基于阿波罗尼斯圆的车联网簇关联边界和簇间切换方法

摘要

本发明公开一种基于阿波罗尼斯圆的车联网簇关联边界和簇间切换方法，其步骤为：1)车辆信息采集系统实时采集相关车辆、相邻簇头车辆的行驶状态和车流分簇信息；2)依据所采集到的最新行驶状态信息，采用阿波罗尼斯圆进行簇间切换和簇关联边界的建模；3)依据车辆当前的行驶状态信息，利用通过基于阿波罗尼斯圆的车联网簇间切换和簇关联边界方法，推导出的簇关联边界建模函数，实时判断是否应为该车辆执行切换。若簇关联边界函数关系式成立，则将该车辆切换至其前方簇头中。若簇关联边界函数关系式不成立，则不为该车辆执行切换。本发明具有原理新颖、适用范围广、和可靠性好等优点。

说明书

技术领域

本发明主要涉及车联网通信领域，尤其涉及一种基于阿波罗尼斯圆的车联网簇关联边界和簇间切换方法。

背景技术

最近这几十年，智能交通系统ITS(Intelligent Transport System)非常火热，可以说，它是未来交通系统的发展方向，而利用多源数据、数据融合等算法达到系统的最佳性能，这是目前ITS应用研究的一个趋势。在城市道路中，车辆与车辆之间形成车联网(IoV)，是智能交通中非常重要的一部分。而车间通信的持续性可以通过车联网簇间切换完成。由于车辆高速行驶且车间通信范围有限，容易造成车联网拓扑连接中断。同时，车联网簇间切换是个十分复杂的过程，如何方便直观的刻画切换模型及设计简单高效、实用性强的切换方法是个问题。基于此，构建便于分析的车联网簇间切换模型并研究出快速高效、稳定性和实用性好的车联网簇间切换方法是很有必要的。

发明内容

本发明基于阿波罗尼斯圆的车联网簇关联边界和簇间切换方法，利用车载单元OBU(On board Unit)和车载通信模块以及距离传感器等，在对路面车辆进行分簇管理(Clustering)的基础上，通过周期性的采集当前车辆、簇头车辆(Cluster Head,CH)和相邻车辆分簇的行驶状态信息，基于阿波罗尼斯圆的算法进行数据融合和建模，最终获得准确的切换判决信息。

为解决上述技术问题，本发明提出的技术方案为：

一种基于阿波罗尼斯圆的车联网簇关联边界和簇间切换方法，其特征在于，包括以下步骤：

S1：车辆信息采集系统实时采集相关车辆的行驶状态和车辆分簇(Clustering)信息；

S2：依据车辆行驶状态信息，采用阿波罗尼斯圆构建车联网簇间切换和簇关联边界模型，进行数据融合和建模，推导出车辆簇间切换的距离门限公式；

S3：基于上述所推导的车辆簇间切换距离门限公式并利用实时数据，计算出车辆与其关联簇头之间的切换距离门限数值。如果车辆信息采集系统实时采集到的车辆与其关联簇头的当前间距大于该切换距离门限数值，则系统为该车辆执行切换；否则，系统不为该车辆执行 切换。

进一步的，所述车辆信息采集系统为车载单元OBU、通信模块及其相关距离传感器。

进一步的，所述步骤S1中采集车辆的行驶状态和车辆分簇信息，包括簇头车辆(CH)的选定，相邻CH的信号传输功率，车辆与相邻CH的距离，车辆的行驶速度、相邻CH之间的距离及系统后台所配置的切换迟滞和切换时间。

进一步的，所述步骤S2为利用滑动数据窗口，依据最新行驶状态信息，采用阿波罗尼斯圆算法进行数据融合和建模，包括建立切换迟滞、切换时间及路径损耗模型，推导出当前车辆V₁与关联簇头车辆CH₁的切换距离门限公式。参考说明书附录中的图2，具体包括以下步骤：

S21：定义当前车辆V₁收到相邻车辆分簇的簇头CH₁和CH₂的信号接收功率分别为：

$P_{r,H1}=P_{H1}·{\chi }_{H1}·d_{V,H_1}^{-\alpha }---\left(1\right)$

$P_{r,H2}=P_{H2}·{\chi }_{H2}·d_{V,H_2}^{-\beta }---\left(2\right)$

其中，P_H1和P_H2分别表示相邻车辆分簇的簇头C_H1和C_H2的信号发射功率，X_H1和X_H2分别表示CH₁和CH₂的阴影衰落因子，d_V,H1和d_V,H2分别是车辆V₁和CH₁与CH₂的实时间距，α和β分别是相邻分簇CH₁和CH₂的路径损耗指数。当前时刻V₁仍属于CH₁所在的分簇，需要对切换条件进行判断。

S22：根据簇间切换条件(dB形式)：

RSRP_r，CH2≥RSRP_r，CH1+H(3)

其中，RSRP_r,CH1是车辆对当前簇头CH₁的参考信号接收功率，RSRP_r,CH2是车辆对CH₂的参考信号接收功率，H是切换迟滞。

将上述公式(3)转换为功率(W形式)：

$\frac{P_{r,H2}}{P_{r,H1}·H}\ge 1---\left(4\right)$

根据S21中关于接收功率的表达式，可将S22公式推导得出：

$\frac{P_{H2}{\chi }_{H2}{d}_{V,H2}^{-\beta }}{P_{H2}{\chi }_{H1}{d}_{V,H1}^{-\alpha }H}\ge 1---\left(5\right)$

而根据阿波罗尼斯圆的特性，将CH₁和CH₂视为阿波罗尼斯圆的两个焦点，d_V,H1和d_V,H2有如下关系：

d_V,H2＝d_V,H1k_A,k_A≠1(6)>A是阿波罗尼斯圆比值，参照说明书附图中图2，根据公式(6)，车辆V₁所在的虚线圆轨迹实质上是根据阿波罗尼斯圆特性推导得出的簇关联边界。

结合公式(5)和(6)，替换d_V,H2并继续化简可得出：

$d_{V,H1}\ge {\left(\frac{P_{H1}{\chi }_{H1}{k}_{A}H}{P_{H2}{\chi }_{H2}}\right)}^{\frac{1}{\alpha -\beta }}---\left(7\right)$

则切换距离门限：

$d_{th\_HO}={\left(\frac{P_{H1}{\chi }_{H1}{k}_{A}H}{P_{H2}{\chi }_{H2}}\right)}^{\frac{1}{\alpha -\beta }}---\left(8\right)$

S23：在切换过程中，车辆所行进的距离：

R_H1-x_H＝v_t(TTT+T₀)(9)

其中，R_H1表示CH₁的覆盖半径，x_H是阿波罗尼斯圆边界(图2中虚线)在水平轴上到CH₁的距离，v_t是车辆行驶速度，TTT是切换触发时间，T₀是切换执行时间。

而k_A还可以表示为：

$k_A=\frac{d_{H1,H2}}{x_H}-1---\left(10\right)$

其中，d_H1,H2是相邻簇头CH₁和CH₂的距离。利用公式(10)替换x_H：

$k_A=\frac{d_{H1,H2}}{R_{H1}-v_t(TTT+T_0)}-1---\left(11\right)$

S24：将k_A代入d_{th_HO}的表达式、即公式(8)中并化简，就得出了由所采集数据所定义的切换距离门限公式：

$d_{th\_HO}={\left(\frac{P_{H1}{\chi }_{H1}H}{P_{H2}{\chi }_{H2}}\right)}^{\frac{1}{\alpha -\beta }}{(\frac{d_{H1,H2}}{R_{H1}-v_t·(TTT+T_0)}-1)}^{\frac{\beta }{\alpha -\beta }}---\left(12\right)$

进一步的，所述步骤S3的判断方法为：利用所采集的数据计算实时切换距离门限数值，若簇关联边界函数关系式成立，则为该车辆执行切换，否则不执行切换；

其中，簇关联边界函数关系式如下：

d_V，H1≥d_{th_HO}，执行切换；

d_V，H1＜d_{th_HO}，不执行切换。

以上方法可简述为：

S1：车载设备实时采集相关车辆行驶状态信息和车辆分簇(Clustering)信息；

S2：利用滑动数据窗口，依据最新行驶状态信息，采用阿波罗尼斯圆算法进行数据融合和建模，推导出当前车辆与其关联簇头的切换距离门限公式；

S3：获得车辆与其关联簇头的当前间距，根据S2所推导出的公式计算出车辆与其关联簇头的切换距离门限数值，对比二者，判断是否为该车辆执行切换。

与现有技术相比，本发明的优点在于：

本发明提供的基于阿波罗尼斯圆的车联网簇关联边界和簇间切换方法，使用车载单元OBU系统进行数据搜集，并将车辆行驶状态信息进行数据融合，最终获得准确性高的簇间切换信息。该方法能实现车辆簇间接力切换，为车与车之间的智能交通系统应用提供可靠性、实用性和精确度较高的切换判决信息。相较于传统的车辆簇间切换方法，本发明提供的方法建模相对容易、方法简单高效、也保证了较高的精确度，同时所需时延较短，保证了方法的实时性，很好地满足了一些智能交通系统相关应用的需求。

附图说明

图1为本发明中基于阿波罗尼斯圆的车联网簇关联边界和簇间切换方法流程示意图；

图2为本发明中基于阿波罗尼斯圆的车联网簇关联边界和簇间切换方法的模型图；

图3为本发明中基于阿波罗尼斯圆的车联网簇关联边界和簇间切换方法实现流程图；

具体实施方式

以下结合说明书附图对本发明作进一步描述，但并不因此而限制本发明的保护范围。

如图3所示，本实施例中基于阿波罗尼斯圆的车联网簇关联边界和簇间切换方法，步骤为：

(1)利用车载单元OBU实时采集车辆的行驶状态信息，包括相邻簇头车辆的信号传输功率及二者的间距、车辆与其当前关联簇头的间距及车辆自身行驶速度；

(2)利用滑动数据窗口，依据最新行驶状态信息，采用阿波罗尼斯圆算法进行数据融合和建模，包括切换迟滞、切换时间及路径损耗模型，推导出切换距离门限公式；

(3)计算出车辆与其所在簇的距离门限d_{th_HO}，将其作为是否车辆是否切换的判决因素。>V,H1大于该距离门限d_{th_HO}，则执行切换；否则，不执行切换。

基于阿波罗尼斯圆的车联网簇关联边界和簇间切换方法的模型如图2所示，行车方向为自左向右，区域①为簇头CH₁的覆盖范围，区域②表示簇关联区域。CH₂表示行驶方向上的前方簇头，也是当前车辆V₁可能的切换目标。借助阿波罗尼斯圆(偏心圆)来分析：

定义当前车辆V₁收到相邻车辆分簇的簇头CH₁和CH₂的信号接收功率分别为：

$P_{r,H1}=P_{H1}·{\chi }_{H1}·d_{V,H_1}^{-\alpha }$

$P_{r,H2}=P_{H2}·{\chi }_{H2}·d_{V,H_2}^{-\beta }$

其中，P_H1和P_H2分别表示相邻车辆分簇的簇头C_H1和C_H2的信号发射功率，χ_H1和X_H2分别表示C_H1和C_H2的阴影衰落因子，d_V,_H1和d_V，H2分别是车辆V₁和CH₁与CH₂的实时间距，α和β分别是相邻分簇CH₁和CH₂的路径损耗指数。当前时刻V₁仍属于CH₁所在的分簇，需要对切换条件进行判断。

根据簇间切换条件(dB形式)：

RSRP_r,CH2≥RSRP_r,CH1+H

其中，RSRP_r,CH1是车辆对当前簇头CH₁的参考信号接收功率，RSRP_r,CH2是车辆对CH₂的参考信号接收功率，H是切换迟滞参数。

将上述公式转换为功率(W形式)：

$\frac{P_{r,H2}}{P_{r,H1}·H}\ge 1$

进一步可表示为：

$\frac{P_{H2}{\chi }_{H2}{d}_{V,H2}^{-\beta }}{P_{H2}{\chi }_{H1}{d}_{V,H1}^{-\alpha }H}\ge 1$

而根据阿波罗尼斯圆的特性，d_V,H1和d_V,H2有如下关系：

d_V,H2＝d_V,H1k_A,k_A≠1

其中，k_A是阿波罗尼斯圆比值。

替换d_V,H2并继续化简：

$d_{V,H1}\ge {\left(\frac{P_{H1}{\chi }_{H1}{k}_{A}H}{P_{H2}{\chi }_{H2}}\right)}^{\frac{1}{\alpha -\beta }}$

则切换距离门限：

$d_{th\_HO}={\left(\frac{P_{H1}{\chi }_{H1}{k}_{A}H}{P_{H2}{\chi }_{H2}}\right)}^{\frac{1}{\alpha -\beta }}$

在切换过程中，车辆所行进的距离：

R_H1-x_H＝v_t(TTT+T₀)

其中，R_H1表示CH₁的覆盖半径，x_H是阿波罗尼斯圆边界在水平轴上到簇头CH₁的距离，v_t是车辆行驶速度，TTT是切换触发时间，T₀是切换执行时间。注意到k_A还可以表示为：

$k_A=\frac{d_{H1,H2}}{x_H}-1$

其中，d_H1,H2表示相邻簇头CH₁和CH₂的距离。

替换x_H：

$k_A=\frac{d_{H1,H2}}{R_{H1}-v_t(TTT+T_0)}-1$

将k_A代入d_{th_HO}中并化简，就得出了由所采集数据所定义的切换距离门限表达式：

$d_{th\_HO}={\left(\frac{P_{H1}{\chi }_{H1}H}{P_{H2}{\chi }_{H2}}\right)}^{\frac{1}{\alpha -\beta }}{(\frac{d_{H1,H2}}{R_{H1}-v_t·(TTT+T_0)}-1)}^{\frac{\beta }{\alpha -\beta }};$

进一步的，判断方法：利用所采集的数据计算实时切换距离门限数值，若簇关联边界函数关系式成立，则为该车辆执行切换，否则不执行切换；

因此，簇关联边界函数关系式如下：

d_V，H1＞d_{th_HO}，执行切换；

_dV，H1＜d_{th_HO}，不执行切换。

上述是本发明的具体内容，并非对本发明作任何形式上的限制。任何熟悉本领域的技术 人员，在不脱离本发明技术方案范围的情况下，都可利用上述揭示的技术内容对本发明技术方案做出许多可能的变动和修饰，或修改为等同变化的等效实施例。因此，凡是未脱离本发明技术方案的内容，依据本发明技术实质对本发明及其实施例所做的任何简单修改、等同变化及修饰，均应落在本发明技术方案保护的范围内。