CN112969161A - 车载网络中基于多车辆的内容传递方法、装置 - Google Patents
车载网络中基于多车辆的内容传递方法、装置 Download PDFInfo
- Publication number
- CN112969161A CN112969161A CN202110135560.8A CN202110135560A CN112969161A CN 112969161 A CN112969161 A CN 112969161A CN 202110135560 A CN202110135560 A CN 202110135560A CN 112969161 A CN112969161 A CN 112969161A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- request
- content
- cluster
- vehicles
- 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.)
- Granted
Links
- 238000002716 delivery method Methods 0.000 title claims description 8
- 238000000034 method Methods 0.000 claims abstract description 42
- 230000005540 biological transmission Effects 0.000 claims abstract description 24
- 238000013528 artificial neural network Methods 0.000 claims description 28
- 238000012549 training Methods 0.000 claims description 24
- 230000006854 communication Effects 0.000 claims description 19
- 238000004891 communication Methods 0.000 claims description 17
- PUZPDOWCWNUUKD-UHFFFAOYSA-M sodium fluoride Chemical compound [F-].[Na+] PUZPDOWCWNUUKD-UHFFFAOYSA-M 0.000 claims description 9
- 210000002569 neuron Anatomy 0.000 claims description 8
- 241000854291 Dianthus carthusianorum Species 0.000 claims description 6
- 230000002457 bidirectional effect Effects 0.000 claims description 4
- 230000001186 cumulative effect Effects 0.000 claims description 4
- 238000003062 neural network model Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000012546 transfer Methods 0.000 claims description 4
- 239000000470 constituent Substances 0.000 claims 1
- 230000006870 function Effects 0.000 description 21
- 238000010586 diagram Methods 0.000 description 7
- 238000005457 optimization Methods 0.000 description 5
- 239000000872 buffer Substances 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 2
- 230000002035 prolonged effect Effects 0.000 description 2
- 230000000903 blocking effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
Images
Classifications
-
- 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]
- H04W4/48—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P] for in-vehicle communication
