CN110213741B - 一种基于宽度学习的车辆发送信息真伪性的实时检测方法 - Google Patents
一种基于宽度学习的车辆发送信息真伪性的实时检测方法 Download PDFInfo
- Publication number
- CN110213741B CN110213741B CN201910435746.8A CN201910435746A CN110213741B CN 110213741 B CN110213741 B CN 110213741B CN 201910435746 A CN201910435746 A CN 201910435746A CN 110213741 B CN110213741 B CN 110213741B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- authenticity
- message
- model
- information
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W12/00—Security arrangements; Authentication; Protecting privacy or anonymity
- H04W12/12—Detection or prevention of fraud
-
- 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]
- H04W4/46—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P] for vehicle-to-vehicle communication [V2V]
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Computer Security & Cryptography (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于宽度学习的车辆发送信息真伪性的实时检测方法,包括如下过程:(1)车辆数据信息的采集与共享;(2)对采集的信息进行特征提取,并对提出的特征进行标准化,同时将消息的真伪性标签用二维向量标准化;(3)建立虚假消息检测模型;(4)虚假消息检测模型的训练;(5)检测车辆发送的消息的真伪性;(6)模型的更新,当系统中收集到的新数据积累到一定数量,触发模型自动利用新增数据以增量学习算法进行更新。本发明所公开的方法可以很好的满足对车辆不当行为检测问题的实时性、可扩展性要求,同时减少资源消耗,进而为交通安全性分析提供更可靠的依据,减少交通中的安全隐患。
Description
技术领域
本发明涉及一种信息检测方法,特别涉及一种基于宽度学习的车辆发送信息真伪性的实时检测方法。
背景技术
车联网是由车辆自身环境和状态信息等构成的巨大的交互网络,通过互联网与计算机技术能实现车辆信息的汇聚与分析处理,进而加强交通各参与要素间的协调合作,实现交通优化。车联网的通信形式主要分为车辆间的V2V通信(Vehicle-to-Vehicle)和车辆与路侧基础设施间的V2I通信(Vehicle-to-Infrastructure),其中V2V主要基于车载传感器和通信单元进行相邻车辆的状态信息共享,通过具体算法从而实现事故预警,避免碰撞与堵塞等。V2V通信形式由于成本低、覆盖范围广等优势,得到了学术界和工业界的广泛关注。
由于车辆可以基于从邻居收集的信息进行严格的硬制动,故车辆消息的真实性、有效性是需要保证的。不幸的是,行为不端的车辆可能故意操纵与其状态或动作相关的信息,传递虚假消息,触发其他车辆采取错误的行为,甚至导致灾难性的后果。当前许多关于车联网中不当行为影响的研究表明,攻击者的不当行为通常由不同原因驱使,而这些不当行为会严重降低交通流量,信道利用率和路由协议的性能,存在巨大安全隐患。
因此,研究人员对减少车辆不当行为进行了大量研究,密码技术已经被广泛用于防止行为不当的车辆影响网络,但是预防技术不能阻止传播虚假信息的内部攻击者。许多研究者支持把检测作为预防技术的补充,当前已经提出了许多旨在检测传输虚假消息的不当行为的技术,主要是通过数学模型构建基于车辆位置、速度、通信时延等参数的多元函数,再通过车辆当前发送的参数水平检测车辆是否具有不当行为。近年来,深度学习是一种被广泛研究的机器学习方法,它能够基于车辆历史轨迹数据高精度拟合复杂函数,较准确地检测车辆不当行为。然而,由于车联网独特的特性和要求,使得深度学习网络在车辆不当行为检测任务中实用性较低:
1、车联网对实时性要求非常高。而深度神经网络结构复杂,涉及多层次以及大量超参数,训练极度耗时,完成一个高精度模型的训练往往需要数小时乃至数天,时间开销巨大。
2、车联网是一个高度动态的网络,数据以流的形式不断产生、到达,因此随着时间推移,以前的模型不足以反映系统的真实性和完整性,渐渐不再适用,故要求模型具有良好的可扩展性,能利用新增数据流补充更新已训练好的模型。然而,当前提出的大多数不当行为检测的深度学习方案都不具备这种能力,最后不得不花费巨大的代价从头训练新的模型。
3、车辆同时也受限于诸如处理和存储资源。而深度学习网络由于过于复杂的结构,大量超参数的存储,以及需要对海量数据从头训练新模型以完成更新,对存储、计算等资源都提出了巨大的挑战。
显然,现有的车辆不良行为检测的深度学习模型几乎都会受到车联网的特性和要求的制约。虽然基于深度学习的方法可以取得高精度,但由于过于耗时、可扩展性差、资源开销大的原因,不能有效地对车辆不良行为进行检测缺,乏实用价值。
发明内容
为解决上述技术问题,本发明提供了一种基于宽度学习的车辆发送信息真伪性的实时检测方法,以达到更好的满足车辆不当行为检测问题的实时性、可扩展性要求,同时减少资源消耗,进而为交通安全性分析提供更可靠的依据,减少交通中的安全隐患的目的。
为达到上述目的,本发明的技术方案如下:
一种基于宽度学习的车辆发送信息真伪性的实时检测方法,包括如下过程:
(1)车辆数据信息的采集与共享;
(2)对采集的信息进行特征提取,并对提出的特征进行标准化,同时将消息的真伪性标签用二维向量标准化;
(3)建立虚假消息检测模型,该模型为宽度学习网络结构,以车辆标准化特征作为系统输入,生成特征节点和特征节点的增强节点,再将特征节点和增强节点一起连接到系统的输出层,并以消息的真伪性标签作为输出层的结果;
(4)虚假消息检测模型的训练,利用步骤(2)中标准化的特征和消息的真伪性标签对模型进行训练,消息的真伪性用二维向量的两个元素的大小关系表示;
(5)检测车辆发送的消息的真伪性,利用建立好的检测模型对待检测消息进行真假性检测,若输出的结果中二维向量的两个元素大小关系满足初始设定的真伪性标签中两个元素的大小关系则为真消息,否则为假消息;
(6)模型的更新,当系统中收集到的新数据积累到一定数量,触发模型自动利用新增数据以增量学习方式进行更新。
上述方案中,所述步骤(2)中,提取的特征包括车辆状态和通信状态,具体包括车辆速度、车辆加速度、行驶方向、基于位置的特征、广播速率和传输时延。
上述方案中,所述步骤(3)中模型的建立方法具体如下:
特征节点Zi由输入的车辆标准化特征X映射生成,若生成s组特征节点,表示如下:
Zi=φi(XWai+βai),i=1,...,s, (1)
其中,Wai是随机权重系数,βai是随机偏移量,φi是映射函数;
记Zs≡[Z1...Zs],表示由车辆标准化特征映射得到的所有特征节点;
增强节点Hj由特征节点Zs映射生成,若得到t组增强节点,表示如下:
Hj=ξj(ZsWbj+βbj),j=1,...,t, (2)
其中,Wbj是随机权重系数,βbj是随机偏移量,ξj是非线性函数;
记Ht≡[H1...Ht],表示由特征节点映射得到的所有增强节点;
将特征节点和增强节点列合并,再一起连接到输出层,此时宽度学习系统可如下表示:
Y=[Z1,...,Zs|H1,...,Ht]W=[Zs|Ht]W, (3)
其中,W是整个宽度学习系统的权重参数,Y为系统的输出,权重W通过伪逆求得:
其中,r为正则化参数,I是单位矩阵,Q是特征节点与增强节点列合并,由于Y为训练样本直接给定输出,故求解得到W后,车辆虚假消息检测模型即建立完成。
进一步的技术方案中,所述步骤(4)中,对待检测消息进行真假性检测时,首先获得车辆信息的标准化特征X,再利用标准化特征X和已训练好的虚假消息检测模型中的各参数,生成特征节点Zs与增强节点Ht,最后通过Y=[Zs|Ht]W,即可获得车辆消息真伪性的检测结果。
上述方案中,所述步骤(6)中,模型的更新方法如下:在建立好虚假信息检测模型后,设定一个模型更新阈值G,并不断收集关于车辆发布真假消息的新数据,若收集的新数据数量不足G,继续使用当前的检测模型来检测车辆消息进行真伪性;若新数据数量达到G,则从新数据中提取车辆特征和消息真伪性标签,再对其进行标准化,然后利用新的车辆标准化特征和真伪性标签更新当前的检测模型。
进一步的技术方案中,所述步骤(6)中采用增量学习算法对模型进行更新的具体方法如下:
仍记原模型的权重系数W,输出Y,输出层的输入Q和伪逆Q+;以及原系统随机参数等均保持不变;
Ynew=QnewWnew (7)
其中
解得Wnew后,检测模型更新完毕。
通过上述技术方案,本发明提供的基于宽度学习的车辆发送信息真伪性的实时检测方法能够快速构建一个高精度的车辆发送虚假信息的不当行为实时检测网络,并且能实现模型基于新增数据的高效自动更新;该方法能够满足车辆不当行为检测问题对检测系统实时性、精确性、可扩展性的要求,同时由于简单的结构和增量更新的方式能减少时间空间开销,为交通安全性分析提供更可靠的依据,进而减少安全隐患。
本发明可以应用到车辆不当行为的智能检测场景,且可以扩展到其他场景,对保障未来智能化交通的安全具有一定的引领作用。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。
图1为本发明实施例所公开的一种基于宽度学习的车辆发送信息真伪性的实时检测方法流程图;
图2为本发明实施例所公开的虚假消息检测模型的宽度学习网络结构图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述。
本发明提供了一种基于宽度学习的车辆发送信息真伪性的实时检测方法,如图1所示的流程,该方法具有实时性、精确性、可扩展性等特点。
具体实施例如下:
一、车辆数据信息的采集与共享;
每辆车从其自己的消息日志、传感器单元(例如GPS定位传感器、运动传感器等)获取历史轨迹数据以及相关上下文信息,包含如车辆速度、加速度、方向和位置等信息。车辆信息采集完成后,使用广播方案来共享其移动信息,每辆车收集来自相邻车辆的移动性信息,同时收集与车辆通信状态相关的众多信息,例如广播速率、传输延迟等。
二、对采集的信息进行特征提取,并对提出的特征进行标准化,同时将消息的真伪性标签用二维向量标准化;
在本阶段,基于前一阶段收集的消息,导出如下关于车辆的6个重要特征(包括车辆状态和通信状态):
1.车辆速度(v)。
2.车辆加速度(a)。
3.行驶方向(d)。
特征1-3来自车辆的传感器消息,表征车辆的状态信息。
4.基于位置的特征(p):利用该车辆与相邻车辆的位置信息计算车辆间距离。
5.广播速率(b)。
6.传输时延(t)。
特征5-6用于表征通信状态。
本实施例中,导出的车辆特征记为矩阵Xp×6,p为样本个数,样本的特征维数为6,然后对Xp×6进行z-score标准化;将每个样本对应的真伪性标签用一个2维向量(y1,y2)标准化,若y1>y2,则认为发送的是真消息,否则认为发送的是假消息。记真伪性标签为矩阵Yp×2。
三、建立虚假消息检测模型:
该模型为宽度学习网络结构,如图2所示,以车辆标准化特征作为系统输入,生成特征节点和特征节点的增强节点,再将特征节点和增强节点一起连接到系统的输出层,并以消息的真伪性标签作为输出层的结果。
四、虚假消息检测模型的训练:
利用前述标准化的特征和消息的真伪性标签对模型进行训练,消息的真伪性用二维向量的两个元素的大小关系表示;
训练宽度学习系统时,以Xp×6为输入,生成特征节点时,先生成一个随机权重矩阵Wai,Wai是一个6×e的矩阵,其中e是一组特征节点的节点数目,再生成一个随机偏移值βai,Wai和βai取值服从(0,1)之间随机分布;φi取激活函数ReLU,得到Zi是p×e的矩阵。再将上述过程迭代s次获得s组特征节点,Zs≡[Z1...Zs]是一个p×(e×s)的矩阵。在本发明实施案例中e=10,s=15。
生成增强节点时,先生成一个随机权重矩阵Wbj,Wbj是(e×s)×f的随机权重矩阵,其中f是一组增强节点的节点数目,再生成一个随机偏移量βbj,Wbj和βbj取值服从(0,1)之间随机分布;ξj取激活函数sigmoid,得到Hj是p×f的矩阵。再将上述过程迭代t次获得t组特征节点,Ht≡[H1...Ht]是一个p×(f×t)的矩阵。在本发明实施案例中f=20,t=30。
将特征节点和增强节点列合并为Q=[Zs|Ht],作为输出层的输入,Q是一个p×(e×s+f×t)的矩阵,宽度学习系统可表示为Yp×2=QW,求解伪逆时:
W=(rI+QTQ)-1QTYp×2,本发明实施案例中r=2-40,I取(e×s+f×t)阶单位矩阵,最终求得的W是一个(e×s+f×t)×2的矩阵。
五、检测车辆发送的消息的真伪性:
首先对待检测的车辆信息进行特征提取并归一化,得到标准化特征矩阵Xq×6,其中q是待检测的样本数,样本的特征维数为6;将Xq×6输入已训练好的检测模型,计算得到特征节点Zs与增强节点Ht,Zs和Ht分别为q×(e×s)和q×(f×t)的矩阵;最后直接通过Yq×2=[Zs|Ht]W计算出检测结果,矩阵Yq×2每行的2维向量(y1,y2)对应一个样本的检测结果,若输出的结果中二维向量的两个元素大小关系满足初始设定的真伪性标签中两个元素的大小关系则为真消息,否则为假消息。
六、模型的更新:
设定模型更新阈值G=0.1p,即收集到的新数据数量达到初始训练模型时使用样本量的10%,就更新当前的检测模型。
从新增样本提取特征矩阵Xa,Xa为一个0.1p×6的矩阵,并进行z-score标准化;同时将每个样本对应的消息真伪性标签用2维向量标准化,记新增样本的标签为Ya,是一个0.1p×2的矩阵。用Xa和原系统参数,计算新特征节点和新增强节点和分别为0.1p×(e×s)和0.1p×(f×t)的矩阵,将它们列合并记为Qa是一个0.1p×(e×s+f×t)的矩阵。则新宽度学习系统表示为Ynew=QnewWnew,是一个(p+0.1p)×(e×s+f×t)的矩阵,是一个(p+0.1p)×2的矩阵。最后计算伪逆,得到的是一个(e×s+f×t)×(p+0.1p)的矩阵,新权重矩阵Wnew是一个(e×s+f×t)×2的矩阵。到此完成了模型的更新。
可见更新检测模型权重时只需对新增数据求逆,如此可以实现旧检测模型的高效更新。上述过程可随着样本的持续到来不断进行,而不需要重建整个模型。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (3)
1.一种基于宽度学习的车辆发送信息真伪性的实时检测方法,其特征在于,包括如下过程:
(1)车辆数据信息的采集与共享;
(2)对采集的信息进行特征提取,并对提出的特征进行标准化,同时将消息的真伪性标签用二维向量标准化;
(3)建立虚假消息检测模型,该模型为宽度学习网络结构,以车辆标准化特征作为系统输入,生成特征节点和特征节点的增强节点,再将特征节点和增强节点一起连接到系统的输出层,并以消息的真伪性标签作为输出层的结果;
(4)虚假消息检测模型的训练,利用步骤(2)中标准化的特征和消息的真伪性标签对模型进行训练,消息的真伪性用二维向量的两个元素的大小关系表示;
(5)检测车辆发送的消息的真伪性,利用建立好的检测模型对待检测消息进行真假性检测,若输出的结果中二维向量的两个元素大小关系满足初始设定的真伪性标签中两个元素的大小关系则为真消息,否则为假消息;
(6)模型的更新,当系统中收集到的新数据积累到一定数量,触发模型自动利用新增数据以增量学习算法进行更新;
步骤(3)中模型的建立方法具体如下:
特征节点Zi由输入的车辆标准化特征X映射生成,若生成s组特征节点,表示如下:
Zi=φi(XWai+βai),i=1,...,s, (1)
其中,Wai是随机权重系数,βai是随机偏移量,φi是映射函数;
记Zs≡[Z1...Zs],表示由车辆标准化特征映射得到的所有特征节点;
增强节点Hj由特征节点Zs映射生成,若得到t组增强节点,表示如下:
Hj=ξj(ZsWbj+βbj),j=1,...,t, (2)
其中,Wbj是随机权重系数,βbj是随机偏移量,ξj是非线性函数;
记Ht≡[H1...Ht],表示由特征节点映射得到的所有增强节点;
将特征节点和增强节点列合并,再一起连接到输出层,此时宽度学习系统如下表示:
Y=[Z1,...,Zs|H1,...,Ht]W=[Zs|Ht]W, (3)
其中,W是整个宽度学习系统的权重参数,Y为系统的输出,权重W通过伪逆求得:
其中,r为正则化参数,I是单位矩阵,Q是特征节点与增强节点列合并,由于Y为训练样本直接给定输出,故求解得到W后,车辆虚假消息检测模型即建立完成;
步骤(6)中,模型的更新方法如下:在建立好虚假信息检测模型后,设定一个模型更新阈值G,并不断收集关于车辆发布真假消息的新数据,若收集的新数据数量不足G,继续使用当前的检测模型来检测车辆消息进行真伪性;若新数据数量达到G,则从新数据中提取车辆特征和消息真伪性标签,再对其进行标准化,然后利用新的车辆标准化特征和真伪性标签更新当前的检测模型。
2.根据权利要求1所述的一种基于宽度学习的车辆发送信息真伪性的实时检测方法,其特征在于,所述步骤(2)中,提取的特征包括车辆状态和通信状态,具体包括车辆速度、车辆加速度、行驶方向、基于位置的特征、广播速率和传输时延。
3.根据权利要求1所述的一种基于宽度学习的车辆发送信息真伪性的实时检测方法,其特征在于,所述步骤(5)中,对待检测消息进行真假性检测时,首先获得车辆信息的标准化特征X,再利用标准化特征X和已训练好的虚假消息检测模型中的各参数,生成特征节点Zs与增强节点Ht,最后通过Y=[Zs|Ht]W,即可获得车辆消息真伪性的检测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910435746.8A CN110213741B (zh) | 2019-05-23 | 2019-05-23 | 一种基于宽度学习的车辆发送信息真伪性的实时检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910435746.8A CN110213741B (zh) | 2019-05-23 | 2019-05-23 | 一种基于宽度学习的车辆发送信息真伪性的实时检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110213741A CN110213741A (zh) | 2019-09-06 |
CN110213741B true CN110213741B (zh) | 2022-02-08 |
Family
ID=67788389
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910435746.8A Active CN110213741B (zh) | 2019-05-23 | 2019-05-23 | 一种基于宽度学习的车辆发送信息真伪性的实时检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110213741B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112316703A (zh) * | 2020-09-30 | 2021-02-05 | 广东华电韶关热电有限公司 | 一种烟气脱硝用尿素溶液喷枪智能监控方法及系统 |
CN115484068A (zh) * | 2022-08-22 | 2022-12-16 | 东北大学 | 一种基于bp神经网络的车联网中虚假事故信息检测方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105184271A (zh) * | 2015-09-18 | 2015-12-23 | 苏州派瑞雷尔智能科技有限公司 | 一种基于深度学习的车辆自动检测方法 |
CN105828333A (zh) * | 2016-05-11 | 2016-08-03 | 北京航空航天大学 | 一种基于车辆自组织网络流量异常的黑客车辆检测方法 |
CN106250988A (zh) * | 2016-07-28 | 2016-12-21 | 武汉理工大学 | 基于样本特性的相关向量回归增量学习算法及系统 |
CN106600423A (zh) * | 2016-11-18 | 2017-04-26 | 云数信息科技(深圳)有限公司 | 基于机器学习的车险数据处理方法、车险欺诈识别方法及装置 |
CN108337255A (zh) * | 2018-01-30 | 2018-07-27 | 华中科技大学 | 一种基于web自动化测试和宽度学习的钓鱼网站检测方法 |
CN108734301A (zh) * | 2017-06-29 | 2018-11-02 | 澳门大学 | 一种机器学习方法和机器学习装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9762611B2 (en) * | 2016-02-16 | 2017-09-12 | Cylance Inc. | Endpoint-based man in the middle attack detection using machine learning models |
-
2019
- 2019-05-23 CN CN201910435746.8A patent/CN110213741B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105184271A (zh) * | 2015-09-18 | 2015-12-23 | 苏州派瑞雷尔智能科技有限公司 | 一种基于深度学习的车辆自动检测方法 |
CN105828333A (zh) * | 2016-05-11 | 2016-08-03 | 北京航空航天大学 | 一种基于车辆自组织网络流量异常的黑客车辆检测方法 |
CN106250988A (zh) * | 2016-07-28 | 2016-12-21 | 武汉理工大学 | 基于样本特性的相关向量回归增量学习算法及系统 |
CN106600423A (zh) * | 2016-11-18 | 2017-04-26 | 云数信息科技(深圳)有限公司 | 基于机器学习的车险数据处理方法、车险欺诈识别方法及装置 |
CN108734301A (zh) * | 2017-06-29 | 2018-11-02 | 澳门大学 | 一种机器学习方法和机器学习装置 |
CN108337255A (zh) * | 2018-01-30 | 2018-07-27 | 华中科技大学 | 一种基于web自动化测试和宽度学习的钓鱼网站检测方法 |
Non-Patent Citations (1)
Title |
---|
基于车联网的虚假数据检测模型;罗崇伟等;《计算机工程与设计》;20130616(第06期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110213741A (zh) | 2019-09-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Mousavi et al. | Traffic light control using deep policy‐gradient and value‐function‐based reinforcement learning | |
CN112133089B (zh) | 一种基于周围环境与行为意图的车辆轨迹预测方法、系统及装置 | |
CN109910909B (zh) | 一种多车运动状态的汽车轨迹网联交互式预测方法 | |
Jia et al. | Long short‐term memory and convolutional neural network for abnormal driving behaviour recognition | |
CN110213741B (zh) | 一种基于宽度学习的车辆发送信息真伪性的实时检测方法 | |
Yan et al. | Distributionally consistent simulation of naturalistic driving environment for autonomous vehicle testing | |
CN114889610B (zh) | 一种基于循环神经网络的目标车辆换道时刻预测方法及系统 | |
Bhadani et al. | Strym: A python package for real-time can data logging, analysis and visualization to work with usb-can interface | |
CN113674525B (zh) | 基于稀疏数据的信号交叉口车辆排队长度预测方法 | |
CN110728459A (zh) | 出行方式识别系统、方法、装置及模型训练方法、装置 | |
Hoang et al. | Supervised contrastive ResNet and transfer learning for the in-vehicle intrusion detection system | |
Wang et al. | Changing lane probability estimating model based on neural network | |
Raiyn | Classification of road traffic anomaly based on travel data analysis | |
Jolfaei et al. | Guest editorial introduction to the special issue on deep learning models for safe and secure intelligent transportation systems | |
Liu et al. | Synthesis of representative driving cycle for heavy duty vehicle based on markov chain and big data considering weight variation | |
CN114863680B (zh) | 预测处理方法、装置、计算机设备及存储介质 | |
CN114926823B (zh) | 基于wgcn的车辆驾驶行为预测方法 | |
CN115223144A (zh) | 一种基于云端数据的无人驾驶矿车传感器数据筛选方法及装置 | |
CN111371609A (zh) | 基于深度学习的车联网连通预测方法 | |
Li et al. | Modeling of merging decision during execution period based on random forest | |
Chen et al. | MMTP: Multi-modal trajectory prediction with interaction attention and adaptive task weighting | |
CN117973457B (zh) | 自动驾驶感知场景下基于推理相似性的联邦学习方法 | |
Wang et al. | Smart cyber forensics of rear-end collision based on multi-access edge computing | |
CN115116213B (zh) | 一种基于改进全连接神经网络的车联网信任管理方法 | |
Li et al. | TCN‐SA: A Social Attention Network Based on Temporal Convolutional Network for Vehicle Trajectory Prediction |
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 |