[发明专利]基于在线链路持续时间预测的V2V路由选择方法

说明书

本发明属于信息处理技术领域，具体涉及一种基于在线链路持续时间预测的V2V路由选择方法、系统、装置，旨在解决车联网通信中路由选择的不稳定，导致数据传输成功率低的问题。本系统方法包括当第一节点向第二节点请求数据包时，判断第二节点的邻居表中是否包含第一节点；基于第二节点与各相邻节点的数据包中相对应的数据差值，获取特征数据；基于特征数据，通过链路持续时间预测模型得到链路持续时间预测值；基于链路持续时间预测值，选取最大可达性系数对应的相邻节点作为下一跳节点；循环判断下一跳节点的邻居表是否包含第一节点，直至将数据包发送至第一节点。本发明提升了车联网通信中路由选择的稳定性，提高了数据传输的成功率。

技术领域

本发明属于信息处理技术领域，具体涉及一种基于在线链路持续时间预测的V2V路由选择方法、系统、装置。

背景技术

车联网技术是一种基于车辆之间或车辆与路侧基础设施之间的通信，共享道路交通信息和环境信息，进而加强车辆对交通信息的感知及交通参与要素之间的协调合作的技术。车联网主要可以分为车辆之间通信的V2V(Vehicle-to-Vehicle)和车与基础设施之间通信的V2I(Vehicle-to-Infrastructure)两种形式，其中，V2V主要基于车载传感器和通信单元进行邻居车辆的状态信息共享，从而实现碰撞避免、事故预警等应用，提高交通运输的安全性和效率。V2V不需要大量部署昂贵的路边基础设施，车辆节点自行充当传感器单元和通信节点，可以覆盖较为广阔的范围，因而更具优势，得到了学术和工业界的广泛研究。

相比于传统的移动自组织网络MANET，车联网中的节点具有较高的移动性，网络拓扑结构变化更快，节点间的通信链路存在较高的不稳定性。为了保证安全数据的可达性，降低数据包的丢失率，进而保证交通运输的安全性，研究人员对车联网环境下的路由算法进行了大量的研究和测试。当前，车联网相关的路由协议主要可以分为基于拓扑的路由、基于位置的路由、分簇路由、多播路由和广播路由等。其中，一般应用最广泛、效果最佳的路由协议是基于位置的路由协议如GPSR(Greedy Perimeter Stateless Routing)，这类路由协议通过与周边车辆节点广播包含位置信息的发现报文，维持一个邻居节点表，进而在需要传送数据时基于最近或最远节点优先等贪婪策略选择下一跳节点，从而将数据传送至目的节点。然而，这些协议没有对通信链路的稳定性进行有效的评估，仅仅基于当前的位置报文选择节点依然很可能导致传输失败。

为改进车联网路由协议，提高数据传输的成功率，可以对邻居节点的历史轨迹和道路环境数据进行分析，预测与候选邻居节点之间的链路持续时间，从而选择最稳定的节点作为下一跳。然而，当前相关的方法主要以数学模型为主，它们主要通过理论分析构建基于相对位置、相对速度等参数的多元函数，通过输入当前参数水平预测对应的链路持续时间。这类方法无法考虑车辆的个性化特征，假设的道路场景也通常比较简单单一，例如笔直的高速公路场景，而在真实复杂的场景中缺乏很好的鲁棒性，且只能基于当前的状态数据预测短时的链路状态。人工神经网络是一种强大的机器学习方法，它能够基于多种个性化特征拟合复杂的函数系统，在分类和预测等领域都取得了较好的效果。深度神经网络可以基于历史轨迹数据较准确地预测未来较长时间内的车辆位移状态，从而为链路状态分析提供更精准的依据，且层数越深的神经网络经过良好训练往往能取得越高的预测精度。然而，深层神经网络的训练不仅需要大量的数据，且十分耗时，一般问题下要训练一个可靠的模型往往需要几十分钟乃至几天的时间，且对计算资源的需求也比较高。在车联网链路预测的场景下，虽然基于深度学习的方法可以取得较高的精度，但是其可行性较低，缺乏实用价值。宽度学习作为一种新的机器学习算法，以浅层神经元节点的横向展开为特征，能够快速学习，并具有较高的泛化能力，适合于对实时性要求较高的智能场景。

发明内容

为了解决现有技术中的上述问题，即为了解决车联网通信中路由选择的不稳定，导致数据传输成功率低的问题，本发明第一方面，提出了一种基于在线链路持续时间预测的V2V路由选择方法，应用于车联网中车辆节点之间的通信，该方法包括：