UNIVERSITÀ DEGLI STUDI DI MODENA E REGGIO EMILIA Facoltà di Scienze Matematiche, Fisiche e Naturali Corso di Laurea Magistrale in Informatica Tecniche Communication-saving per l’Acquisizione Dati nel Sistema di Trasporto Intelligente Pegasus Tesi di Laurea di: Marcello Pietri Relatore: prof. Riccardo Martoglia Introduzione Lo stato attuale del traffico: In particolari momenti molto congestionato Code, rallentamenti e ingorghi Elevato numero di incidenti Inquinamento acustico e ambientale Deterioramento della qualità di vita Intelligent Transportation Systems Introduzione Pegasus è un sistema di trasporto intelligente (ITS) il cui obiettivo è la realizzazione di una piattaforma info-telematica che dovrà permettere: il miglioramento della mobilità l’incremento della sicurezza Come? Attraverso la riduzione della congestione e dei tempi di percorrenza, tramite: l’invio di informazioni sul traffico in tempo reale il calcolo del percorso ottimo Introduzione Interfaccia utente Veicolo GPS unit Accel unit GPRS V2I unit WiFi V2V unit Real-time comms engine Smart navigation engine User interface OBU fisica Architettura dell’OBU Maps & real-time data BTS OBUs Infrastructured Network Introduzione BTS Control Centre ad-hoc, multi-hop, V2V communication V2I communication Introduzione Control Centre Service Module EOI Ontology Service Manager Recommender System POI Ontology DSMS Smart Navigation Urban Mobility Safety Query Processing Engine Storage Manager Communication Manager GIS tables Data acquisition V2I interaction OBU OBU Communicationsaving! OBU OBU OBU OBU OBU V2V interaction Introduzione Ambito principale di ricerca: Tecniche communication-saving • Servono a ridurre l'occupazione di banda nella trasmissione dati digitale • Sfruttano le ridondanze nell'utilizzo dei dati • Introducono un’eventuale perdita d’informazione • Sono categorizzabili come compressioni di tipo lossy • Sono molteplici e possono essere profondamente diverse • I risultati in uscita possono variare drasticamente in base al contesto • La loro qualità deve essere stabilita dall’analisi sperimentale Argomenti della tesi: Stato dell’arte Analisi e progetto del simulatore Creazione degli scenari Simulazioni di traffico Analisi sperimentale Stato dell’arte Tecniche communication-saving proposte: Simple time sampling invio di dati ad intervalli temporali regolari, ad esempio ogni 2 secondi Simple space sampling invio di dati ad intervalli spaziali regolari, ad esempio ogni 100 metri percorsi Map-based sampling invio di dati al variare del tratto di strada percorsa, ad esempio quando da via Roma si passa a viale Italia, oppure quando si passa dal tratto 145 al tratto 146 dell’A1 Deterministic information-need invio di dati nel momento in cui la velocità effettiva del veicolo si discosta da quella segnalata nella mappa, ad esempio quando sull’A1 (130Km/h) si viaggia a 70Km/h Linear regression si ottimizza l’invio dei dati interpolandoli con la migliore retta possibile, stimata con il metodo dei minimi quadrati; ad esempio invia 10 dati memorizzati nella history inviando le coordinate di due punti e il loro tempo di acquisizione Strategie di clustering V2V invio unificato dei dati di più veicoli previa aggregazione e comunicazione WiFi V2V Stato dell’arte In letteratura non sono presenti analisi o ambienti di sviluppo per le tecniche communication-saving : Necessità di dati reali sul traffico in formato digitale Utilizzo del simulatore di traffico Vissim Implica l’utilizzo di scenari reali ad hoc Necessità di un simulatore di OBU al fine di testare le tecniche communication-saving e le strategie V2V Creazione del simulatore Analisi, progetto e sviluppo del software