智慧城市中基于人工智能的自动驾驶汽车数字孪生系统与网络安全性能研究

物联网和网络物理系统2（2022）31人工智能数字双胞胎用于训练自动驾驶汽车☆陈栋梁a，吕志涵b，*a青岛大学计算机科学与技术学院，中国青岛b瑞典乌普萨拉大学艺术学院游戏设计系自动清洁装置保留字：深度学习自动驾驶汽车数字双胞胎信息安全人工智能A B标准该探索旨在基于人工智能技术的自动驾驶汽车数字孪生系统（Digital Twins，简称DT）的系统预测和安全性能，以及智慧城市中交通的智能化发展。一方面，考虑到智能交通系统中自动驾驶汽车的安全行驶问题，必须确保车辆数据的传输安全，实现数据传输资源的负载另一方面，采用并改进了深度学习算法中的卷积神经网络（CNN），并引入了DTs技术最后，构建了基于网络负载均衡和时空图卷积网络的自动驾驶汽车故障预测模型通过仿真实验，从查准率、查准率、查全率和F1分数等方面分析了该模型的性能。实验结果表明，在对比分析中，本文提出的模型的路网预测准确率为92.70%，比其他学者提出的模型至少高出通过对网络数据传输安全性能的分析此外，消息传递率基本稳定在80%，消息泄露率基本稳定在10%左右。因此，本文构建的自动驾驶汽车预测模型不仅保证了低延迟，而且具有良好的网络安全性能，使信息交互更加有效。研究成果可为智慧城市交通领域的智能化发展和安全性能提升提供实验依据1. 介绍在城市化进程不断加快的今天，私家车的普及已经取代了公交车成为人们的交通工具，导致城市交通拥堵现象频繁发生。因此，城市交通从秩序、规划和建设的角度来看是不协调的[1]。随着物联网（IoT）、大数据和人工智能（AI）算法的不断完善，除了传统的手动私家车，自动驾驶汽车也应运而生。与此同时，智能交通系统（ITS）已逐步应用于城市交通建设中，可以大大改善智慧城市的拥堵状况。因此，交通领域的智能化和网络安全成为众多相关领域学者关注的焦点。自动驾驶汽车通常配备机器视觉摄像设备和探测雷达来获取感知信息，如双目红绿蓝深度视觉方案、密集点云数据等激光雷达方案和多传感器融合方案[2，3]。自动驾驶汽车的安全性评估和分析主要涉及三个内部层，即感知层、决策层和控制层。首先，通过同步定位和地图绘制技术，将车辆传感器获取的周围运动物体和道路环境信息转化为三维地理位置信息。然后，将感知层处理后的数据与高精度地图获取的实时路况信息相结合发送到决策层。经过云深度学习算法的计算，规划出车辆当前行程的全局路径和局部路径。最后，决策层输出的结果被传递到控制层，以控制车辆的运行[4]。在车辆信息传输过程中，自组织网络是其安全运行的关键 它在交通系统的数据传输、信息安全预警、车辆驾驶辅助灯等多个方面发挥着至关重要的作用。再说这☆国家自然科学基金部分资助项目：61902203。* 通讯作者。电子邮件地址：lvzhihan@gmail.com（中）Lv）。https://doi.org/10.1016/j.iotcps.2022.05.001接收日期：2021年10月19日;接收日期：2022年4月20日;接受日期：2022年5月1日2022年5月6日在线发布2667-3452/©2022作者。由爱思唯尔公司出版我代表科爱通信公司，公司这是CC BY许可证下的开放获取文章（creativecommons.org/licenses/by/4.0/）。可在ScienceDirect上获得目录列表物联网和网络物理系统期刊主页：www.keaipublishing.com/en/journals/D. Chen，Z.LV物联网和网络物理系统2（2022）3132使自动驾驶汽车在路网交通中与外界持续通信，实现信息共享，对车辆安全运行和信息安全防御具有重要意义信息通信技术作为ITS中人、车、路、环境之间动态实时信息交互的基本保障，是自动驾驶汽车信息安全的重要支撑。同时，在交通流量的监控和调控、车辆的协调管控、路面和道路异常信息的检测和发布等方面也发挥着重要作用。