CN110753382A - 一种基于车辆位置预测的车载网络路由设置方法 - Google Patents

Abstract

本发明公开了一种新的车载网络路由算法。该方法主要研究车辆与位置之间的转移概率和车辆之间位置关系，概率矩阵分解是求解车辆与位置之间转移概率的一种好方法。关联网络用来表示车辆之间的位置关系，可以保证概率的准确性和不必要的计算。利用预测位置信息计算车辆数据转发能力，从而选择最优的车辆节点进行数据转发，本发明通过分析车辆与位置点之间的关系，构建车辆移动位置概率矩阵。车辆移动由于受限于车辆自身位置关系和诸多外界因素，在考虑车辆移动关系中加入车辆自身位置关系和隐含因素的考虑，较为精确地估计车辆下一时刻出现在某些位置点的概率。

Description

一种基于车辆位置预测的车载网络路由设置方法

技术领域

本发明涉及计算机历史数据分析、轨迹预测及数据转发技术领域，特别涉及一种基于车辆位置预测的车载网络路由设置方法。

背景技术

在1970年，美国研究人员Rosen等人就曾提出了将车载移动设备应用到车辆驾驶中的电子道路导航系统。日本在80年代中期也相应的提出了交通控制管理系统，针对该系统项目研究者提出了相对应的解决技术。后期，各个国家也对车载网络有了一定的兴趣，也开始着手自己国家的车载网络研究，相对应的也提出了很多非常有用的研究方案以及技术解决方案。1994年，美国在其研究项目“自动化高速公路工程”中，提出针对车载网络通信系统的研究。2000到2004年，欧盟国家，推出项目“DRIVE”和“CarTalk2000”，顾名思义就是为了解决车辆之间的数据传输可靠性和车辆辅助驾驶功能，该项目的完成在一定意义激发了更多研究人员对于车载网络的兴趣。我国的车载网络研究相对于其他发达国家较晚，我国车载网络研究开始于1990年左右，发展与2000年初期。2011年到2012年，我国主要致力于车辆之间信息传输和VANETs相关技术的“智能车路协同关键技术”以及“车载网络技”的研究。2010年在我国江苏省无锡市中国国际物联网大会上，第一次提出了“车联网”这一词语，从此我国正式迈入对于车载网络的研究。在2017年，我国IT行业三大巨头之一的百度公司，提出了有关车载网络的项目“Apollo”，主要是实现智能驾驶平台。

社会经济和信息技术的发展，促使人们对于更高的、精致的和便捷的生活水平的追求。汽车的使用给人类出行带来便捷的同时也给人类生活带来了很多交通问题，如驾驶安全、道路拥塞、环境污染等。据交通事故统计数据显示，在这几年内我国每年因交通安全问题死亡的人数已经近乎达70000，受伤的人数达到50万。换言之就是六分钟内就会出现一位在事故中死亡的人，一分钟内就会出现一位受伤人员。由于车辆使用带来的安全问题日渐增加，广大研究者和汽车制造者提出智能交通系统(ITS)。ITS是为了提高现在交通质量而提出的，它的产生就是由于如今交通问题日益受到广大居民的强烈关注。ITS利用信息技术以及控制知识为城市环境交通问题提供服务，智能化如今的交通系统。

车载网络一个最为重要的应用是协助车辆之间进行协调和通信，以防止紧急状况发生，例如：交通拥堵、车辆碰撞等等，还有一些其他的应用，如车辆快速通行、停车场、车速控制管理、路径规划等。VANETs还提供服务、娱乐方面的应用，该类应用主要针对的是驾驶员的舒适感。车载网络车辆的高速移动性，使得VANETs路由协议必须进行适当的调整并且提供性能更加优良的路由算法。2012年，Peterson and Davie指出通信网络有三种通讯方法：单播传输、多播传输以及广播传输。VANETs如今数据转发采用的策略是“存储-携带-转发”，信息在车辆之间传递的时候，首先是建立不同的车辆之间信息传递方式，利用车辆之间信息传递的中间转发车辆，进而实现信息传达到目的车辆。然而这种数据传输策略，在一定程度上会引起很高的时延。车载网络目前的应用场景要求网络性能必须非常良好，较高的时延势必无法适合像车载网络如此大的动态性网络。目前已有一些标准已经应用于车载网络，如：WAVE和ETSI EN。ETSI EN 302 636说明了网络协议GeoNetworking如何在网络中工作，尤其车载网络中。其提供了一种无需任何基础设施辅助的车辆之间通信方式。车辆传输数据时将会指定需要传输到的指定区域范围，中继节点则根据该要求将数据包传输到该指定范围内的车辆。路由协议是车载网络向用户提供服务质量的一项重要任务，其动态特性决定车辆之间只能通过路由协议进行数据的转发和传输。针对车辆移动规律性，提出一种新的轨迹预测算法。该方法通过分析车辆历史移动规律性，建立不同车辆运动模式的轨迹概率模型。运动模式分为简单运动模式和复杂运动模式两种，保证轨迹预测的准确性。

