技术领域本发明涉及车联网领域，具体涉及基于BS-TS和自编码网络的车联网网络节点筛选方法及其通达性路由机制。
背景技术：
城市场景道路交通状况复杂，当主干道路处于上下班高峰时段时，或者发生交通事故时，车辆会在短时间内聚集，即产生交通拥堵现象。这时，由于网络节点的密集，当多个用户通过车联网传输信息，例如实时消息、在线视频、多人游戏时，数据量尤其庞大，若通过传统的广播消息寻找目的节点，将导致广播风暴，甚至导致整个车联网瘫痪。然而，在城市场景的某些偏僻道路中，车辆节点稀少，甚至没有车辆行驶。节点筛选方法是减少广播风暴，提高数据传输效率的一个有效途径，但若在整个网络中采用同一筛选方法，将导致筛选不均匀，更可能使得稀疏场景下的节点筛选力度过大而导致经过筛选后没有节点可供转发数据，这样会使得网络性能更加低下，甚至产生严重的数据包丢失现象。在城市交通网络中，不同的路段应该具有不同的节点分布，城市道路的不规则分布，将导致网络节点的稠密和稀疏随时间流动会产生相应的变化。若采用统一的方法对整个网络进行节点筛选，将不会产生预期的效果。现有的对车联网的连通性技术主要利用仿真和分析法，并且目标对象仅仅针对车辆自组织网络(VehicularAd-hocNETwork,VANET)，并没有考虑车联网大规模异构网络，从而难以指导由于车联网大规模异构网络的信道的高度时变性、突出的多普勒效应和网络拓扑的不确定性等因素带来的大规模异构网络网元之间的有效集成，使得车联网大规模网络互连互通的实时性存在极大的局限，将会带来效率和性能上的严重不足，从根本上制约车联网大规模信息的交换，难以支撑大区域环境下的交通拥堵、交通安全、雾霾治理等实时数据采集的应用需求。
技术实现要素：
本发明目的在于公开一种基于BS-TS和自编码网络的车联网网络节点筛选方法及其通达性路由机制，根据城市道路中由车联网网络节点时空分布差异导致的稀疏网络与稠密网络无规律分布问题，对不同时间、不同路段提供适当的节点筛选方法，并结合车联网大规模异构网络存在互联互通耦合度低等问题，设计适合于城市道路的通达性路由机制。本发明从根本上提高了车联网网络的数据处理能力，降低了城市道路中数据传输的端到端延迟，能够满足和支撑大区域环境下的交通拥堵、交通安全、雾霾治理等实时数据传输的应用需求。为此，本发明给出以下技术方案实现：本发明研究方法，其特征在于，通过研究大规模车联网道路网络图区块划分方法，将大规模车联网划分若干小规模网络，根据网络内节点数量变化趋势相似度算法，将具有类似网络度分布的路段进行统一考虑，降低了处理的复杂性，通过实验证明了采用基于BS-TS和自编码网络的车联网网络节点筛选方法的路由不仅具有更高的数据包传递成功率，而且具有更好的稳定性，并针对不同类别网络给出了车联网网络通达性路由机制。一种基于BS-TS和自编码网络的车联网网络节点筛选方法及其通达性路由机制，其特征在于，具体方法包括如下步骤：步骤1.利用图增长算法思想，给出城市道路网络图区块快速划分方法；步骤2.将区块网络度变化趋势相似性进行对比分析；步骤3.分析了大规模车联网网络的复杂性及城市场景中车联网的一些相关特性，给出了基于BS-TS和自编码网络的节点筛选方法；步骤4.分别从城市道路中拥塞场景和稀疏场景进行研究；步骤5.路由请求；步骤6.计算邻居节点、度、传输系数等；步骤7.网络状态监测；步骤8.节点筛选；步骤9.计算代价路径选择；步骤10.数据发送。这10个步骤的具体内容分别如下。所述步骤1中，获取道路网络图区块，它是借鉴图增长算法思想，这里，增长的基本元素不是点，而是栅格块，因而在准确性的基础上保证了其快速性，并可以高效的完成道路网络图区块划分过程。所述步骤2中，区块网络度变化趋势相似性对比算法基于对网络图区块节点分布的统计回归分析，并结合两组具体数据间差异性分析，通过对比不同区块、不同时间段网络节点数量变化趋势的相似性，达到可以将相似区块统一处理的目的。所述步骤3中，基于BS-TS和自编码网络的节点筛选方法对于一个整体的大规模车联网网络，经过区块划分和分类后，再进行节点筛选。而针对一个特定的路段，需要分析出其道路车辆的变化趋势和当前的道路状态再进行节点筛选，这里将道路状态分为拥塞(crowd)和宽松(loose)两种状态，道路的状态在一天内会在此状态间多次变化。针对不同状态，我们利用不同的训练方法进行分开处理，并通过参数调优，较大的提高了车联网网络节点筛选算法的性能基于BS-TS和自编码网络的车联网网络节点筛选方法的通达性路由机制由于城市交通状况复杂，因此，针对拥塞场景与稀疏场景进行了分开考虑。拥塞场景下的通达性路由机制拥塞情况下，网络内节点众多，无需借助辅助设施，只需通过车间通信即能找到一条较好的信息转发路径。同样由于节点众多，消息广播容易导致当前网络中信息量过大，可能产生广播风暴，因而可以通过基于自编网络的节点筛选方法进行筛选，从而以较少节点组成的网络覆盖当前网络区域。非优异节点可以通过将消息发送给邻近的优异节点，再通过通达性网络传送给目的节点。但若所有信息都通过筛选出的优异节点传播信息，这些节点将会成为信息传输瓶颈，甚至导致信息丢失、信息错乱。因此，这里根据当前节点的负载进行筛选转发。节点的负载程度一般由缓存队列的负载程度与节点的能量消耗程度决定，因为数据分组的发送需要对当前节点周边的局部网络资源有一定的消耗，因此会影响整个路由过程。稀疏场景下的通达性路由机制稀疏情况下，由于网络内可通信节点稀少，找不到邻居节点，导致消息不能及时传递，只靠车间通信无法完成任务，因此需借助通信能力更强的RSU或者3G/4G基站进行消息传递。RSU由于具有比普通车辆节点更强的通信能力，并且它们通过有线接入互联网，RSU附近的节点可以借助RSU的通信能力进行消息转发。而3G/4G信号在城市中几乎完全覆盖，所以采用3G/4G基站进行消息转发，理论上能达到100％的数据包传递成功率。虽然3G/4G基站、RSU的通信能力强于普通车辆节点，但部署和使用这些设施需要高昂的代价，因此选择节点主要根据使用代价决定优先顺序，其中设定选择车辆节点代价低于RSU，RSU低于3G/4G节点，但随着代价的增加，通信能力逐渐增加。至此基于BS-TS和自编码网络的车联网网络节点筛选方法的通达性路由机制表述完毕。有益效果通过研究大规模车联网道路网络图区块划分方法，将大规模车联网划分若干小规模网络，根据网络内节点数量变化趋势相似度对小规模网络进行分类，并针对不同类别网络给出了基于BS-TS的车联网网络节点筛选方法，新的筛选方法是在基于自编码网络的筛选方法的基础上，添加了对不同路段特性的考虑，因此更加适合复杂的城市道路网络，从而可以提高筛选方法的适用性。结合空间因素和时间因素，可以城市道路中对不同时间、不同路段提供适当的节点筛选方法。同时，针对不同路段进行了分类，结合区块网络度变化趋势相似性算法，将具有类似网络度分布的路段进行统一考虑，降低了处理的复杂性。采用基于BS-TS和自编码网络的车联网网络节点筛选方法的路由不仅具有更高的数据包传递成功率，而且具有更好的稳定性。针对城市场景基于车联网节点筛选方法给出了路由方法，针对不同路由协议在不同异构环境中的分析对比，所提出的路由机制有效提高了网络通达性，且3G基站的引入会对网络通达性的提高更加明显，而RSU则需根据实际道路和路况需要来部署。本发明研究方法是对基于BS-TS和自编码网络的车联网网络节点筛选方法及其通达性路由机制进行深入研究，从而可以实现对车联网大规模异构网络网元有效筛选，保障了车联网大规模网络互连互通的实时性和稳定性。因此，本发明从根本上保障了车联网大规模信息的交换，能满足和支撑大区域环境下的交通拥堵、交通安全、雾霾治理等实时数据采集的应用需求。附图说明图1Bologna地图栅格化图2分块后Bologna地图图3三种方法在第一区块数据拟合结果图4三种方法在第十一区块数据拟合结果图5三类数据训练结果图6数据包传递成功率随数据包发送速率的变化关系图7城市场景下AE与BS-TS&AE数据包传递成功率对比图8端到端平均延迟随数据包发送速率的变化关系图9拥塞状态路由发现图10稀疏状态下路由发现图11城市场景中α＝0.2时不同协议通达性随数据发送率的变化关系图12城市场景中α＝0.7时不同协议通达性随数据发送率的变化关系图13为本发明方法流程图。具体实施方式本发明根据城市道路中由车联网网络节点时空分布差异导致的稀疏网络与稠密网络无规律分布问题，对不同时间、不同路段提供适当的节点筛选方法，并结合车联网大规模异构网络存在互联互通耦合度低等问题，设计适合于城市道路的通达性路由机制。本发明通过研究大规模车联网道路网络图区块划分方法，将大规模车联网划分若干小规模网络，根据网络内节点数量变化趋势相似度算法，将具有类似网络度分布的路段进行统一考虑，降低了处理的复杂性，通过实验证明了采用基于BS-TS和自编码网络的车联网网络节点筛选方法的路由不仅具有更高的数据包传递成功率，而且具有更好的稳定性，并针对不同类别网络给出了车联网网络通达性路由机制。本发明从根本上提高了车联网网络的数据处理能力，降低了城市道路中数据传输的端到端延迟，能够满足和支撑大区域环境下的交通拥堵、交通安全、雾霾治理等实时数据传输的应用需求。本发明的具体实施过程如图13所示，包括如下4个方面：①城市道路网络图区块划分②区块网络度变化趋势相似性对比③给出基于BS-TS的车联网网络节点筛选④给出基于BS-TS的车联网网络节点筛选的通达性路由机制①下面首先结合如图1、2，说明城市道路网络图区块划分过程。道路网络图区块划分是为了将大规模车联网区域划分为若干块，利用分而治之的思想，将整个网络的通达性问题分割成各个模块的通达性问题来解决，从而可以针对不同路段给出不同的节点筛选方法，使得问题的解法更具有针对性和适应性。目前常用的图分割算法一般有两类。一类是分割算法，如对分算法，它是对整个网络一步步对分而得到最终的分割图；另一类是图增长算法，先确定图中一个点为一个分割块，然后不断的将邻近点加入这个区块中，当区块大小满足相应的条件时则划分完成，这类算法还衍生出一些高效的启发式图分割算法。本发明借鉴图增长算法思想，提出了一种新的道路网络图区块快速划分算法，但它增长的基本元素不是点，而是栅格块，因而在准确性的基础上保证了其快速性。道路网络图区块快速划分算法可以适用于本发明的需求，并可以高效的完成道路网络图区块划分过程。首先将网络图划分为n*m个栅格Gnm，然后与其邻近位置区块比较确认所在分块。道路网络图区块划分实验过程：(1)仿真运行Bologna_small-0.21.0，截取运行时全景图；(2)利用栅格将地图均匀分块；(3)利用道路网络图区块划分算法，将图中所有隶属于同一路口的区块合并，得到最终划分好的网络图。②区块网络度变化趋势相似性对比随着时间的变化，同一路段的车辆数不停的变化，但在正常情况下，即不发生交通事故等突发事件时，一般会呈现一定的分布趋势。由于客观事物具有一定的内部规律，从表面无法分析事务间的客观联系。一些简单的统计分析方法通过分析最大值、最小值、方差或标准差等数据，来发掘多组数据的相似性关系。但是，这些分析方法缺乏对数据的真实表达能力，不能很好反映数据的原始信息。因此，本发明采用统计回归分析方法，利用统计分析来拟合待处理的数据，从而可以发现数据变化的一般性规律，进而可以分析数据的关联性。为此，本发明提出了一个新的区块网络度变化趋势相似性对比算法，这里定义网络度NDi为：给定一个确定的时间、确定的地点i，当前区域所构成的车联网网络内节点的数量。网络度NDi，该定义表示一个区块内节点可以构建的通达性网络性能，网络度大时，构建的通达性网络性能相对较好，网络度小时，构建的通达性网络性能相对较差。通过对比不同区块、不同时间段网络节点数量变化趋势的相似性，达到可以将相似区块统一处理的目的，它基于对网络图区块节点分布的统计回归分析，并结合两组具体数据间差异性分析，能取得较好的效果。由于一般仿真模拟情况下，某一区块的网络度呈对数增长趋势，并在一定范围内波动，这里采用Gaussianf(x)=a*exp(-(x-bc)2)---(2)]]>曲线拟合相应的数据，而真实道路情况更为复杂，应用Fourier方法、或其他复杂方法拟合处理。