第四章 模擬實驗與結果分析
4.1 模擬環境
4.1.1 道路車輛移動模擬工具
國
立 政 治 大 學
‧
Na tiona
l Ch engchi University
第四章
模擬實驗與結果分析
4.1 模擬環境
為瞭解我們所提出的架構在 VANET 上的傳輸效能，我們以 NS-2 網路實驗工具，搭配 道路車輛移動的模擬工具 SUMO 及轉換車輛節點移動資料的工具 MOVE，來模擬真實 的網路環境。我們選擇 AODV 和 GPSR 兩種繞徑協定，整合在我們的系統架構中，並 與這兩種協定單獨使用的網路環境做比較。主要是因為這兩種方法分別為 topology-based 及 position-based 兩種類別中最典型的代表。至於車輛移動模式的場景，我們也以兩種 不同型態的道路場景來搭配實驗。
4.1.1 道路車輛移動模擬工具
SUMO (Simulation of Urban MObility) 這套開放源始碼工具程式是由德國航太中心 下的組織 Institute of Transportation Systems 所研發的。主要功能是模擬道路環境，以便 研究者藉以觀察各類與車輛交通相關的問題。包括像是交通道路的規劃、交通設施的需 求、交通環境汙染等問題，當然，網路通訊相關的問題，也屬於其應用範圍。
以 SUMO 進行模擬實驗時，需要兩種資料數據，分別為交通路網資料(networks) 與車輛路徑行駛資料(routes)或稱行車資料。交通路網資料主要是以路段(edge)和銜接路 段之間的路口節點(node)為主，並且可以詳盡地設定各路段的方向和車道(lane)數目、最 高時速限制以及路段的特性(priority，如主幹道與支線的優先順序)。在路口節點的部分，
‧
國立 政 治 大 學
‧
Na tiona
l Ch engchi University
也可以描述各路段之間車道的銜接(如左右轉專用車道或直行車道)和模擬交叉路口的交 通號誌等。SUMO 提供了相關的工具 netconvert，來協助使用者產生這些路網資料，包 括手動輸入、依參數產生固定模式的路網，或以真實地理資訊系統的道路圖層來建立路 網資料等。
至於車輛路徑行駛資料，則是包含車輛特性的設定以及車輛行駛經過路段的記錄。
車輛的設定包括長度、最高時速、加減速特性，以及跟車模式(car-following model)種類 及其相關參數。至於車行路段資料，則同樣可以藉由 SUMO 提供的幾種工具如 duarouter、
dfrouter、jtrrouter 及 od2trips，來產生行車資料檔，包含手動輸入、隨機產生，以及根 據輸入車輛的起訖點推算最短行駛路徑等。除此之外，SUMO 也提供了一個城市交通行 車活動的產生器 ActivityGen，協助產生大量的行車資料。該工具是依據 Activity-Based Traffic Demand Model [25] 的模式，來計算車流量，可以讓使用者以實驗的路網資料為 背景範圍，輸入包括人口數、家戶數、自用車輛比例、失業率、上下班時間等參數，以 及公共車輛的行駛路線，來模擬都會車輛行駛的狀況。藉由與 duaouter 搭配，可以在實 驗中建立一個更接近於真實的車量移動模型，作為觀察 VANET 網路效能的實驗平台。
在我們的實驗中，我們以 SUMO (版本 0.12.3)分別設計了兩種道路場景，第一種是 模擬直線道路，全長 4000 公尺的雙向各三線道的高速公路(freeway)場景(最高時速為 110km/h)。我們將道路設計成由數個直線路段相連成的 S 形公路(如圖 4.1)。
‧
國立 政 治 大 學
‧
Na tiona
l Ch engchi University
圖 4.1 模擬高速公路場景(freeway)。
每個路段都超過 500 公尺，任兩段相鄰路段，連接夾角至少都大於 135°，這樣設計，
主要是便於觀察，同時又接近一般高速公路含有彎道的情況。為模擬行駛在高速公路的 車輛，我們安排三種不同性能的車輛種類，分別依照出現的機率和不同的加速度，來模 擬車流。在全程共 300 秒的時間內，我們在此場景以四種車流量來做個別模擬實驗，分 別為 100、200、400 及 600 個車輛節點，陸續依亂數隨機安排在不同的車道上進入場景 中，行駛中各種車輛會依設定的性能係數在道路上移動，同時車輛也會適時變換車道。
我們另外安排兩個模擬資料傳送的車輛，對向行駛，在模擬開始後第 120 秒進入場景，
這是為了讓已進入場景中的車輛能大致均勻的分布在道路上。進入場景後便開始單向傳 送固定位元率資料封包(CBR)，用來觀察資料傳輸的狀況。此場景相關的設定如表 4.1。
其中需要說明的是，由於 SUMO 並未清楚說明所採用跟車模式的詳細方法，而且關於 駕駛的反應時間，也似乎由程式內定，所以我們只能決定車輛的加減速特性，以及一個 與駕駛特性相關的參數，因無從得知該參數確實的意義，所以在實驗中一率使用 SUMO 預設的模型以及建議的設定值(sigma = 0.5)。
‧
另外一個場景則為模擬市區的棋盤式道路(grid streets)，每個網格區段(block)為 200 公尺，所有路段皆為雙向雙車道，如圖 4.2。
‧
國立 政 治 大 學
‧
Na tiona
l Ch engchi University
圖 4.2 模擬市區街道的場景(grid streets)。
最高時速限制設定為 50 km/h，每個交叉路口皆有紅綠燈交通號誌控制，綠燈的時 間間隔設定為 30 秒，黃燈和紅燈的時間則由 SUMO 計算。相鄰兩個路口號誌，有的會 設定為連鎖控制，有些則為獨立運作，這是因為 SUMO 預設所有路口交通號誌為完全 同步控制，必需要特別指定，才能設計成接近一般市區道路的樣貌。至於棋盤邊緣的開 放道路，則作為進入或離開此區域的連外路段，讓車輛可以離開場景，避免持續在該區 域內活動，相關的設定如表 4.2。
表 4.2 市區街道場景車輛移動模擬參數。
參數 值
道路網格 5X5 (200mx200m block)
道路方向 雙向
單向車道 2 線道
車道時速限制 50 km/h
‧
國立 政 治 大 學
‧
Na tiona
l Ch engchi University
模擬車輛數
5 種車流量測試:
1. 約 200 輛隨機進場 2. 約 400 輛隨機進場 3. 約 600 輛隨機進場 4. 約 800 輛隨機進場 5. 約 1000 輛隨機進場 車輛速度 最高 50 km/h
跟車模式 SUMO Krauà car following model 車輛模擬時間 300 seconds
實驗車輛進入時間 開始模擬第 30 秒至第 300 秒
交叉路口號誌燈
綠燈秒數：30 秒，黃燈秒數：3 秒，紅燈 秒數則由模擬程式控制。
至於行車資料，我們則採用 ActivityGen 來產生車流。由於相關的參數非常多，我 們將所有參數設定值表列於表 4.3。除此之外，我們也在其中一個路段設立一所 1000 人 的小學(6-12 歲)，另外在多處路段設定公車站，並規劃四條公車路線，來模擬真實的交 通路況。利用 ActivityGen 來模擬一般交通尖峰時段，並將 NS-2 模擬的起始時間設定為 上午 8:00，來模擬上班時段的車流量。同樣，我們也在這個場景中分別設定約 200、400、
600、800 及 1000 個車輛節點來做個別的模擬實驗。我們亦以兩輛位於場景對角位置，
並對向進入實驗區域的車輛，作為觀察資料傳輸的目標。兩輛車於 30 秒時進入場景，
並逐漸向另一對角方向移動，直到離開場景範圍。
‧
childrenAgeLimit 18 成年年齡 retirementAgeLimit 65 退休年齡carRate 0.7 成年人擁有車輛的比例 unemploymentRate 0.05 失業率
footDistanceLimit 500 以腳程代替車輛的最大距離(公尺) incomingTraffic 1500 每天進入市區工作的人數
outgoingTraffic 1500 每天離開市區工作的人數
carPreference 0.5 已自行驅車取代公眾運輸的比例
meanTimePerKmInCity 360
在市區內行駛一公里平均花費的時 間(秒)
freeTimeActivityRate 0.15
每一家戶每一天願意使用車輛從事 休閒活動的比例
uniformRandomTraffic 0.2
隨機產生交通需求佔所有交通需求 的比例(proportion of the random traffic demand in the whole traffic demand)
departureVariation 300 人們出發時間變異的範圍
‧
當 SUMO 完成交通模擬後，接著需要使用 MOVE (MObility model generator for VEhicular networks)來處理 SUMO 產生的車輛位置追蹤資料。MOVE 這套工具，除了為 SUMO 提供一個圖形操作介面(GUI)，來產生相關的 SUMO 模擬檔案外，也可用來將
為了模擬我們提出的繞徑模組整合層(Routing Module Integration Layer，簡稱 RMIL)，
我們在 NS-2 增加了以 Agent 物件為基礎類別的 RMIL 模組，用來處理繞徑模組的整 合，以及資料封包的分送處理。我們以 TCL 語法將 AODV 以及 GPSR 兩個繞徑模組，
與 RMIL 模組串接，這樣的整合方式，可以不影響原來 AODV 和 GPSR 模組，方便 實驗的進行。至於實體層和其他資料連結層的各個原件，都以預設的設定值來進行實驗，