基于深度学习的车联网延迟分析与建模文献综述
2020-04-15 09:04
据官方统计，中国每年交通事故50万起，因交通事故死亡人数超过10万人，稳居世界第一，且带来了巨大的经济损失。发展智能交通的目的就是要从根本上改善目前的交通状况，确保我国道路的交通安全。车联网是智能交通系统的重要基础。车联网中的车辆集成了信息和通信技术，可以提供车与车之间的通信，及时将道路上的交通信息传递给其他车辆，从而为正在道路上行驶的汽车提供安全和舒适的交通环境。
当前，我国车联网产业进入快速发展新阶段，技术创新愈加活跃，新型应用蓬勃发展，产业规模不断扩大，但也面临诸多问题和挑战：一是跨部门协同需要不断深入。车联网的跨行业、跨领域属性突出，涉及工信、发展改革、公安、交通等多个部门，在政策、重大专项、标准制定、试验示范等工作方面需要协同推进。二是核心技术有待突破。高端传感器、新型汽车电子、车载操作系统等产业链高端环节竞争力较弱，技术积累仍需不断加强。三是产业发展面临挑战。ADAS、传感及雷达、车载芯片等产业领域与国外差距过大，需要在重点领域有所突破缩小差距、提升产业竞争力。四是安全问题存在隐患。车联网安全防护体系、安全管理制度等尚不完善，数据安全和个人信息保护问题突出，特别是影响驾驶操控行为的安全保护问题亟需强化研究。国际上，车联网已经逐渐成为全球技术创新和汽车产业变革的焦点，与自动驾驶技术发展齐头并进、日趋交融。美国、日本、欧盟等汽车工业发达的国家和地区都视车联网为汽车产业发展的主要方面，已然展开全面布局，加快推进产业化落地。从市场形势来看，得益于各国政策的支持与资本力量的热捧，2017年全球车联网市场规模超过500亿美元，预计到2022年将进一步突破1600亿美元。
4G网络的应用与普及基本上已经解决了通信问题，不过对于车联网领域来说，网络延迟问题依然是一个巨大的瓶颈， 2019年，随着人工智能热潮持续发酵，各企业在网络延迟等领域的投入将继续加大，届时网络延迟的问题有望迎来突破。通过对车联网进行延迟分析与建模，有助于实现车联网在自动驾驶方面的突破，能够实现在行驶过程中的自动超车功能，并减少车辆行驶过程中发生碰撞的情况。
2. 研究的基本内容与方案
{title}本次设计的基本内容是设计并拟实现基于深度学习的车联网延迟预测系统，要求设计的延迟预测系统的精度范围控制在5%以内。
本次设计在编程环境上选择的是python开发环境及TensorFlow模块，要求掌握基于python语言的应用系统的设计和开发技术，掌握基于深度学习的车联网延迟预测方法。
本系统采用卷积神经网络对车联网产生延迟的因素进行分析并根据神经网络的分析结果对车联网延迟进行建模，卷积神经网络是一类包含卷积计算且具有深度结构的前馈神经网络，是深度学习的代表算法之一。由于卷积神经网络能够进行平移不变分类，因此也被称为“平移不变人工神经网络。对卷积神经网络的研究始于二十世纪80至90年代，时间延迟网络和LeNet-5是最早出现的卷积神经网络；在二十一世纪后，随着深度学习理论的提出和数值计算设备的改进，卷积神经网络得到了快速发展，并被大量应用于计算机视觉、自然语言处理等领域。卷积神经网络仿造生物的视知觉机制构建，可以进行监督学习和非监督学习，其隐含层内的卷积核参数共享和层间连接的稀疏性使得卷积神经网络能够以较小的计算量对格点化特征，例如像素和音频进行学习、有稳定的效果且对数据没有额外的特征工程要求。
本次设计的基于深度学习的车联网延迟分析与建模的结构框图如下图1所示：
| |
3. 参考文献
[1] Lee E K , Gerla M , Pau G , et al. Internet ofVehicles: From intelligent grid to autonomous cars and vehicular fogs[C]//Internet of Things. IEEE, 2016.
[2] XuW , Omar H A , Zhuang W , et al. Delay Analysis of In-Vehicle Internet AccessVia On-Road WiFi Access Points[J]. IEEE Access, 2017, 5:2736-2746.
[3] RamezaniM , Machado J A , Skabardonis A , et al. Capacity and delay analysis ofarterials with mixed autonomous and human-driven vehicles[C]// IEEEInternational Conference on Models amp; Technologies for IntelligentTransportation Systems. IEEE, 2017.
[4] LiW , Tian L , Xu C , et al. Delay analysis for base station to vehiclecommunication at 3.35 and 5.4 GHz[C]// European Conference on Antennas amp;Propagation. IEEE, 2016.
[5] CaoX , Li Y . Data Collection and Network Architecture Analysis in Internet ofVehicles Based on NB-IoT[C]// 2018 International Conference on IntelligentTransportation, Big Data amp; Smart City (ICITBS). IEEE, 2018.
[6] JinR , Du X , Zeng K , et al. Delay Analysis of Physical-Layer Key Generation inDynamic Roadside-to-Vehicle Networks[J]. IEEE Transactions on VehicularTechnology, 2017, 66(3):2526-2535.
[7] PandeyK, Raina S K, Raw R S, et al. Throughput and delay analysis of directional‐location aidedrouting protocol for vehicular ad hoc networks[J]. International Journal ofCommunication Systems, 2017, 30.
[8] BesselinkB, Johansson K H. A Delay-Based Spacing Policy for Vehicle Platooning: Analysisand Control[M]// Time Delay Systems. 2017.
[9] LevisonW, Papazian B. The effects of time delay and simulator mode on closed-looppilot/vehicle performance - Model analysis and manned simulation results[C]//Flight Simulation Technologies Conference. 2015.
[10] PandeyK, Raina S K, Raw R S. Hop count and delay analysis of D-LAR protocol forVANET[C]// International Conference on Computing for Sustainable GlobalDevelopment. 2016.
[11] RostamzadehK, Gopalakrishnan S. Analysis of Message Delivery Delay in VehicularNetworks[J]. IEEE Transactions on Vehicular Technology, 2015, 64(10):4770-4779.
[12] RanaK, Tripathi S, Raw R S. Analysis of expected delay of LAR protocol forVANETs[C]// International Conference on Computing for Sustainable GlobalDevelopment. 2016.
[13] WangY, Zheng J, Mitton N. Delivery Delay Analysis for Roadside Unit Deployment inVehicular Ad Hoc Networks With Intermittent Connectivity[J]. IEEE Transactionson Vehicular Technology, 2016, 65(10):8591-8602.
[14] GusrialdiA, Qu Z. Analysis of cooperative systems with time delay: Application totransportation systems[C]// Control Applications. 2016.
[15] 刘宗巍, 匡旭, 赵福全. 中国车联网产业发展现状、瓶颈及应对策略[J]. 科技管理研究, 2016, 36(4):121-127.
1．目的及意义据官方统计，中国每年交通事故50万起，因交通事故死亡人数超过10万人，稳居世界第一，且带来了巨大的经济损失。发展智能交通的目的就是要从根本上改善目前的交通状况，确保我国道路的交通安全。车联网是智能交通系统的重要基础。车联网中的车辆集成了信息和通信技术，可以提供车与车之间的通信，及时将道路上的交通信息传递给其他车辆，从而为正在道路上行驶的汽车提供安全和舒适的交通环境。
当前，我国车联网产业进入快速发展新阶段，技术创新愈加活跃，新型应用蓬勃发展，产业规模不断扩大，但也面临诸多问题和挑战：一是跨部门协同需要不断深入。车联网的跨行业、跨领域属性突出，涉及工信、发展改革、公安、交通等多个部门，在政策、重大专项、标准制定、试验示范等工作方面需要协同推进。二是核心技术有待突破。高端传感器、新型汽车电子、车载操作系统等产业链高端环节竞争力较弱，技术积累仍需不断加强。三是产业发展面临挑战。ADAS、传感及雷达、车载芯片等产业领域与国外差距过大，需要在重点领域有所突破缩小差距、提升产业竞争力。四是安全问题存在隐患。车联网安全防护体系、安全管理制度等尚不完善，数据安全和个人信息保护问题突出，特别是影响驾驶操控行为的安全保护问题亟需强化研究。国际上，车联网已经逐渐成为全球技术创新和汽车产业变革的焦点，与自动驾驶技术发展齐头并进、日趋交融。美国、日本、欧盟等汽车工业发达的国家和地区都视车联网为汽车产业发展的主要方面，已然展开全面布局，加快推进产业化落地。从市场形势来看，得益于各国政策的支持与资本力量的热捧，2017年全球车联网市场规模超过500亿美元，预计到2022年将进一步突破1600亿美元。
4G网络的应用与普及基本上已经解决了通信问题，不过对于车联网领域来说，网络延迟问题依然是一个巨大的瓶颈， 2019年，随着人工智能热潮持续发酵，各企业在网络延迟等领域的投入将继续加大，届时网络延迟的问题有望迎来突破。通过对车联网进行延迟分析与建模，有助于实现车联网在自动驾驶方面的突破，能够实现在行驶过程中的自动超车功能，并减少车辆行驶过程中发生碰撞的情况。
2. 研究的基本内容与方案
{title}本次设计的基本内容是设计并拟实现基于深度学习的车联网延迟预测系统，要求设计的延迟预测系统的精度范围控制在5%以内。
本次设计在编程环境上选择的是python开发环境及TensorFlow模块，要求掌握基于python语言的应用系统的设计和开发技术，掌握基于深度学习的车联网延迟预测方法。
本系统采用卷积神经网络对车联网产生延迟的因素进行分析并根据神经网络的分析结果对车联网延迟进行建模，卷积神经网络是一类包含卷积计算且具有深度结构的前馈神经网络，是深度学习的代表算法之一。由于卷积神经网络能够进行平移不变分类，因此也被称为“平移不变人工神经网络。对卷积神经网络的研究始于二十世纪80至90年代，时间延迟网络和LeNet-5是最早出现的卷积神经网络；在二十一世纪后，随着深度学习理论的提出和数值计算设备的改进，卷积神经网络得到了快速发展，并被大量应用于计算机视觉、自然语言处理等领域。卷积神经网络仿造生物的视知觉机制构建，可以进行监督学习和非监督学习，其隐含层内的卷积核参数共享和层间连接的稀疏性使得卷积神经网络能够以较小的计算量对格点化特征，例如像素和音频进行学习、有稳定的效果且对数据没有额外的特征工程要求。
本次设计的基于深度学习的车联网延迟分析与建模的结构框图如下图1所示：
