城市車聯網V2V鏈路時延動態預測

王秀峰 崔 剛 王春萌

(哈爾濱工業大學計算機科學與技術學院 哈爾濱 150001)

城市車聯網V2V鏈路時延動態預測

王秀峰 崔 剛 王春萌

(哈爾濱工業大學計算機科學與技術學院 哈爾濱 150001)

(wxf@hit.edu.cn)

鏈路時延是決定車聯網(vehicular ad hoc networks, VANETs)許多網絡性能的重要標準.現存的VANETs基于節點移動性解決鏈路時延的問題，但是都沒有預測的功能，不適合實際VANETs中動態預測車-車(vehicle to vehicle, V2V)鏈路時延.提出動態預測任意2車鏈路時延的數學模型DPLD，考慮2車相對速度分布、相對距離變化、交通密度和城市場景中交通燈因素對2車之間鏈路時延的影響，因為這些因素在鏈路連接過程中是變化的.通過考慮相對速度的分布，模型能夠實時地調整原則自適應車速變化.通過自動調整2車之間相對距離計算方法，DPLD模型能夠自適應2車間相對距離的變化.因此該模型能夠有效地預測預期要發生的2車之間的鏈路時延.這個模型實現取決于相對速度分布參數的估計方法、指數移動平均法對車速異常處理以及交通燈對鏈路時延影響的概率建模并且詳細給出2車遇到不同交通燈的具體鏈路時延預測方法.仿真結果表明:DPLD模型預測的城市環境的2車之間鏈路時延準確性很高.

車聯網;鏈路時延;交通密度;預測模型;車-車

車聯網(vehicular ad hoc networks, VANETs)承諾為駕乘人員提供安全和娛樂信息服務，保證道路交通的安全性、增強交通系統運行的可靠性、提高交通系統的運行效率.這種安全應用要求V2V數據實時、可靠、低延遲地傳輸，數據通信需要一段完整的鏈路時延.因此鏈路時延成為衡量網絡性能的關鍵屬性，也是多跳信息傳輸選擇中繼節點的重要依據之一.

關于網絡性能的鏈路時延問題在DTN(delay tolerant networks)和MANET (mobile ad hoc networks)中研究較多[1-2].基于移動性模型RWP(random waypoint models)[3],RW(random walk)[4],RPGM(reference point group mobility),RVGM (reference velocity group mobility model)[5-6]，文獻[7]研究節點移動性對鏈路時延的影響.節點移動性的因素包括節點的速度、2節點之間的距離和節點的移動方向等對鏈路時延有較大的影響;文獻[8-9]基于移動性提出鏈路時延能夠有效地用指數分布近似.假設節點移動遵循RWP模型;文獻[10]提出移動投影軌跡算法估計剩余鏈路壽命(residual link lifetime, RLL);文獻[11]使用鏈路已經連接多久作為參數估計鏈路剩余的時間，提出鏈路剩余壽命和2節點的相對速度相關;文獻[12]使用卡爾曼濾波法(unscented Kalman filter, UKF)提出一個新的RLL-預測算法預測鏈路壽命.但是這些在移動自組網里解決鏈路壽命預測的方法不能用在VANETs中，因為VANETs中的車輛移動性不遵循MANET中移動性模型.

為了給VANETs中鏈路時延建模，文獻[13-14]提出2個分析性的研究框架.不過城市場景VAENTs中鏈路時延建模受多種因素的影響，包括車間距離的變化、車速、汽車在道路交叉口的轉向、交通燈變化、汽車的行駛方向等因素.研究資料表明車速服從正態分布,因此，我們建模考慮相對速度的分布而不是某一車輛的瞬時速度.

現存的研究鏈路時延方法考慮的因素包括節點的位置、速度、距離、運動方向、速度之間的夾角、交通燈的變化，但沒有預測功能，只是計算鏈路已經連接多久.而本文提出動態預測鏈路時延(dynamically predict link duration, DPLD)模型能夠實時地預測城市場景VANETs中2車的鏈路時延.建立DPLD模型主要考慮節點的位置、相對速度的分布、節點運動方向、2車之間的距離變化、無線信號傳輸范圍、交通燈變化對鏈路時延的影響，并且分析車輛速度變化對鏈路時延造成的影響.