VANETs路由的任务是在较低的延迟的情况下将信息从初始车辆传达到目的车辆。许多车载网络路由都是为车载网络提供最优的数据传输路径而被提出的。车载网络的独特网络特性使得，以往应用于机会网络的路由协议已经很难适应于车载网络。传统的基于网络拓扑结构的路由协议在车载网络节点高速移动动态性方面存在很大的困难，并且对于目前的车载网络没有标准型的路由。基于位置的路由(PBR)，PBR使用车辆的位置信息来决定数据包应该往哪个方向转发才能达到更优的效果，在VANETs如此高机动的网络状况下表现的更为优良。通常该种决策时一种基于几何启发式的路由，其选择距离目的节点最近的节点进行数据传输，通常大家也称该类数据转发策略为贪婪转发策略。贪婪转发对于节点之间的位置信息以及其他相关联的属性以及特性并没有太多的关注，只单纯的关注如何在最优的环境下，将信息传到当前网络情况下最优的一个中间转发车辆。VANETs中，位置路由方法是在通过分析车辆位置信息或者是在预测得到的车辆行驶轨迹下，根据车辆的位置信息探索整个网络，进而寻求最优的车辆实现当前信息的传递。节点在一定周期广播向全网广播自己的位置信息，也可以广播其他的相关信息(移动方向、速度以及生存时间等等)。CBF(Contention-Based Forwarding是一种地理位置路由，该协议在数据传输过程中不需要主动传输信标消息。当前节点对于需要转发的数据包转发给所有的周围节点，并由周围节点确定是否需要将该数据根据分布式计时器的争用过程转发数据包。

发明内容

本发明旨在解决现有技术中存在的技术问题。为此，本发明公开了一种基于车辆位置预测的车载网络路由设置方法，所述方法包括：

步骤1：对于车载网络中的任一车辆，计算该车辆对于特定位置的位置转移概率，所述位置转移概率表示该车辆在下一时刻移动到该位置的概率取值；

步骤2：获取车辆移动的隐含因素信息，所述隐含因素信息为影响所述车辆移动的潜在关系；

步骤3：构建车载网络中车辆的位置矩阵R_m,n，其中，所述位置矩阵R_m,n表示m个车辆对于n个位置点的位置转移概率全在位置矩阵中，位置矩阵中每一个数字代表了车辆下一时刻移动到该位置点的概率大小；

步骤4：依据得到的车辆在下一时刻移动的位置信息，车辆之间位置距离越近的车辆越有可能将被作为下一跳数据转发车辆，车辆之间位置距离公式可以用欧氏距离求得，根据车辆的位置矩阵计算车辆之间的位置关系；

步骤5：利用预测位置信息计算车辆数据转发能力，从而选择最优的车辆节点进行数据转发。

更进一步地，所述步骤1进一步包括：车辆移动概率计算公式：

p(L_j,L_i)＝ω(L_j,L_i|ξ,∑) (2)

其中，公式(1)中的p(L_j|L_i)表示车辆v1从当前位置Li，在下一时刻移动到位置Lj的位置转移概率，两个位置车辆v1都会出现的概率为p(L_j,L_i)，p(L_i)为车辆v1出现在位置Li的概率，ξ表示此密度函数中心点，∑表示方差，通过EM算法对参数ξ,∑的极大似然函数进行估计，设当前有n个位置；

其中，所述EM算法分由两步构成：E-step和M-step，所述E-step为车辆移动到位置点Li的概率，所述M-step依据E-step预测更新参数；

E-step：ω_j:＝p(L_i|L_j；ξ,∑)

M-step：求参数ξ,∑的迭代公式，则参数ξ,∑更新规则为：

更进一步地，所述步骤2中所述隐含因素信息为车辆的密度、位置关系以及道路限制。

更进一步地，所述步骤3进一步包括：

假设位置转移概率服从正态分布，位置转移的条件概率为：

其中，用r_i,j表示车辆i对位置点j的位置转移概率，

是概率密度函数，为指示函数，车辆V和位置点L的特征矩阵满足均值等于0的高斯分布；

上式中，Ι是一个D维的单位对角矩阵，依据贝叶斯公式，车辆V和位置L潜在变量关系满足：

更进一步地，所述步骤4进一步包括：

关联车辆之间移动潜在变量关系可以用一个k维的矩阵向量μ_i表示，是矩阵

的列向量，其受到周围所有和该车辆关联的其他车辆影响，对于每一个关联车辆移动潜在变量可以用均值为0的高斯分布表示，将均值设为0以防止过拟合；

依据贝叶斯推断，关联潜在变量μ和L后验概率为：

与现有技术相比，本发明的目的是提出一种新的车载网络路由算法。该方法主要研究车辆与位置之间的转移概率和车辆之间位置关系，概率矩阵分解是求解车辆与位置之间转移概率的一种方法。关联网络用来表示车辆之间的位置关系，可以保证概率的准确性和不必要的计算。利用预测位置信息计算车辆数据转发能力，从而选择最优的车辆节点进行数据转发，本发明通过分析车辆与位置点之间的关系，构建车辆移动位置概率矩阵。车辆移动由于受限于车辆自身位置关系和诸多外界因素，在考虑车辆移动关系中加入车辆自身位置关系和隐含因素的考虑，较为精确地估计车辆下一时刻出现在某些位置点的概率。

附图说明

从以下结合附图的描述可以进一步理解本发明。图中的部件不一定按比例绘制，而是将重点放在示出实施例的原理上。在图中，在不同的视图中，相同的附图标记指定对应的部分。

图1是本发明一实施例中上海市出租车移动轨迹图。

图2是本发明一实施例中车辆移动轨迹分布图。

图3是本发明一实施例中位置矩阵图，描述车辆移动到某一位置概率。

图4是本发明一实施例中是车辆关联网络图，描述车辆之间的位置关系。

图5是本发明一实施例中本次研究系统模型图。

图6是本发明一实施例中RAVP算法、ICAR算法、RPUV算法和Greedy四种算法传输成功率箱线图。

图7是本发明一实施例中RAVP算法、ICAR算法、RPUV算法和Greedy四种算法在不同仿真时间下传输成功率对比图。

图8是本发明一实施例中RAVP算法、ICAR算法、RPUV算法和Greedy四种算法在不同车辆数目下传输成功率对比图。

图9是本发明一实施例中RAVP算法、ICAR算法、RPUV算法和Greedy四种算法在不同仿真时间下平均端到端延迟对比图。

图10是本发明一实施例中RAVP算法、ICAR算法、RPUV算法和Greedy四种算法在不同车辆数目下平均端到端延迟对比图。

图11是本发明一实施例中RAVP算法、ICAR算法、RPUV算法和Greedy四种算法在不同仿真时间下路由开销对比图。

图12是本发明一实施例中RAVP算法、ICAR算法、RPUV算法和Greedy四种算法在不同车辆数目下路由开销对比图。

具体实施方式

为了更加详细的描述本研究提出的车载网络路由方法,下面结合附图和实例对本研究作进一步的说明。

实施例一

车辆与位置之间存在一定的概率，如果能够已知该概率对于信息的传输就具有很大的意义，本章节针对这一概率提出了一种车辆位置关系路由算法。利用概率矩阵分解(PMF)，结合车辆运动位置概率矩阵和车辆位置关系关联矩阵，同时学习车辆自身的潜在特征、车辆位置潜在特征和车辆关联潜在向量。仿真结果表明，RAVP算法在传输率、平均端到端延迟和路由开销率等方面相对其他一些已提出的ICAR算法、RPUV算法和Greedy算法性能较优良。具体问题解决方法如下：

步骤1：分析数据集，该数据集是如图1所示的中国上海出租车24小时驾驶数据。车辆行驶数据的采样间隔为1分钟，车辆轨迹数据包括：车辆ID时间纬度经度速度加载，共包含10000多个轨迹数据点4000多辆车。车辆运动轨迹是一个离散的数据序列，将车辆运动轨迹序列分为x轴和y轴两个方向进行数据分布分析(x轴和y轴的数据点相互独立)。分析结果显示，车辆轨迹符合高斯分布(如图2所示的汽车移动轨迹分布图)。

步骤2：依据求解得到车辆对于每个位置点的转移概率和位置点转移受到各个隐含因素的概率。为了自适应地权衡车辆本身和隐因子的潜在变量，需要考虑一个因车辆而异的自适应因素。车辆的移动受到诸多外界因素影响，交通规则、周围车辆移动状况以及道路状况等等。车辆从位置点a移动到位置点b的可能性也受到这些隐含的因素影响。假设当前车辆从位置点a到位置点b的距离最近，那么车辆移动到位置点b的可能相对来说应该很高。但是，正好旁边车道车辆密度较少，路况也比当前这条车道良好，那么就存在车辆更换车道问题。此时，车辆从位置点a移动到位置点b的概率就会为0。

车载网络是应用到交通系统中的，因此对VANETs的研究应更加偏于其在实际中的应用层面。因此，在分析车辆移动位置点的概率时，加入对隐含因素的考虑能够使得该算法具有更好地可扩展性和适用性。由于车辆移动位置转移受到隐含因素的影响，因此车辆移动潜在变量依赖于隐因子变量。设

为隐因子，隐因子对车辆移动存在不定性，因而取均值为1/2的高斯先验分布比均值为0更好。

将车辆移动位置概率矩阵和关联矩阵合成为一个目标函数。此处，贝叶斯原理被用来对建立所有潜在向量后验概率。

为了求解本文的车辆与位置之间的转移概率，需要对论文参数进行优化，后验概率是常见的一种对于参数的优化方式。估计参数最优，在此处则是对参数进行最大化，因此需要对对数似然函数进行最小化。

其中C是一个不依赖于参数的常数。对上式中的V和L的后验分布进行的最大化和对V和L的最小化二次正则的平方误差是一种等价的关系。

上式中，

表示F-范数。此处梯度下降(Gradient descent，GD)的方法被用来求解问题求解部分的目标函数最小化的问题。

车辆i对位置j的预测为：

根据以上分析，更新车辆移动位置概率矩阵R＝{r_ij}_m*n，并向每辆车发送新的车辆移动位置概率矩阵。

步骤3：依据得到的车辆在下一时刻移动的位置信息，车辆之间位置距离越近的车辆越有可能将被作为下一跳数据转发车辆。车辆之间位置距离公式可以用欧氏距离求得。

上式中，a和b为当前车载网络中距离位置上相对而言比较详尽的两个车辆，a车辆坐标(x_a,y_a)，b车辆坐标(x_b,y_b)，d_ab是a和b当前两个车辆之间的欧氏距离。对上式进行归一化：

d^*为代表归一化后车辆之间的距离，d_i是车辆i到目的车辆之间相隔的距离，

是当前网络中所有相对于目的车辆之间的距离间隔相对较小的车辆的所有距离的总和。数据转发过程中车辆的数据缓存大小对于数据转发成功率也具有很最重要的影响，对于车辆数据缓存进行归一化处理：

c^*为归一化后的车辆缓存，c_i是车辆i缓存，

表示所有距离最近目的车辆转发车辆节点缓存总和。车辆之间数据转发可以根据车辆之间距离和车辆缓存确定下一时刻最优数据转发车辆，用转发能力(FC)表示。计算车辆转发能力，选取转发能力较强的车辆作为数据转发车辆。

FC＝λ(1-d^*)+η×c^* (24)

其中，λ和η是距离和缓存属性权重，满足λ+η＝1，FC取值越大，表示该车辆转发能力越强，越有可能作为下一跳数据转发车辆。相反FC取值越小，车辆转发能力越弱。车辆之间的数据转发会先对整个的当前网络进行探索，之后选择转发能力相对较大的车辆进行信息的传输。

实施例二

本发明的目的是提出一种新的车载网络路由算法。该方法主要研究车辆与位置之间的转移概率和车辆之间位置关系，概率矩阵分解是求解车辆与位置之间转移概率的一种好方法。关联网络用来表示车辆之间的位置关系，可以保证概率的准确性和不必要的计算。利用预测位置信息计算车辆数据转发能力，从而选择最优的车辆节点进行数据转发。

具体步骤如下：

步骤1：位置转移概率：主要表示车辆在下一时刻移动到该位置的概率取值，车辆移动概率计算公式为：

p(L_j,L_i)＝ω(L_j,L_i|ξ,∑) (2)

公式(1)中，p(L_j|L_i)表示车辆v1从当前位置Li，在下一时刻移动到位置Lj的位置转移概率。两个位置车辆v1都会出现的概率为p(L_j,L_i)。p(L_i)是车辆v1出现在位置Li的概率。ξ表示此密度函数中心点。∑表示方差。求解公式(1)条件概率，就是要准确估计公式(2)参数ξ,∑。EM算法是一种常用的参数估计方法。参数ξ,∑的极大似然函数可以进行估计。当前有n个位置。

EM算法由两步构成：E-step和M-step。E-step为车辆移动到位置点Li的概率，M-step依据E-step预测更新参数。

E-step：ω_j:＝p(L_i|L_j；ξ,∑)

M-step：求参数ξ,∑的迭代公式。则参数ξ,∑更新规则为：

E-step已知车辆移动概率。M-step依据估计所得权重取值，再确定参数值。依次迭代重复E-step和M-step，直至取值波动变小。

步骤2：隐含因素：表示车辆移动潜在的关系。车辆下一时刻移动到某位置点的原因不仅仅只是车辆经常出现在该位置点，还存在某些特殊的隐含因素。如车辆的密度、位置关系以及道路限制。

步骤3：位置矩阵分解：已知已有一个位置矩阵R_m,n。m个车辆对于n个位置点的位置转移概率全在位置矩阵中，该位置矩阵是一种高度稀疏矩阵，用r_i,j表示车辆i对位置点j的位置转移概率。如图3所示的车辆与位置点间的移动所构成矩阵，即，位置矩阵。位置矩阵中每一个数字代表了车辆下一时刻移动到该位置点的概率大小。如果在历史移动位置信息中，车辆经常出现在位置点d，则下一时刻车辆移动到位置点d的概率会更高，相反的如果出现的较少，则概率会相对较低。

步骤4：车辆之间位置关系：如图4所示，用车辆之间的关联网络G＝(V,δ)表示，集合V＝{v₁,v₂,...v_m}为当前网络中存在的所有车辆数目，车辆之间的连线说明车辆当前位置关系，箭头方向表明位于该车辆前方的车辆。例如，车辆v1和v2移动在车辆v3前面。关联矩阵Q＝[q_ik]_m*n被定义为是一个二元邻接矩阵。

关联车辆之间移动潜在变量关系可以用一个k维的矩阵向量μ_i表示，是矩阵的列向量，其受到周围所有和该车辆关联的其他车辆影响。对于每一个关联车辆移动潜在变量都可以用均值为0的高斯分布表示，均值设为0是为了防止过拟合。

依据贝叶斯推断，关联潜在变量μ和L后验概率为：

本发明通过分析车辆与位置点之间的关系，构建车辆移动位置概率矩阵。车辆移动由于受限于车辆自身位置关系和诸多外界因素，在考虑车辆移动关系中加入车辆自身位置关系和隐含因素的考虑，较为精确地估计车辆下一时刻出现在某些位置点的概率。

实施例三

如图6-12所示，采用Matlab R2016a(离散事件模拟器环境)模拟RAVP算法，并通过与ICAR、RPUV和贪Greedy算法的性能比较来评估RAVP算法。为了准确评估我们的算法，我们从250km*250km的轨迹区域中选择了较小的区域，这是因为对200000辆车的模拟会使得仿真实验非常缓慢。模拟实验场景模型采用5*5曼哈顿模型，模拟场景为2000m*2000m。在仿真车辆数目高峰期有2000多辆车进入模拟场景，每一时刻仿真场景平均有500多辆车。每辆车都配有802.11b无线无线电接口，车辆之间的通信距离为250米，所有广播设置在同一频道频率。对于RAVP模型，正则化参数设置为λ_V＝λ_L＝λ_μ＝λ_θ＝λ_q＝0.002和θ＝0.05。

用箱线图展示了RAVP算法、ICAR算法、RPUV算法和Greedy算法，在同一仿真场景下的数据传输率性能。RATP算法和CHBRP算法上四分位数和中间值差距非常接近，近乎在0.01。Greedy算法数据传输率相较于其他三种路由协议最低，Greedy路由协议是一种按需路由，在小型网络求解局部最优具有很好的效果。RATP算法传输率优于其他算法原因在于，其通过结合V2I和V2V技术，实现在大量数据负载的情况下，仍能有效的实现数据传输。

验证仿真时间和车辆数目对于数据传输成功率的影响。仿真时间小于0.75(day)四种算法传输率出现猛增状态，仿真时间越短，网络中需要传输的数据包越少，车辆之间的灵敏度较高，传输率也相应比较高。仿真时间在0.75到3.75之间，四种算法传输率表现为下降趋势，RAVP算法和ICAR算法传输率差距比较稳定，刚开始传输率几乎相同。仿真时间增加，网络中数据包数量增多，网络整体资源利用率达到峰值，使得数据包大量丢失，传输率下降。仿真时间在3.75到4.0，传输率增加。网络承载能力达到峰值后会自动做出相应措施让网络重新优良执行任务，因而传输率又出现上升状态。当然，时间继续增加传输率又会降低。车辆数目小于300左右时，RAVP算法、RPUV算法和Greedy三种算法的传输率都出现了增长的趋势。ICAR算法的传输率在车辆数目小于270左右的时候出现增长。在车辆数目270到350出现下降，车辆数目在350到400又出现增长，之后又下降，ICAR算法的传输率在整个过程中出现了跌宕起伏的变化。RAVP算法、RPUV算法和Greedy三种算法在车辆数目大于300后也出现了降低。车辆数目太多，虽然车辆之间的连通性增加，但是相对的算法复杂性也就会随之而变大，网络的整个资源使用比例变大，数据包丢失。因此，在车辆数目相对较大时RAVP算法、ICAR算法、RPUV算法和Greedy四种算法传输率都下降。

验证仿真时间和车辆数目对于延迟影响。RPUV算法延迟随仿真时间先增加后降低再增加，主要由于该算法通过位置信息决定数据包传输路径，避免了数据包丢失问题。仿真时间增加，RAVP算法、ICAR算法和Greedy三种算法平均端到端延迟都呈现增长趋势。这是因为，三种算法在数据包处理方面都未考虑数据包丢失问题，以及数据包的增多算法复杂性的问题。无论如何，RAVP算法延迟相对还是较低。车辆数目小于150左右，RAVP算法延迟比其他三种算法要高。这是因为，车辆数目较少车辆之间的连通性较低中继节点携带数据包的时间相对较长导致延迟增加。车辆数目太多，虽然车辆之间的连通性增加，但是相对的算法复杂性也就会随之而变大，网络的整个资源使用比例变大，数据包丢失。因此，在车辆数目相对较大时RAVP算法、ICAR算法、RPUV算法和Greedy四种算法延迟都下降。

验证仿真时间和车辆数目对于路由开销影响。四种算法路由开销呈现不稳定状态，相对而言RAVP算法变化相对稳定。RAVP算法通过位置转移概率、车辆之间位置关系以及隐含因素对车辆移动影响来确定车辆移动位置信息。数据转发到下一跳车辆时，可以提前预知周围其他车辆移动位置信息，减小了路径寻找时间，降低了路由开销。

RPUV算法通过车辆位置信息确定数据包转发路径，车辆数目较少时，数据包转发需要较长的路径选择时间，增加了路由开销。车辆数目增加，RAVP算法、ICAR算法和Greedy三种算法路由开销逐渐增大。RAVP算法通过位置转移概率、车辆之间位置关系以及隐含因素对车辆移动影响来确定车辆移动位置信息。车辆数目越多，整个网络的车辆之间连通性虽然增大，但信息进行传输选择的车辆转发信息过程就会增加，因此路由开销增大。

还需要说明的是，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、商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、商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、商品或者设备中还存在另外的相同要素。

本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

虽然上面已经参考各种实施例描述了本发明，但是应当理解，在不脱离本发明的范围的情况下，可以进行许多改变和修改。因此，其旨在上述详细描述被认为是例示性的而非限制性的，并且应当理解，以下权利要求(包括所有等同物)旨在限定本发明的精神和范围。以上这些实施例应理解为仅用于说明本发明而不用于限制本发明的保护范围。在阅读了本发明的记载的内容之后，技术人员可以对本发明作各种改动或修改，这些等效变化和修饰同样落入本发明权利要求所限定的范围。

Claims (5)

1.一种基于车辆位置预测的车载网络路由设置方法，其特征在于，所述方法包括：

步骤1：对于车载网络中的任一车辆，计算该车辆对于特定位置的位置转移概率，所述位置转移概率表示该车辆在下一时刻移动到该位置的概率取值；

步骤2：获取车辆移动的隐含因素信息，所述隐含因素信息为影响所述车辆移动的潜在关系；

步骤3：构建车载网络中车辆的位置矩阵R_m,n，其中，所述位置矩阵R_m,n表示m个车辆对于n个位置点的位置转移概率全在位置矩阵中，位置矩阵中每一个数字代表了车辆下一时刻移动到该位置点的概率大小；

步骤4：依据得到的车辆在下一时刻移动的位置信息，车辆之间位置距离越近的车辆越有可能将被作为下一跳数据转发车辆，车辆之间位置距离公式可以用欧氏距离求得，根据车辆的位置矩阵计算车辆之间的位置关系；

步骤5：利用预测位置信息计算车辆数据转发能力，从而选择最优的车辆节点进行数据转发。

2.如权利要求1所述的一种基于车辆位置预测的车载网络路由设置方法，其特征在于，所述步骤1进一步包括：车辆移动概率计算公式：

p(L_j,L_i)＝ω(L_j,L_i|ξ,∑) (2)

其中，公式(1)中的p(L_j|L_i)表示车辆v1从当前位置Li，在下一时刻移动到位置Lj的位置转移概率，两个位置车辆v1都会出现的概率为p(L_j,L_i)，p(L_i)为车辆v1出现在位置Li的概率，ξ表示此密度函数中心点，∑表示方差，通过EM算法对参数ξ,∑的极大似然函数进行估计，设当前有n个位置；

其中，所述EM算法分由两步构成：E-step和M-step，所述E-step为车辆移动到位置点Li的概率，所述M-step依据E-step预测更新参数；

E-step：ω_j:＝p(L_i|L_j；ξ,∑)

M-step：求参数ξ,∑的迭代公式，则参数ξ,∑更新规则为：

3.如权利要求1所述的一种基于车辆位置预测的车载网络路由设置方法，其特征在于，所述步骤2中所述隐含因素信息为车辆的密度、位置关系以及道路限制。

4.如权利要求1所述的一种基于车辆位置预测的车载网络路由设置方法，其特征在于，所述步骤3进一步包括：

假设位置转移概率服从正态分布，位置转移的条件概率为：

其中，用r_i,j表示车辆i对位置点j的位置转移概率，

是概率密度函数，

为指示函数，车辆V和位置点L的特征矩阵满足均值等于0的高斯分布；

上式中，Ι是一个D维的单位对角矩阵，依据贝叶斯公式，车辆V和位置L潜在变量关系满足：

5.如权利要求1所述的一种基于车辆位置预测的车载网络路由设置方法，其特征在于，所述步骤4进一步包括：

关联车辆之间移动潜在变量关系可以用一个k维的矩阵向量μ_i表示，是矩阵μ∈Z^m*k的列向量，其受到周围所有和该车辆关联的其他车辆影响，对于每一个关联车辆移动潜在变量可以用均值为0的高斯分布表示，将均值设为0以防止过拟合；

依据贝叶斯推断，关联潜在变量μ和L后验概率为：

Images