一种基于周边节点密度预测的车联网功率控制方法

1.本发明涉及无线通信与车联网技术领域，具体涉及一种基于周边节点密度预测的车联网功率控制方法。


背景技术：

2.随着社会的发展和人们生活水平的日益提高，各类交通工具的增加极大地方便了人们的日常出行；另一方面，道路上车辆的不断增多也给出行安全、效率等带来了更大的挑战。
3.车联网的快速发展为上述问题带来了解决方案。为实现高质量的车与车通信，3gpp在release14中定义了两种通信模式，即模式3和模式4。在模式3中，车辆在蜂窝网络的覆盖范围内，站点的资源由基站(enodeb)选择、分配和预留。在模式4中，车辆无需任何蜂窝基础设施支持即可自主选择和管理其无线电资源。由于尚未实现蜂窝全覆盖，因此模式4c-v2x被认为是c-v2x的基线模式。
4.模式4定义了基于感知的半持久调度(sps)方案，该方案下，车辆在发送消息前一段时间内(感知窗口)需要定期监测信道资源使用状况并使用其中的可用资源。对于如何解决高密度环境下的网络拥塞问题，现有研究通常考虑感知期间得到的信道信息来进行功率或速率控制(如sps++)，或对感知策略进行优化以选择更合适的无线电资源(如sts-rs)。这些方案基于感知窗口期间获取的信息，无法及时对发送期间周边环境的变化做出反应，容易出现数据包投递率降低，吞吐量减小的问题，在高密度环境下难以维持通信的质量。
5.现有技术中，一种拥塞控制方法及车载终端(202110756540.2)的不足具体如下：
6.(1)没有考虑车辆发送消息期间的道路环境；
7.(2)拥塞控制方式为将发射功率修改为预测比例或固定值，控制效果较为激进。


技术实现要素：

8.为了克服现有拥塞控制技术中车辆在发送消息时易受环境变化影响，导致数据包投递率和吞吐量降低的缺点，本发明提供一种基于周边节点密度预测的车联网功率控制方法，在感知窗口收集周边节点密度信息，通过lstm网络预测发送期间的周边节点密度，以克服未知环境给半双工通信车辆带来的影响；同时对发送功率进行分段和较为平稳的控制，提升数据包投递率和网络吞吐量。
9.本发明的目的至少通过如下技术方案之一实现。
10.一种基于周边节点密度预测的车联网功率控制方法，具体包括如下步骤：
11.s1、构建动态的车对车通信模型；
12.s2、构建用于预测车辆周边节点密度的lstm网络；
13.s3、收集道路上车辆的位置和密度信息，对构建的lstm网络进行训练；
14.s4、利用训练好的lstm网络对车辆发送数据期间的周边密度进行预测，判断当前路段车联网拥塞程度；
15.s5、根据s4中的判断结果进行分段的功率控制；
16.进一步地，步骤s1过程如下：
17.s1.1、建立动态的车对车通信场景；
18.s1.2、建立车与车通信模型。
19.进一步地，步骤s1.1中，建立动态的车对车通信场景，具体如下：
20.n辆车行驶在双向四车道高速公路路段上，路段总长度为l，每个车道宽度为w；车辆集合为n＝{1,2,
…
,n}；车辆位置服从基于车间间距的泊松分布；设该路段为从左到右横向延伸，以最下方第一车道最左端距离第二车道最远位置为原点，以车道分布方向为x轴，车道向右延伸方向为y轴。则n辆车的位置表示为(xn，yn)，其中xn表示车辆在x轴的位置，xn∈[0,4*w]，yn表示车辆在y轴的位置,yn∈[0,l]；
[0021]
一二车道的车辆行驶方向相同，三四车道上车辆的行驶方向与一二车道上车辆的行驶方向相反，所有车辆均为匀速行驶，速度为v；所有车辆均配有一个lstm预测网络模块。
[0022]
进一步地，步骤s1.2中，建立车与车通信模型，其中主要通信方式基于3gpp release14规定的模式4，即车辆不借助基站自主选择无线电资源和进行消息接收和发送，具体如下：
[0023]
车辆在某一时刻t发送消息给其他车辆，则其需要在感知窗口内监测无线电信道资源；将该感知窗口均匀划分为10个子窗口，车辆在每个子窗口期间监测各资源块的使用情况，并选择自己需要的资源块发送消息，发送次数rc为范围在[5,15]之间的随机数；每次发送消息后，rc的值减一，等rc归零时，则需要重新监测资源，选择和发送，步骤与之前相同；
[0024]
除了监测信道资源外，车辆在每个子窗口内还记录能够感知到的周边节点数量，表示为n
neighbor
＝{n1,n2,
…
,n
10
}；然后，将n
neighbor
作为输入送往lstm网络进行训练和优化。
[0025]
进一步地，步骤s2中，构建的用于预测车辆周边节点密度的lstm网络的输入为每个感知窗口得到的周边密度数组；在lstm网络末尾添加一个线性层；
[0026]
对整个lstm网络进行训练和优化，将lstm网络最后一个状态通过该层输出得到一个预测的周边密度值ρ
pred
，用于后续的功率控制过程。
[0027]
进一步地，步骤s3中，数据的收集和训练lstm网络过程如下：
[0028]
s3.1、收集数据和预处理，得到训练集、验证集和测试集；
[0029]
s3.2、输入感知窗口内的周边密度，根据lstm网络预测的t时刻周边密度及t时刻实际密度值更新网络权重；
[0030]
s3.3、重复步骤s3.3，直到遍历完整个训练集；
[0031]
s3.4、利用验证集对lstm网络进行评估，并优化相关超参数；
[0032]
s3.5、记录多个验证集测试结果相近的lstm网络模型，利用测试集进行评估，选择评估结果最佳的lstm网络用于后续预测过程。
[0033]
进一步地，步骤s3.1中，由于需要根据感知窗口的十个周边密度值进行预测，因此需要将每个感知窗口得到的周边密度作为一组输入(input)，资源选择窗口的周边密度作为输出(output)，分别转换为数组格式并做归一化处理；
[0034]
归一化过程表示为：
[0035]
seq_opt＝(seq
–
mean(seq))/std(seq)
[0036]
其中，seq_opt表示经过归一化的数据，seq表示获得的初始数据，mean(*)表示对括号内变量取均值，std(*)表示对括号内变量取方差；然后根据得到的数据划分数据集，分别为训练集、验证集和测试集，比例为7:2:1。
[0037]
进一步地，步骤s4中，根据lstm网络预测的周边节点密度ρ
pred
大小判断场景中网络拥塞程度；
[0038]
规定周边节点数最大值为ρ
max
，可以得到繁忙因子η，表示为：
[0039]
η＝ρ
pred
/ρ
max
[0040]
根据η的大小划分不同的节点密度范围，分别表示低密度、适中密度以及高密度；设η
upper
表示高密度和中密度边界，η
lower
表示中密度和低密度边界，根据η所在区间进行分区的功率控制。
[0041]
进一步地，步骤s5中，根据处于不同区间的密度因子η及n时刻发送功率pn设置下一次的发送功率p
n+1
，表示如下：
[0042]
p
n+1
＝pn+p
change
[0043]
其中，p
change
表示每次调整的发射功率大小。
[0044]
进一步地，根据不同的周边密度，p
change
的取值具体如下：
[0045]
当η＞η
upper
，即车辆处于高密度环境：
[0046]
p
change
＝p
tx-,
[0047]
其中，p
tx-表示需要减少的发射功率；周边节点密度高时，需要场景内所有车辆降低发射功率，从而减小干扰；考虑到sigmoid拥有良好的非线性特点，常用作神经网络中的激活函数，表示为：
[0048][0049]
因此将sigmoid函数用于调节车辆发射功率，可以更灵活地适应变化的节点密度；发射功率减小幅度表示为：
[0050]
p
tx-＝-asigmoid((η-η
upper
)/(η
upper-η
lower
))
[0051]
其中，a为每次功率改变的增幅值；为防止发射功率过小导致通信质量，规定p
min
为10dbm，表示车辆的最小发射功率，则功率减小幅度受限于：
[0052]
p
tx-＝min(p
tx-,p
n-p
min
)；
[0053]
当η
lower
＜η＜η
upper
，即道路上节点密度适中，则希望缓慢提高车辆发射功率，以提高车辆消息的传播距离，此时发射功率增加幅度表示为：
[0054][0055]
其中，θ＝0.5，为平滑因子；
[0056]
s5.3、当η＜η
lower
，即车辆处于低密度环境，该情况下需要提高车辆发送功率，以便提升消息包的传播的范围；此时，发射功率的提升幅度表示为：
[0057]
p
change
＝p
tx+
[0058]
其中，p
tx+
表示需要提升的发射功率，表示为
[0059]
p
tx+
＝a-asigmoid((η
lower-η)/(η
upper-η
lower
))
[0060]
由于实际设备物理性能限制，发射功率最大为p
max
＝23dbm，因此发射功率的提升幅度受限于：
[0061]
p
tx+
＝min(p
tx+
,p
max-pn)。
[0062]
本发明与现有技术相比，具有如下优点和有益效果：
[0063]
(1)本发明公开的一种基于周边节点密度预测的车联网功率控制方法，利用预测的方式模拟全双工通信，减小了半双工通信模式下车辆在发送期间不能获取周边节点信息带来的影响，能有效提高通信的数据包投递率和吞吐量；
[0064]
(2)本发明根据实际情况分区调整发射功率变化幅度，能灵活适应不同节点密度下的车联网网络环境，模型的稳定性较好。
附图说明
[0065]
图1是本发明实施例中车对车通信的场景示意图；
[0066]
图2是本发明实施例中公开的一种基于周边节点密度预测的车联网功率控制方法的流程图；
[0067]
图3是本发明实施例中基于感知的半持久调度算法过程示意图；
[0068]
图4是本发明实施例中lstm网络的结构示意图；
[0069]
图5是本发明实施例中车辆数对不同方案的数据包投递率影响对比图；
[0070]
图6是本发明实施例中车辆数对不同方案的系统吞吐量影响对比图；
[0071]
图7是本发明实施例中网络平均时延的累积分布函数对比图。
具体实施方式
[0072]
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用于解释本发明，并不用于限定本发明。
[0073]
实施例1：
[0074]
如图2所示为本实施例中公开一种基于周边节点密度预测的车联网功率控制方法，在基于感知的半持久调度过程中，加入lstm网络作为辅助，收集周边密度，进行预测并控制发射功率，具体步骤包括：
[0075]
s1、建立如图1所示的车对车通信场景。场景建立步骤如下：
[0076]
s1.1、建立动态的车对车通信场景。n辆车行驶在双向四车道高速公路路段上，路段总长度为l，每个车道宽度为w。车辆集合为n＝{1,2,
…
,n}；车辆位置服从基于车间间距的泊松分布。设该路段为从左到右横向延伸，以最下方第一车道最左端距离第二车道最远位置为原点，以车道分布方向为x轴，车道向右延伸方向为y轴。则n辆车的位置表示为(xn，yn)，其中xn表示车辆在x轴的位置，xn∈[0,4*w]，yn表示车辆在y轴的位置,yn∈[0,l]。一二车道的车辆行驶方向相同，三四车道上车辆的行驶方向与一二车道上车辆的行驶方向相反，所有车辆均为匀速行驶，速度为v；所有车辆均配有一个lstm预测网络模块；
[0077]
s1.2、建立车与车通信模型，其中主要通信方式基于3gpp release14规定的模式4，即车辆不借助基站自主选择无线电资源和进行消息接收和发送，具体如下：
[0078]
在一个实施例中，设置感知窗口为1000ms，如图3所示的半持久调度过程，车辆在
某一时刻t发送消息给其他车辆，则其需要在t时刻前1000ms内监测无线电信道资源。所提方法将该感知窗口均匀划分为10个子窗口，每个子窗口为100ms，车辆在每个子窗口期间监测各资源块的使用情况，并选择自己需要的资源块发送消息，发送次数rc为范围在[5,15]之间的随机数。每次发送消息后，rc的值减一，等rc归零时，则需要重新监测资源，选择和发送，步骤与之前相同。
[0079]
除了监测信道资源外，车辆在每个子窗口内还记录能够感知到的周边节点数量，表示为n
neighbor
＝{n1,n2,
…
,n
10
}。然后，将n
neighbor
作为输入送往lstm网络进行训练和优化。
[0080]
s2、构建用于预测车辆周边节点密度的lstm网络。
[0081]
其中，构建的lstm网络输入为每个感知窗口得到的周边密度数组；在lstm单元末尾添加一个线性层。对整个网络进行训练和优化，将网络最后一个状态通过该层输出得到一个预测的周边密度值ρ
pred
，用于后续的功率控制过程。
[0082]
s3、收集道路上车辆的位置和密度信息，对构建的lstm网络进行训练；其中，数据的收集和训练lstm网络过程如下：
[0083]
s3.1、收集数据和预处理。由于需要根据感知窗口的十个周边密度值进行预测，因此需要将每个感知窗口得到的周边密度作为一组输入(input)，资源选择窗口的周边密度作为输出(output)，分别转换为数组格式并做归一化处理。归一化过程表示为：
[0084]
seq_opt＝(seq
–
mean(seq))/std(seq)
[0085]
其中，seq_opt表示经过归一化的数据，seq表示获得的初始数据，mean(*)表示对括号内变量取均值，std(*)表示对括号内变量取方差；然后根据得到的数据划分数据集，分别为训练集、验证集和测试集，比例为7:2:1。
[0086]
s3.2、输入t时刻前1000ms内周边密度，根据预测的t时刻周边密度及t时刻实际密度值更新网络权重。
[0087]
s3.3、重复步骤s3.3，直到遍历完整个训练集。
[0088]
s3.4、利用验证集对网络进行评估，并优化相关超参数。
[0089]
s3.5、记录多个验证集测试结果相近的模型，利用测试集进行评估，选择测试结果最佳的网络用于后续预测过程。
[0090]
s4、利用训练好的lstm网络对车辆发送数据期间的周边密度进行预测，判断当前路段车联网拥塞程度；规定周边节点数最大值为ρ
max
，可以得到繁忙因子η，表示为：
[0091]
η＝ρ
pred
/ρ
max
[0092]
根据η的大小划分不同的节点密度范围，分别表示低密度、适中密度以及高密度。设η
upper
表示高密度和中密度边界，η
lower
表示中密度和低密度边界，根据η所在区间进行分区的功率控制；
[0093]
s5、根据处于不同区间的密度因子η及n时刻发送功率pn设置下一次的发送功率p
n+1
，表示如下：
[0094]
p
n+1
＝pn+p
change
[0095]
其中p
change
表示每次调整的发射功率大小。根据不同的周边密度，p
change
分别表示为：
[0096]
当η＞η
upper
，即车辆处于高密度环境：
[0097]
p
change
＝p
tx-,
[0098]
其中，p
tx-表示需要减少的发射功率。周边节点密度高时，需要场景内所有车辆降低发射功率，从而减小干扰。考虑到sigmoid拥有良好的非线性特点，常用作神经网络中的激活函数，表示为：
[0099][0100]
因此将sigmoid函数用于调节车辆发射功率，可以更灵活地适应变化的节点密度。发射功率减小幅度p
tx-表示为：
[0101]
p
tx-＝-asigmoid((η-η
upper
)/(η
upper-η
lower
))
[0102]
其中，a为每次功率改变的增幅值，在一个实施例中，为取得信道利用率和数据包投递率之间的折衷，规定a的值为5.0，以防止功率调整过程过于激进；为防止发射功率过小导致通信质量，规定p
min
为10dbm，表示车辆的最小发射功率，则功率减小幅度受限于：
[0103]
p
tx-＝min(p
tx-,p
n-p
min
)
[0104]
当η
lower
＜η＜η
upper
，即道路上节点密度适中，我们希望缓慢提高车辆发射功率，以提高车辆消息的传播距离，此时发射功率增加幅度p
change
表示为：
[0105][0106]
其中，θ＝0.5，为平滑因子；
[0107]
当η＜η
lower
，即车辆处于低密度环境，该情况下需要提高车辆发送功率，以便提升消息包的传播的范围。此时，发射功率的提升幅度p
tx+
表示为：
[0108]
p
change
＝p
tx+
[0109]
其中，p
tx+
表示需要提升的发射功率，表示为
[0110]
p
tx+
＝a-asigmoid((η
lower-η)/(η
upper-η
lower)
)
[0111]
由于实际设备物理性能限制，发射功率最大为p
max
＝23dbm，因此发射功率的提升幅度受限于：
[0112]
p
tx+
＝min(p
tx+
,p
max-pn)
[0113]
本实施例的具体仿真参数如表1所示。
[0114]
表1.仿真参数设置表
[0115][0116][0117]
在一个实施例中，图5、图6、图7分别为本发明与3gpp规定的基准方法(方法1)，基于信道使用状况进行速率控制的方法(方法2)以及基于信道使用状况进行功率控制的方法(方法3)进行模式4通信的结果对比图。方法2根据信道繁忙率判断拥塞程度，并根据拥塞程度的不同将发射速率修改为预设的数值或比例。方法3根据信道繁忙率判断拥塞程度，并根据拥塞程度的不同将发射功率修改为预设的数值或比例。
[0118]
图5是车辆数与数据包投递率的关系图。由图可知，随着道路上车辆数量的增加，总体数据包投递率呈现下降趋势。与方法1相比，所提方法和方法2、方法3都采取了一定的拥塞控制措施，因此得到了更高的数据包投递率，提升了高密度环境下车辆之间的通信质量。然而，所提方法根据节点密度灵活控制功率变化幅度，因此在高密度环境下所提方法相对更为稳定。所提方法相比其他三种方法，车辆节点的数据包投递率更高。
[0119]
图6是车辆数与网络平均吞吐量的关系图。由图可知，随着车辆密度的增大，网络平均吞吐量降低。尽管方法2通过降低发送速率减小了信道负载，然而相同时间内消息传输数量显著降低，使得吞吐量下降；方法3功率控制方法较为激进，大幅降低了消息的传播范
围，因此可接收消息的节点数量大幅减少，导致吞吐量明显下降。所提方法进行了平稳的功率控制，且算法与发送速率无关，因此与其他三种方法相比，网络的平均吞吐量更高。
[0120]
图7是车辆数为250辆/千米时不同方法的包间接收间隔(ipg)的累积分布函数图。由图可知，方案2由于降低了发送速率，导致包间接收间隔增大。所提方法不涉及数据发送速率，与方法1和方法3无明显差别，维护了车对车通信的及时性。
[0121]
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

技术特征：
1.一种基于周边节点密度预测的车联网功率控制方法，其特征在于，具体包括如下步骤：s1、构建动态的车对车通信模型；s2、构建用于预测车辆周边节点密度的lstm网络；s3、收集道路上车辆的位置和密度信息，对构建的lstm网络进行训练；s4、利用训练好的lstm网络对车辆发送数据期间的周边密度进行预测，判断当前路段车联网拥塞程度；s5、根据s4中的判断结果进行分段的功率控制。2.根据权利要求1所述的一种基于周边节点密度预测的车联网功率控制方法，其特征在于，步骤s1过程如下：s1.1、建立动态的车对车通信场景；s1.2、建立车与车通信模型。3.根据权利要求2所述的一种基于周边节点密度预测的车联网功率控制方法，其特征在于，步骤s1.1中，建立动态的车对车通信场景，具体如下：n辆车行驶在双向四车道高速公路路段上，路段总长度为l，每个车道宽度为w；车辆集合为n＝{1,2,
…
,n}；车辆位置服从基于车间间距的泊松分布；设该路段为从左到右横向延伸，以最下方第一车道最左端距离第二车道最远位置为原点，以车道分布方向为x轴，车道向右延伸方向为y轴；则n辆车的位置表示为(x
n
,y
n
)，其中x
n
表示车辆在x轴的位置，x
n
∈[0,4*w]，y
n
表示车辆在y轴的位置,y
n
∈[0,l]；一二车道的车辆行驶方向相同，三四车道上车辆的行驶方向与一二车道上车辆的行驶方向相反，所有车辆均为匀速行驶，速度为v；所有车辆均配有一个lstm预测网络模块。4.根据权利要求3所述的一种基于周边节点密度预测的车联网功率控制方法，其特征在于，步骤s1.2中，建立车与车通信模型，其中主要通信方式基于3gpp release14规定的模式4，即车辆不借助基站自主选择无线电资源和进行消息接收和发送，具体如下：车辆在某一时刻t发送消息给其他车辆，则其需要在感知窗口内监测无线电信道资源；将该感知窗口均匀划分为10个子窗口，车辆在每个子窗口期间监测各资源块的使用情况，并选择自己需要的资源块发送消息，发送次数rc为范围在[5，15]之间的随机数；每次发送消息后，rc的值减一，等rc归零时，则需要重新监测资源，选择和发送，步骤与之前相同；除了监测信道资源外，车辆在每个子窗口内还记录能够感知到的周边节点数量，表示为n
neighbor
＝{n1，n2，...，n
10
}；然后，将n
neighbor
作为输入送往lstm网络进行训练和优化。5.根据权利要求1所述的一种基于周边节点密度预测的车联网功率控制方法，其特征在于，步骤s2中，构建的用于预测车辆周边节点密度的lstm网络的输入为每个感知窗口得到的周边密度数组；在lstm网络末尾添加一个线性层；对整个lstm网络进行训练和优化，将lstm网络最后一个状态通过该层输出得到一个预测的周边密度值ρ
pred
。6.根据权利要求5所述的一种基于周边节点密度预测的车联网功率控制方法，其特征在于，步骤s3中，数据的收集和训练lstm网络过程如下：s3.1、收集数据和预处理，得到训练集、验证集和测试集；s3.2、输入感知窗口内的周边密度，根据lstm网络预测的t时刻周边密度及t时刻实际
密度值更新网络权重；s3.3、重复步骤s3.3，直到遍历完整个训练集；s3.4、利用验证集对lstm网络进行评估，并优化相关超参数；s3.5、记录多个验证集测试结果相近的lstm网络模型，利用测试集进行评估，选择评估结果最佳的lstm网络用于后续预测过程。7.根据权利要求6所述的一种基于周边节点密度预测的车联网功率控制方法，其特征在于，步骤s3.1中，由于需要根据感知窗口的十个周边密度值进行预测，因此需要将每个感知窗口得到的周边密度作为一组输入(input)，资源选择窗口的周边密度作为输出(output)，分别转换为数组格式并做归一化处理；归一化过程表示为：seq_opt＝(seq-mean(seq))/std(seq)其中，seq_opt表示经过归一化的数据，seq表示获得的初始数据，mean(*)表示对括号内变量取均值，std(*)表示对括号内变量取方差；然后根据得到的数据划分数据集，分别为训练集、验证集和测试集，比例为7：2：1。8.根据权利要求1所述的一种基于周边节点密度预测的车联网功率控制方法，其特征在于，步骤s4中，根据lstm网络预测的周边节点密度ρ
pred
大小判断场景中网络拥塞程度；规定周边节点数最大值为ρ
max
，可以得到繁忙因子η，表示为：η＝ρ
pred
/ρ
max
根据η的大小划分不同的节点密度范围，分别表示低密度、适中密度以及高密度；设η
upper
表示高密度和中密度边界，η
lower
表示中密度和低密度边界，根据η所在区间进行分区的功率控制。9.根据权利要求8所述的一种基于周边节点密度预测的车联网功率控制方法，其特征在于，步骤s5中，根据处于不同区间的密度因子η及n时刻发送功率p
n
设置下一次的发送功率p
n+1
，表示如下：p
n+1
＝p
n
+p
change
其中，p
change
表示每次调整的发射功率大小。10.根据权利要求9所述的一种基于周边节点密度预测的车联网功率控制方法，其特征在于，根据不同的周边密度，p
change
的取值具体如下：当η＞η
upper
，即车辆处于高密度环境：p
change
＝p
tx-，其中，p
tx-表示需要减少的发射功率；考虑到sigmoid拥有良好的非线性特点，常用作神经网络中的激活函数，表示为：因此将sigmoid函数用于调节车辆发射功率；发射功率减小幅度表示为：p
tx-＝-asigmoid((η-η
upper
)/(η
upper-η
lower
))其中，a为每次功率改变的增幅值；p
min
表示车辆的最小发射功率，则功率减小幅度受限于：p
tx-＝min(p
tx-，p
n-p
min
)；
当η
lower
＜η＜η
upper
，即道路上节点密度适中，此时发射功率增加幅度表示为：其中，θ＝0.5，为平滑因子；s5.3、当η＜η
lower
，即车辆处于低密度环境，此时，发射功率的提升幅度表示为：p
change
＝p
tx+
其中，p
tx+
表示需要提升的发射功率，表示为p
tx+
＝a-asigmoid((η
lower-η)/(η
upper-η
lower
))最大发射功率为p
max
，因此发射功率的提升幅度受限于：p
tx+
＝min(p
tx+
，p
max-p
n
)。

技术总结
本发明公开了一种基于周边节点密度预测的车联网功率控制方法。所述方法具体包括如下步骤：构建动态的车对车通信模型；构建用于预测车辆周边节点密度的LSTM网络；收集道路上车辆的位置和密度信息，对构建的LSTM网络进行训练；利用训练好的LSTM网络对车辆发送数据期间的周边密度进行预测，判断当前路段车联网拥塞程度；根据判断结果进行分段的功率控制。本发明在C-V2X模式4中引入LSTM网络，在感知窗口收集周边节点密度信息，对发送消息期间的节点密度进行预测，并进行分段功率控制，能够有效应对半双工通信车辆在发送期间不能得知环境变化的问题，提高数据包投递率和网络吞吐量。提高数据包投递率和网络吞吐量。提高数据包投递率和网络吞吐量。


技术研发人员：胡斌杰 朱泓芊
受保护的技术使用者：华南理工大学
技术研发日：2023.03.17
技术公布日：2023/9/26