车载自组织网络中基于道路拓扑的自适应多副本路由方法
专利汇可以提供车载自组织网络中基于道路拓扑的自适应多副本路由方法专利检索，专利查询，专利分析的服务。并且本 发明 请求 保护一种车载自组织网络中基于道路拓扑的自适应多副本路由方法，首先，比如路口模式和直路模式采用不同的喷发方式来喷发副本。其次，使用拉格朗日内插法基于 节点 的历史 位置 信息预测节点未来的位置，根据网络中车辆 密度 的不同，自适应动态地调整Reach阶段的转发方法。网络密度较低的情况下，采用基于历史位置信息插值预测法预测选择最佳路径；网络密度较高时，通过 强化学习 预测最小时延路径方法，选取Q值高的车辆进行转发。本发明所述路由方法针对车载自组织网络节点密度分布不均，消息传输易受网络环境与车辆移动因素影响，导致消息投递率不高，时延较大的问题。提出该路由方案，以能够保证较高投递率的情况下，降低时延。，下面是车载自组织网络中基于道路拓扑的自适应多副本路由方法专利的具体信息内容。
1.一种车载自组织网络中基于道路拓扑的自适应多副本路由方法，其特征在于，将整个路由的步骤分为副本消息喷发阶段和到达阶段即Reach阶段，所述副本消息喷发阶段包括以下步骤：
101、在副本消息喷发阶段，车辆源节点S首先自身复制消息得到L个消息副本，查找一跳范围的邻居列表，并判断是否存在目的车辆，若存在目的车辆，则直接将消息副本转发给该目的车辆，结束路由寻找过程，如果不是目的车辆，再根据网络环境，判断是否进入了路口模式，若判断进入了路口模式，则跳转至步骤102；若判断进入了直路模式则跳转至步骤
103；
102、若进入路口模式，判断邻居车辆与车辆源节点S方向是否相同，若存在与车辆源节点S方向不同的节点，获取与车辆源节点S方向不同的车辆节点的速度方向，然后计算与车辆源节点S方向不同的车辆节点与车辆源节点S的夹角，然后选取夹角最大的车辆即代表与自身运动方向差异最大的方向喷射自身副本数一半的消息副本；再从与车辆源节点S行驶方向相同的车辆中，选取运动速度最大的邻居车辆将自身消息剩余的副本全部转发给该车辆，重复该步骤，当每辆车携带的消息副本数散发到仅剩一个副本时，结束喷发阶段，进入Reach阶段；跳转至步骤104；
103、车辆进入直路模式，在只有两个运动方向的情况下，首先，找到与车辆源节点S自己运动方向相反的节点，选择距离自己最近的车辆，转发一半的副本数，剩下的副本转发给与自己同一运动方向且运动速度最快的车辆；重复步骤102，当每辆车携带的消息副本数散发到仅剩一个副本时，结束喷发阶段，跳转至步骤104；进入Reach阶段；
104、设置车辆密度的阈值M，当车辆密度小于M时，采用拉格朗日插值法预测未来的位置选择下一跳中继车辆进行转发，当车辆密度大于M时，采用基于Q-学习选取时延最优路径的算法建立Q学习模型，初始化Q值路由表，并更新Q值，选择中继车辆进行转发，本次路由结束。
2.根据权利要求1所述的一种车载自组织网络中基于道路拓扑的自适应多 副本路由方法，其特征在于，步骤104中的采用基于Q-学习选取时延最优路径的算法建立Q学习模型，初始化Q值路由表，并更新Q值的具体步骤为：
A1、建立Q学习模型，如下定义：整个车载自组织网络环境即为Q学习的环境，包括车载自组织网络中的车辆节点、节点间的通信链路以及数组包，在网络中所有车辆节点集是一个状态空间，一个车辆节点选择转发包的下一跳，因此可能行为集定义在节点的一跳的邻居集，一个状态的转变是包从一个节点发送给它的邻居；
A2、首先，初始化Q值表，令Q值表为全零，并分别设定初始学习率a和折扣因子γ；
A3、每个节点对每一个邻居维持一个Q值表，Q值表通过接收hello消息来更新，包含了从0-1范围的Q值，这个Q值表的大小依赖于一跳通信范围内节点数，公式为：
TTLi’表示节点i还剩下的
时间；TTLi表示总的生存时间；Dab为历史数据中的时延，Lab是路段的长度，tτ是一跳传输时延，R为通信半径，ρ表示平均车辆密度，其中，σ为学习率，γ为折扣因子，如果传输完成，根据ACK等确认消息和Q值路由表，完成Q值的更新。
3.根据权利要求1所述的一种车载自组织网络中基于道路拓扑的自适应多副本路由方法，其特征在于，步骤104中的采用拉格朗日插值法预测未来的位置选择下一跳中继车辆进行转发的具体步骤为：每个节点维持一个信息表，这个信息表记录了所有节点的过去位置和相应的时刻，信息表{Xkω,Ykω,tkω}(k＝1,2,…N)，Xkω,Ykω,tkω分别表示在时刻t节点的未来的坐标位置。ω代表记录的数量，lk(t)表明时刻t1,t2,…tω的拉格朗日内插法基础函数，然后，在未来的时刻t从节点i，j的距离到节点d通过以下给出：
这里，Did，Djd表示未来的时刻t从节点i，j到节点d的距离。
分别代表预测出未来节点i，j，d的坐标，其中函数：
f(x,t)>1，表示未来节点j距离目的地更近，将消息副本转发给邻居车辆节点j，f(x,t)<1，表示未来自己离目的地更近，消息副本由自己携带转发，直至遇到目的车辆。
车载自组织网络中基于道路拓扑的自适应多副本路由方法
技术领域
背景技术
发明内容
时间。TTLi表示总的生存时间。Dab为历史数据中的时延，Lab是路段的长度，tτ是一跳传输时延，R为通信半径，ρ表示平均车辆密度，其中，σ为学习率，γ为折扣因子，如果传输完成，根据ACK等确认消息和Q值路由表，完成Q值的更新。
具体实施方式
间都是连接的，那么两辆车必然在相互传输的无线通信范围内，ρ＝Lab/x，因此，整个路段节点联通的概率为：
跳传输时延，R为通信半径，ρ表示平均车辆密度，在这里取为13veh/km。其中，σ为学习率，它的值越大，即说明Q值更新得越快。γ为折扣因子，这里设置学习速率α为0.8，并且基于仿真分析折扣因子设置为0.9。随着跳数的增加，这个奖励已经进行折扣了。TTLi’为节点i还剩下的时间，TTLi为总的生存时间。由于自组织网络节点的能生存时间有限，一旦 有节点死亡，将大幅度降低网络的联通性。为了统一量纲，在假设节点的生存时间都相同的情况下，在此考虑节点的剩余时间与总的生存时间的比值。如果传输完成，根据ACK等确认消息和Q值路由表，完成Q值的更新。
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 一种基于强化学习的泊车路径规划方法 | 2020-05-08 | 724 |
| 基于强化学习和双线性卷积网络的车型识别方法 | 2020-05-11 | 923 |
| 一种目标用户的选择方法和装置 | 2020-05-13 | 883 |
| 一种基于多智能体Q学习的车载通信MAC层信道接入方法 | 2020-05-12 | 355 |
| 一种城市快速路智慧交通管控方法和系统 | 2020-05-13 | 25 |
| 基于强化学习的机器学习模型预测时机估计模型 | 2020-05-11 | 93 |
| 机位智能分配方法、计算机装置及存储介质 | 2020-05-11 | 387 |
| 一种IP-光网络通信业务联合分配方法及装置 | 2020-05-08 | 579 |
| 一种基于强化学习的人脸识别方法 | 2020-05-11 | 825 |
| 多元强化耦合智能调控防止高粘性灰在催化剂表面沉积的系统及方法 | 2020-05-12 | 892 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
