基于動態圖嵌入的車聯網拓撲控制

孫雁飛，尹嘉崢，亓晉，胡筱旋，陳夢婷，董振江

（1.江蘇省高性能計算與智能處理工程研究中心，江蘇 南京 210023；2.南京郵電大學物聯網學院，江蘇 南京 210003；3.南京郵電大學通信與信息工程學院，江蘇 南京 210003；4.南京郵電大學計算機學院，江蘇 南京 210023）

0 引言

近年來，隨著汽車市場規模的日益增長，城市道路、高速公路運載負荷的壓力也不斷增加，致使交通擁堵和交通事故頻發，造成了嚴重的人員傷亡和經濟損失。近年來，隨著5G、物聯網、智慧城市的發展及廣泛應用，車載自組織網絡（VANET,vehicular ad-hoc network）作為一種提高道路通行效率及車輛行駛安全性的技術被廣泛關注并認可，它是一種特殊的移動自組織網絡，將每一輛車作為一個信息源，利用無線通信手段，建立以車為節點，人、車、路交互的信息系統[1]。但是，相較于傳統的蜂窩網絡和移動專用網絡，車輛移動性導致的網絡拓撲結構動態變化使構建的網絡穩健性變差[2]。車聯網具有高度的動態性和復雜性，車輛節點間快速變化的相對距離和車輛間的互相遮擋，導致節點間出現頻繁的斷鏈和信號的衰落。因此，如何快速穩定地構建并控制網絡拓撲是車聯網研究的重點和難點。

為了構建合理的網絡拓撲，可以利用駕駛員輔助系統獲取的大量車輛特征信息來輔助車聯網的組織，由于不同的車輛具有不同的駕駛特征，如果將具有相似駕駛特征的車輛形成一定的聚類結構，建立一定的信息交換集群機制，可以實現更加穩定的車聯網[3]，從而提高網絡的連通度、延長網絡的生命周期并且提升鏈路的有效程度，使網絡不會出現頻繁的斷鏈和節點丟失。傳統方法多著眼于單車智能，并且依據路由算法建立網絡，但是這種方法計算復雜，無法充分利用車聯網的特點，并且建立的網絡拓撲往往具有很高的節點中心性，依賴少數節點和鏈路，導致網絡的動態性、連通性和穩健性較差。為解決這些問題，本文使用圖嵌入的方法來構建車聯網并進行優化，提高網絡的穩定性及鏈路質量。

圖嵌入是將圖的節點或邊映射到一個低維的向量空間，即將海量、高維、異構、復雜和動態的數據表示為統一、低維、稠密的向量，用以保存圖的結構和性質[4]。圖嵌入技術最初主要用于自然語言處理及推薦領域，但圖作為一種復雜的信息載體，可以應用于許多現實的復雜關系，如社交網絡、犯罪網絡、交通網絡等，并且可以很好地實現節點分類、連接預測、節點聚類、可視化、影響力建模及內容推薦的任務[5]。近期，圖嵌入技術在各方面的應用研究較為廣泛。例如，文獻[6]利用靜態圖快照中項目之間的相似性，對節點的邊加上不同類型的權重，改善了新加入節點的冷啟動效果。文獻[7]捕捉節點邊緣的偏好，將興趣計算從云端下沉到邊緣進行推薦。另一種是對動態圖嵌入的研究，動態圖嵌入不僅針對當前的圖，而且針對時間相關的圖序列信息進行研究。文獻[8]捕捉節點行為隨時間的變化，將空間行走與時間行走分為2 個問題分步解決，并進行綜合判定圖嵌入。文獻[9]使用演化隨機游動，并使用先前的嵌入向量初始化當前圖嵌入，實現可伸縮的動態圖嵌入。文獻[10]將圖嵌入技術應用于無人機的自組網中，構建時序化嵌入模型，進行無人機的鏈路預測。文獻[11]提出了一種三方深度網絡表示模型，它使用來自三方的信息共同學習最佳節點表示，所提出的耦合架構設計有效地優化了動態圖嵌入效果。

由此可見，圖嵌入方法計算簡單且可以充分利用節點的特征信息快速構建合理的網絡拓撲，圖嵌入方法目前被引入許多不同的研究領域，并且針對各領域的特點做出了一定的改進。對于車聯網的應用環境，圖嵌入方法，特別是動態的圖嵌入方法優勢在于：可以充分利用車輛的特征信息進行拓撲發現，提高網絡連通度并減少通信的斷鏈；計算簡單、速度快、占用資源較少，能夠對動態性較強的車輛節點變化做出快速的反應；建立拓撲的節點度分布，節點中心性較為平均，可以適應快速變化的動態網絡，并且不依賴少數中心節點，提高網絡的穩健性；鏈路數量適中，所建立的網絡冗余度較低。但是，目前圖嵌入研究對動態性較高的網絡研究較少，并且建立網絡關系時往往在較大范圍內進行檢索優化，不適用于有明顯相對位置關系且相關節點較少的車輛網絡環境，會耗費大量無意義的計算資源，因此需要對其架構和優化方法做出相應的改進。

在車聯網方面，文獻[12]將圖嵌入方法應用于車聯網領域，使用原始圖嵌入方法結合聚類方法對車輛的軌跡進行聚類，實現車輛的分類處理。文獻[13]利用車輛軌跡信息結合圖嵌入技術，開發了一種車輛軌跡識別模型，可以學習并識別出受攻擊的異常車輛軌跡。文獻[14]提出了基于虛擬網絡的圖嵌入方法，用于優化城市網絡中車輛節點的資源利用率，減少平均等待時間。綜上，目前圖嵌入及車聯網的研究內容十分廣泛，構建合適的圖嵌入技術可以充分利用車輛節點的特征信息，有效指導網絡的構建，但是目前圖嵌入技術在車聯網場景的適配研究較少，也少有適用于真實場景下的網絡拓撲發現研究，使網絡拓撲的構建不夠合理有效。

本文針對真實車聯網應用場景，提出了范圍標簽圖嵌入（LRGE,label-range graph embedding）方法，改進現有圖嵌入方法，結合目標車輛與其相關范圍內的車輛特征，并且充分利用其特征標簽進行網絡的控制。所提方法更好地利用車輛的動態特征和車聯網場景特性，實現車聯網拓撲在連通性和穩健性上的提升。

本文的主要工作如下。

1) 建立車輛網絡模型，將路段進行劃分。處理車輛特征信息獲得低維特征向量，利用駕駛員輔助系統獲得車輛歷史信息，并對信息進行預處理，進而推斷駕駛員的駕駛風格，得到車輛低維特征向量，對新加入網絡的車輛進行節點冷啟動處理。

2) 提出LRGE 方法控制車聯網拓撲。LRGE 方法改進圖嵌入隨機游走方式，以適應車聯網的應用場景，并且改進圖嵌入模型，融合特征向量與車輛標簽信息，使車輛特征聚合更準確高效，更好地利用車輛特征。

3) 使用平坦衰落復合信道模型，結合真實道路數據集進行實際效果的測試，仿真表明，本文所提方法構建的車聯網拓撲在連通性和穩健性方面具有一定的優越性。

1 圖嵌入車輛網絡模型

針對圖嵌入技術在車聯網環境下的應用，本文提出的車輛網絡模型架構如圖1 所示。

圖1 車輛網絡模型架構

路側單元（RSU,road side unit）是部署在路邊與車載單元（OBU,on board unit）進行通信識別的裝置，RSU 與其范圍下的OBU 可以進行計算緩存的配合[15]，由于整個車輛網絡十分復雜，在道路邊緣部署一系列RSU，然后根據RSU 分割路段，每一段道路都構成一個網絡。同一網絡內的車輛節點通過RSU 根據圖嵌入方法統一計算的網絡進行連接，網絡拓撲直接分發到下屬的OBU，車輛按照分發的網絡拓撲進行信息的交互以及通信、計算資源的分配。而處于不同RSU 范圍的車輛則通過RSU之間質量更高的有線網絡進行信息交互，這種方式可能會存在比車輛之間交互更大的時延，但是只要網絡的整體覆蓋范圍較大且網絡切換位置根據道路狀況合理設置，再加入網絡節點的冷啟動機制，就可以較大限度地減少這一交互方式的影響。將網絡分割處理，可以更好地優化每個子網絡的性能，使整體性能得到提升。

確定車輛網絡模型后，需要使用圖嵌入技術控制網絡拓撲。基于圖嵌入的車聯網自組織流程如圖2所示。首先，獲取節點的低維特征向量。利用高級駕駛員輔助系統（ADAS,advanced driver assistance system）[16]（至少包含全球導航衛星系統、加速度計、陀螺儀等）可以在每個車輛節點獨立地獲取連續車輛信息，再對車輛初始信息做出一定程度的預處理和推斷，可以得出對應車輛的低維特征向量，特征向量結合車輛的歷史信息和目前的狀態信息。然后，根據特征向量進行節點間的隨機游走。按照一定隨機游走方式進行多次多步隨機游走，確定候選的網絡連接方式。最后，根據要求和場景確定的優化框架對網絡拓撲進行篩選，計算得出最優的拓撲，并進行動態更新，實現動態的車聯網拓撲控制。

圖2 基于圖嵌入的車聯網自組織流程

根據上述流程，在劃分網絡后，為了獲得車輛的低維特征向量，首先需要得到目標網絡范圍內的車輛信息并對其進行預處理。

2 車輛信息處理及低維特征向量獲取

本節將敘述如何對獲取到的車輛信息進行合適的預處理，得到可以充分反映車輛特征的低維特征向量。

2.1 車輛初始特征獲取

隨著ADAS 的發展，產生了大量的車輛、路況以及駕駛員信息，利用這些信息可以判斷駕駛員的駕駛特征、研究車輛行為，進而輔助網絡拓撲的控制。

本文使用ADAS 獲取車輛的初始特征。由于特征信息是無關網絡切換連續獲取的，故每輛車在進入新的網絡時都具有一定的初始信息，根據車輛的特征信息構建特征向量，形成歸一化的駕駛風格數值，再與經過處理的車輛位置、車輛速度等合并為低維駕駛特征向量，為圖嵌入的應用提供數據支撐。

本文將動態圖G表示為一個無向無權圖，Gt={Vt,Et}，其中，表示車輛節點，表示車輛之間的連邊，t表示對應時間的靜態快照，Vt和Et都可以用動態變化的矩陣來表示。

通過ADAS 可以獲取目標路段車輛的歷史信息，對這些信息進行處理可以獲得初始的車輛低維特征向量。本文用七維向量表示車輛特征，分別是車輛ID、車輛目前的經度和緯度、車輛橫向搖擺特征、車輛近期縱向速度均值、加速度均值以及駕駛員駕駛風格指數（DSI,driving style index）。其中，車輛ID 由RSU 定義，車輛目前經度和緯度可以通過全球導航衛星系統直接獲取，近期縱向速度均值和加速度均值也可根據歷史序列數據獲得。下面將詳細描述車輛橫向搖擺特征和DSI 的獲取方法。

車輛橫向搖擺特征旨在反映駕駛員對于超車的嘗試行為，這一行為可以通過車輛橫向速度信息推斷，橫向速度在短時間內變化幅度越大、越頻繁，說明相應車輛的駕駛員越偏向于超車駕駛，即越易于擺脫當前的車輛集群。將一定時間段的橫向速度進行傅里葉變換處理，獲取其功率譜密度，然后對其進行振幅求和，獲取的數值即可以作為反映車輛橫向移動幅度和頻率的車輛橫向搖擺特征。

為了獲取駕駛風格指數，本文使用模糊推理方法預測不同駕駛員的駕駛風格，這種方法有助于將駕駛員的意圖與車輛的特征信息聯系起來，并提供了一種適當的方式來表達駕駛行為的不確定性[16]。首先，將獲得的車輛近期絕對速度值、加速度均值以及車輛橫向搖擺特征以區域內最大值作為基準進行歸一化處理，這樣處理是為了得到駕駛員之間的相對屬性而不受具體路況影響。然后，使用模糊語言變量描述3 種屬性的程度，分別為(慢速,中速,高速)、(減速,勻速,加速)、(跟車,搖擺,變道)，而輸出的駕駛風格的語言變量為(保守,平均,激進)，并根據駕駛風格推斷的模糊邏輯為它們賦予合適的高斯型、三角型、Z 型、S 型的隸屬度函數。再根據4 種屬性的邏輯關系設計合適的模糊推理規則。例如，絕對速度為中速、加速度均值為加速、搖擺特征為變道，可以推理為駕駛風格為激進，依次類推，確定27 條對應的模糊規則。采用Mamdani 模糊系統建模方式，以最大隸屬度法進行反模糊化，得到[0,1]之間的模糊推理輸出。這一輸出即根據駕駛特征推理而得的DSI，越偏向1 說明駕駛風格越激進，反之則越保守。

相關時間內的車輛行駛信息經過上述處理，合并處理后的數據，即可獲得車輛節點對應的低維特征向量。

2.2 新加入車輛節點冷啟動

針對新加入網絡區域的車輛節點，由于其剛駛入新的RSU 范圍內，在網絡中還未與其他節點建立過連接，故需要對其進行冷啟動處理，使其更快地與原有車輛建立合理的連接，以免在切換并加入網絡時產生斷鏈，進而導致整個網絡連通度下降。故本文對于新加入車輛提出了一種基于范圍的冷啟動方法，如式(1)所示

其中，α為介于[0,1]的超參數，用于確定特征向量修正的程度；n為納入考慮的周邊車輛數目；和分別代表新加入目標車輛與原網絡中的參考車輛的特征向量。

根據式(1)，參照與目標車輛加入區域距離最近的數輛車，對新加入車輛進行重點范圍的加權修正，更新得到新的特征向量，使修正后的新加入車輛節點特征更接近其駛入區域的特征，可以更快地與其他車輛節點建立穩定連接。

3 LRGE 方法

使用傅里葉變換、模糊推理、冷啟動方法獲得合適的車輛特征向量后，即可在目標區域構建合適的網絡拓撲。不同于傳統的路由方法以及網絡構建方法，本文提出了LRGE 方法來進行網絡的拓撲控制。

3.1 隨機游走模型

首先，需要對每一個車輛節點進行隨機游走，根據應用環境，對Node2Vec[17]隨機游走方式進行改進，此方法結合廣度優先搜索與深度優先搜索，用2 個超參數進行控制，對目標節點鄰近的節點進行隨機游走，以確定網絡拓撲。但是LRGE 方法根據車聯網環境，為了擴展網絡的連接范圍，相較于原始方法并不會對前向節點進行游走。LRGE 隨機游走方式如圖3 所示，v表示目前游走節點，u表示上一步游走的節點，x表示目標節點周圍的節點。

圖3 LRGE 隨機游走方式

對于圖3 中隨機游走路徑的選擇，需要預先計算一個轉移概率矩陣。t時刻當前游走車輛的未歸一化轉移概率矩陣元素αij(t,x)為

按照所有相對概率之和確定歸一化轉移概率矩陣，該矩陣分配隨機游動中的轉移概率，基于2個超參數p和q進行隨機游走。由于車載自組織網絡的高度動態性以及新加入車輛的獨立性，并且對車輛間通信造成最大干擾的并不是跳數，而是車輛的互相遮擋，故本文不選擇Node2Vec 常規采用的最小路徑長度，而選擇距離范圍來進行網絡的游走，需要控制游動盡量得到深度的隨機游走，故應設置較大的p值和較小的q值，并且去除前向節點的隨機游走路線，由此得到了LRGE 的隨機游走模型。此時dvx不再是最短路徑長度而是相對目標節點不同的歐氏距離范圍分級，0 表示節點為先前游動節點或范圍外節點，1 表示最近范圍節點，2 表示稍遠范圍節點。

3.2 圖嵌入優化框架

確定隨機游走方式之后，需要對隨機游走產生的結果進行進一步的篩選，圖嵌入方法廣泛采用Skip-Gram[18]方式，通過給定的輸入詞向量來預測其上下文，但是這種方式比較單一，無法充分利用其中比較具有特質的信息，故針對車聯網應用環境，本文對傳統框架進行改進，提出了LRGE 體系架構，可以充分利用相關車輛信息進行連接的確定，如圖4 所示。

圖4 LRGE 體系架構

圖4左側表示目標車輛特征v0與附近的車輛加權進行冷啟動的向量修正過程，右側c0表示目標車輛的駕駛風格標簽，框架融合車輛的標簽信息和內容信息，在給定輸入后預測車輛的連接鄰居，以輔助隨機游走的最終優化目標選取。

根據上述優化思路，為了獲取合理的網絡拓撲結構，在預測連接方式時，需要最小化以下函數

其中，是隨機游走產生的連接車輛的特征向量，和是目標車輛本身的特征向量與駕駛風格標簽，l是范圍內的目標車輛數量。其目的是根據隨機游走的車輛特征向量進行最終連接的優化，在優化最終車輛鄰接矩陣時，需要同時考慮整個網絡中所有車輛對應的連接優劣，使最終產生連接的節點具有更相似的性質。由獨立性假設，則概率為

根據圖4 思路結合車聯網的應用場景，LRGE方法定義的計算方法如下

對于條件概率的定義，使用soft-max 方式進行計算，即由于車輛行駛速度、加減速等數值存在負數，用指數函數來避免出現負值，LRGE 方法需要利用車輛的特征向量信息，并且很大程度地使用駕駛員駕駛風格指數作為加權，式(5)融合了標簽信息和內容信息，使隨機游走的構建更具合理性，當車輛駕駛員之間的駕駛風格相似、車輛節點特征相近時，這樣的節點可以更大概率被選擇連接。綜合考慮整個網絡的屬性，這種方式結合上述游走方法可以更好地達到駕駛風格聚類的效果，例如，后方駕駛速度較快的車輛，會更加傾向與前方車輛形成連接鏈路，駕駛風格相近的兩輛車可以建立更長時間且更加穩定的連接。

根據生成的多條隨機游走路線，以式(3)中函數優化根據車輛特征篩選出最為合理的網絡連接方法，建立最終的網絡拓撲，可以在較少的鏈路數量和較低的節點度情況下，實現車聯網拓撲較好的連通性和穩健性，并且以圖嵌入方式建立的網絡的節點中心性分布也較為平均，不會出現過高的節點度和對網絡影響較大的核心節點，這樣在通信條件差、節點動態性強且較不穩定的車聯網應用場景下，有很大的優勢。

動態圖本質上是進化的，如果只根據極大似然法進行單純的一次隨機游走，由于沒有考慮到整體的最優，可能會導致不合適的連接，對網絡造成很大的壓力，因此應該在綜合考慮車輛歷史圖信息的前提下，對網絡整體進行優化，在有限次的游走中取得其嵌入的最優值，然后根據時間戳所對應的快照進行實時更新，優化網絡鄰接矩陣，實現動態的圖嵌入網絡拓撲控制。

4 性能測試與分析

本節將對建立的車聯網拓撲進行性能分析。本文使用真實道路數據集，選定合適的無線信道模型，使用4 種方法與所提方法進行對比分析。

4.1 道路及信道仿真

本文采用NGSIM（next generation simulation）數據集中I-80 車輛數據集進行仿真，此數據集為I-80 高速公路上所測得的真實車輛數據集，此路段包含6 條高速公路車道（其中一條為高乘載車道）和一條匯入的斜坡彎道。實驗使用MATLAB 環境進行仿真。

