基于停放車輛路邊單元環境感知的車聯網資源高效分配

秦鵬，和昊婷，趙雄文，伏陽，張鈺，王淼，王碩，武雪

（1.華北電力大學新能源電力系統國家重點實驗室，北京 102206；2.華北電力大學河北省電力物聯網技術重點實驗室，河北 保定 071003）

0 引言

隨著邊緣計算和車聯網技術的發展，為滿足用戶對實時交通狀況、周邊環境信息、在線車載娛樂等時延敏感和計算密集任務處理的需求，需要不斷增加路邊單元（RSU,road side unit）建設。高昂的安裝和維護成本使密集布設RUS 非常困難[1]。文獻[2]提出使用停放在城市區域的車輛充當RSU，使其成為RSU的有效替代，因為車輛本身具有存儲、計算與通信能力，可以提前從數據中心對信息進行緩存并分發。由于停放在城市區域路邊的車輛在相對較長時間內有固定的位置，且與車輛用戶距離較近，因此對依賴地理位置的應用十分有利[3]。停放車輛能夠自組織地在城市區域創建一個車輛支撐網絡，取代或增強現有的路邊單元設施[4]，給系統提供更好的服務[5-6]。停放車輛路邊單元（PCRSU,parked car road side unit）的選擇對系統服務質量影響很大，如果招募的停放車輛各方面性能較差，將導致不能給車輛用戶提供滿意的服務，同時造成系統資源浪費。文獻[2]提出一種判斷在城市區域停放的車輛能否成為RSU的決策方法，但并未考慮停放車輛去留對網絡結構的影響。文獻[7]提出的停車流量模式具有可預測性，并且與興趣點（PoI,point of interest）區域類型存在關聯。文獻[8]提出一種停車類型估計策略，使研究車輛的停放時間成為可能。

由于車聯網中車輛用戶通常在高速運動，并且系統需要傳遞車輛自身運行所必需的狀態信息（如速度）、輔助車輛行駛的信息（如導航地圖）、車輛用戶需要的娛樂信息等多類服務信息，這些信息大多是時延敏感型業務，因此信息的傳輸時延是車聯網系統需要解決的重要問題。為縮短信息的需求響應時延，可以從內容緩存和分發兩方面進行優化。在內容緩存方面，為了避免用戶車輛進入某個PCRSU 通信范圍后再發出任務請求，縮短長距離通信造成的響應時延，可以提前感知用戶的需求，將用戶可能感興趣的內容緩存到PCRSU 內，當車輛用戶途經時直接推送其所需內容。由于PCRSU的資源有限，因此需要刪除和更新緩存的推薦內容，進而釋放存儲資源。文獻[9]提出了根據車輛位置的推薦方法。文獻[10]考慮將用戶的喜好度與PoI 區域類型[11]關聯。文獻[12]增加時空關系來提高個性化PoI 推薦性能。借鑒以上文獻的研究思路，本文通過統籌考慮PoI 區域類型和用戶歷史搜索兩類要素，對車聯網系統中用戶需要的內容進行精準推薦。在內容分發方面，PCRSU 要同時服務多個車輛用戶，車輛用戶請求的內容不同會造成各任務傳輸所需時間的差異。若對每一個車輛用戶都分配等量的帶寬，則會造成部分傳輸內容較少的車輛用戶傳輸完成后帶寬處于持續空閑的狀態，而其他車輛用戶無法完成傳輸任務。因此，有必要對網絡資源進行合理分配，以保證傳輸的高效[13-16]。文獻[17]研究了負載耦合多小區網絡的和功率最小化與總和率最大化問題。文獻[18]對車聯網系統進行聯合帶寬優化分配。但以上方法均未將系統整體任務結束時間作為優化目標。

針對上述挑戰，本文提出了一種基于停放車輛的資源高效分配算法。首先，對停放車輛進行招募，使用停放時間作為判決要素，選擇評分最高的車輛作為PCRSU。其次，為了降低系統需求響應時延，本文在內容緩存和分發方面分別進行優化。在信息緩存方面，PCRSU 對未來經過其通信范圍的車輛用戶進行基于PoI 區域類型和用戶歷史搜索兩類要素的內容感知推薦。在內容分發方面，對PCRSU需要服務的用戶按需分配帶寬資源，本文采用拉格朗日乘子法對該問題求解，使系統傳輸數據所需總時間最短。本文主要創新點如下。

