一种基于车联网的路况信息实时共享系统及方法与流程

本发明属于城市智能交通技术领域，涉及一种路况信息实时共享系统及方法，具体涉及一种基于车联网的路况信息实时共享系统及方法。

背景技术：

随着人类社会的进步和城市的不断发展，汽车几乎已经成了每个家庭的标准配置。由于这种现象的出现，同时也给城市交通的运载能力提出了很多挑战性问题。这些问题主要体现在如下几个方面：

1、城市交通中的道路宽度设置不合理，具体表现为运载量较大的主干道设置较窄，但瞬时车流量却相对较大；

2、城市交通中的路网结构设置不合理，具体表现为车流量较大的区域路网结构相对较稀疏，而车流量较小的区域路网结构又相对较密集；

3、某些路口交通指示灯的设置时间不合理，具体表现为交通指示灯的设置时间在上下班高峰时段和非高峰时段不进行区分，当高峰时段车流量较大时，交通指示灯等待时间较长，从而降低了道路交通的运载能力；

4、城市交通中的实时路况信息得不到全局性把握，且表现为动态变化的无规律性可究。

而当前却鲜有文献对上述这些问题进行研究，并提出恰当的解决方案；以下相关的参考文献，可以给上述问题的解决提供一些参考价值。

kuan-wenchen等人提出了一种算法用于自定位，该算法基于车联网并利用低成本的单目摄影机实现(文献1)。为了降低计算、存储要求和通讯负荷，他们将这种模型压缩任务当做一种带权重的k覆盖问题进行处理，以更好的保留重要结构。对于现实世界基于视觉的定位问题，他们考虑了大场景的变化问题并介绍了一种模型更新算法来处理这个问题。

随着通信技术和智慧城市的发展，当前车联网已受到从工业界到科研界的广泛关注。然而，网络设备中一种专有且闭合的硬件操作方式降低了车联网中新服务部署和扩展的进程。xinwang等人提出了一种叫软件定义下车联网的新型架构(文献2)。他们采用软件定义的网络架构，通过将控制层和数据层分离来提出这些问题，同时采用一种统一的方式来配置不同的开关。

yuanliu等人基于创新扩散理论提出了一种研究模型用于识别公共服务中影响rfid使用意图的关键因素(文献3)。特别是研究了创新、通信通道、政府政策等与使用意图间感知特征的相关性。他们在中国获取到了180组有效的etc用户调查数据集，并利用部分最小二乘法结构方程模型来分析文中的模型。随着通信能力的提升，将来大多数车辆将越来越半自治且拥有变速能力。为达到这种配置，rahulkala描述了一套集成交通仿真系统(文献4)。虽然穿越十字路口、超车等行为较普遍，但这种实施系统包含了一种智能交通灯的操作系统，同时针对加速车道，车道设置，道路设置，密度正则化或避免交通堵塞设置了动态限速装置，并且可在缓慢的交通状况下针对堵塞和重路由进行重新规划。

mohammadmozaffari等人研制了一种高效可移动的多个无人机(文献5)，作为空中基站从地面物联网设备收集数据。为了使带最小总输出功率的物联网设备能有效进行上行通信，他们提出了一种新型架构用于联合优化3d布局和无人机的移动，无人机设备的关联，上行功率控制。首先，给出每个时刻活动的物联网设备的位置，然后确定最佳无人机的位置和相关因素。然后，在时间变化的网络中动态响应物联网设备，分析最佳的无人机移动模式。最后，基于物联网设备的活动过程，在每个时刻获取无人机更新后的位置。

ahmedb.t.sherif等人提出一种组织拼车的方案并提出用户隐私问题(文献6)。该方案使用加密数据上的相似度测量技术用于保护旅行数据隐私。拼车区被分为若干单元格，每个单元格用二元向量中的一位表示。每个用户将旅行数据表示为二元向量并提交加密后的向量到服务器端。服务器能度量用户旅行数据的相似性并在不知道数据的前提下从中发现谁拼过车。

