Modèles de mobilité véhiculaire et leurs applications à l’internet des véhicules : une enquête complète
Chiffre. 1 Cadre pour les applications pilotées par les modèles dans la ville intelligente. Crédit : Science China Press
De plus en plus équipés d’interfaces sans fil, les véhicules, y compris les véhicules sans conducteur, constituent une part importante de la connexion ubiquitaire. En conséquence, non seulement les réseaux sans fil se développent rapidement en termes d’échelle, de couverture et de densité du réseau, mais deviennent de plus en plus abondants de dynamiques et de variations telles que les topologies de réseau en évolution rapide, les états des canaux et les demandes de service.
Poussé par les mégadonnées, il est prévu que les techniques d’apprentissage telles que l’apprentissage automatique ou l’apprentissage en profondeur résoudront de nombreux problèmes de communication et de mise en réseau difficiles qui n’ont pas été traités de manière adéquate à l’aide de techniques et d’analyses d’optimisation.
L’Internet des véhicules (IoV) se caractérise par des réseaux à grande échelle et des changements continus dans les réseaux, ainsi qu’un fort couplage dans les domaines temporel et spatial. Une application des techniques d’apprentissage à l’IoV n’est pas triviale en raison de l’échelle du réseau, des changements continus du réseau et du fort couplage réseau.
L’extraction de caractéristiques est un moyen efficace de réduire cette entrée, de faciliter le processus d’apprentissage basé sur les données et d’améliorer l’efficacité. Les modèles de mobilité véhiculaire sont générés pour partager les caractéristiques, plutôt que d’énormes quantités de données brutes, entre les villes. Cela devrait réduire considérablement les besoins en bande passante, améliorer la généralisation des résultats d’apprentissage et protéger la confidentialité.
Cette enquête passe en revue le statu quo des modèles de mobilité véhiculaire, avec un accent particulier sur les résultats récents de la dernière décennie. Les modèles de mobilité véhiculaire existants sont classés en modèles de distribution de véhicules, de trafic de véhicules et de comportement de conduite.
Figure 2. Classification des modèles en fonction des scènes d’application. Les modèles de polices rouges sont basés sur les données, les modèles de polices bleues sont basés sur des modèles et les quatre types de modèles prennent en charge trois applications : déploiement de réseau, allocation de ressources et transport intelligent. Crédit : Science China Press
Une telle catégorisation met particulièrement l’accent sur les modèles aléatoires de véhicules dans l’espace, les modèles de flux de trafic alignés sur les cartes routières et les comportements de conduite des individus (par exemple, changement de voie et suivi de voiture). Les différentes catégories de modèles sont appliquées à divers scénarios d’application, y compris l’analyse sous-jacente de la connectivité du réseau, l’optimisation du réseau hors ligne, la fonctionnalité du réseau en ligne et la conduite autonome en temps réel.
Nous résumons les exemples d’application connexes pour couvrir un large éventail de scénarios d’application dans le système de transport intelligent (ITS). Nous évaluons l’aspect pratique des modèles dans le contexte réel de l’ITS et discutons des performances potentielles des modèles existants, en fonction des caractéristiques des différents scénarios d’application. Enfin, plusieurs opportunités de recherche importantes se présentent et méritent un effort de recherche continu.