车联网系统负责整车系统的通信，实现车与车、车与路的实时信息交互，建立人、车、路、环境一体化的智能车路联网系统[5]。此外，开路网络动态的预测对于自动驾驶汽车的运行安全是必不可少的。机器学习作为人工智能技术的一个分支，通过对大量历史数据的训练和拟合，有效降低了交通流非线性、时变性、不确定性等因素带来的预测局限性，最终实现对城市交通流的准确预测[6]。考虑到现实空间中复杂的交通状况，将当前的交通场景映射到虚拟空间中进行分析，称为数字孪生技术。智能制造产业中DTs技术的变革与进步，为解决DTs驱动的交通系统智能控制问题带来了新的指导理念，对城市交通运行系统的智能化发展具有重要意义[7，8]。综上所述，在城市化加速发展的趋势下，研究智能城市交通领域的自动驾驶汽车交通预测和信息安全，对于缓解城市交通拥堵等安全事故具有迫切意义本文的工作旨在为今后交通领域的智能化发展和安全性能的提高提供参考，本研究的主要内容如下。首先，针对自动驾驶汽车数据信息传输的安全问题，通过第五代（5G）异构网络其次，考虑到城市路网区域交通流的复杂性，引入深度学习算法中的卷积神经网络（CNN），并对其进行改进，构建时空图卷积网络（STGCN）算法来预测路网中的交通流。第三，采用离散时间变换技术，对真实空间中路网区域的复杂交通状况进行最后，结合STGCN构建了基于网络负载均衡的自动驾驶汽车DTs预测模型，并通过仿真验证了模型的性能。2. 最近的相关工作2.1. DT在车联网中随着互联网的快速发展，交通领域的数据规模越来越大，海量的多源异构数据相互关联。此外，各种自动驾驶汽车的安全操作方法也被提出，引起了许多学者的兴趣。Nassar等人（2019）将环境传感器、无线模块、处理器和微控制器应用于交通网络，并将可扩展性、实时处理、智能交通网络和推荐系统相结合，使交通网络更加智能化[9]。Boukerche等人（2019）讨论了目前ITS计划的不完整性，他们认为交通网络的智能人群管理组件尚未实现。因此，他们确定并分析了智能人群管理解决方案设计的基本步骤，以及必须解决的主要挑战，这为ITS中智能人群管理解决方案和基础设施的设计提供了未来的研究方向[10]。Zhang等人（2021）提出了一种基于社会感知的车辆边缘缓存机制，以应对智能交通工具的快速发展。 该机制根据用户偏好相似性和服务可用性动态协调路侧单元和智能车辆的缓存容量。此外，作者利用DTs技术将边缘缓存系统映射到虚拟空间，构建社会关系模型。通过仿真，他们证明了所构建的边缘缓存方案在优化缓存效用方面具有突出的优势[11]。Lu和等人（2021）将DT引入无线网络（DTWN），将实时数据处理和计算迁移到边缘平面。然后，作者提出了一个基于区块链的联邦学习框架，运行在DTWN中进行协同计算，以提高系统的可靠性和安全性，进一步增强数据隐私，提高效率，降低成本[12]。Minerva等人（2021）采用人工智能算法和技术收集描述交通网络环境的相关信息，并讨论了在DTs框架内集成集成传感器的可能关系和可行性[13]。2.2. 深度学习在智能交通中的应用分析在当前不断发展的城市中，交通在给市民带来诸多便利的同时，也经常造成交通拥堵，极大地阻碍了城市的经济发展因此，许多科学研究人员研究了城市交通状况的预测。Yang et al.（2019）设计并实现了以数据为中心的交通流量预测算法实验平台，提出了交通灯模型与车速模型的融合。最后，通过仿真验证，车速预测模型与已知的长短期记忆（LSTM）神经网络模型具有相同的预测精度，但它显著降低了计算复杂度，可以更有效地捕捉交通状况的实时变化[14]。Zhao等人（2019）通过LSTM神经网络的集成学习、无负约束理论的加权集成和种群极值优化算法预测交通状况通过模拟，他们发现这种预测方法在常用性能指标和三个统计测试中的表现优于其他六个常用交通流量预测模型[15]。Sun等人（2020）提出了一种使用优化深度回归神经网络的自适应深度学习辅助数字预失真（DL-DPD）模型 通过实验，他们验证了所提出的自适应DL-DPD模型的有效性，并揭示了在线系统切换子DPD模块的频率高于预期[16]。