CN109284855A - 基于城市场景中车联网时空数据分析的车辆节点之间连通强度的预测度量模型 - Google Patents
基于城市场景中车联网时空数据分析的车辆节点之间连通强度的预测度量模型 Download PDFInfo
- Publication number
- CN109284855A CN109284855A CN201810824233.1A CN201810824233A CN109284855A CN 109284855 A CN109284855 A CN 109284855A CN 201810824233 A CN201810824233 A CN 201810824233A CN 109284855 A CN109284855 A CN 109284855A
- Authority
- CN
- China
- Prior art keywords
- model
- node
- vehicle
- intensity
- connection
- 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.)
- Granted
Links
- 230000006855 networking Effects 0.000 title claims abstract description 43
- 238000003062 neural network model Methods 0.000 claims abstract description 10
- 239000013598 vector Substances 0.000 claims description 29
- 238000000034 method Methods 0.000 claims description 21
- 238000012549 training Methods 0.000 claims description 20
- 238000004891 communication Methods 0.000 claims description 19
- 230000008569 process Effects 0.000 claims description 13
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 238000006116 polymerization reaction Methods 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 241000208340 Araliaceae Species 0.000 claims description 4
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims description 4
- 235000003140 Panax quinquefolius Nutrition 0.000 claims description 4
- 238000007405 data analysis Methods 0.000 claims description 4
- 235000008434 ginseng Nutrition 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 3
- 239000000654 additive Substances 0.000 claims description 2
- 230000000996 additive effect Effects 0.000 claims description 2
- 230000001537 neural effect Effects 0.000 claims description 2
- 230000009466 transformation Effects 0.000 claims description 2
- 238000011160 research Methods 0.000 abstract description 18
- 238000010586 diagram Methods 0.000 description 8
- 238000005259 measurement Methods 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 5
- 230000006399 behavior Effects 0.000 description 4
- 238000013075 data extraction Methods 0.000 description 4
- 229920000642 polymer Polymers 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 3
- 238000003672 processing method Methods 0.000 description 3
- 238000001276 Kolmogorov–Smirnov test Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 239000000523 sample Substances 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 210000004709 eyebrow Anatomy 0.000 description 1
- 210000000720 eyelash Anatomy 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- Biophysics (AREA)
- General Business, Economics & Management (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Primary Health Care (AREA)
- Traffic Control Systems (AREA)
Abstract
基于城市场景中车联网时空数据分析的车辆节点之间连通强度的预测度量模型：针对车联网时空数据异构以及拓扑频繁变化导致的连通性问题，构建基于张量因子聚合的神经网络模型，用来预测车辆节点之间的连通强度，从而为无基础设施和有基础设施的车联网网络连通性研究提供模型支撑。
Description
技术领域
本发明涉及车联网领域，具体涉及城市场景中车联网时空数据分析的车辆节点之间连通强度的预测模型。
背景技术
城市场景中，车辆本身具有移动速度快、自由度高的特性，导致整个网络的拓扑结构变化频率高，带来网络连接不稳定问题，而且受道路情况和城市规划所影响，车辆的分布情况也非常复杂，给网络连通性带来了巨大的挑战，因此分析和解决城市道路场景中车联网的连通性是目前车联网研究中一个急需解决的问题。
车联网的连通性问题主要是由节点的高速移动带来的拓扑结构变化频繁以及连通易变引起的，要解决这一问题主要有两个挑战：(1)构建可以从宏观和微观方面准确描述车辆实时运动的模型；(2)通过合适的通信协议来适应该运动模型。按照对研究对象描述程度来划分，车联网模型的构建可以分为宏观和微观两种。
宏观角度主要基于数学的综合模型，对细节描述较少，往往通过流量、密度、集聚性等宏观参数来进行描述，一些细节行为像车道变换等不予考虑，如利用快照的方法研究每个时间点上车联网的连通情况，通过一些统计学特征对整个网络的拓扑特征进行研究。其中对于车辆可以通信的定义是当前快照中车辆距离小于最大通信范围，将整个车联网抽象为图，用节点表示车辆，边表示节点之间可以相互通信，从而对每个时间点快照中网络的各种中心性进行计算和分析。中心性包括临近中心性、介数中心性]和桥接中心性，分别用来衡量网络中某车辆向其他车辆通信所需时间消耗，车辆在当前网络中的重要性或影响力，以及是否处于车联网中心同时连接边数要比跟它邻居节点少得多，从而可以据此找到网络桥接点。通过实验发现，中心性度量并不会受通信范围的影响；相比于节点的度，介数中心性这一性质更能衡量节点的质量，即节点介数中心性越大，在网络中的角色也越重要；单独的道路网络不是足以识别VANET中可能的重要节点的位置的信息。有研究成果是在高速公路情况下，车辆数目并不是服从指数分布，而是广义极值分布(Generalized ExtremeValue,GEV)，并用Kolmogorov-Smirnov test(K-S test)的方法进行了验证，发现GEV分布要比传统的指数分布更符合实际情况。而且在GEV分布的基础之上对车辆间连通性进行了评价，实验假设是车辆分布相互独立，评价函数是各个路段的车辆密度，得出了GEV分布下相对指数分布联通概率更低得结论。有研究成果通过对VANET里的节点的特征进行分析得出整个无基础设施网络不连通的结论，而且发现在车联网中存在内部联系紧密的车团，其中最大的车团占比非常大。
微观角度则是对交通系统中的任何细节都会加以考虑并进行描述，它以车辆为基本单元进行，车辆在道路中的超车、跟车、车道变换等微观细节行为都会在模型中得到反映，描述同样规模的网络所需要的数据量也是宏观的指数倍，如图1是车辆移动模型建立过程中需要考虑的多方位因素。有研究者研究了移动自组织网络中临界情况下的连通现象，实验通过在网络层中利用泛洪广播机制对节点形成泊松分布的区域进行分析，分别讨论了节点通信距离和分布密度对网络连通性之间的影响和关系。有研究者通过仿真实验来分析了无线自组织网络中的阈值效应，得到了当节点通信距离r超过临界阈值时会出现类似电路中相位跃阶现象的结论，即全网的连通性将会随着通信距离r的增加发生由0到1的突变，从不连通状态转化为连通。有研究者借助了FARSI驾驶员行为模型来仿真车辆运动场景，从微观角度进行分析，最后实验得到的结论是即使在车辆的密度较高的情况下，依然无法避免网络分裂的现象，并不能保证网络整体连通，要达到减少网络分裂的目的，可以借助反向运动车辆实现信息转发和增加节点通信距离。
综上所述，在对车联网连通性研究方面更多集中在网络整体连通性的研究上，最后的结论则是总结各个参数对连通性的影响，并没有考虑在网络参数如通信距离确定情况下车联网内部节点间连通性的变化。在分析角度上，即使是微观角度，对车辆的特征选取也非常片面，因为城市实际交通中路网情况和结构都非常复杂。因此，探究着眼于对车联网大数据研究通用的数据处理方法来对数据进行清洗，建立车辆节点之间连通强度的预测迫在眉睫，而不是以个案分析的低效率模式进行。
发明内容
发明目的：本发明研究方法是针对车联网时空数据异构以及拓扑频繁变化导致的连通性问题，构建基于张量因子聚合的神经网络模型，用来预测车辆节点之间的连通强度，从而为无基础设施和有基础设施的车联网网络连通性研究提供模型支撑。
现有关于车联网连通性的研究更多集中在网络整体连通性的研究上，最后的结论则是总结各个参数对连通性的影响，并没有考虑在网络参数如通信距离确定情况下车联网内部节点间连通性的变化。在分析角度上，即使是微观角度，对车辆的特征选取也非常片面，并没有考虑城市实际交通中路网情况和结构非常复杂性。
为此，本发明具体给出以下技术方案实现：
基于城市场景中车联网时空数据分析的车辆节点之间连通强度的预测度量模型，其特征在于，具体方法包括如下步骤：
步骤1.相关性质定义
步骤2.连通强度度量
步骤3.张量因子聚合的神经网络模型构建
步骤4.目标调参函数选取
步骤5.车辆节点之间连通强度预测模型建立
所述步骤1中相关性质定义，包括步骤：
(1)在t时刻，车辆节点vp与vq的直接连通状态称之为连通系数ConnexFactor(vp，vq，t)，数学表达式为(1)：
ConnexFactor(vp，vq，t)＝[Distance(vp，vq)≤Range] (1)
Distance表示节点之间的距离，Range表示节点间最小通信距离。[]为符号函数，表达式连通系数ConnexFactor(vp，vq，t)在vp，vq满足可通信条件时取1，否则为0。
(2)车辆节点vp与vq之间连通系数变化的时刻集合称之为连通跃阶集ConnexStep(vp，vq)，数学表达式为(2)：
(3)时间t与车辆节点vp与vq的连通跃阶集中最近成员的向量，即为vp与vq在t的连通保持矢量ConnexHold(vp，vq，t)，数学表达式为(3)：
在数据分析过程中，因为车辆状态变化快，沿时间轴正方向的连通情况对我们的预测会更有帮助，所以连通保持矢量更多取表达式(4)形式。
由于在MongoDB中，数据支持位置索引，所以在数据处理过程中就可以对节点的连通跃阶集进行存储和查询，相对于按照递归函数来逐次相加，与连通跃阶集中成员的直接运算更为直接，效率也会更高。
有益效果
在先，程久军等发明人曾于2018年7月9日申请了《基于城市场景中车联网时空数据的分析处理方法》，申请人：同济大学，专利申请号201810746981.2，以此为研究基础，本发明目的在于进一步公开一种考虑城市实际交通中路网情况和结构都非常复杂的情况下，提供一种为无基础设施和有基础设施车联网的连通性进行有效预测度量的车辆节点之间的连通强度预测度量模型。通过对采集的原始时空数据的噪声去除、数据填充和特征降维处理后，整合成存储在MongoDB里的训练数据集，通过训练数据抽取过程，如图2(1)所示，按照公式(5)中连接强度的定义，节点间的连通强度是对其在未来一段时间内连通可能性及持续时间的度量，表达的是两个节点之间的关系，因此对网络的训练需要的输入数据包括两个节点，首先要从节点维度对数据进行抽取，此过程对应图2(2)，对于节点间的连通关系，由于连通的时效性，需要时间节点一致，因此从时间维度上对数据进行进一步选择，此过程对应图2(3)，至此得到了下一步网络训练中所需要的输入数据，对应图2(4)。然后构建张量神经网络结构，通过选取目标调参函数，建立车辆节点之间连通强度预测模型，从而从根本上可以有助于无基础设施和有基础设施的车联网网络连通性研究提供模型支撑，对构建车联网数据转发路由策略和通达性方案具有重要意义。
附图说明
图1移动模型
图2训练数据抽取过程
图3连通强度度量流程图
图4张量因子聚合层
图5张量因子聚合的神经网络结构
图6节点相似性示意图
图7网络参数训练
图8节点之间连通强度预测度量模型
图9为本发明方法流程图
具体实施方式
本发明的具体实施过程如图7所示，包括如下2个方面：
①相关性质定义
②连通强度度量
③张量因子聚合的神经网络模型构建
④目标调参函数选取
⑤车辆节点之间连通强度预测模型建立
①
相关性质定义
车联网中的节点是不同的车辆，而车辆之间的连通情况决定节点之间是否存在边，节点和边构成了整个车联网。对车辆网的通达性研究必不可少的是要研究车辆间的连通，如果用类似于知识库中的三元组来表示可以记作(车辆1，车辆2，连通强度)。在许多网络模型中，如人际关系网络，会通过计算节点之间的相似度来对两者之间是否会存在边进行预测，或者对边的稳定性进行度量。但在车联网中车辆之间的连通强度无法直接通过计算车辆节点特征向量的距离来直接度量，如车辆目的地相差很大，不过未来一段时间内的路径规划一致，表现为虽然节点特征向量距离很大但连通却很稳定，而如果两辆车相向而行，即使其它特征都很相似但由于速度方向相反，此时虽然特征向量距离很小，连接依然会在很短时间内断开。所以，我们需要研究连通强度度量来描述车辆之间存在的潜在连通可能性。在此之前我们需要对一些性质进行定义。
定义1在t时刻，车辆节点vp与vq的直接连通状态称之为连通系数ConnexFactor(vp，vq，t)，数学表达式为(1)：
ConnexFactor(vp，vq，t)＝[Distance(vp，vq)≤Range] (1)
Distance表示节点之间的距离，Range表示节点间最小通信距离。[]为符号函数，表达式连通系数ConnexFactor(vp，vq，t)在vp，vq满足可通信条件时取1，否则为0。
定义2车辆节点vp与vq之间连通系数变化的时刻集合称之为连通跃阶集ConnexStep(vp，vq)，数学表达式为(2)：
定义3时间t与车辆节点vp与vq的连通跃阶集中最近成员的向量，即为vp与vq在t的连通保持矢量ConnexHold(vp，vq，t)，数学表达式为(3)：
在数据分析过程中，因为车辆状态变化快，沿时间轴正方向的连通情况对我们的预测会更有帮助，所以连通保持矢量更多取表达式(4)形式。
由于在MongoDB中，数据支持位置索引，所以在数据处理过程中就可以对节点的连通跃阶集进行存储和查询，相对于按照递归函数来逐次相加，与连通跃阶集中成员的直接运算更为直接，效率也会更高。
②
连通强度度量
车联网中因为车辆状态变化快，车辆之间连通系数变化频繁，而由于连通断开引起路由重新选取导致的性能消耗是我们需要解决的问题。通过连通保持矢量的意义我们可以对车辆间的连通强度进行定义。
车辆节点vp与vq在时间t之后未来一段时间内持续连通的可能性定义为车辆间的连通强度ConnexIntension(vp，vq，t)，数学表达式为(5)：
其中，Max{ConnexHold}表示车联网中任意节点间连通保持矢量的最大值，也可用常数τ来表示，按上述公式进行计算可以排除时间间隔Δt带来的影响，并且连通强度作为一个训练模型的输出结果，需要进行归一化映射，从而优化后续模型的训练和判断。具体的连通强度度量如算法1所示，具体的流程图如图3所示。
③
张量因子聚合的神经网络模型构建
之前的分析阐明车联网中车辆间的关系可以通过三元组(车辆1，车辆2，连通强度)来表示，而且对连通强度(ConnexIntension)进行了定义，从连通强度的定义我们可以看出它的计算需要未来一段时间内车辆间的连通保持矢量来计算，在实际车辆运行过程中，我们不能得知未来一段车辆的行为轨迹，所以需要利用已有的车辆历史行为选取合适的模型进行训练，从而得到可以对车辆连通强度进行预测的模型，达到我们的指导车辆路由网络连通的目的。
通过对采集的原始时空数据的噪声去除、数据填充和特征降维处理后，整合成存储在MongoDB里的训练数据集，如训练数据抽取过程如图2(1)所示。按照公式(5)中连接强度的定义，节点间的连通强度是对其在未来一段时间内连通可能性及持续时间的度量，表达的是两个节点之间的关系，因此对网络的训练需要的输入数据包括两个节点，首先要从节点维度对数据进行抽取，此过程对应图2(2)。对于节点间的连通关系，由于连通的时效性，需要时间节点一致，因此从时间维度上对数据进行进一步选择，此过程对应图2(3)。至此得到了下一步网络训练中所需要的输入数据，对应图2(4)。
接下来是训练网络模型的构建。通过对知识库中实体关系的训练模型对比得知张量神经网络结构对实体间的关系分析最为全面，表达能力最强。但与之不同的是，知识库中的实体关系问题是一种分类问题，其最终结果的输出为向量形式，如输出结果为[0，1，0，...，0]T，那么两个实体间的关系为第2类(从1开始)，如果向量中有多个1，那么实体间的关系可能有好几种。在车联网情况中，我们的目标是得到车辆间的连通强度从而指导网络的连通，所以模型的输出应该是具体的连通强度值，张量神经网络模型需要随之改进：
(1)张量项具体切片数目由关系数目k变为固定常数c；
(2)在张量神经网络层后加入若干隐藏层及全连接输出层，输出结果为的具体值形式而非的向量形式；
(3)重新定义目标函数。
改进后的张量因子聚合层结构如图4所示，对应的函数公式为表达式(6)：
结合张量因子聚合层，加上若干隐藏层，就形成了最终的神经网络结构模型，具体的基于张量因子聚合的神经网络结构如图5所示。
④
目标调参函数选取
在知识库中，分类目标函数形式通常为ω*：
其中ω表示所有需要调整的参数集，γ根据语义关系的表达形式有映射向量和映射矩阵两种，x′1，x′2表示随机产生的三元组向量，这种随机三元组是错误的或不存在的，所以目标函数的思想是使不存在关系γ的三元组与存在的三元组之间距离尽可能的远。
在车辆间连通强度预测模型中，因为连通强度是以数值形式输出而非向量，在训练过程中我们即要以减少预测值与观测值之间的差异作为目标，因此目标函数需要进行调整，为表达式(8)，通过目标函数训练好的网络参数与网络结构最终构成了基于张量因子聚合的神经网络模型。
VecDis(vp，vq)代表两个向量与连通参数矩阵之间的关系，表达式为(9)，λ||ω||2为防止过拟合而添加的正则化项：
Wr1、Wr2表示将vp、vq映射到超平面的线性变换矩阵，Wr表示超平面上的潜在加性关系，三者都是在网络模型中作为参数进行训练。
添加VecDis(vp，vq)项是因为在连通强度的预测模型中结果为1×1数值形式，即使样本数据做了归一化处理，在实际训练过程中依然会因为输出差异化不够导致输出值较小情况时训练强度不够，输出值较大时精度不高，虽然神经网络中的激活函数可以一定程度上弥补这个问题，但对车辆节点的特征数据分析时发现高连通强度的节点必然在若干个特征维度有相似性。如果单纯采用的距离方式直接度量其相似性则会导致潜在关系遗失以及相似程度表达不准确的问题，用Wr1vp的方式是先将两个节点特征向量映射到超平面上，然后再对其关系进行分析，Wr即是对潜在关系的表示，向量在映射到超平面后，一些维度的数据可以直接通过距离判断其相似性，而另一部分则以Wr形式来表达其中的加性关系。
节点相似性示意图如图6所示，原始的节点特征向量有vp1，vp2，vp3和vq，我们需要对vpi三个向量和vq的相似性来判断哪对节点的连通性更强，如果直接按照方式来判断两者相似度，可以看到最小，但经过映射到ypi＝Wr1vpi后，在函数中反而yp3距离最远。这种现象里可以理解为vp3和vq向量在大部分维度比较相似但涉及连通强度的部分特征维度相差比较大。所以VecDis(vp,vq)项的引入可以从连通相似性度量方面保证得到结果的正确性。
结合之前提出的神经网络结构，其中包含了张量因子聚合层和若干全连接隐藏层，用梯度下降的方法来优化目标函数ω*，从而达到调参的目的，网络参数的具体训练过程见算法2。具体的流程图如图7所示。
⑤
车辆节点之间连通强度预测模型建立
通过完成训练得到连通强度计算模型，如图8所示。该模型的输入为需要计算连通强度的一对节点状态数据，如(vi,t)和(vj,t)，通过网络结构层的计算，以及目标函数ω*对参数进行不断优化，最终模型的输出结果为连通强度的预测度量值，即y＝ConnexIntension(vi,vj,t)。
创新点
创新点：基于在先申请的城市场景中车联网时空数据处理方法(程久军等发明人于2018年7月9日申请的《基于城市场景中车联网时空数据的分析处理方法》(申请人：同济大学，专利申请号201810746981.2)，以此为研究成果，本发明进一步研究提出了一种车辆节点之间连通强度预测模型，从而从根本上可以有助于无基础设施和有基础设施的车联网网络连通性研究提供模型支撑，对构建车联网数据转发路由策略和通达性方案具有重要意义。
通过训练数据抽取过程，得到下一步网络训练中所需要的输入数据，然后构建张量神经网络结构，通过选取目标调参函数，建立车辆节点之间连通强度预测度量模型。
Claims (6)
1.基于城市场景中车联网时空数据分析的车辆节点之间连通强度的预测度量模型，具体模型包括如下步骤：
步骤1.相关性质定义；
步骤2.连通强度度量；
步骤3.基于张量因子聚合的神经网络模型构建；
步骤4.张量因子聚合的神经网络的目标调参函数选取；
步骤5.车辆节点之间连通强度预测模型建立。
2.如权利要求1所述的基于城市场景中车联网时空数据分析的车辆节点之间连通强度的预测度量模型，其特征在于，所述步骤1中相关性质定义，包括步骤：
(1)在t时刻，车辆节点vp与vq的直接连通状态称之为连通系数ConnexFactor(vp，vq，t)，数学表达式为(1)：
ConnexFactor(vp，vq，t)＝[Distance(vp，vq)≤Range] (1)
Distance表示节点之间的距离，Range表示节点间最小通信距离；[]为符号函数，表达式连通系数ConnexFactor(vp，vq，t)在vp，vq满足可通信条件时取1，否则为0；
(2)车辆节点vp与vq之间连通系数变化的时刻集合称之为连通跃阶集ConnexStep(vp，vq)，数学表达式为(2)：
(3)时间t与车辆节点vp与vq的连通跃阶集中最近成员的向量，即为vp与vq在t的连通保持矢量ConnexHold(vp，vq，t)，数学表达式为(3)：
在数据分析过程中，因为车辆状态变化快，沿时间轴正方向的连通情况对我们的预测会更有帮助，所以连通保持矢量更多取表达式(4)形式：
在MongoDB中，数据支持位置索引，在数据处理过程中对节点的连通跃阶集进行存储和查询。
3.如权利要求1所述的基于城市场景中车联网时空数据分析的车辆节点之间连通强度的预测度量模型，其特征在于，步骤2中连通强度度量，包括步骤：
车辆节点vp与vq在时间t之后未来一段时间内持续连通的可能性定义为车辆间的连通强度ConnexIntension(vp，vq，t)，数学表达式为(5)：
其中，Max{ConnexHold}表示车联网中任意节点间连通保持矢量的最大值。
4.如权利要求1所述的基于城市场景中车联网时空数据分析的车辆节点之间连通强度的预测度量模型，其特征在于，步骤3中基于张量因子聚合的神经网络模型构建，包括步骤：
(1)张量项具体切片数目由关系数目k变为固定常数c；
(2)在张量神经网络层后加入若干隐藏层及全连接输出层，输出结果为的具体值形式而非的向量形式；
(3)重新定义目标函数；
函数公式为表达式(6)：
。
5.如权利要求1所述的基于城市场景中车联网时空数据分析的车辆节点之间连通强度的预测度量模型，其特征在于，步骤4中张量因子聚合的神经网络的目标调参函数选取，包 括步骤：
在车辆间连通强度预测模型中，因为连通强度是以数值形式输出而非向量，在训练过程中我们即要以减少预测值与观测值之间的差异作为目标，因此目标函数需要进行调整，为表达式(6)，通过目标函数训练好的网络参数与网络结构最终构成了基于张量因子聚合的神经网络模型；
其中，VecDis(vp，vq)代表两个向量与连通参数矩阵之间的关系，表达式为(7)，λ||ω||2为防止过拟合而添加的正则化项：
Wr1、Wr2表示将vp、vq映射到超平面的线性变换矩阵，Wr
表示超平面上的潜在加性关系，三者都是在网络模型中作为参
数进行训练。
6.如权利要求1所述的基于城市场景中车联网时空数据分析的车辆节点之间连通强度的预测度量模型，其特征在于，步骤5中车辆节点之间连通强度预测模型建立，包括步骤：
通过完成训练得到连通强度计算模型，该模型的输入为需要计算连通强度的一对节点状态数据，如(vi，t)和(vj，t)，通过网络结构层的计算，以及目标函数ω*对参数进行不断优化，最终模型的输出结果，为连通强度的计算值，即y＝ConnexIntension(vi，vj，t)。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810824233.1A CN109284855B (zh) | 2018-07-25 | 2018-07-25 | 基于城市场景中车联网时空数据分析的车辆节点之间连通强度的预测度量模型 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810824233.1A CN109284855B (zh) | 2018-07-25 | 2018-07-25 | 基于城市场景中车联网时空数据分析的车辆节点之间连通强度的预测度量模型 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109284855A true CN109284855A (zh) | 2019-01-29 |
| CN109284855B CN109284855B (zh) | 2021-10-29 |
Family
ID=65183173
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810824233.1A Active CN109284855B (zh) | 2018-07-25 | 2018-07-25 | 基于城市场景中车联网时空数据分析的车辆节点之间连通强度的预测度量模型 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109284855B (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109874121A (zh) * | 2019-02-28 | 2019-06-11 | 同济大学 | 无基础设施车联网连通性研究和判定方法 |
| CN109982291A (zh) * | 2019-03-01 | 2019-07-05 | 同济大学 | 城市场景中有基础设施车联网弱连接检测方法 |
| CN110516702A (zh) * | 2019-07-18 | 2019-11-29 | 电子科技大学 | 一种基于流数据的离散路径规划方法 |
| CN110766066A (zh) * | 2019-10-18 | 2020-02-07 | 天津理工大学 | 一种基于fnn的张量异质集成车联网缺失数据估计方法 |
| CN111371609A (zh) * | 2020-02-28 | 2020-07-03 | 同济大学 | 基于深度学习的车联网连通预测方法 |
| CN113537602A (zh) * | 2021-07-20 | 2021-10-22 | 中国第一汽车股份有限公司 | 车辆行为预测方法、装置、设备及介质 |
| CN113742909A (zh) * | 2021-08-24 | 2021-12-03 | 同济大学 | 封闭场景下无人驾驶车群自协模型构建方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103052093A (zh) * | 2013-01-29 | 2013-04-17 | 武汉大学 | 一种vanet中链路稳定度评估方法 |
| CN104851280A (zh) * | 2014-02-13 | 2015-08-19 | 中国移动通信集团公司 | 一种车辆行驶控制方法、装置、系统及相关设备 |
| CN104867329A (zh) * | 2015-04-23 | 2015-08-26 | 同济大学 | 一种车联网车辆状态预测方法 |
| CN105827688A (zh) * | 2016-01-08 | 2016-08-03 | 同济大学 | 城市场景中车联网大规模异构网络连通性质的研究方法 |
| US20160304957A1 (en) * | 2006-06-15 | 2016-10-20 | Dsm Nutritional Products Ltd. | Treatment and modulation of gene expression and skin aging |
| CN106383037A (zh) * | 2016-08-30 | 2017-02-08 | 孟玲 | 一种基于大数据理念的桥梁结构健康监测系统及其实现方法 |
| CN107231408A (zh) * | 2017-05-03 | 2017-10-03 | 同济大学 | 城市道路中基于车辆状态预测的连通性模型的构造方法 |
| CN107239730A (zh) * | 2017-04-17 | 2017-10-10 | 同济大学 | 智能汽车交通标志识别的四元数深度神经网络模型方法 |
-
2018
- 2018-07-25 CN CN201810824233.1A patent/CN109284855B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160304957A1 (en) * | 2006-06-15 | 2016-10-20 | Dsm Nutritional Products Ltd. | Treatment and modulation of gene expression and skin aging |
| CN103052093A (zh) * | 2013-01-29 | 2013-04-17 | 武汉大学 | 一种vanet中链路稳定度评估方法 |
| CN104851280A (zh) * | 2014-02-13 | 2015-08-19 | 中国移动通信集团公司 | 一种车辆行驶控制方法、装置、系统及相关设备 |
| CN104867329A (zh) * | 2015-04-23 | 2015-08-26 | 同济大学 | 一种车联网车辆状态预测方法 |
| CN105827688A (zh) * | 2016-01-08 | 2016-08-03 | 同济大学 | 城市场景中车联网大规模异构网络连通性质的研究方法 |
| CN106383037A (zh) * | 2016-08-30 | 2017-02-08 | 孟玲 | 一种基于大数据理念的桥梁结构健康监测系统及其实现方法 |
| CN107239730A (zh) * | 2017-04-17 | 2017-10-10 | 同济大学 | 智能汽车交通标志识别的四元数深度神经网络模型方法 |
| CN107231408A (zh) * | 2017-05-03 | 2017-10-03 | 同济大学 | 城市道路中基于车辆状态预测的连通性模型的构造方法 |
Non-Patent Citations (4)
| Title |
|---|
| SHANGCE GAO等: "Incorporation of Solvent Effect into Multi-Objective Evolutionary Algorithm for Improved Protein Structure Prediction", 《IEEE/ACM TRANSACTIONS ON COMPUTATIONAL BIOLOGY AND BIOINFORMATICS》 * |
| SHERIF M. ABUELENIN等: "Empirical Study of Traffic Velocity Distribution and its Effect on VANETs Connectivity", 《2014 INTERNATIONAL CONFERENCE ON CONNECTED VEHICLES AND EXPO (ICCVE)》 * |
| 刘文文: "高速路网拓扑结构分析与实例验证", 《中国优秀硕士学位论文全文数据库 工程科技II辑》 * |
| 张伟: "城市交通流数据优化感知关键技术研究", 《中国博士学位论文全文数据库 工程科技II辑》 * |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109874121A (zh) * | 2019-02-28 | 2019-06-11 | 同济大学 | 无基础设施车联网连通性研究和判定方法 |
| CN109982291A (zh) * | 2019-03-01 | 2019-07-05 | 同济大学 | 城市场景中有基础设施车联网弱连接检测方法 |
| CN109982291B (zh) * | 2019-03-01 | 2020-08-14 | 同济大学 | 城市场景中有基础设施车联网弱连接检测方法 |
| CN110516702A (zh) * | 2019-07-18 | 2019-11-29 | 电子科技大学 | 一种基于流数据的离散路径规划方法 |
| CN110766066A (zh) * | 2019-10-18 | 2020-02-07 | 天津理工大学 | 一种基于fnn的张量异质集成车联网缺失数据估计方法 |
| CN111371609A (zh) * | 2020-02-28 | 2020-07-03 | 同济大学 | 基于深度学习的车联网连通预测方法 |
| CN113537602A (zh) * | 2021-07-20 | 2021-10-22 | 中国第一汽车股份有限公司 | 车辆行为预测方法、装置、设备及介质 |
| CN113742909A (zh) * | 2021-08-24 | 2021-12-03 | 同济大学 | 封闭场景下无人驾驶车群自协模型构建方法 |
| CN113742909B (zh) * | 2021-08-24 | 2023-11-03 | 同济大学 | 封闭场景下无人驾驶车群自协模型构建方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109284855B (zh) | 2021-10-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109284855A (zh) | 基于城市场景中车联网时空数据分析的车辆节点之间连通强度的预测度量模型 | |
| Zhao et al. | A novel generation-adversarial-network-based vehicle trajectory prediction method for intelligent vehicular networks | |
| Choi et al. | TrajGAIL: Generating urban vehicle trajectories using generative adversarial imitation learning | |
| CN112101684B (zh) | 一种插电式混合动力车辆实时能量管理方法和系统 | |
| CN104933862A (zh) | 一种基于浮动车轨迹的城市交通拥堵智能组合预测方法 | |
| Huang et al. | An overview of intelligent wireless communications using deep reinforcement learning | |
| Zhang et al. | A systematic solution of human driving behavior modeling and simulation for automated vehicle studies | |
| Mao et al. | A comparison of deep reinforcement learning models for isolated traffic signal control | |
| Hu et al. | A novel SDN-based application-awareness mechanism by using deep learning | |
| CN115238589A (zh) | 一种基于生成对抗网络的人群移动预测方法 | |
| Liao et al. | A novel link prediction method for opportunistic networks based on random walk and a deep belief network | |
| Cheng et al. | Energy-efficient SDN for Internet of Things in smart city | |
| Huang et al. | Improving traffic signal control operations using proximal policy optimization | |
| Liu et al. | Improved harris combined with clustering algorithm for data traffic classification | |
| Zhang et al. | A spatiotemporal graph wavelet neural network for traffic flow prediction | |
| Lan | Big data network security index correlation measure based on the fusion of modified two order cone programming model | |
| He et al. | A spatial-temporal graph attention network for multi-intersection traffic light control | |
| CN103457800A (zh) | 基于m精英协同进化策略的网络社区检测方法 | |
| CN116596105A (zh) | 一种考虑配电网发展的充电站负荷预测方法 | |
| Wang et al. | Trajectory Distribution Aware Graph Convolutional Network for Trajectory Prediction Considering Spatio-temporal Interactions and Scene Information | |
| Hu et al. | Graph neural network-based clustering enhancement in VANET for cooperative driving | |
| Ma et al. | AGRCNet: communicate by attentional graph relations in multi-agent reinforcement learning for traffic signal control | |
| Yao et al. | UMIM: Utility-Maximization Incentive Mechanism for Mobile Crowd Sensing | |
| Bai | Social public opinion communication and network legal management based on artificial intelligence cognitive wireless network | |
| Qing et al. | The forecast and the optimization control of the complex traffic flow based on the hybrid immune intelligent algorithm |
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 |