CN113992560A - 一种活跃度感知的社交车辆分簇方法、装置及计算机设备 - Google Patents
一种活跃度感知的社交车辆分簇方法、装置及计算机设备 Download PDFInfo
- Publication number
- CN113992560A CN113992560A CN202111401827.XA CN202111401827A CN113992560A CN 113992560 A CN113992560 A CN 113992560A CN 202111401827 A CN202111401827 A CN 202111401827A CN 113992560 A CN113992560 A CN 113992560A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- similarity score
- social
- activity
- cluster head
- 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
- 238000000034 method Methods 0.000 title claims abstract description 58
- 241000854291 Dianthus carthusianorum Species 0.000 claims abstract description 85
- 230000000694 effects Effects 0.000 claims abstract description 49
- 238000012216 screening Methods 0.000 claims abstract description 22
- 230000001133 acceleration Effects 0.000 claims abstract description 19
- 238000012545 processing Methods 0.000 claims abstract description 15
- 238000004364 calculation method Methods 0.000 claims description 35
- 230000003993 interaction Effects 0.000 claims description 17
- 239000000126 substance Substances 0.000 claims description 11
- 230000005540 biological transmission Effects 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 abstract description 34
- 230000006855 networking Effects 0.000 abstract description 4
- 238000013461 design Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 230000000875 corresponding effect Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 230000011273 social behavior Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L45/00—Routing or path finding of packets in data switching networks
- H04L45/46—Cluster building
-
- 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]
- H04W4/46—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P] for vehicle-to-vehicle communication [V2V]
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W40/00—Communication routing or communication path finding
- H04W40/24—Connectivity information management, e.g. connectivity discovery or connectivity update
- H04W40/32—Connectivity information management, e.g. connectivity discovery or connectivity update for defining a routing cluster membership
-
- 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)
- Traffic Control Systems (AREA)
Abstract
本发明涉及车联网系统中车辆分簇算法设计领域，特别涉及一种活跃度感知的社交车辆分簇方法、装置及计算机设备，所述方法包括根据车辆的相对加速度、相对速度和相对距离计算出移动相似性分值；根据车辆的兴趣相似度计算出社交相似性分值；将移动相似性分值与社交相似性分值加权求和得到总相似性分值；使用基数排序法筛选出总相似性分值最高的车辆作为簇头候选者；根据车辆的历史数据处理量和车辆的请求资源次数计算出活跃度值；对簇头候选者车辆进行活跃度值判断以筛选出簇头车辆；通过向所述簇头车辆的一跳邻居发送加入邀请以确定簇员，完成车辆分簇；本发明在保证集群稳定性的前提下，能够提升了簇内车辆的亲密度，保证了分簇的稳定性和可靠性。
Description
技术领域
本发明涉及车联网系统中车辆分簇设计领域，特别涉及一种活跃度感知的社交车辆分簇方法、装置及计算机设备。
背景技术
随着自动驾驶技术的高速发展，智能交通系统中的车辆自组织网络(VehicularAd Hoc Network,VANET)能够显著提升系统安全性和用户满意度，因而受到了广泛的关注和研究。在VANET中，配备无线接口的车辆可以通过车对车(Vehicle to Vehicle,V2V)通信方式直接与附近的车辆通信；同时，也可以与固定的路边单元(Road Side Unit,RSU)进行通信，称为车辆对基础设施(Vehicle to Infrastructure,V2I)通信方式。当车辆高速移动时，拓扑持续变化，V2V和V2I通信方式下存在传输链路不稳定甚至中断的问题，已成为面向应用的VANET亟待解决的瓶颈问题。
目前，分簇算法可以将具有相似特性的车辆集聚在一起，通过单个集群内部簇头与簇员之间交互以及多个集群簇头行数据交互，能够有效解决上述VANET中信息传输的链路不稳定问题。而最小编号分簇算法是最早提出的经典分簇算法，仅利用车辆的编号进行分簇，其簇头选取指标的维度单一且未考虑车辆速度和距离等物理属性因素的影响，因此难以应用于实际VANET中。移动分簇算法首次在分簇算法中引入移动相似性，系统中每个车辆节点根据接收信号强度计算其相对于所有邻居的移动性，聚合移动性最低者当选簇头。在基于目的地的自适应移动性感知分簇算法中，目的地相似的车辆被划分至同一集群，该算法将车辆的相对目的地、最终目的地、相对速度和当前位置进行加权和计算来筛选簇头。近年来，有分簇方案将车辆移动方向、相对速度、相对距离和链路寿命作为筛选指标，得到的簇头移动相似性较强，在VANET中的适用性有所提高。
上述仅仅考虑物理属性的分簇算法已无法满足未来车联网中分簇人性化和簇内高亲密度等需求。于是，近年来国内外学者将社交属性的概念引入VANET中，研究具有社交属性的新型车辆分簇算法。基于权重的车辆分簇算法将不信任值引入分簇算法，计算车辆不信任值、熵值、邻居数量和相对位置的加权和，分值最小者当选簇头，该算法可以实现系统中恶意节点的筛选。针对车载社交网络，MAGLARAS L等人认为车辆的宏观社会行为被考虑为分簇因素，微观行为与其结合对应至不同的社交模式。LIN K等人将社区中心度作为簇头筛选指标之一的算法也被研究，旨在从拓扑结构角度寻找最稳定的簇头。
然而，这些技术缺少了没有考虑车辆网络拓扑变化的情况，并忽视了车辆驾驶者的意图，同时并未考虑车辆自身的社交意愿是否强烈以及个人喜好等信息是否能够可信存储的问题。
发明内容
为解决以上现有技术中存在的问题，本发明设计了一种活跃度感知的社交车辆分簇方法、装置及计算机设备，计算对由相对加速度、相对速度和相对距离构成的移动相似性分值以及由兴趣相似度定义的社交相似性分值，使用基数排序法对相似性分值进行排序得到簇头候选者；通过活跃度值排序，最终筛选出真正有社交意愿和能力的簇头，在保证稳定性的基础上提升簇内亲密度。
在本发明的第一方面，本发明提供了一种活跃度感知的社交车辆分簇方法，所述方法包括根据车辆的相对加速度、相对速度和相对距离计算出移动相似性分值；根据车辆的兴趣相似度计算出社交相似性分值；将所述移动相似性分值与所述社交相似性分值加权求和得到总相似性分值；使用基数排序法筛选出总相似性分值最高的车辆作为簇头候选者；根据车辆的历史数据处理量和车辆的请求资源次数计算出活跃度值；对簇头候选者车辆进行活跃度值判断以筛选出簇头车辆；通过向所述簇头车辆的一跳邻居发送加入邀请以确定簇员，完成车辆分簇。
在本发明的第二方面，本发明还提供了一种活跃度感知的社交车辆分簇装置，所述装置搭载在服务器上，所述装置包括：
第一计算模块，根据车辆的相对加速度、相对速度和相对距离计算出移动相似性分值；
第二计算模块，根据车辆的兴趣相似度计算出社交相似性分值；
第三计算模块，将所述移动相似性分值与所述社交相似性分值加权求和得到总相似性分值；
第一筛选模块，使用基数排序法筛选出总相似性分值最高的车辆作为簇头候选者；
第四计算模块，根据车辆的历史数据处理量和车辆的请求资源次数计算出活跃度值；
第二筛选模块，对簇头候选者车辆进行活跃度值判断以筛选出簇头车辆；
车辆分簇模块，通过向所述簇头车辆的一跳邻居发送加入邀请以确定簇员，完成车辆分簇。
在本发明的第三方面，本发明还提供了一种计算机设备，包括：存储器和处理器；
存储器；用于存储所述处理器可执行指令的存储器；
其中，所述处理器被配置为由所述处理器执行如本发明第一方面所述的一种活跃度感知的社交车辆分簇方法。
本发明的有益效果：
本发明提出了一种活跃度感知的社交车辆分簇方法、装置及计算机设备。利用基数排序算法对由移动相似性和社交相似性构成的车辆间相似性分值进行降序排序，得到簇头候选者车辆。而后，利用车辆活跃度值对簇头候选者进行筛选。车辆活跃度越高，与周围车辆交互的意愿就越强烈，与周围车辆的关系会越亲密。仿真结果表明，本发明在保证集群稳定性的前提下，能够提升簇内亲密度，相较于传统最小编号算法亲密度提升了5.8％，相较于动态分簇算法、自适应分簇算法提升了11.7％。
附图说明
图1为本发明构建的社交车联网三层体系架构图；
图2为本发明实施例中活跃度感知的社交车辆分簇中簇的定义图；
图3为本发明实施例中活跃度感知的社交车辆分簇方法的中车辆状态转换图；
图4为本发明实施例中活跃度感知的社交车辆分簇方法的流程图；
图5为本发明优选实施例中活跃度感知的社交车辆分簇方法的流程图；
图6为本发明实施例中活跃度感知的社交车辆分簇装置的结构图；
图7为本发明与其他算法所采用的同一种分簇场景图。
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。
下面对本发明实施例提供的活跃度感知的社交车辆分簇方法的应用场景进行介绍。
图1为本发明构建的社交车联网三层体系架构图，如图1所示，整体网络架构分为三层，区块链层、物理层与社交关系层。在物理层中，每辆车对应于社交关系层中的一个节点，每个基站对应于区块链层中的一个节点，车辆用户在通信条件的限制下，通过建立V2I或V2V链路进行资源的请求及共享。在社交关系层中，车辆用户构成了由多个稳定集群组成的社交网络，每个稳定集群中包括一个簇头和多个组内成员，簇头和组内成员之间通过簇内共享的方式实现连接。在区块链层，构成了由基站维护的分布式车辆隐私信息存储网络。
本发明是针对物理实体层中车辆的分簇技术研究，基于上述要求，本发明对簇的定义进行了说明，图2为本发明活跃度感知的社交车辆分簇中簇的定义图；如图2所示，每辆车根据对其物理相似性和兴趣相似性的判断，选择分值最高的车辆。而后在再对其进行活跃度筛选，活跃度越高映射到社交关系层的节点越大。图2中的两个簇Ci和Ci+1已用矩形框标出，簇头的社交活跃度最高位于中心位置，具有相同兴趣的车辆构成一个簇，其中，簇头与组员之间的距离Dvi,vj小于车辆间的稳定通信范围Dst,v。
由于分簇过程中车辆会进行不同角色的转换，基于此条件，本发明对车辆的4种状态进行了说明，如图3所示。所有车辆进入系统后的初始状态为未定义状态(UD)，随即计时器TUD开始计时，计时结束若收到来自簇头的信标消息Beacon_Msg，状态转换至簇员。若未收到，车辆会计算自身的综合相似性分值及活跃度值，超过设定阈值的车辆成为簇头候选者，簇头候选者中活跃度最高者成为簇头。若计时结束车辆仍处在未定义状态，则会单独成簇做簇头，但一跳邻居表为空集的簇头最终会进入别的簇成为簇员。
在目前的车辆分簇技术中，车辆高速移动、拓扑持续变化导致传输链路出现不稳定甚至中断的问题，因此通过设计合理的分簇方法维持信息交互过程的稳定性显得尤为重要。同时，代表车主意愿的车辆有明显的社交偏好，因此如何通过合理的量化方法组成亲密度高的集群成为亟待解决的问题。
基于上述分析，本发明实施例设定中当车辆进入道路，分簇方法即会触发，基于此要求，本发明提供了一种活跃度感知的社交车辆分簇方法，如图4所示，所述方法包括：
S1、根据车辆的相对加速度、相对速度和相对距离计算出移动相似性分值；在本发明实施例中，考虑到车辆的移动性，因此移动相似性计算式如下：
其中，S表示车辆的移动相似性分值，这里指的是车辆i的移动相似性分值，MobSimi,j表示车辆i与车辆j之间的移动相似值，D表示车辆i可通信范围内一跳邻居的数量。
其中，
表示两车之间的相对加速度，ai表示车辆i的加速度，aj表示车辆j的加速度；
表示两车之间的相对速度，veli表示车辆i的速度，velj表示车辆j的速度；
表示两车之间的相对距离，xi表示车辆i的横坐标，xj表示车辆j的横坐标，yi表示车辆i的纵坐标，yj表示车辆j的纵坐标。
S2、根据车辆的兴趣相似度计算出社交相似性分值；
在本发明实施例中，针对某一兴趣点α，相似度计算公式如下：
其中，I表示车辆的社交相似性分值，这里指的是车辆i的社交相似性分值，InSimi,j表示车辆i与车辆j之间的社交相似性分值；
Ivαi表示车辆i针对兴趣点α的兴趣度，Ivαj表示车辆j针对兴趣点α的兴趣度；D表示车辆i可通信范围内一跳邻居的数量。
S3、将所述移动相似性分值与所述社交相似性分值加权求和得到总相似性分值；
对于相似性分值的计算，由移动相似性和兴趣相似度两部分构成。其中，移动相似性包含车辆对其一跳邻居相对速度、相对距离及相对加速度的计算。兴趣相似度包含两车对某一内容感兴趣程度的计算。车辆与其一跳邻居车辆的速度、加速度及距离越接近，一跳邻居越多，则其相似性分值越高，就越有机会成为簇头。相似性分值的计算公式：
Scorc＝pS+qI
其中，p和q为权重因子，p+q＝1，p,q∈[0,1]。
S4、使用基数排序法筛选出总相似性分值最高的车辆作为簇头候选者；
在本发明实施例中，基数排序属于分配式排序，它是透过键值的部份资讯，将要排序的元素分配至某些“桶”中，藉以达到排序的作用，基数排序法是属于稳定性的排序，其时间复杂度为O(nlog(r)m)，其中r为所采取的基数，而m为堆数，在某些时候，基数排序法的效率高于其它的稳定性排序法。
其中，权重因子q取值与道路场景存在对应关系。当场景为早、晚高峰堵车道路时，q的取值范围为(0.1,1]；当场景为正常城市道路时，q的取值范围为(0.2,1]；当场景为高速道路时，q的取值范围为(0,0.2]。由于本文分簇过程是动态变化的，为了方便说明，在本文(仿真时间500s、车辆速度60km/h、成簇数为5)的仿真条件下，道路上总车辆约为500辆，当车辆检测到周围车辆满4辆时，会触发分簇算法。每辆车分别计算与周围一跳邻居的归一化相似性分值，计算结果保留3位小数，而后乘1000，得到三位数整数。使用最低位优先的基数排序法，分别按照“个位”、“十位”、“百位”的顺序进行排序，其中，“桶”的个数为5。最终得到该组内车辆相似性分值的排序情况，选择排名首位的车辆作为簇头候选者。
S5、根据车辆的历史数据处理量和车辆的请求资源次数计算出活跃度值；
对于活跃度值的计算，本发明中活跃度主要考虑了车辆节点与其他车辆关于兴趣点α交互的历史数据计算量以及向路边单元或基站请求与α相关资源的次数。如下式所示：
其中，
表示车辆i针对兴趣点α的活跃度值；
代表车辆i在历史时间段内的有关兴趣点α数据处理量的归一化数值，
代表车辆i在历史时间段内与路边单元或基站有关兴趣点α的交互次数。
数据处理量的归一化数值
可以体现出车辆实际传输数据的能力，其计算公式如下所示：
其中，
β＝(β1+β2+...+βN)/N为权重系数，
为过去N天处理数据量的加权平均值，
为车辆i当日累积处理数据量；
表示数据处理量的最大值，
表示数据处理量的最小值；具体的计算公式如下：
其中，Ri表示车辆i的数据传输速率，Ri＝Blog2(1+SNRi,j)，B表示带宽，SNRi,j表示车辆i与车辆j之间信噪比，SNRi,j＝pihi,j/N0，pi为vi的传输发射功率，hi,j代表车辆i与车辆j的传输信道增益，N0代表高斯白噪声功率；Ti表示车辆i与其他车辆关于兴趣点α交互的总时间，
表示车辆i与车辆j关于兴趣点α的交互时间。
其中，
权重系数γ＝(γ1+γ2+...+γN)/N，
代表过去N天交互次数的加权平均值；
代表车辆i当日向所有基础设施请求关于兴趣点α资源的总次数，Req(iα,Infj)表示车辆i向某一基础设施Infj请求关于兴趣点α资源的次数，具体的计算公式如下：
在本发明的实施例中，N≥3，本发明实施例中可以选择任意大于或等于三天交互次数的数据以及处理数据量。
在本发明的优选实施例中，为了保证数据的准确性，根据艾宾浩斯遗忘曲线，当N＝3时，最近三天的交互内容最能反映车辆数据和车辆关系。
在本发明的优选实施例中，假设本发明系统中兴趣点种类为C，由于兴趣点之间存在流行度的区分，因此，活跃度公式可以改进为基于内容流行度的活跃度公式。如下式所示：
其中，SActi表示车辆i的活跃度值；
代表排名为x的兴趣点α所占概率，x为系统中兴趣点的排名，s为可调节的参数；
表示车辆i对兴趣点α的兴趣度值。
本发明提出的基于内容流行度的活跃度值计算方法中，出于车辆具有多个兴趣点的考量，一方面车辆针对某兴趣点具有对应的活跃度，另一方面，每个不同的兴趣点具有其内容流行度排名，从而可以进行内容流行度概率计算。本发明将以上两点同时考虑，将车辆针对不同兴趣点的活跃度值加权求和，从而反映出了符合内容流行度趋势的车辆活跃度值，跟常规方法相比，更加突出了车辆的社交属性，提高了分簇的准确性。
可以理解的是，相似度和活跃度是最重要的两个指标。车辆间首先要满足一定的移动相似性及社交相似性，同时要具备较强烈的社交活跃意愿，否则无法进行后续的数据共享。车辆在组成集群的过程中，相似度分值、活跃度值的合理衡量及筛选可以得到具备社交能力和意愿的簇头车辆，从而保持集群的稳定性、提高簇内亲密度。
其中，当车辆进行相似度值计算时，本发明设定车辆以时间间隔tI接连进入长度为L的一段道路，车辆行驶速度最大为120km/h，初始状态为UD的车辆进入系统后会周期性地广播信标消息，消息中包含车辆的物理属性(车辆ID、位置、速度)、社交属性及状态信息。信标消息在一跳邻居车辆中进行广播以建立、更新一跳邻居列表(Cluster Member List,CML)。车辆进入网络后会等待TUD时间，如果在这期间收到了来自CH的信标消息Beacon_Msg，同时车辆与CH方向相同、兴趣相似度高，车辆将传回加入簇，否则会忽略该信标消息。
S6、对簇头候选者车辆进行活跃度值判断以筛选出簇头车辆；
在本发明实施例中，车辆会计算自身的总相似性分值及活跃度值，超过总相似性分值设定阈值的车辆成为簇头候选者，而簇头候选者中活跃度值最高者则成为簇头。
S7、通过向所述簇头车辆的一跳邻居发送加入邀请以确定簇员，完成车辆分簇。
在一个实施例中，图5为本发明优选实施例中活跃度感知的社交车辆分簇方法的流程图，如图5所示，车辆驶入地图后属性信息初始化，状态为未定义状态(UD)。而后该实例车辆会进入一段倒计时，在计时期间若车辆未收到任何消息，则自动变为簇头(CH)，若在倒计时内收到了来自周围车辆的服务消息service Msg，车辆会将自身ID与该消息内CH_ID和CM_ID进行比对，若与CM_ID相同，车辆状态转换为CM，否则并非该簇成员，重新进入其他分簇过程。若未收到service Msg，车辆会判断是否监听到了Beacon Msg，若监听到了会对分簇条件进行一系列判断，如：是否满足分簇数阈值、相似性分值是否最高、活跃度值是否超过阈值等问题。若未满足条件，则实例车辆重新回到分簇起始点，进行新一轮分簇过程，若满足条件，则车辆状态最终转换为CH，分簇完成。
图6为本发明实施例中活跃度感知的社交车辆分簇装置的结构图，如图6所示，所述装置搭载在服务器上，所述装置200包括：
第一计算模块201，根据车辆的相对加速度、相对速度和相对距离计算出移动相似性分值；
在本发明实施例中，考虑到车辆的移动性，因此移动相似性计算式如下：
其中，MobSimi,j表示车辆i与车辆j之间的移动相似值，D表示车辆i可通信范围内一跳邻居的数量。
其中，
表示两车之间的相对加速度，
表示两车之间的相对速度，
表示两车之间的相对距离。
第二计算模块202，根据车辆的兴趣相似度计算出社交相似性分值；
在本发明实施例中，针对某一兴趣点α，相似度计算公式如下：
其中，I表示车辆的社交相似性分值，InSimi,j表示车辆i与车辆j之间的社交相似性分值；
Ivαi表示车辆i针对兴趣点α的兴趣度，Ivαj表示车辆j针对兴趣点α的兴趣度；D表示车辆i可通信范围内一跳邻居的数量。
第三计算模块203，将所述移动相似性分值与所述社交相似性分值加权求和得到总相似性分值；
在本发明实施例中，对于相似性分值的计算，由移动相似性和兴趣相似度两部分构成。其中，移动相似性包含车辆对其一跳邻居相对速度、相对距离及相对加速度的计算。兴趣相似度包含两车对某一内容感兴趣程度的计算。车辆与其一跳邻居车辆的速度、加速度及距离越接近，一跳邻居越多，则其相似性分值越高，就越有机会成为簇头。相似性分值的计算公式：
