面向群智感知车联网的高效信息获取与处理技术研究

Due to the advantages of the deployment with low cost and wide coverage, crowdsensing, as a novel technology for Internet of Vehicles (IoV), has shown immense value for research and potential application. In order to solve the main problems that IoV faces on data transmission and processing and ubiquitous sensing and interaction, this project plans to work towards the following aspects: 1) From the perspective of compressive sensing theory, a novel type of sparse random matrix and the corresponding routing algorithm which matches with the topology of crowdsensing networks are proposed so as to efficiently perform sensing, compression and transmission. 2) A robust method based on matrix completion is proposed to deal with the sensing data in the presence of noise, anomalies and missing data. 3) From the perspectives of economic theory and optimization theory, an incentive mechanism by introducing a reverse auction framework and a cross-layer strategy based on location information for user selection are proposed for efficient task allocation. 4) A practical test bed will be implemented to verify the proposed approaches. The findings of the project will not only provide a theoretical framework and design solution for the application of crowdsensing in IoV, but also promote the development and application of the next generation IoV technology.

面向群智感知的新型车联网技术因部署成本低、覆盖范围广等优点，具有巨大的研究价值和应用前景。本项目围绕群智感知车联网中“多源信息传输与处理”和“泛在感知与交互”关键问题，拟开展如下创新性研究工作：首先，从压缩感知理论角度出发，设计一种新的稀疏随机测量矩阵，构建与群智感知车联网结构特点相匹配的路由策略，实现高效的信息感知、压缩与传输；其次，运用矩阵填充理论，提出鲁棒的信息处理技术，实现对感知信息的噪声消除、异常数据过滤及丢失数据恢复等处理；再次，从经济学理论及最优化理论角度出发，引入反向拍卖框架设计激励机制，以跨层设计思想，提出基于地理位置信息的用户选择策略，实现高效的任务分配；最后，研制群智感知车联网验证平台，完成对设计原理及关键技术的验证。本项目研究成果将为群智感知技术在车联网的实际应用提供理论指导和设计方案，并推动下一代新型车联网技术的研发和应用。

本项目面向国家在车联网领域的重大需求和发展趋势，研究基于群智感知的车联网信息获取与处理新技术，为实现智能交通信息服务提供理论基础和技术支撑。本项目围绕群智感知车联网中“多源信息传输与处理”和“泛在感知与交互”关键问题，开展了如下创新性研究工作：首先，提出了一种基于随机游走算法的高效车联网数据收集方法,设计了一种基于高斯核函数的随机测量矩阵，以提高数据收集的效率，降低了节点能耗，提高了数据收集的可靠性；提出了一种基于Metropolis-Hastings算法的空时数据收集方法，利用Metropolis-Hastings延迟接入算法设计路由算法，降低了节点传输能耗，提高重建精度，并有效对抗网络中的丢包问题；提出了基于压缩感知技术的交通道路状况估计方法，构造了一种新的基于核高斯随机测量矩阵，减少了所需探测车的数量。其次，提出了一种用于联合分析多源交通数据的耦合张量模型及耦合矩阵张量因子权重优化的填充算法，实现对包含噪声、异常数据等缺失交通数据的恢复；提出了一种基于生成式对抗网络的交通数据恢复算法，充分提取交通数据的时空特征，提高了数据恢复的准确度，解决了多种缺失场景下的交通数据恢复问题。再次，考虑群智感知网络中用户类型差异及努力程度差异，基于契约理论，提出了满足个体理性和激励相容原则的任务分配机制，指导用户按照自身特点选择并完成如分布式计算和信息采集等任务。最后，挖掘车辆交通流的空时相关性，提出了一种基于自适应多核支持向量机的短时交通流量估计方法及基于注意力机制模型的混合深度学习模型，实现对交通状态的分析和预测。同时，面向海量交通大数据，构建了一个基于Hadoop、HBase和Spark的分布式存储和处理系统，实现对群智感知车联网中车辆轨迹数据和终端采集数据的存储与处理。本项目的研究工作，为群智感知技术在车联网的实际应用提供了理论指导和设计方案。