基于自組織映射神經(jīng)網(wǎng)絡(luò)的VANET組網(wǎng)算法

吳怡，楊瓊，吳慶祥，沈連豐，林瀟

(1. 東南大學(xué) 移動(dòng)通信國(guó)家重點(diǎn)實(shí)驗(yàn)室，江蘇 南京 210096；2. 福建師范大學(xué) 物理與光電信息科技學(xué)院，福建 福州 350007)

1 引言

智能交通系統(tǒng)（ITS, intelligent transportation systems）[1]將先進(jìn)的計(jì)算機(jī)技術(shù)、信息技術(shù)、通信技術(shù)、自動(dòng)控制技術(shù)、人工智能及電子技術(shù)等有效地運(yùn)用于交通運(yùn)輸中，是構(gòu)建準(zhǔn)時(shí)、精確、高效交通運(yùn)輸管理體系的基礎(chǔ)。汽車輔助駕駛是ITS的重要研究領(lǐng)域，它將逐步打破由駕駛員觀察道路并控制車輛而形成的“車—路—人”的傳統(tǒng)，形成“車—路”閉環(huán)控制的新模式，最終實(shí)現(xiàn)無人自動(dòng)駕駛[2]。

車輛的自動(dòng)駕駛必須明確知曉其目的地和行駛路況，包括行駛路線以及與其他車輛間的位置關(guān)系等，這就需要建立車輛間的無線信息網(wǎng)絡(luò)，車輛自組織網(wǎng)絡(luò)（VANET，vehicular ad hoc network）已成為目前一個(gè)重要的研究課題，它是道路上車輛間、車輛與固定接入點(diǎn)之間相互通信組成的開放移動(dòng)自組織網(wǎng)絡(luò)[3]，車輛間信息的交互通過自組織形成的網(wǎng)絡(luò)來實(shí)現(xiàn)。對(duì)于VANET研究目前還面臨許多挑戰(zhàn)。例如，VANET沒有一個(gè)中心協(xié)調(diào)或握手協(xié)議，大多采用廣播的方式傳送信息，周圍車輛數(shù)目很大時(shí)，全部車輛采用一個(gè)公共信道通信將會(huì)非常擁擠或阻塞；VANET的節(jié)點(diǎn)是運(yùn)動(dòng)的，隨時(shí)有節(jié)點(diǎn)加入和離開網(wǎng)絡(luò)，這個(gè)特點(diǎn)為信息的可靠傳輸[4]和路由帶來許多挑戰(zhàn)性的難題。近年來研究者從VANET路由協(xié)議[5]、網(wǎng)絡(luò)的組網(wǎng)方式等多方面進(jìn)行研究。文獻(xiàn)[6]對(duì)2009年以前的相關(guān)技術(shù)做了介紹，文獻(xiàn)[7]對(duì)近年來VANET MAC層協(xié)議方面的研究進(jìn)行了討論。從近期發(fā)表的研究成果來看，對(duì)運(yùn)動(dòng)車輛進(jìn)行分簇的方法吸引了許多研究者[8～13]。文獻(xiàn)[8]提出了基于區(qū)域的聚類機(jī)制，將同一區(qū)域內(nèi)的車輛作為一簇，通過傳遞信息到基站主干網(wǎng)絡(luò)后與其他區(qū)域的車輛進(jìn)行通信，利用安裝在道路旁的基站實(shí)現(xiàn)不同簇群車輛間的通信；文獻(xiàn)[9]采用類似機(jī)制；文獻(xiàn)[10～12]分別提出了基于信道、地址的分簇通信機(jī)制；文獻(xiàn)[13]利用集成VANET和3G這2個(gè)異構(gòu)的無線網(wǎng)絡(luò)，提出了動(dòng)態(tài)聚類的機(jī)制自適應(yīng)移動(dòng)網(wǎng)關(guān)管理方案，使得車輛族群間通過移動(dòng)網(wǎng)關(guān)進(jìn)行通信。目前這些方法都不同程度地減小了VANET信息阻塞，但這些方法在車輛進(jìn)入不同地域時(shí)要改變連接或網(wǎng)關(guān)。

在城市交通系統(tǒng)中，道路狀況特別復(fù)雜，尤其是在道路交叉地段，車輛通行復(fù)雜，有等待、直行、左轉(zhuǎn)、右轉(zhuǎn)等變化，有T字、十字、多叉、轉(zhuǎn)盤等路況，經(jīng)常會(huì)形成數(shù)百甚至更多車輛的聚集，考慮到VANET網(wǎng)絡(luò)有較大的覆蓋范圍，如果不加區(qū)別地將它們都納入網(wǎng)絡(luò)將會(huì)使網(wǎng)絡(luò)十分龐大以致沒有足夠的頻率、時(shí)間等資源予以支撐，反而會(huì)使必須參與組網(wǎng)的車輛相互間的通信可靠性變差、實(shí)時(shí)性變壞。為了建立一個(gè)具有穩(wěn)定連接、較長(zhǎng)時(shí)間互通交通信息的VANET系統(tǒng)，本文提出利用自組織映射（SOM，self-organizing map）神經(jīng)網(wǎng)絡(luò)進(jìn)行動(dòng)態(tài)組網(wǎng)，將屬性相近的車輛組成子網(wǎng)，以達(dá)到減少延遲，提高吞吐量之目的。例如將運(yùn)動(dòng)方向相同的車組成子網(wǎng)，保持連接時(shí)間可以較長(zhǎng)，避免當(dāng)車駛出一個(gè)分組地域進(jìn)入另一個(gè)分組地域時(shí)要換到另一區(qū)分組，車可以較長(zhǎng)時(shí)間地保持在同一網(wǎng)內(nèi)互通信息，從而提供可靠的運(yùn)動(dòng)車輛間的通信，成為ITS通信保障的組成部分之一。

本文的其余部分安排如下：首先介紹自組織映射神經(jīng)網(wǎng)絡(luò)算法的具體內(nèi)容及實(shí)現(xiàn)；然后討論如何將SOM神經(jīng)網(wǎng)絡(luò)應(yīng)用于VANET的組網(wǎng)，給出組網(wǎng)方案和具體算法，并針對(duì)系統(tǒng)吞吐量、傳輸時(shí)延及SOM算法的復(fù)雜性等進(jìn)行了分析；最后論述仿真情況及其應(yīng)用于ITS的一些考慮。

2 自組織映射神經(jīng)網(wǎng)絡(luò)及其學(xué)習(xí)步驟

SOM神經(jīng)網(wǎng)絡(luò)是一種無監(jiān)督學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)[14]，具有很強(qiáng)的聚類功能，通過對(duì)輸入樣本的自組織學(xué)習(xí)，能夠?qū)⒕垲惤Y(jié)果在輸出層中顯示出來。SOM在眾多領(lǐng)域都得到了應(yīng)用，例如，文獻(xiàn)[15,16]將SOM應(yīng)用于圖像處理，文獻(xiàn)[17～19]將SOM應(yīng)用于客戶分群。

文獻(xiàn)[14]已經(jīng)證明，SOM網(wǎng)絡(luò)通過對(duì)輸入數(shù)據(jù)的反復(fù)學(xué)習(xí)，可使連接權(quán)重權(quán)矢量空間分布密度與輸入數(shù)據(jù)的概率分布趨于一致，連接權(quán)重權(quán)矢量空間分布可以被用來描述輸入數(shù)據(jù)的聚類統(tǒng)計(jì)特征。SOM神經(jīng)網(wǎng)絡(luò)如圖1所示。設(shè)輸入特征矢量X=(x1, x2,…,xi,…,xn)T并行連接到網(wǎng)絡(luò)中m個(gè)神經(jīng)元中的每一個(gè)神經(jīng)元，每個(gè)神經(jīng)元對(duì)應(yīng)一個(gè)權(quán)重向量Wj，Wj有n個(gè)分量且表示為wij(i=1, 2, …, n；j=1, 2,…, m)，它的值通過自組織學(xué)習(xí)來確定。

圖1 自組織映射神經(jīng)網(wǎng)絡(luò)

SOM網(wǎng)絡(luò)的自組織學(xué)習(xí)過程可分為2個(gè)部分：一是選擇最佳的匹配神經(jīng)元，另一是權(quán)矢量的自適應(yīng)更新。在做最佳匹配時(shí)，根據(jù)輸入特征向量X，將每個(gè)神經(jīng)元的權(quán)向量與其比較，通過選擇最近距離來確定獲勝神經(jīng)元j*，即，使j*滿足。然后進(jìn)行權(quán)矢量的自適應(yīng)更新，對(duì)以j*為中心的周圍Nj*(t)以內(nèi)的神經(jīng)元的權(quán)向量，按文獻(xiàn)[14]給出的學(xué)習(xí)規(guī)則進(jìn)行調(diào)整，有

其中，t為學(xué)習(xí)次數(shù)變量，t=0, 1, 2,…, T；η(t)為學(xué)習(xí)速率，它隨學(xué)習(xí)的次數(shù)而衰減，且0＜η(t)＜1。

SOM網(wǎng)絡(luò)自組織學(xué)習(xí)的步驟歸納如下。

1) 初始化。將網(wǎng)絡(luò)的連接權(quán){wij( t)}賦以[0，1]區(qū)間的隨機(jī)值，i=1, 2, …, n；j=1, 2, …, m。確定鄰域Nj*(t)的初始值Nj*(0)、學(xué)習(xí)速率η(0)和總的學(xué)習(xí)次數(shù)T。

2) 選取k個(gè)學(xué)習(xí)特征向量中的一個(gè)特征向量X=(x1, x2,…,xi,…,xn)，提供給網(wǎng)絡(luò)的輸入層，作歸一化處理，即

3) 對(duì)連接權(quán)矢量Wj=(w1j,w2j,…,wnj)進(jìn)行歸一化，即

4) 計(jì)算距離。采用歐式距離來計(jì)算，其表達(dá)式為

5) 在m個(gè)神經(jīng)元中找出最小的距離dj*，確定獲勝的神經(jīng)元j*，即使dj*=min{dj}。

6) 調(diào)整連接權(quán)矢量。對(duì)競(jìng)爭(zhēng)層鄰域，即以j*為中心的周圍Nj*(t)以內(nèi)的神經(jīng)元，與輸入層神經(jīng)元之間的連接權(quán)矢量進(jìn)行更新，即

7) 選取另一個(gè)學(xué)習(xí)特征向量提供給網(wǎng)絡(luò)的輸入層，返回到步驟3），直至k個(gè)學(xué)習(xí)特征向量全部提供給網(wǎng)絡(luò)。

8) 更新學(xué)習(xí)速率η(t)，即

其中，(0)η為初始的學(xué)習(xí)速率，t為學(xué)習(xí)次數(shù)，T為總的學(xué)習(xí)次數(shù)。

9) 更新鄰域Nj*(t)。設(shè)競(jìng)爭(zhēng)層神經(jīng)元j在二維陣列中的坐標(biāo)值為(xj,yj)，則鄰域的范圍是由如下4個(gè)點(diǎn)組成的正方形：(xj+Nj*(t),yj+Nj*(t ))，(xj+Nj*(t),yj-Nj*(t ))，(xj-Nj*(t),yj-Nj*(t ))，(xj-Nj*(t),yj+Nj*(t ))。鄰域Nj*(t)的更新表示式為

其中，INT[ ]為取整符號(hào)，Nj*(0)為Nj*(t)的初始值。

10) 令t＝t＋1，返回步驟2)，直至t＝T為止。

上述步驟亦稱為SOM算法，圖2給出了該算法流程。

圖2 SOM網(wǎng)絡(luò)自組織學(xué)習(xí)的流程

3 基于SOM神經(jīng)網(wǎng)絡(luò)的行駛車輛組網(wǎng)方案及其性能分析

3.1 車輛組網(wǎng)方案

車輛間聯(lián)網(wǎng)要面對(duì)的實(shí)際場(chǎng)景千變?nèi)f化，例如：車輛的快速移動(dòng)將使其接收到的無線信號(hào)強(qiáng)度變化很大；在網(wǎng)絡(luò)的覆蓋范圍內(nèi)會(huì)頻繁地有車離開或加入，從而導(dǎo)致聯(lián)網(wǎng)的車輛數(shù)隨時(shí)間變化很快；在城市交通密集的地方，道路上行駛的車輛非常多，尤其是在交叉路口等地段，很多車輛在彼此的廣播消息覆蓋范圍內(nèi)，如果每輛車均與其附近的車輛組網(wǎng)，接收其他車的廣播消息并再轉(zhuǎn)播，輕則引起系統(tǒng)的分組丟失率增加、吞吐量下降、傳播時(shí)延加大，重則發(fā)生信息堵塞從而導(dǎo)致通信中斷。為此，本文在行車安全的前提下給出對(duì)眾多車輛進(jìn)行分組的方法，提出利用SOM神經(jīng)網(wǎng)絡(luò)將車輛分組的方案，排除掉覆蓋區(qū)內(nèi)完全沒有必要聯(lián)網(wǎng)的車輛以盡可能保障組網(wǎng)車輛足夠的頻率資源和實(shí)時(shí)性要求，建立相對(duì)穩(wěn)定的動(dòng)態(tài)車輛自組織網(wǎng)絡(luò)。本文把這一方案稱為基于自組織映射神經(jīng)網(wǎng)絡(luò)的VANET組網(wǎng)算法（簡(jiǎn)稱組網(wǎng)算法），其核心內(nèi)容是基于SOM的車輛分類方法，亦稱為分類算法或SOM算法。

自組織映射神經(jīng)網(wǎng)絡(luò)具有很強(qiáng)的聚類功能，通過車輛提供的參數(shù)，可將屬性相近、目的地相近的車輛組織成同一個(gè)運(yùn)動(dòng)的通信網(wǎng)，使這些車輛可較長(zhǎng)時(shí)間保持通信。自組織映射神經(jīng)網(wǎng)絡(luò)有能力綜合多個(gè)模糊參量進(jìn)行聚類，在組網(wǎng)時(shí)可靈活地處理各種參量。SOM神經(jīng)網(wǎng)絡(luò)與其他模糊算法相比，其優(yōu)點(diǎn)主要有對(duì)初始值不敏感、可以實(shí)現(xiàn)實(shí)時(shí)學(xué)習(xí)，網(wǎng)絡(luò)具有自穩(wěn)定性，無須外界給出評(píng)價(jià)函數(shù)，能夠識(shí)別向量空間中最有意義的特征，抗噪音能力強(qiáng)等，缺點(diǎn)是算法迭代時(shí)間較長(zhǎng)，但是由于SOM算法本身是一種并行結(jié)構(gòu)，因此特別適合用FPGA等硬件實(shí)現(xiàn)，嵌入到動(dòng)態(tài)組網(wǎng)系統(tǒng)中。

本文研究的車輛組網(wǎng)算法基于一種時(shí)隙同步的車輛間通信系統(tǒng)，采用類似時(shí)隙ALOHA的接入控制機(jī)制。組網(wǎng)的車輛在每個(gè)時(shí)隙以概率p競(jìng)爭(zhēng)信道的使用權(quán)，如果2個(gè)或2個(gè)以上用戶同時(shí)爭(zhēng)用信道則發(fā)生數(shù)據(jù)分組的碰撞，認(rèn)為該數(shù)據(jù)分組丟失。傳統(tǒng)的ALOHA系統(tǒng)中，需要接收節(jié)點(diǎn)到發(fā)送節(jié)點(diǎn)的反饋信道，根據(jù)反饋信息，用戶可以重傳未被成功接收的數(shù)據(jù)分組。本文研究的系統(tǒng)無需反饋信道，沒有接收者的反饋信息，發(fā)送者不知道其發(fā)送的數(shù)據(jù)分組是否丟失，稱之為隨機(jī)接入機(jī)制。在本文的研究場(chǎng)景中假定每輛車總是有待發(fā)送的車載通信數(shù)據(jù)以廣播方式發(fā)送給組網(wǎng)的其他車輛。即設(shè)定道路上行駛的每輛車總是要發(fā)送自己的車載通信數(shù)據(jù)報(bào)文，該報(bào)文中含有車輛的多維信息，包括：設(shè)備識(shí)別碼、通信模式、優(yōu)先等級(jí)、能量信息、聯(lián)網(wǎng)狀態(tài)、分組情況（所屬的子集）、位置信息（從GPS獲得的經(jīng)、緯度或從其他通信系統(tǒng)獲得的電子地圖坐標(biāo)位置等），移動(dòng)信息（例如速度矢量等）、緊急情況標(biāo)識(shí)（例如危險(xiǎn)等級(jí)、求救信息等）以及用戶數(shù)據(jù)。通信數(shù)據(jù)報(bào)文的結(jié)構(gòu)如圖3所示。

下面以車輛是否到達(dá)路口等候交通指示燈場(chǎng)景為例來說明組網(wǎng)算法，這種情形算法的流程如圖4所示。從接收到其他車的車載通信數(shù)據(jù)報(bào)文中挑選“當(dāng)前位置（經(jīng)度）”、“當(dāng)前位置（緯度）”、“目的地位置（經(jīng)度）”、“目的地位置（緯度）”、“當(dāng)前行駛方向”、“經(jīng)過路口后行駛方向”等數(shù)據(jù)作為 SOM 神經(jīng)網(wǎng)絡(luò)的輸入特征矢量，并根據(jù)分組的要求設(shè)置 SOM 神經(jīng)網(wǎng)絡(luò)的輸出最大分類、神經(jīng)網(wǎng)絡(luò)總的學(xué)習(xí)次數(shù)T和學(xué)習(xí)率η (0)等。如果要求分組較細(xì)，可加大最大分類和學(xué)習(xí)次數(shù)，減小學(xué)習(xí)率。

該組網(wǎng)算法在所提場(chǎng)景工作的具體描述如下：車輛經(jīng)過一段行駛時(shí)間（可預(yù)設(shè)，市區(qū)行駛暫默認(rèn)為30s）或者到達(dá)路口等候交通指示燈時(shí)，啟動(dòng)SOM車輛分類算法，接收通信范圍內(nèi)所有其他車輛發(fā)來的報(bào)文消息，選擇其中的分類數(shù)據(jù)構(gòu)成輸入矢量，輸入SOM算法進(jìn)行處理。SOM算法依據(jù)報(bào)文消息中的分類數(shù)據(jù)對(duì)所有車輛進(jìn)行分類組網(wǎng)，運(yùn)行SOM算法后的車輛便知道與其在同一分組中的車輛有哪些，將這些車輛記入其分組列表中，并賦予相應(yīng)的分組編號(hào)。算法運(yùn)行后，如果只有一個(gè)分組，則提高組網(wǎng)的每個(gè)用戶的發(fā)送概率p，其他未組網(wǎng)的用戶保持其發(fā)送概率p不變，這樣組網(wǎng)的用戶可以占用更多的信道資源相互通信。如果SOM算法運(yùn)行后，分組數(shù)大于 1個(gè)，則同一分組中的用戶跳頻至其他頻率通信，同時(shí)也提高自己的發(fā)送概率，以降低傳輸時(shí)延，跳頻后的車輛每隔一段時(shí)間仍然在公共信道發(fā)送自己的數(shù)據(jù)分組，所有的車輛也在公共信道上對(duì)所有的數(shù)據(jù)分組偵聽，一旦需要重新組網(wǎng)時(shí)，利用偵聽到的數(shù)據(jù)分組中的信息重新組網(wǎng)。此外，對(duì)于分組后的單個(gè)用戶而言，在下一次接收到其他車的報(bào)文消息時(shí)，只接收并處理在同一個(gè)分組中的車輛的信息，對(duì)其他車輛的信息僅解析其中的一部分而不是全部接收，這就有效地保障了組網(wǎng)車輛的通信資源。車輛在路上行駛中，保持與組網(wǎng)列表中的車輛間的通信，如果車輛駛至下一個(gè)路口或經(jīng)過已經(jīng)設(shè)置的一段固定時(shí)間后，再次啟動(dòng)SOM車輛分類組網(wǎng)程序，運(yùn)行SOM算法找到新的組網(wǎng)車輛。

圖3 車載通信數(shù)據(jù)報(bào)文格式

圖4 基于SOM神經(jīng)網(wǎng)絡(luò)的行駛車輛組網(wǎng)方案流程

組網(wǎng)算法在非市區(qū)情況（郊區(qū)、農(nóng)村、省道、國(guó)道、高速公路等）比市區(qū)情況將有所簡(jiǎn)化，但其核心思想與市區(qū)情況基本相同，實(shí)際算法還必須考慮非常多的細(xì)節(jié)，這里不再詳述。

3.2 算法性能分析

本文提出的基于SOM算法的分類組網(wǎng)方案主要由SOM算法和基于隨機(jī)接入的數(shù)據(jù)分組發(fā)送與處理這2部分組成。由圖2可見本文提供的SOM算法的復(fù)雜度約等于O(KMT)，這里K為分類的車輛數(shù)，M為神經(jīng)元個(gè)數(shù)，T為訓(xùn)練次數(shù)。由于算法只是在需要重新組網(wǎng)時(shí)才啟動(dòng)，因此整個(gè)組網(wǎng)方案的主要性能還是取決于所采用的接入機(jī)制。而且由于SOM算法本身具有極強(qiáng)的并行數(shù)據(jù)處理能力，當(dāng)采用FPGA等硬件實(shí)現(xiàn)時(shí)，算法運(yùn)行所需時(shí)間更短。因此本節(jié)從信道資源利用率的角度，重點(diǎn)研究VANET的系統(tǒng)吞吐量和傳輸時(shí)延這2個(gè)性能指標(biāo)，分析經(jīng)過分類組網(wǎng)后的性能改善情況。

為了分析的方便，定義一幀中成功發(fā)送數(shù)據(jù)分組的時(shí)隙數(shù)占總時(shí)隙數(shù)的比例為系統(tǒng)吞吐量。

在隨機(jī)接入方式中，假設(shè)用戶k(k=1, 2,…, M)在時(shí)隙l(l=1, 2,…, L)以概率pk(l)發(fā)送數(shù)據(jù)分組，組網(wǎng)的用戶節(jié)點(diǎn)總數(shù)為M，系統(tǒng)總的傳輸時(shí)間為L(zhǎng)個(gè)時(shí)隙。用戶相互獨(dú)立地發(fā)送數(shù)據(jù)分組，Il=1表示在時(shí)隙 l有一個(gè)用戶發(fā)送消息，Il=0表示沒有用戶發(fā)送消息或者多于1個(gè)用戶發(fā)送消息。因此有

定義平均系統(tǒng)吞吐量為

在本文研究的系統(tǒng)中，假定每個(gè)用戶的發(fā)送概率相同，其值為p，則可得平均系統(tǒng)吞吐量為

由式（10）可見，系統(tǒng)的平均吞吐量與網(wǎng)絡(luò)中的用戶數(shù)及用戶的發(fā)送概率有關(guān)，下面分析一下當(dāng)要獲得最大的系統(tǒng)吞吐量時(shí)的用戶的發(fā)送概率。

可見，在隨機(jī)接入控制方式中，如果每個(gè)用戶能夠知道組網(wǎng)的用戶數(shù)，并將其發(fā)送概率設(shè)置為組網(wǎng)用戶數(shù)的倒數(shù)時(shí)，系統(tǒng)可以獲得最大的吞吐量。

下面繼續(xù)分析隨機(jī)接入系統(tǒng)的傳輸時(shí)延。傳輸時(shí)延定義為從某個(gè)時(shí)刻起一個(gè)車輛節(jié)點(diǎn)成功地收到周圍一跳通信范圍內(nèi)所有其他車輛節(jié)點(diǎn)至少一個(gè)數(shù)據(jù)分組所用的時(shí)隙數(shù)。

當(dāng)每個(gè)用戶以相同的概率p發(fā)送數(shù)據(jù)分組時(shí)，上述分析可知，在某個(gè)時(shí)隙有成功數(shù)據(jù)分組發(fā)送的概率為

設(shè)用戶 k在第 Xjk時(shí)隙第一次成功地接收到用戶j的數(shù)據(jù)分組，則其概率分布函數(shù)為

式(14)即為本文所研究的隨機(jī)接入系統(tǒng)的傳輸時(shí)延?？梢姡珽(Xk)與發(fā)送概率p有關(guān)，當(dāng)α最大時(shí)，傳輸時(shí)延最小。同樣可以得出當(dāng)p=1/M時(shí)，系統(tǒng)有最小的傳輸時(shí)延性能。此外，從式(14)還可得出當(dāng)網(wǎng)絡(luò)中的用戶節(jié)點(diǎn)數(shù)M越大時(shí)，系統(tǒng)的傳輸時(shí)延也越大。

從上述分析可見，如果能夠知道組網(wǎng)的車輛節(jié)點(diǎn)數(shù)目，則每個(gè)組網(wǎng)節(jié)點(diǎn)可以通過調(diào)整其發(fā)送概率使系統(tǒng)獲得最優(yōu)的吞吐量性能；通過將車輛分組控制組網(wǎng)的車輛節(jié)點(diǎn)數(shù)，可以降低傳輸時(shí)延。本文提出的SOM算法可以實(shí)現(xiàn)將車輛按照所關(guān)注的相關(guān)信息進(jìn)行分類組網(wǎng)。

4 組網(wǎng)性能仿真及其結(jié)果分析

4.1 仿真實(shí)例

為了驗(yàn)證組網(wǎng)算法，利用Matlab編寫了組網(wǎng)算法的仿真程序，將仿真場(chǎng)景中所有車輛的6項(xiàng)數(shù)據(jù)矩陣（即：當(dāng)前位置—經(jīng)度、當(dāng)前位置—緯度、目的地位置—經(jīng)度、目的地位置—緯度、當(dāng)前行駛方向、經(jīng)過路口后行駛方向）進(jìn)行標(biāo)準(zhǔn)差標(biāo)準(zhǔn)化之后導(dǎo)入SOM網(wǎng)絡(luò)，作為輸入特征矢量，輸出的神經(jīng)元個(gè)數(shù)取決于將網(wǎng)絡(luò)最終分為幾類。

下面以某市某路口（實(shí)際情況為“福州市五一路與古田路交叉路口”，如圖5所示）任選一時(shí)刻的車輛情況截圖為例來說明本文算法的應(yīng)用。在該觀察時(shí)刻共有41部車位于該路口4個(gè)不同方向上，假定這些車輛彼此都在通信可達(dá)范圍內(nèi)，圖中箭頭所示為道路上車輛的行駛方向，用方框標(biāo)識(shí)的車經(jīng)過下一個(gè)路口后會(huì)沿交通指示轉(zhuǎn)彎，其余車輛均沿所在道路直行。將所有車的相關(guān)信息參數(shù)輸入到SOM算法，作為數(shù)字實(shí)例，比如選擇最大分類為5，學(xué)習(xí)率為0.000 2，最大學(xué)習(xí)次數(shù)為500，算法運(yùn)行后得到如表1所示分組結(jié)果。參數(shù)中最大分類代表的是分組后可能得到的最大分組數(shù)，實(shí)際分組的結(jié)果并不一定會(huì)達(dá)到最大分組數(shù)，分組結(jié)果與輸入數(shù)據(jù)密切相關(guān)。學(xué)習(xí)率表示算法運(yùn)行過程中對(duì)每次學(xué)習(xí)的調(diào)整范圍，學(xué)習(xí)率越小，調(diào)整范圍越小。在實(shí)際運(yùn)用中可根據(jù)城市交通狀態(tài)、城市中的車輛數(shù)目等參數(shù)來決定學(xué)習(xí)率及最大分類的選取。

從表1的結(jié)果可以看出，SOM神經(jīng)網(wǎng)絡(luò)有能力將相近目的地和相近方向的車輛分成同一組。因此，可按分組結(jié)果將屬于同一個(gè)組別的車輛組成同一個(gè)網(wǎng)絡(luò)，接收并處理組網(wǎng)車輛的信息。

4.2 仿真結(jié)果及其分析

用 NS2仿真軟件建立本文所提方案的車輛間通信模型，將組網(wǎng)算法的MATLAB程序移植到NS2仿真平臺(tái)下。假定每輛車裝有GPS或其他設(shè)備（例如為提高精度而采用差分 GPS），可以得到自己的位置、行駛速度、行駛方向等信息。車輛間通信基于隨機(jī)接入模式，每輛車以概率p競(jìng)爭(zhēng)傳輸時(shí)隙。每輛車的發(fā)射功率相同，傳輸范圍 300m，車子啟動(dòng)后的行駛速度為50km/h。車輛采用廣播方式發(fā)出自己的車載報(bào)文消息。首先建立圖5所示場(chǎng)景的仿真模型，車輛在此路口等候交通指示燈時(shí)，每輛車啟動(dòng)SOM網(wǎng)絡(luò)算法進(jìn)行車輛組網(wǎng)選擇。在表1所示分組結(jié)果中的每一組選取一輛車，觀察該車行駛一段時(shí)間（例如30min）后，與之保持組網(wǎng)的車輛情況，結(jié)果如圖6所示。

圖5 某市某路口某時(shí)刻車輛情況

表1 路口車輛經(jīng)SOM網(wǎng)絡(luò)算法分組

由圖6可見，經(jīng)過SOM算法對(duì)路口不同目的地及不同行駛方向的車輛分組后，經(jīng)過一段行駛時(shí)間，分組中的目的地相近的車輛仍然能夠保持在通信組中。本實(shí)驗(yàn)設(shè)置了一些車輛具有相同的目的地，仿真結(jié)果發(fā)現(xiàn)，目的地相同的車輛最終仍然在同一通信分組。說明采用SOM算法對(duì)車輛進(jìn)行分組，分組網(wǎng)絡(luò)確保了準(zhǔn)確性和穩(wěn)定性。

圖6 SOM組網(wǎng)后30min內(nèi)不同分組中車輛數(shù)變化情況

表2比較了以下2種情況下系統(tǒng)的吞吐量和傳輸時(shí)延：1) 通過SOM算法對(duì)車輛進(jìn)行合理分組，分組后的車輛調(diào)整其發(fā)送概率，且只與本組中的車輛進(jìn)行通信；2) 不采用SOM算法分組，車輛以初始發(fā)送概率（這里發(fā)送概率的值設(shè)置為1/50）與在其通信范圍內(nèi)的所有車輛進(jìn)行通信，接受并處理一跳范圍內(nèi)所有車輛的信息。

表2 系統(tǒng)吞吐量及傳輸時(shí)延

從表2可見，經(jīng)過SOM分組后，每個(gè)分組中的車輛數(shù)保持在 10部左右，而在路上行駛時(shí)在彼此通信范圍內(nèi)的車輛數(shù)都會(huì)在 30部以上，車輛密集時(shí)會(huì)達(dá)到 60部以上，經(jīng)過分組后，通信的車輛數(shù)大大降低。由于只與組網(wǎng)的車輛通信，經(jīng) SOM分組后的傳輸時(shí)延遠(yuǎn)低于與全部車輛通信的傳輸時(shí)延；同時(shí)，系統(tǒng)的吞吐量特性良好，且平均每輛車的吞吐量得到顯著提高。

圖7 幾種場(chǎng)景的示意

設(shè)計(jì)的算法對(duì)城市實(shí)際道路中的各種場(chǎng)景均適用，包括T字路口、十字路口、五岔路口、多叉路口、直行道路、轉(zhuǎn)盤、繞城公路等，圖7給出了其中幾種場(chǎng)景。為了比較簡(jiǎn)單直觀地描述算法中作為 SOM 神經(jīng)網(wǎng)絡(luò)輸入特征矢量的“當(dāng)前行駛方向”和“經(jīng)過路口后行駛方向”這2類數(shù)據(jù)，4.1節(jié)中的仿真實(shí)例選擇的是車輛在十字路口等候交通指示燈的典型場(chǎng)景為例，而在城市實(shí)際道路中，道路的布局很少如此規(guī)整，尤其是在轉(zhuǎn)盤路口和繞城公路路段，設(shè)計(jì)的算法將會(huì)采用方位角來描述這2類數(shù)據(jù)。另外，該算法不但適用于車輛在路口等候交通指示燈的場(chǎng)景，對(duì)于正常行駛路段和無需等待交通指示燈的路口同樣適用。如果用FPGA芯片來實(shí)現(xiàn)該SOM算法或采用高性能 ARM核構(gòu)成片上系統(tǒng)（SoC，system overchip），算法的執(zhí)行時(shí)間可遠(yuǎn)低于1s，車輛以正常速度通過無需等待交通指示燈的路口時(shí)完全可以完成SOM分組，該算法仍然有效。

下面給出幾種具體截圖的仿真結(jié)果，包括：五岔路口的93輛車經(jīng)SOM網(wǎng)絡(luò)算法分成5個(gè)通信組，每個(gè)通信組的車輛數(shù)目分別為 27、21、18、15、12；十字路口62輛車分為4個(gè)通信組，每個(gè)通信組的車輛數(shù)目分別為21、16、13、12；丁字路口的40輛車分為3個(gè)通信組，每個(gè)通信組的車輛數(shù)目分別為16、14和10。上述場(chǎng)景車輛的通信范圍為200m。圖8顯示了五岔路口、十字路口和丁字路口經(jīng)過SOM分組后，挑選其組網(wǎng)車輛數(shù)最多的分組中的一輛車，觀察該車在其行駛過程中，只與同通信組中的車輛進(jìn)行通信的傳輸時(shí)延，以及與其通信范圍內(nèi)所有車輛通信的傳輸時(shí)延，圖9為同樣情況下的系統(tǒng)吞吐量。比較結(jié)果顯示，經(jīng)過SOM網(wǎng)絡(luò)分組后車輛間通信能夠維持通信組中較高的系統(tǒng)吞吐量和較低的傳輸時(shí)延。

由以上仿真結(jié)果可見，采用本文提出的 SOM組網(wǎng)算法可以有效地將屬性相近、目的地相近的車輛組成同一個(gè) VANET，由于組網(wǎng)后可獲取網(wǎng)內(nèi)的車輛數(shù)，組網(wǎng)的車輛可以自適應(yīng)地改變自己的發(fā)送概率 p，從而使系統(tǒng)吞吐量提高、傳輸時(shí)延下降，信道資源利用率更高。圖8和圖9的仿真結(jié)果與3.2節(jié)的分析結(jié)果相符合。

圖8 車輛組網(wǎng)后通信的傳輸時(shí)延比較

圖9 車輛組網(wǎng)后通信的系統(tǒng)吞吐量比較

5 結(jié)束語(yǔ)

智能交通對(duì)于國(guó)民經(jīng)濟(jì)發(fā)展起到重要作用，汽車輔助駕駛是ITS的重要研究領(lǐng)域，它們都離不開車輛的組網(wǎng)通信。由于組網(wǎng)的車輛變化快、具有較強(qiáng)的臨時(shí)性，車輛間通信主要采用廣播方式，在一跳范圍內(nèi)所有的車輛節(jié)點(diǎn)都能收到廣播消息，如果此消息需要向遠(yuǎn)處傳遞，還要通過節(jié)點(diǎn)進(jìn)行轉(zhuǎn)播。假如所有的車輛都工作在相同的通信頻道廣播自己的行駛信息，每部車都會(huì)收到許多非關(guān)注用戶的消息，將收到的信息再?gòu)V播出去，很容易造成廣播風(fēng)暴，因此，有選擇地與周圍車輛聯(lián)網(wǎng)具有非常重要的意義。本文提出一種將自組織映射神經(jīng)網(wǎng)絡(luò)算法應(yīng)用到車輛自組織網(wǎng)絡(luò)的分組中，利用行駛車輛的參數(shù)選擇合適的車輛組網(wǎng)，既提高了通信可靠性，減小了傳輸時(shí)延，又具有更高的系統(tǒng)吞吐量，保證了網(wǎng)絡(luò)通信的穩(wěn)定性，不僅可以應(yīng)用于汽車輔助駕駛等領(lǐng)域，也為未來的無人駕駛提供一種車輛間聯(lián)網(wǎng)的方法。算法既可以通過純軟件實(shí)現(xiàn)，也可以采用FPGA芯片實(shí)現(xiàn)，具有較大的靈活性。

如何將這一算法應(yīng)用于實(shí)際的各種復(fù)雜場(chǎng)景以及在車輛快速運(yùn)動(dòng)中來實(shí)現(xiàn)，是需要進(jìn)一步研究的課題。

[1] MASAKI I. A Brief History of ITS[R]. USA: Massachusetts Institute of Technology, 1999.

[2] PARENT M, YANG M. Road map towards full driving automation[A].Proceedings of 8th International Conference on Application of Advanced Technologies in Transportation Engineering[C]. Reston, VA:ASCE and T&DI, 2004. 663-688.

[3] 常促宇，向勇，史美林. 車載自組網(wǎng)的現(xiàn)狀與發(fā)展[J]. 通信學(xué)報(bào).2007, 28(11): 116-126.CHANG C Y, XIAN Y, SHI M L. Development and status of vehicular ad hoc networks[J]. Journal on Communications. 2007, 28(11):116-126.

[4] ZHANG Z J, MAO G Q, ANDERSON B D O. On the information propagation process in mobile vehicular ad hoc networks[J]. IEEE Transactions on Vehicular Technology, 2011, 60(5): 2314-2325.

[5] WANG G L, BORCEA C, NZOUONTA J, et al. VANET routing on city roads using real-time vehicular traffic information[J]. IEEE Transactions on Vehicular Technology, 2009, 58(7): 3609 -3626.

[6] HARTENSTEIN H, LABERTEAUX K P. A tutorial survey on vehicular ad hoc networks[J]. IEEE Communications, 2008,46(6):164-171.

[7] BOOYSEN M J, ZEADALLY S, ROOYEN V. Survey of media access control protocols for vehicular ad hoc networks[J]. IET Communications, 2011, 5(11): 1619-1631.

[8] LAI Ye C, LIN P, LIAO W J, et al. A region-based clustering mechanism for channel access in vehicular ad hoc networks[J]. IEEE Journal on Communications. 2011, 29(1): 83-93.

[9] WANG T C, WANG G. TIBCRPH: traffic infrastructure based cluster routing protocol with handoff in VANET[A]. 2010 19th Annual Wireless and Optical Communications Conference(WOCC)[C]. 2010. 1-5.

[10] KIM T, JUNG S, LEE S. CMMP: clustering-based multi-channel MAC protocol in VANET[A]. The Second International Conference on Computer and Electrical Engineering ICCEE[C]. 2009.380-383.

[11] AHMED B S, XIA C H, LI W, et al. Cluster based addressing scheme in VANET (CANVET stateful addressing approach)[A]. 2011 IEEE 3rd International Conference on Communication Software and Networks (ICCSN)[C]. 2011. 450-454

[12] SHEU T L, LIN Y H. Cluster-based slot allocations for inter-vehicle communications in VANETs[A]. 2011 7th International Wireless Communications and Mobile Computing Conference (IWCMC)[C].2011.1500-1505.

[13] BENSLIMANE A, TALEB T, SIVARAJ R. Dynamic clustering-based adaptive mobile gateway management in integrated VANET— 3G heterogeneous wireless networks[J]. IEEE Journal on Communications, 2011, 29(3): 559-570.

[14] KOHONEN T. Self-Organization and Associative Memory[M]. 2nd Edition, Berlin: Springer-Verlag, 1987.

[15] BADEKAS E, PAPAMARKOS N. Document binarisation using kohonen SOM[J]. IET Image Processing, 2007, 1(1): 67-84.

[16] VENKATESH Y V, RAJA S K, RAMYA N. Multiple contour extraction from graylevel images using an artificial neural network[J]. IEEE Transactions on Image Processing, 2006, 15(4):892-899.

[17] DONG G, XIE M. Color clustering and learning for image segmentation based on neural networks[J]. IEEE Transactions on Neural Networks, 2005, 16(4): 925-936.

[18] HSU C. Generalizing self-organizing map for categorical data[J].IEEE Transactions on Neural Networks, 2006, 17(2): 294-304.

[19] BRUGGER D, BOGDAN M, ROSENSTIEL W. Automatic cluster detection in Kohonen’s SOM[J]. IEEE Transactions on Neural Networks, 2008, 19(3): 442-459.