文摘
最近,人工智能(AI)技术在交通系统的重视,导致出现的一个新概念,即网络的车辆(IoV)。IoV一直与物联网相关的革命,已经成为一个活跃的研究领域,由于伟大的需要,除了增加车辆的各种应用程序通信。AI提供独特的解决方案来提高服务质量(QoS)以及IoV系统的性能。在这篇文章中,将讨论一些概念与深度学习网络的使用机器学习在IoV系统中,除了学习神经网络的影响(NNs)及其类型,以及深度学习机制,帮助处理大量非机密数据。此外,本文简要论述了分类和聚类方法在预测分析和评价自己的能力来增强IoV应用系统的性能。
1。介绍
深度学习(DL)是一个技术方案用来进行智能机器学习概念、过程数据和创建模式,决定根据输入数据(1]。“深”一词代表了multihidden学习网络层,它包含多个处理节点连接。近年来,DL伟大的进化在帮助提高很多物联网应用程序(2]。DL改善IoV不同的服务质量等相关车辆应用程序自动驾驶和交通流量控制和智能城市。人工智能应用程序用于许多通信领域和IoV特别来满足用户的需求和期望。将使用AI的重要性,本文提供了细节在IoV深度学习技术来提高服务的应用程序。
本文的组织结构如下:部分2DL方法提供了一个背景及其演化。使用机器学习的概念(ML)算法在IoV系统简要介绍部分3。节4,一些在IoV DL应用网络考虑安全和碰撞预测等问题进行讨论。节5,深的性能强化学习(DRL) IoV显示其影响提出了加强某些方面相关的能源效率、资源管理和性能优化。此外,性能的DL-based IoV网络审查和不同DL-driven IoV网络水平相关的网络控制,数据分析,和回归进行了讨论。最后,在节7,本文回顾了未来的发展方向和挑战相关部署IoV毫升和DL算法的应用程序。然后,本文的结论部分8。
2。深度学习进化
DL的概念方案与人类的大脑,在DL网络允许建立一个相应的计算模型。在六十年代的时代,DL是开发和发布一个算法为开发数据处理和预测方法(3]。年代时代是深度学习革命的开始出现卷积神经网络(cnn)的能力,创建一个具有学习功能的计算机模型来识别视觉模式(4]。年代的时代,学习的反向传播(BP)模型在实践中使用,后来,深度学习的方法开发明显通过电脑和处理器的速度能力。条目的千禧时代,所谓的人工智能启动,用于训练神经网络(5]。
目前,越来越多的需要增加的速度处理深度学习支持快速数据分析,除了预测的目的(6]。通过使用DL,许多物联网应用程序可以提高和增强信号分析等相关物联网方面的不同,模式识别和质量优化(7]。DL几部分组成的结构开始从数据输入,通过特征提取,学习,和结束的预测输出数据,如图1。DL的概念模型坐落在学习过程中使用模拟人类大脑的功能来识别模式。
当前物联网应用程序依赖于移动和嵌入式设备和传感器,除了通过这些设备所提供的服务。使用深度学习物联网设备上引入了一个新的类型的应用程序,复杂的传感和识别任务的能力,除了连接设备与人类交互(8]。提出了不同的DL框架。这类框架的一个例子是一个深深的由递归神经网络(RNN)和卷积神经网络(CNN)集成到一个模型提供一个可行的解决方案与学习相关的问题多传感器融合的任务。深层意义上使神经网络的输入层分割成时间间隔进行处理提供了时间序列数据的评估和分类(9]。
DL的部署物联网作为深物联网面临的挑战是由于资源约束,将压缩深层神经网络。深度学习物联网框架,结构滴中的隐藏元素深度学习的神经网络根据正规化方案(见图2)。下降的过程被称为辍学,代表的概率下降在学习过程中隐藏的元素(10]。DL IoV启用的应用来实现一个智能车辆系统的能力,并提供智能服务。此外,DL有助于提高汽车的自动驾驶和自动化的相关过程IoV网络,除了优化IoV网络之间的数据流的服务质量和现有系统11]。
3所示。基于机器学习系统
