一种车载端为主的城市路网当前与未来速度查询方法

韩京宇; 王彦之; 陈进; 晏鑫鑫; 张怡婷

doi:10.11999/JEIT240102

一种车载端为主的城市路网当前与未来速度查询方法

doi: 10.11999/JEIT240102

南京邮电大学计算机学院南京 210003

基金项目: 江苏省重点研发计划(BE2022065-5)

详细信息

作者简介:
韩京宇：男，教授，研究方向为空间时态数据库、大数据与机器学习

王彦之：男，硕士生，研究方向为机器学习与数据挖掘

陈进：男，硕士生，研究方向为数据库系统与数据挖掘

晏鑫鑫：男，硕士生，研究方向为时空数据管理与数据挖掘

张怡婷：女，副教授，研究方向为大数据管理与网络安全

通讯作者:
韩京宇　jyhan@njupt.edu.cn

中图分类号: TN929.53; TP311.132
计量
- 文章访问数: 205
- HTML全文浏览量: 87
- PDF下载量: 26
- 被引次数: 0
出版历程
- 收稿日期: 2024-02-26
- 修回日期: 2024-06-15
- 网络出版日期: 2024-06-24
- 刊出日期: 2024-09-26

A Mobile-Side-Dominant Method for Querying Present and Future Velocity on Urban Roads

School of Computer Science, Nanjing University of Posts and Telecommunications, Nanjing 210023, China

Funds: Jiangsu Provincial Key Research & Development Plan (BE2022065-5)

摘要

摘要: 城市智能交通管理中经常查询路段的当前和未来交通速度，该文提出一种车载边缘为主(VED)的城市路段速度查询和预测方法：车载端在速度低于一定阈值时，与其它车载端交换收集到的数据，并在本地构建轻量级的当前和历史速度索引，以支持当前速度查询。为了用尽可能少的模型支持速度预测，提出根据路段拓扑同构将路网划分成若干路段等价类，根据周期性时窗和路段等价类将整个时空划分成若干模型等价类，同一个模型等价类的路段在给定时窗呈现相似的交通运行模式。针对每个模型等价类，车载端和数据中心配合进行联邦学习，训练长短期记忆模型(LSTMs)并存储在车载端，以响应车载端对附近未来交通状况的查询。每个车载端本地索引数据、本地响应查询，避免了查询响应延迟和通信拥塞；数据保存在车载端，而非集中存放，避免了安全攻击导致的隐私泄漏。
- 智能交通 /
- 查询 /
- 预测 /
- 索引 /
- 联邦学习
Abstract: Querying present and future traffic velocities of road segments is a routine task in urban intelligence transportation management, and a Vehicle-equipped-Edge Dominant (VED) method is proposed to answer the querying of present and future velocity of urban road segments. The collected data is exchanged with the other mobile sides by every vehicle-equipped mobile side when the mobile side’s speed falls below a given threshold, and the light-weighted present and history velocity indexes are constructed locally to support the querying of present velocity. To train as few models as possible to predict future velocities, a road network is proposed to be partitioned into a set of road-segment clusters based on the segments’ topological morphism and the spatio-temporal space is proposed to be partitioned into a set of model-equivalence classes according to the periodic time windows and road-segment clusters. The similar traffic patterns are exhibited by the road segments in the same model-equivalence class within the given time window. For every model-equivalence class, the federated learning is performed between the mobile sides and the data center to train the Long Short-Term Memories (LSTMs) which are stored at the mobile sides to answer the querying of future velocities of nearby areas. Data is indexed by every mobile side and queries are answered locally, thus the query response latency and possible communication congestion can be avoided. Further, data is stored at the mobile sides, rather than at one data center, so as to prevent the privacy leakage due to security attacks.
- Intelligence transportation /
- Query /
- Prediction /
- Index /
- Federated learning

HTML全文

1. 引言

20世纪90年代，混沌同步现象首次被发现存在于两个耦合的系统中，这一突破性的发现为混沌理论应用于通信领域奠定了基础。此后，国内外众多学者开始研究混沌理论在通信领域的应用，混沌通信技术成为非线性动力学系统中的一个重要应用分支。混沌信号产生方式简单，具有初始条件极度敏感性、优良的频谱特性、高度随机性、非周期性以及良好的自(互)相关性等特性^[1,2]，在保密通信中具有较大应用价值^[3-6]。

Kolumban等人于1996年提出第1种非相干混沌数字解调技术—差分混沌移位键控(Differential Chaos Shift Keying, DCSK)技术；后又针对DCSK中发送信号比特能量不恒定的问题，提出调频DCSK(Frequency Modulated DCSK, FM-DCSK)技术。DCSK和FM-DCSK都采用传输参考(Transmitted-Reference, T-R)模式，分时隙发送参考信号和信息信号，因此具有较好的误码性能，但也造成了系统的传输速率极低^[7,8]。针对传输速率低的缺点，文献[9-12]以DCSK和FM-DCSK为基础提出改进方案，虽提高了传输速率，但也增加了系统复杂度。文献[13]以高效差分混沌移位键控(High Efficiency Differential Chaos Shift Keying, HE-DCSK)系统为基础进行改进，提出VHE-DCSK(Very High Efficiency Differential Chaos Shift Keying)系统，将信息信号延迟不同时间从而实现多用户传输。文献[14]提出多载波差分混沌移位键控(MultiCarrier Differential Chaos Shift Keying, MC-DCSK)系统，通过使用多个不同中心频率的载波来实现信息比特的并行传输。文献[15]提出短参倍速差分混沌键控(Short Reference Multifold Rate Differential Chaos Shift Keying, SRMR-DCSK)系统，增加单个信息时隙内传输的比特数用于提升系统的传输速率。

Walsh码具有良好的正交特性和产生方式简单等优点，且Walsh码的引入不会过多地增加系统复杂度。为有效提升传输速率和能量效率，本文结合Walsh码的优良特性，提出一种OMU-SR-DCSK系统，将参考时隙缩短为信息时隙的 ${1 / P}$ ，并在参考时隙后增加两路连续的信息时隙，使得系统发送一帧共可传输 $2N\,{\rm{bit}}$ 用户信息，Walsh码保证用户间完全正交，完全消除了相关运算时产生的用户间干扰，改善了系统误码性能。

2. OMU-SR-DCSK系统原理

Hadamard矩阵中只包含“+1”和“–1”两种元素，Walsh函数码是一组同步正交码，故可由 ${2^n}$ 阶Hadamard矩阵产生，码序列构造为^[16]

${{{W}}_{{2^n}}} = \left[ {\begin{array}{*{20}{c}} {{{{W}}_{{2^{(n - 1)}}}}}&{{{{W}}_{{2^{(n - 1)}}}}} \\ {{{{W}}_{{2^{(n - 1)}}}}}&{ - {{{W}}_{{2^{(n - 1)}}}}} \end{array}} \right]$

(1)

式(1)中， $n = 0,1, ···$ , ${{{W}}_{{2^0}}} = [1]$ 。矩阵的每行代表一个长度P 的Walsh码序列， $P = {2^n}$ 。

