CN106535279B - 基于cp神经网络的车载自组网交叉路口预测路由方法 - Google Patents

基于cp神经网络的车载自组网交叉路口预测路由方法 Download PDF

Info

Publication number
CN106535279B
CN106535279B CN201610969151.7A CN201610969151A CN106535279B CN 106535279 B CN106535279 B CN 106535279B CN 201610969151 A CN201610969151 A CN 201610969151A CN 106535279 B CN106535279 B CN 106535279B
Authority
CN
China
Prior art keywords
road section
node
intersection
data packet
vehicle
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
Application number
CN201610969151.7A
Other languages
English (en)
Other versions
CN106535279A (zh
Inventor
温卫
任金霞
王羲
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Buddhist Tzu Chi General Hospital
Original Assignee
Buddhist Tzu Chi General Hospital
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Buddhist Tzu Chi General Hospital filed Critical Buddhist Tzu Chi General Hospital
Priority to CN201610969151.7A priority Critical patent/CN106535279B/zh
Publication of CN106535279A publication Critical patent/CN106535279A/zh
Application granted granted Critical
Publication of CN106535279B publication Critical patent/CN106535279B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W40/00—Communication routing or communication path finding
    • H04W40/02—Communication route or path selection, e.g. power-based or shortest path routing
    • H04W40/12—Communication route or path selection, e.g. power-based or shortest path routing based on transmission quality or channel quality
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W40/00—Communication routing or communication path finding
    • H04W40/02—Communication route or path selection, e.g. power-based or shortest path routing
    • H04W40/20—Communication route or path selection, e.g. power-based or shortest path routing based on geographic position or location
    • H04W40/205—Communication route or path selection, e.g. power-based or shortest path routing based on geographic position or location using topographical information, e.g. hills, high rise buildings

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Remote Sensing (AREA)
  • Mobile Radio Communication Systems (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开一种基于CP神经网络的车载自组网交叉路口预测路由方法，主要解决交通环境中，车辆的高速移动，频繁改变的网络拓扑和多种分布的车辆密度，使得数据包转发路段中节点之间链路频繁断裂，数据包传输时延大，发送成功率低的问题。其实现方案是：使用CP神经网络对数据包在交叉路口转发的下一个路段优先级进行分类，当节点到达交叉口时，在一个Hello报文周期内，把相邻路段平均链路连通概率、各相邻路段平均节点密度和下一交叉口到目的地的距离与当前交叉口到目的地的距离比作为CP神经网络的输入，输出为相邻数据包转发路段优先级，选择优先级最高的路段既为数据包最佳的转发路段。本发明增加了数据包转发成功率，减少了数据包的传输时延，可用于车载自组网。

