当前位置: 首页> 学位论文 >详情
原文传递 车联网中V2V多跳广播关键技术研究
论文题名: 车联网中V2V多跳广播关键技术研究
关键词: 车联网;移动自组织网络;道路安全信息;多跳广播协议
摘要: 智能交通管理是当今每一个国家在交通领域里的重点建设方向,VANETs(Vehicular Ad Hoc Networks)在其数据传输部分具有重要的应用价值。在VANETs诸多应用中,安全应用近年来备受政府、学术界、工业界的关注,而道路安全信息的有效分发则成为研究的热点问题。为了增强道路行车的安全,对车辆安全相关信息进行高效分发的算法、协议提出更高要求。VANETs中车辆高速移动、网络拓扑结构快速变化、交通流密度多变、无线信道质量多样性,这使得VANETs中道路安全信息有效广播面临巨大挑战。准确地预测链路持续时间可以显著的增强信息传输的有效性,但目前对该问题的相关研究还较少。本文针对城市道路事故信息分发、高速公路场景和城市场景下的链路持续时间问题展开研究,解决的问题、基本研究方法和取得的成果如下:
  首先,对国内外城市场景中面向道路安全信息分发的多跳广播协议进行了深入研究并且深入分析了存在的问题,即现有的沿着道路转发信息的协议导致信息传输的链路时延长,采用维护邻居节点信息识别道路交叉口造成网络开销过大。针对这些问题以及城市场景中无线信号可直达的环境,提出了基于车辆区域分组的广播协议,包括车辆区域分组和信息分发两部分内容。针对车辆区域分组提出了正三角模型结构区域分组法和正六角模型结构区域分组法;针对信息分发,设计了信息转发等待时延计算公式,各车辆节点根据公式计算出的时延参数进行延时转发控制,当等待时延降为零时进行转发,最先转发信息的节点被定义为该组内的中继节点。该协议使每一跳信息可以沿着不同的道路不同的方向同时转发。实验结果表明,该协议在多种交通流密度下比已有成果具有高覆盖率、低转发节点率、低链路时延和低网络开销等优势。
  其次,针对城市场景中高大密集建筑群对无线信号的阻挡,为了提高信息在道路交叉口处分发的效率和可靠性,降低信息分发时延,提出了基于位置的多跳警告广播协议,该协议针对交叉口和直行道路采用不同的信息分发机制。针对交叉口的信息分发,提出了交叉口识别方法、交叉口处的中继节点确定机制,以及中继节点收到信息后立即转发策略。针对直行道路,设计了信息转发等待时延计算公式,当时延参数降为零时进行信息转发,最先转发信息的节点被定义为中继节点。该协议信息转发采用沿直行道路双向转发方式来降低数据传输时延。实验结果表明:在多种交通流密度下,该协议在转发节点率、覆盖率、网络开销和链路时延方面都优于现有的广播协议。
  再次,VANETs中车辆节点的高速移动导致网络拓扑结构快速变化,从而导致链路频繁断开。为了能够动态地预测链路连接时长,深入分析了影响链路持续时间的多个微观因素,包括车辆位置、车辆行驶方向、车速等。针对车辆在道路上直行的情况,考虑有交通灯影响的城市场景和无交通灯影响的高速公路场景,提出了链路持续时间动态预测模型。提出了相对速度服从正态分布并且给出了参数估计方法;模型通过使用相对速度分布参数作为因子实现对车辆速度变化的自适应;考虑了车辆同向和对向行驶场景,给出了相对距离的计算方法。针对交通灯对链路持续时间的影响,给出了两个跟驰状态的车辆遇上交通灯组合的概率模型,详细分析了两车遇上交通灯的每种场景下链路持续时间具体预测方法和可能误差。针对车辆模拟数据的提取和车速的异常处理分别采用了滑动窗口数据存取方法和指数平滑移动平均法,保障了较短时间范围内的数据准确获取,从而降低了由于实验手段所带来的预测误差。仿真结果表明,在交通流密度变化情况下,该模型对城市场景和高速公路场景下的链路持续时间预测效果都较好。
  最后,针对车辆转向对链路持续时间影响问题进行了深入研究,提出了预测模型。通过深入分析车辆转弯角度变化范围,采用了速度向量法对车辆速度进行分析。提出车辆相对速度值服从正态分布,对相对速度值分布提出了参数估计方法,在参数估计中有效地融入了车辆转向的角度,在模型中通过使用分布参数作为建模因子,从而具备对车速变化和车辆转向的自适应能力。提出计算一辆车以相对速度驶过的距离时也考虑了车辆的转向角度。因此,通过参与模型所有参数的计算,车辆转向角度间接地成为建模因子,从而模型预测能够有效解决车辆转向时链路持续时间预测问题。当分析交通灯对链路持续时间的影响时,采用第四章的概率分析法,但是其中的参数需要按照本章的分析思想计算。提出了指数平滑移动平均法和滑动窗口数据获取法进一步提升了预测的准确性。实验结果表明,针对车辆转向的链路持续时间,模型预测值与实际链路连接的时常偏差较小,预测准确性较高,足够支持道路安全信息分发。
作者: 王秀峰
专业: 计算机系统结构
导师: 崔刚
授予学位: 博士
授予学位单位: 哈尔滨工业大学
学位年度: 2015
正文语种: 中文
检索历史
应用推荐