Scorc＝pS+qI
其中，p和q为权重因子，p+q＝1，p,q∈[0,1]。
第一筛选模块204，使用基数排序法筛选出总相似性分值最高的车辆作为簇头候选者；
在本发明实施例中，基数排序属于分配式排序，它是透过键值的部份资讯，将要排序的元素分配至某些“桶”中，藉以达到排序的作用，基数排序法是属于稳定性的排序，其时间复杂度为O(nlog(r)m)，其中r为所采取的基数，而m为堆数，在某些时候，基数排序法的效率高于其它的稳定性排序法。
第四计算模块205，根据车辆的历史数据处理量和车辆的请求资源次数计算出活跃度值；
在本发明实施例中，
对于活跃度值的计算，本发明中活跃度主要考虑了车辆节点与其他车辆关于兴趣点α交互的历史数据计算量以及向路边单元或基站请求与α相关资源的次数。如下式所示：
其中，
表示车辆i针对兴趣点α的活跃度值；
代表车辆i在历史时间段内的有关兴趣点α数据处理量的归一化数值，
代表车辆i在历史时间段内与路边单元或基站有关兴趣点α的交互次数。假设本发明系统中兴趣点种类为C，由于兴趣点之间存在流行度的区分，因此，活跃度公式可以改进为基于内容流行度的活跃度公式。如下式所示：
其中，
表示车辆i的活跃度值；C代表了兴趣点的种类数，
代表排名为x的兴趣点α所占概率，x为系统中兴趣点的排名，s为可调节的参数；
表示车辆i对兴趣点α的兴趣度值。
第二筛选模块206，对簇头候选者车辆进行活跃度值判断以筛选出簇头车辆；
在本发明实施例中，车辆会计算自身的总相似性分值及活跃度值，超过总相似性分值设定阈值的车辆成为簇头候选者，而簇头候选者中活跃度值最高者则成为簇头，因此，所述第二筛选模块206会根据第一筛选模块204筛选出的簇头候选者与第四计算模块计算出的活跃度值，来筛选出活跃度值最高者的簇头车辆。
车辆分簇模块207，通过向所述簇头车辆的一跳邻居发送加入邀请以确定簇员，完成车辆分簇。
根据本发明的实施例，本发明还提供了一种计算机设备，所述计算机设备旨在各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。计算机设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。
所述计算机设备包括：处理器、存储器。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理。
存储器即为本发明所提供的非瞬时计算机可读存储介质。其中，存储器存储有可由至少一个处理器执行的指令，以使至少一个处理器执行本发明所提供的一种活跃度感知的社交车辆分簇方法。本发明的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本发明所提供的一种活跃度感知的社交车辆分簇方法。
存储器作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本发明实施例中的一种活跃度感知的社交车辆分簇方法对应的程序指令/模块(例如，附图6所示的第一计算模块201，第二计算模块202，第三计算模块203、第一筛选模块204、第四计算模块205、第二筛选模块206以及车辆分簇模块207)。处理器通过运行存储在存储器中的非瞬时软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例中的一种活跃度感知的社交车辆分簇方法。
在本实施例中，计算由相对加速度、相对速度和相对距离构成的移动相似性分值以及由兴趣相似度定义的社交相似性分值；利用基数排序算法对上述两值加权求和得到车辆总相似度分值进行排序并筛选出分值最高的车辆作为簇头候选者；引入了由车辆历史数据处理量和车辆请求资源次数构成的活跃度的概念，对簇头候选者进行活跃度值判断，筛选出真正有社交意愿和能力的簇头；最后向簇头的一跳邻居发送加入邀请以确定该簇的成员，分簇过程结束。
针对常见的城市道路场景，接下来将基于上述场景的条件分别对四种算法选出的簇头参数进行对比，在对比前，首先对簇内5辆车的总相似性分值Scorc、移动相似性分值S、社交相似性分值I以及活跃度值
进行研究。图7显示了簇内车辆1号至5号的Scorc、S、I和
可以看出3号的S最高，4号的Scorc和I都最高，5号的
最高。即综合相似性分值Scorc最高的车辆不一定同时具有最高的S和I。而后对四种不同算法选出的簇头进行数值对比，如表所示，本发明选出的簇头ID为4，经典最小编号分簇算法选出的簇头ID为1，自适应分簇算法和动态分簇算法选出的簇头ID为3。其相对应的Scorc、S、I和
分别在表1中给出。
由表1可知，经典最小编号分簇算法由于仅考虑簇头编号最小的原则，选出的簇头1号
最低，同时Scorc、S、I也都是最低的；自适应分簇算法和动态分簇算法仅仅考虑了距离、相对速度、加速度等物理属性相似性，选出的簇头3号S最高，但I和
都不突出，Scorc也并非最高。而本发明分簇方法在考虑移动相似性的基础上，还考虑了车辆社交相似性以及活跃度的阈值判断，选出的簇头4号综合相似性分值Scorc和社交相似性分值I最高，S次高。本发明相较于其它分簇算法在保持了稳定性的同时，集群的亲密度相较于经典最小编号算法提升了5.8％，相较于动态分簇算法、自适应分簇算法提高了11.7％。
表1 簇头筛选结果对比
在本发明的描述中，需要理解的是，术语“同轴”、“底部”、“一端”、“顶部”、“中部”、“另一端”、“上”、“一侧”、“顶部”、“内”、“外”、“前部”、“中央”、“两端”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