图1为DCSK和OMU-SR-DCSK系统第k帧结构对比图。相比于DCSK系统，OMU-SR-DCSK系统将参考信号长度缩短为 $R(R = {\beta / P})$ ，有效节省了时间和能量，其中，将扩频因子 $\beta$ 定义为比特周期 ${T_s}$ 和码片周期 ${T_c}$ 的比值，为便于后文理论公式的推导，取 ${T_c} = 1$ ；此外，还将信息时隙由1路扩展为2路，每个信息时隙内，用户之间乘以不同的Walsh码 ${w_{i,j}}$ 加以区分，使得系统发送1帧共可传输 $2N\,{\rm{bit}}$ 用户信息，从而提高了传输速率和能量效率，Walsh码的引入消除了用户间干扰项，改善了系统误码性能。

图 1 OMU-SR-DCSK和DCSK系统第k帧结构对比图

下载: 全尺寸图片幻灯片

图2为OMU-SR-DCSK系统的发送机结构。首先由混沌信号发生器产生一段R长度的混沌序列 ${x_{i,k}}$ ，经重复 $P$ 次后，其长度变为 $\beta$ 。然后将这段长度为 $\beta$ 的混沌序列延迟R，用于传输前N个用户的信息比特，每个用户分别与 ${w_{i,j}}(\,\,\,\,j = 1,2, ··· ,N)$ 相乘，后由加法器将前N个用户信息加和在第1个信息时隙内传输；同理，将这段长度为 $\beta$ 的混沌序列延迟 $(P + 1)R$ ，用于传输后N个用户的信息比特，为每个用户分配一段Walsh码序列 ${w_{i,j}}$ ，后将这N个用户信息加和在第2个信息时隙内传输。则第k帧的发送信号 ${s_{i,k}}$ 表达式为

图 2 OMU-SR-DCSK系统发送机结构

下载: 全尺寸图片幻灯片

${s_{i,k}} =\,\,\left\{ \begin{aligned} & {x_{i,k\,}}\,,\,\,\,\,\,\,\,\,\,\,\,\,\,\,\,\,\,\,\,\,\,\,\,\,\,\,\,\,\,\,\,\,\,\, 0 < i \le R\,\,\,\\ & \sum\limits_{j = 1}^N {{w_{i,j}}{b_j}{x_{i - R,k}},\,\,\, R < i \le (P + 1)R} \\ & \sum\limits_{j = 1}^N {w_{i,j}}{b_{N + j}}{x_{i - (P + 1)R,k}}\,,\\ & \qquad\qquad\qquad\quad\ \ (P + 1)R < i \le (2P + 1)R \\ & {x_{i - R,k}} \equiv {x_{0,k}}\,,\,\,\,\,\,\,\,\, od (R) \end{aligned} \right.$

(2)

式(2)中， ${w_{i,j}}$ 为第j和第N+j个用户所乘的Walsh码序列， $b{}_j$ 和 $b{}_{N + j}$ 分别为第j和第N+j个用户的信息比特，由 ${s_{i,k}}$ 表达式计算平均比特能量 ${E_{{\rm{b,OMU - SR - DCSK}}}}$ 为

${E_{{\rm{b,OMU - SR - DCSK}}}} = {{(1 + 2NP)R{T_c}{\rm{E}}(x_{i,k}^2)} / {(2N)}}$

(3)

图3为OMU-SR-DCSK的接收机结构。解调端将接收信号 ${r_{i,k}}$ 延迟R，用于分离出前N个用户信息的参考信号；同理，延迟 $(P + 1)R$ 用于分离出后N个用户信息的参考信号；若要解调出信息比特 ${b_u}$ ( ${b_{N + u}}$ )，需将接收信号 ${r_{i,k}}$ 与对应的Walsh码 ${w_{i,u}}$ 相乘，再与参考信号进行P次相关运算，则第k帧第 $u(u = 1,2, ··· ,N)$ 个用户和第N+u个用户的相关器输出值 ${Z_u}$ 和 ${Z_{N + u}}$ 表示为

图 3 OMU-SR-DCSK系统接收机结构

下载: 全尺寸图片幻灯片

${Z_u} = \sum\limits_{p = 1}^P {\sum\limits_{i = 1}^R {{r_{i,k}}} } {r_{i - R,k}}{w_{i,u}}$

(4)

${Z_{N + u}} = \sum\limits_{p = 1}^P {\sum\limits_{i = 1}^R {{r_{i,k}}} } {r_{i - (P + 1)R,k}}{w_{i,u}}$

(5)

相关运算值 ${Z_u}$ ( ${Z_{N + u}}$ )经相关器输出后，再送入门限判决器进行判决，根据式(6)的判决准则，最终可恢复出信息信号 ${b_u}$ ( ${b_{N + u}}$ )。

${b_u} = \left\{ \begin{aligned} & + 1\,\,,\,\,\,\, {Z_u} \ge 0 \\ & - 1\,\,,\,\,\,\,\, {Z_u} < 0 \\ \end{aligned} \right., \,\,{b_{N + u}} = \left\{ \begin{aligned} & + 1\,,\,\,\,\,\,\, {Z_{N + u}} \ge 0 \\ & - 1\,,\,\,\,\,\, {Z_{N + u}} < 0 \end{aligned} \right.$

(6)

3. OMU-SR-DCSK系统性能分析

2阶Chebyshev映射作为最常用的产生混沌序列的混沌映射方程之一，且利用该映射产生的混沌序列拥有良好的数学统计特性。因此，OMU-SR-DCSK系统采用2阶Chebyshev映射产生混沌序列 ${x_{i,k}}$ ，并将其归一化。归一化后的混沌序列其均值为0，方差为1。

多径Rayleigh衰落信道更接近于实际应用中的传输信道，因此采用两径Rayleigh衰落信道模型作为OMU-SR-DCSK系统信道模型，两径Rayleigh衰落信道模型如图4所示。

图 4 两径Rayleigh衰落信道模型

下载: 全尺寸图片幻灯片

其中， ${n_{i,k}}$ 是均值为0，方差为 ${{{N_0}} / 2}$ 的加性高斯白噪声， $\tau$ 是两个独立信道之间的延迟， ${\alpha _1}$ 和 ${\alpha _2}$ 代表两个独立的、服从Rayleigh分布的信道随机变量，其概率密度函数表示为

$f(\alpha |\sigma ) = (\alpha /{\sigma ^2}){{\rm{e}}^{ - {\alpha ^2}/(2{\sigma ^2})}}\,\,,\,\,\,\,\,\,\,\,\,\,\,\,\,\alpha > 0$

(7)

经图4中Rayleigh信道传输后，接收信号 ${r_{i,k}}$ 的表达式可表示为

${r_{i,k}} = {\alpha _1}{s_{i,k}} + {\alpha _2}{s_{i - \tau }}_{,k} + {n_{i,k}}$

(8)

由于第k帧第 $u$ 个和第 $N + u$ 个用户的解调方式相同，故以解调第k帧第 $u$ 个用户的信息比特为例，分析OMU-SR-DCSK系统理论BER公式的推导过程。则相关运算值 ${Z_u}$ 的表达式可进一步表示为

