CN104851282A - 基于连通性机制的城市车联网数据传输路径选择方法 - Google Patents
基于连通性机制的城市车联网数据传输路径选择方法 Download PDFInfo
- Publication number
- CN104851282A CN104851282A CN201510201671.9A CN201510201671A CN104851282A CN 104851282 A CN104851282 A CN 104851282A CN 201510201671 A CN201510201671 A CN 201510201671A CN 104851282 A CN104851282 A CN 104851282A
- Authority
- CN
- China
- Prior art keywords
- node
- path
- connectedness
- anchor point
- road
- 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
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明涉及一种基于连通性机制的城市车联网数据传输路径选择方法,包括步骤:1)导入数据传输的源节点和目的节点,并判断源节点和目的节点之间是否存在锚点,若为是,则执行步骤3),若为否,则执行步骤2);2)计算源节点和目的节点之间所有道路的连通性,并选择连通性最高的道路作为数据传输路径;3)将源节点作为源锚点,目的节点作为目的锚点,计算各相邻锚点间的连通性,并采用最短路径算法选择最优锚点序列作为数据传输路径。与现有技术相比,本发明针对源节点和目的节点之间的锚点分布情况,采用分别独立的方式选择传输路径,降低计算复杂度,提高效率,降低路边基础设施的部署成本。
Description
技术领域
本发明涉及一种车联网数据传输路径选择方法,尤其是涉及一种基于连通性机制的城市车联网数据传输路径选择方法。
背景技术
车联网连通性机制研究主要集中在两个方面,一个方面为以道路车辆分布采用某种数学分布模型如泊松分布,从纯理论的角度分析车辆通信距离的长度、车辆密度和路边基础设施单元等对车辆自组织网络连通性的影响;另一个方面通过道路上车辆信息进行量化度量该条路径的连通性,从而为路径选择提供标准。连通性理论分析主要针对高速公路场景和城市场景,高速公路场景的建模主要为一维或二维建模,城市场景比较复杂需要考虑十字路口和交通灯等问题,主要方法为通过对给定的车辆密度,采用某种数学分布,从量化的角度分析整个网络或多条网络路径达到连通状态所需要的最小无线通讯距离。大量的研究均把道路建模为一维空间,对车辆使用泊松分布、指数分布等研究了车辆密度和无线通讯距离对网络连通性的影响。而Cheng等人针对高速公路场景的车辆分布研究车辆分布对连通性的影响发现传统高速公路使用的指数分布的分布并不很合理,通过指数分布所分析得到的最小无线通讯距离小于实际情况下所需要的通讯距离。二维建模的研究包括Jin X等人使用渗透理论从二维的角度研究网络连通性,理论量化研究了车辆密度和无线传输距离之间的关系,没有考虑路边基础设施单元。Jin X等人还就城市场景下分别使用泊松分布模型和随机图模型量化分析车辆密度和最小无线传输距离之间的关系,对于给定的车辆密度可以求得要使网络连通所需要的最小无线通讯距离,该理论没有讨论路边基础设施单元、路口问题、交通灯问题,仅是将交通流建模为二维平面的一个分布。Ho等人提出的模型考虑了城市场景下所特有的路口问题和交通灯问题,提出了随机交通流模型用来研究城市场景下的连通性模型,但道路的建模仍为一维建模,没有考虑多车道情况,Cheng等人采用该随机模型来研究考虑了直接连接和间接连接对连通性的影响。以上研究均考虑网络整体的连通性,没有考虑特定网络路段的连通性,El-atty等人使用泊松分布计算高速公路场景下车辆的多跳连通性,Yan等人研究k跳连通性中k与无线通讯距离之间的关系,Moltchanov等的研究考虑车辆节点到路边基础设施单元的连通性,这些研究从多跳、k跳和到定点的连通性三个角度研究连通性指标之间的关系,包括车辆密度和无线通讯距离。除理论分析外,量化度量方法研究主要集中在基于连通性的路由协议,因为连通性的研究直接影响到路由协议中路径的选择。部分研究简单地以车辆密度作为道路连通性的指标,然而道路密度高可能仅是局部分布密集,可能出现局部优化的情况,更准确的研究综合考虑连通率和时延的影响,其连通率和时延通过统计发送位置数据包的成功率和延迟,然而这样需要频繁发送大量附加数据包,需要非常大的网络开销。为更好的评估连通性需要更精细的计算,Lei等人通过给定的路段车辆密度假设车辆均匀分布估算该路段的连通度,但是该种假设并不符合车辆的实际分布,尤其交通灯的影响,车辆的分布很可能集中在路口位置,分布不均匀,Yang等人的研究则使用随机分布模型,应用了车辆密度、交通灯等信息,考虑了多车道的问题,但其并没有充分应用实时的车辆信息,且只也针对路口至路口的短距离路段。Lin等的研究使用模糊理论建立了车辆密度、安全距离(根据位置和速度计算得到)和车辆方向比例相关的连通性模型,但该研究也仅考虑路口至路口的短距离连通性。
