車(chē)聯(lián)網(wǎng)中數(shù)據(jù)融合的研究.pdf

1、隨著社會(huì)的發(fā)展，道路中機(jī)動(dòng)車(chē)的數(shù)量也在迅速增加。與其密切相關(guān)的智能交通系統(tǒng)也在快速發(fā)展。但傳統(tǒng)智能交通系統(tǒng)存在固有的缺點(diǎn):道路交通相關(guān)信息只能在特定位置被檢測(cè)，僅能獲取類(lèi)似交通流量等較為簡(jiǎn)要數(shù)據(jù);路上固定基礎(chǔ)設(shè)施需要耗費(fèi)大力維護(hù)。已經(jīng)存在的道路識(shí)別和預(yù)測(cè)方法存在以下不足:1）所利用的數(shù)據(jù)不夠充足;2）輸入特征基本是手工提取;3）所用的學(xué)習(xí)方法次優(yōu)。本文著重研究車(chē)聯(lián)網(wǎng)中大數(shù)據(jù)融合在智能交通服務(wù)中的具體應(yīng)用----道路故障檢測(cè)系統(tǒng)。車(chē)聯(lián)網(wǎng)作

2、為物聯(lián)網(wǎng)在智能交通系統(tǒng)中的具體應(yīng)用，能夠使道路中的眾多車(chē)輛實(shí)現(xiàn)互通，不僅能夠使車(chē)輛節(jié)點(diǎn)之間進(jìn)行通信，車(chē)輛與路邊單元之間也能進(jìn)行通信共同實(shí)現(xiàn)車(chē)聯(lián)網(wǎng)大數(shù)據(jù)環(huán)境下的新型智能交通信息體系。
　　本文通過(guò)結(jié)合車(chē)聯(lián)網(wǎng)中關(guān)鍵技術(shù)車(chē)載自組織網(wǎng)絡(luò)(VANET,Vehicular Ad Hoc Network)來(lái)實(shí)現(xiàn)大數(shù)據(jù)技術(shù)在交通服務(wù)系統(tǒng)中的應(yīng)用。接下來(lái)根據(jù)智能交通信息服務(wù)對(duì)實(shí)時(shí)性和準(zhǔn)確性的首要需求，將系統(tǒng)工作過(guò)程分為數(shù)據(jù)收集和數(shù)據(jù)分析兩個(gè)階段進(jìn)行

3、研究分析。首先，深入研究了車(chē)聯(lián)網(wǎng)中VANET在大數(shù)據(jù)環(huán)境下所面臨的通信負(fù)載問(wèn)題的相關(guān)解決方案，通過(guò)對(duì)車(chē)輛節(jié)點(diǎn)進(jìn)行分簇，形成各個(gè)群組，設(shè)計(jì)相關(guān)通信協(xié)議以群組的傳播方法收集數(shù)據(jù)。實(shí)現(xiàn)以低通信負(fù)載來(lái)接收道路中的車(chē)輛節(jié)點(diǎn)信息，避免了與道路中的每一車(chē)輛進(jìn)行點(diǎn)對(duì)點(diǎn)通信，這一部分對(duì)應(yīng)上文所說(shuō)的數(shù)據(jù)收集部分。其次，在數(shù)據(jù)分析階段利用機(jī)器學(xué)習(xí)方法實(shí)現(xiàn)相應(yīng)交通服務(wù)功能。本文經(jīng)過(guò)一系列對(duì)比分析后選擇了支持向量機(jī)(SVM，Support Vector Mach

4、ine)和深度神經(jīng)網(wǎng)絡(luò)(DNN，Deep Neural Network)兩種方法，并對(duì)這兩種算法進(jìn)行相應(yīng)改進(jìn)使其適用于本文所應(yīng)用的車(chē)聯(lián)網(wǎng)的數(shù)據(jù)融合的實(shí)際問(wèn)題中。在道路故障檢測(cè)系統(tǒng)中，作為一個(gè)分類(lèi)問(wèn)題，分別應(yīng)用SVM和DNN對(duì)道路故障進(jìn)行識(shí)別檢測(cè);作為一個(gè)回歸問(wèn)題，用DNN對(duì)故障位置進(jìn)行判斷預(yù)測(cè)。最后，本文利用微型的交通軟件VISSIM模擬產(chǎn)生實(shí)驗(yàn)所需的交通數(shù)據(jù)。并對(duì)數(shù)據(jù)進(jìn)行處理以及歸一化等操作，利用本文提出的方法對(duì)道路故障進(jìn)行識(shí)別和位置