在过去的十年中,越来越需要使用机器学习(ML),尤其是各种交互式通信设备的不断发展。和增加快速增长的数据,需要分析它帮助ML算法发展进行分析和构建决策系统。ML算法有助于提高驾驶自动化等不同的应用程序和行为预测(12]。在某些应用程序中,毫升的过程可能需要很长时间学习计算;因此,分布式系统的使用可以提高并行处理和带宽减少培训的长期运行时模式(13]。然而,有时候,集中解决方案不可行,因为大数据存储对机器的影响。使用机器学习训练大型数据集,算法开发了与执行并行计算和分发数据的能力,灵活地处理故障(14]。
有一个全面的系统的设计面临的一个挑战,允许机器学习有效地分布。面临的挑战是由于独特的沟通模式的算法(15]。如图3相关,有两个阶段毫升代表训练和预测过程。训练阶段负责培训大量数据通过使用一个合适的ML算法基于特定的参数和应用目的。做培训阶段的过程后,毫升提取准确的输出训练模型;然后,在预测阶段,预测结果出来(16]。
在分布式ML,并行方法需要两个阶段,称为数据和模型,同时应用(17]。平等的方式来表述数据并行处理阶段允许将数据节点工作在同一算法操作在不同的数据集,在模型并行阶段,节点处理整个数据集的副本(18,19]。分布式机器学习系统可以分为三个大类;数据库,一般情况下,和目的。
3.1。数据库系统
在ML算法,使用普通的基于SQL的数据库管理系统(dbms)不能提供。最近的研究正试图开发一个数据库系统,用户可以执行机器学习在DBMS (20.]。此类研究俾斯麦和MADlib数据库相关。在俾斯麦,毫升是基于梯度下降法的执行。MADlib延伸扩展SQL允许用户执行机器学习程序内置数据库(21]。
3.2。通用系统
为分布式计算,使用消息passive-interface (MPI)框架能够提供高性能的计算。MPI提供了许多原始的操作,如广播和散射,除了发送和接收。此外,它可以让用户执行许多申请毫升。然而,它可以容易错误和劳动详尽的22]。另一个流行的Hadoop系统操作,这是一个开源的系统被设计用来执行大型集群机工作流。Hadoop允许服务,如自动容错和简单的编程,允许用户分析数据在许多的大型机器。然而,它不能支持或提供迭代工作流程,要求提交一个工作对于每一个应用程序(23]。
3.3。专门的系统
专用系统提供两个选项之一,机器学习领域特定语言或算法优化(4]。系统毫升使高级语言提供类似语法的编程中使用的数据分析,除了允许内置运营商执行矩阵操作。工作流转换为使用映射-规约模式工作和重新安排,以避免多个通过输入数据。Opti-ML提供了一个线性algebra-based嵌入式规模和领域特定语言(24]。它包括向量、矩阵和图数据类型以及subdata类型,允许额外的优化(25]。这是总结现有的系统和并不打算包括所有系统。分布式机器学习的目的是允许用户认为他们想要的结果从大规模数据集明显短时间与资源优化的目标26]。
4所示。深度学习应用程序在互联网上的车辆
近年来,IoV作为智能交通系统的革命引起了人们的关注(同期),因为它提供了一个很好的服务在我们的生活中27]。IoV部署非常复杂,需要特殊考虑相关特色高迁移率和动态拓扑的变化。由于这种并发症,标准化的通信是非常重要的。图4显示了VANET的架构标准化应用程序由欧洲电信标准协会(ETSI) [28]。
在ETSI架构中,住宿层负责处理VANET-associated应用,如合作意识消息(摄像头),分散的通知消息(连接),和当地动态地图(ldm)以及通信过程。网络层和传输层结合在一层;此外,添加了两个额外的层代表了管理和安全性。此外,其专用的栈整合geonetworking更新和处理(29日,30.]。然而,这样的架构不澄清处理的交互切换和其他组件,包括外部设备交互。图5显示了思科四层体系结构(31日]。
