【技术实现步骤摘要】
本专利技术涉及车联网，尤其涉及一种改进的车联网节点启发式k-means聚类方法。
技术介绍
1、随着车联网(internet of vehicles,iov)的快速发展，计算密集型及延迟敏感型的应用逐渐增多，如辅助驾驶、在线地图与车辆多媒体娱乐等。由于车联网中动态的网络拓扑、有限的信道带宽资源、传统的静态网络的管理体系会导致重复通信和传输延迟，已不能满足车联网应用需求。为此车载边缘计算技术(vehicular edge computing,vec)应运而生，其工作原理是将计算或存储设备部署在车辆用户终端附近，降低广域网带宽开销、减少系统延迟。vec有能力应付复杂多变的车载环境，为用户提供低时延、高带宽、高可靠性的服务，最大程度保障用户多样化的服务质量。
2、车载边缘计算体系中，缓存技术可以有效减少车联网中重复内容的计算与传输，具备减小时延、降低网络负载等作用。在一段时间内，许多用户会请求一些流行内容，因此，在基站侧的边缘服务器上主动缓存流行文件可以减轻广域网和云服务器的传输负担。但车辆仍然需要与路侧单元(road side unit,rsu)进行频繁通信以获取文件，基站可能成为边缘计算的通信瓶颈。随着硬件性能的提升，车辆具备一定的缓存能力。因此考虑利用车辆间(vehicle-to-vehicle,v2v)通信链路执行车辆间的缓存协作，可以有效缓解rsu的通信负载问题。为了更好地选择合适的缓存车辆节点，应该对场景内的车辆进行分簇管理，保证缓存文件响应性能。
3、分簇是指对车联网中的车辆节点进行分组，每个组称
4、研究者依据不同的思想提出了多种聚类算法，一般可分为基于分区、网格、密度与层次的聚类算法。其中以k-means为代表的基于分区的聚类算法运行速度较快，受到广泛应用。但由于车联网节点高速移动，对聚类算法的运行速度要求更高。
技术实现思路
1、本专利技术的目的在于满足高速移动的车联网场景下对车辆聚类分簇的要求，基于距离优先原则，本专利技术增加候选簇首列表长度可变的机制，综合考虑算法的运行效率和内存效率，实现车联网内最优聚类算法，优化算法运行效率和内存开销。因此，本专利技术提供一种改进的车联网节点启发式k-means聚类方法。
2、本专利技术的专利技术思想为：本专利技术提出了一种改进的车联网节点启发式k-means聚类方法，本专利技术在基于距离优先原则中增加候选簇首列表长度可变的机制，综合考虑算法的运行效率和内存效率，实现车联网内的改进聚类算法，提高算法运行效率、减小内存消耗。
3、为了实现上述专利技术目的，本专利技术采用技术方案具体为：
4、一种改进的车联网节点启发式k-means聚类方法，包括以下步骤：
5、s1：在一定时间周期内，边缘服务器接收附近区域车辆上报的节点信息；针对车联网节点的分簇问题，由于车辆通常会配备全球定位系统(gps)或其他定位技术，获取车辆间的实时位置是相对容易的，因此本专利技术算法选择了基于车辆实时位置的分簇，在一定的时间周期内，边缘服务器收集自身区域范围内的车辆节点的实时位置；
6、s2：将上述车辆节点随即划分成k个初始簇；确定要划分的簇数k，将区域内车辆节点根据实时位置随机划分为k个初始簇；
7、s3：根据初始簇中的各节点位置，基于欧氏距离计算中心点，以最接近中心点的车辆作为该簇的簇首节点；根据随机划分的簇，计算得出各个簇的中心位置坐标，考虑到计算得出的中心坐标不一定存在对应的车辆节点，因此考虑选择距离中心坐标最近车辆节点作为该簇的簇首节点；
8、s4：每个簇成员节点创建专属候选簇首编号列表；基于现有划分的簇和簇首节点，为每个车辆节点创建一个候选簇首编号列表，用于记录与该车辆节点相似度最高的若干个簇首节点编号。
9、s5：利用改进聚类算法对车辆进行迭代聚类，当前后迭代相似度总和误差收敛到误差阈值时停止聚类；所有簇成员节点与其候选簇首编号列表中的簇首进行相似度的比较，判断是否需要加入别的簇，当所有节点比较完成后，形成新的簇划分和新的簇首节点，并计算所有簇相似度总和，将这一过程视作一次迭代。当后一次迭代相似度总和相较前一次降低时，缩短所有节点候选簇首编号列表长度，反之则增加候选簇首编号列表长度；
10、s6：确认形成最终簇；当观察到后一次迭代相似度总和与前一次相似度总和的差值收敛到误差阈值时，停止迭代，确认形成最终簇；
11、进一步地，所述s1具体包括以下步骤：
12、首先，在一定的时间周期内，边缘服务器收集自身区域范围内的n辆车辆vi的位置坐标信息{li}时，i＝{1,2,…,n}。
13、li＝(xi,yi)
14、其中，xi和yi分别为车辆vi的横坐标和纵坐标。
15、进一步地，所述s2具体包括以下步骤：
16、边缘服务器将区域内车辆节点随机划分成k个初始簇c＝{cj，j＝1,2,…k}，定义从属簇cj的车辆节点vi,j，表示车辆节点vi从属于簇cj。
17、进一步地，所述s3具体包括以下步骤：
18、s31边缘服务器根据初始簇和簇内车辆节点的实时位置，计算得出各个簇的中心位置坐标{clj}，其计算公式如下
19、
20、
21、clj＝(xj,yj)
22、其中，xj和yj分别是cj簇的簇中心的横坐标和纵坐标，nj为cj中节点个数。
23、s32对任意一个簇cj，选取距离簇中心位置{clj}坐标最近的车辆节点cvj作为簇首节点。则获取簇首节点cvj对应的坐标{rlj}为
24、rlj＝(xh,yh)
25、进一步地，所述s4具体包括以下步骤：
26、在s3的基础上，计算车辆vi,j与各簇簇首节点cvg，其中g∈{1,2,…,k}的欧氏距离，以此评估vi,j与簇cj的相似度，相似度计算公式如下
27、
28、为每个车辆节点vi,j创建一个候选簇首编号列表，长度为s，用于记录与车辆节点vi,j相似度本文档来自技高网...
【技术保护点】
1.改进的车联网节点启发式K-means聚类方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的车联网环境下基于车辆位置的快速启发式改进聚类算法，其特征在于，所述步骤S1包括如下步骤：
3.根据权利要求2所述的改进的车联网节点启发式K-means聚类方法，其特征在于，所述步骤S2包括如下步骤：
4.根据权利要求3所述的改进的车联网节点启发式K-means聚类方法，其特征在于，步骤S3在步骤S2划分的初始簇基础上定义各簇的簇首节点，所述步骤S3包括如下步骤：
5.根据权利要求4所述的改进的车联网节点启发式K-means聚类方法，其特征在于，所述步骤S4包括以下步骤：
6.根据权利要求5所述的改进的车联网节点启发式K-means聚类方法，其特征在于，所述步骤S5包括以下步骤：
7.根据权利要求6所述的车联网环境下基于车辆位置的快速启发式改进聚类算法，其特征在于，所述步骤S6包括如下：
【技术特征摘要】
1.改进的车联网节点启发式k-means聚类方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的车联网环境下基于车辆位置的快速启发式改进聚类算法，其特征在于，所述步骤s1包括如下步骤：
3.根据权利要求2所述的改进的车联网节点启发式k-means聚类方法，其特征在于，所述步骤s2包括如下步骤：
4.根据权利要求3所述的改进的车联网节点启发式k-means聚类方法，其特征在于，步骤s3在步骤...
【专利技术属性】
技术研发人员：杨文猛，陈亮，周政，谢添姣，张宇，许宏伟，
申请(专利权)人：南通大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。