Description

基于CP神经网络的车载自组网交叉路口预测路由方法
技术领域
本发明属于通信技术领域，主要涉及车载自组网中的路由方法，可用于对城市场景中道路交叉口处的路由决策。
背景技术
交通环境中，车辆的高速移动，频繁改变的网络拓扑和多种分布的车辆密度，使得节点链路频繁断裂，成为车载自组网路由协议必须面对和解决的问题。现有交叉路口预测路由算法存在如下问题：第一，部分协议没有考虑车辆密度，所选路径频繁出现链路断裂问题，造成数据的丢失或时延增加；第二，通过统计测量的方法或历史统计数据得到平均车辆密度作为最佳路由，车辆密度会随着车辆的高速移动而动态变化，选择的路径有时很差，给路由协议的实时性带来很大的影响。第三、从MAC层来考虑，节点密度越大，发送节点的分组数就会越多，从而节点接入信道的时间就越长，这样就会增加分组的传输时延，反而不利于分组的快速发送。第四、车辆密度大，可以一定程度提高节点间的连通性，但车辆密度分布的不均匀，不能保证节点间一定连通，依据车辆密度信息选择路由可靠性较差。
因此，车载自组网路由选择的关键是保证车辆之间的连通性，当整个路段的节点平均链路连通概率越大，路段的节点密度越小，下一交叉口到目的地的距离与当前交叉口到目的地距离的比值越小，则所选择的路段是数据包转发的最佳路段。如果对链路连通概率、节点密度、距离比3个参数设定权值，通过计算相邻路段分值大小来选择路段，每个参量的权重选择会带有很大的盲目性。
发明内容
本发明的目的在于克服上述已有技术的不足，提出一种基于CP神经网络的车载自组网交叉路口预测路由方法。CP网络是指对向传播神经网络，是将Kohonen特征映射网络与Grossberg基本竟争型网络相结合，发挥各自特长的一种新型特征映射网络。网络分输入层、竟争层和输出层3层，由输入层到竟争层，网络按自组织特征映射神经网络学习规则产生竟争层的获胜神经元，并按这一规则调整相应的输入层至竟争层的连接权，由竟争层到输出层，网络按基本竟争型网络学习规则，得到各输出神经元的实际输出值，并按有导师示教的误差校正方法，调整由竟争层至输出层的连接权。经过这样反复地学习，可以将任意输入映射为输出。本发明首先使用CP神经网络对数据包在交叉路口转发的下一个路段优先级进行分类。根据交叉口节点提供当前hello报文周期内的各相邻路段平均链路连通概率、路段车辆密度和下一交叉口到目的地的距离与当前交叉口到目的地距离的比值作为CP神经网络的输入，由CP神经网络正确预测当前时刻数据包转发的下一个交叉口的优先级。
基于CP神经网络的车载自组网交叉路口预测路由方法，具体步骤为：
1)使用CP神经网络对数据包在交叉路口转发的下一个路段优先级进行分类。以路段平均链路连通概率、路段平均节点密度、下一交叉口到目的地的距离与当前交叉口到目的地的距离比作为输入，将路段平均链路连通概率分为3个档次，好、中、差，所对应的量化值分别为0.9、0.7、0.5，路段平均节点密度分为3个水平，高、中、低，归一化量化值分别为0.8、0.5、0.3，下一交叉口到目的地的距离与当前交叉口到目的地的距离比也分为3个档次，近、中、远，归一化量化值分别为0.2、0.4、0.6。4个期望输出用二进制代码表示，分别为0000、0001、0010、0011、0100、0101、0110、0111、1000、1001、1010、1011、1100、1101、1110，其中每个二进制代码代表数据包转发路段优先级，共分为15个等级，以连通概率越大，密度越小，距离比越小则数据包转发路段优先级设为越高，第1优先级等级最高，依此类推。
2)车载自组网中的节点根据GPS定位信息检查自己是否位于交叉路口，若是，则用自己的节点标识号、位置信息和当前Hello报文周期的各相邻路段的平均链路连通概率、车辆密度和距离比信息构造Hello报文，计算当前Hello报文周期相邻路口密度信息、平均连通概率信息、距离比。若不是位于交叉路口，节点用自己的节点标识号、位置信息构造Hello报文，跳转到步骤(6)；
