车联网环境下基于QoS的行车主动服务选取方法

2019-02-06陈龙，张笛，梁军

重庆理工大学学报(自然科学) 2019年12期

陈龙，张笛，梁军

（江苏大学汽车工程研究院，江苏镇江 212013）

随着车联网技术和大数据技术的快速发展，web服务的种类和数量不断增加，而基于web服务的行车主动服务系统（Driving Active Service System，DASS）也应运而生。行车主动服务成功运作的关键就在于如何从海量的网络服务中选取高质量、使供需双方实现利益最大化的服务。有众多的专家学者认为，在给用户选取服务时，不仅需要考虑该服务是否能够满足用户的功能性需求，还应该关心该服务的非功能性需求，即服务质量（quality of service，QoS）。

文献［1］针对当前“请求-响应”被动式行车服务的不足，提出了基于多智能体（multi-agent system，MAS）分层控制的“自动识别-主动推送”形式的行车主动服务系统（driving active service system，DASS）。文献［2］针对DASS服务质量评价，提出借助车辆网技术融合服务鲁棒性、自主性、自适应性、扩展性以及实时性的DASS服务质量5维定量评价体系。在web服务选取领域，文献［3］提出了一种基于用户满意度的服务排序选取方法，利用候选服务的QoS参数值和用户对QoS参数的要求值计算所有候选服务每个QoS参数的满意度，再将所有参数的满意度加权合成一个综合满意度，并将此作为服务排序选取的依据。文献［4］采用模糊逻辑计算QoS参数的模糊数值，基于此计算QoS不同参数之间的关联距离和关联矩阵，再据此计算QoS参数的权重，最后加权得到每个候选服务的推荐值并用于服务排序选取。文献［5-6］提出一种考虑QoS数据不确定的服务选取方法，采用QoS参数反馈的相似度计算QoS聚合值的权重，并结合用户的QoS评价和数量计算服务的推荐度，通过分析QoS数据的不确定性和去除QoS数据波动较大的web服务，提高了服务选取结果的准确性和可靠性。文献［6-7］提出了一种支持QoS评价的web服务推荐模型，其核心是根据用户确定的功能和QoS需求，基于现有的QoS评价指数进行服务推荐。

上述文献所研究的服务选取算法结合行车主动服务存在以下不足：

1）没有考虑服务质量QoS参数值的动态性，该动态性主要体现在行车主动服务是在动态的网络环境以及动态的交通环境中运行的，例如网络波动、车辆位置、交通拥堵、交通事故等因素都会导致行车主动服务的QoS参数值发生变化，导致基于确定性QoS的服务选取方法精准度不够，推送的行车服务不一定符合行车用户的服务需求。所以，考虑QoS参数值的动态性应作为行车主动服务选取的前提，而已有的大多数服务选取算法模型没有考虑到QoS参数值的动态性。

2）QoS参数权重分配不合理。目前主要有2种赋权评价法［8］，分别是主观赋权评价法［9］和客观赋权评价法，主观赋权评价法的服务QoS权重是根据人的经验给出权重的大小，完全由行车用户自己决定，主观随意性较大，往往用户更加偏向于对QoS参数排序来确定其偏好，比如服务价格＞服务响应时间＞服务衍生费用＞服务执行时间等。客观赋权评价法是由客观数据来确定QoS参数的权重，其计算出的结果具有较强的理论依据，但是忽视了行车用户的主观偏好。

针对以上问题，本文提出基于动态QoS和主客观赋权评价法的行车主动服务选取方法，首先建立QoS模型来表示QoS参数值的动态性，再用区间相似度来衡量候选行车主动服务的QoS参数值和行车用户服务需求值的相似程度。之后在考虑行车用户主观偏好和客观数据的基础上得出QoS参数综合权重。最后计算出所有行车服务的推荐度并选取最优的服务来满足客户的要求。

1 基于区间数相似度的DASS-QoS评价

行车主动服务的QoS参数主要包括服务响应时间（response time，Tr）、服务执行时间（derivative time，Td）、服务价格（service cost，Cs）、服务衍生费用（derivative cost，Cd），以及服务的鲁棒性（robustness，Pr）、主动性（initiative，Pi）、自适应性（adaptability，Pa）、扩展性（expansibility，Pe）。每一个服务参数都从不同的角度对服务质量进行评价。由于行车主动服务的运行环境是动态的，主要体现在车联网络环境的动态性和交通环境的动态性，所以行车主动服务的QoS也是动态的，本文采用区间来表示QoS参数数值的波动范围，即其动态变化的范围。

1.1 DASS-QoS参数描述与建模

本文将行车主动服务的QoS参数定义为1个8维向量M＝｛Tr，Td，Cs，Cd，Pr，Pi，Pa，Pe｝，下面分别介绍每一个参数的具体含义及其区间表现形式。

1）服务响应时间（response time，Tr）：指从感知用户需求到用户获取服务的这段时间。服务的响应时间受到网络环境的影响，所以具有动态不确定性。其描述区间为

2）服务执行时间（derivative time，Td）：指从用户获取服务到整个服务执行结束的这段时间，比如说，行车主动服务系统给行车用户提供一个路线规划服务，服务执行时间就是指从行车用户收到路线规划服务指令到行车用户驾车到达目的地的这段时间。在这过程中，服务的执行时间会受到交通拥堵和交通事故等因素的影响，所以具有动态不确定性，其描述区间为

3）服务价格（service cost，Cs）：指服务本身的价值，可以是免费的，也可以是收费的，价格由行车主动服务调度中心制定，由行车用户承担。具备动态不确定性，其描述区间为

4）服务衍生费用（derivative cost，Cd）：指用户获取服务到整个服务流程结束的这段时间内，用户根据服务指令指导所产生的费用。比如说，行车主动服务系统给行车用户提供一个路线规划服务，服务衍生费用就是指行车用户通过规划路线时所产生的油费、过路费等由行车用户自行承担的费用。其描述区间为

5）鲁棒性（robustness，Pr）：指感知环境有偏差时或者感知的环境信息与数据库已存信息有偏差时经过算法仍能输出正确服务。受到气候状况、交通状况、事故因素和道路条件等环境因素的影响，其描述区间为

6）主动性（initiative，Pi）：指行车主动服务系统能够自主地将个性化服务推送到不同需求的行车用户。受到总信息量、系统控制量、信息收集时间和系统模拟总时间的影响，其描述区间为［μPi-

7）自适应性（adaptability，Pa）：指能够感知不同环境自主推送的服务，能适应不同的行车用户，受到不同类型服务所占的比重和不同类型服务的车辆总数的影响，其描述区间为

8）扩展性（expansibility，Pe）：指感知到数据库中未包含此项服务，正确服务后能自主将此信息扩展至原服务库。受到总信息量、系统控制量、信息收集时间和系统模拟总时间的影响，其描述区间为

其中，QoS参数值的均值为：

QoS参数值的方差：

式（1）（2）中，M＝｛Tr，Td，Cs，Cd，Pr，Pi，Pa，Pe｝，Qi表示某一类服务集中第i个服务的QoS参数值，i＝1，2，3，…，n。

1.2 区间数相似度计算

上述区间可以描述行车主动服务在动态的网络交通环境中QoS参数值的波动情况，而行车用户的QoS需求值也要用区间来表示［10］。为了表示两者的相似程度，引入区间数和相似度的概念。

定义1（区间数）记［x-，x＋］，其中x-，x＋∈R，R为实数集，称Z为区间数。

定义2（区间相似度）若有2个区间数Zx、Zy，记Zx为行车用户对某QoS参数需求的区间数，Zy为候选服务的该QoS参数区间数，其中Zx＝［x-，x＋］，Zy＝［y-，y＋］，定义Zx、Zy的相似度函数为

由式（3）可以得到以下结论：当x＋≤y＋且x-≥y-时，候选服务的QoS参数区间被用户需求区间包含，说明完全符合用户需求，所以相似度为1；当x-＞y＋或x＋＜y-时，候选服务QoS参数区间和用户需求区间完全不相交，说明完全不符合用户需求，所以相似度为0；当x＋＞y＋且y-＜x-＜y＋或者x-＜y-且y-＜x＋＜y＋时，候选服务的QoS参数区间和用户需求区间部分重合，这时，重合区间部分占用户需求区间的比例就成了候选服务QoS参数和用户需求QoS参数的相似度。

根据QoS参数区间数相似度的计算方法，可以将l个候选服务的8个QoS参数的相似度列为1个l×8的矩阵G。

式中：δij表示第i个候选服务的第j项QoS参数的区间数与行车用户所需求的QoS参数的区间数的相似度，也就是与用户需求的接近程度。

2 基于主客观QoS参数权重的DASS服务选取

得到候选行车服务的QoS参数值与用户需求的参数值的相似度之后，结合相应的QoS参数权重，便可以得出候选行车服务的推荐值，系统可以根据这个推荐值来排序，并选取QoS最优的行车服务推送给行车用户［11］。因此，如何得到合理的QoS参数权重值就成了服务选取的关键［12］。在已有的研究中，总体上可以分为主观赋权法和客观赋权法。主观赋权法是凭借人的主观判断对客观问题进行赋权，主要方法有层次分析法［13］和模糊评价法［14］等；客观赋权法是对客观数据进行分析来推算权重的方法，主要有TOPSIS法［15］、灰色关联分析法［16］等。

2.1 DASS-QoS参数主观权重

主观权重是凭借用户的经验和主观判断对客观问题进行赋权，因此可以反映用户的主观爱好，但是这需要对相关领域的知识进行学习了解，在行车主动服务领域［17］，客户所能接触到的只有服务响应时间、服务执行时间、服务价格以及服务衍生费用这些较为直观的参数，而服务的鲁棒性、主动性、自适应性、可扩展性这些比较抽象的参数则很难被行车用户所理解，也很难直观地感受到这些参数带来的影响［18］。因此，在设置行车用户主观偏好参数向量时，优先考虑服务响应时间、服务执行时间、服务价格以及服务衍生费用这些参数［19］。

定义1（主观偏好参数赋权向量）令行车用户主观偏好参数向量为Wobj＝｛w′1，w′2，w′3，w′4，w′5，w′6，w′7，w′8｝，该向量中的元素为行车主动服务的QoS参数的主观赋权值。

此向量按从大到小排序，表示用户对这些参数的偏好程度按照排序由高到低减小。例如Wsub＝｛w′Cs，w′Cd，w′Td，w′Tr，w′Pr，w′Pe，w′Pi，w′Pa｝，表示用户的偏好由高到低依次是服务价格、服务衍生费用、服务执行时间、服务响应时间、服务的鲁棒性、可扩展性、主动性、自适应性。

2.2 DASS-QoS参数客观权重

本文的1.1节已对行车主动服务的动态QoS的波动范围进行了描述和建模。在对参数数据进行统计和处理之后，得到了如表1所示的评价信息矩阵。

表1 QoS参数动态信息

本文以熵权法［20］为基础来计算每个行车主动服务QoS参数的客观权重。具体方法为：对于n个服务的QoS参数建立如表1的QoS参数动态信息矩阵，再使用有序加权因子的方法，将区间转化为具体的数据。并得到数据化的X矩阵：

再对X矩阵使用熵值法来计算QoS参数的客观赋值权重，各参数的熵值Hi为：

由熵值Hi得到QoS参数权重：

其中wi∈（0，1），且∑wi＝1。

上述公式中：i＝1，2，3，…，n；j＝1，2，3，…，8；最终得到某一类行车服务的QoS参数客观赋权向量。

定义2（客观参数赋权向量）令客观参数赋权向量为Wobj＝｛w1，w2，w3，w4，w5，w6，w7，w8｝，该向量中的元素为利用熵值法计算出的行车主动服务QoS参数客观赋权值。

此向量排序与主观偏好参数向量相同，但不代表实际的从大到小的排序也是如此，这样排序是为了方便计算QoS参数综合权重。

2.3 DASS-QoS参数综合权重和服务排序选取

在2.1节和2.2节中，已经得到了DASS-QoS参数的主观偏好参数赋权向量Wobj＝｛w′1，w′2，w′3，w′4，w′5，w′6，w′7，w′8｝和客观参数赋权向量Wobj＝｛w1，w2，w3，w4，w5，w6，w7，w8｝。则2个向量的加权平均值即为DASS-QoS参数综合权重向量。

记W Q为DASS-QoS参数综合权重向量，则

在1.2节得到的候选服务的相似度矩阵G，将其乘以DASS-QoS参数综合权重，得到每个候选服务的推荐度矩阵，记为R。

推荐度矩阵R里的数据是服务1到l的推荐度R1到Rl，将其按从大到小的顺序排序，数值最大的服务即是推送给行车用户的服务。

3 仿真实验分析

由于DASS是“车-路-交通信息中心”的集成系统，故而在实际运作时存在一些成本、装备等的困难，所以选择在仿真环境下来验证本文提出的行车服务选取方法的可行性和有效性。其中，交通仿真场景和车联网通信部分在Prescan软件里实现，交通信息中心在Simulink模块搭建并给仿真环境中的车辆提供相对的行车服务。车辆的控制模块也由Matlab／Simulink模块中实现。

本次仿真实验是车辆动态路径规划服务，实验假设在城市道路中的某一些路口产生交通拥堵，交通信息中心将根据实时的道路交通情况并结合上文所述的服务选取方法，对途经拥堵交叉口的车辆进行再一次的路径规划，让行车用户获得推荐度最高的路径规划服务。

由于是在仿真环境进行试验，所以本次实验所考虑的DASS-QoS参数为服务执行时间Td和服务衍射费用Cd。在实验中，Td为行车用户接收到路线规划服务指令到行车用户驾车到达目的地的这段时间。因为在城市道路中行车没有过路费，所以Cd主要是在行驶过程中产生的油耗费用。

3.1 实验场景设计

实验选取城市区域某一段道路并在Prescan软件中搭建如图1所示的道路交通仿真场景，此场景中包含14个路口，其中有10个三叉路口、4个交叉路口，还有23条路段。每段路都是双向两车道。仿真环境中的车辆上装备雷达摄像头传感器系统用于行车信息采集和DSRC双向通讯装置用于行车信息交互，路侧也选用DSRC模块作为车辆通信装置。图2是道路交通仿真场景的三维效果图。

建立道路交通仿真场景后，通常需要将仿真环境中的路网图直观地表达出来，用节点代表其中的交叉口，用线段代表其中的路段，将路径规划问题转化到图中求解。本文根据仿真交通场景中的路网分布绘制了对应的道路联通状态图，如图3所示，并对每1个节进行了编号，每个路口节点的（X，Y）坐标如表2所示。

图1 道路交通仿真场景平面图

图2 道路交通仿真场景三维效果图

图3 道路联通状态图

表2 道路交叉口坐标

在仿真实验中，设定车辆起始点为节点0，目的地路口为节点11东侧的Office Brown Tall 2（仿真场景中建筑物名），正常情况下，车辆的行驶轨迹是0→1→4→8→9→10→11，如图4所示。行驶的路径长度为367.37 m，行驶时间区间为［35.96，38.66］，单位为s，油耗费用区间为［0.332，0.370］，单位为元（¥）。

图4 正常情况下路径规划图

在仿真实验中，利用DASS系统对路径实时规划服务选取流程如下：假设某一路口（在实验中是交叉路口10）产生交通拥堵，路侧的DSRC设备将感知到的拥堵信息发送给交通信息中心，交通信息中心会根据相关信息计算拥堵的持续时间Tcon、拥堵期间的额外增加油耗ΔF、不拥堵情况下全程的行驶油耗Fs1、绕行通过拥堵路段的时间Ts2以及绕行期间的油耗Fs2。再根据上文所述的服务推荐度算法分别计算不绕行和绕行路径规划的推荐度Rs1和Rs2，最后给行车用户推送推荐度较大的服务。具体的流程如图5所示。

3.2 数据处理和结果分析

本次实验是在仿真环境下进行的，考虑的DASS-QoS参数为服务执行时间Td和服务衍射费用Cd。

路径规划服务举例说明：车辆的位置在4→8之间，此时10号交叉路口处发现交通拥堵，DASS会在服务1（不绕行，路径为0→1→4→8→9→10→11）和服务2（绕行，路径为0→1→4→8→12→13→14→15→11）中选择推荐度较高的服务推送给行车用户。在服务1中，Td为根据交通流状态预测的拥堵持续时间Tcon，和预测的全程行驶时间Ts1，其中Tcon＝10 s，Ts1＝［45.96，48.66］，单位为s。在服务2中，Td是绕行通过拥堵路段到达目的地所需时间的预测值Ts2，Ts2＝［43.79，47.97］，单位为s。

Cd为行驶过程中的油耗费用，在服务1中，车辆受交通拥堵的影响而停车、怠速、启动额外增加的汽油消耗费用为ΔF＝Fa-Fv［8］，式中，ΔF为额外增加的油耗费用，Fa为车辆启动加速到某一速度v的油耗费用，Fv为车辆以速度v行驶相应加速度距离的油耗费用，行驶油耗Fs1为车辆在正常行驶过程中产生的油耗费用，所以服务1的服务衍生费用Cd1＝ΔF＋Fs1。在服务2中，Cd为车辆绕行通过拥堵路段的行驶油耗费用Fs2，所以服务2的服务衍生费用Cd2＝Fs2。行驶油耗Fs1和Fs2用百公里油耗和实际行驶里程计算。汽油的价格按时令95号油价8.46元／L计算。

图5 路径规划实时服务选取流程图

上述两类DASS-QoS参数的行车用户需求区间和行车服务的动态区间如表3所示。

根据表3的数据以及上文所述的区间相似度算法和客观权重算法，可得候选服务的QoS参数相似度矩阵客观权重向量为Wsub＝｛0.52，0.48｝，设定行车用户的主观偏好参数赋权向量为Wobj＝｛w′Td，w′Cd｝，w′Td＋w′Cd＝1，则DASS-QoS参数综合权重为W Q＝候选服务的推荐度矩阵：进而得出：服务1的推荐度为1.133-0.122w′Td，服务2的推荐度为0.746＋0.171 5w′Td，式中w′Td为行车用户对服务执行时间Td的偏好程度的主观数值。图6为行车用户主观偏好变化时推荐度的变化。

表3 DASS-QoS需求和候选服务值

由图6可知，当行车用户对Td的偏好程度较小，意味着对Cd的偏好程度较大，此时Cd参数与用户需求相似度较高的候选服务1的推荐度大于候选服务2的推荐度，DASS会给行车用户推送候选服务1，即不绕行，等待拥堵路口的交通恢复通畅。随着用户对于Td参数的偏好程度加大，Td参数与用户需求的相似度较大的候选服务2的推荐度逐渐上升，直至超越候选服务1的推荐度，此时，DASS会给行车用户推送候选服务2，即绕行，选择其他路径避开拥堵。

图6 主观偏好变化时推荐度的变化

实验分别设计了车辆处于不同位置时接到10号交叉口交通拥堵信息，进而及时通过上述的服务选取算法来规划路径。设定行车用户对Td参数的重视程度大于对Cd参数的重视程度。

表4是DASS在实时路径规划相较于传统系统路径规划的数据对比。

表4 实时路径规划服务实验结果对比

从表4中的数据可以得到以下结论：接受交通拥堵信息的时间越早，DASS路径规划的行驶时间越短、行驶油耗费用越低；当车辆位置在节点0—1、1—4之间时，绕行避开拥堵路段的时间参数、油耗参数都优于等待拥堵消散规划，所以选择绕行其他路径避开拥堵，规划路径如图7（a）（b）所示；当车辆位置在节点4—8之间时，2种规划服务的时间参数和油耗参数各有优势，但因为行车用户对Td参数的重视程度大于对Cd参数的重视程度，所以还是选择绕行其他路径避开拥堵，规划路径如图7（c）所示；当车辆位置位于节点8—9之间时，油耗参数的优势明显大于时间参数，虽然行车用户更加偏好Td参数，但是不绕行规划的推荐度更高，因此选择等待拥堵消散再通过路口，规划路径如图7（d）所示；当车辆位置位于节点9—10之间时，已别无选择，只能排队等待拥堵消散再通过路口，规划路径如图7（d）所示。相比于传统的路径规划系统，DASS可以在油耗相当的情况下，平均节省9%的行车时间，而且越早感知拥堵信息，对时间和油耗的节约越明显。