车流量建模是车联网(vehicular Ad Hoc network,VANET)路由、多媒体接入协议、无线算法设计的基础。准确的车流量模型将对智能交通系统(intelligent transportation system,ITS)实时调度和车联网的信息安全起到十分重要的作用。基于上海市的交通流量数据,利用自回归(auto regressive,AR)模型与神经(back-propagation,BP)网络模型对车流量实测数据进行了仿真对比,给出了相应的预测结果。研究发现,两个模型均能有效地对数据进行跟踪与预测,但对不同时段数据预测的准确性有所不同。研究结果将为未来智能交通应用、车联网的理论研究等提供有力依据。
超奈奎斯特（Faster Than Nyquist,FTN）信号是一种很有前途的无线通信技术,它能够在不影响频谱效率的情况下提高无线通信系统的数据传输速率。然而,FTN会存在符号间干扰（inter-symbol interference,ISI）,这样会使FTN的增益受损。为了抑制ISI带来的影响,本文使用一个鲁棒的带有Sphere Detector（SD）的判决反馈均衡器（Decision Feedback Equalizer,DFE）去处理FTN导致的ISI。它能大大降低系统的误码率并实现最大似然（Maximum Likelihood,ML）检测。通过仿真实验,结果表明,提出的算法性能更接近香农极限,相比传统的DFE,误码率会有1~2 d B的优势。
