VANET中基于V2V技术的车道优化决策系统研究

埃及信息学杂志22（2021）411VANET中车道预测的优化加桑·萨马拉约旦扎卡大学计算机科学系阿提奇莱因福奥文章历史记录：收到2020年2020年11月21日修订2020年12月14日接受2020年12月30日在线提供保留字：VANET车道预测优化V2VA B S T R A C T在当前先进的驾驶员辅助系统中，车对车（V2V）技术在提高车辆自组织网络（VANET）在安全性、能源效率和舒适驾驶方面的性能方面具有巨大的潜力。实际上，车辆驾驶员根据他们对视觉距离的假设定期改变车道。然而，许多系统的设计并不十分完善，因为可见范围有限，难以实现这样的任务。V2V技术为VANET提供了提高安全性、能源效率和驾驶员便利性的巨大驾驶员可以使用下游车道交通的预测信息在车道选择方面做出更智能的选择，这对于获得移动性效益是必不可少的本研究提出一种辅助车道选择系统决策标准基于通过V2V技术预测的车道交通状况本文旨在创建一个特定的V2V系统，以支持基于预测的交通状态的车道选择，以找到最佳的行驶车道。在本文中，所建议的车道选择辅助系统使用该信息来选择优化的车道序列。然后，在不同的场景下进行了基于模拟的评估。结果表明，所提出的系统优于其他已公布的系统。©2021 THE CONDITOR.出版社：Elsevier BV代表计算机和人工智能学院埃及开罗大学。这是一篇CC BY-NC-ND许可证下的开放获取文章（http：//creative-commons.org/licenses/by-nc-nd/4.0/）上提供。1. 介绍近年来，先进的驾驶辅助方案已经受到联网车辆（CV）技术的影响，该技术允许汽车之间以及汽车与设施之间的无线通信（即，车联网（V2X）。为了提高乘车的安全性、有效性和便利性[1，2]，已经对V2X信息返回方法进行了不同的试验[3，4]。当前CV应用程序主要用于两 种 通 信 ： 专 用 短 程 通 信 （ DSRC ） 和 基 于 车 载 环 境 无 线 接 入（WAVE）的面向移动的通信[5]。通过使用IEEE 802.11p规范[6]，DSRC系统可以为关键安全应用程序提供更高的可访问性和低延迟流[7]。然而，它们需要相对昂贵的嵌入式单元用于所有具有通信能力的终端[2]。由于几个嵌入式检测器的可访问性，移动设备（例如， 智能手机）可以很容易地与单独的高级驾驶辅助装置开罗大学计算机和人工智能系负责同行审查方案[8，9]。CV技术由于其能够提高汽车安全性和安全性[10，11]、经济可持续性和乘坐舒适性[1，12]而引起了越来越多的关注。在[10]中，作者专注于道路变道的安全性，并使用预测功率模型为导体建立安全路径。为了以环境友好的方式正确引导骑手绕过交叉口，另一项工作[13]的作者提出了一种生态方法和出发请求，可以从即将到来的交通信号中获得信号阶段和时间数据一项研究[14]提出了一种车内方案，该方案利用红绿灯的位置和时间来达到最佳的个人骑行率。此外，各种组织已经做出了一些努力来鼓励CV研究。例如，在安全试点计划[15]动态移动应用程序下创建的各种应用程序已在CV参考实施架构[16]中进行了描述。环境应用的示例包括实时信息合成[17] 程 序 和 美 国 道 路 天 气 CV 资 助 计 划 [18] 以 及 美 国 交 通 部（USDOT）。此外，欧盟和其他国家资助了几项关于简历应用程序的研究[19]。https://doi.org/10.1016/j.eij.2020.12.0051110-8665/©2021 THE CONDITOR.出版社：Elsevier BV代表开罗大学计算机和人工智能学院。这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect上获得目录列表埃及信息学杂志杂志主页：www.sciencedirect.comG. 萨马拉埃及信息学杂志22（2021）411412车载自组织网络（VANET）面临着一些困难，这是它区别于其它移动自组织网络（MANDIOT）的主要原因。高度复杂的网络拓扑是由不同条件下的流量（如交通小时数和交通堵塞）完成的此外，车辆的高移动性特征导致车辆之间和/或汽车与路边单元（RSU）之间的间歇性通信[20，21]。