CN108616816B - 一种基于极限学习的车辆轨迹预测和mec应用迁移方法 - Google Patents
一种基于极限学习的车辆轨迹预测和mec应用迁移方法 Download PDFInfo
- Publication number
- CN108616816B CN108616816B CN201810426969.3A CN201810426969A CN108616816B CN 108616816 B CN108616816 B CN 108616816B CN 201810426969 A CN201810426969 A CN 201810426969A CN 108616816 B CN108616816 B CN 108616816B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- mec
- vehicles
- networked
- local
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000013508 migration Methods 0.000 title claims abstract description 15
- 230000005012 migration Effects 0.000 title claims abstract description 15
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 23
- 238000004891 communication Methods 0.000 claims abstract description 9
- 238000012545 processing Methods 0.000 claims abstract description 4
- 238000012549 training Methods 0.000 claims description 18
- 230000000694 effects Effects 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 238000003062 neural network model Methods 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000012790 confirmation Methods 0.000 claims description 3
- 125000004122 cyclic group Chemical group 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 2
- 238000000354 decomposition reaction Methods 0.000 claims description 2
- 230000006870 function Effects 0.000 claims description 2
- 210000002569 neuron Anatomy 0.000 claims description 2
- 230000006855 networking Effects 0.000 abstract description 4
- 230000033001 locomotion Effects 0.000 description 11
- 239000000203 mixture Substances 0.000 description 5
- 238000004088 simulation Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 229930014626 natural product Natural products 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/029—Location-based management or tracking services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5083—Techniques for rebalancing the load in a distributed system
- G06F9/5088—Techniques for rebalancing the load in a distributed system involving task migration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/38—Services specially adapted for particular environments, situations or purposes for collecting sensor information
