CN112969161A - 车载网络中基于多车辆的内容传递方法、装置 - Google Patents

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

车载网络中基于多车辆的内容传递方法、装置

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，车道i和车道i+I上任意两辆车辆的速度

与

的联合概率密度函数：

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，μ_i和σ_i表示车道i上车辆速度的均值和标准差，c_i为截断参数，保证f(s_i)在区间[s_min,s_max]上的累积概率为1，以此为根据可以求得c_i的值，s_i与s_i+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,...,V_v,...}表示车辆集合，车辆的覆盖范围为r^v，车辆之间的平均传输速率为V^a，请求内容的尺寸为W；

在

最大化时，取得对应的k值。

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。

具体的，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C_m,i+I，且C_m,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C_m,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C_m,i+I中的k个暂存车辆获得请求内容的概率为：

其中，

在

最大化时，取得对应的k值。

具体的，所述在

最大化时，取得对应的k值，包括：

其中，

表示簇C_m,i+I中车辆数量，簇C_m,i+I与请求车辆相遇的过程中，k个暂存车辆均成功传输请求内容的概率为：

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：

其中，a为输入参数对应的序号，j为输出结果对应的序号；

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，N_s表示用于训练的所有样本个数，[Y_g,1,Y_g,2,Y_g,3,Y_g,4]表示第g个样本对应的实际结果，[y_g,1(θ),y_g,2(θ),y_g,3(θ),y_g,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，车道i和车道i+I上任意两辆车辆的速度

与

的联合概率密度函数：

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，μ_i和σ_i表示车道i上车辆速度的均值和标准差，c_i为截断参数，保证f(s_i)在区间[s_min,s_max]上的累积概率为1，以此为根据可以求得c_i的值，s_i与s_i+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,...,V_v,...}表示车辆集合，车辆的覆盖范围为r^v，车辆之间的平均传输速率为V^a，请求内容的尺寸为W；

在

最大化时，取得对应的k值，即缓存优化策略。

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C_m,i+I，且C_m,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C_m,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C_m,i+I中的k个暂存车辆获得请求内容的概率为：

其中，

在

最大化时，取得对应的k值，即缓存优化策略。

本发明实施例中，通过优化暂存车辆的数目k使得请求车辆所在簇成功获得请求内容的概率最大，因此优化问题(可以应用于步骤2和步骤3.2)表示，所述在

最大化时，取得对应的k值，包括：

其中，在步骤2中，NV＝H_x，H_x表示车辆V_x一跳范围内的车辆数目，在步骤3.2中，

表示簇C_m,i+I中车辆数量，簇C_m,i+I与请求车辆相遇的过程中，k个暂存车辆均成功传输请求内容的概率为：

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：

其中，a为输入参数对应的序号，j为输出结果对应的序号；

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，N_s表示用于训练的所有样本个数，[Y_g,1,Y_g,2,Y_g,3,Y_g,4]表示第g个样本对应的实际结果，[y_g,1(θ),y_g,2(θ),y_g,3(θ),y_g,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V_x请求流行度排名为τ的内容，且V_x处于路边单元为R_m的覆盖范围内或者V_x行驶路径上下一个路边单元为R_m，车辆的覆盖范围为r^v，车辆之间的平均传输速率为V^a，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，车道i和车道i+I上任意两辆车辆的速度

与

的联合概率密度函数：

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，μ_i和σ_i表示车道i上车辆速度的均值和标准差，c_i为截断参数，保证f(s_i)在区间[s_min,s_max]上的累积概率为1，以此为根据可以求得c_i的值，s_i与s_i+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,...,V_v,...}表示车辆集合，车辆的覆盖范围为r^v，车辆之间的平均传输速率为V^a，请求内容的尺寸为W；

在

最大化时，取得对应的k值。

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C_m,i+I，且C_m,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C_m,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C_m,i+I中的k个暂存车辆获得请求内容的概率为：

其中，

在

最大化时，取得对应的k值。

本发明实施例中，所述在

最大化时，取得对应的k值，包括：

其中，

表示簇C_m,i+I中的车辆数量，簇C_m,i+I与请求车辆相遇的过程中，k个暂存车辆均成功传输请求内容的概率为：

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：

其中，a为输入参数对应的序号，j为输出结果对应的序号；

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，N_s表示用于训练的所有样本个数，[Y_g,1,Y_g,2,Y_g,3,Y_g,4]表示第g个样本对应的实际结果，[y_g,1(θ),y_g,2(θ),y_g,3(θ),y_g,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，车道i和车道i+I上任意两辆车辆的速度

与

的联合概率密度函数：

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，μ_i和σ_i表示车道i上车辆速度的均值和标准差，c_i为截断参数，保证f(s_i)在区间[s_min,s_max]上的累积概率为1，以此为根据可以求得c_i的值，s_i与s_i+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,...,V_v,...}表示车辆集合，车辆的覆盖范围为r^v，车辆之间的平均传输速率为V^a，请求内容的尺寸为W；

在

最大化时，取得对应的k值。

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。

6.根据权利要求5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，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i+I是请求车辆反向车道的车辆构成内容源簇C_m,i+I，且C_m,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C_m,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C_m,i+I中的k个暂存车辆获得请求内容的概率为：

其中，

在

最大化时，取得对应的k值。

7.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，所述在

最大化时，取得对应的k值，包括：

其中，

表示簇C_m,i+I中车辆数量，簇C_m,i+I与请求车辆相遇的过程中，k个暂存车辆均成功传输请求内容的概率为：

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：

其中，a为输入参数对应的序号，j为输出结果对应的序号；

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，N_s表示用于训练的所有样本个数，[Y_g,1,Y_g,2,Y_g,3,Y_g,4]表示第g个样本对应的实际结果，[y_g,1(θ),y_g,2(θ),y_g,3(θ),y_g,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。

Images