一种结合位置与通信范围预测的V2V路由方法[发明专利]

(12)发明专利申请

(10)申请公布号 CN 110519682 A(43)申请公布日 2019.11.29

(21)申请号 201910662040.5(22)申请日 2019.07.22

(71)申请人 西安交通大学

地址 710049 陕西省西安市咸宁西路28号(72)发明人 曲桦　赵季红　崔若星　都鹏飞　

翟凡妮　季文君　(74)专利代理机构 西安通大专利代理有限责任

公司 61200

代理人 安彦彦(51)Int.Cl.

H04W 4/02(2018.01)H04W 4/38(2018.01)H04W 4/46(2018.01)H04W 4/48(2018.01)H04W 24/06(2009.01)

权利要求书2页 说明书7页 附图1页

H04W 40/16(2009.01)H04W 40/20(2009.01)

CN 110519682 A(54)发明名称

一种结合位置与通信范围预测的V2V路由方法

(57)摘要

一种结合位置与通信范围预测的V2V路由方法，源节点提出向目的节点的路由请求，源节点开始统计通信范围内所有节点的信息；源节点通过计算预测通信范围，对比位置预测结果，将预测通信范围内所有节点的角度、速度、下一时刻位置信息，更新可持续通信权重信息。将权重最大的节点选取为下一跳节点；若一跳路由失败，则根据预测通信范围之内的权重排序，选取次大的节点作为下一跳节点，直到路由成功；直到全

本发明中整个可持续通信权重不仅部路由完成。

考虑了当前状态下，通信节点和源节点相对位置角度和速度对可持续通信的影响，还考虑了一定时间间隔后，将它们相加可以一定程度上减小由于位置预测的不准确，路由失败的几率。

CN 110519682 A

权　利　要　求　书

1/2页

1.一种结合位置与通信范围预测的V2V路由方法，其特征在于，包括以下过程：1)源节点提出向目的节点的路由请求，同时，源节点开始统计通信范围内所有节点的信息；

2)每个节点通过车载GPS以及传感器收集车辆位置及状态的实时信息，包括经度、纬度、速度和方向，送入各自训练好的神经网络模型中，预测下一时刻各个节点的位置，报告给源节点；

3)源节点通过计算预测通信范围，对比位置预测结果，将预测通信范围内所有节点的角度、速度、下一时刻位置信息，更新可持续权重，然后将预测通信范围之内的权重最大的节点选取为下一跳节点；

4)若一跳路由失败，则根据预测通信范围之内的权重排序，选取次大的节点作为下一跳节点，直到路由成功；

5)若一跳路由完成后，重复步骤1)-4)，直到全部路由完成。

2.根据权利要求1所示的一种结合位置与通信范围预测的V2V路由方法，其特征在于，步骤3)中，源节点通过计算预测通信范围的具体过程如下：，

根据误码率计算出信噪比，从而计算出门限功率Pt；在发射功率为Ptr时，多径损耗函数F(x)与从接收机处获取的路径损耗函数L(x)及有效通信半径Re的约束条件应满足式(1)：

L(Re)+F(Re)＝Ptr-Pt  (1)

根据公式(1)得到有效通信距离。

3.根据权利要求2所示的一种结合位置与通信范围预测的V2V路由方法，其特征在于，根据公式(1)得到有效通信距离的具体过程如下：

计算路径损耗L(x)时使用对数拟合的方法，将接收功率Pr代入式(2)，计算得到路径损耗函数L(x)，其中x0为信号源距自身的距离；

根据Nakagami快衰信道模型用式(3)计算多径损耗，其中ω为信号发射功率，m是深度衰落值；

数据包的比特数为chunk，误比特率为BER，则数据包的成功接收率为PSR，三者的关系满足式(4)；

PSR＝(1-BER)chunk  (4)不考虑干扰分量时，一个数据包接收的成功率为PSR，当干扰分量存在时，则其成功接收率为物理层成功接收率到网络层的映射PSRreal，如式(5)所示，其中函数Caculate(·)是干扰分量对数据包成功解调的影响；

PSRreal＝Calculate(PSR)  (5)因此，PSRreal是物理层成功接收率到网络层的映射；信噪比与误比特率BER的函数关系如(6)式所示；BER＝R((Pr-Pt)/Pt)  (6)

网络层给定物理层成功接收率到网络层的映射数PSRreal，通过上述式(4)、式(5)以及式

2

CN 110519682 A

权　利　要　求　书

2/2页

(6)的联立解得门限功率Pt的值，代入式(1)中得到有效通信距离。

4.根据权利要求2所示的一种结合位置与通信范围预测的V2V路由方法，其特征在于，步骤3)中位置预测结果通过以下过程得到：

1)通过车载GPS以及传感器收集一定时间空隙的车辆位置信息和状态信息，其中位置信息包括经度与纬度信息；状态信息包括速度和方向；

2)经过整个运行时间的收集的车辆位置信息和状态信息，得到车辆的轨迹信息，对车辆的轨迹信息数据预处理为特征和标签；

3)将预处理后的数据输入现有的神经网络模型中训练，经过神经网络的自我学习，习得车辆的驾驶偏好，完成位置预测。

5.根据权利要求1所示的一种结合位置与通信范围预测的V2V路由方法，其特征在于，步骤3)中，权重包括角度权重W1、速度权重W2以及位置预测权重W3；

角度权重W1为：W1＝cosα其中，α为源节点和通信节点所成的角度；速度权重W2为：

其中，v1-v2为源节点v2和通信节点v1的速度之差；位置预测权重W3为：

其中，D1为源节点到通信节点之间的距离；D2为目的节点到通信节点之间的距离；D3为源节点的可通信范围的半径；D4为源节点到目的节点之间的距离；β表示源节点到目的节点和源节点到通信节点的夹角。

6.根据权利要求5所示的一种结合位置与通信范围预测的V2V路由方法，其特征在于，α取值范围为[0,180]；β的范围是[0,180]；W2的取值范围为(0,1)。

3

CN 110519682 A

说　明　书

一种结合位置与通信范围预测的V2V路由方法

1/7页

技术领域

[0001]本发明属于车辆间通信的路由方法，涉及一种结合位置与通信范围预测的车辆间通信的路由方法，通过引入车辆位置以及状态特征，使用神经网络算法对历史数据进行训练，对车辆实时采集的数据进行下一步的位置预测，之后通过信道感知及干扰分量感知计算通信覆盖范围，将其与位置预测结果进行对比，可为路由算法选择肯定在通信覆盖范围内的下一跳节点，增强转发链路的可靠性，实现车辆间通信的路由。背景技术

[0002]随着全球汽车数量的不断增长，传统的交通模式早己无法满足人们的需求，提升车辆安全性和道路交通有效性愈加受到关注。作为下一代智能交通的核心，车联网的研宄动机就是提供交通安全问题的统一解决方案，构建一个提升交通效率的统一解决平台。[0003]作为智能交通系统的重要组成部分，车联网是物联网技术于交通领域的应用。利用先进的通信技术，车联网将车载设备(On Board Unit,OBU)和路边设备(Road Side Unit,RSU)结合，提供车车通信(Vehicle-to-Vehicle Communication,V2V)、车路通信(Vehicle-to-RSU Communication,V2R)、路路通信(RSU-to-RSU Communication,R2R)和混合通信模式，实现针对不同用户需求的应用服务。[0004]正因如此广阔的应用前景和商业价值，车联网技术自诞生以来一直受到各国政府、产业界和学术界的广泛关注。围绕着这一领域，各国、各界开展了众多相关研究项目，如美国的CAMP/VSC-2、日本的ITS-Safety 2010、欧洲的SAFESPOT等。同时国际标准化组织也在积极制定车联网相关的标准，如IEEE 802.11p标准的开发。而我国亦非常重视智能交通相关技术的发展，智能交通相关领域的研究一直是国家经济和社会发展计划纲要中的重点研究方向。然而，作为智能交通的重要组成部分，车联网在国内的真正得以推广要归功于2010年上海世博会上通用汽车公司的短片――对2030年交通的展望，至此车联网的概念正式为大众所熟知。自2010年来，国家启动了多项车联网相关的“863”课题，如“车辆多传感器集成关键技术研究”、“基于ad hoc的车辆通信系统关键技术研究”、“车辆无线通信系统中的关键技术研究”等，以及十多项国家自然科学基金项目。国内多所高校亦开始启动车联网方面的相关研究，对于车联网中高服务质量(Quality of Service,QoS)保证的通信协议、移动模型、网络连通性分析等方面进行了系统的研究，为车联网技术的发展和推广起到了积极的巨大推进作用。近两年来，各国政府，尤其是美国政府在2014年针对车联网的一系列动作，包括推行Natinal Highway Traffic Safety Administration(NHTSA)计划和下拨1亿美金的款项用于验证短距离车载通信技术性能等动作法，更是激发了车联网相关技术的第二次研究热潮。[0005]相比于其他的无线自组网络，车联网除了拥有着短距离、自组织、低带宽的特点，还具有如下特点：[0006](1)快速变化的网络拓扑

[0007]车联网的网络拓扑结构会随着车辆的快速运动而迅速的变化。根据801.11p规范，

4

CN 110519682 A

说　明　书

2/7页

每辆车的最大无线传输范围为1000米(有效范围400米)。在传输范围内的两辆车之间可以建立通信链路，而如果两车之间距离超过该范围，则通信链路将断开。如果两辆车速度相差较大，或者按照相反方向移动，网络中的连通性可能会迅速变化。在车联网中，作为通信节点的车辆频繁地进出网络，将导致拓扑结构的高度动态变化。[0008](2)不均匀的车辆密度

[0009]车联网通常用于两个典型的情况，高速公路和城区道路。在高速公路上，运动模型相对比较简单，因为车辆只在两个不同方向的直线上运动，密度相对均匀。而在错综复杂的城市道路中，车辆的密度则会根据道路环境、出行时间等更多复杂因素而不断变化。通常，白天的车辆密度可能很高，特别是在高峰时段，而夜间密度则低得多。[0010](3)不稳定的无线信道[0011]在车联网的环境中，高层建筑，绿化带，交通设施会造成无线信号的衰落，车辆的高速运动会带来严重的多普勒效应，这些问题都会影响无线通信的稳定。[0012]在车辆密集的区域中，可能会有多个车辆竞争同一块无线资源，从而导致了实际带宽远低于理论值。为了满足交通管理和信息娱乐的应用需求，车联网必须克服无线信道通信不稳定的影响，尽可能增强网络的服务质量(QOS)[0013](4)可预测的车辆轨迹

[0014]大多数车辆都有配备了全球导航卫星系统装置，例如全球定位系统(GPS)。车辆可以通过GPS查询当前位置信息，也可以根据位置下载当前街区的地图。因为车辆行驶受限于所处道路状况，所以如果知道了车辆位置，速度和街区地图信息，那么就可以预测该车辆的在未来一段时间的行驶轨迹。[0015](5)低时延和高可靠性约束

[0016]交通安全的应用需要车辆之间通信有着严格的时延限制，并且具有高可靠性。由于车辆传输距离有限，所以需要一种有着可靠的多跳路由方案来最小化交通环境中的通信时延。例如，一旦车辆在高速公路上发生制动，应该能够快速地通知周围车辆以避免一场车祸灾难。通常，车联网中时延的衡量标准是端到端的平均时延，可靠性的衡量标准则是数据包传输的成功率。

[0017]现有技术的缺陷和不足：[0018](1)基于完整路径规划的方案无法适应VANET动态变化的特点[0019]基于完整路径规划的方案虽然能够对宏观有一定的感知，但是仍然存在许多问题：首先，在城市场景中，路口和道路段较多，采取Dijkstra算法会产生较大的运算复杂度和网络开销。其次，如果道路权重的设计不合理会造成规划的路径只是理论上的最优。而且，由于车流是动态变化的，而路径是预先规划好的，这可能会造成当分组转发到另一个道路时，该道路上没有车辆而导致链路的断开，这会严重影响数据的传输(增加传输时延和跳数)，尤其对于传输紧急信息，很难满足现实场景中的通信。[0020](2)基于道路段的方案所感知的信息实时性差且不准确[0021]目前主要有两种方法来感知道路的连通性，一种是对历史交通状态数据进行统计分析然后预测，另一种是广播探测。第一种方法无法满足V2V通信实时性的特点；第二种方法虽然解决了实时性的问题，但是如果车辆密度较大的话会出现广播风暴，而且网络开销较大。同时，由于红绿灯的存在使得道路上车辆的分布不均匀，经常出现路口附近汇聚大量

5

CN 110519682 A

说　明　书

3/7页

车辆，道路中间车辆稀疏，甚至没有车辆的情况。而此时，如果只考虑把车辆密度作为道路段通信能力的标准，可能会选择通信性能最差的道路段来传输数据。同时，由于车辆的快速移动，车辆的离开和交通灯存在等问题，使得V2V通信时，道路段的通信链路很容易出现断开的情况，而周期性地发送探测报文无法及时地感知到链路的断开，因此可能会造成较大的时延和较小的分组投递率。[0022](3)一跳车辆之间的链路频繁断开[0023]在V2V的通信场景下，即使已经对通信环境进行了感知，但是由于VANET特点(车辆的高速移动以及拓扑的频繁变化等)，在通信过程中仍然会出现链路的频繁断开或者出现路由空洞的情况，这会在很大程度上影响通信质量。发明内容

[0024]本发明的目的在于针对接入无线自组织网络中的车辆间通信路由问题，提出一种结合位置与通信范围预测的V2V路由方法。[0025]为了达到上述目的，本发明采用了以下技术方案：[0026]一种结合位置与通信范围预测的V2V路由方法，包括以下过程：[0027]1)源节点提出向目的节点的路由请求，同时，源节点开始统计通信范围内所有节点的信息；

[0028]2)每个节点通过车载GPS以及传感器收集车辆位置及状态的实时信息，包括经度、纬度、速度和方向，送入各自训练好的神经网络模型中，预测下一时刻各个节点的位置，报告给源节点；

[0029]3)源节点通过计算预测通信范围，对比位置预测结果，将预测通信范围内所有节点的角度、速度、下一时刻位置信息，更新可持续权重，然后将预测通信范围之内的权重最大的节点选取为下一跳节点；[0030]4)若一跳路由失败，则根据预测通信范围之内的权重排序，选取次大的节点作为下一跳节点，直到路由成功；[0031]5)若一跳路由完成后，重复步骤1)-4)，直到全部路由完成。[0032]本发明进一步的改进在于，步骤3)中，源节点通过计算预测通信范围的具体过程如下：，

[0033]根据误码率计算出信噪比，从而计算出门限功率Pt；在发射功率为Ptr时，多径损耗函数F(x)与从接收机处获取的路径损耗函数L(x)及有效通信半径Re的约束条件应满足式(1)：

[0034]L(Re)+F(Re)＝Ptr-Pt  (1)

[0035]根据公式(1)得到有效通信距离。[0036]本发明进一步的改进在于，根据公式(1)得到有效通信距离的具体过程如下：[0037]计算路径损耗L(x)时使用对数拟合的方法，将接收功率Pr代入式(2)，计算得到路径损耗函数L(x)，其中x0为信号源距自身的距离；

[0038][0039]

根据Nakagami快衰信道模型用式(3)计算多径损耗，其中ω为信号发射功率，m是

6

CN 110519682 A

说　明　书

4/7页

深度衰落值；

[0040]

数据包的比特数为chunk，误比特率为BER，则数据包的成功接收率为PSR，三者的

关系满足式(4)；

[0042]PSR＝(1-BER)chunk  (4)[0043]不考虑干扰分量时，一个数据包接收的成功率为PSR，当干扰分量存在时，则其成功接收率为物理层成功接收率到网络层的映射PSRreal，如式(5)所示，其中函数Caculate(·)是干扰分量对数据包成功解调的影响；[0044]PSRreal＝Calculate(PSR)  (5)[0045]因此，PSRreal是物理层成功接收率到网络层的映射；[0046]信噪比与误比特率BER的函数关系如(6)式所示；[0047]BER＝R((Pr-Pt)/Pt)  (6)

[0048]网络层给定物理层成功接收率到网络层的映射数PSRreal，通过上述式(4)、式(5)以及式(6)的联立解得门限功率Pt的值，代入式(1)中得到有效通信距离。[0049]本发明进一步的改进在于，步骤3)中位置预测结果通过以下过程得到：

[0050]1)通过车载GPS以及传感器收集一定时间空隙的车辆位置信息和状态信息，其中位置信息包括经度与纬度信息；状态信息包括速度和方向；

[0051]2)经过整个运行时间的收集的车辆位置信息和状态信息，得到车辆的轨迹信息，对车辆的轨迹信息数据预处理为特征和标签；

[0052]3)将预处理后的数据输入现有的神经网络模型中训练，经过神经网络的自我学习，习得车辆的驾驶偏好，完成位置预测；[0053]本发明进一步的改进在于，步骤3)中，权重包括角度权重W1、速度权重W2以及位置预测权重W3；[0054]角度权重W1为：[0055]W1＝cosα[0056]其中，α为源节点和通信节点所成的角度；[0057]速度权重W2为：

[0058][0059][0060][0061][0062]

[0041]

其中，v1-v2为源节点v2和通信节点v1的速度之差；位置预测权重W3为：

其中，D1为源节点到通信节点之间的距离；D2为目的节点到通信节点之间的距离；

D3为源节点的可通信范围的半径；D4为源节点到目的节点之间的距离；β表示源节点到目的节点和源节点到通信节点的夹角。[0063]本发明进一步的改进在于，α取值范围为[0，180]；β的范围是[0，180]；W2的取值范

7

CN 110519682 A

说　明　书

5/7页

围为(0，1)。

[0064]与现有技术相比，本发明具有的有益效果：本发明中基于已有的GPSR路由方法，加入了位置预测和通信范围预测所得到的结果进行对比，引入可持续通信权重。整个可持续通信权重不仅考虑了当前状态下，通信节点和源节点相对位置角度和速度对可持续通信的影响，还考虑了一定时间间隔后，由于车辆位置不断变化，预测位置之后对可持续通信的影响。但是由于车辆位置可能遭受随机事件的影响，所以将它们相加可以一定程度上减小由于位置预测的不准确，路由失败的几率。[0065]进一步的，在位置预测中，采用了位置信息和状态信息两类数据，对车辆的下一时刻位置进行预测。由于车辆的状态信息(速度和方向)在一定程度上可以推测出车辆下一步的位置，结合当前的位置信息，采用神经网络的方法，可以进一步挖掘驾驶者的驾驶习惯，结合历史轨迹中的地理特征(经度和纬度)，以提高预测的准确率。[0066]进一步的，在通信范围预测中，通过信道感知及干扰分量感知计算而得。干扰分量感知根据误码率计算出信噪比，从而计算出门限功率Pt。在发射功率为Ptr时，多径损耗函数F(x)与从接收机处获取的路径损耗函数L(x)及有效通信半径Re的约束条件，计算路径损耗L(x)时使用对数拟合的方法可以计算得到L(x)，其中x0为信号源距自身的距离。在计算多径损耗时采用了Nakagami快衰信道模型，对门限功率Pt的计算依赖于网络层对数据包正确接收率的要求，再引入干扰分量对数据包成功解调的影响函数Caculate(·)，因此参数PSRreal就是物理层成功接收率到网络层的映射，其也就构建起了网络层与有效通信距离的关系。这便建立起了SINR与接收机门限功率之间的关系，网络层给定了参数PSRreal，可以解得Pt的值，之后便可算出有效通信距离。附图说明

[0067]图1为神经网络模型的结构示意图。[0068]图2为节点间相对位置示意图。

具体实施方式

[0069]下面对本发明进行详细说明。

[0070]本发明的一种结合位置与通信范围预测的V2V路由方法，包括位置预测、通信范围预测以及路由过程，其中，参见图1，位置预测的具体过程如下：

[0071]1)通过车载GPS以及传感器收集一定时间空隙的车辆位置信息和状态信息，其中位置信息包括经度与纬度信息；状态信息包括速度和方向；

[0072]2)经过整个运行时间的收集的车辆位置信息和状态信息，得到车辆的轨迹信息，对车辆的轨迹信息数据预处理为特征和标签；其中，整个运行时间，即在一定时间空隙收集的总的时间。

[0073]3)将预处理后的数据输入现有的神经网络模型中训练，经过神经网络的自我学习，习得车辆的驾驶偏好，完成位置预测；[0074]通信范围预测的具体过程如下：

[0075]通信覆盖范围的计算由信道感知的计算及干扰分量感知的计算组成。[0076]干扰分量感知根据误码率计算出信噪比，从而计算出门限功率Pt。在发射功率为

8

CN 110519682 A

说　明　书

6/7页

Ptr时，多径损耗函数F(x)与从接收机处获取的路径损耗函数L(x)及有效通信半径Re的约束条件应满足式(1)：

[0077]L(Re)+F(Re)＝Ptr-Pt  (1)

[0078]计算路径损耗L(x)时使用对数拟合的方法，将接收功率Pr代入式(2)，计算得到路径损耗函数L(x)，其中x0为信号源距自身的距离。

[0079][0080]

在计算多径损耗时采用Nakagami快衰信道模型。根据Nakagami快衰信道模型用式(3)计算多径损耗，其中ω为信号发射功率，m是深度衰落值。

[0081]

对门限功率Pt的计算要依赖于网络层对数据包正确接收率的要求。数据包的比特数为chunk，误比特率为BER，则数据包的成功接收率为PSR，三者的关系满足式(4)[0083]PSR＝(1-BER)chunk  (4)[0084]不考虑干扰分量时，一个数据包接收的成功率为PSR，当干扰分量存在时，则其成功接收率为物理层成功接收率到网络层的映射，如式(5)所示，其中函数Caculate(·)是干扰分量对数据包成功解调的影响。[0085]PSRreal＝Calculate(PSR)  (5)[0086]因此，参数PSRreal就是物理层成功接收率到网络层的映射，其也就构建起了网络层与有效通信距离的关系。而SINR(信噪比，Pr-Pt)/P)与误比特率BER的函数关系如(6)式所示。

[0087]BER＝R((Pr-Pt)/Pt)  (6)[0088]式(4)、(5)和(6)建立起了SINR与接收机门限功率之间的关系，网络层给定参数PSRreal通过上述三式的联立可以解得门限功率Pt的值，代入式(1)中可算出有效通信距离。[0089]路由过程具体如下：

[0090]1)源节点提出向目的节点的路由请求，同时，源节点开始统计通信范围内所有节点的信息；

[0091]2)每个节点通过车载GPS以及传感器收集车辆位置及状态的实时信息，包括经度、纬度、速度和方向，送入各自训练好的神经网络模型中，预测下一时刻各个节点的位置，报告给源节点；

[0092]3)源节点通过计算预测通信范围，对比位置预测结果，将预测通信范围内所有节点的角度、速度、下一时刻位置信息，更新可持续通信权重信息，然后将预测通信范围之内的权重最大的节点选取为下一跳节点；[0093]其中，权重包括角度权重W1、速度权重W2以及位置预测权重W3。[0094]角度权重W1为：[0095]W1＝cosα[0096]其中，α为源节点和通信节点所成的角度，α取值范围为[0，180]。[0097]速度权重W2为：

[0082]

9

CN 110519682 A[0098][0099][0100][0101][0102]

说　明　书

7/7页

其中，v1-v2为源节点v2和通信节点v1的速度之差，W2的取值范围为(0，1)。参见图2，位置预测权重W3为：

其中，D1为源节点到通信节点之间的距离；D2为目的节点到通信节点之间的距离；

D3为源节点的可通信范围的半径；D4为源节点到目的节点之间的距离；β表示源节点到目的节点和源节点到通信节点的夹角，β的范围是[0，180]。[0103]4)若一跳路由失败，则根据预测通信范围之内的权重排序，选取次大的节点作为下一跳节点，直到路由成功；[0104]5)若一跳路由完成后，重复步骤1)-4)，直到全部路由完成。[0105]本发明应用全新的位置特征预测和通信范围预测，将其结果进行对比，并基于此结果的车辆间路由方法。

10

CN 110519682 A

说　明　书　附　图

1/1页

图1

图2

11