程久軍，原桂遠(yuǎn)，崔杰，周愛國，呂博，李光耀

（1.同濟(jì)大學(xué)嵌入式系統(tǒng)與服務(wù)計(jì)算教育部重點(diǎn)實(shí)驗(yàn)室，上海 200092；2.安徽大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，安徽 合肥 230601；3.同濟(jì)大學(xué)機(jī)械與能源工程學(xué)院，上海 200092；4.上海師范大學(xué)天華學(xué)院，上海 201815；5.同濟(jì)大學(xué)電子與信息工程學(xué)院，上海 200092）

1 引言

車聯(lián)網(wǎng)是一種可以實(shí)現(xiàn)車輛與其他網(wǎng)絡(luò)通信的動態(tài)網(wǎng)絡(luò)。在車聯(lián)網(wǎng)中，車輛通過傳感器收集自身及周圍車輛、道路和環(huán)境信息，對采集的時空數(shù)據(jù)進(jìn)行分析和發(fā)布，為用戶提供各種應(yīng)用服務(wù)，例如車輛遠(yuǎn)程診斷[1]、視頻下載[2]、隱私保護(hù)[3-4]、數(shù)據(jù)傳輸[5-6]等功能。因此，車聯(lián)網(wǎng)時空數(shù)據(jù)分析及其通達(dá)性至關(guān)重要。

隨著傳感器技術(shù)的發(fā)展，車輛可以在運(yùn)動過程中獲取自身狀態(tài)并感知周圍環(huán)境。同時，車輛可以通過車車通信獲取其他車輛的速度、加速度、地理位置等信息。然而，目前缺少統(tǒng)一的車輛數(shù)據(jù)采集存儲標(biāo)準(zhǔn)，不同傳感器存儲的數(shù)據(jù)結(jié)構(gòu)可能相差很大。另外，在城市場景中，由于建筑物的遮擋和其他因素干擾，時空數(shù)據(jù)可能存在噪聲和數(shù)據(jù)丟失的問題。需要有效的車聯(lián)網(wǎng)時空數(shù)據(jù)分析方法進(jìn)行數(shù)據(jù)的整合、噪聲去除和填充，為車聯(lián)網(wǎng)應(yīng)用提供數(shù)據(jù)支持。

按照有無路邊基礎(chǔ)設(shè)施支持，車聯(lián)網(wǎng)可分為有基礎(chǔ)設(shè)施的車輛網(wǎng)絡(luò)和車輛自組織網(wǎng)絡(luò)。與車輛自組織網(wǎng)絡(luò)不同，在城市場景中車聯(lián)網(wǎng)具有路邊基礎(chǔ)設(shè)施支持，車輛之間不僅可以通過車車通信實(shí)現(xiàn)連通，也可以跨路邊基礎(chǔ)設(shè)施實(shí)現(xiàn)連通。然而，路邊基礎(chǔ)設(shè)施帶寬有限，不能為所有車輛提供數(shù)據(jù)轉(zhuǎn)發(fā)服務(wù)。因此，需要實(shí)時準(zhǔn)確地檢測車聯(lián)網(wǎng)中不能通過車車通信實(shí)現(xiàn)連通的子網(wǎng)，并通過路邊基礎(chǔ)設(shè)施實(shí)現(xiàn)車輛之間的連通，保證拓?fù)浣Y(jié)構(gòu)發(fā)生變化時車聯(lián)網(wǎng)的通達(dá)性。

與高速公路場景下的車聯(lián)網(wǎng)相比，城市場景中的車聯(lián)網(wǎng)具有以下特點(diǎn)。1) 車輛運(yùn)動受到其他車輛和紅綠燈的影響，行車環(huán)境更加復(fù)雜。2) 車輛數(shù)量較多，車聯(lián)網(wǎng)規(guī)模較大。同時，由于紅綠燈和路網(wǎng)結(jié)構(gòu)的影響，車輛可能存在分布不均勻的現(xiàn)象。3) 由于建筑物的遮擋，距離小于通信范圍的車輛之間可能不能直接建立通信鏈路。同時，受各種干擾因素的影響，車輛之間的通信鏈路會頻繁地?cái)嚅_重連，預(yù)估車輛之間在未來一段時間內(nèi)保持連通的可能性更加困難。因此，高速公路場景下的車聯(lián)網(wǎng)通達(dá)性不完全適用于城市場景中的車聯(lián)網(wǎng)。

本文提出一種城市場景中車聯(lián)網(wǎng)時空數(shù)據(jù)分析及其通達(dá)性方法，主要貢獻(xiàn)包括以下兩點(diǎn)：1) 提出一種車聯(lián)網(wǎng)時空數(shù)據(jù)分析方法；2) 提出一種城市場景中車聯(lián)網(wǎng)通達(dá)性方法。

2 相關(guān)工作

在車聯(lián)網(wǎng)時空數(shù)據(jù)分析方面，文獻(xiàn)[7]總結(jié)了當(dāng)前車聯(lián)網(wǎng)時空數(shù)據(jù)分析面臨的挑戰(zhàn)：找到合適的過濾器提取有價(jià)值信息；將無用和冗余信息剔除；利用有效的方式對數(shù)據(jù)進(jìn)行表示和分析；建立有效的預(yù)測模型進(jìn)行交通管理。當(dāng)車聯(lián)網(wǎng)網(wǎng)絡(luò)負(fù)載不足以支撐車輛間數(shù)據(jù)傳輸時，文獻(xiàn)[8]將路網(wǎng)進(jìn)行劃分，將車輛映射到劃分出的格子中，以交通密度、帶寬、時延和花費(fèi)作為指標(biāo)對車輛的網(wǎng)絡(luò)接入進(jìn)行評價(jià)，從而對車輛接入傳統(tǒng)網(wǎng)絡(luò)或車聯(lián)網(wǎng)以及車聯(lián)網(wǎng)中哪個節(jié)點(diǎn)進(jìn)行決策，最終使車輛獲得較好的服務(wù)質(zhì)量。針對傳統(tǒng)的關(guān)系型數(shù)據(jù)庫和數(shù)據(jù)庫管理系統(tǒng)對給定時間周期和數(shù)據(jù)維度的查詢支持度不夠的問題，文獻(xiàn)[9]在靜態(tài)R 樹結(jié)構(gòu)上使用希爾伯特曲線和HBase 技術(shù)，使模型對范圍查詢和k 近鄰查詢都有較好的性能表現(xiàn)。文獻(xiàn)[10]分析了車聯(lián)網(wǎng)的特性，將車聯(lián)網(wǎng)中的數(shù)據(jù)流比擬為流體，推導(dǎo)出網(wǎng)絡(luò)特性描述方程，然后，基于網(wǎng)絡(luò)特性描述方程推導(dǎo)出車聯(lián)網(wǎng)網(wǎng)絡(luò)容量計(jì)算模型，該模型分析了網(wǎng)絡(luò)規(guī)模和網(wǎng)絡(luò)時延對網(wǎng)絡(luò)容量的影響，得出了網(wǎng)絡(luò)容量下降的原因。文獻(xiàn)[11]提出了一種基于并行數(shù)據(jù)挖掘的軌跡數(shù)據(jù)模式發(fā)現(xiàn)方法，并構(gòu)建了知識模型捕捉用戶移動行為。該軌跡數(shù)據(jù)模式發(fā)現(xiàn)方法可用于車輛位置預(yù)測、旅行推薦、智能交通管理等應(yīng)用和服務(wù)。針對車輛自組織網(wǎng)絡(luò)中網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)多變和時空數(shù)據(jù)復(fù)雜的問題，文獻(xiàn)[12]提出了一種基于貝葉斯聯(lián)盟博弈和學(xué)習(xí)自動機(jī)的車輛節(jié)點(diǎn)聯(lián)合處理時空數(shù)據(jù)的方法。

車輛快速移動導(dǎo)致車聯(lián)網(wǎng)拓?fù)浣Y(jié)構(gòu)頻繁變化和節(jié)點(diǎn)之間通信鏈路不穩(wěn)定，這些特性使車聯(lián)網(wǎng)通達(dá)性面臨2 個挑戰(zhàn)：構(gòu)建準(zhǔn)確描述車輛運(yùn)動的模型；基于車輛運(yùn)動模型構(gòu)建車聯(lián)網(wǎng)通信協(xié)議實(shí)現(xiàn)車輛之間的互聯(lián)互通。文獻(xiàn)[13]研究了高速公路場景中車聯(lián)網(wǎng)的連通性，分析了在特定路段上車輛之間連通概率與連通集直徑、連通集數(shù)目、車輛密度和車輛傳輸距離之間的關(guān)系。分析結(jié)果表明，當(dāng)車輛進(jìn)入高速公路是泊松過程時，車聯(lián)網(wǎng)中車輛位置滿足伽馬分布。通過統(tǒng)計(jì)道路的交通密度、交叉路口和路段等道路信息，文獻(xiàn)[14]提出了一種道路感知路由協(xié)議，并研究了路由協(xié)議的恢復(fù)機(jī)制和性能指標(biāo)。實(shí)驗(yàn)結(jié)果表明，即使在交通密度較高的情況下，文獻(xiàn)[14]協(xié)議依然無法避免網(wǎng)絡(luò)分裂的現(xiàn)象，也不能保證網(wǎng)絡(luò)整體連通；要達(dá)到減少網(wǎng)絡(luò)分裂的目的，可借助反向運(yùn)動車輛實(shí)現(xiàn)信息轉(zhuǎn)發(fā)和增加節(jié)點(diǎn)通信距離。文獻(xiàn)[15]分析了高速公路場景中車輛之間的連通性，研究了車輛進(jìn)入高速公路的速率、車輛速度以及車輛離開高速公路的概率等參數(shù)對連通性的影響。針對大規(guī)模車聯(lián)網(wǎng)互聯(lián)互通耦合度低的問題，文獻(xiàn)[16]通過一種車聯(lián)網(wǎng)連通基的網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)，提出了分布式連通基構(gòu)造方法，針對大規(guī)模車聯(lián)網(wǎng)通達(dá)性問題，作者結(jié)合平滑高斯?半馬爾可夫移動模型研究了連通基的內(nèi)部結(jié)構(gòu)屬性和動態(tài)特性，對動態(tài)環(huán)境下車聯(lián)網(wǎng)的通達(dá)性進(jìn)行評估。在大規(guī)模車聯(lián)網(wǎng)中，連通基可用于轉(zhuǎn)發(fā)數(shù)據(jù)包，進(jìn)而實(shí)現(xiàn)車輛節(jié)點(diǎn)之間的連通。針對車輛自組織網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)頻繁變化導(dǎo)致的連通易變問題，文獻(xiàn)[17]提出了一種基于自編碼網(wǎng)絡(luò)和循環(huán)神經(jīng)網(wǎng)絡(luò)的車輛自組織網(wǎng)絡(luò)連通預(yù)測方法和一種基于連通預(yù)測的動態(tài)分簇方法，細(xì)化了簇內(nèi)角色，研究了節(jié)點(diǎn)之間數(shù)據(jù)轉(zhuǎn)發(fā)的代價(jià)，給出了車輛之間連通路徑構(gòu)造方法。

在車聯(lián)網(wǎng)時空數(shù)據(jù)分析方面，大多數(shù)研究對車聯(lián)網(wǎng)實(shí)時性以及拓?fù)浣Y(jié)構(gòu)變化快的特性考慮不足。另外，在車聯(lián)網(wǎng)通達(dá)性研究方面，大多數(shù)研究集中在網(wǎng)絡(luò)整體通達(dá)性，只總結(jié)各個參數(shù)對通達(dá)性的影響，缺少對節(jié)點(diǎn)間通達(dá)性的研究。

3 城市場景中車聯(lián)網(wǎng)時空數(shù)據(jù)分析

3.1 相關(guān)定義

定義1城市場景中的車聯(lián)網(wǎng)可表示為

定義2車輛vi在t時刻的特征可表示為

其中，s表示vi的速度，a表示vi的加速度，p表示vi的位置，ρ表示vi所處的路段，u表示vi關(guān)聯(lián)的路邊基礎(chǔ)設(shè)施。

3.2 基于噪聲去除和數(shù)據(jù)填充的時空數(shù)據(jù)處理

3.2.1 噪聲去除

假設(shè)vi在t時刻的位置為p，在時刻的位置為，如果vi的速度與加速度方向相同，則

然而，車輛的加速度與速度之間可能存在夾角，式(3)估計(jì)的車輛位置可能不夠準(zhǔn)確。為了判斷傳感器采集的車輛位置是否準(zhǔn)確，給出車輛位置可信區(qū)域?？尚艆^(qū)域的4 個頂點(diǎn)的坐標(biāo)為

其中，p1、p2、p3、p4分別表示可信區(qū)域的左下角、左上角、右下角、右上角坐標(biāo)，θ表示s與a之間的夾角，ι表示車輛在t時刻與時刻位置之間的距離。

若位置傳感器采集的車輛位置位于可信區(qū)域內(nèi)，則保留數(shù)據(jù)；否則判定采集的數(shù)據(jù)為噪聲，將其去除。

3.2.2 時間性自相關(guān)數(shù)據(jù)填充

本文針對噪聲去除導(dǎo)致少量數(shù)據(jù)丟失的問題，從時間角度分析車輛的數(shù)據(jù)，對丟失數(shù)據(jù)進(jìn)行估計(jì)，進(jìn)而達(dá)到數(shù)據(jù)填充的目的。傳統(tǒng)的指數(shù)平滑方法[18]在進(jìn)行數(shù)據(jù)填充時僅考慮過去一段時間傳感器的采樣值，沒有考慮未來一段時間傳感器的采樣值。為此，本文改進(jìn)了指數(shù)平滑方法，將其用來填充車聯(lián)網(wǎng)數(shù)據(jù)，填充時不僅考慮填充時間前傳感器采集的數(shù)據(jù)，而且考慮數(shù)據(jù)丟失時間后傳感器采集的數(shù)據(jù)。本文將該數(shù)據(jù)填充方法定義為時間性自相關(guān)數(shù)據(jù)填充，即

其中，Δt表示傳感器采樣的時間間隔，η表示數(shù)據(jù)填充窗口的大小，α(α∈(0,1)）表示平滑系數(shù)，f(vi,t?jΔt)表示數(shù)據(jù)丟失時間t之前傳感器采集的數(shù)據(jù)，f(vi,t+jΔt)表示數(shù)據(jù)丟失時間t之后傳感器采集的數(shù)據(jù)。

3.2.3 時空性協(xié)同過濾數(shù)據(jù)填充

路網(wǎng)匹配[19]將前后軌跡數(shù)據(jù)映射到路網(wǎng)中，對可能的軌跡進(jìn)行評價(jià)，從而選取概率最大的一條作為填充數(shù)據(jù)，但存在對應(yīng)時間點(diǎn)的參數(shù)預(yù)測困難的問題。雖然節(jié)點(diǎn)狀態(tài)變化頻繁，拓?fù)浣Y(jié)構(gòu)每時每刻都在更新，但由于路網(wǎng)的存在，最佳路線選取的策略幾乎一致，在某時間點(diǎn)連通的兩輛車在過去和未來都可能存在相似的軌跡和狀態(tài)。尤其是在高速路段以及工作日早晚高峰，車輛的目的地極其相近，所以可以借助這些軌跡相似的車輛對目標(biāo)車輛的空值數(shù)據(jù)段進(jìn)行填充。協(xié)同過濾[20]的核心思想是用向量描述用戶的歷史信息，然后計(jì)算用戶之間的相似性，再通過與目標(biāo)用戶相似性較高的鄰居對其產(chǎn)品的評價(jià)，從而得到目標(biāo)用戶對特定產(chǎn)品的潛在需求程度，系統(tǒng)根據(jù)計(jì)算到的結(jié)果進(jìn)行針對性推薦。將協(xié)同過濾的思想用到車聯(lián)網(wǎng)數(shù)據(jù)填充上，關(guān)鍵是對車輛之間的相似性進(jìn)行計(jì)算。針對傳感器故障等問題導(dǎo)致大量數(shù)據(jù)丟失的問題，本文提出一種基于路網(wǎng)匹配的時空性協(xié)同過濾數(shù)據(jù)填充方法。

假設(shè)vi在t到之間的特征需要進(jìn)行填充，時刻vi的鄰近節(jié)點(diǎn)集為

vi與在時刻的相似度為

3.3 基于特征壓縮的時空數(shù)據(jù)降維

1) 特征無量綱轉(zhuǎn)化

假設(shè)f(vi,t)中的第j個特征為fj(vi,t)，使用max-min 方法將fj(vi,t)縮放至[0,1]，即

2) 基于主成分分析的特征降維

假設(shè)所有車輛在t時刻的特征為，其協(xié)方差矩陣為

將車輛特征向量與協(xié)方差矩陣特征向量相乘后，選擇值最大的m個維度作為車輛的特征向量，即可實(shí)現(xiàn)特征降維。

3.4 基于張量因子聚合的神經(jīng)網(wǎng)絡(luò)構(gòu)建

張量神經(jīng)網(wǎng)絡(luò)[21]結(jié)合了單層模型和潛在因子模型，是一種將兩者特點(diǎn)結(jié)合在一起擴(kuò)展產(chǎn)生的模型。數(shù)據(jù)抽取過程及基于張量因子聚合的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖1 所示。

圖1 數(shù)據(jù)抽取過程及基于張量因子聚合的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

通過改進(jìn)張量神經(jīng)網(wǎng)絡(luò)，給出適用于車聯(lián)網(wǎng)的張量因子聚合層，張量因子聚合的輸出為

基于張量因子聚合構(gòu)建神經(jīng)網(wǎng)絡(luò)，用于預(yù)測車輛之間的連通強(qiáng)度，其目標(biāo)函數(shù)為

對時空數(shù)據(jù)去噪、填充和降維后，整合存儲為訓(xùn)練數(shù)據(jù)集。使用訓(xùn)練數(shù)據(jù)集和梯度下降優(yōu)化目標(biāo)函數(shù)，通過梯度下降迭代求解目標(biāo)函數(shù)，得到最小化的目標(biāo)函數(shù)和基于張量因子聚合的神經(jīng)網(wǎng)絡(luò)的參數(shù)值。

4 城市場景中車聯(lián)網(wǎng)通達(dá)性

4.1 相關(guān)定義

定義3一個路邊基礎(chǔ)設(shè)施ul覆蓋范圍內(nèi)的車聯(lián)網(wǎng)可表示為

定義4的拉普拉斯矩陣為

4.2 基于拉普拉斯矩陣的弱連接檢測

所以，最小化特征值z并找到其對應(yīng)的特征向量即可找到車聯(lián)網(wǎng)中的弱連接。根據(jù)之前提到的性質(zhì)，的最小特征值z對應(yīng)特征向量為→。根據(jù)Rayleign-Ritz 理論[22]，不符合→條件，故取第二小特征值。如果將劃分為l組，則變成取前l(fā)個特征值及其特征向量。

小班化教學(xué)給實(shí)踐活動提供了極大的便利，教師要在實(shí)踐活動中關(guān)注學(xué)困生，通過實(shí)踐活動磨煉學(xué)困生的意志，陶冶學(xué)困生的情操，為學(xué)困生的成長提供廣闊的天地。很多學(xué)困生雖然學(xué)習(xí)成績不佳，但是他們的實(shí)踐能力較強(qiáng)，在實(shí)踐活動中十分活躍。教師應(yīng)縮短與學(xué)困生的心理距離，鼓勵他們積極參與實(shí)踐活動，在潛移默化中向?qū)W生滲透學(xué)習(xí)思想和道德品質(zhì)等。聯(lián)系生活實(shí)際，講述學(xué)科知識在實(shí)際生活中的應(yīng)用，為學(xué)困生創(chuàng)設(shè)與教學(xué)資料有關(guān)的情境，引發(fā)他們的好奇與思考。同時，分層活動是幫助學(xué)困生體驗(yàn)成功的有效方法，可開展分層學(xué)科競賽，達(dá)到人人都有發(fā)展的目的。

4.3 連通候選節(jié)點(diǎn)集構(gòu)建

弱連接檢測可以發(fā)現(xiàn)車聯(lián)網(wǎng)中容易斷開的邊。為了解決弱連接檢測的邊斷開而導(dǎo)致整個網(wǎng)絡(luò)出現(xiàn)不連通的問題，本文提出一種連通候選節(jié)點(diǎn)集構(gòu)建方法。首先，給出當(dāng)前不連通的2 個車輛在未來時刻可能連通的度量方法，即

其中，Γmax表示車輛鄰近節(jié)點(diǎn)的最大個數(shù)。

在弱連接檢測的邊斷開后，一個路邊基礎(chǔ)設(shè)施下的車聯(lián)網(wǎng)劃分為若干不連通的子網(wǎng)，從不連通的子網(wǎng)中選擇最大的2 個節(jié)點(diǎn)作為連通候選節(jié)點(diǎn)。

4.4 基于啟發(fā)式搜索的通達(dá)性算法

本節(jié)給出一種基于啟發(fā)式搜索的通達(dá)性（HA,heuristic-search-based accessibility）算法，在通達(dá)性路徑搜索過程中，消耗函數(shù)、未完成度函數(shù)和評價(jià)函數(shù)分別為

其中，C(P) 表示消耗函數(shù)，B(P) 表示未完成度函數(shù)，K(P) 表示評價(jià)函數(shù)，P表示連通路徑，表示連通路徑的最后一個路段與數(shù)據(jù)接收節(jié)點(diǎn)所處路段之間的距離。

HA 算法的具體過程如算法1 所示。首先，遍歷數(shù)據(jù)發(fā)送節(jié)點(diǎn)周圍的連通候選節(jié)點(diǎn)，若它周圍沒有連通候選節(jié)點(diǎn)，則使用路邊基礎(chǔ)設(shè)施進(jìn)行數(shù)據(jù)轉(zhuǎn)發(fā)（步驟5)～步驟6)）；否則，將連通候選節(jié)點(diǎn)加入連通路徑集合（步驟7)～步驟8)）。然后，重復(fù)選擇連通路徑集合中的節(jié)點(diǎn)，使用評價(jià)函數(shù)選擇連通路徑的下一跳節(jié)點(diǎn)（步驟11)～步驟21)）。最后，基于連通路徑集合構(gòu)建發(fā)送節(jié)點(diǎn)到接收節(jié)點(diǎn)的連通路徑（步驟23)～步驟26)）。

算法1HA 算法

輸入發(fā)送節(jié)點(diǎn)v1，接收節(jié)點(diǎn)v2

5 仿真實(shí)驗(yàn)與結(jié)果分析

5.1 仿真實(shí)驗(yàn)環(huán)境

仿真實(shí)驗(yàn)采用NGSIM 項(xiàng)目采集的數(shù)據(jù)集[23]。該數(shù)據(jù)收集位于美國加利福尼亞州洛杉磯的Lankershim Boulevard 路段的車輛行駛軌跡數(shù)據(jù)。仿真實(shí)驗(yàn)使用2005 年6 月16 日8:28—8:45 時間段的車輛及道路信息。仿真實(shí)驗(yàn)參數(shù)如表1 所示。

表1 仿真實(shí)驗(yàn)參數(shù)

5.2 時空數(shù)據(jù)分析仿真實(shí)驗(yàn)結(jié)果

為了評價(jià)車聯(lián)網(wǎng)時空數(shù)據(jù)分析方法，本文對比了使用原始數(shù)據(jù)與處理后數(shù)據(jù)的網(wǎng)絡(luò)性能。從傳統(tǒng)反向傳播（BP,back propagation）神經(jīng)網(wǎng)絡(luò)和基于張量因子聚合的神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)體積、平均錯誤率、訓(xùn)練速度3 個指標(biāo)進(jìn)行評價(jià)，結(jié)果分別如圖2和圖3 所示。與使用原始數(shù)據(jù)相比，BP 神經(jīng)網(wǎng)絡(luò)使用處理后的數(shù)據(jù)可以降低18%的數(shù)據(jù)體積和21%的平均錯誤率。在對比神經(jīng)網(wǎng)絡(luò)訓(xùn)練速度時，保持網(wǎng)絡(luò)的優(yōu)化方法、學(xué)習(xí)率、批處理規(guī)模等參數(shù)不變，對比神經(jīng)網(wǎng)絡(luò)使用原始數(shù)據(jù)與處理后數(shù)據(jù)的訓(xùn)練速度。由圖2 可知，BP 神經(jīng)網(wǎng)絡(luò)使用處理后的數(shù)據(jù)可以提高12%的訓(xùn)練速度。與使用原始數(shù)據(jù)相比，基于張量因子聚合的神經(jīng)網(wǎng)絡(luò)使用處理后的數(shù)據(jù)可以降低20%的數(shù)據(jù)體積和30%的平均錯誤率，可以提高40%的訓(xùn)練速度。

圖2 時空數(shù)據(jù)處理前后BP 神經(jīng)網(wǎng)絡(luò)的性能對比

圖3 時空數(shù)據(jù)處理前后基于張量因子聚合的神經(jīng)網(wǎng)絡(luò)的性能對比

基于張量因子聚合的神經(jīng)網(wǎng)絡(luò)輸出2 個車輛之間的連通強(qiáng)度，1 000 對車輛的誤差分布如圖4 所示。橫坐標(biāo)表示連通強(qiáng)度預(yù)測值與實(shí)際樣本值的誤差，縱坐標(biāo)表示落在相應(yīng)誤差范圍內(nèi)的樣本占比?？梢钥闯?，基于張量因子聚合的神經(jīng)網(wǎng)絡(luò)在測試集實(shí)驗(yàn)結(jié)果中，有81%的輸出結(jié)果誤差在10%內(nèi)，90%的結(jié)果誤差小于20%。

圖4 誤差分布

5.3 車聯(lián)網(wǎng)通達(dá)性方法仿真實(shí)驗(yàn)結(jié)果

圖5 展示了路段劃分方法。圖6 展示了路網(wǎng)中車輛數(shù)目變化情況，橫坐標(biāo)為時間，縱坐標(biāo)為車輛數(shù)目。由圖6 可知，車輛數(shù)目在30～100 輛波動。圖7 展示了不同路段車輛數(shù)目變化。由圖7可知，不同路段之間車輛分布不均勻，同一路段不同時刻的車輛數(shù)目變化也非常大。圖8 展示了不同路段車輛密度變化。由圖8 可知，車輛分布是不均勻的。

圖5 Lankershim Boulevard 路段

圖6 路網(wǎng)中車輛數(shù)目變化

圖7 不同路段車輛數(shù)目變化

圖8 不同路段車輛密度變化

為了評價(jià)本文所提出的車聯(lián)網(wǎng)通達(dá)性方法，本節(jié)對比了貪婪周邊無狀態(tài)路由（GPSR,greedy perimeter stateless routing）算法[24-26]和路邊基礎(chǔ)設(shè)施轉(zhuǎn)發(fā)（RT,RSU transmission）算法。在RT 算法中，一個路邊基礎(chǔ)設(shè)施負(fù)責(zé)轉(zhuǎn)發(fā)其覆蓋范圍內(nèi)車輛的數(shù)據(jù)，而車輛間不直接通信。

仿真實(shí)驗(yàn)選取路段3 車輛數(shù)目變化最頻繁的200 s 數(shù)據(jù)。弱連接檢測的準(zhǔn)確性如圖9 所示。不同時間的車輛連通數(shù)目如圖10 所示。3 種通達(dá)性算法中車輛之間的平均時延如圖11 所示。

圖9 弱連接檢測準(zhǔn)確率

圖10 連通數(shù)目

圖11 平均時延

HA 算法的弱連接檢測準(zhǔn)確率和平均時延成反相關(guān)，即弱連接檢測準(zhǔn)確率越高，平均時延越低。弱連接檢測后連通候選節(jié)點(diǎn)集構(gòu)建可以減少由于連接斷開導(dǎo)致網(wǎng)絡(luò)割裂，進(jìn)而解決車輛依賴路邊基礎(chǔ)設(shè)施進(jìn)行數(shù)據(jù)中轉(zhuǎn)導(dǎo)致時延上升的問題。

由圖10 和圖11 可知，HA 算法和GPSR 算法的平均時延在某些情況下高于直接利用路邊基礎(chǔ)設(shè)施轉(zhuǎn)發(fā)的RT 算法。然而，路邊基礎(chǔ)設(shè)施帶寬有限，當(dāng)車輛所需帶寬大于路邊基礎(chǔ)設(shè)施帶寬時，路邊基礎(chǔ)設(shè)施不能為所有車輛提供數(shù)據(jù)轉(zhuǎn)發(fā)服務(wù)。因?yàn)镠A 算法考慮了車輛之間的連通強(qiáng)度，能夠檢測弱連接并構(gòu)建連通候選節(jié)點(diǎn)集，避免了因?yàn)檐囕v間連接斷開所造成的路邊基礎(chǔ)設(shè)施重新調(diào)度及通信帶來的時延，因此HA 算法效果要優(yōu)于GPSR 算法。

6 結(jié)束語

本文研究了城市場景中車聯(lián)網(wǎng)時空數(shù)據(jù)分析及其通達(dá)性方法，提出了基于噪聲去除和數(shù)據(jù)填充的時空數(shù)據(jù)分析方法，構(gòu)建了基于張量因子聚合的神經(jīng)網(wǎng)絡(luò)預(yù)測車輛之間的連通強(qiáng)度；提出了基于連通強(qiáng)度預(yù)測的車聯(lián)網(wǎng)通達(dá)性方法。仿真結(jié)果表明，本文所提出的車聯(lián)網(wǎng)時空數(shù)據(jù)分析及其通達(dá)性方法具有較好的性能。