【摘 要】
：
道路通行时间的预测是城市交通规划过程中重要的参考因素，随着人们对智能交通系统的重视，越来越多的地区开始部署智能交通系统，同时自动驾驶技术的发展和交通法规的逐渐完善使得车辆行驶行为越发具有可控性和可预测性。在此前提下，本文通过分析车辆在城市场景中的一般运动规律，结合车间通信技术提出了一套基于行驶方案共享的通行时间预测方法。该方法通过汇集道路中车辆的行驶规划信息，考虑车辆通过城市道路的相互影响，对车辆
【机 构】
：
武汉大学软件工程国家重点实验室;武汉大学计算机学院 武汉大学计算机学院
【出 处】
：
第二十一届全国网络与数据通信学术会议(NDCC2016)
论文部分内容阅读
道路通行时间的预测是城市交通规划过程中重要的参考因素，随着人们对智能交通系统的重视，越来越多的地区开始部署智能交通系统，同时自动驾驶技术的发展和交通法规的逐渐完善使得车辆行驶行为越发具有可控性和可预测性。在此前提下，本文通过分析车辆在城市场景中的一般运动规律，结合车间通信技术提出了一套基于行驶方案共享的通行时间预测方法。该方法通过汇集道路中车辆的行驶规划信息，考虑车辆通过城市道路的相互影响，对车辆通过道路的过程进行预测，提高了通行时间的预测精度，并能够将以道路为单位的预测模式进一步地细化为以单个车辆为基准的预测模式。仿真实验结果证明，本文提出的方案能够显著提高车辆通行时间的预测精度，为交通调度提供更加准确和可靠的参考。
其他文献
情感分析的主要目的 是预测用户在互联网络中发布的情绪数据的极性(积极的或者消极的)。传统的情感分析方法主要通过人工注释进行标注，工作费时、成本昂贵。与此同时，英语语料库带标记的资源比较丰富，汉语的语料库带标记的比较稀疏，如果直接使用英语资源训练一个分类器应用到汉语，则这个分类器的性能会非常低。
容迟容断网络(DTN)能够适应复杂恶劣的受限网络环境，但面临诸多设计挑战，其中之一就是设计高效可靠的路由算法。首先，说明了DTN 路由的设计难点和相关工作。然后，阐述了基于时间表的集结-展开移动模型。
IEEE802.11 的点协调(Point Coordination Function,PCF)接入是典型的无线局域网媒体接入控制方式,能够提供具有服务质量保障的无冲突数据接入,然而目前针对该类接入策略能效的研究相对较少.本文针对同播光载无线分布式天线系统(Radio-over-Fiber based Distributed Antenna Systems,RoF-DAS),提出一种基于IEEE8
随着国内高速铁路建设的迅速发展,在高速铁路上要求移动办公、娱乐的客户需求与日俱增,而现有的蜂窝移动通信以及针对铁路的移动通信铁路全球系统(Global System for Mobile Communication-Railway,GSM-R)均不能很好地满足客户对宽带无线通信的服务质量(Quality of Service,QoS)需求,面临着诸多技术挑战,其中最基础的挑战就是信道建模。
现有的情景感知推荐方法，仅从单视图角度获取用户偏好，并且未考虑在社会化网络环境下用户认知心理与其偏好行为间的内在联系，导致了推荐结果无法有效的覆盖用户潜在的偏好特征，影响了推荐质量.受分布式认知模型及多视图学习理论启发，提出了一种基于多视图群集认知优化的情景感知推荐方法，基于社交关系网络与个体认知行为，从社会化认知的角度获取用户认知行为间的关联关系，建立了包含认知依赖、认知风险、群集认知等因素的认
在大规模MIMO-OFDM 系统中,MIMO 信道容量依赖于接收端和发射端对信道状态信息(CSI)的已知。在MIMO 系统中对每个子载波的CSI 不加以处理而直接反馈,则反馈开销非常大。因此,对CSI 压缩处理便显得尤为重要。
为降低终端能耗,IEEE 802.16e 标准定义了休眠模式,而休眠模式所能达到的节能效果需要通过合理地设计调度算法进行保证.本文结合休眠模式,提出一种避免终端空闲状态的节能调度算法—IAVB(Idlestate Avoidance and Virtual Burst)算法.
随着网络应用的大量涌现,传统网络面临诸多挑战,下一代互联网(Next Generation Internet,NGI)技术应运而生.NGI 不仅需要为用户提供可以保证QoS(Quality of Service)的、高质量的通信服务,并且需要支持总最佳连接ABC(Always Best Connected),保证用户总是以最优方式接入网络.
网络需求由主机到主机的通信演进为主机到网络的海量信息访问。以信息为中心的网络(InformationCentric Networking,ICN)是目前一种主流的未来互联网体系结构设计方向,而命名数据网络(Named DataNetworking,NDN)是一种典型的ICN 网络。
在无线传感器网络(WSN)中，溯源数据(Provenance)记录了一个数据从产生至被传输到基站(BS)途经的所有节点以及在这些节点上对数据的操作，因此溯源数据的大小会随着参与数据转发、聚合节点数量的增加而快速膨胀，导致WSN 的带宽和能量迅速损耗。