文摘

数据交付车辆网络(VANETs)是一项具有挑战性的任务由于高迁移率和恒定的拓扑变化。路由协议一样,多次反射V2V通讯遭受更高的网络延迟和更低的包交货率(PDR)和过度依赖GPS可能对个人隐私造成威胁。在本文中,我们提出一种新颖的数据交付方案为车载网络在城市环境中,可提高路由性能不依赖GPS。fuzzy-rule-based无线传输方法旨在优化中继选择综合考虑多种因素,包括车速、行驶方向、跳数和连接时间。无线V2V传输和有线传输限制都是利用,因为有线传输可以减少延迟,提高可靠性。每个RSU配备机器学习系统(MLS)使选中的继电器连接更可靠地通过预测没有GPS车辆速度下一刻。实验证明了该方法的有效性和合理性。

1。介绍

车载网络(VANET)是一种特殊类型的移动自组网(MANET),每一个节点是一个车辆在路上。除了安全和隐私问题(1),研究VANET的挑战主要来自网络的特点:经常链接断开连接,快速拓扑变化,和大规模的大小。

VANETs有许多重要的应用,有关安全和nonsafety [2,3]。几乎所有的应用程序都离不开消息传输;即数据交付VANET的广泛部署应用程序的基石(4]。在VANETs,网络协议可能会失败由于各种因素导致的频繁的联系中断,如严重的干扰,被拦截,无线电信道衰落,和频繁的拓扑变化。结果,是间歇性的连接和许多网络服务无法正常运行及其性能严重退化。因此,开发高效的数据交付方案与链路中断的存在具有重要的实际意义(5]。

模糊逻辑,以其能够处理复杂和不精确的问题,是一个非常有前途的技术在这样的动态和复杂的背景下6]。与此同时,大规模的交通运输系统中的数据有重要指导意义的数据交付(7]。高效地利用密度数据,算法擅长处理历史数据,如机器学习(ML)是必要的。为了提高数据传输质量(DTQ),我们提出一个新颖的消息传递机制,优化V2V通信通过优化选择中继节点的帮助下模糊规则,并避免使用全球定位系统(GPS)的协助下的机器学习算法。不稳定的通信链路的无线传输,我们设计一个fuzzy-rule-based从所有可能的方法来选择一个最优路径路径综合考虑多种因素。减少使用V2V沟通,限制安装在现场,这将减少网络延迟和数据包丢失概率通过快速和稳定的有线网络中传输。处理VANET的动态,每个RSU嵌入式KNN-based机器学习系统(MLS)提供关于运动估计车辆和移动路径。

本文的贡献是3倍,我们fuzzy-rule-based无线传输方法可以确定最优中继节点V2V沟通,小说速度场基于车辆发动的短期预测方法具有较高的实用性和灵活性设计稳定,加强联系保护客户隐私,确保系统的可伸缩性KNN-based机器学习系统嵌入在RSU支持GPS-free动态车辆位置的预测。本文的其余部分组织如下。部分2描述了相关工作。部分3介绍了该模型。部分4给我们的系统的详细的分析。部分5给出了相关的仿真结果。部分6本文总结道。

2。相关工作

湘X等人提出了两种自适应按需地理路由协议(8]。通过采用不同的方案,这两个协议可以获得和维护本地拓扑信息数据流量需求。SOGR-HR (SOGR混合反应机制)纯粹依靠单拓扑信息转发其他地理路由方案;SOGR-GR (SOGR地理反应机制)结合地理和架构机制建立更有效的路径。拟议中的SOGR-GR协议之间实现更好的平衡控制开销和数据包转发的开销。然而,SOGR-GR的核心机制是纯粹基于交通状况和需求没有考虑节点的动态性和密度。我们提出战略智能地捕获流量的动态变化操作通过机器学习系统嵌入在每个RSU。

在[9),一个机器学习辅助路线选择(火星)系统,提出了对城市环境设计路由协议。为了预测车辆的移动和选择一些合适的路由路径更好的传输容量,采用k - means广泛应用机器学习算法。集群作为一种无监督的方法,k - means将判断数据的相似性和决定哪些数据可以被分成相同的集群。然而,有时这个算法可能被困到局部最优和不同初始条件可能产生不同的结果,因为它是敏感初始质心。此外,算术平均值并不健壮的异常值,很远的数据重心可能把重心从真正的一个。在我们的建议,为了避免陷入局部最优,我们选择资讯代替k - means算法。

