转和直行的预测误差中相对速度的平均速度，图17(d)为分析交叉口右转和直行的预测误差中预测误差的分布函数，图17(e)为分析交叉口右转和直行的预测误差中10对随机选择的节点的平均预测误差；

图18(a)为分析交叉口转弯后对向行驶的预测时延中交叉口转弯后对向行驶的链路时延预测，图18(b)为分析交叉口转弯后对向行驶的预测时延中平均的相对速度，图18(c)为分析交叉口转弯后对向行驶的预测时延中相对速度的标准差，图18(d)为分析交叉口转弯后对向行驶的预测时延中预测误差的分布函数，图18(e)为分析交叉口转弯后对向行驶的预测时延中10对节点的平均预测误差；

图19(a)为分析转弯后两车直角方向行驶的预测时延中两个随机节点的链路时延，图19(b)为分析转弯后两车直角方向行驶的预测时延中相对速度的平均速度，图19(c)为分析转弯后两车直角方向行驶的预测时延中相对速度的标准差，图19(d)为分析转弯后两车直角方向行驶的预测时延中预测误差的分布函数，图19(e)为分析转弯后两车直角方向行驶的预测时延中10对节点平均预测误差；

图20(a)为预测误差分析中同向行驶的两节点的链路时延预测，图20(b)为预测误差分析中相对速度的平均速度，图20(c)为预测误差分析中相对速度的标准差，图20(d)为预测误差分析中预测误差的分布函数，图20(e)为预测误差分析中10对节点的平均预测误差；

图21(a)为预测误差的分析中相对速度的平均速度，图21(b)为预测误差的分析中相对速度的标准差，图21(c)为预测误差的分析中转弯后对向行驶的链路时延，图21(d)为预测误差的分析中两个节点的预测误差，图21(e)为预测误差的分析中10对节点的平均预测误差；

图22(a)为交叉口转弯后直角方式行驶的两车的链路时延的分析中两个随机节点链路时延，图22(b)为交叉口转弯后直角方式行驶的两车的链路时延的分析中平均的相对速度，图22(c)为交叉口转弯后直角方式行驶的两车的链路时延的分析中相对速度的标准差，图22(d)为交叉口转弯后直角方式行驶的两车的链路时延的分析中预测误差的分布函数，图22(e)为交叉口转弯后直角方式行驶的两车的链路时延的分析中10对随机选择的节点的平均预测误差；

图23(a)为两车都左转的预测误差分析中两个随机节点链路时延，图23(b)为两车都左转的预测误差分析中平均的相对速度，图23(c)为两车都左转的预测误差分析中相对速度的标准差，图23(d)为两车都左转的预测误差分析中预测误差的分布函数，图23(e)为两车都左转的预测误差分析中10对随机节点的平均预测误差；

图24(a)为分析交叉口左转弯后两车对向行驶的预测误差中转弯后对向行驶的两节点的链路时延，图24(b)为分析交叉口左转弯后两车对向行驶的预测误差中平均的相对速度，图24(c)为分析交叉口左转弯后两车对向行驶的预测误差中相对速度的标准差，图24(d)为分析交叉口左转弯后两车对向行驶的预测误差中预测误差的分布函数，图24(e)为分析交叉口左转弯后两车对向行驶的预测误差中10对转弯后对向行驶的节点的平均预测误差；

图25为平均相对速度u，相对速度标准差σ和两车链路断开时相对速度所行驶过的距离L对链路时延预测的影响图。

具体实施方式

具体实施方式一：结合图1、图2理解本实施方式，本实施方式所述的面向城市道路环境考虑交叉路口的VANETs中V2V的链路时延动态预测方法，建立扩展的链路时延预测模型(Extended Link Duration Prediction，ELDP)模型；为了精确预测两个汽车能链接多久，链路时延模型必须克服下列三个挑战：(1)它必须解决汽车在交叉口转向对链路时延的影响，(2)它必须能够调整适应车速的变化，(3)它必须能够解决交通灯对链路时延的影响。为了解决第一个挑战，本发明在ELDP模型里考虑汽车转向角度。为了解决第二个挑战，本发明提出使用两车的相对速度的分布而不是瞬时速度计算预期要发生的汽车间的链路时延。为了解决第三个问题，本发明用概率为汽车在交叉口建模，然后计算了由于交通灯所导致的链路时延。为了分析汽车和交通灯对两车间链路时延的影响，本发明分别考虑了汽车在城市道路环境环境中的交叉口处的转向。图1给出了汽车在路上交叉口处的所有转向方式包括左转和右转。

本发明在图2中详细地给出了两车在交叉口处转向包括左转和右转。箭头指出汽车行驶的方向，r是无线传输的半径，d_i代表的是当每一秒预测链路时延时两车之间的初始距离，d_i＜r，i＝1，2，3，……，n，ELDP预测在下面假设下预测通过交叉口的链路时延：i)汽车沿着汽车真实轨迹的切线方向行驶直到链路断开，ii)直到链路断开时，两车的速度保持恒定不变。当链路断开时，两车之间的距离是无线通信半径r。上述假设也被应用于预测直行的链路时延预测，也就是说，在切线和真实汽车轨迹之间的夹角是零度。

步骤一、计算链路断开时两车的相对距离；步骤二、估计两车的相对速度分布；步骤三、基于步骤一与步骤二预测两车的链路时延，具体如下：步骤三一、计算两车链路时延所需的相关因素，包括两车的相对速度v，两车之间的初始距离d，两车的行驶方向；步骤三二、在步骤三一的基础上，计算两车遇到交通灯时的链路时延，具体计算时分为以下情况：第一种情况：两车均遇上绿灯，汽车n₁和n₂位于交叉口的同一侧，并且两车同向行驶，n₁在n₂前面，汽车n₁的平均速度μ₁比汽车n₂的平均速度μ₂大；第二种情况：汽车n₁遇上绿灯，汽车n₂遇上红灯，汽车n₂停在了红灯前面，链路断开的时间段分为(0，t₂₁)，(t₂₁，t₂₂)，(t₂₂，∞)，t₂₁为汽车n₂遇上红灯的时间，t₂₂为汽车n₂在红灯结束后离开交叉口的时间；第三种情况：汽车n₁遇上红灯，汽车n₂遇上绿灯，汽车n₁停在红灯前面；第四种情况：汽车n₁和汽车n₂均遇上红灯。

具体实施方式二：结合图3～图5理解本实施方式，本实施方式与具体实施方式一不同的是：步骤一所述的计算链路断开时两车的相对距离的具体过程为：步骤一一、以一个汽车的位置作为坐标原点建立一个平面直角坐标系如图3中(a)所示，假定汽车能够以任何角度向前行驶，这个角度是车速方向和水平轴之间的夹角。角度变化从0°度到360°，也就是说在坐标系中可以为任何方向。车速方向是汽车在路上行驶的真实方向，速度的值为为了分析汽车链路时延，例举了汽车n1和汽车n2分别沿着α和β向前行驶，α和β是汽车移动方向和x轴之间的夹角，如图3中(b)所示，α，β∈[0，2π]，根据几何向量三角形法则计算图3中(b)中的两车的相对速度向量定义新坐标系以汽车n1位置O′为坐标原点，汽车n1速度向量为把汽车n2速度向量平行移动到得到相对速度向量为：向量和的坐标为： $\begin{array}{c}\stackrel{\→}{v_1}=(v_1\cos \mathrm{\α},v_1\sin \mathrm{\α})\\ \stackrel{\→}{v_2}=(v_2\cos \mathrm{\β},v_2\sin \mathrm{\β})\end{array}---\left(1\right)$ 其中v₁为汽车n1的速度，v₂为汽车n2的速度；坐标用等式(2)表示，令： $\left\{\begin{array}{c}V=v_1\cos \mathrm{\α}-v_2\cos \mathrm{\β}\\ A=v_1\sin \mathrm{\α}-v_2\sin \mathrm{\β}\end{array}\right.---\left(3\right),$ 等式(2)用等式(4)重新表示： $\stackrel{\→}{l_1}=(B,A)---\left(4\right)$ 方向在第一象限，第二象限，第三象限或者第四象限，值等于如图4所示。

两车分别沿不同的方向和各自的速度向前行驶，如图3中(b)坐标系所示，根据相对运动原理，假定汽车n1不动，汽车n2则以两车的相对速度向前行驶，以汽车n1的位置作为坐标原点建立新的坐标系，把原坐标系平移建立新的坐标系如图5所示，新的坐标系的坐标原点为O′。图5中，汽车在新的坐标系中行驶，汽车n1和汽车n2在原坐标系中的坐标为(x₁，y₁)和(x₂，y₂)，所以汽车n2在新坐标系中坐标为D(x₂-x₁，y₂-y₁)，所有下列的推导都是在新坐标系中进行的。汽车n1和汽车n2的相对速度为另一个向量垂直于向量交点为E，v₁和v₂的初始距离为d，d_v是原点O′到向量的垂直距离，汽车n2以相对速度从点D到链路断开的位置D₀行驶，如果距离O′D₀正好等于无线通信半径r，汽车n1和汽车n2之间的链路将会断开，那么汽车n2从点D行驶到点D₀的时间为链路断开时间，因此每一秒预测的链路时延等于汽车n2从点D行驶到D₀所用的时间。

步骤一二、链路断开时两车的相对距离DD₀：给出两条直线l₁和l₂的标准方程，根据直线标准方程的原则，采用点D(x₂-x₁，y₂-y₁)和直线l₁的方向向量建立直线l₁的标准方程如下，

l₁：直线l₁垂直于l₂，因此，两条直线的方向向量点乘积为等于0，所以直线l₂的方向向量能够被表示为等式(7)， 利用坐标原点O′(0，0)和直线l₂的方向向量建立直线标准方程， 本发明联立方程(5)和(8)， $\left\{\begin{array}{c}\frac{x}{-A}=\frac{y}{B}\\ \frac{x-(x_2-x_1)}{B}=\frac{y-(y_2-y_1)}{A}\end{array}\right.---\left(9\right),$ 因此点E坐标能够得到：

