CN109982291B - 城市场景中有基础设施车联网弱连接检测方法 - Google Patents

城市场景中有基础设施车联网弱连接检测方法 Download PDF

Info

Publication number
CN109982291B
CN109982291B CN201910155036.XA CN201910155036A CN109982291B CN 109982291 B CN109982291 B CN 109982291B CN 201910155036 A CN201910155036 A CN 201910155036A CN 109982291 B CN109982291 B CN 109982291B
Authority
CN
China
Prior art keywords
rsu
nodes
edge
vehicles
weak 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.)
Active
Application number
CN201910155036.XA
Other languages
English (en)
Other versions
CN109982291A (zh
Inventor
程久军
原桂远
李湘梅
钟计东
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tongji University
Original Assignee
Tongji University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tongji University filed Critical Tongji University
Priority to CN201910155036.XA priority Critical patent/CN109982291B/zh
Publication of CN109982291A publication Critical patent/CN109982291A/zh
Application granted granted Critical
Publication of CN109982291B publication Critical patent/CN109982291B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/12—Discovery or management of network topologies
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/147—Network analysis or design for predicting network behaviour
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L43/00—Arrangements for monitoring or testing data switching networks
    • H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
    • H04L43/0805—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters by checking availability
    • H04L43/0811—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters by checking availability by checking connectivity
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W28/00—Network traffic management; Network resource management
    • H04W28/02—Traffic management, e.g. flow control or congestion control
    • H04W28/08—Load balancing or load distribution
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Environmental & Geological Engineering (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

在有基础设施的车联网中，RSU节点在对所在区域进行管理控制时不仅需要实时更新，还需要在拓扑结构发生变化时及时指导区域内的车辆节点进行连通，从而会导致RSU通信拥塞和数据丢失问题，本发明针对以上问题给出城市场景中有基础设施车联网网络弱连接检测方法：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，以连通强度作为边的权值，借助Laplace矩阵性质，检测网络中容易断开的边以及容易造成整体网络不连通的情况，从而为有效选择新的桥接节点，减轻RSU的负载均衡以及有基础设施车联网通达性提供技术支撑。

Description

城市场景中有基础设施车联网弱连接检测方法
技术领域
本发明涉及车联网领域，具体涉及城市场景中有基础设施车联网弱连接检测方法。
背景技术
在有基础设施的车联网中，因为有基础设施RSU的辅助，整个网络可以处于连通状态，即RSU范围内车辆可通过车车通信或RSU节点转发实现连通，跨RSU车辆可以通过RSU作为路由网关进行连通，因为RSU位置固定所以跨RSU车辆间通信可按照传统的路由方式进行。而由于车辆在行驶过程中可能有加减速、转弯、骤停、驶离路网等各种行为，即自由度很高，导致RSU节点在对所在区域进行管理控制时不仅要实时更新，还需要在拓扑结构发生变化时及时指导区域内的车辆节点进行连通，从而保证连通的实时性及稳定性，即通达性，而且负载均衡可以避免通信拥塞和数据丢失。
综上所述，目前还没有对有基础设施的车联网弱连接检测进行研究。因此，探究城市场景中有基础设施的车联网网络的整体连接性，减轻RSU的负载均衡，从而有效保证车联网数据的有效传输。
发明内容
发明目的：
本发明研究方法是针对城市场景中有基础设施的车联网网络整体连通性，减轻RSU的负载均衡问题，借助Laplace矩阵性质，检测网络中容易断开的边以及容易造成整体网络不连通的情况。
目前没有对此问题进行相关研究。
为此，本发明具体给出以下技术方案实现：
城市场景中有基础设施车联网弱连接检测方法，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.基于拉普拉斯(Laplace)矩阵的弱连接检测
有益效果
本发明目的在于公开一种考虑城市场景实际交通中路网情况和结构都非常复杂的情况下，提供一种为城市场景中有基础设施车联网找出连接薄弱的节点及边的方法。
城市场景中车辆在行驶过程中可能有加减速、转弯、骤停、驶离路网等自由度很高的各种行为，导致整体网络的连通能力以及RSU节点通信拥塞和数据丢失的情况下，提供一种为有基础设施车联网的连通性进行有效检测的方法。
附表说明
表1实验参数说明
附图说明
图1子网间通信示意图
图2弱连接检测算法流程图
图3Lankershim Boulevard路段
图4路网中车辆数目变化
图5不同路段车辆数目变化
图6不同路段车辆密度变化
图7直接连接所占比重图
图8弱连接监测准确率
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9所示，包括如下3个方面：
①相关性质定义
②基于拉普拉斯(Laplace)矩阵的弱连接检测
③仿真实验与结果分析
①
相关性质定义
(1)定义1图G＝(V，E)是一个无向图，顶点集V(G)＝{v1，...，vn}，边集E(G)＝{e1，...，em}，wij表示顶点vi，vj之间边的权值，di为顶点vi(i＝1，...，n)的度。
(2)定义2若
Figure GDA0002441383540000031
G[V(G)-V′]不连通，而G是连通的，那么V′称为G的顶部分集。图G的最小顶部分集中顶点个数称为G的连通度，记作kv(G)。其中G在不连通或者为平凡图时kv(G)取0。所述平凡图(Trivial graph)指仅有一个结点的图，是离散数学与图论的范畴。
(3)定义3若
Figure GDA0002441383540000032
G是连通图，而G-E′不连通(把E′中的边从G中删掉)，那么E′称为G的边部分集，如果G中不存在满足|E″|＜|E′|的边部分集E″，则|E′|定义为G的边连通度，记作ke(G)。特别的，当ke(G)＝1时，E′中的边称为G的桥，G不连通时，ke(G)＝0。
(4)定义4设D(G)＝diag(d1，...，dn)，为度矩阵，A(G)为G邻接矩阵。那么G的Laplace矩阵定义为L(G)＝D(G)-A(G)。其中L(G)可以简记为L。
(5)定义5图G的Laplace矩阵L(G)的特征值为λ1≥λ2≥…≥λn＝0，那么λn-1称为G的代数连通度，记作α(G)。
定理1对于任意向量
Figure GDA0002441383540000033
都满足
Figure GDA0002441383540000034
证明：
Figure GDA0002441383540000041
证毕。
上述T表示转置符号。
在本发明中，我们将图G作为一个RSU节点覆盖范围内网络拓扑结构的抽象，根据两两节点间连通强度得到加权网络，权值wij即为连通强度，据此可以判定相应RSU覆盖网络的连通稳定性。在谱聚类中代数连通度可以用于寻找最优划分，使得不同分类之间距离尽可能大，而类内距离相近。在车联网中，该性质可以用于区分网络内部是否具有桥接，如果有桥接那么位于桥两端的节点便是桥接结点，这样不仅会带来负载不均衡的问题，而且如果桥接结点消失则会造成该RSU辐射范围内整个网络的不连通，所以代数连通度越高说明越稳定。
②
基于拉普拉斯(Laplace)矩阵的弱连接检测
车联网中由于车辆节点行为的自由度高，网络连通情况变化快，所以RSU节点需要对辐射区域内的节点的数据进行收集和同步，保证网络整体实时连通。(程久军等发明人于2018年7月25日申请的《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》(申请人：同济大学，专利申请号：201810824233.1)中定义的连通强度物理意义是目前连通的一对节点在未来一段时间内持续连通的可能性及稳定性，故在t时刻，以车辆节点为顶点，连通即存在边，连通强度为边的权值可以构成连通强度网络图Gt。其中Gt不仅可以描述t时刻的节点间连通情况，以连通强度作为边的权值可以对未来一段时间内的网络连通情况进行预测，进而检测出容易造成整体网络不连通的情况来提前做好准备，我们可以借助Laplace矩阵性质来进行预测。
根据连通强度的定义，连通强度低即在网络拓扑图中权值小的边易断开，但并不是所有的边断开都会破坏整个网络的连通性。子网间通信示意图如图1所示，在RSU节点辐射范围内，权值较小的边a，b，c任何一条单独断开都不会影响左右两个子网络图Gi与Gj间的通信，但如果同时断开，则会导致两个子网的分离。
设Sub(G)＝{Sub1(G)，...，Subm(G)}为图G在t时刻的m个子集集合，其中任意i，j∈Sub(G)存在
Figure GDA0002441383540000051
成立，G1，...Gk为Sub(G)的k种子集元素组合，
Figure GDA0002441383540000052
表示Gi之于G的补集，
Figure GDA0002441383540000053
则表示Gi，
Figure GDA0002441383540000054
之间所有边的权重之和。我们的目标是要找出网络中的脆弱连接，所以可以转化为G1，...Gk的划分的代价函数问题。
Figure GDA0002441383540000055
Divide(G1，...Gk)函数表示为将图划分为k种子集元素组之后组与组之间所有边的权重之和，而权重越小意味着连接越脆弱，故弱连接的检测问题可以转为最小化函数Divide。为了避免出现单点划分，我们需要让每组中元素都足够多，因此函数Divide改进为RatioDivide，数学表达式为(3)：
Figure GDA0002441383540000056
其中|Gi|表示Gi中顶点个数，前面的1/2系数用于方便后续计算和证明，对我们的目标函数求解最小值没有影响。我们首先考虑其中一项即
Figure GDA0002441383540000057
的计算问题，同时也等价于二分类。
根据定理1我们得到
Figure GDA0002441383540000058
因为
Figure GDA0002441383540000059
为任意向量。所以我们定义f＝(f1，...，fn)T，其中fi表达式为(4)：
Figure GDA00024413835400000510
fTLf变换过程为(5)：
Figure GDA0002441383540000061
β为常数系数，所以求解最小
Figure GDA0002441383540000062
再一次的转化成了最小化fTLf。假定Lf＝λf，此时λ为f对应的特征值，那么两边同乘以fT变为数学表达式(6)：
fTLf＝λfTf (6)
其中的fTf等价于(7)：
Figure GDA0002441383540000063
而|V(G)|表示图中所有节点数目为常数，所以只需要最小化特征值λ并找到其对应的特征向量即可。根据之前提到的性质，L的最小特征值λ，对应特征向量为
Figure GDA0002441383540000064
根据Rayleign-Ritz理论，不符合
Figure GDA0002441383540000065
条件，故取第二小特征值，即代数连通度及其对应特征向量
Figure GDA0002441383540000066
特别的，因为我们之前考虑的是
Figure GDA0002441383540000067
一项即二分问题，扩展划分为k组即变成取前k个特征值及其特征向量。至此弱连接监测问题也就转化为了求解对应Laplace矩阵特征值和代数连通度的问题。具体的弱连接检测算法如算法1所示，具体流程图如图2所示。
Figure GDA0002441383540000071
③
仿真实验与结果分析
本发明采用的数据集为NGSIM项目采集的Lankershim Data集，此数据集中主要划分为5个路段(section 1-5)，如图3Lankershim Boulevard路段所示。LankershimBoulevard道路全长约487米，选取了2005年6月16日8:28am至8:45am内车辆数据进行分析，具体参数见表1。其中车辆与RSU间通信延迟更高是考虑到在RSU辐射范围内由于车辆位置分布不均，而且RSU需要用于跨路段通信所以负载更高而选取的平均延迟。
图4路网中车辆数据变化随时间的变化关系，x轴为时间，单位为秒，表示从原点8:28am经过的时间，如坐标点(120,65)表示8:30am时刻总共有65辆车在LankershimBoulevard道路中行驶，可以看出车辆数目在30-100之间波动。
图5不同路段车辆数目变化，可以看出不同路段之间车辆分布并不均匀，而且同一路段在不同时刻的车辆数目变化也非常大。
考虑到道路长度和车道数目不同，对于车辆的承载能力也不一样，因此加入路段容量变量，对路段中车辆密度变化进行刻画，如图6图同路段车辆密度变化所示。可以看出车辆分布仍然是不均匀的，受路段和时刻限制明显。而受车辆密度影响最大的即是车辆间直接连通的数目，理论情况中如果密度够大，同一个RSU范围内车辆两两可以直接互连，那么直接连通数目为|v|*(|v|-1)/2，以section 3，GlobalTime 1118935785200为例，如图7直接连接所占比重所示，由于密度够大，所以50％左右的连通问题都可以是邻居节点互连方式来解决，不必通过RSU调度进行，因此我们的分析要结合RSU范围内节点数量进行分析。弱连接检测的准确率如图8所示。
创新点：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(程久军等发明人于2018年7月25日申请的《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》(申请人：同济大学，专利申请号:201810824233.1)，本发明提出了一种有基础设施的车联网弱连接检测方法，从而有效减轻RSU的负载均衡，从根本上有助于城市场景中有基础设施的车联网的数据有效传输。
以连通强度作为边的权值，借助Laplace矩阵性质，检测网络中容易断开的边以及容易造成整体网络不连通的情况，有效选择新的桥接节点，减轻RSU的负载均衡。
说明书附表
Figure GDA0002441383540000081
Figure GDA0002441383540000091

Claims (1)

1.一种城市场景中有基础设施车联网弱连接检测方法，具体方法包括如下步骤：
步骤1.相关性质定义
步骤2.基于拉普拉斯(Laplace)矩阵的弱连接检测
所述相关性质定义，包括步骤：
(1)定义1图G＝(V，E)是一个无向图，顶点集V(G)＝{v1，...，vn}，边集E(G)＝{e1，...，em}，wij表示顶点vi，vj之间边的权值，di为顶点vi(i＝1，...，n)的度；
(2)定义2若
Figure FDA0002441383530000011
G[V(G)-V′]不连通，而G是连通的，那么V′称为G的顶部分集，图G的最小项部分集中顶点个数称为G的连通度，记作kv(G)，其中G在不连通或者为平凡图时kv(G)取0；
(3)定义3若
Figure FDA0002441383530000012
G是连通图，而G-E′不连通，那么E′称为G的边部分集，如果G中不存在满足|E″|＜|E′|的边部分集E″，则|E′|定义为G的边连通度，记作ke(G)；当ke(G)＝1时，E′中的边称为G的桥，G不连通时，ke(G)＝0；
(4)定义4设D(G)＝diag(d1，...，dn)，为度矩阵，A(G)为G邻接矩阵，那么G的Laplace矩阵定义为L(G)＝D(G)-A(G)，其中L(G)记为L；
(5)定义5图G的Laplace矩阵L(G)的特征值为λ1≥λ2≥…≥λn＝0，那么λn-1称为G的代数连通度，记作α(G)；
将图G作为一个RSU节点覆盖范围内网络拓扑结构的抽象，根据两两节点间连通强度得到加权网络，权值wij即为连通强度，据此判定相应RSU覆盖网络的连通稳定性；基于Laplace矩阵的弱连接检测算法，按照如下步骤描述：
输入：t时刻的所有RSU信息以及其节点集合V(t)，边集合E(t)，连通强度集合W(t)；
步骤一：选取RSU信息中未被访问的rsui；若不存在未被访问的rsui，转输出；
步骤二：对rsui中的节点集合V[i]以及E[i]，建立拉普拉斯矩阵L(i)←Laplace(V[i]，E[i])，并求解对应的特征值λ和特征向量f，求解λ的代数连通度α，按照特征向量subG←kMeans(f)进行聚类，得到聚类结果subG；
步骤三：聚类结果subG[0]和subG[1]中分别存在未被访问的节点u和v；若全部访问完毕，则转步骤一；
步骤四：若u和v之间的边权重wuv不为0，则将u和v分别放入弱连接点集BV(t)中的BV[i][0]，BV[i][1]，将wuv赋值给BE[i]，转步骤三；
输出：t时刻的所有RSU对应的弱连接点集BV(t)以及弱连接边集BE(t)。
CN201910155036.XA 2019-03-01 2019-03-01 城市场景中有基础设施车联网弱连接检测方法 Active CN109982291B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910155036.XA CN109982291B (zh) 2019-03-01 2019-03-01 城市场景中有基础设施车联网弱连接检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910155036.XA CN109982291B (zh) 2019-03-01 2019-03-01 城市场景中有基础设施车联网弱连接检测方法

Publications (2)

Publication Number Publication Date
CN109982291A CN109982291A (zh) 2019-07-05
CN109982291B true CN109982291B (zh) 2020-08-14

Family

ID=67077620

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910155036.XA Active CN109982291B (zh) 2019-03-01 2019-03-01 城市场景中有基础设施车联网弱连接检测方法

Country Status (1)

Country Link
CN (1) CN109982291B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112330080B (zh) * 2021-01-07 2021-04-02 平安科技（深圳）有限公司 基于连通图的因子筛选方法、装置、设备及介质
CN115303261B (zh) * 2022-08-01 2024-05-14 重庆赛力斯新能源汽车设计院有限公司 基于场端的自动泊车方法、装置、电子设备和存储介质
CN115549727B (zh) * 2022-10-12 2024-06-04 芜湖宏景电子股份有限公司 一种车载终端与外设的互联系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105722176A (zh) * 2016-01-29 2016-06-29 同济大学 城市场景中有基础设施的车联网大规模异构网络的连通性方法
CN106127662A (zh) * 2016-06-23 2016-11-16 福州大学 一种针对出租车轨迹数据的K‑means初始聚类中心的选择方法
CN107181640A (zh) * 2017-05-03 2017-09-19 同济大学 一种城市道路场景下车联网连通性指标的获取方法
CN109189876A (zh) * 2018-08-31 2019-01-11 深圳市元征科技股份有限公司 一种数据处理方法及装置
CN109284855A (zh) * 2018-07-25 2019-01-29 同济大学 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

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102737503B (zh) * 2012-06-20 2014-10-29 东南大学 一种车联网环境下公交车动态调度的通信连通性分析方法
CN104808220B (zh) * 2015-04-02 2017-04-19 北京交通大学 一种基于无线信息交互的车辆定位完好性监测方法
WO2017191632A1 (en) * 2016-05-01 2017-11-09 Argus Cyber Security Ltd. Net sleuth for in-vehicle network anomaly detection
CN108198412B (zh) * 2017-12-06 2020-02-07 广东交通职业技术学院 车联网下基于mfd的过饱和路网多层控制边界动态划分方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105722176A (zh) * 2016-01-29 2016-06-29 同济大学 城市场景中有基础设施的车联网大规模异构网络的连通性方法
CN105722176B (zh) * 2016-01-29 2019-04-02 同济大学 城市场景中有基础设施的车联网大规模异构网络的连通性方法
CN106127662A (zh) * 2016-06-23 2016-11-16 福州大学 一种针对出租车轨迹数据的K‑means初始聚类中心的选择方法
CN107181640A (zh) * 2017-05-03 2017-09-19 同济大学 一种城市道路场景下车联网连通性指标的获取方法
CN107181640B (zh) * 2017-05-03 2019-11-29 同济大学 一种城市道路场景下车联网连通性指标的获取方法
CN109284855A (zh) * 2018-07-25 2019-01-29 同济大学 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
CN109189876A (zh) * 2018-08-31 2019-01-11 深圳市元征科技股份有限公司 一种数据处理方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于图谱理论几何空间结构变换大数据核聚类算法;邹汪平;《计算机应用研究》;20160831;第1-2节 *

Also Published As

Publication number Publication date
CN109982291A (zh) 2019-07-05

Similar Documents

Publication Publication Date Title
CN109982291B (zh) 城市场景中有基础设施车联网弱连接检测方法
Hong et al. Tracking control for multi-agent consensus with an active leader and variable topology
Ding et al. Complex network theory applied to the growth of Kuala Lumpur’s public urban rail transit network
Peixoto et al. A traffic data clustering framework based on fog computing for VANETs
Singh et al. Optimized Node Clustering based on Received Signal Strength with Particle Ordered-filter Routing Used in VANET.
CN109284855B (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
Tang et al. ST-DeLTA: A novel spatial-temporal value network aided deep learning based intelligent network traffic control system
Zheng et al. Data synchronization in vehicular digital twin network: A game theoretic approach
CN110278571A (zh) 一种基于简单预测-校正环节的分布式信号跟踪方法
Pal et al. Path length prediction in MANET under AODV routing: Comparative analysis of ARIMA and MLP model
CN109862532A (zh) 轨道交通状态监测多传感器节点布局优化方法及系统
Qureshi et al. Neurocomputing for internet of things: object recognition and detection strategy
Kumar et al. An optimal emperor penguin optimization based enhanced flower pollination algorithm in WSN for fault diagnosis and prolong network lifespan
CN107465535B (zh) 一种链路中断风险分析方法、装置、电子设备及存储介质
Singh et al. Designing an energy efficient network using integration of KSOM, ANN and data fusion techniques
CN105357681A (zh) 基于多目标优化的物联网网关部署方法
CN111464327A (zh) 一种基于图卷积网络的空间信息网络抗毁性评估方法
Pal et al. The path length prediction of MANET using moving average model
Ramli et al. An overview of traffic congestion detection and classification techniques in VANET
Hu et al. A study of particle swarm optimization in urban traffic surveillance system
Zheng et al. Attention based spatial-temporal graph convolutional networks for RSU communication load forecasting
CN114915940A (zh) 一种基于边云计算的车路通信链路匹配方法及系统
Vasilev et al. Optimization of wireless node discovery in an IoT network
Khabazian et al. Generalized performance modeling of vehicular Ad Hoc networks (VANETs)
Becker et al. Comparison of bio-inspired and graph-theoretic algorithms for design of fault-tolerant networks

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