CN105704031B - 一种数据传输路径确定方法及装置 - Google Patents
一种数据传输路径确定方法及装置 Download PDFInfo
- Publication number
- CN105704031B CN105704031B CN201511020602.4A CN201511020602A CN105704031B CN 105704031 B CN105704031 B CN 105704031B CN 201511020602 A CN201511020602 A CN 201511020602A CN 105704031 B CN105704031 B CN 105704031B
- Authority
- CN
- China
- Prior art keywords
- node
- classified
- nodes
- attribute
- conditional probability
- 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.)
- Active
Links
- 230000005540 biological transmission Effects 0.000 title claims abstract description 36
- 230000006854 communication Effects 0.000 claims abstract description 49
- 238000004891 communication Methods 0.000 claims abstract description 48
- 238000012549 training Methods 0.000 claims description 161
- 238000000034 method Methods 0.000 claims description 49
- 238000004364 calculation method Methods 0.000 claims description 40
- 238000005192 partition Methods 0.000 claims description 39
- 230000000737 periodic effect Effects 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 4
- 230000001960 triggered effect Effects 0.000 claims 1
- 238000004422 calculation algorithm Methods 0.000 description 19
- 238000007635 classification algorithm Methods 0.000 description 17
- 230000006870 function Effects 0.000 description 10
- 230000008569 process Effects 0.000 description 9
- 230000009471 action Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000009795 derivation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012567 pattern recognition method Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L45/00—Routing or path finding of packets in data switching networks
- H04L45/12—Shortest path evaluation
- H04L45/121—Shortest path evaluation by minimising delays
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L45/00—Routing or path finding of packets in data switching networks
- H04L45/12—Shortest path evaluation
- H04L45/122—Shortest path evaluation by minimising distances, e.g. by selecting a route with minimum of number of hops
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明公开了一种数据传输路径确定方法，包括：确定所有待分类节点分别具有的m个特征属性，其中，所述待分类节点为当前节点的邻居节点，所述m个特征属性为影响当前节点与所述待分类节点之间的通信延迟及数据可达性的属性；在待分类节点x成立的条件下，根据m个特征属性确定类别y2发生的条件概率P(y2|x)，所述类别y2表示待分类节点x能作为下一跳节点；将所有P(y2|x)中的最大值对应的待分类节点x作为下一跳节点；当前节点将数据包转发给所述下一跳节点后，判断作为新的当前节点的所述下一跳节点是否为目的节点，如果是，则结束路由，如果否，则继续执行所述确定所有待分类节点分别具有的m个特征属性的步骤。本发明还公开了一种数据传输路径确定装置。
Description
技术领域
本发明涉及通信技术领域，尤其涉及一种数据传输路径确定方法及装置。
背景技术
随着汽车自动驾驶、智能交通、智慧城市等概念的提出和不断发展，促使车辆间通讯技术得以快速成熟和发展。其中V2X，包括车-车(vehicle to vehicle，V2V)、车-基础设施(vehicle to infrastructure，V2I)之间实现信息交互的智能交通系统(IntelligentTransport System，ITS)，有效提高了ITS服务和应用效益。智能交通系统中的通信重点是车辆安全行驶、预警相关信息，这类信息具有低延时性、高优先级和高重要性等特点。
在V2X通信中，路由选择和路由转发占整个通信过程的比重最大，因此高效的路由算法对整个通信的性能影响很大。在众多路由算法中，贪婪周边无状态路由(greedyperimeter stateless routing，GPSR)是一种无状态的路由算法，不需要维护路由表，适合拓扑变化比较快的网络。GPSR需要网络中的节点定期通报自己的位置信息，每个节点将邻居节点的位置信息保存在本地，节点在发送数据分组前不寻找路由，不保存路由表，节点直接根据包括自己、邻节点以及目的节点的位置信息制定数据转发决策。具体地，当节点需要向目的节点转发数据分组时，首先查找邻居节点表，在比自身更接近目的节点的节点中选择距自身最远即最接近目的节点的邻居节点作为下一跳路由节点，直到数据分组到达目的节点为止；如果不存在这样的邻居节点，则使用周边转发策略，所述周边转发策略是指，当节点查找邻居节点表发现没有比自身更接近目的节点的邻居节点时，就按照右手规则来转发数据分组，所述右手规则是指数据分组沿着路径转发，但目的节点始终在转发路径的右侧。
GPSR相较于其它路由协议来说，具有算法代价小，延迟低等特点，适合路由低延时需求的数据包。GPSR路由算法用来判断下一跳节点的依据是各个邻居节点相对于目的节点的距离，并且这是唯一依据。然而，行驶在真实道路环境的车辆具有各种能够影响通信延迟、数据可达性的因素，这些因素甚至比距离因素对通信的影响更大，这些因素发挥的作用大小还受到不同环境的影响而归于动态性问题。
发明内容
