葉 蕾，陳冬梅，曾令秋，韓慶文，王瑞梅

1.重慶大學 通信工程學院，重慶 400044

2.汽車零部件先進制造技術(shù)教育部重點實驗室（重慶理工大學），重慶 400054

3.重慶大學 計算機學院，重慶 400044

1 引言

道路安全預警能夠提醒道路車輛合理避險，從而提升道路交通安全水平，道路車輛可通過安全預警信息SWM交互獲取周邊車輛信息，并根據(jù)該信息合理制定駕駛策略，以避免潛在威脅轉(zhuǎn)換為交通事故。

道路潛在威脅一般來源于健康狀態(tài)不良車輛，如因駕駛員駕駛行為不良或車輛狀態(tài)不良導致的行駛狀態(tài)異常車輛，這類車輛自身或許并不會發(fā)生交通事故，但可能導致周邊車輛發(fā)生事故，如車速緩慢，異常變道可能導致路怒癥，誘發(fā)交通事故[1]。

車間通信是提高道路安全的重要技術(shù)，道路車輛通過交換異常車輛產(chǎn)生的SWM來避免潛在危險，區(qū)域內(nèi)大量異常車輛產(chǎn)生的SWM將造成局部信息風暴，嚴重影響車間通信性能。車間安全信息的交換遵循3R原則，即在正確的時間向正確的車輛發(fā)送正確的信息。由于異常車輛的影響區(qū)域有限，因此異常車輛僅需要給影響范圍內(nèi)有通信需求的車輛發(fā)送SWM。面向SWM的分簇算法根據(jù)車間通信需求確定SWM交互區(qū)域，能夠有效降低信息擁堵率，提高信息傳輸效率。分簇算法應重點考慮簇穩(wěn)定性和信息傳輸效率兩個因素。

簇頭的選擇機制會對簇穩(wěn)定性產(chǎn)生重要影響。文獻[2]提出的基于車輛運動性的簇頭選擇機制能夠有效提高簇穩(wěn)定性。文獻[3]提出的動態(tài)簇頭選擇算法能適應駕駛者的行為，并且通過學習機制預測所有簇成員將來的速度和位置。結(jié)合地理位置和運動軌跡，文獻[4]提出的車輛分簇算法能夠提升車間通信性能。SWM與車輛的健康屬性密切相關(guān)，在早期研究中，已經(jīng)提出針對以事故車輛為中心的道路異常區(qū)域的分析和評估方法[5]，并且建立了基于車輛健康狀況的原始簇結(jié)構(gòu)[6]。文獻[7-11]對此也有相關(guān)研究，在此不再贅述。這些研究表明車輛的健康屬性會直接影響周圍車輛的健康狀況和危險等級，因此應根據(jù)車輛的健康狀況和相應位置關(guān)系來構(gòu)建SWM的傳輸簇。車輛的健康狀況越差，產(chǎn)生的SWM越多，因此相較于低風險車輛，高風險車輛具有更大的通信需求，那么選擇高通信需求的車輛作為簇中心將有助于維持簇的拓撲結(jié)構(gòu)。

基于頻率資源有限和802.11p協(xié)議中傳統(tǒng)的信道競爭接入機制兩個因素，如果簇內(nèi)過多車輛有SWM交換需求，則會造成較長的信息交換時延和較低的信息傳輸效率。文獻[12]提出車輛互連度量和聚類協(xié)議，以提高車輛連通性，文獻[13]提出的總體本地流動性標準一定程度上提高了信息傳輸效率。簇內(nèi)SWM的傳輸效率與簇中高危車輛的數(shù)量和簇的范圍有密切關(guān)系。Lan Kun-Chen等人相信車輛簇的范圍應該隨著區(qū)域內(nèi)車輛數(shù)目的變化而變化[14]，并且應該采用現(xiàn)實車輛跟蹤數(shù)據(jù)來說明車輛簇的形成與相應參數(shù)之間的關(guān)系，例如路線選擇，交通信號燈和路邊節(jié)點的位置。本文認為簇的范圍與簇內(nèi)SWM通信需求的數(shù)量有關(guān)，因此根據(jù)簇內(nèi)通信需求數(shù)量自適應調(diào)整簇的范圍能夠降低車輛爭奪傳輸資源的可能性，從而大大提高SWM的傳輸效率。

因此，本文將重點從車輛健康狀況，車間通信需求和簇范圍三個方面展開研究，主要內(nèi)容如下。

（1）基于車輛的固有屬性和實時屬性，提出車輛長期和短期健康狀況評估方法，判斷車輛的危險等級。

（2）提出基于車輛健康狀況的自適應分簇算法，從信息源方面降低網(wǎng)絡(luò)開銷，提高簇穩(wěn)定性。

（3）提出基于簇內(nèi)通信需求數(shù)量的簇范圍自適應調(diào)整機制，從信息傳輸范圍方面進一步降低信息擁堵，提高傳輸效率。最后詳細介紹了簇的形成和維持過程。

2 車輛健康狀況評估

車輛健康狀況的評估結(jié)果是基于車輛健康狀況的分簇算法的首要指標。根據(jù)以前的研究結(jié)果，選擇駕駛員駕駛行為和車輛狀態(tài)作為決定車輛健康狀況的兩個主要因素，并且這兩個因素都應該通過實時屬性和固有屬性來說明。道路車輛間通過交互包含車輛健康狀況的SWM信息來合理規(guī)避道路中潛在的危險車輛，因此將個人車輛（PV）定義為包括駕駛員在內(nèi)的道路上未發(fā)生事故的車輛，PV的特性應包括實時屬性和固有屬性。用長期健康參數(shù)（L HV）和短期健康參數(shù)（SHV）來綜合評估車輛健康狀況。

車輛PVj的長期健康參數(shù)主要由固有屬性決定，主要參數(shù)包括：

其中Vtype為車輛類型，kTV為車輛已行駛公里數(shù)，ACEdriver為駕駛員累計駕駛經(jīng)驗，WLi為權(quán)重因子。

眾所周知，車輛行駛的時間越長越危險，因此車輛健康狀況與kTV呈線性關(guān)系，文獻[15]提出車輛事故率與車輛類型的關(guān)系，在所有的道路事故中，小型車的死亡率最大，其次為大型卡車。Vtype和kTV的值可以通過控制中心得到，具體定義見表1。

表1 V type與kTV數(shù)值表

ACEdriver由駕駛經(jīng)驗因素ACEdriver1和車輛熟悉因素ACEdriver2共同決定。

低齡駕駛?cè)擞捎隈{駛經(jīng)驗缺乏，實際道路駕駛技能生疏，復雜路況下抗干擾能力相對較差、應急反應處理能力不足，容易造成周邊車輛不安[1]，其危險性最大。同時圖1顯示的2015年上海各個駕齡的事故率也可說明低領(lǐng)駕駛?cè)说奈ｋU性最大，根據(jù)分析可定義ACEdriver1的值，具體數(shù)值見表2。

圖1 2015年各駕齡事故率

表2 ACE driver1數(shù)值表

ACEdriver2與駕駛員使用對象車輛的次數(shù)有關(guān)，可以通過以下公式計算：

車輛PVj的短期健康參數(shù)主要由實時屬性決定，主要參數(shù)包括：

其中，Vcondition為車輛的實時狀態(tài)，可通過車載傳感器模塊獲得，Hdriver為駕駛員健康狀況，可通過穿戴設(shè)備來實時監(jiān)測[16]，RSdriving為實時駕駛狀態(tài)，可通過汽車行駛狀態(tài)實時記錄裝置獲得[17]，具體定義和解釋如表3所示。

表3 實時參數(shù)數(shù)值表

綜合考慮車輛的長期健康參數(shù)LHV和短期健康參數(shù)SHV可以得到車輛健康值的計算公式：

其中β1和β2分別為LHV和SHV的權(quán)重因子，由于LHV對車輛的健康狀況起主導作用，因此定義β1＞β2。

例如一輛行駛了8萬公里的低速客車，一位駕齡為2年的駕駛員首次接觸該車輛，若權(quán)重因子WLi=[0.8 0.1 0.1]，則該車的長期健康參數(shù)為LHV=[1 2 4+e1-1]?[0.8 0.1 0.1]T=1.5，假設(shè)通過車輛傳感器與駕駛員佩戴的健康狀況檢測器得知目前該駕駛員的身體狀態(tài)與駕駛狀態(tài)均正常，但是車輛實時車況不良，若權(quán)重因子WSi=[0.3 0.5 0.2]，由于車輛均處于同一路段，因此道路因素可以不予考慮，則該車的短期健康參數(shù)為SHV=[0 1 0]?[0.3 0.5 0.2]T=0.5 。

根據(jù)車輛的健康值，可以將車輛分為健康車輛（HV）和亞健康車輛（SHV），其中亞健康車輛又根據(jù)不同情況進一步分為長期亞健康車輛（LSHV）和短期亞健康車輛（SSHV），通過設(shè)置長期閾值（L Hth）和短期閾值（SHth）對SHV進行分類，具體分類規(guī)則如下：

（1）如果 LHV(i)≥LHth，則 PV(i)為LSHV。

（2）如果 LHV(i)＜LHth，且 SHV(i)≥SHth，則 PV(i)為SSHV。

（3）如果 LHV(i)＜LHth，且 SHV(i)＜SHth，則 PV(i)為HV。

3 基于車輛健康狀況的自適應分簇算法

為提高SWM傳輸性能，本章提出基于車輛健康狀況的自適應分簇算法。簇為一個圓形區(qū)域，其中心具有簇頭（CH），簇將隨著CH一起移動。為確保高危信息的傳輸質(zhì)量，算法重點解決三個關(guān)鍵問題，包括CH的選取和轉(zhuǎn)移，簇范圍的自適應調(diào)整，簇的動態(tài)行為。

3.1 CH的選取和轉(zhuǎn)移規(guī)則

簇頭的穩(wěn)定性影響簇的穩(wěn)定性。對于以傳輸SWM為目的的簇，選擇一個具有穩(wěn)定傳輸需求的車輛作為簇頭將有助于維持簇的穩(wěn)定性。由于PV間的傳輸需求與車輛的健康狀況密切相關(guān)，因此PV的健康值將作為CH選取和轉(zhuǎn)移過程中的主要依據(jù)。

3.1.1 CH的選取

當健康的車輛轉(zhuǎn)變?yōu)镾HV時，如果其周圍沒有現(xiàn)存的簇，則會產(chǎn)生一個新簇。由于SHV由實時屬性決定并且會隨著時間變化，因此為了確保簇的穩(wěn)定性，在簇頭的選取過程中應首先考慮LHV。具體選取規(guī)則如下：

（1）如果區(qū)域內(nèi)存在多輛LSHV，則選取LSHV中LHV最大的車輛作為簇頭。

（2）如果區(qū)域內(nèi)沒有LSHV，但是存在多輛SSHV，則選取SSHV中HV最大的車輛作為簇頭。

（3）如果區(qū)域內(nèi)既沒有LSHV，也沒有SSHV，則該區(qū)域不需要構(gòu)建簇。

3.1.2 CH的轉(zhuǎn)移

當有新的SHV駛?cè)氍F(xiàn)存簇內(nèi)，或當簇內(nèi)車輛的健康屬性發(fā)生改變時，CH可能會發(fā)生轉(zhuǎn)移。如果簇內(nèi)一旦出現(xiàn)LHV或SHV更高的SHV時，CH就發(fā)生轉(zhuǎn)移，那么CH的頻繁轉(zhuǎn)移將降低簇的穩(wěn)定性。為確保簇頭選取的權(quán)威性和穩(wěn)定性，提出遲滯CH轉(zhuǎn)移規(guī)則。

假設(shè)車輛 j的健康值高于現(xiàn)有簇頭i，定義健康值的百分比差為：

設(shè)定百分比差閾值PDth來決定CH是否轉(zhuǎn)移。假設(shè)原始簇頭為PV(i)，競爭簇頭的車輛為PV(j)，CH的轉(zhuǎn)移規(guī)則如下：

（1）如果 PV(i)和 PV(j)均為LSHV，當 PDij＞PDth時，CH發(fā)生轉(zhuǎn)移。

（2）如果 PV(i)和 PV(j)均為SSHV，當 PDij＞PDth時，CH發(fā)生轉(zhuǎn)移。

（3）如果 PV(i)為SSHV，PV(j)為LSHV，則CH直接轉(zhuǎn)移。

（4）如果 PV(i)為LSHV，PV(j)為SSHV，則保持原簇頭。

3.2 簇范圍自適應調(diào)整機制

區(qū)域內(nèi)所有的SHV都將產(chǎn)生SWM，并嘗試將其傳輸給鄰居車輛，因此區(qū)域內(nèi)即時信息量的大小難以估計，如果等待傳輸?shù)男畔⒗塾嫷揭欢〝?shù)量，將會發(fā)生局部信息風暴。所以應該控制簇內(nèi)信息數(shù)量來避免局部信息量過大造成的通信效率下降。對于車輛簇來說，最直接的方式即根據(jù)簇內(nèi)通信需求的數(shù)量自適應調(diào)整簇的范圍。

定義信息發(fā)送車輛i和接收車輛 j之間的通信需求關(guān)系Demand(i,j)：

其中dij為車輛i和 j之間的距離，ρ為區(qū)域車輛密度，α1和α2分別為發(fā)送車輛和接收車輛的權(quán)重因子，由于發(fā)送車輛的健康狀況對于通信需求有更重要的影響，所以設(shè)置α1＞α2。

根據(jù)預先設(shè)定的通信需求關(guān)系閾值Demandth對通信需求進行進一步過濾，如果Demand(i,j)＜Demandth，則車輛i和 j之間無SWM傳輸需求，如果Demand(i,j)≥Demandth，則車輛i和 j之間具有有效通信需求，并且Demand(i,j)的值越大，SWM的傳輸優(yōu)先級越高。

假設(shè)簇內(nèi)有n輛車，那么可以得到n×(n-1)個通信需求值，并且可以根據(jù)Demandth，得到有效通信需求的個數(shù)NVCD。簇半徑為CH到簇成員的最大距離，其應該根據(jù)簇內(nèi)NVCD的變化進行自適應調(diào)整，從而避免信息風暴。

然而簇半徑的頻繁改變將會增加開銷并且大大降低信息傳輸效率，所以將簇半徑分為四個等級，并且所有簇的初始半徑均為最大等級。將簇內(nèi)能夠承擔的最大通信需求數(shù)定義為Nth，并以此為標準調(diào)整簇半徑，具體規(guī)則如下：

（1）如果NVCD＞Nth，則降低半徑等級，縮小簇范圍以減少簇內(nèi)通信需求數(shù)。

（2）如果NVCD≤Nth，則保持簇半徑不改變。

3.3 簇的動態(tài)行為

簇形成之后會隨著CH移動，當簇內(nèi)車輛的位置發(fā)生改變時，簇將會分離或者合并。簇的主要動態(tài)行為如下。

3.3.1 簇的分離

當PV離開原有簇的區(qū)域，并且未進入其他簇的區(qū)域時，即PV無法檢測到原有CH和任何新的CH，則可能會發(fā)生簇的分離，形成新的簇。新簇的CH依然通過上述CH選取規(guī)則來選取。這個過程稱為簇的分離，一個簇分離為兩個簇。

3.3.2 簇成員改變

當PV離開原有簇的區(qū)域，進入到其他簇的區(qū)域時，即PV檢測到新的CH而非原有的CH，PV將加入新的簇作為簇成員或者根據(jù)CH轉(zhuǎn)移規(guī)則成為CH。

3.3.3 簇的合并

當兩個CH進入彼此所在簇的覆蓋區(qū)域時，簇將發(fā)生合并。新簇的CH將根據(jù)CH選取原則進行選取，此時兩個簇合并為一個簇。

4 簇的生成和維持過程

假設(shè)所有的PV都可以根據(jù)GPS和車內(nèi)的傳感器得到自身的位置信息和健康屬性。根據(jù)上述章節(jié)中提出的自適應分簇算法和相關(guān)規(guī)則，設(shè)計簇的產(chǎn)生和維持過程。

4.1 簇的生成

當PV進入道路環(huán)境，或離開原有的簇結(jié)構(gòu)時，他們將進入默認信道進行簇的生成。PV根據(jù)LHV和SHV得到自身健康狀態(tài)，如果為SHV，則廣播自身的狀態(tài)信息（AM），包括位置信息和健康屬性，區(qū)域內(nèi)所有的PV都將收到鄰居SHV的AM，然后與自身健康狀態(tài)進行比較，根據(jù)上述CH選取規(guī)則選取CH。CH計算簇內(nèi)通信需求數(shù)量，并以此確定簇半徑，然后向所有的簇成員廣播確認信息（BM），收到BM的PV將加入該簇成為簇成員，在預設(shè)時間內(nèi)未收到BM的PV將進入下一個簇生成過程。

4.2 簇的維持

簇生成之后將進入簇的維持過程。在這個階段，CH定期廣播BM。收到BM的簇成員將繼續(xù)留在簇中，并向CH發(fā)送AM更新位置信息和健康屬性，CH根據(jù)收到的AM更新簇成員屬性并根據(jù)需求調(diào)整簇半徑。而在預設(shè)時間內(nèi)未收到BM的簇成員則返回到簇的生成過程。如果CH收到另一個CH的BM，兩個簇將會合并為一個簇。

完整的分簇過程如下。

準備：所有VENET中的車輛均切換到默認信道

步驟1簇的產(chǎn)生

1.1 PV根據(jù)健康因素確認自身是否是SHV

如果PV是SHV，則廣播AM

1.2 PV收到鄰居車輛的位置信息和健康屬性

1.3 根據(jù)CH選取規(guī)則，如果PV是CH

根據(jù)有效通信需求數(shù)Nvcd確定簇半徑

向簇成員廣播BM

1.4 根據(jù)CH選取規(guī)則，如果PV不是CH

如果收到CH發(fā)送的BM，則加入簇

如果沒有收到BM，返回1.1

步驟2簇的維持

2.1 CH定期廣播BM

2.2 如果簇成員收到CH發(fā)送的BM

繼續(xù)留在簇中

通過AM向CH更新位置信息和健康屬性

2.3 如果簇成員沒有收到CH發(fā)送的BM

在預設(shè)時間內(nèi)繼續(xù)等待BM

如果收到BM，則重新加入簇或者加入一個新簇

如果沒有收到BM，則回到簇生成過程

2.4 CH更新簇成員屬性

如果需要，根據(jù)CH轉(zhuǎn)移規(guī)則進行CH轉(zhuǎn)移

如果需要，根據(jù)簇內(nèi)有效通信需求數(shù)調(diào)整簇半徑

2.5 如果CH收到其他CH的BM

CH競爭并進行簇合并

5 仿真結(jié)果與分析

本文運用基于智能體的建模仿真平臺Anylogic[18]來進行分簇過程的仿真分析。Anylogic 6.0平臺結(jié)合基于智能體的仿真模型搭建框架結(jié)構(gòu)，用于模擬復雜的車輛道路環(huán)境。

5.1 模型假設(shè)

（1）道路車輛：道路車輛通過對SWM的交互來獲取周邊行駛狀態(tài)異常（駕駛行為不良或車況不良）的車輛信息，以避免潛在威脅，因此模型中的道路車輛定義為道路中包括駕駛員在內(nèi)的未發(fā)生事故的車輛。

（2）車輛健康參數(shù)：模型的重點在于驗證基于車輛健康值的分簇算法的有效性與穩(wěn)定性，因此車輛健康參數(shù)的采集與計算不在該模型考慮范圍內(nèi)。由于道路車輛的健康值總是大于0，且在實際情況中，車輛狀態(tài)極佳與極差的均為少數(shù)，大部分車輛處于中間健康狀態(tài)，因此為了研究方便本文定義車輛的長期健康參數(shù)與短期健康參數(shù)均服從正態(tài)分布。模型中車輛的LHv與SHv分別為正態(tài)分布中的隨機數(shù)。

5.2 模型設(shè)置

本文構(gòu)建的模型中包含三個智能體，包括控制車輛運動流程的主智能體，定義車輛屬性的車輛智能體和計算簇相關(guān)數(shù)據(jù)的簇智能體。模型的時序流程如圖2所示。

圖2 模型時序圖

在建模過程中，首先在主智能體中進行模型初始化。初始化包括兩個部分，一是初始化道路車輛的位置和速度，另一個為初始化所有車輛的LHv與SHv。主智能體中的定時器將定期觸發(fā)車輛智能體中函數(shù)，當函數(shù)被觸發(fā)時，車輛智能體將遍歷所有的車輛計算出每輛車的Hv并通過CH選取規(guī)則確定CH并隨后計算簇的半徑。車輛的變道和變速等運動行為也由車輛智能體控制實現(xiàn)。

5.2.1 簇的動態(tài)行為仿真

模型初始設(shè)置如下：

（1）道路設(shè)置為390 m的單向3車道。

（2）道路車輛的速度范圍為30～60 km/h。

（3）分簇過程將遵循第3、4章中提出的算法。

（4）其他參數(shù)如表4所示。

表4 模型參數(shù)值

仿真結(jié)果如圖3，圖4所示，展示了簇的生成和維持過程，包括CH的選取、轉(zhuǎn)移，簇半徑的改變和簇的動態(tài)行為。

圖3 簇的生成過程圖

圖4 簇的動態(tài)行為過程圖

在圖3中，t1時刻，根據(jù)CH選取規(guī)則和簇半徑判定原則，道路中生成了4個簇。可以看出LSHV首先被選取為簇頭，當?shù)缆分袥]有LSHV時，選取了HV最大的SSHV作為簇B的簇頭，并且根據(jù)各個簇內(nèi)NVCD與Nth的比較，確定了簇A、B、C、D的半徑分別為75 m，50 m，50 m和100 m。

t2時刻，由于車輛SHV的改變，按照CH轉(zhuǎn)移規(guī)則，簇B的簇頭由PV1轉(zhuǎn)變?yōu)镻V2，同時隨著簇頭的轉(zhuǎn)移，簇內(nèi)NVCD也發(fā)生改變，因此簇半徑隨之改變。

t3時刻，由于簇內(nèi)車輛的移動，簇內(nèi)NVCD發(fā)生改變，因此簇C的半徑由50 m減小為25 m。

在圖4中，t1時刻，簇B的CH向簇C靠近，因此在t2時刻，簇B和簇C合并為簇E，新的CH同樣根據(jù)CH選取規(guī)則選取。同時隨著車輛的移動，t2時刻的簇D在t3時刻分離為簇F和簇G。

模型仿真參數(shù)的統(tǒng)計輸出結(jié)果如圖5所示。仿真跟蹤了通信需求數(shù)和簇半徑的變化關(guān)系。結(jié)果表明簇半徑與需求密度成反比，其中通信需求密度為NVCD與簇面積的比值。

圖5 簇半徑與通信需求密度關(guān)系圖

5.2.2 分簇算法性能檢測

本文與文獻[19]中的三種成簇算法進行成簇穩(wěn)定性的對比。

模型設(shè)置：

（1）道路設(shè)置為2 000 m的單向3車道。

（2）道路車輛的速度范圍為36～108 km/h。

（3）分簇過程將遵循第3、4章中提出的算法。

（4）其他閾值參數(shù)如表4所示。

為說明分簇算法的穩(wěn)定性，定義穩(wěn)定因子的計算方法如下：

即CH持續(xù)時間與仿真時間的比值，統(tǒng)計計算不同車輛數(shù)下穩(wěn)定因子的值，由于文獻[19]僅統(tǒng)計了CH持續(xù)時間，為方便直觀比較算法性能，結(jié)合算法的仿真時間將文獻[19]中的結(jié)果換算為穩(wěn)定因子，得到結(jié)果如圖6所示。

圖6 穩(wěn)定因子隨車輛數(shù)變化圖

從圖中看出算法min-id的簇穩(wěn)定性在各種車輛數(shù)下均表現(xiàn)較差，算法SD與max-degree的簇穩(wěn)定性隨車輛數(shù)波動較大，而本文算法能夠在不同車輛數(shù)下，均保持較高的簇穩(wěn)定性。綜上，本文算法具有良好的簇穩(wěn)定性和優(yōu)秀的自適應能力。

6 結(jié)束語

道路車輛簇的穩(wěn)定性和有效性直接影響V2V信息交換的性能，因此在分簇算法的設(shè)計中應予以重點考慮。

基于車輛健康狀況的自適應分簇算法能夠有效減少局部信息風暴，提高SWM傳輸效率。根據(jù)車輛健康評估方法將車輛分為健康和亞健康兩種狀態(tài)，只有亞健康狀態(tài)的車輛才傳送SWM，從信息源方面減少了區(qū)域信息量。在CH選取過程中采用LSHV優(yōu)先準則和遲滯CH轉(zhuǎn)移規(guī)則來確保簇的穩(wěn)定性。通過計算簇內(nèi)通信需求數(shù)實現(xiàn)簇范圍的自適應調(diào)整，從信息傳輸范圍方面減少了區(qū)域信息量。基于Anylogic 6.0平臺的仿真結(jié)果說明了該算法的三個優(yōu)點。第一，合理降低CH轉(zhuǎn)移概率；第二，簇范圍能根據(jù)簇內(nèi)通信需求數(shù)進行自適應調(diào)整；第三，在不同車輛密度下，車輛簇都具有良好的穩(wěn)定性。這些均能說明該算法的有效性。

在未來的研究工作中，將運用實際道路對算法進行測試。相信本文將有助于推廣V2V SWM傳輸機制的應用。