IoV包含不同的通信设备等应用场景(D2D),车辆到车辆(V2V),车辆到路边单元(V2R),车辆基础设施(V2I),路边的路边(R2R),车辆所有(V2X),车辆传感器(是),个人设备和车辆(V2P),除了很多其他结构(32,33]。小说研究利用人工智能方法进行了不同IoV IoV-based服务方面和DL机制如安全性、云计算IoV,生产和碰撞,在短暂的在以下部分中讨论。
4.1。互联网的车辆安全
成为明显的攻击保护IoV重要,因为IoV可观的增长。不同的研究已经提出了ML IoV安全的使用。最近的研究提出了结合系统包含人工智能方法与IoV [34]。毫升和DL是最著名的算法提供一个安全的IoV。它们使IoV安全系统安全的优化应用程序和服务(34]。IoV计算,该地区安全保障中通用的边缘计算环境是非常重要的和需要机制来确保调度协同资源(35,36]。
深度学习方法的使用使得IoV网络的发展决定了信息流的合法性和识别潜在的安全危险37]。为了安全目的,区块链IoV使发展车载GPS定位精度,框架活力,和安全。安全思维是集中力量和安全的车辆定位、数据交换和共享(38]。表1总结了相关研究的最重要的人工智能方法在IoV应用程序中使用。
乔治等人演示应用程序卸载IoV系统通过一个持久的深度学习中断检测任务。创作者利用产生深远的多层感知器和重复神经安排工程学习的世俗设置独特的攻击。提出研究决定当计算可以用有用的考虑放电参数与网络操作和处理需求的深度学习模型。
Sharma等人介绍了V2X基础设施来提供最佳的概念在智能城市和可靠的通信服务。本文涉及的可能性使用智能频谱安全系统(四)IoV网络。作者还提出了一个安全系统使用可靠性高的深度学习开发安全的应用程序。深度学习在IoV系统监控的安全威胁。拟议的系统导致了高绩效的监测精度和安全性。伯杰等提出的一项研究中,研究人员提出了一些机器学习和深度学习方法在智能车辆系统的开发和使用,提高观测数据的保护功能流和识别潜在的安全威胁的能力。
在彭日成et al。的一项研究中,研究人员展示了一种协作调度机制的计算资源网络的车辆采用这样的隐私和保护边缘计算环境中车辆的运动。研究人员采用了使用多用户和多区的MEC服务器系统使车辆将计算任务MEC服务器在不同的地区。研究人员专注于开发解决的问题暴露的位置隐私的车辆用户双重DQN算法用来解决最优调度策略来降低系统的总成本消耗。通过实验,研究人员得出结论,该系统提供最佳性能相比其他调度算法。
在Yanxing et al。的一项研究中,研究人员提出了一些目前的协作定位技术,帮助提高车辆定位的准确性,在互联网的新模式的车辆提出了基于区块链技术来提高定位的准确性除了增加安全度。在这项研究中,一个深神经网络(款)算法用于车辆的正确位置,然后,一个区块链系统是用来保护智能车辆之间的通信,浸,路边单元。该模型显示,高精度的识别和安全的车辆的信息传输网络。
Teodora和Nikolay显示普通图的设计和安全问题。在扩张中,创作者探索创新方法如区块链、发芽频道,阴霾计算,生产的见解,转移假说和本体。这些创造者最近试图找出一些智能安全程序。
Elmustafa等人提出的一项研究提供了关于安全问题的细节在IoV边缘计算卸载模型和考虑有关QoS要求。本文评论大多数人工智能方法如毫升和DL算法及其对保护IoV影响网络。Praneeth等人提出了一个入侵预防系统(IPS)模型基于DL方法的网络认知IoV通过使用二进制分类,使恶意数据包的标识。模型的训练和测试包为一个开放的云服务平台,验证提出的预防使用模拟数据集分类器模型。通过研究结果,研究人员得出结论,该模型给出了99.57%的实验精度比其他智能模型如RNN和CNN。
哈桑等人提出了几个相关概念的使用智能云计算技术及其使用的决策来提高道路交通安全。研究人员还讨论了被称为认知网络的车辆(CIoV)。研究讨论了几种轴相关的可能性,避免IoV网络安全问题和认知设计机制来克服潜在的安全、隐私和信任问题。Hbaieb等人提供的一项研究提供了全面审查IoV管理资源用于提高用户的QoS。审查了相关技术概念不同IoV通信模型,除了安全问题。
