楊 倩 羅 娟 劉 暢

(湖南大學信息科學與工程學院 長沙 410082)

基于上下文的VANET服務推薦中間件

楊 倩 羅 娟 劉 暢

(湖南大學信息科學與工程學院 長沙 410082)

(1398654033@qq.com)

車載自組織網絡(vehicle ad hoc network, VANET)作為智慧城市的重要組成部分，它需要為車輛安全、便捷交通及舒適駕駛提供眾多的服務.目前針對車聯(lián)網中服務發(fā)現(xiàn)的研究主要集中在服務發(fā)現(xiàn)質量和服務發(fā)現(xiàn)延時，但是隨著VANET中服務數(shù)量和種類的增加，車聯(lián)網中的信息激增問題變得越來越嚴重，因此如何按照個性化需求為用戶推薦合適的服務成為目前車聯(lián)網中亟需解決的問題.針對現(xiàn)有車聯(lián)網中服務選擇策略的不足，提出一種基于上下文的車聯(lián)網服務推薦中間件體系結構，該中間件可以利用車輛豐富的上下文信息和用戶的歷史服務記錄為用戶推薦服務.利用離線分析方法，提出一種基于上下文的服務推薦方法，將既符合車輛上下文約束且滿足用戶偏好的服務推薦給用戶.仿真結果表明，中間件推薦的服務合理且符合用戶偏好，同時可以降低服務導致的繞路概率.

車載自組織網絡;中間件;上下文;用戶偏好;服務推薦

車載自組織網絡(vehicle ad hoc network, VANET)是由車輛或車輛和路邊單元(road side units， RSU)構成的一種自組織網絡，它們之間通過無線局域網絡進行通信[1].隨著經濟和科技的進步，現(xiàn)有的智能汽車搭載了各種傳感器裝置，如位置和速度傳感器、ABS傳感器、安全氣囊傳感器等，同時還具有較強的計算能力和可觀的存儲能力.由于不同車輛的底層設備存在異構性，因此可以使用中間件來提供統(tǒng)一通用的接口.中間件是一種位于應用程序與操作系統(tǒng)之間的軟件，各種傳感器可以將采集的上下文信息發(fā)送給中間件，由中間件對這些數(shù)據進行處理供上層應用使用.

現(xiàn)有車聯(lián)網中服務發(fā)現(xiàn)的研究主要是針對車間資源的調度和共享[2-4]，而對實體服務的選擇則主要依靠移動客戶端(如手機、平板電腦等)進行查詢.當用戶處于駕駛狀態(tài)，使用移動客戶端進行服務查詢存在安全隱患，同時如果用戶請求與車輛本身相關的服務(如加油、車輛維修、查詢車輛行駛路線上的餐廳等)，移動客戶端不能獲取到車輛特有的上下文信息，因此無法提供和上下文信息匹配的服務.隨著智能交通的高速發(fā)展，用戶對車聯(lián)網信息服務的需求也在不斷提高.車聯(lián)網中的服務選擇策略一般為隨機獲取服務提供者或者考慮服務質量(quality of service， QoS)等客觀因素，用戶缺乏個性選擇能力，可能導致服務不合理或用戶服務滿意度較低.

目前對上下文感知中間件的研究較多[5]，Saravanaguru等人[6]提出一種基于上下文的車輛中間件結構，用于支持實時的分布式應用.Silva等人[7]提出一種車聯(lián)網智能上下文配置中間件，該中間件可以為應用程序提供上下文信息，同時能夠進行上下文邏輯推理并處理沖突.Thangavelu等人[8]提出一種基于車輛安全考慮的上下文感知中間件.Luo等人[9]提出一種基于開放服務網關協(xié)議(open service gateway initiative， OSGi)平臺的服務共享中間件，選取車輛作為服務目錄和網關節(jié)點，實現(xiàn)服務的發(fā)布和訂閱.

服務推薦不同于常見的服務選擇方法，用戶具有明確的服務需求，只是在面對大量同種功能服務時很難選擇出符合自身偏好的服務.近年來，大量研究工作圍繞服務的QoS展開[10-11]，但這些研究并未過多地考慮用戶的個性化需求.

推薦系統(tǒng)是個性化信息服務的主要技術之一，作為一種信息過濾的重要手段，目前推薦系統(tǒng)在電子商務、 信息檢索以及移動應用、電子旅游、互聯(lián)網廣告等眾多應用領域有較廣泛的應用.推薦算法是推薦系統(tǒng)中的核心部分，常用的推薦方法包括：基于內容推薦、協(xié)同過濾推薦、基于知識推薦和組合推薦等.

車聯(lián)網中的服務推薦屬于移動推薦系統(tǒng)范疇，移動推薦系統(tǒng)受其移動特點和設備類型影響，其服務需求受上下文影響較大，同時對實時性和精確性要求也較高，因此不能將傳統(tǒng)互聯(lián)網的推薦方法直接應用到移動推薦系統(tǒng)中[12].目前對于車聯(lián)網的服務推薦研究較少，Woerndl等人[13]提出一種協(xié)同的基于上下文感知的加油站推薦應用，該應用在油量行駛范圍內尋找加油站，結合附近車輛用戶的建議采用協(xié)同過濾方法進行服務推薦.采用協(xié)同過濾推薦方法涉及車輛間的用戶歷史數(shù)據交互，可能存在惡意用戶獲取其他車輛用戶的個人隱私，同時該文只證實了服務推薦的合理性，并沒有對算法的推薦性能做出分析和驗證.

本文的主要工作如下：

1) 針對車聯(lián)網中服務推薦的不足，提出一種基于上下文的車聯(lián)網服務推薦中間件體系結構(VANET service recommendation OSGi， VSROSGi).

2) 利用離線分析方法，設計基于上下文的服務推薦(context based service recommendation， CBSR)策略，該策略屬于基于內容推薦方法范疇.離線階段通過對用戶近期歷史數(shù)據中滿分服務的屬性特征進行加權處理，獲得用戶偏好模型.在線階段依據車輛上下文對可選服務進行上下文過濾，再通過歐幾里得相似度計算公式計算服務與用戶偏好模型的相似度，結合用戶與服務的距離，最終為用戶推薦合理且具個性化的服務.

1 系統(tǒng)模型

1.1 應用情境及網絡組成

如圖1所示，研究車輛正在按照箭頭方向行駛，由于車輛油量過低，用戶請求尋找加油站服務.加油站可分為幾種類型，分別提供不同類型的加油服務(如汽油、天然氣、充電等)，車輛行駛途中有多個加油站可以提供服務.用戶需要在多個服務中選取符合自己偏好同時滿足上下文約束條件(在油量允許范圍內且不偏離行駛軌跡太遠)的服務.

本文的VANET由車輛、RSU及服務站構成.車輛集合表示為V={V1,V2，…,VN}，每輛車可以通過GPS獲取自身的二維地理位置坐標，車輛Vk的位置可以表示為(xk，yk)，(k=1,2,…,N).每輛車都配備車載通信裝備、多個傳感器及存儲設備，通過傳感器可以獲得車輛速度、油量等上下文信息.存儲設備可以存儲用戶的歷史服務記錄.車輛可以發(fā)出服務請求，服務請求定義為Req(V_id，V_type，V_location)，其中V_id為車輛在網內唯一id標識，V_type為車輛請求服務類型，V_location為車輛位置上下文.網絡中的通信模式包括V2V(vehicle-to-vehicle),V2R(vehicle-to-RSU),R2R(RSU-to-RSU).服務提供者可以將其服務信息通過互聯(lián)網注冊到本地RSU上(RSU的服務注冊和服務查詢算法見2.4節(jié))，服務注冊定義為Ser(S_id，S_type，S_property)，其中S_id為服務在網內唯一id標識，S_type表示服務類型(如加油站應用場景中包括天然氣能源、電能、燃油等)，S_property=location,factor1,factor2,…,factori,…是服務的屬性信息，location為服務的位置，factori為服務關鍵的屬性信息，如價格、預期等待時長等.

Fig. 1 Gas and service station scenario圖1 加油服務站情景圖

1.2 中間件框架

基于OSGi的VANET服務推薦中間件VSROSGi的整體設計框架如圖2所示.中間件主要由4個模塊組成，服務發(fā)現(xiàn)分為在線服務請求和離線2個階段.

1) 設備模塊.車載嵌入式感知模塊包括攝像頭、速度位置傳感器等，它們將可提供的基礎服務分別封裝在設備模塊中，在線服務階段，中間件平臺通過設備模塊獲取設備提供的上下文信息，同時可以實現(xiàn)設備控制.

2) 通信模塊.在線服務階段，車輛可以通過通信模塊與其他車輛或RSU實現(xiàn)信息交互.車輛的服務請求基于GPSR協(xié)議向RSU發(fā)送，以附近車輛為中繼節(jié)點將服務請求發(fā)送給RSU，車輛間使用DssOSGi[14]實現(xiàn)無線連接，車輛與RSU通過WLAN進行通信，RSU進行服務查詢后，將符合請求的服務數(shù)據集serviceprovider通過通信模塊返回給車輛.

3) 服務推薦模塊.服務推薦模塊是中間件設計的核心部分.離線階段，根據用戶歷史服務記錄為不同類型的服務計算相應的用戶偏好模型；在線服務請求階段，獲取到通信模塊傳回的服務數(shù)據集后，對數(shù)據集進行上下文過濾生成推薦數(shù)據集recommended_dataset，推薦數(shù)據集與用戶偏好模型進行相似度相關運算，再結合距離因素確定服務的推薦系數(shù)(recommended level)k，最后根據推薦系數(shù)的大小為用戶推薦服務.

4) 服務應用模塊.在線服務階段，用戶根據推薦服務列表，選擇最符合自己偏好的服務，實現(xiàn)服務綁定，導航地圖可以為用戶指引服務位置及行駛路線.在服務完成后的離線階段，用戶可以對服務進行評價，服務及其對應評價將被存入到歷史記錄數(shù)據庫中.

VSROSGi中間件充分利用OSGi面向服務的設計模型，將車載嵌入設備與車聯(lián)網應用解耦.本中間件作為底層異構設備和應用程序之間的紐帶，充分利用車輛獨有的上下文信息和豐富的車載存儲、計算資源進行服務選擇，過濾掉不符合車輛上下文約束的服務，并根據用戶特有的偏好進行服務推薦.同時，VSROSGi中間件在線階段可以直接獲取離線階段計算的用戶服務偏好模型，減少在線服務請求的響應時間，提高用戶的服務滿意度.

Fig. 2 Architecture of middleware圖2 中間件體系結構

2 算法設計

本節(jié)首先介紹如何對服務數(shù)據集進行上下文過濾，然后詳細介紹用戶偏好模型生成方法及相似度計算方法，最后描述了服務推薦的算法步驟.

2.1 上下文過濾

上下文是系統(tǒng)實現(xiàn)服務推薦的信息來源，Dey[15]給出的上下文定義得到廣泛引用：“上下文是用于描述實體狀態(tài)的任何信息，其中實體可以是人、地點或者與用戶和應用程序之間交互相關的客體(包括用戶與應用程序自身)”.

針對該應用情境，選擇位置、油量及行駛速度(矢量)作為最重要的上下文影響因素.服務請求車輛收到RSU發(fā)送的服務數(shù)據集后，計算請求車輛到各個服務的距離為

(1)

其中,(xp,yp)為服務提供者的位置坐標，(xv,yv)為車輛當前位置坐標.同時，車輛可以根據油量上下文通過油耗公式[16]計算油量允許的最大行駛距離(Max_distance)(假設車輛保持勻速行駛)為

(2)

其中,E為車輛的剩余能量，α和β為車輛常數(shù)參量，ν為車輛速度大小，R為車輛牽引力.由于距離超過車輛最大行駛距離的服務不符合車輛上下文，因此將其濾除后生成推薦數(shù)據集.

2.2 用戶偏好模型生成

用戶的歷史服務記錄表示為HisRecordtype,property,rate.其中，type為服務類型；property為服務的屬性信息，來自服務注冊時提供的服務屬性；rate為用戶對該次服務的歷史評分(最高評分5分，最低評分1分).

假定用戶對于同一服務的不同評價是由用戶個性化差異導致.以請求加油服務站場景為例，有的用戶更關注油價，而有的用戶則對等待時間或付款方式要求較高.如圖3所示，理想情況下滿分服務為所有服務屬性都是最優(yōu)的，而實際情況下的服務并不能達到理想預期，用戶將根據自己的服務偏好進行服務評價.因此將用戶歷史記錄中所有滿分服務的屬性特征值進行平均質心運算生成centroidsfactor1,factor2,…,factori(用戶偏好模型生成算法見2.4節(jié))，可以理解為獲取到用戶服務偏好的平均值，即提出的用戶偏好模型.如圖3中所示，factor1和factor2為影響用戶1服務選擇的主要因素，而用戶2則更關注factor3，factor4，factor5.

Fig. 3 User preference model圖3 用戶偏好模型示意圖

2.3 相似度計算

使用歐幾里得方法計算2個服務屬性特征值的相似度.基于多維空間考慮，點x和點y計算歐幾里得距離如式(3)所示.

(3)

其中,xi和yi為點x和點y在i維的坐標，n表示維度.就歐幾里得距離意義而言，歐幾里得距離越小，反映出2個信息點越接近，相似度越大；反之，歐幾里得距離越大，相似度越小.一般將相似度與1類比，在數(shù)值上相似度的取值空間為[0,1].越接近1，相似度越高.相似度為1表示2個信息點重合，特征完全一致；相似度為0則表示2個信息點之間的歐幾里得距離為無窮遠，不具有任何相似性.歐幾里得距離計算點x和點y的相似度sim(x,y)為

(4)

由式(4)可以看出，2個同類服務的屬性值越接近，相似度越大，即服務與用戶偏好模型特征值越接近，那么服務就越符合用戶偏好.

一般來說，希望推薦的服務盡可能不影響車輛的既定行駛路線，因此服務距離也是影響服務選擇的關鍵因素.我們在計算服務與偏好模型的相似度后，加入距離影響因子，通過加權計算推薦系數(shù)k來為用戶推薦距離較近的偏好服務.

(5)

其中ω1和ω2分別為服務相似度和距離因素的影響因子，ω1+ω2=1.如果ω1較高，推送給用戶的服務將更加注重用戶的服務偏好，然而過分地追求服務偏好可能會帶來繞路行為進而增大平均行駛距離.用戶可以根據實際情況動態(tài)地調整ω1和ω2.如用戶當前油量很充足，只是單純地想尋找符合自身偏好的服務站進行補給，可以增加ω1的權重大小.3.2節(jié)的大量仿真實驗證明，隨著ω1的不斷增大，平均服務推薦成功率的增長率降低，因此一般情況下，相對平衡地對ω1和ω2進行取值.

最后根據k值進行從大到小排序，選取前3個服務作為推薦集合recommended_collection，以列表形式提供給用戶選擇，具體算法見2.4節(jié).

2.4 算法偽代碼

算法1. 基于上下文的服務推薦算法.

輸入：歷史服務數(shù)據集合HisRecord、服務提供商Providerp、服務請求車輛Vehiclev；

輸出：推薦集合recommended_collection.

① for each historys∈HisRecorddo

② if (s.rate=Optimal score) then

③ addstohr;

④ end if

⑤ end for

⑦ if (phas published a serviceser) then

⑧ addp.sertop.ser.typeserviceprovider;

⑨ end if

⑩ if (vhas submitted a servicereq) then

Fig. 4 Map for simulation圖4 仿真區(qū)域

3 實驗仿真與分析

本節(jié)以加油站服務場景為例，通過一組仿真實驗比較4種服務選擇策略的效果，并對結果進行分析和比較.4種服務選擇策略分別為最短距離選擇策略、綜合評分選擇策略、隨機服務選擇策略和提出的基于上下文的服務推薦策略.

1) 最短距離選擇策略(shortest distance selection, SDS).用戶選取離自己距離最近的服務.

2) 綜合評分選擇策略(average rating selection, ARS).用戶依據點評網站上的綜合評分高低選擇服務.

3) 隨機服務選擇策略(random service selection, RSS).用戶隨意選取服務集中的服務作為選擇.

4) 基于上下文的服務推薦策略(CBSR).該策略為本文提出的服務選擇策略，根據車輛上下文對服務列表中的服務進行上下文過濾，通過計算服務與用戶偏好模型的相似度獲得符合用戶偏好的服務集合，再結合距離因素為用戶提出服務建議.

3.1 實驗準備

實驗使用MySQL作為用戶歷史數(shù)據的存儲數(shù)據庫，真實實驗數(shù)據來自Yelp點評網站的50名用戶，這些用戶都曾訪問過仿真區(qū)域內的服務站.

實驗在4 000 m×4 000 m區(qū)域范圍內仿真，仿真范圍為美國加州San Francisco地區(qū)，如圖4所示.仿真參數(shù)設置如表1所示.

Table 1 Simulation Parameter Settings

在加油站服務場景中對服務站的服務屬性設置如下：

S_property=location,price,waiting_time,

auxiliary_service_num,pay_method,ave_rating，

其中,location為服務站的位置，price為服務報價，waiting_time為預期等待時間，auxiliary_service_num為服務站附屬服務數(shù)目(如餐飲、車輛維修、購物等)，pay_method為可選支付方式(如現(xiàn)金、銀行卡、電子支付等)，ave_rating為來自點評網站的服務站平均評分.

仿真實驗采用服務合理性、服務推薦成功率以及服務平均行駛距離作為評價指標.服務合理性指服務是否在油量允許的訪問范圍內；服務推薦成功率p表示提供的服務為用戶滿意服務的比例，其計算函數(shù)為

服務平均行駛距離s為按照策略選擇服務用戶到達服務地點所需行駛的平均距離，這里只考慮距離的相對大小，距離的絕對大小受到仿真區(qū)域的服務分布影響.計算公式為

3.2 實驗結構和分析

實驗的推薦選擇基于式(5)推薦系數(shù)的計算結果，不同的ω1和ω2設定(ω2=1-ω1)對最終的推薦結果有直接影響.圖5表示ω1取0～1之間不同值時的平均推薦成功率和平均行駛距離.由圖5中可以看出，當ω1較大時，即相似度所占權重較大時，服務的平均推薦成功率較高，但是此時距離因素ω2的權重較小，導致平均行駛距離較長；隨著ω1的不斷增大，平均推薦成功率的增長率降低，而平均行駛距離的增長率在ω1趨近于1時有顯著提高.因此為了保證平均推薦成功率，同時盡量降低平均行駛距離，選擇ω1=0.8，ω2=0.2.

Fig. 5 Average recommendation precision and averagedistance with different ω1圖5 不同ω1下平均推薦成功率和平均行駛距離

Fig. 6 Service recommendation precision comparisonwith different selection methods圖6 不同選擇策略的服務推薦成功率比較

通過圖6可以看出，隨著歷史數(shù)據集數(shù)據量的增加，CBSR的推薦成功率逐漸變大；在歷史數(shù)據量較小的情況下，依據大量用戶的綜合評分結果進行服務選擇的ARS和CBSR在性能上十分接近，但是當歷史數(shù)據量變大，CBSR在性能上有明顯提高，而ARS則表現(xiàn)不是很穩(wěn)定，這是因為ARS只能反映大量用戶對服務的一種普遍反映，而未對用戶的個性化特征做出考量；SDS和RSS都未考慮用戶的個性化需求，所以在性能上較差.

表2為對4種算法性能的綜合比較.服務平均推薦成功率和服務平均行駛距離為經過多次實驗求得的平均結果.從表2中可以看出，CBSR和SDS考慮了服務的合理性，即服務是否在用戶可以到達的范圍內；在服務推薦成功率上，CBSR可以達到70%以上，較其他3種算法表現(xiàn)良好；CBSR考慮了距離影響因素，比ARS和RSS的平均行駛距離更短，但是稍差于SDS.

Table 2 Algorithm Performance Comparison in Three

4 結束語

本文提出一種基于上下文的車聯(lián)網服務推薦中間件體系結構VSROSGi，并設計基于上下文的服務推薦策略CBSR，該方法依賴用戶歷史數(shù)據建立的用戶偏好模型，通過車輛自身的上下文感知特性對服務數(shù)據集進行過濾，考量服務與用戶偏好模型的相似度和服務與用戶距離，為用戶推薦個性化的服務.通過實驗分析，該方法較普遍的綜合評分策略、隨機服務選擇策略和最短距離服務選擇策略具有更高的推薦成功率，同時考慮了服務的合理性以及服務距離等影響因素.

進一步工作包括：針對車聯(lián)網的特性，加入主動服務推薦策略，在保證用戶歷史數(shù)據安全的前提下，將服務主動推送給具有相似服務偏好的用戶；加入用戶軌跡分析策略，將服務的選擇與用戶行駛軌跡相結合，進一步提高用戶滿意度.

[1]Hartenstein H, Laberteaux K P. A tutorial survey on vehicular ad hoc networks[J]. IEEE Communications Magazine, 2008, 46(6): 164-171

[2]Mishra T, Garg D, Gore M M. A publishsubscribe communication infrastructure for VANET applications[C]Proc of the 2011 IEEE Workshops of Int Conf on Advanced Information Networking and Applications. Piscataway, NJ: IEEE, 2011: 442-446

[3]Ma Chunmei, Liu Nianbo, Wang Xiaomin, et al. Towards efficient multimedia publishsubscribe in urban VANETs[C]Proc of the 2014 IEEE Int Conf on Smart Computing. Piscataway, NJ: IEEE, 2014: 156-163

[4]Eichhorn M, Pfannenstein M, Muhra D, et al. A SOA-based middleware concept for in-vehicle service discovery and device integration[C]Proc of the 2010 IEEE Intelligent Vehicles Symp(IV). Piscataway, NJ: IEEE, 2010: 663-669

[5]Li Xin, Eckert M, Martinez J F, et al. Context aware middleware architectures: Survey and challenges[J]. Sensors, 2015, 15(8): 20570-20607

[6]Saravanaguru R K, Thangavelu A. CoMiTe: Context aware middleware architecture for time-dependent systems: A case study on vehicular safety[J]. Arabian Journal Forence and Engineering, 2014, 39(4): 2895-2908

[7]Silva F A, Silva T R M B, Ruiz L B, et al. ConProVA: A smart context provisioning middleware for VANET applications[C]Proc of the 77th Vehicular Technology Conf (VTC Spring). Piscataway, NJ: IEEE, 2013: 1-5

[8]Thangavelu A, Saravanaguru R A K. Context aware middleware model for handling vehicular safety issues[J]. Journal of Computer Science, 2012, 8(8): 1244-1252

[9]Luo Juan, Pan Qiu, He Zanyi. VANET middleware for service sharing based on OSGI[J]. Computer Science and Information Systems, 2015, 12(2): 729-742

[10]Garai M, Boudriga N. A novel architecture for QoS provision on VANET[C]Proc of the 10th Int Conf on High Capacity Optical Networks and Enabling Technologies.Piscataway, NJ: IEEE, 2013: 25-31

[11]Rehan M, Hasbullah H, Chughtai O, et al. ZLS: A next-door lightweight QoS aware location service technique for VANET on highways[C]Proc of the 2014 Int Conf on Computer and Information Sciences. Piscataway, NJ: IEEE, 2014: 1-6

[12]Meng Xiangwu, Hu Xun, Wang Licai, et al. Mobile recommender systems and their applications[J]. Journal of Software, 2013, 24(1): 91-108 (in Chinese)(孟祥武, 胡勛, 王立才, 等. 移動推薦系統(tǒng)及其應用[J]. 軟件學報, 2013, 24(1): 91-108)

[13]Woerndl W, Eigner R. Collaborative, context-aware appli-cations for inter-networked cars[C]Proc of the 16th IEEE Int Workshops on Enabling Technologies: Infrastructure for Collaborative Enterprises. Piscataway, NJ: IEEE, 2007: 180-185

[14]Xie Kun, Wang Xin, Wen Jigang , et al. Cooperative routing with relay assignment in multi-radio multihop wireless networks[J]. IEEEACM Trans on Networking, 2016, 24(2): 859-872

[15]Dey A K. Understanding and using context[J]. Personal and Ubiquitous Computing, 2001, 5(1): 4-7

[16]Younes M B, Boukerche A, Rom’an-Alonso G. An intelligent path recommendation protocol (ICOD) for VANETs[J]. Computer Networks, 2014, 64(9): 225-242

Yang Qian, born in 1992. MSc. Her main research interests include VANET and recommender system.

Luo Juan, born in 1974. PhD, professor, PhD supervisor. Her main research interests include Internet of things, cloud computing and middleware.

Liu Chang, born in 1987. PhD candidate. Her main research interests include Internet of things and network security.

Context Based Service Recommendation Middleware in VANET

Yang Qian, Luo Juan, and Liu Chang

(CollegeofComputerScienceandElectronicEngineering,HunanUniversity,Changsha410082)

VANET (vehicle ad hoc network) is a very important part of smart city which is required to implement a myriad services related to vehicles safety, traffic efficiency and comfortable driving experience. The current researches on service discovery in VANET are mainly focused on quality and latency of service. But with the development of service number and service type in VANET, the information explosion in VANET is increasing seriously, so there is an urgent need for VANET to provide services considering users’ individual requirements. This paper presents a context based service recommendation middleware architecture for VANET which can recommend services for users based on vehicles’ rich context information and users’ service history. With offline theory, a context-based approach of service recommendation is provided. Only when services meet the vehicle’s context constraints and the users’ preference model, they could be recommended to the user. Experimental results show that the recommended services are reasonable and meet users’ preference, additionally, the detours probability caused by services can be reduced.

vehicle ad hoc network (VANET); middleware; context; user preference; service recommendation

2016-08-22；

2016-12-20

國家自然科學基金項目(61672220,61370094,61300219)；湖南省自然科學基金杰出青年基金項目(13JJ1014) This work was supported by the National Natural Science Foundation of China (61672220, 61370094, 61300219) and the Natural Science Foundation for Distinguished Young Scholars of Hunan Province (13JJ1014).

羅娟(juanluo@hnu.edu.cn)

TP393