一种车载网络区分用户移动行为相似性的方法
【专利摘要】本发明公开了一种车载网络区分用户移动行为相似性的方法，属于网络通信领域。所述方法包括：车载网络中的车载节点移动信息存储单元MNIU通过统计车辆移动信息，生成移动速度相似度；基站信息存储单元APIU统计历史移动轨迹并预测未来的移动轨迹，生成动态的节点移动轨迹相似度。将不同节点移动轨迹相似度和移动速度相似度通过加权处理生成二者移动相似度，区分节点间移动行为相似性。本发明可用于区分车载网络中用户移动性行为相似性，本发明可用于车载网络中社区用户的移动相似性区分，降低移动节点之间长距离通信的概率，提高移动用户之间信息分享效率。
【专利说明】—种车载网络区分用户移动行为相似性的方法
【技术领域】
[0001]本发明涉及网络通信领域，特别涉及一种车载网络区分用户移动行为相似性的方法。
【背景技术】
[0002]随着车载网络的迅速发展，产生了包括许多移动流媒体应用在内的大量新颖的应用程序。而且，多种新通信协议的出现和移动多媒体技术的发展，使得在各种复杂道路场景中通过车载网络向司机和乘客提供所需的高带宽服务体验成为可能。在需求差异化发展的今天，不同的用户需要的服务各不相同。为了提供更好的用户体验，需要向具有不同属性的用户分别提供其所需的高带宽服务。其中，一种十分直观的用户属性是用户的移动属性。因此，业内大量的研究者致力于研究区分用户移动行为相似性的方法。考虑到车载网络中的移动节点往往处在高速运动之中，节点之间的地理距离迅速变化，节点之间的数据传输效率受到了影响，导致了车载网络工作时维护代价高但效率很低。有鉴于此，为了更加精确的划分用户移动属性，采用对具有相同移动性行为的用户进行划分的方法。
[0003]通过将具有相同或者相似特性的用户进行划分，可以充分区分用户移动属性，以提高车载网络数据传输性能，降低无线传输中不必要的能量消耗，有鉴于此，不同无线网络策略对移动性相似度的定义互不相同，所采用的用户移动性划分方法也各不相同。例如，SPOON是一种在移动ad-hoc网络中使用的P2P内容文件分享解决方案，它将具有相同文件兴趣和经常交互信息的用户认为划分为相同移动性；还有C5，它把那些在同一时间段内地理位置相近的移动节点和那些服务请求相同的移动节点划归为相同移动性。
[0004]用户移动性区分实质上是对用户节点移动行为相似性进行划分的一种方式，其一般有以下几种方式:图划分、分割划分和层次划分。然而，这三种划分方式分别有其内在的缺点，使得用户移动行为相似性区分的精度不高，并且结构上十分脆弱。例如，图划分方式基于已有的移动性知识来判断节点移动属性，划分灵活性和精确程度不高，难以应对动态变化的无线网络环境。分割划分则预定义移动行为相似性的相关信息，这种方式的优点在于无需预设定任何移动行为相似性知识或相似度评估机制，缺点是划分结果准确度比较低，不能适应更高精确度要求的场合。分层划分方式的精确度主要取决于节点相似性评估方法的优劣，所以难以精确描述不同节点之间移动属性的异同程度，使得在层划分中很可能将并不相似的节点误评估为具有相同相似性的节点，出现大量的错误区分信息。
[0005]针对以上问题，本发明提供了一种车载网络区分用户移动行为相似性的方法。
【发明内容】
[0006]本发明提供了一种车载网络区分用户移动行为相似性的方法。
[0007]所述技术方案如下:
[0008]车载网络中的车载节点维护特定的列表存储单元,负责保存此车载节点运动中连接的基站和基站范围内的停留时间等相关信息。该单元称为车载节点移动信息存储单元丽IU，所存储的信息包括车辆ID号、当前时刻连接的基站ID号ApAi信号覆盖范围内Vi的停留时间STi和此记录关联的时间戮RTi等；
