CN114360244B - 基于智能交通系统的多任务协同群智感知方法 - Google Patents

Abstract

一种基于智能交通系统的多任务协同群智感知方法，由平台发布一般任务、车辆上传投标信息、路侧单元计算车辆精度、平台选择车辆执行一般任务、平台发布紧急任务、平台选择车辆执行紧急任务步骤组成。采用不同特点的一般任务和紧急任务，细化了任务的需求；在招募车辆时采用不同的车辆精度和单位资源的报价，多个车辆可以协同执行任务，提高了任务的精度；提出的一般任务车辆资源选择方法，在满足每个一般任务成本预算约束和车辆资源约束的基础上，最大化一般任务总效用；提出的紧急任务车辆资源选择方法，在满足紧急任务的精度要求、价值要求、延时要求的基础上，最大化剩余的一般任务总效用，减少了偶发紧急任务对正在进行一般任务的影响。

Description

基于智能交通系统的多任务协同群智感知方法

技术领域

本发明属于群智感知的技术领域，具体涉及到基于智能交通系统的多任务协同群智感知方法。

背景技术

近年来，由于车辆可以使得人们的出行更加方便快捷，全世界的车辆数目急剧增加，由此导致了许多问题，例如，交通堵塞、事故频发和道路塌陷等。政府和交通管理部门越来越重视为人们提供安全、高效的交通环境，改善了人们的出行体验。然而，传统的交通管理解决方案不仅效率低下，而且耗费大量的人力和财力。

随着智能城市的快速发展，智能交通系统正在逐步改进原有的交通结构。这些智能汽车配备了摄像头、激光雷达和各种传感器设备，可以感知交通环境并收集智能城市中的数据。通过这种方式，可以分析城市中有价值的信息，如交通流量信息和道路结冰情况等，并将其用于支持智能交通系统，从而形成了在智能交通系统支持下的车辆群智感知模式。

典型的群智感知方案对于单个任务的分配或者多任务相继执行的任务分配很有效。然而，这些群智感知任务分配本质上都是考虑单个用户在同一时刻只能执行一种任务。然而，当某一区域内的车辆正在执行噪声采集任务时，突然有一辆拉着重症病人的救护车拟从该区域经过，需要提前了解该区域的交通情况，以便规划路线，这种任务对精度和延时有极高的需求，如果等到当前的任务完成之后再进行该任务分配，那么就会违反该任务严格的延时约束。对于这种需要同一车辆在同一时刻执行多种任务的场景，以往的群智感知方案均不适用。因此，在基于智能交通系统中当前需要解决的一个技术问题是提供一种可以同时满足多个任务的不同需求的车辆协作式群智感知方法。

发明内容

本发明所要解决的技术问题在于克服上述传统技术的缺点，提供一种基于智能交通系统的多任务协同群智感知方法。

解决上述技术问题所采用的技术方案是由下述步骤组成：

(1)平台发布一般任务

平台发布信息元组

如下：

其中,g_i为一般任务，g_i∈{g₁,g₂,...,g_p}，p为有限正整数，

表示一般任务g_i的开始时间，

表示一般任务g_i的结束时间，

表示一般任务g_i的成本预算，

(2)车辆上传投标信息

路侧单元实时识别覆盖范围内的车辆，每一个路侧单元拥有一张存储当前时间段内在路侧单元覆盖范围内的车辆信息表，车辆信息表内包含车辆v_b向路侧单元提供的投标信息元组

如下：

其中，

表示车辆v_b、时隙t_j的可用资源集合，

表示车辆v_b、时隙t_j的单位资源报价，

表示车辆v_b、时隙t_j的单位资源提供的价值，

v_b∈{v₁,v₂,...,v_a}，a为有限正整数，将一般任务持续时间划分为等大小的时隙，

且

为有限正整数，

表示车辆v_b、时隙t_j的可用资源总数，F为有限正整数。

(3)路侧单元计算车辆精度

在云服务器上存储每辆车的历史交易记录，包括车辆的执行任务情况、历史可靠性信息，路侧单元下载并查看这些信息，根据历史交易信息计算车辆v_b、时隙t_j的精度

如下：

其中，

表示车辆v_b、时隙t_j的精度因子，

表示车辆v_b、时隙t_j的可靠性，θ表示历史因子，θ∈[0,1]，

表示车辆v_b、时隙t_j-1之前的可靠性，

表示车辆v_b、时隙t_j-1的可靠性奖励，

j-1≥1，

表示车辆v_b、时隙t_j的精度值，

ζ表示智能交通系统对用户精度值的平均要求，ζ∈[1,30]。

(4)平台选择车辆执行一般任务

平台扫描所有的路侧单元，收集所有上传投标车辆的信息，根据每个一般任务的成本预算和每个车辆资源的报价、价值、精度，按下式选择车辆资源以最大化一般任务的总效用Z：

其中，

表示一般任务g_i购买车辆v_b、时隙t_j的第f个资源的指示值，

平台选择的车辆资源需要满足以下条件：

(5)平台发布紧急任务

平台发布紧急任务M_e如下：

M_e＝{rw,rd,ru}

其中，rw是紧急任务的最大等待延迟、且不超过一个时隙t_j-1，j-1≥1，rd是紧急任务的最低价值，rd∈[0,100]，ru是紧急任务的最低精度，ru∈[0,1]。

(6)平台选择车辆执行紧急任务

对时隙t_j-1，j-1≥1，平台发布的紧急任务，根据紧急任务的精度要求、价值要求和每个车辆的单位资源报价、精度、价值选择车辆资源，按下式选择车辆资源以最大化剩余的一般任务的总效用W(t_j)：

其中，

表示车辆v_b、时隙t_j已经分配给一般任务g_i的资源数目，

表示车辆v_b、时隙t_j已经分配给一般任务g_i的资源被紧急任务占用的资源数目，

表示车辆v_b、时隙t_j已经分配给一般任务g_i的资源被紧急任务占用的资源比例，

f(x)表示对x四舍五入函数，平台选择的车辆资源需要满足以下条件：

其中，

表示时隙t_j紧急任务购买车辆v_b的总资源，

表示时隙t_j紧急任务购买的车辆v_b的空闲资源数目，

表示车辆v_b、时隙t_j参与紧急任务的指示值，

在本发明的(4)平台选择车辆执行一般任务步骤中，平台按下式选择车辆资源以最大化一般任务的总效用Z：

其中，

表示一般任务g_i购买车辆v_b、时隙t_j的第f个资源的指示值，

平台选择的车辆资源需要满足以下条件：

其中,g_i为一般任务，g_i∈{g₁,g₂,...,g_p}，p∈[1,10]。

在本发明的(6)平台选择车辆执行紧急任务步骤中，平台按下式选择车辆资源以最大化剩余的一般任务的总效用W(t_j)：

其中，

表示车辆v_b、时隙t_j已经分配给一般任务g_i的资源数目，

表示车辆v_b、时隙t_j已经分配给一般任务g_i的资源被紧急任务占用的资源数目，

表示车辆v_b、时隙t_j已经分配给一般任务g_i的资源被紧急任务占用的资源比例，

取值为0.5，f(x)表示对x四舍五入函数，平台选择的车辆资源需要满足以下条件：

其中，

表示时隙t_j紧急任务购买车辆v_b的总资源，

表示时隙t_j紧急任务购买的车辆v_b的空闲资源数目，

表示车辆v_b、时隙t_j参与紧急任务的指示值，

由于本发明采用不同特点的一般任务和紧急任务，细化了任务的需求；在招募车辆时采用不同的车辆精度和单位资源的报价，多个车辆可以协同执行任务，提高了任务的精度；提出的一般任务车辆资源选择方法，在满足每个一般任务成本预算约束和车辆资源约束的基础上，最大化一般任务总效用；提出的紧急任务车辆资源选择方法，在满足紧急任务的精度要求、价值要求、延时要求的基础上，最大化剩余的一般任务总效用，减少了偶发紧急任务对正在进行一般任务的影响。

附图说明

图1是本发明实施例1的流程图。

具体实施方式

下面结合附图和实施例对本发明进一步详细说明，但本发明不限于下述的实施方式。

实施例1

本实施例的基于智能交通系统的多任务协同群智感知方法由下述步骤组成(参见图1)：

(1)平台发布一般任务

平台发布信息元组

如下：

其中,g_i为一般任务，g_i∈{g₁,g₂,...,g_p}，p为有限正整数，

表示一般任务g_i的开始时间，

表示一般任务g_i的结束时间，

表示一般任务g_i的成本预算，

本实施例的

取值为250。

(2)车辆上传投标信息

路侧单元实时识别覆盖范围内的车辆，每一个路侧单元拥有一张存储当前时间段内在路侧单元覆盖范围内的车辆信息表，车辆信息表内包含车辆v_b向路侧单元提供的投标信息元组

如下：

其中，

表示车辆v_b、时隙t_j的可用资源集合，

表示车辆v_b、时隙t_j的单位资源报价，

本实施例的

取值为5，

表示车辆v_b、时隙t_j的单位资源提供的价值，

本实施例的

取值为3，v_b∈{v₁,v₂,...,v_a}，a为有限正整数，将一般任务持续时间划分为等大小的时隙，

且

为有限正整数，

表示车辆v_b、时隙t_j的可用资源总数，F为有限正整数，本实施例的F为30。

本发明在招募车辆时考虑了不同车辆的精度和单位资源的报价，多个车辆可以协同执行任务，提高了任务的精度。

(3)路侧单元计算车辆精度

在云服务器上存储每辆车的历史交易记录，包括车辆的执行任务情况、历史可靠性信息，路侧单元下载并查看这些信息，根据历史交易信息计算车辆v_b、时隙t_j的精度

如下：

其中，

表示车辆v_b、时隙t_j的精度因子，

表示车辆v_b、时隙t_j的可靠性，θ表示历史因子，θ∈[0,1]，本实施例的θ取值为0.5，

表示车辆v_b、时隙t_j-1之前的可靠性，

本实施例的

取值为0.5，

表示车辆v_b、时隙t_j-1的可靠性奖励，

j-1≥1，

表示车辆v_b、时隙t_j的精度值，

本实施例的

取值为15，ζ表示智能交通系统对用户精度值的平均要求，ζ∈[1,30]，本实施例的ζ取值为15。

(4)平台选择车辆执行一般任务

平台扫描所有的路侧单元，收集所有上传投标车辆的信息，根据每个一般任务成本预算和每个车辆资源的报价、价值、精度，按下式选择车辆资源以最大化一般任务的总效用Z：

其中，

表示一般任务g_i购买车辆v_b、时隙t_j的第f个资源的指示值，

平台选择的车辆资源需要满足以下条件：

平台按下式选择车辆资源以最大化一般任务的总效用Z：

其中，

表示一般任务g_i购买车辆v_b、时隙t_j的第f个资源的指示值，

平台选择的车辆资源需要满足以下条件：

其中,g_i为一般任务，g_i∈{g₁,g₂,...,g_p}，p∈[1,10],本实施例的p取值为5。

本发明提出了一般任务车辆资源选择方法，在满足每个一般任务成本预算约束和车辆资源约束的基础上，最大化一般任务总效用。

(5)平台发布紧急任务

平台发布紧急任务M_e如下：

M_e＝{rw,rd,ru}

其中，rw是紧急任务的最大等待延迟、且不超过一个时隙t_j-1，j-1≥1，rd是紧急任务的最低价值，rd∈[0,100]，本实施例的rd取值为50,ru是紧急任务的最低精度，ru∈[0,1]，本实施例的ru取值为0.5。

(6)平台选择车辆执行紧急任务

对时隙t_j-1，j-1≥1，平台发布的紧急任务，时隙t_j平台根据紧急任务的精度要求、价值要求和每个车辆的单位资源报价、精度、价值选择车辆资源，按下式选择车辆资源以最大化剩余的一般任务的总效用W(t_j)：

其中，

表示车辆v_b、时隙t_j已经分配给一般任务g_i的资源数目，

表示车辆v_b、时隙t_j已经分配给一般任务g_i的资源被紧急任务占用的资源数目，

表示车辆v_b、时隙t_j已经分配给一般任务g_i的资源被紧急任务占用的资源比例，

本实施例

的取值为0.5，f(x)表示对x四舍五入函数，平台选择的车辆资源需要满足以下条件：

其中，

表示时隙t_j紧急任务购买车辆v_b的总资源，

表示时隙t_j紧急任务购买的车辆v_b的空闲资源数目，

表示车辆v_b、时隙t_j参与紧急任务的指示值，

本发明提出了紧急任务车辆资源选择方法，在满足紧急任务的精度要求、价值要求、延时要求的基础上，最大化剩余的一般任务总效用，减少了偶发紧急任务对正在进行一般任务的影响。

完成基于智能交通系统的多任务协同群智感知方法。

实施例2

本实施例的基于智能交通系统的多任务协同群智感知方法由下述步骤组成：

(1)平台发布一般任务

平台发布信息元组

如下：

其中,g_i为一般任务，g_i∈{g₁,g₂,...,g_p}，p为有限正整数，

表示一般任务g_i的开始时间，

表示一般任务g_i的结束时间，

表示一般任务g_i的成本预算，

本实施例的

取值为1。

(2)车辆上传投标信息

路侧单元实时识别覆盖范围内的车辆，每一个路侧单元拥有一张存储当前时间段内在路侧单元覆盖范围内的车辆信息表，车辆信息表内包含车辆v_b向路侧单元提供的投标信息元组

如下：

其中，

表示车辆v_b、时隙t_j的可用资源集合，

表示车辆v_b、时隙t_j的单位资源报价，

本实施例的

取值为1，

表示车辆v_b、时隙t_j的单位资源提供的价值，

本实施例的

取值为1，v_b∈{v₁,v₂,...,v_a}，a为有限正整数，将一般任务持续时间划分为等大小的时隙，

且

为有限正整数，

表示车辆v_b、时隙t_j的可用资源总数，F为有限正整数，本实施例的F取值为10。

(3)路侧单元计算车辆精度

在云服务器上存储每辆车的历史交易记录，包括车辆的执行任务情况、历史可靠性信息，路侧单元下载并查看这些信息，根据历史交易信息计算车辆v_b、时隙t_j的精度

如下：

其中，

表示车辆v_b、时隙t_j的精度因子，

表示车辆v_b、时隙t_j的可靠性，θ表示历史因子，θ∈[0,1]，本实施例的θ取值为0，

表示车辆v_b、时隙t_j-1之前的可靠性，

本实施例的

取值为0，

表示车辆v_b、时隙t_j-1的可靠性奖励，

j-1≥1，

表示车辆v_b、时隙t_j的精度值，

本实施例的

取值为1，ζ表示智能交通系统对用户精度值的平均要求，ζ∈[1,30]，本实施例的ζ取值为1。

(4)平台选择车辆执行一般任务

平台扫描所有的路侧单元，收集所有上传投标车辆的信息，根据每个一般任务成本预算和每个车辆资源的报价、价值、精度，按下式选择车辆资源以最大化一般任务的总效用Z：

其中，

表示一般任务g_i购买车辆v_b、时隙t_j的第f个资源的指示值，

平台选择的车辆资源需要满足以下条件：

平台按下式选择车辆资源以最大化一般任务的总效用Z：

其中，

表示一般任务g_i购买车辆v_b、时隙t_j的第f个资源的指示值，

平台选择的车辆资源需要满足以下条件：

其中,g_i为一般任务，g_i∈{g₁,g₂,...,g_p}，p∈[1,10],本实施例的p取值为1。

(5)平台发布紧急任务

平台发布紧急任务M_e如下：

M_e＝{rw,rd,ru}

其中，rw是紧急任务的最大等待延迟、且不超过一个时隙t_j-1，j-1≥1，rd是紧急任务的最低价值，rd∈[0,100]，本实施例的rd取值为0,ru是紧急任务的最低精度，ru∈[0,1]，本实施例的ru取值为0。

