自动驾驶车辆的普及是城市交通发展的重要趋势,然而以交通灯为代表的现有调度方案难以指导这些车辆高效通过十字路口.为此,本文设计了一种基于顺序选择的无交通灯十字路口调度方案以提高自动驾驶车辆通行效率.首先根据车辆的物理性能对其到达路口的最早时间点进行估算,然后在此基础上寻找车辆可行的计划到达时间点,最终根据计划到达时间为每辆车制定到达路口的行驶计划.在SUMO(Simulation of Urban MObility)平台上进行的大量仿真实验验证了本文提出方案的有效性.从实验结果可以看出,本文所提出的方案使自动驾驶车辆在调度区平均行驶时间等指标上均优于对比方案;特别是在路口面临高压力车流时,本文所提出方案的优势更加明显.

在高级公路中设置无线充电专用道路,对行驶中的电动车辆进行动态无线充电,引发了交通工程领域的深刻变革.然而在最大限度的保证电动车辆充电能效的前提下,如何对这类车辆进行调度和管理,以提高行车安全和道路的通行能力是一个无法回避的关键问题.为此,本文首先建立了系统的车辆调度模型.然后提出了一种新的精英反向变异粒子群算法(Reverse Elitist Mutation Particle Swarm Optimization,REMPSO),通过与传统的粒子群和遗传算法的比对,证明了该算法的稳定性和寻优能力.然后使用这一算法对系统模型进行求解,得出充电行驶中的优化移动隔离分区.通过车-路协同为电动汽车动态无线充电的路权调度提供了一种可行的控制策略.

针对交通推荐服务中推荐的出行方式单一、忽略用户出行偏好以及多分类任务中样本类别不平衡等问题,本文提出一种基于粒子群优化和LightGBM的情景感知多式联运推荐方法.该方法综合考虑用户在时间、空间以及出行成本上的出行偏好,利用数理统计和表示学习方法捕捉用户出行与各要素之间的内在关系.同时,为了缓解样本类别不平衡带来的负面影响,利用基于粒子群优化算法的指标优化方法为每个类别搜索最优权重,对模型的预测结果进行修正,以实现最大化评价指标的目的.实验结果表明,与传统算法相比,本文提出的模型在时空特征提取、缓解类别不平衡和推荐准确性上均有较好的表现.

为建立更高效的智能车对车(Vehicle To Vehicle,V2V)通信系统,针对密集隧道空间多入多出系统(Multiple Input Multiple Output,MIMO)移动传播环境,提出新型三维(Three Dimensional,3D)车载多散射通信信道模型.分析波达信号水平面和仰角平面发射角(Angle Of Departure,AOD)和到达角(Angle Of Arrival,AOA)概率密度分布函数(Probability Density Function,PDF).与以往模型及测量对比,提出模型符合真实隧道环境中无线信道特性,拓展了V2V通信技术的研究.

本文针对灰狼优化(Grey Wolf Optimizer,GWO)算法平衡全局探索和局部搜索能力的不足,提出了一种基于反向改进的灰狼算法(Opposition Learning Grey Wolf Optimizer,OLGWO),来优化预测模型的超参数,以提高其用于交通流预测的精度与鲁棒性.本算法在迭代过程中采用了反向学习策略,并引入了等级相关概念,主要通过计算普通狼与目标狼的Spearman相关系数,并根据其值来选择性地更新狼种群.实验先对12个标准测试函数对比了四种算法OLGWO、TGWO(Transformed Grey Wolf Optimizer)、GWO、PSO(Particle Swarm Optimization),得到了寻优均值和标准差,验证了OLGWO算法具有突出的性能优势;然后采用美国加州公路交通流数据,在不同缺失率下比较了四种算法优化的反向传播(Back Propagation,BP)网络模型,结果显示,OLGWO-BP模型预测精度比其它三种模型最高分别有1.95%、3.98%和11.07%的提升,同时表现出更好的稳定性.

针对三维车载自组织网络中,高速移动的车辆节点和复杂多变的链路状态导致车辆间通信链路不稳定的问题,通过引入软件定义网络技术实时获取网络状态并预测其变化过程,构建时-空演化图模型,并定义链路效用指标量化无线链路性能,然后建立基于链路效用的加权时-空演化图模型,最后将路由问题转化为多属性决策问题,设计基于链路效用的可靠路由算法.仿真结果表明,相对现有四种路由算法,本文所提路由算法在数据包传输率、端到端时延和路由负载率方面,性能均有明显提升.

通过将移动边缘计算技术应用在车联网,车载边缘计算技术可为车载用户提供低时延、高带宽、高可靠性的应用服务.首先详细介绍了车载边缘计算卸载技术的背景、意义以及本文的贡献.其次,分别概述了车载边缘计算卸载技术的网络架构、主要挑战以及应用场景.然后,从移动分析、卸载模式、资源协作和管理等多个维度全面综述了车载边缘计算卸载技术的研究工作.最后,对车载边缘计算卸载技术的未来研究进行了展望,可对该领域深入的研究提供有价值的参考.

针对车载边缘计算环境中,边缘节点在为不同数据传输任务分配信道时产生的同信道干扰(Co-Channel Interferences,CCI)问题,本文形式化定义了车载边缘计算信道分配问题,致力于为不同数据传输任务合理分配信道,最大化数据传输任务的完成率.利用势博弈模型将全局优化的信道分配问题转化为边缘节点间的分布式信道分配博弈,并证明了信道分配博弈中纳什均衡的存在性.提出了基于激励的概率更新策略选择(Incentive-based Probability Update and Strategy Selection)算法,根据迭代中所选策略的激励值更新策略选择概率,并分析算法结果收敛至纳什均衡.最后,通过仿真实验验证了本文算法的收敛性以及收敛结果纳什均衡的有效性,且在任务完成率及信道利用效率上优于现有代表性算法.

智能交通系统的产生和发展对车辆通信的介质访问控制(Medium Access Control,MAC)协议提出了更高的要求.被广泛使用的基于信道竞争的载波侦听多路访问(Carrier Sense Multiple Access,CSMA)协议存在不确定时延问题,基于时分多址(Time Division Multiple Access,TDMA)的MAC协议可以有效解决该问题.然而,TDMA协议仍然存在数据传输碰撞.为了解决数据传输碰撞问题,本文提出一个结合雾计算的通信框架,在此基础上提出一种集中式TDMA MAC协议.该协议利用雾计算的低时延优势、计算和协同功能预测即将发生的数据传输碰撞,通过调度时隙以减少数据传输碰撞.实验结果显示,该方法有效减少了数据传输碰撞,提高了信道资源利用率.

车联网对于超高可靠与低时延通信(Ultra-Reliable and Low Latency Communications,URLLC)具有严格的要求,特别对于车到基础设施(Vehicle to Infrastructure,V2I)场景,URLLC对传输管理交通状况至关重要.3GPP Cellular-V2X(C-V2X)作为现在支撑车联网URLLC主流的无线技术,仍存在技术挑战.为进一步提升通信性能,本文在V2I场景下,基于车载终端、路侧单元(Road Side Unit,RSU)与边缘计算车联网服务器(Internet of Vehicles Server,IoV Server)的交互,设计了一种基于C-V2I规范的智能信道估计框架.在IoV Server中,本文提出了一种基于深度学习的信道估计算法,该算法利用一维卷积神经网络(One Dimensional Convolution Neural Network,1D CNN)完成频域插值和条件循环单元(Conditional Recurrent Unit,CRU)进行时域状态预测,通过引入额外的速度编码矢量和多径编码矢量跟踪环境的变化,对不同移动环境下的信道数据进行精确训练.最后通过系统仿真与分析表明,所提算法能够通过信道参数编码追踪不同高速移动环境下的信道变化,实现对信道数据的精确训练.与车联网代表性信道估计算法相比,所提算法提升了信道估计精度,降低了误码率和增强了鲁棒性.