点到直线的垂直距离d_v能够用空间中点到直线的距离的计算公式计算如下：向量表示成等式(10)，向量表示为等式(11)，

$\stackrel{\→}{l_1}=(B,A,0)---\left(11\right),$ $|\stackrel{\→}{l_1}\×\stackrel{\→}{{\mathrm{Do}}^{\′}}|=\left|\left|\begin{array}{ccc}i& j& k\\ B& A& 0\\ x_2-x_1& y_2-y_1& 0\end{array}\right|\right|=B(y_2-y_1)-A(x_2-x_1)---\left(12\right)$

所以距离ED0和ED根据三角形勾股定理分别计算如下，

${\mathrm{ED}}_0=\sqrt{r^2-d_v^2}---\left(14\right)$ $\mathrm{ED}=\sqrt{d^2-d_v^2}---\left(15\right)$

具体实施方式三：结合图6理解本实施方式，本实施方式与具体实施方式一或二不同的是：步骤一二所述的链路断开时两车的相对距离DD₀分为四个象限具体计算，其中，第一象限的计算过程为：如果B＞0并且A＞0，在第一象限，分为如下两种情况：(1)图6中(a)给出了点D的横坐标比点E的大，也就是说， $(x_2-x_1)>\frac{A^2*(x_2-x_1)-A*B*(y_2-y_1)}{A^2+B^2}$ 所以DD₀＝ED₀-ED  (16)

把(14)和(15)代入(16)式，则(16)式被推导如下，

${\mathrm{DD}}_0=\sqrt{r^2-d_v^2}-\sqrt{d^2-d_v^2}---\left(17\right)$

(2)图6中(b)给出的点D很坐标比点E的横坐标小，也就是说，

所以本发明能够获得DD₀的值，DD₀＝ED₀+ED(18) ${\mathrm{DD}}_0=\sqrt{r^2-d_v^2}+\sqrt{d^2-d_v^2}---\left(19\right).$

具体实施方式四：结合图7理解本实施方式，本实施方式与具体实施方式一至三之一不同的是：步骤一二所述的链路断开时两车的相对距离DD₀在第二象限的计算过程为：如果B＜0和A＞0，是在第二象限，分为如下两种情况：

(1)图7中(a)给出了点D的横坐标比点E小，也就是说听以本发明通过等式(20)能够计算DD₀值，DD₀＝ED₀-ED  (20)等式(20)被重新推导如下， ${\mathrm{DD}}_0=\sqrt{r^2-d_v^2}-\sqrt{d^2-d_v^2}---\left(21\right)$

(2)图7中(b)给出点D的横坐标比点E的横坐标的大，也就是说

所以DD₀＝ED₀+ED  (22)，等式(22)又被表示成下式，

其它步骤与具体实施方式一至三之一相同。

具体实施方式五：结合图8理解本实施方式，本实施方式与具体实施方式一至四之一不同的是：步骤一二所述的链路断开时两车的相对距离DD₀在第三象限的计算过程为：如果B＜0和A＜0，在第三象限，分为如下两种情况：(1)图8中(a)指出点D的横坐标笔点E的小，也就是说

$(x_2-x_1)\≤\frac{A^2*(x_2-x_1)-A*B*(y_2-y_1)}{A^2+B^2},$ 所以DD₀值被推导为： ${\mathrm{DD}}_0=\sqrt{r^2-d_v^2}-\sqrt{d^2-d_v^2}---\left(24\right)$

(2)图8中(b)指出点D的比E的横坐标大，听以

${\mathrm{DD}}_0=\sqrt{r^2-d_v^2}+\sqrt{d^2-d_v^2}---\left(25\right).$

具体实施方式六：结合图9理解本实施方式，本实施方式与具体实施方式一至五之一不同的是：步骤一二所述的链路断开时两车的相对距离DD₀在第四象限的计算过程为：如果B＞0和A＜0，在第四象限，分为如下两种情况：

(1)图9中(a)表明点D的横坐标比E的大，也就是说，

$(x_2-x_1)>\frac{A^2*(x_2-x_1)-A*B*(y_2-y_1)}{A^2+B^2}$ 听以DD₀＝ED₀-ED  (26) ${\mathrm{DD}}_0=\sqrt{r^2-d_v^2}-\sqrt{d^2-d_v^2}---\left(27\right)$

(2)图9中(b)表明点D横坐标比E的小，也就是说，

$(x_2-x_1)\≤\frac{A^2*(x_2-x_1)-A*B*(y_2-y_1)}{A^2+B^2},$ 听以DD₀＝ED₀+ED  (28) ${\mathrm{DD}}_0=\sqrt{r^2-d_v^2}+\sqrt{d^2-d_v^2}---\left(29\right)$

综上，如果在第一象限和第四象限，那么求解DD₀的值的方法是相同的，如果在第二、三象限，本发明采用上述方法计算DD₀值。

具体实施方式七：本实施方式与具体实施方式一至六之一不同的是：步骤二所述的估计两车的相对速度分布的具体过程为：在文献[37]，[38]，[39]中，研究表明车速服从正态分布。假定一个汽车的速度v是一个随机变量且服从正态分布，v～N(μ，σ²)，它的概率密度函数(PDF)为：实际上，当汽车行驶在道路上时候，速度是一个向量，也就是说，因此，速度不仅有值而且有方向，速度向量值为速度向量的方向沿α角，这个角度是汽车行驶方向和水平轴之间的夹角。因为上面提到了车速服从正态分布，其实是速度向量的值服从正态分布，也就是服从正态分布，因为因此，等式(30)推导为(31)，关于任意两车的速度，和那么两车的相对速度为听以服从正态分布，两车相对速度的概率密度函数(PDF)用等式(32)表示，估计任意两车之间的相对速度的分布，需要采集相对速度的样本，比如，一个相对速度的向量的样本集合那么它的向量值的集合为它们可以从一个正态分布的N(μ，σ²)成员中获得，利用极大似然法估计μ和σ²，这种方法的最大化似然函数lnL(μ，σ²)，可以用下式表示求关于μ和σ²的导数并且产生极大似然估计，其中是μ的估计，n为样本的个数，为第i个样本的速度值，.它也叫做样本平均值，因为它是所有样本的算术平均值.因为是同一最小方差的无偏(uniformly minimum variance unbiased，UMVU)估计，它的正态分布[45]，比如因此，的标准误差是和成比例的，比如，样本集越大，估计误差越小。估计σ²，使用样本方差S²，它的平方根s被叫做样本标准差。其中，n为样本的个数，为第i个样本的速度值，其中为样本方差，因为它是样本的方差。使用S²(而不是)估计σ²，因为S²是无偏估计而是有偏估计[45]。为了避免存储器溢出，记录只有相对速度的一定数量的样本，因此只有最近5s的样本被考虑用来估计参数μ和σ。即可得到相对速度服从如下正态分布：

具体实施方式八：本实施方式与具体实施方式一至七之一不同的是：步骤三一所述的计算两车链路时延所需要的相关因素，具体为：假定绝对和相对的速度服从正态分布，任意连接的两车间的链路时延能够通过相对行驶的距离计算。把两车间的链路时延看作一个随机变量T。这个随机变量的分布高度地依赖于以下三点：1)两车的相对速度v，2)两车之间的初始距离d，3)它们的相对的行驶方向。因为这三个因素在两车链接过程中也许会变化，预测模型必须自适应地调整预测原则来计算准确的结果。

为了确定T的分布，本发明首先介绍相对行驶距离L的概念。假设两车同向行驶，如果后车的车速比前车车速大，L变成了r+d，r是通信半径，否则L＝r-d。当两车对向行驶的时候，如果它们互相远离，L＝r-d。否则，L＝r+d，因为它们彼此朝向对方行驶。在过了相遇点后相对距里在逐渐增大，彼此才互相远离。

具体实施方式九：结合图12理解本实施方式，本实施方式与具体实施方式一至八之一不同的是：步骤三二所述的计算两车的链路时延的过程为：随机变量T的分布函数CDF如下，

$F\left(T\right)=P(T\≤t)=P(\frac{L}{|\stackrel{\→}{v|}}\≤t)=1-P\left(\right|\stackrel{\→}{v}|\≤\frac{L}{t})---\left(36\right)$ 其中，是两车之间相对速度向量的值。

上述等式中两边对t求导，随机变量T的概率密度函数为：因为相对速度向量的值服从正态分布，等式被重新写成下式，式中μ和σ是相对速度向量的平均值和标准差。因此，预期的链路时延能够用下式计算，

因为相对速度向量的值服从正态分布，几乎99％的速度向度向量的值分布在[μ-4σ，μ+4σ]范围内，所以定义速度向量的值可能的最大值和最小值分别为μ+4σ和μ-4σ，因此，定积分的间隔从[0，∞]减小到[L/(μ+4σ]，L/(μ-4σ)]。最后，根据步骤一和步骤二的结果，无交通灯的链路时延预测公式为：

$E\left(T\right)={\∫}_{\frac{L}{\mathrm{\μ}+4\mathrm{\σ}}}^{\frac{L}{\mathrm{\μ}-4\mathrm{\σ}}}\frac{L}{t\sqrt{2\mathrm{\π}}\mathrm{\σ}}{e}^{-\frac{{(\frac{L}{t}-\mathrm{\μ})}^2}{2{\mathrm{\σ}}^2}}\mathrm{dt}---\left(40\right)$

通过公式(40)计算两车以任意状态在城市道路环境的链路时延。

具体实施方式十：结合图10、图11(a)、图1l(b)、图11(c)和图11(d)理解本实施方式，本实施方式与具体实施方式一至九之一不同的是：步骤三二所述的链路时延预测过程具体为：

