基于群智感知技術(shù)的車(chē)聯(lián)網(wǎng)路徑優(yōu)化問(wèn)題研究?

萬(wàn) 辛 高圣翔

基于群智感知技術(shù)的車(chē)聯(lián)網(wǎng)路徑優(yōu)化問(wèn)題研究?

萬(wàn) 辛 高圣翔

（國(guó)家計(jì)算機(jī)網(wǎng)絡(luò)應(yīng)急技術(shù)處理協(xié)調(diào)中心 北京 100012）

無(wú)線網(wǎng)絡(luò)、云計(jì)算以及智能終端等研究推進(jìn)了車(chē)聯(lián)網(wǎng)（Internet Of Vehicle，IOV）應(yīng)用的發(fā)展，如在車(chē)輛防盜、定位、緊急救援等方面，而群智感知技術(shù)為車(chē)聯(lián)網(wǎng)的應(yīng)用提供了精確、實(shí)時(shí)的興趣數(shù)據(jù)，為解決路徑選擇提供了數(shù)據(jù)基礎(chǔ)。論文首先分析介紹了IOV的關(guān)鍵技術(shù)，并且回顧了傳統(tǒng)的用于解決路徑選擇的兩類(lèi)流量模型—車(chē)輛到基站（V2I，Vehicle To Infrastructure）以及車(chē)輛到車(chē)輛（Vehicle To Vehicle，V2V），論文引入了新的感知節(jié)點(diǎn)—人，利用基于人自身的群智感知數(shù)據(jù)，動(dòng)態(tài)地創(chuàng)建路由選擇過(guò)程，并通過(guò)試驗(yàn)對(duì)策略進(jìn)行驗(yàn)證，結(jié)論證明本策略在實(shí)驗(yàn)環(huán)境下降低實(shí)際交通過(guò)程中的擁塞問(wèn)題，最后提出了可靠性較高的交通預(yù)測(cè)。

車(chē)聯(lián)網(wǎng)；群智感知；動(dòng)態(tài)路由；擁塞

AbstractThe research of wireless network，cloud computing and intelligent terminal to promote the development of the appli?cation of Internet of Vehicle（IOV），such as in vehicle anti-theft，positioning，emergency rescue，however the application of the crowd sensing technology have provided accurate，interesting data in real time for IOV，which provides the basic data for the solu?tion the key technology of IOV is analyzed firstly and the traditional traffic models for two vehicles to solve the flow model of the Ve?hicle To Infrastructure（V2I）and vehicle to vehicle（V2V）are reviewed.a new perception node-person is also introduced，using crowd sourcing data based on their own，a dynamic routing process is created，and through the test the conclusion that the strategies to reduce the actual traffic congestion problem in the process of the experimental environment is validated，and finally the reliability high traffic forecast is put forward.

Key Wordsinternet of vehicle，crowd sensing，dynamic routing，traffic congestion

Class NumberTP393

1 引言

隨著無(wú)線網(wǎng)絡(luò)、云計(jì)算以及智能設(shè)備等關(guān)鍵技術(shù)的快速發(fā)展，物聯(lián)網(wǎng)的產(chǎn)業(yè)化使得車(chē)聯(lián)網(wǎng)（Inter?net Of Vehicle，IOV）進(jìn)入了一個(gè)新的研究階段，關(guān)于車(chē)聯(lián)網(wǎng)的研究涉及多個(gè)學(xué)科的交叉，包含汽車(chē)業(yè)、交通運(yùn)輸、信息通信技術(shù)。根據(jù)業(yè)界對(duì)車(chē)聯(lián)網(wǎng)的實(shí)際應(yīng)用分類(lèi)包含動(dòng)態(tài)車(chē)輛的移動(dòng)通信系統(tǒng)（車(chē)內(nèi)通信系統(tǒng)：如車(chē)輛—傳感器（Vehicle To Sensor，V2S）衍生出車(chē)輛到基礎(chǔ)設(shè)施（Vehicle To Infrastruc?ture，V2I）以及車(chē)輛到人個(gè)體（Vehicle To Human，V2H）等方式。而云計(jì)算技術(shù)已成為信息技術(shù)發(fā)展的關(guān)鍵基礎(chǔ)設(shè)施，在文獻(xiàn)［1］中作者提出了一種基于三層次的“Client Connection Cloud”云系統(tǒng)，系統(tǒng)中包含了客戶(hù)端、連接以及云服務(wù)；云計(jì)算技術(shù)助推IOV在物理系統(tǒng)組件方面得到了業(yè)界認(rèn)可，如帶有傳感器的車(chē)輛通過(guò)云與其他設(shè)備實(shí)現(xiàn)互訪（例如：監(jiān)測(cè)、致動(dòng)和導(dǎo)航），通過(guò)虛擬界面實(shí)現(xiàn)云上各類(lèi)設(shè)備的虛擬管理［2～3］，基于云計(jì)算的車(chē)聯(lián)網(wǎng)應(yīng)用可用來(lái)解決車(chē)輛運(yùn)輸更清潔、安全、高效，推進(jìn)清潔交通的快速發(fā)展。

移動(dòng)群智感知技術(shù)是基于群智感知技術(shù)的移動(dòng)性發(fā)展起來(lái)的，它是基于各類(lèi)移動(dòng)設(shè)備，如利用智能手機(jī)信息來(lái)解決車(chē)輛聯(lián)網(wǎng)過(guò)程中關(guān)鍵數(shù)據(jù)的采集過(guò)程，利用車(chē)輛通信，通過(guò)基站服務(wù)可以實(shí)時(shí)地確定在道路的狀態(tài)，并且，隨著車(chē)輛狀態(tài)一起將這些交通數(shù)據(jù)傳遞到云端，這又可以估算得出車(chē)輛的平均速度等信息。然而，當(dāng)前該類(lèi)應(yīng)用并未為交通做出實(shí)際的意義。

在本文中，作者提出以提高運(yùn)輸效率為目的，基于移動(dòng)群智感知技術(shù)（Mobile Crowd Sensing，MCS），利用云技術(shù)的高計(jì)算性能設(shè)計(jì)實(shí)現(xiàn)了用于估計(jì)和預(yù)測(cè)形成時(shí)間的優(yōu)化算法，實(shí)現(xiàn)了一種基于云的車(chē)聯(lián)網(wǎng)結(jié)構(gòu)（Cloud-Assisted to IOV，CAIV），并利用動(dòng)態(tài)路由選擇策略結(jié)合預(yù)測(cè)結(jié)果為駕駛員躲避交通堵塞的情況。該策略擯棄了傳統(tǒng)的數(shù)據(jù)采集手段，利用駕駛員或者同行人員的智能手機(jī)或者傳感設(shè)備構(gòu)建大規(guī)模傳感網(wǎng)絡(luò)應(yīng)用環(huán)境。

2 國(guó)內(nèi)外研究現(xiàn)狀

利用科技手段提升交通運(yùn)輸能力是車(chē)聯(lián)網(wǎng)應(yīng)用的初衷，當(dāng)前國(guó)內(nèi)外學(xué)者對(duì)于車(chē)聯(lián)網(wǎng)的研究主要集中于車(chē)聯(lián)數(shù)據(jù)的收集、預(yù)測(cè)模型的設(shè)計(jì)等關(guān)鍵研究熱點(diǎn)，本章節(jié)主要從以上幾點(diǎn)對(duì)相關(guān)國(guó)內(nèi)外研究現(xiàn)狀進(jìn)行分析。

1）數(shù)據(jù)采集技術(shù)

關(guān)于車(chē)聯(lián)網(wǎng)數(shù)據(jù)的收集，國(guó)內(nèi)外學(xué)者通常采用現(xiàn)有的基礎(chǔ)設(shè)置作為數(shù)據(jù)源的主要端點(diǎn)，如通過(guò)傳感設(shè)備的循環(huán)采集（如街道的一些攝像采集設(shè)備），系統(tǒng)可采用多周期內(nèi)通過(guò)車(chē)輛的密集度來(lái)判斷當(dāng)前路況信息，該種采集手段已經(jīng)得到多方面的應(yīng)用。隨著各類(lèi)傳感設(shè)備的出現(xiàn)，多數(shù)據(jù)源已經(jīng)成為當(dāng)前車(chē)聯(lián)網(wǎng)應(yīng)用的主要采集手段，例如通過(guò)OBE（On-Broad Equipment）、GPS、速度計(jì)等車(chē)載設(shè)備完成對(duì)車(chē)輛運(yùn)動(dòng)信息的采集。Zhang D等［4］設(shè)計(jì)實(shí)現(xiàn)了一種基于智能手機(jī)的車(chē)聯(lián)自組織網(wǎng)應(yīng)用，該應(yīng)用通過(guò)感知參與人員的智能手機(jī)間與路面基站建立相互的橋聯(lián)關(guān)系，實(shí)現(xiàn)數(shù)據(jù)的互聯(lián)采集并提交給相應(yīng)的應(yīng)用系統(tǒng)，該應(yīng)用在設(shè)計(jì)過(guò)程中引入了路面基站（Roadside Equipment，RSE），由于基站感知能力的局限性，在車(chē)輛高峰期并不能確保所有車(chē)輛信息的采集（由于接入點(diǎn)數(shù)量有限）。而本文提出的基于群智感知技術(shù)的車(chē)聯(lián)網(wǎng)數(shù)據(jù)采集完全采用智能終端與服務(wù)端的互聯(lián)，通過(guò)優(yōu)化算法完成對(duì)車(chē)輛運(yùn)行情況的采集。

2）預(yù)測(cè)模型的設(shè)計(jì)

業(yè)界學(xué)者對(duì)于車(chē)聯(lián)網(wǎng)預(yù)測(cè)模型的研究包含通過(guò)V2I以及V2V模式進(jìn)行模型設(shè)計(jì)。Lochert等［5］提出一種在特定情況下通過(guò)源與目的地之間的建立多條虛擬鏈路，模型數(shù)據(jù)基于道路之間的基礎(chǔ)設(shè)施進(jìn)行數(shù)據(jù)采集，通過(guò)各個(gè)基站與基站之間的車(chē)輛通行時(shí)間的統(tǒng)計(jì)-平均，得出最終的預(yù)測(cè)結(jié)果。文獻(xiàn)［6］中通過(guò)層次聚合的方式，通過(guò)對(duì)模型中的各個(gè)地理層次分配不同的級(jí)別，對(duì)于路徑的規(guī)劃，系統(tǒng)模型在地圖上進(jìn)行源-目的地間進(jìn)行路徑的標(biāo)注，并且隨著車(chē)輛運(yùn)行的狀態(tài)動(dòng)態(tài)地更新相關(guān)的路線信息。

在模型設(shè)計(jì)過(guò)程中，如何確保時(shí)空統(tǒng)一是模型設(shè)計(jì)的重點(diǎn)之一。由于在模型設(shè)計(jì)中，信息采集設(shè)備通常采用RSE作為車(chē)輛傳感設(shè)備的連接點(diǎn)，然而如何確保各個(gè)RSE設(shè)備之間的時(shí)空統(tǒng)一問(wèn)題是該問(wèn)題研究的重點(diǎn)。Min等［7］提出一種時(shí)空關(guān)聯(lián)的實(shí)時(shí)交通預(yù)測(cè)策略，該策略利用道路的空間特性來(lái)反映相對(duì)車(chē)輛距離的同時(shí)計(jì)算相關(guān)車(chē)輛的平均速度；文獻(xiàn)［8］中提出一種實(shí)時(shí)和可靠的通信體系架構(gòu)，基于網(wǎng)絡(luò)化的路由算法，通過(guò)組合時(shí)間和空間的交通流數(shù)據(jù)（體積、密度、速度等關(guān)鍵因素），并且通過(guò)簡(jiǎn)化的流量進(jìn)行了預(yù)測(cè)實(shí)驗(yàn)。

3）基于MCS的車(chē)聯(lián)網(wǎng)研究

基于移動(dòng)群智感知的交通應(yīng)用已經(jīng)被多數(shù)學(xué)者證明對(duì)交通擁堵水平、交通延誤、道路通行條件等問(wèn)題進(jìn)行了實(shí)驗(yàn)驗(yàn)證。Hull等［9］利用車(chē)載遠(yuǎn)程信息處理設(shè)備來(lái)收集所關(guān)注車(chē)輛的位置以及速度信息，并且利用歷史數(shù)據(jù)和實(shí)時(shí)的信息來(lái)估計(jì)車(chē)輛運(yùn)行的時(shí)間，并且根據(jù)道路情況動(dòng)態(tài)的進(jìn)行實(shí)時(shí)的路由規(guī)劃；Herrera等［10］通過(guò)利用智能手機(jī)的GPS設(shè)備對(duì)交通進(jìn)行實(shí)時(shí)的預(yù)測(cè)，為車(chē)輛提供優(yōu)化的虛擬路線；Ali等［11］開(kāi)發(fā)了一個(gè)機(jī)遇群智感知的車(chē)聯(lián)網(wǎng)應(yīng)用系統(tǒng)，系統(tǒng)采用車(chē)輛間的GPS的工作日志和語(yǔ)音指令實(shí)時(shí)收集道路的擁塞情況，并為用戶(hù)實(shí)時(shí)提供無(wú)阻賽的路由數(shù)據(jù)。以上這些基于移動(dòng)群知感知技術(shù)的車(chē)聯(lián)網(wǎng)預(yù)測(cè)研究都是以GPS作為數(shù)據(jù)源，學(xué)者們對(duì)GPS相關(guān)的環(huán)境干擾等因素均做了相應(yīng)的研究，然而僅僅對(duì)車(chē)輛的路徑選擇做了應(yīng)用研究，并未對(duì)數(shù)據(jù)處理端等作詳細(xì)的研究。

3 云計(jì)算—車(chē)聯(lián)網(wǎng)融合研究

3.1 基于云服務(wù)的車(chē)聯(lián)網(wǎng)介紹

云計(jì)算技術(shù)為車(chē)聯(lián)網(wǎng)的應(yīng)用提供了高效、快速的計(jì)算服務(wù)，本章節(jié)主要介紹基于云計(jì)算服務(wù)的車(chē)聯(lián)網(wǎng)應(yīng)用（Vehicle with Clouds），移動(dòng)云為車(chē)聯(lián)網(wǎng)智能處理提供了更為豐富的服務(wù)可能。

如圖1所示為車(chē)輛通過(guò)無(wú)線網(wǎng)絡(luò)構(gòu)建的車(chē)聯(lián)網(wǎng)絡(luò)圖，根據(jù)實(shí)際云計(jì)算環(huán)境的實(shí)際分類(lèi)，應(yīng)用于車(chē)聯(lián)網(wǎng)服務(wù)的云服務(wù)可分為靜態(tài)云和動(dòng)態(tài)云兩類(lèi)，其中靜態(tài)云是通過(guò)云計(jì)算中心為車(chē)聯(lián)網(wǎng)提供中心計(jì)算服務(wù)，而動(dòng)態(tài)云是通過(guò)車(chē)輛間的智能設(shè)備（主要通過(guò)智能手機(jī)、智能PDA等可互聯(lián)設(shè)備）自組形成相應(yīng)的網(wǎng)絡(luò)簇，實(shí)現(xiàn)個(gè)性化云服務(wù)（為網(wǎng)絡(luò)簇之間的單元提供個(gè)性服務(wù)），如圖1中的各個(gè)點(diǎn)之間的連線代表單元之間形成簇結(jié)構(gòu)。

圖1 基于云的車(chē)聯(lián)網(wǎng)結(jié)構(gòu)圖

通過(guò)車(chē)輛間的智能設(shè)備構(gòu)建的動(dòng)態(tài)云，單元間可通過(guò)互聯(lián)網(wǎng)了解相互間所面臨的路況信息。

3.2 基于群智感知的路況預(yù)測(cè)模型設(shè)計(jì)

群智感知技術(shù)作為新型的互聯(lián)網(wǎng)應(yīng)用，充分利用了智能設(shè)備自身的計(jì)算以及存儲(chǔ)特性，如何利用群智感知技術(shù)顛覆傳統(tǒng)車(chē)聯(lián)網(wǎng)通過(guò)RSE進(jìn)行數(shù)據(jù)傳輸以及服務(wù)中心計(jì)算的現(xiàn)狀，設(shè)計(jì)流程如下。

1）自動(dòng)感知與上傳過(guò)程：根據(jù)相關(guān)研究結(jié)論證明，2%～3%的駕駛員參與感知過(guò)程即可完成對(duì)路況信息的全區(qū)域獲取。在模型設(shè)計(jì)過(guò)程中，采用志愿服務(wù)的方式征求公共交通司機(jī)（由于該類(lèi)人群在路上的周期最長(zhǎng)）參與感知過(guò)程，通過(guò)在智能終端上安裝相應(yīng)的服務(wù)完成數(shù)據(jù)向云平臺(tái)傳輸?shù)倪^(guò)程。

2）云服務(wù)過(guò)程：基于云服務(wù)的群智感知應(yīng)用流程描述如下。

（1）用戶(hù)登錄云系統(tǒng)并輸入目的地信息，待云系統(tǒng)進(jìn)行用戶(hù)權(quán)限的審核；

（2）若用戶(hù)具備感知參與權(quán)限，云服務(wù)系統(tǒng)啟動(dòng)向指定用戶(hù)提供云計(jì)算請(qǐng)求功能，并分配云計(jì)算請(qǐng)求給用戶(hù)；若用戶(hù)不具備感知參與權(quán)限則拒絕分配云計(jì)算可用請(qǐng)求；

（3）通過(guò)算法（算法在后期介紹）根據(jù)感知用戶(hù)的參與數(shù)據(jù)完成交通流量預(yù)測(cè)工作；

（4）云服務(wù)根據(jù)預(yù)測(cè)模型的計(jì)算為服務(wù)請(qǐng)求用戶(hù)分配最為合理的路徑規(guī)劃。

感知參與者通過(guò)自有的智能設(shè)備完成云服務(wù)分配的各類(lèi)采集、計(jì)算工作，為云服務(wù)提供最基層的數(shù)據(jù)服務(wù)集合。為了提升感知參與者的積極性，本文設(shè)計(jì)了如下算法并引入了激勵(lì)機(jī)制。

輸入：

采樣周期：T；位置信息：Sd；

他以為這樣的盛世，會(huì)是一千年，一萬(wàn)年，他讀書(shū)學(xué)武，游蕩在街巷里，母親在百花谷迎來(lái)送往，打情罵俏，達(dá)官貴人、三教九流在他們倆的小世界之外活色生香地活。三個(gè)月后，回望過(guò)去，我們不在其中，那也不過(guò)是一場(chǎng)做得有些長(zhǎng)、又太過(guò)熱烈的綺夢(mèng)罷了，他們真的由夢(mèng)里醒來(lái)了嗎？胡子大叔、秀才哥哥，還有胖嬸，你們掉在這個(gè)流言里，不愿醒來(lái)，是想搬去萬(wàn)花谷里繼續(xù)做夢(mèng)吧！

開(kāi)始：

設(shè)置權(quán)值參數(shù)α，β和γ

根據(jù)距離參數(shù)生成相應(yīng)的距離結(jié)構(gòu)dij和qij；

Tc為當(dāng)前時(shí)間，T1←Tc表示采集周期；

當(dāng)用戶(hù)滿(mǎn)足感知條件時(shí)：

如果T1-Tc≥T，執(zhí)行如下工作：

根據(jù)云服務(wù)生成vij和rij；

通過(guò)式1生成權(quán)值w；

獲取下個(gè)位置信息Snext；

根據(jù)Dijkstra算法生成源Sd到Snext的最短距離；

時(shí)間歸零；

結(jié)束

對(duì)于算法的解析，通過(guò)一個(gè)實(shí)例進(jìn)行說(shuō)明。

假設(shè)所研究的道路網(wǎng)絡(luò)中存在N個(gè)站點(diǎn)，分別記為 S1，S2，S3，…，Sn，如圖 2 所示，包含 3 個(gè)站點(diǎn)，d1，2表示站點(diǎn)1和站點(diǎn)2之間的距離，定義qij表示站點(diǎn)之間發(fā)生沖突的概率，Rij表示站點(diǎn)之間道路的質(zhì)量情況（根據(jù)實(shí)際情況分為一級(jí)公路、二級(jí)公路和三級(jí)公路，默認(rèn)一級(jí)公路發(fā)生交通概率為0，以此類(lèi)推），定義Rij和qij之間的關(guān)系如下：

圖2 基于云計(jì)算服務(wù)的道路預(yù)測(cè)圖

定義vij為車(chē)輛在站點(diǎn)i和站點(diǎn) j之間的平均速度，本文中認(rèn)為車(chē)輛在站點(diǎn)間不發(fā)生任何可能的事件（如臨時(shí)停車(chē)、臨時(shí)轉(zhuǎn)向等不確定性問(wèn)題）。

通過(guò)有向圖定義的方式建立預(yù)測(cè)模型，定義G=(V，E，ф)為無(wú)向圖結(jié)構(gòu)，其中V為站點(diǎn)集合V（S1，S2，S3，…，Sn），E 為路徑集合 E={(Si，Sj)，若 i和 j之間存在道路｝，ф為各因素間的一個(gè)權(quán)值組合關(guān)系表達(dá)式。

其中α，β和γ相應(yīng)的權(quán)值參數(shù)，根據(jù)式（1）中當(dāng)vij為0時(shí)，ф將趨于無(wú)群大，并且定義W=ф(Si，Sj)為關(guān)鍵的權(quán)值，根據(jù)算法描述可得出下一個(gè)位置信息。在實(shí)際的預(yù)測(cè)過(guò)程中，在每一個(gè)采樣周期T內(nèi)進(jìn)行路徑的重新規(guī)劃。

3.3 基于預(yù)測(cè)模型的實(shí)驗(yàn)設(shè)計(jì)

根據(jù)3.2節(jié)中證明道路網(wǎng)絡(luò)結(jié)構(gòu)可通過(guò)無(wú)向圖來(lái)表示，本文通過(guò)C++設(shè)計(jì)實(shí)現(xiàn)一個(gè)基于多代理的仿真環(huán)境，在設(shè)計(jì)過(guò)程中將車(chē)輛視為一個(gè)物理代理（具備感知效應(yīng)），將其各個(gè)關(guān)鍵屬性（速度、油量等）視為一個(gè)代理維護(hù)，將各個(gè)車(chē)輛的感知運(yùn)算過(guò)程視為一個(gè)代理（實(shí)現(xiàn)云服務(wù)功能）等，構(gòu)建如圖3所示的網(wǎng)絡(luò)結(jié)果圖，設(shè)α =0.4，β =0.8，γ =0，根據(jù)圖3中所示各鏈路的權(quán)值（用數(shù)字表示該路段的平均速度）。假設(shè)源點(diǎn)為Ss，目的地為 Sd，那么Ss→Sd表示源到目的的路徑表示，其中路徑點(diǎn)共包含共計(jì) S1，S2等11個(gè)路徑點(diǎn)，那么根據(jù)式（1）計(jì)算基于移動(dòng)群智感知的，對(duì)于不同路徑的預(yù)測(cè)（假設(shè)道路均為一級(jí)公路）計(jì)算的權(quán)值來(lái)決定車(chē)輛所行駛路線［12］。

圖3 Ss到Sd的路徑圖

根據(jù)傳統(tǒng)的車(chē)聯(lián)網(wǎng)應(yīng)用路徑選擇以及基于群智感知的車(chē)聯(lián)網(wǎng)路徑選擇進(jìn)行效能優(yōu)劣分析，對(duì)如圖3所示中的各個(gè)路徑按照式（1）進(jìn)行計(jì)算，對(duì)不同的路徑選擇按照兩種不同的方法進(jìn)行計(jì)算，通過(guò)統(tǒng)計(jì)、分析對(duì)各個(gè)方案的行駛距離、行駛時(shí)間進(jìn)行統(tǒng)計(jì)分析。

根據(jù)圖3中的描述，Ss的出度為3，那么默認(rèn)為Ss到Sd的路徑方案有三套，分別用傳統(tǒng)車(chē)聯(lián)網(wǎng)路徑計(jì)算和基于群智感知的車(chē)聯(lián)網(wǎng)路徑計(jì)算等兩種方式來(lái)完成行駛距離和行駛時(shí)間進(jìn)行仿真分析。

根據(jù)實(shí)際的路徑選擇驗(yàn)證兩類(lèi)車(chē)聯(lián)網(wǎng)設(shè)計(jì)的優(yōu)劣，圖4顯示出基于群智感知的車(chē)聯(lián)網(wǎng)路徑選擇在路徑距離的選擇上相比傳統(tǒng)的車(chē)聯(lián)網(wǎng)距離選擇提升了近20%的優(yōu)化；圖5顯示基于群智感知的車(chē)聯(lián)網(wǎng)路徑選擇在路徑時(shí)間的花費(fèi)上相比傳統(tǒng)的車(chē)聯(lián)網(wǎng)時(shí)間花費(fèi)提升了近33%的優(yōu)化（基于圖3中的速度結(jié)構(gòu)圖）。

圖4 兩類(lèi)車(chē)聯(lián)網(wǎng)對(duì)相同案例的距離對(duì)比圖

圖5 兩類(lèi)車(chē)聯(lián)網(wǎng)對(duì)相同案例的時(shí)間對(duì)比圖

根據(jù)實(shí)驗(yàn)理論的證明，基于群智感知的車(chē)聯(lián)網(wǎng)路徑規(guī)劃應(yīng)用云服務(wù)計(jì)算各個(gè)感知參與者所提供的感知數(shù)據(jù)為用戶(hù)分配最佳的道路規(guī)劃（并非距離最短，但確?；ㄙM(fèi)時(shí)間最少）。利用百度地圖所提供的地理信息數(shù)據(jù)，設(shè)計(jì)同一起始點(diǎn)、同一終點(diǎn)作為實(shí)際路徑規(guī)劃的Ss和Sd，按照傳統(tǒng)的車(chē)聯(lián)網(wǎng)路徑規(guī)劃計(jì)算如圖6所示的最短路徑，但實(shí)際情況為該路段的車(chē)流量較大，實(shí)際用時(shí)約為40min；而基于群智感知的路徑規(guī)劃利用云服務(wù)計(jì)算感知參與車(chē)輛提供的路況信息數(shù)據(jù)按照算法進(jìn)行分析計(jì)算，給出如圖7所示的用時(shí)最少的路徑規(guī)劃（雖然路徑距離大于圖6所示的路徑距離）。

圖6 按照傳統(tǒng)車(chē)聯(lián)網(wǎng)的規(guī)劃路徑圖

圖7 按照群智感知的車(chē)聯(lián)網(wǎng)規(guī)劃路徑圖

4 結(jié)語(yǔ)

本文基于群智感知技術(shù)信息收集過(guò)程的廣泛性，利用該特點(diǎn)為車(chē)聯(lián)網(wǎng)的路徑預(yù)測(cè)提供實(shí)時(shí)的路況信息，采用云計(jì)算的高性能特性進(jìn)行預(yù)測(cè)模型的分析。提出了基于MCS的路徑預(yù)測(cè)算法，并且通過(guò)代理的方式對(duì)算法進(jìn)行了性能仿真，結(jié)論表明利用群智感知的路徑預(yù)測(cè)為客戶(hù)提供更佳的路徑選擇方案，而并非將路徑最短作為最佳的評(píng)價(jià)指標(biāo)。

［1］Liu，N.Internet of Vehicles：Your Next Connection［EB/OL］.Available online：http：//www.huawei.com/es/static/HW-110848.pdf（accessed on 20 December 2015）.