在[10),一种新颖的基于模糊逻辑的贪婪路由(FLGR)协议的最小延迟关注传递安全信息设计。拟议中的FLGR是一个基于位置的贪婪路由协议,它使用多个邻居车辆的指标来决定哪些车是最好的中继节点采用模糊逻辑。它选择的节点最大距离、速度、和进步和最小角度偏差从当前对目的地作为下一跳转发节点。然而,该协议只考虑车辆的当前状态,没有考虑到未来状态的影响做决定的时候。在fuzzy-rule-based方法,我们设计一种新颖的速度场基于车辆发动的短期预测方法考虑未来车辆的速度。

3所示。提出的模型

在传统的路由协议中,V2V沟通是主要的传播模式。但是,车辆密度可以极大地影响这样的协议:(a)如果车辆密度过高,对信道资源的竞争可能产生碰撞,导致降低数据包交付率(PDR),和(b)如果车辆密度太低,carry-and-forward技术会增加传输延迟道路段差的通信连接。段的道路拥挤或断开连接,如图1,DTQ将退化。此外,中继节点的选择起决定性的作用在无线传输的影响。并不是所有的车辆在中继节点传输范围限定。一个糟糕的选择不仅未能交付数据包准确、迅速但也导致较高的延迟甚至包丢失。一般来说,车辆行驶方向与源相同的车辆,有相似的移动速度与源汽车更有前途的一个不错的选择。当然,其他因素也应该考虑如果我们想找到最优的选择。为了连接到一个特定的车辆,GPS是杠杆在大多数路由协议对该节点进行定位。然而,过度依赖GPS不可靠:(a) GPS信息并不总是可用的特别是在保护地区,(b) GPS可能引发一些安全问题和侵犯个人隐私,和(c) GPS传感器是用电设备,有时用户可能关闭减少电力消耗,例如,当一个手机作为GPS设备(11]。

为了解决上述问题,我们提出一种新颖的消息传递机制,优化V2V沟通限制和模糊规则的帮助下,并避免使用全球定位系统(GPS)的协助下的机器学习算法。连接限制通过骨干网之间的联系可以减少使用V2V显然沟通,以减少无线传输,这样不仅提高包交货率也降低网络延迟时间保证。对于不可避免的无线传输部分,我们设计一个fuzzy-rule-based方法需要行驶方向,车辆速度、连接时间和跳数考虑中继节点的选择更加合理。加强V2V传输链路的稳定性,短期小说场基于车辆发动车辆速度预测方法来预测提出了动态车辆速度。在我们的方案中,每个RSU嵌入一个特别设计的机器学习系统来处理动态交通信息,并提供路由决策。我们GPS-free动态车辆位置预测可以获得目标车辆的位置,消除那些潜在问题引起的GPS。

我们使用以下符号:(我)源节点(2)D:目的地节点(3) :车辆连接的RSU来源(iv) :目的地的RSU车辆连接或刚离开(v) :的RSU接下来会访问目的地(vi)盲目区:区域不受任何RS

传递数据包的过程中,车辆将首次尝试访问RSU来源。如果源汽车了 ,船上V2R通信将被选中,因为单位(酸)可以与RSU采用专用短程通信(DSRC)技术来实现信息传输(12,13]。如果源节点在盲区,fuzzy-rule-based方法将用于建立通信链路。首先,它会发现潜在的路径中所有的路线。模糊数学的基础上,四个因素(行驶方向、车辆速度、连接时间、和跳数)。在这个过程中,一种新型场基于车辆发动短期车辆速度预测方法来预测提出了动态车辆速度。然后,评价每一个潜在路径。每个路径将评估根据模糊综合评价方法(FCEM)和分配一个综合评估值和相应的评价等级根据最大隶属原则。最后,根据评价结果选择无线传输路径。我们计划将首先选择最优路径交付数据包;在情况下,无法接收数据包的阈值时间后,未达最佳标准的路径将被选中。

收到包后,将发送传输请求(TREQ)其他限制找到吗 。每个RSU将维持一个节点表,列出了车辆在其覆盖在这一刻,这些车辆在他们离开的时候。每个节点表存储实时交通RSU收集的信息,并定期更新。通过检查各自的表,每个RSU可以判断是否应对TREQ。只有将传输发送应答(TREP)告知目标车辆的位置状态,然后送包 。限制安装在道路两边是智能交通系统(ITS)的重要组成部分。骨干网可以限制之间的互连之间使用和 。与无线网络相比,有线网络更加稳定和快速的,尤其是在这样一个高度动态的环境。