特别是当电动车供电设备有限的情况下，用户行为的随意性在电动车调度问题中发挥了重要的作用。binwang等人提出了一种预测调度架构(文献7)，该架构包括一种预测控制范式和一种基于内核会话参数的估计量。具体来说，考虑被预测会话参数，并基于自适应内核和改进的评估精度，该调度服务可周期性计算高效解决方案。derlisgregor等人提出了一种系统性的方法论用于创建本体(文献8)，利用如语义聚类算法解决信息检索和表示问题。利用已提出的方法，他们提出了一种智能交通领域的本体。该本体作为一种语义服务的语义基本信息，允许新设备接入城市网络中。robsoneduardodegrande等人针对现实场景中的车载网络提出了实时仿真和3d可视化系统(文献9)。该系统可实时生成输出，利用现实世界中的3d地图模型并在仿真过程中高效生成可视化作为元素。victorsucasas等人提出了一种自动隐私保护认证方案(文献10)，车辆只需要与可信任机构交互一次即可完成认证过程。然后，他们可自动更新匿名而不需要再次通信。chaowang等人提出了一种叫做neverstop的算法(文献11)，该算法在大数据智能交通系统中利用遗传算法和模糊控制方法。neverstop由各种传感器构成，用于十字路口自动控制交通信号灯。它利用模糊控制方法和遗传算法为交通信号灯校正等待时间，因此平均等待时间有了明显降低。chalermpolsaiprasert等人利用手机中的运动传感器提出了三种算法用于探测驾驶事件(文献12)。这些算法基于手机中的各种传感器产生的粗糙数据可对驾驶事件进行分类。此外，这些算法的优势在于它们可调整和校正灵敏度以适应各种给定的应用领域。koheikoide等人通过分析日本智能交通系统的发展历程(文献13)，明确了其中的影响因素和优势。

参考文献：

[1]kuan-wenchen,chun-hsinwang,xiaoweietal.vision-basedpositioningforinternet-of-vehicles[j].ieeetransactionsonintelligenttransportationsystems.18(2):364-376,2017.

[2]xinwang,chengwang,changjunjiangetal.ruleoptimizationforreal-timequeryserviceinsoftware-definedinternetofvehicles[j].corrabs/1503.05646,2015.

[3]yuanliu,yangyang,juneweietal.anexaminationonrfidinnovationdiffusionsinchinesepublicintelligenttransportationservices[j].ijmc13(5):549-566,2015.

[4]rahulkala.intelligenttransportationsystemwithdiversesemi-autonomousvehicles[j].internationaljournalofcomputationalintelligencesystems,8(5):886-899,2015.

[5]mohammadmozaffari,walidsaad,mehdibennisetal.mobileunmannedaerialvehicles(uavs)forenergy-efficientinternetofthingscommunications[j].corrabs/1703.05401,2017.

[6]ahmedb.t.sherif,khaledrabieh,mohamedm.e.a.mahmoudetal.privacy-preservingridesharingschemeforautonomousvehiclesinbigdataera[j].ieeeinternetofthingsjournal4(2):611-618,2017.

[7]binwang,yubowang,hamidrezanazaripouyaetal.predictiveschedulingframeworkforelectricvehicleswithuncertaintiesofuserbehaviors[j].ieeeinternetofthingsjournal4(1):52-63,2017.

[8]derlisgregor,sergiol.toralmarín,mariateresaarizagómezetal.amethodologyforstructuredontologyconstructionappliedtointelligenttransportationsystems[j].computerstandards&interfaces47:108-119,2016.

[9]robsoneduardodegrande,azzedineboukerche,shichaoguanetal.amodulardistributedsimulation-basedarchitectureforintelligenttransportationsystems[j].concurrencyandcomputation:practiceandexperience28(12):3409-3426,2016.

[10]victorsucasas,georgiosmantas,firoozb.saghezchietal.anautonomousprivacy-preservingauthenticationschemeforintelligenttransportationsystems[j].computers&security60:193-205,2016.

[11]chaowang,xili,xuehaizhouetal.softcomputinginbigdataintelligenttransportationsystems.appl.softcomput.38:1099-1108,2016.

[12]chalermpolsaiprasert,thunyasitpholprasit,suttipongthajchayapong.detectionofdrivingeventsusingsensorydataonsmartphone[j].int.j.intelligenttransportationsystemsresearch15(1):17-28,2017.

[13]koheikoide,takeshioishi,katsushiikeuchi.historicalanalysisoftheitsprogressofjapan[j].int.j.intelligenttransportationsystemsresearch15(1):29-38,2017.

技术实现要素：

为了解决现有技术的缺陷，本发明提出了一种基于车联网的路况信息实时共享系统及方法。

本发明的系统所采用的技术方案是：一种基于车联网的路况信息实时共享系统，其特征在于：包括信息发送端、信息接收端和服务器；

所述信息发送端，用于实现基于位置的路况信息共享；由提供信息共享服务的车辆将需要共享的信息从信息发送端共享到服务器；

所述信息接收端，用于实现基于用户需求的路况信息筛选；需要信息共享服务的车辆将需求信息从信息接收端发送到服务器，所述服务器根据需求信息筛选出用户需求的路况信息并反馈到所述信息接收端发送。

本发明的方法所采用的技术方案是：一种基于车联网的路况信息实时共享方法，其特征在于，包括以下步骤：

步骤1：路况信息采集及隐私化保护处理；

步骤2：路况信息实时传输；

步骤3：路况信息有效信息筛选；

步骤4：路况信息选择性推送。

本发明的有益效果为：

1、当路况状态为瞬时拥堵时，借助实时路况信息共享平台可让行进中的车辆对当前城市中每条道路上的实时路况信息有较准确的把握；

2、能够对未来的车辆运行状态进行预测，有效预防交通事故的发生，从而降低交通事故发生率；

3、在把握城市交通实时路况信息的前提下，可让驾驶员适时选择恰当的非拥塞路径行驶，达到提升路网运载能力的目的；

4、可缓解城市交通运载压力，并使路网结构和分布达到全局的相对瞬时平均化；

5、对城市交通中各路段运载能力的把握，可为城市道路的进一步规划起到很好的参考作用。

附图说明

图1为本发明实施例的系统原理图；

图2为本发明实施例的方法中感知信息转换与场景信息库的构建示意图。

具体实施方式

为了便于本领域普通技术人员理解和实施本发明，下面结合附图及实施例对本发明作进一步的详细描述，应当理解，此处所描述的实施示例仅用于说明和解释本发明，并不用于限定本发明。

一般认为，城市道路交通中的路况信息指的是城市道路的拥塞程度。而本发明中，假定可对城市车辆加装传感器设备而使它们能感知沿途的道路信息，从而达到对路况信息的概念进行扩展的目的。这些信息主要包括车辆行进过程中，通过传感器设备能感知周边环境的温湿度、车辆位置和兴趣点(poi)、突发事件等信息。基于大量的研究成果表明，上述路况信息暂时还无法做到实时共享。但是，如果存在一种以行进车辆为节点，以车辆间的传输信道为边所构成的路况信息实时共享平台，那么该车联网便能将其周边发生的各种实时信息提前共享给即将在某时刻达到该区域的车辆，从而可达到使车辆能提前预知某区域周边路况环境的目的。

请见图1，本发明提供的一种基于车联网的路况信息实时共享系统，包括信息发送端、信息接收端和服务器；信息发送端，用于实现基于位置的路况信息共享；由提供信息共享服务的车辆将需要共享的信息从信息发送端共享到服务器；信息接收端，用于实现基于用户需求的路况信息筛选；需要信息共享服务的车辆将需求信息从信息接收端发送到服务器，服务器根据需求信息筛选出用户需求的路况信息并反馈到信息接收端发送。

本实施例的路况信息实时共享系统是一种典型的“发送-接收”型信息网络。本实施例的信息发送端共享的信息种类包括位置信息、拥塞等级信息、周边环境信息。本实施例的信息发送端共享的信息，包括用户隐私信息、车辆隐私信息、敏感信息，都需要经过隐私化保护处理；用户隐私信息包括与用户资料相关的敏感信息；车辆隐私信息包括车牌、车型、汽车品牌；敏感信息包括与政治、军事建筑位置或内容相关的信息。本实施例的需求信息从信息接收端发送到服务器，用户能选择需求发布的格式和需求信息的种类；需求发布的格式包括文本、语音和视频；需求信息的种类包括路线需求、时间需求和成本需求。

请见图2，本发明提供的一种基于车联网的路况信息实时共享方法，包括以下步骤：

步骤1：路况信息采集及隐私化保护处理；

路况信息采集包括位置信息、拥塞等级信息、周边环境信息；需要隐私化保护处理的信息包括用户隐私信息、车辆隐私信息、敏感信息；

位置信息：用ls表示。车辆自带gps、北斗卫星等定位装置，可获取当前车辆的位置信息。通过设置共享平台对车辆的读取权限，便可将该信息共享到平台上。同时，该信息与车辆标识信息匹配便可实现对信息来源的识别。

