車聯網環境下基于QoS的行車主動服務選取方法

陳 龍，張 笛，梁 軍

（江蘇大學 汽車工程研究院，江蘇 鎮江 212013）

隨著車聯網技術和大數據技術的快速發展，web服務的種類和數量不斷增加，而基于web服務的行車主動服務系統（Driving Active Service System，DASS）也應運而生。行車主動服務成功運作的關鍵就在于如何從海量的網絡服務中選取高質量、使供需雙方實現利益最大化的服務。有眾多的專家學者認為，在給用戶選取服務時，不僅需要考慮該服務是否能夠滿足用戶的功能性需求，還應該關心該服務的非功能性需求，即服務質量（quality of service，QoS）。

文獻［1］針對當前“請求-響應”被動式行車服務的不足，提出了基于多智能體（multi-agent system，MAS）分層控制的“自動識別-主動推送”形式的行車主動服務系統（driving active service system，DASS）。文獻［2］針對DASS服務質量評價，提出借助車輛網技術融合服務魯棒性、自主性、自適應性、擴展性以及實時性的DASS服務質量5維定量評價體系。在web服務選取領域，文獻［3］提出了一種基于用戶滿意度的服務排序選取方法，利用候選服務的QoS參數值和用戶對QoS參數的要求值計算所有候選服務每個QoS參數的滿意度，再將所有參數的滿意度加權合成一個綜合滿意度，并將此作為服務排序選取的依據。文獻［4］采用模糊邏輯計算QoS參數的模糊數值，基于此計算QoS不同參數之間的關聯距離和關聯矩陣，再據此計算QoS參數的權重，最后加權得到每個候選服務的推薦值并用于服務排序選取。文獻［5-6］提出一種考慮QoS數據不確定的服務選取方法，采用QoS參數反饋的相似度計算QoS聚合值的權重，并結合用戶的QoS評價和數量計算服務的推薦度，通過分析QoS數據的不確定性和去除QoS數據波動較大的web服務，提高了服務選取結果的準確性和可靠性。文獻［6-7］提出了一種支持QoS評價的web服務推薦模型，其核心是根據用戶確定的功能和QoS需求，基于現有的QoS評價指數進行服務推薦。

上述文獻所研究的服務選取算法結合行車主動服務存在以下不足：

1）沒有考慮服務質量QoS參數值的動態性，該動態性主要體現在行車主動服務是在動態的網絡環境以及動態的交通環境中運行的，例如網絡波動、車輛位置、交通擁堵、交通事故等因素都會導致行車主動服務的QoS參數值發生變化，導致基于確定性QoS的服務選取方法精準度不夠，推送的行車服務不一定符合行車用戶的服務需求。所以，考慮QoS參數值的動態性應作為行車主動服務選取的前提，而已有的大多數服務選取算法模型沒有考慮到QoS參數值的動態性。

2）QoS參數權重分配不合理。目前主要有2種賦權評價法［8］，分別是主觀賦權評價法［9］和客觀賦權評價法，主觀賦權評價法的服務QoS權重是根據人的經驗給出權重的大小，完全由行車用戶自己決定，主觀隨意性較大，往往用戶更加偏向于對QoS參數排序來確定其偏好，比如服務價格＞服務響應時間＞服務衍生費用＞服務執行時間等。客觀賦權評價法是由客觀數據來確定QoS參數的權重，其計算出的結果具有較強的理論依據，但是忽視了行車用戶的主觀偏好。

針對以上問題，本文提出基于動態QoS和主客觀賦權評價法的行車主動服務選取方法，首先建立QoS模型來表示QoS參數值的動態性，再用區間相似度來衡量候選行車主動服務的QoS參數值和行車用戶服務需求值的相似程度。之后在考慮行車用戶主觀偏好和客觀數據的基礎上得出QoS參數綜合權重。最后計算出所有行車服務的推薦度并選取最優的服務來滿足客戶的要求。

1 基于區間數相似度的DASS-QoS評價

行車主動服務的QoS參數主要包括服務響應時間（response time，Tr）、服務執行時間（derivative time，Td）、服務價格（service cost，Cs）、服務衍生費用（derivative cost，Cd），以及服務的魯棒性（robustness，Pr）、主動性（initiative，Pi）、自適應性（adaptability，Pa）、擴展性（expansibility，Pe）。每一個服務參數都從不同的角度對服務質量進行評價。由于行車主動服務的運行環境是動態的，主要體現在車聯網絡環境的動態性和交通環境的動態性，所以行車主動服務的QoS也是動態的，本文采用區間來表示QoS參數數值的波動范圍，即其動態變化的范圍。

1.1 DASS-QoS參數描述與建模

本文將行車主動服務的QoS參數定義為1個8維向量M＝｛Tr，Td，Cs，Cd，Pr，Pi，Pa，Pe｝，下面分別介紹每一個參數的具體含義及其區間表現形式。

1）服務響應時間（response time，Tr）：指從感知用戶需求到用戶獲取服務的這段時間。服務的響應時間受到網絡環境的影響，所以具有動態不確定性。其描述區間為

2）服務執行時間（derivative time，Td）：指從用戶獲取服務到整個服務執行結束的這段時間，比如說，行車主動服務系統給行車用戶提供一個路線規劃服務，服務執行時間就是指從行車用戶收到路線規劃服務指令到行車用戶駕車到達目的地的這段時間。在這過程中，服務的執行時間會受到交通擁堵和交通事故等因素的影響，所以具有動態不確定性，其描述區間為

3）服務價格（service cost，Cs）：指服務本身的價值，可以是免費的，也可以是收費的，價格由行車主動服務調度中心制定，由行車用戶承擔。具備動態不確定性，其描述區間為

4）服務衍生費用（derivative cost，Cd）：指用戶獲取服務到整個服務流程結束的這段時間內，用戶根據服務指令指導所產生的費用。比如說，行車主動服務系統給行車用戶提供一個路線規劃服務，服務衍生費用就是指行車用戶通過規劃路線時所產生的油費、過路費等由行車用戶自行承擔的費用。其描述區間為

5）魯棒性（robustness，Pr）：指感知環境有偏差時或者感知的環境信息與數據庫已存信息有偏差時經過算法仍能輸出正確服務。受到氣候狀況、交通狀況、事故因素和道路條件等環境因素的影響，其描述區間為

6）主動性（initiative，Pi）：指行車主動服務系統能夠自主地將個性化服務推送到不同需求的行車用戶。受到總信息量、系統控制量、信息收集時間和系統模擬總時間的影響，其描述區間為［μPi-

7）自適應性（adaptability，Pa）：指能夠感知不同環境自主推送的服務，能適應不同的行車用戶，受到不同類型服務所占的比重和不同類型服務的車輛總數的影響，其描述區間為

8）擴展性（expansibility，Pe）：指感知到數據庫中未包含此項服務，正確服務后能自主將此信息擴展至原服務庫。受到總信息量、系統控制量、信息收集時間和系統模擬總時間的影響，其描述區間為

其中，QoS參數值的均值為：

QoS參數值的方差：

式（1）（2）中，M＝｛Tr，Td，Cs，Cd，Pr，Pi，Pa，Pe｝，Qi表示某一類服務集中第i個服務的QoS參數值，i＝1，2，3，…，n。

1.2 區間數相似度計算

上述區間可以描述行車主動服務在動態的網絡交通環境中QoS參數值的波動情況，而行車用戶的QoS需求值也要用區間來表示［10］。為了表示兩者的相似程度，引入區間數和相似度的概念。

定義1（區間數）記［x-，x＋］，其中x-，x＋∈R，R為實數集，稱Z為區間數。

定義2（區間相似度） 若有2個區間數Zx、Zy，記Zx為行車用戶對某QoS參數需求的區間數，Zy為候選服務的該QoS參數區間數，其中Zx＝［x-，x＋］，Zy＝［y-，y＋］，定義Zx、Zy的相似度函數為

由式（3）可以得到以下結論：當x＋≤y＋且x-≥y-時，候選服務的QoS參數區間被用戶需求區間包含，說明完全符合用戶需求，所以相似度為1；當x-＞y＋或x＋＜y-時，候選服務QoS參數區間和用戶需求區間完全不相交，說明完全不符合用戶需求，所以相似度為0；當x＋＞y＋且y-＜x-＜y＋或者x-＜y-且y-＜x＋＜y＋時，候選服務的QoS參數區間和用戶需求區間部分重合，這時，重合區間部分占用戶需求區間的比例就成了候選服務QoS參數和用戶需求QoS參數的相似度。

根據QoS參數區間數相似度的計算方法，可以將l個候選服務的8個QoS參數的相似度列為1個l×8的矩陣G。

式中：δij表示第i個候選服務的第j項QoS參數的區間數與行車用戶所需求的QoS參數的區間數的相似度，也就是與用戶需求的接近程度。

2 基于主客觀QoS參數權重的DASS服務選取

得到候選行車服務的QoS參數值與用戶需求的參數值的相似度之后，結合相應的QoS參數權重，便可以得出候選行車服務的推薦值，系統可以根據這個推薦值來排序，并選取QoS最優的行車服務推送給行車用戶［11］。因此，如何得到合理的QoS參數權重值就成了服務選取的關鍵［12］。在已有的研究中，總體上可以分為主觀賦權法和客觀賦權法。主觀賦權法是憑借人的主觀判斷對客觀問題進行賦權，主要方法有層次分析法［13］和模糊評價法［14］等；客觀賦權法是對客觀數據進行分析來推算權重的方法，主要有TOPSIS法［15］、灰色關聯分析法［16］等。

2.1 DASS-QoS參數主觀權重

主觀權重是憑借用戶的經驗和主觀判斷對客觀問題進行賦權，因此可以反映用戶的主觀愛好，但是這需要對相關領域的知識進行學習了解，在行車主動服務領域［17］，客戶所能接觸到的只有服務響應時間、服務執行時間、服務價格以及服務衍生費用這些較為直觀的參數，而服務的魯棒性、主動性、自適應性、可擴展性這些比較抽象的參數則很難被行車用戶所理解，也很難直觀地感受到這些參數帶來的影響［18］。因此，在設置行車用戶主觀偏好參數向量時，優先考慮服務響應時間、服務執行時間、服務價格以及服務衍生費用這些參數［19］。

定義1（主觀偏好參數賦權向量） 令行車用戶主觀偏好參數向量為Wobj＝｛w′1，w′2，w′3，w′4，w′5，w′6，w′7，w′8｝，該向量中的元素為行車主動服務的QoS參數的主觀賦權值。

此向量按從大到小排序，表示用戶對這些參數的偏好程度按照排序由高到低減小。例如Wsub＝｛w′Cs，w′Cd，w′Td，w′Tr，w′Pr，w′Pe，w′Pi，w′Pa｝，表示用戶的偏好由高到低依次是服務價格、服務衍生費用、服務執行時間、服務響應時間、服務的魯棒性、可擴展性、主動性、自適應性。

2.2 DASS-QoS參數客觀權重

本文的1.1節已對行車主動服務的動態QoS的波動范圍進行了描述和建模。在對參數數據進行統計和處理之后，得到了如表1所示的評價信息矩陣。

表1 QoS參數動態信息

本文以熵權法［20］為基礎來計算每個行車主動服務QoS參數的客觀權重。具體方法為：對于n個服務的QoS參數建立如表1的QoS參數動態信息矩陣，再使用有序加權因子的方法，將區間轉化為具體的數據。并得到數據化的X矩陣：

再對X矩陣使用熵值法來計算QoS參數的客觀賦值權重，各參數的熵值Hi為：

由熵值Hi得到QoS參數權重：

其中wi∈（0，1），且∑wi＝1。

上述公式中：i＝1，2，3，…，n；j＝1，2，3，…，8；最終得到某一類行車服務的QoS參數客觀賦權向量。

定義2（客觀參數賦權向量） 令客觀參數賦權向量為Wobj＝｛w1，w2，w3，w4，w5，w6，w7，w8｝，該向量中的元素為利用熵值法計算出的行車主動服務QoS參數客觀賦權值。

此向量排序與主觀偏好參數向量相同，但不代表實際的從大到小的排序也是如此，這樣排序是為了方便計算QoS參數綜合權重。

2.3 DASS-QoS參數綜合權重和服務排序選取

在2.1節和2.2節中，已經得到了DASS-QoS參數的主觀偏好參數賦權向量Wobj＝｛w′1，w′2，w′3，w′4，w′5，w′6，w′7，w′8｝和客觀參數賦權向量Wobj＝｛w1，w2，w3，w4，w5，w6，w7，w8｝。則2個向量的加權平均值即為DASS-QoS參數綜合權重向量。

記W Q為DASS-QoS參數綜合權重向量，則

在1.2節得到的候選服務的相似度矩陣G，將其乘以DASS-QoS參數綜合權重，得到每個候選服務的推薦度矩陣，記為R。

推薦度矩陣R里的數據是服務1到l的推薦度R1到Rl，將其按從大到小的順序排序，數值最大的服務即是推送給行車用戶的服務。

3 仿真實驗分析

由于DASS是“車-路-交通信息中心”的集成系統，故而在實際運作時存在一些成本、裝備等的困難，所以選擇在仿真環境下來驗證本文提出的行車服務選取方法的可行性和有效性。其中，交通仿真場景和車聯網通信部分在Prescan軟件里實現，交通信息中心在Simulink模塊搭建并給仿真環境中的車輛提供相對的行車服務。車輛的控制模塊也由Matlab／Simulink模塊中實現。

本次仿真實驗是車輛動態路徑規劃服務，實驗假設在城市道路中的某一些路口產生交通擁堵，交通信息中心將根據實時的道路交通情況并結合上文所述的服務選取方法，對途經擁堵交叉口的車輛進行再一次的路徑規劃，讓行車用戶獲得推薦度最高的路徑規劃服務。

由于是在仿真環境進行試驗，所以本次實驗所考慮的DASS-QoS參數為服務執行時間Td和服務衍射費用Cd。在實驗中，Td為行車用戶接收到路線規劃服務指令到行車用戶駕車到達目的地的這段時間。因為在城市道路中行車沒有過路費，所以Cd主要是在行駛過程中產生的油耗費用。

3.1 實驗場景設計

實驗選取城市區域某一段道路并在Prescan軟件中搭建如圖1所示的道路交通仿真場景，此場景中包含14個路口，其中有10個三叉路口、4個交叉路口，還有23條路段。每段路都是雙向兩車道。仿真環境中的車輛上裝備雷達攝像頭傳感器系統用于行車信息采集和DSRC雙向通訊裝置用于行車信息交互，路側也選用DSRC模塊作為車輛通信裝置。圖2是道路交通仿真場景的三維效果圖。

建立道路交通仿真場景后，通常需要將仿真環境中的路網圖直觀地表達出來，用節點代表其中的交叉口，用線段代表其中的路段，將路徑規劃問題轉化到圖中求解。本文根據仿真交通場景中的路網分布繪制了對應的道路聯通狀態圖，如圖3所示，并對每1個節進行了編號，每個路口節點的（X，Y）坐標如表2所示。

圖1 道路交通仿真場景平面圖

圖2 道路交通仿真場景三維效果圖

圖3 道路聯通狀態圖

表2 道路交叉口坐標

在仿真實驗中，設定車輛起始點為節點0，目的地路口為節點11東側的Office Brown Tall 2（仿真場景中建筑物名），正常情況下，車輛的行駛軌跡是0→1→4→8→9→10→11，如圖4所示。行駛的路徑長度為367.37 m，行駛時間區間為［35.96，38.66］，單位為s，油耗 費 用區間為［0.332，0.370］，單位為元（￥）。

圖4 正常情況下路徑規劃圖

在仿真實驗中，利用DASS系統對路徑實時規劃服務選取流程如下：假設某一路口（在實驗中是交叉路口10）產生交通擁堵，路側的DSRC設備將感知到的擁堵信息發送給交通信息中心，交通信息中心會根據相關信息計算擁堵的持續時間Tcon、擁堵期間的額外增加油耗ΔF、不擁堵情況下全程的行駛油耗Fs1、繞行通過擁堵路段的時間Ts2以及繞行期間的油耗Fs2。再根據上文所述的服務推薦度算法分別計算不繞行和繞行路徑規劃的推薦度Rs1和Rs2，最后給行車用戶推送推薦度較大的服務。具體的流程如圖5所示。

3.2 數據處理和結果分析

本次實驗是在仿真環境下進行的，考慮的DASS-QoS參數為服務執行時間Td和服務衍射費用Cd。

路徑規劃服務舉例說明：車輛的位置在4→8之間，此時10號交叉路口處發現交通擁堵，DASS會在服務1（不繞行，路徑為0→1→4→8→9→10→11）和服務2（繞行，路徑為0→1→4→8→12→13→14→15→11）中選擇推薦度較高的服務推送給行車用戶。在服務1中，Td為根據交通流狀態預測的擁堵持續時間Tcon，和預測的全程行駛時間Ts1，其中Tcon＝10 s，Ts1＝［45.96，48.66］，單位為s。在服務2中，Td是繞行通過擁堵路段到達目的地所需時間的預測值Ts2，Ts2＝［43.79，47.97］，單位為s。

Cd為行駛過程中的油耗費用，在服務1中，車輛受交通擁堵的影響而停車、怠速、啟動額外增加的汽油消耗費用為ΔF＝Fa-Fv［8］，式中，ΔF為額外增加的油耗費用，Fa為車輛啟動加速到某一速度v的油耗費用，Fv為車輛以速度v行駛相應加速度距離的油耗費用，行駛油耗Fs1為車輛在正常行駛過程中產生的油耗費用，所以服務1的服務衍生費用Cd1＝ΔF＋Fs1。在服務2中，Cd為車輛繞行通過擁堵路段的行駛油耗費用Fs2，所以服務2的服務衍生費用Cd2＝Fs2。行駛油耗Fs1和Fs2用百公里油耗和實際行駛里程計算。汽油的價格按時令95號油價8.46元／L計算。

