MEC架构下基于DDPG的车联网任务卸载和资源分配

为了缓解车联网中个体车辆计算资源配置过低而导致的任务处理时延较大的问题,提出了一种移动边缘计算(mobile edge computing, MEC)架构下的动态任务卸载策略和资源分配方案。以最小化全网任务处理时延为目标,将车联网中的任务卸载和资源分配问题建模为马尔可夫决策过程(Markov decision process, MDP),并利用深度确定性策略梯度(deep deterministic policy gradient, DDPG)算法进行了问题求解。仿真结果表明,与执行者-评价者(actor-critic, AC)和深度Q网络(deep Q-network, DQN)这2种算法相比,DDPG算法以最快的算法收敛特性获得最小的全网任务处理时延。     

基于车联网的重点学科建设浅析

重点学科建设是与时俱进的产物。车联网系统通过采集、传输、处理并共享大量交通信息,整合近距离无线通信技术、移动无线通信技术、互联网技术、远程感应技术及全球定位系统导航技术,实现车、车主、驾驶环境、交通管理部门之间的智能协同,其可以作为重点学科建设的一个尝试。     

车联网中基于路边单元的普适路由仿真研究

针对车联网中路由协议在多变网络条件下存在的缺陷,提出一种基于路边单元的普适路由协议.该协议整合了基于地理位置的转发策略和存储转发策略,采取预估和更新目标期望区域的方法,充分利用道路中的路边单元,实现在不同网络环境下与距离较远的目标进行高速通信.仿真证明,本协议在不同车流量、不同车速以及不同通信距离的条件下,信息传输率、信息响应时间以及网络流量均有所提高,在车联网中较好地实现了车辆间的通信.     

基于阈值的车联网信标传输功率控制算法

研究了基于阈值的车联网信标传输功率控制算法.在保证网络最大连通性前提下,通过预设信道负载阈值,规定信道负载的合理区间,根据阈值调整目标节点载波侦测范围内所有车辆的信标传输功率,将信道负载控制在一定范围内,从而避免信道拥塞.通过仿真八车道高速公路基本路段和实际行车实验,对算法进行了验证及相关分析.结果表明该算法能有效地控制信道负载,避免信道拥塞,增强了车载网络无线信标传输的稳定性和健壮性.     

基于车联网数据的运输车辆安全评价模型

为了提高运输安全管理水平和运输效率,对运输车辆安全性进行客观评价,提出了一种结合多算法的行车安全评价模型。首先,根据交通运输部公路科学研究院所给车联网数据,设计并定义了驾驶人行为的特征指标和评价指标;其次,采用回归分析方法对驾驶人的驾驶风格进行分析;接着,分别采用K-means聚类和DBSCAN聚类算法对驾驶人的不良行为进行分析;经过对比,最终选用K-means聚类算法和因子分析的结果对驾驶行为进行评价,共分为6类。该模型将机器学习中的数据挖掘和数据分析算法与道路运输行业相结合,为道路运输安全管理的研究提供了一个量化分析的工具。     

车联网环境下基于可变相位的公交优先信号控制方法

为适应交通量波动较大的交叉口运行特性,提出一种基于可变相位的公交优先信号控制方法,即交叉口信号的相序与相位组合可以实时动态调整.在车联网环境下信息双向和实时传输的基础上,根据公交车进入通信范围时的时间、速度以及交叉口排队状态的不同,建立了不同情况下公交车到达时间预测模型;然后根据公交车到达时间为不同候选方案分配绿灯时间...     

车联网环境下的隐私安全度量方法

阐释了车联网的特点、隐私特性和隐私攻击等,从身份隐私、位置隐私、数据隐私三个方面阐述了不同类型隐私在隐私保护方面的特点和需求,并梳理了针对不同隐私类型的隐私保护关键技术和方法演进;在此基础上,研究了不同类型隐私的隐私度量代表性方案、理论模型、度量难题等方面,归纳了涉及车联网环境下隐私度量的8个关键属性,并讨论了相关的32个度量指标。最后,总结了车联网隐私度量的未来研究方向及挑战。     

基于“端管云”模式的车联网体系架构及关键技术研究

本文通过阐述车联网的基本概念,结合车联网的应用场景和实际特点,针对城区路网提出了一种基于"智能终端——网络平台——云计算"模式的车联网系统架构,进而分析了实现车联网需要解决的一些关键技术以及各项技术与车联网之间的关系。     

一种兼顾用户满意度与传输效率的车联网网络选择策略

针对车联网终端的不同业务在异构网络环境下进行优化调度的问题,提出了一种兼顾用户满意度与传输效率的车联网网络选择策略。首先分析了不同的效用函数权值系数、发射功率及体验函数灵敏度因子对各网络满意度效用函数的影响,发现:当权值系数较大时,获得的满意度效用函数值也越大;在有限功率范围内,当发射功率不断增大时,起初满意度效用函数值相应地随之急剧增大,随后增加速率减缓,最终函数值趋于稳定;当体验函数灵敏度因子的值越大时,对应的曲线斜率越大,也即灵敏度越高,函数值随着发射功率的变化而变化得更快。然后,应用凸优化的方法求解各网络满意度效用函数的最大值。最后,选用3种具有代表性网络作为研究对象,进行仿真实验。实验结果表明,与基于发射功率的网络选择策略和基于传输速率的网络选择策略相比,所提策略的效用函数最大值分别是前两者的1.08倍和6.5倍,证明是一种高效可靠的网络选择策略。