CN107609672B - 一种支持虚拟车群体智能计算的车联网服务支撑环境 - Google Patents
一种支持虚拟车群体智能计算的车联网服务支撑环境 Download PDFInfo
- Publication number
- CN107609672B CN107609672B CN201710687462.9A CN201710687462A CN107609672B CN 107609672 B CN107609672 B CN 107609672B CN 201710687462 A CN201710687462 A CN 201710687462A CN 107609672 B CN107609672 B CN 107609672B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- virtual
- vehicles
- environment
- virtual vehicle
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种支持虚拟车群体智能计算的车联网服务支撑环境,支持部署在网络边缘和网络云端,提供虚拟车和虚拟车群体两种智能计算能力的封装。其中,虚拟车向车联网服务提供对单车智能计算能力的封装,同时屏蔽了其部署位置。虚拟车群体向车联网服务提供对多车群体智能计算能力的封装,同时屏蔽了其具体参与方与控制过程。车联网服务支撑环境具体包括一个支持对车辆、驾驶员和乘客、交通环境数据进行学习和认知的交互认知计算环境,一个支持对虚拟车进行管理的虚拟车运行环境和一个支持对多个虚拟车进行群体智能计算控制的群智计算环境。支持在不涉及用户隐私的前提下,利用多虚拟车群体智能计算实现更个性化、更准确的车联网服务。
Description
技术领域
本发明涉及一种支持虚拟车群体智能计算的车联网服务支撑环境,属于车联网和人工智能技术领域。
背景技术
随着物联网和移动互联网的快速发展,个人移动终端和车载终端正在逐步融合,尤其是高级辅助驾驶系统和智能驾驶汽车的出现,将人和车紧密的结合在一起。车辆成为人感知能力的延伸,人成为车辆认知能力的扩展。人和车辆的融合使得车联网中的主体不仅具有车辆的运动特征,还具有人的社交和认知特征。人车融合对象将作为参与者与周边环境元素进行协同通信和控制,最终实现全局交通环境的可持续发展。因此,车联网不仅是一个车车通信或通过车载终端提供单机服务的网络,而且是一个人、车、环境紧密协同的高度交互、动态演化的复杂系统。
车联网服务的核心是为车辆的驾驶员或乘客提供智能驾驶服务,即保证驾驶员和乘客快速高效抵达目的地,又保证交通环境的有序和高效。这要求驾驶员在驾驶车辆过程中不但有全面的交通环境状态认知,还要有参与道路交通的其他车辆和驾驶员的预期驾驶行为认知。但由于全局交通环境状态数据具有位置相关性、实时性、交互信息量大、频率高、持续时间较长的特点,单车的车载计算能力无法满足大规模数据计算的要求。同时,由于不同驾驶员的驾驶决策行为具有相对独立性,无法通过对车辆的行驶过程进行准确预测来进行全局交通环境的重建。因此,以车辆和交通环境状态信息与挖掘处理为主的传统车联网服务无法准确衡量不同车辆驾驶员的驾驶决策行为与整体交通环境变化之间的关系,亦无法为驾驶员提供除了宏观交通环境状态之外的更有价值的智能驾驶建议。
基于此,如何在车联网环境下,对车辆驾驶决策相关的个体、群体行为,及交通环境状态的变化规律进行认知,并据此建立解决人-车-路复杂耦合系统的个体微观决策与全局宏观状态之间的关联方法,建立解决驾驶决策过程中的认知共享、认知传递、基于认知的群体决策等问题的功能体系,是未来真正满足车联网服务需求的基础。
发明内容
本发明涉及一种支持虚拟车群体智能计算的车联网服务支撑环境。该车联网服务支撑环境使得车联网应用在不涉及用户隐私的前提下,能够利用群体智能计算实现更个性化、更准确的车联网服务。
所述的车联网服务支撑环境包括一个支持对车辆、驾驶员和乘客、交通环境中的微观数据和宏观数据进行学习和认知的交互认知计算环境,一个支持对虚拟车进行管理的虚拟车运行环境,一个支持对多个虚拟车进行群体智能计算控制的群智计算环境。
进一步地,微观数据是反映单一车辆行驶状态、驾驶员或乘客属性、局部交通环境状态的数据,包括车载传感器采集的数据、智能交通系统传感器采集的数据、车辆所连接的公众移动通信网采集的车辆通信信令数据、通过车与车之间通信技术广播的数据、驾驶员或乘客使用的公众移动通信网用户注册信息数据等。宏观数据是反映多台车辆行驶规律、驾驶员或乘客类型、全局交通环境状态的数据,包括多车辆行驶轨迹历史数据、智能交通系统产生的道路交通状态历史数据、公共交通系统产生的智能卡刷卡历史数据、驾车人或乘客的注册数据等。对车辆、驾驶员和乘客、交通环境中的微观数据和宏观数据进行学习和认知,包括对车辆、驾驶员和乘客、交通环境的状态认知和关联关系认知.其中,状态认知是对车辆的选路决策规律、驾驶员和乘客的出行结构规律、交通环境的状态变化规律等特征的提取结果;关联关系认知是对车辆的选路决策与交通环境状态变化之间的关联性、驾驶员和乘客的出行结构规律与交通环境的状态变化之间的关联性、车辆移动聚集之间的相关性、驾驶员和乘客的社交关系与车辆移动的源端和目标端聚集之间的相关性等特征的提取结果。交互认知计算环境是对微观数据和宏观数据进行认知学习,包括提供状态认知功能的人车环境状态认知模块和提供关联关系认知功能的人车环境关联认知模块。
进一步地,虚拟车是一个具备学习能力、记忆能力、执行能力的功能实体。其中,学习能力是具备将交互认知计算环境所产生的状态认知结果和关联关系认知结果进行输入,并学习特定单个车辆在输入条件下的决策行为规律的能力;记忆能力是具备将所学习的决策行为规律进行保存,并能够持续根据学习结果进行决策行为规律更新的能力;执行能力是具备在后继输入给定的车辆、驾驶员和乘客、交通环境状态和关联关系条件下,根据记忆的决策行为规律产生决策的能力。虚拟车运行环境部署在网络的云端和网络的边缘服务器上,是一个支持对多个虚拟车同时进行管理并支撑虚拟车进行学习、记忆、执行操作的软件平台,包括提供虚拟车功能的虚拟车功能模块和提供对多个虚拟车管理功能的虚拟车协调控制器模块。其中,对多个虚拟车的管理功能包括对虚拟车功能实体的生命周期维护和分布式管理,生命周期维护包含对虚拟车功能实体的创建、维持、删除等,分布式管理包含对在不同网络位置创建的虚拟车功能实体的查找、互操作控制等。
进一步地,群体智能计算控制包括对虚拟车的对象发现控制和对多个虚拟车的协同控制。其中,虚拟车的对象发现控制是根据交互认知计算环境提供的关联关系认知,选择与服务目标有相关性的多个虚拟车功能实体组成一个虚拟车群体。多个虚拟车的协同控制包括通信协同控制和计算协同控制,通信协同控制是群智计算环境对虚拟车群体内的虚拟车之间的点到点或点到多点的交互控制,计算协同控制是群智计算环境根据车联网服务目标设置虚拟车群体的计算目标,多次调用虚拟车运行环境中的虚拟车功能实体,给定所需的车辆、驾驶员和乘客、交通环境的状态和计算目标,由各个虚拟车功能实体独立进行决策,根据各个虚拟车功能实体独立决策的结果预测车辆、驾驶员和乘客、交通环境的状态变化,衡量这一变化趋势是否满足预期的计算目标,根据偏差程度重新设定虚拟车群体的计算目标进行迭代计算,直至通过多次迭代形成一个既满足车联网服务目标,又符合各个虚拟车各自最优决策的结果。群智计算环境包括虚拟车群体发现与控制器模块和虚拟车群智计算控制器模块。虚拟车群体发现与控制器模块提供虚拟车的对象发现控制功能,虚拟车群智计算控制器模块提供多个虚拟车的协同控制功能。
附图说明
图1为本发明所提供的一种支持虚拟车群体智能计算的车联网服务支撑环境示意图。
图2为本发明所提供的一种支持虚拟车群体智能计算的车联网服务支撑环境系统结构。
图3为本发明所提供的一种支持虚拟车群体智能计算的车联网服务支撑环境中虚拟车功能模块的功能结构。
图4为本发明所提供的一种支持虚拟车群体智能计算的车联网服务支撑环境中虚拟车群智计算控制器模块的功能结构。
具体实施方式
为使本发明的目的、技术方案和优点更加明白清楚,下文将结合附图对本发明的实施例进行详细的说明。
本发明所提供的一种支持虚拟车群体智能计算的车联网服务支撑环境的示意图,如图1所示,可部署在网络边缘和网络云端,提供虚拟车和虚拟车群体两种智能计算能力的封装。其中虚拟车包括S12部署在网络边缘的虚拟车,S13部署在网络云端的虚拟车和S14在云端和边缘联合部署的虚拟车。虚拟车对S11车的行为进行认知学习。由于车的行为体现的是驾车人或乘客的行为和对交通环境的影响,因此虚拟车将会对车、驾驶员/乘客、交通环境大数据进行学习,并向车联网服务提供对单车智能计算能力的封装,同时屏蔽掉这一智能计算能力是在网络边缘提供还是在网络云端提供,还是同时提供,保证了单车智能计算能力既能通过网络边缘部署提高与车辆通信的实时性,也能通过网络云端部署获取更广范围的环境状态认知。S17虚拟车群体向车联网服务提供对多虚拟车群体智能计算能力的封装,同时屏蔽掉这一计算能力的具体参与方及参与方之间智能计算控制过程,保证了车联网服务用户的隐私,降低了车联网服务构建的复杂性。车联网服务支撑环境使得车联网应用在不涉及用户隐私的前提下,能够通过S15单车智能服务接口访问虚拟车智能计算能力,或通过S16多车群体智能服务接口访问虚拟车群体智能计算能力。在车联网服务支撑环境中,S17虚拟车群体通过S18虚拟车之间的协同控制接口完成部署在网络任意位置的多个虚拟车之间的自主协同控制,并通过S15单车智能服务接口和S16多车群体智能服务接口将虚拟车的决策结果和虚拟车群体的群体智能计算结果反馈给车联网应用,从而利用虚拟车群体智能计算实现更个性化、更准确的车联网服务。
以基于车载传感器完成城市环境状态采集的车联网服务为例,对本发明实施例进行说明。由于车辆移动的实时性和不均衡性,选择哪一辆车为哪一个路段采集信息,需要车联网服务权衡多个车辆未来的行驶路线和多个路段采样频度需求确定。所提供的一种支持虚拟车群体智能计算的车联网服务支撑环境系统结构,如图2所示,包括交互认知计算环境、虚拟车运行环境和群智计算环境。
S22车联网服务支撑环境中的交互认知计算环境用于对虚拟车和虚拟车群智计算所需使用的数据进行认知学习。在本实施例中,交互认知计算环境需与S21车联网服务数据源接口,以获得相应数据,具体包括车载传感器采集的数据、智能交通系统传感器采集的数据、车辆所连接的公众移动通信网采集的车辆通信信令数据、多车行驶轨迹历史数据、智能交通系统产生的道路交通状态历史数据、驾车人或乘客的注册数据等各种社会化大数据。交互认知计算环境主要包括S23人车环境状态认知模块和S24人车环境关联认知模块。S23人车环境状态认知模块主要提供状态认知功能,在本实施例中,主要是对车的选路决策规律、驾驶员和乘客的出行结构规律、交通环境的状态变化规律等特征进行提取。S24人车环境关联认知模块主要提供关联关系认知功能,在本实施例中,主要是对车辆的选路决策与交通环境状态变化之间的关联性、驾驶员和乘客的出行结构规律与交通环境的状态变化之间的关联性、车辆移动聚集之间的相关性、驾驶员和乘客的社交关系与车辆移动的源端和目标端聚集之间的相关性等特征进行提取。
S22车联网服务支撑环境中的虚拟车运行环境用于提供虚拟车功能,并支持管理多个虚拟车。在本实施例中,虚拟车运行环境具体划分为S25虚拟车功能模块和S26虚拟车协调控制器模块。S25虚拟车功能模块完成虚拟车所需的学习、记忆和执行等智能计算功能。S26虚拟车协调控制器模块完成虚拟车管理功能,通过建立车辆牌照号、车载终端标识、驾驶员或乘客标识等多种类型标识与虚拟车对象的映射表方式,完成虚拟车管理。虚拟车运行环境与S29车联网服务之间提供单车服务接口,提供单车行驶路线推荐、单车驾驶决策等功能。
S22车联网服务支撑环境中的群智计算环境用于提供多虚拟车群智计算功能,并支持多个虚拟车群体的发现与控制。在本实施例中,群智计算环境具体划分为S27虚拟车群智计算控制器模块和S28虚拟车群体发现与控制器模块。S27虚拟车群智计算控制器模块完成多个虚拟车协同控制功能,包括多虚拟车之间的交互控制、虚拟车群体智能决策控制等功能。S28虚拟车群体发现与控制器模块可通过地理位置、时间、驾驶员或乘客社交关系等条件完成虚拟车的查找、加入、退出虚拟车群体的功能,并通过虚拟车群体标识和虚拟车标识建立虚拟车群组映射表,完成虚拟车群组管理。群智计算环境与S29车联网服务之间提供群体服务接口,提供对车联网服务进行单车智能计算能力和多车群智计算能力的封装,并向S29车联网服务提供路段环境状态采集对象管理等功能。
基于本文实施例,本发明所提供的车联网服务支撑环境中虚拟车功能模块的功能结构,如图3所示,主要包括虚拟车协调控制器接口、交互认知计算环境接口、虚拟车群智计算控制器接口、车联网服务接口、认知学习机、集成深度神经网络、策略生成器和策略选择器。
S31虚拟车协调控制器接口接受虚拟车协调控制器管理,以加入群智计算环境。
S33认知学习机负责对车辆历史行驶轨迹进行学习,以获取车辆行驶习惯和偏好。本实施例中,车辆行驶习惯将决定车辆加入哪一个虚拟车群组进行环境信息采集,因此需要考虑车辆行驶的短期、中期和长期规律。具体方法是通过S32交互认知计算环境接口获取车辆轨迹数据,将一周内发生的行驶轨迹输入到神经网络进行短期驾驶规律学习,将一个月内发生的行驶轨迹输入到神经网络进行中期驾驶规律学习,将一年内发生的行驶轨迹输入到神经网络中进行长期驾驶规律学习。
S34集成深度神经网络负责对各种不同目标深度学习结果进行管理。在本实施例中,S33认知学习机训练出的近期、中期、长期驾驶规律将被组建成一个集成神经网络,作为一个特定车辆的驾驶决策知识进行保存,目的是平衡长期驾驶习惯与短期驾驶行为偏差。
S36策略生成器使用S34保存的集成神经网络,通过从S32获取的当前交通环境状态及从S35获取的虚拟车群智计算控制器接口传入的其他虚拟车协同控制请求或信息采集目标要求,产生虚拟车是否加入虚拟车群体的加盟策略。制定策略的依据为当前驾驶行为改变的代价与加入虚拟车群体产生的收益相比,是否能够获得最大收益。
S37策略选择器保存S36策略生成器生成的各种虚拟车加盟策略,并根据S36策略生成器持续迭代的结果,判断之前产生的哪些策略有效,并从中选择收益最大的策略作为最终的驾驶决策,通过S38车联网服务接口通知车联网服务。S36策略生成器在获得S37策略选择器的决策后,也通过S35虚拟车群智计算控制器接口反馈给群智计算环境。
基于本文实施例,本发明所提供的车联网服务支撑环境中虚拟车群智计算控制器模块的功能结构,如图4所示,主要包括虚拟车群体发现与控制接口、车联网服务接口、虚拟车接口、群智计算策略控制器、虚拟车对象管理与交互控制器、群体交互计算控制器、群体环境态势生成器和交互认知计算环境接口。
S41虚拟车群体发现与控制接口接受虚拟车群体发现与控制器管理,以完成虚拟车对象的加入和退出。
S43群智计算策略控制器采用合作博弈作为群智计算的计算策略,S43根据S42车联网服务接口传入的环境状态采集的目标要求,对哪些虚拟车加入以路段为条件约束的虚拟车群组进行评判,以保证全局环境状态采集的覆盖面和采集频度能够达到均衡。
S45虚拟车对象管理与交互控制器负责管理来自S44虚拟车接口提供的虚拟车对象,并实现与S46群体交互计算控制器的交互控制。
S46群体交互计算控制器根据S43群智计算策略控制器提供的合作博弈目标执行合作博弈过程控制,并向S43提供合作博弈的结果,供S43判断合作博弈结果是否能够达到均衡。具体地,S46根据S43提供的合作博弈目标,向S45中管理的多个虚拟车对象发布环境状态采集目标和合作博弈目标信息,并协调群体中多个虚拟车对象之间的交互。S46将S45中管理的多个虚拟车生成的决策策略汇总,并调用S48群体环境态势生成器进行整体环境状态采集态势的计算。根据S48产生的新环境状态采集态势,执行合作博弈的迭代计算,并将计算结果提交S43进行判断,直到获得均衡解。
S48群体环境态势生成器完成整体环境状态采集态势的计算。具体地,S48获得S46提供的各虚拟车决策信息,根据S47交互认知计算环境接口获得当前的交通环境状态,通过长短期记忆网络等预测模型,计算生成整体环境状态采集态势,包括预期未来一段时间各个采样点的采样间隔、采样频次等变化趋势,和交通状态变化趋势,并将预测结果反馈给S46。
需要说明的是,本发明还可有其他多种实施例,在不背离本发明精神及其实质的情况下,熟悉本领域的技术人员可根据本发明做出各种相应的改变和变形,但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。
Claims (3)
1.一种支持虚拟车群体智能计算的车联网服务支撑环境,其特征在于,包括:
一个支持对车辆、驾驶员和乘客、交通环境中的微观数据和宏观数据进行学习和认知的交互认知计算环境;
所述对车辆、驾驶员和乘客、交通环境中的微观数据和宏观数据进行学习和认知,包括对车辆、驾驶员和乘客、交通环境的状态认知和关联关系认知;
状态认知是对车辆的选路决策规律、驾驶员和乘客的出行结构规律、交通环境的状态变化规律特征的提取结果;
其中,关联关系认知是对车辆的选路决策与交通环境状态变化之间的关联性、驾驶员和乘客的出行结构规律与交通环境的状态变化之间的关联性、车辆移动聚集之间的相关性、驾驶员和乘客的社交关系与车辆移动的源端和目标端聚集之间的相关性特征的提取结果;
一个支持对虚拟车进行管理的虚拟车运行环境;
所述的虚拟车运行环境,部署在网络的云端和网络的边缘服务器上,是一个支持对多个虚拟车同时进行管理并支撑虚拟车进行学习、记忆、执行操作的软件平台,包括提供虚拟车功能的虚拟车功能模块和提供对多个虚拟车管理功能的虚拟车协调控制器模块;
其中,对多个虚拟车的管理功能包括对虚拟车功能实体的生命周期维护和分布式管理,生命周期维护包含对虚拟车功能实体的创建、维持和删除,分布式管理包含对在不同网络位置创建的虚拟车功能实体的查找和互操作控制;
所述的虚拟车,是一个具备学习能力、记忆能力、执行能力的功能实体;
其中,学习能力是具备将交互认知计算环境所产生的状态认知结果和关联关系认知结果进行输入,并学习特定单个车辆在输入条件下的决策行为规律的能力;
其中,记忆能力是具备将所学习的决策行为规律进行保存,并能够持续根据学习结果进行决策行为规律更新的能力;
其中,执行能力是具备在后继输入给定的车辆、驾驶员和乘客、交通环境状态和关联关系条件下,根据记忆的决策行为规律产生决策的能力;
一个支持对多个虚拟车进行群体智能计算控制的群智计算环境;
所述的群智计算环境,包括虚拟车群体发现与控制器模块和虚拟车群智计算控制器模块;
其中,虚拟车群体发现与控制器模块提供虚拟车的对象发现控制功能;
其中,虚拟车群智计算控制器模块提供多个虚拟车的协同控制功能。
2.根据权利要求1所述的车联网服务支撑环境,其特征在于:
所述微观数据,是反映单一车辆行驶状态、驾驶员或乘客属性、局部交通环境状态的数据,包括车载传感器采集的数据、智能交通系统传感器采集的数据、车辆所连接的公众移动通信网采集的车辆通信信令数据、通过车与车之间通信技术广播的数据、驾驶员或乘客使用的公众移动通信网用户注册信息数据;
所述的宏观数据,是反映多台车辆行驶规律、驾驶员或乘客类型、全局交通环境状态的数据,包括多车辆行驶轨迹历史数据、智能交通系统产生的道路交通状态历史数据、公共交通系统产生的智能卡刷卡历史数据、驾车人或乘客的注册数据;
所述的交互认知计算环境,是对微观数据和宏观数据进行认知学习,包括提供状态认知功能的人车环境状态认知模块和提供关联关系认知功能的人车环境关联认知模块。
3.根据权利要求1所述的车联网服务支撑环境,其特征在于:所述的群体智能计算控制,包括对虚拟车的对象发现控制和对多个虚拟车的协同控制;
其中,虚拟车的对象发现控制是根据交互认知计算环境提供的关联关系认知,选择与服务目标有相关性的多个虚拟车功能实体组成一个虚拟车群体;
其中,多个虚拟车的协同控制包括通信协同控制和计算协同控制,通信协同控制是群智计算环境对虚拟车群体内的虚拟车之间的点到点或点到多点的交互控制,计算协同控制是群智计算环境根据车联网服务目标设置虚拟车群体的计算目标,多次调用虚拟车运行环境中的虚拟车功能实体,给定所需的车辆、驾驶员和乘客、交通环境的状态和计算目标,由各个虚拟车功能实体独立进行决策,根据各个虚拟车功能实体独立决策的结果预测车辆、驾驶员和乘客、交通环境的状态变化,衡量这一变化趋势是否满足预期的计算目标,根据偏差程度重新设定虚拟车群体的计算目标进行迭代计算。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710687462.9A CN107609672B (zh) | 2017-08-11 | 2017-08-11 | 一种支持虚拟车群体智能计算的车联网服务支撑环境 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710687462.9A CN107609672B (zh) | 2017-08-11 | 2017-08-11 | 一种支持虚拟车群体智能计算的车联网服务支撑环境 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107609672A CN107609672A (zh) | 2018-01-19 |
CN107609672B true CN107609672B (zh) | 2021-03-23 |
Family
ID=61065017
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710687462.9A Active CN107609672B (zh) | 2017-08-11 | 2017-08-11 | 一种支持虚拟车群体智能计算的车联网服务支撑环境 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107609672B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113572796A (zh) * | 2020-04-28 | 2021-10-29 | 宝马股份公司 | 基于物联网管理车辆数据的方法、车辆、云服务器和系统 |
CN113347579B (zh) * | 2021-05-31 | 2022-09-27 | 广州宏算信息科技有限公司 | 一种列车设备数据传输方法和装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103039110A (zh) * | 2010-06-30 | 2013-04-10 | 英特尔公司 | 用以使得在网状网络中合作通信成为可能的基于群体智能的方法 |
CN105809953A (zh) * | 2014-12-27 | 2016-07-27 | 吉林大学 | 一种基于m2m的城市交通流车路协同控制方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170142187A1 (en) * | 2015-10-18 | 2017-05-18 | Juan R. Pimentel | Method for Uploading All of In-Vehicle Data to the Cloud in an Efficient, Automated, Secure, and Reliable Fashion |
-
2017
- 2017-08-11 CN CN201710687462.9A patent/CN107609672B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103039110A (zh) * | 2010-06-30 | 2013-04-10 | 英特尔公司 | 用以使得在网状网络中合作通信成为可能的基于群体智能的方法 |
CN105809953A (zh) * | 2014-12-27 | 2016-07-27 | 吉林大学 | 一种基于m2m的城市交通流车路协同控制方法 |
Non-Patent Citations (2)
Title |
---|
A cooperative route choice approach via virtual vehicle in IoV;Tao Lei;《Vehicular Communications》;20170517;第281-287页 * |
车联网体系结构及其关键技术;李静林;《北京邮电大学学报》;20141231;第95-100页 * |
Also Published As
Publication number | Publication date |
---|---|
CN107609672A (zh) | 2018-01-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ceder | Urban mobility and public transport: future perspectives and review | |
Zheng et al. | Big data for social transportation | |
Xu et al. | ilocus: Incentivizing vehicle mobility to optimize sensing distribution in crowd sensing | |
Zhao et al. | Enhanced mobility with connectivity and automation: A review of shared autonomous vehicle systems | |
Rossi et al. | Modelling taxi drivers’ behaviour for the next destination prediction | |
EP3856596A2 (en) | Intelligent transportation systems | |
Lai et al. | Urban traffic Coulomb’s law: A new approach for taxi route recommendation | |
Alghamdi et al. | Data quality-aware task offloading in mobile edge computing: An optimal stopping theory approach | |
Han et al. | Parallel vehicular networks: A CPSS-based approach via multimodal big data in IoV | |
Li et al. | A dynamic and scalable user-centric route planning algorithm based on polychromatic sets theory | |
Yousaf et al. | Generalized multipath planning model for ride-sharing systems | |
Chowdhury et al. | Mobile Crowd‐Sensing for Smart Cities | |
Chen et al. | Smart parking by mobile crowdsensing | |
CN107609672B (zh) | 一种支持虚拟车群体智能计算的车联网服务支撑环境 | |
Zhang et al. | CGAIL: Conditional generative adversarial imitation learning—An application in taxi Drivers’ strategy learning | |
Luo et al. | Dynamic taxi service planning by minimizing cruising distance without passengers | |
Lai et al. | Optimized large-scale road sensing through crowdsourced vehicles | |
KR101256652B1 (ko) | 관광객의 관광행동패턴 예측시스템 및 그 예측방법 | |
Jelokhani-Niaraki et al. | A hybrid ridesharing algorithm based on GIS and ant colony optimization through geosocial networks | |
Petkovics et al. | Crowdsensing solutions in smart cities towards a networked society | |
Jiang et al. | Zone-based federated learning for mobile sensing data | |
CN107612967B (zh) | 一种基于群体智能的车联网服务对象发现方法 | |
Castagna et al. | Demand-responsive rebalancing zone generation for reinforcement learning-based on-demand mobility | |
Bozdog et al. | RideMatcher: peer-to-peer matching of passengers for efficient ridesharing | |
Postorino et al. | A Preliminary Study for an Agent Blockchain-Based Framework Supporting Dynamic Car-Pooling. |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |