一种基于位置预测的车辆间通信的路由方法与流程
本发明属于车辆间通信的路由方法，涉及一种基于位置预测的车辆间通信的路由方法，通过引入车辆位置以及状态特征，使用神经网络算法对历史数据进行训练，对车辆实时采集的数据进行下一步的位置预测，基于位置预测实现车辆间通信的路由。
背景技术：
行车安全问题自汽车诞生之日起就成为交通领域最受关注的问题之一。近年来，随着车载传感器技术的快速发展，诞生出一系列安全技术。然而，传感器的探测范围通常与驾驶人的视觉范围相当，并且其测量精度有一定的局限性，遭遇恶劣天气或周围车辆存在异常反射时，其性能会显著下降。为了解决传感器的不足，汽车和通信工程师正在全力研究车联网通信技术，利用车车(v2v，vehicletovehicle)、车路(v2i，vehicletoinfrastructure)之间进行信息交互，可以极大提升车辆的环境感知能力，进一步降低事故发生率，除了解决行车安全问题外，还将在提升交通通信效率、缓解拥堵、减轻环境污染等方面发挥显著作用。
车载局域网(van)又称车域网，是建立于车辆内部的局域网络，用于实现车内传感器模块、定位模块、通信模块(v2v、v2i)、显示模块等设施(设备)之间的信息交换和共享。车载自组网(vanet)是一种专门用于交通环境下的移动自组织网络。其中，车辆被虚拟成移动的网络节点，而道路周边的rsu被虚拟成静止的网络节点，通过车辆和rsu内的传感器，来采集道路及车辆周边的环境信息。其通信要求为：1.网络接入时间短；2.传输时延低，一般要求在100ms左右；3.传输可靠性高。车与车通信数据包在100字节内，车与路通信的数据包在340字节内；4.信息安全性高和个人隐私得到保护；5.通信范围有限(传输距离在50～500m)，频谱的利用率高，具有低干扰功能；6.具有足够的通信带宽保障等。
v2v通信路由协议的关键作用是将分组从源车辆发送到目的车辆，主要研究如何在动态变化的通信环境下，高效地把分组从源车辆送达目的车辆，也就是说，不仅要保证分组能够从源车辆发送到目的车辆，还要减少传输延迟，提高传输速度和传输率。特点：1、通信链路不稳定；2、车辆分布不均匀且拓扑变化剧烈。优势:1、车辆运动具有规律性；2、车辆不受能量约束；3、较强的信息感知能力。
移动对象空间定位技术的快速发展极大地推动了基于位置服务的广泛应用，为了使服务具有前瞻性，不仅要对移动对象当前活动的位置进行分析，更要能够对其位置进行预测。位置预测在车联网中有广泛的应用，包括1.解决因车辆移动速度过快频繁切换造成的通信性能下降，延迟率、丢包率上升甚至失去网络连接。2.安全性能应用，如前向碰撞警告(fcw)，以及舒适应用，如协作自适应巡航控制(cacc)。
v2v通信方式是在不借助基础设施的情况下，相邻车辆通过无线通信模块组建成用来临时通信的多跳网络，该网络中的每个车辆不仅仅是数据的发送方，而且是数据的接收方，同时车辆还需要起到中继转发的作用。当目的节点在源节点的一跳通信范围之内时，源节点可以直接与目的节点交互。当目的节点不在源节点的通信范围内时，需要采取多跳的方式实现分组的传输。这种网络组建灵活，扩展性好，但是由于车辆的分布不均匀和快速移动的特点，使得车辆之间的通信链路非常脆弱。v2v通信路由协议的关键作用是将分组从源车辆发送到目的车辆，主要研究如何在动态变化的通信环境下，高效地把分组从源车辆送达目的车辆，也就是说，不仅要保证分组能够从源车辆发送到目的车辆，还要减少传输延迟，提高传输速度和传输率。
