CN113630743A - 一种基于v2x网络智能网联射频效益的分析方法 - Google Patents
一种基于v2x网络智能网联射频效益的分析方法 Download PDFInfo
- Publication number
- CN113630743A CN113630743A CN202110940460.2A CN202110940460A CN113630743A CN 113630743 A CN113630743 A CN 113630743A CN 202110940460 A CN202110940460 A CN 202110940460A CN 113630743 A CN113630743 A CN 113630743A
- Authority
- CN
- China
- Prior art keywords
- network
- data
- radio frequency
- characteristic
- intelligent
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 58
- 230000008901 benefit Effects 0.000 title claims abstract description 37
- 230000006855 networking Effects 0.000 title claims abstract description 30
- 238000012360 testing method Methods 0.000 claims abstract description 56
- 238000013507 mapping Methods 0.000 claims abstract description 52
- 238000012545 processing Methods 0.000 claims abstract description 15
- 230000006870 function Effects 0.000 claims description 36
- 238000000034 method Methods 0.000 claims description 24
- 230000002159 abnormal effect Effects 0.000 claims description 13
- 230000005540 biological transmission Effects 0.000 claims description 13
- 238000011156 evaluation Methods 0.000 claims description 13
- 238000005259 measurement Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 10
- 238000003062 neural network model Methods 0.000 claims description 9
- 210000002569 neuron Anatomy 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 239000000203 mixture Substances 0.000 claims description 5
- 239000002994 raw material Substances 0.000 claims description 5
- 238000013142 basic testing Methods 0.000 claims description 3
- 210000004205 output neuron Anatomy 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 description 9
- 239000002609 medium Substances 0.000 description 9
- 238000005457 optimization Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 230000003993 interaction Effects 0.000 description 4
- 238000009877 rendering Methods 0.000 description 4
- 238000012800 visualization Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000011157 data evaluation Methods 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 239000012120 mounting media Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- 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]
-
- 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
- H04L41/22—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks comprising specially adapted graphical user interfaces [GUI]
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/02—Arrangements for optimising operational condition
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/04—Arrangements for maintaining operational condition
-
- 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]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Abstract
本发明涉及智能交通技术领域,具体涉及一种基于V2X网络智能网联射频效益的分析方法,包括,获取智能网联车辆当前的V2X网络路测数据;根据所述V2X网络路测数据和第一参考数据形成V2X网络映射数据以及与所述V2X网络映射数据匹配的特征数据;根据所述特征数据做分析处理以形成一分析结果输出。
Description
技术领域
本发明涉及智能交通技术领域,具体涉及一种基于V2X网络智能网联射频效益的分析方法。
背景技术
V2X((vehicle-to-everything)是未来智能交通运输系统的关键技术。它使得车与车、车与基站、基站与基站之间能够通信。从而获得实时路况、道路信息、行人信息等一系列交通信息,从而提高驾驶安全性、减少拥堵、提高交通效率、提供车载娱乐信息等。V2X,即“车对外界”是车联网的关键技术,重在实现车与外界的信息交互。V2X的无线信息交换技术,是“车对车(V2V)”信息交换技术和“车对基础设施(V2I)”信息交换技术等的统称。搭载V2X模块的车辆能够实时感知周围环境,为自动选择最佳行驶路线、避免交通事故等提供数据支撑。V2X是车联网的关键技术,真正意义上的车联网由网络平台、车辆和行驶环境三部分组成,三者缺一不可,并实现三部分之间的“互联互通”。其中,行驶环境包括道路信息、信号灯及其它交通基础设施、附近车辆、行人等与车辆行驶相关的外部环境。
随着智能网联汽车的飞速发展,当大量V2X网络设备通过路侧单元RSU与云控平台、车端设备进行信息交互时,只有功能稳定、性能可靠的V2X网络通讯网络才能辅助确保智能网联汽车的出行安全、提高智能网联汽车的出行效率。实现功能稳定、性能可靠的V2X网络的关键之一是对路侧RSU部署V2X网络进行常态化路测、性能验证及优化调整,针对实际道路环境,借助各类测试工具、仪表、系统等定期采集V2X网络的运行数据,对V2X网络射频效益进行评估,根据评估结果发现网络异常,从而有针对性的进行网络优化调整。目前,V2X网络射频效益评估路测还并不多,在现有的V2X网络射频效益评估系统中,主要存在以下缺陷:指标数据项具有局限性,常用的指标射频功率等;网络异常识别时,大都还是凭借专业人员的经验简单分析现场采集的射频指标数据,更多依赖于人为经验,受限于道路、车辆以及天气等多方面因素形成的复杂环境,实际执行效率低,不能快速、高效、准确、可靠地给出识别结果;系统只能通过指标数据或者统计图表进行结果显示,可视化效果较差,不能结合地图可视化展示。
发明内容
一方面,本申请提供一种基于V2X网络智能网联射频效益的分析方法,其中:包括,
获取智能网联车辆当前的V2X网络路测数据;
根据所述V2X网络路测数据和第一参考数据形成V2X网络映射数据以及与所述V2X网络映射数据匹配的特征数据;
根据所述特征数据做分析处理以形成一分析结果输出。
优选地,上述的一种基于V2X网络智能网联射频效益的分析方法,其中:其中,根据所述V2X网络路测数据和第一参考数据形成V2X网络映射数据以及与所述V2X网络映射数据匹配的特征数据具体包括:
根据所述V2X网络路测数据和路侧RSU工参数据、道路数据将V2X网络路侧数据映射至物理道路路段以形成每一个路侧V2X设备的网络映射数据;
根据每一个所述V2X网络映射数据形成V2X网络映射测试数据。
优选地,上述的一种基于V2X网络智能网联射频效益的分析方法,其中:包括:所述特征数据至少包括丢包率、网络延时,执行根据所述V2X网络路测数据和第一参考数据形成V2X网络映射数据以及与所述V2X网络映射数据匹配的特征数据具体包括:
V2X网络路测数据网络环境中,于接收到发送数据包的指令的状态下发送一标准数据包数据,并记录所述数据包数据输出的第一时间;
接收返回的反馈数据包数据,并记录接收所述反馈数据包数据的第二时间;
根据所述第一时间和所述第二时间判断当前网络传输时间。
优选地,上述的一种基于V2X网络智能网联射频效益的分析方法,其中:校验所述反馈数据包数据与所述标准数据包数据之间的匹配度;
根据所述匹配度判断当前网络传输的丢包率。
优选地,上述的一种基于V2X网络智能网联射频效益的分析方法,其中:所述特征数据至少包括射频功率、丢包率、网络延时以及空间覆盖区域,执行根据所述特征数据做分析处理以形成一分析结果输出具体包括:
获取所述特征数据以形成一特征参数集,于所述特征参数集中选取一个或多个参数数据输入算法;
对所述特征参数集中的每一个特征参数进行预处理,根据每一个特征参数形成一特征函数;
对每一个特征函数做归一化处理以形成归一特征函数,
根据归一特征函数形成一个多维度量函数,根据多维度量函数形成所述分析结果。
将多维度量函数结果与临界值进行比较形成所述分析结果。
优选地,上述的一种基于V2X网络智能网联射频效益的分析方法,其中:所述特征数据至少包括射频功率、丢包率、网络延时以及空间覆盖区域,执行根据所述特征数据做分析处理以形成一分析结果输出具体包括:
获取所述特征数据以形成一特征参数集,于所述特征参数集中选取一个或多个参数数据输入算法;
对所述特征参数集中的每一个特征参数进行预处理,根据每一个特征参数形成一特征函数;
构建BP神经网络模型,源节点神经元的输入为所述特征数据,输出神经元的输出为网络异常事件;
将基础测试数据和网络异常事件作为历史数据,输入BP神经网络模型进行数据训练得到模型,确定用于V2X网络异常事件识别的神经元权值;
通过构建的BP神经网络模型进行识别以形成所述分析结果。
再一方面,本申请再提供一种基于V2X网络智能网联射频效益的评估系统,其中,包括:
V2X设备,设置于预置位置,用以形成输出V2X网络信号;
定位装置,设置于智能网联车辆中,用以获取所述智能网联车辆当前的定位信息,
数据处理子系统,用以获取当前环境中所述V2X网络信号的V2X网络路测数据,并对所述V2X网络路测数据做映射处理以形成V2X网络映射数据;
评估分析子系统,用以接收所述V2X网络映射数据,根据所述V2X网络映射数据形成一分析结果。
优选地,上述的一种基于V2X网络智能网联射频效益的评估系统,其中:V2X网络路测数据至少包括指标射频功率、网络传输时间和网络传输数据丢包率。
再一方面,一种计算机可读存储介质,其上存储有计算机程序,其中,该程序被处理器执行时实现上述任一项所述基于V2X网络智能网联射频效益的分析方法。
最后,一种电子设备,包括存储器,处理器及存储在存储器上并可在处理器运行的计算机程序,其中,所述处理器执行所述计算机程序时实现上述任一项所述基于V2X网络智能网联射频效益的分析方法。
与现有技术相比,本发明的有益效果是:
一种V2X智能网联射频效益评估分析的方法,通过获取智能网联车辆当前的V2X网络路测数据,V2X网络的覆盖性能、覆盖区域、网络丢包、网络时延等评估指标进行多维数据评估分析,并利用V2X网络异常识别算法包识别发现网络异常事件,结合地图可视化呈现V2X网络情况,为V2X网络优化调整给出合理建议,解决以往主要依靠人工经验粗放式优化调整的问题,实现高效、精细、协同化的V2X智能网络优化模式。
附图说明
图1为一种基于V2X网络智能网联射频效益的分析方法的流程示意图;
图2为一种基于V2X网络智能网联射频效益的分析方法的分析结果示意图;
图3为一种基于V2X网络智能网联射频效益的分析方法的分析结果示意图;
图4为一种基于V2X网络智能网联射频效益的分析方法的分析结果示意图;
图5为一种电子设备的结构示意图。
具体实施方式
如图1所示,一种基于V2X网络智能网联射频效益的分析方法,其特征在于:包括,
步骤S110、获取智能网联车辆当前的V2X网络路测数据;其中,所述智能网联车辆于设置有路侧单元RSU装置、V2X设备的道路上行驶。
其中,所述V2X设备用于建议一V2X通讯网络。所述智能网联车辆上安装有车载OBU装置,所述车载OBU装置内部搭载有GPS定位单元和无线通信单元,所述GPS单元与GPS卫星导航系统通信连接,用于接收GPS卫星导航系统发送的定位信号,所述无线通信单元与路侧RSU装置通信连接,用于实现车载OBU装置与路侧单元RSU装置之间数据交互。
V2X设置于物理道路中建立一V2X通讯网络,智能网联车辆行驶于布置有V2X通讯网路的物理道路中,智能网联车辆内的OBU装置获取智能网联车辆当前的V2X网络路测数据。
步骤S120、根据所述V2X网络路测数据和第一参考数据形成V2X网络映射数据以及与所述V2X网络映射数据匹配的特征数据;所述第一参考数据可为每一个路侧RSU工参数据和道路数据。具体地:
步骤S1201、根据所述V2X网络路测数据和路侧RSU工参数据、道路数据将V2X网络路侧数据映射至物理道路路段以形成每一个路侧V2X设备的网络映射数据;示意性地,例如当前物理道路ROAD中包括有三个V2X设备,分别为V2X设备1、V2X设备2、V2X设备3。所述V2X网络路测数据中分别包含有V2X设备1的测试数据、V2X设备2的测试数据、V2X设备3的测试数据。对所述V2X网络路侧数据做映射处理,将与V2X设备匹配所述V2X网络路测数据形成V2X设备1网络映射数据;与V2X设备2匹配所述V2X网络路测数据形成V2X设备2网络映射数据;与V2X设备3匹配所述V2X网络路测数据形成V2X设备3网络映射数据。
步骤S1202、根据每一个所述V2X网络映射数据形成V2X网络映射测试数据。
步骤S1203、V2X网络路测数据网络环境中,于接收到发送数据包的指令的状态下发送一标准数据包数据,并记录所述数据包数据输出的第一时间;
步骤S1204、接收返回的反馈数据包数据,并记录接收所述反馈数据包数据的第二时间;
步骤S1205、根据所述第一时间和所述第二时间判断当前网络传输时间。当所述第一时间和第二时间之间的差距较大的状态下,可以判定当前V2X网络存在传输延时。
步骤S1206、校验所述反馈数据包数据与所述标准数据包数据之间的匹配度;
步骤S1207、根据所述匹配度判断当前网络传输的丢包率。
步骤S130、根据所述特征数据做分析处理以形成一分析结果输出。具体地,根据V2X网络映射测试数据形成具体分析结果。所述特征数据至少包括射频功率、丢包率、网络延时以及空间覆盖区域,实施以行,可采用网络识别法形成分析结果,也可采用人工智能神经网络算法形成分析结果:
网络识别法为
步骤S13011、获取所述特征数据以形成一特征参数集,于所述特征参数集中选取一个或多个参数数据输入算法;
X=[X1,X2,…,Xn],
X为测试环境采集的所有特征参数集数据,X1为第一个特征参数值;n为当前特征参数集的特征数量总和;
步骤S13012、对所述特征参数集中的每一个特征参数进行预处理,根据每一个特征参数形成一特征函数;以射频功率xp为例,ρ(xp)为其特征函数,
xp为路测采集的射频功率;
步骤S13013、对每一个特征函数做归一化处理以形成归一特征函数,以射频功率xp为例,s(xp)为其归一化函数
s(xp)∈[0,1],
其中,s(xp)为射频功率的归一化函数;
步骤S13014、根据归一特征函数形成一个多维度量函数,根据多维度量函数形成所述分析结果。
其中,g(x1,x2,…,xn),为多维度函数;
ωi,i=1,…,n为多维度量函数的权重,权重越大表征该参数项对评估的重要度越高。
步骤S13015、将多维度量函数结果与临界值进行比较形成所述分析结果。
人工智能神经网络算法具体包括:
步骤S13021、获取所述特征数据以形成一特征参数集,于所述特征参数集中选取一个或多个参数数据输入算法;示意性的,例如所述特征参数集中包括射频功率数据、丢包率数据、网络延时数据。
以路测采集数据为例,特征参数集数据表示为:
X=[X1,X2,…,Xn],
X为测试环境采集的所有特征参数集数据,X1为第一个特征参数值,n为当前特征参数集的特征数量总和。
步骤S13022、对所述特征参数集中的每一个特征参数进行预处理,根据每一个特征参数形成一特征函数;以射频功率xp为例,ρ(xp)为其特征函数,
xp为路测采集的射频功率;
步骤S13023、构建BP神经网络模型,源节点神经元的输入为所述特征数据,输出神经元的输出为网络异常事件;
步骤S13024、将基础测试数据和网络异常事件作为历史数据,输入BP神经网络模型进行数据训练得到模型,确定用于V2X网络异常事件识别的神经元权值;
步骤S13025、通过构建的BP神经网络模型进行识别以形成所述分析结果。
所述分析结果至少包括V2X网络弱覆盖、越区网络覆盖、无主网络覆盖。
例如,如图2所示,V2X网路于A点预计的指标射频功率为Y1,实际测段获取的V2X网络映射测试数据为Y2,Y2<Y1。此时于A点V2X网络处于弱覆盖状态。
如图3所示,V2X网路于B点无网络信号覆盖,此时B点区域处于无主网络覆盖状态。
如图4所示,C点区域可同时接收到V2X网络1和V2X网络2,此时B点区域处于越区网络覆盖状态。
一种V2X智能网联射频效益评估分析的方法,通过获取智能网联车辆当前的V2X网络路测数据,V2X网络的覆盖性能、覆盖区域、网络丢包、网络时延等评估指标进行多维数据评估分析,并利用V2X网络异常识别算法包识别发现网络异常事件,结合地图可视化呈现V2X网络情况,为V2X网络优化调整给出合理建议,解决以往主要依靠人工经验粗放式优化调整的问题,实现高效、精细、协同化的V2X智能网络优化模式。
实施例二
再提供一种基于V2X网络智能网联射频效益的评估系统,其中,包括:
V2X设备,设置于预置位置,用以形成输出V2X网络信号;V2X网络路测数据至少包括指标射频功率、网络传输时间和网络传输数据丢包率。
定位装置,设置于智能网联车辆中,用以获取所述智能网联车辆当前的定位信息,
数据处理子系统,可以内置于OBU装置中,用以获取当前环境中所述V2X网络信号的V2X网络路测数据,并对所述V2X网络路测数据做映射处理以形成V2X网络映射数据;
评估分析子系统,用以接收所述V2X网络映射数据,根据所述V2X网络映射数据形成一分析结果。进一步地,所述评估分析子系统内部还包括一V2X网络异常识别算法包,用于对异常事件进行识别。
示意性地,一种用于V2X智能网联射频效益评估分析系统,智能网联汽车上安装车载OBU装置进行V2X网络测试;数据处理子系统接收车载OBU装置采集的路测数据,并将数据保存在数据库中;评估分析子系统与数据处理子系统进行信息交互,通过加载V2X网络异常识别算法包发现网络异常,为V2X网络优化调整提供辅助决策。
实施例三
再一方面,本申请再提供一种计算机可读存储介质,其上存储有计算机程序,其中该程序被处理器执行时实现上述中一种基于V2X网络智能网联射频效益的分析方法,其中:包括,
获取智能网联车辆当前的V2X网络路测数据;
根据所述V2X网络路测数据和第一参考数据形成V2X网络映射数据以及与所述V2X网络映射数据匹配的特征数据;
根据所述特征数据做分析处理以形成一分析结果输出。
存储介质——任何的各种类型的存储器设备或存储设备。术语“存储介质”旨在包括:安装介质,例如CD-ROM、软盘或磁带装置;计算机系统存储器或随机存取存储器,诸如DRAM、DDRRAM、SRAM、EDORAM,兰巴斯(Rambus)RAM等;非易失性存储器,诸如闪存、磁介质(例如硬盘或光存储);寄存器或其它相似类型的存储器元件等。存储介质可以还包括其它类型的存储器或其组合。另外,存储介质可以位于程序在其中被执行的计算机系统中,或者可以位于不同的第二计算机系统中,第二计算机系统通过网络(诸如因特网)连接到计算机系统。第二计算机系统可以提供程序指令给计算机用于执行。术语“存储介质”可以包括可以驻留在不同位置中(例如在通过网络连接的不同计算机系统中)的两个或更多存储介质。存储介质可以存储可由一个或多个处理器执行的程序指令(例如具体实现为计算机程序)。
当然,本申请实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上所述的渲染方法,还可以执行本申请任意实施例所提供的渲染方法中的相关操作。
实施例四
再一方面,本申请实施例提供了一种电子设备,该电子设备中可集成本申请实施例提供的渲染装置。图5是本申请实施例四提供的一种电子设备的结构示意图。如图5所示,本实施例提供了一种电子设备400,其包括:一个或多个处理器420;存储装置410,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器420运行,使得所述一个或多个处理器420实现:
一种基于V2X网络智能网联射频效益的分析方法,其中:包括,
获取智能网联车辆当前的V2X网络路测数据;
根据所述V2X网络路测数据和第一参考数据形成V2X网络映射数据以及与所述V2X网络映射数据匹配的特征数据;
根据所述特征数据做分析处理以形成一分析结果输出。
如图5所示,该电子设备400包括处理器420、存储装置410、输入装置430和输出装置440;电子设备中处理器420的数量可以是一个或多个,图4中以一个处理器420为例;电子设备中的处理器420、存储装置410、输入装置430和输出装置440可以通过总线或其他方式连接,图4中以通过总线450连接为例。
存储装置410作为一种计算机可读存储介质,可用于存储软件程序、计算机可运行程序以及模块单元,如本申请实施例中的渲染方法对应的程序指令。
存储装置410可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序;存储数据区可存储根据终端的使用所创建的数据等。此外,存储装置410可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中,存储装置410可进一步包括相对于处理器420远程设置的存储器,这些远程存储器可以通过网络连接。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置430可用于接收输入的数字、字符信息或语音信息,以及产生与电子设备的用户设置以及功能控制有关的键信号输入。输出装置440可包括显示屏、扬声器等设备。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种基于V2X网络智能网联射频效益的分析方法,其特征在于:包括,
获取智能网联车辆当前的V2X网络路测数据;
根据所述V2X网络路测数据和第一参考数据形成V2X网络映射数据以及与所述V2X网络映射数据匹配的特征数据;
根据所述特征数据做分析处理以形成一分析结果输出。
2.根据权利要求1所述的一种基于V2X网络智能网联射频效益的分析方法,其特征在于:其中,根据所述V2X网络路测数据和第一参考数据形成V2X网络映射数据以及与所述V2X网络映射数据匹配的特征数据具体包括:
根据所述V2X网络路测数据和路侧RSU工参数据、道路数据将V2X网络路侧数据映射至物理道路路段以形成每一个路侧V2X设备的网络映射数据;
根据每一个所述V2X网络映射数据形成V2X网络映射测试数据。
3.根据权利要求1所述的一种基于V2X网络智能网联射频效益的分析方法,其特征在于,包括:所述特征数据至少包括丢包率、网络延时,执行根据所述V2X网络路测数据和第一参考数据形成V2X网络映射数据以及与所述V2X网络映射数据匹配的特征数据具体包括:
V2X网络路测数据网络环境中,于接收到发送数据包的指令的状态下发送一标准数据包数据,并记录所述数据包数据输出的第一时间;
根据所述第一时间和所述第二时间判断当前网络传输时间。
4.根据权利要求3所述的一种基于V2X网络智能网联射频效益的分析方法,其特征在于:
校验所述反馈数据包数据与所述标准数据包数据之间的匹配度;
根据所述匹配度判断当前网络传输的丢包率。
5.根据权利要求1所述的一种基于V2X网络智能网联射频效益的分析方法,其特征在于:所述特征数据至少包括射频功率、丢包率、网络延时以及空间覆盖区域,执行根据所述特征数据做分析处理以形成一分析结果输出具体包括:
获取所述特征数据以形成一特征参数集,于所述特征参数集中选取一个或多个参数数据输入算法;
对所述特征参数集中的每一个特征参数进行预处理,根据每一个特征参数形成一特征函数;
对每一个特征函数做归一化处理以形成归一特征函数,
根据归一特征函数形成一个多维度量函数,根据多维度量函数形成所述分析结果。
将多维度量函数结果与临界值进行比较形成所述分析结果。
6.根据权利要求1所述的一种基于V2X网络智能网联射频效益的分析方法,其特征在于:所述特征数据至少包括射频功率、丢包率、网络延时以及空间覆盖区域,执行根据所述特征数据做分析处理以形成一分析结果输出具体包括:
获取所述特征数据以形成一特征参数集,于所述特征参数集中选取一个或多个参数数据输入算法;
对所述特征参数集中的每一个特征参数进行预处理,根据每一个特征参数形成一特征函数;
构建BP神经网络模型,源节点神经元的输入为所述特征数据,输出神经元的输出为网络异常事件;
将基础测试数据和网络异常事件作为历史数据,输入BP神经网络模型进行数据训练得到模型,确定用于V2X网络异常事件识别的神经元权值;
通过构建的BP神经网络模型进行识别以形成所述分析结果。
7.一种基于V2X网络智能网联射频效益的评估系统,其特征在于,包括:
V2X设备,设置于预置位置,用以形成输出V2X网络信号;
定位装置,设置于智能网联车辆中,用以获取所述智能网联车辆当前的定位信息,
数据处理子系统,用以获取当前环境中所述V2X网络信号的V2X网络路测数据,并对所述V2X网络路测数据做映射处理以形成V2X网络映射数据;
评估分析子系统,用以接收所述V2X网络映射数据,根据所述V2X网络映射数据形成一分析结果。
8.根据权利要求6所述的一种基于V2X网络智能网联射频效益的评估系统,其特征在于:V2X网络路测数据至少包括指标射频功率、网络传输时间和网络传输数据丢包率。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-6中任一项所述基于V2X网络智能网联射频效益的分析方法。
10.一种电子设备,包括存储器,处理器及存储在存储器上并可在处理器运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1-6中任一项所述基于V2X网络智能网联射频效益的分析方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110940460.2A CN113630743B (zh) | 2021-08-17 | 2021-08-17 | 一种基于v2x网络智能网联射频效益的分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110940460.2A CN113630743B (zh) | 2021-08-17 | 2021-08-17 | 一种基于v2x网络智能网联射频效益的分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113630743A true CN113630743A (zh) | 2021-11-09 |
CN113630743B CN113630743B (zh) | 2023-11-21 |
Family
ID=78385875
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110940460.2A Active CN113630743B (zh) | 2021-08-17 | 2021-08-17 | 一种基于v2x网络智能网联射频效益的分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113630743B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108430069A (zh) * | 2018-02-11 | 2018-08-21 | 重庆邮电大学 | 一种v2x网络性能测试及综合评价分析方法 |
CN109118758A (zh) * | 2018-07-24 | 2019-01-01 | 南京锦和佳鑫信息科技有限公司 | 一种面向移动共享的智能网联交通管理系统 |
CN109191911A (zh) * | 2018-10-09 | 2019-01-11 | 湖南车路协同智能科技有限公司 | 一种隧道路况预警系统、方法及计算机可读存储介质 |
WO2019105977A1 (de) * | 2017-11-28 | 2019-06-06 | Valeo Comfort And Driving Assistance | Verfahren zur erfassung von leistungskennzahlen von kommunikationsnetzwerken in einer telematikeinheit und telematikeinheit dafür |
CN110248311A (zh) * | 2019-06-17 | 2019-09-17 | 重庆西部汽车试验场管理有限公司 | 一种基于智能网联平台的v2i应用功能测试方法 |
CN110366231A (zh) * | 2019-07-16 | 2019-10-22 | 启迪云控(北京)科技有限公司 | 一种信息处理方法及其系统 |
CN111599201A (zh) * | 2020-04-24 | 2020-08-28 | 东风汽车集团有限公司 | 智能交通下基于v2x的智能网联汽车系统及方法 |
CN111817868A (zh) * | 2019-04-12 | 2020-10-23 | 中国移动通信集团河南有限公司 | 一种网络质量异常的定位方法与装置 |
CN112071117A (zh) * | 2019-06-11 | 2020-12-11 | 湖南车路协同智能科技有限公司 | 一种基于车路协同的高速公路交通安全预警系统及方法 |
CN112991723A (zh) * | 2021-02-07 | 2021-06-18 | 启迪云控(上海)汽车科技有限公司 | 一种基于地理区域的智能网联计算机任务并行颗粒度的划分方法、系统及终端 |
-
2021
- 2021-08-17 CN CN202110940460.2A patent/CN113630743B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019105977A1 (de) * | 2017-11-28 | 2019-06-06 | Valeo Comfort And Driving Assistance | Verfahren zur erfassung von leistungskennzahlen von kommunikationsnetzwerken in einer telematikeinheit und telematikeinheit dafür |
CN108430069A (zh) * | 2018-02-11 | 2018-08-21 | 重庆邮电大学 | 一种v2x网络性能测试及综合评价分析方法 |
CN109118758A (zh) * | 2018-07-24 | 2019-01-01 | 南京锦和佳鑫信息科技有限公司 | 一种面向移动共享的智能网联交通管理系统 |
CN109191911A (zh) * | 2018-10-09 | 2019-01-11 | 湖南车路协同智能科技有限公司 | 一种隧道路况预警系统、方法及计算机可读存储介质 |
CN111817868A (zh) * | 2019-04-12 | 2020-10-23 | 中国移动通信集团河南有限公司 | 一种网络质量异常的定位方法与装置 |
CN112071117A (zh) * | 2019-06-11 | 2020-12-11 | 湖南车路协同智能科技有限公司 | 一种基于车路协同的高速公路交通安全预警系统及方法 |
CN110248311A (zh) * | 2019-06-17 | 2019-09-17 | 重庆西部汽车试验场管理有限公司 | 一种基于智能网联平台的v2i应用功能测试方法 |
CN110366231A (zh) * | 2019-07-16 | 2019-10-22 | 启迪云控(北京)科技有限公司 | 一种信息处理方法及其系统 |
CN111599201A (zh) * | 2020-04-24 | 2020-08-28 | 东风汽车集团有限公司 | 智能交通下基于v2x的智能网联汽车系统及方法 |
CN112991723A (zh) * | 2021-02-07 | 2021-06-18 | 启迪云控(上海)汽车科技有限公司 | 一种基于地理区域的智能网联计算机任务并行颗粒度的划分方法、系统及终端 |
Non-Patent Citations (2)
Title |
---|
张小俊;郭剑锐;郭蓬;王梦丹;: "面向智能驾驶的V2X测试方法研究", 汽车电器, no. 05, pages 1 - 5 * |
李哲: "基于V2X的无线通信网络性能测量与评价", 《中国优秀硕士学位论文全文数据库(工程科技Ⅱ辑)》, no. 2020, pages 034 - 1459 * |
Also Published As
Publication number | Publication date |
---|---|
CN113630743B (zh) | 2023-11-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11315422B2 (en) | Glare detection system and methods for automated vehicular control | |
Staniek | Road pavement condition diagnostics using smartphone-based data crowdsourcing in smart cities | |
WO2014080023A1 (en) | Method of determining trajectories through one or more junctions of a transportation network | |
US11064324B2 (en) | Systems and methods for automatic breakdown detection and roadside assistance | |
CN105389976A (zh) | 用于道路风险指数产生的方法和设备 | |
CA3065731C (en) | Systems and methods for system generated damage analysis | |
US10560823B1 (en) | Systems and methods for roadside assistance | |
US20230273040A1 (en) | System and method of creating custom dynamic neighborhoods for individual drivers | |
CN109859505B (zh) | 高速站点的预警处理方法、装置、服务器和介质 | |
CN105046996A (zh) | 用于预测的驾驶需求建模的方法和设备 | |
US20220414598A1 (en) | Systems and methods for obtaining data annotations | |
US20170229012A1 (en) | Method of quickly detecting road distress | |
US11087570B1 (en) | Dynamically controlling sensors and processing sensor data for issue identification | |
JP2008216500A (ja) | 車両の運転特性診断システム | |
CN113630743A (zh) | 一种基于v2x网络智能网联射频效益的分析方法 | |
US11823565B2 (en) | System and method for vehicle queue length detection in a connected vehicle infrastructure environment | |
CN114495505A (zh) | 拥堵路段通过时长的预测方法、装置、介质及服务器 | |
CN113393011A (zh) | 预测限速信息的方法、装置、计算机设备和介质 | |
US20210142590A1 (en) | System generated damage analysis using scene templates | |
CN113140107B (zh) | 交通信息处理方法、装置、电子设备及计算机存储介质 | |
Wang et al. | AutoWaze: Towards Automatic Event Inference in Intelligent Transportation Systems | |
CN116817950A (zh) | 路径规划方法、装置、设备、系统、存储介质和程序产品 | |
Liao et al. | Developing a real-time incident decision support system (IDSS) for the freight industry. | |
JP2020135801A (ja) | 交通管制装置、および、交通管制方法 | |
CN112486180A (zh) | 车辆控制方法、装置、设备、存储介质及程序产品 |
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 | ||
CB02 | Change of applicant information |
Address after: 201805 room 2201, No. 888, Moyu South Road, Jiading District, Shanghai j879 Applicant after: Yunkong Zhihang (Shanghai) Automotive Technology Co.,Ltd. Address before: 201805 room 2201, No. 888, Moyu South Road, Jiading District, Shanghai j879 Applicant before: Enlightenment cloud control (Shanghai) Automotive Technology Co.,Ltd. |
|
CB02 | Change of applicant information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |