[发明专利]基于自编码网络的车联网网络节点筛选及其通达性路由构建方法

权利要求书

1.一种基于自编码网络的车联网网络节点筛选方法，其特征在于，整个路由机制包含三个部分，数据预处理，自编码网络训练，节点筛选算法实现：

一、数据预处理

通过交通仿真软件，获取车辆行驶方向di，行驶速度vi、加速度αi，经纬度loni和lati，所在道路ri，

两车距离可通过经纬度来计算；首先，设A点与B点的经纬度分别为(LgA，LaA)和(LgB，LaB)，按照零度经线，东经取正值，西经取负值，北纬取90-纬度，南纬取90+纬度，则经过标准化后A、B两点的经纬度被记为(FLgA，FLaA)和(FLgB，FLaB)；根据三角推导，可以通过如下公式5计算两点之间的距离；

C = sin ( L a A * P i 180 ) * sin ( L a A * P i 180 ) + cos ( L a A * P i 180 ) * cos ( L a B * P i 180 ) * cos ( ( F L g A - F L g B ) * P i 180 ) D i s tan c e = R * arccos ( C ) * P i 180 R = 6371.004 k m - - - ( 5 ) ]]>

其中Dtstance即为两点间距离，R为地球平均半径；

再根据邻居节点信息计算出传输系数Li，中心性Ci(t)，节点势能Epi，最终结果存于文件中；

数据采集到后预处理，信息虽然是由仿真输出并保存的，但是其中仍然可能存在异常数据，多表现为数据异常或者数据缺失，将这些异常数据删除或者更改成常规值，以保证后续处理的正确性；一般采用阈值法和机理法进行识别，当错误数据与正常数据差距超出阈值范围时，即可判定此为异常数据，将其更正；

深度学习处理的数据需要归一化处理，处理后结果可有下公式得出：

Ra是此组数据的可能的最大值，Rl是观测值，最终可获得归一化处理的数据；对所有数据采用此方法处理，可用于后续运算；

二、自编码网络训练

每个节点信息可以表示为：Ii＝{di，vi，ai，loni，lati，ri，Di，Ii，Ci，Epi}，假设经过预处理后，节点信息表示为I′i，大量节点信息组成一个训练集h，作为自编码网络的输入因子；Di为网络中当前节点的度，即可通信的邻居节点的数量；

利用训练集h对网络进行一层层训练，单层的训练过程：每层将学习到一个hN，x(x)≈x的函数，它尝试逼近一个恒等函数，从而使得输出接近于输入；给这个恒等函数加入限制，迫使自编码神经网络去学习输入数据的压缩表示，这样得到的数据具有更低的维度；

针对训练集h，m层的训练过程，每层将会得到网络权值w1，...，wl，...，wm-1和b1，...，bl，...bm-1，其中，wl表示第l层与第l+1层网络单元之间的连接权值，bl为第l层网络单元的偏置项，表示第l个隐层(中间层)的第x单元输入加权和，最后通过微调得到训练完成的自编码网络；

通过上述算法，经过一定量数据的训练后，网络权值w1，...，wl，...，wm-1和b1，...，bl，...bm-1趋向于稳定，即可用于实时处理车联网数据；

三、网络节点筛选

当任意输入一个节点特征信息I′i后，经过了m层的深度学习过程，即经过一次前向传播网络后，最终输出节点新特征，用Qi表示；

假设在训练集h中从时间Tx(x＝1，2，...，r)采集的节点信息中取q个节点，通过深度学习后对应输出的新特征分别用Q1，Q2，…，Qi，...，Qq表示，则Qi＝{z(m，1)，z(m，2)，...，z(m，u)，...}，z(m，u)表示深度学习过程中第m层输出的列向量zm的第u个值，即节点i的第u个新特征值，这里：

zl＝f(wl-1*zl-1+bl-1)(2≤l≤m) (7)

其中f()表示激活函数，一般用表示；wi与bl为自编码网络训练后得到的网络权值；

最后一层的节点筛选采用Logistic回归，一般采用sigmoid函数或者linear函数，sigmoid的取值范围为[0，1]，而它的作用是将具有新特征的节点二分类，一类为优异节点，另一类为丢弃节点；

将此分类器添加到自编码网络的最后一层，再通过训练微调整个系统，获得自编码网络与分类器间连接的权值，即可得到一个可用于分类的自编码网络。