别进行反馈，并调整更新 本地数据及配置信息。具有步骤如下：
[0025] 步骤1、依据节点相互关联进行直接观察评价：
[0026] 当节点设备产生接入需求时，它首先从服务质量、服务相关度和交互时间三个方 面对其周围存在的其他节点设备（即潜在接入对象）进行评估。评估过程所依据的数据从 自己的历史接入服务记录和网络中其他节点设备发送的配置信息获得。考虑到不断动态变 化的网络环境，对每一条记录和配置信息都赋予一个精确的时间属性，节点设备之间的评 估计算要充分考虑数据的时效性要求。
[0027] 服务质量评估以节点设备间的历史服务接入记录和推荐信息为基础，通过对过去 接入服务的评价预测未来能够获取的服务质量。在时间点（t)节点设备u对v的接入服务 质量评估（Ru，v(t))通过自己的直接观察（Rdiru，v(t))和共同关联设备的间接推荐（Rind u，v(t))两种方式综合获得，如式（1)所示：
[0028]
(1)
[0029] 其中，直接观察和间接推荐的结果取值均处于[0, 1]范围内，权重因子aG[0, 1] 用于调节两者之间的重要性。当节点设备u需要评估节点设备v的接入服务质量时，它首 先检索本地的接入服务记录和配置信息进行直接评价，并从节点U和V共同关联的其他设 备所发送的推荐信息中获取间接评价信息。公式（2)描述了节点设备u对V的直接评价方 法。
[0030]
[0031] 其中I(u，v，t)表示直到时间点t节点设备u和v之间的全部服务接入次数， DF(v，i)和TF(v，i)分别代表节点设备v的第i次接入服务的质量评价和该次服务的重要 性因子。考虑到车载自组织网络环境的动态变化特征，为了提高有限接入服务记录的评估 价值并获得更具实时性的评估结果，衰减系数decay(t，i)被应用到接入记录的评估中。第 i次接入记录的衰减系数计算方法如公式（3)所示，其中t(i)表示第i次接入发生的时间。
[0032] decay(t,i) =l/ln(|t-t(i) |) (3)
[0033] 步骤2、利用推荐信息进行间接观察评价：
[0034] 间接评价根据共同关联设备所获取的推荐信息进行计算。节点设备u和v在t时 刻的共同关联设备C(u，v，t) = {w|l(u，w，t)>0and1(?，￥，1:)>0}，即到时间点1:为止11所接 入过的节点设备中同样也接入过v的节点设备的集合。请求接入节点u对共同关联设备的 评估结果被认为是该设备所提供的推荐信息的可信度参数，如式（4)所示。来自接入服务 评估结果更高的共同设备的推荐信息被认为具有更高的可信度，因此也将在综合计算过程 中拥有更高的权重值，从而有利于降低虚假推荐、恶意评价等因素对接入服务质量产生的 影响，并从另一方面提升推荐信息的准确度。
[0035](4) J=l
J=l
[0036] 步骤3、社会化关系计算。为了量化地评估两个节点之间的内部相似性，本发明引 入了皮尔森相关系数并基于节点设备对共同关联设备的评价行为进行相似度计算。
[0037] 节点设备之间的社会化关系作为设备用户在真实世界中社会化关系和服务需求 特征的抽象映射，是本发明所提出的接入服务评估算法中重要的评估指标。通过发掘节点 设备之间潜在的社会化联系，能够有效实现大规模动态网络环境中快速的可信节点感知与 辨别，从而提升发现、接入优质服务的效率和正确率。为了更深入、更全面地建立节点设备 之间的社会化关系，本发明所提出的评估算法引入了节点设备的行为相似度作为内在社会 化关系衡量指标。在已有的社会化物联网模型的基础上，将社会化关系进一步细化为内部 相似性和外部相似性两个方面，而最终的社会化关系强度由两者综合计算得到，如公式（5) 所示。
[0038]
[0039] 如果两个节点设备对于其他设备的评价趋于一致，则说明它们之间更有可能具有 相似的接入服务需求和要求，这样的节点设备之间也更有可能建立高质量的协作和共享； 反之，对关联设备的评价分歧较大的节点设备之间，则可能出现接入服务需求和要求不一 致，甚至劣质服务提供、虚假评价等恶意行为，这样的社会化联系应该被弱化或抑止。内部 相似性和外部相似性的具体计算方法如公式（6)和（7)所示：
[0040]
[0041]
[0042] 其中，Sintu,v(t)和Sextu,v(t)分别表示在t时刻节点设备间的内部和外 部社会化关系，C(u,v,t)代表u和v之间的共同关联设备集合，Rdirn(t)表示节点设 备n的平均评价值。R表示节点u与v之间存在的外部社会化关系维数，而Value(i)和 Fact〇ru，v(i，t)则分别表示每一维关系的标准权重值以及t时刻节点设备间该社会化关系 的联系强度。
[0043] 步骤4、基于运动轨迹分析的车载移动性预测：
[0044] 在车载自组织网络环境中，车载设备的移动性一直是接入服务选择算法必须要考 虑的重要课题。由于节点设备长期处于高速运动及相对运动过程中，对节点设备的移动性 分析和有效连接时间预测也变得尤为重要，分析预测的准确度也直接影响着接入服务的选 择策略及最终的服务质量。大多数车载自组织网络中服务发现、接入以及路由协议相关的 研宄工作中都对连接时间进行了分析和计算，并作为一个重要衡量指标参与到接入服务或 者路由链路的选择。本发明提出了一种基于运动轨迹的交互时间预测方法，根据一定时间 窗内节点设备的运动轨迹进行分析预测，在线性分析过程所采用的横向移动与纵向移动分 解的基础上进一步考虑节点设备运动和横线及纵向速度变化率，从而对节点在未来一段时 间内的运动轨迹进行预测，并量化节点设备之间的可连接性。同时，随着时间窗口的不断移 动，新的数据被导入并替换旧的数据，不断修正预测误差。
[0045] 考虑一个长度为n的时间窗：t。^，和一个长度为m的预测时间段 t_+1，…，t。^，其中^表示当前时间点。与时间窗内每个时间点相对应，节点设备的运动 方向可以表示为，…，0^+ 。本发明将真实世界中节点设备的转向运动模拟 为以某一个坐标点为圆心，半径为r的圆周运动，根据圆周运动中运动角度随运动路径长 度的变化关系可得：
[0049] 其中v为移动速度，1为计算所得的圆周半径。依据公式（9)依次计算时间窗内 每个时刻h到当前时刻t_运动过程中对应的圆周半径ri，可以得到一系列在与当前运动 方向相垂直的方向上，且与当前坐标位置距离为巧的圆心点，对这些点进行拟合便可以得 到预期的轨迹半径rpralic;t，如公式（10)所示。
[0050]
(1〇)
[0051] 以当前位置为初始点，根据预测半径rpralic;t并再次应用公式（9)，便可得到预测时 间段内每个时间点对应的运动方向叫(j= 1，2,…，m)的计算公式和分解的速度计算公 式：
[0052]
[0053] 随着运动方向9」的变化，节点在横向（X方向）上的速率与方向成余弦函数关系， 在横向（y方向）上的速率与方向成正弦函数关系，根据正余弦函数变化率函数，可以得到 时间点tj节点运动在横向与纵向的速率变化函数：axj与ayj，即加速度函数如公式（12) 所示