CN113313313A - 一种面向城市感知的移动节点任务规划方法 - Google Patents

Abstract

一种面向城市感知的移动节点任务规划方法涉及任务规划技术领域，解决了现有成本高的问题，包括步骤一、根据外部因素对于需要感知的任务点数量的影响、历史周期的任务点，预测当前周期需要感知任务点的数量；步骤二、根据步骤一预测的当前周期需要感知任务点的数量，将当前周期划分为多个步骤，并确定步长；步骤三、感知每一步步长对应的任务点；步骤四、根据步骤三得到的任务点对多移动节点进行调度直至完成所有任务；步骤五、所有任务点的执行结果进行质量评估，若满足一定质量要求时，移动节点任务规划结束，若不满足则返回步骤二。本发明中任务能够并行执行并减少质量评估的次数，感知成本小，适合面向城市感知的移动节点任务规划。

Description

一种面向城市感知的移动节点任务规划方法

技术领域

本发明涉及移动感知、城市感知技术领域，具体涉及一种面向城市感知的移动节点任务规划方法。

背景技术

当前面向城市感知的移动节点任务规划方法主要分为两大类，全部访问和部分访问。全部访问的方法对所有任务点进行访问，并返回真实数据，然而这会带来较高的感知成本。基于此，为了降低成本，部分访问的方法希望对部分任务点进行访问，并根据这部分数据对未访问任务点的数据进行推断来达到一定的质量要求。然而，目前部分访问的方法按照选择一个任务点、执行任务、进行质量推断，重复以上步骤直到满足质量要求的顺序进行执行。

显然，这种方法的不足之处在于任务只能够串行执行，在执行复杂任务时，会导致整体的执行时间过长。此外，质量推断具有较高的时间复杂度，每执行一个任务进行一次质量推断，会使得时间复杂度更高。除了以上两点，目前技术假定所有任务点处都有参与者，这就使得它们不需要考虑移动节点的调度所带来的时间成本。以上种种问题使得目前技术并不适合面向城市感知的移动节点任务规划。

发明内容

为了解决上述问题，本发明提供一种面向城市感知的移动节点任务规划方法。

本发明为解决技术问题所采用的技术方案如下：

一种面向城市感知的移动节点任务规划方法，包括如下步骤：

步骤一、根据外部因素对于需要感知的任务点数量的影响、历史周期的任务点，预测当前周期需要感知任务点的数量；

步骤二、根据步骤一预测的当前周期需要感知任务点的数量，将当前周期划分为多个步骤，并确定每一步的步长；

步骤三、选择每一步步长对应的任务点；

步骤四、根据步骤三得到的任务点，对多移动节点进行调度直至完成所有任务；

步骤五、对步骤四的所有任务点的执行结果进行质量评估，若质量评估结果满足一定质量要求时，移动节点任务规划结束，若不满足一定质量要求时，返回步骤二。

本发明的有益效果是：

本发明一种面向城市感知的移动节点任务规划方法通过引入数量预测和步长决定，从而以动态步长应对动态环境，使得任务可以并行执行，相比于现有方法能够使得更多的感知周期达到质量要求。本发明相比于现有方法在质量评估的时间复杂度上得到了降低。本方法在按照步长选择多个任务点进行感知并返回真实数据后进行质量评估而非每对一个任务点进行感知后就进行质量评估，从而使得质量评估的次数得以减少。本发明中任务能够并行执行并减少质量评估的次数，同时考虑了移动节点的调度，从而使得在满足质量要求的前提下，感知成本尽可能小，适合面向城市感知的移动节点任务规划。

附图说明

图1为本发明的一种面向城市感知的移动节点任务规划方法的流程图。

具体实施方式

为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。

一种面向城市感知的移动节点任务规划方法，如图1，包括如下步骤：

步骤一、根据外部因素对于需要感知的任务点数量的影响、根据历史周期的任务点，预测当前周期需要感知任务点的数量。

外部因素包括天气信息、时间信息和节假日信息，需要感知的任务点和外部因素的依赖关系通过深度神经网络进行捕捉，本实施方式中考虑了需要感知的任务点数量的时间依赖关系。

预测当前周期需要感知任务点数量通过一个函数f()进行表示：

其中，

表示预测结果，即预测得到的当前周期需要感知任务点的数量，k表示当前周期，S[:,k-w+1:k-1]表示临近当前周期的w-1个历史周期所选择的任务点所构成的矩阵，w为大于2的正整数，

B^{k-w+1,…,k-1}是

的一个元素，B^{k-w+1,…,k-1}是临近当前周期的w-1个历史周期中需要考虑的Z种(Z为正整数)外部因素的取值，如天气、时间和节假日信息三种外部因素，

是临近w-1个周期的z种外部因素的全部可能取值。f表示用于预测的深度神经网络。

步骤二、根据步骤一得到的

将当前周期划分为多个步骤，并确定每一步的步长。

预测完当前周期需要对多少任务点进行感知后，为了避免由于预测不准确而选择冗余的任务点进行感知的情况，将一个周期划分为多个步骤，并决定每一步的步长，即选择多少个任务点进行感知。

该过程具体为：

步骤2.1、根据公式(2)得到α的值，

步骤2.2、根据α计算第n步的步长

其中，n为正整数。

本发明的步骤二中、根据步骤一预测的当前周期需要感知任务点的数量，将当前周期划分为多个步骤，并确定每一步的步长；

步骤三、任务选择：根据步骤二得到每一步的步长，选择每一步步长对应的任务点。

根据步骤二得到每一步的步长，可以知道每步步长对应的任务点数量，选择每一步步长对应的任务点，即，选择与步长所对应数量的任务点。

根据历史周期的任务点、根据步骤二中每个步长所确定的任务点数量、根据外部因素对于历史周期任务点的影响，选择每一步步长对应的任务点。也就是：根据历史周期任务点的选择情况以及外部因素对于任务点选择的影响，逐一选择任务点进行选择，直到达到步长所对应的数量。

任务点的选择通过一个DQN模型(Deep Q-learing Network模型)逐一进行选取，每个步长对应的任务点的选择可通过一个函数h()进行表示，

task＝h(S[:，k-w：k-1]，B^{k-w，...，k-1}) (4)

其中，task表示选择的任务点，S[:,k-w:k-1]表示临近当前周期k的w个历史周期所选择的任务点所构成的矩阵，

B^k-w,…,k-1是

的一个元素，B^k-w,...,k-1是临近当前周期的w个历史周期中需要考虑的Z种外部因素的取值，

是临近w个周期的z种外部因素的全部可能取值。步骤三考虑的外部因素和步骤一中考虑的外部因素相同，假设步骤一中考虑了天气和时间，那么步骤三也只能考虑天气和时间。h表示用于任务选择的深度神经网络。

步骤四、根据步骤三得到的任务点，对多个移动节点进行调度直至任务完成。

在按照公式(4)逐一选取相应数量的任务点后，对多移动节点进行调度来完成选择的任务。采用多线程时序调度框架，为各移动节点按照时序规划相应动作。可调度时间T＝{t₁，t₂，…，t_I}记录I个移动节点可进行调度的时刻，I表示移动节点总数。

该过程具体如下：

1)根据步骤三中每个步长选择得到的且未被移动节点执行的任务点、根据移动节点的可调度时间，针对最早可以进行任务调度的移动节点，为其分配最近的任务点。如果移动节点执行分配任务点的任务后，其剩余电量不足以执行任意下一个任务点，则让该移动节点执行任务后返航至距离其最近的充电站进行充电；

2)更新移动节点的可调度时间；

3)以更新后的可调度时间作为步骤1)所述的移动节点的可调度时间，返回步骤1)，即重复以上步骤1)和步骤2)，直至所有任务点被执行完成。

移动节点执行任务点的任务后得到执行结果数据。

步骤五、对步骤四所有任务点的执行结果进行质量评估，若质量评估结果满足一定质量要求时，移动节点任务规划结束，若不满足一定质量要求时，返回步骤二。

步骤四得到的所有执行结果被返回后，对此次进行步骤四得到的所有执行结果进行质量评估，引入稀疏群智感知中的(∈,p)质量，其定义如公式(5)所示：

|{k|ε_k≤∈，1≤k≤N}|≥N·p (5)

其中，∈是每个周期感测误差的误差边界，p是预定义的概率阈值，用于量化小于误差边界的周期百分比，ε_k是每个周期真实的感测误差，N是周期的个数。即，在p％的周期中保证感测误差小于∈。每个周期的真实感测误差通过贝叶斯推断得到。上述稀疏群智感知：稀疏群智感知仅选择少量任务点进行感知，同时基于数据之间的时空相关性推断目标区域其他任务点的数据并保证一定的数据质量，从而降低总体感知成本。“稀疏”对应少量任务点，对于本领域技术人员来说，相比于群智感知，任务点少于群智感知的任务点数量即为稀疏。

当不满足(∈，p)质量要求时，返回步骤二，重复执行步骤二至五；若满足(∈，p)质量要求时，则移动节点任务规划结束。

当前的部分访问方法通过选择部分任务点进行感知降低了感知成本，但是没有考虑到当感知任务更为复杂或者任务点无参与者的情况。本发明一种面向城市感知的移动节点任务规划方法在现有方法的基础上进行优化，引入了数量预测和步长决定两个关键模块，并以移动节点进行感知，有以下优点：

现有方法在选择完每个任务点并返回感知数据之后立即评估感知质量，以固定步长应对动态环境，这会使得任务只能串行执行，造成了任务执行效率低甚至无法达到质量需求的问题。本发明一种面向城市感知的移动节点任务规划方法通过引入数量预测和步长决定，从而以动态步长应对动态环境，使得任务可以并行执行，相比于先前的工作能够使得更多的感知周期达到质量要求；

本发明一种面向城市感知的移动节点任务规划方法相比于原有方法在质量评估的时间复杂度上得到了降低。本方法在按照步长选择多个任务点进行感知并返回真实数据后进行质量评估而非每对一个任务点进行感知后就进行质量评估，从而使得质量评估的次数得以减少；

本发明提供了一种以较低成本满足感知质量需求的移动节点任务规划方法，适合面向城市感知的移动节点任务规划，考虑质量要求的多移动节点任务规划，通过对现有部分访问方法的优化使得任务能够并行执行并减少质量评估的次数，同时考虑了移动节点的调度，从而使得在满足质量要求的前提下，感知成本尽可能小。

面向城市感知的任务规模是巨大的，现有方法每个周期的长度是固定的，这就会导致无法在固定周期内达到预定义的质量要求。本发明一种面向城市感知的移动节点任务规划方法通过每一步步长的设定，每个周期的长度不固定，达到预定义的质量要求。

Claims (9)

1.一种面向城市感知的移动节点任务规划方法，其特征在于，包括如下步骤：

步骤一、根据外部因素对于需要感知的任务点数量的影响、历史周期的任务点，预测当前周期需要感知任务点的数量；

步骤二、根据步骤一预测的当前周期需要感知任务点的数量，将当前周期划分为多个步骤，并确定每一步的步长；

步骤三、选择每一步步长对应的任务点；

步骤四、根据步骤三得到的任务点，对多移动节点进行调度直至完成所有任务；

步骤五、对步骤四的所有任务点的执行结果进行质量评估，若质量评估结果满足一定质量要求时，移动节点任务规划结束，若不满足一定质量要求时，返回步骤二。

2.如权利要求1所述的一种面向城市感知的移动节点任务规划方法，其特征在于，所述外部因素包括天气信息、时间信息和节假日信息，需要感知的任务点和外部因素的依赖关系通过深度神经网络进行捕捉。

3.如权利要求1所述的一种面向城市感知的移动节点任务规划方法，其特征在于，所述预测当前周期需要感知任务点数量通过一个函数f()进行表示：

其中，

表示预测结果，k表示当前周期，S[:,k-w+1:k-1]表示临近当前周期的w-1个历史周期所选择的任务点所构成的矩阵，w为大于2的正整数，B^{k-w+1,...,k-1}表示临近当前周期的w-1个历史周期中需要考虑的外部因素的取值。

4.如权利要求1所述的一种面向城市感知的移动节点任务规划方法，其特征在于，所述第n步的步长为：

其中，

为步骤一预测得到的当前周期需要感知任务点的数量。

5.如权利要求1所述的一种面向城市感知的移动节点任务规划方法，其特征在于，所述步骤三具体为：根据历史周期的任务点、根据步骤二中每个步长所确定的任务点数量、根据外部因素对于历史周期的任务点的影响，选择每个步长对应的任务点。

6.如权利要求1所述的一种面向城市感知的移动节点任务规划方法，其特征在于，所述步长对应的任务点通过一个DQN模型逐一进行选取，选择的任务点task通过函数h()进行表示，

task=h(S[：，k-w：k-1]，B^{k-w，...，k-1}) (4)

其中，S[:,k-w:k-1]表示临近当前周期k的w个历史周期所选择的任务点所构成的矩阵，w为大于2的正整数，B^k-w,...,k-1表示临近当前周期k的w个历史周期中需要考虑的外部因素的取值。

7.如权利要求1所述的一种面向城市感知的移动节点任务规划方法，其特征在于，所述步骤四具体为：

步骤4.1、根据步骤三得到的且未被移动节点执行的任务点、根据移动节点的可调度时间，为最早可以进行任务调度的移动节点分配距离其最近的任务点；

步骤4.2、判断是否具有未被移动节点执行的任务点，若有，则更新移动节点的可调度时间，以更新后的可调度时间返回步骤4.1；否则进行步骤五。

8.如权利要求7所述的一种面向城市感知的移动节点任务规划方法，其特征在于，在所述步骤4.1中，如果移动节点执行分配任务点的任务后，其剩余电量不足以执行其他任务点，则让该移动节点执行任务后返航至距离其最近的充电站进行充电。

9.如权利要求1所述的一种面向城市感知的移动节点任务规划方法，其特征在于，所述步骤五具体为：对步骤四的所有任务点的执行结果进行质量评估，若满足|{k|ε_k≤∈，1≤k≤N}|≥N·p，则移动节点任务规划结束，否则返回步骤二，其中，∈表示每个周期感测误差的误差边界，p表示预定义的概率阈值，p用于量化小于误差边界的周期百分比，ε_k表示每个周期真实的感测误差，N表示周期的个数。

Images