$\begin{split} {Z_u} =\,& \sum\limits_{p = 1}^P {\sum\limits_{i = 1}^R {({r_{i,k}}{r_{i - R,k}}{w_{i,u}})} } \\ =\,& \sum\limits_{p = 1}^P \sum\limits_{i = 1}^R (({\alpha _1}\sum\limits_{j = 1}^N {w_{i,j}}{b_j}{x_{i - R,k}} \\ & + {\alpha _2}\sum\limits_{j = 1}^N {{w_{i,j}}{b_j}{x_{i - R - \tau ,k}}} + {n_{i,P,k}})\\ & \cdot ({\alpha _1}{x_{i - R,k}} + {\alpha _2}{x_{i - R - \tau ,k}} + {n_{i - R,k}}){w_{i,u}} ) \\ =\,& A + B + C \end{split}$

(9)

$A = \sum\limits_{p = 1}^P {\sum\limits_{i = 1}^R {(\alpha _1^2{b_u}x_{i - R,k}^2 + \alpha _2^2{b_u}x_{i - R - \tau ,k}^2)} }$

(10)

$B = \sum\limits_{p = 1}^P {\sum\limits_{i = 1}^R {({n_{i,P,k}}{n_{i - R,k}}{w_{i,u}})} }$

(11)

$\begin{split} \; C =\,&\sum\limits_{p = 1}^P {\sum\limits_{i = 1}^R {({\alpha _1}{x_{i - R,k}}{n_{i,P,k}} } }\\ & +\alpha _1^2\sum\limits_{j = 1,j \ne u}^N {{w_{i,j}}{b_j}{x_{i - R,k}}{x_{i - R,k}}{w_{i,u}}} \\ &+ \alpha _2^2\sum\limits_{j = 1,j \ne u}^N {{w_{i,j}}{b_j}{x_{i - R - \tau ,k}}{x_{i - R - \tau ,k}}{w_{i,u}}} \\ & +{\alpha _2}{x_{i - R - \tau ,k}}{n_{i,P,k}} + {\alpha _1}{\alpha _2}\\ & \cdot \sum\limits_{j = 1,j \ne u}^N {{w_{i,j}}{b_j}{x_{i - R,k}}{x_{i - R - \tau ,k}}{w_{i,u}}}\\ &+ {\alpha _1}\sum\limits_{j = 1}^N {{w_{i,j}}{b_j}{x_{i - R,k}}{n_{i - R,k}}{w_{i,u}}} \\ & +{\alpha _2}\sum\limits_{j = 1}^N {{w_{i,j}}{b_j}{x_{i - R - \tau ,k}}{n_{i - R,k}}{w_{i,u}}}\\ &+ 2\,{\alpha _1}{\alpha _2}{b_u}{x_{i - R,k}}{x_{i - R - \tau ,k}}\\ & +{\alpha _1}{\alpha _2}\sum\limits_{j = 1,j \ne u}^N \!\!\!{{w_{i,j}}{b_j}{x_{i - R - \tau ,k}}{x_{i - R,k}}{w_{i,u}}} ) \!\! \end{split}$

(12)

假设Rayleigh衰落信道的延迟 $\tau$ 远远小于符号间隔，忽略不计 $\tau$ 的影响，有 $\displaystyle\sum\nolimits_{i = 1}^R {{x_{i,k}}{x_{i - \tau ,k}} \approx 0}$ ; ${n_{i,k}}$ 和 ${n_{i,p,k}}$ 具有相同的统计特性，都是均值为0、方差为 ${{{N_0}} / 2}$ 的高斯白噪声，其瞬时值服从高斯分布； ${n_{i,k}}$ 和 ${x_{i,k}}$ 之间相互独立，且当 $i \ne j$ 时， ${n_{i,k}}$ 和 ${n_{j,k}}$ 之间也相互独立；系统等概率发送二进制信息“+1”和“–1”。

基于以上假设，当扩频因子足够大时， ${Z_u}$ 近似服从高斯分布，故采用高斯近似法推导OMU-SR-DCSK在Rayleigh衰落信道和AWGN信道下的理论BER公式，对式(9)计算均值和方差得

${\rm{E}}[{Z_u}] = {\rm{E}}[A] + {\rm{E}}[B] + {\rm{E}}[C] = (\alpha _1^2 + \alpha _2^2)PR$

(13)

$\begin{split} \;{\rm{Var}} [{Z_u}] \,& = {\rm{Var}} [A] + {\rm{Var}} [B] + {\rm{Var}} [C] \\ & = \frac{1}{2}(\alpha _1^2 + \alpha _2^2)(NP + 1)PRN{}_0 + \frac{1}{4}PRN_0^2 \end{split}$

(14)

$\begin{split} \;{\rm{BER[}}{Z_u}{\rm{]}} =\,& \frac{1}{2}\Pr ({Z_u} < 0|{b_u} = + 1) \\ & + \frac{1}{2}\Pr ({Z_u} \ge 0|{b_u} = - 1) \\ =\,& \frac{1}{2}{\rm{erfc}} \left( {\frac{{\left| {{\rm{E}}[{Z_u}]} \right|}}{{\sqrt {2{\rm{Var}} [{Z_u}]} }}} \right) \end{split}$

(15)

其中， ${\rm{E}}[\centerdot ]$ 表示数学期望运算， ${\rm{Var}}[\centerdot ]$ 表示方差运算， ${\rm{erfc}}(x) = {{2\displaystyle\int_x^\infty {{{\rm{e}}^{ - {\mu ^2}}}} {\rm{d}}\mu } / {\sqrt{ \pi } }}$ 为互补误差函数。将式(13)和式(14)代入式(15)，计算第k帧第u个用户的BER公式为

$\begin{split} {\rm{BER}}({Z_u}) = \,& \frac{1}{2}{\rm{erfc}} \left( {\left[ {\frac{{\left| {{\rm{E}}[{Z_u}]} \right|}}{{\sqrt {2{\rm{Var}} [{Z_u}]} }}} \right]} \right)\,\,\\ =\,& \frac{1}{2}{\rm{erfc}} \left( \left[ \frac{{(NP + 1)(2NP + 1)}}{{2NP(\alpha _1^2 + \alpha _2^2)}}{{\left( {\frac{{{E_{\rm{b}}}}}{{{N_0}}}} \right)}^{ - 1}}\right.\right. \\ & \left.\left.+ \frac{{{{(2NP + 1)}^2}R}}{{8P{N^2}{{(\alpha _1^2 + \alpha _2^2)}^2}}}{{\left( {\frac{{{E_{\rm{b}}}}}{{{N_0}}}} \right)}^{ - 2}} \right]^{ - \frac{1}{2}} \right)\\[-20pt] \end{split}$

(16)