拥塞等级：用js表示,指的是道路拥堵程度。理想情况下(不计交通指示灯等待时长)，以车辆按照道路限速标准从起点行驶至终点时所耗时长为标准，并参考交通拥堵指数的等级划分标准，拥塞等级信息分为5级，1级表示畅通，其时长为车辆按照道路限速标准最大值从起点行驶至终点时所耗时长；2级表示基本畅通，其时长为1级时长的1.2-1.5倍；3级表示轻度拥塞，其时长为1级时长的1.6-1.8倍；4级表示中度拥塞，其时长为1级时长的1.9-2.2倍；5级表示重度拥塞，其时长为1级时长的2.2倍以上；

周边环境：用es进行表示。指的是可被车辆感知的范围周边的环境信息，如温湿度天气状况道路平整度周边路况poi信息等。因此，

统一路况信息共享矩阵rs：用于实现对车辆共享信息的统一表示。其表示形式如下rs＝＜ls,js,es＞。

隐私信息保护：需要保护的隐私信息p主要为三类：用户隐私p^u、车辆隐私p^v和敏感信息p^s。因此，p＝{p^u,p^v,p^s}。

用户隐私：在车联网信息共享平台中同样需要对用户隐私予以保护。特别是与用户资料相关的敏感信息。此外，为了体现路况信息共享平台的价值，信息共享的双方(发送方和接收方)在空间距离上必须在大于3公里以上的可视范围以外。这种限制不仅可以保护用户隐私，同时也可充分体现共享平台所共享信息的价值。

车辆隐私：为了防止共享信息的车辆(如车牌、车型、汽车品牌等)信息泄露，需要对其进行隐私保护。

敏感信息：由于汽车可在城市中的任意位置行驶，因此不可避免对感知到与政治、军事等相关的敏感信息(如经纬度、多媒体流等)，因此需要对这些信息进行过滤或加密处理。

发送方针对路况信息共享的实时性和接收方针对路况信息的个性化选择性。事实上，基于各种可能的主客观因素，并非所有用户都自愿将实时信息共享给周边一定范围内的车辆。因此，需要针对发送方的信息共享制定切实有效的奖励机制。同时，辅助接收方个性化筛选共享信息。例如，有些车主对附近停车场是否存在空闲车位感兴趣，但事实上若能通过停车场附近其它车辆拍摄到的空闲车位数目，他就可在开往停车场前获取该停车场的空闲车位数，供其决策是否要选择更远的停车场停车。

其中，信息共享奖励机制为：

其中，surw表示发送方用户的奖励，frmi表示用户发布信息类型mi的频次，其中i＝1...n；为信息类型mi的权重，表示某信息的重要程度；表示用户共享信息mi的时间度量；

因此，可运用公式1对发送方用户共享各类信息的时间度量对其进行奖励计算。即，用户共享信息的种类越多，信息的重要程度越高，共享的时间越长，则奖励值越大。

针对接收方的实现个性化的筛选策略，主要从计算接收方用户针对列举共享信息类型的选择状况和接收已选共享信息的时长反馈，以及推送推荐性选项以捕获用户是否采纳该推荐的结果三方面予以实现。当用户首次登录共享平台时可初步确定用户喜好，而用户在不了解各类信息功能时通常全选共享信息，但随着平台用户数增加可考虑建议用户理性选择部分功能以提升信息共享效果。事实上，当平台商用后，每项功能都可按一定规则(如用户使用热度、信息资源的流量、在线使用时长等)收取费用，则此时用户考虑性价比较高的功能会选择使用。不同用户在使用平台功能时具有不同偏好，因此体现出接收方用户对路况信息实时共享的选择性。通过分析，信息接收方个性化筛选策略为：

rupf＝p(si×ri,ti)＝p(si,ti)+p(ri,ti)＝[p(si)*p(ti|si)]+[p(ri)*p(ti|ri)](2)