1 相關工作

目前VANETs中有一些研究鏈路時延的成果，Nekovee在文獻[15]中假設車間的相對距離是恒定的，并且忽略汽車的移動性模型研究鏈路時延的概率.然后假設汽車的速度服從正態分布擴展這個研究[16].在文獻[17]中Yan等人提出指數分布是VANETs中鏈路時延很好的近似.

目前，對VANETs的鏈路時延或連接性的研究針對某一特定的場景.文獻[18]提出1維高速公路場景中的鏈路時延;Boban等人在文獻[19]中研究高速公路場景和城市場景的單播通信的連接性時延,由于城市道路的網絡拓撲結構和交通燈影響，這些鏈路時延的分析模型不能被擴展為城市場景所需要的;文獻[20]研究上海城市汽車網絡(Shanghai urban vehicular network, SUVnet)軌跡數據的特點，并且研究網絡的拓撲結構、連接性和城市汽車網絡的性能.這些研究是通過真實的城市汽車環境完成的;Artimy等人[21]研究在2維城市場景中的網絡連接性，并且在道路中間設置交叉口;在文獻[22]中，Taleb等人根據增加鏈路時延和減少鏈路斷開事件提出一種新的路由策略，支持汽車網絡的智能交通系統服務，不過并沒有給出分析模型.Viriyasitavat等人基于元胞自動機模型(cellular automata model)提出一個復雜的城市VANETs網絡連接性的分析框架[23],考慮車輛轉向頻率和交通燈2種因素，并且認為2輛連續行駛的汽車遇上交通燈組合事實是獨立的，這與實際情況不相符;Hu等人在文獻[24]中通過考慮車間距離、車速、在交叉口的轉向頻率和交通燈因素提出一個具體的基于過程的Markov鏈模型，但是假設車輛密度和車輛速度是恒定的，這是不符合事實的.

從目前的文獻研究表明，本文是唯一一篇采用2車相對速度的分布、2車間動態變化的距離并且考慮交通燈變化對鏈路時延的影響而建立實時預測鏈路時延的數學模型.本文提出的DPLD模型適合城市場景中直行的任意2車鏈路時延的預測.

2 DPLD模型詳細設計

2.1 車輛在道路上行駛

本文只是分析汽車在道路上直行的同向行駛和對向行駛2種狀況.圖1給出汽車在城市環境中的4車道雙向行駛的狀況.

Fig. 1 Vehicles travel on the road圖1 汽車在城市道路行駛

2.2 鏈路時延模型需要解決的問題

為了實時地預測2車鏈路能連接多久，一個鏈路時延模型必須克服2個挑戰： 1)能夠動態地調整以適應車速的變化；2)能夠解決交通燈變化對鏈路時延的影響.為了解決挑戰1，我們提出采用2車相對速度的分布而不是某一輛汽車的瞬時速度來估計2車間預期要發生的鏈路時延.對于挑戰2，我們為汽車到達交叉口遇上紅燈或綠燈采用概率建模，然后具體考慮車輛遇上紅燈或綠燈的情況而計算鏈路時延.

2.3 相對速度的分布

車輛在路上變速行駛，通過對車輛行駛軌跡的分析以及對以往資料研究表明，路上行駛車輛的速度服從正態分布[16]，其實是指速度的值服從正態分布，因為速度是矢量，即有值也有方向.假定一輛汽車的速度v是一個隨機變量，那么|v|～N(u,σ2)，概率密度函數為

(1)

(2)

由此衍生出u和σ2服從最大似然估計.

(3)

采用樣本方差s2估計σ2，因為樣本方差是方差的無偏估計[27]，方差為

(4)

為了減小預測誤差，我們采用滑動窗口機制存取數據，每一次預測只記錄最近10 s內的1輛汽車的速度樣本估計u和σ.

2.4 鏈路時延預測模型DPLD

我們把任意2車之間的鏈路時延看作1個隨機變量T，T的主要分布取決于3個因素：1)2車的相對速度;2)2車之間的初始距離;3)2車相對的移動方向.因為這些因素在2車鏈路連接過程中是變化的，因此DPLD模型需要實時調整原則才能獲得更精確的預測結果.

為了確定T的分布，我們首先介紹相對速度駛過的距離L的計算方法.假設2車同向行駛，如果后面跟隨的車速比前面的大，則L=R+d，d為初始距離，R是通信范圍；否則L=R-d.當2車對向行駛，如果它們之間的距離逐漸增大，則L=R-d，否則L=R+d.在鏈路連接過程中，相對速度駛過的距離是變化的.

我們給出隨機變量T的分布函數:

(5)

2邊求導得到的T的概率密度函數為

因為相對速度|v|服從正態分布，式(6)可以寫成式(7)：

(7)

其中u和σ是相對速度分布的平均值和標準差.因此，預期的鏈路時延能夠計算為

Fig. 2 Traffic lights change impact on link duration圖2 交通燈的變化對鏈路時延的影響

(8)

因為相對速度服從正態分布，所以99.9%的相對速度值都在[u-4σ,u+4σ]區間內.所以最小相對速度和最大的相對速度最可能的取值分別為u-4σ和u+4σ，因此定積分的區間縮小為[L/(u+4σ),L/(u-4σ)]，所以預期的鏈路時延計算為

(9)

2.5 交通燈變化對鏈路時延的影響

在2.4節，我們假定汽車在路上自由地行駛，不考慮交通燈的影響.因為不可能確切地知道一輛汽車在它原始的方向繼續前行或者停下來，我們使用概率為汽車遇上紅燈或綠燈的機會建模.

雖然現存的一些研究成果考慮交通燈的影響，這些研究成果大多簡單地認為2輛跟隨行駛的汽車遇上的交通燈是獨立的[25]，這與實際不相符.不同的是在DPLD模型里，我們認為這些事件不是獨立的，這樣使DPLD模型更有實際意義.

考慮實際獨立的駕駛行為，2輛車在交通燈前的移動實際上是獨立的，2輛緊跟著行駛的車輛遇上交通燈組合的事實是相關的[25].換句話說，第2輛車遇上的交通燈高度依賴于第1輛車遇上的交通燈.這個現象已經在文獻[25]中建模.車輛n1和車輛n2遇上紅燈的概率為

Pr{n1(r)}Pr{n2(r)|n1(r)},

(10)

r代表紅燈,條件概率Pr{n2(r)|n1(r)}能夠用相對速度和2輛車的相對距離計算：

Pr{n2(r)|n1(r)}=Pr{(tr-t1)≥L/u12},

(11)

其中，L是n1到達交叉口時車間距離，L/μ12為汽車n2到達交叉口所用的時間，tr為紅燈信號結束的時間，t1為汽車n1到達交叉口的時間，因此tr-t1是n1到達交叉口后紅燈信號的剩余時間.

這個概率不是一個常量，它取決于n1到達交叉口的時間，假定2輛連續行駛的汽車遇上交通燈的組合事實是相關的，我們分別給出鏈路時延的具體計算方法.

當車輛n1和車輛n2到達交叉口時，車輛的運動也許極大地受到交叉口處交通燈變化的影響，如圖2所示，如果車輛n1遇上綠燈，也許繼續前進，如果在紅燈期間，它會停在交叉口.類似狀況車輛n2也許會發生.即使我們知道1輛汽車將會遇上哪一種類型交通燈比如紅燈，也不可能知道它將會因為這個信號停多久.

幸運地是我們發現車輛n1和車輛n2到達交叉口的時間是可計算的值.基于t1和t2時間差，我們能夠為1輛汽車遇上的交通信號和多久用概率建模，如圖2所示，我們假設原點為交叉口，車輛n1和車輛n2都向交叉口駛去，d為2車之間的初始距離，L1為車輛n1距交叉口的距離.車輛n1遇上交通燈的時延E(t1)可以用式(9)計算，用L1代替L.u,σ是車輛n1速度的平均值和均方差.E(t2)也一樣計算.

如圖3所示假定車輛n1和車輛n2到達交叉口的時間差，我們能夠構建一個帶有汽車的“啞鈴”，汽車就像2個球，啞鈴條長為t2-t1，啞鈴隨意地放在由可選擇的代表紅綠燈時間長度的條形塊構成的條形圖上，條形圖代表紅綠燈交通信號周期.因為啞鈴在圖3上的位置服從均勻分布，每一個位置的概率為

(12)

其中，tg和tr是紅燈和綠燈的信號時間，對于啞鈴被放置每一個可能位置，一輛汽車將面對的信號燈類型和長度是確定的.為了計算1個特定場景的預期鏈路時延，我們需要參考圖2.

Fig. 3 Vehicles waiting time before traffic light圖3 車輛在交通燈前面等待的時間

我們假定車輛n1和車輛n2位于交叉口的同一側，車輛n1和車輛n2同向行駛，車輛n1在車輛n2的前面，這意味著平均速度μ1比μ2大.在圖2(a)中，2輛車都遇上綠燈行駛過交叉口并且在交叉口不停，則式(9)中L=R-d，預期的鏈路斷開時間可計算.

在圖2(b)的第2種情況中，車輛n2在紅燈前面停下然后駛過交叉口，鏈路可能斷開的時間段分別為(0,t21),(t21,t22),(t22,∞)，如果鏈路在(0,t21)時間段內斷開，在式(9)中我們使用L=R-d來計算預期的鏈路鏈路時延.如果鏈路斷開發生在(t21,t22)，在式(9)中相對速度v被更新為v1并且L=R-d′;否則，鏈路在t22后斷開，我們在式(9)中使用L=R-d″計算鏈路斷開的時間.

對于第3種情況如圖2(c)所示，車輛n1遇上紅燈在交叉口處停下，然后駛過交叉口，我們首先要確定鏈路斷開發生在(0,t11)還是(t12,∞).對于情況1，式(9)中的L=R-d;對于情況2，L=R-d′.

對于情況4如圖2(d)所示，比其他3種情況更復雜，2輛車都遇上紅燈在交叉口停下幾秒鐘后駛過交叉口，鏈路斷開的時間段有可能為(0,t11),(t12,t21),(t21,t22), (t22,∞).如果鏈路在某一時間段斷開，比如在t22后，相對速度和相對距離應該被相應地更新.

我們只討論車輛n1和車輛n2在交叉口一側的例子，2輛車有可能在交叉口的兩側，車輛n1和車輛n2也許對向行駛，車輛n1在車輛n2的后面并且μ1<μ2，對于這些不同的情況，類似的方法仍然可以使用計算鏈路時延.由于篇幅所限，本文不再給出詳細的討論.

3 鏈路時延預測過程

基于第2節建立的鏈路時延預測模型DPLD，任意一輛車均可以預測與其傳輸范圍內所有車輛的鏈路時延.

在某一時刻，假設車輛ni和車輛nj之間的鏈路是連接的，基于2輛車的速度vi,vj的分布及2輛車之間的相對距離，2車的鏈路時延能夠計算.每輛車存取數據的滑動窗口大小為10，車輛nj存儲最近10 s內的速度樣本{vj1,vj2,…,vj10}.這10個速度樣本將在下一個信標周期內廣播給車輛nj傳輸范圍內所有汽車.因為車輛ni在車輛nj的傳輸范圍內，所以它將收到這些樣本.和自己的速度對比，車輛ni能夠計算2車的相對速度{v1,v2,…,v10}，vl=vi l-vjl,l=1,2,…,10.根據{v1,v2,…,v10}，車輛ni和車輛nj相對速度的分布能夠通過式(3)(4)估計，在每一次信標信息內包含汽車的位置信息，車輛ni和車輛nj初始相對距離Li j能夠計算.用ui j,σi j,Li j代替式(9)中的u,σ,L，車輛ni和車輛nj之間的預期鏈路時延能夠計算得到.

3.1 車速的異常處理

一輛汽車可能因為前面的車速而突然剎車，車速急劇下降，或者因為突然超車而車速突然增加，這樣相對速度的突然變化會導致鏈路時延預測結果較大的變化，為了避免這樣的問題，我們采用EMA(exponential moving average)方法預先處理速度的變化：

Vl=α×vl+(1-α)×Vl-1,

(13)

其中，Vl,vl是在時刻l處理的速度和瞬時速度.因為Vl是從時刻0～l的速度樣本的線性組合，并且v0～vl服從正態分布，所以Vl仍然服從正態分布，換句話說，DPLD模型可以應用于通過EMA法處理過的速度樣本.

3.2 鏈路時延預測流程

預測車輛ni和車輛nj的鏈路時延的流程如圖4所示：

Fig. 4 Flow of ni predicting link duration圖4 車輛ni預測鏈路時延流程

當節點ni收到一個來自節點nj信標信息時，首先檢查節點nj是否和它同向行駛，如果是則平均相對速度是ui-uj，否則為ui+uj.在一些特殊情況下，ui-uj和ui+uj值非常小，比如2車行駛狀態非常接近，這時交通密度可能是密集型的，所以2車處于跟馳狀態，此時預測鏈路時延意義不大，這時我們采取暫時不預測而是保留上次預測的值，這個相對的平均速度ut的閾值設置為1 m/s.

對于該模型預測鏈路時延的時間復雜度而言，由于本文采用的是主節點把信標信息分發給所有的鄰居節點，每個鄰居節點分別采用DPLD模型計算自己和主節點的鏈路時延，由于定積分的概念為矩形面積的累加，所以每個節點在計算鏈路時延的過程是矩形面積累加過程，因此每個節點預測鏈路時延的時間復雜度為線性的.

4 DPLD性能分析

因為汽車的移動性模型在VANETs中是影響DPLD模型精確性重要因素，我們通過VanetMobisim產生汽車運動軌跡[26]， VanetMobiSim從微觀和宏觀層面描述真實的汽車移動性并且支持交通燈、換道和速度變化的規則.

預測城市場景中2車鏈路時延是一個具有挑戰性的問題，因為很難預測1輛汽車將會遇上哪種類型的信號燈.為了模擬一個簡單的城市場景，我們在VanetMobiSim模擬器中配置模擬場景，在長2 000 m的路上放置70輛汽車，交通流的密度是變化的.在路的中間設置交叉口，4車道、雙向車流，交通燈周期為72 s,紅燈和綠燈各36 s，汽車的最大速度為14 m/s,最小速度為5 m/s,加速和減速因子為3 m/s2,無線通信半徑為250 m，模擬時間為500 s.基于節點的移動方向，汽車對被分成2類：1)2車同向行駛;2)2車對向行駛.

1) 2車同向行駛的鏈路時延預測

圖5給出隨機抽取的一對節點預測時延和模擬時延比較，這對節點在城市場景中同向行駛.為了進一步分析預測誤差，我們定義了預測誤差.

Fig. 5 Link duration for a pair of nodes圖5 一對節點的鏈路時延

定義1. 預測誤差是指模型預測的鏈路時延與真實的鏈路時延差占真實的鏈路時延的百分比.

從圖5可以看出：預測誤差隨著模擬時間的增加變小.當2輛車在第1秒開始連接時，預測誤差大約20%.這是因為2車的相對距離和速度在[0,25]期間戲劇性地變化，還有交通燈的影響.當時間在25 s后，預測結果的不確定性減小，因此預測誤差也減少.

為了理解圖5的數據波動，我們進一步給出節點的平均速度以及相對速度的平均速度，如圖6所示，第1輛車n1以相對穩定的速度行駛，第2輛車n2以0 m/s的速度開始(停在了交通燈前面)，然后以大約12 m/s的速度線性地增加.結果導致2車之間的相對速度在3個階段不同的變化：[0,15),[15,25),[25,45).在[0,11)期間，車輛n2停在交通燈前面，車輛n1朝向車輛n2行駛，這樣，它們的相對距離降低.在這種情況下，式(9)中的預測距離R+d，在第11秒時，汽車n2開始移動并且2車之間相對距離慢慢地增加.因為我們不知道車輛n1將會遇到的交通燈信號類型，預期的鏈路時延在第14秒突然下降.從15～21 s，車輛n1和車輛n2之間的相對距離持續減小，在22 s后，車輛n2的速度變得比車輛n1的速度快，車輛n1和車輛n2之間的距離又開始增加，在這種情況下，式(9)中的預測距離將被設置為R-d.在第25秒后，因為L的計算方法不需要再改變，并且相對速度變得平穩，因此預測誤差變得很小.

Fig. 6 u1,u2,u1-u2 of vehicle n1, n2 in same direction圖6 同向車輛n1,n2分別的速度u1,u2及u1-u2

從以上分析，我們能夠看出汽車速度的穩定性對于DLDP準確性是很重要的.正如圖7所示.

Fig. 7 σ1,σ2,σ1-σ2 of vehicle n1, n2 in same direction圖7 同向車輛n1,n2分別的速度標準差σ1,σ2及σ1-σ2

車輛n2的速度巨大變化導致預測結果的巨大誤差.我們也給出所有預測結果的誤差概率分布函數如圖8所示，我們發現大約60%的預測誤差小于20%.

Fig. 8 Probability of prediction error圖8 預測誤差的概率

Fig. 9 Mean prediction error of 10 pairs of nodes圖9 10對節點鏈路時延的平均預測誤差

為了分析DPLD預測城市場景中同向行駛節點鏈路時延的準確性，我們又隨機抽取9對節點，與上面分析的1對一起給出圖9所示的預測誤差總體分析條形圖.從圖9可以看出,大多數平均預測誤差大約為20%.有1對節點預測結果的誤差大于50%，這主要是因為2個理由：①在交通燈前面停留太久;②速度的變化快.理由1是主要的，因為從停在交通燈前面的汽車采集不到有用的速度信息.紅燈結束后，車輛開始移動導致車速變化大，因此2車的相對速度變化也會隨著變大.當相對速度趨于穩定時，鏈路時延的預測誤差逐漸變小.因此，平均的相對速度大于閾值并且相對變化小，模型可以準確的預測2車的鏈路時延.

2) 2車對向行駛的鏈路時延預測

當2車對向行駛的時候，鏈路時延比同向行駛的容易預測.圖10給出隨機選擇的2輛對向行駛的每一輛汽車的平均速度和相對速度的平均速度：

Fig. 10 u1,u2,u1-u2 of vehicle n1, n2 in opposite direction圖10 對向車輛n1,n2分別的速度u1,u2及u1-u2

Fig. 11 σ1,σ2,σ1-σ2 of vehicle n1, n2 in opposite direction圖11 對向車輛n1,n2分別的速度標準差σ1,σ2及σ1-σ2

圖11給出節點速度的標準差和相對速度的標準差.因為它們彼此遠離，相對速度實際上是它們絕對速度的和，在35 s后，第2輛車的速度變成零，停在交通燈前面.

對于這2輛車，我們給出預測的鏈路時延和模擬時延的比較如圖12所示：

Fig. 12 Link duration for a pair of nodes圖12 一對節點的鏈路時延

在圖13中，我們給出預測誤差的分布函數，從圖12中我們可以看出預測結果緊隨著模擬時延，只是具有非常小的波動.圖13表明大約75%的預測結果誤差小于20%.

Fig. 13 Prediction error probability圖13 預測誤差的概率

除了這對汽車，我們隨機選擇另外9對汽車，每一對汽車都是對向行駛.10對汽車的總體預測誤差在圖14中給出，圖14中的平均誤差比圖9中的小.該結果又一次證明DPLD能夠準確地預測對向行駛的汽車鏈路時延.

Fig. 14 Mean prediction error for 10 pairs of nodes圖14 10對節點鏈路時延的平均預測誤差

5 DPLD預測的鏈路時延的總體分析

Fig. 15 u, σ, L impact on link duration prediction圖15 u, σ, L對鏈路時延預測的影響

圖15給出DPLD的預測結果隨著不同參數u,σ,L的變化趨勢，圖15中u∈(0,20),σ∈(0,5),L分別被設置為50 m,100 m,150 m,200 m.我們從圖15中能夠看出，當L,σ固定，鏈路時延隨著u的減小而增加，當u∈(0,10)，鏈路時延變化劇烈;當u,L固定，鏈路時延隨著σ減小而增加，當σ→0時變化大;如果u,σ不變，鏈路時延隨著L增加而增加，當u≥10，不管σ,L怎樣變化，鏈路時延的變化很小，因此我們發現u是影響鏈路時延的主要參數，其他2個次之.

通過上述對同向行駛和對向行駛的2車鏈路時延預測結果的分析以及該模型隨著所有參數變化的趨勢分析，能夠證明DPLD模型可以動態地預測城市場景中的鏈路時延，說明該模型是正確的并且可以應用于實際的.

6 結 論

通過利用2車的相對速度而不是某一輛汽車的瞬時速度，本文提出VANETs中V2V的鏈路時延的預測模型.除了相對速度之外，模型考慮車間的相對距離和交通燈變化對預測鏈路時延的影響.基于該模型，1輛汽車能夠動態地預測和它鏈接的任何節點之間的鏈路時延.在所有的參數中，平均相對速度是影響DPLD模型預測鏈路時延最重要的因子，因此，準確估計這個參數變得極其重要.為了避免車速突然變化的影響，我們采用EMA法，對于已經采集的速度樣本預先處理.

模擬結果表明DPLD模型對于精確地預測VANETs中的鏈路時延是切合實際的.對于每一輛汽車的鄰居，只需要收集和共享10 s最近的速度樣本.我們計劃進一步采用真實的汽車數據集來驗證模型DPLD，并且通過考慮轉向對鏈路時延的影響來擴展該模型.

[1]Boleng J, Navidi W, Camp T. Metrics to enable adaptive protocols for mobile ad hoc networks[C] //Proc of Int Conf on Wireless Networks. Piscataway, NJ: IEEE, 2002: 293-298

[2] Jung K H, Lim W S, Jeong J P, et al. A link contact duration-based routing protocol in delay-tolerant networks[J]. Wireless Networks, 2013, 19(6): 1299-1316

[3] Tsao C, Wu Y T, Liao W, et al. Link duration of the random way point model in mobile ad hoc networks[C] //Proc of IEEE Wireless Communications and Networking Conf, Vol 1. New York: IEEE Communications Society, 2006: 367-371

[4] McDonald A B, Znati T. A path availability model for wireless ad-hoc networks[C] //Proc of IEEE Wireless Communications and Networking Conf, Vol 1. Piscataway, NJ: IEEE,1999: 35-40

[5] Hong Xiaoyan, Gerla M, Pei Guangyu, et al. A group mobility model for ad hoc wireless networks[C] //Proc of the 2nd ACM Int Workshop on Modeling, Analysis and Simulation of Wireless and Mobile Systems. New York: ACM,1999: 53-60

[6] Wang K H, Li Baochun. Group mobility and partition prediction in wireless ad-hoc networks[C] //Proc of IEEE Int Conf on Communications, Vol 2. New York: IEEE Communications Society, 2002: 1017-1021

[7] Wu Y T, Liao W, Tsao C, et al. Impact of node mobility on link duration in multihop mobile networks[J].IEEE Trans on Vehicular Technology, 2009, 58(5): 2435-2442

[8] Bai Fan, Sadagopan N, Krishnamachari B.Modeling path duration distribution in MANETs and their impact on reactive routing protocols[J]. IEEE Journal on Selected Areas in Communications, 2004, 22(7): 1357-1373

[9] Sadagopan N, Bai Fan, Krishnamachari B,et al. Paths: Analysis of path duration statistics and their impact on reactive manet routing protocols[C] //Proc of the 4th ACM Int Symp on Mobile Ad Hoc Networking & Computing. New York: ACM, 2003: 245-256

[10] Haas Z J, Hua E Y. Residual link lifetime prediction with limited information input in mobile ad hoc networks[C] //Proc of the 27th IEEE Communications Society Conf on Computer Communications. Piscataway, NJ: IEEE, 2008: 26-30

[11] Korsnes R, Ovsthus K, Li F Y, et al. Link lifetime prediction for optimal routing in mobile ad hoc networks[C] //Proc of 2005 IEEE Military Communications Conf. Piscataway, NJ: IEEE, 2005: 1245-1251

[12] Hua E, Haas Z. An algorithm for prediction of link lifetime in MANET based on unscented Kalman filter[J]. IEEE Communication Letters, 2009, 13(10): 782-784

[13] Shelly S, Babu A V. Analysis of life time in vehicular ad hoc networks of free-flow traffic state[J]. Wireless Personal Communications, 2014, 75(1): 81-102

[14] Zhu Hongzhi, Fu Luoyi, Xue Guangtao, et al. Recognizing exponential inter-contact time in VANETs[C] //Proc of IEEE Communications Society Conf on Computer Communications. Piscataway, NJ: IEEE, 2010: 1-5

[15] Nekovee M. Modeling the spread of worm epidemics in vehicular adhoc networks[C] //Proc of the 63rd Vehicular Technology Conf, Vol 2. Piscataway, NJ: IEEE, 2006: 841-845

[16] Sim M L, Nekovee M, Ko Y F. Throughput analysis of wi-fi based broadband access for mobile users on the highway[C] //Proc of the 2005 13th IEEE Int Conf on Networks Jointly Held with the 2005 7th IEEE Malaysia Int Conf on Communications. Piscataway, NJ: IEEE, 2005: 21-26

[17] Yan Gongjun, Olariu S. A probabilistic analysis of link duration in vehicular ad hoc networks[J]. IEEE Trans on Intelligent Transportation Systems, 2011,12(4): 1227-1236

[18] Rudack M, Meincke M, Lott M. On the dynamics of ad-hoc networks for inter vehicle communications[C] //Proc of Int Conf on Wireless Networks, Vol 1. New York: IEEE Communications Society, 2002: 22-27

[19] Boban M, Misek G, Tonguz O. What is the best achievable QoS for unicast routing in VANETs?[C] //Proc of 2008 Globecom Workshops. Piscataway, NJ: IEEE, 2008: 1-10

[20] Luo P E, Huang H Y, Li M L. Characteristics of trace data for a large scale ad hoc network-shanghai urban vehicular network[C] //Proc of IET Conf on Wireless, Mobile and Sensor Networks 2007. Stevenage, UK: IET, 2007: 742-745

[21] Artimy M M, Phillips W J, Robertson W. Connectivity with static transmission range in vehicular ad hoc networks[C] //Proc of Communication Networks and Services Research Conf. Los Alamitos, CA: IEEE Computer Society, 2005: 237-242

[22] Taleb T, Sakhaee E, Jamalipour A, et al. A stable routing protocol to support ITS services in VANET networks[J]. IEEE Trans on Vehicular Technology, 2007, 56(6): 3337-3347

[23] Viriyasitavat W, Bai Fan, Tonguz O. Dynamics of network connectivity in urban vehicular networks[J]. IEEE Journal on Selected Areas in Communications, 2011, 29(3): 515-533

[24] Hu Miao, Zhong Zhangdui, Zhu Haoqing, et al. Analytical modeling of link duration for vehicular ad hoc networks in urban environment[C] //Proc of the 10th ACM Int Workshop on Vehicular Inter-networking, Systems, and Applications. New York: ACM, 2013: 61-70

[25] Krishnamoorthy K. Handbook of Statistical Distributions with Applications[M]. Oxford, Oxfordshire: Taylor & Francis, 2010: 128-135

[26] Harri J, Filali F, Bonnet C, et al. VanetMobiSim: Generating realistic mobility patterns for VANETs[C] //Proc of the 3rd Int Workshop on Vehicular Ad Hoc Networks. New York: ACM, 2006: 96-97

TheDynamicalPredictionofV2VLinkDurationinUrbanVANETs

Wang Xiufeng, Cui Gang, and Wang Chunmeng

(SchoolofComputerScienceandTechnology,HarbinInstituteofTechnology,Harbin150001)

Link duration prediction is an important standard which determines many performance of network in VANETs. Existing analytical methods about link duration based on mobility of nodes in VANETs have no function to predict link duration between any two nodes in the future, so it is not practical for these methods to predict link duration between two vehicles. We propose a dynamical prediction model which considers the distribution of relative velocity, inter-vehicle distance, traffic density change and traffic light to estimate the expected link duration between any pair of connected vehicles, because these factors change continuously in the process of link connection. By taking into account the relative velocity distribution, the model is able to adjust the principle in real time to adapt variation of vehicle speed. By automatically adjusting computing method of the relative distance between two vehicles, DPLD(dynamically predict link duration) model can automatically adapt to the change of relative distance between two vehicles. Therefore, DPLD model can effectively predict the link duration between the two vehicles. Such model is implemented on each vehicle along with parameters estimation methods of relative velocity distribution, exponential moving average method processes speed exception and considering the impact of the traffic light on link duration. Simulation results show that this model predict link duration for urban scenario has the high accuracy.

vehicular ad hoc networks (VANETs); link duration; traffic density; prediction model; vehicle to vehicle (V2V)

2015-12-23；

2016-09-21

國家自然科學基金項目(61272130)

This work was supported by the National Natural Science Foundation of China (61272130).

TP393.01

WangXiufeng, born in 1979. PhD in School of Computer of Harbin Institute of Technology. Her main research interest include mobile ad hoc network, vehicular ad hoc network and wireless sensor network.

CuiGang, born in 1947. Professor and PhD supervisor in School of Computer of Harbin Institute of Technology. Senior member of CCF. His main research interest include system architecture, mobile ad hoc network, vehicular ad hoc network and wireless sensor network etc.

WangChunmeng, born in 1990. Master in School of Computer of Harbin Institute of Technology. His main research interest include mobile ad hoc network, vehicular ad hoc network and wireless sensor network.