發(fā)布時間：2023-04-17 05:06

　　傳統(tǒng)的車聯(lián)網(wǎng)數(shù)據(jù)獲取是基于重要路口和斷面的地磁線圈、攝像機等交通監(jiān)測手段,這種方式感知覆蓋范圍有限、實時性受限,而基于移動群智感知的數(shù)據(jù)獲取方式移動性強,感知的覆蓋范圍更廣,車輛行駛規(guī)律性強。目前對于車聯(lián)網(wǎng)移動群智感知的數(shù)據(jù)獲取的研究不足,缺乏合理的節(jié)點選擇機制。本文首先設(shè)計出了一種合理的服務(wù)節(jié)點選擇方法,然后將選擇出的服務(wù)節(jié)點應(yīng)用到路由決策中,設(shè)計出了一種有效的數(shù)據(jù)轉(zhuǎn)發(fā)機制,從這兩方面入手來實現(xiàn)車輛網(wǎng)節(jié)點的優(yōu)化。首先,本文提出一種基于高斯分析的馬爾科夫位置預(yù)測方法,用來計算參與感知的車輛到達目標區(qū)域的概率。本文提出的基于高斯分析的馬爾科夫位置預(yù)測算法,根據(jù)高斯混合模型來擬合在一整段連續(xù)的時間下,在各個位置間的轉(zhuǎn)移概率,找到最有可能的位置轉(zhuǎn)移時間點,最終可以把找到的這些時間點當(dāng)作是馬爾科夫模型的狀態(tài)轉(zhuǎn)移點,建立馬爾科夫模型來計算車輛到達某一位置的概率。其次,本文設(shè)計一種基于遺傳算法選取最優(yōu)車輛服務(wù)節(jié)點集的方法,結(jié)合上面提出的基于高斯分析的馬爾科夫位置預(yù)測算法較為準確地預(yù)測出的服務(wù)車輛到達目標區(qū)域的概率和路網(wǎng)結(jié)構(gòu)計算出的服務(wù)車輛到目標區(qū)域的絕對距離。該方法能夠以相對快的速度找到滿足條件的...

【文章頁數(shù)】：76 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
abstract
專用術(shù)語注釋表
第一章 緒論
    1.1 研究背景與意義
    1.2 國內(nèi)外研究現(xiàn)狀
    1.3 論文的內(nèi)容與安排
第二章 車聯(lián)網(wǎng)節(jié)點優(yōu)化關(guān)鍵技術(shù)
    2.1 5G車聯(lián)網(wǎng)場景
    2.2 基于群智感知的歷史軌跡數(shù)據(jù)收集和預(yù)處理
        2.2.1 基于群智感知的軌跡數(shù)據(jù)收集
        2.2.2 軌跡數(shù)據(jù)預(yù)處理
        2.2.3 軌跡數(shù)據(jù)集
    2.3 基于歷史軌跡的位置預(yù)測
        2.3.1 馬爾科夫過程及馬爾可夫鏈
        2.3.2 初始狀態(tài)概率分布和狀態(tài)轉(zhuǎn)移矩陣
        2.3.3 基于歷史軌跡的馬爾科夫位置預(yù)測法
    2.4 車輛服務(wù)節(jié)點選取準則
        2.4.1 約束條件選取
        2.4.2 車輛服務(wù)節(jié)點評價指標
    2.5 本章小結(jié)
第三章 一種基于高斯分析的馬爾科夫位置預(yù)測算法
    3.1 引言
    3.2 常用的位置預(yù)測算法
        3.2.1 基于馬爾科夫模型的位置預(yù)測算法
        3.2.2 基于高斯混合模型的位置預(yù)測算法
    3.3 一種基于高斯分析的馬爾科夫位置預(yù)測算法
        3.4.1 路網(wǎng)結(jié)構(gòu)
        3.4.2 馬爾科夫模型建立
        3.4.3 基于高斯混合模型的轉(zhuǎn)移點發(fā)現(xiàn)
        3.4.4 基于高斯分析的馬爾科夫位置預(yù)測算法實現(xiàn)
    3.4 算法實驗分析
    3.5 本章小結(jié)
第四章 一種基于遺傳算法的車輛服務(wù)節(jié)點集選取方法
    4.1 引言
    4.2 優(yōu)化算法概述及性能對比
        4.2.1 粒子群算法(PSO)
        4.2.2 遺傳算法(GA)
        4.2.3 優(yōu)化算法性能對比分析
    4.3 基于遺傳算法的車輛服務(wù)節(jié)點選取方法設(shè)計
        4.3.1 遺傳算法流程
        4.3.2 編碼步驟
        4.3.3 適應(yīng)度函數(shù)的設(shè)定
        4.3.4 選擇、交叉、變異操作實現(xiàn)
        4.3.5 基于遺傳算法車輛服務(wù)節(jié)點選取實現(xiàn)過程
    4.4 算法實驗分析
    4.5 本章小結(jié)
第五章 一種基于位置信息的機會網(wǎng)絡(luò)路由協(xié)議
    5.1 引言
    5.2 車載網(wǎng)絡(luò)的路由協(xié)議
        5.2.1 基于機會網(wǎng)絡(luò)數(shù)據(jù)轉(zhuǎn)發(fā)機制
        5.2.2 基于地理位置的路由協(xié)議
        5.2.3 基于機會網(wǎng)絡(luò)的路由協(xié)議
    5.3 一種基于位置信息的機會網(wǎng)絡(luò)路由協(xié)議
        5.3.1 算法描述
        5.3.2 轉(zhuǎn)發(fā)模式自適應(yīng)選擇策略
        5.3.3 GSOR協(xié)議流程
    5.4 仿真與結(jié)果分析
        5.4.1 仿真環(huán)境及參數(shù)設(shè)置
        5.4.2 算法實驗分析
    5.5 本章小結(jié)
第六章 總結(jié)與展望
    6.1 論文總結(jié)
    6.2 工作展望
參考文獻
附錄1 攻讀碩士學(xué)位期間撰寫的論文
附錄2 攻讀碩士學(xué)位期間申請的專利
附錄3 攻讀碩士學(xué)位期間參加的科研項目
致謝



本文編號：3792633