基于目录哈希树的车联网数据同步传输方法仿真

针对当前使用的数据传输方法受到威胁数据影响,导致数据同步传输时间较长的问题,提出了基于目录哈希树的车联网数据同步传输方法仿真。通过车联网数据监控平台自助分析监测结果,设计了处理逻辑时序示意图,并确定了同步传输时序。构建目录哈希树,针对车辆道路切换、紧急路况两种情况设计数据同步传输流程,计算加权欧氏距离,获取最佳隶属度矩阵和规范矩阵,并构建威胁目标识别模型,实现威胁数据的精准识别。由仿真结果可知,该方法在数据大小为200 kB时,车联网数据同步传输时间的优势更为明显,最短为53.12×10-3s,具有良好传输效果。

车联网数据的PCA-LVQ行驶工况识别方法与测试

提出了基于主成分分析-学习向量量化(PCA-LVQ)神经网络智能算法的行驶工况的识别方法。基于用户车联网数据,通过运动学片段划分后,首先对速度、刹车频次、驾驶时间等多维度特征参数进行主成分分析(principal component analysis,PCA),实现输入信息降维处理,避免冗余信息带来的识别误差。其次将降维后的信息输入到LVQ神经网络模型中进行训练,并将模型用于用户典型驾驶工况的识别,分别对模型识别的影响因素进行研究。结果表明:基于PCA-LVQ智能算法的行驶工况识别方法能够有效进行工况识别,工况识别的精度与运动学片段长度相关,还受训练样本量和识别量的影响,但不受工况顺序影响。

基于车联网数据的电动汽车驾驶评价应用

新能源汽车相对于传统燃油车,在运行过程中采集了大量的行驶数据。通过对数据的挖掘与分析,可以为用户的驾驶习惯和新能源汽车的研发提供参考。论文提出一种基于车联网大数据的驾驶行为评价模型,旨在研究电动汽车用户的驾驶行为。首先分别从驾驶习惯、安全系数、能量消耗维度进行分析和研究,然后构建并提取不同维度的特征变量,通过逻辑回归分类模型和评分卡方法,分别输出驾驶习惯分数、安全性分数、能量消耗分数。最后进行了实例应用验证,结果表明,所采用的的方法能有效评价用户实际的驾驶行为。

基于车联网大数据的重型货车载重估计方法

针对当前货车载重计算方法普遍存在的成本高昂及泛化性能不明确的问题,提出一种创新的重型货车载重估计方法,方法融合了车辆行驶动力学理论与机器学习算法,通过有监督学习,利用高速通行大数据对模型进行训练与验证.首先采用聚类分析,确定车辆空、半、满载判断阈值,为后续的计算提供了重要依据.随后,利用随机森林算法训练分类模型,用以判断车辆在一段行驶过程中的基本载重情况.在此基础上,进一步在车辆行驶数据中筛选出稳定行驶的小片段,根据车辆系统动力学理论,对这些小片段车重进行计算.最后,根据载重状态的判断结果,对小片段车重结果进行筛选与计算,得到最终车辆载重计算结果.研究表明,在高速通行大数据的验证下,该方法对于空载及满载状态下趟次车重计算结果的整体平均绝对百分比误差(mean absolute percent error,MAPE)均可控制在10%以内,展现了较高的准确性.相比于现有技术,由于该方法无需安装额外传感器,对数据采集、存储、运算设备的要求也相对较低,因此在成本方面具有显著优势.在交通监管、物流运输、基于大数据的产品开发方面具有快速广泛推广的潜力.

基于车联网数据的电动汽车用户驾驶行为画像应用研究

为了更好地洞察用户需求,研究电动汽车用户画像,构建了一个表达用户特征的用户模型,提出了一种基于车联网大数据用户画像模型。首先,分别从速度偏好、驾驶风格、时间偏好、熟练度四个维度进行分析和研究;其次,利用K-means聚类,分别输出速度偏好标签、驾驶风格标签、时间偏好标签、熟练度标签,构建并提取不同维度的特征变量;最后,进行了实例应用验证。实验结果表明,本文所采用的方法能有效描述用户画像。