[0009]与此对应，基站中维护特定的列表存储单元，负责保存此基站信号覆盖范围内所有车辆的移动信息。该单元称为车载网络中的基站信息储存单元APIU，所存储的信息包括基站ID号Ai和当前时刻连接的车辆ID号ViJi在Ai信号覆盖范围内的停留时间STi和此记录关联的时间戳RTi等。
[0010]车载网络中的车载节点移动信息存储单元MNIU通过统计车辆移动信息，生成移动速度相似度；基站信息存储单元APIU统计历史移动轨迹并预测未来的移动轨迹，，生成动态的节点移动轨迹相似度。将不同节点移动轨迹相似度和移动速度相似度通过加权处理生成二者移动相似度，区分节点间移动行为相似性。
[0011 ] 移动速度相似度计算方法包括:
[0012]计算节点间停留时间相似值；
[0013]根据节点间停留时间相似度定义，计算节点间移动速度相似度。
[0014]移动轨迹相似度计算方法包括:
[0015]提取MNIU中连接基站Ai的历史记录和对应时间的时间戳信息，生成车载节点的历史运动轨迹记录；
[0016]将车载节点的未来移动轨迹用马尔可夫过程描述，利用生成的转移概率矩阵预测车载节点可能连接的下一个基站，生成车载节点未来移动轨迹预测；
[0017]通过车载节点的历史运动轨迹记录和未来移动轨迹预测计算移动轨迹相似度。
[0018]节点间移动相似性的判断方法包括:
[0019]节点间移动相似度由移动轨迹相似度和移动速度相似度加权处理生成；
[0020]所得节点间移动相似度与最小阀值比较，如果大于这个阀值，判断节点移动相似性相同。
[0021]阀值的设置，包括但不仅限于预设、动态感知和统计分析等方法。
[0022]本发明具有如下技术效果:
[0023]车载网络中的车载节点移动信息存储单元MNIU通过统计车辆移动信息，生成移动速度相似度；基站信息存储单元APIU统计历史移动轨迹并预测未来的移动轨迹，，生成动态的节点移动轨迹相似度。将不同节点移动轨迹相似度和移动速度相似度通过加权处理生成二者移动相似度，区分节点间移动行为相似性。本发明所述方案对用户移动行为相似性的区分更加精确，维护代价小，划分稳定性高。
【专利附图】
【附图说明】
[0024]为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0025]图1是本发明设计的一个应用场景示意图；
[0026]图2是本发明设计的整体框架；
[0027]图3 (a)、图3 (b)是本发明设计的信息存储基础单元组成结构[0028]图4是本发明设计的车载节点状态改变示意图【具体实施方式】
[0029]为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。
[0030]参见图1，显示了某车载网络中的一个应用场景示意图，根据移动属性的不同，车载移动节点被分别划分。
[0031]具体步骤如下:
[0032]步骤I,参见图3,基站负责维护基站信息储存单元APIU(Access PointInformation Unit)。此单元包括四部分,分别是基站ID号Ai和当前时刻连接的车辆ID号Vi, Vi在Ai信号覆盖范围内的停留时间STi和此记录关联的时间戳RTi ;车载节点负责维护移动信息储存单元MNIU(Mobile Node Information Unit)。此单元包括四部分,分别是车辆ID号、当前时刻连接的基站ID号A1、Ai信号覆盖范围内Vi的停留时间STi和此记录关联的时间戳RTit5
[0033]步骤2，定义车载节点状态Sa，表述某个车载节点Vi正处在基站APa信号覆盖范围之内并与之连接。
[0034]参见图4，当车辆没有离开现有基站APa的范围时，此车的车载节点状态仍然是Sa，并未改变；且假设节点Vi由于移动等原因，离开基站APa的范围，进入到基站APa的范围内，此车载移动节点状态已发生改变，那么Vi从APa移动到APb时，车载节点状态已由Sa变为Sb。
