CN111126667B - 基于主动拓扑优化的车辆任务卸载及资源分配方法和系统 - Google Patents

基于主动拓扑优化的车辆任务卸载及资源分配方法和系统 Download PDF

Info

Publication number
CN111126667B
CN111126667B CN201911180085.5A CN201911180085A CN111126667B CN 111126667 B CN111126667 B CN 111126667B CN 201911180085 A CN201911180085 A CN 201911180085A CN 111126667 B CN111126667 B CN 111126667B
Authority
CN
China
Prior art keywords
vehicle
model
ith
service
mounted cloud
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
Application number
CN201911180085.5A
Other languages
English (en)
Other versions
CN111126667A (zh
Inventor
高志斌
刘漳
李王明卉
程志鹏
黄联芬
林和志
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xiamen University
Original Assignee
Xiamen University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xiamen University filed Critical Xiamen University
Priority to CN201911180085.5A priority Critical patent/CN111126667B/zh
Publication of CN111126667A publication Critical patent/CN111126667A/zh
Application granted granted Critical
Publication of CN111126667B publication Critical patent/CN111126667B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION 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
    • G06Q10/00Administration; Management
    • G06Q10/04Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION 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
    • G06Q10/00Administration; Management
    • G06Q10/06Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063Operations research, analysis or management
    • G06Q10/0631Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • GPHYSICS
    • G16INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16HHEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H40/00ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/20ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the management or administration of healthcare resources or facilities, e.g. managing hospital staff or surgery rooms
    • YGENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02TCLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00Road transport of goods or passengers
    • Y02T10/10Internal combustion engine [ICE] based vehicles
    • Y02T10/40Engine management systems

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • General Business, Economics & Management (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Marketing (AREA)
  • Biomedical Technology (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • Educational Administration (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于主动拓扑优化的车辆任务卸载及资源分配方法及系统,其中该方法包括:预先获取待停车区域的车辆信息和待处理的业务信息;将所有已停车位置信息分别与每一个未停车位置信息进行组合以构建多个车载云模型以及其对应的第一邻接矩阵;根据待处理的业务信息构建业务模型以及其对应的第二邻接矩阵;根据每个车载云模型对应的第一邻接矩阵和第二邻接矩阵判断每个车载云模型与业务模型是否匹配,并计算与业务模型相匹配的车载云模型所对应的效用函数值;获取最小的效用函数值所对应的未停车位置信息;由此,通过提前构建最优的通信拓扑,以保证医疗救助车辆直接停泊于资源利用率最高的停车点,从而大大增加了伤员存活率。

