随着智能交通系统(Intelligent Transport System,ITS)的发展,车联网(Vehicular Network,VNET)作为物联网在交通领域的典型应用,上到城市建设发展,下到人们的出行效率,都发挥着越来越重要的作用。而由于车辆的高速机动性,传统的移动计算面临着高效、快速的资源调度和功率分配等挑战。同时,实现车辆之间的接入网服务是在车辆附近提供通信服务的重要方法之一。因此,尽可能接近的通信部署,研究车联网新的体系结构,对未来智能交通系统的发展非常重要。而连通性作为车联网的一个基础而重要的指标,对于车联网的网络规划、拓扑控制以及用户体验都具有非常重要的意义。近年来,国内外专家学者们提出了很多关于车联网连通性的方法,且获得了不错的效果。但由于交通环境的复杂性,制约车联网技术发展的特性有复杂的无线传输环境、潜在的大规模特性、高动态特性、分区网络特性和网络安全隐私等挑战。因此,本文在跟踪国内外最新研究进展的基础上,围绕车联网的性能指标,着力于从协作通信和机器学习两个方面进行了深入的研究。首先提出了无蜂窝的基于移动接入点的协作通信车联网体系结构,然后提出基于机器学习预测的无蜂窝结构车联网中流量时空分布模型,最后给出机器学习的移动接入点空时协作的精准资源调度和动态路由机制。核心问题涉及到车辆终端如何接入移动网络,实现动态、开放、自组织、易于部署和低成本效益的车联网络。具体包括以下研究内容:本文首先提出采用无蜂窝的基于移动接入点的协作通信车联网体系结构。该无蜂窝协作通信车联网与传统车联网相比,基于移动接入点的协作通信,对车联网的不同接入方式进行横向融合。通过协调多点(Coordinated Multi-point,CoMP)传输和接收,与协作基站或移动接入点通信,实现满足不同需求的车联网最优接入方案,建立低时延、高可靠的基于软件定义网络(Software Defined Network,SDN)的车联网混合组网架构。利用SDN收集车辆运动状态信息,获得全局网络视图,采用先局部后全局的方式实现网络资源的灵活调度。无蜂窝车联网中车辆构成多重SDN云,实现分布式同集中式相结合的资源调度和投放机制。仿真结果表明,本文提出的融合无蜂窝通信网络,不仅在基站处和移动终端处都能够节约能源,且移动终端的能量效率随着协作基站数量的增加而增加,优化车联网性能。针对高速行驶车辆通信的频繁切换和中断问题,提出的基于移动接入点的5G无蜂窝车联网通信方案,将固定基站替换为车载移动接入点,以方便用户访问。移动接入点采用联合发送和联合接收的方式与车辆用户进行协作通信,增强车与车通信(Vehicle to Vehicle Communication,V2V)的连通性和可靠性。并给出了三种车辆选择方案作为协作移动接入点的策略原则,构建了5G无蜂窝移动接入网。数据仿真结果比较了各种移动接入点选择策略下的连接性能和延迟性能。采用移动接入点的5G无蜂窝车联网通信方案显著优于简单的移动中继或移动接入方案。兼顾负载均衡,增强了车联网通信的连通性和可靠性。本文的第二个创新点是基于机器学习预测的无蜂窝结构车联网中流量时空分布模型,对于车联网的流量业务进行建模分析。针对车联网中V2V的协作通信机制,提出了基于机器学习预测的无蜂窝结构车联网中流量时空分布模型。根据数据业务需求在空间和时间上的分布特征,基于随机几何理论方法对车联网业务的空间分布特征构建模型,采用排队论对业务的时间分布特征构建模型,运用机器学习方法对车联网时空流量进行分析和预测。为车联网中的协作资源调度和分布式路由选择提供依据。本文所提V2V协作通信算法融合了车联网终端侧的接入网络选择机制及网络侧的调节函数策略,能够依据用户的最优分布及实际分布,基于目标函数和约束条件的转换,动态自适应的来改变网络调节函数因子,从而引导车联网用户终端合理选择动态节点来接入网络。而基于系统用户体验(Quality of Experience,QoE)效用函数的网络资源分配函数,解决了车辆接入网络的不同接入方式会造成部分车载资源丢失和浪费的问题,实现协作通信下的最优功率分配和频谱资源共享。本文的第三个创新点是基于机器学习的移动接入点空时协作的精准资源调度和动态路由机制。从多层次多维度的资源调度策略基础上出发,针对无蜂窝结构车联网中车辆的业务需求,对时间分布和空间分布的车联网业务需求进行感知和预测,在城市密集交通场景的大尺度宏观车流模型和小尺度微观车流模型的不同层次上,以及空间和时间不同维度上,提出基于机器学习的移动接入点空时协作的精准资源调度和动态路由预测,对车联网中的无线通信资源进行调度和分配。将资源供给与业务需求进行快速匹配,保证车联网通信业务的低延时要求。结合空间、时间和频率多维度模型,分析车联网通信在精准资源调度策略下,对包括连通性在内的车联网性能指标进行优化。针对车联网时延和连通性等关键性能指标定义服务质量的效能函数,在存在随机干扰的情况下,采用离散随机逼近算法针对调度参数进行优化,实现精准的资源调度和负载均衡。最后,在实际应用的车联网场景中,按照本文给出的高连通性组网算法规则,有效选择中继节点进行消息转发的路由决策方案,确保车联网的高连通状态。对于用户业务需求、终端数据缓存状况、用户信道信息等数据,在保证服务质量(Quality of Service,QoS)需求、无线资源利用率及用户公平性的前提条件下,确定用户的优先级并进行频域或时域资源的分配。