课题名称：基于深度学习的车载自组织网络自适应路由技术
课题编号：2019ktscx237
课题负责人：叶仕通
课题组成员：许丽娟，叶力洪，黄业群，杨波，梅春草
一、项目研究的意义和目的
该项研究为解决在没有辅助路边通信单元的环境下，车辆自组织网络的数据路由问题，主要开展三方面的研究，分别为：根据端到端数据任务的车载自组织网络的时间预测模型设计；基于能量和延迟等指标确定车辆节点的效用参数；采用深度神经网络的路由选择技术。
二、项目研究的主要成果
序号 |
成果名称 |
成果形式 |
时间 |
刊物 |
1 |
vehicle-mounted self-organizing network routing algorithm based on deep reinforcement learning |
核心论文 sci收录 jcr三区 |
2021 |
wireless communications and mobile computing |
2 |
a multiscenario intelligent qos routing algorithm forvehicle network |
核心论文 sci收录 jcr二区 |
2022 |
computational intelligence and neuroscience |
3 |
a model of predicting operation time of vehicular ad-hoc network based on multiple indexes |
ei检索 |
2021 |
iceib 2021会议（台湾宜兰） |
三、研究成果主要内容
成果1：《vehicle-mounted self-organizing network routing algorithm based on deep reinforcement learning》主要研究了一种基于深度强化学习的车载自组织网络路由算法。该算法旨在通过使用深度强化学习来适应网络条件的变化并优化路由决策，从而提高车辆网络的效率和可靠性。该算法考虑了车速、交通密度和网络拥塞等因素，以确定给定车辆的最佳路径。研究包括模拟和实验，以展示所提出算法在qos度量方面（如数据包传递率、端到端延迟和吞吐量）的有效性。文章强调了在车载自组织网络路由决策中使用深度强化学习的重要性，因为它可以基于实时网络条件进行更智能和自适应的决策。所提出的算法使用神经网络从过去的经验中学习，并基于奖励信号优化路由决策。研究还与其他路由算法进行了比较，并展示了所提出算法在性能和可靠性方面的优越性。
成果2：《a multiscenario intelligent qos routing algorithm forvehicle network》主要研究了一种新的车辆自组网路由算法，该算法考虑了qos要求和道路条件两个方面。该算法采用多学科方法，结合车辆动力学、交通流量和网络通信来确定给定情况下车辆的最佳路径。该算法旨在通过考虑网络环境的特性并实时调整以适应变化，从而提高车辆网络通信的可靠性和效率。研究还包括模拟和实验，以展示所提出算法在qos度量方面（如数据包传递率、端到端延迟和吞吐量）的有效性。除了提出新的路由算法外，文章还讨论了车辆自组网领域的相关工作，并强调了现有方法的局限性。文章强调了在设计车辆网络路由算法时考虑qos和道路条件两个方面的重要性，并认为多学科方法可以提高性能和可靠性。所提出的算法基于模糊逻辑系统，考虑了车速、交通密度和道路条件等因素，以确定给定车辆的最佳路径。文章最后讨论了未来车辆网络路由算法的研究方向。
成果3：《a model of predicting operation time of vehicular ad-hoc network based on multiple indexes》主要研究开发一种基于多个指标预测车辆自组网（vanet）操作时间的模型。文章讨论了预测vanet操作时间对于提高其可靠性和效率的重要性，并提出了一种模型，考虑了网络拓扑、流量负载和传输功率等因素，以预测vanet的操作时间。文章还提供了实验结果，证明了所提出的模型在预测vanet操作时间方面的有效性。除了提出预测vanet操作时间的模型外，文章还讨论了vanet领域的相关工作以及预测这些网络操作时间所面临的挑战。文章强调了考虑多个因素预测vanet操作时间的重要性，并提出了一种新颖的方法，考虑了这些因素之间的相互作用。所提出的模型基于分析和仿真技术的组合，旨在具有可扩展性和适应不同网络场景的特点。
四、创新点
1.提出了一种基于深度强化学习的车载自组织网络路由算法，该算法能够根据车辆网络的实时状态和环境变化，自适应地学习和调整路由策略，以提高网络的性能和可靠性。。
2. 提出了一种多场景智能qos路由算法，该算法能够根据不同的场景自适应地调整路由策略，以满足车辆网络中不同应用的服务质量要求。
3. 提出了一种基于多个指标的预测车辆自组网操作时间的模型，该模型考虑了网络拓扑、流量负载和传输功率等因素，能够更准确地预测vanet的操作时间。采用了分析和仿真技术相结合的方法，使得所提出的模型具有可扩展性和适应不同网络场景的特点。
五、应用价值
本研究是基于车辆自组网（vanet）领域的研究课题，通过引入人工智能技术，如深度学习和模糊逻辑等，来发掘vanet中隐藏的问题和潜在的应用价值。相关研究提出了不同的算法和模型，能够更准确地预测和优化vanet的操作时间、路由策略和服务质量，从而提高了vanet的可靠性和效率。这些研究成果有助于推动vanet领域的发展，为智能交通系统等相关领域提供有益的参考和指导。在未来的智能交通系统中，vanet将扮演越来越重要的角色，因此，这些研究成果对于提高交通安全、优化交通流量等方面具有重要的应用价值。此外，这些研究成果也有助于推动人工智能技术在交通领域的应用和发展，为未来的交通智能化和自主化发展提供有力支持。因此，这些研究成果对于vanet领域的研究和实践具有重要的意义，有助于推动vanet领域的可持续发展。