基于三角模糊數(shù)的車聯(lián)網(wǎng)簇頭節(jié)點(diǎn)選擇方法

劉蘊(yùn) 曹軍芳 王鳳琦

（1.周口職業(yè)技術(shù)學(xué)院，周口 466000；2.許昌職業(yè)技術(shù)學(xué)院，許昌 461000；3.長(zhǎng)安大學(xué)，西安 710064）

主題詞：車聯(lián)網(wǎng) 簇頭選擇 三角模糊數(shù) 學(xué)習(xí)機(jī)制 相對(duì)距離 相對(duì)速度

1 前言

基于車聯(lián)網(wǎng)中車輛間的交互通信提高交通安全性已成為近年來的研究熱點(diǎn)。由于網(wǎng)絡(luò)中車輛節(jié)點(diǎn)的高速移動(dòng)性，車聯(lián)網(wǎng)存在網(wǎng)絡(luò)拓?fù)渥兓l繁、鏈路斷開頻繁、車輛密度多變等特點(diǎn)，使得車聯(lián)網(wǎng)網(wǎng)絡(luò)連接性頻繁變化[1]。針對(duì)上述問題，電氣和電子工程師協(xié)會(huì)（Institute of Electrical and Electronics Engineers，IEEE）發(fā)布了IEEE 802.11p協(xié)議，以滿足車聯(lián)網(wǎng)安全應(yīng)用中的可靠性和低延遲需求[2]。但該協(xié)議在可預(yù)測(cè)性、公平性等方面存在不足，網(wǎng)絡(luò)密度較高時(shí)會(huì)使網(wǎng)絡(luò)吞吐量下降并造成較高的數(shù)據(jù)沖突[3]。

為了提升車聯(lián)網(wǎng)的網(wǎng)絡(luò)傳輸性能和可靠性，相關(guān)研究人員提出了基于簇的多路訪問控制（Multiple Access Control，MAC）協(xié)議[4]。在車聯(lián)網(wǎng)中，車輛節(jié)點(diǎn)集簇有助于限制信道競(jìng)爭(zhēng)、提供公平的網(wǎng)絡(luò)接入，并通過網(wǎng)絡(luò)資源的空間復(fù)用和網(wǎng)絡(luò)拓?fù)涞挠行Э刂铺嵘W(wǎng)絡(luò)的性能[5]。集簇過程中的主要難點(diǎn)在于如何有效降低因簇頭選取及在高動(dòng)態(tài)性和快速變化的網(wǎng)絡(luò)拓?fù)渲芯S護(hù)所有簇成員等帶來的額外網(wǎng)絡(luò)開銷[6]。

針對(duì)車輛節(jié)點(diǎn)的集簇問題，文獻(xiàn)[7]提出了一種LID集簇算法，車輛節(jié)點(diǎn)向其鄰居廣播自身ID，具有最低ID的節(jié)點(diǎn)被選為簇頭，處于簇頭通信范圍內(nèi)的鄰居節(jié)點(diǎn)成為簇成員；文獻(xiàn)[8]提出了一種加權(quán)集簇算法，通過考慮一個(gè)簇頭可處理的節(jié)點(diǎn)數(shù)量、傳輸功率、能量消耗和移動(dòng)性等因素，并為上述因素賦不同的權(quán)重得到一個(gè)度量標(biāo)準(zhǔn)，進(jìn)而選取度量值最低的節(jié)點(diǎn)為簇頭，該方法能夠?qū)崿F(xiàn)較高的吞吐，但是因?yàn)榇嬖谳^高的通信和計(jì)算負(fù)載，無法滿足高移動(dòng)速度節(jié)點(diǎn)的需求，因此并不適用于車聯(lián)網(wǎng)環(huán)境；文獻(xiàn)[9]基于近鄰傳播算法提出了一種基于移動(dòng)性的集簇機(jī)制，基于車輛間的距離完成簇頭的選取，該方法對(duì)移動(dòng)性提供較好的支持，但存在長(zhǎng)聚合延遲及網(wǎng)絡(luò)負(fù)載較高、吞吐較低等問題。針對(duì)現(xiàn)有方法的不足，本文提出了一種基于三角模糊數(shù)的車聯(lián)網(wǎng)簇頭節(jié)點(diǎn)選擇方法，主要通過三角模糊數(shù)和學(xué)習(xí)機(jī)制完成車輛節(jié)點(diǎn)加速度的預(yù)測(cè)，并通過定義的加權(quán)穩(wěn)定因子完成簇頭節(jié)點(diǎn)的選取。