[0035]车载节点状态转变的过程可用马尔可夫过程描述，
[0036]{Χη, η > 0}, Xn e S.[0037]其中，Xn表示第η次的车载节点状态，S = Is1, S2, , sv}表示车载节点状态的集合。[0038]转换状态Xn和集合状态S可用于描述车辆移动轨迹。APIU和MNIU中所有的RTi按照时间先后顺序排列，生成该车辆的历史运动轨迹Hitit5
[0039]步骤4，使用TnCTtl = 0)表示第η次状态转移的时间，同时定义车载节点状态Sa的持续时间为 。也就是说，t( }就是节点Vi在号覆盖范围内的停留时间。
[0040]步骤5，使用Tab定义在Tn时刻^从Sa到Sb的状态转移过程中的发生概率:
[0041 ] Tab = Pr {Xn+1 = b, Tn+1_Tn ≤ 11 Xn = a}
[0042]= Pr {Xn+1 = b I Xn = a} X(I)
[0043]Pr {Tn+「Tn ( 11 Xn+1 = b, Xn = a}
[0044]= PabHab
[0045]其中，Pll表示状态 Sa 到 Sb 的概率，Hab = Pr {Tn+1_Tn ( 11 Xn+1 = b, Xn = a}表示了在& — Sb触发前的概率。
[0046]显而易见的是，在不考虑下一次转移状态的前提下，Ka等于车载移动节点状态Sa的持续时间，也就是车载节点Vi进入APa信号覆盖范围内的时间。由于基站范围是一定的，tSa与Vi的移动速度成反比。&越大，Vi的移动速度越低；反之，k越小，Vi的移动速度越闻。
[0047]步骤6，定义在APa的范围内停留的时间是事件发生概率为:
[0048]
【权利要求】
1.一种车载网络区分用户移动行为相似性的方法，其特征在于，车载网络中的车载节点移动信息存储单元MNIU通过统计车辆移动信息，生成移动速度相似度；基站信息存储单元APIU统计历史移动轨迹并预测未来的移动轨迹，生成动态的节点移动轨迹相似度。将不同节点移动轨迹相似度和移动速度相似度通过加权处理生成二者移动相似度，区分节点间移动行为相似性。
2.如权利要求1所述方法，其特征在于: 车载节点移动信息存储单元MNIU至少包括:车辆ID号、当前时刻连接的基站ID号ApAi信号覆盖范围内Vi的停留时间STi和此记录关联的时间戳RTi ； 车载网络中的基站信息储存单元APIU至少包括:基站ID号Ai和当前时刻连接的车辆ID号Vp Vi在Ai信号覆盖范围内的停留时间STi和此记录关联的时间戳RTitl
3.如权利要求1所述方法，其特征在于，所述的移动速度相似度计算方法包括: 计算节点间停留时间相似值； 根据节点间停留时间相似度定义，计算节点间移动速度相似度。
4.如权利要求1所述方法，其特征在于，所述的移动轨迹相似度计算方法包括: 提取MNIU中连接基站Ai的历史记录和对应时间的时间戳信息，生成车载节点的历史运动轨迹记录； 将车载节点的未来移动轨迹用马尔可夫过程描述，利用生成的转移概率矩阵预测车载节点可能连接的下一个基站，生成车载节点未来移动轨迹预测； 通过车载节点的历史运动轨迹记录和未来移动轨迹预测计算移动轨迹相似度。
5.如权利要求1?4所述方法，其特征在于，所述节点间移动相似性的判断方法包括: 节点间移动相似度由移动轨迹相似度和移动速度相似度加权处理生成； 所得节点间移动相似度与最小阀值比较，如果大于这个阀值，判断节点移动相似性相同。
6.如权利要求5所述方法，其特征在于，所述阀值的取舍，包括但不仅限于预设、动态感知和统计分析等方法。
【文档编号】H04W8/02GK103957509SQ201410191046
【公开日】2014年7月30日 申请日期:2014年5月7日 优先权日:2014年5月7日
【发明者】许长桥, 关建峰, 张宏科, 贾世杰, 王目, 范振雄 申请人:北京邮电大学