將兩者有機(jī)地結(jié)合（在節(jié)點的平均轉(zhuǎn)發(fā)能力計算過程中，通過對有效連 接時間區(qū)間內(nèi)的吞吐量函數(shù)求積分從而得到節(jié)點轉(zhuǎn)發(fā)能力的估計值，因此可以將網(wǎng)絡(luò)的帶 寬和節(jié)點間的連接時間進(jìn)行結(jié)合），具有較好的數(shù)據(jù)轉(zhuǎn)發(fā)能力和擁塞規(guī)避能力，對數(shù)據(jù)丟包 率這一性能指標(biāo)有明顯地改善
【附圖說明】
[0034] 圖1是VDTNs網(wǎng)絡(luò)場景圖；
[0035] 圖2是節(jié)點轉(zhuǎn)發(fā)能力估計值計算的流程圖；
[0036] 圖3是本發(fā)明提出的車載容遲網(wǎng)絡(luò)路由算法的流程圖；
[0037] 圖4是車輛節(jié)點i和j的有效連接圖；
[0038] 圖5是小波神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)圖。
【具體實施方式】
[0039] 下面結(jié)合附圖和具體實施例對本發(fā)明作進(jìn)一步的說明
[0040] 圖1給出了本發(fā)明提出的方法在VDTNs網(wǎng)絡(luò)中應(yīng)用場景。車輛節(jié)點在遇到中繼節(jié) 點后，會將其攜帶的Bundle束消息發(fā)送給中繼節(jié)點。之后，中繼節(jié)點將其處理后發(fā)送給后 來的請求車輛節(jié)點。Bundle束消息包括車輛間交互的車輛位置坐標(biāo)、方向和移動速度、車輛 與中繼節(jié)點交互的車輛的歷史流量數(shù)據(jù)以及車輛間正常的流媒體數(shù)據(jù)；車輛的歷史流量數(shù) 據(jù)用于為車輛構(gòu)建流量模型并將其作為車輛節(jié)點的吞吐量函數(shù)；車輛間正常的流媒體數(shù)據(jù) 用于為用戶提供娛樂的信息，這兩部分是由車輛與中繼節(jié)點之間進(jìn)行交互。
[0041] 圖2是計算節(jié)點平均轉(zhuǎn)發(fā)能力估計值的流程圖，一方面根據(jù)車輛節(jié)點的運(yùn)動方向 和運(yùn)動速度估算出車輛節(jié)點的有效連接時間，另一方面根據(jù)車聯(lián)網(wǎng)的流量特征為車輛構(gòu) 建流量模型并擬合出車輛節(jié)點的吞吐量函數(shù)，最后，通過對有效連接時間區(qū)間內(nèi)的吞吐量 函數(shù)求積分得到節(jié)點平均轉(zhuǎn)發(fā)能力的估計值。相較現(xiàn)有僅考慮連接時間的算法，本發(fā)明的 算法將有效連接時間與節(jié)點傳輸帶寬（對應(yīng)于圖2中的右側(cè)分支）有機(jī)地結(jié)合，具有較好 的數(shù)據(jù)轉(zhuǎn)發(fā)能力和擁塞規(guī)避能力。
[0042] 下面針對圖2的內(nèi)容進(jìn)行詳細(xì)說明。
[0043] (1)估算車輛節(jié)點之間有效連接時間Ta
[0044] 節(jié)點間有效連接時間的估計是保障兩個車輛節(jié)點進(jìn)行正常通信的關(guān)鍵。為進(jìn)行車 輛節(jié)點之間有效連接時間的估計，節(jié)點可以通過GPS定位系統(tǒng)獲得車輛的坐標(biāo)，車輛節(jié)點 的運(yùn)動方向，運(yùn)動速度。那么，節(jié)點間的有效連接時間估計過程描述如下：
[0045] 步驟2. 1 :首先給出車輛節(jié)點在水平和垂直方向的速度和距離；
[0046] 步驟2. 2 :在At時間之后，兩車之間直線距離為r，根據(jù)歐幾里得距離可得公式標(biāo) 準(zhǔn)的一元二次方程式；
[0047] 步驟2. 3 :由一元二次方程的判別式定理，可以求得參數(shù)t，即有效連接時間1；的 估計值。
[0048] VDTNs中車輛節(jié)點會周期性地與鄰居節(jié)點交換節(jié)點的實時位置信息，其中包括節(jié) 點的位置坐標(biāo)、移動速度和方向角，因此車輛節(jié)點可以實時地獲取周邊車輛的信息，利用所 得公式估算出它與周邊鄰居節(jié)點的有效連接時間。
[0049] 具體計算的實施例如圖4所示，為車輛節(jié)點i和車輛節(jié)點j在進(jìn)行有效連接時間 Ta的估計。其中，車輛節(jié)點i和車輛節(jié)點j可以通過GPS定位系統(tǒng)獲得車輛的坐標(biāo)（X u yi) 和Ui，I)，車輛節(jié)點的運(yùn)動速度vJP v ，車輛節(jié)點i和j的運(yùn)動方向角Θ廊Θ 。那么， 節(jié)點間的有效連接時間Ta估計過程描述如下：
[0050] 1)首先計算出車輛節(jié)點在水平和垂直方向的速度和距離，如式（1)所示。
[0054] 其中，α與β表示車輛節(jié)點i和車輛節(jié)點j的速度分別在水平與垂直方向上的分 量差，μ與δ表示車輛節(jié)點i和車輛節(jié)點j所在位置分別在水平與垂直方向上的分量差。
[0055] 2)在Δ t時間之后，車輛節(jié)點i和車輛節(jié)點j之間直線距離為r，根據(jù)歐幾里得距 離可得公式（2)。由于IEEE 802. lip所定義的車輛之間的通信距離r的數(shù)值不超過300 米，因此將r定義為小于等于300米。
[0057] 將式（2)整理為標(biāo)準(zhǔn)的一元二次方程式，如（3)所示。
[0059] 3)由一元二次方程的判別式定理，可以求得參數(shù)At，At即為有效連接時間1；的 估計值，如式（4)所示。
[0061] (2)構(gòu)造車輛節(jié)點的吞吐量函數(shù)F(x)，計算車輛節(jié)點平均轉(zhuǎn)發(fā)能力估計值Enfc
[0062] 對于車輛節(jié)點的吞吐量函數(shù)構(gòu)造問題，需要涉及到車輛節(jié)點的歷史流量信息采 集、數(shù)據(jù)預(yù)處理以及采用相應(yīng)的預(yù)測模型進(jìn)行數(shù)據(jù)擬合，這個過程實質(zhì)上是一個在線采集 和離線分析構(gòu)造的過程。因此，假設(shè)車輛節(jié)點經(jīng)過中繼節(jié)點時，會把自身采集到的網(wǎng)絡(luò)流量 打包成Bundle束消息發(fā)送給中繼節(jié)點，而中繼節(jié)點則是一臺運(yùn)算能力很強(qiáng)的節(jié)點，由它來 實現(xiàn)車輛的吞吐量函數(shù)構(gòu)造及其平均轉(zhuǎn)發(fā)能力計算。那么，當(dāng)車輛節(jié)點需要選擇下一跳轉(zhuǎn) 發(fā)節(jié)點時，會首先和中繼節(jié)點進(jìn)行通信，從而獲得其鄰居節(jié)點的轉(zhuǎn)發(fā)能力，以便從中選擇最 優(yōu)的節(jié)點作為其下一跳數(shù)據(jù)轉(zhuǎn)發(fā)節(jié)點。若遇到VDTNs中沒有中繼節(jié)點的情況，比如，偏遠(yuǎn)的 鄉(xiāng)村、山地、沙漠等地貌，則由車輛節(jié)點之間相互交互協(xié)作從而完成這一過程。下面對車輛 的吞吐量構(gòu)造過程及其平均轉(zhuǎn)發(fā)能力計算過程進(jìn)行描述。
[0063] 本發(fā)明采用韓國首爾的WiBro網(wǎng)絡(luò)的多媒體數(shù)據(jù)集作為車聯(lián)網(wǎng)的吞吐量構(gòu)造的 數(shù)據(jù)集。之所以選用WiBro網(wǎng)絡(luò)是因為它與基于IEEE 802. lip的車聯(lián)網(wǎng)有很多相似的地 方，比如它們都屬于無線寬帶網(wǎng)絡(luò)，它們都是針對移動應(yīng)用而產(chǎn)生的，當(dāng)移動物體的運(yùn)動速 度在60~100km/h變化時，它們的上行平均帶寬可達(dá)6Mbps左右，下行帶寬可達(dá)1Mbps左 右。
[0064] 首先，假設(shè)這些采集到的多媒體數(shù)據(jù)流量的時間序列是{XJ，然后，通過業(yè)界經(jīng)典 的商業(yè)化數(shù)據(jù)統(tǒng)計軟件SAS來分析這組時間序列數(shù)據(jù)。分析的結(jié)果發(fā)現(xiàn)，所采集的數(shù)據(jù)是 一組具有高斯白噪聲的寬平穩(wěn)非線性時間序列。因此，常用的線性網(wǎng)絡(luò)流量預(yù)測模型，比如 回歸模型、ARIMA時間序列模型和卡爾曼濾波模型就不再適用于對上述流量特征的描述，無 法完成對車輛的吞吐量函數(shù)構(gòu)造。必須采用非線性流量預(yù)測模型，比如小波模型和神經(jīng)網(wǎng) 絡(luò)模型。小波分析是一種時頻局部化方法，時頻窗口的面積固定但形狀可變化，即在低頻部 分具有較高的頻率分辨率和較低的時間分辨率，在高頻部分具有較高的時間分辨率和較低 的頻率分辨率，所以被譽(yù)為"數(shù)學(xué)顯微鏡"。盡管小波理論可以有效地分析網(wǎng)絡(luò)流量中的自 相似性和多尺度性，但小波模型不具有實時性和遞歸性，因此，它無法實現(xiàn)在線的預(yù)測。神 經(jīng)網(wǎng)絡(luò)是一種具有高度非線性的系統(tǒng)，它具有高速處理信息的能力、具有處理不確定性信 息的能力以及很強(qiáng)的健壯性。但是，神經(jīng)網(wǎng)絡(luò)預(yù)測模型也有缺點，它的缺點就是學(xué)習(xí)速度太 慢，很容易陷入局部次優(yōu)點，無法得到最優(yōu)解。綜上所述，小波模型具有獨特的多分辨分析 能力，而人工神經(jīng)網(wǎng)絡(luò)具有很強(qiáng)的自學(xué)習(xí)自適應(yīng)和非線性逼近功能，若將小波模型和人工 神經(jīng)網(wǎng)絡(luò)相結(jié)合，必可以有效地改善神經(jīng)網(wǎng)絡(luò)求解容易陷入次優(yōu)的狀況，同時提高網(wǎng)絡(luò)流 量的預(yù)測精度。下面給出車輛節(jié)點平均轉(zhuǎn)發(fā)能力的計算流程：
[0065] 步驟4. 1 :根據(jù)車聯(lián)網(wǎng)歷史流量特征，構(gòu)建車輛流量模型；
[0066] 步驟4. 2 :由車輛流量模型擬合出車輛節(jié)點吞吐量函數(shù)F (X);
[0067] 步驟4. 3 :對中繼候選節(jié)點在有效連接時間區(qū)間[0, TJ內(nèi)的吞吐量函數(shù)求積分得 到節(jié)點平均轉(zhuǎn)發(fā)能力估計值enfc。
[0068] 計算車輛節(jié)點平均轉(zhuǎn)發(fā)能力估計值的具體實施例：
[0069] 本發(fā)明根據(jù)車聯(lián)網(wǎng)的歷史流量數(shù)據(jù)，構(gòu)建基于小波神經(jīng)網(wǎng)絡(luò)車輛流量預(yù)測模型， 以此擬合出所有中繼候選節(jié)點的吞吐量函數(shù)，這種方法可以直觀形象地反映出候選轉(zhuǎn)發(fā)節(jié) 點在未來的連接時間段內(nèi)的吞吐量。
[0070] 1)小波神經(jīng)網(wǎng)絡(luò)車輛流量預(yù)測模型的結(jié)構(gòu)選擇
[0071] 如圖5所示，本發(fā)明采用三層的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，即輸入層、隱含層和輸出層。選用 三層結(jié)構(gòu)是因為低于三層的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)無法逼近非線性函數(shù)曲線，只有層數(shù)大于等于3 時，才能更好地逼近非線性函數(shù)曲線，但隨著神經(jīng)網(wǎng)絡(luò)層數(shù)的增加必然會增加計算的開銷， 并增大計算時延。綜合考慮，選用三層的BP神經(jīng)網(wǎng)絡(luò)來構(gòu)造車輛吞吐量這一非線性函數(shù)。 和傳統(tǒng)三層神經(jīng)網(wǎng)絡(luò)不同的是，直接以小波函數(shù)代替常規(guī)神經(jīng)網(wǎng)絡(luò)的Sigmoid作為神經(jīng)網(wǎng) 絡(luò)的隱節(jié)點激勵函數(shù)，以小波的尺度和平移參數(shù)作為神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值參數(shù)，構(gòu)成一 個前饋型神經(jīng)網(wǎng)絡(luò)，該神經(jīng)網(wǎng)絡(luò)可以達(dá)到對任意信號函數(shù)的最佳逼近。
[0072] 在圖5中，輸入層中同時輸入p個時間序列值，隱含層包含η個神經(jīng)元，而輸出層 僅有1個神經(jīng)元，輸出為第k+Ι個時間序列的預(yù)測值。其中『表示從第m-1層的神經(jīng)元i 到第m層的神經(jīng)元j之間的權(quán)值，<丨表示第m層神經(jīng)元j的第k