有鉴于此，本发明实施例的主要目的在于提供一种数据传输路径确定方法及装置，以实现降低通信延迟、提高数据可达性的目的。
为实现上述目的，本发明实施例提供了一种数据传输路径确定方法，包括：
确定所有待分类节点分别具有的m个特征属性，其中，所述待分类节点为当前节点的邻居节点，所述m个特征属性为影响当前节点与所述待分类节点之间的通信延迟及数据可达性的属性，m大于或等于1；
在所述待分类节点x成立的条件下，根据所述m个特征属性确定类别y2发生的条件概率P(y2|x)，所述类别y2表示所述待分类节点x能作为下一跳节点；
将所有P(y2|x)中的最大值对应的待分类节点x作为下一跳节点；
当前节点将数据包转发给所述下一跳节点后，判断作为新的当前节点的所述下一跳节点是否为目的节点，如果是，则结束路由，如果否，则继续执行所述确定所有待分类节点分别具有的m个特征属性的步骤。
可选的，所述在所述待分类节点x成立的条件下，根据所述m个特征属性确定类别y2发生的条件概率P(y2|x)，包括：
在所述待分类节点x成立的条件下按照下述公式计算类别yi发生的条件概率P(yi|x)：
其中，类别y1表示所述待分类节点x不能作为下一跳节点，类别y2表示所述待分类节点x能作为下一跳节点，aj为所述m个特征属性中的第j个特征属性，P(yi)为yi发生的概率，P(aj|yi)为在yi成立的条件下aj发生的条件概率，P(yi)与P(aj|yi)是在分类器训练阶段计算得出的；P(x)为所述待分类节点x具有所述m个特征属性的概率。
可选的，所述类别y1与至少一个特定属性对应；所述确定所有待分类节点分别具有的m个特征属性之后，还包括：
若所述待分类节点的m个特征属性中包含所述特定属性，则从所述所有待分类节点中去除包含所述特定属性的待分类节点，使剩下待分类节点中的每个待分类节点执行所述计算yi发生的条件概率P(yi|x)的步骤。
可选的，所述分类器训练阶段包括：
计算训练样本中被标识为类别y1的节点数目在训练样本中的占比P(y1)，并计算训练样本中被标识为类别y2的节点数目在训练样本中的占比P(y2)；
在类别yi成立的条件下，分别计算训练样本中每一特征属性发生的条件概率。
可选的，所述特征属性被划分为至少两种离散值，或者，所述特征属性被划分为至少两个连续区间值；所述在类别yi成立的条件下，分别计算训练样本中每一特征属性发生的条件概率，包括：
在类别yi成立的条件下，分别计算训练样本中每一特征属性中每一划分发生的条件概率；
则，所述P(aj|yi)为在yi成立的条件下aj发生的条件概率，包括：
所述P(aj|yi)为在yi成立的条件下特征属性aj的对应划分发生的条件概率。
可选的，所述在类别yi成立的条件下，分别计算训练样本中每一特征属性中每一划分发生的条件概率，包括：
若所述特征属性被划分为至少两种离散值，则在类别yi成立的条件下，分别计算训练样本中所述特征属性中每一划分值对应的节点数目在训练样本中的占比；
若所述特征属性被划分为至少两个连续区间值，则在类别yi成立的条件下，按照下述公式计算训练样本中所述特征属性中每一划分区间ak(n)发生的条件概率P(ak(n)|yi)：
其中，σ为所述划分区间ak(n)的标准差，μ为所述划分区间ak(n)的期望值，n为所述划分区间的编码。
可选的，若所述训练样本中每一特征属性中每一划分发生的条件概率中存在零值，则所述方法还包括：
将训练样本中每种类别下的属于每一特征属性中每一划分的节点计数加1，重新执行所述分别计算训练样本中每一特征属性中每一划分发生的条件概率的步骤；
或者，在训练样本中每一特征属性中每一划分发生的条件概率的基础上，分别加上一个预设常数。
可选的，所述将所有P(y2|x)中的最大值对应的待分类节点x作为下一跳节点之前，还包括：
判断所述所有P(y2|x)中是否存在最大值，如果是，则继续执行所述将所有P(y2|x)中的最大值对应的待分类节点x作为下一跳节点的步骤，如果否，则当前节点将数据包广播给所有邻居节点，接收到所述数据包的邻居节点为当前节点的下一跳节点，继续执行所述当前节点将数据包转发给所述下一跳节点的步骤。
可选的，所述m个特征属性包括以下一个或多个属性：
所述待分类节点与所述目的节点之间的数据传输距离；
所述当前节点与所述待分类节点之间的线路传输延迟；
所述待分类节点的负载；
所述待分类节点的兼容性；
所述待分类节点的丢包率；
所述当前节点与所述待分类节点的天线指向；
所述待分类节点的故障状态。
可选的，所述分类器训练阶段的计算结果为周期性训练结果中的最新结果。
本发明实施例还提供了一种数据传输路径确定装置，包括：
属性确定单元，用于确定所有待分类节点分别具有的m个特征属性，其中，所述待分类节点为当前节点的邻居节点，所述m个特征属性为影响当前节点与所述待分类节点之间的通信延迟及数据可达性的属性，m大于或等于1；
概率计算单元，用于在所述待分类节点x成立的条件下，根据所述m个特征属性确定类别y2发生的条件概率P(y2|x)，所述类别y2表示所述待分类节点x能作为下一跳节点；
节点选择单元，用于将所有P(y2|x)中的最大值对应的待分类节点x作为下一跳节点；
节点判断单元，用于当前节点将数据包转发给所述下一跳节点后，判断作为新的当前节点的所述下一跳节点是否为目的节点，如果是，则结束路由，如果否，则利用所述属性确定单元继续实现所述确定所有待分类节点分别具有的m个特征属性的功能。
可选的，所述概率计算单元，具体用于在所述待分类节点x成立的条件下按照下述公式计算类别yi发生的条件概率P(yi|x)：
其中，类别y1表示所述待分类节点x不能作为下一跳节点，类别y2表示所述待分类节点x能作为下一跳节点，aj为所述m个特征属性中的第j个特征属性，P(yi)为yi发生的概率，P(aj|yi)为在yi成立的条件下aj发生的条件概率，P(yi)与P(aj|yi)是在分类器训练阶段计算得出的；P(x)为所述待分类节点x具有所述m个特征属性的概率。
可选的，所述类别y1与至少一个特定属性对应；所述装置还包括：
快速判定单元，用于在所述属性确定单元确定所有待分类节点分别具有的m个特征属性之后，若所述待分类节点的m个特征属性中包含所述特定属性，则从所述所有待分类节点中去除包含所述特定属性的待分类节点，利用所述概率计算单元使剩下待分类节点中的每个待分类节点实现所述计算yi发生的条件概率P(yi|x)的功能。
可选的，所述装置还包括：
分类器训练单元，用于对所述分类器进行训练；
所述分类器训练单元包括：
边缘概率计算模块，用于计算训练样本中被标识为类别y1的节点数目在训练样本中的占比P(y1)，并计算训练样本中被标识为类别y2的节点数目在训练样本中的占比P(y2)；
条件概率计算模块，用于在类别yi成立的条件下，分别计算训练样本中每一特征属性发生的条件概率。
可选的，所述特征属性被划分为至少两种离散值，或者，所述特征属性被划分为至少两个连续区间值；所述条件概率计算模块具体用于在类别yi成立的条件下，分别计算训练样本中每一特征属性中每一划分发生的条件概率；
则，所述P(aj|yi)为在yi成立的条件下aj发生的条件概率，包括：
所述P(aj|yi)为在yi成立的条件下特征属性aj的对应划分发生的条件概率。
可选的，所述条件概率计算模块，包括：
第一条件概率计算子模块，用于若所述特征属性被划分为至少两种离散值，则在类别yi成立的条件下，分别计算训练样本中所述特征属性中每一划分值对应的节点数目在训练样本中的占比；
第二条件概率计算子模块，用于若所述特征属性被划分为至少两个连续区间值，则在类别yi成立的条件下，按照下述公式计算训练样本中所述特征属性中每一划分区间ak(n)发生的条件概率
其中，σ为所述划分区间ak(n)的标准差，μ为所述划分区间ak(n)的期望值，n为所述划分区间的编码。
可选的，若所述训练样本中每一特征属性中每一划分发生的条件概率中存在零值，则所述分类器训练单元还包括：
