面向高速公路环境的VANETs中V2V链路时延的动态预测

考虑到现有移动自组网络(MANETs)和车载自组网络(VANETs)链路时延理论分析方法太复杂,不适合动态预测实际VANETs中两车链路时延,提出了动态预测链路时延(DPLD)的数学模型,该模型考虑了两车相对速度分布、距离变化和交通流密度变化因素对两车之间链路时延的影响,能够预测预期要发生的两车的链路时延。该模型的实现取决于相对速度分布的估计方法、基于指数移动平均(EMA)的数据预先处理以及通过处理速度的变化解决交通密度对链路时延的影响。仿真结果表明此DPLD模型在预测高速公路上两车链路时延上具有很高的准确性。

Duration-HyTE:基于持续时间建模的时间感知知识表示学习方法

知识表示学习是知识获取与应用的基础,是贯穿知识图谱构建与应用全过程的重要问题,伴随含有时间标签的大型知识图谱的发展,近几年时间感知的知识表示学习成为该领域研究热点之一.针对传统方法不能有效学习知识持续时长分布规律的问题,融合超平面和有效持续时间建模,提出一种时间感知知识表示学习方法Duration-HyTE.首先,将元事实按照有效持续时间分类,对知识有效持续时间进行建模,提出知识有效可信度的计算方法,将其作用于训练过程评价函数和损失函数的计算,最后在含有时间标签的数据集Wikidata12K、YAGO11K和新建立的持续型关系数据集上进行对比实验,结果表明与其他同类方法相比,Duration-HyTE方法在实体和关系的链接预测和时间预测上性能得到有效提升,尤其在Wikidata12K数据集上,经Duration-HyTE训练得到的知识表示模型对于头尾实体的预测效果比当前最优的表示方法分别提升了25.7%和35.8%,有效提高了链接预测准确率.

汽车自组织网络链路时延预测(LDP)模型的扩展及扩展后的性能分析

为了克服前期提出的汽车自组织网络(VANETs)链路时延预测(LDP)模型只能预测高速公路直行场景的链路时延的局限,扩展了LDP模型的功能,构建了扩展的LDP模型——ELDP模型,并对该模型的链路时延预测过程进行了理论分析,对其预测性能进行了仿真分析。ELDP模型考虑了两车相对速度值的分布、相对速度驶过距离的变化以及在交叉口转弯对两车之间链路时延的影响,可以动态地预测车辆转弯时的两车链路时延,能够估计任意一对汽车预期要发生的链路时延。该模型实现取决于对相对速度值的分布参数估计方法、基于指数移动平均法对相对速度值的异常处理以及对在道路交叉口汽车转弯角度对链路时延的影响的估计。仿真结果表明,ELDP模型能够非常准确地预测高速公路中两车的链路时延。

城市车联网V2V链路时延动态预测

链路时延是决定车联网(vehicular ad hoc networks,VANETs)许多网络性能的重要标准.现存的VANETs基于节点移动性解决链路时延的问题,但是都没有预测的功能,不适合实际VANETs中动态预测车-车(vehicle to vehicle,V2V)链路时延.提出动态预测任意2车链路时延的数学模型DPLD,考虑2车相对速度分布、相对距离变化、交通密度和城市场景中交通灯因素对2车之间链路时延的影响,因为这些因素在链路连接过程中是变化的.通过考虑相对速度的分布,模型能够实时地调整原则自适应车速变化.通过自动调整2车之间相对距离计算方法,DPLD模型能够自适应2车间相对距离的变化.因此该模型能够有效地预测预期要发生的2车之间的链路时延.这个模型实现取决于相对速度分布参数的估计方法、指数移动平均法对车速异常处理以及交通灯对链路时延影响的概率建模并且详细给出2车遇到不同交通灯的具体链路时延预测方法.仿真结果表明:DPLD模型预测的城市环境的2车之间链路时延准确性很高.

基于相对位置多次转发的车载自组织网路由模型

车载自组网路由技术是近年来无线网络以及智能交通领域的研究热点之一。针对目前相关路由协议存在链路存活时间短、端到端时延大、路由开销大等问题,提出了一种基于相对位置多次转发的路由模型。该模型将车辆间相对位置进行分类,采用十字路口车辆优先和位置区分多次转发的方式实现控制包的寻路,进而推导不同类位置条件下链路存活时间的分布。采用AODV、DSR协议进行性能仿真实验,结果表明,该模型在链路存活时间、路由开销和吞吐量方面优于传统模型,而端到端时延性能有所下降,可满足车载自组织网路由性能需求。