Smart-Contract-Based Economical Platooning in Blockchain-Enabled Urban Internet of Vehicles
区块链支持的城市车辆互联网中基于智能合约的经济排队
摘要:为改善城市交通状况，减少交通事故的发生，本文提出了一种自由流交通状态下的无人驾驶汽车组队驾驶模型。该模型允许路径匹配成功的车辆分组成一个排，并由排长(PH)领导。此外，还引入了PH选择方案，以激励车辆成为PH，维持队列的动态更新。接下来，一个智能合约被用来在PH和队列成员(pm)之间实现基于区块链的支付，避免恶意和虚假的支付。数值计算结果表明，组队驾驶模型在油耗方面优于个体驾驶模型。通过对组队内拼车和非拼车模式的比较，我们的模型在PH收益和PM服务费方面有更好的表现。
索引术语:区块链、车联网、路径匹配、组队服务、智能合约。
I. INTRODUCTION
随着城乡快速发展，全球汽车数量持续增加。道路变得越来越拥挤，直接导致了一系列的社会和环境问题，如交通事故，上下班时间的增加，资源的浪费，环境污染。事实上，中国北京每月的拥堵成本已超过1000元，而拥堵造成的时间成本占平均月工资的12.4%。交通拥堵造成的尾气排放是环境污染的关键因素，也是一些大城市雾霾的主要原因。
随着自动驾驶的发展，智能交通将逐渐取代传统的驾驶模式。在此基础上，用组队模式代替单车模式是解决上述问题的一个很好的解决方案。一般来说，排队模式是指一个排长(PH)带领排成员(pm)一起驾驶。所有的排队成员都有相同的兴趣或目标，彼此之间保持一定的距离。小间距的一个明显优点是可以提高城市的交通能力，缓解交通拥堵。此外，该排队式模型还降低了能源消耗和节省5 - 20%的燃料成本。近年来，有很多交通事故的自动驾驶汽车，所以目前的自动驾驶汽车仍然需要司机的监督。驾驶员需要注意驾驶情况，不时进行干预。不在队列中的车辆是手动驾驶的，但是所有的车辆在加入队列后都是自动驾驶的，而且它们不是领队[12]。在一个排中，PH的司机承担着关注驾驶情况的任务，所以其他pm的司机不需要这样做，可以选择休息或享受车载娱乐[13]。总的来说，可以适当降低驾驶员的能耗，整个驾驶体验会更加舒适。队列模型更像是一组稳定的车对车通信[14]。由于车辆间距离相对较小，既可以在稳定的通信连接下完成应急信息的分发，也可以完成请求的分发，提高了信号传输[15]的成功率。
静态组队是最简单的配置，即车辆在离开[16]之前就被预先确定为成员。然而，在城市环境中，排是动态的。车辆可以在旅途中加入或离开不同的队列。因此，关键问题是如何形成和保持一个车辆排。
由于每辆车的目的地不同，一个固定的PH值最终到达目的地并离开队伍。考虑到在队列中做一个跟随者比领导者更有利，所以强迫任何车辆离开ph是不公平的。为了减轻用户自私行为的影响，并让玩家保持领导地位，我们需要一个奖励系统。为保证公平和保持经济平衡，PH轮选机制应以声誉值为基础。每个指定的PH将被要求行驶一定距离，并从pm收取服务费。
最近，区块链技术已经被证明可以为网络车辆[17]提供安全和隐私。分布式地图区块链在队列中的应用可以保证共享信息的私密性和完整性。然而，很少有研究工作专门研究区块链在排队方面的有效性。在最初的排阵以及排阵过程中，通信使得排阵容易受到攻击，频繁的信息交互容易导致私人信息的泄露。区块链分布在所有pm上，因此很难在保持区块链序列在逻辑上一致的同时更改其中一个块的原始数据。因此，需要对排与区块链的组合进行有意义的研究。
除了在组队和维护过程中考虑到组队的能耗外，我们还添加了基于智能合约的区块链，实现了组队服务的自动支付机制，防止了虚假支付和恶意拖欠。收到服务的pm应按照合同要求[18]-[20]向PH支付服务费。
本文在队列技术方面的主要贡献如下:
1)基于路径信息匹配的车辆队列机制，路径信息匹配成功的请求车辆可以加入合适的队列。2)一种计算声誉值的方法来选择PH. 3)智能合同支付机制，以迫使车辆接受排服务支付相应的服务费用。
本文的其余部分组织如下。第二节描述了队列模型。第三部分详细描述了路径形成匹配机制和ph旋转选择机制。第四部分分析了基于智能合约的队伍能耗和支付机制。第五节讨论了仿真。第六节是本文的结尾部分。
II. MODEL
A. Assumptions
1)分析所使用的系统模型，包括城市道路模型和自由流交通状态下的车辆移动性模型[21]，[22]。
2)路边单元(RSU)分布广泛，采用边缘云部署，能够实时传输和处理路过车辆上传的内容，基本满足[23]、[24]各车辆的通信需求。
3)每辆沿街车辆都配备车载单元(OBU)， OBU进行简单计算，收集相关信息，并上传到RSU。
4)每辆车都有一个大约10米精度的GPS导航系统，可以获取距离信息和地理位置[25]。
5)每辆车都有自己的历史推动信息经过一段连开车的模型,例如,汽车经历了几次加入排等行为,离开排,竞争成为PH值,支付PH值,评估PH值,并由PM评估。
B. System Model
让我们考虑一个基于城市排的V车联网(IoV)场景。在图1所示的系统模型中，车辆在街道上以自由流状态行驶，rsu扮演不同的角色[26]。
车队内通信 车对车通信 驾驶导航
队伍间通信 车辆到基础设施通信
1) RSU: RSU之间通过有线连接，并与覆盖区域内的每辆车进行无线连接。RSU实时更新队列信息，协助调度队列。
2)初始PH值:初始PH值可以是道路上单独行驶的车辆。
3)潜在的排成员:在加入一个排之前，车辆都是潜在的排成员(PPMs)。
4)团队成员:PPMS加入团队后，他们成为正式的PMS。
5) PH轮换:为保证安全公平，有条件地选择一名排员领导该排。
在了解传统组队优势的基础上，可以动态更新组队，没有固定的起点和终点，成员不断的加入和离开。随着新成员的不断加入，相应的队列路径信息也发生了变化。我们需要设计一个排系统，以确保ph和pms在动态维护[27]的利益。PMS花的钱最少，而整个队伍走得更远。
我们可以将燃油消耗转化为支付，例如，排币，这样任何驾驶，无论是整个排或车辆内排，它可以实现比传统的个人车辆驾驶更低的能源消耗。
III. COMPOSITION AND MAINTENANCE OF URBAN ENVIRONMENT AL PLA TOON
3城市环境排的组成与维护
A.请求车辆路径信息匹配
1)系统介绍:我们假设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队列信息。RSU也可以被看作是一个信任中心，它总是可信的。此外，还对队列系统中的每辆车辆进行了身份认证，并通过该系统进行身份识别。为了避免分队，我们忽略了交通灯的影响。在城市环境中，更多的成员并不能保证整体利益。排不能无限长，因为会造成严重的交通堵塞。因此，排制规定了整个城市环境中的排数以及每个排的成员数量。我们定义城市中的车辆为E, ppm为vj∈V。vpij表示vj成功地加入了队列pi。PH值集为P, phi表示pi的PH值，phi∈P, V + P⊆E
2)组队服务请求:一辆请求加入一个组队的车辆vj表示它想加入附近的RSU。当车辆需要前往特定地点时，电子地图可以快速生成由路段ID组成的相应路径信息。这样，车辆行驶的路径就可以用一系列路段来表示。随后，vj将路径信息提交给RSU。路径信息中包含车辆身份信息“vj”，请求服务节点RSNj0, RSNj0∈S, S = (s1,s2，…，sn)为整个网络节点集，n为整个网络的节点数。vj将要传递的网络节点集合是sj= (RSNj0,sj1,sj2)(j0≠ j1≠·····≠ jm），其中m为vj经过的网络节点数。vj可以容忍的等待时延为tj。该路径信息可以集成到图2所示的路径信息表(PIT)中，并发送给RSU。根据vj的PIT, RSU将为vj分配最合适的排位。
3)路径信息匹配:当sj与si之间的路径信息匹配程度高时，vj有机会加入。系统的路径信息由整个队列中路网节点集最大的车辆信息表示。当前管道通过或将要通过的网络节点为RNNi0(路网节点)，RNNi0∈S。pi将要传递的网络节点集为si= (RNNi0,si1,si2，…sik）i0≠ i1≠···≠ ik，其中k为当前队列将通过的网络节点数。Sj会随着队伍的移动而不断更新。pi到达vj的节点RSNj0所需时间为tij。队列pi的动态PIT可表示为图3。这些信息会从不同的队列上传到RSU，以便于路径信息的匹配。
si和sj的匹配度越高，匹配成功的概率越大。我们规定城市环境中的网络节点数是固定的。网络节点集sj和si的匹配可以分为以下几种情况。对应的匹配图如图4和图5所示。
a) RNNi0≠ RSNj0:
1) sj⊆ si:请求车辆vj在pi过程中到达目的地。这个新成员没有更新组队的网络节点集。
2) si和sj不包含，但si∩sj≠ ∅:vj等待稍长。vj的加入将对网络节点集si进行扩展和更新。
b) RNNi0= RSNj0:
1) sj⊆ si:vj等待了很短的一段时间，加入了排。vj将在pi的过程中到达目的地。这个新成员不会更新队列的网络节点集。
2) sj= si完全匹配:Vj与当前PI离开同一节点不会导致PI的网络节点集更新。
3) si⊆ sj:vj的加入将扩展和更新si的网络节点集。
随着vj不断的加入和离开组队，pij的PIT也会不断的更新，这样整个组队就可以动态的维护。如何准确地测量sj与sj之间的匹配度是一个关键问题。我们使用算法1来匹配集合si和sj。
结合路径信息匹配算法，我们定义匹配度(MD)如下:
其中MDij为sj与si的匹配度，Len[sj]为网络节点集sj的长度，Len[si]为网络节点集si的集合长度，maxlength为匹配长度。主要有三种匹配情况;w为匹配阈值。
1) MDij≤w，匹配失败。Vj将保持请求状态直到合适的车队出现。
2) MDij≥w，而tij≥tj，匹配失败。Vj将保持请求状态直到合适的车队出现。
3) MDij≥w，tij≤tj，匹配成功。Vj可以在一定时间内成为PI的会员vpij。
当vj需要组队服务时，RSU会为vj选择最合适的PH值。匹配成功后，vj就可以加入相应的队列。
B. Reputation-Value-Based PH Rotational Selection
基于声誉价值的PH轮选
在车辆组队维护过程中，PH的轮询是一个非常重要的环节。因为组队成员的最终目的地不一定相同，组队驾驶过程中成员会随时离开。如果一个phi是固定的，并且phi到达了它的目的地，那么在pm到达之前，队列将面临分解。这样不利于维护全队的稳定，降低了所有pm的行车安全性。我们假设每辆车都有它的历史信息，也就是说，这是一个已经运行了一段时间的车队系统。每辆车都经历了无数次的入队、出队、争当PH、支付PH、评估PH、被pm评估。因此，我们可以说，在车队中，每一辆车都有作为ph的经验。我们可以制定一个规则，让更有经验和可靠的车辆担任车队队长。在pm动态更新过程中，可以实现PH值的旋转。
寻找有经验和可靠的车辆是轮换选择PH的关键。信用是一个长期的集体信心措施，以确定车辆是否值得信赖。在一个队列中，声望值越高的车辆越有可能成为下一个ph。接下来，我们介绍了声望值的计算分两步进行。
1) pm对PH服务的评价:
在图6的左侧，当PM vpi j到达目的地并离开队列时，vpi j需要评估是否对phi的服务感到满意。在另一种情况下，PM vpi j没有到达目的地，PH已经旋转。此时，所有成员将对被替换的PH进行评估。为了简化评价，我们假设在城市车队系统中存在一个固定的评价模型。具体来说,当PH值旋转或点到达目的地,一个评估窗口会自动弹出的内部操作屏幕上点新品j。就像司机的星级在线car-hailing旅程后,司机只需要选择每个问题的星级。问题必须简明直接，以便评价者能尽快完成评估任务。在不失一般性的前提下，我们设计了问题，如图7左侧所示。
选择他们是为了从更广泛的角度了解用户对应用程序的感受以及需要改进的地方。不同的司机对问题有不同的看法，所以每个问题都有不同的权重w1,w2,w3。当驾驶员回答这些问题时，OBU会生成相应的评估分数。每个星级都有其代表性得分，如图7所示。评估分数由
式中SCvj phi为第j个PM对第i个PH的评价得分;W1,w2,w3, W1 + w2+ w3= 1是每个问题的权重。
2)声誉值计算:假设有N个pm接受PH phi的服务。一个PH旋转后，被替换的PH将得到N评价分数，SCv1 phi，…，SCvN phi, S Cvj phi∈[0,1]，j = 1,2，…, N。每辆车的声誉值会随着评价分数的变化而变化。由于SCvj是一系列的实值，我们不能用现有的分布来描述它。通过大量的分析，Beta分布可以作为评价分数的理想分布。评价分数SCvj phi可以建模为一个服从Beta分布的随机变量Xi。对应的概率密度函数为
参照[28]信誉值计算方法，考虑α = 1的单个参数β，我们可以得到信誉值均值的原则如下:
在选择新的PH值的过程中，声誉值较高的pm被认为能够作为PH值。为了让每辆车都有足够的竞争力成为PH值，每辆车都有一个之前的分数，该车从其他M辆得到的平均分数R0= 0.7。最终信誉值随着评价次数n的变化而变化，平均信誉值的变化对实际最终信誉值的修正产生影响。每次新的评估都将使最终的声誉值接近车辆的实际服务水平。
计算出队列中每辆车的最终信誉值并进行排序。考虑路径信息与最终信誉值的匹配程度，确定下一个PH值。匹配度是为了避免选择最终声誉值较高但即将离开队列的车辆。PH旋转过程如图8所示。当排匹配度为MDii≤1/2时，应更换PH。MDij≥1/2的成员将被选为提名ph。在这些候选人中，将选择R最大的一个作为下一个PH。
C.智能合约支付机制
在PH值轮询后，车队保持动态。服务费的支付是自发的，车辆接受车队服务。然后，我们将排币定义为排区块链中的加密货币。在这个区块链中，合同的制定和审计消耗了大量的计算能力，对于计算和存储能力有限的车辆来说，这是一件非常具有挑战性的事情。此外，车辆在不断移动，这给合同审计带来了困难。因此，我们的组队付款合同的制定和审核都交给了RSU，使合同同步到组队区块链。当PH轮转或成员到达目的地离开队列时，将触发智能合约的执行，完成服务转移交易。我们将该合约命名为排交易智能合约(PTSC)。主要内容是服务费用的支付标准，以及触发合同执行的行为。合同的执行步骤包括以下几个部分，如图9所示。
1)在车队系统中，诚信制度制定收费合同。对合同内容进行审核和修正后，将合同放入车队区块链。
2)在驾驶过程中，该车队将会有新成员加入。新成员将在经过体检和身份证明后加入车队。随着新成员的添加，新节点被添加到队列区块链中，这需要同步区块链的内容。
3)支付原则:选择信誉值最高、匹配度合适的车辆作为PH值，在一定行驶里程内始终享有计费权。触发智能交易的操作主要有两种类型。
a)如果PM即将到达目的地，而PH值在成员离开前没有轮换，那么PM离开队列时会触发智能合约，支付当前的PH值。
b)当队列成员尚未到达目的地时发生PH轮换时，PH轮换本身触发了合同的执行。此时，pm向之前的PH支付费用。如果PH循环，即之前的PH的会计期到期，会计权将转移到新的PH。
所有收入和支出记录将定期上传到RSU，以块的形式收集，并存储在区块链中，确保整个系统的交易受到保护，没有虚假支付。一旦PPM被接受为PM，该车队当前成员的付款将支付给PH，声誉值将进行适当调整。基于车队服务交易的收费标准，结合区块链技术和智能合约的优点，构建了分散的车队服务交易模型，提出了区块链车队服务交易模型。模型描述如图10所示。
首先，沿街行驶的rsu、PHs、pm和ppm都注册为区块链用户，区块链返回公钥和私钥。公钥是用户在区块链上的帐户地址，私钥是用户加密的唯一密钥。然后，PH和pm根据要求匹配交易，共同商定合同。合同参与方使用各自的私钥进行签名，以确保合同的有效性，避免恶意行为的干扰。这份合同是电子版的。车队系统将合同转换为计算机可读的代码，并通过网络将其传播到区块链中。一旦多认证节点同意了对合同的联合验证，合法的合同就存储在块中。整个交易模型是分散的。交易和契约信息是透明和不可篡改的，契约是自动存储和执行的。双方相互信任，所有的交易认证都在区块链排网络中进行。
如图11所示，每个块包含当前块的哈希值、前一个块的哈希值、一致的时间戳和Merkle根。区块还包含完成共识的合约集。每个收到的区块都将被合同集的区块验证，验证后的合同将写入区块。验证主要是对合同参与方的签名验证。
根据智能合约区块链模型、路径匹配算法和PH旋转机制，提出了一种面向队列服务交易的多交易智能合约算法。针对组队服务的多边交易智能合约必须满足三个条件:
1)任何组队服务消费者和PH服务提供商都可以自愿参与信息发布和交易;
2)交易信息披露人人可见，不得篡改;
3)合同自动执行和存储。车队系统流程图如图12所示。
IV . ANALYSIS OF ENERGY CONSUMPTION AND INCOME AND EXPENDITURE OF PLATOON
4车队能耗及收支分析
为了找到更好的交易规则，并确保PH和pm在整个服务过程中获得最大的利益，我们将把油耗和服务费结合起来。本文的场景只是考虑了缓慢变化的交通情况，这是很合理的，特别是在一个自由流状态[29]。
我们之所以选择自由流的交通状态，是因为一旦发生拥堵，车速很低的车队无法充分发挥其提高通行能力、缓解交通拥堵、节约燃油成本等优势。拥堵不仅会导致道路通行能力的下降，还会导致交通速度下降，环境污染加剧，交通安全性下降，并产生一系列经济问题，严重制约城市的发展。我们的车队不适合拥挤的状态。低速时不能考虑减少空气阻力的影响。为了反映这一现实，我们模拟了队列速度和队列内车辆空间对降低空气阻力比的影响，如图13所示。由图13可知，当车辆空间固定时，减小的空气阻力比随归一化速度的增大而增大。还可以看出，减小的空气阻力比随相对距离的增加而减小。因此，在接下来的分析中，我们将不再研究拥塞状态的相关内容。
A.燃料消耗分析
根据牛顿第二运动定律[30]，[31]，对车辆行驶过程中的受力进行分析，建立相应的车队油耗模型
feng是车辆的驱动力,做空气阻力,本公司的滚动摩擦,mti的质量车辆,v是车辆的速度,α的斜率是路上,ρ是空气密度,Aa是车辆的横截面积,cdi的空气阻力系数,φ∈[0,1]是空气阻力的比值,Cris为滚动摩擦系数，m为车辆质量，g为重力加速度，d为车辆间距离。相关油耗模型为[30]
式中，fc[ml/s]表示瞬时油耗，¯ηeng表示发动机平均燃烧效率，ρ表示车辆的燃料密度，δ表示发动机的活动状态。我们考虑α = 0和δ = 1。因此，在时间T期间，一辆车的总油耗为
对于有N辆车的队列，总体油耗如下:
式中，mi为排中第i辆车的质量，φi为排中第i辆车的空气阻力比，ti为排中第i辆车的行驶时间。
B.服务费计算
加入组队后，成员需要向ph支付服务费。与独自上路相比，加入组队可以减少燃料消耗。同时，驾驶员只专注于驾驶，减少了精神能量的消耗。对于PH，虽然油耗较大，但可以同时服务多辆车，总服务费收入的一部分会抵消油耗。就整个组队系统而言，固定数量的小灵通可以服务多辆车，提高每个组队的入会费率。因此，城市车队的实施将降低pm的总体能耗。收入的增加和每PH值服务的车辆数量的增加将对总体能源消耗产生一定的影响。如果队列中只有一名成员，PH只向其提供服务，并根据所走的距离收费。如果PMs数量大于等于2，则PMs之间为拼车关系，处于拼车状态的PMs的服务费会降低。排车系统有三种驾驶模式:拼车、非拼车和个人驾驶，如图14所示。让我们先简要分析一下两位PM拼车的情况。
1)双车拼车模式:在城市车队系统中，所有车辆都会尽量选择拼车状态进行驾驶。拼车路段的支付率λ∈[0,1]。非拼车部分要求pm承担相应的服务成本。为方便起见，我们规定PH每行驶一公里收费g排币，pmvj在当前头phi服务下行驶的距离为xj。当车辆不处于拼车状态时，服务费G(xj)为
拼车可以分为以下五种情况。对应的拼车服务费为Ci和Cj。函数sci()表示车辆vi在a1,a2，…a5不同情况下的成本。
A)同时加入和离开车队
B)同时加入一个车队，但不要同时离开一个车队(先一个离开车队)
C) vi和vj在不同的时间加入车队，但同时离开车队(vi先加入车队，vi开了dij公里后vj才加入)
D)在不同的时间加入这个车队(vi先加入这个车队，然后在vi走了dijkm的时候vj加入这个车队，然后vi先离开这个车队)
E)在不同的时间加入队列(vi先加入队列，在加入队列dijkm时vj加入队列，vj先离开队列)
拼车车辆所支付的平均服务费
其中δi取0或1，δi= 1表示拼车状态，δi= 0表示当前队列中只有一辆接受服务的车辆。M_share表示拼车的数量。
假设PH值可以服务的车辆数为L，消耗的燃料量为ftot，每毫升油的价格为f0，城市环境中每辆车的速度为v。为便于计算，我们假设车辆为匀速行驶，PH值与所有成员的距离为xtot，ζ表示排位币与燃料消耗的换算率，∈[0,1]。则可将PH phi的收益定义为
城市环境中各PH值的平均收入如下:
其中为城市环境中允许的PHs的数量。
2)多车拼车混合模式:多车拼车概率高，多个pm同时接受PH的服务，沿途有新成员加入或离开队列。我们以孔道为分析对象。从加入一个车队到离开一个车队，这被视为完全拼车。实际上，vi的拼车成本可以转化为两车拼车的情况。Vi将面临三种情况。
a)当车辆加入队列时，队列中没有其他成员:V车辆刚加入队列时，处于单独享受PH服务的状态，我们称之为非拼车状态。在跟随PH的过程中，总是会有车辆加入和离开排。V车辆的加入和离开并不一定会改变vi车辆的状态。例如，现在排中有三个成员。当其中一个成员到达目的地并选择离开队列时，其他成员仍然处于拼车状态。我们通过RNN0记录车辆的请求节点，目的地对应的路网节点为sg。在车辆入队和出队的过程中，其他车辆的入队和出队可能会改变vi的服役状态。这些车辆入队和出队的节点位置分别为s1、s2、…sg−1。也就是说,可能有新车加入s1的位置改变非拼车车辆vi拼车状态的状态,而且可能有车辆离开s2的位置来改变车辆vi的拼车状态返回非拼车状态等等。我们合并所有的行为。车辆本质上是指在整个过程的不同阶段，不同车辆的拼车，所以多车拼车模式可以转化为连续的双车拼车。根据双车拼车模型中功能的定义，我们可以通过以下方式得到车辆的服务费:
其中βi= 0或1。当βi= 0时，vi后其他车辆与vior同时脱离队列，当βi= 1时，表明在vi脱离队列之前，其他车辆已经脱离队列。
b)当车辆加入车队时，车队中已经有其他成员:当车辆加入车队时，立即进入拼车状态。V型车辆加入或离开排在s1,s2，…，sg−1将改变车辆的使用状态和脱离排。车辆维修服务费
c) V车辆V和其他车辆同时加入组队:当车辆与其他车辆加入组队时，立即进入拼车状态。V型车辆加入或离开排在s1,s2，…，sg−1将改变车辆的服务状态，直到离开队列。对应的服务费为
V. SIMULATION ANALYSIS
我们在上述拼车模型的基础上对场景进行了仿真。仿真参数如表一所示，主要模拟了以下几个方面。
1)匹配车辆数:匹配成功的车辆数。
2)实际最终信誉值:受评价次数、初始评价分数R0、初始评价量m影响的PH的最终信誉值。
3)节油率:燃油节油率随空气阻力比减小而减小。
4)平均服务费:会员接受PH服务后所支付的平均服务费。
5) PH总收入:两排模式下，随着请求车辆增加，PH服务费总收入。
图15为匹配和时间阈值对匹配车辆数量的影响。较低的阈值可以匹配更多的车辆，但会影响组队的稳定性。由于这两个阈值对匹配结果都很重要，所以我们选择匹配度阈值的较好范围为[0.5,0.6]，时间阈值为[4,6]min，可以得到更合适的匹配结果。图16左侧显示了对PH的评价次数和初始评价分数对实际最终声誉值的影响。假设初始评价量M = 100。我们设置了几个初始评价得分R0= 1、0.8、0.6、0.4。我们可以看到，无论初始评估分数如何，最终的声誉值都会接近某个值，并且初始评估分数越高，最终的声誉值越高。右图显示了评估次数和初始评估量对实际最终声誉值的影响。我们假设初始评价得分为R0= 0.7，达到了高质量ph的水平。我们可以看到初始评价得分很高，这是不现实的。因此，通过(6)对信誉值进行修正，PH的最终信誉值将趋近于某个值。我们可以看到，无论初始评价量是多少，最终信誉度值都会趋近于某个值，且初始评价量越高，最终信誉度值越高。
图16所示。实际的最终声誉值。
图17显示了pm数量和减少的空气阻力比对节油百分比的影响。当pm数一定时，空气阻力比越低，节油率越高。同样，随着空气阻力的减少，pm的数量越高，燃油节约的百分比越高。黄色曲线为单车模式，随着减小的空气阻力比的增大而减小，且单车模式的燃油节油率始终低于组队模式。
图18(a)为请求加入队列的车辆数与每辆车平均支付的关系。当排中只有一个成员，即处于非拼车状态时，每个成员所支付的服务费约为21-23个排币。当团队中有很多成员享受PH服务时，即处于拼车状态时，每个成员支付的服务费约为13-15个排币。当组队成员处于拼车状态时，每辆车的平均服务费显著降低。随着整个组队系统中车辆数量的增加，会有越来越多的车辆选择加入组队，这大大增加了拼车的概率。这也是两种情况下平均服务费降低的原因。
图18(b)显示拼车和非拼车的每个PH的总收入比较。在队列模型中，PH的总收益先增加后稳定。在非拼车模式下，当整个排系统中有2500辆请求车辆时，PH的收益趋于平稳。在拼车模式中，当队列系统中有3500辆请求车辆时，PH的收益趋于平稳。在拼车前，phi的总收入约254排币，拼车后，PH的总收入约310排币。然而，当请求车辆较少时，大多数车队都处于非拼车状态。非拼车状态的收入高于拼车状态。
图19显示拼车车辆在不同的支付比率下需要支付的平均服务费用。在非拼车情况下，每辆车的服务费约为23.8排币。随着拼车支付比例的降低，加入组队的车辆数量会增加，每个成员对应的服务费用也会降低。但在保证小灵通利益的前提下，以0.6作为支付比率是合适的。
VI. CONCLUSION
为了缓解当前城市交通拥堵、污染严重、事故频发的现状，本文引入了城市组队制度。所提出的路径信息匹配、PH循环选择和自由流状态下的智能合约支付机制改善了车队和支付平衡的形成和维护。仿真结果表明，城市组队模式在油耗方面远远优于单车模式。城市组队拼车模式在PH收入和pm支出方面表现优于非拼车模式。未来，我们将引入驾驶员的脑力和车辆的计算功耗，从整体上分析车队系统的能耗优化问题。此外，我们将考虑混合交通流和不同程度的城市拥堵对车队的影响。
以上为本篇论文机器翻译之后整理的文章，具体心得有缘再更新。
1432
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