最后,数据包将被交付给D V2R模式以防RSU覆盖,否则传输路径将预测与机器学习系统的帮助。首先,机器学习1 (ML1中引入)将预测目标的转向下一个十字路口后离开 :直走,左转或右转。然后,机器学习2)中打开(名为ML2将预测目标节点的概率传播到每个RSU来确定 。最后,机器学习3 (ML3开始)将预测路径一定退出的旅行来 。旅行路径确定后,数据包将在一个双向传输模式;也就是说,这两个和致力于搜索连接D沿着路径预测的方法。在本节中,fuzzy-rule-based方法是再次使用。如果发现速度比的路径 ,它将数据包在单播模式和D,同时,通知停止搜索。否则,将数据包转发给通过有线方式完成传播。以防目的地车辆无法接收数据包的阈值后,计划将选择RSU第二高的可能性并再次执行双向传输等等。

如图1RSU, S2可以传输数据包₅通过无线V2R沟通,S1需要fuzzy-rule-based中继车辆的选择方法。之后检查节点表,RSU₅送包RSU₂通过有线传输。目标车辆D1, RSU₂可以直接提供数据包。对目标车辆D2,将建立一个传输路径的协助下在RSU机器学习系统₂。我们的提议使数据传输更少依赖于车辆密度和避免负面问题导致GPS的使用。算法1整个消息传递过程简洁。更详细的信息将是下一个部分中描述。

4所示。数据传输方案

4.1。Fuzzy-Rule-Based无线传输方法

多次反射广播方案尤其喜欢在无线传输传输信息车辆或基础设施,不能在VANET直接沟通。然而,普通广播可能遭受频繁的争用和严重的碰撞14),从而导致广播风暴15]。如何抑制广播风暴是其中一个重要的问题在无线传输过程中(16,17]。为了减少广播风暴,保证快速、高效的信息传播,提出了一种fuzzy-rule-based无线传输方法来提供一个最佳的货代选择方案。

以下4.4.1。无线传输方法的结构

(一)寻找潜在路径。首先,源汽车将发起路由请求(RREQ)在其传输范围,这表明是否可以达成RSU。然后相邻节点,听到这个请求广告,将重播这灯塔他们的邻居。最后RSU接收这个灯塔将发回一个路由应答(RREP)宣布和路线。重复这个过程直到终端的任何一个条件满足,(a)预定结束时间和(b)预设路线的数量满足下列条件。所有可能的路线应保证发现RREQ听到一些RSU在一定数量的啤酒花(默认两个跳)。如图2,所有的发现路径除了path1和path2合格作为潜在的路线。如果有两个或多个分支路径first-relay节点后,pre-evaluation需要选择branch-relay节点。pre-evaluation定义的原则如下:放弃branch-relay节点在相反方向开车或与最大速度差first-relay节点;子路径没有branch-relay节点被认为与first-relay节点有相同的方向和速度;子路径的数量的上限是两个。如图2pre-evaluation之后,path5将选择①作为branch-relay节点和path6选择②和③,和path3 path4不需要pre-evaluation。

(b)评估潜在路径。路径根据模糊综合评价方法,评价中指标权重向量确定基于层次分析法(AHP)。模糊逻辑,1965年首次提到的德18),允许不确定信息处理通过使用简单的if - then规则。这对未来的发展奠定了基础的模糊理论19]。闻名的能力来处理复杂性和不精确的问题,模糊逻辑是一种强大的数学工具来处理多参数问题在这样一个动态的、复杂的上下文(20.]。模糊数学的基础上,四个因素被认为是获得一个模糊关系矩阵R为每个潜在路径。根据这个矩阵,我们的方法将会分配给每一个潜在的路线一综合评估值及其对应的评价等级。

(c)确定无线传输路径。的最后阶段fuzzy-ruled-based无线传输的方法是选择无线传输路径根据评价结果。我们计划将首先选择最优路径交付数据包;以防RSU未能收到数据包后的阈值时间,未达最佳标准的路径将被选中。路径属于不同评价等级,更高的分数比低年级的优先;为路径属于同一个年级,更高的评估价值具有优先于低的评估价值。

例如,在图3、车辆发出RREQ和邻国会重播这灯塔。因此,通过车辆和车辆b作为中继节点,可以发现RSU接收RREQ然后回复RREP。通过这种方式,我们发现一个潜在的路径 。路线的评估之后,将最优路径的无线通信连接RSU将确定。现在,源节点可以单播数据包沿着路径由RREP RSU。

4.1.2。中继节点选择

为了选择一个更多的中继节点的可靠性,我们采用FCEM结合几个影响因素进行评价每个潜在路径。FCEM科学评估方法是基于模糊数学的考虑多元化的影响因素21]。它使用模糊逻辑系统进行评价的真实世界的系统并不明确。

