在评价所提出的预认证方案的性能时，预测车辆运动方向的准确率起着重要的作用，因此首要问题是计算车辆运动方向预测的准确率。评估需要研究两种可能的行驶场景：①车辆行驶到交叉路口；②车辆沿着道路行驶。因为场景1的复杂程度要远大于场景2，在不失一般性的情况下，本章选取场景1作为测试环境，如图9-7所示［11］。本节采用加拿大安大略省滑铁卢韦斯特蒙路与哥伦比亚大街交叉路口作为测试的交叉路口，并收集了800个样本，每个样本是一个之前介绍的5维向量。在收集的数据集中，Direction是向西，Speed为车辆的即时速度。另外Addi-tion字段提供交通灯的状态信息，例如红色、黄色、绿色和左箭头绿色等信息。由于该路口禁止车辆掉头，车辆运动方向的输出为左转、右转和直行。
图9-7 收集数据的交叉路口
这里应用了三层感知器，输入层神经元的数目等于5，其中每个神经元代表一个特征。隐藏层神经元的数目等于10，输出层神经元的数目等于3，其中，输出层神经元中值为最大的代表输出的决定。数据集被分成两部分：一个是训练集，其中具有600个样本；另一个是测试集，其中具有200个样本。
表9-1列出了预测数据的准确性，总共有200个测试样品。在这项研究中，在交叉路口200辆车中有71辆左转，68个样本分类正确；200辆车中有65辆右转，64个样本分类正确，因此总的准确率是98.0％。预测发生错误的关键原因是交通违法行为，例如一些车辆左（右）转时没有打开左（右）转指示灯，甚至是打错了转向灯。
根据预测的准确率，预期认证延时T可以用如下公式表示：(www.xing528.com)
式中，p表示预测正确的概率；q表示预测错误的概率，符号q也等于1－p；T1表示预测正确时的认证延迟。在这种情况下，T1等于如9.3.2.4小节所述的验证HN－i（S）是否等于H（HN－i－1（S））的时间，T1＋T2为预测不正确时的认证延迟。这个延迟由T1和T2两部分构成，T2等于传输两个消息的延迟。如9.3.2.4小节的介绍，这两个消息为由APi＋1发送给APi的请求消息和包含有HN－i（S）与V身份的响应消息。式（9.3）的最终结果显示出预期的认证延迟是线性依赖于预测的准确率的，最大值等于T1＋T2，最小值等于T1。
表9-1 移动预测的性能
从表9-1可以看出，本章建议的基于MLP分类器的运动预测方案可以达到很高的精度。因此预期的认证延迟非常接近于最小延迟T1。显然T1是执行一个散列函数操作所花费的时间，因此这个时间是相当小的。
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
