車聯(lián)網(wǎng)環(huán)境下基于QoS的行車主動服務(wù)選取方法

陳 龍，張 笛，梁 軍

（江蘇大學(xué) 汽車工程研究院，江蘇 鎮(zhèn)江 212013）

隨著車聯(lián)網(wǎng)技術(shù)和大數(shù)據(jù)技術(shù)的快速發(fā)展，web服務(wù)的種類和數(shù)量不斷增加，而基于web服務(wù)的行車主動服務(wù)系統(tǒng)（Driving Active Service System，DASS）也應(yīng)運(yùn)而生。行車主動服務(wù)成功運(yùn)作的關(guān)鍵就在于如何從海量的網(wǎng)絡(luò)服務(wù)中選取高質(zhì)量、使供需雙方實(shí)現(xiàn)利益最大化的服務(wù)。有眾多的專家學(xué)者認(rèn)為，在給用戶選取服務(wù)時(shí)，不僅需要考慮該服務(wù)是否能夠滿足用戶的功能性需求，還應(yīng)該關(guān)心該服務(wù)的非功能性需求，即服務(wù)質(zhì)量（quality of service，QoS）。

文獻(xiàn)［1］針對當(dāng)前“請求-響應(yīng)”被動式行車服務(wù)的不足，提出了基于多智能體（multi-agent system，MAS）分層控制的“自動識別-主動推送”形式的行車主動服務(wù)系統(tǒng)（driving active service system，DASS）。文獻(xiàn)［2］針對DASS服務(wù)質(zhì)量評價(jià)，提出借助車輛網(wǎng)技術(shù)融合服務(wù)魯棒性、自主性、自適應(yīng)性、擴(kuò)展性以及實(shí)時(shí)性的DASS服務(wù)質(zhì)量5維定量評價(jià)體系。在web服務(wù)選取領(lǐng)域，文獻(xiàn)［3］提出了一種基于用戶滿意度的服務(wù)排序選取方法，利用候選服務(wù)的QoS參數(shù)值和用戶對QoS參數(shù)的要求值計(jì)算所有候選服務(wù)每個(gè)QoS參數(shù)的滿意度，再將所有參數(shù)的滿意度加權(quán)合成一個(gè)綜合滿意度，并將此作為服務(wù)排序選取的依據(jù)。文獻(xiàn)［4］采用模糊邏輯計(jì)算QoS參數(shù)的模糊數(shù)值，基于此計(jì)算QoS不同參數(shù)之間的關(guān)聯(lián)距離和關(guān)聯(lián)矩陣，再據(jù)此計(jì)算QoS參數(shù)的權(quán)重，最后加權(quán)得到每個(gè)候選服務(wù)的推薦值并用于服務(wù)排序選取。文獻(xiàn)［5-6］提出一種考慮QoS數(shù)據(jù)不確定的服務(wù)選取方法，采用QoS參數(shù)反饋的相似度計(jì)算QoS聚合值的權(quán)重，并結(jié)合用戶的QoS評價(jià)和數(shù)量計(jì)算服務(wù)的推薦度，通過分析QoS數(shù)據(jù)的不確定性和去除QoS數(shù)據(jù)波動較大的web服務(wù)，提高了服務(wù)選取結(jié)果的準(zhǔn)確性和可靠性。文獻(xiàn)［6-7］提出了一種支持QoS評價(jià)的web服務(wù)推薦模型，其核心是根據(jù)用戶確定的功能和QoS需求，基于現(xiàn)有的QoS評價(jià)指數(shù)進(jìn)行服務(wù)推薦。

上述文獻(xiàn)所研究的服務(wù)選取算法結(jié)合行車主動服務(wù)存在以下不足：

1）沒有考慮服務(wù)質(zhì)量QoS參數(shù)值的動態(tài)性，該動態(tài)性主要體現(xiàn)在行車主動服務(wù)是在動態(tài)的網(wǎng)絡(luò)環(huán)境以及動態(tài)的交通環(huán)境中運(yùn)行的，例如網(wǎng)絡(luò)波動、車輛位置、交通擁堵、交通事故等因素都會導(dǎo)致行車主動服務(wù)的QoS參數(shù)值發(fā)生變化，導(dǎo)致基于確定性QoS的服務(wù)選取方法精準(zhǔn)度不夠，推送的行車服務(wù)不一定符合行車用戶的服務(wù)需求。所以，考慮QoS參數(shù)值的動態(tài)性應(yīng)作為行車主動服務(wù)選取的前提，而已有的大多數(shù)服務(wù)選取算法模型沒有考慮到QoS參數(shù)值的動態(tài)性。

2）QoS參數(shù)權(quán)重分配不合理。目前主要有2種賦權(quán)評價(jià)法［8］，分別是主觀賦權(quán)評價(jià)法［9］和客觀賦權(quán)評價(jià)法，主觀賦權(quán)評價(jià)法的服務(wù)QoS權(quán)重是根據(jù)人的經(jīng)驗(yàn)給出權(quán)重的大小，完全由行車用戶自己決定，主觀隨意性較大，往往用戶更加偏向于對QoS參數(shù)排序來確定其偏好，比如服務(wù)價(jià)格＞服務(wù)響應(yīng)時(shí)間＞服務(wù)衍生費(fèi)用＞服務(wù)執(zhí)行時(shí)間等。客觀賦權(quán)評價(jià)法是由客觀數(shù)據(jù)來確定QoS參數(shù)的權(quán)重，其計(jì)算出的結(jié)果具有較強(qiáng)的理論依據(jù)，但是忽視了行車用戶的主觀偏好。

針對以上問題，本文提出基于動態(tài)QoS和主客觀賦權(quán)評價(jià)法的行車主動服務(wù)選取方法，首先建立QoS模型來表示QoS參數(shù)值的動態(tài)性，再用區(qū)間相似度來衡量候選行車主動服務(wù)的QoS參數(shù)值和行車用戶服務(wù)需求值的相似程度。之后在考慮行車用戶主觀偏好和客觀數(shù)據(jù)的基礎(chǔ)上得出QoS參數(shù)綜合權(quán)重。最后計(jì)算出所有行車服務(wù)的推薦度并選取最優(yōu)的服務(wù)來滿足客戶的要求。

1 基于區(qū)間數(shù)相似度的DASS-QoS評價(jià)

行車主動服務(wù)的QoS參數(shù)主要包括服務(wù)響應(yīng)時(shí)間（response time，Tr）、服務(wù)執(zhí)行時(shí)間（derivative time，Td）、服務(wù)價(jià)格（service cost，Cs）、服務(wù)衍生費(fèi)用（derivative cost，Cd），以及服務(wù)的魯棒性（robustness，Pr）、主動性（initiative，Pi）、自適應(yīng)性（adaptability，Pa）、擴(kuò)展性（expansibility，Pe）。每一個(gè)服務(wù)參數(shù)都從不同的角度對服務(wù)質(zhì)量進(jìn)行評價(jià)。由于行車主動服務(wù)的運(yùn)行環(huán)境是動態(tài)的，主要體現(xiàn)在車聯(lián)網(wǎng)絡(luò)環(huán)境的動態(tài)性和交通環(huán)境的動態(tài)性，所以行車主動服務(wù)的QoS也是動態(tài)的，本文采用區(qū)間來表示QoS參數(shù)數(shù)值的波動范圍，即其動態(tài)變化的范圍。

1.1 DASS-QoS參數(shù)描述與建模

本文將行車主動服務(wù)的QoS參數(shù)定義為1個(gè)8維向量M＝｛Tr，Td，Cs，Cd，Pr，Pi，Pa，Pe｝，下面分別介紹每一個(gè)參數(shù)的具體含義及其區(qū)間表現(xiàn)形式。

1）服務(wù)響應(yīng)時(shí)間（response time，Tr）：指從感知用戶需求到用戶獲取服務(wù)的這段時(shí)間。服務(wù)的響應(yīng)時(shí)間受到網(wǎng)絡(luò)環(huán)境的影響，所以具有動態(tài)不確定性。其描述區(qū)間為

2）服務(wù)執(zhí)行時(shí)間（derivative time，Td）：指從用戶獲取服務(wù)到整個(gè)服務(wù)執(zhí)行結(jié)束的這段時(shí)間，比如說，行車主動服務(wù)系統(tǒng)給行車用戶提供一個(gè)路線規(guī)劃服務(wù)，服務(wù)執(zhí)行時(shí)間就是指從行車用戶收到路線規(guī)劃服務(wù)指令到行車用戶駕車到達(dá)目的地的這段時(shí)間。在這過程中，服務(wù)的執(zhí)行時(shí)間會受到交通擁堵和交通事故等因素的影響，所以具有動態(tài)不確定性，其描述區(qū)間為