第一种情况：两车均遇上绿灯，汽车n₁和n₂位于交叉口的同一侧，并且两车同向行驶，n₁在n₂前面，汽车n₁的平均速度μ₁比汽车n₂的平均速度μ₂大，将L＝r-d代入公式(40)中，计算得到链路断开时间；第二种情况：汽车n₁遇上绿灯，汽车n₂遇上红灯，汽车n₂停在了红灯前面，链路断开的时间段分为(0，t₂₁)，(t₂₁，t₂₂)，(t₂₂，∞)，t₂₁为汽车n₂遇上红灯的时间，t₂₂为汽车n₂在红灯结束后离开交叉口的时间：如果链路在(0，t₂₁)期间断开，链路断开时间依据公式(40)进行计算；如果链路在(t₂₁，t₂₂)期间断开，将相对速度v₁与L＝r-d′代入公式(40)中进行计算，d′为两车在红灯期间链路断开时的初始距离；如果链路在t₂₂后断开，将L＝r-d″代入公式(40)进行计算，d″为两车在红灯结束后链路断开时的初始距离；第三种情况：汽车n₁遇上红灯，汽车n₂遇上绿灯，汽车n₁停在红灯前面，链路在(0，t₁₁)期间断开，将L＝r-d代入公式(40)进行计算，链路在(t₁₂，∞)断开时，将L＝r-d′代入公式(40)进行计算，t₁₁为汽车n₁遇上红灯的时间，t₁₂为汽车n₁在红灯结束后离开交叉口的时间；第四种情况：汽车n₁和汽车n₂均遇上红灯，链路断开的时间段分为：(0，t₁₁)，(t₁₁，t₁₂)，(t₁₂，t₂₁)，(t₂₁，t₂₂)，(t₂₂，∞)，链路断开的时间分别按照前三种情况进行计算。

因为不可能知道一个汽车在原始的方向将会继续前进还是准备停下来，采用概率为汽车遇上红灯或者绿灯的机会建模。虽然一些目前的研究考虑了交通灯的影响，他们简单地认为两个连续的汽车遇上交通灯组合的事实是独立的，参见文献[44]，这和实际情况不相符。在本发明的ELDP模型中，本发明反而认为这些事实不是独立的，因此使本发明的模型更具实际意义。事实上，考虑实际中的独立驾驶行为，两车在交通灯前面行驶是相互独立的，不过，两个连续的汽车遇上交通灯组合的事实是相关的，参见文献[44]。换句话说，第二个汽车遇上什么交通信号很大程度上取决于第一个汽车遇上的交信号。这个现象在文献[44]中已经被观察到并且建模了，在该文献中，两个汽车n₁和n₂遇上红灯的概率被定义为式中条件概率能够用两车的相对速度和相对距离计算，计算式如下，上式中L是汽车n₁到达交叉口时汽车间的距离，L/u₁₂是汽车n₂到达交叉口所用的时间，t_r是红灯信号的周期，t₁是汽车n₁到达交叉口的时间，t_r-t₁是汽车n₁到达交叉口后红灯的剩余时间。这个概率不是一个常量并且它取决于汽车n₁最初到达交叉口的时间。通过假设两个连续汽车遇上交通灯的组合事实是相关的，本发明细化了链路时延模型如下。

当汽车n₁和n₂接近一个交叉口时，它们的移动就会极大地受到位于交叉口交通灯的影响。如图11(a)～图11(d)所示，n₁如果遇上绿灯的话会继续向前行驶，如果在红灯周期内就会停在交通灯前面。类似的情况在汽车n₂上也会发生。即使本发明知道一个汽车将会遇上什么交通信号，比如一个红灯，也不可能知道它将会停在这个信号前面多久。本发明发现汽车n₁和n₂到达交叉口的时刻(t₁和t₂)是可以计算的。基于t₁和t₂时间差，本发明能够以概率的形式为一个汽车遇上什么信号和多久建模。正如图11(a)～图11(d)所示，L₁为汽车n₁距交叉口的距离，那么到达交通灯前面的预期的时间E(t₁)能够用等式(40)计算，式中用L₁代替L，式中的u和σ可以用汽车n₁的速度来计算。E(t₂)也可以用同样的方法计算出来。

正如图10所示，给定了n₁和n₂到达的时间差，本发明能够构建一个带两个汽车的“哑铃”，两个汽车就像两个球，条形的长度表示t₂-t₁。那么，哑铃随机地被放在由中间和两端部分条形组成的直线上，这条直线道表示中间和两端的交通灯的周期。因为直线上哑铃的位置服从均匀分布，每一个位置的概率将会是其中t_g和t_r为红灯和绿灯信号的时间。对于每一种可能哑铃放置的位置，一个汽车将会遇到的信号的类型和长度都是确定的。为了计算一个具体的场景的预期的链路时延，本发明需要参考图11(a)～图11(d)。

假设汽车n₁和n₂位于交叉口的同一侧，并且两车同向行驶，n₁在n₂前面，平均速度μ₁比μ₂大。在图11(a)情况中，绿灯允许两车n₁和n₂通过交叉口不停下来，等式40中的L＝r-d，预期的链路断开时间t能够计算。在图11(b)的第二种情况，只有汽车n₂停在了红灯前面。链路在下面几个时间段内有可能断开(0，t₂₁)，(t₂₁，t₂₂)，or(t₂₂，∞)，这取决于它们的相对速度等。如果链路在(0，t₂₁)期间内断开，在等式40中L＝r-d。如果链路在(t₂₁，t₂₂)期间断开，在等式40中，相对速度v被更新到速度v₁并且L＝r-d′。否则，链路在t₂₂后断开，等式40中本发明使用L＝r-d″来计算链路断开的时间。

对于图11(c)，汽车n₁停在了红灯前面，本发明首先需要确定链路是在(0，t₁₁)断开还是在(t₁₂，∞)断开，对于第一种情况，等式40中的L被设置为r-d。对于后一种情况，等式40中被设置为L＝r-d′。对于图11(d)第四种情况比其它的更复杂。因为这两个汽车都因为红灯停了下来，链路可能在五个期间断开，(0，t₁₁)，(t₁₁，t₁₂)，(t₁₂，t₂₁)，(t₂₁，t₂₂)，or(t₂₂，∞)。如果链路在某一个期间内断开，相对速度和相对行使的距离应相地被更新。

n₁和n₂也可能在交叉口的两侧。汽车n₁和n₂也有可能为对向行驶，n₁可能在n₂的后面并且μ₁＜μ₂。对于不同的情况，相似的方法仍然可以用于计算链路时延。基于链路时延的预测模型ELDP，任意一辆车都可以预测它和自己传输范围内的所有车辆的链路时延。在某一时刻，假设汽车n_i和n_j是连接的。基于汽车速度向量和值的分布及汽车n_i和n_j之间的相对距离，两车之间的链路时延能够被估计。假设每个车的滑动窗口是5，那么汽车n_j保存它的最近5秒钟的速度样本这5个速度样本将被广播给下一个信标周期内的邻居汽车。因为汽车n_i在n_j的无线传输范围内，这些速度样本将被n_i接收。与它自己的速度样本对比，n_i能够计算相对速度其中，k＝1，2，....5。根据5个速度样本汽车n_i和n_j之间的相对速度向量值的分布根据等式34和35能够被估计。在每一个信标内，也包含了一个汽车的位置信息，所以n_i和n_j之间的初始距离L_ij也同样能够计算出来。用估计值μ_ij，σ_ij和L_ij代替等式40中的μ，σ和L，n_i和n_j之间的预期链路时延计算。

一个汽车的速度也许会由于前面的汽车突然刹车而戏剧性地下降或者如果由于它超车而增加。这样在相对速度方面的突然变化能够导致链路时延结果的巨大变化。为了避免这样的问题，采用EMA(Exponntial MovingAverage)法预先处理了一个汽车的速度。上式中是在t时刻被处理的速度值，这一时刻的瞬时速度向量的值。因为是速度向量值样本从0到t时刻的线性组合，并且从到服从正态分布，所以也服从正态分布。换句话说，本发明提出的预测模型仍然适用于通过EMA法处理过的速度值样本。汽车n_i和n_j链路时延预测的过程严格遵循流程图12，令：

$x_D=x_2-x_1,x_E=\frac{A^2*(x_2-x_1)-A*B*(y_2-y_1)}{\sqrt{A^2+B^2}}$

根据模型ELDP的分析，当汽车n_i收到一个来自汽车n_j的信标，计算它们之间的相对速度和相对距离，然后估计相对速度的平均值和标准差，最后，计算等式40中的链路时延。

本发明的仿真验证如下：因为VANETs中汽车移动性模型是一个影响ELDP模型准确性的重要因素，我们通过VISSIM模拟器[46]产生汽车的运动轨迹，这个模拟器是一个微观的交通模拟器并且已经被广泛使用的一个分析工具，用来设计和评估各种交通系统。VISSIM是功能齐全的交通模拟器，提供友好的用户建模接口，具有为大规模交通运输网络建模的能力，在一个相当详细的层面上来分析汽车间的互动，比如，换道或者超车，以及汽车间和交通系统。VISSIM能够获得关于每一辆车的时间尺度上的详细状态变量信息甚至比妙级的更准确[47]。它们能够模拟表面的街道网络，自由公路，立体交叉道等，停车或者交通控制交叉口。

当预测两个连接的汽车间的链路时延时，ELDP考虑三个主要因素：相对速度的分布，交通灯和汽车转向。为了评价ELDP模型的性能，我们两个场景来反映以上三点的影响。首先，在城市道路环境场景，汽车已相对稳定的速度行驶，我们分析了相对速度的分布将会怎样影响模型的准确性。第二，在城市场景里，由于交通灯导致汽车速度频繁变化，我们分析了交通灯怎样影响模型的预测结果。最后，我们也评价了汽车转向对模型预测准确性的影响。在城市道路环境，两车间相对的移动方向也会极大地影响ELDP模型的性能。当两车彼此朝向对方行驶或互相远离的时候，它们之间的相对距离会保持相应地减小或增加，因此ELDP模型能够准确地预测它们之间的链路时延。不过，当两车以非常相近的速度同向行驶，紧跟着的汽车也许超车，也许不会超车，ELDP模型暂时不预测直到相对速度变得比阈值大。

预测城市场景的两车的链路时延是一个挑战，因为很难预测一个汽车将会遇上什么类型的交通信号，而且，汽车在交叉口还会转弯。为了模拟真实地城市场景，在VISSIM模拟器中所有的模拟参数在表格1中被给出。在道路中间，具有交通灯信号的交叉口被设置。基于它们通过交叉口的行驶轨迹的特点，汽车对被分组：(1)两车在公路上直行不改变方向，(2)一个汽车直行不改变方向和另一个汽车左转通过交叉口，(3)一个汽车直行不改变方向和另一个汽车右转通过交叉口，(4)一个汽车左转通过交叉口和另一个汽车右转通过交叉口，(5)两个车都左转通过交叉口。带有转向的链路时延的预测误差如何呢？当然，这和两车在交叉口之前的行驶方向之间的夹角(两车的行驶方向)有关系，但是我们只关注两车在通过交叉口后的两车行驶方向之间的角度。按照两车的行驶方向，两车行驶轨迹之间的夹角被分为三类：i)角度等于0，ii)角度等于iii)角度等于π。

在城市场景中，当连接的两车通过交叉口时，我们要求至少一个汽车遇上红灯，除了我们强调两车都遇上绿灯的情况外。

表格1

(1)两车直行并且在交叉口处不转向

在这种情况里，两车同向或者对向行驶通过交叉口并且不转向。也就是说，i)两车行驶方向和x轴之间的夹角是0或者是π，ii)一个车的行驶方向和x轴之间的夹角是0或π，另一个车和x轴之间的夹角是π或0。表格1中给出了交叉口的交通灯的参数如表格1所示。

我们随机的选择了一对对向行驶的汽车图13(a)和图13(b)给出了两个随机节点的相对速度的标准差和平均的相对速度，从这两图看出，相对速度变化快。图13(c)给出了从链路开始连接到断开的预测时延和模拟时延的比较，我们能够看出预测时延曲线仅仅跟随模拟时延，只是有一点小的波动。从图13(d)，我们能够清楚地看出大约72％的预测结果误差小于14％。然后，我们随机选择另外9对对向行驶节点，和这对例子节点一起制作了平均预测误差条形图如图13(e)所示，我们也给出了10对同向行驶的节点的平均预测误差，把它们放在一个图里比较。从对向行驶的10对节点来看，大多数平均误差小于15％。另外，我们发现，对向行驶的误差普遍比同向的小。正是因为对向行驶的相对速度比同向的变化大。这些结果再一次支持了我们的结论，ELDP对于对向行驶的链路时延能够更准确地预测。另外，我们画出了两车都遇上绿灯驶过交叉口的10对同向节点和10对同向节点的平均预测误差如18中(f)所示，所有的预测误差比有交通灯的情况小如13中(e)中的小。这表明交通灯对链路实验预测的影响很大。另外我们也发现，在图13f中绿灯驶过交叉口的情况，对向行驶的预测误差普遍小于同向行驶的情况。

(2)一个汽车直行，另一个汽车左转通过交叉口

考虑汽车行驶方向对链路链接时延的影响，尤其在交叉口转弯后，汽车对被分成三类：i)在交叉口转向后，两车同向行驶，也就是说，两车行驶轨迹和x轴之间的夹角为0或π，ii)交叉口转向后，两车对向行驶，也就是说，两车的行驶方向之间的夹角为π，iii)一个车在交叉口转弯后，两车行驶方向之间的夹角为也就是说，两车以直角方向行驶。

(i)当一个车在交叉口转弯口，两车同向行驶

当一个汽车在交叉口转弯后，两车同向行驶。图14(c)给出了一对随机节点的预测时延和模拟时延的比较，其中一个汽车左转通过交叉口，另一个汽车直行通过交叉口，从这图看出，两车链接了27s，我们能看出预测误差随着模拟时间的增加而减小。预测误差13s前大，这是因为直行的汽车(n₁)在13s的时候遇上了红灯停在了交叉口前面直到链路断开，另一辆汽车(n₂)在交叉口处左转，然后继续向前行驶，所以两车的相对速度在[0，13]期间变化大。在13s后预测结果的不确定性的因素减少，所以预测误差减小。因为在交叉口前n₂驶向n₁，所以等式中40中的预测距离为R+d，n₂在交叉口转弯后继续向前行驶，因此相对距离被设置为R-d，然后，相对距离持续增长直到链路断开。为了理解图14(c)的数据的波动，我们用图14(a)给出了相对速度的波动，它能够表明在[10，17]期间，n₁停下和n₂左转通过交叉口，这也支持了上面的结论。我们进一步画出了图14(b)的模拟期间两车平均速度的变化，在[8，21]期间，平均速度线性递减因为汽车n₁停在了交叉口前面，在其它时间阶段，相对速度波动小。因此，随着相对距离和速度调整，预测误差变得很小。

从上面分析看，我们能够看出速度的稳定性对于ELDP预测误差是很重要的。正如图14(d)所示，相对速度的波动导致了小的预测误差，从图14(d)的预测误差的分布函数中看得出来，我们发现80％的预测结果误差小于10％。为了分析ELDP模型预测交叉口处左转和直行情况的的链路时延总体的性能，我们随机选择了另外9对汽车的平均预测误差，和本对例子节点的平均预测误差放在一起制作了图14(e)的条形图，这如我们看见的，80％以上的预测结果的误差小于10％。虽然汽车在交叉口处左转并且一个车遇上了红灯，ELDP也能够准确的预测链路时延，它也证明相对速度变化是影响ELDP预测误差的主要因素。

(ii)在交叉口转弯后对向行驶

当一个车左转通过交叉口后，两车对向行驶，也就是说，两车行驶方向之间的夹角为π，对于这种情况，因为两车都驶向交叉口，所以预测距离为R+d。图15(a)给出了一对随机节点的预测和模拟的时延，从这图看出，由于直行的汽车的节点n₁在12s遇上红灯，所以它停在了交叉口直到链路断开，它的速度变化多，而n₂左转通过交叉口时，所以由于交通灯和转向角度的影响，预测距离和相对速度变化得多，所以预测误差在转弯后大，相对速度变化在图15(b)能够清楚地看见，转向后，汽车n₂继续向前行驶直到链路断开，在图15(c)，在[0，12)时间段，因为n₁停在了交叉口前面，导致了平均速度变化大，在[12，31)阶段，因为n₁速度缓慢增加，所以平均速度线性增加，最后，n₂的速度减小，所以平均速度也相应地减少。相对距离也减少，所以预测距离为R-d。

转弯之前预测误差较大主要是因为以下两点：1)在交通灯前面停得太久，2)速度变化快。第一个理由没有有用的信息能够从停在交通灯前面的汽车采集到。我们建议ELDP模型应该用在移动的汽车上而不是静止的汽车，正如我们感性趣的高动态的VANETs的链路时延预测，假设汽车汽车在道路上行驶是合理。正如我们期待的一样，从预测误差分布函数图15(d)可看到72％的预测结果的误差小于10％。为了进一步分析总体误差的分析，我们随机抽取了10对汽车并且画出了图15(e)的平均误差条形图，我们发现90％的预测结果具有小于10％的误差。

(iii)一个车在交叉口左转后，两车行驶方向之间的夹角为也就是说，两车以直角方向行驶。

当一个车在交叉口左转后，两车以直角方向继续行驶，在这种情况下，当汽车(n₁)左转驶过交叉口后，汽车(n₂)直行不改变行驶方向，不过，它遇上了红灯停在了交叉口直到链路断开。从图16(a)可以看出预测和模拟时延差很小，虽然有交通灯和转弯的影响相对速度和相对距离，预测误差也很小，正如图16(d)所示，大约88％的预测结果具有小于10％的误差。图16(b)给出了相对速度的标准方差的变化，在[1，5]时间段内，因为n₁从1s到5s在交叉口处左转并且它的速度慢慢地下降，n₂速度缓慢地增加，所以导致了非线性的变化，所以平均速度在这个期间内同样的变化趋势，如图16(c)所示。然后平均速度线性下降直到链路断开，从第5s到18s，相对速度的标准差变化具有不确定性，是因为两车的速度变化没有确定性，在[19，23]期间，直行的汽车遇上了红灯，因为相对速度的变化，标准差也会波动。因为另一个车的速度下降，平均的相对速度也随之下降，不过，总的平均速度大于16m/s，所以平均速度是决定预测误差的主要因素。虽然相对速度、转弯的角度、红灯和相对距离影响预测误差，通过调整预测距离计算的方法和相对速度，ELDP预测误差能够令我们满意，正如我们在图16(e)看到的，平均预测误差小于9％。总之，根据汽车在交叉口转向后的行驶方向的分类，我们讨论了上面提到的三种预测误差，虽然许多因素影响预测误差，通过比较三类预测结果，我们发现大多数预测误差小于10％。所以我们认为ELDP模型可以准确地预测交叉口带有转向的两车的链路时延。

(3)一个汽车直行，另一个汽车右转通过交叉口

根据汽车驶过交叉口的行驶方向，汽车对被分成三类：i)在交叉口转向后两车同向行驶，也就是说，两车行驶方向之间的夹角0，ii)当两车驶过交叉口后，两车对向行驶，也就是说，两车行驶方向之间的夹角为π，iii)当一个车在交叉口右转之后，两车的行驶方向之间的夹角为也就是说，两车以直角方向的形驶。我们将会详细解释每一种情况的链路时延的预测。

(i)交叉口转弯后同向行驶：对于两车在交叉口处右转和直行的情况，直行的车辆遇上了红灯，根据实际的交通规则，右转的车辆不会遇上红灯，我们假设在一个汽车在交叉口右转后两车同向行驶，也就是说，两车行驶方向之间的角度为0。

图17(a)给出了一对随机的节点的预测时延和真实的链路时延比较。在整个模拟过程中，预测误差都很小，预测误差总体上看小于0.5s，正如从预测误差的分布函数图17(d)看出，84％的预测结果有小于6％的误差，为了理解预测结果围绕着真实的链路时延轻微的波动，我们进一步画出了图17(b)和图17(c)代表相对速度的标准差和平均度，平均速度在以下三个阶段变化不同：[1，9)，[9，20)，[20，21)，[21，30]，相应地，相对速度的波动在b中看得出来，从0s到9s，两车在道路上同向行驶，因为两车速度的变化，平均速度总体呈非线性的增长，虽然5s以后有点下降；在[9，20)时间段，两车彼此驶向对方，相对距离变得下降，所以预测距离是R+d，从9s到to 20s，右转的汽车在交叉口转弯并且直行汽车因为红灯停在了交叉口，所以平均速度下降的快，因此两车之间的相对距离增加，公式40中的预测距离将变为R-d。在时间段[20，21)内，因为右转的汽车速度增加并且转弯后在直行的公路上继续行驶，所以平均的相对速度增加，预测距离为R-d，从1s到21s，我们能够看出相对速度巨大地波动，所以预测时延围绕模拟时延波动，21s后，右转的汽车速度变得平稳，预测误差也变得小了。不过，随着两车间的相对速度和相对距离的自动调整，预测误差会变小。我们也建议ELDP模型用在移动的汽车上而不是静止的车辆，比如VANET，假设车辆是在道路上行驶的也是合理的。

从上述预测误差的分析看，我们能够看得出相对速度的稳定性对于ELDP预测的准确性很重要，正如图17(b)所示，相对速度的波动会导致巨大的误差。从图17(d)看出，93％以上的预测结果具有小于10％的误差。为了分析总体的预测误差，我们给出了图17(e)的随机10对节点的平均预测误差，从该图看得出所有的预测误差小于4.5％。所以，对于交叉口右转和直行的车辆而言，即使有交叉口转弯和红灯的影响相对距离和相对速度的变化，ELDP模型能够准确预测该种情况的链路时延。

(ii)在交叉口右转后，两车对向行驶，两车行驶方向之间的夹角为π。

对于这种情况，ELDP模型预测的链路时延的准确性如何呢？我们以一对具体的节点做例子来详细分析预测误差和影响误差的相关因素。当两车驶过交叉口后的行驶方向为对向。两车的平均速度戏剧性地变化如图18(b)所示，相对速度的标准差在图18(c)变化也大。在第3s的时候直行的车辆遇上了红灯一直停在交叉口直到链路断开，另一辆车从第19s到21s在交叉口右转，然后继续前行。因为红灯和转弯的影响，相对速度的标准差和平速度变化大，这表明，两车速度变化大。由于在3s之前两车彼此驶向对方，预测距离将是R+d，在3s之后，一个汽车右转并且驶离另一个汽车，预测距离将变成R-d，预测距离和相对速度不会变化大，预测误差就很小，正如图18(a)所示，预测时延和模拟时延很接近，从图18(d)的链路时延预测误差分布函数看，88％的预测结果具有小于5％的误差。从图18(e)的10对随机节点的平均预测误差看，所有的预测误差小于8％，正如我们预料的一样，交叉口的右转对模型预测的误差影响很小。这也进一步说明ELDP模型能够准确地预测两车在交叉口转弯后以直角方向行驶的两车链路时延。

(iii)两车通过交叉口后，汽车以直角的方向行驶，也就是说，两车行驶方向之间的角度为

我们用一对具体的例子详细解释预测误差。两车驶过交叉口的行驶方向之间的夹角为两车在第1s时初始化连接，并且在第25s时断开，在[1，12]时间段内，从图19(a)看出，预测误差看上去比以后的更大。这是因为汽车(n₁)从第7s到第9s转弯，第二个汽车(n₂)遇上了红灯并且停在了交叉口前，正如我们知道，当n₁在交叉口转弯时，它减速，n₂因为遇上了红灯，所以速度也在变化，所以两车相对速度变化大，这样导致了图19(b)的平均速度的变化。由于转弯前两车都向交叉口驶去，所以相对距离变小，预测距离应该为R+d。但是汽车n₁在交叉口右转后继续向前行驶，n₂停在了交叉口直到连路断开，因此相对距离变长，则预测距离为R-d。n₁的速度以后变化小，所以相对速度的平均速度变化也小，预测误差变小，预测和模拟时延在第12s后彼此很接近。上述分析看，我们能够看得出汽车的速度的稳定性对于ELDP预测准确性很重要，如图19(b)所示，两车速度的波动性将会导致相对速度的标准差变化快，导致相应的误差大。我们用图19(d)给出了预测结果的误差分布函数，令人满意的是72％的预测结果有小于8％的误差。我们进一步选择了另外9对节点，画出了图19(e)的平均预测误差，图中给出的结果表明，大多数平均预测误差小于8％。这种精确性足够支持上述提到的安全应用了。

(4)一个汽车在交叉口左转和另一个汽车在交叉口右转

为了证明ELDP预测两车在交叉口都转弯的有效性，我们采用了上述同样的方法给汽车分组，基于汽车驶过交叉口的行驶方向，汽车对被分为三类：i)同向行驶，ii)对向行驶，ii)直角方向行驶。我们会详细解释每一种情况的链路时延预测。

(i)两车在交叉口转弯后同向行驶

图20(a)给出了一对随机选择的汽车预测和模拟时延，当它们驶过交叉口时，两车同向行驶。从这图看出预测和模拟时延随着时间增加而减少，链路从1s开始连接到20s断开。在模拟期间，二者很接近。图20(b)和图20(c)给出了相对速度的平均速度和标准差，对于相对速度的变化有两个理由：1)第一个汽车右转，第二个汽车左传，结果是两车的相对速度将相应的变化。2)第二个汽车遇上红灯，它在交叉口前停留了3s直到红灯结束，然后它驶过交叉口继续前行，所以导致了相对速变化，3)两车的行驶方向也会变化，比如两车在交叉口前对向行驶。在第一辆汽车在右转之后，两车以直角方向行驶。在第二辆车左转后，两车同向行驶，所以两车行驶方向不断改变，它也会影响相对速度和相对距离。预测距离计算方法(R-d或R+d)基于相对距离调整。为了分析总体预测误差的分布，我们进一步画出图20(d)预测误差的分布函数，我们可以看得出75％的预测误差小于20％。我们更进一步抽取了10对节点画出了图20(e)的平均预测误差，很明显，大多数预测误差比前面一个汽车在交叉口转弯的情况大。

(ii)两车在交叉口转弯后对向行驶

图21(a)和图21(b)画出了相对速度的平均速度和标准差，相对速度的变化主要由红灯和交叉口转弯决定，i)汽车(n₁)在[24，27)右转的时候，汽车(n₂)在[33，36)期间左转，相对速度在两车转弯的时候具有小的变化并没有停下，只是缓慢地加速和减速，ii)但是n₂在第6s遇上了红灯并停下了，导致相对速度在6s前因为其减速而巨大变化，n₂在第26s时开始行驶，所以相对速度在6s前和26s后变化快，所以相对速度平均速度和标准差的相应的变化趋势在图21(a)和图21(b)中已经给出。另外，因为在交叉口转弯，两车的行驶方向不断变化，在链路开始连接时，两车同向行驶，当n₁首先右转后，两车以直角的方向行驶，当n₂左转后，两车以对向行驶。因此，由于相对速度和行驶方向的变化，预测距离计算方法也会变化(相对距离变得短，预测距离将变成R+d，否则，它是R-d)。因此，基于上述平均速度的变化和等式40中的预测距离变化，预测误差就会产生。预测误差在时间段[0，10)和[25，35)内比其它的时间段内大。在时间间隔[36，38]内，没有转弯和红灯的影响，相对速度变化小和预测距离的计算方法不会变化了，所以预测误差变小，所以通过调整相对速度和预测距离，ELDP能够改善预测准确性，这从图21(c)看得出来。从图21(d)看出，66％的预测结果的误差小于40％。最后，我们随机地选择了10对节点画出了平均预测误差条形图如图21(e)所示，我们发现大多数平均预测误差比一个汽车在交叉口转向的情况大。

(iii)两车在交叉口转弯后以直角方向行驶：当两节点在交叉口转弯后并且继续向前行驶的两节点的链路时延预测结果如何呢？我们以一对具体的节点为例分析预测误差。在模拟期间它们的行驶方向。图22(a)画出了从链路在1s时连接到33s断开时的预测和模拟时延。我们详细解释导致误差的原因：1)第一个汽车(n₁)在第11s遇上了红灯，n₁因为红灯缓慢减速，导致了汽车速度变化快，所以两车的相对速度也这样，它导致了11s前的误差。2)在时间段[15，21]内，我们能够看得出预测误差比模拟时延大，是因为第二辆汽车n₂从16s到18s右转，由于转向导致n₂的速度具有微小波动的增长，另外转弯时间较短并且n₂没有遇上红灯。而且在n₁第16s开始移动，所以n₁的速度变化大，所以汽车的相对速度主要是由于两车的速度波动引起。因此在[15，21)期间，由于汽车转向和相对速度的波动引起了预测误差。当然，由于汽车转弯引起的变化小。在[21，30)时间段内，由于n₁从23s到27s左转弯，转弯的角度缓慢地增长使得n₁的速度微小波动，结果导致相对速度波动，所以预测误差就会出现。3)因为两车并不是同时转弯，这导致两车的行驶方向之间的夹角并不唯一，比如开始两车以直角方向行驶，当首先n₂向右转弯后，两车对向行驶，当汽车n₁左转弯后，两车行驶方向之间的夹角又变成了直角，因此，预测距离计算公式因为行驶方向不断地变化将会改变(R-d或R+d)，这也导致了预测误差。因此，相对速度的平均速度和标准差被给出如图22(b)和图22(c)所示，相对速度的平均速度也会随着相对速度的改变而变化。为了分析预测误差的概率分布，我们画出了图22(d)预测误差的分布函数(CDF)，从这图看出76％的预测结果具有小于20％的预测误差。而且，我们从模拟中随机选择10对节点制作了平均预测误差条形图，从图中看出，大多数平均预测误差小于20％，当然，预测误差情况小于图20(e)和图21(e)。总之，虽然上述三种情况中车辆在交叉口的转弯对预测准确性有影响，但是基于它们的预测误差的分析，转弯的角度对预测准确性的影响小于交通灯的。

(5)两车在交叉口处左转：考虑两个汽车的行驶方向对链路时延的影响，基于实际的交通规则，汽车对被分组：(i)两车在交叉口转弯后同向行驶，(ii)两车在交叉口左转后对向行驶。我们具体地解释上面两种情况的预测结果。

(i)两车在交叉口左转弯后同向行驶：我们猜想两车都在交叉口左转的情况，ELDP预测链路时延的误差会很大，因为它们两个都遇上红灯并且向左转，它们的速度变化都大。为了证实这个猜测，我们选择了一对具体节点并且两节点的速度变化大，两车连接302s。这么长的连接时间足够我们观察模型预测的误差。