贪婪周边无状态路由协议(gpsr)是众多v2v路由方法中的一种，主要包括转发数据包的两类方法：贪婪转发和周边转发。贪婪转发方法就是寻找最接近目的位置的一跳邻节点，然后向此节点转发数据包的方法；周边转发方法是在贪婪转发模式的补充，解决在执行贪婪转发失败的区域进行数据分组转发的困境。gpsr的优势在于，只需要保存一跳邻节点的状态信息，路由开销小；并且随着网络节点数的增加，比距离向量路由(dv)或链路状态路由(ls)有更强的扩展性。即使网络内节点移动频繁，gpsr协议都可以基于一跳邻节点的信息，迅速找到替代路由。
在贪婪周边无状态路由协议gpsr中，源节点在发起数据包发送的时候，在数据包上标识了目的节点的位置。在节点需要转发数据包，而需要选择下一跳节点的时候，做出局部最优的贪婪选择。具体而言，因为节点保存了所有一跳邻节点的位置，则在路由表中选择距离目的节点最近的邻节点作为局部最优选择，此邻节点成为转发数据包的下一跳节点。遵循寻找局部最优选择的这一方法，一直到数据包送抵目的位置。
贪婪转发的最大优势是，只需要保存节点的一跳邻居的信息。网络状态(繁忙程度、到达率等等)由网络中的节点密度决定，而不是网络规模。但gpsr的劣势也很明显，在拓扑结构由于节点高速而频繁变化的网络中与相邻节点的通信变得极其不稳定，通过贪婪转发选择的下一跳节点在接收到分组之前可能已经移出通信范围。周边转发将用于在贪婪转发失败之后转发分组，很可能在建立路由路径时具有冗余。
技术实现要素：
本发明的目的在于针对接入无线自组织网络中的车辆间通信路由问题，提出一种基于位置预测的车辆间通信的路由方法。
为了达到上述目的，本发明采用了以下技术方案：
一种基于位置预测的车辆间通信的路由方法，包括位置预测以及路由过程，其中，位置预测的具体过程如下：
1)通过车载gps以及传感器收集一定时间空隙的车辆位置信息和状态信息，其中位置信息包括经度与纬度信息；状态信息包括速度和方向；
2)经过整个运行时间的收集，得到车辆的轨迹信息，对此数据预处理为特征和标签；
3)将预处理后的数据输入神经网络模型中训练，经过神经网络的自我学习，习得车辆的驾驶偏好；
路由过程具体如下：
1)源节点提出向目的节点的路由请求，同时，源节点开始统计通信范围内所有节点的信息；
2)每个节点通过车载gps以及传感器收集车辆位置及状态的实时信息，包括经度、纬度、速度和方向，送入各自训练好的神经网络模型中，预测下一时刻各个节点的位置，报告给源节点；
3)源节点通过收到的目前通信范围内所有节点的角度、速度、下一时刻位置信息，更新可持续通信权重信息，将权重最大的节点选取为下一跳节点；
4)若一跳路由失败，则根据权重排序，选取次大的节点作为下一跳节点，直到路由成功；
5)若一跳路由完成后，重复步骤1)-4)，直到全部路由完成。
本发明进一步的改进在于，位置预测的步骤1)中，方向的范围为0到179度。
本发明进一步的改进在于，位置预测的步骤2)中，神经网络模型的特征为四维信息，包括经度、纬度、速度以及方向。
本发明进一步的改进在于，位置预测的步骤2)中，标签为两维信息，包括经度增量与纬度增量。
本发明进一步的改进在于，位置预测的步骤2)中，经度增量和纬度增量的计算方法为：经度增量＝后一时刻经度-前一时刻经度，纬度增量＝后一时刻纬度-前一时刻纬度。
本发明进一步的改进在于，路由过程中的步骤3)中权重包括角度权重w1、速度权重w2以及位置预测权重w3。
本发明进一步的改进在于，角度权重w1为：
w1＝cosα
其中，α为源节点和通信节点所成的角度，α取值范围为[0,180]。
本发明进一步的改进在于，速度权重w2为：
其中，v1-v2为源节点和通信节点的速度之差，w2的取值范围为(0,1)。
本发明进一步的改进在于，位置预测权重w3为：
其中，d1为源节点到通信节点之间的距离；d2为目的节点到通信节点之间的距离；d3为源节点的可通信范围的半径；d4为源节点到目的节点之间的距离；β表示源节点到目的节点和源节点到通信节点的夹角，β的范围是[0,180]。
与现有技术相比，本发明具有的有益效果：本发明应用全新的特征预测经过一定时间空隙后的车辆位置，并基于此的车辆间路由方法。在位置预测中，采用了位置信息和状态信息两类数据，对车辆的下一时刻位置进行预测。由于车辆的状态信息(速度和方向)在一定程度上可以推测出车辆下一步的位置，结合当前的位置信息，采用神经网络的方法，可以进一步挖掘驾驶者的驾驶习惯，结合历史轨迹中的地理特征(经度和纬度)，以提高预测的准确率。在路由方法中，基于已有的gpsr路由方法，加入了前一步位置预测所得到的结果，引入可持续通信权重。整个可持续通信权重不仅考虑了当前状态下，通信节点和源节点相对位置角度和速度对可持续通信的影响，还考虑了一定时间间隔后，由于车辆位置不断变化，预测位置之后对可持续通信的影响。但是由于车辆位置可能遭受随机事件的影响，所以将它们相加可以一定程度上减小由于位置预测的不准确，路由失败的几率。
附图说明
图1为神经网络模型的结构示意图。
图2为预测的实验结果对比图。
图3为节点间相对位置示意图。
图4为本发明的流程图。
具体实施方式
下面结合附图对本发明进行详细描述。
参见图4，本发明包括以下两个步骤：
1.预测位置
神经网络(neuralnetwork)在一定程度上是模仿与生物类似的功能，按照学习规则对输入做出相应的响应。在神经网络训练完成后，可以根据特定应用来执行特定的任务。神经网络具有从环境中学习的能力和以类似生物的交互方式适应环境的能力。
通过车载gps以及传感器收集一定时间空隙的车辆位置信息(包括经度、纬度)和状态信息(包括速度、方向)，得到车辆的历史运行轨迹，将处理过的数据送入神经网络中计算，输入为前一时刻车辆的位置信息和状态信息，输出为后一时刻车辆的位置信息。经过多条轨迹的多次训练后，神经网络模型习得车辆的驾驶偏好，并且具有通过当前位置和状态预测下一时刻位置的能力。
所述的位置预测方法具体步骤为：
1)通过车载gps以及传感器收集一定时间空隙的车辆位置信息和状态信息，其中位置信息包括经度与纬度信息，保留六位小数以确保其精度；状态信息包括速度和方向，速度单位为米每秒，方向(统一定义为与正东方向的夹角)，单位为度，其范围为0到179度。其中，一定时间空隙可以根据具体的需要确定，比如5s等。
2)经过整个运行时间的收集，得到车辆的轨迹信息，对此数据经行预处理。为了方便后续神经网络的训练，将数据预处理为特征和标签。其中，神经网络模型的特征为四维信息，包括经度、纬度、速度以及方向。标签为两维信息，包括经度增量与纬度增量。经度增量和纬度增量是通过计算得到的，计算方法为：经度增量＝后一时刻经度-前一时刻经度，纬度增量＝后一时刻纬度-前一时刻纬度。其中，整个运行时间可以为1天，也可以为从车辆启动到关闭。
3)参见图1，将预处理后的数据(即特征和标签)输入神经网络模型中训练，经过神经网络的自我学习，可以习得车辆的驾驶偏好，并且具有通过当前位置和状态预测下一时刻位置的能力。
4)在需要位置预测的时刻，将此刻车辆的位置与状态信息输入已经训练好的神经网络中，可以得到预测的下一时刻位置信息。
针对位置预测准确率的判定方法：
其中：a：准确率；n：样本数量；ei：预测误差值；li：移动距离。当ei＞li时，分子取0。
其中通过两点的经纬度求距离的公式如下：
δlat＝latitude1-latitude2
δlon＝longitude1-longitude2
其中，δlat为纬度增量，δlon为经度增量，r为地球半径，取6371.393千米。
此预测准确率公式对整条轨迹的真实值和预测值做了整体拟合度的评估，对每个点真实值与预测值的偏离程度做出计算，通过公示的归一化处理，必定为0与1之间的数，对其做累加求均值，可以快速计算得到整条轨迹的预测准确率。
参见图2，图2为一条真实轨迹与一条预测轨迹的二维描绘，数据集来自于微软亚洲研究院的geolifetrajectoriesv1.3。从图2中可以看出，除个别真实轨迹的突变难以预测外，其余部分真实轨迹与预测轨迹基本得到了很好的重合，经过公式计算的准确率可以达到60％以上。
2.路由方法
基于预测到的位置和gpsr的车辆间路由方法，具体步骤为：
1)源节点提出向目的节点的路由请求。源节点开始统计通信范围内所有节点的信息。
2)每个节点通过车载gps以及传感器收集车辆位置及状态的实时信息，包括经度、纬度、速度和方向，送入各自训练好的神经网络模型中，预测下一时刻各个节点的位置，报告给源节点。
3)源节点通过收到的目前通信范围内所有节点的角度、速度、下一时刻位置信息，更新可持续通信权重信息，将权重最大的节点选取为下一跳节点。
4)若一跳路由失败，则根据权重排序，选取次大的节点作为下一跳节点，直到路由成功。
5)若一跳路由完成后，重复步骤1)-4)，直到全部路由完成。
其中，步骤三的具体实施方式为：
由于车联网中各个通信节点的位置不断变化，在贪婪周边无状态路由协议gpsr中，仅考虑通信节点距离目的节点距离的方式过于简单，在拓扑结构由于节点高速而频繁变化的网络中与相邻节点的通信变得极其不稳定，通过贪婪转发选择的下一跳节点在接收到分组之前可能已经移出通信范围。所以引入可持续通信权重的概念，将与源节点保持相近前进角度和速度，并且在位置预测中仍在源节点通信范围内的通信节点提升可持续通信权重。权重的具体计算方式如下：
1)计算角度权重w1：
w1＝cosα
其中，α为源节点和通信节点所成的角度，取值范围为[0,180]。w1的取值范围为[0,1]。显然，当源节点和通信节点前进方向一致的时候，w1取最大值1。
对于角度来说，余弦值在[0,180]之间是一个单调递减的函数，可以快速计算得到。
2)计算速度权重w2：
其中，v1-v2为源节点和通信节点的速度之差。w2的取值范围为(0,1)。显然，当源节点和通信节点的速度之差为0，即相对静止，w2取最大值1。
所有的指数函数都具有这样的性质，所以为了方便计算，选择以自然指数e为底的指数函数。
3)计算位置预测权重w3：
其中，源节点、目的节点和通信节点的位置都是预测后得到的。d1为源节点到通信节点之间的距离；d2为目的节点到通信节点之间的距离；d3为源节点的可通信范围的半径；d4为源节点到目的节点之间的距离；β表示源节点到目的节点和源节点到通信节点的夹角，范围是[0,180]，参见图3。
从公式中可以看到，
在公式中，通过对四段距离和角度的线性运算，可以快速求得在下一时刻，最具有位置优势的通信节点，从而提升这个通信节点的权重。
所以，整个可持续通信权重w的公式如下：
从公式中可以看到，整个可持续通信权重不仅考虑了当前状态下，通信节点和源节点相对位置角度和速度对可持续通信的影响，还考虑了一定时间间隔后，由于车辆位置不断变化，预测位置之后对可持续通信的影响。但是由于车辆位置可能遭受随机事件的影响，所以将它们相加可以一定程度上减小由于位置预测的不准确，路由失败的几率。
- 还没有人留言评论。精彩留言会获得点赞！