(一)确定评价指标集。为了评估车辆是否胜任下一个中继节点,指数被定义为 ,在那里速度差的绝对值在当前车辆和潜在的车辆之间的下一刻,的绝对值是两辆车的行驶方向的区别,是跳RSU从潜在的车辆数,然后呢相应的连接时间。速度的区别是第一个指数来衡量一个潜在的车辆自相似的速度是一个必要条件稳定的车辆的距离。的具体描述车辆速度预测将在下一小节中介绍。行驶方向的区别是另一个关键指标,如果两个相反的方向和驾驶的稳定性必须努力确保链接。此外,跳数和连接时间是另一个两个重要的影响因素,和啤酒花太多或太长连接时间会严重影响稳定的联系。

(b)确定评估标准集。满意度是衡量使用所谓的评论组,由一组语言变量,如“好”或“坏”(22]。为了评估车辆是否胜任下一个中继节点,我们定义的评估标准有四个等级 。

(c)确定指标权重向量。根据层次分析法的理论,将指标权重向量 。更详细的信息关于AHP方法将在下面介绍。

(d)构造模糊关系矩阵。模糊关系矩阵被定义为(1),表明的会员指数属于率。建立了隶属函数根据指标体系的特点。对于离散变量和 ,会员级别是根据表决定的1和2。连续变量和 ,定义隶属函数如图4和5。为变量 ,模糊集函数计算(2)- (5),我们可以得到变量的隶属函数用变量v / 100为t。

(e)确定综合评价类。通过执行之间的模糊复合操作指标权重向量和模糊关系矩阵,建立了一个综合评价向量模型所示(6),b₁,b₂,b₃,b₄分别代表了四个等级的评价。我们确定了相应的评价等级根据最大隶属原则。

4.1.3。指标权重向量

指标权重向量代表了不同的权重选择的四个影响因素的选择转发节点。为了执行模糊复合操作之间的指标权重向量P和模糊关系矩阵R,我们需要确定值矢量P。在本文中,我们使用层次分析法(23)分配的最优权重的每个索引来确定最佳的货代。层次分析法将复杂的问题分解成子问题的层次结构来评估每个标准的相对重要性(24]。替代选择根据他们对每个准则的权重,最终对目标(25]。

(一)层次分析结构。层次分析法的一个重要组成部分是结构层次分析:(i),国家的目标;(2)定义的标准;(3)选择备选方案(15]。根据需求在本文所述的场景中,目标(顶层)选择一个最佳的货代。标准(中等)包括当前车辆之间的速度差的绝对值和潜在的车,两辆车方向差异的绝对值,潜在的跳跃数RSU车辆,和相应的连接时间。选择(底部)包括所有候选节点通信范围内的源节点。基于这些三层的分层树形成如图6node1,…, nodeC代表候选人货代车辆。

(b)判断矩阵。根据中继节点选择的重要性程度,四个影响因素的重要性排序是定义为 。标准两两比较发现他们对目标的重要性,和这样一个表示为两两比较判断矩阵所示(7),n是标准的总数。在矩阵,表示标准的相对重要性我来j。 表明指数我指数一样重要吗j, 表明指数我比指数更重要吗j, 表明指数我比指数是那么重要吗j。判断矩阵的性质也所示(7)[25]。一个标准的相对重要性的另一个可以表示成对比较矩阵表3。

因此,我们得到的判断矩阵,矩阵B是归一化后的结果。

(c)一致性检查。AHP的最后一步是一致性检查检查是否比较矩阵A是一致的(26]。判断错误检测到使用一致性比率(CR),这是一致性指数(CI)的比例随机指数(RI)。CI值计算(9),n是决定因素,的数量矩阵的最大特征值,RI值见表4(27]。错误的判断是容许当CR≤0.1;否则,两两比较需要调整(25]。计算后,一致性比率 在判断矩阵,矩阵满足合规要求。归一化后,将指标权重向量 。

4.2。速度场基于车辆发动的短期预测

短期的车辆速度预测是它的最关键部件之一。实时、准确的车辆速度预测是交通控制和交通的关键指导和智能车辆和交通应用程序提供了重要信息。

虽然有越来越多的研究在短期车辆速度预测方法,大多数方法属于基于航段(28,29日]。基于航段模型预测在一定道路车速通过分析历史交通数据收集从一个或多个道路断裂表面。例如,短期交通速度预测模型预测交通速度包含多于一个的路线路上链接开发了基于支持向量机模型(28]。基于支持向量机算法,目标的时间信息和交通道路联系上游或下游路链接的速度。基于航段方法适用于汽车导航如果历史交通数据对相关道路段,但这些方法固有的缺点是穷人可伸缩性。预测能力是限制车辆的位置,是否我们的数据库包含了历史交通道路车辆乘坐的信息。此外,基于航段车辆速度预测模型不能捕捉微妙的波动造成的日常交通流量和意外事故造成的突然中断,因为那些异常的数据通常是消除在数据处理阶段。

为了处理这些问题,一种新的场基于车辆发动短期车辆速度预测模型,基于加权再算法(W-KNN),介绍了研究。我们的模型的预测能力受到相关交通数据所获得的OBU用人DSRC技术而不是车辆的位置。因为车辆速度预测是基于最新数据,微妙的波动造成的影响很快就会反映出来。旅行速度下一时刻的影响速度和速度在过去,和时间越近,影响越大。此外,在城市道路网、道路链接不是孤立存在的。两上游和下游路段交通状况会影响当前路段的车辆速度(28]。提高预测精度,我们综合考虑有限的空间和时间影响因素在我们的提议。时间域,我们动态地选择实时交通数据和历史数据滞后在一定时间为每个预测提供有价值的样本数据。空间域,测试车辆和车辆在其通信范围被认为是由于车辆的旅行速度是影响其他车辆。

基于上面的分析,我们确定特征向量 由速度,加速度,车辆计数测试样本的通信范围,和车辆计数梯度。为每一个潜在的邻居 状态向量的定义是 在哪里 表明测试车辆, 表示其他车辆在其通信范围内,C是车辆的计数在其通信范围。是两个数据集合之间的时间间隔。是时间间隔的数量吗确定历史数据的时间间隔。标签为潜在的邻居 将 。例如,一个训练数据收集从第三车在测试车辆的通信范围内两个时间间隔滞后可以写成 ,相应的标签 。为了预测车辆的旅行速度下的时刻,我们应该提供输入向量在时间t 预测模型,预测结果 将输出测试工具 。

我们分析和比较三种不同的预测模型选择一个合适的精度较高的一个在这一节中。基于数据的移动平均值(疯狂)模型采用最简单的技巧之一,直因变量的平均水平。在这个模型中,旅行速度下一刻是预测的速度在前面的时间。最近的数据用于预测是以前的数据的测试时间t (28]。移动平均线的观测方程基于数据模型所示 其中n是以前的时期使用的数量模型。这并考虑所有因变量均匀但不考虑测试数据之间的关系和每个训练数据。样本之间的差异是被忽视的,每个训练样本被认为做出同样的贡献。而且,这个模型没有考虑到空间域的影响。几个仿真实验探索参数n和预测精度之间的关系如图进行2。

再学习,其中最受欢迎的IBL实现(基于实例的学习),结合K的目标值选择邻居预测给定的测试模式的目标价值。状态向量的定义后,下一步就是选择一个合适的决定因素来衡量测试样本和每个候选人之间的亲密邻居的训练数据集。排名结果基于亲密信息将决定社区的成员。相似之处通常是基于闵可夫斯基距离度量,其中Lr距离,用(13),被称为 在 指标(29日]。由于VANETs的动态特性,交通状况显示连续波动。换句话说,时间序列与不确定交通状态是一个高度动态系统噪声,这是一个对未来有意义的信号状态。欧氏距离对噪声很敏感,因此可以所捕获的异常变化时迅速严重干扰或改变当前状态。这就是为什么欧几里得距离是最常用来衡量相似性NPR-based(非参数回归)交通变量预测(30.- - - - - -32]。

在这项研究中,欧氏距离 , 之间, 和 ,使用,可以写成(14)。给定一个测试样本 ,欧氏距离度量再用于获取邻居和相应的标签从训练数据集。因此,潜在产出向量 ,相关的i最近的邻居,是由两个值所示(15)。观测方程nonweighted资讯模型所示(16)。

重大挑战性问题之一nonweighted资讯模型,其性能很大程度上取决于一个关键模型参数:最近的邻居的数量K .事实上,没有行之有效的方法来选择一个最优K算法使用资讯时。数量的最近的邻居往往是选择通过交叉验证或领域专家实践经验(33]。因此,一个简单的实证或实验测试(3- - - - - -5)就足以找到合适的增殖系数粘度值。资讯认为之间的相关性测试车辆和其他车辆通过选择邻居再根据欧氏距离度量,但是K选择邻居是平等而不考虑他们的分歧根据(16)。

对于weighted-KNN模型,除了邻居的数量,重量对这些邻居是另一个关键参数。关于权重的邻居,迄今为止的经验法则是“父亲的邻居小体重”(33]。这是一个遥远的邻居接收一个较小的重量,减少其对预测结果的影响相对于其他近的邻居。有许多著名的内核函数单调下降随着距离的增加,如线性内核 (34),反演内核 (35),指数内核 (36),和高斯内核 (37]。Atkerson et al。35)声称,没有明确的证据表明,核函数总是优于其他人,但一些表现优于其他一些数据集(38]。为了选择合适的核函数来获得我们的weighted-KNN模型更好的预测精度,我们使用这四种核函数进行了仿真实验。平均的平均绝对误差(MAE) [24所示),(19每个内核),介绍了评估。梅的价值越大,预测误差越大,而相反的预测精度较低。如图7美,反演内核,赋予不同的权重为每个元素K样本的逆选择相应的欧几里得距离(18在我们的模型)是最好的选择。

评估短期交通速度预测模型的预测性能,我们比较移动平均基于数据模型,纯资讯模型,从相扑weighted-KNN模型利用交通数据微观交通仿真器。我们模拟不同交通条件下通过改变汽车的数量:150辆稀疏状态图8(一个)450辆,正常状态图8 (b)和750辆拥挤的状态图8 (c)。为了优化每个模型的预测性能,一系列的对比实验对影响参数进行不同的组合都是建立在不同的交通状况。结果在图8表明我们的weighted-KNN模型时空参数表现出更好的性能比纯资讯模型和疯狂的模型的预测精度。和不同的时间间隔 ,疯狂的模型获得最糟糕的美无论车辆密度较低,中等或高。W-KNN模型的结果优于或等于资讯的模式下所有列出的各种实验条件。根据实验结果,我们采用了W-KNN模型来预测短期内车辆速度。

4.3。机器学习系统

在我们提出的机制,机器学习系统是必不可少的,目的地是在盲目的区域。我们特别设计的机器学习的主要职责系统嵌入在每个RSU过程实时交通信息和提供动态路由决策。

为了连接到一个特定的车辆,GPS是杠杆在大多数路由协议对该节点进行定位。然而,如上面所述,过度依赖GPS是不可靠的。由于GPS所造成的不可避免的缺陷,研究人员正在探索新的定位方法避免或减少使用GPS。在[39),作者设计了一种新颖的基于网格的行车定位系统(了),在车辆使用和不精确的GPS信号自组织成一个VANET。车辆在这个小号VANET交换位置和距离信息和互相帮助来计算一个准确的位置对所有车辆内部网络。本文发展了模糊车辆之间的几何关系,并利用一种新颖的基于网格的机制来评估几何关系和计算车辆的位置。尽管空载基于网格的计算机制,仅需线性误差传播,提出本文仍有依赖GPS车辆获取位置信息的一部分。GPS-free定位框架,使用双向到达时间与局部航迹推算定位车辆的使用提出了基于与单个RSU沟通(20.]。这个提议的本地化框架由两个阶段组成,确定车辆的行驶方向和计算y维位置。相比现有的本地化计划,使用多个限制车辆定位,本文所需数量的减少限制得到更高的精度比现有的单一RSU技术在同一时间。这个框架的缺点是,RSU必须安装在入口或出口。消除这些潜在问题引起的GPS和确保系统可伸缩性、KNN-based机器学习系统作为GPS-free动态车辆位置预测系统。

机器学习技术可以从训练数据集自动识别规则,我们可以用这些规则来预测结果为测试数据。在所有的应用机器学习方法,分类是最主要的一个分支。分类算法学习的责任分配一个目标函数(20.),每组属性映射 一个预定义的类或类 (40]。

再的邻居,一个简单而有效的分类算法,已大量采用回归和分类问题,应用于我们的位置的方法。作为一个基于实例的学习方法,然而,将每个测试数据基于一定的情况下,它是基于实例的原则在一个数据集通常会存在于靠近其他实例,也有类似的性质。对于每个测试数据,然而,再识别训练数据训练数据集,并将它们存储的集。测试数据的类是相同的多数票集。该算法是唯一的参数K的邻居,可以根据具体的自定义应用程序(41]。

一般来说,机器学习系统需要提前训练过程,使其能更好地推广新实例。在训练过程中,将收集感兴趣的信息来弥补训练数据集,然后训练训练集将作为输入必要的数据预处理后的机器学习系统。资讯的效率高受益于其懒惰学习特点;即。,we do not need to fix any generic model in advance, so the training phase will be shorter compared with other machine learning algorithms. During the training phase, data collection is done by RSUs and vehicles travelling between these RSUs in coordination with one another. If a vehicle that just left the coverage of进入的报道吗 ,它将发送它的交通信息 。根据接收到的信息,可以告知前RSU车辆刚刚通过旅行和传播这些信息回 。交通限制收集的数据组成我们的训练数据集,并将检索到的我们的机器学习系统的测试阶段。驾驶训练机器学习系统监控包括巷号(l),车辆速度(V)、行驶方向(D),退出的(E转动方向),在第一个十字路口后离开(T),从出口的旅行路径E的来 。

训练过程完成后,当一个新的样本数据到达时,机器学习系统将做出预测,同时存储训练数据来更新训练数据集。所设计的系统可以处理动态交通信息,以定位目标车辆大致没有GPS。虽然系统不能提供车辆的准确位置,它可以确定哪些道路精确预测汽车旅行,可以提供足够的支持路由决策的数据交付和消除这些潜在问题引起的全球定位系统(GPS)在同一时间。为描述方便,我们在预测阶段介绍一个例子,目标车辆刚离开RSU₁从3号出口,现在旅行在盲区。如前所述,当目标车辆正要离开RSU₁,它已经上传RSU实时交通信息₁。在收到从另一个RSU TREQ RSU₁将目标节点的最新数据对其嵌入式机器学习系统数据库进行预测。如图9,我们的机器学习系统是由三个部分组成的。

4.3.1。预测目标的方向

需要解决的第一个问题是预测车辆的转弯方向的十字路口,这将决定我们的位置的一般取向。在机器学习1中,我们选择资讯算法来预测哪个方向目标车辆离开后会变成下一个十字路口通过六个出口之一。动态预测过程中,目标车辆将首先上传RSU实时交通信息₁。特征选择后,目标车辆的转弯方向相关培训数据存储在数据库和实时数据上传将发送到机器学习在RSU 1₁在一起。当接近一个十字路口,许多元素会影响车辆的转向方向或多或少。在所有影响因素中,我们选择三个变量扮演主要角色,巷号(l),车辆速度(V),驾驶方向(D),预测应该分配到哪个类别的输出。的输出数据将成为三个类:直走,向左转,向右转。最近的邻居10 K将带来最好的预测精度根据我们的仿真结果。

4.3.2。预测到每个RSU概率

接下来,我们的系统将确定每一个潜在RSU目的地车辆可能前往的概率和预测每个潜在RSU基于机器学习的训练数据集。2,机器学习1中的预测结果将与其他必要的数据上传到RSU合并₁预测哪些RSU覆盖区域目标车辆将进入。输入数据将前面的RSU (),RSU的退出₁(E),预计将方向(T)。表输出将包含所有可能的限制以及他们相关的可能性。我们建议的机制将首先选择最高的可能传递数据包。如果目标节点没有收到数据包后阈值时间,RSU第二高的可能性将会选择等等。假设预测从机器学习1是直接把方向;最可能的RSU RSU车辆将访问下一个目的地₂我们可以从图中学习1。不是所有行驶在路上的车辆遵守交通规则,特别是在紧急情况下,这可能是特别小的结果似乎违反直觉。车辆转一半可以解释表中其他限制的存在。

4.3.3。预测旅行路径

最后,在RSU机器学习系统₁将预测旅行目的地的路径定位目标车辆乘坐哪一条路。根据上面的两个结果中,机器学习3将执行这个步骤。正如上面提到的,车辆的运行轨迹收集到训练数据集的训练过程;因此,当提供的相关信息,数据库将提供匹配的路径。机器学习3将输入的退出 ,前面RSU ,和预测的方向 下RSU和预测 生成输出RSU退出3的痕迹₁对RSU₂。根据预测的跟踪,我们的系统可以分析目标车辆的位置大致没有GPS。后输出最终结果 ,我们KNN-based机器学习系统已经完成了系统的预测任务。后,双向模式将被用来传递数据包传输到目的地。我们的机器学习系统可以作为GPS-free动态车辆位置预测方法获得车辆的位置,以消除这些潜在问题引起的GPS。

5。仿真和评估

在本节中,我们提出并讨论该系统通过网络模拟的性能。为了评估该方案,我们比较它与恒星(Shortest-Path-Based Traffic-Light-Aware路由)(27)和修改的明星。在数据传递过程中,星采用最常见的V2V技术;因此,无线传输而言,这个方案是代表。到达一个十字路口的时候,明星试图直接转发数据包到红光路连接段,而不是将数据包转发给道路段开了绿灯。验证限制之间的有线传输的有效性,限制涉及交付数据包在修改后的明星。

5.1。模拟环境

模拟车辆和车辆的流动网络,模拟城市流动(相扑)是用于模拟汽车的移动痕迹和道路拓扑和网络模拟器(NS,版本3.0)用于模拟车载网络。有六个限制在我们的布局如图1,每个RSU配备一个专用的机器学习系统。在每个仿真实验中,我们随机确定10源节点和目标节点。每个方案测试在不同的车辆密度分析运行在各种路况时他们的表演。在所有场景中每个结果的平均是10分。详细的仿真参数如表所示5。