图23(b)和图23(c)给出了相对速度的平均值和标准差，第一辆汽车在[131，141)期间遇上了红灯停在了交叉口并且从144s到147s左转弯，第二辆汽车紧跟着第一辆汽车，因此它也停在了交叉口并且在[144，149)期间启动行驶，因此，汽车的速度因为红灯和左转弯变化大，所以相对速度也随着变化。平均的相对速度变化从图23(b)看得出来，该图得峰值位于两车在红灯前后的速度变化期间，当然，因为转弯时间短，转弯是影响链路时延预测的次要因素，并且汽车并没有因为转向而停下，在图23(c)，相对速度波动期间，平均的相对速度变化在图23(b)也被给出，图23(a)画预测和模拟时延，我们明显能看到在预测结果在164s以前快速变化，尤其在[131，149)时间段内，预测结果的波峰和波谷都出现了，这主要有以下几个理由：1)汽车在停下之前减速和又加速并左转，导致了相对速度变化快，2)另外，第二辆汽车从163s到164s超过第一辆车，结果导致了相对速度的变化，所以平均的相对速度也变化。3)基于速度变化，预测距离从R-d到R+d不断地变化。在164s后，由于没有其它因素导致平均速度变化，所以预测时延和模拟时延非常接近。

汽车停止对模型伤害更大，因为没有有用的信息可以被采集到，因此ELDP模型在预测链路时延有麻烦。我们建议ELDP模型用于汽车移动而不是静止的。正如我们感兴趣的高动态地变化的VANET，假设汽车行驶在道路上是合理的。为了获得预测误差概率分布，我们画出了预测误差的分布函数如图23(e)所示，从图中看出90％的误差大约27％。我们进一步随机抽取了10对节点制作了平均预测误差柱状图23(e)所示，从这图中看大多数预测误差为27％以下。

(ii)两车在交叉口左转后对向行驶：我们随机地选择了一对节点并且画出了预测时延和模拟时延如图24(a)所示，两车初始连接在1s钟并且在20s断开。在整个模拟期间，预测时延和模拟时延之间的预测误差很小，主要有几个理由导致了预测侧误差：(1)在模拟期间，两节点的行驶方向不是恒定的，两车在左转弯之前是同向行驶，当汽车n₁从1s到3s左转弯后，两车直角方向行驶，不过，汽车n₂在第19s左转后，两车对向行驶，(2)n₂在19s遇上了红灯并且停在了交叉口，所以导致了19s前的减速，然后开始启动，又导致了加速，所以，相对速度快速变化。转弯的角影响预测误差小于红灯。因为它没有使汽车停止，所以并没有导致汽车强烈地加速或者减速。(3)基于相对距离变化，预测距离的计算方法也会变化，或者为R-d，或为R+d。相对速度的平均速度和相对速度的标准差在图24(b)和图24(c)中被给出。从图24(d)的预测误差的分布函数看，我们能够看出80％的预测结果具有小于15％的误差。为了分析总体预测误差，我们随机地选择10对节点并且制作了平均预测误差柱状图，明显地能看出大部分平均预测误差比图24(e)的大，理由是转弯前的行驶方向也会影响预测误差。所以在那些带有交叉口转弯的情况中，链路时延预测结果不具有可比性。

ELDP预测的链路时延的总体分析：为了理解ELDP模型怎样执行的随着不同的参数，我们画出了具有不同的u，σ和L的链路时延如图25所示。在这图中，u∈(0，20)和σ∈(0，5)L被设置为50m，100m，150m和200m。从这图中我们能够看出，当L和σ被固定，链路时延随着u的减小而增加。特别是当u∈(0，10)的时候，链路时延变化大。当u和L固定，链路时延随着σ减小而增加。当σ趋近于0的时候，链路时延的变化很大。如果u和σ不变，链路时延随着L增加而增加。当μ＞10，不管σ和L怎样变化，链路时延的变化可以很小。我们发现u的变化比其它两个参数影响链路时延大。另外，汽车行驶轨迹和水平轴之间的夹角(α，β)在图25中并没有被直接讨论，不过，当我们计算三个参数(u，σ，L)时，我们考虑了α，β。

结论：LDP模型被扩展作为ELDP模型，模型中利用相对速度的分布而不是瞬时速度。除了相对速度，模型考虑了车间距离，交通灯的影响和交叉口处汽车转弯的角度。基于该模型，一个实际的解决方案被设计目的是一个汽车能够动态地预测它自己和邻居汽车的链路时延。在所有参数中，平均的相对速度是影响链路时延的最重要的因素，因此，准确地估计这个参数变得极其重要。为了避免突然速度变化的影响，我们使用EMA法对速度样本处理。模拟结果表明ELDP模型预测VANETs的链路时延是适合的、实际的。特别是能够非常准确地预测城市道路环境场景的链路时延。因为每一个汽车只需要采集并且和它的邻居汽车共享最近5s中的速度样本。本次研究网络开销小。扩展后的ELDP模型能够被使用了预测任何两车在城市道路环境环境交叉口转弯的链路时延。我们下一步的计划是用真实的数据来证明ELDP的准确性。

本发明表明汽车的速度严格地服从正态分布；因此，使用两车的相对速度而不是瞬时速度来预测汽车间的预期的链路时延。本发明扩展了文献[3]中提出的链路时延预测模型(Link Duration Prediction，LDP)的功能，扩展后模型为扩展的链路时延预测模型(Extended Link Duration Prediction，ELDP)，这样模型可以实际地预测每一个汽车和它的所有邻居汽车之间的链路时延，本发明主要是近似车辆的相对速度的分布，通过考虑车间初始距离、交通灯和转向角度的影响来预测预期的链路时延。另外，本发明采用了EMA(Exponential Moving Average)法来处理速度样本来解决车速突然变化的问题。结果证明，每一辆车仅仅需要采集最近5s的样本来实现链路时延预测的准确性。本发明提出的模型是第一个为城市道路环境场景中任意两个节点之间的链路时延实时预测的模型，汽车在交叉口转向、交通灯、相对速度和随时间变化的两个汽车间的距离因素被考虑，所以这个模型更适合真实的城市道路环境。

本发明的参考文献如下：

[1]T.Taleb，E.Sakhaee，A.Jamalipour，K.Hashimoto，N.Kato，and Y.Nemoto，“A Stable Routing Protocol toSupport ITS Services in VANET Networks，”Vehicular Technology，IEEE Transactions on，vol.56，no.6，pp.3337-3347，2007.

[2]W.Viriyasitavat，F.Bai，and O.Tonguz，“Dynamics of Network Connectivity in Urban Vehicular Networks，”Selected Areas in Communications，IEEE Journal on，vol.29，pp.515-533，Mar.2011.

[3]Xiufeng Wang，Chumeng Wang，Gang Cui and Qing Yang“Practical Link Duration Prediction Model inVehicular Ad Hoc Networks”，International Journal of Distribute Sensor Networks.

[4]R.Miller，Q.Huang，“An Adaptive Peer-to-Peer Collision Warning System，”In Proc.IEEE VehicularTechnology Conference(VTC)，May 2002，pp.317-321.

[5]M.Torrent-Moreno，J.Mittag，P.Santi，and H.Hartenstein，“Vehicleto-Vehicle Communication：Fair TransmitPower Control for Safety-Critical Information，”In IEEE Trans.Veh.Technol.，V.58，Issue 7，September 2009，pp.3684-3707.

[6]A.Nandan，S.Das，G.Pau，and M.Gerla，“Co-operative downloading in vehicular ad-hoc wireless networks，”In Proc.IEEE Conference on Wireless On-demand Network Systems and Services(WONS)，January 2005，pp.32-41.

[7]O.K.Tonguz，M.Boban，“Multiplayer Games over VANET：a New Application，”Ad Hoc Networks Journal(Elsevier)，Vol.8，No.5，July 2010.

[8]T.Nadeem，S.Dashtinezhad，C.Liao，and L.Iftode，“Traffic view：Traffic data dissemination using car-to-carcommunication，”In ACM Sigmobile Mobile Computing and Communications Review，Special Issue on Mobile DataManagement，Vol.8，Issue 3，July 2004，pp.6-19.

[9]C.Sommer，A.Schmidt，R.German，W.Koch and F.Dressler，“Simulative Evaluation of a UMTS-basedCar-to-Infrastructure Traffic Information System，”In IEEE Workshop on Automotive Networking and Applications(AutoNet)，December 2008.

[10]O.Jetter，M.Killat，J.Mittag，F.Schmidt-Eisenlohr，J.Dinger，and H.Hartenstein，“Simulative Analysis ofVehicle-to-X Communication considering Traffic Safety and Efficiency，”In：W.E.Nagel，D.B.Krner，M.Resch(Eds.)：“High Performance Computing in Science and Engineering，”Springer，December 2009.

[11]J.Nzouonta，N.Rajgure，G.Wang，and C.Borcea，“VANET Routing on City Roads using Real-TimeVehicular Traffic Information，”In IEEE Trans.Veh.Technol.，Vol.58，No.7，September 2009，pp.3609-3626.

[12]Alsharif N，Cespedes S and Shen X.M，“iCAR：Intersection-based Connectivity Aware Routing inVehicular Ad hoc Network.”In ICC，pages 1736-1741.2013.

[13]M.Hu，Z.Zhong，H.W and M.Ni，“Effect of Fading Channel on Link Duration in Vehicular Ad HocNetworks，”in WCNC，2013 Proceedings IEEE，(Shanghai，China.)，pp.1687-1691，Apr.2013.

[14]K.-H.Jung，W.-S.Lim，J.-P.Jeong，and Y.-J.Suh，“A link contact duration-based routing protocol indelay-tolerant networks，”Wireless Networks，vol.19，no.6，pp.1299-1316，2013.

[15]J.Boleng，W.Navidi and T.Camp，“Metrics to enable adaptive protocols for mobile ad hoc networks”，inProceedings of the international conference on wireless networks(ICWN02)，2002，pp.293-298.

[16]M.Boban，G.Misek，and O.Tonguz，“What is the best achievable QoS for unicast routing in VANETs？”inGLOBECOM Workshops，2008 IEEE，Nov 2008，pp.1-10.

[17]H.Luo and D.Laurenson，“Link-duration-oriented route lifetime computation for aodv in manet，”in WirelessCommunications and Signal Processing(WCSP)，2010 International Conference on，Oct 2010，pp.1-4.

[18]W.Yuen，S.Chen，K.Huang，and H.Yoshiba，“Link duration based routing protocol for multihop ad hocnetworks，”Aug.23 2007，US Patent App.11/357,867.[Online].Available：http：//www.google.com/patents/US20070195702

[19]Y.-T.Wu，W.Liao，C.Tsao，and T.-N.Lin，“Impact of node mobility on link duration in multihop mobilenetworks，”Vehicular Technology，IEEE Transactions on，vol.58，no.5，pp.2435-2442，Jun 2009.

[20]C.Tsao，Y.-T.Wu，W.Liao，and J.-C.Kuo，“Link duration of the random way point model in mobile ad hocnetworks，”in Wireless Communications and Networking Conference，2006.WCNC 2006.IEEE，vol.1，April 2006，pp.367-371.

[21]A.B.McDonald and T.Znati，“A Path Availability Model for Wireless Ad-Hoc Networks，”Proc.IEEEWCNC 1999，Sep.1999，pp.35-40.

[22]X.Hong，M.Gerla，G.Pei，and C.-C.Chiang，“A Group Mobility Model for Ad Hoc Wireless Networks，”Proc.ACM international Workshop on Modeling，Analysis and Simulation of Wireless and Mobile Systems(MSWiM)，Aug.1999.

[23]K.H.Wang and B.Li.“Group Mobility and Partition Prediction in Wireless Ad-Hoc Networks，”IEEE ICC2002，Apr.2002，pp.1017-1021.

[24]F.Bai，N.Sadagopan，B.Krishnamachari，and A.Helmy，“Modeling path duration distribution in MANETs andtheir impact on reactive routing protocols，”Selected Areas in Communications，IEEE Journal on，vol.22，pp.1357-1373，Sep.2004

[25]N.Sadagopan，F.Bai，B.Krishnamachari，and A.Helmy.Paths：analysis of path duration statistics and theirimpact on reactive manet routing protocols.In MobiHoc’03：Proceedings of the 4th ACM international symposium onMobile ad hoc networking&computing，pages 245-256，New York，NY，USA，2003.ACM.

[26]F.Bai，N.Sadagopan，B.Krishnamachari，and A.Helmy，“Modeling path duration distributions in MANETs andtheir impact on reactive routing protocols，”Selected Areas in Communications，IEEE Journal on，vol.22，pp.1357-1373，Sep.2004.

[27]S.Shelly and A.V.Babu，“Analysis of Life Time in Vehicular Ad Hoc Networks of Free-Flow TrafficState”，Wireless Personal Communications，Vol 75，Issue 1，pp 81-102，Mar.2014.

[28]H.Zhu，L.Fu，G.Xue，Y.Zhu，M.Li and L.Ni，“Recognizing Exponential Inter-Contact Time in VANETs”，inINFOCOM，2010 Proceedings IEEE，pp.1-5，Mar.2010.

[29]S.Shelly and A.V.Babu，“Probability Distribution of Link Life Time in Vehicular Ad Hoc Networks”，inProceedings of the 2013 International Conference on Advances in Computing，Communications and Informatics，ICACCI 2013，pp：1418-1423，2013.

[30]G.Yan and S.Olariu，“A Probabilistic Analvsis of Link Duration in Vehicular Ad Hoc Networks”，IntelligentTransportation Systems，IEEE Transactions on，vol.12，pp.1227-1236，Dec.2011.

[31]J.Yoon，M.Liu，and B.Noble，“Random waypoint considered harmful，”in INFOCOM 2003.Twenty-SecondAnnual Joint Conference of the IEEE Computer and Communications.IEEE Societies，vol.2，March 2003，pp.1312-1321 vol.2.

[32]S.Cho and J.Hayes，“Impact of mobility on connection in ad hoc networks，”in Wireless Communications andNetworking Conference，2005 IEEE，vol.3，March 2005，pp.1650-1656 Vol.3.

[33]E.Y.Hua and Z.J.Haas，“Path Selection Algorithms in Homogeneous Mobile Ad Hoc Networks，”ACMIWCMC‘06，July 2006，pp.275-280.

[34]Z.J.Haas and E.Y.Hua，“Residual link lifetime prediction with limited information input in mobile ad hocnetworks，”in Proc.INFOCOM 2008，Phoenix，AZ，Apr.2008.

[35]R.Korsnes，K.Ovsthus，F.Y.Li，L.Landmark，and O.Kure，“Link lifetime prediction for optimal routing inmobile ad hoc networks，”MILCOM 2005，Atlantic City，NJ，Oct.2005

[36]E.Hua and Z.Haas，“An algorithm for prediction of link lifetime in MANET based on unscented kalmanfilter，”Communication Letters，IEEE，vol.13 pp.782-784，Oct.2009.

[37]M.Nekovee，“Modeling the spread of worm epidemics in vehicular adhoc networks，”in Vehicular TechnologyConference，2006.VTC 2006-Spring.IEEE 63rd，vol.2，May 2006，pp.841-845.

[38]M.L.Sim，M.Nekovee，and Y.F.Ko，“Throughput analysis of wi-fi based broadband access for mobile userson the highway，”in Networks，2005.Jointly held with the 2005 IEEE 7th Malaysia International Conference onCommunication.，200513th IEEE International Conference on，vol.1，Nov 2005，pp.21-26.

[39]W.Sun，H.Yamaguchi，K.Yukimasa，and S.Kusumoto，“Gvgrid：A qos routing protocol for vehicle ad hocnetwors，”in Quality of Service，2006.IWQoS 2006.14th IEEE International Workshop on.IEEE，2006，PP.130-139.

[40]M.Rudack，M.Meincke，K.Jobmann，and M.Lott，“On dynamical aspects of inter vehiclecommunications(ivc)，”in Vehicular Technology Conference，2003.VTC 2003-Fa11.2003 IEEE 58th，vol.5.IEEE，2003，pp.3368-3372.

[41]M.Rudack，M.Meincke，and M.Lott，“On the Dynamics of Ad-Hoc Networks for Inter VehicleCommunications，”In Proc.International Conference on Wireless Networks(ICWN)，2002.

[42]M.M.Artimy，W.Robertson，and W.J.Phillips，“Connectivity in intervehicle ad hoc networks，”In Proc.ofIEEE Canadian Conference on Electrical and Computer Engineering，Vol.1，2004，pp.293-298.

[43]M.M.Artimy，W.J.Phillips，and W.Robertson，“Connectivity with static transmission range in vehicular adhoc networks”，In Proc.Communication Networks and Services Research Conference(CNSR)，2005，pp.237-242.

[44]M.Hu，Z.Zhong，H.Zhu，M.Ni，and C.-Y.Chang，“Analytical modeling of link duration for vehicular ad hocnetworks in urban environment，”in Proceeding of the Tenth ACM International Workshop on VehicularInter-networking，Systems，and Applications，ser.VANET’13.New York，NY，USA：ACM，2013，pp.61-70.

[45]K.Krishnamoorthy，Handbook of Statistical Distributio-ns with Applications，ser.Statistics：A Series ofTextbooks and Monographs.Taylor&Francis，2010.

[46]K.Shafiee，J.B.Lee，V.C.M.Leung，G.Chow，“Modeling and Simulation of Vehicular Networks，”In：Proceedings of the first ACM international symposium on Design and analysis of intelligent vehicular networks andapplications，New，York，NY，USA：ACM，Miami，Florida，USA，NOV.2011，pp.77-86.

[47]D.Gettman and L.Head，“Surrogate Safety Measures From Traffic Simulation Models，Final Report，“FinalReport prepared for the Federal Highway Administration，U.S.Department of Transportation，2003.

Claims (10)

1.一种面向城市道路环境考虑交叉路口的VANETs中V2V的链路时延动态预测方法，其特征在于所述方法包括以下步骤：

步骤一、计算链路断开时两车的相对距离；

步骤二、估计两车的相对速度分布；

步骤三、基于步骤一与步骤二预测两车的链路时延，具体如下：

步骤三一、计算两车链路时延所需的相关因素，包括两车的相对速度v，两车之间的初始距离d，两车的行驶方向；

步骤三二、在步骤三一的基础上，计算两车遇到交通灯时的链路时延，具体计算时分为以下情况：

第一种情况：两车均遇上绿灯，汽车n₁和n₂位于交叉口的同一侧，并且两车同向行驶，n₁在n₂前面，汽车n₁的平均速度μ₁比汽车n₂的平均速度μ₂大；

第二种情况：汽车n₁遇上绿灯，汽车n₂遇上红灯，汽车n₂停在了红灯前面，链路断开的时间段分为(0,t₂₁)，(t₂₁,t₂₂)，(t₂₂,∞)，t₂₁为汽车n₂遇上红灯的时间，t₂₂为汽车n₂在红灯结束后离开交叉口的时间；

第三种情况：汽车n₁遇上红灯，汽车n₂遇上绿灯，汽车n₁停在红灯前面；

第四种情况：汽车n₁和汽车n₂均遇上红灯。

2.根据权利要求1所述的面向城市道路环境考虑交叉路口的VANETs中V2V的链路时延动态预测方法，其特征在于步骤一所述的计算链路断开时两车的相对距离的具体过程为：

步骤一一、建立一个平面直角坐标系，假定汽车能够以任何角度向前行驶，速度的值为汽车n1和汽车n2分别沿着α和β向前行驶，α和β是汽车移动方向和x轴之间的夹角，α,β∈[0,2π],根据几何向量三角形法则计算两车的相对速度向量定义新坐标系以汽车n1位置O'为坐标原点，汽车n1速度向量为把汽车n2速度向量平行移动到得到相对速度向量为：

$\stackrel{\→}{l_1}=\stackrel{\→}{v_2^{\′}}-\stackrel{\‾}{v}\stackrel{\→}{1},$ 向量和的坐标为：

$\begin{array}{c}\stackrel{\→}{v_1}=(v_1\cos \mathrm{\α},v_1\sin \mathrm{\α})\\ \stackrel{\→}{v_2}=(v_2\cos \mathrm{\β},v_2\sin \mathrm{\β})\end{array}---\left(1\right)$

其中v₁为汽车n1的速度，v₂为汽车n2的速度；

坐标用等式(2)表示，

$\stackrel{\→}{l_1}=\stackrel{\→}{v_1}-\stackrel{\→}{v_2}=(v_1\cos \mathrm{\α}-v_2\cos \mathrm{\β},v_1\sin \mathrm{\α}-v_2\sin \mathrm{\β})---\left(2\right)$

令:

$\left\{\begin{array}{c}B=v_1\cos \mathrm{\α}-v_2\cos \mathrm{\β}\\ A=v_1\sin \mathrm{\α}-v_2\sin \mathrm{\β}\end{array}\right.---\left(3\right)$