非结构化车联网大数据存储与处理技术教学分析

随着信息技术的进步和智能交通系统的发展,车联网已经成为现代交通领域的重要研究方向,车联网通过使车辆互相连接和与交通基础设施进行交流,实现车辆之间、车辆与道路、车辆与用户之间的智能化交互和信息共享。这些交互和共享产生了大量的数据,包括车辆传感器数据、驾驶员行为数据、交通状况数据等。并且车联网所涉及的数据通常是非结构化的,具有多种格式和类型,如文本、图像、音频、视频等。非结构化数据的特点是数据量庞大、格式多样、信息难以提取和处理。因此,在教学实践中如何让学生能够了解到高效存储、管理和处理这些非结构化数据的知识是对车联网研究中的一个重要问题。基于此,通过开展深入研究非结构化数据存储和处理的算法、模型和系统教学,可以提高学生对车联网数据的认识和分析能力,为今后智能交通系统的优化和改进提供支持。

智能网联汽车数据安全检测研究现状

智能化、网联化、电动化和共享化已成为汽车发展的主流趋势,然而,随着车联网商用规模的不断扩大,车联网产生的数据也呈指数级增加,车联网数据安全日益成为行业关注的焦点。数据是车联网运行的关键,如果缺乏有效的安全防范和监管措施,不仅会对车辆使用者的个人信息和隐私保护构成明显威胁,而且可能因车辆遭受远程控制等恶意攻击,造成重大的公共安全隐患。因此,从政府战略和行业发展角度出发,研究智能网联汽车数据安全检测技术,对智能车联网的数据安全进行检测评估、建设交通强国、为智能网联汽车产业的发展保驾护航,都具有重大战略意义。

基于云端的车内环境监控管理系统的开发

随着汽车的数量越来越多,一些特殊车辆的车内环境越来越重要,尤其是基于云端的车联网的数据采集非常重要,因此本课题设计了基于阿里云物联网管理平台的环境监测系统。以温湿度数据采集为例,系统包括硬件终端、阿里云IoT管理页面和用户后台管理系统三部分。硬件终端以NodeMCU为主控板,通过温湿度传感器采集温湿度信息,再通过WiFi接入阿里云IoT;阿里云IoT接入温湿度监测系统并实时显示温湿度数据,同时将数据转发至自有服务器中;基于SSM的后台管理系统接收阿里云IoT所转发的数据,经过处理后存储至自有数据库,在前台页面实时显示温湿度,并进行各种数据处理操作。本文系统采集的数据可以在硬件终端、云端、用户后台管理系统展示,能够满足不同用户、不同场景的实时展示数据需求,具有良好的拓展性及普及性。

多源异构环境下的车联网大数据混合属性特征检测方法

现有的车联网大数据特征检测方法忽略了数据属性权重,导致效率偏低,无法在车辆运行中提供高效服务。为此,提出了多源异构环境下的车联网大数据混合属性特征检测方法。该方法利用集成模型集成车联网多源异构数据,并对集成数据进行标准化和属性约简处理;同时,通过加权主成分分析法提取集成数据的属性特征,并利用聚类方法实现特征聚类,完成车联网大数据混合属性特征检测。实验结果表明,与现有方法相比,所提方法在评价指标敏感性指数上取值更高,时间复杂度更低,能更高效地完成车联网大数据混合属性特征提取任务。

基于关联规则分析的车联网大数据加密传输模型

在车联网中,由于网络拓扑的动态变化,短时间内形成的数据较多,导致大数据加密效果不佳。针对这一问题,提出基于关联规则分析的车联网大数据加密传输模型。以车联网服务为基础,借助关联规则挖掘车联网大数据。充分考虑车联网环境复杂的情况,将关联规则与加密算法混合使用。采用安全协议数据单元封装源目标地址,达到数据传输保护的目的。通过DES密钥加密数据,获得明文信息。采用基于动态实用拜占庭容错共识机制,对恶意节点的攻击有很好的容错性,实现大数据安全加密传输。实验结果表明,该模型时延高于5 s的节点数量少,最高吞吐量为480 Kb/s,证明选出的簇头能够维持与簇内车辆之间通信的稳定性,也说明了数据加密传输效果较好。

基于车联网大数据的行驶工况构建

按照人、车、货、场四个要素,以某物流车为例对真实用户的应用场景进行了定义。基于真实用户的车辆进行CAN总线数据采集,对车联网大数据基于时间维度和里程维度进行车速分析,从行驶轨迹分析,确认采集车辆数据对应用场景的符合性。然后对片段进行分割,计算各片段速度加速度分布矩阵,基于车速分布修正城市、郊区和高速区间车速定义,并将计算分析后片段分别放到不同车速区间。基于主成分分析和加权二次准则完成对各区间片段评价值计算并排序。完成了用户行驶工况构建,并对用户行驶工况有效性进行验证。

基于车联网大数据的交通路况预测研究

为了提升交通路况预测精度,在车联网大数据环境下,利用Canopy算法优化模糊C均值聚类算法,打造一种路段车辆平均速度计算精度比较高的算法。根据道路管理规定,设定不同路况的车辆平均速度范围,根据算法计算结果预测当前路段的交通路况。应用测试结果显示,该算法能够较为准确计算路段的车辆平均速度,精度在98.40%以上,预测路段拥堵结果与实际情况相符。

基于车联网大数据的智能交通系统构建

目前,道路安全已经是交通系统中最重要的组成,面对车辆数量以及驾驶员数量与日俱增的今天,我们需要使用针对性的系统才能够解决数量增加带来的安全问题。车辆负担对道路交通造成压力的同时,也带来新的发展机遇。通过分析车联网大数据搭建智能交通系统,从层级分析各构成要素以及需要注意的功能,搭建出更具有应用价值的交通系统。文章从子系统、智能行车系统以及道路系统多个方面进行分析,找到应用于智能交通系统发展的方向以及发展趋势,以大数据技术为基础,解决车辆数量增加带来的问题,以及针对性的解决对策。

基于Boost. Asio的智能车载终端数据采集系统

随着车联网与大数据技术的发展,车辆管理服务平台架构由传统的分散式、本地化,走向集中式、扁平化,平台端资源消耗越来越大,如何实现海量车载终端数据的高并发实时采集是一个亟待解决的问题。针对该问题,提出基于Boost.Asio网络通信库的解决方案。该方案以前后端分离的方式,将数据采集与数据解析分开实现,利用Boost.Asio的前摄器模式实现高并发的数据采集,利用Kafka消息队列提高系统可扩展性,并结合线程池及智能指针技术,对传统数据采集系统中数据量大、种类多带来的资源占用高问题进行了改进。实验结果表明,该系统在有大量连接的情况下,内存占用较少,连接稳定,数据无丢失,保证了数据采集的质量和可靠性。

基于卡车行驶数据的驾驶行为分析及评价模型研究

采集了重型卡车6万km的运行数据,提出了一种基于机理分析和数据特征融合的驾驶经济性和安全性的评价方法。首先对实际运行数据进行处理,通过控制变量选择6次外界环境相同的车辆驾驶过程,通过机理模型分析提取了3个与瞬时油耗密切关联的特征参数,将其聚类成3个油耗等级,然后建立了一个以瞬时油耗预测为主要目标的经济性评估模型,经过训练、测试后得到该模型的预测准确率达96.3%。从纵向控制角度分析,计算得出3个车辆驾驶安全性指标,对各个车辆的驾驶安全等级进行分类,利用多维度的层次分析法计算得出各自的权重,从而针对车辆驾驶行为进行安全性评价,最后对其所评价的模型结果进行案例验证。

商用车辆异常驾驶行为检测算法研究

利用车联网数据可以对驾驶员的异常驾驶行为进行检测。为了解决常用的异常驾驶行为检测算法对商用车辆不适用的问题,提高车联网数据在商用车领域的异常驾驶行为检测的精确度和效率,研究并提出了商用车辆异常驾驶行为检测算法。首先分析700多辆商用车辆历时两年的行驶数据,利用数据挖掘的方法对车联网数据进行预处理和可用信息挖掘,随后提出了针对商用车辆的疲劳驾驶行为、异常加减速行为和不按规定路线行驶行为的检测算法,并利用真实数据对算法进行验证。结果表明,该算法能有效识别商用车辆的异常驾驶行为,可以给物流企业以及相关管理部门提供合理、可靠的管理依据。

国Ⅵ柴油机EGR单项阀可靠性分析与改进

采用EGR技术的国Ⅵ发动机,其EGR系统故障不仅会引起整车排放超标,而且会触发限扭策略进而导致整车动力不足。本文利用车联网数据平台及发动机故障诊断终端设备,通过对某款重卡车型满载爬坡抖动问题的排查分析,找出问题的根本原因,并联合有关厂家对EGR单项阀进行深入分析及改进优化,最终通过发动机台架和整车道路耐久验证,为国ⅥEGR系统改进提供了技术储备。