CN115103327A - 一种基于支持向量机的vanet分簇算法 - Google Patents

Abstract

本发明提供了一种基于支持向量机的VANET分簇算法，属于车联网分簇技术领域。解决了车联网VANET中车辆结点的高移动性导致网络拓扑结构的不稳定和受限的移动轨迹等问题。其技术方案为：包括以下步骤：步骤一、车辆结点属性特征参数的提取及支持向量机的构造；步骤二、使用AP聚类算法进行初始时刻簇头结点选取；步骤三、使用支持向量机完成道路车辆结点的入簇；步骤四、车辆行驶途中的簇维护操作；步骤五、簇头车辆结点行驶结束后，依据统计的簇中结点存活时间调整优化簇头结点支持向量机参数。本发明的有益效果为：本发明提高簇的稳定性；能自身完成快速入簇判断。

Description

一种基于支持向量机的VANET分簇算法

技术领域

本发明涉及车联网和机器学习技术领域，尤其涉及一种基于支持向量机的VANET分簇算法。

背景技术

VANET是一种移动自组织网络(Mobile Ad-hoc Networks,MANET)，其中的网络结点是行驶于道路上的车辆。VANET中的通信方式通常为：车辆对车辆的通信(Vehicle toVehicle，V2V)，车辆与基础设施的通信(Vehicle to Infrastructure，V2I)。由于车辆结点的高速移动性、道路几何形状和行驶规则的约束、城市环境物理连通性的障碍限制，车辆运动轨迹具有半组织性。因此VANET中保障车辆结点的稳定通信面临着一系列独特的挑战。

分簇通信有助于提高VANET中通信的稳定性与可靠性。分簇就是通过相关的空间分布和相对速度将道路车辆进行分组，从而形成分层通信的网络结构。分簇可以用作路由算法、事故或拥塞检测、信息传播和娱乐应用的基础。虽然VANET衍生自MANET，但考虑到高机动性和道路拓扑，簇中的车辆将不可避免地与VANET断开连接，故而为MANET提出的分簇算法无法直接引入到VANET中。

如何解决上述技术问题为本发明面临的课题。

发明内容

本发明的目的在于提供一种基于支持向量机的VANET分簇算法，本发明主要针对车联网VANET中车辆结点的高移动性导致网络拓扑结构的不稳定和受限的移动轨迹等特点，通过使用支持向量机算法对车辆结点进行分簇，为簇内车辆结点提供相对稳定的通信环境和可靠的管理手段，提高簇的稳定性；改进AP聚类算法进行簇头结点选取，使得簇头选举更加高效，相比现有分簇算法，在本发明中，车辆结点入簇无需借助第三方设备，分簇效率更高。

为了实现上述发明目的，本发明采用技术方案具体为：一种基于支持向量机的VANET分簇算法，具体包括以下步骤：

步骤一、对每辆初上道路行驶的车辆结点进行特征向量提取，根据特征向量构造每个车辆结点的支持向量机模型；

所述步骤一中：

S101、为车辆构造建立如表1所示的数据结构。其中包含当前时间点time，取值为车辆在目标路段的行驶时间；车辆种类vehicle_type，根据车辆种类为大巴车、汽车、货车等进行取值，需进行量纲转化,依次转换为0，1，2；车辆的x坐标或经度vehicle_x；车辆的y坐标或纬度vehicle_y；车辆的速度vehicle_speed；车辆的ID号vehicle_id，一般为车辆的行驶方向与车辆所在车道组成的一个英文标识。初始时，车辆入簇时间in_time和离簇时间out_time为空0，当后续车辆在行驶途中加入簇或是离开簇，记录当前时刻；车辆标识flag初始值为false，当车辆在行驶途中进入簇内，则flag切换为True；车辆状态state初始值为UN，当车辆行驶途中成为簇头结点，则state切换为CH，若是成为簇成员结点，state切换为CM；车辆邻居表neighbor初始值为空，后续根据距离添加结点数据结构中相应数据；车辆簇成员表member初始值为空，后续该结点成为簇头结点，则member中添加簇成员结点的相应数据；车辆的簇头ID head_id，初始值为空，当结点成为簇成员结点后，更新为其所属簇头结点的ID号；车辆支持向量机参数C和gamma，C是惩罚参数设定为0.25，gamma是核参数，初始值1至500随机设定。C是惩罚系数，理解为对误差的宽容度，C越高，容易过拟合，C越小，容易欠拟合。

