[发明专利]车联网中信息推送服务处理方法

摘要

本发明提出了一种新颖的车联网中信息推送服务处理方法。在该技术中，首先依据车联个体属性特征将车联网分割成若干个子车联网，使得分割前后的车联网全局相关度损失最小；然后，基于系统中空闲服务器的数量，在这些服务器上优化分配并处理子车联网，从而均衡空闲服务器的工作负载；对于服务器上子车联网中的每个车联个体，获取它兴趣度最高的局部被推送信息，并在整体车联网中，对被推送信息进行全局调整，以便到达最优的信息推送效果。本发明能够显著提高车联网中信息推送服务的准确性、多样性以及效率。

主权项

1.一种车联网中信息推送服务处理方法，其特征在于，包括如下步骤：/n步骤1、从输入端获取车联网G、需要推送信息的个数k和遍历阈值t，遍历阈值t为推送信息时，需要访问的车联个体数量，并基于车联个体属性特征将车联网分割成d个子车联网G₁,G₂,…,G_d，使得分割后的子车联网集合{G₁,G₂,…,G_d}与分割前的车联网G间的全局相关度损失最小；/n步骤2、根据系统中的空闲服务器数量s，将步骤1中得到的d个子车联网G₁,G₂,…,G_d分配到这些空闲服务器上，之后这s台空闲服务器开始并行处理各自上面的子车联网；/n步骤3、对于服务器上子车联网G_x中的每个车联个体v，其中，1≤x≤d，获取不在v上的所有信息组成的集合然后，对于中的每个预评估信息λ，计算v对λ的兴趣度；当中所有预评估信息的兴趣度均计算完毕之后，返回兴趣度最高的k个信息λ₁,λ₂,…,λ_k；/n步骤4、对于车联网G中的每个车联个体v，获取与v直接相关的车联个体集合M，同时获取在子车联网中与v直接相关的车联个体集合R，然后在集合M-R中选取指定数量l个与v相关的车联个体，对于被选中的车联个体，获取它兴趣度最高的k个信息；当所有被选中车联个体的信息获取完毕，综合在步骤3中得到的局部推送信息，得到最终兴趣度最高的k个信息并传送给车联个体v；/n所述步骤1中，车联网G用图结构来表示，即G＝(V,E,W)，其中V为G中所有车联个体组成的集合，E为车联个体间相关关系组成的集合，W为车联个体间相关度组成的集合，E中的每个相关关系均有W中的一个相关度与之对应；对于车联网G中的任意两个车联个体v₁和v₂，如果它们有相关关系，即(v₁,v₂)∈E，那么它们的相关度W(v₁,v₂)通过如下步骤计算，如果没有相关关系，那么相关度为0：/n步骤1-1、获取用于车联网G中车联个体相关度计算的z个属性特征a₁,a₂,…,a_z，进而获取与G相对应的|V|×z车联个体-属性特征矩阵:/n /n其中v_i(a_j)表示车联个体v_i在第j个属性特征a_j上的取值，1≤i≤|V|，1≤j≤z；/n步骤1-2、对于G中每个车联个体v，计算它的属性特征均值并由矩阵VA计算与它对应的协方差矩阵：/n /n步骤1-3、将车联个体v₁的z个属性特征值分别组织成一维向量及其转置，将车联个体v₂的z个属性特征值分别组织成一维向量及其转置，/n步骤1-4、计算v₁和v₂间的相关度：/n /n当G中所有车联个体间的相关度计算完毕之后，为了分割前后车联网的全局相关度损失最小，基于如下步骤将G分割成d个子车联网，d取10、15和20中的一个数：/n(1、使用k-means(k-均值)聚类算法将G划分成d个子车联网IG＝{G₁,G₂,…,G_d}，并计算IG的全局相关度：/n /n(2、对子车联网IG重复执行下列操作次：/n(2.1、拷贝IG的一个副本IC＝{G₁,G₂,…,G_d}；/n(2.2、从IC中随机选取对子车联网，并对每对被选取的子车联网G_τ和G_ε执行如下操作，得到新的子车联网IC’＝{G₁’,G₂’,…,G_d’}：/n(2.2.1、获取G_τ中由于车联网分割而导致与G_ε间相关度损失的n_τ个车联个体同时获取G_ε中由于车联网分割而导致与G_τ间相关度损失的n_ε个车联个体/n(2.2.2、在V_τ中选取与G_ε中车联个体相关度最高的个车联个体，记为同时，在V_ε中选取与G_τ中车联个体相关度最高的个车联个体，记为/n(2.2.3、将G_τ中车联个体与G_ε中车联个体互换，得到两个新的子车联网G_φ’和G_ζ’；/n(2.3、比较全局相关度gc(IC)与gc(IC’)，如果gc(IC)<gc(IC’)，那么将IG更新为IC’；/n(3、返回最终的d个子车联网IG＝{G₁,G₂,…,G_d}；/n所述步骤2中，为了使空闲服务器的工作负载均衡，采取如下实施方式将d个子车联网G₁,G₂,…,G_d分配到s台空闲服务器上：对于每个子车联网G_x，其中，1≤x≤d，获取它的车联个体数量n_x，并计算分配平均值上界然后对这d个子车联网分为s组，使得分组最优度量最小，其中mθ为第θ台空闲服务器上所有子车联网的车联个体数量总和；/n所述步骤3中，计算车联个体v对每个预评估信息λ兴趣度的处理流程：/n首先获取3个输入，即车联个体v、预评估信息λ以及遍历阈值t；并初始化4个中间变量，即信息有序列表遍历车联个体有序列表遍历数b＝0以及车联个体中间值v’＝v；接着，在遍历阈值t允许的范围内，获取当前所遍历到车联个体v’直接相关的车联个体集合R；进而获取R中推送能力值最大的车联个体p_m，其中p_m的推送能力值cap(p_m)可表示为v’与p_m间的相关度，即cap(p_m)＝W(v’,p_m)；并将p_m插入到遍历车联个体有序列表H中；然后，对于p_m上所存储的信息集合S，获取S中与λ兴趣相关度最大的信息i_m，其中i_m与λ的兴趣相关度inco(i_m,λ)可表示为：/n /n其中e＝2.72为自然对数的底，为v所在的子车联网中同时拥有i_m和λ的车联个体所组成的集合，和in_p,λ分别为已知的车联个体p对i_m和λ的兴趣度，为p对他拥有所有信息的兴趣度平均值；并将i_m插入到信息有序列表I中；当达到遍历阈值t后，我们最后基于有序列表I和H，计算车联个体v对λ的兴趣度in_v,λ：/n /n所述步骤4中，在集合M-R中选取指定数量l个与v相关的车联个体时，用函数来实施l，即并在集合M-R中依据与v的相关度大小挑选前l个车联个体v₁,v₂,…,v_l；然后，对于每个车联个体v_y，其中，1≤y≤l，基于步骤3中的兴趣度计算方法，获取兴趣度最高的信息λ₁^(y),λ₂^(y),…,λ_k^(y)；最后，合并步骤3和步骤4产生的(l+1)·k个信息得到UI＝{λ₁,λ₂,…,λ_k,λ₁⁽¹⁾,λ₂⁽¹⁾,…,λ_k⁽¹⁾,…,λ₁^(v),λ₂^(v),…,λ_k^(v)}，从UI中获取兴趣度最高的k个信息m_λ₁,m_λ₂,…,m_λ_k并传送给车联个体v。/n