CN108900577A - 一种基于人工车联网系统的车联网管理方法及系统 - Google Patents
一种基于人工车联网系统的车联网管理方法及系统 Download PDFInfo
- Publication number
- CN108900577A CN108900577A CN201810593734.3A CN201810593734A CN108900577A CN 108900577 A CN108900577 A CN 108900577A CN 201810593734 A CN201810593734 A CN 201810593734A CN 108900577 A CN108900577 A CN 108900577A
- Authority
- CN
- China
- Prior art keywords
- car networking
- artificial
- practical
- management
- networking system
- 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.)
- Granted
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/04—Network management architectures or arrangements
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/08—Configuration management of networks or network elements
- H04L41/0803—Configuration setting
- H04L41/0823—Configuration setting characterised by the purposes of a change of settings, e.g. optimising configuration for enhancing reliability
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于人工车联网系统的车联网管理方法及系统。方法包括:建立与实际车联网匹配的人工车联网系统;将所述实际车联网所采用的管理控制策略加载到所述人工车联网系统,运行所述人工车联网系统从而获取针对所述管理控制策略的实验结果;获取所述实际车联网的运行状态数据;对比所述运行状态数据以及所述实验结果,根据对比结果优化所述人工车联网系统,从而提高所述人工车联网系统与所述实际车联网的匹配度;根据所述实验结果生成并输出针对所述管理控制策略的调整信息。相较于现有技术,本发明的方法可以大大提高实际车联网系统运行的安全性与稳定性。
Description
技术领域
本发明涉及交通领域,具体涉及一种基于人工车联网系统的车联网管理方法 及系统。
背景技术
随着计算机、数据通信、智能传感等技术的发展以及移动智能终端的泛在使 用,大数据、云计算、物联网、社会网络以及人工智能等技术进一步被集成在交 通运输、服务推荐、车辆管理等整个地面交通管理系统中。车联网是物联网的一 个重要组成部分。其将车、路、人及其他建筑通过信息中心有效地结合起来,实 现在信息网络平台上对所有车辆(即智能车辆)的属性信息和静/动态信息进行提 取和有效利用。车联网作为一种协同多人、多车、多路边单元与开放环境的可计 算、可控、可管理、可引导、可信的开放融合网络系统,为未来综合交通系统的 智能管理与控制提供了新的思路与途径。
车联网系统涉及到动态交通场景中人-车-路的信息传输、交互、重组、后台 数据分析、决策支持等多个过程。具体的,一方面驾驶员心理与行为的高突变性、 不确定性、动态性,为人与车、车与车、车与外部环境的交互引入了新的复杂因 素;另一方面,车内网、车际网与车载移动网络的合成不可避免地引入了社会信 号,使车联网成为一个典型的社会物理信息系统(Cyber-Physical-Social Systems, CPSS)。不同于传统的物理信息系统(Cyber-Physical Systems,CPS),由于 CPSS将人及其心理和组织的因素纳入系统之中,因此极大地提高了系统的复杂 性。而CPSS系统的复杂程度直接决定了针对其的控制管理策略的复杂程度,因 此,在现有技术条件下,针对CPSS系统的控制管理策略具有很高的构建难度以 及优化难度。尤其的,由于CPSS系统是一套需要实时管理的实际系统,而实时 的管理控制具有很高的难度。
发明内容
本发明提供了一种基于人工车联网系统的车联网管理方法,所述方法包括:
建立与实际车联网匹配的人工车联网系统;