S102、将车辆结点自身属性提取为一个4维特征向量，自身属性包含在以上数据结构中的车辆种类、车辆x坐标，车辆y坐标和车辆速度。经过数据标准化，特征t的标准化处理如下：

其中，t’表示标准化后的t，mean为特征t所有数据的均值，std为特征t所有数据的标准差。

得到车辆结点特征向量x_vehicle_i如下：

x_vehicle_i＝(type_i，xpos_i，ypos_i，s_i)

其中type_i为标准化后的车辆种类，xpos_i为标准化后的车辆x坐标，ypos_i为标准化后的车辆y坐标，s_i为标准化后的车辆速度。

S103、构建每个车辆结点携带有自身的支持向量机模型，用于结点成为簇头或是入簇的时候提取数据结构中C和gamma进行判断。决策函数如下所示：

其中sign()为符号函数，当n为正时，sign(n)为1，n为负时，sign(n)为-1，n为零时，sign(n)为0。gamma是选择高斯核函数作为核函数后，该函数自带的一个参数。gamma越大，支持向量越少，gamma值越小，支持向量越多。支持向量的个数影响算法运行的速度。其中α_i和α_i*为拉格朗日乘子，为正值，y_i表示簇头结点的类别，y_j是输入的结点的类别特征。

步骤二、在分簇阶段，初上道路的UN车辆结点使用改进的AP聚类算法实现簇头选择，具体来说：

S201、初上道路的所有车辆使用改进的AP聚类算法DAPC依次进行相似度计算，具体如下：

其中，D_i为结点i的所有时刻平均位移，即为结点i的位移值的数学期望。MR为车辆最大通信距离，即为一跳距离。Speed_i为结点速度瞬时速度的数学期望，speed_m是最大限速。

初始时刻道路上车辆结点的根据如下标准进行簇头选择。若是r(i，i)+a(i，i)＞0，则结点i作为一个簇头结点。

其中r(i，k)为吸引度，是从结点k发送至结点i的消息，表示结点i选择结点j作为簇头的合适程度，r(i，k)是自吸引度。a(i，k)为归属度，是从结点i发送至结点k的消息，表示结点k适合作为结点i的簇头合适程度，a(i，i)为自归属度。计算如下：

r(i,k)＝s(i,k)-max{a(i,k′)+s(i,k′)}

a(i，k)＝min{0，r(k，k)+∑max(0，r(i′，k))}

a(k,k)＝∑max(0,r(i′,k))

其中k≠k’，k’表示除k以外结点。a(i,k’)表示除k外其他点对i点的归属度值，初始为0；s(i,k’)表示除k外其他点对i的吸引度，即i外其他点都在争夺i点的所有权；r(i’,k)表示点k作为除i外其他点的聚类中心的相似度值，取所有大于等于0的吸引度值，加上k作为聚类中心的可能性，即点k在这些吸引度值大于0的数据点的支持下，数据点i选择k作为其聚类中心的累积证明；

S202、为了制定邻居表中最优簇头选择标准，构造如下的了复合评估函数：

(1)位置缩放功能相关定义如下，un结点需要加入簇头结点t所在的簇内，需要对其位置进行变换：

其中num_t为当前簇t中的结点数。x_t为簇头结点的x坐标，y_t为簇头结点的y坐标。x_un为UN车辆结点的x坐标，y_un为车辆结点的y坐标。

(2)归属度和吸引度求和：

其中CH_i表示结点i的簇头，即为结点k。取值为归属度和吸引度之和。

S203、DAPC算法中构造最优簇头选择规则。定义如下所示：

CH_m＝w₁ arg min DF+w₂ arg min(-CH_old)

其中w₁+w₂＝1。该函数对应的w₁值应大于w₂。w₁与w₂它们的值取决于AP聚类的性能。

步骤三、最优簇头选择结束后，车辆结点将进行入簇过程。

具体来说：车辆结点使用该簇头结点的支持向量机模型进行入簇。此时UN车辆结点的特征向量输入到该簇头结点自身携带的支持向量机分类器中，进行入簇判定。若车辆结点分类结果与簇头分类一致，视为结点会加入到这个簇中，并向簇头发送入簇请求。同时附带自己的当前位置坐标、平均车速等数据结构中的数据；

车辆结点如果在连续3个簇头广播时间周期T_broadcast(T_broadcast即为时间间隔1秒)内未能成功加入任何簇。则其可以发起建立新簇。自身作为这个新簇的簇头结点。

步骤四、车辆结点入簇后，根据运行状态来进行簇维护操作；

所述步骤四具体来说包括：

(1)簇的合并

当同方向行驶两个簇头之间距离达到设定阈值，该阈值为结点通信距离，一般为300米。此时两个簇头交换各自数据结构中提取的特征向量，输入至各自的车辆结点所携带的支持向量机模型中进行训练，比较结果是否一致。满足上述两个条件则两个簇可以进行合并。合并后的新簇的簇头结点选择规模较大的簇的簇头，即为原先簇成员数量较多的簇的簇头成为合并簇的新簇头结点，较小规模的簇的簇头结点变为新簇头结点的簇成员。

(2)簇成员断开连接

若簇内某个成员结点连续3个簇头广播时间周期(周期为1秒)未收到本簇头的广播信息，即判断结点本身已离开簇，成为UN结点。若簇头结点连续3个簇头广播时间周期未收到某个簇内结点的在簇报告，即判断该结点已离簇。当簇内簇成员全都断开连接，簇头结点将尝试加入其通信半径内最近簇中，若加入成功，原先簇视为消亡。

(3)簇头结点连接断开

对于簇成员车辆结点，出于某些特殊原因，例如簇头结点的通信硬件出现故障或者离开道路等，导致其簇头改变状态并主动断开与簇内所有结点的连接。簇头结点离开簇时，若当前簇内仍有结点存在，则重新按照簇头选择算法来选择新簇头。

步骤五、在指定时间内，车辆结点行驶结束后，需对每个车辆结点的状态进行总结。若某个簇内存在大量簇成员结点的存活时间较短，则需要对簇头结点支持向量机的参数C和gamma进行调整，以优化簇头车辆结点的性能。使得在后续行驶的路段中加入该簇的成员结点可以保持相对较长的存活时间。

与现有技术相比，本发明的有益效果为：

1、本发明主要针对车联网VANET中车辆结点的高移动性导致网络拓扑结构的不稳定和受限的移动轨迹等特点，通过使用支持向量机算法对车辆结点进行分簇，为簇内车辆结点提供相对稳定的通信环境和可靠的管理手段，提高簇的稳定性；改进AP聚类算法进行簇头结点选取，使得簇头选举更加高效，相比现有分簇算法，在本发明中，车辆结点入簇无需借助第三方设备，分簇效率更高。

2、本发明中所设计的分簇方法采用了支持向量机算法处理车辆结点分簇问题，而非适用于大数据场景的深度神经网络方法，可以应对VANET中快速变化的拓扑结构。

3、本发明的基于支持向量机的车联网分簇方法与以往所研究的分簇方法有所不同，是一个轻量级分布式框架，未借助第三方RSU数据中心，车辆结点均可完成快速自主入簇，无需复杂运算。

4、本发明的基于支持向量机的车联网分簇方法通过有一定自适应性，可应对不同交通场景。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。

图1为本发明的实施例1中提供的基于支持向量机的VANET分簇算法中车辆结点数据结构示意图。

图2为本发明的实施例1中提供的基于支持向量机的VANET分簇算法中簇合并流程图。

图3为本发明的实施例1中提供的基于支持向量机的VANET分簇算法中支持向量机调参流程图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。当然，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

实施例1

参见图1至图3，本实施例提供一种基于支持向量机的VANET分簇算法，具体包括如下步骤：

步骤一、对数据集中提取车辆所需的属性参数进行标准化处理后作为特征向量，具体地：

提取法国环岛数据集中车辆所属属性参数，包括车辆种类vehicle_type，车辆x坐标vehicle_x，车辆y坐标vehicle_y，车辆速度vehicle_speed。得到每个车辆结点的特征向量x_vehicle如下：

x_vehicle_i＝(type_i，xpos_i，ypos_i，s_i)

其中type_i为标准化后的车辆种类，xpos_i为标准化后的车辆x坐标，ypos_i为标准化后的车辆y坐标，s_i为标准化后的车辆速度。

步骤二、根据数据集建立车辆结点数据结构，具体的说：

车辆结点数据结构的构造中包含的数据如图1所示。将数据集中每个车辆的数据与所设的其他属性值合并作为一个数据结构。每个车辆结点的数据结构通过时间time来索引。

步骤三、初始时刻使用DAPC算法进行簇头结点选择，具体地：

S301、将步骤一中所提取的初始时刻特征向量x_vehicle_i输入至DAPC算法中，得到10个车辆结点的类别label，以及簇头结点的索引index；

S302、根据簇头索引来确定若干个簇头结点并更新各个簇头车辆结点数据结构中的对应数据。其余车辆根据类别匹配相应的簇头结点，并加入到该簇头结点所在簇内，成为成员结点。初始时刻结束，道路上存在若干个簇。

步骤S4、车辆开始行驶时，道路上的UN结点开始加入簇，具体地：

S401、遍历当前簇头结点，将各个簇头结点添加至当前UN结点的邻居表内；

S402、每个UN结点通过DAPC算法选择邻居表内最优簇头结点。

S403、每个UN结点开始入簇：将结点自身特征向量输入至所选簇头的支持向量机模型中。衡量计算结果，若和簇头保持一致。则判定该结点可以加入该簇内。结点入簇后，更新数据结构中相关数据。簇头结点更新member_list，成员结点更新head_id。

步骤S5、车辆结点行驶过程中的簇维护操作，具体来说：

(1)簇的合并：

S501、比较两个不同簇头间的距离，当距离小于簇头通信半径(一般为300米)时；

S502、将两个簇头结点的特征向量输入到另一个结点的支持向量机模型中；

S503、比较此时两个簇头结点的支持向量机计算结果，若一致则视为两个簇可以合并。

S504、将较大簇的簇头作为新合并的簇的簇头，旧簇头以及其簇成员都作为新簇的簇成员，并且更新各个结点数据结构中的数据；

(2)簇成员结点和簇头结点连接断开，具体来地：

S511、比较簇成员结点与所属簇头结点的距离，是否超出自身通信距离(一般为300米)。

S512、若超出距离的话视为该成员结点断开与所属簇头结点的连接。

S513、结点断开与簇头的连接后，需要对数据结构中的数据进行更新，切换标识flag为false，，并将自身簇头ID置为空值。原先簇头结点需要更新成员表，删除该结点的数据结构数据。

(2)簇消亡，具体来说：

S521、当簇内所有簇成员全都断开连接，簇头结点将尝试加入其通信半径内最近的簇头所在簇中。

S522、簇头结点按照上述步骤4进行入簇，若加入成功，原先簇视为消亡，并清空数据结构中相对应数据。

步骤S6，对各个簇头结点的支持向量机模型进行调参，具体如图3所示。

S601、在算法运行结束一次后，对每个历史簇头进行评估，对其中每个簇成员的存活时间进行统计。

S602、若存在半数以上结点的存活时间低于该簇的成员结点平均存活时间，则使用网格搜索法对该簇头的支持向量机的参数进行调整，其中网格搜索法的间隔设定为(0，m)其中m为此时gamma参数的初始随机值，即为(0，500)内的随机数。

S603、重复S601和S602步骤，直到簇内半数以上结点的存活时间高于平均存活时间，则算法停止。

表1车辆数据结构表

表2全局变量设定表

表3性能指标表

本发明中基于支持向量机的车联网分簇方法可以提高簇的稳定性；在本发明中，车辆结点入簇无需借助第三方设备，可以自主快速入簇；该分簇方法是一个轻量级分布式框架，且具有一定自适应性，可以适应不同交通场景。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.一种基于支持向量机的VANET分簇算法，其特征在于，包括以下步骤：

步骤一、对每辆初上道路行驶的车辆结点进行特征向量提取，根据特征向量构造每个车辆结点的支持向量机模型；

步骤二、在分簇阶段，初上道路的UN车辆结点未进入簇的车辆使用改进的AP聚类算法实现簇头选择；

步骤三、最优簇头选择结束后，车辆结点将进行入簇过程；

步骤四、车辆结点入簇后，根据运行状态来进行簇维护操作；

步骤五、在指定时间内，车辆结点行驶结束后，需对每个车辆结点的状态进行总结，若某个簇内存在大量簇成员结点的存活时间较短，则需要对簇头结点支持向量机的参数C和gamma进行调整，以优化簇头车辆结点的性能，使得在后续行驶的路段中加入该簇的成员结点保持相对较长的存活时间。

2.根据权利要求1所述的基于支持向量机的VANET分簇算法，其特征在于，所述步骤一中：

S101、为车辆构造建立如表1所示的数据结构，其中包含当前时间点time，取值为车辆在目标路段的行驶时间；车辆种类vehicle_type，根据车辆种类为大巴车、汽车、货车进行取值，需进行量纲转化，依次转化为0，1，2，后续参与Z标准化；车辆的x坐标或经度vehicle_x；车辆的y坐标或纬度vehicle_y；车辆的速度vehicle_speed；车辆的ID号vehicle_id，为车辆的行驶方向与车辆所在车道组成的一个英文标识；初始时，车辆入簇时间in_time和离簇时间out_time为空0，当后续车辆在行驶途中加入簇或是离开簇，记录当前时刻；车辆标识flag初始值为false，当车辆在行驶途中进入簇内，则flag切换为True；车辆状态state初始值为UN，当车辆行驶途中成为簇头结点，则state切换为CH簇头车辆结点，若是成为簇成员结点，state切换为CM簇成员车辆结点；车辆邻居表neighbor初始值为空，后续根据距离添加结点数据结构中相应数据；车辆簇成员表member初始值为空，后续该结点成为簇头结点，则member中添加簇成员结点的相应数据；车辆的簇头ID head_id，初始值为空，当结点成为簇成员结点后，更新为其所属簇头结点的ID号；车辆支持向量机参数C和gamma，C是惩罚参数，设定为0.25，gamma是核参数，初始值1到500随机设定；C是惩罚系数，是对误差的宽容度，C越高，容易过拟合，C越小，容易欠拟合；

S102、将车辆结点自身属性提取为一个4维特征向量，自身属性包含在以上数据结构中的车辆种类、车辆x坐标，车辆y坐标和车辆速度，经过数据标准化，特征t的标准化处理如下：

其中，t’表示标准化后的t，mean为特征t所有数据的均值，std为特征t所有数据的标准差；

得到车辆结点特征向量x_vehicle_i如下：

x_vehicle_i＝(type_i，xpos_i，ypos_i，s_i)

其中type_i为标准化后的车辆种类，xpos_i为标准化后的车辆x坐标，ypos_i为标准化后的车辆y坐标，s_i为标准化后的车辆速度；

S103、构建每个车辆结点携带有自身的支持向量机模型，用于结点成为簇头或是入簇的时候提取数据结构中C和gamma进行判断，决策函数如下所示：

其中sign()为符号函数，当n为正时，sign(n)为1，n为负时，sign(n)为-1，n为零时，sign(n)为0，gamma是选择高斯核函数作为核函数后，该函数自带的一个参数，gamma越大，支持向量越少，gamma值越小，支持向量越多，支持向量的个数影响算法运行的速度，其中α_i和α_i*为拉格朗日乘子，为正值，y_i表示簇头结点的类别，y_j是输入的结点的类别特征。

3.根据权利要求1所述的基于支持向量机的VANET分簇算法，其特征在于，所述步骤二中，在分簇阶段，初上道路的UN车辆结点使用改进的AP聚类算法实现簇头选择，包括如下步骤：

S201、初上道路的所有车辆使用改进的AP聚类算法DAPC进行相似度计算如下：

其中，D_i为结点i的所有时刻平均位移，即为结点i的位移值的数学期望，MR为车辆最大通信距离，即为一跳距离，Speed_i为结点的瞬时速度的数学期望，speed_m是最大限速；

初始时刻道路上车辆结点的根据如下标准进行簇头选择，若是r(i，i)+a(i，i)＞0，则结点i作为一个簇头结点，满足该条件的结点都作为簇头结点；

其中r(i，k)为吸引度，是从结点k发送至结点i的消息，表示结点i选择结点j作为簇头的合适程度，r(i，i)是自吸引度；a(i，k)为归属度，是从结点i发送至结点k的消息，表示结点k适合作为结点i的簇头合适程度，a(i，i)为自归属度；计算如下：

r(i，k)＝s(i，k)-max{a(i，k′)+s(i，k′)}

a(i，k)＝min{0，r(k，k)+∑max(0，r(i′，k))}

a(k，k)＝∑max(0，r(i′，k))

其中k≠k’，k’表示除k以外结点，a(i，k’)表示除k外其他点对i点的归属度值，初始为0；s(i，k’)表示除k外其他点对i的相似度，即i外其他点在争夺i点的所有权；r(i’，k)表示点k作为除i外其他点的聚类中心的程度，取所有大于等于0的吸引度值，加上k作为聚类中心的可能性，即点k在这些吸引度值大于0的数据点的支持下，数据点i选择k作为其聚类中心的累积证明；

S202、为了制定邻居表中最优簇头选择标准，构造如下的了复合评估函数：

(1)位置缩放功能相关定义如下，结点un需要加入簇头结点t所在的簇内，需要对其位置进行变换：

其中num_t为当前簇t中的结点数，x_t为簇头结点的x坐标，y_t为簇头结点的y坐标，x_un为UN车辆结点的x坐标，y_un为车辆结点的y坐标；

(2)归属度和吸引度求和：

其中CH_i表示结点i的簇头，即为结点k，取值为归属度和吸引度之和；

S203、DAPC算法中构造最优簇头选择规则，定义如下所示：

CH_m＝w₁argminDF+w₂argmin(-CH_old)

其中w₁+w₂＝1，该函数对应的w₁值应大于w₂，w₁与w₂它们的值取决于AP聚类的性能。

4.根据权利要求1所述的基于支持向量机的VANET分簇算法，其特征在于，所述步骤三中，最优簇头选择结束后，车辆结点将进行入簇过程，包括如下内容：

车辆结点使用该簇头结点的支持向量机模型进行入簇，此时UN车辆结点的特征向量输入到该簇头结点自身携带的支持向量机分类器中，进行入簇判定；若车辆结点分类结果与簇头分类一致，视为结点会加入到这个簇中，并向簇头发送入簇请求，同时附带自己的当前位置坐标、平均车速等数据结构中的数据；

车辆结点如果在连续3个簇头广播时间周期T_broadcast内未能成功加入任何簇，则其可发起建立新簇，自身作为这个新簇的簇头结点。

5.根据权利要求1所述的基于支持向量机的VANET分簇算法，其特征在于，所述步骤四中，车辆结点入簇后，根据运行状态来进行簇维护操作；包括如下步骤：

(1)簇的合并

当同方向行驶两个簇头之间距离达到设定阈值，此时两个簇头交换各自数据结构中提取的特征向量，输入至各自的车辆结点所携带的支持向量机模型中进行训练，比较结果是否一致，满足上述两个条件则两个簇可进行合并，合并后的新簇的簇头结点选择规模较大的簇的簇头，即为原先簇成员数量较多的簇的簇头成为合并簇的新簇头结点，较小规模的簇的簇头结点变为新簇头结点的簇成员；

(2)簇成员断开连接

若簇内某个成员结点连续3个簇头广播时间周期未收到本簇头的广播信息，即判断结点本身已离开簇，成为UN结点，若簇头结点连续3个簇头广播时间周期未收到某个簇内结点的在簇报告，即判断该结点已离簇，当簇内簇成员全都断开连接，簇头结点将尝试加入其通信半径内最近簇中，若加入成功，原先簇视为消亡；

(3)簇头结点连接断开

对于簇成员车辆结点，出于某些特殊原因，如簇头结点的通信硬件出现故障或者离开道路等，导致其簇头改变状态并主动断开与簇内所有结点的连接，簇头结点离开簇时，若当前簇内仍有结点存在，则重新按照簇头选择算法来选择新簇头。

Images