CN111371609A - 基于深度学习的车联网连通预测方法 - Google Patents

Abstract

在大规模车联网网络场景中，客观存在车辆节点间连通易变的现象，会导致传输不稳定以及丢包率高等问题，现有研究通过速度、位置和加速度等信息来提升连通稳定性，但是忽略了车辆未来时刻的时空性特征以及周边环境特征，造成连通预测准确率低。此外，现有车联网研究未考虑到特征维度高和大规模邻接矩阵稀疏问题，导致节点运算代价大、时间复杂度高等问题。本发明“基于深度学习的车联网连通预测方法”针对以上问题，给出了车辆节点间的连通特征定义以及连通置信度定义，对特征进行特征抽取与数据预处理，通过自编码神经网络进行特征降维，并结合循环神经网络对车辆节点之间的连通性进行预测，从而提升了车联网连通的稳定性，降低了数据的丢包率。

Description

基于深度学习的车联网连通预测方法

技术领域

本发明涉及车联网领域，具体涉及基于深度学习的车联网连通预测方法。

背景技术

在很多网络模型中，例如社交网络、文献引用网络、蛋白质相互作用网络等，节点间关系变化较小，其节点间的连通性质与整体网络构造趋于稳定，因此往往会通过节点之间的相似度与一度二度关系来预测两个节点之间是否会存在连通边。而在大规模车联网中，车辆节点之间采用IEEE802.11p标准进行通信，往往距离较远的节点不能直接进行通信，只能采用中继节点或者基础社区进行辅助通信，因此车辆之间的连通受到速度与加速度、行驶方向、周边行驶环境等多重因素的影响，产生连通易变的现象，往往会导致车辆间通信传输不稳定以及丢包率高等问题，已有的算法没有很好的对车辆节点移动的多因素以及时序关系进行预测，无法自适应多变的车联网这个高动态变化的移动自组织网络。由于车辆之间的连通性构成了车联网的通信网络，连通性问题的研究往往也是车联网通达性研究的前提所在。此外，车辆数目过多时会导致处理器接收发送信息数量过多，会对车辆节点的性能给出了很高的要求，实际过程中，过多的车辆节点特征有时会导致最终结果的过拟合，同时车辆提取信息的噪音也会使得结果有一定的偏差。这些也是连通性研究需要考虑的问题。

发明内容

针对以上问题，本发明给出了车辆节点间的连通特征定义以及连通置信度定义，对特征进行特征抽取与数据预处理，通过自编码神经网络进行特征降维，结合循环神经网络对车辆节点之间的连通性进行预测，从而有效提升车联网连通的稳定性。

发明目的：

本发明考虑现有研究通过速度、位置和加速度等信息来提升连通稳定性，但是忽略了车辆未来时刻的时空性特征以及周边环境特征，造成连通预测准确率低等问题，本发明给出了车辆节点间的连通特征定义以及连通置信度定义，对特征进行特征抽取与数据预处理，通过自编码神经网络进行特征降维，结合循环神经网络对车辆节点之间的连通性进行预测。解决上述问题，能够有效提升车联网连通的稳定性。

为此，本发明具体给出以下技术方案实现：

基于深度学习的车联网连通预测方法，具体包括如下步骤：

步骤1.相关定义

步骤2.特征抽取和数据预处理

步骤3.连通预测模型

步骤3.1基于自编码网络的特征降维

步骤3.2基于循环神经网络的连通预测方法

有益效果

本发明目的在于公开一种考虑车联网网络客观存在拓扑结构高度动态变化，节点数目庞大且分布不均，以及路网交错复杂等特性，导致车联网连通易变、节点冗余等问题，提供一种考虑未来时刻车辆自身特性，提升车辆连通预测准确率的方法，从而保持车联网连通的稳定性。

附表说明

表1数据集参数

表2数据集特征含义

附图说明

图1道路区段示意图

图2车辆节点的经纬度示意图

图3节点相对特征示意图

图4连通预测模型结构图

图5连通预测算法流程图(算法1)

图6 Lankershim Boulevard道路图

图7自编码器处理前后性能指标对比

图8平均错误率随时间的变化

图9不同时间预测误差占据比例

图10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10所示，包括如下5个方面：

①相关定义

②特征抽取和数据预处理

③基于自编码网络的特征降维

④基于循环神经网络的连通预测方法

⑤仿真实验验证

①

相关性质定义

(1)车辆与行驶环境特征定义

由于车联网是一种高度变化的网络，因此诸多特征会影响车辆之间的连通性。这些特征包括车辆本身具有的特征以及车辆所处的行驶环境的特征。车辆本身特征包括：速度、加速度、位置、车辆长宽等；行驶环境特征包括：周边车辆信息、所处道路区域、目标区域与出发区域等。如图1所示，道路区域包括十字路口区、直行区、准备区三种类型，采用虚线示意。

定义1车辆本身特征集为feature_v(v_i,t)，表示t时刻车辆节点v_i自身的速度、加速度等特征，如公式(1)：

feature_v(v_i,t)＝(v(t),l(t),a(t),type,len,wid) (1)

其中，v(t),l(t),a(t)分别表示t时刻车辆节点v_i的速度，位置和加速度；type表示车辆的具体类型，例如轿车，卡车等；len表示车辆的长度；wid表示车辆的宽度。

定义2车辆周边环境特征集feature_e(v_i,t)，表示t时刻车辆节点v_i周边如道路类型、目的地等特征，如公式(2)：

feature_e(v_i,t)＝(area(t),des,dep,n(t,v|v∈neiborcar)) (2)

其中，area(t)表示t时刻车辆所处的道路区域类型；des表示车辆的目的地；dep表示车辆的出发地；n(t,v|v∈neiborcar)表示t时刻v_i周围的车辆节点个数。n表示v_i周围的车辆节点个数。

综上，这里车辆v_i的属性特征feature(v_i,t)可以定义如下：

feature(v_i,t)＝{feature_v,feature_e} (3)

(2)连通置信度定义

定义3车辆节点v_i与车辆节点v_j在某时刻t的直接连通状态为ConnectStatus(v_i,v_j,t)

＝[status|ifdis≤thresholdstatus＝1elsestatus＝0] (4)

其中，status表示两个车辆节点是否连通，dis表示两个节点的相对距离，threshold表示最大通信距离。

定义4车辆节点v_i与车辆节点v_j未来一段时间t的直接连通的概率为连通置信度ConnectConfidence(v_i,v_j,t)，这里定义直接连通的含义为不经过中继节点就可以达到直接连通状态。具体的计算公式如下：

其中，m是超参数，表示直接连通状态有记录的时间点个数；t为时间点。连通置信度表示的是两个节点在未来一段时间m的连通概率，区间在[0,1]之间。若m越大，则表示的车辆连通置信度更稳定，但是越难预测。

(3)时空相关特征定义

车辆节点v_i与车辆节点v_j之间的连通性具有明显的时间与空间相关关系，因此综上，时刻t，车辆节点间的时空相关性特征定义为：

TimeSpaceFeature(v_i,v_j,t)

＝{feature(v_i),feature(v_j),RelativeFeature(v_i,v_j)|ConnectStatus(v_i,v_j,t)}

(6)

其中，feature表示的是车辆的属性特征；RelativeFeature(v_i,v_j)表示的节点i与节点j之间的相对特征，包含相对速度、相对加速度以及相对位置，通过相对特征建模可以得到，其中只有为直接连通状态才会被计算；ConnectStatus(v_i,v_j,t)为节点i与节点j在时刻t的直接连通状态，表示只有直接连通的节点才会计算相对特征。

②

特征抽取和数据预处理

步骤2中，所述特征抽取和数据预处理，包括步骤：

由于车联网中的特征种类繁多，初始采集数据单一，往往采集到的特征不能直接被模型所用，或者需要处理后才可以体现特征的意义，这会对模型的训练过程产生影响。因此，在模型训练之前需要对不同的特征采取相对应的处理方式，以使得特征能够被下一步的模型使用。

(1)空间位置建模。由于车辆采集到的空间位置信息一般是经度与纬度，而在实际应用中，一般会对经度与纬度进行计算处理，计算出实际的距离，假设两个点的经纬度分别为

地球半径R＝6371km，如图2，可以利用公式(7)得到距离d，这样就可以将 四个特征维度压缩到一维。

具体的计算公式如下：

其中

λ₁和

分别表示经度和纬度。四维是λ₁,

λ₂,

一维是haversin(d/R)表示。

(2)节点相对特征建模。由于原始特征中所有特征都是针对单独一个节点的，不能表示两个节点的相对特征RelativeFeature(v_i,v_j)，例如相对距离、相对速度等，因此需要对其进行建模来得到相对关系。采用矢量算法来计算这些相对特征。这里，定义道路近似为直线，通过东西南北为相应的坐标轴。如图3所示。

所述节点相对特征建模，即对所述相对特征RelativeFeature(v_i,v_j)计算如下：

其中，

为车辆1和车辆2的相对特征向量，包含相对加速度

相对速度

相对距离

计算通过车辆1和车辆2之间的特征向量之差。

(3)空缺值处理。在实际道路上行驶时，由于采集传感器不齐全以及车辆自身和周边环境原因往往会导致实际采集到的信息具有缺失值，这些因素会对之后的模型结果会产生巨大影响，此外，空缺值填充方式的不同也会影响模型最终的结果。在VANET情形下，车辆特征一般具有两种相似性：空间相似性和时间相似性。空间相似度指的是与周边车辆具有类似的环境和车辆特征，时间相似性是指自身车辆节点短时间内自身属性不变。

对于空间相似性，采用皮尔逊系数的方式来对不同的车辆特征相似的概率进行判断。如果两个车辆节点大部分特征类似，那么一个车辆节点的空缺特征值也大概率与另一个车辆节点的对应特征相似，反之亦然。如公式(11)所示，给出空间相似性概率的具体表达：

其中，PS表示空间相似性概率；o表示特征维度；x_i和y_i表示对应特征值。

对于时间相似性，采用时间因子来对同一车辆的前后特征相似概率进行判断。对于同一车辆而言，如果时间越短，那么特征相似的概率越高，反之亦然。公式(12)所示，给出时间相似性概率的具体表达：

TS＝e^-μt (12)

其中，TS表示时间相似性概率；e为自然常数；t表示时间；μ表示时间因子，用来控制时间的量纲。

对于节点i的空缺特征f_vac_i而言，填充的具体方法如下：

f_vac_i(t)＝PS·f_vac_j(t)+TS·f_vac_i(t-Δt) (13)

其中，f_vac_i(t)是指在时刻t时节点i的空缺特征；f_vac_j(t)是指在时刻t与节点i具有空间相似性的节点j的相应特征；f_vac_i(t-Δt)是指在时刻t-Δt时节点i的空缺对应特征。

(4)z-score标准化。不同变量之间的单位量纲往往不同，具有不同的表现力，在实际使用中，为了对所有变量统一标准进行计算，往往需要对变量进行无量纲处理。本发明中采用z-score标准化来对特征数据进行无量纲化，z-score标准化方法不仅可以消除量纲，还可以将特征处理成具有相同的效应。x是原始样本数据，μ是样本均值，σ是样本标准差，具体的标准化公式如下：

③

基于自编码网络的特征降维

车辆特征中往往存在繁复以及冗余的特征，为了应对大规模车联网中实时性的要求，需要对车辆的特征数据进行降维和去噪；同时在实际车辆运行过程中，由于数据来源不同，采样方式或者其他外界因素例如传感设备出现故障等问题，常常导致某些特征数据出现缺失，因此也需要采用一些方法来降低系统对车辆特征数据的缺失值的敏感性。在本发明中，采用降噪自编码器来对预处理后的相关数据进行特征降维和去噪，从而为后续的连通预测提供精简和完备的数据基础。由于车辆节点间的连通置信度表示的是未来一段时间的连通的可能性，因此表达的不仅是两者自身的特征，还有两个节点之间的关系，因此需要将这些特征统一输入到模型中。通过对采集到的数据进行特征抽取和预处理之后，得到三部分特征：车辆v_i的特征feature(v_i)，车辆v_j的特征feature(v_j)，以及两者之间的相对特征RelativeFeature(v_i,v_j)。将这三路特征连接之后输入到降噪自编码器(de-noising auto-encoder)中，得到降维后的特征ReductionFeature(v_i,v_j,t)，从而提高后期模型的时效性和鲁棒性。

具体的降噪自编码器的训练过程如下：

(1)在降噪自编码器中，将feature(v_i)、feature(v_j)、RelativeFeature(v_i,v_j)、ConnectStatus(v_i,v_j,t)、TimeSpaceFeature(v_i,v_j,t)连接，分别作为降噪自编码器的输入与输出；

(2)对输入数据进行加噪处理，即将部分输入层的某些节点置为0，将加噪处理过的数据作为输入放入降噪自编码器模型中，进行训练；

(3)提取输入层和隐藏层作为最后降噪自编码器的组成部分，隐藏层的输出作为降噪自编码器的输出结果。

降噪自编码器是数据预处理阶段的模型，为已有的模型，由输入层、隐藏层、输出层构成，如图4所示。在数据预处理阶段，降噪自编码器可以进行数据的降维、降低复杂度。降噪自编码器的输入层输入的数据和输出层输出的数据是一样的，这样能保证数据不丢失。举一个例子，比如降噪自编码器有4层，每层节点个数为100,80,60,100，在降噪自编码器训练完成后，使用前三层的输出作为深度神经网络的输入，可以保证在数据降维的同时不丢失数据。

④

基于循环神经网络的连通预测方法

在之前的数据处理过程中，先定义了车辆节点的时空特征TimeSpaceFeature(v_i,v_j,t)，并且经过降噪自编码器处理成降维数据

由于车联网中车辆实际运行过程中，车辆轨迹状态经常变化，并且难以预测，会对车辆连通性的稳定性造成很大影响，因此需要根据车辆历史的一段行驶行为来对连通性进行预测，从而可以达到指导后期进行分簇的目的。具体的模型结构如图4所示。具体说明如下：

(1)模型第一层：输入层，输入数据为降维数据

(2)模型第二层：RNN层，本模型采用双层RNN结构，时间步长为time_step，代表由之前time_step个历史行为来对未来连通状态进行预测，每个RNN神经元的输入为X(t|t∈[1,time_step])；

(3)模型第三层：输出层，加上softmax层，标签为节点间的连通状态ConnectStatus，softmax层可以得到车辆节点间信息连通的概率，即连通置信度ConnectConfidence。

在模型具体的训练过程中，首先需要独立训练好模型前面的自编码降维模块，然后将其接入RNN层与输出层之前，最终结果取输出序列{p₁,p₂,…,p_{time_step}}的最后一项p_{time_step}，作为连通置信度ConnectConfidence的结果值。具体实现步骤就如算法1所示，流程图如图5所示。

在损失函数的选择过程中，由于该问题是一个二分类问题，同时要得到两个节点连通的一个概率，因此最后本发明选择交叉熵作为损失函数。交叉熵是一种不完美编码，可以将输出的结果作为数据的后验概率分布，而最终的标签是真实的概率分布，由于在本模型中采用了softmax函数作为最后的激活函数，其结果是对于数据的预测分布，而交叉熵衡量的是预测结果和真实标签之间的差异性。此外，由于相较于二次方差损失函数，由于链式法则求权重和偏置时会受到激活函数的导数的影响，如公式(14)和公式(15)所示。会导致更大误差时，训练速度较低的现象，而交叉熵可以避免这一点，因此采用交叉熵作为最终模型的 损失函数。

交叉熵损失函数如公式(16)：

其中，u表示样本个数，y⁽ⁱ⁾表示神经网络的期望输出值，h(x⁽ⁱ⁾)神经网络的实际输出值。

⑤

仿真实验验证

(1)实验数据分析

本发明实验采用Lankershim Data作为数据集，该数据集采集了位于美国加利福尼亚洛杉矶的Lankershim Boulevard道路上的车辆轨迹数据，道路具体情况如图6所示。道路全长约为500米，包含双向三车道道路、双向四车道道路以及四个交叉路口，共分为在2005年6月16号采集到的两个15分钟的时间段数据(上午8:30到上午8:45和上午8:45到上午9:00)，本次实验采用上午8:45到上午9:00的数据时间段，采样时间间隔为0.1s，包含局部坐标、全局坐标、车辆长宽、速度加速度等特征，此外，数据集还提供道路图信息以及各个时间点交通信号灯等信息，数据集参数如表1所示。实验数据具有很多相关特征，具体的含义如表2所示。

具体的实验部分分为三部分：特征预处理，自编码器降维以及连通预测估计。为了验证最后实验的正确性与准确性，本发明实验部分有如下步骤：

(1)特征预处理。首先对道路信息进行处理，将道路按照十字路口或者丁字路口划分成若干段，每一段近似为直线。车辆信息根据空间位置建模以及相对特征建模来对节点的特征进行处理，同时对于空缺值采用其中的时空相似性方法进行填充。

(2)自编码器降维。本发明实验中，为了验证自编码器降维降噪的效果，在数据进入连通预测模型之前率先对自编码器进行训练，将车辆i的特征、车辆j的特征以及两者之间的相对特征进行并行连接放入自编器中进行训练。

(3)连通预测估计。将训练好的自编器接入连通预测模型中，最后一层接softmax层，将实验结果与传统神经网络模型以及已有的位置预测方法GPRL进行对比，验证本模型的准确率，并对自编码器进行性能验证。虽然在后续使用中将采用softmax中的概率作为连通置信度，但在实验对比中，仍然采用最后的二分类结果作为实验对比，这也是为了保证几种试验方法的统一性。

(2)仿真实验结果与分析

图7表示的是使用降噪自编码器前后网络模型在性能、数据量以及准确率方面的对比，从而表示降噪自编码器的作用。首先对性能、数据规模以及准确率统一进行标准化，将无编码器情况下的数据作为比较标准，即将其统一视为单位1，与有编码器情形下的结果进行比较。从图中可以发现，数据量经过降噪自编码器减少了四分之一，因此存储空间也会相应减少四分之一；训练时间相较于无编码器大致减少了一半左右；平均误差会适当增加，但是相较于数据量和训练时间减少的程度以及获得的收益而言，可以忽略不计。因此，实验验证了降噪自编码器的正确性与有效性。

图8表示的是本发明给出的CPMDP连通预测模型与普通的神经网络以及GRPL的预测结果进行对比，平均误差为所有节点的平均值，从图中可以看出，在时间较短时，0.5s处时，GPRL的平均误差较小，此时的速度与加速度可以近似为恒定，神经网络会受到其他因素的影响，并且前面时间信息积累的少，CPMDP模型的时空优势不明显。而随着研究时间的增加，车辆速度与加速度的变化会受到更多因素的影响，GPRL单纯的速度建模的优势减小，在1.5s的研究时间之后，随着时间的增加误差增加的越快。同时CPMDP的时序与降维降噪模型的优势变大，CPMDP的模型预测准确性最高，普通神经网络的预测率次之。因此可以看出CPMDP在进行连通预测时具有明显的性能优势。

图9表示的是CPMDP模型在t＝1s、2s、3s时的误差分布，图中横坐标表示的是CPMDP模型的误差区间，分别为(0.0,0.5),(0.5,1.5),(1.5,2.0)…，单位为百分之。从图中可以看出，在预测t＝1s时，结果最好，因为此时车辆速度与加速度可以认为恒定，较容易预测，90％的误差集中在0％到1.5％之间，在误差较大时占比较小，几乎可以忽略不计，并且具有一定的长尾效应；而在t＝2s时，误差主要集中在2.5％左右，在误差较大时占比较小，0％～2.5％之间的占比较大；在t＝3s时，误差主要集中在5.5％左右，较之于t＝1s和t＝2s的情况，误差分布集中误差偏向于较大区域，而在整体分布情况下，较为平均。相较于车联网整体规模大小，可以认为误差较小，不影响后续模型使用，可以作为后续模型的基础。

创新点

创新点：本发明针对目前大规模车联网网络场景中忽略了车辆未来时刻的时空性特征以及周边环境特征，造成连通预测准确率低以及特征维度高和大规模邻接矩阵稀疏问题，给出了车辆节点间的连通特征定义以及连通置信度定义，对特征进行特征抽取与数据预处理，通过自编码神经网络进行特征降维，并结合循环神经网络对车辆节点之间的连通性进行预测，从而提升了车联网连通的稳定性，降低了数据的丢包率。

在大规模车联网网络场景中，客观存在车辆节点间连通易变的现象，会导致传输不稳定以及丢包率高等问题，现有研究通过速度、位置和加速度等信息来提升连通稳定性，但是忽略了车辆未来时刻的时空性特征以及周边环境特征，造成连通预测准确率低。此外，现有车联网研究未考虑到特征维度高和大规模邻接矩阵稀疏问题，导致节点运算代价大、时间复杂度高等问题。

说明书附表表1

表2

Claims (5)

1.基于深度学习的车联网连通预测方法，其特征在于，具体包括如下步骤：

步骤1.相关定义

步骤2.特征抽取和数据预处理

步骤3.连通预测模型

步骤3.1基于自编码网络的特征降维

步骤3.2基于循环神经网络的连通预测方法。

2.如基于深度学习的车联网连通预测方法，其特征在于，所述相关性质定义：

(1)车辆与行驶环境特征定义

定义1 车辆本身特征集为feature_v(v_i，t)，表示t时刻车辆节点v_i自身的速度、加速度特征，如公式(1)：

feature_v(v_i，t)＝(v(t)，l(t)，a(t)，type，len,wid) (1)

其中，v(t)，l(t)，a(t)分别表示t时刻车辆节点v_i的速度、位置和加速度；type表示车辆的具体类型；len表示车辆的长度；wid表示车辆的宽度；

定义2 车辆周边环境特征集feature_e(v_i，t)，表示t时刻车辆节点v_i周边如道路类型、目的地、出发地特征，如公式(2)：

feature_e(v_i，t)＝(area(t)，des，dep，n(t，v|v∈neiborcar)) (2)

其中，area(t)表示t时刻车辆所处的道路区域类型；des表示车辆的目的地；dep表示车辆的出发地；n(t，v|v∈neiborcar)表示t时刻v_i周围的车辆节点个数；n表示v_i周围的车辆节点个数；

综上，车辆v_i的属性特征feature(v_i，t)定义如下：

feature(v_i，t)＝{feature_v，feature_e} (3)

(2)连通置信度定义

定义3 车辆节点v_i与车辆节点v_i在某时刻t的直接连通状态为ConnectStatus(v_i，v_j，t)

＝[status|ifdis≤threshold status＝1 else status＝0] (4)

其中，status表示两个车辆节点是否连通，dis表示两个节点的相对距离，threshold表示最大通信距离；

定义4 车辆节点v_i与车辆节点v_j未来一段时间t的直接连通的概率为连通置信度ConnectConfidence(v_i，v_j，t)，计算公式如下：

其中，m是超参数，表示直接连通状态有记录的时间点个数；t为时间点；连通置信度表示的是两个节点在未来一段时间m的连通概率，区间在[0,1]之间，若m越大，则表示的车辆连通置信度更稳定，越难预测；

(3)时空相关特征定义

车辆节点v_i与车辆节点v_j之间的连通性具有时间与空间相关关系，综上，时刻t，车辆节点间的时空相关性特征定义为：

TimeSpaceFeature(v_i，v_j，t)

＝{feature(v_i)，feature(v_j)，RelativeFeature(v_i，v_j)|ConnectStatus(v_i，v_j，t)} (6)

其中，feature表示的是车辆的属性特征；RelativeFeature(v_i，v_j)表示的节点i与节点j之间的相对特征，包含相对速度、相对加速度以及相对位置；ConnectStatus(v_i，v_j，t)为节点i与节点j在时刻t的直接连通状态，表示只有直接连通的节点才会计算相对特征。

3.如基于深度学习的车联网连通预测方法，其特征在于，所述特征抽取和数据预处理 包括步骤：

(1)空间位置建模

车辆采集到的空间位置信息是经度与纬度，对经度与纬度进行计算处理，计算出实际的距离，假设两个点的经纬度分别为

地球半径R＝6371km，利用公式(7)得到距离d，将四个特征维度压缩到一维：

具体的计算公式如下：

其中

λ₁和

分别表示经度和纬度；四维是λ₁，

λ₂，

一维是haversin(d/R)表示；

(2)节点相对特征建模

定义道路近似为直线，通过东西南北为相应的坐标轴，所述节点相对特征建模，即对所述相对特征RelativeFeature(v_i，v_j)计算如下：

其中，

为车辆1和车辆2的相对特征向量，包含相对加速度

相对速度

相对距离

计算通过车辆1和车辆2之间的特征向量之差；

(3)空缺值处理

对于节点i的空缺特征f_vac_i，填充的具体方法如下：

f_vac_i(t)＝PS·f_vac_j(t)+TS·f_vac_i(t-Δt) (13)

其中，f_vac_i(t)是指在时刻t时节点i的空缺特征；f_vac_j(t)是指在时刻t与节点i具有空间相似性的节点j的相应特征；f_vac_i(t-Δt)是指在时刻t-Δt时节点i的空缺对应特征；PS表示空间相似性概率；TS表示时间相似性概率；

(4)z-score标准化

采用z-score标准化来对特征数据进行无量纲化。

4.如基于深度学习的车联网连通预测方法，其特征在于，所述基于自编码网络的特征 降维，

通过对采集到的数据进行特征抽取和预处理之后，得到三部分特征：车辆v_i的特征feature(v_i)，车辆v_j的特征feature(v_j)，以及两者之间的相对特征RelativeFeature(v_i，v_j)，将这三路特征连接之后输入到降噪自编码器(de-noising auto-encoder)中，采用降噪自编码器来对预处理后的数据进行特征降维和去噪，得到降维后的特征ReductionFeature(v_i，v_j，t)；

降噪自编码器的训练过程如下：

(1)在降噪自编码器中，将feature(v_i)、feature(v_j)、RelativeFeature(v_i，v_j)、ConnectStatus(v_i，v_j，t)、TimeSpaceFeature(v_i，v_j，t) 连接，分别作为降噪自编码器的输入与输出；

(2)对输入数据进行加噪处理，将部分输入层的某些节点置为0，将加噪处理过的数据作为输入放入降噪自编码器模型中，进行训练；

(3)提取输入层和隐藏层作为最后降噪自编码器的组成部分，隐藏层的输出作为降噪自编码器的输出结果。

5.如基于深度学习的车联网连通预测方法，其特征在于，所述基于循环神经网络的连 通预测方法：

车辆节点的时空特征TimeSpaceFeature(v_i，v_j，t)，经过降噪自编码器处理成降维数据

模型结构：

(1)模型第一层：输入层，输入数据为降维数据

(2)模型第二层：RNN层，采用双层RNN结构，时间步长为time_step，代表由之前time_step个历史行为来对未来连通状态进行预测，每个RNN神经元的输入为X(t|t∈[1，time_step])；

(3)模型第三层：输出层，加上softmax层，标签为节点间的连通状态ConnectStatus，softmax层得到车辆节点间信息连通的概率，即连通置信度ConnectConfidence；

在模型训练过程中，首先独立训练好模型前面的自编码降维模块，然后将自编码降维模块接入RNN层与输出层之前，最终结果取输出序列{p₁，p₂，...，p_{time_step}}的最后一项p_{time_step}，作为连通置信度ConnectConfidence的结果值；具体实现步骤就如算法1所示：

采用了softmax函数作为最后的激活函数；采用交叉熵作为最终模型的损失函数，如公 式(16)：

其中，u表示样本个数，y⁽ⁱ⁾表示神经网络的期望输出值，h(x⁽ⁱ⁾)神经网络的实际输出值。

Images