車載網(wǎng)移動模型研究的文獻綜述車載網(wǎng)主要應用場景為高速道路和城市街道，車輛節(jié)點加入或者離開網(wǎng)絡較為隨意，車輛高速移動會造成網(wǎng)絡拓撲劇烈變化，數(shù)據(jù)傳輸?shù)臏蚀_性、穩(wěn)定性以及安全性會受到影響。在研究車載網(wǎng)路由協(xié)議之前，需要找到能夠反映真實車輛運動的模型，檢驗在特定場景下改進后的路由協(xié)議是否可行。車輛在運行過程中受到多種因素影響，在特定場景中需要使車輛速度、運動軌跡、控制駕駛員相關影響因子等變量的變化在合理的時間段內完成，這就需要建立合理的移動模型，確保信息能夠正確地傳輸，使得路由協(xié)議能夠實現(xiàn)。路由協(xié)議與車輛移動特性有很強的關聯(lián)性，移動特性和數(shù)據(jù)信息傳輸相互影響。車輛移動模型由車輛運動條件約束和交通流量生成構成，其中車輛運動軌跡和交通流量大小有直接關系。車輛拓撲結構是用來描述車輛運動約束的，拓撲結構不僅受車道數(shù)影響，也由車輛限速、周邊環(huán)境、是否存在障礙物共同決定。車輛模塊構建需要分析車輛相關特性和車輛行程選擇，駕駛行為模塊需要考慮駕駛員的駕駛行為，例如是否進行轉向、剎車或者超車等操作，路徑選擇過程中，注重研究車輛節(jié)點的初始位置、離開拓撲位置、道路特點等信息。車輛移動模型的整體架構如圖110所示。圖110車輛移動模型的整體架構車載網(wǎng)的移動模型比普通移動自組織網(wǎng)移動模型種類更多，移動模型可以大致分為隨機模型、時間依賴模型、空間依賴模型、地理限制模型等。移動模型分類圖如圖111所示，下文主要對隨機路點模型、高速公路移動模型和高斯馬爾科夫移動模型進行簡單介紹。圖111移動自組織網(wǎng)絡中移動模型的分類（一）隨機游走模型隨機游走模型（RandomWalkMobility，RWM）[26]主要用來模擬移動對象的速度、位置以及時間變化的模型，隨機游走模型如圖1-12所示。移動節(jié)點開始運動后會隨機產生一個運動方向角和一個新的運動時間，每次移動過程中會以固定的速度進行，隨機游走模型也被成為布朗運動模型，有些服從指數(shù)分布，可由公式（1-1）表示，有些服從正態(tài)分布，可由公式（1-2）表示。（1-1）（1-2）圖1-12隨機游走模型（二）高斯——馬爾科夫移動模型高斯——馬爾科夫移動模型（Gauss-MarkovMobilityModel，GM）[27]能夠根據(jù)車輛移動速度和方向，更好的描述車輛運動情況，該模型最早應用于網(wǎng)絡中移動終端的快速定位。在節(jié)點開始運動時，每個節(jié)點都會有一個當前的速度和方向，節(jié)點后續(xù)的移動方向和速度會根據(jù)相同的時間間隔來進行改變，可以避免速度和反向出現(xiàn)的突變行為[28-29]。該模型的節(jié)點速度可由公式（1-3）表示為：（1-3）（1-4）式中，sn表示在時間間隔n內的速度，dn表示在時間間隔n內的方向，其中α是在[0,1]之間變化的隨機性常數(shù)，、分別表示速度和方向的平均值，通過設置α=0將節(jié)點運動設置為隨機運動，α=1是節(jié)點運動是線型的[30]。在每個時間間隔中，根據(jù)當前位置、速度和移動方向計算下一個位置。（三）車輛跟馳模型車輛移動模型（VehicularMobileModel，VMM）是在車輛行駛過程中考慮車輛的移動狀態(tài)，并且通過數(shù)學理論方法建立模型。車輛的行駛狀態(tài)包括車輛之間進行的超車、跟車、換道、躲避障礙物、加減速等行為。同時，車輛移動模型也會根據(jù)路網(wǎng)結構、周邊是否存在障礙物或者相鄰車輛運動狀態(tài)來決定。本文主要使用車載網(wǎng)中常用的高速公路交通流模型進行建模。Krauss移動跟馳模型[31]是基于安全車速建立的微觀模型，考慮車輛自由行駛過程中前方是否有車輛干擾，若前方?jīng)]有車輛，車輛本身就可以到達最大物理及速度；若前方有車輛，需要參考本車的速度，并且通過計算與前車的速度差，計算安全的行駛速度，調整駕駛員行為，使車輛在緊急情況下能夠保持安全距離，避免出現(xiàn)碰撞行為[32]。式（1-7）為Krauss模型的方程：（1-7）式中，為前車在t時刻的車輛速度；為后車與前車之間的距離；為前后兩車的平均速度；為駕駛員反應時間；b是減速函數(shù)。在實際車輛行駛過程中，計算出來的安全車速可能會略大于車輛的限速，因此考慮在計算期望速度應該取道路限速、車輛最大速度和理論變化速度中最小的值。如（1-8）所示：（1-8）其中，為道路限速;a為車輛最大速度增量。在道路交通管理過程中，通過使用Krauss跟隨模型，尋找車輛運動的規(guī)律，估計在車流中前后車之間的影響。在道路上前車可以提供車頭時距、相對速度等信息，給后車一定的響應時間，幫助駕駛員進行預判，減少安全事故產生。車輛跟隨模型的通用模式如圖113所示。圖113車輛跟隨模型的通用模式高速公路模型主要是針對城市區(qū)域內的運動提出的，考慮車輛的最大加減速遞和，目標車輛的反應時間及速度，在仿真軟件中該模型計算數(shù)量少，能夠很快進行執(zhí)行。本文考慮后期需要在高速公路車載網(wǎng)中進行模擬實現(xiàn)，在NS2模擬場景需要體現(xiàn)高速公路場景，因此選取網(wǎng)絡模型是車載網(wǎng)高速公路交通流模型，不僅體現(xiàn)出高速公路應用場景，車輛速度狀態(tài)等交通流信息也能一定體現(xiàn)。參考文獻張樂樂,王麗,肖小玲.我國智能交通系統(tǒng)的發(fā)展現(xiàn)狀和趨勢[J].電腦知識與技術,2021,17(03):247-249韓桂馨,秦小冬.國內外智慧交通信息服務平臺發(fā)展的經(jīng)驗及啟示[J].現(xiàn)代商業(yè),2017,12:56-57《中國公路學報》編輯部.中國汽車工程學術研究綜述[J].中國公路學報,2017,30(06):1-197RymaA.VANETsecurityandforensics:Challengesandopportunities[J].ForensicScience,2019,1(2):1-13DarwishT,BakarK.A.Trafficawareroutinginvehicularadhocnetworks:characteristicsandchallenges[J].TelecommunicationSystems,2016,61(3):1-25宋夢超.基于車聯(lián)網(wǎng)通信關鍵問題的研究[D].北京郵電大學,2015MonicaB.M,Valarmathi.ASmartcityroutingusingGIS&VANETsystem[J].JournalofAmbientIntelligenceandHumanizedComputing,2020:1-7MirZ.H,FilaliF.Large-ScaleSimulationsandPerformanceEvaluationofConnectedCarsaV2VCommunicationPerspective[J].SimulationModellingPractice&Theory,2017,72:88-103陳漩,蔡子華.面向下一代車聯(lián)網(wǎng)的V2X關鍵技術研究[J].廣東通信技術,2018,38(04):22-25肖瑤,劉會衡,程曉紅.車聯(lián)網(wǎng)關鍵技術及其發(fā)展趨勢與挑戰(zhàn)[J].通信技術,2021,54(01):1-8MayadaA,RashidS.A.MobilityRoutingModelforVehicularAd-hocNetworks[J].SmartCityScenarios,2017,9:154-161SaravananM,GaneshkumarP.Routingusingreinforcementlearninginvehicularadhocnetworks[J].2020,36(2):682-697MonicaB.M,Valarmathi.ASmartCityRoutingUsingGISandVANETSystem[J].JournalofAmbientIntelligenceandHumanizedComputing,2020:1-7彭杏云.車載網(wǎng)中基于概率的廣播算法與路由協(xié)議研究[D].福建師范大學,2016RajK,JaiswalC.APerformanceEvaluationofLocationPredictionPositionBasedRoutingUsingRealGPSTracesforVANET[J].WirelessPersonal,2018,102(1):275-292RamakrishnanB,SelviM,Bhagavat