将所述实际车联网所采用的管理控制策略加载到所述人工车联网系统,运行 所述人工车联网系统从而获取针对所述管理控制策略的实验结果;
获取所述实际车联网的运行状态数据;
对比所述运行状态数据以及所述实验结果,根据对比结果优化所述人工车联 网系统,从而提高所述人工车联网系统与所述实际车联网的匹配度;
根据所述实验结果生成并输出针对所述管理控制策略的调整信息。
在一实施例中,所述人工车联网系统包括人工智能体以及计算实验模块,其 中:
所述人工智能体与所述实际车联网中影响因子对应,其配置为以初始状态参 数为基础在行为规则范围内随机运行从而涌现智能体行为特征,其中,所述初始 状态参数与所述行为规则与所述实际车联网中影响因子的属性匹配;
所述计算实验模块配置为在加载了所述管理控制策略后以所述智能体行为 特征为基础计算获取所述实验结果。
在一实施例中,在采用所述管理控制策略管理所述实际车联网的同时平行执 行所述人工车联网系统进行实验计算。
在一实施例中:
针对不同的运行场景执行所述人工车联网系统进行实验计算,判断获取的实 验结果是否满足车联网管理需求,当不满足时生成对应的调整信息,其中,实验 计算所针对的运行场景包括但不限于所述实际车联网当前的运行场景。
在一实施例中:
针对所述实际车联网当前的运行场景执行所述人工车联网系统进行实验计 算,对比同一运行场景下的所述运行状态数据以及所述实验结果。
本发明还提出了一种存储介质,所述存储介质上存储有可实现如本发明所述 方法的程序代码。
本发明还提出了一种基于人工车联网系统的车联网管理系统,所述系统包 括:
管理控制策略获取模块,其配置为获取实际车联网所采用的管理控制策略;
人工车联网系统,其与所述实际车联网匹配,配置为在加载所述管理控制策 略后实现针对所述管理控制策略的实验计算,从而生成实验结果;
车联网数据采集模块,其配置为获取所述实际车联网的运行状态数据;
模型优化模块,其配置为对比所述运行状态数据以及所述实验结果,根据对 比结果优化所述人工车联网系统,从而提高所述人工车联网系统与所述实际车联 网的匹配度;
管理控制策略优化模块,其配置为根据所述实验结果生成并输出针对所述管 理控制策略的调整信息。
在一实施例中,所述人工车联网系统包括:
与所述实际车联网中影响因子对应的人工智能体,其配置为以初始状态参数 为基础在行为规则范围内随机运行从而涌现智能体行为特征,其中,所述初始状 态参数与所述行为规则与所述实际车联网中影响因子的属性匹配;
与所述实际车联网的运行体系匹配的计算实验模块,其配置为在加载了所述 管理控制策略后以所述智能体行为特征为基础进行实验计算从而获取实验结果。
在一实施例中,所述人工车联网系统配置为在采用所述管理控制策略管理所 述实际车联网的同时平行执行。
在一实施例中,所述系统还包括:
场景设定模块,其配置为确定运行场景,为所述人工车联网系统提供实验计 算的场景限定。
根据本发明的方法,不仅可以预测实际车联网系统的运行结果从而有针对性 的进行优化管理,而且还能不断对人工车联网进行优化从而提高人工车联网系统 的预测准确度;相较于现有技术,本发明的方法可以大大提高实际车联网系统运 行的安全性与稳定性。
本发明的其它特征或优点将在随后的说明书中阐述。并且,本发明的部分特 征或优点将通过说明书而变得显而易见,或者通过实施本发明而被了解。本发明 的目的和部分优点可通过在说明书、权利要求书以及附图中所特别指出的步骤来 实现或获得。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明 的实施例共同用于解释本发明,并不构成对本发明的限制。在附图中:
图1是根据本发明一实施例的方法流程图;
图2是根据本发明一实施例的人工车联网系统结构简图;
图3是根据本发明一实施例的车联网管理系统结构简图。
具体实施方式
以下将结合附图及实施例来详细说明本发明的实施方式,借此本发明的实施 人员可以充分理解本发明如何应用技术手段来解决技术问题,并达成技术效果的 实现过程并依据上述实现过程具体实施本发明。需要说明的是,只要不构成冲突, 本发明中的各个实施例以及各实施例中的各个特征可以相互结合,所形成的技术 方案均在本发明的保护范围之内。
随着计算机、数据通信、智能传感等技术的发展以及移动智能终端的泛在使 用,大数据、云计算、物联网、社会网络以及人工智能等技术进一步被集成在交 通运输、服务推荐、车辆管理等整个地面交通管理系统中。车联网是物联网的一 个重要组成部分。其将车、路、人及其他建筑通过信息中心有效地结合起来,实 现在信息网络平台上对所有车辆(即智能车辆)的属性信息和静/动态信息进行提 取和有效利用。车联网作为一种协同多人、多车、多路边单元与开放环境的可计 算、可控、可管理、可引导、可信的开放融合网络系统,为未来综合交通系统的 智能管理与控制提供了新的思路与途径。
