||
随着越来越多的车辆安装了无线接口,车联网成为了无线泛在互联的重要部分。这也导致无线网络的网络规模、覆盖范围和密度持续增长,同时网络拓扑、信道状态和业务需求等在快速变化。在大数据驱动下,业界普遍认为机器学习或深度学习技术将能解决传统最优化理论无法解决的通信和组网难题。由于车联网是动态变化、空时域具有强耦合性的大规模无线网络,机器学习或深度学习技术如何应用于车联网中是个复杂的问题。特征提取是一种可以减少输入、简化数据驱动的学习过程、提高效率的有效手段。如,提取并构建车载的移动性模型表征共享不同城市间的特征,可以避免海量原始数据的处理和传输,能显著减少通信带宽需求、增强学习结果的泛化性和保护隐私。
Science China Information Sciences 2022年第11期出版了综述文章“Vehicular mobility patterns and their applications to Internet-of-Vehicles: a comprehensive survey”。文章对现有的车载移动性模型和它们对无线网络设计的影响给出了全面的详尽描述。文中回顾了近十年车载移动性模型的研究现状。现有的车载移动性模型被分类为车辆分布模型、车流量模型和驾驶行为模型,此种分类更强调车辆在空间域的随机模式、与道路密切相关的车流模型、个体的驾驶行为。不同模型被应用于不同应用场景,如网络连接性分析、离线网络优化、在线网络功能化和实时自动驾驶。该文根据不同应用场景的特征讨论了模型的实用性和潜在性能。最后,文中列举了几个值得持续研究的重要方向。如,设计以车辆移动性模型作为输入特征的深度学习平台,车辆移动性模型的代表性和完整性分析,基于不同车辆移动性模型构建新的混合模型进一步增强代表性和完整性等。
原文下载:
Cui Q M, Hu X X, NiW, et al. Vehicular mobility patterns and their applications to Internet-of-Vehicles: a comprehensive survey. Sci China Inf Sci, 2022, 65(11): 211301
https://doi.org/10.1007/s11432-021-3487-x
Archiver|手机版|科学网 ( 京ICP备07017567号-12 )
GMT+8, 2024-12-25 02:49
Powered by ScienceNet.cn
Copyright © 2007- 中国科学报社