(6)平台选择车辆执行紧急任务

对时隙t_j-1，j-1≥1，平台发布的紧急任务，时隙t_j平台根据紧急任务的精度要求、价值要求和每个车辆的单位资源报价、精度、价值选择车辆资源，按下式选择车辆资源以最大化剩余的一般任务的总效用W(t_j)：

其中，

表示车辆v_b、时隙t_j已经分配给一般任务g_i的资源数目，

表示车辆v_b、时隙t_j已经分配给一般任务g_i的资源被紧急任务占用的资源数目，

表示车辆v_b、时隙t_j已经分配给一般任务g_i的资源被紧急任务占用的资源比例，

本实施例

的取值为0，f(x)表示对x四舍五入函数，平台选择的车辆资源需要满足以下条件：

其中，

表示时隙t_j紧急任务购买车辆v_b的总资源，

表示时隙t_j紧急任务购买的车辆v_b的空闲资源数目，

表示车辆v_b、时隙t_j参与紧急任务的指示值，

完成基于智能交通系统的多任务协同群智感知方法。

实施例3

本实施例的基于智能交通系统的多任务协同群智感知方法由下述步骤组成：

(1)平台发布一般任务

平台发布信息元组

如下：

其中,g_i为一般任务，g_i∈{g₁,g₂,...,g_p}，p为有限正整数，

表示一般任务g_i的开始时间，

表示一般任务g_i的结束时间，

表示一般任务g_i的成本预算，

本实施例的

取值为500。

(2)车辆上传投标信息

路侧单元实时识别覆盖范围内的车辆，每一个路侧单元拥有一张存储当前时间段内在路侧单元覆盖范围内的车辆信息表，车辆信息表内包含车辆v_b向路侧单元提供的投标信息元组

如下：

其中，

表示车辆v_b、时隙t_j的可用资源集合，

表示车辆v_b、时隙t_j的单位资源报价，

本实施例的

取值为10，

表示车辆v_b、时隙t_j的单位资源提供的价值，

本实施例的

取值为5，v_b∈{v₁,v₂,...,v_a}，a为有限正整数，将一般任务持续时间划分为等大小的时隙，

且

为有限正整数，

表示车辆v_b、时隙t_j的可用资源总数，F为有限正整数，本实施例的F取值为20。

(3)路侧单元计算车辆精度

在云服务器上存储每辆车的历史交易记录，包括车辆的执行任务情况、历史可靠性信息，路侧单元下载并查看这些信息，根据历史交易信息计算车辆v_b、时隙t_j的精度

如下：

其中，

表示车辆v_b、时隙t_j的精度因子，

表示车辆v_b、时隙t_j的可靠性，θ表示历史因子，θ∈[0,1]，本实施例的θ取值为1，

表示车辆v_b、时隙t_j-1之前的可靠性，

本实施例的

取值为1，

表示车辆v_b、时隙t_j-1的可靠性奖励，

j-1≥1，

表示车辆v_b、时隙t_j的精度值，

本实施例的

取值为30，ζ表示智能交通系统对用户精度值的平均要求，ζ∈[1,30]，本实施例的ζ取值为30。

(4)平台选择车辆执行一般任务

平台扫描所有的路侧单元，收集所有上传投标车辆的信息，根据每个一般任务成本预算和每个车辆资源的报价、价值、精度，按下式选择车辆资源以最大化一般任务的总效用Z：

其中，

表示一般任务g_i购买车辆v_b、时隙t_j的第f个资源的指示值，

平台选择的车辆资源需要满足以下条件：

平台按下式选择车辆资源以最大化一般任务的总效用Z：

其中，

表示一般任务g_i购买车辆v_b、时隙t_j的第f个资源的指示值，

平台选择的车辆资源需要满足以下条件：

其中,g_i为一般任务，g_i∈{g₁,g₂,...,g_p}，p∈[1,10],本实施例的p取值为10。

(5)平台发布紧急任务

平台发布紧急任务M_e如下：

M_e＝{rw,rd,ru}

其中，rw是紧急任务的最大等待延迟、且不超过一个时隙t_j-1，j-1≥1，rd是紧急任务的最低价值，rd∈[0,100]，本实施例的rd取值为100,ru是紧急任务的最低精度，ru∈[0,1]，本实施例的ru取值为1。

(6)平台选择车辆执行紧急任务

对时隙t_j-1，j-1≥1，平台发布的紧急任务，时隙t_j平台根据紧急任务的精度要求、价值要求和每个车辆的单位资源报价、精度、价值选择车辆资源，按下式选择车辆资源以最大化剩余的一般任务的总效用W(t_j)：

其中，

表示车辆v_b、时隙t_j已经分配给一般任务g_i的资源数目，

表示车辆v_b、时隙t_j已经分配给一般任务g_i的资源被紧急任务占用的资源数目，

表示车辆v_b、时隙t_j已经分配给一般任务g_i的资源被紧急任务占用的资源比例，

本实施例

的取值为1，f(x)表示对x四舍五入函数，平台选择的车辆资源需要满足以下条件：

其中，

表示时隙t_j紧急任务购买车辆v_b的总资源，

表示时隙t_j紧急任务购买的车辆v_b的空闲资源数目，

表示车辆v_b、时隙t_j参与紧急任务的指示值，

完成基于智能交通系统的多任务协同群智感知方法。

为了验证本发明的有益效果，发明人采用本发明实施例1的方法与在满足约束条件内随机选择车辆资源分配给一般任务和紧急任务的方法(以下简称对比实验1)、平均选择车辆资源分配给每个一般任务和紧急任务的方法(以下简称对比实验2)、基于多级斯塔克尔伯格博弈选择车辆资源分配给每个一般任务和紧急任务的方法(以下简称对比实验3)进行了对比仿真实验，各种实验情况如下：

在没有紧急任务到达的场景下，一般任务效用评价指标为所有一般任务在所有时隙内获得的效用总和，一般任务总效用实验结果见表1。

表1无紧急任务时的一般任务总效用实验结果

实验内容	一般任务总效用
		对比实验1	16.67
对比实验2	67.40
		对比实验3	96.66
本发明实施例1	130.91

由表1可见，对500次实验结果取均值，本发明的一般任务总效用为130.91，对比实验1的一般任务总效用为16.67，对比实验2的一般任务总效用为67.40，对比实验3的一般任务总效用为96.66，相较于对比实验1、对比实验2、对比实验3，本发明显著提升了一般任务总效用。

在有紧急任务到达的场景下，一般任务效用评价指标为在所有时隙满足到达所有紧急任务的最低价值要求和最低精度要求之后剩余的所有一般任务总效用，分别统计了500次实验的均值：剩余的一般任务总效用实验结果见表2。

表2有紧急任务时剩余的一般任务总效用结果

实验内容	剩余的一般任务总效用
		对比实验1	12.24
对比实验2	50.46
		对比实验3	75.74
本发明实施例1	83.09

由表2可见，对500次实验结果取平均值，本发明的剩余的一般任务总效用为83.09，对比实验1剩余的一般任务总效用为12.24，对比实验2剩余的一般任务总效用为50.46，对比实验3剩余的一般任务总效用为75.74，与对比实验1、对比实验2、对比实验3，本发明在满足紧急任务的最低价值要求和最低精度要求的同时，显著提升了剩余的一般任务总效用。

Claims (3)

1.一种基于智能交通系统的多任务协同群智感知方法，其特征在于由下述步骤组成：

(1)平台发布一般任务

平台发布信息元组

如下：

其中,g_i为一般任务，g_i∈{g₁,g₂,...,g_p}，p为有限正整数，

表示一般任务g_i的开始时间，

表示一般任务g_i的结束时间，

表示一般任务g_i的成本预算，

(2)车辆上传投标信息

路侧单元实时识别覆盖范围内的车辆，每一个路侧单元拥有一张存储当前时间段内在路侧单元覆盖范围内的车辆信息表，车辆信息表内包含车辆v_b向路侧单元提供的投标信息元组

如下：

其中，

表示车辆v_b、时隙t_j的可用资源集合，

表示车辆v_b、时隙t_j的单位资源报价，

表示车辆v_b、时隙t_j的单位资源提供的价值，

v_b∈{v₁,v₂,...,v_a}，a为有限正整数，将一般任务持续时间划分为等大小的时隙，

且

为有限正整数，

表示车辆v_b、时隙t_j的可用资源总数，F为有限正整数；

(3)路侧单元计算车辆精度

在云服务器上存储每辆车的历史交易记录，包括车辆的执行任务情况、历史可靠性信息，路侧单元下载并查看这些信息，根据历史交易信息计算车辆v_b、时隙t_j的精度

如下：

其中，

表示车辆v_b、时隙t_j的精度因子，

表示车辆v_b、时隙t_j的可靠性，θ表示历史因子，θ∈[0,1]，

表示车辆v_b、时隙t_j-1之前的可靠性，

表示车辆v_b、时隙t_j-1的可靠性奖励，

表示车辆v_b、时隙t_j的精度值，

ζ表示智能交通系统对用户精度值的平均要求，ζ∈[1,30]；

(4)平台选择车辆执行一般任务

平台扫描所有的路侧单元，收集所有上传投标车辆的信息，根据每个一般任务的成本预算和每个车辆资源的报价、价值、精度，按下式选择车辆资源以最大化一般任务的总效用Z：

其中，

表示一般任务g_i购买车辆v_b、时隙t_j的第f个资源的指示值，

平台选择的车辆资源需要满足以下条件：

(5)平台发布紧急任务

平台发布紧急任务M_e如下：

M_e＝{rw,rd,ru}

其中，rw是紧急任务的最大等待延迟、且不超过一个时隙t_j-1，j-1≥1，rd是紧急任务的最低价值，rd∈[0,100]，ru是紧急任务的最低精度，ru∈[0,1]；

(6)平台选择车辆执行紧急任务

对时隙t_j-1，j-1≥1，平台发布的紧急任务，根据紧急任务的精度要求、价值要求和每个车辆的单位资源报价、精度、价值选择车辆资源，按下式选择车辆资源以最大化剩余的一般任务的总效用W(t_j)：

其中，

表示车辆v_b、时隙t_j已经分配给一般任务g_i的资源数目，

表示车辆v_b、时隙t_j已经分配给一般任务g_i的资源被紧急任务占用的资源数目，

表示车辆v_b、时隙t_j已经分配给一般任务g_i的资源被紧急任务占用的资源比例，

f(x)表示对x四舍五入函数，平台选择的车辆资源需要满足以下条件：

其中，

表示时隙t_j紧急任务购买车辆v_b的总资源，

表示时隙t_j紧急任务购买的车辆v_b的空闲资源数目，

表示车辆v_b、时隙t_j参与紧急任务的指示值，

2.根据权利要求1所述的基于智能交通系统的多任务协同群智感知方法，其特征在于：在(4)平台选择车辆执行一般任务步骤中，所述的p∈[1,10]。

3.根据权利要求1所述的基于智能交通系统的多任务协同群智感知方法，其特征在于：在(6)平台选择车辆执行紧急任务步骤中，所述的

取值为0.5。

Images