冷处理模块，用于将训练样本中每种类别下的属于每一特征属性中每一划分的节点计数加1，利用所述条件概率计算模块重新实现所述分别计算训练样本中每一特征属性中每一划分发生的条件概率的功能，或者，在训练样本中每一特征属性中每一划分发生的条件概率的基础上，分别加上一个预设常数。
可选的，所述装置还包括：
数据广播单元，用于在所述节点选择单元将所有P(y2|x)中的最大值对应的待分类节点x作为下一跳节点之前，判断所述所有P(y2|x)中是否存在最大值，如果是，则继续利用所述节点选择单元实现所述将所有P(y2|x)中的最大值对应的待分类节点x作为下一跳节点的功能，如果否，则当前节点将数据包广播给所有邻居节点，接收到所述数据包的邻居节点为当前节点的下一跳节点，继续利用所述节点判断单元实现当前节点将数据包转发给所述下一跳节点的功能。
可选的，所述m个特征属性包括以下一个或多个属性：
所述待分类节点与所述目的节点之间的数据传输距离；
所述当前节点与所述待分类节点之间的线路传输延迟；
所述待分类节点的负载；
所述待分类节点的兼容性；
所述待分类节点的丢包率；
所述当前节点与所述待分类节点的天线指向；
所述待分类节点的故障状态。
可选的，所述分类器训练阶段的计算结果为周期性训练结果中的最新结果。
本发明实施例提供的数据传输路径确定方法及装置，通过确定所有待分类节点分别具有的m个特征属性，所述待分类节点x的m个特征属性是影响当前节点与所述待分类节点x之间的通信延迟及数据可达性的属性，在所述待分类节点x成立的条件下计算类别yi发生的条件概率P(yi|x)，由于P(yi|x)是利用分类器训练阶段中的计算结果计算得出，其使得计算出的所有P(y2|x)中的最大值对应的待分类节点x即下一跳节点，是通信延迟最低且能够成功通信的节点，可见，本发明实施例通过考虑所有影响当前节点与所述待分类节点之间的通信延迟及数据可达性的特征属性来选择下一跳节点，可有效降低通信延迟、提高数据可达性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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为本发明实施例确定数据传输路径的方法框图；
图2为本发明实施例数据传输路径确定方法的流程示意图；
图3为本发明实施例数据传输路径确定装置的组成示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明实施例提供数据传输路径确定方法置，能够在较低通信延迟内、以及可接受的数据送达率的前提下，提供适合车辆安全行驶、预警相关等通信内容的路由算法。本算法在传统GPSR算法的基础上，采用朴素贝叶斯分类算法动态分析车辆间多环境因素，从而找到更加精确的最优低延时数据传输路径，同时还考虑了通信中的可靠性因素，在一定程度上提高了数据送达的成功率。本算法解决了一般GPSR路由算法依靠单一距离因素，不能在实际交通环境的多因素背景下正确选择最低延迟路径的问题。同时，基于监督学习的分类算法通过不断训练，能有效适应新的环境变化并对节点分类结果作出动态调整，解决了普通GPSR算法无法适应环境动态变化对路由选择造成影响的问题。本发明还解决了一般GPSR路由算法对可靠性因素不做考虑而导致的数据送达率较低问题。
分类算法是机器学习算法中的一类重要算法，它是根据数据集的特点构造一个分类器，利用分类器对未知类别的样本赋予类别的一种技术。解决分类问题的方法很多，主要包括：决策树、贝叶斯、人工神经网络、K-近邻、支持向量机等。对于车载网络通信，决策树不具备动态学习能力；人工神经网络可以解决多维大量特征的分类问题，但训练阶段计算量十分巨大，不适合在车载平台进行周期性学习训练；K-近邻可以给出分类结论，但不能进一步精确评估属于某分类的概率到底有多大，从而无法评估最优性问题；支持向量机精确度很高，训练速度快，但评估速度很慢，不满足路由运算对速度的要求；而朴素贝叶斯(Naivebayes)分类算法在训练和评估阶段速度同样较快，可以周期性学习训练，可评估属于某分类条件概率到底有多大，从而能够评估最优性问题。
贝叶斯分类算法以贝叶斯定理为理论基础，是一种在已知先验概率和条件概率的情况下的模式识别方法。贝叶斯分类器通常分为两种，一种是朴素贝叶斯(Naive bayes)分类器，它假设一个属性对给定分类的影响独立于其他属性，即特征独立性假设，当此假设成立时，与其他分类算法相比，朴素贝叶斯分类器是比较精确的；另一种是贝叶斯网络分类器，考虑了属性之间的依赖关系和程度，其计算复杂度比朴素贝叶斯高得多，且实现代价大。
朴素贝叶斯(Naive bayes)分类算法属于监督学习(Supervised learning)类算法的一种。监督学习是从标记的训练数据来推断一个功能的机器学习任务，也称监督训练或有教师学习。计算机要通过学习才能具有识别各种事物和现象的能力，用来进行学习的材料就是与被识别对象属于同类的有限数量样本。监督学习中在给予计算机学习样本的同时，还告诉计算机各个样本所属的类别(答案)，每个实例都是由一个输入对象(通常为矢量)和一个期望的输出值(也称为监督信号)组成。监督学习算法是分析该训练数据，并产生一个推断的功能，其可以用于映射出新的实例。监督学习类算法能够提供机器动态学习和适应环境变化的能力。
朴素贝叶斯分类算法通常可以定义为如下问题：
已知集合C＝{y1,y2,......yn}和I＝{x1,x2,......xm}，确定映射规则y＝f(x)，使得对于任意xi∈I有且仅有一个yj∈C使yj＝f(xi)成立。其中，C叫做类别集合，类别集合中的每一个元素是一个类别，I叫做项集合，项集合中的每一个元素是一个待分类项，f叫做分类器，分类算法的任务就是构造分类器f。
贝叶斯定理(Bayes theorem)，与随机变量的条件概率以及边缘概率分布有关。贝叶斯定理解决了现实生活里经常遇到的问题：已知某条件概率，如何得到两个事件交换后的概率。条件概率可以表示为P(A|B)，其含义为在事件B已经发生的前提下事件A发生的概率，叫做事件B发生下事件A的条件概率。
P(A|B)的求解公式为：
贝叶斯定理就是在条件概率P(A|B)已知的情况下如何求得P(B|A)，P(B|A)的求解公式为：
朴素贝叶斯(naive bayes)分类算法的基本思想是：对于给出的待分类项，求解在此待分类项发生的条件下各个类别发生的条件概率，其中最大的条件概率对应的类别，被认为是此待分类项的所属类别。朴素贝叶斯假定各个特征之间是独立分布的。
朴素贝叶斯分类算法的定义如下：
设x＝{a1,a2,......am}为一个待分类项，其中a1,a2,......am为x的m个特征属性。针对类别集合C＝{y1,y2,......yn}中的每一类别，计算条件概率P(y1|x)，P(y2|x)，……，P(yn|x)。
如果P(yk|x)＝max{P(y1|x),P(y2|x),......P(yn|x)}，则待分类项x的类别为yk，其中yk∈C。
其中，P(y1|x),P(y2|x),......P(yn|x)的计算步骤如下：
(1)、找到一个已知分类的待分类项集合，这个集合叫做训练样本集。
(2)、在训练样本集中，计算在各类别发生的条件下每个特征属性发生的条件概率估计，即计算P(a1|y1)，P(a2|y1)，……P(am|y1)；P(a1|y2)，P(a2|y2)，……P(am|y2)；……；P(a1|yn)，P(a2|yn)，……P(am|yn)。
(3)、如果各个特征属性是条件独立的，则根据贝叶斯定理有如下推导：
因为分母对于所有类别为常数，因此分子可做最大化处理，又因为各个特征属性是条件独立的，所以：
P(x|yi)p(yi)＝P(a1|yi)P(a2|yi)......P(am|yi)p(yi)
朴素贝叶斯分类的过程主要分为三个阶段：
(1)、预处理阶段。这个阶段的任务是为朴素贝叶斯分类做必要的准备，主要工作是根据具体情况确定特征属性，并对每个特征属性进行适当划分。
(2)、分类器训练阶段。这个阶段的任务是生成分类器，首先收集训练样本形成训练样本集，然后计算每个类别在训练样本中的出现比重及每个特征属性划分对每个类别的条件概率估计。其输入是特征属性和训练样本，输出是分类器。分类器的质量很大程度上由特征属性、特征属性划分及训练样本质量决定。
(3)、分类计算阶段。这个阶段的任务是使用分类器对“待分类项”进行分类，其输入是分类器和待分类项，输出是待分类项与类别的映射关系。
上述内容是对朴素贝叶斯分类算法进行的介绍，下面基于朴素贝叶斯分类算法具体介绍本发明实施例。
最优低延时路径，是指在整个车载通信环境中，从数据源所在车辆到数据目标所在车辆间的一条可连通的具有最低延时的路径。该路径的确定过程中参考了车载环境中的多个关键特征并采用监督学习的朴素贝叶斯分类算法。由于选取的多个特征具有近似的特征独立性，因此可使用朴素贝叶斯分类算法。且朴素贝叶斯分类算法在训练和分类计算阶段具有速度快，代价小的特点，符合车载通信对延迟要求较低的需求。由于关键特征中包含描述可连通性的特征，因此也隐含着对数据包送达率的提高。参见图1所示的确定数据传输路径的方法框图，该方法包括预处理阶段、分类器训练阶段和分类计算阶段。
(1)、预处理阶段：确定分类类别
共分为y1和y2两个类别，类别y1表示“不能作为下一跳节点”，类别y2表示“能作为下一跳节点”，则类别集合C＝{y1,y2}。
(2)、预处理阶段：提取特征属性
根据影响车间通信的各种关键因素提取通信节点的特征属性，这些特征属性包括但不限于：“待分类节点与目的节点之间的数据传输距离(简称目标距离)”、“当前节点与待分类节点之间的线路传输延迟(简称线路延迟)”、“待分类节点的负载”、“待分类节点的兼容性(包括时间同步精确度，协议版本兼容性，硬件兼容性等)”、“待分类节点的丢包率”、“当前节点与待分类节点的天线指向”和“待分类节点的故障状态”等。这些属性组成a1...am共m个特征属性。当特征属性充分多时，朴素贝叶斯分类对个别属性的抗干扰性较强。这些属性中，例如“目标距离”、“线路延迟”、“待分类节点的负载”等属于当前节点向待分类节点发送数据时影响通信延迟的特征属性，而例如“待分类节点的兼容性”、“待分类节点的丢包率”、“当前节点与待分类节点的天线指向”、“待分类节点的故障状态”等属于当前节点向待分类节点发送数据时影响数据可达性(即送达率)的特征属性。
(3)、预处理阶段：对特征属性进行划分
当特征属性为离散值时，以各个离散值进行划分。例如：对于特征属性“待分类节点的故障状态”，可以分为“故障”，“正常”，“非稳定”等离散值。
当特征属性为连续值且值范围固定时。例如：对于特征属性“待分类节点的负载”，其值对应有固定区间[0-100]，由于“待分类节点负载”会影响当前节点与待分类节点之间的通信延迟，可以根据影响通信延迟的程度进行划分，比如对实际样本进行分析得出，待分类节点负载区间为[0-30]时，当前节点与待分类节点之间的通信延迟较低，待分类节点负载区间为[30-60]时，当前节点与待分类节点之间的通信延迟一般，待分类节点负载区间为[60-100]时，当前节点与待分类节点之间的通信延迟较高，可形成这三种划分，每一种划分将影响对待分类节点类别的判定。当然，为了获得更为准确的区间划分，在分类器训练阶段，还可以根据训练样本进行相应的调整。综上，可根据属性特点和实际算法结果不断做调整，最终可确定最为合理的多个值的区间作为划分，
当特征属性为连续值且值范围动态时。例如：对于特征属性“待分类节点与目的节点之间的数据传输距离(即目标距离)”，在每次寻找下一跳节点时，最大下一跳距离和最小下一跳距离等是非固定值，在对特征属性进行划分前，可首先确定距离目的节点最远的待分类节点，并计算该待分类节点与目的节点之间的最长通信距离Lmax，再计算其它每一待分类节点与目的节点之间的通信距离Lx在Lmax中的占比，比如Lmax＝100，Lx＝10，则占比为10％，按此方式便可将特征属性的动态值范围变为固定值范围[0-100％]了。“目标距离”越短，即“待分类节点与目的节点之间的数据传输距离”越短，则此待分类节点作为下一跳节点时，将越接近目的节点，也就是说，“目标距离”越短越能加快整条通信线路的进度，而且进度越大，跳数有可能越少，因为每一跳都将有一定延迟，所以跳数越少，整个线路延迟会更低，因此，可以根据影响源节点到目的节点之间的通信延迟的程度进行划分，比如对实际样本进行分析得出，当目标距离占比区间为[0-30％]时，通信延迟较低，当目标距离占比区间为[30％-60％]时，通信延迟一般，当目标距离占比区间为[60％-100％]时，通信延迟较高，可形成这三种划分，每一种划分将影响对待分类节点类别的判定。当然，为了获得更为准确的区间划分，在分类器训练阶段，还可以根据训练样本进行相应的调整。综上，可按照属性值在当次计算中所有相同属性值的适当占比关系进行划分，并根据属性特点和实际算法结果不断做调整，最终可确定最为合理的多个占比区间作为划分。
(4)、分类器训练阶段：收集训练样本
在真实道路测试环境中获取一定数目(比如不少于10000条)的训练样本。这些样本具有每一个特征属性的真实值以及通信结果。假设有条件(a)通信结果成功和(b)路径是最优的即通信延迟最低，则那些同时满足(a)和(b)的样本被标识为类别y2“能作为下一跳节点”，否则标识为类别y1“不能作为下一跳节点”。
其中，可以按照下述方式判断“路径是最优的”，但是不限于该方式：
比如对于当前样本的所有可能的下一跳节点，考虑“目标距离”和“线路延迟”这两个特征属性，将“目标距离”最近、“线路延迟”最低的样本标识为y2，如果所有可能的下一跳节点中不存在这样的样本，则通过对这两个属性设置权重，从中选出相对最优样本并标识为y2，否则标识为类别y1。
(5)、分类器训练阶段：计算每个类别在训练样本中的占比
计算训练样本中被标识为类别y1的节点数目在训练样本中的占比P(y1)，并计算训练样本中被标识为类别y2的节点数目在训练样本中的占比P(y2)。计算公式为：
其中，N为训练样本集中的总元素个数，Ni为训练样本集中属于类别yi的元素个数。
(6)、分类器训练阶段：计算每个特征属性划分对每个类别的条件概率估计
在类别yi成立的条件下，分别计算训练样本中每一特征属性发生的条件概率。参见(3)，所述特征属性被划分为至少两种离散值，或者，所述特征属性被划分为至少两个连续区间值，所以在计算特征属性的条件概率时，可具体在类别yi成立的条件下，分别计算训练样本中每一特征属性中每一划分发生的条件概率，具体地：
①、若所述特征属性被划分为至少两种离散值，则按照下述方式分别计算训练样本中每一特征属性中每一划分发生的条件概率，即：
当所有特征属性a1...am中存在一种或多种特征属性ak为离散值时，统计训练样本中特征属性ak的每种划分在每种类别中的占比,即特征属性ak的第1种划分在训练样本中的占比为P(ak(1)|y1)、特征属性ak的第2种划分在训练样本中的占比为P(ak(2)|y1)、……。即在类别yi成立的条件下，分别计算训练样本中所述特征属性ak中每一划分值对应的节点数目在训练样本中的占比。
②、若所述特征属性被划分为至少两个连续区间值，则按照下述方式分别计算训练样本中每一特征属性中每一划分发生的条件概率，即：
当所有特征属性a1...am中存在一种或多种特征属性ak为连续值时，通常假定特征属性ak的连续值服从高斯分布(也称正态分布)，则在类别yi成立的条件下，按照下述公式计算训练样本中所述特征属性ak中每一划分区间ak(n)发生的条件概率P(ak(n)|yi)：
其中，σ为所述划分区间ak(n)的标准差，μ为所述划分区间ak(n)的期望值，n＝1,2……N，N为大于或等于1的整数，n为所述划分区间的编码，
(7)、分类器训练阶段：冷启动问题处理