由于紧密联系的人类驾驶员的行为不稳定，变道已成为自动驾驶汽车安全部署的关键瓶颈。人类驾驶员可以根据他们的理解和经验自适应地响应日益不同的交通状况。然而，仍然很难从收集的原始数据中说明所有场景的明确规则本文提出了一种车道选择系统，它可以帮助驾驶员找到一个理想的车道路线，以最大限度地减少行程时间。决策过程的重点是通过CV技术的车道级交通预测。本文的其余部分组织如下：第二节介绍了相关的工作，其次是第三节的问题制定第四节给出了车道选择算法的详细描述。在第五节中，进行仿真研究，以评估所提出的系统的性能最后一节是--包括这篇论文，并对未来的工作进行了进一步的讨论2. 相关工作已经建议并创建了各种各样的CV应用程序来帮助骑行，但其中只有少数专注于侧边控制支持。示例包括区域[22，23]的分配和理想区域[24]的选择，如过去的工作[22，23]所建议的，通过车辆间通信，这是一种分散的跟踪策略，用于一组汽车和汽车驾驶员在道路上/道路外。建议进行额外的轨道选择研究项目，通过车辆和基础设施之间的双向通信（车辆到基础设施，V2I），最大限度地减少车辆中可能的冲突，来规范不协调的轨道修改[23]。[23]中的研究结果表明，由于受控的车道变换行为，非车道选择情况下的行程矩中值相对较低所有这些研究都假设高速公路上的所有车辆都是应用车辆，这使得在接下来的几十年或更长时间内难以实现这些车辆分配方法。然而，到目前为止，该运动还没有得到很好的研究，在该地区的先进的驾驶辅助计划fea- turing方向指挥帮助。与此同时，交通状态预测，如采样卡尔曼，非参数相关模型，或蜂窝网络，多年来已经得到了很好的研究[25，26]。一项研究[25]提出了一种线性回归模型，该模型依赖于环路检测器的结果，用于高速公路中的运输时刻。另一项工作[27]提出了一个简单的，稳定的时间序列系统，用于预测高速公路的运输时间。许多模型和数据驱动的模型，如隐马尔可夫模型[28，29]交通状态预测的K-近邻方法[30]粒子滤波模型[31，32]卡尔曼滤波[33]和[34]中的深度神经网络也被建议用于短期流量政府预测。在马尔可夫链的基础上，产生了许多车辆预测技术[28，35]。马尔可夫（二进制）系统主要用于根据信号模型确定下一个间隔的车辆状态。结合马尔可夫变长字符串，例如，最近邻排名被用来预测交通模式[28]。在将每个新时间步长的车辆状态分类为一组之后，使用仅使用来自相应时间步长的信息跟踪的适当加权回归模型计算特定速度分数。响应组。为了确保短期交通流预测技术[35]的可预测性，还建议采用以马尔可夫环假设和灰色Verhulst模型为中心的混合预测技术。在灰色Verhulst模型的基础上，利用马尔可夫链原理处理信息的波动性，以提高预测精度。研究结果表明，一个路段的交通流量超过16次（5分钟，每个时间步）之间的相对误差为0和13倍（之间的现实世界的信息和预测信息）。然而，所有以前的研究都依赖于马尔可夫链，尽管它在描述事件方面不是很有帮助，而且在大多数情况下，它不能成为潜在情况的实际模型同时，还提出了一种依靠时空相关性的短期预报技术在[36]中，作者指出，特定位置的运输状态受到上游和流出情况的极大影响根据传输流量的时空相关性，提出了一种扩展的随机小区传输模型，用于支持短时交通在[36]中，I210-W段被分成四个单元，每个单元的范围约为0.5英里。为了验证有效性，计算了一般平均相对百分比误差，范围为10.8至14倍[36]。在[37]中，提出了一种利用高速公路网络和稀缺交通样本之间的相关性来评估交通状况的方法，以评估不同公路路段的交通状况他们建议的方法侧重于代表道路连接的多元线性回归（MLR）采用MLR系统和压缩检测技术，通过对少量采样车辆的监测，对城市规模的拥堵进行对真实世界交通信息（在上海市1826个高速公路路段的大网络结果表明，对于各种道路情况，预期结果与土壤真实值之间的完整速度差为5.2然而，该实验应进一步研究更高的速度，以进一步测试结果。估计和预测道路状态的另一种方法是使用增强的卡尔曼滤波器集合来评估和预测现实的公路网络，由于较低的矩阵反转，可以减少计算时间[32]。然而，卡尔曼滤波器认为设备和监控模型之间的方程都是线性的，这在许多现实生活中是不现实的。在[34]中，通过计算机训练神经网络对高速公路中道路状态的发展进行了建模。所有这些方法都集中在车道点的预测上，链路级拥塞状态。近年来，基于车道的调查引起了越来越多的关注，包括但不限于汽车行驶的预测、队列警报效率评估和独立汽车的横向运动预测[38，39]。车道级引导技术，例如使用改进的全球定位系统（GPS）/多层图表系统进行自我车道评估和车道级映射系统的技术，也被提出来促进车道级应用程序在实践中的表现[40，41]。然而，GPS不能与 VANET 等高速网络一起扩展先进的检测系统，如射频识别（RFID）技术[42，43]也已被创建为精确位置监控的主要促进者，这可以帮助未来无数的交通应用程序[44]。然而，RFID技术与VANET相比速度较慢在[45]中，OLS应用已经被提出用于实现最优车道选择。在实际应用中，效用函数的建立考虑了纵向和横向安全性。OLS应用程序最初是在高速公路上进行评估的G. 萨马拉埃及信息学杂志22（2021）411413¼X¼英寸AAVs1Nk¼0片段结果表明，OLS的实施减少了旅行时间和延误的基础情况下，没有控制内的链接运输系统。该应用程序还提高了这种更高的交通需求的效率，但在容量条件下，这导致车道变化，以防止CV在拥挤的区域移动高效率的车道级预测可以帮助自动CV根据预测的交通流在服务水平方面选择和规划最佳车道路径。因此，可以实现不同车辆的更平衡的总体分布，并相应地增加道路的容量[46]。受此研究的启发，我们提出了一种回归模型，通过使用车道间数据（车道内数据）和同一车道上相邻公路路段之间的车道间互连来预测车道级状态车辆。3. 问题公式化在现实条件下，车手通常会改变距离，许多开发优化问题以确定什么房间（即，范围的一部分），汽车在某个阶段应该占据，以便找到用于应用的最佳范围路线。见图 3、信息流的提出。4. 拟议系统4.1. 信标上传每辆车每秒向RSU上传十个信标; RSU接收到的信标然后用于分析驾驶员模式和当前交通状况。将分两步分析接收到的信标：（1）通过计算发送方车辆的当前平均速度相对于同一位置中其他车辆的平均速度来获得当前速度的平均值（ACS）这可以使用Eq.（1）：PS¼ACSTNð1Þsider，例如，决定者汽车（个人关注的汽车在高度拥堵的情况下驾驶五车道高速公路（见图）。①的人。驾驶员的目的地第三道的第一选择房间或第五道的第二由于决策车上游（车道4）的交通拥堵，在驾驶员的视线中，驾驶员很难精确地其中，S是车辆速度，T是时间，并且N是当前车辆连接到RSU。然后，将ACS比率与RSU上登记的所有车辆速度（AAVS）的平均值进行比较。AAVS可以使用Eq. （二）：PnACS由于视野范围有限，我们会留意哪条行车线有较重的车辆。假设第四车道的决定者在第二选择中切换到空间，并且面临两个选择，要么继续在该阻塞车道上行驶，要么回到前一车道，则骑手很可能切换回他的前一车道。车手也可以决定在第三车道切换到空间第一选择，因为那里有更多的空间。在这种情况下，留在第三道可能是更好的选择，或者决定者可以将房间切换到第二道。因此，预期的上游车道级数据对于实现移动性优势至关重要，这将允许决策者在路线选择中做出更好的决策。我们将那些能够进行通信的汽车描述为具有通信能力的汽车，其中，AAVS计算连接到网络中当前RSU的所有车辆的平均速度。当量（3）将ACS与AAVS进行比较：Anlayedspeed¼ifAVACS>AVS自动速度300如果Eq.如果满足（3），则当前车辆比网络上的当前车辆的平均速度快自动驾驶汽车系统必须考虑在当前情况下可能发生的突然移动的百分比，例如突然中断或突然变道在任何驾驶员的高速行驶中。使用等式（4），我们可以计算特定车辆的总体平均值：传送基本数据（即，速度和位置）。 RSU是放置在道路上的小型路由器;车辆发送信标AvSudnk¼0Sud：brk=nXn变更：Loc=n，400，以每秒十个消息的频率周期性地向RSU发送包含特定数据的消息（即，速度、位置和方向）。图2呈现信标结构。请注意，道路状况会在一段时间内发生变化，因此需要振动设计来预测交通状况。可以通过使用回归设计来执行对道路水平的预测其中，n是针对每辆车测量的突然动作的次数，sud.brk是该驾驶员在高速下执行的突然制动的次数Loc是驾驶员在高速行驶时突然变道的次数。如果当前网络中的平均AvSud很高，则可以预测意外行为会突然改变流量的形状回Fig. 1. 问题描述的示例图二.信标结构。ð2ÞG. 萨马拉埃及信息学杂志22（2021）411414----------------图三. 车道选择的信息流。在图1中的例子中，圈出的车辆有两个选项用于选择第一或第二选项：要么车辆将向RSU发送ODA，要么ODA将包含关于决策车辆的信标和ACS然后，RSU将通过测量当前AVS和当前平均AvSud来评估每个选项的空缺选择。由于每个选择周围的车辆不同，这可能导致一些AAVS和AvSud达到表1中列出的结果。在第一种和第二种情况下，决策者比他周围的车辆慢，并且不会有机会移动到空闲位置，因为其他车辆可能在他之前移动因此，这种选择不是优选的。在第三种情况下，车辆具有比其他车辆更高的速度，但是存在突然中断或车道改变的高可能性，使得存在可能的碰撞的风险。因此，该选择不是优选的。对于第四个选择，决定性车辆比其他网约车更快，且其他车辆没有变道或意外中断的习惯，这种情况下，首选此选项。因此，RSU将其分析发送给表1交通预测决策。ACS> AAVS AvSud决策这是决策者5. 实验、结果和分析使用新的MATLAB R2019a进行了密集模拟，以证明所提出方案的准确性[48]。新的交互式无线环境包含在MATLAB R2019a中，并且使用相同的参数创建了相同的环境该实现的重点是显示与所提出的St模型[46]框架相关的系统性能的提升模拟包括25，000次运行，以获得更精确的结果。整个实验的模拟参数如表2所示。在图4所示的第一个实验中，我们测试了拥堵和旅行时间之间的关系，在高流量条件下，预计会增加。拥挤度（交通密度）的测试分为三个水平：低25%的车辆数、中等50%的车辆数和高75%的车辆数。实验表明，St模型的得分范围在9%到7%之间，平均值为8%的总行程时间时，水平低。所提出的模型的分数从10%到8%不等，平均值为总行程时间的9%。当水平为中等时，St模型的范围为7%至3%，平均值为总行程时间的5%。同时，该模型的变化范围为9%至5%，平均为总行程时间的7%。在高水平上，St- Model的得分范围在3%到3%之间，平均占总旅程时间的1%。所提出的模型8%至2%，平均值为5%的旅行时间。该实验表明，所提出的系统在交通繁忙的情况下产生更好的结果，因为它使用ODA收集更丰富的交通状况信息，这反过来又导致更好的选择。第二个测试显示了当所提出的系统被激活和关闭时，在实施这样的系统的效果和益处方面，该系统实现了什么。该测试研究了低、中、高交通量与平均旅行时间之间的关系。结果显示了系统展开和关闭时两个系统的平均值。图中的结果。 5显示表2模拟参数。参数值模拟网格1000 ×1000模拟时间300秒车速15运行次数25，000辆/次最多车辆200车道数6（每个方向3条）情景双向公路网络接口Phy/WirelessPhyExtMAC接口Mac/802 11 Ext接口队列队列/DSRC传播模型Propagation/NakagamiTDMA时隙/帧数量时隙2.5 ms消息大小（安全）100字节消息大小（非字节）512字节传输距离300 m，500 m调制类型BPSK天线类型天线/全向天线通道类型通道/无线通道数据传输速率6，12，18，27Mbps最小信标间隔100毫秒最大信标间隔500 ms1没有高不是优选2没有低不是优选3是的高非首选，可能存在危险4是的低优选G. 萨马拉埃及信息学杂志22（2021）411415见图4。 拥挤对旅行时间的影响。见图6。官方发展援助对旅行时间的影响。驾驶员选择最佳车道行驶方向以减少驾驶时间。该系统可用于通过空间和时间细节来估计道路单元交通的未来状况。仿真结果表明，根据拥塞程度，所提出的系统具有良好的性能分数范围从12.5%到20%。此外，仿真结果表明，具有更丰富的交通信息的重交通场景可以导致最优决策。进行了进一步的实验，以比较系统部署时和关闭时的效果。所揭示结果表明，当系统关闭时，总是存在延迟，而当系统开启时，系统性能要高得多。第三个实验显示了ODA的影响。更多的ODA意味着更多的信息，可以帮助司机达到最佳决策。为了提高系统的鲁棒性，在今后的工作中应研究系统图五. 拟议的系统效果。延迟总是会发生，特别是当系统关闭时交通变得更拥挤时;同时，所提出的系统可以帮助驾驶员获得关于他们可以毫无意外地占据的最佳空间的改进信息。图6所示的第三个实验检查了ODA对行程时间的影响，而更多的ODA提供了关于决定车辆周围车辆的进一步信息，从而导致最佳决策。该实验是在最大50个ODA的情况下进行的;由于移动车辆在达到该数量时失去与固定RSU的连接，因此这是所达到的最高然而，当使用ODA时，来自单个ODA的决定可能是不够的，并且车辆有时可能发送多个ODA以做出最佳决定。6. 结论和今后的工作V2 V驾驶员经常根据视觉距离的预期来转弯车道，但其中许多都没有太好的计划-因为可视范围有限，很难实现这样的任务。本研究提出一辅助车道选择模式，利益冲突作者声明，他们没有已知的竞争性财务利益或个人关系，可能会影响本文报告的工作。致谢这项研究由约旦Zarqa大学研究主任资助。参考[1] G. Samara一种改进的CF-MAC协议用于VANET国际电气计算机工程杂志9 4 2668.[2] Samara G，Ali Alsali WAH. VANET中的消息广播协议。通知Technol J 2012;11（9）：1235-42。[3] Zeadally S ， Hunt R ， Chen YS ， Irwin A ， Hassan A. 车 载 自 组 织 网 络（VANETS）：现状，结果和挑战。电子通讯系统2012;50（4）：217-41。[4] Dang，R.，丁，J.，Su，B.，姚，Q.，田氏Y.和Li，K.，2014年10月。基于V2V通信的变道预警系统。第17届IEEE智能交通系统国际会议（ITSC）1923-1928年）。美国电气与电子工程师协会。[5] Samara Ghassan，Ramadas Sureswaran，Al-Salihy Wafaa. VANET在城市地区简单有效的撤销列表分发设计。 InternationalJournal of Computer Science andInformation Security 2010;8（1）：151-5.[6] 肯尼JB。美国的专用短程通信（DSRC）标准。Proc IEEE2011;99（7）：1162-82.G. 萨马拉埃及信息学杂志22（2021）411416[7] Guan，W.，他，J.，拜湖，加-地和Tang，Z.，2011年10月。DSRC车辆网络的自适应拥塞控制，2011年IEEE第36届本地计算机网络会议（IEEE 36th Conference onLocal Computer Networks）913-917）。美国电气与电子工程师协会。[8] 萨马拉湾VANET中安全消息的智能信誉系统。Int JArtificial Intell 2020;9（3）：439-47.[9] 萨马拉湾VANET中的一种智能路由协议。Int J Ad Hoc UbiquitousComput 2018;29（1-2）：77-84.[10] Schildbach，G.和Borrelli，F.，2015年6月高速公路变道辅助的情景模型预测控制。在2015年IEEE智能车辆研讨会（IV）上，611-616）。美国电气与电子工程师协会。[11] Morris，B.，多希A.和Trivedi，M.，2011年6月。驾驶员辅助的车道变换意图预测：道路设计和评估。在2011年IEEE智能车辆研讨会（IV）上，895-901）。美国电气与电子工程师协会。[12] 萨马拉湾和Alsalihy，W.A.A.，2012年6月。一种新的车载通信网络安全机制。2012年网络安全、网络战和数字取证国际会议（CyberSec）18-22）。美国电气与电子工程师协会。[13] 吴G，Boriboonsomsin K，Xia H，Barth M. 在信号交叉口的ecoapproach和离开应用中，部分车辆自动化的补充效益。Transp Res Rec2014;2424（1）：66-75。[14] Butakov VA，Ioannou P.使用V2I通信的信号交叉口个性化驾驶员辅助。IEEETrans Intell Transp Syst2016;17（7）：1910-9.[15] 美 国 交 通 部 （ USDOT ） 。 汽 车 安 全 驾 驶 员 查 阅 时 间 ： 2020 年 1 月 25 日 。https://www.its.dot.gov/research_archives/safety/cv_safetypilot.htm。[16] 应用程序（CVRIA）https://local.iteris.com/[17] AERIS- 智 能 交 通 系 统 ， 访 问 时 间 ： 2020 年 2 月 18 日 http ：www.its.dot.gov/aeris/index.htm。[18] ITS信息图表-智能交通系统，访问：2月。http://www.its.dot.gov/road_weather/index.htm.[19] CVIS，协同车辆基础设施系统，访问：2月。2020年18月[20] Samara G，Alsalihy WAA，Ramadass S.使用编码重复信标捎带增加网络可见性。World Appl Sci J 2011;13（1）：100-8.[21] Samara G，Abu Salem AO，Alhmiedat T.基于粒子群算法的VANET动态安全消息功率控制。 World Comput Sci Inform Technol J 2013;3（10）.[22] 达奥，T. S.，克拉克，C.M.和Huissoon，J.P.，2007年6月使用车辆间通信优化车道在2007年IEEE智能车辆研讨会上，1217-1222）。美国电气与电子工程师协会。[23] 达奥，T. S.，克拉克，C.M.和Huissoon，J.P.，2008年6月交通流优化的分布式车队分配与车道选择。在2008年IEEE智能汽车研讨会上，739-744）。美国电气与电子工程师协会。[24] 金，Q，Wu，G.，Boriboonsomsin K.博里本索姆辛K.和Barth，M.，2014年6月。利用联网车辆技术，通过实时最佳车道选择改善交通运营。在2014年IEEE智能车辆研讨会论文集（pp. 70-75）。美国电气与电子工程师协会。[25] 权在英，高夫曼本杰明，比克尔彼得。根据环路探测器数据进行逐日走时趋势和走时预测。Transp Res Rec2000;1717（1）：120-9.[26] Goves C，North R，Johnston R，Fletcher G.使用神经网络对英国高速公路网络进行短期交通预测。Transp Res Procedia 2016;13（增刊C）：184-95。[27] Rice J，vanZwet E. 一种简单有效的高速公路行程时间预测方法。IEEE TransIntellTransp Syst 2004;5（3）：200-7.[28] 祁阎，伊沙克·谢里夫。高速公路交通状况短期预测的隐马尔可夫模型。交通研究C部分紧急技术2014;43：95-111。[29] Antoniou，C.，Koutsopoulos，H.N.和Yannis，G.，2007年7月基于马尔可夫链模型的交通状态预测。在2007年欧洲控制会议（ECC）（pp。2428-2435）。美国电气与电子工程师协会。[30] 吴西蒙，卞英智，杨华秀。交通状态预测中k-近邻法搜索策略的改进。IEEETrans IntellTransp Syst 2016;17（4）：1146-56.[31] Ren，S.，毕，J.，冯耀芬，Li，X.I.还有何IT 2010年8月。基于粒子滤波的北京市高速公路交通量估计。2010年第六届自然计算国际会议（第1卷，第10页）。292-296）。美国电气与电子工程师协会。[32] 陈洪，Rakha，H.A.和Sadek，S.，2011年10月。实时高速公路交通状态预测：粒子滤波方法。2011年第14届IEEE智能交通系统国际会议（ITSC）。626-631）。美国电气与电子工程师协会。[33] Yuan，Y.，Scholten，F.以及van Lint，H.，2015年9月基于集合卡尔曼滤波器的高效交通状态估计和预测，具有快速实现和局部确定性方案。在2015年IEEE第18届智能交通系统国际会议上， 477- 482）。美国电气与电子工程师协会。[34] Elhenawy，M.和Rakha，H.，2016年11月使用区分性预训练的深度神经网络进行宽范围交通状态预测。2016年IEEE第19届智能交通系统国际会议（ITSC）。1065-1070）。美国电气与电子工程师协会。[35] Huang，D.，Deng，Z.，赵湖，加-地和Mi，B.，2017年5月提出了一种基于马尔可夫链和灰色Verhulst模型的短时交通流预测方法。2017年第六届数据驱动控制和学习系统（DDCLS）（pp.606-610）。美国电气与电子工程师协会。[36] 闵万里，温特劳拉。具有时空相关性的实时道路交通预测。交通研究C部分应急技术2011;19（4）：606-16。[37] 刘志丹，李振江，李默，邢伟，陆东明。基于压缩感知的道路网络相关性挖掘。IEEE Trans IntellTransp Syst 2016;17（7）：1880-93.[38] 金，J. H.和Kum，D.S.，2015年6月基于局部路径候选和周围车辆轨迹预测的自动驾驶车辆威胁预测算法。在2015年IEEE智能车辆研讨会（IV）上，1220- 1225）。美国电气与电子工程师协会。[39] 尹，S。和Kum，D.，2016年6月多层感知器方法在自动驾驶车辆横向运动预测中的应用。 在2016年IEEE智能车辆研讨会（IV）上，1307-1312）。美国电气与电子工程师协会。[40] Rabe，J.，Necker，M.和Stiller，C.，2016年6月城市场景中车道级导航的自我车道估计。2016年IEEE智能汽车研讨会(IV)（第100页）896-901）。美国电气与电子工程师协会。[41] 李，J.W.，Yoon，C.R.，Kang，J.，Park，B.J.和Kim，K.H.，2015年7月车辆增强现实系统车道级引导服务的开发。 2015年第17届先进通信技术国际会议（ICACT）。263-266）。美国电气与电子工程师协会。[42] Khan，S.F.，2017年3月物联网（IoT）中的医疗保健监控系统使用RFID。2017年第六届工业技术与管理国际会议（ICITM）198-204）。美国电气与电子工程师协会。[43] Takizawa，O.，细川，M.，高梨，K.I.，哈达，Y.，Shibayama，A.和Jeong，B.P.，2008年3月。使用有源RFID标签精确定位蜂窝电话紧急呼叫的起源地在第22届先进信息网络和应用研讨会国际会议（AINA研讨会2008年）（页。1123-1128）。美国电气与电子工程师协会。[44] Sharma，V.，Vithalkar，A.和Hashmi，M.，2018年1月物联网（IoT）应用中无芯片RFID的轻量级安全协议。2018年第10届通信系统网络国际会议（COMSNETS）468-471）。美国电气与电子工程师协会。[45] Kang，K.，Bichiou，Y.，Rakha，H.A.，Elbery，A.和Yang，H.，2019年10月互联车辆最优车道选择算法的开发和测试。在2019年IEEE智能交通系统会议（ITSC）上，1531-1536）。美国电气与电子工程师协会。[46] 田丹阳、吴国元、郝鹏、Boriboonsomsin Kanok、Barth MatthewJ.基 于联 网 车辆 的车 道 选择 辅 助应 用。 IEEE TransIntell Transp Syst 2019;20（7）：2630-43.[47] Samara G，Ramadas S，Al-Salihy WA.车载自组织网络的安全消息功率传输控制。 J Comput Sci 2010;6（10）.[48] ‘‘WirelessCommunications-MATLAB[联机]。可查阅：https://uk.mathworks.com/solutions/wireless-communications.html。[访问日期：2020年6月11日]。