CN115862333A - 考虑信息流特征的高速公路车路协同场景和功能划分方法 - Google Patents
考虑信息流特征的高速公路车路协同场景和功能划分方法 Download PDFInfo
- Publication number
- CN115862333A CN115862333A CN202211562375.8A CN202211562375A CN115862333A CN 115862333 A CN115862333 A CN 115862333A CN 202211562375 A CN202211562375 A CN 202211562375A CN 115862333 A CN115862333 A CN 115862333A
- Authority
- CN
- China
- Prior art keywords
- scene
- road
- judgment matrix
- information
- layer
- 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
- 238000000034 method Methods 0.000 title claims abstract description 40
- 230000005540 biological transmission Effects 0.000 claims abstract description 20
- 239000011159 matrix material Substances 0.000 claims description 40
- 239000010410 layer Substances 0.000 claims description 39
- 239000002346 layers by function Substances 0.000 claims description 13
- 238000004891 communication Methods 0.000 claims description 12
- 230000002457 bidirectional effect Effects 0.000 claims description 11
- 238000003064 k means clustering Methods 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 abstract description 5
- 238000012545 processing Methods 0.000 abstract description 3
- 230000001737 promoting effect Effects 0.000 abstract description 2
- 238000012546 transfer Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
Images
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种考虑信息流特征的高速公路车路协同场景和功能划分方法,具体为:步骤1,根据信息传递的交互性和精准性,对高速公路车路协同系统进行场景分类;步骤2:针对每一种场景,根据该场景下的业务需求,确定该场景所需的功能;步骤3:采用层次分析法确定每个功能在高速公路车路协同系统中的整体重要度性系数;步骤4:采用聚类算法,根据功能整体重要性系数对功能业务进行聚类划分。本发明通过对高速公路车路协同系统按照信息流特征进行场景和功能业务的划分,可以更好的服务信息交互,保证重要的信息需求优先处理,从而提高高速公路车路协同系统的示范应用,对高速公路车路协同技术的推广也具有促进作用。
Description
技术领域
本发明属于智能交通技术领域。
背景技术
车路协同系统是采用先进的无线通信和新一代互联网等技术全方位实施车车、车路动态实施信息交互,并在全时空动态交通信息采集和融合的基础上开展车辆主动安全控制和道路协同管理,充分实现人、车、路的有效协同,保证交通安全,提高通行效率,从而形成安全、高效和环保的道路交通系统。
当前车路协同已由研发阶段向工程应用阶段演进,亟需通过系统集成和示范应用等工作开展,发现理论和测试中存在问题,服务于车路协同自动驾驶和新型智慧高速建设的大规模推广。然而在目前高速公路车路协同系统建设中,通常是基于场景来构建,不同项目有不同的场景需求。因为缺少对不同应用场景和功能的合理划分,导致大量并发的车路信息交互的通信业务无法区分出信息传递的优先级,进而阻碍了车路协同系统示范应用工作的开展。
发明内容
发明目的:为了解决上述现有技术存在的问题,本发明提供了一种考虑信息流特征的高速公路车路协同场景和功能划分方法。
技术方案:本发明提供一种考虑信息流特征的高速公路车路协同场景和功能划分方法,该方法包括如下步骤:
步骤1:根据信息传递的交互性和精准性,对高速公路车路协同系统进行场景分类;
步骤2:针对每一种场景,根据该场景下的业务需求,确定该场景所需的功能;
步骤3:采用层次分析法确定每个功能在高速公路车路协同系统中的整体重要度系数;
步骤4:采用聚类算法,根据功能整体重要度系数对功能业务进行聚类划分。
进一步的,所述步骤1中对高速公路车路协同系统进行场景分类具体为:首先判断高速公路车路协同系统中信息传递的方向,然后判断信息传递的方式;将场景分为:信息单向传递且传递方式为广播式的系统应用场景、信息双向传递且传递方式为广播式的系统应用场景、信息单向传递且传播方式为点对点的系统应用场景和信息双向传递且传播方式为点对点的系统应用场景。
进一步的,所述步骤2具体为:首先确定不同场景所对应的通信业务需求,然后通过通信业务需求确定每个场景所需的功能。
进一步的,所述步骤3具体为:
步骤3.1:将安全、效率、服务、绿色以及经济这5个准则作为层次分析法的准则层,将不同的场景作为场景层,将不同的功能作为功能层,将这5个准测依次编号;
步骤3.2:采用1-9的标度对准则层中的准则的重要度进行两两比较,构建准测层判断矩阵;将不同场景对同一个准则的重要度进行两两比较,构建场景层相对于准则层的判断矩阵,记为场景层判断矩阵;将某个场景下的不同功能对该场景的重要度进行两两比较,构建功能层对场景层的判断矩阵,记为功能层判断矩阵;
步骤3.3:对每个判断矩阵计算最大特征值及最大特征值对应的特征向量,采用一致性比率CR对每个判断矩阵进行检验,如果CR大于预设的阈值,则认定判断矩阵合格,否则转步骤3.2重新构造判断矩阵;
步骤3.4:计算每个判断矩阵的特征向量;
步骤3.5:计算整个系统中场景i的重要度系数Si:将准测层特征向量中的第t个元素的值作为第t个准则的权重Wt;将第t个场景层特征向量中第i个元素的值作为第t个准则下第i个场景的重要度系数Sit,则对第i个场景的重要度系数进行加权求和得到整个系统中场景i的重要度系数Si:
步骤3.6:将第i个功能层特征向量中第j个元素值作为场景i下的功能j的重要度系数Fij;
步骤3.7:计算每个功能在高速公路车路协同系统中的整体重要度性系数:F′ij=Si*Fij。
进一步的,步骤4中采用Bi-K-means聚类方法。
有益效果:本发明通过对高速公路车路协同系统按照信息流特征进行场景和业务的划分,可以更好的服务信息交互,保证重要的信息需求优先处理,从而提高高速公路车路协同系统的示范应用,对高速公路车路协同技术的推广也具有促进作用。
附图说明
图1为本发明的步骤流程图;
图2是本发明的层次分析法的流程图;
图3为本发明的Bi-K-Means聚类方法的流程图。
具体实施方式
构成本发明的一部分的附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
如图1所示,本发明提出一种考虑信息流特征的高速公路车路协同场景和功能划分方法,用于对高速公路车路协同场景和功能的划分,具体包括如下步骤:
步骤1,确定需要研究的领域为高速公路车路协同系统的交通领域。
步骤2,根据信息传递的交互性和精准性,对高速公路车路协同系统进行场景分类,具体为:
第一步是判断信息传递是单向传递还是双向传递;
第二步是判断信息传递是广播式的还是点对点式的;
本实施例将高速公路车路协同系统的场景分为信息传递单向且广播式的系统应用场景、信息传递双向且广播式的系统应用场景、信息传递单向且点对点的系统应用场景和信息传递双向且点对点的系统应用场景。
步骤3,根据对高速公路车路协同系统进行场景分类的结果,以及不同场景下的业务需求,确定不同场景中的功能,具体为:
第一步是分析不同场景所对应的通信业务需求;
第二步是根据场景内容和业务需求,确定该场景下的功能。
步骤4,研究各系统功能的重要性,根据加权层次分析法,确定每个功能在高速公路车路协同系统中的整体重要度系数。
步骤4具体为:
第一步:是将安全、效率、服务、绿色、经济这五个准则(也即维度)作为高速公路车路协同系统层次分析法的准则层,将高速公路车路协同系统中的不同场景和功能业务作为方案层的上、下两层,即场景层和功能层。
第二步:构造判断矩阵,即层次分析法中的比较矩阵,从准则层到场景层,再到功能层。构造判断矩阵,需要对判断要素的重要度,进行两两相互比较,采用1-9标度的相对尺度,以减少相互比较难度,提高判断的准确度。
对准则层五个准则的重要度进行两两比较,构建准则层判断矩阵,计算得到准则层的特征向量,采用Wt表示准测层判断矩阵中第t个准则的权重。
针对准则层的每个维度,对场景层场景构建判断矩阵,记为场景层判断矩阵,得到所有场景对每个准则层维度的特征向量。将某个场景下的不同功能对该场景的重要度进行两两比较,构建功能层对场景层的判断矩阵,记为功能层判断矩阵。
第三步是进行层次单排序及其一致性检验,对每个判断矩阵计算最大特征值及最大特征值对应的特征向量,采用一致性指标CI、随机一致性指标RI和一致性比率CR,做一致性检验。若检验通过,特征向量(归一化后)即为权向量;若不通过,需要重新构造成对比较矩阵。
一致性比率的计算公式为:
其中,CI表示一致性指标,λ表示最大特征根,n表示矩阵的阶数。
CR表示一致性比率,RI表示随机一致性指标,RI可以通过查询随即一致性指标表获得。本实施例中若CR<0.1,则一致性检验通过。
第四步,对于场景i,计算整个系统中场景i的重要度系数Si:将第t个场景层特征向量中第i个元素的值作为第t个准则下第i个场景的重要度系数,对第i个场景的重要度系数进行加权求和得到整个系统中第i场景的重要系数Si;t=1,2,…,5。具体为:令第t个场景层判断矩阵对应的特征向量为[S1t,S2t,…,Sit,…,SIt],I表示场景的总个数,Sit表示第t个准则下第i个场景的重要度系数;则
得到场景i下的功能j的重要性系数Fij;第i个场景层下的功能层判断矩阵对应的特征向量为[Fi1,Fi2,...,Fij,...,FiJ],J为第i个场景层下所需功能的总个数。
第五步:结合场景的重要性系数和对应功能的重要性系数,计算每个功能在高速公路车路协同系统中的整体重要度性系数:F′ij=Si*Fij。
步骤5,采用聚类算法,根据功能整体重要性系数F’ij对功能业务进行聚类划分。
根据步骤5中整体重要性系数对功能业务进行聚类划分,采用Bi-K-means聚类方法。
Bi-K-Means聚类方法是实在聚类的过程中引入了二分的思想,最大程度的降低了划分过程中的SSE(Sum of Squared Error)的值。
Bi-K-means聚类方法有4个步骤:
第一步:把高速公路车路协同系统中所有功能业务的重要性系数数据初始化为一个权重簇,然后将这个簇分裂为两个权重簇。
第二步:寻找满足条件的权重簇继续分裂(即寻找使得SSE值最大程度减小的簇进行分裂),该条件需综合考虑权重簇的功能业务元素个数的聚类代价。
误差平方和SSE的计算公式为:
其中,SSE表示平方和误差,n表示簇的个数,yl表示簇中点的值,y*表示该簇所有点的平局值。
第三步:使用Bi-K-means算法将可分裂的权重簇分裂为两簇。
第四步:一直重复第二、三步,直到满足迭代结束条件。
步骤6,根据功能重要性系数聚类结果,得到高速公路车路协同系统中不同的功能的划分结果。
本实施例中,信息传递单向且广播式的系统应用场景,是指一种群发的交通信息服务,在日常状态下,在高速公路上配备了接收器的司机、乘客可以接收到单向且群发的实时路况、天气、资讯、娱乐等信息服务。除了传统广播媒体基本功能外,还具有紧急广播和数据推送功能,可以实现智能差异化交通信息服务,全面提升现有公路网络的信息服务水平和效率。
本实施例中,信息传递双向且广播式的系统应用场景,是指通过双向的信息传递,进行一系列完整连贯的交通管理措施,它可以对常发和偶发的交通拥堵进行临时的管理,从而可以发挥现有交通设施的最大效益。通过运用高新科技,自动化地进行临时的调度和调整,在优化了交通系统性能的同时,避免了人工调度时间的延误,提高了交通系统的通行能力和安全性。
本实施例中,信息传递单向且点对点的系统应用场景,是指基于车辆位置的全程交通信息服务,获取具备定位功能的设备当前的所在位置,按照用户个性化信息需求,主动通过无线通信、互联网、路侧设备提供信息资源和基础服务。在信息传递单向且点对点的系统应用场景中,车辆中的车载通信设备仅仅单向的接收信息。
本实施例中,信息传递双向且点对点的系统应用场景,是指利用车辆通信和自动控制技术,精确的针对不同车辆传递信息,将不同智能程度的车辆分离、提高道路通行能力减少拥堵、提高驾驶安全性、缩短行驶时间、更好地管理有人与无人驾驶混行地交通流。在信息传递双向且点对点的系统应用场景中,车辆中的车载通信设备包含计算处理模块,不仅仅能够接收信息,而且能够把信息处理后发送给路侧或者云端设备。
数据聚类方法包括划分式聚类方法,基于密度的聚类方法,层次化聚类方法,以及新方法如量子聚类等。根据信息需求数据的不同,本发明从划分式聚类方法中选用Bi-K-Means聚类方法进行聚类。
步骤3中根据信息传递的交互性和精准性,对高速公路车路协同系统进行场景分类中的聚类方法可以采用不同的聚类方法。
另外需要说明的是,在上述具体实施方式中所描述的各个具体技术特征,在不矛盾的情况下,可以通过任何合适的方式进行组合。为了避免不必要的重复,本发明对各种可能的组合方式不再另行说明。
Claims (5)
1.考虑信息流特征的高速公路车路协同场景和功能划分方法,其特征在于,具体包括如下步骤:
步骤1:根据信息传递的交互性和精准性,对高速公路车路协同系统进行场景分类;
步骤2:针对每一种场景,根据该场景下的业务需求,确定该场景所需的功能;
步骤3:采用层次分析法确定每个功能在高速公路车路协同系统中的整体重要度系数;
步骤4:采用聚类算法,根据功能整体重要度系数对功能业务进行聚类划分。
2.根据权利要求1所述的考虑信息流特征的高速公路车路协同场景和功能划分方法,其特征在于,所述步骤1中对高速公路车路协同系统进行场景分类具体为:首先判断高速公路车路协同系统中信息传递的方向,然后判断信息传递的方式;将场景分为:信息单向传递且传递方式为广播式的系统应用场景、信息双向传递且传递方式为广播式的系统应用场景、信息单向传递且传播方式为点对点的系统应用场景和信息双向传递且传播方式为点对点的系统应用场景。
3.根据权利要求1所述的考虑信息流特征的高速公路车路协同场景和功能划分方法,其特征在于,所述步骤2具体为:首先确定不同场景所对应的通信业务需求,然后通过通信业务需求确定每个场景所需的功能。
4.根据权利要求1所述的考虑信息流特征的高速公路车路协同场景和功能划分方法,其特征在于,所述步骤3具体为:
步骤3.1:将安全、效率、服务、绿色以及经济这5个准则作为层次分析法的准则层,将不同的场景作为场景层,将不同的功能作为功能层,将这5个准测依次编号;
步骤3.2:采用1-9的标度对准则层中的准则的重要度进行两两比较,构建准测层判断矩阵;将不同场景对同一个准则的重要度进行两两比较,构建场景层相对于准则层的判断矩阵,记为场景层判断矩阵;将某个场景下的不同功能对该场景的重要度进行两两比较,构建功能层对场景层的判断矩阵,记为功能层判断矩阵;
步骤3.3:对每个判断矩阵计算最大特征值及最大特征值对应的特征向量,采用一致性比率CR对每个判断矩阵进行检验,如果CR大于预设的阈值,则认定判断矩阵合格,否则转步骤3.2重新构造判断矩阵;
步骤3.4:计算每个判断矩阵的特征向量;
步骤3.5:计算整个系统中场景i的重要度系数Si:将准测层特征向量中的第t个元素的值作为第t个准则的权重Wt;将第t个场景层特征向量中第i个元素的值作为第t个准则下第i个场景的重要度系数Sit,则对第i个场景的重要度系数进行加权求和得到整个系统中场景i的重要度系数Si:
步骤3.6:将第i个功能层特征向量中第j个元素值作为场景i下的功能j的重要度系数Fij;
步骤3.7:计算每个功能在高速公路车路协同系统中的整体重要度性系数:F’ij=Si*Fij。
5.根据权利要求1所述的考虑信息流特征的高速公路车路协同场景和功能划分方法,其特征在于,步骤4中采用Bi-K-means聚类方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211562375.8A CN115862333B (zh) | 2022-12-07 | 2022-12-07 | 考虑信息流特征的高速公路车路协同场景和功能划分方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211562375.8A CN115862333B (zh) | 2022-12-07 | 2022-12-07 | 考虑信息流特征的高速公路车路协同场景和功能划分方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115862333A true CN115862333A (zh) | 2023-03-28 |
CN115862333B CN115862333B (zh) | 2023-11-21 |
Family
ID=85670607
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211562375.8A Active CN115862333B (zh) | 2022-12-07 | 2022-12-07 | 考虑信息流特征的高速公路车路协同场景和功能划分方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115862333B (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030014181A1 (en) * | 2001-07-10 | 2003-01-16 | David Myr | Traffic information gathering via cellular phone networks for intelligent transportation systems |
JP2005265715A (ja) * | 2004-03-19 | 2005-09-29 | Clarion Co Ltd | 通信ナビゲーションシステム及び方法、ナビゲーション端末装置、情報サーバ、ナビゲーションプログラム、サーバプログラム |
US20080262716A1 (en) * | 2007-04-23 | 2008-10-23 | Trafficcast International, Inc | Method and system for a traffic management system based on multiple classes |
CN107203641A (zh) * | 2017-06-19 | 2017-09-26 | 北京易华录信息技术股份有限公司 | 一种互联网交通舆情信息采集和处理的方法 |
CN109583796A (zh) * | 2019-01-08 | 2019-04-05 | 河南省灵山信息科技有限公司 | 一种用于物流园区运营分析的数据挖掘系统及方法 |
CN111311038A (zh) * | 2018-12-11 | 2020-06-19 | 深圳先进技术研究院 | 交通管理与控制服务指数的评价方法 |
CN111386524A (zh) * | 2017-12-20 | 2020-07-07 | 国际商业机器公司 | 促进特定于域和客户端的应用程序接口推荐 |
CN111554088A (zh) * | 2020-04-13 | 2020-08-18 | 重庆邮电大学 | 一种多功能v2x智能路侧基站系统 |
CN112836771A (zh) * | 2021-03-26 | 2021-05-25 | 中国建设银行股份有限公司 | 业务服务点的分类方法、装置、电子设备和存储介质 |
CN113077646A (zh) * | 2021-03-22 | 2021-07-06 | 北京工业大学 | 一种桥梁运行安全多层级差异化防控方法 |
JP2021139822A (ja) * | 2020-03-09 | 2021-09-16 | アルパイン株式会社 | 車載システム |
CN114363862A (zh) * | 2021-01-14 | 2022-04-15 | 上海丰豹商务咨询有限公司 | 一种服务于车路协同自动驾驶的智能信息转换系统和方法 |
CN114802264A (zh) * | 2022-04-28 | 2022-07-29 | 中国第一汽车股份有限公司 | 车辆控制方法、装置、电子设备 |
-
2022
- 2022-12-07 CN CN202211562375.8A patent/CN115862333B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030014181A1 (en) * | 2001-07-10 | 2003-01-16 | David Myr | Traffic information gathering via cellular phone networks for intelligent transportation systems |
JP2005265715A (ja) * | 2004-03-19 | 2005-09-29 | Clarion Co Ltd | 通信ナビゲーションシステム及び方法、ナビゲーション端末装置、情報サーバ、ナビゲーションプログラム、サーバプログラム |
US20080262716A1 (en) * | 2007-04-23 | 2008-10-23 | Trafficcast International, Inc | Method and system for a traffic management system based on multiple classes |
CN107203641A (zh) * | 2017-06-19 | 2017-09-26 | 北京易华录信息技术股份有限公司 | 一种互联网交通舆情信息采集和处理的方法 |
CN111386524A (zh) * | 2017-12-20 | 2020-07-07 | 国际商业机器公司 | 促进特定于域和客户端的应用程序接口推荐 |
CN111311038A (zh) * | 2018-12-11 | 2020-06-19 | 深圳先进技术研究院 | 交通管理与控制服务指数的评价方法 |
CN109583796A (zh) * | 2019-01-08 | 2019-04-05 | 河南省灵山信息科技有限公司 | 一种用于物流园区运营分析的数据挖掘系统及方法 |
JP2021139822A (ja) * | 2020-03-09 | 2021-09-16 | アルパイン株式会社 | 車載システム |
CN111554088A (zh) * | 2020-04-13 | 2020-08-18 | 重庆邮电大学 | 一种多功能v2x智能路侧基站系统 |
CN114363862A (zh) * | 2021-01-14 | 2022-04-15 | 上海丰豹商务咨询有限公司 | 一种服务于车路协同自动驾驶的智能信息转换系统和方法 |
CN113077646A (zh) * | 2021-03-22 | 2021-07-06 | 北京工业大学 | 一种桥梁运行安全多层级差异化防控方法 |
CN112836771A (zh) * | 2021-03-26 | 2021-05-25 | 中国建设银行股份有限公司 | 业务服务点的分类方法、装置、电子设备和存储介质 |
CN114802264A (zh) * | 2022-04-28 | 2022-07-29 | 中国第一汽车股份有限公司 | 车辆控制方法、装置、电子设备 |
Non-Patent Citations (1)
Title |
---|
滕健;万福成;: "基于AHP法的信息系统设计与应用研究", 机电产品开发与创新, no. 06 * |
Also Published As
Publication number | Publication date |
---|---|
CN115862333B (zh) | 2023-11-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108810846B (zh) | 一种基于城市公共交通的车载网络群感知覆盖方法 | |
CN103278833A (zh) | 一种基于北斗/gps数据的线路推荐系统及方法 | |
CN110807552B (zh) | 一种基于改进K-means的城市电动客车行驶工况构建方法 | |
CN113625751B (zh) | 面向空地一体联邦学习的无人机位置与资源联合优化方法 | |
CN112766800A (zh) | 一种基于模糊层次分析法的城市绿色交通系统评价方法 | |
CN103674048A (zh) | 基于3g网络的动态智能导航方法 | |
CN107609670A (zh) | 一种基于copula算法电动汽车充电站负荷预测方法 | |
CN113642625A (zh) | 一种城市轨道交通乘客个体出行目的推断的方法及系统 | |
CN109413718A (zh) | 一种船端异构网络环境下最优数字通信模式选择方法 | |
CN113344240A (zh) | 一种共享单车流量预测方法及系统 | |
CN113240265B (zh) | 一种基于多模式交通数据的城市空间划分方法 | |
CN115862333A (zh) | 考虑信息流特征的高速公路车路协同场景和功能划分方法 | |
CN114358386A (zh) | 一种基于预约出行需求的双出行模式合乘站点生成方法 | |
CN107527105B (zh) | 一种拼车组单方法 | |
CN109389310A (zh) | 基于蒙特卡洛模拟的电动汽车充电设施成熟度评价方法 | |
CN104794301A (zh) | 一种探究公交车运行时间可靠性影响因素的方法 | |
Lin et al. | A cloud computing framework for real-time carpooling services | |
CN115100847B (zh) | 面向低渗透率网联车轨迹数据的排队服务时间估计方法 | |
CN115345320A (zh) | 一种在分层联邦学习框架下实现个性化模型的方法 | |
CN115002802A (zh) | 一种irs辅助的noma无人机网络的安全速率最大化方法 | |
Baron et al. | Vehicles as big data carriers: Road map space reduction and efficient data assignment | |
US20230035401A1 (en) | Data product generation and production based on dynamically selected/obfuscated vehicle location | |
CN115174481A (zh) | 一种无人机辅助边缘车联网服务和内容混合缓存的方法 | |
CN112085564B (zh) | 一种电动汽车电源共享系统及充电方法 | |
CN111429166B (zh) | 基于最大轮廓聚类的电动汽车充电需求空间分布预测方法 |
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 |