公式(2)中，a、b、c为Gaussian的实数常数，且a>0。公式(2)属于现有技术。假设在区块A和区块B中的同一时间段内采集的数据分别表示为SetA和SetB，因此相似性可利用如下公式计算，Similarity=1/(Σ1≤i≤n|SetBi-SetAi|(Σ1≤i≤nSetAi+Σ1≤i≤nSetBi)/2+Σ2≤i≤n|(SetBi-SetBi-1)-(SetAi-SetAi-1)|(Σ2≤i≤n|SetBi-SetBi-1|+Σ2≤i≤n|SetAi-SetAi-1|)/2+Δa+Δb+Δc)---(3)]]>其中，第一项表示为SetAi与SetBi对应数据间的直接差异占总值的百分比，第二项表示为SetAi与SetBi中内部相邻数据的差值在两组数据之间的差异占总值的百分比，Δa、Δb、Δc为拟合曲线的多项式参数差值。这里，Similarity值越大，说明相似性越大，反之越小，拟合每个权值系数应该如何分配，同样具有很大的可选择性，需要设计和部署相应的实验来给出合理的解决方案。在具体应用时，需要通过实验确定算法中各个参数的最佳取值。③给出基于BS-TS的车联网网络节点筛选基于自编码网络的车联网网络节点筛选方法能有效的筛选出网络中的优异节点，但是由于大规模车联网网络的复杂性及城市场景中车联网的一些相关特性，不能针对不同场景采用同样的节点筛选策略，而应该根据时间变化，给出不同的筛选方法。根据道路网络图区块划分和区块网络度变化趋势相似性对比，给出了一种基于BS-TS和自编码网络的节点筛选方法。对于一个整体的大规模车联网网络，经过区块划分和分类后，在进行节点筛选。而针对一个特定的路段，需要分析出其道路车辆的变化趋势和当前的道路状态再进行节点筛选，这里将道路状态分为拥塞(crowd)和宽松(loose)两种状态，道路的状态在一天内会在此状态间多次变化。针对不同状态，我们利用不同的训练方法进行分开处理，并通过参数调优，较大的提高了车联网网络节点筛选算法的性能。对同一类别的道路进行训练，得到两组不同参数，分别用于拥塞态(crowd)和宽松态(loose)，针对拥塞态的筛选力度比宽松态更强，在以完成任务为目的前提下，尽量降低数据量，从而降低数据包传递时的端到端平均延迟。而宽松态的筛选将根据当前区块中节点数量自适应调节，筛选优异节点的同时尽量保证区块内网络通达。④给出基于BS-TS的车联网网络节点筛选的通达性路由机制利用车联网节点筛选方法，分别对不同模块的两种状态进行离线训练学习，得到可用于节点筛选的自编码网络。根据区域网络的大小，网络的密度，传输系数、中心性和节点势能等，动态选择需求量的大小，动态适应不同情景下的网络区域。采用深度学习的方法，将抽象出来的节点特征作为神经网络的输入，输出的是具有更高表达能力的隐藏特征，省去了人工选择特征这一复杂的过程，根据这些特征，并结合分类器和网络拓扑图的一些方法，寻找区域内的优异节点。通达性路由机制是在基于BS-TS的车联网网络节点筛选方法的基础上，通过将筛选出的节点转发消息，并充分考虑路边行人移动设备、RSU、3G/4G基站等设施，任何源、信宿节点通过此路由机制，可以较快的进行信息发送和信息接收，给出了适应城市场景需求的通达性路由机制。实施例本实施例是对以上具体实施方式的详述。●道路网络图区块划分图1为Bologna地图栅格化后的情况，地图大小约为1500m*1140m，每个栅格内地图为150m*114m。通过道路网络图区块快速划分算法划分后，产生13个区块，标记为1-13，如图2所示。划分结果基本将所有主要路口区分出来，只有少数划分存在不明确和划分错误现象，这说明划分结果的正确与否和开始的区块位置标记有很大的关系。●区块分类采集仿真运行后的所有节点信息，并按13个区块划分，得到13个区块定位网络度变化数据，得到13个不同的网络度变化趋势图，再利用Matlab的cftool工具拟合所有数据，x轴使用时间[0:2:2000]区段，即采集数据时每2s采集的数据，共1000条，分别利用线性拟合、Fourier函数与Gaussian函数对第一区块和第三区块进行拟合，结果如图3和图4所示。从图3、图4可以得出，在数据波动较小的情况下，Fourier函数可以得到很好的拟合效果，但若数据波动太大，会导致如图4中的类似正弦曲线的错误结果；线性拟合曲线只能表现出数据整体的趋势，未能展现数据中间波动的部分，采用此方案将对后续实验产生较大误差；Gaussian函数拟合曲线则在两种情况下都产生了较好的结果，且在数据波动较小的情况下，能产生与Fourier函数拟合接近的效果，能反映数据变化的真实情况。●自编码网络训练按照上述分类方案，选择[470153]为自编码网络结构，训练效果如图5所示。可以看出，[470153]在所有类别上均有较好的效果，随着无监督训练次数和有监督训练次数的增大，错误率呈明显下降趋势。训练好的自编码网络将作为后续节点筛选的工具。●数据包投递成功率Bologna地图仿真模块中已经设定车辆最高时速为15m/s，因此这里采集数据包传递成功率和端到端平均延迟随数据包发送速率的变化关系，从而分析传统AODV与筛选-AODV的优缺点。实验结果如图6、图7所示。从图中可以看出，随着数据包发送频率的降低，传统AODV与筛选-AODV中数据包投递成功率都呈下降趋势，这是由于发送频率越高，临近发送时间的数据包发送出去，网络拓扑几乎未变化，路由表不需要更新，也就不需要重新进行路由发现，不仅节省了时间，也使数据包更容易到达目的地。筛选-AODV中由于对优异节点进行了筛选，选择的路径具有更高的通达性，整体上表现出了比传统AODV更好的性能，传统AODV只在若干时间点数据包传递成功率高于筛选-AODV。图7为基于自编码网络的车联网节点筛选方法与基于BS-TS和自编码网络的节点筛选方法在Bologna城市场景下数据包传递成功率随数据包发送速度变化的对比图，明显看出，基于自编码网络的车联网节点筛选方法在城市场景由于未针对稀疏场景进行特殊考虑，导致严重丢包。而改进后的节点筛选方法在城市场景下具有较好的性能，由于实验的地图较小，且网络拓扑变化程度一般，所以利用改进后的节点筛选方法的AODV路由协议具有很高的性能，丢包率在6％以下。●端到端平均延迟端到端平均延迟是Bologna地图中设置的两点间的数据包传递平均延迟，图8中可以明显看出，在发送频率较高的情况下，虽然由于发送频率高使得短时间内路由表不需要更新，但节点筛选过程也需消耗一定的时间，因此传统AODV具有较大的优势，端到端平均延迟低于筛选-AODV。随着数据包发送频率大于0.5时，传统AODV的端到端平均延迟开始下降，随着数据包发送频率的变化，呈波动状态，且波动较大，而筛选-AODV在数据包发送频率大于0.4时，波动状态较小。这说明，经过筛选后的路由机制对数据包发送频率的敏感性较低，性能一般能维持在一个较好的水平。●拥塞场景下的通达性路由机制拥塞情况下，网络内节点众多，无需借助辅助设施，只需通过车间通信即能找到一条较好的信息转发路径。同样由于节点众多，消息广播容易导致当前网络中信息量过大，可能产生广播风暴，因而可以通过基于自编网络的节点筛选方法进行筛选，从而以较少节点组成的网络覆盖当前网络区域。非优异节点可以通过将消息发送给邻近的优异节点，再通过通达性网络传送给目的节点。但若所有信息都通过筛选出的优异节点传播信息，这些节点将会成为信息传输瓶颈，甚至导致信息丢失、信息错乱。因此，这里根据当前节点的负载进行筛选转发，如图9所示。节点的负载程度一般由缓存队列的负载程度与节点的能量消耗程度决定，因为数据分组的发送需要对当前节点周边的局部网络资源有一定的消耗，因此会影响整个路由过程。节点i的负载权重可用公式4表示：Wi=QueuecurQueueMAX---(4)]]>其中，QueueMAX为节点i缓存队列能存放的最大数目，Queuecur为当前缓存的数据数目。Wi值越大，说明节点i负载越重，可适当考虑其他邻居节点。发送数据的优先级确定可通过添加延迟函数，延时时间T计算公式如下：T＝α*Wi*Tc(5)其中α为Tc的系数，0≤α≤1，Tc为延迟常量，其值不能太大，否则会影响路由的建立过程，也不能太小，否则效果会不明显，因此需要通过实验进一步确定其值。通过上述延迟函数，负载大的节点延迟发送时间较长，负载小的节点延迟发送时间较短，从而保证了在路由建立的过程中尽量让负载较轻的节点优先选入，负载较重节点的转发的数据包可能由于版本更低而被丢弃，这样不仅保证了所选的路由的质量和稳定性，并且均衡了网络各节点的负载程度。●稀疏场景下的通达性路由机制稀疏情况下，由于网络内可通信节点稀少，找不到邻居节点，导致消息不能及时传递，只靠车间通信无法完成任务，因此需借助通信能力更强的RSU或者3G/4G基站进行消息传递，如图10所示。RSU由于具有比普通车辆节点更强的通信能力，并且它们通过有线接入互联网，RSU附近的节点可以借助RSU的通信能力进行消息转发。而3G/4G信号在城市中几乎完全覆盖，所以采用3G/4G基站进行消息转发，理论上能达到100％的数据包传递成功率。虽然3G/4G基站、RSU的通信能力强于普通车辆节点，但部署和使用这些设施需要高昂的代价，因此选择节点主要根据使用代价决定优先顺序，其中设定选择车辆节点代价低于RSU，RSU低于3G/4G节点，但随着代价的增加，通信能力逐渐增加。同拥塞状态，稀疏场景也利用延迟函数的作用达到对不同终端节点进行分级的作用，其延迟函数如下：T＝α*Tv+β*TRSU+γ*T3G(6)α+β+γ＝1其中，α、β、γ分别为各延迟常量的系数，且0≤α≤β≤γ≤1，Tv为选择车辆节点延迟常量，TRSU为选择RSU延迟常量，T3G为选择3G节点延迟常量，具体值选择需要实验进一步确定。●网络通达性图11与图12分别为α＝0.2和α＝0.7时计算出的三种方案的通达性对比图。当α较小时，端到端平均延迟的影响因子较大，因而它对通达性影响较大，而当α较大时，数据包传递成功率的影响因子较大，因而它对通达性影响较大。但从两图比较中得出，α的取值主要对通达性值的大小有一定的影响，但对波动趋势影响甚微。随着数据发送速率的增大，网络通达性整体呈下降趋势，这是由于网络通达性的计算受数据包传递成功率与端到端平均延迟共同作用，通达性只是对当前网络性能的一个评价指标。同时可以明显得出，布置有RSU设施的网络一般具有更高通达性，但也受网络波动有稍许影响；整体情况下，CAODV具有最低的网络通达性，C-AODV-RSU和C-AODV-3G具有较高的通达性，引入RSU和3G基站，使得网络通达性提升；数据发送率为0.1时，C-AODV-3G具有极高的通达性，是由于通达性计算公式是对数据包传递成功率与端到端平均延迟进行组合计算的一个结果，其初始值受计算公式的参数影响，但不影响整体的计算结果。创新点创新之一：提出了一种基于BS-TS和自编码网络的车联网网络节点筛选方法。根据城市道路中由车联网网络节点时空分布差异导致的稀疏网络与稠密网络无规律分布问题，引入区块划分与时间分片技术，提出了基于BS-TS和自编码网络的车联网网络节点筛选方法，同时，针对不同路段进行了分类，结合区块网络度变化趋势相似性算法，将具有类似网络度分布的路段进行统一考虑，降低了处理的复杂性，进一步提高了车联网网络的数据处理能力，降低了城市道路中数据传输的端到端延迟。创新之二：提出了一种基于BS-TS和自编码网络的车联网网络节点筛选方法的通达性路由机制。在城市交通网络中，不同的路段具有不同的节点分布，但不同路段的网络节点分布可能具有一定的相似性，城市道路的不规则分布，将导致网络节点的稠密和稀疏随时间流动会产生相应的变化。针对城市场景中的拥塞与稀疏状态，基于BS-TS和自编码网络的车联网网络节点筛选方法，提出了适合于城市场景中的通达性路由机制，有效提高了网络通达性，且3G基站的引入会对网络通达性的提高更加明显，而RSU则需根据实际道路和路况需要来部署。