CN110366134B - 一种车联组网方法及装置 - Google Patents

一种车联组网方法及装置 Download PDF

Info

Publication number
CN110366134B
CN110366134B CN201910631274.3A CN201910631274A CN110366134B CN 110366134 B CN110366134 B CN 110366134B CN 201910631274 A CN201910631274 A CN 201910631274A CN 110366134 B CN110366134 B CN 110366134B
Authority
CN
China
Prior art keywords
area
deployment
coverage area
information
hpn
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
CN201910631274.3A
Other languages
English (en)
Other versions
CN110366134A (zh
Inventor
彭木根
项弘禹
闫实
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.)
Beijing University of Posts and Telecommunications
Original Assignee
Beijing University of Posts and Telecommunications
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 Beijing University of Posts and Telecommunications filed Critical Beijing University of Posts and Telecommunications
Priority to CN201910631274.3A priority Critical patent/CN110366134B/zh
Publication of CN110366134A publication Critical patent/CN110366134A/zh
Application granted granted Critical
Publication of CN110366134B publication Critical patent/CN110366134B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
    • H04W16/18—Network planning tools
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
    • 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)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明实施例提供了一种车联组网方法及装置，包括：根据单个HPN的最大覆盖范围、单个HPN的最大吞吐量、广覆盖区域的道路拓扑信息和高峰时段数据业务的信令开销，在广覆盖区域内部署HPN；根据单个F‑AP的最大覆盖范围、单个F‑AP的最大吞吐量、高容量低时延叠加区域的道路拓扑信息和高峰时段的业务量，在高容量低时延叠加区域内部署F‑AP；根据单个RRH的最大覆盖范围、单个RRH的最大吞吐量、超高容量云协同叠加区域的道路拓扑信息和高峰时段的业务量，在超高容量云协同叠加区域内部署RRH与BBU池。应用本发明实施例提供的组网方法能够改善车联网吞吐量和时延性能，实现适配网络空时变化的灵活动态组网。

Description

一种车联组网方法及装置
技术领域
本发明涉及车联网技术领域，特别是涉及一种车联组网方法及装置。
背景技术
随着人们生活水平的提高，生活节奏的加快，人们对交通效率和驾驶安全性提出了越来越高的要求，为了满足上述要求，车联网作为未来智能交通系统的重要组成部分被提出。应用于蜂窝车联网通信的C-V2X(cellular vehicle-to-everything)技术是第三代合作伙伴计划3GPP(3rd Generation Partnership Project)主导推动的，基于4G/5G蜂窝网通信技术演进形成的车用无线通信技术V2X(vehicle to X)技术，能够实现车辆终端与网络之间的通信，车与车、车与路、车与人、车与传感设备等均可以通过车联网进行信息交互。
然而，随着路面车辆的增多和不断移动，车联网中无线传输信道动态变化，使得现有基于长期演进LTE(Long Term Evolution)宏基站的组网方法面临着巨大挑战，尤其在密集城区等车辆密集的情况下，由于路面车辆和宏基站负载的动态变化，造成无线传输信道的动态变化和业务的空时突变，车辆接入构成的干扰情况复杂，使得现有技术中单一的宏基站难以实时适配动态多变的车联网环境，造成整个车联网难以满足不同车辆的性能需求。
发明内容
本发明实施例的目的在于提供一种车联组网方法及装置，以满足车辆的不同性能需求。具体技术方案如下：
一种车联组网方法，所述方法包括：
预设间隔时间收集在广覆盖区域内接入车辆相关的区域信息，其中，所述区域信息包括各个时段的各个时段的车流量、业务量、业务传输时延和干扰信息，所述广覆盖区域为预先设定的提供车联网业务的区域；
根据单个高功率节点HPN的最大覆盖范围、单个HPN的最大吞吐量、高峰时段数据业务的信令开销和广覆盖区域的道路拓扑信息，在所述广覆盖区域内部署HPN；
如果所述广覆盖区域内存在高容量低时延叠加区域，根据单个雾接入节点F-AP的最大覆盖范围、单个F-AP的最大吞吐量、高容量低时延叠加区域的道路拓扑信息和高峰时段的业务量，在所述高容量低时延叠加区域内部署F-AP；其中，所述高容量低时延叠加区域为在广覆盖区域中高峰时段车流量大于第一门限阈值、业务量大于第二门限阈值或业务传输时延高于第三门限阈值的区域；
如果广覆盖区域内存在超高容量云协同叠加区域，根据单个远程射频单元RRH的最大覆盖范围、单个RRH的最大吞吐量、超高容量云协同叠加区域的道路拓扑信息和高峰时段的业务量，在所述超高容量云协同叠加区域内部署RRH，并根据所述超高容量云协同叠加区域内RRH的部署位置和单个基带处理单元BBU承载的最大RRH数量，在所述超高容量云协同叠加区域内部署BBU池，其中，所述超高容量云协同叠加区域为在广覆盖区域中业务量大于第四门限阈值或干扰信息大于第五门限阈值的区域，且所述第四门限阈值大于所述第二门限阈值。
进一步地，所述根据单个高功率节点HPN的最大覆盖范围、单个HPN的最大吞吐量、高峰时段数据业务的信令开销和广覆盖区域的道路拓扑信息，在所述广覆盖区域内部署HPN，包括：
根据单个高功率节点HPN的最大覆盖范围、单个HPN的最大吞吐量、高峰时段数据业务的信令开销和广覆盖区域的道路拓扑信息，得到在所述广覆盖区域内部署HPN的第一部署数量；
利用所述广覆盖区域的道路拓扑信息和所述第一部署数量，确定各个HPN在所述广覆盖区域的部署位置。
进一步地，所述根据单个高功率节点HPN的最大覆盖范围、单个HPN的最大吞吐量、高峰时段数据业务的信令开销和广覆盖区域的道路拓扑信息，得到在所述广覆盖区域内部署HPN的第一部署数量，包括：
根据单个HPN的最大覆盖范围和广覆盖区域的道路拓扑信息，得到在所述广覆盖区域内部署HPN的最小部署数量；
通过所述高峰时段数据业务的信令开销和单个HPN的最大吞吐量，获得在所述广覆盖区域内部署HPN的预估部署数量；
选取所述HPN的最小部署数量和所述HPN的预估部署数量中数值大的数量作为在所述广覆盖区域内部署HPN的第一部署数量。
进一步地，所述利用所述广覆盖区域的道路拓扑信息和所述第一部署数量，确定各个HPN在所述广覆盖区域的部署位置，包括：
当广覆盖区域的道路拓扑信息为线性拓扑信息时，在所述广覆盖区域中的道路两侧以第一预设间距的方式交叉部署各个HPN；
当广覆盖区域的道路拓扑信息为网格拓扑信息时，在各个所述交叉路口处部署HPN，如果部署交叉路口后余下的HPN数量未达到所述第一部署数量，则按照路段的长度排序，将余下的HPN以第一预设间隔交叉部署在长路段两侧。
进一步地，所述根据单个雾接入节点F-AP的最大覆盖范围、单个F-AP的最大吞吐量、高容量低时延叠加区域的道路拓扑信息和高峰时段的业务量，在所述高容量低时延叠加区域内部署F-AP，包括：
根据单个F-AP的最大覆盖范围、单个F-AP的最大吞吐量、高容量低时延叠加区域的道路拓扑信息和高峰时段的业务量，得到在高容量低时延叠加区域内部署F-AP的第二部署数量；
利用所述高容量低时延叠加区域的道路拓扑信息和所述第二部署数量，确定各个F-AP在所述高容量低时延叠加区域的部署位置。
进一步地，所述根据单个F-AP的最大覆盖范围、单个F-AP的最大吞吐量、高容量低时延叠加区域的道路拓扑信息和高峰时段的业务量，得到在高容量低时延叠加区域内部署F-AP的第二部署数量，包括：
根据单个F-AP的最大覆盖范围和所述高容量低时延叠加区域的道路拓扑信息，确定F-AP的最小部署数量；
利用单个F-AP的最大吞吐量和高容量低时延叠加区域内高峰时段的业务量，确定F-AP的预估部署数量；
选取所述F-AP的最小部署数量和所述F-AP的预估部署数量中数值大的数量作为在所述高容量低时延叠加区域内部署F-AP的第二部署数量。
进一步地，所述利用所述高容量低时延叠加区域的道路拓扑信息和所述第二部署数量，确定各个F-AP在所述高容量低时延叠加区域的部署位置，包括：
当所述高容量低时延叠加区域的道路拓扑信息为线性拓扑信息时，在所述高容量低时延叠加区域内道路两侧以第二预设间距的方式交叉部署各个F-AP；
当所述高容量低时延叠加区域的道路拓扑信息为网格拓扑信息时，在各个所述交叉路口处部署F-AP，如果部署交叉路口后余下的F-AP数量未达到所述第二部署数量，则按照路段的长度排序，将余下的F-AP以第二预设间隔交叉部署在长路段两侧。
进一步地，所述根据所述超高容量云协同叠加区域内RRH的部署位置和单个基带处理单元BBU承载的最大RRH数量，在所述超高容量云协同叠加区域内部署BBU池，包括：
根据单个BBU承载的最大RRH数量和在所述超高容量云协同叠加区域内各个RRH的部署数量，确定在所述超高容量云协同叠加区域中部署BBU池中BBU的部署数量；
根据所述超高容量云协同叠加区域中部署RRH的部署位置，计算所述超高容量云协同叠加区域中各个RRH的部署位置的中心位置，并将所述中心位置确定BBU池的部署位置。
进一步地，目标车辆与节点之间的信道符合瑞利衰落、且为有限状态马尔科夫信道，其中，所述节点包括HPN、F-AP、或RRH，还包括：
获取目标车辆在接入时刻时所接入的第一节点信息，其中，所述接入时刻为当前时刻和历史时刻；
将获取的第一节点信息输入至预设的位置预测模型中，得到所述目标车辆在接入时刻的位置信息；其中，所述位置预测模型为：采用样本车辆在接入时刻的样本节点信息和样本车辆在接入时刻的位置信息对贝叶斯模型进行训练后，得到的、用于预测单个车辆在接入时刻的位置信息的模型；
根据获得的接入时刻的位置信息，得到所述目标车辆的速度、行驶方向和加速度；
利用得到的速度、行驶方向和加速度，预测所述目标车辆在下一时刻的位置信息以及在下一时刻的位置信息对应的概率，并根据所述目标车辆在下一时刻最高概率的位置信息，确定所述目标车辆在下一时刻在预设范围内备选的第二节点信息以及与所述第二节点信息中节点信道的大尺度衰落；
将接入时刻所述目标车辆与第二节点信道间的信道状态输入至预设的小尺度衰落预测模型中，得到当前时刻所述目标车辆与所述第二节点信息中节点信道的小尺度衰落；其中，所述小尺度衰落预测模型为：采用接入时刻样本车辆与节点信道间的信道状态对马尔科夫模型进行训练后，得到的、用于预测当前时刻车辆与节点信道的小尺度衰落的模型；
利用所述小尺度衰落和所述大尺度衰落，预测所述目标车辆与第二节点信道间在下一时刻的信道状态信息；
根据目标车辆的性能需求，将所预测的信道状态信息输入至预设的节点选择模型中，得到目标车辆在下一时刻选择接入的第三节点信息，并将所述第三节点信息发送至所述节点信息包含的每一节点中；其中，所述节点选择模型为：基于样本车辆的性能需求，利用样本车辆在接入时刻的样本信道状态对马尔科夫信道模型进行训练得到的、用于预测车辆在下一时刻选择接入的节点信息的模型。
一种车联组网装置，所述装置包括：
区域信息获得模块，用于预设间隔时间收集在广覆盖区域内接入车辆相关的区域信息，其中，所述区域信息包括各个时段的车流量、业务量、业务传输时延和干扰信息，其中，所述广覆盖区域为预先设定的提供车联网业务的区域。
HPN管理模块，用于根据单个高功率节点HPN的最大覆盖范围、单个HPN的最大吞吐量、高峰时段数据业务的信令开销和广覆盖区域的道路拓扑信息，得到在所述广覆盖区域内部署HPN的第一部署数量，并利用所述广覆盖区域的道路拓扑信息和所述第一部署数量，确定各个HPN在所述广覆盖区域的部署位置；如果所述广覆盖区域内存在高容量低时延叠加区域，触发F-AP管理模块；如果广覆盖区域内存在超高容量云协同叠加区域，触发BBU池管理模块；
所述F-AP管理模块，用于根据单个F-AP的最大覆盖范围、单个F-AP的最大吞吐量、高容量低时延叠加区域的道路拓扑信息和高峰时段的业务量，得到在高容量低时延叠加区域内部署F-AP的第二部署数量，并利用所述高容量低时延叠加区域的道路拓扑信息和所述第二部署数量，确定各个F-AP在所述高容量低时延叠加区域的部署位置；其中，所述高容量低时延叠加区域为在广覆盖区域中高峰时段车流量大于第一门限阈值、业务量大于第二门限阈值或业务传输时延高于第三门限阈值的区域；
所述BBU池管理模块，用于根据单个远程射频单元RRH的最大覆盖范围、单个RRH的最大吞吐量、超高容量云协同叠加区域的道路拓扑信息和高峰时段的业务量，在所述超高容量云协同叠加区域内部署RRH，并根据所述超高容量云协同叠加区域内RRH的部署位置和单个基带处理单元BBU承载的最大RRH数量，在所述超高容量云协同叠加区域内部署BBU池，其中，所述超高容量云协同叠加区域为在广覆盖区域中业务量大于第四门限阈值或干扰信息大于第五门限阈值的区域，且所述第四门限阈值大于所述第二门限阈值。
在本发明实施的又一方面，还提供了一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现上述任一所述的车联组网方法。
在本发明实施的又一方面，还提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述任一所述的车联组网方法。
由以上可见，应用本发明实施例提供的方案在组网时，根据单个HPN的最大覆盖范围、单个HPN的最大吞吐量、高峰时段数据业务的信令开销和广覆盖区域的道路拓扑信息，在广覆盖区域内部署HPN，针对需要部署F-AP的高容量低时延叠加区域，根据单个F-AP的最大覆盖范围、单个F-AP的最大吞吐量、高容量低时延叠加区域的道路拓扑信息和高峰时段的业务量，在高容量低时延叠加区域内部署F-AP，针对需要部署BBU池的超高容量云协同叠加区域，在超高容量云协同叠加区域内部署RRH和BBU池。可见，本发明实施例提供的方案中，在组网时，不再仅使用宏基站，而是不仅考虑了高峰时段车流量大于第一门限阈值、业务量大于第二门限阈值或业务传输时延高于第三门限阈值的高容量低时延叠加区域，还考虑了业务量大于第四门限阈值或干扰信息大于第五门限阈值的超高容量云协同叠加区域。因此，相对于现有技术而言，本发明实施例提供的车联组网方法能够利用不同种类的网元设备，提供差异化的性能指标，实时适配动态多变的车联网环境，进而使得整个车联网能够满足车辆的不同性能需求。
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。
图1为本发明实施例提供的一种车联组网方法的流程示意图；
图2为本发明实施例提供的一种不同时间窗口对应的数据的示意图；
图3为本发明实施例提供的一种车联组网装置的结构示意图；
图4为本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
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，所描述的实施例仅仅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。
参见图1，图1为本发明实施例提供的车联组网方法的流程示意图，应用于BBU池，所述方法包括：
S101，预设间隔时间收集在广覆盖区域内接入车辆相关的区域信息，其中，所述区域信息包括各个时段的车流量、业务量、业务传输时延和干扰信息，其中，所述广覆盖区域：预先设定的提供车联网业务的区域。
其中，上述提供车联网业务的区域也就是车联网覆盖范围的区域。
上述收集在广覆盖区域内接入车辆相关的区域信息，也就是，收集在广覆盖区域内接入车辆产生的区域信息。
上述时段是按照小时对历史时间划分得到的时间段。
上述各个时段的车流量、业务量、业务传输时延和干扰信息可以包括第1小时的车流量、业务量、业务传输时延和干扰信息，第2小时的车流量、业务量、业务传输时延和干扰信息等等。
上述车流量为广覆盖区域内单位时间内车辆的数量。车流量由路侧传感器进行采集，上述路侧传感器包括：感应线圈、地磁检测器、微波检测器和视频监控设备。
上述业务量状况为广覆盖区域内单位时间内车辆终端所产生的业务数据总和。
上述业务传输时延为广覆盖区域内车辆终端业务数据传输的时延。
上述干扰信息为车联网覆盖范围内的各个接入节点与其服务的车辆间相互发送信号造成的交叉干扰情况。
本发明实施例的执行主体可以是HPN，也可以是BBU池，还可以是服务器，本发明实施例对此并不限定。
S102，根据单个高功率节点HPN的最大覆盖范围、单个HPN的最大吞吐量、高峰时段数据业务的信令开销和广覆盖区域的道路拓扑信息，在所述广覆盖区域内部署HPN，如果所述广覆盖区域内存在高容量低时延叠加区域，执行S103。
其中，上述HPN的最大覆盖范围可以根据HNP最大发射功率和最低用户保障速率来确定，也可以根据HNP的中断概率来确定。
上述HPN的最大吞吐量可以理解为HPN单位时间内成功地传送数据的数量。
上述高峰时段是指经过广覆盖区域内车辆数量和请求业务量最多的时段。
上述高峰时段数据业务的信令开销是指业务高峰时段在上述广覆盖区域内车辆终端的请求业务所带来的信令与数据量总和。
在本发明的一种实施例中，实现S102可以包括如下步骤A～步骤B：
步骤A，根据单个高功率节点HPN的最大覆盖范围、单个HPN的最大吞吐量、高峰时段数据业务的信令开销和广覆盖区域的道路拓扑信息，得到在所述广覆盖区域内部署HPN的第一部署数量；
HPN的第一部署数量的确定既需要覆盖广覆盖区域，为车辆提供无缝接入，又需要能满足高峰时段数据业务的信令开销。
步骤B，利用所述广覆盖区域的道路拓扑信息和所述第一部署数量，确定各个HPN在所述广覆盖区域的部署位置。
在确定HPN的部署数量和部署位置后，也就是确定了如何在上述广覆盖区域内部署HPN。
可见，本发明实施例在广覆盖区域部署HPN时，综合考虑了单个高功率节点HPN的最大覆盖范围、单个HPN的最大吞吐量、高峰时段数据业务的信令开销和广覆盖区域的道路拓扑信息，使得在广覆盖区域内部署的HPN能够达到广覆盖区域的全面覆盖，且能够满足高峰时段数据业务的信令开销。
在本发明的一种实施例中，实现步骤A可以包括如下步骤A1～步骤A3：
步骤A1，根据单个HPN的最大覆盖范围和广覆盖区域的道路拓扑信息，得到在所述广覆盖区域内部署HPN的最小部署数量。
其中，HPN利用高功率和低频段进行控制面信令的发送和业务面的低速率数据发送。
道路拓扑信息包括线性拓扑信息和网格拓扑信息，且线性拓扑信息和网格拓扑信息均包括了各个路段中道路的长度。
示例性的，若HPN的最大覆盖范围为2000m，道路长度为6000m时，则HPN的最小不部署数量为6000/2000＝3。
步骤A2，通过所述高峰时段数据业务的信令开销和单个HPN的最大吞吐量，获得在所述广覆盖区域内部署HPN的预估部署数量。
高峰时段数据业务的信令开销除以单个HPN的最大吞吐量，得到上述车联网覆盖区域内HPN的预估部署数量。
步骤A3，选取所述HPN的最小部署数量和所述HPN的预估部署数量中数值大的数量作为在所述广覆盖区域内部署HPN的第一部署数量。
比较HPN的最小部署数量和HPN的预估部署数量，取二者中的较大值作为广覆盖区域内部署HPN的第一部署数量。
可见，本实施例选取HPN的最小部署数量和HPN的预估部署数量中数值大的数量作为在广覆盖区域内部署HPN的第一部署数量，既能覆盖广覆盖区域，为车辆提供无缝接入，又能满足高峰时段数据业务的信令开销。
上述道路拓扑信息包括线性拓扑信息和网格拓扑信息，如线性拓扑信息可以对应高速公路场景信息，网格拓扑信息可以对应城市街区典型场景信息。
在本发明的一种实施例中，实现步骤B可以包括如下步骤B1～步骤B2：
步骤B1，当广覆盖区域的道路拓扑信息为线性拓扑信息时，在所述广覆盖区域中的道路两侧以第一预设间距的方式交叉部署各个HPN。
上述第一预设间距可以为对广覆盖区域中的道路长度进行平均划分，也就是等距离交叉部署HPN。
基于上述示例，将3个HPN部署在长度为6000m的道路上，这3个HPN的部署位置为每2000m处部署单个HPN，且这3个HPN是交叉部署在道路两侧的。
步骤B2，当广覆盖区域的道路拓扑信息为网格拓扑信息时，在各个所述交叉路口处部署HPN，如果部署交叉路口后余下的HPN数量未达到所述第一部署数量，则按照路段的长度排序，将余下的HPN以第一预设间隔交叉部署在长路段两侧。
网格拓扑信息中均存在多处交叉路口，交叉路口可以认为是交通枢纽地带，可见优先在交叉路口处部署HPN，如果部署完交叉路口HPN后，预计部署的第一部署数量的HPN还有剩余，则按照道路长度顺序，先在长路段以预设间隔交叉部署余下的HPN。
示例性的，基于上述示例，如果网格拓扑信息包括一个交叉路口，该交叉路口的左右路段分别长1000和3000米，上下路段分别长为2000和4000，第一部署数量为3，则首先在交叉路口部署一个HPN，剩下2个，在距离交叉路口的下路段2000米部署一个HPN，在距离交叉路口的右路段2000处部署一个HPN。
可见，本实施例针对广覆盖区域的道路拓扑信息为线性拓扑信息时，在所述广覆盖区域内道路两侧以预设间距的方式交叉部署各个HPN，针对广覆盖区域的道路拓扑信息为网格拓扑信息时，首选在各个交叉路口处部署HPN，合理部署了HPN，使得HPN无缝覆盖广覆盖区域，为广覆盖区域内的所有车辆提供接入。
S103，根据单个雾接入节点F-AP(Fog access point)的最大覆盖范围、单个F-AP的最大吞吐量、高容量低时延叠加区域的道路拓扑信息和高峰时段的业务量，在所述高容量低时延叠加区域内部署F-AP；其中，所述高容量低时延叠加区域为在广覆盖区域中高峰时段车流量大于第一门限阈值、业务量大于第二门限阈值或业务传输时延高于第三门限阈值的区域，如果广覆盖区域内存在超高容量云协同叠加区域，执行S104。
其中，上述F-AP，是一种具有完备数据面协议栈功能的增强型基站，如图2所示，F-AP包含含射频RF(Radio Frequency)的物理PHY(Physical Layer)层、MAC(Media AccessControl，媒体介入控制层)层、RLC(Radio Link Control structure，无线链路控制子层结构)层，PDCP(Packet Data Convergence Protocol，分组数据汇聚协议)层和SDAP(ServiceData Adapt Protocol，业务数据适配协议)层，能够为接入F-AP的车辆终端进行直接通信和资源管理；同时，F-AP安装车联网应用客户端APP(手机软件，Application)，支持对业务进行本地服务。
如果单个HPN最大覆盖范围内接收到的业务请求较多时，也就是，高峰时段车流量大于第一门限阈值或业务量大于第二门限阈值时，则表示HPN难以支撑这样多的业务请求，需要部署F-AP。
高峰时段车流量或业务量是最多的时间段，在高峰时段车流量大于第一门限阈值，表示该区域为车辆较多的区域，即密集区域即高容量低时延叠加区域，在上述高容量低时延叠加区域可能会造成由于车辆密度大易发生交通事故的问题，可见，需要较强的本地服务能力。也就是说，需要在高容量低时延叠加区域部署F-AP以解决上述出现的问题。
同理，业务量大于第二门限阈值的高容量低时延叠加区域部表示该高容量低时延叠加区域车联网业务量较高，HPN无法满足吞吐量需求，需要通过部署多个F-AP满足性能要求。
其中，F-AP的最大吞吐量可以理解为F-AP单位时间内成功地传送数据的数量。
上述高容量低时延叠加区域的道路拓扑信息包括线性拓扑信息和网格拓扑信息，如线性拓扑信息可以对应高速公路场景信息，网格拓扑信息可以对应城市街区典型场景信息。
在本发明的一种实施例中，实现S103包括如下步骤C～步骤D：
步骤C，根据单个F-AP的最大覆盖范围、单个F-AP的最大吞吐量、高容量低时延叠加区域的道路拓扑信息和高峰时段的业务量，得到在高容量低时延叠加区域内部署F-AP的第二部署数量。
在高容量低时延叠加区域内部署F-AP能够有效满足高容量低时延叠加区域的高容量需求，缓解HPN的数据负载。
步骤D，利用所述高容量低时延叠加区域的道路拓扑信息和所述第二部署数量，确定各个F-AP在所述高容量低时延叠加区域的部署位置。
在确定F-AP在高容量低时延叠加区域内部署的第二部署数量和部署位置后，也就是确定了在高容量低时延叠加区域内部署F-AP。
可见，本实施例在高容量低时延叠加区域部署F-AP时，综合考虑了单个F-AP的最大覆盖范围、单个F-AP的最大吞吐量、高容量低时延叠加区域的道路拓扑信息和高峰时段的业务量，能够有效满足高容量低时延叠加区域的高容量需求。
在本发明的一种实施例中，实现步骤C包括如下步骤C1～步骤C3：
步骤C1，根据单个F-AP的最大覆盖范围和所述高容量低时延叠加区域的道路拓扑信息，确定F-AP的最小部署数量。
F-AP的最小部署数量可以等于高容量低时延叠加区域的道路拓扑信息包含的道路长度与F-AP的最大覆盖范围的比值。
示例性的，若F-AP最大覆盖范围为200m，如果道路长度为2000m时，则F-AP最小设部署数目为2000/200＝10。
步骤C2，利用单个F-AP的最大吞吐量和高容量低时延叠加区域内高峰时段的业务量，确定F-AP的预估部署数量。
在高峰时段，高容量低时延叠加区域的业务请求较多，可见，F-AP的部署数量还需要考虑F-AP的最大吞吐量。也就是，F-AP的预估部署数量等于高容量低时延叠加区域内高峰时段的业务量与上述F-AP的最大吞吐量的比值。
步骤C3，选取所述F-AP的最小部署数量和所述F-AP的预估部署数量中数值大的数量作为在所述高容量低时延叠加区域内部署F-AP的第二部署数量。
比较F-AP的最小部署数量和F-AP的预估部署数量，取二者中的较大值作为高容量低时延叠加区域中F-AP的第二部署数量。
示例性的，若F-AP的最大覆盖范围为200m，如果道路长度为2000m时，则F-AP的最小部署数量为2000/200＝10。另外还需要考虑F-AP的最大吞吐量，通过高峰时段业务量除以F-AP的最大吞吐量，获得F-AP的预估设置数目。比较F-AP最小设置数目和F-AP预估设置数目，取较大值作为区域内F-AP实际设置数目。
可见，本实施例通过选取所述F-AP的最小部署数量和所述F-AP的预估部署数量中大的部署数量作为在所述高容量低时延叠加区域中F-AP的第二部署数量，能够有效满足高容量低时延叠加区域的高容量需求，缓解HPN的数据负载。
在本当所述高容量低时延叠加区域的道路拓扑信息为线性拓扑时，在所述高容量低时延叠加区域内道路两侧以预设间距的方式交叉部署各个F-AP；
当所述高容量低时延叠加区域的道路拓扑信息为网格拓扑时，在各个所述交叉路口处部署F-AP，如果部署交叉路口后余下的F-AP数量未达到第二部署数量，则按照路段的长度排序，将余下的F-AP以预设间隔交叉部署在长路段两侧。
在发明的一种实施例中，实现步骤D包括如下步骤D1～步骤D2：
步骤D1，当所述高容量低时延叠加区域的道路拓扑信息为线性拓扑信息时，在所述高容量低时延叠加区域内道路两侧以第二预设间距的方式交叉部署各个F-AP。
上述第二预设间距可以对高容量低时延叠加区域中的道路长度进行平均划分，也就是等距离交叉部署F-AP。
上述第二预设间隔可以与第一预设间隔相同，也可以与第一预设间隔不同，本实施例对此并不限定。
步骤D2，当所述高容量低时延叠加区域的道路拓扑信息为网格拓扑信息时，在各个所述交叉路口处部署F-AP，如果部署交叉路口后余下的F-AP数量未达到所述第二部署数量，则按照路段的长度排序，将余下的F-AP以第二预设间隔交叉部署在长路段两侧。
F-AP的部署方法与HPN的部署方法相同，高容量低时延叠加区域中的网格拓扑信息中均存在多处交叉路口，可见优先在高容量低时延叠加区域的交叉路口处部署F-AP，则高容量低时延叠加区域的交叉路口即部署了F-AP又部署了HPN，如果在高容量低时延叠加区域中的完交叉路口部署完F-AP的数量小于第二部署数量，则按照高容量低时延叠加区域中道路长度的顺序，先在长路段以第二预设间隔交叉部署余下的F-AP。
可见，本发明实施例在高容量低时延叠加区域的道路拓扑信息为线性拓扑信息的情况下，在道路两侧以第二预设间距的方式交叉部署各个F-AP，在高容量低时延叠加区域的道路拓扑信息为网格拓扑信息的情况下，在各个所述交叉路口处部署F-AP，F-AP的部署能够弥补HPN在高峰时段速率不足的问题。
S104，根据单个远程射频单元RRH(Remote radio head)的最大覆盖范围、单个RRH的最大吞吐量、超高容量云协同叠加区域的道路拓扑信息和高峰时段的业务量，在所述超高容量云协同叠加区域内部署RRH，根据所述超高容量云协同叠加区域内RRH的部署位置和单个基带处理单元BBU(Baseband unit)承载的最大RRH数量，在所述超高容量云协同叠加区域内部署BBU池，其中，所述超高容量云协同叠加区域为在广覆盖区域中业务量大于第四门限阈值或干扰信息大于第五门限阈值的区域，且所述第四门限阈值大于所述第二门限阈值。
其中，RRH具备底层协议栈功能，如简单的含射频RF(Radio Frequency)的物理PHY(Physical Layer)层，用于射频信号的发送与接收，作为车辆终端和BBU池的中继节点；
BBU池具备高层协议栈功能，如除去RRH具备的底层以外的所有协议栈功能，利用大规模协作技术实现多个RRH的协作传输和动态调度，BBU池还能安装车联网应用客户端网络层以上，支持对业务进行本地服务。
超高容量云协同叠加区域存在两种情况，第一种情况是超高容量云协同叠加区域是属于高容量低时延叠加区域，第二种情况是超高容量云协同叠加区域不属于高容量低时延叠加区域。
第一种情况，当高容量低时延叠加区域存在超高容量云协同叠加区域时，则将所述超高容量云协同叠加区域内各个F-AP的部署位置以一一对应的方式替换为各个远程射频单元RRH的部署位置。
上述将所述超高容量云协同叠加区域内各个F-AP的部署位置以一一对应的方式替换为各个RRH的部署位置为：超高容量云协同叠加区域内F-AP的部署数量就是RRH的部署数量，且按照一个RRH一一对应一个F-AP，超高容量云协同叠加区域内每一F-AP的部署位置替换为每一RRH的部署位置。
上述第一种情况表示该超高容量云协同叠加区域车辆终端数目较多，F-AP无法通过协作完成业务的本地服务，干扰情况严重影响了网络吞吐量，需要通过部署RRH和BBU池，利用集中的信号处理与资源调度满足性能要求。
F-AP通过前传链路和BBU池进行交互，使得F-AP的干扰状况、覆盖范围和吐吞量等信息可以汇报至BBU池，乃至HPN。
第二种情况，当高容量低时延叠加区域不存在超高容量云协同叠加区域时，则在超高容量云协同叠加区域内部署RRH的一种实现方式包括步骤E～步骤F：
步骤E，根据单个RRH的最大覆盖范围、单个RRH的最大吞吐量、超高容量云协同叠加区域的道路拓扑信息和高峰时段的业务量，得到在超高容量云协同叠加区域内部署RRH的第三部署数量；
步骤F，利用超高容量云协同叠加区域的道路拓扑信息和所述第三部署数量，确定各个RRH在所述广覆盖区域的部署位置。
在本发明的一个实施例中，步骤E的一种实现方式可以包括如下步骤：
步骤E1，根据单个RRH的最大覆盖范围和所述超高容量云协同叠加区域的道路拓扑信息，确定RRH的最小部署数量。
RRH的最小部署数量可以等于高容量低时延叠加区域的道路拓扑信息包含的道路长度与RRH的最大覆盖范围的比值。
步骤E2，利用单个RRH的最大吞吐量和超高容量云协同叠加区域内高峰时段的业务量，确定RRH的预估部署数量。
超高容量云协同叠加区域的业务请求较多，可见，RRH的部署数量还需要考虑RRH的最大吞吐量。也就是，RRH的预估部署数量等于超高容量云协同叠加区域内业务请求与上述RRH的最大吞吐量的比值。
步骤E3，选取所述RRH的最小部署数量和所述RRH的预估部署数量中数值大的数量作为在所述超高容量云协同叠加区域内部署RRH的第三部署数量。
比较RRH的最小部署数量和RRH的预估部署数量，取二者中的较大值作为超高容量云协同叠加区域中RRH的第三部署数量。
可见，本实施例通过选取RRH的最小部署数量和RRH的预估部署数量中大的部署数量作为在所述超高容量云协同叠加区域中RRH的第二部署数量，能够解决HPN的数据之间干扰。
在本发明的一个实施例中，步骤F的一种实现方式可以包括如下步骤：
步骤F1，当超高容量云协同叠加区域的道路拓扑信息为线性拓扑信息时，在所述高容量低时延叠加区域内道路两侧以第三预设间距的方式交叉部署各个RRH；
上述第三预设间距可以对超高容量云协同叠加区域中的道路长度进行平均划分，也就是等距离交叉部署RRH。
上述第三预设间隔可以与第一预设间隔或第二预设间隔相同，也可以与第一预设间隔或第二预设间隔不同，本实施例对此并不限定。
步骤F2，当所述超高容量云协同叠加区域的道路拓扑信息为网格拓扑信息时，在各个所述交叉路口处部署RRH，如果部署交叉路口后余下的RRH数量未达到所述第三部署数量，则按照路段的长度排序，将余下的RRH以第三预设间隔交叉部署在长路段两侧。
RRH的部署方法与HPN的部署方法相同，超高容量云协同叠加区域中的网格拓扑信息中均存在多处交叉路口，可见优先在超高容量云协同叠加区域的交叉路口处部署RRH，则超高容量云协同叠加区域的交叉路口即部署了RRH又部署了HPN，如果在超高容量云协同叠加区域中的完交叉路口部署完RRH的数量小于第三部署数量，则按照超高容量云协同叠加区域中道路长度的顺序，先在长路段以第三预设间隔交叉部署余下的RRH。
可见，本发明实施例在超高容量云协同叠加区域的道路拓扑信息为线性拓扑信息的情况下，在道路两侧以第三预设间距的方式交叉部署各个RRH。在超高容量云协同叠加区域的道路拓扑信息为网格拓扑信息的情况下，在各个所述交叉路口处部署RRH。RRH的部署能够解决干扰信息较大的问题。
BBU的部署数量可以通过RRH的部署数量除以一个BBU承载的最大RRH数获得。
在本发明的一种实施例中，实现S104的具体包括如下步骤G～步骤H：
步骤G，根据单个BBU承载的最大RRH数量和在所述超高容量云协同叠加区域内各个RRH的部署数量，确定在所述超高容量云协同叠加区域中部署BBU池中BBU的部署数量。
其中，BBU池是由多个BBU构成的，构成BBU池中BBU的部署数量等于超高容量云协同叠加区域内RRH的部署数量除以单个BBU承载的最大RRH数。
步骤H，根据所述超高容量云协同叠加区域中部署RRH的部署位置，计算所述超高容量云协同叠加区域中各个RRH的部署位置的中心位置，并将所述中心位置确定BBU池的部署位置。
在确定BBU池中BBU的部署数量后，可以将RRH的部署位置的中心位置确定为BBU池的部署位置。
示例性的，设一个BBU最多能承载3个RRH，总共有8个RRH，则BBU的部署数量为3个，计算8个RRH的中心位置，并将3个BBU部署在8个RRH的中心位置处。
可见，本实施例通过根据单个BBU承载的最大RRH数量和在所述超高容量云协同叠加区域内各个RRH的部署位置，确定BBU池的部署位置。能够使用较少的BBU池实现多个RRH的协作传输和动态调度，并很好地支持对业务进行本地服务。
在本发明的一种实施例中，目标车辆与节点之间的信道符合瑞利衰落、且为有限状态马尔科夫信道，其中，所述节点包括HPN、F-AP或RRH，在S104之后，还可以包括如下步骤I～步骤O：
步骤I，获取目标车辆在接入时刻时所接入的第一节点信息，其中，所述接入时刻为当前时刻和历史时刻。
在上述广覆盖区域内部署HPN、F-AP、RRH和BBU池后，F-AP通过前传链路和BBU池进行交互，使得F-AP的干扰状况、覆盖范围和吐吞量等信息可以汇报至BBU池，也就是说，BBU池可以获取目标车辆在接入时刻时所接入的第一节点信息。
上述第一节点信息可以为HPN、F-AP和RRH构成的集合。
步骤J，将获取的第一节点信息输入至预设的位置预测模型中，得到所述目标车辆在接入时刻的位置信息；其中，所述位置预测模型为：采用样本车辆在接入时刻的样本节点信息和样本车辆在接入时刻的位置信息对贝叶斯模型进行训练后，得到的、用于预测一个车辆在接入时刻的位置信息。
考虑到目标车辆位于第一节点信息的覆盖重叠区域，可见，首先根据目标车辆在接入时刻即当前时刻tn和前n0时刻
Figure GDA0002563602920000181
的节点信息
Figure GDA0002563602920000182
预测其接入时刻的位置信息即当前时刻的位置信息Yn和历史时刻的位置信息
Figure GDA0002563602920000183
Xn表示目标车辆在当前时刻tn接入的节点，Xn-1表示目标车辆在上一时刻tn-1接入的节点，
Figure GDA0002563602920000185
表示目标车辆在历史时刻
Figure GDA0002563602920000184
接入的节点，Yn-1表示表示目标车辆在上一时刻tn-1位置信息，
Figure GDA0002563602920000186
表示目标车辆在历史时刻
Figure GDA0002563602920000187
的位置信息。
上述位置预测模型是以样本车辆在接入时刻的样本节点信息作为输入信息，以样本车辆在接入时刻的位置信息作为基准信息，对贝叶斯模型进行训练后，得到的、用于预测一个车辆在接入时刻的位置信息的模型。
上述样本车辆在接入时刻的位置信息为已知的。
步骤K，根据获得的接入时刻的位置信息，得到所述目标车辆的速度、行驶方向和加速度。
根据接入时刻的位置信息和接入时刻，便可以得到各个时刻对应目标车辆的速度和行驶方向，由速度和接入时刻，得到该目标车辆在各个时刻的加速度。
步骤L，利用得到的速度、行驶方向和加速度，预测所述目标车辆在下一时刻的位置信息以及在下一时刻的位置信息对应的概率，并根据所述目标车辆在下一时刻最高概率的位置信息，确定所述目标车辆在下一时刻在预设范围内备选的第二节点信息以及与所述第二节点信息中节点信道的大尺度衰落。
根据目标车辆的在接入时刻的位置信息即历史时刻的位置信息
Figure GDA0002563602920000191
和当前位置信息Yn，可以进一步预测下一时刻的位置信息Yn+1以及该下一时刻的位置信息的概率的分布。
上述大尺度衰落为与目标车辆在下一时刻备选的节点信息中节点信道的大尺度衰落。
步骤M，将接入时刻所述目标车辆与第二节点信道间的信道状态输入至预设的小尺度衰落预测模型中，得到当前时刻所述目标车辆与所述第二节点信息中节点信道的小尺度衰落；其中，所述小尺度衰落预测模型为：采用接入时刻样本车辆与节点信道间的信道状态对马尔科夫模型进行训练后，得到的、用于预测当前时刻车辆与节点信道的小尺度衰落的模型。
由于目标车辆与第二节点信息中节点之间的信道符合瑞利衰落、且为有限状态马尔科夫信道，因此可以获得目标车辆与各第二节点信息中间节点之间的信道状态信息。
尺度衰落模型按照如下方式获得：将接入时刻样本车辆与节点信道的信道状态输入至马尔科夫模型，并将样本车辆在接入时刻与节点信道的小尺度衰落作为基准信息，对马尔科夫模型进行训练，得到用于预测当前时刻车辆与节点信道的小尺度衰落的模型。
步骤N，利用所述小尺度衰落和所述大尺度衰落，预测所述目标车辆在下一时刻的信道状态信息。
步骤O，根据目标车辆的性能需求，将所预测的信道状态信息输入至预设的节点选择模型中，得到目标车辆在下一时刻选择接入的第三节点信息，并将所述第三节点信息发送至所述节点信息包含的每一节点中；其中，所述节点选择模型为：基于样本车辆的性能需求，利用样本车辆在接入时刻的样本信道状态对马尔科夫信道模型进行训练得到的、用于预测车辆在下一时刻选择接入的节点信息的模型。
根据目标车辆的性能需求，当车辆请求业务为低速率的数据发送时，接入节点从部署的HPN中选择；车辆请求业务为高速率的数据发送时，接入节点从部署的F-AP中选择；在干扰大于阈值的区域，接入节点从部署的RRH中选择。
可见，本实施例提供的方法将上述第一节点信息输入至预设的位置预测模型中，获得目标车辆在接入时刻的位置信息；进而得到目标车辆的速度、行驶方向和加速度；进一步预测目标车辆在下一时刻的位置信息以及在下一时刻的位置信息对应的概率，并根据目标车辆在下一时刻最高概率的位置信息，确定第二节点信息以及与第二节点信息中节点信道的大尺度衰落；获取利用尺度衰落模型预测的小尺度衰落；最后利用小尺度衰落和大尺度衰落，预测所述目标车辆在下一时刻的信道状态信息，进而通过目标车辆在下一时刻选择接入的第三节点信息，并将第三节点信息发送至所述节点信息包含的节点。能够实现主动式的接入节点管理和控制，完成F-AP、RRH或HPN动态组网覆盖，缩短切换时延，提供更可靠服务，进而能够降低动态组网实现的复杂度。
由此可见，本发明实施例提供的方法在组网时，根据单个高功率节点HPN的最大覆盖范围、单个HPN的最大吞吐量、高峰时段数据业务的信令开销和广覆盖区域的道路拓扑信息，在广覆盖区域内部署HPN，针对需要部署F-AP的高容量低时延叠加区域，根据单个雾接入节点F-AP的最大覆盖范围、单个F-AP的最大吞吐量、高容量低时延叠加区域的道路拓扑信息和高峰时段的业务量，在高容量低时延叠加区域内部署F-AP，针对需要部署BBU池的超高容量云协同叠加区域，在超高容量云协同叠加区域内部署RRH和BBU池。可见，本发明实施例提供的方案中，在组网时，不再仅使用宏基站，而是不仅考虑了高峰时段车流量大于第一门限阈值、业务量大于第二门限阈值或业务传输时延高于第三门限阈值的高容量低时延叠加区域，还考虑了业务量大于第四门限阈值或干扰信息大于第五门限阈值的超高容量云协同叠加区域。因此，相对于现有技术而言，所提组网方法能够利用不同种类的网元设备，提供差异化的性能指标，实时适配动态多变的车联网环境，进而使得整个车联网能够满足车辆的不同性能需求。
在上述HPN、F-AP、RRH和BBU池部署后，本发明实施例还可以通过BBU池和HPN的交互完成车辆动态组网，如图2所示，具体为：
根据前传链路状况，可以分为非理想前传链路下的CU-DU(Centralized Unit-Distributed Unit)结构和理想前传链路下的BBU-RRH结构，分别对应着不同的协议栈划分方法；BBU池与HPN通过回传链路连接，发送车辆终端的接入节点信息，配置机器学习模块的HPN将预测到的目标车辆的位置信息通过回传链路发送给BBU池；
BBU池获得车辆预测位置后，BBU池利用预设的位置预测模型，得到目标车辆在接入时刻的位置信息；并根据获得的接入时刻的位置信息，得到目标车辆的速度、行驶方向和加速度；进而确定出目标车辆在下一时刻在预设范围内备选的第二节点信息以及与第二节点信息中节点信道的大尺度衰落。其中，位置预测模型是配置机器学习模块的BBU池采用样本车辆在接入时刻的样本节点信息和样本车辆在接入时刻的位置信息对贝叶斯模型进行训练后，得到的、用于预测一个车辆在接入时刻的位置信息的模型。
BBU池利用预设的小尺度衰落预测模型得到的当前时刻目标车辆与第二节点信息中节点信道的小尺度衰落，利用小尺度衰落和大尺度衰落，预测目标车辆在下一时刻的信道状态信息。其中，小尺度衰落预测模型为配置机器学习模块的BBU池采用接入时刻样本车辆与节点信道间的信道状态对马尔科夫模型进行训练后，得到的、用于预测当前时刻车辆与节点信道的小尺度衰落的模型。
BBU池根据目标车辆的性能需求，将所预测的信道状态信息输入至预设的节点选择模型得到第三节点信息。其中，节点选择模型是配置机器学习模块的BBU池基于样本车辆的性能需求，利用样本车辆在接入时刻的样本信道状态对马尔科夫信道模型进行训练得到的、用于预测车辆在下一时刻选择接入的节点信息的节点选择模型。
BBU池通过回传链路将得到的第三节点信息发送至HPN、F-AP或RRH。
与上述车联网的组网相对应，本发明实施例还提供了车联网的组网装置。
参见图3，图3为本发明实施例提供一种车联组网装置的结构示意图，上述装置可以包括：
区域信息获得模块301，用于预设间隔时间收集在广覆盖区域内接入车辆相关的区域信息，其中，区域信息包括各个时段的车流量、业务量、业务传输时延和干扰信息，其中，广覆盖区域：预先设定的提供车联网业务的区域。
HPN管理模块302，用于根据单个高功率节点HPN的最大覆盖范围、单个HPN的最大吞吐量、高峰时段数据业务的信令开销和广覆盖区域的道路拓扑信息，在广覆盖区域内部署HPN；如果广覆盖区域内存在高容量低时延叠加区域，触发F-AP管理模块303；如果广覆盖区域内存在超高容量云协同叠加区域，触发BBU池管理模块。
F-AP管理模块303，用于根据单个F-AP的最大覆盖范围、单个F-AP的最大吞吐量、高容量低时延叠加区域的道路拓扑信息和高峰时段的业务量，在高容量低时延叠加区域内部署F-AP；其中，高容量低时延叠加区域为高容量低时延叠加区域为在广覆盖区域中高峰时段车流量大于第一门限阈值、业务量大于第二门限阈值或业务传输时延高于第三门限阈值的区域。
BBU池管理模块304，用于根据单个远程射频单元RRH的最大覆盖范围、单个RRH的最大吞吐量、超高容量云协同叠加区域的道路拓扑信息和高峰时段的业务量，在超高容量云协同叠加区域内部署RRH，并根据超高容量云协同叠加区域内RRH的部署位置和单个基带处理单元BBU承载的最大RRH数量，在超高容量云协同叠加区域内部署BBU池，其中，超高容量云协同叠加区域为在广覆盖区域中业务量大于第四门限阈值或干扰信息大于第五门限阈值的区域，且第四门限阈值大于第二门限阈值。
优选地，HPN管理模块302可以包括：
HPN部署数量确定子模块，用于根据单个高功率节点HPN的最大覆盖范围、单个HPN的最大吞吐量、高峰时段数据业务的信令开销和广覆盖区域的道路拓扑信息，得到在广覆盖区域内部署HPN的第一部署数量；
HPN部署位置确定子模块，用于利用广覆盖区域的道路拓扑信息和第一部署数量，确定各个HPN在广覆盖区域的部署位置。
优选地，HPN部署数量确定子模块，包括：
HPN最小数量确定单元，用于根据单个HPN的最大覆盖范围和高峰时段数据业务的信令开销，得到在广覆盖区域内部署HPN的最小部署数量。
HPN预估数量单元，用于通过高峰时段数据业务的信令开销和单个HPN的最大吞吐量，获得在广覆盖区域内部署HPN的预估部署数量。
第一选取单元，用于选取HPN的最小部署数量和HPN的预估部署数量中数值大的数量作为在广覆盖区域内部署HPN的第一部署数量。
优选地，HPN部署位置确定子模块可以包括：
HPN第一部署单元，用于当广覆盖区域的道路拓扑信息为线性拓扑信息时，在广覆盖区域中的道路两侧以第一预设间距的方式交叉部署各个HPN。
HPN第二部署单元，用于当广覆盖区域的道路拓扑信息为网格拓扑信息时，在各个交叉路口处部署HPN，如果部署交叉路口后余下的HPN数量未达到第一部署数量，则按照路段的长度排序，将余下的HPN以第一预设间隔交叉部署在长路段两侧。
优选地，F-AP管理模块303可以包括：
F-AP部署数量确定子模块，用于根据单个F-AP的最大覆盖范围、单个F-AP的最大吞吐量、高容量低时延叠加区域的道路拓扑信息和高峰时段的业务量，得到在高容量低时延叠加区域内部署F-AP的第二部署数量；
F-AP部署位置确定子模块，用于利用高容量低时延叠加区域的道路拓扑信息和第二部署数量，确定各个F-AP在高容量低时延叠加区域的部署位置。
优选地，F-AP部署数量确定子模块可以包括：
F-AP最小数量确定单元，用于根据单个F-AP的最大覆盖范围和高容量低时延叠加区域的道路拓扑信息，确定F-AP的最小部署数量；
F-AP预估数量确定单元，用于利用单个F-AP的最大吞吐量和高容量低时延叠加区域内高峰时段的业务量，确定F-AP的预估部署数量；
第二选取单元，用于选取F-AP的最小部署数量和F-AP的预估部署数量中数值大的数量作为在高容量低时延叠加区域内部署F-AP的第二部署数量。
优选地，F-AP部署位置确定子模块可以包括：
F-AP第一部署单元，用于当高容量低时延叠加区域的道路拓扑信息为线性拓扑信息时，在高容量低时延叠加区域内道路两侧以第二预设间距的方式交叉部署各个F-AP。
F-AP第二部署单元，用于当高容量低时延叠加区域的道路拓扑信息为网格拓扑信息时，在各个交叉路口处部署F-AP，如果部署交叉路口后余下的F-AP数量未达到第二部署数量，则按照路段的长度排序，将余下的F-AP以第二预设间隔交叉部署在长路段两侧。
优选地，BBU池管理模块304可以包括：
BBU部署数量确定子模块，用于根据单个BBU承载的最大RRH数量和在超高容量云协同叠加区域内各个RRH的部署数量，确定在超高容量云协同叠加区域中部署BBU池中BBU的部署数量。
BBU池部署位置确定子模块，用于根据超高容量云协同叠加区域中部署RRH的部署位置，计算超高容量云协同叠加区域中各个RRH的部署位置的中心位置，并将中心位置确定BBU池的部署位置。
优选地，目标车辆与节点之间的信道符合瑞利衰落、且为有限状态马尔科夫信道，其中，节点包括HPN、F-AP或RRH，该装置还可以包括：
获取模块，用于获取目标车辆在接入时刻时所接入的第一节点信息，其中，接入时刻为当前时刻和历史时刻；
位置信息获得模块，用于将获取的第一节点信息输入至预设的位置预测模型中，得到目标车辆在接入时刻的位置信息；其中，位置预测模型为：采用样本车辆在接入时刻的样本节点信息和样本车辆在接入时刻的位置信息对贝叶斯模型进行训练后，得到的、用于预测一个车辆在接入时刻的位置信息的模型；
信息得到模块，用于根据获得的接入时刻的位置信息，得到目标车辆的速度、行驶方向和加速度；
预测模块，用于利用得到的速度、行驶方向和加速度，预测目标车辆在下一时刻的位置信息以及在下一时刻的位置信息对应的概率，并根据目标车辆在下一时刻最高概率的位置信息，确定目标车辆在下一时刻在预设范围内备选的第二节点信息以及与第二节点信息中节点信道的大尺度衰落；
小尺度衰落预测模块，用于将接入时刻目标车辆与第二节点信道间的信道状态输入至预设的小尺度衰落预测模型中，得到当前时刻目标车辆与第二节点信息中节点信道的小尺度衰落；其中，小尺度衰落预测模型为：采用接入时刻样本车辆与节点信道间的信道状态对马尔科夫模型进行训练后，得到的、用于预测当前时刻车辆与节点信道的小尺度衰落的模型；
信道状态预测模块，用于利用小尺度衰落和大尺度衰落，预测目标车辆在下一时刻的信道状态信息；
发送模块，用于根据目标车辆的性能需求，将所预测的信道状态信息输入至预设的节点选择模型中，得到目标车辆在下一时刻选择接入的第三节点信息，并将第三节点信息发送至节点信息包含的每一节点中；其中，节点选择模型为：基于样本车辆的性能需求，利用样本车辆在接入时刻的样本信道状态对马尔科夫信道模型进行训练得到的、用于预测车辆在下一时刻选择接入的节点信息的模型。
由此可见，本发明实施例提供了一种车联组网装置，该装置在组网时，根据单个高功率节点HPN的最大覆盖范围、单个HPN的最大吞吐量、高峰时段数据业务的信令开销和广覆盖区域的道路拓扑信息，在广覆盖区域内部署HPN，针对需要部署F-AP的高容量低时延叠加区域，根据单个雾接入节点F-AP的最大覆盖范围、单个F-AP的最大吞吐量、高容量低时延叠加区域的道路拓扑信息和高峰时段的业务量，在高容量低时延叠加区域内部署F-AP，针对需要部署BBU池的超高容量云协同叠加区域，在超高容量云协同叠加区域内部署RRH和BBU池。可见，本发明实施例提供的方案中，在组网时，不再仅使用宏基站，而是不仅考虑了高峰时段车流量大于第一门限阈值、业务量大于第二门限阈值或业务传输时延高于第三门限阈值的高容量低时延叠加区域，还考虑了业务量大于第四门限阈值或干扰信息大于第五门限阈值的超高容量云协同叠加区域。因此，相对于现有技术而言，本发明实施例提供的车联组网方法能够利用不同种类的网元设备，提供差异化的性能指标，实时适配动态多变的车联网环境，进而使得整个车联网能够满足车辆的不同性能需求。
本发明实施例还提供了一种电子设备，如图4所示，包括处理器401、通信接口402、存储器403和通信总线404，其中，处理器401，通信接口402，存储器403通过通信总线404完成相互间的通信，
存储器403，用于存放计算机程序；
处理器401，用于执行存储器403上所存放的程序时，实现本发明实施例提供的一种车联组网方法。
具体的，上述一种车联组网方法，包括：
预设间隔时间收集在广覆盖区域内接入车辆相关的区域信息，其中，区域信息包括各个时段的车流量、业务量、业务传输时延和干扰信息，其中，广覆盖区域：预先设定的提供车联网业务的区域；
根据单个高功率节点HPN的最大覆盖范围、单个HPN的最大吞吐量、高峰时段数据业务的信令开销和广覆盖区域的道路拓扑信息，在广覆盖区域内部署HPN；
如果广覆盖区域内存在高容量低时延叠加区域，根据单个雾接入节点F-AP的最大覆盖范围、单个F-AP的最大吞吐量、高容量低时延叠加区域的道路拓扑信息和高峰时段的业务量，在高容量低时延叠加区域内部署F-AP；其中，高容量低时延叠加区域为在广覆盖区域中高峰时段车流量大于第一门限阈值、业务量大于第二门限阈值或业务传输时延高于第三门限阈值的区域；
如果广覆盖区域内存在超高容量云协同叠加区域，根据单个远程射频单元RRH的最大覆盖范围、单个RRH的最大吞吐量、超高容量云协同叠加区域的道路拓扑信息和高峰时段的业务量，在超高容量云协同叠加区域内部署RRH，并根据超高容量云协同叠加区域内RRH的部署位置和单个基带处理单元BBU承载的最大RRH数量，在超高容量云协同叠加区域内部署BBU池，其中，超高容量云协同叠加区域为在广覆盖区域中业务量大于第四门限阈值或干扰信息大于第五门限阈值的区域，且第四门限阈值大于第二门限阈值。
由此可见，执行本实施例提供的电子设备，通过在组网时，根据单个高功率节点HPN的最大覆盖范围、单个HPN的最大吞吐量、高峰时段数据业务的信令开销和广覆盖区域的道路拓扑信息，在广覆盖区域内部署HPN，针对需要部署F-AP的高容量低时延叠加区域，根据单个雾接入节点F-AP的最大覆盖范围、单个F-AP的最大吞吐量、高容量低时延叠加区域的道路拓扑信息和高峰时段的业务量，在高容量低时延叠加区域内部署F-AP，针对需要部署BBU池的超高容量云协同叠加区域，在超高容量云协同叠加区域内部署RRH和BBU池。可见，本发明实施例提供的方案中，在组网时，不再仅使用宏基站，而是不仅考虑了高峰时段车流量大于第一门限阈值、业务量大于第二门限阈值或业务传输时延高于第三门限阈值的高容量低时延叠加区域，还考虑了业务量大于第四门限阈值或干扰信息大于第五门限阈值的超高容量云协同叠加区域。因此，相对于现有技术而言，所提组网方法能够利用不同种类的网元设备，提供差异化的性能指标，实时适配动态多变的车联网环境，进而使得整个车联网能够满足车辆的不同性能需求。
上述的相关内容车联组网方法的实施方式与前述方法实施例部分提供的车联网的组网确定方式相同，这里不再赘述。
上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect，PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture，EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory，RAM)，也可以包括非易失性存储器(Non-Volatile Memory，NVM)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(Digital SignalProcessing，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
在本发明提供的又一实施例中，还提供了一种计算机可读存储介质，该计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述实施例中任一的车联组网方法。
在本发明提供的又一实施例中，还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述实施例中任一上述的车联组网方法。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
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。
本发明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于方法、装置、电子设备和计算机可读存储介质实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。

Claims (7)

1.一种车联组网方法，其特征在于，所述方法包括：
预设间隔时间收集在广覆盖区域内接入车辆相关的区域信息，其中，所述区域信息包括各个时段的车流量、业务量、业务传输时延和干扰信息，所述广覆盖区域为预先设定的提供车联网业务的区域；
根据单个高功率节点HPN的最大覆盖范围、单个HPN的最大吞吐量、广覆盖区域的道路拓扑信息和高峰时段数据业务的信令开销，在所述广覆盖区域内部署HPN；
如果所述广覆盖区域内存在高容量低时延叠加区域，根据单个雾接入节点F-AP的最大覆盖范围、单个F-AP的最大吞吐量、高容量低时延叠加区域的道路拓扑信息和高峰时段的业务量，在所述高容量低时延叠加区域内部署F-AP；其中，所述高容量低时延叠加区域为在广覆盖区域中高峰时段车流量大于第一门限阈值、业务量大于第二门限阈值或业务传输时延高于第三门限阈值的区域；
如果广覆盖区域内存在超高容量云协同叠加区域，根据单个远程射频单元RRH的最大覆盖范围、单个RRH的最大吞吐量、超高容量云协同叠加区域的道路拓扑信息和高峰时段的业务量，在所述超高容量云协同叠加区域内部署RRH，并根据所述超高容量云协同叠加区域内RRH的部署位置和单个基带处理单元BBU承载的最大RRH数量，在所述超高容量云协同叠加区域内部署BBU池，其中，所述超高容量云协同叠加区域为在广覆盖区域中业务量大于第四门限阈值或干扰信息大于第五门限阈值的区域，且所述第四门限阈值大于所述第二门限阈值；
所述根据单个高功率节点HPN的最大覆盖范围、单个HPN的最大吞吐量、广覆盖区域的道路拓扑信息和高峰时段数据业务的信令开销，在所述广覆盖区域内部署HPN，包括：
根据单个高功率节点HPN的最大覆盖范围、单个HPN的最大吞吐量、广覆盖区域的道路拓扑信息和高峰时段数据业务的信令开销，得到在所述广覆盖区域内部署HPN的第一部署数量；
利用所述广覆盖区域的道路拓扑信息和所述第一部署数量，确定各个HPN在所述广覆盖区域的部署位置；
所述根据单个高功率节点HPN的最大覆盖范围、单个HPN的最大吞吐量、广覆盖区域的道路拓扑信息和高峰时段数据业务的信令开销，得到在所述广覆盖区域内部署HPN的第一部署数量，包括：
根据单个HPN的最大覆盖范围和广覆盖区域的道路拓扑信息，得到在所述广覆盖区域内部署HPN的最小部署数量；
通过所述高峰时段数据业务的信令开销和单个HPN的最大吞吐量，获得在所述广覆盖区域内部署HPN的预估部署数量；
选取所述HPN的最小部署数量和所述HPN的预估部署数量中数值大的数量，作为在所述广覆盖区域内部署HPN的第一部署数量；
所述利用所述广覆盖区域的道路拓扑信息和所述第一部署数量，确定各个HPN在所述广覆盖区域的部署位置，包括：
当广覆盖区域的道路拓扑信息为线性拓扑信息时，在所述广覆盖区域中的道路两侧以第一预设间距的方式交叉部署各个HPN；
当广覆盖区域的道路拓扑信息为网格拓扑信息时，在各个所述交叉路口处部署HPN，如果部署交叉路口后余下的HPN数量未达到所述第一部署数量，则按照路段的长度排序，将余下的HPN以第一预设间隔交叉部署在长路段两侧。
2.如权利要求1所述的方法，其特征在于，所述根据单个雾接入节点F-AP的最大覆盖范围、单个F-AP的最大吞吐量、高容量低时延叠加区域的道路拓扑信息和高峰时段的业务量，在所述高容量低时延叠加区域内部署F-AP，包括：
根据单个F-AP的最大覆盖范围、单个F-AP的最大吞吐量、高容量低时延叠加区域的道路拓扑信息和高峰时段的业务量，得到在高容量低时延叠加区域内部署F-AP的第二部署数量；
利用所述高容量低时延叠加区域的道路拓扑信息和所述第二部署数量，确定各个F-AP在所述高容量低时延叠加区域的部署位置。
3.如权利要求2所述的方法，其特征在于，所述根据单个F-AP的最大覆盖范围、单个F-AP的最大吞吐量、高容量低时延叠加区域的道路拓扑信息和高峰时段的业务量，得到在高容量低时延叠加区域内部署F-AP的第二部署数量，包括：
根据单个F-AP的最大覆盖范围和所述高容量低时延叠加区域的道路拓扑信息，确定F-AP的最小部署数量；
利用单个F-AP的最大吞吐量和高容量低时延叠加区域内高峰时段的业务量，确定F-AP的预估部署数量；
选取所述F-AP的最小部署数量和所述F-AP的预估部署数量中数值大的数量作为在所述高容量低时延叠加区域内部署F-AP的第二部署数量。
4.如权利要求3所述的方法，其特征在于，所述利用所述高容量低时延叠加区域的道路拓扑信息和所述第二部署数量，确定各个F-AP在所述高容量低时延叠加区域的部署位置，包括：
当所述高容量低时延叠加区域的道路拓扑信息为线性拓扑信息时，在所述高容量低时延叠加区域内道路两侧以第二预设间距的方式交叉部署各个F-AP；
当所述高容量低时延叠加区域的道路拓扑信息为网格拓扑信息时，在各个所述交叉路口处部署F-AP，如果部署交叉路口后余下的F-AP数量未达到所述第二部署数量，则按照路段的长度排序，将余下的F-AP以第二预设间隔交叉部署在长路段两侧。
5.如权利要求2所述的方法，其特征在于，所述根据所述超高容量云协同叠加区域内RRH的部署位置和单个基带处理单元BBU承载的最大RRH数量，在所述超高容量云协同叠加区域内部署BBU池，包括：
根据单个BBU承载的最大RRH数量和在所述超高容量云协同叠加区域内各个RRH的部署数量，确定在所述超高容量云协同叠加区域中部署BBU池中BBU的部署数量；
根据所述超高容量云协同叠加区域中部署RRH的部署位置，计算所述超高容量云协同叠加区域中各个RRH的部署位置的中心位置，并将所述中心位置确定BBU池的部署位置。
6.如权利要求5所述的方法，其特征在于，目标车辆与节点之间的信道符合瑞利衰落、且为有限状态马尔科夫信道，其中，所述节点包括HPN、F-AP、或RRH，还包括：
获取目标车辆在接入时刻时所接入的第一节点信息，其中，所述接入时刻为当前时刻和历史时刻；
将获取的第一节点信息输入至预设的位置预测模型中，得到所述目标车辆在接入时刻的位置信息；其中，所述位置预测模型为：采用样本车辆在接入时刻的样本节点信息和样本车辆在接入时刻的位置信息对贝叶斯模型进行训练后，得到的、用于预测单个车辆在接入时刻的位置信息的模型；
根据获得的接入时刻的位置信息，得到所述目标车辆的速度、行驶方向和加速度；
利用得到的速度、行驶方向和加速度，预测所述目标车辆在下一时刻的位置信息以及在下一时刻的位置信息对应的概率，并根据所述目标车辆在下一时刻最高概率的位置信息，确定所述目标车辆在下一时刻在预设范围内备选的第二节点信息以及与所述第二节点信息中节点信道的大尺度衰落；
将接入时刻所述目标车辆与第二节点信道间的信道状态输入至预设的小尺度衰落预测模型中，得到当前时刻所述目标车辆与所述第二节点信息中节点信道的小尺度衰落；其中，所述小尺度衰落预测模型为：采用接入时刻样本车辆与节点信道间的信道状态对马尔科夫模型进行训练后，得到的、用于预测当前时刻车辆与节点信道的小尺度衰落的模型；
利用所述小尺度衰落和所述大尺度衰落，预测所述目标车辆与第二节点信道间在下一时刻的信道状态信息；
根据目标车辆的性能需求，将所预测的信道状态信息输入至预设的节点选择模型中，得到目标车辆在下一时刻选择接入的第三节点信息，并将所述第三节点信息发送至所述节点信息包含的每一节点中；其中，所述节点选择模型为：基于样本车辆的性能需求，利用样本车辆在接入时刻的样本信道状态对马尔科夫信道模型进行训练得到的、用于预测车辆在下一时刻选择接入的节点信息的模型。
7.一种车联组网装置，其特征在于，所述装置包括：
区域信息获得模块，用于预设间隔时间收集在广覆盖区域内接入车辆相关的区域信息，其中，所述区域信息包括各个时段的车流量、业务量、业务传输时延和干扰信息，其中，所述广覆盖区域为预先设定的提供车联网业务的区域；
HPN管理模块，用于根据单个高功率节点HPN的最大覆盖范围、单个HPN的最大吞吐量、高峰时段数据业务的信令开销和广覆盖区域的道路拓扑信息，得到在所述广覆盖区域内部署HPN的第一部署数量，并利用所述广覆盖区域的道路拓扑信息和所述第一部署数量，确定各个HPN在所述广覆盖区域的部署位置；如果所述广覆盖区域内存在高容量低时延叠加区域，触发F-AP管理模块；如果广覆盖区域内存在超高容量云协同叠加区域，触发BBU池管理模块；
所述F-AP管理模块，用于根据单个F-AP的最大覆盖范围、单个F-AP的最大吞吐量、高容量低时延叠加区域的道路拓扑信息和高峰时段的业务量，得到在高容量低时延叠加区域内部署F-AP的第二部署数量，并利用所述高容量低时延叠加区域的道路拓扑信息和所述第二部署数量，确定各个F-AP在所述高容量低时延叠加区域的部署位置；其中，所述高容量低时延叠加区域为在广覆盖区域中高峰时段车流量大于第一门限阈值、业务量大于第二门限阈值或业务传输时延高于第三门限阈值的区域；
所述BBU池管理模块，用于根据单个远程射频单元RRH的最大覆盖范围、单个RRH的最大吞吐量、超高容量云协同叠加区域的道路拓扑信息和高峰时段的业务量，在所述超高容量云协同叠加区域内部署RRH，并根据所述超高容量云协同叠加区域内RRH的部署位置和单个基带处理单元BBU承载的最大RRH数量，在所述超高容量云协同叠加区域内部署BBU池，其中，所述超高容量云协同叠加区域为在广覆盖区域中业务量大于第四门限阈值或干扰信息大于第五门限阈值的区域，且所述第四门限阈值大于所述第二门限阈值；
所述HPN管理模块包括：
HPN部署数量确定子模块，用于根据单个高功率节点HPN的最大覆盖范围、单个HPN的最大吞吐量、广覆盖区域的道路拓扑信息和高峰时段数据业务的信令开销，得到在所述广覆盖区域内部署HPN的第一部署数量；
HPN部署位置确定子模块，用于利用所述广覆盖区域的道路拓扑信息和所述第一部署数量，确定各个HPN在所述广覆盖区域的部署位置；
所述HPN部署数量确定子模块，包括：
HPN最小数量确定单元，用于根据单个HPN的最大覆盖范围和高峰时段数据业务的信令开销，得到在广覆盖区域内部署HPN的最小部署数量；
HPN预估数量单元，用于通过高峰时段数据业务的信令开销和单个HPN的最大吞吐量，获得在广覆盖区域内部署HPN的预估部署数量；
第一选取单元，用于选取HPN的最小部署数量和HPN的预估部署数量中数值大的数量作为在广覆盖区域内部署HPN的第一部署数量；
所述HPN部署位置确定子模块包括：
HPN第一部署单元，用于当广覆盖区域的道路拓扑信息为线性拓扑信息时，在广覆盖区域中的道路两侧以第一预设间距的方式交叉部署各个HPN；
HPN第二部署单元，用于当广覆盖区域的道路拓扑信息为网格拓扑信息时，在各个交叉路口处部署HPN，如果部署交叉路口后余下的HPN数量未达到第一部署数量，则按照路段的长度排序，将余下的HPN以第一预设间隔交叉部署在长路段两侧。
CN201910631274.3A 2019-07-12 2019-07-12 一种车联组网方法及装置 Active CN110366134B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910631274.3A CN110366134B (zh) 2019-07-12 2019-07-12 一种车联组网方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910631274.3A CN110366134B (zh) 2019-07-12 2019-07-12 一种车联组网方法及装置

Publications (2)

Publication Number Publication Date
CN110366134A CN110366134A (zh) 2019-10-22
CN110366134B true CN110366134B (zh) 2020-09-01

Family

ID=68219257

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910631274.3A Active CN110366134B (zh) 2019-07-12 2019-07-12 一种车联组网方法及装置

Country Status (1)

Country Link
CN (1) CN110366134B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112672368B (zh) * 2020-12-17 2021-12-21 深圳金信诺高新技术股份有限公司 一种CU Pool下动态部署CU的方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106792739A (zh) * 2016-11-17 2017-05-31 北京邮电大学 网络切片方法、装置和设备
CN109495907A (zh) * 2018-11-29 2019-03-19 北京邮电大学 一种意图驱动的无线接入组网方法和系统

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104796918B (zh) * 2015-03-17 2018-09-28 无锡北邮感知技术产业研究院有限公司 无线通信组网的方法
CN106972898A (zh) * 2017-03-15 2017-07-21 北京大学 基于信道预测的车联网数据传输调度方法
CN106954267B (zh) * 2017-04-14 2019-11-22 北京邮电大学 一种基于无线网络切片的资源管理方法
CN109688597B (zh) * 2018-12-18 2020-09-01 北京邮电大学 一种基于人工智能的雾无线接入网络组网方法及装置

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106792739A (zh) * 2016-11-17 2017-05-31 北京邮电大学 网络切片方法、装置和设备
CN109495907A (zh) * 2018-11-29 2019-03-19 北京邮电大学 一种意图驱动的无线接入组网方法和系统

Also Published As

Publication number Publication date
CN110366134A (zh) 2019-10-22

Similar Documents

Publication Publication Date Title
Teng et al. A novel code data dissemination scheme for Internet of Things through mobile vehicle of smart cities
Singh et al. Cognitive radio for vehicular ad hoc networks (CR-VANETs): approaches and challenges
Stojmenovic Fog computing: A cloud to the ground support for smart things and machine-to-machine networks
CN105009475B (zh) 考虑到用户设备(ue)移动性的用于准入控制和资源可用性预测的方法和系统
CN110213716B (zh) 一种基于雾无线接入网络的车联组网方法
CN104640224A (zh) 一种网络数据传输方法、装置及系统
Alsarhan et al. Novel fuzzy and game theory based clustering and decision making for VANETs
CN105516214A (zh) 一种车联网系统中的信息上报和资源分配方法、装置
CN102448143B (zh) 基于认知的接入网络选择方法
CN105376748A (zh) 虚拟小区的构建、协作节点的选择方法及装置
CN105574154A (zh) 一种基于大数据平台的城市宏观区域信息分析系统
Maaloul et al. Classification of C-ITS services in vehicular environments
Din et al. Hierarchical architecture for 5g based software-defined intelligent transportation system
Balzano et al. A logic-based clustering approach for cooperative traffic control systems
CN102860087A (zh) 无线接入装置、无线接入系统、网络选择方法和记录介质
CN114007225A (zh) Bwp的分配方法、装置、电子设备及计算机可读存储介质
Romanov et al. The method of redistributing traffic in mobile network
Abbassi et al. History-based spectrum sensing in CR-VANETs
CN110366134B (zh) 一种车联组网方法及装置
CN101848522A (zh) Underlay认知无线Mesh网络信道分配方法
Jee et al. Performance analysis of secondary users under heterogeneous licensed spectrum environment in cognitive radio ad hoc networks
CN103686895A (zh) 切换控制方法、无线网络控制器和接入节点
CN105682124A (zh) 一种基于虚拟网络的节能方法
Mchergui et al. A novel deep reinforcement learning based relay selection for broadcasting in vehicular ad hoc networks
CN111132298B (zh) 一种功率分配方法和装置

Legal Events

Date Code Title Description
PB01 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