CN105260551A - 车联网中节点分布特性分析方法 - Google Patents

Abstract

一种车联网中节点分布特性分析方法，本涉及车联网技术领域。本发明选择SUMO和网络仿真软件OMNET++进行交通和网络联合仿真，并利用Veins实现两者的信息交互，实现双向通信，完成交通的模拟和数据的采集的实验平台，并选择具有权威性的数据集进行仿真实验并采集其中道路信息。结果表明，在车联网这个无尺度网络中，大部分车辆只与极少数车辆进行消息通信，这些关键车辆节点对网络信息的转发具有重要价值；高速公路场景的车流量一般能维持在一个稳定的水平，而城市道路状态变化剧烈，网络节点则表现的时而稠密，时而稀疏，因此需针对城市场景需要特殊的方法进行处理。

Description

车联网中节点分布特性分析方法

技术领域

本发明涉及车联网技术领域。

背景技术

车联网环境是由无线网络环境和现实的道路情况相结合组成的复杂网络，需要考虑到车辆节点状态信息、移动轨迹以及移动模型等，整体运行复杂。在车联网环境下，由于车辆节点的高速移动，车辆节点组成的网络拓扑会频繁变化，车辆之间的网络也不断的连接和断开，导致这个网络连接很不稳定，通达性不能保证。

发明内容

本发明目的在于公开一种车联网中节点分布特性分析方法。在车联网中，高速公路场景通常可以看作一个一维的交通场景，车辆只能沿着高速公路双方向行驶，因而运动轨迹和节点分布具有一定的规律性。然而可能存在沿某条道路行驶的车辆节点较多的情况，由于交通事故或者雨雪天气多数节点拥塞在某一路段，收费站、服务区等车辆节点也可能众多。城市场景则不同于高速公路场景，道路交通更为交错复杂，且上下班高峰、交通事故等不确定因素使得道路交通拥塞，闲时某些偏僻路段的车辆稀疏，高楼大厦对网络通信的阻碍都是车联网通达性问题研究中要考虑的问题。因此，对网络中节点分布特性的研究很有必要，本发明通过实验分别对高速公路场景和城市场景的节点分布特性进行分析，为车联网相关技术研究提供实验依据。

本发明技术方案：

本发明选择SUMO和网络仿真软件OMNET++进行交通和网络联合仿真，并利用Veins实现两者的信息交互，实现双向通信，完成交通的模拟和数据的采集的实验平台，并选择具有权威性的数据集进行仿真实验并采集其中道路信息。结果表明，在车联网这个无尺度网络中，大部分车辆只与极少数车辆进行消息通信，这些关键车辆节点对网络信息的转发具有重要价值；高速公路场景的车流量一般能维持在一个稳定的水平，而城市道路状态变化剧烈，网络节点则表现的时而稠密，时而稀疏，因此需针对城市场景需要特殊的方法进行处理。

本发明通过实验分别对高速公路场景和城市场景的节点分布特性进行分析，为车联网相关技术研究提供实验依据。

附图说明

图1仿真实验平台

图2TAPASCologne在SUMO上仿真后得到的在6:00到8:00时间段车辆数量随时间分布图

图3所示为TAPASCologne上郊区一高速公路上已长度为400m的路段在SUMO上仿真后得到的在6:00到8:00时间段车辆数量随时间分布图((a)6:03，不服从长尾分布；(b)7:17，服从长尾分布；(c)7:45，服从长尾分布)

图4三个时间点的度-频次分布图

图5节点稀疏道路

图6路口A车辆数变化趋势图

图7节点稠密道路

图8路口B车辆数变化趋势图

具体实施方式

车联网系统是个复杂的系统，其网络拓扑变化剧烈，因而车联网路由协议性能受网络中节点分布差异的影响，而目前的车联网路由协议未能针对节点分布特性做出系统性的研究，因此它们受限于其使用场景。本发明通过实验方法分析车联网中节点分布特性，目的是为车联网相关技术研究提供实验依据。

.1车联网数据采集方法及结果

在车联网的数据采集中，由于现阶段的技术导致采集真实的道路信息需要大量的成本，且采集的数据在传输过程中可能被损坏，所以利用仿真软件是较好的选择。仿真数据的真实性也反映了实验结果的真实性，因此，我们选择了具有权威性的数据集进行仿真实验并采集其中道路信息。

1.1仿真平台

车联网仿真一般会涉及交通仿真和网络仿真。交通仿真是采用软件方法模拟真实道路交通状态的方法，它可以对城市规划和交通管理等进行模拟仿真和评价，而网络仿真则是利用软件方法模拟一个网络群体中数据的传输和每个个体的行为方式，从而可以利用统计方法分析网络性能。

常用的道路交通仿真软件有SUMO、VISSIM、Paramics、TransModeler等，其中应用较广的属于VISSIM和SUMO。VISSIM^[43]能够模拟许多城市内和非城市内的交通状况，特别适合模拟各种城市交通控制系统。SUMO^[44]则是一款开源的微观交通模拟器，它把道路上单个车辆作为模拟的基本单位，模拟单个车辆间的关系、车辆与道路的关系以及车辆与行人的关系。微观交通模拟是基于跟车模型的基础对道路交通进行建模，其中有车辆节点移动的基本规则，即跟车模型。在微观交通模拟中可以详细的描述出每个节点的时间、速度、加速度、所在道路、行驶路线等信息，并可以实时获取网络中各个节点的状态信息并处理。

SUMO的开源性和易用性使得我们选择SUMO和网络仿真软件OMNET++进行交通和网络联合仿真，并利用Veins^[45]实现两者的信息交互，实现双向通信，完成交通的模拟和数据的采集。其中，OMNET++是一款用于离散事件仿真模拟的网络仿真软件，Veins是一个开源的用于实现车辆间通信的仿真框架。

由于在对车联网进行模拟仿真时，既需要模拟消息的传递过程，也需要通过改变车辆移动轨迹实现对所收到消息的反馈，期间的通信就需要Veins支持。Veins是两个模拟器之间的桥梁，其中SUMO作为服务端，负责交通流仿真，控制车辆的移动；OMNET++作为客户端，负责网络仿真，控制消息包的发送与传递，这种通信方式称为TraCI(TrafficControlInterface)，如图1所示。SUMO和OMNET++之间采用TCP连接的方式，利用Socket实现信息交互。

同时，由于在传统的车联网仿真中，无线通信模型通常直接采用802.11a或对其中相关参数稍加改变，但这一方式已无法满足对仿真准确度的要求，而Veins则采用了较新的的IEEE802.11p协议和DSRC/WAVE仿真模型，它可以完整的模拟WAVE的所有特性，例如多信道以及QoS支持等。因此，Veins也很符合要求，最终的实验平台由SUMO、Veins、OMNET++组成。

本发明实验采用的SUMO版本为0.21.0，OMNET++版本为4.3.1，Veins版本为3.0，它们都运行在Windows7操作系统上。开发环境为OMNET++集成的Eclipse。通过修改cologne.sumo.cfg配置文件，设置每10s获取当前道路所有车辆信息，并写入文件中，得到的数据通过Veins自带工具转换成csv格式，便于后续数据分析。

1.2数据集

本发明采用的数据集是TAPASCologne^[46]大规模数据集(来源于theInstituteofTransportationSystemsattheGermanAerospaceCenter(ITS-DLR))。该数据集是目前可在线获取的规模最大的数据集，它采集了德国科隆市区400平方千米内的道路信息和车辆移动信息，而生成的一天24小时在该区域的车辆节点的移动轨迹。但由于24小时数据量巨大，我们只采用了早上6点至8点的时间的数据。Veins可以直接使用TAPASCologne数据集而无需任何转换。采集的数据如表1所示。

表1SUMO仿真结果数据^[26]

名称	类型	注释
			timesteptime	(simulation)seconds	仿真时间
timestepid	id	仿真器id
			vtype	id	车辆型号
vehicleid	(vehicle)id	车辆id
			lane	(lane)id	所在道路id
pos	m	车辆所在道路上位置
			x	m	网络中车辆x轴坐标
y	m	网络中车辆y轴坐标
			lat	degrees*100,000	纬度
lon	degrees*100,000	经度
			speed	m/s	时速

其中，vehicleid、x、y、lat、lon、speed是后续数据处理的主要依据，vehicleid用于区分不同的车辆，x和y对应为地图上的位置坐标，lat和lon用于计算不同车辆的距离，从而确定邻居节点等信息，speed是车辆行驶的关键数据。由于仿真软件的限制，我们无法获取车辆的加速度、海拔、当前车况等关键信息，但这不影响后续实验的结果。

(案例)

图2为TAPASCologne在SUMO上仿真后得到的在6:00到8:00时间段车辆数量随时间分布图。6:00时由于处于仿真起始阶段，仿真节点缓慢加入，并且由于未进入上班高峰，真实道路上车辆也少，符合真实情况；6:15后，进入上班高峰，城市道路车辆数量高速增长，6:30后，增长放缓，但增长趋势一直持续一个多小时。大约在7:30时，整个城市车辆数达到顶峰，约8600辆。此后，车辆数呈快速下降之势，城市道路状态逐渐恢复平稳。

(1)节点移动模型对分布特性影响

车联网中节点的移动规律对通达性问题有重大影响。节点移动的快慢影响着车联网网络拓扑变化的快慢，节点移动的方向影响着车联网网络拓扑变化的趋势，通过研究车联网节点移动规律，可以为通达性路由机制的研究提供实验依据。在仿真平台中，节点的移动规律被称作跟车模型。根据仿真规模的大小可分为三种模型，宏观模型考虑道路整体平均车流密度，平均速度等宏观指标；微观模型是仿真道路上每个车辆的移动，一般假定车辆行为同时依赖于车辆的物理属性和驾驶员的控制行为^[43]；中观模型则是宏观模型和微观模型的折衷，它的粒度介于微观模型与宏观模型之间。

由于通达性问题研究主要针对的是节点间的问题，因此是微观模型的范畴。微观模型的主要有GM(GeneralMotor)模型，Krauss模型、心理-生理类驾驶行为模型和IDM(IntelligentDrivingModel)以及IDM的演变模型。所采用车辆仿真平台SUMO中使用的是Krauss模型的演化版本SUMOKrauβ。该模型假定驾驶员有大约1s的反应时间，并使用表2.2中5个参数

表2.2SUMOKrauβ模型参数

参数	单位	备注
			accel	m/s2	车辆最大加速度
decel	m/s2	车辆最大减速度
			Vmax	m/s	最大车速
l	m	车辆长度
			€	€∈(0,1)	驾驶员处理期望车速时缺陷

该模型使用如下公式(1)计算安全车速

$v_{safe}=v_l\left(t\right)+\frac{g\left(t\right)-v_l\left(t\right)*\mathrm{\τ}}{\frac{v_l\left(t\right)+v_f\left(t\right)}{2*b}+\mathrm{\τ}}---\left(1\right)$

安全车速是为能适应前车减速行为而设定的当前车速，其中v_l(t)为时刻t时的前车速度，v_f(t)为时刻t时的后车速度，g(t)为时刻t时前后车距，τ为驾驶员的反应时间。当然，SUMO中使用的跟车模型是在此模型基础上进行了适当的改进，使它更加符合真实情况。从公式(1)可见，在SUMO中，计算出的安全车速，即仿真模拟的预计车速只跟前后车的速度和前后车距相关，而与其它因素无关。因此一般仿真下的车联网中节点移动模型只能影响前后车的移动速度，从而可以在局部范围内影响车辆的聚集程度，进而影响整个网络状态。

在高速公路场景，由于场景单一，车辆一般都同向行驶，若须向前方发送消息，只需转发给同向速度较快的车辆或者前方车辆，若须向后方发送消息，则转发到反向车道上车辆即可。图3所示为TAPASCologne上郊区一高速公路上已长度为400m的路段在SUMO上仿真后得到的在6:00到8:00时间段车辆数量随时间分布图，其车辆节点数一般保持在20-50之间，网络状态较为稳定。

(2)网络节点度分布的长尾性

车联网属于无尺度网络的范畴。无尺度网络是带有一类特性的复杂网络，其典型特征是在网络中的大部分节点只和很少节点连接，而有极少的节点与非常多的节点连接^[6]，也可以用BA模型^[7-8]来解释它。BA模型基于两个假设：

增长模式：不少现实网络是不断扩大不断增长而来的，例如互联网中新网页的诞生，人际网络中新朋友的加入，新的论文的发表，航空网络中新机场的建造、车联网中车辆的加入等等。

优先连接模式：新的节点在加入时会倾向于与有更多连接的节点相连，例如新网页一般会有到知名的网络站点的连接，新加入社群的人会想与社群中的知名人士结识，新的论文倾向于引用已被广泛引用的著名文献，新机场会优先考虑建立与大机场之间的航线，车联网中车辆优先和部分车辆通信等等。

在此基础上，另一种基于BA模型的推广版本是局域世界演化模型。这个模型假设每个新节点在进入网络时先在局部范围内节点进行优先连接，而不能与全局环境交互。比如居民刚进入新环境优先和隔壁邻居进行联系互动，车辆优先和启动时的某一区域开始通信等等。局域世界演化模型则更适合车联网的研究。它将BA模型优先连接的机制改为：新加入的节点时，先选择全部节点的一部分(随机选取的M个节点)作为局域世界，然后再在局域世界中进行优先连接^[50]。这部分产生的网络从服从指数分布逐渐过渡到服从幂律分布。

为了验证上述理论的真实性，针对TAPASCologne数据集，分别取6:03、7:17，7:45三个时间点，采集所有车辆的状态信息，计算出每个网络节点度，这里

定义1.网络节点度D：给定一个网络区域，对于其中任意一个节点i，在其通信半径内网络节点的数量即为网络节点度。

并统计出符合相应度的车辆出现的频次，绘制如图4所示。

从上图4可以看出，6:03时，虽然由于车辆较少，不服从长尾分布，但也表现出了一定的长尾分布的特性，7:17和7:45则明显表现出了长尾分布的特性，在网络中的大部分节点只和很少节点连接，而有极少的节点与非常多的节点连接，度小于20的节点占据大部分比例，而度大于80的节点在7:17存在量极少，在6:03和7:45则几乎不存在，这同样也和无尺度网络相关特性吻合。

鉴于以上结论，车联网中车辆总是和很少节点连接，因此可针对车联网中节点进行筛选，得到优异的节点，即可利用这些节点转发网络中大部分信息，提高网络信息送达率。又由于车联网满足局域世界演化模型，当有新车辆加入时，车辆优先和局部世界车辆通信，本发明可以选择局部世界的优异节点对当前节点数据进行转发，从而提高网络通达性。

(3)城市道路网络中节点分布的稀疏性与稠密性

现代城市道路网络越来越复杂，网络中任何细微突变都会导致一大片区域网络波动。例如，当城市进入上下班高峰，大量私家车、出租车和公交车等将会在主干道路拥塞，而非主干道路则会呈现无车行驶状态，这时对应的车联网网络状态将呈现稠密状态和稀疏状态。当某道路上发生交通事故，事故附近车辆数会急剧增加，导致交通拥堵，车联网网络呈现稠密状态，但由于事故信息被广播出去，多数司机选择绕路行驶，事故附件车辆数增加缓慢，随着交通事故处理的完毕，道路状态会慢慢恢复正常。

由于实验条件限制，这里采用交通仿真软件SUMO进行仿真，并收集仿真结果进行分析。

如图5所示，四幅图中道路均处于稀疏状态。右下角道路还有若干辆车行驶，若消息通过此路传输，可以正常传送，但若消息传输需要通过剩下三幅道路时，由于没有车辆节点作为中继节点，信息将无法继续传输，导致信息丢失。图5显示的一些道路静态的状态，图6则是针对某一路口采集的车辆数动态信息，可以看出这个路口从6:00到8:00之间车辆数最高为6，且道路车辆数量波动较小，说明此路口非交通要道，上班高峰对此道路状态也几乎没有影响，且多数时刻此路口车辆数为0，这将会产生通信盲区。

图7中是一些节点稠密道路，由于上下班高峰或者是由于交通事故等突发情况，大量车辆聚集在一些交通要道，车联网中消息通过此路口传输时可有多数中继节点选择，一般的路由算法可以通过基于地图信息和位置信息的方法最大化传递信息，但也常常带来一些回环等问题，消息广播也时常会产生广播风暴问题，因此，需要适当的方法进行处理，降低这些问题产生的概率。

图8中呈现的是某一重要路口车辆数变化趋势图，从图中可以发现，此路口自6:00后一直有车辆通过，且数量一般维持在20-40左右，约在7:20，车辆数集聚上升再下降，可能由于短暂的交通事故引起。此路口的车联网网络状态一般呈现稠密状态。

因此，当车联网网络处于稀疏状态时，由于不能借助车辆节点通信，须通过RSU、3G/4G基站等中转消息，当车联网网络处于稠密状态时，须通过适当的处理方法，从而降低消息转发频次，减少广播风暴概率。

创新点：

目前的车联网路由协议未能针对节点分布特性做出系统性的研究，本发明根据高速公路和城市道路中不同的交通流特征，结合车辆跟驰模型，分别提出车联网中车辆节点的分布特性。本发明选择SUMO和网络仿真软件OMNET++进行交通和网络联合仿真，并利用Veins实现两者的信息交互，实现双向通信，完成交通的模拟和数据的采集的实验平台，并选择具有权威性的数据集进行仿真实验并采集其中道路信息。结果表明，在车联网这个无尺度网络中，大部分车辆只与极少数车辆进行消息通信，这些关键车辆节点对网络信息的转发具有重要价值；高速公路场景的车流量一般能维持在一个稳定的水平，而城市道路状态变化剧烈，网络节点则表现的时而稠密，时而稀疏，因此需针对城市场景需要特殊的方法进行处理。

参考文献：

[1]ChoiS,KimE,OhS.Humanbehaviorpredictionforsmarthomesusingdeeplearning[C],ROMAN.IEEE,2013:173～179

[2]N.Lownes,R.Machemehl.Vissim.Amulti-parametersensitivityanalysis.InWinterSimulationConference,dec.2006,pp1406～1413.

[3]SumoofficialWebsites.[EB/OL].http://sumo.dlr.de/wiki/Simulation,2014/03/04.

[4]ChristophSommer,ReinhardGerman,FalkoDressler,BidirectionallyCoupledNetworkandRoadTrafficSimulationforImprovedIVCAnalysis,IEEETransactionsonMobileComputing,vol.10(1),January2011:3～15.

[5]M.Sherman,K.M.McNeill,K.Conner,P.Khuu,andT.McNevin,APMP-FriendlyMANETNetworkingApproachforWiMAX/IEEE802.16TM,inIEEEMilitaryCommunicationConference.MILCOM,2006:1～7.

Claims (2)

1.一种车联网中节点分布特性分析方法，其特征在于，选择SUMO和网络仿真软件OMNET++进行交通和网络联合仿真，并利用Veins实现两者的信息交互，实现双向通信，完成交通的模拟和数据的采集的实验平台，并选择具有权威性的数据集进行仿真实验并采集其中道路信息。

2.如权利要求1所述的分析方法，其特征在于，结果表明，在车联网这个无尺度网络中，大部分车辆只与极少数车辆进行消息通信，这些关键车辆节点对网络信息的转发具有重要价值；高速公路场景的车流量一般能维持在一个稳定的水平，而城市道路状态变化剧烈，网络节点则表现的时而稠密，时而稀疏。