3)节点之间的链路连通概率与hello报文周期有一个一一对应的关系，根据链路连通概率向自己的一跳邻居自适应广播hello报文。位于通信半径内的邻居节点接收到Hello报文后，把Hello报文中包含的信息存储于自己的邻居节点链表中，目标节点周期性地向全网广播自己的位置信息；
4)在当前Hello报文周期内获得的相邻路段平均链路连通概率、路段平均节点密度、下一交叉口到目的地的距离与当前交叉口到目的地的距离比作为输入，将所有的输入进行归一化处理，代入训练好的CP网络，得到相邻各路段的优先级，选择最高优先级路段作为数据包转发路段；
5)当交叉路口车辆稀疏时，数据包要转发到在最高优先级路段上的车辆，若出现找不到转发数据包到相应路段的车辆，则转发到次高优先级路段上的车辆，依此类推，但负责转发的车辆依然保存数据包的副本，寻找合适机会把数据包转发到在更高优先级路段上的车辆，保证数据包以最快速度转发。如果所选路段出现网络分割，根据车辆快速移动的特点，采用存储-携带-转发的策略完成数据包的转发；
6)不在交叉路口上的节点采用贪婪地理路由协议转发数据包；
7)节点接收到数据包后，判断数据包上目的节点域是否是自己，若是则直接提交到上层，若不是，返回到步骤(1)。
本发明与现有技术相比，具有如下优点：
1)本发明在交叉路口选择数据包传输路段时，综合考虑了路段平均链路连通概率、路段平均节点密度、下一交叉口到目的地的距离与当前交叉口到目的地的距离比对数据包传输的影响，使得所选路段在保证节点之间连通性的情况下，避免密度过大的路段，且尽量选择到目的节点近的下一交叉路口。
2)如果我们直接对相邻路段平均链路连通概率、路段平均节点密度、距离比3个参数设定权值，在交叉路口的节点根据3个参数之和得到的路段分值大小来选择路段，每个参量的权重选择带有很大的盲目性，而把这3个参数作为输入，使用CP神经网络对数据包转发路段优先级进行分类，节点在交叉口时，在一个Hello周期内可以精确选择数据包转发路段。
3)CP网络既汲取了无导师示教型网络分类灵活、算法简练的优点，又采纳了有导师示教型网络分类精细、准确的特点，使两种不同类型的网络有机地结合起来。相比BP神经网络，CP神经网络缩短了样本训练时间，有效了提高了分类正确率。
附图说明
图1是CP神经网络结构图
图2是本发明具体实施的应用场景图
图3是本发明的流程图
具体实施方式
下面结合实施例对本发明作进一步的说明。
基于CP神经网络的车载自组网交叉路口预测路由方法，流程图如图3所示，具体步骤为：
1)使用CP神经网络对数据包转发的下一个路段优先级进行分类。如图1所示，以路段平均链路连通概率、路段平均节点密度、下一交叉口到目的地的距离与当前交叉口到目的地的距离比作为输入，如表1所示，将路段平均链路连通概率分为3个档次，好、中、差，所对应的量化值分别为0.9、0.7、0.5，路段平均节点密度分为3个水平，高、中、低，归一化量化值分别为0.8、0.5、0.3，下一交叉口到目的地的距离与当前交叉口到目的地的距离比也分为3个档次，近、中、远，归一化量化值分别为0.2、0.4、0.6。4个期望输出用二进制代码表示，分别为0000、0001、0010、0011、0100、0101、0110、0111、1000、1001、1010、1011、1100、1101、1110，其中每个二进制代码代表数据包转发路段优先级，共分为15个等级，以连通概率越大，密度越小，距离比越小则数据包转发路段优先级设为越高，第1优先级等级最高，依此类推。3个连续值的输入为
Figure GDA0002379751400000041
K＝1,2,3，竟争层使用36个神经元，对应的二值输出向量为
Figure GDA0002379751400000042
输出层有4个神经元，其实际二值输出向量为
Figure GDA0002379751400000043
目标二值输出向量为
Figure GDA0002379751400000044
由输入层到竟争层的连续权值向量为Wj＝(wj1,wj2,wj3)，j＝1，2，…，36，到输出层的连接权向量为Vl＝(vl1,vl2,…,vl36)，l＝1,2,3。网络学习和工作规则如下：
①初始化，将连接权向量Wj和Vl，赋予区间[0,1]内的随机值；
②将第k个输入AK提供给网络的输入层，将连接权值向量Wj按照下式进行归一化处理：
Figure GDA0002379751400000045
要
Figure GDA0002379751400000046
i＝1,2,3
③竟争层中每个神经元的加权输入和：
Figure GDA0002379751400000047
④求连接权向量Wj中与AK距离最近的向量Wg:
Figure GDA0002379751400000048
将神经元g的输出设定为1，其余竟争层神经元的输出设定为0。
Figure GDA0002379751400000049
⑤将连接权向量Wg按照下式进行修正：
Figure GDA00023797514000000410
其中，0≤α≤1为学习速率，取α＝0.6。
⑥将连接权向量Wg重新归一化，归一化算法同(4)。
⑦按照下式修正竟争层到输出层的连接权向量Vl。
Vli(t+1)＝Vli(t)+βbj(cl-cj)，l＝1,2,3,j＝1,2,…,36 (5)
其中，0≤β≤1为学习速率，取β＝0.6。由⑤将(5)式化简为
Vlg(t+1)＝Vlg(t)+βbj(cl-cj)l＝1,2,3
在竟争层只需要调整获胜神经元g到输出层神经元的连接权向量Vg，其它连接权向量保持不变。
⑧求输出层各神经元的加权输入，并将其作为输出神经元的实际输出值，
Figure GDA0002379751400000051
Figure GDA0002379751400000052
⑨返回②，直到将3个输入全部提供给网络。
⑩令t＝t+1,将输入AK重新提供给网络学习，直到预先设定的学习总次数t＝5000。
表1数据包转发路段优先等级表
连通概率 密度 距离比 输出编号 路段优先级
好0.9 中0.5 近0.2 0000 第1优先级
好0.9 中0.5 中0.4 0001 第2优先级
好0.9 中0.5 远0.6 0010 第3优先级
好0.9 高0.8 近0.2 0011 第4优先级
好0.9 高0.8 中0.4 0100 第5优先级
好0.9 高0.8 远0.6 0101 第6优先级
中0.7 中0.5 近0.2 0110 第7优先级
中0.7 中0.5 中0.4 0111 第8优先级
中0.7 中0.5 远0.6 1000 第9优先级
中0.7 低0.3 近0.2 1001 第10优先级
中0.7 低0.3 中0.4 1010 第11优先级
中0.7 低0.3 远0.6 1011 第12优先级
差0.5 低0.3 近0.2 1100 第13优先级
差0.5 低0.3 中0.4 1101 第14优先级
差0.5 低0.3 远0.6 1110 第15优先级
2)如图2所示，车载自组网中的节点根据GPS定位信息检查自己是否位于交叉路口，若是，则用自己的节点标识号、位置信息和当前Hello报文周期的各相邻路段的平均链路连通概率、车辆密度和距离比信息构造Hello报文，计算当前Hello报文周期相邻路口密度信息、平均连通概率信息、距离比。若不是位于交叉路口，节点用自己的节点标识号、位置信息构造Hello报文，跳转到步骤(6)；
密度信息的获取，将道路分成固定的小区域单元，每个单元内的车辆组成一个簇，将最靠近单元中心的车辆作为簇头，由簇头节点计算本簇内的节点密度，然后，用计算所得本簇内节点密度的结果构造成单元密度分组，通过在簇间传递并更新单元密度分组中的密度值获得整条路段的节点密度。
R1的长度D1＝250m，R2的长度D2＝1750m,R3的长度D3＝1100m，节点通信半径为250米，250米内作为一个路段的区域单元，R1路段有1个单元，即N11＝3，R2路段有7个单元，每个单元节点个数为N21＝16，N22＝10，N23＝6，N24＝8，N25＝14，N26＝9，N27＝11。R3路段有5个单元，每个单元节点个数为N31＝6，N31＝10，N31＝16，N31＝12，N31＝7。M是每个单元内的平均节点密度，计算公式为