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
- H04W4/44—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P] for communication between vehicles and infrastructures, e.g. vehicle-to-cloud [V2C] or vehicle-to-home [V2H]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2209/00—Indexing scheme relating to G06F9/00
- G06F2209/50—Indexing scheme relating to G06F9/50
- G06F2209/5012—Processor sets
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及一种基于极限学习的车辆轨迹预测和MEC应用迁移方法,属于无线通信网络领域。该方法包括:S1:通过MEC应用收集、存储并处理联网车辆的定位信息,构建车辆在本地的行驶轨迹数据库;S2:以本地MEC服务器为中心重构车辆在本地的行驶轨迹,结合边缘网络收集邻近的MEC服务器数据和日期,形成样本集;S3:通过ELM预测算法预测车辆的移动方向,确定联网车辆将接入MEC服务器,迁移车联网应用到该服务器之内。本发明能够应用于移动边缘网络场景下基于MEC服务器部署的车联网应用的预先迁移。
Description
技术领域
本发明属于5G无线通信网络中的移动边缘计算技术领域,涉及一种基于极限学习机的车辆轨迹预测和MEC应用迁移方法。
背景技术
随着5G通信技术的飞速发展和物联网(Internet of Things,IoV)的提出,移动边缘计算(Mobile Edge Computing,MEC)应运而生。MEC是ICT产业融合及移动网络发展的自然产物,旨在提供一个具有IT服务环境和云计算能力的边缘网络。MEC具有低时延、本地感知、网络环境检测等诸多优势,为用户、企业级应用打开了全新的市场。
车联网(Internet of Vehicles,IoV)以“智能交通”为目标,为解决交通安全问题提供了新思路,是当下极具价值的MEC应用之一。将MEC应用于车联网,可以把车联网云“下沉”至分布式部署的网络边缘节点,满足V2I(Vehicles to Infrastructure)的超低时延要求。利用MEC服务器承载车联网应用,可在毫秒级别时间完成本地交通数据的获取和分析,并快速将结论广播至范围内联网车辆,受到了行业和学术界的广泛关注。
联网车辆具有高速移动性,边缘网络为车辆用户提供的服务(由顶层应用虚拟机承载)需要在不同的服务节点之间进行切换(即虚拟机迁移),以缩短用户到服务节点的距离,降低车辆到MEC服务器的传输时延。因此,为避免因虚拟机切换而产生的长时间宕机对用户体验的影响,如何设计有效的算法预先计算出车辆前往的区域,并在车辆用户移动到下一MEC服务节点之前做好切换工作,是当下的研究热点之一。
近年来,在用户移动轨迹预测的研究中,基于地理位置的行为分析取得了比较好的研究成果。移动模式模型的研究主要利用了来自蜂窝网络或无线局域网(WLAN)的GPS数据或关联数据。由于原始GPS数据包含许多异常值,因此大多数先前的研究首先筛选出噪声和不合理的测量结果,并利用过滤后的GPS数据构建预测模型。Alvarez-Garcia等人从GPS数据中识别出用户花费大量时间的地方,通过聚类算法构建特征节点;并利用隐马尔科夫模型以评估相关位置之间的移动模式,预测未来的位置。Krumm等人从原始GPS数据获得端到端路线,并使用贝叶斯模型和行程相似性聚类算法预测下一个位置。
专利“一种基于车联网的车辆轨迹预测方法”(申请公布号:CN105760958A)将观测街道划分成段并编号,采用基于概率统计的马尔可夫链来预测车辆的行驶轨迹。其不足之处在于,街道分段方式不具备普适性,当街道场景的构成更加复杂时,算法的准确度将会急剧下降。专利“一种基于高斯混合模型的车辆轨迹预测方法、系统”(申请公布号:CN107298100A)将高斯混合模型用于预测车辆的行驶速度,并结合条件分布来求解车辆的未来轨迹。该专利的不足之处在于,基于高斯混合模型的算法复杂度较高,且仅预测了车辆在未来几秒时间内的行驶模式,在预测车辆行驶方向时效果不佳。
极限学习机(Extreme Learning Machines,ELM)预测算法是一种单隐层前馈神经网络,ELM神经网络的网络结构相比于传统的神经网络更加简洁,随机参数的给定使得ELM神经网络的求解仅需矩阵的运算,其运算速度更加高效,同时ELM预测算法可以有效地避免预测结果陷入局部最优。因此,可结合ELM预测算法来解决预先计算出车辆前往的区域,并在车辆用户移动到下一MEC服务节点之前做好切换工作的问题。
发明内容
有鉴于此,本发明的目的在于提供一种基于极限学习机的车辆轨迹预测和MEC应用迁移方法,能够应用于移动边缘网络场景下基于MEC服务器部署的车联网应用的预先迁移。
为达到上述目的,本发明提供如下技术方案:
一种基于极限学习的车辆轨迹预测和MEC应用迁移方法,基于极限学习机的移动方向快速预测。设定在移动边缘网络场景下,MEC服务器基于宏基站部署,即MEC服务器主要为当前宏基站覆盖范围内的用户提供服务。车载传感器收集联网车辆的各类信息,边缘网络下MEC服务器互相通信,通过长期的数据收集,共同构建联网车辆的历史行驶轨迹,并在MEC服务器上以数据库的形式存储;MEC服务器对数据库数据进行重构,以生成样本集;利用ELM预测算法对样本集进行训练,预测联网汽车现在的移动趋势,并迁移应用和数据。
本发明不局限于以上设定,MEC服务器可基于多个宏基站部署。当通过本发明中算法求得联网车辆驶出方向后,根据该方向上的宏基站是否仍属于本地MEC服务器覆盖范围,确定是否迁移应用和用户数据。
该方法具体包括以下步骤:
S1:通过移动边缘计算(Mobile Edge Computing,MEC)应用收集、存储并处理联网车辆的定位信息,构建车辆在本地的行驶轨迹数据库;
S2:以本地MEC服务器为中心重构车辆在本地的行驶轨迹,结合边缘网络收集邻近的MEC服务器数据和日期等信息,形成样本集;
S3:通过极限学习机(Extreme Learning Machines,ELM)预测算法预测车辆的移动方向,确定联网车辆将接入MEC服务器,迁移车联网应用到该服务器之内。
进一步,所述步骤S1具体包括以下步骤:
S11:车载传感器周期性采集联网车辆的ID、GPS定位、即时速度、行驶方向和交通拥挤程度等数据;
S12:联网车辆驶入本地覆盖域后,通过车载通信设备和本地MEC服务器相连,将收集到的数据传输到服务器之内;
S13:MEC服务器将收集到的历史数据进行处理,去除重复或错误的GPS定位信息;结合从邻近的MEC服务器回传的接入确认信息,形成车辆的历史轨迹,存储到本地行驶轨迹数据库中。
进一步,所述步骤S2具体包括以下步骤:
S21:以本地MEC服务器覆盖域中的基站站点位置O为中心,基站有效覆盖半径为R′;取半径为R的区域D作为预测范围,将区域D划分为M个子区域di,即D={di|i=1,...,M},其中R<R′;
S22:MEC服务器将车辆的历史轨迹数据投影到划分图里,并以区域划分后的子区域标记来记录车辆的行驶轨迹Trace={e1,e2,...,en|ei∈D};服务器回传的车辆离开方向用s_out_place(∈P)表示,其中,P={pj|j=1,...,r}表示邻近的MEC服务器集合,r表示邻近的MEC服务器总个数;
所述的行驶轨迹Trace须遵循乒乓效应和超时等待效应,即当历史移动轨迹中可能存在循环路径,如...didjdidj...拆分为...didj和didj...;用户在某一位置停留很长时间的历史移动轨迹,视为二者之间没有强相关性,需将其视为两段移动轨迹;等待时间阈值为T,通常T∈[1,2](h)。
S23:设定输入向量为x=(d1,...,dM,t_weekend),初始化d1,...,M=0;t_weekend表示行驶轨迹的日期信息用布尔变量,0表示周末,1表示工作日;将车辆行驶轨迹Trace的后三个元素视为有效预测变量,并标记其对应的子区域变量di=1,2,3;设定输出向量为t=(p1,...,pr),若联网车辆离开当前区域后移动到pj,则标记pj=1;数据归一化,形成训练集S={(xk,tk)|k=1,...,N},其中N表示训练样本集的数据总量。
进一步,所述步骤S3具体包括以下步骤:
S31:利用训练集S的数据训练极限学习机预测模型,求得ELM神经网络模型的权重参数;输入当前车辆在本地的行驶轨迹,形成新的样本xN+1,输入到训练好的ELM模型,求得tN+1;tN+1中最大值对应的标记presult即为预测结果,表征联网车辆最有可能前往的位置;
S32:建立从本地p0到目标位置presult的通信链路,将本地为该联网车辆提供的服务、数据和用户信息等预迁移到目标MEC服务器当中;当联网车辆驶入目标位置时,切换与联网车辆相连的MEC应用。
进一步,所述ELM预测算法的触发条件是联网车辆有离开当前覆盖范围的趋势,该趋势包含如下特征:
a)联网车辆行驶到本地预测范围之外,即车辆定位位置到基站站点位置O的距离dis≥R,其中R为预测范围区域D的半径;
b)联网车辆朝远离本地服务范围的方向行驶,即车辆的行驶方向与中心位置夹角θ≥90°;
c)联网车辆当前处于正常行驶状态,屏蔽车辆掉头、停靠等异常状态,即车辆的行驶速度v≥V,其中V表示车辆正常行驶时的平均速度。在城市街道环境中,通常考虑V=30km/h。
本发明的有益效果在于:
1)本发明引入MEC技术在本地为联网车辆提供互联网服务,提高了收集和处理车辆信息的效率,同时使样本集约束在本地范围,从而使预测算法的执行更加高效。
2)本发明采用ELM预测算法训练联网车辆的行驶轨迹,能够快速地求得预测结果,以保证充足的时间传输应用数据,很好地适应了车辆快速移动的场景。
3)本发明通过轨迹预测确定了车辆即将接入的站点,从而有针对性地迁移应用,减少了不必要的迁移和应用部署工作,避免了对网络资源和MEC服务器计算资源的浪费。
附图说明
为了使本发明的目的、技术方案和有益效果更加清楚,本发明提供如下附图进行说明:
图1为MEC服务器部署和车辆行驶轨迹示意图;
图2为联网车辆行驶轨迹收集流程图;
图3为样本集生成和ELM算法执行流程图;
图4为覆盖区域栅格化划分示意图;
图5为随机试验的仿真结果图。
具体实施方式
下面将结合附图,对本发明的优选实施例进行详细的描述。
本发明设定在移动边缘网络场景下,MEC服务器基于宏基站部署,即MEC服务器主要为当前宏基站覆盖范围内的用户提供服务。车载传感器收集联网车辆的各类信息,边缘网络下MEC服务器互相通信,参见图1。
本发明不局限于以上设定,MEC服务器可基于多个宏基站部署。当通过本发明中算法求得联网车辆驶出方向后,根据该方向上的宏基站是否仍属于本地MEC服务器覆盖范围,确定是否迁移应用和用户数据。
本发明所述的一种基于极限学习机的车辆轨迹预测和MEC应用迁移方法,包括以下步骤:
(一)MEC服务器收集并存储车辆历史轨迹数据到应用数据库
收集和存储过程是长期过程,以存储大量轨迹数据为目的,包含以下步骤,参见图2:
1)车载传感器周期性采集联网车辆的ID、GPS定位、即时速度、行驶方向、交通拥挤程度等数据。
2)联网车辆驶入本地覆盖域后,通过车载通信设备和本地MEC服务器相连,将收集到的数据传输到服务器之内。
3)MEC服务器将收集到的历史数据进行处理,去除重复或错误的GPS定位信息;结合从邻近的MEC服务器回传的接入确认信息,形成车辆的历史轨迹,存储到本地行驶轨迹数据库中。
(二)MEC服务器制定车辆轨迹样本集和执行ELM算法
数据的重构和ELM算法在联网车辆即将离开本地覆盖范围时执行,其具体要求是:
a)联网车辆行驶到本地预测范围之外,即车辆定位位置到基站站点位置O的距离dis≥R。
b)联网车辆朝远离本地服务范围的方向行驶,即车辆的行驶方向与中心位置夹角θ≥90°。
c)联网车辆当前处于正常行驶状态,屏蔽车辆掉头、停靠等异常状态,即车辆的行驶速度v≥V;在城市街道环境中,通常考虑V=30km/h。
样本集制定和算法执行具体包括如下步骤,参见图3:
1)以本地MEC服务器覆盖域中的基站站点位置O为中心,基站有效覆盖半径为R′;取半径为R(R<R′)的区域D作为预测范围,将区域D划分为M个子区域D={di|i=1,...,M}。此例取M=10,参见图4。
2)MEC服务器将车辆的历史轨迹数据投影到划分图里,并以区域划分后的子区域标记来记录车辆的行驶轨迹Trace={e1,e2,...,en|ei∈D}。
Trace须遵循乒乓效应和超时等待效应,即当历史移动轨迹中可能存在循环路径,如...didjdidj...拆分为...didj和didj...;用户在某一位置停留很长时间的历史移动轨迹,视为二者之间没有强相关性,需将其视为两段移动轨迹。等待时间阈值为T,通常T∈[1,2](h)。
服务器回传的车辆离开方向用s_out_place(∈P)表示,其中,P={pj|j=1,...,r}表示当前MEC服务器周边服务器集合。
3)设定输入向量为x=(d1,...,dM,t_weekend),初始化d1,...,M=0;t_weekend表示行驶轨迹的日期信息用布尔变量,0表示周末,1表示工作日。将车辆行驶轨迹Trace的后三个元素视为有效预测变量,并标记其对应的子区域变量di=1,2,3。设定输出向量为t=(p1,...,pr),若联网车辆离开当前区域后移动到pj,则标记pj=1。形成训练集S={(xk,tk)|k=1,...,N},其中N表示训练样本集的数据总量。
输入当前车辆的行驶轨迹,形成新的样本xN+1,求得
其中,tN+1中最大值对应的标记presult即为预测结果,表征联网车辆最有可能前往的位置。
6)建立从本地p0到目标位置presult的通信链路,将本地为该联网车辆提供的服务及数据、用户信息等预迁移到目标MEC服务器当中;当联网车辆驶入目标位置时,切换与联网车辆相连的MEC应用。
下面结合仿真实验对本发明的效果作进一步的描述:
本实验中选取了两个MEC部署位置,分别采集了10辆联网汽车在一个月内的GPS定位信息,构成共1000条车辆在相应MEC服务器覆盖范围的行驶轨迹,将其随机打乱,并形成样本集。通过留出法将样本集拆分为训练集(随机采样700条样本数据)和测试集(余下的300条样本数据),训练集用以训练ELM神经网络模型,并用测试集评估该预测算法的准确度和运算时间。通过10次重复实验,仿真结果如图5所示,该预测方法的平均准确率达到93.6%,其平均运算时间仅35ms。
最后说明的是,以上优选实施例仅用以说明本发明的技术方案而非限制,尽管通过上述优选实施例已经对本发明进行了详细的描述,但本领域技术人员应当理解,可以在形式上和细节上对其作出各种各样的改变,而不偏离本发明权利要求书所限定的范围。
Claims (5)
1.一种基于极限学习的车辆轨迹预测和MEC应用迁移方法,其特征在于,该方法具体包括以下步骤:
S1:通过移动边缘计算(Mobile Edge Computing,MEC)应用收集、存储并处理联网车辆的定位信息,构建车辆在本地的行驶轨迹数据库;
S2:以本地MEC服务器为中心重构车辆在本地的行驶轨迹,结合边缘网络收集邻近的MEC服务器数据和日期,形成样本集;具体包括以下步骤:
S21:以本地MEC服务器覆盖域中的基站站点位置O为中心,基站有效覆盖半径为R′;取半径为R的区域D作为预测范围,将区域D划分为M个子区域di,即D={di|i=1,...,M},其中R<R′;
S22:MEC服务器将车辆的历史轨迹数据投影到划分图里,并以区域划分后的子区域标记来记录车辆的行驶轨迹Trace={e1,e2,...,en|ei∈D};服务器回传的车辆离开方向用s_out_place(∈P)表示,其中,P={pj|j=1,...,r}表示邻近的MEC服务器集合,r表示邻近的MEC服务器总个数;
S23:设定输入向量为x=(d1,...,dM,t_weekend),初始化d1,...,M=0;t_weekend表示行驶轨迹的日期信息用布尔变量,0表示周末,1表示工作日;将车辆行驶轨迹Trace的后三个元素视为有效预测变量,即Trace中最后三个数据(en-2,en-1,en),并分别对x中的变量进行赋值:设定输出向量为t=(p1,...,pr),若联网车辆离开当前区域后移动到pj,则标记pj=1;将输入向量为x=(d1,...,dM,t_weekend)数据归一化,形成训练集S={(xk,tk)|k=1,...,N},其中N表示训练样本集的数据总量;
S3:通过极限学习机(Extreme Learning Machines,ELM)预测算法预测车辆的移动方向,确定联网车辆将接入MEC服务器,迁移车联网应用到该服务器之内。
2.根据权利要求1所述的一种基于极限学习的车辆轨迹预测和MEC应用迁移方法,其特征在于,所述步骤S1具体包括以下步骤:
S11:车载传感器周期性采集联网车辆的ID、GPS定位、即时速度、行驶方向和交通拥挤程度;
S12:联网车辆驶入本地覆盖域后,通过车载通信设备和本地MEC服务器相连,将收集到的数据传输到服务器之内;
S13:MEC服务器将收集到的历史数据进行处理,去除重复或错误的GPS定位信息;结合从邻近的MEC服务器回传的接入确认信息,形成车辆的历史轨迹,存储到本地行驶轨迹数据库中。
3.根据权利要求1所述的一种基于极限学习的车辆轨迹预测和MEC应用迁移方法,其特征在于,所述的行驶轨迹Trace须遵循乒乓效应和超时等待效应,即乒乓效应是去除历史移动轨迹中存在的循环路径;超时等待效应是用户在某一位置长期停留,其历史移动轨迹停留前后没有强相关性,需将其视为两段移动轨迹;停留时间阈值为T,T∈[1,2](h)。
4.根据权利要求1所述的一种基于极限学习的车辆轨迹预测和MEC应用迁移方法,其特征在于,所述步骤S3具体包括以下步骤:
S31:利用训练集S的数据训练极限学习机预测模型,给定ELM神经元的激活函数g(x),给定ELM隐层神经元个数 随机生成输入权重wk和阈值bk,k=1,...,N;结合训练集S的输入,求得ELM神经网络的隐层输出矩阵:
输入当前车辆在本地的行驶轨迹,形成新的样本xN+1,输入到训练好的ELM模型,求得tN+1;
tN+1中最大值对应的标记presult即为预测结果,表征联网车辆最有可能前往的位置;S32:建立从本地p0到目标位置presult的通信链路,将本地为该联网车辆提供的服务、数据和用户信息预迁移到目标MEC服务器当中;当联网车辆驶入目标位置时,切换与联网车辆相连的MEC应用。
5.根据权利要求1所述的一种基于极限学习的车辆轨迹预测和MEC应用迁移方法,其特征在于,所述ELM预测算法的触发条件是联网车辆有离开当前覆盖范围的趋势,该趋势包含如下特征:
a)联网车辆行驶到本地预测范围之外,即车辆定位位置到基站站点位置O的距离dis≥R,其中R为预测范围区域D的半径;
b)联网车辆朝远离本地服务范围的方向行驶,即车辆的行驶方向与基站站点位置O到联网车辆所连射线的夹角θ≥90°;
c)联网车辆当前处于正常行驶状态,屏蔽车辆掉头、停靠的异常状态,即车辆的行驶速度v≥V,其中V表示车辆正常行驶时的平均速度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810426969.3A CN108616816B (zh) | 2018-05-07 | 2018-05-07 | 一种基于极限学习的车辆轨迹预测和mec应用迁移方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810426969.3A CN108616816B (zh) | 2018-05-07 | 2018-05-07 | 一种基于极限学习的车辆轨迹预测和mec应用迁移方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108616816A CN108616816A (zh) | 2018-10-02 |
CN108616816B true CN108616816B (zh) | 2020-07-03 |
