一种车载通信延时建模方法技术

本发明专利技术公开了一种车载通信延时建模方法，所述车载通信延时建模方法包括以下步骤；步骤一、基于联合概率分布函数建立车载通信延时的混合模型；步骤二、在不同行驶场景下分别采集车载通信延时数据；步骤三、基于车载设备的工作原理，选择所述车载设备混合模型所属的神经网络结构类型，并进行参数的初始化设置。与现有技术相比的优点在于：本发明专利技术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。合实际交通中的应用。

【技术实现步骤摘要】
一种车载通信延时建模方法


[0001]本专利技术涉及车载通信
，具体是指一种车载通信延时建模方法。

技术介绍

[0002]智能网联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。然而实现智能网联技术需要稳定、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。
[0003]在此，为了解决上述问题，我们提出了一种车载通信延时建模方法。

技术实现思路

[0004]本专利技术要解决的技术问题是克服以上技术困难，提供一种一种车载通信延时建模方法。
[0005]为解决上述技术问题，本专利技术提供的技术方案为：
[0006]一种车载通信延时建模方法，所述车载通信延时建模方法包括以下步骤；
[0007]步骤一、基于联合概率分布函数建立车载通信延时的混合模型；
[0008]步骤二、在不同行驶场景下分别采集车载通信延时数据；
[0009]步骤三、基于车载设备的工作原理，选择所述车载设备混合模型所属的神经网络结构类型，并进行参数的初始化设置，具体如下；
[0010](1)确定已知数据；
[0011](2)选取优化自变量；
[0012](3)确定优化约束；<br/>[0013](4)选取优化指标；
[0014]步骤四、基于神经网络建模原理，分析车载设备预测模型的建模步骤，并获得基本建模流程；
[0015]步骤五、通过测试获得车载设备的监测数据，基于该监测数据构建所述车载设备预测模型的训练数据集和验证数据集；
[0016]步骤六、通过所述训练数据集对初始化后的所述车载设备预测模型进行训练，通过所述验证数据集对训练后的所述车载设备预测模型进行验证。
[0017]在得到所有行驶场景下的混合模型后，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。
[0018]所述的通过测试获得车载设备的监测数据，基于该监测数据构建所述车载设备预测模型的训练数据集和验证数据集包括；
[0019]将所述的检测数据通过随机抽取的方式分为两部分，一部分用于构建所述训练数
据集，另一部分用于构建所述验证数据集。
[0020]所述的进行参数的初始化设置包括：
[0021](1)根据所述车载设备预测模型的输入参数、输出参数确定该车载设备预测模型的神经网络各层的神经元数量和隐含层层数；
[0022](2)初始化该神经网络各层神经元之间的连接权值和隐含层、输出层的偏差阈值；
[0023](3)设置所述车载设备预测模型的学习速率、神经元激励函数和神经网络训练函数。
[0024]所述基本建模流程包括；
[0025](1)分析车载设备输入量与输出量；
[0026](2)构建车载设备预测模型的建模数据集；
[0027](3)确定车载设备预测模型所属的神经网络结构类型的选择机制。
[0028]本专利技术与现有技术相比的优点在于：
[0029]1、本专利技术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；
[0030]2、本专利技术在同一行驶场景下，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，便于智能网联技术提前预判、提供有利的数据支撑。
具体实施方式
[0031]在本专利技术的描述中，需要理解的是，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本专利技术的描述中，除非另有说明，“多个”的含义是两个或两个以上。另外，术语“包括”及其任何变形，意图在于覆盖不排他的包含。
[0032]下面结合实施方式对本专利技术做进一步的详细说明。
[0033]一种车载通信延时建模方法，所述车载通信延时建模方法包括以下步骤；
[0034]步骤一、基于联合概率分布函数建立车载通信延时的混合模型；
[0035]步骤二、在不同行驶场景下分别采集车载通信延时数据；
[0036]在得到所有行驶场景下的混合模型后，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。
[0037]步骤三、基于车载设备的工作原理，选择所述车载设备混合模型所属的神经网络结构类型，并进行参数的初始化设置，具体如下；
[0038](1)确定已知数据；
[0039](2)选取优化自变量；
[0040](3)确定优化约束；
[0041](4)选取优化指标；
[0042]所述的进行参数的初始化设置还包括：
[0043](1)根据所述车载设备预测模型的输入参数、输出参数确定该车载设备预测模型
的神经网络各层的神经元数量和隐含层层数；
[0044](2)初始化该神经网络各层神经元之间的连接权值和隐含层、输出层的偏差阈值；
[0045](3)设置所述车载设备预测模型的学习速率、神经元激励函数和神经网络训练函数。
[0046]步骤四、基于神经网络建模原理，分析车载设备预测模型的建模步骤，并获得基本建模流程；
[0047]所述基本建模流程包括；
[0048](1)分析车载设备输入量与输出量；
[0049](2)构建车载设备预测模型的建模数据集；
[0050](3)确定车载设备预测模型所属的神经网络结构类型的选择机制。
[0051]步骤五、通过测试获得车载设备的监测数据，基于该监测数据构建所述车载设备预测模型的训练数据集和验证数据集；
[0052]所述的通过测试获得车载设备的监测数据，基于该监测数据构建所述车载设备预测模型的训练数据集和验证数据集包括；
[0053]将所述的检测数据通过随机抽取的方式分为两部分，一部分用于构建所述训练数据集，另一部分用于构建所述验证数据集。
[0054]步骤六、通过所述训练数据集对初始化后的所述车载设备预测模型进行训练，通过所述验证数据集对训练后的所述车载设备预测模型进行验证。
[0055]以上对本专利技术及其实施方式进行了描述，这种描述没有限制性。如果本领域的普通技术人员受其启示，在不脱离本专利技术创造宗旨的情况下，不经创造性的设计出与该技术方案相似实施例，均应属于本专利技术的保护范围。
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种车载通信延时建模方法，其特征在于：所述车载通信延时建模方法包括以下步骤；步骤一、基于联合概率分布函数建立车载通信延时的混合模型；步骤二、在不同行驶场景下分别采集车载通信延时数据；步骤三、基于车载设备的工作原理，选择所述车载设备混合模型所属的神经网络结构类型，并进行参数的初始化设置，具体如下；(1)确定已知数据；(2)选取优化自变量；(3)确定优化约束；(4)选取优化指标；步骤四、基于神经网络建模原理，分析车载设备预测模型的建模步骤，并获得基本建模流程；步骤五、通过测试获得车载设备的监测数据，基于该监测数据构建所述车载设备预测模型的训练数据集和验证数据集；步骤六、通过所述训练数据集对初始化后的所述车载设备预测模型进行训练，通过所述验证数据集对训练后的所述车载设备预测模型进行验证。2.根据权利要求1所述的一种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，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...

【专利技术属性】
技术研发人员：汤紫雄，王丽斌，吕守向，
申请(专利权)人：福州理工学院，
类型：发明
国别省市：