在本发明中，除非另有明确的规定和限定，术语“安装”、“设置”、“连接”、“固定”、“旋转”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系，除非另有明确的限定，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
Claims (10)
1.一种活跃度感知的社交车辆分簇方法，其特征在于，所述方法包括根据车辆的相对加速度、相对速度和相对距离计算出移动相似性分值；根据车辆的兴趣相似度计算出社交相似性分值；将所述移动相似性分值与所述社交相似性分值加权求和得到总相似性分值；使用基数排序法筛选出总相似性分值最高的车辆作为簇头候选者；根据车辆的历史数据处理量和车辆的请求资源次数计算出活跃度值；对簇头候选者车辆进行活跃度值判断以筛选出簇头车辆；通过向所述簇头车辆的一跳邻居发送加入邀请以确定簇员，完成车辆分簇。
2.根据权利要求1所述的一种活跃度感知的社交车辆分簇方法，其特征在于，所述移动相似性分值的计算公式为：
其中，S表示车辆的移动相似性分值，MobSimi,j表示车辆i与车辆j之间的移动相似值，
ai,j表示车辆i与车辆j之间的相对加速度，veli,j表示车辆i与车辆j之间的相对速度，Di,j表示两车之间的相对距离；D表示车辆i可通信范围内一跳邻居的数量。
3.根据权利要求1所述的一种活跃度感知的社交车辆分簇方法，其特征在于，所述社交相似性分值的计算公式为：
其中，I表示车辆的社交相似性分值，InSimi,j表示车辆i与车辆j之间的社交相似性分值；
Ivαi表示车辆i针对兴趣点α的兴趣度，Ivαj表示车辆j针对兴趣点α的兴趣度；D表示车辆i可通信范围内一跳邻居的数量。
4.根据权利要求1所述的一种活跃度感知的社交车辆分簇方法，其特征在于，所述使用基数排序法筛选出总相似性分值最高的车辆作为簇头候选者包括每辆车将计算所得与周围车辆的移动相似性值与社交相似性值进行加权求和，得到车辆的相似性分值，对车辆的相似度分值进行排序，选择排名首位的车辆作为簇头候选者。
5.根据权利要求1所述的一种活跃度感知的社交车辆分簇方法，其特征在于，所述活跃度值的计算公式为：
其中，
表示车辆i的活跃度值；
代表车辆i在历史时间段内的数据处理量的归一化数值，
代表车辆i在历史时间段内与路边单元或基站的交互次数。
6.根据权利要求5所述的一种活跃度感知的社交车辆分簇方法，其特征在于，所述车辆i在历史时间段内的数据处理量的归一化数值的计算公式为：
其中，
权重系数β＝(β1+β2+...+βN)/N，
为过去N天处理数据量的加权平均值，
为车辆i当日累积处理数据量，
Ri表示车辆i的数据传输速率，Ri＝Blog2(1+SNRi,j)，B表示带宽，SNRi,j表示车辆i与车辆j之间信噪比，SNRi,j＝pihi,j/N0，pi为vi的传输发射功率，hi,j代表车辆i与车辆j的传输信道增益，N0代表高斯白噪声功率；Ti表示车辆i与其他车辆交互的总时间，
J表示车辆i在一日内交互过信息的车辆总数；ti,j表示车辆i与车辆j的交互时间。
7.根据权利要求5所述的一种活跃度感知的社交车辆分簇方法，其特征在于，所述车辆i在历史时间段内与路边单元或基站的交互次数的计算公式为：
其中，
为交互次数，权重系数γ＝(γ1+γ2+...+γN)/N，
代表过去N天交互次数的加权平均值；
代表车辆i当日向所有基础设施请求资源的总次数，
Req(i,Infj)表示车辆i向某一基础设施Infj请求资源的次数。
8.根据权利要求1所述的一种活跃度感知的社交车辆分簇方法，其特征在于，所述活跃度值的计算公式还为：
其中，
表示车辆i的活跃度值；C代表了兴趣点的种类数，
代表排名为x的兴趣点α所占概率，x为系统中兴趣点的排名，s为可调节的参数；
表示车辆i对兴趣点α的兴趣度值。
9.一种活跃度感知的社交车辆分簇装置，其特征在于，所述装置搭载在服务器上，所述装置包括：
第一计算模块，根据车辆的相对加速度、相对速度和相对距离计算出移动相似性分值；
第二计算模块，根据车辆的兴趣相似度计算出社交相似性分值；
第三计算模块，将所述移动相似性分值与所述社交相似性分值加权求和得到总相似性分值；
第一筛选模块，使用基数排序法筛选出总相似性分值最高的车辆作为簇头候选者；
第四计算模块，根据车辆的历史数据处理量和车辆的请求资源次数计算出活跃度值；
第二筛选模块，对簇头候选者车辆进行活跃度值判断以筛选出簇头车辆；
车辆分簇模块，通过向所述簇头车辆的一跳邻居发送加入邀请以确定簇员，完成车辆分簇。
10.一种计算机设备，其特征在于，包括：存储器和处理器；
存储器；用于存储所述处理器可执行指令的存储器；
其中，所述处理器被配置为由所述处理器执行如权利要求1至8任一项所述的一种活跃度感知的社交车辆分簇方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111401827.XA CN113992560B (zh) | 2021-11-24 | 2021-11-24 | 一种活跃度感知的社交车辆分簇方法、装置及计算机设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111401827.XA CN113992560B (zh) | 2021-11-24 | 2021-11-24 | 一种活跃度感知的社交车辆分簇方法、装置及计算机设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113992560A true CN113992560A (zh) | 2022-01-28 |
| CN113992560B CN113992560B (zh) | 2023-12-29 |
Family
ID=79750192
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111401827.XA Active CN113992560B (zh) | 2021-11-24 | 2021-11-24 | 一种活跃度感知的社交车辆分簇方法、装置及计算机设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113992560B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115131967A (zh) * | 2022-06-27 | 2022-09-30 | 天津理工大学 | 一种基于簇族和模糊逻辑的交通态势感知方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103781148A (zh) * | 2014-02-25 | 2014-05-07 | 重庆邮电大学 | 车载自组织网络中基于链路感知的稳定成簇路由方法 |
| CN103973789A (zh) * | 2014-05-07 | 2014-08-06 | 重庆邮电大学 | 一种联合车辆历史信用及当前状态的vanet成簇方法 |
| CN107426694A (zh) * | 2017-06-26 | 2017-12-01 | 湖南大学 | 一种车载自组织网络的模糊分簇算法 |
| CN108650657A (zh) * | 2018-04-20 | 2018-10-12 | 京东方科技集团股份有限公司 | 一种车联网中的内容分发方法、内容更新方法和相关装置 |
| CN108712731A (zh) * | 2018-05-25 | 2018-10-26 | 南京邮电大学 | 基于模糊逻辑选择vanet分簇中最佳簇头的方法 |
| CN113329368A (zh) * | 2021-06-07 | 2021-08-31 | 清华大学深圳国际研究生院 | 一种基于亲和传播算法的路由分簇方法及装置 |
-
2021
- 2021-11-24 CN CN202111401827.XA patent/CN113992560B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103781148A (zh) * | 2014-02-25 | 2014-05-07 | 重庆邮电大学 | 车载自组织网络中基于链路感知的稳定成簇路由方法 |
| CN103973789A (zh) * | 2014-05-07 | 2014-08-06 | 重庆邮电大学 | 一种联合车辆历史信用及当前状态的vanet成簇方法 |
| CN107426694A (zh) * | 2017-06-26 | 2017-12-01 | 湖南大学 | 一种车载自组织网络的模糊分簇算法 |
| CN108650657A (zh) * | 2018-04-20 | 2018-10-12 | 京东方科技集团股份有限公司 | 一种车联网中的内容分发方法、内容更新方法和相关装置 |
| US20190327588A1 (en) * | 2018-04-20 | 2019-10-24 | Boe Technology Group Co., Ltd. | Content delivery method and content update method for internet of vehicles |
| CN108712731A (zh) * | 2018-05-25 | 2018-10-26 | 南京邮电大学 | 基于模糊逻辑选择vanet分簇中最佳簇头的方法 |
| CN113329368A (zh) * | 2021-06-07 | 2021-08-31 | 清华大学深圳国际研究生院 | 一种基于亲和传播算法的路由分簇方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| 张卫刚等: "一种基于权重的动态分簇算法", 《暨南大学学报(自然科学与医学版)》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115131967A (zh) * | 2022-06-27 | 2022-09-30 | 天津理工大学 | 一种基于簇族和模糊逻辑的交通态势感知方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113992560B (zh) | 2023-12-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wu et al. | Spatial intelligence toward trustworthy vehicular IoT | |
| Jiang et al. | Resource allocation of video streaming over vehicular networks: A survey, some research issues and challenges | |
| Wang et al. | Offloading mobile data traffic for QoS-aware service provision in vehicular cyber-physical systems | |
| CN108777852A (zh) | 一种车联网内容边缘卸载方法、移动资源分配系统 | |
| Althamary et al. | A survey on multi-agent reinforcement learning methods for vehicular networks | |
| CN106102099B (zh) | 一种基于驻留时间的异构车联网切换方法 | |
| Hossain et al. | Multi-objective Harris hawks optimization algorithm based 2-Hop routing algorithm for CR-VANET | |
| Wu et al. | Load balance guaranteed vehicle-to-vehicle computation offloading for min-max fairness in VANETs | |
| CN105704031B (zh) | 一种数据传输路径确定方法及装置 | |
| Arkian et al. | FcVcA: A fuzzy clustering-based vehicular cloud architecture | |
| Guleng et al. | Edge-based V2X communications with big data intelligence | |
| CN115209426B (zh) | 一种边缘车联网内数字孪生服务器动态部署方法 | |
| Tamani et al. | On link stability metric and fuzzy quantification for service selection in mobile vehicular cloud | |
| Cha et al. | Fuzzy logic based client selection for federated learning in vehicular networks | |
| CN113992560B (zh) | 一种活跃度感知的社交车辆分簇方法、装置及计算机设备 | |
| Ji et al. | Research on optimal intelligent routing algorithm for IoV with machine learning and smart contract | |
| CN110225452B (zh) | 一种基于分簇路由协议的行驶车辆通信方法、装置及介质 | |
| CN114025331B (zh) | 基于异构网络的交通系统及异构网络环境下网络选择方法 | |
| CN111586568A (zh) | 基于边缘计算的车载通信紧急消息传输优化方法 | |
| Guntuka et al. | Vehicular data offloading by road-side units using intelligent software defined network | |
| Qi et al. | Social prediction-based handover in collaborative-edge-computing-enabled vehicular networks | |
| Zhao et al. | Context-aware multi-criteria handover with fuzzy inference in software defined 5G HetNets | |
| Gadde et al. | Quality of experience aware network selection model for service provisioning in heterogeneous network | |
| Zhao et al. | Joint optimization of latency and energy consumption for mobile edge computing based proximity detection in road networks | |
| Li et al. | A novel cooperative cache policy for wireless networks |
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 | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20231016 Address after: 518000 1002, Building A, Zhiyun Industrial Park, No. 13, Huaxing Road, Henglang Community, Longhua District, Shenzhen, Guangdong Province Applicant after: Shenzhen Wanzhida Technology Co.,Ltd. Address before: 400065 Chongwen Road, Nanshan Street, Nanan District, Chongqing Applicant before: CHONGQING University OF POSTS AND TELECOMMUNICATIONS |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |