CN107426694B - 一种车载自组织网络的模糊分簇方法 - Google Patents
一种车载自组织网络的模糊分簇方法 Download PDFInfo
- Publication number
- CN107426694B CN107426694B CN201710491657.6A CN201710491657A CN107426694B CN 107426694 B CN107426694 B CN 107426694B CN 201710491657 A CN201710491657 A CN 201710491657A CN 107426694 B CN107426694 B CN 107426694B
- Authority
- CN
- China
- Prior art keywords
- cluster
- node
- vehicle
- cluster head
- nodes
- 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
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/025—Services making use of location information using location based information parameters
- H04W4/026—Services making use of location information using location based information parameters using orientation information, e.g. compass
-
- 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
-
- 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
- H04W40/18—Communication route or path selection, e.g. power-based or shortest path routing based on predicted events
-
- 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
-
- 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
- H04W40/22—Communication route or path selection, e.g. power-based or shortest path routing using selective relaying for reaching a BTS [Base Transceiver Station] or an access point
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W40/00—Communication routing or communication path finding
- H04W40/24—Connectivity information management, e.g. connectivity discovery or connectivity update
- H04W40/248—Connectivity information update
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W84/00—Network topologies
- H04W84/18—Self-organising networks, e.g. ad-hoc networks or sensor networks
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明针对现有车载自组织网络分簇算法在网络拓扑变化频繁的场景下存在簇稳定性不高、孤立节点较多等问题,公开了一种车载自组织网络的模糊分簇方法。在簇生成算法中,首先对车辆的行驶方向进行了划分,然后结合模糊聚类的思想定义了一个可以衡量车辆节点成为簇头的能力参数;在簇维护算法中,首先采用了一个基本卡尔曼滤波器对簇成员的位置进行预测,然后基于位置预测和行驶方向判断提出了以临界簇成员为核心的簇维护机制。本发明运用了模糊聚类的思想,同时对簇成员的位置进行了预测,提高了网络中簇的稳定性、减少网络中孤立节点个数并降低网络通信开销,适用于直行道路、T字路口、十字路口等各种场景,具有良好的应用前景。
Description
技术领域
本发明涉及一种车载自组织网络的模糊分簇方法,属于车载自组织网络领域。
背景技术
随着科技的不断进步和社会的发展,人们对汽车在安全、耗能、舒适和娱乐等方面提出了新的要求,汽车工业面临新的挑战。新一代汽车的研究将综合考虑信息技术、计算机技术、自动化技术、人工智能技术、网络通信技术等多学科领域的在汽车上的运用。在此种背景下,便诞生了智能网联汽车。如果与智能汽车、无人驾驶汽车、先进驾驶辅助系统、车联网、智能交通系统等相关概念做比较的话,智能网联汽车则是一种实现智能驾驶和信息互联的新一代汽车。其中信息互联技术要求车辆与外部节点之间能够实时地进行通信,使司机能够在超视距的范围内获得其他车辆的状况信息(如位置、方向、车速等)以及实时路况信息(如前方事故、后方的紧急车辆、道路拥塞情况等),及时地调整驾驶行为,为司机的安全驾驶提供保障。
车载自组织网络(Vehicle ad-hoc Network,VANET)就是专门为车辆间通信而设计的自组织网络,其设计目标是建立一个车辆间通信的平台,将道路上行驶的车辆配置成自组织网络中的通信节点,利用车辆节点间的快速通信实现路况信息及其他车辆行驶信息的迅速传递。其最突出的特点是能够使驾驶员超视距获取相关交通信息,从而使智能网联汽车的智能驾驶和信息互联成为可能。而车载自组织网络中的分簇技术研究是实现车辆间分布式协作,并进行高效通信的关键步骤之一,同时能够为自组织网络中接入控制与路由协议的研究提供理论框架。
目前,许多国内外科研机构和研究人员针对车载自组网络的特性,研究并设计了很多类型的分簇算法。比如较早提出的多信道自组织网络分簇算法,算法中所有位于道路中间车道的节点都将成为候选簇头节点,然后这些候选簇头节点随机获取一个概率值p(具有唯一性),具有最大概率值p的节点才会被选取为簇头节点。又如一种基于位置的分簇算法,该算法需要定位设备提供节点的地理位置信息,算法中,当某节点同时满足在一跳范围内其优先权值最大以及该节点比一条范围内所有邻居的一条范围内邻居节点的优先权值大这两个条件时,便被选取为簇头节点。这些算法开启了车载自组织网络中分簇算法研究的先河,然而,目前所提出的大部分车载自组织网络中的分簇所考虑的场景过于简单,难于满足网络拓扑变化频繁的交通场景。
发明内容
本发明针对现有车载自组织网络分簇算法在网络拓扑变化频繁的场景下存在簇稳定性不高、孤立节点较多等问题,结合模糊聚类思想和卡尔曼滤波技术,提出了一种车载自组织网络的模糊分簇算法。
本发明的原理在于,提出一种车载自组织网络的模糊分簇算法,其创新技术是:考虑了车辆的定位信息,包括位置、速度和加速度作为移动性指标,结合模糊聚类的思想定义了一个可以衡量车辆节点成为簇头的能力参数,提高了簇的稳定性;同时运用卡尔曼滤波技术对簇成员的位置进行了预测,基于位置预测和方向划分提出了临界簇成员的概念,其中临界簇成员为即将离开当前簇的簇成员;并设计了一种以临界簇成员为核心的簇维护机制,减少了网络中孤立节点的个数。
对车辆的行驶方向进行划分,使用定位信息作为移动性指标,定位信息包括车辆位置、速度和加速度;通过模糊聚类定义衡量车辆节点成为簇头的能力参数CP,并基于能力参数CP得出簇生成算法;然后采用一个基本卡尔曼滤波器对簇成员的位置进行预测;基于位置预测和行驶方向提出了以临界簇成员为核心的簇维护算法,其中临界簇成员为即将离开当前簇的簇成员;
具体包括如下步骤:
步骤一:簇的初始化与生成
1)首先对车辆的行驶方向进行划分,只有行驶方向相同的车辆才能被划分在同一个簇中,假设车辆节点i的速度为:车辆节点j的速度为:其中和分别为X和Y轴的单位矢量,a,b,c,d为速度常量。那么,两个节点i和j之间的行驶方向夹角可以表示为:
当θi,j≤π/4时,则认为节点i和节点j的行驶方向相同;当θi,j>π/4时,则认为节点i和节点j的行驶方向不同。这样可以避免把变道行驶的车辆错认为是在路口处转弯的车辆。
2)然后在已知车辆定位信息(位置、速度和加速度)的基础上,结合模糊聚类的思想定义了一个可以衡量车辆节点成为簇头的能力参数(Capacity Parameter,CP)。其计算过程如下:
设某车辆节点u1与其邻居节点u2,...,un所组成的集合为U={u1,u2,...,un},且每个车辆节点有6个特性指标:X轴方向位置、Y轴方向位置、X轴方向速度、Y轴方向速度、X轴方向加速度和Y轴方向加速度。那么这n个车辆节点的所有特性指标构成一个原始数据矩阵,记为U*。由于位置、速度和加速度的数据有不同的量纲,为了使不同的量纲也能进行比较,通常需要对数据进行标准化,也就是根据模糊矩阵的要求,将数据转换到区间[0,1]上,则标准化后的矩阵记为U′。
在获得矩阵U′后,结合权值分配的思想对最大最小法进行了改进,可计算得到车辆节点ui与车辆节点uj之间的相似度为:
u′ik表示矩阵U′的第i行、第k列元素,α、β和γ分别为车辆节点位置、速度和加速度的权重系数,并且满足α+β+λ=1。由于车辆节点的变化主要取决于速度和加速度,因此可设定:α=0.2,β=0.4,γ=0.4。由车辆节点的相似度可得到U的模糊相似矩阵R,采用基于模糊等价矩阵聚类的方法将R改造成模糊等价矩阵R*,那么某车辆节点u1的簇头能力参数可表示为:
r′1j表示矩阵R*的第1行、第j列元素,若一个车辆节点拥有更大的CP值,意味着这个节点与周围的直接邻居节点之间有更相似的移动性。也就是说,选择一个拥有更大CP值的节点成为簇头,能够使该簇更加稳定,簇的生存时间更长。
3)最后基于簇头能力参数CP提出了簇生成算法:在网络初始阶段,所有车辆节点均为孤立节点,这些节点向通信范围内的节点广播格式为包类型、节点ID、位置、速度和加速度的HELLO数据包。此外,簇形成之后,簇头会以Tb为周期定时地广播格式为包类型、节点ID、位置、速度、加速度和CP值的簇头声明(Cluster Head Announcement,CHA)数据包给通信范围内的所有节点。同样的,簇成员也会周期性地广播格式为包类型、节点ID、簇头ID、位置、速度、加速度和CP值的簇成员声明(Cluster Member Announcement,CMA) 数据包。
若节点j接收到其它节点发送的HELLO、CHA或者CMA数据包,便将发送者的ID添加到j的邻居列表中。然后,节点j计算它与邻居列表中每个节点的行驶方向夹角,若行驶方向不同,对应的节点会立即被节点j从它的邻居列表中删除。在更新邻居列表后,节点j会计算自身的CP值,并将其发送给邻居列表中的其它节点。同时,节点j也会接收邻居列表中其它节点发送过来的CP值。
如果节点j的邻居列表中不存在任何簇头,且节点j的CP值比它邻居列表中任意节点的CP值都小,那么节点j就被选举为簇头。当节点j成为簇头后,它会发送一个格式为包类型、节点ID和CP值的簇邀请(Cluster Invite,CI)数据包给邻居列表中的其它节点。如果节点j收到了某个簇头节点的CI数据包或者邻居列表中有且只有一个簇头,则节点j会发送一个格式为包类型、节点ID和簇头ID的簇加入(Cluster Join,CJ)数据包给该簇头,并成为它的簇成员。如果节点j收到了多个簇头节点的CI数据包或者邻居列表中有多个簇头,则节点j会选择CP值最大的簇头来加入。
步骤二:簇的更新与维护
1)首先对簇成员的位置进行预测。由于卡尔曼滤波器不仅可以修正观测值,同时也可以根据观测值来推算下一时刻的预估值。假设每一个车辆节点从网络初始阶段开始就对其位置进行卡尔曼滤波,且将t时刻车辆节点的位置作为观测量,滤波采样周期为Ta,其中Ta表示留给临界簇成员执行簇生成算法的预留时间,它包括数据发送与接收所耗用的时间和数据处理所耗用的时间,那么可获得t时刻车辆节点的后验状态估计值,记作接下来利用该后验状态估计值来预测下一个Ta时刻的先验状态估计值:
2)然后基于位置预测和方向划分提出临界簇成员的概念。假设簇头i在t时刻的位置为li(t),簇成员j在下一个Ta时刻的预测位置为lj(t+Ta,t),那么簇成员j与簇头i之间的预测距离可表示为:
li,x(t)和li,y(t)分别表示li(t)在X轴和Y轴方向的分量,lj,x(t+Ta,t)和lj,y(t+Ta,t)同理。若已知车辆节点的通信半径为Rv,同时考虑步骤一中的行驶方向夹角,那么可做出如下规定:当簇成员j与簇头i之间的预测距离Di,j>Rv时或行驶方向夹角θi,j>π/4时,则该簇成员转变为临界簇成员。除此之外,如果簇头i发现邻居列表中存在拥有最小CP值的节点j,那么簇头i会立即给邻居列表中除j以外的其它节点发送格式为包类型和节点ID的簇头失效 (Cluster Head Invalid,CHI)数据包。Ta时间后,若j不是簇头节点,则j会代替i成为新的簇头并发送CI数据包给邻居节点。若j为簇头节点,则节点i发送CJ数据包给节点j并成为j的簇成员,从而完成簇的合并。如果簇成员接收得到簇头发送的CHI数据包,则转变为临界簇成员。