2 典型車聯(lián)網(wǎng)場(chǎng)景構(gòu)建

本文構(gòu)建了如圖1所示的一種典型車聯(lián)網(wǎng)應(yīng)用場(chǎng)景。該場(chǎng)景基于一條單向多車道道路構(gòu)建。因此，在該場(chǎng)景中，車輛僅能與自身同向運(yùn)動(dòng)的車輛進(jìn)行通信?？紤]到一般車聯(lián)網(wǎng)通信設(shè)備（技術(shù)）的通信范圍遠(yuǎn)大于道路寬度，為了不失一般性的同時(shí)簡(jiǎn)化研究難度，通過上述方式將車聯(lián)網(wǎng)通信網(wǎng)絡(luò)中的節(jié)點(diǎn)設(shè)定為同向運(yùn)動(dòng)。假定所有車輛節(jié)點(diǎn)依賴衛(wèi)星定位系統(tǒng)的時(shí)間信息進(jìn)行時(shí)間同步，當(dāng)車輛節(jié)點(diǎn)同步到控制信道間隔（Control Channel Interval，CCI）時(shí)，相互傳輸安全狀態(tài)信息。本文按照文獻(xiàn)[10]的方法，將CCI設(shè)置為100 ms。在控制信道間隔的開始，車輛節(jié)點(diǎn)周期性地發(fā)送自身狀態(tài)信息，一般包含其位置、速度、加速度和行駛方向，行駛方向指車輛通過衛(wèi)星定位系統(tǒng)計(jì)算的自身相對(duì)于真北方向的運(yùn)動(dòng)方向。設(shè)定所有的車輛狀態(tài)信息均具有相同的長(zhǎng)度L，所有車輛節(jié)點(diǎn)具有相同的通信范圍R。車輛基于泊松分布在道路上分布，平均車輛密度設(shè)定為λv。此外，每個(gè)車輛節(jié)點(diǎn)的行駛速度在vmax和vmin間隨機(jī)分布。

圖1 典型車聯(lián)網(wǎng)應(yīng)用場(chǎng)景

3 簇頭選擇算法

考慮到車聯(lián)網(wǎng)中的車輛節(jié)點(diǎn)是高度動(dòng)態(tài)的，并且車聯(lián)網(wǎng)的網(wǎng)絡(luò)拓?fù)鋾?huì)頻繁變化，因此，簇頭選取算法應(yīng)當(dāng)是分布式且異步操作的。這要求簇頭的選取和重選算法應(yīng)公平、簡(jiǎn)潔且與處于其通信范圍內(nèi)的車輛具有盡可能少的通信和協(xié)調(diào)過程。為使在具有高動(dòng)態(tài)特性的車聯(lián)網(wǎng)環(huán)境中形成的簇更加穩(wěn)定，算法不應(yīng)該頻繁發(fā)起簇頭選取，而且應(yīng)使節(jié)點(diǎn)能夠平滑地加入、離開當(dāng)前簇或形成新的簇。此外，如果網(wǎng)絡(luò)發(fā)起了一次簇頭的選擇或重選過程，算法應(yīng)能在很短的時(shí)間內(nèi)形成穩(wěn)定的簇拓?fù)洹?/p>

在車聯(lián)網(wǎng)通信網(wǎng)絡(luò)中，簇頭的選取和簇的形成依賴于道路上互相處于通信范圍的車輛節(jié)點(diǎn)的車輛狀態(tài)信息交互。本文設(shè)定車輛狀態(tài)信息包括車輛的ID、速度v、加權(quán)穩(wěn)定因子WSF、位置x0、加速度a、通信范圍R、簇頭ID（CHID）、備選簇頭ID（CHBK）。

3.1 加權(quán)穩(wěn)定因子

在定義的車輛狀態(tài)信息中，加權(quán)穩(wěn)定因子WSF指該車輛在道路上運(yùn)動(dòng)時(shí)，相對(duì)于其他車輛的運(yùn)動(dòng)穩(wěn)定性的加權(quán)平均值。車輛運(yùn)動(dòng)穩(wěn)定性指道路上相鄰車輛間的相對(duì)運(yùn)動(dòng)狀況，本文采用穩(wěn)定系數(shù)SF對(duì)其進(jìn)行描述。在每一個(gè)控制信道間隔，每輛車j將獲得處于其通信范圍內(nèi)的所有車輛的狀態(tài)信息，進(jìn)而利用狀態(tài)信息計(jì)算自身與所有處于其通信范圍內(nèi)鄰居車輛的速度差值的平均值：

式中，n為車輛j與處于其通信范圍內(nèi)的所有鄰居車輛的數(shù)量的總和；vj為第j輛車的行駛速度。

在每個(gè)控制信道間隔結(jié)束前，車輛j利用計(jì)算自身穩(wěn)定系數(shù)：

基于上述公式，如果道路上沒有其他車輛，車輛j將直接通過vj和vmax計(jì)算穩(wěn)定系數(shù)SF，其中SF∈[0,1]。

加權(quán)穩(wěn)定因子WSF是穩(wěn)定系數(shù)SF的指數(shù)加權(quán)移動(dòng)平均值。每個(gè)車輛i通過最新計(jì)算得到的穩(wěn)定系數(shù)值SFi和最近計(jì)算的加權(quán)穩(wěn)定因子WSFi-1（WSF0=0）計(jì)算最新的加權(quán)穩(wěn)定因子：

式中，ξ∈[0,1]為平滑因子，本文設(shè)ξ=0.5。

WSF越大的車輛運(yùn)動(dòng)穩(wěn)定性越高，本文設(shè)定WSF較高的車輛節(jié)點(diǎn)更容易被選為簇頭。

3.2 基于三角模糊數(shù)的加速度預(yù)測(cè)

在本文定義的車輛狀態(tài)信息中，加速度a是指車輛在某一時(shí)刻的加速度。通過加速度可以預(yù)測(cè)車輛在未來短時(shí)間內(nèi)的速度和位置，進(jìn)而實(shí)現(xiàn)簇頭的選擇和重選。

駕駛員進(jìn)行加速、減速和維持速度不變等決定依賴于多種因素，例如與前車的相對(duì)距離和相對(duì)速度、實(shí)時(shí)道路狀況、駕駛員的駕駛行為等。一般說來，駕駛員的行為（加速、減速或恒速）與駕駛員個(gè)人對(duì)車間距、相對(duì)速度等參數(shù)的預(yù)估有關(guān)，是一種相對(duì)主觀的行為，難以通過確定的方式進(jìn)行預(yù)測(cè)，屬于典型的不確定性問題。因此，本文基于模糊邏輯構(gòu)建模糊推理系統(tǒng)（Fuzzy Inference System，F(xiàn)IS）處理該問題。

FIS是一種基于一系列IF-THEN模糊規(guī)則的系統(tǒng)，能借助隸屬度函數(shù)概念，根據(jù)幾個(gè)變量的輸入，以及一組自然語言表述的經(jīng)驗(yàn)規(guī)則，來決定輸出，從而模擬人腦實(shí)施規(guī)則型推理[11]。因此，本文基于FIS的上述特性，構(gòu)建一種模糊推理系統(tǒng)以實(shí)現(xiàn)根據(jù)駕駛員的前期行為完成車輛加速度的預(yù)測(cè)。除此之外，考慮到FIS缺少一種能夠自適應(yīng)地處理變化的外部環(huán)境的能力，為了解決該問題，本文在構(gòu)建的模糊推理系統(tǒng)中引入了一種學(xué)習(xí)機(jī)制，以更好地滿足對(duì)駕駛員行為的適應(yīng)性。本文選取三角模糊法實(shí)現(xiàn)FIS的構(gòu)建，設(shè)置FIS的輸入?yún)?shù)為兩車的車間距和相對(duì)速度，輸出參數(shù)為車輛的加速度。

設(shè)車輛與其前方緊鄰車輛的距離的隸屬函數(shù)為μd，且μd可以取值為“小”“中”或“大”，如圖2所示。圖2中，ts為后車j以車速vj行駛過與前車i的安全跟隨距離所需的時(shí)間，是一個(gè)設(shè)計(jì)參數(shù)。

表2 模糊推理系統(tǒng)的模糊規(guī)則

圖2 相對(duì)距離的隸屬函數(shù)

設(shè)車輛與其前方緊鄰車輛相對(duì)速度的隸屬函數(shù)為μv，且μv可以取值為“較慢”“相同”或“較快”，如圖3所示。本文設(shè)置參數(shù)α和γ，賦予FIS一定的學(xué)習(xí)能力，使其對(duì)道路上駕駛員行為的自適應(yīng)更優(yōu)。具體學(xué)習(xí)機(jī)制為：設(shè)α=γ=1，在系統(tǒng)運(yùn)行過程中，若駕駛員關(guān)于加速或減速的實(shí)際決策與預(yù)測(cè)值不匹配，則α和γ逐步增加或減少ε，具體執(zhí)行規(guī)則如表1所示的。通過該方式，圖3所示的μv隸屬函數(shù)的相交點(diǎn)將向左或向右移動(dòng)，直到經(jīng)過一段時(shí)間后α和γ收斂到確定值，以實(shí)現(xiàn)對(duì)道路上駕駛員行為的跟蹤。

表1 參數(shù)α和γ的賦值規(guī)則

圖3 相對(duì)速度的隸屬函數(shù)

定義FIS的輸出量，即預(yù)測(cè)加速度為μacc，且μacc可以取值為“加速”“恒速”或“減速”，本文取選擇2 m/s2、0、-2 m/s2為其具體值。這種中心平均解模糊化能夠基于輸出模糊集的加權(quán)平均值產(chǎn)生明確的輸出值。輸出變量μacc如圖4所示，模糊規(guī)則如表2所示。

圖4 加速度的隸屬函數(shù)

通過上述構(gòu)建的基于三角模糊數(shù)的模糊推理系統(tǒng)，使每輛車能夠在下一個(gè)簇維持時(shí)間Tf內(nèi)，基于自身與前方最鄰近車輛間的相對(duì)速度和相對(duì)距離，廣播其預(yù)測(cè)的加速度。該Tf結(jié)束后，車輛基于其當(dāng)前速度、之前的速度和行駛距離計(jì)算自身在過去Tf時(shí)間內(nèi)的真實(shí)加速度。如果真實(shí)值與預(yù)測(cè)值相符，該車輛不改變?chǔ)梁挺玫闹?，也即?gòu)建的模糊推理系統(tǒng)已經(jīng)學(xué)習(xí)到了當(dāng)前道路上的駕駛員行為。否則，系統(tǒng)將基于前述規(guī)則動(dòng)態(tài)改變?chǔ)梁挺玫闹担布茨：到y(tǒng)繼續(xù)進(jìn)行學(xué)習(xí)。通過改變?chǔ)梁挺玫闹?，μv隸屬函數(shù)的相交點(diǎn)將會(huì)不斷變化以反映駕駛員對(duì)于道路上速度和距離的個(gè)體感知。

3.3 簇頭選取方法

如果某車輛在處于其通信范圍內(nèi)的所有車輛中具有最高的WSF，該車輛將選擇自身為簇頭，并將車輛狀態(tài)信息幀中的簇頭ID設(shè)置為自身ID。如果處于其通信范圍的鄰居車輛中，有其他車輛同樣具有最高的WSF，當(dāng)前車輛將選擇該鄰居車輛為臨時(shí)簇頭，并將車輛狀態(tài)信息幀中的備選簇頭ID設(shè)置為該鄰居車輛的ID。最新選取的臨時(shí)簇頭車輛將檢驗(yàn)在處于其通信范圍的所有車輛中，自身是否具有最高的WSF，如果是，該車輛將選擇自身為簇頭，否則該鄰居車輛將允許自身被設(shè)置為臨時(shí)簇頭，在與其他簇合并或自身狀態(tài)改變?yōu)橹饕仡^前，不會(huì)參與選擇新的簇頭。

新選擇的臨時(shí)簇頭進(jìn)入到其相鄰簇頭通信范圍的1/2距離時(shí)，將發(fā)送一個(gè)包含該相鄰簇頭ID的狀態(tài)信息，實(shí)現(xiàn)與該簇的融合。當(dāng)接收到該狀態(tài)信息時(shí)，臨時(shí)簇頭的簇成員將判斷自身是否處于該相鄰簇頭的通信范圍內(nèi)：如果是，臨時(shí)簇頭的簇成員將加入該相鄰簇頭所在簇；如果不是，它們將在不能加入該相鄰簇的剩余車輛節(jié)點(diǎn)中選取一個(gè)擁有最高WSF的車輛節(jié)點(diǎn)作為新的簇頭。

為了促使車聯(lián)網(wǎng)通信網(wǎng)絡(luò)形成穩(wěn)定的簇拓?fù)?，如果一輛車在其通信范圍內(nèi)既不是簇頭，且處于某臨時(shí)簇頭的通信范圍內(nèi)，那么該車輛節(jié)點(diǎn)將加入該臨時(shí)簇，且不會(huì)參與選擇其他的臨時(shí)簇頭。如果一輛車同時(shí)處于2個(gè)簇頭的通信范圍內(nèi)，該車輛節(jié)點(diǎn)將與最近的簇頭集簇。

一旦簇頭選擇完畢，應(yīng)當(dāng)盡可能使得形成的簇拓?fù)浣Y(jié)構(gòu)穩(wěn)定，因此應(yīng)盡量減少簇頭選取的頻率。為了實(shí)現(xiàn)上述目的，在Tf結(jié)束后，簇頭將基于所有簇成員的速度和加速度計(jì)算所有簇成員的預(yù)期位置：

式中，x0為車輛的當(dāng)前位置。

簇頭將從所在簇質(zhì)心周圍的所有車輛中選取一個(gè)擁有最高WSF值的節(jié)點(diǎn)作為備選簇頭。并在簇頭的狀態(tài)信息中備注備選簇頭的ID（BKID），進(jìn)而通過狀態(tài)信息的交互將備選簇頭信息告知所有簇成員。如果前簇頭消亡或駛出通信范圍，備選簇頭將自動(dòng)成為新的簇頭，周而復(fù)始，從而在一定程度上維護(hù)了簇的穩(wěn)定性。

如果在下一個(gè)Tf內(nèi)，所有的簇成員將繼續(xù)處于簇頭的通信范圍內(nèi)或者當(dāng)前簇頭比備選簇頭的覆蓋范圍廣，那么當(dāng)前簇頭將維持其簇頭職責(zé)。否則，當(dāng)前簇頭通過把簇頭ID（CHID）賦值為BKID，從而將簇頭職責(zé)移交給備選簇頭，并向簇成員廣播新簇頭消息。在收到該消息后，簇成員將直接與新簇頭通信，從而避免了不必要的簇頭重選過程。

4 仿真平臺(tái)搭建

4.1 評(píng)價(jià)參數(shù)

為了測(cè)試方法的有效性，采用簇頭平均生存時(shí)間（仿真階段網(wǎng)絡(luò)內(nèi)所有簇頭生存時(shí)間的平均值）、簇成員平均駐留時(shí)間（仿真階段網(wǎng)絡(luò)內(nèi)所有車輛節(jié)點(diǎn)作為簇成員駐留于一個(gè)簇內(nèi)的平均時(shí)間）和簇平均規(guī)模（網(wǎng)絡(luò)內(nèi)所有車輛節(jié)點(diǎn)數(shù)量與在仿真階段生成的所有簇的數(shù)量的比值）作為評(píng)價(jià)標(biāo)準(zhǔn)進(jìn)行測(cè)試。

4.2 仿真環(huán)境

基于iTETRIS軟件構(gòu)建仿真平臺(tái)[12]，采用NS-3網(wǎng)絡(luò)仿真器進(jìn)行車聯(lián)網(wǎng)通信網(wǎng)絡(luò)的仿真，采用微觀交通仿真器SUMO產(chǎn)生的MOVE車流模型進(jìn)行交通流的仿真。在SUMO中設(shè)定道路仿真環(huán)境為一段長(zhǎng)度8 km的單向4車道高速公路，道路上仿真車輛的限速為80～120 km/h，如圖5所示。采用Nakagami-m傳播模型進(jìn)行仿真參數(shù)的配置。基于“三秒車距”法設(shè)定仿真環(huán)境內(nèi)的安全行車時(shí)間為ts=3 s，設(shè)定簇維持時(shí)間Tf=10 s。將本文提出的方法與CMCP方法[13]和APROVE[9]方法進(jìn)行比較。設(shè)每次仿真時(shí)間為1 000 s，共仿真10次，具體仿真參數(shù)如表3所示，其中，取車輛密度設(shè)置標(biāo)識(shí)ρ=1表示一般車輛密度，每公里道路約為100輛車。

圖5 仿真界面

表3 仿真參數(shù)配置

5 仿真測(cè)試結(jié)果

圖6所示為交通流密度對(duì)簇拓?fù)浣Y(jié)構(gòu)影響的仿真結(jié)果。仿真場(chǎng)景中的交通密度λv的增加可以通過降低車輛平均速度或增加單位道路路段內(nèi)的車輛數(shù)量實(shí)現(xiàn)。圖6a描述了車輛密度對(duì)簇頭平均生存時(shí)間的影響，測(cè)試結(jié)果表明，3種方法均表現(xiàn)出簇頭平均生存時(shí)間隨車輛密度而增加，這是由于隨著車輛密度的增加，車間距變小。但相對(duì)而言，本文提出的簇頭選取方法更為有效，這是因?yàn)榻?jīng)過Tf后，簇中大多數(shù)或全部成員都處于簇頭通信范圍內(nèi)時(shí)，允許簇頭對(duì)自身進(jìn)行重選。圖6b和圖6c說明，對(duì)于3種方法，隨車輛密度增加，簇規(guī)模和簇成員平均駐留時(shí)間均顯著增加，這也表明了本文算法的有效性。

圖6 簇拓?fù)浣Y(jié)構(gòu)對(duì)車輛密度的影響

圖7所示為簇維持時(shí)間Tf對(duì)簇拓?fù)浣Y(jié)構(gòu)影響的仿真結(jié)果。Tf增加時(shí)，車輛未來位置和速度預(yù)測(cè)結(jié)果的準(zhǔn)確性一般會(huì)下降，但測(cè)試結(jié)果表明，對(duì)于本文提出的方法，當(dāng)Tf增加時(shí)，預(yù)測(cè)結(jié)果下降的程度更不顯著。這是由于本文提出的方法能更好地描述道路上的駕駛員對(duì)自車與相鄰前車間的相對(duì)距離和相對(duì)速度變化的真實(shí)反應(yīng)。本文提出的學(xué)習(xí)算法增加了選擇和重選簇頭的有效性，能夠給簇成員更多的時(shí)間駐留于所在簇邊界，而且簇的規(guī)模也將增加。從圖7所示的測(cè)試結(jié)果可以看出，對(duì)于每一個(gè)網(wǎng)絡(luò)場(chǎng)景，Tf存在一個(gè)最優(yōu)值，能夠最大化簇的穩(wěn)定性。因此，應(yīng)根據(jù)配置范圍和平均車輛密度謹(jǐn)慎選擇Tf，以增加駐留時(shí)間，并降低算法的復(fù)雜度。

圖7 簇維持時(shí)間Tf對(duì)簇拓?fù)浣Y(jié)構(gòu)的影響

6 結(jié)束語

本文針對(duì)現(xiàn)有車聯(lián)網(wǎng)簇頭節(jié)點(diǎn)選擇方法不足的問題，提出了一種基于三角模糊數(shù)的車聯(lián)網(wǎng)簇頭節(jié)點(diǎn)選擇方法。通過基于iTETRIS構(gòu)建的車聯(lián)網(wǎng)仿真平臺(tái)，驗(yàn)證了提出的基于三角模糊數(shù)的車聯(lián)網(wǎng)簇頭節(jié)點(diǎn)選擇方法的有效性。后續(xù)研究中，將對(duì)提出的方法在大規(guī)模仿真場(chǎng)景中（城市級(jí)）進(jìn)行測(cè)試驗(yàn)證，以提高算法的適應(yīng)性。