3）服務(wù)價(jià)格（service cost，Cs）：指服務(wù)本身的價(jià)值，可以是免費(fèi)的，也可以是收費(fèi)的，價(jià)格由行車主動服務(wù)調(diào)度中心制定，由行車用戶承擔(dān)。具備動態(tài)不確定性，其描述區(qū)間為

4）服務(wù)衍生費(fèi)用（derivative cost，Cd）：指用戶獲取服務(wù)到整個(gè)服務(wù)流程結(jié)束的這段時(shí)間內(nèi)，用戶根據(jù)服務(wù)指令指導(dǎo)所產(chǎn)生的費(fèi)用。比如說，行車主動服務(wù)系統(tǒng)給行車用戶提供一個(gè)路線規(guī)劃服務(wù)，服務(wù)衍生費(fèi)用就是指行車用戶通過規(guī)劃路線時(shí)所產(chǎn)生的油費(fèi)、過路費(fèi)等由行車用戶自行承擔(dān)的費(fèi)用。其描述區(qū)間為

5）魯棒性（robustness，Pr）：指感知環(huán)境有偏差時(shí)或者感知的環(huán)境信息與數(shù)據(jù)庫已存信息有偏差時(shí)經(jīng)過算法仍能輸出正確服務(wù)。受到氣候狀況、交通狀況、事故因素和道路條件等環(huán)境因素的影響，其描述區(qū)間為

6）主動性（initiative，Pi）：指行車主動服務(wù)系統(tǒng)能夠自主地將個(gè)性化服務(wù)推送到不同需求的行車用戶。受到總信息量、系統(tǒng)控制量、信息收集時(shí)間和系統(tǒng)模擬總時(shí)間的影響，其描述區(qū)間為［μPi-

7）自適應(yīng)性（adaptability，Pa）：指能夠感知不同環(huán)境自主推送的服務(wù)，能適應(yīng)不同的行車用戶，受到不同類型服務(wù)所占的比重和不同類型服務(wù)的車輛總數(shù)的影響，其描述區(qū)間為

8）擴(kuò)展性（expansibility，Pe）：指感知到數(shù)據(jù)庫中未包含此項(xiàng)服務(wù)，正確服務(wù)后能自主將此信息擴(kuò)展至原服務(wù)庫。受到總信息量、系統(tǒng)控制量、信息收集時(shí)間和系統(tǒng)模擬總時(shí)間的影響，其描述區(qū)間為

其中，QoS參數(shù)值的均值為：

QoS參數(shù)值的方差：

式（1）（2）中，M＝｛Tr，Td，Cs，Cd，Pr，Pi，Pa，Pe｝，Qi表示某一類服務(wù)集中第i個(gè)服務(wù)的QoS參數(shù)值，i＝1，2，3，…，n。

1.2 區(qū)間數(shù)相似度計(jì)算

上述區(qū)間可以描述行車主動服務(wù)在動態(tài)的網(wǎng)絡(luò)交通環(huán)境中QoS參數(shù)值的波動情況，而行車用戶的QoS需求值也要用區(qū)間來表示［10］。為了表示兩者的相似程度，引入?yún)^(qū)間數(shù)和相似度的概念。

定義1（區(qū)間數(shù)）記［x-，x＋］，其中x-，x＋∈R，R為實(shí)數(shù)集，稱Z為區(qū)間數(shù)。

定義2（區(qū)間相似度） 若有2個(gè)區(qū)間數(shù)Zx、Zy，記Zx為行車用戶對某QoS參數(shù)需求的區(qū)間數(shù)，Zy為候選服務(wù)的該QoS參數(shù)區(qū)間數(shù)，其中Zx＝［x-，x＋］，Zy＝［y-，y＋］，定義Zx、Zy的相似度函數(shù)為

由式（3）可以得到以下結(jié)論：當(dāng)x＋≤y＋且x-≥y-時(shí)，候選服務(wù)的QoS參數(shù)區(qū)間被用戶需求區(qū)間包含，說明完全符合用戶需求，所以相似度為1；當(dāng)x-＞y＋或x＋＜y-時(shí)，候選服務(wù)QoS參數(shù)區(qū)間和用戶需求區(qū)間完全不相交，說明完全不符合用戶需求，所以相似度為0；當(dāng)x＋＞y＋且y-＜x-＜y＋或者x-＜y-且y-＜x＋＜y＋時(shí)，候選服務(wù)的QoS參數(shù)區(qū)間和用戶需求區(qū)間部分重合，這時(shí)，重合區(qū)間部分占用戶需求區(qū)間的比例就成了候選服務(wù)QoS參數(shù)和用戶需求QoS參數(shù)的相似度。

根據(jù)QoS參數(shù)區(qū)間數(shù)相似度的計(jì)算方法，可以將l個(gè)候選服務(wù)的8個(gè)QoS參數(shù)的相似度列為1個(gè)l×8的矩陣G。

式中：δij表示第i個(gè)候選服務(wù)的第j項(xiàng)QoS參數(shù)的區(qū)間數(shù)與行車用戶所需求的QoS參數(shù)的區(qū)間數(shù)的相似度，也就是與用戶需求的接近程度。

2 基于主客觀QoS參數(shù)權(quán)重的DASS服務(wù)選取

得到候選行車服務(wù)的QoS參數(shù)值與用戶需求的參數(shù)值的相似度之后，結(jié)合相應(yīng)的QoS參數(shù)權(quán)重，便可以得出候選行車服務(wù)的推薦值，系統(tǒng)可以根據(jù)這個(gè)推薦值來排序，并選取QoS最優(yōu)的行車服務(wù)推送給行車用戶［11］。因此，如何得到合理的QoS參數(shù)權(quán)重值就成了服務(wù)選取的關(guān)鍵［12］。在已有的研究中，總體上可以分為主觀賦權(quán)法和客觀賦權(quán)法。主觀賦權(quán)法是憑借人的主觀判斷對客觀問題進(jìn)行賦權(quán)，主要方法有層次分析法［13］和模糊評價(jià)法［14］等；客觀賦權(quán)法是對客觀數(shù)據(jù)進(jìn)行分析來推算權(quán)重的方法，主要有TOPSIS法［15］、灰色關(guān)聯(lián)分析法［16］等。

2.1 DASS-QoS參數(shù)主觀權(quán)重

主觀權(quán)重是憑借用戶的經(jīng)驗(yàn)和主觀判斷對客觀問題進(jìn)行賦權(quán)，因此可以反映用戶的主觀愛好，但是這需要對相關(guān)領(lǐng)域的知識進(jìn)行學(xué)習(xí)了解，在行車主動服務(wù)領(lǐng)域［17］，客戶所能接觸到的只有服務(wù)響應(yīng)時(shí)間、服務(wù)執(zhí)行時(shí)間、服務(wù)價(jià)格以及服務(wù)衍生費(fèi)用這些較為直觀的參數(shù)，而服務(wù)的魯棒性、主動性、自適應(yīng)性、可擴(kuò)展性這些比較抽象的參數(shù)則很難被行車用戶所理解，也很難直觀地感受到這些參數(shù)帶來的影響［18］。因此，在設(shè)置行車用戶主觀偏好參數(shù)向量時(shí)，優(yōu)先考慮服務(wù)響應(yīng)時(shí)間、服務(wù)執(zhí)行時(shí)間、服務(wù)價(jià)格以及服務(wù)衍生費(fèi)用這些參數(shù)［19］。

定義1（主觀偏好參數(shù)賦權(quán)向量） 令行車用戶主觀偏好參數(shù)向量為Wobj＝｛w′1，w′2，w′3，w′4，w′5，w′6，w′7，w′8｝，該向量中的元素為行車主動服務(wù)的QoS參數(shù)的主觀賦權(quán)值。

此向量按從大到小排序，表示用戶對這些參數(shù)的偏好程度按照排序由高到低減小。例如Wsub＝｛w′Cs，w′Cd，w′Td，w′Tr，w′Pr，w′Pe，w′Pi，w′Pa｝，表示用戶的偏好由高到低依次是服務(wù)價(jià)格、服務(wù)衍生費(fèi)用、服務(wù)執(zhí)行時(shí)間、服務(wù)響應(yīng)時(shí)間、服務(wù)的魯棒性、可擴(kuò)展性、主動性、自適應(yīng)性。

2.2 DASS-QoS參數(shù)客觀權(quán)重

本文的1.1節(jié)已對行車主動服務(wù)的動態(tài)QoS的波動范圍進(jìn)行了描述和建模。在對參數(shù)數(shù)據(jù)進(jìn)行統(tǒng)計(jì)和處理之后，得到了如表1所示的評價(jià)信息矩陣。

表1 QoS參數(shù)動態(tài)信息

本文以熵權(quán)法［20］為基礎(chǔ)來計(jì)算每個(gè)行車主動服務(wù)QoS參數(shù)的客觀權(quán)重。具體方法為：對于n個(gè)服務(wù)的QoS參數(shù)建立如表1的QoS參數(shù)動態(tài)信息矩陣，再使用有序加權(quán)因子的方法，將區(qū)間轉(zhuǎn)化為具體的數(shù)據(jù)。并得到數(shù)據(jù)化的X矩陣：

再對X矩陣使用熵值法來計(jì)算QoS參數(shù)的客觀賦值權(quán)重，各參數(shù)的熵值Hi為：

由熵值Hi得到QoS參數(shù)權(quán)重：

其中wi∈（0，1），且∑wi＝1。

上述公式中：i＝1，2，3，…，n；j＝1，2，3，…，8；最終得到某一類行車服務(wù)的QoS參數(shù)客觀賦權(quán)向量。

定義2（客觀參數(shù)賦權(quán)向量） 令客觀參數(shù)賦權(quán)向量為Wobj＝｛w1，w2，w3，w4，w5，w6，w7，w8｝，該向量中的元素為利用熵值法計(jì)算出的行車主動服務(wù)QoS參數(shù)客觀賦權(quán)值。

此向量排序與主觀偏好參數(shù)向量相同，但不代表實(shí)際的從大到小的排序也是如此，這樣排序是為了方便計(jì)算QoS參數(shù)綜合權(quán)重。

2.3 DASS-QoS參數(shù)綜合權(quán)重和服務(wù)排序選取

在2.1節(jié)和2.2節(jié)中，已經(jīng)得到了DASS-QoS參數(shù)的主觀偏好參數(shù)賦權(quán)向量Wobj＝｛w′1，w′2，w′3，w′4，w′5，w′6，w′7，w′8｝和客觀參數(shù)賦權(quán)向量Wobj＝｛w1，w2，w3，w4，w5，w6，w7，w8｝。則2個(gè)向量的加權(quán)平均值即為DASS-QoS參數(shù)綜合權(quán)重向量。

記W Q為DASS-QoS參數(shù)綜合權(quán)重向量，則

在1.2節(jié)得到的候選服務(wù)的相似度矩陣G，將其乘以DASS-QoS參數(shù)綜合權(quán)重，得到每個(gè)候選服務(wù)的推薦度矩陣，記為R。

推薦度矩陣R里的數(shù)據(jù)是服務(wù)1到l的推薦度R1到Rl，將其按從大到小的順序排序，數(shù)值最大的服務(wù)即是推送給行車用戶的服務(wù)。

3 仿真實(shí)驗(yàn)分析

由于DASS是“車-路-交通信息中心”的集成系統(tǒng)，故而在實(shí)際運(yùn)作時(shí)存在一些成本、裝備等的困難，所以選擇在仿真環(huán)境下來驗(yàn)證本文提出的行車服務(wù)選取方法的可行性和有效性。其中，交通仿真場景和車聯(lián)網(wǎng)通信部分在Prescan軟件里實(shí)現(xiàn)，交通信息中心在Simulink模塊搭建并給仿真環(huán)境中的車輛提供相對的行車服務(wù)。車輛的控制模塊也由Matlab／Simulink模塊中實(shí)現(xiàn)。

本次仿真實(shí)驗(yàn)是車輛動態(tài)路徑規(guī)劃服務(wù)，實(shí)驗(yàn)假設(shè)在城市道路中的某一些路口產(chǎn)生交通擁堵，交通信息中心將根據(jù)實(shí)時(shí)的道路交通情況并結(jié)合上文所述的服務(wù)選取方法，對途經(jīng)擁堵交叉口的車輛進(jìn)行再一次的路徑規(guī)劃，讓行車用戶獲得推薦度最高的路徑規(guī)劃服務(wù)。

由于是在仿真環(huán)境進(jìn)行試驗(yàn)，所以本次實(shí)驗(yàn)所考慮的DASS-QoS參數(shù)為服務(wù)執(zhí)行時(shí)間Td和服務(wù)衍射費(fèi)用Cd。在實(shí)驗(yàn)中，Td為行車用戶接收到路線規(guī)劃服務(wù)指令到行車用戶駕車到達(dá)目的地的這段時(shí)間。因?yàn)樵诔鞘械缆分行熊嚊]有過路費(fèi)，所以Cd主要是在行駛過程中產(chǎn)生的油耗費(fèi)用。

3.1 實(shí)驗(yàn)場景設(shè)計(jì)

實(shí)驗(yàn)選取城市區(qū)域某一段道路并在Prescan軟件中搭建如圖1所示的道路交通仿真場景，此場景中包含14個(gè)路口，其中有10個(gè)三叉路口、4個(gè)交叉路口，還有23條路段。每段路都是雙向兩車道。仿真環(huán)境中的車輛上裝備雷達(dá)攝像頭傳感器系統(tǒng)用于行車信息采集和DSRC雙向通訊裝置用于行車信息交互，路側(cè)也選用DSRC模塊作為車輛通信裝置。圖2是道路交通仿真場景的三維效果圖。

建立道路交通仿真場景后，通常需要將仿真環(huán)境中的路網(wǎng)圖直觀地表達(dá)出來，用節(jié)點(diǎn)代表其中的交叉口，用線段代表其中的路段，將路徑規(guī)劃問題轉(zhuǎn)化到圖中求解。本文根據(jù)仿真交通場景中的路網(wǎng)分布繪制了對應(yīng)的道路聯(lián)通狀態(tài)圖，如圖3所示，并對每1個(gè)節(jié)進(jìn)行了編號，每個(gè)路口節(jié)點(diǎn)的（X，Y）坐標(biāo)如表2所示。

圖1 道路交通仿真場景平面圖

圖2 道路交通仿真場景三維效果圖

圖3 道路聯(lián)通狀態(tài)圖

表2 道路交叉口坐標(biāo)

在仿真實(shí)驗(yàn)中，設(shè)定車輛起始點(diǎn)為節(jié)點(diǎn)0，目的地路口為節(jié)點(diǎn)11東側(cè)的Office Brown Tall 2（仿真場景中建筑物名），正常情況下，車輛的行駛軌跡是0→1→4→8→9→10→11，如圖4所示。行駛的路徑長度為367.37 m，行駛時(shí)間區(qū)間為［35.96，38.66］，單位為s，油耗 費(fèi) 用區(qū)間為［0.332，0.370］，單位為元（￥）。

圖4 正常情況下路徑規(guī)劃圖

在仿真實(shí)驗(yàn)中，利用DASS系統(tǒng)對路徑實(shí)時(shí)規(guī)劃服務(wù)選取流程如下：假設(shè)某一路口（在實(shí)驗(yàn)中是交叉路口10）產(chǎn)生交通擁堵，路側(cè)的DSRC設(shè)備將感知到的擁堵信息發(fā)送給交通信息中心，交通信息中心會根據(jù)相關(guān)信息計(jì)算擁堵的持續(xù)時(shí)間Tcon、擁堵期間的額外增加油耗ΔF、不擁堵情況下全程的行駛油耗Fs1、繞行通過擁堵路段的時(shí)間Ts2以及繞行期間的油耗Fs2。再根據(jù)上文所述的服務(wù)推薦度算法分別計(jì)算不繞行和繞行路徑規(guī)劃的推薦度Rs1和Rs2，最后給行車用戶推送推薦度較大的服務(wù)。具體的流程如圖5所示。

3.2 數(shù)據(jù)處理和結(jié)果分析

本次實(shí)驗(yàn)是在仿真環(huán)境下進(jìn)行的，考慮的DASS-QoS參數(shù)為服務(wù)執(zhí)行時(shí)間Td和服務(wù)衍射費(fèi)用Cd。

路徑規(guī)劃服務(wù)舉例說明：車輛的位置在4→8之間，此時(shí)10號交叉路口處發(fā)現(xiàn)交通擁堵，DASS會在服務(wù)1（不繞行，路徑為0→1→4→8→9→10→11）和服務(wù)2（繞行，路徑為0→1→4→8→12→13→14→15→11）中選擇推薦度較高的服務(wù)推送給行車用戶。在服務(wù)1中，Td為根據(jù)交通流狀態(tài)預(yù)測的擁堵持續(xù)時(shí)間Tcon，和預(yù)測的全程行駛時(shí)間Ts1，其中Tcon＝10 s，Ts1＝［45.96，48.66］，單位為s。在服務(wù)2中，Td是繞行通過擁堵路段到達(dá)目的地所需時(shí)間的預(yù)測值Ts2，Ts2＝［43.79，47.97］，單位為s。

Cd為行駛過程中的油耗費(fèi)用，在服務(wù)1中，車輛受交通擁堵的影響而停車、怠速、啟動額外增加的汽油消耗費(fèi)用為ΔF＝Fa-Fv［8］，式中，ΔF為額外增加的油耗費(fèi)用，F(xiàn)a為車輛啟動加速到某一速度v的油耗費(fèi)用，F(xiàn)v為車輛以速度v行駛相應(yīng)加速度距離的油耗費(fèi)用，行駛油耗Fs1為車輛在正常行駛過程中產(chǎn)生的油耗費(fèi)用，所以服務(wù)1的服務(wù)衍生費(fèi)用Cd1＝ΔF＋Fs1。在服務(wù)2中，Cd為車輛繞行通過擁堵路段的行駛油耗費(fèi)用Fs2，所以服務(wù)2的服務(wù)衍生費(fèi)用Cd2＝Fs2。行駛油耗Fs1和Fs2用百公里油耗和實(shí)際行駛里程計(jì)算。汽油的價(jià)格按時(shí)令95號油價(jià)8.46元／L計(jì)算。

圖5 路徑規(guī)劃實(shí)時(shí)服務(wù)選取流程圖

上述兩類DASS-QoS參數(shù)的行車用戶需求區(qū)間和行車服務(wù)的動態(tài)區(qū)間如表3所示。

根據(jù)表3的數(shù)據(jù)以及上文所述的區(qū)間相似度算法和客觀權(quán)重算法，可得候選服務(wù)的QoS參數(shù)相似度矩陣客觀權(quán)重向量為Wsub＝｛0.52，0.48｝，設(shè)定行車用戶的主觀偏好參數(shù) 賦 權(quán) 向 量 為Wobj＝｛w′Td，w′Cd｝，w′Td＋w′Cd＝1，則DASS-QoS參數(shù)綜合權(quán)重為W Q＝候選服務(wù)的推薦度矩陣：進(jìn)而得出：服務(wù)1的推薦度為1.133-0.122w′Td，服務(wù)2的推薦度為0.746＋0.171 5w′Td，式中w′Td為行車用戶對服務(wù)執(zhí)行時(shí)間Td的偏好程度的主觀數(shù)值。圖6為行車用戶主觀偏好變化時(shí)推薦度的變化。

表3 DASS-QoS需求和候選服務(wù)值

由圖6可知，當(dāng)行車用戶對Td的偏好程度較小，意味著對Cd的偏好程度較大，此時(shí)Cd參數(shù)與用戶需求相似度較高的候選服務(wù)1的推薦度大于候選服務(wù)2的推薦度，DASS會給行車用戶推送候選服務(wù)1，即不繞行，等待擁堵路口的交通恢復(fù)通暢。隨著用戶對于Td參數(shù)的偏好程度加大，Td參數(shù)與用戶需求的相似度較大的候選服務(wù)2的推薦度逐漸上升，直至超越候選服務(wù)1的推薦度，此時(shí)，DASS會給行車用戶推送候選服務(wù)2，即繞行，選擇其他路徑避開擁堵。

圖6 主觀偏好變化時(shí)推薦度的變化

實(shí)驗(yàn)分別設(shè)計(jì)了車輛處于不同位置時(shí)接到10號交叉口交通擁堵信息，進(jìn)而及時(shí)通過上述的服務(wù)選取算法來規(guī)劃路徑。設(shè)定行車用戶對Td參數(shù)的重視程度大于對Cd參數(shù)的重視程度。

表4是DASS在實(shí)時(shí)路徑規(guī)劃相較于傳統(tǒng)系統(tǒng)路徑規(guī)劃的數(shù)據(jù)對比。

表4 實(shí)時(shí)路徑規(guī)劃服務(wù)實(shí)驗(yàn)結(jié)果對比

從表4中的數(shù)據(jù)可以得到以下結(jié)論：接受交通擁堵信息的時(shí)間越早，DASS路徑規(guī)劃的行駛時(shí)間越短、行駛油耗費(fèi)用越低；當(dāng)車輛位置在節(jié)點(diǎn)0—1、1—4之間時(shí)，繞行避開擁堵路段的時(shí)間參數(shù)、油耗參數(shù)都優(yōu)于等待擁堵消散規(guī)劃，所以選擇繞行其他路徑避開擁堵，規(guī)劃路徑如圖7（a）（b）所示；當(dāng)車輛位置在節(jié)點(diǎn)4—8之間時(shí)，2種規(guī)劃服務(wù)的時(shí)間參數(shù)和油耗參數(shù)各有優(yōu)勢，但因?yàn)樾熊囉脩魧d參數(shù)的重視程度大于對Cd參數(shù)的重視程度，所以還是選擇繞行其他路徑避開擁堵，規(guī)劃路徑如圖7（c）所示；當(dāng)車輛位置位于節(jié)點(diǎn)8—9之間時(shí)，油耗參數(shù)的優(yōu)勢明顯大于時(shí)間參數(shù)，雖然行車用戶更加偏好Td參數(shù)，但是不繞行規(guī)劃的推薦度更高，因此選擇等待擁堵消散再通過路口，規(guī)劃路徑如圖7（d）所示；當(dāng)車輛位置位于節(jié)點(diǎn)9—10之間時(shí)，已別無選擇，只能排隊(duì)等待擁堵消散再通過路口，規(guī)劃路徑如圖7（d）所示。相比于傳統(tǒng)的路徑規(guī)劃系統(tǒng)，DASS可以在油耗相當(dāng)?shù)那闆r下，平均節(jié)省9%的行車時(shí)間，而且越早感知擁堵信息，對時(shí)間和油耗的節(jié)約越明顯。

圖7 DASS路徑規(guī)劃

綜上所述，在車聯(lián)網(wǎng)環(huán)境下的DASS可以通過實(shí)時(shí)感知道路交通信息并立刻作出響應(yīng)，根據(jù)車輛具體的位置、相關(guān)QoS參數(shù)以及行車用戶的需求和偏好，向行車用戶推送最適合的路徑規(guī)劃服務(wù)，比傳統(tǒng)的行車服務(wù)系統(tǒng)更加高效、及時(shí)、準(zhǔn)確。

4 結(jié)論

1）針對以往文獻(xiàn)沒有考慮的QoS參數(shù)動態(tài)性問題，本文對DASS-QoS參數(shù)的評價(jià)維度及其QoS波動區(qū)間進(jìn)行了建模，并建立相似度算法計(jì)算候選服務(wù)QoS與行車用戶需求QoS的類似程度。

2）針對DASS-QoS參數(shù)權(quán)重分配不合理的問題，本文基于熵值法建立了DASS-QoS參數(shù)數(shù)據(jù)客觀權(quán)重的計(jì)算方法，在考慮行車用戶的主觀偏好后，得到了DASS-QoS參數(shù)的綜合權(quán)重。

3）本文建立了PreScan-Matlab／Simulink的仿真平臺，以實(shí)時(shí)動態(tài)路徑規(guī)劃服務(wù)為例，充分驗(yàn)證了本文提出的行車服務(wù)選取方法的有效性和準(zhǔn)確性，也驗(yàn)證了DASS系統(tǒng)的主動性、實(shí)時(shí)性和個(gè)性化。

4）未來將研究DASS動態(tài)服務(wù)組合方法，確保在服務(wù)組合的過程中也能保證服務(wù)的質(zhì)量，從全局最優(yōu)出發(fā)，選取合適的服務(wù)進(jìn)行組合。