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Signal Processing (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computer Networks & Wireless Communication (AREA)
- Medical Informatics (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种车载网络中基于多车辆的内容传递方法、装置,所述方法包括:步骤1:在同向车道预定范围内若查询得到,内容源车辆将请求内容传输至请求车辆;若步骤1没有查询得到,进行如下步骤2:请求车辆在行驶前方的反向车道的预定范围内查询,若查询得到,请求车辆和内容源车辆分别与预定范围内的其他车辆组成请求簇与内容源簇,内容源簇将请求内容传输至请求簇,最终传输至请求车辆;若步骤2没有查询得到,且请求车辆不在路边单元覆盖范围内时,进行如下步骤3.2:路边单元将请求内容传输至根据预测结果会与请求车辆相遇的内容源簇中,内容源簇将请求内容传输至请求车辆。采用上述方案,提高内容成功传输的概率和降低车辆的请求延时。
Description
技术领域
本发明涉及车载网络技术领域,尤其涉及一种车载网络中基于多车辆的内容传递方法、装置。
背景技术
近年来,随着智能交通系统的快速发展,各种各样的车载应用相继出现在人们的生活中,例如道路安全、智能交通、车内娱乐以及无人驾驶等应用。随着车辆数目的增加,车载网络的通信负荷急剧增加,另外车辆请求的内容需要从内容服务中心开始传输,带来了较长的请求时延,使得用户的体验质量下降。为了降低车载网络的通信负荷,减少车辆的请求时延,人们在车载网络中引入了缓存技术。
缓存技术是在网络内的各个节点处缓存内容,车辆可以直接从周围车辆节点获取需求内容,这样虽然加大了内容在网络内的冗余度,但是可以有效缩短请求车辆获得内容的通信链路,减小内容服务器和网络的流量负荷,同时也减小了车辆的请求时延。为了进一步提高系统的性能,在车载网络中引入了主动缓存方法,主动缓存是指考虑车辆的移动属性,主动在车辆的行驶轨迹上缓存内容,主动缓存方法更加适应车辆快速移动的特点。
车载网络具有拓扑结构动态变化的特点,车辆的高速移动性导致车辆之间的通信链路极其不稳定,使得车辆之间内容成功传输的概率较低。
发明内容
发明目的:本发明提供一种车载网络中基于多车辆的内容传递方法、装置,旨在提高内容成功传输的概率和降低车辆的请求延时。
技术方案:本发明提供一种车载网络中基于多车辆的内容传递方法,其特征在于,包括:
请求车辆按照如下步骤查询请求内容:
步骤1:在同向车道预定范围内若查询得到,内容源车辆将请求内容传输至请求车辆;
若步骤1没有查询得到,进行如下步骤2:请求车辆在行驶前方的反向车道的预定范围内查询,若查询得到,请求车辆和内容源车辆分别与预定范围内的其他车辆组成请求簇与内容源簇,内容源簇将请求内容传输至请求簇,最终传输至请求车辆;
若步骤2没有查询得到,且请求车辆在路边单元覆盖范围内时,进行如下步骤3.1:路边单元将请求内容传输至请求车辆;
若步骤2没有查询得到,且请求车辆不在路边单元覆盖范围内时,进行如下步骤3.2:根据神经网络对车辆行驶轨迹的预测结果将路边单元覆盖范围内的车辆划分为不同的簇,路边单元将请求内容传输至根据预测结果会与请求车辆相遇的内容源簇中,内容源簇将请求内容传输至请求车辆。
具体的,所述步骤1,包括:
在同向车道一跳范围内若查询得到,内容源车辆将请求内容传输至请求车辆;
若在同向车道一跳范围内没有查询得到,在同向车道第二跳范围内查询,若查询得到,内容源车辆以两跳的方式将请求内容传输至请求车辆。
具体的,所述步骤2,包括:
请求车辆在行驶前方的反向车道的两跳范围内若查询得到,请求车辆与内容源车辆分别以自身为簇头,以同向车道一跳范围内的车辆为簇成员构成请求簇与内容源簇;
内容源车辆预先将请求内容平均分成k块并主动缓存在内容源簇内的k辆车中;
在请求簇与内容源簇相遇的过程中,内容源簇的k辆车将各自存储的部分请求内容,以多用户多信道的通信方式分别传输至请求簇的车辆,请求簇的车辆将接收的部分请求内容传输至请求车辆。
具体的,内容源车辆预先将请求内容平均分块,并传输至内容源簇内与自身距离最近的k个暂存车辆;其中k采用如下步骤进行计算:
请求车辆成功从内容源簇中的k个暂存车辆获得请求内容的概率为:
其中,
集合{1,...,i,...,2I}表示车道集合,总数为2I,车道i,i∈[1,I]与车道i+I,i∈[1,I]分别表示道路上的两条双向车道,μi和σi表示车道i上车辆速度的均值和标准差,ci为截断参数,保证f(si)在区间[smin,smax]上的累积概率为1,以此为根据可以求得ci的值,si与si+I具有相同的概率密度函数,G0表示相向行驶的两辆车辆成功传输请求内容时,车辆速度变量的可行域,集合{V1,V2,...,Vv,...}表示车辆集合,车辆的覆盖范围为rv,车辆之间的平均传输速率为Va,请求内容的尺寸为W;
具体的,所述步骤3.2,包括:
根据神经网络的预测,请求车辆行驶前方路边单元的覆盖范围内,下一条行驶车道是请求车辆反向车道的车辆构成内容源簇;
路边单元从内容源簇中选取暂存车辆进行请求内容的传输,在暂存车辆与请求车辆相遇的过程中将请求内容传输至请求车辆。