其中，rupf表示接收端的用户个性化过滤筛选计算结果，采用p(si×ri,ti)的概率进行计算，表明系统推荐下的用户在某时刻选择信息共享项的概率，可被分解为用户在某时刻选择信息共享项的概率p(si,ti)和推荐共享项的概率p(ri,ti)，然后进一步将其拆解为条件概率形式加以计算；si表示用户选择信息共享项矩阵，ri表示系统推荐信息共享项矩阵，ti表示时间度量矩阵；

si和ti构成矩阵：

其中，为矩阵标识，s×t表明矩阵的行列关系为用户可选信息共享关系，表示用户选择信息共享项sn时在tn时刻的时间度量；通过(3)式得出：

p(ti|si)表示时间矩阵ti下的某时刻选择信息共享项的概率，其中bs×t表示所有信息共享项的数目，表示用户已选信息共享项的数目，p(si)表示可供用户选择的信息共享项的概率，s⁽¹⁾和s⁽⁰⁾分别表示被用户选择和未被用户选择的信息共享项的数目；

ri和ti构成矩阵：

其中，为矩阵标识，r×t表明矩阵的行列关系为用户在系统推荐的前提下，选择信息共享项的关系，表示系统推荐信息共享项时，用户选择信息共享项rn在tn时刻的时间度量；通过(4)式得出：

p(ti|ri)表示时间矩阵ti下的某时刻推荐信息共享项的概率，其中br×t表示所有被推荐的信息共享项的数目，表示被推荐信息共享项的数目；p(ri)表示可被推荐的信息共享项的概率，r⁽¹⁾和r⁽⁰⁾分别表示被推荐和未被推荐的信息共享项的数目。

步骤2：路况信息实时传输；

研究表明，实时信息共享在共同可视范围内的信息应被视为无效信息。例如，同一道路上的前方车辆共享当前位置的车祸信息给后方两公里处的车辆，而后方该车辆同样可同时观察到前方发生的交通事故，因此这类实时信息共享已失去意义。鉴于此，需要对共享信息的空间范围进行动态调整并基于该范围阈值动态优化车联网的组网。

针对该问题，需通过结合路网结构和道路走向综合考虑方可确定。研究表明，正常光照条件下，人眼在白天和夜晚可分别看清1km和800m以内的物体，因此信息共享范围在白天和夜晚分别在直线距离上应设置为1km和0.8km，但由于城市道路并非直线且存在弧度，特别是当车辆在t型(弧度达90°)路口转弯时，若道路周边存在障碍物遮挡时，速度过快则极易造成交通事故。因此，可假设车辆距离路口的距离为r，当前行驶速度为v,则信息共享的时间t可计算得到,可共享的信息范围为其中r1、r2分别表示即将在路口会车的两辆车距离路口的距离，θ为两辆车的实时位置与路口所连成直线的夹角。值得说明的，当θ＝180°(即迎面相会)时，sr≥1km(白天)或sr≥0.8km(夜晚)。但同时应考虑共享信息的实时性，因此需使通信时间tc满足tc≤λt(0＜λ＜1)。

在此基础上，可考虑车辆共享信息网络的优化组网问题。在优化组网问题中，为了动态配置并节省网络通信资源，必须针对通信距离s和时间t两个核心指标进行严格把控。因此，当通信车辆数目大于2的情形时，可考虑引入通信中继(通过两辆通信车辆间的其它车辆构建通信桥梁)完成实时通信，但同时也应考虑通信中继的选取和中继通信时间的控制。综上，可利用矩阵因式分解机来形式化上述问题。首先，通过组网中的车辆数目vn确定中继次数rn，其中，rn＝vn-1。

公式中的下标序列分别是n1r1、r1r2、r2r3、…、rnn2，n1和n2分别表示通信网络中通信车辆的两个终端节点，发送端和接收端；r1r2r3...rn分别表示通信终端节点间的n个中继节点；表示车辆n1与中继车辆r1的通信距离，表示中继车辆r1与中继车辆r2间的通信距离，以此类推可得到车辆n1与车辆n2间的通信距离为s；

由于中继车辆的增加会延长车辆n1与车辆n2间的通信时间(如中继时间δti)。基于此，可计算车辆间的通信时间为

其中，0＜μ＜1为中继车辆在车联网中的中继权重。当通信内容为即时转发时，在中继车辆上耗时较短，因此中继权重趋向于0。若中继车辆同样需要读取并处理共享信息，则中继权重趋向于1。

步骤3：路况信息有效信息筛选；

用户出行不外乎要求路线最便捷、时间最省和成本最低。

发送方可通过传感器感知并发送当前位置周边环境的图像、文本、声音和视频等各种格式信息，若将这些信息集成并发送到信息共享平台后，必须在推送给接收方前对这些信息的类型进行分门别类。否则，接收方用户很难从这些杂乱信息中获取有价值信息。

步骤3的具体包括以下子步骤：

步骤3.1：针对不同类型的格式采用不同的信息标签；

本实施例的用户发布需求的格式主要为文本音频和视频三种类型。

步骤3.2：针对不同类别的信息加注信息标识标签；

本实施例的用户对出行需求的种类主要为路线需求r^p、时间需求r^t和成本需求r^c三类。

步骤3.3：各类信息向文本信息转换；

由于发送方用于共享它所处当前位置周边环境的信息格式多种多样，因此首先应针对这些信息做后台的分类处理。例如，针对不同类型的格式采用不同的信息标签：图像ip、文本it、音频ia和视频iv等。再针对不同类别的信息加注信息标识标签，例如信息采集的时间lt、位置lp等。然后针对上述标签，再赋予各种功能(或场景)。例如，①前方多远位置是否正发生突发紧急事件：道路拥塞、交通事故等；②提示未来可能发生的危险事故等级：以当前时速行驶可能刚好在前方拐角处与突然出现的大货车相撞；③提示用户可能正好紧急需求，但地图app上未标注的周边兴趣点：附近停车场的剩余停车位等；④附近临时兴趣点和动态兴趣点的位置：人气爆棚的街边小吃、动态移动的垃圾回收点等。以上各类场景均是现有技术暂无法实现或较好实现的功能，因此可利用本发明的相关技术加以实现。为了方便针对上述场景进行查询和搜索，首先需要将各类信息标签建立文本索引。而在构建文本索引前，需要实现由各类信息向文本信息的转换过程，实现过程和原理如图2所示。

首先将发送端感知的视频信息iv按照时间帧间隔和信道拆解为图像信息ip、音频信息ia和文本信息it三类，将此三类信息分别加上时间和空间序列标记，其中空间序列标记采用经纬度和位置名称加以标注。然后按照用户需求对这三类信息进行抽取和类别构建。例如，按需可对图像和音频信息进行识别和信息抽取后，按照需求类别集成并构建这两类信息的文本标记与索引模型i'p和ia'。然而针对文本信息则只需进行关键词抽取、词频统计与标记过程即可完成用户需求类别的文本索引和模型构建过程，从而构建模型it'。将三类构建的模型结合起来，即可构建基于场景的用户需求查询信息库，以供接收端用户进行共享信息的查询。

步骤3.4：将各类信息标签建立文本索引；

步骤3.5：构建感知信息转换与场景信息库。

从图2中可以看出，无论是视频信息、图像信息、音频信息还是文本信息，最终都需要按照用户需求并参照这些信息的时空序列标记构建文本索引。不同之处在于，视频信息中可内置并包含时空标记的图像、音频和文本信息，因此通过将这三类信息依照不同信息轨道分开并再次分别打上时空标记。由于信息共享平台的宗旨是服务于用户，因此所有信息处理必须围绕用户需求展开。而现实生活中，用户感知世界的基本要素可概括为场景，即同时包含时间、位置、声音、图像、文本等各类符号语言的多维动态信息空间。因此，本发明采用以时空标签为关键词的查询索引构建场景信息库，使用户能够采用诸如“何时何地发生何种事件，发生该事件的诱因和概率大小”的查询条件度量信息共享的格式。

构建感知信息转换与场景信息库，具体包括以下子步骤：

步骤3.5.1：情境构建；

情境为上文中的场景，通过对共享信息按维度分解，对情境进行构建；设情境为c，维度按标签类别不同分为车辆维度v、时间维度t、位置维度l、事件维度e和诱因维度w；由此可得：

c＝(v,t,l,e,w)(8)

其中，车辆维度v、时间维度t、位置维度l、事件维度e和诱因维度w分别由车联网矩阵mv、时间序列矩阵mt、位置序列矩阵ml、事件关联矩阵me和诱因关联矩阵mw构造而成；

其中，mv为车联网矩阵名称，vx和vy分别表示两个不同的车联网，其网络成员分别为x＝{x1,x2,...xn}和y＝{y1,y2,...ym}；该矩阵的取值1或0，表示车联网vx和vy间是否存在通信行为，若表明车联网vx和vy中的成员xi和yj间存在通信行为，否则表明成员间不存在通信行为，其中i＝1,2...,n,j＝1,2,...,m；若无特别说明，下文矩阵(10)-(13)中，车辆网络成员的矩阵标识(或成员)均具有与矩阵(9)相同的表示和含义。其中i＝1,2...,n,j＝1,2,...,m的取值与(9)均相同且具有相同含义。

其中，mt为车联网中车辆通信时间矩阵的名称，tx和ty分别表示两个不同的车联网vx和vy中各成员的通信时间标识；该矩阵的取值表示车联网vx和vy成员间的通信时长；

其中，ml为车联网中车辆通信时间矩阵的名称，lx和ly分别表示两个不同的车联网vx和vy中各成员的通信位置标识；该矩阵的取值表示车联网vx和vy成员间的通信距离；

其中，me为车联网中车辆通信事件矩阵的名称，ex和ey分别表示两个不同的车联网vx和vy中各成员的事件名称标识；该矩阵的取值表示车联网vx和vy成员间的事件关联概率，介于0-1之间；

其中，mw为车联网中车辆通信事件诱因矩阵的名称，wx和wy分别表示两个不同的车联网vx和vy中各成员事件诱因的名称标识；该矩阵的取值表示车联网vx和vy成员间不同事件诱因间的关联概率，介于0-1之间；

步骤3.5.2：情境查询；

情境查询采用状态激活机制进行，用户能根据需求选择相应的查询维度进行激活；情境查询的状态激活函数为：

其中，表示预测情境中的状态查询激活函数标识，和分别表示预测情境中的车辆信息查询激活函数、时间信息查询激活函数、位置信息查询激活函数、事件信息查询激活函数和诱因信息查询激活函数；

当(14)式中的某一维度被激活时，该维度对应的矩阵则相应被激活；

步骤3.5.3：情境验证；

用于验证实际发生的情境和预测情境间的差异性；基于(8)式中的预测情境，用(15)表征实际发生的情境及其各维度；

c'＝(v',t',l',e',w')(15)

其中，c'表示实际情境中的状态查询函数，v'、t'、l’、e’和w’分别表示实际情境中的车辆信息查询函数、时间信息查询函数、位置信息查询函数、事件信息查询函数和诱因信息查询函数；

通过情境间的差异性度量并验证情境预测的准确性；情境间的差异性计算使用差异性概率记性计算，如(16)所示：

pdif＝max[pdif(v,v'),pdif(t,t'),pdif(l,l'),pdif(e,e'),pdif(w,w')](16)

其中，

其中，pdif差异性概率计算函数标识，pdif(v,v')，pdif(t,t')，pdif(l,l')，pdif(e,e')和pdif(w,w')分别表示车辆信息查询的差异性概率，时间信息查询的差异性概率，位置信息查询的差异性概率，事件信息查询的差异性概率，诱因信息查询的差异性概率，max表示上述五类差异性概率计算中的最大值；v,v'、t,t'、l,l'、e,e'和w,w'分别表示预测情境和实际情境两种不同情境下的车辆、时间、位置、事件和诱因五类信息函数。特别地，本专利中以矩阵形式：车辆信息查询矩阵mv'(实际)与mv(预测)、时间信息查询矩阵mt'(实际)与mt(预测)、位置信息查询矩阵ml'(实际)与ml(预测)、事件信息查询矩阵me'(实际)与me(预测)、诱因信息查询矩阵mw'(实际)与mw(预测)分别表示这五类函数。

步骤3.5.4：情境反馈与校正；

当情境验证环节发生情境预测与实际情境间的差异性变化，即(16)式中pdif≠0时，需要对情境预测函数和相应的方法进行反馈和校正，例如(1)和(7)中的权重调整，(6)和(7)中的通信距离和通信时间的调整等，从而达到适应实际情境的目的。

步骤3.5.5：情境的服务质量评估

情境的服务质量主要通过通信时间、通信距离、中继权重等核心指标加以评估。服务质量评估的主要目的是评价信息共享平台的信息共享质量和信息通信效能(包括通信效率、通信效果和情境预测质量评价等)。

步骤4：路况信息选择性推送；

按照用户需求，筛选出最优结果反馈给用户。

应当理解的是，本说明书未详细阐述的部分均属于现有技术。

应当理解的是，上述针对较佳实施例的描述较为详细，并不能因此而认为是对本发明专利保护范围的限制，本领域的普通技术人员在本发明的启示下，在不脱离本发明权利要求所保护的范围情况下，还可以做出替换或变形，均落入本发明的保护范围之内，本发明的请求保护范围应以所附权利要求为准。