车联网中车与车以及车与基础设施间的实时通信问题越来越受到关注,而车辆的高速移动性和无线通信的不可靠性大大降低了数据传输效率。为了解决这个问题,针对路边单元(Road Side Unit, RSU)接入选择问题进行了研究,并提出了一种新的RSU...车联网中车与车以及车与基础设施间的实时通信问题越来越受到关注,而车辆的高速移动性和无线通信的不可靠性大大降低了数据传输效率。为了解决这个问题,针对路边单元(Road Side Unit, RSU)接入选择问题进行了研究,并提出了一种新的RSU接入选择算法,来合理调配车辆与RSU的连接。车辆选择RSU进行接入的常规方法是基于车辆的接收信号强度,但它未充分考虑车辆的高速移动性,这会导致接入RSU的车辆的数目大幅度变化。所以采用实时监测和预测相结合的方法合理调配RSU上连接的车辆,让每一RSU上连接的车辆数目波动幅度达到最小,并且保证RSU得到充分利用。仿真结果表明,此算法能够有效降低数据包碰撞、增强无碰撞传输概率、提高成功传包率。展开更多
窄路段作为交通场景中不可避免的瓶颈路段,其短时车流量预测对优化路径规划、改善交通状况具有重要意义。针对窄路段的时效性,同时考虑适用模型的准确度,提出一种基于佳点集初始化种群、非线性参数控制及柯西变异扰动的改进鲸鱼优化算法...窄路段作为交通场景中不可避免的瓶颈路段,其短时车流量预测对优化路径规划、改善交通状况具有重要意义。针对窄路段的时效性,同时考虑适用模型的准确度,提出一种基于佳点集初始化种群、非线性参数控制及柯西变异扰动的改进鲸鱼优化算法(IWOA)-门控循环单元(GRU)的窄路短时车流量预测模型,以SUMO(Simulation of Urban Mobility)仿真数据进行了实证研究。对比实验结果显示,IWOA具有较好的全局性、收敛速度且更加稳定。基于IWOA-GRU的窄路短时车流量预测模型,均方根误差(RMSE)指标相较于WOA-GRU、PSO-GRU、长短期记忆神经(LSTM)网络分别降低10.96%、28.71%、42.23%,平均绝对百分比误差(MAPE)指标分别降低13.92%、46.18%、52.83%,有较为显著的准确性和稳定性。展开更多
V-NDN(vehicular named data networking)是一种使用命名数据网络架构的车辆自组织网络(vehicular Ad-hoc network,VANET),主要用来连接移动车辆之间的通信。提高网络中兴趣包的命中率是研究领域急待解决的难题。文章研究了城市道路环境...V-NDN(vehicular named data networking)是一种使用命名数据网络架构的车辆自组织网络(vehicular Ad-hoc network,VANET),主要用来连接移动车辆之间的通信。提高网络中兴趣包的命中率是研究领域急待解决的难题。文章研究了城市道路环境下V-NDN的数据转发策略,考虑到城市道路环境下路侧单元(road side unit,RSU)被均匀广泛部署的特点,提出了一种基于RSU辅助的V-NDN数据转发策略(RSU aided V-NDN)。通过实验仿真与传统的V-NDN和基于蜂窝网络辅助的V-NDN进行对比,结果表明该文提出的数据转发策略有效地提高了网络的服务质量(quality of service,QoS)。展开更多
文摘车联网中车与车以及车与基础设施间的实时通信问题越来越受到关注,而车辆的高速移动性和无线通信的不可靠性大大降低了数据传输效率。为了解决这个问题,针对路边单元(Road Side Unit, RSU)接入选择问题进行了研究,并提出了一种新的RSU接入选择算法,来合理调配车辆与RSU的连接。车辆选择RSU进行接入的常规方法是基于车辆的接收信号强度,但它未充分考虑车辆的高速移动性,这会导致接入RSU的车辆的数目大幅度变化。所以采用实时监测和预测相结合的方法合理调配RSU上连接的车辆,让每一RSU上连接的车辆数目波动幅度达到最小,并且保证RSU得到充分利用。仿真结果表明,此算法能够有效降低数据包碰撞、增强无碰撞传输概率、提高成功传包率。
文摘窄路段作为交通场景中不可避免的瓶颈路段,其短时车流量预测对优化路径规划、改善交通状况具有重要意义。针对窄路段的时效性,同时考虑适用模型的准确度,提出一种基于佳点集初始化种群、非线性参数控制及柯西变异扰动的改进鲸鱼优化算法(IWOA)-门控循环单元(GRU)的窄路短时车流量预测模型,以SUMO(Simulation of Urban Mobility)仿真数据进行了实证研究。对比实验结果显示,IWOA具有较好的全局性、收敛速度且更加稳定。基于IWOA-GRU的窄路短时车流量预测模型,均方根误差(RMSE)指标相较于WOA-GRU、PSO-GRU、长短期记忆神经(LSTM)网络分别降低10.96%、28.71%、42.23%,平均绝对百分比误差(MAPE)指标分别降低13.92%、46.18%、52.83%,有较为显著的准确性和稳定性。
文摘V-NDN(vehicular named data networking)是一种使用命名数据网络架构的车辆自组织网络(vehicular Ad-hoc network,VANET),主要用来连接移动车辆之间的通信。提高网络中兴趣包的命中率是研究领域急待解决的难题。文章研究了城市道路环境下V-NDN的数据转发策略,考虑到城市道路环境下路侧单元(road side unit,RSU)被均匀广泛部署的特点,提出了一种基于RSU辅助的V-NDN数据转发策略(RSU aided V-NDN)。通过实验仿真与传统的V-NDN和基于蜂窝网络辅助的V-NDN进行对比,结果表明该文提出的数据转发策略有效地提高了网络的服务质量(quality of service,QoS)。