Testing e validazione dei risultati Analisi sperimentale Argomenti della tesi: Stato dell’arte Analisi e progetto del simulatore Creazione degli scenari Simulazioni di traffico Analisi sperimentale Analisi e progetto del simulatore Dopo la fase di analisi e la fase di specifica SRS, sono stati sviluppati gli use case diagram e gli activity diagram, che hanno permesso la stesura dei package diagram e dei class diagram dello standard UML: GPS unit Accel unit GPRS V2I unit WiFi V2V unit Architettura reale dell’OBU Real-time comms engine Smart navigation engine User interface Maps & real-time data Class diagram dell’OBU simulata Analisi e progetto del simulatore Analisi e progetto del simulatore Analisi e progetto del simulatore Tecniche communication-saving implementate: Simple time sampling invio di dati ad intervalli temporali regolari, ad esempio ogni 2 secondi V2I V2I 2 secondi 2 secondi Simple space sampling invio di dati ad intervalli spaziali regolari, ad esempio ogni 100 metri percorsi V2I V2I 100 metri 100 metri Analisi e progetto del simulatore Tecniche communication-saving implementate: Map-based sampling invio di dati al variare del tratto di strada percorsa, ad esempio quando da via Roma si passa a viale Italia, oppure quando si passa dal tratto 145 al tratto 146 dell’A1 Via Roma Viale Italia V2I V2I V2I Via Emilia est Analisi e progetto del simulatore Tecniche communication-saving implementate: Deterministic information-need invio di dati nel momento in cui la velocità effettiva del veicolo si discosta da quella teorica Versione classica: 48 Km/h 25 Km/h V2I 51 Km/h Versione sperimentale con history: Media 38,27 Km/h 38 Km/h Nuova media 38,1 Km/h 58 Km/h V2I Analisi e progetto del simulatore Tecniche communication-saving implementate: Simple regression sfrutta la possibilità di eseguire varie tecniche communication-saving in contemporanea, infatti si occupa di interpolare solo i tratti rettilinei, mentre tralascia i tratti curvilinei Linear regression lon lon cerca di ottimizzare qualsiasi percorso interpolandolo con la migliore retta possibile, utilizzando il metodo dei minimi quadrati lat lat Argomenti della tesi: Stato dell’arte Analisi e progetto del simulatore Creazione degli scenari Simulazioni di traffico Analisi sperimentale Creazione degli scenari Lo scenario di Beijing (Pechino, Cina): Progetto originale Progetto nel simulatore di traffico Vissim 1Km 1,2Km Creazione degli scenari Lo scenario di Toll Plaza (Cadmen, New Jersey, USA): Modello usato per analizzare le operazioni sul traffico in Benjamin Franklin Toll Plaza per i veicoli verso il ponte di Delaware River da Cadmen, e dal New Jersey verso Philadelphia in Pennsylvania, USA. I volumi di traffico, le velocità, e tutti gli altri dati sono reali. 0,4Km 2,3Km 1,4Km Creazione degli scenari Lo scenario italiano di Bologna: Modello creato dall’università di Bologna, modificato in modo da permettere la circolazione dei veicoli nelle strade. I flussi di veicoli sono stati creati a posteriori con l’utilizzo di dati pubblici. 1,6Km 1,4Km 0,6 Km 1,2 Km Creazione degli scenari Lo scenario italiano di Roma: 0,7Km 2,2Km Questo modello è stato realmente usato dalla pubblica amministrazione per creare ed analizzare la variante “via Tiburtina, tratto via Casal Bruciato – Ponte Mammolo” a Roma; nello specifico per la costruzione e per gli impianti semaforici. Tutti i dati, tra cui anche i flussi di veicoli, sono reali, anche se riferiti al ‘99. Si presume che il numero di veicoli ad oggi sia notevolmente aumentato. Argomenti della tesi: Stato dell’arte Analisi e progetto del simulatore Creazione degli scenari Simulazioni di traffico Analisi sperimentale Simulazioni