Sirohi等人（2020）讨论并比较了现代ITS中各种基于CNN的模型和技术，包括交通标志识别、交通灯检测、车辆分类和行人检测，这些模型和技术使用不同的性能评估指标[17]。通过上述学者的研究，他们大多预测，交通情况，并处理交通场的数据，以达致车辆安全驾驶的效果然而，在车辆运行过程中，将网络安全与交通安全结合起来研究的学者却很少因此，这里利用DTs技术将真实空间中的车辆运行状态映射到虚拟空间，并改进深度学习算法，用于自动驾驶汽车的安全驾驶预测。 该工作对智慧城市建设和交通领域的发展具有重要的实用价值。3. 基于深度学习3.1. 自动驾驶汽车目前，科学技术的逐步完善，D. Chen，Z.LV物联网和网络物理系统2（2022）3133KLK联系我们¼..Σ（Tαi...-是的不2 MV N 2 Ω <$N;G <$i;jjiD.Σ了（stVi;jTl¼K否则，K;minjαij;Mi;j否则我我随着AI、IoT和大数据进一步加强了交通的智能化发展 针对当前智慧城市建设过程中出现的交通拥堵、道路拥堵等突发事件，对车辆行驶状况进行预测，不仅可以提高人们的驾驶效率，还可以保障人们的生命财产安全。因此，防止智慧城市交通拥堵加剧，提高出行效率，打造智慧城市，出行同时，在车辆信息的传输和交流过程中，也（1）节点为T（Ni）。对于每个可能的数据块的集合Tlk，存在T l 2 T<$N i<$，接收节点的集合表示为0 ≤ k <|T（N i）|. 此外，数据传输链路将Tk发送到节点Nj，并且节点可以获得的有效数据块的集合被标记为Vi，j（Tl），其可以写成等式（3）。.Σ （Tl\βj.Ni;Nj=2Eu;. Tl. ≤Mi;jK增加。一旦车辆的身份泄露，车联网系统中的攻击者将根据车辆的身份获得车主的个人隐私信息，如个人的家庭状况和身份证号码[18]。因此，车联网系统中的车载自组织网络在共享道路交通信息时，实现安全防御显得尤为重要。通过VANET。 图 1显示了信息收集的架构，对于数据链路Ni→Nj，Nj应与βj和Mi，j匹配。为例如，在数据链路N2→N4中，α4β2 βj表示没有数据块可以被有效接收，并且该链路是无效的，因为在T（Ni）和βj之间存在失配。有效数据的最大数量数据链路Ni→Nj可以传输的块是MVi，j，其可以根据等式（4）计算。传输，并通过使用DT技术应用于车联网系统MV ij¼. 0的情况。Σαi\βj\β i\βNi;NjEu（四）如图1、在自动驾驶汽车的DT架构中，在uni中匹配T1和M以及匹配T（N）和βk i，j i j数据采集层首先将现实空间中的交通流映射到虚拟空间，然后收集自动驾驶汽车在交通领域的驾驶数据。然后，网络层通过VANET将收集的数据发送到此外，应用层将分析的数据传输到VANET，以实现自动驾驶汽车的安全运行。在该架构中，为确保自动驾驶汽车的信息安全和交通安全，将深度学习算法引入自动驾驶汽车的智能驾驶中，以精确预测驾驶状况，并确保ITS的安全性能3.2. 异构网络和业务的自动驾驶汽车在邻接图Gu的基础上，无向邻接图Gu可转化为有向匹配图Gd（N，Ed）.这种转换可以大大减少道路网络区域内ITS中不实用数据的信息传输，大大简化操作。所构造的有向匹配图Gd的节点集与Gu的节点集相同，但其边和相应的权值不同.在Gd中，节点表示可能的传输，节点之间的边缘指的是无线通信限制或干扰[20]。然后，节点Ni在Gd中的邻居可以表示为等式（5）中所示的Ω（Ni，Gd）。ΩNi;GdNjWEi;j>0;Nj2N（ 5）在等式（5）中，WEi，j表示图中的边Ni→Nj的权重Gd. 此外，T（Ni）还与Ω（Ni，Gd），MV i，j和αj有关. 那么，我应该在道路网络中，自动驾驶汽车的行驶信息可以通过通信网络中心完成交通系统中的数据协同传输。协作传输的数据包括周围车辆的位置、与周围车辆连接的信道质量、感知数据以及满足等式（6）。LkLkK（六）车辆的缓存数据，以及每辆车请求的感知数据这是自动驾驶汽车安全驾驶不可或缺的一部分[19]。 图 2揭示了自动驾驶汽车的数据信息传输网络架构。由图1中呈现的节点上传的上下文信息的集合。2，包括周围车辆的数据，表示为{N 3，N 4，N 5}，连接到相邻车辆的信道的信噪比（SNR）的集合为{SNR 23，SNR 24，SNR 25}。此外，缓存的数据片段集合为{d1，d 2，d 3}，未缓存但需要下载的数据片段集合为{d1，d2，d3}。在获得节点Ni和节点Nj之间的信道的SRN之后，可以根据等式（1）计算它们之间的信道容量。Ci;j¼Wlog.1SINRi;j（1）其中W表示节点N i和节点N j之间的信道的权重。 由于车辆感知的环境信息是以图片或点云的形式存在的，且数据量较大。然后，构建基于该结构的无向干扰图，其被记录为Gc，如等式（7）所示。GcUc;Ec（7）将数据协作传输问题建模为最大独立子集问题，其中Uc表示节点集，Ec表示边集每个节点um具有权重w（um），Tl和w（um）/V（um），其中um/Ni→k*fαg。中的独立子集图Gc是一个节点集，任意两个节点不相邻.换句话说，当且仅当任意两个节点ui和uj（ui;uj2X）满足等式（8），集合X<$Uc是独立子集。（8）第（ 8）然后，独立子集X的权重表示为W（X）。最大独立子集问题是找到满足方程（9）的X*U c。因此，数据首先被划分为大小为C 0的数据块{d1，d2，宽X*宽X X宽U（九）然后，可以由通信设备发送的数据块的数量Mi，j可以被确定ðÞ≥;8c节点Ni和节点Nj之间的信道可以表示为等式（2）。最大独立子集问题可以被建模为整数规划问题，写成等式（10）。Mi;j 1/4，Ci;jT0，（2）MaxXwuk在等式（2）中，T0表示调度周期，并且T1表示b的向下舍入。在异构网络中的边缘计算中心收集到所有车辆的上下文信息后，设每个发送节点为N（N2N），uk2XXUc* *ðun;um Þ8un;8um2X;uu um（十）（三）D. Chen，Z.LV物联网和网络物理系统2（2022）3134Fig. 1. 基于DT的自动驾驶汽车安全操作架构。D. Chen，Z.LV物联网和网络物理系统2（2022）3135. - 是的Σ图二. 自动驾驶汽车数据信息传输网络框架。通信资源的均衡调度也是核心ITS的异构网络。将路网区域的网格（m，n）记为r，可以记录网格r的邻居Nl;ri →rj 1/4。St;ri →rj。（十三）我如等式（11）。我Vt;ri→rjvtαNt;r→r（十四）α2St; r i →r jiJRrifx1;x2jmaxfjm-x1j;jn-x2jg1g（11）在等式（11）和（0）中，x≤1M，0≤x2N。<<对于每个网格ri，假设有一个宏基站（MBS）表示为B（ri），这个MBS被用作边缘计算的部署节点[21]。不同的MBS可以服务不同数量的车辆，这可能导致一些基站中的拥塞和其他基站中的空闲。 在时间t，从ri到rj的交通流量rj2Rri可以表示为等式（12）。在;tri\Stri\S t r j S t r i\St1rj中，S t;ri→rj f（12）交通流中的车辆数量（St;ri→rj）和交通流的平均速度为：D. Chen，Z.LV物联网和网络物理系统2（2022）3136X¼X X其中vt（α）是指车辆在时间t时的速度α。当车辆α通过网络区域网格ri时，边缘计算中心在任何时候需要向车辆传输的数据总量可以表示为等式（15）。第15章我的小弟弟（15）rj2R<$ri<$α2St;ri→rj对于MBSB（ri），在其覆盖范围内可以下载的数据总量表示为CSt（ri），其与基站的覆盖范围、车辆的分布以及车辆的数量和D. Chen，Z.LV物联网和网络物理系统2（2022）31378Tð联系ð ÞX.Σ¼^2..2吉吉·杰什ð Þ我λmax-In，θk表示网络要学习的参数在J2¼-小型基站或微型基站的分布[22]。由于车辆的移动性和不均匀分布，基站可能无法满足所有的数据下载请求，即CV tr i> CS tr i。在这个Θ*Gs¼ΘLa sΘUU s：Uθ ^Us（十九）此时，MBSB（ri）附近的基站B（r j）（）可以卸载一些数据，以平衡基站的负载。当卸载基站的负载时，车辆St;ri→rj允许从ri到rj的漫游下载高精度地图在等式（19）中，La是指道路网络图的归一化拉普拉斯矩阵，并且LaIn D-1=2WD1= 2，其中In表示n阶单位矩阵，D Rn×n表示道路网络图的度矩阵。图，Dii^Pwij，W（W2Rn×n）表示对应于来自下载区域的区域ri要卸载的数据量可以表示为Tt;ri→rj。此时，要由MBSB下载的总数据量（ri）表示为等式（10）。hiBriCVtriTt;rj→ri-Tt;ri→rj（16）rj2Rr i那么，MBSB（ri）的效用函数为：Jgraph.此外，U（U2Rn×n）是指由L，i的特征向量组成的矩阵X例如，L UUT，（Rn×n）表示由La的特征值组成的矩阵X。为了便于处理，采用切比雪夫多项式逼近，消除了矩阵的特征分解，简化了运算。在K-1阶Chebyshev多项式中，Kernel是0。其中，K表示图卷积的核大小h*。0h iBr i IGCNet> VGGNet> ResNet> AlexNet。因此，本文构建的基于负载均衡和STGCN的自动驾驶汽车DTs预测模型具有最高的预测精度和最快的训练收敛速度。准确度衡量的是全局样本预测情况。精度表明在预测结果为阳性的样本中，真实情况是阳性病例的比例召回率表示预测结果为正的样本在所有真实情况为正的样本中所占的比例F1分数是精确度和召回率的加权平均值简而言之，这四个指标越高，模型的质量就越高图图6示出了不同算法的准确度、精确度、召回率和F1分数的比较结果。STGCN算法的识别准确率达到了92.70%，比其他学者提出的算法提高了2.94%。此外，STGCN算法的准确率、召回率和F1得分为90.52%，79.57%和73.30%，明显高于其他算法，至少相差3.35%。因此，基于负载均衡和STGCN的自动驾驶汽车DTs预测模型的预测精度优于相关领域其他学者提出的算法。4.2. 不同算法数据传输的安全性能分析另一个测试是验证不同车辆数和不同车速下数据传输的安全性能平均交付率越高越好。相反，对于平均泄漏率和平均延迟率，随着延迟率的降低，模型的效果越好将基于负载均衡和STGCN的自动驾驶汽车DTs预测模型与AlexNet 算法、DenseNet 算法、VGGNet 算法、IGCNet 算法和ResNet算法进行了比较，如图2和图3所示。7和8图 7给出了不同车辆数下各算法数据传输的安全性能结果。 图 7（一）、随着车辆数量的增加，网络数据平均送达率呈现上升趋势。基于负载均衡和STGCN的自动驾驶汽车DTs预测模型的交付率不低于80%。图 7（b），网络数据的平均泄漏率基本没有显著变化，这里报告的模型的数据泄漏率不超过10%。 图 7（c），平均延迟随着自动驾驶汽车数量的增加而减少，这里报告的模型的平均延迟为图8.第八条。各种算法的网络数据传输的安全性能比较不同的自动驾驶汽车速度（a. 平均交付率; b.平均泄漏率; c.平均延迟）。D. Chen，Z.LV物联网和网络物理系统2（2022）3144因此，在不同车辆数下，基于负载均衡和STGCN的自动驾驶汽车DT预测模型实现了最高的平均送达率、最低的平均泄漏率和最低的时延，表现出了出色的网络数据传输安全性能图 8给出了不同车速下各算法数据传输的安全性能结果。研究发现，随着车速的增长，基于负载均衡和STGCN算法的自动驾驶汽车DTs预测模型获得了较好的平均送达率（约80%）、较低的消息泄露率（小于20%）和最低的延迟（不超过200 ms）。此外，车速的变化对网络数据传输的安全性能没有明显的影响。 这可能是因为这里报告的模型采用了数据信息的负载均衡策略。因此，从车速的角度来看，基于负载均衡和STGCN算法的自动驾驶汽车DTs预测模型也表现出了良好的网络数据传输安全性能5. 结论在科技爆炸式发展的今天，智慧城市的建设引导着交通等各个领域向智能化发展针对自动驾驶汽车在路网交通中的信息传输安全问题，提出了交通系统网络数据协同传输和实时负载均衡调度策略。此外，引入深度学习算法和人工智能技术中的DTs，结合STGCN算法构建了基于负载均衡的自动驾驶汽车DTs预测模型。 通过仿真实验的性能分析，该模型的路网预测准确率达到92.70%。同时，网络数据传输的安全性能优异，数据报文送达率基本稳定在80%，可为自动驾驶汽车在交通领域的智能化和安全性提升提供实验参考。尽管如此，这项工作仍然存在一些缺陷首先，仿真实验中使用的数据过于理想化，而没有考虑实际物理空间中的其他静态属性，如道路结构、车道数、天气特征等。后续工作需要寻找更好的检测方法，提高数据的准确性其次，在基础设施协调下的资源调度中，由于多辆车同时到达而导致的资源请求并发问题缺乏解决方案。第三，缺乏支持多信道的媒体访问控制协议，以满足更高的网络容量、更苛刻的网络连接要求和更复杂的车联网业务通信要求。本文的研究成果值得在后续研究中进一步优化，这对ITS在未来的具体应用具有重要意义。竞合利益作者声明，他们没有已知的竞争性经济利益或个人关系，可能会影响本文报告的工作。附录A. 补充数据本文的补充数据可以在https：doi.org/10.1016/j.iotcps.2022.05.001.引用[1] 高阮河Trestian，D. To，M. Tatipamula，5G及以后的数字双胞胎，IEEECommun。麦格 59（2）（2021）10- 15。[2] O. El Marai，T. Taleb，J. Song，Roads infrastructure digital twin：a steptowardsmarter cities realization，IEEE Network 35（2）（2020）136- 143。[3] S. 汗，M。法恩斯沃思河McWilliam，J.Erkoyuncu，关于数字双驱动自主维护的要求，Annu。修订控制50（2020）13- 28。[4] F. Tao，H. Zhang，中国古柏A. Liu，A.Y. Nee，工业中的数字孪生：最先进的，IEEETrans. 印第安纳INF. 15（4）（2018）2405- 2415。[5] B.R. Barricelli，E. Casiraghi，D. Fogli，关于数字孪生的调查：定义，特征，应用和设计影响，IEEE Access 7（2019）167653- 167671。[6] R. Zhao，中国粘蝇D.延角，印尼-地Liu，J. Leng，J. Wan，X. Chen，X. Zhang，用于微冲压系统自主控制的数字双驱动网络物理系统，IEEEAccess 7（2019）9459-9469。[7] M.彭努山巴罗斯湖，加-地武蒂西蒂库尔基湾巴特勒，A. 戴维，S. Balasubramaniam，6 G太赫兹通信中元表面反射器管理的数字孪生，IEEE Access 8（2020）114580- 114596。[8] R. Sargeant，数字双胞胎：桥接物理空间和网络空间，计算机52（12）（2019）58-64。[9] M.A. 纳萨尔湖LuX ford，P.Cole，G.Oatley，P.Koutsakis，智能街道设施在智能城市中的当前和未来作用，IEEE Commun。麦格 57（6）（2019）68- 73。[10] A. Boukerche，R.W. Coutinho，人群管理：智能交通系统被忽视的组成部分，IEEECommun。麦格 57（4）（2019）48- 53。[11] K. 张，J.Cao，S.马哈詹湾，巴西-地Zhang，Digital twin enabled content cachinginsocial aware vehicular edge networks，IEEE Trans. Comput. Soc. Syst.（2021）1- 13.[12] Y. Lu、X. Huang，K. Zhang，S.马哈詹湾，巴西-地Zhang，低延迟联邦学习和区块链用于数字孪生授权的6G网络中的边缘关联，IEEETrans. 印第安纳INF.17（7）（2020）5098- 5107.[13] R. Minerva，F.M. Awan，N. Crespi，E X利用数字孪生作为合成传感的推动者，IEEE互联网。Comput.（2021），1-1.[14] S.R. Yang，Y.J. Su，Y.Y.张汉忠<英>香港实业家。Hung，边缘计算增强的自动驾驶和联网汽车的短期交通预测，IEEE Trans. Veh. Technol. 68（4）（2019）3140-3153。[15] F. Zhao，G.Q. Zeng，K.D. Lu，EnLSTM-WPEO：通过集成LSTM，NNCT权重集成和 人口 极值 优化 进 行短 期交 通 流量 预测 ，IEEE Trans. Veh. Technol.69（1 ）（2019）101- 113。[16] 孙俊，王俊，L. Guo，J. Yang，G. Gui，考虑动态包络的自适应深度学习辅助数字预失真器，IEEE Trans. Veh.技术69（4）（2020）4487- 4491。[17] D. Sirohi，N.库马尔，P.S. Rana，卷积神经网络用于5G智能交通系统：系统综述，Comput。Commun. 153（2020）459- 498.[18] H.张，智-地Liu，X. Chen，中国粘蝇D. Zhang，J. Leng，基于数字孪生的中空玻璃生产线设计和多目标优化方法，IEEEAccess 5（2017）26901- 26911。[19] S.文卡特桑湾Manickavasagam，N. Tengenkai，N. Vijayalakshmi，使用智能数字孪生的电动汽车电机的健康监测和预测，IET Electr. Power Appl. 13（9）（2019）1328- 1335。[20] M.M.伊克巴尔山穆罕默德，S. Jabbar，S.哈立德，A. Ahmad，G. Jeon，多媒体数据增强框架：智能交通系统的绿色传输和描绘，Comput。电动Eng. 67（2018）291-308。[21] A.H. Sodhro，S.Pirbhulal，G.H.索德罗湾穆扎马尔湖Zongwei，A.古尔托夫VHC de Albuquerque，Towards 5G-enabled self-adaptive green andreliablecommunication in intelligent transportation system，IEEE Trans. 内特尔运输（2020）1- 9.[22] Y.孙河，巴西-地Kuai，X. Li，W. Tang，VeMAC中安全相关信息广播的延迟性能分析，Trans.Emerge。电信。31（5）（2020），e3751.[23] D.纳拉佩鲁马河Nawaratne，T. Bandaragoda，A. Adikari，S. 阮，T. Kempitiya，D. Pothuhera，用于大数据驱动的智能交通管理的在线增量机器学习平台，IEEE Trans. Intell。运输20（12）（2019）4679- 4690.[24] Q. Zhang，L.T.杨，Z. Yan，Z. Chen，P. Li，一种有效的深度学习模型，用于预测行业信息学的云工作负载，IEEE Trans. Ind. Inf. 14（7）（2018）3170- 3178。[25] Y. Gu，W. Lu、X.许湖，加-地秦、Z。Shao，H. Zhang，An improved Bayesiancombinationmodel for short-term trafficp