CN114629840A - 一种基于群智感知策略的可靠车联网数据传输方法 - Google Patents
一种基于群智感知策略的可靠车联网数据传输方法 Download PDFInfo
- Publication number
- CN114629840A CN114629840A CN202210228142.8A CN202210228142A CN114629840A CN 114629840 A CN114629840 A CN 114629840A CN 202210228142 A CN202210228142 A CN 202210228142A CN 114629840 A CN114629840 A CN 114629840A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- data
- transmission
- intersection
- 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.)
- Withdrawn
Links
- 230000005540 biological transmission Effects 0.000 title claims abstract description 160
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000012544 monitoring process Methods 0.000 claims abstract description 33
- 230000007246 mechanism Effects 0.000 claims abstract description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 45
- 238000004891 communication Methods 0.000 claims description 38
- 230000008569 process Effects 0.000 claims description 15
- 230000006855 networking Effects 0.000 claims description 14
- 230000003044 adaptive effect Effects 0.000 claims description 10
- 230000008447 perception Effects 0.000 claims description 10
- 241000854291 Dianthus carthusianorum Species 0.000 claims description 9
- 238000001514 detection method Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 5
- 235000008694 Humulus lupulus Nutrition 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000001934 delay Effects 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 claims description 4
- 101001093748 Homo sapiens Phosphatidylinositol N-acetylglucosaminyltransferase subunit P Proteins 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 230000000737 periodic effect Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 3
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims 1
- 238000013480 data collection Methods 0.000 claims 1
- 238000013461 design Methods 0.000 abstract description 8
- 238000004088 simulation Methods 0.000 description 11
- 238000002474 experimental method Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 230000033001 locomotion Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000007667 floating Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 241000764238 Isis Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000012358 sourcing Methods 0.000 description 1
- 230000029305 taxis Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000000007 visual effect 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
- H04L45/12—Shortest path evaluation
- H04L45/121—Shortest path evaluation by minimising delays
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L1/00—Arrangements for detecting or preventing errors in the information received
- H04L1/22—Arrangements for detecting or preventing errors in the information received using redundant apparatus to increase reliability
-
- 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
- H04W4/38—Services specially adapted for particular environments, situations or purposes for collecting sensor information
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Traffic Control Systems (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
一种基于群智感知策略的可靠车联网数据传输方法,属于物联网领域。该方法利用车辆群智感知协同监测采集数据,在数据传输部分提出一种可靠数据传输最小延迟混合路由方法,基于编码机制设计冗余策略提高数据传输的可靠性,将编码机制与路由设计相结合,融合路由切换思想,基于模糊逻辑预测的车辆自适应连通性,以最小化延迟为目标进行基于概率的路由决策。提出的方法对于基于车联网在智能交通中的动态远程感知监控等多种应用具有重要的理论意义和实用价值。
Description
技术领域
本发明属于物联网领域,具体涉及基于群智感知策略的车联网数据传输方法。
背景技术
本发明属于物联网领域,具体涉及基于群智感知策略的车联网数据传输方法。
近年来,随着智能交通与城市建设融为一体,利用车联网(IoV)进行大规模、复杂的自然(道路状况、交通情况、环境质量等的监测)和社会(交通态势、社会事件、群体活动)环境的多维度、实时、准确、全息的感知是构建智慧交通的核心要素,也是车联网重要的应用之一。车联网通过V2X无线通信技术组成的传感器网络监测物理世界、感知交通态势,可以实现从局部监测感知到全局应用的快速循环,如智能交通系统需要频繁更新来自整个城区的感知信息。相比于稀疏分布的感应线圈等固定传感器及浮动车模式,具有监测范围广、效率高、无能源约束、动态远程监控等优势。
车辆监测物理世界,对周边环境信息进行采集,发送遥感数据到智能交通指挥监测中心DC(Data Center),一个最重要的问题是保证感知数据从观测点到监测中心的及时准确地交付。这种非确定、间歇性连接的网络,不能保证建立与DC的直接通信链路,车辆有时必须在远离目的地时携带数据,因此具有延迟容忍网络DTN(Disruption TolerantNetworks)的基于存储-携带-转发SCF(Store Carry Forward)策略的间歇路由的特性,存在延迟大、传输数据易丢失等问题。城市道路的车辆既有确定轨迹车辆(浮动车、公交车、公务用车等),也有非预定轨迹车辆(出租车、私家车等),路由算法的设计对传输性能的影响至关重要。以往研究表明,数据冗余多路径传输是无线传感网络WSN(Wireless sensornetwork)中保障数据传输可靠性的主要手段,但基于车联网数据可靠传输的研究目前仍缺乏。此外,单车视角存在数据采集的片面性和局限性,且在感知资源分布密集以及与环境状态相关的时空区域中,容易出现感知数据冗余,从而导致数据感知和通信开销大。因此,提高数据感知和传输效率,保障信息准确高效及时的交付是需要面对的挑战。
车联网监测物理世界的过程存在许多技术挑战。首先,车辆间如何协作感知监测数据,度量感知范围与强度,提高数据采集的针对与有效性;其次,在车联网数据传输中如何保证信息传输的可靠性;最后,在数据分组传输中如何保障信息准确及时地交付。在本文中我们解决了上述三个挑战,提出一种基于群智感知策略的可靠车联网数据分组传输方法。(1)感知监测采集,基于城市空气质量采集的车辆群智感知协同监测,避免信息的冗余和通信过载。(2)数据传输,提出一种可靠数据传输最小延迟混合路由方法。
发明内容
本发明的目的是提高车联网智能传输的可靠性和高效性,减少传输时延并提升传输效率。该方法利用车辆群智感知协同监测采集数据,在数据传输部分提出一种可靠数据传输最小延迟混合路由方法,基于编码机制设计冗余策略提高数据传输的可靠性,将编码机制与路由设计相结合,融合路由切换思想,基于模糊逻辑预测的车辆自适应连通性,以最小化延迟为目标进行基于概率的路由决策。
本发明的基于群智感知策略的可靠车联网数据传输方法,主要包括以下关键步骤:
第1、系统模型的构建:
第1.1、车辆模型;
第1.2、道路模型;
第1.3、感知传输;
第2、基于群智感知策略的可靠车联网数据分组传输方法:
第2.1、车联网群智感知监测与数据采集;
第2.2、可靠车联网数据分组传输。
进一步的,步骤第1.1中建立了车辆模型,车联网中的每辆车均具有一定的计算、存储和通信能力,车辆装备有车载单元OBU(On Board Unit)、街道数字地图、全球定位系统GPS和传感器,获取自身位置、速度、移动方向等信息以及通过携带的传感器采集相关数据,OBU通过专用短程通信技术DSRC/WAVE(Dedicated Short Range Communication/WirelessAccess in Vehicular Environments)实现V2X(Vehicle to Everything)之间的通信;街道数字地图为车辆提供路段长度、路段坐标和交叉路口坐标等信息;GPS(Global PositionSystem)服务为车辆提供位置及定位信;依据SAE J2735标准,高速运行的车辆通过周期性广播/接收等状态信息,实时感知周围车辆的状态,同时,车辆利用自身传感器实时采集环境信息,融合信标消息生成邻居表。
步骤第1.2中的道路模型如下,车辆感知的城市区域道路网络模拟为网拓扑有向图G=(I,E),其中I是节点集合,由城市中的交叉路口组成,I|=N;E为有向链路边集合,由城市中的路段组成,路段lij∈E表示从交叉路口i到邻近交叉口路j的道路,当且仅当在t时刻,dij<R,其中dij为Vi与Vj之间的距离,R为通信传输半径;
设M=(S,D)={(Ii,Ij)|Lij∈E,Ii∈S,Ij∈D}表示网络图G的一个割,其中S为链路源点集合,源节点Vs∈S;D为链路终点集合,信宿节点Vd∈D,S∪D∈I,车辆节点Vs发送信息给Vd,其最大可行流等于最小割,即:max f=min C(S,D);
附图1所示为道路拓扑有向图G,其中,I代表路口,具有信息收集、处理与传输功能的路测单元AP被放置在交叉点I6处。数据分组的传输路径则为连续路段和交叉点的序列。
步骤第1.3中感知传输,感知传输由车辆节点和数据中心接入点AP构成的基于V2X通信的车载无线传感网络承载,为了最小化检测区域到城市监控中心的分组传送延迟,需要考虑的问题有:
1)不同道路的车辆密度存在差异,依据簇结构对路段中的节点进行管理和数据转发;
2)城市道路交叉口因方向多变等因素,在交叉口采用单播分组传输提高传输效率;
3)具有已知轨道的车辆如公交车等可以帮助进一步减少延误;
基于车联网车载自组织网络信息数据传输场景描述为,基于一条单向多车道道路构建,车辆节点控制信道间隔为CCI(Control Channel Interval),路段长度为L,通信范围为R,平均车辆密度设定为ρ,行驶速度在Vmax和Vmin间随机分布。
进一步的,步骤第2.1中车联网群智感知监测与数据采集,用公式(1)表示交通拥堵程度:
Cl=Tcef(Den,Avesp) (1)