当训练样本中每一特征属性中每一划分发生的条件概率P(a1|y1)、P(a2|y1)…P(am|y1)、P(a1|y2)、P(a2|y2)…P(am|y2)中存在零值，即某个特征属性中的某种划分在训练样本集中没有出现时，这会令分类器质量大大降低。为了解决这个问题，引入拉普拉斯Laplace校准过程，其基本思想为：对每类别下所有特征属性的划分中的计数加1或每一划分的条件概率加一个较小的常数，当训练样本集中的元素数量充分大时，这中处理并不会对结果产生影响，并且解决了条件概率为零的冷启动问题。因此，若所述训练样本中每一特征属性中每一划分发生的条件概率中存在零值，则将训练样本中每种类别下的属于每一特征属性中每一划分的节点计数加1，然后再重新分别计算训练样本中每一特征属性中每一划分发生的条件概率的步骤；或者，在训练样本中每一特征属性中每一划分发生的条件概率的基础上，分别加上一个预设常数。
参见图1中的分类计算阶段，当通过上述方法形成了分类器后，如果源节点要向目的节点发送数据，就可以利用分类器中的计算结果，确定出最优的低延迟数据传输路径，最终将数据发送至目的节点。
参见图2，为本发明实施例提供的数据传输路径确定方法的流程示意图，该方法包括：
步骤201：确定所有待分类节点分别具有的m个特征属性，其中，所述待分类节点为当前节点的邻居节点，所述m个特征属性为影响当前节点与所述待分类节点之间的通信延迟及数据可达性的属性，m大于或等于1。
其中，所述m个特征属性包括以下一个或多个属性：
所述待分类节点与所述目的节点之间的数据传输距离；
所述当前节点与所述待分类节点之间的线路传输延迟；
所述待分类节点的负载；
所述待分类节点的兼容性；
所述待分类节点的丢包率；
所述当前节点与所述待分类节点的天线指向；
所述待分类节点的故障状态。
在本发明实施例中，还包括类别的快速判定机制。由于某些特征属性值对类别yi有直接的决定性影响，例如特征属性“待分类节点的故障状态”的值为“故障”时，本方法首先检查待分类节点是否存在这样的特征值，如果存在，则确定该待分类节点的类别为y1即“不能作为下一跳节点”。将这类直接用于判定待分类节点为类别y1的特征属性定义为特定属性，使类别y1与至少一个特定属性对应，在步骤201之后还包括：
若所述待分类节点的m个特征属性中包含所述特定属性，则从所述所有待分类节点中去除包含所述特定属性的待分类节点，使剩下待分类节点中的每个待分类节点执行步骤202，否则使所有待分类节点中的每个待分类节点均执行步骤202。
步骤202：在所述待分类节点x成立的条件下，根据所述m个特征属性确定类别y2发生的条件概率P(y2|x)，所述类别y2表示所述待分类节点x能作为下一跳节点。
设x＝{a1,a2,......am}为一个待分类项，其中a1,a2,......am为x的m个特征属性，根据朴素贝叶斯分类算法，即在所述待分类节点x成立的条件下按照下述公式计算类别yi发生的条件概率P(yi|x)：
其中，类别y1表示所述待分类节点x不能作为下一跳节点，类别y2表示所述待分类节点x能作为下一跳节点，aj为所述m个特征属性中的第j个特征属性，P(yi)为yi发生的概率，P(aj|yi)为在yi成立的条件下aj发生的条件概率，P(yi)与P(aj|yi)是在分类器训练阶段计算得出的；P(x)为所述待分类节点x具有所述m个特征属性的概率。
进一步地，当所述特征属性aj被划分为至少两种离散值或所述特征属性aj被划分为至少两个连续区间值时，对于待分类节点x，由于它的特征属性值aj对应的具体划分值或所在的划分区间是确定的，因此，P(aj|yi)为：在yi成立的条件下特征属性aj的对应划分发生的条件概率。
步骤203：将所有P(y2|x)中的最大值对应的待分类节点x作为下一跳节点。
假设I＝{x1,x2,......xm}是所有待分类节点的集合，它对应了所有可能的路径集合，集合中的每一个元素为一条可能的路径(下一跳节点)，则分别计算所有待分类节点是否属于y1(不能作为下一跳节点)或y2(能作为下一跳节点)。选取集合I中的元素xn，如果其同时满足条件(a)属于y2类别和(b)P(y2|xn)为最大值，则结论为：xn是最优低延时路径。如果不存在这样的xn，则数据包被广播给所有邻居节点，因此在步骤203之前还包括：
判断所述所有P(y2|x)中是否存在最大值，如果是，则继续执行步骤203，如果否，则当前节点将数据包广播给所有邻居节点，接收到所述数据包的邻居节点为当前节点的下一跳节点，继续执行步骤204。
步骤204：当前节点将数据包转发给所述下一跳节点后，判断作为新的当前节点的所述下一跳节点是否为目的节点，如果是，则执行步骤205，如果否，则继续执行步骤201，以继续寻找下一跳节点。
步骤205：结束路由。
在分类器训练中所使用的训练样本集合是在真实道路测试环境获取的不少于一定数量(比如10000条)的训练样本，这些样本可进行基础训练。在车辆实际使用过程中，车辆所处的地域、交通环境可能同测试环境不同并动态变化。因此车辆需要不断收集这些新的变化并周期性的重新训练分类器以适应动态变化。因此，为了适应新的通信环境变化，可对分类结果作出动态调整，使得上述分类器训练阶段的计算结果为周期性训练结果中的最新结果，训练步骤如下：
(1)、收集环境中新的训练样本
车辆在行驶过程中，对于部分可判断路径连通性和延迟的通信动作，收集特征属性和通信结果。
(2)、更新训练样本集合
以适当方法评估和更新训练样本集合，使其维持在一定数量范围内。
(3)、周期性的重新训练
在车辆系统负载较低的情况下，周期的进行重新训练。
本发明实施例提供的数据传输路径确定方法，通过确定所有待分类节点分别具有的m个特征属性，所述待分类节点x的m个特征属性是影响当前节点与所述待分类节点x之间的通信延迟及数据可达性的属性，在所述待分类节点x成立的条件下计算类别yi发生的条件概率P(yi|x)，由于P(yi|x)是利用分类器训练阶段中的计算结果计算得出，其使得计算出的所有P(y2|x)中的最大值对应的待分类节点x即下一跳节点，是通信延迟最低且能够成功通信的节点，可见，本发明实施例通过考虑所有影响当前节点与所述待分类节点之间的通信延迟及数据可达性的特征属性来选择下一跳节点，可有效降低通信延迟、提高数据可达性。
参见图3，为本发明实施例提供的数据传输路径确定装置的组成示意图，该装置包括：
属性确定单元301，用于确定所有待分类节点分别具有的m个特征属性，其中，所述待分类节点为当前节点的邻居节点，所述m个特征属性为影响当前节点与所述待分类节点之间的通信延迟及数据可达性的属性，m大于或等于1；
概率计算单元302，用于在所述待分类节点x成立的条件下，根据所述m个特征属性确定类别y2发生的条件概率P(y2|x)，所述类别y2表示所述待分类节点x能作为下一跳节点；
节点选择单元303，用于将所有P(y2|x)中的最大值对应的待分类节点x作为下一跳节点；
节点判断单元304，用于当前节点将数据包转发给所述下一跳节点后，判断作为新的当前节点的所述下一跳节点是否为目的节点，如果是，则结束路由，如果否，则利用所述属性确定单元301继续实现所述确定所有待分类节点分别具有的m个特征属性的功能。
在本发明实施例中，所述概率计算单元302，具体用于在所述待分类节点x成立的条件下按照下述公式计算类别yi发生的条件概率P(yi|x)：
其中，类别y1表示所述待分类节点x不能作为下一跳节点，类别y2表示所述待分类节点x能作为下一跳节点，aj为所述m个特征属性中的第j个特征属性，P(yi)为yi发生的概率，P(aj|yi)为在yi成立的条件下aj发生的条件概率，P(yi)与P(aj|yi)是在分类器训练阶段计算得出的；P(x)为所述待分类节点x具有所述m个特征属性的概率。
在本发明实施例中，所述类别y1与至少一个特定属性对应；所述装置还包括：
快速判定单元，用于在所述属性确定单元301确定所有待分类节点分别具有的m个特征属性之后，若所述待分类节点的m个特征属性中包含所述特定属性，则从所述所有待分类节点中去除包含所述特定属性的待分类节点，利用所述概率计算单元302使剩下待分类节点中的每个待分类节点实现所述计算yi发生的条件概率P(yi|x)的功能。
在本发明实施例中，所述装置还包括：
分类器训练单元，用于对所述分类器进行训练；
所述分类器训练单元包括：
边缘概率计算模块，用于计算训练样本中被标识为类别y1的节点数目在训练样本中的占比P(y1)，并计算训练样本中被标识为类别y2的节点数目在训练样本中的占比P(y2)；
条件概率计算模块，用于在类别yi成立的条件下，分别计算训练样本中每一特征属性发生的条件概率。
在本发明实施例中，所述特征属性被划分为至少两种离散值，或者，所述特征属性被划分为至少两个连续区间值；所述条件概率计算模块具体用于在类别yi成立的条件下，分别计算训练样本中每一特征属性中每一划分发生的条件概率；
则，所述P(aj|yi)为在yi成立的条件下aj发生的条件概率，包括：
所述P(aj|yi)为在yi成立的条件下特征属性aj的对应划分发生的条件概率。
在本发明实施例中，所述条件概率计算模块，包括：
第一条件概率计算子模块，用于若所述特征属性被划分为至少两种离散值，则在类别yi成立的条件下，分别计算训练样本中所述特征属性中每一划分值对应的节点数目在训练样本中的占比；
第二条件概率计算子模块，用于若所述特征属性被划分为至少两个连续区间值，则在类别yi成立的条件下，按照下述公式计算训练样本中所述特征属性中每一划分区间ak(n)发生的条件概率P(ak(n)|yi)：
其中，σ为所述划分区间ak(n)的标准差，μ为所述划分区间ak(n)的期望值，n为所述划分区间的编码。
在本发明实施例中，若所述训练样本中每一特征属性中每一划分发生的条件概率中存在零值，则所述分类器训练单元还包括：
冷处理模块，用于将训练样本中每种类别下的属于每一特征属性中每一划分的节点计数加1，利用所述条件概率计算模块重新实现所述分别计算训练样本中每一特征属性中每一划分发生的条件概率的功能，或者，在训练样本中每一特征属性中每一划分发生的条件概率的基础上，分别加上一个预设常数。
在本发明实施例中，所述装置还包括：
数据广播单元，用于在所述节点选择单元303将所有P(y2|x)中的最大值对应的待分类节点x作为下一跳节点之前，判断所述所有P(y2|x)中是否存在最大值，如果是，则继续利用所述节点选择单元303实现所述将所有P(y2|x)中的最大值对应的待分类节点x作为下一跳节点的功能，如果否，则当前节点将数据包广播给所有邻居节点，接收到所述数据包的邻居节点为当前节点的下一跳节点，继续利用所述节点判断单元304实现当前节点将数据包转发给所述下一跳节点的功能。
在本发明实施例中，所述m个特征属性包括以下一个或多个属性：
所述待分类节点与所述目的节点之间的数据传输距离；
所述当前节点与所述待分类节点之间的线路传输延迟；
所述待分类节点的负载；
所述待分类节点的兼容性；
所述待分类节点的丢包率；
所述当前节点与所述待分类节点的天线指向；
所述待分类节点的故障状态。
在本发明实施例中，所述分类器训练阶段的计算结果为周期性训练结果中的最新结果。
通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到上述实施例方法中的全部或部分步骤可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者诸如媒体网关等网络通信设备，等等)执行本发明各个实施例或者实施例的某些部分所述的方法。
需要说明的是，对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (18)
1.一种数据传输路径确定方法，其特征在于，包括：
确定所有待分类节点分别具有的m个特征属性，其中，所述待分类节点为当前节点的邻居节点，所述m个特征属性为影响当前节点与所述待分类节点之间的通信延迟及数据可达性的属性，m大于或等于1；
在所述待分类节点具有所述m个特征属性的条件下，根据所述m个特征属性确定类别y2发生的条件概率P(y2|x)，x表示所述待分类节点，所述类别y2表示x能作为下一跳节点；
判断是否存在属于类别为y2且P(y2|x)为最大值的待分类节点x；
若存在，则将所述最大值对应的待分类节点x作为下一跳节点；当前节点将数据包转发给所述下一跳节点后，判断作为新的当前节点的所述下一跳节点是否为目的节点，如果是，则结束路由，如果否，则继续执行所述确定所有待分类节点分别具有的m个特征属性的步骤；
若不存在，则当前节点将数据包广播给所有邻居节点，接收到所述数据包的邻居节点为当前节点的下一跳节点，继续执行所述判断作为新的当前节点的所述下一跳节点是否为目的节点的步骤。
2.根据权利要求1所述的方法，其特征在于，所述在所述待分类节点具有所述m个特征属性的条件下，根据所述m个特征属性确定类别y2发生的条件概率P(y2|x)，包括：
在所述待分类节点具有所述m个特征属性的条件下，按照下述公式计算类别yi发生的条件概率P(yi|x)：
其中，类别y1表示所述待分类节点x不能作为下一跳节点，类别y2表示所述待分类节点x能作为下一跳节点，aj为所述m个特征属性中的第j个特征属性，P(yi)为yi发生的概率，P(aj|yi)为在yi成立的条件下aj发生的条件概率，P(yi)与P(aj|yi)是在分类器训练阶段计算得出的；P(x)为所述待分类节点x具有所述m个特征属性的概率。
3.根据权利要求2所述的方法，其特征在于，所述类别y1与至少一个特定属性对应；所述确定所有待分类节点分别具有的m个特征属性之后，还包括：
若所述待分类节点的m个特征属性中包含所述特定属性，则从所述所有待分类节点中去除包含所述特定属性的待分类节点，使剩下待分类节点中的每个待分类节点执行所述计算yi发生的条件概率P(yi|x)的步骤。
4.根据权利要求2所述的方法，其特征在于，所述分类器训练阶段包括：
计算训练样本中被标识为类别y1的节点数目在训练样本中的占比P(y1)，并计算训练样本中被标识为类别y2的节点数目在训练样本中的占比P(y2)；
在类别yi成立的条件下，分别计算训练样本中每一特征属性发生的条件概率。
5.根据权利要求4所述的方法，其特征在于，所述特征属性被划分为至少两种离散值，或者，所述特征属性被划分为至少两个连续区间值；所述在类别yi成立的条件下，分别计算训练样本中每一特征属性发生的条件概率，包括：
在类别yi成立的条件下，分别计算训练样本中每一特征属性中每一划分发生的条件概率；
则，所述P(aj|yi)为在yi成立的条件下aj发生的条件概率，包括：
所述P(aj|yi)为在yi成立的条件下特征属性aj的对应划分发生的条件概率。
6.根据权利要求5所述的方法，其特征在于，所述在类别yi成立的条件下，分别计算训练样本中每一特征属性中每一划分发生的条件概率，包括：
若所述特征属性被划分为至少两种离散值，则在类别yi成立的条件下，分别计算训练样本中所述特征属性中每一划分值对应的节点数目在训练样本中的占比；
若所述特征属性被划分为至少两个连续区间值，则在类别yi成立的条件下，按照下述公式计算训练样本中所述特征属性中每一划分区间ak(n)发生的条件概率P(ak(n)|yi)：
其中，σ为所述划分区间ak(n)的标准差，μ为所述划分区间ak(n)的期望值，n为所述划分区间的编码。
7.根据权利要求5所述的方法，其特征在于，若所述训练样本中每一特征属性中每一划分发生的条件概率中存在零值，则所述方法还包括：
将训练样本中每种类别下的属于每一特征属性中每一划分的节点计数加1，重新执行所述分别计算训练样本中每一特征属性中每一划分发生的条件概率的步骤；
或者，在训练样本中每一特征属性中每一划分发生的条件概率的基础上，分别加上一个预设常数。
8.根据权利要求1所述的方法，其特征在于，所述m个特征属性包括以下一个或多个属性：
所述待分类节点与所述目的节点之间的数据传输距离；
所述当前节点与所述待分类节点之间的线路传输延迟；
所述待分类节点的负载；
所述待分类节点的兼容性；
所述待分类节点的丢包率；
所述当前节点与所述待分类节点的天线指向；
所述待分类节点的故障状态。
