城市车载网络的路边单元部署机制
2021-03-21陈潇然唐晓岚陈文龙柴明璐
陈潇然，唐晓岚，陈文龙,柴明璐
(首都师范大学 信息工程学院，北京 100048)
1 引 言
车载自组织网络(Vehicular Ad hoc NETworks,VANETs)简称车载网络，是一种专用于汽车通信领域的特殊移动自组织网络，主要是由固定部署的路边单元(RoadSide Units，RSUs)和安装有车载设备的车辆节点构成[1]，其特点和挑战体现在车辆节点移动速度快，网络拓扑高度动态以及通信连接频繁中断[2]等方面.作为智能交通系统的重要构成部分，车载网络通过具有感知和通信能力的车载单元，依据专用短程通信标准实现车辆与车辆通信(Vehicle to Vehicle,V2V)[3]以及车辆与路边基础设施通信(Vehicle to Infrastructure,V2I)[4]，支持交通相关数据在车辆之间传输，提高车辆行驶过程中的安全性[5]、可靠性[6]和道路交通的运行效率，同时减少了交通运输对环境的污染，节约能源，提高了资源利用率[7].
V2I的通信方式改变了传统交通系统中车辆和道路之间无法进行实时信息交互的现状，实现了车与路的协同运行.作为VANET的路边基础设施，RSU具有较车载节点更为强大的计算、存储和通信能力[8]，支持远程无线数据传输和互联网接入，在很大程度上缓解了车载网络的拓扑分割特性，通过与行驶的车辆进行信息交互，辅助车辆获取道路交通状况等信息，同时加速车辆的信息发布，改善车辆节点之间的通信质量和降低通信延迟.
RSU的部署位置直接影响其对车辆通信需求的服务能力和车路通信的质量，在传统的智能交通系统中，路边单元的部署通常采用简单易行的均匀或随机部署方案，覆盖效益低，造成资源浪费.另外，RSU部署受多方面条件约束：1)RSU部署受道路网络的拓扑结构和地理特征的影响[9]，城市场景的路网结构复杂，沿道路部署RSU的候选部署位置多，选择最优部署位置较为困难；2)车辆移动特性影响RSU部署，当车辆进入RSU通信覆盖范围内时，RSU能够为车辆服务[10]，获得覆盖效益；3)RSU部署需考虑成本，大规模部署带来较高的安装与维护成本.因此，在复杂的二维城市路网中，如何选择最优的路边单元部署位置是车载网络研究的难题.
本文提出基于路口优先级和部署均匀性的路边单元部署机制PUD，综合城市路网拓扑结构和车辆移动规律，依据车流密度、连接中心性和公共交通线路数，计算交叉路口的部署优先级，优先将RSU部署在车流量大、在路网拓扑中起重要作用的交叉路口，从而保证路边单元在车载网络中的传输服务质量.同时，为了降低部署成本，以均匀部署为目标制定约束规则，包括位置约束、范围约束、优先级约束和覆盖约束，符合约束条件的交叉路口优先部署路边单元.使用北京市出租车轨迹数据的车载网络实验表明，与其他路边单元部署机制相比，PUD机制的部署成本更低，覆盖率更大.
本文的主要贡献包括以下3个方面：
1)设计路网模型和覆盖模型，将RSU部署问题转化为对目标区域内交叉路口的覆盖问题；
2)本文设计的部署机制以交叉路口集合作为RSU的候选部署位置，以交叉路口优先级作为部署点选择的主要依据，优先级的计算方法综合考虑车辆移动规律和路网拓扑；
3)兼顾部署成本和覆盖效益两大目标，在选择RSU部署位置的过程中，设置4条部署约束规则，在保证RSU覆盖效益的基础上降低部署成本.
2 相关工作
在车载网络架构中，RSU一般被部署在路边或者交叉路口，用来提高数据的传输速率和请求的响应率，进而提升网络的连通性和整体的服务性能.RSU通常采用静态部署，部署位置一旦确定，在整个服务期间固定不变，因此前期的部署决策尤为重要.
目前关于RSU部署的文献可根据应用场景和部署目标进行分类.车载网络一般有两种典型的应用场景，即高速公路场景和城市道路场景.高速公路场景较为简单，车辆的移动受限在一维的道路上，路边单元一般部署在高速公路的路边，部署侧重于提高网络性能或节约路边单元能耗，该场景下传统的部署方案是均匀部署.文献[11]研究了一维高速公路场景中RSU通信范围之间的间隔和系统参数(如数据传输率、更新间隔和数据大小等)之间的关系，提出一种启发式算法，在满足一定网络性能指标的前提下确定RSU的部署间隔，等间隔部署RSU.文献[12]以整体网络吞吐量最大化为目标，考虑外界环境(无线电干扰等)和道路参数(如车辆分布、车速等)的影响，提出一种高速公路模型下的RSU部署方案，利用整数线性规划模型求解使网络吞吐量最大化的最少RSU部署个数.启发式和博弈论的思想也被用于高速公路场景下RSU的部署问题上，文献[13]综合考虑RSU部署的成本和能耗问题，提出一种气球优化方法，将RSU看作气球，通信范围为气球边界，利用气球自然膨胀的动态过程找到部署位置的最佳解决方案.
在城市道路场景中，车载网络的通信区域内存在建筑物、树木等障碍物，且车辆的行驶路线更加多样，使得路边单元的部署比高速公路场景更为复杂.传统的随机部署和热点部署的覆盖效果并不理想，因此一些研究关注于二维城市场景下RSU部署策略.文献[14]在部署成本的限制下设计RSU的完整部署方案，实现RSU之间的最大连通性，从而找到城市场景中RSU最佳部署位置使得成本最低.文献[15]根据城市车流量的分布情况，确定城市中的流量热点区域，在热点区域之间沿道路部署多个RSU形成主干链路，以连接各个热点区域.文献[16]研究观点与一般思路不同，作者认为在车流量大的区域V2V通信就可以满足车辆的通信需求，设计与车流量成反比的参数计算来选择部署点，在车流量相对较低的区域部署RSU，目的是以低成本获得高效的系统发生事故时的紧急提醒服务.
根据RSU部署问题的目标不同，相关研究可以分为两类，服务性能最大化的RSU部署和成本最小化的RSU部署.服务性能最大化的RSU部署通常预设部署的总成本，在此条件下计算服务性能最优的RSU部署方案，此类部署包括覆盖率最大化部署，连通性最大化部署和时延最小化部署等.覆盖率最大化部署的侧重点是追求服务质量，在成本一定的情况下，覆盖率越大，意味着车辆进入RSU覆盖范围的概率增大，进而使得车辆能够最大化地被服务.连通性同样决定着网络的服务质量，连通性最大化部署旨在提高连通性，减少有限数量RSU的连接断开.文献[17]提出以最大化覆盖率为目标函数的MCP问题，通过启发式的算法解决该问题，在给定RSU数量的基础上实现RSU最优化部署.文献[18]以每个道路的交叉路口作为RSU的候选位置，以提高网络连通性并减少断开间隔为目标，根据每个候选位置通信范围内所接收到的车辆报告数来选择部署位置.文献[19]以最小化信息传播时延为目标，提出一种遗传算法，能够针对车载网络的高度分割特性，为静态的RSU部署找到合适的位置.
成本最小化的RSU部署则是在达到服务质量要求的前进下，追求成本最小化.成本限制势必导致RSU部署数量的减少进而使RSU的覆盖范围变小，但同时又要满足特定的网络服务请求.文献[20]针对二维车载网中RSU的部署，采用整数线性规划的方法，证明RSU的需求量和成本之间的非线性关系，提出一个RSU部署的最低成本方案，以最小化部署成本为目标进行部署.文献[21]将部署问题转化为一个以最小化部署成本为目标函数，以已部署RSU覆盖有服务需求的所有区域为约束条件的二进制整数规划问题，通过分支定界法解决这一问题，有效降低了复杂度.
为了提高车载网络的服务性能，如何在不同场景以及不同的优化目标下选择合适的RSU部署位置亟待深入研究.因此，本文在复杂的二维城市场景下，以降低RSU部署成本并提高网络服务质量为目标，综合城市路网拓扑结构和车辆移动规律，设计优化的RSU部署机制.
3 RSU部署问题分析与模型建立
本文假设所有RSU具有相同的通信半径，RSU能够与其通信范围(也称覆盖范围)内的车辆或其他RSU相互通信.与RSU的覆盖范围相比，道路的宽度可以忽略不计.为了实现更大程度地空间覆盖，RSU通常被部署在一些具有重要空间特点的位置.Dubey B.B.提出，相比于其他位置，将交叉路口作为RSU的部署位置，RSU的覆盖范围将增加大约15%[22].因此，本文使用目标路网中所有的交叉路口作为RSU候选部署位置集合.
3.1 路网模型
城市道路网络是由交叉路口和路口之间的路段组成的复杂网络系统，本文将其抽象成网络图表示，记为G=(V,E).G由顶点集及其之间的边集构成，V是网络中交叉路口的集合，记为V={v1,v2,…,vn}，E表示交叉路口之间的位置关系，当两个交叉路口vi和vj之间有道路直接相连时，则生成边
图1 城市路网示例及其路网模型Fig.1 Urban road network example and corresponding road network model
3.2 车辆轨迹模型
车辆轨迹模型由沿城市道路行驶的所有车辆节点在一段时间内的移动轨迹组成，某一车辆在目标路网中的移动过程形成该车辆的轨迹.车辆轨迹数据反应了时间和空间两维信息，是典型的时空数据.在特定时刻的车辆位置称为车辆的轨迹点，按时间顺序排列的一系列轨迹点构成该车辆的轨迹数据，将其形式化描述为：
TS={Tp1,Tp2,Tp3,…Tpi,…}
(1)
其中，TS为某一车辆轨迹数据，Tpi={(xi,yi),τi,si,di}为该车辆在τi时刻的轨迹信息，(xi,yi)为该车辆在τi时刻的经纬度位置信息，si为该车辆在τi时刻的行驶速度，di为该车辆在τi时刻的行驶方向.
城市车辆轨迹受城市路网模型的影响，反映了车辆在时间和空间上的分布特性，且能够用于计算路边单元的覆盖效益.若车辆节点位于RSU的通信覆盖范围内，则能够与RSU通信.由此，位于RSU覆盖范围内的车辆节点个数反映了该RSU的覆盖效益.
3.3 覆盖模型
RSU部署问题用覆盖模型C(CR,r,m)表示，其中CR表示路网中部署的RSU能够覆盖的交叉路口集合，r代表RSU通信半径，m表示路网中部署的RSU个数.
(2)
图2 覆盖模型Fig.2 Coverage model
4 基于优先级和均匀性的RSU部署机制
本文提出的基于优先级和均匀性的RSU部署机制(PUD)针对城市车载网络中的RSU部署，旨在寻找合适的RSU部署位置，使在覆盖路网所有交叉路口的前提下最小化部署数量.该方案有两个核心的部署原则：1)选择高优先级的交叉路口部署；2)部署的RSU位置尽可能均匀.
4.1 路口优先级的计算
PUD机制依据路口优先级选择RSU部署位置，本节将讨论路口优先级计算的3个因素：车流密度、连接中心性和公共交通线路数.
4.1.1 车流密度
交叉路口的车流密度是指单位时间内经过该交叉路口的车辆数目，路口vi的车流密度记为f(vi).在车流密度较大的交叉路口处部署路边单元能够获取更多的覆盖效益.由于我国城市道路交通规划设计规范(GB50220-95)中规定了城市道路交叉路口的范围为140m-180m，实验中设置交叉路口范围为160m.
4.1.2 连接中心性
交叉路口的连接中心性是指与其有道路直接相连的路口个数，表征路网中一个路口与其他路口的相互连接程度，连接中心性越大意味着该路口的连通性越好，交通承载力越大.因此，在连接中心性较大的路口处部署路边单元，有益于提高路边单元的覆盖效益.对于一个拥有n个交叉路口顶点的网络图，交叉路口vi的连接中心性记为c(vi)，计算公式如下：
(3)
图3 连接中心性的累计分布图Fig.3 CDF of connection centrality
由于不同城市道路在种类、作用和交通功能以及沿线建筑物的服务功能上有所不同，影响着城市路网结构，对应的交叉路口也承载着不同的车流量.因此，将城市道路的等级划分与之前的连接中心性计算方法相结合，赋予不同等级的道路以不同的权值ϖ.
根据道路在城市道路系统的地位、性质和功能，将城市道路分为3类：主干道、次干道和支路.主干道是城市道路网的骨架，负责联系市区各主要地区、近郊区和主要的对外出路，承担城市主要客货运交通，具有较大的通行能力；次干道是城市内普通的交通干路，负责联系各区和配合主干道，分担主干道的交通压力；支路是次干道和街坊路的连接线，以生活性功能为主，承担局部区域内部交通的集散和出入，分担部分交通流量并弥补主次干道网的缺点.
改进的连接中心性由相邻交叉路口个数和路口间道路的等级共同决定，其计算方法为：
(4)
其中，Ek为路网模型中不同等级道路的边集合，k取1、2和3分别对应主干道、次干道和支路；ϖk为路口vi和vj之间道路的权值，道路为主干道、次干道和支路时权值分别为1、0.75和0.25.
4.1.3 公共交通线路数
公共交通线路数是指城市公共交通系统中经过该交叉路口的线路个数，这里的公共交通线路主要包括普通公交线、机场线、直达快车线和专线等线路.路口vi的公共交通线路数用l(vi)表示.公共交通线路的规划与居民出行和城市空间结构密切相关，经过路口的公共交通线路数量在一定程度上反映了该交叉路口的交通热度.因此,在该值较高的路口部署路边单元具有更高的覆盖效益.在本文实验的目标区域中，包含公共线路304条，其中上行和下行线路视为两条线路.
在使用交叉路口的车流密度、连接中心性和公共交通线路数计算路口优先级时，为了统一这3个影响因素的取值范围使其具有可比性，对3个因素的取值进行归一化处理，用fi、ci、li分别表示这3个影响因素归一化后的取值.以车流密度f(vi)为例，其归一化计算方法为：
(5)
其中，函数min()和max()分别求得所有交叉路口的车流密度的最小值和最大值.同理可得连接中心性和公共交通线路数的归一化方法.
综合交叉路口vi的车流密度fi、连接中心性ci和公共交通线路数li，计算该路口部署RSU的优先级，即：
pi=wf×fi+wcϖ×ci+wl×li,
(6)
其中，wf、wcϖ和wl分别是车流密度、连接中心性和公共交通线路数的权重，均取正值且wf+wcϖ+wf=1.由式(5)可见，这3个因素均与路口优先级正相关.
4.2 路边单元部署规则
为了避免按照优先级依次部署路边单元造成的部署位置聚集现象，本文制定了指导RSU均匀部署的四条部署规则.为了清楚地解释这些部署规则，首先将交叉路口的部署状态分为四种，即已部署状态(Deployed)、候选部署状态(Candidate)、可替换部署状态(Pending)和不部署状态(Non-deployed).在部署开始之前，所有路口均处于候选部署状态；在部署过程中，受部署规则约束，路口发生状态转变；在部署结束时，所有路口均为已部署状态或不部署状态，处于已部署状态的路口为最终RSU的部署位置.
规则1.(位置约束)在已部署状态的路口覆盖范围内的其他路口不作为路边单元的部署位置，变为不部署状态.
规则2.(范围约束)在当前候选部署状态的路口覆盖范围内的其他候选部署路口，状态调整为可替换部署状态.
规则3.(优先级约束)可替换部署状态的路口与被替换的候选部署路口的优先级差值应在阈值λ范围内.
规则4.(覆盖约束)相比于当前候选部署状态的路口，若可替换部署状态路口的覆盖范围内包含更多的候选部署路口，则选择可替换部署状态的路口为RSU部署位置.
规则2和规则3是由候选部署状态向可替换部署状态转换的约束条件.
4.3 PUD部署机制
城市道路网络中所有的交叉路口V为路边单元的候选部署位置集合；依据路网内真实的车辆轨迹数据，统计交叉路口的车流密度；根据构建的路网模型，计算路口的连接中心性；依据城市公共交通线路信息，统计经过路口的公共交通线路数，进而计算每个路口的部署优先级.初始化所有交叉路口的状态为Candidate，接下来执行下面步骤.
Step 1.选择优先级最高的Candidate路口为当前路口，依据范围约束和优先级约束，寻找当前路口覆盖范围内的可替换路口，若存在，该路口状态变为Pending，否则当前路口选为部署位置，由Candidate状态变为Deployed状态；
Step 2.对所有状态为Pending的路口，依据覆盖约束，判断覆盖范围内Candidate路口数量，并与当前路口覆盖范围内的Candidate路口数比较；若当前路口覆盖的Candidate路口最多，则当前路口选为部署位置，由Candidate状态变为Deployed状态；否则选择覆盖范围内路口最多的Pending路口做为部署位置，状态变为Deployed；若多个Pending路口覆盖路口数最多且相同，则选择优先级最高的Pending路口做为部署位置，状态变为Deployed；
Step 3.依据位置约束，已部署路口覆盖范围内的其他路口的状态转变为Non-deployed；
Step 4.重复Step 1到Step 3，直至所有Candidate路口状态转换为Deployed或者Non-deployed.
算法1.RSU Deployment Algorithm PUD
输入：V,P;
输出：VR;
1. initialize:VR=∅,CR=∅;
2. sortVin descending order ofP;
3.whileCR≠Vdo
4. selectvi∈V-CRwith max(pi);
6.vmax=vi;
7.pmax=pi;
9.ifpi-pj≤λthen
11.if|TC|>|TCmax|or(|TC|=|TCmax|andpj>pmax)then
12.TCmax=TC;
13.vmax=vj;
14.pmax=pj;
15.endif
16.endif
17.endfor
18.VR=VR∪{vmax};
19.CR=TCmax;
20.endwhile
21.returnVR;
图4为图1路网模型对应的PUD机制部署过程，当前处于已部署状态的路口为a、b、c、i和j.图中省略了路网结构，圆点所在位置对应交叉路口，周围的数字代表该路口的部署优先级.实心点代表已部署状态的路口，圆代表覆盖范围.按照Step 1，优先级为0.65的路口e为当前路口，依据范围约束
图4 图1场景中的PUD机制部署过程Fig.4 PUD deployment results for Fig.1
和优先级约束原则(假设阈值为0.1)，路口f变为可替换状态.由于可替换路口f的覆盖范围内同时包含候选路口e和k，而当前路口e的覆盖范围内(虚线圆内)只有候选路口f，符合覆盖约束，所以最终路口f为RSU部署位置，e和k转变为不部署状态.故图1路网模型经PUD机制选择部署位置为a、b、c、i、j、k，并实现对场景中11个路口的覆盖.
5 实验结果与分析
5.1 实验环境设置
为了构建二维的城市车载网络场景，本文选取北京市内东经116°18′～116°23′52″、北纬39°51′42″～39°57′2″之间大约9.05×10km2的矩形区域作为目标区域，该区域内包含1325个交叉路口.图5展示了目标区域的电子地图和道路网络图.
图5 目标区域的电子地图和道路网络图Fig.5 Electronic map and road network map of the target area
本文采用的车辆轨迹数据是2015年5月1日-31日期间北京市34,040辆出租车的车辆轨迹数据，每个轨迹点包括车辆的ID、位置、速度、时间戳和行驶方向等信息，数据收集频率为60秒.本文使用的仿真平台基于Python设计和实现，网络的具体配置参数见表1.
表1 实验参数配置Table 1 Experimental parameter configuration
为了评估部署机制的性能，选择均匀部署方案UDA(Uniform-based Deployment Approach)[24]和基于中心性的部署方案CDA(Centrality-based Deployment Approach)[25]作为对比方法.对于PUD，分别采用连接中心性和改进的连接中心性作为路口优先级的计算指标，对应的两种部署方法分别表示为PUD-c和PUD.实验评估了3个指标：部署个数、覆盖率和覆盖时间比例.路边单元的部署个数反映了部署所需的成本，需要部署的路边单元个数越多，成本越高.部署效益反映了已部署路边单元集合的服务性能，通常用覆盖率表示，覆盖率是指位于路边单元覆盖范围内的车辆节点占所有车辆节点的比例.覆盖率越高，车辆与RSU的通信机会越大，RSU能够更好地为车辆提供有效及时的服务.覆盖时间比例是车辆节点在移动过程中覆盖连续性的体现，指的是车辆在运动过程中位于路边单元覆盖范围的时间占比.较高的覆盖时间比例表明在更多时间里RSU能够提供V2I传输服务，因此部署性能较好.
5.2 实验结果
4种方法(UDA、CDA、PUD-c、PUD)的对比实验在同一场景中进行，路边单元的通信半径由200m到600m变化，车辆节点的数量不变，其中PUD-c和PUD方法的参数为wf/wc(wcϖ)/wl=0.4/0.3/0.3和λ=0.15，实验结果如图6所示.
随着路边单元通信半径的增加，4个方法的部署个数都减少、覆盖率增加，相比于UDA和CDA，PUD的部署个数相对较少并且覆盖率较高.另外，PUD的部署个数和覆盖率也明显好于PUD-c.UDA的部署个数和部署间隔有关，因此部署个数均匀减少；其部署位置较为均匀地分散在目标区域中，一些部署位置是车流量极少的偏僻路口，因此对车辆节点的覆盖有限.CDA所需部署个数最多，这是因为CDA基于度中心性选择部署位置，选择指标单一且有局限性，且其部署位置分布不均匀，存在多个小区域内选取众多部署位置的现象，覆盖区域间重叠造成一定程度的覆盖资源浪费.PUD和PUD-c部署位置的选择解决了CDA和UDA的问题，考虑了部署位置之间的重叠和部署的覆盖效益，有效避免了部署位置密集的现象.并且随着路边单元通信半径的增加，其覆盖范围更大，使得部署的RSU个数下降.随通信半径每增加100m，PUD机制部署的路边单元个数占全部路口数的比例分别是39%、24%、16%、12%、8%，且PUD的平均覆盖率高于PUD-c约4.2%，证明路口的连接中心性的改进计算是有效的.此外，PUD机制对车辆的覆盖连续性更好.在CDA方法中，若车辆行驶于中心性较高的区域，则处于RSU通信范围内的概率较大，而一旦驶离这些区域后，就与RSU断开连接，导致覆盖连续性不强.而UDA采用均匀部署机制，车辆的移动特性对覆盖连续性的影响相对较小.PUD由于部署位置不仅与车流密度有关，而且结合道路网络拓扑结构，因此PUD对车辆的覆盖时间比例相对较高.
图6 RSU部署机制的实验结果Fig.6 Experimental results of RSU deployment schemes
综上所述，与UDA和CDA相比，PUD实现了较少的部署个数和较高的部署覆盖率，同时保证了较高的覆盖时间比例，完成部署成本低和覆盖效益高两大目标.很明显在复杂的城市车载场景中，PUD优势更显著，部署结果更合理.
5.3 参数分析
考虑到式(5)中影响因素权重和算法1中优先级阈值影响着PUD和PUD-c的性能，本节分析了这些参数对部署个数和覆盖率两项主要指标的影响.在实验中，RSU的通信半径设置为500m，影响因素权重wf/wcϖ/wl分别设置为0/0.5/0.5、0.2/0.4/0.4、0.4/0.3/0.3、0.6/0.2/0.2、0.8/0.1/0.1和1/0/0，优先级阈值λ设置为0.15，结果如图7(a)、图7(b)所示.设置优先级阈值λ从0.05、0.10、0.15、0.20到0.25变化，并且影响因素权重wf/wcϖ/wl设置为0.4/0.3/0.3，结果如图7(c)、图7(d)所示.
当wf的值取0时，f在优先级的计算中不起作用，由于影响因素l的计算方式相同，所以连接中心性c在影响因素中起决定性作用，PUD-c部署的RSU个数多于PUD.当wf取1时，优先级的计算完全由路口车流密度决定，因此PUD和PUD-c的部署完全相同，且部署个数与CDA接近.wf=0.4是两个指标的极值点，总体而言，改进后的cϖ要比c计算方式更加合理，0.4/0.3/0.3是PUD影响因子的权重wf/wcϖ/wl的理想选择.
随着优先级阈值λ的增大，部署个数逐渐减少，原因是λ取值对Pending路口的选取有很大影响，阈值越大，可供选择的Pending路口越多.但λ越大、部署个数越少，并不意味着部署效果越好，从图中可以看出，λ在取0.15时覆盖率最高，覆盖效果最好.比较PUD和PUD-c可知，随着λ的增加，PUD部署个数平均减少的幅度小于PUD-c，这说明PUD-c的部署受阈值λ的影响较大.进一步说明，PUD在优先级阈值的选取上稳定性更高，性能更好.
图7 不同参数影响下的实验结果Fig.7 Experimental results with different weights and different λ
总而言之，适当的影响因素权重和合适的优先级阈值会提升PUD的整体性能.在本章的实验中，PUD的性能在wf/wcϖ/wl为0.4/0.3/0.3，λ为0.15时达到峰值，在实际情况下，可以在初步研究阶段通过样本分析来选择合适的参数取值.
6 总 结
为了提高车载网络中路边单元的部署效益和减少部署成本，本章提出了基于路口优先级和部署均匀性的路边单元部署机制PUD，综合考虑道路网络拓扑和车辆移动规律，选择合适的交叉路口部署路边单元.首先利用车流密度、连接中心性和公共交通线路数计算路口的优先级，为保证较高的覆盖率，优先级较高的路口优先部署路边单元.同时，在部署过程中执行四条约束规则，即位置约束、范围约束、优先级约束和覆盖约束，使部署位置尽可能均匀，从而减少路边单元覆盖范围之间的重叠，进而减少部署个数.实验表明，相较其他方法，PUD具有更低的部署成本、更高的覆盖率和车辆覆盖时间比例.
