一种车队路径匹配和可信度评估方法、系统、设备及终端

1.本发明属于车辆编队系统管理技术领域，尤其涉及一种车队路径匹配和可信度评估方法、系统、设备及终端。


背景技术：

2.目前，车辆编队(vehicle platoon)，即多辆车以一定的车间间距形成稳定的队列行驶。通过利用低时延、高可靠的车联网技术，车辆编队技术可以实现车与车之间的快速信息共享和协同控制，从而提高道路安全性、效率和燃油经济性。随着自动驾驶技术的不断发展以及智能网联车辆的不断普及，车辆编队技术已被广泛地应用到货运、公交和个人出行等领域，成为智能交通系统的重要组成部分。据一项最新报告显示，2020年全球共有1.2亿辆智能网联车辆，预计到2025年将增至3.6亿辆，其中有一半以上将具备车辆编队功能。
3.基于车队的驾驶模式因其提高道路通行能力和能源效率的潜力而备受关注。在编队技术的所有问题中，如何管理编队系统一直是一个紧迫的话题。
4.信任和声誉(tr)系统已被广泛研究并应用于评估许多领域的可信度，例如电子商务平台、点对点(p2p)网络、移动参与式感知网络、众包和车联网。tr是两个相互关联的系统的组合，即声誉系统和信任系统。声誉系统通常基于评价实体(请求者)在完成合同后对每个目标实体(工作者)的专业知识和能力进行评价的评级。它使用评估者过去的经验和观察的综合评分来估计目标实体的声誉得分。另一方面，信任系统旨在估计实体行为和意图的可信度。它通常被描述为一个实体相信另一个实体能够诚实和可靠地行事的能力和善意。tr的最后一个重要阶段是决策基于信任和声誉分数的测量值。一般来说，可信度是衡量对一个人的经验、能力、行为和意图的信任。为了准确衡量可信度，本发明研究了tr的相关调查，例如，现有技术通过在可信度评估中使用多标准因素来强调单独计算信任和声誉的重要性。可信度应该有不同的层次，其价值主要是不确定的，取决于各种因素。因此，可信度应该用模糊的方式表示，以便于更好地评估可信度。此外，现有技术认为将评论数据纳入tr系统有助于构建可靠且稳健的可信度评估系统。
5.通常，为了找到可靠的头车并帮助车队成员避免选择行为不当的头车，一种潜在的方法是评估头车和跟随车辆的可信度。许多研究人员已经研究了vanet中的信任和声誉模型。具体来说，patwardhan等人提出了一种用于vanet的分布式声誉管理方案，它使车辆能够快速适应不断变化的当地条件，并提供了一种建立信任关系的引导方法。然而，缺乏可扩展性和鲁棒性使其难以应用于车队场景。不同于传统的基于实体的信任模型，raya等人提出了一个面向数据的信任建立框架。通过将每条数据的信任值组合在一起，他们的框架可以在稀疏区域也能很好地发挥作用。然而，在车队场景中，大量的反馈数据使得他们的框架效率较低。javed提出了一种安全适配方案，以提高安全应用程序的服务质量(qos)。在他们的方案中，结合连接持续时间、附近车辆的中心性指标和安全级别等几个因素来计算信任级别。由于这项工作的重点是车辆传感器网络(vsn)中的qos，因此它不适合车辆队列的应用。yang等研究了在线社交网络(osn)中的信任问题和车载社交网络(vsn)。在他们的工
作中，创新地将vsns中的信任分为直接信任和间接信任，任意两辆车都可以通过信任链路连接起来。chen等在vanet中提出了一种基于信任的消息传播和评估框架，然而，缺乏鲁棒性也是其弱点。
6.大多数tr系统方法使用声誉或信任因素来评估车辆的可信度。可信度评估方法利用计算逻辑(例如简单求和)和统计方法来评估车辆的声誉。在很大程度上，声誉因素是根据车辆的历史评级来调查的。但是，目前大多数研究要么忽略评价，要么考虑简单的分析来检验车辆对可信度评估的信任。当前车辆编队中的tr系统方法将车辆的可信度评估级别作为二进制值提供，即车辆是值得信赖的还是不值得信赖的。此外，tr系统方法的其他弱点是由于无法获得新加入的车辆的历史评级，因此无法进行可靠的评估，导致冷启动问题。许多研究表明，使用多准则因素和有效方法将进一步提高可信度评估的准确性。
7.为了解决可靠的ph车辆选择问题，然后帮助车队成员避免行为不良的ph车辆，评估ph和车队成员的可信度。wu等人提出了管理车队的复杂而详细的方法，设计了一种两阶段编队算法，以形成稳定且节能的车辆编队。该方案以二元方式(可信或不可信)匹配车队，而不管可信度推理本身的模糊性和不确定性。因此，恶意车辆不能完全排除在队列之外，因为没有考虑信任和声誉。在参与式传感网络等其他领域已经研究了如何建立信任。zhang等人提出了一种基于信任的车队推荐方案，通过其设计的真相发现算法计算车辆的信任值。然而，由于无法获得新加入的车辆的历史评级，因此无法对他们进行可靠的评估，这会导致冷启动问题。timpner等人通过形成所谓的停车社区来帮助车辆建立彼此的信任评级，帮助寻找免费停车位，它依赖于社区成员之间频繁的重新相遇。这种假设在大多数情况下是不现实的，因为即使在常规行驶的路线上，两辆车也很少在同一条道路上同时以相似的速度行驶并且彼此靠近。因此，这不适用于编队行驶。xu等人的拜占庭协议服务可用于评估车队的当前速度，但不能直接用于检测实际的不当行为并对各个实体做出相应的反应。chen等人提出了一种自动驾驶车辆的队列驾驶模型。pm可以对ph的服务质量进行评分，从而为每个ph获得声誉评分；引入了基于区块链的激励机制，但缺乏鲁棒性是其弱点。刘等人提出信任不是简单地将信任标识为信任或不信任，而是表示为三元值(即信念、不信任和不确定性)，分析主观逻辑并提出了一个三值主观逻辑模型模拟对osn的信任。利用这个模型，设计了assesstrust算法来准确计算任意两个用户之间的信任度。然而，这两种方案都侧重于社交网络中车辆之间的信任测量，且这个主观模型存在一些问题，如无法处理不确定的值，缺乏明确的数学结果等，因此它们不适合基于rsu的车辆编队系统。此外，xiong等人提出了一种轻量级、隐私保护的协作对象分类框架，允许联网自动驾驶汽车交换原始传感器数据(例如，高清摄像机捕获的图像)，而不会泄露隐私信息，以启发对车辆编队中的安全和隐私问题进行深入的考虑。
8.先前的大多数tr系统方法执行可信度评估并以二元方式(可信或不可信)匹配车队，而不管可信度推理本身的模糊性和不确定性。模糊系统代表了一个很有前途的概念，它通过结合不确定性做出准确的决策来缩小计算逻辑和人类推理之间的差距。模糊推理系统(fis)是使用0到1之间的模糊逻辑范围而不是二进制逻辑值来制定从给定输入到输出的映射的过程。mamdani和takagi以及sugeno类型的fis方法是最常见的。takagi和sugeno(ts)fis方法在许多方面与mamdani方法相似。模糊推理过程的前两部分，模糊化输入和应用模糊推理规则是相同的。mamdani和ts、tis之间的主要区别在于输出隶属函数在ts中只是线
性的或常量考虑问题。常见的中心化mf包括高斯、梯形、三角形和钟形隶属函数。有各种模糊运算，例如max(聚合)、min(蕴涵)、max-min和min-max，它们主要用于推理。在去模糊化中，可以使用多种方法，例如重心(cog)、面积中心(coa)、最大值优先(fom)、最大值平均值(mom)和中心平均值。然而，研究人员发现cog最重要的优势是它具有更小的均方误差和更好的稳态性能，以便通过使用聚合区域的质心转换模糊输出来获得清晰的数值。
9.在车辆编队系统中，新注册的车辆可能会导致冷启动问题，从而进一步削弱评估新车辆可信度的能力。之前在车辆编队的研究大多忽视了评估新车辆(冷启动问题)可信度的问题。例如，现有技术提出了一个细粒度的系统来量化员工的声誉。它通过在声誉计算中为所有新加入的车辆分配一个预定义的评级值来解决新车辆的可信度问题。它假设所有新加入的车辆都是中等水平的可信度。pagerank算法在许多推荐系统和vanet研究中的使用可用于解决冷启动问题。在vanet中，xiao等人利用pagerank算法评估参与者的可信度，开发了一个有效的声誉系统。包含基于推荐的声誉可以帮助克服tr系统中的冷启动挑战，以评估新成员的可信度。根据牛津词典，推荐被定义为“推荐某人或某物进行咨询、审查或进一步行动的行为”。在声誉计算中，历史评级通常具有更大的权重，并且在没有评级的情况下可以使用新加入实体的推荐数量。
10.车辆编队虽然可以获得许多好处，但也出现了一些新的挑战。由于用户车辆交出了他们的驾驶控制权，头车将决定车队的行驶路线和驾驶方式，导致用户车辆对头车的服务质量和性能不满意或不信任。例如，一些头车通过提供低质量的服务无意或有意地降低驾驶员体验，甚至更糟糕的是将驾驶员置于危险境地。因此，在加入车辆编队之前识别此类头车是非常必要和紧迫的。通常，头车的服务质量和性能可以通过用户车辆的反馈来判断。然而，这里的问题在于，不同用户车辆给出的反馈可能会因驾驶习惯不同、观察观点不完整，甚至恶意评价而存在较大差异。在汇总这些反馈时，对所有用户车辆一视同仁的传统方法(例如投票或平均)并不适用。为了解决这些挑战，需要一种能够考虑所有用户车辆的可信度并使聚合的可信度分数接近可靠用户车辆提供的反馈的方法。然而，现有的基于信任/声誉的车辆编队方案存在以下两个问题：
11.(1)当前基于信任/声誉的车辆编队方案将车辆的评估分数作为决策中的二元值提供，即车辆是否值得信赖或不值得信赖。这种可信度的二元表示相当严格，在许多情况下可能会产生一些严重的影响。例如，一个本应值得信任但被错误评级为
‘
不值得信任’的头车可能最终没有用户车辆跟随，或者一个有恶意但被错误评级为
‘
可信赖’的头车将被分配多辆用户车辆跟随。一个个体的可信度应该在不同的层面上表达，因为它是一个复杂而动态的概念，受到多种因素的影响。为了定义更多级别的可信度的不确定性，需要设计能够解释上述情况的精确规则库。然而，创建最有效的规则来表达可信度并实施它是非常具有挑战性的。
12.(2)当前基于信任/声誉的车辆编队方案还存在一个冷启动问题，即由于无法获得新加入的车辆的历史评级，无法提供对该类车辆的可信评估。这会影响车辆编队方案的效率和安全性。为了解决或缓解冷启动问题，需要设计一种能够利用其他信息源或机制来评估新加入车辆可信度的方法。
13.通过上述分析，现有技术存在的问题及缺陷为：
14.(1)现有评估头车和跟随车辆可信度的方法缺乏可扩展性和鲁棒性，大量的反馈
数据使得面向数据的信任建立效率较低，不适合车辆队列的应用。
15.(2)现有以二元方式匹配车队的方案没有考虑信任和声誉，缺乏鲁棒性，无法处理不确定的值，不适合基于rsu(roadside unit，路边单元)的车辆编队系统。
16.(3)当前基于信任/声誉的车辆编队方案存在冷启动问题，无法提供对新注册的车辆进行可信评估，影响车辆编队方案的效率和安全性。
17.(4)现有的基于信任/声誉的车辆编队方案可能存在协同攻击的问题，头车可能会与其它车辆合谋，通过互相提供虚假的好评来提高其信任或声誉。
18.(5)现有基于信任/声誉的车辆编队方案可能存在隐私泄露问题，多数方案可能需要用户车辆提供位置、个人驾驶习惯等信息来评估头车的可信度，而这些信息可能会被恶意的头车利用或泄露给第三方。
19.(6)现有基于信任/声誉的车辆编队方案可能存在自我强化偏差问题，如果头车被错误评估为可信赖，而实际上它并不可信赖，那么随后的用户车辆评估可能会受到此前的评估结果影响，从而导致整个车队系统出现偏差。
20.(7)现有技术在实现车辆编队系统时往往采用中心化的控制架构，即所有车辆的行驶和决策都由中心服务器或控制器负责，而这种架构可能会导致单点故障和性能瓶颈。此外，中心化架构还需要大量的通信和计算资源，这会增加系统的成本和能耗。


技术实现要素：

21.针对现有技术存在的问题，本发明提供了一种车队路径匹配和可信度评估方法、系统、设备及终端。
22.本发明是这样实现的，一种车队路径匹配和可信度评估方法，车队路径匹配和可信度评估方法包括：根据车辆过去的评级和推荐计算声誉值，通过定义函数衡量车辆信任值；在决策中通过mandani模糊推理系统将获得的声誉值和信任值进行结合，获得车辆的可信度得分，并利用可信度进行车队路径匹配。
23.进一步，车队路径匹配和可信度评估方法包括以下步骤：
24.步骤一，车队路径匹配：引入微元思想和转向点轨迹线划分转向点序列，利用改进的hausdorff距离算法计算车辆轨迹之间的匹配度；
25.步骤二，可信度计算：通过分析车辆行为和推荐计算声誉，通过定义函数计算车辆的信任值，并评价模糊推理系统的可信度；
26.步骤三，收益计算：确定每辆车加入和退出车队的最佳时间，将车的收益进行建模，计算每辆车的停留时间以及车队的总收益。
27.进一步，步骤一中的车队路径匹配包括：
28.引入车辆转向点的概念，通过全球定位系统获取车辆的位置。当车辆行驶方向发生改变时，利用以下公式计算相邻点的方向角度差：
29.δθ＝arctan 2(sin(gpsdirection
i-gpsdirectionj),cos(gpsdirection
i-gpsdirectionj))；
30.式中，gpsdirectioni表示车辆路径中的点i在gps定位系统中的方向角，gpsdirectionj表示车辆路径中的点j在gps定位系统中的方向角；如果方向角度位于75
°
《δθ《105
°
或165
°
《δθ《195
°
，则认为点i是车辆的转向点。
31.通过提取行驶轨迹中的所有转向点以及初始点和终点，构建转向点序列sa＝(loni,lati)，其中(loni,lati)表示坐标系中的任意一个转向点i的经度和纬度。
32.利用改进的hausdorff距离算法计算轨迹之间的匹配度，sa和sb分别表示路径a和路径b的转向点序列，则：
33.h(sa,sb)＝max(h(sa,sb),h(sb,sa))；
34.式中，h表示hausdorff距离，h(sa,sb)表示从序列sa到序列sb的最短距离，h(sb,sa)表示从序列sb到序列sa的最短距离。
35.引入微元思想和转向点轨迹线划分转向点序列，并将转向点序列转化为匹配区间。将起止转向点之间按纬度方向安插若干个转向点，划分轨迹线，针对每个匹配区间分别计算改进的hausdorff距离。
36.对于转向点序列sa和sb，h(sa,sb)表示sa和sb之间的hausdorff距离。对于任意ai∈a，均存在bj∈b使得dist(ai,bj)≤h(sa,sb)。定义h1(sa,sb)为单向的从路径a到路径b的改进的hausdorff距离，定义h2(sb,sa)为单向的从路径b到路径a的改进的hausdorff距离，计算公式如下：
[0037][0038][0039]
式中，h1(sa,sb)表示簇a中所有数据点向量和簇b中所有数据点向量的夹角的最小值的最大值，表示簇a中第i个数据点对应的向量，表示簇b中第j个数据点对应的向量，表示点积，和表示模长。公式h2(sb,sa)表示簇b中所有数据点向量和簇a中所有数据点向量的夹角的最小值的最大值。
[0040]
通过衡量每个匹配区间的匹配情况并汇总得到轨迹匹配度。其中，是改进的hausdorff距离相似性度量临界阈值，用于衡量路径相似匹配的最大容错率。路径a、b的转向点序列被划分为若干转向点子轨迹，通过各轨迹线间形成的转向点子轨迹段进行子轨迹间的相似度匹配，使两条路径中的所有转向点均参与到匹配遍历计算中。计算所有相似子轨迹的总长度，将所占匹配轨迹中较小长度的比例与改进的hausdorff距离相似度标准阈值比较，判断两条轨迹是否相似。计算满足条件的子轨迹长度，并得出相似轨迹之间的匹配度，计算公式为：
[0041][0042]
式中，和是两条轨迹，k是两条轨迹中的相似子轨迹数目，li表示第i个相似子轨迹的长度，和分别表示两条轨迹的长度，wi表示第i个相似子轨迹的权重，g(∈i,λi)是误差项函数，∈i和λi分别表示第i个相似子轨迹的误差和匹配强度；其中，误差项函数g(∈i,λi)定义如下：
[0043][0044]
式中，η是固定的阈值，∈i和λi的计算方法如下：
[0045]
[0046][0047]
式中，pa(t)和pb(t)分别表示两条轨迹在时间t时的位置，dist(pa(t),pb(t))和sim(pa(t),pb(t))分别表示两个位置的距离和相似度。
[0048]
其中，为匹配阈值，匹配情况包括：表示匹配失败，用户车辆将保持请求状态，直到出现合适的车队；2)表示匹配成功，用户车辆在限定时间内成为车队的成员；当用户车辆请求车辆编队服务时，rsu为用户车辆选择最合适的头车，并将匹配成功的用户车辆加入相应的车队。
[0049]
进一步，步骤二中的可信度计算包括：
[0050]
(1)声誉计算：分析车辆行为和推荐，使用评估ph(platoon head，头车)轮换后获得的评级分析ph的驾驶行为。当新车辆从现有车辆获得推荐时，更新新车辆推荐值。
[0051]
pm(platoon member，用户车辆)对ph服务的评估：当pm到达目的地并离开车队时，评估旅程是否对ph的服务满意。当ph被替换时，所有成员进行评价。车辆编队系统包含固定的评估模型，当ph被替换或pm到达目的地时，pm的内部操作屏幕自动弹出评估窗口。
[0052]
声誉值计算：在车辆编队行驶中，车辆分为头车h＝{ph1,ph2,
…
,phi}和车队成员m＝{pm1,pm2,
…
,pmj}。采用beta声誉系统，利用beta概率密度函数表征二元度量的概率分布。beta族下的概率密度函数被合并为由二进制值索引的离散形式。评估值建模为服从beta分布的随机变量x。beta分布的pdf表示为：
[0053][0054]
式中，b(α,β)表示beta函数，定义为：
[0055][0056]
beta分布的期望通过积分计算得到：
[0057][0058]
将f(x∣α,β)代入beta分布的期望计算公式，并将分母中的beta函数展开，得到：
[0059][0060]
将x的次数变为α+1，通过分部积分得到：
[0061][0062]
得到beta分布的期望为：
[0063][0064]
在ph轮换后，ph收集到的评价信息中，正面评价的数量为n1，负面评价的数量为n2。每条正面评价的效用为u1(x)，每条负面评价的效用为u2(y)。ph的声誉值r通过以下公式计算得出：
[0065][0066]
式中，n1表示正面评价的数量，n2表示负面评价的数量；u1(x)表示每条正面评价的效用，u2(y)表示每条负面评价的效用；e1表示声誉值的权重，r0表示车辆的初始评估声誉，e2表示初始评估声誉的权重。
[0067]
(2)新车辆的声誉计算：利用googlepagerank算法，根据推荐数量计算每个新车辆
的声誉分数，通过基于推荐信息计算声誉。
[0068]
当s为编队中所有车辆的集合，n为编队中车辆的总数，r为所有车辆的声誉得分向量，其中r0[i]表示车辆i的声誉得分。设m为转移矩阵，其中m[i,j]表示从车辆i转移到车辆j的概率。当计算转移矩阵m时，定义out(i)为车辆i在编队中的出度，出度是从车辆i出发指向其他车辆的边的数量。对于从车辆i到车辆j的边(i,j)，定义m
i,j
为：
[0069][0070]
式中，n是编队中的总车辆数。对于每个出度不为零的车辆i，m
i,j
表示从车辆i出发经过一条边到达车辆j的概率，p(i
→
j)＝m
i,j
；如果边(i,j)不存在，车辆i的出度为零，则从车辆i到车辆j的概率是均匀分布的，
[0071]
使用pagerank算法计算每个车辆的声誉得分r0，将r0初始化为均匀分布，对于所有的车辆i执行以下迭代，直到算法收敛：
[0072]
r0＝αmr+(1-α)v；
[0073]
式中，α是阻尼因子，取值为0.85；v是向量，每个元素均为在每次迭代中，将r0更新为下一次近似值；对于每个车辆i，r0[i]表示车辆的声誉得分。
[0074]
(3)信任计算：设置四个不同的信任等级角色，从高到低分别为：权威、公有、专家和普通。每辆车的基于角色的信任值表示为κr:id
→
[0,1]，其中车辆的身份与其信任相互对应，0表示绝对不信任，1表示绝对的信任。
[0075]
通过定义函数衡量车辆的信任值。令κ表示由pms评估的ph车辆phi的信任值，其中m
p
(i,j)表示ph车辆phi在车辆编队状态中的诚实行为数，而m
t
(i,j)表示ph车辆phi在车辆编队状态中的总行为数，包括诚实和非诚实。
[0076]
当phi表示第i辆车，m
p
(i,j)表示车在车辆编队状态中的诚实行为数，m
t
(i,k)表示车在车辆编队状态中的总的行为数，κr表示车的角色信任值。使用加权平均的方式计算车辆在编队状态中的诚实程度。将诚实行为数m
p
(i,j)除以总的行为数m
t
(i,j)，并乘以权重系数α，表示车辆在编队状态中诚实行为的重要程度，取值范围为[0,1]，越大表示诚实行为对信任值的贡献越大，计算公式如下：
[0077][0078]
分析车辆的角色信任值κr，并与计算得到的诚实行为比例相加，表示角色对信任值的贡献，计算公式如下：
[0079]
κ2＝κr；
[0080]
分析车辆在编队状态中的行为对信任值的影响，引入修正系数β，表示车辆行为的修正程度，取值范围为[0,1]，计算公式如下：
[0081][0082]
式中，表示车辆在编队状态中的最大行为数，用于归一化车辆行为修正项。车辆的信任值κ通过将三个部分加权求和得到，计算公式如下：
[0083]
κ＝w1·
κ1+w2·
κ2+w3·
κ3；
[0084]
式中，w1、w2、w3分别表示对应部分的权重系数，用于调整各部分对信任值的贡献程度，满足w1+w2+w3＝1，确保最终的信任值在[0,1]之间。
[0085]
rsu根据用户的历史行为预测用户未来的信任值，使用指数加权移动平均技术估计车辆的未来行为，计算公式为：
[0086][0087]
式中，κ
(l)
表示第l时刻的信任值，κ
(l-1)
表示第l-1时刻的信任值，κ
(l+1)
表示第l+1时刻的信任值；w是权重系数，用于平衡当前时刻信任值和未来时刻信任值的影响，取值范围在[0,1]之间。
[0088]
设计信任值断路器机制：
[0089][0090]
式中，\kappa_0表示初始值；κ
(l-1)-κ
(l)
》κ
threshold
是断路器触发条件；α是指数加权移动平均的影响因子，用于平衡过去和现在信任值的权重。
[0091]
通过引入遗忘因子s1，用于惩罚开关攻击者。当断路器被触发，则预测的信任值将减少为s1·
κ
(l+1)
，其中s1∈(0,1)是遗忘因子。通过调整s1的值控制对开关攻击者的惩罚程度，根据具体场景和需求选择合适的s_1值。
[0092]
进一步，步骤二中的模糊推理系统的可信度评价包括：
[0093]
利用fis评估车辆的可信度。fis包含规则库、模糊化、推理机和去模糊化。规则库包括有限数量的规则，并根据规则库做出决定；规则映射输入和输出之间的函数关系，规则由前提和结果组成。
[0094]
在模糊化过程中，基于隶属函数(mf)将清晰的输入变量转换为模糊输入。mf被定义为确定隶属度(md)的规则。程度描述输入值如何属于每个相应的模糊集。md，μa(x)量化元素x的模糊集a的隶属度等级。当md的测量值为0时，元素x不被认为是模糊集合的成员，1表示元素x只是模糊集合的成员。当md值在真实单位区间[0,1]中时，部分模糊集被解释为消除不确定性。
[0095]
若对论域u中的任一元素x，均包含一个数a(x)∈[0,1]与之对应，则称a为u上的模糊集，a(x)称为x对a的隶属度。当x在u中变动时，a(x)是一个函数，称为a的隶属函数。隶属度a(x)越接近于1，表示x属于a的程度越高，a(x)越接近于0表示x属于a的程度越低。用取值于区间(0,1)的隶属函数a(x)表征x属于a的程度高低。论域x中的模糊集由隶属函数定义，其中将x中的每个元素x关联到区间[0,1]内的实数，表示为：
[0096][0097]
模糊集的输入是声誉t(r)和信任值t(κ)，输出的是可信度t(γ)，定义如下：为车辆的声誉值和信任值两个输入参数选择语言变量，并为匹配隶属度函数。语言变量分为不同的等级，t(x)被称为x的术语集；对于输入，t(r)＝t(κ)＝{verybad,bad,medium,good}，系统输出为车辆可信度的概率，规定为{verybad,bad,medium,good,verygood}5个等级，其中t(r|κ|γ)表示与变量r|κ|γ关联的所有标签的集合。隶属度函数选择三角形函数与梯形函数。选择trimf和trapmf描述输入和输出的形状，trimfs和trapmfs的数学表示中的md和方程式为：
[0098][0099][0100][0101]
推理机通过利用if-then模糊规则库将模糊输入(声誉r和信任值κ)转换为模糊输出(可信度，γ)。将r和κ的值定义为bad，对于输入贡献值，输出γ为verybad。在制作推理规则时，采用mamdanimax-min组合方法定义输出模糊集。将r和κ视为两个模糊集，两个模糊集关系r
→
κ的最大-最小组成如下：
[0102]
μr→
κ
(x,y)＝μ(γ)＝max[min(μr(x),μ
κ
(y))]；
[0103]
同一个输入参数可对应两个不同的隶属度函数，得到不同的模糊值，即一个输入可同时适用于多个模糊规则。利用mamdanimax-min决策方法将所有规则组合出的模糊结果集合并，将输入值中的最小值作为每条规则的输出值，在组合不同规则的结果时，将同规则下最大的数值作为该规则的最终值。
[0104]
去模糊化是将语言变量转换为[0,1]范围内的清晰值的过程。采用cog去模糊化方法计算隶属函数下区域的质心。通过转换模糊输出集生成清晰的数字，测量聚合区域的质心。以min-max决策方法给出所有模糊的结果，利用重心法进行解模糊化运算，形成最后的精确输出值为：
[0105][0106]
式中，y表示隶属度函数的横轴；μ
b'
(y)表示隶属度函数集。计算不同隶属函数对应的可信度，最终得到车辆可信度的概率值，其中y指向分区样本，μ
b'
(y)作为隶属函数。质心方法用于聚合声誉和信任值隶属函数，并获得清晰的可信度(γ)值，可信度(γ)用于匹配度最高的ph和pms进行编队。
[0107]
进一步，步骤三中的收益计算包括：
[0108]
当车队由n辆车组成，且服务的价格相同。车队的行驶路线是一条由起点s到终点t的路线，长度为d。当车队的头车是车队中最先加入车队的车辆，服务的收益最大，将车队的收益建模为：
[0109][0110]
式中，p(di)表示第i辆车在行驶距离为di时获得的服务收益，c(n)表示车队中有n辆车时的服务成本，d表示车队的行驶路线长度。
[0111]
当车队中的第k辆车加入车队的时间为tk，在车队中停留的时间为tk，则第k辆车在车队中的总行驶路程为dk＝vk·
tk，其中vk表示第k辆车的行驶速度。
[0112]
车队中每一辆车的停留时间通过以下公式计算：
[0113][0114]
其中，第一辆车的停留时间直接计算得到，对于后续的每一辆车的停留时间通过前一辆车的停留时间和加入时间计算得到。
[0115]
设第i辆车加入车队的时间为ti，停留时间为si，每辆车的收益表达式为：
[0116][0117]
式中，di表示第i辆车的行驶距离，表示为：
[0118]di
＝vi·
(t
e-ti)+si；
[0119]
式中，vi表示第i辆车的行驶速度，te表示车队到达目的地的时间。当所有车辆的行驶速度相同，将vi换成常数v，则：
[0120]di
＝v
·
(t
e-ti)+si；
[0121]
带入到车队收益的表达式中，则：
[0122][0123]
对inc进行展开和化简，得到：
[0124][0125]
式中，第一项表示车队在行驶中获得的收益，第二项表示车队在停留期间获得的收益。由于第一项中的表示所有车辆在行驶中的总时间，则：
[0126][0127]
得到每辆车加入车队后，头车的总收益表达式为：
[0128][0129]
本发明的另一目的在于提供一种应用所述的车队路径匹配和可信度评估方法的车队路径匹配和可信度评估系统，车队路径匹配和可信度评估系统包括：
[0130]
车队路径匹配模块，用于引入微元思想和转向点轨迹线划分转向点序列，利用改进的hausdorff距离算法计算车辆轨迹之间的匹配度；
[0131]
可信度计算模块，用于通过分析车辆行为和推荐计算声誉，通过定义函数计算车辆的信任值，并评价模糊推理系统的可信度；
[0132]
收益计算模块，用于确定每辆车加入和退出车队的最佳时间，将车的收益进行建模，计算每辆车的停留时间以及车队的总收益。
[0133]
本发明使用了omnet++模拟器来实现提出的方案。omnet++是一个基于组件的c++模拟库和框架，可扩展和模块化，主要用于构建网络模拟器。为了观察网络性能，本发明还利用了开源的车辆网络仿真框架veins。具体来说，本发明使用了openstreetmap项目生成道路地形，并使用simulation of urban mobility(sumo)生成车辆的运动轨迹。sumo是一个开源的、高度便携的、微观的、连续的流量模拟包，旨在处理大型网络。它允许进行多式联运模拟，包括行人，提供了大量的场景创建工具。在sumo的模拟中，本发明使用了traci编写了具体的代码。traci是“交通控制接口”的简称，允许访问正在运行的道路交通模拟，它允许检索模拟对象的值并在线操纵它们的行为。为了实现不同的驾驶操作，本发明使用了plexe的pythonapi，这是由segata等人开发的工具。plexe是在veins中加入了platooning
的元素，更方便编队行驶场景的搭建。plexe进一步增加了实现编队行驶的功能，通过提供禁用安全距离的额外驾驶模型和用于自适应巡航控制和协作自适应巡航控制的特殊车辆控制器。在中国西安的真实交通环境中，本发明将模拟道路长度为12公里。为更真实地模拟车队，本发明假设车辆将以相同的速度行驶，速度范围从60公里/小时到120公里/小时，整个车队的速度为80公里/小时。车辆的数量固定为八辆，形成一个固定大小的车队。此外，本发明指示交通车辆不要合作改变车道，即车辆不会仅仅为了给另一辆发出换道信号的汽车让出空间而改变车道。虽然这种设置不太实际，但在本发明的测试中，它提供了更好的可比性，因为必须利用不同的车道变换行为来协调多车切换策略的安全程序。当所有车辆都到达目的地时，模拟才会结束。每辆车都配备了lte-v2x和dsrc模块。当车辆成为pm时，它们将使用dsrc在车队内进行通信。ph将使用lte-v2x与rsu和车队外的其他ph进行通信。
[0134]
本发明的另一目的在于提供一种计算机设备，计算机设备包括存储器和处理器，存储器存储有计算机程序，计算机程序被处理器执行时，使得处理器执行所述的车队路径匹配和可信度评估方法的步骤。
[0135]
本发明的另一目的在于提供一种计算机可读存储介质，存储有计算机程序，计算机程序被处理器执行时，使得处理器执行所述的车队路径匹配和可信度评估方法的步骤。
[0136]
本发明的另一目的在于提供一种信息数据处理终端，信息数据处理终端用于实现所述的车队路径匹配和可信度评估系统。
[0137]
结合上述的技术方案和解决的技术问题，本发明所要保护的技术方案所具备的优点及积极效果为：
[0138]
第一，针对上述现有技术存在的技术问题以及解决该问题的难度，紧密结合本发明的所要保护的技术方案以及研发过程中结果和数据等，详细、深刻地分析本发明技术方案如何解决的技术问题，解决问题之后带来的一些具备创造性的技术效果。具体描述如下：
[0139]
本发明是第一个使用模糊推理系统确定车辆编队环境中车辆的可信度的方案。本发明提出了一种基于路径信息匹配的车辆队列机制，路径信息匹配成功的用户车辆可以加入合适的队列。本发明的框架使用信任和声誉因素提高车辆可信度评估的准确性，可以有效地估计头车和用户车辆的表现，这使得在车辆编队过程中优化选择头车。本发明的框架引入了推荐、beta声誉系统和pagerank算法的使用，以缓解车辆编队环境中新车的冷启动问题。基于仿真平台的实验结果证明了本发明提供的车队路径匹配和可信度评估方案的可靠性和可行性。
[0140]
本发明根据车辆的可信度匹配车辆编队系统中的车队，朝着实用的可信度车队匹配框架迈出了重要一步。本发明提出的车队路径匹配和可信度评估方法的可靠性是通过使用模糊推理方法计算基于信任和声誉因素的可信度值来实现的。实验结果表明，beta声誉系统在声誉计算的准确性方面优于其他方法。使用单因素和二进制形式表示可信度相当严格，可能会产生一些严重的影响，本发明的mamdani模糊推理系统(fis)在获取的信任值和声誉值上实现，为系统中的每辆车推导出一个可信度，从而缓解二元可信决策的刚性。模拟表明，fis方法通过结合多种因素在决策准确性方面优于其他系统，解决了可能被错误评级的“不值得信任的ph”可能最终没有pm跟随的问题，或可能有恶意的“可信赖ph”将被分配多辆pm跟随的问题。本发明通过在推荐数量上应用pagerank算法，加强了车辆编队系统在衡量新加入车辆的可信度方面的能力。
[0141]
将车队管理模型和信任与声誉模型结合在一起，本发明侧重于根据车辆的综合表现对其进行评估。具体来说，有几个方面使本发明提出的车队路径匹配和可信度评估方法不同：首先，本发明提出了一种车辆编队ph更新方案，以防止车队内部攻击，即隔离恶意ph；通过在车载网络中利用tr管理系统，该方案能够及时评估每个车队成员的可信度。其次，本发明的框架引入了推荐、betareputationsystem和pagerank算法的使用，以缓解车辆编队环境中新成员的冷启动问题。第三，本发明使用信任和声誉因素，以提高车辆可信度评估的准确性，同时使用mamdanifis来确定车辆编队环境中每辆车的可信度。
[0142]
第二，把技术方案看做一个整体或者从产品的角度，本发明所要保护的技术方案具备的技术效果和优点，具体描述如下：
[0143]
模糊推理系统(fis)是一种适合解决上述挑战的方法，因为它可以使用多个因素来评估车辆可信度的不确定程度。因此，本发明提出了一个新的框架来解决分析差距，该框架通过使用信任和声誉因素以及mandani模糊推理系统，提高了当前车辆编队方案在评估车辆可信度方面的准确性；声誉值是根据车辆过去的评级和推荐来计算的，同时定义了一个函数来衡量车辆信任值；然后在决策中通过mandani fis将获得的声誉值和信任值结合起来，以获得车辆的可信度得分；可信度用于车队匹配，以确保只选择最值得信赖的车辆进行编队，该框架还通过使用推荐概念缓解了车辆编队系统中新车辆的冷启动问题。
[0144]
第三，作为本发明的权利要求的创造性辅助证据，还体现在以下几个重要方面：
[0145]
(1)本发明的技术方案转化后的预期收益和商业价值为：
[0146]
市场需求：本发明的技术方案为车辆编队系统提供了更为可靠的路径匹配和可信度评估方案，解决了传统车辆编队系统中存在的许多问题。随着物联网、自动驾驶等技术的不断发展，车辆编队系统的需求日益增长，特别是在物流运输、军事装备等领域中的应用，对于车辆编队系统的可靠性和安全性提出了更高的要求。本发明的技术方案可以有效地提高车辆编队系统的可信度和安全性，满足了市场对于高可靠性车辆编队系统的需求。
[0147]
产品差异化：本发明的技术方案是第一个使用模糊推理系统确定车辆编队环境中车辆的可信度的方案，与传统的车辆编队系统相比，具有较大的差异化优势。该技术方案提出了基于路径信息匹配的车辆队列机制，引入了推荐、beta声誉系统和pagerank算法的使用，以缓解车辆编队环境中新成员的冷启动问题，同时使用信任和声誉因素提高车辆可信度评估的准确性。本发明提出的车队路径匹配和可信度评估方法的可靠性是通过使用模糊推理方法计算基于信任和声誉因素的可信度值来实现的，这使得在车辆编队过程中可以优化选择头车，从而提高整个车队的性能和效率。
[0148]
生产成本：本发明的技术方案采用模糊推理系统来确定车辆编队环境中车辆的可信度，相比传统的车辆编队系统，该方案在计算可信度值时使用了多种因素，使得决策更加准确。该技术方案可以提高车辆编队系统的可靠性和安全性，同时降低了生产成本。在生产过程中，只需要添加一些传感器和软件系统即可实现该方案，无需大量投入人力和物力，因此可以降低生产成本，提高生产效率。
[0149]
综上所述，本发明的技术方案从市场需求、产品差异化和生产成本三个角度具有诸多优点和积极效果。在车辆编队系统中应用该技术方案可以提高系统的可靠性和安全性。
[0150]
(2)本发明的技术方案填补了国内外业内技术空白：
[0151]
技术研究的前沿性：本发明是第一个使用模糊推理系统确定车辆编队环境中车辆的可信度的方案，具有较高的技术创新性和前沿性。该技术方案引入了推荐、beta声誉系统和pagerank算法的使用，以缓解车辆编队环境中新车的冷启动问题，同时使用信任和声誉因素，以提高车辆可信度评估的准确性。这些技术手段和方法的引入，大大提高了车辆编队系统的可靠性和有效性。
[0152]
技术创新的领先性：本发明提出了一种基于路径信息匹配的车辆队列机制，路径信息匹配成功的用户车辆可以加入合适的队列。这种方法可以优化选择头车，在车辆编队过程中提高编队的效率和稳定性。此外，本发明引入了推荐、beta声誉系统和pagerank算法的使用，以缓解车辆编队环境中新车的冷启动问题，这些技术手段的引入和组合，大大提高了车辆编队系统的可靠性和有效性，使得车辆编队系统具有更好的应用前景和市场竞争力。
[0153]
应用范围的广泛性：本发明提出的车队路径匹配和可信度评估方案可以应用于各种车辆编队场景中，如自动驾驶汽车、物流运输、军事作战等领域。该方案的技术手段和方法可以有效地解决车辆编队系统中的信任度评估问题，提高车辆编队系统的可靠性和效率，为实现智能交通和智能物流等领域的发展提供了新的技术支持和保障。
[0154]
综上所述，本发明提出的车队路径匹配和可信度评估方案具有较高的技术创新性和前沿性，引入了多种优秀的技术手段和方法，可以有效地解决车辆编队系统中的信任度评估问题，提高车辆编队系统的可靠性和效率，具有广泛的应用前景和市场竞争力。
[0155]
(3)本发明的技术方案是否解决了人们一直渴望解决、但始终未能获得成功的技术难题：
[0156]
解决难题的程度：从解决难题的程度来看，该技术方案解决了车辆编队系统中车队可信度匹配问题，这是一个非常具有挑战性的技术问题。在车辆编队系统中，由于车辆间的互相影响和干扰，车队的可信度匹配是一个相当复杂的问题。然而，该技术方案成功地采用了模糊推理系统来计算基于信任和声誉因素的可信度值，提高了车辆可信度评估的准确性，并通过引入推荐、beta声誉系统和pagerank算法等技术手段，缓解了车辆编队环境中新车的冷启动问题。这些技术手段的引入，大大提高了车辆编队系统的可靠性和实用性，使得系统更加稳定、精准地匹配车队，并且可以在不同环境和条件下灵活应用。因此，该技术方案在解决技术问题方面具有非常高的优点和积极效果。
[0157]
技术成果的可靠性：该技术方案在实验中得到了充分验证，证明了该方案的可靠性和可行性。具体而言，本发明的框架引入了推荐、beta声誉系统和pagerank算法等技术手段，通过计算车辆的信任值和声誉值，为系统中的每辆车推导出一个可信度，从而缓解二元可信决策的刚性。模拟表明，方法通过结合多种因素在决策准确性方面优于其他系统，解决了可能被错误评级的“不值得信任的ph”可能最终没有pm跟随的问题，或可能有恶意的“可信赖ph”将被分配多辆pm跟随的问题。因此，该技术方案在技术成果的可靠性方面具有非常高的优点和积极效果。
[0158]
技术成果的实用性：从技术成果的实用性角度来看，本发明所要保护的技术方案具有很高的实用性。本发明的技术方案能够有效地解决车辆编队系统中存在的可信度匹配和路径匹配问题，并提高车辆可信度评估的准确性，为车辆编队系统提供了一个更加可靠、高效的管理模型。本发明采用的模糊推理系统可以缓解二元可信决策的刚性，提高车辆可
信度评估的灵活性和准确性。同时，本发明引入了推荐、beta声誉系统和pagerank算法等，可以解决车辆编队环境中新成员的冷启动问题，提高了系统的实用性和可靠性。
[0159]
综上所述，本发明所要保护的技术方案具有较高的解决难题的程度、技术成果的可靠性和技术成果的实用性，为车辆编队系统提供了一个更加可靠、高效的管理模型。
[0160]
(4)本发明的技术方案克服了技术偏见：
[0161]
消除传统思维方式的限制：本发明的技术方案是基于模糊推理系统和信任与声誉模型的创新性组合，对车辆编队环境中的车辆可信度进行评估和匹配。传统的车辆编队系统往往基于单一的评估因素来评价车辆，忽略了车辆综合表现和用户行为的影响。而本发明的技术方案采用了多因素的评估方法，包括路径信息匹配、声誉值、推荐算法等，消除了传统思维方式的限制，提高了车辆可信度评估的准确性和精度。具体来说，本发明的技术方案首先引入了模糊推理系统，通过计算基于信任和声誉因素的可信度值来评估车辆的可信度，缓解了二元可信决策的刚性。此外，本发明还提出了一种基于路径信息匹配的车辆队列机制，成功匹配的用户车辆可以加入合适的队列，进一步提高了车辆可信度评估的准确性和精度。这种综合评估方法具有创新性和前瞻性，使得车辆编队系统的设计更加全面、科学、合理。
[0162]
解决行业内被普遍接受的不足：传统车辆编队系统中存在一些被广泛接受的不足，如对新车的冷启动问题、对恶意攻击的防御不足等。本发明的技术方案通过引入推荐、beta声誉系统和pagerank算法等方法，解决了这些不足，进一步提高了车辆编队系统的性能和可靠性。具体来说，本发明的技术方案利用推荐算法缓解了新成员的冷启动问题，使得新车也能够顺利加入车队。此外，本发明还提出了一种车辆编队更新方案，防止车队内部攻击，即隔离恶意ph，保障了车辆编队系统的安全性和稳定性。这些创新的解决方案，使得本发明的技术方案在行业内具有重要的推广应用价值。
[0163]
跨越不同技术领域的障碍：该技术方案在跨越不同技术领域的障碍方面也具有重要的优点和效果。首先，该方案结合了多个技术领域的知识和方法，如车联网、模糊推理、信任和声誉等，使得这些领域的技术可以互相补充和支持。其次，该方案采用了模拟实验的方法进行验证，通过在仿真平台上模拟真实场景，可以有效地降低开发成本和风险，同时可以更好地评估系统的性能和可靠性。具体而言，该技术方案涉及的技术领域非常广泛，包括计算机科学、控制理论、网络通信等。其中，车联网是该技术方案的重要基础，该领域涉及了很多复杂的技术问题，如数据传输、网络安全等，该方案的应用可以有效地解决这些问题。同时，该方案采用了模糊推理的方法进行车辆可信度评估，这种方法可以处理模糊、不确定的问题，提高了系统的灵活性和鲁棒性。此外，该方案还采用了信任和声誉的概念，通过对车辆的历史表现和其他用户的评价进行综合评估，提高了车辆可信度的准确性和可靠性。
[0164]
总之，该技术方案在消除传统思维方式的限制、解决行业内被普遍接受的不足和跨越不同技术领域的障碍方面都具有重要的优点和效果。它提供了一种创新的、综合的解决方案，可以有效地解决车队管理中的诸多问题，为车队管理的发展和应用提供了有力支持。
附图说明
[0165]
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例中所需要使
用的附图做简单的介绍，显而易见地，下面所描述的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下还可以根据这些附图获得其他的附图。
[0166]
图1是本发明实施例提供的车队路径匹配和可信度评估方法流程图；
[0167]
图2是本发明实施例提供的车队路径匹配和可信度评估系统交互图；
[0168]
图3是本发明实施例提供的基于队列的车联网场景的系统模型图；
[0169]
图4是本发明实施例提供的pm对ph服务的评估方法示意图；
[0170]
图5是本发明实施例提供的典型的模糊推理系统示意图；
[0171]
图6是本发明实施例提供的2个输入参数的隶属度函数示意图；
[0172]
图7是本发明实施例提供的其他对应规则示意图；
[0173]
图8是本发明实施例提供的模糊输出规则的图形分析示意图；
[0174]
图9是本发明实施例提供的随着pm数量的增加，ph的每项服务平均收益的变化示意图；
[0175]
图10是本发明实施例提供的pm在车队中不同车辆数量下的平均停留时间示意图；
[0176]
图11是本发明实施例提供的信任度衡量实验结果示意图；
[0177]
图12是本发明实施例提供的诚实车辆和恶意车辆超20轮可信度比较结果示意图；
[0178]
图13是本发明实施例提供的ph的评估次数和初始评估声誉对可信度水平的影响示意图。
具体实施方式
[0179]
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
[0180]
针对现有技术存在的问题，本发明提供了一种车队路径匹配和可信度评估方法、系统、设备及终端，下面结合附图对本发明作详细的描述。
[0181]
如图1所示，本发明实施例提供的车队路径匹配和可信度评估方法包括以下步骤：
[0182]
s101，车队路径匹配：引入微元思想和转向点轨迹线划分转向点序列，利用改进的hausdorff距离算法计算车辆轨迹之间的匹配度；
[0183]
s102，可信度计算：通过分析车辆行为和推荐计算声誉，通过定义函数计算车辆的信任值，并评价模糊推理系统的可信度；
[0184]
s103，收益计算：确定每辆车加入和退出车队的最佳时间，将车的收益进行建模，计算每辆车的停留时间以及车队的总收益。
[0185]
作为优选实施例，本发明实施例提供的步骤s101中的车队路径匹配包括：
[0186]
引入车辆转向点的概念，通过全球定位系统获取车辆的位置。当车辆行驶方向发生改变时，利用以下公式计算相邻点的方向角度差：
[0187]
δθ＝arctan 2(sin(gpsdirection
i-gpsdirectionj),cos(gpsdirection
i-gpsdirectionj))；
[0188]
式中，gpsdirectioni表示车辆路径中的点i在gps定位系统中的方向角，gpsdirectionj表示车辆路径中的点j在gps定位系统中的方向角；如果方向角度位于75
°
《
δθ《105
°
或165
°
《δθ《195
°
，则认为点i是车辆的转向点。
[0189]
通过提取行驶轨迹中的所有转向点以及初始点和终点，构建转向点序列sa＝(loni,lati)，其中(loni,lati)表示坐标系中的任意一个转向点i的经度和纬度。
[0190]
利用改进的hausdorff距离算法计算轨迹之间的匹配度，sa和sb分别表示路径a和路径b的转向点序列，则：
[0191]
h(sa,sb)＝max(h(sa,sb),h(sb,sa))；
[0192]
式中，h表示hausdorff距离，h(sa,sb)表示从序列sa到序列sb的最短距离，h(sb,sa)表示从序列sb到序列sa的最短距离。
[0193]
引入微元思想和转向点轨迹线划分转向点序列，并将转向点序列转化为匹配区间。将起止转向点之间按纬度方向安插若干个转向点，划分轨迹线，针对每个匹配区间分别计算改进的hausdorff距离。
[0194]
对于转向点序列sa和sb，h(sa,sb)表示sa和sb之间的hausdorff距离。对于任意ai∈a，均存在bj∈b使得dist(ai,bj)≤h(sa,sb)。定义h1(sa,sb)为单向的从路径a到路径b的改进的hausdorff距离，定义h2(sb,sa)为单向的从路径b到路径a的改进的hausdorff距离，计算公式如下：
[0195][0196][0197]
式中，h1(sa,sb)表示簇a中所有数据点向量和簇b中所有数据点向量的夹角的最小值的最大值，表示簇a中第i个数据点对应的向量，表示簇b中第j个数据点对应的向量，表示点积，和表示模长。公式h2(sb,sa)表示簇b中所有数据点向量和簇a中所有数据点向量的夹角的最小值的最大值。
[0198]
通过衡量每个匹配区间的匹配情况并汇总得到轨迹匹配度。其中，是改进的hausdorff距离相似性度量临界阈值，用于衡量路径相似匹配的最大容错率。路径a、b的转向点序列被划分为若干转向点子轨迹，通过各轨迹线间形成的转向点子轨迹段进行子轨迹间的相似度匹配，使两条路径中的所有转向点均参与到匹配遍历计算中。计算所有相似子轨迹的总长度，将所占匹配轨迹中较小长度的比例与改进的hausdorff距离相似度标准阈值比较，判断两条轨迹是否相似。计算满足条件的子轨迹长度，并得出相似轨迹之间的匹配度，计算公式为：
[0199][0200]
式中，和是两条轨迹，k是两条轨迹中的相似子轨迹数目，li表示第i个相似子轨迹的长度，和分别表示两条轨迹的长度，wi表示第i个相似子轨迹的权重，g(∈i,λi)是误差项函数，∈i和λi分别表示第i个相似子轨迹的误差和匹配强度；其中，误差项函数g(∈i,λi)定义如下：
[0201][0202]
式中，η是固定的阈值，∈i和λi的计算方法如下：
[0203]
[0204][0205]
式中，pa(t)和pb(t)分别表示两条轨迹在时间t时的位置，dist(pa(t),pb(t))和sim(pa(t),pb(t))分别表示两个位置的距离和相似度。
[0206]
其中，为匹配阈值，匹配情况包括：表示匹配失败，用户车辆将保持请求状态，直到出现合适的车队；2)表示匹配成功，用户车辆在限定时间内成为车队的成员；当用户车辆请求车辆编队服务时，rsu为用户车辆选择最合适的头车，并将匹配成功的用户车辆加入相应的车队。
[0207]
作为优选实施例，本发明实施例提供的步骤s102中的可信度计算包括：
[0208]
(1)声誉计算：分析车辆行为和推荐，使用评估ph轮换后获得的评级分析ph的驾驶行为。当新车辆从现有车辆获得推荐时，更新新车辆推荐值。
[0209]
pm对ph服务的评估：当pm到达目的地并离开车队时，评估旅程是否对ph的服务满意。当ph被替换时，所有成员进行评价。车辆编队系统包含固定的评估模型，当ph被替换或pm到达目的地时，pm的内部操作屏幕自动弹出评估窗口。
[0210]
声誉值计算：在车辆编队行驶中，车辆分为头车h＝{ph1,ph2,
…
,phi}和车队成员m＝{pm1,pm2,
…
,pmj}。采用beta声誉系统，利用beta概率密度函数表征二元度量的概率分布。beta族下的概率密度函数被合并为由二进制值索引的离散形式。评估值建模为服从beta分布的随机变量x。beta分布的pdf表示为：
[0211][0212]
式中，b(α,β)表示beta函数，定义为：
[0213][0214]
beta分布的期望通过积分计算得到：
[0215][0216]
将f(x∣α,β)代入beta分布的期望计算公式，并将分母中的beta函数展开，得到：
[0217][0218]
将x的次数变为α+1，通过分部积分得到：
[0219][0220]
得到beta分布的期望为：
[0221][0222]
在ph轮换后，ph收集到的评价信息中，正面评价的数量为n1，负面评价的数量为n2。每条正面评价的效用为u1(x)，每条负面评价的效用为u2(y)。ph的声誉值r通过以下公式计算得出：
[0223][0224]
式中，n1表示正面评价的数量，n2表示负面评价的数量；u1(x)表示每条正面评价的效用，u2(y)表示每条负面评价的效用；w1表示声誉值的权重，r0表示车辆的初始评估声誉，w2表示初始评估声誉的权重。
[0225]
(2)新车辆的声誉计算：利用goodlepagerank算法，根据推荐数量计算每个新车辆
的声誉分数，通过基于推荐信息计算声誉。
[0226]
当s为编队中所有车辆的集合，n为编队中车辆的总数，r为所有车辆的声誉得分向量，其中r0[i]表示车辆i的声誉得分。设m为转移矩阵，其中m[i,j]表示从车辆i转移到车辆j的概率。当计算转移矩阵m时，定义out(i)为车辆i在编队中的出度，出度是从车辆i出发指向其他车辆的边的数量。对于从车辆i到车辆j的边(i,j)，定义m
i,j
为：
[0227][0228]
式中，n是编队中的总车辆数。对于每个出度不为零的车辆i，m
i,j
表示从车辆i出发经过一条边到达车辆j的概率，p(i
→
j)＝m
i,j
；如果边(i,j)不存在，车辆i的出度为零，则从车辆i到车辆j的概率是均匀分布的，
[0229]
使用pagerank算法计算每个车辆的声誉得分r0，将r0初始化为均匀分布，对于所有的车辆i执行以下迭代，直到算法收敛：
[0230]
r0＝αmr+(1-α)v；
[0231]
式中，α是阻尼因子，取值为0.85；v是向量，每个元素均为在每次迭代中，将r0更新为下一次近似值；对于每个车辆i，r0[i]表示车辆的声誉得分。
[0232]
(3)信任计算：设置四个不同的信任等级角色，从高到低分别为：权威、公有、专家和普通。每辆车的基于角色的信任值表示为κr:id
→
[0,1]，其中车辆的身份与其信任相互对应，0表示绝对不信任，1表示绝对的信任。
[0233]
通过定义函数衡量车辆的信任值。令κ表示由pms评估的ph车辆phi的信任值，其中m
p
(i,j)表示ph车辆phi在车辆编队状态中的诚实行为数，而m
t
(i,j)表示ph车辆phi在车辆编队状态中的总行为数，包括诚实和非诚实。
[0234]
当phi表示第i辆车，m
p
(i,j)表示车在车辆编队状态中的诚实行为数，m
t
(i,j)表示车在车辆编队状态中的总的行为数，κr表示车的角色信任值。使用加权平均的方式计算车辆在编队状态中的诚实程度。将诚实行为数m
p
(i,j)除以总的行为数m
t
(i,j)，并乘以权重系数α，表示车辆在编队状态中诚实行为的重要程度，取值范围为[0,1]，越大表示诚实行为对信任值的贡献越大，计算公式如下：
[0235][0236]
分析车辆的角色信任值κr，并与计算得到的诚实行为比例相加，表示角色对信任值的贡献，计算公式如下：
[0237]
κ2＝κr；
[0238]
分析车辆在编队状态中的行为对信任值的影响，引入修正系数β，表示车辆行为的修正程度，取值范围为[0,1]，计算公式如下：
[0239][0240]
式中，表示车辆在编队状态中的最大行为数，用于归一化车辆行为修正项。车辆的信任值κ通过将三个部分加权求和得到，计算公式如下：
[0241]
κ＝w1·
κ1+w2·
κ2+w3·
κ3；
[0242]
式中，w1、w2、w3分别表示对应部分的权重系数，用于调整各部分对信任值的贡献程
度，满足w1+w2+w3＝1，确保最终的信任值在[0,1]之间。
[0243]
rsu根据用户的历史行为预测用户未来的信任值，使用指数加权移动平均技术估计车辆的未来行为，计算公式为：
[0244][0245]
式中，κ
(l)
表示第l时刻的信任值，κ
(l-1)
表示第l-1时刻的信任值，κ
(l+1)
表示第l+1时刻的信任值；w是权重系数，用于平衡当前时刻信任值和未来时刻信任值的影响，取值范围在[0,1]之间。
[0246]
设计信任值断路器机制：
[0247][0248]
式中，\kappa_0表示初始值；κ
(l-1)-κ
(l)
》κ
threshold
是断路器触发条件；α是指数加权移动平均的影响因子，用于平衡过去和现在信任值的权重。
[0249]
通过引入遗忘因子s1，用于惩罚开关攻击者。当断路器被触发，则预测的信任值将减少为s1·
κ
(l+1)
，其中s1∈(0,1)是遗忘因子。通过调整s1的值控制对开关攻击者的惩罚程度，根据具体场景和需求选择合适的s_1值。
[0250]
(4)模糊推理系统的可信度评价：利用fis评估车辆的可信度。fis包含规则库、模糊化、推理机和去模糊化。规则库包括有限数量的规则，并根据规则库做出决定；规则映射输入和输出之间的函数关系，规则由前提和结果组成。
[0251]
在模糊化过程中，基于隶属函数(mf)将清晰的输入变量转换为模糊输入。mf被定义为确定隶属度(md)的规则。程度描述输入值如何属于每个相应的模糊集。md，μa(x)量化元素x的模糊集a的隶属度等级。当md的测量值为0时，元素x不被认为是模糊集合的成员，1表示元素x只是模糊集合的成员。当md值在真实单位区间[0,1]中时，部分模糊集被解释为消除不确定性。
[0252]
若对论域u中的任一元素x，均包含一个数a(x)∈[0,1]与之对应，则称a为u上的模糊集，a(x)称为x对a的隶属度。当x在u中变动时，a(x)是一个函数，称为a的隶属函数。隶属度a(x)越接近于1，表示x属于a的程度越高，a(x)越接近于0表示x属于a的程度越低。用取值于区间(0,1)的隶属函数a(x)表征x属于a的程度高低。论域x中的模糊集由隶属函数定义，其中将x中的每个元素x关联到区间[0,1]内的实数，表示为：
[0253][0254]
模糊集的输入是声誉t(r)和信任值t(κ)，输出的是可信度t(γ)，定义如下：为车辆的声誉值和信任值两个输入参数选择语言变量，并为匹配隶属度函数。语言变量分为不同的等级，t(x)被称为x的术语集；对于输入，t(r)＝t(κ)＝{verybad,bad,medium,good}，系统输出为车辆可信度的概率，规定为{verybad,bad,medium,good,verygood}5个等级，其中t(r|κ|γ)表示与变量r|κ|γ关联的所有标签的集合。隶属度函数选择三角形函数与梯形函数。选择trimf和trapmf描述输入和输出的形状，trimfs和trapmfs的数学表示中的md和方程式为：
[0255][0256][0257][0258]
推理机通过利用if-then模糊规则库将模糊输入(声誉r和信任值κ)转换为模糊输出(可信度，γ)。将r和κ的值定义为bad，对于输入贡献值，输出γ为verybad。在制作推理规则时，采用mamdanimax-min组合方法定义输出模糊集。将r和κ视为两个模糊集，两个模糊集关系r
→
κ的最大-最小组成如下：
[0259]
μr→
κ
(x,y)＝μ(γ)＝max[min(μr(x),μ
κ
(y))]；
[0260]
同一个输入参数可对应两个不同的隶属度函数，得到不同的模糊值，即一个输入可同时适用于多个模糊规则。利用mamdanimax-min决策方法将所有规则组合出的模糊结果集合并，将输入值中的最小值作为每条规则的输出值，在组合不同规则的结果时，将同规则下最大的数值作为该规则的最终值。
[0261]
去模糊化是将语言变量转换为[0,1]范围内的清晰值的过程。采用cog去模糊化方法计算隶属函数下区域的质心。通过转换模糊输出集生成清晰的数字，测量聚合区域的质心。以min-max决策方法给出所有模糊的结果，利用重心法进行解模糊化运算，形成最后的精确输出值为：
[0262][0263]
式中，y表示隶属度函数的横轴；μ
b'
(y)表示隶属度函数集。计算不同隶属函数对应的可信度，最终得到车辆可信度的概率值，其中y指向分区样本，μ
b'
(y)作为隶属函数。质心方法用于聚合声誉和信任值隶属函数，并获得清晰的可信度(γ)值，可信度(γ)用于匹配度最高的ph和pms进行编队。
[0264]
作为优选实施例，本发明实施例提供的步骤s103中的收益计算包括：
[0265]
当车队由n辆车组成，且服务的价格相同。车队的行驶路线是一条由起点s到终点t的路线，长度为d。当车队的头车是车队中最先加入车队的车辆，服务的收益最大，将车队的收益建模为：
[0266][0267]
式中，p(di)表示第i辆车在行驶距离为di时获得的服务收益，c(n)表示车队中有n辆车时的服务成本，d表示车队的行驶路线长度。
[0268]
当车队中的第k辆车加入车队的时间为tk，在车队中停留的时间为tk，则第k辆车在车队中的总行驶路程为dk＝vk·
tk，其中vk表示第k辆车的行驶速度。
[0269]
车队中每一辆车的停留时间通过以下公式计算：
[0270][0271]
其中，第一辆车的停留时间直接计算得到，对于后续的每一辆车的停留时间通过前一辆车的停留时间和加入时间计算得到。
[0272]
设第i辆车加入车队的时间为ti，停留时间为si，每辆车的收益表达式为：
[0273][0274]
式中，di表示第i辆车的行驶距离，表示为：
[0275]di
＝vi·
(t
e-ti)+si；
[0276]
式中，vi表示第i辆车的行驶速度，te表示车队到达目的地的时间。当所有车辆的行驶速度相同，将vi换成常数v，则：
[0277]di
＝v
·
(t
e-ti)+si；
[0278]
带入到车队收益的表达式中，则：
[0279][0280]
对inc进行展开和化简，得到：
[0281][0282]
式中，第一项表示车队在行驶中获得的收益，第二项表示车队在停留期间获得的收益。由于第一项中的表示所有车辆在行驶中的总时间，则：
[0283][0284]
得到每辆车加入车队后，头车的总收益表达式为：
[0285][0286]
如图2所示，本发明实施例提供的车队路径匹配和可信度评估系统包括：
[0287]
车队路径匹配模块，用于引入微元思想和转向点轨迹线划分转向点序列，利用改进的hausdorff距离算法计算车辆轨迹之间的匹配度；
[0288]
可信度计算模块，用于通过分析车辆行为和推荐计算声誉，通过定义函数计算车辆的信任值，并评价模糊推理系统的可信度；
[0289]
收益计算模块，用于确定每辆车加入和退出车队的最佳时间，将车的收益进行建模，计算每辆车的停留时间以及车队的总收益。
[0290]
为了证明本发明的技术方案的创造性和技术价值，该部分是对权利要求技术方案进行具体产品上或相关技术上的应用实施例。
[0291]
本发明提供的车队路径匹配和可信度评估系统可以应用于各种场景，例如城市交通管理、物流运输等。下面是一种针对城市交通管理的应用实施例：
[0292]
假设某城市有许多出租车和网约车，这些出租车和网约车并非属于同一家公司或组织，它们分布在城市的各个区域，需要通过车队合作的方式提高交通效率。该城市交通管理部门引入本发明提供的车队路径匹配和可信度评估系统，建立了一个出租车-网约车车队，该车队可以协同配合，共同运营，并优化交通流。
[0293]
具体实施方案如下：
[0294]
1.车队路径匹配模块
[0295]
根据城市交通管理部门的需求，该模块首先对城市道路进行划分，并将车辆的位置信息转换为轨迹线。然后，采用微元思想和转向点轨迹线划分转向点序列的方法，将车辆的轨迹线分成若干个小段，并计算每个小段的hausdorff距离。最后，采用改进的hausdorff距离算法计算车辆之间的轨迹匹配度，以确定哪些车辆可以合作形成车队。
[0296]
2.可信度计算模块
[0297]
该模块通过分析车辆的行为，例如车速、停车时间、载客量等，以及通过推荐信息、历史记录等计算声誉值，。然后，通过定义的函数计算车辆的信任值，并通过模糊推理系统的获得可信度。可信度高的车辆将被选为车队的头车，以确保车队的安全性和稳定性。
[0298]
3.收益计算模块
[0299]
该模块用于确定每辆车加入和退出车队的最佳时间，以最大化车队的总收益。收益模型将考虑每辆车的时间成本、运营成本、市场需求等因素，以确定每辆车的停留时间，并根据车队的总收益计算每辆车的收益。
[0300]
通过本发明提供的车队路径匹配和可信度评估系统，城市交通管理部门可以建立一个高效的出租车车队，该车队可以协同配合，共同运营，并优化交通流。这将提高城市交通的效率和安全性，缓解交通拥堵问题，提高城市的形象和竞争力。
[0301]
1.预备知识
[0302]
1.1假设
[0303]
本发明假设rsu是信息存储、处理和调度中心。由于rsu是有线的，它可以实时同步整个城市的车队信息。rsu也可以看作是一个信任中心，它始终是可信的。此外，车队系统中的每辆车都经过身份验证，其身份由系统识别。
[0304]
在车队环境中，更多的成员并不能保证整体利益。事实上，车队不能无限长，因为它们会导致严重的交通堵塞。因此，车队系统规定了整个城市中车队的数量以及每个车队中的成员数量是有限的。
[0305]
头车轮换，为确保安全和公平，有条件地选择一名车队成员作为头车领导车队。
[0306]
·
路边单元(rsu)分布广泛，边缘云部署，可以实时传输和处理过往车辆上传的内容，基本满足每辆车的通信需求。
[0307]
·
沿街的每辆车都配备了车载单元(obu)，它执行简单的计算、收集相关信息并将其上传到rsu。
[0308]
1.2计算机系统中信任和声誉的定义
[0309]
信任：信任是一个实体认为另一个实体将根据特定期望执行特定操作的保证。同时也是实体的一种特征，表明其能够正确、公平和公正地执行某些功能或服务，并保证该实体及其标识符是真实的。信任关系是管理不同域中的实体如何尊重彼此授权的策略。一个权威机构可能是完全可信的，例如，权威机构的任何声明都将被接受为行动的基础，或者可能存在有限的信任，在这种情况下，只接受特定范围内的声明。
[0310]
声誉：声誉是关于可信实体的可信度(例如可信代理或产品和服务的质量)，是推荐代理或第三方代理的意见，它不是分配的，而只是由信任代理请求的。信誉也可以定义为第三方推荐代理提供的关于可信代理质量的所有推荐的集合。具体地，术语声誉可以描述为一种长期的集体信任度量，可用于确定车辆是恶意的还是诚实的。它是一个抽象定义，反
映了特定实体中所有成员的观察结果。
[0311]
下面的两句可以很好的表明声誉与信任的关联：(1)因为你良好的声誉我信任你；(2)我信任你尽管你声誉很差。句(1)反映出接受方知道被评估者的声誉，基于这个声誉而去相信被评估者。句(2)反映出接受者了解被评估者，有对它的基本认知，这些可以是通过之前的交互等获得的。被评估者是否可被信任并不能被它的声誉简单的否决。这些反映出信任最终只是建立在不同因素或者证据上的个人的主观印象。个人的经验往往具有更高的影响力，但在没有经验的情况下只能根据别人的推荐进行判断。结合对于信任与声誉的基本理解，并结合车辆编队的研究环境，将信任认为是对接收到的消息的内容的可靠性的评估，声誉是一个被广泛接受的或者相信的某件事或者某个人的特征和标准。
[0312]
1.3系统模型
[0313]
让本发明考虑一个基于队列的车联网场景。在如图3所示的系统模型中，车辆以自由流动状态沿着街道行驶，rsu扮演着不同的角色。
[0314]
·
rsu：rsus相互之间通过有线连接，并通过无线方式连接到覆盖区域内的每辆车。实时更新车队信息，协助车队调度。
[0315]
·
ph：ph可以是单独在路上行驶的车辆。
[0316]
·
pm：在车辆加入车队后，他们成为pm。
[0317]
基于对传统车队优势的理解，车队可以动态更新，没有固定的起点和终点，成员不断加入和离开。随着新成员的不断加入，车队对应的路径信息也会发生变化。本发明需要设计一个车队系统，以确保动态维护期间ph和pm的利益。pm花的钱最少，整个车队走得更远。
[0318]
1.4设计目标
[0319]
与传统的无线网络不同，车联网在很大程度上涉及并受人为因素的影响。换句话说，车队头车的行为是不可预测的，这使得潜在车队成员在面对附近的多个头车时很难选择可靠的车队服务。为了应对这一挑战，本发明的方案的开发需要三个设计目标，具体包括：
[0320]
(1)准确的ph车辆性能评估：从ph车辆的车队服务质量来看，道路上总是有相对不良行为的ph车辆。其中一些行为可能会降低车队成员的体验，甚至可能使车队成员处于危险之中。在实践中，导致ph车辆性能不佳的原因有很多，例如不良的驾驶习惯、自私或故意攻击。有时ph车辆粗心驾驶或提供糟糕的服务只是因为系统缺乏监管。在所有上述情况下，性能评估方案有望要么惩罚攻击者，要么激励粗心的司机尽可能提供最好的服务。此外，为了使结果更加准确，车队成员给出的评价分数应该足够细化和平滑。
[0321]
(2)可靠的车队服务推荐：在可靠和不可靠车辆混合的情况下，ph车辆的选择是一个重要问题。为了帮助潜在车队成员避开不良行为车辆，本发明的方案应该能够准确地区分行为良好和行为不良的ph车辆，从而推荐最可靠的ph车辆。
[0322]
针对恶意车队成员的检测：为了评测ph车辆的可信度，车队成员被要求提供有关ph车辆在一系列行程中的性能的反馈。然而，一些恶意车队成员可以故意操纵反馈或相互串通故意提供虚假反馈。这种攻击最终会颠覆ph车辆的评估过程，导致对ph车辆的评估不真实。其他恶意车队成员可能表现良好或表现不佳。在积累了很高的信任值之后，他们就开始做坏事。本发明提出的方案应该能够检测过滤掉那些不公平的反馈。
[0323]
2.本发明的方案
[0324]
2.1概述
[0325]
拟议框架的总体架构设计，用于车辆编队系统，包括rsus和车辆。rsu被视为信息存储、处理和调度中心，通过有线连接实时同步整个城市的车队信息，并作为可信的信任中心。框架包括五个主要的组成部分：
[0326]
1)请求编队：用户车辆向信号覆盖区域内的rsu发送编队申请(例如，从位置a到位置b)。rsu然后向附近的车辆返回推荐消息，其中包含路径信息匹配和相关激励政策。满足要求的车辆有资格作为成员加入车队，可以选择是否申请ph，最后向rsu返回响应。
[0327]
2)ph选举：在收到车辆请求后，rsu根据车辆的可信度，首先设定加入车队的可信度阈值，并从申请领队的车辆中选择可信度最高的车辆作为最终的ph。同时，其他应用车辆自动成为车队中的pm。
[0328]
3)奖励ph：ph在出行后可以获得合理的奖励，奖励由所有pm共同承担。
[0329]
4)评估行程质量：确定ph和pm后，可以通过行为效果评估ph在车队中的表现。pm对ph行为的评价是反映ph在行程中是否有负面行为，以及根据行程的整体稳定性得出的最终直接口碑意见。
[0330]
框架的优势在于它能够基于多种因素独立评估车辆的声誉和信任分数，并通过模糊推理系统生成非二元的可信度评估分数。
[0331]
2.2方案流程
[0332]
2.2.1车队路径匹配
[0333]
由于整个车队车辆轨迹计算量庞大且计算过程繁琐复杂，不利于车队路径匹配分析与计算。因此，本发明引入了车辆转向点的概念。本发明首先通过全球定位系统(gps)获取车辆的具体位置。当车辆行驶方向发生改变时，本发明利用以下公式计算相邻点的方向角度差：
[0334]
δθ＝arctan 2(sin(gpsdirection
i-gpsdirectionj),cos(gpsdirection
i-gpsdirectionj))
[0335]
其中，gpsdirectioni表示车辆路径中的点i在gps定位系统中的方向角，gpsdirectionj表示车辆路径中的点j在gps定位系统中的方向角。如果方向角度差落在一定范围内，则认为点i是车辆的转向点。经过实证分析，确定若75
°
《δθ《105
°
或165
°
《δθ《195
°
，则可认定该点为转向点。
[0336]
为了简化车辆轨迹路径并降低计算量，本发明可以通过提取行驶轨迹中的所有转向点以及初始点和终点，构建转向点序列sa＝(loni,lati)，其中(loni,lati)表示坐标系中的任意一个转向点i的经度和纬度。由于任意两个转向点之间形成的子轨迹方向不变，因此仅需提取两个相邻的转向点即可还原轨迹路径的方向特征，大大减少了计算量，并为后续的车辆路径相似度匹配做好了数据准备。
[0337]
本发明提出了一种改进的hausdorff距离算法，用于计算轨迹之间的匹配度。具体而言，公式中的sa和sb分别表示路径a和路径b的转向点序列，则：
[0338]
h(sa,sb)＝max(h(sa,sb),h(sb,sa))
[0339]
其中，h表示hausdorff距离，h(sa,sb)表示从序列sa到序列sb的最短距离，h(sb,sa)表示从序列sb到序列sa的最短距离。通过该算法，本发明可以有效地比较两条轨迹之间的相似度，为后续的路径匹配和分析提供了有力支持。
[0340]
为了提高hausdorff距离度量的准确度，本发明引入了微元思想和转向点轨迹线来划分转向点序列，并将整个序列化为一个个匹配区间。具体来说，本发明将起止转向点之间按纬度方向安插若干个转向点，划分轨迹线，然后针对每个匹配区间分别计算改进的hausdorff距离。
[0341]
对于转向点序列sa和sb，h(sa,sb)表示它们之间的hausdorff距离。对于任意ai∈a，都存在bj∈b使得dist(ai,bj)≤h(sa,sb)。本发明定义h1(sa,sb)为单向的从路径a到路径b的改进的hausdorff距离，定义h2(sb,sa)为单向的从路径b到路径a的改进的hausdorff距离。具体地，它们的计算公式如下：
[0342][0343][0344]
式中，h1(sa,sb)表示簇a中所有数据点向量和簇b中所有数据点向量的夹角的最小值的最大值，其中表示簇a中第i个数据点对应的向量，表示簇b中第j个数据点对应的向量，表示它们的点积，和表示它们的模长。公式h2(sb,sa)同理，表示簇b中所有数据点向量和簇a中所有数据点向量的夹角的最小值的最大值。需要注意的是，这里用到的余弦距离是其对应的夹角的余弦值，所以公式中使用了反余弦函数cos-1
来计算夹角。由于余弦距离的取值范围在[0,1]之间，所以这两个公式计算的距离值也在这个范围内。这种基于转向点轨迹线的相似轨迹匹配算法能够有效解决传统车队匹配算法中同线路匹配质量问题。
[0345]
在车辆编队场景中，一辆车可以看作是一个向量，其包含多个属性，如车速、位置、方向等。在车辆编队中，需要根据这些属性对车辆进行聚类，以便进行协同控制和调度。由于车辆编队场景中的数据通常是高维度的，使用欧几里得距离会导致所谓的“维度灾难”，即在高维度空间中，欧几里得距离计算结果失真，难以有效衡量数据点之间的距离。因此，这时候使用余弦距离可以更好地度量数据点之间的距离，从而更好地进行聚类。
[0346]
最终，轨迹匹配度是通过衡量每个匹配区间的匹配情况并将其汇总得到的。其中，是改进的hausdorff距离相似性度量临界阈值，用于衡量路径相似匹配的最大容错率。路径a、b的转向点序列被划分为若干转向点子轨迹，通过各轨迹线间形成的转向点子轨迹段来进行子轨迹间的相似度匹配，从而使两条路径中的所有转向点都参与到匹配遍历计算中来。计算所有相似子轨迹的总长度，然后将其所占匹配轨迹中较小长度的比例与改进的hausdorff距离相似度标准阈值比较，以判断两条轨迹是否相似。通过以下公式，可以计算出满足条件的子轨迹长度，并得出相似轨迹之间的匹配度：
[0347][0348]
其中，和是两条轨迹，k是这两条轨迹中的相似子轨迹数目，li表示第i个相似子轨迹的长度，和分别表示两条轨迹的长度，wi表示第i个相似子轨迹的权重，g(∈i,λi)是误差项函数，∈i和λi分别表示第i个相似子轨迹的误差和匹配强度。更具体地，误差项函数g(∈i,λi)定义如下：
[0349][0350]
其中，η是一个固定的阈值，∈i和λi的计算方法如下：
[0351][0352][0353]
其中，pa(t)和pb(t)分别表示两条轨迹在时间t时的位置，dist(pa(t),pb(t))和sim(pa(t),pb(t))分别表示这两个位置的距离和相似度。
[0354]
主要有2种匹配情况，为匹配阈值：
[0355]
1)匹配失败。用户车辆将保持请求状态，直到出现合适的车队。
[0356]
2)匹配成功。用户车辆可以在限定时间内成为该车队的成员。当用户车辆请求车辆编队服务时，rsu将为用户车辆选择最合适的头车。一旦匹配成功用户车辆就可以加入相应的车队。
[0357]
2.2.2可信度计算
[0358]
2.2.2.1声誉计算：本发明的声誉计算方法是通过分析车辆行为和推荐来实现的。本发明使用评估ph轮换后获得的评级来分析ph的驾驶行为。此外，本发明的框架还考虑了新加入车辆的推荐数量，以解决冷启动问题。当新车辆从现有车辆那里获得推荐时，新车辆的推荐值会更新。
[0359]
在车辆编队过程中，ph的轮换是非常重要的。由于车队中成员的最终目的地不一定相同，成员可能会随时离开编队。如果ph是固定的，并且ph在pms到达目的地之前到达，那么车队将面临解散的风险。这不利于保持整个车队的稳定，也会降低所有pms的行车安全性。为了解决这个问题，本发明可以制定规则让更有经验和可信的车辆担任ph，并在pm动态更新的过程中轮换ph。
[0360]
选择有经验和可信的ph是ph轮换中的关键。声誉是一种可靠的衡量标准，用于确定车辆是否值得信赖。在车队中，声誉值越高，车辆成为下一个ph的可能性就越大。下面分两步介绍声誉值的计算方法。
[0361]
pm对ph服务的评估：有两种方法可供选择。如图4所示，当pm到达目的地并离开车队时，需要评估旅程是否对ph的服务感到满意。另一种情况是，当ph被替换时，所有成员都可以对其进行评价。为了简化评估流程，本发明假设车辆编队系统中有一个固定的评估模型。具体来说，当ph被替换或pm到达目的地时，pm的内部操作屏幕上会自动弹出评估窗口。这类似于网约车行程结束后司机的星级评分，司机只需为每个问题选择相应的星级即可。
[0362]
声誉值计算：在车辆编队行驶中，车辆可以进一步分为以下两类：头车h＝{ph1,ph2,
…
,phi}和车队成员m＝{pm1,pm2,
…
,pmj}。头车在车队中领导成员车辆，在路上行驶时完全控制整个车队。更重要的是，它的行为会影响整个车队的安全和能源效率。因此，选择驾驶经验丰富、服务态度好、有口碑的车辆是车队成员的基本要求。本发明假设有n个pm接受了ph的服务。一个ph轮换后，被替换的ph会得到n个评价分数。每辆车的声誉值会随着评价分数的变化而变化。由于评价分数是一系列实数值，本发明无法用现有的分布来描述它。因此，本发明采用了流行的beta声誉系统(brs)，该系统利用beta概率密度函数来表征二元
度量(成功/不成功)的概率分布。beta族下的概率密度函数被合并为由二进制值索引的离散形式。通过大量分析，beta分布可以作为评价分数的理想分布。评估值可以建模为服从beta分布的随机变量x。beta分布的pdf表示为：
[0363][0364]
其中b(α,β)表示beta函数，定义为：
[0365][0366]
beta分布的期望可以通过积分计算得到：
[0367][0368]
将f(x∣α,β)代入上式，并且将分母中的beta函数展开，得到：
[0369][0370]
接下来，本发明将x的次数变为α+1，可以通过分部积分得到：
[0371][0372]
代入上式，得到beta分布的期望：
[0373][0374]
在进行ph轮换后，被替换的ph会获得n个评价分。这些评价分包括正面评价和负面评价，不同的评价对ph的影响也不同。正面评价可以提高ph的声誉值，而负面评价则会降低ph的声誉值。
[0375]
假设在ph轮换后，ph收集到的评价信息中，正面评价的数量为n1，负面评价的数量为n2。每条正面评价的效用为u1(x)，每条负面评价的效用为u2(y)。ph的声誉值r可以通过以下公式计算得出：
[0376][0377]
在这个公式中，n1表示正面评价的数量，n2表示负面评价的数量。u1(x)表示每条正面评价的效用，u2(y)表示每条负面评价的效用。w1表示声誉值的权重，r0表示车辆的初始评估声誉，w2表示初始评估声誉的权重。
[0378]
在选择新ph时，具有较高声誉值的pm被认为有能力担任ph。为了使每辆车都有足够的竞争力成为ph，每辆车都有一个初始评估声誉，该车辆从其他m辆车获得的初始评估声誉为r0(根据2.2.2.3中新车辆的声誉计算得出)。每次新的评价都会使最终的声誉值接近车辆的真实服务水平。
[0379]
2.2.2.2新车辆的声誉计算：上述计算无法评估新车辆的声誉，因为系统中不存在关于他们历史行为的信息。为了给新加入的车辆分配初始声誉，本发明利用了googlepagerank算法，根据其推荐数量计算每个新车辆的声誉分数。在pagerank算法中，一个页面的pagerank分数高表明有许多其他页面指向该页面。从不同页面到特定页面的链接权重被认为等同于一个成员的评级，由网络的其他成员确定。因此，通过基于推荐信息计算
声誉，类似于pagerank方法。
[0380]
设s为编队中所有车辆的集合，n为编队中车辆的总数。设r为所有车辆的声誉得分向量，其中r0[i]表示车辆i的声誉得分。设m为转移矩阵，其中m[i,j]表示从车辆i转移到车辆j的概率。当计算转移矩阵m时，本发明需要考虑每个车辆i的出度。具体地，本发明定义out(i)为车辆i在编队中的出度，即从车辆i出发指向其他车辆的边的数量。然后，对于从车辆i到车辆j的边(i,j)，本发明定义m
i,j
为：
[0381][0382]
其中，n是编队中的总车辆数。在这个定义中，对于每个出度不为零的车辆i，m
i,j
表示从车辆i出发经过一条边到达车辆j的概率，即p(i
→
j)＝m
i,j
。如果边(i,j)不存在，即车辆i的出度为零，则本发明认为从车辆i到车辆j的概率是均匀分布的，即
[0383]
接下来，本发明使用pagerank算法来计算每个车辆的声誉得分r0。本发明先将r0初始化为均匀分布，即对于所有的车辆i。
[0384]
然后，本发明执行以下迭代，直到算法收敛：
[0385]
r0＝αmr+(1-α)v
[0386]
其中α是阻尼因子(通常取值为0.85)，v是一个向量，每个元素都为在每次迭代中，本发明将r0更新为它的下一次近似值。对于每个车辆i，r0[i]表示该车辆的声誉得分。
[0387]
在pagerank算法中，如果一个页面的pagerank分数高，则说明有许多其他页面链接到该页面，这意味着该页面有更高的权威性。类似地，在本发明的算法中，如果一个车辆的声誉得分高，则说明有许多其他车辆指向该车辆，这意味着该车辆在编队中有更高的信誉度。由于本发明使用了编队中车辆之间的连接信息，本发明可以计算每个车辆的声誉得分，从而评估车辆的信誉度。
[0388]
2.2.2.3信任计算：在交通系统中，一些车辆扮演着独特的角色，例如警车。因此，根据现实中车辆的身份，为车辆设定不同的角色，并分配不同水平的信任是合理的做法。这基于一个假设，即角色相同的车辆具有相似的行为，因此可以在车辆交互时进行不同的处理。为了充分利用车辆编队内车辆角色的特点，本发明设置了四个不同的信任等级角色，从高到低分别为：
[0389]
1)权威，如交警车等；
[0390]
2)公有，如政府车辆，救护车，公交车等；
[0391]
3)专家，如驾驶车龄超过十年的车辆；
[0392]
4)普通，所有的车辆都会具有这个等级。
[0393]
每辆车的基于角色的信任值表示为κr:id
→
[0,1]，其中车辆的身份与其信任相互对应，0表示绝对不信任，1表示绝对的信任。
[0394]
因此，本发明定义了一个函数来衡量车辆的信任值。令κ表示由pms评估的ph车辆phi的信任值，其中m
p
(i,j)表示ph车辆phi在车辆编队状态中的诚实行为数，而m
t
(i,j)表示ph车辆phi在车辆编队状态中的总行为数，包括诚实和非诚实。
[0395]
假设phi表示第i辆车，m
p
(i,j)表示该车在车辆编队状态中的诚实行为数，m
t
(i,j)
表示该车在车辆编队状态中的总的行为数，κr表示该车的角色信任值。
[0396]
首先，本发明可以使用加权平均的方式来计算车辆在编队状态中的诚实程度。即将诚实行为数m
p
(i,j)除以总的行为数m
t
(i,j)，并乘以权重系数α，表示车辆在编队状态中诚实行为的重要程度，取值范围为[0,1]，越大表示诚实行为对信任值的贡献越大，公式如下：
[0397][0398]
然后，本发明可以考虑车辆的角色信任值κr，并将其与上面计算得到的诚实行为比例相加，表示角色对信任值的贡献，公式如下：
[0399]
κ2＝κr[0400]
最后，本发明可以引入一个修正项，考虑车辆在编队状态中的行为对信任值的影响，即引入一个修正系数β，表示车辆行为的修正程度，取值范围为[0,1]，越大表示车辆行为对信任值的修正越大，公式如下：
[0401][0402]
其中，表示车辆在编队状态中的最大行为数，用于归一化车辆行为修正项。
[0403]
最终，车辆的信任值κ可以通过将上面三个部分加权求和得到，公式如下：
[0404]
κ＝w1·
κ1+w2·
κ2+w3·
κ3[0405]
其中，w1、w2、w3分别表示对应部分的权重系数，用于调整各部分对信任值的贡献程度，满足w1+w2+w3＝1，确保最终的信任值在[0,1]之间。
[0406]
然后，rsu根据用户的历史行为预测用户未来的信任值。在这里，本发明使用指数加权移动平均(emwa)技术来估计车辆的未来行为，因为它更多地考虑了用户最近的表现，公式为：
[0407][0408]
其中，κ
(l)
表示当前时刻(第l时刻)的信任值，κ
(l-1)
表示前一时刻(第l-1时刻)的信任值，κ
(l+1)
表示未来时刻(第l+1时刻)的信任值。w是一个权重系数，用于平衡当前时刻信任值和未来时刻信任值的影响，取值范围在[0,1]之间。
[0409]
这个公式使用了滑动窗口的思想，通过将前一时刻和未来时刻的信任值进行平均，从而更加综合地考虑了过去和未来的信任值信息。权重系数w可以根据具体场景和需求进行调整，以满足不同的信任建模需求。
[0410]
某些车辆可能在开始时表现良好以提高其信任值，而当这些值足够高时表现不佳。为了对抗这种攻击的影响，本发明设计了一种信任值断路器机制：
[0411][0412]
在这个公式中，\kappa_0表示初始值，κ
(l-1)-κ
(l)
》κ
threshold
是断路器触发条件，α是指数加权移动平均的影响因子，用于平衡过去和现在信任值的权重。较大的α值会赋予较大的权重给当前时刻的信任值，而较小的α值则会赋予较大的权重给过去时刻的信任值。因此，α值的选择会影响到信任值的更新速度和对历史行为的考虑程度。需要根据具体场景和
需求来调整α值，以满足不同的信任建模需求。
[0413]
另外，公式中还引入了遗忘因子s1，用于惩罚开关攻击者。一旦断路器被触发，预测的信任值将减少为s1·
κ
(l+1)
，其中s1∈(0,1)是遗忘因子。通过调整s1的值，可以控制对开关攻击者的惩罚程度。较小的s1值会使开关攻击者更快地回复到之前的信任值水平，而较大的s1值则会对开关攻击者产生更长时间的惩罚。需要根据具体场景和需求来选择合适的s_1值。
[0414]
2.2.2.4模糊推理系统的可信度评价：常见的模糊推理系统分为纯模糊逻辑系统、sugeno型与mamdani型等3种。其中，纯模糊逻辑系统是其他类型模糊逻辑系统的核心部分，提供了将语言信息量化的方法，且是在一般模糊逻辑的原则下利用这类语言信息的一般化模型。纯模糊逻辑系统可以看作为映射关系，输入模糊集a通过模糊逻辑系统中的模糊规则库与模糊推理得到输出模糊集b。
[0415]
sugeno模型将解模糊化与模糊推理相结合，输出量为精确量。其中，精确输入量模糊化和模糊逻辑运算过程与mamdani型相同，但输出隶属度函数的形式与mamdani型存在差异。举例说明，一阶sugeno型模糊规则的形式为ifxisaandyisbthenz＝px+qy+r。其中，x和y为输入语言变量；a和b为推理前件的模糊集合；z为输出语言变量；p、q和r为常数。由于高阶数的sugeno模型增加了复杂性，性能的改善效果并不是很好，故很少使用。
[0416]
mamdani型模糊推理算法采用if/then规则定义输入与输出之间的模糊关系，如ifxisaandyisbthenzisc。其中，x和y为输入语言变量，a和b为推理前件的模糊集合，z为输出语言变量，c为模糊规则的后件。将已定义的模糊规则作用于输入语言变量，通过模糊推理将输出合并成模糊集合，采用相应的解模糊化方法，最终得到精确的输出。较为常用的解模糊化方法有质心法、面积重心法和极大平均法等。
[0417]
本发明提供了fis的详细实施，以评估车辆的可信度。模糊系统代表了一个很有前途的概念，它通过结合不确定性来做出准确的决策，从而缩小计算逻辑和人类推理之间的差距。因此，由于文献中讨论的利用车辆行为模仿人类决策的有效性，本发明基于几个影响因素利用了mamdanifis。图5展示了一个典型的模糊推理系统。
[0418]
本发明的fis包含以下组成部分：
[0419]
(i)规则库，(ii)模糊化，(iii)推理机，以及(iv)去模糊化。
[0420]
fis(见图5)的细节描述如下：
[0421]
规则库包括有限数量的规则，并且根据规则库做出决定。这些规则映射了输入和输出之间的函数关系，系统的输入包括两个变量。
[0422]
每个隶属函数(mf)的四个模糊集导致最多定义16条规则。规则库，在本发明的可信度评估中，需要进行修改以确定输入参数和输出的适当值。规则由两个主要部分组成：前提(在if和then之间)和结果(在then之后)，表1表示变量的md和输入的范围。
[0423]
表1变量的md和输入的范围
[0424][0425]
在模糊化过程中，基于隶属函数(mf)将清晰的输入变量转换为模糊输入。具体来说，本发明提供了清晰的声誉和信任数据，这些数据映射到包含mf和语言值的模糊输出集。mf被定义为一组确定隶属度(md)的规则(即if-then类型)。程度描述了输入值如何属于每个相应的模糊集。md，μa(x)量化了元素x的模糊集a的隶属度等级。当md的测量值为0时，元素x不被认为是模糊集合的成员，1表示元素x只是模糊集合的成员。当md值在真实单位区间[0,1]中时，部分模糊集被解释为消除不确定性。
[0426]
若对论域(研究的范围)u中的任一元素x，都有一个数a(x)∈[0,1]与之对应，则称a为u上的模糊集，a(x)称为x对a的隶属度。当x在u中变动时，a(x)就是一个函数，称为a的隶属函数。隶属度a(x)越接近于1，表示x属于a的程度越高，a(x)越接近于0表示x属于a的程度越低。用取值于区间(0,1)的隶属函数a(x)表征x属于a的程度高低。隶属度属于模糊评价函数的概念：模糊综合评价是对受多种因素影响的事物做出全面评价的十分有效的多因素决策方法，其特点是评价结果不是绝对地肯定或否定，而是以一个模糊集合表示。
[0427]
隶属度函数的确立还没有一套成熟有效的方法，大多数系统的确立方法还停留在经验和实验的基础上。对于同一个模糊概念，不同的人会建立不完全相同的隶属度函数，尽管形式不完全相同，只要能反映同一模糊概念，在解决和处理实际模糊信息的问题中仍然殊途同归。
[0428]
论域x中的模糊集由隶属函数定义，其中它将x中的每个元素x关联到区间[0,1]内的实数，表示为：
[0429][0430]
模糊集的输入是声誉t(r)和信任值t(κ)，输出的是可信度t(γ)，定义如下：为车辆的声誉值和信任值两个输入参数选择语言变量，并为其匹配隶属度函数。语言变量分为不同的等级，t(x)被称为x的术语集，对于本发明的输入，t(r)＝t(κ)＝{verybad,bad,medium,good}，系统输出为车辆可信度的概率，规定为{verybad,bad,medium,good,verygood}5个等级，其中t(r|κ|γ)表示与变量r|κ|γ关联的所有标签的集合。隶属度函数选择三角形函数与梯形函数，2个输入参数的隶属度函数如图6所示。
[0431]
本发明选择trimf和trimf来描述输入和输出的形状，因为它们对模糊数集的计算非常准确。
[0432]
trimfs和trapmfs的数学表示中的md和方程式如下所示：
[0433][0434][0435][0436]
推理机通过利用if-then模糊规则库将模糊输入(声誉r和信任值κ)转换为模糊输出(可信度，γ)。特别地，模糊规则有助于描述本发明如何平衡多个输入参数。例如，在表1的rule1中，本发明将r和κ的值定义为bad，对于上述输入贡献值，输出γ被确定为verybad。在制作推理规则时，本发明采用mamdanimax-min组合方法来定义输出模糊集。让本发明将r和κ视为两个模糊集，两个模糊集关系r
→
κ的最大-最小组成如下：
[0437]
μr→
κ
(x,y)＝μ(γ)＝max[min(μr(x),μ
κ
(y))]
[0438]
同一个输入参数可对应两个不同的隶属度函数，得到不同的模糊值，即一个输入可同时适用于多个模糊规则。利用mamdanimax-min决策方法将所有规则组合出的模糊结果集合并，将输入值中的最小值作为每条规则的输出值，在组合不同规则的结果时，将同规则下最大的数值作为该规则的最终值。
[0439]
例如，假设某辆车的声誉值r为0.3，对应的模糊语言变量的隶属度为{verybad:0.5,bad:0.5,medium:0,high:0}。信任值κ为0.2，对应的模糊语言变量的隶属度为{verybad:1,bad:0,medium:0,high:0}。在表1中进行查找，其分别对应“规则1”“规则5”，则该车的声誉值为{verybad}的隶属度为0.5，信任值{bad}的隶属度为0.5。对应“规则1、5”并考虑min-max决策方法，可得到该车辆可信度集合为{verybad＝0.5，bad＝0.5}，其他对应规则整理如图7所示。
[0440]
推理机的结果是μ
(γ)
，它是一个模糊语言值.由一个梯形模糊数或若干个梯形模糊数组成的集合称为梯形输出模糊集。
[0441]
去模糊化是将语言变量转换为[0,1]范围内的清晰值的过程。重心(cog)是用于去模糊化的最常用策略，具有简单、均方误差小和稳态性能更好的优点。本发明采用cog去模糊化方法计算隶属函数下区域的质心。它通过转换模糊输出集生成清晰的数字，测量聚合区域的质心。以min-max决策方法给出所有模糊的结果，利用重心法进行解模糊化运算，形成最后的精确输出值为：
[0442][0443]
式中，y表示隶属度函数的横轴；μ
b'
(y)表示隶属度函数集。计算不同隶属函数对应的可信度，最终得到该车可信度的概率值，其中y指向分区样本，μ
b'
(y)作为隶属函数。
[0444]
图8显示了模糊输出规则的图形分析。质心方法用于聚合声誉和信任值隶属函数，并获得清晰的可信度(γ)值。可信度(γ)用于匹配度最高的ph和pms进行编队。
[0445]
2.2.3收益计算
[0446]
假设本发明有一个车队，由n辆车组成。假设车队中的每一辆车都可以提供自动驾驶服务，并且服务的价格相同。车队的行驶路线是一条由起点s到终点t的路线，长度为d。车队中的每一辆车都可以在不同的时间段内加入和退出车队。为了最大化车队的收益，需要确定每一辆车加入和退出车队的最佳时间。
[0447]
本发明假设车队的头车是车队中最先加入车队的车辆，其服务的收益最大。本发明可以将车队的收益建模为：
[0448][0449]
其中，p(di)表示第i辆车在行驶距离为di时可以获得的服务收益，c(n)表示车队中有n辆车时的服务成本(每公里收取的费用)，d表示车队的行驶路线长度。
[0450]
现在假设车队中的第k辆车加入车队的时间为tk，其在车队中停留的时间为tk。则第k辆车在车队中的总行驶路程为dk＝vk·
tk，其中vk表示第k辆车的行驶速度。车队中的每一辆车都要遵循以下两个规则：
[0451]
1)每一辆车加入车队的时间必须在前一辆车加入车队的时间之后，并且不能超过终点的到达时间；
[0452]
2)车队中的每一辆车都必须有足够的时间完成服务并离开车队，即不能在路线的起点或终点停留太长时间。
[0453]
因此，车队中每一辆车的停留时间可以通过以下公式计算：
[0454][0455]
其中，第一辆车的停留时间可以直接计算得到，对于后续的每一辆车，其停留时间可以通过前一辆车的停留时间和加入时间计算得到。
[0456]
设第i辆车加入车队的时间为ti，停留时间为si。根据前面的描述，本发明可以得到每辆车的收益表达式为：
[0457][0458]
其中，di表示第i辆车的行驶距离。为了方便起见，本发明将它表示成：
[0459]di
＝vi·
(t
e-ti)+si[0460]
其中，vi表示第i辆车的行驶速度，te表示车队到达目的地的时间。这里假设所有车辆的行驶速度相同，因此本发明可以把vi换成一个常数v，即：
[0461]di
＝v
·
(t
e-ti)+si[0462]
将上面两个式子带入到车队收益的表达式中，本发明得到：
[0463][0464]
对inc进行展开和化简，本发明可以得到：
[0465][0466]
其中，第一项表示车队在行驶中获得的收益，第二项表示车队在停留期间获得的
收益。由于第一项中的表示所有车辆在行驶中的总时间，因此可以表示为：
[0467][0468]
将这个式子带入到前面的表达式中，本发明可以得到每辆车加入车队后，头车的总收益表达式：
[0469][0470]
3.仿真实验分析
[0471]
车联网分析最终需要在真实的车辆上安装车载单元(on-boardunit，obu)来实现车内信息采集和车辆之间通信，并通过对车载单元底层传输模块的重新编码来支持所提出的传输算法，从而实现对算法性能的评估。考虑到车载单元安装与车内总线等硬件相关，车辆改装成本高、难度大，且车载单元价格昂贵(大约几万元/个)，目前难以实现大规模部署实验，因此科研人员一般采用仿真实验来评估算法性能。本发明使用西安市真实路网并选择合适的网络参数，使得仿真实验的设计尽可能接近真实水平。随着车联网的发展和普及，真实实验的部署环境逐步成熟，还可以利用真实实验验证算法性能。
[0472]
3.1仿真环境设置
[0473]
为了实现不同的驾驶操作，本发明使用plexe的pythonapi，这是一种由segata等人开发的工具。plexe是在veins中加入了platooning的元素。veins是一种车辆仿真框架，结合了使用omnet++的无线通信真实仿真与基于sumo的真实车辆物理仿真。plexe
·
sumo是在sumo基础上加入了platooning相关的元素，更方便platooning场景的搭建。plexe通过提供禁用安全距离的额外驾驶模型和用于自适应巡航控制和协作自适应巡航控制的特殊车辆控制器，进一步增加了实现编队行驶的功能。
[0474]
3.2模拟场景
[0475]
具体来说，本发明使用openstreetmap项目生成道路地形，并使用sumo生成车辆的运动轨迹。模拟区域地图的范围设置为5.0km
×
5.0km，这是位于中国西安市的真实交通环境。特别地，为了更真实地模拟车辆队列，本发明假设车队成员保持相同的速度，范围从16m/s到18m/s，相应地在模拟器中模拟区域扩展到50.0km
×
50.0km。车辆组成一个固定大小的车队，交通行为配置为使用krauss汽车跟驰模型。车辆的首选速度可以在速度限制附近偏离限制的百分之十，这意味着如果设置130公里/小时的限速，交通车辆的期望速度范围为117公里/小时至143公里/小时，如果没有给出明确的限制，汽车将以150公里/小时的平均速度波动，其中105公里/小时是最小速度，180公里/小时是最大可能速度。因此，不受限制的设置不仅会导致更高的平均速度，还会导致每辆车的速度选择更加多样化。此外，交通车辆被指示不要合作改变车道，即车辆不会仅仅为了为另一辆发出换道信号的汽车创造空间而改变车道。虽然此设置不切实际，但它在本发明的测试中提供了更好的可比性，因为必须利用不同的车道变换行为实现来协调多车切换策略的安全程序。当所有汽车都到达目的地时，模拟终止。
[0476]
3.3参数设定
[0477]
在这里，本发明根据车队选择的效率和有效性来评估性能.所提出的方案是用python实现的。为了运行模拟，使用了linux服务器。
[0478]
linux服务器规格：omenbyhp15-ax214txlaptoppc，8核，32gb内存。
[0479]
3.4评估结果
[0480]
3.4.1实验一(车队匹配)
[0481]
图9展示了随着pm数量的增加，ph的每项服务平均收益的变化。显然，方案“c.chen,t.xiao,t.qiu,n.lv,and q.pei,“smart-contract-based economical platooning in blockchain-enabledurban internet ofvehicles,”ieee trans.ind.inf.,vol.16,no.6,pp.4122
–
4133,jun.2020,doi:10.1109/tii.2019.2954213.”和本方案phs的平均收益都随着pm数量的增长而增加，因为更多的候选pm可以为ph提供更高收益的选择。然而，当候选pm数量饱和时，ph可以从pm数量增长中获得的收益逐渐减少。显然，本发明提出的算法可以更好地提高ph的收益，因为它将pm的收益作为优化目标的一部分。
[0482]
图10显示了pm在车队中不同车辆数量下的平均停留时间。由于充分考虑了pm和ph之间的社会关系、ph对不同目的地的偏好以及ph的利益，ph在本发明提出的方案中提供了良好的服务。因此，本发明提出的算法可以保证车队的稳定性，从而减少信令开销，车队成员频繁进入和离开造成的能量消耗。
[0483]
3.4.2实验二(车辆表现评估)
[0484]
本实验旨在比较使用单一因素(信任或声誉)和多标准因素(信任和声誉)对车辆的可信度评估之间的结果。与其他比较方法相比，本发明的工作在评估车辆可信度时考虑了不同类型的车辆。本发明的理由是，一辆车可能ph或pm，他/她在车辆编队系统中的行为不同。因此，他/她对这两种行为的可信度值可能不同。在评估车辆的可信度时，单一因素测量(信任或声誉)可能不会完全可靠，在少数情况下可能会产生有偏见的结果。如图11所示，使用具有某些计算逻辑的单因素得分，每辆车的可信度要么非常低要么非常高。
[0485]
在这个实验中，本发明随机选择了15辆车来衡量信任度。如图11所示，系统基于fis评估可信度，fis使用多标准方法更有效、更可靠且更无偏见。该实验评估了可信度概念的有效性，其中存在无经验和恶意车辆，而不是使用二元可信度值实现的基准方法。具体来说，本发明已经建立了检测不值得信任的车辆并强调高度值得信赖的车辆的程序。在实验中，本发明有兴趣分析它在改变信任和声誉分数时的表现。
[0486]
当用户故意向表现良好的ph车辆发送较差的反馈时，这被称为恶言攻击，类似地，当车队成员在ph车辆的表现不佳时提交了对ph车辆的良好评论。它被称为选票填充攻击。本发明在图12中比较了诚实车辆和恶意车辆超20轮的可信度。诚实车辆被认为每轮都会提供准确的反馈。可信度会逐渐收敛，恶意车辆获得最低分数并被过滤掉。因此，框架性能是准确的，可以正确识别值得信赖的车辆。本发明基于模拟的实验结果表明，本发明的框架可以更准确地检测不可信的车辆，因为本发明使用多标准方法以识别恶意意图和行为，而其他方法大多忽略它。
[0487]
本发明提出的框架的有效性归因于本发明的多标准因素模型，其中声誉和信任分数是独立计算的，并且模糊方法的使用在车辆的可信度评估方面提供了更高的准确性。此外，其他方法将车辆的可信度视为一个二元决策，即车辆是值得信赖的还是不值得信赖的，结果不值得信任的车辆可能成为部分评级的受害者。本发明还注意到，声誉较高的可信赖车辆的信任值较低。
[0488]
为了评估基于模糊的方法的有效性及其灵敏度，考虑了两个标准。在实验期间，信誉标准是固定的，只有信任标准会发生变化，反之亦然。例如，在第一阶段选择了high、med1和med2之间的车辆声誉。在high、med1和med2之间获得信任分数的车辆具有更高的可信度。在这些情况下，车辆在系统中更值得信赖。此外，车辆的信任分数不同且较低，med1级别被规定为不可信。然而，在第二阶段，信任分数是固定的，从high、med和med2中选择不值得信任的车辆来应用声誉分数。因此，本发明得出结论，声誉和信任分数并不总是相同的。最终，在评估车辆的可信度时，为了提高请求者的满意度，需要考虑信任度，得到最终的可信度。
[0489]
3.4.3实验三(新车辆表现评估)
[0490]
在提议的框架中，本发明考虑了推荐信息，例如平台上新加入车辆的推荐总数。由于新车没有历史评价，推荐信息可以帮助系统计算新车的初始可信度。
[0491]
图13显示了ph的评估次数和初始评估声誉对可信度水平的影响。本发明设置了几个初始评估声誉κ＝1、0.7、0.4。可以看出，无论初始评估声誉如何，最终的可信度水平都会趋近于某个值，初始声誉越高，最终的可信度水平就越高。本发明假设初始评估声誉为κ＝0.7，达到高质量ph的水平。本发明可以看到初始评估声誉很高，这是不现实的。因此，借助模糊输出规则对可信度水平的修正，ph的最终可信度水平将趋近于某个值。可以看出，无论初始声誉值如何，最终的可信度水平都会趋近于某个值，初始声誉值越大，最终的可信度水平就越高。
[0492]
本发明有助于车队环境下车辆的可信度评估和车队匹配。在识别可能被错误评级的“不值得信任的ph”可能最终没有pm跟随，或者可能有恶意的“可信赖ph”将被分配多辆ph跟随问题方面，本发明的框架工作已经解决了。这些发现表明，使用从所提出的框架获得的可信度可以有效地评估车辆的可信度，从而提高车队匹配的准确性。此外，包含使用推荐数量计算新加入车辆声誉的pagerank算法显着影响了本发明的框架。因此，本发明所提出的框架是可靠的，可以很容易地衡量并完善车队环境下评估车辆可信度的需求。
[0493]
应当注意，本发明的实施方式可以通过硬件、软件或者软件和硬件的结合来实现。硬件部分可以利用专用逻辑来实现；软件部分可以存储在存储器中，由适当的指令执行系统，例如微处理器或者专用设计硬件来执行。本领域的普通技术人员可以理解上述的设备和方法可以使用计算机可执行指令和/或包含在处理器控制代码中来实现，例如在诸如磁盘、cd或dvd-rom的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本发明的设备及其模块可以由诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现，也可以用由各种类型的处理器执行的软件实现，也可以由上述硬件电路和软件的结合例如固件来实现。
[0494]
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。

技术特征：
1.一种车队路径匹配和可信度评估方法，其特征在于，车队路径匹配和可信度评估方法包括：根据车辆过去的评级和推荐计算声誉值，通过定义函数衡量车辆信任值；在决策中通过mandani模糊推理系统将获得的声誉值和信任值进行结合，获得车辆的可信度得分，并利用可信度进行车队路径匹配。2.如权利要求1所述的车队路径匹配和可信度评估方法，其特征在于，车队路径匹配和可信度评估方法包括以下步骤：步骤一，车队路径匹配：引入微元思想和转向点轨迹线划分转向点序列，利用改进的hausdorff距离算法计算车辆轨迹之间的匹配度；步骤二，可信度计算：通过分析车辆行为和推荐计算声誉，通过定义函数计算车辆的信任值，并评价模糊推理系统的可信度；步骤三，收益计算：确定每辆车加入和退出车队的最佳时间，将车的收益进行建模，计算每辆车的停留时间以及车队的总收益。3.如权利要求2所述的车队路径匹配和可信度评估方法，其特征在于，步骤一中的车队路径匹配包括：引入车辆转向点的概念，通过全球定位系统获取车辆的位置；当车辆行驶方向发生改变时，利用以下公式计算相邻点的方向角度差：δθ＝arctan2(sin(gpsdirection
i-gpsdirection
j
),cos(gpsdirection
i-gpsdirection
j
))；式中，gpsdirection
i
表示车辆路径中的点i在gps定位系统中的方向角，gpsdirection
j
表示车辆路径中的点j在gps定位系统中的方向角；如果方向角度位于75
°
<δθ<105
°
或165
°
<δθ<195
°
，则认为点i是车辆的转向点；通过提取行驶轨迹中的所有转向点以及初始点和终点，构建转向点序列s
a
＝(lon
i
,lat
i
)，其中(lon
i
,lat
i
)表示坐标系中的任意一个转向点i的经度和纬度；利用改进的hausdorff距离算法计算轨迹之间的匹配度，s
a
和s
b
分别表示路径a和路径b的转向点序列，则：h(s
a
,s
b
)＝max(h(s
a
,s
b
),h(s
b
,s
a
))；式中，h表示hausdorff距离，h(s
a
,s
b
)表示从序列s
a
到序列s
b
的最短距离，h(s
b
,s
a
)表示从序列s
b
到序列s
a
的最短距离；引入微元思想和转向点轨迹线划分转向点序列，并将转向点序列转化为匹配区间；将起止转向点之间按纬度方向安插若干个转向点，划分轨迹线，针对每个匹配区间分别计算改进的hausdorff距离；对于转向点序列s
a
和s
b
，h(s
a
,s
b
)表示s
a
和s
b
之间的hausdorff距离；对于任意a
i
∈a，均存在b
j
∈b使得dist(a
i
,b
j
)≤h(s
a
,s
b
)；定义h1(s
a
,s
b
)为单向的从路径a到路径b的改进的hausdorff距离，定义h2(s
b
,s
a
)为单向的从路径b到路径a的改进的hausdorff距离，计算公式如下：
式中，h1(s
a
,s
b
)表示簇a中所有数据点向量和簇b中所有数据点向量的夹角的最小值的最大值，表示簇a中第i个数据点对应的向量，表示簇b中第j个数据点对应的向量，表示点积，和表示模长；公式h2(s
b
,s
a
)表示簇b中所有数据点向量和簇a中所有数据点向量的夹角的最小值的最大值；通过衡量每个匹配区间的匹配情况并汇总得到轨迹匹配度；其中，是改进的hausdorff距离相似性度量临界阈值，用于衡量路径相似匹配的最大容错率；路径a、b的转向点序列被划分为若干转向点子轨迹，通过各轨迹线间形成的转向点子轨迹段进行子轨迹间的相似度匹配，使两条路径中的所有转向点均参与到匹配遍历计算中；计算所有相似子轨迹的总长度，将所占匹配轨迹中较小长度的比例与改进的hausdorff距离相似度标准阈值比较，判断两条轨迹是否相似；计算满足条件的子轨迹长度，并得出相似轨迹之间的匹配度，计算公式为：式中，和是两条轨迹，k是两条轨迹中的相似子轨迹数目，l
i
表示第i个相似子轨迹的长度，和分别表示两条轨迹的长度，w
i
表示第i个相似子轨迹的权重，g(∈
i
,λ
i
)是误差项函数，∈
i
和λ
i
分别表示第i个相似子轨迹的误差和匹配强度；其中，误差项函数g(∈
i
,λ
i
)定义如下：式中，η是固定的阈值，∈
i
和λ
i
的计算方法如下：的计算方法如下：式中，p
a
(t)和p
b
(t)分别表示两条轨迹在时间t时的位置，dist(p
a
(t),p
b
(t))和sim(p
a
(t),p
b
(t))分别表示两个位置的距离和相似度；其中，为匹配阈值，匹配情况包括：表示匹配失败，用户车辆将保持请求状态，直到出现合适的车队；2)表示匹配成功，用户车辆在限定时间内成为车队的成员；当用户车辆请求车辆编队服务时，rsu为用户车辆选择最合适的头车，并将匹配成功的用户车辆加入相应的车队。4.如权利要求2所述的车队路径匹配和可信度评估方法，其特征在于，步骤二中的可信度计算包括：(1)声誉计算：分析车辆行为和推荐，使用评估ph轮换后获得的评级分析ph的驾驶行为；当新车辆从现有车辆获得推荐时，更新新车辆推荐值；
pm对ph服务的评估：当pm到达目的地并离开车队时，评估旅程是否对ph的服务满意；当ph被替换时，所有成员进行评价；车辆编队系统包含固定的评估模型，当ph被替换或pm到达目的地时，pm的内部操作屏幕自动弹出评估窗口；声誉值计算：在车辆编队行驶中，车辆分为头车h＝{ph1,ph2,
…
,ph
i
}和车队成员m＝{pm1,pm2,
…
,pm
j
}；采用beta声誉系统，利用beta概率密度函数表征二元度量的概率分布；beta族下的概率密度函数被合并为由二进制值索引的离散形式；评估值建模为服从beta分布的随机变量x，beta分布的pdf表示为：式中，b(α,β)表示beta函数，定义为：beta分布的期望通过积分计算得到：将f(x∣α,β)代入beta分布的期望计算公式，并将分母中的beta函数展开，得到：将x的次数变为α+1，通过分部积分得到：得到beta分布的期望为：在ph轮换后，ph收集到的评价信息中，正面评价的数量为n1，负面评价的数量为n2；每条正面评价的效用为u1(x)，每条负面评价的效用为u2(y)；ph的声誉值r通过以下公式计算得出：式中，n1表示正面评价的数量，n2表示负面评价的数量；u1(x)表示每条正面评价的效用，u2(y)表示每条负面评价的效用；w1表示声誉值的权重，r0表示车辆的初始评估声誉，w2表示初始评估声誉的权重；(2)新车辆的声誉计算：利用googlepagerank算法，根据推荐数量计算每个新车辆的声誉分数，通过基于推荐信息计算声誉；当s为编队中所有车辆的集合，n为编队中车辆的总数，r为所有车辆的声誉得分向量，其中r0[i]表示车辆i的声誉得分；设m为转移矩阵，其中m[i,j]表示从车辆i转移到车辆j的概率；当计算转移矩阵m时，定义out(i)为车辆i在编队中的出度，出度是从车辆i出发指向其他车辆的边的数量；对于从车辆i到车辆j的边(i,j)，定义m
i,j
为：
式中，n是编队中的总车辆数；对于每个出度不为零的车辆i，m
i,j
表示从车辆i出发经过一条边到达车辆j的概率，p(i
→
j)＝m
i,j
；如果边(i,j)不存在，车辆i的出度为零，则从车辆i到车辆j的概率是均匀分布的，使用pagerank算法计算每个车辆的声誉得分r0，将r0初始化为均匀分布，对于所有的车辆i执行以下迭代，直到算法收敛：r0＝αmr+(1-α)v；式中，α是阻尼因子，取值为0.85；v是向量，每个元素均为在每次迭代中，将r0更新为下一次近似值；对于每个车辆i，r0[i]表示车辆的声誉得分；(3)信任计算：设置四个不同的信任等级角色，从高到低分别为：权威、公有、专家和普通；每辆车的基于角色的信任值表示为κ
r
:id
→
[0,1]，其中车辆的身份与其信任相互对应，0表示绝对不信任，1表示绝对的信任；通过定义函数衡量车辆的信任值；令κ表示由pms评估的ph车辆ph
i
的信任值，其中m
p
(i,j)表示ph车辆ph
i
在车辆编队状态中的诚实行为数，而m
t
(i,j)表示ph车辆ph
i
在车辆编队状态中的总行为数，包括诚实和非诚实；当ph
i
表示第i辆车，m
p
(i,j)表示车在车辆编队状态中的诚实行为数，m
t
(i,j)表示车在车辆编队状态中的总的行为数，κ
r
表示车的角色信任值；使用加权平均的方式计算车辆在编队状态中的诚实程度；将诚实行为数m
p
(i,j)除以总的行为数m
t
(i,j)，并乘以权重系数α，表示车辆在编队状态中诚实行为的重要程度，取值范围为[0,1]，越大表示诚实行为对信任值的贡献越大，计算公式如下：分析车辆的角色信任值κ
r
，并与计算得到的诚实行为比例相加，表示角色对信任值的贡献，计算公式如下：κ2＝κ
r
；分析车辆在编队状态中的行为对信任值的影响，引入修正系数β，表示车辆行为的修正程度，取值范围为[0,1]，计算公式如下：式中，表示车辆在编队状态中的最大行为数，用于归一化车辆行为修正项；车辆的信任值κ通过将三个部分加权求和得到，计算公式如下：κ＝w1·
κ1+w2·
κ2+w3·
κ3；式中，w1、w2、w3分别表示对应部分的权重系数，用于调整各部分对信任值的贡献程度，满足w1+w2+w3＝1，确保最终的信任值在[0,1]之间；
rsu根据用户的历史行为预测用户未来的信任值，使用指数加权移动平均技术估计车辆的未来行为，计算公式为：式中，κ
(l)
表示第l时刻的信任值，κ
(l-1)
表示第l-1时刻的信任值，κ
(l+1)
表示第l+1时刻的信任值；w是权重系数，用于平衡当前时刻信任值和未来时刻信任值的影响，取值范围在[0,1]之间；设计信任值断路器机制：式中，\kappa_0表示初始值；κ
(l-1)-κ
(l)
>κ
threshold
是断路器触发条件；α是指数加权移动平均的影响因子，用于平衡过去和现在信任值的权重；通过引入遗忘因子s1，用于惩罚开关攻击者；当断路器被触发，则预测的信任值将减少为s1·
κ
(l+1)
，其中s1∈(0,1)是遗忘因子；通过调整s1的值控制对开关攻击者的惩罚程度，根据具体场景和需求选择合适的s_1值。5.如权利要求2所述的车队路径匹配和可信度评估方法，其特征在于，步骤二中的模糊推理系统的可信度评价包括：利用fis评估车辆的可信度；fis包含规则库、模糊化、推理机和去模糊化；规则库包括有限数量的规则，并根据规则库做出决定；规则映射输入和输出之间的函数关系，规则由前提和结果组成；在模糊化过程中，基于隶属函数(mf)将清晰的输入变量转换为模糊输入；mf被定义为确定隶属度(md)的规则；程度描述输入值如何属于每个相应的模糊集；md，μa(x)量化元素x的模糊集a的隶属度等级；当md的测量值为0时，元素x不被认为是模糊集合的成员，1表示元素x只是模糊集合的成员；当md值在真实单位区间[0,1]中时，部分模糊集被解释为消除不确定性；若对论域u中的任一元素x，均包含一个数a(x)∈[0,1]与之对应，则称a为u上的模糊集，a(x)称为x对a的隶属度；当x在u中变动时，a(x)是一个函数，称为a的隶属函数；隶属度a(x)越接近于1，表示x属于a的程度越高，a(x)越接近于0表示x属于a的程度越低；用取值于区间(0,1)的隶属函数a(x)表征x属于a的程度高低；论域x中的模糊集由隶属函数定义，其中将x中的每个元素x关联到区间[0,1]内的实数，表示为：模糊集的输入是声誉t(r)和信任值t(κ)，输出的是可信度t(γ)，定义如下：为车辆的声誉值和信任值两个输入参数选择语言变量，并为匹配隶属度函数；语言变量分为不同的等级，t(x)被称为x的术语集；对于输入，t(r)＝t(κ)＝{verybad,bad,medium,good}，系统输出为车辆可信度的概率，规定为{verybad,bad,medium,good,verygood}5个等级，其中t(r|κ|γ)表示与变量r|κ|γ关联的所有标签的集合；隶属度函数选择三角形函数与梯形函
数；选择trimf和trapmf描述输入和输出的形状，trimfs和trapmfs的数学表示中的md和方程式为：程式为：程式为：推理机通过利用if-then模糊规则库将模糊输入(声誉r和信任值κ)转换为模糊输出(可信度，γ)；将r和κ的值定义为bad，对于输入贡献值，输出γ为verybad；在制作推理规则时，采用mamdanimax-min组合方法定义输出模糊集；将r和κ视为两个模糊集，两个模糊集关系r
→
κ的最大-最小组成如下：μ
r
→
κ
(x,y)＝μ(γ)＝max[min(μ
r
(x),μ
κ
(y))]；同一个输入参数对应两个不同的隶属度函数，得到不同的模糊值，一个输入同时适用于多个模糊规则；利用mamdanimax-min决策方法将所有规则组合出的模糊结果集合并，将输入值中的最小值作为每条规则的输出值，在组合不同规则的结果时，将同规则下最大的数值作为该规则的最终值；去模糊化是将语言变量转换为[0,1]范围内的清晰值的过程；采用cog去模糊化方法计算隶属函数下区域的质心；通过转换模糊输出集生成清晰的数字，测量聚合区域的质心；以min-max决策方法给出所有模糊的结果，利用重心法进行解模糊化运算，形成最后的精确输出值为：式中，y表示隶属度函数的横轴；μ
b'
(y)表示隶属度函数集；计算不同隶属函数对应的可信度，最终得到车辆可信度的概率值，其中y指向分区样本，μ
b'
(y)作为隶属函数；质心方法用于聚合声誉和信任值隶属函数，并获得清晰的可信度(γ)值，可信度(γ)用于匹配度最高的ph和pms进行编队。6.如权利要求2所述的车队路径匹配和可信度评估方法，其特征在于，步骤三中的收益计算包括：当车队由n辆车组成，且服务的价格相同；车队的行驶路线是一条由起点s到终点t的路线，长度为d；当车队的头车是车队中最先加入车队的车辆，服务的收益最大，将车队的收益建模为：
式中，p(d
i
)表示第i辆车在行驶距离为d
i
时获得的服务收益，c(n)表示车队中有n辆车时的服务成本，d表示车队的行驶路线长度；当车队中的第k辆车加入车队的时间为t
k
，在车队中停留的时间为t
k
，则第k辆车在车队中的总行驶路程为d
k
＝v
k
·
t
k
，其中v
k
表示第k辆车的行驶速度；车队中每一辆车的停留时间通过以下公式计算：其中，第一辆车的停留时间直接计算得到，对于后续的每一辆车的停留时间通过前一辆车的停留时间和加入时间计算得到；设第i辆车加入车队的时间为t
i
，停留时间为s
i
，每辆车的收益表达式为：式中，d
i
表示第i辆车的行驶距离，表示为：d
i
＝v
i
·
(t
e-t
i
)+s
i
；式中，v
i
表示第i辆车的行驶速度，t
e
表示车队到达目的地的时间；当所有车辆的行驶速度相同，将v
i
换成常数v，则：d
i
＝v
·
(t
e-t
i
)+s
i
；带入到车队收益的表达式中，则：对inc进行展开和化简，得到：式中，第一项表示车队在行驶中获得的收益，第二项表示车队在停留期间获得的收益；由于第一项中的表示所有车辆在行驶中的总时间，则：得到每辆车加入车队后，头车的总收益表达式为：7.一种应用如权利要求1～6任意一项所述的车队路径匹配和可信度评估方法的车队路径匹配和可信度评估系统，其特征在于，车队路径匹配和可信度评估系统包括：车队路径匹配模块，用于引入微元思想和转向点轨迹线划分转向点序列，利用改进的hausdorff距离算法计算车辆轨迹之间的匹配度；可信度计算模块，用于通过分析车辆行为和推荐计算声誉，通过定义函数计算车辆的信任值，并评价模糊推理系统的可信度；收益计算模块，用于确定每辆车加入和退出车队的最佳时间，将车的收益进行建模，计算每辆车的停留时间以及车队的总收益。
8.一种计算机设备，其特征在于，计算机设备包括存储器和处理器，存储器存储有计算机程序，计算机程序被处理器执行时，使得处理器执行如权利要求1～6任意一项所述的车队路径匹配和可信度评估方法的步骤。9.一种计算机可读存储介质，存储有计算机程序，计算机程序被处理器执行时，使得处理器执行如权利要求1～6任意一项所述的车队路径匹配和可信度评估方法的步骤。10.一种信息数据处理终端，其特征在于，信息数据处理终端用于实现如权利要求7所述的车队路径匹配和可信度评估系统。

技术总结
本发明属于车辆编队系统管理技术领域，公开了一种车队路径匹配和可信度评估方法、系统、设备及终端，根据车辆过去的评级和推荐计算声誉值，通过定义函数衡量车辆信任值；在决策中通过Mandani模糊推理系统将获得的声誉值和信任值进行结合，获得车辆的可信度得分，实现车队路径匹配。本发明提出基于路径信息匹配的车辆队列机制，路径信息匹配成功的用户车辆加入合适的队列；使用信任和声誉因素提高车辆可信度评估的准确性，有效地估计头车和用户车辆的表现，使得在车辆编队过程中优化选择头车；引入推荐、Beta声誉系统和PageRank算法的使用，缓解车辆编队环境中新车的冷启动问题，基于实验结果证明本发明的可靠性和可行性。基于实验结果证明本发明的可靠性和可行性。基于实验结果证明本发明的可靠性和可行性。


技术研发人员：刘海 吴晋宇 邓明森 丁红发 蒋合领
受保护的技术使用者：贵州财经大学
技术研发日：2023.05.16
技术公布日：2023/8/28