基于三角模糊數的車聯網簇頭節點選擇方法

劉蘊 曹軍芳 王鳳琦

（1.周口職業技術學院，周口 466000；2.許昌職業技術學院，許昌 461000；3.長安大學，西安 710064）

主題詞：車聯網 簇頭選擇 三角模糊數 學習機制 相對距離 相對速度

1 前言

基于車聯網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。由于網絡中車輛節點的高速移動性，車聯網存在網絡拓撲變化頻繁、鏈路斷開頻繁、車輛密度多變等特點，使得車聯網網絡連接性頻繁變化[1]。針對上述問題，電氣和電子工程師協會（Institute of Electrical and Electronics Engineers，IEEE）發布了IEEE 802.11p協議，以滿足車聯網安全應用中的可靠性和低延遲需求[2]。但該協議在可預測性、公平性等方面存在不足，網絡密度較高時會使網絡吞吐量下降并造成較高的數據沖突[3]。

為了提升車聯網的網絡傳輸性能和可靠性，相關研究人員提出了基于簇的多路訪問控制（Multiple Access Control，MAC）協議[4]。在車聯網中，車輛節點集簇有助于限制信道競爭、提供公平的網絡接入，并通過網絡資源的空間復用和網絡拓撲的有效控制提升網絡的性能[5]。集簇過程中的主要難點在于如何有效降低因簇頭選取及在高動態性和快速變化的網絡拓撲中維護所有簇成員等帶來的額外網絡開銷[6]。

針對車輛節點的集簇問題，文獻[7]提出了一種LID集簇算法，車輛節點向其鄰居廣播自身ID，具有最低ID的節點被選為簇頭，處于簇頭通信范圍內的鄰居節點成為簇成員；文獻[8]提出了一種加權集簇算法，通過考慮一個簇頭可處理的節點數量、傳輸功率、能量消耗和移動性等因素，并為上述因素賦不同的權重得到一個度量標準，進而選取度量值最低的節點為簇頭，該方法能夠實現較高的吞吐，但是因為存在較高的通信和計算負載，無法滿足高移動速度節點的需求，因此并不適用于車聯網環境；文獻[9]基于近鄰傳播算法提出了一種基于移動性的集簇機制，基于車輛間的距離完成簇頭的選取，該方法對移動性提供較好的支持，但存在長聚合延遲及網絡負載較高、吞吐較低等問題。針對現有方法的不足，本文提出了一種基于三角模糊數的車聯網簇頭節點選擇方法，主要通過三角模糊數和學習機制完成車輛節點加速度的預測，并通過定義的加權穩定因子完成簇頭節點的選取。

2 典型車聯網場景構建

本文構建了如圖1所示的一種典型車聯網應用場景。該場景基于一條單向多車道道路構建。因此，在該場景中，車輛僅能與自身同向運動的車輛進行通信?？紤]到一般車聯網通信設備（技術）的通信范圍遠大于道路寬度，為了不失一般性的同時簡化研究難度，通過上述方式將車聯網通信網絡中的節點設定為同向運動。假定所有車輛節點依賴衛星定位系統的時間信息進行時間同步，當車輛節點同步到控制信道間隔（Control Channel Interval，CCI）時，相互傳輸安全狀態信息。本文按照文獻[10]的方法，將CCI設置為100 ms。在控制信道間隔的開始，車輛節點周期性地發送自身狀態信息，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星定位系統計算的自身相對于真北方向的運動方向。設定所有的車輛狀態信息均具有相同的長度L，所有車輛節點具有相同的通信范圍R。車輛基于泊松分布在道路上分布，平均車輛密度設定為λv。此外，每個車輛節點的行駛速度在vmax和vmin間隨機分布。

圖1 典型車聯網應用場景

3 簇頭選擇算法

考慮到車聯網中的車輛節點是高度動態的，并且車聯網的網絡拓撲會頻繁變化，因此，簇頭選取算法應當是分布式且異步操作的。這要求簇頭的選取和重選算法應公平、簡潔且與處于其通信范圍內的車輛具有盡可能少的通信和協調過程。為使在具有高動態特性的車聯網環境中形成的簇更加穩定，算法不應該頻繁發起簇頭選取，而且應使節點能夠平滑地加入、離開當前簇或形成新的簇。此外，如果網絡發起了一次簇頭的選擇或重選過程，算法應能在很短的時間內形成穩定的簇拓撲。

在車聯網通信網絡中，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點的車輛狀態信息交互。本文設定車輛狀態信息包括車輛的ID、速度v、加權穩定因子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 加權穩定因子

在定義的車輛狀態信息中，加權穩定因子WSF指該車輛在道路上運動時，相對于其他車輛的運動穩定性的加權平均值。車輛運動穩定性指道路上相鄰車輛間的相對運動狀況，本文采用穩定系數SF對其進行描述。在每一個控制信道間隔，每輛車j將獲得處于其通信范圍內的所有車輛的狀態信息，進而利用狀態信息計算自身與所有處于其通信范圍內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的所有鄰居車輛的數量的總和；vj為第j輛車的行駛速度。

在每個控制信道間隔結束前，車輛j利用計算自身穩定系數：

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計算穩定系數SF，其中SF∈[0,1]。

加權穩定因子WSF是穩定系數SF的指數加權移動平均值。每個車輛i通過最新計算得到的穩定系數值SFi和最近計算的加權穩定因子WSFi-1（WSF0=0）計算最新的加權穩定因子：

式中，ξ∈[0,1]為平滑因子，本文設ξ=0.5。

WSF越大的車輛運動穩定性越高，本文設定WSF較高的車輛節點更容易被選為簇頭。

3.2 基于三角模糊數的加速度預測

在本文定義的車輛狀態信息中，加速度a是指車輛在某一時刻的加速度。通過加速度可以預測車輛在未來短時間內的速度和位置，進而實現簇頭的選擇和重選。

駕駛員進行加速、減速和維持速度不變等決定依賴于多種因素，例如與前車的相對距離和相對速度、實時道路狀況、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）與駕駛員個人對車間距、相對速度等參數的預估有關，是一種相對主觀的行為，難以通過確定的方式進行預測，屬于典型的不確定性問題。因此，本文基于模糊邏輯構建模糊推理系統（Fuzzy Inference System，FIS）處理該問題。

FIS是一種基于一系列IF-THEN模糊規則的系統，能借助隸屬度函數概念，根據幾個變量的輸入，以及一組自然語言表述的經驗規則，來決定輸出，從而模擬人腦實施規則型推理[11]。因此，本文基于FIS的上述特性，構建一種模糊推理系統以實現根據駕駛員的前期行為完成車輛加速度的預測。除此之外，考慮到FIS缺少一種能夠自適應地處理變化的外部環境的能力，為了解決該問題，本文在構建的模糊推理系統中引入了一種學習機制，以更好地滿足對駕駛員行為的適應性。本文選取三角模糊法實現FIS的構建，設置FIS的輸入參數為兩車的車間距和相對速度，輸出參數為車輛的加速度。

設車輛與其前方緊鄰車輛的距離的隸屬函數為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間，是一個設計參數。

表2 模糊推理系統的模糊規則

圖2 相對距離的隸屬函數

設車輛與其前方緊鄰車輛相對速度的隸屬函數為μv，且μv可以取值為“較慢”“相同”或“較快”，如圖3所示。本文設置參數α和γ，賦予FIS一定的學習能力，使其對道路上駕駛員行為的自適應更優。具體學習機制為：設α=γ=1，在系統運行過程中，若駕駛員關于加速或減速的實際決策與預測值不匹配，則α和γ逐步增加或減少ε，具體執行規則如表1所示的。通過該方式，圖3所示的μv隸屬函數的相交點將向左或向右移動，直到經過一段時間后α和γ收斂到確定值，以實現對道路上駕駛員行為的跟蹤。

表1 參數α和γ的賦值規則

圖3 相對速度的隸屬函數

定義FIS的輸出量，即預測加速度為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平均值產生明確的輸出值。輸出變量μacc如圖4所示，模糊規則如表2所示。

圖4 加速度的隸屬函數

通過上述構建的基于三角模糊數的模糊推理系統，使每輛車能夠在下一個簇維持時間Tf內，基于自身與前方最鄰近車輛間的相對速度和相對距離，廣播其預測的加速度。該Tf結束后，車輛基于其當前速度、之前的速度和行駛距離計算自身在過去Tf時間內的真實加速度。如果真實值與預測值相符，該車輛不改變α和γ的值，也即構建的模糊推理系統已經學習到了當前道路上的駕駛員行為。否則，系統將基于前述規則動態改變α和γ的值，也即模糊系統繼續進行學習。通過改變α和γ的值，μv隸屬函數的相交點將會不斷變化以反映駕駛員對于道路上速度和距離的個體感知。

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，并將車輛狀態信息幀中的簇頭ID設置為自身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，當前車輛將選擇該鄰居車輛為臨時簇頭，并將車輛狀態信息幀中的備選簇頭ID設置為該鄰居車輛的ID。最新選取的臨時簇頭車輛將檢驗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置為臨時簇頭，在與其他簇合并或自身狀態改變為主要簇頭前，不會參與選擇新的簇頭。

新選擇的臨時簇頭進入到其相鄰簇頭通信范圍的1/2距離時，將發送一個包含該相鄰簇頭ID的狀態信息，實現與該簇的融合。當接收到該狀態信息時，臨時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：如果是，臨時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點中選取一個擁有最高WSF的車輛節點作為新的簇頭。

為了促使車聯網通信網絡形成穩定的簇拓撲，如果一輛車在其通信范圍內既不是簇頭，且處于某臨時簇頭的通信范圍內，那么該車輛節點將加入該臨時簇，且不會參與選擇其他的臨時簇頭。如果一輛車同時處于2個簇頭的通信范圍內，該車輛節點將與最近的簇頭集簇。

一旦簇頭選擇完畢，應當盡可能使得形成的簇拓撲結構穩定，因此應盡量減少簇頭選取的頻率。為了實現上述目的，在Tf結束后，簇頭將基于所有簇成員的速度和加速度計算所有簇成員的預期位置：

式中，x0為車輛的當前位置。

簇頭將從所在簇質心周圍的所有車輛中選取一個擁有最高WSF值的節點作為備選簇頭。并在簇頭的狀態信息中備注備選簇頭的ID（BKID），進而通過狀態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，備選簇頭將自動成為新的簇頭，周而復始，從而在一定程度上維護了簇的穩定性。

如果在下一個Tf內，所有的簇成員將繼續處于簇頭的通信范圍內或者當前簇頭比備選簇頭的覆蓋范圍廣，那么當前簇頭將維持其簇頭職責。否則，當前簇頭通過把簇頭ID（CHID）賦值為BKID，從而將簇頭職責移交給備選簇頭，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 仿真平臺搭建

4.1 評價參數

為了測試方法的有效性，采用簇頭平均生存時間（仿真階段網絡內所有簇頭生存時間的平均值）、簇成員平均駐留時間（仿真階段網絡內所有車輛節點作為簇成員駐留于一個簇內的平均時間）和簇平均規模（網絡內所有車輛節點數量與在仿真階段生成的所有簇的數量的比值）作為評價標準進行測試。

4.2 仿真環境

基于iTETRIS軟件構建仿真平臺[12]，采用NS-3網絡仿真器進行車聯網通信網絡的仿真，采用微觀交通仿真器SUMO產生的MOVE車流模型進行交通流的仿真。在SUMO中設定道路仿真環境為一段長度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傳播模型進行仿真參數的配置?；凇叭胲嚲唷狈ㄔO定仿真環境內的安全行車時間為ts=3 s，設定簇維持時間Tf=10 s。將本文提出的方法與CMCP方法[13]和APROVE[9]方法進行比較。設每次仿真時間為1 000 s，共仿真10次，具體仿真參數如表3所示，其中，取車輛密度設置標識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 仿真參數配置

5 仿真測試結果

圖6所示為交通流密度對簇拓撲結構影響的仿真結果。仿真場景中的交通密度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的車輛數量實現。圖6a描述了車輛密度對簇頭平均生存時間的影響，測試結果表明，3種方法均表現出簇頭平均生存時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。但相對而言，本文提出的簇頭選取方法更為有效，這是因為經過Tf后，簇中大多數或全部成員都處于簇頭通信范圍內時，允許簇頭對自身進行重選。圖6b和圖6c說明，對于3種方法，隨車輛密度增加，簇規模和簇成員平均駐留時間均顯著增加，這也表明了本文算法的有效性。

圖6 簇拓撲結構對車輛密度的影響

圖7所示為簇維持時間Tf對簇拓撲結構影響的仿真結果。Tf增加時，車輛未來位置和速度預測結果的準確性一般會下降，但測試結果表明，對于本文提出的方法，當Tf增加時，預測結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自車與相鄰前車間的相對距離和相對速度變化的真實反應。本文提出的學習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間駐留于所在簇邊界，而且簇的規模也將增加。從圖7所示的測試結果可以看出，對于每一個網絡場景，Tf存在一個最優值，能夠最大化簇的穩定性。因此，應根據配置范圍和平均車輛密度謹慎選擇Tf，以增加駐留時間，并降低算法的復雜度。

圖7 簇維持時間Tf對簇拓撲結構的影響

6 結束語

本文針對現有車聯網簇頭節點選擇方法不足的問題，提出了一種基于三角模糊數的車聯網簇頭節點選擇方法。通過基于iTETRIS構建的車聯網仿真平臺，驗證了提出的基于三角模糊數的車聯網簇頭節點選擇方法的有效性。后續研究中，將對提出的方法在大規模仿真場景中（城市級）進行測試驗證，以提高算法的適應性。