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(jī)等交通監(jiān)測(cè)手段,這種方式感知覆蓋范圍有限、實(shí)時(shí)性受限,而基于移動(dòng)群智感知的數(shù)據(jù)獲取方式移動(dòng)性強(qiáng),感知的覆蓋范圍更廣,車輛行駛規(guī)律性強(qiáng)。目前對(duì)于車聯(lián)網(wǎng)移動(dòng)群智感知的數(shù)據(jù)獲取的研究不足,缺乏合理的節(jié)點(diǎn)選擇機(jī)制。本文首先設(shè)計(jì)出了一種合理的服務(wù)節(jié)點(diǎn)選擇方法,然后將選擇出的服務(wù)節(jié)點(diǎn)應(yīng)用到路由決策中,設(shè)計(jì)出了一種有效的數(shù)據(jù)轉(zhuǎn)發(fā)機(jī)制,從這兩方面入手來(lái)實(shí)現(xiàn)車輛網(wǎng)節(jié)點(diǎn)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(cè)方法,用來(lái)計(jì)算參與感知的車輛到達(dá)目標(biāo)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(cè)算法,根據(jù)高斯混合模型來(lái)擬合在一整段連續(xù)的時(shí)間下,在各個(gè)位置間的轉(zhuǎn)移概率,找到最有可能的位置轉(zhuǎn)移時(shí)間點(diǎn),最終可以把找到的這些時(shí)間點(diǎn)當(dāng)作是馬爾科夫模型的狀態(tài)轉(zhuǎn)移點(diǎn),建立馬爾科夫模型來(lái)計(jì)算車輛到達(dá)某一位置的概率。其次,本文設(shè)計(jì)一種基于遺傳算法選取最優(yōu)車輛服務(wù)節(jié)點(diǎn)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(cè)算法較為準(zhǔn)確地預(yù)測(cè)出的服務(wù)車輛到達(dá)目標(biāo)區(qū)域的概率和路網(wǎng)結(jié)構(gòu)計(jì)算出的服務(wù)車輛到目標(biāo)區(qū)域的絕對(duì)距離。該方法能夠以相對(duì)快的速度找到滿足條件的...

【文章頁(yè)數(shù)】：76 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
abstract
專用術(shù)語(yǔ)注釋表
第一章 緒論
    1.1 研究背景與意義
    1.2 國(guó)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(diǎn)優(yōu)化關(guān)鍵技術(shù)
    2.1 5G車聯(lián)網(wǎng)場(chǎng)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(cè)
        2.3.1 馬爾科夫過(guò)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(cè)法
    2.4 車輛服務(wù)節(jié)點(diǎn)選取準(zhǔn)則
        2.4.1 約束條件選取
        2.4.2 車輛服務(wù)節(jié)點(diǎn)評(píng)價(jià)指標(biāo)
    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(cè)算法
    3.1 引言
    3.2 常用的位置預(yù)測(cè)算法
        3.2.1 基于馬爾科夫模型的位置預(yù)測(cè)算法
        3.2.2 基于高斯混合模型的位置預(yù)測(cè)算法
    3.3 一種基于高斯分析的馬爾科夫位置預(yù)測(cè)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(diǎn)發(fā)現(xiàn)
        3.4.4 基于高斯分析的馬爾科夫位置預(yù)測(cè)算法實(shí)現(xiàn)
    3.4 算法實(shí)驗(yàn)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(diǎn)集選取方法
    4.1 引言
    4.2 優(yōu)化算法概述及性能對(duì)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(duì)比分析
    4.3 基于遺傳算法的車輛服務(wù)節(jié)點(diǎn)選取方法設(shè)計(jì)
        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(shí)現(xiàn)
        4.3.5 基于遺傳算法車輛服務(wù)節(jié)點(diǎn)選取實(shí)現(xiàn)過(guò)程
    4.4 算法實(shí)驗(yàn)分析
    4.5 本章小結(jié)
第五章 一種基于位置信息的機(jī)會(huì)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(jī)會(huì)網(wǎng)絡(luò)數(shù)據(jù)轉(zhuǎn)發(fā)機(jī)制
        5.2.2 基于地理位置的路由協(xié)議
        5.2.3 基于機(jī)會(huì)網(wǎng)絡(luò)的路由協(xié)議
    5.3 一種基于位置信息的機(jī)會(huì)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(shí)驗(yàn)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(xiàn)
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(qǐng)的專利
附錄3 攻讀碩士學(xué)位期間參加的科研項(xiàng)目
致謝



本文編號(hào)：3792633