9.根据权利要求2至7任一项所述的方法，其特征在于，所述分类器训练阶段的计算结果为周期性训练结果中的最新结果。
10.一种数据传输路径确定装置，其特征在于，包括：
属性确定单元，用于确定所有待分类节点分别具有的m个特征属性，其中，所述待分类节点为当前节点的邻居节点，所述m个特征属性为影响当前节点与所述待分类节点之间的通信延迟及数据可达性的属性，m大于或等于1；
概率计算单元，用于在所述待分类节点具有所述m个特征属性的条件下，根据所述m个特征属性确定类别y2发生的条件概率P(y2|x)，x表示所述待分类节点，所述类别y2表示x能作为下一跳节点；
数据广播单元，用于判断是否存在属于类别为y2且P(y2|x)为最大值的待分类节点x，如果是，则触发所述节点选择单元的功能，如果否，则当前节点将数据包广播给所有邻居节点，接收到所述数据包的邻居节点为当前节点的下一跳节点，继续利用节点判断单元实现判断作为新的当前节点的所述下一跳节点是否为目的节点的功能；
节点选择单元，用于将所述最大值对应的待分类节点x作为下一跳节点；
节点判断单元，用于当前节点将数据包转发给所述下一跳节点后，判断作为新的当前节点的所述下一跳节点是否为目的节点，如果是，则结束路由，如果否，则利用所述属性确定单元继续实现所述确定所有待分类节点分别具有的m个特征属性的功能。
11.根据权利要求10所述的装置，其特征在于，所述概率计算单元，具体用于在所述待分类节点具有所述m个特征属性的条件下，按照下述公式计算类别yi发生的条件概率P(yi|x)：
其中，类别y1表示所述待分类节点x不能作为下一跳节点，类别y2表示所述待分类节点x能作为下一跳节点，aj为所述m个特征属性中的第j个特征属性，P(yi)为yi发生的概率，P(aj|yi)为在yi成立的条件下aj发生的条件概率，P(yi)与P(aj|yi)是在分类器训练阶段计算得出的；P(x)为所述待分类节点x具有所述m个特征属性的概率。
12.根据权利要求11所述的装置，其特征在于，所述类别y1与至少一个特定属性对应；所述装置还包括：
快速判定单元，用于在所述属性确定单元确定所有待分类节点分别具有的m个特征属性之后，若所述待分类节点的m个特征属性中包含所述特定属性，则从所述所有待分类节点中去除包含所述特定属性的待分类节点，利用所述概率计算单元使剩下待分类节点中的每个待分类节点实现所述计算yi发生的条件概率P(yi|x)的功能。
13.根据权利要求11所述的装置，其特征在于，所述装置还包括：
分类器训练单元，用于对所述分类器进行训练；
所述分类器训练单元包括：
边缘概率计算模块，用于计算训练样本中被标识为类别y1的节点数目在训练样本中的占比P(y1)，并计算训练样本中被标识为类别y2的节点数目在训练样本中的占比P(y2)；
条件概率计算模块，用于在类别yi成立的条件下，分别计算训练样本中每一特征属性发生的条件概率。
14.根据权利要求13所述的装置，其特征在于，所述特征属性被划分为至少两种离散值，或者，所述特征属性被划分为至少两个连续区间值；所述条件概率计算模块具体用于在类别yi成立的条件下，分别计算训练样本中每一特征属性中每一划分发生的条件概率；
则，所述P(aj|yi)为在yi成立的条件下aj发生的条件概率，包括：
所述P(aj|yi)为在yi成立的条件下特征属性aj的对应划分发生的条件概率。
15.根据权利要求14所述的装置，其特征在于，所述条件概率计算模块，包括：
第一条件概率计算子模块，用于若所述特征属性被划分为至少两种离散值，则在类别yi成立的条件下，分别计算训练样本中所述特征属性中每一划分值对应的节点数目在训练样本中的占比；
第二条件概率计算子模块，用于若所述特征属性被划分为至少两个连续区间值，则在类别yi成立的条件下，按照下述公式计算训练样本中所述特征属性中每一划分区间ak(n)发生的条件概率P(ak(n)|yi)：
其中，σ为所述划分区间ak(n)的标准差，μ为所述划分区间ak(n)的期望值，n为所述划分区间的编码。
16.根据权利要求14所述的装置，其特征在于，若所述训练样本中每一特征属性中每一划分发生的条件概率中存在零值，则所述分类器训练单元还包括：
冷处理模块，用于将训练样本中每种类别下的属于每一特征属性中每一划分的节点计数加1，利用所述条件概率计算模块重新实现所述分别计算训练样本中每一特征属性中每一划分发生的条件概率的功能，或者，在训练样本中每一特征属性中每一划分发生的条件概率的基础上，分别加上一个预设常数。
17.根据权利要求10所述的装置，其特征在于，所述m个特征属性包括以下一个或多个属性：
所述待分类节点与所述目的节点之间的数据传输距离；
所述当前节点与所述待分类节点之间的线路传输延迟；
所述待分类节点的负载；
所述待分类节点的兼容性；
所述待分类节点的丢包率；
所述当前节点与所述待分类节点的天线指向；
所述待分类节点的故障状态。
18.根据权利要求11至16任一项所述的装置，其特征在于，所述分类器训练阶段的计算结果为周期性训练结果中的最新结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201511020602.4A CN105704031B (zh) | 2015-12-30 | 2015-12-30 | 一种数据传输路径确定方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201511020602.4A CN105704031B (zh) | 2015-12-30 | 2015-12-30 | 一种数据传输路径确定方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105704031A CN105704031A (zh) | 2016-06-22 |
| CN105704031B true CN105704031B (zh) | 2019-05-17 |
Family
ID=56226036
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201511020602.4A Active CN105704031B (zh) | 2015-12-30 | 2015-12-30 | 一种数据传输路径确定方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105704031B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107609165B (zh) * | 2017-09-27 | 2020-09-04 | 北京科技大学 | 一种寻找特定人群的方法 |
| CN110580483A (zh) * | 2018-05-21 | 2019-12-17 | 上海大唐移动通信设备有限公司 | 一种室内外用户区分方法及装置 |
| EP3943352A4 (en) * | 2019-06-11 | 2022-11-02 | Apollo Intelligent Driving Technology (Beijing) Co., Ltd. | DRIVING CONTROL METHOD, APPARATUS, DEVICE, MEDIA AND SYSTEM |
| CN111538571B (zh) * | 2020-03-20 | 2021-06-29 | 重庆特斯联智慧科技股份有限公司 | 一种用于人工智能物联网的边缘计算节点任务调度的方法和系统 |
| CN113709678A (zh) * | 2020-05-22 | 2021-11-26 | 华为技术有限公司 | 通信方法、装置、通信设备和系统 |
