车联网中的数据质量对智能交通的管理起着至关重要的作用,不可靠的数据会造成非常严重的后果,针对安全驾驶相关的数据有效性是提升车辆行驶安全的基础。不同于传统的信息系统,车辆安全驾驶方面的数据有效性分析面临着数据异常的多样性,以及驾驶员驾驶行为的主观性与随机性。因此,结合车联网数据的特点以及驾驶员的驾驶风格,开发速度更快、性能更优、检测更精准的数据有效性分析算法有很重大的意义。本文利用Multi-agent对车联网中车辆协同进行建模及描述,并基于该Multi-agent模型对车联网中的安全关键类数据从一维和多维两个角度进行有效性分析,具体研究内容如下所示:(1)针对车联网中的一维时序数据有效性分析,本文改进了传统长短期记忆(Long Short Term Memory,LSTM)网络模型,基于改进后的LSTM_BD变体模型提出了车联网一维时序数据有效性分析算法LSTM_BD,然后使用NAB(Numenta Anomaly Benchmark)数据集,与分层时间记忆(Hierarchical Temporal Memory,HTM)算法进行对比实验,验证了LSTM_BD算法的性能,并证明了LSTM_BD算法具有一定的通用性,可以应用于其他领域。(2)针对车联网中的多维时序数据有效性分析,本文加入驾驶风格参数,基于交通流元胞自动机(Traffic Cellular Automata,TCA)模型和高斯混合模型(Gaussian mixed model,GMM)提出了车联网多维时序数据有效性分析算法ADD。考虑到实时对车辆交互数据包中的所有数据进行异常检测,会造成较大的计算开销,因此本文基于混杂系统理论和元胞自动机理论设计了TCA模型,使用该TCA模型对数据包进行预处理,达到在有限的计算资源中得出理想的数据有效性分析结果。(3)考虑到现实场景中驾驶员的驾驶风格会对车辆数据产生一定程度的影响,因此本文设计了一种新的驾驶风格量化模型,通过数据量化驾驶员的驾驶风格并转换成对应的驾驶风格参数e,连同预处理后的车速v,加速度a,车距d通过GMM计算得到最终的数据异常列表,以完成对车联网数据的有效性分析工作。