国内外研究可见对连通性的准确度量仍然非常欠缺,多数没有充分利用车辆的实时道路信息,对连通性的定量度量基本从密度出发,按照数学分布模型估算其连通性,然而由于交通灯、十字路口、多车道等的关系,数学分布并不能合理反映车辆的分布。仅考虑密度容易出现局部优化的问题。目前研究仅考虑路口至路口的短距离情况,而新的无线通讯技术IEEE 802.11p的传输范围为300-1000m,很可能覆盖整个短路段,因此该种连通性机制已经不够适用。且路口问题没有考虑进连通性问题,容易出现路口空洞,通常的做法是部署路边基础设施单元,但是费用昂贵。在大规模环境在每个路口部署路边基础设施单元部署代价高昂,且在大范围的情况下难以扩展,计算复杂度高。因此,满足城市的小规模及大规模的适用于长距离,和包括路口和多车道等复杂道路下的准确连通性机制具有重要意义。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于连通性机制的城市车联网数据传输路径选择方法。
本发明的目的可以通过以下技术方案来实现:
一种基于连通性机制的城市车联网数据传输路径选择方法,包括步骤:
1)导入数据传输的源节点和目的节点,并判断源节点和目的节点之间是否存在锚点,若为是,则执行步骤3),若为否,则执行步骤2);
2)计算源节点和目的节点之间所有道路的连通性,并选择连通性最高的道路作为数据传输路径;
3)将源节点作为源锚点,目的节点作为目的锚点,计算各相邻锚点间的连通性,并采用最短路径算法选择最优锚点序列作为数据传输路径。
2.根据权利要求1所述的一种基于连通性机制的城市车联网数据传输路径选择方法,其特征在于,所述节点为车辆,所述锚点为固定设置于骨干道路或路口处的基础设施单元,用于提供稳定的数据中转。
所述步骤2)中源节点和目的节点之间道路的连通性的计算过程具体包括步骤:
201)计算道路上源节点和目的节点之间的所有路径的连通性,其中路径连通性的计算式为:
CPath=αcp(Path)+βcd(Path)
其中:α、β为常数,cp(Path)为路径的连通率,cd(Path)为路径的时延,α和β均为正数,且α+β=1。
所述路径的连通率具体为:
cp(Path)=min{cp(S,ai),cp(ai,a2),….cp(an-1,an),cp(an,D)}
其中:S为源节点,D为目的节点,ai为该条路径上的节点,cp(ai-1,ai)为节点ai-1和节点ai之间的连通率,具体为:
其中:为节点ai-1的状态信息,为节点ai的状态信息,θ为路口交叉角度,Δt为常数,f(·)为和θ的关系函数,
所述节点a的状态具体为:
sa=(p,v,ac)
其中:p为节点位置,v为节点速度,ac为节点加速度;
202)将所有路径Path按照连通性递减进行排序,并选择前K条路径计算源节点和目的节点之间道路RoadPath的连通性,具体为:
其中:CRoadPath为道路的连通性,ωi为常数参数,CPathi为道路RoadPath上源节点和目的节点之间的第i条路径的连通性,K为常数;
所述步骤3)中相邻锚点间连通性的计算过程具体包括步骤:
311)获取相邻锚点间的道路,并计算所有道路的连通性;
312)将所有道路按照连通性递减进行排序,并选择前M条道路路径计算相邻锚点之间的连通性,具体为:
其中:CM为相邻锚点间的连通率,ψi为常数参数,CRoadPathi为相邻锚点间第i条道路的连通性。
所述节点ai-1和节点ai之间的连通率的计算过程具体包括步骤:
S1:判断θ是否为180度,若为是,则执行步骤S2,若为否,则执行步骤S4;
S2:判断节点ai-1和节点ai的速度方向是否一致,若为是,则:
其中:WD为无线通信距离,
若为否,则执行步骤S3:
S3:判断节点ai-1和节点ai的速度方向是否为相对方向,若为是,则:
若为否,则:
S4:判断节点ai-1和节点ai的速度方向是否均为靠近路口,若为否,则执行步骤S5,若为是,则:
其中:
其中:
分别为节点ai和节点ai-1至两节点所处车道交点的初始距离,
其中:|PO|为路口顶点至两节点所处车道交点的距离;
S5:判断节点ai-1和节点ai的速度方向是否均为远离路口,若为否,则执行步骤S6,若为是,则:
其中:
其中:
S6:节点ai-1和节点ai之间的连通率具体为:
其中:
其中:
与现有技术相比,本发明具有以下优点:
1)本发明针对源节点和目的节点之间的锚点分布情况,采用分别独立的方式选择传输路径,将大规模网络通过在骨干道路路口部署路边基础设施规划为若干个小区域,由一个大规模网络退化为小规模情况,缩小数据规模,并通过骨干道路的路边基础设施来连接多个小区域,达到全局路径优化的目的。通过这样的分治策略有效地降低数据规模,降低计算复杂度,提高效率,降低路边基础设施的部署成本。
2)选择道路连通性最高的作为数据传输道路,通过将道路建模为网络拓扑图,即使是多车道的复杂道路情况也可以处理,在相邻节点连通度中也考虑了路口情况,可处理复杂道路情况,准确度高。
3)大规模网络上某个源节点到目的节点的数据传输路径轮廓则可以通过一个有序锚点序列表示,数据不直接传输到目的节点,一步步发往下一个锚点,锚点至锚点之间传输在小区域范围内,具有小规模高效率易恢复的特点,而锚点为可靠节点,由此可保证整体传输的高可靠性,因此,该大规模网络连通性方案整体数据传输计算复杂度小,高效可靠,硬件部署经济,适用于城市大规模车联网。
附图说明
图1为本发明的主要步骤流程示意图;
图2为本发明计算连通率时的示意图;
图3为基于位置的路由GPSR的示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
一种基于连通性机制的城市车联网数据传输路径选择方法,如图1所示,包括步骤:
1)导入数据传输的源节点和目的节点,并判断源节点和目的节点之间是否存在锚点,若为是,则执行步骤3),若为否,则执行步骤2),其中的节点为车辆,锚点为固定设置于骨干道路或路口处的基础设施单元,用于提供稳定的数据中转。
2)计算源节点和目的节点之间所有道路的连通性,并选择连通性最高的道路作为数据传输路径;
面向城市的小规模下的连通性机制:小规模下的连通性机制计算小区域下源节点到目的节点的连通性,度量源节点到目的节点的所有可达道路的连通性,然后选择连通最高的道路作为路由路径传输数据。对于特定道路,通过具体研究拓扑得到,把当前道路上的车辆节点模为图,量化度量源节点到目的节点的连通性。
网络拓扑建模:度量某条道路上的连通性可以表示为从源节点到目的节点的网络连通性,源节点和目的节点可以是一个车辆节点,也可以是路边基础设施单元。车辆节点表示为无向图中的节点,两个节点的连通率为其所连成的边的权值,因此路径的连通度量转化为在加权无向图中求源节点到达目的节点的连通度。
求解两个相邻节点之间的连通率:相邻节点是指通过单跳连接的两个车辆节点,连通率定义为其连通保持的时长。连通保持时长,指Δt时间内两个车辆节点互相在对方通信范围的时长,通过两者的位置,速度,加速度等计算得到。Δt可以是指定常数,或者与传输数据量和延时敏感度相关的变量。特别考虑障碍物问题,当两个车辆之间不存在障碍物时,可以直接通过两者的相对距离、速度和加速度得到。但是两辆车出现在路口的两条道路上,两者的连通时长与路口建筑等障碍物相关,其两者的连接时长与路口交叉角度相关。
度量某条传输路径的连通性:源节点到目的节点存在若干条路径,使用深度优先搜索,搜索出某条路径,计算该路径的连通性。路径的连通性可由路径的连通概率和路径的传输时延表征,对于容忍时延的网络对于传输时延赋予较小的权重,对于时延敏感的网络则赋予时延较大的权重。
度量道路的连通性:道路的连通性指的是源节点和目的节点通过该道路传输数据时的网络连通度。从源节点出发遍历通过该道路的所有到目的节点的传输路径,传输路径的连通性由以上方法得到,然后由若干条路径推导出源节点到目的节点的连通性。在数据传输时,数据包将选择连通度最高的某条路径进行数据传输,传输失败然后选择次路径进行传输,以此类推。因此在实际传输中路径的使用概率将呈指数下降。连通性排名靠后的路径基本不可能使用得到,因此对路径连通度进行排序,采取权值指数递减的叠加方法
通过以上机制计算得到源节点到目的节点所有道路的连通性,选择道路连通性最高的作为数据传输道路,该机制通过将道路建模为网络拓扑图,即使是多车道的复杂道路情况也可以处理,在相邻节点连通度中也考虑了路口情况,可处理复杂道路情况,准确度高。
具体的,步骤2)中源节点和目的节点之间道路的连通性的计算过程具体包括步骤:
201)计算道路上源节点和目的节点之间的所有路径的连通性,其中路径连通性的计算式为:
CPath=αcp(Path)+βcd(Path)
其中:α、β为常数,cp(Path)为路径的连通率,cd(Path)为路径的时延,α和β均为正数,且α+β=1,用于调节时延的敏感程度,β越大时延越敏感
路径的时延与路径的节点跳数成正比,数据包需要再每个节点进行处理,路径的节点数越多,时延越大。
路径的连通率具体为:
cp(Path)=min{cp(S,ai),cp(ai,a2),….cp(an-1,an),cp(an,D)}
其中:S为源节点,D为目的节点,ai为该条路径上的节点,cp(ai-1,ai)为节点ai-1和节点ai之间的连通率,具体为:
其中:为节点ai-1的状态信息,为节点ai的状态信息,θ为路口交叉角度,Δt为常数,f(·)为和θ的关系函数,
节点a的状态具体为:
sa=(p,v,ac)
其中:p为节点位置,v为节点速度,ac为节点加速度;
1)当θ=180°,即无障碍情况下,假设ai为前方节点
速度方向一致时:
若 则 具体为:
其中:WD为无线通信距离,
若 则 具体为:
速度方向相对而行时,具体为:
速度方向相反而行时,具体为:
2)当θ≠180°时,即节点ai-1和节点ai在路口的两侧
当节点ai-1速度方向为靠近路口,节点ai速度方向为远离路口时,
如图2所示(图中用a表示节点ai-1,用b表示节点ai):P1-P-P2表示路口建筑等障碍物,P1-P-a'范围不在节点ai-1的无线覆盖范围,因此节点ai位于aa'右侧时,节点ai-1和节点ai在互相无线覆盖范围内,即∠bPa<180°。计算连接保持时长即计算保持∠bPa<180°的时长。
|PO|和θ为固定值,因此设:
da,db为a,b至O的初始距离,可以由a和b的位置得到;
Δ=(-vac+vbc+vadb-davb)2-4vavb(dac+dbc-dadb)
该方程为一个二元凹函数,节点ai和节点ai-1的运动方向可以看出两个节点的通信规律为从可通信,到被障碍物阻挡,至节点ai-1到达路口与节点ai在同一条道路可通信的之间变化,因此取Δt时间内从开始时间至t1为可通信时间。
同理可以计算,当节点ai-1速度方向为靠近路口,节点ai速度方向为靠近路口时:
Δ=(-vac-vbc+vadb+davb)2-4vavb(dac+dbc-dadb)
|PO|和θ为固定值,因此设:
da,db为a,b至O的初始距离,可以由a和b的位置得到;
该方程为一个二元凹函数,节点ai和节点ai-1的运动方向可以看出两个节点的通信规律为从不可通信,可通信,至不可通信的之间变化,因此取Δt时间内从max(t1,0)至min(t1,Δt)为可通信时间。
cp(a,b)=f(sa,sb,θ)/Δt=min(1,max(0,(min(t2,Δt)-max(t1,0))/Δt))
同理可以计算:当节点ai-1速度方向为远离路口,节点ai速度方向为远离路口时,
Δ=(vac+vbc-vadb-davb)2-4vavb(-dac-dbc+dadb)
|PO|和θ为固定值,因此设:
da,db为a,b至O的初始距离,可以由a和b的位置得到,O点具体为两节点所处车道在路口处的交点,点P为两节点所处道路的交点;
该方程为一个二元凹函数,节点ai和节点ai-1的运动方向可以看出两个节点的通信规律为从不可通信,可通信,至不可通信的之间变化,因此取Δt时间内从max(t1,0)至min(t1,Δt)为可通信时间。
cp(a,b)=f(sa,sb,θ)/Δt=min(1,max(0,(min(t2,Δt)-max(t1,0))/Δt))
202)将所有路径Path按照连通性递减进行排序,并选择前K条路径计算源节点和目的节点之间道路RoadPath的连通性,具体为:
其中:CRoadPath为道路的连通性,ωi为常数参数,CPathi为道路RoadPath上源节点和目的节点之间的第i条路径的连通性,K为常数;
3)将源节点作为源锚点,目的节点作为目的锚点,计算各相邻锚点间的连通性,并采用最短路径算法选择最优锚点序列作为数据传输路径。
面向城市的大规模下的连通性机制:当网络拓扑的规模很大的时候,如果仍然使用小规模的连通性机制来寻找一条最优路径,则复杂度将大幅增加,因此本课题对大规模情况进行分级处理,把大规模网络划分为多个相对较小的区域,在这些区域使用小规模连通性机制,然后从这些区域的连通性机制推导出大规模的连通性机制。
在骨干道路的十字路口部署路边基础设施单元作为锚点:通过在骨干道路的路口部署路边基础设施单元,则将一个大规模城市划分为若干个小区域。以路边基础设施单元的位置为锚点,数据的传输路径轮廓由锚点序列表示,第一个锚点为源节点,最后一个锚点为目的节点,也即源节点和目的节点也是一个锚点。在源节点发送数据时在数据包中设置锚点序列,数据必须经过该锚点序列到达目的地。由于锚点位置部署了路边基础设施,假如锚点不存在车辆转发节点,则可以通过路边基础设施转发,因此锚点是可靠节点。通过若干个可靠锚点的中转,将一个大范围数据传输转化为若干个小范围的传输,降低了路径发现规模,同时增加了传输的可靠性。
计算相邻锚点之间的连通性:相邻指的是两个锚点同属一块小区域,所以可以使用小规模连通性机制的方法求出连通性。两个同一区域的锚点之间存在多条可达道路,每条道路的连通性均通过小规模连通性机制计算得到,然后通过多条道路的连通性推导两个锚点的连通性,推导公式需要考虑到道路越多连通率越高,但是每条道路所占的比重是不一样的,连通性最高的道路通常是数据传输真正使用的传输路径,而其他道路依次为备用道路,重要性呈指数下降
求解最佳锚点序列:最佳锚点序列表示源节点到目的节点由锚点有序序列表示的最佳路径。源节点为锚点序列的开始元素,为源锚点。目的节点为锚点序列的终止元素,为目的锚点。求解最佳锚点序列,即求解源锚点到目的锚点的最佳序列。将锚点建模为有权无向图,锚点作为图的点,相邻锚点有一条无向边,该边的权值设置为相邻锚点的连通性的反函数,则可以通过最短路径算法求得源锚点到目的锚点的最短路径。
通过以上步骤,大规模网络上某个源节点到目的节点的数据传输路径轮廓则可以通过一个有序锚点序列表示,数据不直接传输到目的节点,一步步发往下一个锚点。锚点至锚点之间传输在小区域范围内,具有小规模高效率易恢复的特点,而锚点为可靠节点,由此可保证整体传输的高可靠性。因此,该大规模网络连通性方案整体数据传输计算复杂度小,高效可靠,硬件部署经济,适用于城市大规模车联网。
具体的,步骤3)中相邻锚点间连通性的计算过程具体包括步骤:
311)获取相邻锚点间的道路,并计算所有道路的连通性;
312)将所有道路按照连通性递减进行排序,并选择前M条道路路径计算相邻锚点之间的连通性,具体为:
其中:CM为相邻锚点间的连通率,ψi为常数参数,CRoadPathi为相邻锚点间第i条道路的连通性。
车联网车辆自组织网络(VANET)的研究主要集中在路由协议和机制的设计上,其大致可分为三类:(1)基于拓扑的路由协议(Topology-based routing protol);(2)基于位置的路由协议(Position based routing protocol);(3)基于地图的路由协议(Map based routing protocol)。其中基于拓扑的路由协议难以应对VANET中高度移动的车辆节点和频繁变化的网络拓扑,而基于位置的路由协议和基于地图的路由协议,均使用车辆位置进行路由,无需频繁变化的网络拓扑信息,是目前研究的热点所在。Karp等人首次提出基于位置的路由协议,为贪婪边界的无状态路由GPSR(Greedy Perimeter Stateless Routing),如图3所示,所有车辆节点都定期向位置服务器更新其位置信息,当源节点需要给目的节点发送数据时,向位置服务器请求目的节点位置,然后以贪婪转发模式每次选择距离目的节点最近的下一跳节点,当其失效时采用周边转发模式,绕失效节点一圈后恢复贪婪转发模式。由于其寻找下一跳时仅仅根据直线距离,没有考虑到路口障碍物的问题,GPCR(GreedyPerimeter Coordinator Routing)对此做了一个改进,即发现路口存在节点时则直接转发给该节点,但是对路口是否存在节点难以判断。因此,假如节点配备电子地图,则可以借助地图轻易判断路口是否存在节点。所以目前的主要研究热点集中在基于地图的路由协议。地理源路由(Geographic Source Routing)是一个典型的基于地图的路由协议,其也需要从位置服务器获得目的节点的位置,然后利用电子地图和位置信息通过Dijkstra算法计算源节点到目的的节点的最短路径。然而以上均对链路的连通性状态未知,链路可能频繁中断,路由恢复策略的代价非常高。由于基于位置和基于地图的路由协议均需要源节点先访问分布式位置服务器,因此在数据发送之前由分布式位置服务器计算出一条连通性较高的路径是可行的。连通性感知的路由协议CAR(Connectivity-Aware Routing)所做的就是把连通性计算和路径选择整合到位置服务中,给源节点提供有一系列有序锚点所表示的路径。锚点通常为路口,锚点之间仍然使用贪婪转发。因此连通性计算和最佳路径选择关系到数据转发的一条高效路径,而位置服务器可以获得所需要的信息和计算资源,因此专利所研究的连通性机制是可行且有意义的研究内容。
Claims (5)
1.一种基于连通性机制的城市车联网数据传输路径选择方法,其特征在于,包括步骤:
1)导入数据传输的源节点和目的节点,并判断源节点和目的节点之间是否存在锚点,若为是,则执行步骤3),若为否,则执行步骤2);
2)计算源节点和目的节点之间所有道路的连通性,并选择连通性最高的道路作为数据传输路径;
3)将源节点作为源锚点,目的节点作为目的锚点,计算各相邻锚点间的连通性,并采用最短路径算法选择最优锚点序列作为数据传输路径。
2.根据权利要求1所述的一种基于连通性机制的城市车联网数据传输路径选择方法,其特征在于,所述节点为车辆,所述锚点为固定设置于骨干道路或路口处的基础设施单元,用于提供稳定的数据中转。
3.根据权利要求1所述的一种基于连通性机制的城市车联网数据传输路径选择方法,其特征在于,所述步骤2)中源节点和目的节点之间道路的连通性的计算过程具体包括步骤:
201)计算道路上源节点和目的节点之间的所有路径的连通性,其中路径连通性的计算式为:
CPath=αcp(Path)+βcd(Path)
其中:α、β为常数,cp(Path)为路径的连通率,cd(Path)为路径的时延,α和β均为正数,且α+β=1,
所述路径的连通率具体为:
cp(Path)=min{cp(S,ai),cp(ai,a2),….cp(an-1,an),cp(an,D)}
其中:S为源节点,D为目的节点,ai为该条路径上的节点,cp(ai-1,ai)为节点ai-1和节点ai之间的连通率,具体为:
其中:为节点ai-1的状态信息,为节点ai的状态信息,θ为路口交叉角度,Δt为常数,f(·)为和θ的关系函数,
所述节点a的状态具体为:
sa=(p,v,ac)
其中:p为节点位置,v为节点速度,ac为节点加速度;
202)将所有路径Path按照连通性递减进行排序,并选择前K条路径计算源节点和目的节点之间道路RoadPath的连通性,具体为:
其中:CRoadPath为道路的连通性,ωi为常数参数,CPathi为道路RoadPath上源节点和目的节点之间的第i条路径的连通性,K为常数。
4.根据权利要求3所述的一种基于连通性机制的城市车联网数据传输路径选择方法,其特征在于,所述步骤3)中相邻锚点间连通性的计算过程具体包括步骤:
311)获取相邻锚点间的道路,并计算所有道路的连通性;
312)将所有道路按照连通性递减进行排序,并选择前M条道路路径计算相邻锚点之间的连通性,具体为:
其中:CM为相邻锚点间的连通率,ψi为常数参数,CRoadPathi为相邻锚点间第i条道路的连通性。
5.根据权利要求3所述的一种基于连通性机制的城市车联网数据传输路径选择方法,其特征在于,所述节点ai-1和节点ai之间的连通率的计算过程具体包括步骤:
S1:判断θ是否为180度,若为是,则执行步骤S2,若为否,则执行步骤S4;
S2:判断节点ai-1和节点ai的速度方向是否一致,若为是,则:
其中:WD为无线通信距离,
若为否,则执行步骤S3:
S3:判断节点ai-1和节点ai的速度方向是否为相对方向,若为是,则:
若为否,则:
S4:判断节点ai-1和节点ai的速度方向是否均为靠近路口,若为否,则执行步 骤S5,若为是,则:
其中:
其中:
分别为节点ai和节点ai-1至两节点所处车道交点的初始距离,
其中:|PO|为路口顶点至两节点所处车道交点的距离;
S5:判断节点ai-1和节点ai的速度方向是否均为远离路口,若为否,则执行步骤S6,若为是,则:
其中:
其中:
S6:节点ai-1和节点ai之间的连通率具体为:
其中:
其中:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510201671.9A CN104851282B (zh) | 2015-04-24 | 2015-04-24 | 基于连通性机制的城市车联网数据传输路径选择方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510201671.9A CN104851282B (zh) | 2015-04-24 | 2015-04-24 | 基于连通性机制的城市车联网数据传输路径选择方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104851282A true CN104851282A (zh) | 2015-08-19 |
CN104851282B CN104851282B (zh) | 2017-11-07 |
Family
ID=53850897
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510201671.9A Active CN104851282B (zh) | 2015-04-24 | 2015-04-24 | 基于连通性机制的城市车联网数据传输路径选择方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104851282B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105049355A (zh) * | 2015-08-21 | 2015-11-11 | 中国联合网络通信集团有限公司 | 一种路由方法和装置 |
CN105553780A (zh) * | 2016-01-08 | 2016-05-04 | 同济大学 | 一种城市场景中有基础设施的车联网连通性模型推演方法 |
CN105722176A (zh) * | 2016-01-29 | 2016-06-29 | 同济大学 | 城市场景中有基础设施的车联网大规模异构网络的连通性方法 |
CN105827688A (zh) * | 2016-01-08 | 2016-08-03 | 同济大学 | 城市场景中车联网大规模异构网络连通性质的研究方法 |
CN106202582A (zh) * | 2016-08-31 | 2016-12-07 | 北京中机盛科软件有限公司 | 企业分布式数据仓库中的任务调度方法及系统 |
CN107231300A (zh) * | 2017-05-10 | 2017-10-03 | 同济大学 | 城市道路中基于车辆状态预测的连通性模型的路由方法 |
CN107231408A (zh) * | 2017-05-03 | 2017-10-03 | 同济大学 | 城市道路中基于车辆状态预测的连通性模型的构造方法 |
CN109040950A (zh) * | 2018-06-15 | 2018-12-18 | 广州杰赛科技股份有限公司 | 锚点分配方案确定方法、装置和对象定位方法 |
CN109640295A (zh) * | 2019-01-31 | 2019-04-16 | 同济大学 | 城市场景中有基础设施车联网面向连通预测的候选节点集构造方法 |
CN109996174A (zh) * | 2019-04-16 | 2019-07-09 | 江苏大学 | 一种面向车载自组织网络内容路由的路段实时评分方法 |
CN110446179A (zh) * | 2019-07-02 | 2019-11-12 | 长沙理工大学 | 应用于车联网弯道场景的中继节点最优位置的选取方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102004031802A1 (de) * | 2004-07-01 | 2006-01-26 | Daimlerchrysler Ag | Verfahren zur Ausgabe von Informationen über ein Verkehrswegenetz in einem Kraftfahrzeug |
US20090175171A1 (en) * | 2006-08-30 | 2009-07-09 | Nikolova Evdokia V | Method for finding optimal paths using a stochastic network model |
CN103116995A (zh) * | 2013-01-09 | 2013-05-22 | 同济大学 | 基于电子眼的车联网数据传输路径选择优化方法 |
CN103813405A (zh) * | 2014-02-10 | 2014-05-21 | 北京智谷睿拓技术服务有限公司 | 选路方法及选路节点 |
CN103974364A (zh) * | 2013-02-04 | 2014-08-06 | 无锡南理工科技发展有限公司 | 一种稀疏型车联网场景下基于节点传输匹配协调值的dtn路由方法 |
CN104144193A (zh) * | 2013-05-10 | 2014-11-12 | 阳立电子(苏州)有限公司 | 车联网紧急消息传输信息的分布式分配方法及系统 |
-
2015
- 2015-04-24 CN CN201510201671.9A patent/CN104851282B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102004031802A1 (de) * | 2004-07-01 | 2006-01-26 | Daimlerchrysler Ag | Verfahren zur Ausgabe von Informationen über ein Verkehrswegenetz in einem Kraftfahrzeug |