| CN116016335B (zh) * | 2022-12-28 | 2024-04-16 | 中国联合网络通信集团有限公司 | 转发链路的确定方法、装置、设备及存储介质 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104519543A (zh) * | 2013-09-27 | 2015-04-15 | 北京邮电大学 | 无线传感网Sink节点的选择方法及系统 |
| CN104703195A (zh) * | 2015-02-16 | 2015-06-10 | 南京邮电大学 | 一种移动自组网路由节点行为预测方法 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN100442288C (zh) * | 2006-04-04 | 2008-12-10 | 华为技术有限公司 | 一种确定变量相关关系的方法 |
| CN102025611A (zh) * | 2010-10-30 | 2011-04-20 | 华南理工大学 | 一种无线传感网络的数据传输方法 |
| CN103002536A (zh) * | 2011-09-14 | 2013-03-27 | 中国科学院研究生院 | 一种基于随机行走的能量高效型无线多跳网络路由机制 |
| CN102665171B (zh) * | 2012-05-25 | 2014-10-29 | 重庆大学 | 基于大规模wsn突发事件监测的路由控制方法 |
| CN103813407B (zh) * | 2013-12-16 | 2017-08-18 | 中国电子科技集团公司第七研究所 | Ad hoc网络路由的恢复方法和系统 |
| CN104168620B (zh) * | 2014-05-13 | 2018-03-09 | 北京邮电大学 | 无线多跳回传网络中的路由建立方法 |
-
2015
- 2015-12-30 CN CN201511020602.4A patent/CN105704031B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104519543A (zh) * | 2013-09-27 | 2015-04-15 | 北京邮电大学 | 无线传感网Sink节点的选择方法及系统 |
| CN104703195A (zh) * | 2015-02-16 | 2015-06-10 | 南京邮电大学 | 一种移动自组网路由节点行为预测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 多sink无线传感网中路由算法的研究;刘志强;《中国优秀硕士学位论文全文数据库信息科技辑》;20150415;第1-56页 |
| 无线传感网络通信节点优化选择算法仿真;孟小艳;《计算机仿真》;20130215;第30卷(第2期);第205-208页 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN105704031A (zh) | 2016-06-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105704031B (zh) | 一种数据传输路径确定方法及装置 | |
| Peixoto et al. | A traffic data clustering framework based on fog computing for VANETs | |
| Zhang et al. | V-PADA: Vehicle-platoon-aware data access in VANETs | |
| CN109005173B (zh) | 一种基于交通流密度差异的车联网异常入侵检测方法 | |
| US11102630B2 (en) | Method for service placement in a multi-access/mobile edge computing (MEC) system | |
| Durrani et al. | Effect of vehicle mobility on connectivity of vehicular ad hoc networks | |
| CN109102124B (zh) | 基于分解的动态多目标多路径诱导方法、系统及存储介质 | |
| CN110516702B (zh) | 一种基于流数据的离散路径规划方法 | |
| Hossain et al. | Multi-objective Harris hawks optimization algorithm based 2-Hop routing algorithm for CR-VANET | |
| CN110390816A (zh) | 一种基于多模型融合的状态判别方法 | |
| CN108696453B (zh) | 轻量级的电力通信网sdn业务流感知方法及系统 | |
| CN105897584A (zh) | 路径规划方法和控制器 | |
| Balzano et al. | Logic-based clustering approach for management and improvement of VANETs | |
| CN113037410B (zh) | 信道识别方法、装置、传输方法、传输设备、基站、介质 | |
| Kazmi et al. | Congestion control in wireless sensor networks based on support vector machine, Grey Wolf optimization and differential evolution | |
| Seth et al. | Introducing intelligence in vehicular ad hoc networks using machine learning algorithms | |
| Wang et al. | Optimizing quality-of-information in cost-sensitive sensor data fusion | |
| CN112925964A (zh) | 基于云计算服务的大数据采集方法及大数据采集服务系统 | |
| CN105228215A (zh) | 车载自组织网络中基于决策树机制的多副本路由方法 | |
| Bourebia et al. | A belief function-based forecasting link breakage indicator for VANETs | |
| Aljeri et al. | A probabilistic neural network-based road side unit prediction scheme for autonomous driving | |
| Guntuka et al. | Vehicular data offloading by road-side units using intelligent software defined network | |
| Sharma et al. | Traffic Accident Detection Using Machine Learning Algorithms | |
| CN104125146A (zh) | 一种业务处理方法及装置 | |
| Hu et al. | Graph neural network-based clustering enhancement in VANET for cooperative 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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |