CN113420511B - 一种车载通信延时建模方法 - Google Patents

一种车载通信延时建模方法 Download PDF

Info

Publication number
CN113420511B
CN113420511B CN202110824526.1A CN202110824526A CN113420511B CN 113420511 B CN113420511 B CN 113420511B CN 202110824526 A CN202110824526 A CN 202110824526A CN 113420511 B CN113420511 B CN 113420511B
Authority
CN
China
Prior art keywords
vehicle
mounted communication
communication delay
distribution
parameters
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202110824526.1A
Other languages
English (en)
Other versions
CN113420511A (zh
Inventor
常琳
蒋华涛
仲雪君
陈大鹏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuxi Internet Of Things Innovation Center Co ltd
Original Assignee
Wuxi Internet Of Things Innovation Center Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Wuxi Internet Of Things Innovation Center Co ltd filed Critical Wuxi Internet Of Things Innovation Center Co ltd
Priority to CN202110824526.1A priority Critical patent/CN113420511B/zh
Publication of CN113420511A publication Critical patent/CN113420511A/zh
Application granted granted Critical
Publication of CN113420511B publication Critical patent/CN113420511B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Traffic Control Systems (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明公开了一种车载通信延时建模方法，涉及车载通信技术领域，该方法包括：基于联合概率分布函数建立车载通信延时的混合模型；在不同行驶场景下分别采集车载通信延时数据；为混合模型的各个分布设置初始参数；将车载通信延时数据代入混合模型估计各分布的混合权重；根据车载通信延时数据和混合权重重新估计各个分布的参数；将车载通信延时数据代入更新参数后的混合模型重新估计各分布的混合权重；重新执行重新估计各个分布的参数的步骤，直至前后两次迭代得到的混合权重和参数变化小于预设值，得到各个行驶场景下的混合模型；通过在不同交通环境下对车载通信延时进行建模，使混合模型能够适应当前的交通环境。

Description

一种车载通信延时建模方法
技术领域
本发明涉及车载通信技术领域，尤其是一种车载通信延时建模方法。
背景技术
智能网联(V2X)技术可增强单车智能自动驾驶汽车的环境感知能力，为其做出正确的决策判断，提供有利的数据支撑。然而实现V2X需要稳定、可靠、低时延的车载通信保证。目前的车载通信延时建模大多是无线通信分析，只考虑了通信信道环境对当前环境下延时的影响，而无法涉及到障碍物遮挡、天气以及交通的位置、时间和状况等，因此现有的建模方法无法适应所有的交通环境。而且不同的交通环境，如建筑物、树木、障碍物等形成的遮挡，都会对车载通信延时产生很大的影响。
发明内容
本发明人针对上述问题及技术需求，提出了一种车载通信延时建模方法，能够在不同的交通环境下对车载通信延时进行建模，使混合模型能够适应当前的交通环境。
本发明的技术方案如下：
一种车载通信延时建模方法，包括如下步骤：
基于联合概率分布函数建立车载通信延时的混合模型；
在不同行驶场景下分别采集车载通信延时数据；
为混合模型的各个分布设置初始参数；
将第i个行驶场景下的车载通信延时数据代入混合模型估计各分布的混合权重；
根据第i个行驶场景下的车载通信延时数据和混合模型的混合权重重新估计各个分布的参数；
将第i个行驶场景下的车载通信延时数据代入更新参数后的混合模型重新估计各分布的混合权重；
重新执行根据第i个行驶场景下的车载通信延时数据和混合模型的混合权重重新估计各个分布的参数，直至前后两次迭代得到的混合权重和参数变化小于预设值，得到第i个行驶场景下的混合模型；
令i＝i+1，重新执行将第i个行驶场景下的车载通信延时数据代入混合模型估计各分布的混合权重，直至得到所有行驶场景下的混合模型。
其进一步的技术方案为，混合模型的表达式为：
Figure BDA0003173124700000021
其中，f(x)是联合概率分布函数，πk是混合权重，且
Figure BDA0003173124700000022
fk(·)是模型k的概率分布函数，θk是概率分布函数的参数，K是概率分布函数的个数，x是车载通信延时数据。
其进一步的技术方案为，估计各分布的混合权重，包括：
根据各分布的初始参数或更新参数，分别计算出第i个行驶场景下的车载通信延时数据在各分布函数下的概率，作为各分布函数的混合权重。
其进一步的技术方案为，不同行驶场景包括多种影响因素，分别为采样开始时刻T以及随时间变化的位置P、交通状况TF和天气W；
位置P为路口的经纬度坐标；
交通状况TF指当前交通的拥堵等级，设定拥堵0-10辆车为等级1，拥堵10-20辆车为等级2，拥堵20-40辆车为等级3，拥堵40-70辆车为等级4，拥堵70-100辆车为等级5，拥堵100辆车以上为等级6；
设定晴天为W0，小雨为W1，中雨为W2，大雨为W3，小雪为W4，大雪为W5，雾霾为W6；
在不同行驶场景下分别采集车载通信延时数据，包括：
将每个行驶场景下的影响因素用数组形式表示为[P，T，TF，W]；
在每个行驶场景下，根据数组对应的T开始采集车载通信延时数据，在设定采样时间段内记录下变化的影响因素数组及对应的车载通信延时数据。
其进一步的技术方案为，概率分布函数包括指数分布函数、正态分布函数和对数正态分布函数；
指数分布函数的表达式为：
fexp(x|λ)＝λe-λx，其中λ是比例参数；
正态分布函数的表达式为：
Figure BDA0003173124700000031
其中μ1、σ1分别表示正态分布的均值和方差；
对数正态分布函数的表达式为：
Figure BDA0003173124700000032
其中μ2、σ2分别表示对数正态分布的均值和方差。
其进一步的技术方案为，重新估计各个分布的参数，包括：
假设三个分布函数的参数未知，采用极大似然函数通过第i个行驶场景下的车载通信延时数据来估计三个分布函数的参数，混合模型的极大似然函数为：
Figure BDA0003173124700000033
其中，m为第i个行驶场景下的车载通信延时数据的个数；
分别对待求参数求偏导，使偏导数为零，估计出各个待求参数的值。
其进一步的技术方案为，为混合模型的各个分布设置初始参数，包括：
对比例参数、正态分布的均值和方差、对数正态分布的均值和方差进行初始化设置。
其进一步的技术方案为，在得到所有行驶场景下的混合模型后，方法还包括：
在每个行驶场景下，向混合模型输入对应的车载通信延时数据并进行预测，得到下一时刻的车载通信延时数据。
本发明的有益技术效果是：
基于联合概率分布函数建立车载通信延时的混合模型，针对不同行驶场景，且考虑多种影响因素，利用不同行驶场景下的车载通信延时数据通过迭代的方法得到不同交通环境下的车载通信延时的混合模型，使得该混合模型能够适应随机的交通环境，更符合实际交通中的应用；在同一行驶场景下，通过对相应的混合模型进行预测，还能够得到下一时刻的车载通信延时数据，便于V2X提前预判、提供有利的数据支撑。
附图说明
图1是本申请提供的车载通信延时建模方法的流程图。
具体实施方式
下面结合附图对本发明的具体实施方式做进一步说明。
如图1所示，一种车载通信延时建模方法，包括如下步骤：
步骤1：基于联合概率分布函数建立车载通信延时的混合模型。
混合模型的表达式为：
Figure BDA0003173124700000041
其中，f(x)是联合概率分布函数，πk是混合权重，且
Figure BDA0003173124700000042
fk(·)是模型k的概率分布函数，θk是概率分布函数的参数，K是概率分布函数的个数，x是车载通信延时数据。
概率分布函数包括指数分布函数、正态分布函数和对数正态分布函数，且：
1)指数分布函数的表达式为：
fexp(x|λ)＝λe-λx，其中λ是比例参数；
2)正态分布函数的表达式为：
Figure BDA0003173124700000043
其中μ1、σ1分别表示正态分布的均值和方差；
3)对数正态分布函数的表达式为：
Figure BDA0003173124700000044
其中μ2、σ2分别表示对数正态分布的均值和方差。
步骤2：在不同行驶场景下分别采集车载通信延时数据，作为各场景下的样本集。
不同行驶场景包括多种影响因素，分别为采样开始时刻T以及随时间变化的位置P、交通状况TF和天气W，其中：
1)位置P为路口的经纬度坐标。
2)交通状况TF指当前交通的拥堵等级，设定拥堵0-10辆车为等级1，拥堵10-20辆车为等级2，拥堵20-40辆车为等级3，拥堵40-70辆车为等级4，拥堵70-100辆车为等级5，拥堵100辆车以上为等级6。
可选的，交通拥堵等级可以通过路侧设备，如雷视融合一体机得到。
3)设定晴天为W0，小雨为W1，中雨为W2，大雨为W3，小雪为W4，大雪为W5，雾霾为W6。
具体分步骤包括：
步骤21：将每个行驶场景下的影响因素用数组形式表示为[P，T，TF，W]，比如数组[31.568,120.299,10:00,2,W1]，表示为当前行驶场景为在纬度31.568、经度120.299的路口，采样开始时刻为上午10点，路口拥堵等级为2，当前天气为小雨。
步骤22：在每个行驶场景下，根据数组对应的T开始采集车载通信延时数据，在设定采样时间段内记录下变化的影响因素数组及对应的车载通信延时数据。
步骤3：为混合模型的各个分布设置初始参数。
对比例参数λ、正态分布的均值和方差μ1、σ1、对数正态分布的均值和方差μ2、σ2进行初始化设置。
步骤4：将第i个行驶场景下的车载通信延时数据代入混合模型估计各分布的混合权重。
根据各分布的初始参数，分别计算出第i个行驶场景下的样本集在各分布函数下的概率，作为各分布函数的混合权重。
步骤5：根据第i个行驶场景下的车载通信延时数据和混合模型的混合权重重新估计各个分布的参数。
假设三个分布函数的参数未知，采用极大似然函数通过第i个行驶场景下的样本集来估计三个分布函数的参数，混合模型的极大似然函数为：
Figure BDA0003173124700000051
其中，m为第i个行驶场景下的车载通信延时数据的个数，也即样本个数。
分别对待求参数求偏导，使偏导数为零，估计出各个待求参数的值。以比例参数λ为例，使：
Figure BDA0003173124700000052
则可估算出比例参数λ的值，其他参数以此类推。
步骤6：将第i个行驶场景下的车载通信延时数据代入更新参数后的混合模型重新估计各分布的混合权重。
根据各分布的更新参数，分别计算出第i个行驶场景下的样本集在各分布函数下的概率，作为各分布函数的更新混合权重。
重新执行步骤5，直至前后两次迭代得到的混合权重和参数变化小于预设值，得到第i个行驶场景下的混合模型。
步骤7：令i＝i+1，重新执行步骤4，直至得到所有行驶场景下的混合模型。
步骤8：在每个行驶场景下，向混合模型输入对应的样本集并进行预测，得到下一时刻的车载通信延时数据。
以上所述的仅是本申请的优选实施方式，本发明不限于以上实施例。可以理解，本领域技术人员在不脱离本发明的精神和构思的前提下直接导出或联想到的其他改进和变化，均应认为包含在本发明的保护范围之内。

Claims (6)

1.一种车载通信延时建模方法，其特征在于，所述方法包括：
基于联合概率分布函数建立车载通信延时的混合模型，所述混合模型的表达式为：
Figure FDA0003629164530000011
其中，f(x)是所述联合概率分布函数，πk是混合权重，且
Figure FDA0003629164530000012
fk(·)是模型k的概率分布函数，θk是所述概率分布函数的参数，K是所述概率分布函数的个数，x是车载通信延时数据；
不同行驶场景包括多种影响因素，分别为采样开始时刻T以及随时间变化的位置P、交通状况TF和天气W；所述位置P为路口的经纬度坐标；所述交通状况TF指当前交通的拥堵等级，设定拥堵0-10辆车为等级1，拥堵10-20辆车为等级2，拥堵20-40辆车为等级3，拥堵40-70辆车为等级4，拥堵70-100辆车为等级5，拥堵100辆车以上为等级6；设定晴天为W0，小雨为W1，中雨为W2，大雨为W3，小雪为W4，大雪为W5，雾霾为W6；
将每个行驶场景下的影响因素用数组形式表示为[P，T，TF，W]；
在每个行驶场景下，根据数组对应的T开始采集车载通信延时数据，在设定采样时间段内记录下变化的影响因素数组及对应的车载通信延时数据；
为所述混合模型的各个分布设置初始参数；
将第i个行驶场景下的车载通信延时数据代入所述混合模型估计各分布的混合权重；
根据所述第i个行驶场景下的车载通信延时数据和所述混合模型的混合权重重新估计各个分布的参数；
将所述第i个行驶场景下的车载通信延时数据代入更新参数后的混合模型重新估计各分布的混合权重；
重新执行所述根据所述第i个行驶场景下的车载通信延时数据和所述混合模型的混合权重重新估计各个分布的参数，直至前后两次迭代得到的混合权重和参数变化小于预设值，得到所述第i个行驶场景下的混合模型；
令i＝i+1，重新执行所述将第i个行驶场景下的车载通信延时数据代入所述混合模型估计各分布的混合权重，直至得到所有行驶场景下的混合模型。
2.根据权利要求1所述的车载通信延时建模方法，其特征在于，估计各分布的混合权重，包括：
根据各分布的初始参数或更新参数，分别计算出所述第i个行驶场景下的车载通信延时数据在各分布函数下的概率，作为各分布函数的混合权重。
3.根据权利要求1所述的车载通信延时建模方法，其特征在于，所述概率分布函数包括指数分布函数、正态分布函数和对数正态分布函数；
所述指数分布函数的表达式为：
fexp(x|λ)＝λe-λx，其中λ是比例参数；
所述正态分布函数的表达式为：
Figure FDA0003629164530000021
其中μ1、σ1分别表示正态分布的均值和方差；
所述对数正态分布函数的表达式为：
Figure FDA0003629164530000022
其中μ2、σ2分别表示对数正态分布的均值和方差。
4.根据权利要求3所述的车载通信延时建模方法，其特征在于，重新估计各个分布的参数，包括：
假设三个分布函数的参数未知，采用极大似然函数通过所述第i个行驶场景下的车载通信延时数据来估计三个分布函数的参数，所述混合模型的极大似然函数为：
Figure FDA0003629164530000023
其中，m为所述第i个行驶场景下的车载通信延时数据的个数；
分别对待求参数求偏导，使偏导数为零，估计出各个待求参数的值。
5.根据权利要求3所述的车载通信延时建模方法，其特征在于，所述为所述混合模型的各个分布设置初始参数，包括：
对所述比例参数、正态分布的均值和方差、对数正态分布的均值和方差进行初始化设置。
6.根据权利要求1-5任一所述的车载通信延时建模方法，其特征在于，在得到所有行驶场景下的混合模型后，所述方法还包括：
在每个行驶场景下，向所述混合模型输入对应的车载通信延时数据并进行预测，得到下一时刻的车载通信延时数据。
CN202110824526.1A 2021-07-21 2021-07-21 一种车载通信延时建模方法 Active CN113420511B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110824526.1A CN113420511B (zh) 2021-07-21 2021-07-21 一种车载通信延时建模方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110824526.1A CN113420511B (zh) 2021-07-21 2021-07-21 一种车载通信延时建模方法

Publications (2)

Publication Number Publication Date
CN113420511A CN113420511A (zh) 2021-09-21
CN113420511B true CN113420511B (zh) 2022-08-16

Family

ID=77721865

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110824526.1A Active CN113420511B (zh) 2021-07-21 2021-07-21 一种车载通信延时建模方法

Country Status (1)

Country Link
CN (1) CN113420511B (zh)

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5290216B2 (ja) * 2010-02-16 2013-09-18 Ｋｄｄｉ株式会社 ネットワークの遅延分布の監視装置、方法及びプログラム
CN105682129A (zh) * 2016-02-29 2016-06-15 福州华鹰重工机械有限公司 车际通信传输延迟模型建立方法及装置
CN113099473B (zh) * 2020-01-08 2024-05-03 大唐高鸿智联科技(重庆)有限公司 基于实时交通路况的车载短距离通信网的模拟测试方法
CN112906331B (zh) * 2021-03-24 2023-12-15 东南大学 一种基于对数扩展偏正态分布的标准单元延时模型构建方法

Also Published As

Publication number Publication date
CN113420511A (zh) 2021-09-21

Similar Documents

Publication Publication Date Title
CN108073170B (zh) 用于自主车辆的自动化协同驾驶控制
CN110160550B (zh) 一种基于道路积水预测的城市路线引导方法
CN109510851B (zh) 地图数据的构建方法和设备
CN112733337B (zh) 一种暴雨内涝影响下城市道路通行效率评估方法
CN106912018A (zh) 基于信令轨迹的地图匹配方法及***
US20230067379A1 (en) Methods and systems for managing parking lots in smart cities based on the internet of things
CN104819726A (zh) 导航数据处理方法、装置及导航终端
CN110162003B (zh) 一种行车主动服务***测试验证平台及其测试方法
CN115098079B (zh) 雷达检测模型确定方法、***、电子设备及可读存储介质
CN113505521A (zh) 一种耦合神经网络-数值模拟的城市内涝快速预报方法
CN113711540A (zh) 用于预测与蜂窝网络的连接质量的方法和装置
Lee et al. Building a V2X simulation framework for future autonomous driving
US12041473B2 (en) Method for predicting a signal and/or service quality and associated device
CN110830915B (zh) 一种确定起点位置的方法及装置
CN116828515A (zh) 一种车联网下基于时空图卷积的边缘服务器负载预测方法
CN113420511B (zh) 一种车载通信延时建模方法
Gratzer et al. Short-term collision estimation by stochastic predictions in multi-agent intersection traffic
CN111586632B (zh) 基于通信传感异步数据融合的协作邻居车辆定位方法
CN113085891A (zh) 车辆控制方法、装置、非易失性存储介质及处理器
AU2021104609A4 (en) Visiting position prediction method based on user travel mode
Guivant et al. Global urban localization based on road maps
CN113108807B (zh) 一种自动驾驶路径规划方法及其可读存储介质
CN114995519A (zh) 一种基于多障碍场景的无人机ai降落方法及***
CN212569458U (zh) 一种用于自动驾驶算法仿真测试的软件在环平台
CN114330871A (zh) 一种通过公交运营数据结合gps数据预测城市路况的方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant