学位论文简介

随着信息技术与城市化的迅猛发展，交通系统的智能化、效率与安全性备受关注。车联网技术的兴起虽促进了交通进步，但其产生的海量异构数据也带来了处理挑战。为应对这一挑战，本文聚焦于有效利用车联网中的时空特征数据，通过先进算法与模型，精准分析并优化车辆移动性、驾驶模式、任务并发处理及人车轨迹协同，旨在提升交通管理精度、优化路线规划及增强应急响应能力，取得了以下主要创新性研究成果：

(1) 针对IoV（车联网）时空轨迹数据的随机性和非线性特性，本文提出了一种结合注意力机制和扩散模型的深度神经网络模型（DEAR），用于准确预测车辆的位置、速度和加速度等移动行为，提升了轨迹预测的准确性和适应性。

(2) 针对时空特征的车联网驾驶模式中识别问题,本文提出了一种创新的系统，利用低成本的红外超宽带雷达实现非接触式眨眼检测，旨在提高驾驶安全性。

(3) 针对车辆边缘计算（VEC）网络中的任务卸载问题，基于时空轨迹数据，提出了一种服务感知的并行任务卸载方法，显著降低了任务处理延迟。

主要学术成果

[1] Yang Jiali, Yang K, Xiao Z, Jiang, Hongbo, Xu Shengyuan, Dustdr,Schahram. Improving Commute Experience for Private Car Users via Blockchain-Enabled Multitask Learning. IEEE Internet of Things Journal, 2023, 10(24):21656–21669 (SCI, 第一作者)

[2] Service-Aware Computation Offloading for Parallel Tasks in VEC Networks. (已投稿，SCI, IOT-J, 第一作者)

[3] DEAR: Vehicle Mobility Prediction Using Diffusion-Expanded Attention Network Based on IoV Trajectory Data (已投稿，SCI，NCAA, 第一作者)