[发明专利]基于城市场景中车联网时空数据的分析处理方法

说明书

基于城市场景中车联网时空数据的分析处理方法。城市场景中车联网网络客观存在路网交错复杂，拓扑频繁变化，以及通信协议多样等特性，导致车联网数据源、采样方法、采样频率和数据结构不同等问题。本发明针对以上问题，考虑车联网特性，给出了基于语义的噪声点去除和时间性自相关，时空性协同过滤数据填充方法，结合车联网特性对原始采集到的车联网时空数据进行处理，在此基础之上，利用特征无量纲转化和基于信息增益的特征选取以及基于PCA的特征降维方法对车辆节点的特征数据进行压缩降维，从而为车联网网络模型的训练效率的提升提供铺垫，也为车联网路由策略以及构建通达性方案具有重要意义。

技术领域

本发明涉及车联网领域，具体涉及城市道路场景中车联网时空数据分析处理方法。

背景技术

车联网中的原始数据来自于各个车辆节点在运行过程中产生的时间及空间数据，包括但不限于离散的状态信息和连续的轨迹数据。这些数据具有分散性强，结构差异大，实时性强和信息密度低的特性，因此数据的处理、存储、管理本身，以及在基于结构化的数据之上进一步对其它性质分析都是车联网数据的研究方向。

在对车联网的时空数据研究中通常会将其与移动自组织网络MANET(mobile adhoc network)做类比，例如有研究者结合大数据以及MANET对车联网面临的挑战进行了总结：要找到合适的过滤器来提取有价值的车联网信息；将无用冗余的信息从收集到的数据里剔除；对数据有效的表示方式和分析；使用合适预测模型来进行交通管理；安全通信。在对数据应用方面，从传统网络负载和容量有限不足以支撑车辆间各种多媒体数据传输出发，由QoS角度来阐述了车联网的必要性。具体方法是将路网进行划分，相应车辆映射到划分出的格子中，以交通密度、带宽、时延和花费作为指标对车辆的网络接入进行评价，从而对车辆接入传统网络或是车联网以及车联网中哪个节点进行决策，最终的目的是使车辆获得较好的QoS。有研究者基于GPS数据的分布更为广阔，而且LBS(Location Based Service)的兴起使得数据的查询更新频率更快，而查询方式的多样性，如给定时间周期和数据维度的查询使得传统的DBMS(Data Base Management System)和关系型数据库对这些复杂结构支持并不够。在如今key-value结构的非关系型数据存储快速发展的情形下，在静态的R树结构上使用Hilbert曲线和Hbase技术，使得所提出模型对范围查询和k近邻查询都有不俗的性能表现。

同样的，车联网时空数据作为一种特殊的大数据形态，很多学者也会对已有的数据处理分析手段来进行迁移。例如，从大数据的特性分析和存储方面进行了阐述，并对Dijkstra算法应用到路由中进行了评估，并对车联网大数据的几个挑战进行了总结：(1)实时数据。因为车联网数据实时性强，会随着时间不断更新，只要车辆在运动就会有新的输入产生，其组织和存储需要优化。(2)网络密度多变。车辆装备的GPS和传感器多种多样，产生的数据类型及结构也多种多样，既有结构化数据也有非结构化数据，如何对这些数据进行标准化也是车联网大数据研究的一部分。(3)高动态拓扑和移动结构。相对于MANET，因为车辆具有更高的移动性VANET的拓扑结构变化更为频繁。(4)大规模网络和高速计算能力。GPS数据大小的与节点数量成正相关，而相关数据计算和路由策略选取则是与GPS数据成倍数增长关系，需要有高速计算才能满足VANET实时性的需求。(5)匿名地址和基础设施的支持。因为车辆的高速移动，传统的IP地址定位模式显然不适合VANET，如何对车辆的标识符进行管理也是车联网要解决的问题。