车联网中节点分布特性分析方法
【技术领域】
[0001] 本发明涉及车联网技术领域。
【背景技术】
[0002] 车联网环境是由无线网络环境和现实的道路情况相结合组成的复杂网络，需要考 虑到车辆节点状态信息、移动轨迹以及移动模型等，整体运行复杂。在车联网环境下，由于 车辆节点的高速移动，车辆节点组成的网络拓扑会频繁变化，车辆之间的网络也不断的连 接和断开，导致这个网络连接很不稳定，通达性不能保证。
【发明内容】
[0003] 本发明目的在于公开一种车联网中节点分布特性分析方法。在车联网中，高速公 路场景通常可以看作一个一维的交通场景，车辆只能沿着高速公路双方向行驶，因而运动 轨迹和节点分布具有一定的规律性。然而可能存在沿某条道路行驶的车辆节点较多的情 况，由于交通事故或者雨雪天气多数节点拥塞在某一路段，收费站、服务区等车辆节点也可 能众多。城市场景则不同于高速公路场景，道路交通更为交错复杂，且上下班高峰、交通事 故等不确定因素使得道路交通拥塞，闲时某些偏僻路段的车辆稀疏，高楼大厦对网络通信 的阻碍都是车联网通达性问题研究中要考虑的问题。因此，对网络中节点分布特性的研究 很有必要，本发明通过实验分别对高速公路场景和城市场景的节点分布特性进行分析，为 车联网相关技术研究提供实验依据。
[0004] 本发明技术方案：
[0005] 本发明选择SUMO和网络仿真软件OMNET++进行交通和网络联合仿真，并利用 Veins实现两者的信息交互，实现双向通信，完成交通的模拟和数据的采集的实验平台，并 选择具有权威性的数据集进行仿真实验并采集其中道路信息。结果表明，在车联网这个无 尺度网络中，大部分车辆只与极少数车辆进行消息通信，这些关键车辆节点对网络信息的 转发具有重要价值；高速公路场景的车流量一般能维持在一个稳定的水平，而城市道路状 态变化剧烈，网络节点则表现的时而稠密，时而稀疏，因此需针对城市场景需要特殊的方法 进行处理。
[0006] 本发明通过实验分别对高速公路场景和城市场景的节点分布特性进行分析，为车 联网相关技术研究提供实验依据。
【附图说明】
[0007] 图1仿真实验平台
[0008] 图2 TAPASCologne在SUMO上仿真后得到的在6:00到8:00时间段车辆数量随时 间分布图
[0009] 图3所示为TAPASCologne上郊区一高速公路上已长度为400m的路段在SUMO上 仿真后得到的在6:00到8:00时间段车辆数量随时间分布图（(a)6:03,不服从长尾分布； (b) 7:17，服从长尾分布；（c) 7:45，服从长尾分布）
[0010] 图4三个时间点的度-频次分布图 [0011 ] 图5节点稀疏道路
[0012] 图6路口 A车辆数变化趋势图
[0013] 图7节点稠密道路
[0014] 图8路口 B车辆数变化趋势图
【具体实施方式】
[0015] 车联网系统是个复杂的系统，其网络拓扑变化剧烈，因而车联网路由协议性能受 网络中节点分布差异的影响，而目前的车联网路由协议未能针对节点分布特性做出系统性 的研究，因此它们受限于其使用场景。本发明通过实验方法分析车联网中节点分布特性，目 的是为车联网相关技术研究提供实验依据。
[0016] . 1车联网数据采集方法及结果
[0017] 在车联网的数据采集中，由于现阶段的技术导致采集真实的道路信息需要大量的 成本，且采集的数据在传输过程中可能被损坏，所以利用仿真软件是较好的选择。仿真数据 的真实性也反映了实验结果的真实性，因此，我们选择了具有权威性的数据集进行仿真实 验并米集其中道路?目息。
[0018] 1.1仿真平台
[0019] 车联网仿真一般会涉及交通仿真和网络仿真。交通仿真是采用软件方法模拟真实 道路交通状态的方法，它可以对城市规划和交通管理等进行模拟仿真和评价，而网络仿真 则是利用软件方法模拟一个网络群体中数据的传输和每个个体的行为方式，从而可以利用 统计方法分析网络性能。
[0020] 常用的道路交通仿真软件有SUMO、VISSIM、Paramics、TransModeler等，其中应用 较广的属于Viss頂和SUMO。vissm [43]能够模拟许多城市内和非城市内的交通状况，特别 适合模拟各种城市交通控制系统。SUMOm则是一款开源的微观交通模拟器，它把道路上单 个车辆作为模拟的基本单位，模拟单个车辆间的关系、车辆与道路的关系以及车辆与行人 的关系。微观交通模拟是基于跟车模型的基础对道路交通进行建模，其中有车辆节点移动 的基本规则，即跟车模型。在微观交通模拟中可以详细的描述出每个节点的时间、速度、加 速度、所在道路、行驶路线等信息，并可以实时获取网络中各个节点的状态信息并处理。
[0021] SUMO的开源性和易用性使得我们选择SUMO和网络仿真软件OMNET++进行交通和 网络联合仿真，并利用Veins[45]实现两者的信息交互，实现双向通信，完成交通的模拟和数 据的采集。其中，OMNET++是一款用于离散事件仿真模拟的网络仿真软件，Veins是一个开 源的用于实现车辆间通信的仿真框架。
[0022] 由于在对车联网进行模拟仿真时，既需要模拟消息的传递过程，也需要通过改变 车辆移动轨迹实现对所收到消息的反馈，期间的通信就需要Veins支持。Veins是两个模 拟器之间的桥梁，其中SUMO作为服务端，负责交通流仿真，控制车辆的移动；OMNET++作 为客户端，负责网络仿真，控制消息包的发送与传递，这种通信方式称为TraCI (Traffic Control Interface)，如图1所示。SUMO和OMNET++之间采用TCP连接的方式，利用Socket 实现信息交互。
[0023] 同时，由于在传统的车联网仿真中，无线通信模型通常直接采用802. Ila或对其 中相关参数稍加改变，但这一方式已无法满足对仿真准确度的要求，而Veins则采用了较 新的的IEEE 802. Ilp协议和DSRC/WAVE仿真模型，它可以完整的模拟WAVE的所有特性， 例如多信道以及QoS支持等。因此，Veins也很符合要求，最终的实验平台由SUMO、Veins、 OMNET++组成。
[0024] 本发明实验采用的SUMO版本为0. 21. 0, OMNET++版本为4. 3. 1，Veins版本为3. 0， 它们都运行在Windows 7操作系统上。开发环境为OMNET++集成的Eclipse。通过修改 cologne, sumo, cfg配置文件，设置每IOs获取当前道路所有车辆信息，并写入文件中，得到 的数据通过Veins自带工具转换成csv格式，便于后续数据分析。
[0025] 1. 2数据集
[0026] 本发明采用的数据集是TAPASCologne[46]大规模数据集（来源于the Institute of Transportation Systems at the German Aerospace Center (ITS-DLR)) 〇 该数据集是 目前可在线获取的规模最大的数据集，它采集了德国科隆市区400平方千米内的道路信息 和车辆移动信息，而生成的一天24小时在该区域的车辆节点的移动轨迹。但由于24小时数 据量巨大，我们只采用了早上6点至8点的时间的数据。Veins可以直接使用TAPASCologne 数据集而无需任何转换。采集的数据如表1所示。
[0027] 表1 SUMO仿真结果数据[26]
[0029]其中，vehicle@id、x、y、lat、Ion、speed 是后续数据处理的主要依据，vehicleOid 用于区分不同的车辆，X和y对应为地图上的位置坐标，Iat和Ion用于计算不同车辆的距 离，从而确定邻居节点等信息，speed是车辆行驶的关键数据。由于仿真软件的限制，我们 无法获取车辆的加速度、海拔、当前车况等关键信息，但这不影响后续实验的结果。
[0030] (案例）
[0031] 图2为TAPASCologne在SUMO上仿真后得到的在6:00到8:00时间段车辆数量随 时间分布图。6:00时由于处于仿真起始阶段，仿真节点缓慢加入，并且由于未进入上班高 峰，真实道路上车辆也少，符合真实情况；6:15后，进入上班高峰，城市道路车辆数量高速 增长，6:30后，增长放缓，但增长趋势一直持续一个多小时。大约在7:30时，整个城市车辆 数达到顶峰，约8600辆。此后，车辆数呈快速下降之势，城市道路状态逐渐恢复平稳。
[0032] (1)节点移动模型对分布特性影响
[0033] 车联网中节点的移动规律对通达性问题有重大影响。节点移动的快慢影响着车联 网网络拓扑变化的快慢，节点移动的方向影响着车联网网络拓扑变化的趋势，通过研究车 联网节点移动规律，可以为通达性路由机制的研究提供实验依据。在仿真平台中，节点的移 动规律被称作跟车模型。根据仿真规模的大小可分为三种模型，宏观模型考虑道路整体平 均车流密度，平均速度等宏观指标；微观模型是仿真道路上每个车辆的移动，一般假定车辆 行为同时依赖于车辆的物理属性和驾驶员的控制行为 [43];中观模型则是宏观模型和微观 模型的折衷，它的粒度介于微观模型与宏观模型之间。
[0034] 由于通达性问题研究主要针对的是节点间的问题，因此是微观模型的范畴。微 观模型的主要有GM(General Motor)模型，Krauss模型、心理-生理类驾驶行为模型和 IDM(Intelligent Driving Model)以及IDM的演变模型。所采用车辆仿真平台SUMO中使 用的是Krauss模型的演化版本SUMOKrau β。该模型假定驾驶员有大约Is的反应时间，并 使用表2. 2中5个参数
[0035] 表 2· 2 SUMOKrau β 模型参数
[0037] 该模型使用如下公式（1)计算安全车速
[0039] 安全车速是为能适应前车减速行为而设定的当前车速，其中V1 (t)为时刻t时的 前车速度，vf (t)为时刻t时的后车速度，g(t)为时刻t时前后车距，τ为驾驶员的反应时 间。当然，SUMO中使用的跟车模型是在此模型基础上进行了适当的改进，使它更加符合真 实情况。从公式（1)可见，在SUMO中，