[发明专利]一种基于车辆聚类的缓存内容更新算法

权利要求书

1.一种基于车辆聚类的缓存内容更新算法，其特征在于，该方法在大规模的车联网场景中，面对于非常多个典型车辆同时进行缓存更新任务的请求以及基站资源有限的情况，为有效减少请求次数，降低车辆用户的内容传输延迟，提升服务质量，考虑根据车辆之间的差异性对车辆集群聚类并选取簇头车辆，只有簇头车辆才能跟基站进行通信。具体为：

K-Medoids使用集群中的一个代表性车辆(中心点)作为质心点。质心点被任意选择出，并将其他样本车辆分配给与它最相似的质心所在的车辆簇中。该方案以最小化每个簇车辆成员与其相应的代表点之间的差异之和的方式对所有车辆进行划分，按如下规则进行定义：

其中，E是数据集中所有的车辆的绝对误差之和，o_r代表簇心车辆，c_j代表各自的簇集合。

2.一种基于改进K-Medoids的移动车辆聚类方法，其特征在于，车辆之间的差异性表现为车辆之间的欧氏距离以及内容的相似度，并且初始化到同一集群内车辆满足各个车辆之间的速度矢量夹角都小于18°，簇集合的生命周期更长。具体车辆之间角度计算方式为：

其中，θ_m,n表示车辆m和车辆n之间的方向，夹角(x,y)为车辆的经度和纬度坐标，(x_m,y_m)为t时刻车辆的m坐标，(x_n,y_n)为t时刻车辆n的坐标，(x'_m,y'_m)和(x'_n,y'_n)为经过△t时刻之后的车辆m和n的坐标。

3.如权利要求2所述的一种基于改进K-Medoids的移动车辆聚类方法，其特征在于，新质心的选取过程中，计算所有簇成员与质心之间的距离和，选取距离和最小时对应的点作为新的质心点，直到质心不再发生变化。

4.一种基于评价体系的簇头选取方案，其特征在于，基于内容相似度S_i、当前时刻车辆的距离差异度D_i(t)以及速度差异度V_i(t)三个评估指标对每个簇中的所有车辆进行评估，选择出评估值最高的车辆作为该簇的簇头。最终的评价体系具体为：

采用加权的方式综合考虑以上三个指标。由于内容相似度指标值越大越好，距离差异度以及速度差异度这两个指标值越小越好。因此，在计算时取后两个指标值的倒数进行加权求和，簇结点的综合评估指标具体定义为：

5.一种基于改进K-Medoids聚类的内容更新算法，其特征在于，基于优化簇的划分以及簇头的选取来最小化内容传输的平均时延，对基于改进K-Medoids的聚类算法进行内容更新。具体为：

假定簇头车辆的集合C＝{C₁,C₂,...,C_n}，簇头选取后，最小化并输出所有车辆的平均总时延:

其中，T_j表示每个簇成员内容传输的总时延，T_j＝T_i+T_ij，T_i为基站到簇头车辆i的传输时延，T_ij为簇头车辆i到簇内成员车辆j的传输时延。

6.一种基于车辆聚类的缓存内容更新算法，其特征在于，包括基于K-Medoids的移动车辆聚类方法、基于评价体系的簇头选取方案、基于车辆聚类的缓存内容更新算法，实现如权利要求1所述的算法。