為了模仿真實路況的通信環境，本文采用平坦衰落復合信道模型，包括路徑損耗、陰影衰落與多徑衰落[19]。考慮到陰影衰落與路徑損耗的對數正態陰影模型為

根據式(7)，結合多徑衰落得到兩車之間的接收信噪比r為

其中，PT為發射端信號功率；為加性白高斯噪聲的方差；K為信道平均衰減特性；α為衰減因子；dij為相連兩車的距離；s=100.1X表示陰影衰落，X為均值為 0、方差為的正態隨機變量；h=X1+jX2表示多徑衰落，X1和X2為均值為0、方差為的正態隨機變量。根據文獻[19-21]對于無線信道的研究，結合車聯網的較差的通信環境，本文設置仿真參數如表1 所示。當接收端信噪比小于3 dB 時，認為通信發生了中斷。

表1 仿真參數

4.2 網絡拓撲性能對比

本文分別使用隨機網絡、動態生長（DN,dynamic growth）方法[22]、深度游走（DeepWalk）圖嵌入[23]以及改進的Node2Vec 圖嵌入4 種方法構建網絡拓撲，并與所提出的LRGE 方法進行性能對比，對比數據采用目標范圍內（約100 米車輛密集路段）400 幀圖快照處理結果的平均值。

4.2.1 網絡合理性分析

平均連邊數目衡量了網絡的冗余程度，擁有較大的連邊數目的網絡冗余過于嚴重，所產生的網絡會產生過多的能耗，過高的連邊數產生的較大節點度會使車輛天線難以正常通信。斷鏈概率反映了節點之間建立連接的合理性，較合理的網絡拓撲對應著較低的斷鏈概率，斷鏈概率高也會造成嚴重的通信中斷，進而影響整個網絡的性能。平均跳數是網絡中可達節點之間的平均路徑長度。仿真結果如表2 所示。

表2 仿真結果

由表2 結果可知，DeepWalk 方法由于游走方式更加隨機，游走范圍相較于另2 種圖嵌入方法更加寬泛，導致篩選出的鏈路過多，網絡連邊太多，耗費了大量的通信資源，且對實際車輛性能要求過高。隨機網絡雖然具有較少的連邊數目，但是在拓撲發現的過程中，由于方式完全隨機，不合理的鏈路較多，導致其斷鏈概率極高，難以實際應用。DN 方法采用傾向無標度網絡的構造方法，連接更傾向于度數高的節點，過于依賴少數中心節點，使斷鏈概率也較高。DeepWalk 次之，Node2Vec 與 LRGE 斷鏈概率最小，可以看出LRGE 方法所構建的網絡最合理，具有較低的斷鏈概率，連邊數目適中，目標車輛平均與3 輛車建立聯系，網絡的冗余度低、穩健性好。5 種方法的車輛之間平均3 跳可達較為合理，但DN 方法在測試條件下，由于其網絡在運行的過程中有明顯的多個連通片，不可達節點多，故雖然路徑較短但參考意義不大。

不同通信條件下，即不同無線信道模型的信道平均衰減特性下，斷鏈概率如圖5 所示。

從圖5 中可以看出，衰減因子越大，通信條件越好，隨著信道條件改善，斷鏈概率也逐漸降低。Node2Vec 和LRGE 的圖嵌入方法可以構建更切實可行的網絡，由于DeepWalk 方法連邊冗余過高，本文不做比較，本文對DN 方法及2 種圖嵌入方法的目標性能進行重點比較，而隨機網絡的相關數值僅作趨勢參考，實際意義不大。

圖5 不同通信條件下斷鏈概率

4.2.2 網絡連通性及穩健性分析

車聯網構建的主要目標屬性為網絡的連通性以及穩健性[22]，這2 種屬性可以由連通概率、節點重要性分布、割點占比反映。其中，車輛的平均連通概率越高，說明目標車輛之間連通性高，網絡連通性好。節點重要性分布越平均，各個節點之間重要性差別越小，即不存在相對中心的節點，說明網絡較為平坦，不會因為少數車輛節點的波動或丟失而受到較大的影響，網絡的穩健性較為優秀。割點是刪除后網絡連通片變多的節點，割點占比越低，網絡中消失節點越不容易造成網絡連通性降低，因此網絡的連通性和穩健性都更加有優勢。仿真結果如表3 所示。

表3 主要目標屬性對比

表2 中屬性Node2Vec 與LRGE 方法基本持平，表3 中屬性即重點提升的目標屬性。由表3 中數據可知，DN 方法連通概率較低，而LRGE 方法在此通信條件下在大多數時間快照連通概率較高且形成的連通片較少，平均每個車輛節點可以與大多數車輛連通，結合RSU 通信可以實現較好的網絡連通效果，并且效果優于Node2Vec 與DN 方法，網絡連通性最優。

節點重要性分布使用節點PageRank 值的標準差衡量。本文方法的網絡重要性分布更為平坦，DN 方法構造無標度網絡，節點之間度差異最大，數據表明通過圖嵌入方法構建的網絡，不會出現度數和網絡位置較為核心的節點，這一優勢使車聯網動態環境下，每輛車的通信負載不會過高，并且網絡不會因為單個或少數車輛節點的移出或異常而產生較大波動，網絡更具有穩健性。相反，DN 方法由于大多數連接集中在少數節點上，如果核心節點駛離網絡，會造成較大范圍的不良影響。LRGE 方法割點占比也明顯低于另3 種方式，說明其構造的網絡更加穩健、連通性更可靠。

由此可見，本文所提方法構建的網絡拓撲性能較好，在連通性、穩健性上都具有良好的表現，結合圖嵌入方法計算簡單、速度快的特點，應用歷史圖數據的情況下，可以在網絡快照上進行實時動態更新，網絡的動態性也較好。為了進一步衡量網絡性能，變更通信條件進行測試，得到主要目標屬性效果如圖6～圖8 所示。

從圖6 可以看出，在一般通信條件下，2 種圖嵌入方法，特別是LRGE 方法連通概率較大，能夠在通信條件較差的情況下保持良好的連接，DN 方法和隨機網絡在大部分正常情況下網絡連通度較差且測試時波動較大，只有在通信條件極好的情況下連通性較好，這是因為兩者斷鏈概率較高，信道條件較好時連邊數量大幅增加，但這會導致冗余的連接，車輛節點負載重。從圖7 可以看出，節點的重要性分布依然有一定差距，隨著斷鏈概率降低，網絡也更難因為車輛位置差異產生核心節點，但是與隨機網絡對比，2 種圖嵌入方法所形成的網絡平坦程度都比較理想，在Node2Vec 方法趨于平穩后，LRGE 方法依然持續下降，并且2 種圖嵌入方法即使在斷鏈較多的情況下，也沒有形成差異大的核心節點。從圖8 可以看出，割點占比差距較為明顯，隨著通信條件改善，LRGE 方法的割點占比始終低于對比方法。

圖6 不同通信條件下的連通概率

圖7 不同通信條件下節點的重要性分布

圖8 不同通信條件下的平均割點占比

由以上仿真可知，在不同通信條件下LRGE 在主要目標屬性上具有一定優勢，效果較為穩定，優于對比方法，網絡的連通性、穩健性較好。

5 結束語

由于車聯網具有高移動性和復雜性，并且通信條件較差，網絡拓撲控制較為困難，為了使網絡動態快速構建，本文將圖嵌入方法引入車聯網應用環境并且對其進行適配改進。首先，將路段劃分，通過駕駛員輔助系統獲取并處理目標車輛信息，使用模糊推理方法得出駕駛員的駕駛風格指數，將原始車輛信息轉化為低維特征向量，并對新加入節點進行基于范圍的冷啟動處理；其次，提出LRGE 方法，改進隨機游走方式，在優化框架中利用駕駛風格指數作為標簽信息，構建對應的優化函數；最后，在連續網絡快照中判斷路段目標范圍內的車輛連接，確定動態變化的車輛鄰接矩陣，實現網絡拓撲的動態控制。經過NGSIM 真實車輛數據集上的仿真測試，可以得知，本文所提圖嵌入方法構建的車聯網拓撲具有良好的動態性、連通性以及穩健性。