Figure GDA0002379751400000061
Nc为路段单元个数，Ni单元内节点个数，可得R1的平均节点密度M1＝3，R2的平均节点密度M2＝1/7×(16+10+6+8+14+9+11)＝11，R3的平均节点密度M2＝1/5×(6+10+8+4+7)＝7，计算节点之间的链路连通概率：连通概率
Figure GDA0002379751400000062
其中ua为节点a从状态i出发首达状态R的概率为Ua，R为节点的通信半径，P为一步转移概率。
连通概率信息通过计算本节点与邻居节点的平均连通概率信息，再获得整个路段的节点平均连通概率信息。设在某一个Hello周期内，R1的平均连通概率p1＝0.4，R2的平均连通概率p1＝0.9，R1的平均连通概率p3＝0.6，
距离比信息采用下一交叉口到目的地的距离与当前交叉口到目的地距离的比值。
J1到目的地的距离d1＝2300m，J2到目的地的距离d2＝1900m，J3到目的地的距离d3＝400m，J4到目的地的距离d4＝2000m，
J1与J2的距离比d12＝2300/1900＝1.21，J3与J2的距离比d32＝400/1900＝0.21，J4与J2的距离比d42＝2000/1900＝1.05。若不是位于交叉路口，节点用自己的节点标识号、位置信息构造Hello报文。
3)节点之间的链路连通概率与Hello报文周期有一个一一对应的关系，设最大的广播周期为20秒，对应的连通概率为1，向自己的一跳邻居自适应广播。位于通信半径内的邻居节点接收到Hello报文后，把Hello报文中包含的信息存储于自己的邻居节点链表中，目标节点周期性地向全网广播自己的位置信息；
4)以当前hello报文周期内获得的路段平均链路连通概率、路段平均节点密度、下一交叉口到目的地的距离与当前交叉口到目的地的距离比作为输入，将所有的输入AK按(6)式进行归一化处理。
Figure GDA0002379751400000063
Figure GDA0002379751400000064
在当前hello报文周期内，输入AK＝(0.4 0.22 0.75，0.9 0.82 0.03，0.7 0.520.68)代入训练好的CP网络，输出C′K＝(1001，0011，1110)，对应第9、3、15优先级，第3优先级最高，所以数据包转发路段选择R2。
5)当交叉路口车辆稀疏时，数据包要转发到在最高优先级路段上的车辆，若出现找不到转发数据包到相应路段的车辆，则转发到次高优先级路段上的车辆，依此类推，但负责转发的车辆依然保存数据包的副本，寻找合适机会把数据包转发到在更高优先级路段上的车辆，保证数据包以最快速度转发。如果所选路段出现网络分割，根据车辆快速移动的特点，采用存储-携带-转发的策略完成数据包的转发；
6)不在交叉路口上的节点采用贪婪地理路由协议转发数据包。
7)节点接收到数据包后，判断数据包上目的节点域是否是自己，若是则直接提交到上层，若不是，返回到步骤(1)。
本发明与现有技术相比，具有如下优点：
1)本发明在交叉路口选择数据包传输路段时，综合考虑了路段平均链路连通概率、路段平均节点密度、下一交叉口到目的地的距离与当前交叉口到目的地的距离比对数据包传输的影响，使得所选路段在保证节点之间连通性的情况下，避免密度过大的路段，且尽量选择到目的节点近的下一交叉路口。
2)如果我们直接对相邻路段平均链路连通概率、路段平均节点密度、距离比3个参数设定权值，在交叉路口的节点根据3个参数之和得到的路段分值大小来选择路段，每个参量的权重选择带有很大的盲目性，而把这3个参数作为输入，使用CP神经网络对数据包转发路段优先级进行分类，节点在交叉口时，在一个Hello周期内可以精确选择数据包转发路段。
3)CP网络既汲取了无导师示教型网络分类灵活、算法简练的优点，又采纳了有导师示教型网络分类精细、准确的特点，使两种不同类型的网络有机地结合起来。相比BP神经网络，CP神经网络缩短了样本训练时间，有效了提高了分类正确率。

