基于群智感知的车联网节点优化方法与应用

发布时间：2023-04-17 05:06

　　传统的车联网数据获取是基于重要路口和断面的地磁线圈、摄像机等交通监测手段,这种方式感知覆盖范围有限、实时性受限,而基于移动群智感知的数据获取方式移动性强,感知的覆盖范围更广,车辆行驶规律性强。目前对于车联网移动群智感知的数据获取的研究不足,缺乏合理的节点选择机制。本文首先设计出了一种合理的服务节点选择方法,然后将选择出的服务节点应用到路由决策中,设计出了一种有效的数据转发机制,从这两方面入手来实现车辆网节点的优化。首先,本文提出一种基于高斯分析的马尔科夫位置预测方法,用来计算参与感知的车辆到达目标区域的概率。本文提出的基于高斯分析的马尔科夫位置预测算法,根据高斯混合模型来拟合在一整段连续的时间下,在各个位置间的转移概率,找到最有可能的位置转移时间点,最终可以把找到的这些时间点当作是马尔科夫模型的状态转移点,建立马尔科夫模型来计算车辆到达某一位置的概率。其次,本文设计一种基于遗传算法选取最优车辆服务节点集的方法,结合上面提出的基于高斯分析的马尔科夫位置预测算法较为准确地预测出的服务车辆到达目标区域的概率和路网结构计算出的服务车辆到目标区域的绝对距离。该方法能够以相对快的速度找到满足条件的...

【文章页数】：76 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
专用术语注释表
第一章 绪论
    1.1 研究背景与意义
    1.2 国内外研究现状
    1.3 论文的内容与安排
第二章 车联网节点优化关键技术
    2.1 5G车联网场景
    2.2 基于群智感知的历史轨迹数据收集和预处理
        2.2.1 基于群智感知的轨迹数据收集
        2.2.2 轨迹数据预处理
        2.2.3 轨迹数据集
    2.3 基于历史轨迹的位置预测
        2.3.1 马尔科夫过程及马尔可夫链
        2.3.2 初始状态概率分布和状态转移矩阵
        2.3.3 基于历史轨迹的马尔科夫位置预测法
    2.4 车辆服务节点选取准则
        2.4.1 约束条件选取
        2.4.2 车辆服务节点评价指标
    2.5 本章小结
第三章 一种基于高斯分析的马尔科夫位置预测算法
    3.1 引言
    3.2 常用的位置预测算法
        3.2.1 基于马尔科夫模型的位置预测算法
        3.2.2 基于高斯混合模型的位置预测算法
    3.3 一种基于高斯分析的马尔科夫位置预测算法
        3.4.1 路网结构
        3.4.2 马尔科夫模型建立
        3.4.3 基于高斯混合模型的转移点发现
        3.4.4 基于高斯分析的马尔科夫位置预测算法实现
    3.4 算法实验分析
    3.5 本章小结
第四章 一种基于遗传算法的车辆服务节点集选取方法
    4.1 引言
    4.2 优化算法概述及性能对比
        4.2.1 粒子群算法(PSO)
        4.2.2 遗传算法(GA)
        4.2.3 优化算法性能对比分析
    4.3 基于遗传算法的车辆服务节点选取方法设计
        4.3.1 遗传算法流程
        4.3.2 编码步骤
        4.3.3 适应度函数的设定
        4.3.4 选择、交叉、变异操作实现
        4.3.5 基于遗传算法车辆服务节点选取实现过程
    4.4 算法实验分析
    4.5 本章小结
第五章 一种基于位置信息的机会网络路由协议
    5.1 引言
    5.2 车载网络的路由协议
        5.2.1 基于机会网络数据转发机制
        5.2.2 基于地理位置的路由协议
        5.2.3 基于机会网络的路由协议
    5.3 一种基于位置信息的机会网络路由协议
        5.3.1 算法描述
        5.3.2 转发模式自适应选择策略
        5.3.3 GSOR协议流程
    5.4 仿真与结果分析
        5.4.1 仿真环境及参数设置
        5.4.2 算法实验分析
    5.5 本章小结
第六章 总结与展望
    6.1 论文总结
    6.2 工作展望
参考文献
附录1 攻读硕士学位期间撰写的论文
附录2 攻读硕士学位期间申请的专利
附录3 攻读硕士学位期间参加的科研项目
致谢



本文编号：3792633