Description

基于主动拓扑优化的车辆任务卸载及资源分配方法和系统
技术领域
本发明涉及无线通信技术领域,特别涉及一种基于主动拓扑优化的车辆任务卸载及资源分配方法和一种基于主动拓扑优化的车辆任务卸载及资源分配系统。
背景技术
移动医疗救助旨在建立灾情报告系统并统一发布灾情,随时随地掌握灾难的地理位置和严重程度,第一时间派出增援力量;但是由于救灾场景的设备受限,伤员密集,紧急救助业务对医疗救助车采集完伤员信息的及时诊疗给出极大挑战,因此,需要借助周边停泊的若干车辆提供计算资源;相关技术中,医疗救助车随机停泊到相应停车点,使得无法充分利用周边资源,导致大大降低了伤员存活率。
发明内容
本发明旨在至少在一定程度上解决上述技术中的技术问题之一。为此,本发明的一个目的在于提出一种基于主动拓扑优化的车辆任务卸载及资源分配方法,通过提前构建最优的通信拓扑,以保证医疗救助车辆直接停泊于资源利用率最高的停车点,保障医疗救助车辆上的复杂医疗应用分析计算任务的顺利完成,从而大大增加了伤员存活率。
本发明的第二个目的在于提出一种基于主动拓扑优化的车辆任务卸载及资源分配系统。
为达到上述目的,本发明第一方面实施例提出了一种基于主动拓扑优化的车辆任务卸载及资源分配方法,包括以下步骤:预先获取待停车区域的车辆信息和待处理的业务信息,其中,所述车辆信息包括已停车位置信息和未停车位置信息;将所有已停车位置信息分别与每一个未停车位置信息进行组合以构建多个车载云模型以及每个车载云模型对应的第一邻接矩阵;根据所述待处理的业务信息构建业务模型以及所述业务模型对应的第二邻接矩阵;根据每个车载云模型对应的第一邻接矩阵和所述第二邻接矩阵判断每个车载云模型与所述业务模型是否匹配,并计算与所述业务模型相匹配的车载云模型所对应的效用函数值;遍历所有效用函数值,获取最小的效用函数值所对应的未停车位置信息。
根据本发明实施例的基于主动拓扑优化的车辆任务卸载及资源分配方法,首先预先获取待停车区域的车辆信息和待处理的业务信息,其中,所述车辆信息包括已停车位置信息和未停车位置信息;接着将所有已停车位置信息分别与每一个未停车位置信息进行组合以构建多个车载云模型以及每个车载云模型对应的第一邻接矩阵;再接着根据所述待处理的业务信息构建业务模型以及所述业务模型对应的第二邻接矩阵;然后根据每个车载云模型对应的第一邻接矩阵和所述第二邻接矩阵判断每个车载云模型与所述业务模型是否匹配,并计算与所述业务模型相匹配的车载云模型所对应的效用函数值;最后遍历所有效用函数值,获取最小的效用函数值所对应的未停车位置信息;由此,通过在泊车之前先进行模拟计算卸载,分析出最佳的泊车位置,以及主动构建最优的通信拓扑,以保证医疗救助车辆能停泊到资源利用率最高的泊车点,从而大大增加了伤员存活率。
另外,根据本发明上述实施例提出的基于主动拓扑优化的车辆任务卸载及资源分配方法还可以具有如下附加的技术特征:
可选地,根据以下公式构建所述车载云模型:
VS={si|i∈{1,2,...,n}},
Figure GDA0003921866120000021
GS=(VS,ES),
其中,n表示每一个车载云模型包含n辆车辆;si表示第i辆车辆;VS表示构成车载云模型中各个顶点的一个非空集;si′表示第i′辆车辆;
Figure GDA0003921866120000022
表示第i辆车辆与第i′辆车辆之间可以进行信息交换;ES表示定义在VS上的一个二元关系集,即构成车载云模型中各条边的集合。
可选地,根据以下公式构建所述业务模型:
VJ={gj|j∈{1,2,3,....m}},
Figure GDA0003921866120000023
GJ=(VJ,EJ),
其中,m表示每一个业务模型包含m个业务块;gj表示第j个业务块;VJ表示构成业务模型中各个顶点的一个非空集;gj′表示第j′个业务块;
Figure GDA0003921866120000024
表示第j个业务块与第j′个业务块之间相互联系;EJ表示定义在VJ上的一个二元关系集,即构成业务模型中各条边的集合。
可选地,根据每个车载云模型对应的第一邻接矩阵和所述第二邻接矩阵判断每个车载云模型与所述业务模型是否匹配,包括:如果MB-MB.*MA=0则判断所述车载云模型与所述业务模型匹配,否则判断所述车载云模型与所述业务模型不匹配,其中MA表示第一邻接矩阵,MB表示第二邻接矩阵。
可选地,根据以下公式计算所述效用函数值:
Figure GDA0003921866120000025
Figure GDA0003921866120000031
Figure GDA0003921866120000032
Figure GDA0003921866120000033
s.t.
(a).m′>0
(b).n≥m
其中,mapj→i′表示第j个业务与第i′辆车辆之间的映射关系;
Figure GDA0003921866120000034
表示第i辆车辆将任务量传送给第i′辆车辆时需要的上行传递时间;data size表示传送的总的任务量的大小;
Figure GDA0003921866120000035
表示第i辆车辆向第i′辆车辆单位时间内传送的任务量;
Figure GDA0003921866120000036
表示第i′辆车辆分析计算分配到的任务量所需要的时间;cpu cycle表示每比特的任务消耗的时钟周期数;vexec表示第i′辆车辆计算平台的计算能力;f表示效用函数值;P表示未停车位置信息;m′表示有m′个未停车位置信息P;m表示每一个业务模型包含m个业务块;n表示每一个车载云模型包含n辆车辆。
为达到上述目的,本发明第二方面实施例提出了一种基于主动拓扑优化的车辆任务卸载及资源分配系统,包括第一获取模块,用于预先获取待停车区域的车辆信息和待处理的业务信息,其中,所述车辆信息包括已停车位置信息和未停车位置信息;第一构建模块,用于将所有已停车位置信息分别与每一个未停车位置信息进行组合以构建多个车载云模型以及每个车载云模型对应的第一邻接矩阵;第二构建模块,用于根据所述待处理的业务信息构建业务模型以及所述业务模型对应的第二邻接矩阵;计算模块,用于根据每个车载云模型对应的第一邻接矩阵和所述第二邻接矩阵判断每个车载云模型与所述业务模型是否匹配,并计算与所述业务模型相匹配的车载云模型所对应的效用函数值;第二获取模块,用于遍历所有效用函数值,获取最小的效用函数值所对应的未停车位置信息。
根据本发明实施例的基于主动拓扑优化的车辆任务卸载及资源分配系统,通过第一获取模块预先获取待停车区域的车辆信息和待处理的业务信息,其中,所述车辆信息包括已停车位置信息和未停车位置信息;再通过第一构建模块将所有已停车位置信息分别与每一个未停车位置信息进行组合以构建多个车载云模型以及每个车载云模型对应的第一邻接矩阵;第二构建模块根据所述待处理的业务信息构建业务模型以及所述业务模型对应的第二邻接矩阵;以及通过计算模块根据每个车载云模型对应的第一邻接矩阵和所述第二邻接矩阵判断每个车载云模型与所述业务模型是否匹配,并计算与所述业务模型相匹配的车载云模型所对应的效用函数值;最后通过第二获取模块遍历所有效用函数值,获取最小的效用函数值所对应的未停车位置信息;由此,通过在泊车之前先进行模拟计算卸载,分析出最佳的泊车位置,以及主动构建最优的通信拓扑,以保证医疗救助车辆能停泊到资源利用率最高的泊车点,从而大大增加了伤员存活率。
另外,根据本发明上述实施例提出的基于主动拓扑优化的车辆任务卸载及资源分配系统还可以具有如下附加的技术特征:
可选地,根据以下公式构建所述车载云模型:
VS={si|i∈{1,2,...,n}},
Figure GDA0003921866120000041
GS=(VS,ES),
其中,n表示每一个车载云模型包含n辆车辆;si表示第i辆车辆;VS表示构成车载云模型中各个顶点的一个非空集;si′表示第i′辆车辆;
Figure GDA0003921866120000042
表示第i辆车辆与第i′辆车辆之间可以进行信息交换;ES表示定义在VS上的一个二元关系集,即构成车载云模型中各条边的集合。
可选地,根据以下公式构建所述业务模型:
VJ={gj|j∈{1,2,3,....m}},
Figure GDA0003921866120000043
GJ=(VJ,EJ),
其中,m表示每一个业务模型包含m个业务块;gj表示第j个业务块;VJ表示构成业务模型中各个顶点的一个非空集;gj′表示第j′个业务块;
Figure GDA0003921866120000044
表示第j个业务块与第j′个业务块之间相互联系;EJ表示定义在VJ上的一个二元关系集,即构成业务模型中各条边的集合。
可选地,根据每个车载云模型对应的第一邻接矩阵和所述第二邻接矩阵判断每个车载云模型与所述业务模型是否匹配,包括:如果MB-MB.*MA=0则判断所述车载云模型与所述业务模型匹配,否则判断所述车载云模型与所述业务模型不匹配,其中MA表示第一邻接矩阵,MB表示第二邻接矩阵。
可选地,根据以下公式计算所述效用函数值:
Figure GDA0003921866120000045
Figure GDA0003921866120000046
Figure GDA0003921866120000051
Figure GDA0003921866120000052
s.t.
(a).m′>0
(b).n≥m
其中,mapj→i′表示第j个业务与第i′辆车辆之间的映射关系;
Figure GDA0003921866120000053
表示第i辆车辆将任务量传送给第i′辆车辆时需要的上行传递时间;data size表示传送的总的任务量的大小;
Figure GDA0003921866120000054
表示第i辆车辆向第i′辆车辆单位时间内传送的任务量;
Figure GDA0003921866120000055
表示第i′辆车辆分析计算分配到的任务量所需要的时间;cpu cycle表示每比特的任务消耗的时钟周期数;vexec表示第i′辆车辆计算平台的计算能力;f表示效用函数值;P表示未停车位置信息;m′表示有m′个未停车位置信息P;m表示每一个业务模型包含m个业务块;n表示每一个车载云模型包含n辆车辆。
附图说明
图1为根据本发明实施例的基于主动拓扑优化的车辆任务卸载及资源分配方法的流程示意图;
图2为根据本发明一个实施例的车联网定位技术的结构示意图;
图3为根据本发明一个实施例的医院停车场的结构示意图;
图4为根据本发明一个实施例的车载云模型的结构示意图;
图5为根据本发明一个实施例的计算单元模型的结构示意图;
图6为根据本发明一个实施例的业务模型的结构示意图;
图7为根据本发明实施例的基于主动拓扑优化的车辆任务卸载及资源分配系统的方框示意图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
在移动医疗救助中,由于救助场景下设备受限,伤员密集,因此需要借助现场随机停泊的若干车辆,通过车辆间临时构建的通信拓扑进行数据交互,并完成辅助计算;但是现有医疗车无法保证一次泊车就能够获得最佳的计算卸载方案,无法确保对伤员上车采样生命特征信息进行最短时间的计算分析,直接影响了对伤员的生命安全进行抢救的效率,从而大大降低了伤员的存活率。
为此,本发明提出的基于主动拓扑优化的车辆任务卸载及资源分配方法,通过在停泊之前预先获得现场周边车辆间的拓扑关系,利用子图同构进行模拟计算卸载,分析出最佳的泊车位置,主动地构建一个最优的通信拓扑,确保救助车辆直接停泊于获得最佳计算卸载方案的停车点,大大地增加了伤员存活的概率。
为了更好的理解上述技术方案,下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例,然而应当理解,可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本发明,并且能够将本发明的范围完整的传达给本领域的技术人员。
为了更好的理解上述技术方案,下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
图1为根据本发明实施例的基于主动拓扑优化的车辆任务卸载及资源分配方法的流程示意图;如图1所示,本发明实施例的方法包括以下步骤:
步骤101,预先获取待停车区域的车辆信息和待处理的业务信息,其中,车辆信息包括已停车位置信息和未停车位置信息。
作为一个实施例,如图2-3所示,采用差分定位技术在医疗车开往停车位置的路程中,通过V2V通信链路请求停车区域内的停泊车辆上报地理位置信息,并通过差分定位服务器基于上报的地理位置信息下发对应的差分改正数,停泊车辆在得到厘米级精度的位置信息后分别发送给医疗车,为医疗车预先提供一份精准的停泊车辆位置信息;并通过停车区域获取停车场的所有停车位置以获取未停车位置信息。
作为一个实施例,待处理的业务信息可为医疗车上精密仪器对伤员分析产生,也可来自各个城市医院医生视频会诊产生;本发明对此不作具体限定。
需要说明的是,作为一个实施例,上述车辆信息还包括车辆空闲资源,如图5所示,实心表示已经被占用的资源块,空心表示未被占用的资源块,即可以用于计算卸载的资源块。
作为一个优选实施例,在获取完车辆信息和待处理的业务信息后,还可运用半盲估计的信道估计算法对停泊车辆之间的信道进行预测,为后续的计算卸载提供信道状态信息(Channel State Information,CSI)。
步骤102,将所有已停车位置信息分别与每一个未停车位置信息进行组合以构建多个车载云模型以及每个车载云模型对应的第一邻接矩阵。
需要说明的是,上述车载云模型为车载云拓扑模型。
也就是说,作为一个实施例,如图3-5所示将停车区域内的所有已停车位置信息SP2、SP3、SP4与停泊在1号位置的SP1构建一个车载云模型;与停泊在2号位置的SP1构建一个车载云模型;与停泊在3号位置的SP1构建一个车载云模型;从而获得3个车载云模型;另外,构建的3个车载云模型可能存在结构相同的情况。
作为一个实施例,根据以下公式构建所述车载云模型:
VS={si|i∈{1,2,…,n}},
Figure GDA0003921866120000071
GS=(VS,ES),
其中,n表示每一个车载云模型包含n辆车辆;si表示第i辆车辆;VS表示构成车载云模型中各个顶点的一个非空集;si′表示第i′辆车辆;
Figure GDA0003921866120000072
表示第i辆车辆与第i′辆车辆之间可以进行信息交换;ES表示定义在VS上的一个二元关系集,即构成车载云模型中各条边的集合。
也就是说,如图4-5所示,位置信息上的车辆si构成车载云模型的顶点,车辆与车辆之间的通信链路构成车载云模型的边,且每个车辆si拥有ni个全连接的计算单元,用于分析计算业务块,每一个空闲的计算单元都可用于计算分析一个业务块。
需要说明的是,预先设置通信距离,如果医疗车与停泊车、停泊车与停泊车之间两两距离符合通信距离,则形成通信链路,且停泊车辆之间形成的通信链路不产生信息交互的代价,我们只考虑医疗车与停泊车辆之间存在信息交互的代价,并且只考虑一跳的信息交互。
作为一个实施例,如图4所示,车辆SP1-SP4之间均形成通信链路,所以车载云模型的邻接矩阵均为
Figure GDA0003921866120000073
其中第一行和第一列表示车辆SP1,第二行和第二列表示车辆SP2,第三行和第三列表示车辆SP3、第四行和第四列表示车辆SP4;第一行第二列的1表示,由于车辆SP1与车辆SP2之间可以进行信息交互所以表示为1,而车辆本身没有进行信息交互所以表示为0,依次类推构成的邻接矩阵均为MA为单位矩阵;另外,作为一个实施例,假设车辆SP4与车辆SP1-3均不能进行信息交互,则车载云模型的邻接矩阵均为
Figure GDA0003921866120000074
步骤103,根据待处理的业务信息构建业务模型以及业务模型对应的第二邻接矩阵。
作为一个实施例,根据以下公式构建所述业务模型:
VJ={gj|j∈{1,2,3,…m}},
Figure GDA0003921866120000081
GJ=(VJ,EJ),
其中,m表示每一个业务模型包含m个业务块;gj表示第j个业务块;VJ表示构成业务模型中各个顶点的一个非空集;gj′表示第j′个业务块;
Figure GDA0003921866120000082
表示第j个业务块与第j′个业务块之间相互联系;EJ表示定义在VJ上的一个二元关系集,即构成业务模型中各条边的集合。
作为一个实施例,业务模型为预先设定,不同的业务块通过相连构成一个完整的业务模型,其中每一个业务块上拥有不同大小的任务量,需要说明的是业务块的编号是随机的、任意的,如图6所示,假定业务模型以Type1三角模型形式为业务模型,则其对应的邻接矩阵
Figure GDA0003921866120000083
假定业务模型以Type2四边模型形式为业务模型,则其对应的邻接矩阵
Figure GDA0003921866120000084
步骤104,根据每个车载云模型对应的第一邻接矩阵和第二邻接矩阵判断每个车载云模型与业务模型是否匹配,并计算与业务模型相匹配的车载云模型所对应的效用函数值。
也就是说,如果车载云模型与业务模型不匹配,则不用对该车载云模型的效用函数值进行计算,即可直接判断该车载云模型对应的未停车位置不是最优的停车位置。
作为一个实施例,如果MB-MB.*MA=0则判断车载云模型与业务模型匹配,否则判断车载云模型与业务模型不匹配,其中MA表示第一邻接矩阵,MB表示第二邻接矩阵。
需要说明的是,MB-MB.*MA=0的判断可通过matlab实现,其中MB.*MA表示第一邻接矩阵与第二邻接矩阵之间的元素直接相乘。
作为一个实施例,根据以下公式计算所述效用函数值:
Figure GDA0003921866120000085
Figure GDA0003921866120000086
Figure GDA0003921866120000087
Figure GDA0003921866120000088
s.t.
(a).m′>0
(b).n≥m
其中,mapj→i′表示第j个业务与第i′辆车辆之间的映射关系;
Figure GDA0003921866120000091
表示第i辆车辆将任务量传送给第i′辆车辆时需要的上行传递时间;data size表示传送的总的任务量的大小;
Figure GDA0003921866120000092
表示第i辆车辆向第i′辆车辆单位时间内传送的任务量;
Figure GDA0003921866120000093
表示第i′辆车辆分析计算分配到的任务量所需要的时间;cpu cycle表示每比特的任务消耗的时钟周期数;vexec表示第i′辆车辆计算平台的计算能力;f表示效用函数值;P表示未停车位置信息;m′表示有m′个未停车位置信息P;m表示每一个业务模型包含m个业务块;n表示每一个车载云模型包含n辆车辆。
作为一个具体实施例,设定车辆终端的处理器ECU在单位时间内所能计算的任务量为3.06GHz,车辆终端计算每比特的任务所消耗的时钟周期数分布再[800,1200]cycles/bit之间,此例中取1000cycles/bit。并设定信道带宽为22MHz,噪声功率为-96dBm,医疗车终端最大的发送计算任务的发射功率为2W。并且取医疗救助中的视频会议产生的任务量为例,要求视频质量高、清晰,故取10Mbps的视频,按照视频时间为1个小时来计算,10M位/s=10240K位/s=1280kb/s,那么1小时产生的任务量就是1280kb/s*3600s=4.5GB;将4.5GB的总任务量均分给3个业务块(实际中每一个业务块所含有的任务量不一定均分),那么每1个业务块所包含的任务量大约为1.5GB。
Figure GDA0003921866120000094
其中,
Figure GDA0003921866120000095
是车辆i向车辆i′单位时间内传输的任务量,w是无线传输信道的带宽,
Figure GDA0003921866120000096
是传输过程中车辆i的发射功率,gi,i′是无线传输信道的信道增益与计算节点与协助计算节点之间的距离有关,σ2则是场景现场的噪声功率,
Figure GDA0003921866120000097
是指医疗车辆将一部分业务传递给协同计算的停泊车辆需要的上行传递时间,α是任务量的比例,B是医疗车上总的任务量。
需要说明的是,当α=0时,则表示医疗车上的所有的任务量均未分配出去,全部由医疗车自己进计算分析;当α=1时,则表示医疗车将所有的任务量均分配出去,由停泊车辆进行协助分析计算。
Figure GDA0003921866120000098
Figure GDA0003921866120000099
其中
Figure GDA00039218661200000910
是第i辆车计算分析分配到的任务的计算时间,D是计算每比特的任务消耗的时钟周期数,
Figure GDA00039218661200000911
是第i辆车单位时间内能计算的任务量,
Figure GDA00039218661200000912
是第i′辆车单位时间内能计算的任务量。
步骤105,遍历所有效用函数值,获取最小的效用函数值所对应的未停车位置信息。
作为一个实施例,如图3-5所示,医院停车场上有3个可停泊的车位,计算分析效用函数(在此业务模型中我们将总业务量平均分给了3个业务块,在实际中这是不一定的,每1个业务块会含有不同的任务量),对于
Figure GDA0003921866120000101
因为参数设定中将每一辆车的发射功率都设定为2w且信道增益是距离的函数,所以在1-3停车位置中只需观察救护车于SP2,SP4的距离即可知道
Figure GDA0003921866120000102
Figure GDA0003921866120000103
的长短,因为SP3停泊车辆并没有空闲的计算资源,所以只需分别在位置1、2、3处,考虑对于SP2和SP4的效用函数。
假设两两呈水平或垂直紧挨的停泊车辆之间的距离均为1m,则当停车于1位置时,医疗车SP1与SP2,SP4的距离均为1m;在2位置时分别为2.4m和1m;在3位置时均为1.4m,遍历所有停车点比较可知救护车泊车于位置1时的效用函数是最小的。(在实际场景或仿真中,每一辆车的发射功率不相同,空闲资源个数也不相同,每一个业务块所拥有的任务量也大小不一,不单单只与距离相关,本实施例仅是一个非常特殊的简单情形)。
综上所述,根据本发明实施例的基于主动拓扑优化的车辆任务卸载及资源分配方法,首先预先获取待停车区域的车辆信息和待处理的业务信息,其中,所述车辆信息包括已停车位置信息和未停车位置信息;接着将所有已停车位置信息分别与每一个未停车位置信息进行组合以构建多个车载云模型以及每个车载云模型对应的第一邻接矩阵;再接着根据所述待处理的业务信息构建业务模型以及所述业务模型对应的第二邻接矩阵;然后根据每个车载云模型对应的第一邻接矩阵和所述第二邻接矩阵判断每个车载云模型与所述业务模型是否匹配,并计算与所述业务模型相匹配的车载云模型所对应的效用函数值;最后遍历所有效用函数值,获取最小的效用函数值所对应的未停车位置信息;由此,通过在泊车之前先进行模拟计算卸载,分析出最佳的泊车位置,以及主动构建最优的通信拓扑,以保证医疗救助车辆能停泊到资源利用率最高的泊车点,从而大大增加了伤员存活率。
另外,图7为根据本发明实施例的基于主动拓扑优化的车辆任务卸载及资源分配系统的方框示意图;如图7所示,该系统包括第一获取模块701、第一构建模块702、第二构建模块703、计算模块704和第二获取模块705;
其中,第一获取模块,用于预先获取待停车区域的车辆信息和待处理的业务信息,其中,车辆信息包括已停车位置信息和未停车位置信息;第一构建模块,用于将所有已停车位置信息分别与每一个未停车位置信息进行组合以构建多个车载云模型以及每个车载云模型对应的第一邻接矩阵;第二构建模块,用于根据待处理的业务信息构建业务模型以及业务模型对应的第二邻接矩阵;计算模块,用于根据每个车载云模型对应的第一邻接矩阵和第二邻接矩阵判断每个车载云模型与业务模型是否匹配,并计算与业务模型相匹配的车载云模型所对应的效用函数值;第二获取模块,用于遍历所有效用函数值,获取最小的效用函数值所对应的未停车位置信息。
作为一个实施例,根据以下公式构建所述车载云模型:
VS={si|i∈{1,2,...,n}},
Figure GDA0003921866120000111
GS=(VS,ES),
其中,n表示每一个车载云模型包含n辆车辆;si表示第i辆车辆;VS表示构成车载云模型中各个顶点的一个非空集;si′表示第i′辆车辆;
Figure GDA0003921866120000112
表示第i辆车辆与第i′辆车辆之间可以进行信息交换;ES表示定义在VS上的一个二元关系集,即构成车载云模型中各条边的集合。
作为一个实施例,根据以下公式构建所述业务模型:
VJ={gj|j∈{1,2,3,....m}},
Figure GDA0003921866120000113
GJ=(VJ,EJ),
其中,m表示每一个业务模型包含m个业务块;gj表示第j个业务块;VJ表示构成业务模型中各个顶点的一个非空集;gj′表示第j′个业务块;
Figure GDA0003921866120000114
表示第j个业务块与第j′个业务块之间相互联系;EJ表示定义在VJ上的一个二元关系集,即构成业务模型中各条边的集合。
进一步地,根据每个车载云模型对应的第一邻接矩阵和所述第二邻接矩阵判断每个车载云模型与所述业务模型是否匹配,包括:
如果MB-MB.*MA=0则判断所述车载云模型与所述业务模型匹配,否则判断所述车载云模型与所述业务模型不匹配,其中MA表示第一邻接矩阵,MB表示第二邻接矩阵。
作为一个实施例,根据以下公式计算所述效用函数值:
Figure GDA0003921866120000115
Figure GDA0003921866120000116
Figure GDA0003921866120000117
Figure GDA0003921866120000121
s.t.
(a).m′>0
(b).n≥m
其中,mapj→i′表示第j个业务与第i′辆车辆之间的映射关系;
Figure GDA0003921866120000122
表示第i辆车辆将任务量传送给第i′辆车辆时需要的上行传递时间;data size表示传送的总的任务量的大小;
Figure GDA0003921866120000123
表示第i辆车辆向第i′辆车辆单位时间内传送的任务量;
Figure GDA0003921866120000124
表示第i′辆车辆分析计算分配到的任务量所需要的时间;cpy cycle表示每比特的任务消耗的时钟周期数;vexec表示第i′辆车辆计算平台的计算能力;f表示效用函数值;P表示未停车位置信息;m′表示有m′个未停车位置信息P;m表示每一个业务模型包含m个业务块;n表示每一个车载云模型包含n辆车辆。
需要说明的是,前述对于基于主动拓扑优化的车辆任务卸载及资源分配方法的实施例的解释说明同样适用于本实施例的基于主动拓扑优化的车辆任务卸载及资源分配系统,此处不再赘述。
综上所述,根据本发明实施例的基于主动拓扑优化的车辆任务卸载及资源分配系统,通过第一获取模块预先获取待停车区域的车辆信息和待处理的业务信息,其中,所述车辆信息包括已停车位置信息和未停车位置信息;再通过第一构建模块将所有已停车位置信息分别与每一个未停车位置信息进行组合以构建多个车载云模型以及每个车载云模型对应的第一邻接矩阵;第二构建模块根据所述待处理的业务信息构建业务模型以及所述业务模型对应的第二邻接矩阵;以及通过计算模块根据每个车载云模型对应的第一邻接矩阵和所述第二邻接矩阵判断每个车载云模型与所述业务模型是否匹配,并计算与所述业务模型相匹配的车载云模型所对应的效用函数值;最后通过第二获取模块遍历所有效用函数值,获取最小的效用函数值所对应的未停车位置信息;由此,通过在泊车之前先进行模拟计算卸载,分析出最佳的泊车位置,以及主动构建最优的通信拓扑,以保证医疗救助车辆能停泊到资源利用率最高的泊车点,从而大大增加了伤员存活率。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
应当注意的是,在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的部件或步骤。位于部件之前的单词“一”或“一个”不排除存在多个这样的部件。本发明可以借助于包括有若干不同部件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
在本发明的描述中,需要理解的是,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
在本发明中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或成一体;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
在本发明中,除非另有明确的规定和限定,第一特征在第二特征“上”或“下”可以是第一和第二特征直接接触,或第一和第二特征通过中间媒介间接接触。而且,第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方,或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方,或仅仅表示第一特征水平高度小于第二特征。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不应理解为必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (4)

1.一种基于主动拓扑优化的车辆任务卸载及资源分配方法,其特征在于,包括以下步骤:
预先获取待停车区域的车辆信息和待处理的业务信息,其中,所述车辆信息包括已停车位置信息和未停车位置信息;
将所有已停车位置信息分别与每一个未停车位置信息进行组合以构建多个车载云模型以及每个车载云模型对应的第一邻接矩阵;
根据所述待处理的业务信息构建业务模型以及所述业务模型对应的第二邻接矩阵;
根据每个车载云模型对应的第一邻接矩阵和所述第二邻接矩阵判断每个车载云模型与所述业务模型是否匹配,并计算与所述业务模型相匹配的车载云模型所对应的效用函数值;
遍历所有效用函数值,获取最小的效用函数值所对应的未停车位置信息;
根据以下公式构建所述车载云模型:
VS={si|i∈{1,2,...,n}},
Figure FDA0003921866110000011
GS=(VS,ES),
其中,n表示每一个车载云模型包含n辆车辆;si表示第i辆车辆;VS表示构成车载云模型中各个顶点的一个非空集;si′表示第i′辆车辆;
Figure FDA0003921866110000012
表示第i辆车辆与第i′辆车辆之间可以进行信息交换;ES表示定义在VS上的一个二元关系集,即构成车载云模型中各条边的集合;
根据以下公式构建所述业务模型:
VJ={gj|j∈{1,2,3,....m}},
Figure FDA0003921866110000013
GJ=(VJ,EJ),
其中,m表示每一个业务模型包含m个业务块;gj表示第j个业务块;VJ表示构成业务模型中各个顶点的一个非空集;gj′表示第j′个业务块;
Figure FDA0003921866110000014
表示第j个业务块与第j′个业务块之间相互联系;EJ表示定义在VJ上的一个二元关系集,即构成业务模型中各条边的集合;
根据以下公式计算所述效用函数值:
Figure FDA0003921866110000015
Figure FDA0003921866110000016
Figure FDA0003921866110000021
Figure FDA0003921866110000022
s.t.
(a).m′>0
(b).n≥m
其中,mapj→i′表示第j个业务与第i′辆车辆之间的映射关系;
Figure FDA0003921866110000023
表示第i辆车辆将任务量传送给第i′辆车辆时需要的上行传递时间;data size表示传送的总的任务量的大小;
Figure FDA0003921866110000024
表示第i辆车辆向第i′辆车辆单位时间内传送的任务量;
Figure FDA0003921866110000025
表示第i′辆车辆分析计算分配到的任务量所需要的时间;cpu cycle表示每比特的任务消耗的时钟周期数;vexec表示第i′辆车辆计算平台的计算能力;f表示效用函数值;P表示未停车位置信息;m′表示有m′个未停车位置信息P;m表示每一个业务模型包含m个业务块;n表示每一个车载云模型包含n辆车辆。
2.如权利要求1所述的基于主动拓扑优化的车辆任务卸载及资源分配方法,其特征在于,根据每个车载云模型对应的第一邻接矩阵和所述第二邻接矩阵判断每个车载云模型与所述业务模型是否匹配,包括:
如果MB-MB.*MA=0则判断所述车载云模型与所述业务模型匹配,否则判断所述车载云模型与所述业务模型不匹配,其中MA表示第一邻接矩阵,MB表示第二邻接矩阵。
3.一种基于主动拓扑优化的车辆任务卸载及资源分配系统,其特征在于,包括:
第一获取模块,用于预先获取待停车区域的车辆信息和待处理的业务信息,其中,所述车辆信息包括已停车位置信息和未停车位置信息;
第一构建模块,用于将所有已停车位置信息分别与每一个未停车位置信息进行组合以构建多个车载云模型以及每个车载云模型对应的第一邻接矩阵;
第二构建模块,用于根据所述待处理的业务信息构建业务模型以及所述业务模型对应的第二邻接矩阵;
计算模块,用于根据每个车载云模型对应的第一邻接矩阵和所述第二邻接矩阵判断每个车载云模型与所述业务模型是否匹配,并计算与所述业务模型相匹配的车载云模型所对应的效用函数值;
第二获取模块,用于遍历所有效用函数值,获取最小的效用函数值所对应的未停车位置信息;
根据以下公式构建所述车载云模型:
VS={si|i∈{1,2,...,n}},
Figure FDA0003921866110000031
GS=(VS,ES),
其中,n表示每一个车载云模型包含n辆车辆;si表示第i辆车辆;VS表示构成车载云模型中各个顶点的一个非空集;si′表示第i′辆车辆;
Figure FDA0003921866110000032
表示第i辆车辆与第i′辆车辆之间可以进行信息交换;ES表示定义在VS上的一个二元关系集,即构成车载云模型中各条边的集合;
根据以下公式构建所述业务模型:
VJ={gj|j∈{1,2,3,....m}},
Figure FDA0003921866110000033
GJ=(VJ,EJ),
其中,m表示每一个业务模型包含m个业务块;gj表示第j个业务块;VJ表示构成业务模型中各个顶点的一个非空集;gj′表示第j′个业务块;
Figure FDA0003921866110000034
表示第j个业务块与第j′个业务块之间相互联系;EJ表示定义在VJ上的一个二元关系集,即构成业务模型中各条边的集合;
根据以下公式计算所述效用函数值:
Figure FDA0003921866110000035
Figure FDA0003921866110000036
Figure FDA0003921866110000037
Figure FDA0003921866110000038
s.t.
(a).m′>0
(b).n≥m
其中,mapj→i′表示第j个业务与第i′辆车辆之间的映射关系;
Figure FDA0003921866110000039
表示第i辆车辆将任务量传送给第i′辆车辆时需要的上行传递时间;data size表示传送的总的任务量的大小;
Figure FDA00039218661100000310
表示第i辆车辆向第i′辆车辆单位时间内传送的任务量;
Figure FDA0003921866110000041
表示第i′辆车辆分析计算分配到的任务量所需要的时间;cpu cycle表示每比特的任务消耗的时钟周期数;vexec表示第i′辆车辆计算平台的计算能力;f表示效用函数值;P表示未停车位置信息;m′表示有m′个未停车位置信息P;m表示每一个业务模型包含m个业务块;n表示每一个车载云模型包含n辆车辆。
4.如权利要求3所述的基于主动拓扑优化的车辆任务卸载及资源分配系统,其特征在于,根据每个车载云模型对应的第一邻接矩阵和所述第二邻接矩阵判断每个车载云模型与所述业务模型是否匹配,包括:
如果MB-MB.*MA=0则判断所述车载云模型与所述业务模型匹配,否则判断所述车载云模型与所述业务模型不匹配,其中MA表示第一邻接矩阵,MB表示第二邻接矩阵。
CN201911180085.5A 2019-11-27 2019-11-27 基于主动拓扑优化的车辆任务卸载及资源分配方法和系统 Active CN111126667B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911180085.5A CN111126667B (zh) 2019-11-27 2019-11-27 基于主动拓扑优化的车辆任务卸载及资源分配方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911180085.5A CN111126667B (zh) 2019-11-27 2019-11-27 基于主动拓扑优化的车辆任务卸载及资源分配方法和系统

Publications (2)

Publication Number Publication Date
CN111126667A CN111126667A (zh) 2020-05-08
CN111126667B true CN111126667B (zh) 2023-04-07

Family

ID=70496803

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911180085.5A Active CN111126667B (zh) 2019-11-27 2019-11-27 基于主动拓扑优化的车辆任务卸载及资源分配方法和系统

Country Status (1)

Country Link
CN (1) CN111126667B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109343946A (zh) * 2018-09-19 2019-02-15 长安大学 一种软件定义车联网计算任务迁移和调度方法
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
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

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10759444B2 (en) * 2017-07-07 2020-09-01 Toyota Research Institute, Inc. Resource optimization in vehicles

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109343946A (zh) * 2018-09-19 2019-02-15 长安大学 一种软件定义车联网计算任务迁移和调度方法
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
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)

* Cited by examiner, † Cited by third party
Title
Dependency-Aware and Latency-Optimal Computation Offloading for Multi-User Edge Computing Networks;Chang Shu,Zhiwei Zhao,Yunpeng Han and Geyong Min;《IEEE International Conference on Sensing, Communication, and Networking (SECON)》;20190613;全文 *

Also Published As

Publication number Publication date
CN111126667A (zh) 2020-05-08

Similar Documents

Publication Publication Date Title
CN112714178B (zh) 一种基于车载边缘计算的任务卸载方法及装置
CN111462487B (zh) 一种车联网环境下的最优化边缘计算节点选择方法及系统
CN109270565B (zh) 一种车载gps大数据的处理装置
CN101251388B (zh) 路径比对方法及系统
CN109543934A (zh) 城市公交线网的综合指标的评价方法
CN111126799B (zh) 基于二分图的共享网络司乘匹配方法
CN111220147B (zh) 终端的定位修正方法、装置
CN111126667B (zh) 基于主动拓扑优化的车辆任务卸载及资源分配方法和系统
CN110730416A (zh) 基于定位数据的车辆安全管理方法和装置
CN116824861A (zh) 基于城市大脑平台多维数据的共享单车调度方法和系统
CN111586143B (zh) 从服务器请求数据的方法、车路协同设备、装置和介质
CN110969887B (zh) 一种车辆数据获取方法、装置、电子设备及介质
CN107085756A (zh) 计算公交站点覆盖叠加强度值的方法
CN112735136A (zh) 5g交通监测规划方法、移动终端、交通服务平台及系统
CN113709249B (zh) 辅助驾驶业务安全均衡卸载方法及系统
CN113269339B (zh) 一种网约车任务自动创建和分发的方法及系统
CN116229128A (zh) 实体图像的聚类处理方法、装置、电子设备及存储介质
CN114640944A (zh) 基于信息可用性的车路协同多域多源资源管理方法
CN114040435B (zh) 网络覆盖质量的评测方法、装置、存储介质及设备
CN109697848A (zh) 一种获取车辆多维度信息的方法及装置
CN113222379B (zh) 一种基于车辆状况进行网约车订单匹配的方法及系统
CN103761619A (zh) 车辆服务管理技术平台
CN113115268B (zh) 基于多个路侧单元的车联网最大吞吐量获取方法及装置
CN103812933B (zh) 一种基于二部图的车载网络分布式存储方法
CN117711610B (zh) 一种网络化mdt多学科的远程会诊车系统

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