CN115484068A - 一种基于bp神经网络的车联网中虚假事故信息检测方法 - Google Patents
一种基于bp神经网络的车联网中虚假事故信息检测方法 Download PDFInfo
- Publication number
- CN115484068A CN115484068A CN202211007067.9A CN202211007067A CN115484068A CN 115484068 A CN115484068 A CN 115484068A CN 202211007067 A CN202211007067 A CN 202211007067A CN 115484068 A CN115484068 A CN 115484068A
- Authority
- CN
- China
- Prior art keywords
- accident information
- accident
- false
- vehicles
- vehicle
- 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.)
- Pending
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 45
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000004891 communication Methods 0.000 claims abstract description 26
- 230000006855 networking Effects 0.000 claims abstract description 12
- 238000001514 detection method Methods 0.000 claims abstract description 11
- 230000001133 acceleration Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 description 25
- 238000010586 diagram Methods 0.000 description 7
- 238000004088 simulation Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 230000000052 comparative effect Effects 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000007423 decrease Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 241001420287 Strobilanthes maculata Species 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000005404 monopole Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 210000003462 vein Anatomy 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L63/00—Network architectures or network communication protocols for network security
- H04L63/12—Applying verification of the received information
-
- 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
-
- 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)
- Computing Systems (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computer Security & Cryptography (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明一种基于BP神经网络的车联网中虚假事故信息的检测方法，包括以下步骤：获取多个车辆发送的事故信息；基于多个车辆发送的事故信息，从多个角度提取事故信息真实性特征；基于部分事故信息真实性特征，是否满足车辆间的通信条件，进行车联网中车辆接收的事故信息是否为虚假事故信息进行第一次判断；当第一次判断结果为不是虚假事故信息，则将剩余部分事故信息真实性特征，采用BP神经网络，对是否是虚假事故信息进行第二次判断；否则，认为是虚假事故信息，利用神经网络输出结果与事故信息内容进行一致性对比从而实现虚假事故信息的检测，本发明解决了现有相关技术检测准确度低，应用场景片面的问题。
Description
技术领域
本发明涉及车联网通信领域，尤其涉及一种基于BP神经网络的车联网中虚假事故信息检测方法。
背景技术
车联网通过实现车辆与车辆、车辆与路边单元之间的通信从而实现信息的共享，提高交通出行安全和效率。在车联网中，车辆既可以向四周车辆广播信息同时也能与路边单元进行信息共享。根据现有车联网中的标准IEEE802.11P，车联网中的车辆不仅需周期性地向四周车辆广播自身的行驶状态。在事故发生时，车辆节点还需广播事故信息向邻居节点进行预警使得其他车辆节点能够及时掌握相关信息以便做出正确的行驶决策，降低事故造成的影响。
然而，车联网内部可能会存在恶意车辆出于恶意或自私的目的在网络中传播虚假事故信息从而误导车辆做出错误的判断。除此之外，复杂的网络环境及车辆硬件设备的故障也是造成虚假事故信息的重要原因。由于车联网的高速移动性及信息快速传播性使得虚假事故信息短时间内能在车联网中广泛传播，从而误导车辆做出错误的行使决策严重降低交通效率及威胁他人生命安全。
因此，解决车联网中虚假事故信息问题是保障车辆行驶安全的必要条件。目前的相关研究考虑的事故场景较为单一使得选取的信息真实性特征较为片面，导致虚假事故信息检测算法的准确度较低且应用场景受限不符合车辆网环境复杂多变的特性。
发明内容
为了解决上述问题，本发明提供本发明采用的技术方案是：一种基于BP神经网络的车联网中虚假事故信息的检测方法，包括以下步骤：
获取多个车辆发送的事故信息；
基于多个车辆发送的事故信息，从多个角度提取事故信息真实性特征；
基于部分事故信息真实性特征，是否满足车辆间的通信条件，进行车联网中车辆接收的事故信息是否为虚假事故信息进行第一次判断；
当部分事故信息真实性特征满足车辆间的通信条件，第一次判断结果为不是虚假事故信息，则将剩余部分事故信息真实性特征，采用BP神经网络，对是否是虚假事故信息进行第二次判断；
否则，认为是虚假事故信息。
进一步地：所述则将剩余部分事故信息真实性特征，采用BP神经网络，对是否是虚假事故信息进行第二次判断；具体如下；
将剩余的事故信息真实性特征输入到BP神经网络，得到车辆实际发生事故的概率；
将车辆实际发生事故的概率与概率阈值相比，当车辆实际发生事故的概率大于概率阈值，则直接将BP神经网络输出的概率置位为1来表示有事故发生；
否则BP神经网络输出的概率就置位为0来表示无事故发生；
将置位后的概率与事故信息中的事故发生标志位做对比，若将置位后的概率与事故信息中的事故发生标志位一致，则表明该事故信息是真实的；
若将置位后的概率与事故信息中的事故发生标志位不一致，则表明该事故信息是虚假的。
进一步地：所述多个角度包括：单车道事故场景、多车道事故场景和车辆间通信条件。
进一步地：所述单车道事故场景下基于格林希尔兹模型得到平均速度、流量和密度这三个事故信息真实性特征。
进一步地：所述多车道事故场景采用格林希尔兹模型得到平均速度、流量和密度这三个事故信息真实性特征；
再选取车辆速度、加速度和转向角作为事故信息的真实性特征检测多车道事故场景下的虚假事故信息。
进一步地：：所述车辆间的通信条件为：每辆车都有一定的通信范围，当车辆收到事故信息时则表明发送车辆与接收车辆和事故间的距离均小于发送车辆的通信半径，具体如下：
通过选取发送车辆位置、接收车辆位置及事故位置作为判定事故信息真实性的前提条件
所述接收车辆与发送车辆间距离计算公式如下：
发送车辆s的位置，(x2,y2)为接收车辆r的位置。发送车辆与事故之间的距离如下公式：
其中(x3,y3)为事故a发生的位置。
进一步地：所述概率阈值为0.5。
一种基于BP神经网络的车联网中虚假事故信息的检测装置，包括：
获取模块：用于获取多个车辆发送的事故信息；
提取模块：基于多个车辆发送的事故信息，从多个角度提取事故信息真实性特征；
判断模块：用于基于部分事故信息真实性特征，是否满足车辆间的通信条件，进行车联网中车辆接收的事故信息是否为虚假事故信息进行第一次判断；
当第一次判断结果为不是虚假事故信息，则将剩余部分事故信息真实性特征，采用BP神经网络，对是否是虚假事故信息进行第二次判断；
否则，认为是虚假事故信息。
本发明提供的一种基于BP神经网络的车联网中虚假事故信息检测方法，具有以下优点：本发明从不同角度综合考虑不同事故场景下的车辆行为特点使得提取出的事故信息真实性特征更加全面，提高了整体方法的检测性能及扩展了方法的应用场景。利用神经网络输出结果与事故信息内容进行一致性对比从而实现虚假事故信息的检测。本发明解决了现有相关技术检测准确度低，应用场景片面的问题。
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做以简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为系统模型图；
图2为本发明的方法流程图；
图3为单车道事故场景示意图；
图4为多车道事故场景示意图；
图5为BP神经网络结构图；
图6为单车道事故场景下本发明与对比算法的性能图；
图7为多车道事故场景下本发明与对比算法的性能图；
图8(a)为算法精确度对比图；(b)算法召回率对比图、(c)算法f1分数对比图和(d)算法准确度对比图。
具体实施方式
需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合，下面将参考附图并结合实施例来详细说明本发明。
为使本发明实施例的目的、技术方案和优点更加清楚，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，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使用的任何限制。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。同时，应当清楚，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。对于相关领域普通技术人员己知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为授权说明书的一部分。在这里示出和讨论的所有示例中，任向具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它示例可以具有不同的值。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。
在本发明的描述中，需要理解的是，方位词如“前、后、上、下、左、右”、“横向、竖向、垂直、水平”和“顶、底”等所指示的方位或位置关系通常是基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，在未作相反说明的情况下，这些方位词并不指示和暗示所指的装置或元件必须具有特定的方位或者以特定的方位构造和操作，因此不能理解为对本发明保护范围的限制：方位词“内、外”是指相对于各部件本身的轮廓的内外。
为了便于描述，在这里可以使用空间相对术语，如“在……之上”、“在……上方”、“在……上表面”、“上面的”等，用来描述如在图中所示的一个器件或特征与其他器件或特征的空间位置关系。应当理解的是，空间相对术语旨在包含除了器件在图中所描述的方位之外的在使用或操作中的不同方位。例如，如果附图中的器件被倒置，则描述为“在其他器件或构造上方”或“在其他器件或构造之上”的器件之后将被定位为“在其他器件或构造下方”或“在其位器件或构造之下”。因而，示例性术语“在……上方”可以包括“在……上方”和“在……下方”两种方位。该器件也可以其他不同方式定位(旋转90度或处于其他方位)，并且对这里所使用的空间相对描述作出相应解释。
此外，需要说明的是，使用“第一”、“第二”等词语来限定零部件，仅仅是为了便于对相应零部件进行区别，如没有另行声明，上述词语并没有特殊含义，因此不能理解为对本发明保护范围的限制。
图1所示为系统模型图，考虑到车辆计算资源有限，路边单元会收集覆盖范围内车辆发送的事故信息并检测事故信息的真实性。并将检测结果反馈给对应车辆帮助其识别虚假事故信息。本发明将设计的方法部署在路边单元(RSU)上；
如图2所示，本发明提供一种基于BP神经网络的车联网中虚假事故信息的检测方法(VK_BP)，具体包括以下步骤：
步骤1：获取多个车辆发送的事故信息；
步骤2：基于多个车辆发送的事故信息，从多个角度提取事故信息真实性特征；
步骤3：基于部分事故信息真实性特征，是否满足车辆间的通信条件，进行车联网中车辆接收的事故信息是否为虚假事故信息进行第一次判断；
当部分事故信息真实性特征满足车辆间的通信条件，第一次判断结果为不是虚假事故信息，则将剩余部分事故信息真实性特征，采用BP神经网络，对是否是虚假事故信息进行第二次判断；
当部分事故信息真实性特征不满足车辆间的通信条件，认为是虚假事故信息。
所述步骤1、步骤2、步骤3顺序执行；
所述步骤1：获取多个车辆发送的事故信息采用OMNeT++和SUMO利用Veins框架实现车联网的仿真并收集车辆发送的事故信息。具体为：
步骤1-1：收集获取事故信息；选取真实地图中的某段道路导入到SUMO中作为车联网仿真的实际场景，并利用Veins框架实现该场景下车辆间的信息交互，收集车辆发送的事故信息。本发明一共收集到30000条数据，具体的仿真参数设置如下表1所示：
表1
| 实验参数 | 参数值 |
| 车辆信号传输范围 | 100m |
| 车辆最大加速度 | 4.5m/s<sup>2</sup> |
| 车辆最大速度 | 14m/s |
| 仿真时间 | 300s |
| 发送信标信息时间间隔 | 1s |
| 车联网协议 | IEEE802.11p |
| 比特率 | 6Mbps |
| 车道类型 | 单车道和双车道 |
| 天线模型 | 车载单极天线 |
步骤1-2：数据预处理。根据SUMO提供的交通场景，为收集到的每条信息手动加上实际是否发生事故的标签；
后将收集到的事故信息分为训练集和测试集；
由于实际发生事故的信息和实际未发生事故的信息所占比例严重失衡，因此使用SMOTE过采样算法对训练集进行样本均衡；
此外，在测试集中选取一部分事故信息对该信息中的事故发生标志位进行修改来实现虚假事故信息，
根据事故信息内容与实际是否发生事故的标签进行一致性对比来完成事故信息真实性的标签。
所述事故信息也包含车辆的行驶状态(包括位置、速度等)、事故发生位置等，不仅仅就只有一个事故发生标志位。
进一步地，多角度分析车辆在不同场景下遇到事故的行为特点并据此综合选取合适的事故信息真实性特征。在实际中，车辆既可能在单车道上遭遇事故即单车道事故也会在多车道上遭遇事故即多车道事故。在这两种情境下车辆遇到事故的行为特点具有本质区别。目前，大部分关于虚假事故信息检测研究场景主要是单车道事故场景从而使选取的信息真实性特征较为片面。本发明综合考虑单车道事故场景和多车道事故场景来分析车辆的行为特点提高整体方法的性能。具体为：
步骤2-1：如图3所示为单车道事故场景。单车道事故场景的特点在于一旦发生事故会造成一定范围的拥堵使得多个车辆的行驶状态均发生变化。因此从宏观的角度利用交通流理论对车辆的行驶状态进行分析。根据格林希尔兹(GreenShields)模型，选取平均速度、流量和密度作为事故信息真实性特征。在该模型中，车辆平均速度(v)、密度(d)和流量(f)的关系如下式所示：
vf指的是道路中车辆的自由流速；dj指的是使道路中车辆速度变为0的车辆密度
上式描述的是车辆平均速度与车辆密度之间的关系，这里的平均速度指的是一定区域内车辆速度的平均值，车辆密度指的是单位长度内车辆数目。
上式描述的是车辆流量与密度之间的关系。车辆流量指的是单位时间内，通过道路某一点或断面的车辆数目。
f＝d×v (3)
上式描述的是平均速度、车辆密度和流量三者间的关系。在单车道事故场景下，车辆的密度会上升，平均速度及流量会下降。
步骤2-2：如图4所示为多车道事故场景。不同于单车道事故场景，多车道事故场景的特点在于事故不一定会造成多个车辆的行驶状态发生明显变化。车辆可通过变道的方式在保持一定行驶状态的情况下避开事故，因此仅使用从步骤2-1中选取的特征判断事故是否发生准确度较低。本发明从单个车辆角度出发研究在多车道事故场景下车辆避开事故行为中的行驶状态变化，结果发现车辆速度会呈现一定程度的下降，加速度会上升以及转向角会变大。因此，选取车辆速度、加速度和转向角作为事故信息的真实性特征再结合步骤2-1中选取的特征能够实现准确且有效地检测多车道事故场景下的虚假事故信息。
步骤2-3：车辆间通信条件。每辆车都有一定的通信范围，当车辆收到事故信息时则表明发送车辆与接收车辆和事故间的距离均小于发送车辆的通信半径。因此，选取发送车辆位置、接收车辆位置及事故位置作为判定事故信息真实性的前提条件；接收车辆与发送车辆间距离计算公式如下：
其中(x1,y1)为发送车辆s的位置，(x2,y2)为接收车辆r的位置；
发送车辆与事故之间的距离如下公式：
其中(x3,y3)为事故a发生的位置。
通过上述分析，本发明综合分析单车道事故场景、多车道事故场景及车辆间通信条件选取平均速度、流量、密度、速度、加速度、转向角、发送车辆位置、接收车辆位置及事故位置作为事故信息真实性判定依据。
进一步地，将步骤2提取出的事故信息真实性特征一部分用来判断是否满足车辆间的通信条件，剩余的事故信息真实性特征作为BP神经网络的输入，输出为实际发生事故的概率。利用神经网络输出结果与事故信息内容进行一致性对比从而实现虚假事故信息的检测。具体为：
所述则将剩余部分事故信息真实性特征，采用BP神经网络，对是否是虚假事故信息进行第二次判断；具体如下；
将剩余的事故信息真实性特征输入到BP神经网络，得到车辆实际发生事故的概率；
将车辆实际发生事故的概率与概率阈值相比，当车辆实际发生事故的概率大于概率阈值，则直接将BP神经网络输出的概率置位为1来表示有事故发生；
否则BP神经网络输出的概率就置位为0来表示无事故发生；
将置位后的概率与事故信息中的事故发生标志位做对比，若将置位后的概率与事故信息中的事故发生标志位一致，则表明该事故信息是真实的；
若将置位后的概率与事故信息中的事故发生标志位不一致，则表明该事故信息是虚假的。
BP神经网络具有很强的映射能力及柔性的网络结构，应用广泛。其通过反向传播算法不断训练迭代来调整权重和偏置使损失函数值最小，从而最优化网络性能。
所述概率阈值为0.5，0.5作为阈值来判断事故是否真实发生，并将判断结果与事故信息内容进行一致性对比。
BP神经网络的结构如图5所示，网络各层输入与输出关系如下公式所示：
个神经元与第l层第i个神经元之间连接的权重，
为第l层第i个神经元的偏置项。本发明BP神经网络相关参数配置如表2所示：
| 参数 | 取值 |
| 激活函数 | Relu,Sigmoid |
| 优化器 | Adam |
| 学习率 | 0.01 |
| BatchSize | 32 |
| 损失函数 | 交叉熵函数 |
表2
将平均速度、流量、密度、速度、加速度和转向角组成一个向量作为BP神经网络的输入，输出为实际是否真实发生事故的概率。
本发明使用的对比算法是针对单车道场景提出的基于格林希尔兹模型的随机森林算法(GS_RF)来检测虚假事故信息。
一种基于BP神经网络的车联网中虚假事故信息的检测装置，包括：
获取模块：用于获取多个车辆发送的事故信息；
提取模块：基于多个车辆发送的事故信息，从多个角度提取事故信息真实性特征；
判断模块：用于基于部分事故信息真实性特征，是否满足车辆间的通信条件，进行车联网中车辆接收的事故信息是否为虚假事故信息进行第一次判断；
当第一次判断结果为不是虚假事故信息，则将剩余部分事故信息真实性特征，采用BP神经网络，对是否是虚假事故信息进行第二次判断；
否则，认为是虚假事故信息。
图6为单车道事故场景下本发明与对比算法的性能图。仿真结果表明在单车道事故场景下，两算法性能均处于较高水平。
图7为多车道事故场景下本发明与对比算法的性能图。仿真结果表明在多车道事故场景下，对比算法性能较低，而本发明方法性能仍处于较高水平。
考虑到路边单元覆盖范围内既可能存在单车道事故场景也存在多车道事故场景的情况，因此本发明研究了算法性能与多车道事故场景下事故信息数量和事故信息总数量所占比例的关系。
图8(a)为算法精确度对比图；(b)算法召回率对比图、(c)算法f1分数对比图和(d)算法准确度对比图。四张图横坐标是多车道事故场景下收集的事故信息数量与总的收集的事故信息的比例。四张图的纵坐标分别表示精确度、召回率、f1分数和准确度。两条折线分别表示本发明的算法和对比算法。可以看出随着比例的增大，对比算法的性能出现较大幅度的下降，而本发明的算法性能一直处于较高水平。本发明使用的算法性能衡量指标包括准确度、精确度、召回率和F1分数。其中准确度表示模型正确分类的样本数与总样本数之比，计算公式如下：
精确度表示模型正确判断虚假信息的个数与模型判断总的虚假信息个数之比，计算公式如下：
召回率表示模型正确判断虚假信息的个数与样本中总的虚假信息个数之比，计算公式如下：
F1分数从整体的角度来衡量模型的性能，计算公式如下：
上式中TP为模型正确判断虚假信息的个数，TN为模型正确判断真实信息的个数，FP为模型将真实信息错判为虚假信息的个数，FN为模型将虚假信息错判为真实信息的个数。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (8)
1.一种基于BP神经网络的车联网中虚假事故信息的检测方法，其特征在于：包括以下步骤：
获取多个车辆发送的事故信息；
基于多个车辆发送的事故信息，从多个角度提取事故信息真实性特征；
基于部分事故信息真实性特征，是否满足车辆间的通信条件，进行车联网中车辆接收的事故信息是否为虚假事故信息进行第一次判断；
当部分事故信息真实性特征满足车辆间的通信条件，则第一次判断结果为不是虚假事故信息，则将剩余部分事故信息真实性特征，采用BP神经网络，对是否是虚假事故信息进行第二次判断；
否则，认为该信息是虚假事故信息。
2.根据权利要求1所述的一种基于BP神经网络的车联网中虚假事故信息的检测方法，其特征在于：所述则将剩余部分事故信息真实性特征，采用BP神经网络，对是否是虚假事故信息进行第二次判断；具体如下：
将剩余的事故信息真实性特征输入到BP神经网络，得到车辆实际发生事故的概率；
将车辆实际发生事故的概率与概率阈值相比，当车辆实际发生事故的概率大于概率阈值，则直接将BP神经网络输出的概率置位为1来表示有事故发生；
否则BP神经网络输出的概率就置位为0来表示无事故发生；
将置位后的概率与事故信息中的事故发生标志位做对比，若将置位后的概率与事故信息中的事故发生标志位一致，则表明该事故信息是真实的；
若将置位后的概率与事故信息中的事故发生标志位不一致，则表明该事故信息是虚假的。
3.根据权利要求一种基于BP神经网络的车联网中虚假事故信息的检测方法，其特征在于：所述多个角度包括：单车道事故场景、多车道事故场景和车辆间通信条件。
4.根据权利要求4所述一种基于BP神经网络的车联网中虚假事故信息的检测方法，其特征在于：所述单车道事故场景下基于格林希尔兹模型得到平均速度、流量和密度这三个事故信息真实性特征。
5.根据权利要求4所述一种基于BP神经网络的车联网中虚假事故信息的检测方法，其特征在于：所述多车道事故场景采用格林希尔兹模型得到平均速度、流量和密度这三个事故信息真实性特征；
再选取车辆速度、加速度和转向角作为事故信息的真实性特征检测多车道事故场景下的虚假事故信息。
6.根据权利要求一种基于BP神经网络的车联网中虚假事故信息的检测方法，其特征在于：所述车辆间的通信条件为：每辆车都有一定的通信范围，当车辆收到事故信息时则表明发送车辆与接收车辆和事故间的距离均小于发送车辆的通信半径，具体如下：
通过选取发送车辆位置、接收车辆位置及事故位置作为判定事故信息真实性的前提条件
所述接收车辆与发送车辆间距离计算公式如下：
其中(x1,y1)为发送车辆s的位置，(x2,y2)为接收车辆r的位置；
发送车辆与事故之间的距离如下公式：
其中:(x3,y3)为事故a发生的位置。
7.根据权利要求一种基于BP神经网络的车联网中虚假事故信息的检测方法，其特征在于：所述概率阈值为0.5。
8.一种基于BP神经网络的车联网中虚假事故信息的检测装置，其特征在于：包括：
获取模块：用于获取多个车辆发送的事故信息；
提取模块：基于多个车辆发送的事故信息，从多个角度提取事故信息真实性特征；
判断模块：用于基于部分事故信息真实性特征，是否满足车辆间的通信条件，进行车联网中车辆接收的事故信息是否为虚假事故信息进行第一次判断；
当第一次判断结果为不是虚假事故信息，则将剩余部分事故信息真实性特征，采用BP神经网络，对是否是虚假事故信息进行第二次判断；
否则，认为是虚假事故信息。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211007067.9A CN115484068A (zh) | 2022-08-22 | 2022-08-22 | 一种基于bp神经网络的车联网中虚假事故信息检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211007067.9A CN115484068A (zh) | 2022-08-22 | 2022-08-22 | 一种基于bp神经网络的车联网中虚假事故信息检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115484068A true CN115484068A (zh) | 2022-12-16 |
Family
ID=84422817
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211007067.9A Pending CN115484068A (zh) | 2022-08-22 | 2022-08-22 | 一种基于bp神经网络的车联网中虚假事故信息检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115484068A (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104732237A (zh) * | 2015-03-23 | 2015-06-24 | 江苏大学 | 一种车联网中虚假交通信息的识别方法 |
| CN108400973A (zh) * | 2018-02-02 | 2018-08-14 | 中原工学院 | 车载自组织网络中基于交通流模型的虚假消息检测方法 |
| CN110213741A (zh) * | 2019-05-23 | 2019-09-06 | 青岛智能产业技术研究院 | 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 |
| CN110501989A (zh) * | 2018-05-17 | 2019-11-26 | 株洲中车时代电气股份有限公司 | 一种列车运行故障过滤方法及装置 |
-
2022
- 2022-08-22 CN CN202211007067.9A patent/CN115484068A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104732237A (zh) * | 2015-03-23 | 2015-06-24 | 江苏大学 | 一种车联网中虚假交通信息的识别方法 |
| CN108400973A (zh) * | 2018-02-02 | 2018-08-14 | 中原工学院 | 车载自组织网络中基于交通流模型的虚假消息检测方法 |
| CN110501989A (zh) * | 2018-05-17 | 2019-11-26 | 株洲中车时代电气股份有限公司 | 一种列车运行故障过滤方法及装置 |
| CN110213741A (zh) * | 2019-05-23 | 2019-09-06 | 青岛智能产业技术研究院 | 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 |
Non-Patent Citations (1)
| Title |
|---|
| 张冀雨, 万方数据知识服务平台, 29 November 2013 (2013-11-29), pages 21 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107567005B (zh) | 基于人工免疫系统的车联网车辆异常行为检测方法及系统 | |
| Maglaras | A novel distributed intrusion detection system for vehicular ad hoc networks | |
| Gramaglia et al. | New insights from the analysis of free flow vehicular traffic in highways | |
| Kalkan et al. | In-vehicle intrusion detection system on controller area network with machine learning models | |
| CN111918294B (zh) | 考虑传感器误差的女巫攻击节点的检测方法及装置 | |
| CN111800421B (zh) | 一种基于隐马尔科夫模型的车联网入侵检测系统 | |
| Linton et al. | Connected vehicle solution for winter road surface condition monitoring | |
| CN109446881A (zh) | 一种基于异构数据的高速公路路段交通状态检测方法 | |
| Fox et al. | Crowdsourcing undersampled vehicular sensor data for pothole detection | |
| JP2020113082A (ja) | 予測装置、予測方法、およびプログラム | |
| EP3149723B1 (en) | Methods and network nodes for notifying vehicle drivers about their driving | |
| JP7351397B2 (ja) | 通信品質を予測するシステム、装置、方法及びプログラム | |
| CN111245833B (zh) | 一种车辆入侵检测方法及装置 | |
| US12010518B2 (en) | System and method for securely defending against collusive attack under internet of vehicles | |
| Zhao et al. | Fedmix: A sybil attack detection system considering cross-layer information fusion and privacy protection | |
| CN115484068A (zh) | 一种基于bp神经网络的车联网中虚假事故信息检测方法 | |
| CN108241866A (zh) | 一种对驾驶行为进行引导的方法、装置和车辆 | |
| CN115063980B (zh) | 一种自适应车辆异常行驶检测方法、装置及终端设备 | |
| CN117173888A (zh) | 基于数据驱动的混合车辆队列性能指标在线评价方法 | |
| CN107128252A (zh) | 一种基于Wi‑Fi的车距监测系统 | |
| CN110087280A (zh) | 一种基于信标消息的车辆密度估算方法 | |
| CN105451235A (zh) | 基于背景更新的无线传感器网络入侵检测方法 | |
| CN112686221B (zh) | 行人进出监测方法、装置、设备及计算机存储介质 | |
| Mammeri et al. | Traffic sign detection, recognition and transmission system for smart vehicles | |
| 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 |