CN111565430A - 一种基于预测轨迹的海洋船舶无线网络路由方法 - Google Patents

Abstract

本发明是用于海洋船舶无线通信网络的路由方法。主要思想是根据轨迹模型预测船舶轨迹，并计算置信度表，衡量船舶对数据的送达潜能，以此作为转发指标来指导路由的决策。本路由方法主要包括以下步骤：首先每艘船舶对自己的历史数据集训练轨迹模型，并给出预测置信度表。然后，在航行过程中，收集自己和其他船舶的状态信息，建立相遇图。其次，找到相遇图中所有以相遇节点构成的通信路径，并计算送达潜能。最后综合所有可能的路径，计算船舶对接收节点的传送潜能作为路由决策的指标。本路由协议在保证传输性能的基础上大大降低了传送时延和成本，十分适用于海洋船舶的无线通信与海洋传感数据的收集。

Description

一种基于预测轨迹的海洋船舶无线网络路由方法

技术领域

本发明适用于海洋船舶无线自组网络的数据传输，是一种基于船舶预测轨迹的路由方法，支持点对点的数据传输。基本原理是将数据包转发给送达潜能最高的相遇船舶来提高整体路由性能。

背景技术

近年来船舶搭载的无线通信技术与其信息存储容量不断提升，海洋上各种类型船舶数量也不断增加。这些因素为船舶间的信息传播提供可能。船舶无线通信网络是由海洋上航行的船舶作为通信网络节点而组成的新型无线通信网络，主要为解决岸上基站对海洋覆盖不足和卫星通信成本过高等问题。船舶通过其上搭载的无线通信设备与其通信半径内的船舶或其他类型的通信设施进行通信。按照发射功率与发射频率不同，其通信半径通常在几千米到几十千米之间。在船舶无线网络中，每艘船舶都可成为数据源节点，接收节点和候选中继节点。

船舶无线通信网络的用途很多，不仅可以较低成本满足信息广播、信息共享等船舶间的通信需求，而且还可通过收集海洋数据为科研活动提供数据支持。相比于陆地上无线自组织通信网络，船舶无线自组织通信网络有自己的特点。其主要包括：首先，船舶分布在广阔的海洋平面上，因此形成的网络密度低，不能保证全部连通。其次，船舶的分布会随季节或天气的影响而发生显著变化，并且会根据所执行任务不同形成不同群体。其次，网络中任意两节点之间的多跳通信路径可能很难建立，这是由于通信区域的扩大与船舶节点的密度较低导致的。最后，每艘船舶会根据自己的意愿航行，并受到多种主客观因素影响。这会导致已经建立的通信路径发生变化。这使得船舶轨迹的预测精度也会受到一定影响。

现有移动无线通信网络主要应用于陆上通信设备，其核心是如何选择候选节点传播数据，提高数据包的传递成功率。要实现这一点，路由协议一般需要获得节点的已有知识库并评估其送达潜力，进行路由决策。现有相关工作可分为三类，模型假设、社交关系分析和轨迹预测。模型假设对节点的移动性仅做出简单假设，如假设模型都按照某种固定模式进行移动。模型假设会降低建模难度，但也限制了预测精度。节点的社交关系分析通过对节点的历史接触信息进行分析，并建立各种社交属性来评估节点之间关系的远近，来预测未来节点的接触的概率。但该方法仅能评估接触的概率，却不能给出接触的时间点。对未来轨迹建模即通过各种模型对节点现在位置与未来的轨迹进行建模，通常可得到更高精度的预测。

随着深度神经网络的发展，可以建模超长时间序列，对节点的未来轨迹做出精准预测。通过对历史状态信息的分析，每个节点都可得到自己的训练完成的模型。在任意区域都可根据当前状态预测未来一段时间轨迹信息。因此，船舶就可得到自己的未来信息，并通过分享获得其他节点的多条未来轨迹信息。综合考虑所有节点未来轨迹，建立所有可能的通信路径并评估其送达潜能，路由协议就可以高效选择候选节点船舶数据。

发明内容

本发明结合海洋船舶轨迹的移动特性，对不同候选船舶的送达潜能进行评估，并将之作为路由决策的指标，形成一种适合海洋自组织网络通信的路由方法，支持点对点的信息传输。

为了评估候选船舶对特定目的送达潜能，本发明是通过以下技术方案来解决其技术问题，包括以下步骤：

1. 将船舶轨迹预测转化为监督学习问题。单个样本包含输入序列与输出序列，且输入序列长度与输出序列长度比值大于1。

2. 构建每条船舶的轨迹模型，使用训练集样本训练模型。模型结构的首层为一维卷积层，其步长为单个时间状态所包含的特征数量。其次是多层堆叠的双向长短期记忆层，为轨迹模型主要的特征提取器，提取序列中的潜在信息。最后是归一化层与输出层的叠加，用于调整层间输出分布与输出预测序列。输出层宽度与样本输出序列长度相等。通过滑动窗口，向后延长轨迹的预测长度。

3. 将轨迹模型在数据集上的预测误差视作随机变量，使用其均值与方差对该随机变量拟合正态分布。然后，选取经验误差与通信半径计算预测每步置信度。该置信度表示为经验误差和通信半径各自平方的比值与分布的加权:

。

4. 每艘船舶通过相遇时的通信分布式地获取其他船舶的未来轨迹与置信度表，并根据获得信息建立船舶航行路径图。只要任意两个船舶的路径在未来时刻距离小于通信半径，都记录为一个潜在的可能相遇。

5. 对船舶航行路径图中每个潜在的相遇计算其通信置信度。两个船舶在路径交叉点的通信置信度定义为这两艘船舶该时间戳的置信度乘积。

6. 在其建立的船舶航行路径图中搜索船舶经过多跳转发到达数据接收节点的所有可能的传播路径。并计算船舶在每条传输路径上的送达潜能，计算方法是传输路径上所有相遇点通信置信度的乘积。

7. 综合所有传输路径的送达潜能，计算船舶对每个数据接收节点的送达潜能。计算方法为将每条传输路径的送达潜能转化为送达失败的情况，然后转化为至少在一条路径上送达潜能：

。

8. 基于相遇船舶对接受节点的送达潜能，当前船舶可以决定是否要将数据转发给该相遇船舶。对所有相遇船舶，转发数据给具有高于设定阈值的送达潜能的船舶。

本发明的优点在于：

1. 本发明所述的路由方法使用历史数据集对未来轨迹进行建模，预测时计算量小，精度较高。并可根据数据的更新，进行二次训练。其预测结果可用于置信度表的计算和相遇图的建立。预测长度可通过滑动窗口扩展。

2. 本发明基于预测误差和通信半径设计置信度表，对轨迹模型的预测结果进行评估，帮助路由协议作出高效的路由决策，提高整体性能。

3. 本发明所述的路由方法对船舶的送达潜能的估计，大大提高了数据传输的针对性和效率，在保证传输成功率的基础上能够大大降低传输代价和时延。

本路由更能适用于海洋领域下的船舶无线自组织通信网络，在真实数据集的航行数据的仿真实验也证明了本发明的实用和高效。

附图说明

图1是轨迹模型的结构。

图2是置信度计算结果。

图3路由方法基本思想。

具体实施方式

本发明是用于海洋领域的船舶无线通信网络的路由方法。主要思想是根据建模预测的未来轨迹与置信度表，来衡量船舶对数据包的送达潜能，由此作为转发指标来提高路由进行高效的路由决策。

下面结合附图对本发明做进一步的详细说明。

附图1展示了轨迹模型的结构示意图。如附图1所示，模型的输入为Inputsequence，代表当前航行的状态序列。输出为Output sequence，代表要预测的状态序列。模型结构的首层为一维卷积层，其次是多层堆叠的双向长短期记忆层，最后是归一化层与输出层的叠加，用于调整层间输出分布与输出预测序列。输出层宽度与样本输出序列长度相等。附图1也展示了单个长短期记忆模型的内部结构。σ代表sigmoid非线性激活函数，×代表对输入执行相乘，+代表合并对应输入。h(t)和y(t)代表t时刻单元的输入和输出。模型学习一个序列到序列的映射。

附图2展示了路由决策中用到的置信度计算结果。将每艘船舶建立的轨迹模型的每步预测误差视作随机变量，并使用其在历史数据集上的均值

和标准差

拟合正态分布。选取

作为每步的经验误差。则预测置信度其计算方法为：

。附图2中展示了通信半径R等于15公里时对置信度的影响。该置信度取决于每步选取的经验误差与设定的通信半径有关。通信半径越大，每步预测误差越小，其置信度越高。

附图3用一个简单的实例解释了本路由方法的基本思想。图中船舶节点a,b,c,d,e在一个小区域内的数据转发。船a在时间t0遇到了它的邻居b，c，并想把它的包裹送到e。虚线代表每艘船舶的预测轨迹。虚线圆代表相应船的预测的未来位置，每个预测位置包含其预测置信度E与时间点t。故c与e之间的送达潜能可被计算为：

。而船b和船e在t2时间有交叉点，该路径送达潜能为：

。同时，b和e也有可能以二跳相遇，该路径送达潜能为：

。因此，船b在跳数减一的情况下的送达潜能为：

。对基于轨迹的路由协议，其性能会随着轨迹预测精准度提升而提升。

Claims (6)

1.一种基于预测轨迹的船舶无线网络路由方法，其特征在于：

（1）船舶无线自组织网络具有许多特点，区别于陆地无线自组织网络，这些特点主要包括：首先，船舶航行在特定海域，其范围通常远大于陆地，因此由船舶组成的无线通信网络密度低，网络间通信时延较大且对延迟的容忍度较高，其次，网络中不同区域船舶分布数量很不均匀，该分布受到鱼群分布和天气等因素影响，不同船舶间的通信很困难，同时，船舶无线网络中，船舶的移动性也会破坏已经建立的通信路径，因此多跳的数据包传递成功率会相对降低，最后，船舶按照自己的意愿移动，未来轨迹受到其所执行的任务和季节等因素的影响，较难精准预测；

（2）本路由解决的问题是从数据的发送节点建立多条路径把信息传播到接收节点，这种信息传输类型的应用十分广泛，比如船舶信息分享以及留言功能等；

（3）本路由方法包含计算一个节点对特定接受节点的送达潜能，当一艘船舶携带着一份数据在其通信半径内遇到了另一艘还没有这份数据的船舶，我们称它们分别为为源节点和候选转发节点，源节点需要根据候选转发节点的送达潜能决定是否要将数据包传递给该候选转发节点；

（4）为了达到（3）的设计目的，本路由方法包含基于双层长短期记忆模型的轨迹预测模型，

使用历史位置信息与速度，航向等组成历史状态信息去建模预测未来状态序列；

（5）为了计算相遇节点对接受节点的送达潜能，本路由方法包含一个基于历史经验误差与通信半径的置信度表，该置信度表记录每步预测的置信度。

2.为了得到船舶的长期未来预测轨迹，本路由策略包含对船舶独立建立的轨迹预测模型，其特征在于：

（1）将数据集中的轨迹序列转化为有监督学习问题，其每个样本包含输入序列和预测序列，作为轨迹模型的训练样本；

（2）在模型的首层使用一维卷积提取序列中的信息特征，其步长取决于单个时间状态所包含的特征数量；

（3）使用双向长短期记忆层作为轨迹模型的主要的特征提取器，输出为未来特定时间段的状态信息，其预测长度可通过滑动窗口进一步扩展。

3.为了计算通信路径上的送达潜能，本路由策略设计了轨迹模型的置信度表，其特征如下：

（1）把轨迹模型在历史数据集上的每一步预测误差视作随机变量，使用其均值和方差拟合正态分布，选取经验误差，该经验误差用于衡量真实场景下预测的偏差；

（2）根据每步选取的经验误差和船舶的通信半径，该置信度表示为经验误差和通信半径各自平方的比值与分布的加权。

4.为了估计一个相遇节点对一个接收节点的送达潜能，本路由策略包括以下步骤：

（1）每个艘船会不断记录自己的航行状态，并在航行离开陆地通信覆盖范围时，获取网络其他节点的未来轨迹及置信度表，同时，其对自己的未来的轨迹进行预测，并得到自己基于历史的置信度表；

（2）当每艘船舶与其他船舶节点相遇的时候，可以进行通信，互相共享自己未来的行驶路径，不断重复共享路径的过程，整个网络中的船舶可以获得局部小范围中所有其他船舶的未来路径以及预测置信度；

（3）基于自己和其他船舶的未来轨迹以及置信度表，每艘船舶节点可以基于自己收集到的所有其他船舶路径信息建立相遇图，对相遇图内在相同时刻内距离小于通信半径的船舶，表示为可能的相遇，并根据置信度表评估相遇的置信度，通信路径由相遇节点组成；

（4）要计算一个候选相遇节点可以组成的通信路径上的送达潜能，就是能通过这个节点把一个数据包传输到一个接收节点的可能性，首先，整个网络对每个数据包有跳数和生存时间的限制，在该限制下，基于自己的评估结果，可以计算每条由该相遇节点组成的路由路径传递成功的潜能，然后，综合考虑网络中所有可能以该节点组成的路径以及限制，可以得到该节点送达潜能。

5.基于路径送达潜能，综合所有可能到达接收节点的传输路径就可以计算某一个候选节点的送达潜能，其计算方法为将每条传输路径的送达潜能转化为送达失败的情况，然后转化为至少在一条路径上的送达潜能：

。

6.如权利要求1所述的基于未来轨迹的海洋船舶无线网络的路由方法，其特征在于使用历史状态信息获取未来轨迹以及置信度表，该置信度表可用帮助路由方法计算多跳下相遇节点的送达潜能，若计算得到的送达潜能高于阈值，则该船舶可决定转发数据。

Images