5.2。结果和分析

评估这些数据交付策略的性能,采用三个性能指标:包交货率,成功接收的数据包的数量的比例,目标节点发送的数据包的总数源车辆,网络延迟、数据包的平均延时旅行从源到目标车辆,车辆控制开销,额外的包的数量每分钟交付过程中生成。此外,一组进行了模拟评价车辆密度的影响。

包交货率的变化与不同的车辆密度如图10。这些结果说明,随着车辆密度的增加,包交付率上升首先然后减少所有的三种方法。这是因为继电器车辆不得用于建立通信链路,当车辆密度太低,和交通堵塞的通道碰撞或可能发生当车辆密度太高了。纯星遭受V2V以来最低交货率是主要的通信方式。修改后的明星减少了丢包交付代替无线传输与限制的一部分,这证明了利用骨干网络对车载网络的优势。我们的方案优于其他两种策略在整个运行的流程,因为我们fuzzy-rule-based无线传输方法优化V2V沟通和特别设计的机器学习系统可以处理动态交通信息有效地在不同的车辆密度。在我们的方案中,包交货率可高达90%的交通条件好(450辆),仍然可以达到甚至超过75%在最坏的情况下(150辆和750辆)。

图11显示了数据包交付延迟的结果在不同的车辆密度相比有三个计划。图中显示,通过推进汽车的数量从150年到750年,星和修改星的平均延迟降低大幅首先然后水平。这是因为车辆密度越低,就越可能carry-and-forward被采用,从而导致更高的延迟。我们比较水平,网络延迟我们的方案优于其他两种方法显著地,稳定,没有明显的波动。推迟我们的计划仍然在整个生产过程中波动在1秒而不是飙升到几十秒在其他两个方案。这是因为优化无线通讯和骨干网络支持快速、高效的数据包传输。RSU的参与,结果修改星远比纯粹的星。当运行在不同的车辆密度、星和修改星的平均延迟变化强烈,而不是保持稳定在我们的方案中,这意味着我们的方法可以适应不同的交通状况。

图12比较了不同方案之间的控制开销评估成本。图所示,随着车辆密度的增加,对所有三种策略管理费用上升。然而,提出策略的结果远远好于其他两种方法在整个模拟实验。当车辆的数量大于或等于300,开销在星和修改星两次或更多,在我们的场景中。在明星,交付数据包在V2V路口之间的通信模式和发送消息检查连接会显著增加成本。与明星相比,修改后的明星略有减少开销的协助下RSU交付过程。相比之下,我们的提议引起最少的开销,因为机器学习系统的团队合作和RSU将分析流量数据及时确定送货路径,而不是发送大量的车辆之间的通信信号。和速度场基于车辆发动的短期预测方法使中继节点选择更可靠,从而降低开销引起的建筑不断沟通联系。

总之,我们建议的数据交付方案可以提高包交货率,保证信息的及时性,显著减少控制开销。因此,我们提出的方案适用于数据交付在城市场景。

6。结论

在本文中,我们提出一种新颖的数据交付方案为车载网络在城市环境中,我们重点分析了源节点和目标节点在盲人区。

为了建立车辆配送路径盲人区,我们设计了一个fuzzy-rule-based无线传输方法。这个关键技术将从所有可能的路径选择一个最优的选择,综合考虑多种因素。通过优化V2V通信、DTQ可以改善。在这个fuzzy-rule-based方法的关键技术之一是车辆速度预测的方法。不同于常见的基于航段预测方法,我们设计了一场基于车辆发动短期车辆速度预测方法。充分考虑速度通过比较预测速度下一刻将中继节点选择更可靠,提高选择的传输链路的稳定性。我们的数据传输方案的另一个关键技术是特别设计的机器学习系统嵌入在每个RSU提供路由决策通过处理动态交通信息传递给它。结合机器学习系统和RSU赋予我们放弃GPS系统而不降低网络性能。有线通信之间的限制可以减少延迟导致不可靠carry-and-forward方式纯V2V通信网络。

我们的建议是通过模拟验证的性能在NS-3。对于未来的工作,我们打算将机器学习方法应用于VANETs的研究。

的利益冲突

作者宣称没有利益冲突。

确认

这项工作是由河南国际科技合作项目(182102410050),河南青年学者促销计划(2016 ggjs - 018),河南省科技发展计划(162102210022),关键项目的科学技术研究河南省教育部(17 a413001)和赛尔创新项目(NGII20151005)。