面向高速公路考虑交叉路口的VANETs中V2V的链路时延动态预测方法
【技术领域】
[0001] 本发明涉及一种链路时延预测方法，特别涉及一种面向高速公路考虑交叉路口的 VANETs中V2V的链路时延动态预测方法，属于车载无线网络技术领域。
【背景技术】
[0002] 车载无线网络（Vehi州lar Ad Hoc Networks, VANETs)是无线移动自组网 (Mobile Ad Hoc Networks, MANETs)的一个特例，它实现了车间通信（Intervehi州lar Communications, IVC)和道路汽车间的通信（road-vehicle communications, RVC)，参见文 献[1]，与MANETs不一样的是应用场景受到城市和高速公路的限制，因为车辆在道路上高 速行驶，所WVANETs网络的拓扑结构变化快并且间歇性连通，参见文献巧]，所W它也被看 作容迟网络（delay tolerance network, DTN),参见文献[3]。
[0003] VANETs提供了安全信息分发，参见文献[4, 5]，商业应用服务，参见文献[6]，娱 乐，参见文献[7]，动态的交通管理信息，参见文献巧-10]和动态的路由计划，参见文献
[11]等。该些应用为司机和乘客提供了安全和舒适的交通环境，参见文献[12]。因为该些 应用和服务要求两车间的无线通信链路来维持一个完整的通信阶段，因此，研究链路时延 的属性是至关重要的，因为它直接影响许多性能标准，比如，端到端的延迟，包的丢失和吞 吐量，它也能够被使用来优化网络拓扑结构来改善网络资源利用率，最大化网络性能和减 少广播风暴，参见文献[13]。该如何预测已经连接的任意两车间的链路时延，为了预测，每 一个车辆什么信息需要实时获得，是本领域的研究热点。
[0004] 关于网络性能的链路时延问题在DTN和MANET中被广泛的研究，参见文献 [14-1引。在文献[16]的仿真结果证明了链路时延对于VANET单播路由是最重要的QoS特 性之一。而且，两车间的链路时延也影响到一个路由协议构建多跳路径的稳定性，换句话 说，它决定了一个源节点到目的节点的每一次连接的吞吐量。所W有几个通过考虑链路时 延，针对可靠的路由进行的研究，参见文献[17-18]。
[000引为了在VA肥Ts中的链路时延建模，几个关于链路时延概率密度仰巧的研究已 经被提出，参见文献巧7-30]，文献[41，42]针对一维高速公路场景为链路时延建模，文献 [2, 43, 44]为城市场景提出链路时延模型，文献巧]为高速公路和城市场景提出模型，不 过，文献巧，43]没有考虑交叉口转弯。VANETs中链路时延问题是很复杂的并且受许多因素 的影响包括车间距离、车速、交叉口的转向频率、交通灯的影响、由于路边建筑物所导致的 信号衰退等因素。
[0006] 链路时延被被认为是两节点之间的链路可用的时间间隔，具体的定义，链路时延 是两个节点停留在彼此的传输范围内的时间间隔，参见文献[14]。在MNET中，链路时 延由一系列的随机因素决定，比如无线信道和两节点之间的距离等，该取决于随时间变 化的环境和节点的移动性。Wu等人在文献[19]中研究了在多跳移动网络中节点移动性 对链路时延的影响并且提出了一个分析框架来估计链路时延，该个模型被使用于分析点 对点的和多跳的链路时延，基于现存的移动性模型RWP (Random Waypoint Models)，参见 文献 l!2〇]、RW(Random Wa化），参见文献[21]、RPGM化eference Point Group Mobility、 RVGM巧eference Velocity Group Mobility Model),参见文献[22-23],模型的准确性被证 实。但是该些移动性模型不能被用在VAENTs中，因为汽车节点环境受道路限制并且车速很 局。
[0007] 虽然节点移动性的一些因素（比如节点的速度，两节点之间的距离和节点的移 动方向等）对链路时延有极大的影响，链路时延或者路径时延在MANET中服从什么分布， 文献巧4-26]表明链路时延能够被有效地用指数分布近似。链路时延的指数分布不能用 在VANET中，在文献巧7-28]，研究人员提出了指数分布是链路时延很好的近似，不过，文献 巧9]提出在自由流不拥堵的情况下，链路时延的概率密度函数能够用带有合适的参数的对 数正态分布近似。Yan等人指出VAENT中的链路时延也能用对数正态分布近似，条件是遵循 下列假设：车间行进的距离的概率密度函数为对数正态分布并且车速是确定的。不过，该种 分析不适用于自由流的状态。
[0008] 考虑链路时延对于MANET是很重要的，一些文献注重研究预测链路时延，链路时 延通过两节点间的相对速度和相对距离决定，假设节点移动遵循RWP模型，参见文献巧0]， 不过，已经被证明的是RWP模型不能提供一个稳定状态，也就是节点的平均速度随着时间 持续下降，参见文献巧1]。不过，在无线自组网中，不同的移动性模型对链路稳定性有不同 的影响，参见文献巧2]。化a等人在不同的移动性模型下研究了几种路径选择算法，参见文 献巧3]，不过，它们不能准确预测链路时延。一些链路时延预测算法在W前的工作中被研 究，参见文献巧4-36]。
[0009] 化SS等人在文献巧句中提出移动投影的轨迹的算法估计剩余链路寿命 (Resi化al Link Lifetime,化L).在文献巧引中Korsness等人使用链路的寿命（比如链路 已经连接了多久）作为参数来估计链路的剩余的时间化L。化a等人在文献巧6]提出了一 个新的化心预测算法来预测链路的寿命，他们使用的是卡尔曼滤波法扣nscented Kalman Filter, UKF)。虽然文献巧引提出链路的剩余的寿命和两节点之间的相对速度相关，在移 动自组网里解决链路寿命预测的方法不能用在VANET中，因为VANET中的汽车移动性不遵 循MNET中移动性模型。
[0010] 文献巧7-30]中的研究分析了链路时延的概率密度函数，化elly等人在，参见文 献巧7]中研究了 VANET的链路时延，他们假设自由的状态和车速的正态分布W及传输范 围。Nekovee研究了 VAENT中链路时延的概率，参见文献巧7]，假设车间的相对距离是恒定 的并且忽略了汽车的移动性模型。然后他假设汽车的速度服从正态分布扩展了该个研究， 参见文献巧引。假设均等的空间节点和正态的车速分布，Sun等人在文献巧9]中为链路寿 命的概率密度函数提出了 一个分析模型，不过，第一个假设是不合理的，因为车间的间隔是 随机的。在文献[40]中，一个VANET中为单跳连接性时延的简单框架被提出。但是该如 何预测城市场景和高速公路场景下的多跳链路时延。Boban等人在文献[16]中研究了高速 公路场景和城市场景的单播通信的连接性时延。在文献[41-42]中，研究提出了一维高速 公路场景中的链路时延和连接性时延。文献[13]提出链路时延属性被汽车移动性和信道 随机性的影响。由于城市道路的网络拓扑结构和交通灯影响，该些链路时延的分析模型不 能被扩展为城市场景所需要的。Artimy等人分析了在二维城市场景中的网络连接性并且在 街道中间放置了交叉口，参见文献[43]。Viriyasitavat等人基于为移动性设计的元胞自 动机模型（Cellular Automata Model)提出了一个复杂的城市VANET的网络连接性的分析 框架，参见文献巧]，转向频率和交通灯两种因素被考虑并且它们认为两个连续的汽车遇 上交通灯的组合事实是独立，该也许和实际情况不相符。化等人在文献[44]中通过考虑车 间距离、车速、在交叉口的转向频率和交通灯因素提出了一个具体的基于过程的马尔科夫 链模型。在文献巧]中，wang等人提出了 LDP (Link Duration Prediction)模型，获得了 城市场景和高速公路场景的任意两节点间的实时链路时延的预测，相对速度、交通灯和两 车之间相对距离被考虑，不过，该个研究只注重直行的公路，所W他们没有考虑汽车在交叉 口转向。
【发明内容】
[0011] 本发明的目的是提出面向高速公路考虑交叉路口的VANETs中V2V的链路时延动 态预测方法，W解决针对现有的链路时延预测方法没有考虑真实的高速公场景和城市场 景，不能准确预测链路时延的问题。
[0012] 本发明为解决上述技术问题所采用的技术方案是：
[0013] 本发明所述的面向高速公路考虑交叉路口的VANETs中V2V的链路时延动态预 测方法，是按照W下步骤实现的；步骤一、计算链路断开时两车的相对距离；步骤二、估计 两车的相对速度分布；步骤H、基于步骤一与步骤二预测两车的链路时延，具体如下；步骤 H -、计算两车链路时延所需的相关因素，包括两车的相对速度V，两车之间的初始距离山 两车的行驶方向；步骤H二、在步骤H-的基础上，计算两车的链路时延。
[0014] 本发明的有益效果如下：
[0015] 一，本发明扩展了LDP(Link Duration Prediction)模型，使其适用于高动态的和 分布式的VANETs,目的是每一辆汽车能够实时地预测高速公场景和城市场景的链路时延；
[0016] 二，基于本发明的ELDP模型，能够自动地采集车速样本和精确地估计车速的分 布；
[0017] H，本发明的ELDP模型没有假设两个连续的汽车遇上的交通灯事实独立的，该在 W前的研究中是个普遍的假设；
[001引四，本发明证明了 ELDP的有效性并且用仿真验证给出了性能评价，仿真结果表明 ELDP模型能够准确地预测VANETs中高速公路场景和城市场景的两车的链路时延。
【附图说明】
[0019] 图1为汽车在带有交叉口的高速公路行驶情况图；
[0020] 图巧分析转向对链路时延的影响图，其中（a)为两车都直行情况，化）为两车右 转和左传情况，（C)为右转和直行情况，（d)为两车都左转情况，（e)为两车都右转情况，图 中V。V2, V3, di，d2, r分别代表汽车1、汽车2、汽车3,两车之间初始距离，两车之间链路断开 时的距离，无线传输半径；
[0021] 图3为分析两车的相对速度图，其中，（a)为一个汽车移动的方向，化）为求解两车 相对速度；
[0022] 图4为图3中化）的向量卽勺方向；
[0023] 图5为平移坐标系的过程图；
[0024] 图6为点D的不同位置图，其中（a)为点D在E的前面的情况，化）为点D在E后 面的情况；
[0025] 图7为点D在点E的前面或后面，其中（a)为点D在点E前面，化）为D在E的后 面；
[002引图8为点D在点E的前面或后面，其中（a)为点D在点E前，化）为点D在点E后 面；
[0027] 图9为点D在点E的前面或后面，其中（a)为点D在点E前面，化）为点D在点E 后面；
[0028] 图10为链路时延计算程序流程图；
[0029] 图11为同向行驶汽车的链路时延预测误差和相关因素的分析结果图，其中（a)为 两节点的平均速度，化）为两节点相对速度的标准差，（C)为两个随机选择的节点的链路时 延，（d)高速公路场景的链路时延预测误差分布函数，（e)为10对随机选择的节点的平