[发明专利]基于深度学习的车联网连通预测方法

说明书

在大规模车联网网络场景中，客观存在车辆节点间连通易变的现象，会导致传输不稳定以及丢包率高等问题，现有研究通过速度、位置和加速度等信息来提升连通稳定性，但是忽略了车辆未来时刻的时空性特征以及周边环境特征，造成连通预测准确率低。此外，现有车联网研究未考虑到特征维度高和大规模邻接矩阵稀疏问题，导致节点运算代价大、时间复杂度高等问题。本发明“基于深度学习的车联网连通预测方法”针对以上问题，给出了车辆节点间的连通特征定义以及连通置信度定义，对特征进行特征抽取与数据预处理，通过自编码神经网络进行特征降维，并结合循环神经网络对车辆节点之间的连通性进行预测，从而提升了车联网连通的稳定性，降低了数据的丢包率。

技术领域

本发明涉及车联网领域，具体涉及基于深度学习的车联网连通预测方法。

背景技术

在很多网络模型中，例如社交网络、文献引用网络、蛋白质相互作用网络等，节点间关系变化较小，其节点间的连通性质与整体网络构造趋于稳定，因此往往会通过节点之间的相似度与一度二度关系来预测两个节点之间是否会存在连通边。而在大规模车联网中，车辆节点之间采用IEEE802.11p标准进行通信，往往距离较远的节点不能直接进行通信，只能采用中继节点或者基础社区进行辅助通信，因此车辆之间的连通受到速度与加速度、行驶方向、周边行驶环境等多重因素的影响，产生连通易变的现象，往往会导致车辆间通信传输不稳定以及丢包率高等问题，已有的算法没有很好的对车辆节点移动的多因素以及时序关系进行预测，无法自适应多变的车联网这个高动态变化的移动自组织网络。由于车辆之间的连通性构成了车联网的通信网络，连通性问题的研究往往也是车联网通达性研究的前提所在。此外，车辆数目过多时会导致处理器接收发送信息数量过多，会对车辆节点的性能给出了很高的要求，实际过程中，过多的车辆节点特征有时会导致最终结果的过拟合，同时车辆提取信息的噪音也会使得结果有一定的偏差。这些也是连通性研究需要考虑的问题。

发明内容

针对以上问题，本发明给出了车辆节点间的连通特征定义以及连通置信度定义，对特征进行特征抽取与数据预处理，通过自编码神经网络进行特征降维，结合循环神经网络对车辆节点之间的连通性进行预测，从而有效提升车联网连通的稳定性。

发明目的：

本发明考虑现有研究通过速度、位置和加速度等信息来提升连通稳定性，但是忽略了车辆未来时刻的时空性特征以及周边环境特征，造成连通预测准确率低等问题，本发明给出了车辆节点间的连通特征定义以及连通置信度定义，对特征进行特征抽取与数据预处理，通过自编码神经网络进行特征降维，结合循环神经网络对车辆节点之间的连通性进行预测。解决上述问题，能够有效提升车联网连通的稳定性。

为此，本发明具体给出以下技术方案实现：

基于深度学习的车联网连通预测方法，具体包括如下步骤：

步骤1.相关定义

步骤2.特征抽取和数据预处理

步骤3.连通预测模型

步骤3.1基于自编码网络的特征降维

步骤3.2基于循环神经网络的连通预测方法

有益效果

本发明目的在于公开一种考虑车联网网络客观存在拓扑结构高度动态变化，节点数目庞大且分布不均，以及路网交错复杂等特性，导致车联网连通易变、节点冗余等问题，提供一种考虑未来时刻车辆自身特性，提升车辆连通预测准确率的方法，从而保持车联网连通的稳定性。

附表说明

表1数据集参数

表2数据集特征含义

附图说明

图1道路区段示意图

图2车辆节点的经纬度示意图