1.一种基于支持向量机的VANET分簇算法，其特征在于，包括以下步骤：

步骤一、对每辆初上道路行驶的车辆结点进行特征向量提取，根据特征向量构造每个车辆结点的支持向量机模型；

步骤二、在分簇阶段，初上道路的UN车辆结点未进入簇的车辆使用改进的AP聚类算法实现簇头选择；

步骤三、最优簇头选择结束后，车辆结点将进行入簇过程；

步骤四、车辆结点入簇后，根据运行状态来进行簇维护操作；

步骤五、在指定时间内，车辆结点行驶结束后，需对每个车辆结点的状态进行总结，若某个簇内存在大量簇成员结点的存活时间较短，则需要对簇头结点支持向量机的参数C和gamma进行调整，以优化簇头车辆结点的性能，使得在后续行驶的路段中加入该簇的成员结点保持相对较长的存活时间。

2.根据权利要求1所述的基于支持向量机的VANET分簇算法，其特征在于，所述步骤一中：S101、为车辆构造建立如表1所示的数据结构，其中包含当前时间点time，取值为车辆在目标路段的行驶时间；车辆种类vehicle_type，根据车辆种类为大巴车、汽车、货车进行取值，需进行量纲转化，依次转化为0，1，2，后续参与Z标准化；车辆的x坐标或经度vehicle_x；车辆的y坐标或纬度vehicle_y；车辆的速度vehicle_speed；车辆的ID号vehicle_id，为车辆的行驶方向与车辆所在车道组成的一个英文标识；初始时，车辆入簇时间in_time和离簇时间out_time为空0，当后续车辆在行驶途中加入簇或是离开簇，记录当前时刻；车辆标识flag初始值为false，当车辆在行驶途中进入簇内，则flag切换为True；车辆状态state初始值为UN，当车辆行驶途中成为簇头结点，则state切换为CH簇头车辆结点，若是成为簇成员结点，state切换为CM簇成员车辆结点；车辆邻居表neighbor初始值为空，后续根据距离添加结点数据结构中相应数据；车辆簇成员表member初始值为空，后续该结点成为簇头结点，则member中添加簇成员结点的相应数据；车辆的簇头ID head_id，初始值为空，当结点成为簇成员结点后，更新为其所属簇头结点的ID号；车辆支持向量机参数C和gamma，C是惩罚参数，设定为0.25，gamma是核参数，初始值1到500随机设定；C是惩罚系数，是对误差的宽容度，C越高，容易过拟合，C越小，容易欠拟合；

S102、将车辆结点自身属性提取为一个4维特征向量，自身属性包含在以上数据结构中的车辆种类、车辆x坐标，车辆y坐标和车辆速度，经过数据标准化，特征t的标准化处理如下：其中，t’表示标准化后的t，mean为特征t所有数据的均值，std为特征t所有数据的标准差；

得到车辆结点特征向量x_vehiclei如下：

x_vehiclei＝(typei，xposi，yposi，si)

其中typei为标准化后的车辆种类，xposi为标准化后的车辆x坐标，yposi为标准化后的车辆y坐标，si为标准化后的车辆速度；

S103、构建每个车辆结点携带有自身的支持向量机模型，用于结点成为簇头或是入簇的时候提取数据结构中C和gamma进行判断，决策函数如下所示：其中sign()为符号函数，当n为正时，sign(n)为1，n为负时，sign(n)为‑1，n为零时，sign(n)为0，gamma是选择高斯核函数作为核函数后，该函数自带的一个参数，gamma越大，支持向量越少，gamma值越小，支持向量越多，支持向量的个数影响算法运行的速度，其中αi和αi*为拉格朗日乘子，为正值，yi表示簇头结点的类别，yj是输入的结点的类别特征。

3.根据权利要求1所述的基于支持向量机的VANET分簇算法，其特征在于，所述步骤二中，在分簇阶段，初上道路的UN车辆结点使用改进的AP聚类算法实现簇头选择，包括如下步骤：S201、初上道路的所有车辆使用改进的AP聚类算法DAPC进行相似度计算如下：其中，Di为结点i的所有时刻平均位移，即为结点i的位移值的数学期望，MR为车辆最大通信距离，即为一跳距离，Speedi为结点的瞬时速度的数学期望，speedm是最大限速；

初始时刻道路上车辆结点的根据如下标准进行簇头选择，若是r(i，i)+a(i，i)＞0，则结点i作为一个簇头结点，满足该条件的结点都作为簇头结点；

其中r(i，k)为吸引度，是从结点k发送至结点i的消息，表示结点i选择结点j作为簇头的合适程度，r(i，i)是自吸引度；a(i，k)为归属度，是从结点i发送至结点k的消息，表示结点k适合作为结点i的簇头合适程度，a(i，i)为自归属度；计算如下：r(i，k)＝s(i，k)‑max{a(i，k′)+s(i，k′)}

a(i，k)＝min{0，r(k，k)+∑max(0，r(i′，k))}

a(k，k)＝∑max(0，r(i′，k))

其中k≠k’，k’表示除k以外结点，a(i，k’)表示除k外其他点对i点的归属度值，初始为

0；s(i，k’)表示除k外其他点对i的相似度，即i外其他点在争夺i点的所有权；r(i’，k)表示点k作为除i外其他点的聚类中心的程度，取所有大于等于0的吸引度值，加上k作为聚类中心的可能性，即点k在这些吸引度值大于0的数据点的支持下，数据点i选择k作为其聚类中心的累积证明；

S202、为了制定邻居表中最优簇头选择标准，构造如下的了复合评估函数：

(1)位置缩放功能相关定义如下，结点un需要加入簇头结点t所在的簇内，需要对其位置进行变换：其中numt为当前簇t中的结点数，xt为簇头结点的x坐标，yt为簇头结点的y坐标，xun为UN车辆结点的x坐标，yun为车辆结点的y坐标；

(2)归属度和吸引度求和：

其中CHi表示结点i的簇头，即为结点k，取值为归属度和吸引度之和；

S203、DAPC算法中构造最优簇头选择规则，定义如下所示：

CHm＝w1argminDF+w2argmin(‑CHold)

其中w1+w2＝1，该函数对应的w1值应大于w2，w1与w2它们的值取决于AP聚类的性能。

4.根据权利要求1所述的基于支持向量机的VANET分簇算法，其特征在于，所述步骤三中，最优簇头选择结束后，车辆结点将进行入簇过程，包括如下内容：车辆结点使用该簇头结点的支持向量机模型进行入簇，此时UN车辆结点的特征向量输入到该簇头结点自身携带的支持向量机分类器中，进行入簇判定；若车辆结点分类结果与簇头分类一致，视为结点会加入到这个簇中，并向簇头发送入簇请求，同时附带自己的当前位置坐标、平均车速等数据结构中的数据；

车辆结点如果在连续3个簇头广播时间周期Tbroadcast内未能成功加入任何簇，则其可发起建立新簇，自身作为这个新簇的簇头结点。

5.根据权利要求1所述的基于支持向量机的VANET分簇算法，其特征在于，所述步骤四中，车辆结点入簇后，根据运行状态来进行簇维护操作；包括如下步骤：(1)簇的合并

当同方向行驶两个簇头之间距离达到设定阈值，此时两个簇头交换各自数据结构中提取的特征向量，输入至各自的车辆结点所携带的支持向量机模型中进行训练，比较结果是否一致，满足上述两个条件则两个簇可进行合并，合并后的新簇的簇头结点选择规模较大的簇的簇头，即为原先簇成员数量较多的簇的簇头成为合并簇的新簇头结点，较小规模的簇的簇头结点变为新簇头结点的簇成员；

(2)簇成员断开连接

若簇内某个成员结点连续3个簇头广播时间周期未收到本簇头的广播信息，即判断结点本身已离开簇，成为UN结点，若簇头结点连续3个簇头广播时间周期未收到某个簇内结点的在簇报告，即判断该结点已离簇，当簇内簇成员全都断开连接，簇头结点将尝试加入其通信半径内最近簇中，若加入成功，原先簇视为消亡；

(3)簇头结点连接断开

对于簇成员车辆结点，出于某些特殊原因，如簇头结点的通信硬件出现故障或者离开道路等，导致其簇头改变状态并主动断开与簇内所有结点的连接，簇头结点离开簇时，若当前簇内仍有结点存在，则重新按照簇头选择算法来选择新簇头。