等式(2)用等式(4)重新表示：

$\stackrel{\→}{l_1}=(B,A)---\left(4\right)$

值等于汽车n1和汽车n2在原坐标系中的坐标为(x₁,y₁)和(x₂,y₂)，所以汽车n2在新坐标系中坐标为D(x₂-x₁,y₂-y₁)，汽车n1和汽车n2的相对速度为另一个向量垂直于向量交点为E，v₁和v₂的初始距离为d，d_v是原点O'到向量的垂直距离；

步骤一二、链路断开时两车的相对距离DD₀。

3.根据权利要求2所述的面向城市道路环境考虑交叉路口的VANETs中V2V的链路时延动态预测方法，其特征在于步骤一二所述的链路断开时两车的相对距离DD₀分为四个象限具体计算，其中，第一象限的计算过程为：如果B＞0并且A＞0，在第一象限，分为如下两种情况：

(1)点D的横坐标比点E的大，

${\mathrm{DD}}_0=\sqrt{r^2-d_v^2}-\sqrt{d^2-d_v^2}---\left(17\right)$

(2)点D很坐标比点E的横坐标小，

${\mathrm{DD}}_0=\sqrt{r^2-d_v^2}+\sqrt{d^2-d_v^2}---\left(19\right).$

4.根据权利要求3所述的面向城市道路环境考虑交叉路口的VANETs中V2V的链路时延动态预测方法，其特征在于步骤一二所述的链路断开时两车的相对距离DD₀在第二象限的计算过程为：如果B＜0和A＞0,是在第二象限，分为如下两种情况：

(1)点D的横坐标比点E小，

${\mathrm{DD}}_0=\sqrt{r^2-d_v^2}-\sqrt{d^2-d_v^2}---\left(21\right)$

(2)点D的横坐标比点E的横坐标的大，

${\mathrm{DD}}_0=\sqrt{r^2-d_v^2}+\sqrt{d^2-d_v^2}---\left(23\right).$

5.根据权利要求4所述的面向城市道路环境考虑交叉路口的VANETs中V2V的链路时延动态预测方法，其特征在于步骤一二所述的链路断开时两车的相对距离DD₀在第三象限的计算过程为：如果B＜0和A＜0,在第三象限，分为如下两种情况：

(1)点D的横坐标笔点E的小，

${\mathrm{DD}}_0=\sqrt{r^2-d_v^2}-\sqrt{d^2-d_v^2}---\left(24\right)$

(2)点D的比E的横坐标大，

${\mathrm{DD}}_0=\sqrt{r^2-d_v^2}+\sqrt{d^2-d_v^2}---\left(25\right).$

6.根据权利要求5所述的面向城市道路环境考虑交叉路口的VANETs中V2V的链路时延动态预测方法，其特征在于步骤一二所述的链路断开时两车的相对距离DD₀在第四象限的计算过程为：如果B＞0和A＜0,在第四象限，分为如下两种情况：

(1)点D的横坐标比E的大，

${\mathrm{DD}}_0=\sqrt{r^2-d_v^2}-\sqrt{d^2-d_v^2}---\left(27\right)$

(2)D横坐标比E的小，

${\mathrm{DD}}_0=\sqrt{r^2-d_v^2}+\sqrt{d^2-d_v^2}---\left(29\right).$

7.根据权利要求6所述的面向城市道路环境考虑交叉路口的VANETs中V2V的链路时延动态预测方法，其特征在于步骤二所述的估计两车的相对速度分布的具体过程为：一个汽车的速度v服从正态分布，v～N(μ,σ²)，它的概率密度函数(PDF)为：

$f\left(v\right)=\frac{1}{\sqrt{2\mathrm{\π}}\mathrm{\σ}}{e}^{-\frac{{(v-u)}^2}{{2\mathrm{\σ}}^2}}---\left(30\right)$

速度向量的方向沿α角，这个角度是汽车行驶方向和水平轴之间的夹角， $\left|\stackrel{\→}{v}\right|=\sqrt{{\left(v\cos \mathrm{\α}\right)}^2+{\left(v\sin \mathrm{\α}\right)}^2}=v,$ 因此，等式(30)推导为(31),

$f\left(\right|\stackrel{\→}{v}\left|\right)=\frac{1}{\sqrt{2\mathrm{\π}}\mathrm{\σ}}{e}^{-\frac{{\left(\right|\stackrel{\→}{v}|-u)}^2}{{2\mathrm{\σ}}^2}}---\left(31\right)$

关于任意两车的速度，和那么两车的相对速度为 $\stackrel{\→}{v_{12}}=\stackrel{\→}{v_1}-\stackrel{\→}{v_2}=(v_1\cos \mathrm{\α}-v_2\cos \mathrm{\β},v_1\sin \mathrm{\α}-v_2\sin \mathrm{\β}),$ 所以服从正态分布，两车相对速度的概率密度函数(PDF)用等式(32)表示，

$f\left(\right|\stackrel{\‾}{v_{12}|})=\frac{1}{\sqrt{2\mathrm{\π}}\mathrm{\σ}}{e}^{-\frac{{\left(\right|\stackrel{\→}{v_{12}}|-u)}^2}{{2\mathrm{\σ}}^2}}---\left(32\right)$

利用极大似然法估计μ和σ²，

$\hat{u}=\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\left|\stackrel{\→}{v_i}\right|---\left(34\right)$

其中是μ的估计，n为样本的个数，为第i个样本的速度值，估计σ²,使用样本方差s²，

$s^2=\frac{n}{n-1}{\widehat{\mathrm{\σ}}}^2=\frac{1}{n-1}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\left(\right|\stackrel{\→}{v_i}|-\widehat{\mathrm{\μ}})}^2---\left(35\right)$

其中，n为样本的个数，为第i个样本的速度值，其中为样本方差，

即可得到相对速度服从如下正态分布：

8.根据权利要求7所述的面向城市道路环境考虑交叉路口的VANETs中V2V的链路时延动态预测方法，其特征在于

步骤三一所述的计算两车链路时延所需要的相关因素，具体为：

把两车间的链路时延看作一个随机变量T，两车同向行驶，如果后车的车速比前车车速大，L变成了r+d，r是通信半径，否则L＝r–d，当两车对向行驶的时候，如果它们互相远离，L＝r-d，否则，L＝r+d。

9.根据权利要求8所述的面向城市道路环境考虑交叉路口的VANETs中V2V的链路时延动态预测方法，其特征在于步骤三二所述的计算两车的链路时延的过程为：随机变量T的分布函数CDF如下，

$F\left(T\right)=P(T\≤t)=P(\frac{L}{\left|\stackrel{\→}{v}\right|}\≤t)=1-P\left(\right|\stackrel{\→}{v}|\≤\frac{L}{t})---\left(36\right)$

其中，是两车之间相对速度向量的值，上述等式中两边对t求导，随机变量T的概率密度函数为:

$f\left(t\right)=\frac{L}{t^2}{f}_{\left|\stackrel{\→}{v}\right|}\left(\frac{L}{t}\right)---\left(37\right)$

因为相对速度向量的值服从正态分布，等式被重新写成下式，

$f\left(t\right)=\frac{L}{t^2\sqrt{2\mathrm{\π}}\mathrm{\σ}}{e}^{-{(\frac{L}{t}-\mathrm{\μ})}^2}---\left(38\right)$

式中μ和σ是相对速度向量的平均值和标准差，预期的链路时延能够用下式计算，

$E\left(T\right)={\∫}_0^{\∞}\mathrm{tf}\left(t\right)\mathrm{dt}---\left(39\right)$

定积分的间隔从[0,∞]减小到[L/(μ+4σ),L/(μ-4σ)]，最后，根据步骤一和步骤二的结果，无交通灯的链路时延预测公式为：

$E\left(T\right)={\∫}_{\frac{L}{\mathrm{\μ}+4\mathrm{\σ}}}^{\frac{L}{\mathrm{\μ}-4\mathrm{\σ}}}\frac{L}{t\sqrt{2\mathrm{\π}}\mathrm{\σ}}{e}^{-\frac{{(\frac{L}{t}-\mathrm{\μ})}^2}{{2\mathrm{\σ}}^2}}\mathrm{dt}---\left(40\right)$

通过公式(40)计算两车以任意状态在城市道路环境的链路时延。

10.根据权利要求9所述的面向城市道路环境考虑交叉路口的VANETs中V2V的链路时延动态预测方法，其特征在于步骤三二所述的链路时延预测过程具体为：

第一种情况：两车均遇上绿灯，汽车n₁和n₂位于交叉口的同一侧，并且两车同向行驶，n₁在n₂前面，汽车n₁的平均速度μ₁比汽车n₂的平均速度μ₂大，将L＝r-d代入公式(40)中，计算得到链路断开时间；

第二种情况：汽车n₁遇上绿灯，汽车n₂遇上红灯，汽车n₂停在了红灯前面，链路断开的时间段分为(0,t₂₁)，(t₂₁,t₂₂)，(t₂₂,∞)，t₂₁为汽车n₂遇上红灯的时间，t₂₂为汽车n₂在红灯结束后离开交叉口的时间：

如果链路在(0,t₂₁)期间断开，链路断开时间依据公式(40)进行计算；

如果链路在(t₂₁,t₂₂)期间断开，将相对速度v₁与L＝r-d'代入公式(40)中进行计算，d'为两车在红灯期间链路断开时的初始距离；

如果链路在t₂₂后断开，将L＝r-d″代入公式(40)进行计算，d″为两车在红灯结束后链路断开时的初始距离；

第三种情况：汽车n₁遇上红灯，汽车n₂遇上绿灯，汽车n₁停在红灯前面，链路在(0,t₁₁)期间断开，将L＝r-d代入公式(40)进行计算，链路在(t₁₂,∞)断开时，将L＝r-d'代入公式(40)进行计算，t₁₁为汽车n₁遇上红灯的时间，t₁₂为汽车n₁在红灯结束后离开交叉口的时间；

第四种情况：汽车n₁和汽车n₂均遇上红灯，链路断开的时间段分为：(0,t₁₁),(t₁₁,t₁₂),(t₁₂,t₂₁),(t₂₁,t₂₂),(t₂₂,∞)，链路断开的时间分别按照前三种情况进行计算。