US20090175171A1 (en) * | 2006-08-30 | 2009-07-09 | Nikolova Evdokia V | Method for finding optimal paths using a stochastic network model |
CN103116995A (zh) * | 2013-01-09 | 2013-05-22 | 同济大学 | 基于电子眼的车联网数据传输路径选择优化方法 |
CN103974364A (zh) * | 2013-02-04 | 2014-08-06 | 无锡南理工科技发展有限公司 | 一种稀疏型车联网场景下基于节点传输匹配协调值的dtn路由方法 |
CN104144193A (zh) * | 2013-05-10 | 2014-11-12 | 阳立电子(苏州)有限公司 | 车联网紧急消息传输信息的分布式分配方法及系统 |
CN103813405A (zh) * | 2014-02-10 | 2014-05-21 | 北京智谷睿拓技术服务有限公司 | 选路方法及选路节点 |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105049355A (zh) * | 2015-08-21 | 2015-11-11 | 中国联合网络通信集团有限公司 | 一种路由方法和装置 |
CN105553780A (zh) * | 2016-01-08 | 2016-05-04 | 同济大学 | 一种城市场景中有基础设施的车联网连通性模型推演方法 |
CN105827688A (zh) * | 2016-01-08 | 2016-08-03 | 同济大学 | 城市场景中车联网大规模异构网络连通性质的研究方法 |
CN105553780B (zh) * | 2016-01-08 | 2018-10-26 | 同济大学 | 一种城市场景中有基础设施的车联网连通性模型推演方法 |
CN105722176A (zh) * | 2016-01-29 | 2016-06-29 | 同济大学 | 城市场景中有基础设施的车联网大规模异构网络的连通性方法 |
CN105722176B (zh) * | 2016-01-29 | 2019-04-02 | 同济大学 | 城市场景中有基础设施的车联网大规模异构网络的连通性方法 |
CN106202582B (zh) * | 2016-08-31 | 2020-07-14 | 北京冀凯信息技术有限公司 | 企业分布式数据仓库中的任务调度方法及系统 |
CN106202582A (zh) * | 2016-08-31 | 2016-12-07 | 北京中机盛科软件有限公司 | 企业分布式数据仓库中的任务调度方法及系统 |
CN107231408A (zh) * | 2017-05-03 | 2017-10-03 | 同济大学 | 城市道路中基于车辆状态预测的连通性模型的构造方法 |
CN107231408B (zh) * | 2017-05-03 | 2020-08-14 | 同济大学 | 城市道路中基于车辆状态预测的连通性模型的构造方法 |
CN107231300A (zh) * | 2017-05-10 | 2017-10-03 | 同济大学 | 城市道路中基于车辆状态预测的连通性模型的路由方法 |
CN109040950A (zh) * | 2018-06-15 | 2018-12-18 | 广州杰赛科技股份有限公司 | 锚点分配方案确定方法、装置和对象定位方法 |
CN109040950B (zh) * | 2018-06-15 | 2021-06-18 | 广州杰赛科技股份有限公司 | 锚点分配方案确定方法、装置和对象定位方法 |
CN109640295A (zh) * | 2019-01-31 | 2019-04-16 | 同济大学 | 城市场景中有基础设施车联网面向连通预测的候选节点集构造方法 |
CN109996174A (zh) * | 2019-04-16 | 2019-07-09 | 江苏大学 | 一种面向车载自组织网络内容路由的路段实时评分方法 |
CN109996174B (zh) * | 2019-04-16 | 2020-12-18 | 江苏大学 | 一种面向车载自组织网络内容路由的路段实时评分方法 |
CN110446179A (zh) * | 2019-07-02 | 2019-11-12 | 长沙理工大学 | 应用于车联网弯道场景的中继节点最优位置的选取方法 |
CN110446179B (zh) * | 2019-07-02 | 2020-07-24 | 长沙理工大学 | 应用于车联网弯道场景的中继节点最优位置的选取方法 |
Also Published As
Publication number | Publication date |
---|---|
CN104851282B (zh) | 2017-11-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104851282A (zh) | 基于连通性机制的城市车联网数据传输路径选择方法 | |
Liu et al. | A survey on position-based routing for vehicular ad hoc networks | |
Al-Mayouf et al. | Real-time intersection-based segment aware routing algorithm for urban vehicular networks | |
CN103298059B (zh) | 车辆自组网中基于位置预测的连通度感知路由方法 | |
Zhang et al. | A new method of fuzzy multicriteria routing in vehicle ad hoc network | |
Khan et al. | A Traffic Aware Segment-based Routing protocol for VANETs in urban scenarios | |
Nahar et al. | Csbr: A cosine similarity based selective broadcast routing protocol for vehicular ad-hoc networks | |
Balico et al. | A prediction-based routing algorithm for vehicular ad hoc networks | |
Bhoi et al. | Local traffic aware unicast routing scheme for connected car system | |
Alzamzami et al. | Geographic routing enhancement for urban VANETs using link dynamic behavior: A cross layer approach | |
Dua et al. | An intelligent context-aware congestion resolution protocol for data dissemination in vehicular ad hoc networks | |
Zeng et al. | A geographical routing protocol based on link connectivity analysis for urban VANETs | |
Agrawal et al. | Fuzzy logic based greedy routing (FLGR) in multi-hop vehicular ad hoc networks | |
Kannadhasan et al. | System model of VANET using optimization-based efficient routing algorithm | |
Theerthagiri et al. | Vehicular multihop intelligent transportation framework for effective communication in vehicular ad‐hoc networks | |
Akhtar et al. | Analysis of distributed algorithms for density estimation in vanets (poster) | |
de Sousa et al. | DisTraC: A distributed and low-overhead protocol for traffic congestion control using vehicular networks | |
Laroiya et al. | Energy efficient routing protocols in vanets | |
Nahar et al. | OBQR: orientation-based source QoS routing in VANETs | |
Dinesh et al. | Adaptive hybrid routing protocol for vanets | |
Garrosi | Enhanced intersection-based perimeter geo-routing in urban vehicular ad-hoc networks | |
CN107911296A (zh) | 基于骨干链路保障时延的地理位置路由方法、车载终端 | |
Altoaimy et al. | Mobility data verification for vehicle localization in vehicular ad hoc networks | |
Teixeira et al. | NAV2V: Navigation Assisted V2V Routing Protocol for Urban Areas | |
Wu | GeoTAR: A map-based and traffic-aware VANET routing in urban scenario |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
EXSB | Decision made by sipo to initiate substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |