平均半徑； 再根據(jù)鄰居節(jié)點信息計算出傳輸系數(shù)L1，中心性C1 (t)，節(jié)點勢能Ep1，最終結(jié)果存于文 件中。 數(shù)據(jù)采集到后預處理，信息雖然是由仿真輸出并保存的，但是其中仍然可能存在異常 數(shù)據(jù)，多表現(xiàn)為數(shù)據(jù)異?；蛘邤?shù)據(jù)缺失，可以將這些異常數(shù)據(jù)刪除或者更改成常規(guī)值，以保 證后續(xù)處理的正確性。一般可以采用閾值法和機理法進行識別，當錯誤數(shù)據(jù)與正常數(shù)據(jù)差 距超出閾值范圍時，即可判定此為異常數(shù)據(jù)，將其更正。 深度學習處理的數(shù)據(jù)需要歸一化處理，處理后結(jié)果可有下公式得出：
艮是此組數(shù)據(jù)的可能的最大值，心是觀測值，最終可獲得歸一化處理的數(shù)據(jù)。對所有數(shù) 據(jù)采用此方法處理，可用于后續(xù)運算； 二、自編碼網(wǎng)絡訓練 每個節(jié)點信息可以表示為山={d ;，Vi, a;，Ioni, Iati, Di, Li, Ci, EpJ，假設經(jīng)過預 處理后，節(jié)點信息表示為"i，大量節(jié)點信息組成一個訓練集h，作為自編碼網(wǎng)絡的輸入因 子。 利用訓練集h對網(wǎng)絡進行一層層訓練，單層的訓練過程：每層將學習到一個hw,x(x)~X 的函數(shù)，它嘗試逼近一個恒等函數(shù)，從而使得輸出接近于輸入。給這個恒等函數(shù)加入限制， 迫使自編碼神經(jīng)網(wǎng)絡去學習輸入數(shù)據(jù)的壓縮表示，這樣得到的數(shù)據(jù)具有更低的維度。 針對訓練集h，m層的訓練過程，每層將會得到網(wǎng)絡權(quán)值W1,…，W1,…，wm i和Id1,…，Id1,… K i，其中，Wl表示第1層與第1+1層網(wǎng)絡單元之間的連接權(quán)值，b i為第1層網(wǎng)絡單元的偏置 項，if表示第1個隱層（中間層）的第X單元輸入加權(quán)和，最后通過微調(diào)得到訓練完成的 自編碼網(wǎng)絡。 通過上述算法，經(jīng)過一定量數(shù)據(jù)的訓練后，網(wǎng)絡權(quán)值W1,…，W1,…，wm i和b D…，Id1,… b" i趨向于穩(wěn)定，即可用于實時處理車聯(lián)網(wǎng)數(shù)據(jù)； 二、網(wǎng)絡節(jié)點篩選 當任意輸入一個節(jié)點特征信息"i后，經(jīng)過了 m層的深度學習過程，即經(jīng)過一次前向 傳播網(wǎng)絡后，最終輸出節(jié)點新特征，用Q1表示。 假設在訓練集h中從時間Tx(x = 1，2, "·，Γ)采集的節(jié)點信息中取q個節(jié)點，通過深 度學習后對應輸出的新特征分別用Q1, Q2,…，Qi,…，Qq表示，則Q i= {z Z0ll,2)，…，Z0ll, u)，…}，Z01, ,}表示深度學習過程中第m層輸出的列向量z "的第u個值，即節(jié)點i的第u個 新特征值，這里： Zi= f (w I !^z1 ! + b ! i) (2 ^ I ^ m) (7) 其中f()表示激活函數(shù)，一般用
表示。^與卜為自編碼網(wǎng)絡訓練后得 到的網(wǎng)絡權(quán)值。 最后一層的節(jié)點篩選采用Logistic回歸，一般采用sigmoid函數(shù)或者linear函數(shù)， sigmoid的取值范圍為[0, 1]，而它的作用是將具有新特征的節(jié)點二分類，一類為優(yōu)異節(jié) 點，另一類為丟棄節(jié)點。 將此分類器添加到自編碼網(wǎng)絡的最后一層，再通過訓練微調(diào)整個系統(tǒng)，獲得自編碼網(wǎng) 絡與分類器間連接的權(quán)值，即可得到一個可用于分類的自編碼網(wǎng)絡。 自編碼網(wǎng)絡可以提供高維連續(xù)數(shù)據(jù)空間和低維嵌套結(jié)構(gòu)的雙向映射，利用自編碼網(wǎng)絡 可以對大規(guī)模道路交通網(wǎng)絡中的節(jié)點信息的關(guān)聯(lián)性特征進行發(fā)掘與提取，從而對原始信息 進行降維，不僅降低了數(shù)據(jù)傳輸過程中數(shù)據(jù)量，而且為網(wǎng)絡中關(guān)鍵節(jié)點的篩選提供有效途 徑。 本發(fā)明為高速公路場景提供較好節(jié)點篩選方法，有效提高了網(wǎng)絡性能。但在網(wǎng)絡節(jié)點 極度稀疏的情況下，本發(fā)明方法未能給出一個良好的篩選結(jié)果，使得添加篩選方法的路由 協(xié)議中仿真的端到端平均延遲更高；而在網(wǎng)絡節(jié)點稠密的情況下，經(jīng)過篩選方法處理后的 路由協(xié)議性能明顯提升，有效提高了數(shù)據(jù)包投遞成功率，并降低了端到端平均延遲。這說明 本發(fā)明方法在道路狀態(tài)較為穩(wěn)定的場景更加適用，而難以勝任道路狀態(tài)變化復雜情況下的 任務。 【附圖說明】 圖I AODV路由發(fā)現(xiàn)過程 圖2 VADD選擇下一跳節(jié)點[16] 圖3 DSRC/WiMAX混合通訊系統(tǒng)[28] 圖4 3⑶D路由協(xié)議場景[33] 圖5卷積神經(jīng)網(wǎng)絡[39] 圖6自編碼網(wǎng)絡 圖7用于分類的自編碼網(wǎng)絡 圖8系統(tǒng)處理流程 圖9單層網(wǎng)絡訓練過程 圖10 m層自編碼網(wǎng)絡訓練 圖11不同數(shù)量節(jié)點的網(wǎng)絡通達性 圖12網(wǎng)絡通達性與異構(gòu)節(jié)點數(shù)量的關(guān)系 圖13 Hff-AODV路由發(fā)現(xiàn)過程 圖14 Hff-AODV路由保證 【具體實施方式】 (案例） 在實際的車聯(lián)網(wǎng)網(wǎng)絡中，車聯(lián)網(wǎng)網(wǎng)絡節(jié)點包含豐富的信息，但由于傳感器等相關(guān)技術(shù) 有限，只能獲取網(wǎng)絡節(jié)點中部分數(shù)據(jù)，提取出的數(shù)據(jù)能包含當前網(wǎng)絡的信息特征。 本發(fā)明將車聯(lián)網(wǎng)網(wǎng)絡中節(jié)點類型分為三類，車輛節(jié)點、手機移動終端、路邊基礎設施和 基站。對于車輛節(jié)點，我們可以獲取車輛行駛方向Cl1，行駛速度V1、加速度&1，經(jīng)煒度Ion 1 和Iat1，所在道路r1;對于手機移動終端，我們可以當作低速的車輛處理，可以獲取終端移 動速度，方向，經(jīng)煒度等信息；而路邊基礎設施和基站一般固定于某一點，可以當作速度、加 速度為零、通信范圍更廣闊的節(jié)點處理。 針對不同的地點和區(qū)域，對不同的節(jié)點根據(jù)不同的特征狀態(tài)給予不同的特征信息，從 而構(gòu)建統(tǒng)一的描述語言來表示異構(gòu)節(jié)點信息，將這些信息再組合成節(jié)點信息的特征向量， 為后續(xù)的特征學習提供了基礎。由于充分考慮了異構(gòu)節(jié)點和異構(gòu)網(wǎng)絡的影響，可以利用不 同的設施最大化網(wǎng)絡的傳輸性能。 為了給深度學習過程提供更加詳細的數(shù)據(jù)，例如，局部集聚系數(shù)Pc1，它表示與它相連 的點抱成團的程度。這里也定義若干可以表征網(wǎng)絡節(jié)點信息。 定義1.傳輸系數(shù)L1:對于一個給定的車輛N1，可表示為：
D#網(wǎng)絡節(jié)點的度，即可通信的鄰居節(jié)點的數(shù)量。N ^N1單跳范圍內(nèi)的鄰居節(jié)點，η為 單跳鄰居節(jié)點的數(shù)量。傳輸系數(shù)可以表示節(jié)點傳輸鄰居節(jié)點信息的能力。 社交網(wǎng)絡與車聯(lián)網(wǎng)有一定的相似性，因此社交網(wǎng)絡中的概念也可以應用于車聯(lián)網(wǎng)。一 般網(wǎng)絡中，任意兩個節(jié)點間的相互作用依賴于連接兩者路徑上的節(jié)點。但由于一個城市的 車聯(lián)網(wǎng)網(wǎng)絡節(jié)點復雜，且考慮到離當前節(jié)點較遠的節(jié)點對該節(jié)點的作用較小，因此定義中 心性如下： 定義2.中心性C1:以當前節(jié)點N i為中心的兩倍通信距離的網(wǎng)絡中，節(jié)點N i在當前網(wǎng)絡 中對網(wǎng)絡中其它節(jié)點傳輸信息的重要程度，可用公式2表示
sP],k是網(wǎng)絡節(jié)點N 1與N ,最短路徑的條數(shù)且N 1與N ,最多相距2倍通信距離，sp M(N1) 是網(wǎng)絡節(jié)點隊與N ,的最短路徑中經(jīng)過網(wǎng)絡節(jié)點N i的條數(shù)，它對這兩個非鄰接成員的相互 作用具有某種控制和制約作用，mcd為最大通信距離，即maxCommunicationDistance。 定義3.節(jié)點勢能Ep1:節(jié)點i所具有的能量（傳輸能力），對于當前節(jié)點N i的所有鄰居 節(jié)點Nj，所有％與N之間的中心性的相互影響之和，即
Wg為N 對當前節(jié)點Ni的重要性，即能影響當前節(jié)點傳輸信息的能力。W 與距離成反 比，距離越短，作用強度越大，傳輸數(shù)據(jù)越穩(wěn)定，但往遠處輸送數(shù)據(jù)的能力相對較弱；相反， 距離越大，傳輸數(shù)據(jù)越不穩(wěn)定，但往遠處輸送數(shù)據(jù)的能力相對較強。因此，節(jié)點的勢能表示 為當前節(jié)點在當前時間所具有的傳輸數(shù)據(jù)的能力，在最適當?shù)木嚯x有較多的鄰居節(jié)點的節(jié) 點勢能較高，因而此節(jié)點也有較強的信息傳輸能力。 通過以上分析，因此已經(jīng)得到了深度學習訓練所需要的原始輸入信息。 定義4.原始訓練數(shù)據(jù)I1:表示深度學習的輸入信息，可表示為11元組： 11 {d ^，Vi，％，Iorii，Isiti，，pCi，Di，，Ci，EpJ (4) 可以看出其中包括了節(jié)點的大量信息，在高度復雜的車聯(lián)網(wǎng)實時信息傳輸中由于數(shù)據(jù) 量過大導致整個網(wǎng)絡傳輸延時，進而可能導致網(wǎng)絡擁塞，不能將實時信息實時分發(fā)出去，也 不易于篩選網(wǎng)絡中優(yōu)異節(jié)點。因此，需要通過深度學習方法對車聯(lián)網(wǎng)網(wǎng)絡數(shù)據(jù)進行適當處 理。 3. 1基于自編碼網(wǎng)絡的車聯(lián)網(wǎng)網(wǎng)絡節(jié)點篩選方法 車聯(lián)網(wǎng)環(huán)境下的網(wǎng)絡特點和傳統(tǒng)自組織網(wǎng)絡有很大區(qū)別，網(wǎng)絡內(nèi)節(jié)點具有高速的移動 性，這將導致網(wǎng)絡的拓撲變化劇烈，網(wǎng)絡內(nèi)信息的轉(zhuǎn)發(fā)就不能像傳統(tǒng)的自組織網(wǎng)絡那樣簡 單考慮，有的信息數(shù)據(jù)還需考慮時間容忍性，城市道路中還受各種環(huán)境影響。因此，利用自 編碼網(wǎng)絡處理高維復雜數(shù)據(jù)的優(yōu)勢，可以通過將數(shù)據(jù)集降維至低維空間來避免維數(shù)災難問 題，并可以篩選出優(yōu)異節(jié)點。整個路由機制包含三個部分，數(shù)據(jù)預處理，自編碼網(wǎng)絡訓練，節(jié) 點篩選算法實現(xiàn)。整個系統(tǒng)的處理流程如圖8所示。 3. I. 1數(shù)據(jù)預處理 通過交通仿真軟件，我們可以獲取車輛行駛方向Cl1，行駛速度V1、加速度，經(jīng)煒度Ion 1 和Iat1，所在道路Γι，但度（可通信鄰居節(jié)點數(shù)）和上述定義等信息更加重要，它不僅真實 反應了網(wǎng)絡信息，而且包含了真實世界的車輛間關(guān)系信息。首先，通過經(jīng)煒度計算出車輛間 距，這里假定認為車間通信距離為200m，當兩車距離小于200m時，即認為車間可通信。 兩車距離可通過經(jīng)煒度來計算。首先，設A點與B點的經(jīng)煒度分別為（LgA，LaA)和 (LgB，LaB)，按照零度經(jīng)線，東經(jīng)取正值，西經(jīng)取負值，北煒取90 -煒度，南煒取90+煒度，則 經(jīng)過標準化后A、B兩點的經(jīng)煒度被記為（FLgA，F(xiàn)LaA)和（FLgB，F(xiàn)LaB)。根據(jù)三角推導，可 以通過如下公式5計算兩點之間的距離。
R = 6371. 004km 其中Distance即為兩點間距離，R為地球平均半徑。 節(jié)點度計算則根據(jù)節(jié)點間距離計算，具體如算法1所示。
再根據(jù)鄰居節(jié)點信息計算出傳輸系數(shù)L1，中心性C1 (t)，節(jié)點勢能Ep1，最終結(jié)果存于文 件中。 數(shù)據(jù)采集到后預處理，信息雖然是由仿真輸出并保存的，但是其中仍然可能存在異常 數(shù)據(jù)，多表現(xiàn)為數(shù)據(jù)異?；蛘邤?shù)據(jù)缺失，可以將這些異常數(shù)據(jù)刪除或者更改成常規(guī)值，以保 證后續(xù)處理的正確性。一般可以采用閾值法和機理法進行識別，當錯誤數(shù)據(jù)與正常數(shù)據(jù)差 距超出閾值范圍時，即可判定此為異常數(shù)據(jù)，將其更正。 深度學習處理的數(shù)據(jù)需要歸一化處理，處理后結(jié)果可有下公式得出：
艮是此組數(shù)據(jù)的可能的最大值，心是觀測值，最終可獲得歸一化處理的數(shù)據(jù)。對所有數(shù) 據(jù)采用此方法處理，可用于后續(xù)運算。 3. 1.2自編碼網(wǎng)絡訓練 每個節(jié)點信息可以表示為山={d ;，Vi, a;，Ioni, Iati, Di, Li, Ci, EpJ，假設經(jīng)過預 處理后，節(jié)點信息表示為"i，大量節(jié)點信息組成一個訓練集h，作為自編碼網(wǎng)絡的輸入因 子。 利用訓練集h對網(wǎng)絡進行一層層訓練，單層的訓練過程如圖9所示，每層將學習到一個 hw,x(X)~X的函數(shù)，它嘗試逼近一個恒等函數(shù)，從而使得輸出接近于輸入。我們給這個恒等 函數(shù)加入一些限制，比如限制隱層的數(shù)量，我們就可以獲取原始數(shù)據(jù)的另一種表達方式，即 迫使自編碼神經(jīng)網(wǎng)絡去學習輸入數(shù)據(jù)的壓縮表示，這樣得到的數(shù)據(jù)具有更低的維度。若輸 入數(shù)據(jù)中隱含著一些特定的結(jié)構(gòu)，如車輛間相互影響的因素，車間距，通信距離等，通過上 述網(wǎng)絡則可以發(fā)現(xiàn)原始數(shù)據(jù)間更復雜的關(guān)系，這一過程類似于主成份分析過程，而區(qū)別在 于自編碼能根據(jù)隱層數(shù)據(jù)再恢復成原始數(shù)據(jù)。 針對訓練集h，m層的訓練過程如圖10所示，每層將會得到網(wǎng)絡權(quán)值W1，…，W1，…，W ni i 和Id1，…，k…b" i，其中，W1表示第1層與第1+1層網(wǎng)絡單元之間的連接權(quán)值，b i為第1層 網(wǎng)絡單元的偏置項，表示第1個隱層（中間層）的第X單元輸入加權(quán)和，最后通過微調(diào) 得到訓練完成的自編碼網(wǎng)絡。 自編碼網(wǎng)絡訓練過程如算法2所示。

通過上述算法，經(jīng)過一定量數(shù)據(jù)的訓練后，網(wǎng)絡權(quán)值W1, ···，W1, ···，wm i和b D ···，bi,… b" i趨向于穩(wěn)定，