4.2。基于云计算的移动IoV框架
深入学习研究已经转换是一个非常受欢迎的图像和信息处理技术,除了其他应用程序需要智能数据操作(48]。移动云计算结果与训练过程中给出了一个改进和模型库在云平台转移。它提高了计算流程到云使它更快。此外,它提供了更多的安全数据收集过程转移到移动设备(49]。深度学习的话题已经成为一个强大的移动云技术框架。表2总结了一些相关的研究人工智能算法的使用基于云的IoV框架。
在一项研究中提出的Zhang et al .,作者提出了一个框架,用于分配计算资源的科学规划移动IoV边缘计算网络。研究人员使用一种深强化学习(RL)网络改善服务节点的计算能力和运动的车辆的速度50]。他们还使用了问学习网络上深RL改善神经网络的稳定性,通过分析,研究人员得出结论,该模型给出了一个有效的绩效管理IoV的计算资源。
赛义德等人提供了一个框架,用于计算的科学规划资源分配的计算移动IoV边缘。这项研究提出了一种新的模式,使智能移动IoV网络资源分配基于智能计算。在这项研究中,深RL被用来提高计算效率,提出了模型显著提高了资源管理的过程。
根据Grigorescu等。提出了云计算的体系结构系统基于深度学习云高度的准备和存储过程。毫升授权承认在通用设备准备和信息收集。创作者提出了这样一个系统和通信来保证信息传输的胜利不稳定安排情况(51]。结构标识对象记录记录在开车,和ML将挫败的发现率。
拟议的系统由克劳迪奥·等人提供了上下文感知真实的时间和组织政府IoV边缘(52]。研究创建一个通用ML-based系统,利用生产的见解来估计未来的活动请求和描述活动亮点。该系统可以避免滥用IoV边缘计算活动请求和进步在实现基本控制在IoV安排。提出系统可以协调毫升前进两个独特的组织工具。
宁等人提出了一种新的卸载框架基于三层IoV减少能源消耗。研究采用深强化学习为卸载决策提供一个最佳的解决方案。中国的框架是评估在真实的应用程序中。结果表明,该思想是能够减少60%的能源消费相对于其他基线算法。Razi等人探讨了边缘信息中心为光纤陀螺仪的好处。包含在广告的创造者强调挑战环境敏感政府IoV环境(56]。阴霾的概念引入了一个信息分析系统框架在霾层的常规IoV工程。
自动驾驶汽车和独立的车辆,陈等人展示了一种新的系统创建AI扣除马达独立驱动应用程序的基于学习模块。提出了系统授权准备作业发送灵活对云计算和优势资产,减少所需的组织传输容量的原因,以及缓和安全问题(55]。AI扣除汽车的系统演示了一个令人信服的自主车辆、环境识别,最有可能的期望。
4.3。碰撞预测
深度学习许可证计算模型与众多的背表示信息水平的反映。表3显示了比较不同DL申请IoV碰撞预测。在一项研究中提出的古普塔et al .,深度学习的应用对象检测和现场感知避免碰撞在无人驾驶车辆所示(57]。作者讨论深度学习和自动驾驶汽车和解决方案之间的差距来解决图像感知实时在自主驾驶开车应用程序中的问题。
在这项研究中,桑托斯et al .,几个因素影响事故数据的使用在葡萄牙地区被确定为例,在研究人员讨论如何解决和发展智能模型,交通事故的严重程度进行分类58]。研究人员还提出了一个方案模型,预测未来事故根据前期数据通过使用监督毫升和DL机制。
在一些IoV应用程序中,不规则的隧道环境需要一个智能汽车驾驶系统。法耶兹等人提出了一个实时位置策略对短程自主汽车驾驶。研究评论DL的使用学习策略来识别车辆区域内当地车辆环境。
张等人提出了一个基于深刻的学习网络的车辆(IoV)框架称为深崩溃(58]。拟议的框架能够识别勾结和不幸的位置数据的传输到云计算数据库服务器启用自动碰撞车辆故障确认。深度撞击系统的评价结果在交通碰撞检测精度高96%,7秒平均响应时间。
