[发明专利]车联网自组织网络的多角色分类社区聚类方法

说明书

现有针对车联网的社区聚类方法多采用当前速度与行驶方向等预估车辆未来时刻位置来判断未来节点间保持连接的时长，并以此作为聚类依据之一以提高社区稳定性。但由于车辆未来时刻位置受多重因素影响，预估通信连接时间的准确度较低，导致车联网中的社区多呈现生命周期短，节点社区归属变化迅速的特点。同时，现有的车联网社区路由协议将社区中的关键节点作为转发的主要节点，造成关键节点负载过高的问题。本发明针对以上问题给出“车联网自组织网络的多角色分类社区聚类方法”，在社区聚类过程中考虑车辆未来时刻位置，并在社区中细化角色分配。社区属性以及社区节点角色定义包括社区属性，社区节点角色。社区聚类与角色分配方法包括社区形成，社区维护。

技术领域

本发明涉及车联网领域。

背景技术

区别于传统的社区聚类，车联网中车辆节点移动速度快，节点之间拓扑关系变化迅速。传统的社区聚类方法运用在车联网中会出现社区生命周期短，稳定性低的不足。

在针对车联网设计的社区聚类方法中，有研究者提出在社区聚类时综合考虑节点当前位置，当前速度和各节点的终点位置预估车辆未来一段时间的拓扑关系，以此作为聚类依据以延长社区的存活时间。针对建立大型社区的场景，在两个社区的头节点进入连通区域后，延迟一段时间直至社区头节点保持相对稳定的连通状态后再进行社区合并，以此减少社区的频繁合并与拆分，提升社区稳定性。有文献将车辆移动方向加入到聚类依据中，综合邻居节点数与不信任因子，共同作为社区聚类的依据。以上讨论的方法只是简单地选取了几个最明显的车辆位置影响因素，而舍弃了大量可能影响未来车辆位置的路况信息。导致在利用这些影响因素做社区聚类时，社区的稳定性提升不足，聚类后的社区依旧呈现出生命周期短，节点归属变化快的特点。

发明内容

本发明研究方法，基于现有针对车联网的社区聚类方法多采用当前速度与行驶方向等预估车辆未来时刻位置来判断未来节点间保持连接的时长，并以此作为聚类依据之一以提高社区稳定性，但由于车辆未来时刻位置受多重因素影响，预估通信连接时间的准确度较低，导致车联网中的社区多呈现生命周期短，节点社区归属变化迅速的特点。基于车辆位置预测模型(程久军等发明人于2017年8 月16日申请的《车联网复杂网络中基于深度学习的车辆行驶影响因素的位置预测模型构造方法》(申请人：同济大学，专利申请号2017107029220，公开号 107609633A，公开日2018年01月19日)，综合考虑车体属性、道路信息与行车环境等影响车辆行驶的因素，结合深度学习技术，挖掘车辆行驶影响因素与车辆位置的关系，提出车辆位置的预测模型)，在社区聚类过程中考虑车辆未来时刻位置，并在社区中细化角色分配，从而提升社区稳定性，均衡关键节点负载，减少数据传输失真。

本发明给出以下技术方案：

一种车联网自组织网络的多角色分类社区聚类方法，其特征在于，包括两部分，

一、社区属性以及社区节点角色定义

步骤1.社区属性；

步骤2.社区节点角色。

二、社区聚类与角色分配方法

步骤1.社区形成；

步骤2.社区维护。

一种车联网自组织网络场景下的多角色分类社区聚类方法，其特征在于，包括两部分，

一、社区属性以及社区节点角色定义

步骤1.1、所述社区属性，定义如下：