论文部分内容阅读
随着车联网技术的快速发展,车联网应用已经从以娱乐导航服务为主要内容的初级阶段,发展到以出行诱导、节能驾驶为标志的中级阶段。目前,车联网应用已经进入以车-X协同控制为主要研究内容的高级阶段。在这个高级阶段,随着5G移动通信技术(5G最主要的应用场景就是车联网)的日益成熟及云计算、超级大数据实时处理技术的发展及应用,集中式(将分散的车辆行驶信息汇集到数据中心),以车-X通信为基础的安全控制技术必将会成为车联网研究领域新的热点。在这样的技术演化进程中,以车辆位置为标志的交通信息分发与处理技术将面临新的挑战。车联网环境下,通信网络、位置网与道路交通网络相互叠加,给交通信息的分发与处理带来了极大的困难。本文以车辆定位、路径预测、信息生成、信息传输、信息处理、信息使用为主线,对车联网环境下交通信息分发与处理所涉及的关键技术展开研究。主要研究内容如下:(1)车辆定位与路径预测技术车辆的准确定位与行驶路径预测是生成交通位置信息的基础。通过对GPS/DR组合定位原理和卡尔曼随机路径预测技术的分析,提出了基于车辆运动BM模型的随机路径BM-KFFP预测模型。通过实际行车实验,证明BM-KFFP预测模型能够为交通信息的生成提供数据来源支撑。(2)基于DSRC的交通信息传输保障技术车联网高密度通信环境下,针对车辆生成大量交通位置信息而导致无线通信性能退化、饱和和拥塞问题,最具前瞻性的策略是在第一时间阻止信道拥堵,这就要求车辆能够随时预测下一时刻整个信道的通信负载。首先,在分析VANET中DSRC的主要应用场景基础上,通过对车-X消息传播方式的分类,确定信标消息是车辆位置信息的主要载体,也是无线信道饱和和拥塞产生的根源。然后,使用灰色关联分析法考察信道负载与其影响因素时间序列之间的相关性,选出影响信道负载的主要因素,根据相应的多元关系模型,建立基于卡尔曼滤波递推的信道负载预测算法。最后,使用交通调查方法,采集城市交通干道上的浮动车数据,进行信道负载预测,验证了算法的有效性。在事先进行信道负载预测的基础上,保证网络最大连通性和节点传输公平性的前提下,通过预先定义信道最大、最小阈值,设计了基于“信道负载预测并比较”的信标传输功率控制算法。然后,通过城市道路信号交叉口和八车道高速公路的基本路段仿真实验,验证了算法的有效性。最后,考虑到现实环境中车辆间距离、遮挡等因素对信号传输的影响,采用浮动车实测数据对本文算法再次进行了验证。(3)车联网交通信息生成与处理技术解决高密度交通信息带来的数据库存储和更新问题,关键是降低车辆位置数据的更新频率,从而减轻数据库负载。首先,利用卡尔曼滤波预测精度与预测时域之间的关系,设计了“预测并比较”的位置更新模型,在此基础上提出了一种基于预测的移动车辆数据库位置更新策略。然后,针对通信传输过程中的数据丢包带来的分组投递率降低的问题,通过对位置更新模型进行改进,设计了一种基于邻车距离的传输模式决定算法。最后,通过仿真八车道高速公路基本路段和城市道路实际行车实验,对数据库更新策略和传输模式决定算法分别进行了验证。车联网中,需要在满足车辆位置准确性和无线通信性能要求的前提下,研究和设计信标消息生成策略。首先,根据卡尔曼滤波差分预测方程,建立了卡尔曼滤波信标消息生成模型。然后,根据信道负载实测值与预设阈值,通过信标消息生成速率与信道负载之间的反馈环路,建立了时间间隔自适应调节的信标消息生成模型和策略,通过仿真八车道高速公路和实际行车实验,进行数据采集,对所提出的模型和策略进行了验证。最后,针对信标消息中车辆位置信息丢失问题,提出了一种基于最小二乘支持向量机的信标丢失数据补齐算法,通过实例验证了算法的有效性。(4)车辆位置数据处理与动态出行路径诱导方法在车联网数据中心,使用所有节点采集到的车辆位置数据,可以进行中心式交通出行路径诱导。首先,介绍了车辆位置数据的加工处理方法,包括质量评价与控制方法、路网连通性分析、误差分析与车辆停车识别方法。然后,提出了车联网大样本量节点采集和高密度通信环境下,位置采样和数据传输间隔自适应调整的,单车和路段行程时间估计方法,通过实际道路行程时间对比,证明了方法的有效性。最后,在此基础上,提出了一种全车联网环境下,中心式动态出行路径诱导方法,通过仿真实验证明了方法的有效性。