【《车载网移动模型研究的文献综述》2300字】

车载网移动模型研究的文献综述车载网主要应用场景为高速道路和城市街道，车辆节点加入或者离开网络较为随意，车辆高速移动会造成网络拓扑剧烈变化，数据传输的准确性、稳定性以及安全性会受到影响。在研究车载网路由协议之前，需要找到能够反映真实车辆运动的模型，检验在特定场景下改进后的路由协议是否可行。车辆在运行过程中受到多种因素影响，在特定场景中需要使车辆速度、运动轨迹、控制驾驶员相关影响因子等变量的变化在合理的时间段内完成，这就需要建立合理的移动模型，确保信息能够正确地传输，使得路由协议能够实现。路由协议与车辆移动特性有很强的关联性，移动特性和数据信息传输相互影响。车辆移动模型由车辆运动条件约束和交通流量生成构成，其中车辆运动轨迹和交通流量大小有直接关系。车辆拓扑结构是用来描述车辆运动约束的，拓扑结构不仅受车道数影响，也由车辆限速、周边环境、是否存在障碍物共同决定。车辆模块构建需要分析车辆相关特性和车辆行程选择，驾驶行为模块需要考虑驾驶员的驾驶行为，例如是否进行转向、刹车或者超车等操作，路径选择过程中，注重研究车辆节点的初始位置、离开拓扑位置、道路特点等信息。车辆移动模型的整体架构如图110所示。图110车辆移动模型的整体架构车载网的移动模型比普通移动自组织网移动模型种类更多，移动模型可以大致分为随机模型、时间依赖模型、空间依赖模型、地理限制模型等。移动模型分类图如图111所示，下文主要对随机路点模型、高速公路移动模型和高斯马尔科夫移动模型进行简单介绍。图111移动自组织网络中移动模型的分类（一）随机游走模型随机游走模型（RandomWalkMobility，RWM）[26]主要用来模拟移动对象的速度、位置以及时间变化的模型，随机游走模型如图1-12所示。移动节点开始运动后会随机产生一个运动方向角和一个新的运动时间，每次移动过程中会以固定的速度进行，随机游走模型也被成为布朗运动模型，有些服从指数分布，可由公式（1-1）表示，有些服从正态分布，可由公式（1-2）表示。（1-1）（1-2）图1-12随机游走模型（二）高斯——马尔科夫移动模型高斯——马尔科夫移动模型（Gauss-MarkovMobilityModel，GM）[27]能够根据车辆移动速度和方向，更好的描述车辆运动情况，该模型最早应用于网络中移动终端的快速定位。在节点开始运动时，每个节点都会有一个当前的速度和方向，节点后续的移动方向和速度会根据相同的时间间隔来进行改变，可以避免速度和反向出现的突变行为[28-29]。该模型的节点速度可由公式（1-3）表示为：（1-3）（1-4）式中，sn表示在时间间隔n内的速度，dn表示在时间间隔n内的方向，其中α是在[0,1]之间变化的随机性常数，、分别表示速度和方向的平均值，通过设置α=0将节点运动设置为随机运动，α=1是节点运动是线型的[30]。在每个时间间隔中，根据当前位置、速度和移动方向计算下一个位置。（三）车辆跟驰模型车辆移动模型（VehicularMobileModel，VMM）是在车辆行驶过程中考虑车辆的移动状态，并且通过数学理论方法建立模型。车辆的行驶状态包括车辆之间进行的超车、跟车、换道、躲避障碍物、加减速等行为。同时，车辆移动模型也会根据路网结构、周边是否存在障碍物或者相邻车辆运动状态来决定。本文主要使用车载网中常用的高速公路交通流模型进行建模。Krauss移动跟驰模型[31]是基于安全车速建立的微观模型，考虑车辆自由行驶过程中前方是否有车辆干扰，若前方没有车辆，车辆本身就可以到达最大物理及速度；若前方有车辆，需要参考本车的速度，并且通过计算与前车的速度差，计算安全的行驶速度，调整驾驶员行为，使车辆在紧急情况下能够保持安全距离，避免出现碰撞行为[32]。式（1-7）为Krauss模型的方程：（1-7）式中，为前车在t时刻的车辆速度；为后车与前车之间的距离；为前后两车的平均速度；为驾驶员反应时间；b是减速函数。在实际车辆行驶过程中，计算出来的安全车速可能会略大于车辆的限速，因此考虑在计算期望速度应该取道路限速、车辆最大速度和理论变化速度中最小的值。如（1-8）所示：（1-8）其中，为道路限速;a为车辆最大速度增量。在道路交通管理过程中，通过使用Krauss跟随模型，寻找车辆运动的规律，估计在车流中前后车之间的影响。在道路上前车可以提供车头时距、相对速度等信息，给后车一定的响应时间，帮助驾驶员进行预判，减少安全事故产生。车辆跟随模型的通用模式如图113所示。图113车辆跟随模型的通用模式高速公路模型主要是针对城市区域内的运动提出的，考虑车辆的最大加减速递和，目标车辆的反应时间及速度，在仿真软件中该模型计算数量少，能够很快进行执行。本文考虑后期需要在高速公路车载网中进行模拟实现，在NS2模拟场景需要体现高速公路场景，因此选取网络模型是车载网高速公路交通流模型，不仅体现出高速公路应用场景，车辆速度状态等交通流信息也能一定体现。参考文献张乐乐,王丽,肖小玲.我国智能交通系统的发展现状和趋势[J].电脑知识与技术,2021,17(03):247-249韩桂馨,秦小冬.国内外智慧交通信息服务平台发展的经验及启示[J].现代商业,2017,12:56-57《中国公路学报》编辑部.中国汽车工程学术研究综述[J].中国公路学报,2017,30(06):1-197RymaA.VANETsecurityandforensics:Challengesandopportunities[J].ForensicScience,2019,1(2):1-13DarwishT,BakarK.A.Trafficawareroutinginvehicularadhocnetworks:characteristicsandchallenges[J].TelecommunicationSystems,2016,61(3):1-25宋梦超.基于车联网通信关键问题的研究[D].北京邮电大学,2015MonicaB.M,Valarmathi.ASmartcityroutingusingGIS&VANETsystem[J].JournalofAmbientIntelligenceandHumanizedComputing,2020:1-7MirZ.H,FilaliF.Large-ScaleSimulationsandPerformanceEvaluationofConnectedCarsaV2VCommunicationPerspective[J].SimulationModellingPractice&Theory,2017,72:88-103陈漩,蔡子华.面向下一代车联网的V2X关键技术研究[J].广东通信技术,2018,38(04):22-25肖瑶,刘会衡,程晓红.车联网关键技术及其发展趋势与挑战[J].通信技术,2021,54(01):1-8MayadaA,RashidS.A.MobilityRoutingModelforVehicularAd-hocNetworks[J].SmartCityScenarios,2017,9:154-161SaravananM,GaneshkumarP.Routingusingreinforcementlearninginvehicularadhocnetworks[J].2020,36(2):682-697MonicaB.M,Valarmathi.ASmartCityRoutingUsingGISandVANETSystem[J].JournalofAmbientIntelligenceandHumanizedComputing,2020:1-7彭杏云.车载网中基于概率的广播算法与路由协议研究[D].福建师范大学,2016RajK,JaiswalC.APerformanceEvaluationofLocationPredictionPositionBasedRoutingUsingRealGPSTracesforVANET[J].WirelessPersonal,2018,102(1):275-292RamakrishnanB,SelviM,Bhagavat