车联网异常检测及数据恢复技术研究

发布时间：2020-03-28 10:21

【摘要】：信息化时代,科技日新月益,社会经济得到高速发展,城市道路交通每况愈下,智能交通系统得以蓬勃发展。车联网作为物联网在智能交通系统中的主要构成部分,研究它对于改善交通状况、提高交通运输效率和确保人民出行安全具有较高的应用意义。由于车联网中车辆节点具有高速移动性和极易受环境影响等特点,使得传感器收集的数据难免存在篡改、丢失、伪造等各种问题。因此,有效地对车联网传感器数据进行异常检测及恢复,可促使数据能够准确无误地反映交通实时状态,进而确保交通分析模型的真实性和智能交通管理系统的有效性。本文在总结车联网异常数据产生原因的基础上,提出了基于动态贝叶斯网络模型和时空相关性组合模型的两种异常检测及数据恢复算法。其中,在基于动态贝叶斯网络模型的方案中,首先介绍了动态贝叶斯网络模型的结构和参数学习算法,分别为粒子群优化算法和最大期望算法。其次,根据数据特性提出了一种基于阈值调整的异常检测及数据恢复方案,同时给出了最优阈值的性能分析计算方法。最后,通过模拟包含注入异常的数据集对所提方案的性能优劣进行了评估。仿真结果表明该方案在保证高检错率、高修复成功率的条件下具有较低的误检率。在基于时空相关性组合模型的方案中,首先详述了相关性理论并选择自相关系数和Pearson相关系数分别作为衡量传感器数据间的时间和空间相关性指标。其次,利用将代表时间相关性的指数平滑算法和代表空间相关性的最小二乘估计算法相结合的组合模型算法对异常数据进行检测及恢复,同时给出了平滑系数、权重系数以及最优阈值的确定方法。然后,将该组合模型算法与原先两个单独的算法在同一数据集中进行实验仿真,通过对比仿真结果来验证组合算法的实用性。最后,给出文章所提两种方案各自适合的应用场景。
【图文】：

网络架构,异常检测

肇事车辆伪造事故数据或虚假交通堵塞数据等，将严重影响道路秩序，甚至威胁司机的生命安全，所以在使用这些数据之前必须进行异常检测及数据恢复。图2.1 车联网网络架构图2.1.2 车联网异常检测及数据恢复的动机车联网中通过异常检测及数据恢复可保证传感器数据的可靠性，提高在噪声和故障传感器存在的情况下数据分析的鲁棒性，减少异常数据的通信开销。这里，本节举例说明了在实际应用中对数据进行异常检测及恢复的动机：（1）交通事故监测，即交通实时数据通过无线传感网络上传至云端服务器中心监测。发现异常记录并对其进行恢复可提醒云端查看是否有异常事件发生并允许相关人员及时采取有效的救助措施。（2）车辆状态监测，即通过 OBD 接口与智能手机互连来实时查看车辆自身的状态。异常检测可快速识别异常数据，提醒车主车辆零件可能存在故障，，处于亚健康状态，需尽快对其进行维护保养。（3）车辆目标监测，即通过嵌入目标车辆 GPS 传感器来进行实时查询追踪。异常检测及数据恢复技术可将错误位置信息过滤并恢复以提高目标定位精度

模型图,监测车,网络模拟,运行状态

性能略优于边界算法。3.2 DBN 接口算法描述图3.1 用于监测车辆节点运行状态的动态贝叶斯网络模拟模型在本文中，假设用个传感器来监测车辆节点的运行状态，并将时间划分为个连续的时间片，各个传感器在每个时间片内上传一次监测数据。图 3.1 便是本章为描述车联网中车辆节点的监测过程而构建的动态贝叶斯网络模拟模型。其中，
【学位授予单位】：西安电子科技大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：U495

【参考文献】