面向车联网的动态数据收集与恢复算法研究

The integration of Internet of Things (IOT) and Intelligent Transportation promote the rapid development of Internet of Vehicles. The bottom layer of IOT is presented as Wireless Sensor Network. However, the data gathering and recovery algorithms of traditional WSNs don’t adapt to dynamic and real-time environmental changes of Internet of Vehicles. For this problem, the project aims at study dynamic data gathering and recovery theories for Internet of Vehicles with Compressive Sensing (CS). Main research contents are as follows: 1) according to the dynamic changes of communication environment, it establishes dynamic sparse data measurement model for vehicle-road side based on the spatial-temporal relevance analysis. It studies adaptive compressive gathering method of high dimensional variable system which satisfies RIP condition. 2) according to the dynamic sparse gathering model, it converts recovery problem to L1 problem, solves the two key problems of constraint function and updating of system state, and then establishes joint optimization problem of L1 and state transition. It designs a robust recovery algorithm to solve data recovery problem in Internet of Vehicles. 3) It proposes attribute group and its similarity calculation, studies pretreatment method of foreign data to further improve the efficiency of data gathering in roadside unit (RSU). 4) according to the RSU gathering of sparse data, it optimizes the measurement matrix whose dimensions is adaptive to further compress transmission data in the network and improve the real-time performance of data gathering. The research results will improve the theory and method of data gathering in Internet of Vehicles.

物联网与智能交通的交汇融合推动了车联网的迅猛发展。物联网底层以无线传感网形式呈现，其数据收集与恢复算法难以适应车联网动态与实时变化的环境。为此，项目拟结合压缩感知技术研究面向车联网环境的动态数据收集与恢复理论。研究内容如下： 1）依车载通信环境动态变化，基于时空相关性分析，建立车-侧间的动态稀疏数据测量模型，研究满足RIP的高维可变系统的自适应压缩收集。2）依动态稀疏收集模型，将重构问题转换为L1问题，解决约束函数和系统状态更新的关键问题，建立L1问题和状态转移的联合优化，设计相应的强鲁棒重构方法，解决车联网的数据恢复问题。3）提出属性群及其相似度计算，研究异源数据的关联预处理，进一步提高路边侧单元的数据收集效率。4）拟根据RSU收集稀疏数据，优化设计维度自适应变化的测量矩阵，进一步压缩传输数据量，达到提高数据收集实时性的目的。项目成果有助于完善车联网中的数据收集理论，也有很强的工程意义。

物联网的快速发展与智能交通的交融汇合推动了车联网的研究与应用。本项目应用压缩感知技术探索了车联网的数据收集、处理和恢复的方法，并扩展了网络传输机制研究，丰富了车联网理论研究成果，有助于推进其广泛应用。. 在数据收集和恢复方面，首先提出了一种混合压缩感知进行数据收集的方法，有效减少数据收集量。同时，为了精确恢复数据，一方面从能效角度提出了基于迭代贪心机制的回退修正贪婪追踪算法，另一方面从多目标角度提出了自适应局部搜索的多目标进化算法等，多方面提升网络数据收集效率，提升数据恢复精确度；其次，针对多信道车联网数据传输需求角度，提出了V2R/V2V的数据传输调度算法，并进一步从网络连通和能量方面考虑提出了降低网络数据丢失率的充电规划方法；最后，从频谱效率和能量效率优化角度分别提出了资源分配算法和频谱共享的激励机制等。. 受项目直接和间接支持，扩大了国内外交流与合作。项目执行期间，累计完成了国内8人次、国际3人次的学术交流；参加在韩国举行的中日韩三校联合国际研讨会1次，参加国内学术研讨会3次；发表SCI/EI论文12篇，授权中国发明专利12项，新申请发明专利5项。