路边单元将请求内容平均分块,分别传输至Cm,i+I中与请求车辆相遇预测概率排名的前k辆暂存车辆中;其中k采用如下步骤进行计算:
请求车辆成功从Cm,i+I中的k个暂存车辆获得请求内容的概率为:
具体的,所述神经网络的结构,包括:
输入层包括如下输入参数:x1、x2、x3和x4,其中,x1表示车辆的始发地信息,x2表示车辆的目的地信息,x3表示车辆当前所在街道信息,x4表示当前的时刻信息;
隐藏层包括2个隐层,神经元个数分别为17和21;
输出层包括4个神经元,输出层的输出结果为[y1,y2,y3,y4],分别表示车辆在十字路口处选择左拐、直行、右拐及回转的指标;
softmax层,用于对输出层的输出结果进行归一化处理,softmax函数为:
在神经网络的训练中,车辆行驶的历史数据作为训练数据,以训练输出的方向选择概率分布与历史实际数据显示的方向选择概率分布的交叉熵作为训练的目标函数,通过使目标函数取最小值获得神经网络模型中的网络参数,完成训练,其中目标函数表示为:
其中,Ns表示用于训练的所有样本个数,[Yg,1,Yg,2,Yg,3,Yg,4]表示第g个样本对应的实际结果,[yg,1(θ),yg,2(θ),yg,3(θ),yg,4(θ)]表示第g个样本对应的神经网络输出层结果。
本发明还提供一种车载网络中基于多车辆的内容传递装置,包括:第一查询单元、第二查询单元、第三点一查询单元和第三点二查询单元,其中:
所述第一查询单元,用于在同向车道预定范围内若查询得到,内容源车辆将请求内容传输至请求车辆;
若所述第一查询单元没有查询得到,所述第二查询单元,用于请求车辆在行驶前方的反向车道的预定范围内查询,若查询得到,请求车辆和内容源车辆分别与预定范围内的其他车辆组成请求簇与内容源簇,内容源簇将请求内容传输至请求簇,最终传输至请求车辆;
若所述第二查询单元没有查询得到,且请求车辆在路边单元覆盖范围内时,所述第三点一查询单元,用于路边单元将请求内容传输至请求车辆;
若所述第二查询单元没有查询得到,且请求车辆不在路边单元覆盖范围内时,所述第三点二查询单元,用于根据神经网络对车辆行驶轨迹的预测结果将路边单元覆盖范围内的车辆划分为不同的簇,路边单元将请求内容传输至根据预测结果会与请求车辆相遇的内容源簇中,内容源簇将请求内容传输至请求车辆。
具体的,所述第二查询单元,用于请求车辆在行驶前方的反向车道的两跳范围内若查询得到,请求车辆与内容源车辆分别以自身为簇头,以同向车道一跳范围内的车辆为簇成员构成请求簇与内容源簇;
内容源车辆预先将请求内容平均分成k块并主动缓存在内容源簇内的k辆车中;
在请求簇与内容源簇相遇的过程中,内容源簇的k辆车将各自存储的部分请求内容,以多用户多信道的通信方式分别传输至请求簇的车辆,请求簇的车辆将接收的部分请求内容传输至请求车辆。
有益效果:与现有技术相比,本发明具有如下显著优点:显著提升了内容成功传输的概率,降低了车辆的请求延时。
附图说明
图1为本发明提供的车载网络中基于多车辆的内容传递方法的流程示意图;
图2为本发明的系统模型示意图;
图3为本发明提供的神经网络的结构示意图;
图4为请求成功率与请求内容大小的关系示意图;
图5为请求成功率与车辆缓存容量的关系示意图;
图6为请求成功率与Zipf分布参数的关系示意图。
具体实施方式
下面结合附图对本发明的技术方案作进一步说明。
参阅图1,其为本发明提供的车载网络中基于多车辆的内容传递方法的流程示意图。
请求车辆按照步骤1、步骤2、步骤3.1和步骤3.2查询请求内容。
步骤1,在同向车道预定范围内若查询得到,内容源车辆将请求内容传输至请求车辆。
本发明实施例中,在同向车道一跳范围内若查询得到,内容源车辆将请求内容传输至请求车辆;
若在同向车道一跳范围内没有查询得到,在同向车道第二跳范围内查询,若查询得到,内容源车辆以两跳的方式将请求内容传输至请求车辆。
参阅图2,其为本发明的系统模型示意图,其中V1~V18表示车道上的车辆,R1~R4表示路边单元。
在具体实施中,一跳是数据传输过程的中继节点个数,一跳范围表示车辆通信范围。
在具体实施中,例如V1中缓存有V2请求的内容,则V1直接将内容传输给V2;两跳的方式即内容源车辆先将请求内容转发至中继车辆,然后由中继车辆转发至请求车辆,例如,V3的请求内容在同向车道相邻簇内V4中缓存,由于V3在V4的通信范围之内,所以V4以单跳的方式直接将内容传输给V3。
若步骤1没有查询得到,进行步骤2:请求车辆在行驶前方的反向车道的预定范围内查询,若查询得到,请求车辆和内容源车辆分别与预定范围内的其他车辆组成请求簇与内容源簇,内容源簇将请求内容传输至请求簇,最终传输至请求车辆。
在具体实施中,车载网络具有拓扑结构动态变化的特点,车辆的高速移动性导致车辆之间的通信链路极其不稳定,使得车辆之间内容成功传输的概率较低。为了解决车载网络拓扑结构快速变化带来的问题,一个有效的方法就是将车辆划分成簇,由于具有类似属性(例如车辆的速度、位置等)的车辆才会成为同一个簇的成员,所以簇内车辆之间的通信链路的稳定性比较高。
本发明实施例中,请求车辆在行驶前方的反向车道的两跳范围内若查询得到,请求车辆与内容源车辆分别以自身为簇头,以同向车道一跳范围内的车辆为簇成员构成请求簇与内容源簇;
内容源车辆预先将请求内容平均分成k块并主动缓存在内容源簇内的k辆车中;
在请求簇与内容源簇相遇的过程中,内容源簇的k辆车将各自存储的部分请求内容,以多用户多信道的通信方式分别传输至请求簇的车辆,请求簇的车辆将接收的部分请求内容传输至请求车辆。
在具体实施中,例如,V6的请求内容在反向车道上V11缓存,在接收到请求后,V6、V7、V8和V9构成请求簇,V10、V11、V12和V13构成内容源簇,V11根据缓存优化策略将内容均分为3块并分发给V11、V12和V13,在相遇的过程中,V11、V12和V13分别将暂存的内容块传输给V6、V7和V8,再由V7和V8将收到的内容块传输给V6。
在具体实施中,针对两簇相向行驶的情况,本实施例将多用户多信道的传输模式引入簇与簇之间的通信过程,提高了内容成功传输的概率和降低了车辆的请求时延。
本发明实施例中,内容源车辆预先将请求内容平均分块,并传输至内容源簇内与自身距离最近的k个暂存车辆;其中k采用如下步骤进行计算:
请求车辆成功从内容源簇中的k个暂存车辆获得请求内容的概率为:
其中,
集合{1,...,i,...,2I}表示车道集合,总数为2I,车道i,i∈[1,I]与车道i+I,i∈[1,I]分别表示道路上的两条双向车道,μi和σi表示车道i上车辆速度的均值和标准差,ci为截断参数,保证f(si)在区间[smin,smax]上的累积概率为1,以此为根据可以求得ci的值,si与si+I具有相同的概率密度函数,G0表示相向行驶的两辆车辆成功传输请求内容时,车辆速度变量的可行域,集合{V1,V2,...,Vv,...}表示车辆集合,车辆的覆盖范围为rv,车辆之间的平均传输速率为Va,请求内容的尺寸为W;
若步骤2没有查询得到,且请求车辆在路边单元覆盖范围内时,进行如下步骤3.1:路边单元将请求内容传输至请求车辆。
在具体实施中,如果请求车辆同向车道两跳范围内,和请求车辆行驶方向前方反向车道两跳范围内都不存在请求内容,则该请求将转发给路边单元,此时车辆借助路边单元获得内容。如果车辆在路边单元的覆盖范围内,则直接从路边单元获得请求内容,例如,V14在R4的覆盖范围内,V14的请求被转发给R4,R4直接将请求内容传输给V14。
若步骤2没有查询得到,且请求车辆不在路边单元覆盖范围内时,进行如下步骤3.2:根据神经网络对车辆行驶轨迹的预测结果将路边单元覆盖范围内的车辆划分为不同的簇,路边单元将请求内容传输至根据预测结果会与请求车辆相遇的内容源簇中,内容源簇将请求内容依次传输至请求车辆。
在具体实施中,不同于以前的成簇方法,本发明实施例将车辆的预测轨迹作为成簇时考虑的因素,在预测车辆和簇行驶路径的基础上,将车辆的请求内容主动缓存在即将与请求车辆相遇的簇内,为了解决相向行驶车辆由于通信时间太短而不能成功传输内容的问题,采用请求车辆依次从多个暂存车辆获得内容块的方式,延长了请求车辆与暂存车辆之间的通信时间,提高了内容成功传输的概率。
本发明实施例中,根据神经网络的预测,请求车辆行驶前方路边单元的覆盖范围内,下一条行驶车道是请求车辆反向车道的车辆构成内容源簇;
路边单元从内容源簇中选取暂存车辆进行请求内容的传输,在暂存车辆与请求车辆相遇的过程中将请求内容传输至请求车辆。
在具体实施例中,例如,R2将V15的请求传递给R3,R3覆盖范围内下一条预测行驶车道是V15反向车道的车辆构成内容源簇,R3根据缓存优化策略从内容源簇中选择车辆V16、V17和V18作为暂存内容车辆,并且将V15请求内容传输给V16、V17和V18,在相遇的过程中,V16、V17和V18分别将内容传输给V15。
本发明实施例中,根据神经网络的预测,请求车辆行驶前方路边单元的覆盖范围内,下一条行驶车道i+I是请求车辆反向车道的车辆构成内容源簇Cm,i+I,且Cm,i+I中车辆与请求车辆相遇的预测概率从大到小排列后为
路边单元将请求内容平均分块,分别传输至Cm,i+I中与请求车辆相遇预测概率排名的前k辆暂存车辆中;其中k采用如下步骤进行计算:
请求车辆成功从Cm,i+I中的k个暂存车辆获得请求内容的概率为:
参阅图3,其为本发明提供的神经网络的结构示意图。
本发明实施例中,所述神经网络的结构,包括:
输入层包括如下输入参数:x1、x2、x3和x4,其中,x1表示车辆的始发地信息,x2表示车辆的目的地信息,x3表示车辆当前所在街道信息,x4表示当前的时刻信息;
隐藏层包括2个隐层,神经元个数分别为17和21;
输出层包括4个神经元,输出层的输出结果为[y1,y2,y3,y4],分别表示车辆在十字路口处选择左拐、直行、右拐及回转的指标;
softmax层,用于对输出层的输出结果进行归一化处理,softmax函数为:
在神经网络的训练中,车辆行驶的历史数据作为训练数据,以训练输出的方向选择概率分布与历史实际数据显示的方向选择概率分布的交叉熵作为训练的目标函数,通过使目标函数取最小值获得神经网络模型中的网络参数,完成训练,其中目标函数表示为:
其中,Ns表示用于训练的所有样本个数,[Yg,1,Yg,2,Yg,3,Yg,4]表示第g个样本对应的实际结果,[yg,1(θ),yg,2(θ),yg,3(θ),yg,4(θ)]表示第g个样本对应的神经网络输出层结果。
在具体实施中,在请求车辆查询之前的初始化包括:车道i上车辆Vx请求流行度排名为τ的内容,且Vx处于路边单元为Rm的覆盖范围内或者Vx行驶路径上下一个路边单元为Rm,车辆的覆盖范围为rv,车辆之间的平均传输速率为Va,内容的大小为W。
在具体实施中,本发明实施例在车辆成簇的过程中考虑了车辆未来的移动轨迹,提高了簇的稳定性,同时还能获得簇的未来移动轨迹,尤其适用于在城市道路环境,将车辆请求的内容主动缓存在将要与请求车辆相遇的簇内,通过采用请求车辆依次从暂存车辆获得内容块的方式,延长了请求车辆与暂存车辆的通信时间,提高了内容成功传输的概率,在此基础上,本发明实施例还给出了使得请求车辆成功从簇内获得请求内容概率最大化的缓存方法,本发明实施例还将多用户多信道的传输方式引入到两个相向行驶簇之间的通信过程中,既进一步提高了内容成功传输的概率,又降低了车辆的请求时延。
参阅图4~6。图4中,基于中继簇路径预测的内容传递方法的请求成功率随着请求内容的增大始终大于车辆簇与路边单元合作缓存方法的请求成功率;图5中,基于中继簇路径预测的内容传递方法的请求成功率随着车辆缓存空间的增大始终大于车辆簇与路边单元合作缓存方法的请求成功率;图6中,基于中继簇路径预测的内容传递方法的请求成功率随着Zipf分布参数的增大始终大于车辆簇与路边单元合作缓存方法的请求成功率;结合图4、图5和图6可将系统性能在请求成功率上提高了约20%。
本发明还提供一种车载网络中基于多车辆的内容传递装置,包括:第一查询单元、第二查询单元、第三点一查询单元和第三点二查询单元,其中:
所述第一查询单元,用于在同向车道预定范围内若查询得到,内容源车辆将请求内容传输至请求车辆;
若所述第一查询单元没有查询得到,所述第二查询单元,用于请求车辆在行驶前方的反向车道的预定范围内查询,若查询得到,请求车辆和内容源车辆分别与预定范围内的其他车辆组成请求簇与内容源簇,内容源簇将请求内容传输至请求簇,最终传输至请求车辆;
若所述第二查询单元没有查询得到,且请求车辆在路边单元覆盖范围内时,所述第三点一查询单元,用于路边单元将请求内容传输至请求车辆;
若所述第二查询单元没有查询得到,且请求车辆不在路边单元覆盖范围内时,所述第三点二查询单元,用于根据神经网络对车辆行驶轨迹的预测结果将路边单元覆盖范围内的车辆划分为不同的簇,路边单元将请求内容传输至根据预测结果会与请求车辆相遇的内容源簇中,内容源簇将请求内容传输至请求车辆。
本发明实施例中,所述第一查询单元,用于在同向车道一跳范围内若查询得到,内容源车辆将请求内容传输至请求车辆;
若在同向车道一跳范围内没有查询得到,在同向车道第二跳范围内查询,若查询得到,内容源车辆以两跳的方式将请求内容传输至请求车辆。
本发明实施例中,所述第二查询单元,用于请求车辆在行驶前方的反向车道的两跳范围内若查询得到,请求车辆与内容源车辆分别以自身为簇头,以同向车道一跳范围内的车辆为簇成员构成请求簇与内容源簇;
内容源车辆预先将请求内容平均分成k块并主动缓存在内容源簇内的k辆车中;
在请求簇与内容源簇相遇的过程中,内容源簇的k辆车将各自存储的部分请求内容,以多用户多信道的通信方式分别传输至请求簇的车辆,请求簇的车辆将接收的部分请求内容传输至请求车辆。
本发明实施例中,第三点二查询单元,用于内容源车辆预先将请求内容平均分块,并传输至内容源簇内与自身距离最近的k个暂存车辆;其中k采用如下步骤进行计算:
请求车辆成功从内容源簇中的k个暂存车辆获得请求内容的概率为:
其中,
集合{1,...,i,...,2I}表示车道集合,总数为2I,车道i,i∈[1,I]与车道i+I,i∈[1,I]分别表示道路上的两条双向车道,μi和σi表示车道i上车辆速度的均值和标准差,ci为截断参数,保证f(si)在区间[smin,smax]上的累积概率为1,以此为根据可以求得ci的值,si与si+I具有相同的概率密度函数,G0表示相向行驶的两辆车辆成功传输请求内容时,车辆速度变量的可行域,集合{V1,V2,...,Vv,...}表示车辆集合,车辆的覆盖范围为rv,车辆之间的平均传输速率为Va,请求内容的尺寸为W;
本发明实施例中,所述第三点二查询单元,用于根据神经网络的预测,请求车辆行驶前方路边单元的覆盖范围内,下一条行驶车道是请求车辆反向车道的车辆构成内容源簇;
路边单元从内容源簇中选取暂存车辆进行请求内容的传输,在暂存车辆与请求车辆相遇的过程中将请求内容传输至请求车辆。
本发明实施例中,所述第三点二查询单元,用于根据神经网络的预测,请求车辆行驶前方路边单元的覆盖范围内,下一条行驶车道i+I是请求车辆反向车道的车辆构成内容源簇Cm,i+I,且Cm,i+I中车辆与请求车辆相遇的预测概率从大到小排列后为
路边单元将请求内容平均分块,分别传输至Cm,i+I中与请求车辆相遇预测概率排名的前k辆暂存车辆中;其中k采用如下步骤进行计算:
请求车辆成功从Cm,i+I中的k个暂存车辆获得请求内容的概率为:
本发明实施例中,所述神经网络的结构,包括:
输入层包括如下输入参数:x1、x2、x3和x4,其中,x1表示车辆的始发地信息,x2表示车辆的目的地信息,x3表示车辆当前所在街道信息,x4表示当前的时刻信息;
隐藏层包括2个隐层,神经元个数分别为17和21;
输出层包括4个神经元,输出层的输出结果为[y1,y2,y3,y4],分别表示车辆在十字路口处选择左拐、直行、右拐及回转的指标;
softmax层,用于对输出层的输出结果进行归一化处理,softmax函数为:
在神经网络的训练中,车辆行驶的历史数据作为训练数据,以训练输出的方向选择概率分布与历史实际数据显示的方向选择概率分布的交叉熵作为训练的目标函数,通过使目标函数取最小值获得神经网络模型中的网络参数,完成训练,其中目标函数表示为:
其中,Ns表示用于训练的所有样本个数,[Yg,1,Yg,2,Yg,3,Yg,4]表示第g个样本对应的实际结果,[yg,1(θ),yg,2(θ),yg,3(θ),yg,4(θ)]表示第g个样本对应的神经网络输出层结果。
Claims (10)
1.一种车载网络中基于多车辆的内容传递方法,其特征在于,包括:
请求车辆按照如下步骤查询请求内容:
步骤1:在同向车道预定范围内若查询得到,内容源车辆将请求内容传输至请求车辆;
若步骤1没有查询得到,进行如下步骤2:请求车辆在行驶前方的反向车道的预定范围内查询,若查询得到,请求车辆和内容源车辆分别与预定范围内的其他车辆组成请求簇与内容源簇,内容源簇将请求内容传输至请求簇,最终传输至请求车辆;
若步骤2没有查询得到,且请求车辆在路边单元覆盖范围内时,进行如下步骤3.1:路边单元将请求内容传输至请求车辆;
若步骤2没有查询得到,且请求车辆不在路边单元覆盖范围内时,进行如下步骤3.2:根据神经网络对车辆行驶轨迹的预测结果将路边单元覆盖范围内的车辆划分为不同的簇,路边单元将请求内容传输至根据预测结果会与请求车辆相遇的内容源簇中,内容源簇将请求内容传输至请求车辆。
2.根据权利要求1所述的车载网络中基于多车辆的内容传递方法,其特征在于,所述步骤1,包括:
在同向车道一跳范围内若查询得到,内容源车辆将请求内容传输至请求车辆;
若在同向车道一跳范围内没有查询得到,在同向车道第二跳范围内查询,若查询得到,内容源车辆以两跳的方式将请求内容传输至请求车辆。
3.根据权利要求1所述的车载网络中基于多车辆的内容传递方法,其特征在于,所述步骤2,包括:
请求车辆在行驶前方的反向车道的两跳范围内若查询得到,请求车辆与内容源车辆分别以自身为簇头,以同向车道一跳范围内的车辆为簇成员构成请求簇与内容源簇;
内容源车辆预先将请求内容平均分成k块并主动缓存在内容源簇内的k辆车中;
在请求簇与内容源簇相遇的过程中,内容源簇的k辆车将各自存储的部分请求内容,以多用户多信道的通信方式分别传输至请求簇的车辆,请求簇的车辆将接收的部分请求内容传输至请求车辆。
4.根据权利要求3所述的车载网络中基于多车辆的内容传递方法,其特征在于,所述内容源车辆预先将请求内容平均分成k块并主动缓存在内容源簇内的k辆车中,包括:
内容源车辆预先将请求内容平均分块,并传输至内容源簇内与自身距离最近的k个暂存车辆;其中k采用如下步骤进行计算:
请求车辆成功从内容源簇中的k个暂存车辆获得请求内容的概率为:
其中,
集合{1,...,i,...,2I}表示车道集合,总数为2I,车道i,i∈[1,I]与车道i+I,i∈[1,I]分别表示道路上的两条双向车道,μi和σi表示车道i上车辆速度的均值和标准差,ci为截断参数,保证f(si)在区间[smin,smax]上的累积概率为1,以此为根据可以求得ci的值,si与si+I具有相同的概率密度函数,G0表示相向行驶的两辆车辆成功传输请求内容时,车辆速度变量的可行域,集合{V1,V2,...,Vv,...}表示车辆集合,车辆的覆盖范围为rv,车辆之间的平均传输速率为Va,请求内容的尺寸为W;
5.根据权利要求4所述的车载网络中基于多车辆的内容传递方法,其特征在于,所述步骤3.2,包括:
根据神经网络的预测,请求车辆行驶前方路边单元的覆盖范围内,下一条行驶车道是请求车辆反向车道的车辆构成内容源簇;
路边单元从内容源簇中选取暂存车辆进行请求内容的传输,在暂存车辆与请求车辆相遇的过程中将请求内容传输至请求车辆。
8.根据权利要求6所述的车载网络中基于多车辆的内容传递方法,其特征在于,所述神经网络的结构,包括:
输入层包括如下输入参数:x1、x2、x3和x4,其中,x1表示车辆的始发地信息,x2表示车辆的目的地信息,x3表示车辆当前所在街道信息,x4表示当前的时刻信息;
隐藏层包括2个隐层,神经元个数分别为17和21;
输出层包括4个神经元,输出层的输出结果为[y1,y2,y3,y4],分别表示车辆在十字路口处选择左拐、直行、右拐及回转的指标;
softmax层,用于对输出层的输出结果进行归一化处理,softmax函数为:
在神经网络的训练中,车辆行驶的历史数据作为训练数据,以训练输出的方向选择概率分布与历史实际数据显示的方向选择概率分布的交叉熵作为训练的目标函数,通过使目标函数取最小值获得神经网络模型中的网络参数,完成训练,其中目标函数表示为:
其中,Ns表示用于训练的所有样本个数,[Yg,1,Yg,2,Yg,3,Yg,4]表示第g个样本对应的实际结果,[yg,1(θ),yg,2(θ),yg,3(θ),yg,4(θ)]表示第g个样本对应的神经网络输出层结果。
9.一种车载网络中基于多车辆的内容传递装置,其特征在于,包括:第一查询单元、第二查询单元、第三点一查询单元和第三点二查询单元,其中:
所述第一查询单元,用于在同向车道预定范围内若查询得到,内容源车辆将请求内容传输至请求车辆;
若所述第一查询单元没有查询得到,所述第二查询单元,用于请求车辆在行驶前方的反向车道的预定范围内查询,若查询得到,请求车辆和内容源车辆分别与预定范围内的其他车辆组成请求簇与内容源簇,内容源簇将请求内容传输至请求簇,最终传输至请求车辆;
若所述第二查询单元没有查询得到,且请求车辆在路边单元覆盖范围内时,所述第三点一查询单元,用于路边单元将请求内容传输至请求车辆;
若所述第二查询单元没有查询得到,且请求车辆不在路边单元覆盖范围内时,所述第三点二查询单元,用于根据神经网络对车辆行驶轨迹的预测结果将路边单元覆盖范围内的车辆划分为不同的簇,路边单元将请求内容传输至根据预测结果会与请求车辆相遇的内容源簇中,内容源簇将请求内容传输至请求车辆。
10.根据权利要求9所述的车载网络中基于多车辆的内容传递装置,其特征在于,所述第二查询单元,用于请求车辆在行驶前方的反向车道的两跳范围内若查询得到,请求车辆与内容源车辆分别以自身为簇头,以同向车道一跳范围内的车辆为簇成员构成请求簇与内容源簇;
内容源车辆预先将请求内容平均分成k块并主动缓存在内容源簇内的k辆车中;
在请求簇与内容源簇相遇的过程中,内容源簇的k辆车将各自存储的部分请求内容,以多用户多信道的通信方式分别传输至请求簇的车辆,请求簇的车辆将接收的部分请求内容传输至请求车辆。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110135560.8A CN112969161B (zh) | 2021-02-01 | 2021-02-01 | 车载网络中基于多车辆的内容传递方法、装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110135560.8A CN112969161B (zh) | 2021-02-01 | 2021-02-01 | 车载网络中基于多车辆的内容传递方法、装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112969161A true CN112969161A (zh) | 2021-06-15 |
CN112969161B CN112969161B (zh) | 2023-01-31 |
Family
ID=76273539
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110135560.8A Active CN112969161B (zh) | 2021-02-01 | 2021-02-01 | 车载网络中基于多车辆的内容传递方法、装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112969161B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115065926A (zh) * | 2022-05-23 | 2022-09-16 | 南京邮电大学 | 基于请求概率的路边单元部署与内容缓存和传输方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107302576A (zh) * | 2017-06-19 | 2017-10-27 | 长安大学 | 车联网环境下基于机会通信的自适应服务数据分发方法 |
CN108834098A (zh) * | 2018-04-28 | 2018-11-16 | 长安大学 | 一种基于命名数据网络的车联网数据转发方法 |
CN109600715A (zh) * | 2018-11-29 | 2019-04-09 | 哈尔滨工程大学 | 一种车联网v2x通信辅助文件下载方法 |
CN109831758A (zh) * | 2019-03-19 | 2019-05-31 | 南京邮电大学 | 基于服务类型的车载自组织网络中内容转发节点选择方法 |
CN110351686A (zh) * | 2018-04-02 | 2019-10-18 | 京东方科技集团股份有限公司 | 车联网数据传输系统中实施的方法、车载单元、以及车联网数据传输系统 |
-
2021
- 2021-02-01 CN CN202110135560.8A patent/CN112969161B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107302576A (zh) * | 2017-06-19 | 2017-10-27 | 长安大学 | 车联网环境下基于机会通信的自适应服务数据分发方法 |
CN110351686A (zh) * | 2018-04-02 | 2019-10-18 | 京东方科技集团股份有限公司 | 车联网数据传输系统中实施的方法、车载单元、以及车联网数据传输系统 |
CN108834098A (zh) * | 2018-04-28 | 2018-11-16 | 长安大学 | 一种基于命名数据网络的车联网数据转发方法 |
CN109600715A (zh) * | 2018-11-29 | 2019-04-09 | 哈尔滨工程大学 | 一种车联网v2x通信辅助文件下载方法 |
CN109831758A (zh) * | 2019-03-19 | 2019-05-31 | 南京邮电大学 | 基于服务类型的车载自组织网络中内容转发节点选择方法 |
Non-Patent Citations (4)
Title |
---|
TIANJIAO ZHANG; QI ZHU: "EVC-TDMA: An enhanced TDMA based cooperative MAC protocol for vehicular networks", 《JOURNAL OF COMMUNICATIONS AND NETWORKS》 * |
卢怡睿: "基于网络编码与分簇的车载自组网数据分发算法", 《计算机应用》 * |
朱金奇等: "车载自组织网络中停放车辆合作的多媒体内容分发", 《电子科技大学学报》 * |
汤媛媛; 朱琦; 胡晗: "基于内容及留存时间的VANETs转发策略", 《计算机技术与发展》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115065926A (zh) * | 2022-05-23 | 2022-09-16 | 南京邮电大学 | 基于请求概率的路边单元部署与内容缓存和传输方法 |
CN115065926B (zh) * | 2022-05-23 | 2024-08-09 | 南京邮电大学 | 基于请求概率的路边单元部署与内容缓存和传输方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112969161B (zh) | 2023-01-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111385734B (zh) | 一种车联网内容缓存决策优化方法 | |
CN113283177B (zh) | 一种基于异步联邦学习的移动感知缓存方法 | |
CN109600715B (zh) | 一种车联网v2x通信辅助文件下载方法 | |
CN113543071B (zh) | 一种车联网环境下异构节点协作边缘缓存方法 | |
CN113905354B (zh) | 一种基于区域内容流行度的车载网络内容传递方法及系统 | |
CN106255153B (zh) | 车联网下具有缓存能力的车辆分群协作传输方法 | |
CN112908011B (zh) | 一种基于能耗的无人驾驶HD Map数据分发方法 | |
CN112969161B (zh) | 车载网络中基于多车辆的内容传递方法、装置 | |
CN113055488A (zh) | 多层联邦深度强化学习的车辆边缘协作缓存方法及系统 | |
WO2023159986A1 (zh) | 一种分层网络体系结构中的协作缓存方法 | |
CN114374741A (zh) | Mec环境下基于强化学习的动态分组车联网缓存方法 | |
CN107274713A (zh) | 一种基于簇的停车诱导方法 | |
CN108834098B (zh) | 一种基于命名数据网络的车联网数据转发方法 | |
CN108882150B (zh) | 一种基于分簇和相遇感知的信息中心车载网络路由方法 | |
CN110248392B (zh) | 一种车联网中基于节点效能的机会转发方法 | |
Uchikawa et al. | Filter multicast: A dynamic platooning management method | |
US11985186B1 (en) | Method of drone-assisted caching in in-vehicle network based on geographic location | |
CN106304147B (zh) | 车联网环境下一种基于交通基础设施的协作缓存方法 | |
CN116782181B (zh) | 基于分簇和q学习的车联网自适应路由方法 | |
WO2024164528A1 (zh) | 一种基于地理位置的车载网络中无人机辅助缓存方法 | |
CN114666842B (zh) | 一种基于车辆分簇的协作缓存方法 | |
CN111641923A (zh) | 基于雾计算的社交车联网双模式兴趣标签转发系统及方法 | |
Kshirsagar et al. | An intelligent traffic management and accident prevention system based on VANET | |
Tao et al. | Digital Twin and DRL-Driven Semantic Dissemination for 6G Autonomous Driving Service | |
CN115065926B (zh) | 基于请求概率的路边单元部署与内容缓存和传输方法 |
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 |