CN105245608A - 基于自编码网络的车联网网络节点筛选及其通达性路由构建方法 - Google Patents

Abstract

本发明涉及车联网技术领域。基于自编码网络的车联网网络节点筛选及其通达性路由构建方法，整个路由机制包含三个部分，数据预处理，自编码网络训练，节点筛选算法实现。自编码网络可以提供高维连续数据空间和低维嵌套结构的双向映射，利用自编码网络可以对大规模道路交通网络中的节点信息的关联性特征进行发掘与提取，从而对原始信息进行降维，不仅降低了数据传输过程中数据量，而且为网络中关键节点的筛选提供有效途径。本发明为高速公路场景提供较好节点筛选方法，有效提高了网络性能。

Description

基于自编码网络的车联网网络节点筛选及其通达性路由构建方法

技术领域

本发明涉及车联网技术领域。

背景技术

车联网利用先进的传感技术和网络技术等高新前沿技术，通过车与车、车与路边基础设施以及车与用户之间的信息传输，实现车联网大规模异构网络下的数据间的实时交互。车联网体系结构主要由车体域、物理空间域和信息空间域三部分组成。

(1)车体域，主要由车内各种传感器和终端节点组成一个小型车体网络，用来获取车内信息和邻近车辆的实时信息；

(2)物理空间域，主要由物理环境中的各种网络组成，包括不同类型的路边基础设施网络、车体网以及移动通信网络等；

(3)信息空间域，主要包括接入网络类型、网络的服务质量、协议类型、网络带宽、终端能力等。

传统的车联网研究大部分只考虑车体域，而结合物理空间域、信息空间域的车联网研究才更具有实际意义。车联网体系结构的复杂性导致了车联网应用实现的困难，至今未出现较为成功的车联网应用。

车联网的目标和特性决定了车联网是一个庞大、复杂、由不同的分层网络组成的一个异构网络系统。它的组成可能包含了感知网、无线网和接入网等多种基于不同协议和性能及服务的网络，各种异构网络的独立且不协调运行是影响车联网通达性的根源之一。因此，在新型车联网大规模网络体系中，如何从整体角度出发，提供统一的网络数学模型及其计算和分析方法，有效地分析在高动态环境下的网络性能，解决车联网大规模网络通达性的互连互通问题，是车联网大规模网络进程演化理论模型所面临的一个难点。

2.1车联网传统路由协议

车联网环境是由无线网络环境和现实的道路情况相结合组成的复杂网络，需要考虑到车辆状态信息、移动轨迹以及移动模型，整体运行复杂。传统的路由协议在一定程度上解决了车联网中部分问题，这些年研究人员也在其中取得了一定的成果，其研究内容主要表现在三类路由协议上，包括单播，地理组播和广播路由^[1,2]。

1.单播路由

单播路由是将数据从一终端节点通过多跳或者携带转发技术传播到另一终端节点，源节点与目的节点路径上的所有节点需要具有迅速转发信息的能力。单播路由一般可分为四类：基于拓扑的路由、基于位置的路由、基于地图的路由和基于路径的路由。

(1)基于拓扑的路由

目的序列距离矢量路由(Destination-SequencedDistance-VectorRouting,DSDV)^[3]是基于Bellman-Ford算法的表驱动路由方案。DSDV中的路由信息通过不频繁的完整路由信息转发和频繁的增量路由信息转发维持，DSDV通过在路由表中的每个条目加上一个序列号解决了路由环路问题。

动态源路由协议^[4](Dynamicsourceroutingprotocol,DSR)是一个按需协议，它旨在通过消除表驱动协议中的周期性的路由表更新消息来控制带宽消耗。它与其它按需协议最主要的区别是只需较少的Beacon包，因此不需要周期性的广播心跳包来获取邻居信息。在路由建立时，DSR是通过在网络中洪泛路由请求包，DSR需要累计在路由发现过程中源、目的地之间的每个设备的地址，目的节点接收到请求包后响应，并将路径信息附在响应包中。

Ad-hoc按需距离矢量路由(AODV)是一个基于网络拓扑结构的单播路由协议。AODV的路由过程分为路由请求、路由发现和路由维护部分。只有当到达某目的节点的路由不存在时才会激活该协议发起路由请求，并且在每一个节点维护一个包含到达目的节点路由信息的路由表，其中也通过使用节点序列号机制避免环路产生^[5]。路由发现过程如图1所示。

1)源节点广播路由请求帧(RREQ)；

2)中间节点更新各自到源节点的路由表；

3)如果收到RREQ的节点不是目的节点，并且当前节点路由表中没有目的节点的有效路径时，转发该RREQ；

4)中间节点维护指向路由发起节点(源节点)的反向路由；

5)若到达目的节点，或者当前节点路由表中存在到目的节点的有效路径时，停止转发RREQ，产生路由应答帧(RREP)；

6)RREP通过之前建立的反向节点单播至源节点；

7)源节点收到RREP应答帧，至此源节点可以向目的节点发送数据包。

路由维护过程是通过活跃路由链路监测帧(HELLO)定时监测活跃路径上相邻节点的链接状况，若某一链路失效，则发起一次指向该邻居节点的局部修复，若局部修复超时，则删除该失效路径上相应的路由信息，等到路由发现过程再重新修复此路由信息^[6]。

(2)基于位置的路由

GPCR^[7](GreedyPerimeterCoordinatorRouting)沿着道路并根据车辆运动来转发数据包。所有数据包的首要任务是转发到下一个连接节点再来确定下一跳，然而，GPCR无法完全解决局域最大值问题。

针对移动自组织网络，Karp和Kung提出了高效的响应式路由协议GPSR^[8](GreedyPerimeterStatelessRouting)。不同于其他路由算法，GPSR使用图中最短路径和传递可达性概念寻找路线，通过寻找地理位置与连通性之间的对应关系，并结合节点的位置信息来转发消息。GPSR采用贪婪方法转发数据包，因此信息转发的下一跳节点总是逐步接近目的地。当在局部区域网络的这种贪婪路径不存在时，此网络区域被称为网络空洞，GPSR开启周边转发模式，利用右手法则沿空洞周围节点传输信息来跳出空洞。在GPSR的基础上，FabrizioGranelli结合车辆移动感知提出了增强GPSR路由协议——GPSR-MA^[9]，它可以充分利用节点的运动信息，如位置、速度等，从而提高了决定下一个转发节点的效率。

(3)基于地图的路由

GSR^[10](GeographicSourceRouting)是最早被提出的基于地图的路由协议。GSR根据地图上的坐标位置信息而计算出的转发路径来转发数据包，但当道路上车辆密度很低时，不能处理稀疏连接问题。

Nzouonta等人提出了RBVT^[11](road-basedusingvehiculartraffic)路由协议。它利用实时交通流信息来作为构建路由的依据，针对拥塞的网络，RBVT通过分析多重优化函数并利用基于目的节点位置的分布式方法选择下一条节点来优化了消息传播的路径选择。

(4)基于路径的路由

VADD^[12]是单播路由中基于路径的一种协议。VADD采用了携带转发机制，并充分利用了节点的移动特性，并估计节点下一跳可能产生的传输延迟和信息送达率，来选择下一条节点。Zhao基于位置优先、方向优先和位置、方向混合式三种方法分别提出了L-VADD、D_VADD、H-VADD路由协议。如图2所示，车辆A欲向车辆D发送信息，此时，采用L-VADD则将消息转发给了B，而方向优先和位置、方向混合式则将消息转发给C。可以明显看出，只通过位置优先发送将导致信息无法到达目的地，而通过实验验证了采用方向混合式方法具有更高的效率。

2.组播路由^[13]

组播路由是一种基于位置的多播路由。其目的是从源节点将数据包传送到一个指定的地理区域中的所有节点，这个区域称为关联区(ZoneofRelevance，ZOR)，它适用于很多车联网应用场景。Bachir和Benslimane提出了一个车间组播路由协议IVG(Inter-VehiclesGeocast)^[14]。在高速公路环境中，IVG利用延迟时间算法将广播报警信息及时发送给所有处在危险区域之中车辆。和Eberhardt^[15]提出了在组播转发方案中增加缓存的路由协议CachedGeocast，从而提高选择邻居节点的处理速度。其主要思想是当由于存在局部最优的问题导致节点不能转发信息时，在路由层增加一个小的缓存来保存这些数据包。Joshi等人^[16]提出了一种针对车辆间通信的分布式鲁棒组播协议(DRG)，它的目标是将数据包传送到位于特定的静态地理区域的车辆，车辆对消息的转发完全取决于它所在的位置。

3.广播路由^[17]

车联网中广播是一种常用的路由方法，如共享交通、天气、紧急状态、车辆之间的道路信息，并可以提供广告和公告。广播也可用于单播路由协议(路由发现阶段)，以找到一个有效的到达目的地的路线。Durresi等人^[18]提出了基于地理位置的紧急广播协议BROADCOMM。BROADCOMM通过传感器实时采集周边信息，一旦发现紧急情况即开始广播消息，能及时的将道路上的紧急信息传播出去，实验验证该协议在传播延迟和路由开销方面比传统的广播路由有一定的优势，但它基于地理位置路由信息并只适用于高速公路场景。城市多跳广播协议(UMB)^[19]是为了解决广播风暴、隐藏节点和市区多跳广播的可靠性问题而提出的。在UMB中，每个节点广播信息时尽可能将消息传播到最远的车辆，当遇上十字路口时，由路口的中继器重新计算并初始化新的广播，该路由协议在一定程度上提高了消息传播效率。

一般情况下，在单播协议中，基于地图和基于路径的路由协议，因为考虑了地图信息与实时交通流，所以比其他单播路由协议更加有效和实用。组播和广播路由在特定的环境下也是被大量应用的。然而，路由协议的性能很大程度上依赖于车辆移动模式、行驶环境、网络环境、车辆密度和许多其他因素。因此，实现一个对所有车联网应用场景通用的路由解决方案是非常困难的，传统的车联网路由若需要实际应用还需要很多问题亟待解决。

2.2车联网混合路由协议

网络体系结构和信道接入技术对车联网有着很大影响。V2V(VehicletoVehicle)通常使用IEEE802.11p作为物理层和MAC层协议，而V2I(VehicletoInfrastructure)可采用WiFi、专用短程通信技术(DedicatedShortRangeCommunications,DSRC)、WiMAX(WorldwideInteroperabilityforMicrowaveAccess)和LTE。由于每种接入技术都有限制，混合使用反而对V2I和V2V通信更有帮助。

文献^[20,21]首次将WiMAX技术应用于车辆通信网络，为车辆及其用户进行车载移动宽带无线接入。在2006年，Sherman^[22]等人扩展了IEEE802.16标准以方便移动自组织mesh网络协议可以与WiMAX的交互操作。这是第一次将两个异构系统合并来扩展WiMAX协议，并让车载应用程序中使用来提供互联网接入。文献^[23]针对垂直切换技术普遍不能支持WAVE、WiMAX和3G间的垂直切换这一问题，提出了一种基于贝叶斯决策的垂直切换算法，仿真实验结果表明，该算法不仅有效地实现WAVE、WiMAX和3G无线接入技术之间的垂直切换，而且避免了乒乓效应，保证了网络及时更新。Doyle等人^[24]给出了为车辆提供互联网接入的WiMAX和DSRC整合网络层设计(如图3所示)。通过分析了纯WAVE和纯WiMAX的固有缺陷和优势，取长补短，提出了一种混合解决方案，不仅利用了WiMAX的距离优势进行长距离通信，也利用了DSRC的短距离内创建的便捷性。

文献^[25]提出了WiMAX与WAVE新型异构网络融合的车载移动网络架构。车车通信采用WAVE来实现，车与RSU通信采用WiMAX实现。文献^[26]提出了一种基于无线传感器网络的自适应导航方法，采用WiMAX多跳中继网络用于V2V通信，以提高车辆间通信的可靠性和有效性。文献^[27]对比研究了V2I使用WiMAX和Wi-Fi进行通信的可行性。通过分别对WiMAX场景和Wi-Fi场景下进行分析实验表明，WiMAX在短距离(如小于100m)中其延迟明显比Wi-Fi更大，帧的持续时间对WiMAX性能有显著影响。文献^[28]在一个简单的VANET中，评估了Wi-Fi提供V2V通信而WiMAX用作V2I通信时的性能。流式视频、流式音频和视频会议可以在其搭建的V2V2I环境中成功运行。Zhao^[29]第一次尝试了在VANET中通过3G辅助数据传输，文中提出了一个称为3GDD(3G-assisteddatadelivery)的路由协议(场景如图4所示)。3GDD通过求解原优化问题中的整数线性规划问题来分配每个时隙的可用3G流量，考虑到3G的预算问题，3GDD选择那些通过VANET难以达到目的地的数据包通过3G发送。

文献^[30]研究了V2I通信中使用可伸缩视频编码的实时视频流传输协作技术。考虑使用LTE和WAVE技术为移动中的车辆提供通信，比较了不同的视频传输模式，并得出LTE基站和使用WAVE路边基础设施单元之间的联合协作效果最好的结论。在一个由VANET网络和LTE网络组成的混合网络中，作者提出了QGwS^[31]，它的特点是在分析了VANET和基础设施特性的基础上，高效地选出适当的网关来转发数据包，而且保证了QoS需要。

2.3深度学习技术

近些年深度学习在图像、语音、自然语言处理等方面都取得了显著进展。传统机器学习方法和理论仅含单层非线性变换的浅层学习结构，浅层模型的一个共性是仅含单个将原始输入信号转换到特定问题空间特征的简单结构^[32]。而深度学习是基于多层学习的算法，以模拟数据之间的复杂关系，通过模拟人脑的思维方式，学习关于原始数据的多种表示和抽象，从数据中自动分析获得规律，并利用规律对未知数据进行预测。2006年，Hinton在Science上发表了一篇关于深度学习的文章，开启了机器学习领域新的篇章。他提出了自动编码器，利用它可以对高维数据进行降维，作为非线性降维方法在图像和文本降维实验中明显优于传统方法。文献^[33]中提出了将多层限制玻尔兹曼机堆叠起来构成深信度网络(DeepBeliefNets,DBN)。作者首次基于DBN提出了无监督贪心逐层训练算法，通过逐层训练方法很好的解决了神经网络层次过多而导致的优化问题。卷积神经网络^[34]是第一个真正多层结构学习算法，它利用空间相对关系减少参数数目以提高反向传播算法的训练性能，更利于对大型数据和高维数据的处理。如图5所示。

首先，将输入图像Input与3个不同的滤波器进行卷积操作，即得到C1中的3个特征映射图。然后，特征映射图中进行下采样，加权值与偏置，并经过Sigmoid函数处理后得到S2层的特征映射图。再滤波后得到C3层，并利用上述同样方法产生S4。最终，S4层的像素值被光栅化，并整合成向量输入到神经网络。卷积神经网络由于一个映射面上的神经元共享权值，因而减少了网络自由参数的个数，降低了网络参数选择的复杂度^[35]。

胡基于连续RBM的网络结构提出了一种新的连续自编码网络^[36]，可以提供高维连续数据空间和低维嵌套结构的双向映射，可以较好地运用于目标轨迹跟踪与目标行为识别。深度学习的提出颠覆了传统的思维方法并在最近几年得到了良好的应用。例如，微软研究院语音识别专家基于深度学习彻底改变了语音识别的技术框架，大幅度提高了语音识别系统的识别率^[37]。文献^[38]将深度学习成功运用到智能家居的人体行为识别中，基于预测算法DBN-SVM，利用深度结构提出了判断准确率更高的DBN-ANN和DBN-R两种算法来预测人体的行为。

目前深度学习还没有应用到车联网领域，然而，深度学习处理复杂数据的优势是一般方法所不能比拟的。首先，深度学习具有多层非线性映射的深层结构，可以完成复杂的函数逼近，发掘车联网海量数据中的一般性规律和数据间的关联性特征，从而有利于实时根据节点相似性特征进行归类；其次，通过深度学习将车联网数据低层特征形成更加抽象的高层表示，抽取原始数据重要信息的同时达到数据降维，降低数据的复杂度，提高处理效率。因而，我们首次将深度学习引入车联网领域，为处理车联网大规模海量数据提供有效的解决方法和可行性依据，为解释和理解车联网大规模复杂数据的嵌套关系找到解决问题的科学方法，从而为实时处理车联网节点信息和车联网通达性研究提供基本保障。

2.4自编码网络

自编码网络如图6所示，是在2006年被提出的一种新型神经网络，它具有多个隐含层神经元的神经网络，可以通过调整网络结构实现数据降维和数据重构^[,39]。在车联网网络中，节点的信息维度较高，挖掘关联性特征需要同时考虑多个参数来保证有效性，通常是通过数学方法计算的，这样不仅耗时，而且计算结果不一定最优。通过引入了自编码网络，利用了神经网络对高维数据的感知能力，通过训练，能较容易且较快的获得最优解。

通过将训练出的多层自动编码器连接，再在最顶的编码层添加一层分类器，如图7所示，然后利用多层神经网络的训练方法，通过有标签样本训练微调整个系统，最终这个网络就可以用来预测或分类。

参考文献：

Y.-W.Lin,Y.-S.Chen,S.-L.Lee,Routingprotocolsinvehicularadhocnetworks:asurveyandfutureperspectives,J.ofInform.Sci.&Eng.,vol.26,no.3,May2010:913–932

F.Li,Y.Wang,Routinginvehicularadhocnetworks:asurvey,IEEEVeh.Technol.Mag.,vol.2,no.2,June2007:12～22

C.E.Perkins,P.Bhagwat,HighlydynamicDestination-SequencedDistance-Vectorrouting(DSDV)formobilecomputers,inProceedingsoftheconferenceonCommunicationsarchitectures,protocolsandapplications,NewYork,USA,1994:234～244.

D.B.JohnsonandD.A.Maltz,Dynamicsourceroutinginadhocwirelessnetworks,KluwerInternationalSeriesinEngineeringandComputerScience,1996:153～179

周希林.一种改进的AODV路由算法：[硕士学位论文].广东：中山大学，2010.05

C.E.Perkins,E.M.Royer,Ad-hocon-demanddistancevectorrouting,inSecondIEEEWorkshoponMobileComputingSystemsandApplications.Proceedings.WMCSA’99,1999:90～100

C.Lochert,M.Mauve,H.Füβler,andH.Hartenstein,Geographicroutingincityscenarios,SIGMOBILEMob.Comput.Commun.Rev.,vol.9,no.1,Jan.2005:69～72

B.KarpandH.T.Kung,GPSR:greedyperimeterstatelessroutingforwirelessnetworks,inProceedingsofthe6thannualinternationalconferenceonMobilecomputingandnetworking,NewYork,USA,2000:243～254

F.Granelli,G.Boato,D.Kliazovich,andG.Vernazza,EnhancedGPSRRoutinginMulti-HopVehicularCommunicationthroughMovementAwareness,IEEECommunicationLetters,vol.11,no.10,2007:781～783

C.Lochert,H.Hartenstein,J.Tian,H.Fussler,D.Hermann,andM.Mauve,Aroutingstrategyforvehicularadhocnetworksincityenvironments,inIEEEIntelligentVehiclesSymposium.Proceedings,2003:156～161

J.Nzouonta,N.Rajgure,G.Wang,andC.Borcea,VANETRoutingonCityRoadsUsingReal-TimeVehicularTrafficInformation,IEEETransactionsonVehicularTechnology,vol.58,no.7,2009:3609–3626

J.Zhao,G.Cao,VADD:Vehicle-AssistedDataDeliveryinVehicularAdHocNetworks,IEEETransactionsonVehicularTechnology,vol.57,no.3,2008:1910–1922

C.Maihofer,Asurveyofgeocastroutingprotocols,IEEECommunicationsSurveysTutorials,vol.6,no.2,2004:32～42

A.Bachir,A.Benslimane,Amulticastprotocolinadhocnetworksinter-vehiclegeocast,inVehicularTechnologyConference,2003.VTC2003-Spring.The57thIEEESemiannual,2003,vol.4:2456～2460

C.Maihofer,R.Eberhardt,Geocastinvehicularenvironments:cachingandtransmissionrangecontrolforimprovedefficiency,in2004IEEEIntelligentVehiclesSymposium,2004:951～956

M.Kihl,M.Sichitiu,H.P.Joshi,Designandevaluationoftwogeocastprotocolsforvehicularad-hocnetworks,JournalofInternetEngineering,vol.2,no.1,2008

OzanTonguz,NawapomWisitpongphan,BroadcastinginVANET,in2007MobileNetworkingforVehicularEnvironments,2007:7～12

M.Durresi,A.Durresi,L.Barolli,EmergencyBroadcastProtocolforInter-VehicleCommunications,in11thInternationalConferenceonParallelandDistributedSystems.Proceedings,2005,vol.2:402～406

G.Korkmaz,E.Ekici,F.UrbanMulti-hopBroadcastProtocolforInter-vehicleCommunicationSystems,inProceedingsofthe1stACMInternationalWorkshoponVehicularAdHocNetworks,NewYork,USA,2004:76～85

YangK.OuS.ChenH.HeJ.AmultihoppeercommunicationprotocolwithfairnessguaranteeforIEEE802.16basedvehicularnetworks,IEEETransactionsonVehicularTechnology,2007,56(6):3358～3370

ShanL.LiuF.YangK.PerformanceanalysisofgrouphandoverschemeforIEEE802.16j-enabledvehicularnetworks,ProceedingsoftheJointInternationalConferencesonAsia-PacificWebConferenceandWeb-AgeInformationManagement.2009

M.Sherman,K.M.McNeill,K.Conner,P.Khuu,andT.McNevin,APMP-FriendlyMANETNetworkingApproachforWiMAX/IEEE802.16TM,inIEEEMilitaryCommunicationConference.MILCOM,2006:1～7

范存群,王尚广,孙其博,等.车联网中基于贝叶斯决策的垂直切换方法研究[J],通信学报,2013(7):34～41

DOYLENC,JABERNR,TEPEKE.CompletearchitectureanddemonstrationdesignforanewcombinedWiMAX/DSRCsystemwithimprovedvehicularnetworkingefficiency[J],AdHocNetworks.2013,11(7):2026～2048

刘富强,单联海.车载移动异构无线网络架构及关键技术,中兴通讯技术[J].2010:16(3)

CHANGB-J,HUANGB-J,LIANGY-H.WirelessSensorNetwork-BasedAdaptiveVehicleNavigationinMultihop-RelayWiMAXNetworks[C],22ndInternationalConferenceonAdvancedInformationNetworkingandApplications,2008.AINA2008.2008:56～63

CHOUC-M,LIC-Y,CHIENW-M,etal.AFeasibilityStudyonVehicle-to-InfrastructureCommunication:WiFivs.WiMAX[C],2013IEEE14thInternationalConferenceonMobileDataManagement.LosAlamitos,CA,USA:IEEEComputerSociety,2009:397～398

MOJELALS,BOOYSENMJ.OntheuseofWiMAXandWi-Fitoprovidein-vehicleconnectivityandmediadistribution[C],2013IEEEInternationalConferenceonIndustrialTechnology(ICIT).2013:1353～1358

ZHAOQ,ZHUY,CHENC,etal.When3GMeetsVANET:3G-AssistedDataDeliveryinVANETs[J],IEEESensorsJournal.2013,13(10):3575～3584

YAACOUBE,FILALIF,ABU-DAYYAA.SVCvideostreamingovercooperativeLTE/802.11pvehicle-to-infrastructurecommunications[C],2013:1～5

G.elmounaZhioua,H.Labiod,N.Tabbane,andS.Tabbane,AnEfficientQosBasedGatewaySelectionAlgorithmforVANETtoLTEAdvancedHybridCellularNetwork,inProceedingsofthe15thACMInternationalConferenceonModeling,AnalysisandSimulationofWirelessandMobileSystems,NewYork,USA,2012:353～356

孙志军,薛磊,许阳明,王正.深度学习研究综述[J].计算机应用研究.2012(08)

Hinton,G.E.,&Salakhutdinov,R.R.(2006).Reducingthedimensionalityofdatawithneuralnetworks.Science,313:504～507

HINTONG,OSINDEROS,TEHY.Afastlearningalgorithmfordeepbeliefnets[J],NeuralComputation,2006,18(7):1527～1554

VINCENTP,LAROCHELLEH,BENGIOY,etal.Extractingandcomposingrobustfeatureswithdenoisingautoencoders[C],Procofthe25thInternationalConferenceonMachineLearning.NewYork:ACMPress,2008:1096～1103

CSDNWebsites.[EB/OL].http://blog.csdn.net/zouxy09/article/details/8781543,2014/03/12

胡昭华,樊鑫,梁德群,宋耀良.基于双向非线性学习的轨迹跟踪和识别[J],计算机学报.2007(08)

L.Deng,G.Hinton,B.Kingsbury,Newtypesofdeepneuralnetworklearningforspeechrecognitionandrelatedapplications:Anoverview,Proc.Int.Conf.Acoust.,Speech,SignalProcess.2013

YoshuaBengio,LearningDeepArchitecturesforAI,FoundationsandTrendsinMachineLearning,2(1),2009

发明内容

高速公路中大规模网络实时数据量庞大，大量数据聚集会产生数据冗余，并且车联网大规模网络环境下的数据含有丰富的信息维度，需要采取有效机制挖掘车联网海量数据中的一般性规律和数据间的关联性特征。目前还没有针对车联网大规模网络环境下对复杂数据进行处理的有效方法。针对高速公路，本发明给出一种基于自编码网络的车联网网络节点筛选方法AE-NSM(AutoEncoder-NodeSelectionMethod)，基于该节点筛选方法设计新的通达性路由机制。

本发明技术方案为：

一种基于自编码网络的车联网网络节点筛选方法，其特征在于，整个路由机制包含三个部分，数据预处理，自编码网络训练，节点筛选算法实现:

一、数据预处理

通过交通仿真软件，获取车辆行驶方向d_i，行驶速度v_i、加速度a_i，经纬度lon_i和lat_i，所在道路r_i，

两车距离可通过经纬度来计算。首先，设A点与B点的经纬度分别为(LgA，LaA)和(LgB，LaB），按照零度经线，东经取正值，西经取负值，北纬取90–纬度，南纬取90+纬度，则经过标准化后A、B两点的经纬度被记为(FLgA，FLaA）和(FLgB，FLaB)。根据三角推导，可以通过如下公式5计算两点之间的距离。

$\begin{array}{c}C=\sin (LaA*\frac{Pi}{180})*\sin (LaA*\frac{Pi}{180})+cos(LaA*\frac{Pi}{180})\\ *\cos (LaB*\frac{Pi}{180})*\cos \left(\right(FLgA-FLgB)*\frac{Pi}{180})\end{array}---\left(5\right)$

$Dis\tan ce=R*\arccos \left(C\right)*\frac{Pi}{180}$

R＝6371.004km

其中Distance即为两点间距离，R为地球平均半径；

再根据邻居节点信息计算出传输系数L_i，中心性C_i(t)，节点势能Ep_i，最终结果存于文件中。

数据采集到后预处理，信息虽然是由仿真输出并保存的，但是其中仍然可能存在异常数据，多表现为数据异常或者数据缺失，可以将这些异常数据删除或者更改成常规值，以保证后续处理的正确性。一般可以采用阈值法和机理法进行识别，当错误数据与正常数据差距超出阈值范围时，即可判定此为异常数据，将其更正。

深度学习处理的数据需要归一化处理，处理后结果可有下公式得出：

$F=\left\{\begin{array}{cc}0& if{R}_a=0\\ R_l/R_a& if{R}_l>0\\ -1& otherwise\end{array}\right.---\left(6\right)$

R_a是此组数据的可能的最大值，R_l是观测值，最终可获得归一化处理的数据。对所有数据采用此方法处理，可用于后续运算；

二、自编码网络训练

每个节点信息可以表示为：I_i＝{d_i，v_i，a_i，lon_i，lat_i，r_i，D_i，L_i，C_i，Ep_i}，假设经过预处理后，节点信息表示为I′_i，大量节点信息组成一个训练集h，作为自编码网络的输入因子。

利用训练集h对网络进行一层层训练，单层的训练过程：每层将学习到一个h_w，x(x)≈x的函数，它尝试逼近一个恒等函数，从而使得输出接近于输入。给这个恒等函数加入限制，迫使自编码神经网络去学习输入数据的压缩表示，这样得到的数据具有更低的维度。

针对训练集h，m层的训练过程，每层将会得到网络权值w₁,…,w_l,…,w_m-1和b₁,…,b_l,…b_m-1，其中，w_l表示第l层与第l+1层网络单元之间的连接权值，b_l为第l层网络单元的偏置项，表示第l个隐层(中间层)的第x单元输入加权和，最后通过微调得到训练完成的自编码网络。

通过上述算法，经过一定量数据的训练后，网络权值w₁,…,w_l,…,w_m-1和b₁,…,b_l,…b_m-1趋向于稳定，即可用于实时处理车联网数据；

三、网络节点筛选

当任意输入一个节点特征信息I′_i后，经过了m层的深度学习过程，即经过一次前向传播网络后，最终输出节点新特征，用Q_i表示。

假设在训练集h中从时间T_x(x＝1,2,…,r)采集的节点信息中取q个节点，通过深度学习后对应输出的新特征分别用Q₁,Q₂,…,Q_i,…,Q_q表示，则Q_i＝{z_(m，1)，z_(m，2),…,z_(m，u),…}，z_(m，u)表示深度学习过程中第m层输出的列向量z_m的第u个值，即节点i的第u个新特征值，这里：

z_l＝f(w_l-1*z_l-1＋b_l-1)(2≤l≤m)(7)

其中f()表示激活函数，一般用表示。w_i与b_i为自编码网络训练后得到的网络权值。

最后一层的节点筛选采用Logistic回归，一般采用sigmoid函数或者linear函数，sigmoid的取值范围为[0,1]，而它的作用是将具有新特征的节点二分类，一类为优异节点，另一类为丢弃节点。

将此分类器添加到自编码网络的最后一层，再通过训练微调整个系统，获得自编码网络与分类器间连接的权值，即可得到一个可用于分类的自编码网络。

自编码网络可以提供高维连续数据空间和低维嵌套结构的双向映射，利用自编码网络可以对大规模道路交通网络中的节点信息的关联性特征进行发掘与提取，从而对原始信息进行降维，不仅降低了数据传输过程中数据量，而且为网络中关键节点的筛选提供有效途径。

本发明为高速公路场景提供较好节点筛选方法，有效提高了网络性能。但在网络节点极度稀疏的情况下，本发明方法未能给出一个良好的筛选结果，使得添加筛选方法的路由协议中仿真的端到端平均延迟更高；而在网络节点稠密的情况下，经过筛选方法处理后的路由协议性能明显提升，有效提高了数据包投递成功率，并降低了端到端平均延迟。这说明本发明方法在道路状态较为稳定的场景更加适用，而难以胜任道路状态变化复杂情况下的任务。

附图说明

图1AODV路由发现过程

图2VADD选择下一跳节点^[16]

图3DSRC/WiMAX混合通讯系统^[28]

图43GDD路由协议场景^[33]

图5卷积神经网络^[39]

图6自编码网络

图7用于分类的自编码网络

图8系统处理流程

图9单层网络训练过程

图10m层自编码网络训练

图11不同数量节点的网络通达性

图12网络通达性与异构节点数量的关系

图13HW-AODV路由发现过程

图14HW-AODV路由保证

具体实施方式

(案例)

在实际的车联网网络中，车联网网络节点包含丰富的信息，但由于传感器等相关技术有限，只能获取网络节点中部分数据，提取出的数据能包含当前网络的信息特征。

本发明将车联网网络中节点类型分为三类，车辆节点、手机移动终端、路边基础设施和基站。对于车辆节点，我们可以获取车辆行驶方向d_i，行驶速度v_i、加速度a_i，经纬度lon_i和lat_i，所在道路r_i；对于手机移动终端，我们可以当作低速的车辆处理，可以获取终端移动速度，方向，经纬度等信息；而路边基础设施和基站一般固定于某一点，可以当作速度、加速度为零、通信范围更广阔的节点处理。

针对不同的地点和区域，对不同的节点根据不同的特征状态给予不同的特征信息，从而构建统一的描述语言来表示异构节点信息，将这些信息再组合成节点信息的特征向量，为后续的特征学习提供了基础。由于充分考虑了异构节点和异构网络的影响，可以利用不同的设施最大化网络的传输性能。

为了给深度学习过程提供更加详细的数据，例如，局部集聚系数pc_i，它表示与它相连的点抱成团的程度。这里也定义若干可以表征网络节点信息。

定义1.传输系数L_i：对于一个给定的车辆N_i，可表示为：

$L_i=\frac{{\Σ}_{j\∈\left(N_j\right)}{D}_j}{n}---\left(1\right)$

D_i为网络节点的度，即可通信的邻居节点的数量。N_j为N_i单跳范围内的邻居节点，n为单跳邻居节点的数量。传输系数可以表示节点传输邻居节点信息的能力。

社交网络与车联网有一定的相似性，因此社交网络中的概念也可以应用于车联网。一般网络中，任意两个节点间的相互作用依赖于连接两者路径上的节点。但由于一个城市的车联网网络节点复杂，且考虑到离当前节点较远的节点对该节点的作用较小，因此定义中心性如下：

定义2.中心性C_i：以当前节点N_i为中心的两倍通信距离的网络中，节点N_i在当前网络中对网络中其它节点传输信息的重要程度，可用公式2表示

$C_i={\&Sigma;}_{j\&NotEqual;k}\frac{{\mathrm{sp}}_{j,k}\left(N_i\right)}{{\mathrm{sp}}_{j,k}},(d_{ij}<2*mcd)---\left(2\right)$

sp_j，k是网络节点N_i与N_j最短路径的条数且N_i与N_j最多相距2倍通信距离，sp_j，k(N_i)是网络节点N_i与N_j的最短路径中经过网络节点N_i的条数，它对这两个非邻接成员的相互作用具有某种控制和制约作用，mcd为最大通信距离，即maxCommunicationDistance。

定义3.节点势能Ep_i：节点i所具有的能量(传输能力)，对于当前节点N_i的所有邻居节点N_j，所有N_j与N_i之间的中心性的相互影响之和，即

${\mathrm{Ep}}_i={\&Sigma;}_{j\&Element;\left(N_j\right)}{w}_{ij}{C}_j---\left(3\right)$

w_ij为N_j对当前节点N_i的重要性，即能影响当前节点传输信息的能力。w_ij与距离成反比，距离越短，作用强度越大，传输数据越稳定，但往远处输送数据的能力相对较弱；相反，距离越大，传输数据越不稳定，但往远处输送数据的能力相对较强。因此，节点的势能表示为当前节点在当前时间所具有的传输数据的能力，在最适当的距离有较多的邻居节点的节点势能较高，因而此节点也有较强的信息传输能力。

通过以上分析，因此已经得到了深度学习训练所需要的原始输入信息。

定义4.原始训练数据I_i：表示深度学习的输入信息，可表示为11元组：

I_i＝{d_i，v_i，a_i，lon_i，lat_i，r_i，pc_i，D_i，L_i，C_i，Ep_i}(4)

可以看出其中包括了节点的大量信息，在高度复杂的车联网实时信息传输中由于数据量过大导致整个网络传输延时，进而可能导致网络拥塞，不能将实时信息实时分发出去，也不易于筛选网络中优异节点。因此，需要通过深度学习方法对车联网网络数据进行适当处理。

3.1基于自编码网络的车联网网络节点筛选方法

车联网环境下的网络特点和传统自组织网络有很大区别，网络内节点具有高速的移动性，这将导致网络的拓扑变化剧烈，网络内信息的转发就不能像传统的自组织网络那样简单考虑，有的信息数据还需考虑时间容忍性，城市道路中还受各种环境影响。因此，利用自编码网络处理高维复杂数据的优势，可以通过将数据集降维至低维空间来避免维数灾难问题，并可以筛选出优异节点。整个路由机制包含三个部分，数据预处理，自编码网络训练，节点筛选算法实现。整个系统的处理流程如图8所示。

3.1.1数据预处理

通过交通仿真软件，我们可以获取车辆行驶方向d_i，行驶速度v_i、加速度a_i，经纬度lon_i和lat_i，所在道路r_i，但度(可通信邻居节点数)和上述定义等信息更加重要，它不仅真实反应了网络信息，而且包含了真实世界的车辆间关系信息。首先，通过经纬度计算出车辆间距，这里假定认为车间通信距离为200m，当两车距离小于200m时，即认为车间可通信。

两车距离可通过经纬度来计算。首先，设A点与B点的经纬度分别为(LgA，LaA)和(LgB，LaB)，按照零度经线，东经取正值，西经取负值，北纬取90–纬度，南纬取90+纬度，则经过标准化后A、B两点的经纬度被记为(FLgA，FLaA)和(FLgB，FLaB)。根据三角推导，可以通过如下公式5计算两点之间的距离。

$\begin{array}{c}C=\sin (LaA*\frac{Pi}{180})*\sin (LaA*\frac{Pi}{180})+cos(LaA*\frac{Pi}{180})\\ *\cos (LaB*\frac{Pi}{180})*\cos \left(\right(FLgA-FLgB)*\frac{Pi}{180})\end{array}---\left(5\right)$

$Dis\tan ce=R*\arccos \left(C\right)*\frac{Pi}{180}$

R＝6371.004km

其中Distance即为两点间距离，R为地球平均半径。

节点度计算则根据节点间距离计算，具体如算法1所示。

再根据邻居节点信息计算出传输系数L_i，中心性C_i(t)，节点势能Ep_i，最终结果存于文件中。

数据采集到后预处理，信息虽然是由仿真输出并保存的，但是其中仍然可能存在异常数据，多表现为数据异常或者数据缺失，可以将这些异常数据删除或者更改成常规值，以保证后续处理的正确性。一般可以采用阈值法和机理法进行识别，当错误数据与正常数据差距超出阈值范围时，即可判定此为异常数据，将其更正。

深度学习处理的数据需要归一化处理，处理后结果可有下公式得出：

$F=\left\{\begin{array}{cc}0& if{R}_a=0\\ R_l/R_a& if{R}_l>0\\ -1& otherwise\end{array}\right.---\left(6\right)$

R_a是此组数据的可能的最大值，R_l是观测值，最终可获得归一化处理的数据。对所有数据采用此方法处理，可用于后续运算。

3.1.2自编码网络训练

每个节点信息可以表示为：I_i＝{d_i，v_i，a_i，lon_i，lat_i，r_i，D_i，L_i，C_i，Ep_i}，假设经过预处理后，节点信息表示为I′_i，大量节点信息组成一个训练集h，作为自编码网络的输入因子。

利用训练集h对网络进行一层层训练，单层的训练过程如图9所示，每层将学习到一个h_w，x(x)≈x的函数，它尝试逼近一个恒等函数，从而使得输出接近于输入。我们给这个恒等函数加入一些限制，比如限制隐层的数量，我们就可以获取原始数据的另一种表达方式，即迫使自编码神经网络去学习输入数据的压缩表示，这样得到的数据具有更低的维度。若输入数据中隐含着一些特定的结构，如车辆间相互影响的因素，车间距，通信距离等，通过上述网络则可以发现原始数据间更复杂的关系，这一过程类似于主成份分析过程，而区别在于自编码能根据隐层数据再恢复成原始数据。

针对训练集h，m层的训练过程如图10所示，每层将会得到网络权值w₁,…,w_l,…,w_m-1和b₁,…,b_l,…b_m-1，其中，w_l表示第l层与第l+1层网络单元之间的连接权值，b_l为第l层网络单元的偏置项，表示第l个隐层(中间层)的第x单元输入加权和，最后通过微调得到训练完成的自编码网络。

自编码网络训练过程如算法2所示。

通过上述算法，经过一定量数据的训练后，网络权值w₁,…,w_l,…,w_m-1和b₁,…,b_l,…b_m-1趋向于稳定，即可用于实时处理车联网数据。使用自编码网络的优点不仅在于通过无监督学习可以得到节点的低维嵌套特征，而且它可以重构数据，有效地从低维嵌套中恢复原始高维连续数据。这些新特征不仅可以用于网络中信息的传输，也可以用于对网络中大量节点的筛选，筛选出优异的节点用于实时构建车联网稳定主干网络。

3.1.3网络节点筛选

网络节点筛选是为了在大规模复杂网络中提取若干主干节点，从而可以构建主干网络，避免了由于节点稠密带来的广播风暴问题。当任意输入一个节点特征信息I′_i后，经过了m层的深度学习过程，即经过一次前向传播网络后，最终输出节点新特征，用Q_i表示。

假设在训练集h中从时间T_x(x＝1,2,…,r)采集的节点信息中取q个节点，通过深度学习后对应输出的新特征分别用Q₁,Q₂,…,Q_i,…,Q_q表示，则Q_i＝{z_(m，1)，z_(m，2),…,z_(m，u),…}，z_(m，u)表示深度学习过程中第m层输出的列向量z_m的第u个值，即节点i的第u个新特征值，这里：

z_l＝f(w_l-1*z_l-1＋b_l-1)(2≤l≤m)(7)

其中f()表示激活函数，一般用表示。w_i与b_i为自编码网络训练后得到的网络权值。

最后一层的节点筛选采用Logistic回归，一般采用sigmoid函数或者linear函数，sigmoid的取值范围为[0,1]，而它的作用是将具有新特征的节点二分类，一类为优异节点，另一类为丢弃节点。

将此分类器添加到自编码网络的最后一层，再通过训练微调整个系统，获得自编码网络与分类器间连接的权值，即可得到一个可用于分类的自编码网络。

当输入一个网络的若干节点后，通过此网络模型即可筛选出若干优异节点。具体如算法3所示。

activation_funcition和output_function的选择得靠实验进一步确定。得到最终a{numhidden}后，通过比较所有的值在最后一层中的哪一层具有最大的激活度而选择。

3.2网络通达性度量

网络的通达性是一个比较抽象的问题，影响网络通达性的因素有很多，包括：交通网络因素、空间因素、交通流因素、距离因素、费用因素和人的因素等^[56]。网络任何一个因素细微的变动都可能会导致网络通达性的变化，因此，需要同时考虑多重因素对网络的通达性带来的影响。空间因素、交通流因素、距离因素主要是通过深度学习的筛选优异节点进行了一定程度的改善，网络因素则是需要考虑网络中车辆节点、RSU、移动终端和3G节点等异构网络节点的共存和异构网络的切换带来的影响。因此，需要构建统一的描述语言来表示异构节点信息，也需要采用适当的方法降低异构网络的切换带来的开销。图11更加形象化描述了网络通达性与异构网络节点的关系。

这里所谓的通达性并不是一个直接能表示的标量，它只能通过网络的数据传递成功率和端到端平均延迟间接表示，可表示为

$Ra=\mathrm{\&alpha;}*MDR+(1-\mathrm{\&alpha;})*\frac{1}{\log (AD-{\mathrm{AD}}_{cur})},(0\&le;\mathrm{\&alpha;}\&le;1)---\left(8\right)$

$MDR=\frac{{\&Sigma;}_{i=0}^N{R}_i}{{\&Sigma;}_{i=0}^N{S}_i}*100\%---\left(9\right)$

$AD=\frac{1}{N}*{\&Sigma;}_{i=0}^N({\mathrm{RT}}_i-{\mathrm{ST}}_i)---\left(10\right)$

其中MDR表示数据包传递成功率，AD为端到端平均延迟，AD_cur为一个适当的端到端平均延迟值，Ra为通达性度量。MDR中，R_i表示节点i成功接收的分组数量，S_i表示节点i总共发送的分组数。AD中，N表示总共的传输成功的分组数，RT_i表示第i个分组的接收时间，ST_i表示第i个分组的接收时间。a表示通达性度量中数据传递成功率和端到端平均延迟所占比率，需要通过实验进行进一步确定。

但这里为了更好的说明问题，而通过标量的形式形象的表现出来。其中认为组成的网络重心对应的Z轴的值为当前网络的通达性度量，可以看出：当随着网络节点的增多，网络的通达性一般呈增加趋势；当网络中只有少数车辆节点时，通达性较低；网络中引入RSU或者3G基站，将大幅提高网络的通达性，而且3G基站对网络通达性的影响大于RSU，RSU对通达性的影响大于车辆节点；网络中节点的分布均匀且相互间可通信，网络的通达性可以达到较高值。但当网络中的节点达到一定的量，增加节点的数量对提高网络的通达性影响降低，最终会达到饱和，如图12所示。我们需要筛选出适合当前网络特征的最适合的节点序列，从而使之具有较高的网络通达性，并且具有较高的稳定性。

3.3基于AE-NSM的通达性路由机制HW-AODV

高速公路场景交通状况较城市简单，同一道路的车辆都沿同方向行驶，因而路由机制的设计需充分考虑使用场景的优势。基于上述提出的车联网节点筛选方法，给出了高速公路场景中通达性路由机制——HW-AODV(HighwayAODV)，HW-AODV是基于AODV路由协议而给出的，通过引入节点位置信息和行驶方向，并结合车联网节点筛选方法，从而降低了数据包广播的范围。HW-AODV主要是对AODV路由协议的路由发现和路由保证过程进行了优化。

3.3.1路由发现

HW-AODV是根据当前节点和目的节点位置信息来寻找转发路径的。当源节点发起路由请求时，它通过位置服务获取目的节点的位置信息，并结合自己当前的位置和所在道路，将RREQ转发给所确定转发方向上筛选出来的邻居节点中最远的节点。然后其所选择的邻居节点利用同样的方法进行转发RREQ，当某个节点发现目的节点在其路由表中时，停止转发，沿其反向路由方向发送RREP。当发送节点接收到RREP后，开始转发信息。

如图13所示，源节点S和目的节点D不在同一方向道路上，通过位置信息发现节点D在S后方的另一条车道上，因此，S发起RREQ，沿行驶反方向转发RREQ，最终在节点C的路由表中发现节点D，则停止转发，沿方向路径发送RREP，最终消息将沿着S→A→B→C→D发送，算法4如下：

HW-AODV的路由查询方法同广播不同，对于每次请求，每一跳，HW-AODV只转发给一个筛选后的节点，因而网络中的RREQ报文数量很低。且由于限制了转发方向，不相关方向上的节点不用处理此信息，从而降低了网络的整体负载。

3.3.2路由保证

HW-AODV在使用过程中可能出现如图14的情况，RREQ转发到C时，由于车速过快或其他原因，发现目的节点D在节点C的另一条车道的前方，此时开始路由保证阶段，直接选择对向道路上节点作为RREQ的下一跳节点，继而再根据位置和方法转发RREQ，最后得到转发路径S→A→B→C→E→F→D。具体算法5如下：

创新点

提出了一种基于自编码网络的车联网网络节点筛选方法的通达性路由机制。高速公路场景交通状况较城市简单，同一道路的车辆都沿同方向行驶，因而路由机制的设计需充分考虑使用场景的优势。基于自编码网络的车联网节点筛选方法，给出了高速公路场景中通达性路由机制——HW-AODV(HighwayAODV)，HW-AODV是基于AODV路由协议而给出的，通过引入节点位置信息和行驶方向，并结合车联网节点筛选方法，从而降低了数据包广播的范围。

Claims (1)

1.一种基于自编码网络的车联网网络节点筛选方法，其特征在于，整个路由机制包含三个部分，数据预处理，自编码网络训练，节点筛选算法实现:

一、数据预处理

通过交通仿真软件，获取车辆行驶方向d_i，行驶速度v_i、加速度a_i，经纬度lon_i和lat_i，所在道路r_i，

两车距离可通过经纬度来计算。首先，设A点与B点的经纬度分别为(LgA,LaA)和(LgB,LaB)，按照零度经线，东经取正值，西经取负值，北纬取90–纬度，南纬取90+纬度，则经过标准化后A、B两点的经纬度被记为(FLgA,FLaA)和(FLgB,FLaB)。根据三角推导，可以通过如下公式5计算两点之间的距离。

$\begin{array}{c}C=\sin \left(LaA*\frac{Pi}{180}\right)*\sin \left(LaA*\frac{Pi}{180}\right)+\cos \left(LaA*\frac{Pi}{180}\right)\\ *\cos \left(LaB*\frac{Pi}{180}\right)*\cos \left(\left(FLgA-FLgB\right)*\frac{Pi}{180}\right)\end{array}---\left(5\right)$

$\begin{array}{c}Dis\tan ce=R*arccos\left(C\right)*\frac{Pi}{180}\\ R=6371.004km\end{array}$

其中Distance即为两点间距离，R为地球平均半径；

再根据邻居节点信息计算出传输系数L_i，中心性C_i(t)，节点势能Ep_i，最终结果存于文件中。

数据采集到后预处理，信息虽然是由仿真输出并保存的，但是其中仍然可能存在异常数据，多表现为数据异常或者数据缺失，可以将这些异常数据删除或者更改成常规值，以保证后续处理的正确性。一般可以采用阈值法和机理法进行识别，当错误数据与正常数据差距超出阈值范围时，即可判定此为异常数据，将其更正。

深度学习处理的数据需要归一化处理，处理后结果可有下公式得出：

$F=\left\{\begin{array}{cc}0& if{R}_a=0\\ R_l/R_a& if{R}_l>0\\ -1& otherwise\end{array}\right.---\left(6\right)$

R_a是此组数据的可能的最大值，R_l是观测值，最终可获得归一化处理的数据。对所有数据采用此方法处理，可用于后续运算；

二、自编码网络训练

每个节点信息可以表示为：I_i＝{d_i,v_i,a_i,lon_i,lat_i,r_i,D_i,L_i,C_i,Ep_i}，假设经过预处理后，节点信息表示为I′_i，大量节点信息组成一个训练集h，作为自编码网络的输入因子。

利用训练集h对网络进行一层层训练，单层的训练过程：每层将学习到一个h_w,x(x)≈x的函数，它尝试逼近一个恒等函数，从而使得输出接近于输入。给这个恒等函数加入限制，迫使自编码神经网络去学习输入数据的压缩表示，这样得到的数据具有更低的维度。

针对训练集h，m层的训练过程，每层将会得到网络权值w₁,…,w_l,…,w_m-1和b₁,…,b_l,…b_m-1，其中，w_l表示第l层与第l+1层网络单元之间的连接权值，b_l为第l层网络单元的偏置项，表示第l个隐层(中间层)的第x单元输入加权和，最后通过微调得到训练完成的自编码网络。

通过上述算法，经过一定量数据的训练后，网络权值w₁,…,w_l,…,w_m-1和b₁,…,b_l,…b_m-1趋向于稳定，即可用于实时处理车联网数据；

三、网络节点筛选

当任意输入一个节点特征信息I′_i后，经过了m层的深度学习过程，即经过一次前向传播网络后，最终输出节点新特征，用Q_i表示。

假设在训练集h中从时间T_x(x＝1,2,…,r)采集的节点信息中取q个节点，通过深度学习后对应输出的新特征分别用Q₁,Q₂,…,Q_i,…,Q_q表示，则Q_i＝{z_(m,1),z_(m,2),…,z_(m,u),…}，z_(m,u)表示深度学习过程中第m层输出的列向量z_m的第u个值，即节点i的第u个新特征值，这里：

z_l＝f(w_l-1*z_l-1+b_l-1)(2≤l≤m)(7)

其中f()表示激活函数，一般用表示。w_i与b_i为自编码网络训练后得到的网络权值。

最后一层的节点筛选采用Logistic回归，一般采用sigmoid函数或者linear函数，sigmoid的取值范围为[0,1]，而它的作用是将具有新特征的节点二分类，一类为优异节点，另一类为丢弃节点。

将此分类器添加到自编码网络的最后一层，再通过训练微调整个系统，获得自编码网络与分类器间连接的权值，即可得到一个可用于分类的自编码网络。