di traffico Le simulazioni di traffico sono state eseguite con il software Vissim, un potente simulatore multimodale della PTV Vision: Per un utilizzo avanzato si richiede la lettura di più di mille pagine di manuali in lingua inglese o tedesca Il traffico è stato monitorato in tempi compresi tra un minuto e quattro ore La quantità di dati utili prodotti è stata superiore ai dieci giga byte Il campionamento è stato effettuato ad intervalli di 0,1 e 0,5 secondi Simulazioni di traffico Argomenti della tesi: Stato dell’arte Analisi e progetto del simulatore Creazione degli scenari Simulazioni di traffico Analisi sperimentale Analisi sperimentale • La fase di analisi sperimentale è stata suddivisa in due parti: l’analisi V2I e l’analisi V2V. • Le tecniche communication-saving e le strategie di clustering V2V sono state sperimentate su tutti gli scenari descritti e anche sugli stessi scenari leggermente modificati in termini di viabilità e numero di veicoli. • I parametri utilizzati coprono l’intero range di valori accettabili in termini di qualità del servizio. • Nell’analisi V2I il trade-off tra quantità dati inviati ed errori commessi, in termini di distanza e velocità, determina la qualità della tecnica in analisi. Analisi sperimentale – V2I Stime preliminari e dimensione del flusso di dati Gli errori sulla distanza e sulla velocità diminuiscono al diminuire del campionamento La quantità di dati inviati aumenta al diminuire dell’intervallo di campionamento Il flusso di dati medio per ogni OBU, nella simulazione da 3600 secondi, è di 3035 byte. Considerando circa un milione di OBU, il flusso di dati totali è di circa 0,8 MB/s, pari a 2,83 GB all’ora e 68 GB al giorno. ROME ROME errori commessi - baseline dimensione dati per obu V err % ok data x obu 60 0,5 60 0,5 60 0,1 60 0,1 tipo di campionamento tipo di campionamento Dist err% ok 600 0,5 600 0,1 3600 0,5 0,0% 600 0,5 600 0,1 3600 0,5 0,2% 0,4% 0,6% 0,8% 1,0% 1,2% percentuale d'errore 1,4% 1,6% 1,8% 2,0% 0 2000 4000 6000 8000 byte trasmessi 10000 12000 14000 Analisi sperimentale – V2I Simple time sampling Gli errori sulla distanza e sulla velocità diminuiscono al diminuire del campionamento La quantità di dati inviati aumenta al diminuire dell’intervallo di campionamento La crescita dell’errore non è lineare come per i dati inviati, ma iperbolica ROMA ROMA Dur. 600 - data per obu al variare del campionamento Dur. 600 - errori al variare del campionamento Dist err% ok V err % ok data x obu 0,7510% 0,1910% 1,1470% 0,2812% 1,9913% 0,5401% 3,7658% 1,2828% 7,2913% 3,4007% 0,5 0,5 1 campionamento (s) campionamento (s) 1 2 4 4 8 0,0% 2 8 1,0% 2,0% 3,0% 4,0% errore % 5,0% 6,0% 7,0% 8,0% 0 500 1000 1500 byte trasmessi 2000 2500 3000 Analisi sperimentale – V2I Simple space sampling Gli errori sulla distanza e sulla velocità diminuiscono al diminuire del campionamento La quantità di dati inviati aumenta al diminuire dell’intervallo di campionamento L’errore sulla distanza risulta molto soddisfacente, quello sulla velocità no ROMA ROMA Dur. 600 - data per obu al variare del campionamento Dur. 600 - errori al variare del campionamento data x obu V err % ok 0,5s 1m 10m campionamento 20m 0,7510% 0,1910% 0,7531% 2,3587% 1,1175% 5,5345% 1,7333% 5,8719% 3,1825% 6,0067% 6,1879% 6,6805% 8,2286% 7,3627% 40m 80m 1m 10m 20m 40m 80m 100m 100m 0,0% 0,5s campionamento Dist err% ok 1,0% 2,0% 3,0% 4,0% 5,0% errore % 6,0% 7,0% 8,0% 9,0% 0 500 1000 1500 byte trasmessi 2000 2500 3000 Analisi sperimentale – V2I Deterministic information-need (Versione sperimentale con history) Gli errori sulla distanza risultano inferiori a quelli sulla velocità Le percentuali di errore sono decisamente superiori