［2］Wan J，Zhang D，Sun Y，Lin K，Zou C，Cai H.VCMIA：A Novel Architecture for Integrating Vehicular Cy?ber-Physical Systems and Mobile Cloud Computing.Mob.Netw.Appl.2014，19：153-160.

［3］Liu J，Wan J，Wang Q，Deng P，Zhou K，Qiao Y.A Sur?vey on Position-based Routing for Vehicular Ad hoc Net?works［J］.Telecommun.Syst.2015：15-30.

［4］Zhang D，Zhang D，Xiong H，Yang T，Vasilakos A.BA?SA：Building Mobile Ad-hoc Social Network on top of An?droid［J］.IEEENetw.，2014，28：4-9.

［5］Lochert C，Scheuermann B，Wewetzer C，Luebke A，Mauve M.Data aggregation and roadside unit placement for a VANET traffic information system［C］//In Proceed?ings of the 5th ACM International Workshop on Vehicular Internet Working，San Francisco，CA，USA，14-19 Sep?tember，2008：58-65.

［6］Hartenstein H，Laberteaux K.P.VANET：Vehicular Appli?cations and Inter-Networking Technologies［M］.John Wiley and Sons，Ltd：New York，NY，USA，2010.

［7］Min W，Wynter L.Real-time road traffic prediction with spatio temporal correlations［J］.Transp.Res.Part C 2011，19：606-616.

［8］Wan J，Zhang D，Zhao S，Yang L.T，Lloret，J.Con?text-aware Vehicular Cyber-Physical Systems with Cloud Support：Architecture，Challenges and Solutions［J］.IEEE Commun.Mag.2014，52：106-113.

［9］Hull B，Bychkovsky V，Zhang Y，Chen K，Goraczko M，Miu A，Shih E，Balakrishnan H，Madden S.Cartel：A distributed mobile sensor computing system［C］//In Pro?ceedings of the SenSys 2006，Boulder，CO，USA，31 Octo?ber-3 November 2006：125-138.

［10］Herrera J，Work D，Ban X，Herring R，Jacobson Q，Bayen A.Evaluation of Traffic Data Obtained via GPS-enabled Mobile Phones：the Mobile Century Field Experiment［J］.Transp.Res.C，2010，18：568-583.

［11］Ali K，Al-Yaseen D，Ejaz A，Javed T，Hassanein H.CrowdITS：Crowdsourcing in intelligent transportation systems［C］//In Proceedings of the IEEE WCNC 2012，Paris，F(xiàn)rance，1-4 April 2012：3307-3311.

［12］Gao Wei，Cao Guohong，La P T，et al.On exploiting transient social contact patterns for data forwarding in de?lay-tolerant networks［J］.Mobile Computing，IEEE Transactions on，2013，12（1）：151-165.

［13］An Jian，Gui Xiaolin，Zhang Wendong，et al.Research on social relations cognitive model of mobile nodes in In?ternet of Things［J］.Journal of Network and Computer Application，2013，36（2）：799-810.

Research on Path Optim ization of Internet of Vehicle Based on Crowd Sensing Technology

WAN Xin GAO Shengxiang
（National Computer Network Emergency Response Technical Team/Coordination Center of China，Beijing 100012）

TP393

10.3969/j.issn.1672-9722.2017.09.016

2017年3月4日，

2017年4月15日

萬(wàn)辛，男，博士研究生，工程師，研究方向：通信網(wǎng)絡(luò)、網(wǎng)絡(luò)安全。高圣翔，男，碩士，工程師，研究方向：寬帶網(wǎng)絡(luò)。