作者在研究Chunjiao et al .,预先测试过的DL IoV系统框架。DL有助于检测交通事故碰撞IoV网络和提供紧急通知(61年]。研究介绍了实现DL司机援助的概念,这有助于避免困倦驾驶事故。作者受益于理论,显示了困倦的感觉之间的关系在长途旅行和二氧化碳的浓度在车辆。该方法放弃为交通事故碰撞检测精度84.58%。
5。分析IoV网络基于强化学习
一般来说,事故发生在驾驶司机的误判和错误。毫升IoVs提供解决方案来提高驾驶体验的最重要的一个要求,智能城市的应用程序。IoV不断发展技术和架构的技术来减少交通拥挤和事故车辆从普通驾驶工具转换为智能工具(60]。强化学习提供了一个架构,网络学习从以前的经验来增加一些奖励的信号。在学习控制,一个代理直接接收高维输入语音和视频等极其单调的任务维度的诅咒。提出了许多建议解决方案等维度的问题使用线性函数近似,分层表示,国家聚合(62年]。
对多级决策过程在概率环境中,控制过程必须是准确的。使用马尔可夫决策过程(MDP)使提供描述性的正式标准方法作为一个离散时间随机控制的过程。因此,这个过程是在一个国家x在每个时间步,允许决策者移动过程的新状态给予相应的奖励的决定 。的可能性转换过程的新状态是由给定的行为根据状态转换函数履行马尔可夫性质。
MDP过程中,一个问题找到决策者的政策可能会出现因为总过去独立的州有关当前状态x和下一个状态(31日]。通过定义的函数为一个特定的行动决策者的选择状态时x,我们可以推出MDP的目的,必须找到一个政策最大化的累积函数由以下方程(63年]: 在哪里n代表了时间步。表示折现系数在0和1之间。通过设置因素,可以指定决策的过程。在的情况下= 0时,它会使代理近视,如果值为1,这使得它看起来未来高回报。
经典的MDP的操作可以提高决策通过两种方法,迭代值迭代或政策。然而,这种增强发生根据假设决策者有一个精确的值转换函数和奖励为应用程序中的所有国家环境(64年]。而在实际的操作中,决策者不能识别转换函数。因此,使用问学习有助于克服这些问题。
问则(QL)是一种RL,使教决策者如何行为在一个MDP环境转换函数和/或奖励是未知的(65年]。在这种方法中,每个状态作为初始分配问值,这可以通过一个在线估计随机增量更新问L算法,见以下方程: 在哪里 代表了单级的奖励。表示学习步长率在0和1之间。在的情况下 ,没有问值更新,没有学习的过程是发生66年]。
前面的方法被称为值迭代算法,实现最优行为价值函数 作为 。维诅咒在古典QL算法发生是由于大量的收敛时间。mdp克服这个问题,可以使用函数近似技术。
使用神经网络为高维输入数据有助于找到好的特性。它可以代表在行动的价值函数通过考虑当前系统状态和行动获得合适的核反应能量输入输出。这种方法是代表深RL的概念。QL的重量训练来学习吗参数的函数 通过减少损失函数的顺序 。的在以下方程(67年]: 在哪里是神经网络参数。部分 迭代的目标吗我。
目标是尽可能小的节省成本表达式使用梯度下降算法,重复计算的梯度在下列方程表示(68年]:
梯度下降算法处理大数据集时变得缓慢;然而,使用随机梯度下降法(SGD)将有助于减少缓慢的问题处理(69年]。下面显示的影响RL算法IoV网络相关的能源效率和整体性能的优化。
5.1。调度算法对能源效率
应用基于车载通信和IoV可能由不同的车载网络架构如V2V或V2I可能采取信息交换的路边单元(限制)。使用V2I通信结构可以提供一个可靠的和有效的车辆驾驶体验和安全通信(70年]。之间交换的数据的结构安排车辆和限制政策,使V2I沟通管理限制保护电池,延长网络的生命周期。因此,V2I通信将确保更好的服务质量(QoS)的水平(71年]。部署的限制取决于使用能源收获通过太阳能电池充电时间间隔或身体充电。
深入强化学习(DRL) based-scheduling方案使管理和组织限制的通信,以及增强IoV的生命周期。调度DRL方法类似于动作值函数(AVF)和q学习算法的简单性和鲁棒性。使用调度策略在IoV框架有助于优化能源效率,并因此,任务调度系统,如图6,可以提供一种节能的整体系统,提高网络的生命周期(72年]。
