基于BP和RBF神經(jīng)網(wǎng)絡(luò)的C-V2X無線資源管理*

馮 毅,葛 寧,張?zhí)找?/p>

(1.清華大學(xué) 電子工程系,北京 100091;2.中國聯(lián)合網(wǎng)絡(luò)通信有限公司智網(wǎng)創(chuàng)新中心,北京 100037)

0 引 言

近年來,智能汽車發(fā)展迅速。通過搭載攝像頭、雷達等傳感器,車輛具備了環(huán)境感知能力,并通過計算單元實現(xiàn)智能決策,提高了駕駛的安全性。智能汽車與通信技術(shù)相融合,實現(xiàn)智能信息交換共享,一方面擴大了汽車信息感知范圍,另一方面加速了汽車網(wǎng)聯(lián)進程,徹底改變了交通出行方式[1]。由此可見,通信技術(shù)在智能網(wǎng)聯(lián)汽車的發(fā)展中具有重要的作用,各種標(biāo)準(zhǔn)化組織一直致力于定義車聯(lián)網(wǎng)通信規(guī)范,從而實現(xiàn)車輛與周圍環(huán)境及云服務(wù)器智能互聯(lián)。文獻[2-3]提出了蜂窩車聯(lián)網(wǎng)(Cellular Vehicle-to-Everything,C-V2X)的概念和關(guān)鍵技術(shù),該技術(shù)能夠在沒有蜂窩網(wǎng)聯(lián)覆蓋的情況下,實現(xiàn)車輛與周圍的車、基礎(chǔ)設(shè)施、網(wǎng)絡(luò)和行人高可靠低時延的信息交互。

C-V2X為了保證車輛在沒有基站覆蓋的情況能夠正常通信,無線資源的選擇是由車輛自主決定的,遵循基于感知的半持續(xù)調(diào)度(Semi-persistent Scheduling,SPS)。車輛對資源池進行感知,標(biāo)識干擾最小的資源,并在其中隨機選擇作為發(fā)送資源。一旦選擇資源,將進行周期性的占用,這將有利于鄰居車輛感知并避開已被占用的資源。然而在真實交通場景下,通信的能效始終受到周圍車輛、建筑物等障礙物的限制[4],導(dǎo)致車輛的感知范圍有限,當(dāng)兩輛車無法感知到彼此時可能選擇相同的資源,那么處于兩車中間位置的車輛在接收信號時將受到較大的干擾,從而導(dǎo)致丟包,這種錯誤被稱為隱藏終端。由于對資源的周期性占用,資源的碰撞可能導(dǎo)致持續(xù)數(shù)秒的數(shù)據(jù)包丟失,從而對道路安全構(gòu)成威脅。實際上,如果丟失了幾個連續(xù)的數(shù)據(jù)包,這意味著周圍車輛將無法了解到它這段時間的位置和速度等信息[5]。隱藏終端是由于資源的不合理復(fù)用所導(dǎo)致的,使用相同資源的終端未能保持適當(dāng)?shù)木嚯x,而僅依靠信道感知難以實現(xiàn)資源的合理復(fù)用。

在C-V2X中,研究資源管理方式以減少終端間相互干擾是當(dāng)前熱門的研究方向,此類研究目前主要分為改進資源選擇方式和劃分資源池。文獻[6-7]針對車聯(lián)網(wǎng)中資源選擇參數(shù)(資源占用周期、資源保留概率等)進行研究,并給出具有較優(yōu)性能的建議參數(shù)設(shè)置。文獻[8-11]對C-V2X資源選擇方式進行改進,利用車輛之間的信息交互,減少資源選擇的不確定性并避免連續(xù)資源碰撞。然而車輛之間的交互信息主要用于承載車聯(lián)網(wǎng)業(yè)務(wù)消息,因此用于輔助資源選擇的數(shù)據(jù)位是有限的,難以解決感知受限和資源復(fù)用不合理的問題。文獻[12-15]通過設(shè)計車聯(lián)網(wǎng)資源池的劃分方式,以實現(xiàn)更合理的資源復(fù)用,減少車輛間干擾:文獻[12]中針對城區(qū)場景和高速場景將資源池進行了劃分,處于不同車道的車輛使用不同的資源池,并根據(jù)流量密度分配更多的靈活子資源池;文獻[13]中針對高速公路場景,基于行車方向?qū)①Y源池劃分為2個子資源池,以減少相反方向車輛用戶之間的潛在干擾;文獻[14]基于網(wǎng)絡(luò)對于車輛位置的了解,提出了一種基于重用概念的距離算法;文獻[15]為車-車通信中集群重疊部分設(shè)計了并行和連續(xù)資源分配的通信。以上研究均提出算法對資源池進行劃分,和目前標(biāo)準(zhǔn)中的方案相比,資源分配更為合理,減少了一定的資源碰撞。然而,這些方案的缺點是當(dāng)區(qū)域中的車流量變大后才分配更多資源,資源分配存在滯后性。由于車流量變化迅速,往往在分配更多資源前已經(jīng)發(fā)生了資源的碰撞。車聯(lián)網(wǎng)數(shù)據(jù)包發(fā)送頻率一般為10 Hz,一段時間內(nèi)不合理的資源分配將造成嚴(yán)重的丟包。

智能通信系統(tǒng)協(xié)作通信資源分配是目前發(fā)展的趨勢,利用神經(jīng)網(wǎng)絡(luò)、機器學(xué)習(xí)是實現(xiàn)動態(tài)自適應(yīng)資源分配的有效途徑[16-17]。本文根據(jù)C-V2X通信系統(tǒng)中路側(cè)單元(Road Side Unit,RSU)和車載單元(On Board Unit,OBU)之間的通信消息,采用神經(jīng)網(wǎng)絡(luò)進行短時交通流預(yù)測(5～15 min),并根據(jù)預(yù)測結(jié)果劃分無線資源池,將有效提升資源分配的合理性。

1 C-V2X無線通信技術(shù)

C-V2X基于單載波頻分多址,時域上每10 ms劃分為一個無線幀,每個無線幀由10個長度為1 ms的子幀構(gòu)成,一個子幀包含2個長度為0.5 ms的時隙,一個時隙中包含7個符號;頻域上子載波間隔為15 kHz。C-V2X定義時域上1個時隙(0.5 ms)與頻域上的12個子載波(180 kHz)組成1個資源塊(Resource Block,RB),多個資源塊可組成1個子信道。子信道是基本的資源單位,車輛發(fā)送資源占用1個或多個子信道。

C-V2X模式4在資源選擇中采用分布式資源調(diào)度方式,定義了基于感知的半持續(xù)調(diào)度。當(dāng)車輛需要選擇發(fā)送資源時,需要對資源池進行感知,從而避開已被占用的資源,選擇未被占用的資源進行周期性占用。具體而言,車輛除了發(fā)送消息時,其余時間都將保持接收狀態(tài),并更新資源池的感知結(jié)果。當(dāng)車輛需要選擇新的資源時,將首先根據(jù)感知結(jié)果排除已被其他車輛占用的資源,并選出資源池中接收信號強度指示最小的20%資源,在這些資源中隨機選擇作為發(fā)送資源進行周期性占用。同時,車輛根據(jù)消息頻率10 Hz,20 Hz和50 Hz,在區(qū)間[5,15],[10,30]和[25,75]內(nèi)隨機選擇占用此資源的次數(shù)。當(dāng)達到占用次數(shù)時,車輛根據(jù)資源保留概率確定是否繼續(xù)使用該資源,若繼續(xù)使用,則重新設(shè)定占用次數(shù);若不使用,則重新選擇資源。然而,盡管各車輛對信道進行了感知且資源選擇引入了隨機性,但仍存在鄰近終端同時選擇相同資源的情況,這將在接收端造成較大的干擾而無法正常接收,此類問題被稱為資源碰撞。

為了實現(xiàn)更加合理的資源復(fù)用,考慮到車聯(lián)網(wǎng)節(jié)點可以直接獲取經(jīng)緯度等位置信息,C-V2X系統(tǒng)設(shè)計了基于地理區(qū)域的資源分配方式,為每個區(qū)域配置不同的資源池。通過將基本區(qū)域重復(fù)配置的方式,遍布整個通信區(qū)域。該資源分配方式目的是利用車輛地理位置信息,實現(xiàn)資源的空分復(fù)用。但其存在以下問題:首先,網(wǎng)格式的劃分不符合實際道路情況,正常情況下車輛只會在道路上行駛,而這樣的劃分方式給非道路區(qū)域也分配了資源,顯然是不合理的,造成了資源的浪費;其次,該方式不能隨著車流量的變化動態(tài)調(diào)整資源分配,即使在車流量增大后調(diào)整,資源分配也存在滯后性。因此,目前標(biāo)準(zhǔn)中規(guī)定的方法并不能有效減少資源碰撞的問題。

2 基于神經(jīng)網(wǎng)絡(luò)的V2X無線資源管理

2.1 系統(tǒng)模型

車輛的時空分布具有不均衡的特點,但在一定區(qū)域內(nèi)不同時段的車輛分布具有一定的規(guī)律性,并且車聯(lián)網(wǎng)路側(cè)單元RSU擁有其覆蓋區(qū)域內(nèi)車輛信息[18],因此RSU可以對其所在區(qū)域進行短時交通流預(yù)測并調(diào)整資源分配情況。針對交通流具有隨機性、動態(tài)性和自組織性等特點,而神經(jīng)網(wǎng)絡(luò)可以實現(xiàn)實時預(yù)測,并具有魯棒性以及容錯性,本文提出一種基于神經(jīng)網(wǎng)絡(luò)的V2X資源分配方法,利用OBU與RSU的車聯(lián)網(wǎng)通信消息預(yù)測出未來時刻RSU覆蓋范圍內(nèi)的車輛數(shù),根據(jù)預(yù)測結(jié)果區(qū)分熱點RSU與非熱點RSU,動態(tài)地為熱點RSU范圍內(nèi)車輛分配更多的資源,實現(xiàn)高效合理的資源復(fù)用。

在車聯(lián)網(wǎng)通信中,OBU將周期性廣播基本安全消息[19],將自身的位置、方向和車速等信息告知周圍的終端,因此RSU能夠收集道路外部環(huán)境和車輛數(shù)據(jù)。考慮將RSU收集到的數(shù)據(jù)分類為外部影響因素文件(時間、天氣、節(jié)假日等情況)和車聯(lián)網(wǎng)數(shù)據(jù)文件(歷史時刻該區(qū)域以及周邊區(qū)域車輛密度、車速等信息),利用這些數(shù)據(jù)訓(xùn)練神經(jīng)網(wǎng)絡(luò),通過神經(jīng)網(wǎng)絡(luò)預(yù)測未來時刻該RSU覆蓋區(qū)域內(nèi)車輛密度情況。根據(jù)預(yù)測的未來車輛密度情況,區(qū)域內(nèi)RSU進行自適應(yīng)分簇,在簇內(nèi)各區(qū)域分配使用不同的資源,簇間可復(fù)用相同的資源,由此可實時保證資源的最大復(fù)用距離,有效減少終端間的相互干擾,提高系統(tǒng)資源的利用率。該機制流程如圖1所示。

圖1 基于神經(jīng)網(wǎng)絡(luò)的V2X無線資源分配流程

2.2 基于神經(jīng)網(wǎng)絡(luò)的未來時刻車流密度預(yù)測

本文針對的場景為高速道路場景,選取的車流數(shù)據(jù)來源于US101-North District 7高速公路中長約1.5 km的一段,數(shù)據(jù)時間為2017年9月1—30日9—21點,數(shù)據(jù)內(nèi)容包含每個時刻該段公路中各個RSU覆蓋內(nèi)的車流密度、車速情況、日期以及天氣情況等。場景示意圖如圖2所示,RSU 1～5位于所選區(qū)域以內(nèi),為了避免數(shù)據(jù)收集的局限性和提升預(yù)測的準(zhǔn)確性,將選定區(qū)域外的RSU 6～9收集到的數(shù)據(jù)也作為車輛密度預(yù)測的依據(jù)。

圖2 高速場景RSU分布與車流示意圖

在完成數(shù)據(jù)的獲取后,應(yīng)當(dāng)進行數(shù)據(jù)的清洗:首先,從數(shù)據(jù)中截取特定路段的信息;接著,去除或補全有缺失的車流信息;其次,去除或修改其中格式錯誤的車流信息;最后對其進行一致性檢查。本文分別選取BP神經(jīng)網(wǎng)絡(luò)和RBF神經(jīng)網(wǎng)絡(luò),將t時刻各路側(cè)單元(RSU 1～9)覆蓋范圍內(nèi)的車輛數(shù)目,以及天氣、日期、節(jié)假日等情況,作為神經(jīng)網(wǎng)絡(luò)輸入數(shù)據(jù)集,將t+n時刻選取路段內(nèi)的路側(cè)單元(RSU 1～5)覆蓋范圍內(nèi)的車輛數(shù)作為神經(jīng)網(wǎng)絡(luò)輸出數(shù)據(jù)集,n選擇10 min。具體來說,在神經(jīng)網(wǎng)絡(luò)輸入層中設(shè)置22個節(jié)點,第1個節(jié)點輸入當(dāng)前時間,第2～10個節(jié)點輸入RSU 1～9覆蓋范圍內(nèi)平均車速情況,第11～19個節(jié)點輸入RSU 1～9覆蓋范圍內(nèi)的車流密度情況,第20個節(jié)點輸入當(dāng)前是否處于假期,第21個節(jié)點輸入當(dāng)前天氣情況,第22個節(jié)點輸入當(dāng)前氣溫;考慮在輸出層設(shè)置5個節(jié)點,第1～5個節(jié)點分別輸出預(yù)測10 min后RSU 3～7覆蓋范圍內(nèi)的車流密度情況。

綜上所述,本文分別選取BP(Back Propagation)神經(jīng)網(wǎng)絡(luò)和RBF(Radial Basis Function)神經(jīng)網(wǎng)絡(luò),均采用全連接和1層隱含層的方式,輸入層節(jié)點數(shù)為22,輸出層節(jié)點數(shù)為5,隱含層節(jié)點數(shù)根據(jù)所選取神經(jīng)網(wǎng)絡(luò)的預(yù)測性能確定,所采用的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示。

圖3 本文神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

2.2.1 BP神經(jīng)網(wǎng)絡(luò)預(yù)測

BP神經(jīng)網(wǎng)絡(luò)無需提前獲取輸入與輸出之間的關(guān)系,其采用誤差逆向傳播算法[20],通過梯度搜索使得預(yù)測值和期望值之間的誤差符合設(shè)定的目標(biāo)。在訓(xùn)練前,需要將數(shù)據(jù)通過下式進行歸一化處理:

(1)

式中:max(x)為輸入數(shù)據(jù)中的最大值;min(x)為輸入數(shù)據(jù)中的最小值。

在數(shù)據(jù)進行歸一化處理之后,將通過網(wǎng)絡(luò)的輸入層進入隱含層,再由隱含層進入輸出層中,最后得到網(wǎng)絡(luò)的輸出。輸入層、隱含層以及輸出層中的神經(jīng)元均采用下式作為激活函數(shù):

f(x)=1/(1+e-(WTx+B)) 。

(2)

(3)

(4)

式中:E(t)為網(wǎng)絡(luò)誤差;η∈(0,1)為步長因子;t為訓(xùn)練次數(shù)。

當(dāng)網(wǎng)絡(luò)的誤差E(t)未達到預(yù)期目標(biāo)時,將進入誤差逆向傳播的過程。將網(wǎng)絡(luò)的總輸出誤差按照輸出層-隱含層-輸入層的順序進行傳播,在傳播過程中將誤差分給各個神經(jīng)元,得到每個神經(jīng)元上的誤差:

(5)

(6)

(7)

δk=f′(xk)·[tk-f(xk)] 。

(8)

各神經(jīng)元依據(jù)分得的誤差更新其權(quán)值與閾值,從而減小網(wǎng)絡(luò)的總誤差,直到誤差符合設(shè)定的目標(biāo)后訓(xùn)練結(jié)束。輸入節(jié)點數(shù)和輸出節(jié)點數(shù)由訓(xùn)練對決定,分別是22和5。通過經(jīng)驗公式進行估算,并經(jīng)過不斷測試,選擇誤差最小時的隱含層設(shè)置,隱含層節(jié)點數(shù)為10。將數(shù)據(jù)的70%作為訓(xùn)練集,15%作為驗證集,15%作為測試集,經(jīng)過26次迭代得到最優(yōu)均方差(Mean Squared Error,MSE)為87.36,預(yù)測性能如圖4所示。

圖4 BP神經(jīng)網(wǎng)絡(luò)預(yù)測誤差分析

從圖4的誤差統(tǒng)計直方圖可看見,80%以上的數(shù)據(jù)預(yù)測誤差在[-5,8]以內(nèi),預(yù)測誤差在合理的范圍內(nèi),但總體MSE較大,預(yù)測存在一定的偏差。

2.2.2 RBF神經(jīng)網(wǎng)絡(luò)預(yù)測

RBF神經(jīng)網(wǎng)絡(luò)是一種具有3層結(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò),分別為輸入層、隱含層和輸出層[21]。將輸入層的數(shù)據(jù)通過以下非線性變換后輸入至隱含層中:

(9)

式中:X=[x1,x2,…,xn]T為RBF神經(jīng)網(wǎng)絡(luò)的輸入向量;中心值矩陣C維度為n×m,C=[c1,c2,…,cj,…,cm];cj=[c1j,c2j,…,cij,…,cnj]T和bj分別是隱含層第j結(jié)點的中心向量的寬度。

將隱含層數(shù)據(jù)通過以下線性變換后輸入至輸出層中,其輸出為

(10)

式中:Wi=[wi1,wi2,…,wim]T為網(wǎng)絡(luò)的權(quán)值向量;H=[h1,h2,…,hm]T為高斯核函數(shù)。

在訓(xùn)練神經(jīng)網(wǎng)絡(luò)前,需要設(shè)置神經(jīng)網(wǎng)絡(luò)相關(guān)參數(shù),此處設(shè)置目標(biāo)均方誤差為50,最大隱含層節(jié)點上限設(shè)為1 000,每次迭代增加節(jié)點數(shù)為1,徑向基擴展速度設(shè)為50,經(jīng)過200次迭代得到MSE為51.44,預(yù)測性能如圖5所示。

圖5 RBF神經(jīng)網(wǎng)絡(luò)預(yù)測誤差分析

從圖5的誤差統(tǒng)計直方圖可看出,75%以上數(shù)據(jù)預(yù)測誤差在[-4,6]以內(nèi),預(yù)測誤差在合理的范圍內(nèi)。

2.2.3 神經(jīng)網(wǎng)絡(luò)預(yù)測性能分析

使用測試集對兩種神經(jīng)網(wǎng)絡(luò)的性能進行驗證,分別使用平均誤差(Mean Error,ME)、均方根誤差(Root Mean Squared Error,RMSE)以及擬合優(yōu)度R2進行衡量[22]:

(11)

(12)

(13)

式中:yi為測試集第i個預(yù)期輸出;f(xi)為神經(jīng)網(wǎng)絡(luò)對測試集第i個輸出的預(yù)測值;n為測試集的輸出總數(shù)。

BP神經(jīng)網(wǎng)絡(luò)平均誤差為10.20,RMSE為11.21,擬合優(yōu)度為0.783,預(yù)測存在一定的誤差;RBF神經(jīng)網(wǎng)絡(luò)平均誤差為7.13,RMSE為8.86,擬合優(yōu)度為0.899,其預(yù)測性能優(yōu)于BP神經(jīng)網(wǎng)絡(luò)。然而,BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練僅需要2.67 s,RBF神經(jīng)網(wǎng)絡(luò)則需要39.52 s。圖6為兩種神經(jīng)網(wǎng)絡(luò)預(yù)測性能對比。

圖6 神經(jīng)網(wǎng)絡(luò)預(yù)測性能對比

2.3 基于未來車流密度的RSU自適應(yīng)分簇

在對車流密度進行預(yù)測后,需要依據(jù)各個RSU覆蓋范圍內(nèi)未來時刻車流密度進行分簇,簇間復(fù)用相同的資源池,簇內(nèi)各RSU覆蓋內(nèi)分配不同的資源池,以達到降低終端間干擾和提升通信可靠性的目的。分簇的依據(jù)為預(yù)測V2X通信將占據(jù)資源池的比率,若信道繁忙程度低,則將所有RSU分為一簇;若繁忙程度高,則依據(jù)占用情況進行分簇。由于在簇之間復(fù)用相同的資源池,如果簇的數(shù)量過多,那么簇的覆蓋范圍較小,從而導(dǎo)致不同簇內(nèi)復(fù)用相同資源的車輛未能保持適當(dāng)?shù)木嚯x,并不能起到減少干擾的作用?？紤]到車聯(lián)網(wǎng)覆蓋需求一般為300 m[3],因此理想情況下資源的復(fù)用距離應(yīng)大于600 m,并且選定區(qū)域的范圍為1 500 m,因此選擇最大分簇數(shù)量為3。

本文采用以下的分簇方式:當(dāng)RSU覆蓋區(qū)域內(nèi)車輛使用的資源小于資源池的50%時,此時整個區(qū)域內(nèi)的RSU分為1簇;當(dāng)車輛使用的資源大于資源總數(shù)的50%但小于資源總數(shù)時,此時將整個區(qū)域內(nèi)的RSU分為2簇;當(dāng)車輛平均使用的資源大于資源總數(shù)時,此時將RSU分為3簇,并且要求各簇具有相近的車輛總數(shù)。分簇完成后,在簇內(nèi)根據(jù)各RSU覆蓋區(qū)域車流密度的比例分配相應(yīng)的資源塊。分簇算法流程如圖7所示。

圖7 自適應(yīng)分簇算法流程

選取的路段內(nèi)各個RSU依據(jù)神經(jīng)網(wǎng)絡(luò)預(yù)測得到的結(jié)果進行自適應(yīng)分簇,保證每個簇內(nèi)車載單元數(shù)目在合理范圍內(nèi)。如圖8所示,根據(jù)預(yù)測的車流密度情況,在自適應(yīng)分簇階段,將RSU1、RSU2、RSU3分為一簇,將RSU4和RSU5分為另一簇。

圖8 RSU分簇示意圖

在RSU分簇完成后,為了減少終端間的相互干擾,在簇內(nèi)為各個RSU分配不同的資源;為了提升資源的利用率,簇間可復(fù)用相同的資源。如圖9所示,簇1和簇2復(fù)用相同的資源池,在簇內(nèi)依據(jù)各個RSU未來時刻車流密度預(yù)測值,給覆蓋區(qū)域內(nèi)的OBU分配合理的資源。

圖9 簇內(nèi)資源分配示意圖

3 仿真結(jié)果分析

本文通過 Matlab性能分析模型[23]仿真基于BP和RBF神經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)果的資源管理算法,并將仿真結(jié)果與標(biāo)準(zhǔn)中SPS算法、文獻[12]中算法進行了對比。在仿真中,信道模型選取Winner+ B1模型[24],帶寬為10 MHz,子信道數(shù)量為2,每個子信道中包含25個資源塊(Resource Block,RB)。車聯(lián)網(wǎng)消息選取具有固定大小和周期性發(fā)送特點的基本安全消息,數(shù)據(jù)包發(fā)送頻率為10 Hz,其大小選取300 B[25]。SPS設(shè)置感知窗口為1 000 ms,重選計數(shù)器RC的范圍為[5,15],資源保留概率設(shè)置為0。交通場景為高速直道場景,道路總長為3 km,道路中每隔300 m部署1個RSU,共部署9個,交通密度設(shè)為每公里[100,200]輛車。仿真參數(shù)具體配置如表1所示。

為了驗證所提出方案的有效性,本文選取數(shù)據(jù)包碰撞數(shù)和數(shù)據(jù)包接收率作為車聯(lián)網(wǎng)通信可靠性的衡量指標(biāo)。

3.1 數(shù)據(jù)包碰撞數(shù)

圖10和圖11分別以折線圖和柱狀圖的形式呈現(xiàn)了300 m接收范圍內(nèi)車輛密度對應(yīng)的資源碰撞數(shù),從圖中可以看到SPS和文獻[12]方案的資源碰撞都隨著車輛密度的增大而顯著提升,而本文方案能夠有效減少交通擁塞情況下的資源碰撞。因此,在車輛密度更高的情況下,本文所提兩種方案較其他方案減少了更多的數(shù)據(jù)包碰撞。

圖11 不同方案下數(shù)據(jù)包碰撞數(shù)柱狀圖

3.2 數(shù)據(jù)包接收率

數(shù)據(jù)包接收率是衡量車聯(lián)網(wǎng)通信可靠性的重要指標(biāo),本節(jié)在不同交通流密度下對各方案接收范圍500 m內(nèi)的收包情況進行分析。相關(guān)研究表明,車流量較低時,標(biāo)準(zhǔn)中SPS方案具有較好的覆蓋,該情況下本文分簇方案將整個區(qū)域內(nèi)終端分為一簇,性能與SPS相同。本文方案主要針對車流量較高情況下,通過車流量預(yù)測并依據(jù)結(jié)果進行自適應(yīng)分簇,從而減小車聯(lián)網(wǎng)終端間的干擾,因此本節(jié)主要仿真車流量較高的情況。

圖12給出了車輛密度為100 vehicle/km時的仿真結(jié)果,依據(jù)本文分簇算法,將區(qū)域內(nèi)終端分為2簇。在200 m范圍內(nèi),本文使用的兩種神經(jīng)網(wǎng)絡(luò)方案以及文獻[12]中方案的收包率相同,均優(yōu)于SPS方案。當(dāng)大于250 m范圍時,文獻[12]方案的性能下降顯著,這由于其按車道進行資源池劃分,能夠減少同時資源重選所導(dǎo)致的碰撞問題,并不能減少隱藏終端所導(dǎo)致的碰撞問題,且資源分配具有滯后性,因此當(dāng)收發(fā)距離較遠時,存在較多隱藏終端導(dǎo)致了嚴(yán)重的干擾。而本文方案按RSU覆蓋范圍進行劃分,并通過自適應(yīng)分簇有效提升資源的復(fù)用距離,有效減少了隱藏終端所導(dǎo)致的干擾,收包率較文獻[12]方案提升了6%,較SPS方案提升了10%。RBF神經(jīng)網(wǎng)絡(luò)方案性能略優(yōu)于BP神經(jīng)網(wǎng)絡(luò),這是由于BP神經(jīng)網(wǎng)絡(luò)預(yù)測誤差大于RBF神經(jīng)網(wǎng)絡(luò)。

圖12 不同方案下收包率曲線(車流密度100 vehicle/km)

圖13給出了車輛密度為150 vehicle/km時的仿真結(jié)果,依據(jù)本文分簇算法,將區(qū)域內(nèi)終端分為3簇。由于本文方案在同一簇內(nèi)并不能有效減少同時資源重選造成的碰撞,在200 m范圍內(nèi)文獻[12]中方案與本文方案性能相近。當(dāng)接收距離為300 m時,本文RBF神經(jīng)網(wǎng)絡(luò)方案收包率為0.82,較文獻[12]方案提升10%,較SPS方案提升14%,有效保證了通信的可靠性,提升了覆蓋距離。

圖13 不同方案下收包率曲線(車流密度150 vehicle/km)

圖14給出了車輛密度為200 vehicle/km時的仿真結(jié)果,依據(jù)本文分簇算法,將區(qū)域內(nèi)終端分為3簇。在此情況下,區(qū)域內(nèi)車輛擁塞情況嚴(yán)重,隨著接收距離的增大,隱藏終端隨之增多,導(dǎo)致通信性能顯著下降。當(dāng)接收距離為300 m時,SPS方案收包率為0.55,文獻[12]方案為0.62,本文BP神經(jīng)網(wǎng)絡(luò)方案為0.71,RBF神經(jīng)網(wǎng)絡(luò)方案為0.76。BP神經(jīng)網(wǎng)絡(luò)收包率比RBF神經(jīng)網(wǎng)絡(luò)低5%,這是由于在車流量較高的情況下,預(yù)測誤差將導(dǎo)致簇的劃分不符合實際交通情況,從而造成不合理的資源分配。

圖14 不同方案下收包率曲線(車流密度200 vehicle/km)

3.3 計算復(fù)雜度

本文方案采用神經(jīng)網(wǎng)絡(luò)進行短時交通預(yù)測,因此較基于感知的SPS方案和文獻[12]方案,引入了神經(jīng)網(wǎng)絡(luò)預(yù)測的復(fù)雜度O(n1×n2+n2×n3)。其中,n1為輸入層節(jié)點數(shù),數(shù)值為22;n2為隱含層節(jié)點數(shù);n3為輸出層節(jié)點數(shù),數(shù)值為5。由于本文采用的RBF神經(jīng)網(wǎng)絡(luò)隱含層節(jié)點數(shù)高于BP神經(jīng)網(wǎng)絡(luò),故RBF神經(jīng)網(wǎng)絡(luò)方案計算復(fù)雜度高于BP神經(jīng)網(wǎng)絡(luò)。本文方案利用路側(cè)設(shè)備RSU進行車流量預(yù)測,并未增加車載終端OBU的計算復(fù)雜度,故計算復(fù)雜度在可接受的范圍內(nèi)。

4 結(jié)束語

針對C-V2X模式4中資源復(fù)用不合理的問題,本文提出了一種基于神經(jīng)網(wǎng)絡(luò)的V2X無線資源管理方式。通過利用V2X中RSU與OBU之間的通信消息,對未來時刻車流密度進行預(yù)測,RSU根據(jù)預(yù)測的結(jié)果進行自適應(yīng)分簇,簇間可復(fù)用相同資源,在簇內(nèi)進行資源池的劃分。仿真結(jié)果表明,本文所提方案有效減少了數(shù)據(jù)包碰撞,保證了V2X通信的可靠性,提升了覆蓋范圍。

本文主要采用BP神經(jīng)網(wǎng)絡(luò)和RBF神經(jīng)網(wǎng)絡(luò)預(yù)測高速直道未來時刻的車流量,車流量的預(yù)測具有一定的復(fù)雜性,利用車聯(lián)網(wǎng)通信消息輔助車流量預(yù)測應(yīng)當(dāng)?shù)玫街匾?在下一步的研究中將考慮進一步提升車流量預(yù)測的準(zhǔn)確性。本文主要通過研究車聯(lián)網(wǎng)資源的劃分解決隱藏終端的問題,下一步將在本文的基礎(chǔ)上研究提升終端的感知性能與降低資源分配的不確定性,進一步提升通信的可靠性。