圖5 路徑規劃實時服務選取流程圖

上述兩類DASS-QoS參數的行車用戶需求區間和行車服務的動態區間如表3所示。

根據表3的數據以及上文所述的區間相似度算法和客觀權重算法，可得候選服務的QoS參數相似度矩陣客觀權重向量為Wsub＝｛0.52，0.48｝，設定行車用戶的主觀偏好參數 賦 權 向 量 為Wobj＝｛w′Td，w′Cd｝，w′Td＋w′Cd＝1，則DASS-QoS參數綜合權重為W Q＝候選服務的推薦度矩陣：進而得出：服務1的推薦度為1.133-0.122w′Td，服務2的推薦度為0.746＋0.171 5w′Td，式中w′Td為行車用戶對服務執行時間Td的偏好程度的主觀數值。圖6為行車用戶主觀偏好變化時推薦度的變化。

表3 DASS-QoS需求和候選服務值

由圖6可知，當行車用戶對Td的偏好程度較小，意味著對Cd的偏好程度較大，此時Cd參數與用戶需求相似度較高的候選服務1的推薦度大于候選服務2的推薦度，DASS會給行車用戶推送候選服務1，即不繞行，等待擁堵路口的交通恢復通暢。隨著用戶對于Td參數的偏好程度加大，Td參數與用戶需求的相似度較大的候選服務2的推薦度逐漸上升，直至超越候選服務1的推薦度，此時，DASS會給行車用戶推送候選服務2，即繞行，選擇其他路徑避開擁堵。

圖6 主觀偏好變化時推薦度的變化

實驗分別設計了車輛處于不同位置時接到10號交叉口交通擁堵信息，進而及時通過上述的服務選取算法來規劃路徑。設定行車用戶對Td參數的重視程度大于對Cd參數的重視程度。

表4是DASS在實時路徑規劃相較于傳統系統路徑規劃的數據對比。

表4 實時路徑規劃服務實驗結果對比

從表4中的數據可以得到以下結論：接受交通擁堵信息的時間越早，DASS路徑規劃的行駛時間越短、行駛油耗費用越低；當車輛位置在節點0—1、1—4之間時，繞行避開擁堵路段的時間參數、油耗參數都優于等待擁堵消散規劃，所以選擇繞行其他路徑避開擁堵，規劃路徑如圖7（a）（b）所示；當車輛位置在節點4—8之間時，2種規劃服務的時間參數和油耗參數各有優勢，但因為行車用戶對Td參數的重視程度大于對Cd參數的重視程度，所以還是選擇繞行其他路徑避開擁堵，規劃路徑如圖7（c）所示；當車輛位置位于節點8—9之間時，油耗參數的優勢明顯大于時間參數，雖然行車用戶更加偏好Td參數，但是不繞行規劃的推薦度更高，因此選擇等待擁堵消散再通過路口，規劃路徑如圖7（d）所示；當車輛位置位于節點9—10之間時，已別無選擇，只能排隊等待擁堵消散再通過路口，規劃路徑如圖7（d）所示。相比于傳統的路徑規劃系統，DASS可以在油耗相當的情況下，平均節省9%的行車時間，而且越早感知擁堵信息，對時間和油耗的節約越明顯。

圖7 DASS路徑規劃

綜上所述，在車聯網環境下的DASS可以通過實時感知道路交通信息并立刻作出響應，根據車輛具體的位置、相關QoS參數以及行車用戶的需求和偏好，向行車用戶推送最適合的路徑規劃服務，比傳統的行車服務系統更加高效、及時、準確。

4 結論

1）針對以往文獻沒有考慮的QoS參數動態性問題，本文對DASS-QoS參數的評價維度及其QoS波動區間進行了建模，并建立相似度算法計算候選服務QoS與行車用戶需求QoS的類似程度。

2）針對DASS-QoS參數權重分配不合理的問題，本文基于熵值法建立了DASS-QoS參數數據客觀權重的計算方法，在考慮行車用戶的主觀偏好后，得到了DASS-QoS參數的綜合權重。

3）本文建立了PreScan-Matlab／Simulink的仿真平臺，以實時動態路徑規劃服務為例，充分驗證了本文提出的行車服務選取方法的有效性和準確性，也驗證了DASS系統的主動性、實時性和個性化。

4）未來將研究DASS動態服務組合方法，確保在服務組合的過程中也能保證服務的質量，從全局最優出發，選取合適的服務進行組合。