CN108985658B - 一种基于模糊评判和客户期望的车联网协同下载方法 - Google Patents

Abstract

本发明公开了一种基于模糊评判和客户期望的车联网协同下载方法，首先收集并记录了每辆车的基本信息。根据代理车辆的基本信息，我们通过提出的基于模糊综合评判的算法来定义每个代理车辆的客观评分。根据客户车辆期望合作的代理车辆的等级通过该算法得出相应的客户满意度得分。然后根据这两项得分建立优化模型，择优按需选择。本发明的方法通过模糊综合评判的方法计算代理车辆的客观得分和客户期望得分，并通过线性规划的方法综合考虑两项得分从而为车辆选择代理车辆，提出的方法既增加了用户体验的满意度，又提高了寻找合作伙伴的效率。

Description

一种基于模糊评判和客户期望的车联网协同下载方法

技术领域

本发明涉及无线通信技术领域，尤其涉及车联网中一种基于模糊评判和客户期望的车联网协同下载方法。

背景技术

随着网络的迅速发展，人们越来越离不开网络，在汽车上使用网络的需求也越来越大。合作下载已经成为了提高车载网络下载效率的重要手段。在车联网合作卸载这个方面，大多数研究人员更关注如何增加下载数据量的方法，或者每个客户端提供均衡的服务，却忽略了客户端的个性化需求。

实际上，合作下载方法的目标既要保证传输更多的数据、提供均衡的服务又要迎合所有客户的需求，这样才更贴近现实，使得请求合作卸载的客户在服务中满意。

发明内容

本发明目的在于提供一种既能最大限度地提高传输数据的总量，又能尽可能地保证每个用户期望的基于模糊评判和客户期望的车联网协同下载方法。

为实现上述目的，采用了以下技术方案：本发明主要包括路边基础设施，客户车辆即请求合作卸载的车辆，代理车辆即帮助卸载的车辆，包括以下步骤：

步骤1，根据车辆的行驶路线，选择与客户车辆行驶方向相同的代理车辆进行评分，择优按需录取；

步骤2，如果代理车辆的上一次合作卸载，客户给其不满意的评价，则对该车执行惩罚机制；

步骤3，如果代理车辆的上一次合作卸载，客户给其满意的评价，或者代理车辆没有上一次合作卸载的记录，则根据车辆评价因素集中的数据进行模糊综合评判得到附近代理车辆的客观评分和用户满意度评分；

步骤4，结合代理车辆的客观评分和用户满意度评分，进行线性规划，为每辆车分派代理车辆。

进一步的，步骤1中，车辆的行驶路线是根据车辆自带的OBU中的都自带的地图所显示的行驶路线，选择与自己方向相同的代理车辆作为待合作车辆。

进一步的，步骤2中，如果代理车辆的上一次合作卸载，客户给其不满意的评价，则对该车执行惩罚机制，对车辆执行的惩罚机制就是不允许参与本次的任务分配。

进一步的，步骤3中，如果代理车辆的上一次合作卸载，客户给其满意的评价，或者代理车辆没有上一次合作卸载的记录，则对代理车辆进行客观得分的评价和对代理车辆客户满意度的评价，用来做下一步的选择；

其中，评价车辆需要根据车辆的属性，包括计算能力、路线契合度、信誉度、车辆距离、客户要求最低报酬；

在评价车辆时，各因素可以分为一定的等级：{很好、好、一般、差、很差}，各等级对应的数值为5、4、3、2、1；

因此各因素的评语集表示为：

V＝{1,2,3,4,5}。

进一步的，步骤3，代理车辆的客观评分有如下方法得到：

(1)根据跟因素的实际情况选择相应的隶属度函数,隶属函数的设计如下：

根据实际情况，我们可以为各因素设置如下的隶属函数：

计算能力、路线契合度、信誉度、报酬：选取偏大型柯西分布隶属函数，如下：

其中α₁、β₁、a₁、b₁为待定常数；求解α₁、β₁、a₁、b₁的方法如下：

“很好”隶属度为1，,f₁(5)＝1；“一般”隶属度为0.8，f₁(3)＝1；；“很差”隶属度为0.01，f(1)₁＝0.01；，将其带入公式(1)可得隶属函数的相关参数；得到各参数为(α，β，a，b)＝(1.1086,0.842,0.3915,0.3699)。

故f(2)＝0.5245；f(4)＝0.9126；

客户要求最低报酬(reward)、车辆距离：选取偏小型柯西分布隶属函数，如下：

其中α₂、β₂、a₂、b₂为待定常数；求解α₂、β₂、a₂、b₂的方法如下：

等级为“很好”时，隶属度为0.01，f₂(5)＝0.01；般”隶属度为0.4，f₂(3)＝0.4；“很差”隶属度为1，f₁(1)＝1；将其代入公式(2)可得隶属函数。

得到各参数为(α₂，β₂，a₂，b₂)＝(19.0320,2.7193,1.3654,1.0)。

故f₂(2)＝0.5138；f₂(4)＝0.0310。

根据隶属函数，把各因素的得分带入到隶属函数中，可以得到各因素的隶属度；得到单因素评判矩阵，记为R＝(r_ji)_5×n，即：

其中5表示综合评价指标体系中因素个数，n表示待合作的代理车辆个数；

(2)确定各因素的权重向量A；地位重要的，应给予较大的权重；反之，应给出较小的权重；

(3)进行车辆综合评价对B进行归一化处理得到车辆的最终得分

进一步的，步骤3中，代理车辆的用户满意度评分由如下方法得到：

(1)期待度评价标准：假设客户对对代理车辆的期待度分为：很不期待、不期待、较期待、期待、非常期待五个等级，各等级对应的数值为5、4、3、2、1；因此各因素的评语集表示为V＝{1,2,3,4,5}。

如果代理车辆的指标与客户车辆要求的指标一致，则选择中间期待度V3；如果比客户车辆的期望高一级，则期待度为V4；高两级，则期待度为V5；如果比客户车辆的期望低一级，则期待度为V2；低两级，则期待度为V1。

根据期待度评价标准计算各车辆的每个因素的期待度。

(2)利用隶属度函数，量化得到的各车辆的期待度，从而得到客户期待度得分。

满意度越大越好，故选取偏大型柯西分布隶属函数，如下：

其中α₃、β₃、a₃、b₃为待定常数。求解α₃、β₃、a₃、b₃的方法如下：

“很好”隶属度为1，,f₃(7)＝1；“一般”隶属度为1，f₃(4)＝0.8；；“很差”隶属度为0.01，f₃(1)＝0.01；，将其带入公式(3)可得隶属函数；

得到各参数为(α₃，β₃，a₃，b₃)＝(1.1086,0.842,0.3915,0.3699)

故f₃(2)＝0.3499；f₃(3)＝0.6514；f₃(5)＝0.9399；f₃(6)＝0.9275；

把各因素的期待度代入到隶属函数中，得到客户车辆对待合作的代理车辆各因素的满意度隶属度从而得到其单因素评判矩阵，记为S＝(r_ijk)_n×5×m，故第k个客户对待合作代理车辆各因素的隶属度如下：

其中m表示客户车辆的个数，5表示综合评价指标体系中因素的个数，n表示待合作的代理车辆个数；

(3)权重a_k的确定：客户车辆对期望合作的代理车辆要求不同，因此综合评价体系中五个因素的权重也不同；客户车辆将会提前设置对各因素的权重要求；

设权重集为A2＝{a2₁,a2₂,...,a3₅}，其中

(4)计算车辆的期望符合度得分：E＝S(，，k)。A2＝E1_m×n；

E1_m×n即每个客户车辆对每个代理车辆的期望符合度评分。

进一步的，步骤4中结合代理车辆的客观评分和用户满意度评分，进行线性规划的方法具体如下：

设车辆皆为匀速，总的下载内容为All，客户车辆i的速度为v_i，路线匹配度为I_i，客户车辆的行驶距离为M，客户车辆在单位时间的计算量为c_i为保证用户对下载内容的满意度，故定义s为基本的存储单位。

客户车辆i可以支持的服务量为则该车可服务的任务分组数为：

将选择车辆问题转化为保证客观得分和用户满意度得分之和的最大值问题(即0-1规划问题)；

用x_i表示决策变量，即当选择第i个车时x_i＝1，其他情况x_i＝0，其中表示第i两代理车辆，且i的个数有限；

故得到下面的优化模型：

服从条件：

x_ij＝0或1(i＝1,2,...,n)