Family
ID=63662392
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810426969.3A Active CN108616816B (zh) | 2018-05-07 | 2018-05-07 | 一种基于极限学习的车辆轨迹预测和mec应用迁移方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108616816B (zh) |
Families Citing this family (30)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109257432B (zh) * | 2018-10-12 | 2021-01-12 | 桂林电子科技大学 | 一种任务切换方法、计算机装置及可读存储介质 |
CN109391923B (zh) * | 2018-10-25 | 2022-06-14 | 大唐高鸿信息通信研究院(义乌)有限公司 | 一种基于5g架构的建筑能耗管理方法及系统 |
CN109635914B (zh) * | 2018-12-17 | 2020-05-15 | 杭州电子科技大学 | 基于混合智能遗传粒子群的优化极限学习机轨迹预测方法 |
DE102018009903A1 (de) * | 2018-12-20 | 2020-06-25 | Volkswagen Aktiengesellschaft | Vorrichtung für ein Fahrzeug zum Auslagern von Rechenleistung |
CN109711054B (zh) * | 2018-12-27 | 2022-12-23 | 沈阳航空航天大学 | 一种基于学习的用于车辆通信的车辆轨迹生成方法 |
CN109670656B (zh) * | 2019-02-27 | 2023-04-07 | 重庆邮电大学 | 一种基于4g网络的无人机最优通信路线规划方法 |
CN111629319B (zh) * | 2019-02-28 | 2022-05-31 | 中国移动通信有限公司研究院 | 一种位置预测方法及设备 |
CN110213627B (zh) * | 2019-04-23 | 2020-09-01 | 武汉理工大学 | 一种基于多小区用户移动性的流媒体缓存分配方法 |
CN110276970B (zh) * | 2019-06-20 | 2021-12-10 | 广东工业大学 | 一种基于轨迹预测的车辆计算资源利用方法 |
CN110363983B (zh) * | 2019-06-24 | 2021-08-31 | 长沙理工大学 | 无信号交叉口机非人实时轨迹预测与冲突识别方法 |
CN112367605A (zh) * | 2019-07-25 | 2021-02-12 | 中兴通讯股份有限公司 | 基于边缘计算的应用重定位方法及装置 |
CN110647382B (zh) * | 2019-09-19 | 2022-02-18 | 中国科学院计算技术研究所 | 一种车联网服务动态迁移方法 |
CN110891293B (zh) * | 2019-11-11 | 2022-09-16 | 南京邮电大学 | 一种基于车辆轨迹预测的多属性网络选择方法 |
CN112788086B (zh) * | 2019-11-11 | 2022-08-12 | 中国移动通信有限公司研究院 | 一种移动边缘计算应用数据迁移方法、装置及核心网节点 |
CN110675632B (zh) * | 2019-11-11 | 2021-11-30 | 重庆邮电大学 | 针对多特征空间和数据稀疏的车辆短时轨迹预测控制方法 |
CN111008068B (zh) * | 2019-11-12 | 2023-11-14 | 无锡北邮感知技术产业研究院有限公司 | 基于移动预测的服务迁移优化方法及设备 |
CN110933609A (zh) * | 2019-11-26 | 2020-03-27 | 航天科工网络信息发展有限公司 | 一种基于动态环境感知的服务迁移方法以及装置 |
CN111148174B (zh) * | 2019-12-13 | 2021-12-24 | 北京邮电大学 | 一种移动边缘计算中服务迁移路径选择方法 |
CN113032133B (zh) * | 2019-12-24 | 2023-08-22 | 北京邮电大学 | 一种基于边缘计算的车联网目标检测服务协同方法和装置 |
CN113126026B (zh) * | 2019-12-31 | 2024-04-19 | 中移(成都)信息通信科技有限公司 | 定位系统、方法及存储介质 |
CN111275969B (zh) * | 2020-02-15 | 2022-02-25 | 湖南大学 | 一种基于道路环境智能识别的车辆轨迹填充方法 |
