机器学习在车联网中的应用研究刘
来源:用户上传
作者:
摘 要：机器学习在模式识别、语音识别、图像识别领域的应用取得了巨大的成功。通过使用科学的机器学习方式可以满足车联网中交流流量预测、车辆轨迹预测、行人碰撞预测、高精度车载导航、车载娱乐等应用。文章对机器学习在车联网中的应用进行了分析和介绍。
关键词：机器学习;车联网;数据降维
1 机器学习简介
机器学习是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科[1]。机器学习的方法在许多年前就已经被学者提出，但当时硬件设备的处理能力无法提供强大的计算资源，故而其发展一致受到限制。受益于硬件设备性能的不断提升，机器学习目前被广泛地应用在众多领域并取得了成功。
机器学习主要分为监督学习、非监督学习和增强学习3种基本学习方式。此外，还有半监督学习、在线学习和迁移学习等学习方式可视为是这3种基本学习方式的衍生。机器学习中需要的数据集来自两部分：训练集和测试集。在机器学习的训练阶段，通过基于训练集数据生成一个初始模型，在测试阶段则用测试集来验证这个模型的准确性，并据此对未来的数据进行预测。
监督学习最主要的特点是数据带有标签。输出的结果是可预测的对象，监督学习的两种主要方式分别是分类与回归，两者的区别在于标签是分类的标识还是回归的数字。分类算法主要包括贝叶斯分类、K近邻、决策树、支持向量机及神经网络，其输出一般为离散变量。回归算法的输出则是连续值，其算法包括逻辑回归、支持向量回归、高斯过程回归。
然而，在现实生活中，直接获取带有标签的数据非常困难，所以在很多场合下只有使用非监督学习的方式对模型进行训练，其中，比较典型的代表有聚类。聚类中比较经典的算法则有K均值、分级聚类、谱聚类、钬利克雷过程等。除了聚类，降维也是半监督学习的一个重要手段。由于现在网络中产生的数据量极大，而数据往往又具有很高的维度，在高维度上去提取数据的特征非常困难，所以经常采用的手段就是数据降维。降维的典型算法有线性投影法、主成分分析、非线性投影法有流形学习、局部线性嵌入，等距特性映射等。
机器学习的第3种基本学习方式为增强型学习。增强型学习的主要思想是学习主体在环境中进行自主学习，学习的过程可以理解为是一次次的“试错”过程。当学习主体采取的行为正确时，则得到系统给予的奖励，如果行为错误则给予惩罚。学习主体学习的目的是最大化奖励。在上述过程中，学习环境一般使用马尔可夫决策过程进行建模，此中的行为和奖励都是马尔可夫过程。状态转移概率仅由当前状态S和行为a决定。增加型学习中，Q学习是最为典型的机器学习方法，Q函数在状态S下去估测采用行为a预期获得的总奖励。
此外，随着各种应用的不断涌现，上述3种基本学习方法已经无法满足当下的一些应用，在这种背景下，深度学习方式应运而生。深度学习需要构建多层神经网络，一般包括输入层、输出层和众多隐层。每一层网络均由多个网络节点构成，相邻层次间的网络节点又彼此连接，并在连接时对每条链路赋予权值。深度学习就是通过对这些权值的不断调整以实现最优输出。较为典型的深度学习网络有卷积神经网络（Convolution Neural Network，CNN）、递归神经网络（Recurrent Neural Network，RNN）、长短时记忆模型。
2 机器学习在车联网中的应用
为了实现将车辆作为网络的接入终端，形成车车互联的车联网，需要在车辆上安装具有数据采集能力、计算能力、存储能力的车载设备。同时，为了实现数据的转换功能，还会在车辆上安装犹如路由器交换机等类型的设备。这些设备让车辆从传统意义上的出行工具转变为具有很强的计算能力并具有网络路由功能的新型车辆。它们能够收集、产生、存储大量的网络数据，而这些数据又为研究行驶中的车辆提供了大量的信息，如车辆的速度、方位、路面信息、交通情况等。车联网中产生的数据量极为庞大，传统的数据分析方法在应对未来车联网中的各种应用将会显得力不从心。而机器学习则是解决上述问题的有效途径，机器学习在车联网中的应用极为广泛。
2.1 交通流量预测
交通流量预测的目的是从车载或路边传感器中获取历史的和实时的交通数据，并从中提取有效的信息。有效的交通流量管理方案可以避免交通拥堵，节省司乘人员时间、减少废气的排放。使用深度学习来进行交通流的预测，通过使用逐层贪婪预训练方式来学习交通流的类特性，在建模时应充分考虑空间和时间相关性。
2.2 车辆轨迹预测
先进驾驶辅助系统的一个重要研究内容就是车辆轨迹预测，典型应用有行人碰撞提醒、车辆碰撞提醒、道路故障预警等。它在切换控制、链路调度、路由选择等问题中也有重要的作用。有学者利用历史观测到运动模式来预测车辆轨迹，使用的方法是基于高斯混合模型和变化的高斯混合模型。一些影响车辆行驶轨迹的潜在因素，如驾驶员的注意力、交通模式、道路结构等可以使用深度神经网络进行学习。
2.3 高精度地图
高精度地圖为所有的业务提供实时环境感知信息，需要大带宽、低时延网络实时更新。
边缘计算服务器可以存储动态高精度地图车辆分发高精度地图信息，减少时延并降低对核心网传输带宽的压力。在应用中，车辆向边缘计算服务器发送自身具体位置以及目标地理区域信息，部署在边缘计算服务器的地图服务通过机器学习的方式提取相应区域的高精度地图信息发送给车辆。当车辆传感器检测到现实路况与高精度地图存在偏差时，可将自身传感信息上传至边缘计算服务器用于对地图进行更新，随后边缘计算服务器的地图服务可选择将更新后的高精度地图回传至中心云平台。
2.4 交叉路口智能化
交叉路口处的路侧智能传感器将路口处探测的信息发送至边缘计算服务器，同时相关车辆也可以将车辆状态信息发送至边缘计算服务器。边缘计算服务器的智慧交叉路口利用卷积神经网络、递归神经网络等学习方式，通过信号处理、视频识别、信息综合等操作，对交叉路口附近的车辆、行人及其他物体的位置、速度和方向等进行分析和预测，同时，将预测结果发送至任务请求车辆，为车辆在通过交叉路口时的安全性和舒适性提供保证。
[参考文献]
[1]田恬.英国皇家学会发布新的调研项目—机器学习[J].科技导报，2016（3）：93.
转载注明来源:https://www.xzbu.com/1/view-14954290.htm