其中Den为车流密度,Avesp为车辆平均速度,Cl为[0,1]区间上的连续值,代表交通拥堵程度,其中“0”代表畅通,“1”表示严重拥堵,车流密度的计算如公式(2)所示:
其中nv为车辆数,K代表车道数,R为无线通信距离,交通拥堵感知消息(Ten)包含交通态势和数据采集基本信息,用于车辆协作构建感知范围监测采集数据,如公式(3)所示:
Ten={Cl,Road,Head,End,Time,Hop,Airq} (3)
其中,设定Head和End分别为感知交通拥堵区域的起止位置,Road为拥堵的道路,Time设定为消息生成时间,Hop为消息转发地跳数,Airq为采集的城市地表空气质量数据;
交通拥堵群智感知及监测数据采集过程是,判断交通拥堵区域,假设位于拥堵前端的车辆V1检测到其Cl值,设定阈值:当V1cl>0.5时,则将其Ten消息V1ten向后车传递,其中Head为车辆V1的位置,Time为检测时间,下游车辆收到Ten消息后,将其与自身Cl值进行比对,如车辆节点Vicl>V1cl,则修正其Cl值,如此进行直到Vicl<0.5,由此形成车辆节点间的协同感知,同时将End值替换为Vicl的值;
为车辆节点间有序协作,首先,设定Ten消息仅单向传播,其次,为每个接收信息的节点设定转发时延参数τ,τ值最小的节点优先转发,则有:τ=τ0·(1-(Dth-d)/Dth),其中τ0为初始最大时延设定,d为与上一跳转发节点的距离,Dth为设定的距离阈值,最后,设定Ten消息生成周期阈值Tten,当初始感知车辆再次生成Ten消息的时间间隔大于阈值Tten时,进行新消息的生成。
步骤第2.2所述可靠车联网数据分组传输,利用冗余编码机制对传输数据编码成相互冗余的信息块在网络中分别传输,数据块的数目N如公式(4)所示,其中设传输数据为Mess,K为冗余因子,B为编码数据块的大小,Mess和B的单位均为:Byte,
通常假设路段L上车辆的到达过程为泊松分布,Ti为车辆接触时间Ti=L/vi,FL为传输速率,ρ为节点密度,数据块大小B的选择需要考虑车辆可能的接触时间、可用带宽以及相遇概率等因素,因此有:
B=(1-e-ρL)Ti·FL (5)
数据传输路由算法部分以最小化延迟为目标,算法由路段和交叉路口两部分组成;
A.路段部分
为提高传输效率,降低传输延迟,提出基于模糊逻辑的车辆自适应分簇路由,降低车辆协作过程中的通信开销,减少报文的传播时延,确保网络的高连通性,其算法步骤:
a)初始聚类成簇及遴选簇头
在IoV(InternetofVehicle)中,簇由基于预定义集群方法的若干车辆集合组成,每个簇由簇头CH和簇成员CMS的车辆集合组成;
首先需要对CH进行快速、高效的初始选择,根据车辆行驶方向、相对速度、车辆的最大传输距离R划分簇,簇集C={C1,C2,C3,…,Cn},其中簇C1包含可以表示的车辆节点C1={V1,V2,V3,…,Vm},Cn={V1,V2,V3,…,Vm},n为成簇数,m为每个簇群中车辆节点的数量,接着,引入节点缓冲区大小作为参考簇头遴选的重要因素,通过比较车辆节点的综合权值进行簇首的选择;
H=h1Dv+h2Kv+h3Vv+h4Bv (6)
其中Dv为车辆与邻居节点的距离之和,Kv为车辆节点连通度,Vv为节点的平均移动速度,Bv为节点缓冲大小;
b)基于连通性的簇状态自适应动态调整与优化
平均速度估计:在IoV中,车辆速度决定道路交通,路段信息如公式(7)所示:
L={S(x,y),D(x,y),Vmax,Rl,Dire} (7)
其中,S(x,y)是道路起点,D(x,y)为道路终点,Vmax为路段最大限速,Rl为给定路段的道路总数,Dire为路段方向,路段长度如公式(8)所示:
连通性估计:根据路段车辆连通性动态调整传输区域成簇,可以降低数据通信的时延和低开销,提供更可靠的QoS(Quality ofService),设路段长度为L,路段车辆节点为N,ρ为车辆节点密度(每米车辆数),则:N=ρ·L,路段中的车辆节点概率服从泊松分布,则路段度L上有m个车辆节点的概率如公式(10)所示:
车辆节点i与i+1之间的连通概率如公式(11)所示:
Pi,i+1=1-e-N (11)
则K辆车之间的连通概率为公式(12)所示:
令传输半径R<L,则区域内网络的连通概率为公式(13)所示:
Pk=(1-e-ρR)ρL-1 (13)
B.交叉路口模式
为降低信息传输时延,提出基于概率优先级的路由决策,当数据分组到达交叉路口时,根据概率优先级进行下一条路段的选择,设定S={0,1,...,Q}为一组车辆类型,类型包括:预定轨迹车辆(如公交车、公务车等),非预定轨迹车辆(如出租车、私家车等),S∈S=0,表示无预定轨迹车辆,否则为有预定轨迹车辆,设定交叉路口i的路由决策为X(i),其中元素的顺序表示路口边缘选择的优先级,是路口i的所有可能的路径,表示路口i的第w个最优选项,交叉口的路径选择概率为表示在路由决策xi下数据分组在类型s车辆上从交叉路口i转发到下一个路口i'的概率,模型由交叉路口车辆类型、车流密度、移动趋势等参数决定,Ti(x)为从路口i到AP的预期延迟,由交叉路口路径选择概率和传输时延决定,设相邻路口i和ij',j={0,1,...}为相邻状态;
当(S=0)时,利用成簇CH转发可以显著减少延迟,根据节点之间的连通性推导出V2V(Vehicle to Vehicle)数据传输延迟模型,如公式(15)所示,其中lii'为路段长度,RC为动态传输范围,ρii'为节点密度,Y为无线传输延迟;
则利用最小延迟估计得到数据传输路由选择,如公式(16)所示,
本发明的优点和积极效果:
本发明主要设计了一种基于群智感知策略的可靠车联网数据传输方法,在该方法中,对于感知监测采集,是基于城市空气质量采集的车辆群智感知协同监测,避免信息的冗余和通信过载。对于数据传输,基于编码机制设计冗余策略提高数据传输的可靠性,将编码机制与路由设计相结合,融合路由切换思想,以最小化延迟为目标进行基于概率的路由决策,基于模糊逻辑预测的车辆自适应连通性,降低车辆协作过程中的通信开销,确保网络的高连通性,并提出基于概率最小化延迟的路由决策,降低信息传输时延。实验表明该方法有效地提高了数据采集与传输效率。
附图说明
图1是城市道路拓扑图G;
图2是基于车联网数据传输场景;
图3是为交叉路口数据分组传输概率选择的MDP模型;
图4是交叉路口概率优先级转发情况;
图5是城市路网部分交通拥堵路段;
图6是北京望京地区4.5×4.5km道路拓扑;
图7是感知消息跳数及监测范围;
图8是不同车辆节点密度以及移动速度下自适应CH更新延迟;
图9是直线路段不同车辆节点移动速度下的延迟;
图10是不同车辆速度下算法间数据分组传输率比较;
图11是不同车辆节点密度下不同算法的数据分组传输速率比较;
图12是不同车辆节点下不同算法间平均端到端延迟比较;
图13是本发明基于群智感知策略的可靠车联网数据传输方法的流程图。
具体实施方式
实施例1:
本实施例设计的开发工具为PyCharm 5.0.3,开发语言为Python3.5.6,使用Vissim软件进行城市道路交通的宏观、微观交通场景的混合模拟。利用NS-2及VanetMobiSim模拟器上进行通信场景构建。性能评估的目标主要是验证车联网数据传输的可靠性和高效性。主要涉及的实施操作有城市环境数据的采集,数据的可靠性传输,以及具体的算法计算过程。
参见附图13,本实施例基于群智感知策略的可靠车联网数据传输方法,主要包括如下关键步骤:
第1、系统模型的构建:
第1.1、车辆模型;
第1.2、道路模型;
第1.3、感知传输;
第2、基于群智感知策略的可靠车联网数据分组传输方法:
第2.1、车联网群智感知监测与数据采集;
第2.2、可靠车联网数据分组传输。
进一步的,步骤第1.1中建立了车辆模型,车联网中的每辆车均具有一定的计算、存储和通信能力,车辆装备有车载单元OBU(On Board Unit)、街道数字地图、全球定位系统GPS和传感器,获取自身位置、速度、移动方向等信息以及通过携带的传感器采集相关数据,OBU通过专用短程通信技术DSRC/WAVE(Dedicated Short Range Communication/WirelessAccess in Vehicular Environments)实现V2X(Vehicle to Everything)之间的通信;街道数字地图为车辆提供路段长度、路段坐标和交叉路口坐标等信息;GPS(Global PositionSystem)服务为车辆提供位置及定位信;依据SAE J2735标准,高速运行的车辆通过周期性广播/接收等状态信息,实时感知周围车辆的状态,同时,车辆利用自身传感器实时采集环境信息,融合信标消息生成邻居表。
步骤第1.2中的道路模型如下,车辆感知的城市区域道路网络模拟为网拓扑有向图G=(I,E),其中I是节点集合,由城市中的交叉路口组成,I=N;E为有向链路边集合,由城市中的路段组成,路段lij∈E表示从交叉路口i到邻近交叉口路j的道路,当且仅当在t时刻,dij<R,其中dij为Vi与Vj之间的距离,R为通信传输半径;
设M=(S,D)={(Ii,Ij)|Lij∈E,Ii∈S,Ij∈D}表示网络图G的一个割,其中S为链路源点集合,源节点Vs∈S;D为链路终点集合,信宿节点Vd∈D,S∪D∈I,车辆节点Vs发送信息给Vd,其最大可行流等于最小割,即:max f=min C(S,D);
附图1所示为道路拓扑有向图G,其中,I代表路口,具有信息收集、处理与传输功能的路测单元AP被放置在交叉点I6处。数据分组的传输路径则为连续路段和交叉点的序列。
步骤第1.3中感知传输,感知传输由车辆节点和数据中心接入点AP构成的基于V2X通信的车载无线传感网络承载,为了最小化检测区域到城市监控中心的分组传送延迟,需要考虑的问题有:
1)不同道路的车辆密度存在差异,依据簇结构对路段中的节点进行管理和数据转发;
2)城市道路交叉口因方向多变等因素,在交叉口采用单播分组传输提高传输效率;
3)具有已知轨道的车辆如公交车等可以帮助进一步减少延误;
参见附图2,基于车联网车载自组织网络信息数据传输场景描述为,基于一条单向多车道道路构建,车辆节点控制信道间隔为CCI(Control Channel Interval),路段长度为L,通信范围为R,平均车辆密度设定为ρ,行驶速度在Vmax和Vmin间随机分布。
进一步的,步骤第2.1中车联网群智感知监测与数据采集,用公式(1)表示交通拥堵程度:
Cl=Tcef(Den,Avesp) (1)
其中Den为车流密度,Avesp为车辆平均速度,Cl为[0,1]区间上的连续值,代表交通拥堵程度,其中“0”代表畅通,“1”表示严重拥堵,车流密度的计算如公式(2)所示:
其中nv为车辆数,K代表车道数,R为无线通信距离,交通拥堵感知消息(Ten)包含交通态势和数据采集基本信息,用于车辆协作构建感知范围监测采集数据,如公式(3)所示:
Ten={Cl,Road,Head,End,Time,Hop,Airq} (3)
其中,设定Head和End分别为感知交通拥堵区域的起止位置,Road为拥堵的道路,Time设定为消息生成时间,Hop为消息转发地跳数,Airq为采集的城市地表空气质量数据;
交通拥堵群智感知及监测数据采集过程是,判断交通拥堵区域,假设位于拥堵前端的车辆V1检测到其Cl值,设定阈值:当V1cl>0.5时,则将其Ten消息V1ten向后车传递,其中Head为车辆V1的位置,Time为检测时间,下游车辆收到Ten消息后,将其与自身Cl值进行比对,如车辆节点Vicl>V1cl,则修正其Cl值,如此进行直到Vicl<0.5,由此形成车辆节点间的协同感知,同时将End值替换为Vicl的值;
为车辆节点间有序协作,首先,设定Ten消息仅单向传播,其次,为每个接收信息的节点设定转发时延参数τ,τ值最小的节点优先转发,则有:τ=τ0·(1-(Dth-d)/Dth),其中τ0为初始最大时延设定,d为与上一跳转发节点的距离,Dth为设定的距离阈值,最后,设定Ten消息生成周期阈值Tten,当初始感知车辆再次生成Ten消息的时间间隔大于阈值Tten时,进行新消息的生成。
步骤第2.2所述可靠车联网数据分组传输,利用冗余编码机制对传输数据编码成相互冗余的信息块在网络中分别传输,数据块的数目N如公式(4)所示,其中设传输数据为Mess,K为冗余因子,B为编码数据块的大小,Mess和B的单位均为:Byte,
通常假设路段L上车辆的到达过程为泊松分布,Ti为车辆接触时间Ti=L/vi,FL为传输速率,ρ为节点密度,数据块大小B的选择需要考虑车辆可能的接触时间、可用带宽以及相遇概率等因素,因此有:
B=(1-e-ρL)Ti·FL (5)
数据传输路由算法部分以最小化延迟为目标,算法由路段和交叉路口两部分组成;
A.路段部分
为提高传输效率,降低传输延迟,提出基于模糊逻辑的车辆自适应分簇路由,降低车辆协作过程中的通信开销,减少报文的传播时延,确保网络的高连通性,其算法步骤:
a)初始聚类成簇及遴选簇头
在IoV(InternetofVehicle)中,簇由基于预定义集群方法的若干车辆集合组成,每个簇由簇头CH和簇成员CMS的车辆集合组成;
首先需要对CH进行快速、高效的初始选择,根据车辆行驶方向、相对速度、车辆的最大传输距离R划分簇,簇集C={C1,C2,C3,…,Cn},其中簇C1包含可以表示的车辆节点C1={V1,V2,V3,…,Vm},Cn={V1,V2,V3,…,Vm},n为成簇数,m为每个簇群中车辆节点的数量,接着,引入节点缓冲区大小作为参考簇头遴选的重要因素,通过比较车辆节点的综合权值进行簇首的选择;
H=h1Dv+h2Kv+h3Vv+h4Bv (6)
其中Dv为车辆与邻居节点的距离之和,Kv为车辆节点连通度,Vv为节点的平均移动速度,Bv为节点缓冲大小;
b)基于连通性的簇状态自适应动态调整与优化
平均速度估计:在IoV中,车辆速度决定道路交通,路段信息如公式(7)所示:
L={S(x,y),D(x,y),Vmax,Rl,Dire} (7)
其中,S(x,y)是道路起点,D(x,y)为道路终点,Vmax为路段最大限速,Rl为给定路段的道路总数,Dire为路段方向,路段长度如公式(8)所示:
连通性估计:根据路段车辆连通性动态调整传输区域成簇,可以降低数据通信的时延和低开销,提供更可靠的QoS(Quality ofService),设路段长度为L,路段车辆节点为N,ρ为车辆节点密度(每米车辆数),则:N=ρ·L,路段中的车辆节点概率服从泊松分布,则路段度L上有m个车辆节点的概率如公式(10)所示:
车辆节点i与i+1之间的连通概率如公式(11)所示:
Pi,i+1=1-e-N (11)
则K辆车之间的连通概率为公式(12)所示:
令传输半径R<L,则区域内网络的连通概率为公式(13)所示:
Pk=(1-e-ρR)ρL-1 (13)
B.交叉路口模式
为降低信息传输时延,提出基于概率优先级的路由决策,当数据分组到达交叉路口时,根据概率优先级进行下一条路段的选择,设定S={0,1,...,Q}为一组车辆类型,类型包括:预定轨迹车辆(如公交车、公务车等),非预定轨迹车辆(如出租车、私家车等),S∈S=0,表示无预定轨迹车辆,否则为有预定轨迹车辆,设定交叉路口i的路由决策为X(i),其中元素的顺序表示路口边缘选择的优先级,是路口i的所有可能的路径,表示路口i的第w个最优选项,交叉口的路径选择概率为表示在路由决策xi下数据分组在类型s车辆上从交叉路口i转发到下一个路口i'的概率,模型由交叉路口车辆类型、车流密度、移动趋势等参数决定,Ti(x)为从路口i到AP的预期延迟,由交叉路口路径选择概率和传输时延决定,设相邻路口i和ij',j={0,1,...}为相邻状态;附图3为交叉路口数据分组传输概率选择的MDP模型。
当(S=0)时,利用成簇CH转发可以显著减少延迟,根据节点之间的连通性推导出V2V(Vehicle to Vehicle)数据传输延迟模型,如公式(15)所示,其中lii'为路段长度,RC为动态传输范围,ρii'为节点密度,Y为无线传输延迟;
则利用最小延迟估计得到数据传输路由选择,如公式(16)所示,
本实例中我们构建了一个模拟场景,模拟构建中国北京望京地区局部城市微观路网交通,用于测试拥堵场景下的感知监测与数据采集。其中感知部分,道路:城市道路主路段拥有4车道,辅路段2车道,车道宽度为3.5m,两相邻主辅路段相距1km;车辆:车辆服从泊松分布,平均速度40km/h;拥堵区域车辆节点在所占据的长度为6m。拥堵事件:拥堵事件发生在主路#1。部分交通拥堵路网如附图5所示。表1为路网仿真参数设置。
表1路网仿真参数设置
路由部分,算法重点在于路由传输。为了验证算法的数据传输性能,实验仿真采用实际城市场景拓扑道路,即北京地区道路拓扑。利用2500辆出租车和公交车的GPS轨迹数据,其中每辆车的位置信息7天的时间里在北京约40×40km的范围内每30s记录一次,实验选取望京地区4.5×4.5km区域,由73个交叉路口和106个路段组成,使用百度地图,提供交叉路口和道路的位置,选定的区域被建模为道路网络图。利用微软亚洲研究院U-Air项目提供的空气质量数据,抽取7天的PM10和NO2浓度记录,通过时间映射将两个数据集相结合。
附图6利用车辆运动生成器(VanetMobiSim)生成4.5×4.5km范围所示车辆的运动场景以及道路拓扑结构,场景由交叉路口以及直线道路组成,路段的车道数为平均3车道(实验数据选择单向车道),蓝色空心圆为交叉路口,选择放置AP的交叉路口(红色带圆点的交点),交通灯等待时间为30s。场景中的每个车辆节点被设置为智能驾驶节点IDN(Intelligent Driving Node),生成的运动trace文件加入到NS-2中进行实验仿真。在设定的地理位置生成512字节感测数据包(感知部分采集)。参数设置如表2所示。
表2参数设置
为了有效验证算法性能,设置了两种情况模拟附图6场景。第一种情况:设置有效车辆节点为100(50),其中S>0型车辆50辆,车辆的平均速度为30-90km/h(包含城市快速路速度的模拟)。在这种情况下,讨论的重点是车辆速度对路由协议的影响。第二种情况:设置速度为50km/h,有效车辆200(100),节点数分别从60(30)到200(100),在这种情况下,讨论的重点是车辆密度对路由协议的影响。
实验节点根据开放数据提供的北京出租车、公交车GPS数据分布在不同的道路上,且沿固定路线移动。每次仿真时间设置为900s,每种情况运行10次,取平均值,编制仿真结果。使用Nakagami传播模型。通讯范围设置为250m。
本实例的仿真实验分析如下:
1)感知部分
实验首先针对VGCD协议的群智感知监测数据包生成部分进行测试。附图7显示仿真过程中群智协同感知监测场景下,感知消息Ten的跳数以及数据监测范围。X轴为每条感知消息Ten的约每隔30s的生成时间,Y轴为监测消息传输跳数值,柱形图表示产生的每个Ten消息在相应时间内感知监测范围的具体传输跳数,折线图表示其对应的监测范围。从图种可以看出,消息Ten的采集并不是每隔30s固定采集到,而是和拥堵程度以及Tten阈值设定相关。数据监测范围与传输跳数所划定的范围基本契合;消息时延转发的跳数在一定范围内有效的避免了泛洪广播传输对信息通信的影响。
2)路由部分
为了验证算法传输性能,将提出的VGCD算法分别与VADD(Vehicle Assisted DataDelivery)、GPSR(Greedy Perimeter Stateless Routing)、SLBF(Self-adaptive AndLink-aware
Beaconless Forwarding)、FLDGR(Fuzzy Logic Based Directional GeographicRouting),等经典开源数据传输路由算法进行对比分析,其中,VADD协议通过估计到达目的地的预期数据传输延迟做分组路由决策;GPSR与SLBF均为基于地理位置的单播传输典型协议;FLDGR基于模糊逻辑进行路由选择,以上协议均基于城市环境。在实验中,主要考虑了以下几个性能指标,即:自适应CH更新延迟、直线路段传输时延、数据分组传输率和端到端传输延迟。其中,自适应CH更新延迟为集簇聚类的CH,自适应更新时间。数据分组传输率是目标节点成功接收到的数据分组数与应用层源节点生成的总数据分组的比值。平均端到端延迟表示从源节点到目标节点的传输时间。跳数为端到端连接的平均跳数。
1)自适应CH更新延迟与传输时延
CH更新延迟反映算法成簇的性能。VGCD协议直线路段成簇部分算法的实验,选取北京望京地区北湖渠桥到来广营桥约2.5km直线路段,通过调整车辆的运行速度和增加节点的有效数量(即车辆密度)来检测算法性能。参数如表2所示,车辆速度分别设定为30-90km/h,节点密度分别从60-200进行。
附图8显示了算法在直线路段部分成簇性能,同时考虑了车辆节点密度与运行速度对算法中自适应CH更新延迟的影响。由附图8可以看出,所提方案的集簇聚类的CH自适应更新延迟耗费时间较短,且延迟随着车辆节点密度的增加而增加;同时,车辆节点速度越快,自适应成簇耗费时间越短,但二者增加幅度变化均不大。由此可见提出的VGCD协议,在直线路段,基于模糊逻辑成簇效果好,传输延迟小。
在选定的直线路段,测试VGCD协议在直线路段的数据传输时延。附图9给出了算法间直线路段时延及其与节点速度的关系。由图可以看出,随着车辆节点运动速度的增加,VGCD、VADD、GPSR、SLBF四种算法在直线路段的时延都呈现出上升的趋势,这是因为节点移动速度越快,拓扑变化的频率就越高,从而影响数据交付。
由附图9可以看出,提出的VGCD算法在路段采用基于模糊逻辑的集簇算法,相比较其它算法延迟小,且受拓扑变化影响较小。当最大速度大于60时,可以看出SLBF算法延时时间迅速增大,这是由于其受拓扑变化的影响,协议重新计算有效转发区或启动重传机制导致。从图中可明显看出,VGCD算法在拓扑变化较快速的环境下递交时间处于之间,传输性能较好。
2)数据分组传输率
针对VGCD路由传输的一体化设计方案进行测试,反映算法的数据分组传输性能,协议与VADD、GPSR、SLBF、FLDGR协议分别进行比较。数据分组传输速率PDR(ProtectionDetection Response)是目标节点接收的数据分组与源节点发送的数据分组之比。同时通过车辆的交付距离以及节点的有效数量(即车辆密度)来进一步检验路由算法。
附图10显示了不同协议在不同交付范围下的PDR,体现了距离AP的范围传输交付的情况,同时给出了传输交付距离与数据分组传输率的关系。从图中可以看出,VGCD在所有算法中具有最佳以及较稳定的数据分组传输率。随着交付范围的增加,VGCD、VADD、GPSR、SLBF、FLDGR五种算法的传输速率均呈现出下降的趋势,相比较其它四种算法,提出的VGCD算法速率下降比较缓慢,数据分组的递交率高,基于直线路段的集簇算法增加了链路的稳定性,冗余编码机制增加了传输的可靠性。同时可以看出GPSR算法递交率下降最快,使用预定的车辆轨迹的协议在远离AP的区域表现出相对较好的交付比率。
附图11显示了不同协议在不同车辆节点密度下的PDR,体现了数据分组传输性能,同时给出了车辆节点密度与数据分组传输速率的关系。设置速度为50km/h,有效车辆200(100),节点数分别从60(30)到200(100)。从图中可以看出,VGCD在所有算法中具有最佳的数据分组传输率。所有测试的算法都随着车辆密度的增加而趋于更好地执行,这是因为随着车辆密度的增加可以转发数据分组的可选择节点的数量增加。
3)平均端到端延迟
端到端延时为数据分组从源节点到达目的节点所花费的时间。附图12给出了平均端到端的延时,同时反映出延迟与车辆节点密度的关系。从图中可以看出,随着车辆节点运动速度的增加,VGCD、VADD、GPSR、SLBF、FLDGR五种算法的平均端到端延迟都呈现出下降的趋势。
由附图12可以看出,提出的VGCD算法采用路段集簇与路口最短延迟相结合的算法,相比较其它算法延迟小,且变化幅度相对稳定。这说明在密集区域,数据分组通过多跳传输很容易传送到其中一个接入点,在稀疏区域,数据分组的传送则高度依赖于如何利用车辆轨迹和接触机会。
Claims (6)
1.一种基于群智感知策略的可靠车联网数据传输方法,其特征在于该方法主要包括如下步骤:
第1、系统模型的构建:
第1.1、车辆模型;
第1.2、道路模型;
第1.3、感知传输;
第2、基于群智感知策略的可靠车联网数据分组传输方法:
第2.1、车联网群智感知监测与数据采集;
第2.2、可靠车联网数据分组传输。
2.如权利要求1所述的基于群智感知策略的可靠车联网数据传输方法,其特征在于,步骤第1.1中建立了车辆模型,车联网中的每辆车均具有一定的计算、存储和通信能力,车辆装备有车载单元OBU、街道数字地图、全球定位系统GPS和传感器,获取自身位置、速度、移动方向等信息以及通过携带的传感器采集相关数据,OBU通过专用短程通信技术DSRC/WAVE实现V2X之间的通信;街道数字地图为车辆提供路段长度、路段坐标和交叉路口坐标等信息;GPS服务为车辆提供位置及定位信;依据SAE J2735标准,高速运行的车辆通过周期性广播/接收等状态信息,实时感知周围车辆的状态,同时,车辆利用自身传感器实时采集环境信息,融合信标消息生成邻居表。
3.如权利要求1所述的基于群智感知策略的可靠车联网数据传输方法,其特征在于,步骤第1.2中的道路模型如下,车辆感知的城市区域道路网络模拟为网拓扑有向图G=(I,E),其中I是节点集合,由城市中的交叉路口组成,|I|=N;E为有向链路边集合,由城市中的路段组成,路段lij∈E表示从交叉路口i到邻近交叉口路j的道路,当且仅当在t时刻,dij<R,其中dij为Vi与Vj之间的距离,R为通信传输半径;
设M=(S,D)={(Ii,Ij)|Lij∈E,Ii∈S,Ij∈D}表示网络图G的一个割,其中S为链路源点集合,源节点Vs∈S;D为链路终点集合,信宿节点Vd∈D,S∪D∈I,车辆节点Vs发送信息给Vd,其最大可行流等于最小割,即:max f=min C(S,D);
其中,I代表路口,具有信息收集、处理与传输功能的路测单元AP被放置在交叉点I6处,数据分组的传输路径则为连续路段和交叉点的序列。
4.如权利要求1所述的基于群智感知策略的可靠车联网数据传输方法,其特征在于,步骤第1.3中感知传输,感知传输由车辆节点和数据中心接入点AP构成的基于V2X通信的车载无线传感网络承载,为了最小化检测区域到城市监控中心的分组传送延迟,需要考虑的问题有:
1)不同道路的车辆密度存在差异,依据簇结构对路段中的节点进行管理和数据转发;
2)城市道路交叉口因方向多变等因素,在交叉口采用单播分组传输提高传输效率;
3)具有已知轨道的车辆如公交车等可以帮助进一步减少延误;
基于车联网车载自组织网络信息数据传输场景描述为,基于一条单向多车道道路构建,车辆节点控制信道间隔为CCI,路段长度为L,通信范围为R,平均车辆密度设定为ρ,行驶速度在Vmax和Vmin间随机分布。
5.如权利要求1所述的基于群智感知策略的可靠车联网数据传输方法,其特征在于,步骤第2.1中车联网群智感知监测与数据采集,用公式(1)表示交通拥堵程度:
Cl=Tcef(Den,Avesp) (1)
其中Den为车流密度,Avesp为车辆平均速度,Cl为[0,1]区间上的连续值,代表交通拥堵程度,其中“0”代表畅通,“1”表示严重拥堵,车流密度的计算如公式(2)所示:
其中nv为车辆数,K代表车道数,R为无线通信距离,交通拥堵感知消息(Ten)包含交通态势和数据采集基本信息,用于车辆协作构建感知范围监测采集数据,如公式(3)所示:
Ten={Cl,Road,Head,End,Time,Hop,Airq} (3)
其中,设定Head和End分别为感知交通拥堵区域的起止位置,Road为拥堵的道路,Time设定为消息生成时间,Hop为消息转发地跳数,Airq为采集的城市地表空气质量数据;
交通拥堵群智感知及监测数据采集过程是,判断交通拥堵区域,假设位于拥堵前端的车辆V1检测到其Cl值,设定阈值:当V1cl>0.5时,则将其Ten消息V1ten向后车传递,其中Head为车辆V1的位置,Time为检测时间,下游车辆收到Ten消息后,将其与自身Cl值进行比对,如车辆节点Vicl>V1cl,则修正其Cl值,如此进行直到Vicl<0.5,由此形成车辆节点间的协同感知,同时将End值替换为Vicl的值;
为车辆节点间有序协作,首先,设定Ten消息仅单向传播,其次,为每个接收信息的节点设定转发时延参数τ,τ值最小的节点优先转发,则有:τ=τ0·(1-(Dth-d)/Dth),其中τ0为初始最大时延设定,d为与上一跳转发节点的距离,Dth为设定的距离阈值,最后,设定Ten消息生成周期阈值Tten,当初始感知车辆再次生成Ten消息的时间间隔大于阈值Tten时,进行新消息的生成。
6.如权利要求1所述的基于群智感知策略的可靠车联网数据传输方法,其特征在于,步骤第2.2所述可靠车联网数据分组传输,利用冗余编码机制对传输数据编码成相互冗余的信息块在网络中分别传输,数据块的数目N如公式(4)所示,其中设传输数据为Mess,K为冗余因子,B为编码数据块的大小,Mess和B的单位均为:Byte,
通常假设路段L上车辆的到达过程为泊松分布,Ti为车辆接触时间Ti=L/vi,FL为传输速率,ρ为节点密度,数据块大小B的选择需要考虑车辆可能的接触时间、可用带宽以及相遇概率等因素,因此有:
B=(1-e-ρL)Ti·FL (5)
数据传输路由算法部分以最小化延迟为目标,算法由路段和交叉路口两部分组成;
A.路段部分
为提高传输效率,降低传输延迟,提出基于模糊逻辑的车辆自适应分簇路由,降低车辆协作过程中的通信开销,减少报文的传播时延,确保网络的高连通性,其算法步骤:
a)初始聚类成簇及遴选簇头
在IoV中,簇由基于预定义集群方法的若干车辆集合组成,每个簇由簇头CH和簇成员CMS的车辆集合组成;
首先需要对CH进行快速、高效的初始选择,根据车辆行驶方向、相对速度、车辆的最大传输距离R划分簇,簇集C={C1,C2,C3,…,Cn},其中簇C1包含可以表示的车辆节点C1={V1,V2,V3,…,Vm},Cn={V1,V2,V3,…,Vm},n为成簇数,m为每个簇群中车辆节点的数量,接着,引入节点缓冲区大小作为参考簇头遴选的重要因素,通过比较车辆节点的综合权值进行簇首的选择;
H=h1Dv+h2Kv+h3Vv+h4Bv (6)
其中Dv为车辆与邻居节点的距离之和,Kv为车辆节点连通度,Vv为节点的平均移动速度,Bv为节点缓冲大小;
b)基于连通性的簇状态自适应动态调整与优化
平均速度估计:在IoV中,车辆速度决定道路交通,路段信息如公式(7)所示:
L={S(x,y),D(x,y),Vmax,Rl,Dire} (7)
其中,S(x,y)是道路起点,D(x,y)为道路终点,Vmax为路段最大限速,Rl为给定路段的道路总数,Dire为路段方向,路段长度如公式(8)所示:
连通性估计:根据路段车辆连通性动态调整传输区域成簇,可以降低数据通信的时延和低开销,提供更可靠的QoS,设路段长度为L,路段车辆节点为N,ρ为车辆节点密度,则:N=ρ·L,路段中的车辆节点概率服从泊松分布,则路段度L上有m个车辆节点的概率如公式(10)所示:
车辆节点i与i+1之间的连通概率如公式(11)所示:
Pi,i+1=1-e-N (11)
则K辆车之间的连通概率为公式(12)所示:
令传输半径R<L,则区域内网络的连通概率为公式(13)所示:
Pk=(1-e-ρR)ρL-1 (13)
B.交叉路口模式
为降低信息传输时延,提出基于概率优先级的路由决策,当数据分组到达交叉路口时,根据概率优先级进行下一条路段的选择,设定S={0,1,...,Q}为一组车辆类型,类型包括:预定轨迹车辆,非预定轨迹车辆,S∈S=0,表示无预定轨迹车辆,否则为有预定轨迹车辆,设定交叉路口i的路由决策为X(i),其中元素的顺序表示路口边缘选择的优先级,是路口i的所有可能的路径,表示路口i的第w个最优选项,交叉口的路径选择概率为表示在路由决策xi下数据分组在类型s车辆上从交叉路口i转发到下一个路口i'的概率,模型由交叉路口车辆类型、车流密度、移动趋势等参数决定,Ti(x)为从路口i到AP的预期延迟,由交叉路口路径选择概率和传输时延决定,设相邻路口i和ij',j={0,1,...}为相邻状态;
当(S=0)时,利用成簇CH转发可以显著减少延迟,根据节点之间的连通性推导出V2V数据传输延迟模型,如公式(15)所示,其中lii'为路段长度,RC为动态传输范围,ρii'为节点密度,Y为无线传输延迟;
则利用最小延迟估计得到数据传输路由选择,如公式(16)所示,
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210228142.8A CN114629840A (zh) | 2022-03-07 | 2022-03-07 | 一种基于群智感知策略的可靠车联网数据传输方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210228142.8A CN114629840A (zh) | 2022-03-07 | 2022-03-07 | 一种基于群智感知策略的可靠车联网数据传输方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114629840A true CN114629840A (zh) | 2022-06-14 |
Family
ID=81899805
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210228142.8A Withdrawn CN114629840A (zh) | 2022-03-07 | 2022-03-07 | 一种基于群智感知策略的可靠车联网数据传输方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114629840A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114996198A (zh) * | 2022-08-03 | 2022-09-02 | 中国空气动力研究与发展中心计算空气动力研究所 | 跨处理器数据传输方法、装置、设备及介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112929850A (zh) * | 2021-02-02 | 2021-06-08 | 天津理工大学 | 一种面向边缘计算环境的车联网数据回传方法 |
US20210209939A1 (en) * | 2020-12-08 | 2021-07-08 | Harbin Engineering University | Large-scale real-time traffic flow prediction method based on fuzzy logic and deep LSTM |
CN113891422A (zh) * | 2021-11-09 | 2022-01-04 | 深圳职业技术学院 | 一种自组织车联网的数据感知路由方法、系统、存储介质及设备 |
-
2022
- 2022-03-07 CN CN202210228142.8A patent/CN114629840A/zh not_active Withdrawn
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210209939A1 (en) * | 2020-12-08 | 2021-07-08 | Harbin Engineering University | Large-scale real-time traffic flow prediction method based on fuzzy logic and deep LSTM |
CN112929850A (zh) * | 2021-02-02 | 2021-06-08 | 天津理工大学 | 一种面向边缘计算环境的车联网数据回传方法 |
CN113891422A (zh) * | 2021-11-09 | 2022-01-04 | 深圳职业技术学院 | 一种自组织车联网的数据感知路由方法、系统、存储介质及设备 |
Non-Patent Citations (2)
Title |
---|
张婷: "面向车联网智能信息传输的关键新技术研究", 中国博士学位论文全文数据库(电子期刊),工程科技II辑, 31 May 2021 (2021-05-31), pages 034 - 9 * |
张德干 等: "面向车联网的智能数据传输新方法", 物联网学报, vol. 3, no. 2, 30 June 2019 (2019-06-30), pages 89 - 99 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114996198A (zh) * | 2022-08-03 | 2022-09-02 | 中国空气动力研究与发展中心计算空气动力研究所 | 跨处理器数据传输方法、装置、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Cheng et al. | Accessibility analysis and modeling for IoV in an urban scene | |
Ghaffari | Hybrid opportunistic and position-based routing protocol in vehicular ad hoc networks | |
CN103281742B (zh) | 基于自主获取道路信息车载自组织网络路由方法 | |
Singh et al. | Simulation based analysis of adhoc routing protocol in urban and highway scenario of VANET | |
CN104080056B (zh) | 基于连通度概率感知的车载自组织网络的消息分发方法 | |
Ye et al. | Mpbrp-mobility prediction based routing protocol in vanets | |
CN105208616A (zh) | 车载自组织网络中基于道路拓扑的自适应多副本路由方法 | |
Trivedi et al. | Routing mechanisms and cross-layer design for vehicular ad hoc networks: A survey | |
Yan et al. | Reliable routing in vehicular ad hoc networks | |
Husain et al. | Performance comparison of topology and position based routing protocols in vehicular network environments | |
Hawbani et al. | A novel heuristic data routing for urban vehicular ad hoc networks | |
CN110428618A (zh) | 基于VANETs的双向车道拥堵检测及信息转发方法 | |
CN114629840A (zh) | 一种基于群智感知策略的可靠车联网数据传输方法 | |
Hussein et al. | Connectivity Analysis in Vehicular Ad-hoc Network based on VDTN | |
Marzak et al. | A survey on routing protocols for vehicular ad-hoc networks | |
Al-Doori | Directional routing techniques in vanet | |
Cao et al. | ETCS: An efficient traffic congestion scheduling scheme combined with edge computing | |
Wu et al. | A novel routing protocol based on mobile social networks and internet of vehicles | |
Ababneh et al. | A performance analysis of VANETs routing protocols using different mobility models | |
Wang et al. | An improved VANET intelligent forward decision-making routing algorithm | |
CN107911296B (zh) | 基于骨干链路保障时延的地理位置路由方法、车载终端 | |
Joshi | Distributed robust geocast: A multicast protocol for inter-vehicle communication | |
Mokhayeri et al. | Zone selection strategy in Geocast routing algorithms in VANET: a review | |
Nahar et al. | OBQR: orientation-based source QoS routing in VANETs | |
CN110446185B (zh) | 一种基于节点熟悉度模型的车辆间通信的路由方法 |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20220614 |
|
WW01 | Invention patent application withdrawn after publication |