1) 統籌考慮PCRSU的招募和需求響應時延問題，設計了基于停放車輛的環境感知資源分配模型，模型將車輛類型與城市地圖進行劃分。其中，車輛被分為候選停放車輛、PCRSU和用戶車輛三類；城市地圖則根據不同特征被劃分為不同類型的PoI區域。本文提出新的PCRSU 判決標準，對PCRSU進行招募，并在傳輸內容的獲取和分發方面分別設計算法降低需求響應時延。

2) 由于模型涉及PCRSU 招募、需求響應時延約束、用戶精準推送、帶寬資源分配等多類要素，各要素間耦合度高，因此，本文將上述問題分為三部分進行求解。首先，將城市地圖劃分為不同類型的PoI 區域，將每個區域的車輛停放時間創新性地加入PCRSU 招募的判決標準中。其次，在信息緩存方面，將PoI區域類型和用戶歷史搜索2個因素用于PCRSU車聯網推薦系統，預測用戶可能感興趣的信息，提前將其緩存至PCRSU。最后，在信息分發方面，在系統整體資源受限的情況下，通過感知用戶需要傳輸的數據量，有效降低數據總體分發時延。

3) 通過大量的仿真實驗，在PCRSU的選擇、車輛用戶的精準推薦、PCRSU 帶寬的合理分配方面，與固定位置的零切換方法、不考慮停放時間的選取方法、基于PoI 區域類型推薦方法、平均帶寬分配算法等多類已有方法進行比較。結果證明，所提算法能更合理地選擇PCRSU，提高系統推薦內容的精確性，在保證QoS的同時有效降低需求響應時延，整體性能更優。

1 系統模型

1.1 通信模型

本文考慮城市場景，使用自由空間衰落模型，系統模型如圖1(a)所示。

圖1 系統模型與內容推薦機制

將城市區域內車輛分為三類：候選停放車輛Pz,z∈ [1,Z]，被選為PCRSU的停放車輛Pc以及該停放車輛Pc通信范圍內需要服務的車輛用戶Ui,i∈ [1,N]。城市道路長度存在差異，為方便量化，本文將城市道路劃分為具有相同路邊停車位的O段路段，并根據車輛到訪次數將地圖劃分為K個不同類型的PoI 區域類型塊，每個PoI 區域有在該區域類型下經常被訪問的內容。本文采用時隙模型，將總時間劃分為Φ個離散區間。考慮到PCRSU的覆蓋范圍和車輛用戶的行駛速度，假設每個時隙內Ui與PCRSU 之間的信道條件保持不變，時隙之間發生改變。φ時隙Pc與Ui的距離為PCRSU的總帶寬為B，最大發射功率為Pmax，Pc分配給Ui的傳輸功率為Pi。則Pc與Ui間的信道功率增益為

其中，β0為參考距離1 m 處的信道功率增益，α為路徑損耗指數。

Ui與Pc之間的信噪比為

其中，n0為噪聲功率。

Ui被分配到的帶寬為

Pc對其通信范圍內車輛用戶傳輸總數據量D=[D1,D2,…,Di,…,DN]所需的傳輸時間ti為

1.2 車輛停放模型

在基于PCRSU的車聯網中，PCRSU的去留對系統穩定性影響較大。為了招募到合適的PCRSU，本文采用無量綱分析的方法，通過加權產品模型（WPM,weighted product model）對候選停放車輛進行評分。評分由每個判決要素的屬性相乘決定，每個屬性的權重以其乘冪的形式存在。對每個屬性進行歸一化處理，消除度量單位。Pz的得分可表示為

其中，得分由Q種屬性構成為屬性歸一化后的數值，Wq為屬性的加權系數。

本文考慮使用信號強度、信號飽和度、覆蓋范圍、車輛剩余電量和停放時間5 個屬性對停放車輛進行選擇。停放車輛可以收集周圍的接收信號強度指示（RSSI,received signal strength indicator）strz，同時對城市區域的蜂窩劃分，將蜂窩邊界對齊到GPS 坐標[2]。本文將接收到的信號強度分為等級1～5，構建覆蓋地圖，通過遍歷地圖單元收集RSSI，獲得停放車輛信號強度、信號飽和度和覆蓋范圍。信號強度為遍歷Pz所有覆蓋方案sz的平均信號強度，因此需將接收到的每個單元覆蓋信號強度取平均值。信號飽和度反映了PCRSU 覆蓋的重疊情況。飽和度的值為每個單元覆蓋的PCRSU 數量的平均值，平均飽和度范圍為[1,∞]。信號覆蓋范圍定義為該PCRSU 所覆蓋的單元數量占地圖總覆蓋sm的比值。車輛剩余電量由每輛停放車輛自行上傳，剩余電量需要大于停放車輛后續可以運行的最小電量才能被選為PCRSU。停放時間受到周圍PoI 區域類型的影響，停放時間將決定停放車輛能否長時間為車輛用戶進行服務，以及是否需要頻繁切換PCRSU。將決策分數寫為對數形式，可表示為

