CN110276970B - 一种基于轨迹预测的车辆计算资源利用方法 - Google Patents
一种基于轨迹预测的车辆计算资源利用方法 Download PDFInfo
- Publication number
- CN110276970B CN110276970B CN201910539035.5A CN201910539035A CN110276970B CN 110276970 B CN110276970 B CN 110276970B CN 201910539035 A CN201910539035 A CN 201910539035A CN 110276970 B CN110276970 B CN 110276970B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- task
- vehicles
- time
- request
- 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
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/09—Arrangements for giving variable traffic instructions
- G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
- G08G1/0967—Systems involving transmission of highway information, e.g. weather, speed limits
- G08G1/096766—Systems involving transmission of highway information, e.g. weather, speed limits where the system is characterised by the origin of the information transmission
- G08G1/096783—Systems involving transmission of highway information, e.g. weather, speed limits where the system is characterised by the origin of the information transmission where the origin of the information is a roadside individual element
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Atmospheric Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
为了解决现有技术中近端边缘服务器提供的计算资源有限,无法适应指数增加的车辆数量的问题,本发明提供一种基于轨迹预测的车辆计算资源利用方法,当任务请求车辆有计算任务需求时,首先根据车辆的历史行车轨迹去预测周围的这些车辆的未来行车轨迹是否与任务发布车辆的未来行车轨迹相似;然后,筛选出与任务发布车辆的未来轨迹相似的车辆,并将其归类;然后,确认参加任务的车辆并为其制定相对应的合同,最后在获得任务请求车辆的利益最大化的合同后,任务请求车辆开始依次上传其所有任务至任务执行车辆,然后任务执行车辆依次处理任务,处理完后将任务处理结果依次返回给任务请求车辆,任务结束。
Description
技术领域
本发明涉及车联网技术中的资源利用领域,特别涉及一种基于轨迹预测的车辆计算资源利用方法。
背景技术
车联网(IOV)作为物联网(IOT)的一个有前途的应用领域,引起了业界和学术界的广泛关注。IOV已经成为智能城市工业应用发展的研究领域,重点研究内容包括:交通管理和道路安全等。许多国家都专注于建立IOV系统,例如欧洲的ERTICO-ITS。在工业领域,全球汽车制造商,例如:沃尔沃、宝马等,均已开发出基于车辆到车辆(V2V)通信的测试台系统。
2018年全球车辆保有量已达到13.4亿辆,预计到2035年将达到20亿辆。未来的车辆服务必然需要大量的通信和计算资源来支撑。在各类新兴的应用中,待处理的数据量呈爆炸式增长。例如自动驾驶,原始传感器数据以2Gb/s产生,并且此类数据应在1毫秒内完成,数据处理对延迟要求极高。为了克服上述困境,移动边缘计算(MEC)被提出来,其主要思想是通过将计算通信资源推送至用户侧,以实现本地化数据处理,其优点在于可以减少延迟、减轻通信抖动、为用户实现移动性支持。移动边缘计算扩大了IOV的资源容量,并在网络边缘带来了可用的计算资源。在计算卸载中,计算任务可以由近端边缘计算服务器直接执行,对其进行快速响应。通过部署边缘服务器在本地化数据处理方面具有显着优势,并且还可以承担网络管理中的相关任务。然而,近端边缘服务器提供的计算资源有限,这无法适应指数增加的车辆数量。
发明内容
