CN110415560A - 基于车联网系统的资源量估计方法、碰撞预测方法及装置 - Google Patents
基于车联网系统的资源量估计方法、碰撞预测方法及装置 Download PDFInfo
- Publication number
- CN110415560A CN110415560A CN201910726923.8A CN201910726923A CN110415560A CN 110415560 A CN110415560 A CN 110415560A CN 201910726923 A CN201910726923 A CN 201910726923A CN 110415560 A CN110415560 A CN 110415560A
- Authority
- CN
- China
- Prior art keywords
- car networking
- networking system
- conductivity
- hidden danger
- coefficient
- 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
- 230000006855 networking Effects 0.000 title claims abstract description 550
- 238000000034 method Methods 0.000 title claims abstract description 67
- 230000004044 response Effects 0.000 claims description 11
- 238000011002 quantification Methods 0.000 claims description 8
- 230000010354 integration Effects 0.000 abstract description 34
- 230000006854 communication Effects 0.000 description 25
- 238000004891 communication Methods 0.000 description 24
- 238000010586 diagram Methods 0.000 description 17
- 230000006870 function Effects 0.000 description 13
- 238000012545 processing Methods 0.000 description 12
- 238000005516 engineering process Methods 0.000 description 9
- 230000008859 change Effects 0.000 description 7
- 230000000694 effects Effects 0.000 description 7
- 230000001965 increasing effect Effects 0.000 description 6
- 239000004615 ingredient Substances 0.000 description 6
- 239000011159 matrix material Substances 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000013461 design Methods 0.000 description 5
- 230000001133 acceleration Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 235000013399 edible fruits Nutrition 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 4
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000012502 risk assessment Methods 0.000 description 3
- 241000208340 Araliaceae Species 0.000 description 2
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 2
- 235000003140 Panax quinquefolius Nutrition 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 235000008434 ginseng Nutrition 0.000 description 2
- 230000003862 health status Effects 0.000 description 2
- 238000012905 input function Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000013139 quantization Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000005314 correlation function Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000003340 mental effect Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 239000000523 sample Substances 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000010897 surface acoustic wave method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- 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
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/16—Anti-collision systems
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- General Health & Medical Sciences (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请公开了一种基于车联网系统的资源量估计方法,包括:获取车联网系统的初始规模参数、初始安全隐患率以及目标安全隐患率;获取车联网系统的总集成次数;获取数量传导系数集合;根据车联网系统的初始规模参数、初始安全隐患率、目标安全隐患率、总集成次数以及数量传导系数集合,确定车联网系统的资源估计量,资源估计量用于估计集成车联网系统所使用的资源总量。本申请公开了一种基于车联网系统的碰撞预测方法和装置。本申请考虑到每次集成对车联网系统所带来的影响,基于集成次数的变化动态地估计出系统集成资源,从而得到更加准确的系统集成资源,由此,提升车联网系统的安全性和可靠性。
Description
技术领域
本申请涉及通信技术领域,尤其涉及基于车联网系统的资源量估计方法、碰撞预测方法及装置。
背景技术
随着经济社会高速发展,汽车保有量迅速增长,道路交通安全问题已经成为影响社会和谐和改善民生的基本问题之一。近年来,车联网系统能够为车与车之间的间距提供保障,降低车辆发生碰撞事故的几率。
车联网系统的集成扩大了系统规模,同时增加了部件环节和安全隐患,因此,获取合理数量的系统集成资源可以使系统的安全隐患率符合要求。目前,系统集成资源是基于车联网系统所能容忍的安全隐患率以及期望的安全隐患率得到的。
在系统集成过程中,车联网系统的规模会不断扩大,系统的安全隐患也会随之增多,因此,安全隐患率是动态变化的。然而,在目前的方案中得到的系统集成资源是一个固定值,从而导致系统集成资源的估计不准确,降低了车联网系统的安全性和可靠性。
发明内容
本申请实施例提供了一种基于车联网系统的资源量估计方法、碰撞预测方法及装置,在车联网系统集成的过程中,考虑到每次集成对车联网系统所带来的影响,基于集成次数的变化动态地估计出系统集成资源,从而得到更加准确的系统集成资源,由此,提升车联网系统的安全性和可靠性。
有鉴于此,本申请第一方面提供一种基于车联网系统的资源量估计方法,包括:
获取车联网系统的初始规模参数、初始安全隐患率以及目标安全隐患率,其中,所述初始规模参数表示所述车联网系统的初始化价值,所述初始安全隐患率小于或等于所述目标安全隐患率;
获取所述车联网系统的总集成次数;
获取数量传导系数集合,其中,所述数量传导系数集合包括至少一个数量传导系数,其中,所述数量传导系数与所述车联网系统的集成次数具有关联关系;
根据所述车联网系统的初始规模参数、所述初始安全隐患率、所述目标安全隐患率、所述总集成次数以及所述数量传导系数集合,确定所述车联网系统的资源估计量,其中,所述资源估计量用于估计集成所述车联网系统所使用的资源总量。
本申请第二方面提供一种基于车联网系统的碰撞预测方法,包括:
获取碰撞预测指令;
响应于所述碰撞预测指令,获取车联网系统的初始规模参数、初始安全隐患率以及目标安全隐患率,其中,所述初始规模参数表示所述车联网系统的初始化价值,所述初始安全隐患率小于或等于所述目标安全隐患率;
获取所述车联网系统的总集成次数;
获取数量传导系数集合,其中,所述数量传导系数集合包括至少一个数量传导系数,其中,所述数量传导系数与所述车联网系统的集成次数具有关联关系;
根据所述车联网系统的初始规模参数、所述初始安全隐患率、所述目标安全隐患率、所述总集成次数以及所述数量传导系数集合,确定所述车联网系统的资源估计量,其中,所述资源估计量用于估计集成所述车联网系统所使用的资源总量;
根据所述资源估计量生成所述车联网系统所对应的车辆碰撞预测结果;
展示所述车辆碰撞预测结果。
本申请第三方面提供一种资源量估计装置,包括:
获取模块,用于获取车联网系统的初始规模参数、初始安全隐患率以及目标安全隐患率,其中,所述初始规模参数表示所述车联网系统的初始化价值,所述初始安全隐患率小于或等于所述目标安全隐患率;
所述获取模块,还用于获取所述车联网系统的总集成次数;
所述获取模块,还用于获取数量传导系数集合,其中,所述数量传导系数集合包括至少一个数量传导系数,其中,所述数量传导系数与所述车联网系统的集成次数具有关联关系;
确定模块,用于根据所述获取模块获取的所述车联网系统的初始规模参数、所述初始安全隐患率、所述目标安全隐患率、所述总集成次数以及所述数量传导系数集合,确定所述车联网系统的资源估计量,其中,所述资源估计量用于估计集成所述车联网系统所使用的资源总量。
在一种可能的设计中,在本申请实施例的第三方面的第一种实现方式中,
所述确定模块,具体用于根据所述数量传导系数集合以及目标数量传导系数,确定数量传导系数最大值和数量传导系数最小值,其中,所述目标数量传导系数为所述数量传导系数集合中的任意一个数量传导系数;
根据所述数量传导系数最小值和所述数量传导系数最大值之差,以及所述车联网系统的初始规模参数、所述初始安全隐患率、所述目标安全隐患率以及所述总集成次数,确定所述车联网系统的资源量下限;
根据所述数量传导系数最大值和所述数量传导系数最小值之差,以及所述车联网系统的初始规模参数、所述初始安全隐患率、所述目标安全隐患率以及所述总集成次数,确定所述车联网系统的资源量上限;
根据所述资源量下限与所述资源量上限,确定所述车联网系统的资源估计量。
在一种可能的设计中,在本申请实施例的第三方面的第二种实现方式中,
所述确定模块,具体用于采用如下方式计算所述车联网系统的资源量下限:
其中,所述Q表示所述车联网系统的所述资源估计量,所述S表示所述车联网系统的所述初始规模参数,所述N表示所述车联网系统的所述总集成次数,所述B表示所述车联网系统的所述目标安全隐患率,所述b0表示所述车联网系统的所述初始规模参数,所述Gk表示所述目标数量传导系数,所述Gi表示所述数量传导系数集合中的第i个数量传导系数,所述min()表示取最小值,所述max()表示取最大值;
所述确定模块,具体用于采用如下方式计算所述车联网系统的资源量上限:
其中,所述Q表示所述车联网系统的所述资源估计量,所述S表示所述车联网系统的所述初始规模参数,所述N表示所述车联网系统的所述总集成次数,所述B表示所述车联网系统的所述目标安全隐患率,所述b0表示所述车联网系统的所述初始规模参数,所述Gk表示所述目标数量传导系数,所述Gi表示所述数量传导系数集合中的第i个数量传导系数,所述min()表示取最小值,所述max()表示取最大值。
在一种可能的设计中,在本申请实施例的第三方面的第三种实现方式中,
所述确定模块,具体用于若所述总集成次数大于或等于集成次数阈值,则根据所述数量传导系数最小值和所述数量传导系数最大值的比值,以及所述数量传导系数最大值、所述车联网系统的初始规模参数、所述初始安全隐患率、所述目标安全隐患率以及所述总集成次数,确定所述车联网系统的资源量下限;
所述确定模块,具体用于根据所述数量传导系数最大值和所述数量传导系数最小值的比值,以及所述数量传导系数最小值、所述车联网系统的初始规模参数、所述初始安全隐患率、所述目标安全隐患率以及所述总集成次数,确定所述车联网系统的资源量上限。
在一种可能的设计中,在本申请实施例的第三方面的第四种实现方式中,
所述确定模块,具体用于采用如下方式计算所述车联网系统的资源量下限:
其中,所述Q表示所述车联网系统的所述资源估计量,所述S表示所述车联网系统的所述初始规模参数,所述N表示所述车联网系统的所述总集成次数,所述B表示所述车联网系统的所述目标安全隐患率,所述b0表示所述车联网系统的所述初始规模参数,所述Gk表示所述目标数量传导系数,所述Gi表示所述数量传导系数集合中的第i个数量传导系数,所述min()表示取最小值,所述max()表示取最大值;
所述确定模块,具体用于采用如下方式计算所述车联网系统的资源量上限:
其中,所述Q表示所述车联网系统的所述资源估计量,所述S表示所述车联网系统的所述初始规模参数,所述N表示所述车联网系统的所述总集成次数,所述B表示所述车联网系统的所述目标安全隐患率,所述b0表示所述车联网系统的所述初始规模参数,所述Gk表示所述目标数量传导系数,所述Gi表示所述数量传导系数集合中的第i个数量传导系数,所述min()表示取最小值,所述max()表示取最大值。
在一种可能的设计中,在本申请实施例的第三方面的第五种实现方式中,
所述获取模块,具体用于获取所述车联网系统在第i次集成中所引入的M个单元,其中,所述i大于或等于1,且小于或等于所述总集成次数,所述M为大于0的数值,每个单元具有固定的价值;
从所述M个单元中确定N个单元,其中,所述N个单元为存在安全隐患的单元,所述N为为大于0,且小于或等于所述M的数值;
根据所述N个单元与所述M个单元,确定所述车联网系统第i次集成所对应的数量传导系数。
本申请第四方面提供一种碰撞预测装置,包括:
获取模块,用于获取碰撞预测指令;
所述获取模块,还用于响应于所述碰撞预测指令,获取车联网系统的初始规模参数、初始安全隐患率以及目标安全隐患率,其中,所述初始规模参数表示所述车联网系统的初始化价值,所述初始安全隐患率小于或等于所述目标安全隐患率;
所述获取模块,还用于获取所述车联网系统的总集成次数;
所述获取模块,还用于获取数量传导系数集合,其中,所述数量传导系数集合包括至少一个数量传导系数,其中,所述数量传导系数与所述车联网系统的集成次数具有关联关系;
确定模块,用于根据所述获取模块获取的所述车联网系统的初始规模参数、所述初始安全隐患率、所述目标安全隐患率、所述总集成次数以及所述数量传导系数集合,确定所述车联网系统的资源估计量,其中,所述资源估计量用于估计集成所述车联网系统所使用的资源总量;
生成模块,用于根据所述确定模块确定的所述资源估计量生成所述车联网系统所对应的车辆碰撞预测结果;
展示模块,用于展示所述生成模块生成的所述车辆碰撞预测结果。
本申请第五方面提供一种网络设备,包括:存储器、收发器、处理器以及总线系统;
其中,所述存储器用于存储程序;
所述处理器用于执行所述存储器中的程序,包括如下步骤:
获取车联网系统的初始规模参数、初始安全隐患率以及目标安全隐患率,其中,所述初始规模参数表示所述车联网系统的初始化价值,所述初始安全隐患率小于或等于所述目标安全隐患率;
获取所述车联网系统的总集成次数;
获取数量传导系数集合,其中,所述数量传导系数集合包括至少一个数量传导系数,其中,所述数量传导系数与所述车联网系统的集成次数具有关联关系;
根据所述车联网系统的初始规模参数、所述初始安全隐患率、所述目标安全隐患率、所述总集成次数以及所述数量传导系数集合,确定所述车联网系统的资源估计量,其中,所述资源估计量用于估计集成所述车联网系统所使用的资源总量;
所述总线系统用于连接所述存储器以及所述处理器,以使所述存储器以及所述处理器进行通信。
本申请第五方面提供一种终端设备,包括:存储器、收发器、处理器以及总线系统;
其中,所述存储器用于存储程序;
所述处理器用于执行所述存储器中的程序,包括如下步骤:
获取碰撞预测指令;
响应于所述碰撞预测指令,获取车联网系统的初始规模参数、初始安全隐患率以及目标安全隐患率,其中,所述初始规模参数表示所述车联网系统的初始化价值,所述初始安全隐患率小于或等于所述目标安全隐患率;
获取所述车联网系统的总集成次数;
获取数量传导系数集合,其中,所述数量传导系数集合包括至少一个数量传导系数,其中,所述数量传导系数与所述车联网系统的集成次数具有关联关系;
根据所述车联网系统的初始规模参数、所述初始安全隐患率、所述目标安全隐患率、所述总集成次数以及所述数量传导系数集合,确定所述车联网系统的资源估计量,其中,所述资源估计量用于估计集成所述车联网系统所使用的资源总量;
根据所述资源估计量生成所述车联网系统所对应的车辆碰撞预测结果;
展示所述车辆碰撞预测结果;
所述总线系统用于连接所述存储器以及所述处理器,以使所述存储器以及所述处理器进行通信。
本申请的第七方面提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有指令,当其在计算机上运行时,使得计算机执行上述各方面所述的方法。
从以上技术方案可以看出,本申请实施例具有以下优点:
本申请实施例中,提供了一种基于车联网系统的资源量估计方法,首先获取车联网系统的初始规模参数、初始安全隐患率以及目标安全隐患率,初始规模参数表示车联网系统的初始化价值,初始安全隐患率小于或等于目标安全隐患率,获取车联网系统的总集成次数,并且获取数量传导系数集合,其中,数量传导系数集合包括至少一个数量传导系数,其中,数量传导系数与车联网系统的集成次数具有关联关系,最后根据车联网系统的初始规模参数、初始安全隐患率、目标安全隐患率、总集成次数以及数量传导系数集合,确定车联网系统的资源估计量,资源估计量用于估计集成车联网系统所使用的资源总量。通过上述方式,在车联网系统集成的过程中,考虑到每次集成对车联网系统所带来的影响,基于集成次数的变化动态地估计出系统集成资源,从而得到更加准确的系统集成资源,由此,提升车联网系统的安全性和可靠性。
附图说明
图1为本申请实施例中车联网系统的一个场景示意图;
图2为本申请实施例中基于车联网的资源量估计系统一个架构示意图;
图3为本申请实施例中基于车联网系统的资源量估计方法一个实施例示意图;
图4为本申请实施例中计算资源估计量的一个流程示意图;
图5为本申请实施例中基于车联网系统的碰撞预测方法一个实施例示意图;
图6为本申请实施例中资源量估计装置的一个实施例示意图;
图7为本申请实施例中碰撞预测装置的一个实施例示意图;
图8为本申请实施例中网络设备的一个结构示意图;
图9为本申请实施例中终端设备的一个结构示意图。
具体实施方式
本申请实施例提供了一种基于车联网系统的资源量估计方法、碰撞预测方法及装置,在车联网系统集成的过程中,考虑到每次集成对车联网系统所带来的影响,基于集成次数的变化动态地估计出系统集成资源,从而得到更加准确的系统集成资源,由此,提升车联网系统的安全性和可靠性。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“对应于”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
应理解,本申请提供的资源量估计方法可以应用于车联网系统,具体可以应用于安全辅助驾驶场景、车路协同场景以及自动驾驶场景,尤其适用于需要对车联网系统进行集成的安全辅助驾驶场景、车联网相关场景、车路协同场景以及自动驾驶场景。车联网系统是以行驶中的车辆为信息感知对象,借助新一代信息通信技术,实现车与车、车与人、车与路以及车与服务平台之间的网络连接,提升车辆整体的智能驾驶水平,为用户提供安全、舒适、智能、高效的驾驶感受与交通服务,同时提高交通运行效率,提升社会交通服务的智能化水平。车联网系统是将先进的传感器技术、通信技术、数据处理技术、网络技术、自动控制技术、信息发布技术等有机运用于整个交通运输管理体系而建立起的一种实时的、准确的、高效的交通运输综合管理和控制系统。
车联网系统是指通过在车辆仪表台安装车载终端设备,实现对车辆所有工作情况、静态信息以及动态信息的采集、存储并发送。系统分为三大部分:车载终端、云计算处理平台以及数据分析平台,根据不同行业对车辆的不同的功能需求实现对车辆有效监控管理。车辆的运行往往涉及多项开关量、传感器模拟量以及控制器局域网络(ControllerArea Network,CAN)信号数据等等,驾驶员在操作车辆运行过程中,产生的车辆数据不断回发到后台数据库,形成海量数据,由云计算平台实现对数据的“过滤清洗”,数据分析平台对数据进行报表式处理,供管理人员查看。
为了便于理解,请参阅图1,图1为本申请实施例中车联网系统的一个场景示意图,如图所示,从云端提取图1所示场景中车联网系统的车辆数量、车辆类型、车辆速度、车辆位置、车辆加速度以及车辆方向等信息,基于这些信息,采用本申请提供的资源量估计方法进行系统集成资源的估计,从而能够准备合理数量的系统集成资源,进而降低车联网系统的安全隐患,并输出任意两辆车的碰撞风险。
为了便于理解,本申请提出了一种资源量估计的方法,该方法应用于图1所示的资源量估计系统,请参阅图1,图2为本申请实施例中基于车联网的资源量估计系统一个架构示意图,如图所示,车联网系统中的网络设备可以采集一个区域内大量车辆的车辆信息,比如,网络设备可以采集车辆A、车辆B、车辆C、车辆D和车辆E的车辆信息,可以理解的是,网络设备可以主动探测这些车辆的车辆信息,也可以由这些车辆主动向网络设备上报自身的车辆信息。其中,车辆上部署有用于通信的终端设备,终端设备可以实现车与云平台之间的通信、车与车之间的通信、车与路之间的通信、车与人之间的通信以及车内设备之间的通信。
车与云平台间的通信是指车辆通过卫星无线通信或移动蜂窝等无线通信技术实现与车联网服务平台的信息传输,接受平台下达的控制指令,实时共享车辆数据。
车与车间的通信是指车辆与车辆之间实现信息交流与信息共享,包括车辆位置、行驶速度等车辆状态信息,可用于判断道路车流状况。
车与路间的通信是指借助地面道路固定通信设施实现车辆与道路间的信息交流,用于监测道路路面状况,引导车辆选择最佳行驶路径。
车与人间的通信是指用户可以通过无线保真(Wireless Fidelity,WiFi)、蓝牙(Bluetooth)、蜂窝等无线通信手段与车辆进行信息沟通,使用户能通过对应的移动终端设备监测并控制车辆。
车内设备间的通信是指车辆内部各设备间的信息数据传输,用于对设备状态的实时检测与运行控制,建立数字化的车内控制系统。
需要说明的是,终端设备包含但不仅限于平板电脑、笔记本电脑、掌上电脑、手机、语音交互设备及个人电脑(personal computer,PC),此处不做限定。需要说明的是,图2所示的一个网络设备仅为一个示意,该网络设备可以是一台,也可以是多台,此外,网络设备可以部署在固定区域,也可以部署在云端。图2所示的5个车辆也为一个示意,在实际应用中,车联网系统可以包括其他数量的车辆,此处不做限定。
结合上述介绍,下面将对本申请中基于车联网系统的资源量估计方法进行介绍,请参阅图3,本申请实施例中基于车联网系统的资源量估计方法一个实施例包括:
101、获取车联网系统的初始规模参数、初始安全隐患率以及目标安全隐患率,其中,初始规模参数表示车联网系统的初始化价值,初始安全隐患率小于或等于目标安全隐患率;
本实施例中,网络设备获取车联网系统的初始规模参数、初始安全隐患率以及目标安全隐患率,可以理解的是,网络设备具体可以是终端设备,或者是服务器,此处不做限定。对于已经给定的车联网系统,考虑到该车联网系统在集成的过程中,其规模会不断扩大,规模的扩大会增加部件和环节,导致安全隐患增多。其中,部件是指具有一定价值的应用于车联网系统中的零件(或零部件)。环节包括增加零件的环节、调整零件的环节以及更改零件的环节等。
具体地,假设在初始的车联网系统中具有1000辆车,平均每辆车价值10000元,那么初始规模参数S表示为,S=1000*10000=10000000。如果在初始时刻,能够给车联网系统带来安全隐患的零部件总价值为100000元,那么车联网系统的初始规模参数b0表示为,b0=100000/10000000=0.01。采用bi表示经过i次集成后的车联网系统的安全隐患率。目标安全隐患率表示集成后车联网系统允许的安全隐患率,可以表示为B,初始安全隐患率小于或等于目标安全隐患率。
102、获取车联网系统的总集成次数;
本实施例中,网络设备继续获取车联网系统的总集成次数N,其中,N为大于或等于1的整数,可能是无穷大的一个值,此次不做限定。集成需要考虑的问题之一是,对任一总集成次数而言,当确定目标安全隐患率B时,如何确定用于集成该车联网系统的资源估计量,使得该车联网系统的安全隐患率不超过给定的目标安全隐患率B,即bN≤B。
103、获取数量传导系数集合,其中,数量传导系数集合包括至少一个数量传导系数,其中,数量传导系数与车联网系统的集成次数具有关联关系;
本实施例中,网络设备需要获取每一次集成所对应的数量传导系数,从而得到数量传导系数集合。这里的数量传导系数与车联网系统的集成次数具有关联关系。车联网系统集成的过程中增加了单元数量,进而增加车联网系统的安全隐患,车联网系统在集成过程中所消耗的资源,在集成后达到的效果可以等效为向车联网系统引入的风险单元。其中,第i次集成所消耗的资源至等效风险单元的数量传导系数表示为Gi。
在定量刻画车联网系统的安全性时,安全隐患的增量可以等效为向原车联网系统引入了一定数量的风险单元,该风险单元可以是部件或者非实体信息,比如司机的年龄、驾龄、事故地点以及是否酒驾等信息。
可以理解的是,在实际情况下,步骤101、步骤102以及步骤103之间的执行顺序不分先后,本申请中可以分别执行步骤101、步骤102以及步骤103,也可以同时执行步骤101、步骤102以及步骤103,此次不做限定。
104、根据车联网系统的初始规模参数、初始安全隐患率、目标安全隐患率、总集成次数以及数量传导系数集合,确定车联网系统的资源估计量,其中,资源估计量用于估计集成车联网系统所使用的资源总量。
本实施例中,网络设备基于获取到的初始规模参数、初始安全隐患率、目标安全隐患率、总集成次数以及数量传导系数集合,计算得到车联网系统的资源估计量,该资源估计量用于估计集成车联网系统所使用的资源总量。
需要说明的是,本申请提供的资源量估计方法通常需要满足如下条件,在实际应用中,还可以根据情况对上述五个条件进行适应性的调整。
(1)车联网系统的安全隐患可以观测,即指车联网系统的安全隐患率是可以被直接或间接检测出来。
(2)车辆状况在短时间内不会发生巨大的变化,车辆状况是指任何能反应车联网系统的属性或者状态的参数,包括但不限于安全隐患率、车辆行驶速度以及车辆数量等。
(3)车联网系统的集成总量可以获取,并且可以被量化。
(4)驾驶员情况短时间内不会发生巨大变化,比如,驾驶员不会出现不可预期的异常,身心状况在短时间内不会巨大变化。
(5)在高速公路上,如果车速超过100公里时速,那么同车道车间安全距离应该保持在100米以上,如果车速低于100公里,那么同车道车间安全距离应保持在50米以上。
上述提供的五个条件仅为一个示意,不应理解为对本申请的限定。
本申请实施例中,提供了一种基于车联网系统的资源量估计方法,首先获取车联网系统的初始规模参数、初始安全隐患率以及目标安全隐患率,初始规模参数表示车联网系统的初始化价值,初始安全隐患率小于或等于目标安全隐患率,获取车联网系统的总集成次数,并且获取数量传导系数集合,其中,数量传导系数集合包括至少一个数量传导系数,其中,数量传导系数与车联网系统的集成次数具有关联关系,最后根据车联网系统的初始规模参数、初始安全隐患率、目标安全隐患率、总集成次数以及数量传导系数集合,确定车联网系统的资源估计量,资源估计量用于估计集成车联网系统所使用的资源总量。通过上述方式,在车联网系统集成的过程中,考虑到每次集成对车联网系统所带来的影响,基于集成次数的变化动态地估计出系统集成资源,从而得到更加准确的系统集成资源,由此,提升车联网系统的安全性和可靠性。
可选地,在上述图3对应的各个实施例的基础上,本申请实施例提供的对象控制的方法第一个可选实施例中,根据车联网系统的初始规模参数、初始安全隐患率、目标安全隐患率、总集成次数以及数量传导系数集合,确定车联网系统的资源估计量,可以包括:
根据数量传导系数集合以及目标数量传导系数,确定数量传导系数最大值和数量传导系数最小值,其中,目标数量传导系数为数量传导系数集合中的任意一个数量传导系数;
根据数量传导系数最小值和数量传导系数最大值之差,以及车联网系统的初始规模参数、初始安全隐患率、目标安全隐患率以及总集成次数,确定车联网系统的资源量下限;
根据数量传导系数最大值和数量传导系数最小值之差,以及车联网系统的初始规模参数、初始安全隐患率、目标安全隐患率以及总集成次数,确定车联网系统的资源量上限;
根据资源量下限与资源量上限,确定车联网系统的资源估计量。
本实施例中,介绍了一种资源估计量所在区间范围的确定方法,在计算车联网系统的资源估计量时,需要考虑资源估计量所在的范围。为了便于说明,请参阅图4,图4为本申请实施例中计算资源估计量的一个流程示意图,如图所示,车联网系统的集成扩大系统规模,增加部件环节和安全隐患。数量合理的资源估计量能在系统集成结束后能使系统的安全隐患率符合要求,具体地:
在步骤S1中,网络设备获取给定车联网系统的初始规模和初始安全隐患率,即获取车联网系统的初始规模参数和初始安全隐患率;
在步骤S2中,网络设备确定系统的集成消耗到等效的绝对风险单元的数量传导系统,即获取数量传导系数集合;
在步骤S3中,网络设备获取集成后的车联网系统允许的安全隐患率,即获取目标安全隐患率;
在步骤S4中,网络设备基于集成次数,可以计算车联网系统集成的总资源量上限值,即获取车联网系统的资源量上限;
在步骤S5中,网络设备基于集成次数,可以计算车联网系统集成的总资源量下限值,即获取车联网系统的资源量下限,根据资源量上限和资源量下限,可以生成一个范围,该范围为车联网系统的资源估计量。
其次,本申请实施例中,提供了一种资源估计量所在区间范围的确定方法,首先根据数量传导系数集合以及目标数量传导系数,确定数量传导系数最大值和数量传导系数最小值,根据数量传导系数最小值和数量传导系数最大值之差,确定车联网系统的资源量下限,并且根据数量传导系数最大值和数量传导系数最小值之差,确定车联网系统的资源量上限,最后根据资源量下限与资源量上限,确定车联网系统的资源估计量。通过上述方式,能够根据车联网的安全隐患率,有针对性地准备用于车联网系统集成的资源估计量,不仅达到资源估计量动态调整的效果,还可以确定资源估计量的区间范围,从而有利于增强资源估计量的合理性。
可选地,在上述图3对应的各个实施例的基础上,本申请实施例提供的对象控制的方法第二个可选实施例中,根据数量传导系数最小值和数量传导系数最大值之差,以及车联网系统的初始规模参数、初始安全隐患率、目标安全隐患率以及总集成次数,确定车联网系统的资源量下限,可以包括:
采用如下方式计算车联网系统的资源量下限:
其中,Q表示车联网系统的资源估计量,S表示车联网系统的初始规模参数,N表示车联网系统的总集成次数,B表示车联网系统的目标安全隐患率,b0表示车联网系统的初始规模参数,Gk表示目标数量传导系数,Gi表示数量传导系数集合中的第i个数量传导系数,min()表示取最小值,max()表示取最大值;
根据数量传导系数最大值和数量传导系数最小值之差,以及车联网系统的初始规模参数、初始安全隐患率、目标安全隐患率以及总集成次数,确定车联网系统的资源量上限,包括:
采用如下方式计算车联网系统的资源量上限:
其中,Q表示车联网系统的资源估计量,S表示车联网系统的初始规模参数,N表示车联网系统的总集成次数,B表示车联网系统的目标安全隐患率,b0表示车联网系统的初始规模参数,Gk表示目标数量传导系数,Gi表示数量传导系数集合中的第i个数量传导系数,min()表示取最小值,max()表示取最大值。
本实施例中,介绍了一种车联网系统的资源量下限和资源量上限的具体计算方式。具体地,假设于车联网系统集成的资源估计量表示为Q,资源估计量是一个未知的范围,用于车联网系统集成的资源估计量含有多种成分,且成分之间的量纲可能不同,通常情况下不能直接相加,但是成分的直接价值可用经济指标衡量,因此,可以针对不同成分的直接经济价值求和可得到资源估计量。
在实际情况下,无论车联网系统的总集成次数是大还是小,都可以采用下列方式进行资源量下限和资源量上限的计算。采用如下方式计算车联网系统的资源量下限:
其中,在计算的时候一旦确定了k之后就不能修改,k的取值范围在1至N之间,N表示车联网系统的总集成次数。假设
即资源估计量的资源量下限为80000。
采用如下方式计算车联网系统的资源量上限:
其中,在计算的时候一旦确定了k之后就不能修改,k的取值范围在1至N之间,N表示车联网系统的总集成次数。假设
即资源估计量的资源量上限为5000000,由此可见,资源估计量的范围为大于或等于80000,且小于或等于5000000。
再次,本申请实施例中,提供了一种车联网系统的资源量下限和资源量上限的具体计算方式,通过上述方式,为方案的实现提供了合理可行的依据,从而提升方案的可行性和可操作性。
可选地,在上述图3对应的各个实施例的基础上,本申请实施例提供的对象控制的方法第三个可选实施例中,根据数量传导系数最小值和数量传导系数最大值之差,以及车联网系统的初始规模参数、初始安全隐患率、目标安全隐患率以及总集成次数,确定车联网系统的资源量下限,可以包括:
若总集成次数大于或等于集成次数阈值,则根据数量传导系数最小值和数量传导系数最大值的比值,以及数量传导系数最大值、车联网系统的初始规模参数、初始安全隐患率、目标安全隐患率以及总集成次数,确定车联网系统的资源量下限;
根据数量传导系数最大值和数量传导系数最小值之差,以及车联网系统的初始规模参数、初始安全隐患率、目标安全隐患率以及总集成次数,确定车联网系统的资源量上限,可以包括:
根据数量传导系数最大值和数量传导系数最小值的比值,以及数量传导系数最小值、车联网系统的初始规模参数、初始安全隐患率、目标安全隐患率以及总集成次数,确定车联网系统的资源量上限。
本实施例中,介绍了另一种资源估计量所在区间范围的确定方法,当系统集成次数(即总集成次数)较少时,车联网系统集成的资源估计量的可以按照上述公式进行计算。然而,当系统集成次数(即总集成次数)非常多时,车联网系统集成的资源估计量的可以按照下面提供的公式进行计算。具体地,假设集成次数阈值为100,那么在总集成次数大于或等于100的时候,在计算车联网系统的资源量下限的时候,可以基于数量传导系数最小值和数量传导系数最大值之间的比值以及数量传导系数最大值进行计算。在计算车联网系统的资源量上限的时候,可以基于数量传导系数最大值和数量传导系数最小值之间的比值以及数量传导系数最小值进行计算。
再次,本申请实施例中,提供了另一种资源估计量所在区间范围的确定方法,如果总集成次数大于或等于集成次数阈值,则根据数量传导系数最小值和数量传导系数最大值的比值,以及数量传导系数最大值、车联网系统的初始规模参数、初始安全隐患率、目标安全隐患率以及总集成次数,确定车联网系统的资源量下限,并根据数量传导系数最大值和数量传导系数最小值的比值,以及数量传导系数最小值、车联网系统的初始规模参数、初始安全隐患率、目标安全隐患率以及总集成次数,确定车联网系统的资源量上限。通过上述方式,能够根据车联网的安全隐患率,有针对性地准备用于车联网系统集成的资源估计量,不仅达到资源估计量动态调整的效果,还可以确定资源估计量的区间范围,从而有利于增强资源估计量的合理性。此外,总集成次数非常大的情况下可以简化计算资源量上限和资源量下限的方式,从而提升计算效率。
可选地,在上述图3对应的各个实施例的基础上,本申请实施例提供的对象控制的方法第四个可选实施例中,根据数量传导系数最小值和数量传导系数最大值的比值,以及数量传导系数最大值、车联网系统的初始规模参数、初始安全隐患率、目标安全隐患率以及总集成次数,确定车联网系统的资源量下限,可以包括:
采用如下方式计算车联网系统的资源量下限:
其中,Q表示车联网系统的资源估计量,S表示车联网系统的初始规模参数,N表示车联网系统的总集成次数,B表示车联网系统的目标安全隐患率,b0表示车联网系统的初始规模参数,Gk表示目标数量传导系数,Gi表示数量传导系数集合中的第i个数量传导系数,min()表示取最小值,max()表示取最大值;
根据数量传导系数最大值和数量传导系数最小值的比值,以及数量传导系数最小值、车联网系统的初始规模参数、初始安全隐患率、目标安全隐患率以及总集成次数,确定车联网系统的资源量上限,包括:
采用如下方式计算车联网系统的资源量上限:
其中,Q表示车联网系统的资源估计量,S表示车联网系统的初始规模参数,N表示车联网系统的总集成次数,B表示车联网系统的目标安全隐患率,b0表示车联网系统的初始规模参数,Gk表示目标数量传导系数,Gi表示数量传导系数集合中的第i个数量传导系数,min()表示取最小值,max()表示取最大值。
本实施例中,介绍了另一种车联网系统的资源量下限和资源量上限的具体计算方式。具体地,假设于车联网系统集成的资源估计量表示为Q,资源估计量是一个未知的范围,用于车联网系统集成的资源估计量含有多种成分,且成分之间的量纲可能不同,通常情况下不能直接相加,但是成分的直接价值可用经济指标衡量,因此,可以针对不同成分的直接经济价值求和可得到资源估计量。
在实际情况下,如果车联网系统的总集成次数非常大,那么为了简化计算,可以采用下列方式进行资源量下限和资源量上限的计算。采用如下方式计算车联网系统的资源量下限:
其中,在计算的时候一旦确定了k之后就不能修改,k的取值范围在1至N之间,N表示车联网系统的总集成次数。假设
即资源估计量的资源量下限为80000。
采用如下方式计算车联网系统的资源量上限:
其中,在计算的时候一旦确定了k之后就不能修改,k的取值范围在1至N之间,N表示车联网系统的总集成次数。假设
即资源估计量的资源量上限为5000000,由此可见,资源估计量的范围为大于或等于80000,且小于或等于5000000。
进一步地,本申请实施例中,提供了另一种车联网系统的资源量下限和资源量上限的具体计算方式,通过上述方式,为方案的实现提供了合理可行的依据,从而提升方案的可行性和可操作性。
可选地,在上述图3对应的各个实施例的基础上,本申请实施例提供的对象控制的方法第五个可选实施例中,获取数量传导系数集合,可以包括:
获取车联网系统在第i次集成中所引入的M个单元,其中,i大于或等于1,且小于或等于总集成次数,M为大于0的数值,每个单元具有固定的价值;
从M个单元中确定N个单元,其中,N个单元为存在安全隐患的单元,N为为大于0,且小于或等于M的数值;
根据N个单元与M个单元,确定车联网系统第i次集成所对应的数量传导系数。
本实施例中,介绍了一种数量传导系数确定的方法,首先,网络设备需要获取车联网系统在第i次集成中所引入的M个单元,然后从中确定出存在风险的单元,即从M个单元中确定N个单元,最后根据N个单元与M个单元,确定车联网系统第i次集成所对应的数量传导系数。下面将介绍单元的具体概念以及如何计算数量传导系数。
具体地,“单元”定义为具有单位价值(以经济指标衡量)的等效零部件。由于车联网系统中的每一个零部件价值可能并不刚好等于单位价值,所以等效零部件是虚拟的物体。“单位价值”的定义视具体情况而定,例如,如果车联网系统价值50000万元,而使用者将单位价值定为50元,即具有单位价值的等效零部件的价值是50元,那么该车联网系统有50000/50=1000个单元。存在安全隐患的单元又称为“风险单元”,“风险单元”定义为会给车联网系统带来风险的零部件总价值与单位价值之比。例如,如果向车联网系统引入了100个单元,即引入了总价值为100*50=5000元的零部件,在这些零部件中有价值500元的零部件可能会给车联网系统带来安全隐患,那么风险单元的数量是500/50=10个。而数量传导系数是风险单元数量/引入的总单元数量=10/100=0.1,即N个单元/M个单元。
安全隐患率也可定义为可能给车联网系统带来风险的单元的数目与某一大于车辆总单元数的特定常数之比。如上面的例子,如果可能带来安全隐患的单元数是10,而将这一特定常数选为100000,那么安全隐患率为10/100000=0.0001。
可以理解的是,不同类型的信息可以转换成经济。例如,零部件1是台发动机,零部件2是一条安全带。两者不能直接相加,而一台发动机价值10000元,而一条安全带价值100元,那么他们的总价值可以相加为10100元。所以可以将一台发动机用“价值10000元的零部件”表示,将一条安全带用“价值10元的零部件”表示。
然而,对于非实体信息而言也可以量化,比如对于车辆数量、车辆类型、车辆速度、车辆位置、车辆加速度、车辆方向、车辆驾驶员性别、车辆驾驶员年龄、车辆驾驶员驾龄、车辆驾驶员职业、车辆驾驶员类型、车辆驾驶员健康状况、车辆驾驶员精神状态以及车辆驾驶员反应能力等,均可以通过实际情况量化为具体的单元数量。为了便于说明,请参阅表1,表1为非实体信息量化的一个示意。
表1
可以理解的是,表1所示的量化对象和量化结果仅为一个示意,不应理解为对本申请的限定。对于非实体信息的量化处理还可以通过模型来实现,比如,将非实体信息输入至预置模型,由该预置模型输出相应的等效单元。
更进一步地,本申请实施例中,提供了一种数量传导系数确定的方法,即首先获取车联网系统在第i次集成中所引入的M个单元,每个单元具有固定的价值,然后从M个单元中确定N个单元,N个单元为存在安全隐患的单元,最后根据N个单元与M个单元,确定车联网系统第i次集成所对应的数量传导系数。通过上述方式,在估计系统集成资源的时候,引入了可量化的单元,通过该单元能够体现车联网系统在集成过程中的价值变化,基于价值变化衡量集成车联网系统的资源变化,从而能够动态地估计出随集成次数变化而变化的系统集成资源。
结合上述介绍,下面将对本申请中基于车联网系统的碰撞预测方法进行介绍,请参阅图5,本申请实施例中基于车联网系统的碰撞预测方法一个实施例包括:
201、获取碰撞预测指令;
本实施例中,在预测车辆之间碰撞概率的情况下,终端设备可以获取碰撞预测指令。该碰撞预测指令可以是由用户触发的,也可以是终端设备定时生成的,即每间隔一段时间自动生成一个碰撞预测指令。
202、响应于碰撞预测指令,获取车联网系统的初始规模参数、初始安全隐患率以及目标安全隐患率,其中,初始规模参数表示车联网系统的初始化价值,初始安全隐患率小于或等于目标安全隐患率;
本实施例中,终端设备根据碰撞预测指令,获取车联网系统的初始规模参数、初始安全隐患率以及目标安全隐患率。可以理解的是,终端设备具体可以是终端设备,或者是服务器,此处不做限定。对于已经给定的车联网系统,考虑到该车联网系统在集成的过程中,其规模会不断扩大,规模的扩大会增加部件和环节,导致安全隐患增多。其中,部件是指具有一定价值的应用于车联网系统中的零件(或零部件)。环节包括增加零件的环节、调整零件的环节以及更改零件的环节等。
具体地,假设在初始的车联网系统中具有1000辆车,平均每辆车价值10000元,那么初始规模参数S表示为,S=1000*10000=10000000。如果在初始时刻,能够给车联网系统带来安全隐患的零部件总价值为100000元,那么车联网系统的初始规模参数b0表示为,b0=100000/10000000=0.01。采用bi表示经过i次集成后的车联网系统的安全隐患率。目标安全隐患率表示集成后车联网系统允许的安全隐患率,可以表示为B,初始安全隐患率小于或等于目标安全隐患率。
203、获取车联网系统的总集成次数;
本实施例中,终端设备继续获取车联网系统的总集成次数N,其中,N为大于或等于1的整数,可能是无穷大的一个值,此次不做限定。集成需要考虑的问题之一是,对任一总集成次数而言,当确定目标安全隐患率B时,如何确定用于集成该车联网系统的资源估计量,使得该车联网系统的安全隐患率不超过给定的目标安全隐患率B,即bN≤B。
204、获取数量传导系数集合,其中,数量传导系数集合包括至少一个数量传导系数,数量传导系数与车联网系统的集成次数具有关联关系;
本实施例中,终端设备需要获取每一次集成所对应的数量传导系数,从而得到数量传导系数集合。这里的数量传导系数与车联网系统的集成次数具有关联关系。车联网系统集成的过程中增加了单元数量,进而增加车联网系统的安全隐患,车联网系统在集成过程中所消耗的资源,在集成后达到的效果可以等效为向车联网系统引入的风险单元。其中,第i次集成所消耗的资源至等效风险单元的数量传导系数表示为Gi。
在定量刻画车联网系统的安全性时,安全隐患的增量可以等效为向原车联网系统引入了一定数量的风险单元,该风险单元可以是部件或者非实体信息,比如司机的年龄、驾龄、事故地点以及是否酒驾等信息。
可以理解的是,在实际情况下,步骤202、步骤203以及步骤204之间的执行顺序不分先后,本申请中可以分别执行步骤202、步骤203以及步骤204,也可以同时执行步骤202、步骤203以及步骤204,此次不做限定。
205、根据车联网系统的初始规模参数、初始安全隐患率、目标安全隐患率、总集成次数以及数量传导系数集合,确定车联网系统的资源估计量,其中,资源估计量用于估计集成车联网系统所使用的资源总量;
本实施例中,终端设备基于获取到的初始规模参数、初始安全隐患率、目标安全隐患率、总集成次数以及数量传导系数集合,计算得到车联网系统的资源估计量,该资源估计量用于估计集成车联网系统所使用的资源总量。
206、根据资源估计量生成车联网系统所对应的车辆碰撞预测结果;
本实施例中,终端设备根据资源估计量生成车联网系统所对应的车辆碰撞预测结果,在生成车辆碰撞预测结果的时候,还需要考虑到一些条件,具体可以参阅图3对应的步骤104所描述的条件,此次不做赘述。
207、展示车辆碰撞预测结果。
本实施例中,终端设备可以采用矩阵的形式展示车辆碰撞预测结果,即车联网系统中,车辆之间两两碰撞的概率。在实际应用中,除了可以采用矩阵形式展示车辆碰撞预测结果,还可以采用表格的形式、图像的形式或者视频的形式展示车辆碰撞预测结果。
本申请实施例中,提供了一种基于车联网系统的碰撞预测方法,首先获取碰撞预测指令,然后响应于碰撞预测指令,获取车联网系统的初始规模参数、初始安全隐患率以及目标安全隐患率,获取车联网系统的总集成次数,并且获取数量传导系数集合,数量传导系数集合包括至少一个数量传导系数,然后根据车联网系统的初始规模参数、初始安全隐患率、目标安全隐患率、总集成次数以及数量传导系数集合,确定车联网系统的资源估计量,再根据资源估计量生成车联网系统所对应的车辆碰撞预测结果,最后展示车辆碰撞预测结果。通过上述方式,在车联网系统集成的过程中,考虑到每次集成对车联网系统所带来的影响,基于集成次数的变化动态地估计出系统集成资源,从而得到更加准确的系统集成资源,并且基于该系统集成资源生成车辆之间碰撞预测结果,进而展示给用户查看,由此,提升车联网系统的安全性和可靠性。
为了便于介绍,下面将基于上述提供方式进行实验,可以理解的是,实验中所采用的开发环境、开发语言、信息获取源头以及相关公式中的参数等的选取都是可以变化的,在本申请技术方案的基础上,凡根据本申请原理对某个部分进行的改进和等同变换的情况,均不应排除在本申请的保护范围之外。
在实验准备阶段,需要搭建开发平台,该开发平台所采用的处理器可以是英特尔的Intel(R)Core(TM)i5-5200U CPU@2.20千兆赫兹(GHz),内存为8.00G,64位系统,配置开发环境(本实例用的python开发环境)、安装辅助库和包,如math、time、numpy、requests,可以理解的是,本实验中采用python编程语言,但是也可以采用包含python在内的任何编程语言,此次仅为一个示意,不应理解为对本申请的限定。
在实验开始阶段,需要从云端或其他地方获取车辆数量、车辆类型、车辆速度、车辆位置、车辆加速度、车辆方向、车辆驾驶员性别、车辆驾驶员年龄、车辆驾驶员驾龄、车辆驾驶员职业、车辆驾驶员类型、车辆驾驶员健康状况、车辆驾驶员精神状态以及车辆驾驶员反应能力等。
车联网系统的系统规模可用组成车联网系统的单元的数目衡量,安全隐患率可用可能给车联网系统带来系统风险的单元的数目与车联网系统的单元的数目之比衡量。基于此设置,获取给定车联网系统的初始规模参数和初始安全隐患率。用于系统集成的资源估计量含有多种成分,且成分间的量纲可能不同,因此,不能直接相加,但是成分的直接价值可用经济指标衡量,因而对不同成分的直接经济价值求和可得到资源总量。基于此,将用于车联网系统集成的资源用具有相同量纲的经济指标表示。
车联网系统的集成增加系统的安全隐患,消耗资源,集成后的效果可等效为向集成前的系统引入数量与集成所消耗的资源成正比的风险单元,因此,在定量刻画车联网系统安全性时,安全隐患的增量可等效为向原车联网系统引入了一定数量的风险部件。
当系统集成次数较少时,车联网系统集成的资源估计量可以按照下列公式进行计算:
当系统集成次数较多时,车联网系统集成的资源估计量可以按照下列公式进行计算:
如此,在系统集成结束后,车联网系统的安全隐患率不会超过能容忍的目标安全隐患率。基于以上设置,本实施例进行车辆碰撞风险分析,并将碰撞概率按矩阵形式输出,请参阅表2,表2为按照矩阵形式输出的车辆碰撞风险分析结果。
表2
第1列 | 第2列 | 第3列 | 第4列 | 第5列 | 第6列 | 第7列 | 第8列 | |
第1行 | 0.00 | 0.16 | 0.19 | 0.03 | 0.02 | 0.00 | 0.03 | 0.14 |
第2行 | 0.01 | 0.02 | 0.00 | 0.01 | 0.01 | 0.01 | 0.00 | 0.90 |
第3行 | 0.16 | 0.00 | 0.29 | 0.05 | 0.04 | 0.01 | 0.04 | 0.19 |
第4行 | 0.01 | 0.04 | 0.00 | 0.02 | 0.01 | 0.02 | 0.00 | 0.90 |
第5行 | 0.08 | 0.23 | 0.00 | 0.12 | 0.04 | 0.01 | 0.10 | 0.73 |
第6行 | 0.03 | 0.09 | 0.01 | 0.05 | 0.03 | 0.05 | 0.00 | 0.90 |
第7行 | 0.06 | 0.19 | 0.58 | 0.00 | 0.05 | 0.28 | 0.90 | 0.90 |
第8行 | 0.61 | 0.90 | 0.25 | 0.90 | 0.57 | 0.87 | 0.07 | 0.90 |
第9行 | 0.02 | 0.08 | 0.10 | 0.03 | 0.00 | 0.00 | 0.02 | 0.07 |
基于以上设置,本申请实施例可以进行车辆碰撞风险分析,并将碰撞概率按矩阵形式输出,请参阅表2,该矩阵中的第i行第j列元素表示车辆j碰撞到车辆i的概率。例如,第1列第1行的元素0.00表示,车辆1碰撞到车辆1的概率为0.00。第2列第1行的元素0.16表示,车辆2碰撞到车辆1的概率为0.16。第3列第1行的元素0.19表示,车辆3碰撞到车辆1的概率为0.19。第4列第1行的元素0.03表示,车辆4碰撞到车辆1的概率为0.03。第5列第1行的元素0.02表示,车辆5碰撞到车辆1的概率为0.02。第6列第1行的元素0.00表示,车辆6碰撞到车辆1的概率为0.00。第7列第1行的元素0.03表示,车辆7碰撞到车辆1的概率为0.03。第8列第1行的元素0.14表示,车辆8碰撞到车辆1的概率为0.14。
第1列第2行的元素0.01表示,车辆1碰撞到车辆2的概率为0.01。第2列第2行的元素0.02表示,车辆2碰撞到车辆2的概率为0.02。第3列第2行的元素0.00表示,车辆3碰撞到车辆2的概率为0.00。第4列第2行的元素0.01表示,车辆4碰撞到车辆2的概率为0.01。第5列第2行的元素0.01示,车辆5碰撞到车辆2的概率为0.01。第6列第2行的元素0.01表示,车辆6碰撞到车辆2的概率为0.01。第7列第2行的元素0.00表示,车辆7碰撞到车辆2的概率为0.00。第8列第2行的元素0.90表示,车辆8碰撞到车辆2的概率为0.90。
其中,车辆8碰撞到车辆2碰撞概率达到了0.90,具有较高的风险,终端设备在检测得到该结果可以还可以发起警报,提示用户注意安全。
下面对本申请中的资源量估计装置进行详细描述,请参阅图6,图6为本申请实施例中资源量估计装置一个实施例示意图,资源量估计装置30包括:
获取模块301,用于获取车联网系统的初始规模参数、初始安全隐患率以及目标安全隐患率,其中,所述初始规模参数表示所述车联网系统的初始化价值,所述初始安全隐患率小于或等于所述目标安全隐患率;
所述获取模块301,还用于获取所述车联网系统的总集成次数;
所述获取模块301,还用于获取数量传导系数集合,其中,所述数量传导系数集合包括至少一个数量传导系数,其中,所述数量传导系数与所述车联网系统的集成次数具有关联关系;
确定模块302,用于根据所述获取模块301获取的所述车联网系统的初始规模参数、所述初始安全隐患率、所述目标安全隐患率、所述总集成次数以及所述数量传导系数集合,确定所述车联网系统的资源估计量,其中,所述资源估计量用于估计集成所述车联网系统所使用的资源总量。
本实施例中,获取模块301获取车联网系统的初始规模参数、初始安全隐患率以及目标安全隐患率,其中,所述初始规模参数表示所述车联网系统的初始化价值,所述初始安全隐患率小于或等于所述目标安全隐患率。所述获取模块301获取所述车联网系统的总集成次数。所述获取模块301获取数量传导系数集合,其中,所述数量传导系数集合包括至少一个数量传导系数,其中,所述数量传导系数与所述车联网系统的集成次数具有关联关系,确定模块302根据所述获取模块301获取的所述车联网系统的初始规模参数、所述初始安全隐患率、所述目标安全隐患率、所述总集成次数以及所述数量传导系数集合,确定所述车联网系统的资源估计量,其中,所述资源估计量用于估计集成所述车联网系统所使用的资源总量。
本申请实施例中,提供了一种基于车联网系统的资源量估计装置,首先获取车联网系统的初始规模参数、初始安全隐患率以及目标安全隐患率,初始规模参数表示车联网系统的初始化价值,初始安全隐患率小于或等于目标安全隐患率,获取车联网系统的总集成次数,并且获取数量传导系数集合,其中,数量传导系数集合包括至少一个数量传导系数,其中,数量传导系数与车联网系统的集成次数具有关联关系,最后根据车联网系统的初始规模参数、初始安全隐患率、目标安全隐患率、总集成次数以及数量传导系数集合,确定车联网系统的资源估计量,资源估计量用于估计集成车联网系统所使用的资源总量。通过上述方式,在车联网系统集成的过程中,考虑到每次集成对车联网系统所带来的影响,基于集成次数的变化动态地估计出系统集成资源,从而得到更加准确的系统集成资源,由此,提升车联网系统的安全性和可靠性。
可选地,在上述图6所对应的实施例的基础上,本申请实施例提供的资源量估计装置30的另一实施例中,
所述确定模块302,具体用于根据所述数量传导系数集合以及目标数量传导系数,确定数量传导系数最大值和数量传导系数最小值,其中,所述目标数量传导系数为所述数量传导系数集合中的任意一个数量传导系数;
根据所述数量传导系数最小值和所述数量传导系数最大值之差,以及所述车联网系统的初始规模参数、所述初始安全隐患率、所述目标安全隐患率以及所述总集成次数,确定所述车联网系统的资源量下限;
根据所述数量传导系数最大值和所述数量传导系数最小值之差,以及所述车联网系统的初始规模参数、所述初始安全隐患率、所述目标安全隐患率以及所述总集成次数,确定所述车联网系统的资源量上限;
根据所述资源量下限与所述资源量上限,确定所述车联网系统的资源估计量。
其次,本申请实施例中,提供了一种资源估计量所在区间范围的确定方法,首先根据数量传导系数集合以及目标数量传导系数,确定数量传导系数最大值和数量传导系数最小值,根据数量传导系数最小值和数量传导系数最大值之差,确定车联网系统的资源量下限,并且根据数量传导系数最大值和数量传导系数最小值之差,确定车联网系统的资源量上限,最后根据资源量下限与资源量上限,确定车联网系统的资源估计量。通过上述方式,能够根据车联网的安全隐患率,有针对性地准备用于车联网系统集成的资源估计量,不仅达到资源估计量动态调整的效果,还可以确定资源估计量的区间范围,从而有利于增强资源估计量的合理性。
可选地,在上述图6所对应的实施例的基础上,本申请实施例提供的资源量估计装置30的另一实施例中,
所述确定模块302,具体用于采用如下方式计算所述车联网系统的资源量下限:
其中,所述Q表示所述车联网系统的所述资源估计量,所述S表示所述车联网系统的所述初始规模参数,所述N表示所述车联网系统的所述总集成次数,所述B表示所述车联网系统的所述目标安全隐患率,所述b0表示所述车联网系统的所述初始规模参数,所述Gk表示所述目标数量传导系数,所述Gi表示所述数量传导系数集合中的第i个数量传导系数,所述min()表示取最小值,所述max()表示取最大值;
所述确定模块302,具体用于采用如下方式计算所述车联网系统的资源量上限:
其中,所述Q表示所述车联网系统的所述资源估计量,所述S表示所述车联网系统的所述初始规模参数,所述N表示所述车联网系统的所述总集成次数,所述B表示所述车联网系统的所述目标安全隐患率,所述b0表示所述车联网系统的所述初始规模参数,所述Gk表示所述目标数量传导系数,所述Gi表示所述数量传导系数集合中的第i个数量传导系数,所述min()表示取最小值,所述max()表示取最大值。
再次,本申请实施例中,提供了一种车联网系统的资源量下限和资源量上限的具体计算方式,通过上述方式,为方案的实现提供了合理可行的依据,从而提升方案的可行性和可操作性。
可选地,在上述图6所对应的实施例的基础上,本申请实施例提供的资源量估计装置30的另一实施例中,
所述确定模块302,具体用于若所述总集成次数大于或等于集成次数阈值,则根据所述数量传导系数最小值和所述数量传导系数最大值的比值,以及所述数量传导系数最大值、所述车联网系统的初始规模参数、所述初始安全隐患率、所述目标安全隐患率以及所述总集成次数,确定所述车联网系统的资源量下限;
所述确定模块,具体用于根据所述数量传导系数最大值和所述数量传导系数最小值的比值,以及所述数量传导系数最小值、所述车联网系统的初始规模参数、所述初始安全隐患率、所述目标安全隐患率以及所述总集成次数,确定所述车联网系统的资源量上限。
再次,本申请实施例中,提供了另一种资源估计量所在区间范围的确定方法,如果总集成次数大于或等于集成次数阈值,则根据数量传导系数最小值和数量传导系数最大值的比值,以及数量传导系数最大值、车联网系统的初始规模参数、初始安全隐患率、目标安全隐患率以及总集成次数,确定车联网系统的资源量下限,并根据数量传导系数最大值和数量传导系数最小值的比值,以及数量传导系数最小值、车联网系统的初始规模参数、初始安全隐患率、目标安全隐患率以及总集成次数,确定车联网系统的资源量上限。通过上述方式,能够根据车联网的安全隐患率,有针对性地准备用于车联网系统集成的资源估计量,不仅达到资源估计量动态调整的效果,还可以确定资源估计量的区间范围,从而有利于增强资源估计量的合理性。此外,总集成次数非常大的情况下可以简化计算资源量上限和资源量下限的方式,从而提升计算效率。
可选地,在上述图6所对应的实施例的基础上,本申请实施例提供的资源量估计装置30的另一实施例中,
所述确定模块302,具体用于采用如下方式计算所述车联网系统的资源量下限:
其中,所述Q表示所述车联网系统的所述资源估计量,所述S表示所述车联网系统的所述初始规模参数,所述N表示所述车联网系统的所述总集成次数,所述B表示所述车联网系统的所述目标安全隐患率,所述b0表示所述车联网系统的所述初始规模参数,所述Gk表示所述目标数量传导系数,所述Gi表示所述数量传导系数集合中的第i个数量传导系数,所述min()表示取最小值,所述max()表示取最大值;
所述确定模块302,具体用于采用如下方式计算所述车联网系统的资源量上限:
其中,所述Q表示所述车联网系统的所述资源估计量,所述S表示所述车联网系统的所述初始规模参数,所述N表示所述车联网系统的所述总集成次数,所述B表示所述车联网系统的所述目标安全隐患率,所述b0表示所述车联网系统的所述初始规模参数,所述Gk表示所述目标数量传导系数,所述Gi表示所述数量传导系数集合中的第i个数量传导系数,所述min()表示取最小值,所述max()表示取最大值。
进一步地,本申请实施例中,提供了另一种车联网系统的资源量下限和资源量上限的具体计算方式,通过上述方式,为方案的实现提供了合理可行的依据,从而提升方案的可行性和可操作性。
可选地,在上述图6所对应的实施例的基础上,本申请实施例提供的资源量估计装置30的另一实施例中,
所述获取模块301,具体用于获取所述车联网系统在第i次集成中所引入的M个单元,其中,所述i大于或等于1,且小于或等于所述总集成次数,所述M为大于0的数值,每个单元具有固定的价值;
从所述M个单元中确定N个单元,其中,所述N个单元为存在安全隐患的单元,所述N为为大于0,且小于或等于所述M的数值;
根据所述N个单元与所述M个单元,确定所述车联网系统第i次集成所对应的数量传导系数。
更进一步地,本申请实施例中,提供了一种数量传导系数确定的方法,即首先获取车联网系统在第i次集成中所引入的M个单元,每个单元具有固定的价值,然后从M个单元中确定N个单元,N个单元为存在安全隐患的单元,最后根据N个单元与M个单元,确定车联网系统第i次集成所对应的数量传导系数。通过上述方式,在估计系统集成资源的时候,引入了可量化的单元,通过该单元能够体现车联网系统在集成过程中的价值变化,基于价值变化衡量集成车联网系统的资源变化,从而能够动态地估计出随集成次数变化而变化的系统集成资源。
下面对本申请中的碰撞预测装置进行详细描述,请参阅图7,图7为本申请实施例中碰撞预测装置一个实施例示意图,碰撞预测装置40包括:
获取模块401,用于获取碰撞预测指令;
所述获取模块401,还用于响应于所述碰撞预测指令,获取车联网系统的初始规模参数、初始安全隐患率以及目标安全隐患率,其中,所述初始规模参数表示所述车联网系统的初始化价值,所述初始安全隐患率小于或等于所述目标安全隐患率;
所述获取模块401,还用于获取所述车联网系统的总集成次数;
所述获取模块401,还用于获取数量传导系数集合,其中,所述数量传导系数集合包括至少一个数量传导系数,其中,所述数量传导系数与所述车联网系统的集成次数具有关联关系;
确定模块402,用于根据所述获取模块401获取的所述车联网系统的初始规模参数、所述初始安全隐患率、所述目标安全隐患率、所述总集成次数以及所述数量传导系数集合,确定所述车联网系统的资源估计量,其中,所述资源估计量用于估计集成所述车联网系统所使用的资源总量;
生成模块403,用于根据所述确定模块402确定的所述资源估计量生成所述车联网系统所对应的车辆碰撞预测结果;
展示模块404,用于展示所述生成模块403生成的所述车辆碰撞预测结果。
本实施例中,获取模块401获取碰撞预测指令,所述获取模块401响应于所述碰撞预测指令,获取车联网系统的初始规模参数、初始安全隐患率以及目标安全隐患率,其中,所述初始规模参数表示所述车联网系统的初始化价值,所述初始安全隐患率小于或等于所述目标安全隐患率,所述获取模块401获取所述车联网系统的总集成次数,所述获取模块401获取数量传导系数集合,其中,所述数量传导系数集合包括至少一个数量传导系数,其中,所述数量传导系数与所述车联网系统的集成次数具有关联关系,确定模块402根据所述获取模块401获取的所述车联网系统的初始规模参数、所述初始安全隐患率、所述目标安全隐患率、所述总集成次数以及所述数量传导系数集合,确定所述车联网系统的资源估计量,其中,所述资源估计量用于估计集成所述车联网系统所使用的资源总量,生成模块403根据所述确定模块402确定的所述资源估计量生成所述车联网系统所对应的车辆碰撞预测结果,展示模块404展示所述生成模块403生成的所述车辆碰撞预测结果。
本申请实施例中,提供了一种基于车联网系统的碰撞预测方法,首先获取碰撞预测指令,然后响应于碰撞预测指令,获取车联网系统的初始规模参数、初始安全隐患率以及目标安全隐患率,获取车联网系统的总集成次数,并且获取数量传导系数集合,数量传导系数集合包括至少一个数量传导系数,然后根据车联网系统的初始规模参数、初始安全隐患率、目标安全隐患率、总集成次数以及数量传导系数集合,确定车联网系统的资源估计量,再根据资源估计量生成车联网系统所对应的车辆碰撞预测结果,最后展示车辆碰撞预测结果。通过上述方式,在车联网系统集成的过程中,考虑到每次集成对车联网系统所带来的影响,基于集成次数的变化动态地估计出系统集成资源,从而得到更加准确的系统集成资源,并且基于该系统集成资源生成车辆之间碰撞预测结果,进而展示给用户查看,由此,提升车联网系统的安全性和可靠性。
图8是本申请实施例提供的一种网络设备结构示意图,该网络设备500可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上中央处理器(centralprocessingunits,CPU)522(例如,一个或一个以上处理器)和存储器532,一个或一个以上存储应用程序542或数据544的存储介质530(例如一个或一个以上海量存储设备)。其中,存储器532和存储介质530可以是短暂存储或持久存储。存储在存储介质530的程序可以包括一个或一个以上模块(图示没标出),每个模块可以包括对网络设备中的一系列指令操作。更进一步地,中央处理器522可以设置为与存储介质530通信,在网络设备500上执行存储介质530中的一系列指令操作。
网络设备500还可以包括一个或一个以上电源526,一个或一个以上有线或无线网络接口550,一个或一个以上输入输出接口558,和/或,一个或一个以上操作系统541,例如Windows ServerTM,Mac OS XTM,UnixTM,LinuxTM,FreeBSDTM等等。
上述实施例中由网络设备所执行的步骤可以基于该图8所示的网络设备结构。
在本申请实施例中,该网络设备所包括的CPU 522还具有以下功能:
获取车联网系统的初始规模参数、初始安全隐患率以及目标安全隐患率,其中,所述初始规模参数表示所述车联网系统的初始化价值,所述初始安全隐患率小于或等于所述目标安全隐患率;
获取所述车联网系统的总集成次数;
获取数量传导系数集合,其中,所述数量传导系数集合包括至少一个数量传导系数,其中,所述数量传导系数与所述车联网系统的集成次数具有关联关系;
根据所述车联网系统的初始规模参数、所述初始安全隐患率、所述目标安全隐患率、所述总集成次数以及所述数量传导系数集合,确定所述车联网系统的资源估计量,其中,所述资源估计量用于估计集成所述车联网系统所使用的资源总量。
可选地,CPU 522具体用于执行如下步骤:
根据所述数量传导系数集合以及目标数量传导系数,确定数量传导系数最大值和数量传导系数最小值,其中,所述目标数量传导系数为所述数量传导系数集合中的任意一个数量传导系数;
根据所述数量传导系数最小值和所述数量传导系数最大值之差,以及所述车联网系统的初始规模参数、所述初始安全隐患率、所述目标安全隐患率以及所述总集成次数,确定所述车联网系统的资源量下限;
根据所述数量传导系数最大值和所述数量传导系数最小值之差,以及所述车联网系统的初始规模参数、所述初始安全隐患率、所述目标安全隐患率以及所述总集成次数,确定所述车联网系统的资源量上限;
根据所述资源量下限与所述资源量上限,确定所述车联网系统的资源估计量。
可选地,CPU 522具体用于执行如下步骤:
若所述总集成次数大于或等于集成次数阈值,则根据所述数量传导系数最小值和所述数量传导系数最大值的比值,以及所述数量传导系数最大值、所述车联网系统的初始规模参数、所述初始安全隐患率、所述目标安全隐患率以及所述总集成次数,确定所述车联网系统的资源量下限;
根据所述数量传导系数最大值和所述数量传导系数最小值的比值,以及所述数量传导系数最小值、所述车联网系统的初始规模参数、所述初始安全隐患率、所述目标安全隐患率以及所述总集成次数,确定所述车联网系统的资源量上限。
可选地,CPU 522具体用于执行如下步骤:
获取所述车联网系统在第i次集成中所引入的M个单元,其中,所述i大于或等于1,且小于或等于所述总集成次数,所述M为大于0的数值,每个单元具有固定的价值;
从所述M个单元中确定N个单元,其中,所述N个单元为存在安全隐患的单元,所述N为为大于0,且小于或等于所述M的数值;
根据所述N个单元与所述M个单元,确定所述车联网系统第i次集成所对应的数量传导系数。
在本申请实施例中,该网络设备所包括的CPU 522还具有以下功能:
获取碰撞预测指令;
响应于所述碰撞预测指令,获取车联网系统的初始规模参数、初始安全隐患率以及目标安全隐患率,其中,所述初始规模参数表示所述车联网系统的初始化价值,所述初始安全隐患率小于或等于所述目标安全隐患率;
获取所述车联网系统的总集成次数;
获取数量传导系数集合,其中,所述数量传导系数集合包括至少一个数量传导系数,其中,所述数量传导系数与所述车联网系统的集成次数具有关联关系;
根据所述车联网系统的初始规模参数、所述初始安全隐患率、所述目标安全隐患率、所述总集成次数以及所述数量传导系数集合,确定所述车联网系统的资源估计量,其中,所述资源估计量用于估计集成所述车联网系统所使用的资源总量;
根据所述资源估计量生成所述车联网系统所对应的车辆碰撞预测结果;
展示所述车辆碰撞预测结果。
本申请实施例还提供了另一种碰撞预测装置,如图9所示,为了便于说明,仅示出了与本申请实施例相关的部分,具体技术细节未揭示的,请参照本申请实施例方法部分。该终端设备可以为包括手机、平板电脑、个人数字助理(personal digital assistant,PDA)、销售终端设备(point of sales,POS)、车载电脑等任意终端设备,以终端设备为手机为例:
图9示出的是与本申请实施例提供的终端设备相关的手机的部分结构的框图。参考图9,手机包括:射频(radio frequency,RF)电路610、存储器620、输入单元630、显示单元640、传感器650、音频电路660、无线保真(wireless fidelity,WiFi)模块670、处理器680、以及电源690等部件。本领域技术人员可以理解,图9中示出的手机结构并不构成对手机的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
下面结合图9对手机的各个构成部件进行具体的介绍:
RF电路610可用于收发信息或通话过程中,信号的接收和发送,特别地,将基站的下行信息接收后,给处理器680处理;另外,将设计上行的数据发送给基站。通常,RF电路610包括但不限于天线、至少一个放大器、收发信机、耦合器、低噪声放大器(low noiseamplifier,LNA)、双工器等。此外,RF电路610还可以通过无线通信与网络和其他设备通信。上述无线通信可以使用任一通信标准或协议,包括但不限于全球移动通讯系统(globalsystem of mobile communication,GSM)、通用分组无线服务(general packet radioservice,GPRS)、码分多址(code division multiple access,CDMA)、宽带码分多址(wideband code division multiple access,WCDMA)、长期演进(long term evolution,LTE)、电子邮件、短消息服务(short messaging service,SMS)等。
存储器620可用于存储软件程序以及模块,处理器680通过运行存储在存储器620的软件程序以及模块,从而执行手机的各种功能应用以及数据处理。存储器620可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外,存储器620可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
输入单元630可用于接收输入的数字或字符信息,以及产生与手机的用户设置以及功能控制有关的键信号输入。具体地,输入单元630可包括触控面板631以及其他输入设备632。触控面板631,也称为触摸屏,可收集用户在其上或附近的触摸操作(比如用户使用手指、触笔等任何适合的物体或附件在触控面板631上或在触控面板631附近的操作),并根据预先设定的程式驱动相应的连接装置。可选的,触控面板631可包括触摸检测装置和触摸控制器两个部分。其中,触摸检测装置检测用户的触摸方位,并检测触摸操作带来的信号,将信号传送给触摸控制器;触摸控制器从触摸检测装置上接收触摸信息,并将它转换成触点坐标,再送给处理器680,并能接收处理器680发来的命令并加以执行。此外,可以采用电阻式、电容式、红外线以及表面声波等多种类型实现触控面板631。除了触控面板631,输入单元630还可以包括其他输入设备632。具体地,其他输入设备632可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆等中的一种或多种。
显示单元640可用于显示由用户输入的信息或提供给用户的信息以及手机的各种菜单。显示单元640可包括显示面板641,可选的,可以采用液晶显示器(liquid crystaldisplay,LCD)、有机发光二极管(organic light-emitting diode,OLED)等形式来配置显示面板641。进一步的,触控面板631可覆盖显示面板641,当触控面板631检测到在其上或附近的触摸操作后,传送给处理器680以确定触摸事件的类型,随后处理器680根据触摸事件的类型在显示面板641上提供相应的视觉输出。虽然在图9中,触控面板631与显示面板641是作为两个独立的部件来实现手机的输入和输入功能,但是在某些实施例中,可以将触控面板631与显示面板641集成而实现手机的输入和输出功能。
手机还可包括至少一种传感器650,比如光传感器、运动传感器以及其他传感器。具体地,光传感器可包括环境光传感器及接近传感器,其中,环境光传感器可根据环境光线的明暗来调节显示面板641的亮度,接近传感器可在手机移动到耳边时,关闭显示面板641和/或背光。作为运动传感器的一种,加速计传感器可检测各个方向上(一般为三轴)加速度的大小,静止时可检测出重力的大小及方向,可用于识别手机姿态的应用(比如横竖屏切换、相关游戏、磁力计姿态校准)、振动识别相关功能(比如计步器、敲击)等;至于手机还可配置的陀螺仪、气压计、湿度计、温度计、红外线传感器等其他传感器,在此不再赘述。
音频电路660、扬声器661,传声器662可提供用户与手机之间的音频接口。音频电路660可将接收到的音频数据转换后的电信号,传输到扬声器661,由扬声器661转换为声音信号输出;另一方面,传声器662将收集的声音信号转换为电信号,由音频电路660接收后转换为音频数据,再将音频数据输出处理器680处理后,经RF电路610以发送给比如另一手机,或者将音频数据输出至存储器620以便进一步处理。
WiFi属于短距离无线传输技术,手机通过WiFi模块670可以帮助用户收发电子邮件、浏览网页和访问流式媒体等,它为用户提供了无线的宽带互联网访问。虽然图9示出了WiFi模块670,但是可以理解的是,其并不属于手机的必须构成,完全可以根据需要在不改变发明的本质的范围内而省略。
处理器680是手机的控制中心,利用各种接口和线路连接整个手机的各个部分,通过运行或执行存储在存储器620内的软件程序和/或模块,以及调用存储在存储器620内的数据,执行手机的各种功能和处理数据,从而对手机进行整体监控。可选的,处理器680可包括一个或多个处理单元;可选的,处理器680可集成应用处理器和调制解调处理器,其中,应用处理器主要处理操作系统、用户界面和应用程序等,调制解调处理器主要处理无线通信。可以理解的是,上述调制解调处理器也可以不集成到处理器680中。
手机还包括给各个部件供电的电源690(比如电池),可选的,电源可以通过电源管理系统与处理器680逻辑相连,从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。
尽管未示出,手机还可以包括摄像头、蓝牙模块等,在此不再赘述。
在本申请实施例中,该终端设备所包括的处理器680还具有以下功能:
获取碰撞预测指令;
响应于所述碰撞预测指令,获取车联网系统的初始规模参数、初始安全隐患率以及目标安全隐患率,其中,所述初始规模参数表示所述车联网系统的初始化价值,所述初始安全隐患率小于或等于所述目标安全隐患率;
获取所述车联网系统的总集成次数;
获取数量传导系数集合,其中,所述数量传导系数集合包括至少一个数量传导系数,其中,所述数量传导系数与所述车联网系统的集成次数具有关联关系;
根据所述车联网系统的初始规模参数、所述初始安全隐患率、所述目标安全隐患率、所述总集成次数以及所述数量传导系数集合,确定所述车联网系统的资源估计量,其中,所述资源估计量用于估计集成所述车联网系统所使用的资源总量;
根据所述资源估计量生成所述车联网系统所对应的车辆碰撞预测结果;
展示所述车辆碰撞预测结果。
可选地,处理器680具体用于执行如下步骤:
根据所述数量传导系数集合以及目标数量传导系数,确定数量传导系数最大值和数量传导系数最小值,其中,所述目标数量传导系数为所述数量传导系数集合中的任意一个数量传导系数;
根据所述数量传导系数最小值和所述数量传导系数最大值之差,以及所述车联网系统的初始规模参数、所述初始安全隐患率、所述目标安全隐患率以及所述总集成次数,确定所述车联网系统的资源量下限;
根据所述数量传导系数最大值和所述数量传导系数最小值之差,以及所述车联网系统的初始规模参数、所述初始安全隐患率、所述目标安全隐患率以及所述总集成次数,确定所述车联网系统的资源量上限;
根据所述资源量下限与所述资源量上限,确定所述车联网系统的资源估计量。
可选地,处理器680具体用于执行如下步骤:
若所述总集成次数大于或等于集成次数阈值,则根据所述数量传导系数最小值和所述数量传导系数最大值的比值,以及所述数量传导系数最大值、所述车联网系统的初始规模参数、所述初始安全隐患率、所述目标安全隐患率以及所述总集成次数,确定所述车联网系统的资源量下限;
根据所述数量传导系数最大值和所述数量传导系数最小值的比值,以及所述数量传导系数最小值、所述车联网系统的初始规模参数、所述初始安全隐患率、所述目标安全隐患率以及所述总集成次数,确定所述车联网系统的资源量上限。
可选地,处理器680具体用于执行如下步骤:
获取所述车联网系统在第i次集成中所引入的M个单元,其中,所述i大于或等于1,且小于或等于所述总集成次数,所述M为大于0的数值,每个单元具有固定的价值;
从所述M个单元中确定N个单元,其中,所述N个单元为存在安全隐患的单元,所述N为为大于0,且小于或等于所述M的数值;
根据所述N个单元与所述M个单元,确定所述车联网系统第i次集成所对应的数量传导系数。
在本申请实施例中,该终端设备所包括的处理器680还具有以下功能:
获取车联网系统的初始规模参数、初始安全隐患率以及目标安全隐患率,其中,所述初始规模参数表示所述车联网系统的初始化价值,所述初始安全隐患率小于或等于所述目标安全隐患率;
获取所述车联网系统的总集成次数;
获取数量传导系数集合,其中,所述数量传导系数集合包括至少一个数量传导系数,其中,所述数量传导系数与所述车联网系统的集成次数具有关联关系;
根据所述车联网系统的初始规模参数、所述初始安全隐患率、所述目标安全隐患率、所述总集成次数以及所述数量传导系数集合,确定所述车联网系统的资源估计量,其中,所述资源估计量用于估计集成所述车联网系统所使用的资源总量。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(read-only memory,ROM)、随机存取存储器(random access memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (10)
1.一种基于车联网系统的资源量估计方法,其特征在于,包括:
获取车联网系统的初始规模参数、初始安全隐患率以及目标安全隐患率,其中,所述初始规模参数表示所述车联网系统的初始化价值,所述初始安全隐患率小于或等于所述目标安全隐患率;
获取所述车联网系统的总集成次数;
获取数量传导系数集合,其中,所述数量传导系数集合包括至少一个数量传导系数,其中,所述数量传导系数与所述车联网系统的集成次数具有关联关系;
根据所述车联网系统的初始规模参数、所述初始安全隐患率、所述目标安全隐患率、所述总集成次数以及所述数量传导系数集合,确定所述车联网系统的资源估计量,其中,所述资源估计量用于估计集成所述车联网系统所使用的资源总量。
2.根据权利要求1所述的资源量估计方法,其特征在于,所述根据所述车联网系统的初始规模参数、所述初始安全隐患率、所述目标安全隐患率、所述总集成次数以及所述数量传导系数集合,确定所述车联网系统的资源估计量,包括:
根据所述数量传导系数集合以及目标数量传导系数,确定数量传导系数最大值和数量传导系数最小值,其中,所述目标数量传导系数为所述数量传导系数集合中的任意一个数量传导系数;
根据所述数量传导系数最小值和所述数量传导系数最大值之差,以及所述车联网系统的初始规模参数、所述初始安全隐患率、所述目标安全隐患率以及所述总集成次数,确定所述车联网系统的资源量下限;
根据所述数量传导系数最大值和所述数量传导系数最小值之差,以及所述车联网系统的初始规模参数、所述初始安全隐患率、所述目标安全隐患率以及所述总集成次数,确定所述车联网系统的资源量上限;
根据所述资源量下限与所述资源量上限,确定所述车联网系统的资源估计量。
3.根据权利要求2所述的资源量估计方法,其特征在于,所述根据所述数量传导系数最小值和所述数量传导系数最大值之差,以及所述车联网系统的初始规模参数、所述初始安全隐患率、所述目标安全隐患率以及所述总集成次数,确定所述车联网系统的资源量下限,包括:
采用如下方式计算所述车联网系统的资源量下限:
其中,所述Q表示所述车联网系统的所述资源估计量,所述S表示所述车联网系统的所述初始规模参数,所述N表示所述车联网系统的所述总集成次数,所述B表示所述车联网系统的所述目标安全隐患率,所述b0表示所述车联网系统的所述初始规模参数,所述Gk表示所述目标数量传导系数,所述Gi表示所述数量传导系数集合中的第i个数量传导系数,所述min()表示取最小值,所述max()表示取最大值;
所述根据所述数量传导系数最大值和所述数量传导系数最小值之差,以及所述车联网系统的初始规模参数、所述初始安全隐患率、所述目标安全隐患率以及所述总集成次数,确定所述车联网系统的资源量上限,包括:
采用如下方式计算所述车联网系统的资源量上限:
其中,所述Q表示所述车联网系统的所述资源估计量,所述S表示所述车联网系统的所述初始规模参数,所述N表示所述车联网系统的所述总集成次数,所述B表示所述车联网系统的所述目标安全隐患率,所述b0表示所述车联网系统的所述初始规模参数,所述Gk表示所述目标数量传导系数,所述Gi表示所述数量传导系数集合中的第i个数量传导系数,所述min()表示取最小值,所述max()表示取最大值。
4.根据权利要求2所述的资源量估计方法,其特征在于,所述根据所述数量传导系数最小值和所述数量传导系数最大值之差,以及所述车联网系统的初始规模参数、所述初始安全隐患率、所述目标安全隐患率以及所述总集成次数,确定所述车联网系统的资源量下限,包括:
若所述总集成次数大于或等于集成次数阈值,则根据所述数量传导系数最小值和所述数量传导系数最大值的比值,以及所述数量传导系数最大值、所述车联网系统的初始规模参数、所述初始安全隐患率、所述目标安全隐患率以及所述总集成次数,确定所述车联网系统的资源量下限;
所述根据所述数量传导系数最大值和所述数量传导系数最小值之差,以及所述车联网系统的初始规模参数、所述初始安全隐患率、所述目标安全隐患率以及所述总集成次数,确定所述车联网系统的资源量上限,包括:
根据所述数量传导系数最大值和所述数量传导系数最小值的比值,以及所述数量传导系数最小值、所述车联网系统的初始规模参数、所述初始安全隐患率、所述目标安全隐患率以及所述总集成次数,确定所述车联网系统的资源量上限。
5.根据权利要求4所述的资源量估计方法,其特征在于,所述根据所述数量传导系数最小值和所述数量传导系数最大值的比值,以及所述数量传导系数最大值、所述车联网系统的初始规模参数、所述初始安全隐患率、所述目标安全隐患率以及所述总集成次数,确定所述车联网系统的资源量下限,包括:
采用如下方式计算所述车联网系统的资源量下限:
其中,所述Q表示所述车联网系统的所述资源估计量,所述S表示所述车联网系统的所述初始规模参数,所述N表示所述车联网系统的所述总集成次数,所述B表示所述车联网系统的所述目标安全隐患率,所述b0表示所述车联网系统的所述初始规模参数,所述Gk表示所述目标数量传导系数,所述Gi表示所述数量传导系数集合中的第i个数量传导系数,所述min()表示取最小值,所述max()表示取最大值;
所述根据所述数量传导系数最大值和所述数量传导系数最小值的比值,以及所述数量传导系数最小值、所述车联网系统的初始规模参数、所述初始安全隐患率、所述目标安全隐患率以及所述总集成次数,确定所述车联网系统的资源量上限,包括:
采用如下方式计算所述车联网系统的资源量上限:
其中,所述Q表示所述车联网系统的所述资源估计量,所述S表示所述车联网系统的所述初始规模参数,所述N表示所述车联网系统的所述总集成次数,所述B表示所述车联网系统的所述目标安全隐患率,所述b0表示所述车联网系统的所述初始规模参数,所述Gk表示所述目标数量传导系数,所述Gi表示所述数量传导系数集合中的第i个数量传导系数,所述min()表示取最小值,所述max()表示取最大值。
6.根据权利要求1至5中任一项所述的资源量估计方法,其特征在于,所述获取数量传导系数集合,包括:
获取所述车联网系统在第i次集成中所引入的M个单元,其中,所述i大于或等于1,且小于或等于所述总集成次数,所述M为大于0的数值,每个单元具有固定的价值;
从所述M个单元中确定N个单元,其中,所述N个单元为存在安全隐患的单元,所述N为为大于0,且小于或等于所述M的数值;
根据所述N个单元与所述M个单元,确定所述车联网系统第i次集成所对应的数量传导系数。
7.一种基于车联网系统的碰撞预测方法,其特征在于,包括:
获取碰撞预测指令;
响应于所述碰撞预测指令,获取车联网系统的初始规模参数、初始安全隐患率以及目标安全隐患率,其中,所述初始规模参数表示所述车联网系统的初始化价值,所述初始安全隐患率小于或等于所述目标安全隐患率;
获取所述车联网系统的总集成次数;
获取数量传导系数集合,其中,所述数量传导系数集合包括至少一个数量传导系数,所述数量传导系数与所述车联网系统的集成次数具有关联关系;
根据所述车联网系统的初始规模参数、所述初始安全隐患率、所述目标安全隐患率、所述总集成次数以及所述数量传导系数集合,确定所述车联网系统的资源估计量,其中,所述资源估计量用于估计集成所述车联网系统所使用的资源总量;
根据所述资源估计量生成所述车联网系统所对应的车辆碰撞预测结果;
展示所述车辆碰撞预测结果。
8.一种资源量估计装置,其特征在于,包括:
获取模块,用于获取车联网系统的初始规模参数、初始安全隐患率以及目标安全隐患率,其中,所述初始规模参数表示所述车联网系统的初始化价值,所述初始安全隐患率小于或等于所述目标安全隐患率;
所述获取模块,还用于获取所述车联网系统的总集成次数;
所述获取模块,还用于获取数量传导系数集合,其中,所述数量传导系数集合包括至少一个数量传导系数,其中,所述数量传导系数与所述车联网系统的集成次数具有关联关系;
确定模块,用于根据所述获取模块获取的所述车联网系统的初始规模参数、所述初始安全隐患率、所述目标安全隐患率、所述总集成次数以及所述数量传导系数集合,确定所述车联网系统的资源估计量,其中,所述资源估计量用于估计集成所述车联网系统所使用的资源总量。
9.一种网络设备,其特征在于,包括:存储器、收发器、处理器以及总线系统;
其中,所述存储器用于存储程序;
所述处理器用于执行所述存储器中的程序,包括如下步骤:
获取车联网系统的初始规模参数、初始安全隐患率以及目标安全隐患率,其中,所述初始规模参数表示所述车联网系统的初始化价值,所述初始安全隐患率小于或等于所述目标安全隐患率;
获取所述车联网系统的总集成次数;
获取数量传导系数集合,其中,所述数量传导系数集合包括至少一个数量传导系数,其中,所述数量传导系数与所述车联网系统的集成次数具有关联关系;
根据所述车联网系统的初始规模参数、所述初始安全隐患率、所述目标安全隐患率、所述总集成次数以及所述数量传导系数集合,确定所述车联网系统的资源估计量,其中,所述资源估计量用于估计集成所述车联网系统所使用的资源总量;
所述总线系统用于连接所述存储器以及所述处理器,以使所述存储器以及所述处理器进行通信。
10.一种计算机可读存储介质,包括指令,当其在计算机上运行时,使得计算机执行如权利要求1至7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910726923.8A CN110415560B (zh) | 2019-08-07 | 2019-08-07 | 基于车联网系统的资源量估计方法、碰撞预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910726923.8A CN110415560B (zh) | 2019-08-07 | 2019-08-07 | 基于车联网系统的资源量估计方法、碰撞预测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110415560A true CN110415560A (zh) | 2019-11-05 |
CN110415560B CN110415560B (zh) | 2020-10-27 |
Family
ID=68366434
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910726923.8A Active CN110415560B (zh) | 2019-08-07 | 2019-08-07 | 基于车联网系统的资源量估计方法、碰撞预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110415560B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111431987A (zh) * | 2020-03-19 | 2020-07-17 | 腾讯科技(深圳)有限公司 | 车联网信号的校验方法及装置、计算机存储介质 |
CN111447592A (zh) * | 2020-03-24 | 2020-07-24 | 腾讯科技(深圳)有限公司 | 一种确定传输资源的方法、设备及存储介质 |
CN112287178A (zh) * | 2020-10-30 | 2021-01-29 | 腾讯科技(深圳)有限公司 | 数据清洗方法、装置、电子设备及存储介质 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140364119A1 (en) * | 2013-06-07 | 2014-12-11 | Apple Inc. | System and method for transitioning to a vehicle network resource |
US20150039365A1 (en) * | 2013-07-31 | 2015-02-05 | Mashhur Zarif Haque | Digital vehicle tag and method of integration in vehicle allocation system |
CN105373426A (zh) * | 2015-07-28 | 2016-03-02 | 哈尔滨工程大学 | 一种基于Hadoop的车联网内存感知实时作业调度方法 |
CN105847326A (zh) * | 2016-03-14 | 2016-08-10 | 河海大学 | 一种车联云资源动态部署系统 |
CN107734649A (zh) * | 2016-08-11 | 2018-02-23 | 中兴通讯股份有限公司 | 一种v2x通信的资源选择方法和装置 |
CN108419271A (zh) * | 2017-02-09 | 2018-08-17 | 工业和信息化部电信研究院 | 一种车联网资源分配方法 |
CN109147370A (zh) * | 2018-08-31 | 2019-01-04 | 南京锦和佳鑫信息科技有限公司 | 一种智能网联车的高速公路控制系统和特定路径服务方法 |
CN109413617A (zh) * | 2018-12-19 | 2019-03-01 | 重庆邮电大学 | 一种基于小蜂窝辅助的车联网传输方法 |
CN109710406A (zh) * | 2018-12-21 | 2019-05-03 | 腾讯科技(深圳)有限公司 | 数据分配及其模型训练方法、装置、及计算集群 |
CN110035410A (zh) * | 2019-03-07 | 2019-07-19 | 中南大学 | 一种软件定义车载边缘网络中联合资源分配和计算卸载的方法及系统 |
-
2019
- 2019-08-07 CN CN201910726923.8A patent/CN110415560B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140364119A1 (en) * | 2013-06-07 | 2014-12-11 | Apple Inc. | System and method for transitioning to a vehicle network resource |
US20150039365A1 (en) * | 2013-07-31 | 2015-02-05 | Mashhur Zarif Haque | Digital vehicle tag and method of integration in vehicle allocation system |
CN105373426A (zh) * | 2015-07-28 | 2016-03-02 | 哈尔滨工程大学 | 一种基于Hadoop的车联网内存感知实时作业调度方法 |
CN105847326A (zh) * | 2016-03-14 | 2016-08-10 | 河海大学 | 一种车联云资源动态部署系统 |
CN107734649A (zh) * | 2016-08-11 | 2018-02-23 | 中兴通讯股份有限公司 | 一种v2x通信的资源选择方法和装置 |
CN108419271A (zh) * | 2017-02-09 | 2018-08-17 | 工业和信息化部电信研究院 | 一种车联网资源分配方法 |
CN109147370A (zh) * | 2018-08-31 | 2019-01-04 | 南京锦和佳鑫信息科技有限公司 | 一种智能网联车的高速公路控制系统和特定路径服务方法 |
CN109413617A (zh) * | 2018-12-19 | 2019-03-01 | 重庆邮电大学 | 一种基于小蜂窝辅助的车联网传输方法 |
CN109710406A (zh) * | 2018-12-21 | 2019-05-03 | 腾讯科技(深圳)有限公司 | 数据分配及其模型训练方法、装置、及计算集群 |
CN110035410A (zh) * | 2019-03-07 | 2019-07-19 | 中南大学 | 一种软件定义车载边缘网络中联合资源分配和计算卸载的方法及系统 |
Non-Patent Citations (1)
Title |
---|
赵海涛: "基于连通概率感知的车联网资源优化技术研究", 《仪器仪表学报》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111431987A (zh) * | 2020-03-19 | 2020-07-17 | 腾讯科技(深圳)有限公司 | 车联网信号的校验方法及装置、计算机存储介质 |
CN111431987B (zh) * | 2020-03-19 | 2023-09-19 | 腾讯科技(深圳)有限公司 | 车联网信号的校验方法及装置、计算机存储介质 |
CN111447592A (zh) * | 2020-03-24 | 2020-07-24 | 腾讯科技(深圳)有限公司 | 一种确定传输资源的方法、设备及存储介质 |
CN111447592B (zh) * | 2020-03-24 | 2023-09-22 | 腾讯科技(深圳)有限公司 | 一种确定传输资源的方法、设备及存储介质 |
CN112287178A (zh) * | 2020-10-30 | 2021-01-29 | 腾讯科技(深圳)有限公司 | 数据清洗方法、装置、电子设备及存储介质 |
CN112287178B (zh) * | 2020-10-30 | 2023-11-17 | 腾讯科技(深圳)有限公司 | 数据清洗方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110415560B (zh) | 2020-10-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107643509B (zh) | 定位方法、定位系统及终端设备 | |
CN109556621B (zh) | 一种路线规划的方法及相关设备 | |
CN110415560A (zh) | 基于车联网系统的资源量估计方法、碰撞预测方法及装置 | |
CN109918975A (zh) | 一种增强现实的处理方法、对象识别的方法及终端 | |
CN103460722A (zh) | 用于使用对以时间为基准的特征的时间定标进行活动分类的方法、设备和装置 | |
CN109934512A (zh) | 一种预测模型的训练方法及系统 | |
CN110362494A (zh) | 微服务状态信息展示的方法、模型训练方法以及相关装置 | |
CN110188935B (zh) | 一种时间信息确定方法及处理设备 | |
CN108182626A (zh) | 服务推送方法、信息采集终端及计算机可读存储介质 | |
CN111739329B (zh) | 行驶路线生成方法、装置、存储介质及服务器 | |
CN110443190A (zh) | 一种对象识别方法和装置 | |
CN109190648A (zh) | 模拟环境生成方法、装置、移动终端及计算机可读取存储介质 | |
CN107766548A (zh) | 信息显示方法、装置、移动终端及可读存储介质 | |
CN109064746A (zh) | 一种信息处理方法、终端和计算机可读存储介质 | |
CN105468161A (zh) | 指令执行方法和装置 | |
CN113822460A (zh) | 一种交通流量预测方法、装置、电子设备和存储介质 | |
CN112414420A (zh) | 一种基于交通流量的导航方法以及相关装置 | |
CN114781766B (zh) | 水文站点的水文信息预测方法、装置、设备及存储介质 | |
CN112258837A (zh) | 一种车辆预警的方法、相关装置、设备以及存储介质 | |
CN112907255A (zh) | 一种用户分析方法和相关装置 | |
CN117115596B (zh) | 对象动作分类模型的训练方法、装置、设备及介质 | |
CN107395706A (zh) | 移动设备以及多系统移动设备管控的方法及装置 | |
CN107368998A (zh) | 日程管理方法及相关产品 | |
CN112288231B (zh) | 人工智能产品的配置生成方法、装置、电子设备及存储介质 | |
CN103455594B (zh) | 一种浏览器地址栏推荐网址的方法、装置及终端设备 |
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 |