1.3 內容推薦模型

在車聯網系統中，每個車輛都會由于車主的習慣和興趣形成不同的軌跡和搜索歷史。研究車輛的興趣需要掌握車主的歷史信息，并使用社交大數據進行分析。本文通過對導航軟件和社交軟件大數據的挖掘，從內容選擇相似度的角度獲得車聯網用戶感興趣的內容。實際上，由于車聯網用戶的內容偏好變化緩慢，不需要實時收集和處理社交大數據，因此社交大數據可以通過離線的方式進行收集和分析。

數據采集與預處理。本文從1 000 名活躍用戶中檢索出數十萬條內容，包含用戶的歷史簽到數據、用戶ID、地理位置、時間以及用戶好友關系。用戶經常轉發自己喜歡的內容，通過鏈接可以提取用戶感興趣的內容，其中包含內容標題、所屬類別和相關視頻等內容。在采集到數據之后，本文對數據進行預處理，刪除使用信息較少的用戶，提高預測準確度。

PCRSU 緩存內容涉及兩方面，一是用戶歷史搜索推薦的內容，二是PCRSU 所在的PoI 區域類型推薦的內容。車輛用戶以平均速度v通過PCRSU的覆蓋范圍，內容推薦機制如圖1(b)所示。

對于用戶歷史搜索推薦的內容，本文通過聚合相似用戶的行為，為Ui進行推薦。Ui歷史搜索和可能感興趣內容的Pearson 相似度為[19]

對于PoI 區域類型推薦的內容，本文通過上傳停放車輛的地理位置到數據中心，從數據中心提前緩存該PoI 區域類型下車輛用戶搜索最多的內容。

上述2 個因素都會影響最終推薦的結果，Ui在第k類PoI 區域使用的推薦方法REi可表示為

本文綜合上述2 種推薦方式，生成車輛用戶推薦列表，選擇列表內的前m個內容向車輛用戶推薦，使用查全率（Precision）、查準率（Recall）和系統整體評價因子F值3 個指標對系統推薦效果進行衡量。

其中，A(i)表示預測的推薦內容數量，B(i)表示系統中用戶總的感興趣的推薦內容數量。式(10)體現了推薦系統的準確性，即推薦內容中用戶感興趣的內容占總推薦內容的比例，其值越高，推薦越準確。式(11)體現了推薦系統的全面性，即推薦中用戶感興趣的內容與數據庫所有內容中用戶感興趣的內容的比值，其值越高，推薦內容覆蓋的用戶感興趣的內容類型越全面，推薦的內容越多樣化。但是查全率和查準率是相互矛盾的[20]，如果只推薦用戶感興趣的一類內容，推薦的準確度較高，但是覆蓋的類型較少，全面性差，所以推薦系統應該在二者之間尋找一個平衡點。式(12)使用系統整體評價因子F值對系統進行全面評價，F值越大，系統整體推薦效果越好。

由于PCRSU的內存有限，需要對緩存內容進行更新。但是若對緩存內容實時刪除，后續車輛用戶請求前一相同內容時仍需要重復緩存，這將增加網絡負擔。因此，本文考慮通過內容訪問次數和最近訪問時間2 個要素對緩存內容進行更新，定義內容更新權值為

每次車輛用戶向PCRSU 請求所需內容時，該內容的權值都會更新。根據更新權值對PCRSU 內的緩存內容進行排序，刪除權重較低的內容，從而釋放PCRSU 空間。

2 算法設計

由于本文模型中涉及PCRSU 招募、需求響應時延約束、用戶精準推送、帶寬資源分配等多類要素，各要素間耦合度高，因此將問題分為三部分進行求解。P1 提出將包括停放時間在內的多維要素作為判決要素，招募最合適的PCRSU。P2 基于PCRSU所在的PoI 區域類型和通信范圍的車輛用戶歷史搜索內容，對車輛用戶進行個性化的內容推薦。P3 對PCRSU 帶寬進行按需分配，在保證系統QoS的同時，最小化數據傳輸總時延。

2.1 停放車輛選擇

本節考慮PCRSU的選擇問題，目標是選擇評分最高的停放車輛作為PCRSU。問題描述如下。

其中，式(15)為約束條件，表示選中PCRSU的評分比其他候選停放車輛的評分高。

本文用距離影響因子do描述PoI 區域類型對第o段路段車輛停放時間的影響具體定義如下

本文首先基于車輛的行動軌跡和目的地分割城市地圖，得到出行目的地直方圖。同時根據車輛的歷史下客信息以及一些游客旅游的目的地對這些位置進行分簇，劃分出城市的k個PoI 區域類型。運用K-means 將訓練集中的路段與相應的區域特征進行聚類。然后，根據聚類結果，估計每個停放車輛的停放時間。最后，通過停放時間招募合適的PCRSU 。

停放車輛選擇算法具體如算法1 所示。

33) end for

算法1 對停放車輛進行評分，選擇分數最高的車輛作為PCRSU。首先，對變量進行初始化，將地圖區域進行蜂窩劃分（1)～2)行）。然后，遍歷地圖區域所有單元，根據接收到的信號強度構建Pz覆蓋地圖，確定信號強度、信號飽和度、覆蓋范圍和車輛電池電量（3)～14)行）。收集使用K-means 將距離向量分為Km簇（15)行）。獲取所有路段停車時長通過K 均值最小二乘法（KLS,K-means-based least square）進行聚類（16)～18)行），形成距離影響因子矩陣和停車時間矩陣（19)～20)行）。接著，根據停放車輛Pz的位置計算停放位置的距離沖擊向量（22)～24)行）。利用最小二乘法求出最佳系數集（25)行），估計車輛的停放時間（26)行）。最后，將車輛停放時間進行歸一化處理后計算得分（27)～28)行），判斷Pz是否能成為新的PCRSU（29)～33)行）。

2.2 個性化內容推薦

信息傳輸分為PCRSU 對用戶感興趣內容的獲取和從PCRSU 分發到車輛用戶2 個階段，本文分別從這兩方面對系統進行優化。在內容信息的獲取方面，通過感知用戶可能感興趣的信息，提前將其緩存至PCRSU，并在車輛用戶駛入通信范圍內時直接傳遞所需信息，可實現系統整體推薦效果最優。

本文將PoI 區域類型和用戶歷史搜索2 個因素應用于車聯網推薦系統。一部分推薦內容是基于車輛PoI 區域類型的推薦，PCRSU 將該PoI 區域最常被搜索的內容提前緩存。另一部分推薦內容是根據車輛用戶的歷史搜索的推薦。通過比較相似度，得到車輛用戶感興趣的內容DE=[DE1,DE2,…,DEi,…,DEN]。基于PCRSU的個性化內容推薦算法如算法2 所示。

算法2基于PCRSU的個性化內容推薦算法

輸入PCRSU的位置X=(x,y)，PCRSU 通信范圍Ls，車輛平均速度v，下一周期內將要進入PCRSU 通信范圍的車輛的歷史搜索數據

輸出DE=[DE1,DE2,…,DEi,…,DEN]，推薦系統Precision、Recall和F值

1) 收集數據集并訓練模型

2) 收集下一個周期內即將進入PCRSU 通信范圍的車輛歷史搜索信息

3) 通過相似度比較，尋找車輛用戶可能感興趣的服務內容

4) 收集PCRSU 所屬PoI 區域類型中被訪問次數最多的服務內容

5) 使用線性融合框架，將上述2 個要素產生的推薦內容排名列表整合為最終的推薦列表

6) PCRSU 提前緩存推薦列表內前m項內容

7) 在車輛用戶進入通信范圍內后推送緩存列表供用戶選擇

8) 根據用戶選擇，確定PCRSU 最終需要傳遞的內容DE=[DE1,DE2,…,DEi,…,DEN]，并向車輛用戶進行傳遞

9) 計算系統Precision、Recall和F值

10) 計算每個數據內容的更新權值，并對內容重新排序

11) 刪除更新權值較低的內容，釋放PCRSU內存

2.3 網絡資源分配

在內容分發階段，PCRSU 在資源有限的情況下，需要同時服務多個車輛用戶。本節通過感知車輛用戶需求對PCRSU 帶寬進行合理分配，目標是縮短傳輸信息給車輛用戶所需的整體時延。通過算法2 得到了傳輸給車輛用戶的數據為DE，設在一個PCRSU 通信范圍內能夠傳輸給車輛用戶的數據量為D=[D1,D2,…,Di,…,DN],D∈DE。由于最小化系統傳輸時間可以轉換為最大化系統傳輸速率，因此目標函數為

P2.1 為一個凸函數，約束式(18b)和式(18c)也是凸的，本文采用拉格朗日乘子法求解[17]。P2.1的拉格朗日函數為

當系統和速率最大，即時，解出d的唯一值，求得最佳的帶寬分配和功率分配如下。

當i≥ 2時，有

基于PCRSU的帶寬高效分配算法如算法3所示。

算法3基于PCRSU的帶寬高效分配算法

輸入車輛發射最大功率Pmax，該PCRSU 通信范圍內車輛用戶需要傳輸的數據量D=[D1,D2,…,Di,…,DN]，Pc的總帶 寬B，不同車輛用戶與PCRSU 之間的距離di，信道噪聲n0，PCRSU 通信范圍Ls，車輛平均速度v

11) end for

算法3 首先初始化并計算車輛信道增益（1)～3)行）。然后，計算N個車輛用戶在時隙φ的帶寬和功率最優分配方案（4)～10)行）。最后，按照算法分配的結果，對每個用戶進行數據傳輸。

最小化傳輸時間算法如算法4 所示。該算法可實時感知空閑資源，并將帶寬與功率再次分配給未完成傳輸的車輛用戶，直到全部用戶都完成數據傳輸。

算法4最小化傳輸時間算法

2.4 基于停放車輛環境感知的資源分配算法

根據算法1～算法4，本節給出基于PCRSU 環境感知的資源分配算法，如算法5 所示。

算法5基于PCRSU 環境感知的資源分配算法

輸入車輛位置X=(x,y)，PCRSU 通信范圍Ls，車輛平均速度v，下一周期內將要進入PCRSU通信范圍車輛的歷史搜索數據，車輛發射最大功率Pmax，系統的總帶寬B，信道噪聲n0

3 仿真分析

本文基于真實的北京市區地圖，使用道路交通仿真軟件 SUMO 進行仿真。本文使用NETCONVERT 從 OpenStreetMap 獲取描述道路數據的 XML 文件，并利用RANDOMTRIPS生成基于真實道路拓撲的虛擬車輛。仿真時間共500 s，時間步長為0.5 s。在每次仿真中，車輛的編號和實時坐標都存儲在一個 XML 文件中，供MATLAB 進一步分析使用。仿真參數設置如表1所示。

該場景中停放車輛都位于路邊停車點或停車場中。根據車輛停放的PoI 區域類型不同，本文選擇三類停放車輛進行仿真。備選車輛1 停放于路邊停車場內，備選車輛2 停放于學校附近的路邊停車點，備選車輛3 停放于地鐵站附近的臨時停車點。

3.1 停放車輛選擇

本文對每類車輛進行100 次重復實驗。根據文獻[2]，車載單元（OBU,on board unit）運行6.5 h的耗電量約為普通汽車電池電量的4.2%。因此，本文設置仿真時間為6 h，可以保證車輛作為PCRSU進行服務后有足夠的電量正常運行。停放時間權重對分數的影響如圖2 所示。

圖2 停放時間權重對分數的影響

從圖2 可以看出，隨著停放時間權重Wtim的增加，停放時間越長的車輛分數越高。當Wtim設置為0.2 時，備選車輛1的分數最高，會被選為PCRSU，繼續增加Wtim的比重，選擇結果不再改變。因此，本文將Wtim的值設置為0.2。

車輛停放時間與切換次數的關系如圖3 所示。隨著仿真時間的增加，PCRSU的切換次數整體都在不斷增加，這是因為停放車輛的離開對網絡整體結構造成影響，進而更換停放車輛作為PCRSU。從圖3可以看出，本文算法選擇的PCRSU（備選車輛1）停放時間更長，切換次數明顯少于的另外兩類停放時間較短停放車輛。

圖3 車輛停放時間與切換次數的關系

PCRSU 在切換過程中會帶來更多的誤碼率[21]，本文通過量化正確傳輸概率，分析車輛停放時間對正確傳輸概率的影響，與固定位置的零切換方法、不考慮停放時間和隨機選取PCRSU方法進行比較，結果如圖4 所示。從圖4 可以看出，隨著車輛停放時間增加，正確傳輸概率不斷下降。這是由于停放車輛不斷到達和離開，導致切換次數增加。在停放車輛集合動態變化的情況下，與不考慮停放時間和隨機選取PCRSU 方法相比，本文算法可以減少切換次數，增加正確傳輸概率，提升系統整體QoS。

圖4 車輛停放時間對正確傳輸概率的影響

3.2 個性化內容推薦

本節使用Java 進行仿真。所有數據來自微博和高德地圖，包含用戶的歷史簽到數據、用戶ID、地理位置、時間以及用戶好友關系。選用低精度數據集[19]，PoI 區域類型推薦比例ρ=0.1[22]。本文選擇與僅基于PoI 區域類型的推薦方法、僅基于用戶歷史搜索的推薦方法，以及隨機推薦的方法進行比較。

圖5～圖7 實驗中，設置車輛用戶數為20。推薦內容數量m與查準率關系如圖5 所示。從圖5 可以看出，隨著m的增加，查準率逐漸下降。這是由于推薦內容數量的增加速度要快于推薦中用戶感興趣內容的增加速度。但是本文算法性能總是最好的，特別是與基于PoI 區域類型的推薦方法相比，整體準確率提升了約50%。

圖5 推薦內容數量m 與查準率關系

推薦內容數量m與查全率關系如圖6 所示。隨著m的增加，系統的查全率上升。這是因為數據中心中用戶感興趣內容總數不變，隨著推薦內容數量的增加，推薦中用戶感興趣的內容數量增加，能推薦更多用戶感興趣的內容。本文算法由于統籌考慮兩類推薦因素，因此推薦效果好于其他只考慮了用戶歷史搜素或者PoI 區域類型的推薦方法。

圖6 推薦內容數量m 與查全率關系

推薦內容數量m與系統整體評價因子F值關系如圖7 所示。隨著推薦數量m的增加，本文算法的F變化最小，推薦效果基本穩定，且比其余算法的推薦效果更優。

圖7 推薦內容數量m 與系統整體評價因子F 值關系

查準率與車輛用戶數關系如圖8 所示。圖8與圖9 實驗中，固定推薦排名前10的內容給用戶，即m=10。隨著車輛用戶數的增加，各個推薦方法的推薦效果都呈現在中值附近波動的狀態。基于用戶歷史搜索的推薦方法由于沒有考慮車輛用戶的PoI 區域類型信息，因此準確度稍低于本文算法。基于PoI 區域類型的推薦方法由于只考慮了該位置下最常被用戶搜索的內容，沒有考慮用戶的差異性，準確度相較于其他2 種搜索方法更差。

圖8 查準率與車輛用戶數關系

查全率與車輛用戶數關系如圖9 所示。與圖8 類似，隨著車輛用戶數的增加，各推薦方法的推薦效果都呈現在中值附近穩定波動的狀態。然而，本文算法查全率效果最好。

圖9 查全率與車輛用戶數關系

3.3 帶寬資源分配

本節以一個PCRSU 需要服務周圍1～8 個車輛用戶為例進行仿真。Pc服務的所有用戶需要傳輸的數據量為D=[D1,D2,…,Di,…,DN]。本文選擇與平均帶寬分配方法、隨機帶寬分配方法以及最優分配方法進行比較。

車輛用戶數與傳輸時間關系如圖10 所示。隨著車輛用戶數的增加，傳輸時間不斷增加，本文算法與最優分配方法接近。同時，相較于其他帶寬分配方法，本文算法的傳輸時間大幅縮短。以車輛用戶數為8 為例，與平均帶寬分配方法相比，本文算法傳輸時間縮短約30%。

圖10 車輛用戶數與傳輸時間關系

傳輸數據量與傳輸時間關系如圖11 所示。隨著傳輸數據量的增加，傳輸時間不斷增加。相較于平均帶寬分配方法與隨機帶寬分配方法，本文算法能大幅縮短傳輸時間。

圖11 傳輸數據量與傳輸時間關系

4 結束語

本文提出了基于停放車輛環境感知的資源分配算法，由于涉及過多要素，將該問題分解為三部分求解。首先選擇合適的PCRSU，其次從內容緩存和分發2 個方面出發降低系統需求響應時延。從實驗結果可以看出，本文算法能選擇更合適的PCRSU，提高系統穩定性，增加正確傳輸概率。個性化推薦相較于其他方法有較高的準確率和全面性，網絡資源分配更合理，可有效降低數據傳輸時間。