论文调研：数字孪生——智慧城市中的车联网应用
车联网(IoV)是移动互联网和物联网相结合而产生的一个概念。车辆是传感器网络中的移动智能节点，需要对大规模数据[1]进行感知、采集、信息处理和存储。在车联网的行车安全、交通效率、信息娱乐等领域开展了大量研究，但基于[2]大数据信息处理的需求，在智慧城市背景下的研究尚不充分。比如如何在智能城市中与集成传感器互动。Shah等人提出，将车辆作为数据mue(移动无处不在的局域网扩展)，并在智能城市的特定机会参与数据采集和交通分发，将充分利用智能城市[3]的高机动性节点。车联网在智慧城市的应用还包括环境监测(如空气污染、废物管理)，以及监测敏感区域和识别可疑行为的城市监测。在这个车网场景中，可以使用位于车辆对象上的摄像头来执行监视任务[4]。Tuyisenge et al .,在考虑城市环境的智慧和大数据处理的前提下一般情况下,智慧城市汽车网络进行了研究,并提出一个新的通用汽车网络框架,该框架分为识别、对象层、层、通信层内的设备,云层、数据层、应用层到多媒体计算。每一层又分为更多的功能子层，提供不同的服务［5］。
与此同时，智慧城市的实现需要建设更加完善的空间信息基础设施，以确保各种智慧城市应用能够得到充分利用和负担。基于数字孪生的智慧城市在经济转型、城市智慧管理、公共智慧服务等方面有着广阔的前景，使人与自然更加协调发展[6]。所提出的智慧城市数据丰富，对城市基础设施的决策和管理要求较高。然而，目前从城市数据中发现知识的数据驱动方法往往缺乏集体数据开发的能力。智慧城市数字孪生旨在克服这一障碍，将更全面的分析和可视化方法集成到异构城市数据的实时知识发现过程中。Mohammadi等人提出了智慧城市数字双城数据集体发展的时空知识发现框架，该框架将社会数据与传感器数据相结合，从人类认知中发现提升智慧城市的机遇。这是利用异构城市数据[7]进行数字二进制决策的第一步。
在了解车联网在智慧城市中的服务需求以及数字孪生对智能城市的应用能力后，我们将对关于智能城市的数据孪生的概念与关于车联网的数据孪生的概念进行系统性整理。
数字孪生(DT)是一个新兴的概念，在各个行业受到关注。它为了充分确定DT的预期性能，Minerva等人从制造业的原始定义开始调查。并考虑了增强和虚拟现实(如虚拟化身)、多智能体系统和虚拟化的背景。这个调查从而允许一组广泛的DT的识别特性,指出软件化物理对象。作者认为一旦DT定义得到了巩固，就会从适用性和机会的角度讨论它的技术和业务价值。[8]
工业4.0概念的进步促进了它的发展，特别是在制造业。数字孪生的定义很广泛，但最好的描述是在物理机和虚拟机之间的任意方向的轻松的数据集成。Fuller的综述根据研究领域对它们进行了分类:制造业、医疗保健和智慧城市，讨论了一系列反映这些领域和研究现状的论文。由于物联网连接的快速发展，数字双胞胎在智能城市中的使用和潜力正在逐年增加。随着越来越多的智能城市的发展，社区之间的联系也越来越紧密，数字双胞胎的使用也越来越多。不仅如此，我们从嵌入到城市核心服务中的物联网传感器中收集的数据越多，还将为创造先进的人工智能算法的研究铺平道路。智能城市中的服务和基础设施能够拥有传感器，并通过物联网设备进行监控，这对于各种类型的未来防护具有重要价值。它可以帮助当前智慧城市的规划和发展。除了规划的好处，在节能领域也有好处。智能城市的进步是利用数字孪生技术的潜力。它可以通过在一个虚拟双胞胎中创建一个活的测试床来促进增长，这个虚拟双胞胎可以实现两件事;第一，测试场景，第二，允许数字双胞胎通过分析收集的数据的变化来从环境中学习。收集的数据可以用于数据分析和监控。随着智能城市的发展，网络连接和可用数据量的增加，数字双胞胎的发展范围变得更加可行[9]
在智慧城市的基础上，我们将重点讨论车联网的数字孪生研究
一表总结创新研究
| 非综述文献引序 | 研究年度 | 使用的技术（DT除外） | 简介 |
|---|---|---|---|
| 10 | 2020 | 通信协议技术 | 比较了云通信环境下的应用层消息传递协议和二进制序列化格式在车载性能，对减少移动网络中的数据使用且实现新兴的对延迟敏感的智能运输系统功能提供了引导作用。 |
| 11 | 2021 | 5G；DL | 通过分析车联网传感器监测并通过5G传输的交通流量和速度数据，提出了一种数字孪生辅助实时交通数据预测方法，可以对进行短期交通状况预测 |
| 12 | 2021 | DT；ADMM；Stackelberg Game Model | 建立了空中辅助车的动态DT模型，以捕获时变的资源供需，实现统一的资源调度和分配。减少了延迟，减轻了无人机的计算负担 |
| 13 | 2020 | DL；SOL | 提案了一个多用户卸载系统，并在此基础上，提出了一种基于深度强化学习的服务卸载(SOL)方法。使用深度Q-网络获得最优的卸载决策。 |
| 14 | 2021 | 无限资源分配算法；深度学习 | 充分研究无线资源分配算法，设计无人车网络的协同控制机制。提高车辆行驶的安全性，利用深度强化学习对车联网的无线资源进行配置，以满足车联网各种业务的需求 |
| 15 | 2021 | DL;DDQN | 提出了一种DT支持的资源分配方案，使车联网环境下的智能边缘合作成为可能。同时该方案专注于在DT-IoV框架下的延迟最小化 |
| 16 | 2021 | 区块链 | 以联盟区块链为基础，实现包括远距离资源的全市车辆资源的共享。一种创新的激励机制，激励全市范围内的车辆资源共享，从而实现任务发布者的利润最大化 |
| 17 | 2021 | 区块链 | 提出了一个按需DTaaS【支持的数字孪生服务】架构，并设计了一种双拍卖模型和价格调整算法，实现了ITS请求者的最优DT匹配，保证了参与者的利益。 |
车联网中数字孪生子消息传递协议和串行化格式的性能比较，Proos等人对流行的应用层消息传递协议和二进制序列化格式在车载云通信环境下的性能进行了比较，以维护数字孪生。对于序列化格式，Protobuf的序列化消息大小比flatbuffer小三倍，而且序列化速度更快。在内存使用和反序列化时间方面，flatbuffer是赢家，它可以弥补在云中数据处理方面的糟糕性能。在消息传递协议的上下文中，已经发现消息延迟、可靠性和消息开销之间的主要权衡。例如，使用不可确认消息的CoAP具有最低的延迟，但不能保证交付。事实上，即使是可确认的消息，CoAP也不能在高损失场景下实现100%的交付；但是对于不关心可靠性的情况，CoAP是最好的选择。综合而言他们的研究对减少移动网络中的数据使用且实现新兴的对延迟敏感的智能运输系统功能有益。[10]
车联网的发展产生了大量的实时交通数据。这些交通数据构成了一种数字孪生兄弟，通过5G通信将实体车辆和它们的虚拟表现连接起来。通过分析数字孪生交通数据，交通管理员可以优化交通调度，缓解交通拥堵。然而，车联网传感器的异常不可避免地带来了交通数据稀疏性的问题，从而影响了科学的交通调度决策。受此缺点的启发，Hu等人通过分析车联网传感器监测并通过5G传输的交通流量和速度数据，提出了一种数字孪生辅助实时交通数据预测方法TFVPtime-LSH，该方法基本基于分布式交通摄像头监控的数字孪生交通数据，通过5G网络传输。通过在南京市交通机构的真实交通数据集上进行的一系列实验，验证了TFVPtime-LSH进行短期交通状况预测的可行性。[11]
车联网(IoV)通过空中通信为车辆提供无缝连接和近似计算服务。空中辅助车的网络动态特性对资源配置提出了挑战。Sun等人建立了空中辅助车的动态数字孪生模型(DT)，以捕获时变的资源供需，实现统一的资源调度和分配。这是一种基于Stackelberg博弈的两阶段资源分配激励机制，以车辆或路侧单位DT为leader，提供计算服务的路侧单位DT为follower。在第一阶段激励中，根据车辆偏好确定愿意提供的计算资源。为进一步使车辆满意度和整体能源效率最大化，设计了一种基于交替方向乘数法(ADMM)的分布式激励机制，优化了各车辆的资源配置策略。激励机制可以在多个RSUs上并行运行，减少了延迟，减轻了无人机的计算负担。这方案在提高车辆满意度的同时，也提高了车辆的能效。[12]
随着实现计算密集型应用的潜力，边缘计算与数字孪生(DT)增强的车联网(IoV)相结合，以提高智能交通能力。通过更新车辆的数字双胞胎和卸载服务到边缘计算设备(ECD)，可以弥补车辆计算资源的不足。然而，由于DT授权的车联网的计算强度，ECD在服务请求过多时会超载，从而降低服务质量(QoS)。为了解决这个问题，Xu等人提案了一个多用户卸载系统，其中QoS是通过服务的响应时间来反映的。在此基础上，提出了一种基于深度强化学习的服务卸载(SOL)方法。为了获得最优的卸载决策，SOL利用深度Q-网络(DQN)， DQN结合了深度学习的值函数逼近和强化学习。[13]
Yang等人结合网络切片和深度学习(DL)技术提出了车联网服务智能网络体系结构，在充分研究无线资源分配算法的基础上，从微观层面设计无人车网络的协同控制机制。其次，为了提高车辆行驶的安全性，利用深度强化学习对车联网的无线资源进行配置，以满足车联网各种业务的需求。研究结果表明，改进的AlexNet算法模型的准确率可达99.64%，准确率大于80%，数据传输延迟小于0.02 ms，数据传输丢包率小于0.05。该算法模型对解决车载互联网通信的数据传输相关问题具有实际应用价值，为无人驾驶汽车互联网的智能化发展提供重要参考价值。[14]
边缘智能也是当前网络发展的热门趋势之一。Liu等人提出了一种DT支持的资源分配方案(DTS-RAS)，使车联网环境下的智能边缘合作成为可能。作者专注于在DT-IoV框架下的延迟最小化。通过将边缘服务器建模，推导出车辆卸载任务对协作边缘节点响应时间的数学表达式。然后构建了以减少响应时间为目标的优化模型。考虑到网络的复杂性，采用双深度Q-learning网络(DDQN)对边缘服务器进行训练，以获得最优的分配行为，并将协作过程建模为MDP。该方案在执行延迟方面有良好的性能表现。[15]
随着车联网的不断发展，车载资源在计算和通信方面呈现快速增长的趋势。近距离车辆之间道路信息和计算结果的共享可以有效提高车联网的利用率。然而，车辆间的远程资源共享，如信息和计算资源的共享，仍然是一个有待研究的问题。基于此，Tan等人提出了一个基于数字孪生的公平交易平台，以联盟区块链为基础，实现全市车辆资源的共享。作者开发了一个基于数字孪生的车载平台，实现云中的车载资源共享。部署了区块链联盟以跟踪和保护数字双胞胎之间的资源共享，该联盟由设计的智能合约和高效的权益证明(PoS)共识算法执行。以一种创新的激励机制，激励全市范围内的车辆资源共享，从而实现任务发布者的利润最大化。[16]
DT已成为智能城市智能交通系统(ITS)的关键技术，以保持各种DT请求者的健康和可靠性，如私家车、公共交通、能源系统等。DT和ITS的结合，可以进一步释放智慧城市参与者的潜力，保证他们的效率和可靠性。尽管支持DT的ITS有很多优点，但由于ITS的高度动态特性，并不是所有的请求者都需要相同级别的DT服务。DT与ITS的安全可靠匹配仍有待解决。为了解决这些问题，Liao等人建议为ITS提供区块链支持的数字孪生服务(DTaaS)。作者提出了一个按需DTaaS架构，以充分利用ITS的传感能力和DT的宏观视角。并设计了一种双拍卖模型和价格调整算法，实现了ITS请求者的最优DT匹配，保证了参与者的利益。使用许可的区块链和新的DT-DPoS共识机制，提高了DTaaS的安全性和效率。[17]
[1] Kirimtat, Ayca, et al. “Future trends and current state of smart city concepts: A survey.” IEEE access 8 (2020): 86448-86467.
[2] Hamid, Umar Zakir Abdul, Hairi Zamzuri, and Dilip Kumar Limbu. “Internet of vehicle (IoV) applications in expediting the implementation of smart highway of autonomous vehicle: A survey.” Performability in Internet of Things. Springer, Cham, 2019. 137-157.
[3] Vijayaraghavan, V., and J. Rian Leevinson. “Intelligent traffic management systems for next generation IoV in smart city scenario.” Connected vehicles in the Internet of Things. Springer, Cham, 2020. 123-141.
[4] Anagnostopoulos, Theodoros, et al. “IoT-enabled tip and swap waste management models for smart cities.” International Journal of Environment and Waste Management 28.4 (2021): 521-539.
[5] Tuyisenge, Livinus, et al. “Handover mechanisms in Internet of vehicles (IoV): Survey, trends, challenges, and issues.” Global Advancements in Connected and Intelligent Mobility: Emerging Research and Opportunities. IGI Global, 2020. 1-64.
[6] Deren, Li, Yu Wenbo, and Shao Zhenfeng. “Smart city based on DTs.” Computational Urban Science 1.1 (2021): 1-11.
[7] Mohammadi, Neda, and John Taylor. “Knowledge discovery in smart city DTs.” Proceedings of the 53rd Hawaii international conference on system sciences. 2020.
[8] Minerva, Roberto, Gyu Myoung Lee, and Noel Crespi. “DT in the IoT context: a survey on technical features, scenarios, and architectural models.” Proceedings of the IEEE 108.10 (2020): 1785-1824.
[9] Fuller, Aidan, et al. “DT: Enabling technologies, challenges and open research.” IEEE access 8 (2020): 108952-108971.
[10] Proos, Daniel Persson, and Niklas Carlsson. “Performance comparison of messaging protocols and serialization formats for DTs in IoV.” 2020 IFIP networking conference (networking). IEEE, 2020.
[11] Hu, Chunhua, et al. “DT-Assisted Real-Time Traffic Data Prediction Method for 5G-Enabled Internet of Vehicles.” IEEE Transactions on Industrial Informatics 18.4 (2021): 2811-2819.
[12] Sun, Wen, et al. “Dynamic DT and distributed incentives for resource allocation in aerial-assisted internet of vehicles.” IEEE Internet of Things Journal (2021).
[13] Xu, Xiaolong, et al. “Service offloading with deep Q-network for digital twinning-empowered internet of vehicles in edge computing.” IEEE Transactions on Industrial Informatics 18.2 (2020): 1414-1423.
[14] Yang, Bin, et al. “Edge intelligence based DTs for internet of autonomous unmanned vehicles.” Software: Practice and Experience (2022).
[15] Liu, Tong, et al. “Resource Allocation via Edge Cooperation in DT Assisted Internet of Vehicle.” 2021 IEEE Global Communications Conference (GLOBECOM). IEEE, 2021.
[16] Tan, Chenchen, et al. “DT Based Remote Resource Sharing in Internet of Vehicles using Consortium Blockchain.” 2021 IEEE 94th Vehicular Technology Conference (VTC2021-Fall). IEEE, 2021.
[17] Liao, Siyi, et al. “Digital Twin Consensus for Blockchain-Enabled Intelligent Transportation Systems in Smart Cities.” IEEE Transactions on Intelligent Transportation Systems (2021).