基于博弈论和自适应跳跃的异构车载网络选择方法及系统

1.本发明属于车联网技术领域，涉及一种面向异构车载环境的网络选择方法及系统，特别是一种城市交通环境下基于博弈论和自适应跳跃的异构车载网络选择方法及系统。

背景技术：

2.近年来，随着城市化进程的加快，城市车辆数量也在迅速增长，交通问题俨然已成为关注的重点，依靠智能交通系统(intelligent transportation system its)解决交通问题势在必行。车联网(vehicular ad hoc network,vanet)是物联网在its领域的应用，作为一种面向汽车的新兴移动互联网，通过车与车/车与基础设施(vehicle-to-vehicle/vehicle-to-infrastructure, v2v/v2i)之间进行信息交互，实现智能化交通管理。
3.由于单一类型的网络难以满足用户多样化的通信需求，随着无线通信技术的快速发展，融合多种无线通信技术的异构车载网络成为车联网发展的必然趋势。然而，由于车载通信终端的移动性，导致车辆更加频繁地进行网络切换，甚至形成“乒乓效应”；另一方面，车辆数量的不均匀分布会造成网络拥塞和资源紧缺问题。因此，在异构车载网络下如何选择合适的接入网络、缓解网络拥塞和“乒乓效应”是亟待解决的问题。
4.在复杂的决策过程中，基于单属性的网络选择方法只考虑例如信号强度一个因素，其应用场景和效果具有较大的局限性，因此越来越多的研究基于多属性决策(multiple attributedecision making，madm)。基于多属性决策的网络选择方法综合考虑网络的多种属性对网络的性能进行评估，从而为用户寻最佳的接入网络，但依然存在许多的问题。例如现有的基于多属性决策的网络选择方法通常从单个车辆出发盲目选择最佳接入网络，一方面会导致网络资源的负载不均，严重时会引起部分网络的拥塞问题；另一方面当多个候选网络的性能难分伯仲时容易产生“乒乓效应”，降低网络资源的利用效率。

技术实现要素：

5.本发明针对现有异构车载网络选择方法的不足，提出了一种基于博弈论和自适应跳跃的异构车载网络选择方法及系统。为了提高对候选网络性能评估的准确性，该方法从主、客观两方面分别进行评估，同时基于博弈论权衡主、客观评估结果，具体而言，该方法使用毕达哥拉斯模糊层次分析法计算网络状态属性的主观权重，使用熵权法计算网络状态属性的客观权重，利用博弈论组合赋权法计算网络状态属性的综合权重，基于马尔科夫得到候选网络的综合效用值。最终，该方法利用一种自适应跳跃机制选择并接入最大综合效用值网络。
6.本发明的方法所采用的技术方案是：一种基于博弈论和自适应跳跃的异构车载网络选择方法，用于由双向车道、多种类型网络的路侧单元和云服务器构成的交通环境中，交通环境中车辆之间以及车辆和路侧单元之间进行信息交互；
7.包括以下步骤：
8.步骤1：所述路侧单元实时监测和收集车辆信息和网络状态属性信息，并将车辆信息和网络状态属性信息上传给所述云服务器；
9.所述车辆信息包括车辆标识符、速度、位置和业务类型，其中业务类型包括语音对话、实时流媒体、网络交互和后台下载四种类型；
10.所述网络状态属性信息包括带宽、时延、时延抖动、丢包率和价格成本；
11.步骤2：所述云服务器利用网络状态属性信息构建初始化判决矩阵h，将判决矩阵h进行标准化和归一化处理；
12.所述云服务器利用网络状态属性信息构建初始化判决矩阵h，记候选网络集合n＝{n1, n2,
…
,nm}，每个网络状态属性集合f＝{f1,f2,
…
,fn}，m是候选网络数量，n是属性数量，初始化判决矩阵h为：
[0013][0014]
其中，h
ij
是第i个候选网络的第j个状态属性值，1≤i≤m，1≤j≤n；
[0015]
步骤3：计算网络状态属性的主观权重w
sub
，计算网络状态属性的客观权重w
obj
；
[0016]
步骤4：基于博弈论权衡主观权重、客观权重，计算网络状态属性的综合权重w；
[0017]
步骤5：计算候选网络的综合效用值c；
[0018]
步骤6：基于自适应跳跃机制选择并接入最大综合效用值网络。
[0019]
本发明的系统所采用的技术方案是：一种基于博弈论和自适应跳跃的异构车载网络选择系统，用于由双向车道、多种类型网络的路侧单元和云服务器构成的交通环境中，交通环境中车辆之间以及车辆和路侧单元之间进行信息交互；
[0020]
包括以下模块：
[0021]
模块1，用于所述路侧单元实时监测和收集车辆信息和网络状态属性信息，并将车辆信息和网络状态属性信息上传给所述云服务器；
[0022]
所述车辆信息包括车辆标识符、速度、位置和业务类型，其中业务类型包括语音对话、实时流媒体、网络交互和后台下载四种类型；
[0023]
所述网络状态属性信息包括带宽、时延、时延抖动、丢包率和价格成本；
[0024]
模块2，用于所述云服务器利用网络状态属性信息构建初始化判决矩阵h，将判决矩阵 h进行标准化和归一化处理；
[0025]
所述云服务器利用网络状态属性信息构建初始化判决矩阵h，记候选网络集合n＝{n1, n2,
…
,nm}，每个网络状态属性集合f＝{f1,f2,
…
,fn}，m是候选网络数量，n是属性数量，初始化判决矩阵h为：
[0026][0027]
其中，h
ij
是第i个候选网络的第j个状态属性值，1≤i≤m，1≤j≤n；
[0028]
模块3，用于计算网络状态属性的主观权重w
sub
，计算网络状态属性的客观权重w
obj
；
[0029]
模块4，用于基于博弈论权衡主观权重、客观权重，计算网络状态属性的综合权重w；
[0030]
模块5，用于计算候选网络的综合效用值c；
[0031]
模块6，用于基于自适应跳跃机制选择并接入最大综合效用值网络。
[0032]
本发明首先基于收集的网络状态属性信息构建初始化判决矩阵，并对判决矩阵进行标准化和归一化处理；接着采用毕达哥拉斯模糊层次分析法计算网络状态属性的主观权重，采用熵权法计算网络状态属性的客观权重，基于博弈论计算网络状态属性的综合权重，基于马尔科夫计算候选网络的综合效用值；最后基于自适应跳跃机制进行最优接入网络决策。本发明能适应复杂异构车载网络环境下的动态车流变化，有效减少网络的平均切换次数，有利于避免“乒乓效应”和提高网络资源利用率。
附图说明
[0033]
图1为本发明实施例的交通环境示意图；
[0034]
图2为本发明实施例的方法流程图；
[0035]
图3为本发明实施例的方法与其他两种方法在不同车辆数量情况下的网络平均切换次数对比图。
具体实施方式
[0036]
为了便于本领域普通技术人员理解和实施本发明，下面结合附图及实施例对本发明作进一步的详细描述，应当理解，此处所描述的实施示例仅用于说明和解释本发明，并不用于限定本发明。
[0037]
现有的基于多属性决策的网络选择方法通常从单个车辆出发盲目选择最佳网络，一方面会导致网络资源的负载不均，严重时会引起网络拥塞问题；另一方面当多个候选网络的性能难分伯仲时容易产生“乒乓效应”。本发明据此提供了新的城市交通环境下的异构车载网络选择切换方法，用于高效地进行网络选择切换，实现网路负载均衡。方法的基本思想是：利用车辆信息和当前网络状态属性信息进行处理，分别计算网络状态属性的主、客观权重，根据博弈论兼顾主、客观权重的优点得到最优的综合权重向量，通过计算综合效用值对候选网络进行性能评估，采用自适应跳跃机制进行最优网络决策。
[0038]
如图1所示，本实施所述交通系统模型由双向车道、多种类型网络的路侧单元和云服务器构成；模型中行驶车辆的数量和速度随着时间不断变化，行驶方向包括直行和调头；所述路侧单元用于提供语音对话、实时流媒体、网络交互和后台下载等多种类型的无线通信服务，车辆之间以及车辆和路侧单元之间进行信息交互；所述云服务器用于处理路侧单元上传的车辆信息和网络状态信息。
[0039]
由于车载通信终端具有移动性，车辆会更加频繁地进行网络切换，因此在保证用户当前业务需求的前提下快速高效地选择合适的网络进行切换是亟待解决的问题。但是现有的基于多属性决策的网络选择方法通常从单个车辆出发盲目选择最佳网络，容易引起如下问题：
[0040]
(1)导致网络资源的负载不均，严重时会引起部分网络的拥塞问题；
[0041]
(2)当多个候选网络的性能难分伯仲时容易产生“乒乓效应”，降低网络资源的利
用效率。
[0042]
因此，本发明提出一种基于博弈论和自适应跳跃的异构车载网络选择方法。方法的关键是利用博弈论组合赋权法来计算网络综合权重，将具有互补作用的主客观赋权法结合，到主、客观赋权法的纳什均衡点，兼顾两者优点，得到最优的权重向量，最后根据候选网络状态属性与属性综合权重向量评估候选网络性能并进行排序。
[0043]
请见图2，本发明提供的一种基于博弈论和自适应跳跃的异构车载网络选择方法，包括以下步骤：
[0044]
步骤1：路侧单元实时监测和收集车辆信息和网络状态属性信息，并将车辆信息和网络状态属性信息上传给云服务器；
[0045]
本实施例的车辆信息主要包括车辆标识符、速度、位置和业务类型，其中业务类型包括语音对话、实时流媒体、网络交互和后台下载四种类型；
[0046]
本实施例的网络状态属性信息主要包括带宽、时延、时延抖动、丢包率和价格成本；
[0047]
步骤2：云服务器利用网络状态信息构建初始化判决矩阵h，将判决矩阵h进行标准化和归一化处理；
[0048]
本实施例中，云服务器利用网络状态属性信息构建初始化判决矩阵h，记候选网络集合n＝{n1,n2,
…
,nm}，每个网络状态属性集合f＝{f1,f2,
…
,fn}，m是候选网络数量，n是属性数量，初始化判决矩阵h为：
[0049][0050]
其中，h
ij
是第i个候选网络的第j个状态属性值，1≤i≤m，1≤j≤n；
[0051]
本实施例中，对判决矩阵h采用min-max标准差法进行标准化；
[0052]
对于带宽属性，则有：
[0053][0054]
对于延迟、延迟抖动、丢失率和价格成本属性，则有：
[0055][0056]
其中，min(h
ij
)和max(h
ij
)分别表示h
ij
的最小值和最大值；
[0057]
接着对标准化后的判决矩阵参数进行归一化处理，得到归一化判决矩阵h
′
＝(h
ij
′
)m×n，且有：
[0058][0059]
步骤3：计算网络状态属性的主观权重w
sub
和网络状态属性的客观权重w
obj
；
[0060]
本实施例采用毕达哥拉斯模糊层次分析法计算候选网络状态属性的主观权重w
sub
，具体实现包括以下子步骤：
[0061]
(1)定义毕达哥拉斯模糊集g：
[0062]
[0063][0064]
其中，μg(z)是元素z的隶属度，νg(z)是元素z的非隶属度，μg(z)和νg(z)的值由毕达哥拉斯模糊层次分析法区间值量表所确定；z表示两个网络状态属性之间的相对重要程度值，z表示两个网络状态属性之间的相对重要程度值的集合。
[0065]
(2)计算元素z的不确定性程度πg(z)：
[0066][0067]
(3)根据毕达哥拉斯模糊层次分析法区间值量表，构建业务流量类型的判决矩阵r＝(r
jk
)n×n：
[0068][0069]
其中，r
jk
表示第j个属性和第k个属性之间的相对重要程度，1≤j,k≤n；
[0070]
本实施例采用的毕达哥拉斯模糊层次分析法区间值量表，请见下表1：
[0071]
表1
[0072][0073]
(4)计算隶属和非隶属函数上下界值之间的差分矩阵d＝(d
jk
)n×n，d
jk
的取值范围为 [d
jkl
,d
jku
]，且有：
[0074][0075][0076]
其中，d
jkl
表示差分矩阵d的下界值，μ
jkl
表示隶属度下界值，v
jku
表示非隶属度上界值，d
jku
表示差分矩阵d的上界值，μ
jku
表示隶属度上界值，v
jkl
表示非隶属度下界值；
[0077]
(5)计算区间乘法矩阵s＝(s
jk
)n×n，s
jk
的取值范围为[s
jkl
,s
jku
]，且有：
[0078][0079]
[0080]
(6)计算r
jk
的确定值τ＝(τ
jk
)n×n；
[0081][0082]
(7)将确定值τ与矩阵s相乘，得到归一化前的权值矩阵t＝(t
jk
)n×n；
[0083][0084]
(8)计算网络状态属性fj的主观权重w
sub,j
；
[0085][0086]
本实施例采用熵权法计算网络状态属性的客观权重w
obj
，具体实现包括以下子步骤：
[0087]
(1)利用归一化判决矩阵h
′
＝(h
ij
′
)m×n计算网络状态属性fj的熵值；
[0088][0089]
其中，ej表示归一化判决矩阵h
′
第j列属性的熵值，
[0090]
(2)计算网络状态属性fj的客观权重w
obj,j
，则有：
[0091][0092]
步骤4：基于博弈论权衡主观权重、客观权重，计算网络状态属性的综合权重w；
[0093]
本实施例计算网络状态属性fj的综合权重wj；
[0094]
wj＝a1·wsub,j
+a2·wobj,j
ꢀꢀ
(18)
[0095]
其中，a1和a2分别是网络状态属性fj主观权重w
sub,j
和客观权重w
obj,j
的系数。
[0096]
本实施例基于博弈论最小化综合权重与主观权重、客观权重之间的偏差，可以得到最优的综合权值向量；
[0097]
本实施例优化后的系数为：
[0098][0099]
基于矩阵的微分性质，结合毕达哥拉斯模糊层次分析法和熵权法计算得到的网络状态属性主观权重、客观权重，得到具有相同解的式(20)；
[0100][0101]
计算出组合系数集{a1,a2}，并进行归一化处理：
[0102][0103]
最后，将和代入式(18)，获得网络状态属性fj的综合权重wj：
[0104][0105]
步骤5：计算候选网络的综合效用值c；
[0106]
本实施例基于马尔科夫计算候选网络的综合效用值c，步骤5的具体实现包括以下
子步骤：
[0107]
步骤5.1：记网络状态空间集合为q＝{q1,q2,
…
,qm}，且qi＝h
i1hi2hij
…hin
。令l为车辆终端的服务时间，q
l
为l时刻的网络状态，且对于任意随机整数l∈l和任意随机q
l
∈q，网络状态转移概率均符合p[q
l+1
|q1,q2,
…
,q
l
]＝p[q
l+1
|q
l
]，上述随机过程为马尔可夫过程；
[0108]
步骤5.2：令决策时刻第i个网络处于状态x，车辆终端接入该网络后的状态转移为y的概率为p[y|x,i]，则有：
[0109][0110][0111]
其中，a(x,i)为第i个候选网络进行决策时处于状态x的效用值，h
ij
(x)是第i个候选网络处于状态x的第j个状态属性值，1≤i≤m，1≤j≤n；wj为网络状态属性fj的综合权重；
[0112]
步骤5.3：计算第i个候选网络的综合效用值ci：
[0113]ci
＝a(x,i)+∑
y∈s
p[y|x,i]a(y,i)
ꢀꢀ
(25)
[0114]
其中，a(y,i)为车辆终端选择第i个候选网络切换后该网络处于状态y时的效用值。
[0115]
步骤6：基于自适应跳跃机制选择并接入最大综合效用值网络；
[0116]
本实施例中，步骤6的具体实现包括以下子步骤：
[0117]
步骤6.1：引入负载平衡因子γ计算切换阈值t的值；
[0118]
t＝γtfꢀꢀ
(26)
[0119][0120]
其中，tf为常数，load
t
表示具有最大综合效用值的网络的负载，loadi表示第i个网络的负载。
[0121]
步骤6.2：当前接入网络记为n
access
，具有最大综合效用值的网络记为n
max
；若n
access
＝n
max
，则执行步骤6.3，否则执行步骤6.4；
[0122]
步骤6.3：保持当前网络接入状态，跳过本次网络切换操作，本流程结束；
[0123]
步骤6.4：当前接入网络的综合效用值记为c
access
，最大综合效用值记为c
max
；若 (c
access
《c
max
)&&(c
max-c
access
)》t，则执行步骤6.5，否则执行步骤6.3；
[0124]
步骤6.5：进行网络切换操作，接入最大效用值网络n
max
，本流程结束。
[0125]
为了验证本发明方法的性能，本实施例提供如下两种方法进行对比：
[0126]
方法1：v2i-mha，一种基于多属性决策的网络选择方法；
[0127]
方法2：lbqos-nss，一种基于负载平衡与qos的网络选择方法。
[0128]
基于matlab进行对比实验，在不同的车流量情况下比较三种网络选择方法的平均切换次数。请见图3，为本发明实施例的方法与其他两种方法在不同车辆数量情况下的网络平均切换次数对比图，图3表明所提网络选择方法的平均切换次数明显低于其他两种算法，跟性能较好的v2i-mha相比较，在车辆数量为120时平均切换次数减少了49.43％。
[0129]
本发明通过博弈论到主、客观赋权法的纳什均衡点，从而得到更优的网络状态属性综合权重，更加准确地评估网络性能，通过自适应跳跃方法，根据网络负载动态调整切换阈值，进行最优接入网络决策，不仅解决静态阈值灵活度低的问题，还有利于平衡网络负
载。本发明有效减少平均切换次数，降低切换阻塞概率，从而提高网络资源利用率。
[0130]
应当理解的是，上述针对较佳实施例的描述较为详细，并不能因此而认为是对本发明专利保护范围的限制，本领域的普通技术人员在本发明的启示下，在不脱离本发明权利要求所保护的范围情况下，还可以做出替换或变形，均落入本发明的保护范围之内，本发明的请求保护范围应以所附权利要求为准。

技术特征：

1.一种基于博弈论和自适应跳跃的异构车载网络选择方法，用于由双向车道、多种类型网络的路侧单元和云服务器构成的交通环境中，交通环境中车辆之间以及车辆和路侧单元之间进行信息交互；其特征在于，包括以下步骤：步骤1：所述路侧单元实时监测和收集车辆信息和网络状态属性信息，并将车辆信息和网络状态属性信息上传给所述云服务器；所述车辆信息包括车辆标识符、速度、位置和业务类型，其中业务类型包括语音对话、实时流媒体、网络交互和后台下载四种类型；所述网络状态属性信息包括带宽、时延、时延抖动、丢包率和价格成本；步骤2：所述云服务器利用网络状态属性信息构建初始化判决矩阵h，将判决矩阵h进行标准化和归一化处理；所述云服务器利用网络状态属性信息构建初始化判决矩阵h，记候选网络集合n＝{n1,n2,
…
,n
m
}，每个网络状态属性集合f＝{f1,f2,
…
,f
n
}，m是候选网络数量，n是属性数量，初始化判决矩阵h为：其中，h
ij
是第i个候选网络的第j个状态属性值，1≤i≤m，1≤j≤n；步骤3：计算网络状态属性的主观权重w
sub
，计算网络状态属性的客观权重w
obj
；步骤4：基于博弈论权衡主观权重、客观权重，计算网络状态属性的综合权重w；步骤5：计算候选网络的综合效用值c；步骤6：基于自适应跳跃机制选择并接入最大综合效用值网络。2.根据权利要求1所述的基于博弈论和自适应跳跃的异构车载网络选择方法，其特征在于：步骤2中，对判决矩阵h采用min-max标准差法进行标准化；对于带宽属性，则有：对于延迟、延迟抖动、丢失率和价格成本属性，则有：其中，min(h
ij
)和max(h
ij
)分别表示h
ij
的最小值和最大值；接着对标准化后的判决矩阵参数进行归一化处理，得到归一化判决矩阵h
′
＝(h
ij
′
)
m
×
n
，且有：3.根据权利要求1所述的基于博弈论和自适应跳跃的异构车载网络选择方法，其特征在于：步骤3中，采用毕达哥拉斯模糊层次分析法计算候选网络状态属性的主观权重w
sub
，具体实现包括以下子步骤：
(1)定义毕达哥拉斯模糊集g：(1)定义毕达哥拉斯模糊集g：其中，μ
g
(z)是元素z的隶属度，v
g
(z)是元素z的非隶属度，μ
g
(z)和v
g
(z)的值由毕达哥拉斯模糊层次分析法区间值量表所确定；z表示两个网络状态属性之间的相对重要程度值，z表示两个网络状态属性之间的相对重要程度值的集合；(2)计算元素z的不确定性程度π
g
(z)：(3)根据毕达哥拉斯模糊层次分析法区间值量表，构建业务流量类型的判决矩阵r＝(r
jk
)
n
×
n
：其中，r
jk
表示第j个属性和第k个属性之间的相对重要程度，1≤j，k≤n；(4)计算隶属和非隶属函数上下界值之间的差分矩阵d＝(d
jk
)
n
×
n
，d
jk
的取值范围为[d
jkl
，d
jku
]，且有：且有：其中，d
jkl
表示差分矩阵d的下界值，μ
jkl
表示隶属度下界值，v
jku
表示非隶属度上界值，d
jku
表示差分矩阵d的上界值，μ
jku
表示隶属度上界值，v
jkl
表示非隶属度下界值；(5)计算区间乘法矩阵s＝(s
jk
)
n
×
n
，s
jk
的取值范围为[s
jkl
，s
jku
]，且有：且有：(6)计算r
jk
的确定值τ＝(τ
jk
)
n
×
n
；(7)将确定值τ与矩阵s相乘，得到归一化前的权值矩阵t＝(t
jk
)
n
×
n
；(8)计算网络状态属性f
j
的主观权重w
sub，j
；4.根据权利要求1所述的基于博弈论和自适应跳跃的异构车载网络选择方法，其特征在于：步骤3中，采用熵权法计算网络状态属性的客观权重w
obj
；具体实现包括以下子步骤：(1)利用归一化判决矩阵h
′
＝(h
ij
′
)
m
×
n
计算网络状态属性f
j
的熵值；
其中，e
j
表示归一化判决矩阵h
′
第j列属性的熵值，(2)计算网络状态属性f
j
的客观权重w
obj，j
，则有：5.根据权利要求1所述的基于博弈论和自适应跳跃的异构车载网络选择方法，其特征在于：步骤4中，计算网络状态属性f
j
的综合权重w
j
；w
j
＝a1·
w
sub，j
+a2·
w
obj，j
ꢀꢀꢀꢀ
(18)其中，a1和a2分别是网络状态属性f
j
主观权重w
sub，j
和客观权重wo
bj，j
的系数。6.根据权利要求5所述的基于博弈论和自适应跳跃的异构车载网络选择方法，其特征在于：基于博弈论最小化综合权重与主观权重、客观权重之间的偏差，得到最优的综合权值向量；优化后的系数为：基于矩阵的微分性质，结合毕达哥拉斯模糊层次分析法和熵权法计算得到的网络状态属性主观权重、客观权重，得到具有相同解的式(20)；计算出组合系数集{a1，a2}，并进行归一化处理：最后，将和代入式(18)，获得网络状态属性f
j
的综合权重w
j
：7.根据权利要求1所述的基于博弈论和自适应跳跃的异构车载网络选择方法，其特征在于：步骤5中，基于马尔科夫计算候选网络的综合效用值c，具体实现包括以下子步骤：步骤5.1：记网络状态空间集合为q＝{q1,q2,
…
,q
m
}，且q
i
＝h
i1
h
i2
h
ij
…
h
in
；令l为车辆终端的服务时间，q
l
为l时刻的网络状态，且对于任意随机整数l∈l和任意随机q
l
∈q，网络状态转移概率均符合p[q
l+1
|q1,q2,
…
,q
l
]＝p[q
l+1
|q
l
]，上述随机过程为马尔可夫过程；步骤5.2：令决策时刻第i个网络处于状态x，车辆终端接入该网络后的状态转移为y的概率为p[y|x,i]，则有：则有：其中，a(x,i)为第i个候选网络进行决策时处于状态x的效用值，h
ij
(x)是第i个候选网络处于状态x的第j个状态属性值，1≤i≤m，1≤j≤n；w
j
为网络状态属性f
j
的综合权重；步骤5.3：计算第i个候选网络的综合效用值c
i
：c
i
＝a(x,i)+∑
y∈s
p[y|x,i]a(y,i)
ꢀꢀ
(25)
其中，a(y,i)为车辆终端选择第i个候选网络切换后该网络处于状态y时的效用值。8.根据权利要求1-7任意一项所述的基于博弈论和自适应跳跃的异构车载网络选择方法，其特征在于，步骤6的具体实现包括以下子步骤：步骤6.1：引入负载平衡因子γ计算切换阈值t的值；t＝γt
f
ꢀꢀ
(26)其中，t
f
为常数，load
t
表示具有最大综合效用值的网络的负载，load
i
表示第i个网络的负载；步骤6.2：当前接入网络记为n
access
，具有最大综合效用值的网络记为n
max
；若n
access
＝n
max
，则执行步骤6.3，否则执行步骤6.4；步骤6.3：保持当前网络接入状态，跳过本次网络切换操作，本流程结束；步骤6.4：当前接入网络的综合效用值记为c
access
，最大综合效用值记为c
max
；若(c
access
<c
max
)&&(c
max-c
access
)>t，则执行步骤6.5，否则执行步骤6.3；步骤6.5：进行网络切换操作，接入最大效用值网络n
max
，本流程结束。9.一种基于博弈论和自适应跳跃的异构车载网络选择系统，用于由双向车道、多种类型网络的路侧单元和云服务器构成的交通环境中，交通环境中车辆之间以及车辆和路侧单元之间进行信息交互；其特征在于，包括以下模块：模块1，用于所述路侧单元实时监测和收集车辆信息和网络状态属性信息，并将车辆信息和网络状态属性信息上传给所述云服务器；所述车辆信息包括车辆标识符、速度、位置和业务类型，其中业务类型包括语音对话、实时流媒体、网络交互和后台下载四种类型；所述网络状态属性信息包括带宽、时延、时延抖动、丢包率和价格成本；模块2，用于所述云服务器利用网络状态属性信息构建初始化判决矩阵h，将判决矩阵h进行标准化和归一化处理；所述云服务器利用网络状态属性信息构建初始化判决矩阵h，记候选网络集合n＝{n1,n2,
…
,n
m
}，每个网络状态属性集合f＝{f1,f2,
…
,f
n
}，m是候选网络数量，n是属性数量，初始化判决矩阵h为：其中，h
ij
是第i个候选网络的第j个状态属性值，1≤i≤m，1≤j≤n；模块3，用于计算网络状态属性的主观权重w
sub
，计算网络状态属性的客观权重w
obj
；模块4，用于基于博弈论权衡主观权重、客观权重，计算网络状态属性的综合权重w；模块5，用于计算候选网络的综合效用值c；模块6，用于基于自适应跳跃机制选择并接入最大综合效用值网络。

技术总结

本发明公开了一种基于博弈论和自适应跳跃的异构车载网络选择方法及系统，首先路侧单元实时监测和收集车辆信息和网络状态属性信息，上传至云服务器后构建网络状态属性参数初始化决策矩阵，并进行标准化和归一化处理；接着采用毕达哥拉斯模糊层次分析法计算网络状态属性的主观权重，采用熵权法计算网络状态属性的客观权重，基于博弈论权衡主、客观权重，计算网络状态属性的综合权重，基于马尔科夫计算候选网络的综合效用值；最后提出一种基于网络负载的自适应跳跃机制，通过动态调整网络切换阈值，减少不必要的网络切换。本发明能适应复杂异构车载网络环境下的动态车流变化，有效减少网络的平均切换次数，避免“乒乓效应”和提高网络资源利用率。网络资源利用率。网络资源利用率。