1.一种基于模糊评判和客户期望的车联网协同下载方法，主要包括路边基础设施，客户车辆即请求合作下载的车辆，代理车辆即帮助下载的车辆，代理车辆的客观评分，代理车辆的用户满意度评分，结合代理车辆的客观评分和用户满意度评分进行线性规划，所述的方法包括以下步骤：步骤1，根据车辆的行驶路线，选择与客户车辆行驶方向相同的代理车辆进行评分，择优按需录取；

步骤2，如果代理车辆的上一次协同下载，客户给其不满意的评价，则对该车执行惩罚机制，惩罚机制就是不允许参与本次的任务分配；

步骤3，如果代理车辆的上一次协同下载，客户给其满意的评价，或者代理车辆没有上一次协同下载的记录，则根据车辆评价因素集中的数据进行模糊综合评判得到附近代理车辆的客观评分和用户满意度评分；

其中，代理车辆的客观评分由如下方法得到：

(1)根据各因素的实际情况选择相应的隶属度函数，隶属函数的设计如下：根据实际情况，为各因素设置如下的隶属函数：

计算能力、路线契合度、信誉度：选取偏大型的柯西分布隶属函数，如下：其中α1、β1、a1、b1为待定常数；求解α1、β1、a1、b1的方法如下：“很好”隶属度为1，f1(5)＝1；“一般”隶属度为0.8，f1(3)＝0.8，“很差”隶属度为0.01，f1(1)＝0.01；将其代入公式(1)可得隶属度函数的相关参数；得到各参数为(α1,β1,a1,b1)＝(1.1086,0.842,0.3915,0.3699)；

故f1(2)＝0.5245；f1(4)＝0.9126；

客户要求最低报酬、车辆距离：选取偏小型柯西分布隶属函数，如下：其中α2、β2、a2、b2为待定常数；求解α2、β2、a2、b2的方法如下：等级为“很好”时，隶属度为0.01，f2(5)＝0.01；“一般”隶属度为0.4，f2(3)＝0.4；“很差”隶属度为1，f2(1)＝1；将其代入公式(2)可得隶属函数：得到各参数为(α2，β2，a2，b2)＝(19.0320,2.7193,1.3654,1.0)；

故f2(2)＝0.5138；f2(4)＝0.0310；

根据隶属函数，把各因素的得分代入到隶属函数中，可以得到各因素的隶属度；得到单因素评判矩阵，记为R＝(rji)5×n，即：其中5表示综合评价指标体系中因素个数，n表示待合作的代理车辆个数；

(2)确定各因素的权重向量A；地理重要的，应给予较大的权重；反之，应给出较小的权重；

(3)进行车辆综合评价 对B进行归一化处理得到车辆的最终得分代理车辆的用户满意度评分由如下方法得到：

(1)期待度评价标准：假设客户对代理车辆的期待度分为：很不期待、不期待、较期待、期待、非常期待五个等级，各等级对应的数值为5、4、3、2、1；因此各因素的评语集表示为V＝{1,2,3,4,5}；

如果代理车辆的指标与客户车辆要求的指标一致，则选择中间期待度3；如果比客户车辆的期望高一级，则期待度为4；高两级，则期待度为5；如果比客户车辆的期望低一级，则期待度为2；低两级，则期待度为1；

根据期待度评价标准计算各车辆的每个因素的期待度；

(2)利用隶属度函数，量化得到的各车辆的期待度，从而得到客户期待度得分；

满意度越大越好，故选取偏大型柯西分布隶属函数，如下：其中α3、β3、a3、b3为待定常数；求解α3、β3、a3、b3的方法如下：“很好”隶属度为1，f3(5)＝1；“一般”隶属度为0.8，f3(3)＝0.8；“很差”隶属度为0.01,f3(1)＝0.01；将其代入公式(3)可得隶属函数：得到各参数为(α3,β3,a3,b3)＝(1.1086,0.842,0.3915,0.3699)；

故f3(2)＝0.5245；f3(4)＝0.9126；

把各因素的期待度代入到隶属函数中，得到客户车辆对待合作的代理车辆各因素的满意度隶属度从而其单因素评判矩阵，记为S＝(rijk)n×5×m,故第k个客户对待合作代理车辆各因素的隶属度如下：其中m表示客户车辆的个数，5表示综合评价指标体系中因素的个数，n表示待合作的代理车辆个数；

(3)权重ak的确定：客户车辆对期望合作的代理车辆要求不同，因此综合评价体系中5个因素的权重也不同；客户车辆将会提前设置对各因素的权重要求；

设权重集为A2＝{a21,a22,...,a25}，其中(4)计算车辆的期望符合度得分：E＝S(i，j，k)，B2＝E1m×n；

E1m×n即每个客户车辆对每个代理车辆的期望符合度评分；

步骤4，结合代理车辆的客观评分和用户满意度评分，进行线性规划，为每辆车分派代理车辆；

其中，结合代理车辆的客观评分和用户满意度评分，进行线性规划的方法具体如下：设车辆皆为匀速，总的下载内容为All，客户车辆i的速度为vi，路线匹配度为Ii，客户车辆的行驶距离为M，客户车辆在单位时间的计算量为ci，为保证用户对下载内容的满意度，故定义s为基本的存储单位；

客户车辆i支持的服务量为 则该车可服务的任务分组数为：将选择车辆问题转化为保证客观得分和用户满意度得分之和的最大值问题，即0‑1规划问题；

用xij表示决策变量，即当选择第i辆车时xij＝1，其他情况xij＝0，其中j表示第j辆代理车辆，且j的个数有限；

故得到下面的优化模型：

服从条件：

xij＝0或1         (8)

通过优化模型计算得到的就是本次车辆选择的结果。

2.根据权利要求1所述的一种基于模糊评判和客户期望的车联网协同下载方法，其特征在于：步骤1中，车辆的行驶路线是根据车辆自带的OBU中自带的地图所显示的行驶路线，选择与自己方向相同的代理车辆作为待协同下载车辆。

3.根据权利要求1所述的一种基于模糊评判和客户期望的车联网协同下载方法，其特征在于：步骤2，如果代理车辆的上一次协同下载，客户给其不满意的评价，则对该车执行惩罚机制，对车辆执行的惩罚机制就是不允许参与本次的任务分配。

4.根据权利要求1所述的一种基于模糊评判和客户期望的车联网协同下载方法，其特征在于：步骤3中，如果代理车辆的上一次协同下载，客户给其满意的评价，或者代理车辆没有上一次协同下载的记录，则对代理车辆进行客观得分的评价和对代理车辆客户满意度的评价，用来做下一步的选择；

其中，评价车辆需要根据车辆的属性，包括计算能力、路线契合度、信誉度、车辆距离、客户要求最低报酬；

在评价车辆时，各因素分为一定的等级：{很好、好、一般、差、很差}，各等级对应的数值为5、4、3、2、1；

因此各因素的评语集表示为V＝{1,2,3,4,5}。