论文部分内容阅读
随着汽车技术、无线通信技术和传感器网络技术的日趋成熟，车联网的发展逐渐走上了快车道。车联网数据上传作为支撑车联网发展的核心技术之一，受到了学术界和工业界的广泛关注。然而，当前车联网数据上传研究存在着两方面的问题亟待解决:一是缺乏高效的数据上传方法满足车联网典型上传服务的需求;二是对上传积累的车联网数据仍然缺乏实际应用研究。 本论文围绕车联网数据上传和分析方法，在车联网应用层和网络接入层两个层面，对视频上传、文件上传和上传数据的分析方法开展了深入的研究。工作研究了通过对接入AP和协助车辆的选择，提升车联网视频上传服务质量的方法;研究了使用带有时变拓扑的网络图对文件上传问题进行建模及相应的文件上传方法;研究了使用车联网上传的驾驶行为数据评价保险用户质量的方法。论文研究成果有利于满足车联网环境下数据上传应用的需求，满足汽车保险业对用户质量评价的需求，从而为推动车联网相关产业的发展提供技术支撑。 本论文的创新性工作体现在以下三个方面: 1)提出了一种一维道路环境下基于移动预测的视频上传方法—MPVUS 为解决当前工作由于连接频繁中断和AP切换低效，导致视频上传质量不高的问题，本文提出了一种一维道路环境下基于移动预测的视频上传方法:MPVUS。针对一维道路环境下汽车节点移动速度快、移动模式受道路约束、网络节点稀疏且分布不均匀的特征，MPVUS基于车辆相对位置，将转发过程划分为不同模式分别进行时间预测，从而选择连接稳定的转发节点来减少连接的中断次数;MPVUS使用AP存储车辆位置信息，实现对源车前后车辆分布的预测，从而计算对目标AP进行切换的时机，避免只使用距离作为转发标准带来的问题。实验结果表明，MPVUS在丢包和延迟上都优于当前视频传输中常用的贪心地理转发方法，PSNR提升超过10％。 2)提出了一种二维道路环境下基于机会相遇的文件上传方法—FMICU 为解决当前工作不能充分利用相遇车和传输时隙，吞吐率较低的问题，本文提出了一种二维道路环境下基于机会相遇的文件上传方法:FMICU。针对二维道路环境下汽车密度大、相遇概率高、传输冲突频繁的特征，FMICU在假设未来一段时间内周边车辆轨迹可预测的前提下，提出了一种带有时变拓扑特征的网络图。在此基础上，综合考虑剩余文件大小、当前预测周期网络最大流和传输冲突等多种因素，提出了选择中继车辆和传输时隙的最优解和次优解方法。仿真结果表明，FMICU的平均吞吐率是无车辆协助方法的2倍，并达到了最优解的70％。 3)提出了一种基于汽车驾驶行为数据的保险用户评价方法 为解决线性回归模型在以驾驶行为数据为输入的保险用户评价准确率不高的问题，本文提出了使用BP神经网络算法训练该类数据的车险用户质量评价方法。该方法基于驾驶行为数据中和车险用户质量最相关的急加速、急减速和急转弯三类数据，针对该类数据与车险用户质量线性相关性较低、神经网络具有较好的对未经训练数据进行模式分析的特点，将神经网络和反向传播算法用于基于驾驶行为的用户车险等级评价。论文使用247辆车在一年内的实际驾驶行为数据进行了测试分析。结果表明，使用反向神经网络方法的准确率可以达到89.19％，比多元线性回归和Logistic回归分别高出了56％和27％，可以满足保险公司的保费精算需求。