面向城市道路环境考虑交叉路口的VANETs中V2V的链路时延动态预测方法技术

面向城市道路环境考虑交叉路口的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。本发明专利技术解决了现有的链路时延预测方法没有考虑真实的城市场景，不能准确预测链路时延的问题。本发明专利技术的技术方案为：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；步骤三、基于步骤一与步骤二预测两车的链路时延，具体如下：步骤三一、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d，两车的行驶方向；步骤三二、在步骤三一的基础上，计算两车的链路时延，并考虑两车遇到交通灯的情况。本发明专利技术主要适用于基于链路时延的VANETs的应用。

【技术实现步骤摘要】

本专利技术涉及一种链路时延预测方法，特别涉及一种面向城市道路环境考虑交叉路口的VANETs中V2V的链路时延动态预测方法，属于车载无线网络

技术介绍
车载无线网络(Vehicular 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(Intervehicular 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，所以VANETs网络的拓扑结构变化快并且间歇性连通，参见文献[2]，所以它也被看作容迟网络(delay tolerance network，DTN)，参见文献[3]。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[8-10]和动态的路由计划，参见文献[11]等。这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]。因为这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。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[14-15]。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。所以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]。为了在VANETs中的链路时延建模，几个关于链路时延概率密度(PDF)的研究已经被提出，参见文献[27-30]，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[3]为高速公路和城市场景提出模型，不过，文献[3，43]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。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MANET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，这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，这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[20]、RW(Random Walk)，参见文献[21]、RPGM(Reference Point Group Mobility、RVGM(Reference Velocity Group Mobility Model)，参见文献[22-23]，模型的准确性被证实。但是这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高。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[24-26]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[27-28]，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[29]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，这种分析不适用于自由流的状态。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[20]，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[31]。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[32]。Hua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[33]，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以前的工作中被研究，参见文献[34-36]。Hass等人在文献[34]中提出移动投影的轨迹的算法估计剩余链路寿命(Residual Link Lifetime，RLL).在文献[35]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RLL。Hua等人在文献[36]提出了一个新的RLL-预测算法来预测链路的寿命，他们使用的是卡尔曼滤波法(Unscented Kalman Filter，UKF)。虽然文献[35]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MANET中移动性模型。文献[27-30]中的研究分析了链路时延的概率密度函数，Shelly等人在，参见文献[27]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以及传输范围。Nekovee研究了VAENT中链路时延的概率，参见文献[37]，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这个研究，参见文献[38]。假设均等的空间节点和正态的车速分布，Sun等人在文献[39]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。文献本文档来自技高网...

【技术保护点】
一种面向城市道路环境考虑交叉路口的VANETs中V2V的链路时延动态预测方法，其特征在于所述方法包括以下步骤：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；步骤三、基于步骤一与步骤二预测两车的链路时延，具体如下：步骤三一、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d，两车的行驶方向；步骤三二、在步骤三一的基础上，计算两车遇到交通灯时的链路时延，具体计算时分为以下情况：第一种情况：两车均遇上绿灯，汽车n1和n2位于交叉口的同一侧，并且两车同向行驶，n1在n2前面，汽车n1的平均速度μ1比汽车n2的平均速度μ2大；第二种情况：汽车n1遇上绿灯，汽车n2遇上红灯，汽车n2停在了红灯前面，链路断开的时间段分为(0,t21)，(t21,t22)，(t22,∞)，t21为汽车n2遇上红灯的时间，t22为汽车n2在红灯结束后离开交叉口的时间；第三种情况：汽车n1遇上红灯，汽车n2遇上绿灯，汽车n1停在红灯前面；第四种情况：汽车n1和汽车n2均遇上红灯。

【技术特征摘要】
1.一种面向城市道路环境考虑交叉路口的VANETs中V2V的链路时延动态预测方法，
其特征在于所述方法包括以下步骤：
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；
步骤三、基于步骤一与步骤二预测两车的链路时延，具体如下：
步骤三一、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d，两车的行驶方向；
步骤三二、在步骤三一的基础上，计算两车遇到交通灯时的链路时延，具体计算时分
为以下情况：
第一种情况：两车均遇上绿灯，汽车n1和n2位于交叉口的同一侧，并且两车同向行驶，
n1在n2前面，汽车n1的平均速度μ1比汽车n2的平均速度μ2大；
第二种情况：汽车n1遇上绿灯，汽车n2遇上红灯，汽车n2停在了红灯前面，链路断开的
时间段分为(0,t21)，(t21,t22)，(t22,∞)，t21为汽车n2遇上红灯的时间，t22为汽车n2在红灯结束
后离开交叉口的时间；
第三种情况：汽车n1遇上红灯，汽车n2遇上绿灯，汽车n1停在红灯前面；
第四种情况：汽车n1和汽车n2均遇上红灯。
2.根据权利要求1所述的面向城市道路环境考虑交叉路口的VANETs中V2V的链路时
延动态预测方法，其特征在于步骤一所述的计算链路断开时两车的相对距离的具体过程为：
步骤一一、建立一个平面直角坐标系，假定汽车能够以任何角度向前行驶，速度的值
为汽车n1和汽车n2分别沿着α和β向前行驶，α和β是汽车移动方向和x轴之间的夹角，
α,β∈[0,2π],根据几何向量三角形法则计算两车的相对速度向量定义新坐标系以汽车n1
位置O'为坐标原点，汽车n1速度向量为把汽车n2速度向量平行移动到得到相对
速度向量为：
l1→=v2′→-v‾1→,]]>向量和的坐标为：
v1→=(v1cosα,v1sinα)v2→=(v2cosβ,v2sinβ)---(1)]]>其中v1为汽车n1的速度，v2为汽车n2的速度；
坐标用等式(2)表示，
l1→=v1→-v2→=(v1cosα-v2cosβ,v1sinα-v2sinβ)---(2)]]>令:
B=v1cosα-v2cosβA=v1sinα-v2sinβ---(3)]]>等式(2)用等式(4)重新表示：
l1→=(B,A)---(4)]]>值等于汽车n1和汽车n2在原坐标系中的坐标为(x1,y1)和(x2,y2)，所以汽车n2在新坐
标系中坐标为D(x2-x1,y2-y1)，汽车n1和汽车n2的相对速度为另一个向量垂直于向量
交点为E，v1和v2的初始距离为d，dv是原点O'到向量的垂直距离；
步骤一二、链路断开时两车的相对距离DD0。
3.根据权利要求2所述的面向城市道路环境考虑交叉路口的VANETs中V2V的链路时
延动态预测方法，其特征在于步骤一二所述的链路断开时两车的相对距离DD0分为四个象
限具体计算，其中，第一象限的计算过程为：如果B＞0并且A＞0，在第一象限，分为如下
两种情况：
(1)点D的横坐标比点E的大，
DD0=r2-dv2-d2-dv2---(17)]]>(2)点D很坐标比点E的横坐标小，
DD0=r2-dv2+d2-dv2---(19).]]>4.根据权利要求3所述的面向城市道路环境考虑交叉路口的VANETs中V2V的链路
时延动态预测方法，其特征在于步骤一二所述的链路断开时两车的相对距离DD0在第二象
限的计算过程为：如果B＜0和A＞0,是在第二象限，分为如下两种情况：
(1)点D的横坐标比点E小，
DD0=r2-dv2-d2-dv2---(21)]]>(2)点D的横坐标比点E的横坐标的大，
DD0=r2-dv2+d2-dv2---(23).]]>5.根据权利要求4所述的面向城市道路环境考虑交叉路口的VANETs中V2V的链路
时延动态预测方法，其特征在于步骤一二所述的链路断开时两车的相对距离DD0在第三象
限的计算过程为：如果B＜0和A＜0,在第三象限，分为如下两种情况：
(1)点D的横坐标笔点E的小，
DD0=r2-dv2-d2-dv2---(24)]]>(2)点D的比E的横坐标大，
DD0=r2-dv2+d2-dv2---(25).]]>6.根据权利要求5所述的面向城市道路环境考虑交叉路口的VANETs中V2V的链路
时延动态预测方法，其特征在于步骤一二所述的链路断开时两车的相对距离DD0在第四象
限的计算过程为：如果B＞0和A＜0,在第四象限，分为如下两种情况：
(1)点D的横坐标比E的大，
DD0=r2-dv2-d2-dv2---(27)]]>(2)D横坐标比E的小，
DD0=r2-dv2+d2-dv2---(29).]]>7.根据权利要求6所述的面向城市道路环境考虑交叉路口的VANETs中V2V的链路时
延动态预测方法，其特征在于步骤二所述的估计两...

【专利技术属性】
技术研发人员：崔刚，王秀峰，王春萌，杨青，曲明成，
申请(专利权)人：哈尔滨工业大学，
类型：发明
国别省市：黑龙江;23