3)最后提出以临界簇成员为核心的簇维护机制。该机制的最关键部分就是簇成员转变为临界簇成员的过程。一旦簇成员转变为临界簇成员,就会执行簇生成算法,以便提前选择一个最稳定的簇头作为下一任备用的簇头。另外,如果临界簇成员没有发现其它簇头,或者其它簇头的CP值均小于当前簇头的CP值,那么该临界簇成员将继续选择当前簇头作为下一任簇头。一旦选好备用簇头,临界簇成员便加入该簇。通过这个过程,簇成员在离开当前簇之后变为孤立节点的概率将变得很小,那么网络中孤立节点的个数也会大幅减少,进而降低网络的通信开销。
同时,当网络中簇生成算法执行完毕后,簇头、簇成员和孤立节点会周期性的广播CHA、CMA和HELLO数据包,在收到CHA、CMA和HELLO数据包后,网络中的每个节点会重新计算自身的CP值,并更新它的邻居列表。此外,如果簇成员超过2Tb的时间未收到来自簇头的CHA数据包,则认为该簇成员已经离开原簇,成为孤立节点。同样的,若簇头长时间未收到簇成员发送的CMA数据包,则该簇头变为孤立节点。
本发明方法的优点是:操作步骤简单、簇头选择过程所需的参数少,计算量小,簇的维护比较容易,适用于直行道路、T字路口、十字路口等各种场景,具有良好的应用前景。
附图说明
图1簇生成算法流程图。
图2簇维护算法流程图。
图3实施例1结构示意图。
图4实施例2结构示意图。
图5实施例3结构示意图。
图6平均簇头变化次数与节点最大移动速度的关系。
图7平均孤立节点数量与节点最大移动速度的关系。
图8为试验参数表。
具体实施方式
为使本发明更加清晰易懂,下面结合附图1至8和实施例对本发明作进一步的详细描述。
本发明提出的一种车载自组织网络的模糊分簇方法,主要分为簇生成算法和簇维护算法两部分:
1)簇生成算法
如图1所示,在网络初始阶段,所有车辆节点均为孤立节点,这些节点向通信范围内的节点广播格式为包类型、节点ID、位置、速度和加速度的HELLO数据包。当某车辆节点接收到来自其它节点发送的数据包时,首先计算该节点与其它节点之间的行驶方向夹角,只有行驶方向相同的节点才会被加入到该节点的邻居列表中。然后在已知车辆定位信息(位置、速度和加速度)的基础上,结合模糊聚类的思想计算该节点自身的簇头能力参数(Capacity Parameter,CP)值,并发送给邻居节点,同时该节点会将自身的CP值与邻居节点的CP值作比较,如果该节点自身的CP值是最小的(CP值相同,则ID值最小的被选举为簇头),则该节点被选举为簇头。被选举为簇头的节点会发送一个格式为包类型、节点ID和CP值的簇邀请(Cluster Invite,CI)数据包给邻居节点,并周期性地广播格式为包类型、节点ID、位置、速度、加速度和CP值的簇头声明(Cluster Head Announcement,CHA)数据包给通信范围内的所有节点。若某车辆节点接收到了某簇头节点发送的CI数据包,或者该车辆节点邻居列表中存在簇头节点,那么该车辆节点就会发送一个格式为包类型、节点ID和簇头ID 的簇加入(Cluster Join,CJ)数据包给相应的簇头节点,成为该簇头节点的成员,并周期性地广播格式为包类型、节点ID、簇头ID、位置、速度、加速度和CP值的簇成员声明(ClusterMember Announcement,CMA)数据包。
2)簇维护算法
如图2所示,在网络运行阶段,簇头节点、簇成员节点和孤立节点会分别周期性的广播CHA、CMA和HELLO数据包,各节点在接收到数据包后会重新计算自身的CP值并更新邻居列表。如果某簇头节点i的邻居列表中存在拥有最小的CP值的节点k,那么簇头i 会立即给邻居列表中除k以外的其它节点发送格式为包类型和节点ID的簇头失效(Cluster HeadInvalid,CHI)数据包,并启动初始值为Ta的定时器。定时器到期后,若k不是簇头节点,则k会代替i成为新的簇头并发送CI数据包给邻居节点。若k为簇头节点,则节点i 发送CJ数据包给节点k并成为k的簇成员,从而完成簇的合并。此外,如果当簇成员j与簇头i之间的预测距离超出通信范围时,或者行驶方向夹角超过45°时,再或者簇成员j接收到簇头i发送的CHI数据包时,簇成员j则转变为临界簇成员,并执行簇生成算法,以便提前选择一个最稳定的簇头作为下一任备用的簇头。另外,如果临界簇成员没有发现其它簇头,或者其它簇头的CP值均小于当前簇头的CP值,那么该临界簇成员将继续选择当前簇头作为下一任簇头。与此同时,如果簇成员超过2Tb的时间未收到来自簇头的CHA数据包,则认为该簇成员已经离开原簇,成为孤立节点。同样的,若簇头长时间未收到簇成员发送的 CMA数据包,则该簇头变为孤立节点。
实施例一,交通场景为双向直行车道,簇成员j会采用卡尔曼滤波器对自身的位置进行预测,如果j与簇头i之间的预测距离超出通信范围时,则j会转变为临界簇成员并执行簇生成算法,以便提前选择一个最稳定的簇头作为下一任备用的簇头。
实施例二,交通场景为十字路口,簇成员j会计算自身与簇头i的行驶方向夹角,如果j与i之间的行驶方向夹角超过45°时(j右转),则j会转变为临界簇成员并执行簇生成算法,以便提前选择一个最稳定的簇头作为下一任备用的簇头。
实施例三,交通场景为双向直行车道,当簇头k在簇头i的通信范围之内,且k 的CP值小于i时,则i会立即给邻居列表中除k以外的其它节点发送CHI数据包,并启动初始值为Ta的定时器,若i的簇成员收到了CHI数据包则转变为临界簇成员并执行簇生成算法,以便提前选择一个最稳定的簇头作为下一任备用的簇头。定时器到期后,i发送CJ 数据包给k并成为k的簇成员,从而完成簇的合并。
本发明提出的一种车载自组织网络的模糊分簇算法,在包含上述实施例的交通场景下,采用 MATLAB平台进行了仿真实施试验,试验参数如图8所示。试验结果分析了本发明算法与 MOBIC经典算法在平均簇头变化次数和平均孤立节点数量方面的性能。如图6所示,当车辆节点的最大移动速度从5m/s到35m/s递增时,两种算法的平均簇头变化次数也随着增加,这是因为车辆速度越快,网络拓扑变化就越快,簇头变化越频繁,因而平均簇头变化次数也随之增加。同时可以观察到,本发明算法能够始终保持较低的平均簇头变化次数,这是因为本发明算法考虑了速度和加速度这两个最能代表车辆节点移动性的因素,选择与邻居节点移动性最相似的节点作为簇头,从而使得簇的稳定性更强。如图7所示,当车辆节点的最大移动速度从5m/s到35m/s递增时,两种算法的平均孤立节点数量也随着增加,这是因为车辆速度越快,簇成员与簇头之间的速度差和移动方向的变化越快,导致簇成员频繁地离开当前簇,从而使孤立节点增多。同时不难发现,本发明算法在车辆速度不断增长的情况下,仍然能够保持较少的平均孤立节点数。这是因为本发明算法对车辆节点的位置进行了预测并采用了以临界簇成员为核心的簇维护机制,提前为簇成员选好备用簇头,大大减少了孤立节点的产生,从而降低了由孤立节点所引起的网络通信开销。应当指出,凡属于本发明思路下的技术方案均属于本发明的保护范围;对于本技术领域的普通技术人员来说,在不脱离本发明原理前提下的若干改进和润饰,应视为本发明的保护范围。
Claims (2)
1.一种车载自组织网络的模糊分簇方法,其特征在于:
对车辆的行驶方向进行划分,使用定位信息作为移动性指标,定位信息包括车辆位置、速度和加速度;
通过模糊聚类定义衡量车辆节点成为簇头的能力参数CP,并基于能力参数CP得出簇生成算法;
然后采用一个基本卡尔曼滤波器对簇成员的位置进行预测;
基于位置预测和行驶方向提出了以临界簇成员为核心的簇维护算法,其中临界簇成员为即将离开当前簇的簇成员;
具体包括如下步骤:
步骤一:簇的初始化与生成,
两个节点i和j之间的行驶方向夹角可以表示为:
当θi,j≤π/4时,则认为节点i和节点j的行驶方向相同;当θi,j>π/4时,则认为节点i和节点j的行驶方向不同;这样可以避免把变道行驶的车辆错认为是在路口处转弯的车辆;
2)然后在已知车辆定位信息的基础上,定位信息包括位置、速度和加速度,通过模糊聚类的思想定义一个衡量车辆节点成为簇头的能力参数CP,其计算过程如下:
设某车辆节点u1与其邻居节点u2,...,un所组成的集合为U={u1,u2,...,un},且每个车辆节点有6个特性指标:X轴方向位置、Y轴方向位置、X轴方向速度、Y轴方向速度、X轴方向加速度和Y轴方向加速度;那么这n个车辆节点的所有特性指标构成一个原始数据矩阵,记为U*;
由于位置、速度和加速度的数据有不同的量纲,为了使不同的量纲也能进行比较,通常需要对数据进行标准化,也就是根据模糊矩阵的要求,将数据转换到区间[0,1]上,则标准化后的矩阵记为U′;
在获得矩阵U′后,结合权值分配的思想对最大最小法进行了改进,可计算得到车辆节点ui与车辆节点uj之间的相似度为:
其中u′ik表示矩阵U′的第i行、第k列元素,α、β和γ分别为车辆节点位置、速度和加速度的权重系数,并且满足α+β+λ=1;由于车辆节点的变化主要取决于速度和加速度,因此可设定:α=0.2,β=0.4,γ=0.4;由车辆节点的相似度可得到U的模糊相似矩阵R,采用基于模糊等价矩阵聚类的方法将R改造成模糊等价矩阵R*,则某车辆节点u1的簇头能力参数可表示为:
r′1j表示矩阵R*的第1行、第j列元素,若一个车辆节点拥有更大的能力参数,意味着这个节点与周围的直接邻居节点之间有更相似的移动性,即选择一个拥有更大CP值的节点成为簇头,能够使该簇更加稳定,簇的生存时间更长;