alle aspettative La tecnica è da scartare ROMA ROMA Dur. 600 - errori al variare del campionamento Dur. 600 - data per obu al variare del campionamento 0,7510% 0,1910% 0,8124% 3,5226% 0.01km/h-h15 0,8360% 10,9404% 0.01km/h-h15 0.05km/h-h15 1,0789% 25,0423% 0.05km/h-h15 0.1km/h-h1 0,8740% 18,4573% 0.1km/h-h1 0,8647% 17,7751% 0,8643% 17,7673% 5,2492% 85,9966% 62,1489% 99,4708% 0,5s 0,5s 0.1km/h-h3 0.1km/h-h9 0.1km/h-h15 1km/h-h9 0.1km/h-h9 0.1km/h-h15 1km/h-h9 10km/h-h9 10km/h-h9 0,0% campionamento campionamento 0.1km/h-h3 10,0% 20,0% 30,0% 40,0% errore % 50,0% 60,0% 70,0% 80,0% Dist err% ok 90,0% V err % ok 100,0% 0 500 1000 1500 byte trasmessi 2000 2500 data x obu 3000 Analisi sperimentale – V2I Deterministic information-need (Versione off-line) L’andamento e le deduzioni sono leggermente negativi rispetto simple time sampling La variazione su errori e quantità di dati non subisce mutamenti drastici fino a 1Km/h La tecnica è utilizzabile per individuare i punti di rallentamento (stop, code a tratti, …) ROMA ROMA Dur. 600 - data per obu al variare del campionamento Dur. 600 - errori al variare del campionamento data x obu V err % ok 0,5s 0.025Km/h 0.05Km/h campionamento 1Km/h 2Km/h 0,7510% 0,1910% 0,8311% 0,3088% 1,6499% 1,1502% 3,0952% 2,2134% 11,0853% 6,0523% 38,3545% 11,4743% 41,9727% 14,5546% 42,3624% 15,7069% 4Km/h 8Km/h 10Km/h 0,0% 0,5s 0.025Km/h 0.05Km/h 1Km/h campionamento Dist err% ok 2Km/h 4Km/h 8Km/h 10Km/h 5,0% 10,0% 15,0% 20,0% errore % 25,0% 30,0% 35,0% 40,0% 45,0% 0 500 1000 1500 byte trasmessi 2000 2500 3000 Analisi sperimentale – V2I Map-based sampling Gli errori sulla distanza e sulla velocità risultano molto marcati Il trade-off errori commessi - dati inviati risulta peggiore che con simple time sampling L’uso di questa tecnica potrebbe riguardare solo la ricostruzione dell’itinerario percorso ROMA ROMA Dur. 600 - data per obu al variare del campionamento Dur. 600 - errori al variare del campionamento Dist err% ok V err % ok data x obu 0,7510% 0,1910% 29,9905% 22,7322% 9,8246% 6,3324% 0,5s 0,5s map F campionamento campionamento map F map T 0,0% 5,0% 10,0% 15,0% errore % 20,0% 25,0% 30,0% 35,0% map T 0 500 1000 1500 byte trasmessi 2000 2500 3000 Analisi sperimentale – V2I Simple regression Il trade-off errori commessi - dati inviati risulta di poco peggiore a simple time sampling Usando campionamenti base più fini si ottengono risultati in linea a simple time sampling I risultati ottenuti indirizzano verso lo sviluppo di tecniche simili più avanzate ROMA 0,6862% 0,1536% 1,8485% 0,6496% 2,6247% 0,9659% 3,5071% 1,2809% 5,4560% 1,8572% 1,8487% 0,6490% 2,6385% 0,9777% 3,4700% 1,3103% 4,9872% 1,8220% Dur. 3600 - errori al variare del campionamento Dist err% ok V err % ok 0,5s 7m_h3 Dur. 3600 - data per obu al variare del campionamento data x obu 0,5s 7m_h3 7m_h5 7m_h7 7m_h7 7m_h10 7m_h10 campionamento campionamento 7m_h5 ROMA 10m_h3 10m_h5 10m_h7 10m_h5 10m_h7 10m_h10 10m_h10 0,0% 10m_h3 1,0% 2,0% 3,0% errore % 4,0% 5,0% 6,0% 0 2000 4000 6000 8000 10000 12000 14000 16000 byte trasmessi 18000 20000 Analisi sperimentale – V2I Linear regression (1) Il trade-off errori commessi - dati inviati risulta molto performante Gli errori su distanza e velocità risultano inferiori all’1% interpolando anche 10 punti I risultati ottenuti indirizzano verso l’analisi su scenari in cui l’OBU circola per più tempo BOLOGNA BOLOGNA Dur. 600 - data per obu al variare del campionamento Dur. 600 - errori al variare del campionamento Dist err% ok V err % ok 0,5s on 0.5 0,5s on 0,1 0,4429% 0,3893% 0,4098% 0,4475% 0,9140% 1,5298% 0,6180% 0,6793% 0,7081% 0,8336% 0,5712% 0,5585% data x obu 0,5s on 0.5 0,5s on 0,1 reg h3 on 0,5 f0.5 campionamento campionamento reg h3 on 0,5 f0.5 reg h7 on 0,1 f0.5 reg h10 on 0,1 f0.5 reg h10 on 0,1 f0.5 reg h8 on 0,1 f60 reg h8 on 0,1 f60 0,00% reg h7 on 0,1 f0.5 0,20% 0,40% 0,60% errore % 0,80% 1,00% 1,20% 1,40% 1,60% 0 2000 4000 6000 8000 byte trasmessi 10000 12000 14000 16000 Analisi sperimentale – V2I Linear regression (2) Il trade-off errori commessi - dati inviati risulta migliore di simple time sampling L’errore sulla distanza si è ridotto fino a 5,6 volte, quello sulla velocità fino a 2 volte L’invio di dati è diminuito di 2,3 volte nel primo caso e di 3,5 volte nell’ultimo BOLOGNA - RID BOLOGNA - RID Dur. 7200 - data per obu al variare del campionamento Dur. 7200 - errori al variare del campionamento Dist err% ok data x obu V err % ok 0,5s 0,5s regression h4 on 0.5 0,5401% 0,5289% 0,0963% 0,2652% 0,1531% 0,2776% 0,3077% 0,5722% regression h4 on 0.5 regression h5 on 0.5 regression h5 on 0.5 0,0% regression h3 on 0.5 campionamento campionamento regression h3 on 0.5 0,1% 0,2% errore % 0,3% 0,4% 0,5% 0,6% 0 20000 40000 60000 80000 byte trasmessi 100000 120000 140000 160000 Analisi sperimentale – V2I Linear regression (3) Il trade-off errori commessi - dati inviati risulta migliore di simple time sampling L’errore sulla distanza si è ridotto fino a 1,6 volte, quello sulla velocità fino a 1,7 volte L’invio di dati è diminuito fino a 1,8 volte BOLOGNA - ZTL Dur. 14400 - errori al variare del campionamento Dist err% ok V err % ok 0,5s 0,4613% 0,1187% 0,1248% 0,7974% 0,7848% 0,1595% 0,1833% 0,1036% 0,1273% 0,0989% 0,0824% 0,1962% 0,1692% BOLOGNA - ZTL Dur. 14400 - data per obu al variare del campionamento data x obu 0,5s 1s 1s 2s 2s regression h3 on 0.5 regression h3 on 0.5 campionamento campionamento 0,4577% regression h4 on 0.5 regression h5 on 0.5 regression h5 on 0.5 regression h6 on 0.5 regression h6 on 0.5 0,0% regression h4 on 0.5 0,1% 0,2% 0,3% 0,4% errore % 0,5% 0,6% 0,7% 0,8% 0,9% 1,0% 0 50000 100000 150000 200000 byte trasmessi 250000 300000 350000 400000 Analisi sperimentale – V2V Analisi V2V – variazione dello scenario La dimensione dei gruppi e il tempo di permanenza variano in base allo scenario Il tempo di permanenza dell’OBU nel gruppo non è legato alla dimensione del gruppo Nel caso peggiore i veicoli permangono nel gruppo per circa 8 secondi, nel migliore 177 Dimensione dei gruppi Permanenza veicolo nel gruppo (al variare dello scenario) (al variare dello scenario) 180 30 160 25 Permanenza veicolo (s) dimensione gruppo (#OBU) 140 20 15 10 120 100 80 60 40 5 20 0 ) 0) (600 (360 roma roma 0 g bejin laz a toll p scenario na ID) TL) bolog ologna (R ologna (Z b b ) 0) (600 (360 roma roma g bejin laz a toll p scenario L) na ID) bolog ologna (R logna (ZT b bo Analisi sperimentale – V2V Analisi V2V – variazione della copertura WiFi BEIJING - Dur. 1200 C0.5 TOLL PLAZA - Dur. 3600 C0.5 ROMA - Dur. 3600 C0.5 Dimensione media del gruppo al variare della portata WiFi Dimensione media del gruppo al variare della portata WiFi Dimensione media del gruppo al variare della portata WiFi 39 37 35 33 31 29 100 110 120 130 140 150 160 170 180 190 200 210 220 230 240 6 5,5 5 4,5 4 3,5 3 250 100 110 120 130 140 Portata WiFi (metri) 150 160 170 180 190 200 210 220 230 240 2,4 2,2 2 1,8 1,6 1,4 1,2 100 110 120 130 140 150 160 170 180 190 200 210 220 230 240 250 250 Portata WiFi (metri) Portata WiFi (metri) TOLL PLAZA - Dur. 3600 C0.5 BEIJING - Dur. 1200 C0.5 ROMA - Dur. 3600 C0.5 Tempo di permanenza al variare della portata WiFi Tempo di permanenza al variare della portata WiFi Tempo di permanenza al variare della portata WiFi 95 62 240 90 60 230 220 210 200 190 180 170 100 110 120 130 140 150 160 170 180 190 200 210 220 230 240 250 Portata WiFi (metri) Tem po di perm anenza (s ) 250 Tem po di perm anenza (s ) Tem po di permanenza (s ) Dim ens ione del gruppo (OBU) 6,5 41 Dim ens ione del gruppo (OBU) Dimensione del gruppo (OBU) I cambiamenti all’interno dei gruppi sono costanti La dimensione dei gruppi aumenta in modo lineare Il tempo medio di permanenza dei veicoli all’interno dei gruppi cresce in modo lineare 85 80 75 70 65 60 100 110 120 130 140 150 160 170 180 190 200 210 220 230 240 250 Portata WiFi (metri) 58 56 54 52 50 48 46 100 110 120 130 140 150 160 170 180 190 200 210 220 230 240 250 Portata WiFi (metri) Analisi sperimentale – V2V Analisi V2V – variazione del numero di OBU L’andamento della grandezza media dei gruppi segue un comportamento standard La dimensione dei gruppi aumenta in modo logaritmico all’aumentare del numero di OBU Il tempo medio di permanenza di un veicolo in un gruppo diminuisce, fino a stabilizzarsi, al crescere del numero di OBU coinvolte Grandezza media dei gruppi 20 5 4.5 4 3.5 3 2.5 2 1.5 1 0.5 0 y = 3.0904ln(x) + 0.2447 R² = 0.9801 0 25 51 81 108 Numero di OBU coinvolte 10 Cambiamento medio nei gruppi 5 0 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 OBU id group Cambiamneti per secondo dimensione del gruppo 15 Grandezza media gruppi Grandezza del gruppo (OBU) (BOZTL 14400 0.5) Numero di OBU conivolte (dal basso) 25, 51, 80, 108 0.7 0.6 0.5 0.4 y = 0.4527ln(x) - 0.0011 R² = 0.9772 0.3 0.2 0.1 0 0 25 51 Numero di OBU coinvolte 81 108 Conclusioni Il lavoro svolto: Studio di tecniche communication-saving, strategie V2V e ambienti di simulazione presenti in letteratura Utilizzo del simulatore di traffico professionale Vissim Analisi, modifica e creazione di nuovi scenari per la simulazione di traffico Analisi, progetto e implementazione di un simulatore di OBU Analisi sperimentale dei dati ottenuti Conclusioni Gli obiettivi raggiunti: Sviluppo del codice nel rispetto degli standard e in modo da permettere la portabilità sull’architettura reale di ogni OBU Analisi di scenari reali al fine di mostrare i flussi di veicoli necessari per un efficiente utilizzo delle strategie V2V Definizione di strategie e politiche di clustering tra veicoli Stima della riduzione del carico sulle comunicazioni V2I, derivata dall’utilizzo di comunicazioni V2V Conclusioni Riduzione delle comunicazioni senza compromettere il trade-off dati inviati – errore commesso Quantificazione delle reali quantità di informazioni con cui si avrà a che fare nel contesto pratico Individuazione delle migliori strategie communication-saving utilizzabili nei contesti specifici della realtà Studio e analisi di nuove tecniche communication-saving al fine di migliorare quelle proposte in letteratura Sviluppi futuri In merito alle tecniche communication-saving: eseguire test su scenari molto più estesi, aggiornati e forniti da enti certificati, al fine di validare completamente le analisi svolte implementare un’ulteriore codifica in stile Huffmann, affiancata ad altre compressioni lossless, al fine di ridurre ulteriormente la banda richiesta implementare ed analizzare tecniche di regressione più complesse quali Multivariate adaptative regression splines e Segemented regression Sviluppi futuri In merito all’estensione delle funzionalità dell’OBU: sviluppare ulteriormente algoritmi per il clustering V2V, al fine di ottimizzare le comunicazioni ed i gruppi formati analizzare praticamente le migliori combinazioni di utilizzo contemporaneo di tecniche communication-saving studiare ed implementare una tecnica di auto-selezione adattativa, che selezioni il migliore insieme di tecniche communication-saving dinamicamente GRAZIE A TUTTI PER L’ATTENZIONE