摘要
城市场景中车联网网络客观存在路网交错复杂，拓扑频繁变化，以及通信协议多样等特性，导致数据来源、采样方法以及数据结构等存在差异，同时使得车联网连通冗余以及稳定性低，即通达性问题。现有研究方法主要从统计学角度进行粗粒度数据处理，没有综合考虑车联网自身特性，缺少有效处理时空数据的方法，从而从源头上缺乏对车联网通达性提供支撑的时空有效信息。针对以上问题，本文从城市场景出发，围绕“时空数据分析→连通性度量模型→网络通达方法”的主线开展研究。主要研究内容包括如下四个方面： (1)针对车联网时空数据异构以及拓扑频繁变化导致的连通性问题，给出基于噪声去除和数据填充的源数据处理方法，构建基于张量因子聚合的神经网络模型，用来预测车辆节点之间的连通强度。仿真实验结果表明，该模型可以有效预测节点之间的连通强度，从而为车联网通达性研究提供铺垫。 (2)针对无基础设施车联网整体网络存在无法互连互通问题，基于车联网连通强度，给出路径连通程度度量及其通达性方法。仿真实验结果表明，该方法可以评估已连通路径的通达性，并对未连通路径进行通达性预测。 (3)针对有基础设施车联网中单个基础设施范围内存在连通效率低下问题，基于车联网连通强度，给出有基础设施车联网的连通性方法。仿真实验结果表明，该方法可以有效减少连通冗余和RSU负载。
NETL