3)最后基于簇头能力参数CP提出了簇生成算法:在网络初始阶段,所有车辆节点均为孤立节点,这些节点向通信范围内的节点广播格式为包类型、节点ID、位置、速度和加速度的HELLO数据包,此外,簇形成之后,簇头会以Tb为周期定时地广播格式为包类型、节点ID、位置、速度、加速度和CP值的簇头声明CHA数据包给通信范围内的所有节点;同样的,簇成员也会周期性地广播格式为包类型、节点ID、簇头ID、位置、速度、加速度和CP值的簇成员声明CMA数据包;
若节点j接收到其它节点发送的HELLO、CHA或者CMA数据包,便将发送者的ID添加到j的邻居列表中;然后,节点j计算它与邻居列表中每个节点的行驶方向夹角,若行驶方向不同,对应的节点会立即被节点j从它的邻居列表中删除;
在更新邻居列表后,节点j会计算自身的CP值,并将其发送给邻居列表中的其它节点;同时,节点j也会接收邻居列表中其它节点发送过来的CP值;
如果节点j的邻居列表中不存在任何簇头,且节点j的CP值比它邻居列表中任意节点的CP值都小,那么节点j就被选举为簇头;当节点j成为簇头后,它会发送一个格式为包类型、节点ID和CP值的簇邀请CI数据包给邻居列表中的其它节点;如果节点j收到了某个簇头节点的CI数据包或者邻居列表中有且只有一个簇头,则节点j会发送一个格式为包类型、节点ID和簇头ID的簇加入CJ数据包给该簇头,并成为它的簇成员;如果节点j收到了多个簇头节点的CI数据包或者邻居列表中有多个簇头,则节点j会选择CP值最大的簇头来加入;
步骤二:簇的更新与维护,
1)首先对簇成员的位置进行预测,由于卡尔曼滤波器不仅可以修正观测值,同时也可以根据观测值来推算下一时刻的预估值;假设每一个车辆节点从网络初始阶段开始就对其位置进行卡尔曼滤波,且将t时刻车辆节点的位置作为观测量,滤波采样周期为Ta,其中Ta表示车辆节点执行一次簇生成算法的理论时间,它包括数据发送与接收所耗用的时间和数据处理所耗用的时间,则获得t时刻车辆节点的后验状态估计值,记作接下来利用该后验状态估计值来预测下一个Ta时刻的先验状态估计值:
2)然后基于位置预测和方向划分提出临界簇成员的概念,假设簇头i在t时刻的位置为li(t),簇成员j在下一个Ta时刻的预测位置为lj(t+Ta,t),那么簇成员j与簇头i之间的预测距离可表示为:
li,x(t)和li,y(t)分别表示li(t)在X轴和Y轴方向的分量,lj,x(t+Ta,t)和lj,y(t+Ta,t)同理;若已知车辆节点的通信半径为Rv,同时考虑步骤一中的行驶方向夹角,那么可做出如下规定:
当簇成员j与簇头i之间的预测距离Di,j>Rv时或行驶方向夹角θi,j>π/4时,则该簇成员转变为临界簇成员;除此之外,如果簇头i发现邻居列表中存在拥有最小CP值的节点j,那么簇头i会立即给邻居列表中除j以外的其它节点发送格式为包类型和节点ID的簇头失效CHI数据包;Ta时间后,若j不是簇头节点,则j会代替i成为新的簇头并发送CI数据包给邻居节点;若j为簇头节点,则节点i发送CJ数据包给节点j并成为j的簇成员,从而完成簇的合并;如果簇成员接收得到簇头发送的CHI数据包,则转变为临界簇成员;
3)最后提出以临界簇成员为核心的簇维护机制,该机制的最关键部分就是簇成员转变为临界簇成员的过程,一旦簇成员转变为临界簇成员,就会执行簇生成算法,以便提前选择一个最稳定的簇头作为下一任备用的簇头;
另外,如果临界簇成员没有发现其它簇头,或者其它簇头的CP值均小于当前簇头的CP值,那么该临界簇成员将继续选择当前簇头作为下一任簇头;一旦选好备用簇头,临界簇成员便加入该簇,通过这个过程,簇成员在离开当前簇之后变为孤立节点的概率将变得很小,那么网络中孤立节点的个数也会大幅减少,进而降低网络的通信开销;
同时,当网络中簇生成算法执行完毕后,簇头、簇成员和孤立节点会周期性的广播CHA、CMA和HELLO数据包,在收到CHA、CMA和HELLO数据包后,网络中的每个节点会重新计算自身的CP值,并更新它的邻居列表;
此外,如果簇成员超过2Tb的时间未收到来自簇头的CHA数据包,则认为该簇成员已经离开原簇,成为孤立节点;同样的,若簇头长时间未收到簇成员发送的CMA数据包,则该簇头变为孤立节点。
2.根据权利要求1所述的一种车载自组织网络的模糊分簇方法,其特征在于:利用了模糊聚类的思想定义可以衡量车辆节点成为簇头的能力参数,运用卡尔曼滤波器对簇成员的位置进行了预测,从而有效提高了簇的稳定性并降低网络中孤立节点的个数,且能应用于任何道路场景。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710491657.6A CN107426694B (zh) | 2017-06-26 | 2017-06-26 | 一种车载自组织网络的模糊分簇方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710491657.6A CN107426694B (zh) | 2017-06-26 | 2017-06-26 | 一种车载自组织网络的模糊分簇方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107426694A CN107426694A (zh) | 2017-12-01 |
CN107426694B true CN107426694B (zh) | 2020-06-09 |
Family
ID=60427710
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710491657.6A Active CN107426694B (zh) | 2017-06-26 | 2017-06-26 | 一种车载自组织网络的模糊分簇方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107426694B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108834229B (zh) * | 2018-07-02 | 2020-10-16 | 江西财经职业学院 | 一种车载自组织网络的模糊分簇算法 |
CN110139208B (zh) * | 2019-04-04 | 2020-11-20 | 江苏大学 | 基于dai的无线传感器网络协作通信中对管理智能体ma位置预测方法 |
CN110225452B (zh) * | 2019-06-19 | 2021-07-06 | 广东工业大学 | 一种基于分簇路由协议的行驶车辆通信方法、装置及介质 |
CN110310480B (zh) * | 2019-06-25 | 2021-12-03 | 电子科技大学 | 一种基于拥塞控制的实时路径规划方法 |
CN111131031B (zh) * | 2019-12-27 | 2022-05-20 | 南京邮电大学 | 一种基于移动性权重的vanet集群分簇优化方法 |
CN111626352A (zh) * | 2020-05-26 | 2020-09-04 | 多伦科技股份有限公司 | 基于模糊c均值的自适应能耗最优车辆聚类方法 |
CN113260012B (zh) * | 2021-05-31 | 2021-09-28 | 四川腾盾科技有限公司 | 一种基于位置轨迹预测的无人机群拓扑控制方法 |
CN113992560B (zh) * | 2021-11-24 | 2023-12-29 | 深圳万知达科技有限公司 | 一种活跃度感知的社交车辆分簇方法、装置及计算机设备 |
CN114650500A (zh) * | 2022-03-08 | 2022-06-21 | 中国移动通信集团江苏有限公司 | 数据分发方法、装置、电子设备和存储介质 |
CN117641363B (zh) * | 2024-01-25 | 2024-05-10 | 东北大学 | 一种基于聚簇的车联网信任管理方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101129562B1 (ko) * | 2010-02-02 | 2012-03-29 | 동명대학교산학협력단 | 무선 센서 네트워크의 클러스터링 방법 |
CN103781148B (zh) * | 2014-02-25 | 2016-12-21 | 重庆邮电大学 | 车载自组织网络中基于链路感知的稳定成簇路由方法 |
CN103873485B (zh) * | 2014-04-03 | 2017-03-08 | 重庆邮电大学 | 车载自组织网络中基于链路持续时间的簇mac协议实现方法 |
CN105657068A (zh) * | 2016-03-28 | 2016-06-08 | 厦门大学 | 一种基于车辆移动信息分簇的实现方法 |
CN106131161B (zh) * | 2016-06-28 | 2019-09-20 | 中山大学 | 一种城市环境下基于稳定性分簇的车载路由协议方法 |
-
2017
- 2017-06-26 CN CN201710491657.6A patent/CN107426694B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN107426694A (zh) | 2017-12-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107426694B (zh) | 一种车载自组织网络的模糊分簇方法 | |
Gao et al. | V2VR: reliable hybrid-network-oriented V2V data transmission and routing considering RSUs and connectivity probability | |
Zhao et al. | ELITE: An intelligent digital twin-based hierarchical routing scheme for softwarized vehicular networks | |
CN105245563B (zh) | 一种基于车辆节点连通稳定度的动态分簇方法 | |
Mekrache et al. | Deep reinforcement learning techniques for vehicular networks: Recent advances and future trends towards 6G | |
Maglaras et al. | Distributed clustering in vehicular networks | |
CN114283607B (zh) | 一种基于分布式群智学习的多车协同规划方法 | |
Saleh et al. | A reliable routing protocol for vehicular ad hoc networks | |
CN105208616A (zh) | 车载自组织网络中基于道路拓扑的自适应多副本路由方法 | |
Zhao et al. | A novel adaptive routing and switching scheme for software-defined vehicular networks | |
CN105245608A (zh) | 基于自编码网络的车联网网络节点筛选及其通达性路由构建方法 | |
CN108650656B (zh) | 一种基于交叉路口的分布式城市车联网路由方法 | |
CN107105389B (zh) | 车载网络中基于道路拓扑结构的地理信息路由方法 | |
CN111768654A (zh) | 一种多无人机协同中继辅助车载自组网数据传输方法 | |
Zaimi et al. | A fuzzy geographical routing approach to support real-time multimedia transmission for vehicular ad hoc networks | |
CN111487975A (zh) | 一种基于智能网联系统的港口卡车自动编队方法及系统 | |
CN110248392B (zh) | 一种车联网中基于节点效能的机会转发方法 | |
Véque et al. | CONVOY: A New Cluster‐Based Routing Protocol for Vehicular Networks | |
CN109561392B (zh) | 一种车联网行驶环境自适应动态感知路由 | |
Cheng et al. | Research on the prediction-based clustering method in the community of medical vehicles for connected health | |
CN110958574A (zh) | 基于无人机节点的车辆自组织网络道路连通性实时修补机制方法 | |
Xu et al. | A queue-length-based detection scheme for urban traffic congestion by VANETs | |
Syfullah et al. | Mobility-based clustering algorithm for multimedia broadcasting over IEEE 802.11 p-LTE-enabled VANET | |
Rana et al. | VANET: expected delay analysis for location aided routing (LAR) Protocol | |
CN106900026B (zh) | 一种基于网络连通的路由骨干路径的选择方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |