[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

摘要

本发明涉及车联网技术领域。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，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。自编码网络可以提供高维连续数据空间和低维嵌套结构的双向映射，利用自编码网络可以对大规模道路交通网络中的节点信息的关联性特征进行发掘与提取，从而对原始信息进行降维，不仅降低了数据传输过程中数据量，而且为网络中关键节点的筛选提供有效途径。本发明为高速公路场景提供较好节点筛选方法，有效提高了网络性能。

主权项

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。