车联网系统涉及到动态交通场景中人-车-路的信息传输、交互、重组、后台 数据分析、决策支持等多个过程。具体的,一方面驾驶员心理与行为的高突变性、 不确定性、动态性,为人与车、车与车、车与外部环境的交互引入了新的复杂因 素;另一方面,车内网、车际网与车载移动网络的合成不可避免地引入了社会信 号,使车联网成为一个典型的社会物理信息系统(Cyber-Physical-Social Systems, CPSS)。不同于传统的物理信息系统(Cyber-Physical Systems,CPS),由于 CPSS将人及其心理和组织的因素纳入系统之中,因此极大地提高了系统的复杂 性。而CPSS系统的复杂程度直接决定了针对其的控制管理策略的复杂程度,因 此,在现有技术条件下,针对CPSS系统的控制管理策略具有很高的构建难度以 及优化难度。尤其的,由于CPSS系统是一套需要实时管理的实际系统,而实时 的管理控制具有很高的难度。
针对上述问题,本发明提出了一种基于人工车联网系统的车联网管理方法。 具体的,在本发明的方法中,构造可以与实际车联网系统平行执行的、可以模拟 实际车联网运行状态的人工车联网系统。在实际车联网系统运行的同时,平行执 行人工车联网系统,从而利用人工车联网系统预测实际车联网系统运行时可能出 现的问题,进而在实际问题发生前提前对实际车联网系统的运行管理进行调整, 避免事故的发生。根据本发明的方法,不仅可以预测实际车联网系统的运行结果 从而有针对性的进行优化管理,而且还能不断对人工车联网进行优化从而提高人 工车联网系统的预测准确度;相较于现有技术,本发明的方法可以大大提高实际 车联网系统运行的安全性与稳定性。
接下来基于附图详细描述根据本发明实施例的方法的详细流程,附图的流程 图中示出的步骤可以在包含诸如一组计算机可执行指令的计算机系统中执行。虽 然在流程图中示出了各步骤的逻辑顺序,但是在某些情况下,可以以不同于此处 的顺序执行所示出或描述的步骤。
如图1所示,在一实施例中,方法包括以下步骤。
建立与实际车联网匹配的人工车联网系统(S110);
将实际车联网所采用的管理控制策略加载到人工车联网系统(S120),运行 人工车联网系统从而获取针对管理控制策略的实验结果(S130);
获取实际车联网的运行状态数据(S140);
对比实际车联网的运行状态数据以及人工车联网系统的实验结果(S150), 根据对比结果优化人工车联网系统(S160),从而提高人工车联网系统与实际车 联网的匹配度;
根据实验结果生成并输出针对管理控制策略的调整信息(S170)。
在上述流程中,关键点之一在于人工车联网系统与实际车联网的匹配度。即, 建立的人工车联网是否可以准确的模拟实际车联网的运行状态。
在现有技术中,实际车联网系统的仿真出发点是通过将研究对象分解为子系 统,利用计算机和数值技术建模集成,仿真并“回演”实际车联网系统中的各种 状态和发展特性,讨论和解决实际交通面临的各种问题,是一种自上而下的被动 还原型研究方法。其主要存在两个问题:
(1)实际车联网系统中,由于实际车联网数据不足,尤其是极端环境与异 常场景数据不足,车辆行为的产生、交互、和演化过程并不能在车联网仿真系统 里完备地展现。
(2)由于其是一种被动型的自上而下还原型研究方法,故其不能实播实际 车联网系统中各个部分的动态特征与发展趋势,缺乏灵活性与实时性。
为解决上述问题,在一实施例中,构造了基于计算机和代理技术“培育生长” 的,以及各智能体涌现特性的人工车联网系统。此处所述的人工车联网系统,与 现有技术中的实际车联网系统的仿真有本质的区别。
在本发明的方法中,在利用人工智能体模拟实际的车联网系统的运行方式 时,是利用计算机和代理技术“培育生长”人工车联网系统,探讨代理与代理、 代理与环境、环境与环境之间相互作用所“涌现(Emergence)”出的特性,“涌 现”即指从无到有的培育,使人工智能体能够自主的在人工车联网环境中依据其 规则仿真运行、互动。
一方面,基于规则所“涌现”的智能体行为为人工车联网系统提供了丰富的 不同场景下的数据,另一方面,人工智能体可以模拟并“实播”人工车联网系统 的各种状态和发展特性,是一种自下而上的主动综合型研究方法,可以弥补现有 车联网系统仿真的不足。
具体的,在一实施例中,人工车联网系统包括人工智能体以及计算实验模块, 其中:
人工智能体与实际车联网中影响因子对应,其配置为以初始状态参数为基础 在行为规则范围内随机运行从而涌现智能体行为特征,其中,初始状态参数与行 为规则与实际车联网中影响因子的属性匹配;
计算实验模块配置为在加载了管理控制策略后以智能体行为特征为基础计 算获取实验结果。
具体的,在一实施例中:
每个人工智能体对应实际车联网系统中的一个影响因子;