CN111614745B (zh) * | 2020-05-18 | 2022-04-26 | 安徽中科美络信息技术有限公司 | 一种基于边缘计算的车辆任务数据调度方法 |
CN113938812A (zh) * | 2020-06-29 | 2022-01-14 | 中国移动通信有限公司研究院 | 应用服务的重定向方法、装置及存储介质 |
CN113420908B (zh) * | 2021-05-26 | 2022-11-29 | 浙江中控信息产业股份有限公司 | 一种基于意愿性概率的大型场站旅客等候时长预测方法 |
CN113377743B (zh) * | 2021-06-03 | 2022-09-09 | 北京邮电大学 | 车辆终端服务迁移方法及系统 |
CN113689671B (zh) * | 2021-07-20 | 2022-11-22 | 广州市炬盾科技发展有限公司 | 一种城市地下空间安防警报方法及系统 |
CN114357680A (zh) * | 2022-01-06 | 2022-04-15 | 内蒙古大学 | 面向车联网边缘计算路域划分服务迁移方法以及迁移系统 |
CN114118300B (zh) * | 2022-01-21 | 2022-05-20 | 苏州浪潮智能科技有限公司 | 服务迁移模型训练方法以及车联网服务迁移方法、系统 |
CN114554420B (zh) * | 2022-04-26 | 2022-07-29 | 江西师范大学 | 一种基于轨迹预测的边缘计算服务迁移方法 |
CN117395726B (zh) * | 2023-12-12 | 2024-03-01 | 江西师范大学 | 一种基于路径规划的移动边缘计算服务迁移方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104330089A (zh) * | 2014-11-17 | 2015-02-04 | 东北大学 | 一种利用历史gps数据进行地图匹配的方法 |
CN105760958A (zh) * | 2016-02-24 | 2016-07-13 | 电子科技大学 | 一种基于车联网的车辆轨迹预测方法 |
CN106376041A (zh) * | 2016-09-30 | 2017-02-01 | 西安交通大学 | 一种应用elm预测的命名数据网络移动性切换方法 |
WO2017211377A1 (en) * | 2016-06-06 | 2017-12-14 | Nokia Solutions And Networks Oy | Method, apparatus and system for mobile edge computing |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10484451B2 (en) * | 2016-10-18 | 2019-11-19 | Huawei Technologies Co., Ltd. | Virtual network state management in mobile edge computing |
-
2018
- 2018-05-07 CN CN201810426969.3A patent/CN108616816B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104330089A (zh) * | 2014-11-17 | 2015-02-04 | 东北大学 | 一种利用历史gps数据进行地图匹配的方法 |
CN105760958A (zh) * | 2016-02-24 | 2016-07-13 | 电子科技大学 | 一种基于车联网的车辆轨迹预测方法 |
WO2017211377A1 (en) * | 2016-06-06 | 2017-12-14 | Nokia Solutions And Networks Oy | Method, apparatus and system for mobile edge computing |
CN106376041A (zh) * | 2016-09-30 | 2017-02-01 | 西安交通大学 | 一种应用elm预测的命名数据网络移动性切换方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108616816A (zh) | 2018-10-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108616816B (zh) | 一种基于极限学习的车辆轨迹预测和mec应用迁移方法 | |
Zeng et al. | Federated learning on the road autonomous controller design for connected and autonomous vehicles | |
Feng et al. | Location prediction of vehicles in VANETs using a Kalman filter | |
DE102018102027A1 (de) | Effizientes situationsbewusstsein durch ereigniserzeugung und episodischen speicherabruf für autonome antriebssysteme | |
CN109993969A (zh) | 一种路况判定信息获取方法、装置及设备 | |
Liu et al. | Edge-assisted vehicle mobility prediction to support V2X communications | |
DE102019108644A1 (de) | Verfahren und vorrichtung zum automatischen lernen von regeln für autonomes fahren | |
Guo et al. | Intelligence-sharing vehicular networks with mobile edge computing and spatiotemporal knowledge transfer | |
Calhan | A fuzzy logic based clustering strategy for improving vehicular ad-hoc network performance | |
Yue et al. | Evolution of road traffic congestion control: A survey from perspective of sensing, communication, and computation | |
Seredynski et al. | The emerging applications of intelligent vehicular networks for traffic efficiency | |
Hou et al. | The effect of the dataset on evaluating urban traffic prediction | |
Merah et al. | Vehicular movement patterns: a prediction-based route discovery technique for VANETs | |
Gomides et al. | Predictive congestion control based on collaborative information sharing for vehicular ad hoc networks | |
Adart et al. | Vehicular ad-hoc network application for urban traffic management based on markov chains | |
Naskath et al. | Connectivity analysis of V2V communication with discretionary lane changing approach | |
CN104778355B (zh) | 基于广域分布交通系统的异常轨迹检测方法 | |
CN109141422A (zh) | 一种基于路边单元机器学习的车辆定位方法及系统 | |
Raiyn | Classification of road traffic anomaly based on travel data analysis | |
Wang et al. | Sequence prediction-based proactive caching in vehicular content networks | |
Radi et al. | Traffic Accident Management System for Intelligent and Sustainable Vehicle Networking | |
Liu et al. | Applying deep recurrent neural network to predict vehicle mobility | |
Zhang et al. | Design and implementation of a vehicle-to-vehicle based traffic information system | |
La Bruna et al. | Edge-assisted federated learning in vehicular networks | |
Zhang et al. | Feature extraction of trajectories for mobility modeling in 5G NB-IoT networks |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |