基于位置预测的VNDN中数据传输监控系统的研究与实现
这是一篇关于贝叶斯网络,位置预测,车载命名数据网络,数据传输,时延的论文, 主要内容为进入21世纪以来,汽车逐渐成为人们日常生活中最主要的交通工具。随着这种趋势的发展,人们开始对汽车的服务和体验感更加注重。然而,传统的TCP/IP网络架构在车联网系统中存在一些问题,如链路易受干扰和数据传输效率低下。为了解决这些问题,许多科研人员开始寻求适用于车联网的新型网络架构。其中,车载命名数据网络(Vehicular Named Data Networking,VNDN)成为当前车联网网络架构的研究热点。但当VNDN需要传输海量数据时,可能会出现内容请求过大的情况,这可能导致网络数据传输时延增加和请求满意度降低等问题,直接影响整个网络的传输效率和车联网用户的服务体验。本文针对VNDN中数据传输问题,特别是请求内容较大的情况,设计并实现了一种基于位置预测的数据传输方法(Data Transmission method in VNDN based on Location Prediction,DTVLP)。首先,本文提出一个基于贝叶斯网络的位置预测模型(Clustering-optimized Bayesian Network location prediction model,C-BN),该模型先应用聚类优化以解决数据分布太广且无序的问题,从而提高预测准确度;其次,在车辆请求内容较大时,将内容分片,并将分片后的内容分别装入数据包;再次,根据应用位置预测模型得到的车辆未来位置向相应的路边单元传输对应的数据包;然后,为达到提高VNDN数据传输效率的目的,本文进一步提出一个基于位置预测内容缓存的算法(Content Caching algorithm based on vehicle Location Prediction,CCLP)和相应的缓存替换算法(Collaborative Cache Replacement algorithm for Content Popularity and Grading,C2RCPG)。最后,本文使用轨迹数据集和新闻数据集进行实验验证。实验结果表明,C-BN位置预测模型准确度优于其他对比模型;CCLP的传输时延和请求满意率也明显优于现有其他移动内容缓存算法;因此证明了DTVLP在传输大内容请求时能有效提高数据传输效率并减低传输时延。本文设计并实现了一个VNDN中的数据传输监控系统。该系统主要面向对象是车联网后台数据监控人员,系统获取车辆轨迹和数据请求之后,会以动态的方式监控车辆位置以及数据传输的过程,并实时监测系统请求较频繁的内容(如堵车、交通事故等),向附近区域车辆进行广播该热点内容。在实现系统时,数据传输监控模块采用了本文提出的数据传输方法(DTVLP)传输请求数据,位置预测模块采用了本文提出的位置预测模型(C-BN)实现预测功能。最终,对该数据传输监控系统进行了功能性测试与非功能性测试,证明本系统可以实现车辆信息管理、轨迹查询、位置预测,数据传输监控等功能。
基于稀疏时空数据的用户位置预测研究
这是一篇关于时空数据,用户相似性,语义轨迹,位置预测的论文, 主要内容为随着WiFi覆盖率的逐步提升以及定位技术的发展,可获取到海量的基于Wi Fi日志的时空位置数据,这些位置信息蕴含着丰富的用户移动规律,促进了基于历史轨迹的用户位置预测研究的兴起。在实际应用中,低采样性会导致轨迹数据呈现分布稀疏和结构单一的特点,进而引起由单个用户轨迹训练的位置预测模型准确率较低。针对此问题,本文进行了以下研究工作:(1)提出了融合用户属性和轨迹信息的相似用户分簇算法,用户的属性与个人性格、偏好等密切相关,例如性别、年龄、学历等,而用户历史轨迹则反映个人的生活、工作、作息规律。首先分别度量用户属性相似性和历史轨迹相似性,然后对二者进行加权融合,作为用户的整体相似性,以此为依据对所有用户群体进行相似分簇。该算法同时考虑了用户属性和历史轨迹信息,对缓解位置预测中数据稀疏性以及推荐系统中冷启动问题有重要作用。(2)提出了基于相似用户簇的位置预测模型SG-LSTM(Similar Group based LSTM model),轨迹数据的低采样性导致难以获取用户完整的轨迹路线,因此在位置预测研究中通常面临轨迹数据稀疏的问题,导致模型无法获取充分的历史信息,预测准确率不高。本文考虑基于多源信息融合划分用户相似簇,用相似簇中的轨迹集合训练模型,以此强化用户的历史轨迹信息,为稀疏时空数据场景下的轨迹预测提供新的方法。在真实的Wi Fi时空数据集上实验表明,SG-LSTM模型预测准确率达到88.9%,在准确率和训练时间上优于传统模型。(3)提出了基于语义轨迹的位置预测模型Seman Predict,由于定位技术的提高,可获取的用户位置数据更精确,此外,还可获取相应的地理标签信息,停留点地活动类型以及停留时间等深刻反映用户活动规律的轨迹语义信息。传统的位置预测模型通常只关注用户位置转移和经纬度变化,而缺乏对这些语义信息的关注。本文通过提取以上语义信息,构建语义轨迹序列,并将语义数据联合嵌入作为输入来训练位置预测模型。分别在真实的Wi Fi数据集和Twitter社交媒体数据集上进行实验验证,预测准确率分别为77.34%和67.14%,均优于传统轨迹预测模型。
基于位置预测的VNDN中数据传输监控系统的研究与实现
这是一篇关于贝叶斯网络,位置预测,车载命名数据网络,数据传输,时延的论文, 主要内容为进入21世纪以来,汽车逐渐成为人们日常生活中最主要的交通工具。随着这种趋势的发展,人们开始对汽车的服务和体验感更加注重。然而,传统的TCP/IP网络架构在车联网系统中存在一些问题,如链路易受干扰和数据传输效率低下。为了解决这些问题,许多科研人员开始寻求适用于车联网的新型网络架构。其中,车载命名数据网络(Vehicular Named Data Networking,VNDN)成为当前车联网网络架构的研究热点。但当VNDN需要传输海量数据时,可能会出现内容请求过大的情况,这可能导致网络数据传输时延增加和请求满意度降低等问题,直接影响整个网络的传输效率和车联网用户的服务体验。本文针对VNDN中数据传输问题,特别是请求内容较大的情况,设计并实现了一种基于位置预测的数据传输方法(Data Transmission method in VNDN based on Location Prediction,DTVLP)。首先,本文提出一个基于贝叶斯网络的位置预测模型(Clustering-optimized Bayesian Network location prediction model,C-BN),该模型先应用聚类优化以解决数据分布太广且无序的问题,从而提高预测准确度;其次,在车辆请求内容较大时,将内容分片,并将分片后的内容分别装入数据包;再次,根据应用位置预测模型得到的车辆未来位置向相应的路边单元传输对应的数据包;然后,为达到提高VNDN数据传输效率的目的,本文进一步提出一个基于位置预测内容缓存的算法(Content Caching algorithm based on vehicle Location Prediction,CCLP)和相应的缓存替换算法(Collaborative Cache Replacement algorithm for Content Popularity and Grading,C2RCPG)。最后,本文使用轨迹数据集和新闻数据集进行实验验证。实验结果表明,C-BN位置预测模型准确度优于其他对比模型;CCLP的传输时延和请求满意率也明显优于现有其他移动内容缓存算法;因此证明了DTVLP在传输大内容请求时能有效提高数据传输效率并减低传输时延。本文设计并实现了一个VNDN中的数据传输监控系统。该系统主要面向对象是车联网后台数据监控人员,系统获取车辆轨迹和数据请求之后,会以动态的方式监控车辆位置以及数据传输的过程,并实时监测系统请求较频繁的内容(如堵车、交通事故等),向附近区域车辆进行广播该热点内容。在实现系统时,数据传输监控模块采用了本文提出的数据传输方法(DTVLP)传输请求数据,位置预测模块采用了本文提出的位置预测模型(C-BN)实现预测功能。最终,对该数据传输监控系统进行了功能性测试与非功能性测试,证明本系统可以实现车辆信息管理、轨迹查询、位置预测,数据传输监控等功能。
基于轨迹数据的位置预测模型研究
这是一篇关于GPS轨迹,出行方式识别,位置预测,集成学习,注意力机制,双向长短期记忆网络的论文, 主要内容为随着移动互联网、定位技术的高速发展和智能便携设备的普及,以人工智能为主导的技术与应用正在改变着人们的生活。其中,基于位置的服务是重要的技术支持之一。位置预测是基于位置的服务重要组成部分,在推荐系统和城市资源规划等领域发挥着重要的作用。目前,基于全球定位系统(GPS)的轨迹数据在位置预测任务中受到广泛关注,GPS轨迹数据属于时空序列数据,不仅包含时间和位置信息,轨迹序列中还蕴含丰富的上下文信息。传统位置预测方法大多关注GPS轨迹中的位置序列,未充分挖掘轨迹中的上下文信息,导致预测效果不佳。基于GPS轨迹的位置预测还面临诸多问题,其一,出行方式是影响位置预测结果的重要上下文信息之一,现有研究没有充分关注历史轨迹中用户的出行方式对于位置预测结果的影响,这导致模型是针对混合出行方式轨迹进行建模预测,在没有足够多的训练数据支持情况下,模型的泛化能力不足。其二,历史轨迹中不同位置对于预测结果影响的权重是不同的,现有研究没有关注历史轨迹中对位置预测结果影响较大的位置,降低了模型预测精度和训练效率。其三,现有研究大多是将历史轨迹中停留位置或者兴趣点提取出来,从而将位置预测问题转化为分类问题,这是对位置预测问题的变相简化,导致预测结果受限于历史到达过的位置。针对上述问题,本论文基于真实GPS轨迹数据,提出结合出行方式的位置预测模型。该模型首先根据时间阈值对轨迹进行分割,进行预处理与特征提取;再通过改进的深度森林算法识别轨迹中的出行方式,根据出行方式识别结果将轨迹按不同出行方式分类,针对不同出行方式构建对应的位置预测模型;最后采用加入注意力机制(Attention)的双向长短期记忆网络(Bi LSTM,Bi-directional Long Short-Term Memory)模型进行位置预测。模型中注意力机制和LSTM中双向传播机制用来发掘历史轨迹中不同位置对于预测结果的影响,提高模型预测精度。模型最终预测结果为用户将要到达的实际位置,使预测结果不局限于用户在历史轨迹中到达过的位置。在真实GPS轨迹数据集上进行的对比试验表明,本论文所提出的基于改进深度森林的出行方式识别模型在出行方式识别任务中取得了较好的结果,准确率达到81.56%,优于随机森林模型,可以作为本论文位置预测模型提供轨迹分类依据。本论文所提出的位置预测模型在出行方式识别任务辅助下,将原始轨迹段按不同的出行方式进行分类,提高了位置预测模型总体泛化能力,其精确度比未结合出行方式的模型提升了12.8%,这表明本论文所提出模型和算法具备较高的可行性和有效性。
基于位置预测的VNDN中数据传输监控系统的研究与实现
这是一篇关于贝叶斯网络,位置预测,车载命名数据网络,数据传输,时延的论文, 主要内容为进入21世纪以来,汽车逐渐成为人们日常生活中最主要的交通工具。随着这种趋势的发展,人们开始对汽车的服务和体验感更加注重。然而,传统的TCP/IP网络架构在车联网系统中存在一些问题,如链路易受干扰和数据传输效率低下。为了解决这些问题,许多科研人员开始寻求适用于车联网的新型网络架构。其中,车载命名数据网络(Vehicular Named Data Networking,VNDN)成为当前车联网网络架构的研究热点。但当VNDN需要传输海量数据时,可能会出现内容请求过大的情况,这可能导致网络数据传输时延增加和请求满意度降低等问题,直接影响整个网络的传输效率和车联网用户的服务体验。本文针对VNDN中数据传输问题,特别是请求内容较大的情况,设计并实现了一种基于位置预测的数据传输方法(Data Transmission method in VNDN based on Location Prediction,DTVLP)。首先,本文提出一个基于贝叶斯网络的位置预测模型(Clustering-optimized Bayesian Network location prediction model,C-BN),该模型先应用聚类优化以解决数据分布太广且无序的问题,从而提高预测准确度;其次,在车辆请求内容较大时,将内容分片,并将分片后的内容分别装入数据包;再次,根据应用位置预测模型得到的车辆未来位置向相应的路边单元传输对应的数据包;然后,为达到提高VNDN数据传输效率的目的,本文进一步提出一个基于位置预测内容缓存的算法(Content Caching algorithm based on vehicle Location Prediction,CCLP)和相应的缓存替换算法(Collaborative Cache Replacement algorithm for Content Popularity and Grading,C2RCPG)。最后,本文使用轨迹数据集和新闻数据集进行实验验证。实验结果表明,C-BN位置预测模型准确度优于其他对比模型;CCLP的传输时延和请求满意率也明显优于现有其他移动内容缓存算法;因此证明了DTVLP在传输大内容请求时能有效提高数据传输效率并减低传输时延。本文设计并实现了一个VNDN中的数据传输监控系统。该系统主要面向对象是车联网后台数据监控人员,系统获取车辆轨迹和数据请求之后,会以动态的方式监控车辆位置以及数据传输的过程,并实时监测系统请求较频繁的内容(如堵车、交通事故等),向附近区域车辆进行广播该热点内容。在实现系统时,数据传输监控模块采用了本文提出的数据传输方法(DTVLP)传输请求数据,位置预测模块采用了本文提出的位置预测模型(C-BN)实现预测功能。最终,对该数据传输监控系统进行了功能性测试与非功能性测试,证明本系统可以实现车辆信息管理、轨迹查询、位置预测,数据传输监控等功能。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：毕设助手 ，原文地址：https://m.bishedaima.com/lunwen/55571.html
