原文传递
基于机器学习的车联网资源分配机制研究
| 论文题名： | 基于机器学习的车联网资源分配机制研究 |
| 关键词： | 车联网;机器学习;资源分配;支持向量回归;网格搜索算法 |
| 摘要： | 近年来，汽车的普及提升了人们的出行效率，扩大了人们日常活动范围，但同时也带来了很多交通问题，车辆的智能化和网联化技术急需研究和发展。在车联网中，安全信息的传递对减少交通事故和增强道路安全性具有重要意义。然而，随着车辆用户的增加，车联网中的资源需求不断增加，而且其资源需求也会因地域差异而有所不同。因此，在资源受限的车联网中，研究合理的资源分配方式具有重要意义。 针对上述问题，本文分析了车联网的网络特点，总结了车联网的架构及其资源分配研究现状，并对机器学习中的一些理论与方法进行学习和研究。首先,针对现有的车联网云化架构，以车联网的通信资源为研究对象，提出了一种集中-分布式的车联网云化架构，包括车载感知层、路侧微云层和数据中心云层，其中的通信资源虚拟化为资源块。在此基础上提出了基于机器学习的车联网资源分配机制。该机制工作在数据中心云层，主要包括车联网数据文件与外部影响数据文件、数据处理模型、支持向量回归（Support Vector Regression，SVR）预测模型和资源分配模型。其次，对提出的车联网云化架构和基于机器学习的车联网资源分配机制进行详细介绍。最后，重点分析了该机制的SVR预测模型和资源分配模型。其中，SVR预测模型利用网格搜索算法（Grid Search Algorithm，GSA）和遗传算法（Genetic Algorithm，GA）分别优化，对路侧微云所控制区域的车辆用户数进行更为准确的预测，而在资源分配模型中利用动静结合的动态资源分配策略为车联网中各区域（即路侧微云）分配资源来提高部分区域的资源满意度并均衡车联网整体的资源满意度。 本文通过仿真分析了在基于机器学习的车联网资源分配机制中的SVR预测模型以及资源分配模型的性能。仿真结果表明：基于GA的SVR预测模型在预测性能上要优于基于GSA的SVR预测模型，并且在实际应用中，需要不断用新的数据来更新SVR预测模型才能保证预测结果的准确性。此外，资源分配模型中动静结合的动态资源分配策略，可以根据区域的资源需求量不同对多区域的资源分配量进行动态调整，来提高部分区域的资源满意度，并在一定程度上均衡了多区域之间的资源满意度。 |
| 作者： | 刘聪 |
| 专业： | 电子与通信工程 |
| 导师： | 岳鹏;周起设 |
| 授予学位： | 硕士 |
| 授予学位单位： | 西安电子科技大学 |
| 学位年度： | 2017 |
| 正文语种： | 中文 |
检索历史
应用推荐