通过优化模型计算得到的就是本次车辆选择的结果。

工作过程大致如下：

采用了模糊综合评判分别考虑代理车辆的车辆的客观得分和车辆的客户满意度得分，然后通过线性规划综合考虑这两项得分为客户车辆选择代理车辆。其中车辆的客观得分由车辆相关的属性等级决定客户满意度得分由客户希望合作的车辆的属性等级决定。车辆的客户满意度得分由客户期望为之服务的代理车辆的等级与实际上代理车辆的等级比较而得出的分数。其中代理车辆的属性包括：车辆计算能力等级、客户的路线契合度等级、车俩信誉度等级、与客户车辆的距离等级、希望的到的报酬等级，以及代理车辆的。客户车辆的属性包括希望合作的车辆的各属性等级。更具体地包括，收集和客户和代理车辆的数据集中相关属性等级得分；基于收集的信息，我们使用模糊综合评判的方法，确定客户的客观得分和客户满意度的得分；综合这两项得分，我们是用0_1规划的方法，择优按需为客户车辆选择合适的代理车辆进行合作卸载。

与现有技术相比，本发明具有如下优点：通过模糊综合评判的方法计算代理车辆的客观得分和客户期望得分，并通过线性规划的方法综合考虑两项得分从而为车辆选择代理车辆，提出的方法既增加了用户体验的满意度，又提高了寻找合作伙伴的效率。

附图说明

图1为本发明的系统模型。

图2为本发明实施实例中的一个具体流程图。

图3为本发明中基于模糊评判和客户期望的车联网协同下载的算法软件流程。

具体实施方式

下面结合附图对本发明做进一步说明：

图1为本发明的系统模型。图一呈现了一个车辆网系统。在该系统结构中，有两个路侧单元(RSU)，两组车载云，两组车辆簇。路侧单元的作用是为合作车辆提供相应的网络，以便合作车辆帮助客户车辆卸载相关的内容。车辆簇由客户车辆和合作车辆组成，其中客户车辆是发出请求，求助卸载的车辆；合作车辆是帮助客户车辆卸载相关内容的车辆。车载云是车辆簇组成的临时的计算、传输云，是车辆和远程云进行交换内容的一个中介，有该车辆簇中的所有合作车辆和客户车辆组成。

如图2所示，所述方法包括以下步骤：

步骤1，根据车辆的行驶路线，选择与客户车辆行驶方向相同的代理车辆进行评分，择优按需录取；车辆的行驶路线是根据车辆自带的OBU中的都自带的地图所显示的行驶路线，选择与自己方向相同的代理车辆作为待合作车辆。

步骤2，如果代理车辆的上一次合作卸载，客户给其不满意的评价，则对该车执行惩罚机制；如果代理车辆的上一次合作卸载，客户给其不满意的评价，则对该车执行惩罚机制，对车辆执行的惩罚机制就是不允许参与本次的任务分配。

步骤3，如果代理车辆的上一次合作卸载，客户给其满意的评价，或者代理车辆没有上一次合作卸载的记录，则根据车辆评价因素集中的数据进行模糊综合评判得到附近代理车辆的客观评分和用户满意度评分；

如果代理车辆的上一次合作卸载，客户给其满意的评价，或者代理车辆没有上一次合作卸载的记录，则对代理车辆进行客观得分的评价和对代理车辆客户满意度的评价，用来做下一步的选择；

其中，评价车辆需要根据车辆的属性，包括计算能力、路线契合度、信誉度、车辆距离、客户要求最低报酬；

在评价车辆时，各因素可以分为一定的等级：{很好、好、一般、差、很差}，各等级对应的数值为5、4、3、2、1；

因此各因素的评语集表示为：

V＝{1,2,3,4,5}

代理车辆的客观评分有如下方法得到：

(1)根据跟因素的实际情况选择相应的隶属度函数,隶属函数的设计如下：

根据实际情况，我们可以为各因素设置如下的隶属函数：

计算能力、路线契合度、信誉度、报酬：这四个因素都是“越大越好”，故选

取偏大型柯西分布隶属函数，如下：

其中α₁、β₁、a₁、b₁为待定常数；求解α₁、β₁、a₁、b₁的方法如下：

实际上，“很好”隶属度为1，f₁(5)＝1；“一般”隶属度为0.8，f₁(3)＝1；“很差”隶属度为0.01，f(1)₁＝0.01；将其带入上式可得隶属函数；

得到各参数为(α，β，a，b)＝(1.1086,0.842,0.3915,0.3699)

故f(2)＝0.5245；f(4)＝0.9126；

客户要求最低报酬(reward)、车辆距离：越低越好，故选取偏小型柯西分布隶属函数，如下：

其中α₂、β₂、a₂、b₂为待定常数；求解α₂、β₂、a₂、b₂的方法与求解α₁、β₁、a₁、b₁的方法类似；

根据隶属函数，把各因素的得分带入到隶属函数中，可以得到各因素的隶属度；得到单因素评判矩阵，记为R＝(r_ji)_5×n，即：

其中5表示综合评价指标体系中因素个数，n表示待合作的代理车辆个数；

(2)确定各因素的权重向量A；地位重要的，应给予较大的权重；反之，应给出较小的权重；

(3)进行车辆综合评价对B进行归一化处理得到车辆的最终得分

代理车辆的用户满意度评分由如下方法得到：

(1)期待度评价标准：假设客户对对代理车辆的期待度分为：很不期待、不期待、较期待、期待、非常期待五个等级，各等级对应的数值为5、4、3、2、1；

因此各因素的评语集表示为：

V＝{1,2,3,4,5}

如果代理车辆的指标与客户车辆要求的指标一致，则选择中间期待度V3；如果比客户车辆的期望高一级，则期待度为V4；高两级，则期待度为V5；如果比客户车辆的期望低一级，则期待度为V2；低两级，则期待度为V1；计算公式如下：

期待度评判标准的计算公式如下：

exp(u_i)＝V(u_i)-V_Client(u_i)+3

(2)利用隶属度函数，量化得到的各车辆的期待度，从而得到客户期待度得分；

计算能力、路线契合度、信誉度、报酬：这四个因素都是“越大越好”，故选

取偏大型柯西分布隶属函数，如下：

其中α’₁，、β’₁，、a’₁，、b’₁，为待定常数；求解α’₁，、β’₁，、a’₁，、b’₁，的方法如下：

实际上，“很好”隶属度为1，,f₁’，(7)＝1；“一般”隶属度为1，f₁’(4)＝0.8；；“很差”隶属度为0.01，f₁’(1)＝0.01；，将其带入(1)式可得隶属函数；

得到各参数为

故f(2)＝0.3499；f(3)＝0.6514；f(5)＝0.9399；f(6)＝0.9275；

客户要求最低报酬、车辆距离：越低越好，故选取偏小型柯西分布隶属函数，如下：

其中α’₂、β’₂、a’₂、b’₂为待定常数；求解α’₂、β’₂、a’₂、b’₂的方法与求解α’₁、β’₁、a’₁、b’₁的方法类似。

根据隶属函数，把各因素在式2中确定的满意度带入到隶属函数中，得到客户车辆对待合作的代理车辆各因素的满意度隶属度从而得到其单因素评判矩阵，记为S＝(r_ijk)_n×5×m，故第k个客户对待合作代理车辆各因素的隶属度如下：其中m表示客户车辆的个数，5表示综合评价指标体系中因素的个数，n表示待合作的代理车辆个数；

(3)权重a_k的确定：客户车辆对期望合作的代理车辆要求不同，因此综合评价体系中五个因素的权重也不同；客户车辆将会提前设置对各因素的权重要求；

设权重集为A2＝{a2₁,a2₂,...,a3₅}，其中

(4)计算车辆的期望符合度得分：E＝S(，，k)。A2＝E1_m×n；

E1_m×n即每个客户车辆对每个代理车辆的期望符合度评分。

步骤4，结合代理车辆的客观评分和用户满意度评分，进行线性规划，为每辆车分派代理车辆。设车辆皆为匀速，总的下载内容为All，客户车辆i的速度为v_i，路线匹配度为I_i，客户车辆的行驶距离为M，客户车辆在单位时间的计算量为c_i为保证用户对下载内容的满意度(如看电影、听音乐的流畅度)，我们必须保证每个时间段都有基本的存储内容供用户使用，故定义s为基本的存储单位，这也代表着最大延迟(因为超过这个时间，下载内容的流畅度就会被打断)。

客户车辆I可以支持的服务量为

则该车可服务的任务分组数为：

现在我们将选择车辆问题转化为保证客观得分和用户满意度得分之和的最大值问题(即0-1规划问题)；

用x_i表示决策变量，即当选择第i个车时x_i＝1，其他情况x_i＝0，其中表示第i两代理车辆，且i的个数有限；

故得到下面的优化模型：

服从

通过优化模型计算得到的就是本次车辆选择的结果。

图3在算法开始后，首先通过车辆的导航判断备选车辆是否与客户车辆同向，如果同向，在判断合作车辆的合作满意度记录，是否记录为满意，如果不满意，则惩罚合作车辆此次不予合作；如果满意，则进行模糊综合评判计算合作车辆的客观得分和客户期望满意度得分。最后结合这两项得分进行0-1规划为客户车辆分配相应的合作车辆。

以上所述的实施例仅仅是对本发明的优选实施方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。

Claims (4)

1.一种基于模糊评判和客户期望的车联网协同下载方法，主要包括路边基础设施，客户车辆即请求合作下载的车辆，代理车辆即帮助下载的车辆，代理车辆的客观评分，代理车辆的用户满意度评分，结合代理车辆的客观评分和用户满意度评分进行线性规划，所述的方法包括以下步骤：

步骤1，根据车辆的行驶路线，选择与客户车辆行驶方向相同的代理车辆进行评分，择优按需录取；

步骤2，如果代理车辆的上一次协同下载，客户给其不满意的评价，则对该车执行惩罚机制，惩罚机制就是不允许参与本次的任务分配；

步骤3，如果代理车辆的上一次协同下载，客户给其满意的评价，或者代理车辆没有上一次协同下载的记录，则根据车辆评价因素集中的数据进行模糊综合评判得到附近代理车辆的客观评分和用户满意度评分；

其中，代理车辆的客观评分由如下方法得到：

(1)根据各因素的实际情况选择相应的隶属度函数，隶属函数的设计如下：

根据实际情况，为各因素设置如下的隶属函数：

计算能力、路线契合度、信誉度：选取偏大型的柯西分布隶属函数，如下：

其中α₁、β₁、a₁、b₁为待定常数；求解α₁、β₁、a₁、b₁的方法如下：

“很好”隶属度为1，f₁(5)＝1；“一般”隶属度为0.8，f₁(3)＝0.8，“很差”隶属度为0.01，f₁(1)＝0.01；将其代入公式(1)可得隶属度函数的相关参数；得到各参数为(α₁,β₁,a₁,b₁)＝(1.1086,0.842,0.3915,0.3699)；

故f₁(2)＝0.5245；f₁(4)＝0.9126；

客户要求最低报酬、车辆距离：选取偏小型柯西分布隶属函数，如下：

其中α₂、β₂、a₂、b₂为待定常数；求解α₂、β₂、a₂、b₂的方法如下：

等级为“很好”时，隶属度为0.01，f₂(5)＝0.01；“一般”隶属度为0.4，f₂(3)＝0.4；“很差”隶属度为1，f₂(1)＝1；将其代入公式(2)可得隶属函数：

得到各参数为(α₂，β₂，a₂，b₂)＝(19.0320,2.7193,1.3654,1.0)；

故f₂(2)＝0.5138；f₂(4)＝0.0310；

根据隶属函数，把各因素的得分代入到隶属函数中，可以得到各因素的隶属度；得到单因素评判矩阵，记为R＝(r_ji)_5×n，即：

其中5表示综合评价指标体系中因素个数，n表示待合作的代理车辆个数；

(2)确定各因素的权重向量A；地理重要的，应给予较大的权重；反之，应给出较小的权重；

(3)进行车辆综合评价

对B进行归一化处理得到车辆的最终得分

代理车辆的用户满意度评分由如下方法得到：

(1)期待度评价标准：假设客户对代理车辆的期待度分为：很不期待、不期待、较期待、期待、非常期待五个等级，各等级对应的数值为5、4、3、2、1；因此各因素的评语集表示为V＝{1,2,3,4,5}；

如果代理车辆的指标与客户车辆要求的指标一致，则选择中间期待度3；如果比客户车辆的期望高一级，则期待度为4；高两级，则期待度为5；如果比客户车辆的期望低一级，则期待度为2；低两级，则期待度为1；

根据期待度评价标准计算各车辆的每个因素的期待度；

(2)利用隶属度函数，量化得到的各车辆的期待度，从而得到客户期待度得分；

满意度越大越好，故选取偏大型柯西分布隶属函数，如下：

其中α₃、β₃、a₃、b₃为待定常数；求解α₃、β₃、a₃、b₃的方法如下：

“很好”隶属度为1，f₃(5)＝1；“一般”隶属度为0.8，f₃(3)＝0.8；“很差”隶属度为0.01,f₃(1)＝0.01；将其代入公式(3)可得隶属函数：

得到各参数为(α₃,β₃,a₃,b₃)＝(1.1086,0.842,0.3915,0.3699)；

故f₃(2)＝0.5245；f₃(4)＝0.9126；

把各因素的期待度代入到隶属函数中，得到客户车辆对待合作的代理车辆各因素的满意度隶属度从而其单因素评判矩阵，记为S＝(r_ijk)_n×5×m,故第k个客户对待合作代理车辆各因素的隶属度如下：

其中m表示客户车辆的个数，5表示综合评价指标体系中因素的个数，n表示待合作的代理车辆个数；

(3)权重a_k的确定：客户车辆对期望合作的代理车辆要求不同，因此综合评价体系中5个因素的权重也不同；客户车辆将会提前设置对各因素的权重要求；

设权重集为A2＝{a2₁,a2₂,...,a2₅}，其中

(4)计算车辆的期望符合度得分：E＝S(i，j，k)，B2＝E1_m×n；

E1_m×n即每个客户车辆对每个代理车辆的期望符合度评分；

步骤4，结合代理车辆的客观评分和用户满意度评分，进行线性规划，为每辆车分派代理车辆；

其中，结合代理车辆的客观评分和用户满意度评分，进行线性规划的方法具体如下：

设车辆皆为匀速，总的下载内容为All，客户车辆i的速度为v_i，路线匹配度为I_i，客户车辆的行驶距离为M，客户车辆在单位时间的计算量为c_i，为保证用户对下载内容的满意度，故定义s为基本的存储单位；

客户车辆i支持的服务量为

则该车可服务的任务分组数为：

将选择车辆问题转化为保证客观得分和用户满意度得分之和的最大值问题，即0-1规划问题；

用x_ij表示决策变量，即当选择第i辆车时x_ij＝1，其他情况x_ij＝0，其中j表示第j辆代理车辆，且j的个数有限；

故得到下面的优化模型：

服从条件：

x_ij＝0或1         (8)

通过优化模型计算得到的就是本次车辆选择的结果。

2.根据权利要求1所述的一种基于模糊评判和客户期望的车联网协同下载方法，其特征在于：步骤1中，车辆的行驶路线是根据车辆自带的OBU中自带的地图所显示的行驶路线，选择与自己方向相同的代理车辆作为待协同下载车辆。

3.根据权利要求1所述的一种基于模糊评判和客户期望的车联网协同下载方法，其特征在于：步骤2，如果代理车辆的上一次协同下载，客户给其不满意的评价，则对该车执行惩罚机制，对车辆执行的惩罚机制就是不允许参与本次的任务分配。

4.根据权利要求1所述的一种基于模糊评判和客户期望的车联网协同下载方法，其特征在于：步骤3中，如果代理车辆的上一次协同下载，客户给其满意的评价，或者代理车辆没有上一次协同下载的记录，则对代理车辆进行客观得分的评价和对代理车辆客户满意度的评价，用来做下一步的选择；

其中，评价车辆需要根据车辆的属性，包括计算能力、路线契合度、信誉度、车辆距离、客户要求最低报酬；

在评价车辆时，各因素分为一定的等级：{很好、好、一般、差、很差}，各等级对应的数值为5、4、3、2、1；

因此各因素的评语集表示为V＝{1,2,3,4,5}。

Images