群智感知车联网的高效数据融合与交通流预测研究

How to build an efficient Internet of Vehicles (IoV) through utilizing the advantage of Crowdsensing, meanwhile achieving effective management for massive data and offering diverse services, which has become a challenging issue for the intelligent transportation systems. Based on the dynamic networking topology, heterogeneous sensing data and complex traffic flow of the new-style IoV, this project plans to focus on solving the following four innovative aspects: 1) In order to maintain the stability of clusters in a dynamic environment, a dominated set-based clustering approach and a Monte Carlo theory-based clusters tolerance policy are proposed to solve this problem, respectively. In addition, we employ the multiplayer game theory for data aggregation to ensure the stable and efficient transmission within the cluster. 2) A prioritized multi-source sensing data processing strategy is established through introducing the weighted directed acyclic graph mode. Moreover, with the powerful cloud computing capabilities, a cost-efficient schedule strategy is designed based on the partial critical path theory. 3) A high-precision space-time-man traffic flow prediction model is built, which combined with space-time dimension and the relevance of user driving habits. And this model is based on optimized extreme learning machine model and multiple linear regression model. 4) A practical test bed will be implemented to verify the key technologies and the proposed approaches. The findings of this project has an important guiding significance for the practical application of Crowdsensing in IoV.

如何利用群智感知优势构建高效车联网，实现海量数据的高效管理和多样化服务需求，是智能交通系统迫切需要解决的挑战性问题。本项目基于新型车联网网络拓扑动态变化、感知数据异质多源和交通流交错复杂等特性，拟开展如下创新性工作：首先，提出基于支配集邻域跟随的成簇方案和蒙特卡洛思想的簇团容忍策略，维护动态环境下簇团的稳定性，利用多人博弈的多源数据融合传输机制，保证簇内高效稳定传输；其次，引入加权有向无环图模型，建立带优先级的多源异构感知数据处理策略，运用局部关键路径理论，结合云计算的强大计算能力，设计一种云环境下基于代价驱动的高效低耗调度处理方案；再次，结合时空维度相关性和用户驾驶习惯等特性，利用优化极限学习机模型和多元线性回归模型，构建时空人三者融合的高精度短时交通信息流预测模型；最后，搭建实验和应用平台，对所提出的设计理论和关键技术进行验证。预期成果将对群智感知车联网的实际应用具有重要的指导意义。

如何利用群智感知优势构建高效车联网，实现海量数据的高效管理和多样化服务需求，是智能交通系统迫切需要解决的挑战性问题。本项目的研究目标是紧紧围绕如何在群智感知车联网中完成多源感知数据优化处理和信息高效挖掘这一瓶颈问题，构建了一个面向智能交通系统的海量数据智能信息处理平台，实现对交通信息流的高效管理并提供多样化服务。本项目的主要工作如下：（1）基于多任务分配问题中参与者的异质性问题，提出了一种基于遗传算法的贪婪离散粒子群优化算法来解决群智感知中的多任务分配问题。（2）针对移动人群感知中参与者的组成极大地决定了所收集信息的质量和成本的特点，提出了一种t时隙k覆盖的参与者选择算法在在选择最少的参与者的情况下达到感测任务所需的质量。（3）从网络计算的角度出发，将计算无线传感器网络中压缩感知的随机投影的问题公式化为随机几何网络内的函数计算，提出了一种具有最佳刷新率的有效的基于树的计算协议。（4）针对传统的交通拥堵检测方法难以使用，价格昂贵并且可能会损坏路面的缺点，提出了一种基于多维视觉特征和卷积神经网络的道路拥堵检测方法。.本项目进一步扩展研究思路，基于压缩感知的移动传感器网络时空数据采集问题，构建相应的采集算法，同时扩展研究了社交感知任务分配方法的构建和用于非线性规划的投影神经网络构建，主要完成以下工作：（1）针对现有的时空数据收集工作中仅考虑基于多跳中继或多个随机游走的方法，通过采用具有延迟验收的Metropolis-Hastings算法，提出了一种新颖的移动数据收集方案。（2）针对任务分配中某些特定的应用程序只有几个候选用户，从而导致任务完成不佳的问题，提出了一种本地贪婪选择算法大大提高了任务分配效果（3）利用低维状态空间的投影神经网络可以明显提高计算速度的优点，提出了两个具有减小模型维度和复杂度的投影神经网络来解决非线性规划问题。