System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于车联网领域,具体涉及一种车联网拥塞检测和拥塞控制方法及系统。
技术介绍
1、随着未来车联网应用率急剧上升,较高的车辆密度会导致车联网发生信道拥塞,导致数据包碰撞和丢失,使安全相关的信息无法可靠传递,大大增加交通事故风险,危及人民生命财产安全。如何解决车联网信道拥塞问题已成为一大研究热点,其理论、方法及应用日益受到重视。
2、在3gpp中,信道拥塞可以用两个指标来表征:信道繁忙率(cbr)和信道占用率(cr)。但是,没有指定详细的拥塞控制算法。现有的拥塞控制方法都是通过检测信道繁忙率和信道占用率来检测拥塞的发生,在拥塞发生后再采取拥塞控制措施,具有一定的滞后性。另一方面,在采取拥塞控制措施方面,大多采取调整发射功率和信标速率等,对拥塞的缓解也具有一定的滞后性。综上所述,现有拥塞控制方法在拥塞检测和拥塞控制环节都具有一定的滞后性,难以满足车联网应用的低时延、高可靠需求。
技术实现思路
1、针对现有技术的不足,本专利技术提出了一种车联网拥塞检测和拥塞控制方法及系统,通过预测车辆密度,在拥塞发生前提前丢弃队列中特定的数据,以减少或避免车联网拥塞的发生。
2、为实现上述目的,本专利技术提供了如下方案:
3、一种车联网拥塞检测和拥塞控制方法,包括以下步骤:
4、统计之前各个时刻的车辆密度并存储;
5、利用之前各个时刻的车辆密度,预测下一时刻的车辆密度;
6、根据预测得到的车辆密度,计算拥塞概率;
8、基于所述总丢弃概率,对相应队列中的数据包进行丢弃,完成拥塞控制。
9、优选的,利用之前各个时刻的车辆密度,预测下一时刻的车辆密度的方法包括:
10、提取车辆密度的空间维特征;
11、提取车辆密度的多个尺度的时间维特征;
12、基于所述空间维特征和所述多个尺度的时间维特征,采用多种图神经网络算法,进行下一时刻车辆密度预测;
13、其中,所述空间维特征为与预测路段相连接的预设的上几个路段或路口的车辆密度;
14、所述多个尺度的时间维特征包括:小时时间维特征、天时间维特征和周时间维特征;所述小时时间维特征为下一时刻前一个小时内的车辆密度;所述天时间维特征为前几天下一时刻的车辆密度;所述周时间维特征为前几周的同一天下一时刻的车辆密度;
15、所述图神经网络算法包括:图卷积网络、图注意力网络、图自编码器、图生成网络和图时空网络。
16、优选的,根据预测得到的车辆密度,计算拥塞概率的方法包括:
17、基于传输速率v和传输时延tv,得到任意时刻至少有一个数据包待发送的概率α;
18、基于任意时刻至少有一个数据包待发送的概率α,得到任意时刻有数据包发送的概率τ;
19、基于车辆密度ρ、传输半径r和任意时刻有数据包发送的概率τ,得到信道繁忙概率β;
20、基于信道繁忙概率β,得到拥塞概率pc;
21、其中,任意时刻至少有一个数据包待发送的概率
22、信道繁忙概率β=1-e-2rρτ;
23、拥塞概率pc=1-2rρτ·e-2rρτ。
24、优选的,基于所述拥塞概率,计算总丢弃概率的方法包括:
25、
26、其中,q为实际队列的长度,qr为期望队列的长度,v为传输速率,w为发送窗口大小,c为带宽大小,r为往返时延,参数k1、k2、k3、k4、k5按照实际需求确定。
27、优选的,基于所述总丢弃概率,对相应队列中的数据包进行丢弃,完成拥塞控制的方法包括:
28、基于所述总丢弃概率,获得特定优先级类型数据包的丢弃概率;
29、基于所述特定优先级类型数据包的丢弃概率,对相应队列中的数据包进行丢弃,完成拥塞控制;
30、其中,所述特定优先级类型数据包的丢弃概率包括:等级i数据包的信息丢弃概率为p1=p*r1、等级ii数据包的信息丢弃概率为p2=p*r2和等级iii数据包的信息丢弃概率为p3=p*r3;等级i数据包为安全相关的信息;等级ii数据包为有关状态的信息;等级iii数据包为与车辆无关的用户之间的信息;r1、r2和r3为优先级系数。
31、本专利技术还公开了一种车联网拥塞检测和拥塞控制系统,包括:路边模块和车载模块;所述车载模块用于发送信标信息;所述路边模块用于接收所述信标信息,基于所述信标信息进行拥塞检测和拥塞控制;
32、其中,所述路边模块包括:信号接收单元、车辆密度预测单元和拥塞控制单元;
33、所述信号接收单元用于接收所述信标信息;
34、所述车辆密度预测单元用于基于所述信标信息,统计之前各个时刻的车辆密度并存储,利用之前各个时刻的车辆密度,预测下一时刻的车辆密度,完成拥塞检测;
35、所述拥塞控制单元用于根据预测得到的车辆密度,计算拥塞概率,基于所述拥塞概率,计算总丢弃概率,基于所述总丢弃概率,对相应队列中的数据包进行丢弃,完成拥塞控制。
36、优选的,所述车辆密度预测单元中,利用之前各个时刻的车辆密度,预测下一时刻的车辆密度的过程包括:
37、提取车辆密度的空间维特征;
38、提取车辆密度的多个尺度的时间维特征;
39、基于所述空间维特征和所述多个尺度的时间维特征,采用多种图神经网络算法,进行下一时刻车辆密度预测;
40、其中,所述空间维特征为与预测路段相连接的预设的上几个路段或路口的车辆密度;
41、所述多个尺度的时间维特征包括:小时时间维特征、天时间维特征和周时间维特征;所述小时时间维特征为下一时刻前一个小时内的车辆密度;所述天时间维特征为前几天下一时刻的车辆密度;所述周时间维特征为前几周的同一天下一时刻的车辆密度;
42、所述图神经网络算法包括:图卷积网络、图注意力网络、图自编码器、图生成网络和图时空网络。
43、优选的,所述拥塞控制单元中,根据预测得到的车辆密度,计算拥塞概率的过程包括:
44、基于传输速率v和传输时延tv,得到任意时刻至少有一个数据包待发送的概率α;
45、基于任意时刻至少有一个数据包待发送的概率α,得到任意时刻有数据包发送的概率τ;
46、基于车辆密度ρ、传输半径r和任意时刻有数据包发送的概率τ,得到信道繁忙概率β;
47、基于信道繁忙概率β,得到拥塞概率pc;
48、其中,任意时刻至少有一个数据包待发送的概率
49、信道繁忙概率β=1-e-2rρτ;
50、拥塞概率pc=1-2rρτ·e-2rρτ。
51、优选的,所述拥塞控制单元中,基于所述拥塞概率,计算总丢弃概率的过程包括:
52、
53、其中,q为实际队列的长度,qr为期望队列的长度,v为传本文档来自技高网...
【技术保护点】
1.一种车联网拥塞检测和拥塞控制方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的车联网拥塞检测和拥塞控制方法,其特征在于,利用之前各个时刻的车辆密度,预测下一时刻的车辆密度的方法包括:
3.根据权利要求1所述的车联网拥塞检测和拥塞控制方法,其特征在于,根据预测得到的车辆密度,计算拥塞概率的方法包括:
4.根据权利要求1所述的车联网拥塞检测和拥塞控制方法,其特征在于,基于所述拥塞概率,计算总丢弃概率的方法包括:
5.根据权利要求4所述的车联网拥塞检测和拥塞控制方法,其特征在于,基于所述总丢弃概率,对相应队列中的数据包进行丢弃,完成拥塞控制的方法包括:
6.一种车联网拥塞检测和拥塞控制系统,其特征在于,包括:路边模块和车载模块;所述车载模块用于发送信标信息;所述路边模块用于接收所述信标信息,基于所述信标信息进行拥塞检测和拥塞控制;
7.根据权利要求6所述的车联网拥塞检测和拥塞控制系统,其特征在于,所述车辆密度预测单元中,利用之前各个时刻的车辆密度,预测下一时刻的车辆密度的过程包括:
8.根据
9.根据权利要求6所述的车联网拥塞检测和拥塞控制系统,其特征在于,所述拥塞控制单元中,基于所述拥塞概率,计算总丢弃概率的过程包括:
10.根据权利要求9所述的车联网拥塞检测和拥塞控制系统,其特征在于,所述拥塞控制单元中,基于所述总丢弃概率,对相应队列中的数据包进行丢弃,完成拥塞控制的过程包括:
...【技术特征摘要】
1.一种车联网拥塞检测和拥塞控制方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的车联网拥塞检测和拥塞控制方法,其特征在于,利用之前各个时刻的车辆密度,预测下一时刻的车辆密度的方法包括:
3.根据权利要求1所述的车联网拥塞检测和拥塞控制方法,其特征在于,根据预测得到的车辆密度,计算拥塞概率的方法包括:
4.根据权利要求1所述的车联网拥塞检测和拥塞控制方法,其特征在于,基于所述拥塞概率,计算总丢弃概率的方法包括:
5.根据权利要求4所述的车联网拥塞检测和拥塞控制方法,其特征在于,基于所述总丢弃概率,对相应队列中的数据包进行丢弃,完成拥塞控制的方法包括:
6.一种车联网拥塞检测和拥塞控制系统,其特征在于,包括:路边模块和车载模块;所述车载模块用于发...
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。