| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第一章 绪论 | 第11-21页 |
| 1.1 研究背景和意义 | 第11-12页 |
| 1.2 课题来源 | 第12页 |
| 1.3 研究现状 | 第12-16页 |
| 1.3.1 车联网的路边单元优化部署研究 | 第13-14页 |
| 1.3.2 车联网中车辆个体移动性预测研究 | 第14-15页 |
| 1.3.3 基于数据分析的车辆移动性管理研究 | 第15-16页 |
| 1.4 主要研究内容 | 第16-18页 |
| 1.4.1 基于车辆密度数据特征的路边单元优化部署研究 | 第16页 |
| 1.4.2 基于车辆轨迹数据的车辆个体移动性预测研究 | 第16-17页 |
| 1.4.3 基于车辆数据的车联移动性管理研究 | 第17-18页 |
| 1.5 结构安排 | 第18-21页 |
| 第二章 基于车辆密度数据特征的路边单元优化部署研究 | 第21-33页 |
| 2.1 引言 | 第21页 |
| 2.2 数据集描述 | 第21-23页 |
| 2.3 RSU优化部署研究 | 第23-27页 |
| 2.3.1 问题建模 | 第23-24页 |
| 2.3.2 路边单元的优化部署位置 | 第24-27页 |
| 2.4 仿真结果 | 第27-31页 |
| 2.4.1 RSU候选部署位置点 | 第27-28页 |
| 2.4.2 优化部署RSU的性能分析 | 第28-31页 |
| 2.5 本章小结 | 第31-33页 |
| 第三章 基于车辆轨迹数据的车辆个体移动性预测研究 | 第33-55页 |
| 3.1 引言 | 第33-34页 |
| 3.2 基于车辆移动预测的预期移动性管理框架 | 第34-36页 |
| 3.3 预测模型描述以及数据特征处理 | 第36-40页 |
| 3.3.1 预测目标描述 | 第36-38页 |
| 3.3.2 数据特征处理 | 第38-40页 |
| 3.4 基于机器学习的车辆个体移动性预测 | 第40-48页 |
| 3.4.1 机器学习算法预测过程及性能分析 | 第40-45页 |
| 3.4.2 马尔可夫预测过程及性能分析 | 第45-48页 |
| 3.5 基于特征重要性的改进RF | 第48-52页 |
| 3.5.1 特征的重要性 | 第48页 |
| 3.5.2 改进的随机森林算法 | 第48-50页 |
| 3.5.3 性能评估 | 第50-52页 |
| 3.6 本章小结 | 第52-55页 |
| 第四章 基于车辆数据的车联移动性管理研究 | 第55-69页 |
| 4.1 引言 | 第55-56页 |
| 4.2 基于车辆密度的移动中继接入车辆选择 | 第56-61页 |
| 4.2.1 基于车辆密度的碰撞概率性能分析 | 第56-58页 |
| 4.2.2 基于贪婪算法的移动中继接入车辆选择 | 第58-59页 |
| 4.2.3 仿真及性能分析 | 第59-61页 |
| 4.3 自动驾驶车辆动力补给停车点位置选择 | 第61-67页 |
| 4.3.1 检测候选停车点集 | 第61-63页 |
| 4.3.2 结合时空特征过滤候选点集合 | 第63-64页 |
| 4.3.3 对候选停车点进行聚类分析 | 第64-65页 |
| 4.3.4 仿真及分析 | 第65-67页 |
| 4.4 本章小结 | 第67-69页 |
| 第五章 总结和展望 | 第69-71页 |
| 5.1 研究工作总结 | 第69-70页 |
| 5.2 未来工作展望 | 第70-71页 |
| 参考文献 | 第71-79页 |
| 附录 缩略语表 | 第79-81页 |
| 致谢 | 第81-83页 |
| 攻读学位期间取得的学术成果 | 第83页 |