为了解决现有技术中近端边缘服务器提供的计算资源有限,无法适应指数增加的车辆数量的问题,本发明提供一种基于轨迹预测的车辆计算资源利用方法。
本发明为了解决上述技术体所采用的技术方案是:一种基于轨迹预测的车辆计算资源利用方法,其技术方案在于:当任务请求车辆有计算任务需求时,首先根据车辆的历史行车轨迹去预测周围的这些车辆的未来行车轨迹是否与任务发布车辆的未来行车轨迹相似;然后,筛选出与任务发布车辆的未来轨迹相似的车辆,并将其归类;然后,确认参加任务的车辆并为其制定相对应的合同,最后在获得任务请求车辆的利益最大化的合同后,任务请求车辆开始依次上传其所有任务至任务执行车辆,然后任务执行车辆依次处理任务,处理完后将任务处理结果依次返回给任务请求车辆,任务结束。
其中,判断任务发布车辆的未来行车轨迹与其周围车辆的未来行车轨迹是否相似的方法是:
S1.当任务请求车辆有计算任务需求时,任务请求车辆将任务需求和未来行车轨迹路线上传到路边单元RSU;
S2.路边单元RSU接收到S1步骤中任务请求车辆发送的任务需求和未来行车轨迹路线后,路边单元RSU收集任务请求车辆的周围其他同向行驶车辆的行车历史信息;
S3.路边单元RSU根据车辆的历史行车记录和当前行车记录通过关联性分析方法确定与任务请求车辆为同一类的车辆。
其中,获得任务请求车辆的利益最大化的合同的步骤是:假设有M辆与任务请求车辆为同类,任务请求车辆将自己的未来行车轨迹L供其他车辆选择是否加入任务;假设在M辆车中有n辆车加入任务,根据合同理论求出最佳合同,使发布任务车辆的利益最大化。
本发明的有益效果是:本发明构建了路面聚集车辆计算资源分配策略,为路面车辆提供低时延计算服务。通过对任务执行车辆进行分类,然后依据不同的分类,设计不同的合同,具体包括不同的空闲资源需求量和单位空闲资源的支付费用。上述设计将有效地激励路面车辆参与到路面车辆聚集的计算资源供给上来,合理分配资源,解决了近端边缘服务器提供的计算资源有限的问题,使车辆本身作为计算单元,承担计算任务。
附图说明
图1为本发明系统模型。
图2为本发明总体流程图。
图3为任务请求流程图。
图4为路边单元RSU数据处理流程图。
图5为计算资源调度模块处理流程图。
具体实施方式
下面结合附图对本申请进行进一步的说明。
所述的一种基于轨迹预测的车辆计算资源利用方法,其技术方案在于:当任务请求车辆有计算任务需求时,首先根据车辆的历史行车轨迹去预测周围的这些车辆的未来行车轨迹是否与任务发布车辆的未来行车轨迹相似;然后,筛选出与任务发布车辆的未来轨迹相似的车辆,并将其归类;然后,确认参加任务的车辆并为其制定相对应的合同,最后在获得任务请求车辆的利益最大化的合同后,任务请求车辆开始依次上传其所有任务至任务执行车辆,然后任务执行车辆依次处理任务,处理完后将任务处理结果依次返回给任务请求车辆,任务结束。
该方案的系统模型如图1所示,其中灰色车辆为任务请求车辆。本发明可以理解为包含三个主要的模块,计算任务处理流程如图2所示。具体过程如下:
1、任务请求模块
任务请求模块的流程图如图3所示,当任务请求车辆V0(以下简称V0)有计算任务需求时,V0将任务需求和未来行车轨迹路线(可由任务最大延迟时间Tmax与当前速度V0推出)上传到路边单元RSU。
2、路边单元RSU数据处理模块
路边单元RSU数据处理模块的流程图如图4所示,V0将任务需求和未来行车轨迹路线上传到路边单元RSU后,路边单元RSU收集V0的周围其他车辆的行车历史信息(这里一般只需收集同向车辆和有可能同向的车辆信息即可,不考虑车辆调头的情况)。
路边单元RSU收集完车辆信息后,路边单元RSU根据车辆的历史行车记录和当前行车记录找出与V0为同一类(未来轨迹可能相似)的车辆。利用一种定义两车的关联性的方法,筛选出与V0关联性较大的车辆。然后确认参加任务的车辆并为其制定合同。
1)筛选与V0同类的车辆
车辆关联性分析方法:
首先定义两辆车,车辆Vi和车辆Vj之间的关联性ρij,计算方式如下:
表示长历史相关性,为计算长历史相关性,定义了一个长期时间间隔。例如,一年或者半年,首先假设知道Vi将要行驶的路段N,在该时间段内(例如早晨8:00~8:30)车辆Vj经过路段N的天数T′h除以定义的长期时间间隔的总天数Th。
短历史相关性: 表示短历史相关性,为计算短历史相关性,定义了一个短期时间间隔。例如,一个星期,首先假设知道Vi将要行驶的路段N,在该时间段内(例如早晨8:00~8:30)车辆Vj经过路段N的天数Tr'除以定义的短期时间间隔总天数Tr。
当前相关性: 表示当前相关性,为计算当前相关性,定义了一个很短的时间间隔。例如,几分钟或者几小时之内的行车记录,根据这些记录计算车辆Vi和Vj行驶的相同路段它们之间的当前相关性是基于相同路段数计算的,计算方式如下:
最后得到车辆Vi和车辆Vj之间的关联性ρij:
为了判断车辆Vi和车辆Vj是否为一类,给出一个判断标准ρb,定义为ρb:
当ρij>ρb时,车辆Vi、Vj被定义为一类。
将V0设为上述的Vi,V0周围其他车辆设为Vj,假设找出M辆车与V0为同类型的车辆。
2)确认参加任务的车辆并为其制定相对应的合同
确定有M辆与V0为同类后,V0将自己的未来行车轨迹L(可由任务最大延迟时间Tmax与V0当前速度推出)供其他车辆选择是否加入任务。
假设在M辆车中有n辆车加入任务,这里根据合同理论求出一种最佳合同,使V0的利益最大化的合同,求解方法如下:
设每个任务执行的车都被建模为劳动力,并试图求最大化发布任务车辆收益的合同。
①求出任务执行所耗的时间
V0将任务从小到大分为n份{D1,D2,D3...Dn},同类的M辆车依次有n辆车{V1,V2,V3...Vn}(D1→V1,D2→V2...Dn→Vn)选择了对应的合同执行任务。V0将任务{D1,D2,D3...Dn}依次上传到{V1,V2,V3...Vn}。由于任务{D1,D2,D3...Dn}只能依次上传,所以这里的时间计算并不是每个任务的上传、处理、下载的和,而是有个“优化”的过程。当V0上传完第一个任务D1时,接收到第一个任务的车辆V1就可以开始计算任务了,又因为上传和反馈任务所消耗的时间小于车辆计算所消耗的时间,即 所以,总响应时间等于V0上传所有任务{D1,D2,D3...Dn}所消耗的总时间加上Vn完成最后一个任务Dn完成消耗的时间加上最后一个车辆Vn完成任务Dn反馈给V0所消耗的时间,即
同时T总必须小于任务所允许的最大延迟,即T总<Tmax。
注:i∈{1,2...n};
(D1→V1,D2→V2...Dn→Vn);
Di为第i个任务的数据大小;
μi为车辆Vi的计算数据的速率;
tup为任务请求车辆上传n个任务所消耗的总时间;
Dn为第n个任务的数据大小(最后一个数据最大的任务);
μn为车辆Vn的计算数据的速率;
②给执行任务的车辆的报酬:
③最优任务合同的制定
对于任务发布车辆V0效用定义为:
对于任务接受车辆Vi的效用定义为:
所以,所有提供计算资源车辆总效用定义为
最后这次任务完成的总体效用可表示为:
其中,ρ为每节省单位时间所节省的利润。πi是支付给车辆Vi车主的单位时间的价格;
a为能量消耗单位成本价格;kiDi 2为车辆能量损耗,ki是一个与车辆Vi自身元件有关的参数;IR约束、IC约束;
IR约束:对车辆{V1,V2,V3...Vn}中的任何一辆车,要想他们将车载资源贡献出来,首先一点,给与他们的报酬也应该高于他们的车辆的能量消耗。
IC约束:车辆{V1,V2,V3...Vn}中的任何一辆车在选择合同的过程中,他们选择的合同对于他们来说肯定是对自己最优的合同,也就是利益最大的合同,假设(πx,Dx)为车辆Vx选的取最优合同,即可表示为下式:
最后将问题转化为最大化发布任务的车辆的总效用:
最后根据上式求出使发布任务车辆的利益最大化的合同。其中,Uv0为任务请求车辆效用;Umv为提供计算资源车辆总效用;ρ为每节省单位时间所节省的利润;Tmax为任务最大延迟时间;为任务请求车辆上传第i个任务所消耗的时间;Dn为第n个任务的数据大小(最后一个数据最大的任务);μn为车辆Vn的计算数据的速率;为车辆Vn计算第n个任务反馈给任务请求车辆所消耗的时间;
πi是支付给车辆Vi车主的单位时间的价格;这里约束中的πi是指车辆Vi的车主选择的最佳合同(πi,Di),πk是表示其他任意k≠i,k∈{1,2...n}时的合同中的支付价格。
a为能量消耗单位成本价格;kiDi 2为车辆能量损耗,ki是一个与车辆Vi自身元件有关的参数。
3、计算资源调度模块
计算资源调度模块流程图如图5所示,在求出使发布任务车辆的利益最大化的合同后,就要开始计算资源的调度了,首先任务发布者V0开始依次上传其所有任务{D1,D2,D3...Dn}至任务执行车辆{V1,V2,V3...Vn},然后任务执行者{V1,V2,V3...Vn}依次处理任务,处理完后将任务处理结果依次返回给V0,任务结束。
随着车辆慢慢变多,这些车子所需要的服务请求和对计算资源的需求也变得越来越多,将上述服务请求上传至远端云服务器会有较高延迟,大大影响服务体验。而边缘服务器的数量和容量远不及车辆数量的增长速度,所以找车子“自给自足”是一个比较好的方法。相比远端服务器,这些接受任务的车辆离任务发布车辆更近,这样传输任务的时间就大大减少,为车辆提供低延迟的计算服务。
车辆本身也是具有计算能力的,所有的车辆它们都具有大量空闲的车载计算资源(例如CPU和GPU)。所以,假设路上正在行驶的车辆有任务需要计算时,由于有任务需求的车辆数量众多,周围的边缘服务器基本处于满负荷状态。为了保证低延迟,最佳方法就是该行驶的汽车将其计算任务传给在其周围行驶的空闲车辆帮其处理任务。
由于车辆都在不断移动,所以为了保证任务顺利执行,发布任务的车辆和接受任务车辆必须在任务执行过程中保持在一定的通讯范围内。即必要条件是任务发布车辆和接受任务车辆在任务执行过程中行车轨迹是相似的。因此,发布任务的车辆就需要知道周围其他车辆之后的行驶路线也就是“未来轨迹”,从而选出接受任务的车辆。但是这种关系到隐私的信息,一般不会轻易的向别人透露。
本发明提出了一类车辆提供计算服务的激励方案,使得路面车辆愿意贡献其空闲的车载计算资源为其他车辆服务。通过对任务执行车辆进行分类,然后依据不同的分类,设计不同的合同,具体包括不同的空闲资源需求量和单位空闲资源的支付费用。上述设计将有效地激励路面车辆参与到路面车辆聚集的计算资源供给上来。
需要明确的是:本发明可以将车载计算资源的获取对象从移动车辆转化为停车厂里的车辆,由于停车厂里的车辆不会移动,所以传输的延迟会较高,可能存在用户体验就会较差的问题。
以上所述仅为发明的较佳实施例而己,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (3)
1.一种基于轨迹预测的车辆计算资源利用方法,其特征在于:
当任务请求车辆有计算任务需求时,首先根据车辆的历史行车轨迹去预测周围的这些车辆的未来行车轨迹是否与任务发布车辆的未来行车轨迹相似;然后,筛选出与任务发布车辆的未来轨迹相似的车辆,并将其归类;然后,确认参加任务的车辆并为其制定相对应的合同,最后在获得任务请求车辆的利益最大化的合同后,任务请求车辆开始依次上传其所有任务至任务执行车辆,然后任务执行车辆依次处理任务,处理完后将任务处理结果依次返回给任务请求车辆,任务结束;
判断任务发布车辆的未来行车轨迹与其周围车辆的未来行车轨迹是否相似的方法是:
S1.当任务请求车辆有计算任务需求时,任务请求车辆将任务需求和未来行车轨迹路线上传到路边单元RSU;
S2.路边单元RSU接收到S1步骤中任务请求车辆发送的任务需求和未来行车轨迹路线后,路边单元RSU收集任务请求车辆的周围其他同向行驶车辆的行车历史信息;
S3.路边单元RSU根据车辆的历史行车记录和当前行车记录通过关联性分析方法确定与任务请求车辆为同一类的车辆;
所述的关联性分析方法:
首先定义两辆车,车辆Vi和车辆Vj之间的关联性ρij,计算方式如下:
最后得到车辆Vi和车辆Vj之间的关联性ρij:
D.判断车辆Vi和车辆Vj是否为一类的方法是:
假设判断标准为ρb,由下式进行判断:
当ρij>ρb时,车辆Vi、Vj被定义为一类。
2.根据权利要求1所述的一种基于轨迹预测的车辆计算资源利用方法,其特征在于:获得任务请求车辆的利益最大化的合同的步骤是:假设有M辆与任务请求车辆为同类,任务请求车辆将自己的未来行车轨迹L供其他车辆选择是否加入任务;假设在M辆车中有n辆车加入任务,根据合同理论求出最佳合同,使发布任务车辆的利益最大化。
3.根据权利要求2所述的一种基于轨迹预测的车辆计算资源利用方法,其特征在于:发布任务车辆的利益最大化的具体步骤是:
S201.求出任务执行所耗的时间:
同时T总必须小于任务所允许的最大延迟,即T总<Tmax;
其中,i∈{1,2...n}
(D1→V1,D2→V2...Dn→Vn);
Di为第i个任务的数据大小;Dn为第n个任务的数据大小;
μi为车辆Vi的计算数据的速率;μn为车辆Vn的计算数据的速率;
S202.给执行任务的车辆的报酬:
S203.最优任务合同的制定:
对于任务请求车辆效用定义为:
其中,Uv0为任务请求车辆效用;ρ为每节省单位时间所节省的利润;Tmax为任务最大延迟时间;Dn为第n个任务的数据大小;μn为车辆Vn的计算数据的速率;为车辆Vn计算第n个任务反馈给任务请求车辆所消耗的时间;Di为第i个任务的数据大小;μi为车辆Vi的计算数据的速率;
对于任务接受车辆Vi的效用定义为:
所以,所有提供计算资源车辆总效用定义为:
这次任务完成的总体效用可表示为:
S204.最后将最大化发布任务的车辆的总效用为:
其中,Uv0为任务请求车辆效用;Umv为提供计算资源车辆总效用;ρ为每节省单位时间所节省的利润;Tmax为任务最大延迟时间;为任务请求车辆上传第i个任务所消耗的时间;μnDn为第n个任务的数据大小;μn为车辆Vn的计算数据的速率;为车辆Vn计算第n个任务反馈给任务请求车辆所消耗的时间;
πi是支付给车辆Vi车主的单位时间的价格;这里约束中的πi是指车辆Vi的车主选择的最佳合同(πi,Di),πk是表示其他任意k≠i,k∈{1,2...n}时的合同中的支付价格;
a为能量消耗单位成本价格;
kiDi 2为车辆能量损耗,ki是一个与车辆Vi自身元件有关的参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910539035.5A CN110276970B (zh) | 2019-06-20 | 2019-06-20 | 一种基于轨迹预测的车辆计算资源利用方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910539035.5A CN110276970B (zh) | 2019-06-20 | 2019-06-20 | 一种基于轨迹预测的车辆计算资源利用方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110276970A CN110276970A (zh) | 2019-09-24 |
CN110276970B true CN110276970B (zh) | 2021-12-10 |
Family
ID=67961488
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910539035.5A Active CN110276970B (zh) | 2019-06-20 | 2019-06-20 | 一种基于轨迹预测的车辆计算资源利用方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110276970B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105516214A (zh) * | 2014-09-22 | 2016-04-20 | 电信科学技术研究院 | 一种车联网系统中的信息上报和资源分配方法、装置 |
WO2016197622A1 (zh) * | 2015-06-12 | 2016-12-15 | 中兴通讯股份有限公司 | 车联网架构及其中的业务实现方法和装置 |
CN108777852A (zh) * | 2018-05-16 | 2018-11-09 | 国网吉林省电力有限公司信息通信公司 | 一种车联网内容边缘卸载方法、移动资源分配系统 |
CN108924796A (zh) * | 2018-08-15 | 2018-11-30 | 电子科技大学 | 一种资源分配及卸载比例联合决策的方法 |
CN109005057A (zh) * | 2018-07-19 | 2018-12-14 | 华北电力大学 | 一种基于契约匹配理论的计算资源分配与任务卸载方案 |
CN109379727A (zh) * | 2018-10-16 | 2019-02-22 | 重庆邮电大学 | 车联网中基于mec的任务分布式卸载与协作执行方案 |
CN109587736A (zh) * | 2018-11-27 | 2019-04-05 | 北京邮电大学 | 一种车队的通信资源分配方法 |
CN109756378A (zh) * | 2019-01-12 | 2019-05-14 | 大连理工大学 | 一种车载网络下的智能计算卸载方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108616816B (zh) * | 2018-05-07 | 2020-07-03 | 重庆邮电大学 | 一种基于极限学习的车辆轨迹预测和mec应用迁移方法 |
-
2019
- 2019-06-20 CN CN201910539035.5A patent/CN110276970B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105516214A (zh) * | 2014-09-22 | 2016-04-20 | 电信科学技术研究院 | 一种车联网系统中的信息上报和资源分配方法、装置 |
WO2016197622A1 (zh) * | 2015-06-12 | 2016-12-15 | 中兴通讯股份有限公司 | 车联网架构及其中的业务实现方法和装置 |
CN108777852A (zh) * | 2018-05-16 | 2018-11-09 | 国网吉林省电力有限公司信息通信公司 | 一种车联网内容边缘卸载方法、移动资源分配系统 |
CN109005057A (zh) * | 2018-07-19 | 2018-12-14 | 华北电力大学 | 一种基于契约匹配理论的计算资源分配与任务卸载方案 |
CN108924796A (zh) * | 2018-08-15 | 2018-11-30 | 电子科技大学 | 一种资源分配及卸载比例联合决策的方法 |
CN109379727A (zh) * | 2018-10-16 | 2019-02-22 | 重庆邮电大学 | 车联网中基于mec的任务分布式卸载与协作执行方案 |
CN109587736A (zh) * | 2018-11-27 | 2019-04-05 | 北京邮电大学 | 一种车队的通信资源分配方法 |
CN109756378A (zh) * | 2019-01-12 | 2019-05-14 | 大连理工大学 | 一种车载网络下的智能计算卸载方法 |
Non-Patent Citations (2)
Title |
---|
车载边缘计算中基于信誉值的计算卸载方法研究;吴振铨;《计算机应用研究》;20180930;全文 * |
边缘智能驱动的车联网;张彦;《物联网学报》;20181231;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110276970A (zh) | 2019-09-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210110323A1 (en) | Optimizing charging, fueling, and parking overheads of fleet vehicles in a maas architecture | |
Gusrialdi et al. | Distributed scheduling and cooperative control for charging of electric vehicles at highway service stations | |
US11514543B2 (en) | System and method for ride order dispatching | |
Yang et al. | Resource allocation for edge computing-based vehicle platoon on freeway: A contract-optimization approach | |
US20180096606A1 (en) | Method to control vehicle fleets to deliver on-demand transportation services | |
CN105513414A (zh) | 基于实时交通查询和云模型的停车场车位预测和推荐方法 | |
US20220227252A1 (en) | Systems and methods for adaptive optimization for electric vehicle fleet charging | |
US11626021B2 (en) | Systems and methods for dispatching shared rides through ride-hailing platform | |
Lin et al. | Computation offloading strategy based on deep reinforcement learning for connected and autonomous vehicle in vehicular edge computing | |
US11790289B2 (en) | Systems and methods for managing dynamic transportation networks using simulated future scenarios | |
CN111341093B (zh) | 车队的控制方法、装置、设备及存储介质 | |
CN110276970B (zh) | 一种基于轨迹预测的车辆计算资源利用方法 | |
Elsayed et al. | Predictive proactive caching in VANETs for social networking | |
CN112750298B (zh) | 一种基于smdp和drl的货车编队动态资源分配方法 | |
Wang et al. | Towards accessible shared autonomous electric mobility with dynamic deadlines | |
Hu et al. | An artificial-neural-network-based model for real-time dispatching of electric autonomous taxis | |
Fan et al. | Joint order dispatch and charging for electric self-driving taxi systems | |
Arikumar et al. | Software defined networking assisted electric vehicle charging: Towards smart charge scheduling and management | |
Pradhan et al. | FRAC: a flexible resource allocation for vehicular cloud system | |
Li et al. | Coupling user preference with external rewards to enable driver-centered and resource-aware ev charging recommendation | |
CN115208892A (zh) | 基于动态资源需求的车路协同在线任务调度方法及系统 | |
Yin et al. | Joint task offloading and resources allocation for hybrid vehicle edge computing systems | |
Liu et al. | Efficient bus arrival time prediction based on spark streaming platform | |
CN117952285B (zh) | 针对无人机移动充电站的动态调度方法 | |
CN116340007B (zh) | 一种资源协同优化的智能无人集群任务分配方法与系统 |
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 |