在图6,定义的任务调度是根据物联网网关截止之前考虑的时间车辆速度。从图观察,深问网络(DQN)允许的功耗平衡IoV网络(73年]。与其他算法相比,DQN提供更好的性能。随机车辆选择算法的性能和优先离开车辆(刚才)对所有被认为是恒定的车辆速度。另外两个贪婪的力量保护(GPC)算法和贪婪算法优先离开车辆(GPDV)算法给出平均网络寿命和保持收敛性能ρ车辆速度。一般来说,舞台去相关的任务是负责组织任务的调度策略和降低能耗47]。
5.2。RL算法资源管理
规定的服务质量(QoS)和质量的经验(体验质量)是最紧急的指标对于车辆用户来说,必须保持在可接受的水平。因此,许多资源管理算法预期IoV通信来提高网络性能。介绍了软件定义网络的资源管理算法,确保车辆用户的QoS (74年]。需要提供高效、可靠的通信设备间通信使用V2V等改进的可能性减少传输延迟和功耗,同时提供本地包分配,提高频谱效率,减少增益特性(75年]。
高效传输交流(ETAC)学习方法可以实现一个智能IoV网络中资源的分配。智能资源管理是非常重要的与智能决策和授权V2X沟通满足多个QoS需求V2V通信延迟和可靠性等要求,除了确保合适的数据速率要求V2I频道。RL,作为一个解决方案,使采用马尔可夫决策过程和actor-critic (AC)框架,将提供一个智能的资源分配机制。这种机制允许一个新的马尔可夫奖励函数分配IoV智能资源网络中提到以下方程(44]: 在哪里代表数据率之和,和削减成本函数。系数 的重量是 , ,和,用于平衡效用和成本。代表了D2D-V2V两集。在IoV网络,每个代理选择策略利用奖励 代表政府行动的函数是一个总结折扣换取启动网络年代一个假定的政策在下列方程(46]:
智能资源管理旨在找到政策最好的描述网络目标回报的最大化,在以下方程: 在哪里代表国家传播功能, 代表了随机政策与国家年代完成当前动作。它揭示了条件概率密度的行动(a) (s)。鉴于上述情况,政策改进的数值通过应用价值与RL算法迭代方法(76年]。
的概率满足V2I V2V是增加了ETAC的贡献,获得车辆的速度绝对伏特加,考虑在D2D-V2V通信设备车辆用户的变化。RL ETAC优于其他算法,如图7。
AC代理可以使用智能资源管理应用于满足用户的QoS。评论家过程:评论家的交流学习过程的目的代理是评估政策质量,学习系统应该搜索(45]。过程:stochastic-policy-gradient的玩家(PG)技术通常雇玩家部分参数化政策,提高政策彻底提高目标函数如下方程: 在哪里 是未来的向量。接下来,政策参数向量梯度的基础上更新目标奖励给在下列方程(43]: 在哪里是actor-learning率。
ETAC使车辆用户导入学习策略从经验VUE和给一个独立的学习过程。就业的参数向量ν合理化的评论家。这一政策由演员[合理化77年]。
标准的交流方法的问题可以解决推行资格提高学习的效率。协调工作的特点与减少不准确的参数波动的角度。活动方法有助于提高学习的总体质量增加收敛的速度(56,78年]。绩效评估ETAC如图8。通过观察不同数量的D-VUEs,很明显,ETAC给出更好的结果比其他强化学习方法的改进和利率。
5.3。性能优化算法
IoV网络结构,大量的数据交换在不同IoV车辆,限制,和基础设施。数据应该存储和交换在一个安全的环境来提高交通安全性和效率。两种类型的操作是在IoV网络数据存储和共享。区块链系统强化学习将有助于优化IoV网络的性能(79年]。
区块链框架包括两个主要部分。第一部分,块生产商,与节点的数量的假设,块生产商,候选人块,一组节点,计算资源。第二部分,共识模型,适用于实际拜占庭容错(PBFT)算法一致认为是一种非常健壮的协议(61年,77年,80年]。客户端问题一块或共享存储的事务数量和验证通过广播到其他验证器有共识。这个过程包括交换和验证消息,如图9。时变传输链接通过有限状态马尔可夫链建模方法加以)[80年]。
在不同方案应用区块链系统,平均延迟/时间终结(TTF)随平均计算资源的增加,因为更多的计算能力之间达成协议能够更迅速验证器(82年]。
6。深上优于IoV网络性能
IoV网络提供高移动性宽带接入获得了行业和科学家的重视。由于交通事故的不断增加,迫切需要快速和智能分析系统;因此,许多科学家提供了许多研究在这一领域,采用深度学习证明业绩和高性能的技术领域的碰撞检测,分析,和通知(83年]。像OSI模型,IoV等多层体系结构由网络和应用程序层,这依赖于智能交通系统(ITS)。
6.1。深上优于IoV网络级数据分析
DL方法使多层体系结构的发展,包括智能计算和大数据分析IoV维度。IoV维度分为层来支持业务相关数据分析(84年]。这些层声明如下:(我)感知层由大多数IoV设备如传感器、致动器,汽车,和智能手机(2)基础设施网络层主要包含IoV限制和基站等基础设施组件,这是视为IoV的骨干网络(3)人工智能层允许程序与计算智能算法和架构(iv)通信层提供了所需的通信技术如5 G和4 G / LTE (85年]。
各种DL技术用于数据分析图像分类。深度学习提出《盗梦空间》v3网络体系结构是采用二进制图像分类来达到最好的图像分类结果。(35]。《盗梦空间》v3雇佣了两个深度学习网络架构,密集连接卷积网络(DensNet)增加高维神经网络的深度。此外,squeeze-and-excitation网络(SENet)负责过滤最后输出功能取消或删除功能,不需要当前任务(85年]。
6.2。深入学习驱动App-Level IoV数据分析
应用程序层的功能是提供数据和控制的api允许应用程序使用分布式数据存储和确定的配置部署。这一层负责提供IoV网络通过公共通信架构与应用IoV [87年]。IoV网络需要实时数据收集和分析,以确保及时和适当的操作;例如,一辆救护车需要实时交通信息数据,以避免交通堵塞和拯救生命。
维护IoV QoS需求是至关重要的应用程序改善IoV的操作服务。在应用程序层,服务层提供的web服务应用程序通过订阅数据部署策略(88年]。这些策略发布/订阅策略访问,可以让应用程序注册他们的兴趣对服务更新通知。总的来说,可以分为三个主要的应用程序集,实时(RT)、批量信息required-based应用,近乎实时的(NRT)。
推动和发布的策略被认为是RT和批处理应用程序的最佳选择。而近乎实时的(NRT),拉或订阅最合适的方法。提到的策略使用DL的方法可以增强适应性交通message-scheduling应用程序。历史数据批处理所需的数据要求;因此,它有一个低的QoS要求的延迟(89年]。卸载过程和安全应用程序实时QoS要求实时应用需要;这些应用程序帮助在视频处理等复杂数据处理IoV网络。
6.3。深入学习驱动IoV网络控制
5 g IoV建设通信,有线和无线网络的网络由需要一个聪明的方法来处理网络的数据流量大幅增长的性质不同网络风景,比如云计算,移动性和大数据操作(90年]。使IoV网络更聪明,DL使学习如何路由路由器之间的网络流量,优化网络性能。DL展示了有前景的结果在网络控制,通过将框架划分为阶段。第一阶段是初始阶段,相关数据获得了培训系统。第二阶段的培训阶段依赖于前一阶段收集的数据,采用监督学习算法训练DL-based架构。第三阶段代表了运行阶段,我们把学习算法转化为行动,交通模式作为一个输入,输出一个新的路径或路线在了解网络行为基于深度学习算法(91年]。
虚拟化的方法是一种新的进步IoV网络有更多的控制网络资源和提高网络性能。唯一的源输入/输出虚拟(SS-IOV)环境允许I / O设备提出了利用虚拟机在运行时没有减量整个网络的吞吐量。SR-IOV能够创建虚拟函数,让客人直接访问(35]。它是一个有效的网络设备,它提供了输入/输出性能的好处,减少中央处理单元(CPU)就业虽然显著增加可伸缩性和设备的共享能力92年]。
6.4。预测分析深度学习的“回归”的问题
毫升使用监督学习在一个输入变量x和输出变量y使用一个学习算法在研究映射的输入/输出功能 。毫升过程简单的输入和输出是预测学习过程完成后. .监督机器学习方法包括线性和逻辑回归、分类、决策树、支持向量机(93年]。回归状态建模协会的操作在一个或多个独立变量和因变量;其主要目标是预测。问题通常发生在回归应该预测数值,如价格,车辆的数量,预测需求预测,等在一个队列的长度。
6.4.1。简化的依赖和独立变量的回归
这些模型提供约定的平均表达的功能和方差函数,假设一些变换, 可以写成
陈述之间的关系y和u,简单线性回归是操作只有一个预测。
6.4.2。多元回归
回归问题的发生引发了需要考虑操作与一个以上的预测,因变量y同时取决于预测x1,x2、…xn。我们开始与n预测x1、…xn建立一个组k基于预测的条件u我1,u我、…uk- - - - - -我多元线性回归均值函数(93年]。
DL架构可以解决回归问题,证明为其演示执行计算机视觉的差事如图片分类,问题发现,照片检查(95年]。常见的工程由几个卷积层,之后几完全连接层和一个分类的最大层(96年,97年]。深回归算法给出了结果在传统视觉复发问题,如人体姿态估计和面部点感兴趣的发现。
7所示。基于机器学习IoV未来趋势和部署的挑战
到2030年,预计相关服务自动车辆将成为完全自动化,覆盖大部分的应用程序相关的智能驾驶和交通安全98年]。这个预期将很快成为现实通过使用机器和深度学习机制,发挥重要作用的发展中大多数应用程序相关的自动驾驶。这些机制有能力构建算法进行智能学习和预测相关网络安全,控制和资源管理。
随着技术的增加在未来,汽车网络和通信之间的联系,计算和资源管理变得更加复杂,和最近的研究倾向于使用深度学习技术来改善服务质量要求(42]。当考虑如何应用深度学习机制IoV应用,研究人员面临着几个挑战,为未来的研究代表丰富的环境。这些挑战相关并发症与大数据相关的计算、控制处理,和资源管理,这需要大量的改进来获得一个连贯的系统能够满足服务质量和用户的质量要求。
8。结论
DL的快速发展的方法、模型和框架的思想IoV应用的快速发展和政府越来越广泛的激活查询关于进步的生活方式。深刻学习方案IoV讨论了本文计算卷积,深入强化学习(DRL),传统的神经网络(CNN),复发性神经网络(RNNs)。执行这些计划已经证明了一个高大IoV连接应用程序和政府时,即,我n我ndependent driving, activity checking, mishap avoidance, activity direction frameworks, secure route, electronic fee collection, and secure route. In the future, the ML guarantees to optimize the arrangements to the Qo/QoS for perceptive future IoV systems. The enhancements will upgrade information-gushing quality for amusements and activity administrations. [99年)在任何情况下,发送的ML IoV将面对不同的挑战由于巨额交易信息和独特资产的可用性。
数据可用性
生成的数据和代码和/或分析在当前研究可从相应的作者以合理的要求。
的利益冲突
作者宣称没有利益冲突。
确认
这项研究受到了塔伊夫大学的研究人员与支持项目数量(TURSP-2020/216),塔伊夫大学,塔伊夫,沙特阿拉伯。