公开(公告)号：CN110648531B

公开(公告)日：2020-12-04

申请号：CN201910884475.4

申请日：2019-09-19

Applicant: 军事科学院系统工程研究院网络信息研究所

Inventor： 贾亦真 ,  吴胜 ,  董飞鸿 ,  胡向晖

IPC: G08G1/01 ,  G08G1/015 ,  H04W4/40 ,  H04W84/18 ,  G06Q10/04 ,  G06F16/29 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明提供一种车载自组织网络中基于深度学习的网络节点移动性预测方法，该方法有效利用交通法规对节点的移动性约束、车辆节点的历史行程数据以及车辆和司机的个性化信息实现车辆节点的未来几个时间点的移动性预测。所述方法为：结合不同类型的车辆运动模型，建立车辆历史行程数据样本库以及交通法规约束数据库，同时约定样本行程数据特征；再利用循环神经网络提取车辆样本移动性深层次特征，建立移动性预测模型；再采用梯度下降反向传播算法训练模型参数。最后利用车辆当前移动的实时数据信息对移动性进行预测。本发明涉及车辆移动模型数据分析及神经网络模型搭建、参数训练实现方法。本发明利用深度学习的非线性预测能力，将车辆行驶数据特征映射到车辆的移动，实现车载自组织网络中节点的移动性预测。

公开(公告)号：CN110648531A

公开(公告)日：2020-01-03

申请号：CN201910884475.4

申请日：2019-09-19

Applicant: 军事科学院系统工程研究院网络信息研究所

Inventor： 贾亦真 ,  吴胜 ,  董飞鸿 ,  胡向晖

IPC: G08G1/01 ,  G08G1/015 ,  H04W4/40 ,  H04W84/18 ,  G06Q10/04 ,  G06F16/29 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明提供一种车载自组织网络中基于深度学习的网络节点移动性预测方法，该方法有效利用交通法规对节点的移动性约束、车辆节点的历史行程数据以及车辆和司机的个性化信息实现车辆节点的未来几个时间点的移动性预测。所述方法为：结合不同类型的车辆运动模型，建立车辆历史行程数据样本库以及交通法规约束数据库，同时约定样本行程数据特征；再利用循环神经网络提取车辆样本移动性深层次特征，建立移动性预测模型；再采用梯度下降反向传播算法训练模型参数。最后利用车辆当前移动的实时数据信息对移动性进行预测。本发明涉及车辆移动模型数据分析及神经网络模型搭建、参数训练实现方法。本发明利用深度学习的非线性预测能力，将车辆行驶数据特征映射到车辆的移动，实现车载自组织网络中节点的移动性预测。