从而可得到OMU-SR-DCSK系统的瞬时BER公式为

$\begin{split} {\rm{BER}}({\alpha _1},{\alpha _2}) =\,& \frac{1}{2}{\rm{erfc}} \left( {\left[ {\frac{{\left| {{\rm{E}}[{Z_j}]} \right|}}{{\sqrt {2{\rm{Var}} [{Z_j}]} }}} \right]} \right)\,\,\\ =\,& \frac{1}{2}{\rm{erfc}} \left( \left[ \frac{{(NP + 1)(2NP + 1)}}{{2NP(\alpha _1^2 + \alpha _2^2)}}{{\left( {\frac{{{E_{\rm{b}}}}}{{{N_0}}}} \right)}^{ - 1}}\right.\right. \\ & \left.\left. + \frac{{{{(2NP + 1)}^2}R}}{{8P{N^2}{{(\alpha _1^2 + \alpha _2^2)}^2}}}{{\left( {\frac{{{E_{\rm{b}}}}}{{{N_0}}}} \right)}^{ - 2}} \right]^{ - \frac{1}{2}} \right) \end{split}$

(17)

令 ${\gamma _1} \!=\! \alpha _1^2({{{E_{\rm{b}}}} / {{N_0}}}),{\gamma _2} \!=\! \alpha _2^2({{{E_{\rm{b}}}} / {{N_0}}}),{\gamma _{\rm{b}}} \!=\! {\gamma _1} \!+ \! {\gamma _2}$ ，则式(17)可进一步化简为

$\begin{split} {\rm{BER}}({\gamma _{\rm{b}}}) =\,& \frac{1}{2}{\rm{erfc}}\Biggr( \Biggr[ \frac{{(NP + 1)(2NP + 1)}}{{2NP}}{{\left( {{\gamma _{\rm{b}}}} \right)}^{ - 1}} \\ & + \frac{{{{(2NP + 1)}^2}R}}{{8P{N^2}}}{{\left( {{\gamma _{\rm{b}}}} \right)}^{ - 2}} \Biggr]^{ - \frac{1}{2}} \Biggr)\\[-21pt] \end{split}$

(18)

令 ${\bar \gamma _1} \!=\! {\rm{E}}\left[ {{\gamma _1}} \right] \!=\! ({{{E_{\rm{b}}}} / {{N_0}}}){\rm{E}}\left[ {\alpha _1^2} \right],{\bar \gamma _2} \!=\! {\rm{E}}\left[ {{\gamma _2}} \right] \!=\! ({{E_{\rm{b}}}} / {{N_0}}){\rm{E}} \left[ {\alpha _2^2} \right]$ , ${\bar \gamma _1}$ 和 ${\bar \gamma _2}$ 服从式(19)的卡方分布

$f(\gamma )={{{{\rm{e}}}^{-{\gamma }/{{\bar{\gamma }}}\,}}}/{{\bar{\gamma }}}\,,\gamma \ge 0$

(19)

因此 ${\gamma _{\rm{b}}} = {\gamma _1} + {\gamma _2}$ 服从式(20)的卡方分布

$f({\gamma _{\rm{b}}}) = \left\{ \begin{aligned} & (\,{{{{\rm{e}}^{ - {{{\gamma _{\rm{b}}}} / {{{\bar \gamma }_1}}}}}{\gamma _{\rm{b}}})} / {\bar \gamma _1^2}}\,\,,\\ &\qquad {\rm{E}}[\alpha _1^2] = {\rm{E}}[\alpha _2^2] \\ & {{({{\rm{e}}^{ - {{{\gamma _{\rm{b}}}} / {{{\bar \gamma }_1}}}}} - {{\rm{e}}^{ - {{{\gamma _{\rm{b}}}} / {{{\bar \gamma }_2}}}}})\,\,} / {({{\bar \gamma }_1} - {\gamma _2})}}\\ &\qquad{\rm{E}}[\alpha _1^2] \ne {\rm{E}}[\alpha _2^2] \end{aligned} \right.$

(20)

由于信道参数是持续变化的，因此采用式(21)得到OMU-SR-DCSK在Rayleigh衰落信道下的BER公式为

$\begin{split} {\rm{BER}} =\,& \int_0^\infty {{\rm{BER}} \left( {{\gamma _{\rm{b}}}} \right)f({\gamma _{\rm{b}}}){\rm{d}}{\gamma _{\rm{b}}}\,} \\ =\,& \int_0^\infty \frac{1}{2}{\rm{erfc}} \left( \left[ \frac{{(NP + 1)(2NP + 1)}}{{2NP}}{{\left( {{\gamma _{\rm{b}}}} \right)}^{ - 1}} \right.\right.\\ & \left.\left. + \frac{{{{(2NP + 1)}^2}R}}{{8P{N^2}}}{{\left( {{\gamma _{\rm{b}}}} \right)}^{ - 2}} \right]^{ - \frac{1}{2}} \right)f({\gamma _{\rm{b}}}){\rm{d}}{\gamma _{\rm{b}}}\\[-21pt] \end{split}$

(21)

令式(17)中 ${\alpha _1}{\rm{ = }}1,\;{\alpha _2}{\rm{ = 0}}$ ，得到AWGN信道下的BER公式为

$\begin{split} {\rm{BER}} =\,& \frac{1}{2}{\rm{erfc}} \left( \left[ \frac{{(NP + 1)(2NP + 1)}}{{2NP}}{{\left( {\frac{{{E_{\rm{b}}}}}{{{N_0}}}} \right)}^{ - 1}} \right.\right.\\ & \left.\left.+ \frac{{{{(2NP + 1)}^2}R}}{{8P{N^2}}}{{\left( {\frac{{{E_{\rm{b}}}}}{{{N_0}}}} \right)}^{ - 2}} \right]^{ - \frac{1}{2}} \right)\\[-20pt] \end{split}$

(22)

4. OMU-SR-DCSK系统传输速率、能量效率和安全性分析

计算OMU-SR-DCSK和DCSK的传输速率 ${R_{{\rm{OMU \;-\; SR \;-\; DCSK}}}} \,=\, {{2N} / {((R \;+\; 2\beta )}}{T_{\rm{c}}})$ 和 ${R_{{\rm{DCSK}}}} = 1 / {(2\beta {T_{\rm{c}}})}$ ，平均比特能量 ${E_{{\rm{b,OMU - SR - DCSK}}}} = (1 + 2NP) {{R{T_{\rm{c}}}{\rm{E}}(x_{i,k}^2)} / {(2N)}}$ 和 ${E_{{\rm{b,DCSK}}}} = 2\beta {T_{\rm{c}}}{\rm{E}}(x_{i,k}^2)$ ，并分别将其代入式(23)和式(24)，得到OMU-SR-DCSK相比于DCSK的传输速率提升百分比 ${R_d}$ 和节省比特能量的百分比 ${E_B}$ 。

$\begin{split} {R_d}\,& = \frac{{{R_{{\rm{OMU - SR - DCSK}}}} - {R_{{\rm{DCSK}}}}}}{{{R_{{\rm{DCSK}}}}}} \times 100\%\\ & = \frac{{4N\beta - (2\beta + R)}}{{2\beta + R}} \times 100\% \end{split}$

(23)

$\begin{split} {E_B} \,& = \frac{{{E_{{\rm{b}},{\rm{DCSK}}}} - {E_{{\rm{b,OMU {\text{-}} SR {\text{-}} DCSK}}}}}}{{{E_{{\rm{b,DCSK}}}}}} \times 100\% \\ & = \frac{{4N\beta - (1 + 2NP)}R}{{4N\beta}} \times 100\% \end{split}$

(24)

图5和图6中分别分析了 $[P,N] = [4,2],[4,4]$ 时， ${R_d}$ 和 ${E_B}$ 的曲线。曲线表明：OMU-SR-DCSK相比于DCSK，极大程度上提升了传输速率，节约了比特能量。从式(23)和式(24)可以看出：当 $R = \beta$ 时，传输速率提高百分比 ${R_d}$ 只与用户数2N有关，比特能量节约百分比 ${E_B}$ 只与用户数2N和重复次数P有关。

图 5 传输速率提升百分比

${R_d}$

下载: 全尺寸图片幻灯片

图 6 比特能量节省百分比

${E_B}$

下载: 全尺寸图片幻灯片

图7和图8分别为DCSK和OMU-SR-DCSK的平方幅度谱。图7中，在归一化的比特频率为奇数时，DCSK的平方幅度为零，这是由于DCSK的信息信号只与参考信号同相或反相，从而导致了DCSK的安全性很低。而OMU-SR-DCSK的信息信号是N个信号的加和，且其参考时隙和信息时隙不等长，从图8中也可以发现，OMU-SR-DCSK的平方幅度谱具有类噪声性，证实了OMU-SR-DCSK的安全性很高。

图 7 DCSK的平方幅度谱

下载: 全尺寸图片幻灯片

图 8 OMU-SR-DCSK的平方幅度谱

下载: 全尺寸图片幻灯片

5. 系统仿真结果及分析

本节将在AWGN信道和两径Rayleigh衰落信道下对OMU-SR-DCSK系统进行仿真，验证理论BER公式推导的正确性，为确保仿真结果的准确性，仿真值均是在 ${10^6}$ 次仿真结果取平均值的前提下得到的。

5.1 AWGN信道下的误码性能分析

图9为各项参数取值 $[R,N,P] = [64,2,2], [128,2,2],[256,2,2]$ 时，系统BER随 ${{{E_{\rm{b}}}} / {{N_0}}}$ 变化的曲线，理论值和仿真值的良好契合验证了理论BER公式推导的准确无误性。图中显示 $R{\rm{ = }}64$ 时系统BER明显优于 $R{\rm{ = }}128$ 时的BER，这是由于R的增加导致信号间干扰增多，从而导致系统误码性能恶化。

图 9 R不同时BER随

${{{E_{\rm{b}}}} / {{N_0}}}$ 变化的曲线

下载: 全尺寸图片幻灯片

图10为 $[R,N,P] = [128,1,4], [128,2,4], [128,4,4]$ 时，系统BER随 ${{{E_{\rm{b}}}} / {{N_0}}}$ 变化的曲线。R和 $P$ 一定，在 ${{{E_{\rm{b}}}} / {{N_0}}} \le 10{\rm{dB}}$ 的情况下，不同N值对应的BER值基本吻合，而当 ${{{E_{\rm{b}}}} / {{N_0}}} > 12{\rm{dB}}$ 时，BER随着N的增加而增加。据此可见： ${{{E_{\rm{b}}}} / {{N_0}}}$ 较低的情况下，用户数变化不足以影响BER，此时扩频因子和重复次数为主要决定因素，而 ${{{E_{\rm{b}}}} / {{N_0}}}$ 较高的情况下，用户数成为误码性能恶化的主要影响因素。

图 10 N不同时BER随

${{{E_{\rm{b}}}} / {{N_0}}}$ 变化的曲线

下载: 全尺寸图片幻灯片

图11为 $[R,N,P] = [128,4,1], [128,4,2], [128,4,4]$ 时，系统BER随 ${{{E_{\rm{b}}}} / {{N_0}}}$ 变化的曲线。R和N一定，当 ${{{E_{\rm{b}}}} / {{N_0}}} \le 6{\rm{dB}}$ 时，不同 $P$ 值对应的BER值基本吻合，而当 ${{{E_{\rm{b}}}} / {{N_0}}} > 7{\rm{dB}}$ 时，BER随着 $P$ 的增加而增加。与N变化对BER的影响类似，在 ${{{E_{\rm{b}}}} / {{N_0}}}$ 较低的情况下， $P$ 值变化对误码性能的影响微乎其微，扩频因子和用户数为主要决定因素，而在 ${{{E_{\rm{b}}}} / {{N_0}}}$ 大于某个定值时，误码性能随着 $P$ 值的增加呈现恶化的趋势。区别于N值变化对系统误码性能影响的是：重复次数的变化对系统误码性能的影响更为显著。

图 11 P不同时BER随

${{{E_{\rm{b}}}} / {{N_0}}}$ 变化的曲线

下载: 全尺寸图片幻灯片

图12和图13为 ${{{{E_{\rm{b}}}} / N}_0} = 10\,\,\,{\rm{dB}},14\,\,\,{\rm{dB}}$ , N和 $P$ 取不同数值时，系统BER随R变化的曲线。根据图中曲线可以发现： ${{{E_{\rm{b}}}} / {{N_0}}}$ 越大误码性能越佳，且当 ${{{E_{\rm{b}}}} / {{N_0}}}$ 一定时，系统误码性能随着R的增加呈现恶化的趋势，最后趋于一个定值，而P值变化会影响这一定值，N值变化却不会影响这一定值。

图 12

${{{E_{\rm{b}}}} / {{N_0}}},P$ 不同时BER随R变化的曲线

下载: 全尺寸图片幻灯片

图 13

${{{E_{\rm{b}}}} / {{N_0}}},N$ 不同时BER随R变化的曲线

下载: 全尺寸图片幻灯片

表1中对比了OMU-SR-DCSK, SRMR-DCSK, VHE-DCSK和MC-DCSK系统的传输速率和能量效率，假设这几种系统的 $\beta$ 都相等。与长参考系统VHE-DCSK和短参考系统SRMR-DCSK相比，OMU-SR-DCSK的能量效率和传输速率都较优，而与多用户并行传输系统MC-DCSK相比，OMU-SR-DCSK采用多用户串行传输的方法，其能量效率虽优于MC-DCSK，但传输速率却远低于MC-DCSK。

表 1 OMU-SR-DCSK, SRMR-DCSK, VHE-DCSK和MC-DCSK系统的能量效率及传输速率

系统名称	传输速率( ${R_B}$ )	能量效率( ${E_\eta }$ )
OMU-SR-DCSK	${{2N} / {(R + 2\beta )}}$	${{2N\beta } / {(R + 2N\beta )}}$
SRMR-DCSK	${N / {(R + \beta )}}$	${{N\beta } / {(R + N\beta )}}$
VHE-DCSK	${N / {(2\beta }})$	${N / {(1 + N)}}$
MC-DCSK	${N / \beta }$	${N / {(1 + N)}}$

下载: 导出CSV

| 显示表格

为进一步分析表1中对比的几种系统的误码性能，图14中对比了AWGN信道下这几种系统的BER曲线。假设所有系统传输的信息比特数都相等，且 $\beta$ 也相等。观察图中BER曲线，当 ${{{E_{\rm{b}}}} / {{N_0}}} \le 11\;{\rm{dB}}$ 时，OMU-SR-DCSK, MC-DCSK和SRMR-DCSK的误码率基本相等，且都优于VHE-DCSK的误码率。但当 ${{{E_{\rm{b}}}} / {{N_0}}} > 11{\rm{dB}}$ 时，MC-DCSK的误码性能最优，其次是OMU-SR-DCSK。虽然OMU-SR-DCSK的误码性能差于多用户并行传输系统，但是相比于其他两种多用户串行传输系统，其误码性能较优。

图 14 AWNG信道下不同系统间误码性能对比

下载: 全尺寸图片幻灯片

5.2 两径Rayleigh衰落信道下的误码性能分析

本小节将在两径Rayleigh衰落信道下分析了OMU-SR-DCSK的误码性能。图15为R不同时，两种不同增益情况下的OMU-SR-DCSK系统BER曲线，其中，情况1为等增益情况，平均信道增益取值为： ${\rm{E}}\left[ {|{\alpha _1}{|^2}} \right] = {\rm{E}}\left[ {|{\alpha _2}{|^2}} \right] = {1 / 2}$ ，情况2为非等增益的情况，平均信道增益取值为： ${\rm{E}}\left[ {|{\alpha _1}{|^2}} \right] = {1 / 5}, {\rm{E}}\left[ {|{\alpha _2}{|^2}} \right] = {4 / 5}$ 。与AWGN信道下仿真类似，BER随着R增大而增大，且等增益情况下系统误码性能总是优于非等增益情况下的误码性能。

图 15 OMU-SR-DCSK系统在两种增益下的性能比较

下载: 全尺寸图片幻灯片

图16中对比了表1中几种系统的误码性能。当 ${{{E_{\rm{b}}}} / {{N_0}}}$ 较小时，OMU-SR-DCSK和SRMR-DCSK的误码率基本相等，都略优于MC-DCSK。但随着信噪比的增加，MC-DCSK的误码率逐渐降低，最后都优于其他几种系统，与AWGN信道下的对比结果一致，相比于其他两种多用户串行传输系统，OMU-SR-DCSK的误码性能最优。

图 16 不同系统在等增益情况下的性能比较

下载: 全尺寸图片幻灯片

6. 结束语

本文提出的OMU-SR-DCSK缩短了参考信号的长度，虽然会造成信噪比降低，从而影响系统的误码性能，但同时也提升了系统的传输速率、能量效率和安全性。此外，通过引入构造简单的Walsh码消除了用户间干扰，改善了OMU-SR-DCSK的误码性能，弥补了信噪比降低对系统误码性能造成的影响。通过仿真验证了OMU-SR-DCSK在传输速率和能量效率方面的优势，从而为其应用于多用户串行传输系统提供了理论依据。本文只分析了两路延迟线的情况，后续可扩展为M条延迟线，更大程度上提升系统的传输速率和能量效率；此外，将OMU-SR-DCSK与多载波技术结合，实现多用户并行传输也是后续需要研究的内容。

图 1 路网上车载端数据交换的示例

下载: 全尺寸图片幻灯片

图 2 路段z的进入与引出路段

下载: 全尺寸图片幻灯片

图 3 时空立方2-1-3-SH(z,5)中的2-3-IC(z,5)

下载: 全尺寸图片幻灯片

图 4 进入路段同构的推导示例

下载: 全尺寸图片幻灯片

图 5 z和z'的进入路段示例

下载: 全尺寸图片幻灯片

图 6 模拟数据集上gc随η的变化

下载: 全尺寸图片幻灯片

图 7 Geolife数据集上gc随η的变化

下载: 全尺寸图片幻灯片

图 8 Geolife上时隙范围对当前查询精度的影响(当前路段)

下载: 全尺寸图片幻灯片

图 9 Geolife上路段范围对当前查询精度的影响(当前时隙)

下载: 全尺寸图片幻灯片

图 10 Geolife上LSTM的数量随mn同构值的变化

下载: 全尺寸图片幻灯片

图 11 Geolife上LSTM的数量随β的变化

下载: 全尺寸图片幻灯片

图 12 未来查询精度随mn的变化(k=6)

下载: 全尺寸图片幻灯片

图 13 未来查询精度随时隙数k的变化(m=n=2)

下载: 全尺寸图片幻灯片

图 14 VED和Trellis时空覆盖率的对比

下载: 全尺寸图片幻灯片

图 15 不同时空范围下当前查询精度的对比

下载: 全尺寸图片幻灯片

2 inSphere

输入：路网 $\mathrm{D}\mathrm{N}$ ，进入同构参数 $m$ ，目标路段 $\mathrm{t}\mathrm{s}\mathrm{g}$
输出：路段 $\mathrm{t}\mathrm{s}\mathrm{g}$ 的 $m$ 跳距内的进入路段
(1) 初始化队列 $Q$ 并将 $\mathrm{t}\mathrm{s}\mathrm{g}$ 入队
(2) $\mathrm{v}\mathrm{i}\mathrm{s}\mathrm{i}\mathrm{t}\left(\mathrm{t}\mathrm{s}\mathrm{g}\right),\mathrm{ }\mathrm{r}\mathrm{e}\mathrm{t}\leftarrow \varnothing$
(3) while $Q$ 非空 do
(4) 　 $\mathrm{s}\mathrm{g}\leftarrow {Q}.\mathrm{p}\mathrm{o}\mathrm{p}\left(\cdot\right)$ , $\mathrm{r}\mathrm{e}\mathrm{t}\leftarrow \mathrm{r}\mathrm{e}\mathrm{t}\cup \left\{\mathrm{s}\mathrm{g}\right\}$
(5) 　if $\left\|\mathrm{s}\mathrm{g}\right\| < m$ then
(6) 　　获取 $\mathrm{s}\mathrm{g}$ 的所有直接前驱并将它们送入队列 $Q$
(7) 　end
(8) end

下载: 导出CSV

1 同构路段划分

输入：路网 $\mathrm{D}\mathrm{N}$ ，同构参数 $m$ 和 $n$ ，特征标签集合 $L$
输出：路段的同构分组
(1) 将 $\mathrm{D}\mathrm{N}$ 的第1个路段 $\mathrm{s}\mathrm{g}$ 压入栈 $\mathrm{S}\mathrm{K}$ 中
(2) while $\mathrm{S}\mathrm{K}$ 非空 do
(3) 　 $\mathrm{s}\mathrm{g}\leftarrow \mathrm{S}\mathrm{K}.\mathrm{p}\mathrm{o}\mathrm{p}\left(\cdot\right)$
(4) 　if $\mathrm{s}\mathrm{g}$ 未被处理过 then
(5) 　　　　 $\mathrm{v}\mathrm{i}\mathrm{s}\mathrm{i}\mathrm{t}\left(\mathrm{s}\mathrm{g}\right)$
(6) 　　　 $\mathrm{s}\mathrm{g}\mathrm{的}\mathrm{前}\mathrm{驱}\mathrm{路}\mathrm{段}\mathrm{i}\mathrm{n}\mathrm{s}\mathrm{g}\mathrm{s}\leftarrow \mathrm{i}\mathrm{n}\mathrm{S}\mathrm{p}\mathrm{h}\mathrm{e}\mathrm{r}\mathrm{e}\left(\mathrm{D}\mathrm{N},\mathrm{s}\mathrm{g},m\right)$
(7) 　　　 $\mathrm{s}\mathrm{g}\mathrm{的}\mathrm{后}\mathrm{继}\mathrm{路}\mathrm{段}\mathrm{o}\mathrm{u}\mathrm{t}\mathrm{s}\mathrm{g}\mathrm{s}\leftarrow \mathrm{o}\mathrm{u}\mathrm{t}\mathrm{S}\mathrm{p}\mathrm{h}\mathrm{e}\mathrm{r}\mathrm{e}\left(\mathrm{D}\mathrm{N},\mathrm{s}\mathrm{g},n\right)$
(8) 　　　 $\mathrm{h}\mathrm{c}\leftarrow \mathrm{f}\mathrm{e}\mathrm{a}\mathrm{t}\mathrm{u}\mathrm{r}\mathrm{e}\mathrm{C}\mathrm{o}\mathrm{d}\mathrm{e}\left(\mathrm{i}\mathrm{n}\mathrm{s}\mathrm{g}\mathrm{s},\mathrm{o}\mathrm{u}\mathrm{t}\mathrm{s}\mathrm{g}\mathrm{s},L\right)$
(9) 　　　根据 $\mathrm{h}\mathrm{c}$ 将 $\mathrm{s}\mathrm{g}$ 归类
(10) end
(11) if $\mathrm{s}\mathrm{g}$ 的邻接路段 $w$ 未被分类过 then
(12) 　　 push $\left(w\right)$
(13) end
(14) else
(15) 　　 $\mathrm{s}\mathrm{g}=\mathrm{S}\mathrm{K}.\mathrm{p}\mathrm{o}\mathrm{p}\left(\cdot\right)$
(16) end

下载: 导出CSV

3 响应未来交通查询

输入：车载端的LSTM模型，对未来交通的查询 $\mathrm{f}\mathrm{q}\left(\mathrm{r}\mathrm{s},\mathrm{t}\mathrm{s}\right)$ ，当前　速度索引PVI，恢复矩阵 $\bf{A}\bf{V}$
输出：对应的时空单元 $\mathrm{S}\mathrm{G}\left(\mathrm{r}\mathrm{s},\mathrm{t}\mathrm{s}\right)$ 的预测速度
(1) $\mathrm{l}\mathrm{s}\mathrm{t}\mathrm{m}\leftarrow \mathrm{车}\mathrm{载}\mathrm{端}\mathrm{对}\mathrm{应}\mathrm{于}\mathrm{S}\mathrm{G}\left(\mathrm{r}\mathrm{s},\mathrm{t}\mathrm{s}\right)\mathrm{的}\mathrm{L}\mathrm{S}\mathrm{T}\mathrm{M}\mathrm{模}\mathrm{型}$
(2) $\mathrm{s}\mathrm{h}\leftarrow \mathrm{P}\mathrm{V}\mathrm{I}\mathrm{中}\mathrm{对}\mathrm{应}\mathrm{于}$ mn(k–1)–SH(rs,ts–1)时空范围的样本概况
(3) 预测集 $\mathrm{p}\mathrm{v}\leftarrow \varnothing$
(4) for $\mathrm{c}\mathrm{l}\in \mathrm{s}\mathrm{h}$ do
(5) 　 $\mathrm{v}\mathrm{v}\leftarrow \mathrm{计}\mathrm{算}\mathrm{c}\mathrm{l}\mathrm{中}\mathrm{的}\mathrm{速}\mathrm{度}$
(6) 　if $\mathrm{c}\mathrm{l}$ 为空 then
(7) 　　 $\mathrm{v}\mathrm{v}\leftarrow \bf{A}\bf{V}\left[\mathrm{r}\mathrm{s},\mathrm{t}\mathrm{s}\right]\mathrm{中}\mathrm{的}\mathrm{数}\mathrm{据}$
(8) 　end
(9) 　 $\mathrm{将}\mathrm{v}\mathrm{v}\mathrm{加}\mathrm{入}\mathrm{p}\mathrm{v}$
(10) end
(11) $\mathrm{r}\mathrm{e}\mathrm{t}\leftarrow \mathrm{l}\mathrm{s}\mathrm{t}\mathrm{m}\left(\mathrm{p}\mathrm{v}\right)$
(12) return ret

下载: 导出CSV

参考文献(21)

[1]	PELANIS M, ŠALTENIS S, and JENSEN C S. Indexing the past, present, and anticipated future positions of moving objects[J]. ACM Transactions on Database Systems, 2006, 31(1): 255–298. doi: 10.1145/1132863.1132870.
[2]	PFOSER D, BRAKATSOULAS S, BROSCH P, et al. Dynamic travel time provision for road networks[C]. The 16th ACM SIGSPATIAL International Conference on Advances in Geographic Information Systems, Irvine, USA, 2008: 68. doi: 10.1145/1463434.1463513.
[3]	CHANG Jundong. Spatial-temporal based traffic speed imputation for GPS probe vehicles[C]. The Fifth International Conference on Network, Communication and Computing, Kyoto, Japan, 2016: 326–330. doi: 10.1145/3033288.3033339.
[4]	CHEN Rongsheng and LEVIN M W. Traffic state estimation based on Kalman filter technique using connected vehicle V2V basic safety messages[C]. 2019 IEEE Intelligent Transportation Systems Conference, Auckland, New Zealand, 2019: 4380–4385. doi: 10.1109/ITSC.2019.8917343.
[5]	崔艳玲, 金蓓弘, 张扶桑. 基于数据融合的高速公路交通状况检测[J]. 计算机学报, 2017, 40(8): 1798–1812. doi: 10.11897/SP.J.1016.2017.01798. CUI Yanling, JIN Beihong, and ZHANG Fusang. Highway traffic condition detection with data fusion[J]. Chinese Journal of Computers, 2017, 40(8): 1798–1812. doi: 10.11897/SP.J.1016.2017.01798.
[6]	BEI Pan, DEMIRYUREK U, and SHAHABI C. Utilizing real-world transportation data for accurate traffic prediction[C]. IEEE 12th International Conference on Data Mining, Brussels, Belgium, 2012: 595–604. doi: 10.1109/ICDM.2012.52.
[7]	HE Zhixiang, CHOW C Y, and ZHANG Jiadong. STCNN: A spatio-temporal convolutional neural network for long-term traffic prediction[C]. The 20th IEEE International Conference on Mobile Data Management, Hong Kong, China, 2019: 226–233. doi: 10.1109/MDM.2019.00-53.
[8]	TANG Keshuang, CHEN Siqu, CAO Yumin, et al. Short-term travel speed prediction for urban expressways: Hybrid convolutional neural network models[J]. IEEE Transactions on Intelligent Transportation Systems, 2022, 23(3): 1829–1840. doi: 10.1109/TITS.2020.3027628.
[9]	TONG Guan, PENG Jiaheng, and LIANG Jun. Spatial-temporal graph multi-gate mixture-of-expert model for traffic prediction[C]. IEEE 26th International Conference on Intelligent Transportation Systems, Bilbao, Spain, 2023: 36–41. doi: 10.1109/ITSC57777.2023.10422031.
[10]	LI Maosen, CHEN Siheng, SHEN Yanning, et al. Online multi-agent forecasting with interpretable collaborative graph neural networks[J]. IEEE Transactions on Neural Networks and Learning Systems, 2024, 35(4): 4768–4782. doi: 10.1109/tnnls.2022.3152251.
[11]	岳猛, 王怀远, 吴志军, 等. 云计算中DDoS攻防技术研究综述[J]. 计算机学报, 2020, 43(12): 2315–2336. doi: 10.11897/SP.J.1016.2020.02315. YUE Meng, WANG Huaiyuan, WU Zhijun, et al. A survey of DDoS attack and defense technologies in cloud computing[J]. Chinese Journal of Computers, 2020, 43(12): 2315–2336. doi: 10.11897/SP.J.1016.2020.02315.
[12]	QI Bozhao, KANG Lei, and BANERJEE S. A vehicle-based edge computing platform for transit and human mobility analytics[C]. The Second ACM/IEEE Symposium on Edge Computing, San Jose, USA, 2017: 1. doi: 10.1145/3132211.3134446.
[13]	吴洪越, 陈志伟, 石博文, 等. 一种面向边缘计算环境的去中心化服务请求分发方法[J]. 计算机学报, 2023, 46(5): 987–1002. doi: 10.11897/SP.J.1016.2023.00987. WU Hongyue, CHEN Zhiwei, SHI Bowen, et al. Decentralized service request dispatching for edge computing systems[J]. Chinese Journal of Computers, 2023, 46(5): 987–1002. doi: 10.11897/SP.J.1016.2023.00987.
[14]	张晓东, 张朝昆, 赵继军. 边缘智能研究进展[J]. 计算机研究与发展, 2023, 60(12): 2749–2769. doi: 10.7544/issn1000-1239.202220192. ZHANG Xiaodong, ZHANG Chaokun, and ZHAO Jijun. State-of-the-art survey on edge intelligence[J]. Journal of Computer Research and Development, 2023, 60(12): 2749–2769. doi: 10.7544/issn1000-1239.202220192.
[15]	WANG Tian, LUO Hao, ZHENG Xi, et al. Crowdsourcing mechanism for trust evaluation in CPCS based on intelligent mobile edge computing[J]. ACM Transactions on Intelligent Systems and Technology, 2019, 10(6): 62. doi: 10.1145/3324926.
[16]	FELDMAN M, LAI K, STOICA I, et al. May. Robust incentive techniques for peer-to-peer networks[C]. The 5th ACM Conference on Electronic Commerce, New York, USA, 2004: 102–111. doi: 10.1145/988772.988788.
[17]	陈山枝, 葛雨明, 时岩. 蜂窝车联网(C-V2X)技术发展、应用及展望[J]. 电信科学, 2022, 38(1): 1–12. doi: 10.11959/j.issn.1000-0801.2022007. CHEN Shanzhi, GE Yuming, and SHI Yan. Technology development, application and prospect of cellular vehicle-to-everything (C-V2X)[J]. Telecommunications Science, 2022, 38(1): 1–12. doi: 10.11959/j.issn.1000-0801.2022007.
[18]	HOCHREITER S and SCHMIDHUBER J. Long short-term memory[J]. Neural Computation, 1997, 9(8): 1735–1780. doi: 10.1162/neco.1997.9.8.1735.
[19]	RAMSAK F, MARKL V, FENK R, et al. Integrating the UB-tree into a database system kernel[C]. The 26th International Conference on Very Large Data Bases, Cairo, Egypt, 2000: 263–272.
[20]	NIELSEN F. On a generalization of the Jensen–Shannon divergence and the Jensen–Shannon centroid[J]. Entropy, 2020, 22(2): 221. doi: 10.3390/e22020221.
[21]	MCMAHAN B, MOORE E, RAMAGE D, et al. Communication-efficient learning of deep networks from decentralized data[C]. The 20th International Conference on Artificial Intelligence and Statistics, Fort Lauderdale, USA, 2017: 1273–1282.

施引文献

资源附件(0)

访问统计

图(15) / 表(3)

计量

文章访问数: 205
HTML全文浏览量: 87
PDF下载量: 26
被引次数: 0

1. 引言
2. OMU-SR-DCSK系统原理
3. OMU-SR-DCSK系统性能分析
4. OMU-SR-DCSK系统传输速率、能量效率和安全性分析
5. 系统仿真结果及分析
5.1 AWGN信道下的误码性能分析
5.2 两径Rayleigh衰落信道下的误码性能分析
6. 结束语

姓名
邮箱
手机号码
标题
留言内容
验证码

留言板

一种车载端为主的城市路网当前与未来速度查询方法

doi: 10.11999/JEIT240102

通讯作者:
韩京宇　jyhan@njupt.edu.cn

计量

A Mobile-Side-Dominant Method for Querying Present and Future Velocity on Urban Roads

1. 引言

2. OMU-SR-DCSK系统原理

3. OMU-SR-DCSK系统性能分析

4. OMU-SR-DCSK系统传输速率、能量效率和安全性分析

5. 系统仿真结果及分析

5.1 AWGN信道下的误码性能分析

5.2 两径Rayleigh衰落信道下的误码性能分析

6. 结束语

计量

目录

1. 引言

2. OMU-SR-DCSK系统原理

3. OMU-SR-DCSK系统性能分析

4. OMU-SR-DCSK系统传输速率、能量效率和安全性分析

5. 系统仿真结果及分析

5.1 AWGN信道下的误码性能分析

5.2 两径Rayleigh衰落信道下的误码性能分析

6. 结束语

留言板

一种车载端为主的城市路网当前与未来速度查询方法

doi: 10.11999/JEIT240102

通讯作者: 韩京宇 jyhan@njupt.edu.cn

计量

出版历程

A Mobile-Side-Dominant Method for Querying Present and Future Velocity on Urban Roads

1. 引言

2. OMU-SR-DCSK系统原理

3. OMU-SR-DCSK系统性能分析

4. OMU-SR-DCSK系统传输速率、能量效率和安全性分析

5. 系统仿真结果及分析

5.1 AWGN信道下的误码性能分析

5.2 两径Rayleigh衰落信道下的误码性能分析

6. 结束语

计量

出版历程

目录

1. 引言

2. OMU-SR-DCSK系统原理

3. OMU-SR-DCSK系统性能分析

4. OMU-SR-DCSK系统传输速率、能量效率和安全性分析

5. 系统仿真结果及分析

5.1 AWGN信道下的误码性能分析

5.2 两径Rayleigh衰落信道下的误码性能分析

6. 结束语

通讯作者:
韩京宇　jyhan@njupt.edu.cn