Claims (4)

1.一种基于CP神经网络的车载自组网交叉路口预测路由方法，具体步骤为：
(1)以路段平均链路连通概率、路段平均节点密度、下一交叉口到目的地的距离与当前交叉口到目的地的距离比作为输入，使用CP神经网络对数据包转发路段优先级进行分类；将路段平均链路连通概率分为3个档次，好、中、差，所对应的量化值分别为0.9、0.7、0.5，路段平均节点密度分为3个水平，高、中、低，归一化量化值分别为0.8、0.5、0.3，下一交叉口到目的地的距离与当前交叉口到目的地的距离比也分为3个档次，近、中、远，归一化量化值分别为0.2、0.4、0.6，4个期望输出用二进制代码表示，分别为0000、0001、0010、0011、0100、0101、0110、0111、1000、1001、1010、1011、1100、1101、1110,其中每个二进制代码代表数据包转发路段优先级，共分为15个等级，以连通概率越大，密度越小，距离比越小则数据包转发路段优先级设为越高，第1优先级等级最高，依此类推；
(2)车载自组网中的节点根据GPS定位信息检查自己是否位于交叉路口，若是，则用自己的节点标识号、位置信息和当前Hello报文周期的各相邻路段的平均链路连通概率、车辆密度和距离比信息构造Hello报文，计算当前Hello报文周期相邻路口密度信息、平均连通概率信息、距离比，若不是位于交叉路口，节点用自己的节点标识号、位置信息构造Hello报文，跳转执行步骤(6)；
(3)节点之间的链路连通概率与Hello报文周期有一个一一对应的关系，根据链路连通概率向自己的一跳邻居自适应广播Hello报文，位于通信半径内的邻居节点接收到Hello报文后，把Hello报文中包含的信息存储于自己的邻居节点链表中，目标节点周期性地向全网广播自己的位置信息；
(4)在当前Hello报文周期内获得的相邻路段平均链路连通概率、路段平均节点密度、下一交叉口到目的地的距离与当前交叉口到目的地的距离比作为输入，将所有的输入进行归一化处理，代入训练好的CP网络，得到相邻各路段的优先级，选择最高优先级路段作为数据包转发路段；
(5)当交叉路口车辆稀疏时，数据包要转发到在最高优先级路段上的车辆，若出现找不到转发数据包到相应路段的车辆，则转发到次高优先级路段上的车辆，依此类推，但负责转发的车辆依然保存数据包的副本，寻找合适机会把数据包转发到在更高优先级路段上的车辆，保证数据包以最快速度转发，如果所选路段出现网络分割，根据车辆快速移动的特点，采用存储-携带-转发的策略完成数据包的转发；
(6)不在交叉路口上的节点采用贪婪地理路由协议转发数据包；
(7)节点接收到数据包后，判断数据包上目的节点域是否是自己，若是则直接提交到上层，若不是，返回执行步骤(1)。
2.根据权利要求1所述的基于CP神经网络的车载自组网交叉路口预测路由方法，其中步骤(2)所述的密度信息是将道路分成固定的小区域单元，每个单元内的车辆组成一个簇，将最靠近单元中心的车辆作为簇头，由簇头节点计算本簇内的节点密度，然后，用计算所得本簇内节点密度的结果构造成单元密度分组，通过在簇间传递并更新单元密度分组中的密度值获得整条路段的节点密度，设M是每个单元内的平均节点密度，计算公式为
Figure FDA0002379751390000021
Nc为路段单元个数，Ni为单元内节点个数。
3.根据权利要求1所述的基于CP神经网络的车载自组网交叉路口预测路由方法，其中步骤(2)所述的距离比信息采用下一交叉口到目的地的距离与当前交叉口到目的地距离的比值。
4.根据权利要求1所述的基于CP神经网络的车载自组网交叉路口预测路由方法，其中步骤(4)输入进行归一化处理指输入
Figure FDA0002379751390000022
时有
Figure FDA0002379751390000023
其中
Figure FDA0002379751390000024
CN201610969151.7A 2016-11-03 2016-11-03 基于cp神经网络的车载自组网交叉路口预测路由方法 Active CN106535279B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610969151.7A CN106535279B (zh) 2016-11-03 2016-11-03 基于cp神经网络的车载自组网交叉路口预测路由方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610969151.7A CN106535279B (zh) 2016-11-03 2016-11-03 基于cp神经网络的车载自组网交叉路口预测路由方法

Publications (2)

Publication Number Publication Date
CN106535279A CN106535279A (zh) 2017-03-22
CN106535279B true CN106535279B (zh) 2020-04-21

Family

ID=58326637

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610969151.7A Active CN106535279B (zh) 2016-11-03 2016-11-03 基于cp神经网络的车载自组网交叉路口预测路由方法

Country Status (1)

Country Link
CN (1) CN106535279B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107086962A (zh) * 2017-04-01 2017-08-22 天津理工大学 一种面向车辆网路由的多跳反应式成簇方法
WO2018227374A1 (en) * 2017-06-13 2018-12-20 Beijing Didi Infinity Technology And Development Co., Ltd. Systems and methods for route planning based on deep convolutional neural network
US10826851B2 (en) * 2018-07-18 2020-11-03 Ambeent Inc. Method and system for routing delay-tolerant communication messages to a destination device
US11244227B2 (en) * 2019-03-01 2022-02-08 International Business Machines Corporation Discrete feature representation with class priority
CN111818484A (zh) * 2020-07-21 2020-10-23 浙江树人学院（浙江树人大学） 面向车联网的安全路由控制方法
CN116506813A (zh) * 2023-04-25 2023-07-28 成都大学 一种面向智慧交通的移动自组网数据传输系统及方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102137462B (zh) * 2011-04-19 2013-08-14 西安电子科技大学 车辆自组织网络中基于预测的交叉路口处的路由方法
CN103298059B (zh) * 2013-05-13 2015-09-30 西安电子科技大学 车辆自组网中基于位置预测的连通度感知路由方法
CN105307232B (zh) * 2015-11-13 2020-05-12 南京邮电大学 一种车载自组织网络的基于连通概率的路由优化方法

Also Published As

Publication number Publication date
CN106535279A (zh) 2017-03-22

Similar Documents

Publication Publication Date Title
CN106535279B (zh) 基于cp神经网络的车载自组网交叉路口预测路由方法
Mao et al. Learning agent communication under limited bandwidth by message pruning
CN108335497B (zh) 一种交通信号自适应控制系统及方法
CN111867139B (zh) 基于q学习的深度神经网络自适应退避策略实现方法及系统
CN112954769B (zh) 基于强化学习的水下无线传感器网络路由方法
CN114697229B (zh) 一种分布式路由规划模型的构建方法及应用
CN108075975B (zh) 一种物联网环境中的路由传输路径的确定方法及确定系统
CN104684040B (zh) 基于模糊推理的q学习车载网建立路由路径的方法
CN105744566A (zh) 一种基于感知器的自适应按需加权分簇方法
CN113163466B (zh) 基于模糊决策树的自适应鱼群寻路包路由方法
CN108684065B (zh) 一种车联网中基于蚁群优化的中继选择方法
CN113709841A (zh) 一种基于布谷鸟算法和K-means算法的WSN路由协议方法
Amiri et al. Improving AODV with TOPSIS algorithm and fuzzy logic in VANETs
CN112511445B (zh) 一种基于负载加权的最短路径路由生成方法
Chai et al. A multi-objective Dyna-Q based routing in wireless mesh network
Qazi et al. Multipath Routing Scheme by using Genetic Algorithm in Vehicular Ad Hoc Networks
CN113965943A (zh) 基于双向Q-Learning优化AODV路由的方法
He et al. Intersection-based traffic-aware routing with Fuzzy Q-learning for urban VANETs
CN114501575A (zh) 基于模糊逻辑的农业物联网自适应路由方法
CN117793844B (zh) 一种基于模糊逻辑的地理位置路由方法
CN115118648B (zh) 一种vanet网络自适应路由协议选择方法、计算机程序产品
CN113078958B (zh) 一种基于迁移学习的网络节点距离矢量同步方法
CN116723531A (zh) 模糊奖励函数辅助的局部图注意力无人机自组网路由方法
CN114449477B (zh) 一种基于边缘缓存和免疫克隆策略的车联网内容分发方法
CN112004208B (zh) 车联网中人工鱼群分簇方法、存储介质和装置

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant