CN112004197B - 一种基于车辆轨迹预测的异构车联网切换方法 - Google Patents

一种基于车辆轨迹预测的异构车联网切换方法 Download PDF

Info

Publication number
CN112004197B
CN112004197B CN202010783220.1A CN202010783220A CN112004197B CN 112004197 B CN112004197 B CN 112004197B CN 202010783220 A CN202010783220 A CN 202010783220A CN 112004197 B CN112004197 B CN 112004197B
Authority
CN
China
Prior art keywords
vehicle
network
track
lstm
maneuver
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
CN202010783220.1A
Other languages
English (en)
Other versions
CN112004197A (zh
Inventor
亓伟敬
刘哲
宋清洋
郭磊
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.)
Chongqing University of Post and Telecommunications
Original Assignee
Chongqing University of Post and Telecommunications
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 Chongqing University of Post and Telecommunications filed Critical Chongqing University of Post and Telecommunications
Priority to CN202010783220.1A priority Critical patent/CN112004197B/zh
Publication of CN112004197A publication Critical patent/CN112004197A/zh
Application granted granted Critical
Publication of CN112004197B publication Critical patent/CN112004197B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/029—Location-based management or tracking services
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W36/00—Hand-off or reselection arrangements
    • H04W36/14—Reselecting a network or an air interface
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W36/00—Hand-off or reselection arrangements
    • H04W36/24—Reselection being triggered by specific parameters
    • H04W36/32—Reselection being triggered by specific parameters by location or mobility data, e.g. speed data
    • 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]
    • H04W4/44—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P] for communication between vehicles and infrastructures, e.g. vehicle-to-cloud [V2C] or vehicle-to-home [V2H]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明请求保护一种基于车辆轨迹预测的异构车联网切换方法，其包括以下步骤：步骤1、搭建城市场景下的车载异构网络，步骤2、搭建基于LSTM和卷积社交池的车辆轨迹预测模型；步骤3、基于步骤2预测出的车辆轨迹，预测出车辆终端在各个候选网络内的驻留时间；步骤4、利用模糊层次分析法对驻留时间在内的多个属性进行权重设置，根据不同的业务设置满足对应要求的权值；步骤5、基于KL‑TOPSIS算法进行最佳网络判决。本发明可以降低切换次数和乒乓切换次数。

Description

一种基于车辆轨迹预测的异构车联网切换方法
技术领域
本发明属于异构车联网通信技术领域，具体涉及一种基于车辆轨迹预测的异构车联网切换方法。
背景技术
车联网，又可以称作车载互联网、车载网络，是由智能交通领域与物联网领域交互发展融合的产物。车联网已被视为智能交通系统(Intelligence Transportation System，ITS)和智慧城市发展的重要组成部分。它有望带来一系列全新的应用，从道路安全改善到交通效率优化，从自动驾驶到车辆随时随地的互联网接入。车联网将最终对社会和世界各地数百万人的日常生活产生深远的影响。由于其严格和多样化的服务质量(Quality ofService，QoS)需求以及车载环境的动态性，如快速变化的无线传播信道和不断变化的网络拓扑，车联网也带来了不同于传统无线通信系统的新的挑战。为了应对这些挑战，在全球范围内，研究人员开发了各种各样的通信标准，如美国的专用短程通信标准 (DedicatedShort Range Communications，DSRC)。最近，第三代合作伙伴计划(Third GenerationPartnership Project，3GPP)也启动了一个在长期演进(Long Term Evolution，LTE)网络和第五代移动通信技术(5th Generation Mobile Networks，5G)蜂窝系统中支持车辆到一切(Vehicle to Everything，V2X)服务的项目。
与此同时，随着高性能计算和存储设施以及各种先进的车载传感器，如激光雷达、雷达和照相机，车辆将不仅仅是一种简单的交通工具。它们生成、收集、存储、处理和传输大量数据，以使驾驶更安全、更方便。这些丰富的数据将必然为探索可靠和有效的车联网的设计提供新的机会。机器学习作为人工智能的一个主要分支，构建了能够在复杂环境中运行的智能系统，在计算机视觉、自然语言处理、机器人等领域都有很多成功的应用。它开发了分析大量的数据的高效方法，这有助于支持未来的智能无线电终端。此外，机器学习代表了一种有效的数据驱动的方法，使其在处理异构数据时具有鲁棒性，因为没有对数据分布做出明确的假设。机器学习提供了一套通用的工具来开发和挖掘车联网中产生的多个数据源。这将有助于系统做出更明智和数据驱动的决策，减轻通信挑战，并提供非传统的服务，如基于位置的服务，实时交通流预测和控制，车辆轨迹预测以及自动驾驶。然而，如何利用这些工具服务于车联网的目的仍然是一个挑战，并代表了一个有前途的研究方向。因此本发明将机器学习技术应用于车联网的切换问题中，提出一种基于车辆轨迹预测的异构车联网切换方案。
发明内容
本发明旨在解决以上现有技术的问题。提出了一种降低切换次数和乒乓切换次数的基于车辆轨迹预测的异构车联网切换方法。本发明的技术方案如下：
一种基于车辆轨迹预测的异构车联网切换方法，其包括以下步骤：
步骤1、搭建城市场景下的车载异构网络，主要有三个部分组成：基站、中心控制器和云服务，供车辆终端接入网络的基站包含两类，LTE网络基站和 WAVE路边基站，云服务进行车辆终端的轨迹预测，将轨迹预测的结果传输给中心控制器，中心控制器做切换决策并将决策信息发布；
步骤2、考虑到现实场景中车辆的运动受它周围的车辆影响很大，搭建基于 LSTM和卷积社交池的车辆轨迹预测模型，预测车辆和它的周围车辆作为模型的输入，模型输出预测车辆的未来轨迹。
步骤3、基于步骤2的车辆轨迹预测模型预测出车辆终端的未来轨迹，然后计算出车辆终端在各个候选网络内的驻留时间；
步骤4、利用模糊层次分析法对驻留时间在内的多个属性进行权重设置，根据不同的业务设置满足对应要求的权值；
步骤5、基于KL-TOPSIS算法进行最佳网络判决，然后将车辆终端切换到最优网络。
进一步的，所述步骤2搭建一种基于LSTM和卷积社交池的车辆轨迹预测模型，具体包括以下步骤：
步骤2-1、获取车辆轨迹预测模型的输入，即预测车辆的历史轨迹信息及环境信息，其中预测车辆左前、正前、右前、左后、正后、右后的周围车辆的历史轨迹信息作为环境信息；
步骤2-2、构建LSTM编码器模块，将预测车辆和它周围车辆的历史轨迹数据输入到LSTM编码器模块进行编码，以提取车辆轨迹数据的时间特征信息，输出每辆车的LSTM编码；
步骤2-3、构建卷积社交池模块；得到社交上下文编码和预测车辆的动态性编码；
步骤2-4、构建机动识别模块，将轨迹编码输入到机动识别模块，以识别出预测车辆的机动类别；
步骤2-5、构建LSTM解码器模块，将轨迹编码输入到LSTM解码器，LSTM 解码器从编码中提取重要的信息，结合机动类信息输出预测车辆的基于不同机动类别的轨迹概率分布；
步骤2-6、利用处理好的车辆轨迹数据集进行基于LSTM和卷积社交池的车辆轨迹预测模型的训练和测试；
进一步的，所述步骤2-3构建卷积社交池模块，得到社交上下文编码和预测车辆的动态性编码，具体包括：
步骤2-3-1、首先定义一个基于车道的网格来建立一个社交张量；首先在目标车辆周围定义了一个大小为13×3的空间网格，其中每一列对应一条车道，行与行之间的距离大约等于一辆车的长度；然后根据场景中车辆的空间位置，把周围车辆的LSTM编码填充到相应网格中，形成社交张量，从而能够提取车辆轨迹数据之间的空间社交关系；
步骤2-3-2、将社交张量先后通过3×3的卷积层、3×1的卷积层和2×1的池化层，输出社交上下文编码；利用卷积层的不变性在社交张量的空间网格中学习有用的局部特征，利用最大池化层能够加强局部平移不变性的特点，进一步学习局部特征；
步骤2-3-3、将预测车辆的LSTM编码通过全连接层来提取特征，获得预测车辆的动态性编码；卷积池化层模块输出由社交上下文编码和车辆动态性编码共同构成的轨迹编码。
进一步的，所述步骤3、基于步骤2的车辆轨迹预测模型预测出车辆终端的未来轨迹，它由一系列时间连续的轨迹点组成，是一个时间序列，然后可以计算出车辆终端在各个候选网络内的驻留时间；
进一步的，所述步骤4利用模糊层次分析法对驻留时间在内的多个属性进行权重设置，根据不同的业务设置满足对应要求的权值，具体包括：
步骤4-1、构建网络切换问题的层次结构，决策问题的目标被放在最顶层，准则层处于中间层，候选网络在最低层，准则层分为业务层和属性层两层，业务层包含三类典型的业务：会话类业务、流类业务、交互类业务；属性层包含驻留时间、接收信号强度、可用带宽和时延四个指标作为切换判决因子；
步骤4-2、对属性进行两两比较，构造业务g的模糊比较矩阵；
步骤4-3、计算属性ci的综合模糊值Si：
步骤4-4、计算属性cj综合模糊值Sj比属性ci的综合模糊值Si大的概率 V(Sj≥Si)：
步骤4-5、首先计算属性cj初始权重
Figure RE-GDA0002707674260000041
然后正则化初始权重
Figure RE-GDA0002707674260000042
获得业务g的网络属性cj的正则化权重
Figure RE-GDA0002707674260000043
最后，得到业务g的网络属性权重向量为
Figure RE-GDA0002707674260000044
进一步的，所述步骤5基于KL-TOPSIS算法进行最佳网络判决，具体过程如下：
步骤5-1、根据效用理论，设计判决属性驻留时间、接收信号强度、带宽和时延的效用函数分别为u(t)、u(s)、u(b)和u(d)；
步骤5-2、基于各属性的效用函数建立标准化决策矩阵U＝|uij|m×n，其中决策矩阵U中的每一个元素uij表示候选网络i的决策属性j的效用函数值。
步骤5-3、基于权重向量和标准化决策矩阵U，计算得到权重标准化决策矩阵V；
步骤5-4、计算每种属性的正理想解V+和负理想解V-；
步骤5-5、基于KL散度计算每个候选网络与正理想解V+和负理想解V-的相对熵距离D+和D-；
步骤5-6、计算每个候选网络的综合评估值T，如果车辆终端处于最初没有连接网络的状态，则选择切换到评估值最高的最优网络，如果车辆终端的服务网络j的网络评估值为Tj，最优网络k的评估值为Tk，且满足Tk＞Tj，则车辆终端切换到最优网络k，否则车辆终端保持当前连接。
本发明的优点及有益效果如下：
本发明为一种基于车辆轨迹预测的异构车联网切换方法。相较于传统通信网络，异构网络中融合不同类型的网络，能够满足不同用户在不同通信场景中的不同业务需求。车辆终端在异构车载网络中处于一个持续的运动状态，车辆终端的高速移动特性给网络切换带来了困难的挑战。传统的网络切换方法并没有考虑到这种运动状态的影响，在切换时会遇到处理不及时，一些网络的连接时间过短甚至发生中断，导致频繁切换和发生“乒乓效应”问题。随着深度学习的发展，利用深度学习技术解决网络切换问题更加有效。本发明首先考虑了车辆轨迹的可预测性，提出了基于LSTM和卷积社交池的车辆轨迹预测模型进行车辆轨迹预测。传统的预测方法使用运动模型来预测车辆轨迹，由于车辆的轨迹往往是高度非线性的，对于更长的预测范围，运动模型是不可靠的，因此预测准确度较低。本发明提出的基于LSTM和卷积社交池的车辆轨迹预测模型考虑到周围车辆的历史轨迹对预测车辆的运动轨迹的影响，应用卷积社交池结构提取周围车辆轨迹的特征，并应用LSTM结构在预测长时域轨迹上具有的明显优势，充分地提取了车辆轨迹数据的时空特征，因此显著提高了车辆轨迹预测的准确度。其次，基于提出的车辆轨迹预测模型预测出车辆终端的未来轨迹，然后计算出车辆终端在各个候选网络内的驻留时间，将驻留时间作为切换判决的参数之一。基于驻留时间进行切换判决，可以防止车辆终端切换到驻留时间短的网络而造成频繁切换的情况。最后，基于效用函数和KL-TOPSIS算法进行最佳切换判决，可以有效避免当候选网络与正理想解的距离和负理想解相近时在网络排序上出现偏差的情况。因此，本发明可以缓解由于车辆的高速移动性导致的频繁切换和乒乓切换问题，从而提高车辆终端的服务质量。
附图说明
图1是本发明提供优选实施例提供的异构车联网系统模型图；
图2为本发明提出的车辆轨迹预测模型图；
图3为本发明提出的车辆轨迹预测模型中的LSTM编码器结构图；
图4为本发明中车辆运动示意图；
图5为本发明中模糊层次分析法的层次结构图；
图6为本发明中车辆轨迹预测模型的均方根误差对比图；
图7为本发明切换方案的切换次数与仿真次数的结果对比图；
图8为本发明切换方案的切换次数与仿真时间的结果对比图；
图9为本发明切换方案的平均切换次数与车辆终端速度的结果对比图；
图10为本发明切换方案的乒乓切换次数与仿真次数的结果对比图；
图11为本发明切换方案的乒乓切换次数与仿真时间的结果对比图；
图12为本发明切换方案的平均乒乓切换次数与车辆终端速度的结果对比图。
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、详细地描述。所描述的实施例仅仅是本发明的一部分实施例。
本发明解决上述技术问题的技术方案是：
本发明基于异构车联网的系统模型，其中车辆终端既可以通过LTE技术接入到LTE基站，也可以通过WAVE技术接入到WAVE的路边基站(RSU)，云服务通过分析从静止和移动传感器上获取的数据进行车辆终端的轨迹预测。中心控制器通过云服务对数据进行分析和计算，做出切换决策并将决策信息发布。本发明主要解决车辆终端高速移动性造成的频繁切换问题，以降低车辆终端的切换次数和乒乓切换次数。主要通过引入深度学习技术进行车辆轨迹预测，得到车辆终端在每个候选网络的驻留时间之后，将驻留时间作为切换判决的属性，从而避免因驻留时间短而造成频繁切换和乒乓切换的情况，可以有效的降低车辆终端的切换次数和乒乓切换次数，从而提高车辆终端的服务质量。
基于车辆轨迹预测的异构车联网切换方法，包括以下步骤：
步骤1、搭建系统环境；
搭建城市场景下的异构车联网环境如图1所示，其中车辆终端既可以通过 LTE技术接入到LTE基站，也可以通过WAVE技术接入到WAVE路边基站 (RSU)。云服务作为整个网络架构的计算中心和服务提供商，中心控制器作为决策中心。具体而言，云服务具有强大的数据存储能力和计算能力，可完成复杂的数据处理和运算工作，本发明所需完成的车辆轨迹预测任务需要很大的计算和存储资源，因此由云服务通过分析从静止和移动传感器上获取的数据来完成车辆终端的轨迹预测任务，然后将轨迹预测的结果再传输给中心控制器，用于切换决策。中心控制器经路由器可以与网络基站和核心网进行有线连接，中心控制器基于收集的数据和云服务分析和计算数据的结果，做出切换决策并将决策信息发布。
步骤2、搭建基于LSTM和卷积社交池的车辆轨迹预测模型；
车辆轨迹预测可以看作是一种序列分类或序列生成任务。随着长短期记忆网络(LSTM)在序列学习和生成任务中建模的成功，本章搭建基于LSTM和卷积社交池的车辆轨迹预测模型，如图2所示，预测目标是预测出车辆未来一段时间的车辆轨迹。现实场景中，由于预测车辆的运动受它周围的车辆影响很大，所以本模型考虑预测车辆的周围车辆的运动对轨迹预测的影响。在相同的交通环境下，人类司机可以做出许多决定之一，所以本模型考虑预测的多模态性质，基于不同机动类别进行车辆轨迹预测，具体过程如下：
步骤2-1、获取车辆轨迹预测模型的输入，即预测车辆的历史轨迹信息及环境信息。输入为：
Figure RE-GDA0002707674260000081
其中th为历史时域，也即输入轨迹的长度，
Figure RE-GDA0002707674260000082
为预测车辆的历史轨迹信息，E(t)为环境信息。预测车辆左前、正前、右前、左后、正后、右后的周围车辆是对预测车辆的运动影响最大的六辆车，选取这六辆车的历史轨迹信息作为环境信息，为：
Figure RE-GDA0002707674260000083
其中
Figure RE-GDA0002707674260000084
为周围车辆i(i＝1,2,3,4,5,6)的位置坐标。
步骤2-2、构建LSTM编码器模块，由七个LSTM编码器构成，这七个LSTM 编码器与预测车辆和周围车辆一一对应，每个LSTM编码器的输出状态用来编码对应车辆的运动状态。在每一时刻，预测车辆和周围车辆的最新的th帧历史轨迹作为LSTM编码器模块的输入，LSTM编码器模块提取车辆轨迹数据的时间特征信息，通过历史轨迹信息学习车辆运动的动态性，输出每辆车的LSTM编码。
如图3为预测车辆的LSTM编码器的结构示意图，其中LSTM编码器由多个LSTM单元组成。为了降低了网络复杂度，每个LSTM编码器的LSTM单元彼此共享权值。在每一时刻t，预测车辆的最新的th帧历史轨迹作为这个LSTM 编码器模块的输入。LSTM单元读取当前时刻的预测车辆的轨迹
Figure RE-GDA0002707674260000085
和上一时刻历史轨迹信息的隐藏状态h(t-1)，以此更新当前时刻的隐藏状态h(t)，即
Figure DEST_PATH_BDA0002620965430000086
同样周围车辆的LSTM编码器也通过这种方式来学习历史轨迹序列中的规律。LSTM编码器模块输出每辆车的LSTM编码信息，包含编码器对历史轨迹特征的理解与记忆。
步骤2-3、构建卷积社交池模块，主要由两个卷积层、一个最大池化层和一个全连接层组成。虽然LSTM编码器能够捕获车辆运动的动态，但它不能捕获场景中所有车辆运动的相互依赖关系。为了解决这个问题，本模型构建卷积社交池模块将所有相邻车辆的LSTM状态集中到一个社交张量中，并通过卷积层和最大池化层从社交张量中学习车辆轨迹的有用的局部特征。
步骤2-3-1、本模块首先定义一个基于车道的网格来建立一个社交张量。首先在目标车辆周围定义了一个大小为13×3的空间网格，其中每一列对应一条车道，行与行之间的距离大约等于一辆车的长度。然后根据场景中车辆的空间位置，把周围车辆的LSTM编码填充到相应网格中，形成社交张量，从而能够提取车辆轨迹数据之间的空间社交关系。
步骤2-3-2、将社交张量先后通过3×3的卷积层、3×1的卷积层和2×1的池化层，输出社交上下文编码。本模型利用卷积层的不变性在社交张量的空间网格中学习有用的局部特征，利用最大池化层能够加强局部平移不变性的特点，进一步学习局部特征。
步骤2-3-3、将预测车辆的LSTM编码通过全连接层来提取特征，获得预测车辆的动态性编码。卷积池化层模块输出由社交上下文编码和车辆动态性编码共同构成的轨迹编码。
步骤2-4、构建机动识别模块，考虑三种横向机动类别和两种纵向机动类别。横向机动类别包括向左转弯、向右转弯和直线行驶。纵向机动类别包括正常驾驶和制动。当车辆在预测区间内的平均速度小于其预测时刻速度的0.5倍时，将其定义为进行制动。那么将三种横向机动类别和两种纵向机动类别组合起来，共有六种机动类别。机动识别模块有两个softmax层，分别输出3种横向和2种纵向的机动概率。利用横向softmax函数计算出横向机动类别分别为向左转弯，直线行驶和向右转弯的概率，利用纵向softmax函数计算出纵向机动类别分别为正常驾驶和制动的概率。假定横向和纵向机动类条件独立，则通过取相应的横向和纵向机动概率的乘积得到每种机动类别的概率。
机动识别模块输出的机动类别向量为M＝(m1,m2,m3,m4,m5,m6)，向量中的元素m1,m2,m3,m4,m5,m6分别代表向左转弯、直线行驶、向右转弯、向左转弯制动、直线行驶制动、向右转弯制动六种机动类别；Ω为各个机动类别的概率组成的向量，ωi(i＝1,2,3,4,5，6)分别代表六种机动类别的概率，则机动类别模块的输出为：
ωi＝P(mi|X),Ω＝(ω1,ω2,ω3,ω4,ω5,ω6) (3)
步骤2-5、构建LSTM解码器模块，由六个机动编码和六个LSTM解码器构成，每一个LSTM解码器由多个LSTM单元构成，LSTM单元之间共享权值。将轨迹编码输入到LSTM解码器模块,每个LSTM解码器的输入由机动编码和轨迹编码构成,LSTM解码器模块输出预测车辆的基于不同机动类别的未来tf帧的轨迹概率分布PΘ(Y|mi,X)。
步骤2-6、将LSTM解码器模块输出的预测车辆的基于不同机动类别的未来 tf帧的轨迹概率分布PΘ(Y|mi,X)与机动识别模块输出的六种机动类别的概率分布P(mi|X)相乘，得到预测车辆的未来轨迹的概率分布公式为：
Figure RE-GDA0002707674260000101
式中Θ＝[Θ(t+1),...,Θ(t+T)]是每个时刻的二元高斯分布参数，X为模型输入量，Y为模型输出量：
Figure RE-GDA0002707674260000103
其中
Figure RE-GDA0002707674260000102
表示模型预测出的目标车辆在t时刻的坐标，tf为预测时域，即表示模型预测输出预测车辆未来tf时间内的轨迹序列。
步骤2-7、对于现有的车辆轨迹数据集，它由以1Hz的频率捕捉到的真实城市交通轨迹组成，每个车辆轨迹数据包含时间、车辆ID、经纬度。将整个车辆轨迹数据集分为训练集和测试集，测试集由车辆轨迹数据集的四分之一轨迹组成，训练集由车辆轨迹数据集的四分之三轨迹组成。将每个数据集的轨迹分割成长度为80s的轨迹段，将每个轨迹段分割成两部分，轨迹段前30s的轨迹作为历史轨迹数据，后50秒的轨迹作为预测轨迹数据。
步骤2-8、利用处理好的车辆轨迹数据集进行车辆轨迹预测模型的训练和测试。其中使用反向传播算法进行迭代训练，损失函数采用均方误差(Mean Squared Error，MSE)，选取训练出的均方误差最小的模型作为最优模型进行测试，选择最优的模型进行车辆轨迹预测，输出预测结果数据。
步骤3、由于驻留时间与网络覆盖范围、车辆终端的运动轨迹有关，因此通过预测的车辆运动轨迹能够计算出车辆终端在各个候选网络内的驻留时间。
如图4为车辆运动示意图，其中B为道路路口，C和D分别为WAVE1和 WAVE2的覆盖边界与道路的交点。假设车辆位于位置A，预测出的车辆轨迹为车辆从A经B、C、D行驶到E。由于车辆轨迹由一系列时间连续的轨迹点组成，是一个时间序列，所以可以得到车辆行驶到在位置A、B、C、D、E的时刻分别为ta，tb，tc，td，te。因此，可计算得到车辆在候选网络WAVE1中的驻留时间 TWAVE1、在候选网络WAVE2中的驻留时间TWAVE2和在候选网络LTE1中的驻留时间TLTE1为：
TWAVE1＝td-ta，TWAVE2＝tc-ta，TLTE1＝te-ta (6)
步骤4、通过对每种业务类型的特点进行分析发现，不同业务对于网络的性能要求有很大区别，因此需要对不同业务类型进行分析得到能够满足个性化切换的权重值。利用模糊层次分析法对驻留时间等多个属性进行权重设置，具体过程如下：
步骤4-1、构建网络切换问题的层次结构，如图5所示。决策问题的目标被放在最顶层，准则层处于中间层，候选网络在最低层。准则层分为业务层和属性层两层，业务层包含三类典型的业务：会话类业务、流类业务、交互类业务。属性层包含驻留时间、接收信号强度、可用带宽和时延四个指标作为切换判决因子。
步骤4-2、对属性进行两两比较，构造业务g的模糊比较矩阵
Figure RE-GDA0002707674260000111
Figure RE-GDA0002707674260000121
其中g＝1，...，Y，Y为业务数量，n为网络属性数量，其中aij＝(lij,mij,uij)表示属性 ci相对于属性cj对于业务g的相对重要性，当i≠j时aji＝1/aij，当i＝j时aii＝(1,1,1)。对于具有n个属性的决策问题，需要n(n-1)/2次属性重要性比较。
步骤4-3、计算属性ci的综合模糊值Si：
Figure RE-GDA0002707674260000122
其中：
Figure RE-GDA0002707674260000123
且满足：
Figure RE-GDA0002707674260000124
步骤4-4、计算属性cj综合模糊值Sj比属性ci的综合模糊值Si大的概率 V(Sj≥Si)：
Figure RE-GDA0002707674260000125
步骤4-5、首先通过公式(12)计算属性cj初始权重
Figure RE-GDA0002707674260000126
Figure RE-GDA0002707674260000127
然后通过公式(13)正则化初始权重
Figure RE-GDA0002707674260000128
获得业务g的网络属性cj的正则化权重
Figure RE-GDA0002707674260000129
Figure RE-GDA0002707674260000131
最后，得到业务g的网络属性权重向量为
Figure RE-GDA0002707674260000132
步骤5、基于KL-TOPSIS算法来进行最佳网络判决，可以有效避免候选方案与正理想解的距离和负理想解相近时网络排序上出现的偏差，具体过程如下：
步骤5-1、根据效用函数满足二次可微性、单调性和凹凸性的效用理论，设计每个判决属性的效用函数，属性驻留时间、接收信号强度、带宽和时延的效用函数分别为u(t)、u(s)、u(b)和u(d)：
Figure RE-GDA0002707674260000133
其中t是候选网络的驻留时间，tmin是业务需求的最小驻留时间。
Figure RE-GDA0002707674260000134
其中
Figure RE-GDA0002707674260000135
smin和smax分别表示业务需求的信号强度的上下限，γ代表了敏感性。
Figure RE-GDA0002707674260000141
其中bmin和bmax分别表示业务需求带宽的最小值和最大值，b表示候选网络的带宽。
Figure RE-GDA0002707674260000142
其中dmax表示业务需求的最大时延，dm表示最大时延的1/2。
步骤5-2、建立标准化决策矩阵U＝|uij|m×n，其中决策矩阵U中的每一个元素 uij表示候选网络i的决策属性j的效用函数值。由于效用函数标准化的属性的效用值在[0,1]之间，因此不需要进一步的标准化。
步骤5-3、把权重向量和标准化决策矩阵U对应相乘得到权重标准化决策矩阵V:
V＝(vij)M×N,vij＝uij*wj,i＝1,...,M,j＝1,...,N (18)
其中，wj是属性j的权重，uij是候选网络i的属性j的效用值。
步骤5-4、计算正理想解
Figure RE-GDA0002707674260000143
和负理想解
Figure RE-GDA0002707674260000144
Figure RE-GDA0002707674260000151
其中，
Figure RE-GDA0002707674260000152
和
Figure RE-GDA0002707674260000153
分别表示所有候选网络中属性j的最优值和最差值。因为计算效用值时，有区分开效益型属性和成本型属性并分别计算效用值，所以当计算正理想解V+和负理想解V-时不需要分别计算。
步骤5-5、基于KL散度计算每个候选网络i与正理想解V+和负理想解V-的相对熵距离
Figure RE-GDA0002707674260000154
和
Figure RE-GDA0002707674260000155
Figure RE-GDA0002707674260000156
其中，vij是权重标准化决策矩阵V的元素。
步骤5-6、计算每个候选网络的综合评估值T＝{T1,...,Ti,...,TM}:
Figure RE-GDA0002707674260000157
如果车辆终端处于最初没有连接网络的状态，则选择切换到评估值最高的最优网络。如果车辆终端的服务网络j的网络评估值为Tj，最优网络k的评估值为Tk，且满足Tk＞Tj，则车辆终端切换到最优网络k，否则车辆终端保持当前连接。
本发明中，为了验证提出的基于卷积社交池和LSTM(CS-LSTM)的车辆轨迹预测模型的性能，将其与车辆运动学的轨迹预测模型和基于LSTM的轨迹预测模型进行仿真比较。为了验证本发明提出的基于车辆轨迹预测的异构车联网切换方案的性能，将其与基于RSS的切换方案、基于RSST的切换方案进行仿真比较。
图6展示了CS-LSTM模型、LSTM模型和车辆运动学模型三种车辆轨迹预测模型预测车辆轨迹的均方根误差对比图，可以明显看出CS-LSTM模型的均方根误差最低，预测结果最好。基于CS-LSTM的轨迹预测模型不仅利用LSTM网络在在处理长时间序列的优越性，还考虑了车辆间的相互作用，利用卷积社交池化层更好地模拟车辆运动的相互依赖性，提高了车辆轨迹预测模型的性能。
图7为为本发明切换方案的切换次数与仿真次数的结果对比图，将本发明切换方案与基于RSS的切换方案和基于RSST的切换方案进行仿真对比，可以看出，本发明切换方案在切换次数上优于其他两种方案。
图8为本发明切换方案的切换次数与仿真时间的结果对比图，它展示了在单次仿真实验过程中，本发明切换方案与基于RSS的切换方案、基于RSST的切换方案随时间变化的切换次数的变化对比图。从图中可以看出，在仿真时间较短时，本发明切换方案与基于RSST的切换方案的切换次数相差不大，整体接近，但是随着仿真时间的推移，两种方案的切换次数的差距逐渐增大。本发明切换方案的切换次数在每一时刻都低于其他两种方案。
图9为本发明切换方案的平均切换次数与车辆终端速度的结果对比图。从整体趋势上看，本发明切换方案与基于RSS的切换方案、基于RSST的切换方案的平均切换次数都随速度的增加而增加。同时在相同速度条件下，本发明切换方案的平均切换次数一直低于其他两种切换算法。因为本发明切换方案通过预测终端在候选网络内的驻留时间避免了切换的频繁发生，进一步考虑了网络属性和服务特性，避免了由于网络参数的瞬时变化而发生频繁切换的情况。因此，本发明切换方案在减少切换次数方面具有显著的效果。
图10表示本发明切换方案与基于RSS的切换方案和基于RSST的切换方案的乒乓切换次数与仿真次数的结果对比图，从图中可以看出，本发明切换方案的乒乓切换次数均低于其他两种方案，说明本发明切换方案在乒乓切换次数上优于其他两种方案。
图11为在单次仿真实验过程中，本发明切换方案与基于RSS的切换方案、基于RSST的切换方案乒乓切换次数随时间变化的状态图。从图中可以看出，本发明切换方案的平均乒乓切换次数在每一时刻都低于其他两种方案。
图12描述了本发明切换方案与基于RSS的切换方案、基于RSST的切换方案的平均乒乓切换次数随车辆终端速度的变化曲线，可以看出，三种切换方案的平均乒乓切换次数都随速度的增加而增加，本发明切换方案的平均乒乓切换次数一直低于其他两种方案的平均乒乓切换次数。因为本发明切换方案考虑了候选网络内的驻留时间等多个参数进行网络切换判决，避免了由于单一网络参数的瞬时变化而发生乒乓切换的情况。因此，本发明切换方案在减少乒乓切换次数方面具有显著的效果。
通过上述的仿真比较，可知本发明提出基于车辆轨迹预测的异构车联网切换方案是有效的。本发明通过提出的基于CS-LSTM的轨迹预测模型进行车辆轨迹预测，然后根据预测的车辆轨迹计算车辆终端在每个候选网络的驻留时间，将驻留时间作为网络切换判决的属性，因而可以避免因驻留时间短导致的车辆频繁切换问题，能够降低车辆终端的切换次数和乒乓切换次数，从而提高车辆用户的服务质量。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上这些实施例应理解为仅用于说明本发明而不用于限制本发明的保护范围。在阅读了本发明的记载的内容之后，技术人员可以对本发明作各种改动或修改，这些等效变化和修饰同样落入本发明权利要求所限定的范围。

Claims (5)

1.一种基于车辆轨迹预测的异构车联网切换方法，其特征在于，包括以下步骤：
步骤1、搭建城市场景下的车载异构网络，主要有三个部分组成：基站、中心控制器和云服务，供车辆终端接入网络的基站包含两类，LTE网络基站和WAVE路边基站，云服务进行车辆终端的轨迹预测，将轨迹预测的结果传输给中心控制器，中心控制器做切换决策并将决策信息发布；
步骤2、考虑到现实场景中车辆的运动受它周围的车辆影响很大，搭建基于LSTM和卷积社交池的车辆轨迹预测模型，预测车辆和它的周围车辆作为模型的输入，模型输出预测车辆的未来轨迹；
步骤3、基于步骤2的车辆轨迹预测模型预测出车辆终端的未来轨迹，然后计算出车辆终端在各个候选网络内的驻留时间；
步骤4、利用模糊层次分析法对驻留时间在内的多个属性进行权重设置，根据不同的业务设置满足对应要求的权值；
步骤5、利用基于KL散度的逼近理想解排序法KL-TOPSIS进行最佳网络判决，然后将车辆终端切换到最优网络；
所述步骤2搭建一种基于LSTM和卷积社交池的车辆轨迹预测模型，具体包括以下步骤：
步骤2-1、获取车辆轨迹预测模型的输入，即预测车辆的历史轨迹信息及环境信息，其中预测车辆左前、正前、右前、左后、正后、右后的周围车辆的历史轨迹信息作为环境信息；
步骤2-2、构建LSTM编码器模块，将预测车辆和它周围车辆的历史轨迹数据输入到LSTM编码器模块进行编码，以提取车辆轨迹数据的时间特征信息，输出每辆车的LSTM编码；
步骤2-3、构建卷积社交池模块；得到社交上下文编码和预测车辆的动态性编码；
步骤2-4、构建机动识别模块，将轨迹编码输入到机动识别模块，以识别出预测车辆的机动类别；
步骤2-5、构建LSTM解码器模块，将轨迹编码输入到LSTM解码器，LSTM解码器从编码中提取重要的信息，结合机动类信息输出预测车辆的基于不同机动类别的轨迹概率分布；
步骤2-6、利用处理好的车辆轨迹数据集进行基于LSTM和卷积社交池的车辆轨迹预测模型的训练和测试；
所述步骤2-3构建卷积社交池模块，得到社交上下文编码和预测车辆的动态性编码，具体包括：
步骤2-3-1、首先定义一个基于车道的网格来建立一个社交张量；首先在目标车辆周围定义了一个大小为13×3的空间网格，其中每一列对应一条车道，行与行之间的距离大约等于一辆车的长度；然后根据场景中车辆的空间位置，把周围车辆的LSTM编码填充到相应网格中，形成社交张量，从而能够提取车辆轨迹数据之间的空间社交关系；
步骤2-3-2、将社交张量先后通过3×3的卷积层、3×1的卷积层和2×1的池化层，输出社交上下文编码；利用卷积层的不变性在社交张量的空间网格中学习有用的局部特征，利用最大池化层能够加强局部平移不变性的特点，进一步学习局部特征；
步骤2-3-3、将预测车辆的LSTM编码通过全连接层来提取特征，获得预测车辆的动态性编码；卷积池化层模块输出由社交上下文编码和车辆动态性编码共同构成的轨迹编码。
2.根据权利要求1所述的一种基于车辆轨迹预测的异构车联网切换方法，其特征在于，所述步骤2-4、构建机动识别模块，具体包括：考虑三种横向机动类别和两种纵向机动类别，横向机动类别包括向左转弯、向右转弯和直线行驶；纵向机动类别包括正常驾驶和制动；当车辆在预测区间内的平均速度小于其预测时刻速度的0.5倍时，将其定义为进行制动；那么将三种横向机动类别和两种纵向机动类别组合起来，共有六种机动类别；机动识别模块有两个softmax层，分别输出3种横向和2种纵向的机动概率；利用横向softmax函数计算出横向机动类别分别为向左转弯，直线行驶和向右转弯的概率，利用纵向softmax函数计算出纵向机动类别分别为正常驾驶和制动的概率；假定横向和纵向机动类条件独立，则通过取相应的横向和纵向机动概率的乘积得到每种机动类别的概率。
3.根据权利要求2所述的一种基于车辆轨迹预测的异构车联网切换方法，其特征在于，所述步骤3、基于步骤2的车辆轨迹预测模型预测出车辆终端的未来轨迹，它由一系列时间连续的轨迹点组成，是一个时间序列，然后可以计算出车辆终端在各个候选网络内的驻留时间。
4.根据权利要求3所述的一种基于车辆轨迹预测的异构车联网切换方法，其特征在于，所述步骤4利用模糊层次分析法对驻留时间在内的多个属性进行权重设置，根据不同的业务设置满足对应要求的权值，具体包括：
步骤4-1、构建网络切换问题的层次结构，决策问题的目标被放在最顶层，准则层处于中间层，候选网络在最低层，准则层分为业务层和属性层两层，业务层包含三类典型的业务：会话类业务、流类业务、交互类业务；属性层包含驻留时间、接收信号强度、可用带宽和时延四个指标作为切换判决因子；
步骤4-2、对属性进行两两比较，构造业务g的模糊比较矩阵；
步骤4-3、计算属性ci的综合模糊值Si：
步骤4-4、计算属性cj综合模糊值Sj比属性ci的综合模糊值Si大的概率V(Sj≥Si)：
步骤4-5、首先计算属性cj初始权重
Figure FDA0003471074140000031
然后正则化初始权重
Figure FDA0003471074140000032
获得业务g的网络属性cj的正则化权重
Figure FDA0003471074140000033
最后，得到业务g的网络属性权重向量为
Figure FDA0003471074140000034
5.根据权利要求4所述的一种基于车辆轨迹预测的异构车联网切换方法，其特征在于，所述步骤5基于KL-TOPSIS进行最佳网络判决，具体过程如下：
步骤5-1、根据效用理论，设计判决属性驻留时间、接收信号强度、带宽和时延的效用函数分别为u(t)、u(s)、u(b)和u(d)；
步骤5-2、基于各属性的效用函数建立标准化决策矩阵U＝|uij|m×n，其中决策矩阵U中的每一个元素uij表示候选网络i的决策属性j的效用函数值；
步骤5-3、基于权重向量和标准化决策矩阵U，计算得到权重标准化决策矩阵V；
步骤5-4、计算每种属性的正理想解V+和负理想解V-；
步骤5-5、基于KL散度计算每个候选网络与正理想解V+和负理想解V-的相对熵距离D+和D-；
步骤5-6、计算每个候选网络的综合评估值T，如果车辆终端处于最初没有连接网络的状态，则选择切换到评估值最高的最优网络，如果车辆终端的服务网络j的网络评估值为Tj，最优网络k的评估值为Tk，且满足Tk＞Tj，则车辆终端切换到最优网络k，否则车辆终端保持当前连接。
CN202010783220.1A 2020-08-06 2020-08-06 一种基于车辆轨迹预测的异构车联网切换方法 Active CN112004197B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010783220.1A CN112004197B (zh) 2020-08-06 2020-08-06 一种基于车辆轨迹预测的异构车联网切换方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010783220.1A CN112004197B (zh) 2020-08-06 2020-08-06 一种基于车辆轨迹预测的异构车联网切换方法

Publications (2)

Publication Number Publication Date
CN112004197A CN112004197A (zh) 2020-11-27
CN112004197B true CN112004197B (zh) 2022-03-22

Family

ID=73463458

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010783220.1A Active CN112004197B (zh) 2020-08-06 2020-08-06 一种基于车辆轨迹预测的异构车联网切换方法

Country Status (1)

Country Link
CN (1) CN112004197B (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112559585A (zh) * 2020-12-02 2021-03-26 中南大学 交通时空序列单步预测方法、系统及存储介质
CN112672402B (zh) * 2020-12-10 2022-05-03 重庆邮电大学 超密集异构无线网络中基于网络推荐的接入选择方法
CN112765892B (zh) * 2021-01-27 2023-09-26 东北大学 一种异构车联网中的智能切换判决方法
CN113950113B (zh) * 2021-10-08 2022-10-25 东北大学 一种基于隐马尔科夫的车联网切换决策方法
CN113643542A (zh) * 2021-10-13 2021-11-12 北京理工大学 基于集成学习的多车交互环境下车辆轨迹预测方法及系统
CN114025331B (zh) * 2021-10-20 2024-04-26 武汉科技大学 基于异构网络的交通系统及异构网络环境下网络选择方法
CN113993172B (zh) * 2021-10-24 2022-10-25 河南大学 一种基于用户移动行为预测的超密集网络切换方法
CN115065999B (zh) * 2022-04-14 2024-02-23 重庆大学 一种结合业务多样性和终端偏好的网络垂直切换方法
CN115631629B (zh) * 2022-10-20 2023-11-24 湖南大学 一种基于轨迹预测的城市动态车辆云构建方法及系统

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2207383A1 (en) * 2009-01-09 2010-07-14 Alcatel, Lucent Method and apparatus for use in performing a handover function in a cellular wireless network
CN102572982A (zh) * 2010-12-08 2012-07-11 同济大学 一种用于异构车辆通信网络的多属性切换判决方法
CN102625378A (zh) * 2012-02-29 2012-08-01 西安电子科技大学 一种异构无线网络快速切换协议流程
CN104282162A (zh) * 2014-09-29 2015-01-14 同济大学 一种基于实时车辆轨迹的交叉口自适应信号控制方法
EP3073460A1 (en) * 2015-03-24 2016-09-28 Alcatel Lucent Predicting the trajectory of mobile users
CN106572511A (zh) * 2016-11-15 2017-04-19 中国联合网络通信集团有限公司 异构网络中小区切换或重选的方法和装置
CN109791409A (zh) * 2016-09-23 2019-05-21 苹果公司 自主车辆的运动控制决策
CN110446184A (zh) * 2019-07-29 2019-11-12 华南理工大学 一种多模式切换的车联网路由方法
CN110891293A (zh) * 2019-11-11 2020-03-17 南京邮电大学 一种基于车辆轨迹预测的多属性网络选择方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111586783B (zh) * 2012-12-10 2022-07-19 索尼公司 管理设备、通信设备、运动估计设备、系统、方法和介质

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2207383A1 (en) * 2009-01-09 2010-07-14 Alcatel, Lucent Method and apparatus for use in performing a handover function in a cellular wireless network
CN102572982A (zh) * 2010-12-08 2012-07-11 同济大学 一种用于异构车辆通信网络的多属性切换判决方法
CN102625378A (zh) * 2012-02-29 2012-08-01 西安电子科技大学 一种异构无线网络快速切换协议流程
CN104282162A (zh) * 2014-09-29 2015-01-14 同济大学 一种基于实时车辆轨迹的交叉口自适应信号控制方法
EP3073460A1 (en) * 2015-03-24 2016-09-28 Alcatel Lucent Predicting the trajectory of mobile users
CN109791409A (zh) * 2016-09-23 2019-05-21 苹果公司 自主车辆的运动控制决策
CN106572511A (zh) * 2016-11-15 2017-04-19 中国联合网络通信集团有限公司 异构网络中小区切换或重选的方法和装置
CN110446184A (zh) * 2019-07-29 2019-11-12 华南理工大学 一种多模式切换的车联网路由方法
CN110891293A (zh) * 2019-11-11 2020-03-17 南京邮电大学 一种基于车辆轨迹预测的多属性网络选择方法

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
Handover optimization scheme for LTE-Advance networks based on AHP-TOPSIS and Q-learning;Tanu Goyal等;《Computer Communications》;20181109;全文 *
Rényi Divergence and Kullback-Leibler Divergence;Tim van Erven等;《IEEE TRANSACTIONS ON INFORMATION THEORY》;20140612;全文 *
SS-LSTM A Hierarchical LSTM Model for Pedestrian Trajectory Prediction;Hao Xue等;《2018 IEEE Winter Conference on Applications of Computer Vision》;20180507;全文 *
Threat evaluation method of warships formation air defense based on AR(p)-DITOPSIS;SUN Haiwen等;《Journal of Systems Engineering and Electronics》;20190430;全文 *
基于深度学习的交通预测技术及其在通信中的应用研究;张文刚;《中国优秀硕士学位论文全文数据库工程科技II辑》;20181010;全文 *
车联网中的异构网络融合机制研究;朱海东等;《通信技术》;20170810;全文 *
面向车联网应用的移动云网络资源管理与优化研究;侯璐;《中国博士学位论文全文数据库工程科技II辑》;20190810;全文 *

Also Published As

Publication number Publication date
CN112004197A (zh) 2020-11-27

Similar Documents

Publication Publication Date Title
CN112004197B (zh) 一种基于车辆轨迹预测的异构车联网切换方法
CN111931905B (zh) 一种图卷积神经网络模型、及利用该模型的车辆轨迹预测方法
Yang et al. Edge intelligence for autonomous driving in 6G wireless system: Design challenges and solutions
Cai et al. Environment-attention network for vehicle trajectory prediction
CN109636049B (zh) 一种结合道路网络拓扑结构与语义关联的拥堵指数预测方法
CN110796856A (zh) 车辆变道意图预测方法及变道意图预测网络的训练方法
CN115662166B (zh) 一种自动驾驶数据处理方法及自动驾驶交通系统
CN113362368B (zh) 一种基于多层次时空图神经网络的人群轨迹预测方法
CN113705636A (zh) 一种自动驾驶车辆轨迹预测方法、装置及电子设备
CN114283576B (zh) 一种车辆意图预测方法及相关装置
Guo et al. V2V task offloading algorithm with LSTM-based spatiotemporal trajectory prediction model in SVCNs
Habibi et al. Human trajectory prediction using similarity-based multi-model fusion
Lin et al. Multi-level cluster-based satellite-terrestrial integrated communication in internet of vehicles
CN108921044A (zh) 基于深度卷积神经网络的驾驶员决策特征提取方法
CN113903173B (zh) 一种基于有向图结构和lstm的车辆轨迹特征提取方法
Zhang et al. Predictive trajectory planning for autonomous vehicles at intersections using reinforcement learning
CN114332797A (zh) 一种带自评测机制的道路场景语义分割方法及系统
Qi et al. Social prediction-based handover in collaborative-edge-computing-enabled vehicular networks
Xiaoqiang et al. Graph convolution reinforcement learning for decision-making in highway overtaking scenario
CN116910484A (zh) 轨迹预测方法、装置、电子设备和存储介质
Ye et al. Neural network‐based semantic segmentation model for robot perception of driverless vision
CN112765892B (zh) 一种异构车联网中的智能切换判决方法
CN115937896A (zh) 一种基于速度终点指导的自监督行人轨迹预测方法
CN115719547A (zh) 基于多重交互行为的交通参与者轨迹预测方法及系统
CN114915940A (zh) 一种基于边云计算的车路通信链路匹配方法及系统

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