人工智能体的属性包括初始状态参数以及行为规则,人工智能体的初始状态 参数以及行为规则与影响因子的特征属性匹配;
人工智能体配置为以人工智能体的初始状态参数为基础在人工智能体的行 为规则范围内随机运行从而涌现智能体行为特征;
计算实验模块与实际车联网系统的运行体系匹配,其配置为以所有人工智能 体所涌现出的智能体行为特征为基础进行计算从而获取实验结果。
具体的,在一实施例中,人工车联网系统的人工智能体包括人、车、道路、 路边单元、基站、建筑、时间以及天气。如图2所示,外圈即是人工车联网系统 的8个人工智能体1~8(人、车、道路、路边单元、基站、建筑、时间以及天气)。 人工智能体所涌现智能体行为特征输出到人工车联网子系统(计算实验模块)。
进一步的,人工智能体的初始状态参数以及行为规则与影响因子的特征属性 匹配。具体的,在一实施例中,不同类型的人工智能体具有其特有属性。以人工 人、人工车辆、人工天气、道路类型为例:
人工天气包括晴、阴、雨、雾、霾、霜冻、暴风、台风、雪、雨夹雪、冰雹、 浮尘、扬沙;
人工车包括类型与配置两种属性,类型中又分为乘用车与商用车;配置分为 高、中、低、默认。
人工人包括行人与驾驶员,其中,驾驶员包括类型与状态两种属性,类型分 为攻击型、温和型、理智型;状态包括:喜悦、愤怒、悲伤、恐惧、厌恶、惊奇。
人工道路包括城市道路、沙漠道路、乡村道路、盘山道路。
进一步的,人工智能体配置为以人工智能体的初始状态参数为基础在人工智 能体的行为规则范围内随机运行从而涌现智能体行为特征。具体的,在一实施例 中人工智能体具有简单的计算与交互能力,并且,多个所述人工智能体并行运行。
进一步的,在一实施例中,人工智能体的行为规则包括人工智能体之间的交 互规则、人工智能体之间的组织规则、人工智能体之间的协同行为规则和/或人工 智能体与计算实验模块间的实验结果反馈规则。基于上述规则,在人工智能体运 行过程中,智能体与智能体、智能体与环境、环境与环境之间相互作用从而“涌 现(Emergence)”出行为特性。
进一步的,在一实施例中,根据实际车联网系统中的影响因子确定人工智能 体及其初始状态参数以及其行为规则。具体的,在一实施例中,对实际的车联网 系统的历史数据进行数据挖掘以确定人工智能体的初始状态参数。具体的,在一 实施例中,基于规则学习方法从实际车联网系统的历史数据中提取人工智能体的 行为规则。
以一具体的应用场景为例,在一实施例中,首先,定义人工车联网系统中的 8类智能体:人工人、人工车、人工道路、人工路边单元、人工基站、人工建筑、 人工时间、人工天气,如图2所示;每类智能体具有简单的计算与交互能力。
每类智能体均包括其特有属性与分类。以人工人、人工车辆、人工天气、道 路类型为例:
人工天气包括晴、阴、雨、雾、霾、霜冻、暴风、台风、雪、雨夹雪、冰雹、 浮尘、扬沙;
人工车包括类型与配置两种属性,类型中又分为乘用车与商用车;配置分为 高、中、低、默认。
人工人包括行人与驾驶员,其中,驾驶员包括类型与状态两种属性,类型分 为攻击型、温和型、理智型;状态包括:喜悦、愤怒、悲伤、恐惧、厌恶、惊奇。
人工道路包括城市道路、沙漠道路、乡村道路、盘山道路。
其次,基于以上8类智能体,通过不同的排列组合,定义智能体之间的交互 规则、组织规则与协同行为规则,进一步生成智能体与智能体、智能体与环境、 环境与环境之间相互作用所“涌现(Emergence)”出的行为特性。
具体的,在一实施例中,以构造针对驾驶行为分析的人工智能体为例,利用 机器学习与数据挖掘方法确定人工车联网系统的状态:
(1)输入:基于实际车联网的驾驶行为数据,涵盖8辆车在754段路上的 182008条驾驶记录,经过数据清洗,整理成包含14个指标、5个维度下的754 个样本。
(2)方法:
因子分析:首先针对14个指标进行筛选,利用因子分析,将筛选后 的12个指标化简为3个因子来表示。
聚类分析:利用K-Means聚类方法对754段行程在3个因子维度上进 行聚类,分析驾驶行为的特点。
(3)输出:所研究区域、时间段内的驾驶行为分布,作为人工车联网系统 的初始状态。
根据本发明的系统以及方法,基于人工智能体所“涌现”的多智能体行为特 性,借助统计机器学习、数据挖掘等方法对实际车联网数据的参数学习确定人工 车联网系统的初始状态参数,进行计算实验分析,形象且参数化地解释源起于微 观的复杂宏观现象,从而更好地解释复杂车联网系统不同层次的结构、功能及其 动力学特性。
现有的针对实际车联网系统的仿真,其利用计算机和数值技术建模集成,仿 真并“回演”实际车联网系统中的各种状态和发展特性,是一种自上而下的被动 还原型研究方法。本发明的人工智能体+计算实验模块的模型构成方式利用计算 机和代理技术“培育生长”人工车联网系统,结合代理与代理、代理与环境、环 境与环境之间相互作用所“涌现(Emergence)”出的特性,模拟并“实播”人 工车联网系统的各种状态和发展特性,是一种自下而上的主动综合型研究方法, 可以弥补现有车联网系统仿真的不足,可以更加准确的模拟预测车联网系统的状 态,从而为研究、控制以及优化车联网系统提供更为准确的数据支持。
进一步的,在一实施例中,在根据实验结果生成并输出针对管理控制策略的 调整信息的过程中,对人工车联网进行运行场景限定,针对不同的运行场景执行 人工车联网系统进行实验计算,实验计算所针对的运行场景包括但不限于实际车 联网当前的运行场景。这样,即使实际车联网还没有经历过某些运行场景,也可 以提前预测该运行场景下可能发生的状况。
之后判断获取的实验结果是否满足车联网管理需求,当不满足时则说明当前 的控制管理策略在某些特定的运行场景下可能会导致超出预期管理设定的运行 结果,因此,此时根据生成的实验结果生成对应的调整信息。
进一步的,在一实施例中,对实验结果进行数据挖掘、模式发现和/或可视化 数据分析从而生成评测结果,基于评测结果对车联网管理控制策略进行训练优 化。基于数据挖掘、机器学习与统计分析技术,进行交通预测、交通评估,从而 进行信息与引导生成、继而将引导与服务信息分发到物理车联网中,引导其运营, 为交通参与者与交通管理者提供决策支持。
进一步的,在一实施例中,针对实际车联网当前的运行场景执行人工车联网 系统进行实验计算。由于运行场景一致,因此,理论上,人工车联网的实验计算 结果与实际车联网的当前运行状态数据也应该一致。因此,对比同一运行场景下 的运行状态数据以及实验结果,如果一致,则说明人工车联网可以很好的模拟实 际车联网的运行状态,人工车联网与实际车联网具有较高的匹配度。如果不一致, 则说明人工车联网与实际车联网间存在偏差。根据实际车联网的运行状态数据对 人工车联网进行优化调整。
进一步的,在一实施例中,在采用管理控制策略管理实际车联网的同时平行 执行人工车联网系统进行实验计算。在这里,平行执行的含义首先是同时运行, 即,并不是具有时间先后顺序的采用管理控制策略管理实际车联网或是执行人工 车联网系统,这样就能保证针对实际车联网系统的实时控制管理以及优化,从而 最大限度的降低管理滞后性,避免管理疏漏。进一步的,平行执行的概念还包含 实际车联网系统与人工车联网的相对独立运行。人工车联网并不是依附在实际车 联网上运行的。
人工车联网的平行执行主要考虑车内网、车际网以及驾驶员之间社会网的平 行。通过构建与物理空间车联网相对应的虚拟人工车联网,借助计算实验的手段, 即可设计面向复杂交通系统的可重复、可配置、可计算、可引导的车联网管理与 控制实验,有效评测、预估并引导实际车联网运营状态。人工车联网中的人工车 辆在虚拟交通空间中可以不受物理空间位置的限制、能源的限制、数据通信瓶颈 的约束,与其他人工车辆进行交互,以众包的方式完成路网环境数据采集、协同 路径规划、复杂场景感知与情景认知等任务。此时,人工车联网的计算实验的结 果不再仅仅是对实际车联网系统运行情况的“仿真”,而是成为了系统运行状态 的一种可能结果。
一方面,实际车联网向平行执行的人工车联网提供真实数据信息,提供建立、 调整及优化人工车联网系统的状态参数;计算实验利用输入的真实数据进行模型 训练,生成大量“人工数据”,在真实“小数据”与人工“大数据”组成的“混 合海量数据”中进行大量的学习,提高并优化系统的场景学习与情景认知能力。
另一方面,通过虚拟现实平行执行的方式,人工车联网中的计算实验结果将 被反馈给实际车联网,进行在实时且在线的借鉴、预估与引导,循环往复,协同 优化。
在平行执行的人工车联网中,虚拟车辆通过平行感知、平行学习、平行驾驶、 平行规划与平行测试的方法保障人工车联网与实际车联网的实时信息交互、策略 反馈及双向优化,提升智能网联汽车的感知、决策与规划和控制等关键领域的性 能表现,实现对不同层次需求、不同服务内涵的整体网络资源及交通资源的优化 管理与配置,从而更好地满足不断提高的车联网系统的控制与管理需求,为涵盖 不同自动化层级的智能网联汽车系统和未来智能交通提供一套智能融合解决方 案。
进一步的,本发明还提出了一种存储介质。具体的,在一实施例中,存储介 质上存储有可实现如本发明所述方法的程序代码。
进一步的,基于本发明提出的方法,本发明还提出了一种基于人工车联网系 统的车联网管理系统。具体的,如图3所示,在一实施例中,系统包括:
管理控制策略获取模块310,其配置为获取实际车联网所采用的管理控制策 略;
人工车联网系统320,其与实际车联网匹配,配置为在加载管理控制策略获 取模块310获取到的管理控制策略后实现针对该管理控制策略的实验计算,从而 生成实验结果;
车联网数据采集模块330,其配置为获取实际车联网的运行状态数据;
模型优化模块340,其配置为对比车联网数据采集模块330采集到的运行状 态数据以及人工车联网系统320生成的实验结果,根据对比结果优化人工车联网 系统320,从而提高人工车联网系统320与实际车联网的匹配度;
管理控制策略优化模块350,其配置为根据实验结果生成并输出针对管理控 制策略的调整信息。
进一步的,在一实施例中,人工车联网系统包括:
与实际车联网中影响因子对应的人工智能体,其配置为以初始状态参数为基 础在行为规则范围内随机运行从而涌现智能体行为特征,其中,初始状态参数与 行为规则与实际车联网中影响因子的属性匹配;
与实际车联网的运行体系匹配的计算实验模块,其配置为在加载了管理控制 策略后以智能体行为特征为基础进行实验计算从而获取实验结果。
进一步的,在一实施例中,人工车联网系统配置为在采用管理控制策略管理 实际车联网的同时平行执行。
进一步的,在一实施例中,系统还包括:
场景设定模块,其配置为确定运行场景,为所述人工车联网系统提供实验计 算的场景限定。
虽然本发明所公开的实施方式如上,但所述的内容只是为了便于理解本发明 而采用的实施方式,并非用以限定本发明。本发明所述的方法还可有其他多种实 施例。在不背离本发明实质的情况下,熟悉本领域的技术人员当可根据本发明做 出各种相应的改变或变形,但这些相应的改变或变形都应属于本发明的权利要求 的保护范围。
Claims (10)
1.一种基于人工车联网系统的车联网管理方法,其特征在于,所述方法包括:
建立与实际车联网匹配的人工车联网系统;
将所述实际车联网所采用的管理控制策略加载到所述人工车联网系统,运行所述人工车联网系统从而获取针对所述管理控制策略的实验结果;
获取所述实际车联网的运行状态数据;
对比所述运行状态数据以及所述实验结果,根据对比结果优化所述人工车联网系统,从而提高所述人工车联网系统与所述实际车联网的匹配度;
根据所述实验结果生成并输出针对所述管理控制策略的调整信息。
2.根据权利要求1所述的方法,其特征在于,所述人工车联网系统包括人工智能体以及计算实验模块,其中:
所述人工智能体与所述实际车联网中影响因子对应,其配置为以初始状态参数为基础在行为规则范围内随机运行从而涌现智能体行为特征,其中,所述初始状态参数与所述行为规则与所述实际车联网中影响因子的属性匹配;
所述计算实验模块配置为在加载了所述管理控制策略后以所述智能体行为特征为基础计算获取所述实验结果。
3.根据权利要求1所述的方法,其特征在于,在采用所述管理控制策略管理所述实际车联网的同时平行执行所述人工车联网系统进行实验计算。
4.根据权利要求1所述的方法,其特征在于:
针对不同的运行场景执行所述人工车联网系统进行实验计算,判断获取的实验结果是否满足车联网管理需求,当不满足时生成对应的调整信息,其中,实验计算所针对的运行场景包括但不限于所述实际车联网当前的运行场景。
5.根据权利要求1所述的方法,其特征在于:
针对所述实际车联网当前的运行场景执行所述人工车联网系统进行实验计算,对比同一运行场景下的所述运行状态数据以及所述实验结果。
6.一种存储介质,其特征在于,所述存储介质上存储有可实现如权利要求1~5中任一项所述方法的程序代码。
7.一种基于人工车联网系统的车联网管理系统,其特征在于,所述系统包括:
管理控制策略获取模块,其配置为获取实际车联网所采用的管理控制策略;
人工车联网系统,其与所述实际车联网匹配,配置为在加载所述管理控制策略后实现针对所述管理控制策略的实验计算,从而生成实验结果;
车联网数据采集模块,其配置为获取所述实际车联网的运行状态数据;
模型优化模块,其配置为对比所述运行状态数据以及所述实验结果,根据对比结果优化所述人工车联网系统,从而提高所述人工车联网系统与所述实际车联网的匹配度;
管理控制策略优化模块,其配置为根据所述实验结果生成并输出针对所述管理控制策略的调整信息。
8.根据权利要求7所述的系统,其特征在于,所述人工车联网系统包括:
与所述实际车联网中影响因子对应的人工智能体,其配置为以初始状态参数为基础在行为规则范围内随机运行从而涌现智能体行为特征,其中,所述初始状态参数与所述行为规则与所述实际车联网中影响因子的属性匹配;
与所述实际车联网的运行体系匹配的计算实验模块,其配置为在加载了所述管理控制策略后以所述智能体行为特征为基础进行实验计算从而获取实验结果。
9.根据权利要求7所述的系统,其特征在于,所述人工车联网系统配置为在采用所述管理控制策略管理所述实际车联网的同时平行执行。
10.根据权利要求7所述的系统,其特征在于,所述系统还包括:
场景设定模块,其配置为确定运行场景,为所述人工车联网系统提供实验计算的场景限定。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810593734.3A CN108900577B (zh) | 2018-06-11 | 2018-06-11 | 一种基于人工车联网系统的车联网管理方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810593734.3A CN108900577B (zh) | 2018-06-11 | 2018-06-11 | 一种基于人工车联网系统的车联网管理方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108900577A true CN108900577A (zh) | 2018-11-27 |
CN108900577B CN108900577B (zh) | 2021-05-25 |
Family
ID=64344563
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810593734.3A Active CN108900577B (zh) | 2018-06-11 | 2018-06-11 | 一种基于人工车联网系统的车联网管理方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108900577B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103646241A (zh) * | 2013-12-30 | 2014-03-19 | 中国科学院自动化研究所 | 一种基于嵌入式系统的实时出租车识别方法 |
CN104050555A (zh) * | 2014-07-06 | 2014-09-17 | 山东天海科技股份有限公司 | 北斗车联网物流信息服务平台 |
CN104123847A (zh) * | 2014-07-31 | 2014-10-29 | 中国科学院自动化研究所 | 基于acp方法的交通信号推荐系统及相应方法 |
CN106332122A (zh) * | 2015-06-26 | 2017-01-11 | 中兴通讯股份有限公司 | 车联网中车辆的管理方法及装置 |
CN107395757A (zh) * | 2017-08-28 | 2017-11-24 | 青岛慧拓智能机器有限公司 | 基于acp方法和社会物理信息系统的平行车联网系统 |
-
2018
- 2018-06-11 CN CN201810593734.3A patent/CN108900577B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103646241A (zh) * | 2013-12-30 | 2014-03-19 | 中国科学院自动化研究所 | 一种基于嵌入式系统的实时出租车识别方法 |
CN104050555A (zh) * | 2014-07-06 | 2014-09-17 | 山东天海科技股份有限公司 | 北斗车联网物流信息服务平台 |
CN104123847A (zh) * | 2014-07-31 | 2014-10-29 | 中国科学院自动化研究所 | 基于acp方法的交通信号推荐系统及相应方法 |
CN106332122A (zh) * | 2015-06-26 | 2017-01-11 | 中兴通讯股份有限公司 | 车联网中车辆的管理方法及装置 |
CN107395757A (zh) * | 2017-08-28 | 2017-11-24 | 青岛慧拓智能机器有限公司 | 基于acp方法和社会物理信息系统的平行车联网系统 |
Non-Patent Citations (2)
Title |
---|
宁滨等: ""基于ACP方法的城市轨道交通平行系统体系研究"", 《交通运输系统工程与信息》 * |
李力等: ""平行学习——机器学习的一个新型理论框架"", 《自动化学报》 * |
Also Published As
Publication number | Publication date |
---|---|
CN108900577B (zh) | 2021-05-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | Fuzzy optimization model for electric vehicle routing problem with time windows and recharging stations | |
Wang et al. | Adaptive Traffic Signal Control for large-scale scenario with Cooperative Group-based Multi-agent reinforcement learning | |
Malek et al. | Multivariate deep learning approach for electric vehicle speed forecasting | |
CN105849998B (zh) | 电力需求预测装置及预测方法、供电系统及记录介质 | |
CN110544010B (zh) | 影响轨道交通系统全局效能涌现的关键要素的辨识方法 | |
Andrenacci et al. | Determination of the level of service and customer crowding for electric charging stations through fuzzy models and simulation techniques | |
CN117057656B (zh) | 基于数字孪生的智慧城市管理方法及系统 | |
CN105827688A (zh) | 城市场景中车联网大规模异构网络连通性质的研究方法 | |
Roldán et al. | Swarmcity project: Can an aerial swarm monitor traffic in a smart city? | |
CN107016212A (zh) | 基于动态贝叶斯网络的意图分析方法 | |
Wang et al. | Urban intelligent parking system based on the parallel theory | |
CN114202253A (zh) | 充电站负荷可调潜力评估方法、系统、存储介质及服务器 | |
Bartin | Use of learning classifier systems in microscopic toll plaza simulation models | |
Sun et al. | Transit-gym: A simulation and evaluation engine for analysis of bus transit systems | |
Sierpiński et al. | Platform to support the implementation of electromobility in smart cities based on ICT applications-concept for an electric travelling project. | |
Crisostomi et al. | Markov chain based emissions models: A precursor for green control | |
Mu et al. | Deep reinforcement learning based adaptive threshold multi-tasks offloading approach in mec | |
Struben | Identifying challenges for sustained adoption of alternative fuel vehicles and infrastructure | |
Loibl et al. | Simulation of Polycentric Urban Growth Dynamics Through Agents: Modle concept, application, result and validation | |
CN108897926A (zh) | 一种人工车联网系统及其建立方法 | |
CN108898284B (zh) | 一种车联网管理控制策略评估方法及系统 | |
Lu et al. | A multi-agent adaptive traffic signal control system using swarm intelligence and neuro-fuzzy reinforcement learning | |
CN108900577A (zh) | 一种基于人工车联网系统的车联网管理方法及系统 | |
Wang et al. | Driver’s Lane Selection Model Based on Phase‐Field Coupling and Multiplayer Dynamic Game with Incomplete Information | |
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 |